CN113452956A - 一种输电线路巡检任务智能分配方法及系统 - Google Patents
一种输电线路巡检任务智能分配方法及系统 Download PDFInfo
- Publication number
- CN113452956A CN113452956A CN202110217128.3A CN202110217128A CN113452956A CN 113452956 A CN113452956 A CN 113452956A CN 202110217128 A CN202110217128 A CN 202110217128A CN 113452956 A CN113452956 A CN 113452956A
- Authority
- CN
- China
- Prior art keywords
- mecs
- mecss
- sub
- task
- information
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02G—INSTALLATION OF ELECTRIC CABLES OR LINES, OR OF COMBINED OPTICAL AND ELECTRIC CABLES OR LINES
- H02G1/00—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines
- H02G1/02—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines for overhead lines or cables
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种输电线路巡检任务智能分配方法及系统,包括,步骤S1,获取无人机、Sub‑MECSs及M‑MECSs的当前网络状态信息、当前环境信息及能量亏损队列信息;步骤S2,根据当前网络状态信息、当前环境信息确定无人机、Sub‑MECSs及M‑MECSs的位置坐标信息和执行的动作信息;步骤S3,根据当前网络状态信息、当前环境信息及能量亏损队列信息确定各无人机、Sub‑MECSs及M‑MECSs的任务时延模型和能量消耗模型;步骤S4,根据任务时延模型和能量消耗模型确定执行动作对应的奖罚值,并按照预设的任务卸载策略执行任务卸载操作。本发明在保持相对较低延迟的同时,有效减少系统能耗。
Description
技术领域
本发明涉及电力系统自动化技术领域,特别是涉及一种输电线路巡检任务 智能分配方法及系统。
背景技术
能源互联网是综合运用先进的电力电子技术、通信技术、信息技术和智能 管理技术支撑能源节点互联实现能量双向流动的能量对等交换与共享网络。但 是,随着能源互联网规模的逐渐扩大,海量的物联设备对电能输送容量与传输 距离的要求越来越高,这使得我国架空输电线路工程的规模也随之提升。因此, 输电线路日常巡检成为电力公司各级运检部门的重要工作之一。但是,部分输 电线路需要穿过地形复杂和自然环境恶劣的地区,这对运维人员的日常巡检工 作带来了极大的挑战。因此,电力运检部门借助无人机技术来解决传统人力巡 检效率低下的问题,并可保障作业人员在悬崖、山体等严峻地形的人身安全。 然而,由于无人机的计算能力有限,不能独自处理巡检过程中产生的海量图像 数据,需要将任务卸载到其他服务器上处理。MEC,即边缘计算技术(Mobile Edge Computing)可以按照我国输电线路的实际地理位置部署边缘服务器,可充分发挥 边缘计算在网络中灵活分布的优势,并可按照一定的卸载机制进行无人机数据 卸载,以降低任务时延和系统能耗,延长整个巡检系统续航时间并提高网络资 源利用率。因此,如何求解无人机巡检任务的卸载策略已经成为重要的研究方 向。
为了解现有技术的发展状况,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CN111524034A的《高可靠低时延低能耗的电力巡检 系统及巡检方法》专利,提供了一种高可靠低时延低能耗的电力巡检系统及巡 检方法,该方法巡检系统包括基站、边缘服务器及智能巡检机器人,该方法智 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。该方法基于其 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任务卸载决策模型,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。
技术方案2:专利号为CN111401745A的《一种基于5G的巡检机器人集群 任务分配方法及系统》专利提出了基于5G的巡检机器人集群任务分配方法。该 方法包括以下步骤:首先,对机器人集群进行巡检任务规划;从时间、路程、 效用三个维度,计算巡检机器人在任务执行过程中的代价;然后,对巡检任务 进行分配;最后,通过5G基站下发巡检指令到机器人集群。该方法采用5G, 解决机器人集群任务分配时高速率、低延迟和广链接的通信要求。
技术方案3:专利号为CN111754020A的《基于数据分析的智能电厂设备巡 检系统及方法》专利,具体涉及基于数据分析的智能电厂设备巡检系统及法。 所述系统包括:设备检测端、手持检测终端和服务器;所述设备检测端,获取 电力设备的运行状态信息,定时将获取的运行状态信息发送至服器;所述手持 检测终端,提供给巡检人员,接收服务器发布的巡检任务和巡检路线,在进行 巡检时,实时反馈巡检过程中的信息至服务器;通过建立完备的电力巡检检修 系统,实时获取电力设备的运行状态,能够及时获知电力设备的运行故障信息, 使得检修效率更高。
但是,技术方案1提供了一种高可靠低时延低能耗的电力巡检系统及巡检 方法,其特征在于: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;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;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。然而该方案没有考虑在实际电力场景应用中机器人的移动性和计 算卸载的复杂性。
技术方案2采用一种基于5G的巡检机器人集群任务分配方法,其特征在于: 采用5G技术,满足机器人集群多任务分配时高速率、低延迟和广链接的通信要 求,并且通过改进遗传算法,解决目前机器人集群任务分配算法单一维度评价 导致任务分配不平衡的问题,从时间、路程、效用三个维度,实现任务的高效 分配。但此方法的缺陷是没有考虑到机器人不能处理巡检过程中的产生的海量 图像数据以及机器人处理海量数据所产生的时间花费所带来用户体验的下降。
技术方案3采用一种在基于数据分析的智能电厂设备巡检系统及方法,其 特征在于:通过手机终端进行登陆,比人手一台手持机的方案更便捷,节约成 本的同时工作人员使用更便利;通过扫描二维码进行设备巡检及检修信息上传 确保了设备信息的准确性,与传统GPS定位设备等方法相比保证了;有独立的 信息传送渠道,比以往设备故障后巡检人员返回通知值长再通知检修人员的方 法,更快捷、高效;对存放在数据库中的各类历史数据进行分析,与以往运行 人员自行制作表格分析的方法相比,更具有准确性、便利性;服务器定期对电 力设备的历史运行数据信息进行分析,在设备出现故障以前,通过分析设备的既往的运行数据,可以对设备进行故障预测分析,大大减少了设备故障的发生。 除了能够降低设备故障率以外,还能确保生产效率不会因为设备故障而降低, 可以在出现问题前,规避问题的发生。但此方法的缺陷是限制过多,不够智能 化,不适应新时代电力环境下的智能巡检任务,所花费的人力物力较大,不能 满足能源互联网高效节能的业务需求。
发明内容
本发明的目的在于,提出一种输电线路巡检任务智能分配方法及系统,解 决无人机巡检系统业务处理时延和网络能耗较高的技术问题。
一方面,提供一种输电线路巡检任务智能分配方法,用于双层边缘网络的 云边端网络架构的巡检任务的分配,所述双层边缘网络的云边端网络包括,多 个无人机组成的终端层、多个Sub-MECSs组成的移动边缘接入层、多个 M-MECSs组成的固定边缘汇聚层和云平台,包括:
步骤S1,获取无人机、Sub-MECSs及M-MECSs的当前网络状态信息、当 前环境信息及能量亏损队列信息;
步骤S2,根据当前网络状态信息、当前环境信息确定无人机、Sub-MECSs 及M-MECSs的位置坐标信息和执行的动作信息;
步骤S3,根据当前网络状态信息、当前环境信息及能量亏损队列信息确定 各无人机、Sub-MECSs及M-MECSs的任务时延模型和能量消耗模型;
步骤S4,根据任务时延模型和能量消耗模型确定执行动作对应的奖罚值, 并按照预设的任务卸载策略执行任务卸载操作。
优选地,在步骤S1中,获取所述能量亏损队列信息,具体包括:
Sub-MECS能量亏损队列如下公式:
其中,S={s1,…,sj,…sy}表示Sub-MECSs的集合;表示sj在时 隙t的能量消耗;表示sj的平均能量预算;Qj(t)表示时隙t预算供应的 平均能量与消耗能量的差值;O(t)={Qj(t)},j∈S表示Sub-MECS的能量亏 损队列集合;
M-MECS能量亏损队列如下公式:
其中,M={m1,…,mk,…mz}表示M-MECS的集合;Z(t)={Zk(t)},k∈M 表示M-MECS的能量亏损队列集合;是mk在时隙t的能量消耗, 是mk的平均能量预算;Zk(t)表示时隙t预算的供应能量与消耗能量的 差值。
优选地,在步骤S3中,所述确定各无人机、Sub-MECSs及M-MECSs的能 量消耗模型,具体包括:
无人机的能耗为:
Sub-MECSs的能耗为:
其中,表示sj的任务处理能耗;κ表示与芯片结构相关的有效开关 电容;表示sj无线传输的能量消耗;表示每个sj的传输功率;表 示sj向mk之间的上行链路传输速率;S={s1,…,sj,…sy}表示Sub-MECSs的 集合;表示ui在时隙t根据泊松过程生成的任务;i、j、k分别表示无人 机、Sub-MECSs和M-MECS的序列数;表示从ui通过sj和mk卸载到云端;表示从ui通过sj卸载到mk;fj(t)表示sj调度 的CPU周期频率;表示每个sj的传输功率。
M-MECSs的能耗为:
其中,M={m1,…,mk,…mz}表示M-MECS的集合;表示ui在时隙t 根据泊松过程生成的任务;表示从ui通过sj卸载到mk;Pmax表 示M-MECS被充分利用时的峰值功率消耗;α为M-MECS空闲时的功耗比例; θ(t)表示CPU利用率;表示mk在时隙t卸载到M-MECS处理的全部任务; i、j、k分别表示无人机、Sub-MECSs和M-MECS的序列数;wmax为mk最大服 务率。
优选地,在步骤S3中,所述确定各无人机、Sub-MECSs及M-MECSs的任 务时延模型,具体包括:
根据以下所有任务的时延模型确定各无人机、Sub-MECSs及M-MECSs的 任务时延:
其中,M={m1,…,mk,…mz}表示M-MECS的集合;mk的预期计算延迟 为任务从mk向云平台的传输时延sj传输时延为sj处理时延为无人机向Sub-MECS传输时延为 表示 从ui通过sj和mk卸载到云端;i、j、k分别表示无人机、Sub-MECSs和 M-MECS的序列数;表示从ui通过sj卸载到mk;或 表示从ui卸载到sj。
优选地,所述步骤S3具体还包括:
根据以下公式对所有任务的时延模型进行优化:
其中,约束(a)表示每个时隙中每个任务的延迟要求;约束(b)表示无 人机的任务生成服从泊松分布;约束(c)和约束(d)表示每个时隙的Sub-MECS 和M-MECS的能量消耗不能超过上限;约束(e)和约束(f)表示长期能源消 耗必须小于能源供应,用于限制Sub-MECS和M-MECS在长时间的总能耗;约 束(g)表示任务卸载策略的可用性;
根据以下公式对P1进行优化,输出最小值时延值:
s.t.(a),(b),(c),(d),(e),(f),(g)in P1
其中,约束(a)表示每个时隙中每个任务的延迟要求;约束(b)表示无 人机的任务生成服从泊松分布;约束(c)和约束(d)表示每个时隙的Sub-MECS 和M-MECS的能量消耗不能超过上限;约束(e)和约束(f)表示长期能源消 耗必须小于能源供应,用于限制Sub-MECS和M-MECS在长时间的总能耗;约 束(g)表示任务卸载策略的可用性;表示从ui通过sj和mk卸 载到云端;i、j、k分别表示无人机、Sub-MECSs和M-MECS的序列数;表示从ui通过sj卸载到mk;或表示从ui卸载 到。
优选地,所述步骤S4具体包括:
步骤S41,初始化无人机、Sub-MECSs及M-MECSs信息,并随机初始化系 统状态;
步骤S42,实时获取每个Sub-MECS位置信息、每个Sub-MECS链接的 M-MECS的状态信息,并根据执行的动作信息控制Sub-MECS或M-MECS执行 动作;
步骤S43,根据以下的奖罚值模型计算执行的动作对应的奖罚值并生成无人 机的当前状态信息:
步骤S44,将当前状态信息、动作信息和奖励信息存入记忆池中,并更新每 个无人机的位置和每个无人机链接的Sub-MECS;
步骤S45,根据以下公式计算计算优势函数,并反向传播更新critic网络:
步骤S46,根据以下公式更新actor网络:
另一方面,还提供一种输电线路巡检任务智能分配系统,用以实现所述的 输电线路巡检任务智能分配方法,包括:
状态监测模块,用以获取无人机、Sub-MECSs及M-MECSs的当前网络状 态信息、当前环境信息及能量亏损队列信息;并根据当前网络状态信息、当前 环境信息确定无人机、Sub-MECSs及M-MECSs的位置坐标信息和执行的动作 信息
时延和消耗模块,用以根据当前网络状态信息、当前环境信息及能量亏损 队列信息确定各无人机、Sub-MECSs及M-MECSs的任务时延模型和能量消耗 模型;
任务卸载模块,用以根据任务时延模型和能量消耗模型确定执行动作对应 的奖罚值,并按照预设的任务卸载策略执行任务卸载操作。
优选地,所述状态监测模块还用于获取所述能量亏损队列信息,具体包括:
Sub-MECS能量亏损队列如下公式:
其中,S={s1,…,sj,…sy}表示Sub-MECSs的集合;表示sj在时 隙t的能量消耗;表示sj的平均能量预算;Qj(t)表示时隙t预算供应的 平均能量与消耗能量的差值;O(t)={Qj(t)},j∈S表示Sub-MECS的能量亏 损队列集合;
M-MECS能量亏损队列如下公式:
其中,M={m1,…,mk,…mz}表示M-MECS的集合;Z(t)={Zk(t)},k∈M 表示M-MECS的能量亏损队列集合;是mk在时隙t的能量消耗, 是mk的平均能量预算;Zk(t)表示时隙t预算的供应能量与消耗能量的 差值。
优选地,所述时延和消耗模块还用于确定各无人机、Sub-MECSs及 M-MECSs的能量消耗模型,具体包括:
无人机的能耗为:
Sub-MECSs的能耗为:
其中,表示sj的任务处理能耗;κ表示与芯片结构相关的有效开关 电容;表示sj无线传输的能量消耗;表示每个sj的传输功率;表 示sj向mk之间的上行链路传输速率;S={s1,…,sj,…sy}表示Sub-MECSs的 集合;表示ui在时隙t根据泊松过程生成的任务;i、j、k分别表示无人 机、Sub-MECSs和M-MECS的序列数;表示从ui通过sj和mk卸载到云端;表示从ui通过sj卸载到mk;fj(t)表示sj调度 的CPU周期频率;表示每个sj的传输功率。
M-MECSs的能耗为:
其中,M={m1,…,mk,…mz}表示M-MECS的集合;表示ui在时隙t 根据泊松过程生成的任务;表示从ui通过sj卸载到mk;Pmax表 示M-MECS被充分利用时的峰值功率消耗;α为M-MECS空闲时的功耗比例; θ(t)表示CPU利用率;表示mk在时隙t卸载到M-MECS处理的全部任务; i、j、k分别表示无人机、Sub-MECSs和M-MECS的序列数;wmax为mk最大服 务率。
确定各无人机、Sub-MECSs及M-MECSs的任务时延模型,具体包括:
根据以下所有任务的时延模型确定各无人机、Sub-MECSs及M-MECSs的 任务时延:
其中,M={m1,…,mk,…mz}表示M-MECS的集合;mk的预期计算延迟 为任务从mk向云平台的传输时延sj传输时延为sj处理时延为无人机向Sub-MECS传输时延为 表示 从ui通过sj和mk卸载到云端;i、j、k分别表示无人机、Sub-MECSs和 M-MECS的序列数;表示从ui通过sj卸载到mk;或 表示从ui卸载到sj。
优选地,所述任务卸载模块还用于初始化无人机、Sub-MECSs及M-MECSs 信息,并随机初始化系统状态;
实时获取每个Sub-MECS位置信息、每个Sub-MECS链接的M-MECS的状 态信息,并根据执行的动作信息控制Sub-MECS或M-MECS执行动作;
根据以下的奖罚值模型计算执行的动作对应的奖罚值并生成无人机的当前 状态信息:
将当前状态信息、动作信息和奖励信息存入记忆池中,并更新每个无人机 的位置和每个无人机链接的Sub-MECS;
步骤S45,根据以下公式计算计算优势函数,并反向传播更新critic网络:
根据以下公式更新actor网络:
综上,实施本发明的实施例,具有如下的有益效果:
本发明提供的输电线路巡检任务智能分配方法及系统,首先综合考虑无人 机和边缘节点的运动轨迹、业务差异化的服务需求、以及边缘节点的服务能力 等,建立面向时延、能耗等多目标联合优化的双层边缘网络任务卸载模型;然 后,基于Lyapunov优化理论方法将长期优化问题转化为基于当前信息逐隙优化 的移动边缘服务卸载策略问题。最后,提出一种双时间尺度机制,并利用PPO 算法对固定汇聚层和移动接入层边缘服务器的连接关系和卸载策略进行求解。 经过仿真实验证明,与其他先进的服务卸载策略相比较,所提卸载策略能够在 保证系统稳定的情况下最大限度地降低服务请求时延和系统能耗。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述 中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付 出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例中双层边缘网络的云边端网络架构的示意图。
图2为本发明实施例中一种输电线路巡检任务智能分配方法的主流程示意 图。
图3为本发明实施例中一种输电线路巡检任务智能分配系统的示意图。
图4为本发明实施例中任务卸载的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明 作进一步地详细描述。
如图1所示,本发明为了延长电力巡检移动设备的生命周期,针对输电线 路巡检任务的实际场景,建立了基于建立了基于双层边缘网络的云边端网络架 构,由终端层、移动边缘接入层、固定边缘汇聚层和云平台层共四层组成。双 层边缘网络由移动边缘接入层和固定边缘汇聚层组成;提出了一种双时间尺度 机制来解决双层边缘网络模型之间的关联问题,该机制在较长时间尺度内解决 双层边缘网络之间的关联问题,在较短时间尺度内执行动态任务卸载策略;最 后根据通信和计算资源的需求,建立了任务卸载的能耗和时延模型,设计了固 定边缘汇聚层和移动边缘接入层的能量亏损队列来监测巡检系统移动设备的能 量消耗状态。
其中,终端层:终端层由无人机构成。无人机按照既定航线接近电力终端 设备后悬停飞行或在一定范围内进行巡航。本专利中的无人机不在本地进行数 据处理工作,只负责采集不同类型的数据(图像、视频数据等),并通过无线通 信将数据传输到移动接入层。
移动边缘接入层:移动边缘接入层由计算能力有限的移动通信车组成。移 动通信车承载着底层MEC服务器(Sub-MECSs,Subordinate MEC Servers),担 任无人机控制站的角色。Sub-MECSs接收并处理从终端层发送的任务,也可以 通过无线通信的方式将自身无法处理的计算任务卸载到固定边缘汇聚层,以实 现负载均衡和资源共享。
固定边缘汇聚层(Fixed edge sink layer):固定边缘汇聚层由计算能力较强 的MEC服务器(M-MECSs,Main MEC Servers)及其所属的基站组成,可以接 收并处理移动边缘接入层的任务,也可以将部分对时延敏感度不高的任务卸载 到云平台层进行计算处理。所有的M-MECS都通过光纤链路连接到云平台层。
云平台层:云平台层由具有强大计算能力的云服务器组成,并对从固定边 缘汇聚层接收的任务进行统一计算处理。
如图2所示,为本发明提供的一种输电线路巡检任务智能分配方法的一个 实施例的示意图。在该实施例中,所述方法包括以下步骤:
步骤S1,获取无人机、Sub-MECSs及M-MECSs的当前网络状态信息、当 前环境信息及能量亏损队列信息;可以理解的是,利用李雅普诺夫(Lyapunov) 优化技术,为Sub-MECS和M-MECS构建一个虚拟的能量亏损队列指导每个 Sub-MECS和M-MECS的任务卸载决策遵循长期能源约束。
具体实施例中,获取所述能量亏损队列信息,具体包括:
Sub-MECS能量亏损队列如下公式:
其中,S={s1,…,sj,…sy}表示Sub-MECSs的集合;表示sj在时 隙t的能量消耗;表示sj的平均能量预算;Qj(t)表示时隙t预算供应的 平均能量与消耗能量的差值;O(t)={Qj(t)},j∈S表示Sub-MECS的能量亏 损队列集合;当Qj(t)>0时,代表目前的能量不能支持当前时隙的任务完成,就 会占用下一个时隙的能量,并需在下一时隙等待该时隙任务完成,由此产生的 排队时延可以表示为:
M-MECS能量亏损队列如下公式:
其中,M={m1,…,mk,…mz}表示M-MECS的集合;Z(t)={Zk(t)},k∈M 表示M-MECS的能量亏损队列集合;是mk在时隙t的能量消耗, 是mk的平均能量预算;Zk(t)表示时隙t预算的供应能量与消耗能量的 差值;为了满足上述公式中的能量预算约束,必须保持能量亏损队列Z(t)稳定, 即
步骤S2,根据当前网络状态信息、当前环境信息确定无人机、Sub-MECSs 及M-MECSs的位置坐标信息和执行的动作信息。
步骤S3,根据当前网络状态信息、当前环境信息及能量亏损队列信息确定 各无人机、Sub-MECSs及M-MECSs的任务时延模型和能量消耗模型;
具体实施例中,关于无人机能耗模型:无人机只承担数据的采集和打包转 发,不进行数据的计算和处理,即无人机的任务无论卸载到哪里,都需要先转 发给Sub-MECS。因此,无人机的能耗仅包含运行能耗和无线传输能耗。运行能 耗方面,将时隙t的无人机的运行功耗为定值无线传输能耗方面,主要关 注无人机的上行链路流量,忽略下行链路流量,其基本原理是,与计算前的卸 载任务相比,计算结果通常具有更小的数据大小。
关于控制站(Sub-MECS)能耗模型:Sub-MECS的能量消耗主要由任务计 算处理能耗和无线传输能耗组成。其中,处理能耗可由计算任务所需的CPU周 期衡量。设fj(t)表示sj调度的CPU周期频率,允许的最大CPU周期频率定义为 fmax,即0<fj(t)<fmax。所以时隙t时,sj的任务处理能耗为:
其中,其中κ为与芯片结构相关的有效开关电容。
因此,如果sj的当前能量预算不足以支撑sj的任务处理需求,则当前任务顺 延到下一个时隙进行计算,对于Sub-MECS的无线传输能耗,同样关注上行链 路传输,假设每个sj的传输功率为且在正交信道上进行的,sj向mk之间的上 行链路传输速率由香农容量给出:
关于M-MECS能耗模型:M-MECS的处理能耗是边缘计算网络的主要消耗。 为了简化模型,在M-MECS稳定工作的条件下,仅考虑了M-MECS的计算能耗, 其中,M-MECS的功耗包括两部分:服务器空闲功耗和与CPU工作负载相关的 动态功耗。功率模型可以表示为:
其中,Pmax是M-MECS被充分利用时的峰值功率消耗。α为M-MECS空闲 时的功耗比例。平均值在50%到70%之间。θ(t)表示CPU利用率,定义为处理 的总计算任务与CPU最大服务速率的比值:
关于UAV时延模型:UAV产生的任务在UAV的时延主要与无线传输 时延和传播时延有关,ui通过上行链路信道向sj发送计算任务,表示其传输 功率,表示其传输速率,由香农定理计算得出。所以UAV向Sub-MECS传输 时延为:
但是,由于sj的能量预算有可能不能满足当前时隙的能量消耗,所以将占用 下一时隙的能量,并产生排队时延。除此之外,sj的传输时延主要与无线传输时 延和传播时延有关,则sj传输时延为:
网络中的无人机可能产生不同类型的数据,因此计算任务所需的CPU周期 数可能因任务而异。将单个任务所需CPU周期数的分布建模为指数分布。在处 理速率不变的情况下,任务的服务时间服从指数分布。进一步考虑计算任务的 泊松到达,每个M-MECS的计算延迟可以建立为M/M/1排队模型,mk的预期 计算延迟为:
本专利假设云服务器的计算延迟和能量消耗可以忽略不计。将任务卸载到 云的主要延迟成本是回程延迟,这是一个M/M/1系统。那么,任务从mk向云平 台的传输时延:
当延迟要求不严格时,可以将任务卸载到云平台。对于巡检任务的工作强 度和时间跨度来说,智能设备的能量和寿命有限。因此,为了延长设备的使用 寿命,考虑每一个设备都有极限功率,设备有预先确定的长期能耗限制,以满 足巡检任务的实际应用情况。为了简化模型,ui任务的处理结果在上层服务器处 理完自身所有任务后统一回传,不考虑单一任务完成后立即回传。根据上节讨 论的系统模型,ui的任务时延为:
无人机ui的能耗为:
移动边缘接入节点sj的能耗为:
固定边缘汇聚节点mk的能耗为:
其中,wmax为mk最大服务率。
这样所有任务的总时延为:
其中,约束(a)表示每个时隙中每个任务的延迟要求;约束(b)表示无 人机的任务生成服从泊松分布;约束(c)和约束(d)表示每个时隙的Sub-MECS 和M-MECS的能量消耗不能超过上限;约束(e)和约束(f)表示长期能源消 耗必须小于能源供应,用于限制Sub-MECS和M-MECS在长时间的总能耗;约 束(g)表示任务卸载策略的可用性。问题P1是一个长期优化问题,需要在所有 时间段内拥有完整的离线信息,才能得到最优解。
基于Lyapunov优化理论,将随机优化问题P1转化为每个时隙内的已知问题, 而不需要任何未来信息。对Q(t)和Z(t)引入Θ(t)=[Q(t),Z(t)],则其李雅普诺夫函数 为:
李雅普诺夫漂移函数由下式给出:
根据Lyapunov优化理论,使用漂移加惩罚函数来平衡能耗和时延之间的权 重:
B1和B2为常数。因此,可以将原来长期最小化问题P1转化为下面的优化问 题P2,使每个时隙中的漂移加惩罚函数的上界最小:
s.t.(a),(b),(c),(d),(e),(f),(g)in P1
本专利重点关注卸载问题,将P2的目标函数分为两个部分:与卸载策略相 关的AP1和与卸载策略无关的AP2。则P2可以进一步表示为:
其中,AP1部分直接决定任务计算卸载策略。AP1如下式所示:
而AP2部分间接给卸载决策带来长期影响。AP2如下公式所示:
本专利主要关注与卸载相关的AP1部分,因此,P2的卸载问题可转化为:
s.t.(a),(b),(c),(d),(e),(f),(g)in P1
s.t.(a),(b),(c),(d),(e),(f),(g)in P1
由分析可知,P4是一个时延和能耗联合优化问题,其可行集和目标函数是 非凸的,且当Sub-MECS和M-MECS个数增加时,P4问题规模会迅速增大,因 此是一个NP问题。这个非凸问题的解是由背包问题推广而来的。由于使用传统 算法求解背包问题存在时间复杂度分析困难的问题,因此本专利针对上述系统 模型,采用人工智能算法进行求解,提出了一种近端任务卸载策略优化(PTOPO, Proximal Task Offload Policy Optimization)机制,可以规范高效地求解卸载策略。
步骤S4,根据任务时延模型和能量消耗模型确定执行动作对应的奖罚值, 并按照预设的任务卸载策略执行任务卸载操作。
具体实施例中,如图4所示,步骤S41,初始化无人机、Sub-MECSs及 M-MECSs信息,并随机初始化系统状态;
步骤S42,实时获取每个Sub-MECS位置信息、每个Sub-MECS链接的 M-MECS的状态信息,并根据执行的动作信息控制Sub-MECS或M-MECS执行 动作;
步骤S43,根据以下的奖罚值模型计算执行的动作对应的奖罚值并生成无人 机的当前状态信息:
步骤S44,将当前状态信息、动作信息和奖励信息存入记忆池中,并更新每 个无人机的位置和每个无人机链接的Sub-MECS;
步骤S45,根据以下公式计算计算优势函数,并反向传播更新critic网络:
步骤S46,根据以下公式更新actor网络:
具体地,S表示有限的状态空间,在本专利中,状态用来表示每个时隙无人 机的任务数量大小和时延要求。
A表示有限的工作空间,在本专利中被定义为无人机任务的卸载向量假设之前的动作策略为{0,0,1},表示任务卸载到云端,但随 着个体与环境的交互,状态发生了改变,则任务也有可能卸载到Sub-MECS层 或M-MECS层,即动作策略变为{1,0,0}或{0,1,0}。
随着迭代的累积,系统可以收敛到最佳状态,在该状态下,所有值都 不会改变并保持在最小值。在通过应用不同的状态-动作对来最大化累积奖励的 过程中,使PPO卸载策略模型接近最优。PPO算法是基于Actor-Critic结构的强 化学习算法,其基本思想是:设定策略函数和行为价值函数近似化策略梯度, 策略函数可以基于价值函数进行策略评估和优化,优化的策略函数也能使价值 函数更加准确地反应状态的价值,相互影响求解出最优解。
PPO算法的目标函数为:
其中,为对优势函数的估计,π(at|st)为基于新策略状态st采取动作at的概率;πold(at|st)为基于旧策略状态st采取动作at的概率。PPO 算法采用重要性采样定理来约束新策略的概率分布与旧策略的概率分布情况相 似度较高,该约束条件可等价于的值接近于1。因此,PPO算法新的目 标函数可如下式所示:
如图3所示,为本发明提供的一种输电线路巡检任务智能分配系统的一个 实施例的示意图。在该实施例中,用以实现所述的输电线路巡检任务智能分配 方法所述方法,包括:
状态监测模块,用以获取无人机、Sub-MECSs及M-MECSs的当前网络状 态信息、当前环境信息及能量亏损队列信息;并根据当前网络状态信息、当前 环境信息确定无人机、Sub-MECSs及M-MECSs的位置坐标信息和执行的动作 信息
时延和消耗模块,用以根据当前网络状态信息、当前环境信息及能量亏损 队列信息确定各无人机、Sub-MECSs及M-MECSs的任务时延模型和能量消耗 模型;
任务卸载模块,用以根据任务时延模型和能量消耗模型确定执行动作对应 的奖罚值,并按照预设的任务卸载策略执行任务卸载操作。
具体地,所述状态监测模块还用于获取所述能量亏损队列信息,具体包括:
Sub-MECS能量亏损队列如下公式:
其中,S={s1,…,sj,…sy}表示Sub-MECSs的集合;表示sj在时 隙t的能量消耗;表示sj的平均能量预算;Qj(t)表示时隙t预算供应的 平均能量与消耗能量的差值;O(t)={Qj(t)},j∈S表示Sub-MECS的能量亏 损队列集合;
M-MECS能量亏损队列如下公式:
其中,M={m1,…,mk,…mz}表示M-MECS的集合;Z(t)={Zk(t)},k∈M 表示M-MECS的能量亏损队列集合;是mk在时隙t的能量消耗, 是mk的平均能量预算;Zk(t)表示时隙t预算的供应能量与消耗能量的 差值。
再具体地,所述时延和消耗模块还用于确定各无人机、Sub-MECSs及 M-MECSs的能量消耗模型,具体包括:
无人机的能耗为:
Sub-MECSs的能耗为:
其中,表示sj的任务处理能耗;κ表示与芯片结构相关的有效开关 电容;表示sj无线传输的能量消耗;表示每个sj的传输功率;表 示sj向mk之间的上行链路传输速率;S={s1,…,sj,…sy}表示Sub-MECSs的 集合;表示ui在时隙t根据泊松过程生成的任务;i、j、k分别表示无人 机、Sub-MECSs和M-MECS的序列数;表示从ui通过sj和mk卸载到云端;表示从ui通过sj卸载到mk;fj(t)表示sj调度 的CPU周期频率;表示每个sj的传输功率。
M-MECSs的能耗为:
其中,M={m1,…,mk,…mz}表示M-MECS的集合;表示ui在时隙t 根据泊松过程生成的任务;表示从ui通过sj卸载到mk;Pmax表 示M-MECS被充分利用时的峰值功率消耗;α为M-MECS空闲时的功耗比例; θ(t)表示CPU利用率;表示mk在时隙t卸载到M-MECS处理的全部任务; i、j、k分别表示无人机、Sub-MECSs和M-MECS的序列数;wmax为mk最大服 务率。
确定各无人机、Sub-MECSs及M-MECSs的任务时延模型,具体包括:
根据以下所有任务的时延模型确定各无人机、Sub-MECSs及M-MECSs的 任务时延:
其中,M={m1,…,mk,…mz}表示M-MECS的集合;mk的预期计算延迟 为任务从mk向云平台的传输时延sj传输时延为sj处理时延为无人机向Sub-MECS传输时延为 表示 从ui通过sj和mk卸载到云端;i、j、k分别表示无人机、Sub-MECSs和 M-MECS的序列数;表示从ui通过sj卸载到mk;或 表示从ui卸载到sj。
再具体地,所述任务卸载模块还用于初始化无人机、Sub-MECSs及 M-MECSs信息,并随机初始化系统状态;
实时获取每个Sub-MECS位置信息、每个Sub-MECS链接的M-MECS的状 态信息,并根据执行的动作信息控制Sub-MECS或M-MECS执行动作;
根据以下的奖罚值模型计算执行的动作对应的奖罚值并生成无人机的当前 状态信息:
将当前状态信息、动作信息和奖励信息存入记忆池中,并更新每个无人机 的位置和每个无人机链接的Sub-MECS;
步骤S45,根据以下公式计算计算优势函数,并反向传播更新critic网络:
根据以下公式更新actor网络:
关于一种输电线路巡检任务智能分配系统的具体实施过程参考上述一种输 电线路巡检任务智能分配方法的具体内容,再次不再赘述。
综上,实施本发明的实施例,具有如下的有益效果:
本发明提供的输电线路巡检任务智能分配方法及系统,综合考虑无人机和 边缘节点的运动轨迹、业务差异化的服务需求、以及边缘节点的服务能力等, 建立面向时延、能耗等多目标联合优化的双层边缘网络任务卸载模型;然后, 基于Lyapunov优化理论方法将长期优化问题转化为基于当前信息逐隙优化的移 动边缘服务卸载策略问题。最后,提出一种双时间尺度机制,并利用PPO算法 对固定汇聚层和移动接入层边缘服务器的连接关系和卸载策略进行求解。经过 仿真实验证明,与其他先进的服务卸载策略相比较,所提卸载策略能够在保证 系统稳定的情况下最大限度地降低服务请求时延和系统能耗。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之 权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种输电线路巡检任务智能分配方法,用于双层边缘网络的云边端网络架构的巡检任务的分配,所述双层边缘网络的云边端网络包括,多个无人机组成的终端层、多个Sub-MECSs组成的移动边缘接入层、多个M-MECSs组成的固定边缘汇聚层和云平台,其特征在于,包括以下步骤:
步骤S1,获取无人机、Sub-MECSs及M-MECSs的当前网络状态信息、当前环境信息及能量亏损队列信息;
步骤S2,根据当前网络状态信息、当前环境信息确定无人机、Sub-MECSs及M-MECSs的位置坐标信息和执行的动作信息;
步骤S3,根据当前网络状态信息、当前环境信息及能量亏损队列信息确定各无人机、Sub-MECSs及M-MECSs的任务时延模型和能量消耗模型;
步骤S4,根据任务时延模型和能量消耗模型确定执行动作对应的奖罚值,并按照预设的任务卸载策略执行任务卸载操作。
2.如权利要求1所述的方法,其特征在于,在步骤S1中,获取所述能量亏损队列信息,具体包括:
Sub-MECS能量亏损队列如下公式:
其中,S={s1,…,sj,…sy}表示Sub-MECSs的集合;表示sj在时隙t的能量消耗;表示sj的平均能量预算;Qj(t)表示时隙t预算供应的平均能量与消耗能量的差值;O(t)={Qj(t)},j∈S表示Sub-MECS的能量亏损队列集合;
M-MECS能量亏损队列如下公式:
3.如权利要求2所述的方法,其特征在于,在步骤S3中,所述确定各无人机、Sub-MECSs及M-MECSs的能量消耗模型,具体包括:
无人机的能耗为:
其中,U={u1,…,ui,…ux}表示无人机的集合;表示ui在时隙t根据泊松过程生成的任务;表示ui的传输功率;ri u表示ui和sj之间的上行链路传输速率;表示则ui在时隙t的无线传输的能量消耗。
Sub-MECSs的能耗为:
其中,表示sj的任务处理能耗;κ表示与芯片结构相关的有效开关电容;表示sj无线传输的能量消耗;表示每个sj的传输功率;表示sj向mk之间的上行链路传输速率;S={s1,…,sj,…sy}表示Sub-MECSs的集合;表示ui在时隙t根据泊松过程生成的任务;i、j、k分别表示无人机、Sub-MECSs和M-MECS的序列数;表示从ui通过sj和mk卸载到云端;表示从ui通过sj卸载到mk;fj(t)表示sj调度的CPU周期频率;表示每个sj的传输功率。
M-MECSs的能耗为:
5.如权利要求4所述的方法,其特征在于,所述步骤S3具体还包括:
根据以下公式对所有任务的时延模型进行优化:
其中,约束(a)表示每个时隙中每个任务的延迟要求;约束(b)表示无人机的任务生成服从泊松分布;约束(c)和约束(d)表示每个时隙的Sub-MECS和M-MECS的能量消耗不能超过上限;约束(e)和约束(f)表示长期能源消耗必须小于能源供应,用于限制Sub-MECS和M-MECS在长时间的总能耗;约束(g)表示任务卸载策略的可用性;
根据以下公式对P1进行优化,输出最小值时延值:
s.t.(a),(b),(c),(d),(e),(f),(g)in P1
6.如权利要求5所述的方法,其特征在于,所述步骤S4具体包括:
步骤S41,初始化无人机、Sub-MECSs及M-MECSs信息,并随机初始化系统状态;
步骤S42,实时获取每个Sub-MECS位置信息、每个Sub-MECS链接的M-MECS的状态信息,并根据执行的动作信息控制Sub-MECS或M-MECS执行动作;
步骤S43,根据以下的奖罚值模型计算执行的动作对应的奖罚值并生成无人机的当前状态信息:
步骤S44,将当前状态信息、动作信息和奖励信息存入记忆池中,并更新每个无人机的位置和每个无人机链接的Sub-MECS;
步骤S45,根据以下公式计算计算优势函数,并反向传播更新critic网络:
步骤S46,根据以下公式更新actor网络:
7.一种输电线路巡检任务智能分配系统,用以实现如权利要求1-6任一项所述的方法,其特征在于,包括:
状态监测模块,用以获取无人机、Sub-MECSs及M-MECSs的当前网络状态信息、当前环境信息及能量亏损队列信息;并根据当前网络状态信息、当前环境信息确定无人机、Sub-MECSs及M-MECSs的位置坐标信息和执行的动作信息
时延和消耗模块,用以根据当前网络状态信息、当前环境信息及能量亏损队列信息确定各无人机、Sub-MECSs及M-MECSs的任务时延模型和能量消耗模型;
任务卸载模块,用以根据任务时延模型和能量消耗模型确定执行动作对应的奖罚值,并按照预设的任务卸载策略执行任务卸载操作。
8.如权利要求7所述的系统,其特征在于,所述状态监测模块还用于获取所述能量亏损队列信息,具体包括:
Sub-MECS能量亏损队列如下公式:
其中,S={s1,…,sj,…sy}表示Sub-MECSs的集合;表示sj在时隙t的能量消耗;表示sj的平均能量预算;Qj(t)表示时隙t预算供应的平均能量与消耗能量的差值;O(t)={Qj(t)},j∈S表示Sub-MECS的能量亏损队列集合;
M-MECS能量亏损队列如下公式:
9.如权利要求8所述的系统,其特征在于,所述时延和消耗模块还用于确定各无人机、Sub-MECSs及M-MECSs的能量消耗模型,具体包括:
无人机的能耗为:
其中,U={u1,…,ui,…ux}表示无人机的集合;表示ui在时隙t根据泊松过程生成的任务;表示ui的传输功率;ri u表示ui和sj之间的上行链路传输速率;表示则ui在时隙t的无线传输的能量消耗。
Sub-MECSs的能耗为:
其中,表示sj的任务处理能耗;κ表示与芯片结构相关的有效开关电容;表示sj无线传输的能量消耗;表示每个sj的传输功率;表示sj向mk之间的上行链路传输速率;S={s1,…,sj,…sy}表示Sub-MECSs的集合;表示ui在时隙t根据泊松过程生成的任务;i、j、k分别表示无人机、Sub-MECSs和M-MECS的序列数;表示从ui通过sj和mk卸载到云端;表示从ui通过sj卸载到mk;fj(t)表示sj调度的CPU周期频率;表示每个sj的传输功率。
M-MECSs的能耗为:
其中,M={m1,…,mk,…mz}表示M-MECS的集合;表示ui在时隙t 根据泊松过程生成的任务;表示从ui通过sj卸载到mk;Pmax表示M-MECS被充分利用时的峰值功率消耗;α为M-MECS空闲时的功耗比例;θ(t)表示CPU利用率;表示mk在时隙t卸载到M-MECS处理的全部任务;i、j、k分别表示无人机、Sub-MECSs和M-MECS的序列数;wmax为mk最大服务率。
确定各无人机、Sub-MECSs及M-MECSs的任务时延模型,具体包括:
根据以下所有任务的时延模型确定各无人机、Sub-MECSs及M-MECSs的任务时延:
10.如权利要求9所述的系统,其特征在于,所述任务卸载模块还用于初始化无人机、Sub-MECSs及M-MECSs信息,并随机初始化系统状态;
实时获取每个Sub-MECS位置信息、每个Sub-MECS链接的M-MECS的状态信息,并根据执行的动作信息控制Sub-MECS或M-MECS执行动作;
根据以下的奖罚值模型计算执行的动作对应的奖罚值并生成无人机的当前状态信息:
将当前状态信息、动作信息和奖励信息存入记忆池中,并更新每个无人机的位置和每个无人机链接的Sub-MECS;
步骤S45,根据以下公式计算计算优势函数,并反向传播更新critic网络:
根据以下公式更新actor网络:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110217128.3A CN113452956B (zh) | 2021-02-26 | 2021-02-26 | 一种输电线路巡检任务智能分配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110217128.3A CN113452956B (zh) | 2021-02-26 | 2021-02-26 | 一种输电线路巡检任务智能分配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113452956A true CN113452956A (zh) | 2021-09-28 |
CN113452956B CN113452956B (zh) | 2023-03-28 |
Family
ID=77808994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110217128.3A Active CN113452956B (zh) | 2021-02-26 | 2021-02-26 | 一种输电线路巡检任务智能分配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113452956B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114065963A (zh) * | 2021-11-04 | 2022-02-18 | 湖北工业大学 | 一种电力物联网中基于深度强化学习的计算任务卸载方法 |
CN114189874A (zh) * | 2021-12-13 | 2022-03-15 | 国家电网有限公司 | 一种基于5g的输电线路在线监测系统网络构建方法 |
CN114239319A (zh) * | 2021-12-30 | 2022-03-25 | 中国民用航空总局第二研究所 | 无人机航线获取系统 |
CN114640966A (zh) * | 2022-03-11 | 2022-06-17 | 重庆邮电大学 | 一种车联网中基于移动边缘计算的任务卸载方法 |
CN114693141A (zh) * | 2022-04-06 | 2022-07-01 | 长春理工大学 | 一种基于端边协同的变电站巡检方法 |
CN115249134A (zh) * | 2022-09-23 | 2022-10-28 | 江西锦路科技开发有限公司 | 一种用于无人机的资源分配方法、装置、设备及存储介质 |
KR20230072284A (ko) * | 2021-11-17 | 2023-05-24 | 한국과학기술원 | 리아푸노프 최적화 기반 강화학습을 활용한 에지 컴퓨팅 대기열 안정화를 위한 컴퓨터 장치 및 그의 방법 |
CN116862152A (zh) * | 2023-06-19 | 2023-10-10 | 广东电网有限责任公司汕尾供电局 | 一种基于负载均衡的电力杆塔验收无人机任务分配方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684075A (zh) * | 2018-11-28 | 2019-04-26 | 深圳供电局有限公司 | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 |
CN110851277A (zh) * | 2019-11-08 | 2020-02-28 | 中国石油大学(华东) | 一种增强现实场景下基于边云协同的任务调度策略 |
CN110887462A (zh) * | 2019-11-28 | 2020-03-17 | 深圳供电局有限公司 | 一种无人机巡检方法及系统、输电线路巡检方法及系统 |
CN111524034A (zh) * | 2020-05-12 | 2020-08-11 | 华北电力大学 | 高可靠低时延低能耗的电力巡检系统及巡检方法 |
US20200320397A1 (en) * | 2019-04-04 | 2020-10-08 | Cisco Technology, Inc. | Learning-based service migration in mobile edge computing |
WO2020215753A1 (zh) * | 2019-04-24 | 2020-10-29 | 广州煜煊信息科技有限公司 | 一种用于电力系统的无人机巡检方法及系统 |
WO2020216135A1 (zh) * | 2019-04-25 | 2020-10-29 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
WO2020241981A1 (ko) * | 2019-05-29 | 2020-12-03 | 연세대학교 산학협력단 | 포그 컴퓨팅 기반 무선 네트워크에서 태스크 우선순위별 연산량 오프로딩 장치 및 방법 |
WO2021012584A1 (zh) * | 2019-07-25 | 2021-01-28 | 北京工业大学 | 一种移动边缘计算场景下制定单任务迁移策略的方法 |
CN112367353A (zh) * | 2020-10-08 | 2021-02-12 | 大连理工大学 | 基于多智能体强化学习的移动边缘计算卸载方法 |
-
2021
- 2021-02-26 CN CN202110217128.3A patent/CN113452956B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684075A (zh) * | 2018-11-28 | 2019-04-26 | 深圳供电局有限公司 | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 |
US20200320397A1 (en) * | 2019-04-04 | 2020-10-08 | Cisco Technology, Inc. | Learning-based service migration in mobile edge computing |
WO2020215753A1 (zh) * | 2019-04-24 | 2020-10-29 | 广州煜煊信息科技有限公司 | 一种用于电力系统的无人机巡检方法及系统 |
WO2020216135A1 (zh) * | 2019-04-25 | 2020-10-29 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
WO2020241981A1 (ko) * | 2019-05-29 | 2020-12-03 | 연세대학교 산학협력단 | 포그 컴퓨팅 기반 무선 네트워크에서 태스크 우선순위별 연산량 오프로딩 장치 및 방법 |
WO2021012584A1 (zh) * | 2019-07-25 | 2021-01-28 | 北京工业大学 | 一种移动边缘计算场景下制定单任务迁移策略的方法 |
CN110851277A (zh) * | 2019-11-08 | 2020-02-28 | 中国石油大学(华东) | 一种增强现实场景下基于边云协同的任务调度策略 |
CN110887462A (zh) * | 2019-11-28 | 2020-03-17 | 深圳供电局有限公司 | 一种无人机巡检方法及系统、输电线路巡检方法及系统 |
CN111524034A (zh) * | 2020-05-12 | 2020-08-11 | 华北电力大学 | 高可靠低时延低能耗的电力巡检系统及巡检方法 |
CN112367353A (zh) * | 2020-10-08 | 2021-02-12 | 大连理工大学 | 基于多智能体强化学习的移动边缘计算卸载方法 |
Non-Patent Citations (2)
Title |
---|
宋旅宁: "具有自主导航能力的高压输电线路无人机巡检系统设计", 《科技资讯》 * |
成健等: "边缘计算的电缆隧道自动化巡检技术研究", 《技术纵横》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114065963A (zh) * | 2021-11-04 | 2022-02-18 | 湖北工业大学 | 一种电力物联网中基于深度强化学习的计算任务卸载方法 |
KR20230072284A (ko) * | 2021-11-17 | 2023-05-24 | 한국과학기술원 | 리아푸노프 최적화 기반 강화학습을 활용한 에지 컴퓨팅 대기열 안정화를 위한 컴퓨터 장치 및 그의 방법 |
CN114189874A (zh) * | 2021-12-13 | 2022-03-15 | 国家电网有限公司 | 一种基于5g的输电线路在线监测系统网络构建方法 |
CN114189874B (zh) * | 2021-12-13 | 2024-04-16 | 国家电网有限公司 | 一种基于5g的输电线路在线监测系统网络构建方法 |
CN114239319A (zh) * | 2021-12-30 | 2022-03-25 | 中国民用航空总局第二研究所 | 无人机航线获取系统 |
CN114239319B (zh) * | 2021-12-30 | 2023-11-10 | 中国民用航空总局第二研究所 | 无人机航线获取系统 |
CN114640966A (zh) * | 2022-03-11 | 2022-06-17 | 重庆邮电大学 | 一种车联网中基于移动边缘计算的任务卸载方法 |
CN114640966B (zh) * | 2022-03-11 | 2024-05-10 | 重庆邮电大学 | 一种车联网中基于移动边缘计算的任务卸载方法 |
CN114693141A (zh) * | 2022-04-06 | 2022-07-01 | 长春理工大学 | 一种基于端边协同的变电站巡检方法 |
CN115249134A (zh) * | 2022-09-23 | 2022-10-28 | 江西锦路科技开发有限公司 | 一种用于无人机的资源分配方法、装置、设备及存储介质 |
CN116862152A (zh) * | 2023-06-19 | 2023-10-10 | 广东电网有限责任公司汕尾供电局 | 一种基于负载均衡的电力杆塔验收无人机任务分配方法 |
CN116862152B (zh) * | 2023-06-19 | 2024-03-05 | 广东电网有限责任公司汕尾供电局 | 一种基于负载均衡的电力杆塔验收无人机任务分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113452956B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113452956B (zh) | 一种输电线路巡检任务智能分配方法及系统 | |
CN113395679B (zh) | 一种无人机边缘服务器的资源和任务分配优化系统 | |
Al-Hilo et al. | RIS-assisted UAV for timely data collection in IoT networks | |
Wei et al. | Reinforcement learning-empowered mobile edge computing for 6G edge intelligence | |
CN113326002A (zh) | 基于计算迁移的云边协同控制系统及迁移决策生成方法 | |
CN108449383A (zh) | 分布式实时移动微云计算系统 | |
CN113238847B (zh) | 基于分散式网络环境下可分任务的分发和调度方法 | |
Yan et al. | Data offloading enabled by heterogeneous UAVs for IoT applications under uncertain environments | |
Sellami et al. | Deep reinforcement learning for energy-efficient task scheduling in SDN-based IoT network | |
CN109375999A (zh) | 一种基于贝叶斯网络的mec随机任务迁移方法 | |
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 | |
Yao et al. | Power control in Internet of Drones by deep reinforcement learning | |
Wang | Edge artificial intelligence-based affinity task offloading under resource adjustment in a 5G network | |
CN116755867B (zh) | 一种面向卫星云的计算资源调度系统、方法及存储介质 | |
Chabi Sika Boni et al. | Distributed deep reinforcement learning architecture for task offloading in autonomous IoT systems | |
CN111611069B (zh) | 多数据中心间多类型任务迁移方法 | |
Liu et al. | Learning-based multi-UAV assisted data acquisition and computation for information freshness in WPT enabled space-air-ground PIoT | |
Liu et al. | Joint hybrid caching and replacement scheme for UAV-assisted vehicular edge computing networks | |
Han et al. | Space edge cloud enabling service migration for on-orbit service | |
CN116700984A (zh) | 一种基于云游戏服务的动态防入侵的资源调度系统 | |
Chang et al. | Low-latency controller load balancing strategy and offloading decision generation algorithm based on lyapunov optimization in SDN mobile edge computing environment | |
CN116170881A (zh) | 一种基于边缘计算的跨域资源分配与卸载方法及系统 | |
Li et al. | Dynamic adaptive workload offloading strategy in mobile edge computing networks | |
Belkout et al. | A load balancing and routing strategy in fog computing using deep reinforcement learning | |
Alam et al. | iofog: Prediction-based fog computing architecture for offline iot |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |