CN107613510A - 基于QoS的智能电力通信业务差分调度机制优化方法 - Google Patents
基于QoS的智能电力通信业务差分调度机制优化方法 Download PDFInfo
- Publication number
- CN107613510A CN107613510A CN201710835184.7A CN201710835184A CN107613510A CN 107613510 A CN107613510 A CN 107613510A CN 201710835184 A CN201710835184 A CN 201710835184A CN 107613510 A CN107613510 A CN 107613510A
- Authority
- CN
- China
- Prior art keywords
- dispatching cycle
- priority
- qos
- electric power
- scheduling mechanism
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明公开一种基于QoS的智能电力通信业务差分调度机制优化方法,根据智能配用电通信网络差异化的业务需求,对SU划分优先级,并在静态划分优先级的基础上,设计优先级动态调整方案以适应突发状况;通过引入神经网络以优化传输机制,从而使系统平均时延最小,保障高优先级次要用户的低传输时延。同时将紧急数据的传输时延也限制在了很低的范围内,保障了各类智能电力通信业务的QoS要求。
Description
技术领域
本发明涉及智能电力通信领域,更具体地,涉及一种基于QoS的智能电力通信业务差分调度机制优化方法。
背景技术
智能电网作为下一代电网,有着可再生、智能控制、高效率以及高可靠性的优势。大量的控制命令、监控数据和智能电表读取的计价信息都需要通过智能电网通信网络来进行传输。由于覆盖范围大、覆盖节点多,无线通信可以作为智能电网通信网络的第一选择。然而,免费的ISM(Industrial Scientific and Medical)频带的频带利用率很低,为此需要购买新的授权频段以保证智能电网的业务需求。但是,增加授权频段不但会增加电网的负担,而且会导致其他授权频段使用率下降。为此,在智能电网中引入了认知无线电(Cognitive Radio,CR),能够允许低优先级的次要用户(Secondary User,SU)临时地接入并使用暂时未被高优先级的主要用户(Primary User,PU)占用的频段,从而有效地提高电网的频带利用率,保证大规模的数据传输需求。
智能电网中不同的业务有不同的QoS需求,例如,变电站将高压电转化为低压电并将其分发到附近的配电网,需要较高的QoS保证,因此应该优先使用授权频段来传输数据;而读表业务不需要实时地进行数据传输,则其QoS要求较低。然而,家用智能电表除了读表业务,还可以提供检测和报告故障的业务。如果有紧急情况,例如当设备损坏时,则应该适当地提高其业务的优先级来以保障故障信息可以及时地上报,从而保证电网的QoS。因此,深入研究基于QoS的智能电力通信业务差分调度机制是必要的。
为了解现有技术的发展状况,对已有的论文和专利进行了检索、比较和分析,筛选出如下与本发明相关度比较高的技术信息:
技术方案1:专利号为CN105843194A的《智能电力调度控制系统》专利,涉及一种智能电力调度控制系统方法,该智能电力调度控制系统,包括用于采集厂站安全一区区域设备数据的安全一区采集机、信息管理大区采集机、用于采集厂站安全二区区域设备数据的安全二区采集机、网络管控系统;所述网络管控系统的主机端和其他网络管控系统的主机端形成主机端群安装在柜体里,结合其方法避免了现有技术中信息帧的上传或下载期间频繁出现帧遗漏现象、柜体内热量会在部分地区急剧增多的缺陷。
技术方案2:专利号为CN104393678A的《一种智能电力调度操作票系统》专利,涉及一种操作票系统,用于自动生成电力系统操作票,便于电网调度人员能够及时准确地跟踪和查询票面信息内容,避免或缓解故障问题的发生,包括手持设备、至少一个电力调度子设备、显示设备、加密机以及至少一个仪表。主要通过两步完成:第一,一种智能电力调度操作票系统,利用与电力调度子设备共享的密钥解码的加密TOKEN,根据其自身的时钟来将其设备信息增加至所述加密TOKEN中;第二,通过带外通信网络将此加密TOKEN码发送至所述电网定位服务器,接收此新定位标签,向所述新定位标签所处新的安全定位范围内的电力调度子设备发送操作票面信息指令。
技术方案3:专利号为CN105867230A的《一种低空高速通信调度系统平台》专利,涉及通信技术领域,包括:无人机控制装置、车载控制装置、监控装置和无线通信装置;所述无人机控制装置和所述车载控制装置均通过所述无线通信装置与所述监控装置连接,所述无人机控制装置用于采集无人机飞行的位置信息、时间信息和无人机飞行工作时的视频信息,所述车载控制装置用于采集作业车辆的位置信息、时间信息和作业车辆工作时的视频信息。
综上所述,技术方案1提供一种智能电力调度控制系统,包括用于采集厂站安全一区区域设备数据的安全一区采集机、信息管理大区采集机、用于采集厂站安全二区区域设备数据的安全二区采集机、网络管控系统;安全一区采集机通过实时虚拟专用网采集厂站安全一区区域设备数据,安全二区采集及通过非实时虚拟专用网采集厂站安全二区区域设备数据,安全一区采集机和安全二区采集机将采集到的数据通过正向隔离装置传送至管理信息大区采集机。避免了现有技术中信息帧的上传或下载期间频繁出现帧遗漏现象、柜体内热量会在部分地区急剧增多的缺陷。该发明是基于硬件层面的技术研究,并不适用于智能电力通信业务。技术方案2提出一种电网电力系统的操作票生成和自动传递技术,旨在解决前述缺陷,以自动生成电力系统操作票,便于电网调度人员能够及时准确地跟踪和查询票面信息内容,避免或缓解问题的发生。通过带内通信网络接收来自电网电力系统中电力调度主站的操作票面信息指令,以修改其中的至少一个票面操作内容,其中所述电力调度主站通过从电网定位服务器中获取并布置一个定位标签来产生一个事件,用于确定此修改动作是被预设于一个安全的定位范围内从而允许修改操作票面内容中的参数值;但其算法复杂,带来大量的资源开销,并且计算时间较长。技术方案3以一种低空高速通信调度系统平台实现了监控装置对无人机和作业车辆的动态信息进行实时监控,集成化程度高。但是该发明并不涉及具体的算法,不适用于智能电力通信业务。
发明内容
通过研究发现,将认知无线电运用到了智能电力通信网中,可以改善智能电力通信网中数据包的传输时延,但是缺乏对智能电网不同业务的差异化QoS需求的考虑。本发明针对智能配用电通信网中频谱利用率低的问题,提供一种基于QoS的智能电力通信业务差分调度机制优化方法。首先,根据SU在智能电网中不同的功能和QoS需求,将其分为不同的优先级,并且设计了SU优先级的动态调整机制,使得SU用户在特殊情况下可以获得更好的QoS服务。然后,本发明在算法设计过程中引入了神经网络,通过优化调度机制,实现整个系统平均传输时延最小化。仿真结果表明,本发明提出的优先级调度机制保证了高优先级SU可以保持低的传输时延,并满足了各类智能电力通信业务的QoS要求。
为解决上述技术问题,本发明的技术方案如下:
智能电网中的认知无线网络模型中,认知网关负责电力数据的接收和转发,由接入点和频谱管理器组成;频谱管理器负责分配信道资源,能源消耗信息由家用电表或电动汽车充电站提供,电网的其他信息和可以由变电站,可再生电能,检测器或监视器提供。
本发明讨论SU在认知信道中的传输问题,调度器分配认知信道给SU。SU在认知信道中传输数据,属于未授权用户。一旦授权用户出现,调度程序将从SU撤消相应的信道,导致SU的传输时延。在智能电网通信网络中,大多数节点是静态,因此SU和接入点之间的无线链路是静态的,并且调度过程中的传输速率是稳定不变的。SU产生的数据包将按照先进先出规则堆叠在缓冲器中等待传输调度。
一种基于QoS的智能电力通信业务差分调度机制优化方法,包括以下步骤:
S1:采用静态划分和动态调整相结合的方式划分SU优先级;
S2:计算k调度周期的系统状态x(k);
S3:调度器根据系统状态x(k)和近似系统成本做出决策u(k);
S4:计算本调度周期时延值U(k)和k+1调度周期的系统状态x(k+1);
S5:将第k调度周期的系统状态x(k)和第k+1调度周期的系统状态x(k+1)分别输入有相同参数的神经网络,输出分别是近似系统成本和经过神经网络训练使如下的误差函数最小:
其中,Wc是神经网络的权重参数,当调度周期k的Ec(k)=0时,可得:
上述结果和最优传输调度机制计算得出的最小系统成本相同;
S6:将误差Ec(k)反向输入神经网络,用于更新神经网络的权重参数,设计一种基于梯度的权重调节方法,神经网络的权重更新函数如下所示:
Wc(k+1)=Wc(k)+ΔWc(k) (16)
其中,Wc包括Wc1和Wc2,Wc1表示输入层和隐含层之间的权重矩阵,Wc2表示隐含层和输出层之间权重矩阵,分别表示如下:
ΔWc2=-ecch2T (18)
其中,ch1和ch2是隐含层的输入和输出矩阵,通过上述公式更新权重参数,神经网络的输出将接近最优传输调度机制计算得出的最小系统成本。
在一种优选的方案中,步骤S1中的SU优先级类别具体划分如下:SU1,AMI业务、SU2,多媒体监控业务、SU3,SCADA业务以及SU4,读表业务。
在一种优选的方案中,步骤S3中决策u(k)的定义如下:
u(k)=(um(k)|m=1,2,...M) (19)
um(k)表示在调度周期k,调度器给SU分配信道的情况,um(k)=n表示调度器在调度周期k分配了信道n给SU;um(k)=0表示在调度周期kSU没有被分配信道;用U来表示决策空间,其子集U[x(k)]包含了系统状态x(k)下的所有可能决策;
调度器的行为可由如下公式描述:
根据公式(7)计算本调度周期时延值U[x(k),u(k)],即U(k);
在一种优选的方案中,步骤S4中当SU的到达速率较高而空闲信道有限的情况下,低优先级的SU的传输将被阻塞,被阻塞的SU重新回到缓存队列进行排队,根据优先级动态调整规则,重新确定SU的优先级;根据步骤S3做出的决策以及下一调度周期由PU的到来而改变的信道状态,得出k+1调度周期的系统状态x(k+1)。
在一种优选的方案中,步骤S5和S6中最小系统成本:
效用函数描述了每个调度周期的传输时延,整个调度过程中的传输时延称之为系统成本(即系统时延成本),也就是系统平均时延,其公式如下所示:
算法设计的目标是寻找最优机制μ*从而最小化系统成本,最小系统成本用J*表示;
根据公式(9)可以得到调度周期k的最优系统时延J*[x(k)]如下:
如果有计算下个调度周期最优时延J*[x(k+1)]的方法,最优传输调度机制可由如下得到:
u*(k)=argmin(U[x(k),u(k)]+J*[x(k+1)]) (23)
令U(k)=U[x(k),u(k)],J(k)=J[x(k)],将系统成本的计算公式重新表示如下:
与现有技术相比,本发明技术方案的有益效果是:一种基于QoS的智能电力通信业务差分调度机制优化方法,根据智能配用电通信网络差异化的业务需求,对SU划分优先级,并在静态划分优先级的基础上,设计优先级动态调整方案以适应突发状况;通过引入神经网络以优化传输机制,从而使系统平均时延最小,保障高优先级次要用户的低传输时延。同时将紧急数据的传输时延也限制在了很低的范围内,保障了各类智能电力通信业务的QoS要求。
附图说明
图1为本发明实施例1的智能电网认知无线网络模型图。
图2为本发明实施例1的算法流程图。
图3为本发明实施例2的SU1数据包的平均延时图。
图4为本发明实施例2的SU2数据包的平均延时图。
图5为本发明实施例2的SU3数据包的平均延时图。
图6为本发明实施例2的SU紧急数据包的平均延时图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
智能电网认知无线网络中承载的业务包括远程电力系统监控,电力故障检测和诊断,数据监控和采集,需求响应和动态计价,负载控制和能源管理等。如图1所示,认知网关负责电力数据的接收和转发,由接入点和频谱管理器组成;频谱管理器负责分配信道资源,能源消耗信息由家用电表或电动汽车充电站提供,电网的其他信息和可以由变电站,可再生电能,检测器或监视器提供。
本实施例讨论了SU在认知信道中的传输问题,调度器分配认知信道给SU。SU在认知信道中传输数据,属于未授权用户。一旦授权用户出现,调度程序将从SU撤消相应的信道,导致SU的传输时延。在智能电网通信网络中,大多数节点是静态,因此SU和接入点之间的无线链路是静态的,并且调度过程中的传输速率是稳定不变的。SU产生的数据包将按照先进先出规则堆叠在缓冲器中等待传输调度。
在传输调度过程中,调度器根据整个通信网络的状态,包括信道可用性和SU的优先级,做出决策,给SU分配信道并使整个系统的传输时延达到最小。本发明抽象出了此传输调度问题的系统模型,其组成部分如下:
调度周期:定义每个调度周期的传输持续时间为Δτ。调度器在每个调度周期的开始做出信道分配的决策,PU和SU在每个调度周期的开始到来,结束服务后在每个调度周期末尾离开。
系统状态:当前系统状态包括信道可用性和SU的优先级。用Vn(k)表示信道n在调度周期k的可用性,n=1,2,...,N,Vn(k)=0表示信道n在调度周期k被PU占用,不能被SU访问;Vn(k)=1表示信道n在调度周期k对于SU是可用的。假设有M个SU机会性的访问N个信道,m=1,2,...,M,用Pm(k)表示SU在调度周期k的优先级,Pm(k)越小表示优先级越高。称调度周期k开始时的系统状态为调度周期k的状态,由x(k)表示。
x(k)=(pm(k),vn(k))
x(k)的值在每个调度周期的持续时间中保持不变。所有可能状态的集合叫做状态空间,用X表示。
调度机制:机制是一系列的决策函数,π=[μ(1),μ(2),...,μ(k),...]。如果所有调度周期k都有μ(k)≡μ,那么决策函数不随调度周期改变而改变,调度机制是固定的。由于本发明只考虑固定机制,每个决策函数μ(k):X→U是一个从状态空间X到决策空间U的映射。调度周期k的决策也可以表示为u(k)≡μ[x(k)]。
效用函数:调度周期k的效用函数由系统状态x(k)和决策u(k)来确定,用U[x(k),u(k)]来表示。在智能电力通信网中,数据包的传输时延是评估QoS性能的一个重要指标,用数据包时延的加权和来表示效用函数:
τm(k)表示SU在调度周期k的传输时延,其计算方法如下:
当SU在调度周期k被阻塞或中断,它需要在队列中等待,而一个调度周期的传输时间为Δτ,因此传输时延τm(k)=Δτ。否则,SU可以在给定信道传输,此时,τm(k)=0。
当前智能电网通信网络的业务类型覆盖广泛,包括高级计量架构(AMI),远程电力系统监控,电力故障检测和诊断,数据监控和采集(Supervisory Control And DataAcquisition,SCADA),需求响应和动态计价,负载控制和能源管理等,这些业务有多样化的QoS需求。和其它通信网络相比,智能电网通信网络有更复杂的业务特性,不同业务的QoS需求差异更大,并且智能电网中一些控制和保护应用对时延和可靠性的要求更高。例如,分布式馈线自动化业务要求变电站和智能电子设备之间的低时延和高速率通信,以便及时检测和隔离故障;智能量测业务在电表和电力管理中心之间传输的业务信息则具有很高的时延容忍性。
针对智能电网通信系统的复杂特性,本发明采用差分服务模型以建立智能电网业务模型。首先PU作为主要用户,具有最高优先级。SU基于其在智能电网中的功能被分为不同类别,提供控制、保护、管理等重要信息的SU属于较高优先级类;承担抄表业务或者传输时延容忍数据的SU则属于较低等级。这意味着低级SU的数据传输总是落后于高级SU。根据智能电网中的具体业务和QoS需求,将SU的优先级类别具体划分,每个类别都包含了有相似QoS需求的一系列业务,优先级水平反应了访问信道的能力,优先级高的用户有优先访问空闲信道的特权。
针对智能电网的业务模型建立了5个优先级队列,优先级从高到低排序,分别是PU,SU1-SU4。SU产生的数据包首先进入缓冲队列进行排队,调度器优先给高优先级队列数据包分配信道。当PU或者高优先级SU到来之时,低优先级SU将随时被中断,中断SU返回到相应队列,等待分配信道。
引入目标时延的概念,它是指SU满足其QoS要求所需的时延。在同一个优先级中,根据SU所需的目标时延对其进行排序,目标时延小的SU将优先得到调度,目标时延相同的SU则按照先来先服务的顺序进行调度。用td表示SU的目标时延,tq表示排队时间,目标时延与排队时间的差值定义为松弛时间,用ts表示,即有
ts=td-tq
在每个SU节点,都有一个数据包的缓存队列。当所有可用信道都被PU或更高优先级的SU占用时,SU的数据包将会被阻塞,被阻塞的数据包重新进入缓存队列等待下次传输调度。目标时延一定的情况下,随着SU的排队时间增加,其松弛时间ts就越小,当ts下降到门限值时,要升高SU的优先级,以留出足够的时间来满足其QoS要求。松弛时间长的SU相比松弛时间短的可以在队列中停留更长的时间,这允许接近目标时延的SU经历较少的排队时间而被发送。定义τn为优先级n的松弛时间门限值,P为SU的优先级,取值为1,2,3,4,分别对应SU1-SU4,则有
在上面提出的优先级队列中应用以上调整方式可以减少因网络阻塞带来的数据包时延。然而,当有些紧急情况发生时,例如设备损坏或者设备定期硬件检查,SU在紧急情况信息传输时应该具有很高优先级,以保障智能电网的可靠性,例如,处于最低优先级的智能电表,当检测到其设备异常时,应该升高优先级以报告异常情况。
以上基于QoS的优先级模型能保证智能电网提供差别化的QoS。基于此优先级机制,调度器在每一个时间间隔调整分配机制,从而使SU的传输时延最小化。
基于QoS的差分调度算法以解决智能电网认知无线网络中的传输调度问题。通过应用该算法控制器在每个调度周期都做出最优的传输调度决策,并最终实现整个过程的最优。
然而由于状态空间巨大,系统时延成本的计算复杂,难以给出J*[x(k+1)]的精确值。如图2所示,基于神经网络设计面向时延的数据包调度优化机制(Delay-based PacketScheduling Optimization Mechanism,DPSOM),其步骤如下:
S1:采用静态划分和动态调整相结合的方式划分SU优先级;
S2:计算k调度周期的系统状态x(k);
S3:调度器根据系统状态x(k)和近似系统成本做出决策u(k);
S4:计算本调度周期时延值U(k)和k+1调度周期的系统状态x(k+1);
S5:将第k调度周期的系统状态x(k)和第k+1调度周期的系统状态x(k+1)分别输入有相同参数的神经网络,输出分别是近似系统成本和经过神经网络训练使如下的误差函数最小:
其中,Wc是神经网络的权重参数,当调度周期k的Ec(k)=0时,可得:
上述结果和最优传输调度机制计算得出的最小系统成本相同;
S6:将误差Ec(k)反向输入神经网络,用于更新神经网络的权重参数,设计一种基于梯度的权重调节方法,神经网络的权重更新函数如下所示:
Wc(k+1)=Wc(k)+ΔWc(k) (28)
其中,Wc包括Wc1和Wc2,Wc1表示输入层和隐含层之间的权重矩阵,Wc2表示隐含层和输出层之间权重矩阵,分别表示如下:
ΔWc2=-ecch2T (30)
其中,ch1和ch2是隐含层的输入和输出矩阵,通过上述公式更新权重参数,神经网络的输出将接近最优传输调度机制计算得出的最小系统成本。
在具体实施过程中,步骤S1中的SU优先级类别具体划分如下:SU1,AMI业务、SU2,多媒体监控业务、SU3,SCADA业务以及SU4,读表业务。
在具体实施过程中,步骤S3中决策u(k)的定义如下:
u(k)=(um(k)|m=1,2,...M) (31)
um(k)表示在调度周期k,调度器给SU分配信道的情况,um(k)=n表示调度器在调度周期k分配了信道n给SU;um(k)=0表示在调度周期kSU没有被分配信道;用U来表示决策空间,其子集U[x(k)]包含了系统状态x(k)下的所有可能决策;
调度器的行为可由如下公式描述:
根据公式(7)计算本调度周期时延值U[x(k),u(k)],即U(k);
在具体实施过程中,步骤S4中当SU的到达速率较高而空闲信道有限的情况下,低优先级的SU的传输将被阻塞,被阻塞的SU重新回到缓存队列进行排队,根据优先级动态调整规则,重新确定SU的优先级;根据步骤S3做出的决策以及下一调度周期由PU的到来而改变的信道状态,得出k+1调度周期的系统状态x(k+1)。
在具体实施过程中,步骤S5和S6中最小系统成本:
效用函数描述了每个调度周期的传输时延,整个调度过程中的传输时延称之为系统成本(即系统时延成本),也就是系统平均时延,其公式如下所示:
算法设计的目标是寻找最优机制μ*从而最小化系统成本,最小系统成本用J*表示;
根据公式(9)可以得到调度周期k的最优系统时延J*[x(k)]如下:
如果有计算下个调度周期最优时延J*[x(k+1)]的方法,最优传输调度机制可由如下得到:
u*(k)=argmin(U[x(k),u(k)]+J*[x(k+1)]) (35)
令U(k)=U[x(k),u(k)],J(k)=J[x(k)],将系统成本的计算公式重新表示如下:
在基于优先级的传输调度问题中采用以上算法,能估计出系统平均时延,并通过神经网络训练,使其达到最小,在此过程中,数据包的传输调度机制得到优化。
实施例2
本实施例设置了4个有特定频带范围的正交信道,这些信道由网络中的许可PU共享,PU的个数N=4,并且有M=8个SU机会性访问许可信道。SU一共有四类,每个种类分别有两个用户。
整个传输调度过程包括1000个调度周期,每个调度周期的持续时间Δτ为1。PU的到达是一个泊松过程,到达速率是λPU,PU每次占用信道的时间间隔是10Δτ,PU的活动是已知的并且被记录在了频谱数据库里。通过访问数据库,当信道没有被PU占用时,调度程序可以给SU分配信道。SU的到达也是一个泊松过程,到达速率是λSU。
以上建立的仿真有4个信道和8个SU,系统状态x有4+8=12个部分,选择12-13-1的结构作为神经网络的模型,包含12个输入神经元,13个隐藏层神经元和1个输出神经元。隐含层和输出层都使用sigmoidal函数,即
神经网络的权重参数按照高斯函数随机初始化,然后运用基于梯度的权重更新方法以使系统延时达到最小。
本发明提出的QoS差分传输调度机制的性能可以通过数据包的传输时延来体现。计算出整个过程的传输时延和每类SU数据包的数量总和,从而得到整个过程的时延和吞吐量;将整体时延除以吞吐量,可得出每个数据包的平均时延。仿真采用三种数据包调度机制,分别是动态优先级调度机制(Dynamic Delay-based Packet SchedulingOptimization Mechanism,D-DPSOM)、静态优先级调度机制(Fixed Dynamic Delay-basedPacket Scheduling Optimization Mechanism,F-DPSOM)和随机调度策略(RandomScheduling Strategy,RSS),并对比三种机制下数据包的平均传输时延。在运行了100次仿真试验后,得到的仿真结果如下。
在第一个场景中,采用F-DPSOM和RSS作为对比方案,通过改变SU1-SU3的到达速率,对三个优先级数据包的平均传输时延参数进行仿真实验分析。
如图3所示,PU的到达速率λPU保持不变,改变SU1的到达速率,可以发现使用优先级调度机制与未使用优先级调度机制相比,数据业务繁重时,SU1依然能保持低的传输时延,保证了高优先级SU的QoS。图4和图5分别显示了使用动态优先级机制后,SU2和SU3时延特性的改善,说明了本发明提出的优先级调度机制能降低高优先级SU的传输时延,保障高优先级业务的QoS。
在第二个场景中,令SU以10%的概率产生紧急数据包。从图6可以看出,本发明提出的动态优先级调度机制能显著减小紧急分组的传输时延。但是,当优先级为静态时,紧急数据包的传输时延和未使用优先级调度机制的时延几乎无差别,这说明,仅仅通过静态划分优先级,不能保障智能电网的QoS。综上所述,通过优先级的动态调整,SU在有紧急数据包待传时,其优先级被提高,从而使得调度器优先为其分配可用信道资源,以降低其传输时延。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种基于QoS的智能电力通信业务差分调度机制优化方法,其特征在于,包括以下步骤:
S1:采用静态划分和动态调整相结合的方式划分SU优先级;
S2:计算k调度周期的系统状态x(k);
S3:调度器根据系统状态x(k)和近似系统成本做出决策u(k);
S4:计算本调度周期时延值U(k)和k+1调度周期的系统状态x(k+1);
S5:将第k调度周期的系统状态x(k)和第k+1调度周期的系统状态x(k+1)分别输入有相同参数的神经网络,输出分别是近似系统成本和经过神经网络训练使如下的误差函数最小:
其中,Wc是神经网络的权重参数,当调度周期k的Ec(k)=0时,可得:
上述结果和最优传输调度机制计算得出的最小系统成本相同;
S6:将误差Ec(k)反向输入神经网络,用于更新神经网络的权重参数,设计一种基于梯度的权重调节方法,神经网络的权重更新函数如下所示:
Wc(k+1)=Wc(k)+ΔWc(k) (4)
其中,Wc包括Wc1和Wc2,Wc1表示输入层和隐含层之间的权重矩阵,Wc2表示隐含层和输出层之间权重矩阵,分别表示如下:
ΔWc2=-ecch2T (6)
其中,ch1和ch2是隐含层的输入和输出矩阵,通过上述公式更新权重参数,神经网络的输出将接近最优传输调度机制计算得出的最小系统成本。
2.根据权利要求1所述的基于QoS的智能电力通信业务差分调度机制优化方法,其特征在于,步骤S1中的SU优先级类别具体划分如下:SU1,AMI业务、SU2,多媒体监控业务、SU3,SCADA业务以及SU4,读表业务。
3.根据权利要求1所述的基于QoS的智能电力通信业务差分调度机制优化方法,其特征在于,步骤S3中决策u(k)的定义如下:
u(k)=(um(k)|m=1,2,...M) (7)
um(k)表示在调度周期k,调度器给SU分配信道的情况,um(k)=n表示调度器在调度周期k分配了信道n给SU;um(k)=0表示在调度周期k SU没有被分配信道;用U来表示决策空间,其子集U[x(k)]包含了系统状态x(k)下的所有可能决策;
调度器的行为可由如下公式描述:
根据公式(7)计算本调度周期时延值U[x(k),u(k)],即U(k)。
4.根据权利要求1所述的基于QoS的智能电力通信业务差分调度机制优化方法,其特征在于,步骤S4中当SU的到达速率较高而空闲信道有限的情况下,低优先级的SU的传输将被阻塞,被阻塞的SU重新回到缓存队列进行排队,根据优先级动态调整规则,重新确定SU的优先级;根据步骤S3做出的决策以及下一调度周期由PU的到来而改变的信道状态,得出k+1调度周期的系统状态x(k+1)。
5.根据权利要求1所述的基于QoS的智能电力通信业务差分调度机制优化方法,其特征在于,步骤S5和S6中最小系统成本:
效用函数描述了每个调度周期的传输时延,整个调度过程中的传输时延称之为系统成本(即系统时延成本),也就是系统平均时延,其公式如下所示:
算法设计的目标是寻找最优机制μ*从而最小化系统成本,最小系统成本用J*表示;
根据公式(9)可以得到调度周期k的最优系统时延J*[x(k)]如下:
如果有计算下个调度周期最优时延J*[x(k+1)]的方法,最优传输调度机制可由如下得到:
u*(k)=argmin(U[x(k),u(k)]+J*[x(k+1)]) (11)
令U(k)=U[x(k),u(k)],J(k)=J[x(k)],将系统成本的计算公式重新表示如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710835184.7A CN107613510A (zh) | 2017-09-15 | 2017-09-15 | 基于QoS的智能电力通信业务差分调度机制优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710835184.7A CN107613510A (zh) | 2017-09-15 | 2017-09-15 | 基于QoS的智能电力通信业务差分调度机制优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107613510A true CN107613510A (zh) | 2018-01-19 |
Family
ID=61060475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710835184.7A Pending CN107613510A (zh) | 2017-09-15 | 2017-09-15 | 基于QoS的智能电力通信业务差分调度机制优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107613510A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111314243A (zh) * | 2020-01-21 | 2020-06-19 | 北京工业大学 | 一种支持复杂业务数据传输的LoRa网络QoS调度管理方法 |
CN112367152A (zh) * | 2020-10-29 | 2021-02-12 | 国网甘肃省电力公司信息通信公司 | 一种基于业务优先级的电力无线专网资源分配方法 |
CN112996116A (zh) * | 2021-01-28 | 2021-06-18 | 国网冀北电力有限公司 | 一种保障电力时延敏感业务质量的资源分配方法及系统 |
CN113438116A (zh) * | 2021-07-01 | 2021-09-24 | 国网山东省电力公司博兴县供电公司 | 一种电力通讯数据管理系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104954210A (zh) * | 2015-06-19 | 2015-09-30 | 重庆邮电大学 | 配电通信网中的不同业务类型与无线通信方式的匹配方法 |
CN106993298A (zh) * | 2016-12-20 | 2017-07-28 | 广东电网有限责任公司电力调度控制中心 | 一种基于QoS的智能电力通信业务差分调度方法 |
-
2017
- 2017-09-15 CN CN201710835184.7A patent/CN107613510A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104954210A (zh) * | 2015-06-19 | 2015-09-30 | 重庆邮电大学 | 配电通信网中的不同业务类型与无线通信方式的匹配方法 |
CN106993298A (zh) * | 2016-12-20 | 2017-07-28 | 广东电网有限责任公司电力调度控制中心 | 一种基于QoS的智能电力通信业务差分调度方法 |
Non-Patent Citations (1)
Title |
---|
RONG YU: "《QoS Differential Scheduling in Cognitive-Radio-Based Smart Grid Networks:An Adaptive Dynamic Programming Approach》", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111314243A (zh) * | 2020-01-21 | 2020-06-19 | 北京工业大学 | 一种支持复杂业务数据传输的LoRa网络QoS调度管理方法 |
CN111314243B (zh) * | 2020-01-21 | 2022-04-15 | 北京工业大学 | 一种支持复杂业务数据传输的LoRa网络QoS调度管理方法 |
CN112367152A (zh) * | 2020-10-29 | 2021-02-12 | 国网甘肃省电力公司信息通信公司 | 一种基于业务优先级的电力无线专网资源分配方法 |
CN112996116A (zh) * | 2021-01-28 | 2021-06-18 | 国网冀北电力有限公司 | 一种保障电力时延敏感业务质量的资源分配方法及系统 |
CN112996116B (zh) * | 2021-01-28 | 2023-01-24 | 国网冀北电力有限公司 | 一种保障电力时延敏感业务质量的资源分配方法及系统 |
CN113438116A (zh) * | 2021-07-01 | 2021-09-24 | 国网山东省电力公司博兴县供电公司 | 一种电力通讯数据管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Joint admission control and resource allocation in edge computing for internet of things | |
Zhou et al. | Software defined machine-to-machine communication for smart energy management | |
Chen et al. | Energy and information management of electric vehicular network: A survey | |
CN107682135A (zh) | 一种基于noma的网络切片自适应虚拟资源分配方法 | |
Stojmenovic | Fog computing: A cloud to the ground support for smart things and machine-to-machine networks | |
Wang et al. | Multimedia communications over cognitive radio networks for smart grid applications | |
CN107613510A (zh) | 基于QoS的智能电力通信业务差分调度机制优化方法 | |
CN111182076B (zh) | 云边协同的智能电网监测系统及其资源分配和调度方法 | |
CN106534333A (zh) | 一种基于mec和mcc的双向选择计算卸载方法 | |
CN111212106B (zh) | 一种工业互联网环境中边缘计算任务处理与调度方法及装置 | |
CN110381541A (zh) | 一种基于强化学习的智能电网切片分配方法及装置 | |
CN104219167B (zh) | 网络资源调度方法和服务器 | |
CN106993298A (zh) | 一种基于QoS的智能电力通信业务差分调度方法 | |
CN111884829A (zh) | 最大化多无人机架构收益的方法 | |
CN112637806A (zh) | 基于深度强化学习的变电站监测系统及其资源调度方法 | |
Mi et al. | Software-defined green 5G system for big data | |
Chen et al. | Two-tier energy compensation framework based on mobile vehicular electric storage | |
Pan et al. | Edge-cloud computing application, architecture, and challenges in ubiquitous power Internet of Things demand response | |
CN113078675A (zh) | 配电台区分布式可调资源群集自组织通信方法及装置 | |
Wu et al. | Deep reinforcement learning for scheduling in an edge computing-based industrial internet of things | |
Huang | Quality of service optimization in wireless transmission of industrial Internet of Things for intelligent manufacturing | |
Sultana et al. | Wireless sensor network based smart grid supported by a cognitively driven load management decision making | |
Muhammad et al. | Deep-reinforcement-learning-based sustainable energy distribution for wireless communication | |
Said | A bandwidth control scheme for reducing the negative impact of bottlenecks in IoT environments: Simulation and performance evaluation | |
CN116599028A (zh) | 基于多源数据融合的台区边缘自治及协同控制方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180119 |