CN112488398A - 一种基于mec边缘智能网关的用电管理方法及系统 - Google Patents
一种基于mec边缘智能网关的用电管理方法及系统 Download PDFInfo
- Publication number
- CN112488398A CN112488398A CN202011396655.7A CN202011396655A CN112488398A CN 112488398 A CN112488398 A CN 112488398A CN 202011396655 A CN202011396655 A CN 202011396655A CN 112488398 A CN112488398 A CN 112488398A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- model
- gateway
- edge
- 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.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 89
- 238000007726 management method Methods 0.000 title claims abstract description 83
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000003993 interaction Effects 0.000 claims abstract description 12
- 230000002776 aggregation Effects 0.000 claims abstract description 5
- 238000004220 aggregation Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 26
- 230000006399 behavior Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 238000000034 method Methods 0.000 description 39
- 239000010410 layer Substances 0.000 description 35
- 238000013473 artificial intelligence Methods 0.000 description 30
- 230000008569 process Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 206010000369 Accident Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于MEC边缘智能网关的用电管理方法及系统，包括，利用云中心全局管理基本配置信息，利用智能仪表分类采集历史用电数据，并通过基站传输到MEC边缘智能网关，利用端模块预处理原始数据；根据AI模块分析训练用户用电数据，形成用户用电业务需求模型，并将训练好的模型梯度参数数据面加密上传；解析边缘网关的加密模型梯度并聚合训练多个模型，形成一个联合模型，备份并下发网关模型梯度参数；更新所述模型参数和其他数据保留下来的信息，并根据实际情况给对应的用户端回发用电管理决策信息。本发明提高了边缘计算一侧的算力，并在海量数据交互的当代社会，满足了用户对于自身用电隐私数据的保护。
Description
技术领域
本发明涉及电力物联网边缘计算的技术领域，尤其涉及一种基于MEC边缘智能网关的用电管理方法及系统。
背景技术
当前社会电力技术日趋成熟，国家的发电量多次创新高，社会用电覆盖的区域也越来越广，用电的群体越来越繁杂，包括了个人用户、政府机构与企业工厂等多种类型。如此大规模的用电必将带来许多安全问题，如用户超负荷用电导致电气火灾事件层出不穷，漏电导致每年有不少人触电伤亡，电力资源应用不当导致电力成本过高等。由此可见，国内亟待更完善的技术来对用电进行管理，传统的用电管理方法是由人工进行管理，但是人工成本高并且管理难度大，还有就是在本地进行智能监控，但是不适合大范围用户管理，为此，人们又想到将终端数据上传到云平台进行用户用电的管理，较之前有较好的效果，但是随着电力物联网在行业领域的不断深入，终端的设备数量急剧增加，每个终端的运行必将产生一些数据，因而大量的终端产生的数据必然是海量的，数据过多必将占用大量带宽与高时延，让云计算的性能遇到瓶颈，在这种背景下，如何分析海量的用户用电数据并从中获得有效信息，变得极富挑战性。
为此，又有人提出使用边缘计算来解决该问题，通过将云计算下沉到边缘端，可以有效减缓云计算的压力并降低时延，提高用电管理效率，边缘智能网关是面向边缘计算的数据接入实现的重要工具，除了具备协议转换、可管理、广泛接入等常用物联网网关功能外，还能够承载边缘计算与智能服务的功能。将边缘智能网关引入电力物联网的潜力是巨大的，所以本发明选择设计边缘智能网关作为着力点。
当前的实现方案主要是设计边缘智能网关，实现云边端互联，利用边缘计算技术有效分担云平台的数据处理压力，基于海量的用户用电数据进行大数据分析，降低用电风险，提升用电能效。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明解决的技术问题是：首先，现在应用上的边缘智能网关大多需要将分散到网络各处的数据重新收集到传统的数据中心中进行模型训练等操作，等云平台训练好模型再下发到边缘计算网关使用，然而，数据集中的时候，用户的安全隐私无法得到保证；其次，不同地区的用户用电状况与网络状况不平衡，并且通信资源有限，不同用户的用电数据也是非独立同分布(Non-IID)的，只是简单引入AI算法无法高效训练这些性质不同的数据；最后，考虑到大多数边缘设备都是轻量级的，其运算和存储能力都非常有限，边缘计算的算力不足，上限较低。
为解决上述技术问题，本发明提供如下技术方案：一种基于MEC边缘智能网关的用电管理方法，其特性在于，包括：利用云中心全局管理基本配置信息，利用智能仪表分类采集历史用电数据，并通过基站传输到MEC边缘智能网关，利用网关预处理所述原始数据；根据智能选择机器学习算法分析训练所述用电数据，形成用户用电业务需求模型，利用多个MEC边缘智能网关加密上传训练好的模型梯度参数数据面；利用云平台解析所述加密模型梯度并利用机器学习算法聚合训练多个模型，形成一个联合模型，备份并下发所述网关模型梯度参数；利用所述边缘智能网关更新所述模型参数及其他数据保留下来的信息，并利用存储的AI模型，根据实际情况给对应的用户端回发用电管理决策信息，完成用电管理。
作为本发明所述的基于MEC边缘智能网关的用电管理方法的一种优选方案，其中：所述用电管理系统包括，定义模块化MEC边缘智能网关为联系云中心与用户端的桥梁并以此构成所述用电管理系统。
作为本发明所述的基于MEC边缘智能网关的用电管理方法的一种优选方案，其中：所述用户用电业务需求模型包括异常用电行为调整模型、用电高峰预测调整模型以及电气灾害预警模型。
作为本发明所述的基于MEC边缘智能网关的用电管理方法的一种优选方案，其中：所述机器学习算法包括逻辑回归、支持向量机以及决策树。
作为本发明所述的基于MEC边缘智能网关的用电管理方法的一种优选方案，其中：所述用电管理决策信息包括不良用电行为调整、用电高峰预测调整及潜在电气灾害预警。
作为本发明所述的基于MEC边缘智能网关的用电管理方法的一种优选方案，其中：所述电气灾害预警模型包括输入层、隐藏层和输出层，其具体包括，
隐藏层：
输出层：
其中，m表示输入层节点数，n表示隐藏层节点数，q表示输出层节点数，Wij表示输入层节点与隐藏层节点的权值定义，Vjk表示隐藏层到输出层节点的权值定义，θj表示隐藏层节点的阈值，βk表示输出层节点的阈值。
作为本发明所述的基于MEC边缘智能网关的用电管理方法的一种优选方案，其中：联邦学习机制包括，
其中，fi(ω)＝l(xi,yi；ω)，表示局部损失函数，Pk表示存储在第k个边缘网关的训练样本集，nk＝|Pk|表示样本的个数。
作为本发明所述的基于MEC边缘智能网关的用电管理方法的一种优选方案，其中：所述异常用电行为检测模型包括，
其中，pi表示用电正常的概率，θ表示回归系数，Xi＝(wi,ti,qi)，ti表示采集时间点，wi表示工作日记录，qi表示用户的用电量。
作为本发明所述的基于MEC边缘智能网关的用电管理方法的一种优选方案，其中：所述历史用电数据包括电流、电压以及电功率。
作为本发明所述的基于MEC边缘智能网关的用电管理系统的一种优选方案，其中：通用模块包括通信模块、安全模块、数据模块、系统模块、电源模块及应用模块；特色模块包括端模块、云模块、边缘云模块、AI模块、自适应模块；其中所述通信模块按需支持多种通讯方式、多种扩展接口、多种采集端口、网络连接和实现设备交互，所述端模块与所述通信模块相连接用于实现对用电数据的分类以及发出用户端的决策指令及对用户端的用电管理，所述云模块与所述通信模块相连接用于存储网关训练的AI模型，所述安全模块与所述通讯模块及所述数据模块相连接用于保证用户端传输数据的保密性和完整性，所述自适应模块与所述安全模块相连接用于储存设备优化模型，保证网关内模块的优化运作，对网关设备进行全生命周期管理，所述电源模块接收所述自适应模块的指令对自身的电池使用策略进行智能调整，延长电池寿命，所述数据模块与所述自适应模块相连接用于储存以及传输设备数据、系统数据、计算数据、用户数据，所述应用模块与所述数据模块相连接包括编程单元、事件管理单元、网关管理单元用于对外交互及对内管理，所述AI模块与所述应用模块相连接用于储存各种先进的AI算法，所述系统模块与所述AI模块相连接用于提供运行环境及操作系统，所述边缘云模块与所述系统模块相连接用于储存边缘云资源调度模型及智能调度边缘云服务器的资源，给网关内的模型训练以及智能决策需求提供算力。
本发明的有益效果：本发明将中心云服务器部分下沉到边缘智能网关，增加了边缘计算的算力，足够利用AI算法，提升边缘侧对数据的整合分析以及模型训练能力；本发明设计了含有通用模块与五个特色模块的模块化的边缘智能网关，优化了该网关与用户端、云端的用电管理过程，不仅能够实现对用户用电管理更加智能的决策，还能对网关自身运行状态进行智能优化；云端与MEC边缘智能网关的交互采用联邦学习框架，可以很好地处理以下问题：用户用电数据非独立同分布(Non-IID)、用户用电状况与网络状态不平衡、通信资源有限、用户安全隐私保护。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例所述的一种基于MEC边缘智能网关的用电管理方法的基本流程图；
图2为本发明一个实施例所述的一种基于MEC边缘智能网关的用电管理系统的基本结构图；
图3为本发明一个实施例所述的一种基于MEC边缘智能网关的用电管理系统的内部模块图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的第一个实施例，该实施例提供了一种基于MEC边缘智能网关的用电管理方法，包括：
S1：利用云中心全局管理基本配置信息，利用智能仪表分类采集历史用电数据，并通过基站传输到MEC边缘智能网关，利用网关预处理原始数据。
需要说明的是：用电管理系统包括，
定义模块化MEC边缘智能网关为联系云中心与用户端的桥梁并以此构成用电管理系统。
历史用电数据包括电流、电压以及电功率。
S2：根据智能选择机器学习算法分析训练用电数据，形成用户用电业务需求模型，利用多个MEC边缘智能网关加密上传训练好的模型梯度参数数据面。
需要说明的是，用户用电业务需求模型包括异常用电行为调整模型、用电高峰预测调整模型以及电气灾害预警模型。
其中，电气灾害预警模型包括输入层、隐藏层和输出层，其具体包括，
隐藏层：
输出层：
其中，m表示输入层节点数，n表示隐藏层节点数，q表示输出层节点数，Wij表示输入层节点与隐藏层节点的权值定义，Vjk表示隐藏层到输出层节点的权值定义，θj表示隐藏层节点的阈值，βk表示输出层节点的阈值。
异常用电行为检测模型包括，
其中，pi表示用电正常的概率，θ表示回归系数，Xi＝(wi,ti,qi)，ti表示采集时间点，wi表示工作日记录，qi表示用户的用电量。
具体的，电气火灾预警模型(BP神经网络算法←该算法也可适用于电力负荷的预测，进而对用户的用电高峰进行调整)采用三层BP神经网络架构，包括输入层、隐藏层和输出层，输入层设置个节点包括漏电流、电压、电流以及漏电流数据，隐藏层设置个节点，输出层设置单层节点输出电气火灾的概率，输出值域为0到1，其训练模型如上述所示，训练时，首先可以给Wij、Vjk、θj和βk赋予较小的值，然后根据前两式进行计算，进一步计算出输出层节点的输出Y与期望输出Y'的误差，如下：
经过反复迭代运算，直到误差ej足够小，达到精度要求为止，更新权值Wij，Vjk和阈值θj，βk，将更新的参数代入式子，即可根据输入数据预测火灾概率，当输出概率大于0.5则认为有发生电气火灾的风险。
进一步的，异常用电行为检测模型示例(逻辑回归方法)：
假设某个用户的第i条用电数据中，用电行为记录为yi(1表示用电正常，0表示用电异常)，是否工作日记录为wi(1表示工作日，0表示休息日)，ti为采集时间点，用序号表示即可，qi表示用户的用电量(单位为kW·h)，每条用电数据记录为(yi,Xi)，其中Xi＝(wi,ti,qi)。假设该用户当天有N条用电数据，则有1≤i≤N，令回归系数为θ＝(θ0,θ1,θ2,θ3)，记作θj，j＝0,1,2,3，设用电正常的概率为pi，根据逻辑回归算法可得：
回归系数θ可以通过最大似然估计计算得到，似然估计函数为：
其中，
最大化上式即最大化其对数，有：
此时结合梯度下降法，求偏导，引入：
然后，有
接下来，迭代进行θ回归系数更新：
迭代求解出最优回归系数即可求得用电正常的概率pi，若pi＜0.5则检测出该用电数据异常。
进一步的，机器学习算法包括逻辑回归、支持向量机以及决策树。
其中，逻辑回归：逻辑回归模型可以简单应用于二分类数据分析，它选取不同的特征与权重来对样本进行概率分类，用最大似然函数计算最佳回归系数，进而推算出样本属于某一类的概率，即一个样本会有一定的概率属于一个类，会有一定的概率属于另一类，概率大的类即为样本所属类。
支持向量机：支持向量机也可以简单应用于二分类数据分析，它可以在N维空间中，找到一个(N-1)维的超平面，这个超平面可以将这些点分为两类，也就是说，平面内如果存在线性可分的两类点，支持向量机算法可以找到一条最优的直线将这些点分开。
决策树：决策树是一种树形结构，为人们提供决策依据，可以用于预测，决策树可以用来回答yes和no问题，它通过树形结构将各种情况组合都表示出来，每个分支表示一次选择(选择yes还是no)，直到所有选择都进行完毕，最终给出正确答案。
S3：利用云平台解析加密模型梯度并利用机器学习算法聚合训练多个模型，形成一个联合模型，备份并下发网关模型梯度参数
需要说明的是，多个模型包括云中心从多个不同地区的边缘网关接收的模型参数，比如，多个网关训练了用电高峰预测调整模型，然后云中心接收了多个网关的模型参数并进行聚合，联合模型是通过聚合各模型参数(加权平均)生成的新模型，然后统一下发到各边缘网关。
S4：利用边缘智能网关更新模型参数及其他数据保留下来的信息，并利用存储的AI模型，根据实际情况给对应的用户端回发用电管理决策信息，完成用电管理。需要说明的是：用电管理决策信息包括不良用电行为调整、用电高峰预测调整及潜在电气灾害预警。
更加具体的，其通用功能为：按需要可支持工业总线协议(Modbus、S7、OPCUA等)、远程服务协议(SSH、FTP、VPN等)、硬件端口协议(RS232、RS485、USB等)、无线通讯协议(WIFI、GPRS、4G、5G、NB-IOT等)、数据传输协议(HTTP、MQTT、UDP、IPV4、IPV6等)等通信协议；提供多种通用运算模型，支持多种编程工具以及管理网关的软件应用，同时具备C、C++、Python等多种高级编程语言解析和运行环境，有效支撑网关的边缘计算；具备安全保障能力，使用加密策略，能够进行数据的安全存储，对网关进行安全防护，并对网关的日常运行进行有效监控。
其特色功能为：该网关支持云边协同模式：云平台可以对网关和应用进行全生命周期管理(创建、配置、卸载、更新、监控)；云边的用户用电数据、网关设备运行数据等能够在安全隐私得到保护的情况下，利用分布式训练的AI模型进行智能交互。该网关的维护管理与AI结合：网关利用AI模型分析，能够自适应地维护自身的运行，提高自身的工作效率，延长自身的使用年限等；该网关能跟边缘云服务器进行智能交互：使用AI算法对服务器资源进行动态调度，保证各个模型训练的平稳运行；网关能有效利用AI模型对用户的用电数据进行智能筛选，对用户用电行为进行决策。
其中，MEC边缘智能网关与云中心的交互采用联邦学习机制，不断迭代更新网关各模块的AI模型，对用户的用电业务需求进行智能分析与决策，对网关自身的运行状态进行智能调整。同时，联邦学习还能够很好地处理用户用电数据非独立同分布(Non-IID)、用户用电状况与网络状态不平衡、通信资源有限、用户安全隐私保护的问题。
需要说明的是联邦学习机制包括，
其中，fi(ω)＝l(xi,yi；ω)，表示局部损失函数，Pk表示存储在第k个边缘网关的训练样本集，nk＝|Pk|表示样本的个数。
具体的，用电管理中用户群来自不同网关覆盖区，数据都是电流电压等普通数据还有电气设备变化等特殊数据，需求都是用电异常行为检测等，所以是业务相似，用户不同，采用横向联邦学习的思想：首先云中心向各边缘网关下发最新模型(包括异常用电行为调整模型、用电高峰预测调整模型以及电气灾害预警模型等)，然后各边缘网关利用已有数据训练模型，加密梯度上传到云中心，云中心聚合各用户的梯度更新模型参数，接下来云中心返回更新后的模型给各边缘网关，最后各边缘网关再更新各自模型，循环，形成一个“闭环”机制。在联邦学习机制下，对于同一类模型，假设有k个边缘网关参与训练，Pk表示存储在第k个边缘网关的训练样本集，样本的个数用nk＝|Pk|表示，则应用在这种情况下的联邦学习的Federated Averaging算法定义如下目标函数(总的损失函数是各个边缘网关局部损失与样本个数的加权平均)：
