一种基于深度强化学习的QoE保障的任务调度方法技术

一种基于深度强化学习的QoE保障的任务调度方法，从用户对电力服务的满意度出发，以最大化整体用户的体验质量为目标，在家庭用户、电力公司和电网组成的系统中，建立了用户的调度模型，其中包括了时延、能耗等指标，引入用户体验质量模型，以时延为指标对用户体验质量进行评估，通过算法判断出采用何种手段对用户任务进行处理，能够既保障用户的体验质量，又保证能量消耗在可接受的范围内。

【技术实现步骤摘要】

本专利技术涉及电网调度，尤其是涉及一种基于深度强化学习的qoe保障的任务调度方法。

技术介绍

1、公知的，首先，智能电网需要实时监测和调整供需平衡，以确保持续稳定的供电，如果发生电力需求高峰，智能电网需要立即响应，以防止发生供电瓶颈或停电；其次，随着可再生能源的不断增加，智能电网需要通过灵活的需求响应机制来平衡供需；需求响应可以帮助减少电力网的波动和不稳定性，从而更好地整合新能源；

2、而需求响应是通过调整智能电网中的能源和负荷来满足实时电力需求，是能源有效利用和实时需求平衡的有效手段，能够增强智能电网系统的可靠性和稳定性，在智能电网中，需求响应的作用和意义是巨大的；另外，需求响应还可以通过价格激励等机制鼓励用户优化用电行为，降低用电峰值，同时提高用电效率，这不仅可以减少用户的用电成本，还可以提高电力系统的稳定性和可靠性；

3、在智能电网中，用户是电力系统不可缺少的一部分，鼓励和促进用户参与电力系统的运行和管理是智能电网的一大重要特征，但在现实生活中，用户参与需求响应的意愿却很低；

4、由于物联网技术和人工智能的发展，需本文档来自技高网...

【技术保护点】

1.一种基于深度强化学习的QoE保障的任务调度方法，其特征是：本方法具有如下步骤：

2.如权利要求1所述的基于深度强化学习的QOE保障的任务调度方法，其特征是：为保证任务调度的准确性，通过多个约束条件对任务调度模型进行限制，约束目的为：

3.如权利要求2所述的基于深度强化学习的QOE保障的任务调度方法，其特征是：为了满足时间平均的能量消耗约束条件，建立与该约束相关的虚拟能量队列Y(t)如下：

4.如权利要求3所述的基于深度强化学习的QOE保障的任务调度方法，其特征是：为了衡量能量消耗水平，定义Φ(T)＝[Y(t)]；根据李雅普诺夫优化理论定义李雅普诺夫...

【技术特征摘要】

1.一种基于深度强化学习的qoe保障的任务调度方法，其特征是：本方法具有如下步骤：

2.如权利要求1所述的基于深度强化学习的qoe保障的任务调度方法，其特征是：为保证任务调度的准确性，通过多个约束条件对任务调度模型进行限制，约束目的为：

3.如权利要求2所述的基于深度强化学习的qoe保障的任务调度方法，其特征是：为了满足时间平均的能量消耗约束条件，建立与该约束相关的虚拟能量队列y(t)如下：

4.如权利要求3所述的基于深度强化学习的qoe保障的任务调度方法，其特征是：为了衡量能量消耗水平，定义φ(t)＝[y(t)]；根据李雅普诺夫优化理论定义李雅普诺夫函数如下：

5.如权利要求4所述的基于深度强化学习的qoe保障的任务调度方法，其特征是：为了满足能量约束，虚拟...

【专利技术属性】
技术研发人员：郑瑞娟，张明川，吴庆涛，朱军龙，王琳，冀治航，王雪琦，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：