CN106993298A - 一种基于QoS的智能电力通信业务差分调度方法 - Google Patents

Abstract

本发明实施例公开了一种基于QoS的智能电力通信业务差分调度方法，解决了无法实现整个网络长期传输延迟的技术问题，以及无法考虑可用信道资源优化配置问题。本发明实施例方法包括：根据通信网络的信道可用性和预先划分的SU优先级计算通信网络状态；根据对SU分配信道的情况确定通信网络状态的决策函数；根据通信网络状态和决策函数计算评估通信网络中数据包的传输时延值；根据通过神经网络训练后的通信网络状态和传输时延值计算最小误差函数；将最小误差函数反向输入神经网络进行动态调整神经网络权重参数，使得通信网络中数据包的传输时延值最小。

Description

一种基于QoS的智能电力通信业务差分调度方法

技术领域

本发明涉及电力技术领域，尤其涉及一种基于QoS的智能电力通信业务差分调度方法。

背景技术

智能电网被视为下一代电网，具有提供可再生能源，智能控制，高效率，高可靠性的优点，能够有效解决传统电网存在的问题和挑战。为了平衡能源供需，客户和电网设施之间需要建立有效的双向通信，以满足信息实时交互的要求。大量的控制命令，监控数据和智能电表读取的计价信息都将通过智能电网通信网络传输。无线通信的覆盖范围大，覆盖节点多，可以作为智能电网通信网络的优选选项。但是，工业、科学和医疗(Industrial,Scientific and Medical,ISM)频带已经变得拥挤，不能保证服务质量(Quality ofService,QoS)，购买许可频段将增加电网工程的负担，同时，其他授权频段也是以固定和低效的方式使用。为应对这些挑战，在智能电网中引入了认知无线电(Cognitive Radio,CR)，它能够提高频谱资源利用率，并且提供了相当大的带宽进行大规模数据传输。认知无线电的能够允许低优先级的次要用户(Secondary User,SU)临时的接入和使用暂时未被高优先级主用户(Primary User,PU)占用的授权频段，从而有效的提高整个频谱资源的利用率，保证了智能电网巨大的数据流量。在基于认知无线电的智能电网通信网络的研究中，本专利设计了频谱接入方案以优化智能电网的QoS。智能电网中的不同业务具有不同的QoS要求，例如，变电站将高压电转化为低压电并将其分发到附近配电网，需要高的QoS，应该以高优先级使用可用频谱来传输重要数据；智能电网中的仪表读取服务需要低QoS，因为没有必要实时上传电能消耗数据。但是，家用智能电表除了读表业务，也可以检测和报告故障。如果有紧急情况，例如设备损坏，智能电表必须报告紧急情况，应当适当提高其优先级以保证智能电网的可靠性。因此为了保证差分QoS，还要动态调整SU的优先级，根据优先级动态灵活地为其分配可用通道。

目前的电力通信的控制方法，通过四个步骤完成：第一，划分电力通信网业务类别；按照电力通信网业务在电力通信中的重要作用划分多个电力通 信网业务安全类别；该电力通信网业务在电力通信中的重要作用由高至低划分电力通信网业务安全类别由低至高；第二，设定电力通信网业务重要度ri；根据第一步划分电力通信网业务类别,依据所述电力通信网业务类别在电力***业务中所起到的作用重要度设定电力通信网业务重要度ri值,电力通信网业务安全类别越高设定电力通信网业务重要度ri值越低；第三，设定电力通信网业务DSCP值；按照业务重要度的高低和业务类别分配DSCP值,每一种业务设定一个DSCP值,根据IP数据包中DSCP标签数值将DSCP值设定为二进制编码值,在电力通信网中进行数据通信时,不同DSCP值的业务分配不同的链路和路由；第四，电力通信网QoS业务的优化控制；该控制过程步骤如下：(1)首先对电力通信网中的各种业务进行各种粒度的业务识别,(2)根据步骤(1)的业务识别结果分配相应的DSCP标签值；(3)在获得DSCP值后,基于业务流的目的地一级索引的路由选择优化控制；(4)对到达同一目的地址业务,以业务的DSCP值为二级索引,再进行基于DSCP值二级索引的路由选择优化控制。

或者是一种电力通信网络中QoS能效的分级方法，通过二个步骤完成：第一，对电力通信网络中传输的数据流进行等间隔的采样,采集待传输数据流的初始发射速率；第二，将待传输数据流从源电力通信网络传递至目的电力通信网络,确定各电力通信网络内路由器的QoS等级，制定控制算法。

或者是一种电力通信网络中路由器服务等级的自适应分级方法，通过二个步骤完成：第一，采集待传数据流的信息,主要记录待传输数据的初始发射速率；考虑到不同业务数据流的粒度不同,即数据流的长度不同,对数据流进行等间隔采样,获得多个数据流片段,记录每一个采样点数据流片段的初始发射速率；第二，在电力通信网络中将待传输数据流从源节点发送至目的节点,确定待分配给各电力通信网络中路由器的QoS等级，按优先级分配网络资源。

上述提及的现有技术存在以下技术问题：

1、一种电力通信网中的QoS业务控制方法，其中给出了电力通信网业务分类标准,依据QoS需求设定电力***业务重要度,并按照业务重要度的高低和业务类别分配DSCP值,另外给出了电力通信网中的QoS业务控制步骤,主要为QoS业务识别和QoS路由优化两阶段，该发明中的QoS业务识别既有端口匹配的快速简单、鲁棒、复杂度低和灵活性好的特点，又有DPI精确有效、 流量特征分析法可扩展性好,计算开销和存储开销小的特点，但是该方案没有考虑实现整个网络长期传输延迟最小化的问题。

2、设计了一种电力通信网络中QoS能效的分级方法，属于电力通信网络领域。利用人工鱼群智能优化求解模型,利用遗传算法的变异算子,提高收敛速度和优化精度,再利用模拟退火算法对带有变异算子的人工鱼群算法进行改进,使各算法之间进行互补得到全局最优解,确定新一代电力通讯网络中各路由器的QoS能效,保证数据流在传递的过程中能耗最小,在保证网络一定QoS的同时,使网络能效达到最大，该方案没有考虑可用信道资源优化配置问题。

3、一种电力通信网络中路由器服务等级的自适应分级方法,属于电力通信网络管理和优化技术领域。该发明在保证一定的电力通信网络服务质量前提下最大化网络能效,做到网络能效与服务质量的折中,针对电力通信网络中不同业务的不同大小的数据流为每一个电力通信网络配置最优的服务质量等级，但是同样该方案也没有考虑网络传输延迟问题。

发明内容

本发明实施例提供的一种基于QoS的智能电力通信业务差分调度方法，解决了无法实现整个网络长期传输延迟的技术问题，以及无法考虑可用信道资源优化配置问题。

本发明实施例提供的一种基于QoS的智能电力通信业务差分调度方法，包括：

根据通信网络的信道可用性和预先划分的SU优先级计算通信网络状态；

根据对SU分配信道的情况确定通信网络状态的决策函数；

根据通信网络状态和决策函数计算评估通信网络中数据包的传输时延值；

根据通过神经网络训练后的通信网络状态和传输时延值计算最小误差函数；

将最小误差函数反向输入神经网络进行动态调整神经网络权重参数，使得通信网络中数据包的传输时延值最小。

可选地，根据通信网络的信道可用性和预先划分的SU优先级计算通信网 络状态之前还包括：

对智能电力通信业务差分调度进行k个阶段划分处理，k＝1,2,3,...，每个阶段的传输持续时间为Δτ。

可选地，根据通信网络的信道可用性和预先划分的SU优先级计算通信网络状态具体包括：

采用静态划分规则和动态调整规则，给SU划分SU优先级；

根据通信网络的信道可用性和预先划分的SU优先级计算通信网络状态；

其中，用V_n(k)表示信道n在阶段k的可用性，n＝1,2,...,N，V_n(k)＝0表示信道n在阶段k被PU占用，不能被SU访问；V_n(k)＝1表示信道n在阶段k对于SU是可用的，假设有M个SU机会性的访问N个信道，m＝1,2,...,M，用P_m(k)表示SU在阶段k的优先级，P_m(k)越小表示优先级越高。称阶段k开始时的***状态为阶段k的状态，由x(k)表示为x(k)＝(p_m(k),v_n(k))，x(k)的值在每个阶段的持续时间中保持不变。

可选地，根据对SU分配信道的情况确定通信网络状态的决策函数具体包括：

根据对SU分配信道的情况确定通信网络状态的决策函数u(k)为u(k)＝(u_m(k)|m＝1,2,...M)，u_m(k)表示在阶段kSU分配信道的情况，u_m(k)＝n表示在阶段k分配了信道n给SU；u_m(k)＝0表示在阶段k SU没有被分配信道，用U来表示决策空间，其子集U[x(k)]包含了***状态x(k)下的所有决策。

可选地，根据通信网络状态和决策函数计算评估通信网络中数据包的传输时延值具体包括：

根据通信网络状态和决策函数计算评估通信网络中数据包的传输时延值为τ_m(k)表示SU在阶段k的传输时延，其计算公式为

可选地，根据通过神经网络训练后的通信网络状态和传输时延值计算最小误差函数具体包括：

当SU的到达速率较高而空闲信道有限时，低优先级的SU的传输将被阻塞，被阻塞的SU重新回到缓存队列进行排队，根据SU优先级的动态调整规则，重新确定SU优先级，并重新确定通信网络状态的决策函数，及获取到阶 段k+1的通信网络状态

将第k阶段和第k+1阶段的***状态分别输入有相同参数的神经网络，输出分别是近似***成本和并得到最小误差函数为 其中，

W_c是神经网络的权重参数。

可选地，将最小误差函数反向输入神经网络进行动态调整神经网络权重参数具体包括：

将最小误差函数反向输入神经网络，并动态调整神经网络权重参数为使得W_c(k+1)＝W_c(k)+ΔW_c(k)，其中，W_c包括W_c1和W_c2，W_c1表示输入层和隐含层之间的权重矩阵，W_c2表示隐含层和输出层之间权重矩阵为和ΔW_c2＝-e_cc_h2^T，其中，c_h1和c_h2是隐含层的输入矩阵和输出矩阵。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例提供的一种基于QoS的智能电力通信业务差分调度方法，包括：根据通信网络的信道可用性和预先划分的SU优先级计算通信网络状态；根据对SU分配信道的情况确定通信网络状态的决策函数；根据通信网络状态和决策函数计算评估通信网络中数据包的传输时延值；根据通过神经网络训练后的通信网络状态和传输时延值计算最小误差函数；将最小误差函数反向输入神经网络进行动态调整神经网络权重参数，使得通信网络中数据包的传输时延值最小。本实施例中，通过根据通信网络的信道可用性和预先划分的SU优先级计算通信网络状态；根据对SU分配信道的情况确定通信网络状态的决策函数；根据通信网络状态和决策函数计算评估通信网络中数据包的传输时延值；根据通过神经网络训练后的通信网络状态和传输时延值计算最小误差函数；将最小误差函数反向输入神经网络进行动态调整神经网络权重参数，使得通信网络中数据包的传输时延值最小，解决了目前技术无法在考虑可用信道情况下实现整个网络长期传输延迟最小化的技术问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面 描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种基于QoS的智能电力通信业务差分调度方法的一个实施例的流程示意图。

具体实施方式

本发明实施例提供了一种基于QoS的智能电力通信业务差分调度方法，用于解决无法实现整个网络长期传输延迟的技术问题，以及无法考虑可用信道资源优化配置问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例提供的一种基于QoS的智能电力通信业务差分调度方法的一个实施例包括：

101、对智能电力通信业务差分调度进行k个阶段划分处理，k＝1,2,3,...，每个阶段的传输持续时间为Δτ；

102、根据通信网络的信道可用性和预先划分的SU优先级计算通信网络状态；

采用静态划分规则和动态调整规则，给SU划分SU优先级；

根据通信网络的信道可用性和预先划分的SU优先级计算通信网络状态；

其中，用V_n(k)表示信道n在阶段k的可用性，n＝1,2,...,N，V_n(k)＝0表示信道n在阶段k被PU占用，不能被SU访问；V_n(k)＝1表示信道n在阶段k对于SU是可用的，假设有M个SU机会性的访问N个信道，m＝1,2,...,M，用P_m(k)表示SU在阶段k的优先级，P_m(k)越小表示优先级越高。称阶段k开始时的***状态为阶段k的状态，由x(k)表示为x(k)＝(p_m(k),v_n(k))，x(k)的值在每个阶段的持续时间中保持不变

103、根据对SU分配信道的情况确定通信网络状态的决策函数；

根据对SU分配信道的情况确定通信网络状态的决策函数u(k)为u(k)＝(u_m(k)|m＝1,2,...M)，u_m(k)表示在阶段kSU分配信道的情况，u_m(k)＝n表示在阶段k分配了信道n给SU；u_m(k)＝0表示在阶段k SU没有被分配信道，用U来表示决策空间，其子集U[x(k)]包含了***状态x(k)下的所有决策。

104、根据通信网络状态和决策函数计算评估通信网络中数据包的传输时延值；

根据通信网络状态和决策函数计算评估通信网络中数据包的传输时延值为τ_m(k)表示SU在阶段k的传输时延，其计算公式为

105、根据通过神经网络训练后的通信网络状态和传输时延值计算最小误差函数；

当SU的到达速率较高而空闲信道有限时，低优先级的SU的传输将被阻塞，被阻塞的SU重新回到缓存队列进行排队，根据SU优先级的动态调整规则，重新确定SU优先级，并重新确定通信网络状态的决策函数，及获取到阶段k+1的通信网络状态

将第k阶段和第k+1阶段的***状态分别输入有相同参数的神经网络，输出分别是近似***成本和并得到最小误差函数为 其中，

W_c是神经网络的权重参数。

106、将最小误差函数反向输入神经网络进行动态调整神经网络权重参数，使得通信网络中数据包的传输时延值最小。

将最小误差函数反向输入神经网络，并动态调整神经网络权重参数为使得W_c(k+1)＝W_c(k)+ΔW_c(k)，最终实现通信网络中数据包的传输时延值最小。

其中，W_c包括W_c1和W_c2，W_c1表示输入层和隐含层之间的权重矩阵，W_c2表示隐含层和输出层之间权重矩阵为和ΔW_c2＝-e_cc_h2^T，其中，c_h1和c_h2是隐含层的输入矩阵和输出矩阵。

下面以一具体应用场景进行描述，如图1所示，应用例包括：

1.***模型

在传输调度过程中，调度器根据整个通信网络的状态，包括信道可用性和SU的优先级(在下一节将给出优先级划分的具体方法)，做出决策，给SU分配信道并使整个***的传输时延达到最小。本节抽象出了此传输调度问题的***模型，其组成部分如下：

1)阶段：把调度过程自然地分为一系列阶段，用整数k＝1,2,3,...表示，定义每个阶段的传输持续时间为Δτ。调度器在每个阶段的开始做出信道分配的决策，PU和SU在每个阶段的开始到来，结束服务后在每个阶段末尾离开。

2)状态：当前***状态包括信道可用性和SU的优先级。用V_n(k)表示信道n在阶段k的可用性，n＝1,2,...,N，V_n(k)＝0表示信道n在阶段k被PU占用，不能被SU访问；V_n(k)＝1表示信道n在阶段k对于SU是可用的。假设有M个SU机会性的访问N个信道，m＝1,2,...,M，用P_m(k)表示SU在阶段k的优先级，P_m(k)越小表示优先级越高。称阶段k开始时的***状态为阶段k的状态，由x(k)表示。

x(k)＝(p_m(k),v_n(k)) (1)

x(k)的值在每个阶段的持续时间中保持不变。所有可能状态的集合叫做状态空间，用X表示。

3)决策：在每个阶段k，调度器根据***状态x(k)做出决策u(k)。u(k)的定义如下:

u(k)＝(u_m(k)|m＝1,2,...M) (2)

u_m(k)表示在阶段k，调度器给SU分配信道的情况。u_m(k)＝n表示调度器在阶段k分配了信道n给SU；u_m(k)＝0表示在阶段k SU没有被分配信道。用U来表示决策空间，其子集U[x(k)]包含了***状态x(k)下的所有可能决策。

4)策略：策略是一系列的决策函数，π＝[μ(1),μ(2),...,μ(k),...]。如果所有阶段k都有μ(k)≡μ，那么决策函数不随阶段改变而改变，调度策略是固定的。由于本专利只考虑固定策略，每个决策函数μ(k):X→U是一个从状态空间X到决策空间U的映射。阶段k的决策也可以表示为u(k)≡μ[x(k)]。

5)效用函数：阶段k的效用函数由***状态x(k)和决策u(k)来确定，用U[x(k),u(k)]来表示。在智能电力通信网中，数据包的传输时延是评估QoS性能的一个重要指标，用数据包时延的加权和来表示效用函数：

τ_m(k)表示SU在阶段k的传输时延，其计算方法如下：

当SU在阶段k被阻塞或中断，它需要在队列中等待，而一个阶段的传输时间为Δτ，因此传输时延τ_m(k)＝Δτ。否则，SU可以在给定信道传输，此时，τ_m(k)＝0。效用函数描述了每个阶段的传输时延，整个调度过程中的传输时延称之为***成本，也就是长期传输延迟，其公式如下所示：

算法设计的目标是寻找最优策略μ^*从而最小化***成本，最小***成本用J^*表示。

2.优先级的动态调整策略

本节引入目标延迟的概念，它是指SU满足其QoS要求所需的延迟。在同一个优先级中，根据SU所需的目标延迟对其进行排序，目标延迟小的SU将优先得到调度，目标延迟相同的SU则按照先来先服务的顺序进行调度。用t_d表示SU的目标延迟，t_q表示排队时间，目标延迟与排队时间的差值定义为松弛时间，用t_s表示，即有

t_s＝t_d-t_q (6)

在每个SU节点，都有一个数据包的缓存队列。当所有可用信道都被PU或更高优先级的SU占用时，SU的数据包将会被阻塞，被阻塞的数据包重新 进入缓存队列等待下次传输调度。目标延迟一定的情况下，随着SU的排队时间增加，其松弛时间t_s就越小，当t_s下降到门限值时，要升高SU的优先级，以留出足够的时间来满足其QoS要求。松弛时间长的SU相比松弛时间短的可以在队列中停留更长的时间，这允许接近目标延迟的SU经历较少的排队时间而被发送。定义τ_n为优先级n的松弛时间门限值，P为SU的优先级，取值为1，2，3，4，分别对应SU1-SU4，则有

在上一节提出的优先级队列中应用以上调整方式可以减少因网络阻塞带来的数据包延迟。然而，当有些紧急情况发生时，例如设备损坏或者设备定期硬件检查，SU在传输时应该具有很高优先级，报告紧急情况，以保障智能电网的可靠性，例如，处于最低优先级的智能电表，当检测到其设备异常时，应该升高优先级以报告异常情况。

以上基于QoS的优先级模型能保证智能电网提供差别化的QoS。基于此优先级策略，调度器在每一个时间间隔调整分配策略，从而使SU的传输时延最小化。

3.算法设计

针对智能电网认知无线网络中的传输调度问题制定了一个算法，该算法把整个传输调度过程分成一系列无穷多个阶段，在每个阶段都做出最优的传输调度决策，就实现了整个过程的最优。

根据公式(5)可以得到阶段k的最优***时延J^*[x(k)]如下：

如果有计算下个阶段最优时延J^*[x(k+1)]的方法，最优传输调度策略可由如下得到：

u^*(k)＝arg min(U[x(k),u(k)]+J^*[x(k+1)]) (9)

令U(k)＝U[x(k),u(k)]，J(k)＝J[x(k)]，将***成本的计算公式重新表示如下：

然而由于状态空间巨大，计算复杂，难以给出J^*[x(k+1)]的精确值。因此，基于神经网络设计面向时延的数据包调度优化算法(Delay-based Packet SchedulingOptimization algorithm,DPSO)，其步骤如下：

步骤一：采用静态划分和动态调整相结合的方式，给SU划分优先级；

步骤二：将传输调度过程划分为无穷多个阶段，每个阶段的状态通过公式(1)得到；

步骤三：调度器根据***状态x(k)和近似***成本做出决策u(k)，调度器的行为可由如下公式描述：

根据公式(3)计算本阶段时延值U[x(k),u(k)]，即U(k)；

步骤四：当SU的到达速率较高而空闲信道有限的情况下，低优先级的SU的传输将被阻塞，被阻塞的SU重新回到缓存队列进行排队，根据优先级动态调整规则，重新确定SU的优先级。根据步骤(3)做出的决策，以及下一阶段由PU的到来而改变的信道状态，可以得到阶段k+1的***状态

步骤五：将第k阶段和第k+1阶段的***状态分别输入有相同参数的神经网络，输出分别是近似***成本和神经网络训练的目标是使如下所示的误差函数最小：

其中，W_c是神经网络的权重参数，当阶段k的E_c(k)＝0时，可得：

上述结果和公式(10)计算的***成本相同；

步骤六：将误差E_c(k)反向输入神经网络，用于更新神经网络的权重参数，本专利设计了一种基于梯度的权重调节方法。神经网络的权重更新函数如下所示：

W_c(k+1)＝W_c(k)+ΔW_c(k) (15)

其中，W_c包括W_c1和W_c2，W_c1表示输入层和隐含层之间的权重矩阵，W_c2表示隐含层和输出层之间权重矩阵，分别表示如下：

ΔW_c2＝-e_cc_h2^T (17)

其中，c_h1和c_h2是隐含层的输入和输出矩阵。通过上述公式更新权重参数，神经网络的输出将接近公式(10)定义的***成本的近似值。

本实施例中，通过根据通信网络的信道可用性和预先划分的SU优先级计算通信网络状态；根据对SU分配信道的情况确定通信网络状态的决策函数；根据通信网络状态和决策函数计算评估通信网络中数据包的传输时延值；根据通过神经网络训练后的通信网络状态和传输时延值计算最小误差函数；将最小误差函数反向输入神经网络进行动态调整神经网络权重参数，使得通信网络中数据包的传输时延值最小，解决了目前技术无法在考虑可用信道情况下实现整个网络长期传输延迟最小化的技术问题。

本实施例的动态优先级调度策略能显著减小紧急分组的传输延迟。根据SU在智能电网中不同的QoS需求，将其分为不同的优先级类别，并且设计了SU优先级的动态调整机制。根据SU的优先级，为其分配可用信道资源。本 实施例在算法设计过程中引入了神经网络，通过优化调度策略，实现整个***长期传输延迟最小化。仿真结果表明，本实施例的优先级调度策略保证了高优先级SU的低传输时延，保证了智能电网的QoS。实际上，运用了动态优先级调度策略后，SU的所有紧急数据包的延迟都是很小的，这是因为此仿真中产生紧急数据包的概率是比较小的，两个或更多SU同时产生紧急包的概率就更小了。总的来说，通过优先级的动态调整，一个SU有紧急数据包要传时，它将具有很高的优先级，调度器优先为其分配可用信道资源，以降低其传输延迟，保障智能电网的可靠性。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的 全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于QoS的智能电力通信业务差分调度方法，其特征在于，包括：

根据通信网络的信道可用性和预先划分的SU优先级计算通信网络状态；

根据对SU分配信道的情况确定通信网络状态的决策函数；

根据通信网络状态和决策函数计算评估通信网络中数据包的传输时延值；

根据通过神经网络训练后的通信网络状态和传输时延值计算最小误差函数；

将最小误差函数反向输入神经网络进行动态调整神经网络权重参数，使得通信网络中数据包的传输时延值最小。

2.根据权利要求1所述的基于QoS的智能电力通信业务差分调度方法，其特征在于，根据通信网络的信道可用性和预先划分的SU优先级计算通信网络状态之前还包括：

对智能电力通信业务差分调度进行k个阶段划分处理，k＝1,2,3,...，每个阶段的传输持续时间为Δτ。

3.根据权利要求2所述的基于QoS的智能电力通信业务差分调度方法，其特征在于，根据通信网络的信道可用性和预先划分的SU优先级计算通信网络状态具体包括：

采用静态划分规则和动态调整规则，给SU划分SU优先级；

根据通信网络的信道可用性和预先划分的SU优先级计算通信网络状态；

其中，用V_n(k)表示信道n在阶段k的可用性，n＝1,2,...,N，V_n(k)＝0表示信道n在阶段k被PU占用，不能被SU访问；V_n(k)＝1表示信道n在阶段k对于SU是可用的，假设有M个SU机会性的访问N个信道，m＝1,2,...,M，用P_m(k)表示SU在阶段k的优先级，P_m(k)越小表示优先级越高。称阶段k开始时的***状态为阶段k的状态，由x(k)表示为x(k)＝(p_m(k),v_n(k))，x(k)的值在每个阶段的持续时间中保持不变。

4.根据权利要求3所述的基于QoS的智能电力通信业务差分调度方法，其特征在于，根据对SU分配信道的情况确定通信网络状态的决策函数具体包括：

根据对SU分配信道的情况确定通信网络状态的决策函数u(k)为u(k)＝(u_m(k)|m＝1,2,...M)，u_m(k)表示在阶段kSU分配信道的情况，u_m(k)＝n表示在阶段k分配了信道n给SU；u_m(k)＝0表示在阶段k SU没有被分配信道，用U来表示决策空间，其子集U[x(k)]包含了***状态x(k)下的所有决策。

5.根据权利要求4所述的基于QoS的智能电力通信业务差分调度方法，其特征在于，根据通信网络状态和决策函数计算评估通信网络中数据包的传输时延值具体包括：

根据通信网络状态和决策函数计算评估通信网络中数据包的传输时延值为τ_m(k)表示SU在阶段k的传输时延，其计算公式为

6.根据权利要求4所述的基于QoS的智能电力通信业务差分调度方法，其特征在于，根据通过神经网络训练后的通信网络状态和传输时延值计算最小误差函数具体包括：

当SU的到达速率较高而空闲信道有限时，低优先级的SU的传输将被阻塞，被阻塞的SU重新回到缓存队列进行排队，根据SU优先级的动态调整规则，重新确定SU优先级，并重新确定通信网络状态的决策函数，及获取到阶段k+1的通信网络状态

将第k阶段和第k+1阶段的***状态分别输入有相同参数的神经网络，输出分别是近似***成本和并得到最小误差函数为 其中，W_c是神经网络的权重参数。

7.根据权利要求4所述的基于QoS的智能电力通信业务差分调度方法，其特征在于，将最小误差函数反向输入神经网络进行动态调整神经网络权重参数具体包括：

将最小误差函数反向输入神经网络，并动态调整神经网络权重参数为

使得W_c(k+1)＝W_c(k)+ΔW_c(k)，

其中，W_c包括W_c1和W_c2，W_c1表示输入层和隐含层之间的权重矩阵，W_c2表示隐含层和输出层之间权重矩阵为和ΔW_c2＝-e_cc_h2^T，其中，c_h1和c_h2是隐含层的输入矩阵和输出矩阵。