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(guó)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(guó)對(duì)于分布式能源供應(yīng)鏈系統(tǒng)越來(lái)越重視。目前我國(guó)已進(jìn)入實(shí)質(zhì)開(kāi)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(guó)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(wèn)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(guó)內(nèi)許多專家為此做了許多研究。Wu等通過(guò)一個(gè)基于代理的模擬，評(píng)估市場(chǎng)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(duì)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?？蚣堋Ｐ虾＼姷葘?duì)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(wèn)題中運(yùn)用了不確定網(wǎng)絡(luò)理論，并對(duì)二階錐規(guī)劃問(wèn)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(duì)大規(guī)模優(yōu)化問(wèn)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(chǔ)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(duì)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(shì)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(chóng)算法求解TFT-LCD單元的裝配調(diào)度問(wèn)題，分析了不同學(xué)習(xí)音質(zhì)和遺忘率對(duì)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(chóng)算法對(duì)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(duì)復(fù)雜，計(jì)算所需時(shí)間較長(zhǎng)，無(wú)法應(yīng)對(duì)需快速反應(yīng)的突發(fā)狀況。目前對(duì)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(wèn)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(duì)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(chóng)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(chóng)算法決策半徑，相對(duì)全面地研究平衡指標(biāo)，建立基于改進(jìn)人工螢火蟲(chóng)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(wèn)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(lái)能源社會(huì)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(chóng)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(wèn)題。該方法克服了傳統(tǒng)人工螢火蟲(chóng)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(guò)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(méi)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(chóng)算法

自然界中螢火蟲(chóng)的求偶方式一般是尋找比自己更亮的螢火蟲(chóng)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(chóng)算法（glowworm swarm optimization，GSO）。螢火蟲(chóng)尋找比自己更亮的螢火蟲(chóng)，然后數(shù)量越來(lái)越多的螢火蟲(chóng)聚集在一起，最終找到局部的最優(yōu)解。螢火蟲(chóng)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(chóng)的初始化位置、熒光素值更新、螢火蟲(chóng)位置更新、策半徑更新。

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

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

每只螢火蟲(chóng)都有對(duì)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(chóng)。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(chóng)數(shù)量少而增大，也可因螢火蟲(chóng)數(shù)量多而減小。更新動(dòng)態(tài)決策域公式為

螢火蟲(chóng)移動(dòng)自己的位置后，更新螢火蟲(chóng)的位置為

式中：為移動(dòng)步長(zhǎng)；‖ ‖為歐式距離。

傳統(tǒng)人工螢火蟲(chóng)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(chóng)向比它更亮的螢火蟲(chóng)移動(dòng)時(shí)，其決策域范圍是固定的。但如果決策范圍過(guò)大，所需時(shí)間就較長(zhǎng)，不利于局部尋優(yōu)；如果決策范圍小，則會(huì)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(duì)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(chóng)的初始參數(shù)，確定初始位置；

（4）螢火蟲(chóng)開(kāi)始移動(dòng)，按照式（9）改變自己的位置。

（5）螢火蟲(chóng)通過(guò)式（10）更新自己的決策域半徑。

（6）在螢火蟲(chóng)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(chóng)算法利用了螢火蟲(chóng)向比自己更亮的螢火蟲(chóng)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(chóng)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(duì)接的是云處理中心的各服務(wù)器，每個(gè)用戶的需求量對(duì)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(tái)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(chóng)算法和傳統(tǒng)人工螢火蟲(chóng)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(chóng)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(chóng)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(huì)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(chóng)算法、傳統(tǒng)人工螢火蟲(chóng)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(chóng)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(chóng)算法運(yùn)行過(guò)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(guò)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(duì)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(chóng)算法和改進(jìn)人工螢火蟲(chóng)算法。在不同任務(wù)數(shù)量下，兩種算法的完成時(shí)間對(duì)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(chóng)算法的優(yōu)勢(shì)突顯，完成時(shí)間遠(yuǎn)短于傳統(tǒng)人工螢火蟲(chóng)算法。

表 1 任務(wù)完成時(shí)間對(duì)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(chóng)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(chóng)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(duì)于大量任務(wù)處理及配置問(wèn)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(chóng)算法在云計(jì)算環(huán)境下，利用螢火蟲(chóng)會(huì)尋找比自身亮的螢火蟲(chóng)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(chóng)算法相比，改進(jìn)后的人工螢火蟲(chóng)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(wèn)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(wèn)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(guò)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(chóng)向其他螢火蟲(chóng)移動(dòng)的過(guò)程中是否有其他因素影響，在螢火蟲(chóng)數(shù)量較多時(shí)是否會(huì)影響螢火蟲(chóng)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(chóng)算法。本文僅考慮了需求側(cè)的平衡及智能優(yōu)化，對(duì)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。