摘 要：針對(duì)分布式智能電網(wǎng)面臨的挑戰(zhàn)，本文提出了一種基于云邊協(xié)同的計(jì)算架構(gòu)，并設(shè)計(jì)了任務(wù)分配優(yōu)化方案。該方案采用三層架構(gòu)，即云端層、邊緣層和設(shè)備層，并融入了動(dòng)態(tài)資源分配機(jī)制與自適應(yīng)任務(wù)調(diào)度策略。為應(yīng)對(duì)負(fù)載均衡和時(shí)延敏感性問題，本文設(shè)計(jì)了基于改進(jìn)粒子群優(yōu)化與深度強(qiáng)化學(xué)習(xí)的任務(wù)分配算法。仿真試驗(yàn)結(jié)果顯示，該方案在配電網(wǎng)的多種場(chǎng)景中性能較高，為分布式智能電網(wǎng)的高效運(yùn)行提供了新的技術(shù)方案。

關(guān)鍵詞：分布式智能電網(wǎng)；云邊協(xié)同計(jì)算；任務(wù)分配優(yōu)化" " "中圖分類號(hào)：TM 74" " " " " " " 文獻(xiàn)標(biāo)志碼：A

1 面向分布式智能電網(wǎng)的云邊協(xié)同計(jì)算架構(gòu)設(shè)計(jì)

1.1 系統(tǒng)整體架構(gòu)

分布式智能電網(wǎng)在運(yùn)行過程中面臨許多挑戰(zhàn)，例如海量數(shù)據(jù)處理、實(shí)時(shí)響應(yīng)需求、網(wǎng)絡(luò)帶寬限制以及系統(tǒng)安全性問題。傳統(tǒng)集中式架構(gòu)不能滿足智能電網(wǎng)對(duì)高效、可靠運(yùn)行的要求?；诖?，本文設(shè)計(jì)了云邊協(xié)同計(jì)算方案，旨在解決上述挑戰(zhàn)。該方案采用三層架構(gòu)，即云端層、邊緣層和設(shè)備層，如圖1所示。

1.2 云端計(jì)算模塊設(shè)計(jì)

針對(duì)云端層，本文設(shè)計(jì)了一種新型的多層級(jí)云端計(jì)算架構(gòu)，旨在滿足分布式智能電網(wǎng)的復(fù)雜計(jì)算需求。該架構(gòu)融入了動(dòng)態(tài)資源分配機(jī)制，并采用了自適應(yīng)任務(wù)調(diào)度策略。在決策優(yōu)化層面，引入了基于分層Q學(xué)習(xí)的協(xié)同決策模型，其核心算法如公式（1）所示。

式中：Q（s，a）為在狀態(tài)s下執(zhí)行動(dòng)作a的Q值；α為學(xué)習(xí)率；r為即時(shí)獎(jiǎng)勵(lì)；γ為折扣因子，γ∈[0，1]；maxQ（s'，a'）為在狀態(tài)s'下可能的最大Q值，表示最佳后續(xù)策略的預(yù)期收益；β為協(xié)同系數(shù)；Φ為知識(shí)轉(zhuǎn)移函數(shù)。

計(jì)算模塊在運(yùn)行過程中，優(yōu)先初始化每個(gè)智能體的Q值表，詳細(xì)步驟如下：觀察當(dāng)前狀態(tài)→選擇動(dòng)作→執(zhí)行動(dòng)作，并觀察即時(shí)獎(jiǎng)勵(lì)ri與新狀態(tài)→使用公式更新Q值。重復(fù)上述步驟，直至收斂或達(dá)到最大迭代次數(shù)。

1.3 邊緣計(jì)算模塊設(shè)計(jì)

邊緣計(jì)算模塊的核心創(chuàng)新在于提出了“彈性邊緣計(jì)算”概念，實(shí)現(xiàn)計(jì)算資源的動(dòng)態(tài)擴(kuò)展和收縮。本文設(shè)計(jì)了一種新型的邊緣節(jié)點(diǎn)集群管理系統(tǒng)，該系統(tǒng)基于改進(jìn)的共識(shí)算法，保證了分布式邊緣節(jié)點(diǎn)的高一致性和可靠性。在數(shù)據(jù)處理方面，李大偉等[1]提出了一種基于邊緣計(jì)算的分層流數(shù)據(jù)處理架構(gòu)，其創(chuàng)新之處在于將復(fù)雜的流處理任務(wù)分解為多個(gè)層次：低層次任務(wù)在邊緣節(jié)點(diǎn)完成，高層次任務(wù)則可動(dòng)態(tài)遷移至鄰近節(jié)點(diǎn)或云端處理。該架構(gòu)的核心算法為去中心化聯(lián)邦學(xué)習(xí)算法，模型更新過程如公式（2）所示。

式中：wt+1為全模型在t+1次迭代后的參數(shù)向量；wt為全局模型參數(shù)向量；η為學(xué)習(xí)率；n為參與模型訓(xùn)練的設(shè)備數(shù)量；Δwi為本地模型更新；N（0，σ2）為高斯噪聲。

采用去中心化聯(lián)邦學(xué)習(xí)算法，協(xié)調(diào)多個(gè)邊緣節(jié)點(diǎn)的本地模型，構(gòu)建1個(gè)全局模型，無須直接共享原始數(shù)據(jù)。例如，在負(fù)荷預(yù)測(cè)任務(wù)中，不同區(qū)域的邊緣節(jié)點(diǎn)可以使用各自的本地?cái)?shù)據(jù)訓(xùn)練模型，采用這個(gè)算法聚合成1個(gè)更準(zhǔn)確的全局模型。在實(shí)際應(yīng)用中，初始化全局模型參數(shù)為w0，將全局模型分發(fā)給所有邊緣節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)使用本地?cái)?shù)據(jù)更新模型，得到Δwi，并收集所有節(jié)點(diǎn)的Δwi，計(jì)算平均值。該步驟引入了高斯噪聲以增強(qiáng)因素保護(hù)。系統(tǒng)持續(xù)迭代，直至模型收斂或達(dá)到預(yù)定輪次。

2 分布式智能電網(wǎng)云邊任務(wù)分配優(yōu)化算法研究

2.1 負(fù)載均衡的任務(wù)分配算法

針對(duì)分布式智能電網(wǎng)在云邊協(xié)同環(huán)境中的負(fù)載均衡問題，本文提出了一種基于改進(jìn)粒子群優(yōu)化（Improved Particle Swarm Optimization，IPSO）的自適應(yīng)任務(wù)分配算法[2]。該算法動(dòng)態(tài)調(diào)整粒子的慣性權(quán)重和學(xué)習(xí)因子，加快算法的收斂速度，提高了全局搜索能力，其核心更新過程如公式（3）所示。

式中：vt+1 id為粒子i在第t+1次迭代后的速度；w為慣性權(quán)重；vt id為粒子i在第t代中的速度；c1為個(gè)體學(xué)習(xí)因子；c2為社會(huì)學(xué)習(xí)因子；r1、r2為[0，1]的隨機(jī)數(shù)；pid為個(gè)體最優(yōu)位置；xt id為粒子i當(dāng)?shù)趖次迭代時(shí)的位置；pgd為群體的全局最優(yōu)位置，即所有粒子當(dāng)前的最佳位置。

本文運(yùn)用IPSO算法對(duì)分布式智能電網(wǎng)中的云邊任務(wù)分配進(jìn)行優(yōu)化，以實(shí)現(xiàn)負(fù)載均衡。在算法中，每個(gè)粒子代表一種潛在的任務(wù)分配方案。通過持續(xù)迭代，計(jì)算每個(gè)粒子的適應(yīng)度，并據(jù)此更新每個(gè)粒子的pid和pgd，直至滿足最終條件。

為提高負(fù)載均衡效果，設(shè)計(jì)了基于熵的負(fù)載評(píng)估函數(shù)，如公式（4）所示。

式中：L為負(fù)載評(píng)估函數(shù)值；pi為第i個(gè)計(jì)算節(jié)點(diǎn)的負(fù)載比例；log（pi）為負(fù)載比例的對(duì)數(shù)，用于計(jì)算負(fù)載分布的熵。

在原有運(yùn)行基礎(chǔ)上引入負(fù)載均衡評(píng)估函數(shù)，判斷當(dāng)前任務(wù)分配是否均衡，對(duì)分布式智能電網(wǎng)云邊任務(wù)分配進(jìn)行優(yōu)化。在實(shí)際應(yīng)用中，優(yōu)先計(jì)算給定的任務(wù)分配方案的節(jié)點(diǎn)負(fù)載比例，對(duì)所有結(jié)果求和并取負(fù)，得到的L值越大，負(fù)載分布越均衡。

2.2 考慮時(shí)延敏感性的任務(wù)分配算法

針對(duì)全球化智能電網(wǎng)中存在的時(shí)延敏感任務(wù)，本文提出了一種基于深度強(qiáng)化學(xué)習(xí)的動(dòng)態(tài)任務(wù)分配算法[3]。該算法采用雙重深度Q網(wǎng)絡(luò)（Double Deep Q-Network， DDQN）結(jié)構(gòu)，解決了傳統(tǒng)Q學(xué)習(xí)中的過估計(jì)問題。狀態(tài)空間S定義為各節(jié)點(diǎn)的當(dāng)前資源利用率、任務(wù)隊(duì)列長度以及網(wǎng)絡(luò)狀態(tài)。動(dòng)作空間A則包含所有可選的任務(wù)分配方案。獎(jiǎng)勵(lì)函數(shù)R如公式（5）所示。

式中：α為時(shí)間懲罰系數(shù)；T為任務(wù)完成總時(shí)延；Em為在任務(wù)執(zhí)行過程中消耗的總能量；B為負(fù)載均衡獎(jiǎng)勵(lì)系數(shù)。

當(dāng)分配任務(wù)時(shí)，本文根據(jù)時(shí)延敏感性引入獎(jiǎng)勵(lì)機(jī)制，對(duì)任務(wù)分配策略好壞進(jìn)行評(píng)估，綜合衡量時(shí)延、能耗與負(fù)載均衡3個(gè)因素。

3 在分布式智能電網(wǎng)典型場(chǎng)景中的云邊協(xié)同優(yōu)化方案

3.1 配電網(wǎng)狀態(tài)估計(jì)與故障定位

基于前文所述的云邊協(xié)同計(jì)算架構(gòu)和任務(wù)分配優(yōu)化算法，筆者提出了一種高效的配電網(wǎng)狀態(tài)估計(jì)與故障定位方案。該方案采用分層結(jié)構(gòu)，將狀態(tài)估計(jì)任務(wù)分配至邊緣層和云端層。重點(diǎn)針對(duì)云端層進(jìn)行優(yōu)化，當(dāng)云端進(jìn)行故障定位時(shí)，將配電網(wǎng)拓?fù)浣Y(jié)構(gòu)表示為無向圖，如公式（6）所示。

式中：G為配電網(wǎng)的圖模型，表示配電網(wǎng)結(jié)構(gòu)；V為節(jié)點(diǎn)集（變電站和負(fù)載節(jié)點(diǎn)）；E為邊集（電力線）。當(dāng)檢測(cè)到故障時(shí)，利用拓?fù)浣Y(jié)構(gòu)分析并確定故障節(jié)點(diǎn)。

采用并行故障定位算法，通過圖分割技術(shù)將大規(guī)模網(wǎng)絡(luò)劃分為多個(gè)子圖，每個(gè)子圖獨(dú)立執(zhí)行故障定位，以提升計(jì)算效率。子圖計(jì)算過程如公式（7）所示。

式中：k為子圖數(shù)量，表示配電網(wǎng)分割的子區(qū)域數(shù)量，每個(gè)子圖獨(dú)立執(zhí)行故障檢測(cè)；Gi為利用圖分割技術(shù)從原始大規(guī)模配電網(wǎng)劃分的獨(dú)立子圖。

在配電網(wǎng)狀態(tài)估計(jì)與故障定位的過程中，系統(tǒng)首先自動(dòng)識(shí)別配電網(wǎng)中的所有節(jié)點(diǎn)，包括變電站和負(fù)載節(jié)點(diǎn)，并將它們添加至V中，再識(shí)別所有連接節(jié)點(diǎn)的電力線，將其添加至E中，構(gòu)建鄰接矩陣或鄰接列表以表示圖G。為處理大規(guī)模配電網(wǎng)，系統(tǒng)運(yùn)用圖分割技術(shù)，將網(wǎng)絡(luò)劃分為多個(gè)子圖。在實(shí)際應(yīng)用中，該方法能有效提高故障定位的計(jì)算效率。本文采用譜聚類算法來設(shè)定分割參數(shù)或確定每個(gè)子圖的最大節(jié)點(diǎn)數(shù)。例如子圖數(shù)量為n，采用圖分割算法得到n個(gè)子圖，再驗(yàn)證每個(gè)子圖的連通性。

3.2 需求側(cè)響應(yīng)與負(fù)荷預(yù)測(cè)

針對(duì)需求側(cè)響應(yīng)與負(fù)荷預(yù)測(cè)，筆者對(duì)邊緣設(shè)備進(jìn)行優(yōu)化。通過智能電表和家庭能源管理系統(tǒng)（HEMS）實(shí)時(shí)采集用戶用電數(shù)據(jù)，并采用輕量級(jí)機(jī)器學(xué)習(xí)模型進(jìn)行短期負(fù)荷預(yù)測(cè)及用戶行為分析。由于原方法僅限于短期負(fù)荷預(yù)測(cè)，因此，本研究利用云端整合多個(gè)邊緣節(jié)點(diǎn)的數(shù)據(jù)資源，部署深度學(xué)習(xí)模型以實(shí)現(xiàn)中長期負(fù)荷預(yù)測(cè)及制定需求響應(yīng)策略。該模型旨在預(yù)測(cè)未來較長時(shí)間段的負(fù)荷變化趨勢(shì)，其計(jì)算過程如公式（8）所示。

式中：（t+T）為預(yù)測(cè)在未來t+T時(shí)刻的負(fù)荷需求；g為深度學(xué)習(xí)模型的預(yù)測(cè)函數(shù)；P（t）為當(dāng)前負(fù)荷；P（t-1）為歷史時(shí)刻負(fù)荷；X為影響負(fù)荷的其他因素（例如天氣、用戶行為等）。

這種方式主要依賴于中長期負(fù)荷預(yù)測(cè)技術(shù)，在實(shí)際應(yīng)用中，利用歷史負(fù)荷數(shù)據(jù)及其他相關(guān)因素（X）來預(yù)測(cè)未來較長時(shí)間的負(fù)荷變化趨勢(shì)。歷史負(fù)荷數(shù)據(jù)及相關(guān)因素經(jīng)收集并預(yù)處理后，用于模型訓(xùn)練，以提升預(yù)測(cè)計(jì)算的準(zhǔn)確性。

3.3 分布式能源接入與調(diào)度優(yōu)化

基于云邊協(xié)同的分布式能源接入與調(diào)度方案進(jìn)行了優(yōu)化，并引入了自適應(yīng)電壓控制機(jī)制。邊緣節(jié)點(diǎn)能夠?qū)崟r(shí)監(jiān)測(cè)區(qū)域電壓狀況，并調(diào)整分布式發(fā)電單元的無功功率輸出，以實(shí)現(xiàn)電壓的快速調(diào)控。云端層則根據(jù)全局電壓分布情況，動(dòng)態(tài)調(diào)整各區(qū)域的電壓控制參數(shù)，保證系統(tǒng)的整體穩(wěn)定性。在能源調(diào)度優(yōu)化方面，采用了多時(shí)間尺度協(xié)同優(yōu)化策略，其中邊緣層負(fù)責(zé)執(zhí)行短時(shí)間尺度的優(yōu)化任務(wù)，利用改進(jìn)的模型預(yù)測(cè)控制（Improved Model Predictive Control，IMPC）算法進(jìn)行計(jì)算，具體過程如公式（9）所示。

式中：minJ為總成本函數(shù)最小化；CG為發(fā)電成本函數(shù)；PG（t）為在t時(shí)刻的發(fā)電功率；CD為負(fù)荷調(diào)整成本函數(shù)；PD（t）為在t時(shí)刻的負(fù)荷調(diào)整量。

該算法能夠?qū)Χ虝r(shí)間尺度進(jìn)行能源調(diào)度優(yōu)化，對(duì)邊緣層發(fā)電進(jìn)行控制，實(shí)時(shí)調(diào)節(jié)負(fù)荷。

驗(yàn)算過程如下：定義CG和CD→確定優(yōu)化時(shí)間窗口T→收集當(dāng)前系統(tǒng)狀態(tài)（發(fā)電能力、負(fù)荷預(yù)測(cè)和網(wǎng)絡(luò)約束）→采用改進(jìn)模型預(yù)測(cè)控制算法。在改進(jìn)模型預(yù)測(cè)控制算法中持續(xù)預(yù)測(cè)每個(gè)時(shí)間步t的未來狀態(tài)，直到完成預(yù)定的調(diào)度周期。

4 仿真試驗(yàn)與性能評(píng)估

4.1 試驗(yàn)環(huán)境搭建

為全面評(píng)估云邊協(xié)同計(jì)算架構(gòu)及任務(wù)分配優(yōu)化算法的性能，本文構(gòu)建了一個(gè)綜合仿真試驗(yàn)環(huán)境。該環(huán)境包括云端計(jì)算平臺(tái)、邊緣計(jì)算節(jié)點(diǎn)、通信網(wǎng)絡(luò)和電力系統(tǒng)模型。云端平臺(tái)采用OpenStack部署了4臺(tái)高性能服務(wù)器，并通過Docker模擬了200個(gè)虛擬節(jié)點(diǎn)。邊緣節(jié)點(diǎn)則選用了樹莓派4B和Jetson Xavier NX，這些節(jié)點(diǎn)被分布在10個(gè)區(qū)域內(nèi)，共計(jì)100個(gè)物理節(jié)點(diǎn)。通信網(wǎng)絡(luò)部分，使用NS-3仿真器模擬了5G和有線網(wǎng)絡(luò)，并設(shè)置了不同的延遲和帶寬參數(shù)。電力系統(tǒng)模型基于IEEE 123節(jié)點(diǎn)擴(kuò)展至1000個(gè)節(jié)點(diǎn)，采用Kubernetes進(jìn)行容器管理，核心算法使用Python編寫，數(shù)據(jù)存儲(chǔ)依托InfluxDB，同時(shí)集成了Apache Spark和Monte Carlo仿真模塊。

4.2 算法性能對(duì)比

本文對(duì)提出的云邊協(xié)同計(jì)算架構(gòu)（Cloud-Edge Collaborative"Computing Architecture， CECCA）和任務(wù)分配優(yōu)化算法（Task Distribution Optimization Algorithm， TDOA）進(jìn)行了性能評(píng)估（Performance Evaluation， PE）。在評(píng)估過程中，將負(fù)載均衡的任務(wù)分配算法（Load Balancing Task Distribution Algorithm， LB-TDA）和考慮時(shí)延敏感性的任務(wù)分配算法（Latency Sensitive"Task Distribution Algorithm， LS-TDA）與現(xiàn)有的2種典型算法—輪詢調(diào)度（Round Robin， RR）和最短隊(duì)列優(yōu)先（Shortest Queue First， SQF）進(jìn)行了對(duì)比。評(píng)估設(shè)置了輕負(fù)載、中負(fù)載和重負(fù)載3種負(fù)載場(chǎng)景。性能評(píng)估采用的關(guān)鍵指標(biāo)（Performance Metrics， PM）包括平均任務(wù)完成時(shí)間（Average Task Completion Time， ATCT）、負(fù)載均衡度（Load Balance Degree， LBD）和能耗效率（Energy Efficiency， EE）。不同負(fù)載場(chǎng)景下各算法的性能對(duì)比見表1。

結(jié)果表明，與傳統(tǒng)算法相比，在不同負(fù)載場(chǎng)景中，本文算法的性能更好。特別是在重負(fù)載情況下，采用本文算法，平均任務(wù)完成時(shí)間分別縮短了約31.5%和35.8%，能效分別提高了約24.6%和27.2%。在處理時(shí)延敏感任務(wù)的過程中，LS-TDA表現(xiàn)出色，其關(guān)鍵任務(wù)的響應(yīng)時(shí)間控制成功率為98.7%，比SQF算法高12.3%，說明該算法在時(shí)延敏感環(huán)境中具有優(yōu)勢(shì)。

4.3 典型場(chǎng)景應(yīng)用效果評(píng)估

本文選取了智能電網(wǎng)運(yùn)行中的2個(gè)特殊場(chǎng)景，基于IEEE 123節(jié)點(diǎn)配電網(wǎng)，對(duì)云邊協(xié)同計(jì)算架構(gòu)和任務(wù)分配優(yōu)化算法的實(shí)際應(yīng)用效果進(jìn)行了測(cè)試。

場(chǎng)景一：模擬在城市核心區(qū)域內(nèi)，1 000個(gè)充電樁在2 h內(nèi)接入5 000輛電動(dòng)汽車的場(chǎng)景。這種突發(fā)性、并發(fā)高的負(fù)荷變化對(duì)配電網(wǎng)的實(shí)時(shí)調(diào)度和電壓穩(wěn)定性提出了挑戰(zhàn)，大規(guī)模電動(dòng)汽車即插即用指標(biāo)見表2。

結(jié)果表明，本文方案使邊緣節(jié)點(diǎn)滿足毫秒級(jí)響應(yīng)控制條件，利用云端的全局資源調(diào)度功能有效抑制配電網(wǎng)電壓波動(dòng)，提升了充電設(shè)施的使用效率，保證充電負(fù)荷的動(dòng)態(tài)平衡。充電需求響應(yīng)時(shí)間減少了66.8%，有效提升了用戶體驗(yàn)。

場(chǎng)景二：模擬主網(wǎng)發(fā)生故障并導(dǎo)致10個(gè)微電網(wǎng)區(qū)域進(jìn)入孤島運(yùn)行狀態(tài)的場(chǎng)景。每個(gè)微電網(wǎng)包括分布式光伏、儲(chǔ)能系統(tǒng)和關(guān)鍵負(fù)荷。評(píng)估系統(tǒng)在孤島運(yùn)行24 h的性能，微電網(wǎng)群孤島運(yùn)行場(chǎng)景性能對(duì)比見表3。

結(jié)果表明，云邊協(xié)同方案能夠?qū)吘売?jì)算節(jié)點(diǎn)進(jìn)行快速本地控制，對(duì)云端進(jìn)行協(xié)調(diào)優(yōu)化，提高了微電網(wǎng)群的自治能力，對(duì)可再生能源進(jìn)行高效利用，使頻率控制更精確，負(fù)荷保供率提高了9.5%。

場(chǎng)景三：模擬在包括1 000個(gè)配電終端的復(fù)雜城市配電網(wǎng)中突發(fā)3處級(jí)聯(lián)故障的場(chǎng)景。評(píng)估系統(tǒng)在故障定位、隔離和網(wǎng)絡(luò)重構(gòu)方面的性能，配電網(wǎng)故障快速隔離與自愈場(chǎng)景性能對(duì)比見表4。

云邊協(xié)同方案具有邊緣節(jié)點(diǎn)的實(shí)時(shí)數(shù)據(jù)處理能力，利用云端的全局拓?fù)浞治黾涌炝斯收咸幚硭俣?。故障定位和隔離時(shí)間分別縮短了73.4%和70.3%，網(wǎng)絡(luò)重構(gòu)速度提高了70.5%。

綜合3個(gè)特殊場(chǎng)景的評(píng)估結(jié)果，當(dāng)應(yīng)對(duì)智能電網(wǎng)的突發(fā)性、高并發(fā)性和復(fù)雜性挑戰(zhàn)時(shí)，云邊協(xié)同方案表現(xiàn)出色。該方案保障了供電可靠性，加快了系統(tǒng)的響應(yīng)速度，提高了決策精度、可再生能源利用效率，優(yōu)化了用戶體驗(yàn)。

5 結(jié)語

本文提出了一種基于云邊協(xié)同的分布式智能電網(wǎng)計(jì)算架構(gòu)以及任務(wù)分配優(yōu)化方案，并進(jìn)行了理論分析與仿真試驗(yàn)。試驗(yàn)結(jié)果表明，該方案在系統(tǒng)性能提升、響應(yīng)時(shí)間降低以及資源利用率優(yōu)化等方面有明顯優(yōu)勢(shì)。在大規(guī)模電動(dòng)汽車充電和微電網(wǎng)群孤島運(yùn)行等典型場(chǎng)景中，該方案被證明有效。未來將持續(xù)深入研究此問題，為分布式智能電網(wǎng)的發(fā)展提供更加全面、可靠的技術(shù)支持。

參考文獻(xiàn)

[1]李大偉，李丹，劉博文，等.面向任務(wù)的云、邊、端分布式異構(gòu)資源優(yōu)選技術(shù)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2024，45（2）：618-625.

[2]鞏龍豪，鄒玉龍，郭海燕，等.智能電網(wǎng)場(chǎng)景下基于MEC和D2D的時(shí)延對(duì)稱性研究[J].南京郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，42（6）：38-44.

[3]陳建洪，林文彬，夏文岳，等.基于云邊協(xié)同的變電站倒閘防誤操作關(guān)鍵技術(shù)研究[J].電力信息與通信技術(shù)，2022，20（8）：91-98.