CN111182076B - 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 PDFInfo
- Publication number
- CN111182076B CN111182076B CN202010001567.6A CN202010001567A CN111182076B CN 111182076 B CN111182076 B CN 111182076B CN 202010001567 A CN202010001567 A CN 202010001567A CN 111182076 B CN111182076 B CN 111182076B
- 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.)
- Active
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
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:
式(2-1)中,时的参数表示数据传输到边缘设备过程中的参数,时的参数表示数据传输到云端过程中的参数,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,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:
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):
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:
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:
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:
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)
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):
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)
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:
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4.3.2、从最优解xrelax中任意选择一个不符合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Ι;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Ι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;
式(1)中,时的参数表示数据传输到边缘设备过程中的参数,时的参数表示数据传输到云端过程中的参数,表示带宽资源;表示第n种传感器传送数据时的信道增益,表示第n种传感器传送数据时的信噪比,表示第n种传感器传送数据时的到达率,表示第n种传感器在无线通信中的传输延迟;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:
令Tp,n→0,得:
并有:
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):
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
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:
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:
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:
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)
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
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):
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)
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:
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4.3.2、从最优解xrelax中任意选择一个不符合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Ι;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Ι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 (2)
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,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;
式(2-1)中,时的参数表示数据传输到边缘设备过程中的参数,时的参数表示数据传输到云端过程中的参数,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,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:
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):
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;
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3.1、利用式(3-1)构建目标函数:
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:
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:
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)
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;
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、将所述目标函数的求解变量松弛为连续变量,根据式(4-1)建立非线性规划问题的拉格朗日函数L(xn,i,yn,i,a,λ):
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)
h3(xn,i,yn,i,a)=yn,i,a-1-M(1-xn,i) (4-6)
式(4-4)中,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;
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:
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4.3.2、从最优解xrelax中任意选择一个不符合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Ι;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Ι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;
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。
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 CN111182076A (zh) | 2020-05-19 |
CN111182076B true 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) |
Families Citing this family (10)
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 |
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 |
CN112637806B (zh) * | 2020-12-15 | 2022-07-05 | 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 |
CN112968947B (zh) * | 2021-02-01 | 2023-04-18 | 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 |
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 |
CN115002239B (zh) * | 2022-06-10 | 2023-08-11 | 北京邮电大学 | 数据汇聚方法及系统 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9898342B2 (en) * | 2010-05-14 | 2018-02-20 | Micro Focus Software Inc. | Techniques for dynamic cloud-based edge service computing |
US9098344B2 (en) * | 2011-12-27 | 2015-08-04 | Microsoft Technology Licensing, Llc | Cloud-edge topologies |
US10064149B1 (en) * | 2015-05-17 | 2018-08-28 | Kiomars Anvari | Cloud based wireless network |
CN108600310A (zh) * | 2018-03-21 | 2018-09-28 | 南京邮电大学 | 一种物联网环境下的雾计算体系架构 |
CN109152098B (zh) * | 2018-09-20 | 2021-07-20 | 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 |
-
2020
- 2020-01-02 CN CN202010001567.6A patent/CN111182076B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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)
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)》.2018, * |
徐恩庆 ; 董恩然.探析云边协同的九大应用场景.《通信世界》.2019, * |
边缘智能与云边协同技术趋势;任道远;《软件和集成电路》;20190715;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111182076A (zh) | 2020-05-19 |
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 | |
CN112488398A (zh) | 一种基于mec边缘智能网关的用电管理方法及系统 | |
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 | |
Wang et al. | AI-based cloud-edge-device collaboration in 6G space-air-ground integrated power IoT | |
Safdar et al. | A survey on communication infrastructure for micro-grids | |
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 | |
CN113078675B (zh) | 配电台区分布式可调资源群集自组织通信方法及装置 | |
Zhao et al. | Application of 5G communication technology in ubiquitous power internet of things | |
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 | |
CN111340386B (zh) | 一种交直流混合配电网调度方法 | |
CN107613510A (zh) | 基于QoS的智能电力通信业务差分调度机制优化方法 | |
Li et al. | Autonomous smart grid fault detection | |
CN104065719A (zh) | 一种变采样周期调度器及其控制方法 | |
Li et al. | A Real-Time Monitoring and Warning System for Power Grids Based on Edge Computing | |
Peng et al. | Machine learning with variable sampling rate for traffic prediction in 6G MEC IoT | |
Cheng et al. | Deep reinforcement learning for online resource allocation in IoT networks: Technology, development, and future challenges | |
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 | |
Dobrescu et al. | Using IoT communication infrastructure for improving performance of power microgrids | |
Zhou et al. | Secure and intelligent energy data management scheme for smart IoT devices | |
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 |
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 |