基于深度學習的電力物聯網邊緣計算任務快速調度方法研究

摘要：由于電力物聯網邊緣設備計算能力有限，任務調度時延較高，因此設計基于深度學習的電力物聯網邊緣計算任務快速調度方法。構建深度學習模型，根據邊緣計算任務調度中的可靠性概率，確定約束條件，構建一個電力物聯網邊緣計算任務調度模型，采用交替方向乘子法等先進算法求解該模型，實現電力物聯網中邊緣計算任務的快速調度。實驗表明，在實時性要求極高的T2任務上，設計方法將時延降低至60 ms，這表明深度學習在電力物聯網邊緣計算任務快速調度上的優越性。

關鍵詞：深度學習 電力物聯網 邊緣計算 任務快速調度 可靠性概率

中圖分類號：TP391文獻標識碼：A

Research on Fast Scheduling Method of Edge Computing Tasks in Power Internet of Things Based on Deep Learning

HAN Jiaxiong" GU Yongsheng

Jiangsu Electric Power Information Technology Co.， Ltd，

Nanjing， Jiangsu Province， 210000 China

Abstract： Due to the limited computing capacity of power Internet of Things （IoT） edge devices and high task scheduling delay， a fast scheduling method for power IoT edge computing tasks based on deep learning is designed. It builds a deep learning model， determines the constraint conditions according to the reliability probability of edge computing task scheduling， builds a edge computing task scheduling model for power IoT， and uses advanced algorithms such as alternating direction multiplier method to solve the model， so as to achieve fast scheduling of edge computing tasks in power IoT. Experiments show that on T2 tasks with high real-time requirements， the design method reduces the delay to 60 ms， which indicates the superiority of deep learning in the fast scheduling of edge computing tasks in the power IoT.

Key Words： Deep learning; Power Internet of Things; Edge computing; Fast task scheduling; Reliability probability

面對大規模、高動態的數據處理需求時，電力物聯網中的邊緣計算任務調度問題日益復雜，如何實現任務的快速、高效調度成為亟待解決的關鍵問題。其中，陳剛等人[1]基于混合蟻群優化算法提出了邊緣計算細粒度任務調度方法，在一定仿真區域內，將任務調度能耗控制在150 kW/h以內。此外，李開言等人[2]基于改進灰狼優化算法的邊緣計算任務調度方法，通過靈活調節灰狼優化算法中的非線性收斂系數與權重參數，實現對算法性能的動態優化。但上述兩種方法具有一定局限性，為此本文將深度學習應用于電力物聯網邊緣計算任務調度中，為任務調度提供精確的數據支持。通過深度學習模型[3]，對電力物聯網中的設備狀態、數據流量、任務類型等進行全面感知和精準預測，從而為任務調度決策提供科學依據。

1 邊緣計算任務調度目標函數

在電力物聯網的邊緣計算中，引入了深度學習技術以精準預測并優化任務調度目標。設想存在種核心計算資源，如GPU、FPGA、特定加速卡[4]等，共同構成資源池，而種類型的邊緣計算任務，依據其資源需求與性能要求被劃分為。設表示執行第類任務所需第類資源的單位數量，則代表當前系統中為第類任務分配的第類資源總量。定義為當前系統中第類任務的數量，而為電力物聯網期望達成的第類任務完成效率或質量指標。基于這些定義，構建優化目標函數。

該目標函數綜合考慮了多個維度，利用深度學習模型，對大量歷史數據的學習與分析，電力物聯網自動提取出影響任務調度效果的關鍵因素，并依據這些因素動態調整目標函數中的權重分配。引入一組權重參數，量化對不同指標的重視程度。轉化綜合評估加權后的性能指標，形式如下。

式（2）中：表示關注的性能指標數量；為性能指標類型時的加權函數（當i=1時，對應響應時間；當i=2時對應能耗）。

2 構建電力物聯網邊緣計算任務調度模型

在構建電力物聯網邊緣計算任務調度模型時，定義了任務完成質量的評估標準為可靠性指數，其隨時間波動遵循正態分布規律。基于這一特性，采用伽馬分布[5]來模擬邊緣計算任務調度中的可靠性概率變化，通過數學公式計算為

式（3）中：表示伽馬分布的形狀參數；表示伽馬分布的尺度參數；表示時間；表示時間衰減的趨勢；表示伽馬函數。

邊緣計算任務調度中的可靠性概率需要滿足特定的安全約束條件，確保可靠性不低于閾值，約束條件公式為

式（4）中：和分別表示考慮的時間區間的起始和結束時間。

這個約束條件確保了在整個時間區間內，邊緣計算任務調度的可靠性概率都不會低于。如果在某個時間點低于，則任務調度策略可能需要調整以滿足安全要求。

構建電力物聯網邊緣計算任務調度模型，公式為

電力物聯網邊緣計算任務調度通常需要在實時環境中進行，需要處理動態變化的系統狀態和任務請求。

3 求解模型實現電力物聯網邊緣計算任務快速調度

構建電力物聯網邊緣計算任務調度模型后，選擇交替方向乘子法作為求解策略，通過設計的內外兩層迭代框架[6]，完成模型求解，實現電力物聯網邊緣計算任務快速調度。以下是該算法的具體步驟：

（1）對于，執行外部迭代操作，從電力物聯網核心服務器獲取當前的邊緣計算任務調度參數，更新激勵參數為，具體更新規則可能依賴和其他系統狀態，將更新后的激勵參數廣播至所有設備端。

（2）對于每個外部迭代，執行次內部迭代，在電力物聯網核心服務器上，根據當前激勵參數和其他系統信息，求解對偶參數，更新對偶參數至，具體更新規則依賴問題結構，將更新后的對偶參數反饋至所有設備端，用于指導下一輪的任務調度。

（3）在每次外部迭代結束時，根據參數變化量小于預設閾值，來檢查是否達到收斂。如果未收斂，則調整激勵參數，并繼續執行外部迭代。重復上述過程，直至找到電力物聯網邊緣計算任務快速調度的最優解。

4 實驗

4.1 實驗準備

為了驗證基于深度學習的電力物聯網邊緣計算任務快速調度方法的性能，選取電力物聯網架構進行仿真實驗。實驗環境搭建在Python 3.8與TensorFlow2.x框架下，利用Jupyter Notebook進行代碼編寫與結果展示。為了更貼近實際應用場景，引入任務調度策略執行時的資源消耗，實驗所用參數如表1所示。

本次實驗基于電力物聯網的實際運行數據，該數據集由超過15 000臺邊緣服務器構成的廣泛網絡，為期2個月的詳細負載與任務執行記錄。從中精心篩選了2個月內的任務事件數據，以構建貼近真實場景的測試案例。這些任務數據不僅涵蓋了多樣化的計算需求與實時性要求，還融入了設備間的復雜交互與通信能耗特征，任務的具體描述如表2所示。

為了評估所提出的基于深度學習的電力物聯網邊緣計算任務快速調度方法的有效性，本文采取對比分析方法，將該方法與陳剛等人[1]提出的混合蟻群優化調度方法、李開言等人[2]提出的改進灰狼優化調度方法進行對比。在確保電力物聯網能耗維持于最低閾值的前提下，得出各類型任務的時延，結果如圖3所示。

4.2 實驗結果分析

從圖1可以看出，在實時性要求極高的T2任務上，本文方法時延為60 ms，這表明本文方法在快速響應和實時性保障方面具有顯著優勢。在處理計算復雜度較高的T3任務時，本文方法時延在三種方法中最低，體現了其在處理復雜計算任務時的高效性。實驗結果充分驗證了本文提出的基于深度學習的電力物聯網邊緣計算任務快速調度方法的有效性和優越性，在降低邊緣計算時延、提高任務處理效率方面表現出色。

5 結語

在電力物聯網邊緣計算任務調度的研究中，融合深度學習與智能優化算法的方法展現出了顯著的優勢，不僅提升了任務調度的速度和效率，還優化了資源分配與能耗管理。隨著技術的不斷進步，這一方法將在未來智能電網的構建中發揮更加核心的作用，推動電力物聯網向更加智能化、高效化方向發展。

參考文獻

[1]陳剛，王志堅.基于混合蟻群優化的邊緣計算細粒度任務調度方法[J].計算機測量與控制，2022，30（11）：233-239.

[2]李開言，王亞剛，張濤.基于改進灰狼優化算法的邊緣計算任務調度方法[J].信息與控制，2022，51（4）：489-497，512.

[3]丁忠林，李洋，曹委，等. 基于深度Q學習的電力物聯網任務卸載研究[J].計算機與現代化，2022（11）：75-80，88.

[4]王宏剛，孫明月，簡燕紅，等. 電力物聯網中基于深度學習的無蜂窩接入點選擇算法[J].現代電力，2021，38（5）：529-534.

[5]王眾曉，彭青藍，孫若驍，等. 一種時延能耗感知的在軌邊緣計算任務卸載調度方法[J].計算機科學，2024，51（S1）：754-762.

[6]巨濤，王志強，劉帥，等. D3DQN-CAA：一種基于DRL的自適應邊緣計算任務調度方法[J].湖南大學學報（自然科學版），2024，51（6）：73-85.