CN114461626A - 一种电网终端设备的监控方法和系统 - Google Patents

一种电网终端设备的监控方法和系统 Download PDF

Info

Publication number
CN114461626A
CN114461626A CN202210112348.4A CN202210112348A CN114461626A CN 114461626 A CN114461626 A CN 114461626A CN 202210112348 A CN202210112348 A CN 202210112348A CN 114461626 A CN114461626 A CN 114461626A
Authority
CN
China
Prior art keywords
data
edge server
current
monitoring
power grid
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
Application number
CN202210112348.4A
Other languages
English (en)
Inventor
王宏刚
纪鑫
杨成月
张海峰
武同心
褚娟
苏雪源
何禹德
李建芳
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.)
Big Data Center Of State Grid Corp Of China
State Grid Corp of China SGCC
State Grid Fujian Electric Power Co Ltd
Original Assignee
Big Data Center Of State Grid Corp Of China
State Grid Corp of China SGCC
State Grid Fujian Electric Power Co Ltd
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 Big Data Center Of State Grid Corp Of China, State Grid Corp of China SGCC, State Grid Fujian Electric Power Co Ltd filed Critical Big Data Center Of State Grid Corp Of China
Priority to CN202210112348.4A priority Critical patent/CN114461626A/zh
Publication of CN114461626A publication Critical patent/CN114461626A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2365—Ensuring data consistency and integrity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Security & Cryptography (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种电网终端设备的监控方法和系统，通过监测终端获取电网终端设备的当前监测数据，对当前监测数据进行预处理得到当前处理数据，对当前处理数据进行存储并发送至数据中台；通过数据中台将分析模型发送到目标边缘服务器，分析模型由数据中台基于历史处理数据进行模型训练得到；通过目标边缘服务器基于分析模型对当前处理数据进行第一数据分析确定第一分析结果，基于第一分析结果确定控制指令，将控制指令发送至监测终端，以使监测终端对电网终端设备进行控制，能够通过数据中台和边缘服务器协同，将边缘计算任务调度延迟短的特点与数据中台处理数据能力强的特点相结合，解决云计算和边缘计算独立运行时宽带占有率高且延时高的问题。

