基于多級反饋隊列調度的電動汽車充電模型及其云實現

基于多級反饋隊列調度的電動汽車充電模型及其云實現

充電汽車的普及和推廣，使人們在日常出行方面減少了化石燃料的使用，從一定程度上解決了能源短缺和大氣污染的問題，但同時也造成了大規模充電行為對電網產生的巨大沖擊，影響了電網的穩定運行。文章借鑒計算機操作系統任務調度算法，提出一種考慮到電網側負荷以及充電公平性的多級反饋隊列優化充電模型。電動汽車在關注的電網中按照以上提出的充電方案來進行充電，既沒有違背公平原則，又實現了最優化充電，同時保證電網安全穩定運行，降低了資源浪費。電動汽車充電過程中涉及到了多方面的異構化信息，其中包括車聯網、智能電網、充電設備網絡和額外的有關信息。而以上模型的實現需要把多方面的數據信息加以融合，并且要解決海量數據帶來的大數據處理問題。本文提出的電動汽車充電模型利用Hadoop云計算平臺來解決大數據集的并行化計算問題，使用HDFS分布式文件系統和HBase非關系型數據庫解決海量數據的存儲問題。

當今社會對煤、石油、天然氣等傳統化石能源擁有巨大的需求，但是越來越嚴重的環境問題和能源緊缺，迫使公眾亟待尋找一種可以節省能源并且環保可靠地交通工具，而電動汽車的出現解決了這一問題。但是大規模電動汽車在同一時間段集中充電將帶來新一輪的負荷增長，尤其是電動汽車在高峰期充電將進一步加劇電網負荷峰谷差，將會對配電網的運行造成嚴重影響，包括電壓跌落、線路或變壓器負荷超載、加大損耗風險。另外，電動汽車對電網造成的疊加負荷也同時表現出隨機性和分散性，使得調控電網變得更加復雜。因此，為了保證電網運行的穩定性，降低能源浪費以及達到效益最優化，對于電動汽車的充電行為模式進行優化是有必要的。

確定最優充電模式的唯一途徑是綜合考慮充電設備（包括充電站和充電樁）和充電汽車兩方面的數據信息，并且對所有數據進行統一分析和處理。近年來，根據側重點的不同，不同的研究機構和人員研究、比較了多種不同的充電模型。從研究層面上來劃分的話，可以分為以下幾個方面：1）單一電動汽車充電控制； 2）同一充電站多充電目標集中充電處理； 3）區域內多個站的電動汽車協調充電控制。文獻針對有序充電的策略方法，歸納為基于最優經濟運行的充電模型、最優市場機制和商業運營模式、時空有序性3類方法；文獻提出一種基于電網負荷的有序充電控制模型，進行實時有序控制，提高了電網的安全性；文獻在考慮電動汽車的充電功率、充電時間以及變壓器可用容量等約束條件的前提下，提出基于多智能體協同控制的電動汽車充電優化策略；文獻將電動汽車看成一個小型“集聚體”，以有功網損最小為目標函數，計及節點電壓、線路潮流、配變容量、集中式充電功率的動態爬升約束以及充電能量平衡約束，提出基于配電網安全運行的充電優化問題模型；文獻提出了一種基于分布式控制的電動汽車有序充電控制模型，并給出了分布式有序充電控制的優化計算方法；文獻通過網格選取法，考慮到配電變壓器的供電容量，從時間和功率兩個維度來控制電動汽車的充電行為。但目前還未存在一種綜合考慮電網和用戶多種因素及優先級的充電方案，更無有效的算法實現此類充電方案。

為了得到多種優化方案，需要統一電網、充電設備和電動汽車三方面的數據信息，并進行有效的分析處理。伴隨著電動汽車保有量的提升，為了滿足充電需求，充電站和充電樁必將會在電網內增加負荷接入點，這樣一來會造成各種異構化數據激增。云計算平臺能夠高效地采用集群化并行處理技術來解決海量數據的分析處理。實現區域電網內電動汽車優化充電需要綜合考慮電網側、用戶側多方面因素，結合多種經典優化算法，利用多維信息融合處理技術，本文提出了一種基于多級反饋隊列的電動汽車優化充電模型，并闡述了在云計算平臺對該模型的實現過程。

電動汽車多級反饋隊列充電模型

模型需求目標分析

充電汽車的充電行為主要包含了三個行為主體：電網、充電汽車和充電代理商。三者之間的交互包含了能量和數據兩種交互信息。要提出最優化的充電模型，需要處理好三個關系：一是政府、企業和市場的關系；二是產品、基礎設施和商業模式的關系；三是汽車的使用者、電力企業和充電代理商的關系。對于汽車的使用者，重點是關注充電電價、充電耗時以及充電是否方便等需求；對于后兩者，重點是關注電網運行的安全性和穩定性、是否符合公平性原則以及電能是否充分利用。保證用戶公平性是充電服務最重要的目標之一，關系到電能有序利用的實施效果。公平性原則是為了滿足電動汽車用戶有突發性充電需求，避免了電能不能補充的情況。而保證電網穩定運行和提升能源利用率，又是對充電進行優化的最終目標。因此，最優充電模型應該關注排隊早、時間要求迫切、充電時間長的充電汽車首先充電。并且在充電過程中，要實時地進行策略調整來滿足各方的不同需求。這里綜合考慮多方面關系，根據各方需求，建立區域電網內多級反饋隊列優化充電模型。

基于多級反饋隊列的優化充電模型建立

在計算機操作系統中，有一種作業調度的應用場景：在同一時刻，大量作業同時請求有限資源，系統如何調度從而為作業有序地分配資源。參考作業調度的工作流程，可以用類似的方案處理電動汽車充電的工作任務。在滿足公平性原則的前提下，將每一次的充電行為看做是一個調度任務，相對應的電力能源就是資源。模型的最終目的是得到最優的任務執行序列，來達到較高的電力能源利用率以及最小的電網負荷。

多級反饋隊列進程調度算法為了保證公平性和較高的資源利用率，采用了基于高優先級優先調度和時間輪轉片輪轉調度算法，在處理過程中不斷進行調整。在本文提出的電動汽車充電模型中，根據排隊時間長短、充電時間長短、充電時間緊迫性以及已經等待的時間等指標來定義任務的初始優先級。然后把充電的全部過程切成等長的時間，不同的任務隊列對應的單條時間長度可以不同。每個單獨的時間充電完成以后，調整優先級，然后根據調整后的優先級進行任務調度。

圖1為多級反饋隊列優化充電模型整體架構圖。

多級反饋隊列優化充電模型調度算法分為以下步驟：

1）在考慮了任務時長、已經排隊時長以及用戶緊迫度等因素以后，對可以參與有序充電隊列調度的充電任務計算對應的任務優先級。本文依據響應比算法，以充電緊迫程度為優先級，提出公式（1）作為優先級計算公式。

公式中，T表示完成充電所需的剩余時間，W表示已經排隊時長，TC表示當前時間，TU表示用戶設置的充電任務截止時間（即取車時間）。（TU-TC）-T表示距離任務截止的時間和剩余任務所需要的時間之差，用來表示當前用戶充電任務緊迫程度。對于等待而未充電的用戶，其剩余充電所需時長T為固定值，而W即等待時間逐漸增大，因此響應比會增加；對于正在充電的用戶來說，其一開始等待的時長W已經為定值，而剩余充電所需時長T則逐漸變小，因此響應比會降低。對于公式分母部分，無論等待充電還是正在充電的用戶，隨著時間的推移，距離設置的充電結束時間值越近，TU-TC越小，代表任務越緊迫，其響應比也就越高。而分母增加-T則是為了保證充電能夠完整的進行，因為若到了距離結束時限的時長無限接近于充電時長T還未開始充電，則（TU-TC）-T無限接近于0，整個響應比會無限大，使優先級達到最大。

2）根據優先級，設置多級隊列。根據優先級確定各個任務執行的先后順序，同時依據優先級的大小分到若干不同等級的任務隊列當中。不同等級的隊列對應不同大小的時間片，時間片長短和隊列的優先級成反比。

3）首先，按照優先級從高到低的順序選擇隊列中的充電任務開始執行，每次時間片執行完畢，需要再一次計算來確定各個任務的優先級，并以此為依據，再次分配充電任務到不同的隊列中。

4）只有當優先級最高的隊列中的任務完成以后，才處理優先級次一級的隊列中的任務。

圖2和圖3分別為車輛接入流程和車輛充電流程。其中，車輛接入流程為事件驅動型，即車輛接入事件激活流程，將充電任務存入充電優先隊列；車輛充電流程為時間驅動型，即時間片不斷輪轉，每次時間片輪轉結束時，從優先級隊列中取出任務進行充電，并重新計算優先級隊列。

以上提出的基于多級反饋隊列實現的充電模型，在保證電網穩定運行的基礎上，同時兼顧了每一個用戶的實際充電需求，達到了不同用戶之間的公平。

圖1 多級反饋隊列優化充電模型整體架構

圖2 車輛接入流程

圖3 車輛充電流程

基于云計算平臺的多級反饋隊列充電模型MR算法實現

區域電網電動汽車多信息源融合問題分析

實現多級反饋隊列充電模型需要考慮到以下幾個方面：充電汽車、充電用戶個人、充電站以及電網負荷等多方面的數據信息。在處理充電任務時，需要綜合分析多方數據，不可避免的會遇到以下問題：

1）綜合分析多方數據時遇到的異構數據問題。

2）電動汽車和充電設備（包括充電站和充電樁）分散性較強，并會產生海量數據，這些數據的存儲問題需要解決。

3）實現模型計算時需要考慮到多種因素，最終得到最優方案，這導致分析計算復雜，計算量巨大。

4）充電方案的生成需要具有時效性，充電用戶提交的充電需求應該迅速得到反饋。

綜上所述，在處理電動汽車充電任務時所遇到的問題呈現出數據量大，處理時效性強等特點。想要解決以上問題，需要使用云平臺實現對大數據的處理。Hadoop是一個能夠對大量數據進行分布式處理的軟件平臺，實現了MapReduce編程模型和HDFS分布式存儲架構。對于電動汽車充電任務而言，MapReduce模型實現了海量數據計算的并行化處理，HDFS存儲結構解決了充電任務過程中需要存儲的多方信息分散化的問題，并保證了數據的統一管理。

基于Hadoop的多級反饋隊列優化充電模型系統架構和平臺搭建

基于Hadoop的多級反饋隊列優化充電模型系統架構如圖4所示。

在實現模型系統時，按照邏輯層次的劃分，主要分為以下幾個部分：

1）物理層：其中包括實際的計算機服務器、虛擬機集群、計算機通信網絡共同組成的服務器集群。

2）數據儲存和基礎計算層：是實現Hadoop云計算平臺的關鍵部分。通過和物理層的數據聯系，搭建了云計算平臺最主要的三個部分：HDFS、HBase、MapReduce。

3）高級計算層：是更高級業務計算的處理部分，已經存儲到數據儲存層的數據通過數據總線提交到這一層，同時通過基礎計算層提供的接口來實現復雜的計算模型。

4）業務交互層：實現平臺業務對用戶的可視化展示并提供用戶操作服務，交互手段包括Web應用和手機App。

5）調度控制層：實現了平臺各個模塊之間的控制管理，可以提供平臺業務功能模塊控制、平臺服務器間工作負荷調整以及日志管理等功能。

6）消息數據總線：為平臺不同模塊之間的數據和信息交互提供了通道，對平臺各個模塊進行了解耦合，為平臺提供了良好的可擴展性。

平臺軟硬件環境配置如表1所示。

圖4 多優化充電系統架構

表1 軟硬件平臺

在集群上搭建Hadoop-1.1.2內核的云計算環境，其他組件版本為JDK-1.7.0_67，HBase -0.94.11。

基于HBase的分布式存儲結構

基于多級反饋隊列的充電模型采用非關系型數據庫HBase，因為HBase可以實現對充電任務中海量數據的存儲并且提供對這些超大數據的快速索引。另外，HBase對Hadoop也有很好的支持。根據HBase具有的延展特性和非關系特性，在設計存儲數據庫的時候，主要創建了兩個層次的數據表：第一，包含了多種電網側基礎數據（包括充電設備信息、電網負荷信息等）的基礎數據表；第二，記錄了從用戶創建充電任務開始與之相關的需求和操作信息的充電任務表。

在HBase數據庫中，表的結構是由RowKey、列族、時間戳和Cell組成的。表2和表3分別為兩張表的基礎結構，由于空間關系，未列出具體列鍵信息。

表2 基礎數據表結構

表3 充電任務表結構

基于MapReduce的模型并行化算法實現

多級反饋隊列充電模型的M-R算法按照MapReduce機制分為Map階段和Reduce階段，依據框架接口設計Map函數和Reduce函數。模型中各個充電任務的優先級是由Map函數計算得來的，而通過比較優先級得出多級反饋隊列由Reduce函數完成。這個算法包含一個二次排序過程，將各個充電任務按照優先級進行排序，使傳入Reduce的是已排好序的任務，從而提升效率。模型的實現過程如表4、5、6所示。

表4 多級反饋隊列優化充電模型Map過程

表5 多級反饋隊列優化充電模型Reduce過程

表6 多級反饋隊列優化充電模型二次排序過程

總結與展望

本文主要介紹了一種基于反饋隊列調度的電動汽車充電模型及其云實現，提出了一種電動汽車優化充電方案，并利用M-R框架實現了方案的并行化計算。解決了大規模電動汽車接入電網導致的一系列電氣問題和相關大數據分析問題，對于智能電網中其他優化計算問題也具有一定參考價值。

隨著電動汽車的普及和發展，電動汽車作為電網負荷給電網帶來的運行壓力會越來越明顯，分析用戶充電行為、優化用戶充電策略能夠主動為電網側降低運行風險、保障電網安全。在智能電網與車聯網等多方信息數據融合進一步發展的未來，結合了能源互聯網概念的電動汽車充電策略應當會有更深層次的發展。

10.3969/j.issn.1001- 8972.2016.21.035