微服務(wù)架構(gòu)下配電臺(tái)區(qū)任務(wù)云邊協(xié)同在線調(diào)度策略

程 釬，陳 羽，孫伶雁，丁 銳，王敬華

微服務(wù)架構(gòu)下配電臺(tái)區(qū)任務(wù)云邊協(xié)同在線調(diào)度策略

程 釬1，陳 羽1，孫伶雁1，丁 銳1，王敬華2

(1.山東理工大學(xué)電氣與電子工程學(xué)院，山東 淄博 255000；2.山東科匯電力自動(dòng)化股份有限公司，山東 淄博 255000)

由電網(wǎng)域向社會(huì)服務(wù)域延伸的配電網(wǎng)需要支持更多的業(yè)務(wù)，應(yīng)用隨新業(yè)務(wù)拓展不斷增加可能會(huì)導(dǎo)致邊設(shè)備資源不足。為了從邊設(shè)備層面支撐資源受限情況下任務(wù)的調(diào)度與協(xié)同處理，提出了微服務(wù)架構(gòu)下配電臺(tái)區(qū)任務(wù)云邊協(xié)同在線調(diào)度策略。從任務(wù)及設(shè)備角度對(duì)云邊容器化場景下任務(wù)調(diào)度問題進(jìn)行了分析，在容器化電力任務(wù)云邊調(diào)度機(jī)制基礎(chǔ)上，設(shè)計(jì)了優(yōu)先級(jí)策略與任務(wù)分配策略，并通過改進(jìn)的在線算法對(duì)任務(wù)進(jìn)行實(shí)時(shí)調(diào)度。仿真結(jié)果表明，所提策略具有更高的任務(wù)執(zhí)行效率，通過資源置換，能夠提高邊設(shè)備資源受限時(shí)重要任務(wù)的完成率以及系統(tǒng)安全性。

任務(wù)調(diào)度；微服務(wù)；云邊協(xié)同；優(yōu)先級(jí)；邊設(shè)備

0 引言

隨著配電物聯(lián)網(wǎng)的建設(shè)，終端設(shè)備和任務(wù)數(shù)量快速增加，傳統(tǒng)的云計(jì)算模式在響應(yīng)速度與通信時(shí)延等方面出現(xiàn)瓶頸[1-2]。將部分計(jì)算能力從云端遷移到數(shù)據(jù)源側(cè)的邊緣計(jì)算節(jié)點(diǎn)，可以減輕云端壓力，滿足實(shí)時(shí)數(shù)據(jù)分析與低延時(shí)任務(wù)處理[3]。

配電物聯(lián)網(wǎng)云、邊基于軟件定義的思想，通過微服務(wù)架構(gòu)實(shí)現(xiàn)軟硬件解耦，進(jìn)一步縮小應(yīng)用管控粒度[4]。邊設(shè)備的發(fā)展趨勢是通用化，即在同一個(gè)硬件系統(tǒng)上運(yùn)行不同類型的應(yīng)用[5]。而應(yīng)用隨著新業(yè)務(wù)的拓展不斷增加，設(shè)備計(jì)算、存儲(chǔ)和通信資源可能存在不足的情況。利用微服務(wù)相互獨(dú)立的特點(diǎn)，根據(jù)應(yīng)用服務(wù)的差異化需求，選擇部分應(yīng)用卸載到云端執(zhí)行，釋放裝置的資源，對(duì)充分利用云邊各自優(yōu)勢，提高電力任務(wù)執(zhí)行效率具有重要意義。

目前，關(guān)于電網(wǎng)設(shè)備任務(wù)調(diào)度有如下研究。文獻(xiàn)[6]在云計(jì)算環(huán)境下，以節(jié)能為目標(biāo)，將節(jié)點(diǎn)性能功率比作為比較條件，選擇最優(yōu)節(jié)點(diǎn)分配任務(wù)。文獻(xiàn)[7]在系統(tǒng)架構(gòu)中增加一類僅計(jì)算而不產(chǎn)生任務(wù)的備用邊緣節(jié)點(diǎn)。綜合考慮任務(wù)的時(shí)延和能耗，利用博弈論來對(duì)居民區(qū)用電任務(wù)進(jìn)行卸載，實(shí)現(xiàn)多方最優(yōu)。文獻(xiàn)[8]采用深度確定性策略梯度強(qiáng)化學(xué)習(xí)算法對(duì)邊緣服務(wù)器中的計(jì)算、存儲(chǔ)資源進(jìn)行分配，較好地解決了邊緣服務(wù)器在處理任務(wù)時(shí)計(jì)算能力和資源的限制。文獻(xiàn)[9]以虛擬機(jī)為任務(wù)處理載體，通過對(duì)負(fù)載均衡、資源分配、任務(wù)分配3個(gè)子問題求解，來滿足時(shí)延敏感任務(wù)的需求。文獻(xiàn)[10]提出了基于邊緣計(jì)算節(jié)點(diǎn)合作的任務(wù)分配機(jī)制，利用改進(jìn)粒子群優(yōu)化算法求解雙邊緣節(jié)點(diǎn)協(xié)同任務(wù)分配問題，以最大限度減少任務(wù)平均完成延時(shí)。文獻(xiàn)[11]考慮邊云卸載和邊邊卸載兩種卸載路徑，以最小化系統(tǒng)卸載成本來確定最優(yōu)卸載路徑。文獻(xiàn)[12]提出一種優(yōu)化分布式卸載算法來降低有依賴關(guān)系的電力任務(wù)的處理時(shí)延。但是現(xiàn)有的調(diào)度策略并未考慮微服務(wù)架構(gòu)下電力任務(wù)特征與容器狀態(tài)對(duì)調(diào)度決策的影響，且集中在以離線方式對(duì)任務(wù)進(jìn)行調(diào)度，缺少對(duì)多任務(wù)在線調(diào)度的研究。

本文提出了微服務(wù)架構(gòu)下配電臺(tái)區(qū)任務(wù)云邊協(xié)同在線調(diào)度策略。利用有向無環(huán)圖對(duì)任務(wù)進(jìn)行建模。調(diào)度策略考慮電力任務(wù)的差異化特征與容器狀態(tài)，分為優(yōu)先級(jí)策略、任務(wù)分配策略兩部分，通過改進(jìn)的在線算法實(shí)現(xiàn)不同環(huán)境下多任務(wù)的實(shí)時(shí)調(diào)度。通過仿真對(duì)所提方法進(jìn)行了驗(yàn)證。

1 臺(tái)區(qū)應(yīng)用場景

隨著配電物聯(lián)網(wǎng)的發(fā)展，配電臺(tái)區(qū)涉及多種應(yīng)用場景，包括配電臺(tái)區(qū)數(shù)據(jù)分析、配電設(shè)備智能運(yùn)維與故障搶修、社會(huì)用能分析與節(jié)能降碳、雙碳驅(qū)動(dòng)的源網(wǎng)荷儲(chǔ)協(xié)調(diào)控制，電能質(zhì)量治理等[13-14]。每種場景會(huì)包含多種類型的應(yīng)用。以源網(wǎng)荷儲(chǔ)協(xié)調(diào)控制場景為例，需要需求側(cè)響應(yīng)、綜合能源服務(wù)、新能源消納、電網(wǎng)峰谷調(diào)節(jié)等[15]。

配電臺(tái)區(qū)的任務(wù)呈現(xiàn)多元化、動(dòng)態(tài)化、差異化的特征。多元化體現(xiàn)在任務(wù)的種類多、涉及的場景多；動(dòng)態(tài)化一方面體現(xiàn)在任務(wù)隨機(jī)到達(dá)，另一方面體現(xiàn)在任務(wù)信息在每次到達(dá)時(shí)變化較大[16]。差異化體現(xiàn)在不同的任務(wù)在數(shù)據(jù)量、時(shí)延、重要程度等方面差異大，處理方式和資源需求差異大。

2 云邊協(xié)同下配電臺(tái)區(qū)任務(wù)調(diào)度架構(gòu)

2.1 配電臺(tái)區(qū)邊設(shè)備

針對(duì)配電臺(tái)區(qū)任務(wù)多元化、動(dòng)態(tài)化、差異化的特征與業(yè)務(wù)范圍向用戶側(cè)深入的新需求，邊設(shè)備形成了以微服務(wù)為執(zhí)行載體的新架構(gòu)[17]。在微服務(wù)架構(gòu)中，單個(gè)應(yīng)用程序被劃分為各種小的、互相連接的微服務(wù)，每個(gè)微服務(wù)完成一個(gè)單一功能，相互之間保持獨(dú)立和解耦合。由于容器良好的隔離性能以及輕量級(jí)的優(yōu)勢,通過容器對(duì)微服務(wù)類型的應(yīng)用程序進(jìn)行部署，實(shí)現(xiàn)邊設(shè)備對(duì)多類任務(wù)的處理，保障任務(wù)隔離以及數(shù)據(jù)安全[18]。

2.2 任務(wù)模型

2.3 微服務(wù)——容器映射關(guān)系

2.4 微服務(wù)架構(gòu)下電力任務(wù)云邊調(diào)度機(jī)制

圖1 微服務(wù)架構(gòu)下電力任務(wù)云邊調(diào)度機(jī)制

3 臺(tái)區(qū)任務(wù)云邊協(xié)同在線調(diào)度算法

根據(jù)第1、2節(jié)的分析，任務(wù)的多元化、動(dòng)態(tài)化、差異化以及邊設(shè)備資源的有限性與波動(dòng)性是任務(wù)調(diào)度面臨的主要挑戰(zhàn)。并且由于任務(wù)調(diào)度的實(shí)時(shí)性，調(diào)度算法不能太復(fù)雜。針對(duì)以上分析，以文獻(xiàn)[20]中所提任務(wù)調(diào)度思路為基礎(chǔ)，提出了臺(tái)區(qū)任務(wù)云邊協(xié)同在線調(diào)度算法(cloud-edge collaborative algorithm, CECA)。CECA基于調(diào)度列表，由優(yōu)先級(jí)策略和任務(wù)分配策略兩個(gè)部分組成。

3.1 優(yōu)先級(jí)策略

3.1.1微服務(wù)優(yōu)先級(jí)

微服務(wù)架構(gòu)下的電力任務(wù)由一系列微服務(wù)組成，按優(yōu)先級(jí)排列微服務(wù)對(duì)任務(wù)調(diào)度至關(guān)重要[21]。如果微服務(wù)之間存在依賴關(guān)系，則不能交換執(zhí)行順序。比如必須先執(zhí)行采集類微服務(wù)，才能執(zhí)行后面的分析類與控制類的微服務(wù)。此外，并行微服務(wù)的執(zhí)行順序也會(huì)影響任務(wù)處理的總延時(shí)[22]。本文采用式(1)來計(jì)算電力任務(wù)中各個(gè)微服務(wù)的優(yōu)先級(jí)。

3.1.2任務(wù)優(yōu)先級(jí)

上節(jié)定義了具體的DAG圖的微服務(wù)優(yōu)先級(jí)關(guān)系，還需解決多個(gè)電力任務(wù)之間的優(yōu)先級(jí)關(guān)系。在邊緣計(jì)算系統(tǒng)資源受限時(shí)，應(yīng)優(yōu)先處理重要任務(wù)。

基于模糊邏輯的方法計(jì)算復(fù)雜度低并且可以在不確定信息情況下進(jìn)行計(jì)算[23]，因此利用模糊邏輯來確定不同任務(wù)的優(yōu)先級(jí)。步驟如下所述。

1) 模糊化。本文采用計(jì)算效率高的三角形隸屬度函數(shù)，其計(jì)算公式為

2) 模糊推理。利用模糊規(guī)則進(jìn)行推理，推理的結(jié)果是一個(gè)模糊變量，用于去模糊化。模糊規(guī)則是一個(gè)簡單的具有條件和結(jié)論的if-then規(guī)則。由于有3個(gè)隸屬度函數(shù)，每個(gè)隸屬度函數(shù)有3個(gè)語言變量，因此共有27條模糊規(guī)則。規(guī)則如附錄A所示。

3.2 任務(wù)分配策略

在任務(wù)調(diào)度中有兩個(gè)約束條件：優(yōu)先級(jí)約束和能力約束。優(yōu)先級(jí)約束是指微服務(wù)不能在其前驅(qū)微服務(wù)的數(shù)據(jù)傳輸?shù)酱宋⒎?wù)之前執(zhí)行。能力約束是指微服務(wù)必須承受在設(shè)備上的等待時(shí)間，直到設(shè)備有能力執(zhí)行此微服務(wù)。

優(yōu)先級(jí)約束為

能力約束為

結(jié)束時(shí)間為

各個(gè)微服務(wù)根據(jù)式(10)分配到可以最早執(zhí)行的設(shè)備上。

3.3 算法描述

本文算法基于調(diào)度列表，貪婪地將每個(gè)微服務(wù)分配給可以最早執(zhí)行的設(shè)備。在文獻(xiàn)[20]所提任務(wù)調(diào)度策略基礎(chǔ)上，利用模糊邏輯計(jì)算不同電力任務(wù)優(yōu)先級(jí)，細(xì)分了微服務(wù)在容器中的處理情況并建立了相應(yīng)的數(shù)學(xué)模型。在微服務(wù)調(diào)度順序中，針對(duì)資源是否受限分情況對(duì)不同任務(wù)進(jìn)行調(diào)度。

3.3.1調(diào)度列表

3.3.2微服務(wù)調(diào)度順序

邊緣計(jì)算系統(tǒng)資源不受限時(shí)：根據(jù)式(8)，計(jì)算中各個(gè)調(diào)度序列最靠前的微服務(wù)的最早執(zhí)行時(shí)間，選擇最早執(zhí)行時(shí)間最小的微服務(wù)并按式(10)分配。

4 仿真驗(yàn)證

4.1 實(shí)驗(yàn)環(huán)境

為了驗(yàn)證本文所提算法的性能，使用Python編程實(shí)現(xiàn)該算法并進(jìn)行測試。本文以文獻(xiàn)[11]所提出的改進(jìn)的IEEE33節(jié)點(diǎn)系統(tǒng)為測試系統(tǒng)，如圖3所示。

圖3 改進(jìn)的IEEE33節(jié)點(diǎn)系統(tǒng)

配電臺(tái)區(qū)中，共部署了4臺(tái)邊設(shè)備和1個(gè)中心云。每個(gè)電力任務(wù)中調(diào)用的微服務(wù)數(shù)量為5～9個(gè)。每個(gè)微服務(wù)處理的數(shù)據(jù)量在(0.1, 1.2) MB區(qū)間內(nèi)，虛擬入口微服務(wù)與各個(gè)入口微服務(wù)之間傳輸?shù)臄?shù)據(jù)量在(0.5, 1) MB區(qū)間內(nèi)，其余兩個(gè)有依賴關(guān)系的微服務(wù)間傳輸?shù)臄?shù)據(jù)量在(0.1, 0.5) MB區(qū)間內(nèi)，每個(gè)任務(wù)的時(shí)延在(2, 20) s區(qū)間內(nèi)[24]。每臺(tái)邊設(shè)備支持并發(fā)的容器數(shù)量設(shè)置為4個(gè)，中心云可以支持所有業(yè)務(wù)容器并發(fā)，因此設(shè)置為9個(gè)。因?yàn)樵七呏g數(shù)據(jù)傳輸會(huì)有較長的延時(shí)，所以將邊設(shè)備與云的通信時(shí)間設(shè)置為邊設(shè)備之間通信時(shí)間的1/20[20]。

4.2 對(duì)比算法

對(duì)于本文所提算法，考慮了以下三種調(diào)度策略的算法作為對(duì)比。

1) 僅邊設(shè)備執(zhí)行算法(only edge device algorithm, OEDA)：所有任務(wù)在其最初到達(dá)的邊設(shè)備進(jìn)行處理，不卸載。

2) 僅云端執(zhí)行算法(only cloud algorithm, OCA)：除了虛擬入口、出口微服務(wù)，其余微服務(wù)都卸載到云端執(zhí)行。

3) 先來先服務(wù)算法(first come first service, FCFS)：基于排隊(duì)理論，根據(jù)到達(dá)時(shí)間進(jìn)行調(diào)度。一個(gè)任務(wù)一旦被啟動(dòng)，各個(gè)微服務(wù)將被連續(xù)處理，直到任務(wù)完成，此過程中不會(huì)調(diào)度其他任務(wù)。

4.3 算法性能仿真結(jié)果分析

為了測試不同參數(shù)設(shè)置下算法的性能，隨機(jī)生成200個(gè)任務(wù)，對(duì)生成的200個(gè)任務(wù)分別用本文調(diào)度算法與3種對(duì)比調(diào)度算法進(jìn)行處理。

圖4對(duì)比了4種算法在不同的邊設(shè)備支持并發(fā)的容器數(shù)量下完成的任務(wù)數(shù)量。設(shè)置邊設(shè)備支持并發(fā)的容器數(shù)量分別為2、3、4、5、6個(gè)。

圖4 邊設(shè)備支持并發(fā)的容器數(shù)量對(duì)不同算法任務(wù)完成數(shù)量的影響

由圖4可知，隨著邊設(shè)備支持并發(fā)的容器數(shù)量的增加，CECA與OEDA完成的任務(wù)數(shù)量都在增加。OCA由于不受邊設(shè)備影響，因此任務(wù)完成數(shù)量不變。FCFS每次只調(diào)度一個(gè)任務(wù)的微服務(wù)，只會(huì)占用一個(gè)容器，不涉及容器的并發(fā)運(yùn)行。在其他相同的設(shè)定下，CECA完成的任務(wù)數(shù)量是最多的，說明CECA可以同時(shí)處理更多任務(wù)。

圖5對(duì)比了4種算法在不同的邊設(shè)備支持并發(fā)的容器數(shù)量下任務(wù)的完成時(shí)間。設(shè)置邊設(shè)備支持并發(fā)的容器數(shù)量分別為2、3、4、5、6個(gè)。

圖5 邊設(shè)備支持并發(fā)的容器數(shù)量對(duì)不同算法任務(wù)完成時(shí)間的影響

由圖5可知，隨著邊設(shè)備支持并發(fā)的容器數(shù)量的增加，CECA與OEDA任務(wù)完成時(shí)間都在減少。OCA與FCFS不受影響。在其他相同的設(shè)定下，CECA任務(wù)完成時(shí)間是最少的。結(jié)合圖4的結(jié)果，可以看出，CECA可以在更少的時(shí)間內(nèi)完成更多的任務(wù)，具有更高的任務(wù)處理效率。

圖6對(duì)比了4種算法在不同的云邊通信時(shí)間下完成的任務(wù)數(shù)量。將云邊通信時(shí)間設(shè)置為默認(rèn)值的1倍、20倍、40倍、60倍。

圖6 云邊通信時(shí)間對(duì)不同算法任務(wù)完成數(shù)量的影響

由圖6可知，隨著云邊通信時(shí)間的增加，CECA和OCA完成的任務(wù)數(shù)量都在減少，但是CECA任務(wù)完成數(shù)量減少相對(duì)緩慢，OCA減少明顯，說明CECA受云邊通信資源變化影響較小。即使在云邊通信較差的環(huán)境中，CECA通過設(shè)備間協(xié)同的方式，能夠使更多的任務(wù)得到及時(shí)處理。

圖7對(duì)比了4種算法在不同的云邊通信時(shí)間下任務(wù)的完成時(shí)間。將云邊通信時(shí)間設(shè)置為默認(rèn)值的1倍、20倍、40倍、60倍。

圖7 云邊通信時(shí)間對(duì)不同算法任務(wù)完成時(shí)間的影響

由圖7可知，隨著云邊通信時(shí)間的增加，CECA和OCA任務(wù)完成時(shí)間都在增加，在其他相同的設(shè)定下，CECA任務(wù)完成時(shí)間是最少的。結(jié)合圖6的結(jié)果可以看出，CECA在通信環(huán)境受到干擾時(shí)仍然有較高的任務(wù)執(zhí)行效率，進(jìn)而提高了任務(wù)調(diào)度的安全性。

4.4 重要任務(wù)調(diào)度仿真結(jié)果分析

為了對(duì)比邊緣計(jì)算系統(tǒng)資源受限時(shí)重要任務(wù)的完成情況，根據(jù)配電臺(tái)區(qū)實(shí)際運(yùn)行場景，仿真臺(tái)區(qū)發(fā)生故障后故障研判任務(wù)的調(diào)度處理情況，任務(wù)的參數(shù)及結(jié)構(gòu)如附錄B所示。分別采用本文策略(記為策略1)及文獻(xiàn)[20]的策略(記為策略2)進(jìn)行調(diào)度。隨機(jī)測試了30次，觀察任務(wù)處理情況，結(jié)果如圖8所示。

圖8 策略1與策略2下任務(wù)處理時(shí)間

由圖8可知，策略1下任務(wù)的處理時(shí)間明顯小于策略2下任務(wù)的處理時(shí)間。在任務(wù)時(shí)延要求為3.2 s的情況下，策略1下任務(wù)完成率為83.3%，策略2下任務(wù)完成率為23.3%，策略1的任務(wù)完成情況明顯好于策略2。這是因?yàn)椴呗?僅僅依據(jù)調(diào)度列表順序選取可以最早執(zhí)行的微服務(wù)進(jìn)行調(diào)度，靈活性較差，無法適應(yīng)特殊的任務(wù)與變化的環(huán)境。在電網(wǎng)運(yùn)行過程中，故障處理等任務(wù)如果得不到及時(shí)處理，將對(duì)電網(wǎng)造成不可估計(jì)的影響。本文所提策略可以在邊緣計(jì)算系統(tǒng)資源受限時(shí)減少重要任務(wù)的處理時(shí)間，進(jìn)而提高了電網(wǎng)運(yùn)行的穩(wěn)定性與安全性。

通過上述分析可知，臺(tái)區(qū)任務(wù)云邊協(xié)同在線調(diào)度策略在系統(tǒng)不同的資源狀況下可以滿足不同任務(wù)的需求，具有更高的任務(wù)處理效率，為邊設(shè)備資源受限時(shí)的任務(wù)調(diào)度問題提供了解決思路。

5 結(jié)論

為實(shí)現(xiàn)從邊設(shè)備層面支撐資源受限情況下電力任務(wù)的調(diào)度與協(xié)同處理，提出了微服務(wù)架構(gòu)下配電臺(tái)區(qū)任務(wù)云邊協(xié)同在線調(diào)度策略。

本文首先從臺(tái)區(qū)任務(wù)角度進(jìn)行分析，指出了臺(tái)區(qū)任務(wù)具有多元化、動(dòng)態(tài)化、差異化的特點(diǎn)。在設(shè)備層面，指出了邊設(shè)備資源有限性與波動(dòng)性的特點(diǎn)。在微服務(wù)架構(gòu)下，利用有向無環(huán)圖對(duì)任務(wù)進(jìn)行建模，并區(qū)分出微服務(wù)3種處理情況。以微服務(wù)架構(gòu)下電力任務(wù)云邊調(diào)度機(jī)制為基礎(chǔ)，針對(duì)以上特點(diǎn)，提出了臺(tái)區(qū)任務(wù)云邊協(xié)同在線調(diào)度算法。通過模糊邏輯對(duì)不同電力任務(wù)的優(yōu)先級(jí)進(jìn)行計(jì)算，并根據(jù)邊設(shè)備不同的資源情況對(duì)不同任務(wù)進(jìn)行在線調(diào)度。

本文通過仿真邊設(shè)備支持并發(fā)的容器數(shù)量以及云邊通信時(shí)間對(duì)不同策略的影響，并進(jìn)行對(duì)比分析。結(jié)果表明在相同的設(shè)定下，本文所提策略能夠在更短的時(shí)間內(nèi)處理更多的任務(wù)，具有更高的任務(wù)執(zhí)行效率。通過仿真邊緣計(jì)算系統(tǒng)資源受限時(shí)重要任務(wù)的完成情況，驗(yàn)證了本文所提策略通過資源置換，能夠提高邊設(shè)備資源受限時(shí)重要任務(wù)的完成率以及系統(tǒng)安全性。

附錄A

表A1 模糊規(guī)則

Table A1 Fuzzy rules

規(guī)則序號(hào)輸入數(shù)據(jù)量時(shí)延任務(wù)類型值任務(wù)優(yōu)先級(jí) R1低高常規(guī)非常低 R2低高告警非常低 R3低中常規(guī)低 R4低中告警低 R5低高故障低 R6中高常規(guī)低 R7中高告警低 R8高高常規(guī)低 R9高高告警低 R10低低常規(guī)中 R11低低告警中 R12低中故障中 R13中中常規(guī)中 R14中中告警中 R15中高故障中

續(xù)表A1

規(guī)則序號(hào)輸入數(shù)據(jù)量時(shí)延任務(wù)類型值任務(wù)優(yōu)先級(jí) R16高中常規(guī)中 R17高中告警中 R18高高故障中 R19低低故障高 R20中低常規(guī)高 R21中低告警高 R22中中故障高 R23高低常規(guī)高 R24高中故障高 R25高低告警非常高 R26中低故障非常高 R27高低故障非常高

附錄B

表B1 故障研判任務(wù)參數(shù)

Table B1 Fault diagnosis task parameters

微服務(wù)名稱編號(hào)處理數(shù)據(jù)量/MB傳輸數(shù)據(jù)量/MB任務(wù)類型值時(shí)延/s 虛擬入口微服務(wù)000.93.2 臺(tái)區(qū)拓?fù)渥R(shí)別10.850.35 設(shè)備運(yùn)行數(shù)據(jù)采集20.800.37 停電事件獲取30.570.22 故障回路判據(jù)計(jì)算40.760.25 故障判定50.360.18 虛擬出口微服務(wù)600

圖B1 故障研判任務(wù)有向無環(huán)圖

Fig. B1 Fault diagnosis task directed acyclic graph

[1] 劉日亮, 劉海濤, 夏圣峰, 等. 物聯(lián)網(wǎng)技術(shù)在配電臺(tái)區(qū)中的應(yīng)用與思考[J]. 高電壓技術(shù), 2019, 45(6): 1707-1714.

LIU Riliang, LIU Haitao, XIA Shengfeng, et al. Internet of things technology application and prospects in distribution transformer service area management[J]. High Voltage Engineering, 2019, 45(6): 1707-1714.

[2] CHEN Haoyong, WANG Xiaojuan, LI Zhihao, et al. Distributed sensing and cooperative estimation/detection of ubiquitous power internet of things[J]. Protection and Control of Modern Power Systems, 2019, 4(2): 151-158.

[3] 何奉祿, 陳佳琦, 李欽豪, 等. 智能電網(wǎng)中的物聯(lián)網(wǎng)技術(shù)應(yīng)用與發(fā)展[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(3): 58-69.

HE Fenglu, CHEN Jiaqi, LI Qinhao, et al. Application and development of internet of things in smart grid[J]. Power System Protection and Control, 2020, 48(3): 58-69.

[4] 呂軍, 欒文鵬, 劉日亮, 等. 基于全面感知和軟件定義的配電物聯(lián)網(wǎng)體系架構(gòu)[J]. 電網(wǎng)技術(shù), 2018, 42(10): 3108-3115.

Lü Jun, LUAN Wenpeng, LIU Riliang, et al. Architecture of distribution internet of things based on widespread sensing & software defined technology[J]. Power System Technology, 2018, 42(10): 3108-3115.

[5] 張冀川, 陳蕾, 張明宇, 等. 配電物聯(lián)網(wǎng)智能終端的概念及應(yīng)用[J]. 高電壓技術(shù), 2019, 45(6): 1729-1736.

ZHANG Jichuan, CHEN Lei, ZHANG Mingyu, et al. Conception and application of smart terminal for distribution internet of things[J]. High Voltage Engineering, 2019, 45(6): 1729-1736.

[6] 張浩. 云計(jì)算環(huán)境下的電力任務(wù)節(jié)能調(diào)度方法研究[J].電力系統(tǒng)保護(hù)與控制, 2021, 49(13): 128-134.

ZHANG Hao. Research on power task energy saving scheduling method in cloud computing environment[J]. Power System Protection and Control, 2021, 49(13): 128-134.

[7] 陳中, 徐曉, 王海偉, 等. 基于備用邊緣節(jié)點(diǎn)的居民區(qū)用電任務(wù)卸載優(yōu)化策略[J]. 浙江大學(xué)學(xué)報(bào)(工學(xué)版), 2021, 55(5): 917-926.

CHEN Zhong, XU Xiao, WANG Haiwei, et al. Optimization strategy for unloading power tasks in residential areas based on alternate edge nodes[J]. Journal of Zhejiang University (Engineering Science), 2021, 55(5): 917-926.

[8] 尚立, 蔡碩, 崔俊彬, 等. 基于軟件定義網(wǎng)絡(luò)的電網(wǎng)邊緣計(jì)算資源分配[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(20): 136-143.

SHANG Li, CAI Shuo, CUI Junbin, et al. SDN-based MEC resource allocation of a power grid[J]. Power System Protection and Control, 2021, 49(20): 136-143.

[9] NIU Xudong, SHAO Sujie, XIN Chen, et al. Workload allocation mechanism for minimum service delay in edge computing-based power internet of things[J]. IEEE Access, 2019, 7: 83771-83784.

[10] WANG Qianjun, SHAO Sujie, GUO Shaoyong, et al. Task allocation mechanism of power internet of things based on cooperative edge computing[J]. IEEE Access, 2020, 8: 158488-158501.

[11] 康逸群, 蔡澤祥, 曾興, 等. 考慮卸載成本的配電網(wǎng)能量管理業(yè)務(wù)云邊協(xié)同調(diào)度方法[J]. 南方電網(wǎng)技術(shù), 2021, 15(9): 61-68.

KANG Yiqun, CAI Zexiang, ZENG Xing, et al. An offloading cost based cloud-edge collaborative scheduling method for power distribution network energy management applications[J]. Southern Power System Technology, 2021, 15(9): 61-68.

[12] 徐亞蘭.電力物聯(lián)網(wǎng)系統(tǒng)優(yōu)化關(guān)鍵問題研究[D]. 成都: 電子科技大學(xué), 2021.

XU Yalan. Research on key problems of power internet of things system optimization[D]. Chengdu: University of Electronic Science and Technology of China, 2021.

[13] 呂軍, 盛萬興, 劉日亮, 等. 配電物聯(lián)網(wǎng)設(shè)計(jì)與應(yīng)用[J]. 高電壓技術(shù), 2019, 45(6): 1681-1688.

Lü Jun, SHENG Wanxing, LIU Riliang, et al. Designand application of power distribution internet of things[J]. High Voltage Engineering, 2019, 45(6): 1681-1688.

[14] 周峰, 周暉, 刁贏龍. 泛在電力物聯(lián)網(wǎng)智能感知關(guān)鍵技術(shù)發(fā)展思路[J]. 中國電機(jī)工程學(xué)報(bào), 2020, 40(1): 70-82, 375.

ZHOU Feng, ZHOU Hui, DIAO Yinglong. Development of intelligent perception key technology in the ubiquitous internet of things in electricity[J]. Proceedings of the CSEE, 2020, 40(1): 70-82, 375.

[15] 陳皓勇, 蔡偉鈞, 陳健潤. 能量與信息融合的電力物聯(lián)網(wǎng)技術(shù)[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(22): 8-17.

CHEN Haoyong, CAI Weijun, CHEN Jianrun. Power internet of things technology with energy and information fusion[J]. Power System Protection and Control, 2021, 49(22): 8-17.

[16] 劉念, 余星火, 王劍輝, 等. 泛在物聯(lián)的配用電優(yōu)化運(yùn)行:信息物理社會(huì)系統(tǒng)的視角[J]. 電力系統(tǒng)自動(dòng)化, 2020, 44(1): 1-12.

LIU Nian, YU Xinghuo, WANG Jianhui, et al. Optimal operation of power distribution and consumption system based on ubiquitous internet of things: a cyber-physical- social system perspective[J]. Automation of Electric Power Systems, 2020, 44(1): 1-12.

[17] 孫浩洋, 張冀川, 王鵬, 等. 面向配電物聯(lián)網(wǎng)的邊緣計(jì)算技術(shù)[J]. 電網(wǎng)技術(shù), 2019, 43(12): 4314-4321.

SUN Haoyang, ZHANG Jichuan, WANG Peng, et al. Edge computation technology based on distribution internet of things[J]. Power System Technology, 2019, 43(12): 4314-4321.

[18] 聶崢, 章堅(jiān)民, 傅華渭. 配變終端邊緣節(jié)點(diǎn)化及容器化的關(guān)鍵技術(shù)和應(yīng)用場景設(shè)計(jì)[J]. 電力系統(tǒng)自動(dòng)化, 2020, 44(3): 154-161.

NIE Zheng, ZHANG Jianmin, FU Huawei. Key technologies and application scenario design for making distribution transformer terminal unit being a containerized edge node[J]. Automation of Electric Power Systems, 2020, 44(3): 154-161.

[19] 王德文, 劉庭輝. 電力全業(yè)務(wù)統(tǒng)一數(shù)據(jù)中心突發(fā)性數(shù)據(jù)處理任務(wù)調(diào)度方法[J]. 電力系統(tǒng)自動(dòng)化, 2018, 42(8): 177-184.

WANG Dewen, LIU Tinghui. Scheduling method for burst data processing task in full-service unified data center of electric power system[J]. Automation of Electric Power Systems, 2018, 42(8): 177-184.

[20] LIU Liuyan, HUANG Haoqiang, TAN Haisheng, et al. Online DAG scheduling with on-demand function configuration in edge computing[C] // International Conference on Wireless Algorithms, Systems and Applications(WASA), June 24-26, 2019, Hawaii, American: 213-224.

[21] SHU Chang, ZHAO Zhiwei, HAN Yunpeng, et al. Multi-user offloading for edge computing networks: a dependency-aware and latency-optimal approach[J]. IEEE Internet of Things Journal, 2020, 7(3): 1678-1689.

[22] GAO Zihan, HAO Wanming, HAN Zhuo, et al. Q-learning-based task offloading and resources optimization for a collaborative computing system[J]. IEEE Access, 2020, 8: 149011-149024.

[23] SONMEZ C, OZGOVDE A, ERSOY C. Fuzzy workload orchestration for edge computing[J]. IEEE Transactions on Network and Service Management, 2019, 16(2): 769-782.

[24] 曾興, 蔡澤祥, 孫宇嫣, 等. 綜合能源系統(tǒng)配用電監(jiān)控業(yè)務(wù)計(jì)算負(fù)荷建模方法[J]. 供用電, 2020, 37(9): 42-49, 57.

ZENG Xing, CAI Zexiang, SUN Yuyan, et al. Workload modeling method for power distribution monitoring business in integrated energy system[J]. Distribution & Utilization, 2020, 37(9): 42-49, 57.

Cloud-edge collaborative online scheduling strategy for distribution station area tasks with a microservice architecture

CHENG Qian1, CHEN Yu1, SUN Lingyan1, DING Rui1, WANG Jinghua2

(1. College of Electrical and Electronic Engineering, Shandong University of Technology, Zibo 255000, China;2. Shandong Kehui Power Automation Co., Ltd., Zibo 255000, China)

The distribution network extending from the grid to the social service domain needs to support more services. As applications continue to increase with new business expansion, this may result in insufficient resources for edge devices. In order to support the scheduling and collaborative processing of tasks given a resource constraint from the edge device level, a cloud-edge collaborative online scheduling strategy for distribution station area tasks with a microservice architecture is proposed. This paper analyzes the task scheduling problem in the cloud-edge containerized scenario from the task and device perspectives, designs the priority and task assignment strategy based on the cloud-edge containerization scheduling mechanism of power tasks, and schedules the tasks in real time using an improved online algorithm. Simulation results show that the proposed strategy has higher task execution efficiency and can improve the completion rate of important tasks and system security when the resources of edge devices are limited through resource swapping.

task scheduling; microservice; cloud-edge collaboration; priority; edge device

10.19783/j.cnki.pspc.220159

國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目資助(2016YFB0900600)

This work is supported by the National Key Research and Development Program of China (No. 2016YFB0900600).

2022-02-10；

2022-04-12

程 釬(1998—)，男，碩士研究生，研究方向?yàn)榕潆娢锫?lián)網(wǎng)、邊緣計(jì)算；E-mail: 1214113082@qq.com

陳 羽(1974—)，男，通信作者，博士，教授，研究方向?yàn)榕潆娮詣?dòng)化和配電物聯(lián)網(wǎng)；E-mail: chenyukh@163.com

孫伶雁(1995—)，女，博士研究生，研究方向?yàn)榕潆娮詣?dòng)化和配電物聯(lián)網(wǎng)。E-mail: 591824299@qq.com

(編輯 魏小麗)