本发明涉及电力系统及其自动化技术领域,具体涉及基于云计算的电能质量智能监测系统。
背景技术:
随着大量敏感性电力电子设备在工业中的广泛应用,以及用户对电能质量要求的不断提高,电能质量问题越来越受到人们的关注,如何提高电能质量已经成为国内外电力企业电力建设和发展的一项重要内容和战略。众所周知,对电能质量的改善和治理必须建立在电能质量的长期监测基础上。传统的电能质量监测系统精度低、功能单一,无法满足现代电力系统的需要。
云计算是并行计算、分布式计算和网格计算的发展,或者说是这些计算机科学概念的商业实现。“云计算”技术是一个很新、很大的技术范畴,如果将“云计算”技术运用在监测系统管理上,需要在理论进行研究,同时需要对系统进行一个有效的设计。云计算具有如下特点:
(1)规模可变,“云计算”可以采用具有相当的规模如google云计算已经拥有100多万台服务器。也可以根据企业业务需要配置少量的服务器。“云计算”能赋予用户前所未有的计算能力;
(2)虚拟化,云计算支持用户在任意位置、使用各种终端获取应用服务。所请求的资源来自“云”,而不是固定的有形的实体。应用在“云”中某处运行,但实际上用户无需了解、也不用担心应用运行的具体位置。只需要一台笔记本或者一个手机,就可以通过网络服务来实现我们需要的一切,甚至包括超级计算这样的任务。
(3)高可靠性,“云”使用了数据多副本容错、计算节点同构可互换等措施来保障服务的高可靠性,使用云计算比使用本地计算机可靠。
(4)通用性,云计算不针对特定的应用,在“云”的支撑下可以构造出千变万化的应用,同一个“云”可以同时支撑不同的应用运行;
(5)高可扩展性,“云”的规模可以动态伸缩,满足应用和用户规模增长的需要;
(6)极其廉价,由于“云”的特殊容错措施可以采用极其廉价的节点来构成云,“云”的自动化集中式管理使大量企业无需负担日益高昂的数据中心管理成本,“云”的通用性使资源的利用率较之传统系统大幅提升,因此用户可以充分享受“云”的低成本优势,经常只要花费几千元、几天时间就能完成以前需要数万美元、数月时间才能完成的任务。
技术实现要素:
针对上述问题,本发明提供基于云计算的电能质量智能监测系统。
本发明的目的采用以下技术方案来实现:
提供了基于云计算的电能质量智能监测系统,包括多个用于完成电能质量数据采集的监测终端,与所述监测终端通信连接、用于数据处理及系统任务调度的云平台,所述云平台包括任务划分模块、任务调度管理模块和应用服务器资源池;任务划分模块用于对任务进行切分,得到n个子任务;任务调度管理模块用于将所述n个子任务分配给应用服务器资源池中的n个应用服务器进行处理。
优选地,还包括管理工作站,管理工作站用于对整个系统进行操作管理。
优选地,所述监测终端连接有多个负责电能质量监测的传感器节点。
优选地,云平台还包括数据库服务器,数据库服务器用于存储历史电能质量数据。
本发明的有益效果为:采用云计算技术,让多台应用服务器均衡承担繁重并发数据处理任务,避免了单机拥塞或单机故障造成的不良影响,同时便于扩展,在最小的经济投资下保证服务需要和系统可靠。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明一个示例性实施例的系统结构框图;
图2是本发明一个示例性实施例的云平台的结构框图。
附图标记:
监测终端1、云平台2、管理工作站3、任务划分模块10、任务调度管理模块20、应用服务器资源池30、数据库服务器40。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1、图2,本实施例提供的基于云计算的电能质量智能监测系统,包括多个用于完成电能质量数据采集的监测终端1,与所述监测终端1通信连接、用于数据处理及系统任务调度的云平台2,所述云平台2包括任务划分模块10、任务调度管理模块20和应用服务器资源池30;任务划分模块10用于对任务进行切分,得到n个子任务;任务调度管理模块20用于将所述n个子任务分配给应用服务器资源池30中的n个应用服务器进行处理。
进一步地,基于云计算的电能质量智能监测系统还包括管理工作站4,管理工作站4用于对整个系统进行操作管理。系统管理员可以通过管理工作站4对基于云计算的电能质量智能监测系统进行管理操作和维护。
进一步地,云平台2还包括数据库服务器40,数据库服务器40用于存储历史电能质量数据。数据库服务器40采用双机热备的方式。每台数据库服务器40的硬盘存储均采用磁盘阵列的模式。
在一个实施例中,所述监测终端1连接有多个负责电能质量监测的传感器节点。
本发明上述实施例采用云计算技术,让多台应用服务器均衡承担繁重并发数据处理任务,避免了单机拥塞或单机故障造成的不良影响,同时便于扩展,在最小的经济投资下保证服务需要和系统可靠。
在一个实施例中,通过求解以下数学模型得到子任务分配的具体方案:
subjetto
wθx≤wθy,θ=1,…,n
式中,w表示完成所述n个子任务消耗的时间,t为每个应用服务器分配到的子任务数,
任务的执行效率与任务完成时间有着直接关系,基于此,本实施例创新性地设定了上述的数学模型。基于求解上述数学模型得到子任务分配的具体方案,能够使得对子任务的分配能够按照时间消耗的约束条件分配给合适的应用服务器进行处理,从而有效地减少任务执行的时间,保障任务的执行效率,进而有效降低云平台23的能量消耗。
上述数学模型可采用现有的各种算法进行求解,例如采用贪心算法、拉格朗日算法、惩罚函数法、粒子群算法等。
作为一种最优选的方式,本实施例结合遗传算法和蚁群优化算法求解所述数学模型,具体为:
(1)采用间接编码的方式,染色体的长度等于子任务的数量n,其中的基因与n个子任务一一对应,基因的值为该基因所对应的子任务占用的应用服务器编号;
(2)随机生成初始染色体种群,对当前的染色体种群进行应用选择、变异和交叉操作,直至当前染色体种群满足预设的算法终止条件,生成遗传算法的最优解;
(3)选取遗传算法得到的最优解的前8%染色体作为遗传优化解集合,将其转化为蚁群算法中各节点信息素的初始值;
(4)将每个子任务模拟成一只蚂蚁,每只蚂蚁根据得到的排序后的概率值来选择应用服务器,其中在δ时刻第α只蚂蚁选择应用服务器β的概率
式中,kβ(δ)为δ时刻应用服务器β的信息素浓度,kγ(δ)为δ时刻应用服务器γ的信息素浓度,cβ(δ)为δ时刻应用服务器β的综合处理能力,cγ(δ)为δ时刻应用服务器γ的综合处理能力,a代表应用服务器信息素的重要程度,a代表应用服务器综合处理能力的重要程度;
(5)进行局部和全局的信息素的更新,根据每个任务分配结果求解上述数学模型,记录当前最优解,对产生的当前最优解进行归并,生成子任务分配的最优化方案。
其中,定义遗传算法的适应度函数p(t)为:
式中,w(t)表示当前种群中第t个染色体完成所述n个子任务消耗的时间,w(max)为当前染色体种群中所有染色体中w(t)的最大值,w(min)为当前染色体种群中所有染色体中w(t)的最小值,l为设定的调整系数。
本实施例融合了遗传算法和蚁群算法的优点,在早期调度任务数量较少时,利用遗传算法的全局快速搜索能力来提高收敛速度,后期调度任务数量教唆时,利用蚁群算法的优化快速精确求解能力来提高收敛速度,提高了云平台23的负载均衡性能。
本实施例基于任务执行消耗时间创新性地定义了遗传算法的适应度函数,以任务执行消耗时间最小为目标,对资源进行调度,能够降低基于云计算的电能质量智能监测系统的能耗,提高任务分配的效率。
在一个实施例中,对当前的染色体种群进行应用选择,具体包括:
(1)选取新一代的染色体种群时,若新染色体的适应度优于或等于父代染色体时,则用新染色体替换掉相应的父代染色体,若新染色体的适应度劣于父代染色体时,抛弃新染色体;
(2)根据下述概率函数,采用轮盘赌方法选择最优解以外的其他染色体:
式中,
本实施例能够确保下一代染色体种群整体能够得到进化,本实施例还设定了轮盘赌方法对应的概率函数,通过采用上述概率函数,能够使得适应度值较大的染色体在选择过程中被保留的概率增加,而适应度值较小的染色体相对被保留的概率减小,有利于对应用服务器进行较优调度,进一步降低基于云计算的电能质量智能监测系统的能耗。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。