CN118869476A - 云边协同集控系统中的任务调度策略及系统 - Google Patents

Abstract

本发明提供一种云边协同集控系统中的任务调度策略及系统，属于物联网云边协同智能电网站点领域，解决了在动态变化的云边系统集控系统中的资源分配、任务处理时效性的问题。主要采用方法如下：通过计算卸载任务传输速率、传输时延、计算时延、终端处理能耗、任务处理完成时延，最后确定目标函数和约束条件，运运用进粒子群算法求解目标函数，输出最优解。本发明通过应用优化的粒子群算法，确定一组最优参数配置，包括最优的传输功率、网络带宽分配比例以及计算资源分配比例，以实现在云边协同的集控系统框架内，将任务处理的总时延降至最低。

Description

云边协同集控系统中的任务调度策略及系统

技术领域

本发明涉及物联网云边协同智能电网站点领域，具体来说是一种云边协同集控系统中的任务调度策略及系统。

背景技术

在全球能源体系转型与数字技术深度融合的背景下，智能电网的建设已成为电力系统现代化演进的基石。智能电网技术通过深度融合电力与信息流，极大增强了电网的自动化、交互性和灵活性属性，其中，云边协同的集中控制系统作为运维模式创新的关键，整合了云计算的强大算力与边缘计算的即时响应能力，实现了电网运行数据的即刻采集、处理、分析与决策，显著提升了运维效率与系统可靠性。

然而，智能电网规模的扩张与结构复杂度的增加，对云边协同集控系统提出了新的挑战，尤其是在复杂的分布式架构下，智能巡检任务的有效调度与资源均衡配置成为技术难点。智能巡检涵盖广泛的运维活动，从设备健康监测到故障预测乃至预维护，其数据密集、处理需求多样且对实时性有严格要求。传统静态调度机制难以应对这种动态变化的运维环境，易引发资源分配不均、处理延迟增大等问题，严重威胁到电网的安全稳定运行。

此外，确保站内通信网络的高效、稳定传输是智能运维的另一核心要素。智能巡检活动生成的海量数据需在云、边缘、终端间快速流转，任何通信时延或中断均可能削弱决策时效性，特别是在复杂电磁环境、网络拥堵或硬件故障情境下，维持通信质量成为亟待克服的技术障碍。

鉴于此，探索一种能够适应大规模分布式架构、实现任务的高效调度与负载均衡机制，同时确保站内通信的高可靠性和低延迟，成为智能电网技术研究的核心议题。

发明内容

本发明所要解决的技术问题在于针对动态变化的云边协同集控系统，如何保障其资源分配均匀、处理及时。

本发明通过以下技术手段实现解决上述技术问题的：

云边协同集控系统中的任务调度策略，包括以下步骤：

步骤1.卸载任务传输速率计算：

设第个电网站点通信范围内的第个设备，将需卸载的任务发送给电网站点内边缘服务器的上行传输速率；

步骤2.计算传输时延：包括计算终端设备将任务传输至智能站点内边缘服务器的无线传输时延，和任务由智能站点上传至集控主站通过有线通信方式的有线传输时延；

步骤3.求出计算时延：包括任务由智能站点内边缘服务器处理的计算时延，任务由集控主站服务器处理的计算时延；

步骤4.计算终端处理能耗：计算终端设备向智能站点发起任务数据的传输作业的能量消耗；

步骤5.计算任务处理完成时延并确定目标函数及约束条件：

每个任务的卸载策略由表示，当时，任务卸载至第个智能站点处理，任务处理完成时延为：

当时，任务卸载至集控主站处理，任务处理完成时延为：

其中，定义终端设备的任务计算密度为，为第个智能站点内边缘服务器分配给第个终端设备任务的频率；为集控主站服务器分配给第个智能站点通信范围内第个终端设备任务的频率；

单个任务的处理完成时延为：

系统延迟为终端设备所有任务处理延迟中最大的：

系统延迟最小化表述的目标函数为：

所述目标函数的约束条件为：

式中，表示功率约束；表示带宽约束，即各信道的带宽之和小于系统总带宽，其中，为系统总带宽；表示能耗约束，其中，为各终端设备最大能耗；表示智能站点边缘服务器计算资源约束，其中，为智能站点边缘服务器最大计算资源；表示集控主站服务器计算资源约束，其中，为集控主站服务器最大计算资源；表示每个任务处理时延约束，其中，为第个智能站点通信范围内第个终端设备任务的时延约束；

步骤6.运用改进粒子群算法求解目标函数，输出最优的传输功率、网络带宽分配比例以及计算资源分配比例。

进一步的，所述步骤1中传输速率计算公式如下：

式中，为分配给第个智能站点通信范围内第个终端设备的带宽，为第个智能站点通信范围内第个终端设备分配给任务的传输功率，为上行信道增益，为路径损耗指数，为信道高斯白噪声，为第个智能站点与其通信范围内第个终端设备的通信距离。

进一步的，所述步骤2中，无线传输时延计算公式如下：

有线传输时延计算公式如下：

式中，为电磁波的传播速率。

进一步的，所述步骤3中，计算时延的求取过程如下：

首先定义终端设备的任务计算密度为，即处理一位比特数需要的周期数；

任务由智能站点内边缘服务器处理的计算时延为：

式中，为第个智能站点内边缘服务器分配给第个终端设备任务的频率；

任务由集控主站服务器处理的计算时延为：

式中，为集控主站服务器分配给第个智能站点通信范围内第个终端设备任务的频率。

进一步的，所述步骤4中，能量消耗计算公式为：

。

本发明还通过云边协同集控系统中的任务调度系统，包括：

卸载任务传输速率计算模块：

设第个电网站点通信范围内的第个设备，将需卸载的任务发送给电网站点内边缘服务器的上行传输速率；

计算传输时延模块：包括计算终端设备将任务传输至智能站点内边缘服务器的无线传输时延，和任务由智能站点上传至集控主站通过有线通信方式的有线传输时延；

求出计算时延模块：包括任务由智能站点内边缘服务器处理的计算时延，任务由集控主站服务器处理的计算时延；

计算终端处理能耗模块：计算终端设备向智能站点发起任务数据的传输作业的能量消耗；

目标函数及约束条件计算模块，计算任务处理完成时延并确定目标函数及约束条件：

每个任务的卸载策略由表示，当时，任务卸载至第个智能站点处理，任务处理完成时延为：

当时，任务卸载至集控主站处理，任务处理完成时延为：

其中，定义终端设备的任务计算密度为，为第个智能站点内边缘服务器分配给第个终端设备任务的频率；为集控主站服务器分配给第个智能站点通信范围内第个终端设备任务的频率；

单个任务的处理完成时延为：

系统延迟为终端设备所有任务处理延迟中最大的：

系统延迟最小化表述的目标函数为：

所述目标函数的约束条件为：

式中，表示功率约束；表示带宽约束，即各信道的带宽之和小于系统总带宽，其中，为系统总带宽；表示能耗约束，其中，为各终端设备最大能耗；表示智能站点边缘服务器计算资源约束，其中，为智能站点边缘服务器最大计算资源；表示集控主站服务器计算资源约束，其中，为集控主站服务器最大计算资源；表示每个任务处理时延约束，其中，为第个智能站点通信范围内第个终端设备任务的时延约束；

寻优模块，用于运用改进粒子群算法求解目标函数，输出最优的传输功率、网络带宽分配比例以及计算资源分配比例。

进一步的，所述卸载任务传输速率计算模块中传输速率计算公式如下：

式中，为分配给第个智能站点通信范围内第个终端设备的带宽，为第个智能站点通信范围内第个终端设备分配给任务的传输功率，为上行信道增益，为路径损耗指数，为信道高斯白噪声，为第个智能站点与其通信范围内第个终端设备的通信距离。

进一步的，所述计算传输时延模块中，无线传输时延计算公式如下：

有线传输时延计算公式如下：

式中，为电磁波的传播速率。

进一步的，所述求出计算时延模块中，计算时延的求取过程如下：

首先定义终端设备的任务计算密度为，即处理一位比特数需要的周期数；

任务由智能站点内边缘服务器处理的计算时延为：

式中，为第个智能站点内边缘服务器分配给第个终端设备任务的频率；

任务由集控主站服务器处理的计算时延为：

式中，为集控主站服务器分配给第个智能站点通信范围内第个终端设备任务的频率。

进一步的，所述计算终端处理能耗模块中，能量消耗计算公式为：

。

本发明的优点在于：

本发明通过应用优化的粒子群算法，确定一组最优参数配置，包括最优的传输功率、网络带宽分配比例以及计算资源分配比例，以实现在云边协同的集控系统框架内，将任务处理的总时延降至最低。这一策略不仅促进了资源使用的最大化效率，还确保了系统能够迅速响应各类终端业务需求，从而在复杂的服务环境中保持卓越的运行效能与敏捷性。该技术的突破性进展，不仅将大幅度增强电网运维的自动化和智能化水平，还将有效缩减运维成本，增强电网的弹性和可持续性，为构筑一个更安全、环保、高效的能源互联网提供强有力的支持。

附图说明

图1为本发明实施例中云边协同集控系统的架构图；

图2为本发明实施例中调度策略的执行逻辑图。

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、完整的描述，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做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。

本实施例提供了一种云边协同集控系统中基于自适应粒子群算法的任务调度策略，云边协同集控系统架构如图1所示：

云边协同集控系统是一种高度整合的智能电网管理架构，它通过多层次的资源配置与信息交互，实现了从云端至终端的高效协同作业，该系统包括一个云端中心控制层、个边缘计算层以及终端设备层。

云端中心控制层，即集控主站与智巡主站，核心职能集中于全局数据集成、存储、分析，以及策略规划、任务调度和资源优化。依托先进云计算能力，该层能高效处理巨量数据，实施深度分析，为智能决策奠定坚实基础。其中，智巡主站专项聚焦智能巡检任务与数据分析，确保变电站环境的全时段、全方位监控与即时响应，提升了运维的智能化与应急效率。

边缘计算层涵盖了如核心变电站、换流站等智能站点，以及辅助控制主机。下面一核心变电站为例进行介绍，核心变电站特别针对配备人员值守、运维班组直接介入操作的站点。集成了先进的智能巡检主机系统与一系列周边终端装置，包括但不限于智能监控视觉系统、泛在传感网络等。这些配置紧邻数据生成点，执行数据的加工与解析，实现对变电站关键设备的实时监控与快速响应，从而缓解云端计算的压力并加速决策循环周期。变电站的辅助控制主机，负责基础信息的获取、局部操作控制及数据处理。作为云端与终端设备沟通的桥梁，辅助控制主机系统确保了数据流通的高效性与安全性，并为站点层面的自主运营管理提供了必要的技术支持与保障。

终端设备层直接位于变电站现场，包括但不限于变压器、断路器、继电器、智能电表以及多样化的监控与控制设备。这些设备与边缘计算层建立通讯链路，实时上传运行状态、能耗数据及异常警报，同时接收来自上级的控制指令。本发明假设这些终端设备采用频分复用接入技术与边缘计算层进行通信，为不同信号分配独立的频率带宽，保证了各信道信号互不干扰。

变电站内终端设备在运行过程中，面临数据处理任务时，需实施任务卸载策略，即将业务迁移至边缘计算节点或云端服务器进行处理。此过程依据业务种类、数据大小、业务时延约束、带宽以及各服务器计算资源等多维度因素，从而决定最适合的业务处理场所，是卸载至边缘侧就近处理还是卸载至云端处理。在多个终端设备并行业务卸载时，系统面临着网络带宽高效配置与服务器计算资源优化分配的双重挑战。同时本实施例考虑能耗约束，引入传输功率控制机制，旨在通过优化模型来协调多个维度的资源管理。因此，采用一种改进的自适应粒子群优化算法，计算出最优的功率控制、带宽分配比例以及计算资源分配比例，以最小化业务处理的总时延，实现资源合理分配从而提升整个系统性能。

如图2所示，一种云边协同集控系统中基于自适应粒子群算法的任务调度策略，主要实施步骤如下：

步骤一：传输速率

根据香农定理，第个变电站通信范围内的第个设备，将需卸载的任务发送给变电站内边缘服务器的上行传输速率为：

(1)

式中，为分配给第个变电站通信范围内第个终端设备的带宽，为第个变电站通信范围内第个终端设备分配给任务的传输功率，为上行信道增益，为路径损耗指数，为信道高斯白噪声，为第个变电站与其通信范围内第个终端设备的通信距离。

步骤二：传输时延

终端设备将任务传输至变电站内边缘服务器的传输时延为：

(2)

任务由变电站上传至集控主站通过有线通信方式，传输时延为：

(3)

式中，为电磁波的传播速率大约等于光速，即。

步骤三：计算时延

首先定义终端设备的任务计算密度为，即处理一位比特数需要的周期数。

任务由变电站内边缘服务器处理的计算时延为：

(4)

式中，为第个变电站内边缘服务器分配给第个终端设备任务的频率。

任务由集控主站服务器处理的计算时延为：

(5)

式中，为集控主站服务器分配给第个变电站通信范围内第个终端设备任务的频率。

步骤四：终端处理能耗

在任务调度的过程中，终端设备向变电站发起任务数据的传输作业，此环节伴随的能量消耗为：

(6)

步骤五：每个任务处理完成时延

鉴于处理后任务数据量显著缩减，相较于原始任务规模大幅度减小，故而在考量系统性能指标时，可合理推断任务处理完毕后其结果反馈的时延对总体延迟影响微乎其微，理应予以忽略，以便集中探讨其他更为关键的时延组成部分。因此，每个任务处理完成时延包括任务上传以及任务计算时延。

每个任务的卸载策略由表示，当时，任务卸载至第个变电站处理，任务处理完成时延为：

(7)

当时，任务卸载至集控主站处理，任务处理完成时延为：

(8)

步骤五：确定目标函数以及约束条件

鉴于各任务属性的异质性及其特有的时延要求，当任务被卸载至变电站进行处理却无法达成既定的时延约束条件时，策略上需将该任务转交给集控主站以确保满足严格的时延需求。因此，单个任务的处理完成时延为：

(9)

由于多个终端设备并行处理任务，因此系统延迟是终端设备所有任务处理延迟中最大的：

(10)

本实施例共同优化了终端设备的传输功率，网络带宽分配以及服务器计算资源分配。本实施例策略的系统延迟最小化问题表述如下：

(11)

式中，表示功率约束；表示带宽约束，即各信道的带宽之和小于系统总带宽，其中，为系统总带宽；表示能耗约束，其中，为各终端设备最大能耗；表示变电站边缘服务器计算资源约束，其中，为变电站边缘服务器最大计算资源；表示集控主站服务器计算资源约束，其中，为集控主站服务器最大计算资源；表示每个任务处理时延约束，其中，为第个变电站通信范围内第个终端设备任务的时延约束。

步骤六：运用改进粒子群算法求解

在既定的约束框架下，本实施例采用一种改进的自适应粒子群优化算法来求解目标函数，旨在发掘最优化的传输功率配置、带宽划分比例及计算资源的分配方案。相比传统的粒子群优化算法，本实施例通过集成自适应机制，实现对惯性权重的动态调控，从而增强算法的灵活性与效能。具体步骤如下：

初始化初始化粒子的位置和速度，设置算法参数，包括惯性权重、认知权重、社会权重。

计算适应度值利用上述步骤五中公式11示目标函数求出每个粒子适应度值。

最优更新更新每个粒子的个体最优值和全局最优值。

改进的自适应惯性权重依据当前粒子群的适应度分布动态调整惯性权重。惯性权重具体表达如下：

(12)

