基于上下文学习的电力物联网接入控制方法

针对6G时代电力物联网海量终端接入冲突严重、队列积压大、能量效率低等问题,提出了一种基于上下文学习的接入控制算法。所提算法基于强化学习和快速上行链路授权技术,考虑终端活跃与休眠2种状态,优化目标为在终端接入服务质量需求的长期约束下最大化网络总能量效率。利用李雅普诺夫优化对长期优化目标与约束进行解耦,将长期优化问题转化为单时隙独立的确定性子问题,并利用基于终端状态感知的上置信界算法进行求解。仿真结果表明,所提算法能够在满足终端接入服务质量需求的同时,有效提高网络总能量效率。相较于传统快速上行链路授权算法,所提算法可提高平均能量效率48.11%,提高满足接入服务质量需求的终端比例54.95%,降低平均队列积压83.83%。     

面向调控信息新鲜度保障的电力至简物联网资源优化

信息新鲜度对分布式能源调控模型训练精度具有重要影响。信息新鲜度较差会导致训练模型损失值增加,降低调控可靠性与经济性,影响能量实时供需平衡。电力至简物联网能够为分布式能源调控提供即插即用、多模态融合的通信支撑,但仍面临跨域资源优化与模型训练适配性差、调控信息新鲜度难以保障等挑战。针对上述问题,提出基于调控信息新鲜度感知的通信与计算资源协同优化算法,通过赤字虚拟队列演进感知调控信息新鲜度偏差。在此基础上,利用深度Q网络学习信道分配与批量规模联合优化策略,最小化模型损失函数,保障调控信息新鲜度长期约束。仿真结果表明,相较于基于联邦深度强化学习的低时延资源分配算法与自适应联邦学习批量规模优化算法,所提算法使全局损失函数降低57.19%和24.60%,信息新鲜度提高35.34%和49.05%。