CN111182076A - 云边协同的智能电网监测系统及其资源分配和调度方法 - Google Patents

云边协同的智能电网监测系统及其资源分配和调度方法 Download PDF

Info

Publication number
CN111182076A
CN111182076A CN202010001567.6A CN202010001567A CN111182076A CN 111182076 A CN111182076 A CN 111182076A CN 202010001567 A CN202010001567 A CN 202010001567A CN 111182076 A CN111182076 A CN 111182076A
Authority
CN
China
Prior art keywords
data
sensor
cloud
formula
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010001567.6A
Other languages
English (en)
Other versions
CN111182076B (zh
Inventor
李奇越
邓玉星
孙伟
李帷韬
操腾飞
唐皓辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202010001567.6A priority Critical patent/CN111182076B/zh
Publication of CN111182076A publication Critical patent/CN111182076A/zh
Application granted granted Critical
Publication of CN111182076B publication Critical patent/CN111182076B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0677—Localisation of faults
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
    • H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • H04L47/82—Miscellaneous aspects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality

Abstract

本发明公开了一种云边协同的智能电网监测系统及其资源分配和调度方法，该系统包含N种不同类型传感器的无线传感器网络节点、电力无线专网基站、拥有多个神经网络的边缘设备和远程云端的系统，该系统能采集电网状态并进行基于深度神经网络的实时异常监测，并有两种进行数据传输的方法：一是将传感器采集的数据通过LTE‑A无线通信接口传输到电力无线专网基站，再从电力无线专网基站通过互联网传输到云端进行云处理；二是将传感器采集的数据通过WIFI无线通信接口传输到边缘设备，选择不同的神经网络进行监测处理。本发明在满足数据传输时延的要求下，优化分配无线通信资源与边缘设备的计算资源，使得最大化系统的吞吐量。

Description

云边协同的智能电网监测系统及其资源分配和调度方法
技术领域
本发明涉及智能电网监测和资源分配与调度领域，尤其涉及一种云边协同的智能电网监测系统与资源分配和调度方法，适用于变电站中对数据进行实时异常监测。
背景技术
智能电网就是电网的智能化，它是建立在集成的、高速双向通信网络的基础上，通过先进的传感和测量技术、先进的设备技术、先进的控制方法以及先进的决策支持系统技术的应用，实现电网的可靠、安全、经济、高效、环境友好和使用安全的目标。随着电力行业的不断发展，电网愈加复杂，导致电网故障的检测更加困难。电网故障诊断，是通过测量和分析故障后电网中电流、电压等电气量以及保护和断路器动作的开关量变化信息，识别故障原因。良好的监测系统，对及时发现并处理故障，防止事故扩大具有重要意义。
边缘计算是在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的分布式开放平台，就近提供边缘智能服务，满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。众所周知，边缘计算是将基础设施资源进行分布式部署再统一管理的。资源较为集中的称为“云”，资源量较少的部署点称为“边缘”，并在边缘计算云平台中存在少数的云和多数的边缘，因此如何进行平台的资源调度变成十分重要。
福建农林大学计算机与信息学院刘庆年等实现了智能电网大数据异常状态实时监测仿真(计算机仿，1006—9348(2019)03一0364一04)，针对当前方法存在的监测速度慢、准确率低的问题，提出了一种基于熵序列的智能电网数据流异常状态监测方法。该方法具有较高的监测精度，实用性较强。但是该方法算法较为复杂，实时性还可以提高。
太原理工大学孟海涛研究了基于云存储的智能电网监测系统(信息通信，1673—1131(2017)08—0153.03)，文章通过分析智能电网的发展，将云存储和云计算技术引入智能电网的监测，通过采用Hadoop技术框架建立智能电网监测平台，利用云存储技术实现智能电网状态数据的监测，有机整合数据采集、传递和处理的全过程，为保证智能电网的可靠性和安全性提供技术手段。但是文章没有利用云边协同，无法解决云端延迟大的缺点。
江西省电力公司信息通信中心李路明发明了一种智能电网监测系统(公开号：CN202488211U)，其系统包括数据监测模块、和通信模块，所述数据监测模块通过通信模块与电网系统控制中心进行数据交互，所述通信模块为多制式通信模块。所述多制式通信模块，包括通信模块控制中心和多个与所述通信模块控制中心连接的不同制式的无线通信模块。该发明通过采用多制式通信模块传输电网监测系统的数据，能够实现电网监测系统通过多种无线通信制式的网络同控制中心的实时通信，提高了电网监测系统的数据传输过程中的通信质量和可靠性。但是此系统用了很多不同制式的通信模块，使系统通信较为复杂，并且对通信模块的质量要求较高，增加了投入成本，且不能保证资源利用最大化。
发明内容
本发明是为避免上述现有技术所存在的不足之处，提供了一种云边协同的智能电网监测系统的资源分配和调度方法，以期能在满足数据传输时延的要求下，优化分配无线通信资源与边缘设备的计算资源，使得最大化系统的吞吐量，从而提高云边协同系统的时间效率、资源利用率。
本发明为解决技术问题采用如下技术方案：
本发明一种云边协同的智能电网监测系统的特点是：包含N种不同类型传感器的无线传感器网络节点、一个电力无线专网基站、一个拥有多个神经网络的边缘设备和一个远程云端的系统；
其中，所述无线传感器网络节点包括：WIFI和LTE-A的两种无线通信接口、传感器和微处理器单元；
所述边缘设备包括：WIFI无线通信接口和运行多种神经网络的嵌入式微处理器；其中，每个神经网络的精度不同，消耗的计算资源不同，且均用于对电压和电流时序数据进行异常检测；
所述云端包括：LTE-A无线通信接口、互联网接口和神经网络模型；
所述传感器-电力无线专网基站-云：传感器将采集的数据通过LTE-A无线通信接口传输给所述电力无线专网基站，所述电力无线专网基站对所接收到的数据进行一定的处理后，再通过互联网将处理后的数据上传至所述云端，由云端中的神经网络模型对处理后的数据进行实时异常状态监测，一旦数据发生异常，则找出故障并排除，从而实现从传感器到电力无线专网基站再到云端的数据传输和处理过程；
所述传感器-边缘设备：传感器将采集的数据通过WIFI无线通信接口传输给所述边缘设备，所述边缘设备中的嵌入式微处理器中的不同精度的神经网络对所接收到的数据进行实时异常状态监测，一旦数据发生异常，则找出故障并排除，从而实现从传感器到边缘设备的数据传输和处理过程。
本发明一种云边协同的智能电网监测系统的资源分配和调度方法的特点是应用于由包含N种不同类型传感器的无线传感器网络节点、一个电力无线专网基站、一个拥有多个神经网络的边缘设备和一个远程云端所组成的智能电网监测系统中，并按如下步骤进行：
步骤一、在所述智能电网监测系统中，将需要采集的传感器编号{1,2,...,n,...,N}，n表示第n种传感器的序号，1≤n≤N；
定义不同神经网络的精度为{Q1,Q2,...,Qa,...,QA},其中Qa表示第a种神经网络的精度，μmax表示总的计算资源，μa表示精度为Qa的神经网络分得的计算资源，1≤a≤A；
定义Q表示云端的计算精度；
步骤二、假设一段时间内第n种传感器共传输In个数据包，每个数据包传输Ln位数据且传输周期为Tp,n，计算数据包在延迟限制内成功传输到边缘设备或云端的概率；
步骤三、建立以计算精度与数据成功到达概率的乘积最大值为目标函数；
根据计算资源、通信资源和设备硬件的限制因素，建立一系列约束条件；
步骤四、联合KKT条件和分支定界法将问题进行求解，得到最优解；
步骤五、根据求出的最优解，采用最优解所表示的最优资源分配方案将采集的数据传输给无线网络，实现数据监控。
本发明所述的资源分配和调度方法的特点也在于，所述步骤二是按如下过程进行：
步骤2.1、利用式(2-1)得到第n种传感器在无线通信中的传输延迟
Figure BDA0002353691270000031
的概率函数
Figure BDA0002353691270000032
Figure BDA0002353691270000033
式(2-1)中，
Figure BDA0002353691270000034
时的参数表示数据传输到边缘设备过程中的参数，
Figure BDA0002353691270000035
时的参数表示数据传输到云端过程中的参数，
Figure BDA0002353691270000036
表示到第n种传感器传送的数据在无线通信中实际传输的时间,
Figure BDA0002353691270000037
表示第n种传感器传送的单个数据包成功解码的概率与第n种传感器传送的单个数据包传输周期Tp,n的商，并有：
Figure BDA0002353691270000038
式(2-2)中，
Figure BDA0002353691270000039
表示带宽资源；
Figure BDA00023536912700000310
表示第n种传感器传送数据时的信噪比，
Figure BDA00023536912700000311
表示第n种传感器传送数据时的到达率；并有：
Figure BDA0002353691270000041
式(2-3)中，xn,i表示第n种传感器的第i个数据包是发送给边缘设备处理还是发送给云端处理；
步骤2.2、利用式(2-4)得到第n种传感器在互联网中的传输延迟Tc,n的概率函数P(tc,n≤Tc,n)：
Figure BDA0002353691270000042
式(2-4)中，tc,n表示第n种传感器传送的数据在互联网中实际传输的时间，σ2表示时间tc,n的方差，μ表示时间tc,n的数学期望。
所述步骤三是按如下过程进行：
步骤3.1、利用式(3-1)构建目标函数：
Figure BDA0002353691270000043
式(3-1)中，yn,i,a表示第n种传感器的第i个数据包是否发送给边缘设备中精度为Qa的神经网络处理；Tn表示第n种传感器的延迟限制；t表示数据在实际传输中的总时间；Pe,a,n(t≤Tn)表示第n种传感器的数据传送给边缘设备中精度为Qa的神经网络处理的无线传输延迟加计算延迟小于延时限制的概率，并有：
Figure BDA0002353691270000044
式(3-2)中，Te,a,n表示第n种传感器传输的数据在精度为Qa的神经网络中的计算延迟；
式(3-1)中，Pc,n(t≤Tn)表示第n种传感器的数据传送给云端时数据到基站的无线传输延迟加基站到云的互联网传输延迟小于延时限制的概率，并有：
Figure BDA0002353691270000045
步骤3.2、利用式(3-4)-(3-8)构建约束条件：
xn,i≤1 xn,i∈N+ (3-4)
yn,i,a≤1 yn,i,a∈N+ (3-5)
Figure BDA0002353691270000051
Figure BDA0002353691270000052
若xn,i＝1,则yn,i,a＝1 (3-8)
式(3-4)表示xn,i只能等于0或1，即第n种传感器的第i个数据包只能传送给边缘或者云端；
式(3-5)表示yn,i,a只能等于0或1，即第n种传感器的第i个数据包是否传给精度为Qa的神经网络；
式(3-6)表示任意一个神经网络分得的计算资源需小于总资源；
式(3-7)表示只能选择一种精度的神经网络；
式(3-8)表示当数据传输给边缘设备时，必须选择一种精度的神经网络。
所述步骤四是按如下过程进行：
步骤4.1、将所述目标函数的求解变量松弛为连续变量，根据式(4-1)建立所述非线性规划问题的拉格朗日函数L(xn,i,yn,i,a,λ)：
Figure BDA0002353691270000053
式(4-1)中，h(xn,i),h(yn,i,a),h1(xn,i,yn,i,a),h2(yn,i,a),h3(xn,i,yn,i,a)分别表示五个约束函数，λ1,λ2,λ3,λ4,λ5表示对应约束函数的拉格朗日乘数，并有：
h(xn,i)＝xn,i-1 (4-2)
h(yn,i,a)＝yn,i,a-1 (4-3)
Figure BDA0002353691270000054
Figure BDA0002353691270000055
h3(xn,i,yn,i,a)＝yn,i,a-1-M(1-xn,i) (4-6)
式(4-6)中，M表示所设定的常数；
步骤4.2、根据式(4-7)到(4-11)建立KKT条件，从而通过联合KKT条件相关等式，求出经过松弛的非线性规划问题的最优解Xrelax：
Figure BDA0002353691270000061
Figure BDA0002353691270000062
h(xn,i)≤0,h(yn,i,a)≤0,h1(xn,i,yn,i,a)≤0,h2(yn,i,a)≤0,h3(xn,i,yn,i,a)≥0 (4-9)
λ1·λ2·λ3·λ4·λ5≥0 (4-10)
λ1h(xn,i)＝0,λ2h(yn,i,a)＝0,λ3h1(xn,i,yn,i,a)＝0,λ4h2(yn,i,a)＝0,λ5h3(xn,i,yn,i,a)＝0(4-11)
步骤4.3、分支定界法求解：
步骤4.3.1、将所述目标函数
Figure BDA0002353691270000063
作为问题P-1；初始化：k＝0，L＝0，U＝zrelax；其中，zrelax表示最优解xrelax对应的最优目标函数值；
步骤4.3.2、从最优解xrelax中任意选则一个不符合0-1约束条件的解xj,即xj∈(0,1)；
步骤4.3.3、若0≤xj≤ε成立，则将约束条件xj＝0加入到问题P-1中，形成子问题I；否则，将约束条件xj＝1加入到问题P-1中，形成子问题Π；其中，ε表示0到1内任一值；
步骤4.3.4、将k+1赋值给k后，求出子问题I或子问题Π的松弛问题解，记为xk，并将对应最优目标函数值记为zk；
步骤4.3.5、找出最优目标函数最大值U作为新的上界，即：U＝max{zk'|k'＝1,2,...,k},xk'∈[0,1]；
步骤4.3.6、再从符合0-1条件的分支中，找出目标函数最大值L作为新的下界，即：L＝max{zk'|k'＝1,2,...,k},xk'∈[0,1]；
步骤4.3.7、若在各个分支中存在最优目标函数值小于下界的值，即zk'≤L，则剪掉相应分支；否则，继续执行步骤4.3.8；
步骤4.3.8、若在各个分支中存在最优目标函数值大于下界的值，即zk'＞L，且不符合0-1条件，则返回步骤4.3.2；否则，表示所有分支的最优目标函数值等于下界，即：zk'＝L，将zk'赋值给z0-1，将xk'赋值给x0-1，并作为问题P-1的最优解，其中，x0-1表示符合0-1约束条件的最优解；z0-1表示最优解x0-1对应的最优目标函数值。
与现有技术相比，本发明的有益效果体现在：
1.本发明设计了一种云边协同的智能电网监测系统，该系统包含N种不同类型传感器的无线传感器网络节点、一个电力无线专网、一个拥有多个精度不同、消耗计算资源不同的神经网络的边缘设备和一个远程云端的系统，该系统比一般智能电网监测系统多加了边缘设备，大大降低了数据传输过程中的延迟，可以更快的采集电网状态并进行基于深度神经网络的实时异常监测，结构简单但是监测效果良好。
2.本发明设计了一种资源分配和调度的方法，首先根据精度、时延要求不同设置了不同的监测异常数据的路径，其次在保证了数据满足传输时延的要求下，将资源分配和调度的方法转化为一种非线性整数规划问题，优化分配了无线通信资源与边缘设备的计算资源，最后联合KKT条件和分支定界法求出目标函数非线性整数规划问题的最优值，使得最大化系统的吞吐量。该方法设置了不同的精度等级和不同的时延要求，最大化利用了无线通信资源和计算资源，优化了智能电网的监测方法。
附图说明
图1为本发明智能电网监测系统的架构图；
图2a为本发明边缘设备中精度为Q1的神经网络的层级结构图；
图2b为本发明边缘设备中精度为Q2的神经网络的层级结构图；
图2c为本发明边缘设备中精度为Q3的神经网络的层级结构图。
具体实施方式
本实施例中，如图1所示，一种云边协同的智能电网监测系统是包含N种不同类型传感器的无线传感器网络节点、一个电力无线专网基站、一个拥有多个神经网络的边缘设备和一个远程云端的系统；
其中，无线传感器网络节点包括：WIFI和LTE-A的两种无线通信接口、传感器和微处理器单元；
边缘设备包括：WIFI无线通信接口和运行多种神经网络的嵌入式微处理器；其中，每个神经网络的精度不同，消耗的计算资源不同，且均用于对电压和电流时序数据进行异常检测；
云端包括：LTE-A无线通信接口、互联网接口和神经网络模型；
传感器-电力无线专网基站-云：传感器将采集的数据通过LTE-A无线通信接口传输给电力无线专网基站，电力无线专网基站对所接收到的数据进行一定的处理后，再通过互联网将处理后的数据上传至云端，由云端中的神经网络模型对处理后的数据进行实时异常状态监测，一旦数据发生异常，则找出故障并排除，从而实现从传感器到电力无线专网基站再到云端的数据传输和处理过程；
传感器-边缘设备：传感器将采集的数据通过WIFI无线通信接口传输给边缘设备，边缘设备中的嵌入式微处理器中的不同精度的神经网络对所接收到的数据进行实时异常状态监测，一旦数据发生异常，则找出故障并排除，从而实现从传感器到边缘设备的数据传输和处理过程。
如图1所示，一种云边协同的智能电网监测系统的资源分配和调度方法是按如下步骤进行：
步骤一、在智能电网监测系统中，将需要采集的传感器编号{1,2,...,n,...,N}，n表示第n种传感器的序号，1≤n≤N，本实例中，有测量电压、电流、谐波和有功功率共四种数据类型的传感器，各个传感器进行编号{1,2,3,4}；定义不同神经网络的精度为{Q1,Q2,...,Qa,...,QA},其中Qa表示第a种神经网络的精度，μmax表示总的计算资源，μa表示精度为Qa的神经网络分得的计算资源，1≤a≤A，实例中边缘设备有三种不同精度的神经网络，精度为Q1的神经网络的层级结构图如图2a所示，此神经网络有一个卷积层、一个节点丢弃层、一个扁平化层和三个全连接层，共六层；精度为Q2的神经网络的层级结构图如图2b所示，它比精度为Q1的神经网络多加了一个卷积层和两个全连接层，所以精度更高，但计算延迟也更大；精度为Q3的神经网络的层级结构图如图2c所示，它比精度为Q1的神经网络多加了两个卷积层和四个全连接层，精度最高，计算延迟也最大；利用采集的不同类型数据各100000个对神经网络进行训练，得到的神经网络精度分别为Q1＝96.99％,Q2＝97.99％,Q3＝98.99％；计算资源用时钟周期的个数来表示，则总资源μmax＝216M,μ1＝0.47M,μ2＝0.63M,μ3＝0.84M；定义Q表示云端的计算精度，云端中有一个神经网络，层数为20层，精度Q＝99.99％；
步骤二、假设一段时间内第n种传感器共传输In个数据包，每个数据包传输Ln位数据且传输周期为Tp,n，计算数据包在延迟限制内成功传输到边缘设备或云端的概率；
对于第n种传感器，在时间
Figure BDA0002353691270000091
内至少成功解码了
Figure BDA0002353691270000092
个数据包，
Figure BDA0002353691270000093
表示向下取整函数，因此利用式(1)得到第n种传感器在无线通信中的传输延迟
Figure BDA0002353691270000094
的概率函数
Figure BDA0002353691270000095
Figure BDA0002353691270000096
式(1)中，
Figure BDA0002353691270000097
时的参数表示数据传输到边缘设备过程中的参数，
Figure BDA0002353691270000098
时的参数表示数据传输到云端过程中的参数，
Figure BDA0002353691270000099
表示带宽资源；
Figure BDA00023536912700000910
表示第n种传感器传送数据时的信道增益，
Figure BDA00023536912700000911
表示第n种传感器传送数据时的信噪比，
Figure BDA00023536912700000912
表示第n种传感器传送数据时的到达率，
Figure BDA00023536912700000913
表示第n种传感器在无线通信中的传输延迟；
Figure BDA00023536912700000914
表示到第n种传感器传送的数据在无线通信中实际传输的时间,令
Figure BDA00023536912700000915
表示第n种传感器传送的单个数据包成功解码的概率与第n种传感器传送的单个数据包传输周期Tp,n的商，则：
Figure BDA00023536912700000916
在rayleigh衰落信道中，
Figure BDA00023536912700000917
代入到式(2)中得：
Figure BDA00023536912700000918
令Tp,n→0，得：
Figure BDA00023536912700000919
并有：
Figure BDA00023536912700000920
式(5)中，xn,i表示第n种传感器的第i个数据包是发送给边缘设备处理还是发送给云端处理，xn,i＝1表示发送数据给边缘设备，xn,i＝0表示发送数据给云端；
利用式(6)得到第n种传感器在互联网中的传输延迟Tc,n的概率函数P(tc,n≤Tc,n)：
Figure BDA0002353691270000101
式(6)中，tc,n表示第n种传感器传送的数据在互联网中实际传输的时间，σn 2表示时间tc,n的方差，μn表示时间tc,n的数学期望。
所有需要用到的参数的具体值由表1所示，
表1步骤二中的参数值
Figure BDA0002353691270000102
步骤三、建立以计算精度与数据成功到达概率的乘积最大值为目标函数；根据计算资源、通信资源和设备硬件的限制因素，建立一系列约束条件；从而利用(7)-(14)建立云边协同的智能电网监测系统的资源分配与调度方法；
目标函数由式(7)所示：
Figure BDA0002353691270000111
式(7)中，yn,i,a表示第n种传感器的第i个数据包是否发送给边缘设备中精度为Qa的神经网络处理，yn,i,a＝1表示传给精度为Qa的神经网络，yn,i,a＝0表示不传给精度为Qa的神经网络；Tn表示第n种传感器的延迟限制；t表示数据在实际传输中的总时间；Pe,a,n(t≤Tn)表示第n种传感器的数据传送给边缘设备中精度为Qa的神经网络处理的无线传输延迟加计算延迟小于延时限制的概率，并有：
Figure BDA0002353691270000112
式(8)中，Te,a,n表示第n种传感器传输数据到边缘设备中精度为Qa的神经网络中的计算延迟；
式(9)中，Pc,n(t≤Tn)表示第n种传感器的数据传送给云端时数据到基站的无线传输延迟加基站到云的互联网传输延迟小于延时限制的概率，并有：
Figure BDA0002353691270000113
约束条件如式(10)-(14)所示：
xn,i≤1 xn,i∈N+ (10)
yn,i,a≤1 yn,i,a∈N+ (11)
Figure BDA0002353691270000114
Figure BDA0002353691270000115
若xn,i＝1,则yn,i,a＝1 (14)
式(10)表示xn,i只能等于1或0，即第n种传感器的第i个数据包只能传送给边缘或者云端，xn,i＝1表示发送数据给边缘设备，xn,i＝0表示发送数据给云端；
式(11)表示yn,i,a只能等于1或0，即第n种传感器的第i个数据包是否传给精度为Qa的神经网络，yn,i,a＝1表示传给精度为Qa的神经网络，yn,i,a＝0表示不传给精度为Qa的神经网络；
式(12)表示任意一个神经网络分得的计算资源需小于总资源；
式(13)表示只能选择一种精度的神经网络；
式(14)表示当数据传输给边缘设备时，必须选择一种精度的神经网络。
所有需要用到的参数的具体值由表2所示：
表2步骤三中的参数值
Figure BDA0002353691270000121
步骤四、联合KKT条件和分支定界法将问题进行求解，得到最优解；
步骤4.1、为了建立非线性规划问题的拉格朗日函数，对式(14)进行规划，引入合适的值M，令M＝-3，则式(14)变为：
yn,i,a-1≥M(1-xn,i)(15)
将目标函数的求解变量松弛为连续变量，根据式(16)建立非线性规划问题的拉格朗日函数L(xn,i,yn,i,a,λ)：
Figure BDA0002353691270000122
式(16)中，h(xn,i),h(yn,i,a),h1(xn,i,yn,i,a),h2(yn,i,a),h3(xn,i,yn,i,a)分别表示五个约束函数，λ1,λ2,λ3,λ4,λ5表示对应约束函数的拉格朗日乘数，并有：
h(xn,i)＝xn,i-1(17)
h(yn,i,a)＝yn,i,a-1 (18)
Figure BDA0002353691270000131
Figure BDA0002353691270000132
h3(xn,i,yn,i,a)＝yn,i,a-1-M(1-xn,i) (21)
步骤4.2、根据式(22)到(26)建立KKT条件，从而通过联合KKT条件相关等式，求出经过松弛的非线性规划问题的最优解Xrelax：
Figure BDA0002353691270000133
Figure BDA0002353691270000134
h(xn,i)≤0,h(yn,i,a)≤0,h1(xn,i,yn,i,a)≤0,h2(yn,i,a)≤0,h3(xn,i,yn,i,a)≥0 (24)
λ1·λ2·λ3·λ4·λ5≥0 (25)
λ1h(xn,i)＝0,λ2h(yn,i,a)＝0,λ3h1(xn,i,yn,i,a)＝0,λ4h2(yn,i,a)＝0,λ5h3(xn,i,yn,i,a)＝0 (26)
步骤4.3、分支定界法求解：
步骤4.3.1、将目标函数
Figure BDA0002353691270000135
作为问题P-1；初始化：k＝0，L＝0，U＝zrelax；其中，zrelax表示最优解xrelax对应的最优目标函数值；
步骤4.3.2、从最优解xrelax中任意选则一个不符合0-1约束条件的解xj,即xj∈(0,1)；
步骤4.3.3、若0≤xj≤ε成立，则将约束条件xj＝0加入到问题P-1中，形成子问题I；否则，将约束条件xj＝1加入到问题P-1中，形成子问题Π；其中，ε表示0到1内任一值；
步骤4.3.4、将k+1赋值给k后，求出子问题I或子问题Π的松弛问题解，记为xk，并将对应最优目标函数值记为zk；
步骤4.3.5、找出最优目标函数最大值U作为新的上界，即：U＝max{zk'|k'＝1,2,...,k},xk'∈[0,1]；
步骤4.3.6、再从符合0-1条件的分支中，找出目标函数最大值L作为新的下界，即：L＝max{zk'|k'＝1,2,...,k},xk'∈[0,1]；
步骤4.3.7、若在各个分支中存在最优目标函数值小于下界的值，即zk'≤L，则剪掉相应分支；否则，继续执行步骤4.3.8；
步骤4.3.8、若在各个分支中存在最优目标函数值大于下界的值，即zk'＞L，且不符合0-1条件，则返回步骤4.3.2；否则，表示所有分支的最优目标函数值等于下界，即：zk'＝L，并将zk'赋值给z0-1，将xk'赋值给x0-1，并作为问题P-1的最优解，其中，x0-1表示符合0-1约束条件的最优解；z0-1表示最优解x0-1对应的最优目标函数值。
步骤五、根据求出的最优解，采用最优解所表示的最优资源分配方案将采集的数据传输给无线网络，实现数据监控。

Claims (5)

1.一种云边协同的智能电网监测系统，其特征是：包含N种不同类型传感器的无线传感器网络节点、一个电力无线专网基站、一个拥有多个神经网络的边缘设备和一个远程云端的系统；
其中，所述无线传感器网络节点包括：WIFI和LTE-A的两种无线通信接口、传感器和微处理器单元；
所述边缘设备包括：WIFI无线通信接口和运行多种神经网络的嵌入式微处理器；其中，每个神经网络的精度不同，消耗的计算资源不同，且均用于对电压和电流时序数据进行异常检测；
所述云端包括：LTE-A无线通信接口、互联网接口和神经网络模型；
所述传感器-电力无线专网基站-云：传感器将采集的数据通过LTE-A无线通信接口传输给所述电力无线专网基站，所述电力无线专网基站对所接收到的数据进行一定的处理后，再通过互联网将处理后的数据上传至所述云端，由云端中的神经网络模型对处理后的数据进行实时异常状态监测，一旦数据发生异常，则找出故障并排除，从而实现从传感器到电力无线专网基站再到云端的数据传输和处理过程；
所述传感器-边缘设备：传感器将采集的数据通过WIFI无线通信接口传输给所述边缘设备，所述边缘设备中的嵌入式微处理器中的不同精度的神经网络对所接收到的数据进行实时异常状态监测，一旦数据发生异常，则找出故障并排除，从而实现从传感器到边缘设备的数据传输和处理过程。
2.一种云边协同的智能电网监测系统的资源分配和调度方法，其特征是应用于由包含N种不同类型传感器的无线传感器网络节点、一个电力无线专网基站、一个拥有多个神经网络的边缘设备和一个远程云端所组成的智能电网监测系统中，并按如下步骤进行：
步骤一、在所述智能电网监测系统中，将需要采集的传感器编号{1,2,...,n,...,N}，n表示第n种传感器的序号，1≤n≤N；
定义不同神经网络的精度为{Q1,Q2,...,Qa,...,QA},其中Qa表示第a种神经网络的精度，μmax表示总的计算资源，μa表示精度为Qa的神经网络分得的计算资源，1≤a≤A；
定义Q表示云端的计算精度；
步骤二、假设一段时间内第n种传感器共传输In个数据包，每个数据包传输Ln位数据且传输周期为Tp,n，计算数据包在延迟限制内成功传输到边缘设备或云端的概率；
步骤三、建立以计算精度与数据成功到达概率的乘积最大值为目标函数；
根据计算资源、通信资源和设备硬件的限制因素，建立一系列约束条件；
步骤四、联合KKT条件和分支定界法将问题进行求解，得到最优解；
步骤五、根据求出的最优解，采用最优解所表示的最优资源分配方案将采集的数据传输给无线网络，实现数据监控。
3.根据权利要求2所述的资源分配和调度方法，其特征是，所述步骤二是按如下过程进行：
步骤2.1、利用式(2-1)得到第n种传感器在无线通信中的传输延迟
Figure FDA0002353691260000021
的概率函数
Figure FDA0002353691260000022
Figure FDA0002353691260000023
式(2-1)中，
Figure FDA0002353691260000024
时的参数表示数据传输到边缘设备过程中的参数，
Figure FDA0002353691260000025
时的参数表示数据传输到云端过程中的参数，
Figure FDA0002353691260000026
表示到第n种传感器传送的数据在无线通信中实际传输的时间,
Figure FDA0002353691260000027
表示第n种传感器传送的单个数据包成功解码的概率与第n种传感器传送的单个数据包传输周期Tp,n的商，并有：
Figure FDA0002353691260000028
式(2-2)中，
Figure FDA0002353691260000029
表示带宽资源；
Figure FDA00023536912600000210
表示第n种传感器传送数据时的信噪比，
Figure FDA00023536912600000211
表示第n种传感器传送数据时的到达率；并有：
Figure FDA00023536912600000212
式(2-3)中，xn,i表示第n种传感器的第i个数据包是发送给边缘设备处理还是发送给云端处理；
步骤2.2、利用式(2-4)得到第n种传感器在互联网中的传输延迟Tc,n的概率函数P(tc,n≤Tc,n)：
Figure FDA00023536912600000213
式(2-4)中，tc,n表示第n种传感器传送的数据在互联网中实际传输的时间，σ2表示时间tc,n的方差，μ表示时间tc,n的数学期望。
4.根据权利要求2所述的一种云边协同的资源分配与调度的方法，所述步骤三是按如下过程进行：
步骤3.1、利用式(3-1)构建目标函数：
Figure FDA0002353691260000031
式(3-1)中，yn,i,a表示第n种传感器的第i个数据包是否发送给边缘设备中精度为Qa的神经网络处理；Tn表示第n种传感器的延迟限制；t表示数据在实际传输中的总时间；Pe,a,n(t≤Tn)表示第n种传感器的数据传送给边缘设备中精度为Qa的神经网络处理的无线传输延迟加计算延迟小于延时限制的概率，并有：
Figure FDA0002353691260000032
式(3-2)中，Te,a,n表示第n种传感器传输的数据在精度为Qa的神经网络中的计算延迟；
