CN111911997B - 基于边缘计算框架组件的供热控制方法 - Google Patents
基于边缘计算框架组件的供热控制方法 Download PDFInfo
- Publication number
- CN111911997B CN111911997B CN202010753183.XA CN202010753183A CN111911997B CN 111911997 B CN111911997 B CN 111911997B CN 202010753183 A CN202010753183 A CN 202010753183A CN 111911997 B CN111911997 B CN 111911997B
- Authority
- CN
- China
- Prior art keywords
- heat supply
- service layer
- equipment
- metadata information
- command
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
- F24D19/00—Details
- F24D19/10—Arrangement or mounting of control or safety devices
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Heat-Pump Type And Storage Water Heaters (AREA)
Abstract
本发明公开了一种基于边缘计算框架组件的供热控制方法，其特征在于：所述边缘计算框架组件部署在供热设备近端，且采用分层模型作为其内部结构，所述边缘计算框架组件依次分为：设备服务层，其在供热设备接入时获取供热设备的元数据信息；核心服务层，其存储元数据信息，为支持服务层提供能够获取元数据信息的数据接口；支持服务层，其为程序应用层提供身份认证，调用数据核心服务层的数据接口获取元数据信息，并根据程序应用层生成的中间规则发出相应的命令发送给特定供热设备；程序应用层，其将自身注册到支持服务层，并通过支持服务层获取元数据信息，实时分析所获取的元数据信息后生成中间规则。
Description
技术领域
本发明涉及供热设备领域，具体涉及一种基于边缘计算框架组件的供热控制方法。
背景技术
供热行业在产业升级、互联网构建、数字和AI生态改造的过程中，供热数据在用户侧激增。
现有技术中，供热控制系统多采用大数据和云计算方式，建立全网统一的热网模型，通过全网水力、热力工况的预案分析计算，实现供热调度智能化供热控制，但进行云计算对算力、带宽存在较强依赖，且需要低时延响应，而供热系统的现场环境复杂，很难满足其带宽以及响应方面需求。
发明内容
为解决上述技术问题，本发明提供一种基于边缘计算框架组件的供热控制方法。
为解决上述技术问题，本发明采用如下技术方案：
一种基于边缘计算框架组件的供热控制方法，所述边缘计算框架组件部署在供热设备近端，且采用分层模型作为其内部结构，所述边缘计算框架组件依次分为：
设备服务层，其在供热设备接入时获取供热设备的元数据信息；
核心服务层，其存储元数据信息，为支持服务层提供能够获取元数据信息的数据接口；
支持服务层，其为程序应用层提供身份认证，调用数据核心服务层的数据接口获取元数据信息，并根据程序应用层生成的中间规则发出相应的命令至特定供热设备；
程序应用层，其将自身注册到支持服务层，并通过支持服务层获取元数据信息，实时分析所获取的元数据信息后生成中间规则。
具体地，所述设备服务层在供热设备接入时获取供热设备的元数据信息的过程如下：供热设备连接到设备服务层后，设备服务层通过读取配置文件获取该供热设备的元数据信息，并将元数据信息发送至核心服务层进行保存；配置文件存储在设备服务层，不同的供热设备对应不同的配置文件，通过配置文件的文件名称与供热设备的型号是否相同进行匹配；所述设备服务层能够获取支持服务层发出的命令，并将命令通过供热设备能够支持的协议发送至该供热设备。
具体地，所述程序应用层上运行经过训练的人工智能程序，所述程序应用层实时分析元数据信息并生成中间规则时，将实时的元数据信息输入到人工智能模型中，人工智能模型输出计算结果，并根据计算结果生成中间规则；所述中间规则包括计算结果、命令生成方法以及执行目标。
具体地，供热设备的元数据信息包括实时供热数据和设备运行命令，所述支持服务层根据中间规则触发相应的命令发送给供热设备时：所述支持服务层通过命令生成方法对计算结果进行处理，生成备选指令，备选指令与设备运行命令进行匹配，生成该供热设备所能够运行的命令，并将命令发送给供热设备
与现有技术相比，本发明的有益技术效果是：
1.本发明提供一种具有互操作性的边缘计算框架组件以及相应的方法，所述边缘计算框架组件布置在与供热设备较近的地方，提供低延时的命令响应。
2.边缘计算框架组件独立于操作系统，支持供热设备的即插即用，将供热设备与控制程序解耦。
3.支持多控制程序，只要能够注册到支持服务层的程序，都能够为供热设备提供计算服务，支持服务层提供负载均衡；即使某个程序出现问题，只会影响供热设备与该程序对应的功能，而其他程序所控制的功能不会受到影响。
附图说明
图1为本发明的时序图；
图2为本发明控制方法与人工控制方法的供热量波动对比图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
如图1所示，一种基于边缘计算框架组件的供热控制方法，所述边缘计算框架组件部署在供热设备近端，且采用分层模型作为其内部结构，所述边缘计算框架组件依次分为：
设备服务层，其在供热设备接入时获取供热设备的元数据信息。
具体地，所述设备服务层在供热设备接入时获取供热设备的元数据信息的过程如下：供热设备连接到设备服务层后，设备服务层通过读取配置文件获取该供热设备的元数据信息，并将元数据信息发送至核心服务层进行保存；配置文件存储在设备服务层，不同的供热设备对应不同的配置文件，通过配置文件的文件名称与供热设备的型号是否相同进行匹配；所述设备服务层能够获取支持服务层发出的命令，并将命令通过供热设备能够支持的协议发送至该供热设备。
设备服务层不仅能够采集供热设备的元数据信息，还在客观上实现了供热设备之间的通讯，即不同的供热设备的供热数据通过程序应用层的处理，能够生成对各供热设备统一管理的指令，使各供热设备相互配合完成预定的目标，间接实现了供热设备之间的通信和协调控制。
核心服务层，其存储元数据信息，为支持服务层提供能够获取元数据信息的数据接口。
支持服务层，其为程序应用层提供身份认证，调用数据核心服务层的数据接口获取元数据信息，并根据程序应用层生成的中间规则发出相应的命令至特定供热设备。
程序应用层需要先将自身注册到支持服务层，即只有能够被支持服务层认可的程序应用层才能够被注册，能够避免非法应用通过支持服务层获取用户供热数据，提高了用户数据的私密性。
程序应用层，其将自身注册到支持服务层，并通过支持服务层获取元数据信息，实时分析所获取的元数据信息后生成中间规则。
具体地，所述程序应用层上运行经过训练的人工智能程序，所述程序应用层实时分析元数据信息并生成中间规则时，将实时的元数据信息输入到人工智能模型中，人工智能模型输出计算结果，并根据计算结果生成中间规则；所述中间规则包括计算结果、命令生成方法以及执行目标。
人工智能模型可以采用LSTM模型、灰度模型、GBDT模型等。
其中LSTM的全称为Long Short Term Memory，也被称为长短期记忆网络，主要解决的是样本数据为序列的建模问题，如语音序列和语言序列。多数情况下，序列数据的每个元素并不是相互独立，其存在依赖关系，而LSTM模型能够揭示序列数据的内在联系。
LSTM处理的是序列建模问题，给定一个长度为T输入序列数据{X0,X1,X2…Xt}，其中Xt表示的是序列数据在t时刻的输入特征向量，这里的t时刻应做广义理解，其并不只能表示时间，其主要作用在于表明这是一个序列输入问题。
建模过程中需要得到每个时刻的隐含特征{h0,h1,h2…ht}，这些隐含特征用于后面层的特征输入。
对于LSTM模型来说，其在计算t时刻的输出时，不仅考虑当前时刻的输入特征Xt，而且引入前一个时刻的隐含特征ht-1，相当于提取了前面t-1个时刻的输入特征，而t时刻为新状态，可以理解为计算当前时刻输出的时候，既考虑当前状态，又考虑历史状态对当前状态影响，也正是因为这样的结构设计，LSTM模型特别适合序列问题。
LSTM模型训练时，会将能够影响供热量的历史供热数据，以及对应的供热量输入到模型中，试图寻找历史供热数据与供热量之间的内在联系。
将实时供热数据按时间维度进行对齐处理，采用矩阵形式存储，实时供热数据包括气温、气压、风速、湿度。
之后采用最小最大值归一化方法进行标准化处理，使数据映射到[0，1]内。
将标准化数据输入到LSTM模型中，输出计算结果，该计算结果即为预测供热量；程序应用层根据预测供热量生成中间规则。
室内温度处于稳定状态下，当气温、气压、风速以及湿度发生变化时，供热量也应随之发生变化，而这种数据之间的内在联系体现在历史数据中；而采用历史数据训练完成后，LSTM模型能够揭示实时供热数据与供热量之间的内在联系，故能够根据实时供热数据计算出预测供热量。
实时供热数据实际上是能够对供热量产生影响的外部数据的统称。
为了减少程序应用层的计算量，只会将实时供热数据发送给程序应用层，而不会将设备运行命令发送至程序应用层，导致程序应用层并不能直接生成命令；从另一方面来看，这种方式可以将程序应用层与具体的供热设备之间进行解耦，设备运行命令相关的信息不会硬编码在程序应用层内，使得一个程序应用层可以应用在其他供热设备的控制上。
程序应用层根据预测供热量，生成中间规则，该中间规则包含了预测供热量、对预测供热量进行转换并能够生成命令的命令生成方法以及该命令要执行的供热设备。
在本实施例中所述命令生成方法为SQL语句；执行目标根据实时供热数据的句柄获得。
具体地，供热设备的元数据信息包括实时供热数据和设备运行命令，所述支持服务层根据中间规则触发相应的命令发送给供热设备时：所述支持服务层通过命令生成方法对计算结果进行处理，生成备选指令，备选指令与设备运行命令进行匹配，生成该供热设备所能够运行的命令，并将命令发送给供热设备。
支持服务层通过SQL语句将预测供热流量转换为命令，例如预测供热量为10，该设备的供热温度为2，则供热阀开度应为5，上述值均为举例，其实质上为相对值，并未带物理量单位。
计算出供热阀开度后，并不能直接生成命令；因为对于相同的一个控制指令，不同的供热设备有不同的表现形式；例如供热阀开度为5，有的供热阀命令为on 5，有的供热阀命令为open 5；备选指令则是将常规供热设备所支持的命令都列出来，支持服务层通过设备运行命令与备选指令进行匹配，生成该供热设备能够执行的命令，并发送至该供热设备。
本实施例采用微服务架构的服务发现模式实施上述技术方案。
服务发现模式中有三种角色，分别为服务中介、服务提供者以及服务消费者。
服务中介是联系服务提供者和服务消费者的桥梁；服务提供者将自己提供的服务地址注册到服务中介；服务消费者从服务中介那里查找自己想要的服务提供者的地址，然后享受该服务提供者提供的服务。
服务发现模式也分客户端模式和服务器模式，本实施例中采用的是服务器模式，服务器模式的特点是调用者不维护服务发现逻辑和服务注册信息。
具体来说，通过docker容器技术实现所述的服务发现模式，设备服务层、核心服务层、支撑服务层以及程序应用层均作为服务实例，docker容器将IP地址动态地分配给每个服务实例，并创建服务注册中心，该服务注册中心保留每个服务实例的配置信息，即该服务注册中心充当服务中介，如果各服务实例存在调用关系时，调用方会在服务注册中心中查找所需要调用的服务实例的地址，并按该地址调用特定服务实例，获取回调信息或者执行特定命令。
调用方调用服务实例时，如果存在多个服务实例，则服务注册中心可根据已创建好的负载均衡策略，给出合适的服务实例的地址，能够将负载进行均匀的分配，降低边缘计算的相应时间。
本发明的边缘计算框架组件部署在供热设备近端，与云计算相比，其能够有效降低相应时间，减轻主干网络负载，对比详情如下表所示。
| 边缘计算 | 云计算 | |
| 算力 | 10topS | 100+topS |
| 功耗 | 7W | 100+W |
| 延时 | 50ms | 5s |
| 流量 | 10M/s | 500M/s |
边缘计算只需要负责一栋建筑或者一个小区，其所需算力有限，可采用低硬件配置，并在低功率下运行；由于边缘计算框架组件与供热设备距离较近，网络传输距离更近、路由次数更少，并可以采用更高速度的路由设备，使得边缘计算框架组件进行控制时响应时间更短，网络负载轻。
云计算需要负责一片区域的供热控制，所需算力庞大，硬件设备功耗高，且与供热设备距离远，控制命令的相应时间长，主干网络的负载重。
对相同建筑，分别采用边缘计算控制以及手动控制，预期目标将建筑内各室温控制在20℃至22℃之间，经过28小时候，采用边缘计算方式需耗能15990千瓦时，采用手动控制需耗能23425千万时，采用边缘计算方式耗能减少31.7％；且如图2所示，采用边缘计算方式的供热控制更加平顺，控制效果更好。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立技术方案，说明书的这种叙述方式仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (4)
1.一种基于边缘计算框架组件的供热控制方法，其特征在于，所述边缘计算框架组件部署在供热设备近端，且采用分层模型作为其内部结构，所述边缘计算框架组件依次分为：
设备服务层，其在供热设备接入时获取供热设备的元数据信息；
核心服务层，其存储元数据信息，为支持服务层提供能够获取元数据信息的数据接口；
支持服务层，其为程序应用层提供身份认证，调用数据核心服务层的数据接口获取元数据信息，并根据程序应用层生成的中间规则发出相应的命令至特定供热设备；
程序应用层，其将自身注册到支持服务层，并通过支持服务层获取元数据信息，实时分析所获取的元数据信息后生成中间规则。
2.根据权利要求1所述的基于边缘计算框架组件的供热控制方法，其特征在于，所述设备服务层在供热设备接入时获取供热设备的元数据信息的过程如下：供热设备连接到设备服务层后，设备服务层通过读取配置文件获取该供热设备的元数据信息，并将元数据信息发送至核心服务层进行保存；配置文件存储在设备服务层，不同的供热设备对应不同的配置文件，通过配置文件的文件名称与供热设备的型号是否相同进行匹配；所述设备服务层能够获取支持服务层发出的命令，并将命令通过供热设备能够支持的协议发送至该供热设备。
3.根据权利要求1所述的基于边缘计算框架组件的供热控制方法，其特征在于，所述程序应用层上运行经过训练的人工智能程序，所述程序应用层实时分析元数据信息并生成中间规则时，将实时的元数据信息输入到人工智能模型中，人工智能模型输出计算结果，并根据计算结果生成中间规则；所述中间规则包括计算结果、命令生成方法以及执行目标。
4.根据权利要求3所述的基于边缘计算框架组件的供热控制方法，其特征在于，供热设备的元数据信息包括实时供热数据和设备运行命令，所述支持服务层根据中间规则发出相应的命令到供热设备时：所述支持服务层通过命令生成方法对计算结果进行处理，生成备选指令，备选指令与设备运行命令进行匹配，生成该供热设备所能够运行的命令，并将命令发送给供热设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010753183.XA CN111911997B (zh) | 2020-07-30 | 2020-07-30 | 基于边缘计算框架组件的供热控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010753183.XA CN111911997B (zh) | 2020-07-30 | 2020-07-30 | 基于边缘计算框架组件的供热控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111911997A CN111911997A (zh) | 2020-11-10 |
| CN111911997B true CN111911997B (zh) | 2022-02-15 |
Family
ID=73286877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010753183.XA Active CN111911997B (zh) | 2020-07-30 | 2020-07-30 | 基于边缘计算框架组件的供热控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111911997B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112747477B (zh) * | 2021-01-25 | 2022-09-20 | 华南理工大学 | 一种安全节能的燃气热水锅炉智能控制系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109240821A (zh) * | 2018-07-20 | 2019-01-18 | 北京航空航天大学 | 一种基于边缘计算的分布式跨域协同计算与服务系统及方法 |
| CN109862117A (zh) * | 2019-03-14 | 2019-06-07 | 厦门摩姆思科技有限公司 | 一种用于无人车间的物联网边缘计算系统 |
| CN110032540A (zh) * | 2019-04-11 | 2019-07-19 | 北京宙心科技有限公司 | 一种人工智能边缘计算设备 |
| CN110990726A (zh) * | 2019-10-30 | 2020-04-10 | 武汉大学 | 时空大数据智能服务系统 |
| CN111080065A (zh) * | 2019-11-18 | 2020-04-28 | 国网河北省电力有限公司电力科学研究院 | 一种基于多元数据融合的网源协调源侧性能边缘计算与分析平台 |
-
2020
- 2020-07-30 CN CN202010753183.XA patent/CN111911997B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109240821A (zh) * | 2018-07-20 | 2019-01-18 | 北京航空航天大学 | 一种基于边缘计算的分布式跨域协同计算与服务系统及方法 |
| CN109862117A (zh) * | 2019-03-14 | 2019-06-07 | 厦门摩姆思科技有限公司 | 一种用于无人车间的物联网边缘计算系统 |
| CN110032540A (zh) * | 2019-04-11 | 2019-07-19 | 北京宙心科技有限公司 | 一种人工智能边缘计算设备 |
| CN110990726A (zh) * | 2019-10-30 | 2020-04-10 | 武汉大学 | 时空大数据智能服务系统 |
| CN111080065A (zh) * | 2019-11-18 | 2020-04-28 | 国网河北省电力有限公司电力科学研究院 | 一种基于多元数据融合的网源协调源侧性能边缘计算与分析平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111911997A (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Intelligent traffic adaptive resource allocation for edge computing-based 5G networks | |
| Steinbrink et al. | Smart grid co-simulation with MOSAIK and HLA: a comparison study | |
| Teich et al. | Design of a prototype neural network for smart homes and energy efficiency | |
| Jinbo et al. | Research on monitoring platform of agricultural product circulation efficiency supported by cloud computing | |
| Zhang et al. | Parameter tuning of ADRC and its application based on CCCSA | |
| CN111556173B (zh) | 一种基于强化学习的服务链映射方法 | |
| CN112217805B (zh) | 一种配电物联网多模协议适配方法 | |
| CN111911997B (zh) | 基于边缘计算框架组件的供热控制方法 | |
| CN113778683B (zh) | 一种基于神经网络的Handle标识体系解析负载均衡方法 | |
| KR102026479B1 (ko) | 병렬처리 플랫폼 기반 인공지능 음성인식 서비스 제공 시스템 | |
| Lv et al. | A container scheduling strategy based on machine learning in microservice architecture | |
| CN112413762B (zh) | 一种制冷机房冷却水系统参数优化方法和系统 | |
| Tao et al. | Input dimension reduction for load forecasting based on support vector machines | |
| CN109063978A (zh) | 能源互联网资源调度方法及系统、可读存储介质和终端 | |
| CN109946968B (zh) | 一种楼宇内分布式能源匹配系统和方法 | |
| Hao et al. | Optimal IoT service offloading with uncertainty in SDN-based mobile edge computing | |
| Chen et al. | Sliding mode control based on disturbance observer for greenhouse climate systems | |
| CN112836370B (zh) | 供热系统调度方法、装置、设备、存储介质以及程序产品 | |
| CN109578209B (zh) | 一种基于嵌入式控制结合物联网的复杂风电发电参数控制系统 | |
| Amiri et al. | Optimal planning of a multi-carrier energy hub using the modified bird mating optimizer | |
| Li | Application of extreme learning machine algorithm in the regression fitting | |
| CN110365020B (zh) | 基于集成学习的无功优化方法 | |
| CN106850806A (zh) | 基于物联网的智能建筑及能效监控系统的数据交换方法及装置 | |
| WO2020098405A1 (zh) | 空调器的控制方法、空调器及存储介质 | |
| Fang et al. | Large Language Models (LLMs) Inference Offloading and Resource Allocation in Cloud-Edge Networks: An Active Inference Approach |
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 |