CN116647052B - 基于多边云协同的智能变电站自动控制调度方法及系统 - Google Patents

基于多边云协同的智能变电站自动控制调度方法及系统 Download PDF

Info

Publication number
CN116647052B
CN116647052B CN202310899524.8A CN202310899524A CN116647052B CN 116647052 B CN116647052 B CN 116647052B CN 202310899524 A CN202310899524 A CN 202310899524A CN 116647052 B CN116647052 B CN 116647052B
Authority
CN
China
Prior art keywords
edge
cloud
data
individual
data stream
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310899524.8A
Other languages
English (en)
Other versions
CN116647052A (zh
Inventor
李奇越
姜黄祺
丁津津
李帷韬
孙辉
孙伟
张峰
罗欢
吴留兵
彭勃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd
Hefei University of Technology
Original Assignee
Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd
Hefei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd, Hefei University of Technology filed Critical Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd
Priority to CN202310899524.8A priority Critical patent/CN116647052B/zh
Publication of CN116647052A publication Critical patent/CN116647052A/zh
Application granted granted Critical
Publication of CN116647052B publication Critical patent/CN116647052B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • H02J13/00034—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving an electric power substation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Water Supply & Treatment (AREA)
  • Human Computer Interaction (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了基于多边云协同的智能变电站自动控制调度方法及系统，所述方法包括：根据变电站中传感器的位置确定边缘设备数目以及所处位置；变电站中传感器采集变电站内各类数据并通过数据流传输；将数据流分配到边缘设备或者云端，计算云端传输消耗；根据云端传输消耗以及边缘设备消耗的成本分别计算云端和边缘设备的收益；以收益最大为目标构建目标函数并建立约束条件；对目标函数求解，得出变电站的传感器数据流优化调度方案；本发明的优点在于：实现计算资源的合理分配的同时保证系统收益最大化，满足实际应用需求。