式(3-1)中，Pc,n(t≤Tn)表示第n种传感器的数据传送给云端时数据到基站的无线传输延迟加基站到云的互联网传输延迟小于延时限制的概率，并有：
Figure FDA0002353691260000033
步骤3.2、利用式(3-4)-(3-8)构建约束条件：
xn,i≤1 xn,i∈N+ (3-4)
yn,i,a≤1 yn,i,a∈N+ (3-5)
Figure FDA0002353691260000034
Figure FDA0002353691260000035
若xn,i＝1,则yn,i,a＝1 (3-8)
式(3-4)表示xn,i只能等于0或1，即第n种传感器的第i个数据包只能传送给边缘或者云端；
式(3-5)表示yn,i,a只能等于0或1，即第n种传感器的第i个数据包是否传给精度为Qa的神经网络；
式(3-6)表示任意一个神经网络分得的计算资源需小于总资源；
式(3-7)表示只能选择一种精度的神经网络；
式(3-8)表示当数据传输给边缘设备时，必须选择一种精度的神经网络。
5.根据权利要求2所述的资源分配和调度方法，其特征是，所述步骤四是按如下过程进行：
步骤4.1、将所述目标函数的求解变量松弛为连续变量，根据式(4-1)建立所述非线性规划问题的拉格朗日函数L(xn,i,yn,i,a,λ)：
Figure FDA0002353691260000041
式(4-1)中，h(xn,i),h(yn,i,a),h1(xn,i,yn,i,a),h2(yn,i,a),h3(xn,i,yn,i,a)分别表示五个约束函数，λ1,λ2,λ3,λ4,λ5表示对应约束函数的拉格朗日乘数，并有：
h(xn,i)＝xn,i-1 (4-2)
h(yn,i,a)＝yn,i,a-1 (4-3)
Figure FDA0002353691260000042
Figure FDA0002353691260000043
h3(xn,i,yn,i,a)＝yn,i,a-1-M(1-xn,i) (4-6)
式(4-6)中，M表示所设定的常数；
步骤4.2、根据式(4-7)到(4-11)建立KKT条件，从而通过联合KKT条件相关等式，求出经过松弛的非线性规划问题的最优解Xrelax：
Figure FDA0002353691260000044
Figure FDA0002353691260000045
h(xn,i)≤0,h(yn,i,a)≤0,h1(xn,i,yn,i,a)≤0,h2(yn,i,a)≤0,h3(xn,i,yn,i,a)≥0 (4-9)
λ1·λ2·λ3·λ4·λ5≥0 (4-10)
λ1h(xn,i)＝0,λ2h(yn,i,a)＝0,λ3h1(xn,i,yn,i,a)＝0,λ4h2(yn,i,a)＝0,λ5h3(xn,i,yn,i,a)＝0(4-11)
步骤4.3、分支定界法求解：
步骤4.3.1、将所述目标函数
Figure FDA0002353691260000051
作为问题P-1；初始化：k＝0，L＝0，U＝zrelax；其中，zrelax表示最优解xrelax对应的最优目标函数值；
步骤4.3.2、从最优解xrelax中任意选则一个不符合0-1约束条件的解xj,即xj∈(0,1)；
步骤4.3.3、若0≤xj≤ε成立，则将约束条件xj＝0加入到问题P-1中，形成子问题I；否则，将约束条件xj＝1加入到问题P-1中，形成子问题Π；其中，ε表示0到1内任一值；
步骤4.3.4、将k+1赋值给k后，求出子问题I或子问题Π的松弛问题解，记为xk，并将对应最优目标函数值记为zk；
步骤4.3.5、找出最优目标函数最大值U作为新的上界，即：U＝max{zk'|k'＝1,2,...,k},xk'∈[0,1]；
步骤4.3.6、再从符合0-1条件的分支中，找出目标函数最大值L作为新的下界，即：L＝max{zk'|k'＝1,2,...,k},xk'∈[0,1]；
步骤4.3.7、若在各个分支中存在最优目标函数值小于下界的值，即zk'≤L，则剪掉相应分支；否则，继续执行步骤4.3.8；
步骤4.3.8、若在各个分支中存在最优目标函数值大于下界的值，即zk'＞L，且不符合0-1条件，则返回步骤4.3.2；否则，表示所有分支的最优目标函数值等于下界，即：zk'＝L，将zk'赋值给z0-1，将xk'赋值给x0-1，并作为问题P-1的最优解，其中，x0-1表示符合0-1约束条件的最优解；z0-1表示最优解x0-1对应的最优目标函数值。
CN202010001567.6A 2020-01-02 2020-01-02 云边协同的智能电网监测系统及其资源分配和调度方法 Active CN111182076B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010001567.6A CN111182076B (zh) 2020-01-02 2020-01-02 云边协同的智能电网监测系统及其资源分配和调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010001567.6A CN111182076B (zh) 2020-01-02 2020-01-02 云边协同的智能电网监测系统及其资源分配和调度方法

Publications (2)

Publication Number Publication Date
CN111182076A true CN111182076A (zh) 2020-05-19
CN111182076B CN111182076B (zh) 2022-08-02

Family

ID=70656022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010001567.6A Active CN111182076B (zh) 2020-01-02 2020-01-02 云边协同的智能电网监测系统及其资源分配和调度方法

Country Status (1)

Country Link
CN (1) CN111182076B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111654833A (zh) * 2020-06-02 2020-09-11 Tcl通讯（宁波）有限公司 传感器数据的处理方法和装置
CN112118135A (zh) * 2020-09-14 2020-12-22 南昌市言诺科技有限公司 云边协同架构工业互联网平台的最小资源配置方法和装置
CN112637806A (zh) * 2020-12-15 2021-04-09 合肥工业大学 基于深度强化学习的变电站监测系统及其资源调度方法
CN112882383A (zh) * 2021-01-11 2021-06-01 合肥工业大学 一种面向变电站监测与边缘云协同的预测控制调度方法
CN112968947A (zh) * 2021-02-01 2021-06-15 国网浙江省电力有限公司双创中心 一种融合多种数据回传方式的边缘物联代理装置及方法
CN113191654A (zh) * 2021-05-12 2021-07-30 余绍祥 基于多目标优化的分布式资源调度系统与方法
CN113783730A (zh) * 2021-09-15 2021-12-10 国网内蒙古东部电力有限公司电力科学研究院 一种极端条件下基于云边协同的信息传输方法及系统
CN115002239A (zh) * 2022-06-10 2022-09-02 北京邮电大学 数据汇聚方法及系统
CN115001975A (zh) * 2021-04-25 2022-09-02 国网安徽省电力有限公司 一种5g切片接入的配电网保护优化方法及系统
CN116647052A (zh) * 2023-07-21 2023-08-25 合肥工业大学 基于多边云协同的智能变电站自动控制调度方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110282975A1 (en) * 2010-05-14 2011-11-17 Carter Stephen R Techniques for dynamic cloud-based edge service computing
US20130166712A1 (en) * 2011-12-27 2013-06-27 Microsoft Corporation Cloud-edge topologies
US10064149B1 (en) * 2015-05-17 2018-08-28 Kiomars Anvari Cloud based wireless network
CN108828409A (zh) * 2018-08-03 2018-11-16 南方电网科学研究院有限责任公司 一种基于边缘计算的故障检测系统
CN109152098A (zh) * 2018-09-20 2019-01-04 济宁安通自控设备有限公司 基于边缘计算的wifi自组网环境污染监测智能控制系统
WO2019179471A1 (zh) * 2018-03-21 2019-09-26 南京邮电大学 一种物联网环境下的雾计算体系架构
CN110401262A (zh) * 2019-06-17 2019-11-01 北京许继电气有限公司 基于边缘计算技术的gis设备状态智能监控系统及方法
CN110458463A (zh) * 2019-08-15 2019-11-15 西南交通大学 一种基于区间直觉模糊决策的电力物联网安全评估方法
CN110633144A (zh) * 2019-08-23 2019-12-31 成都华为技术有限公司 一种边缘云的融合管理的方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110282975A1 (en) * 2010-05-14 2011-11-17 Carter Stephen R Techniques for dynamic cloud-based edge service computing
US20130166712A1 (en) * 2011-12-27 2013-06-27 Microsoft Corporation Cloud-edge topologies
US10064149B1 (en) * 2015-05-17 2018-08-28 Kiomars Anvari Cloud based wireless network
WO2019179471A1 (zh) * 2018-03-21 2019-09-26 南京邮电大学 一种物联网环境下的雾计算体系架构
CN108828409A (zh) * 2018-08-03 2018-11-16 南方电网科学研究院有限责任公司 一种基于边缘计算的故障检测系统
CN109152098A (zh) * 2018-09-20 2019-01-04 济宁安通自控设备有限公司 基于边缘计算的wifi自组网环境污染监测智能控制系统
CN110401262A (zh) * 2019-06-17 2019-11-01 北京许继电气有限公司 基于边缘计算技术的gis设备状态智能监控系统及方法
CN110458463A (zh) * 2019-08-15 2019-11-15 西南交通大学 一种基于区间直觉模糊决策的电力物联网安全评估方法
CN110633144A (zh) * 2019-08-23 2019-12-31 成都华为技术有限公司 一种边缘云的融合管理的方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JAEWON MOON; SANGYEON CHO; SEUNGWEOO KUM; SANGWON LEE: "Cloud-Edge Collaboration Framework for IoT data analytics", 《2018 INTERNATIONAL CONFERENCE ON INFORMATION AND COMMUNICATION TECHNOLOGY CONVERGENCE (ICTC)》 *
任道远: "边缘智能与云边协同技术趋势", 《软件和集成电路》 *
徐恩庆; 董恩然: "探析云边协同的九大应用场景", 《通信世界》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111654833B (zh) * 2020-06-02 2023-09-19 Tcl通讯（宁波）有限公司 传感器数据的处理方法和装置
CN111654833A (zh) * 2020-06-02 2020-09-11 Tcl通讯（宁波）有限公司 传感器数据的处理方法和装置
CN112118135A (zh) * 2020-09-14 2020-12-22 南昌市言诺科技有限公司 云边协同架构工业互联网平台的最小资源配置方法和装置
CN112637806A (zh) * 2020-12-15 2021-04-09 合肥工业大学 基于深度强化学习的变电站监测系统及其资源调度方法
CN112882383B (zh) * 2021-01-11 2022-03-22 合肥工业大学 一种面向变电站监测与边缘云协同的预测控制调度方法
CN112882383A (zh) * 2021-01-11 2021-06-01 合肥工业大学 一种面向变电站监测与边缘云协同的预测控制调度方法
CN112968947A (zh) * 2021-02-01 2021-06-15 国网浙江省电力有限公司双创中心 一种融合多种数据回传方式的边缘物联代理装置及方法
CN115001975A (zh) * 2021-04-25 2022-09-02 国网安徽省电力有限公司 一种5g切片接入的配电网保护优化方法及系统
CN115001975B (zh) * 2021-04-25 2023-11-03 国网安徽省电力有限公司 一种5g切片接入的配电网保护优化方法及系统
CN113191654A (zh) * 2021-05-12 2021-07-30 余绍祥 基于多目标优化的分布式资源调度系统与方法
CN113783730A (zh) * 2021-09-15 2021-12-10 国网内蒙古东部电力有限公司电力科学研究院 一种极端条件下基于云边协同的信息传输方法及系统
CN115002239A (zh) * 2022-06-10 2022-09-02 北京邮电大学 数据汇聚方法及系统
CN115002239B (zh) * 2022-06-10 2023-08-11 北京邮电大学 数据汇聚方法及系统
CN116647052A (zh) * 2023-07-21 2023-08-25 合肥工业大学 基于多边云协同的智能变电站自动控制调度方法及系统
CN116647052B (zh) * 2023-07-21 2023-10-03 合肥工业大学 基于多边云协同的智能变电站自动控制调度方法及系统

Also Published As

Publication number Publication date
CN111182076B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN111182076B (zh) 云边协同的智能电网监测系统及其资源分配和调度方法
Li et al. Resource orchestration of cloud-edge–based smart grid fault detection
Yu et al. Intelligent edge: Leveraging deep imitation learning for mobile edge computation offloading
CN112637806B (zh) 基于深度强化学习的变电站监测系统及其资源调度方法
CN112488398A (zh) 一种基于mec边缘智能网关的用电管理方法及系统
CN106534333A (zh) 一种基于mec和mcc的双向选择计算卸载方法
CN112882383B (zh) 一种面向变电站监测与边缘云协同的预测控制调度方法
CN105375461A (zh) 基于预测技术的主动配电网供电能力实时评估方法
Li et al. Research on 5G network slicing for digital power grid
CN113489138A (zh) 一种适用于多场景的用电调度系统及方法
CN107613510A (zh) 基于QoS的智能电力通信业务差分调度机制优化方法
CN111340386A (zh) 一种交直流混合配电网调度方法
Li et al. Autonomous smart grid fault detection
Li et al. A Real-Time Monitoring and Warning System for Power Grids Based on Edge Computing
CN104065719A (zh) 一种变采样周期调度器及其控制方法
CN108762068A (zh) 一种具有模型不确定性的多智能体一致性控制方法
CN116827389A (zh) 一种基于边缘计算深度融合的中压载波通信系统
Chen et al. A 5G Enabled Adaptive Computing Workflow for Greener Power Grid
Chen et al. Research on network management technology of power line carrier communication in low-voltage distribution network based on digital twin
CN109067837A (zh) 配电设备物联与信息采集平台
Li et al. Deep reinforcement learning based resource allocation for cloud edge collaboration fault detection in smart grid
Fu et al. An edge computing framework for digital grid
CN110932919B (zh) 一种智能电网多接口异构通信平台的优化传输调度方法
Sanon et al. Distributed Collaborative Learning in Wireless Mobile Communication
Bian et al. Research on the realization and application of intelligent IoT platform for electrical equipment under industrial internet

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant