Fog Computing Dynamic Load Balancing Mechanism Based on Graph Repartitioning

Because of cloud computing's high degree of polymerization calculation mode, it can't give full play to the resources of the edge device such as computing, storage, etc. Fog computing can improve the resource utilization efficiency of the edge device, and solve the problem about service computing of the delay-sensitive applications. This paper researches on the framework of the fog computing, and adopts Cloud Atomization Technology to turn physical nodes in different levels into virtual machine nodes. On this basis, this paper uses the graph partitioning theory to build the fog computing's load balancing algorithm based on dynamic graph partitioning. The simulation results show that the framework of the fog computing after Cloud Atomization can build the system network flexibly, and dynamic load balancing mechanism can effectively configure system resources as well as reducing the consumption of node migration brought by system changes.

S7-GRAPH在自动上卷系统中的应用

以某钢厂连续退火酸洗线上卷控制系统为例,介绍PLC编程软件S7-GRAPH(顺序功能图)在自动上卷控制系统设计中的应用。

RGraph:基于RDMA的高效分布式图数据处理系统

图是描述实体间关系的重要数据结构,被广泛地应用于信息科学、物理学、生物学、环境生态学等重要的科学领域.现如今,随着图数据规模的不断增大,利用分布式系统来处理大图数据已经成为主流,出现了形如Pregel、GraphX、Power Graph和Gemini等经典的分布式大图数据处理系统.然而,与当前先进的基于单机的图处理系统相比,这些经典的分布式图处理系统在处理真实的图数据时并没有充足或稳定的性能优势.分析了几个有代表性的分布式图处理系统,总结并归纳出了影响其性能的主要挑战.通过对这些挑战的深入研究,提出了RGraph——一个基于RDMA的高效分布式大图数据处理系统.RGraph旨在通过充分利用RDMA的优势来提升图处理系统多个方面的性能.在图划分方面,RGraph采用基于块的划分方式避免破坏原始图数据的局部性,从而保证顶点的高效访问.在负载方面,RGraph提出了基于RDMA单边READ的任务迁移机制和线程间细粒度的任务抢夺方式来分别保证计算节点间以及计算节点内线程间的动态负载均衡,确保集群中的所有计算资源能够被充分利用.在通信方面,RGraph通过对IB verbs的有效封装,实现了符合图计算语义的多线程RDMA通信模型.相比于传统的MPI,RGraph的通信机制可以减少计算节点间2.1倍以上的通信延迟.最后,利用5个真实大图数据集和1个合成数据集,在拥有8个计算节点的高性能集群上测试了RGraph.实验结果表明,RGraph具有明显的性能优势.相比于Powergraph,RGraph具有10.1-16.8倍的加速比,与当前最先进的分布式图处理系统相比,RGraph的加速比仍能达到2.89-5.12倍.同时,RGraph在极度偏斜的幂律图上也能保证稳定的性能优势.

The Symbolic OBDD Algorithm for Finding Optimal Semi-matching in Bipartite Graphs

The optimal semi-matching problem is one relaxing form of the maximum cardinality matching problems in bipartite graphs, and finds its applications in load balancing. Ordered binary decision diagram (OBDD) is a canonical form to represent and manipulate Boolean functions efficiently. OBDD-based symbolic algorithms appear to give improved results for large-scale combinatorial optimization problems by searching nodes and edges implicitly. We present novel symbolic OBDD formulation and algorithm for the optimal semi-matching problem in bipartite graphs. The symbolic algorithm is initialized by heuristic searching initial matching and then iterates through generating residual network, building layered network, backward traversing node-disjoint augmenting paths, and updating semi-matching. It does not require explicit enumeration of the nodes and edges, and therefore can handle many complex executions in each step. Our simulations show that symbolic algorithm has better performance, especially on dense and large graphs.

基于动态自适应图神经网络的电动汽车充电负荷预测

电动汽车充电站负荷波动的不确定性与长时间预测任务给提升充电负荷预测精度带来巨大的挑战。文中提出一种基于动态自适应图神经网络的电动汽车充电负荷预测算法。首先,构建了一个充电负荷信息时空关联特征提取层,将多头注意力机制与自适应相关图结合生成具有时空关联性的综合特征表达式,以捕获充电站负荷的波动性;然后,将提取的特征输入到时空卷积层,捕获时间和空间之间的耦合关系;最后,通过切比雪夫多项式图卷积与多尺度时间卷积提升模型耦合长时间序列之间的能力。以Palo Alto数据集为例,与现有方法相比,所提算法在4种波动情况下的平均预测误差大幅降低。

大语言模型赋能场景生成和双层优化的多农业园区供电-灌溉-蓄水耦合运行

传统农灌负荷的使用具有集中性和无序性,显著加剧电力系统的供需不平衡与运行成本。为提升农业园区运行的经济性和光伏资源的消纳能力,通过刻画农灌负荷特性,结合作物生长用能需求,提出一种基于大语言模型(largelanguagemodel,LLM)场景生成和双层优化的多农业园区优化调度模型。该模型利用LLM时序分析能力进行光伏短期发电功率预测,然后通过LLM知识推理能力构建农业用水知识图谱,知识图谱中丰富的语义关系辅助LLM推理和预测,生成更符合实际情况的农业供电-灌溉-蓄水场景。双层优化调度模型在生成场景基础上,以园区经济运行为优化目标,对多农业园区供电-灌溉-蓄水进行耦合优化调度。最后,通过仿真验证,本文所提出的方法显著提升了农业园区电力系统运行稳定性,并有效降低了系统运行成本。

基于图注意力网络的短期负荷预测模型

现有方法在处理负荷数据的非线性、动态性以及空间和时间依赖性方面存在局限,导致预测精度较低。为解决上述问题,本文提出了一种基于改进变分模态分解(SVMD)、图注意力网络(GAT)和长短期记忆网络(LSTM)的混合模型,并通过白鲸优化算法(BWO)进行参数优化。该模型旨在通过综合各组件的优势,提高短期负荷预测的准确性和鲁棒性。模型首先应用SVMD对负荷数据进行有效分解,提取关键模态分量;接着,GAT网络捕捉负荷波动性和加权空间的相关性,增强模型对负荷数据空间特征的感知;LSTM网络提取和预测时间序列特征;最后,用BWO算法优化模型参数,提高模型的收敛速度和预测性能。试验结果表明,SVMD-GAT-BWO-LSTM模型在平均绝对百分比误差(E_(MAPE))、均方根误差(E_(RMSE))和拟合度(R^(2))等评价指标上均表现最佳,显示出较高的稳定性和鲁棒性。消融试验进一步证实了模型中每个组件的重要性和对提高预测性能的贡献。

面向多核CPU与GPU平台的图处理系统关键技术综述

图计算作为分析与挖掘关联关系的一种关键技术,已在智慧医疗、社交网络分析、金融反欺诈、地图道路规划、计算科学等领域广泛应用.当前,通用CPU与GPU架构的并行结构、访存结构、互连结构及同步机制的不断发展,使得多核CPU与GPU成为图处理加速的常用平台.但由于图处理具有处理数据规模大、数据依赖复杂、访存计算比高等特性,加之现实应用场景下的图数据分布不规则且图中的顶点与边呈现动态变化,给图处理的性能提升和高可扩展性带来严峻挑战.为应对上述挑战,大量基于多核CPU与GPU平台的图处理系统被提出,并在该领域取得显著成果.为了让读者了解多核CPU与GPU平台上图处理优化相关技术的演化,首先剖析了图数据、图算法、图应用特性,并阐明图处理所面临的挑战.然后分类梳理了当前已有的基于多核CPU与GPU平台的图处理系统,并从加速图处理设计的角度,详细、系统地总结了关键优化技术,包括图数据预处理、访存优化、计算加速和数据通信优化等.最后对已有先进图处理系统的性能、可扩展性等进行分析,并从不同角度对图处理未来发展趋势进行展望,希望对从事图处理系统研究的学者有一定的启发.

考虑时空耦合特性的非侵入式综合能源系统多能设备负荷辨识方法

为了提升非侵入式综合能源系统多能设备负荷辨识的准确性,在充分考虑多能负荷时空耦合特性的基础上,提出了一种基于改进滑动窗口双边累计和(cumlative sum,CUSUM)、图半监督学习(graph semi supervised learning,GBSSL)和改进胶囊网络(improve capsule network,ICapsNet)的非侵入式综合能源系统多能设备负荷辨识方法。首先,引入自适应噪声值选取方法对滑动窗口双边CUSUM算法进行改进,并利用改进后的算法进行事件检测,之后通过GBSSL标记未标记的样本;其次,在CapsNet的基础上,改进相似度和加权求和计算方法,利用残差块结构卷积网络替代原卷积模块,并将极化自注意块引入主胶囊模块,构建ICapsNet;最后,利用不同的非侵入负荷辨识方法对采集的10 150个综合能源负荷数据进行负荷辨识,验证所提方法的优越性。实验结果表明:所提方法相较于BI-GRU、Bagging EL和DNN等主流非侵入负荷辨识方法,P_(recision)、R_(ecall)、F_(macro)和BA指标分别平均提高了1.77%、2.14%、1.94%和1.26%。由此可知所提方法对能够精准地辨识非侵入式综合能源系统多能设备负荷,且具有良好的运算效率和通用性。

结合LSTM和自注意力机制的图卷积网络短期电力负荷预测

针对现有电力负荷预测模型建模工作量大、时空联合表征不足、预测精度低等问题,提出了一种结合长短期记忆(LSTM)网络和自注意力机制的图卷积网络(GCN)的短期电力负荷预测模型GCNLS-STLF。首先,利用LSTM和自注意力机制将原始多维时间序列数据转化为包含序列间关联关系的电力负荷图;然后,通过GCN、LSTM和图傅里叶变换(GFT)对电力负荷图进行特征提取;最后,使用全连接层对特征进行重构,并利用残差进行多次预测,以增强原始电力负荷数据的表达能力。在摩洛哥与巴拿马某电站的真实历史电力负荷数据上进行的短期电力负荷预测实验结果显示,与支持向量机(SVM)、LSTM、混合模型CNN-LSTM和基于注意力的CNN-LSTM(CNN-LSTM-attention)等预测模型相比,GCNLS-STLF在摩洛哥全部电力负荷测试集上的平均绝对百分比误差(MAPE)分别降低1.94、0.90、0.49和0.37个百分点;在巴拿马电力负荷测试集上的3月份MAPE分别降低1.39、0.94、0.38和0.29个百分点,6月份MAPE分别降低1.40、0.99、0.35和0.28个百分点。实验结果表明,GCNLS-STLF能有效提取电力负荷的关键特征,预测效果较好。

基于图划分的分布式推荐系统

【目的】设计一个数据处理效率高的推荐系统具有重要的意义。【方法】使用图结构来模拟推荐系统中的用户偏好关系,将其通过图划分算法处理,可以更深层次地挖掘推荐系统中数据的信息价值,并将得到的负载均衡的子图数据作为分布式系统的输入,最终经过一个自适应聚合模块的融合实现了一个分布式推荐系统。【结果】该系统可以提高推荐算法对于大规模数据的处理效率,在预测精度不下降的前提下,算法在一个由16个CPU构成的集群训练相比于单个CPU训练可提高6.4倍的效率。【结论】实验结果证明了该系统于推荐效率方面的有效性。

基于输入特征稀疏化的图神经网络训练加速

图神经网络(graph neural network,GNN)是处理图数据的重要方法.由于计算复杂、图数据容量大,在大规模图上训练图神经网络依赖于CPU-GPU协作和图采样训练方法,其中图结构和特征数据存储在CPU内存中,而采样得到的子图及其特征则传输至GPU进行训练.然而,这种方法面临着严重的图特征数据加载瓶颈,显著降低了端到端训练性能,且图特征占用过多内存,严重限制了可训练的图规模.为了解决这些问题,我们提出了基于输入特征稀疏化的数据加载方法,显著减少CPU内存占用和跨PCIe总线传输的数据量,大幅缩短数据加载时间,加速GNN的训练,使其可以充分利用GPU计算资源.针对图特征和GNN计算特性,我们提出了适用于图特征数据的稀疏化方法,在压缩比和模型准确度之间达到平衡.我们在3个常见GNN模型和3个不同规模的数据集上进行了实验评估,包括最大的公开数据集之一MAG240M.结果表明,此方法将特征尺寸减小了一个数量级以上,并实现1.6-6.7倍的端到端训练加速,而模型准确度的降低不超过1%.此外,在仅使用4个GPU的情况下,仅需40 min就可以在MAG240M上完成GraphSAGE模型的训练并达到目标准确度.

基于多尺度时空图卷积网络与Transformer融合的多节点短期电力负荷预测方法

深度学习的发展为处理电力系统中海量的负荷数据提供了良好的基础。然而,现有的负荷预测方法大多采用历史负荷序列的时间相关性构建模型,没有同时考虑相邻节点之间存在的空间耦合特性和外部因素的影响。由于图卷积神经网络在挖掘电力系统拓扑结构中的空间特征上具有巨大潜力,因此,该文提出一种基于属性增强的多尺度时空图卷积神经网络与Transformer融合的电力系统多节点负荷预测方法。首先,将外部因素建模为动态属性和静态属性,设计属性增强单元对这些因素进行编码,并利用快速最大互信息系数量化各节点负荷的动态耦合信息。其次,采用多尺度时空图卷积网络挖掘节点间的短期时空特征,同时采用Transformer补充挖掘各节点负荷的长期时域特征。最后,使用门控融合层对两个模型进行融合。在纽约公开负荷数据集上的实验结果表明,所提方法能够充分挖掘多节点负荷数据中的时空耦合特性,具有更高的预测精度和稳定性。

基于改进图时间卷积网络的农村地区电动汽车充电负荷预测及其对农网的影响

在新能源汽车下乡政策的有力引导下,电动汽车在农村地区的销量快速增长,然而农村电网地域分布广、供电线路长,充电负荷相对分散且难以预测。为此,提出了基于改进图时间卷积网络的农村地区电动汽车充电负荷预测模型。首先,基于图卷积网络构建农村电网图结构矩阵,以表征用户充电特征的空间信息并降低输入数据的维度。其次,引入时间卷积网络感知充电数据的时序信息,挖掘影响负荷预测的时序特征。然后,提出基于注意力机制的改进图时间卷积网络算法进行充电需求预测,对不同特征进行权重分配,提升模型对时空信息的融合学习能力。最后,基于算例结果验证所提方法在农村地区电动汽车充电负荷预测上的有效性,并进一步分析了不同电动汽车渗透率下充电负荷对农村电网的影响。

我国基础教育减负研究的知识图景与演进展望(2010—2022年)——基于CiteSpace的知识图谱分析

以CNKI核心期刊和CSSCI文献为数据来源,借助CiteSpace软件,从发文数量、核心作者、发文机构、研究热点和演进趋势等维度,对近13年间我国基础教育减负研究文献进行可视化分析。结果显示,国内基础教育减负研究的发文量总体稳步增长,已形成核心作者和主要机构,热点集中于“课业负担”“课堂教学”“减负增效”“作业设计”等。还发现,基础教育减负研究阵地分布不均,研究者缺乏合作,研究角度和内容单一,新的研究热点尚未形成。在核心文献计量的基础上,深入分析基础教育减负的概念澄清、视角拓展、主体外延和政策实施等研究主题与内容,并结合现状问题提出深化合作与反思回顾、借鉴国外与本土融合、观照现实与理论引领等减负研究的未来展望。

基于设备行为关联图的非侵入式多标签负荷分解改进方法

非侵入式负荷分解技术作为目前用户用电信息监测的主要手段,对推动能源效率提升和需求侧优化管理具有重要意义。针对目前负荷分解模型过分依赖电器本身的用电特征,而忽视用户用电习惯所提供的信息,导致分解效果始终难以改善的问题,该文提出一种考虑用户用电行为的多标签负荷分解改进方法。改进后的模型是两个网络串行的架构。第一个网络结合用户用电行为实现多标签类型识别;第二个网络在识别结果基础上完成各个在线电器的能量分解。文中通过设备行为关联图来表示用户的用电习惯。模型随用户用电不断完成行为更新,并逐渐为用户生成独特的网络图,为负荷分解提供行为依据。最后使用公开数据集REDD和REFIT对提出方法进行仿真和评估。实验结果表明,提出的方法能够准确获取各电器的用电信息,且与现有先进方法相比有明显的改进,证明了考虑用户用电行为的多标签方法是一种有效可行的负荷分解思路。

基于深度学习与改进负荷行为关联图的农业用户非侵入式负荷分解方法

目前负荷分解模型大都面向城市用户,忽视了农业用电场景下的负荷关联特性,导致现有负荷分解模型在该场景下的分解效果较差,本文提出了一种基于深度学习与改进负荷行为关联图的农业用户非侵入式负荷分解方法。该方法首先采用One-hot编码构建包含离散和连续影响因素的负荷特征矩阵;其次,运用负荷行为关联图来表征用户不同负荷设备间关联关系,并采用图注意力网络对负荷间相关性进行权重优化;最后,构建基于卷积神经网络和长短时记忆网络的农业用户负荷分解模型并进行训练部署。仿真结果显示,本文所提出的基于深度学习与改进负荷行为关联图的农业用户非侵入式负荷分解方法相比现有方法分别获得4.34%和2.02%的负荷分解精度提升,并更加适用于农业用电场景。

多维QoS约束的云计算工作流调度算法

为有效解决云计算异构系统中工作流调度问题,提出一种多维QoS约束下的改进遗传算法(QoS-IGA)。建立工作流任务调度模型、多维QoS约束模型和考虑任务完成时间、完成费用及虚拟资源可靠性和负载均衡度的多目标优化函数;提出种群初始化原则,以及不破坏任务间依赖关系的交叉与变异算子,引入模拟退火算法的Metropolis准则避免遗传算法的早熟收敛问题。实验结果表明,QoS-IGA算法有效可行,其收敛速度快,调度效率高。

基于动态关联图注意力网络的虚拟电厂居民短期负荷预测

居民短期负荷预测能够为虚拟电厂提供实时、灵活的电力需求信息,有助于虚拟电厂实现能源高效利用与优化电力市场交易。由于居民负荷相关性的日益凸显,传统预测方法仅基于单个居民历史负荷进行时序预测,无法满足规模化虚拟电厂对居民负荷关联性的综合需求。基于此,文中提出一种基于动态关联图注意力网络的虚拟电厂居民短期负荷预测方法。首先,提出了混合相关性分析方法来刻画居民负荷之间的线性和非线性关系,并进一步提出了权重剪枝阈值机制得到居民负荷混合相关性矩阵;然后,基于该矩阵构建动态关联图结构,进而提出时间图注意力网络机制以深入学习居民负荷的时空关联特性,并实现居民短期负荷预测目标;最后,以某地区实际居民负荷数据为例,验证了所提方法的有效性。

基于深度学习网络的非侵入式负荷分解方法

负荷特征的选取能够在很大程度上描述用电设备的电气特征,选择合适的负荷特征是影响负荷分解优劣的关键条件之一,提出基于深度学习网络的非侵入式负荷分解方法。选取有功功率、无功功率和V-I轨迹图作为负荷特征项并获取相关特征,构建GA-BP神经网络和卷积神经网络并加以训练。提取非侵入式负荷的高级特征,并将特征提取结果融合为复合特征。将融合后的复合特征输入至经过训练的GA-BP神经网络用于负荷分解,实现非侵入式负荷分解。实验结果表明,所提方法的绝对误差均值、均方根误差较小,召回率较大,通过特征处理有效提升了负荷分解效果。