Description

基于多边云协同的智能变电站自动控制调度方法及系统
技术领域
本发明涉及变电站计算资源优化调度领域，具体涉及基于多边云协同的智能变电站自动控制调度方法及系统。
背景技术
智能变电站是采用先进、可靠、集成和环保的智能设备，以全站信息数字化、通信平台网络化、信息共享标准化为基本要求，自动完成信息采集、测量、控制、保护、计量和检测等基本功能，是具备支持电网实时自动控制、智能调节、在线分析决策和协同互动等高级功能的变电站。随着电力系统的不断发展及电网的智能化，实时的对变电站进行监测具有重要意义，是实现电变电站智能化的关键。为适应智能变电站的需求，监测系统应该具备更为全面而准确的数据采集系统，具有强大的数据智能调度系统，在不同延迟下实现云端和边缘设备计算资源利用率的最大化，从而实现数据安全高效处理。
在变电站监测中进行控制调度尤为重要，它是变电站监测的核心体现，是建设智能变电站的关键内容，是智能变电站运行控制的神经中枢。现有技术大多是在变电站监测过程中进行预测控制，预测控制具有预测和控制的功能，它是根据系统当前时刻的控制输入和过程的历史信息，预测过程输出的未来值，然后将预测的过程输出的第一个值作为系统的控制量输入系统，继续进行预测控制，从而不断对系统进行优化，实现系统的最优化调度。其中在系统调度过程中调度方案如果过于复杂，将大大增加调度成本，而不利于投入实际应用，因此，系统优化调度需要考虑的一个重要问题实现计算资源的合理分配的同时保证系统收益最大化，以满足实际应用需求。
例如中国专利公开号CN112882383A，公开的一种面向变电站监测与边缘云协同的预测控制调度方法，采用的就是预测控制方案，将预测出来的第一个时刻的控制输入作用于系统，决定下一时刻的数据该送至云端处理还是送往边缘端处理，同时预测出来的第一个时刻的控制输入还将作为下一轮预测的初值，继续下一轮的预测控制，从而实现了计算资源的合理分配。其在预测过程中的最终目标是降低数据传输过程中的延迟，使传输和处理速度更快，使得计算资源利用率更高，但是没有考虑系统收益的问题，无法在计算资源的合理分配的同时保证系统收益最大化，无法真正满足实际应用需求。
发明内容
本发明所要解决的技术问题在于现有技术面向变电站监测与边缘云协同的预测控制调度方法，在调度过程中没有考虑系统收益，难以满足实际应用需求的问题。
本发明通过以下技术手段解决上述技术问题的：基于多边云协同的智能变电站自动控制调度方法，包括以下步骤：
步骤一：根据变电站中传感器的位置确定边缘设备数目以及所处位置；
步骤二：变电站中传感器采集变电站内各类数据并通过数据流传输；
步骤三：将数据流分配到边缘设备或者云端，计算云端传输消耗；
步骤四：根据云端传输消耗以及边缘设备消耗的成本分别计算云端和边缘设备的收益；
步骤五：以收益最大为目标构建目标函数并建立约束条件；
步骤六：对目标函数求解，得出变电站的传感器数据流优化调度方案。
进一步地，所述步骤一包括：
将变电站中N个传感器顺序编号，以每个传感器所在位置为圆心，边缘设备的覆盖范围为半径画圆，求出圆与圆的交集，交集所在位置作为边缘设备所处的位置，对于当前传感器所画的圆与其他传感器所画的圆无交集的情况下，选取当前传感器画的圆的圆内任意位置作为边缘设备的位置。
进一步地，所述步骤二包括：
将个边缘设备顺序编号为/>，其中/>表示第/>个边缘设备的序号，，变电站中传感器采集变电站内各类数据并通过数据流传输，传感器的数据流根据调度方案确定分配到所在区域的边缘设备或者云端。
进一步地，所述步骤三包括：
通过公式计算云端传输消耗，其中，/>表示第/>个传感器到云端的传输功率，/>表示传感器总数，/>表示第/>个传感器在单位时刻采集到的数据量，/>表示第/>个传感器传输到边缘设备的数据占其总数据的百分比，/>表示第/>个传感器到云端的传输速率。
更进一步地，所述步骤四包括：
通过公式
计算第个边缘设备的收益/>，其中，/>为计算边缘设备的收益时传感器的价格参数，/>为第/>个传感器发送到边缘设备的数据流大小，/>为数据流处理的总步数，为数据经过第/>步处理后和原始数据流相比的压缩比，/>为第/>步时，第/>个边缘设备所接受的数据流占当时总数据流的百分比，/>为第/>个边缘设备计算消耗的能量，/>为关于边缘计算的能量消耗的成本参数，/>为第/>个边缘设备传递数据消耗的能量，/>为关于边缘设备传输过程能量消耗的成本参数，/>为第/>个边缘设备第/>步和第/>步间数据流流到其他边缘设备的百分比差值。
更进一步地，所述步骤四还包括：
通过公式计算云端的收益/>，其中，/>为计算云端收益时传感器的价格参数，/>为关于云端传输的能量消耗的成本参数，/>为关于云端处理单位数据的成本参数。
更进一步地，所述步骤四还包括：
通过公式计算第/>个边缘设备计算消耗的能量，其中，/>为边缘设备处理单位数据所要消耗的功耗；
通过公式计算第/>个边缘设备传递数据消耗的能量，其中，/>为边缘设备之间的传输功率，/>为传感器间传输的传输速率。
更进一步地，所述步骤五包括：
构建目标函数，其中，/>为边缘设备的总数；
建立以下约束条件
其中，为第/>个边缘设备横坐标，/>为第/>个传感器横坐标，/>为第/>个边缘设备纵坐标，/>为第/>个传感器纵坐标，/>为边缘设备的覆盖范围，/>为第/>步时边缘设备处理单位数据所要消耗的功耗，/>为边缘设备处理单位数据所要消耗的功耗的上限值。
更进一步地，所述步骤六包括：
