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！

龙图腾网获悉南京邮电大学申请的专利一种智能电网中面向数字孪生的低延迟分层计算卸载方法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：CN121367958B 。

龙图腾网通过国家知识产权局官网在2026-04-03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：202511951328.6，技术领域涉及：H04W28/08；该发明授权一种智能电网中面向数字孪生的低延迟分层计算卸载方法是由代陈;李文强;桂林卿;左益平;肖甫设计研发完成，并于2025-12-23向国家知识产权局提交的专利申请。

本一种智能电网中面向数字孪生的低延迟分层计算卸载方法在说明书摘要公布了：本发明公开了一种智能电网中面向数字孪生的低延迟分层计算卸载方法，构建了包含无人机、虚拟服务提供商及边缘计算节点的三层协同架构。首先，建立考虑无人机轨迹约束与通信约束的数据采集模型及分层计算卸载模型；其次，构建以最小化系统端到端总时延为目标的联合轨迹与分层卸载优化问题；随后，基于目标函数加性结构将该非凸问题分解为两个子问题，分别采用时延感知的多智能体深度确定性策略梯度算法优化无人机轨迹与第一阶段卸载决策，以及采用均衡驱动的极小极大优化策略求解第二阶段任务卸载比例。最后基于新洞察数据实时更新数字孪生模型。本发明能够有效提升智能电网的全域感知能力，显著降低系统总时延，保障数字孪生模型的实时精准同步。

本发明授权一种智能电网中面向数字孪生的低延迟分层计算卸载方法在权利要求书中公布了：1.一种智能电网中面向数字孪生的低延迟分层计算卸载方法，其特征在于，所述方法包括如下步骤： 步骤S1：构建面向智能电网数字孪生DT的三层网络系统模型；所述系统模型包括数据采集与传输模型以及无人机UAV飞行轨迹模型； 步骤S2：基于所述系统模型，量化数据从传感器采集、无人机中继传输到虚拟服务提供商VSP、VSP本地与边缘计算EC节点协同计算的分层任务计算卸载模型，以及端到端全链路时延，并定义数字孪生应用的时延约束要求； 所述分层任务计算卸载模型及端到端全链路时延的具体定义如下： 1第一阶段卸载UAV到VSP模型：无人机作为中继，将收集到的数据按比例卸载至VSP；传输时延为 1； 其中，为无人机收集的总数据量；为无人机与VSP之间的传输速率： 2； 其中，为无人机传输带宽；为无人机发射功率；为无人机与VSP之间的噪声功率；为无人机与VSP间的信道增益； 2第二阶段卸载VSP到EC模型：VSP接收数据后，按比例进行本地计算，剩余卸载至个边缘计算节点；VSP本地计算时延定义为 3； 其中，表示任务计算复杂度；表示VSP服务器的CPU频率；边缘计算时延包含：VSP将数据传输给EC节点的传输时延： 4； 其中为VSP到EC节点的传输速率，计算如下： 5； 其中，为分配给VSP的带宽，为VSP的发射功率，为VSP的坐标，为共享信道干扰，为背景噪声功率；EC节点的计算时延： 6； 其中，为分配给EC节点的比例；为VSP到EC的传输速率；为EC节点的CPU频率；边缘计算时延由并行处理中最慢的分支决定 7； 3VSP总处理时延与系统总时延：VSP层的最终处理时延为本地与边缘时延的较大值决定： 8； 因此，无人机的端到端全链路系统总时延为： 9； 其中为传感器到无人机的数据采集时延； 步骤S3：针对无人机飞行轨迹、第一阶段卸载决策UAV到VSP及第二阶段卸载决策VSP到EC的强耦合特性，构建以最小化系统平均端到端总时延为目标的联合轨迹规划与分层卸载优化问题模型P； 步骤S4：针对问题P的混合整数非线性规划MINLP特性，利用目标函数的加性结构，将原问题分解为两个相互独立且并行求解的子问题：即非凸的无人机轨迹与第一阶段卸载子问题P1，以及凸的第二阶段卸载子问题P2； 步骤S5：针对子问题P1，将其建模为多智能体马尔可夫决策过程MAMDP，并提出一种延迟感知的多智能体深度确定性策略梯度LA-MADDPG算法，通过集中式训练分布式执行CTDE架构迭代求解无人机连续飞行控制策略及第一阶段任务卸载比例； 所述LA-MADDPG算法的具体建模与定义如下： 1观测空间：每个无人机智能体在时刻的观测状态定义为： 10； 其中，为无人机自身坐标；为与其他无人机的相对距离；为与VSP的相对距离；为与传感器的相对距离；为传感器数据采集状态；为当前通信速率； 2动作空间：智能体的动作包含连续的飞行控制量与卸载控制量： 11； 其中，为飞行航向角，为第一阶段卸载比例； 3奖励函数：定义延迟感知的复合奖励函数为： 12； 其中，为无人机的系统总时延，奖励包含正向奖励与负向奖励，下面将详细介绍： 为正向引导奖励，包括：数据采集奖励：，其中为已采集数据量，为总数据量；高效卸载奖励：，其中为理想卸载比例；距离接近奖励：，鼓励无人机靠近目标； 为惩罚项，包括：时延超限惩罚：；碰撞惩罚：；越界惩罚：，其中为越界距离； 所述LA-MADDPG算法的具体执行流程包括： 步骤S5-1：初始化每个智能体的Actor网络和Critic网络，以及对应的目标网络；初始化经验回放池 步骤S5-2：在每一时刻，智能体根据Actor网络生成动作，并加入探索噪声 13； 步骤S5-3：接下来，执行联合动作，获得奖励并转移到下一状态；接着，将和进行归一化操作，使模型训练更加稳定： 14； 然后将归一化后的转换元组存入经验回放池； 步骤S5-4：接下来，从经验回放池中采样小批量数据，利用目标网络计算目标Q值： 15； 其中，为折扣因子； 步骤S5-5：接下来，通过最小化损失函数更新Critic网络参数： 16； 步骤S5-6：然后，通过确定性策略梯度更新Actor网络参数： 17； 步骤S5-7：最后，采用软更新系数更新目标网络参数，完成一次迭代； 18； 19； 步骤S6：针对子问题P2，利用VSP与EC节点的计算资源均衡原理，提出一种基于均衡驱动的极小极大优化EDMO策略，推导并计算第二阶段卸载比例的闭式解； 所述EDMO策略的具体执行流程包括： 步骤S6-1：针对子问题P2，忽略VSP到EC节点的传输时延，并将VSP覆盖范围内的所有EC节点视为一个并行的边缘计算资源池；计算该资源池的总计算能力： 20； 其中，为单个EC节点的计算频率，为EC节点集合； 步骤S6-2：接下来，基于凸优化性质，当VSP的本地计算时延等于边缘资源池的计算时延时，总时延达到极小值；建立均衡方程： 21； 步骤S6-3：接下来，将本地与边缘计算模型代入均衡方程： 22； 其中，为待求解的VSP本地计算比例，为卸载至边缘侧的比例； 步骤S6-4：最后，求解上述方程，得到最优第二阶段卸载比例的闭式解： 23； 输出该比例作为VSP的最优任务卸载策略； 步骤S7：综合步骤S5与S6的优化结果执行数据处理，并基于处理后的新洞察数据在DT服务器端执行数字孪生模型的实时构建与状态更新，实现物理电网向虚拟空间的精准映射； 所述数字孪生模型的构建与更新过程如下： 步骤S7-1：经过VSP与EC节点的计算处理后，生成针对电网实体在当前时刻的新洞察数据，记为； 步骤S7-2：接下来，服务器利用状态更新函数，结合前一时刻的虚拟状态与新到达的数据，计算实体的当前虚拟状态： 24； 步骤S7-3：最后，聚合所有被监测实体的虚拟状态，构建并维护时刻的全局高保真数字孪生模型： 25； 从而基于该全局模型执行实时仿真与电网状态监控。

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南京邮电大学，其通讯地址为：210003 江苏省南京市鼓楼区新模范马路66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。