典型文献
面向调控信息新鲜度保障的电力至简物联网资源优化
文献摘要：
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％.
文献关键词：
电力至简物联网;分布式能源调控;调控信息新鲜度;多模态通信;跨域资源协同
中图分类号：
作者姓名：
廖海君;贾泽晗;周振宇;刘念;王飞;甘忠;姚贤炯
作者机构：
华北电力大学河北省电力物联网技术重点实验室,河北 保定 071003;国网上海市电力公司电力调度控制中心,上海 200122
文献出处：
引用格式：
[1]廖海君;贾泽晗;周振宇;刘念;王飞;甘忠;姚贤炯-.面向调控信息新鲜度保障的电力至简物联网资源优化)[J].通信学报,2022(07):203-214
A类：
调控信息新鲜度,电力至简物联网,分布式能源调控,多模态通信,跨域资源协同
B类：
资源优化,调控模型,模型训练,训练模型,损失值,低调,供需平衡,即插即用,多模态融合,适配性,计算资源,协同优化,赤字,网络学习,信道分配,量规,联合优化,损失函数,期约,深度强化学习,低时延,资源分配算法,联邦学习
AB值：
0.186506
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