采用模型进行目标函数求解，将目标函数作为/>模型的损失函数，将/>的初始值输入/>模型的评估网络/>，将/>的初始值输入/>模型的目标网络/>，然后不断调整/>模型的网络参数以及/>和/>的值，直到目标函数最大的时候停止训练，此时求解得出的/>和/>的值为最优解，根据求解的/>和/>的值确定第/>步时，第/>个边缘设备所接受的数据流向下一个边缘设备传输还是云端传输。
本发明还提供基于多边云协同的智能变电站自动控制调度系统，所述系统包括：
边缘设置模块，用于根据变电站中传感器的位置确定边缘设备数目以及所处位置；
数据采集模块，用于变电站中传感器采集变电站内各类数据并通过数据流传输；
云端消耗计算模块，用于将数据流分配到边缘设备或者云端，计算云端传输消耗；
收益计算模块，用于根据云端传输消耗以及边缘设备消耗的成本分别计算云端和边缘设备的收益；
目标函数构建模块，用于以收益最大为目标构建目标函数并建立约束条件；
优化调度模块，用于对目标函数求解，得出变电站的传感器数据流优化调度方案。
进一步地，所述边缘设置模块还用于：
将变电站中N个传感器顺序编号，以每个传感器所在位置为圆心，边缘设备的覆盖范围为半径画圆，求出圆与圆的交集，交集所在位置作为边缘设备所处的位置，对于当前传感器所画的圆与其他传感器所画的圆无交集的情况下，选取当前传感器画的圆的圆内任意位置作为边缘设备的位置。
进一步地，所述数据采集模块还用于：
将个边缘设备顺序编号为/>，其中/>表示第/>个边缘设备的序号，，变电站中传感器采集变电站内各类数据并通过数据流传输，传感器的数据流根据调度方案确定分配到所在区域的边缘设备或者云端。
进一步地，所述云端消耗计算模块还用于：
通过公式计算云端传输消耗，其中，/>表示第/>个传感器到云端的传输功率，/>表示传感器总数，/>表示第/>个传感器在单位时刻采集到的数据量，/>表示第/>个传感器传输到边缘设备的数据占其总数据的百分比，/>表示第/>个传感器到云端的传输速率。
更进一步地，所述步收益计算模块还用于：
通过公式
计算第个边缘设备的收益/>，其中，/>为计算边缘设备的收益时传感器的价格参数，/>为第/>个传感器发送到边缘设备的数据流大小，/>为数据流处理的总步数，为数据经过第/>步处理后和原始数据流相比的压缩比，/>为第/>步时，第/>个边缘设备所接受的数据流占当时总数据流的百分比，/>为第/>个边缘设备计算消耗的能量，/>为关于边缘计算的能量消耗的成本参数，/>为第/>个边缘设备传递数据消耗的能量，/>为关于边缘设备传输过程能量消耗的成本参数，/>为第/>个边缘设备第/>步和第/>步间数据流流到其他边缘设备的百分比差值。
更进一步地，所述收益计算模块还用于：
通过公式计算云端的收益/>，其中，/>为计算云端收益时传感器的价格参数，/>为关于云端传输的能量消耗的成本参数，/>为关于云端处理单位数据的成本参数。
更进一步地，所述收益计算模块还用于：
通过公式计算第/>个边缘设备计算消耗的能量，其中，/>为边缘设备处理单位数据所要消耗的功耗；
通过公式计算第/>个边缘设备传递数据消耗的能量，其中，/>为边缘设备之间的传输功率，/>为传感器间传输的传输速率。
更进一步地，所述目标函数构建模块还用于：
构建目标函数，其中，/>为边缘设备的总数；
建立以下约束条件
其中，为第/>个边缘设备横坐标，/>为第/>个传感器横坐标，/>为第/>个边缘设备纵坐标，/>为第/>个传感器纵坐标，/>为边缘设备的覆盖范围，/>为第/>步时边缘设备处理单位数据所要消耗的功耗，/>为边缘设备处理单位数据所要消耗的功耗的上限值。
更进一步地，所述优化调度模块还用于：
采用模型进行目标函数求解，将目标函数作为/>模型的损失函数，将/>的初始值输入/>模型的评估网络/>，将/>的初始值输入/>模型的目标网络/>，然后不断调整/>模型的网络参数以及/>和/>的值，直到目标函数最大的时候停止训练，此时求解得出的/>和/>的值为最优解，根据求解的/>和/>的值确定第/>步时，第/>个边缘设备所接受的数据流向下一个边缘设备传输还是云端传输。
本发明的优点在于：
（1）本发明根据云端传输消耗以及边缘设备消耗的成本分别计算云端和边缘设备的收益，以收益最大为目标构建目标函数，然后对目标函数求解，从而得出变电站的传感器数据流优化调度方案，实现计算资源的合理分配的同时保证系统收益最大化，满足实际应用需求。
（2）本发明将面向变电站监测的边缘云协同的预测控制调度问题转化为非线性整数规划问题，对目标函数取反并将其求解变量松弛为连续变量，利用算法求解出经过松弛的非线性规划问题的最优解，大大降低了求解问题时的运算量，提高了运算速度，能更好的实现对变电站的实时监测，更有利于变电站智能化的建设。
附图说明
图1为本发明实施例所公开的基于多边云协同的智能变电站自动控制调度方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1所示，基于多边云协同的智能变电站自动控制调度方法，所述方法包括：
S1：根据变电站中传感器的位置确定边缘设备数目以及所处位置；具体过程为：在智能变电站监测环境中，先将个传感器从左到右进行编号/>，其中/>表示第/>个传感器的序号，/>；令每个传感器每时每刻采集数据并发出形成一个数据流。以每个传感器所在位置为圆心，边缘设备的覆盖范围/>为半径画圆，求出圆与圆的交集，交集所在位置作为边缘设备所处的位置，对于当前传感器所画的圆与其他传感器所画的圆无交集的情况下，选取当前传感器画的圆的圆内任意位置作为边缘设备的位置。以下公式表明传感器全覆盖。
