CN112882383B - 一种面向变电站监测与边缘云协同的预测控制调度方法 - Google Patents

Abstract

本发明公开了一种面向变电站监测的边缘云协同的预测控制调度方法，其步骤包括：1、变电站中不同类型传感器采集变电站内的各类数据，并对这些数据按种类和采样时刻进行编码，然后将这些数据传输给资源调度器；2、在已知互联网延迟变化趋势的情况下，资源调度器根据当前边缘端资源池的状态和调度器的控制输入进行预测、迭代、求解，得出下一时刻数据是传输给边缘设备来处理还是传输给云端来处理，如此反复进行从而使系统不断优化，实现计算资源的合理分配。本发明可以在满足数据传输延迟的要求下，实现计算资源的合理分配，使系统的吞吐量最大化。

Description

一种面向变电站监测与边缘云协同的预测控制调度方法

技术领域

本发明主要涉及变电站监测和计算资源优化调度领域，具体说是一种面向变电站监测边缘云协同的预测控制调度方法，适用于变电站中对数据进行实时监测。

背景技术

智能变电站是采用先进、可靠、集成和环保的智能设备，以全站信息数字化、通信平台网络化、信息共享标准化为基本要求，自动完成信息采集、测量、控制、保护、计量和检测等基本功能，同时，具备支持电网实时自动控制、智能调节、在线分析决策和协同互动等高级功能的变电站。随着电力系统的不断发展及电网的智能化，实时的对变电站进行监测具有重要意义，是实现电变电站智能化的关键。为适应智能变电站的需求，监测系统应该具备更为全面而准确的数据采集系统，具有强大的数据智能调度系统，在不同延迟下实现云边计算资源利用率的最大化，从而实现数据安全高效处理。

在变电站监测中预测控制调度尤为重要，它是变电站监测的核心体现，是建设坚强智能变电站的关键内容，是智能变电站运行控制的神经中枢。预测控制具有预测和控制的功能，它是根据系统当前时刻的控制输入和过程的历史信息，预测过程输出的未来值，然后将预测的过程输出的第一个值作为系统的控制量输入系统，继续进行预测控制，从而不断对系统进行优化，实现系统的最优化调度。

国网河北省电力有限公司电力科学研究院顾朝敏等研究出一套对变电站进行多状态量感知和分析的智能监测终端(河北电力技术，[2019-12-25]:1-3+62,“基于多状态量感知分析技术的变电站智能监测”)，实现了电力设备和环境7种状态量的同步感知，终端植入基于人工智能技术的边缘计算模型，实现多种状态量的融合分析，以及多终端间状态量的协同计算，提升缺陷发现的种类和及时性。但是此研究只考虑了边缘计算的传输延迟较小，没有考虑到边缘设备计算资源有限，无法及时完成大量数据的处理。

广东供电局叶其革等提出了一种智能变电站多层数据交换调度优化方法(自动化与仪器仪表，[2017-08-25]：115-117，“智能变电站多层数据交换调度优化方法研究”)。该方法通过对智能变电站多层数据交换调度系统数据传输过程入手，首先对智能变电站多层数据交换调度系统的总体架构进行了优化，其中引进了一种数学模型，该数学模型使用了两种先进的计算方法，可以有效的提升数据智能变电站多层数据交换调度系统在进行数据传输时的质量，同时避免面了数据的大量丢失。但是该方法只考虑了数据在传输过程中的传输质量和数据丢失问题，没有考虑数据如何分配资源才能实现安全高效处理，使计算资源的利用率达到最大化。

重庆大学输配电装备及系统安全与新技术国家重点实验室王有元等研究了一种基于云平台的变电站设备智能诊断系统(高电压技术，[2015-12-31]：3895-3901，“基于云平台的变电站设备智能诊断系统”)。该系统由智能传感器、诊断云平台和变电站中心控制站组成。智能传感器采集设备的实时状态数据并传输至云平台；云平台由智能电子设备组成，根据任务调度原则合理分配云平台计算资源，融合初步故障诊断信息，实现故障协同诊断和诊断结果分层存储；变电站中心控制站调用高级诊断方法进一步确认故障，发出报警和维修信号。但是该系统没有采样边缘云协同，没有解决云端延迟较大的问题。

发明内容

本发明是为避免上述现有技术所存在的不足之处，提供了一种面向变电站监测与边缘云协同的预测控制调度方法，以期能考虑云端互联网延迟的情况下，实现计算资源的合理分配，使得系统的吞吐量最大化，从而提高边缘云端计算资源的利用率和计算的精度。

本发明为解决技术问题采用如下技术方案：

本发明一种面向变电站监测的边缘云协同的预测控制调度方法的特点是应用于由N个无线传感器所在的网络测试节点、资源调度器、电力无线专用基站、拥有资源池及不同神经网络的边缘设备e和远程云端c所组成的智能变电站监测环境中，所述预测控制调度方法是按如下步骤进行：

步骤一、在所述智能变电站监测环境中，将N个传感器进行编号{1,2,…,n,…,N}，其中n表示第n个传感器的序号，1≤n≤N；令每个传感器每个时刻采样一个数据包，且总采样时间为I；

步骤二、利用式(1)确定第n个传感器产生的数据包在延迟限制内经资源调度器到电力无线专用基站再到远程云端c的链路成功传输的概率P_c,n(t≤T_n)：

式(1)-式(3)中，t表示数据传输的总延迟，T_n表示第n个传感器给定的最大传输延迟，T_c,i表示第n个传感器在i时刻的互联网传输延迟，w_n,c表示第n个传感器传输到远程云端c后的无线信道的服务速率，λ_c表示数据传输到远程云端c过程中无线通信到达率；r_c表示数据传输至远程云端c的传输速率，L_n表示第n个传感器传输每个数据包的传输位数，γ_c表示数据传输至远程云端c的信噪比，B_c表示数据传输至远程云端c的带宽资源；x_n,i+1为一个二进制变量，x_n,i+1＝1表示i+1时刻第n个传感器产生的数据传输到边缘设备e，x_n,i+1＝0表示第i+1时刻第n个传感器产生的数据传送到远程云端c；

步骤三、利用式(4)确定第n个传感器产生的数据包在延迟限制内经资源调度器到边缘设备e的链路成功传输的概率P_e,a,n(t≤T_n)：

式(4)-式(6)中，T_e,a,n表示边缘设备e采用第a种神经网络处理同类数据的计算延迟，1≤a≤A，w_n,e表示第n个传感器传输边缘设备e的无线信道的服务速率，λ_e表示数据传输到边缘设备e过程中的无线通信到达率；r_e表示数据传输至边缘设备e的传输速率，γ_e表示数据传输至边缘设备e的信噪比，B_e表示数据传输至边缘设备e的带宽资源；

步骤四、利用式(7)得到i+1时刻在边缘设备e的资源池内N个传感器传输来的数据待消耗的计算资源m(i+1)：

式(7)中，μ_a表示第a种神经网络分得的计算资源；y_n,i+1,a也是一个二进制变量，y_n,i+1,a＝1表示在i+1时刻只有第n个传感器产生的数据传送给精度为Q_a的神经网络，y_n,i+1,a＝0在i+1时刻第n个传感器产生的数据未传送给精度为Q_a的神经网络；γ_o表示资源池在单位时间内处理的数据消耗的计算资源；m(i)表示i时刻在边缘设备e的资源池内N个传感器传输来的未处理的数据待消耗的计算资源，并初始化为0；

步骤五、以计算精度与数据成功到达概率乘积的最大值为目标函数；

根据计算资源、通信资源和设备硬件的限制因素，建立一系列约束条件；

由所述目标函数和一系列约束条件构成预测控制调度模型；

步骤六、利用PHR算法求出T时间之后的预测控制调度模型的最优解集x^*，然后再对最优解集x^*取整，从而得到符合0-1约束条件的预测最优解集x_0-1；

步骤七、将预测最优解集中的第一个预存最优解x_0-1(1)作为i+1时刻的最优解，然后将i+1时刻的最优解作为控制量从而实现对i+1时刻传感器传输的数据进行控制；

步骤八、将控制量带入式(7)中得到i+1时刻资源池内未处理数据的待消耗的计算资源m(i+1)，将i+1赋值给i后返回步骤六。

本发明所述的预测控制调度方法的特点也在于，所述步骤五按如下过程进行：

步骤5.1、利用式(8)建立目标函数：

式(8)中，Q_c表示远程云端c的计算精度，Q_a表示第a种神经网络的计算精度，Q表示神经网络的整体计算精度，P表示数据成功到达边缘设备e和远程云端c的总概率；

步骤5.2、利用式(9)-式(12)建立约束条件：

x_n,i+1∈{0,1} (9)

y_n,i+1,a＝{0,1} (10)

若x_n,i+1＝1，则

式(9)表示i+1时刻第n个传感器的数据包可以选择传输给远程云端c或者边缘设备e；

式(10)表示i+1时刻第n个传感器的数据包传输给边缘设备e时能选择是否传输给精度为Q_a的神经网络；

式(11)表示当数据传输给边缘设备e时，必须选择传输给某一种精度的神经网络；

式(12)表示资源池内的数据待消耗的计算资源状态不能超过资源池的总容量V。

所述步骤六中PHR算法求解按如下步骤进行：

步骤6.1、对所述目标函数取反，然后将求解的二进制变量x_n,i+1松弛为连续变量，并根据式(13)建立增广拉格朗日函数L(x_n,i+1,y_n,i+1,a,λ，σ)：

式(13)中，σ表示惩罚因子，h(x_n,i+1)、h(y_n,i+1,a)、h₁(x_n,i,y_n,i+1,a)、h₂(x_n,i,y_n,i+1,a)分别表示四个约束函数，λ₁、λ₂、λ₃、λ₄表示对应约束的拉格朗日乘数，并有：

h(x_n,i+1)＝x_n,i+1-1 (14)

h(y_n,i,a)＝y_n,i+1,a-1 (15)

式(16)中，B为设定常量；

步骤6.2、根据式(18)建立第k次循环的约束函数的终止函数

式(18)中，h(x_n,i+1)_k、h(y_n,i+1,a)_k、h₁(x_n,i+1,y_n,i+1,a)_k、h₂(x_n,i+1,y_n,i+1,a)_k分别表示第k次循环的四个约束函数，(λ₁)_k、(λ₂)_k、(λ₃)_k、(λ₄)_k表示第k次循环对应约束的拉格朗日乘数；

步骤6.3、利用PHR算法求解出经过松弛的预测控制调度模型的最优解x^*：

步骤6.3.1、给定由N个二进制变量x_n,i+1所组成的初始点X₀、初始第j个拉格朗日乘数(λ_j)₀、初始惩罚因子σ₀以及放大系数c＞1、控制误差ε＞0、常数θ∈(0,1)，j∈{1,2,3,4}，初始化循环变量k＝1；

步骤6.3.2、以第k-1次循环的二进制变量(x_n,i+1)_k-1为初始点，求解式(13)，得到第k次循环的最优解(x_n,i+1)_k；

步骤6.3.3、计算第k次循环的终止函数

若

则令(x_n,i)_k为最优解；并由N个最优解构成最优解集x^*，否则，转步骤6.3.4；

步骤6.3.4、当

时，转步骤6.3.5；否则，将第k次循环的惩罚因子σ_k与放大系数c的乘积赋值给第k+1次循环惩罚因子σ_k+1后，转步骤6.3.5；

步骤6.3.5、利用式(19)修正第k次循环的第j个拉格朗日乘数(λ_j)_k，得到第k+1次循环的第j个拉格朗日乘数(λ_j)_k+1：

(λ_j)_k+1＝min[0,(λ_j)_k-σf_j((x_n,i+1)_k)]，j＝1,2,3,4 (19)

式(19)中，f_j为第j个中间变量，并有：

f₁＝h(x_n,i+1),f₂＝h(y_n,i+1,a),f₃＝h₁(x_n,i+1,y_n,i+1,a),f₄＝h₂(x_n,i+1,y_n,i+1,a)

步骤6.3.6、将k+1赋值给k，转步骤6.3.2。

与已有技术相比，本发明有益效果体现在：

1.本发明预测控制调度方法包含了数据传输到云端处理和传输到边缘端处理两种选择，在考虑云端互联网延迟的情况下，通过当前已知的边缘端资源池的状态和调度的输入来预测未来一段时间内资源池的状态和调度器的控制输入，然后将预测出来的第一个时刻的控制输入作用于系统，决定下一时刻的数据该送至云端处理还是送往边缘端处理，同时预测出来的第一个时刻的控制输入还将作为下一轮预测的初值，继续下一轮的预测控制，从而实现了计算资源的合理分配，大大降低了数据传输过程中的延迟，使传输和处理速度更快，计算资源利用率更高。

2.本发明将面向变电站监测的边缘云协同的预测控制调度问题转化为非线性整数规划问题，对目标函数取反并将其求解变量松弛为连续变量，利用PHR算法求解出经过松弛的非线性规划问题的最优解，然后再对最优解取整得到符合0-1约束条件的预测最优解，大大降低了求解问题时的运算量，提高了运算速度，能更好的实现对变电站的实时监测，更有利于变电站智能化的建设。

附图说明

图1为本发明的预测控制调度方法系统的架构图。

具体实施方式

本实施例中，如图1所示，一种面向变电站监测的边缘云协同的预测控制调度系统拥有N个无线传感器网络测试节点、资源调度器、电力无线专用基站、拥有资源池及不同神经网络的边缘设备和远程云端，其中：

无线传感器网络测试节点包括：WIFI和LTE-A的两种无线通信接口、传感器和微处理器单元，其中传感器负责采集变电站中的电流、电压等数据，微处理器负责把采集的数据处理和传送；

边缘设备包括：WIFI无线通信接口、资源池和运行多种神经网络的嵌入式微处理器；其中，资源池用于存储资源调度器传输来的数据，资源调度器又根据资源池的状态来进行预测，嵌入式微处理器中每个神经网络的精度不同，消耗的计算资源不同，且均用于对电压和电流时序数据进行监测；

云端包括：LTE-A无线通信接口、互联网接口和神经网络模型；

资源调度器：负责接收传感器测试节点传输来的数据，然后在考虑互联网延迟下，根据当前时刻调度器的控制输入和资源池内的状态，预测出未来一段时间的输入值，把预测出来的第一个值作为下一时刻的控制输入，从而决定下一时刻的数据该送给边缘设备处理还是送到云端进行处理，以达到最优化调度，实现计算资源的合理分配；

传感器-资源调度器-电力无线专网基站-云：传感器将采集的数据通过LTE-A无线通信接口传输给资源调度器，资源调度器根据预测结果做出决策，将数据传输给电力无线专网基站，电力无线专网基站对所接收到的数据进行一定的处理后，再通过互联网将处理后的数据上传至云端，由云端中的神经网络模型对处理后的数据进行实时监测，一旦数据发生异常，则找出故障并排除，从而实现从传感器到电力无线专网基站再到云端的数据传输和处理过程；

传感器-资源调度器-边缘设备：传感器将采集的数据通过WIFI无线通信接口传输给资源调度器，资源调度器根据预测结果做出决策后，再把数据传输给边缘设备中的资源池，然后边缘设备中的嵌入式微处理器中的不同精度的神经网络对所接收到的数据进行实时监测，一旦数据发生异常，则找出故障并排除，从而实现从传感器到边缘设备的数据传输和处理过程。

