一种适用于动态且不确定运行环境下的物联网网络的预测型自适应能源管理框架

《Sustainable Computing: Informatics and Systems》：A Predictive and Adaptive Energy Management Framework for Internet of Things Networks under Dynamic and Uncertain Operating Conditions

　　摘要——在物联网网络中，能源管理是一项重大挑战，尤其是在节点行为、流量模式和能耗都不确定的大规模动态环境中。现有的许多方法依赖于静态控制策略或完全由控制驱动的深度强化学习方案，这类方法在条件快速变化时可能表现出适应性差、对参数调整敏感以及不必要的计算开销等问题。因此，实现稳定且高效的能源运行仍然是一个未解决的问题。本文提出了一种针对物联网网络的预测型自适应能源管理框架，该框架将行为不确定性明确纳入决策过程。它采用结合了Prophet模型与长短期记忆网络的混合预测模型，以捕捉节点级能耗的长期趋势和短期变化。预测值与实际能耗之间的偏差被视作动态行为信号，而非固定异常值。这些残差信息随后被整合到基于深度强化学习的决策层中，从而无需预设阈值或规则干预即可在线调整能源管理策略。通过在MATLAB和NS-3环境下针对不同网络密度和流量状况进行的仿真，验证了该框架的有效性。性能评估指标包括平均能耗、网络寿命以及能耗稳定性。实验结果表明，与非自适应方法、基于规则的策略以及传统深度强化学习基准相比，该框架能够实现约3–4%的平均能耗降低，并相应延长网络寿命，从而证明了其实际应用价值。

引言——物联网的快速发展导致了由各种异构、资源受限设备构成的大规模网络的出现，这些设备在高度动态的环境中运行[1]、[2]。这类网络支持多种应用，包括智慧城市、环境监测、工业自动化以及智能交通系统[3]、[4]。尽管应用场景多样，但所有物联网部署都面临着一个共同的挑战，即高效能源管理，因为许多设备依赖有限的电池能量，且需要长时间自主运行[5]、[6]。因此，在保持网络性能稳定的同时确保能源效率，已成为可持续物联网系统的基本要求[7]、[8]。物联网网络中的能耗受到节点行为、流量动态以及环境条件的强烈影响，而这些因素往往呈现出非平稳且难以预测的特性[9]。传统的能源管理方法通常依赖于静态策略、固定阈值或预定义的负载调节策略[10]。虽然这类方法计算简单，但缺乏应对网络条件和节点行为快速变化的灵活性。因此在动态环境中，它们的有效性会下降，从而导致能源利用效率低下或关键节点过早耗尽能量[11]。为克服这些限制，人们越来越多地探索基于学习的方法，尤其是深度强化学习，用于物联网网络的能源管理[12]、[13]。通过持续与环境交互，基于深度强化学习的方法无需对系统动态进行显式建模即可学习出自适应控制策略[14]、[15]。然而，完全由控制驱动的深度强化学习方案往往会带来额外问题，比如训练时间长、对超参数敏感以及在非平稳条件下不稳定[16]。此外，许多现有的基于深度强化学习的方案仅以反应式方式运作，仅在变化发生后才调整决策，这可能限制了它们主动管理能耗的能力[17]。另一种越来越有前景的方向是将预测建模与自适应决策相结合[18]、[19]。通过预测未来的能耗模式，系统可以提前预判变化并相应调整策略[20]。近期在时间序列预测领域的进展，尤其是结合趋势识别与序列学习能力的混合深度学习模型，展现出在捕捉复杂时间行为方面的巨大潜力[21]。不过，大多数现有的预测型能源管理框架仍将预测输出视为确定性输入，并依赖固定的安全裕度或置信区间。这类设计并未充分考虑现实物联网环境中自然存在的预测偏差[22]、[23]。为解决这一缺陷，图1展示了所提框架的整体架构。该框架由三个紧密关联的功能层组成，即能源预测、残差解析以及自适应决策。所提方法并非将预测残差视为单纯的预测误差，而是将其解读为反映网络状态变化的动态行为信号，进而直接指导策略调整。这种基于残差的设计使得控制过程更加平滑且具备情境感知能力，无需依赖固定阈值或过于保守的安全裕度。

基于上述分析，本文提出了一种预测型自适应能源管理框架，该框架将能源预测与基于残差的深度强化学习紧密结合。一种结合了Prophet模型与LSTM网络的混合预测器能够同时捕捉长期趋势和短期动态，从而对节点级能耗进行建模。该框架并非仅依赖预测输出，还利用预测能耗与实际能耗之间的残差作为有用的行为信号。这一信号及其时间变化趋势为深度强化学习策略的平滑、情境感知式调整提供了依据。因此，所提框架能够在无需依赖严格阈值或频繁策略更新的情况下，同时提升响应速度、稳定性以及能源效率。通过在MATLAB和NS-3环境下针对不同网络密度和流量状况进行的大量仿真，验证了该框架的有效性。实验结果表明，与非自适应策略、基于规则的方案以及传统深度强化学习基准相比，引入预测行为感知机制能够带来持续且适度的能源效率提升及网络寿命延长。重要的是，这些改进仅需适度增加计算开销，因此该框架非常适合用于实际的边缘计算物联网应用。本文的主要贡献如下：1）我们提出了一种基于残差的预测型能源管理框架，该框架将预测残差视为用于自适应决策的动态行为指标，而非单纯的预测误差。2）我们开发了一种基于深度强化学习的自适应机制，该机制能够利用残差的大小及其时间变化来实现平滑且情境感知式的策略更新。3）我们引入了基于残差的平滑性约束，该约束能够在保持对持续行为变化快速适应的同时，抑制不必要的控制波动。4）在MATLAB和NS-3环境下进行的大量仿真表明，该框架能够在多种物联网场景下有效提升能源效率、网络寿命、控制稳定性以及系统鲁棒性。本文的其余部分结构如下：第二节描述系统模型以及所提框架的整体架构；第三节详细介绍预测与决策相关组件；第四节阐述仿真设置与评估指标，第五节则对数值结果进行分析；最后，第六节对全文进行总结，并指出未来研究方向。

相关工作——近年来，基于数据驱动和学习方法的能源管理系统在各类物联网应用环境中得到了快速发展，应用范围涵盖智能建筑、住宅、微电网以及能源互联网基础设施等。现有研究可根据其控制范式以及预测在决策过程中的作用进行分类。

系统概述与能源动态——在本文中，残差被定义为预测得到的能耗行为与控制后的实际能耗响应之间的系统性偏差，而非单纯的预测误差。这种定义方式使得残差能够反映持续的行为变化，而非短暂的预测不准确现象。我们考虑的是由一组能源约束型节点N={1,2,…,N}构成的物联网网络，这些节点在动态的流量和运行条件下通过共享无线介质进行通信。节点会定期……

在部分可观测性条件下的残差引导决策过程——根据第三节中的系统建模方法，能源管理问题是通过在部分可观测性及动态网络条件下运行的残差引导型自适应决策过程来解决的。由于系统采用分布式运行、信息交换存在延迟以及流量模式具有随机性，因此无法在每个决策时刻完全获取方程（6）中所定义的全局系统状态。将自适应决策过程表示为M=S,A,O,T,J，其中：•S表示潜在的系统状态。

仿真设置——我们在动态且不确定的物联网运行条件下通过大量仿真来评估所提框架。评估目标有三个：一是衡量其在降低能耗方面的效果，二是考察其在流量变化时的稳定性，三是确保所有对比结果的公平性与可重复性。

结论——本文提出了一种适用于在动态且不确定条件下运行的物联网网络的预测型自适应能源管理框架。与传统依赖静态规则或纯粹反应式学习的方法不同，所提框架将混合能源预测与基于残差的自适应决策紧密结合。通过将预测偏差视为具有信息价值的业务信号而非简单错误，该框架能够实现具备情境感知能力的渐进式策略调整。

CRediT作者贡献声明——Saeb Morady Tootkaleh：指导、软件开发。hoseyni seyed souran：写作——审阅与编辑。Mohammad Mohsen Sadr：写作——审阅与编辑。khani mohsen：方法论、形式化分析。

利益冲突声明——作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

Mohammad Mohsen Sadr|Mohsen Khani|Saeb Morady Tootkaleh|Seyed Souran Hosseini伊朗德黑兰帕亚梅努尔大学知识与信息科学系