买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华北电力大学申请的专利时间同步误差感知的边端协同分布式能源调控方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116436984B 。

龙图腾网通过国家知识产权局官网在2025-09-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310356525.8，技术领域涉及：H04L67/63；该发明授权时间同步误差感知的边端协同分布式能源调控方法及系统是由周振宇;王曌;姚子佳;舒乙凌;廖海君设计研发完成，并于2023-04-06向国家知识产权局提交的专利申请。

本时间同步误差感知的边端协同分布式能源调控方法及系统在说明书摘要公布了：本发明涉及时间同步误差感知的边端协同分布式能源调控方法及系统，属于通信技术领域。本发明提出时间同步误差敏感的边端协同分布式能源调控方法，通过联合优化路由选择和设备调度策略以实现边侧网关和端侧设备协同的分布式能源调控模型训练，以最小化基于时间同步误差的全局损失函数和平均模型训练总时延的加权和为优化目标，动态权衡模型训练精度和时延，为智慧园区低碳运行提供低时延、高精度的分布式能源调控策略。并且提出时间同步误差感知的边端协同分布式能源调控系统，设备基于所提方法生成的路由选择和设备调度策略进行本地模型训练与上传，最终网关进行分布式能源调控全局模型的聚合，实现低时延、高精度分布式能源调控。

