智能电网中电能数据调度方法与流程

1.本发明涉及一种智能电网中电能数据调度方法，属于信息通信领域。


背景技术：

2.电网电能质量的优劣是电网正常运行的重要标志。电能质量数据涉及的指标数据种类多,且采集这些指标数据频率不一；现有电能质量数据采集系统以各单位进行数据收集,但各单位数据互相隔绝，造成“信息孤岛”，使得数据不能得到很好的利用。为了能更好地评估电能质量问题，增强用电效率，改善电能质量，进一步汇集各单位电能质量数据很有必要。在电网环境里，采集的各种历史电能质量指标数据以数据包的形式存储、发送，在面临多批次任务时，大量数据发送到数据服务器时，可能会造成处理延迟，单点故障等等。如果对其进行合理的调度，既可以缩短任务整体处理的时间，也能减轻服务器处理负担。


技术实现要素：

3.针对如何在降低数据包传输时间的同时,达到稳定传输的问题，本发明提供一种智能电网中电能数据调度方法。
4.本发明的一种智能电网中电能数据调度方法，所述方法包括：
5.步骤一、确定智能电网中数据包的集合和数据服务器，组成数据包搜索集合；
6.步骤二、每个数据服务器作为一个节点，两个节点之间包括c个物理信道，确定链路的影响因子k：
7.k＝a(1-a) (1-a)ω,0≤a≤1
8.a表示链路状态的中断概率；
9.ω表示链路状态的可用时长因子；
10.a表示权重；
11.步骤三、基于任务搜索集合利用蚁群算法确定最优路径，蚁群算法中的两个节点间的转移概率由可靠性因子确定，信息素由可靠因子更新；
12.步骤四、根据最优路径进行组网传输数据包。
13.作为优选，所述步骤三中，
14.t时刻蚂蚁k由节点i到节点j的转移概率可以表示为：
[0015][0016]
式中，τ
i,j
(t)表示节点i与节点j的链路上的信息素浓度，表示节点i与节点j的链路信息启发函数，α表示数据包传输链路上残留信息素对数据包传输的重要性，β表示数据包传输链路上启发式信息对数据包传输的重要性；χ表示数据包传输链路上影响因子k
的重要性；ni表示蚂蚁下一步允许的节点；k
i,j
(t)表示节点i与节点j的链路的影响因子函数；
[0017]
信息素浓度的更新方式为：
[0018]
τ
i,j
(t 1)＝(1-δ)
·
τ
i,j
(t) q/k
i,j
(t)
[0019]
1-δ表示信息素残留因子，q表示信息素强度。
[0020]
作为优选，所述步骤二中，
[0021]
p(mc)表示第c条信道为空闲状态的概率。
[0022]
其特征在于，所述步骤二中，
[0023]
pc表示第c条信道的可用时长。
[0024]
作为优选，权重a通过权重深度强化学习模型获取，权重深度强化学习模型的输入为链路状态的中断概率a和链路状态的可用时长因子ω，输出为权重a。
[0025]
作为优选，所述权重深度强化学习模型包括1号深度神经网络、2号深度神经网络和融合层；
[0026]
每个节点的链路状态的中断概率a和链路状态的可用时长因子ω的历史数据组成训练集中输入数据，对应的权重a对应为训练集中输出数据；
[0027]
训练集的输入数据同时输入至1号深度神经网络和2号深度神经网络，
[0028]
1号深度神经网络和2号深度神经网络的输出同时输入到融合层，融合层输出训练集的权重a；
[0029]
利用训练集训练过程中，1号深度神经网络、2号深度神经网络和融合层可采用不同的损失函数进行优化，完成训练后，获得权重深度强化学习模型。
[0030]
本发明的有益效果，本发明针对数据包的集合和数据服务器组成的数据包搜索集合，利用蚁群优化算法的实现多任务调度，降低整体传输时间,其中考虑的信道的稳定性，防止不会中断，实现数据包并行稳定传输，且实现接收服务器的负载均衡。
附图说明
[0031]
图1为本发明的原理示意图。
具体实施方式
[0032]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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的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。
[0033]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0034]
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
[0035]
现有的电能质量数据调度采用多源节点数据服务器轮询发送数据包到目的节点
数据服务器。其特点是:调度器获取当前数据服务器上的数据包,将数据包按序依次发给目的数据服务器。由于接收节点单一,导致入库效率较低。
[0036]
本实施方式的本发明的一种智能电网中电能数据调度方法，以电能质量数据为研究对象,设计面向电能质量数据传输的蚁群优化算法。实现单源点数据服务器的数据包动态分配到不同目的节点数据服务器,，本实施方式方法包括：
[0037]
