CN114237917A - 一种用于电网巡检的无人机辅助边缘计算方法 - Google Patents

一种用于电网巡检的无人机辅助边缘计算方法 Download PDF

Info

Publication number
CN114237917A
CN114237917A CN202210174497.3A CN202210174497A CN114237917A CN 114237917 A CN114237917 A CN 114237917A CN 202210174497 A CN202210174497 A CN 202210174497A CN 114237917 A CN114237917 A CN 114237917A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
time slot
inspection
enhanced
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
CN202210174497.3A
Other languages
English (en)
Other versions
CN114237917B (zh
Inventor
谈玲
孙雷
夏景明
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.)
Nanjing Youkuo Electrical Technology Co ltd
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202210174497.3A priority Critical patent/CN114237917B/zh
Publication of CN114237917A publication Critical patent/CN114237917A/zh
Application granted granted Critical
Publication of CN114237917B publication Critical patent/CN114237917B/zh
Priority to PCT/CN2022/130532 priority patent/WO2023160012A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/60—Intended control result
    • G05D1/644—Optimisation of travel parameters, e.g. of energy consumption, journey time or distance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/60—Intended control result
    • G05D1/656—Interaction with payloads or external entities
    • G05D1/689—Pointing payloads towards fixed or moving targets
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/60—Intended control result
    • G05D1/69—Coordinated control of the position or course of two or more vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D2105/00—Specific applications of the controlled vehicles
    • G05D2105/80—Specific applications of the controlled vehicles for information gathering, e.g. for academic research
    • G05D2105/89—Specific applications of the controlled vehicles for information gathering, e.g. for academic research for inspecting structures, e.g. wind mills, bridges, buildings or vehicles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D2109/00—Types of controlled vehicles
    • G05D2109/20—Aircraft, e.g. drones
    • G05D2109/25—Rotorcrafts
    • G05D2109/254—Flying platforms, e.g. multicopters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/502—Proximity
    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Automation & Control Theory (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Artificial Intelligence (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)

Abstract

本发明涉及一种用于电网巡检的无人机辅助边缘计算方法，采用巡检无人机对目标电网区域进行视频图像采集工作，降低了巡检成本；并借助增强无人机辅助处理巡检无人机所采集的视频图像数据，以最小化系统无人机能耗为目标，在同载能的条件下延长了无人机的工作时间；而且采用深度强化学习中的DDPG算法与遗传算法相结合的方法求解增强无人机的轨迹、系统资源分配、以及任务卸载决策方案，具有迭代速度较快、时间复杂度不高、可以提高系统实时性的优点，进而确保系统无人机在能耗最小化的前提下实施电网巡检。

Description

一种用于电网巡检的无人机辅助边缘计算方法
技术领域
本发明涉及一种用于电网巡检的无人机辅助边缘计算方法，属于移动边缘计算技术领域。
背景技术
电力保障人们的日常生活需求以及工厂的产能产出，随着电力经济的快速发展、电力需求的不断扩大，因此维护电网供电的可靠性和安全性成了电网巡检工作的重中之重。考虑到电网系统中的杆塔、以及输电线路所部署环境的恶劣性，因此很难依靠传统的人工方式进行电网巡检。由于无人机的低风险性、灵敏性较强、易于部署，使得无人机可充当无线传感网络中的感知节点，负责数据的采集工作，其次配置在无人机上的高速图像模块以及基于红外、紫外的传感器成像模块发展较为成熟，借助这些模块可快速实现电网巡检区域的视频图像采集工作，因此采用无人机辅助电网巡检已经成为电力公司的一个成本效益较高的选择。
考虑到无人机载能的有限性，因此在借助无人机辅助电网巡检的同时，要尽可能降低无人机的能耗，从而实现在同能耗条件下延长无人机的工作时间，使得无人机的连续工作巡检能力进一步增强，提高巡检效益。
发明内容
本发明所要解决的技术问题是提供一种用于电网巡检的无人机辅助边缘计算方法，采用全新设计，在完成电网巡检任务的条件下，实现了无人机能耗的最小化，进而延长了无人机的工作时间。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种用于电网巡 检的无人机辅助边缘计算方法，基于固定位置设置的中央基站，应用包含
Figure 270430DEST_PATH_IMAGE001
个巡检无人机 的无人机群、以及一个增强无人机，针对包括电网设施、输电线路的目标电网区域进行巡 检；包括如下步骤：
步骤S1. 基于无人机群中各巡检无人机的飞行模式，构建无人机辅助电网巡检系统，其中，巡检无人机只负责对目标电网区中电网设施、输电线路进行视频图像采集，所获视频图像由增强无人机或中央基站进行数据处理，然后进入步骤S2；
步骤S2. 基于无人机辅助电网巡检系统模型，由无人机群中各巡检无人机对目标电网区中电网设施、输电线路进行视频图像采集，获得各巡检无人机分别对应各时隙采集所获得的视频图像数据，然后进入步骤S3；
步骤S3. 根据各巡检无人机分别对应各时隙采集所获得的视频图像数据，结合各巡检无人机的质量、信号发射功率、位置坐标，增强无人机的质量、信号发射功率、位置坐标、计算能力，中央基站的位置坐标、以及系统通信带宽，构建无人机辅助电网巡检系统的数字孪生网络，用于拟合各巡检无人机、增强无人机的位置坐标、以及系统的资源状态，然后进入步骤S4；
步骤S4. 根据无人机辅助电网巡检系统的数字孪生网络，基于电网巡检系统卸载时延、以及数据任务处理时延约束条件，构建无人机群分别对应各时隙的能耗模型，并进一步构建无人机群分别对应各时隙的能耗最小化目标函数，然后进入步骤S5；
步骤S5. 随机初始增强无人机的移动轨迹，并基于各巡检无人机分别对应第
Figure 145982DEST_PATH_IMAGE003
个 时隙的位置坐标、视频图像数据，构建系统第
Figure 643959DEST_PATH_IMAGE003
个时隙状态，然后进入步骤S6；
步骤S6. 基于增强无人机的移动轨迹，以及系统第
Figure 681186DEST_PATH_IMAGE003
个时隙状态，采用深度强化学 习中的DDPG算法，根据无人机群分别对应各时隙的能耗最小化目标函数，求解无人机群分 别对应各时隙的能耗模型，获得系统第
Figure 897403DEST_PATH_IMAGE004
个时隙状态结合增强无人机的移动轨迹所对应由 各巡检无人机分别对应第
Figure 45488DEST_PATH_IMAGE003
个时隙的信号发射功率、关于增强无人机或中央基站的卸载方 式、增强无人机对应第
Figure 679863DEST_PATH_IMAGE003
个时隙的信号发射功率和被分配的CPU计算频率，所组成的系统第
Figure 887990DEST_PATH_IMAGE003
个时隙动作空间，即系统第
Figure 591504DEST_PATH_IMAGE003
个时隙状态结合增强无人机移动轨迹所对应的系统第
Figure 543279DEST_PATH_IMAGE003
个时隙 动作空间，然后进入步骤S7；
步骤S7. 判断是否满足迭代溢出条件，是则进入步骤S8，否则基于系统第
Figure 15849DEST_PATH_IMAGE006
个时隙 状态结合增强无人机移动轨迹所对应系统第
Figure 394878DEST_PATH_IMAGE003
个时隙动作空间中的系统资源分配、以及视 频图像数据卸载决策方案，采用遗传算法求解更新增强无人机的移动轨迹，并返回步骤S6；
步骤S8. 根据增强无人机的移动轨迹、以及相应系统第
Figure 601999DEST_PATH_IMAGE007
个时隙动作空间中的系 统资源分配、以及视频图像数据卸载决策方案，针对步骤S2中各巡检无人机分别对应各时 隙采集所获得的视频图像数据进行处理，实现视频图像数据卸载至增强无人机或中央基站 进行处理。
本发明所述一种用于电网巡检的无人机辅助边缘计算方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计一种用于电网巡检的无人机辅助边缘计算方法，采用巡检无人机对目标电网区域进行视频图像采集工作，借助增强无人机辅助处理巡检无人机所采集的视频图像数据，以最小化系统无人机能耗为目标，采用深度强化学习中的DDPG算法与遗传算法相结合的方法求解增强无人机的轨迹、系统资源分配、以及任务卸载决策方案，确保系统无人机在能耗最小化的前提下实施电网巡检；其中，考虑到电网巡检区域的环境较为恶劣，设计采用无人机进行目标电网区的视频图像采集工作，降低了巡检成本；并以优化系统无人机能耗为目标，在同载能的条件下延长了无人机的工作时间；以及采用DDPG算法与遗传算法相结合的方法，求解增强无人机的轨迹、系统资源分配、以及任务卸载决策方案，该方法迭代速度较快，时间复杂度不高，可以提高系统的实时性。
附图说明
图1为本发明所设计用于电网巡检的无人机辅助边缘计算方法实施流程图；
图2为本发明设计应用实施例中无人机辅助电网巡检系统模型图；
图3为本发明设计应用实施例的无人机辅助电网巡检的数字孪生网络结构示意图；
图4为本发明设计应用实施例用于求解系统资源分配、以及任务卸载决策方案的DDPG示意图；
图5为本发明设计应用实施例的DDPG-GA算法收敛情况表现图；
图6为本发明设计应用实施例对应不同算法分别在NOMA、OMA条件下的巡检无人机数量与无人机能耗对比图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明所设计一种用于电网巡检的无人机辅助边缘计算方法，如图2所示，基于固 定位置设置的中央基站，应用包含
Figure 91887DEST_PATH_IMAGE008
个巡检无人机（UAV）的无人机群、以及一个增强无人机 （SUAV），针对包括电网设施、输电线路的目标电网区域进行巡检，其中，各巡检无人机分别 均配备高速图像捕获模块；实际应用当中，如图1所示，具体执行如下步骤S1至步骤S8。
步骤S1. 基于无人机群中各巡检无人机的飞行模式，构建无人机辅助电网巡检系统，其中，巡检无人机只负责对目标电网区中电网设施、输电线路进行视频图像采集，所获视频图像由增强无人机或中央基站进行数据处理，然后进入步骤S2。
实际应用当中，上述步骤S1具体执行如下步骤S11至步骤S13。
步骤S11. 基于各时隙内各巡检无人机的运动状态保持不变，分别针对各巡检无人机，按如下公式：
Figure 684542DEST_PATH_IMAGE009
获得第
Figure 968893DEST_PATH_IMAGE010
个巡检无人机对应第
Figure 646999DEST_PATH_IMAGE006
个时隙的移动速度
Figure 206156DEST_PATH_IMAGE011
、水平移动方向
Figure 653318DEST_PATH_IMAGE012
、竖 直移动方向
Figure 124882DEST_PATH_IMAGE013
，其中，
Figure 24705DEST_PATH_IMAGE014
，
Figure 121974DEST_PATH_IMAGE015
表示所有巡检无人机的平均移动速度，
Figure 689221DEST_PATH_IMAGE017
表 示第
Figure 580954DEST_PATH_IMAGE010
个巡检无人机对应前
Figure 968073DEST_PATH_IMAGE018
个时隙内的平均水平方向移动角度，
Figure 603453DEST_PATH_IMAGE020
表示第
Figure 773010DEST_PATH_IMAGE010
个巡 检无人机对应前
Figure 101223DEST_PATH_IMAGE018
个时隙内的平均竖直方向移动角度；
Figure 975638DEST_PATH_IMAGE021
、
Figure 149131DEST_PATH_IMAGE022
、
Figure 425391DEST_PATH_IMAGE023
依次表示第
Figure 658927DEST_PATH_IMAGE010
个巡检无人机对应前
Figure 20638DEST_PATH_IMAGE018
个时隙的移动速度、水平移动方 向、竖直移动方向，
Figure 748554DEST_PATH_IMAGE024
，
Figure 144900DEST_PATH_IMAGE025
表示预设用于调整巡检无人机对应前
Figure 549336DEST_PATH_IMAGE018
个时隙移 动速度对第
Figure 398344DEST_PATH_IMAGE003
个时隙移动速度的影响参数，
Figure 179218DEST_PATH_IMAGE026
，
Figure 164491DEST_PATH_IMAGE028
表示预设用于调整巡检无人机 对应前
Figure 739829DEST_PATH_IMAGE018
个时隙水平移动方向对第
Figure 92444DEST_PATH_IMAGE003
个时隙水平移动方向的影响参数，
Figure 411430DEST_PATH_IMAGE029
，
Figure 516789DEST_PATH_IMAGE030
表示预设用于调整巡检无人机对应前
Figure 263029DEST_PATH_IMAGE018
个时隙竖直移动方向对第
Figure 352207DEST_PATH_IMAGE003
个时隙竖直移 动方向的影响参数，预设服从独立高斯分布的参数
Figure 209305DEST_PATH_IMAGE031
表示第
Figure 919903DEST_PATH_IMAGE010
个巡检无人机移动速度的 随机性，预设服从独立高斯分布的参数
Figure 102623DEST_PATH_IMAGE032
表示第
Figure 413518DEST_PATH_IMAGE010
个巡检无人机水平移动方向的随机性， 预设服从独立高斯分布的参数
Figure 74307DEST_PATH_IMAGE033
表示第
Figure 154258DEST_PATH_IMAGE010
个巡检无人机竖直移动方向的随机性，然后进 入步骤S12。
步骤S12. 根据各时隙长度
Figure 242300DEST_PATH_IMAGE035
，分别针对各巡检无人机，按如下公式：
Figure 788294DEST_PATH_IMAGE036
获得第
Figure 252774DEST_PATH_IMAGE010
个巡检无人机对应第
Figure 187232DEST_PATH_IMAGE003
个时隙的位置坐标
Figure 446175DEST_PATH_IMAGE037
，其中，
Figure 731663DEST_PATH_IMAGE038
、
Figure 734254DEST_PATH_IMAGE039
、
Figure 523218DEST_PATH_IMAGE040
表示第
Figure 969374DEST_PATH_IMAGE010
个巡检无人机对应第
Figure 742158DEST_PATH_IMAGE003
个时隙分别在
Figure 79598DEST_PATH_IMAGE041
坐标轴上的值，
Figure 988649DEST_PATH_IMAGE042
、
Figure 340127DEST_PATH_IMAGE043
、
Figure 334627DEST_PATH_IMAGE044
表示 第
Figure 679021DEST_PATH_IMAGE010
个巡检无人机对应前
Figure 442578DEST_PATH_IMAGE018
个时隙分别在
Figure 479804DEST_PATH_IMAGE041
坐标轴上的值，然后进入步骤S13。
步骤S13. 根据各巡检无人机分别对应第
Figure 961601DEST_PATH_IMAGE003
个时隙的移动速度、水平移动方向、竖 直移动方向、位置坐标，搭建无人机辅助电网巡检系统，其中，巡检无人机只负责对目标电 网区中电网设施、输电线路进行视频图像采集，所获视频图像由增强无人机或中央基站进 行数据处理，然后进入步骤S2。
步骤S2. 基于无人机辅助电网巡检系统模型，由无人机群中各巡检无人机对目标电网区中电网设施、输电线路进行视频图像采集，获得各巡检无人机分别对应各时隙采集所获得的视频图像数据，然后进入步骤S3。
步骤S3. 根据各巡检无人机分别对应各时隙采集所获得的视频图像数据，结合各巡检无人机的质量、信号发射功率、位置坐标，增强无人机的质量、信号发射功率、位置坐标、计算能力，中央基站的位置坐标、以及系统通信带宽，构建无人机辅助电网巡检系统的数字孪生网络，如图3所示，用于拟合各巡检无人机、增强无人机的位置坐标、以及系统的资源状态，然后进入步骤S4。
实际应用当中，上述步骤S3具体执行如下步骤S31至步骤S33。
步骤S31. 根据无人机辅助电网巡检系统，结合各巡检无人机的质量、以及分别对应各时隙所采集的视频图像数据、信号发射功率，增强无人机的质量、对应各时隙其被分配的CPU计算频率、信号发射功率，以及中央基站的位置坐标，构建现实物理实体网络，然后进入步骤S32。
步骤S32. 根据现实物理实体网络，按如下公式：
Figure 109685DEST_PATH_IMAGE045
构建各巡检无人机分别对应各时隙的数字孪生模型，其中，
Figure 478481DEST_PATH_IMAGE046
表示第
Figure 686608DEST_PATH_IMAGE010
个 巡检无人机对应第
Figure 655701DEST_PATH_IMAGE003
个时隙的数字孪生模型，
Figure 341898DEST_PATH_IMAGE047
表示第
Figure 80047DEST_PATH_IMAGE010
个巡检无人机的质量，
Figure 459075DEST_PATH_IMAGE048
表示第
Figure 649885DEST_PATH_IMAGE010
个巡检无人机对应第
Figure 887575DEST_PATH_IMAGE003
个时隙所采集的视频图像数据，
Figure 214651DEST_PATH_IMAGE049
表示第
Figure 30161DEST_PATH_IMAGE010
个巡检无 人机对应第
Figure 708267DEST_PATH_IMAGE003
个时隙的信号发射功率，
Figure 1845DEST_PATH_IMAGE050
表示第
Figure 449006DEST_PATH_IMAGE010
个巡检无人机对应第
Figure 904259DEST_PATH_IMAGE003
个时隙的位 置坐标，
Figure 85972DEST_PATH_IMAGE051
表示第
Figure 917662DEST_PATH_IMAGE010
个巡检无人机对应第
Figure 484910DEST_PATH_IMAGE003
个时隙的最大信号发射功率。
同时按如下公式：
Figure 111063DEST_PATH_IMAGE053
构建增强无人机对应各时隙的数字孪生模型，其中，
Figure 763761DEST_PATH_IMAGE054
表示增强无人机对应第
Figure 664721DEST_PATH_IMAGE003
个 时隙的数字孪生模型，
Figure 571629DEST_PATH_IMAGE055
表示增强无人机的质量，
Figure 634262DEST_PATH_IMAGE056
表示增强无人机对应第
Figure 508678DEST_PATH_IMAGE003
个 时隙被分配的CPU计算频率，
Figure 947749DEST_PATH_IMAGE057
表示增强无人机对应第
Figure 224010DEST_PATH_IMAGE003
个时隙的信号发射功率，
Figure 723124DEST_PATH_IMAGE058
增强无人机对应第
Figure 84835DEST_PATH_IMAGE003
个时隙的位置坐标，
Figure 812751DEST_PATH_IMAGE059
表示增强无人机对应第
Figure 943518DEST_PATH_IMAGE003
个时隙的 最大信号发射功率，
Figure 347955DEST_PATH_IMAGE060
表示增强无人机的最大CPU计算频率，
Figure 196962DEST_PATH_IMAGE061
表示增强无人机处理 1bit的数据所需要CPU的周期数。
以及按如下公式：
Figure 977836DEST_PATH_IMAGE062
构建中央基站的数字孪生模型
Figure 228689DEST_PATH_IMAGE063
，其中，
Figure 804027DEST_PATH_IMAGE064
表示中央基站的位置坐标，然后进 入步骤S33。
步骤S33. 基于各巡检无人机分别对应各时隙的数字孪生模型、以及增强无人机对应各时隙的数字孪生模型、中央基站的数字孪生模型，构成无人机辅助电网巡检系统的数字孪生网络，用于拟合各巡检无人机、增强无人机的位置坐标、以及系统的资源状态，然后进入步骤S4。
步骤S4. 根据无人机辅助电网巡检系统的数字孪生网络，基于电网巡检系统卸载时延、以及数据任务处理时延约束条件，构建无人机群分别对应各时隙的能耗模型，并进一步构建无人机群分别对应各时隙的能耗最小化目标函数，然后进入步骤S5。
实际应用当中，上述步骤S4具体执行如下步骤S41至步骤S42。
步骤S41. 根据无人机辅助电网巡检系统的数字孪生网络，构建各巡检无人机各时隙所采集视频图像数据分别对应各卸载方式下的总时延模型，然后进入步骤S42。
这里上述步骤S41进一步具体执行如下步骤S411至步骤S413。
步骤S411. 基于各巡检无人机在任一时隙内仅能在增强无人机与中央基站之间 择一进行视频图像数据卸载，根据各巡检无人机分别与增强无人机之间采用NOMA的方式进 行通信，即各巡检无人机共用一个频谱与增强无人机进行通信，以及增强无人机与中央基 站之间采用OFDMA的方式进行通信，各巡检无人机分别与增强无人机之间对应第
Figure 888133DEST_PATH_IMAGE003
个时隙的 数据传输速率
Figure 207119DEST_PATH_IMAGE065
、增强无人机与中央基站之间对应第
Figure 578057DEST_PATH_IMAGE003
个时隙的数据传输速率
Figure 324296DEST_PATH_IMAGE066
，其中：
Figure 882317DEST_PATH_IMAGE068
其中，
Figure 4993DEST_PATH_IMAGE069
表示通信信道带宽，
Figure 964859DEST_PATH_IMAGE070
表示附加的高斯白噪声；
Figure 632732DEST_PATH_IMAGE071
表示在时隙
Figure 943628DEST_PATH_IMAGE006
内，巡检无人机
Figure 604416DEST_PATH_IMAGE010
与增强无人机之间的信道功率增益，其被定义为：
Figure 684368DEST_PATH_IMAGE072
，
Figure 37989DEST_PATH_IMAGE073
表示单位距离的路径损耗；增强无人机接收端 采用连续干扰消除的方式（SIC）对
Figure 570601DEST_PATH_IMAGE001
个巡检无人机发射的叠加信号进行解码，其解码顺序 按照信道增益的降序执行，在第
Figure 35080DEST_PATH_IMAGE003
个时隙内，信道增益的降序可表示为：
Figure 454692DEST_PATH_IMAGE074
，降序序列中的第
Figure 979214DEST_PATH_IMAGE075
个信道增益可表 示为：
Figure 264702DEST_PATH_IMAGE076
；
Figure 267293DEST_PATH_IMAGE077
表示巡检无人机
Figure 56257DEST_PATH_IMAGE010
在上传数据时，其 余巡检无人机
Figure 751681DEST_PATH_IMAGE078
对数据传输速率的干扰；
在任意时隙内，增强无人机与中央基站之间采用OFDMA（正交频分多址接入技术）的方式进行通信，根据香农公式，增强无人机与中央基站之间的数据传输速率为：
Figure 9618DEST_PATH_IMAGE079
其中，
Figure 815900DEST_PATH_IMAGE080
表示在第
Figure 724950DEST_PATH_IMAGE082
个时隙内，增强无人机与中央基站之间的信道功率增益， 其被定义为：
Figure 325696DEST_PATH_IMAGE083
。
对应第
Figure 320196DEST_PATH_IMAGE010
个巡检无人机在第
Figure 664590DEST_PATH_IMAGE082
个时隙所采集视频图像数据卸载到增强无人机进行 处理，由于处理结果的数据量较小，因此可以忽略处理结果从增强无人机至中央基站的传 输时延及传输能耗；对应第
Figure 428147DEST_PATH_IMAGE010
个巡检无人机在第
Figure 213176DEST_PATH_IMAGE082
个时隙所采集视频图像数据卸载到中央 基站进行处理，由于中央基站采用有线的方式进行供电，因此可忽略中央基站的计算能耗， 此外，在任一时隙内，巡检无人机
Figure 694973DEST_PATH_IMAGE010
仅且只能选择其中一种卸载模式。
进一步按如下公式：
Figure 843057DEST_PATH_IMAGE084
构建各巡检无人机与增强无人机之间分别对应各时隙的通信时延模型
Figure 461120DEST_PATH_IMAGE085
，
Figure 934827DEST_PATH_IMAGE086
表示第
Figure 903920DEST_PATH_IMAGE010
个巡检无人机与增强无人机之间对应第
Figure 340849DEST_PATH_IMAGE003
个时隙的通信时延，
Figure 78998DEST_PATH_IMAGE048
表示第
Figure 192447DEST_PATH_IMAGE010
个巡检无人机对应第
Figure 648836DEST_PATH_IMAGE003
个时隙所采集的视频图像数 据。
以及按如下公式：
Figure 138723DEST_PATH_IMAGE087
构建各巡检无人机分别对应各时隙所采集视频图像数据在增强无人机与中央基 站之间传输的通信时延模型
Figure 731379DEST_PATH_IMAGE088
，
Figure 281309DEST_PATH_IMAGE089
表示第
Figure 710147DEST_PATH_IMAGE010
个巡检无人机对 应第
Figure 3725DEST_PATH_IMAGE003
个时隙所采集视频图像数据在增强无人机与中央基站之间传输的通信时延；然后进 入步骤S412。
步骤S412. 基于定义
Figure 450887DEST_PATH_IMAGE090
对应第
Figure 171718DEST_PATH_IMAGE010
个巡检无人机在第
Figure 337121DEST_PATH_IMAGE003
个时隙所采 集视频图像数据卸载到增强无人机进行处理，则按如下公式：
Figure 168810DEST_PATH_IMAGE091
构建增强无人机接收端针对第
Figure 486790DEST_PATH_IMAGE010
个巡检无人机在第
Figure 378523DEST_PATH_IMAGE003
个时隙所采集视频图像数据 的数据处理时延模型
Figure 31221DEST_PATH_IMAGE092
，其中，
Figure 401023DEST_PATH_IMAGE061
表示增强无人机处理1bit的数据所需要CPU 的周期数，
Figure 822777DEST_PATH_IMAGE056
表示增强无人机对应第
Figure 150990DEST_PATH_IMAGE003
个时隙被分配的CPU计算频率。
并基于增强无人机采用非抢占的方式针对视频图像数据按照信道功率增益降序的方式进行处理，则按如下公式：
Figure 25405DEST_PATH_IMAGE093
构建第
Figure 235717DEST_PATH_IMAGE010
个巡检无人机在第
Figure 511977DEST_PATH_IMAGE003
个时隙所采集视频图像数据在被增强无人机处理之 前所对应的队列等待时延模型
Figure 745513DEST_PATH_IMAGE094
，
Figure 372803DEST_PATH_IMAGE095
表示增强无人机依次处理第
Figure 84407DEST_PATH_IMAGE097
个视频图像 数据所来自巡检无人机的序号，
Figure 480753DEST_PATH_IMAGE075
表示第
Figure 901502DEST_PATH_IMAGE010
个巡检无人机在第
Figure 750509DEST_PATH_IMAGE003
个时隙所采集视频图像数 据在增强无人机等待处理的排序序号。
进而按如下公式：
Figure 265804DEST_PATH_IMAGE098
构建第
Figure 782236DEST_PATH_IMAGE010
个巡检无人机在第
Figure 357574DEST_PATH_IMAGE003
个时隙所采集视频图像数据卸载到增强无人机进行 处理所对应的总时延模型
Figure 693877DEST_PATH_IMAGE099
，然后进入步骤S413。
步骤S413. 基于定义
Figure 12863DEST_PATH_IMAGE100
对应第
Figure 868955DEST_PATH_IMAGE010
个巡检无人机在第
Figure 880773DEST_PATH_IMAGE003
个时隙所采 集视频图像数据卸载到中央基站进行处理，则按如下公式：
Figure 235531DEST_PATH_IMAGE101
构建第
Figure 374519DEST_PATH_IMAGE010
个巡检无人机在第
Figure 334385DEST_PATH_IMAGE003
个时隙所采集视频图像数据卸载到增强无人机进行 处理所对应的总时延模型
Figure 251526DEST_PATH_IMAGE102
，然后进入步骤S42。
步骤S42. 根据各巡检无人机各时隙所采集视频图像数据分别对应各卸载方式下的总时延模型，基于电网巡检系统卸载时延、以及数据任务处理时延约束条件，构建无人机群分别对应各时隙的能耗模型，并进一步构建无人机群分别对应各时隙的能耗最小化目标函数，然后进入步骤S5。
实际应用当中，上述步骤S42进一步设计执行如下步骤S421至步骤S422。
步骤S421. 基于中央基站采用有线方式进行供电，按如下公式：
Figure 562421DEST_PATH_IMAGE104
构建无人机群对应第
Figure 223210DEST_PATH_IMAGE003
个时隙的能耗模型
Figure 303161DEST_PATH_IMAGE105
，其中，
Figure 656782DEST_PATH_IMAGE106
，
Figure 937197DEST_PATH_IMAGE107
表示第
Figure 136097DEST_PATH_IMAGE010
个巡检无人机在 第
Figure 336135DEST_PATH_IMAGE004
个时隙内的飞行能耗；
Figure 860657DEST_PATH_IMAGE108
，
Figure 614986DEST_PATH_IMAGE109
表示增强无人机在第
Figure 883157DEST_PATH_IMAGE003
个时隙内的飞行能耗；
Figure 672121DEST_PATH_IMAGE111
，
Figure 852698DEST_PATH_IMAGE112
表示第
Figure 359902DEST_PATH_IMAGE010
个巡检无人机在第
Figure 431764DEST_PATH_IMAGE003
个时隙所采集视频图像数据
Figure 75235DEST_PATH_IMAGE048
卸载至增强无人机处理所消耗 的能量，
Figure 941559DEST_PATH_IMAGE113
表示增强无人机CPU对应的有效开关电容；
Figure 670481DEST_PATH_IMAGE114
，
Figure 280454DEST_PATH_IMAGE115
表示第
Figure 60322DEST_PATH_IMAGE010
个巡检无人机在 第
Figure 831969DEST_PATH_IMAGE004
个时隙所采集视频图像数据
Figure 313766DEST_PATH_IMAGE048
在与增强无人机之间的传输能耗；
Figure 461851DEST_PATH_IMAGE117
，
Figure 79914DEST_PATH_IMAGE118
表示数 据
Figure 22462DEST_PATH_IMAGE119
在增强无人机与中央基站之间的传输能耗，然后进入步骤S422。
步骤S422. 根据无人机群对应第
Figure 742287DEST_PATH_IMAGE003
个时隙的能耗模型
Figure 694063DEST_PATH_IMAGE105
，按如下公式：
Figure 166633DEST_PATH_IMAGE121
进一步构建无人机群分别对应各时隙的能耗最小化目标函数
Figure 545661DEST_PATH_IMAGE122
，其中，
Figure 736471DEST_PATH_IMAGE123
表示预设约束增强无人机的活动范围，
Figure 226358DEST_PATH_IMAGE124
表 示增强无人机全双工通信的条件需求，
Figure 84593DEST_PATH_IMAGE125
表示第
Figure 382326DEST_PATH_IMAGE010
个巡检无人机在第
Figure 794853DEST_PATH_IMAGE003
个时隙所采集视 频图像数据
Figure 88431DEST_PATH_IMAGE048
需要在该时隙内卸载处理完毕。
步骤S5. 随机初始增强无人机的移动轨迹，并基于各巡检无人机分别对应第
Figure 535592DEST_PATH_IMAGE007
个 时隙的位置坐标、视频图像数据，构建系统第
Figure 256424DEST_PATH_IMAGE003
个时隙状态，然后进入步骤S6。
步骤S6. 基于增强无人机的移动轨迹，以及系统第
Figure 421826DEST_PATH_IMAGE003
个时隙状态，采用深度强化学 习中的DDPG算法，根据无人机群分别对应各时隙的能耗最小化目标函数，求解无人机群分 别对应各时隙的能耗模型，获得系统第
Figure 519095DEST_PATH_IMAGE003
个时隙状态结合增强无人机的移动轨迹所对应由 各巡检无人机分别对应第
Figure 571496DEST_PATH_IMAGE003
个时隙的信号发射功率、关于增强无人机或中央基站的卸载方 式、增强无人机对应第
Figure 463228DEST_PATH_IMAGE003
个时隙的信号发射功率和被分配的CPU计算频率，所组成的系统第
Figure 850347DEST_PATH_IMAGE003
个时隙动作空间，即系统第
Figure 485728DEST_PATH_IMAGE003
个时隙状态结合增强无人机移动轨迹所对应的系统第
Figure 173061DEST_PATH_IMAGE003
个时隙 动作空间，然后进入步骤S7。
关于上述步骤S6，具体执行如下操作：
首先构建两组神经网络，分别为Actor网络组以及Critic网络组，其中Actor网络 组包括两个参数完全相同的深度神经网络：Actor策略网络，所有参数记为
Figure 235695DEST_PATH_IMAGE126
、Actor目标 网络，所有参数记为
Figure 110110DEST_PATH_IMAGE127
，Critic网络组包括两个参数完全相同的深度神经网络：Critic策 略网络，所有参数记为
Figure 34335DEST_PATH_IMAGE128
、Critic目标网络，所有参数记为
Figure 310596DEST_PATH_IMAGE129
。
然后基于增强无人机的移动轨迹，在第
Figure 544131DEST_PATH_IMAGE003
个时隙内，Actor策略网络输入的是系统 当前状态
Figure 905842DEST_PATH_IMAGE131
，输出行动
Figure 148605DEST_PATH_IMAGE132
附加随机噪声
Figure 544951DEST_PATH_IMAGE133
形成行动决策
Figure 949387DEST_PATH_IMAGE135
与环境进行交互，即
Figure 283548DEST_PATH_IMAGE136
，进而得到奖励
Figure 64422DEST_PATH_IMAGE137
并进入系统下一个时隙状态
Figure 315275DEST_PATH_IMAGE138
，同时将这一 记录
Figure 156192DEST_PATH_IMAGE139
存至经验回放池中；
其中，系统当前状态
Figure 226916DEST_PATH_IMAGE131
、动作空间
Figure 545902DEST_PATH_IMAGE135
以及奖励函数
Figure 651261DEST_PATH_IMAGE137
分别如下表示：
Figure 145303DEST_PATH_IMAGE141
基于当前系统状态
Figure 234482DEST_PATH_IMAGE131
可选择的动作空间为：
Figure 91579DEST_PATH_IMAGE143
基于当前系统状态
Figure 317024DEST_PATH_IMAGE131
以及该状态上的行动决策
Figure 234165DEST_PATH_IMAGE135
，所获得的奖励
Figure 279481DEST_PATH_IMAGE137
定义为：
Figure 940270DEST_PATH_IMAGE144
其中，奖励函数中的-1000代表惩罚项，若增强无人机全双工通信的条件需求未得 到满足或
Figure 770954DEST_PATH_IMAGE003
时隙内巡检无人机
Figure 858995DEST_PATH_IMAGE010
所采集的数据未在该时隙内卸载处理完毕，则会相应给出 预设惩罚数值-1000。
上述关于步骤S6的具体执行操作，实际应用当中关于深度强化学习中的DDPG算法，如图4所示，具体如下执行。
S61，从第1个时隙开始，重复执行上述操作，直至经验回放池被填满；
S62，从经验回放池中随机抽取
Figure 657187DEST_PATH_IMAGE145
个样本，并记其中的一个样本为
Figure 121666DEST_PATH_IMAGE146
；
S63，将状态
Figure 56124DEST_PATH_IMAGE147
、行动决策
Figure 315067DEST_PATH_IMAGE148
输入至Critic目标网络，输出基于当 前状态以及行动决策所获得的
Figure 334976DEST_PATH_IMAGE150
值：
Figure 353879DEST_PATH_IMAGE151
，其中行动决策
Figure 408422DEST_PATH_IMAGE152
基于
Figure 838267DEST_PATH_IMAGE153
由Actor目标网络提供，并记：
Figure 345471DEST_PATH_IMAGE154
；
S64，将状态
Figure 417333DEST_PATH_IMAGE156
、行动决策
Figure 60804DEST_PATH_IMAGE158
输入至Critic策略网络，输出基于当前状态以及行 动决策所获得的
Figure 677861DEST_PATH_IMAGE159
值：
Figure 406782DEST_PATH_IMAGE160
；
S65，采用如下损失函数更新Critic策略网络的参数
Figure 16755DEST_PATH_IMAGE161
：
Figure 780312DEST_PATH_IMAGE162
S66，采用策略梯度上升方法更新Actor策略网络的参数
Figure 817538DEST_PATH_IMAGE163
，实现策略目标函数
Figure 33756DEST_PATH_IMAGE164
的最大化：
Figure 181840DEST_PATH_IMAGE165
其中，
Figure 813286DEST_PATH_IMAGE166
为Actor策略网络基于状态
Figure 21413DEST_PATH_IMAGE156
所获取的行动决策，
Figure 724927DEST_PATH_IMAGE167
为Critic策略网络基于状态
Figure 676702DEST_PATH_IMAGE156
以及行动决策
Figure 414851DEST_PATH_IMAGE168
所获取的
Figure 793880DEST_PATH_IMAGE170
值；
S67，采用软更新的方式定时更新Actor目标网络的参数
Figure 735422DEST_PATH_IMAGE171
以及Critic目标网络 的参数
Figure 225309DEST_PATH_IMAGE173
：
Figure 817965DEST_PATH_IMAGE174
步骤S7. 判断是否满足迭代溢出条件，是则进入步骤S8，否则基于系统第
Figure 367895DEST_PATH_IMAGE003
个时隙 状态结合增强无人机移动轨迹所对应系统第
Figure 46001DEST_PATH_IMAGE003
个时隙动作空间中的系统资源分配、以及视 频图像数据卸载决策方案，采用遗传算法求解更新增强无人机的移动轨迹，并返回步骤S6。
其中，迭代溢出条件为最大预设迭代次数，或者以当前迭代起向历史迭代方向、预 设迭代次数内各迭代下无人机群对应第
Figure 605158DEST_PATH_IMAGE003
个时隙能耗的方差小于预设能耗波动范围。
实际应用当中，上述步骤S7中，若不满足迭代溢出条件，则执行如下步骤S71至步骤S73。
步骤S71. 随机初始化第
Figure 803052DEST_PATH_IMAGE006
个时隙种群
Figure 523884DEST_PATH_IMAGE175
，其中，
Figure 423707DEST_PATH_IMAGE176
，
Figure 520976DEST_PATH_IMAGE178
表示第
Figure 88223DEST_PATH_IMAGE003
个时 隙种群
Figure 979956DEST_PATH_IMAGE179
中个体的个数，
Figure DEST_PATH_IMAGE180
表示第
Figure 648966DEST_PATH_IMAGE003
个时隙种群
Figure 284346DEST_PATH_IMAGE179
中第
Figure 706100DEST_PATH_IMAGE097
条增强无人机移动轨 迹，然后进入步骤S72。
实际应用中，进一步将增强无人机位置坐标的表现型采用二进制编码的形式转换为基因型，二进制编码方式具体如下：
Figure 34314DEST_PATH_IMAGE181
的范围为
Figure DEST_PATH_IMAGE182
，用长度为
Figure DEST_PATH_IMAGE184
的二进制编码符号来表示该参数，即该区 间被划分为
Figure 187690DEST_PATH_IMAGE185
份，同理
Figure DEST_PATH_IMAGE186
、
Figure 892341DEST_PATH_IMAGE187
也被划分为
Figure 168601DEST_PATH_IMAGE185
份，
Figure 667716DEST_PATH_IMAGE181
所对应的基 因型表示区间
Figure 29427DEST_PATH_IMAGE189
中的数据，
Figure 757343DEST_PATH_IMAGE190
、
Figure 888110DEST_PATH_IMAGE191
同理，因此某一个体的基因型可表示 为：
Figure 292546DEST_PATH_IMAGE192
。
步骤S72. 分别针对第
Figure 407133DEST_PATH_IMAGE003
个时隙种群
Figure 188007DEST_PATH_IMAGE179
中的各个个体，基于系统第
Figure 173280DEST_PATH_IMAGE003
个时隙状态 结合增强无人机移动轨迹所对应系统第
Figure 764930DEST_PATH_IMAGE003
个时隙动作空间中的系统资源分配、以及视频图 像数据卸载决策方案，按如下公式：
Figure 101233DEST_PATH_IMAGE193
获得第
Figure 420219DEST_PATH_IMAGE003
个时隙种群
Figure 525578DEST_PATH_IMAGE179
中各个个体分别对应的适应度，然后进入步骤S73。
步骤S73. 判断第
Figure 537397DEST_PATH_IMAGE007
个时隙种群
Figure 360996DEST_PATH_IMAGE179
中各个个体分别所对应适应度是否均满足预 设适应度阈值，是则挑选最高适应度所对应的个体，即获得该个体所对应的增强无人机移 动轨迹，即更新增强无人机的移动轨迹，并返回步骤S6；否则基于第
Figure 218094DEST_PATH_IMAGE003
个时隙种群
Figure 928692DEST_PATH_IMAGE179
中各 个个体分别对应的适应度，对第
Figure 111412DEST_PATH_IMAGE003
个时隙种群
Figure 156728DEST_PATH_IMAGE179
中的数据进行选择、交叉、变异操作，更新 第
Figure 83096DEST_PATH_IMAGE003
个时隙种群
Figure 163047DEST_PATH_IMAGE179
中的各个个体，并返回步骤S72；其中，与步骤S71、步骤S72之间采用二 进制编码形式转换操作相对应的，这里解码（
Figure 251089DEST_PATH_IMAGE190
、
Figure 783701DEST_PATH_IMAGE191
同理）：
Figure 995984DEST_PATH_IMAGE194
其中，
Figure 196021DEST_PATH_IMAGE196
表示第
Figure 454964DEST_PATH_IMAGE097
位的二进制数。
实际应用当中，这里的预设适应度阈值为预设适应度下限，若预设适应度阈值为 预设适应度下限时，则判断第
Figure 474872DEST_PATH_IMAGE003
个时隙种群
Figure 477463DEST_PATH_IMAGE179
中各个个体分别所对应适应度是否均大于 预设适应度下限。
步骤S8. 根据增强无人机的移动轨迹、以及相应系统第
Figure 266428DEST_PATH_IMAGE003
个时隙动作空间中的系 统资源分配、以及视频图像数据卸载决策方案，针对步骤S2中各巡检无人机分别对应各时 隙采集所获得的视频图像数据进行处理，实现视频图像数据卸载至增强无人机或中央基站 进行处理，由增强无人机或中央基站针对来自巡检无人机所卸载的视频图像数据执行电网 系统缺陷识别、以及电网系统缺陷定位。
将本发明所设计用于电网巡检的无人机辅助边缘计算方法，应用于实际当中，如图5给出的是本发明所设计的DDPG-GA算法收敛情况表现，由于DDPG网络模型的参数在训练阶段是随机确定的，因此此时的行动决策不是最优的，随着训练次序的不断递增，行动决策趋于最优化，奖励趋于最大化，同时奖励随训练次数的波动性也随之减小。从图中可以看出，经过约200次的训练之后，本发明所设计的DDPG-GA算法趋于收敛。
如图6所示，在不同算法分别在NOMA、OMA条件下的巡检无人机数量与无人机能耗对比图，算法包括DDPG以及DDPG-GA算法。整体来看，随着巡检无人机数量的增多，其所采集的数据量以及所需卸载的计算任务量也会随之增加，因此无人机的能耗增呈上升趋势。相较与DDPG算法，本发明所设计的DDPG-GA算法在无人机能耗方面的表现较优，当巡检无人机数量较小时，两种算法的表现差异不大，随着巡检无人机数量的增加，两种算法的表现差距开始拉大，这是因为随着巡检无人机数量的增加，两种算法的决策空间都会进一步扩大，但DDPG-GA算法决策空间相对较小，更容易根据网络模型做出最优决策。同时，从图中也可看出在采用NOMA通信模式下的系统无人机能耗小于OMA模式下的系统无人机能耗，这是因为NOMA模式可进一步降低传输时延，进而降低任务数据的传输能耗，从而达到降低系统无人机能耗的效果。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (10)

1.一种用于电网巡检的无人机辅助边缘计算方法，其特征在于：基于固定位置设置的 中央基站，应用包含
Figure 54287DEST_PATH_IMAGE001
个巡检无人机的无人机群、以及一个增强无人机，针对包括电网设 施、输电线路的目标电网区域进行巡检；包括如下步骤：
步骤S1. 基于无人机群中各巡检无人机的飞行模式，构建无人机辅助电网巡检系统，其中，巡检无人机只负责对目标电网区中电网设施、输电线路进行视频图像采集，所获视频图像由增强无人机或中央基站进行数据处理，然后进入步骤S2；
步骤S2. 基于无人机辅助电网巡检系统模型，由无人机群中各巡检无人机对目标电网区中电网设施、输电线路进行视频图像采集，获得各巡检无人机分别对应各时隙采集所获得的视频图像数据，然后进入步骤S3；
步骤S3. 根据各巡检无人机分别对应各时隙采集所获得的视频图像数据，结合各巡检无人机的质量、信号发射功率、位置坐标，增强无人机的质量、信号发射功率、位置坐标、计算能力，中央基站的位置坐标、以及系统通信带宽，构建无人机辅助电网巡检系统的数字孪生网络，用于拟合各巡检无人机、增强无人机的位置坐标、以及系统的资源状态，然后进入步骤S4；
步骤S4. 根据无人机辅助电网巡检系统的数字孪生网络，基于电网巡检系统卸载时延、以及数据任务处理时延约束条件，构建无人机群分别对应各时隙的能耗模型，并进一步构建无人机群分别对应各时隙的能耗最小化目标函数，然后进入步骤S5；
步骤S5. 随机初始增强无人机的移动轨迹，并基于各巡检无人机分别对应第
Figure 502586DEST_PATH_IMAGE002
个时隙的 位置坐标、视频图像数据，构建系统第
Figure 16744DEST_PATH_IMAGE002
个时隙状态，然后进入步骤S6；
步骤S6. 基于增强无人机的移动轨迹，以及系统第
Figure 208691DEST_PATH_IMAGE002
个时隙状态，采用深度强化学习中 的DDPG算法，根据无人机群分别对应各时隙的能耗最小化目标函数，求解无人机群分别对 应各时隙的能耗模型，获得系统第
Figure 757484DEST_PATH_IMAGE002
个时隙状态结合增强无人机的移动轨迹所对应由各巡 检无人机分别对应第
Figure 127416DEST_PATH_IMAGE002
个时隙的信号发射功率、关于增强无人机或中央基站的卸载方式、增 强无人机对应第
Figure 925608DEST_PATH_IMAGE002
个时隙的信号发射功率和被分配的CPU计算频率，所组成的系统第
Figure 858929DEST_PATH_IMAGE002
个时 隙动作空间，即系统第
Figure 324546DEST_PATH_IMAGE002
个时隙状态结合增强无人机移动轨迹所对应的系统第
Figure 52330DEST_PATH_IMAGE002
个时隙动作 空间，然后进入步骤S7；
步骤S7. 判断是否满足迭代溢出条件，是则进入步骤S8，否则基于系统第
Figure 603397DEST_PATH_IMAGE002
个时隙状态 结合增强无人机移动轨迹所对应系统第
Figure 74830DEST_PATH_IMAGE002
个时隙动作空间中的系统资源分配、以及视频图 像数据卸载决策方案，采用遗传算法求解更新增强无人机的移动轨迹，并返回步骤S6；
步骤S8. 根据增强无人机的移动轨迹、以及相应系统第
Figure 880106DEST_PATH_IMAGE002
个时隙动作空间中的系统资源 分配、以及视频图像数据卸载决策方案，针对步骤S2中各巡检无人机分别对应各时隙采集 所获得的视频图像数据进行处理，实现视频图像数据卸载至增强无人机或中央基站进行处 理。
2.根据权利要求1所述一种用于电网巡检的无人机辅助边缘计算方法，其特征在于：所述步骤S1包括如下步骤S11至步骤S13；
步骤S11. 基于各时隙内各巡检无人机的运动状态保持不变，分别针对各巡检无人机，按如下公式：
Figure 106688DEST_PATH_IMAGE003
获得第
Figure 82734DEST_PATH_IMAGE004
个巡检无人机对应第
Figure 154595DEST_PATH_IMAGE005
个时隙的移动速度
Figure 532487DEST_PATH_IMAGE006
、水平移动方向
Figure 664391DEST_PATH_IMAGE007
、竖直移动 方向
Figure 672274DEST_PATH_IMAGE008
，其中，
Figure 485509DEST_PATH_IMAGE009
，
Figure 780224DEST_PATH_IMAGE010
表示所有巡检无人机的平均移动速度，
Figure 286292DEST_PATH_IMAGE011
表示第
Figure 33668DEST_PATH_IMAGE004
个 巡检无人机对应前
Figure 447332DEST_PATH_IMAGE012
个时隙内的平均水平方向移动角度，
Figure 534237DEST_PATH_IMAGE013
表示第
Figure 24255DEST_PATH_IMAGE004
个巡检无人机 对应前
Figure 196610DEST_PATH_IMAGE014
个时隙内的平均竖直方向移动角度；
Figure 413965DEST_PATH_IMAGE015
、
Figure 417693DEST_PATH_IMAGE016
、
Figure 265563DEST_PATH_IMAGE017
依次表示第
Figure 987532DEST_PATH_IMAGE004
个巡检无人机对应前
Figure 946260DEST_PATH_IMAGE012
个时隙的移动速度、水平移动方 向、竖直移动方向，
Figure 555227DEST_PATH_IMAGE018
，
Figure 573999DEST_PATH_IMAGE019
表示预设用于调整巡检无人机对应前
Figure 783264DEST_PATH_IMAGE012
个时 隙移动速度对第
Figure 545683DEST_PATH_IMAGE002
个时隙移动速度的影响参数，
Figure 258424DEST_PATH_IMAGE020
，
Figure 244835DEST_PATH_IMAGE021
表示预设用于调整巡检无 人机对应前
Figure 879078DEST_PATH_IMAGE012
个时隙水平移动方向对第
Figure 992659DEST_PATH_IMAGE002
个时隙水平移动方向的影响参数，
Figure 28748DEST_PATH_IMAGE022
，
Figure 920481DEST_PATH_IMAGE023
表示预设用于调整巡检无人机对应前
Figure 104338DEST_PATH_IMAGE014
个时隙竖直移动方向对第
Figure 208560DEST_PATH_IMAGE002
个时隙竖直移动方向的影响参数，预设服从独立高斯分布的参数
Figure 895893DEST_PATH_IMAGE024
表示第
Figure 427369DEST_PATH_IMAGE004
个巡检无人 机移动速度的随机性，预设服从独立高斯分布的参数
Figure 315166DEST_PATH_IMAGE025
表示第
Figure 285396DEST_PATH_IMAGE004
个巡检无人机水平移动 方向的随机性，预设服从独立高斯分布的参数
Figure 30498DEST_PATH_IMAGE026
表示第
Figure 795191DEST_PATH_IMAGE004
个巡检无人机竖直移动方向的 随机性，然后进入步骤S12；
步骤S12. 根据各时隙长度
Figure 625744DEST_PATH_IMAGE027
，分别针对各巡检无人机，按如下公式：
Figure 134086DEST_PATH_IMAGE028
获得第
Figure 733694DEST_PATH_IMAGE004
个巡检无人机对应第
Figure 154443DEST_PATH_IMAGE002
个时隙的位置坐标
Figure 534608DEST_PATH_IMAGE029
， 其中，
Figure 518745DEST_PATH_IMAGE030
、
Figure 300756DEST_PATH_IMAGE031
、
Figure 344936DEST_PATH_IMAGE032
表示第
Figure 212397DEST_PATH_IMAGE004
个巡检无人机对应第
Figure 547695DEST_PATH_IMAGE002
个时隙分别在
Figure 121896DEST_PATH_IMAGE033
坐标轴上的 值，
Figure 399293DEST_PATH_IMAGE034
、
Figure 426155DEST_PATH_IMAGE035
、
Figure 79990DEST_PATH_IMAGE036
表示第
Figure 305435DEST_PATH_IMAGE004
个巡检无人机对应前
Figure 691417DEST_PATH_IMAGE014
个时隙分别在
Figure 284204DEST_PATH_IMAGE033
坐标轴上的值，然后进入步骤S13；
步骤S13. 根据各巡检无人机分别对应第
Figure 413834DEST_PATH_IMAGE002
个时隙的移动速度、水平移动方向、竖直移动 方向、位置坐标，搭建无人机辅助电网巡检系统，其中，巡检无人机只负责对目标电网区中 电网设施、输电线路进行视频图像采集，所获视频图像由增强无人机或中央基站进行数据 处理，然后进入步骤S2。
3.根据权利要求1所述一种用于电网巡检的无人机辅助边缘计算方法，其特征在于：所述步骤S3包括如下步骤S31至步骤S33；
步骤S31. 根据无人机辅助电网巡检系统，结合各巡检无人机的质量、以及分别对应各时隙所采集的视频图像数据、信号发射功率，增强无人机的质量、对应各时隙其被分配的CPU计算频率、信号发射功率，以及中央基站的位置坐标，构建现实物理实体网络，然后进入步骤S32；
步骤S32. 根据现实物理实体网络，按如下公式：
Figure 759365DEST_PATH_IMAGE037
构建各巡检无人机分别对应各时隙的数字孪生模型，其中，
Figure 581827DEST_PATH_IMAGE038
表示第
Figure 645598DEST_PATH_IMAGE004
个巡检无 人机对应第
Figure 375657DEST_PATH_IMAGE002
个时隙的数字孪生模型，
Figure 513377DEST_PATH_IMAGE039
表示第
Figure 316860DEST_PATH_IMAGE004
个巡检无人机的质量，
Figure 805610DEST_PATH_IMAGE040
表示第
Figure 339360DEST_PATH_IMAGE004
个巡检无人机对应第
Figure 597166DEST_PATH_IMAGE002
个时隙所采集的视频图像数据，
Figure 558169DEST_PATH_IMAGE041
表示第
Figure 330953DEST_PATH_IMAGE004
个巡检无人机对应 第
Figure 606076DEST_PATH_IMAGE002
个时隙的信号发射功率，
Figure 797017DEST_PATH_IMAGE042
表示第
Figure 866604DEST_PATH_IMAGE004
个巡检无人机对应第
Figure 392264DEST_PATH_IMAGE002
个时隙的位置坐标，
Figure 2237DEST_PATH_IMAGE043
表示第
Figure 234635DEST_PATH_IMAGE004
个巡检无人机对应第
Figure 537440DEST_PATH_IMAGE002
个时隙的最大信号发射功率；
同时按如下公式：
Figure 488079DEST_PATH_IMAGE045
构建增强无 人机对应各时隙的数字孪生模型，其中，
Figure 918054DEST_PATH_IMAGE046
表示增强无人机对应第
Figure 4959DEST_PATH_IMAGE002
个时隙的数字孪 生模型，
Figure 744245DEST_PATH_IMAGE047
表示增强无人机的质量，
Figure 916600DEST_PATH_IMAGE048
表示增强无人机对应第
Figure 868376DEST_PATH_IMAGE002
个时隙被分配的 CPU计算频率，
Figure 685153DEST_PATH_IMAGE049
表示增强无人机对应第
Figure 64182DEST_PATH_IMAGE002
个时隙的信号发射功率，
Figure 786150DEST_PATH_IMAGE050
增强无人 机对应第
Figure 744879DEST_PATH_IMAGE002
个时隙的位置坐标，
Figure 452433DEST_PATH_IMAGE051
表示增强无人机对应第
Figure 471204DEST_PATH_IMAGE002
个时隙的最大信号发射功率，
Figure 414890DEST_PATH_IMAGE052
表示增强无人机的最大CPU计算频率，
Figure 974047DEST_PATH_IMAGE053
表示增强无人机处理1bit的数据所需要 CPU的周期数；
以及按如下公式：
Figure 890050DEST_PATH_IMAGE054
构建中央基站的数字孪生模型
Figure 142040DEST_PATH_IMAGE055
，其中，
Figure 776284DEST_PATH_IMAGE056
表示中央基站的位置坐标，然后进入步 骤S33；
步骤S33. 基于各巡检无人机分别对应各时隙的数字孪生模型、以及增强无人机对应各时隙的数字孪生模型、中央基站的数字孪生模型，构成无人机辅助电网巡检系统的数字孪生网络，用于拟合各巡检无人机、增强无人机的位置坐标、以及系统的资源状态，然后进入步骤S4。
4.根据权利要求3所述一种用于电网巡检的无人机辅助边缘计算方法，其特征在于：所述步骤S4包括如下步骤S41至步骤S42；
步骤S41. 根据无人机辅助电网巡检系统的数字孪生网络，构建各巡检无人机各时隙所采集视频图像数据分别对应各卸载方式下的总时延模型，然后进入步骤S42；
步骤S42. 根据各巡检无人机各时隙所采集视频图像数据分别对应各卸载方式下的总时延模型，基于电网巡检系统卸载时延、以及数据任务处理时延约束条件，构建无人机群分别对应各时隙的能耗模型，并进一步构建无人机群分别对应各时隙的能耗最小化目标函数，然后进入步骤S5。
5.根据权利要求4所述一种用于电网巡检的无人机辅助边缘计算方法，其特征在于：所述步骤S41包括如下步骤S411至步骤S413；
步骤S411. 基于巡检无人机在任一时隙内仅能在增强无人机与中央基站之间择一进 行视频图像数据卸载，根据各巡检无人机共用一个频谱与增强无人机进行通信，各巡检无 人机分别与增强无人机之间对应第
Figure 889864DEST_PATH_IMAGE002
个时隙的数据传输速率
Figure 660374DEST_PATH_IMAGE057
、增强无人机与中央基 站之间对应第
Figure 817686DEST_PATH_IMAGE002
个时隙的数据传输速率
Figure 1543DEST_PATH_IMAGE058
，按如下公式：
Figure 840186DEST_PATH_IMAGE059
构建各巡检无人机与增强无人机之间分别对应各时隙的通信时延模型
Figure 793098DEST_PATH_IMAGE060
，
Figure 324574DEST_PATH_IMAGE061
表示第
Figure 215301DEST_PATH_IMAGE004
个巡检无人机与增强无人机之间对应第
Figure 185531DEST_PATH_IMAGE002
个 时隙的通信时延，
Figure 930633DEST_PATH_IMAGE040
表示第
Figure 695326DEST_PATH_IMAGE004
个巡检无人机对应第
Figure 525879DEST_PATH_IMAGE002
个时隙所采集的视频图像数据；
以及按如下公式：
Figure 768642DEST_PATH_IMAGE062
构建各巡检无人机分别对应各时隙所采集视频图像数据在增强无人机与中央基站之 间传输的通信时延模型
Figure 181300DEST_PATH_IMAGE063
，
Figure 54578DEST_PATH_IMAGE064
表示第
Figure 434743DEST_PATH_IMAGE004
个巡检无人机对应第
Figure 418880DEST_PATH_IMAGE002
个时隙所采集视频图像数据在增强无人机与中央基站之间传输的通信时延；然后进入步骤 S412；
步骤S412. 基于定义
Figure 200891DEST_PATH_IMAGE065
对应第
Figure 245071DEST_PATH_IMAGE004
个巡检无人机在第
Figure 846953DEST_PATH_IMAGE002
个时隙所采集视频 图像数据卸载到增强无人机进行处理，则按如下公式：
Figure 444900DEST_PATH_IMAGE066
构建增强无人机接收端针对第
Figure 19101DEST_PATH_IMAGE004
个巡检无人机在第
Figure 296499DEST_PATH_IMAGE002
个时隙所采集视频图像数据的数 据处理时延模型
Figure 323361DEST_PATH_IMAGE067
，其中，
Figure 977196DEST_PATH_IMAGE053
表示增强无人机处理1bit的数据所需要CPU的周 期数，
Figure 202641DEST_PATH_IMAGE048
表示增强无人机对应第
Figure 588623DEST_PATH_IMAGE002
个时隙被分配的CPU计算频率；
并基于增强无人机采用非抢占的方式针对视频图像数据按照信道功率增益降序的方式进行处理，则按如下公式：
Figure 181409DEST_PATH_IMAGE068
构建第
Figure 311039DEST_PATH_IMAGE004
个巡检无人机在第
Figure 656570DEST_PATH_IMAGE002
个时隙所采集视频图像数据在被增强无人机处理之前所 对应的队列等待时延模型
Figure 479032DEST_PATH_IMAGE069
，
Figure 277224DEST_PATH_IMAGE070
表示增强无人机依次处理第
Figure 7283DEST_PATH_IMAGE071
个视频图像数据所 来自巡检无人机的序号，
Figure 410582DEST_PATH_IMAGE072
表示第
Figure 216995DEST_PATH_IMAGE004
个巡检无人机在第
Figure 440166DEST_PATH_IMAGE002
个时隙所采集视频图像数据在增强 无人机等待处理的排序序号；
进而按如下公式：
Figure 239495DEST_PATH_IMAGE073
构建第
Figure 294039DEST_PATH_IMAGE004
个巡检无人机在第
Figure 192725DEST_PATH_IMAGE002
个时隙所采集视频图像数据卸载到增强无人机进行处理 所对应的总时延模型
Figure 231088DEST_PATH_IMAGE074
，然后进入步骤S413；
步骤S413. 基于定义
Figure 506211DEST_PATH_IMAGE075
对应第
Figure 431573DEST_PATH_IMAGE004
个巡检无人机在第
Figure 766739DEST_PATH_IMAGE002
个时隙所采集视频 图像数据卸载到中央基站进行处理，则按如下公式：
Figure 761240DEST_PATH_IMAGE076
构建第
Figure 902372DEST_PATH_IMAGE004
个巡检无人机在第
Figure 134770DEST_PATH_IMAGE002
个时隙所采集视频图像数据卸载到增强无人机进行处理 所对应的总时延模型
Figure 437575DEST_PATH_IMAGE077
，然后进入步骤S42。
6.根据权利要求5所述一种用于电网巡检的无人机辅助边缘计算方法，其特征在于：所述各巡检无人机分别与增强无人机之间采用NOMA的方式进行通信，所述增强无人机与中央基站之间采用OFDMA的方式进行通信。
7.根据权利要求5所述一种用于电网巡检的无人机辅助边缘计算方法，其特征在于：所述步骤S42包括步骤S421至步骤S422；
步骤S421. 基于中央基站采用有线方式进行供电，按如下公式：
Figure 388214DEST_PATH_IMAGE078
构建无人机群对应第
Figure 815259DEST_PATH_IMAGE002
个时隙的能耗模型
Figure 698902DEST_PATH_IMAGE079
，其中，
Figure 110292DEST_PATH_IMAGE080
，
Figure 344964DEST_PATH_IMAGE081
表示第
Figure 765581DEST_PATH_IMAGE004
个巡检无人机在第
Figure 769309DEST_PATH_IMAGE002
个时隙内的飞行能耗；
Figure 617179DEST_PATH_IMAGE082
，
Figure 89880DEST_PATH_IMAGE083
表示 增强无人机在第
Figure 845346DEST_PATH_IMAGE002
个时隙内的飞行能耗；
Figure 906843DEST_PATH_IMAGE084
，
Figure 987932DEST_PATH_IMAGE085
表示 第
Figure 869300DEST_PATH_IMAGE004
个巡检无人机在第
Figure 694037DEST_PATH_IMAGE002
个时隙所采集视频图像数据
Figure 157510DEST_PATH_IMAGE040
卸载至增强无人机处理所消耗 的能量，
Figure 347183DEST_PATH_IMAGE086
表示增强无人机CPU对应的有效开关电容；
Figure 43744DEST_PATH_IMAGE087
，
Figure 344275DEST_PATH_IMAGE088
表示第
Figure 911523DEST_PATH_IMAGE004
个巡检无人机在 第
Figure 334414DEST_PATH_IMAGE002
个时隙所采集视频图像数据
Figure 190374DEST_PATH_IMAGE040
在与增强无人机之间的传输能耗；
Figure 842067DEST_PATH_IMAGE089
，
Figure 794979DEST_PATH_IMAGE090
表示数据
Figure 326455DEST_PATH_IMAGE091
在增强无人机与中央基站之间的传输能耗，然后进入步骤S422；
步骤S422. 根据无人机群对应第
Figure 732028DEST_PATH_IMAGE002
个时隙的能耗模型
Figure 374362DEST_PATH_IMAGE079
，按如下公式：
Figure 916202DEST_PATH_IMAGE093
进一步构建无人机群分别对应各时隙的能耗最小化目标函数
Figure 428698DEST_PATH_IMAGE094
，其 中，
Figure 55989DEST_PATH_IMAGE095
表示预设约束增强无人机的活动范围，
Figure 502013DEST_PATH_IMAGE096
表示增强无人机全双工通信的条 件需求，
Figure 429518DEST_PATH_IMAGE097
表示第
Figure 302796DEST_PATH_IMAGE004
个巡检无人机在第
Figure 417383DEST_PATH_IMAGE002
个时隙所采集视频图像数据
Figure 214569DEST_PATH_IMAGE040
需要在该时隙 内卸载处理完毕。
8.根据权利要求7所述一种用于电网巡检的无人机辅助边缘计算方法，其特征在于：所述步骤S7中，若不满足迭代溢出条件，则执行如下步骤S71至步骤S73；
步骤S71. 随机初始化第
Figure 934263DEST_PATH_IMAGE002
个时隙种群
Figure 40759DEST_PATH_IMAGE098
，其中，
Figure 580325DEST_PATH_IMAGE099
，
Figure 164890DEST_PATH_IMAGE100
表示第
Figure 535829DEST_PATH_IMAGE002
个时隙 种群
Figure 563959DEST_PATH_IMAGE101
中个体的个数，
Figure 653137DEST_PATH_IMAGE102
表示第
Figure 979076DEST_PATH_IMAGE002
个时隙种群
Figure 735680DEST_PATH_IMAGE101
中第
Figure 918399DEST_PATH_IMAGE071
条增强无人机移动轨迹，然 后进入步骤S72；
步骤S72. 分别针对第
Figure 432557DEST_PATH_IMAGE002
个时隙种群
Figure 375237DEST_PATH_IMAGE101
中的各个个体，基于系统第
Figure 924030DEST_PATH_IMAGE002
个时隙状态结合增 强无人机移动轨迹所对应系统第
Figure 543230DEST_PATH_IMAGE002
个时隙动作空间中的系统资源分配、以及视频图像数据 卸载决策方案，按如下公式：
Figure 544684DEST_PATH_IMAGE103
获得第
Figure 540322DEST_PATH_IMAGE002
个时隙种群
Figure 740359DEST_PATH_IMAGE101
中各个个体分别对应的适应度，然后进入步骤S73；
步骤S73. 判断第
Figure 468144DEST_PATH_IMAGE002
个时隙种群
Figure 767013DEST_PATH_IMAGE101
中各个个体分别所对应适应度是否均满足预设适应 度阈值，是则挑选最高适应度所对应的个体，即获得该个体所对应的增强无人机移动轨迹， 即更新增强无人机的移动轨迹，并返回步骤S6；否则基于第
Figure 504025DEST_PATH_IMAGE002
个时隙种群
Figure 824148DEST_PATH_IMAGE101
中各个个体分 别对应的适应度，对第
Figure 722834DEST_PATH_IMAGE002
个时隙种群
Figure 495618DEST_PATH_IMAGE101
中的数据进行选择、交叉、变异操作，更新第
Figure 833058DEST_PATH_IMAGE002
个时隙 种群
Figure 945371DEST_PATH_IMAGE101
中的各个个体，并返回步骤S72。
9.根据权利要求8所述一种用于电网巡检的无人机辅助边缘计算方法，其特征在于：所 述步骤S73中，预设适应度阈值为预设适应度下限，若预设适应度阈值为预设适应度下限 时，则判断第
Figure 93587DEST_PATH_IMAGE005
个时隙种群
Figure 291350DEST_PATH_IMAGE101
中各个个体分别所对应适应度是否均大于预设适应度下限。
10.根据权利要求1所述一种用于电网巡检的无人机辅助边缘计算方法，其特征在于： 所述步骤S7中的迭代溢出条件为最大预设迭代次数，或者以当前迭代起向历史迭代方向、 预设迭代次数内各迭代下无人机群对应第
Figure 432481DEST_PATH_IMAGE002
个时隙能耗的方差小于预设能耗波动范围。
CN202210174497.3A 2022-02-25 2022-02-25 一种用于电网巡检的无人机辅助边缘计算方法 Active CN114237917B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210174497.3A CN114237917B (zh) 2022-02-25 2022-02-25 一种用于电网巡检的无人机辅助边缘计算方法
PCT/CN2022/130532 WO2023160012A1 (zh) 2022-02-25 2022-11-08 一种用于电网线路随机巡检的无人机辅助边缘计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210174497.3A CN114237917B (zh) 2022-02-25 2022-02-25 一种用于电网巡检的无人机辅助边缘计算方法

Publications (2)

Publication Number Publication Date
CN114237917A true CN114237917A (zh) 2022-03-25
CN114237917B CN114237917B (zh) 2022-06-10

Family

ID=80748173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210174497.3A Active CN114237917B (zh) 2022-02-25 2022-02-25 一种用于电网巡检的无人机辅助边缘计算方法

Country Status (2)

Country Link
CN (1) CN114237917B (zh)
WO (1) WO2023160012A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114980324A (zh) * 2022-04-12 2022-08-30 中国电子科技集团公司第七研究所 一种面向切片的低时延无线资源调度方法及系统
CN115866559A (zh) * 2022-11-25 2023-03-28 西安电子科技大学 一种非正交多址接入辅助的车联网低能耗安全卸载方法
WO2023160012A1 (zh) * 2022-02-25 2023-08-31 南京信息工程大学 一种用于电网线路随机巡检的无人机辅助边缘计算方法
CN116820778A (zh) * 2023-07-13 2023-09-29 中国电信股份有限公司技术创新中心 边缘设备资源分配方法、系统、装置、设备及介质
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

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117192288B (zh) * 2023-09-22 2024-07-02 河南蓝犀牛工业装备技术有限公司 一种智慧配电网故障定位方法及其系统
CN116993183B (zh) * 2023-09-27 2023-12-29 电子科技大学中山学院 无人机辅助边缘计算中概率性计算卸载的服务优化方法
CN117022715B (zh) * 2023-10-09 2024-02-06 国网山东省电力公司沂水县供电公司 一种巡检无人机电能补给方法
CN117371761A (zh) * 2023-12-04 2024-01-09 集美大学 一种智慧海洋物联网任务调度方法、装置、设备及介质
CN117354759B (zh) * 2023-12-06 2024-03-19 吉林大学 一种多无人机辅助mec的任务卸载与充电调度联合优化方法
CN117748747B (zh) * 2024-02-21 2024-05-17 青岛哈尔滨工程大学创新发展中心 一种auv集群能源在线监测及管理系统以及方法
CN117765451B (zh) * 2024-02-22 2024-04-30 江苏征途技术股份有限公司 基于ai智能辅控系统设备的联控分析方法及系统
CN117891613B (zh) * 2024-02-29 2024-05-31 湘江实验室 一种基于车联网的计算卸载和资源分配方法及系统
CN118158651A (zh) * 2024-03-07 2024-06-07 北京信息科技大学 一种基于无人机群的通信感知协作方法和系统
CN117915405B (zh) * 2024-03-18 2024-05-31 华东交通大学 一种分布式多无人机协同任务卸载方法
CN118095604B (zh) * 2024-04-18 2024-09-10 国网江西省电力有限公司电力科学研究院 一种基于改进沙猫群优化算法的无人机机巢选址方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111651649A (zh) * 2020-04-10 2020-09-11 安徽继远软件有限公司 一种输电线路及杆塔的虚拟围栏构建方法及系统
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
WO2021001007A1 (en) * 2019-07-01 2021-01-07 Nokia Solutions And Networks Oy Mismatch detection in digital twin data by comparing to thresholds the reliability and latency constraint communication related values received from sources with geolocation information
CN112381963A (zh) * 2020-11-12 2021-02-19 广东电网有限责任公司 一种基于数字孪生技术的电力物联网智能巡检方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10229329B2 (en) * 2016-11-08 2019-03-12 Dedrone Holdings, Inc. Systems, methods, apparatuses, and devices for identifying, tracking, and managing unmanned aerial vehicles
CN113296963B (zh) * 2021-07-27 2021-11-02 南京信息工程大学 一种考虑用户移动性的无人机辅助的边缘计算方法
CN114237917B (zh) * 2022-02-25 2022-06-10 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2021001007A1 (en) * 2019-07-01 2021-01-07 Nokia Solutions And Networks Oy Mismatch detection in digital twin data by comparing to thresholds the reliability and latency constraint communication related values received from sources with geolocation information
CN111651649A (zh) * 2020-04-10 2020-09-11 安徽继远软件有限公司 一种输电线路及杆塔的虚拟围栏构建方法及系统
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
CN112381963A (zh) * 2020-11-12 2021-02-19 广东电网有限责任公司 一种基于数字孪生技术的电力物联网智能巡检方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LEI LEI 等: "Toward Intelligent Cooperation of UAV Swarms: When Machine Learning Meets Digital Twin", 《IEEE NETWORK》 *
裴求根 等: "电网数字孪生北斗网格空间构建及无人机电力巡检应用", 《中国集成电路》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023160012A1 (zh) * 2022-02-25 2023-08-31 南京信息工程大学 一种用于电网线路随机巡检的无人机辅助边缘计算方法
CN114980324A (zh) * 2022-04-12 2022-08-30 中国电子科技集团公司第七研究所 一种面向切片的低时延无线资源调度方法及系统
CN114980324B (zh) * 2022-04-12 2024-09-06 中国电子科技集团公司第七研究所 一种面向切片的低时延无线资源调度方法及系统
CN115866559A (zh) * 2022-11-25 2023-03-28 西安电子科技大学 一种非正交多址接入辅助的车联网低能耗安全卸载方法
CN115866559B (zh) * 2022-11-25 2024-04-30 西安电子科技大学 一种非正交多址接入辅助的车联网低能耗安全卸载方法
CN116820778A (zh) * 2023-07-13 2023-09-29 中国电信股份有限公司技术创新中心 边缘设备资源分配方法、系统、装置、设备及介质
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
CN114237917B (zh) 2022-06-10
WO2023160012A1 (zh) 2023-08-31

Similar Documents

Publication Publication Date Title
CN114237917B (zh) 一种用于电网巡检的无人机辅助边缘计算方法
CN111245651B (zh) 一种基于功率控制和资源分配的任务卸载方法
CN110347500B (zh) 用于边缘计算环境中面向深度学习应用的任务卸载方法
CN113905347A (zh) 一种空地一体化电力物联网云边端协同方法
CN115413044B (zh) 一种工业无线网络的计算和通信资源联合分配方法
CN114860337B (zh) 一种基于元强化学习算法的计算卸载方法
CN112202762B (zh) 传感边缘云智能干扰攻击的博弈防御策略优化方法及系统
CN112541426A (zh) 基于无人机集群协同感知的通信带宽自适应数据处理方法
CN107087171A (zh) Hevc整像素运动估计方法及装置
JP2009074995A (ja) 移動体情報処理装置、移動体情報処理方法、およびプログラム
CN116916386A (zh) 一种考虑用户竞争和负载的大模型辅助边缘任务卸载方法
CN107690069B (zh) 一种数据驱动的级联视频编码方法
CN117973559A (zh) 使用自适应网络解决个性化联邦学习的方法及设备
He et al. End-edge coordinated joint encoding and neural enhancement for low-light video analytics
CN117729584A (zh) 基于神经网络的无人机输电线路巡回检测的任务卸载方法
CN117640931A (zh) 一种基于图神经网络的vvc帧内编码快速块划分方法
Wu et al. Mobility-aware deep reinforcement learning with seq2seq mobility prediction for offloading and allocation in edge computing
CN116737391A (zh) 一种联邦模式下基于混合策略的边缘计算协作方法
Si et al. UAV-assisted Semantic Communication with Hybrid Action Reinforcement Learning
CN116431326A (zh) 一种基于边缘计算和深度强化学习的多用户依赖性任务卸载方法
CN114205778B (zh) 一种面向异构任务的无人机集群协同目标选择方法
CN114531193B (zh) 基于无人机蜂窝拓扑组网和移动边缘计算的桥梁状态监测方法
CN112818788B (zh) 一种基于无人机集群的分布式卷积神经网络分层匹配方法
KR20220111111A (ko) 딥러닝 기반의 초해상화 이미지 처리 시스템과 방법 및 이를 위한 컴퓨터 프로그램
CN117541025B (zh) 一种用于密集输电线路巡检的边缘计算方法

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
TR01 Transfer of patent right

Effective date of registration: 20230714

Address after: No.1 Dongji Avenue, Jiangning District, Nanjing City, Jiangsu Province

Patentee after: NANJING YOUKUO ELECTRICAL TECHNOLOGY CO.,LTD.

Address before: 210044, No. 219, Ning six road, Pukou District, Jiangsu, Nanjing

Patentee before: Nanjing University of Information Science and Technology

TR01 Transfer of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A UAV aided edge computing method for power grid inspection

Granted publication date: 20220610

Pledgee: Nanjing Bank Co.,Ltd. Nanjing North Branch

Pledgor: NANJING YOUKUO ELECTRICAL TECHNOLOGY CO.,LTD.

Registration number: Y2024980002302

PE01 Entry into force of the registration of the contract for pledge of patent right