CN116708269A - 基于端到端价值学习的配电物联网路由选择方法及系统 - Google Patents
基于端到端价值学习的配电物联网路由选择方法及系统 Download PDFInfo
- Publication number
- CN116708269A CN116708269A CN202310764482.7A CN202310764482A CN116708269A CN 116708269 A CN116708269 A CN 116708269A CN 202310764482 A CN202310764482 A CN 202310764482A CN 116708269 A CN116708269 A CN 116708269A
- Authority
- CN
- China
- Prior art keywords
- routing
- things
- node
- distribution internet
- value
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000005540 biological transmission Effects 0.000 claims abstract description 50
- 238000004891 communication Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims 1
- 210000002569 neuron Anatomy 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
- H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
- H04L45/124—Shortest path evaluation using a combination of metrics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/302—Route determination based on requested QoS
-
- 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
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明属于配电物联网通信技术领域,提供了基于端到端价值学习的配电物联网路由选择方法及系统,基于配电物联网网络所有设备节点和配电物联网路由选择模型,得到配电物联网路由选择方案,基于该方案进行数据传输;其中,所述配电物联网路由选择模型的构建过程为:配电物联终端选择下一跳路由节点时,计算该跳对应的端到端路由价值;将具有端到端路由价值最大的路由节点作为下一跳路由,进行数据传输,判断是否发生通信链路断链,若存在断链,更新当前时刻的通信链路断链概率后,转移当前节点路由价值到下个时隙;否则更新当前节点路由价值,并传输数据包至下一跳路由节点,重复上述步骤,直到到达目的节点或丢包。
Description
技术领域
本发明属于配电物联网通信技术领域,尤其涉及基于端到端价值学习的配电物联网路由选择方法。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
在高比例新能源广泛接入配电网背景下,配电网运行状态复杂,负责数据传输的电力线载波通信(Power Line Communication,PLC)链路传输质量不一,甚至某一链路遇到电网紧急情况需要断链,配电物联网亟需采用更加先进的路由选择技术来保障数据传输的可靠性。
目前针对路由选择的相关研究中,主要涉及基于时延等单一指标。传统电网的通信网络架构面临着数据丢包率高、紧急情况断路等问题,严重影响电网业务的路由选择和信息传递。在海量新能源终端接入的前提下,传统路由优化方法没有将新能源设备的投切特性,以及复杂工作环境影响加以考虑,在终端选择转发路由效果上没有考虑配电网运行的各种复杂因素,受限的路由资源难以直接满足终端数据的传输需求,且路由端到端之间的传输质量不一,缺乏选择最优传输链路的方法。
发明内容
为了解决上述背景技术中存在的至少一项技术问题,本发明提供基于端到端价值学习的配电物联网路由选择方法及系统,其通过考虑双网耦合特性的端到端路由价值建模,在提升业务转发性能的基础上尽可能降低因电气设备故障或离网导致的数据包丢失问题。选择传输质量最高的链路进行数据传输,通过对不同电力业务的差异化性能感知提升后续路由选择性能,满足配电物联网通信可靠性的需求。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供基于端到端价值学习的配电物联网路由选择方法,包括如下步骤:
获取配电物联网网络所有设备节点;
基于配电物联网网络所有设备节点和配电物联网路由选择模型,得到配电物联网路由选择方案,基于该方案进行数据传输;
其中,所述配电物联网路由选择模型的构建过程为:
