一种基于多维工况耦合的通信基站储能阵列动态重构方法及系统与流程
本发明属于通信网络基础设施运维,具体涉及一种基于多维工况耦合的通信基站储能阵列动态重构方法及系统。
背景技术:
1、随着5g/6g基站密度的爆发式增长及单站功耗的攀升,通信网络的能源保障面临严峻挑战。基站备用蓄电池不仅是应对市电中断的最后一道防线,更是具有极高价值的可调度资产。然而,在现有的基站储能运维体系中,资源的配置与调度存在以下根本性技术瓶颈:
2、1.集中式调度的“维数灾难”与单点故障风险:现有技术多采用集中式控制中心进行全网统一调度。面对成千上万个基站节点,储能资产的优化配置面临巨大的组合优化难题。现有的“坏一块换一块”的被动维护模式,缺乏全局视角的资产流动机制,导致高价值(高soh)电池长期闲置于低风险站点,而高危站点却因缺乏优质电池而在断电事故中率先掉站,造成全网资产效用的严重浪费。此外,一旦中心节点发生通信故障或算力瘫痪,全网调度将瞬间失效,系统鲁棒性极差。
3、2.电池老化状态的“黑箱”与短视匹配:传统调度仅依据当前的健康度(soh)或电压值进行简单的“强弱搭配”。然而,电化学电池具有显著的非马尔可夫(non-markovian)老化特征,即当前的性能表现深受数年前历史工况(如一次深度过放或高温暴露)的隐性影响。现有调度算法缺乏对这种长时序记忆的提取能力,导致将“外强中干”的隐患电池配置到高危基站,埋下掉站隐患。
4、3.缺乏激励相容的协同机制:在实际运维中,不同区域的基站往往隶属于不同的维护网格甚至不同的运营商(共享铁塔场景)。传统的强制指令式调度忽略了局部利益,缺乏一种机制来衡量“此时此刻,哪个基站最需要这块电池”。缺乏动态定价机制导致资源往往流向了并非最紧迫的节点,造成了全网生存效用的浪费。
技术实现思路
1、有鉴于此,本发明提供了一种基于多维工况耦合的通信基站储能阵列动态重构方法及系统,以解决现有技术中集中式调度计算复杂度高、无法处理电池长时序隐性损伤、以及缺乏精细化供需匹配机制导致的全网生存能力低下等技术问题。
2、本发明采用的技术方案如下:
3、一种基于多维工况耦合的通信基站储能阵列动态重构方法,包括:
4、步骤 1:将目标区域内的每个通信基站及其附属储能单元共同建模为独立的强化学习智能体,各智能体关联对应的基站运行需求与储能单元状态;
5、步骤1中,每个所述智能体配置有局部观测空间和虚拟效用账户;
6、所述局部观测空间用以观测内容包括对应基站的本地负载、附属储能单元的实时电压、运行环境温度及二者的历史运维日志;
7、所述虚拟效用账户用于在竞价环节中支付或收取虚拟信用分,量化对应基站对优质储能资源的需求紧迫程度。
8、步骤 2:各智能体基于 transformer-xl 时序模型处理储能单元的历史生命周期运行数据,生成包含电池隐性损伤记忆与未来性能退化趋势的自我认知嵌入向量;
9、所述步骤2具体包括:
10、步骤2.1:各智能体获取其储能单元在历史生命周期内的时间序列运行数据,所述数据至少包括电压序列、电流序列和温度序列;
11、步骤2.2:将所述历史时间序列运行数据输入到本地部署的transformer-xl时序模型中;
12、步骤2.3:transformer-xl时序模型处理所述历史时间序列运行数据,最终输出所述自我认知嵌入向量;
13、其中,在transformer-xl模型计算自注意力分数的过程中,应用温控因子加权注意力机制,为每个历史时间片段计算一个基于温度记录的偏置权重,并将该偏置权重加入到注意力分数的计算中。
14、所述温控因子加权注意力机制的计算公式如下:
15、
16、其中,q 为查询向量,k 为键向量,v 为值向量,为键向量维度,为键向量 k的转置运算,softmax 为归一化函数, 为温控偏置矩阵,的计算方式如下:
17、
18、其中,表示历史时刻 的电池温度记录,表示电池安全温度阈值,表示热损伤记忆系数,t 为当前时间步,j 为历史时间步,为当前时间步 t 对历史时间步 j 的温控偏置值。
19、步骤 3:各智能体通过所属基站间的通信链路构建动态拓扑图,广播加密的意图特征向量,利用意图感知图网络聚合邻居特征,形成表征区域供电风险共振水平的环境感知嵌入向量;
20、所述步骤3具体包括以下步骤:
21、步骤 3.1:各智能体基于所属基站的地理邻近关系与供电拓扑结构,构建基站间的动态拓扑图,动态维护一跳邻居节点列表;
22、步骤 3.2:各智能体将自身基站运行需求与储能单元状态输入轻量级 mlp 编码器,生成包含求援意图与协作意图的加密语义意图特征向量;
23、步骤 3.3:通过基站间通信链路向邻居节点广播所述意图特征向量,不传输原始运行数据;
24、步骤 3.4:利用图注意力机制计算邻居节点意图特征向量的注意力系数,根据系数权重聚合邻居特征,生成环境感知嵌入向量。
25、所述步骤3.4中,所述环境感知嵌入向量通过下式计算:
26、
27、其中,是邻居智能体j的意图特征向量的注意力权重系数,
w是共享权重矩阵,是邻居智能体j的意图特征向量,是激活函数,n(
i)是智能体i
i的邻居集合。
28、步骤 4:各智能体结合自我认知嵌入向量与环境感知嵌入向量,综合自身基站运行需求与储能单元状态,自主决策生成资产置换的买入报价或卖出报价,形成基于风险定价的虚拟竞价策略;
29、所述步骤4中,虚拟竞价策略的生成遵循边际效用递减原则,具体为:
30、当智能体预测当前电池的健康度衰减将导致未来供电容量出现缺口时,基于期望生存时间提升的边际效用生成买入报价;所述买入报价的增长幅度随报价升高而减缓,且报价上限受到该智能体虚拟账户中信用分余额的限制;
31、当智能体判断当前电池健康度有富余且出让后自身风险可控时,基于出让电池所导致的自身生存效用减少量生成卖出报价;所述卖出报价为智能体愿意出让其电池实体的最低接受价格。
32、步骤 5:通过集中训练分布执行架构的策略网络模拟多轮资产置换竞价,搜索使全网长期生存概率最大化且物流熵最小化的纳什均衡策略组合,达成满足成本约束的资产置换契约后,同步执行储能单元物理重构、数字孪生随路迁移及模型记忆热加载。
33、步骤5中,所述模型记忆热加载具体包括:
34、目标基站智能体接收并解密来自源基站的数据包;
35、将解密后的数据加载到其内置的transformer-xl时序模型中,以更新模型对当前物理电池的历史记忆;基于更新后的记忆,继续对该电池的健康状态与退化趋势进行连续性评估。
36、步骤5中,所述集中训练分布执行架构的实现具体包括:
37、在离线训练阶段,构建一个中央评论家网络,该网络接收所有智能体的状态信息,计算全局价值函数和优势函数;利用所述全局优势函数,同时训练所有智能体的本地策略网络;在在线执行阶段,各智能体仅使用训练好的本地策略网络,根据自身及邻居信息进行独立决策。
38、实施例2
39、本实施例提出一种通信基站储能资源分布式协同调度系统,所述系统包括:
40、分布式智能体节点,部署于各通信基站,用于执行本地状态感知、认知推理与竞价决策;
41、图通信共识模块,用于维护基站间的动态邻居关系,并处理意图特征向量的广播与聚合;
42、虚拟竞价撮合引擎,部署于云端,用于接收并匹配买卖报价,验证成本约束,并生成调度指令;
43、策略进化训练平台,部署于服务器,用于执行集中式强化学习训练,并更新下发各智能体节点的策略参数。
44、综上所述,由于采用了上述技术方案,本发明的有益效果是:
45、1. 本发明采用分布式多智能体架构,决策计算分散在各基站边缘侧,随着基站数量增加,计算复杂度呈线性而非指数增长,具备极强的可扩展性。同时,任意节点的失效不会导致全网瘫痪,显著提升了系统的鲁棒性。
46、2. 本发明引入虚拟竞价与纳什均衡博弈,不仅解决了资源分配的优先级问题(即“谁最需要给谁”),还通过经济学机制自动平衡了高昂的物理搬运与人工上站成本与基站生存收益,避免了因局部视角的短视而导致的无效资产轮转,确保每一次物理重构都能带来全局显著的可靠性提升。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com