CN115174396B - 一种基于数字孪生的低碳能源管控通信网业务管理方法 - Google Patents
一种基于数字孪生的低碳能源管控通信网业务管理方法 Download PDFInfo
- Publication number
- CN115174396B CN115174396B CN202210775987.9A CN202210775987A CN115174396B CN 115174396 B CN115174396 B CN 115174396B CN 202210775987 A CN202210775987 A CN 202210775987A CN 115174396 B CN115174396 B CN 115174396B
- Authority
- CN
- China
- Prior art keywords
- terminal
- model
- resource allocation
- edge
- cloud
- 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.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 97
- 238000004891 communication Methods 0.000 title claims abstract description 79
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 56
- 238000013468 resource allocation Methods 0.000 claims abstract description 79
- 238000005457 optimization Methods 0.000 claims abstract description 52
- 238000005265 energy consumption Methods 0.000 claims abstract description 37
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 102
- 238000000034 method Methods 0.000 claims description 58
- 230000006870 function Effects 0.000 claims description 47
- 230000002776 aggregation Effects 0.000 claims description 38
- 238000004220 aggregation Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 15
- 230000003595 spectral effect Effects 0.000 claims description 11
- 239000000243 solution Substances 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000001934 delay Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000001228 spectrum Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000009133 cooperative interaction Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0893—Assignment of logical groups to network elements
-
- 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
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于数字孪生的低碳能源管控通信网业务管理方法，属于通信技术领域。本发明通过终端侧功率控制及信道分配联合优化，有效降低包错误概率，并采用循环冗余校验的方式降低全局损失函数，从而有效提高智慧园区低碳能源管控通信网业务管理的鲁棒性；通过调整损失函数、时延和能耗的相应权重，实现鲁棒性与通信效率间的动态权衡，利用数字孪生技术为智慧园区低碳能源管理云边端协同资源分配提供信道增益及电磁干扰功率等状态信息，通过基于分组交换匹配的功率控制和信道分配联合优化算法，将终端层频谱及能量资源与被调度终端进行匹配，并基于平滑近似‑拉格朗日优化算法，实现园区资源优化配置，保障低碳能源管理业务通信需求。
Description
技术领域
本发明涉及一种基于数字孪生的低碳能源管控通信网业务管理方法，属于通信技术领域。
背景技术
低碳智慧园区涵盖高比例可再生能源、可控负荷和分布式储能等多能源主体，是新型电力系统建设的重要支柱。通过对园区各类能源管理业务进行智能管控，实现源网荷储参与电网协同互动，进而减少碳排放，落实“3060”双碳目标。为此，数字孪生和人工智能技术提供了一种解决方案。然而，上述两种技术以大容量的数据交换及处理为支撑，这不仅带来了新的安全和隐私问题，而且造成了较高的时延和能耗。因此，亟需研究安全、低成本的模型训练方法，为智慧园区低碳能源管控通信网业务管理提供支撑。
联邦学习(Federated learning，FL)将全局模型训练与原始数据交换分离，解决园区低碳能源管控通信网业务管理的安全及隐私问题。同时，FL进一步利用云边端资源，在具有多个产业集群及海量物联网终端的大型园区进行模型训练。其中，边缘服务器基于其覆盖范围内的终端模型进行边缘聚合，得到局部模型。云服务器聚合来自边缘层的局部模型，以获取全局模型。然而，利用联邦学习进行智慧园区低碳能源管控的研究仍处于起步阶段，需解决以下挑战：
(1)严重的电磁干扰：智慧园区内通信环境复杂多变，对于变频器、调光开关等电气设备分布密集的区域，电磁干扰较强，严重影响局部模型训练的收敛速度，显著降低全局损失函数性能，无法保障低碳能源管控通信网业务模型训练的鲁棒性。
(2)高通信成本：FL频繁的模型下发、训练和上传导致了时延和能耗方面的高通信成本。在模型训练过程中，需将时延最小化以保证低碳能源管控通信网业务实时管理。然而，由于模型训练在不同层之间的相互依赖关系，少数计算资源较少、信道增益较差的终端将使总的时延性能明显恶化。此外，考虑到时延与能耗间的冲突特性，优化一个指标将导致另一个指标的性能下降。例如，若分配更多的传输功率和计算资源来减少时延，将导致能耗增加。
(3)云边端资源分配不协调：基于云边端协同的多层、多实体、多维异构资源联合优化是一个复杂的NP问题。由于网络异构性和时变资源约束，在智慧园区低碳能源管控通信网业务管理过程中，云边端协同资源分配面临维数诅咒，无法支撑全局、全生命周期的低碳业务管理。首先，不同终端间资源分配策略的相互耦合引入了外部性，需设计合理的资源部署及分配方案，提高业务综合管理能力。其次，考虑到全局模型、局部模型以及终端模型训练的不同时间尺度，云、边、端资源分配也应在不同时间尺度下进行优化，以进一步增强资源调控灵活性，满足园区低碳能源管控通信网业务管理需求。最后，资源分配的长期优化与短期约束并存，亟需高效、低复杂度的算法实现两者解耦，为智慧园区低碳业务管理提供支撑。
