【技术实现步骤摘要】
本专利技术属于电力系统自动化领域，特别涉及一种面向自动化主站实训的孪生资源管理方法和系统。
技术介绍
1、电力系统对运行的连续性和安全性要求非常高，而调度自动化系统是一项非常复杂的系统。一旦发生故障，则需要在第一时间内进行诊断及处理，随着自动化技术的发展和自动化设备的更新，对调度自动化运维水平要求越来越高，自动化专业培训能力不足的问题日益凸显。目前大多在物理机部署成套主站系统开展自动化实训，主站系统部署复杂，不便于快速创建培训环境，在真实自动化设备难以同时开展多人培训、在真实设备无法开展异常故障培训，且投资大。当主站自动化实训场景中对多个子站远动机的需求时，需要降低硬件资源需求。随着技术的不断进步，硬件设备也在持续升级。降低硬件资源需求有助于减少对高性能硬件的依赖，从而使培训系统更具可扩展性，能够适应未来的技术发展。在主站自动化实训场景中，多个子站远动机可能并不都需要同时运行。通过降低硬件资源需求，可以实现资源的动态分配和共享，提高硬件设备的利用率。
2、利用智能搜索算法对容器调度问题有助于降低跨节点交换率和负载不均衡度，解决服务响应缓慢的问题。2022年魏建兵为了通过灰狼算法和粒子群算法协同寻优的方式进行改进，提出了粒子群灰狼协同算法（ps-gwca）。该算法利用灰狼算法前期的全局寻优能力来提高粒子群算法跳出局部最优的能力，利用粒子群算法后期在帕累托前沿的局部寻优能力弥补灰狼算法后期寻优能力减弱的缺点，使得两个算法能够协同寻优，一定程度上解决了容器多目标优化问题，但需要设置参数过多，算法复杂度高寻优时间较长。>
3、容器调度算法作为容器调度的关键，在基于容器的计算机集群中，开源软件docker提供了几种简单的容器调度算法random、spread和binpack，容器实例会随机选择可用的计算资源进行调度，而不会考虑节点的状态和负载情况。这种调度算法可以用于测试和开发环境，但在生产环境中可能会带来一些问题，例如负载不均衡和资源利用率低下等。现有技术大多忽略了容器间依赖关系，造成容器之间数据交换链路复杂、服务响应缓慢。并且智能搜索算法（如粒子群算法、遗传算法、花授粉算法）的收敛精度和收敛速度有待提升。并且这些方法都没有进一步讨论与传统智能算法的比较，难以反映改进算法的合理性和优越性。传统的蜣螂优化算法（dbo算法）主要问题是种群缺乏多样性，容易陷入局部最优解，导致次优解或收敛速度慢。
技术实现思路
1、为了解决现有技术中存在的不足，本专利技术提供了一种面向自动化主站实训的孪生资源管理方法和系统，以解决计算机集群运行过程中出现的负载不均衡问题和容器之间数据交换链路复杂、服务器响应慢的技术问题。
2、为解决上述技术问题，本专利技术采用如下的技术方案。
3、本专利技术首先公开了一种面向自动化主站实训的孪生资源管理方法，该方法包括以下步骤：
4、步骤1，获取主站自动化实训场景中对多个子站远动机的需求数据，基于所述需求数据构建容器调度模型，根据跨节点数据交换率和负载不均衡度确定容器调度的目标函数；
5、步骤2，利用chebyshev混沌映射和高斯-柯西混合变异扰动策略对蜣螂优化算法进行增强，得到增强的蜣螂优化算法；
6、步骤3，基于增强的蜣螂优化算法来优化所述容器调度模型，求解所述目标函数，得到跨节点数据交换率和负载不均衡度的最优值，利用所述最优值实现容器调度。
7、本专利技术进一步包括以下优选方案：
8、所述对多个子站远动机的需求数据包括模拟的子站数量、设备类型、数据传输量。
9、所述根据跨节点数据交换率和负载不均衡度确定容器调度的目标函数，进一步包括：
10、将跨节点数据交换率f1和工作节点负载不均衡度f2分别使用权重向量w1，w2合并，转换为单目标优化问题f，将f的最小值作为所述目标函数，并设置两个约束条件，即每个容器只能运行在某一个工作节点上，并且单个工作节点中所有容器的所需资源不超过其容量：
11、，
12、其中：
13、
14、，
15、为容器之间数据交换总量：
16、，
17、为容器间跨节点数据交换量：
18、，
19、为所有工作节点的 cpu 利用率平均值：
20、，
21、为工作节点i的cpu利用率：
22、，
23、为内存利用率平均值：
24、，
25、为工作节点i的内存利用率：
26、，
27、表示容器j与工作节点i的关系，当容器j不在工作节点i中时，，当容器j在工作节点i中时，；
28、表示容器间的依赖关系，当容器j与容器j’之间没有数据交换时，当容器j与容器j’之间数据交换为 l兆字节时；
29、m为工作节点数量，n为容器数量，工作节点si的可用资源向量为，容器cj的资源需求向量为。为工作节点i的cpu可用资源，为工作节点i的内存可用资源；为容器j的cpu资源需求，为容器j的内存资源需求。
30、所述利用高斯-柯西混合变异扰动策略对蜣螂优化算法进行增强，进一步包括：
31、计算个体x第t次迭代中的最优位置在高斯-柯西混合扰动后的位置：
32、，
33、其中，为高斯变异算子，为柯西变异算子，变异算子权重系数，，表示最大迭代次数。
34、所述增强的蜣螂优化算法根据以下公式更新滚球蜣螂的位置：
35、，
36、其中t表示当前迭代次数，表示第i只蜣螂在第t次迭代时的位置信息，是表示偏转系数的常量，b表示属于（0，1）的常量，是一个自然系数，赋值为，表示全局最差位置，δx是用于模拟光强的变化的参数。
37、所述增强的蜣螂优化算法根据以下公式使用切线函数来更新舞蹈蜣螂的位置：
38、，
39、其中，。
40、所述增强的蜣螂优化算法根据以下公式更新繁育球的位置：
41、；其中
42、，
43、其中，x*表示当前局部最佳位置，lb*和ub*分别表示产卵区的下界和上界，其中，表示最大迭代次数，lb和ub分别表示优化问题的下界和上界，是第t次迭代时第i个繁育球的位置信息，b1和b2表示两个大小为1×d的独立随机向量，d表示优化问题的维数；
44、所述增强的蜣螂优化算法根据以下公式更新觅食蜣螂的位置：
45、，
46、其中，表示第i只蜣螂在第t次迭代的位置信息，c1表示服从正态分布的随机数，c2表示属于（0，1）的随机向量；
47、其中lbb和ubb分别表示最佳觅食区域的下限和上限：
48、，
49、其中 xb表示全局最佳位置。
50、所述增强的蜣螂优化算法根据以下公式更新偷窃蜣螂的位置信本文档来自技高网...
【技术保护点】
1.一种面向自动化主站实训的孪生资源管理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的面向自动化主站实训的孪生资源管理方法，其特征在于，所述对多个子站远动机的需求数据包括模拟的子站数量、设备类型、数据传输量。
3.根据权利要求2所述的面向自动化主站实训的孪生资源管理方法，其特征在于，所述根据跨节点数据交换率和负载不均衡度确定容器调度的目标函数，进一步包括：
4.根据权利要求3所述的面向自动化主站实训的孪生资源管理方法，其特征在于，所述利用高斯-柯西混合变异扰动策略对蜣螂优化算法进行增强，进一步包括：
5.根据权利要求4所述的面向自动化主站实训的孪生资源管理方法，其特征在于，所述增强的蜣螂优化算法根据以下公式更新滚球蜣螂的位置：
6.根据权利要求5所述的面向自动化主站实训的孪生资源管理方法，其特征在于，所述增强的蜣螂优化算法根据以下公式使用切线函数来更新舞蹈蜣螂的位置：
7.根据权利要求6所述的面向自动化主站实训的孪生资源管理方法，其特征在于，所述增强的蜣螂优化算法根据以下公式更新繁育球的位置：p>
8.根据权利要求7所述的面向自动化主站实训的孪生资源管理方法，其特征在于，所述增强的蜣螂优化算法根据以下公式更新觅食蜣螂的位置：
9.根据权利要求8所述的面向自动化主站实训的孪生资源管理方法，其特征在于，所述增强的蜣螂优化算法根据以下公式更新偷窃蜣螂的位置信息：
10.一种利用权利要求1-9任一项权利要求所述的面向自动化主站实训的孪生资源管理方法的面向自动化主站实训的孪生资源管理系统，其特征在于，包括：
11.一种终端，包括处理器及存储介质；其特征在于：
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-9任一项所述的面向自动化主站实训的孪生资源管理方法的步骤。
...【技术特征摘要】
1.一种面向自动化主站实训的孪生资源管理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的面向自动化主站实训的孪生资源管理方法，其特征在于，所述对多个子站远动机的需求数据包括模拟的子站数量、设备类型、数据传输量。
3.根据权利要求2所述的面向自动化主站实训的孪生资源管理方法，其特征在于，所述根据跨节点数据交换率和负载不均衡度确定容器调度的目标函数，进一步包括：
4.根据权利要求3所述的面向自动化主站实训的孪生资源管理方法，其特征在于，所述利用高斯-柯西混合变异扰动策略对蜣螂优化算法进行增强，进一步包括：
5.根据权利要求4所述的面向自动化主站实训的孪生资源管理方法，其特征在于，所述增强的蜣螂优化算法根据以下公式更新滚球蜣螂的位置：
6.根据权利要求5所述的面向自动化主站实训的孪生资源管理方法，其特征在于，所述增强的蜣螂优化算法根据以下公式使用切线函数来更新舞...
【专利技术属性】
技术研发人员：宋新新，马群，戈一航，凌行龙，赵成杰，吕建超，张振华，王炎军，秦科源，周书进，徐正清，杨选怀，吴海宏，高峰，林春龙，靳伟，蒋越梅，
申请(专利权)人：北京科东电力控制系统有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。