如图1所示，一种面向变电站监测边缘云协同的预测控制调度方法是使得传输过程实现吞吐量的最大化和计算资源的合理分配，具体的说是按如下步骤进行：

步骤一、在智能变电站监测环境中，将N个传感器进行编号{1,2,…,n,…,N}，其中n表示第n个传感器的序号，1≤n≤N，本实例中，有测量电压、电流、谐波和有功功率共四种类型的传感器，每四种不同的传感器为一组，总共取100组，并对传感器进行编号{1，2，3，4，…，400}；令每个传感器每个时刻采样一个数据包，一个时刻为1s，总采样时间为I，I＝10；

步骤二、利用式(1)确定第n个传感器产生的数据包在延迟限制内经资源调度器到电力无线专用基站再到远程云端c的链路成功传输的概率P_c,n(t≤T_n)：

式(1)-式(3)中，t表示数据传输的总延迟，T_n表示第n个传感器给定的最大传输延迟，T_n＝125ms，T_c,i表示第n个传感器在i时刻的互联网传输延迟，是一个测得的已知变化的参数，取值为60ms到80ms之间，w_n,c表示第n个传感器传输到远程云端c后的无线信道的服务速率，λ_c表示数据传输到远程云端c过程中无线通信到达率；r_c表示数据传输至远程云端c的传输速率，r_c＝6Mbps，L_n表示第n个传感器传输每个数据包的传输位数，四种传感器采集的每个数据包传输数据的位数分别为8000bit，8000bit，6000bit，6000bit，γ_c表示数据传输至远程云端c的信噪比，取其值为16dB到18dB之间，B_c表示数据传输至远程云端c的带宽资源，B_c＝100MHz；x_n,i+1为一个二进制变量，x_n,i+1＝1表示i+1时刻第n个传感器产生的数据传输到边缘设备e，x_n,i+1＝0表示第i+1时刻第n个传感器产生的数据传送到远程云端c；

步骤三、利用式(4)确定第n个传感器产生的数据包在延迟限制内经资源调度器到边缘设备e的链路成功传输的概率P_e,a,n(t≤T_n)：

式(4)-式(6)中，T_e,a,n表示边缘设备e采用第a种神经网络处理同类数据的计算延迟，1≤a≤A，A＝3，w_n,e表示第n个传感器传输边缘设备e的无线信道的服务速率，λ_e表示数据传输到边缘设备e过程中的无线通信到达率；r_e表示数据传输至边缘设备e的传输速率，r_e＝5Mbps，γ_e表示数据传输至边缘设备e的信噪比，取其值为15dB到17dB之间,B_e表示数据传输至边缘设备e的带宽资源，B_e＝40MHz；

所需要用到的不同类型传感器采集的数据分给不同神经网络处理的计算延迟值如表1所示：

表1步骤三中的参数值

步骤四、利用式(7)得到i+1时刻在边缘设备e的资源池内N个传感器传输来的数据待消耗的计算资源m(i+1)：

式(7)中，μ_a表示第a种神经网络分得的计算资源，计算资源用时钟周期的个数来表示，则μ₁＝0.47M,μ₂＝0.63M,μ₃＝0.84M；y_n,i+1,a也是一个二进制变量，y_n,i+1,a＝1表示在i+1时刻只有第n个传感器产生的数据传送给精度为Q_a的神经网络，y_n,i+1,a＝0在i+1时刻第n个传感器产生的数据未传送给精度为Q_a的神经网络；γ_o表示资源池在单位时间内处理的数据消耗的计算资源，γ₀＝216M；m(i)表示i时刻在边缘设备e的资源池内N个传感器传输来的未处理的数据待消耗的计算资源，并初始化为0；

步骤五、以计算精度与数据成功到达概率乘积的最大值为目标函数；根据计算资源、通信资源和设备硬件的限制因素，建立一系列约束条件；从而利用式(8)-(12)构成预测控制调度模型；

目标函数如式(8)所示：

式(8)中，Q_c表示远程云端c的计算精度，云端中有一个神经网络，计算精度Q_c＝99.99％，

Q_a表示第a种神经网络的计算精度，边缘设备e中有三种不同精度的神经网络，每种神经网络的精度分别为Q₁＝96.99％,Q₂＝97.99％,Q₃＝98.99％，Q表示神经网络的整体计算精度，P表示数据成功到达边缘设备e和远程云端c的总概率；

约束条件如式(9)-式(12)所示：

x_n,i+1∈{0,1} (9)

y_n,i+1,a＝{0,1} (10)

若x_n,i+1＝1，则

式(9)表示i+1时刻第n个传感器的数据包可以选择传输给远程云端c或者边缘设备e；

式(10)表示i+1时刻第n个传感器的数据包传输给边缘设备e时能选择是否传输给精度为Q_a的神经网络；

式(11)表示当数据传输给边缘设备e时，必须选择传输给某一种精度的神经网络；

式(12)表示资源池内的数据待消耗的计算资源状态不能超过资源池的总容量V，V＝648M。

步骤六、利用PHR算法求出T时间之后的预测控制调度模型的最优解集x^*，T＝10，然后再对最优解集x^*取整，从而得到符合0-1约束条件的预测最优解集x_0-1；

步骤6.1、为了建立预测控制调度模型的增广拉格朗日函数，对式(11)进行规划，引入合适的值B，令B＝-2，则式(11)变为：

y_n,i,a-1≥B(1-x_n,i) (13)

对所述目标函数取反，然后将求解的二进制变量x_n,i+1松弛为连续变量，并根据式(14)建立增广拉格朗日函数L(x_n,i+1,y_n,i+1,a,λ，σ)：

式(14)中，σ表示惩罚因子，h(x_n,i+1)、h(y_n,i+1,a)、h₁(x_n,i,y_n,i+1,a)、h₂(x_n,i,y_n,i+1,a)分别表示四个约束函数，λ₁、λ₂、λ₃、λ₄表示对应约束的拉格朗日乘数，并有：

h(x_n,i+1)＝x_n,i+1-1 (15)

h(y_n,i,a)＝y_n,i+1,a-1 (16)

步骤6.2、根据式(19)建立第k次循环的约束函数的终止函数

式(19)中，h(x_n,i+1)_k、h(y_n,i+1,a)_k、h₁(x_n,i+1,y_n,i+1,a)_k、h₂(x_n,i+1,y_n,i+1,a)_k分别表示第k次循环的四个约束函数，(λ₁)_k、(λ₂)_k、(λ₃)_k、(λ₄)_k表示第k次循环对应约束的拉格朗日乘数，

步骤6.3、利用PHR算法求解出经过松弛的预测控制调度模型的最优解x^*：

步骤6.3.1、给定由N个二进制变量x_n,i+1所组成的初始点X₀、初始第j个拉格朗日乘数(λ_j)₀、初始惩罚因子σ₀以及放大系数c＞1、控制误差ε＞0、常数θ∈(0,1)，j∈{1,2,3,4}，初始化循环变量k＝1；

步骤6.3.2、以第k-1次循环的二进制变量(x_n,i+1)_k-1为初始点，求解式(13)，得到第k次循环的最优解(x_n,i+1)_k；

步骤6.3.3、计算第k次循环的终止函数

若

则令(x_n,i)_k为最优解；并由N个最优解构成最优解集x^*，否则，转步骤6.3.4；

步骤6.3.4、当

时，转步骤6.3.5；否则，将第k次循环的惩罚因子σ_k与放大系数c的乘积赋值给第k+1次循环惩罚因子σ_k+1后，转步骤6.3.5；

步骤6.3.5、利用式(19)修正第k次循环的第j个拉格朗日乘数(λ_j)_k，得到第k+1次循环的第j个拉格朗日乘数(λ_j)_k+1：

(λ_j)_k+1＝min[0,(λ_j)_k-σf_j((x_n,i+1)_k)]，j＝1,2,3,4 (20)

式(19)中，f_j为第j个中间变量，并有：

f₁＝h(x_n,i+1),f₂＝h(y_n,i+1,a),f₃＝h₁(x_n,i+1,y_n,i+1,a),f₄＝h₂(x_n,i+1,y_n,i+1,a)

步骤6.3.6、将k+1赋值给k，转步骤6.3.2。

步骤七、将预测最优解集中的第一个预存最优解x_0-1(1)作为i+1时刻的最优解，然后将i+1时刻的最优解作为控制量从而实现对i+1时刻传感器传输的数据进行控制；

步骤八、将控制量带入式(7)中得到i+1时刻资源池内未处理的数据待消耗的计算资源m(i+1)，将i+1赋值给i后返回步骤六。

Claims (1)

1.一种面向变电站监测的边缘云协同的预测控制调度方法，其特征是应用于由N个无线传感器所在的网络测试节点、资源调度器、电力无线专用基站、拥有资源池及不同神经网络的边缘设备e和远程云端c所组成的智能变电站监测环境中，所述预测控制调度方法是按如下步骤进行：

步骤一、在所述智能变电站监测环境中，将N个传感器进行编号{1,2,…,n,…,N}，其中n表示第n个传感器的序号，1≤n≤N；令每个传感器每个时刻采样一个数据包，且总采样时间为I；

步骤二、利用式(1)确定第n个传感器产生的数据包在延迟限制内经资源调度器到电力无线专用基站再到远程云端c的链路成功传输的概率P_c,n(t≤T_n)：

式(1)-式(3)中，t表示数据传输的总延迟，T_n表示第n个传感器给定的最大传输延迟，T_c,i表示第n个传感器在i时刻的互联网传输延迟，w_n,c表示第n个传感器传输到远程云端c后的无线信道的服务速率，λ_c表示数据传输到远程云端c过程中无线通信到达率；r_c表示数据传输至远程云端c的传输速率，L_n表示第n个传感器传输每个数据包的传输位数，γ_c表示数据传输至远程云端c的信噪比，B_c表示数据传输至远程云端c的带宽资源；x_n,i+1为一个二进制变量，x_n,i+1＝1表示i+1时刻第n个传感器产生的数据传输到边缘设备e，x_n,i+1＝0表示第i+1时刻第n个传感器产生的数据传送到远程云端c；

步骤三、利用式(4)确定第n个传感器产生的数据包在延迟限制内经资源调度器到边缘设备e的链路成功传输的概率P_e,a,n(t≤T_n)：

式(4)-式(6)中，T_e,a,n表示边缘设备e采用第a种神经网络处理同类数据的计算延迟，1≤a≤A，w_n,e表示第n个传感器传输边缘设备e的无线信道的服务速率，λ_e表示数据传输到边缘设备e过程中的无线通信到达率；r_e表示数据传输至边缘设备e的传输速率，γ_e表示数据传输至边缘设备e的信噪比，B_e表示数据传输至边缘设备e的带宽资源；

步骤四、利用式(7)得到i+1时刻在边缘设备e的资源池内N个传感器传输来的数据待消耗的计算资源m(i+1)：

式(7)中，μ_a表示第a种神经网络分得的计算资源；y_n,i+1,a也是一个二进制变量，y_n,i+1,a＝1表示在i+1时刻只有第n个传感器产生的数据传送给精度为Q_a的神经网络，y_n,i+1,a＝0在i+1时刻第n个传感器产生的数据未传送给精度为Q_a的神经网络；γ_o表示资源池在单位时间内处理的数据消耗的计算资源；m(i)表示i时刻在边缘设备e的资源池内N个传感器传输来的未处理的数据待消耗的计算资源，并初始化为0；

步骤五、以计算精度与数据成功到达概率乘积的最大值为目标函数；

根据计算资源、通信资源和设备硬件的限制因素，建立一系列约束条件；

由所述目标函数和一系列约束条件构成预测控制调度模型；

步骤5.1、利用式(8)建立目标函数：

式(8)中，Q_c表示远程云端c的计算精度，Q_a表示第a种神经网络的计算精度，Q表示神经网络的整体计算精度，P表示数据成功到达边缘设备e和远程云端c的总概率；

步骤5.2、利用式(9)-式(12)建立约束条件：

x_n,i+1∈{0,1} (9)

y_n,i+1,a＝{0,1} (10)

若x_n,i+1＝1，则

式(9)表示i+1时刻第n个传感器的数据包可以选择传输给远程云端c或者边缘设备e；

式(10)表示i+1时刻第n个传感器的数据包传输给边缘设备e时能选择是否传输给精度为Q_a的神经网络；

式(11)表示当数据传输给边缘设备e时，必须选择传输给某一种精度的神经网络；

式(12)表示资源池内的数据待消耗的计算资源状态不能超过资源池的总容量V；

步骤六、利用PHR算法求出T时间之后的预测控制调度模型的最优解集x^*，然后再对最优解集x^*取整，从而得到符合0-1约束条件的预测最优解集x_0-1；

步骤6.1、对所述目标函数取反，然后将求解的二进制变量x_n,i+1松弛为连续变量，并根据式(13)建立增广拉格朗日函数L(x_n,i+1,y_n,i+1,a,λ，σ)：

式(13)中，σ表示惩罚因子，h(x_n,i+1)、h(y_n,i+1,a)、h₁(x_n,i,y_n,i+1,a)、h₂(x_n,i,y_n,i+1,a)分别表示四个约束函数，λ₁、λ₂、λ₃、λ₄表示对应约束的拉格朗日乘数，并有：

h(x_n,i+1)＝x_n,i+1-1 (14)

h(y_n,i,a)＝y_n,i+1,a-1 (15)

式(16)中，B为设定常量；

步骤6.2、根据式(18)建立第k次循环的约束函数的终止函数

式(18)中，h(x_n,i+1)_k、h(y_n,i+1,a)_k、h₁(x_n,i+1,y_n,i+1,a)_k、h₂(x_n,i+1,y_n,i+1,a)_k分别表示第k次循环的四个约束函数，(λ₁)_k、(λ₂)_k、(λ₃)_k、(λ₄)_k表示第k次循环对应约束的拉格朗日乘数；

步骤6.3、利用PHR算法求解出经过松弛的预测控制调度模型的最优解x^*：

步骤6.3.1、给定由N个二进制变量x_n,i+1所组成的初始点X₀、初始第j个拉格朗日乘数(λ_j)₀、初始惩罚因子σ₀以及放大系数c＞1、控制误差ε＞0、常数θ∈(0,1)，j∈{1,2,3,4}，初始化循环变量k＝1；

步骤6.3.2、以第k-1次循环的二进制变量(x_n,i+1)_k-1为初始点，求解式(13)，得到第k次循环的最优解(x_n,i+1)_k；

步骤6.3.3、计算第k次循环的终止函数

若

则令(x_n,i)_k为最优解；并由N个最优解构成最优解集x^*，否则，转步骤6.3.4；

步骤6.3.4、当

时，转步骤6.3.5；否则，将第k次循环的惩罚因子σ_k与放大系数c的乘积赋值给第k+1次循环惩罚因子σ_k+1后，转步骤6.3.5；

步骤6.3.5、利用式(19)修正第k次循环的第j个拉格朗日乘数(λ_j)_k，得到第k+1次循环的第j个拉格朗日乘数(λ_j)_k+1：

(λ_j)_k+1＝min[0,(λ_j)_k-σf_j((x_n,i+1)_k)]，j＝1,2,3,4 (19)

式(19)中，f_j为第j个中间变量，并有：

f₁＝h(x_n,i+1),f₂＝h(y_n,i+1,a),f₃＝h₁(x_n,i+1,y_n,i+1,a),f₄＝h₂(x_n,i+1,y_n,i+1,a)

步骤6.3.6、将k+1赋值给k，转步骤6.3.2；

步骤七、将预测最优解集中的第一个预存最优解x_0-1(1)作为i+1时刻的最优解，然后将i+1时刻的最优解作为控制量从而实现对i+1时刻传感器传输的数据进行控制；

步骤八、将控制量带入式(7)中得到i+1时刻资源池内未处理数据的待消耗的计算资源m(i+1)，将i+1赋值给i后返回步骤六。

Images