CN112925646A - 一种电力数据边缘计算系统以及计算方法 - Google Patents

Abstract

本发明涉及一种电力数据边缘计算系统以及计算方法。一种电力数据边缘计算系统，包括主站、边缘服务器和终端设备；所述主站，通过所述边缘服务器纳管边缘节点的终端设备，存储并分析接收到的电力数据，协同所述边缘服务器对电力数据进行数据整合处理；所述边缘服务器，获取所辖的终端设备的电力数据，并将接收到的电力数据对接到所述主站；配合所述主站对所述电力数据进行数据整合处理；所述终端设备，将检测到的电力数据对接到所述边缘服务器，同时实时响应所述边缘服务器的联动事件需求。可以对一些简单的数据处理进行实时处理，最终响应回端侧设备，以满足实时响应的需求。

Description

一种电力数据边缘计算系统以及计算方法

技术领域

本发明涉及配电网领域，尤其涉及一种电力数据边缘计算系统以及计算方法。

背景技术

在我国，电力数据采集系统的发展时间并不是很长，电力数据采集和处理的手段单一化，电力数据采集和管理终端系统的数据采集范围受到限制，无法及时分析、处理采集的一系列信息数据。在新形势下，随着我国社会发展水平的提升，社会对电力数据采集的质量和效率有了新的要求。电力企业必须进一步优化电力系统，比如提升采集频率、提高采集效率、拓展数据采集范围。智能电表的出现可以将各种实时的信息传递给系统，但是信息量特别大，电力数据采集负担明显增加，显然已经不能满足电力系统的要求。为此有必要将整个电力数据采集的过程进行分段采集、分析和处理。

在现有的云-端架构的系统中，端侧的设备将采集到的数据上报到云侧分析和处理，然后将处理的结果返回到端侧进行响应，整个流程需要非常大的云-端带宽，数据产生-处理-响应的时延很难满足实时性。