因此，本发明设计了一种基于数字孪生的低碳能源管控通信网业务管理方法，通过终端调度、功率控制、信道分配及计算资源分配的联合优化，有效解决维数诅咒问题，大幅提升智慧园区低碳能源管控通信网业务管理鲁棒性及通信效率。
发明内容
为解决上述技术问题，本发明的目的是提供一种基于数字孪生的低碳能源管控通信网业务管理方法。
本发明的一种基于数字孪生的低碳能源管控通信网业务管理方法，具体管理步骤为：
优化能量管理模型训练过程中的终端调度、功率控制、信道分配及计算资源分配，将上述优化过程建模为电磁干扰及噪声下的全局损失函数及时间平均通信成本最小化问题，通过求得期望收敛性能的上界，将所述最小化问题转化为终端调度、终端侧计算资源分配、终端侧信道分配与功率控制、边缘侧计算资源分配以及云侧计算资源分配子问题；
针对所述子问题，基于数字孪生的低碳能源管控通信网业务管理算法进行求解，得出低碳能源管控通信网业务管理方案。
进一步的，所述能量管理模型训练包括模型下发、终端模型训练及上传、局部模型训练以及全局模型训练，并且训练能量管理模型时采用离散时隙模型，将总的训练时间划分为T个时隙，其集合表示为并将连续时隙组合成一个时间段，由集合表示，其中，时隙为短时间尺度，由T0个时隙组合成的时间段为长时间尺度。
进一步的，所述模型下发包括：长时间尺度上的全局模型下发以及短时间尺度上的局部模型下发，其中，在每个时间段中，云服务器通过光纤网络将全局模型下发至边缘服务器，在每个时隙中，边缘服务器将局部模型下发至被调度终端，其时延为常数τD(t)；
其中边缘服务器一共有J个，其集合为边缘服务器sj覆盖范围内的终端集合为且sj的终端调度策略由二进制指示符表示，其中，表示边缘服务器sj在第t个时隙调度终端参与FL训练，否则，
进一步的，所述终端模型训练及上传的方法为：在终端模型训练阶段，被调度终端基于本地能量管理数据集进行终端模型训练，同时，引入终端损失函数以衡量终端模型与最优模型之间的能量管理性能差距，通过如下公式更新以最小化终端损失函数：
其中，η为学习率；该阶段训练个数据样本的时延及能耗成本分别为：
其中，表示在第t个时隙进行模型训练时，终端分配的CPU周期频率；为的电容常数，δ表示本地训练一个样本所需的CPU周期；
在终端模型上传阶段，终端和边缘服务器sj间共存在Nj正交子信道，其集合为sj的信道分配策略由二进制指示符表示，其中，表示sj在第t个时隙将分配给否则，因此，的模型上传时延及能耗成本为：
其中，S为终端模型的数据包大小，BU、和依次为子信道带宽、传输功率和上行信道增益；和N0分别为电磁干扰功率和噪声功率谱密度。
进一步的，所述局部模型训练的内容为：设置为误差指示变量，其中，表示接收到的包含数据误差；由下式给出：
其中，为sj的信道分配指示符，表示sj在第t个时隙将分配给否则， 表示电磁干扰及噪声下的包错误概率，其表达式为：
其中，C为注水门限；BU、和依次为子信道带宽、传输功率和上行信道增益；和N0分别为电磁干扰功率和噪声功率谱密度；经循环冗余校验后，边缘服务器sj的局部模型ωj(t)表示为：
其中，为sj的终端调度指示符，表示边缘服务器sj在第t个时隙调度终端参与FL训练，否则， 及分别表示终端模型和被训练的数据样本数量；进一步的，sj的局部模型训练时延及能耗成本分别为：
其中，aj(t)表示sj的终端调度指示变量；S为终端模型的数据包大小；表示在第t个时隙进行边缘聚合时，边缘服务器sj分配的CPU周期频率；ι为聚合每bit所需的CPU周期；表示sj的电容常数，||·||为L2范数。
进一步的，所述全局模型训练的方法为：基于上传的局部模型{ωj(t)}，其中t＝gT0，云服务器在每个时间段上通过云聚合更新全局模型ω(t)，其表达式为：
其中，为sj的终端调度指示符，表示边缘服务器sj在第t个时隙调度终端参与FL训练，否则， 为误差指示符，表示接收到的包含数据误差，否则， 为被训练的数据样本数量
fC(g)为第g个时间段进行云聚合时，云服务器分配的CPU周期频率；因此，全局模型训练的时延及能耗成本为：
其中，S为终端模型的数据包大小；ι表示聚合每bit所需的CPU周期；J为边缘服务器数量；αC为云服务器的电容常数。
进一步的，所述优化问题建模的具体内容是：
优化问题建模为：
其中，及分别表示终端调度、功率控制和信道分配指示变量； 及分别为终端侧、边缘侧及云侧计算资源分配指示变量；C1表示边缘服务器sj最多调度Aj(t)个终端，C2保证每个终端最多占用一个子通道；C3是传输功率约束，C4和C5分别是终端侧、边缘侧及云侧计算资源分配约束。
进一步的，所述将优化问题转化为5个子问题的具体内容是：
优化问题转化：
问题P1可转化为
其中，
其中，τj(t)及为在第t个时隙，边缘服务器sj的总时延及终端的总能耗成本，表示为
γτ、γC、γG及为对应时延及能耗成本权重；B(t)为期望收敛性能的上界，表示为
其中，F(ω*)为最小全局损失函数；Z(t)及ΔF(t,t-1)由下式得到：
当学习率η及T0已知时，G(η,T0)为常数；ξ1是使上式收敛的常数；
进一步的，P2分解为5个子问题，分别为终端调度子问题SP1、终端侧计算资源分配子问题SP2、终端侧信道分配与功率控制子问题SP3、边缘侧计算资源分配子问题SP4以及云侧计算资源分配子问题SP5。
进一步的，所述设计基于数字孪生的低碳能源管控通信网业务管理算法对5个子问题进行求解的具体步骤为：
进行终端调度：终端调度策略为：
其中，为sj的终端调度指示符，表示边缘服务器sj在第t个时隙调度终端参与FL训练，否则，进行终端侧计算资源分配：
SP2表述为：
其中，为凸优化问题，用拉格朗日优化算法求解；和γτ分别为相应时延及能耗成本权重；表示在第t个时隙进行模型训练时，终端分配的CPU周期频率；为的电容常数；δ表示本地训练一个样本所需的CPU周期；为被训练的数据样本数量；终端的最大可用计算资源；
进行终端侧信道分配与功率控制：
终端侧信道分配与功率控制子问题SP3表述为：
其中，当η及T0已知时，G(η,T0)为常数；ξ1是使上式收敛的常数；S为终端模型的数据包大小；BU、和依次为子信道带宽、传输功率和终端可用上行信道增益；和N0分别为终端所受电磁干扰功率和噪声功率谱密度；为sj的信道分配指示符；表示电磁干扰及噪声下的包错误概率；和分别为终端的最小和最大传输功率；
由于终端间信道分配策略相互耦合，SP3转化为一个具有外部性的一对一匹配问题；
进行边缘侧及云侧计算资源分配：
边缘侧计算资源分配子问题SP4及云侧计算资源分配子问题SP5分别表述为
其中，和分别为边缘服务器sj的局部模型训练时延及能耗成本，τC(g)和EC(g)分别为全局模型训练的时延及能耗成本，γτ、γG和γC分别为对应时延和能耗成本权重；和fC(g)分别为边缘服务器sj及云服务器分配的CPU周期频率，和fC,max(g)分别表示表示sj和云服务器的最大可用计算资源；
由于SP4及SP5均为凸优化问题，因此最优计算资源分配策略表示为：
其中，αG和αC分别为边缘服务器sj及云服务器的电容常数。
进一步的，所述的终端侧信道分配与功率控制：
为了求解SP3，设计了一种基于分组交换匹配的信道分配与功率控制联合优化算法，具体步骤如下
③初始化阶段：将终端及信道分别均分为L组，其集合表示为随机将中的第l组信道分配给中的第l组终端；接着，终端及信道分别建立各自的偏好列表，对的偏好通过求解下面的功率控制子问题得到：
其中，由线性规划得到；S为终端模型的数据包大小，BU和为子信道带宽和终端可用上行信道增益；和N0分别为终端所受电磁干扰功率和噪声功率谱密度；和γτ分别为相应时延及能耗成本权重；为被训练的数据样本数量；当η及T0已知时，G(η,T0)为常数；ξ1和ξ2是使上式收敛的常数；
基于SP3，对的偏好表示为
④交换匹配阶段：每组终端及信道进行交换匹配；对于分配给信道的终端若存在新的交换匹配函数则取代原来的匹配方式ηj产生新的匹配方式否则，匹配方式保持不变；重复该过程直至完成所有的交换匹配；
③信道分配阶段：根据交换匹配的最终匹配结果更新信道分配指示变量rj。
进一步的，所述基于数字孪生的低碳能源管控通信网业务管理算法主要包括全局模型下发、终端调度、局部模型下发、终端模型训练、边缘聚合、DAC网络更新以及云聚合七个阶段，具体步骤如下：
①在每个时间段初，t＝(g-1)T0+1时，云服务器将全局模型ω(g-1)下发至边缘服务器；
②各边缘服务器sj依据公式(24)及(25)得到被调度终端集及终端调度策略aj(t)；
③在每个时隙初，边缘服务器sj将局部模型ωj(g-1)下发至其覆盖范围内的被调度终端
④边缘服务器sj按照拉格朗日优化算法求解子问题SP2，得到最优终端侧资源分配策略fj，同时，进行终端模型训练；
⑤各边缘服务器获得最优边缘侧计算资源分配策略并执行边缘聚合；
⑥边缘服务器sj按照公式(23)计算成本函数Ψj(t)，并基于梯度下降法更新网络θj(t+1)及γj(t+1)；
⑦在每个时间段末，t＝gT0时，云服务器获取最优云侧资源分配策略并执行云聚合；重复上述步骤直至g＞G。
一种基于数字孪生的低碳能源管控通信网业务管理装置，具体包括：
训练转化模块：用于优化能量管理模型训练过程中的终端调度、功率控制、信道分配及计算资源分配，将所述优化过程建模为电磁干扰及噪声下的全局损失函数及时间平均通信成本最小化问题，通过求得期望收敛性能的上界，将所述最小化问题转化为终端调度、终端侧计算资源分配、终端侧信道分配与功率控制、边缘侧计算资源分配以及云侧计算资源分配子问题；
求解模块：针对所述子问题，基于数字孪生的低碳能源管控通信网业务管理算法进行求解，得出低碳能源管控通信网业务管理方案。
进一步的，所述训练转化模块包括训练能量管理模型包括模型下发、终端模型训练及上传、局部模型训练以及全局模型训练。
进一步的，所述求解模块中包括基于数字孪生的低碳能源管控通信网业务管理算法主要包括全局模型下发、终端调度、局部模型下发、终端模型训练、边缘聚合、DAC网络更新以及云聚合七个阶段，具体步骤如下：
①在每个时间段初，t＝(g-1)T0+1时，云服务器将全局模型ω(g-1)下发至边缘服务器；
②各边缘服务器sj依据公式(24)及(25)得到被调度终端集及终端调度策略aj(t)；
③在每个时隙初，边缘服务器sj将局部模型ωj(g-1)下发至其覆盖范围内的被调度终端
④边缘服务器sj按照拉格朗日优化算法求解子问题SP2，得到最优终端侧资源分配策略fj，同时，进行终端模型训练；
⑤各边缘服务器获得最优边缘侧计算资源分配策略并执行边缘聚合；
⑥边缘服务器sj按照公式(23)计算成本函数Ψj(t)，并基于梯度下降法更新网络θj(t+1)及γj(t+1)；
⑦在每个时间段末，t＝gT0时，云服务器获取最优云侧资源分配策略并执行云聚合；重复上述步骤直至g＞G。
借由上述方案，本发明至少具有以下优点：
1.本发明考虑低碳智慧园区内的电磁干扰及噪声，通过终端侧功率控制及信道分配联合优化，有效降低包错误概率，并采用循环冗余校验的方式将上传的有数据错误的终端模型从边缘聚合中去除，进一步降低全局损失函数，从而有效提高智慧园区低碳能源管控通信网业务管理的鲁棒性；
2.本发明通过调整损失函数、时延和能耗的相应权重，实现鲁棒性与通信效率间的动态权衡，并设计一种基于TopN映射的DAC算法，通过与环境的动态信息交互，建立一组调度概率最大的终端约束集，从而进一步降低智慧园区低碳能源业务管理通信成本；
3.本发明利用数字孪生技术为智慧园区低碳能源管理云边端协同资源分配提供信道增益及电磁干扰功率等状态信息，通过基于分组交换匹配的功率控制和信道分配联合优化算法，将终端层频谱及能量资源与被调度终端进行匹配，为解决外部性问题提供了一种低复杂度的解决方法，并基于平滑近似-拉格朗日优化算法，实现园区资源优化配置，保障低碳能源管理业务通信需求。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某个实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明基于数字孪生的低碳智慧园区云边端协同FL框架的示意图；
图2是本发明C3-FLOW算法框架示意图；
图3是本发明损失函数随累计时延成本的变化情况示意图；
图4是本发明损失函数和通信成本随最大调度终端数量的变化情况示意图；
图5a、5b、5c是本发明通信成本、平均时延成本和累积能耗随时隙的变化情况示意图；
图6是本发明通信成本和匹配复杂度随分组数的变化情况示意图；
图7是本发明能源管理性能示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
整个技术方案包括四个步骤：
1.构建系统模型
基于数字孪生的低碳智慧园区云边端协同FL框架如图1所示，其中，FL通过终端层、边缘层、云层、数字孪生层的协同，训练能量管理模型ω。在终端层，部署于光伏板、配电网、可控负载和储能单元中海量物联网终端具备数据采集、监测及控制功能，支持源网荷储参与电网协同互动，其集合表示为边缘层由多个基站和边缘服务器组成，且基站与边缘服务器位于同一位置，为物联网终端提供通信覆盖和数据处理服务。每个边缘服务器能够调度其覆盖范围内的物联网终端，并对上传的终端模型进行边缘聚合，从而得到局部模型。云层由一个云服务器构成，可对多个局部模型进行云聚合，以获得全局模型。数字孪生层由云服务器维护，通过与终端层的动态信息交互，保障数字孪生网络与物理网络的同步。同时，数字孪生层帮助边缘服务器动态优化终端调度及计算资源分配，从而提高FL的鲁棒性及通信效率。
本发明采用离散时隙模型，将总的训练时间划分为T个时隙，其集合表示为并将连续T0个时隙组合成一个时间段，由集合表示。在本发明中，基于多时间尺度进行FL模型训练，具体来说，当每个时隙开始时，在短时间尺度上进行基于边缘聚合的局部模型训练；当每个时间段开始时，在长时间尺度上进行基于云聚合的全局模型训练。整个训练过程包括模型下发、终端模型训练及上传、局部模型训练以及全局模型训练四个阶段，具体介绍如下。
(1)模型下发
模型下发包括长时间尺度上的全局模型下发以及短时间尺度上的局部模型下发。其中，在每个时间段中，云服务器通过光纤网络将全局模型下发至边缘服务器，其时延忽略不计。在每个时隙中，边缘服务器将局部模型下发至被调度终端，其时延为常数τD(t)。
存在J个边缘服务器，其集合表示为边缘服务器sj覆盖范围内的终端集合为且sj的终端调度策略由二进制指示符表示，其中，表示边缘服务器sj在第t个时隙调度终端参与FL训练，否则，
(2)终端模型训练及上传
在终端模型训练阶段，被调度终端基于本地能量管理数据集进行终端模型训练。同时，引入终端损失函数以衡量终端模型与最优模型之间的能量管理性能差距。通过如下公式更新以最小化终端损失函数：
其中，η为学习率。该阶段训练个数据样本的时延及能耗成本分别为：
其中，表示在第t个时隙进行模型训练时，终端分配的CPU周期频率。为的电容常数，δ表示本地训练一个样本所需的CPU周期。
在终端模型上传阶段，终端和边缘服务器sj间共存在Nj正交子信道，其集合表示为sj的信道分配策略由二进制指示符表示，其中，表示sj在第t个时隙将分配给否则，因此，的模型上传时延及能耗成本为
其中，S为终端模型的数据包大小，BU、和依次为子信道带宽、传输功率和上行信道增益。和N0分别为电磁干扰功率和噪声功率谱密度。
(3)局部模型训练
基于上传的终端模型边缘服务器sj通过边缘聚合更新局部模型。值得注意的是，为保证模型训练可靠性，本发明采用循环冗余校验的方法去除边缘聚合中电磁干扰和噪声引起的误差数据。为误差指示变量，其中，表示接收到的包含数据误差。由下式给出
其中，表示电磁干扰及噪声下的包错误概率，其表达式为
其中，C为注水门限。经循环冗余校验后，边缘服务器sj的局部模型ωj(t)更新为
进一步的，sj的局部模型训练时延及能耗成本分别为
其中，表示在第t个时隙进行边缘聚合时，边缘服务器sj分配的CPU周期频率。ι为聚合每bit所需的CPU周期。表示sj的电容常数，||·||为L2范数。此外，由于边缘服务器通过光纤网络将局部模型上传至云服务器，因此其延迟和能耗成本忽略不计。
(4)全局模型训练
基于上传的局部模型{ωj(t)}，其中t＝gT0，云服务器在每个时间段上通过云聚合更新全局模型ω(t)，其表达式为
定义fC(g)为第g个时间段进行云聚合时，云服务器分配的CPU周期频率。因此，全局模型训练的时延及能耗成本为
其中，αC为云服务器的电容常数。
综上所述，FL模型训练所需的通信成本总结如下：
①短时间尺度上的通信成本：在第t个时隙，边缘服务器sj的总时延及终端的总能耗成本分别为
②长时间尺度上的通信成本：在第g个时间段，T0个时隙的FL模型训练总时延为
③总通信成本：本发明将全部T个时隙的FL模型训练通信成本表示为总时延、以及云服务器、边缘服务器和终端的能耗成本加权和，其表达式为
其中，γτ、γC、γG及为对应时延及能耗成本权重。
2.优化问题建模与转化
(1)优化问题建模
本发明的优化目标为通过终端调度、功率控制、信道分配及计算资源分配联合优化，最小化电磁干扰及噪声下的全局损失函数F(ω(T))及时间平均通信成本，以提高鲁棒性及通信效率。因此，该联合优化问题表述为
其中，及分别表示终端调度、功率控制和信道分配指示变量。 及分别为终端侧、边缘侧及云侧计算资源分配指示变量。C1表示边缘服务器sj最多可调度Aj(t)个终端，C2保证每个终端最多占用一个子通道。C3是传输功率约束，C4和C5分别是终端侧、边缘侧及云侧计算资源分配约束。
(2)优化问题转化
由于网络状态及优化策略相互耦合，P1是一个复杂的NP问题。因此，为求解P1，本发明得到期望收敛性能的上界：
其中，F(ω*)为最小全局损失函数。Z(t)及ΔF(t,t-1)由下式得到：
当η及T0已知时，G(η,T0)为常数。ξ1和ξ2是使上式收敛的常数。基于上述两式，全局损失函数F(ω(T))最小化问题转化成每个时隙上的期望收敛差B(t)的最小化问题。同时，基于平滑近似的方法，max{g(x,y),h(x,y)}＝ln[exp(g(x,y)+h(x,y))]，通信成本Φ(T)最小化问题转化为每个时隙上的时延及能耗成本最小化问题。因此，问题P1转化为
其中，
进一步的，P2分解为5个子问题，分别为终端调度子问题SP1、终端侧计算资源分配子问题SP2、终端侧信道分配与功率控制子问题SP3、边缘侧计算资源分配子问题SP4以及云侧计算资源分配子问题SP5。
3.子问题求解
(1)终端调度
在本发明中，终端调度子问题SP1表述为
为求解子问题SP1，本发明将其建模为马尔可夫决策过程，采用基于TopN映射的深度actor-critic(deep-actor-critic，DAC)算法，并利用数字孪生技术预估终端侧可用计算资源电磁干扰以及信道增益等状态信息，实现终端优化调度。本发明将状态空间表示为其中，动作空间成本函数为SP1的优化目标Ψj(t)。
本发明所提算法通过一种基于策略的actor网络θj(t)执行并学习终端调度策略，并利用基于价值的critic网络γj(t)输出策略性能评价。θj(t)在状态的基础上输出终端被调度的概率，简化为接着，基于概率得出临时被调度终端集最后，在最大可调度终端数Aj(t)或临时被调度终端集的基础上，利用TopN映射函数g(·)获取实际被调度终端集，其表达式如下所示
因此，终端调度策略为
(2)终端侧计算资源分配
终端侧计算资源分配子问题SP2表述为
在本发明中，基于平滑近似的方法以ln[exp(g(x,y)+h(x,y))]代替max{g(x,y),h(x,y)}，并以数字孪生层所预估的终端侧实际可用计算资源代替约束C4中的因此，SP2重新表述为
其中，为凸优化问题，用拉格朗日优化算法求解。
(3)终端侧信道分配与功率控制
终端侧信道分配与功率控制子问题SP3表述为
由于终端间信道分配策略相互耦合，SP3转化为一个具有外部性的一对一匹配问题。为求解SP3，本发明设计了一种基于分组交换匹配的信道分配与功率控制联合优化算法，以实现终端与信道之间的低复杂度稳定匹配，具体步骤如下：
①初始化阶段：将终端及信道分别均分为L组，其集合表示为随机将中的第l组信道分配给中的第l组终端。接着，终端及信道分别建立各自的偏好列表，对的偏好通过求解下面的功率控制子问题得到
其中，由线性规划得到。基于SP3，对的偏好表示为
②交换匹配阶段：每组终端及信道进行交换匹配。对于分配给信道的终端若存在新的交换匹配函数则取代原来的匹配方式ηj产生新的匹配方式否则，匹配方式保持不变。重复该过程直至完成所有的交换匹配。
③信道分配阶段：根据交换匹配的最终匹配结果更新信道分配指示变量rj。(4)边缘侧及云侧计算资源分配
边缘侧计算资源分配子问题SP4及云侧计算资源分配子问题SP5分别表述为
由于SP4及SP5均为凸优化问题，因此最优计算资源分配策略表示为
4.C3-FLOW算法
本发明设计的C3-FLOW算法(Cloud-edge-device collaborative robust andcommunication-efficient FL for DT-assisted low-carbon smart industrial park，C3-FLOW)如图2所示，主要包括全局模型下发、终端调度、局部模型下发、终端模型训练、边缘聚合、DAC网络更新以及云聚合七个阶段，具体步骤如下：
①在每个时间段初，t＝(g-1)T0+1时，云服务器将全局模型ω(g-1)下发至边缘服务器。
②各边缘服务器sj依据公式(24)及(25)得到被调度终端集及终端调度策略aj(t)。
③在每个时隙初，边缘服务器sj将局部模型ωj(g-1)下发至其覆盖范围内的被调度终端
④边缘服务器sj按照拉格朗日优化算法求解子问题SP2，得到最优终端侧资源分配策略fj，同时，进行终端模型训练。
⑤各边缘服务器获得最优边缘侧计算资源分配策略并执行边缘聚合。
⑥边缘服务器sj按照公式(23)计算成本函数Ψj(t)，并基于梯度下降法更新网络θj(t+1)及γj(t+1)。
⑦在每个时间段末，t＝gT0时，云服务器获取最优云侧资源分配策略并执行云聚合。重复上述步骤直至g＞G。
本发明对上述C3-FLOW算法，进行了如下的仿真对比实验：
对比算法为WLFL算法和DNN-DTFL算法。其中，WLFL算法在损失函数中考虑电磁干扰，联合优化功率控制和信道分配，但不考虑数字孪生辅助。DNN-DTFL算法通过优化功率控制、终端侧计算资源分配及终端调度，使通信成本最小化，但忽略了电磁干扰对损耗函数的影响。此外，这两种算法都没有考虑云边端协同。
本发明考虑了一个低碳智慧园区，它由三个不相连的区域组成。在每个区域中均存在一个边缘服务器及基站，两者位于同一位置，提供通信覆盖和数据处理，所有终端在区域内均匀分布。
图3显示了损失函数随累积时延成本的变化情况。与WLFL和DNN-DTFL算法相比，由于C3-FLOW算法基于数字孪生进行终端功率控制及信道分配联合优化，并利用循环冗余校验的方法去除边缘聚合中电磁干扰和噪声引起的误差数据，提高了FL的鲁棒性。同时，本发明所提算法通过云边端协同资源分配，大幅降低通信成本。因此，在累积时延成本为40s的情况下，C3-FLOW算法的损失函数分别降低55.38％和77.57％。
图4描述了损失函数和通信成本随最大调度终端数量Aj(t)的变化情况。当Aj(t)从10增加到50时，损失函数降低了64.38％，而通信成本增加了45.55％。因此，C3-FLOW算法能很好地利用Aj(t)增量提供的分集增益来减小损失函数。
图5a-c展示了通信成本、平均时延成本和累积能耗随时隙的变化情况。与WLFL和DNN-DTFL算法相比，C3-FLOW算法通过云边端协同资源分配，大大降低时延成本，并利用数据孪生层预估的关键信息，通过终端调度来减少时延，因此，C3-FLOW算法的通信成本分别降低35.15％、18.98％，平均延迟成本分别降低42.01％、32.56％，累积能耗分别降低47.19％、19.91％。
图6描述了通信成本和匹配复杂度随分组数的变化情况。当分组数由25个减小到5个时，匹配复杂度降低了54.72％，通信成本增加了13.65％。因此，C3-FLOW算法能在通信成本增量有限的情况下有效地解决维数诅咒问题。
图7显示了能源管理的性能。其中，正功率代表电动汽车接入可再生能源充电，负功率代表电动汽车放电。与WLFL和DNN-DTFL算法相比，在高峰时段(17:00-21:00)，C3-FLOW算法的峰值负载分别减少了63.63％和110.12％，在非高峰时段(23:00-3:00)，C3-FLOW算法的可再生能源吸收分别增加了28.19％和57.43％。因此，C3-FLOW算法能够通过主动调峰和提高可再生能源利用率来实现智慧能源管理。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。
Claims (13)
1.一种基于数字孪生的低碳能源管控通信网业务管理方法，其特征在于：具体管理步骤为：
优化能量管理模型训练过程中的终端调度、功率控制、信道分配及计算资源分配，将上述优化过程建模为电磁干扰及噪声下的全局损失函数及时间平均通信成本最小化问题，通过求得期望收敛性能的上界，将所述最小化问题转化为终端调度、终端侧计算资源分配、终端侧信道分配与功率控制、边缘侧计算资源分配以及云侧计算资源分配子问题；
所述的终端侧信道分配与功率控制：
为了求解SP3，设计了一种基于分组交换匹配的信道分配与功率控制联合优化算法，具体步骤如下
①初始化阶段：将终端及信道分别均分为L组，其集合表示为随机将中的第l组信道分配给中的第l组终端；接着，终端及信道分别建立各自的偏好列表，对的偏好通过求解下面的功率控制子问题得到：
其中，由线性规划得到；S为终端模型的数据包大小，BU和为子信道带宽和终端可用上行信道增益；和N0分别为终端所受电磁干扰功率和噪声功率谱密度；和γτ分别为相应时延及能耗成本权重；为被训练的数据样本数量；当η及T0已知时，G(η,T0)为常数；ξ1和ξ2是使上式收敛的常数；
基于SP3，对的偏好表示为
②交换匹配阶段：每组终端及信道进行交换匹配；对于分配给信道的终端若存在新的交换匹配函数则取代原来的匹配方式ηj产生新的匹配方式否则，匹配方式保持不变；重复该过程直至完成所有的交换匹配；
③信道分配阶段：根据交换匹配的最终匹配结果更新信道分配指示变量rj；
终端侧信道分配与功率控制子问题SP3表述为：
SP3:
其中，当η及T0已知时，G(η,T0)为常数；ξ1是使上式收敛的常数；S为终端模型的数据包大小；BU、和依次为子信道带宽、传输功率和终端可用上行信道增益；和N0分别为终端所受电磁干扰功率和噪声功率谱密度；为sj的信道分配指示符；表示电磁干扰及噪声下的包错误概率；和分别为终端的最小和最大传输功率；F(ω*)为最小全局损失函数；Z(t)及ΔF(t,t-1)由下式得到：
当学习率η及T0已知时，G(η,T0)为常数；ξ1和ξ2是使上式收敛的常数；
由于终端间信道分配策略相互耦合，SP3转化为一个具有外部性的一对一匹配问题；表示边缘服务器sj在第t个时隙调度终端参与FL训练，否则，
针对所述子问题，基于分组交换匹配的信道分配与功率控制联合优化，通过特定的功率控制计算结合终端和信道的交换匹配，找出最优解，得出低碳能源管控通信网业务管理方案。
2.根据权利要求1所述的一种基于数字孪生的低碳能源管控通信网业务管理方法，其特征在于：所述能量管理模型训练包括模型下发、终端模型训练及上传、局部模型训练以及全局模型训练，并且训练能量管理模型时采用离散时隙模型，将总的训练时间划分为T个时隙，其集合表示为并将连续时隙组合成一个时间段，由集合表示，其中，时隙为短时间尺度，由T0个时隙组合成的时间段为长时间尺度。
3.根据权利要求2所述的一种基于数字孪生的低碳能源管控通信网业务管理方法，其特征在于：所述模型下发包括：长时间尺度上的全局模型下发以及短时间尺度上的局部模型下发，其中，在每个时间段中，云服务器通过光纤网络将全局模型下发至边缘服务器，在每个时隙中，边缘服务器将局部模型下发至被调度终端，其时延为常数τD(t)；
其中边缘服务器一共有J个，其集合为边缘服务器sj覆盖范围内的终端集合为sj的终端调度策略由二进制指示符表示，其中，表示边缘服务器sj在第t个时隙调度终端参与FL训练，否则，
4.根据权利要求2所述的一种基于数字孪生的低碳能源管控通信网业务管理方法，其特征在于：所述终端模型训练及上传的方法为：在终端模型训练阶段，被调度终端基于本地能量管理数据集进行终端模型训练，同时，引入终端损失函数以衡量终端模型与最优模型之间的能量管理性能差距，通过如下公式更新以最小化终端损失函数：
其中，η为学习率；该阶段训练个数据样本的时延及能耗成本分别为：
其中，fi j(t)表示在第t个时隙进行模型训练时，终端分配的CPU周期频率；为的电容常数，δ表示本地训练一个样本所需的CPU周期；表示边缘服务器sj在第t个时隙调度终端参与FL训练，否则，
在终端模型上传阶段，终端和边缘服务器sj间共存在Nj正交子信道，其集合为sj的信道分配策略由二进制指示符表示，其中，表示sj在第t个时隙将分配给否则，因此，的模型上传时延及能耗成本为：
其中，S为终端模型的数据包大小，BU、Pi j(t)和依次为子信道带宽、传输功率和上行信道增益；和N0分别为电磁干扰功率和噪声功率谱密度。
5.根据权利要求2所述的一种基于数字孪生的低碳能源管控通信网业务管理方法，其特征在于：所述局部模型训练的内容为：设置为误差指示变量，其中，表示接收到的包含数据误差；由下式给出：
其中，为sj的信道分配指示符，表示sj在第t个时隙将分配给否则， 表示电磁干扰及噪声下的包错误概率，其表达式为：
其中，C为注水门限；BU、Pi j(t)和依次为子信道带宽、传输功率和上行信道增益；和N0分别为电磁干扰功率和噪声功率谱密度；经循环冗余校验后，边缘服务器sj的局部模型ωj(t)表示为：
其中，为sj的终端调度指示符，表示边缘服务器sj在第t个时隙调度终端参与FL训练，否则， 及分别表示终端模型和被训练的数据样本数量；进一步的，sj的局部模型训练时延及能耗成本分别为：
其中，aj(t)表示sj的终端调度指示变量；S为终端模型的数据包大小；表示在第t个时隙进行边缘聚合时，边缘服务器sj分配的CPU周期频率；ι为聚合每bit所需的CPU周期；表示sj的电容常数，||·||为L2范数。
6.根据权利要求2所述的一种基于数字孪生的低碳能源管控通信网业务管理方法，其特征在于：所述全局模型训练的方法为：基于上传的局部模型{ωj(t)}，其中t＝gT0，云服务器在每个时间段上通过云聚合更新全局模型ω(t)，其表达式为：
其中，为sj的终端调度指示符，表示边缘服务器sj在第t个时隙调度终端参与FL训练，否则， 为误差指示符，表示接收到的包含数据误差，否则， 为被训练的数据样本数量
fC(g)为第g个时间段进行云聚合时，云服务器分配的CPU周期频率；因此，全局模型训练的时延及能耗成本为：
其中，S为终端模型的数据包大小；ι表示聚合每bit所需的CPU周期；J为边缘服务器数量；αC为云服务器的电容常数。
7.根据权利要求2所述的一种基于数字孪生的低碳能源管控通信网业务管理方法，其特征在于：所述优化过程建模的具体内容是：
优化问题建模为：
P1:
s.t.C1:
C2:
C3:
C4:
C5:
其中，及分别表示终端调度、功率控制和信道分配指示变量； 及分别为终端侧、边缘侧及云侧计算资源分配指示变量；C1表示边缘服务器sj最多调度Aj(t)个终端，C2保证每个终端最多占用一个子通道；C3是传输功率约束，C4和C5分别是终端侧、边缘侧及云侧计算资源分配约束。
8.根据权利要求7所述的一种基于数字孪生的低碳能源管控通信网业务管理方法，其特征在于：所述最小化问题转化为终端调度、终端侧计算资源分配、终端侧信道分配与功率控制、边缘侧计算资源分配以及云侧计算资源分配子问题的具体内容是：
优化问题转化：
问题P1可转化为P2:
s.t.C1～C4，
其中，
其中，τj(t)及为在第t个时隙，边缘服务器sj的总时延及终端的总能耗成本，表示为
γτ、γC、γG及为对应时延及能耗成本权重；B(t)为期望收敛性能的上界，表示为
其中，F(ω*)为最小全局损失函数；Z(t)及ΔF(t,t-1)由下式得到：
当学习率η及T0已知时，G(η,T0)为常数；ξ1和ξ2是使上式收敛的常数；
进一步的，P2分解为5个子问题，分别为终端调度子问题SP1、终端侧计算资源分配子问题SP2、终端侧信道分配与功率控制子问题SP3、边缘侧计算资源分配子问题SP4以及云侧计算资源分配子问题SP5。
9.根据权利要求8所述的一种基于数字孪生的低碳能源管控通信网业务管理方法，其特征在于：所述基于分组交换匹配的信道分配与功率控制联合优化，通过特定的功率控制计算结合终端和信道的交换匹配，找出最优解的具体步骤为：
进行终端调度：终端调度策略为：
如果否则
其中，为sj的终端调度指示符，表示边缘服务器sj在第t个时隙调度终端参与FL训练，否则，
进行终端侧计算资源分配：
SP2表述为：
其中，为凸优化问题，用拉格朗日优化算法求解；和γτ分别为相应时延及能耗成本权重；fi j(t)表示在第t个时隙进行模型训练时，终端分配的CPU周期频率；为的电容常数；δ表示本地训练一个样本所需的CPU周期；为被训练的数据样本数量；终端的最大可用计算资源；
进行终端侧信道分配与功率控制：
进行边缘侧及云侧计算资源分配：
边缘侧计算资源分配子问题SP4及云侧计算资源分配子问题SP5分别表述为
其中，和分别为边缘服务器sj的局部模型训练时延及能耗成本，τC(g)和EC(g)分别为全局模型训练的时延及能耗成本，γτ、γG和γC分别为对应时延和能耗成本权重；和fC(g)分别为边缘服务器sj及云服务器分配的CPU周期频率，和fC,max(g)分别表示表示sj和云服务器的最大可用计算资源；
由于SP4及SP5均为凸优化问题，因此最优计算资源分配策略表示为：
其中，αG和αC分别为边缘服务器sj及云服务器的电容常数。
10.根据权利要求9所述的一种基于数字孪生的低碳能源管控通信网业务管理方法，其特征在于：所述基于数字孪生的低碳能源管控通信网业务管理算法主要包括全局模型下发、终端调度、局部模型下发、终端模型训练、边缘聚合、DAC网络更新以及云聚合七个阶段，具体步骤如下：
①在每个时间段初，t＝(g-1)T0+1时，云服务器将全局模型ω(g-1)下发至边缘服务器；
②各边缘服务器sj依据公式
得到被调度终端集及终端调度策略aj(t)；
③在每个时隙初，边缘服务器sj将局部模型ωj(g-1)下发至其覆盖范围内的被调度终端
④边缘服务器sj按照拉格朗日优化算法求解子问题SP2，得到最优终端侧资源分配策略fj，同时，进行终端模型训练；
⑤各边缘服务器获得最优边缘侧计算资源分配策略并执行边缘聚合；
⑥边缘服务器sj按照公式计算成本函数Ψj(t)，并基于梯度下降法更新网络θj(t+1)及γj(t+1)；
⑦在每个时间段末，t＝gT0时，云服务器获取最优云侧资源分配策略并执行云聚合；重复上述步骤直至g＞G；
其中连续时隙组合成一个时间段，由集合表示，g是时间段的指针，G是时间段的个数。
11.一种基于数字孪生的低碳能源管控通信网业务管理装置，其特征在于：具体包括：
训练转化模块：用于优化能量管理模型训练过程中的终端调度、功率控制、信道分配及计算资源分配，将上述优化过程建模为电磁干扰及噪声下的全局损失函数及时间平均通信成本最小化问题，通过求得期望收敛性能的上界，将所述最小化问题转化为终端调度、终端侧计算资源分配、终端侧信道分配与功率控制、边缘侧计算资源分配以及云侧计算资源分配子问题；
所述的终端侧信道分配与功率控制：
为了求解SP3，设计了一种基于分组交换匹配的信道分配与功率控制联合优化算法，具体步骤如下
①初始化阶段：将终端及信道分别均分为L组，其集合表示为随机将中的第l组信道分配给中的第l组终端；接着，终端及信道分别建立各自的偏好列表，对的偏好通过求解下面的功率控制子问题得到：
其中，由线性规划得到；S为终端模型的数据包大小，BU和为子信道带宽和终端可用上行信道增益；和N0分别为终端所受电磁干扰功率和噪声功率谱密度；和γτ分别为相应时延及能耗成本权重；为被训练的数据样本数量；当η及T0已知时，G(η,T0)为常数；ξ1和ξ2是使上式收敛的常数；
基于SP3，对的偏好表示为
②交换匹配阶段：每组终端及信道进行交换匹配；对于分配给信道的终端若存在新的交换匹配函数则取代原来的匹配方式ηj产生新的匹配方式否则，匹配方式保持不变；重复该过程直至完成所有的交换匹配；
③信道分配阶段：根据交换匹配的最终匹配结果更新信道分配指示变量rj；终端侧信道分配与功率控制子问题SP3表述为：
SP3:
其中，当η及T0已知时，G(η,T0)为常数；ξ1是使上式收敛的常数；S为终端模型的数据包大小；BU、Pij(t)和依次为子信道带宽、传输功率和终端可用上行信道增益；和N0分别为终端所受电磁干扰功率和噪声功率谱密度；为sj的信道分配指示符；表示电磁干扰及噪声下的包错误概率；和分别为终端的最小和最大传输功率；F(ω*)为最小全局损失函数；Z(t)及ΔF(t,t-1)由下式得到：
当学习率η及T0已知时，G(η,T0)为常数；ξ1和ξ2是使上式收敛的常数；表示边缘服务器sj在第t个时隙调度终端参与FL训练，否则，
由于终端间信道分配策略相互耦合，SP3转化为一个具有外部性的一对一匹配问题；
求解模块：针对所述子问题，基于分组交换匹配的信道分配与功率控制联合优化，通过特定的功率控制计算结合终端和信道的交换匹配，找出最优解，得出低碳能源管控通信网业务管理方案。
12.根据权利要求11所述的一种基于数字孪生的低碳能源管控通信网业务管理装置，其特征在于：所述训练转化模块包括训练能量管理模型包括模型下发、终端模型训练及上传、局部模型训练以及全局模型训练。
13.根据权利要求11所述的一种基于数字孪生的低碳能源管控通信网业务管理装置，其特征在于：所述求解模块中包括基于数字孪生的低碳能源管控通信网业务管理算法主要包括全局模型下发、终端调度、局部模型下发、终端模型训练、边缘聚合、DAC网络更新以及云聚合七个阶段，具体步骤如下：
①在每个时间段初，t＝(g-1)T0+1时，云服务器将全局模型ω(g-1)下发至边缘服务器；
②各边缘服务器sj依据公式
得到被调度终端集及终端调度策略aj(t)；
③在每个时隙初，边缘服务器sj将局部模型ωj(g-1)下发至其覆盖范围内的被调度终端
④边缘服务器sj按照拉格朗日优化算法求解终端侧计算资源分配子问题，得到最优终端侧资源分配策略fj，同时，进行终端模型训练；
④各边缘服务器获得最优边缘侧计算资源分配策略并执行边缘聚合；
⑥边缘服务器sj按照公式计算成本函数Ψj(t)，并基于
梯度下降法更新网络θj(t+1)及γj(t+1)；
⑦在每个时间段末，t＝gT0时，云服务器获取最优云侧资源分配策略并执行云聚合；重复上述步骤直至g＞G；
其中连续时隙组合成一个时间段，由集合表示，g是时间段的指针，G是时间段的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210775987.9A CN115174396B (zh) | 2022-07-02 | 2022-07-02 | 一种基于数字孪生的低碳能源管控通信网业务管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210775987.9A CN115174396B (zh) | 2022-07-02 | 2022-07-02 | 一种基于数字孪生的低碳能源管控通信网业务管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115174396A CN115174396A (zh) | 2022-10-11 |
| CN115174396B true CN115174396B (zh) | 2024-04-16 |
Family
ID=83489351
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210775987.9A Active CN115174396B (zh) | 2022-07-02 | 2022-07-02 | 一种基于数字孪生的低碳能源管控通信网业务管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115174396B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116055322B (zh) * | 2022-10-30 | 2024-07-19 | 国网江苏省电力有限公司盐城供电分公司 | 一种多设备协同工作方法 |
| CN115586800B (zh) * | 2022-12-09 | 2023-07-14 | 北京和利时系统工程有限公司 | 一种综合能源管控系统 |
| CN115802389B (zh) * | 2023-01-17 | 2023-04-25 | 南京邮电大学 | 一种利用数字孪生辅助模型训练的联邦学习方法 |
| CN116484922B (zh) * | 2023-04-23 | 2024-02-06 | 深圳大学 | 一种联邦学习方法、系统、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111866901A (zh) * | 2020-06-10 | 2020-10-30 | 西北大学 | 中继选择和资源信息优化方法、系统、计算机设备及应用 |
| CN112367109A (zh) * | 2020-09-28 | 2021-02-12 | 西北工业大学 | 空地网络中由数字孪生驱动的联邦学习的激励方法 |
| WO2021029802A1 (en) * | 2019-08-13 | 2021-02-18 | Kaaberg Johard Leonard | Improved machine learning for technical systems |
| CN113905347A (zh) * | 2021-09-29 | 2022-01-07 | 华北电力大学 | 一种空地一体化电力物联网云边端协同方法 |
| CN114219354A (zh) * | 2021-12-28 | 2022-03-22 | 杭州电子科技大学 | 一种基于联邦学习资源分配优化方法及系统 |
| CN114375050A (zh) * | 2021-12-03 | 2022-04-19 | 华北电力大学 | 一种数字孪生辅助的5g配电网资源调度方法 |
| CN114554459A (zh) * | 2022-01-19 | 2022-05-27 | 苏州大学 | 一种近端策略优化辅助的车联网联邦学习客户端选择方法 |
| CN114626306A (zh) * | 2022-03-22 | 2022-06-14 | 华北电力大学 | 一种园区分布式能源调控信息新鲜度保障方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11244242B2 (en) * | 2018-09-07 | 2022-02-08 | Intel Corporation | Technologies for distributing gradient descent computation in a heterogeneous multi-access edge computing (MEC) networks |
-
2022
- 2022-07-02 CN CN202210775987.9A patent/CN115174396B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021029802A1 (en) * | 2019-08-13 | 2021-02-18 | Kaaberg Johard Leonard | Improved machine learning for technical systems |
| CN111866901A (zh) * | 2020-06-10 | 2020-10-30 | 西北大学 | 中继选择和资源信息优化方法、系统、计算机设备及应用 |
| CN112367109A (zh) * | 2020-09-28 | 2021-02-12 | 西北工业大学 | 空地网络中由数字孪生驱动的联邦学习的激励方法 |
| CN113905347A (zh) * | 2021-09-29 | 2022-01-07 | 华北电力大学 | 一种空地一体化电力物联网云边端协同方法 |
| CN114375050A (zh) * | 2021-12-03 | 2022-04-19 | 华北电力大学 | 一种数字孪生辅助的5g配电网资源调度方法 |
| CN114219354A (zh) * | 2021-12-28 | 2022-03-22 | 杭州电子科技大学 | 一种基于联邦学习资源分配优化方法及系统 |
| CN114554459A (zh) * | 2022-01-19 | 2022-05-27 | 苏州大学 | 一种近端策略优化辅助的车联网联邦学习客户端选择方法 |
| CN114626306A (zh) * | 2022-03-22 | 2022-06-14 | 华北电力大学 | 一种园区分布式能源调控信息新鲜度保障方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Adaptive federated learning for digital twin driven industrial internet of things;Qiang Song;《2021 IEEE Wireless communications and Networking Confenerce》;全文 * |
| 电力物联网5G云-边-端系统框架与资源调度方法;周振宇;《电网技术》;1641-1651 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115174396A (zh) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115174396B (zh) | 一种基于数字孪生的低碳能源管控通信网业务管理方法 | |
| CN110430613B (zh) | 多载波非正交多址接入系统基于能效的资源分配方法 | |
| CN112598150B (zh) | 一种在智能电厂中基于联邦学习提升火灾检测效果的方法 | |
| CN113504999A (zh) | 一种面向高性能分层联邦边缘学习的调度与资源分配方法 | |
| CN103916355B (zh) | 一种认知ofdm网络中子载波的分配方法 | |
| CN110233755B (zh) | 一种物联网中雾计算的计算资源和频谱资源分配方法 | |
| CN101820671A (zh) | 用于ofdma系统的基于粒子群算法的分布式功率分配方法 | |
| CN110113179A (zh) | 一种基于深度学习的携能noma系统的资源分配方法 | |
| CN109768851B (zh) | 一种scma下行系统中基于能效的资源分配方法 | |
| CN111447662A (zh) | 一种无线供电反向散射网络能效优化方法 | |
| CN104168569B (zh) | 一种认知异构网络的动态频谱分配方法 | |
| Tan et al. | Resource allocation of fog radio access network based on deep reinforcement learning | |
| Zhou et al. | Multi-server federated edge learning for low power consumption wireless resource allocation based on user QoE | |
| CN114554495B (zh) | 一种面向联邦学习的用户调度和资源分配方法 | |
| Li et al. | Multi-carrier NOMA-empowered wireless federated learning with optimal power and bandwidth allocation | |
| CN115633033A (zh) | 融合射频能量采集的协同节能计算迁移方法 | |
| CN108601076A (zh) | 能量收集无线网络中可持续传输需求驱动的多信道功率分配方法 | |
| CN109787737A (zh) | 一种基于混合能量采集的ofdm系统下行链路多用户资源优化方法 | |
| CN108521672B (zh) | 一种分布式无线能量和信息传输系统的资源分配方法 | |
| CN114423028A (zh) | 基于多智能体深度强化学习的CoMP-NOMA协作成簇与功率分配方法 | |
| CN117998420A (zh) | 一种基于dag的分片级联分布式6g网络联合优化方法及装置 | |
| Li et al. | Resource sharing for cellular-assisted D2D communications with imperfect CSI: a many-to-many strategy | |
| CN116341679A (zh) | 一种高时效的联邦边缘学习调度策略设计方法 | |
| CN116436984A (zh) | 时间同步误差感知的边端协同分布式能源调控方法及系统 | |
| CN110691383A (zh) | 一种资源分配方法及装置 |
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 |