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 PDF

Info

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
Application number
CN202110217128.3A
Other languages
English (en)
Other versions
CN113452956B (zh
Inventor
高强
陈嘉
曾凌烽
曾旭
翁俊鸿
杨洋
周瑾瑜
周婧
黄儒雅
曹易
刘国英
郑启文
邢逸斐
王实
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.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau Co Ltd
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 Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN202110217128.3A priority Critical patent/CN113452956B/zh
Publication of CN113452956A publication Critical patent/CN113452956A/zh
Application granted granted Critical
Publication of CN113452956B publication Critical patent/CN113452956B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种输电线路巡检任务智能分配方法及系统
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：
Figure BDA0002954208570000041
Figure BDA0002954208570000042
其中，S＝{s1,…,sj,…sy}表示Sub-MECSs的集合；
Figure BDA0002954208570000043
表示sj在时 隙t的能量消耗；
Figure BDA0002954208570000044
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：
Figure BDA0002954208570000045
Figure BDA0002954208570000046
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；
Figure BDA0002954208570000051
是mk在时隙t的能量消耗，
Figure BDA0002954208570000052
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：
Figure BDA0002954208570000053
其中，U＝{u1,…,ui,…ux}表示无人机的集合；
Figure BDA0002954208570000054
表示ui在时隙t根 据泊松过程生成的任务；
Figure BDA0002954208570000055
表示ui的传输功率；
Figure BDA0002954208570000056
表示ui和sj之间的上行 链路传输速率；
Figure BDA0002954208570000057
表示则ui在时隙t的无线传输的能量消耗。
Sub-MECSs的能耗为：
Figure RE-GDA0003244615670000068
其中，
Figure BDA0002954208570000059
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；
Figure BDA00029542085700000510
表示sj无线传输的能量消耗；
Figure BDA00029542085700000511
表示每个sj的传输功率；
Figure BDA00029542085700000512
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；
Figure BDA0002954208570000061
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；
Figure BDA0002954208570000062
表示
Figure BDA0002954208570000063
从ui通过sj和mk卸载到云端；
Figure BDA0002954208570000064
表示
Figure BDA0002954208570000065
从ui通过sj卸载到mk；fj(t)表示sj调度 的CPU周期频率；
Figure BDA0002954208570000066
表示每个sj的传输功率。
M-MECSs的能耗为：
Figure BDA0002954208570000067
其中，M＝{m1,…,mk,…mz}表示M-MECS的集合；
Figure BDA0002954208570000068
表示ui在时隙t 根据泊松过程生成的任务；
Figure BDA0002954208570000069
表示
Figure BDA00029542085700000610
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；
Figure BDA00029542085700000611
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：
Figure BDA0002954208570000071
其中，M＝{m1,…,mk,…mz}表示M-MECS的集合；mk的预期计算延迟 为
Figure BDA0002954208570000072
任务从mk向云平台的传输时延
Figure BDA0002954208570000073
sj传输时延为
Figure BDA0002954208570000074
sj处理时延为
Figure BDA0002954208570000075
无人机向Sub-MECS传输时延为
Figure BDA0002954208570000076
Figure BDA0002954208570000077
表示
Figure BDA0002954208570000078
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；
Figure BDA0002954208570000079
表示
Figure BDA00029542085700000710
从ui通过sj卸载到mk；
Figure BDA00029542085700000711
或
Figure BDA00029542085700000712
表示
Figure BDA00029542085700000713
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：
Figure BDA0002954208570000081
Figure BDA0002954208570000082
Figure BDA0002954208570000083
Figure BDA0002954208570000084
Figure BDA0002954208570000085
Figure BDA0002954208570000086
Figure BDA0002954208570000087
Figure BDA0002954208570000088
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：
Figure BDA0002954208570000089
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；
Figure BDA00029542085700000810
表示
Figure BDA00029542085700000811
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；
Figure BDA0002954208570000091
表示
Figure BDA0002954208570000092
从ui通过sj卸载到mk；
Figure BDA0002954208570000093
或
Figure BDA0002954208570000094
表示
Figure BDA0002954208570000095
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：
Figure BDA0002954208570000096
其中，R(st，at)表示t时隙的状态和动作；
Figure BDA0002954208570000097
表示动作执行前的最 小值时延值；
Figure BDA0002954208570000098
表示动作执行后的最小值时延值；
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：
Figure BDA0002954208570000099
其中，
Figure BDA00029542085700000910
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；
步骤S46，根据以下公式更新actor网络：
Figure BDA0002954208570000101
Figure BDA0002954208570000102
其中，
Figure BDA0002954208570000103
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。
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：
Figure BDA0002954208570000104
Figure BDA0002954208570000105
其中，S＝{s1,…,sj,…sy}表示Sub-MECSs的集合；
Figure BDA0002954208570000106
表示sj在时 隙t的能量消耗；
Figure BDA0002954208570000107
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：
Figure BDA0002954208570000111
Figure BDA0002954208570000112
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；
Figure BDA0002954208570000113
是mk在时隙t的能量消耗，
Figure BDA0002954208570000114
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：
Figure BDA0002954208570000115
其中，U＝{u1,…,ui,…ux}表示无人机的集合；
Figure BDA0002954208570000116
表示ui在时隙t根 据泊松过程生成的任务；
Figure BDA0002954208570000117
表示ui的传输功率；
Figure BDA0002954208570000118
表示ui和sj之间的上行 链路传输速率；
Figure BDA0002954208570000119
表示则ui在时隙t的无线传输的能量消耗。
Sub-MECSs的能耗为：
Figure RE-GDA0003244615670000132
其中，
Figure BDA0002954208570000122
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；
Figure BDA0002954208570000123
表示sj无线传输的能量消耗；
Figure BDA0002954208570000124
表示每个sj的传输功率；
Figure BDA0002954208570000125
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；
Figure BDA0002954208570000126
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；
Figure BDA0002954208570000127
表示
Figure BDA0002954208570000128
从ui通过sj和mk卸载到云端；
Figure BDA0002954208570000129
表示
Figure BDA00029542085700001210
从ui通过sj卸载到mk；fj(t)表示sj调度 的CPU周期频率；
Figure BDA00029542085700001211
表示每个sj的传输功率。
M-MECSs的能耗为：
Figure BDA00029542085700001212
其中，M＝{m1,…,mk,…mz}表示M-MECS的集合；
Figure BDA00029542085700001213
表示ui在时隙t 根据泊松过程生成的任务；
Figure BDA00029542085700001214
表示
Figure BDA00029542085700001215
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；
Figure BDA0002954208570000131
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：
Figure BDA0002954208570000132
其中，M＝{m1,…,mk,…mz}表示M-MECS的集合；mk的预期计算延迟 为
Figure BDA0002954208570000133
任务从mk向云平台的传输时延
Figure BDA0002954208570000134
sj传输时延为
Figure BDA0002954208570000135
sj处理时延为
Figure BDA0002954208570000136
无人机向Sub-MECS传输时延为
Figure BDA0002954208570000137
Figure BDA0002954208570000138
表示
Figure BDA0002954208570000139
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；
Figure BDA00029542085700001310
表示
Figure BDA00029542085700001311
从ui通过sj卸载到mk；
Figure BDA00029542085700001312
或
Figure BDA00029542085700001313
表示
Figure BDA00029542085700001314
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：
Figure BDA0002954208570000141
其中，R(st，at)表示t时隙的状态和动作；
Figure BDA0002954208570000142
表示动作执行前的最 小值时延值；
Figure BDA0002954208570000143
表示动作执行后的最小值时延值；
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：
Figure BDA0002954208570000144
其中，
Figure BDA0002954208570000145
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；
根据以下公式更新actor网络：
Figure BDA0002954208570000146
Figure BDA0002954208570000147
其中，
Figure BDA0002954208570000148
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。
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：
Figure BDA0002954208570000161
Figure BDA0002954208570000171
其中，S＝{s1,…,sj,…sy}表示Sub-MECSs的集合；
Figure BDA0002954208570000172
表示sj在时 隙t的能量消耗；
Figure BDA0002954208570000173
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：
Figure BDA0002954208570000174
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Q(t)稳定，即
Figure BDA0002954208570000175
M-MECS能量亏损队列如下公式：
Figure BDA0002954208570000176
Figure BDA0002954208570000177
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；
Figure BDA0002954208570000178
是mk在时隙t的能量消耗，
Figure BDA0002954208570000179
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
Figure BDA00029542085700001710
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
Figure BDA0002954208570000181
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。
假设ui的传输功率为
Figure BDA0002954208570000182
且在正交信道上进行数据传输。ui和sj之间的上行 链路传输速率
Figure BDA0002954208570000183
由香农容量给出：
Figure BDA0002954208570000184
其中，W是信道带宽，
Figure BDA0002954208570000185
是ui和sj之间的信道增益，σ2是噪声功率。则ui在 时隙t的无线传输的能量消耗为：
Figure BDA0002954208570000186
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：
Figure BDA0002954208570000187
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
Figure BDA0002954208570000188
且在正交信道上进行的，sj向mk之间的上 行链路传输速率
Figure BDA0002954208570000191
由香农容量给出：
Figure BDA0002954208570000192
其中，W是信道带宽，
Figure BDA0002954208570000193
是sj和mk之间的信道增益，σ2是噪声功率。则sj无 线传输的能量消耗为：
Figure BDA0002954208570000194
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：
Figure RE-GDA0003244615670000222
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：
Figure BDA0002954208570000196
其中，
Figure BDA0002954208570000197
表示mk在时隙t卸载到M-MECS处理的全部任务，且
Figure BDA0002954208570000198
βk是mk的最大服务率。
关于UAV时延模型：UAV产生的任务
Figure BDA0002954208570000199
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，
Figure BDA00029542085700001910
表示其传输 功率，
Figure BDA00029542085700001911
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：
Figure RE-GDA0003244615670000229
其中,
Figure BDA0002954208570000201
表示ui向sj传输的任务大小，
Figure BDA0002954208570000202
表示两者之间的实际距离，
Figure BDA0002954208570000203
表示电磁波的传播速度，一般设为3×108m/s。
关于Sub-MECS时延模型：假设Sub-MECS的任务到达率为
Figure BDA0002954208570000204
其中，
Figure BDA0002954208570000205
sj的本地处理任务为
Figure BDA0002954208570000206
向上级MEC服务器传的任务大小为
Figure BDA0002954208570000207
sj的本地处理时延与本地任务大小
Figure BDA0002954208570000208
和当前CPU频率fj(t)有关，则sj处 理时延为：
Figure BDA0002954208570000209
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：
Figure BDA00029542085700002010
其中，
Figure BDA00029542085700002011
表示sj和sj连接的M-MECS服务器两者之间的实际距离，
Figure BDA00029542085700002012
表 示电磁波的传播速度，一般设为3×108m/s。
关于M-MECS时延模型：假设M-MECS的任务到达率为
Figure BDA00029542085700002013
其中，
Figure BDA00029542085700002014
mk的本地 处理任务为
Figure BDA00029542085700002015
其余任务则转发至云平台。
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
Figure BDA0002954208570000211
为：
Figure BDA0002954208570000212
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：
Figure BDA0002954208570000213
其中，
Figure BDA0002954208570000214
τ表示为在没有拥塞的情况下，发送和接收一个单位任务负载的平均传输时间。
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
Figure BDA0002954208570000215
时延为：
Figure BDA0002954208570000216
无人机ui的能耗为：
Figure BDA0002954208570000217
移动边缘接入节点sj的能耗为：
Figure BDA0002954208570000221
固定边缘汇聚节点mk的能耗为：
Figure BDA0002954208570000222
其中，wmax为mk最大服务率。
这样所有任务的总时延为：
Figure BDA0002954208570000223
该优化问题的目标为在给定单个Sub-MECS和M-MECS的能量限制的情况 下，最小化系统总时延成本。因为
Figure BDA0002954208570000224
不受卸载策略影响，所以忽略无人机的 能耗。综上分析，通信和计算资源的联合优化问题表述为：
Figure BDA0002954208570000231
Figure BDA0002954208570000232
Figure BDA0002954208570000233
Figure BDA0002954208570000234
Figure BDA0002954208570000235
Figure BDA0002954208570000236
Figure BDA0002954208570000237
Figure BDA0002954208570000238
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：
Figure BDA0002954208570000239
李雅普诺夫漂移函数由下式给出:
Figure BDA00029542085700002310
其中，
Figure BDA00029542085700002311
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：
Figure BDA0002954208570000241
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：
Figure BDA0002954208570000242
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：
Figure BDA0002954208570000243
其中，AP1部分直接决定任务计算卸载策略。AP1如下式所示：
Figure BDA0002954208570000251
而AP2部分间接给卸载决策带来长期影响。AP2如下公式所示：
Figure BDA0002954208570000252
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：
Figure BDA0002954208570000253
s.t.(a),(b),(c),(d),(e),(f),(g)in P1
当
Figure BDA0002954208570000254
时,P3记为可以表示为：
Figure BDA0002954208570000255
当
Figure BDA0002954208570000256
时,P3可以表示为：
Figure BDA0002954208570000257
当
Figure BDA0002954208570000258
时,P3可以表示为：
Figure BDA0002954208570000261
进而，问题P3转换为最小化
Figure BDA0002954208570000262
的值：
Figure BDA0002954208570000263
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：
Figure BDA0002954208570000264
其中，R(st，at)表示t时隙的状态和动作；
Figure BDA0002954208570000265
表示动作执行前的最 小值时延值；
Figure BDA0002954208570000266
表示动作执行后的最小值时延值；
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：
Figure BDA0002954208570000271
其中，
Figure BDA0002954208570000272
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；
步骤S46，根据以下公式更新actor网络：
Figure BDA0002954208570000273
Figure BDA0002954208570000274
其中，
Figure BDA0002954208570000275
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。
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
Figure BDA0002954208570000276
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}。
R表示在当前时隙的状态和动作对(S,A)出现后，根据
Figure BDA0002954208570000277
定义获得的值的 变化，即：
Figure BDA0002954208570000278
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
Figure BDA0002954208570000279
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：
Figure BDA0002954208570000281
其中，
Figure BDA0002954208570000282
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
Figure BDA0002954208570000283
的值接近于1。因此，PPO算法新的目 标函数可如下式所示：
Figure BDA0002954208570000284
Figure BDA0002954208570000285
式中目标函数为算法规定了上下界约束，使
Figure BDA0002954208570000286
被约束在[1-ε,1+ε]之间，防止算法策略更新太快。
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：
Figure BDA0002954208570000291
Figure BDA0002954208570000292
其中，S＝{s1,…,sj,…sy}表示Sub-MECSs的集合；
Figure BDA0002954208570000293
表示sj在时 隙t的能量消耗；
Figure BDA0002954208570000294
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：
Figure BDA0002954208570000295
Figure BDA0002954208570000296
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；
Figure BDA0002954208570000297
是mk在时隙t的能量消耗，
Figure BDA0002954208570000298
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：
Figure BDA0002954208570000301
其中，U＝{u1,…,ui,…ux}表示无人机的集合；
Figure BDA0002954208570000302
表示ui在时隙t根 据泊松过程生成的任务；
Figure BDA0002954208570000303
表示ui的传输功率；
Figure BDA0002954208570000304
表示ui和sj之间的上行 链路传输速率；
Figure BDA0002954208570000305
表示则ui在时隙t的无线传输的能量消耗。
Sub-MECSs的能耗为：
Figure RE-GDA0003244615670000375
其中，
Figure BDA0002954208570000307
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；
Figure BDA0002954208570000308
表示sj无线传输的能量消耗；
Figure BDA0002954208570000309
表示每个sj的传输功率；
Figure BDA00029542085700003010
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；
Figure BDA00029542085700003011
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；
Figure BDA00029542085700003012
表示
Figure BDA00029542085700003013
从ui通过sj和mk卸载到云端；
Figure BDA00029542085700003014
表示
Figure BDA00029542085700003015
从ui通过sj卸载到mk；fj(t)表示sj调度 的CPU周期频率；
Figure BDA00029542085700003016
表示每个sj的传输功率。
M-MECSs的能耗为：
Figure BDA0002954208570000311
其中，M＝{m1,…,mk,…mz}表示M-MECS的集合；
Figure BDA0002954208570000312
表示ui在时隙t 根据泊松过程生成的任务；
Figure BDA0002954208570000313
表示
Figure BDA0002954208570000314
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；
Figure BDA0002954208570000315
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：
Figure BDA0002954208570000316
其中，M＝{m1,…,mk,…mz}表示M-MECS的集合；mk的预期计算延迟 为
Figure BDA0002954208570000317
任务从mk向云平台的传输时延
Figure BDA0002954208570000318
sj传输时延为
Figure BDA0002954208570000319
sj处理时延为
Figure BDA0002954208570000321
无人机向Sub-MECS传输时延为
Figure BDA0002954208570000322
Figure BDA0002954208570000323
表示
Figure BDA0002954208570000324
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；
Figure BDA0002954208570000325
表示
Figure BDA0002954208570000326
从ui通过sj卸载到mk；
Figure BDA0002954208570000327
或
Figure BDA0002954208570000328
表示
Figure BDA0002954208570000329
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：
Figure BDA00029542085700003210
其中，R(st，at)表示t时隙的状态和动作；
Figure BDA00029542085700003211
表示动作执行前的最 小值时延值；
Figure BDA00029542085700003212
表示动作执行后的最小值时延值；
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：
Figure BDA00029542085700003213
其中，
Figure BDA00029542085700003214
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；
根据以下公式更新actor网络：
Figure BDA0002954208570000331
Figure BDA0002954208570000332
其中，
Figure BDA0002954208570000333
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。
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：
Figure FDA0002954208560000011
Figure FDA0002954208560000012
其中，S＝{s1,…,sj,…sy}表示Sub-MECSs的集合；
Figure FDA0002954208560000013
表示sj在时隙t的能量消耗；
Figure FDA0002954208560000014
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：
Figure FDA0002954208560000021
Figure FDA0002954208560000022
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；
Figure FDA0002954208560000023
是mk在时隙t的能量消耗，
Figure FDA0002954208560000024
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。
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：
Figure FDA0002954208560000025
其中，U＝{u1,…,ui,…ux}表示无人机的集合；
Figure FDA0002954208560000026
表示ui在时隙t根据泊松过程生成的任务；
Figure FDA0002954208560000027
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；
Figure FDA0002954208560000028
表示则ui在时隙t的无线传输的能量消耗。
Sub-MECSs的能耗为：
Figure 819478DEST_PATH_FDA0003244615660000032
其中，
Figure FDA0002954208560000032
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；
Figure FDA0002954208560000033
表示sj无线传输的能量消耗；
Figure FDA0002954208560000034
表示每个sj的传输功率；
Figure FDA0002954208560000035
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；
Figure FDA0002954208560000036
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；
Figure FDA0002954208560000037
表示
Figure FDA0002954208560000038
从ui通过sj和mk卸载到云端；
Figure FDA0002954208560000039
表示
Figure FDA00029542085600000310
从ui通过sj卸载到mk；fj(t)表示sj调度的CPU周期频率；
Figure FDA00029542085600000311
表示每个sj的传输功率。
M-MECSs的能耗为：
Figure FDA00029542085600000312
其中，M＝{m1,…,mk,…mz}表示M-MECS的集合；
Figure FDA00029542085600000313
表示ui在时隙t根据泊松过程生成的任务；
Figure FDA00029542085600000314
表示
Figure FDA00029542085600000315
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；
Figure FDA0002954208560000041
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。
4.如权利要求3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：
Figure FDA0002954208560000042
其中，M＝{m1,…,mk,…mz}表示M-MECS的集合；mk的预期计算延迟为
Figure FDA0002954208560000043
任务从mk向云平台的传输时延
Figure FDA0002954208560000044
sj传输时延为
Figure FDA0002954208560000045
sj处理时延为
Figure FDA0002954208560000046
无人机向Sub-MECS传输时延为
Figure FDA0002954208560000047
Figure FDA0002954208560000048
表示
Figure FDA0002954208560000049
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；
Figure FDA00029542085600000410
表示
Figure FDA00029542085600000411
从ui通过sj卸载到mk；
Figure FDA00029542085600000412
或
Figure FDA00029542085600000413
表示
Figure FDA00029542085600000414
从ui卸载到sj。
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：
P1
Figure FDA0002954208560000051
s.t.(a)
Figure FDA0002954208560000052
(b)
Figure FDA0002954208560000053
(c)
Figure FDA0002954208560000054
(d)
Figure FDA0002954208560000055
(e)
Figure FDA0002954208560000056
(f)
Figure FDA0002954208560000057
(g)
Figure FDA0002954208560000058
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：
P4
Figure FDA0002954208560000059
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；
Figure FDA0002954208560000061
表示
Figure FDA0002954208560000062
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；
Figure FDA0002954208560000063
表示
Figure FDA0002954208560000064
从ui通过sj卸载到mk；
Figure FDA0002954208560000065
或
Figure FDA0002954208560000066
表示
Figure FDA0002954208560000067
从ui卸载到。
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：
Figure FDA0002954208560000068
其中，R(st，at)表示t时隙的状态和动作；
Figure FDA0002954208560000069
表示动作执行前的最小值时延值；
Figure FDA00029542085600000610
表示动作执行后的最小值时延值；
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：
Figure FDA00029542085600000611
其中，
Figure FDA00029542085600000612
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；
步骤S46，根据以下公式更新actor网络：
Figure FDA0002954208560000071
其中，
Figure FDA0002954208560000072
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。
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：
Figure FDA0002954208560000073
Figure FDA0002954208560000074
其中，S＝{s1,…,sj,…sy}表示Sub-MECSs的集合；
Figure FDA0002954208560000081
表示sj在时隙t的能量消耗；
Figure FDA0002954208560000082
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：
Figure FDA0002954208560000083
Figure FDA0002954208560000084
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；
Figure FDA0002954208560000085
是mk在时隙t的能量消耗，
Figure FDA0002954208560000086
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。
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：
Figure FDA0002954208560000087
其中，U＝{u1,…,ui,…ux}表示无人机的集合；
Figure FDA0002954208560000088
表示ui在时隙t根据泊松过程生成的任务；
Figure FDA0002954208560000089
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；
Figure FDA00029542085600000810
表示则ui在时隙t的无线传输的能量消耗。
Sub-MECSs的能耗为：
Figure DEST_PATH_FDA0003244615660000032
其中，
Figure FDA0002954208560000092
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；
Figure FDA0002954208560000093
表示sj无线传输的能量消耗；
Figure FDA0002954208560000094
表示每个sj的传输功率；
Figure FDA0002954208560000095
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；
Figure FDA0002954208560000096
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；
Figure FDA0002954208560000097
表示
Figure FDA0002954208560000098
从ui通过sj和mk卸载到云端；
Figure FDA0002954208560000099
表示
Figure FDA00029542085600000910
从ui通过sj卸载到mk；fj(t)表示sj调度的CPU周期频率；
Figure FDA00029542085600000911
表示每个sj的传输功率。
M-MECSs的能耗为：
Figure FDA00029542085600000912
其中，M＝{m1,…,mk,…mz}表示M-MECS的集合；
Figure FDA00029542085600000913
表示ui在时隙t 根据泊松过程生成的任务；
Figure FDA0002954208560000101
表示
Figure FDA0002954208560000102
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；
Figure FDA0002954208560000103
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：
Figure FDA0002954208560000104
其中，M＝{m1,…,mk,…mz}表示M-MECS的集合；mk的预期计算延迟为
Figure FDA0002954208560000105
任务从mk向云平台的传输时延
Figure FDA0002954208560000106
sj传输时延为
Figure FDA0002954208560000107
sj处理时延为
Figure FDA0002954208560000108
无人机向Sub-MECS传输时延为
Figure FDA0002954208560000109
Figure FDA00029542085600001010
表示
Figure FDA00029542085600001011
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；
Figure FDA00029542085600001012
表示
Figure FDA00029542085600001013
从ui通过sj卸载到mk；
Figure FDA00029542085600001014
或
Figure FDA00029542085600001015
表示
Figure FDA00029542085600001016
从ui卸载到sj。
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：
Figure FDA0002954208560000111
其中，R(st，at)表示t时隙的状态和动作；
Figure FDA0002954208560000112
表示动作执行前的最小值时延值；
Figure FDA0002954208560000113
表示动作执行后的最小值时延值；
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：
Figure FDA0002954208560000114
其中，
Figure FDA0002954208560000115
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；
根据以下公式更新actor网络：
Figure FDA0002954208560000116
其中，
Figure FDA0002954208560000117
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。
CN202110217128.3A 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 Active CN113452956B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (10)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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