能源互联网场景下的计算卸载机制研究

李 强，袁福生，陈 晶，石生玺，许世龙

1.国网信息通信产业集团有限公司，北京 100031

2.国网信息通信产业集团有限公司北京分公司，北京 100031

3.国网北京市电力公司 北京电力经济技术研究院，北京 100008

能源互联网以原有电力系统为基础，充分应用移动互联、人工智能等现代信息技术，实现电力系统的万物互联与人机交互，能够有效整合通信及电力设施资源，为电力系统发、输、配、售、用等环节提供信息和数据支持，是具有状态全面感知、信息高效处理、应用便捷灵活等特征的智慧服务系统。建设能源互联网是落实国家电网“三型两网、世界一流”战略目标的核心任务，为电网系统运行更安全、管理更精益、投资更精准、服务更优质开辟了新的路径［1－2］。

随着能源互联网建设的不断推进，网络边缘设备数量呈现爆炸式增长，随之产生了海量的用户侧数据需要进行存储、处理和分析。传统的数据处理方式是将数据集中传输到拥有较强计算能力的云中心服务器进行计算。然而，由于电力物联网环境下的终端设备异构且数量较多，把计算任务统一上传到云中心服务器计算会出现网络数据拥塞的情况，并且云服务器布置在设备的远端，终端设备在上传数据时产生的传输时延会极大地增加整体任务的完成时间，从而影响计算任务的实时性［3－4］。作为云计算的拓展和补充，边缘计算很好地解决了这一问题。边缘计算技术使得许多控制通过本地设备实现而无需交由云端，任务处理过程在靠近用户的边缘节点完成，边缘服务器可以在更短的时间内对用户的请求和任务做出响应［5－6］。

移动边缘计算作为未来5G通信的关键技术，计算卸载是其主要应用之一，很多学者对其研究作出了重要的贡献。文献［3］提出了一种计算任务跨域卸载模型，并构建了一个最小化任务完成时间的混合整数非线性优化问题。文献［7］中，综合考虑智能设备性能和服务器资源，提出了一种基于改进拍卖算法的计算卸载策略。文献［8］考虑多用户对计算资源的竞争，构建了基于多微云协作的任务卸载模型。文献［9］基于混合流水车间调度模型对系统任务的卸载调度进行了建模，获得了系统时延的计算表达式，并在此基础上对系统能耗进行了建模。

虽然在通信及移动边缘计算领域已有大量针对计算卸载的研究，但综合考虑能源互联网场景特点与需求，思考边缘计算资源分配对用户终端卸载策略影响的相关研究仍然十分匮乏。本文切实考虑能源互联网多终端、数据密集等场景特点，研究合理的边缘计算网络架构并设计其主要功能模块。针对存在的计算卸载问题，将边缘云在多个计算任务之间的计算资源分配问题建模为Stackelberg博弈模型，边缘云作为博弈的领导者对自身计算资源进行定价，出售给需要进行卸载的移动终端，而移动终端作为跟随者进行合理的卸载决策。通过证明该博弈存在使得博弈双方效用最优的纳什均衡解，得到对应纳什均衡点的最优卸载策略。

1 能源互联网边缘计算网络架构

1.1 整体架构

边缘计算支持的电网能源互联网的具体服务包括智能电网配电监控系统、智能电网先进计量系统等。其中，物联网和边缘计算技术的应用使电力系统的智能化和自动化进入一个新的阶段。通过部署边缘计算模型以支持数据融合、深度学习等技术，实现对能源互联网各采集终端、智能设备以及终端用户数据的并行处理和分析，提供具有海量数据和敏捷响应的分布式信息计算服务。其能够满足电网能源互联网中设备和用户对系统快速响应的需求，为智能电网的高级应用提供支持，如智能调度、智能维护等。

如图1所示，能源互联网边缘计算体系架构包括终端感知层、网络层、平台层、应用层四层结构。

图1 能源互联网边缘计算网络架构

作为数据源头，终端感知层往往部署多个电网内智能终端或传感设备，能够识别或判断指定对象、动作，收集智能电网各个方面的环境信息、运行信息和状态信息。网络层包含边缘侧网络与云中心侧网络，其作用是基于现有的互联网、移动通信网、电力网等基础网络设施，对来自终端感知层的信息进行接入和传输，其接驳感知层和平台应用层，具有强大的纽带作用。其中，中心云节点与边缘节点、边缘节点与移动终端设备分别存在一对多的映射关系［10］。边缘节点负责区域内电网的运行与管理，接收用户端数据后进行实时处理和存储，并利用相关智能模型（云中心部署至边缘侧的大型模型或边缘侧自行训练的中小型模型）进行区域性数据分析和挖掘，支撑局部电网安全经济运行。云中心汇集了各级多元化数据，通过对这些数据的分析处理完成系统层面的运营管理和对外合作业务［11］。平台应用层接受网络层传来的数据信息并对信息进行处理和决策，依托于超大规模的终端统一物联管理，深化电网全业务统一数据中心建设，挖掘海量数据采集价值，提升能源互联网的数据高效处理和云雾协同能力，实现对内业务与对外业务的分类高效处理。

1.2 功能模块设计

对能源互联网边缘计算网络架构中实现核心控制的功能模块进行分析研究以及合理的设计与部署，可以实现电网业务的规范、高效处理。如图2所示，该架构由三个主要功能模块组成，包括服务和应用平面，能源互联网边缘计算平台和基础资源平面。通过合理部署，能够实现应用服务和平台管理功能的高效平稳运行［12－14］。

图2 能源互联网边缘计算网络架构功能模块

（1）服务和应用平面

服务和应用程序平面提供了标准化的应用程序服务接口和管理接口。应用程序服务接口对有需求的终端电力设备开放，这些设备接收应用程序注册请求，并向应用程序公开某些控制平面功能。管理界面可以提供电力系统管理和控制信息，以启用控制命令的下放和系统状态的监视。标准化的接口提供了出色的可伸缩性和有效的系统管理，从而简化了整个系统的使用、维护和扩展。

（2）能源互联网边缘计算平台

能源互联网边缘计算平台是能源互联网边缘计算网络架构的核心，它保证了高效的协作任务处理、资源分配、编排和统一管理。该平台由统一调度平面和计算平台组成。

统一调度平面对网络中用户设备的计算任务进行调度和分配，确保计算任务的高效处理。同时，借助虚拟化技术，统一调度平面可以提供相应的信息传递接口，确保任务准确、快速地传输和处理。统一调度平面主要实现了全局监察、用户注册、拓扑管理、故障处理以及信息收集等功能。全局监察模块根据用户终端发送的信息组织全局的拓扑信息，能够实时动态显示边缘服务器覆盖范围内的终端设备网络信息；用户注册模块允许发起任务的终端设备进行动态访问并完成注册，所有任务发起的终端设备需要在卸载计算任务之前向边缘服务器注册，然后边缘服务器会根据实时情况将计算任务卸载到不同的位置；拓扑管理模块可以根据业务需求发布指令，并控制终端设备是否参与网络；故障处理模块主要完成故障判断、报警等任务；信息收集模块主要负责各节点间的信息交互与收集。

计算平台包括边缘服务器计算平台和终端设备计算平台。计算平台作为任务处理平台，需要部署相应的功能模块来满足平台的服务功能需求，包括资源调度、通道监控、路由转发、协作处理和数据缓存。资源调度模块允许计算平台调用底层基础资源以满足计算任务的需求；通道监控模块可以随时获取通道信息，比如网络节点之间的信道变化；路由转发模块和协作处理模块能够实现网络节点之间的功能调度与任务分配；数据缓存模块可以有效地保证计算平台的数据安全。在已有基础上，用户可以进一步根据自身的功能需求添加相应的功能。

（3）基础资源平面

基础资源是指能源互联网边缘计算网络架构中的基础物理资源，包括计算资源、存储资源和网络资源。微云为上层提供计算和存储资源，以通过虚拟化技术进行统一部署。网络资源主要包括云服务器与边缘服务器、边缘服务器与异构终端、云服务器与异构终端之间的通信链接。虚拟化技术的应用可以有效解决基础资源的异构问题，并提供标准化的接口供上层控制平面使用。

2 基于Stackelberg博弈的边缘计算卸载机制

2.1 优化目标

随着电力系统智能化的不断提升，对系统计算能力的要求愈加严格。当终端设备计算过载时，需要进行计算卸载以提升能源互联网系统整体的任务处理能力。能源互联网中存在海量异构的终端设备，导致了巨大的任务处理时延。整体时延由计算时延与通信时延两部分组成。从用户终端卸载任务到边缘节点有益于保证完备的计算资源从而减少计算时延，但会因数据传输产生额外的通信时延。所以，需要综合考虑计算负载调度和相关通信限制，权衡计算时延和通信花销得到高效的计算卸载策略［10］。

2.2 计算卸载流程

能源互联网计算卸载决策的整体流程如图3所示，当用户终端的计算任务不需要卸载时，直接在设备本地进行计算。当用户终端的计算任务需要卸载时，进一步决策卸载到边缘节点。将计算任务卸载到边缘节点进行处理后，再将计算结果回传至系统内的用户终端［15］。

图3 计算卸载决策流程

2.3 系统模型

考虑能源互联网系统多用户终端单边缘计算服务器的场景，边缘节点与用户终端间总的传输带宽可在用户间均分，使得每个用户拥有相互不覆盖的频率，能够同步将其任务数据卸载至边缘云执行。基于任务处理时延与任务处理回报，研究任务处理过程中用户终端与边缘服务器的效用函数。为了简化建模过程，不考虑传输速率差异以及任务处理后的回传时间。建模过程中的符号见表1。

表1 建模符号示意表

由于任务的本地执行和边缘节点的计算卸载执行可同时进行，则执行用户ui总计算任务的时延可表示为

2.4 Stackelberg博弈建模

Stackelberg博弈是常用博弈论类型中的一种。20世纪30年代，德国经济学家Stackelberg提出了一种反映现实当中不对称竞争的博弈模型，即Stackelberg博弈模型［16］。在Stackelberg博弈模型中，存在一个领导者和若干个跟随者，跟随者在博弈过程中的地位是平等的，博弈行为是相似的。该博弈模型的基本假定是：领导者知道跟随者会对它的“支付预算”作出“回报”，因而当领导者要确定自身的“支付预算”时，需要考虑跟随者会如何做出“回报”，以使自身效用最大化。从跟随者的角度考虑，同样也希望其自身效用最大化。在能源互联网单边缘服务器多用户终端场景下，边缘计算卸载决策模型中Stackelberg博弈存在两种博弈参与者。

（1）边缘服务器

②多数居民通过亲身经历获得相关内涝灾害知识，还有通过广播、电视、报纸、网络等大众传媒方式获取这方面的知识，少有通过其他方式获得。说明居民获取内涝灾害信息的渠道单一，对政府的依赖度很低。

边缘服务器是博弈中的领导者。边缘服务器通过提供额外的计算资源来满足用户终端的计算卸载需求，边缘服务器对其自身计算能力的定价策略可以影响用户终端的计算卸载策略，从而最大化自身效用。边缘服务器对不同用户终端的定价策略表示为p＝｛p1，p2，…，pu｝。

（2）用户终端

用户终端作为参与博弈的跟随者，当本地计算资源难以满足计算需求时，需要进行数据卸载。需要根据边缘服务器对其计算资源的定价和自身的任务处理回报，调整其计算卸载策略以达到最优效用。用户终端的卸载策略，即不同终端的计算卸载占比表示为w＝｛w1，w2，…，wu｝。

考虑在本地任务处理的时间、卸载数据传输的时间以及在边缘服务器处进行任务处理的时间，分别建立边缘服务器与用户终端的博弈效用函数。对于用户终端来说，其效用函数由进行任务处理得到的回报与处理过程中的成本消耗之差组成，成本消耗包括对边缘服务器支付的卸载计算费用和整体计算延时之和，即

其中，Ri（wi）即用户在卸载策略为wi时的收益函数［17］，表示为

其中，β表示常量，与用户终端的特性相关。

对于边缘服务器来说，其得到的用户终端给予的计算资源支付即为其效用函数表达式

2.5 问题求解

Stackelberg博弈的纳什均衡即为博弈的最终解，当博弈达到纳什均衡后，博弈中的每个参与者的效用可以达到最大值，且参与者单方面改变自身策略不会带来其效用的增加。对于用户终端来说，有

即

基于该边界值，式（10）可以进一步转化为

对式（13）求关于wi的一阶导数，有

其中，C表示求导后结果中的常数，进一步求式（13）关于wi的二阶导数，有

则用户终端效用函数Ui（wi，pi）为凹函数，其博弈效用最大化存在纳什均衡解。其存在性表明，对于边缘服务器给定的定价策略，用户终端的卸载决策总存在纳什均衡点。同理可以得到边缘服务器定价策略的纳什均衡点，即总能找一个最优的边缘服务器定价集合及相应的终端卸载决策集合使得博弈双方的效用均达到最大化。

对于能源互联网场景下的计算卸载，边缘服务器作为Stackelberg博弈的领导者会根据用户终端的计算需求动态调整定价，当其效用达到最大时，停止改变定价策略，此时的定价作为最优定价p*。对应此定价，用户终端效用最优时可得到终端的最优卸载策略w*。此时，Stackelberg博弈达到均衡，任一博弈参与者均无法通过改变其自身策略得到更大的效用。

3 仿真分析

在本文中，对所提出的能源互联网场景下基于Stackelberg博弈的边缘计算卸载机制进行仿真分析。主要考虑参与用户终端计算任务卸载比例与边缘节点的计算定价对整体卸载性能的影响。

整体仿真在Matlab环境下进行，模拟能源互联网场景下的计算卸载流程。初始仿真参数设定用户终端数量u＝10，终端ui的计算能力为1 000 cycles／s、边缘服务器的计算能力为10 000 cycles／s。终端ui处总的任务处理量为1 MB，执行1 bit任务量所需CPU周期数1 000 cycles，其到边缘节点进行计算卸载的信息传输速率为1 000 bit／s。边缘服务器支付的卸载计算费用和整体计算延时对终端效用的权重影响因子ρ取值为1。

若随着迭代的进行，各个用户终端的效用值大小趋于稳定，说明此时已经到达最优的博弈决策，即纳什均衡解，能够证明博弈方法的有效性。如图4所示，分别展示了影响终端效用的各因素，即总体任务处理的终端回报、报酬支付带来的终端花费以及时延带来的终端花费。可以看出，随着迭代的进行，回报与花费抵消后的终端效用值大小趋于平稳，能够逐步得到最优决策。同理，边缘服务器的效用值随迭代次数的变化如图5所示。权重影响因子ρ值表征了报酬支付带来的终端花费与时延带来的终端花费对用户终端效用的影响占比关系，ρ值越大表示时延带来的终端花费对用户终端效用的影响越大。由图6可以看出，当ρ值由1变成0.8，即时延带来的终端花费较报酬支付带来的终端花费影响占比更小时，用户终端拥有更高的效用。

图4 影响终端效用函数的各因素

图5 边缘服务器效用变化

图6 权重影响因子ρ值不同时的终端效用变化

图7展示了本文所提出的Stackelberg博弈方法与进行集中式卸载算法、随机卸载算法、全部MEC服务器处理算法以及不进行卸载全部进行本地任务处理情况下的终端效用变化对比结果。其中，用户终端选择全部进行本地计算得到的效用值是最低的，此时虽然不用向边缘服务器支付卸载报酬，也不存在因卸载过程导致的传输时延，但因终端本地计算能力有限，难以实现对多个计算任务的同步并行处理，会产生较高的处理时延，导致用户终端的整体效用值较低。全MEC服务器处理方案根据各个MEC服务器的整体任务处理能力，考虑将完整任务卸载到某个最佳的MEC服务器执行，此时相较在本地进行计算的整体任务处理能力有所提升，但是因中间数据传输导致的整体时延使得总体的效用并未得到显著改善。随机卸载算法考虑将完整任务随机分配到多个MEC服务器处理或留在本地处理，其相较前两种方案更加灵活，合理配置后可以实现更好的效用，但相比较本文提出的卸载策略仍可进一步实现更好的优化。集中式算法中边缘服务器根据初次收集的终端卸载请求与MEC服务器即时资源情况进行一次卸载计算资源分配，不考虑双方策略之间的相互影响及迭代，无法根据实时的情况可持续地更新卸载策略，其在给定的定价策略下并未充分利用边缘云的计算能力，因而其效用值较低。可以看出，本文提出的采用Stackelberg博弈的方法进行计算卸载拥有更高的效用值，博弈过程考虑了终端间的卸载决策影响以及给定边缘服务器定价下用户终端的卸载决策变化，使用户终端的卸载决策在给定MEC服务器的定价策略下进行动态迭代，最终能够实现各个博弈参与者效用的最优化，实现提升能源互联网网络整体的任务处理能力。

图7 不同卸载方式对终端效用的影响

4 结束语

在本文中，对能源互联网边缘计算网络架构进行了研究，通过切实可行的功能模块设计，该体系结构可以进一步提高智能电力网络的任务处理能力和资源利用效率。同时，合理利用边缘资源进行计算卸载能够增强系统内用户终端的计算效率。依此，分析了该场景下的计算卸载问题，设计了能源互联网边缘计算网络架构下的计算卸载策略，基于Stackelberg博弈的方法分别考虑用户终端的任务卸载比例与边缘服务器的卸载计算定价对各博弈参与者效用的影响。实验结果表明，通过进行合理的计算卸载决策，可以有效地提升边缘服务器与用户终端的效用，改善能源互联网系统的整体性能。