-
公开(公告)号：CN113485803B
公开(公告)日：2022-05-13
申请号：CN202110729072.X
申请日：2021-06-29
申请人： 天津大学 , 国网山东省电力公司 , 中国电力科学研究院有限公司
摘要： 本发明公开了一种具有时延约束任务流场景下的自适应封装与协同推理方法，包括如下步骤：建立自适应边缘智能推理模型，包括用于接收任务的终端设备和用于制定任务卸载决策的边缘服务器；构建边缘服务器和终端设备的分支模型，所述分支模型均包括若干个分支，每个分支上均设有划分点和出口点，且出口点设置在每个分支的终端；根据任务的处理流程分别预测任务在终端设备和边缘服务器上的处理时间，以及任务的总处理时间；设定目标函数，若已知任务流的所有信息，采用动态规划的离线算法对目标函数进行优化，否则，采用深度强化学习的在线算法对目标函数进行优化。本发明提高了延迟限制下所权衡完成的任务数量和任务推断的准确性。
-
公开(公告)号：CN114861906B
公开(公告)日：2024-09-06
申请号：CN202210423171.X
申请日：2022-04-21
申请人： 天津大学 , 国网山东省电力公司 , 中国电力科学研究院有限公司
IPC分类号： G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
摘要： 本发明公开了一种基于神经架构搜索的轻量级多退出点模型的建立方法，包括如下步骤：搜集电网图像数据构建样本数据集，将样本数据集划分为训练集和测试集；以树形结构为基础，设计包括主干网络和分支分类器的多退出点模型架构；通过将若干种卷积神经网络进行剪裁并重新组合的方法构建搜索空间，基于图像分类任务以权衡模型分类精度和模型大小为目标建立目标函数；将训练集输入搜索空间中，利用策略梯度的强化学习算法对目标函数进行优化，以多退出点模型架构为基础进行训练获取多退出点模型。本发明能很好地权衡了搜索得到的神经网络的精度和参数大小，实现对电力边缘侧的图像分类模型的压缩。
-
公开(公告)号：CN114861906A
公开(公告)日：2022-08-05
申请号：CN202210423171.X
申请日：2022-04-21
申请人： 天津大学 , 国网山东省电力公司 , 中国电力科学研究院有限公司
IPC分类号： G06N3/08 , G06N3/04 , G06K9/62 , G06V10/764 , G06V10/82
摘要： 本发明公开了一种基于神经架构搜索的轻量级多退出点模型的建立方法，包括如下步骤：搜集电网图像数据构建样本数据集，将样本数据集划分为训练集和测试集；以树形结构为基础，设计包括主干网络和分支分类器的多退出点模型架构；通过将若干种卷积神经网络进行剪裁并重新组合的方法构建搜索空间，基于图像分类任务以权衡模型分类精度和模型大小为目标建立目标函数；将训练集输入搜索空间中，利用策略梯度的强化学习算法对目标函数进行优化，以多退出点模型架构为基础进行训练获取多退出点模型。本发明能很好地权衡了搜索得到的神经网络的精度和参数大小，实现对电力边缘侧的图像分类模型的压缩。
-
公开(公告)号：CN117687782A
公开(公告)日：2024-03-12
申请号：CN202311671423.1
申请日：2023-12-07
申请人： 天津大学 , 国网江苏省电力有限公司南京供电分公司 , 国网江苏省电力有限公司 , 中国电力科学研究院有限公司 , 国家电网有限公司
摘要： 本发明公开一种基于多粒度群组联邦学习的边缘计算系统和方法，所述边缘计算系统包括边缘设备分组模块，边缘设备指导模块和边缘设备评估模块；其中：所述边缘设备分组模块通过平衡图分割方法对拥有多粒度数据和单元的边缘设备进行分组；所述边缘设备指导模块使用通过细粒度数据训练的单元对使用粗粒度数据训练的单元进行指导来提升其单元性能；所述边缘设备评估模块采用信用分的领导者选择方法对每个群组选举领导者来避免恶意边缘设备的影响，本发明能够有效地将边缘设备划分成相互平衡的组，从而实现更高效安全的通信和聚合过程。
-
公开(公告)号：CN113852080A
公开(公告)日：2021-12-28
申请号：CN202110983342.X
申请日：2021-08-25
申请人： 中国电力科学研究院有限公司 , 天津大学 , 国家电网有限公司
摘要： 本发明公开了一种智能电网的潮流优化方法、系统、设备及存储介质，包括：将电网划分成若干区域的子电网，其中，一个子电网对应一个智能体；设计智能体的状态、动作及奖励机制；基于异步优势演员评论家算法对智能体进行优化，通过优化后的智能体对对应的子电网进行调度及控制，完成智能电网的潮流优化，该方法、系统、设备及存储介质能够实现智能电网的动态管理，降低人力物力消耗，且调整效率较高。
-
公开(公告)号：CN113485803A
公开(公告)日：2021-10-08
申请号：CN202110729072.X
申请日：2021-06-29
申请人： 天津大学 , 中国电力科学研究院有限公司