其中，为第/>个边缘设备横坐标，/>为第/>个传感器横坐标，/>为第/>个边缘设备纵坐标，/>为第/>个传感器纵坐标。
S2：变电站中传感器采集变电站内各类数据并通过数据流传输；具体过程为：
将个边缘设备顺序编号为/>，其中/>表示第/>个边缘设备的序号，，变电站中传感器采集变电站内各类数据并通过数据流传输，传感器的数据流根据调度方案确定分配到所在区域的边缘设备或者云端。传感器发送至边缘的数据流在每次分配前会进行合流再分配的过程，保证单个边缘设备的计算资源能满足数据流的计算需求。
S3：将数据流分配到边缘设备或者云端，计算云端传输消耗；具体过程为：
云计算由于其强大的计算能力，计算能耗可以忽略不计。因此，云计算模型中所需的能耗主要集中在任务的上行传输阶段。通过公式计算云端传输消耗，其中，/>表示第/>个传感器到云端的传输功率，/>表示传感器总数，/>表示第/>个传感器在单位时刻采集到的数据量，/>表示第/>个传感器传输到边缘设备的数据占其总数据的百分比，/>表示第/>个传感器到云端的传输速率。
S4：根据云端传输消耗以及边缘设备消耗的成本分别计算云端和边缘设备的收益；具体的，本发明添加了奖励激励机制，边缘设备接受传感器的数据并进行处理会收到传感器的佣金，但会扣除传递数据消耗的资源，边缘设备是自身购买的，已经不需再支出其他费用，云端处理数据则会造成额外的支出，所以数据优先考虑传输到边缘设备，同时每个边缘设备会优先考虑自身的收益。以下是收益的确定方式：
通过公式
计算第个边缘设备的收益/>，其中，/>为计算边缘设备的收益时传感器的价格参数，/>为第/>个传感器发送到边缘设备的数据流大小，/>为数据流处理的总步数，为数据经过第/>步处理后和原始数据流相比的压缩比，/>为第/>步时，第/>个边缘设备所接受的数据流占当时总数据流的百分比，/>为第/>个边缘设备计算消耗的能量，/>为关于边缘计算的能量消耗的成本参数，/>为第/>个边缘设备传递数据消耗的能量，/>为关于边缘设备传输过程能量消耗的成本参数，/>为第/>个边缘设备第/>步和第/>步间数据流流到其他边缘设备的百分比差值。
通过公式计算云端的收益/>，其中，/>为计算云端收益时传感器的价格参数，/>为关于云端传输的能量消耗的成本参数，/>为关于云端处理单位数据的成本参数。
其中，通过公式计算第/>个边缘设备计算消耗的能量，其中，/>为边缘设备处理单位数据所要消耗的功耗；
其中，通过公式计算第/>个边缘设备传递数据消耗的能量，其中，/>为边缘设备之间的传输功率，/>为传感器间传输的传输速率。
S5:以收益最大为目标构建目标函数并建立约束条件；也即以收益最大为目标函数，根据计算资源、通信资源和硬件设备的限制因素，建立一系列的约束条件，由所述目标函数和一系列约束条件构成控制调度模型。具体如下：
构建目标函数，其中，/>为边缘设备的总数；
建立以下约束条件
其中，为第/>个边缘设备横坐标，/>为第/>个传感器横坐标，/>为第/>个边缘设备纵坐标，/>为第/>个传感器纵坐标，/>为边缘设备的覆盖范围，/>为第/>步时边缘设备处理单位数据所要消耗的功耗，/>为边缘设备处理单位数据所要消耗的功耗的上限值。
S6：对目标函数求解，得出变电站的传感器数据流优化调度方案。具体过程为：采用模型进行目标函数求解，将目标函数作为/>模型的损失函数，将/>的初始值输入/>模型的评估网络/>，将/>的初始值输入/>模型的目标网络/>，然后不断调整模型的网络参数以及/>和/>的值，直到目标函数最大的时候停止训练，此时求解得出的/>和/>的值为最优解，根据求解的/>和/>的值确定第/>步时，第/>个边缘设备所接受的数据流向下一个边缘设备传输还是云端传输。
需要说明的是，本发明采用的模型是现有技术，具体参阅论文W. Cheng, X.Liu, X. Wang and G. Nie, "Task Offloading and Resource Allocation forIndustrial Internet of Things: A Double-Dueling Deep Q-Network Approach," inIEEE Access, vol. 10, pp. 103111-103120, 2022, doi: 10.1109/ACCESS.2022.3210248。本发明仅仅是将数据输入/>模型经过训练输出求解结果。其中，模型的主要内容可以参阅现有技术文献，其大致过程如下：
S601、模型包括评估网络/>和目标网络/>，评估网络/>用于选择下一个动作。通过目标网络/>评估下一步动作以减少过估计问题。然后，/>模型结合了/>算法的网络结构，在最后一个隐藏层和输出层之间增加了状态价值函数/>和动作优势函数，其中/>只与状态/>相关，/>受状态和动作的影响。最优作用值函数/>用于表示这两部分的线性组合，其中/>是整个系统的状态空间，其示出了每个终端设备/>的系统状态，/>，/>是整个系统的动作空间，/>。
S602、初始化系统模型环境，初始化重放缓冲区，用随机参数/>初始化评估网络，用随机参数/>初始化目标网络/>，/>，用随机策略生成的数据填充重放缓冲区D，直到它满为止。
S603、重置系统模型环境，对每一个传感器训练评估网络，用下一个状态条件更新目标网络/>：随机取样/>表单/>，选择下一操作 , 使用损失函数训练/>以更新参数/>,其中/>是及时奖励，/>和/>分别是当前网络参数和目标网络参数。/>是衰减因子。/>被定义为动作，/>是下一个动作，/>是下一个状态。
