CN111524034A - 高可靠低时延低能耗的电力巡检系统及巡检方法 - Google Patents

高可靠低时延低能耗的电力巡检系统及巡检方法 Download PDF

Info

Publication number
CN111524034A
CN111524034A CN202010395432.2A CN202010395432A CN111524034A CN 111524034 A CN111524034 A CN 111524034A CN 202010395432 A CN202010395432 A CN 202010395432A CN 111524034 A CN111524034 A CN 111524034A
Authority
CN
China
Prior art keywords
base station
task
model
local
inspection robot
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.)
Granted
Application number
CN202010395432.2A
Other languages
English (en)
Other versions
CN111524034B (zh
Inventor
周振宇
贾泽晗
王曌
赵雄文
汪中原
张磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN202010395432.2A priority Critical patent/CN111524034B/zh
Publication of CN111524034A publication Critical patent/CN111524034A/zh
Application granted granted Critical
Publication of CN111524034B publication Critical patent/CN111524034B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Water Supply & Treatment (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种高可靠低时延低能耗的电力巡检系统及巡检方法，其中所述巡检系统包括基站、边缘服务器及智能巡检机器人，所述智能巡检机器人通过任务卸载决策模型对其产生的任务进行分配。所述任务卸载决策模型基于其本地侧模型、基站侧模型、本地侧对基站侧的模拟模型、超可靠低延迟通信约束及最小化长期总能耗中的一项或多项做出。本发明可显著提升电力巡检的效率和巡检质量，降低时延，提高网络服务的可靠性，提高网络的能量利用效率。

Description

高可靠低时延低能耗的电力巡检系统及巡检方法
技术领域
本发明涉及电力物联网的技术领域。
背景技术
在电力物联网中，需要大量的机器设备来实现数据的自动采集和处理。电力巡检是电网中的一项重要工作，可以保障电力系统的安全运行，在一些现有技术中，这种工作大部分可以由电力巡检机器人完成。相对于人工，电力巡检机器人可明显提升巡检效率和巡检质量。但繁重而复杂的巡检工作会使巡检机器人产生大量的数据任务，同时这些任务必须得到实时的处理才能保证电网的稳定运行，而巡检机器人的处理能力是有限的，因此仅依靠本地执行是不能保证可靠的服务供应的，并且会缩短机器人的工作时长。
部分现有技术希望通过边缘计算的方式改进上述问题。在该方式中，巡检机器人将密集的计算任务卸载到附近具有强大计算能力的边缘服务器上，使边缘服务器为附近的巡检机器人提供计算服务，由此有效地降低了网络延迟，增强了电网服务的可靠性并延长了机器人的工作时长，成为了解决上述问题的一个有前途的方案。但该方式在实际应用中面临诸多挑战，如：
(1)由于缺乏信道增益、边缘服务器最大处理能力等信息，电力巡检机器人需要在信息不完全的状态下完成任务卸载；
(2)考虑到电网的安全稳定运行，电力巡检机器人采集到的数据信息往往需要实时处理，对时延要求很高；
(3)在实际的电网场景中，通常需要多个电力巡检机器人同时完成设备的巡检工作，因此会出现多个巡检机器人进行资源竞争的情况，即多个巡检机器人将任务卸载到同一边缘服务器的情况，其会导致计算资源分配不优。
发明内容
本发明的目的在于提供一种高可靠低时延低能耗的电力巡检系统，其可显著提升电力巡检的效率和巡检质量，同时其可降低时延、提高网络服务的可靠性，最小化网络中全部巡检机器人的长期总能耗，提高网络的能量利用效率。
本发明首先提供了如下的技术方案：
高可靠低时延低能耗的电力巡检系统，其包括基站、每个基站至少配置一个边缘服务器、可移动的智能巡检机器人，所述智能巡检机器人具有可实现任务卸载决策及本地任务处理的计算能力。
在一些具体实施方式中，所述智能巡检机器人的数量不少于基站数量。
其数量上限可根据实际情况进行选择，以可在巡检机器人的工作时间内(电池耗尽前)对变电站至少完成一次全面巡检至所述巡检机器人不能占据变电站全部可用空间为基准。
本发明进一步提供了通过上述系统进行电力巡检的方法，其包括：
由所述智能巡检机器人产生巡检计算任务；
由所述智能巡检机器人通过任务卸载决策模型对所述任务进行分配；
由所述智能巡检机器人和/或被分配到任务的基站对任务进行处理；
由所述智能巡检机器人产生处理结果和/或接收被分配到任务的基站的关于处理结果的反馈。
上述方案中所述巡检计算任务，可以是巡检机器人基于已设定的巡检任务，需要对其在巡检过程中采集到的数据和/或画面等进行进一步分析处理而产生的。
在一些具体实施方式中，所述任务卸载决策模型为优化后的任务卸载决策模型。
在一些具体实施方式中，被分配到任务的基站对任务进行的处理通过其配置的边缘服务器完成。
即，在本发明的上述方案或下述方案中，凡是需要通过基站进行计算的部分都可以视为其通过基站配置的边缘服务器进行。
在一些具体实施方式中，所述任务卸载决策模型基于所述智能巡检机器人的本地侧模型、基站侧模型、本地侧对基站侧的模拟模型、超可靠低延迟通信约束及最小化长期总能耗中的一项或多项做出。
如，所述任务卸载决策模型可基于超可靠低延迟通信约束做出，在该约束下，再选择与其适配的其它常规或非常规模型。
或，所述任务卸载决策模型可基于超可靠低延迟通信约束及最小化长期总能耗做出，在该约束及优化限定下，再选择适配的其它常规或非常规模型。
或，所述任务卸载决策模型可同时基于所述本地侧模型、基站侧模型、本地侧对基站侧的模拟模型、超可靠低延迟通信约束及最小化长期总能耗共同做出。
诸如此类。
其中，所述超可靠低延迟可沿用5G通信中关于超可靠低延迟(URLLC)的定义。
所述长期可采用本领域技术人员公知的超过一般时间长度的周期，或至数学表达式中为了统计使用的+∞。
所述总能耗包括系统中全部智能巡检机器人的数据处理能耗及传输能耗。
在一些具体实施方式中，所述本地侧模型包括本地侧数据队列模型、本地侧处理时延模型、本地侧处理能耗模型、本地侧传输能耗模型。
在一些具体实施方式中，所述基站侧模型包括基站侧数据处理模型。
在一些具体实施方式中，所述本地侧对基站侧的模拟模型包括本地侧对基站侧的数据队列模拟模型。
在一些具体实施方式中，所述本地侧流量模型如式(1)所示：
Figure BDA0002487318630000031
其中，
Figure BDA0002487318630000032
Ak(t)表示所述智能巡检机器人将第t个时隙产生的巡检计算任务以大小均为
Figure BDA0002487318630000033
的Ak(t)个子任务的形式存储于其本地任务缓冲区；Qk(t)表示第t个时隙，所述智能巡检机器人的本地任务缓冲区内的数据队列，Uk(t)表示将离开本地任务队列的任务数据量，其包括将被本地处理或卸载到基站上的数据量χk，j，t。
在一些具体实施方式中，将被本地处理的数据的量通过式(2)获得：
Figure BDA0002487318630000034
其中，fk，t表示所述智能巡检机器人在第t个时隙分配的用于处理该任务的本地CPU周期频率，λk表示处理每比特数据需要的CPU周期，τ表示每个时隙的长度，j＝J+1表示所述智能巡检机器人选择本地处理(即由其本身完成任务处理而不进行对基站的任务卸载)。
在一些具体实施方式中，将被卸载到基站上的数据的量通过式(6)获得：
Figure BDA0002487318630000041
其中，
Figure BDA0002487318630000042
表示所述智能巡检机器人在可选基站集合中选择了一个基站mj进行任务卸载，Rk，j，t表示uk在第t个时隙的数据传输速率。
在一些具体实施方式中，Rk，j，t通过式(5)获得：
Figure BDA0002487318630000043
其中，Bk表示所述智能巡检机器人被分配到的专用子信道的带宽；γk，j，t表示其在第t个时隙的信噪比。
在一些具体实施方式中，γk，j，t通过下式获得：
Figure BDA0002487318630000044
其中，PTX表示传输功率，gk，j，t表示所述智能巡检机器人和被分配到任务的基站间的信道增益，δ2表示噪声功率。
在一些具体实施方式中，所述本地侧处理时延模型如式(3)所示：
Figure BDA0002487318630000045
在一些具体实施方式中，所述本地侧处理能耗模型如式(4)所示：
Figure BDA0002487318630000046
其中，αk表示本地CPU的有效切换电容。
在一些具体实施方式中，本地侧传输能耗模型如式(7)所示：
Figure BDA0002487318630000047
式(7)中的zk，j，t表示将被卸载到基站上的数据量。
在一些具体实施方式中，所述基站侧数据处理模型如式(10)所示：
Figure BDA0002487318630000051
其中，Yk，j(t)表示第t个时隙基站处理的数据量，hk，j，t表示第t个时隙基站上存储的、被所述智能巡检机器人分配的但还未处理的任务的数据量；fk，j，t表示基站根据任务的重要性分配的CPU周期频率。
在一些具体实施方式中，fk，j，t通过式(9)得到：
Figure BDA0002487318630000052
其中，βk为权重参数，
Figure BDA0002487318630000057
为指示函数，当x为真时，
Figure BDA0002487318630000058
反之，
Figure BDA0002487318630000059
在一些具体实施方式中，所述本地侧对基站侧的数据队列模拟模型如式(11)所示：
Hk，j(t+1)＝min{Hk，j(t)-Yk，j(t)+xk，j，tzk，j，t，0}， (11)
其中，Hk，j(t)表示第t个时隙基站上存储的来自所述智能巡检机器人的数据队列；xk，j，t表示任务卸载指示符，当xk，j，t＝1时，表示第t个时隙所述智能巡检机器人选择了一个基站进行任务卸载，其中j＝J+1时，表示所述智能巡检机器人选择本地处理。
在一些具体实施方式中，所述超可靠低延迟通信约束如式(12)及(13)所示：
Figure BDA0002487318630000053
Figure BDA0002487318630000054
其中，
Figure BDA0002487318630000055
和
Figure BDA0002487318630000056
分别表示本地侧及基站侧的排队时延界限；
Figure BDA0002487318630000061
和
Figure BDA0002487318630000062
为可容忍的界限违反概率；一般情况下，
Figure BDA0002487318630000063
和
Figure BDA0002487318630000064
其中，
Figure BDA0002487318630000065
和
Figure BDA0002487318630000066
分别表示前t-1个时隙(即自开始至第t-1个时隙为止)所述智能巡检机器人本地侧任务缓冲区及基站侧的任务缓冲区的平均数据达到速率。
在一些具体实施方式中，
Figure BDA0002487318630000067
和
Figure BDA0002487318630000068
分别通过下式得到：
Figure BDA0002487318630000069
在一些具体实施方式中，所述约束还包括式(14)-(15)：
Figure BDA00024873186300000610
Figure BDA00024873186300000611
其中
Figure BDA00024873186300000612
表示
Figure BDA00024873186300000613
的长期时间条件均值，
Figure BDA00024873186300000614
表示所述智能巡检机器人在本地任务缓冲区的溢出值；
Figure BDA00024873186300000615
表示
Figure BDA00024873186300000616
的长期时间条件二阶矩，
Figure BDA00024873186300000617
为
Figure BDA00024873186300000618
的二次方；
Figure BDA00024873186300000619
和
Figure BDA00024873186300000620
分别表示溢出值
Figure BDA00024873186300000621
的条件互补累积分布函数的广义帕累托分布近似中尺度参数和形状参数
Figure BDA00024873186300000622
和
Figure BDA00024873186300000623
的阈值。
在一些具体实施方式中，所述约束还包括式(16)-(17)：
Figure BDA00024873186300000624
Figure BDA00024873186300000625
其中，
Figure BDA00024873186300000626
表示
Figure BDA00024873186300000627
的长期时间条件均值，
Figure BDA00024873186300000628
表示所述智能巡检机器人对应在基站侧的任务缓冲区的溢出值；
Figure BDA00024873186300000629
表示
Figure BDA00024873186300000630
的长期时间条件二阶矩，
Figure BDA00024873186300000631
为
Figure BDA00024873186300000632
的二次方；
Figure BDA00024873186300000633
和
Figure BDA00024873186300000634
分别表示溢出值
Figure BDA00024873186300000635
的条件互补累积分布函数的广义帕累托分布近似中尺度参数和形状参数的阈值。
在一些具体实施方式中，最小化长期总能耗采用如式(18)所示的优化模型：
Figure BDA0002487318630000071
且满足如下约束：
Figure BDA0002487318630000072
C2：关于本地队列Qk(t)的约束(12)，(14)及(15)，
Figure BDA0002487318630000073
C3：关于基站侧队列Hk，j(t)的约束(13)，(16)及(17)，
Figure BDA0002487318630000074
其中，C1表示在一个时隙内，每个智能巡检机器人只能选择一个基站进行任务卸载，或进行本地处理。
其中，
Figure BDA0002487318630000075
表示系统内智能巡检机器人的集合；
Figure BDA0002487318630000076
表示整个优化时间，即时隙的集合；
Figure BDA0002487318630000077
表示可用选项集合，通过下式获得：
Figure BDA0002487318630000078
在一些具体实施方式中，所述优化模型采用如式(25)所示的模型：
Figure BDA0002487318630000079
且满足：
Figure BDA00024873186300000710
其中，θk，j，t表示总能量消耗和所述超可靠低延迟通信约束赤字的加权和的倒数。
在一些具体实施方式中，θk，j，t通过式(26)获得：
Figure BDA00024873186300000711
其中，
Figure BDA00024873186300000712
和
Figure BDA00024873186300000713
分别表示对应于能量消耗、本地侧数据队列和基站侧数据队列的约束赤字的权重，
Figure BDA0002487318630000081
和
Figure BDA0002487318630000082
用于统一数量级。
其中，
Figure BDA0002487318630000083
和
Figure BDA0002487318630000084
来自引入的本地侧虚拟队列，分别表示本地侧数据队列Qk(t)的长度界值违反可容忍概率的偏差、其溢出值
Figure BDA0002487318630000085
的长期时间平均条件均值的偏差、和其溢出值
Figure BDA0002487318630000086
的长期时间平均条件二阶矩的偏差。
其中，
Figure BDA0002487318630000087
和
Figure BDA0002487318630000088
来自引入的基站侧虚拟队列，分别表示基站侧数据队列Hk，j(t)的长度界值违反可容忍概率的偏差、其溢出值
Figure BDA0002487318630000089
的长期时间平均条件均值的偏差、和其溢出值
Figure BDA00024873186300000810
的长期时间平均条件二阶矩的偏差。
在一些具体实施方式中，
Figure BDA00024873186300000811
阳
Figure BDA00024873186300000812
分别通过模型(19)-(21)获得：
Figure BDA00024873186300000813
Figure BDA00024873186300000814
Figure BDA00024873186300000815
在一些具体实施方式中，
Figure BDA00024873186300000816
和
Figure BDA00024873186300000817
分别通过模型(22)-(24)获得：
Figure BDA00024873186300000818
Figure BDA00024873186300000819
Figure BDA00024873186300000820
在一些具体实施方式中，通过如下的过程一获得最优决策：
S30：输入
Figure BDA0002487318630000091
S31：初始化：
包括设置Qk(0)及Hk，j(0)为队列积压的初始值，设置
Figure BDA0002487318630000092
Figure BDA0002487318630000093
S32：决策：
包括：
获得可用基站的集合
Figure BDA0002487318630000094
根据GSI计算θk，j，t的准确值，其中
Figure BDA0002487318630000095
通过解决所述问题P2获得最优选项
Figure BDA0002487318630000096
根据最优选项，更新式(1)、(11)和(19)-(24)中的参数Qk(t+1)，Hk，j(t+1)，
Figure BDA0002487318630000097
Figure BDA0002487318630000098
及
Figure BDA0002487318630000099
S33：迭代步骤S32至t＞T，获得最优决策。
其中，T表示整个优化时间内时隙的数量。
在一些具体实施方式中，通过如下的过程二获得最优决策：
S40：输入
Figure BDA00024873186300000910
Figure BDA00024873186300000911
ρ[0，1]；
S41：初始化：
包括设置Qk(0)及Hk，j(0)为队列积压的初始值，设置
Figure BDA00024873186300000912
Figure BDA00024873186300000913
S42：决策：
包括：
获得可用基站的集合
Figure BDA0002487318630000101
若
Figure BDA0002487318630000102
则重置ωk，j，t＝1
Figure BDA0002487318630000103
根据选择概率模型，对每个可选项的被选中概率进行估算，得到概率分布；
根据所述概率分布，做出基础决策
Figure BDA0002487318630000104
S43：决策学习：
包括：
观察
Figure BDA0002487318630000105
Yk，j(t)表现，并更新式(1)和(11)中Qk(t+1)和Hk，j(t+1)的值，通过式(26)计算回报值；
根据回报值，更新估值回报
Figure BDA0002487318630000106
和ωk，j，t+1；
更新式(19)-(24)中的参数
Figure BDA0002487318630000107
和
Figure BDA0002487318630000108
S44：迭代步骤S42-S43至t＞T，获得最优决策。
其中，ρ和ωk，j，t分别表示通过吉布斯分布中均匀分布部分得到的概率值，以及通过与经验性能相关的分布部分得到的经验值；
Figure BDA0002487318630000109
表示所述智能巡检机器人做出的选择。
在一些具体实施方式中，所述选择概率模型如式(27)所示：
Figure BDA00024873186300001010
在一些具体实施方式中，所述估值回报的值通过式(28)获得：
Figure BDA00024873186300001011
在一些具体实施方式中，所述ωk，j，t+1通过式(29)获得：
Figure BDA00024873186300001012
本发明具有以下有益效果：
(1)本发明的电力巡检系统及方法，可显著提升电力巡检的效率和巡检质量，降低时延、提高网络服务的可靠性，最小化网络中全部巡检机器人的长期总能耗，提高网络的能量利用效率。
(2)在一些具体实施方式中，本发明的方法可在不需要全局信息、只需要局部信息的情况下，通过学习实现最优的任务卸载方案。
(3)在一些具体实施方式中，本发明的方法通过动态调整队列积压界值违反概率、溢出值的长期时间平均条件均值和二阶矩的权重，实现超可靠低延迟通信(URLLC)约束感知，可显著减少队列积压，提高针对排队时延的满意度。
(4)在一些具体实施方式中，本发明的方法通过对队列长度的阈值偏差施加概率要求和对溢出值施加高阶统计要求，更准确的定义了URLLC约束，在显著减少队列积压的同时，提升了队列稳定性，提升了系统可靠性。
(5)在现有技术中，当多个电力巡检机器人选择同一个基站进行任务卸载时，基站分配给每个设备的可用计算资源就会减少，即不同的机器人之间的选择策略是对抗的，而本发明的方法可通过不断地探索可选基站中的非最优选项，进而达到缓解不同机器人任务卸载策略之间的对抗问题。
附图说明
图1为本发明具体实施方式中所述变电站系统结构图；
图2为本发明具体实施方式中所述在非理想情况下进行的决策制定过程。
图3为本发明具体实施方式中所述总队列积压随时间的变化情况图；
图4为本发明具体实施方式中不同方法能耗随时间变化的图；
图5为本发明具体实施方式中所述的URLLC满足概率图。
具体实施方式
以下结合实施例和附图对本发明进行详细描述，但需要理解的是，所述实施例和附图仅用于对本发明进行示例性的描述，而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。
如附图1所示的变电站巡检系统，其包括个J个基站，基站集合表示为
Figure BDA0002487318630000111
每个基站配置有一个边缘服务器，使其可在没有远程云或其他基站帮助的情况下同时提供无线接入和计算服务；系统中有K(K＞＞J)个智能巡检机器人(以下简称“机器人”)，其集合表示为
Figure BDA0002487318630000121
机器人在系统中可按既定轨迹配置并进行移动，也可随机分布并持续移动，如在以下实施方式中，设其随机分布并持续移动；每个机器人都配备一定的计算能力，可以本地处理巡检过程中其产生的任务，也可将任务卸载到附近的基站进行远程处理。
在任务产生后，系统可通过如下的步骤完成巡检：
S1：机器人uk将产生的任务数据通过卸载决策模型判断其卸载方式；
S21：在任务全部不被卸载的情况下，由机器人uk对任务进行本地处理，获得处理结果；
S22：在任务被卸载至基站后，由基站对获得的卸载任务进行处理，再向机器人uk反馈处理结果。
其中，在卸载决策模型中，时间尺度上可采用时隙进行衡量，即将时间分为T个长度为τ的时隙，其集合表示为
Figure BDA0002487318630000122
由于基站覆盖范围的有限性以及机器人的移动性，机器人可用的基站集合是时变的，将机器人uk在第t个时隙可用的基站集合表示为
Figure BDA0002487318630000123
在卸载决策模型中，决策及处理假设信道状态信息(Channel StateInformation，CSI)可认为在一个时隙内保持不变，但不同时隙内不同，而每个机器人的可用基站在几个连续时隙内保持不变，即其变化速度比CSI慢。
在卸载决策模型中，在第t个时隙，uk可自主决定是将其任务卸载到
Figure BDA0002487318630000124
中的一个基站还是进行本地处理，即uk面临着
Figure BDA0002487318630000125
个选项，其中
Figure BDA0002487318630000126
为集合
Figure BDA0002487318630000127
中的基站数量。将uk的任务卸载指示符表示为xk，j，t∈{0，1}，其中xk，j，t＝1即表示在第t个时隙uk在基站mj的通信范围内且选择了mj进行任务卸载，xk，J+1，t＝1则表示uk选择本地处理。为统一表达，将uk在第t个时隙可用的选项表示为
Figure BDA0002487318630000128
即由可用基站的索引值和本地任务处理的索引值组成。
所述卸载决策模型可通过包括机器人uk的本地侧模型、基站侧模型、本地侧对基站侧的模拟模型、超可靠低延迟通信约束及最小化长期总能耗中的一个或多个因素获得，其中所述本地侧模型包括本地侧数据队列模型、本地侧处理时延模型、本地侧处理能耗模型、本地侧传输能耗模型；所述基站侧模型包括基站侧数据处理模型；所述本地侧模拟模型包括本地侧对基站侧的数据队列模拟模型。
其中，
一、本地侧模型可具体包括：
本地侧数据队列模型：
采用任务分割模型，即将uk在第t个时隙产生的任务可以进一步分割为具有相同大小
Figure BDA0002487318630000131
的Ak(t)个子任务。到达但还未处理的任务将会储存在uk的本地任务缓冲区中，将其建模为一个队列，队列长度表示为式(1)：
Figure BDA0002487318630000132
其中，Uk(t)表示将离开本地任务队列的任务数据量，其包括将被(a)本地处理或者(b)卸载到基站上的数据量zk，j，t，其可表示为式(8)：
Figure BDA0002487318630000133
其中，
(a)将被本地处理(即xk，J+1，t＝1)的数据的量可通过如式(2)获得：
Figure BDA0002487318630000134
其中，fk，t表示机器人uk在第t个时隙分配的用于处理该任务的本地CPU周期频率。
λk表示处理每比特数据需要的CPU周期。
同时，本地侧处理时延模型可表示如式(3)：
Figure BDA0002487318630000135
本地侧处理能耗模型可表示如式(4)：
Figure BDA0002487318630000141
其中，αk为本地CPU的有效切换电容。
(b)将被卸载到基站mj上(即xk，j，t＝1，
Figure BDA0002487318630000142
)的数据的量可通过如式(6)获得：
Figure BDA0002487318630000143
其中，Rk，j，t表示uk在第t个时隙的数据传输速率。
Rk，j，t可通过如式(5)获得：
Figure BDA0002487318630000144
其中，Bk表示分配给机器人uk的专用子信道的带宽，γk，j，t表示uk在第t个时隙的信噪比，其可通过下式获得：
Figure BDA0002487318630000145
其中，PTX表示传输功率，gk，j，t表示uk和mj间的信道增益，δ2表示噪声功率。
并可得到本地侧传输能耗(即第t个时隙传输任务数据到mj上消耗的能量)模型如式(7)：
Figure BDA0002487318630000146
其中zk，j，t表示将被卸载到基站mj上的数据量，即式(6)中的数据量。
二、基站侧模型可具体包括：
假设每个基站为uk建立一个任务缓冲区，用来存储其卸载但还未处理的任务，将第t个时隙基站mj上存储的对应uk的数据量表示为hk，j，t。基站根据每个机器人任务的重要性来分配CPU周期频率，例如，mj在第t个时隙分配给uk的CPU周期频率可表示为：
Figure BDA0002487318630000151
其中βk为反映uk任务重要性的权重参数。
Figure BDA0002487318630000158
为指示函数，当x为真时，
Figure BDA0002487318630000159
反之，
Figure BDA00024873186300001510
fj，max为mj可分配的总CPU周期频率。
则mj在第t个时隙处理的uk的任务数据量可表示为式(10)：
Figure BDA0002487318630000152
随后，基站mj会进一步将Yk，j(t)对应的处理结果反馈给机器人uk。
三、本地侧对基站侧的模拟模型可具体包括：
基站分配给uk的任务缓冲区可以建模为一个队列，由于基站侧的信息对于uk来说是不可知的，因此uk可以根据xk，j，t，zk，j，t和Yk，j(t)来模拟其在mj的远程任务队列，表示为式(11)：
Hk，j(t+1)＝min{Hk，j(t)-Yk，j(t)+xk，j，tzk，j，t，0}， (11)
其中，xk，j，tzk，j，t和Yk，j(t)分别表示队列输入和输出。
基于利特尔法则(Little法则)，机器人侧本地任务缓冲区以及基站侧的远程任务缓冲区的平均排队时延与平均队列长度和平均数据到达率的比值成正比。为了保证可靠性和时延需求，需要考虑队列长度的尾分布。
对于
Figure BDA0002487318630000153
对本地和远程任务缓冲区的排队时延施加概率约束如式(12)及(13)所示：
Figure BDA0002487318630000154
Figure BDA0002487318630000155
其中，
Figure BDA0002487318630000156
和
Figure BDA0002487318630000157
分别表示前t-1个时隙机器人本地侧任务缓冲区及基站侧的远程任务缓冲区的时间平均数据达到速率，其可分别计算如下式：
Figure BDA0002487318630000161
Figure BDA0002487318630000162
和
Figure BDA0002487318630000163
是对应的本地侧及基站侧排队时延界限。
Figure BDA0002487318630000164
和
Figure BDA0002487318630000165
是可容忍的界限违反概率。
除了界限违反概率外，发明人还考虑到本地极端事件
Figure BDA0002487318630000166
的发生，借助于极值理论，利用Pickands-Balkema-de Haan定理来描述极端事件的统计和尾分布。
其中，表示uk本地任务缓冲区在第t个时隙中的溢出值为：
Figure BDA0002487318630000167
根据Pickands-Balkema-de Haan定理，溢出值的条件互补累积分布函数(CCDF)，即
Figure BDA0002487318630000168
其可以近似为广义帕累托分布(GPD)
Figure BDA0002487318630000169
其中
Figure BDA00024873186300001610
和
Figure BDA00024873186300001611
是相应的尺度参数和形状参数。考虑到溢出值的均值和二阶矩都随着两个参数的增大而增加，发明人对两个参数分别设置了阈值，即
Figure BDA00024873186300001612
和
Figure BDA00024873186300001613
阈值的取值可通过GPD性质和URLLC需求进行选择。
基于两个参数阈值和GPD的统计特性之间的关系，溢出值
Figure BDA00024873186300001614
相应的长期时间平均条件均值和长期时间平均条件二阶矩可表示为：
Figure BDA00024873186300001615
Figure BDA00024873186300001616
其中
Figure BDA00024873186300001617
表示
Figure BDA00024873186300001618
的长期时间平均条件均值，
Figure BDA00024873186300001619
表示
Figure BDA00024873186300001620
的长期时间平均条件二阶矩，
Figure BDA00024873186300001621
为
Figure BDA00024873186300001623
的二次方，即
Figure BDA00024873186300001622
类似地，考虑到远程队列极端事件
Figure BDA0002487318630000171
的发生，所述URLLC约束可进一步包括：
Figure BDA0002487318630000172
Figure BDA0002487318630000173
其中，
Figure BDA0002487318630000174
Figure BDA0002487318630000175
和
Figure BDA0002487318630000176
为远程队列溢出值的CCDF近似的
Figure BDA0002487318630000177
的两个特征参数的阈值，其CCDF可表示为：
Figure BDA0002487318630000178
基于上述本地侧模型、基站侧模型、本地侧对基站侧的模拟模型和URLLC约束条件，对网络中所有机器人的长期总能耗进行最小化。任务卸载决策的优化模型可表示如式(18)：
Figure BDA0002487318630000179
且满足如下约束：
Figure BDA00024873186300001710
C2：关于本地队列Qk(t)的约束(12)，(14)及(15)，
Figure BDA00024873186300001711
C3：关于基站侧队列Hk，j(t)的约束(13)，(16)及(17)，
Figure BDA00024873186300001712
其中，C1表示在一个时隙内，每个机器人uk只能选择一个基站mj进行任务卸载，或进行本地处理。
C2和C3分别为本地和远程队列的长期界限违反概率的约束，以及溢出值的长期条件均值和二阶矩约束。
进一步地可根据上述优化模型得到基于学习的URLLC感知任务卸载方案。
具体的，基于虚拟队列的概念，可以将长期的URLLC约束C2和C3转化成队列稳定性约束。根据约束(12)，(13)和(15)引入三个本地侧虚拟队列：
Figure BDA0002487318630000181
Figure BDA0002487318630000182
Figure BDA0002487318630000183
其中，
Figure BDA0002487318630000184
和
Figure BDA0002487318630000185
分别表示本地侧实际数据队列Qk(t)的长度界值违反可容忍概率的偏差，本地侧实际数据队列的溢出值
Figure BDA0002487318630000186
的长期时间平均条件均值的偏差，和本地侧实际数据队列的溢出值
Figure BDA0002487318630000187
的长期时间平均条件二阶矩的偏差。
相似的，根据约束(13)，(16)和(17)，引入三个基站侧虚拟任务队列：
Figure BDA0002487318630000188
Figure BDA0002487318630000189
Figure BDA00024873186300001810
其中，
Figure BDA00024873186300001811
和
Figure BDA00024873186300001812
分别表示基站侧实际数据队列Hk，j(t)的长度界值违反可容忍概率的偏差、基站侧实际数据队列的溢出值
Figure BDA00024873186300001813
的长期时间平均条件均值的偏差、基站侧实际数据队列的溢出值
Figure BDA00024873186300001814
的长期时间平均条件二阶矩的偏差。
通过利用Lyapunov优化，问题P1可以转化为一系列短期确定性的子问题，每个机器人在每个时隙内都可以单独解决这些子问题，在保证URLLC约束条件的同时可以使能耗最小化。转化后的问题P2可表示为：
Figure BDA0002487318630000191
且满足：
Figure BDA0002487318630000192
其中，θk，j，t表示总能量消耗和URLLC约束赤字的加权和的倒数，表达式如下：
Figure BDA0002487318630000193
其中，
Figure BDA0002487318630000194
和
Figure BDA0002487318630000195
分别表示对应于能量消耗、本地侧数据队列和基站侧数据队列的约束赤字的权重，
Figure BDA0002487318630000196
和
Figure BDA0002487318630000197
用于统一数量级。
在通过上述模型及约束条件、优化条件做出任务卸载决策的过程中，解决P2问题所需要的信息包括两类，即本地信息和非本地信息。
其中，本地信息即uk不需要信息交换就可以获得的信息，例如：本地队列积压Qk(t)，传输功率PTX，分配的本地CPU周期频率fk，t，处理每比特数据需要的CPU周期λk，队列延迟界限
Figure BDA0002487318630000198
和
Figure BDA0002487318630000199
可容忍的界限违反概率
Figure BDA00024873186300001910
和
Figure BDA00024873186300001911
GPD的尺度和形状参数的阈值
Figure BDA00024873186300001912
和
Figure BDA00024873186300001913
非本地信息即没有额外的信息交换，uk不能得到的信息，例如：信道增益gk，j，t，基站的缓冲区大小，基站侧队列的积压，mj分配的CPU周期频率fk，j，t以及其他机器人的任务卸载策略。
在具有完美GSI的理想情况下，本地和非本地信息都是可用的，而在非理想情况下，只有本地信息可用。
根据这两种情况，机器人可通过不同的过程获得最优的任务卸载决策。
如，在可获得本地信息和非本地信息的情况下(理想情况下)，选择如下的过程一：
S30：输入
Figure BDA0002487318630000201
S31：初始化：
包括设置Qk(0)及Hk，j(0)为队列积压(queue backlogs)的初始值，设置
Figure BDA0002487318630000202
Figure BDA0002487318630000203
S32：决策：
包括：
获得可用基站的集合
Figure BDA0002487318630000204
根据GSI计算θk，j，t的准确值，其中
Figure BDA0002487318630000205
通过解决问题P2获得最优选项
Figure BDA0002487318630000206
根据最优选项，更新式(1)、(11)和(19)-(24)中的参数Qk(t+1)，Hk，j(t+1)，
Figure BDA0002487318630000207
Figure BDA0002487318630000208
及
Figure BDA0002487318630000209
S33：迭代步骤S32至t＞T，获得最优决策。
上述过程即，在初始化阶段，uk将所有虚拟队列的初始长度置为0，将所有指示符的初始值置为0。在决策阶段，uk在每个时隙开始时根据当前的GSI计算每个可用选项对应的θk，j，t，并通过解决问题P2找到最优的选项，随后uk更新所有的队列，包括任务积压队列和虚拟队列，再迭代决策阶段一直持续到t＞T。
在只能获得本地信息的情况下(非理想情况下)，选择过程二。过程二中在每一个时隙，根据一个特定的分布，Gibbs分布进行决策，Gibbs分布是均匀分布ρ和与经验性能相关的分布ωk，j，t的混合，其中均匀分布可确保决策模型不时地进行探索，发现非当前最优但可能是潜在的更好的选项，ρ是[0，1]之间的值，反映了模型对探索的偏好。
具体地，过程二可如：
S40：输入
Figure BDA0002487318630000211
Figure BDA0002487318630000212
ρ∈[0，1]；
S41：初始化：
包括设置Qk(0)及Hk，j(0)为队列积压的初始值，设置
Figure BDA0002487318630000213
Figure BDA0002487318630000214
S42：决策：
包括：
获得可用基站的集合
Figure BDA0002487318630000215
若
Figure BDA0002487318630000216
则重置可选项的经验性能相关的分布ωk，j，t＝1
Figure BDA0002487318630000217
根据式(27)所示选择概率，对每个可选项
Figure BDA0002487318630000218
的被选中概率pk，j，t进行估算，得到概率分布；
根据pk，j，t，
Figure BDA0002487318630000219
的分布，做出基础决策φk，j；
S43：决策学习
包括：
观察
Figure BDA00024873186300002110
Yk，j(t)表现，并更新式(1)和(11)中Qk(t+1)和Hk，j(t+1)的值，根据式(26)计算回报
Figure BDA00024873186300002111
根据回报值，通过式(28)和(29)更新估值回报
Figure BDA00024873186300002112
和ωk，j，t+1；
更新式(19)-(24)中的参数
Figure BDA00024873186300002113
和
Figure BDA00024873186300002114
S44：迭代步骤S42-S43至t＞T，获得最优决策。
其中：
Figure BDA0002487318630000221
Figure BDA0002487318630000222
Figure BDA0002487318630000223
上述过程即，如附图2所示，在初始化阶段，将所有的虚拟队列、指示符和实际回报设为0，并把ωk，j，t置为1。在决策阶段(t≤T)，uk首先获取可用的基站集合
Figure BDA0002487318630000224
当可用集合
Figure BDA0002487318630000225
发生变化时，所有可用选项的ωk，j，t重置为1。对于任何一个可用选项，获得其相应的选择概率pk，j，t，根据概率分布来进行任务卸载决策，并用
Figure BDA0002487318630000226
表示uk的基础选择。在学习阶段，uk观察
Figure BDA0002487318630000227
Yk，j(t)，然后更新队列Qk(t+1)和Hk，j(t+1)，并获得计算回报
Figure BDA0002487318630000228
为保证所选选项的期望回报与实际回报相等，定义估值回报
Figure BDA0002487318630000229
为实际回报与对应选项的概率之比，根据回报值对
Figure BDA00024873186300002210
及ωk，j，t+1进行更新，最后，uk更新所有虚拟队列，并进行决策和学习阶段的迭代，持续至t＞T，获得最优决策。
基于上述方法，进行如下的仿真对比实验：
其中，算法1为传统的EXP3算法，其目标是最小化所有机器人能耗，但不考虑其他约束；算法2为随机选择算法，即每个机器人在每个时隙随机选择一个可选选项；算法3为UTO-UCB算法，即在传统UCB算法的基础上考虑高可靠低时延约束。
实验设计30个巡检机器人，3个基站，1000个时隙，每个时隙机器人产生的任务在
Figure BDA00024873186300002211
区间内服从均匀分布，其中
Figure BDA00024873186300002212
其他参数设置如下：
Figure BDA0002487318630000231
可得到如附图3所示的总队列积压随时间的变化情况对比图、图4所示的不同方法的时间平均能耗随时间变化对比图、及图5所示的满足URLLC约束的概率对比图。
从图3中可以看出，使用本发明的方法产生的队列趋于平稳，队列积压要远远小于使用其余三种算法的队列积压。其中EXP3算法由于本地侧队列积压很大导致总队列积压很大，UTO-UCB算法由于基站侧队列积压导致性能很差，而随机选择算法基于随机选择，有很大概率选到性能不理想的基站所以队列积压也会上升。
从图4中可以看出，本发明的方法在能耗方面的表现仅次于EXP3算法，而明显优于其他两种算法。EXP3算法因仅考虑了能耗优化而未考虑高可靠低时延约束，所以其能量消耗最小，但通过图4、图5的对比可知，其相应的代价就是队列积压大，不能满足URLLC约束，综合表现差于本发明。
在图5的对比中，纵轴表示队列长度满足URLLC约束的概率，横轴为时隙。整个优化时间分为三个时间段：0-300、301-700和701-1000，在这三个时间段中可用基站的集合是变化的(即具有波动性)，如下表所示，其中╳表示基站不可用，√表示基站可用：
基站 m<sub>1</sub> m<sub>2</sub> m<sub>3</sub>
f<sub>j，max</sub> 3×10<sup>11</sup>cycle/s 4×10<sup>11</sup>cycle/s 5×10<sup>11</sup>cycle/s
时段1～300 √ √ ×
时段301～700 × √ √
时段701～1000 √ × √
当可用基站的集合发生变化时，电力巡检机器人需要对新的可用基站进行探索。通过对比可以看出，本发明的方法相比于使用其他三种算法的方案有更好的性能，可以很好的满足URLLC约束并快速收敛。
综合图3-图5可以看出，本发明的方法既能很好的满足URLLC约束，使队列积压维持在较低的水平，还可以降低电力巡检机器人的能耗。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.高可靠低时延低能耗的电力巡检系统，其包括基站、每个基站至少配置一个边缘服务器、可移动的智能巡检机器人，所述智能巡检机器人具有可实现任务卸载决策及本地任务处理的计算能力，优选的，所述智能巡检机器人的数量不少于基站数量。
2.权利要求1所述系统进行电力巡检的方法，其包括：
由所述智能巡检机器人产生巡检计算任务；
由所述智能巡检机器人通过任务卸载决策模型对所述任务进行分配；
由所述智能巡检机器人和/或被分配到任务的基站对任务进行处理；
由所述智能巡检机器人产生处理结果和/或接收被分配到任务的基站的关于处理结果的反馈；
优选的，所述任务卸载决策模型为优化后的任务卸载决策模型；
优选的，被分配到任务的基站对任务进行的处理通过其配置的边缘服务器完成。
3.根据权利要求2所述的方法，其特征在于：所述任务卸载决策模型基于所述智能巡检机器人的本地侧模型、基站侧模型、本地侧对基站侧的模拟模型、超可靠低延迟通信约束及最小化长期总能耗中的一项或多项做出。
4.根据权利要求3所述的方法，其特征在于：所述本地侧模型包括本地侧数据队列模型、本地侧处理时延模型、本地侧处理能耗模型、本地侧传输能耗模型；和/或所述基站侧模型包括基站侧数据处理模型；和/或所述本地侧对基站侧的模拟模型包括本地侧对基站侧的数据队列模拟模型；
优选的，所述本地侧数据队列模型如式(1)所示：
Figure FDA0002487318620000011
其中，
Figure FDA0002487318620000012
Ak(t)表示所述智能巡检机器人将第t个时隙产生的巡检计算任务以大小均为
Figure FDA0002487318620000013
的Ak(t)个子任务的形式存储于其本地任务缓冲区；Qk(t)表示第t个时隙，所述智能巡检机器人的本地任务缓冲区内的数据队列，Uk(t)表示将离开本地任务队列的任务数据量，其包括将被本地处理或卸载到基站上的数据量zk，j，t；
进一步优选的，将被本地处理的数据的量通过式(2)获得：
Figure FDA0002487318620000021
其中，fk，t表示所述智能巡检机器人在第t个时隙分配的用于处理该任务的本地CPU周期频率，τ表示每个时隙的长度，λk表示处理每比特数据需要的CPU周期；j＝J+1表示所述智能巡检机器人选择本地处理；
和/或进一步优选的，将被卸载到基站上的数据的量通过式(6)获得：
Figure FDA0002487318620000022
其中，
Figure FDA0002487318620000023
表示所述智能巡检机器人在可选基站集合中选择了一个基站mj进行任务卸载，Rk,j,t表示所述智能巡检机器人在第t个时隙的数据传输速率，其优选通过式(5)获得：
Figure FDA0002487318620000024
其中，Bk表示所述智能巡检机器人被分配到的专用子信道的带宽；γk，j，t表示其在第t个时隙的信噪比，优选通过下式获得：
Figure FDA0002487318620000025
其中，PTX表示传输功率，gk，j，t表示所述智能巡检机器人和被分配到任务的基站间的信道增益，δ2表示噪声功率；
优选的，所述本地侧处理时延模型如式(3)所示：
Figure FDA0002487318620000026
优选的，所述本地侧处理能耗模型如式(4)所示：
Figure FDA0002487318620000027
其中αk表示本地CPU的有效切换电容；
优选的，所述本地侧传输能耗模型如式(7)所示：
Figure FDA0002487318620000031
式(7)中的zk，j，t表示将被卸载到基站上的数据量。
5.根据权利要求4所述的方法，其特征在于：所述基站侧数据处理模型如式(10)所示：
Figure FDA0002487318620000032
其中，Yk，j(t)表示第t个时隙基站处理的数据量，hk，j，t表示第t个时隙基站上存储的、被所述智能巡检机器人分配的但还未处理的任务的数据量；fk，j，t表示基站根据任务的重要性分配的CPU周期频率，其优选通过式(9)得到：
Figure FDA0002487318620000033
其中，βk为权重参数，
Figure FDA0002487318620000034
为指示函数，当x为真时，
Figure FDA0002487318620000035
反之，
Figure FDA0002487318620000036
6.根据权利要求4所述的方法，其特征在于：所述本地侧对基站侧的数据队列模拟模型如式(11)所示：
Hk，j(t+1)＝min{Hk，j(t)-Yk，j(t)+xk，j，tzk，j，t，0}， (11)
其中，Hk,j(t)表示第t个时隙基站上存储的来自所述智能巡检机器人的数据队列；xk,j,t表示任务卸载指示符，当xk,j,t＝1时，表示第t个时隙所述智能巡检机器人选择了一个基站进行任务卸载，其中j＝J+1时，表示所述智能巡检机器人选择本地处理。
7.根据权利要求3所述的方法，其特征在于：所述超可靠低延迟通信约束如式(12)及(13)所示：
Figure FDA0002487318620000037
Figure FDA0002487318620000038
其中，
Figure FDA0002487318620000041
和
Figure FDA0002487318620000042
为可容忍的界限违反概率；
Figure FDA0002487318620000043
和
Figure FDA0002487318620000044
分别表示本地侧及基站侧的排队时延界限；
Figure FDA0002487318620000045
和
Figure FDA0002487318620000046
分别表示前t-1个时隙所述智能巡检机器人本地侧任务缓冲区及基站侧的任务缓冲区的平均数据达到速率，其优选分别通过下式得到：
Figure FDA0002487318620000047
优选的，所述约束还包括式(14)-(15)：
Figure FDA0002487318620000048
Figure FDA0002487318620000049
其中
Figure FDA00024873186200000410
表示
Figure FDA00024873186200000433
的长期时间条件均值，
Figure FDA00024873186200000411
表示所述智能巡检机器人在本地任务缓冲区的溢出值；
Figure FDA00024873186200000412
表示
Figure FDA00024873186200000413
的长期时间条件二阶矩，
Figure FDA00024873186200000414
为
Figure FDA00024873186200000415
的二次方；
Figure FDA00024873186200000416
和
Figure FDA00024873186200000417
分别表示溢出值
Figure FDA00024873186200000418
的条件互补累积分布函数的广义帕累托分布近似中尺度参数和形状参数
Figure FDA00024873186200000419
和
Figure FDA00024873186200000420
的阈值；
优选的，所述约束还包括式(16)-(17)：
Figure FDA00024873186200000421
Figure FDA00024873186200000422
其中，
Figure FDA00024873186200000423
表示
Figure FDA00024873186200000424
的长期时间条件均值，
Figure FDA00024873186200000425
表示所述智能巡检机器人对应在基站侧的任务缓冲区的溢出值；
Figure FDA00024873186200000426
表示
Figure FDA00024873186200000427
的长期时间条件二阶矩，
Figure FDA00024873186200000428
为
Figure FDA00024873186200000429
的二次方；
Figure FDA00024873186200000430
和
Figure FDA00024873186200000431
分别表示溢出值
Figure FDA00024873186200000432
的条件互补累积分布函数的广义帕累托分布近似中尺度参数和形状参数的阈值。
8.根据权利要求7中任一项所述的方法，其特征在于：最小化长期总能耗采用如式(18)所示的优化模型：
P1：
Figure FDA0002487318620000051
且满足如下约束：
C1：
Figure FDA0002487318620000052
C2：关于本地队列Qk(t)的约束(12)，(14)及(15)
Figure FDA0002487318620000053
C3：关于基站侧队列Hk，j(t)的约束(13)，(16)及(17)，
Figure FDA0002487318620000054
其中，C1表示在一个时隙内，每个智能巡检机器人只能选择一个基站进行任务卸载，或进行本地处理；
Figure FDA0002487318620000055
表示系统内智能巡检机器人的集合；
Figure FDA0002487318620000056
表示整个优化时间，即时隙的集合；
Figure FDA0002487318620000057
表示可用选项集合，通过下式获得：
Figure FDA0002487318620000058
优选的，所述优化模型采用如式(25)所示的模型：
P2：
Figure FDA0002487318620000059
且满足：C1：
Figure FDA00024873186200000510
其中，θk，j，t表示总能量消耗和所述超可靠低延迟通信约束赤字的加权和的倒数，优选通过式(26)获得：
Figure FDA00024873186200000511
其中，
Figure FDA00024873186200000512
和
Figure FDA00024873186200000513
分别表示对应于能量消耗、本地侧数据队列和基站侧数据队列的约束赤字的权重，
Figure FDA00024873186200000514
和
Figure FDA00024873186200000515
用于统一数量级；
其中，
Figure FDA0002487318620000061
和
Figure FDA0002487318620000062
来自引入的本地侧虚拟队列，分别表示本地侧数据队列Qk(t)的长度界值违反可容忍概率的偏差、其溢出值
Figure FDA0002487318620000063
的长期时间平均条件均值的偏差、和其溢出值
Figure FDA0002487318620000064
的长期时间平均条件二阶矩的偏差；
其中，
Figure FDA0002487318620000065
和
Figure FDA0002487318620000066
来自引入的基站侧虚拟队列，分别表示基站侧数据队列Hk,j(t)的长度界值违反可容忍概率的偏差、其溢出值
Figure FDA0002487318620000067
的长期时间平均条件均值的偏差、和其溢出值
Figure FDA0002487318620000068
的长期时间平均条件二阶矩的偏差；
进一步优选的，
Figure FDA0002487318620000069
和
Figure FDA00024873186200000610
分别通过模型(19)-(21)获得：
Figure FDA00024873186200000611
Figure FDA00024873186200000612
Figure FDA00024873186200000613
和/或进一步优选的，
Figure FDA00024873186200000614
和
Figure FDA00024873186200000615
分别通过模型(22)-(24)获得：
Figure FDA00024873186200000616
Figure FDA00024873186200000617
Figure FDA00024873186200000618
9.根据权利要求8所述的方法，其特征在于：通过如下的过程一获得最优决策：
S30：输入
Figure FDA0002487318620000071
Figure FDA0002487318620000072
S31：初始化：
包括设置Qk(0)及Hk，j(0)为队列积压的初始值，设置
Figure FDA0002487318620000073
Figure FDA0002487318620000074
xk，j，t＝0，j＝1，2，…，J+1，
Figure FDA0002487318620000075
S32：决策：
包括：
获得可用基站的集合
Figure FDA0002487318620000076
根据GSI计算θk，j，t的准确值，其中
Figure FDA0002487318620000077
通过解决所述问题P2获得最优选项
Figure FDA0002487318620000078
根据最优选项，更新式(1)、(11)和(19)-(24)中的参数Qk(t+1)，Hk，j(t+1)，
Figure FDA0002487318620000079
Figure FDA00024873186200000710
及
Figure FDA00024873186200000711
S33：迭代步骤S32至t＞T，获得最优决策；
其中，T表示整个优化时间内时隙的数量。
10.根据权利要求8所述的方法，其特征在于：通过如下的过程二获得最优决策：
S40：输入
Figure FDA00024873186200000712
Figure FDA00024873186200000713
ρ∈[0，1]；
S41：初始化：
包括设置Qk(0)及Hk，j(0)为队列积压的初始值，设置
Figure FDA0002487318620000081
Figure FDA0002487318620000082
xk，j，t＝0，θk，j，t＝0，ωk，j，t＝1，j＝1，2，…，J+1，
Figure FDA0002487318620000083
S42：决策：
包括：
获得可用基站的集合
Figure FDA0002487318620000084
若
Figure FDA0002487318620000085
则重置ωk，j，t＝1
Figure FDA0002487318620000086
根据选择概率模型，对每个可选项的被选中概率进行估算，得到概率分布；
根据所述概率分布，做出基础决策
Figure FDA0002487318620000087
S43：决策学习：
包括：
观察
Figure FDA0002487318620000088
Yk，j(t)表现，并更新式(1)和(11)中Qk(t+1)和Hk，j(t+1)的值，通过式(26)计算回报值；
根据回报值，更新估值回报
Figure FDA0002487318620000089
和ωk，j，t+1；
更新式(19)-(24)中的参数
Figure FDA00024873186200000810
和
Figure FDA00024873186200000811
S44：迭代步骤S42-S43至t＞T，获得最优决策；
其中，ρ和ωk，j，t分别表示通过吉布斯分布中均匀分布部分得到的概率值，以及通过与经验性能相关的分布部分得到的经验值；
Figure FDA00024873186200000812
表示所述智能巡检机器人做出的选择；
优选的，所述选择概率模型如式(27)所示：
Figure FDA00024873186200000813
优选的，所述估值回报的值通过式(28)获得：
Figure FDA00024873186200000814
优选的，所述ωk，j，t+1通过式(29)获得
Figure FDA0002487318620000091
CN202010395432.2A 2020-05-12 2020-05-12 高可靠低时延低能耗的电力巡检系统及巡检方法 Active CN111524034B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010395432.2A CN111524034B (zh) 2020-05-12 2020-05-12 高可靠低时延低能耗的电力巡检系统及巡检方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010395432.2A CN111524034B (zh) 2020-05-12 2020-05-12 高可靠低时延低能耗的电力巡检系统及巡检方法

Publications (2)

Publication Number Publication Date
CN111524034A true CN111524034A (zh) 2020-08-11
CN111524034B CN111524034B (zh) 2023-11-03

Family

ID=71907017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010395432.2A Active CN111524034B (zh) 2020-05-12 2020-05-12 高可靠低时延低能耗的电力巡检系统及巡检方法

Country Status (1)

Country Link
CN (1) CN111524034B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111935303A (zh) * 2020-08-21 2020-11-13 华北电力大学 空地一体化车联网中基于意图感知的任务卸载方法
CN113162658A (zh) * 2021-02-25 2021-07-23 华北电力大学 一种电力线通信中基于升价配额匹配的任务卸载方法
CN113452956A (zh) * 2021-02-26 2021-09-28 深圳供电局有限公司 一种输电线路巡检任务智能分配方法及系统
CN113923224A (zh) * 2021-08-26 2022-01-11 国网河北省电力有限公司信息通信分公司 电力物联网任务卸载方法、服务器及终端
CN114237917A (zh) * 2022-02-25 2022-03-25 南京信息工程大学 一种用于电网巡检的无人机辅助边缘计算方法
CN117119500A (zh) * 2023-10-25 2023-11-24 国网山东省电力公司东营供电公司 基于智能cpe模组的巡检机器人数据传输优化方法
CN117541025A (zh) * 2024-01-05 2024-02-09 南京信息工程大学 一种用于密集输电线路巡检的边缘计算方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017067586A1 (en) * 2015-10-21 2017-04-27 Deutsche Telekom Ag Method and system for code offloading in mobile computing
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 移动边缘计算网络中任务卸载及资源分配的联合优化方法
CN109951821A (zh) * 2019-02-26 2019-06-28 重庆邮电大学 基于移动边缘计算的最小化车辆能耗任务卸载方案
CN110234127A (zh) * 2019-06-11 2019-09-13 重庆邮电大学 一种基于sdn的雾网络任务卸载方法
CN110543336A (zh) * 2019-08-30 2019-12-06 北京邮电大学 基于非正交多址接入技术的边缘计算任务卸载方法及装置
CN110738745A (zh) * 2019-10-18 2020-01-31 北京潞电电气设备有限公司 智能配电机器人及智能配电系统
CN110798849A (zh) * 2019-10-10 2020-02-14 西北工业大学 一种超密网边缘计算的计算资源分配与任务卸载方法
CN111107153A (zh) * 2019-12-23 2020-05-05 国网冀北电力有限公司唐山供电公司 一种电力物联网中基于d2d通信的mec定价卸载方法
CN111132077A (zh) * 2020-02-25 2020-05-08 华南理工大学 车联网环境下基于d2d的多接入边缘计算任务卸载方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017067586A1 (en) * 2015-10-21 2017-04-27 Deutsche Telekom Ag Method and system for code offloading in mobile computing
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 移动边缘计算网络中任务卸载及资源分配的联合优化方法
CN109951821A (zh) * 2019-02-26 2019-06-28 重庆邮电大学 基于移动边缘计算的最小化车辆能耗任务卸载方案
CN110234127A (zh) * 2019-06-11 2019-09-13 重庆邮电大学 一种基于sdn的雾网络任务卸载方法
CN110543336A (zh) * 2019-08-30 2019-12-06 北京邮电大学 基于非正交多址接入技术的边缘计算任务卸载方法及装置
CN110798849A (zh) * 2019-10-10 2020-02-14 西北工业大学 一种超密网边缘计算的计算资源分配与任务卸载方法
CN110738745A (zh) * 2019-10-18 2020-01-31 北京潞电电气设备有限公司 智能配电机器人及智能配电系统
CN111107153A (zh) * 2019-12-23 2020-05-05 国网冀北电力有限公司唐山供电公司 一种电力物联网中基于d2d通信的mec定价卸载方法
CN111132077A (zh) * 2020-02-25 2020-05-08 华南理工大学 车联网环境下基于d2d的多接入边缘计算任务卸载方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈友荣;周骏华;王章权;任条娟;: "基于最小费用最大流的无线多媒体传感网多路径路由算法", 电信科学 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111935303A (zh) * 2020-08-21 2020-11-13 华北电力大学 空地一体化车联网中基于意图感知的任务卸载方法
CN111935303B (zh) * 2020-08-21 2023-05-26 华北电力大学 空地一体化车联网中基于意图感知的任务卸载方法
CN113162658A (zh) * 2021-02-25 2021-07-23 华北电力大学 一种电力线通信中基于升价配额匹配的任务卸载方法
CN113162658B (zh) * 2021-02-25 2023-05-02 华北电力大学 一种电力线通信中基于升价配额匹配的任务卸载方法
CN113452956A (zh) * 2021-02-26 2021-09-28 深圳供电局有限公司 一种输电线路巡检任务智能分配方法及系统
CN113923224A (zh) * 2021-08-26 2022-01-11 国网河北省电力有限公司信息通信分公司 电力物联网任务卸载方法、服务器及终端
CN113923224B (zh) * 2021-08-26 2024-04-26 国网河北省电力有限公司信息通信分公司 电力物联网任务卸载方法、服务器及终端
CN114237917A (zh) * 2022-02-25 2022-03-25 南京信息工程大学 一种用于电网巡检的无人机辅助边缘计算方法
CN117119500A (zh) * 2023-10-25 2023-11-24 国网山东省电力公司东营供电公司 基于智能cpe模组的巡检机器人数据传输优化方法
CN117119500B (zh) * 2023-10-25 2024-01-12 国网山东省电力公司东营供电公司 基于智能cpe模组的巡检机器人数据传输优化方法
CN117541025A (zh) * 2024-01-05 2024-02-09 南京信息工程大学 一种用于密集输电线路巡检的边缘计算方法
CN117541025B (zh) * 2024-01-05 2024-03-19 南京信息工程大学 一种用于密集输电线路巡检的边缘计算方法

Also Published As

Publication number Publication date
CN111524034B (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
CN111524034A (zh) 高可靠低时延低能耗的电力巡检系统及巡检方法
CN110928654B (zh) 一种边缘计算系统中分布式的在线任务卸载调度方法
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
Liu et al. Latency and reliability-aware task offloading and resource allocation for mobile edge computing
CN113950066B (zh) 移动边缘环境下单服务器部分计算卸载方法、系统、设备
Jošilo et al. Wireless and computing resource allocation for selfish computation offloading in edge computing
CN109947545B (zh) 一种基于用户移动性的任务卸载及迁移的决策方法
Yu et al. Distributed real-time energy management in data center microgrids
CN110543336B (zh) 基于非正交多址接入技术的边缘计算任务卸载方法及装置
CN110798849A (zh) 一种超密网边缘计算的计算资源分配与任务卸载方法
CN109002358A (zh) 基于深度强化学习的移动终端软件自适应优化调度方法
CN111182509B (zh) 一种基于上下文感知学习的泛在电力物联网接入方法
CN114585006B (zh) 基于深度学习的边缘计算任务卸载和资源分配方法
CN113407249B (zh) 一种面向位置隐私保护的任务卸载方法
CN114697333B (zh) 一种能量队列均衡的边缘计算方法
CN114625506A (zh) 一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法
CN116366576A (zh) 算力网络资源调度方法、装置、设备及介质
CN113821346B (zh) 基于深度强化学习的边缘计算中计算卸载与资源管理方法
Taboada et al. Opportunistic scheduling of flows with general size distribution in wireless time-varying channels
CN114449490A (zh) 基于d2d通信的多任务联合计算卸载与资源分配方法
CN116546559B (zh) 分布式多目标空地联合轨迹规划和卸载调度方法及系统
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法
CN116347519A (zh) 一种兼顾隐私和保密特性的并行卸载方案
CN115955479A (zh) 一种云边端协作系统中的任务快速调度与资源管理方法
Li et al. Real-time optimal resource allocation in multiuser mobile edge computing in digital twin applications with deep reinforcement learning

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
TA01 Transfer of patent application right

Effective date of registration: 20210305

Address after: 102206 No. 2 Nong Road, Changping District, Beijing

Applicant after: NORTH CHINA ELECTRIC POWER University

Applicant after: ELECTRIC POWER RESEARCH INSTITUTE OF STATE GRID SHANDONG ELECTRIC POWER Co.

Address before: 102206 No. 2 Nong Road, Changping District, Beijing

Applicant before: NORTH CHINA ELECTRIC POWER University

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant