基于业务性能偏差感知的电力通信网路由优化策略

针对新兴电力业务对时延、可靠性的严苛要求,提出一种基于业务性能偏差感知的电力通信网路由优化策略。在建立“能量-信息”耦合网络模型基础上,量化分析电力业务转发时延与可靠性约束,设置与能量层、信息层重要度相关的业务效用最大化问题,利用虚拟队列积压感知多跳长时路由优化中的业务性能偏差,基于引入记忆空间的改进SARSA(λ)算法,实现信息不确定场景下的电力通信网路由优化。仿真结果表明,所提算法可有效提升业务效用,在转发时延、丢包率方面性能更优,且可通过权重系数调节适应不同场景的差异化业务需求。

面向配电网数字孪生模型构建的边缘协作方法

边缘计算通过计算资源的下沉为配电网数字孪生(digital twin,DT)模型训练提供算力支撑,但仍需对边缘层计算资源进行整合优化,提升模型构建效率与精度。针对此,该文提出面向配电网DT模型构建的边缘协作方法。首先,建立基于边缘协作的配电网DT模型构建框架,通过局部模型训练与全局模型整合实现配电网孪生。其次,建立协作训练损失函数,在保障DT模型长时同步率约束前提下,最小化模型损失。最后,借助李雅普诺夫优化构建与DT模型长时同步率约束相关的虚拟队列,针对无线信道时变性以及协作决策耦合性带来的信息不确定、不对称问题,提出基于深度强化学习的配电网DT模型边缘协作构建算法。仿真结果表明,相较于其他两种传统算法,所提算法在保障DT模型长时同步率约束前提下,可分别降低全局模型损失34.94%和55.93%,降低样本数据队列积压27.40%和19.68%。