基于改進(jìn)螢火蟲算法的分布式能源供應(yīng)鏈配置研究

潘馮超，劉勤明，葉春明，劉文溢

（上海理工大學(xué) 管理學(xué)院，上海 200093）

隨著中國能源結(jié)構(gòu)的調(diào)整，分布式能源的比重不斷增加，各種新興能源的興起，我國對于分布式能源供應(yīng)鏈系統(tǒng)越來越重視。目前我國已進(jìn)入實(shí)質(zhì)開發(fā)實(shí)施階段的分布式能源主要為風(fēng)能、光能等。在我國不斷加快的智能電網(wǎng)建設(shè)中，有效解決分布式能源供應(yīng)鏈配置問題具有十分重要意義。

分布式能源可以緩解環(huán)境與能源需求、經(jīng)濟(jì)發(fā)展之間的矛盾，國內(nèi)許多專家為此做了許多研究。Wu等通過一個(gè)基于代理的模擬，評估市場調(diào)節(jié)、能源消耗和能源容量在分布式能源系統(tǒng)低碳轉(zhuǎn)型中的作用。董明針對規(guī)模龐大、復(fù)雜且隨機(jī)的能源網(wǎng)絡(luò)提出分布式能源供應(yīng)鏈網(wǎng)絡(luò)的建模框架。邢海軍等對主動(dòng)配電網(wǎng)模型的多階段性規(guī)劃和不確定性規(guī)劃進(jìn)行了分析，總結(jié)了主動(dòng)配電網(wǎng)和傳統(tǒng)配電網(wǎng)技術(shù)特點(diǎn)的差異，但系統(tǒng)還不夠完善，后期還有很大的改進(jìn)空間。李燕等在解決主動(dòng)配電網(wǎng)擴(kuò)展規(guī)劃問題中運(yùn)用了不確定網(wǎng)絡(luò)理論，并對二階錐規(guī)劃問題進(jìn)行求解，實(shí)驗(yàn)結(jié)果證明了所建模型的有效性，但其模型難以應(yīng)對大規(guī)模優(yōu)化問題。隨權(quán)等提出了基于兩階段魯棒風(fēng)險(xiǎn)偏好模型的主動(dòng)配電網(wǎng)經(jīng)濟(jì)調(diào)度策略。Kandil等提出了多種分布式能源存儲系統(tǒng)的最優(yōu)資源配置的組合模型公式，分析了馬爾可夫鏈蒙特卡羅仿真模型。田冬冬等分析和研究了基于云計(jì)算智能電網(wǎng)的能源監(jiān)控管理的效益和風(fēng)險(xiǎn)。馬俊利用云計(jì)算模型架構(gòu)記錄分析了云計(jì)算環(huán)境下資源能源的利用率情況。林君豪等、馬瑞等利用蝙蝠算法、魯棒優(yōu)化理論、遺傳算法等對分布式發(fā)電系統(tǒng)雙層優(yōu)化模型進(jìn)行了求解。李軍祥等分析了云計(jì)算和分布式聯(lián)絡(luò)中心的發(fā)展趨勢并在分布式聯(lián)絡(luò)中心的部分服務(wù)中運(yùn)用了云計(jì)算技術(shù)。李瑞婷等運(yùn)用了改進(jìn)的螢火蟲算法求解TFT-LCD單元的裝配調(diào)度問題，分析了不同學(xué)習(xí)音質(zhì)和遺忘率對所求目標(biāo)函數(shù)的影響。單好民將云計(jì)算環(huán)境下資源調(diào)度模型中的螢火蟲算法對應(yīng)云計(jì)算資源節(jié)點(diǎn)，在個(gè)體初始化中引入遺傳算法優(yōu)化初始解，模型仿真結(jié)果表明該模型提高了資源調(diào)度性能，但模型相對復(fù)雜，計(jì)算所需時(shí)間較長，無法應(yīng)對需快速反應(yīng)的突發(fā)狀況。目前對于分布式能源供應(yīng)鏈及主動(dòng)配電網(wǎng)系統(tǒng)資源配置問題的研究多集中在管理規(guī)劃、完善調(diào)度模型、多目標(biāo)調(diào)度等方面，很少有從分布式能源供應(yīng)鏈需求側(cè)配置角度對用戶用電量與供電量均衡模型進(jìn)行的研究。

綜上分析，本文從提高資源利用效率、節(jié)能和經(jīng)濟(jì)等方面出發(fā)，將人工螢火蟲優(yōu)化算法應(yīng)用于分布式能源供應(yīng)鏈需求側(cè)配置中，以決策半徑為切入點(diǎn)，改進(jìn)人工螢火蟲算法決策半徑，相對全面地研究平衡指標(biāo)，建立基于改進(jìn)人工螢火蟲算法的分布式能源供應(yīng)鏈配置需求側(cè)均衡模型，在云計(jì)算環(huán)境下進(jìn)行仿真實(shí)驗(yàn)，以期提高能源供應(yīng)鏈配置效率。

1 問題描述

分布式能源供應(yīng)鏈利用先進(jìn)的計(jì)算機(jī)技術(shù)、智能網(wǎng)絡(luò)監(jiān)控、遠(yuǎn)程控制技術(shù)實(shí)現(xiàn)智能管理，不需要人工進(jìn)行值守。未來能源社會的服務(wù)體系將實(shí)現(xiàn)專業(yè)化的管理，保證了每個(gè)能源系統(tǒng)的穩(wěn)定運(yùn)行。為了滿足這一需求，本文提出了基于改進(jìn)人工螢火蟲算法的分布式能源供應(yīng)鏈配置模型，并在云計(jì)算環(huán)境下運(yùn)行，解決了云計(jì)算基礎(chǔ)下的分布式能源供應(yīng)鏈配置均衡問題。該方法克服了傳統(tǒng)人工螢火蟲算法后期精度不高、收斂速度慢的缺點(diǎn)，全面考慮能源節(jié)點(diǎn)的資源分配，建立能源資源分配均衡模型，實(shí)現(xiàn)分布式能源供應(yīng)鏈的均衡配置。通過模型驗(yàn)證，該方法能有效提高能源利用率，并在短時(shí)間內(nèi)達(dá)到較優(yōu)的平衡。

2 數(shù)學(xué)模型

2.1 模型構(gòu)架設(shè)計(jì)

根據(jù)分布式能源供應(yīng)鏈配置模型各部分設(shè)計(jì)，該模型構(gòu)架主要由分布式能源節(jié)點(diǎn)、能源運(yùn)處理中心、用戶端三部分組成。模型結(jié)構(gòu)如圖1所示。假設(shè)能源云處理中心有個(gè)物理機(jī)，每個(gè)物理機(jī)中有個(gè)虛擬機(jī)，虛擬機(jī)使用MapReduce模型將用戶能源需求的總?cè)蝿?wù)分成個(gè)互相獨(dú)立的子任務(wù)，并讀取每個(gè)服務(wù)器的信息。每個(gè)子任務(wù)由一個(gè)或多個(gè)用戶能源需求組成，系統(tǒng)將子任務(wù)分配到合理的服務(wù)器并行處理。

圖 1 模型結(jié)構(gòu)Fig. 1 Model structure

本模型旨在全面搜集能源系統(tǒng)中各個(gè)用戶的需求信息，把部分子任務(wù)分配給負(fù)載小的服務(wù)器，減輕繁忙時(shí)段任務(wù)重的服務(wù)器的負(fù)擔(dān)，提高能源云處理中心系統(tǒng)的處理效率，進(jìn)而提高能源利用率。本模型服務(wù)器的基本參數(shù)主要有可用磁盤空間、可用內(nèi)存、處理器利用率和網(wǎng)絡(luò)帶寬等。、、、的數(shù)值越大，則服務(wù)器的處理速度越高，負(fù)載能力越強(qiáng)，反之則越低越弱。因此，建立的負(fù)載值方程為

當(dāng)服務(wù)器沒有處理任務(wù)時(shí)，其負(fù)載值為0。因此負(fù)載值模型為

因此，可以得到一個(gè)物理機(jī)集群服務(wù)器的負(fù)載值，即

所有物理機(jī)的總負(fù)載值為

式中，K為第個(gè)物理機(jī)的負(fù)載值。

式中，為方差。

2.2 改進(jìn)的螢火蟲算法

自然界中螢火蟲的求偶方式一般是尋找比自己更亮的螢火蟲并向其移動(dòng)，以此為啟發(fā)，Krishnanad和Ghose總結(jié)形成了基本的人工螢火蟲算法（glowworm swarm optimization，GSO）。螢火蟲尋找比自己更亮的螢火蟲，然后數(shù)量越來越多的螢火蟲聚集在一起，最終找到局部的最優(yōu)解。螢火蟲的迭代有利于快速尋找全局最優(yōu)值，同時(shí)也有助于局部尋優(yōu)。GSO主要包含4個(gè)階段：螢火蟲的初始化位置、熒光素值更新、螢火蟲位置更新、策半徑更新。

設(shè)可行域中有只螢火蟲，每只螢火蟲的熒光素值為，熒光素值的更新率為 γ，初始化步長為，鄰域閾值為，熒光素消失率為，動(dòng)態(tài)決策域更新率為 β，螢火蟲感知域?yàn)椋灮鹣x移動(dòng)時(shí)動(dòng)態(tài)決策域?yàn)?，螢火蟲的迭代次數(shù)為。熒光素更新公式為

式中：l()為螢火蟲在時(shí)刻熒光素值；x()為代螢火蟲的位置，(x())為相對應(yīng)的函數(shù)適應(yīng)度值。

每只螢火蟲都有對應(yīng)的決策域范圍，它們將利用自己的決策范圍尋找其他螢火蟲。決策域范圍是動(dòng)態(tài)改變的，決策域范圍可因該范圍內(nèi)螢火蟲數(shù)量少而增大，也可因螢火蟲數(shù)量多而減小。更新動(dòng)態(tài)決策域公式為

螢火蟲移動(dòng)自己的位置后，更新螢火蟲的位置為

式中：為移動(dòng)步長；‖ ‖為歐式距離。

傳統(tǒng)人工螢火蟲算法因存在尋優(yōu)不穩(wěn)定、算法精度低、后期收斂速度較慢等缺點(diǎn)。當(dāng)螢火蟲向比它更亮的螢火蟲移動(dòng)時(shí)，其決策域范圍是固定的。但如果決策范圍過大，所需時(shí)間就較長，不利于局部尋優(yōu)；如果決策范圍小，則會出現(xiàn)局部最優(yōu)的情況，最終導(dǎo)致精度不夠高。為克服這些缺點(diǎn)，本文對式（8）進(jìn)行了改進(jìn)，得到

式中，為迭代次數(shù)。

3 模型求解

模型求解步驟為：

（1）設(shè)定螢火蟲的初始參數(shù)，確定初始位置；

（4）螢火蟲開始移動(dòng)，按照式（9）改變自己的位置。

（5）螢火蟲通過式（10）更新自己的決策域半徑。

（6）在螢火蟲完成一次迭代后就判斷是否達(dá)到最大迭代次數(shù)，若未達(dá)到，則繼續(xù)步驟（2），若達(dá)到最大迭代次數(shù)，則輸出解。

改進(jìn)的人工螢火蟲算法利用了螢火蟲向比自己更亮的螢火蟲移動(dòng)的特性。為處理能力較強(qiáng)的服務(wù)器設(shè)定了較高的熒光素值，引導(dǎo)螢火蟲向處理能力較強(qiáng)的服務(wù)器移動(dòng)，使得各服務(wù)器都能處理合理數(shù)量的任務(wù)，優(yōu)化了系統(tǒng)配置，從而提高了系統(tǒng)效率。

4 仿真分析

本仿真模擬構(gòu)架如圖2所示。分布式能源各節(jié)點(diǎn)對接的是云處理中心的各服務(wù)器，每個(gè)用戶的需求量對應(yīng)的是每個(gè)子任務(wù)，仿真實(shí)驗(yàn)在云處理中心進(jìn)行。使用Matlab軟件進(jìn)行算法運(yùn)算。參考文獻(xiàn)［17］并結(jié)合本研究相關(guān)配置，獲得各參數(shù)的取值：=0.5、β=0.07、γ=0.5、=0.04，=200。虛擬機(jī)為Xen，其配置RAM為512 MB、CPU頻率為4 000 MHz、帶寬為1 000 Mbps。

圖 2 仿真模擬構(gòu)架Fig. 2 Simulation architecture

本研究使用Linux系統(tǒng)在cloudsim云平臺進(jìn)行仿真實(shí)驗(yàn)，設(shè)資源分配服務(wù)器為R1，在R1上分別運(yùn)行改進(jìn)人工螢火蟲算法和傳統(tǒng)人工螢火蟲算法10次，得到結(jié)果如圖3所示。兩種算法計(jì)算得到的負(fù)載值雖然都在0.5附近波動(dòng)，但改進(jìn)人工螢火蟲算法得到的負(fù)載值波動(dòng)增幅較小，比較穩(wěn)定，精度也更高；而傳統(tǒng)人工螢火蟲算法計(jì)算得到的負(fù)載值波動(dòng)幅度較大，不穩(wěn)定，精度也較低，會影響服務(wù)器的運(yùn)行效率。

將2 000個(gè)任務(wù)分配到5個(gè)資源分配服務(wù)器R1、R2、R3、R4、R5，其中設(shè)置資源分配服務(wù)器的處理能力大小依次為 R5、R3、R2、R1、R4。分別運(yùn)行改進(jìn)人工螢火蟲算法、傳統(tǒng)人工螢火蟲算法后得到的的任務(wù)分配情況如圖4所示。由分析可知，改進(jìn)人工螢火蟲算法較為全面地考慮了負(fù)載指標(biāo)，因此能夠較為均衡地分配任務(wù)，能將子任務(wù)準(zhǔn)確地分配給處理能力強(qiáng)的服務(wù)器。在傳統(tǒng)螢火蟲算法運(yùn)行過程中出現(xiàn)了任務(wù)分配不均勻的情況，未給處理能力強(qiáng)的服務(wù)器上分配任務(wù)，而分配給處理能力低的服務(wù)器過多的任務(wù)，導(dǎo)致系統(tǒng)運(yùn)行效率低下。

圖 3 不同算法運(yùn)行負(fù)載值對比Fig. 3 Comparison of load values from different algorithms

圖 4 不同算法服務(wù)器任務(wù)分配情況Fig. 4 Task allocation of the servers for different algorithms

將2 000個(gè)任務(wù)分配給20個(gè)資源分配服務(wù)器，分別運(yùn)行傳統(tǒng)人工螢火蟲算法和改進(jìn)人工螢火蟲算法。在不同任務(wù)數(shù)量下，兩種算法的完成時(shí)間對比如表1所示。由此可知，兩種算法在處理任務(wù)數(shù)量較少時(shí)完成時(shí)間基本一致。但隨著任務(wù)數(shù)量的增加，改進(jìn)人工螢火蟲算法的優(yōu)勢突顯，完成時(shí)間遠(yuǎn)短于傳統(tǒng)人工螢火蟲算法。

表 1 任務(wù)完成時(shí)間對比Tab. 1 Comparison of task completion time

綜合以上實(shí)驗(yàn)仿真結(jié)果發(fā)現(xiàn)，改進(jìn)人工螢火蟲算法在資源分配任務(wù)處理中可以有效克服傳統(tǒng)人工螢火蟲算法的缺點(diǎn)，提高系統(tǒng)尋優(yōu)的穩(wěn)定性并縮短任務(wù)處理時(shí)間，在云計(jì)算環(huán)境下尋找全局最優(yōu)的配置方案，使得各服務(wù)器都處理相應(yīng)數(shù)量的任務(wù)，提高了服務(wù)器的利用率，從而提高了能源利用率。因此，本算法能夠較好地應(yīng)用于分布式能源供應(yīng)鏈配置的處理。

5 結(jié) 論

在云計(jì)算環(huán)境下，對于大量任務(wù)處理及配置問題，為提高系統(tǒng)運(yùn)行效率、減少任務(wù)等待時(shí)間，需要一個(gè)有良好優(yōu)化算法的模型。本研究提出的改進(jìn)人工螢火蟲算法在云計(jì)算環(huán)境下，利用螢火蟲會尋找比自身亮的螢火蟲并向其移動(dòng)的特性，移動(dòng)完畢后更新自己的亮度、位置等信息，以尋找全局最優(yōu)的配置。與改進(jìn)前的傳統(tǒng)人工螢火蟲算法相比，改進(jìn)后的人工螢火蟲算法具有尋優(yōu)速度快、精度高、穩(wěn)定強(qiáng)等優(yōu)點(diǎn)，能夠快速得出最優(yōu)的配置方案，求出系統(tǒng)模型的最優(yōu)解。該算法應(yīng)用于分布式能源供應(yīng)鏈問題時(shí)，提高了能源利用率，使其達(dá)到一個(gè)高效率的狀態(tài)，解決了分布式能源的配置問題。分布式能源供應(yīng)鏈配置需求側(cè)與供給側(cè)的均衡分配，讓整個(gè)系統(tǒng)的需求與供給相匹配，減少了資源的浪費(fèi)和資源過剩的情況，使系統(tǒng)達(dá)到節(jié)能環(huán)保的狀態(tài)。在螢火蟲向其他螢火蟲移動(dòng)的過程中是否有其他因素影響，在螢火蟲數(shù)量較多時(shí)是否會影響螢火蟲的移動(dòng)方向，這些外在影響因素都有待進(jìn)一步研究，進(jìn)而優(yōu)化人工螢火蟲算法。本文僅考慮了需求側(cè)的平衡及智能優(yōu)化，對于供給側(cè)的優(yōu)化分配，以及后期供給側(cè)與需求側(cè)之間的動(dòng)態(tài)平衡的雙層優(yōu)化配置模型還有待進(jìn)一步研究。