其具体的算法流程包括：各边缘网关：首先从云中心得到最新的参数ω，在利用本地的数据和ω计算当前模型的梯度gi，然后发送到云中心，循环进行。云中心：从各边缘网关得到梯度gi，然后进行参数更新：ω←ω-α·gi，将各个边缘网关汇总过来的参数进行加权平均，循环进行。
为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例中选择传统用电管理方法在云中心进行训练与决策和本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
在本实施例中，根据仿真软件给出相同的用户端设备原始数据，传统技术方案包括：首先由数据采集设备采集用户端设备的原始数据，然后数据打包上传到边缘网关，边缘网关经过数据预处理等步骤将原始数据整理转换成标准数据，然后将标准数据分类打包和协议转换后发送置数据中心，边缘网关还对原始数据中的关键数据进行实时分析，然后根据分析结果对用户端设备进行实时智能化处理，云平台可以利用数据中心的数据进行分析、监控、管理等，将数据分析结果发送至相应的物联网应用上；本发明方法即采用上述步骤对数据进行处理及管理；其实验结果对比如表1所示：
表1实验结果对比表。
通过上述数据对比可知，本发明方法相较于传统方法能够降低时延、加快响应速度以及增加吞吐量；且本发明方法所利用的联邦学习机制所带来的优点包括：
1、用户用电数据非独立同分布(Non-IID)：用户设备上的训练数据是根据其无线环境和自身计算能力、能量消耗等参数得到的，因此任何单独的训练数据都不能代表所有用户的训练数，联邦学习可以结合参数加权平均的方法更新模型来解决这个问题；
2、用户用电状况与网络状态不平衡：一部分用户可能拥有更多需要处理的任务，经历更复杂的网络情况，联邦学习可以结合参数加权平均的方法解决这个问题；
3、通信资源有限：用户常常无法预测什么时候离线或被分配至劣质信道，在联邦学习机制中，每一轮仅仅要求一部分用户上传更新；
4、用户安全隐私保护：利用一些加密技术避免暴露敏感用电数据。
本发明方法还在于部署MEC云服务器增加边缘算力，对比传统的边缘轻量级计算设备来说，能够更好地提供算力，保证能够在边缘侧进行一些需要耗费较多计算资源的算法(比如一些较深层的神经网络算法需要服务器支撑)，保证能够进行模型的训练，这样一来边缘侧就能够承担一部分计算以及决策任务，更好地缓解云平台的运算压力。
实施例2
参照图2～3，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种基于MEC边缘智能网关的用电管理系统，包括：通用模块、特色模块，其中需要说明的是：
通用模块包括通信模块、安全模块、数据模块、系统模块、电源模块及应用模块；
特色模块包括端模块、云模块、边缘云模块、AI模块、自适应模块；
具体的，其中通信模块按需支持多种通讯方式、多种扩展接口、多种采集端口、网络连接和实现设备交互，端模块与通信模块相连接用于实现对用电数据的分类以及发出用户端的决策指令及对用户端的用电管理，云模块与通信模块相连接用于存储网关训练的AI模型，安全模块与通讯模块及数据模块相连接用于保证用户端传输数据的保密性和完整性，自适应模块与安全模块相连接用于储存设备优化模型，保证网关内模块的优化运作，对网关设备进行全生命周期管理，电源模块接收自适应模块的指令对自身的电池使用策略进行智能调整，延长电池寿命，数据模块与自适应模块相连接用于储存以及传输设备数据、系统数据、计算数据、用户数据，应用模块与数据模块相连接包括编程单元、事件管理单元、网关管理单元用于对外交互及对内管理，AI模块与应用模块相连接用于储存各种先进的AI算法，系统模块与AI模块相连接用于提供运行环境及操作系统，边缘云模块与系统模块相连接用于储存边缘云资源调度模型及智能调度边缘云服务器的资源，给网关内的模型训练以及智能决策需求提供算力。
具体的，安全模块：具备多重安全保障能力，支持系统多用户管理，使用强用户密码策略，采用传输层安全协议(TLS)保证用户端传输数据的保密性和完整性，辅以各种传输加密算法，设置防火墙，对网路端口、连接、服务进行监控，安全防护网关，提供审计日志接口、能保存并管理审计日志；数据模块：储存以及传输设备数据、系统数据、计算数据、用户数据等，起到中介功能；系统模块：包括操作系统(Linux OS，支持Docker容器化多应用部署)、运行环境(TensorFlow、Python等)以及系统主板CPU(ARM双核处理器)；电源模块：使用太阳能电池组来维持设备的日常运行，能接收自适应模块的指令对自身的电池使用策略进行智能调整，延长电池寿命；应用模块：包含编程工具、事件管理工具，网关管理工具等智能应用，是对外交互的重要窗口，也是对内管理的重要工具。端模块：负责用户端用电数据的智能筛选，存储训练好的用户端的智能决策AI模型，实现对用电数据的分类以及发出用户端的决策指令，实现对用户端的用电管理。同时，若是用户端的电气配置信息有更新也会进行接收传递；云模块：存储网关训练的AI模型(包括设备各模块的优化模型以及用户端的业务需求模型)，并遵循联邦学习机制，对重要数据(包括网关设备运行数据以及用户用电数据)以及模型训练参数进行打包、加密上传，同时负责接收云端传回的模型更新参数以及一些指令，上传用户电气配置信息或者网关配置信息的更新数据；边缘云模块：储存边缘云资源调度模型，负责智能调度边缘云服务器的资源，给网关内的模型训练以及智能决策等需求提供算力；AI模块：储存各种先进的AI算法，可以随时进行更新(网关直接导入或者云端进行传输导入)，根据实际情况智能调度算法进行设备优化模型以及用户端业务需求模型的训练，并对AI模型进行备份，传输；自适应模块：储存设备优化模型，并能够根据云端返回的设备优化模型参数对其进行更新，不断优化网关设备的运行状态，保证网关内模块的优化运作，还可以根据云端指令对网关设备进行全生命周期管理。同时，若是网关配置信息若有更新，也会通过该模块进行传递。
如图2，应用本发明的电力物联网云边端协同的用电管理系统示例：首先总体上将用户用电分布信息、用电设备配置信息以及本发明的MEC边缘智能网关的设备运行配置信息等上传到云中心进行全局管理(配置信息更新时也会进行上传同步云中心)；使用智能仪表分类采集用户端的电流、电压以及电功率等历史用电数据，并通过基站传输到MEC边缘智能网关。该网关在接收到用户历史用电数据后，可以通过端模块先对原始数据进行预处理，剔除无效数据，再将电气设备状态变化、用户用电量数据、保护预警信息等重要数据与其他普通数据(实时电流、电压、电功率等)分类整理，然后利用AI模块，智能选择机器学习算法(逻辑回归、支持向量机以及决策树等)对用户用电数据进行分析训练，形成用户用电业务需求模型(包括异常用电行为调整模型、用电高峰预测调整模型以及电气灾害预警模型等)，训练完毕后，多个MEC边缘智能网关将训练好的模型梯度参数进行加密上传(同态加密)数据面，由云平台通过控制面统一进行数据的管控；云中心与MEC边缘智能网关的交互采用联邦学习的神经网络学习框架，云平台接受到各边缘网关的加密模型梯度并进行解析，通过机器学习算法对多个模型进行聚合训练，形成一个联合模型，备份并下发各网关模型梯度参数，在此过程中，云中心由人工与AI联合进行模型调优与用电管理决策，处理完毕后，云平台又将更新后的模型梯度参数以及一些新的用电管理指令下发到各边缘智能网关；多个MEC边缘智能网关各自将模型参数和其他数据保留下来进行信息更新，然后，这些网关可以根据存储的AI模型，根据实际情况给对应的用户端回发用电管理决策信息(不良用电行为调整、用电高峰预测调整、潜在电气灾害预警等)。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于MEC边缘智能网关的用电管理方法，其特性在于，包括：
利用云中心全局管理基本配置信息，利用智能仪表分类采集历史用电数据，并通过基站传输到MEC边缘智能网关，利用网关预处理所述原始数据；
根据智能选择机器学习算法分析训练所述用电数据，形成用户用电业务需求模型，利用多个MEC边缘智能网关加密上传训练好的模型梯度参数数据面；
利用云平台解析所述加密模型梯度并利用机器学习算法聚合训练多个模型，形成一个联合模型，备份并下发所述网关模型梯度参数；
利用所述边缘智能网关更新所述模型参数及其他数据保留下来的信息，并利用存储的AI模型，根据实际情况给对应的用户端回发用电管理决策信息，完成用电管理。
2.如权利要求1所述的基于MEC边缘智能网关的用电管理方法，其特征在于：所述用电管理系统包括，
定义模块化MEC边缘智能网关为联系云中心与用户端的桥梁并以此构成所述用电管理系统。
3.如权利要求1或2所述的基于MEC边缘智能网关的用电管理方法，其特征在于：所述用户用电业务需求模型包括异常用电行为调整模型、用电高峰预测调整模型以及电气灾害预警模型。
4.如权利要求3所述的基于MEC边缘智能网关的用电管理方法，其特征在于：所述机器学习算法包括逻辑回归、支持向量机以及决策树。
5.如权利要求4所述的基于MEC边缘智能网关的用电管理方法，其特征在于：所述用电管理决策信息包括不良用电行为调整、用电高峰预测调整及潜在电气灾害预警。
6.如权利要求5所述的基于MEC边缘智能网关的用电管理方法，其特征在于：所述电气灾害预警模型包括输入层、隐藏层和输出层，其具体包括，
隐藏层：
输出层：
其中，m表示输入层节点数，n表示隐藏层节点数，q表示输出层节点数，Wij表示输入层节点与隐藏层节点的权值定义，Vjk表示隐藏层到输出层节点的权值定义，θj表示隐藏层节点的阈值，βk表示输出层节点的阈值。
7.如权利要求6所述的基于MEC边缘智能网关的用电管理方法，其特征在于：联邦学习机制包括，
其中，fi(ω)＝l(xi,yi；ω)，表示局部损失函数，Pk表示存储在第k个边缘网关的训练样本集，nk＝|Pk|表示样本的个数。
8.如权利要求7所述的基于MEC边缘智能网关的用电管理方法，其特征在于：所述异常用电行为检测模型包括，
其中，pi表示用电正常的概率，θ表示回归系数，Xi＝(wi,ti,qi)，ti表示采集时间点，wi表示工作日记录，qi表示用户的用电量。
9.如权利要求8所述的基于MEC边缘智能网关的用电管理方法，其特征在于：所述历史用电数据包括电流、电压以及电功率。
10.一种基于MEC边缘智能网关的用电管理系统，其特征在于：包括，
通用模块包括通信模块、安全模块、数据模块、系统模块、电源模块及应用模块；
特色模块包括端模块、云模块、边缘云模块、AI模块、自适应模块；
其中所述通信模块按需支持多种通讯方式、多种扩展接口、多种采集端口、网络连接和实现设备交互，所述端模块与所述通信模块相连接用于实现对用电数据的分类以及发出用户端的决策指令及对用户端的用电管理，所述云模块与所述通信模块相连接用于存储网关训练的AI模型，所述安全模块与所述通讯模块及所述数据模块相连接用于保证用户端传输数据的保密性和完整性，所述自适应模块与所述安全模块相连接用于储存设备优化模型，保证网关内模块的优化运作，对网关设备进行全生命周期管理，所述电源模块接收所述自适应模块的指令对自身的电池使用策略进行智能调整，延长电池寿命，所述数据模块与所述自适应模块相连接用于储存以及传输设备数据、系统数据、计算数据、用户数据，所述应用模块与所述数据模块相连接包括编程单元、事件管理单元、网关管理单元用于对外交互及对内管理，所述AI模块与所述应用模块相连接用于储存各种先进的AI算法，所述系统模块与所述AI模块相连接用于提供运行环境及操作系统，所述边缘云模块与所述系统模块相连接用于储存边缘云资源调度模型及智能调度边缘云服务器的资源，给网关内的模型训练以及智能决策需求提供算力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011396655.7A