Description

一种电网终端设备的监控方法和系统
技术领域
本发明涉及电网监控技术领域，尤其涉及一种电网终端设备的监控方法和系统。
背景技术
云计算是基于互联网技术的扩展和交互模式，以云计算为主的数据中台具有强大的计算能力，并可实现跨域的数据调度。
但是，随着物联网在行业领域的逐步深入，终端设备数量急剧增加，庞大的用户侧终端设备数据运算如果完全依赖于数据中台，会占用大量的网络带宽，导致云计算性能出现瓶颈且时延高，无法满足对电网大数据的实时监测要求。
发明内容
本发明提供了一种电网终端设备的监控方法和系统，以解决完全依赖数据中台实现电网监控的宽带占有率高、延时高的问题，通过数据中台和边缘计算协同缓解数据中台在多维数据处理上的计算压力。
根据本发明的一方面，提供了一种电网终端设备的监控方法，包括：
通过监测终端获取电网终端设备的当前监测数据，对所述当前监测数据进行预处理得到当前处理数据，对所述当前处理数据进行存储并发送至数据中台；
通过所述数据中台将分析模型发送到目标边缘服务器，所述分析模型由所述数据中台基于历史处理数据进行模型训练得到；
通过所述目标边缘服务器从所述监测终端获取所述当前处理数据，基于所述分析模型对所述当前处理数据进行第一数据分析确定第一分析结果，基于所述第一分析结果确定控制指令，将所述控制指令发送至所述监测终端，以使所述监测终端对所述电网终端设备进行控制。
进一步的，在将所述控制指令发送至所述监测终端之后，还包括：
通过所述目标边缘服务器基于所述当前处理数据和历史处理数据确定增量数据，并将所述增量数据发送至所述数据中台；
通过所述数据中台对所述增量数据进行第二数据分析确定第二分析结果，基于所述第二分析结果更新所述分析模型。
进一步的，在对所述当前处理数据进行存储并发送至数据中台之后，且通过所述数据中台将分析模型发送到目标边缘服务器之前，还包括：
通过所述数据中台获取所述监测终端所连接的边缘服务器的当前负载；
若所述边缘服务器的当前负载大于欠载阈值且小于过载阈值，则将所述边缘服务器确定为目标边缘服务器；
若所述边缘服务器的当前负载大于或等于过载阈值，则通过所述数据中台控制所述当前处理数据从所述边缘服务器迁移至任一目标边缘服务器；
若所述边缘服务器的当前负载小于或等于欠载阈值，则通过所述数据中台控制所述边缘服务器中存储的当前处理数据迁移至任一目标边缘服务器，且控制所述边缘服务器关闭；
其中，所述目标边缘服务器为当前负载大于所述欠载阈值，且小于所述过载阈值的边缘服务器。
进一步的，所述通过监测终端获取电网终端设备的当前监测数据包括：
通过数据采集器实时采集电网终端设备的监测数据，并将所述监测数据存储于异构数据库中；
通过监测终端获取数据查询指令，基于所述数据查询指令采用全局搜索方式从异构数据库中获取当前监测数据。
进一步的，在对所述当前监测数据进行预处理得到当前处理数据之后，还包括：
将所述当前处理数据存储于异构数据库中；
相应的，通过所述目标边缘服务器从所述监测终端获取所述当前处理数据，包括：
通过所述目标边缘服务器采用局部搜索方式获取所述异构数据库中存储的当前处理数据。
进一步的，所述对所述当前监测数据进行预处理得到当前处理数据，包括：
对所述当前监测数据依次进行数据过滤、数据清洗和对称加密得到当前处理数据。
进一步的，还包括：
通过所述目标边缘服务器将所述第一分析结果同步至所述数据中台。
根据本发明的另一方面，提供了一种电网终端设备的监控系统，包括：数据中台、目标边缘服务器、监测终端和电网终端设备；
所述监测终端，用于获取电网终端设备的当前监测数据，对所述当前监测数据进行预处理得到当前处理数据，对所述当前处理数据进行存储并发送至数据中台；
所述数据中台，用于将分析模型发送到目标边缘服务器，所述分析模型由所述数据中台基于历史处理数据进行模型训练得到；
所述目标边缘服务器，用于从所述监测终端获取所述当前处理数据，基于所述分析模型对所述当前处理数据进行第一数据分析确定第一分析结果，基于所述第一分析结果确定控制指令，将所述控制指令发送至所述监测终端，以使所述监测终端对所述电网终端设备进行控制。
本发明实施例的技术方案，通过监测终端获取电网终端设备的当前监测数据，对当前监测数据进行预处理得到当前处理数据，对当前处理数据进行存储并发送至数据中台；通过数据中台将分析模型发送到目标边缘服务器，分析模型由数据中台基于历史处理数据进行模型训练得到；通过目标边缘服务器基于分析模型对当前处理数据进行第一数据分析确定第一分析结果，基于第一分析结果确定控制指令，将控制指令发送至监测终端，以使监测终端对电网终端设备进行控制，解决了云计算和边缘计算独立运行时宽带占有率高且延时高的问题，取到了通过数据中台和边缘服务器协同，将边缘计算任务调度延迟短的特点与数据中台处理数据能力强的特点相结合的有益效果。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种电网终端设备的监控方法的流程图；
图2是根据本发明实施例一提供的一种电网终端设备的监控系统的架构图；
图3是根据本发明实施例二提供的一种电网终端设备的监控方法的流程图；
图4是根据本发明实施例三提供的一种电网终端设备的监控系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种电网终端设备的监控方法的流程图，本实施例可适用于对电网中的终端设备进行实时监控的情况，该方法可以由电网终端设备的监控系统来执行，该监控系统可配置于电网系统中。
图2是本发明实施例一中的一种电网终端设备的监控系统，如图2所示，电网终端设备的监控系统包括：监测终端、边缘服务器和数据中台，监测终端分别与数据中台和边缘服务器连接，其中，监测终端与一个边缘服务器连接，一个边缘服务器与多个监测终端所连接。连接方式可以采用有线和/或无线的方式，无线方式可以采用工业以太网、5G、物联网、WiFi、蓝牙无线网络搭建安全、可靠、高速的网络体系，并采用例如Profinet/Modbus/Ethercat、OPC UA、TCP/IP、MQTT等协议进行数据传输。
其中，监测终端为电网终端设备中集数据采集、数据处理、显示、控制和人机交互等功能于一体的终端设备。边缘服务器是指在靠近终端设备的一侧，集网络、计算、存储、应用核心能力为一体的开放平台，可以通过本地设备提供就近服务，由于更加靠近电网终端设备侧，可提供更快的响应。数据中台可以是云计算中心等数据中心平台，具有强大的计算能力，并可实现跨域的数据调度。
如图1所示，该方法包括：
S110、通过监测终端获取电网终端设备的当前监测数据，对当前监测数据进行预处理得到当前处理数据，对当前处理数据进行存储并发送至数据中台。
其中，电网终端设备是指电网终端设备的监控系统中被监控对象，可以是电网中的配电设备或用户侧用电设备，例如可以包括配网变压器、配网线路、电机设备、工业设备等；电网终端设备的当前监测数据可以是在当前时刻所监测到的电网终端设备的数据，例如包括电压、电流、有功功率、无功功率、谐波、温度、湿度和流量等。
目标边缘服务器可以是监测终端所连接的边缘服务器，也可以是当监测终端所连接的边缘服务器不满足预设条件时，其他满足预设条件的边缘服务器。预设条件可以是根据实际需求所设定的条件，例如计算资源等。
具体的，通过监测终端获取电网终端设备的当前监测数据，对当前监测数据进行预处理得到当前处理数据，预处理可以包括：数据过滤、数据清洗、数据加密等操作。将预处理后得到的当前处理数据进行存储并发送至数据中台。当前处理数据的存储位置可以是数据库或监测终端本地存储空间。
S120、通过数据中台将分析模型发送到目标边缘服务器，分析模型由数据中台基于历史处理数据进行模型训练得到。
其中，数据中台基于历史时间段内监测终端所发送的处理数据，通过机器学习方法进行模型训练得到分析模型。模型训练的方法可以采用任意的现有模型训练方法，且分析模型基于监测数据的类型所确定，本发明实施例对此不进行限制。
数据中台定位于为各专业、各单位提供数据共享和分析应用服务。以数据分析域、管理域为基础，沉淀共性数据服务能力，通过数据服务满足横向跨专业间、纵向跨不同层级间的数据共享、价值挖掘、分析应用和融通需求。
具体的，数据中台基于历史处理数据进行模型训练得到分析模型，并将分析模型发送到目标边缘服务器，以使目标边缘服务器基于分析模型对当前处理数据进行数据分析。在数据中台中进行计算量较大的模型训练工作，可以节省电网中的服务器计算资源。
S130、通过目标边缘服务器基于分析模型对当前处理数据进行第一数据分析确定第一分析结果，基于第一分析结果确定控制指令，将控制指令发送至监测终端，以使监测终端对电网终端设备进行控制。
其中，第一数据分析是通过分析模型对当前处理数据进行数据分析的操作；当前处理数据输入分析模型后输出的结果为第一分析结果，该第一分析结果可以用于反映电网终端设备的用电负荷和用电状态等用电信息，例如可以是电压波动、谐波含量和负荷预测等。
具体的，目标边缘服务器基于数据中台所发送的分析模型对当前处理数据进行第一数据分析得到第一分析结果，基于第一分析结果查询预先存储的控制指令映射表可以确定控制指令，将控制指令发送到监测终端，监测终端可以根据控制指令对电网终端设备进行控制，从而实现对电网终端设备的自动监测与控制。
本实施例的技术方案，通过监测终端获取电网终端设备的当前监测数据，对当前监测数据进行预处理得到当前处理数据，对当前处理数据进行存储并发送至数据中台；通过数据中台将分析模型发送到目标边缘服务器，分析模型由数据中台基于历史处理数据进行模型训练得到；通过目标边缘服务器基于分析模型对当前处理数据进行第一数据分析确定第一分析结果，基于第一分析结果确定控制指令，将控制指令发送至监测终端，以使监测终端对电网终端设备进行控制，能够通过数据中台和边缘服务器协同，将边缘计算任务调度延迟短的特点与数据中台处理数据能力强的特点相结合，通过目标边缘服务器处理本地范围内的数据计算工作，处理后的数据从边缘节点汇聚集到数据中台，通过数据中台进行大数据挖掘分析、数据应用和模型训练，解决云计算和边缘计算独立运行时宽带占有率高且延时高的问题。
可选的，在将控制指令发送至监测终端之后，还包括：
通过目标边缘服务器基于当前处理数据和历史处理数据确定增量数据，并将增量数据发送至数据中台；
通过数据中台对增量数据进行第二数据分析确定第二分析结果，基于第二分析结果更新分析模型。
其中，增量数据用于表示相对于历史处理数据而言的新增数据，因此，通过对当前处理数据和历史处理数据进行比较，确定当前处理数据中未包含历史处理数据的数据作为增量数据。第二数据分析可以采用任意的现有数据分析方法对增量数据进行分析得到的第二分析结果，本发明实施例对第二数据分析不做限定。第二分析结果用于反映电网终端设备的状态对分析模型的参数的影响。
具体的，通过目标边缘服务器确定增量数据并将增量数据发送至数据中台。数据中台对增量数据进行第二数据分析确定第二分析结果，根据第二分析结果更新分析模型。在每次分析模型本更新后，数据中台需要将更新后的分析模型发送到目标边缘服务器。
这样做的好处在于：通过数据中台基于增量数据更新分析模型，将更新后的分析模型推送到目标边缘服务器，可以闭环地实现自主学习和更新。
实施例二
图3为本发明实施例二提供的一种电网终端设备的监控方法的流程图，本实施例与上述实施例之间的关系为在对当前处理数据进行存储并发送至数据中台之后，且通过数据中台将分析模型发送到目标边缘服务器之前，增加关于确定目标边缘服务器的技术特征，具体包括：
通过数据中台获取监测终端所连接的边缘服务器的当前负载；
若边缘服务器的当前负载大于欠载阈值且小于过载阈值，则将边缘服务器确定为目标边缘服务器；
若边缘服务器的当前负载大于或等于过载阈值，则通过数据中台控制当前处理数据从边缘服务器迁移至任一目标边缘服务器；
若边缘服务器的当前负载小于或等于欠载阈值，则通过数据中台控制边缘服务器中存储的当前处理数据迁移至任一目标边缘服务器，且控制边缘服务器关闭；
其中，目标边缘服务器为当前负载大于欠载阈值且小于过载阈值的边缘服务器。
如图3所示，该方法包括：
S210、通过监测终端获取电网终端设备的当前监测数据，对当前监测数据进行预处理得到当前处理数据，对当前处理数据进行存储并发送至数据中台；
S220、通过数据中台获取监测终端所连接的边缘服务器的当前负载。
具体的，边缘服务器通过本地计算可为用户提供更快的响应，到那时受物理设施空间限制，由于边缘服务器计算能力有所不同，会导致负载不均，造成个别边缘服务器“热点”积压的问题。因此，需要获取监测终端所连接的边缘服务器的当前负载，根据当前负载进行数据调度解决负载不均衡的问题。
S230、若边缘服务器的当前负载大于欠载阈值且小于过载阈值，则将边缘服务器确定为目标边缘服务器。
其中，欠载阈值和过载阈值可以根据各边缘服务器的计算能力灵活设定，例如欠载阈值可以设定为满载的80％，欠载阈值可以设定为满载阈值的20％，即各边缘服务器的最佳负载运行区间为满载的20％～80％之间。
具体的，优先判断监测终端所连接的边缘服务器的当前负载是否在最佳负载运行区间内，若是，即边缘服务器的当前负载大于欠载阈值且小于过载阈值，则将边缘服务器确定为目标边缘服务器，无需进行数据迁移；若否，则需要根据电网终端设备的监控系统中各边缘服务器的负载情况确定目标边缘服务器。
S240、若边缘服务器的当前负载大于或等于过载阈值，则通过数据中台控制当前处理数据从边缘服务器迁移至任一目标边缘服务器。
其中，目标边缘服务器为电网终端设备的监控系统中当前负载大于欠载阈值且小于过载阈值的边缘服务器。
具体的，若数据中台所获取的监测终端所连接的边缘服务器的当前负载大于或等于过载阈值，则确定电网终端设备的监控系统中任意一个满足负载条件的目标边缘服务器，通过数据中台控制当前处理数据从边缘服务器迁移至所确定的目标边缘服务器，降低监测终端所连接的边缘服务器负载开销。
示例性的，数据中台控制当前处理数据从边缘服务器迁移至所确定的目标边缘服务器的方法可以为：基于所确定的目标边缘服务器的标识生成调度指令，将该调度指令发送到监测终端所连接的边缘服务器，以使边缘服务器将当前处理数据发送至调度指令中的目标边缘服务器。
S250、若边缘服务器的当前负载小于或等于欠载阈值，则通过数据中台控制边缘服务器中存储的当前处理数据迁移至任一目标边缘服务器，且控制边缘服务器关闭。
具体的，若数据中台所获取的监测终端所连接的边缘服务器的当前负载小于或等于过载阈值，则确定电网终端设备的监控系统中任意一个满足负载条件的目标边缘服务器，通过数据中台控制边缘服务器中存储的全部当前处理数据迁移至所确定的目标边缘服务器，并且控制监测终端所连接的边缘服务器关闭，降低边缘计算的能耗开销。
示例性的，数据中台控制当前处理数据从边缘服务器迁移至所确定的目标边缘服务器的方法可以为：基于所确定的目标边缘服务器的标识生成调度指令，将该调度指令发送到监测终端所连接的边缘服务器，以使边缘服务器将当前处理数据发送至调度指令中的目标边缘服务器。
S260、通过数据中台将分析模型发送到边缘服务器，分析模型由数据中台基于历史处理数据进行模型训练得到。
S270、通过目标边缘服务器基于分析模型对当前处理数据进行第一数据分析确定第一分析结果，基于第一分析结果确定控制指令，将控制指令发送至监测终端，以使监测终端对电网终端设备进行控制。
本实施例的技术方案，通过监测终端获取电网终端设备的当前监测数据，对当前监测数据进行预处理得到当前处理数据，对当前处理数据进行存储并发送至数据中台；通过数据中台获取监测终端所连接的边缘服务器的当前负载；若边缘服务器的当前负载大于欠载阈值且小于过载阈值，则将边缘服务器确定为目标边缘服务器；若边缘服务器的当前负载大于或等于过载阈值，则通过数据中台控制当前处理数据从边缘服务器迁移至任一目标边缘服务器；若边缘服务器的当前负载小于或等于欠载阈值，则通过数据中台控制当前处理数据从边缘服务器迁移至任一目标边缘服务器，且控制边缘服务器关闭；通过数据中台将分析模型发送到目标边缘服务器，分析模型由数据中台基于历史处理数据进行模型训练得到；通过目标边缘服务器基于分析模型对当前处理数据进行第一数据分析确定第一分析结果，基于第一分析结果确定控制指令，将控制指令发送至监测终端，以使监测终端对电网终端设备进行控制，能够通过数据中台和边缘服务器协同，将边缘计算任务调度延迟短的特点与数据中台处理数据能力强的特点相结合，通过目标边缘服务器处理本地范围内的数据计算工作，处理后的数据从边缘节点汇聚集到数据中台，通过数据中台进行大数据挖掘分析、数据应用和模型训练，解决云计算和边缘计算独立运行时宽带占有率高、延时高等问题。同时，根据边缘服务器的负载情况进行数据迁移，解决负载不均衡的问题，使各边缘服务器的负载处于最佳的区间内。
可选的，通过监测终端获取电网终端设备的当前监测数据包括：
通过数据采集器实时采集电网终端设备的监测数据，并将监测数据存储于异构数据库中；
通过监测终端获取数据查询指令，基于数据查询指令采用全局搜索方式从异构数据库中获取当前监测数据。
其中，由于在电网系统中存在数以万计的电网终端设备，包括智能终端和传感器等组成的规模庞大的异构网络，这些异构网络往往属于不同的业务系统，逻辑互不相同。在网络边缘端每时每刻都会产生可观的数据量，对于大量的异构数据建立异构数据库，可对异构数据进行融合，使来自不同业务系统的数据可实现统一数据视图、统一工具、统一数据分析处理方法直接访问。
具体的，通过数据采集器实时采集电网终端设备的监测数据，并将监测数据存储于异构数据库中。其中，数据采集器可以是设置在电网终端设备上的传感器。在使用监测数据时，通过监测终端获取查询指令，以使监测终端基于所述数据查询指令查询异构数据库得到当前监测数据。其中，查询指令可以基于用户的需求生成。
对于处于不同时间段及不同采集器采集的信息进行调取时，需要采取整体调控，实现大范围的资源调度，因此可以采用全局范围搜索查询异构数据库得到当前监测数据。全局范围搜索采用结合决策树C4.5算法的人工蜂群算法(CABC)进行。
其中，人工蜂群算法(artificial bee colony algorithm，ABC)是各学者通过模仿蜜蜂种群活动行为而提出的一种寻优算法，由蜜源和人工蜜蜂两种要素构成，人工蜜蜂又分为侦查蜂、跟随蜂和引领蜂三种人工蜜蜂。各蜜源的集合相当于求解问题的解集。引领蜂负责在随机蜜源周围进行搜索找到合适的蜜源，并对蜜源的好坏，距离等信息加以反馈到其他蜜蜂。跟随蜂会有选择性的，根据概率选择引领蜂进行跟随，进一步挖掘。如果蜜源经过若干周期仍没有改进，侦查蜂会在可行解中，搜索新的可行解作为新蜜源，实现三种蜜蜂之间的角色转换。
引入决策树C4.5算法的思想，对种群中的个体蜂加以分类。根据负荷分类标准，把负荷分类属性最多，即不纯度(表示落在当前节点的样本的类别分布均衡程度)最低的叶子结点标记为引领蜂，利用C4.5算法分类准确性高的特点，以达到提升人工蜂群算法的搜索能力的目的，当搜索范围增大和蜜蜂种群增加时候，有效提升算法精度的同时也能提升搜索速率，减少资源占用，降低成本开销。
采用C4.5算法构造决策树时，首先选取一个根节点开始训练。然后选取相应的特征，根据选取的特征，对样本分类，其主要遵循IF-THEN的分类规则。若样本均属于同一类，则把这些样本划分为同一个结点，没有其他属性继续划分则视为叶子结点，否则继续划分。如若不为同一类，选取不纯度最大的当前节点，再选取新的特征，根据新特征采取分类。直到同一特征属性样本分到同一类中，或没有属性可以提供样本继续划分。最后采取决策树剪枝的过程，对已获得的决策树加以修剪，去除过拟合和繁杂样本。
可选的，在对当前监测数据进行预处理得到当前处理数据之后，还包括：
将当前处理数据存储于异构数据库中；
相应的，通过目标边缘服务器从所述监测终端获取当前处理数据，包括：
通过目标边缘服务器采用局部搜索方式获取异构数据库中存储的当前处理数据。
对于时延敏感和对带宽占用较高任务的资源调度问题，采用局部范围搜索当前处理数据。局部范围搜索采用差分人工蜂群算法进行；其是在人工蜂群算法的基础上，修改搜索公式，给搜索提供方向性，并对步长加以修改，加快搜索效率，同时增加系数因子，搜索步长随着迭代次数的增加进行相应的调整，加快搜索速率，提高算法后期的搜索效率，跳出局部最优解的同时确保解的准确性和稳定性。
对于时延敏感和对带宽占用较高任务的资源调度问题，采用局部范围搜索从异构数据库中获取相应的数据；对于处于不同时间段及不同采集器采集的信息进行调取时，采用全局范围搜索从异构数据库中获取相应的数据；通过分阶层的对数据进行调取降低了搜索范围，降低了数据调取的延时问题。
可选的，对当前监测数据进行预处理得到当前处理数据，包括：
对当前监测数据依次进行数据过滤、数据清洗和对称加密得到当前处理数据。
其中，数据过滤用于过滤当前监测数据中的冗余数据，数据清洗用于对当前监测数据中的无效值和缺失值进行处理。对称加密用于对当前监测数据进行加密处理。本发明实施例对数据过滤、数据清洗和对称加密的具体实现算法不作限制。
示例性的，采用对称密码编码技术进行数据加密的特点是加密和解密使用相同的密钥，即加密密钥也可以用作解密密钥，这种方法在密码学中叫做对称加密算法，对称加密算法使用起来简单快捷，密钥较短，且破译困难。例如可以采用DES数据加密算法或IDEA加密算法。
可选的，还包括：
通过目标边缘服务器将第一分析结果同步至数据中台。
具体的，目标边缘服务器在确定第一分析结果后，不仅需要基于第一分析结果确定控制指令，将控制指令发送至监测终端，以使监测终端对电网终端设备进行控制；还需要将第一分析结果同步发送到数据中台，以使数据中台对第一分析结果进行备份。
实施例三
图4为本发明实施例三提供的一种电网终端设备的监控系统的结构示意图。如图4所示，该系统包括：数据中台310和目标边缘服务器330和监测终端330和电网终端设备340：
其中，所述监测终端330，用于获取电网终端设备的当前监测数据，对所述当前监测数据进行预处理得到当前处理数据，对所述当前处理数据进行存储并发送至数据中台；
所述数据中台310，用于将分析模型发送到目标边缘服务器，所述分析模型由所述数据中台基于历史处理数据进行模型训练得到；
所述目标边缘服务器320，用于从所述监测终端获取所述当前处理数据，基于所述分析模型对所述当前处理数据进行第一数据分析确定第一分析结果，基于所述第一分析结果确定控制指令，将所述控制指令发送至所述监测终端，以使所述监测终端对所述电网终端设备进行控制。
可选的，所述目标边缘服务器320还用于：
基于所述当前处理数据和历史处理数据确定增量数据，并将所述增量数据发送至所述数据中台；
所述数据中台310还用于：
对所述增量数据进行第二数据分析确定第二分析结果，基于所述第二分析结果更新所述分析模型。
可选的，所述数据中台310还用于：
获取所述监测终端所连接的边缘服务器的当前负载；
若所述边缘服务器的当前负载大于欠载阈值且小于过载阈值，则将所述边缘服务器确定为目标边缘服务器；
若所述边缘服务器的当前负载大于或等于过载阈值，则通过所述数据中台控制所述当前处理数据从所述边缘服务器迁移至任一目标边缘服务器；
若所述边缘服务器的当前负载小于或等于欠载阈值，则通过所述数据中台控制所述边缘服务器中存储的当前处理数据迁移至任一目标边缘服务器，且控制所述边缘服务器关闭；
其中，所述目标边缘服务器为当前负载大于所述欠载阈值，且小于所述过载阈值的边缘服务器。
可选的，还包括：数据采集器，
数据采集器用于实时采集电网终端设备的监测数据，并将所述监测数据存储于异构数据库中；
监测终端用于获取数据查询指令，基于所述数据查询指令采用全局搜索方式从异构数据库中获取当前监测数据。
可选的，所述监测终端330还用于：
在对所述当前监测数据进行预处理得到当前处理数据之后，将所述当前处理数据存储于异构数据库中；
相应的，所述目标边缘服务器320具体用于：
通过所述目标边缘服务器采用局部搜索方式获取所述异构数据库中存储的当前处理数据。
可选的，所述监测终端330具体用于：
对所述当前监测数据依次进行数据过滤、数据清洗和对称加密得到当前处理数据。
可选的，所述目标边缘服务器320还用于：
将所述第一分析结果同步至所述数据中台。
本发明实施例所提供的电网终端设备的监控系统可执行本发明任意实施例所提供的电网终端设备的监控方法，具备执行方法相应的功能模块和有益效果。
需要说明的是，在数据中台310、边缘服务器320、监测终端330和电网终端设备340中均具有用于控制其自身以及存储器以实现上述任一电网终端设备的监控方法实施例步骤的处理器。处理器还可以称为CPU(Central Processing Unit，中央处理单元)。处理器可能是一种集成电路芯片，具有信号的处理能力。处理器还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器可以由集成电路芯片共同实现。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种电网终端设备的监控方法，其特征在于，包括：
通过监测终端获取电网终端设备的当前监测数据，对所述当前监测数据进行预处理得到当前处理数据，对所述当前处理数据进行存储并发送至数据中台；
通过所述数据中台将分析模型发送到目标边缘服务器，所述分析模型由所述数据中台基于历史处理数据进行模型训练得到；
通过所述目标边缘服务器从所述监测终端获取所述当前处理数据，基于所述分析模型对所述当前处理数据进行第一数据分析确定第一分析结果，基于所述第一分析结果确定控制指令，将所述控制指令发送至所述监测终端，以使所述监测终端对所述电网终端设备进行控制。
2.根据权利要求1所述的方法，其特征在于，在将所述控制指令发送至所述监测终端之后，还包括：
通过所述目标边缘服务器基于所述当前处理数据和历史处理数据确定增量数据，并将所述增量数据发送至所述数据中台；
通过所述数据中台对所述增量数据进行第二数据分析确定第二分析结果，基于所述第二分析结果更新所述分析模型。
3.根据权利要求1所述的方法，其特征在于，在对所述当前处理数据进行存储并发送至数据中台之后，且通过所述数据中台将分析模型发送到目标边缘服务器之前，还包括：
通过所述数据中台获取所述监测终端所连接的边缘服务器的当前负载；
若所述边缘服务器的当前负载大于欠载阈值且小于过载阈值，则将所述边缘服务器确定为目标边缘服务器；
若所述边缘服务器的当前负载大于或等于过载阈值，则通过所述数据中台控制所述当前处理数据从所述边缘服务器迁移至任一目标边缘服务器；
若所述边缘服务器的当前负载小于或等于欠载阈值，则通过所述数据中台控制所述边缘服务器中存储的当前处理数据迁移至任一目标边缘服务器，且控制所述边缘服务器关闭；
其中，所述目标边缘服务器为当前负载大于所述欠载阈值，且小于所述过载阈值的边缘服务器。
4.根据权利要求1所述的方法，其特征在于，所述通过监测终端获取电网终端设备的当前监测数据包括：
通过数据采集器实时采集电网终端设备的监测数据，并将所述监测数据存储于异构数据库中；
通过监测终端获取数据查询指令，基于所述数据查询指令采用全局搜索方式从异构数据库中获取当前监测数据。
5.根据权利要求1所述的方法，其特征在于，在对所述当前监测数据进行预处理得到当前处理数据之后，还包括：
将所述当前处理数据存储于异构数据库中；
相应的，通过所述目标边缘服务器从所述监测终端获取所述当前处理数据，包括：
通过所述目标边缘服务器采用局部搜索方式获取所述异构数据库中存储的当前处理数据。
6.根据权利要求1所述的方法，其特征在于，所述对所述当前监测数据进行预处理得到当前处理数据，包括：
对所述当前监测数据依次进行数据过滤、数据清洗和对称加密得到当前处理数据。
7.根据权利要求1所述的方法，其特征在于，还包括：
通过所述目标边缘服务器将所述第一分析结果同步至所述数据中台。
8.一种电网终端设备的监控系统，其特征在于，包括：数据中台、目标边缘服务器、监测终端和电网终端设备；
监测终端，用于获取电网终端设备的当前监测数据，对所述当前监测数据进行预处理得到当前处理数据，对所述当前处理数据进行存储并发送至数据中台；
所述数据中台，用于将分析模型发送到所述目标边缘服务器，所述分析模型由所述数据中台基于历史处理数据进行模型训练得到；
所述目标边缘服务器，用于从所述监测终端获取所述当前处理数据，基于所述分析模型对所述当前处理数据进行第一数据分析确定第一分析结果，基于所述第一分析结果确定控制指令，将所述控制指令发送至所述监测终端，以使所述监测终端对所述电网终端设备进行控制。
9.根据权利要求8所述的系统，其特征在于，所述数据中台还用于：
获取所述监测终端所连接的边缘服务器的当前负载；
若所述边缘服务器的当前负载大于欠载阈值且小于过载阈值，则将所述边缘服务器确定为目标边缘服务器；
若所述边缘服务器的当前负载大于或等于过载阈值，则通过所述数据中台控制所述当前处理数据从所述边缘服务器迁移至任一目标边缘服务器；
若所述边缘服务器的当前负载小于或等于欠载阈值，则通过所述数据中台控制所述边缘服务器中存储的当前处理数据迁移至任一目标边缘服务器，且控制所述边缘服务器关闭。
10.根据权利要求8所述的系统，其特征在于，
所述目标边缘服务器，还用于基于所述当前处理数据和历史处理数据确定增量数据，并将所述增量数据发送至所述数据中台；
所述数据中台，还用于对所述增量数据进行第二数据分析确定第二分析结果，基于所述第二分析结果更新所述分析模型。
CN202210112348.4A 2022-01-29 2022-01-29 一种电网终端设备的监控方法和系统 Pending CN114461626A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210112348.4A CN114461626A (zh) 2022-01-29 2022-01-29 一种电网终端设备的监控方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210112348.4A CN114461626A (zh) 2022-01-29 2022-01-29 一种电网终端设备的监控方法和系统

Publications (1)

Publication Number Publication Date
CN114461626A true CN114461626A (zh) 2022-05-10

Family

ID=81412505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210112348.4A Pending CN114461626A (zh) 2022-01-29 2022-01-29 一种电网终端设备的监控方法和系统

Country Status (1)

Country Link
CN (1) CN114461626A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115086317A (zh) * 2022-06-13 2022-09-20 国网北京市电力公司 电缆监测方法、装置、非易失性存储介质及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135317A (zh) * 2019-05-08 2019-08-16 深圳达实智能股份有限公司 基于协同计算体系的行为监控和管理系统和方法
CN110719210A (zh) * 2019-12-05 2020-01-21 赣江新区智慧物联研究院有限公司 一种基于云边协同的工业设备预测性维护方法
US20200160207A1 (en) * 2018-11-15 2020-05-21 General Electric Company Automated model update based on model deterioration
CN112129343A (zh) * 2020-09-11 2020-12-25 武汉天宝莱信息技术有限公司 一种基于云平台的服务器集群监测系统及方法
CN112187932A (zh) * 2020-09-29 2021-01-05 长江勘测规划设计研究有限责任公司 基于边缘计算的中小型水库大坝智能监测预警方法
CN112815990A (zh) * 2020-12-28 2021-05-18 齐丰科技股份有限公司 一种基于物联网技术的配电设备监测系统
CN112950400A (zh) * 2021-03-30 2021-06-11 煤炭科学研究总院 数据处理平台

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200160207A1 (en) * 2018-11-15 2020-05-21 General Electric Company Automated model update based on model deterioration
CN110135317A (zh) * 2019-05-08 2019-08-16 深圳达实智能股份有限公司 基于协同计算体系的行为监控和管理系统和方法
CN110719210A (zh) * 2019-12-05 2020-01-21 赣江新区智慧物联研究院有限公司 一种基于云边协同的工业设备预测性维护方法
CN112129343A (zh) * 2020-09-11 2020-12-25 武汉天宝莱信息技术有限公司 一种基于云平台的服务器集群监测系统及方法
CN112187932A (zh) * 2020-09-29 2021-01-05 长江勘测规划设计研究有限责任公司 基于边缘计算的中小型水库大坝智能监测预警方法
CN112815990A (zh) * 2020-12-28 2021-05-18 齐丰科技股份有限公司 一种基于物联网技术的配电设备监测系统
CN112950400A (zh) * 2021-03-30 2021-06-11 煤炭科学研究总院 数据处理平台

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈思;吴秋新;龚钢军;孙跃;魏沛芳;刘韧;: "基于边云智能协同的配电网信息物理系统", 北京信息科技大学学报(自然科学版), no. 01, 15 February 2020 (2020-02-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115086317A (zh) * 2022-06-13 2022-09-20 国网北京市电力公司 电缆监测方法、装置、非易失性存储介质及电子设备

Similar Documents

Publication Publication Date Title
US20200111030A1 (en) Distributed random forest training with a predictor trained to balance tasks
CN113176948B (zh) 边缘网关、边缘计算系统及其配置方法
CN111126621B (zh) 在线模型训练方法及装置
CN113179190B (zh) 边缘控制器、边缘计算系统及其配置方法
Chen et al. ALBRL: Automatic Load‐Balancing Architecture Based on Reinforcement Learning in Software‐Defined Networking
CN110719194B (zh) 一种网络数据的分析方法及装置
CN106330558A (zh) 应用于软件定义网络的控制器负载预测系统及方法
US20230145097A1 (en) Autonomous traffic (self-driving) network with traffic classes and passive and active learning
CN110213363A (zh) 基于软件定义网络的云资源动态分配系统及方法
CN110460662A (zh) 物联网数据的处理方法和系统
CN103886508A (zh) 海量农田数据的监控方法和系统
CN114513470B (zh) 网络流量控制方法、装置、设备及计算机可读存储介质
CN112925964A (zh) 基于云计算服务的大数据采集方法及大数据采集服务系统
CN114706675A (zh) 基于云边协同系统的任务部署方法及装置
CN114461626A (zh) 一种电网终端设备的监控方法和系统
CN105336143A (zh) 基于云计算的供电质量检测系统
CN114648223A (zh) 一种基于物联网的智慧城市能耗数据挖掘系统及方法
Huang et al. Effective scheduling function design in SDN through deep reinforcement learning
JP2020136894A (ja) 予測装置、予測方法及びプログラム
CN115473688B (zh) 面向软件定义网络的异常检测方法、装置及设备
KR102537023B1 (ko) 인공지능 기반의 트래픽 분석을 사용한 네트워크 트래픽 제어 방법 및 이러한 방법을 수행하는 장치
CN112925831A (zh) 基于云计算服务的大数据挖掘方法及大数据挖掘服务系统
CN114035906A (zh) 虚拟机迁移方法、装置、电子设备及存储介质
Sharma et al. Meta-reinforcement learning based resource management in software defined networks using bayesian network
Du et al. OctopusKing: A TCT-aware task scheduling on spark platform

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