一种基于可再生能源的输电线路MEC服务部署方法

一种基于可再生能源的输电线路mec服务部署方法
技术领域
1.本发明属于电力物联网数据传输领域，具体地说，是指一种基于可再生能源的输电线路mec服务部署方法。


背景技术：

2.电力物联网作为能源互联网的基础支撑网络，具有能量流与信息流紧密结合的特征。在电力物联网建设中，输电线路系统的可靠性直接关系到整个网络的稳定性。输电线路从几十公里到上千公里不等，尤其是高压输电线路，线路电压与供电范围呈正相关关系，若发生故障将导致大面积停电，对社会生产生活造成损失。导致输电线路发生故障的不仅有暴雨、大风、洪水和冰雪等自然因素，还有偷窃和破坏等人为外力因素。因此，对上述安全隐患进行及时的发现和处理，将提高输电线路系统的运行可靠性，对电网的安全运行具有重要意义。
3.由于传统的人力巡检存在偏远地区不可达，且耗费人力物力资源大等问题，满足不了日益庞大的输电线路监测自动化和智能化的需求。因此，现有的输电线路监测系统网络主要由部署在杆塔和输电线路上的视频和传感器设备以及巡检无人机组成。视频设备用于实时监测线路上各设备例如绝缘子等状态，以及天气等气象状况。传感器设备通过对线路抖动、杆塔倾斜角等数据进行监测，进而判断输电线路中各实体所处的状态，从而对异常状态进行报警。无人机可根据巡检任务需求对巡检线路状态进行记录，并将视频回传至监控中心。
4.基于物联网技术建设的输电线路监测系统已经在一定程度上得以应用，但仍存在如何将采集到的有效数据传输至监控中心的问题，尤其在人烟稀少的地区。此类地区具有移动网络覆盖弱，网络的接入点距离远等特点。为了解决上述问题，考虑到部署成本等因素，现有方案选择利用无线多跳自组网扩大网络的覆盖范围，将数据多跳传输至监控中心。架构图如图1所示，每个输电杆塔上存在一个汇聚节点，负责汇聚覆盖范围下的视频、传感器和无人机节点采集的数据并兼具转发功能，汇聚节点之间采用5.8ghz频段进行通信，将采集的数据通过第五代移动通信技术(5th generation mobile communication technology,5g)基站、卫星和远距离点对点无线等方式传输至监控中心。各节点采用“电池 自取能”的方式实现供能。
5.为了进一步减少人力成本，加大电网的智能化和自动化建设，智能巡检和实时视频分析等业务被提出，这要求现有的输电线路监测网络具有一定的计算能力。传统的实现方式是从请求任务的设备侧发送所有数据至云中心服务器，在云中心计算完成后将结果返回至设备侧[1]。随着数据的激增，这种传统的“云-端”模式的弊端逐步显现。由于数据传输将占据有限的带宽资源的绝大部分，这将会带来通信道路阻塞，进而带来时延增大等问题，这对于时延敏感性应用是致命的。同时，无效数据的发送和数据传输过程中的篡改、丢失等现象，也带来了系统可靠性降低的问题[2]。
[0006]
鉴于云-端模式存在诸多局限，多接入边缘计算(multi-access edge computing,
mec)技术作为一种新的计算范式被提出[3]。mec在无线接入网络(radio access network,ran)边缘部署服务器，使靠近终端用户的ran边缘具备信息技术(information technology,it)和计算能力，实现提供低功耗、低延迟和高带宽环境的目标[4]。与传统的“云”不同，mec可以提供大量的分布式计算节点，这些节点靠近物联网设备，以支持实时信息收集和分析服务[5]。同时，边缘计算节点还提供计算能力来处理物联网的需求，减少传输时延和电力物联网设备功耗。
[0007]
然而mec节点在输电线路监测系统中部署的位置不同，会影响整个网络的性能，例如时延和能耗等[6]。此外，若mec节点选址不当，会造成各区域边缘节点负载不均衡，从而出现资源利用效率低甚至空置的现象[7]。
[0008]
针对边缘节点放置问题，文献[8]结合运营商在现有通信环境下部署的基站，提出了一种基于k-means的边缘服务器部署算法。有效降低部署成本，为区域内用户提供计算和存储服务。文献[9]提出了一种优先级感知的边缘服务器布局方法，该方法在最小化查询延迟和平衡边缘服务器负载方面提供了更好的解决方案。文献[10]将降低总能耗和延迟可接受的边缘服务器放置问题表述为一个多目标优化问题。并设计了一种基于粒子群优化的能量感知边缘服务器放置算法。文献[11]提出了一种基于免疫优化算法的边缘服务器放置方法，通过边缘服务器之间的工作负载平衡找到最佳边缘服务器位置，最大限度地减少边缘服务器访问延迟。
[0009]
以上的文章都对mec部署问题提出了相关策略研究，但大多文章考虑的部署策略场景均是基于移动蜂窝网络，并没有考虑在移动网络覆盖差的偏远地区的无线接入网络状况，也没有考虑电力物联网下输电线路监测网络的网络特性。
[0010]
[1]曾鸣,王雨晴,李明珠,等.泛在电力物联网体系架构及实施方案初探[j].智慧电力,2019,47(4):1-7,58.
