【技术实现步骤摘要】
本专利技术属于无线网络计算领域，具体涉及电力物联网和数字孪生技术。
技术介绍
1、泛在电力物联网的提出和发展，需要大量连接的传感器和设备，而节点和设备会产生大量的数据并消耗大量能量，需要实时监测它们的状态并将数据进行处理，而节点的处理能力是有限的，需要这些物联网节点将部分数据卸载到云端或上层服务端。
2、移动边缘计算（mec）因为其服务器物理位置更靠近电力物联网终端设备，并拥有较强的计算能力从而为电力物联网终端提供丰富的计算资源。因此，可以将设备的请求任务卸载到算力丰富的移动边缘计算服务器上进行处理，这不仅可以提高服务质量，还可以增强设备对计算密集型或延迟敏感型应用程序的适应性。
3、然而，电力物联网设备处理的任务通常需要特定的应用程序（服务缓存）处理，服务缓存中的动态内容即是针对特殊工作负载的特定可执行程序。例如，来自电动车辆终端的实时在线数据（摄像头、雷达采集数据）需要计算资源（可执行程序）。由于电动车辆终端的处理能力有限，在线数据需要卸载到托管服务缓存的移动边缘服务器，即用于完成的计算资源。但是边缘服务器能够主控的服务缓存数量有限，因此服务产生特定任务的电力物联网设备也就有限，因此可以考虑多个边缘服务器之间的资源共享（边缘协作）。边缘协作以分布式协同方式处理任务，能够有效利用其他边缘服务器的空闲通信资源或计算资源，以达到节省系统功耗和时间开销的目的。而影响边缘协作的关键是无线设备与边缘服务器之间和各个边缘服务器之间的全局信息获取，包括所有无线设备随机产生任务信息、所有边缘服务器的计算资源、通信资源信
4、数字孪生技术的出现可以同时解决多任务的边缘服务器选择和人工智能支持的任务卸载问题。数字孪生充分利用物理模型、传感器更新、运行历史等数据，映射真实的通信世界和虚拟空间，反映物理实体的全生命周期。当前，在mec环境中有一些关于服务缓存和数字孪生的相关研究，但是这些研究要么针对延迟进行优化，要么仅利用传统凸优化或启发式搜索算法进行处理，而针对移动边缘计算环境的电力物联网研究或使用深度强化学习算法进行优化处理的研究很少，尤其是结合服务缓存和数字孪生技术的研究更少。
技术实现思路
1、本专利技术提出一种基于数字孪生的电力物联网任务卸载方法、系统、设备及介质，其目的是解决电力物联网节点特定任务完成需求与移动边缘计算设备计算资源不均衡之间的矛盾的问题。
2、本专利技术提出的一种基于数字孪生的电力物联网任务卸载方法包括：
3、构建数字孪生辅助的移动边缘计算模型；
4、根据所述数字孪生辅助的移动边缘计算模型，获取边缘服务器的数字孪生；
5、获取电力物联网设备产生的请求任务，并将所述请求任务的特征信息输入到所述数字孪生辅助的移动边缘计算模型中，得到请求任务的数字孪生；
6、设置通信模型、计算模型、加权平均代价最小化问题及约束条件；
7、采用决策树选择边缘服务器，采用改进的深度强化学习算法训练所述边缘服务器的数字孪生中的神经网络模型，得到最优任务卸载与迁移策略，完成任务的卸载。
8、进一步地，提供优选实施方式：所述电力物联网设备产生的请求任务为：
9、，
10、其中，为电力物联网设备产生的请求任务，为请求任务集合。
11、进一步地，提供优选实施方式：所述请求任务的数字孪生为：
12、
13、其中，为电力物联网设备产生的任务特征，为电力物联网设备的位置信息，为电力物联网设备产生请求任务的概率。
14、进一步地，提供优选实施方式：所述边缘服务器的数字孪生为：
15、
16、其中为与电力物联网设备之间的通道状态，为边缘服务器的位置信息，为边缘服务器的可用cpu时钟周期，为边缘服务器托管的服务缓存集，为时变通道错误向量。
17、进一步地，提供优选实施方式：所述改进的深度强化学习算法基于多智能体深度确定性策略梯度算法实现。
18、进一步地，提供优选实施方式：所述通信模型为：
19、
20、其中，是归一化调整系数。
21、进一步地，提供优选实施方式：所述方法还包括：将所述加权平均代价最小化问题分解为边缘服务器卸载选择问题和边缘服务器任务卸载和迁移决策问题。
22、本专利技术还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行上述任意一种方式组合所述的一种基于数字孪生的电力物联网任务卸载方法。
23、本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质用于储存计算机程序，所述计算机程序执行上述任意一种方式组合所述的一种基于数字孪生的电力物联网任务卸载方法。
24、本专利技术还提供一种基于数字孪生的电力物联网任务卸载系统，包括：
25、数字孪生模型构建应用模块：用于构建数字孪生辅助的移动边缘计算模型，根据所述数字孪生辅助的移动边缘计算模型，获取边缘服务器的数字孪生；获取电力物联网设备产生的请求任务，并将所述请求任务的特征信息输入到所述数字孪生辅助的移动边缘计算模型中，得到请求任务的数字孪生；
26、模型设置模块：用于设置通信模型、计算模型、加权平均代价最小化问题及约束条件；
27、任务卸载模块：用于选择边缘服务器，采用改进的深度强化学习算法训练所述边缘服务器的数字孪生中的神经网络模型，得到最优任务卸载与迁移策略，完成任务的卸载。
28、与现有技术相比，本专利技术具有以下优势：
29、1. 本专利技术所述的方法利用数字孪生技术映射电力物联网设备和边缘服务器的数字副本，同时构建边缘计算网络数字化模型，数字孪生网络通过估计全局信息指导边缘协作，以提高最优策略的学习效果。
30、2. 本专利技术所述的方法在边缘服务器预先配置特定任务所需的特定服务缓存，降低任务处理时延和全局信息获取时延，提高加权平均代价。
31、3. 本专利技术所述的方法利用机器学习的决策树技术实现电力物联网设备任务卸载到哪个边缘服务器的选择决策，将任务优先卸载到符合卸载条件的边缘服务器端，提高任务执行效率。
32、4. 本专利技术所述的方法提出基于改进深度强化学习的任务卸载和迁移策略，在选择训练样本时，并没有在经验回放池中采用传统的随机选择方式；而是提出了一种基于差分和训练回合数的优先级选择样本方式，从而提高了方法的收敛速度。
33、综上所述，本专利技术所述的方法利用数字孪生构建了边缘计算环境下泛在电力物联网多节点任务处理网络模型，并提出一种结合基于决策树方法和改进深度强化学习方法处理最优任务卸载和迁移以加权平均代价最小化问题。
34、该方法能够降低泛在电力物联网节点的任务处理代价，即减少了任务处理的延迟和能耗代价。
35、本专利技术适用于智慧城市、建筑楼宇、全自动交通控制等场景。
本文档来自技高网...【技术保护点】
1.一种基于数字孪生的电力物联网任务卸载方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于数字孪生的电力物联网任务卸载方法，其特征在于，所述电力物联网设备产生的请求任务为：
3.根据权利要求1所述的一种基于数字孪生的电力物联网任务卸载方法，其特征在于，所述请求任务的数字孪生为：
4.根据权利要求1所述的一种基于数字孪生的电力物联网任务卸载方法，其特征在于，所述边缘服务器的数字孪生为：
5.根据权利要求1所述的一种基于数字孪生的电力物联网任务卸载方法，其特征在于，所述改进的深度强化学习算法基于多智能体深度确定性策略梯度算法实现。
6.根据权利要求1所述的一种基于数字孪生的电力物联网任务卸载方法，其特征在于，所述通信模型为：
7.根据权利要求1所述的一种基于数字孪生的电力物联网任务卸载方法，其特征在于，所述方法还包括：将所述加权平均代价最小化问题分解为边缘服务器卸载选择问题和边缘服务器任务卸载和迁移决策问题。
8.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于储存计算机程序，所述计算机程序执行权利要求1-7中任一项所述的一种基于数字孪生的电力物联网任务卸载方法。
10.一种基于数字孪生的电力物联网任务卸载系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种基于数字孪生的电力物联网任务卸载方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于数字孪生的电力物联网任务卸载方法，其特征在于，所述电力物联网设备产生的请求任务为：
3.根据权利要求1所述的一种基于数字孪生的电力物联网任务卸载方法，其特征在于，所述请求任务的数字孪生为：
4.根据权利要求1所述的一种基于数字孪生的电力物联网任务卸载方法，其特征在于，所述边缘服务器的数字孪生为：
5.根据权利要求1所述的一种基于数字孪生的电力物联网任务卸载方法，其特征在于，所述改进的深度强化学习算法基于多智能体深度确定性策略梯度算法实现。
6.根据权利要求1所述的一种基于数字孪生的电力物联网任务卸载方法，其特征在于，所述通信模型为：...
【专利技术属性】
技术研发人员：柯洪昌，吴桐，佘向飞，赵慧玲，于萍，
申请(专利权)人：长春工程学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。