S604、如果收敛，则/>，此时模型对应的/>为最优解。需要注意的是，模型同时输出的是/>，/>，所以模型输出的是所有的/>、/>和/>的取值范围下的/>，也即整个变电站系统的边缘设备调度情况。
通过以上技术方案，本发明根据云端传输消耗以及边缘设备消耗的成本分别计算云端和边缘设备的收益，以收益最大为目标构建目标函数，然后对目标函数求解，从而得出变电站的传感器数据流优化调度方案，实现计算资源的合理分配的同时保证系统收益最大化，满足实际应用需求。
实施例2
基于实施例1，本发明实施例2还提供基于多边云协同的智能变电站自动控制调度系统，所述系统包括：
边缘设置模块，用于根据变电站中传感器的位置确定边缘设备数目以及所处位置；
数据采集模块，用于变电站中传感器采集变电站内各类数据并通过数据流传输；
云端消耗计算模块，用于将数据流分配到边缘设备或者云端，计算云端传输消耗；
收益计算模块，用于根据云端传输消耗以及边缘设备消耗的成本分别计算云端和边缘设备的收益；
目标函数构建模块，用于以收益最大为目标构建目标函数并建立约束条件；
优化调度模块，用于对目标函数求解，得出变电站的传感器数据流优化调度方案。
具体的，所述边缘设置模块还用于：
将变电站中N个传感器顺序编号，以每个传感器所在位置为圆心，边缘设备的覆盖范围为半径画圆，求出圆与圆的交集，交集所在位置作为边缘设备所处的位置，对于当前传感器所画的圆与其他传感器所画的圆无交集的情况下，选取当前传感器画的圆的圆内任意位置作为边缘设备的位置。
具体的，所述数据采集模块还用于：
将个边缘设备顺序编号为/>，其中/>表示第/>个边缘设备的序号，，变电站中传感器采集变电站内各类数据并通过数据流传输，传感器的数据流根据调度方案确定分配到所在区域的边缘设备或者云端。
具体的，所述云端消耗计算模块还用于：
通过公式计算云端传输消耗，其中，/>表示第/>个传感器到云端的传输功率，/>表示传感器总数，/>表示第/>个传感器在单位时刻采集到的数据量，/>表示第/>个传感器传输到边缘设备的数据占其总数据的百分比，/>表示第/>个传感器到云端的传输速率。
更具体的，所述步收益计算模块还用于：
通过公式
计算第个边缘设备的收益/>，其中，/>为计算边缘设备的收益时传感器的价格参数，/>为第/>个传感器发送到边缘设备的数据流大小，/>为数据流处理的总步数，为数据经过第/>步处理后和原始数据流相比的压缩比，/>为第/>步时，第/>个边缘设备所接受的数据流占当时总数据流的百分比，/>为第/>个边缘设备计算消耗的能量，/>为关于边缘计算的能量消耗的成本参数，/>为第/>个边缘设备传递数据消耗的能量，/>为关于边缘设备传输过程能量消耗的成本参数，/>为第/>个边缘设备第/>步和第/>步间数据流流到其他边缘设备的百分比差值。
更具体的，所述收益计算模块还用于：
通过公式计算云端的收益/>，其中，/>为计算云端收益时传感器的价格参数，/>为关于云端传输的能量消耗的成本参数，/>为关于云端处理单位数据的成本参数。
更具体的，所述收益计算模块还用于：
通过公式计算第/>个边缘设备计算消耗的能量，其中，/>为边缘设备处理单位数据所要消耗的功耗；
通过公式计算第/>个边缘设备传递数据消耗的能量，其中，/>为边缘设备之间的传输功率，/>为传感器间传输的传输速率。
更具体的，所述目标函数构建模块还用于：
构建目标函数，其中，/>为边缘设备的总数；
建立以下约束条件
其中，为第/>个边缘设备横坐标，/>为第/>个传感器横坐标，/>为第/>个边缘设备纵坐标，/>为第/>个传感器纵坐标，/>为边缘设备的覆盖范围，/>为第/>步时边缘设备处理单位数据所要消耗的功耗，/>为边缘设备处理单位数据所要消耗的功耗的上限值。
更具体的，所述优化调度模块还用于：
采用模型进行目标函数求解，将目标函数作为/>模型的损失函数，将/>的初始值输入/>模型的评估网络/>，将/>的初始值输入/>模型的目标网络/>，然后不断调整/>模型的网络参数以及/>和/>的值，直到目标函数最大的时候停止训练，此时求解得出的/>和/>的值为最优解，根据求解的/>和/>的值确定第/>步时，第/>个边缘设备所接受的数据流向下一个边缘设备传输还是云端传输。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.基于多边云协同的智能变电站自动控制调度方法，其特征在于，包括以下步骤：
步骤一：根据变电站中传感器的位置确定边缘设备数目以及所处位置；
步骤二：变电站中传感器采集变电站内各类数据并通过数据流传输；
步骤三：将数据流分配到边缘设备或者云端，计算云端传输消耗；
通过公式计算云端传输消耗，其中，/>表示第/>个传感器到云端的传输功率，/>表示传感器总数，/>表示第/>个传感器在单位时刻采集到的数据量，/>表示第/>个传感器传输到边缘设备的数据占其总数据的百分比，/>表示第/>个传感器到云端的传输速率；
步骤四：根据云端传输消耗以及边缘设备消耗的成本分别计算云端和边缘设备的收益；
通过公式
计算第个边缘设备的收益/>，其中，/>为计算边缘设备的收益时传感器的价格参数，/>为第/>个传感器发送到边缘设备的数据流大小，/>为数据流处理的总步数，/>为数据经过第/>步处理后和原始数据流相比的压缩比，/>为第/>步时，第/>个边缘设备所接受的数据流占当时总数据流的百分比，/>为第/>个边缘设备计算消耗的能量，/>为关于边缘计算的能量消耗的成本参数，/>为第/>个边缘设备传递数据消耗的能量，/>为关于边缘设备传输过程能量消耗的成本参数，/>为第/>个边缘设备第/>步和第/>步间数据流流到其他边缘设备的百分比差值；
通过公式计算云端的收益/>，其中，/>为计算云端收益时传感器的价格参数，/>为关于云端传输的能量消耗的成本参数，/>为关于云端处理单位数据的成本参数；
通过公式计算第/>个边缘设备计算消耗的能量，其中，/>为边缘设备处理单位数据所要消耗的功耗；
通过公式计算第/>个边缘设备传递数据消耗的能量，其中，/>为边缘设备之间的传输功率，/>为传感器间传输的传输速率；
步骤五：以收益最大为目标构建目标函数并建立约束条件；
步骤六：对目标函数求解，得出变电站的传感器数据流优化调度方案。
2.根据权利要求1所述的基于多边云协同的智能变电站自动控制调度方法，其特征在于，所述步骤一包括：
将变电站中N个传感器顺序编号，以每个传感器所在位置为圆心，边缘设备的覆盖范围为半径画圆，求出圆与圆的交集，交集所在位置作为边缘设备所处的位置，对于当前传感器所画的圆与其他传感器所画的圆无交集的情况下，选取当前传感器画的圆的圆内任意位置作为边缘设备的位置。
3.根据权利要求1所述的基于多边云协同的智能变电站自动控制调度方法，其特征在于，所述步骤二包括：
将个边缘设备顺序编号为/>，其中/>表示第/>个边缘设备的序号，，变电站中传感器采集变电站内各类数据并通过数据流传输，传感器的数据流根据调度方案确定分配到所在区域的边缘设备或者云端。
4.根据权利要求1所述的基于多边云协同的智能变电站自动控制调度方法，其特征在于，所述步骤五包括：
构建目标函数，其中，/>为边缘设备的总数；
建立以下约束条件
其中，为第/>个边缘设备横坐标，/>为第/>个传感器横坐标，/>为第/>个边缘设备纵坐标，/>为第/>个传感器纵坐标，/>为边缘设备的覆盖范围，/>为第/>步时边缘设备处理单位数据所要消耗的功耗，/>为边缘设备处理单位数据所要消耗的功耗的上限值。
5.根据权利要求4所述的基于多边云协同的智能变电站自动控制调度方法，其特征在于，所述步骤六包括：
采用模型进行目标函数求解，将目标函数作为/>模型的损失函数，将/>的初始值输入/>模型的评估网络/>，将/>的初始值输入/>模型的目标网络/>，然后不断调整/>模型的网络参数以及/>和/>的值，直到目标函数最大的时候停止训练，此时求解得出的/>和/>的值为最优解，根据求解的/>和/>的值确定第/>步时，第/>个边缘设备所接受的数据流向下一个边缘设备传输还是云端传输。
6.基于多边云协同的智能变电站自动控制调度系统，其特征在于，所述系统包括：
边缘设置模块，用于根据变电站中传感器的位置确定边缘设备数目以及所处位置；
数据采集模块，用于变电站中传感器采集变电站内各类数据并通过数据流传输；
云端消耗计算模块，用于将数据流分配到边缘设备或者云端，计算云端传输消耗；
通过公式计算云端传输消耗，其中，/>表示第/>个传感器到云端的传输功率，/>表示传感器总数，/>表示第/>个传感器在单位时刻采集到的数据量，/>表示第/>个传感器传输到边缘设备的数据占其总数据的百分比，/>表示第/>个传感器到云端的传输速率；
收益计算模块，用于根据云端传输消耗以及边缘设备消耗的成本分别计算云端和边缘设备的收益；
通过公式
计算第个边缘设备的收益/>，其中，/>为计算边缘设备的收益时传感器的价格参数，/>为第/>个传感器发送到边缘设备的数据流大小，/>为数据流处理的总步数，/>为数据经过第/>步处理后和原始数据流相比的压缩比，/>为第/>步时，第/>个边缘设备所接受的数据流占当时总数据流的百分比，/>为第/>个边缘设备计算消耗的能量，/>为关于边缘计算的能量消耗的成本参数，/>为第/>个边缘设备传递数据消耗的能量，/>为关于边缘设备传输过程能量消耗的成本参数，/>为第/>个边缘设备第/>步和第/>步间数据流流到其他边缘设备的百分比差值；
通过公式计算云端的收益/>，其中，/>为计算云端收益时传感器的价格参数，/>为关于云端传输的能量消耗的成本参数，/>为关于云端处理单位数据的成本参数；
通过公式计算第/>个边缘设备计算消耗的能量，其中，/>为边缘设备处理单位数据所要消耗的功耗；
通过公式计算第/>个边缘设备传递数据消耗的能量，其中，/>为边缘设备之间的传输功率，/>为传感器间传输的传输速率；
目标函数构建模块，用于以收益最大为目标构建目标函数并建立约束条件；
优化调度模块，用于对目标函数求解，得出变电站的传感器数据流优化调度方案。
CN202310899524.8A 2023-07-21 2023-07-21 基于多边云协同的智能变电站自动控制调度方法及系统 Active CN116647052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310899524.8A CN116647052B (zh) 2023-07-21 2023-07-21 基于多边云协同的智能变电站自动控制调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310899524.8A CN116647052B (zh) 2023-07-21 2023-07-21 基于多边云协同的智能变电站自动控制调度方法及系统

Publications (2)

Publication Number Publication Date
CN116647052A CN116647052A (zh) 2023-08-25
CN116647052B true CN116647052B (zh) 2023-10-03

Family

ID=87640326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310899524.8A Active CN116647052B (zh) 2023-07-21 2023-07-21 基于多边云协同的智能变电站自动控制调度方法及系统

Country Status (1)

Country Link
CN (1) CN116647052B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111182076A (zh) * 2020-01-02 2020-05-19 合肥工业大学 云边协同的智能电网监测系统及其资源分配和调度方法
CN111934325A (zh) * 2020-07-27 2020-11-13 北京奥德威特电力科技股份有限公司 一种云边协同电压无功智能控制系统及控制方法
CN112882383A (zh) * 2021-01-11 2021-06-01 合肥工业大学 一种面向变电站监测与边缘云协同的预测控制调度方法
CN113361078A (zh) * 2021-05-20 2021-09-07 国网湖北省电力有限公司电力科学研究院 一种考虑光伏发电不确定性的配电网云边协同调控方法
CN114362367A (zh) * 2021-12-30 2022-04-15 中国电力科学研究院有限公司 面向云边协同的输电线路监测系统和方法、识别系统和方法
CN114698119A (zh) * 2022-03-31 2022-07-01 合肥工业大学 配网分布式保护系统的5g通信/云边计算资源协同分配方法
CN115243217A (zh) * 2022-07-07 2022-10-25 中山大学 车联网边缘环境下基于ddqn的端边云协同调度方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108282333B (zh) * 2018-03-02 2020-09-01 重庆邮电大学 工业云环境下多边缘节点协作模式下数据安全共享方法
CN113807647B (zh) * 2021-07-28 2022-07-05 合肥工业大学 基于云边协同的电动汽车充电调度方法和系统
WO2023097022A1 (en) * 2021-11-23 2023-06-01 Strong Force Ee Portfolio 2022, Llc Ai-based energy edge platform, systems, and methods

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111182076A (zh) * 2020-01-02 2020-05-19 合肥工业大学 云边协同的智能电网监测系统及其资源分配和调度方法
CN111934325A (zh) * 2020-07-27 2020-11-13 北京奥德威特电力科技股份有限公司 一种云边协同电压无功智能控制系统及控制方法
CN112882383A (zh) * 2021-01-11 2021-06-01 合肥工业大学 一种面向变电站监测与边缘云协同的预测控制调度方法
CN113361078A (zh) * 2021-05-20 2021-09-07 国网湖北省电力有限公司电力科学研究院 一种考虑光伏发电不确定性的配电网云边协同调控方法
CN114362367A (zh) * 2021-12-30 2022-04-15 中国电力科学研究院有限公司 面向云边协同的输电线路监测系统和方法、识别系统和方法
CN114698119A (zh) * 2022-03-31 2022-07-01 合肥工业大学 配网分布式保护系统的5g通信/云边计算资源协同分配方法
CN115243217A (zh) * 2022-07-07 2022-10-25 中山大学 车联网边缘环境下基于ddqn的端边云协同调度方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Power Multi-Service Transmission Scheduling Method in 5G Edge-Cloud Collaboration Scenario;Jiming Yao等;《 2022 IEEE 6th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC )》;全文 *
Deep reinforcement learning based resource allocation for cloud edge collaboration fault detection in smart grid;Qiyue Li等;《 CSEE Journal of Power and Energy Systems 》;全文 *
基于云边端协同的电动汽车多目标优化调度;陈艺灵等;《供用电》;第39卷(第4期);全文 *
面向算力网络的云边端协同调度技术;周旭等;《中兴通讯技术》;全文 *

Also Published As

Publication number Publication date
CN116647052A (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
Yuce et al. ANN–GA smart appliance scheduling for optimised energy management in the domestic sector
CN106315319B (zh) 一种电梯智能预调度方法及系统
Judge et al. Price-based demand response for household load management with interval uncertainty
Sharma et al. A critical and comparative review of energy management strategies for microgrids
CN106934497A (zh) 基于深度学习的智慧小区用电量实时预测方法及装置
CN110111214B (zh) 一种基于优先级的用户用能管理方法及系统
CN113836796A (zh) 一种基于云边协同的配电物联网数据监测系统及调度方法
CN113326994A (zh) 一种考虑源荷储互动的虚拟电厂能量协同优化方法
CN112308270A (zh) 一种长期用电负荷预测方法、装置及计算机实现系统
CN103345663A (zh) 考虑爬坡速率约束的电力系统机组组合优化方法
Hu et al. Flexibility prediction of aggregated electric vehicles and domestic hot water systems in smart grids
CN115733191A (zh) 一种源网荷储系统互动协调优化方法、系统及存储介质
Wang et al. Prediction model for railway freight volume with GCA-genetic algorithm-generalized neural network: empirical analysis of China
Meng et al. Hierarchical evolutionary game based dynamic cloudlet selection and bandwidth allocation for mobile cloud computing environment
Feng et al. An energy performance contracting parameter optimization method based on the response surface method: A case study of a metro in China
He et al. Management and real-time monitoring of interconnected energy hubs using digital twin: Machine learning based approach
CN116647052B (zh) 基于多边云协同的智能变电站自动控制调度方法及系统
CN114169916A (zh) 一种适应新型电力系统的市场成员报价策略制定方法
Lv et al. Hierarchical learning optimisation method for the coordination dispatch of the inter‐regional power grid considering the quality of service index
Sun et al. DSM pricing method based on A3C and LSTM under cloud-edge environment
Chen et al. Utility-driven renewable energy sharing systems for community microgrid
Lai et al. Short‐term passenger flow prediction for rail transit based on improved particle swarm optimization algorithm
Zamee et al. Self-supervised online learning algorithm for electric vehicle charging station demand and event prediction
CN115513945A (zh) 一种基于物联网的分布式电源管理方法
Ling et al. A thermal load forecasting algorithm based on trajectory tracking

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant