云平臺中的并行船舶綜合電網(wǎng)調(diào)度系統(tǒng)研究

宋喜忠，孫利

(黃淮學(xué)院信息工程學(xué)院，河南駐馬店463000)

云平臺中的并行船舶綜合電網(wǎng)調(diào)度系統(tǒng)研究

宋喜忠，孫利

(黃淮學(xué)院信息工程學(xué)院，河南駐馬店463000)

摘要:海上電網(wǎng)供電系統(tǒng)對船舶持續(xù)穩(wěn)定的電壓供給是保證其海上航行的關(guān)鍵。隨著海上船舶數(shù)量及體積的增加，海上船艦電網(wǎng)調(diào)度系統(tǒng)所需處理的信息隨之增大，并且已經(jīng)越來越不能滿足對艦船供電負(fù)荷計算實(shí)時性的要求。基于現(xiàn)代信息處理的云平臺能夠利用分布式計算架構(gòu)，將各船舶的供電負(fù)荷計算分配到各節(jié)點(diǎn)進(jìn)行并行計算，能夠有效解決原調(diào)度系統(tǒng)計算中心的性能瓶頸。本文在此基礎(chǔ)上，提出一種云平臺中的并行船舶電網(wǎng)調(diào)度算法，并給出了算法的實(shí)現(xiàn)方法。

關(guān)鍵詞:云計算;電網(wǎng)調(diào)度;供電負(fù)荷

Research on the ship power parallel dispatching system based on cloud platform

SONG Xi-zhong，SUN Li
(School of Information Engineering，Huanghuai University，Zhumadian 463000，China)

Abstract:The steady power supply for ship power system is the key for maritime navigation safety．With the increasing number of ships，the power processing of information of power dispatching system is increasing quickly，the traditional grid dispatching system is unable to meet the real-time calculation requirement．This paper analyzes the cloud computing and grid dispatching system architecture，proposed grid parallel dispatching algorithm based on cloud computing，at last give the realization of the algorithm．

Key words:cloud computing; power grid dispatching;power supply load

0　引言

隨著電子信息技術(shù)的發(fā)展，智能化的海上船舶電網(wǎng)調(diào)度平臺已經(jīng)成為未來智能電網(wǎng)發(fā)展趨勢。智能化的過程也即能夠通過算法實(shí)時計算出船艦的動態(tài)負(fù)荷及電網(wǎng)的調(diào)度優(yōu)化。在傳統(tǒng)的船舶電力調(diào)度中，通過統(tǒng)一平臺中心來模擬所有艦船的負(fù)載動力，并且算法是利用統(tǒng)計學(xué)的純數(shù)學(xué)模擬進(jìn)行運(yùn)算，并行性能不高，這樣所有船艦的負(fù)荷預(yù)測［1］都是由統(tǒng)一的調(diào)度中心來進(jìn)行大量的數(shù)學(xué)計算。隨著海上運(yùn)行船只的數(shù)量與體積的增大，電網(wǎng)調(diào)動系統(tǒng)也越加復(fù)雜，負(fù)荷計算的算法復(fù)雜度越來越高，傳統(tǒng)由單中心的調(diào)度系統(tǒng)組網(wǎng)方式已經(jīng)越來越不能滿足對船舶供電負(fù)荷計算實(shí)時性的要求。

現(xiàn)代海上船舶電網(wǎng)調(diào)度系統(tǒng)一般采取最先進(jìn)的云計算架構(gòu)［2］，通過對調(diào)度算法進(jìn)行并行化改進(jìn)來適應(yīng)云計算架構(gòu)，通過對算法的并行分解，把分解后的模塊分布于云平臺中的各計算節(jié)點(diǎn)，從而提高電網(wǎng)調(diào)度算法的實(shí)時性能。

本文在研究現(xiàn)有的船舶調(diào)度算法及云平臺架構(gòu)的基礎(chǔ)上，提出一種云平臺中的并行船舶調(diào)度算法，并進(jìn)行算法實(shí)現(xiàn)。

1　海上船艦電力負(fù)荷預(yù)測原理

1.1調(diào)度中的負(fù)荷預(yù)測

對海上船艦的負(fù)荷預(yù)測主要是通過歷史運(yùn)行的前期記錄信息，通過統(tǒng)計學(xué)的原理對之后的運(yùn)行負(fù)荷進(jìn)行預(yù)估。其中在估計計算的過程中，還需考慮到整個船舶的系統(tǒng)特性、海上天氣環(huán)境因素及船舶負(fù)載等特性的各種因素。

在船舶電網(wǎng)調(diào)度的預(yù)測算法中，最重要的衡量指標(biāo)有預(yù)測的實(shí)時性以及預(yù)測的精度。實(shí)時性和精度直接影響到后續(xù)電網(wǎng)調(diào)度的過程實(shí)施決策，實(shí)時性及精度越高，則判斷決策的準(zhǔn)確性就越高;反之，則準(zhǔn)確率降低。

按負(fù)荷預(yù)測的周期進(jìn)行劃分，可以分為短期預(yù)測、中期預(yù)測及長期預(yù)測。其中，短期預(yù)測產(chǎn)生的信息量最大，需要的計算平臺性能要求也最高，本文將進(jìn)行著重說明。同時隨著船舶的體積越來越大，其自身的動力系統(tǒng)也更加復(fù)雜，電力系統(tǒng)中的其他元器件以及模塊對母線負(fù)荷預(yù)測的影響也越來越復(fù)雜，并且構(gòu)成一個不可預(yù)知的非線性模型，所以研究整個船舶電力系統(tǒng)對母線負(fù)荷的變化規(guī)律也是電網(wǎng)調(diào)度系統(tǒng)中的一項重要的研究內(nèi)容。隨著現(xiàn)代信息技術(shù)的發(fā)展，已經(jīng)可以通過高性能計算機(jī)來對系統(tǒng)影響數(shù)據(jù)進(jìn)行智能化的辨識。

在現(xiàn)代化的海上調(diào)度系統(tǒng)中，智能化及并行化是2個重要的發(fā)展趨勢，也是海上電網(wǎng)建設(shè)需要努力的方向。隨著云計算平臺架構(gòu)的成熟應(yīng)用，對提高整個智能調(diào)度系統(tǒng)中的負(fù)荷預(yù)測算法的實(shí)時性及精度具有很好的應(yīng)用前景。在未來智能電網(wǎng)能夠?qū)λ写皠恿ο到y(tǒng)的實(shí)時、動態(tài)的監(jiān)測，并進(jìn)行信息的有效判決及預(yù)測。

1.2云平臺在調(diào)度中的應(yīng)用

云計算通過虛擬化的技術(shù)，將分布在不同物理地點(diǎn)的計算機(jī)存儲資源按照一定的邏輯進(jìn)行重新組合，并通過一個云處理中心對不同的功能進(jìn)行劃分，合理的分配到各計算資源的一種分布式架構(gòu)。

云平臺中的MapReduce是一種并行化［3］的編程模型，具體的應(yīng)用人員不需要對云平臺中具體硬件的邏輯分布進(jìn)行了解也可把需要運(yùn)行的算法合理的分配到不同的計算節(jié)點(diǎn)。相對于其他并行計算結(jié)構(gòu)，Map Reduce具有如下優(yōu)點(diǎn):

1) Map Reduce的并行運(yùn)行效率較高，并且在節(jié)點(diǎn)的分配、容錯能力的查詢以及整個平臺的負(fù)載均衡對用戶都透明。

2)通過合理的負(fù)載均衡算法，用戶可以充分利用云平臺中的每一個分布式節(jié)點(diǎn)，所以對于電網(wǎng)調(diào)度中預(yù)測的大規(guī)模并行算法，能夠?qū)υ破脚_的所有資源進(jìn)行高效利用。

3) Map Reduce對計算節(jié)點(diǎn)具有動態(tài)實(shí)時的監(jiān)控功能，能夠發(fā)現(xiàn)節(jié)點(diǎn)的異常情況，從而具有很高的可靠性。

綜合以上優(yōu)點(diǎn)，對于海上船舶綜合調(diào)度系統(tǒng)而言，無需通過費(fèi)用高昂的商業(yè)硬件及軟件，也可實(shí)現(xiàn)高可靠性、高效率的并行云計算平臺系統(tǒng)。

基于云的架構(gòu)框圖如圖1所示。

圖1　云平臺基本架構(gòu)Fig.1　The basic architecture of cloud platform

2　云平臺的并行海上電網(wǎng)調(diào)度算法

2.1 K-means預(yù)測算法

算法首先需要找到一種最優(yōu)評估函數(shù)來確定最優(yōu)個數(shù)k，通過調(diào)整評估函數(shù)的參數(shù)來動態(tài)的對k進(jìn)行調(diào)整，評估函數(shù)的定于如下所示:

將式中Intra(k)×Inter(k)定義如下:

式中: N為采樣點(diǎn)總數(shù); n為每個船只電力負(fù)荷的采樣點(diǎn)數(shù); xj為抽樣時刻j的電力負(fù)荷函數(shù)曲線; z為每個船只聚類算法中心點(diǎn)。

聚類算法中的類聚性和耦合性［4］是算法有效性最重要的特征指標(biāo)，好的聚類算法需要有較高的類聚性及較低的耦合性。較高的類聚性需要類中各節(jié)點(diǎn)與中心節(jié)點(diǎn)的加權(quán)距離最短;較低的耦合性則需要各類中間的距離盡量增大。通過分析式(1)可知，Intra(k)函數(shù)通過分析各類間距離的加權(quán)均值來計算各類之間的信息差異，最后得到Weight(k)函數(shù)，并通過最小值求取來獲取最優(yōu)的k值。

下面對通過k-means算法來進(jìn)行船舶電力負(fù)荷預(yù)測變化的變換過程。

船舶電力負(fù)荷變化率公式如下所示:

具體計算步驟如下:

1)設(shè)定聚類算法最優(yōu)個數(shù)k的最大值為kmax，2) k的取值范圍為k = 3～kmax。

3)在類中以步長2遍歷所有的數(shù)據(jù)，選擇類中所有節(jié)點(diǎn)類聚中心。

4)對所有數(shù)據(jù)按照與中心的距離遠(yuǎn)近劃分進(jìn)不同的類中。

5)通過求類中數(shù)據(jù)與中心節(jié)點(diǎn)的平均值來不斷的優(yōu)化中心節(jié)點(diǎn)的選取。

6)循環(huán)步驟4和步驟5，直到找到最短的加權(quán)距離，固定選取的類聚中心點(diǎn)。

7)計算評估函數(shù)Weight(k)。

8)通過計算Weight(k)與Weight(k－1)差值來評判估計函數(shù)的最優(yōu)值，并得到最優(yōu)的個數(shù)k。

流程如圖2所示。

2.2Map Re duce并行化改進(jìn)

對海上船只的電力負(fù)荷預(yù)測一般按日、周及月進(jìn)行曲線預(yù)測計算，日的數(shù)據(jù)計算及存儲量最大，并且每日數(shù)據(jù)之間的相關(guān)性最小，對其可進(jìn)行數(shù)據(jù)分割，利用并行計算提高處理效率。

Map Re duce適用于在云架構(gòu)中的并行編程，首先對所有的數(shù)據(jù)進(jìn)行分解，劃分為相關(guān)性較小的聚類，并通過任務(wù)分配中心把各小規(guī)模的聚類集數(shù)據(jù)分配到云平臺中分布式計算節(jié)點(diǎn)，各分布式節(jié)點(diǎn)各同時對Map任務(wù)進(jìn)行計算，同時生成中間結(jié)果，同時通過中間結(jié)果并行執(zhí)行Reduce任務(wù)，最后得到最終結(jié)果。

圖2　K-means算法流程Fig.2 The algorithm flow of K-means

圖3　Map Re duce并行分解流程Fig.3　The parallel decomposition process

3　算法實(shí)現(xiàn)

1)負(fù)荷分片實(shí)現(xiàn)方法

利用Map函數(shù)［5］來計算類中每個節(jié)點(diǎn)數(shù)據(jù)與中

心節(jié)點(diǎn)距離，并根據(jù)計算結(jié)果對節(jié)點(diǎn)重新劃分聚類，進(jìn)行標(biāo)記，標(biāo)記為新類的序列號，函數(shù)的代入值則為所有類的序列號及相關(guān)屬性與節(jié)點(diǎn)上一輪所述類的中心節(jié)點(diǎn)信息，用(key，value)來表示，而中心節(jié)點(diǎn)的屬性則通過文件進(jìn)行描述。

下面給出Map函數(shù)的偽代碼:

2) Re duce函數(shù)的設(shè)計

Re duce函數(shù)的作用對Map函數(shù)的計算結(jié)果進(jìn)行處理，重新計算下一輪的聚類中心節(jié)點(diǎn)，以進(jìn)行下一次迭代過程。函數(shù)輸入為(聚類類別，{類的屬性向量} )，輸出為新的聚中心。

下面給出Re duce函數(shù)的偽代碼:

4　結(jié)語

隨著海上運(yùn)行船舶的數(shù)量以及電力系統(tǒng)結(jié)構(gòu)復(fù)雜的增加，海上船舶電網(wǎng)調(diào)度系統(tǒng)所需處理的信息量與算法復(fù)雜度都隨之增加。傳統(tǒng)的利用統(tǒng)計學(xué)對艦船供電負(fù)荷進(jìn)行預(yù)測以及統(tǒng)一的單中心計算平臺已經(jīng)越來越不能滿足電網(wǎng)調(diào)度系統(tǒng)對實(shí)時性的要求。

本文在研究云計算平臺架構(gòu)的基礎(chǔ)上，對調(diào)度算法進(jìn)行并行化改進(jìn)來適應(yīng)云計算架構(gòu)，提出一種云平臺中的并行船舶調(diào)度算法，最后給出算法實(shí)現(xiàn)的步驟。

參考文獻(xiàn):

［1］ALOISIO G，BOCHICCH IO M A，LA SCALA M，et al．A distributed com putting approach for real time transient stability analysis［J］．IEEE Trans on Power Systems，1997，12(2) :981－987．

［2］HOLLMAN J A，M ART J R．Real time network simulation with PC-cluster［J］．IEEE Trans on Power Systems，2003，18(2) :563－569．

［3］XU Z，ALI M，DONG Z Y，et al．A novel grid computing approach for probabilistic small signal analysis［C］/ / Proceedings of IEEE PES General Meeting，June 19，2006，Montreal，Canada:18－22．

［4］蔣心怡，冀欣，黃靖．基于復(fù)雜網(wǎng)絡(luò)理論的艦船電力網(wǎng)絡(luò)脆弱性研究［J］．艦船科學(xué)技術(shù)，2014，6 (8) : 46 －50．JIANG Xin-yi，JI Xin，HUANG Jing．Vulnerability analysis of shipboard power network based on complex network theory［J］．Ship Science and Technology，2014，6(8) : 46 －50．

［5］張建華．物聯(lián)網(wǎng)技術(shù)在海面作戰(zhàn)統(tǒng)一調(diào)度系統(tǒng)中的應(yīng)用［J］．艦船科學(xué)技術(shù)，2015，37(2) :228－231．

ZHANG Jian-hua．Research on battle command system based on internet of things［J］．Ship Science and Technology，2015，37(2) :228－231．

作者簡介:宋喜忠(1977－)，男，碩士，講師，主要從事計算機(jī)網(wǎng)絡(luò)和數(shù)據(jù)庫方面的研究。

基金項目:河南省科技廳發(fā)展計劃資助項目(142102110088)

收稿日期:2015－03－28;修回日期: 2015－04－27

文章編號:1672－7649(2015) 07－0149－04doi:10.3404/j.issn.1672－7649.2015.07.034

中圖分類號:TM715

文獻(xiàn)標(biāo)識碼:A