国网天津市电力公司信息通信公司 王凯,张旭,张倩宜,等:电力物联网边缘计算依赖型任务卸载的低时延调度技术

学术   科技   2024-10-11 17:58   北京  

祝贺《电力信息与通信技术》

蝉联中国科技核心期刊 

引文信息


王凯,张旭,张倩宜,等.电力物联网边缘计算依赖型任务卸载的低时延调度技术[J].电力信息与通信技术,202422(6)73-80

WANG Kai,ZHANG Xu,ZHANG Qianyi,et al.Low latency scheduling techniques for power IoT edge computing dependent tasks[J].Electric Power Information and Communication Technology,2024,22(6):73-80(in Chinese)



01

研究背景


随着电力系统的数字化和智能化发展,电力物联网(power internet of things,PIoT)作为一种关键技术架构,已经成为电力行业的热门研究领域。电力物联网支撑电网状态的实时监测、故障诊断和远程控制,提高电网的可靠性和稳定性。然而,电力物联网的网络结构复杂、边端设备异构性强,且电力设备中的任务很多具有低时延和实时性的要求,给电力物联网带来了新的挑战。


02

主要创新点



1)本文基于对电力物联网任务调度场景的研究,提出一种基于深度强化学习的任务卸载算法,设计出基于深度强化学习的任务卸载算法,融合深度强化学习任务卸载(deep reinforcement learning task offloading,DRLTO)模型(图1)Sequence-to-Sequence神经网络(图2)用有向无环图(directed acyclic graph,DAG)表示任务及其依赖关系,利用近端策略优化算法裁剪优化目标函数,防止训练陷入局部最优。引入贪婪探索(Greedy Exploration)和优先经验回放(prioritized experience replay)对模型做出优化,加强算法的探索能力并提高样本的利用率,从而提高模型的训练效率和性能。
图1  任务卸载模型架构
图2  Sequence-to-Sequence神经网络
2)本文在电力物联网任务调度场景下将优化后的DRLTO算法的性能与3种算法进行比较。使用任务数量n为10的训练数据集对优化过的DRLTO模型进行训练,训练过程中平均延迟、平均奖励、价值损失、策略损失的变化如图3所示,可以证明优化后的DRLTO模型具有良好的收敛性。  

图3  n=10时平均延迟、平均奖励、价值损失、策略损失的变化


03
解决的问题和意义

现有电力物联网任务调度技术难以满足任务的低时延和实时性要求,且未考虑到电力物联网任务之间的内部依赖性。针对该问题,本文融合深度强化学习任务卸载模型和Sequence-to-Sequence神经网络,使用有向无环图表示任务及依赖关系,引入贪婪探索机制和优先经验回放来鼓励探索和提高模型训练效率,构建基于深度强化学习的电力物联网任务卸载模型。通过与其他任务卸载算法进行对比,所提模型的任务平均处理时延显著优于其他算法,验证在电力物联网依赖型任务低时延调度方面的优越性。




作者介绍

王凯

王凯(1992),男,博士,工程师,通信作者,从事能源大数据分析、电力物联网、信息技术创新应用等研究工作,sduwangkai@126.com。

张旭(1983),男,博士,高级工程师,从事智能电网、能源大数据分析等研究工作。

张倩宜(1984),女,硕士,高级工程师,从事信息安全、电力大数据等研究工作。

徐天一(1989),男,高级工程师,从事工业物联网与区块链相关研究工作,tianyi.xu@tju.edu.cn。

徐志强(2001),男,硕士研究生,从事工业物联网与工业大数据相关研究。


电力信息与通信技术
发布期刊信息及论文
 最新文章