CN112488398A (zh) | 2020-12-03 | 2020-12-03 | 一种基于mec边缘智能网关的用电管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011396655.7A CN112488398A (zh) | 2020-12-03 | 2020-12-03 | 一种基于mec边缘智能网关的用电管理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112488398A true CN112488398A (zh) | 2021-03-12 |
Family
ID=74938045
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011396655.7A Pending CN112488398A (zh) | 2020-12-03 | 2020-12-03 | 一种基于mec边缘智能网关的用电管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112488398A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113099410A (zh) * | 2021-04-23 | 2021-07-09 | 广东电网有限责任公司江门供电局 | 一种5g电力边缘数据传输处理方法、装置、终端及介质 |
| CN113139884A (zh) * | 2021-03-26 | 2021-07-20 | 青岛亿联信息科技股份有限公司 | 智能建筑管理系统方法、系统、存储介质及电子设备 |
| CN113141355A (zh) * | 2021-04-13 | 2021-07-20 | 长沙理工大学 | 一种基于全同态的用电加密数据异常检测方法与系统 |
| CN113434896A (zh) * | 2021-08-27 | 2021-09-24 | 豪符密码检测技术(成都)有限责任公司 | 一种矿产资源、地理空间领域数据加密保护和使用的方法 |
| CN113570144A (zh) * | 2021-07-30 | 2021-10-29 | 华北电力科学研究院有限责任公司 | 一种用电信息处理方法和装置 |
| CN113609533A (zh) * | 2021-08-23 | 2021-11-05 | 东北大学秦皇岛分校 | 一种面向智能电网数据的完整性审计方法 |
| CN113950168A (zh) * | 2021-10-14 | 2022-01-18 | 成都锦城学院 | 一种高可靠性冗余备份4g/5g安全边缘计算网关 |
| CN114302421A (zh) * | 2021-11-29 | 2022-04-08 | 北京邮电大学 | 通信网络架构的生成方法、装置、电子设备及介质 |
| CN114338258A (zh) * | 2021-12-28 | 2022-04-12 | 广州广电运通金融电子股份有限公司 | 一种隐私计算保护系统、方法和存储介质 |
| CN114584581A (zh) * | 2022-01-29 | 2022-06-03 | 华东师范大学 | 面向智慧城市物联网信物融合的联邦学习系统及联邦学习训练方法 |
| CN115292393A (zh) * | 2022-10-10 | 2022-11-04 | 宁波高盛电气有限公司 | 一种用于智慧网关的数据管理系统 |
| CN115473822A (zh) * | 2022-09-22 | 2022-12-13 | 董俊宏 | 一种5g智能网关数据传输方法、系统及云平台 |
| CN115967175A (zh) * | 2022-11-30 | 2023-04-14 | 广州汇电云联互联网科技有限公司 | 一种面向储能电站边缘端数据采集控制装置及方法 |
| CN116506469A (zh) * | 2023-06-25 | 2023-07-28 | 华东交通大学 | 基于振动取能rfid传感器与联邦学习的桥梁状态监测方法 |
| CN117560250A (zh) * | 2023-11-22 | 2024-02-13 | 重庆市华驰交通科技有限公司 | 一种智能网关的应用方法、装置和存储介质 |
| CN114338812B (zh) * | 2022-01-07 | 2024-04-05 | 德微电技术(深圳)有限公司 | 一种设备联网控制调节系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111062651A (zh) * | 2020-03-18 | 2020-04-24 | 南京中电科能技术有限公司 | 基于边缘计算和大数据分析的安全用电管理系统及方法 |
| CN111275270A (zh) * | 2020-03-09 | 2020-06-12 | 南京中电科能技术有限公司 | 基于边缘计算和神经网络预测区域电气火灾风险的方法 |
| CN111537945A (zh) * | 2020-06-28 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 基于联邦学习的智能电表故障诊断方法及设备 |
| CN111611610A (zh) * | 2020-04-12 | 2020-09-01 | 西安电子科技大学 | 联邦学习信息处理方法、系统、存储介质、程序、终端 |
-
2020
- 2020-12-03 CN CN202011396655.7A patent/CN112488398A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111275270A (zh) * | 2020-03-09 | 2020-06-12 | 南京中电科能技术有限公司 | 基于边缘计算和神经网络预测区域电气火灾风险的方法 |
| CN111062651A (zh) * | 2020-03-18 | 2020-04-24 | 南京中电科能技术有限公司 | 基于边缘计算和大数据分析的安全用电管理系统及方法 |
| CN111611610A (zh) * | 2020-04-12 | 2020-09-01 | 西安电子科技大学 | 联邦学习信息处理方法、系统、存储介质、程序、终端 |
| CN111537945A (zh) * | 2020-06-28 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 基于联邦学习的智能电表故障诊断方法及设备 |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113139884A (zh) * | 2021-03-26 | 2021-07-20 | 青岛亿联信息科技股份有限公司 | 智能建筑管理系统方法、系统、存储介质及电子设备 |
| CN113141355A (zh) * | 2021-04-13 | 2021-07-20 | 长沙理工大学 | 一种基于全同态的用电加密数据异常检测方法与系统 |
| CN113099410A (zh) * | 2021-04-23 | 2021-07-09 | 广东电网有限责任公司江门供电局 | 一种5g电力边缘数据传输处理方法、装置、终端及介质 |
| CN113570144B (zh) * | 2021-07-30 | 2024-01-23 | 华北电力科学研究院有限责任公司 | 一种用电信息处理方法和装置 |
| CN113570144A (zh) * | 2021-07-30 | 2021-10-29 | 华北电力科学研究院有限责任公司 | 一种用电信息处理方法和装置 |
| CN113609533B (zh) * | 2021-08-23 | 2024-02-27 | 东北大学秦皇岛分校 | 一种面向智能电网数据的完整性审计方法 |
| CN113609533A (zh) * | 2021-08-23 | 2021-11-05 | 东北大学秦皇岛分校 | 一种面向智能电网数据的完整性审计方法 |
| CN113434896A (zh) * | 2021-08-27 | 2021-09-24 | 豪符密码检测技术(成都)有限责任公司 | 一种矿产资源、地理空间领域数据加密保护和使用的方法 |
| CN113434896B (zh) * | 2021-08-27 | 2021-11-02 | 豪符密码检测技术(成都)有限责任公司 | 一种矿产资源、地理空间领域数据加密保护和使用的方法 |
| CN113950168A (zh) * | 2021-10-14 | 2022-01-18 | 成都锦城学院 | 一种高可靠性冗余备份4g/5g安全边缘计算网关 |
| CN114302421A (zh) * | 2021-11-29 | 2022-04-08 | 北京邮电大学 | 通信网络架构的生成方法、装置、电子设备及介质 |
| CN114338258A (zh) * | 2021-12-28 | 2022-04-12 | 广州广电运通金融电子股份有限公司 | 一种隐私计算保护系统、方法和存储介质 |
| CN114338812B (zh) * | 2022-01-07 | 2024-04-05 | 德微电技术(深圳)有限公司 | 一种设备联网控制调节系统 |
| CN114584581A (zh) * | 2022-01-29 | 2022-06-03 | 华东师范大学 | 面向智慧城市物联网信物融合的联邦学习系统及联邦学习训练方法 |
| CN114584581B (zh) * | 2022-01-29 | 2024-01-09 | 华东师范大学 | 面向智慧城市物联网信物融合的联邦学习系统及联邦学习训练方法 |
| CN115473822B (zh) * | 2022-09-22 | 2023-07-04 | 广东省珠宝玉石交易中心有限责任公司 | 一种5g智能网关数据传输方法、系统及云平台 |
| CN115473822A (zh) * | 2022-09-22 | 2022-12-13 | 董俊宏 | 一种5g智能网关数据传输方法、系统及云平台 |
| CN115292393A (zh) * | 2022-10-10 | 2022-11-04 | 宁波高盛电气有限公司 | 一种用于智慧网关的数据管理系统 |
| CN115967175A (zh) * | 2022-11-30 | 2023-04-14 | 广州汇电云联互联网科技有限公司 | 一种面向储能电站边缘端数据采集控制装置及方法 |
| CN115967175B (zh) * | 2022-11-30 | 2024-05-10 | 广州汇电云联数科能源有限公司 | 一种面向储能电站边缘端数据采集控制装置及方法 |
| CN116506469A (zh) * | 2023-06-25 | 2023-07-28 | 华东交通大学 | 基于振动取能rfid传感器与联邦学习的桥梁状态监测方法 |
| CN116506469B (zh) * | 2023-06-25 | 2023-09-05 | 华东交通大学 | 基于振动取能rfid传感器与联邦学习的桥梁状态监测方法 |
| CN117560250A (zh) * | 2023-11-22 | 2024-02-13 | 重庆市华驰交通科技有限公司 | 一种智能网关的应用方法、装置和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112488398A (zh) | 一种基于mec边缘智能网关的用电管理方法及系统 | |
| Rahbari et al. | Task offloading in mobile fog computing by classification and regression tree | |
| Zeb et al. | Industrial digital twins at the nexus of NextG wireless networks and computational intelligence: A survey | |
| Wang et al. | MAP based modeling method and performance study of a task offloading scheme with time-correlated traffic and VM repair in MEC systems | |
| Zhang et al. | Two time-scale resource management for green Internet of Things networks | |
| Abbasi et al. | Intelligent workload allocation in IoT–Fog–cloud architecture towards mobile edge computing | |
| 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 | |
| Rahbari et al. | A security aware scheduling in fog computing by hyper heuristic algorithm | |
| CN109151072A (zh) | 一种基于雾节点的边缘计算系统 | |
| Rajagopal et al. | FedSDM: Federated learning based smart decision making module for ECG data in IoT integrated Edge–Fog–Cloud computing environments | |
| CN109542057A (zh) | 基于虚拟机结构的远程运维模型及其构建方法 | |
| Gu et al. | Knowledge discovery for smart grid operation, control, and situation awareness—a big data visualization platform | |
| Firouzi et al. | Federated learning for distributed reasoning on edge computing | |
| CN112884163A (zh) | 基于联邦机器学习算法与云端反馈的组合服务评估方法与系统 | |
| Ruiz et al. | Big data architecture for building energy management systems | |
| Sadeeq et al. | Design and analysis of intelligent energy management system based on multi-agent and distributed iot: Dpu case study | |
| Khan et al. | Occupancy prediction in buildings: An approach leveraging lstm and federated learning | |
| Hussain et al. | Fog assisted cloud models for smart grid architectures-comparison study and optimal deployment | |
| Gooi et al. | Edge intelligence for smart grid: a survey on application potentials | |
| Sangoleye et al. | Network economics-based crowdsourcing in uav-assisted smart cities environments | |
| CN114765617A (zh) | 基于边缘计算的多场景适用型智慧能源管理系统 | |
| Liu et al. | A hybrid federated learning framework with dynamic task allocation for multi-party distributed load prediction | |
| Zhang et al. | The Key Technology of Wireless Sensor Network and Its Application in the Internet of Things | |
| Chen et al. | Research on network management technology of power line carrier communication in low-voltage distribution network based on digital twin | |
| Mertens et al. | i-WSN League: Clustered Distributed Learning in Wireless Sensor Networks |
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 |