[0011]
[2]吕继伟.基于泛在电力物联网的换流站在线监测系统优化综述[j].电力工程技术,2019,38(6):9-15.
[0012]
[3]d.newman and o.blanchard,"edge computing index:from edge to enterprise",may 2018,[online]available:https://futurumresearch.com/edge-computing-from-edge-to-enterprise/.
[0013]
[4]y.liu,m.peng,g.shou,y.chen and s.chen,"toward edge intelligence:multiaccess edge computing for 5g and internet of things,"in ieee internet of things journal,vol.7,no.8,pp.6722-6747,aug.2020,doi:10.1109/jiot.2020.3004500.
[0014]
[5]d.georgakopoulos,p.p.jayaraman,m.fazia,m.villari and r.ranjan,"internet of things and edge cloud computing roadmap for manufacturing",ieee cloud comput.,vol.3,no.4,pp.66-73,jul./aug.2016.
[0015]
[6]jia m,liang w,xu z,et al.cloudlet load balancing in wireless metropolitan area networks[c].35th annual ieee international conference on computer communications,san francisco,usa,10-14april,2016:1-9.
[0016]
[7]huang s q,wang g c,et al.node deployment optimization of wireless network in smart city[j].journal of computer research and development,2014,51
(2):278-289.
[0017]
[8]b.li,k.wang,d.xue and y.pei,"k-means based edge server deployment algorithm for edge computing environments,"2018ieee smartworld,ubiquitous intelligence&computing,advanced&trusted computing,scalable computing&communications,cloud&big data computing,internet of people and smart city innovation(smartworld/scalcom/uic/atc/cbdcom/iop/sci),2018,pp.1169-1174,doi:10.1109/smartworld.2018.00203.
[0018]
[9]y.chen,y.lin,z.zheng,p.yu,j.shen and m.guo,"preference-aware edge server placement in the internet of things,"in ieee internet of things journal,doi:10.1109/jiot.2021.3079328.
[0019]
[10]y.li and s.wang,"an energy-aware edge server placement algorithm in mobile edge computing,"2018ieee international conference on edge computing(edge),2018,pp.66-73,doi:10.1109/edge.2018.00016.
[0020]
[11]x.chen,w.liu,j.chen and j.zhou,"an edge server placement algorithm in edge computing environment,"2020 12th international conference on advanced infocomm technology(icait),2020,pp.85-89,doi:10.1109/icait51223.2020.9315526.