步骤一、确定智能电网中数据包的集合task和数据服务器m，将task与m做笛卡尔积运算，组成数据包搜索集合k；步骤二、每个数据服务器作为一个节点，两个节点之间包括c个物理信道，确定链路的影响因子k：
[0038]
k＝a(1-a) (1-a)ω,0≤a≤1
[0039]
a表示链路状态的中断概率；
[0040]
ω表示链路状态的可用时长因子；
[0041]
a表示权重；
[0042][0043]
链路状态的中断概率a可根据信道的“通”的持续时长均值和“断”的持续时长均值确定；
[0044]
p(mc)表示第c条信道为空闲状态的概率。
[0045][0046]
pc表示第c条信道的可用时长。
[0047]
步骤三、基于任务搜索集合利用蚁群算法确定最优路径，蚁群算法中的两个节点间的转移概率由可靠性因子确定，信息素由可靠因子更新；t时刻蚂蚁k由节点i到节点j的转移概率可以表示为：
[0048][0049]
式中，τ
i,j
(t)表示节点i与节点j的链路上的信息素浓度，表示节点i与节点j的链路信息启发函数，α表示数据包传输链路上残留信息素对数据包传输的重要性，β表示数据包传输链路上启发式信息对数据包传输的重要性；χ表示数据包传输链路上影响因子k的重要性；ni表示蚂蚁下一步允许的节点；k
i,j
(t)表示节点i与节点j的链路的影响因子函数；
[0050]
信息素浓度的更新方式为：
[0051]
τ
i,j
(t 1)＝(1-δ)
·
τ
i,j
(t) q/k
i,j
(t)
[0052]
1-δ表示信息素残留因子，q表示信息素强度。
[0053]
步骤四、根据最优路径进行组网传输数据包。
[0054]
本实施方式蚁群算法来源于蚂蚁寻找食物过程中发现路径的行为。该方法经常被
用于解决np问题的优化求解,如旅行商问题,生产调度,路径规划等组合优化问题。
[0055]
本实施方式将待传输数据包与目的节点数据服务器进行组合形成数据包搜索集合作为任务搜索集合,随机设置蚂蚁的初始节点,将包含源节点数据服务器的数据包-目的节点数据服务器的映射关系从任务搜索集中删除,然后计算下次允许访问的各个节点转移概率,依照转移概率随机访问下一节点,并从搜索集中删除包含下一节点的所有源节点数据服务器的数据包-目的节点数据服务器的映射关系,重复搜索过程。当蚂蚁没有任何节点可以访问时(即数据包搜索集合为空),结束这只蚂蚁本次搜索,得到一条搜索路径。比较所有蚂蚁本次迭代中的路径选择最优路径,调整信息素,记录该选择为当前最优解。根据调整后的信息素和启发式信息进行下一次搜索,直到迭代完成。从中选出全局最优解作为最优路径输出。
[0056]
本实施方式中权重a可通过权重深度强化学习模型获取，权重深度强化学习模型的输入为链路状态的中断概率a和链路状态的可用时长因子ω，输出为权重a。
[0057]
权重深度强化学习模型包括1号深度神经网络、2号深度神经网络和融合层；
[0058]
每个节点的链路状态的中断概率a和链路状态的可用时长因子ω的历史数据组成训练集中输入数据，对应的权重a对应为训练集中输出数据；
[0059]
训练集的输入数据同时输入至1号深度神经网络和2号深度神经网络，
[0060]
1号深度神经网络和2号深度神经网络的输出同时输入到融合层，融合层输出训练集的权重a；
[0061]
利用训练集训练过程中，1号深度神经网络、2号深度神经网络和融合层可采用不同的损失函数进行优化，完成训练后，获得权重深度强化学习模型。训练过程：
[0062]
训练集的输入为：x:(x
t-1
,x
t
,x
t 1
)m，训练集的输出为y:(y
t-1
,y
t
,y
t 1
)m；下标t表示时刻；
[0063]
1号深度神经网络参数为θ1，2号深度神经网络参数为θ2；
[0064]
一、对1号深度神经网络前向计算：y1＝f1(x；θ1)，其中y1表示1号深度神经网络输出结果
[0065]
误差计算：l(θ1)＝l
mix
(y-y1)，其中l
ms-ssim
表示多层级结构相似度损失函数，表示l1损失函数，为高斯系数，α＝0.9。
[0066]
参数优化：θ'1＝adam(l(θ1))
[0067]
二、2号深度神经网络前向计算：
[0068]
y2＝f2(x；θ2)，其中y'表示2号深度神经网络输出结果；
[0069]
误差计算：l(θ2)＝l
mix
(y-y2)，其中
[0070]
参数优化：θ'2＝adam(l(θ2))
[0071]
三、融合层参数学习
[0072]
y1＝f1(x；θ1)
[0073]
y2＝f
edsr
(x；θ2)
[0074]
融合层进行各网络输出结果融合：y3＝f2(y1,y2；θ3)，其中θ3表示融合层参数；
[0075]
误差计算：l(θ3)＝l
mix
(y-y3)，其中
[0076]
融合层参数更新：θ'3＝adam(l(θ3))；
[0077]
完成训练。
[0078]
本实施方式可根据需求采用不同的损失函数进行优化，得到性能更好的模型。
[0079]
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。