申请/专利权人：华北电力大学;中国电力科学研究院有限公司;国网天津市电力公司

申请日：2021-09-29

公开（公告）日：2024-04-16

公开（公告）号：CN113905347B

主分类号：H04W4/40

分类号：H04W4/40;H04W4/029;H04W24/06;H04W72/53

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.01.25#实质审查的生效;2022.01.07#公开

摘要：本发明属于电力物联网终端服务技术领域，特别涉及一种空地一体化电力物联网云边端协同方法，包括三个步骤，分别为构建系统模型、问题建模和转化、基于联邦深度强化学习的多层多尺度多维资源分配算法，系统模型包括接入控制模型、任务卸载模型、数据计算模型、能耗模型、排队时延模型，基于联邦深度强化学习的多层多尺度多维资源分配算法中，包括任务卸载和功率控制的联合优化、接入控制、计算资源分配。

主权项：1.一种空地一体化电力物联网云边端协同方法，其特征在于具体步骤为：S1、构建系统模型基于云边端协作的空地一体化网络模型，网络包含I个电力物联网终端，集合表示为：考虑J+1个基站，包含一个宏小区基站MBS、M个微小区基站SBSs、J-M个无人机UAVs，集合表示为其中Sj,j＝0表示宏基站，Sj,j＝1,…,M表示微基站，Sj,j＝M+1,…,J表示无人机；1接入控制模型在第t个时隙，到达终端ui的任务量为Ait，满足Ait≤Ai,max，且大小随时间波动；考虑到终端的缓存区大小有限，采用终端侧接入控制已确定准入缓存区的数据部分；接入控制决策需要满足以下两个应用层约束ai,min≤ait≤Ait1 其中，ai,min表示最小接入数据量，即短期接入控制约束；θG∈0,1表示最小平均接入数据比例，即长期接入控制约束；存储在本地缓存区中的任务数据被建模为一个终端侧数据队列，队列积压为Qkt，其在第t+1个时隙时初的队列积压为Qit+1＝max{Qit-Uit,0}+ait3其中，Uit为吞吐量，表示ui在第t个时隙卸载到边缘服务器的任务数据量；2任务卸载模型定义可用性二进制指示变量表示在第g个时间段sj对ui是可用的，否则任务卸载优化分为两个阶段：1服务器选择，选择宏基站、微基站或无人机进行任务卸载；2计算模式选择，选择云计算或边缘计算进行数据处理；定义任务卸载指示变量表示ui选择进行任务卸载，否则表示ui在第g个时间段选择边缘计算，表示ui在第g个时间段选择云计算；考虑不同终端选择同一基站进行数据传输时采用相互正交的信道，而微基站和无sj人机之间复用相同的频谱以提高频谱效率；因此，本发明只考虑了微基站和无人机之间的小区干扰；传输模型如下①终端-宏基站传输模型：当时，终端ui与s0之间的传输速率可表示为 其中，Bi,0t、Pit和hi,0t分别为带宽、传输功率和信道增益；ri,0g是ui与s0之间的水平距离；δ2和α分别为电磁干扰功率、噪声功率和路径损耗指数；本发明考虑将传输功率划分为个N离散的等级，即其中Pi,min和Pi,max分别为ui的最大和最小传输功率；②终端-微基站传输模型：当时，终端ui与sj之间的传输速率可表示为 其中，Bi,jt和hi,jt分别为带宽和信道增益；ri,jg是ui与sj之间的水平距离；和Ii,jt分别为sj的电磁干扰功率和来自其它微基站和无人机的小区间干扰；③终端-无人机传输模型：当时，终端ui与sj之间的路径损失可表示为 其中，di,jg表示ui与sj之间的垂直距离；和分别为自由空间视线路径损失和非视线路径损失之上产生的附加损失；fc和c分别为载波频率和光速；终端-无人机链路的视线概率表示为 其中b1，b2，和的值由地形传输环境决定；因此，ui与sj之间的传输速率可以表示为 基于4,5和8，吞吐量Uit可表示为 3数据计算模型边缘服务器和云服务器分别有一个缓存队列来存储由ui卸载的数据；队列积压和分别表示为 其中，和分别表示由和sj云服务器处理的数据量；和可表示为 其中和fict分别为由sj和云服务器分配的CPU周期频率；λi是ui数据的计算密度，即处理1比特数据需要的CPU周期数；4能耗模型在第t个时隙终端ui用于数据传输的能耗为 考虑到电力物联网终端有限的电池容量，本发明施加一个长期能量约束为 其中，Ei,max为ui的能量预算；5排队时延模型端到端时延包括数据传输排队时延和数据处理排队时延值得注意的是，取决于边缘服务器和云服务器上的最大排队时延；基于利特尔定律，排队时延与平均队列长度和平均数据到达速率的比值成正比；因此，数据传输、边缘服务器和云服务器的排队时延可表示为 其中和分别为通过有线回程链路和无线回程链路将数据转发到云服务器的时延；和分别为Qit、和的时间平均数据到达速率，表示为 因此，数据处理的排队时延可表示为 S2、问题建模和转化1问题建模：在能耗和数据接入长期约束下，通过联合优化接入控制、任务卸载、功率控制和计算资源分配以最小化所有终端的总排队时延，优化问题可表示为：P1: 为大时间尺度任务卸载决策向量；和分别为小时间尺度接入控制、功率控制、边缘服务器和云服务器计算资源分配决策向量；C1和C2表示在每个时间段每个终端只能选择一个基站和一种计算模式；C3为短期数据接入约束；C4和C5为计算资源分配约束，其中和分别为sj和云服务器的最大可用CPU周期频率；C6为传输功率约束；C7和C8分别为能耗和数据接入长期约束；2问题转化：利用李雅普诺夫优化对问题P1进行解耦，将P1转化为：P2:s.t.C1～C6,C9:Nit和Yit平均速率稳定；其中，为单时隙能量预算；S3、基于联邦深度强化学习的多层多尺度多维资源分配算法基于联邦深度强化学习的多层多尺度多维资源分配算法来求解P2；包含三个阶段，第一阶段：每个终端通过求解SP1学习大尺度任务卸载和小尺度功率控制；第二阶段：每个终端通过求解SP2获得接入控制决策；第三阶段：基于大尺度任务卸载决策，每个边缘服务器和云服务器通过求解SP3获得资源分配策略。

全文数据：

权利要求：

百度查询： 华北电力大学;中国电力科学研究院有限公司;国网天津市电力公司 一种空地一体化电力物联网云边端协同方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD