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%。