因而现有的电力数据处理领域存在不足，还有待改进和提高。

发明内容

鉴于上述现有技术的不足之处，本发明的目的在于提供一种电力数据边缘计算系统以及计算方法，用以解决背景技术提到的技术问题。

为了达到上述目的，本发明采取了以下技术方案：

一种电力数据边缘计算系统，包括主站、边缘服务器和终端设备；

所述主站，通过所述边缘服务器纳管边缘节点的终端设备，存储并分析接收到的电力数据，协同所述边缘服务器对电力数据进行数据整合处理；

所述边缘服务器，获取所辖的终端设备的电力数据，并将接收到的电力数据对接到所述主站；配合所述主站对所述电力数据进行数据整合处理；

所述终端设备，将检测到的电力数据对接到所述边缘服务器，同时实时响应所述边缘服务器的联动事件需求。

优选的所述的电力数据边缘计算系统，所述主站与所述边缘服务器之间通过高效数据通道连接；

所述的协同所述边缘服务器对电力数据进行数据整合处理为：所述主站将部分电力数据的数据整合处理过程发送到所述边缘服务器执行。

优选的所述的电力数据边缘计算系统，所述边缘服务器数量为多个，每个所述边缘服务器下辖若干所述终端设备；

所述主站将部分电力数据的数据整合处理过程发送到所述边缘服务器执行时，将所述边缘服务器下辖的所述终端设备的电力数据的处理需求进行对应发送。

优选的所述的电力数据边缘计算系统，所述数据整合处理包括二维数据分析、机器学习与深度学习、图像信息压缩。

一种适用于所述的电力数据边缘计算系统的计算方法，包括步骤：

终端设备采集端点电力数据，并上报到边缘服务器；

主站与边缘服务器协同对电力数据进行数据整理处理。

优选的所述的计算方法，所述的主站与边缘服务器协同对电力数据进行数据整理处理为：所述主站将部分电力数据的数据整合处理过程发送到所述边缘服务器执行。

优选的所述的计算方法，所述主站将部分电力数据的数据整合处理过程发送到所述边缘服务器执行时，将所述边缘服务器下辖的所述终端设备的电力数据的处理需求进行对应发送。

一种电力网配电系统，使用所述的计算系统实现所述的计算方法以完成电力数据的整理分析。

一种计算机可读介质，存储有计算机可执行软件，所述软件在被处理器执行时能够实现所述的计算方法。

相较于现有技术，本发明提供的一种电力数据边缘计算系统以及计算方法具有以下有益效果：

在采集系统主站、边缘服务器和终端设备之间，构造的基于云-边-端协同的电力数据采集系统，终端设备负责采集电力数据上报到边缘服务器，边缘服务器负责对数据进行预处理，云端主站负责收集预处理后的数据进行统一处理，一方面可以过滤掉一些冗余数据、错误数据等，以减少云边之间的带宽需求；另一方面可以对一些简单的数据处理进行实时处理，最终响应回端侧设备，以满足实时响应的需求。

附图说明

图1是本发明提供的电力数据边缘计算系统结构框图；

图2是本发明提供的云端与边缘节点的拓扑图；

图3是本发明提供的边缘服务器的工作结构框图；

图4是本发明提供的边缘服务器架构框图；

图5是本发明提供的数据中心架构框图；

图6是本发明提供的数据采集、上报、缓存流程图；

图7是本发明提供的计算方法总体流程图；

图8是本发明提供的计算方法另一实施例流程图；

图9是本发明提供的边缘服务器的架构关系图；

图10-12是本发明提供的云-边-端协同工作多种实施方式流程图。

具体实施方式

为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本领域技术人员应当理解，前面的一般描述和下面的详细描述是本发明的示例性和说明性的具体实施例，不意图限制本发明。

本文中术语“包括”，“包含”或其任何其他变体旨在覆盖非排他性包括，使得包括步骤列表的过程或方法不仅包括那些步骤，而且可以包括未明确列出或此类过程或方法固有的其他步骤。同样，在没有更多限制的情况下，以“包含...一个”开头的一个或多个设备或子系统，元素或结构或组件也不会没有更多限制，排除存在其他设备或其他子系统或其他元素或其他结构或其他组件或其他设备或其他子系统或其他元素或其他结构或其他组件。在整个说明书中，短语“在一个实施例中”，“在另一个实施例中”的出现和类似的语言可以但不一定都指相同的实施例。

除非另有定义，否则本文中使用的所有技术和科学术语具有与本发明所属领域的普通技术人员通常所理解的相同含义。

如图1-2所示：本发明提供一种电力数据边缘计算系统，包括主站、边缘服务器和终端设备；

所述主站，通过所述边缘服务器纳管边缘节点的终端设备，存储并分析接收到的电力数据，协同所述边缘服务器对电力数据进行数据整合处理；在具体应用中，所述主站构建并运行云端程序，通过所述边缘服务器纳管边缘节点的终端设备；在云端与边缘服务器之间构建高效的数据通道；支持将应用数据通过高速通道下发到边缘端进行计算处理；云端存储电力数据，并对数据进行大数据分析和AI训练，将数据预处理与分析、AI决策、实时计算等应用下发到边缘，在边缘侧就近计算。进一步的，所述大数据分析、AI训练等均使用本领域常用的方法，不做具体限定。一般的，一个单位的配电网段有且仅有一个主站，为当前配电单位的总枢纽；当然，若是在不同的配电网中需要更多的主站，其具体的运行原理类似，此处不做赘述与限定。优选的，所述云端程序包括缘管理平台，所述边缘管理平台包括边缘组件管理、边缘节点管理、系统与用户管理，运维管理，设备认证与安全连接管理，主要负责的是边缘端的管控、数据存储和云端处理；具体的软件构成使用本领域的常用技术即可。

所述边缘服务器，获取所辖的终端设备的电力数据，并将接收到的电力数据对接到所述主站；配合所述主站对所述电力数据进行数据整合处理；所示边缘服务器通过云端连接对接到主站云端；通过设备管理组件纳管终端设备，采集设备数据，边(边缘服务器)端(终端设备)联动；数据缓存组件对采集的设备数据通过边缘数据中心进行本地缓存；应用管理组件负责对边缘运行的应用进行生命周期管理；边缘侧运行从云端下发的数据预处理与分析、AI决策、实时计算等应用。一般的，在一个单位的配电网中有多个所述边缘服务器，每个所述边缘服务器为一个边缘节点，纳管多个所述终端设备，构成一定的拓扑结构，架构得到一个配电网单位。优选的，如图3-4所示，所述边缘服务器包括边边缘连接层、边缘支撑层、边缘应用层；其中，

边缘连接层：主要负责端设备侧数据采样、数据上报、视频采集，对接不同端设备总线等；

边缘支撑层：支撑层主要包括数据中心、边缘代理、应用基础库、协议库、日志系统；

边缘应用层：应用层主要是容器以及容器内部，负责完成具体功能的业务。

如图5所示，所述数据中心管理3大对象：物模型，数字设备(虚拟设备)和边缘APP，以及他们之间的关系，通过建立物模型、注册数字设备，实现将物理设备的数据同步到数据中心，并提供标准化的数据读写接口及订阅，实现设备数字孪生，同时还具备过期数据清理和数据安全访问的策略。各边缘APP通过消息总线和数据中心进行交互。数据中心通过建立物模型来标准化设备的属性和行为，基于模型提供标准的数据读写接口供边缘APP调用，基于模型的属性及属性分组来实现APP对数据进行订阅，实现设备数字孪生-对数字设备的修改或操作会体现到物理设备，同时对物理设备的修改或操作也会体现到数字设备上。驱动APP采集物理感知设备的数据，通过消息总线分发给其他边缘APP及数据中心，数据中心存储采集的设备量测数据到数据库，同时数据中心还负责设置及存储各类配置数据，并提供数据访问接口。软件结构采用三层结构：接口层、逻辑层及数据访问层，后续如需要更换数据库，则只需要替换数据访问层即可，不会影响数据处理逻辑及外部接口调用，逻辑层模块之间可相互调用；功能主要分为五大块：系统各类配置数据的设定，南向设备数据接收处理，南向设备查询/控制，北向设备数据查询，数据库数据清。

数据中心包括如下模块：

配置模块：负责配置数据的读写，包括APP、属性库、物模型、数字设备、物模型与APP关系、物模型属性分组、数据订阅配置和属性访问权限的配置。

南向设备查询/控制模块：数据中心依据数据安全访问策略来控制对物理设备的访问，将数据订阅配置下发至驱动APP，以及边到端数据同步(如设定值)，同时负责转发设备控制命令。包括数据安全访问策略，数据订阅配置下发，边到端数据同步，设备查询及控制命令的转发。

南向设备数据接收处理模块：端到边数据同步，数据中心订阅或查询实时遥测、遥信、遥调、冻结/统计数据和事件数据存入内存或数据库中，并映射到数字设备，功能包括数据接收(固定一个订阅数据接收Topic，用于接收订阅的数据，按设定的属性访问权限判断是否接收处理上报的数据)，数据存储(1.接收上报的遥测数据存储，映射至数字设备2.接收上报的遥信、事件存储，映射至数字设备3.遥调数据可能在物理设备上人为修改，接收设定的遥调数据存储，并映射至数字设备，4.实时数据存最后N条至内存(或内存数据库)，其他存入历史数据库)。

北向设备数据查询模块：设备数据查询，提供标准接口查询数字设备的实时和历史数据量测数据及遥调属性实时数据及历史数据的获取方式。功能清单如下：

数据库数据清理模块：定期清理过期数据，防止终端设备存储盘被占满，记录APP访问数据中心的频次，防止APP高频访问攻击。

所述边缘服务器的构建流程为：边缘组件下发流程说明：组件编写完成，经过测试，打包，归档，上传到镜像仓库，边缘组件数组化，边缘节点数字化，边缘节点环境初始化(安装Docker及Edge基础组件)，配置边缘节点组件(组件清单、组件参数配置，容器运行配置)，配置完成之后，通过边缘代理将容器运行配置下发、完成组件以及组件配置，挂载文件以及数据保存，配置容器以及容器运行参数，通过守护程序向组件镜像拉取镜像仓库，完成组件启动。

所述终端设备，将检测到的电力数据对接到所述边缘服务器，同时实时响应所述边缘服务器的联动事件需求。所述终端设备端通过MQTT等设备协议对接到边缘服务器，将采集到的电力数据上报到边缘节点，同时响应边缘节点上的边端联动事件(例如需要所述终端设备实时检测电力数据、断开或接通线路等)，满足实时响应的需求。具体的，所述终端设备优选为表计设备。设备端(即终端设备)：主要包括数据采集和事件响应。

本发明提供的计算系统柜，是基于主站、边缘节点和表计设备之间，构造云-边-端协同的电力数据采集边缘计算平台系统，不同于传统的云-端架构，能够更加快捷的进行电力数据的处理，极大的提高分析进度。采用现有的云计算模式是将所有的终端设备数据集中上报到云端进行处理，如此往往无法满足快速响应的要求，甚至可能出现宕机等情况，本发明基于边缘计算模式，将部分计算发送到边缘侧，就近处理和计算，大大降低了云-端之间的通信压力、计算负载和处理响应时延。基于边缘计算的模式，在云-边-端协同的采集的系统中：云(云端程序)侧采集系统主站纳管边缘端的终端设备，支持将应用下发到边缘终端设备的进行边缘计算；边缘端的终端设备纳管下游的表计设备，支持表计设备将采集到的数据上传到边缘端缓存，对设备数据就近处理和计算。云端的边缘管控负责管理边缘端的智能终端，云端的数据分析与处理、AI训练等负责对最终的数据进行处理和分析；边缘纳管端侧的采集设备，获取设备采集的数据，在边缘缓存和计算。采用容器的方式，将云端下发的边缘计算应用进行管理，边缘侧对端侧采集设备采集到的数据进行边缘缓存、边缘矩阵数据预处理与分析、AI决策、实时计算等；端侧的采集设备，负责采集设备数据，上报到边缘端进行缓存和边缘处理。

相应的，请一并参阅图6-图12，本发明还提供一种适用于所述的电力数据边缘计算系统的计算方法，包括步骤：

终端设备采集端点电力数据，并上报到边缘服务器；

基于云边端系统的数据采集系统，设备端通过特定的设备协议如MQTT、BUS总线等与边缘节点之间建立安全的连接，调用设备接入接口或开发SDK，将采集到的设备数据或者设备信息上采集数据，上报给对接的边缘终端节点；边缘终端节点对设备进行缓存；对于需要进行预处理的数据在边缘使用数据预处理应用进行处理，处理结果存入数据缓存中；数据缓存中的设备数据或结果数据通过边缘数据通信通道上报到云端；云端最后将数据存储进行进一步的数据处理与分析。具体数据采集流程图见附图7或8。

主站与边缘服务器协同对电力数据进行数据整理处理。

边缘端的数据处理应用对本地缓存的设备数据进行预处理，并将结果缓存在本地；数据缓存将结果上报给云端，云端进行存储，并启用云端的大数据处理与分析对数据进行进一步的处理。具体数据处理流程图见附图8。

作为优选方案，本实施例中，所述主站与所述边缘服务器之间通过高效数据通道连接；

所述的协同所述边缘服务器对电力数据进行数据整合处理为：所述主站将部分电力数据的数据整合处理过程发送到所述边缘服务器执行。

云端，即运行在采集主站上。云侧通过边缘管理服务纳管下游的边缘节点即终端设备。边缘管理服务包括以下组件：节点管理、应用管理、数据管理。

1)节点管理组件主要负责纳管边缘节点，并与边缘节点之间建立高效的数据通信通道；

2)应用管理主要负责将需要在边缘运行的数据预处理与分析、AI决策、实时计算等应用下发到边缘节点；

3)数据管理主要负责采集边缘节点缓存的原始设备数据、经过预处理的设备数据，存储到云端的数据存储服务。云端通过对存储的数据进行进一步的大数据分析、AI训练等处理。具体云边协同关系请一并参阅附图2。

边缘计算：

边缘端，即运行边缘服务器的边缘节点。通过连接云端的采集系统主站，对边缘进行云端管理、应用下发、数据采集；下游的子设备对接边缘节点，将采集的数据上报给边缘节点，对设备数据就近的进行计算和处理。边缘端包括如下组件：智能设备平台，云端连接、应用管理、设备管理、数据缓存、安全、边缘应用和其他组件。

边端联动：

终端设备，为整个系统架构的电力数据产生端。其通过边缘连接组件以特定的设备接入协议安全的接入边缘节点，并与边缘节点建立数据传输通道。采集设备采集到的数据通过数据上报组件上报给边缘节点，在边缘节点上进行缓存和计算处理。边缘节点上计算处理的结果生成设备事件下发给采集设备，采集设备的事件监控组件解析该事件，对事件进行实时响应。

作为优选方案，本实施例中，所述边缘服务器数量为多个，每个所述边缘服务器下辖若干所述终端设备；

所述主站将部分电力数据的数据整合处理过程发送到所述边缘服务器执行时，将所述边缘服务器下辖的所述终端设备的电力数据的处理需求进行对应发送。

作为优选方案，本实施例中，所述数据整合处理包括二维数据分析、机器学习与深度学习、图像信息压缩。

以下以具体实例进行说明：

智能设备平台：

1)硬件平台选用Cortex A7系列高端芯片，主频800MHZ及以上，内存1GB及以上，flash存储4GB及以上。

2)操作系统基于Linux进行移植开发，针对嵌入式设备进行裁剪优化，linux版本选择4.0以上的版本。

3)提供对边缘侧所有外设的驱动支持，提供边缘侧到端侧的通信链路。

4)内核支持Namespace、Control groups等特性，支持上层应用的虚拟化。

5)实现硬件抽象层(HAL)，屏蔽硬件差异，提供统一的应用操作接口。

智能边缘软件：

1)边缘代理。边缘代理组件跟云端的边缘管理服务对接，在云边之间建立高效的数据通信通道。云端的向边缘端下发的管理信令和边缘端向云端上报的设备数据等通过该通道进行传输。

2)应用管理。云端将应用管理的信令下发到边缘端，边缘端的云端连接将信令转发给应用管理组件，应用管理组件负责启动边缘计算应用，并对其进行生命周期管理。

3)设备管理。设备管理负责纳管下游端侧的采集设备，如表计设备。采集设备通过相应的设备通信协议MQTT、蓝牙等对接边缘终端设备；负责将边端联动的设备事件下发给端侧采集设备，采集设备实时响应。

4)数据缓存。设备管理组件纳管采集设备后，将设备采集上报的设备数据缓存到边缘的数据存储中。对设备数据进行边缘缓存，数据可在边缘就近计算处理、云边之间数据断点续传。

5)安全。安全组件负责整个边缘节点的安全，包括漏洞检测修复、子设备安全接入、数据安全存取、隐私数据保护、安全加固等。

6)边缘应用。边缘应用是对缓存的设备数据进行计算和处理。云端将应用下发到边缘端，边缘端启动应用，并对应用进行管理。边缘应用可以采用进程方式启动；也可以运行在独立的容器中，进行资源隔离；

7)其他组件负责对边缘节点内部进行运维管理、组件升级等。

在本实施例中，云端的边缘管理平台具体参数为：

提供可视化操作平台，用于边缘组件管理(边缘应用&驱动组件)，边缘节点以及边缘节点运行的组件管理，监控边缘节点以及边缘节点运行的组件，边缘组件的部署下发、更新及删除，管理、监控智能感知终端(子设备)，支持多租户(多企业)。其中产品管理包括：设备类型、厂商、型号。镜像仓库管理包括：下载镜像时需要提供镜像仓库的账号和密码，镜像仓库地址。边缘组件管理包括：边缘组件属性(名称，编码，组件类型，镜像地址，镜像版本，适用产品，适用系统，组件分类，配置代码，容器运行参数)，边缘组件增删改查，导入导出，发布，历史版本，组件依赖关系，管理依赖的组件，组件复制，明细查看。

子设备管理管理包括：子设备属性(名称编号,字母数字,产品,备注,图片)。边缘节点管理包括：边缘节点属性(名称，编号，系统类型，产品，IP，MQ地址，MQ账号，MQ密码，上层边缘节点)，边缘节点CRUD,复制，租户Edge Server创建用于边缘节点和边缘平台进行通讯，基础安装包下载Docker(基础组件,K3S)，添加边缘组件(添加运行于此边缘节点的组件、边缘组件配置组件版本、部署位置、CPU限制、内存限制、HPA配置、组件运行参数配置、添加后可删除)，添加子设备(添加由此边缘节点管理的子设备、添加后可删除)，消息路由配置(配置组件间的输入输出消息路由，可跨边缘节点连线)，消息路由查看，启动字符串生成，边缘部署，边缘组件的部署下发、更新、删除(管理平台识别出有变动的组件)，在线部署离线部署(离线安装包)，回滚，部署测试，部署历史。边缘监控包括：监控边缘节点的运行状态(在线状态，CPU，内存，磁盘)，监控边缘节点组件的运行状态(在线状态，CPU，内存，磁盘IO，网络IO)，监控子设备的运行状态(在线，离线，告警，未连接)，可设定CPU，内存，磁盘告警阈值。租户注册登录管理包括：租户(企业)注册后自动创建一个租户管理员，租户注册提供信息(企业名称，姓名，邮箱，验证码，使用邮箱作为租户管理员的账号(管理员默认权限分配)，注册成功后，随机密码发送至邮箱(前期使用固定默认密码也可以)，使用邮箱和密码登录。系统管理包括：租户管理(查看租户清单，可启用禁用租户)，用户管理(用户信息(名称，账号，密码,启用禁用，可启用禁用用户)，用户角色配置，可启用禁用用户)，角色管理(系统菜单初始化到数据库，租户管理自己的角色信息，角色信息名称,启用禁用,角色能访问的菜单，可启用禁用角色，角色用户配置)。

电力数据的整理分析具体运用矩阵预处理技术求解边缘计算二维数据矩阵：将矩阵预处理技术与传统的迭代法求解技术进行了比较研究，发现：以CPU主频为2GHz的单机为例，同样求解130*30个边缘节点二维矩阵数据，采用迭代法需要8个小时(收敛精度取)，而借助矩阵预处理技术，只需2分钟。显然，矩阵经过预处理后求解速度大大提高。另一方面，先将矩阵进行Schur分解，还可以大大改善计算机存储量的限制情况。以单机2G内存为例，采用迭代法大约可以求解4000个边缘节点二维矩阵数据，而采用矩阵预处理技术，可以求解约32000边缘节点二维矩阵数据，提高了整整7倍。

具体的，矩阵预处理技术用于处理边缘侧二维矩阵数据，包括(边缘人工智能二维数据分析，机器学习与深度学习，图像信息压缩)。

二维数据矩阵方程表示为AU^k+1+U^k+1B＝DU^k+U^kE (1)

其中A，B，D，E分别表示如下所示的三对角方阵：

求解方程(1)类型的矩阵方程，传统的做法是先将方程转换成新的矩阵方程Tx＝b(这里T是M×N阶方阵)，然后运用迭代法。显然，传统做法对计算机的存储量要求很高，求解速度慢，不能适应大型二维数据矩阵的要求。为克服这一缺点，本文考虑先将矩阵进行Schur分解，再实现快速求解。

对于方程(1)，令DU+UE＝C，则

AU+UB＝C (2)

这种方程也称作Sylvester方程。矩阵预处理技术如下，先将矩阵A，B进行Schur分解：

A＝WR_AW^*，B＝YR_BY^* (3)

式中W，Y为酉矩阵，即W^*W＝WW^*＝I，Y^*Y＝YY^*＝I。R_A和R_B均为上三角矩阵，其主对角元素分别是矩阵A和B的特征值，特征值对应的特征向量分别构成W，Y的列。

将方程(2)代入(1)，得：WR_AW^*U+UYR_BY^*＝C，然后在方程两边分别左乘矩阵W^*，右乘矩阵Y，同时利用酉矩阵的性质，有：R_AW^*UY+W^*UYR_B＝W^*CY

令

于是方程转化为

此时问题转化为已知矩阵

求解矩阵

显然，方程(3)的求解非常简单且快速，只需直接回代，因为矩阵R_A和R_B均是上三角矩阵。一旦求得

则最初的待求矩阵为：

以CPU主频为2GHz的单机为例，同样求解130*30个二维矩阵数据，采用迭代法需要8个小时(收敛精度取10^-8)，而借助矩阵预处理技术，只需2分钟。显然，矩阵经过预处理后求解速度大大提高。

综上所述，本发明提供的计算系统基于电力物联网代表的云-边-端整体架构的电力系统。满足电力物联网所要求实现的状态全面感知、信息高效处理、应用便捷灵活等，适用于电力物联网的终端设备以及数据量呈指数级的增长、数据获取的方式的改变以及数据处理时效的提升。在以电力物联网为代表的云-边-端架构的基础上，发展边缘计算模式，将端侧设备采集到的数据上报到边缘侧，边缘侧负责对数据进行就近的预处理等操作，云侧则负责对整体数据的最终处理。这种在边缘侧就近预处理设备数据的方式，一方面可以过滤掉一些冗余数据、错误数据等，以减少云边之间的带宽需求；另一方面可以对一些简单的数据处理进行实时处理，最终响应回端侧设备，以满足实时响应的需求。

可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (9)

1.一种电力数据边缘计算系统，其特征在于，包括主站、边缘服务器和终端设备；

所述主站，通过所述边缘服务器纳管边缘节点的终端设备，存储并分析接收到的电力数据，协同所述边缘服务器对电力数据进行数据整合处理；

所述边缘服务器，获取所辖的终端设备的电力数据，并将接收到的电力数据对接到所述主站；配合所述主站对所述电力数据进行数据整合处理；

所述终端设备，将检测到的电力数据对接到所述边缘服务器，同时实时响应所述边缘服务器的联动事件需求。

2.根据权利要求1所述的电力数据边缘计算系统，其特征在于，所述主站与所述边缘服务器之间通过高效数据通道连接；

所述的协同所述边缘服务器对电力数据进行数据整合处理为：所述主站将部分电力数据的数据整合处理过程发送到所述边缘服务器执行。

3.根据权利要求2所述的电力数据边缘计算系统，其特征在于，所述边缘服务器数量为多个，每个所述边缘服务器下辖若干所述终端设备；

所述主站将部分电力数据的数据整合处理过程发送到所述边缘服务器执行时，将所述边缘服务器下辖的所述终端设备的电力数据的处理需求进行对应发送。

4.根据权利要求1-3任一所述的电力数据边缘计算系统，其特征在于，所述数据整合处理包括二维数据分析、机器学习与深度学习、图像信息压缩。

5.一种适用于权利要求1-4任一所述的电力数据边缘计算系统的计算方法，其特征在于，包括步骤：

终端设备采集端点电力数据，并上报到边缘服务器；

主站与边缘服务器协同对电力数据进行数据整理处理。

6.根据权利要求5所述的计算方法，其特征在于，所述的主站与边缘服务器协同对电力数据进行数据整理处理为：所述主站将部分电力数据的数据整合处理过程发送到所述边缘服务器执行。

7.根据权利要求6所述的计算方法，其特征在于，所述主站将部分电力数据的数据整合处理过程发送到所述边缘服务器执行时，将所述边缘服务器下辖的所述终端设备的电力数据的处理需求进行对应发送。

8.一种电力网配电系统，其特征在于，使用权利要求1-4任一所述的计算系统实现权利要求5-6任一所述的计算方法以完成电力数据的整理分析。

9.一种计算机可读介质，存储有计算机可执行软件，其特征在于，所述软件在被处理器执行时能够实现权利要求5-7任一所述的计算方法。

Images