技术实现要素：

[0021]
本发明针对偏远地区输电线路监测系统的特性以及存在的问题，考虑网络中各节点的属性和网络整体特性等因素，基于k-means和权重，提出了一种基于可再生能源的输电线路mec服务部署方法，构建新型电力系统，助力传统电网向智能化和自动化转型。
[0022]
所述的基于可再生能源的输电线路mec服务部署方法，具体步骤如下：
[0023]
步骤一，建立输电线路监测网络，并随机生成一个具有n个节点的无线多跳网状拓扑作为基本网络拓扑；
[0024]
所述的输电线路监测网络采用混合网状无线多跳自组网，其中，骨干网包括汇聚节点和网关节点，接入网包括各类接入设备。所有信息经由网关节点传输至电力专网，因此，将mec服务部署在网关节点中。
[0025]
网络拓扑由无向图g(v,e)表示，其中v＝{v1,v2,...,vn}表示所有节点的集合，e表示节点之间的双向通信链路。网络拓扑中的节点vi的位置用pi表示，i∈{1,2,3,...,n}。
[0026]
步骤二，遍历网络拓扑中的所有节点v＝{v1,v2,...,vn}，获取各节点位置，利用k-means算法将节点划分为m个簇，并返回每个簇的簇头位置pk，形成初始簇头集th＝{thk,...}。
[0027]
步骤三，遍历m个簇，分别计算每个簇内各个节点距其簇头的距离，将距离最小的节点v
x
作为初始簇头th
x
，修改初始簇头集为th'＝{th
x
,...}。
[0028]
步骤四，判断每个簇中各节点vj距离其初始簇头th
x
的跳数s
jx
是否大于该拓扑网络允许的最大跳数s
max
，若是，则将节点vj划分至待定节点集合wn＝{v
j,...
}中；否则，将节点vj划分至初始簇成员集合tc
x
＝{vj,...}中。
[0029]
步骤五，遍历初始簇头集th'＝{th
x
,...}，计算每个初始簇头th
x
对应的初始簇成
员集合tc
x
＝{vj,...}中的各个节点权重wi，选择权重最高的节点作为各初始簇成员集合的簇头h
x
，新簇头集h＝{h
x
,...}。
[0030]
节点权重wi通过该节点的邻居节点数量和能量参数计算，公式为：
[0031][0032]
其中，α、β和γ表示权重因子，n(vi)表示节点vi邻居节点数量，ki表示节点vi的能量采集机会因子，ei表示节点vi的初始能量值，es(t)表示t时间的能量采集量，表示节点vi的计算任务量。
[0033]
步骤六，遍历各初始簇成员集合中的剩余节点vj，判断节点vj距离簇头h
x
的跳数s
jx
'是否大于s
max
，若是，则划分该节点至待定节点集合wn；若否，则划分该节点至簇成员集合c
x
＝{vj,...}中，执行步骤七。
[0034]
步骤七，遍历簇成员集合c
x
中所有节点，判断簇成员集合c
x
中各节点是否同时满足约束条件1和约束条件2，若同时满足，则保留该节点，并执行步骤八；否则，将该节点划分至待定节点集合wn；
[0035]
约束条件1为mec节点接收卸载任务数据所消耗的能量小于该节点的总能量：
[0036][0037]
其中，e
elec
是mec节点接收单位比特数据需要消耗的能量，表示簇成员集合中所有节点的总计算任务量。
[0038]
约束条件2为簇成员集合中所有节点的总计算任务量不超过mec节点的最大计算处理能力：
[0039][0040]
其中，t
max
表示mec节点的最大计算处理能力。
[0041]
步骤八，判断簇成员集合c
x
中所有节点是否均被遍历，且簇成员集合c
x
是否不再变化，若是，则执行步骤九；否则，返回步骤六重新划分簇成员集合c
x
。
[0042]
步骤九，判断初始簇头集th'是否均已被遍历，且簇成员集合c
x
是否不再变化，若是，则执行步骤十；否则，返回步骤五重新遍历初始簇头集th。
[0043]
步骤十，遍历待定节点集合wn＝{v
j,...
}，计算其中各节点vj至新簇头集h＝{h
x
,...}中各簇头的跳数将跳数最少对应的节点vj划分至簇成员集合c
x
＝{vj,...}，直到所有待定节点都被遍历。至此，所有节点均被划分。
[0044]
步骤十一，根据所有节点的划分结果，确定各簇头的位置即为mec服务部署的位置。
[0045]
本发明的优点及其有益效果在于：
[0046]
1、本发明在k-means方法划分的初始簇之上，考虑节点的邻居节点数量、能量和任务量等因素，进一步对节点进行划分，选择更合理的节点部署mec服务，保证并提升了输电线路监测系统中mec节点的负载均衡性；同时，限制了卸载任务的传输跳数，有效降低了系
统平均卸载时延，减小了时延波动。
[0047]
2、本发明降低了输电线路监测系统的总能量，由于减少了卸载任务的传输跳数，进而减少了节点收发数据的能量消耗，在经过24h后，采用本方法的网络节点剩余的总能量大于起始总能量，有效延长了网络存活时间。
附图说明
[0048]
图1为输电线路物联网架构示意图；
[0049]
图2为本发明基于可再生能源的输电线路mec服务部署方法流程图；
[0050]
图3为一种已部署mec服务的输电线路网络示意图；
[0051]
图4为极值化后的简易太阳能采集模型曲线图；
[0052]
图5为本发明实施例聚类前网状网络拓扑示意图；
[0053]
图6为本发明实施例聚类后网状网络拓扑示意图；
[0054]
图7为本发明实施例中应用mdbwk、k-means和random三种方法确定的mec节点的负载均衡性对比图；
[0055]
图8为本发明实施例中计算任务在本地计算和卸载至应用mdbwk、k-means和random三种方法确定的mec节点计算所需的平均时延对比图；
[0056]
图9为本发明实施例中将计算任务卸载至mdbwk、k-means和random三种方法确定的mec节点后网络中节点总能量随时间变化趋势图。
具体实施方式
[0057]
下面将结合附图和实施例对本发明作进一步的详细说明。
[0058]
偏远地区输电线路具有移动网络覆盖差和距离电力骨干网络接入点远等特点，考虑该网络存在实时视频分析等复杂计算任务，传统的“云-端”模式不能满足现有需求。本发明考虑使用多接入边缘计算技术，并结合偏远地区特点，对输电线路监测系统网络及网络中各节点实体进行建模。在该模型基础上，提出了一种基于k-means和权重的mec服务部署方案(mec service deployment scheme based on k-means and weigh，mdbkw)。该方案在k-means聚类基础上，根据节点的邻居节点数量以及能量因素选择簇头，根据计算任务大小、传输跳数和能量消耗约束对输电线路监测网络拓扑进行聚类。将选择出的簇头节点部署mec服务，作为mec节点。mec服务部署在邻居节点数量较多的节点，能够使计算任务转发跳数较少，传输时延较少；部署在能量充足的节点，可以延长网络存活时间，增强网络稳定性。仿真结果表明，该部署方案在保证mec节点负载均衡的同时，降低了系统时延和能耗。
[0059]
一种基于可再生能源的输电线路mec服务部署方法，如图2所示，具体步骤如下：
[0060]
步骤一，建立输电线路监测网络，并随机生成一个具有n个节点的无线多跳网状拓扑作为基本网络拓扑；
[0061]
考虑到部署成本，并扩大输电线路监测网络覆盖范围，本发明利用无线多跳自组网作为输电线路监测网络组网方式。在该网络中，随着跳数的增加，传输带宽会大量下降。为了保证网络的吞吐量和稳定性，输电线路监测网络采用混合网状无线多跳自组网，而不是线性。在该网络拓扑结构中，骨干网包括汇聚节点和网关节点，接入网包括各类接入设备，所有信息经由网关节点传输至电力专网。因此，将mec服务部署在网关节点中可有效降
低网络时延，并缓解有限的带宽资源分配压力。
[0062]
如图3所示为一种已部署mec服务的输电线路监测系统示例及对应的无线多跳自组网拓扑。输电线路监测网络的骨干网被划分为若干个区域，每个区域包含多个汇聚节点和一个网关节点即mec节点。图中下方表示放大后的区域内网络，当无人机等接入设备产生计算任务时，可以由汇聚节点进行本地处理，也可以由汇聚节点将计算任务卸载到所属区域内的mec节点进行处理。
[0063]
为了不失一般性，随机生成一个具有n个节点的无线多跳网状拓扑作为基本拓扑。网络拓扑由无向图g(v,e)表示，其中v＝{v1,v2,...,vn}表示所有节点的集合，e表示节点之间的双向通信链路。网络拓扑中的节点用vi表示，位置用pi表示，i∈{1,2,3,...,n}。
[0064]
步骤二，遍历网络拓扑中的所有节点v＝{v1,v2,...,vn}，获取节点位置pi，利用k-means算法将节点划分为m个簇，并返回每个簇对应的簇头位置pk，则初始簇头集th＝{thk,...}。
[0065]
步骤三，遍历m个簇，分别计算每个簇内各个节点距其簇头的距离di，将每个簇内di取值最小时对应的节点v
x
作为初始簇头th
x
，修改初始簇头集为th'＝{th
x
,...}。
[0066]
步骤四，判断每个簇中各节点vj距离其初始簇头th
x
的跳数s
jx
是否大于该拓扑网络允许的最大跳数s
max
，若是，则将节点vj划分至待定节点集合wn＝{v
j,...
}中；否则，将节点vj划分至初始簇成员集合tc
x
＝{vj,...}中。直至m个簇都已被遍历，执行步骤五。
[0067]
本实施例中设置s
max
＝2。
[0068]
步骤五，遍历初始簇头集th'＝{th
x
,...}，计算每个初始簇头th
x
对应的初始簇成员集合tc
x
＝{vj,...}中的各个节点权重wi，选择权重最高的节点作为各初始簇成员集合的簇头h
x
，得到新簇头集h＝{h
x
,...}。
[0069]
节点权重wi通过该节点的邻居节点数量和能量参数计算，公式为：
[0070][0071]
其中，α、β和γ表示权重因子，n(vi)表示节点vi邻居节点数量，节点具有相同的传输范围r，在这个范围内，节点之间可以收发数据；ki表示节点vi的能量采集机会因子，ei表示节点vi的初始能量值，es(t)表示t时间的能量采集量，表示节点vi的计算任务量。
[0072]
能量采集量的计算过程为：
[0073]
所有节点采用太阳能和电池进行供能，节点可用能量由采集、消耗和存储三方面决定。每个节点初始能量值用ei表示。采用图4所示的简易太阳能采集模型，为了模拟太阳强度的昼夜变化，将单个节点的太阳能采集量随时间变化建模，并对其取极值化处理。
[0074]
假设时间间隔为1h，将e
max
作为太阳能采集量最大值，单个节点在不同时间下采集的能量es(t)如式(1)所示。同时考虑节点到在采集太阳能时，容易受树木、山脉等遮挡，造成在同一时间不同部署地点的节点采集效率不同，此因素由能量采集机会因子ki表示。
[0075][0076]
步骤六，遍历各初始簇成员集合中的剩余节点vj，判断节点vj距离簇头h
x
的跳数s
jx
'是否大于s
max
，若是，则划分该节点至待定节点集合wn；若否，则划分该节点至簇成员集合c
x
＝{vj,...}中，执行步骤七。
[0077]
步骤七，遍历簇成员集合c
x
中所有节点，判断簇成员集合c
x
中各节点是否同时满足约束条件1和约束条件2，若同时满足，则保留该节点，并执行步骤八；否则，将该节点划分至待定节点集合wn；
[0078]
约束条件1为mec节点接收卸载任务数据所消耗的能量小于该节点的总能量：
[0079][0080]
其中，e
elec
是mec节点接收单位比特数据需要消耗的能量，表示簇成员集合中所有节点的总计算任务量。
[0081]
约束条件2为簇成员集合中所有节点的总计算任务量不超过mec节点的最大计算处理能力：
[0082][0083]
其中，t
max
表示mec节点的最大计算处理能力。
[0084]
步骤八，判断簇成员集合c
x
中所有节点是否均被遍历，且簇成员集合c
x
是否不再变化，若是，则执行步骤九；否则，返回步骤六重新划分簇成员集合c
x
。
[0085]
步骤九，判断初始簇头集th'是否均已被遍历，且簇成员集合c
x
是否不再变化，若是，则执行步骤十；否则，返回步骤五重新遍历初始簇头集th'。
[0086]
步骤十，遍历待定节点集合wn＝{v
j,...
}，计算其中各节点vj至新簇头集h＝{h
x
,...}中各簇头的跳数得到每个待定节点跳数最少时对应的簇头h
x
，将节点vj划分至簇成员集合c
x
＝{vj,...}，直到所有待定节点都被已遍历。至此，所有节点均被划分。
[0087]
步骤十一，根据所有节点的划分结果，确定各簇头的位置即为mec服务部署的位置。
[0088]
实施例
[0089]
本发明利用python构建仿真场景，并评估了在输电线路网络中部署mec服务的意义和mdbwk部署方法的性能。假设在1km*1km的区域内，随机分布30个汇聚节点，处于传输范围内的节点随机连通。使用本发明提出的mdbwk方法将图5所示的输电线路网状网络拓扑分为4个簇，每簇包括1个网关节点(即mec节点)和若干汇聚节点。每个节点计算任务大小从
5mb～10mb不等。详细的仿真参数如表1所示。
[0090]
表1.仿真参数设置
[0091][0092][0093]
仿真结果分析
[0094]
根据mdbkw方法，可以将输电线路监测系统骨干网的n个汇聚节点分成m个互不相交的簇，划分后网状网络拓扑如图6所示。每个簇选择一个节点作为网关节点，在每个网关节点中部署mec服务。簇其余节点为普通汇聚节点。同一个簇内的汇聚节点可以通过一跳或两跳连接到mec节点。mec节点只为其簇内的汇聚节点提供卸载服务。
[0095]
采用负载均衡性、平均时延和总能量三个评价指标，通过与k-means和random聚类方法对比，分析mdbwk方法的性能。
[0096]
k-means是一种经典的分簇方法，主要根据欧几里得距离将网络划分为不同的簇。random方法是部署微云研究中常用的对比算法，指随机在网络中选择m个节点部署mec服务，节点之间选择无规律。
[0097]
1)负载均衡性
[0098]
负载均衡性可以衡量负载分布的均衡程度，卸载至mec节点的总任务大小均方差的大小可以代表负载均衡性的优劣。定义mec节点的负载均衡性为sd：
[0099][0100]
其中，x表示平均卸载至mec节点总任务大小。
[0101]
由mdbwk、k-means和random三种方法对网络拓扑进行分簇，确定mec节点部署位置后，计算卸载至各mec节点的任务大小，并由此计算负载均衡性，如图7所示。
[0102]
从图中可以看出，mdbwk方法的负载均衡性略优于k-means和random方法。k-means算法把距离作为簇划分的主要依据，因此节点分布会更均匀，但没有考虑节点的计算任务大小。而mdbwk方法，在k-means方法划分的初始簇之上，考虑节点的邻居节点数量、能量和任务量等因素，进一步对节点进行筛选，选择更合理的节点部署mec服务，提升了一定的负载均衡性。
[0103]
2)平均时延
[0104]
在边缘网络中，终端设备会将其子任务卸载至边缘网络进行计算，计算任务可以表示为ti。bi表示计算任务的大小，ci表示完成计算任务ti处理所需要的计算资源，即需要的cpu周期数。
[0105]
在本实施例中，选择二进制任务卸载模型。即把计算任务看作一个整体，全部在终端设备上进行处理或者全部卸载到mec节点进行处理。接下来分别介绍本地计算的延迟和卸载至mec节点的延迟。
[0106]
①
本地处理
[0107]
当任务在本地处理时，将终端设备的本地处理能力量化为cpu周期频率，用f
l
表示。因此计算任务ti在本地处理的时延可以表示为：
[0108][0109]
②
卸载至边缘处理
[0110]
计算任务全部卸载至边缘进行处理时，时延包括两个部分：计算任务从移动终端设备传输到mec节点所需要的传输时延t
mt
，和计算任务在mec节点进行处理的处理时延t
mp
。由于返回的计算结果数据量很小，故一般情况下，忽略计算结果从mec节点传输到移动终端设备所需的回传时延。因此总时延t
im
可以表示为t
mt
与t
mp
的和，即：
[0111]
t
im
＝t
mt
t
mp
[0112]
将mec节点的计算处理能力量化为cpu周期频率，用fs表示。计算任务在mec节点进行处理的处理时延t
mp
可以表示为：
[0113][0114]
令h代表计算任务从汇聚节点传输到mec节点所需的跳数，rj代表第j跳的数据包传输速率，则计算任务从移动终端设备传输到mec节点所需要的传输时延t
mt
可以表示为：
[0115][0116]
在本实施例中，分簇过程中的跳数被限制为两跳。传输时延可由式t
im
计算。
[0117]
令各节点的计算任务在5～10mb之间随机取值，图8显示了计算任务在本地计算和卸载至random、k-means和mdbwk方法确定的mec节点进行计算所需的平均时延。
[0118]
从图中可以看出，三种部署mec节点的方法的节点平均时延均远小于本地计算时延，这说明了在该网络中部署mec节点的有效性。而随着活跃节点的数量增加，由于各节点
计算任务大小不同，本地计算和卸载至mec节点的时延有所波动，但mdbwk方法时延波动最小，这是由于此方法考虑节点的邻居节点数量和计算任务任务大小，且限制了卸载任务的传输跳数。采用距离为划分簇主要依据的k-means方法没有考虑网络中各节点的属性，其选择的mec节点部署位置距簇内汇聚节点的跳数较多，因此平均时延比mdbwk方法较高且波动大。random方法采用随机选择mec节点作为簇头和随机划分汇聚节点至簇内，卸载跳数最多。
[0119]
3)总能量
[0120]
①
发送端
[0121]
在基础无线电模型中，节点vj向距离d处传输l比特数据所消耗的能量e
tx
可以表示为：
[0122][0123][0124]
其中，e
elec
表示收发电路传输单位比特数据所消耗的能量。ε
fs
和对应自由空间和多径传输的放大器特性常数。当d≤d0时，采用自由空间传播模型，当d＞d0时，采用多径衰落模型。
[0125]
②
接收端
[0126]
节点vj接收l比特数据所消耗的能量e
rx
可以表示为：
[0127]erx
＝le
elec
[0128]
令时间变化为24h，各汇聚节点每分钟向mec节点卸载计算任务，每小时计算网络中各节点剩余的总能量。图9显示了将计算任务卸载至random、k-means和mdbwk三种方法确定的mec节点后，网络中节点总能量随时间变化趋势。由图可知，在一天的时间内，mdbwk方法的总能量一直大于k-means和random方法。因为mdbwk方法减少了卸载任务的传输跳数，进而减少了节点收发数据的能量消耗。此外，在经过24h后，采用mdbwk和k-means方法的网络节点剩余的总能量大于起始总能量，这可有效延长网络存活时间。