面向差异化业务需求,电力物联网(Electric Internet of Things,EIoT)需要设计与之适配的数据处理架构,该架构将引入数据缓存、边缘处理等功能,并且涵盖EIoT中数据的清洗、过滤和融合等关键步骤。此外,在该架构基础上,需要同时满足大规...面向差异化业务需求,电力物联网(Electric Internet of Things,EIoT)需要设计与之适配的数据处理架构,该架构将引入数据缓存、边缘处理等功能,并且涵盖EIoT中数据的清洗、过滤和融合等关键步骤。此外,在该架构基础上,需要同时满足大规模数据传输需求,尤其是将电力终端的能源效率(Energy Efficiency,EE)作为保障测量、监控、控制等多个电力运行环节超可靠低延迟通信(Ultra-Reliable and Low-Latency Communication,URLLC)的重要依据。在URLLC中,功率分配被认为是提高能效与数据处理效率的有效方法。然而,由于URLLC的特殊要求,传统香农公式在其中并不适用。因此,需要使用有限块长度编码理论来确保超可靠和低延迟的通信。文中解决了EIoT中URLLC的能效优化问题,并引入自适应深度神经网络,该技术可以根据不同电力设备接入数量,动态优化深度神经网络参数。深度神经网络将要优化的功率分配函数参数化,以无监督的方式离线训练,并可以在线部署以实现实时的功率分配结果。最后,仿真结果表明了所提方法在数据处理效率方面的有效性。展开更多
文摘面向差异化业务需求,电力物联网(Electric Internet of Things,EIoT)需要设计与之适配的数据处理架构,该架构将引入数据缓存、边缘处理等功能,并且涵盖EIoT中数据的清洗、过滤和融合等关键步骤。此外,在该架构基础上,需要同时满足大规模数据传输需求,尤其是将电力终端的能源效率(Energy Efficiency,EE)作为保障测量、监控、控制等多个电力运行环节超可靠低延迟通信(Ultra-Reliable and Low-Latency Communication,URLLC)的重要依据。在URLLC中,功率分配被认为是提高能效与数据处理效率的有效方法。然而,由于URLLC的特殊要求,传统香农公式在其中并不适用。因此,需要使用有限块长度编码理论来确保超可靠和低延迟的通信。文中解决了EIoT中URLLC的能效优化问题,并引入自适应深度神经网络,该技术可以根据不同电力设备接入数量,动态优化深度神经网络参数。深度神经网络将要优化的功率分配函数参数化,以无监督的方式离线训练,并可以在线部署以实现实时的功率分配结果。最后,仿真结果表明了所提方法在数据处理效率方面的有效性。
