基于软件定义网络的电网边缘计算资源分配

针对电网节点中边缘服务器资源受限问题,提出了一种基于软件定义网络的边缘计算框架。采用深度确定性策略梯度(Deep Deterministic Policy Gradient, DDPG)强化学习算法对边缘服务器中的计算、存储资源进行合理分配。首先建立应用于电网中的基于软件定义网络的边缘计算模型,得到边缘服务器计算存储资源及任务时延的约束条件,分析得到需处理的MINIP问题。使用Tensorflow搭建仿真环境并执行强化学习算法,实现电网边缘节点对边缘服务器存储计算资源的最优利用。结果表明,强化学习算法中的回复值呈上升趋势,采用DDPG进行分配的系统总延时更低。     

面向新型电力系统的边缘缓存与计算资源迁移策略

随着以新能源为主体的电力系统的发展，分布式特征明显，终端设备数量剧增。海量用电负荷的调度和控制面临着时延过高和计算效率不足等问题，亟待建立高效的通信网络以有效提高电力系统的运行效率和可靠性。针对现有边缘计算技术与电力系统结合中未考虑在边缘网络资源管理中服务缓存和虑拟机(virtual machine, VM)迁移的联合优化问题，基于任务卸载模型、服务缓存模型和VM迁移模型，提出了一种联合服务缓存和VM迁移的边缘资源分配策略，旨在提高系统性能。针对服务缓存与VM迁移联合优化的耦合性问题，将原问题解耦成两个子问题的方法进行迭代求解，以实现更优的资源分配效果。仿真结果进一步证明了所提策略在性能方面表现更优，与其他方案相比可以得到更低的任务处理时延。     

5G 异构网络中基于多目标 Actor-Critic的资源分配

在 5G 异构网络(heterogeneous network,HetNet)中广泛部署小基站可以提高网络容量和用户速率,但密集部署也会 产生严重干扰和更高能耗问题。为了最大化网络能量效率(energy efficiency,EE)并保证用户服务质量(quality of service, QoS),提出了一种在小蜂窝基站中嵌入能量收集器供电的资源分配方案。首先,针对网络系统的下行链路,将频谱和小基站 发射功率分配问题建模为联合优化系统能效和用户满意度的多目标优化问题。其次,提出了基于深度强化学习的多目标演 员-评论家(multi-objective actor-critic,MAC)资源分配算法求解所建立的优化模型。最后,仿真结果表明,相比于其他传统学 习算法,能量效率提高了11.96%～12.37%,用户满意度提高了11.45%～27.37%。     

基于深度强化学习的多目标边缘任务调度研究

针对深度强化学习在边缘计算环境下的多目标任务调度时存在优化效果差等问题，提出了一种新的基于改进的竞争深度双Q网络的多目标任务调度算法(IMTS-D3QN)。首先将深度双Q网络对目标中的最大操作分解为动作选择和动作评估，以消除过高估计；采用立即奖励经验样本分类方法，对经验样本按照重要性程度分类存储，训练时选取更多重要性程度高的经验样本，提高了实际样本的利用率，加快了神经网络的训练速度。然后，通过引入竞争网络结构对神经网络进行优化。最后，采用软更新方法提高算法的稳定性，并采用动态ε贪婪指数递减法寻找最优策略。通过不同线性加权组合得出帕累托最优解，达到响应时间和能耗最小化。实验结果表明，IMTS-D3QN算法与其他算法相比，在不同任务数下响应时间与能耗上具有明显的优化效果。     

基于DQN的电力物联网5G边缘切片资源管理研究

随着5G通信技术以及移动边缘计算(Mobile Edge Computing,MEC)的发展,各式各样的电力物联网新需求层出不穷.一方面,部分新型电力物联网业务需要高服务质量保障;另一方面,移动边缘计算需要为新型电力物联网的业务提供差异化的计算服务.为解决上述问题,文章定义了一种面向电力物联网业务的可靠性衡量指标.基于...     

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%。     

面向需求响应的多边缘网关协同信息缓存与分发策略

边缘计算在电力通信网的应用有利于实现更低时延的需求响应,促进未来能源市场发展。现有工作研究了边缘计算在数据处理环节的应用,而需求响应信息分发机制也亟待优化。针对信息分发时延影响用户响应能力的问题,提出面向需求响应的边缘多跳协同缓存网络架构,优化信息分发速率。为降低信息分发时延,设计一种考虑协同范围的非合作博弈缓存算法,令边缘网关竞争服务用户数,在降低信息缓存重复度同时实现时延优化;考虑到边缘网关部署特点,进一步提出分布式的缓存决策算法,实现边缘网关分布式决策。仿真结果表明,所提算法有效降低了响应信息的分发时间,并提高了用户的实际最大响应能力。     

基于MADDPG和智能合约的微电网交易决策优化

为解决微电网在传统集中化交易模式下面临的决策耗时长、信任成本高和隐私安全等问题,提出了基于多智能体深度确定性策略梯度(multi-agent deep deterministic policy gradient, MADDPG)算法与智能合约的微电网去中心化市场交易体系。首先,对微电网市场中多智能体进行划分后设计了适用于各主体参与分布式交易的微电网去中心化交易机制,以保障市场主体利益。其次,为实现交易确认阶段微电网市场主体的交易策略优化,采用MADDPG算法对各主体追求利益最大的竞价模型进行求解。最后,通过算例仿真验证了MADDPG算法在智能合约下微电网市场主体交易策略优化过程中的可行性和经济性。     

基于MADDPG和智能合约的微电网交易决策优化

为解决微电网在传统集中化交易模式下面临的决策耗时长、信任成本高和隐私安全等问题,提出了基于多智能体深度确定性策略梯度(multi-agent deep deterministic policy gradient, MADDPG)算法与智能合约的微电网去中心化市场交易体系。首先,对微电网市场中多智能体进行划分后设计了适用于各主体参与分布式交易的微电网去中心化交易机制,以保障市场主体利益。其次,为实现交易确认阶段微电网市场主体的交易策略优化,采用MADDPG算法对各主体追求利益最大的竞价模型进行求解。最后,通过算例仿真验证了MADDPG算法在智能合约下微电网市场主体交易策略优化过程中的可行性和经济性。     

Decentralized adaptive controller for synchronization of nonlinear dynamical heterogeneous networks

For a network of interconnected nonlinear dynamical systems, an adaptive leader–follower output feedback synchronization problem is considered. The proposed structure of decentralized controller and adaptation algorithm is based on speed gradient and passivity. Sufficient conditions of synchronization for one class of heterogeneous networks are established. An example of synchronization of the network of nonidentical Chua systems is analyzed. The main contribution of the paper is adaptive controller design and analysis under conditions of incomplete measurements, incomplete control, and uncertainty. Copyright © 2012 John Wiley & Sons, Ltd.     

基于强化学习的电力市场信息披露程度对市场成员交易行为影响研究

基于信息披露的主体框架,分析披露体系中具体的供需信息对于市场成员的引导作用。建立日前市场的双层竞价优化模型,采用强化学习的方法,通过市场中有无关键供求信息披露对于发电商报价预期的影响,推演模拟不同信息披露程度下发电商报价行为,然后从策略演化过程、策略偏离度以及策略收敛速度3个角度进行信息披露程度对市场成员交易行为影响的定量分析,验证市场供需信息的发布程度对于市场成员的引导作用,最后基于推演结果进行总结,并对我国信息披露的建设提出建议与思考。     

基于边缘检测与注意力机制的立体匹配算法

随着深度学习理论的不断进步,端到端的立体匹配网络在自动驾驶和深度传感等领域取得了显著的成果。然而,最先进的立体匹配算法仍然无法精确恢复物体的边缘轮廓信息。为了提高视差预测的精度,在本研究中,提出了一种基于边缘检测与注意力机制的立体匹配算法。该算法从立体图像对中学习视差信息,并支持视差图和边缘图的端到端多任务预测。为了充分利用二维特征提取网络学习到的边缘信息,本算法提出了一种全新的边缘检测分支和多特征融合匹配代价卷。结果表明,基于本文模型的边缘检测方案有助于提高视差估计的精度,所获取的视差图在KITTI 2015测试平台上的误匹配率为1.75%,与金字塔立体匹配网络相比,视差图的精度提高了12%,且运行时间减少约20%。     

考虑预测不确定性的微电网实时控制策略研究

风能、光伏等可再生能源的高比例并网成为了缓解全球能源危机的一项重要措施。然而,可再生能源实时出力中的间歇性和波动性给系统的安全性带来了一定的挑战。为了在提高可再生能源利用率的同时保证系统安全性,提出了一种基于深度强化学习(DRL)算法的运行优化实时调度模型。首先,构建了负荷预测模型实现负荷预测和高斯混合模型拟合预测误差;其次,考虑系统各节点的约束条件,以系统运行成本和安全运行作为优化目标,建立相应优化模型;然后,将优化问题转化为马尔可夫决策过程,并采用双延迟深度确定性策略梯度算法求解;最后,利用DRL算法的环境交互机制和策略自由探索,获得联合调度策略的最优结果。实验结果表明,所提方法具有良好的适应性,并且可以进行在线实时调度。     

基于边缘计算和深度学习的有限信息配电网单相接地故障区段定位

目前围绕量测条件受限的配电网展开的故障定位研究较少,且传统的主站集中式故障定位系统在实时性与安全性等方面存在不足。针对上述问题,提出一种基于边缘计算和深度学习的单相接地故障区段定位方法。首先,构建基于分区修正的边缘计算单元配置多目标优化模型。该模型通过分区修正方法降低了故障定位系统的通信时延,提升了数据传输安全性,进而保障配电网安全运行。其次,将基于数据驱动的智能算法应用于配电网故障区段定位,选择易获取的相电流稳态有效值在故障前后的变化量作为故障特征,利用全连接型深度神经网络学习样本特征与标签间的映射关系,得到离线训练好的定位模型并储存在边缘节点以实现快速故障定位。最后,以IEEE33节点系统为例进行仿真。算例结果表明该模型在分布式电源接入、高阻故障、噪声干扰以及拓扑改变等情况下均具有良好表现。     

柔性双工网络功率分配:边剪枝加速的GNN计算

由于用户间干扰的存在,无线通信网络中的功率分配问题往往是非凸的、计算量巨大。当前图神经网络(graph neural network, GNN)成为一种有效的计算方法被用来解决该问题。为了最大限度地提高网络传输速率的同时降低计算复杂度,提出一种将设备属性和通信连接属性纳入GNN的柔性双工网络图表示方法,并构建了相应的柔性双工图神经网络(flexible duplex GNN, FD-GNN)模型,首次将节点对之间的距离、信道增益和邻居作为动态阈值引入到FD-GNN中,以适应动态环境。排除GNN中邻居的信道状态信息,通过修剪FD-GNN中的边来减少计算时间降低网络时间复杂度。仿真表明,所提出的基于信道增益邻居的阈值设定方法,性能最优且达到加权最小均方误差（weighted minimum mean square error,WMMSE）的97%,相较于Full-GNN所需的训练时间下降24%。提出的基于阈值的边剪枝有效降低了GNN运算的时间复杂度,提高了算法有效性。     

基于边缘计算的电网假数据攻击分布式检测方法

虚假数据注入攻击(FDIA)作为新型的电网攻击手段,严重威胁智能电网的安全运行.爆炸式增长的数据给集中式的FDIA检测方法带来了巨大的挑战.基于此,提出了一种基于边缘计算的分布式检测方法.将系统拆分为多个子系统,且在子系统中设置边缘节点检测器进行数据的收集、检测.结合深度学习的方法,构建了CNN-LSTM模型检测器,提...     

基于Edgex Foundry的配电网无功电压云边协同控制方法研究

针对大量多维异构的电网数据引起的存储压力、计算延迟和云边通信问题,提出了一种基于Edgex Foundry的配电网无功电压云边协同控制方法。首先,感知配电网10 kV侧的电网数据,构建了“边云”、“边边”协同控制模块与配电网无功电压信息交互模型,基于多种通信协议建立云边数据传输通道。然后,部署了面向配电网无功电压的云边协同控制模型,构建了基于Edgex Foundry的配电网无功电压“云-边-端”集中-分布式协同控制架构,实现云边协同架构与十五区图控制策略交互融合。最后,基于仿真验证了云边协同控制方法可以降低计算时延,缓解云端计算和存储压力,实现在云边协同控制中母线与支线整体联控、异常支线局部单调两种调控模式的深度融合,为实现配电网无功电压云边协同控制提供了技术支撑。