[发明专利]基于云-边缘协同的全双工智能电力数据分发方法

权利要求书

1.一种基于云-边缘协同的全双工智能电力数据分发方法，其特征在于，包括以下步骤：

步骤1：通过虚拟化技术，以边缘计算单元的平均资源利用率为优化目标，建立全双工电力数据分发的资源利用率模型；

步骤2：通过将数据分发的时间消耗划分为不同类型的数据传输时延，建立全双工电力数据分发的时间消耗模型；

步骤3：通过施加约束条件，将上述资源利用率模型和时间消耗模型定义为一个多目标优化问题的目标函数；

步骤4：通过基于参考点的多目标快速非支配排序遗传算法，优化上述目标函数，得出最佳分发策略。

2.根据权利要求1所述的基于云-边缘协同的全双工智能电力数据分发方法，其特征在于，所述步骤1包括：

步骤1.1：设云-边缘协同的智能电力数据采集与分发系统中存在的边缘计算单元个数为W，则所有的边缘计算单元被表示为E＝{e₁,e₂,…,e_W}；每个边缘计算单元中包含一个用于接入数据的访问节点和多个用于数据处理的边缘服务器，设单个边缘计算单元中包含的边缘服务器个数为M；通过虚拟化技术将第m个边缘服务器划分为α_m个虚拟机，则单个边缘计算单元的计算能力被其中的总虚拟机数量量化：

其中，是一个二值算子，当边缘服务器s_m存在于c_w中时，的值为1，反之则为0；

步骤1.2：在计算出边缘计算单元的计算能力后，计算出第w个边缘计算单元的资源利用率：

其中，N表示智能电力设备的数量，χ_n表示处理第n个电力设备生成的数据D_n所需要的虚拟机数量，是一个二值算子，当数据D_n被部署到第m个边缘服务器上时，其值为1，反之为0；

步骤1.3：获取所有被分发到数据的边缘计算单元数量：

其中，g_w(X)是一个二值算子，当第w个边缘计算单元被分发到数据时，其值为1，反之为0；

步骤1.4：在获取了单个边缘计算单元的资源利用率和所有被分发到数据的边缘计算单元数量后，将所有边缘计算单元的平均利用率模型建立为：

3.根据权利要求2所述的基于云-边缘协同的全双工智能电力数据分发方法，其特征在于，所述步骤2包括：

步骤2.1：计算智能电力设备和边缘计算单元的访问节点之间的传输时延：

其中，ν_n为数据D_n的尺寸，τ_D2A为智能电力设备和边缘计算单元的访问节点之间的数据传输率；

步骤2.2：计算数据D_n在多个访问节点之间的传输时延：

其中，τ_A2A为不同访问节点之间的数据传输率，υ_n(x_n)为经过的访问节点数量；

步骤2.3：计算访问节点与边缘服务器之间的传输时延：

其中，τ_A2E为访问节点与边缘服务器之间的数据传输率；

步骤2.4：计算访问节点与电力云数据中心之间的传输时延：

其中，τ_A2C为访问节点与电力云数据中心之间的数据传输率；

步骤2.5：计算数据分发的总体传输时间消耗：

由于智能电力数据采集与分发系统采用全双工方式传输，因此电力数据分发的时间消耗模型被建立为：

4.根据权利要求3所述的基于云-边缘协同的全双工智能电力数据分发方法，其特征在于，所述步骤3包括：

步骤3.1：约束单个智能设备生成数据在第m个边缘计算单元中所请求的虚拟机数量小于等于该边缘计算单元中的虚拟机总数：

步骤3.2：约束被分发到电力数据的边缘计算单元的数量大于0且小于M：

步骤3.3：根据上述约束条件，建立电力数据分发问题的多目标优化模型：

min(L(X)),max(U(X))

s.t.

5.根据权利要求1所述的基于云-边缘协同的全双工智能电力数据分发方法，其特征在于，所述步骤4包括：

步骤4.1：对数据的分发策略进行编码，将单个分发任务表示为一个基因。将所有的基因组合构成染色体，染色体表示一个可选的分发策略；

步骤4.2：设置种群大小、变异概率、交叉概率以及优化过程的迭代次数，并生成参考点；

步骤4.3：根据上述步骤3.3所得优化模型，计算父代种群的适应度，来作为筛选分发策略的决策标准，即选出同时优化了资源利用率和传输时耗的分发策略；

步骤4.4：交叉与变异操作，即采用两条染色体结合与改变基因这两种方式来生成新的染色体，以保证种群中个体的多样性；

步骤4.5：计算子代的适应度，并组合父代与子代的种群；

步骤4.6：对当前的种群实施非支配排序；

步骤4.7：根据排序后的对应参考点进行下一个种群的染色体选择，直至选择的解的数量变成初始种群大小的两倍或达到了最大迭代次数时，停止迭代并在最大的非支配前沿中随机选择后代的解，得到智能电力数据分发的最优策略X。