摘要： 本发明公开了一种具有时延约束任务流场景下的自适应封装与协同推理方法，包括如下步骤：建立自适应边缘智能推理模型，包括用于接收任务的终端设备和用于制定任务卸载决策的边缘服务器；构建边缘服务器和终端设备的分支模型，所述分支模型均包括若干个分支，每个分支上均设有划分点和出口点，且出口点设置在每个分支的终端；根据任务的处理流程分别预测任务在终端设备和边缘服务器上的处理时间，以及任务的总处理时间；设定目标函数，若已知任务流的所有信息，采用动态规划的离线算法对目标函数进行优化，否则，采用深度强化学习的在线算法对目标函数进行优化。本发明提高了延迟限制下所权衡完成的任务数量和任务推断的准确性。
-
公开(公告)号：CN114938372B
公开(公告)日：2023-04-18
申请号：CN202210549821.5
申请日：2022-05-20
申请人： 天津大学 , 中国电力科学研究院有限公司 , 国网黑龙江省电力有限公司电力科学研究院
IPC分类号： H04L67/10 , H04L9/40 , H04L41/5051 , H04L41/0894 , G06N3/092 , G06N3/098
摘要： 本发明公开了一种基于联邦学习的微网群请求动态迁移调度方法及装置，包括：对包括微网群设备和边缘计算设备的微网群系统进行初始化；各个微网群设备利用深度强化学习方法并基于本地历史运行数据对本地学习模型进行训练，并将训练后的模型参数和本地训练次数发送边缘计算设备；边缘计算设备基于本地训练次数对接收到的模型参数进行聚合以更新请求评估模型，并将更新后的请求评估模型发送各微网群设备；微网群设备根据更新后的请求评估模型，在请求调度决策时以最大化长期效益期望为目标预测资源分配策略，资源分配策略包括请求迁移决策和资源单元数量决策。本发明可以在节省传输开销保证了数据隐私与安全的同时，也还确保了决策的准确高效。
-
公开(公告)号：CN114938372A
公开(公告)日：2022-08-23
申请号：CN202210549821.5
申请日：2022-05-20
申请人： 天津大学 , 中国电力科学研究院有限公司 , 国网黑龙江省电力有限公司电力科学研究院
IPC分类号： H04L67/10 , H04L9/40 , H04L41/5051 , H04L41/0894 , G06N3/08
摘要： 本发明公开了一种基于联邦学习的微网群请求动态迁移调度方法及装置，包括：对包括微网群设备和边缘计算设备的微网群系统进行初始化；各个微网群设备利用深度强化学习方法并基于本地历史运行数据对本地学习模型进行训练，并将训练后的模型参数和本地训练次数发送边缘计算设备；边缘计算设备基于本地训练次数对接收到的模型参数进行聚合以更新请求评估模型，并将更新后的请求评估模型发送各微网群设备；微网群设备根据更新后的请求评估模型，在请求调度决策时以最大化长期效益期望为目标预测资源分配策略，资源分配策略包括请求迁移决策和资源单元数量决策。本发明可以在节省传输开销保证了数据隐私与安全的同时，也还确保了决策的准确高效。
-
公开(公告)号：CN114936078B
公开(公告)日：2024-11-01
申请号：CN202210549822.X
申请日：2022-05-20
申请人： 天津大学 , 中国电力科学研究院有限公司 , 国网黑龙江省电力有限公司电力科学研究院
IPC分类号： G06F9/48 , G06F9/50 , G06Q50/06 , G06N3/0464 , G06N3/0495 , G06N3/082 , G06N3/092
摘要： 本发明公开了一种微网群边缘调度与智能体轻量化裁剪方法，包括：构建包括电力终端和边缘设备的微网群，计算能力最强的边缘设备k中设有任务分配模型；设置总训练轮次、初始训练轮数，初始化每个电力终端的本地训练模型、稀疏度范围、本地训练模型的聚合权重、经验重放内存；电力终端基于深度强化学习方法对任务分配模型进行训练，并基于模型剪裁对本地训练模型进行剪裁，边缘设备k对训练后的模型进行聚合并更新任务分配模型；根据更新后的任务分配模型，并以最大化长期效益期望为目标预测资源分配策略；电力终端根据资源分配策略执行任务。本发明可以在保证决策准确高效的同时避免大量原始数据的传输、降低模型训练时传输的数据量和传输时延。
-
公开(公告)号：CN114936078A
公开(公告)日：2022-08-23
申请号：CN202210549822.X
申请日：2022-05-20
申请人： 天津大学 , 中国电力科学研究院有限公司 , 国网黑龙江省电力有限公司电力科学研究院
摘要： 本发明公开了一种微网群边缘调度与智能体轻量化裁剪方法，包括：构建包括电力终端和边缘设备的微网群，计算能力最强的边缘设备k中设有任务分配模型；设置总训练轮次、初始训练轮数，初始化每个电力终端的本地训练模型、稀疏度范围、本地训练模型的聚合权重、经验重放内存；电力终端基于深度强化学习方法对任务分配模型进行训练，并基于模型剪裁对本地训练模型进行剪裁，边缘设备k对训练后的模型进行聚合并更新任务分配模型；根据更新后的任务分配模型，并以最大化长期效益期望为目标预测资源分配策略；电力终端根据资源分配策略执行任务。本发明可以在保证决策准确高效的同时避免大量原始数据的传输、降低模型训练时传输的数据量和传输时延。
-
-
-
-
-
-
-
-
-
搜索结果
139 条记录 (耗时 0.117 秒)