配电物联终端选择下一跳路由节点时,计算该跳对应的端到端路由价值;将具有端到端路由价值最大的路由节点作为下一跳路由,进行数据传输,判断是否发生通信链路断链,若存在断链,更新当前时刻的通信链路断链概率后,转移当前节点路由价值到下个时隙;否则更新当前节点路由路由价值,并传输数据包至下一跳路由节点,重复上述步骤,直到到达目的节点或丢包。
本发明的第二个方面提供基于端到端价值学习的配电物联网路由选择系统,包括:
节点获取模块,其用于获取配电物联网网络所有设备节点;
路由选择模块,其用于基于配电物联网网络所有设备节点和配电物联网路由选择模型,得到配电物联网路由选择方案,基于该方案进行数据传输;
其中,所述配电物联网路由选择模型的构建过程为:
配电物联终端选择下一跳路由节点时,计算该跳对应的端到端路由价值;将具有端到端路由价值最大的路由节点作为下一跳路由,进行数据传输,判断是否发生通信链路断链,若存在断链,更新当前时刻的通信链路断链概率后,转移当前节点路由价值到下个时隙;否则更新当前节点路由路由价值,并传输数据包至下一跳路由节点,重复上述步骤,直到到达目的节点或丢包。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的基于端到端价值学习的配电物联网路由选择方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述的基于端到端价值学习的配电物联网路由选择方法中的步骤。
与现有技术相比,本发明的有益效果是:
1、本发明充分考虑通信网与电网之间的耦合特性,除考虑通信网自身传输性能对电力业务数据包转发性能的影响外,还考虑了因电气设备故障或离网导致的断链问题,并基于多通道人工神经网络实现对断链概率的预测,并结合链路传输质量价值,进一步对不同节点的路由价值进行建模,在提升业务转发性能的基础上尽可能降低因电气设备故障或离网导致的数据包丢失问题。
2、针对传统路由方法仅依据当前状态选择下一跳路由,考虑配电物联网实际拓扑结构,本发明在选择下一跳路由时,会将从当前结果到目的结果的所有可能路由结果均加以考虑,从而实现对链路传输质量与断链概率的综合考量,并当发生断链时对断链概率重新进行更新,从而提升业务传输的可靠性,在不同节点的路由价值学习方面,通过对于时延能耗可靠性等QoS性能的学习,并通过对性能的学习来指导路由价值的更新,从而满足配电物联网通信可靠性的需求。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例提供的基于端到端价值学习的配电物联网路由选择流程图;
图2是本发明实施例提供的基于双通道人工神经网络的断链概率预测方法流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
针对背景技术提及的技术问题,面向配电物联网复杂工作环境的时延处理与数据传输可靠性的要求,本发明综合考察配电网运行情况,例如支路并/离网行为历史时间、是否处于断电运维/抢修期、电网三相不平衡量、源荷不平衡量、气象、电网故障等数据,以此建立概率模型预测PLC链路的断链概率。同时,基于非断链时电磁干扰、噪声、丢包率、传输功率等参数预测链路传输质量价值,以此构建计及双网耦合影响的每个路由节点的价值。进而,选择具有端到端价值最大的路由节点作为下一跳节点传输数据。
实施例一
如图1所示,本实施例提供了基于端到端价值学习的配电物联网路由选择方法,包括如下步骤:
步骤1:获取配电物联网网络所有设备节点;
步骤2:基于配电物联网网络所有设备节点和配电物联网路由选择模型,得到配电物联网路由选择方案;
其中,所述配电物联网路由选择模型的构建过程为:
配电物联终端选择下一跳路由节点时,计算该跳对应的端到端路由价值;将具有端到端路由价值最大的路由节点作为下一跳路由,进行数据传输,判断是否发生通信链路断链,若存在断链,更新当前时刻的通信链路断链概率,转移当前节点路由价值到下个时隙;否则更新当前节点路由价值,并传输数据包至下一跳路由节点,并重复上述步骤,直到到达目的节点或丢包。
步骤3:基于路由选择方案进行数据传输。
为了更清楚地解释本发明的技术内容,下面结合具体的实施例进行说明。
配电物联网涉及接入环境复杂,各传感设备部署分散,采用电力线载波通信(PLC)方式可以充分复用原有线路,无需额外布线因此成本较低,但是PLC无法穿透设备进行传输,且受到电气设备工作发出的电磁干扰影响,因此无法进行远距离稳定通信,此时需要多设备节点进行中继通信以确保电力业务数据的传输可靠性,本发明首先将新能源设备的投切特性以及复杂工作环境影响加以考虑,进行计及双网耦合特性的路由价值学习。
基于图论的方法,利用集合G={V,E}表示配电物联网网络,其中集合V={v1,…,vi,…,vI}用于表示配电物联网设备节点,其中,v1为电力业务数据包发出的源节点,vI为电力业务数据包需要传输至的目的节点,其余节点是为数据包转发提供中继的路由节点,节点间采用电力线进行连接,通信方式为PLC。
根据最短路径方法可获得每一个节点到达目的节点所需要经过的最少节点数Zi,考虑配电网电气设备的实际连接关系,配电物联网拓扑通常为树状拓扑、总线型拓扑、树状拓扑的混合网络,为避免电力业务数据包的过度转发,处于当前节点进行下一跳路由选择时,只会选择更靠近目的节点的路由,因而将网络中的可用链路集合定义为E={ei,j|(vi,vj∈V,Zi>Zj)},表示节点vi与节点vj可通过PLC链路直接进行连通,且传输后距离目的节点的最少节点数更小。
引入准静态时隙模型,整体的路由优化周期被分割为若干时隙,时隙集合被定义为T={1,...t,...T},每个时隙开始时,源节点产生一个电力业务数据包在网络中进行传输,直至传输至目的节点,或者因为链路中断而导致丢包时,本时隙结束,下一个时隙开始。此外,为简化模型,认为链路传输质量在单个时隙内保持不变,但是时隙间动态变化。
为设备构建配电物联网路由价值表,对于源节点而言,应当确保电力业务数据包在网络中的传输时延、丢包率等性能,其性能保障能力与经过的每一个路由节点自身的链路传输质量均相关,因此将网络中所有路由节点的路由价值定义为Ui(t),每个设备将与其连接的其余路由节点价值进行收集后形成指导其进行路由转发优化的配电物联网路由价值表。一方面,基于PLC通信方式的配电物联网通信性能与节点自身转发能力有关,另一方面,配电网工作环境对其亦有一定影响,例如电气设备工作时产生的电磁干扰会导致数据传输的误码与丢包概率增加,因新能源设备动态投切导致的链路中断问题甚至会对网络拓扑造成直接影响。
因此,各节点路由价值建模需要充分考虑双网耦合特性,基于配电网实际运行情况,可能导致断链情况发生的事件包括断电维护/抢修、设备节点故障退网、新能源设备的主动/被动投切行为等,例如当配电网侧源荷功率失衡时,需要进行新能源发电装置或者柔性负荷的并离网操作,这会导致与该节点相关的所有PLC链路无法再进行相应的业务数据传输,此时的路由优化若仍指示通过此节点进行转发,则会导致数据丢包。
因此,综合根据支路并/离网行为历史时间、是否处于断电运维/抢修期、电网三相不平衡量、源荷不平衡量、气象、电网故障等数据对每一跳断链的概率Pi(t)进行预测,首先将影响是否发生断链的因素分为设备故障因素、设备离网因素以及气象因素三大类,不同原因导致的链路中断特性具有明显差异,因而需要进行分别的分析。此外,气象类因素可以归为设备故障的诱因之一,因而将两者进行合并,从而进一步简化预测模型。考虑到各类信息的多元性以及不确定性,基于历史观测积累的样本数据,
本实施例提出基于双通道人工神经网络的断链概率预测方法,其对应的原理如图2所示,不同层的功能及数据处理操作如下:
1)输入层:对于通道一而言,输入样本数据集为导致节点设备故障的诱因数据,例如设备老化、断电抢修、持续降水等,输入层神经元个数与输入样本集维度相同。对于通道二而言,输入样本数据集为导致设备离网的诱因数据,例如三相不平衡量、源荷不平衡量等,输入层神经元个数与输入样本集维度相同。
2)隐含层:隐含层个数通常依据经验进行设定,可设置为对应输入层神经元个数的两倍。
3)输出层:通道一与通道二的输出层神经元个数与输入样本集维度相同,对应的输出结果作为第二层神经网络的输入,并经过训练后最终输出预测的断链概率。
以通道一为例,对神经网络的训练过程如下:
1)输入样本数据规模为1×M的情况下,输入层神经元个数为M,第m个输入层神经元对应输入归一化后的样本数据为xm,隐含层神经元个数为N(N=2M),输出层神经元个数为M,第m个输入层神经元与第n个隐含层神经元连接权重为Wm,n,隐含层阈值为βn,选择sigmoid型函数作为为隐含层传递函数,第n个隐含层神经元与第m个输出层神经元连接权重为Wn,m,输出层阈值为βm。
2)隐含层输入为隐含层输出为Un'=f(Un),其中f表示sigmoid型函数,输出层对应输出结果为/>
3)计算输出层误差为其中/>为期望输出,若输出层误差大于预设误差阈值,则进行各层权重与阈值的对应调整,隐含层与输出层权重和输出层阈值更新为:
式中,η表示学习率,表示输出层的一般化误差,即/>
输入层与隐含层权重和隐含层阈值更新为:
式中,表示隐含层的一般化误差,即/>
4)继续导入下一组样本数据,直至误差阈值符合要求。
通道二与下一层神经网络的训练过程相同,直至所有神经网络输出均满足预设阈值条件,认为输出的断链概率准确性符合预期,并用于指导后续路由选择。
链路传输质量由电力业务数据包当前时刻所处于的状态以及选定的下一跳路由节点进行表示,其中当前状态指示空间主要包括电力业务数据包所处路由节点位置和到目的节点之间所有的可行路径,以及当前节点位置时对应不同PLC链路的电磁干扰、噪声功率、传输功率等会对业务传输性能造成直接影响的关键元素,即状态空间为Si(t);
式中,Ri(t)为可行路径集合,表示节点到目的节点的所有可行路径集合,用Ri,l(t)表示具体的某条路径,δi,j(t)为电磁干扰,表示链路ei,j中存在的电磁干扰,会对链路传输质量造成影响,且终端受到干扰后会降低传输性能,Ni,j(t)为噪声功率,表示链路ei,j中存在的固有加性高斯白噪声功率,Pi TX(t)表示传输功率,表示节点vi处配电物联终端进行数据传输时的功率。
其次,动作向量A由当前状态下可选择的下一跳路由节点组成,表示为Ai(t),Ai(t)={vj|{vi,ei,j∈E}},表示在当前节点vi情况下可选择的下一跳路由集合。因此定义对应链路传输质量价值为Q(Si(t),Ai(t)),其值大小被初始化为0。
因此,计及双网耦合影响的每个路由节点的路由价值可以定义为链路传输价值与链路可靠传输概率的乘积,即Ui(t)表示为:
Ui(t)=Q(Si(t),Ai(t))·(1-Pi(t))
本实施例中,基于端到端价值的路由选择方法具体包括:
(1)位于边缘的配电物联网终端逐跳将数据传输至目的节点,在配电物联终端选择下一跳路由节点时,首先对下一跳路由节点与目的节点之间的可行路径的路由节点价值进行累加,并将所有路径的节点价值求和后视为端到端路由价值,即
(2)根据计算结果,选择具有最大端到端价值的路由节点作为下一跳路由,并进行数据传输,即
(3)根据在数据传输至下一跳后,基于通信链路断链概率模型,对当前时刻的断链概率进行更新。并观察执行动作后的下一状态Si'(t),并依据同样规则选择动作ai'(t)。
(4)当发生断链时,下一跳路由无法获得数据包,则认为当前时刻对于断链概率的预测仍不准确,则输入截至当前时隙未训练过的样本数据集对神经网络进行进一步训练,并对应更新断链概率Pi(t)。
进一步令Q(Si(t+1),Ai(t+1))=Q(Si(t),Ai(t)),转入下一时隙。
否则,根据如下公式对Q值进行更新
Q(Si(t),ai(t))=Q(Si(t),ai(t))+α[γQ(Si'(t),ai'(t))-Q(Si(t),ai(t))+H(Si(t),ai(t))]
式中,H(Si(t),ai(t))表示当前状态执行该动作的学习奖励,因为配电网物联网复杂的工作环境,选择不同路由会对业务传输性能造成直接影响,考虑之前状态空间关联的电磁干扰、噪声功率、传输功率等元素,其对业务转发性能的主要影响体现在时延、能耗、误码率上,因此将学习奖励设置为实际获得的传输时延τ(Si(t),ai(t))、能耗λ(Si(t),ai(t))、误码率φ(Si(t),ai(t))性能加权和的倒数,即
式中,μ1、μ2和μ3处于0-1之间,分别表示时延、能耗、误码率性能的权重,且满足μ1+μ2+μ3=1,三者的权重可以根据不同类型电力业务的实际需求进行自适应调整。但是,如因为PLC通信链路的不稳定导致丢包现象发生,则将此时的学习奖励设置为0,并在Q值更新后令Q(Si(t+1),Ai(t+1))=Q(Si(t),Ai(t)),再转入下一时隙。
α为学习率,γ为学习的折扣因子,用未来奖励乘以该因子,能够减弱对当前动作选择的累积影响,从而避免早期学习阶段较差性能效果的影响。
(5)根据每个路由节点的路由价值公式对路由节点价值进行更新,并重复执行步骤(1)-步骤(5),直到数据传输至目的节点,并在Q值更新后令Q{Si(t+1),Ai(t+1)}=Q{Si(t),Ai(t)},转入下一时隙。
实施例二
本实施例提供基于端到端价值学习的配电物联网路由选择系统,包括:
节点获取模块,其用于获取配电物联网网络所有设备节点;
路由选择模块,其用于基于配电物联网网络所有设备节点和配电物联网路由选择模型,得到配电物联网路由选择方案,基于该方案进行数据传输;
其中,所述配电物联网路由选择模型的构建过程为:
配电物联终端选择下一跳路由节点时,计算该跳对应的端到端路由价值;将具有端到端路由价值最大的路由节点作为下一跳路由,进行数据传输,判断是否发生通信链路断链,若存在断链,更新当前时刻的通信链路断链概率后,转移当前节点路由价值到下个时隙;否则更新当前节点路由路由价值,并传输数据包至下一跳路由节点,重复上述步骤,直到到达目的节点或丢包。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的基于端到端价值学习的配电物联网路由选择方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的基于端到端价值学习的配电物联网路由选择方法中的步骤。
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,本发明可采用硬件实施例、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和光学存储器等)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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于端到端价值学习的配电物联网路由选择方法,其特征在于,包括如下步骤:
获取配电物联网网络所有设备节点;
基于配电物联网网络所有设备节点和配电物联网路由选择模型,得到配电物联网路由选择方案,基于该方案进行数据传输;
其中,所述配电物联网路由选择模型的构建过程为:
配电物联终端选择下一跳路由节点时,计算该跳对应的端到端路由价值;将具有端到端路由价值最大的路由节点作为下一跳路由,进行数据传输,判断是否发生通信链路断链,若存在断链,更新当前时刻的通信链路断链概率后,转移当前节点路由价值到下个时隙;否则更新当前节点路由价值,并传输数据包至下一跳路由节点,重复上述步骤,直到到达目的节点或丢包。
2.如权利要求1所述的基于端到端价值学习的配电物联网路由选择方法,其特征在于,所述判断是否发生通信链路断链的过程包括:
获取历史观测积累的样本数据;
基于历史观测积累的样本数据和训练后的通信链路断链概率模型,得到判断结果;其中,所述通信链路断链概率模型的构建过程为:
采用双通道人工神经网络,第一通道输入导致节点设备故障的诱因数据,第二通道输入导致设备离网的诱因数据;将第一通道的输出作为第二层神经网络的输入,并经过训练,直至第一通道的输出和第二通道的输出均符合设定的阈值,输出最终输出预测的断链概率。
3.如权利要求1所述的基于端到端价值学习的配电物联网路由选择方法,其特征在于,所述通信链路断链概率模型训练时,
输入第一组样本数据,计算输出层的误差,若输出层误差大于预设误差阈值,则进行各层权重与阈值的对应调整,包括:隐含层与输出层权重、输出层阈值更新、输入层与隐含层权重和隐含层阈值更新,继续导入下一组样本数据,直至误差阈值符合要求。
4.如权利要求1所述的基于端到端价值学习的配电物联网路由选择方法,其特征在于,每个路由节点的路由价值的计算公式为:链路传输价值与链路可靠传输概率的乘积。
5.如权利要求1所述的基于端到端价值学习的配电物联网路由选择方法,其特征在于,所述配电物联网网络所有设备节点包括:电力业务数据包发出的源节点,电力业务数据包需要传输至的目的节点,源节点和目的节点之间的节点为数据包转发提供中继的路由节点。
6.如权利要求1所述的基于端到端价值学习的配电物联网路由选择方法,其特征在于,数据传输过程中,引入准静态时隙模型,整体的路由优化周期被分割为若干时隙,每个时隙开始时,源节点产生一个电力业务数据包在网络中进行传输,直至传输至目的节点,或者因为链路中断而导致丢包时,本时隙结束,下一个时隙开始。
7.如权利要求1所述的基于端到端价值学习的配电物联网路由选择方法,其特征在于,在配电物联终端选择下一跳路由节点时,对下一跳路由节点与目的节点之间的可行路径的路由节点价值进行累加,并将所有路径的节点价值求和后视为端到端路由价值。
8.基于端到端价值学习的配电物联网路由选择系统,其特征在于,包括:
节点获取模块,其用于获取配电物联网网络所有设备节点;
路由选择模块,其用于基于配电物联网网络所有设备节点和配电物联网路由选择模型,得到配电物联网路由选择方案,基于该方案进行数据传输;
其中,所述配电物联网路由选择模型的构建过程为:
配电物联终端选择下一跳路由节点时,计算该跳对应的端到端路由价值;将具有端到端路由价值最大的路由节点作为下一跳路由,进行数据传输,判断是否发生通信链路断链,若存在断链,更新当前时刻的通信链路断链概率后,转移当前节点路由价值到下个时隙;否则更新当前节点路由价值,并传输数据包至下一跳路由节点,重复上述步骤,直到到达目的节点或丢包。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的基于端到端价值学习的配电物联网路由选择方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于端到端价值学习的配电物联网路由选择方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310764482.7A CN116708269A (zh) | 2023-06-26 | 2023-06-26 | 基于端到端价值学习的配电物联网路由选择方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310764482.7A CN116708269A (zh) | 2023-06-26 | 2023-06-26 | 基于端到端价值学习的配电物联网路由选择方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116708269A true CN116708269A (zh) | 2023-09-05 |
Family
ID=87823772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310764482.7A Pending CN116708269A (zh) | 2023-06-26 | 2023-06-26 | 基于端到端价值学习的配电物联网路由选择方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116708269A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117295096A (zh) * | 2023-11-24 | 2023-12-26 | 武汉市豪迈电力自动化技术有限责任公司 | 基于5g短共享的智能电表数据传输方法及系统 |
-
2023
- 2023-06-26 CN CN202310764482.7A patent/CN116708269A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117295096A (zh) * | 2023-11-24 | 2023-12-26 | 武汉市豪迈电力自动化技术有限责任公司 | 基于5g短共享的智能电表数据传输方法及系统 |
CN117295096B (zh) * | 2023-11-24 | 2024-02-09 | 武汉市豪迈电力自动化技术有限责任公司 | 基于5g短共享的智能电表数据传输方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110601826B (zh) | 一种基于机器学习的动态dwdm-qkd网络中的自适应信道分配方法 | |
CN110601777B (zh) | 一种低轨移动卫星星座下星地下行链路同频干扰估计方法 | |
CN111191918A (zh) | 一种智能电网通信网的业务路由规划方法及装置 | |
CN116708269A (zh) | 基于端到端价值学习的配电物联网路由选择方法及系统 | |
CN104601375A (zh) | 一种智能变电站通信网络监控系统、整定方法及监控方法 | |
Ekomwenrenren et al. | Stabilising control strategy for cyber‐physical power systems | |
CN116390164A (zh) | 一种低轨卫星网络可信负载均衡路由方法、系统、设备及介质 | |
Vengerov et al. | A fuzzy reinforcement learning approach to power control in wireless transmitters | |
Sova et al. | Development of methodological principles of routing in networks of special communication in conditions of fire storm and radio-electronic suppression | |
CN115550233A (zh) | 分布式路由确定方法、电子设备及存储介质 | |
Liu et al. | Prediction of congestion degree for optical networks based on bp artificial neural network | |
CN116094983A (zh) | 基于深度强化学习的智能路由决策方法、系统及存储介质 | |
CN116132361A (zh) | 一种基于QoS和QoE的网络资源优化调整方法和系统 | |
Wille et al. | Topological design of survivable IP networks using metaheuristic approaches | |
CN114254734A (zh) | 一种支持确定性应用的流量矩阵建模方法 | |
KR100637417B1 (ko) | 배전계통의 부하평준화를 위한 최적 배전계통 구성방법 | |
Teshabayev et al. | The formation of the structure of a multiservice network based on communication equipment from different manufacturers | |
Rezaee | Towards a cognitive network management and control system | |
Shu et al. | Network Quality Assessment and Optimization Method for Terminal Communication Access Networks | |
CN114915595B (zh) | 突发包装配方法和电子设备 | |
Hong et al. | Neural network-assisted routing strategy selection for optical datacenter networks | |
Qi et al. | Edge-edge Collaboration Based Micro-service Deployment in Edge Computing Networks | |
Zhao et al. | A Novel Reliability Evaluation Model for an End-to-End Optical Transmission Channel | |
Dhamala et al. | QoS-Oriented Adaptive Routing in Distributed SDN using SARSA Reinforcement Learning | |
Lv et al. | Active Optical Routing Assignment Algorithm for Relay Protection Services in Smart Grid Communications |
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 |