本发明授权时间同步误差感知的边端协同分布式能源调控方法及系统在权利要求书中公布了：1.时间同步误差感知的边端协同分布式能源调控方法，其特征在于：具体调控步骤为： 获得边层时间同步信号，通过边缘网关从卫星或地面基站接收时间同步信号； 将所述边层时间同步信号传输至终端层，并基于边端协同训练分布式能源调控全局模型和本地模型，建立路由选择及时间同步模型、基于时间同步误差的设备调度及本地模型训练模型、分布式能源调控全局聚合模型和模型训练时延模型； 基于所述路由选择及时间同步模型中的长期时间同步误差约束、基于时间同步误差的设备调度及本地模型训练模型、分布式能源调控全局聚合模型和模型训练时延模型，获得边端协同下基于路由选择和设备调度策略优化的分布式能源调控模型训练优化问题模型； 将上述边端协同分布式能源调控模型训练优化问题模型基于伸缩和和虚拟队列进行转换，进一步转化为马尔可夫问题，并基于PDDQN的时间同步误差敏感边端协同分布式能源调控算法进行求解，根据求解结果，获得所述路由选择与设备调度策略，以及训练后的所述分布式能源调控全局模型，确定时间同步误差感知的边端协同分布式能源调控； 所述路由选择及时间同步模型具体为： ①基于PTP的网关与中继之间的时间同步过程 在第t次迭代中，网关m0通过PTP协议实现与中继sj之间的时间同步，获得两者之间Delay_req与Sync时间同步报文传输的时间戳则网关m0与中继sj之间的时间同步误差表示为： 其中，|UDt|为Delay_req报文的大小，|USt|为Sync报文的大小，和分别为网关m0与中继sj之间的上行及下行传输速率； ②基于PTP的中继与设备之间的时间同步过程 同理，基于PTP的中继与设备之间的时间同步过程中获得时间同步报文传输时间戳分别为和则第t次迭代中继sj与设备mi之间的时间同步误差表示为： 其中，和分别为中继sj与设备mi之间的上行及下行传输速率； 综上，网关m0和设备mi之间的时间同步误差表示为： 路由选择指示变量用二进制变量xj,i∈{0,1}表示，其中，xj,it＝1表示第t次迭代中选择中继sj来实现从m0到mi的时间同步报文和全局模型下发，同时实现从mi到m0的本地模型上传，否则xj,it＝0 ③长期时间同步误差约束 长期时间同步误差约束为： 其中，Ei,max表示m0与mi之间的长期同步误差的最大阈值； 所述基于时间同步误差的设备调度及本地模型训练模型具体为： 第t次迭代中，可调度设备的集合表示为即，Emax为短期时间同步误差约束，用于对设备的可调度性进行区分；设备调度指示变量用二进制变量ait∈{0,1}表示，其中，ait＝1表示第t次迭代中设备mi参与模型训练，否则ait＝0； 网关m0通过所选择的中继下发全局模型ωt-1给被调度设备mi；然后，设备mi更新本地模型ωit＝ωt-1并基于状态信息数据样本集合执行本地模型训练，其中为设备mi的第k个数据样本，βit为设备mi的在第t次迭代中数据样本的数量；为衡量本地模型训练的精度，定义设备mi在第t次迭代的本地损失函数为： 其中，表示训练样本的损失函数，随着Eit的增大而增大，Fiωit,t,Eit用于本地模型更新，基于梯度下降法，设备mi的本地模型为： 其中，σ为学习步长； 设备mi的本地模型训练时延表示为： 其中，ψ为训练一个数据样本所需的CPU周期数，fit为mi可用计算资源； 所述分布式能源调控全局聚合模型具体为： 本地模型训练结束后，设备mi通过对应的中继sj上传本地模型到网关m0，并在网关处执行全局模型聚合 评估全局模型训练精度的全局模型损失函数表示为： 其中，Et＝{Eit|ait＝1}； 所述模型训练时延模型具体为： 1上下行传输速率 在第t次迭代中，网关m0与中继sj之间下行传输速率为 其中，Ns为OFDM符号传输速率，为第t次迭代网关m0与中继sj之间的下行传输功率，为第t次迭代网关m0与中继sj之间的频率响应，表示网关m0与中继sj之间的信干噪比signaltointerferenceplusnoiseratio，SINR间隙，为第t次迭代网关m0与中继sj之间的电磁干扰功率，δ0为高斯白噪声功率； 同理，可将网关m0与中继sj之间上行传输速率、中继sj与设备mi之间的下行传输速率、中继sj与设备mi之间的上行传输速率分别表示为 和； 2模型传输时延 在第t次迭代中，从网关m0到设备mi的全局模型下发时延包括从m0到sj的下行传输时延和从sj到mi的下行传输时延，表示为： 其中，|ωt-1|表示全局模型的大小； 在第t次迭代中，从设备mi到网关m0的本地模型上传时延包括从mi到sj的上行传输时延和从sj到m0的上行传输时延，表示为： 其中，|ωit|表示本地模型的大小； 3分布式能源调控模型训练总时延 在第t次迭代中，设备mi的训练总时延包括全局模型下发时延、本地模型训练时延和本地模型上传时延，表示为： 全局模型聚合在被调度设备完成本地模型上传之后执行，因此，在第t次迭代中，分布式能源调控模型训练总时延表示为： 其中，τg为全局模型聚合时延； 所述边端协同下基于路由选择和设备调度策略优化的分布式能源调控模型训练优化问题模型具体为： 定义路由选择和设备调度的优化变量分别为xt＝{xj,it|mi∈M,sj∈S}和 该优化问题可建模为： 其中，V是权重参数，用于动态权衡全局损失函数与平均模型训练总时延；C1，C2和C3为路由选择约束，表示每次迭代中网关最多只能为每个设备选择一个中继；C4和C5为设备调度约束，表示第t次迭代中仅集合内设备是可调度的；C6为长期时间同步误差约束； 基于伸缩和定理和虚拟队列，将长期优化目标变量Fωt,t,Et和长期时间同步误差约束C6进行解耦，P1转换为 s.t.C1～C5其中，VD是权衡队列波动和Πt最小化的权重； 所述为马尔可夫问题包括状态空间、动作空间与奖励函数，具体定义如下： 1状态空间： 基于PDDQN的路由选择优化的状态空间包括数据样本数量、时间同步误差最大阈值、Delay_Req报文大小、Sync报文大小和电磁干扰功率，即 基于DQN的设备调度优化的状态空间为其中，E′t,Gt,βt分别为时间同步误差、同步误差赤字和可调度设备数据样本数量的集合，即， 2动作空间： 定义路由选择优化的动作空间为其中， 定义设备调度优化问题的动作空间为Aat＝at； 3奖励函数： 路由选择和设备调度优化的奖励函数定义为P2的优化目标REt； 所述基于PDDQN的时间同步误差敏感边端协同分布式能源调控算法的具体步骤为： ①初始化阶段：初始化时间同步误差赤字Git、路由选择和设备调度变量xt,at为0； ②对抗性路由选择和时间同步阶段：每次迭代开始时，m0为每个设备选择具有最大的动作，当存在对抗性竞争即为不同设备选择同一中继时，将中继分配给Q值较大的设备，如果两个设备Q值相同，将中继随机分配给其中一个设备，对于未成功分配中继的设备，网关将基于该设备剩余Q值中的最大值进行中继分配直至所有中继都被分配，或全部设备都已被分配中继，随后，m0基于最终路由选择策略完成边端时间同步；为PDDQN的一个评估网络，和分别为价值函数和优势函数的网络参数； ③设备调度决策阶段：m0根据得到mi的时间同步误差，并得到可调度设备集合；随后，m0基于ε-greedy算法和QaSat,Aat,vmain选择时间同步误差敏感的设备调度策略vmain为DQN的一个评估网络； ④模型训练阶段：基于路由选择和设备调度决策，m0下发全局模型给被调度设备；接着，mi根据执行本地模型训练并上传训练后的本地模型到m0；随后，m0根据执行全局模型聚合；最后，m0根据公式Git+1＝max{Git+Eit-Ei,max,0}更新时间同步误差赤字Git+1并根据 计算奖励REt； ⑤对抗性PDDQN学习阶段：对于设备mi，m0将当前状态转换到下一状态 同时，生成一个PDDQN样本存入经验回放池并覆盖之前的PDDQN样本其中，Z是的大小；设被分配给设备mi的中继为所提算法TARGET定义惩罚函数为： 其中，为在第t次迭代中被选择分配给不同设备的次数，反映了对抗性竞争强度；基于惩罚函数，定义第z个PDDQN样本的TD误差为： 其中，γx是PDDQN的折扣因子；根据 越大表明在路由选择优化中被选择的次数越多，即对抗性竞争强度越大，而这产生的较大的TD误差使PDDQN沿着更倾向于避免选择的方向更新，解决了对抗性竞争问题； m0在PDDQN经验回放池中随机抽取S个经验样本组成集合且满足SZ，则PDDQN的损失函数为： 基于梯度下降法，m0更新为： 其中，为PDDQN学习速率；PDDQN目标网络每T01次迭代更新一次，更新为 ⑥DQN学习阶段：m0将当前状态Sat转换到下一状态Sat+1；同时，生成一个DQN样本存入经验回放池并覆盖之前的DQN样本其中，K是的大小；定义第k个DQN样本的TD误差为： 其中，γa为DQN折扣因子； m0在DQN经验回放池中随机抽取H个经验样本组成集合且满足HK；DQN的损失函数为： 基于梯度下降法，m0更新vmain为： 其中，为DQN学习速率；DQN目标网络每T01次迭代更新一次，更新为vtarget＝vmain； 重复上述步骤②到步骤⑥，直至T次迭代结束；随后，利用训练后的分布式能源调控模型，根据实时负载、储能单元状态、光照强度输入，可以生成分布式能源调控策略，以改善能源供需平衡，并促进可再生能源利用。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华北电力大学，其通讯地址为：102200 北京市昌平区北农路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。