式中，和分别表示惯性权重的最小值和最大值，为区间的随机数，为所有粒子适应度的平均值，利用函数将适应度值转换为权重调整因子，确保在一定范围内高适应度粒子，即超过群体适应度平均值的粒子，赋予较小权重，旨在促进局部搜索；反之，低适应度粒子则配置较大权重，激励全局范围的探索行为。

更新速度与位置采用自适应惯性权重更新粒子的速度与位置，相应地，粒子速度更新公式可调整表述为：

(13)

式中，表示第个粒子第次迭代的速度，和分别表示认知权重和社会权重，和分别表示每次迭代中产生的区间的随机数，个体最优值为，全局最优值为，表示第个粒子第次迭代的位置。

迭代重复上述步骤（2）至步骤（5），直到满足终止条件。

结果输出输出全局粒子最优位置，即最优解。

步骤七：得出优化结果

通过应用优化的粒子群算法，确定一组最优参数配置，包括最优的传输功率、网络带宽分配比例以及计算资源分配比例，以实现在云边协同的集控系统框架内，将任务处理的总时延降至最低。这一策略不仅促进了资源使用的最大化效率，还确保了系统能够迅速响应各类终端业务需求，从而在复杂的服务环境中保持卓越的运行效能与敏捷性。

以上实施例仅用以说明本实施例的技术方案，而非对其限制；尽管参照前述实施例对本实施例进行了详细的说明，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 (10)

1.云边协同集控系统中的任务调度策略，其特征在于，包括以下步骤：

步骤1.卸载任务传输速率计算：

设第个电网站点通信范围内的第个设备，将需卸载的任务发送给电网站点内边缘服务器的上行传输速率 ；

步骤2.计算传输时延：包括计算终端设备将任务传输至智能站点内边缘服务器的无线传输时延，和任务由智能站点上传至集控主站通过有线通信方式的有线传输时延；

步骤3.求出计算时延：包括任务由智能站点内边缘服务器处理的计算时延，任务由集控主站服务器处理的计算时延；

步骤4.计算终端处理能耗：计算终端设备向智能站点发起任务数据的传输作业的能量消耗；

步骤5.计算任务处理完成时延并确定目标函数及约束条件：

每个任务的卸载策略由表示，当时，任务卸载至第个智能站点处理，任务处理完成时延为：

当时，任务卸载至集控主站处理，任务处理完成时延为：

其中，定义终端设备的任务计算密度为，为第个智能站点内边缘服务器分配给第个终端设备任务的频率；为集控主站服务器分配给第个智能站点通信范围内第个终端设备任务的频率；

单个任务的处理完成时延为：

系统延迟为终端设备所有任务处理延迟中最大的：

系统延迟最小化表述的目标函数为：

所述目标函数的约束条件为：

式中，表示功率约束；表示带宽约束，即各信道的带宽之和小于系统总带宽，其中，为系统总带宽；表示能耗约束，其中，为各终端设备最大能耗；表示智能站点边缘服务器计算资源约束，其中，为智能站点边缘服务器最大计算资源；表示集控主站服务器计算资源约束，其中，为集控主站服务器最大计算资源；表示每个任务处理时延约束，其中，为第个智能站点通信范围内第个终端设备任务的时延约束；

步骤6.运用改进粒子群算法求解目标函数，输出最优的传输功率、网络带宽分配比例以及计算资源分配比例。

2.根据权利要求1所述的云边协同集控系统中的任务调度策略，其特征在于，所述步骤1中传输速率计算公式如下：

式中，为分配给第个智能站点通信范围内第个终端设备的带宽，为第个智能站点通信范围内第个终端设备分配给任务的传输功率，为上行信道增益，为路径损耗指数，为信道高斯白噪声，为第个智能站点与其通信范围内第个终端设备的通信距离。

3.根据权利要求2所述的云边协同集控系统中的任务调度策略，其特征在于，所述步骤2中，无线传输时延计算公式如下：

有线传输时延计算公式如下：

式中，为电磁波的传播速率。

4.根据权利要求3所述的云边协同集控系统中的任务调度策略，其特征在于，所述步骤3中，计算时延的求取过程如下：

首先定义终端设备的任务计算密度为，即处理一位比特数需要的周期数；

任务由智能站点内边缘服务器处理的计算时延为：

式中，为第个智能站点内边缘服务器分配给第个终端设备任务的频率；

任务由集控主站服务器处理的计算时延为：

式中，为集控主站服务器分配给第个智能站点通信范围内第个终端设备任务的频率。

5.根据权利要求4所述的云边协同集控系统中的任务调度策略，其特征在于，所述步骤4中，能量消耗计算公式为：

。

6.云边协同集控系统中的任务调度系统，其特征在于，包括：

卸载任务传输速率计算模块：

设第个电网站点通信范围内的第个设备，将需卸载的任务发送给电网站点内边缘服务器的上行传输速率 ；

计算传输时延模块：包括计算终端设备将任务传输至智能站点内边缘服务器的无线传输时延，和任务由智能站点上传至集控主站通过有线通信方式的有线传输时延；

求出计算时延模块：包括任务由智能站点内边缘服务器处理的计算时延，任务由集控主站服务器处理的计算时延；

计算终端处理能耗模块：计算终端设备向智能站点发起任务数据的传输作业的能量消耗；

目标函数及约束条件计算模块，计算任务处理完成时延并确定目标函数及约束条件：

每个任务的卸载策略由表示，当时，任务卸载至第个智能站点处理，任务处理完成时延为：

当时，任务卸载至集控主站处理，任务处理完成时延为：

其中，定义终端设备的任务计算密度为，为第个智能站点内边缘服务器分配给第个终端设备任务的频率；为集控主站服务器分配给第个智能站点通信范围内第个终端设备任务的频率；

单个任务的处理完成时延为：

系统延迟为终端设备所有任务处理延迟中最大的：

系统延迟最小化表述的目标函数为：

所述目标函数的约束条件为：

式中，表示功率约束；表示带宽约束，即各信道的带宽之和小于系统总带宽，其中，为系统总带宽；表示能耗约束，其中，为各终端设备最大能耗；表示智能站点边缘服务器计算资源约束，其中，为智能站点边缘服务器最大计算资源；表示集控主站服务器计算资源约束，其中，为集控主站服务器最大计算资源；表示每个任务处理时延约束，其中，为第个智能站点通信范围内第个终端设备任务的时延约束；

寻优模块，用于运用改进粒子群算法求解目标函数，输出最优的传输功率、网络带宽分配比例以及计算资源分配比例。

7.根据权利要求6所述的云边协同集控系统中的任务调度系统，其特征在于，所述卸载任务传输速率计算模块中传输速率计算公式如下：

式中，为分配给第个智能站点通信范围内第个终端设备的带宽，为第个智能站点通信范围内第个终端设备分配给任务的传输功率，为上行信道增益，为路径损耗指数，为信道高斯白噪声，为第个智能站点与其通信范围内第个终端设备的通信距离。

8.根据权利要求7所述的云边协同集控系统中的任务调度系统，其特征在于，所述计算传输时延模块中，无线传输时延计算公式如下：

有线传输时延计算公式如下：

式中，为电磁波的传播速率。

9.根据权利要求8所述的云边协同集控系统中的任务调度系统，其特征在于，所述求出计算时延模块中，计算时延的求取过程如下：

首先定义终端设备的任务计算密度为，即处理一位比特数需要的周期数；

任务由智能站点内边缘服务器处理的计算时延为：

式中，为第个智能站点内边缘服务器分配给第个终端设备任务的频率；

任务由集控主站服务器处理的计算时延为：

式中，为集控主站服务器分配给第个智能站点通信范围内第个终端设备任务的频率。

10.根据权利要求9所述的云边协同集控系统中的任务调度系统，其特征在于，所述计算终端处理能耗模块中，能量消耗计算公式为：

。