CN115361708A - 一种基于5g的用电数据检测技术 - Google Patents

一种基于5g的用电数据检测技术 Download PDF

Info

Publication number
CN115361708A
CN115361708A CN202211047474.2A CN202211047474A CN115361708A CN 115361708 A CN115361708 A CN 115361708A CN 202211047474 A CN202211047474 A CN 202211047474A CN 115361708 A CN115361708 A CN 115361708A
Authority
CN
China
Prior art keywords
data
network
tree
service
management
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
CN202211047474.2A
Other languages
English (en)
Inventor
李锦煊
汤淇捷
王莉
刘鹏
王维
孙磊
衷宇清
凌雨诗
滕蔓
洪丹轲
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.)
China Mobile Group Guangdong Co Ltd
China Southern Power Grid Co Ltd
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
China Mobile Group Guangdong Co Ltd
China Southern Power Grid Co Ltd
Guangzhou Power Supply Bureau of Guangdong Power Grid 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 China Mobile Group Guangdong Co Ltd, China Southern Power Grid Co Ltd, Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical China Mobile Group Guangdong Co Ltd
Priority to CN202211047474.2A priority Critical patent/CN115361708A/zh
Publication of CN115361708A publication Critical patent/CN115361708A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/10—Flow control between communication endpoints
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H02J13/00022—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明公开一种基于5G的用电数据检测技术，涉及5G互联网领域。该基于5G的用电数据检测技术，基于大数据、人工智能算法和5G超高带宽，对MEC进行细致电能管理，监控切片中的业务电能，实现用电负荷预测功能，并对MEC的耗电存在异常的情况进行自动报警，有利于帮助家庭用户节约能源、节省能源成本支出。

Description

一种基于5G的用电数据检测技术
技术领域
本发明涉及5G互联网技术领域，具体为一种基于5G的用电数据检测技术。
背景技术
随着智能电网产业的纵深发展,使得新能源业务接入、配电网状态监测的需求大量爆发。未来电网控制类业务将呈现更多的分布式点对点连接，主站系统将逐步下沉,出现更多的本地就近控制,且与主网控制产生联动,时延需求将达到毫秒级。多连接边缘计算(Multi-access Edge Computing,MEC)是5G网络关键技术之一,具备无线网络通信连接，以及集计算、存储、API交互功能于一体的信息通信融合平台。
随着碳中和概念的提出，对电网电能的使用提出了更加细致的管理需求。特别地，如何对智能电网中部署的MEC进行精细地电能管理以监控异常耗电情况，成为亟需解决的问题。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明公开了一种基于5G的用电数据检测技术，以解决上述背景技术中提出的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于5G的用电数据检测技术，该技术要点在于通过在运营商5G基站侧部署MEC，数据会通过MEC实现在业务终端间的导流，直接在不同业务终端之间提供了极短时延的点对点服务，如时延较为敏感的配网差动保护业务，通过5G MEC分流转发技术，大幅度提升业务时延与可靠性性能，增强电网对无线通信的依赖，实现在一定范围内的低压配电网开关间的快速通信；
完成上述部署后，利用运营商核心网UPF网元的数据分发导流功能，将业务流量导流至电力MEC系统中，UPF与MEC系统在逻辑上是分离、松耦合的，根据CCSA MEC系统参考架构，MEC城域内与移动回传位置一致，近期以N3/N4/N6/N9接口承载需求为主，5G UPF下沉后仍然属于运营商管理范畴，因此需运营商向电力MEC开放N4、N6、N9等接口后，电网用户才能实现对电力MEC资源编排、流量转发、路由部署以及安全策略的功能，进而达到对电力MEC的管理。
优选的，所述对MEC进行精细电能管理的步骤如下；
S1、基于端到端切片管理系统、智能分析系统和基础设施网络资源(接入网、承载网、核心网)，基础设施网络资源按照资源编排的具体要求进行资源的按需组织和组合，为业务用户提供端到端安全的隔离网络，搭建电力网络架构，其中，切片管理系统中各层级编排系统比如切片/子切片编排器、资源编排等，主要通过通信切片管理功能(CommunicationService Management Function，CSMF)、网络切片管理功能(Network Slice ManagementFunction，NSMF)、网络子切片管理功能(Network Slice Subnet Management Function，NSSMF)等模块实现；
S2、管理和编排系统(Management and Orchestration，MANO)主要包括网络功能虚拟化协作(NFV Orchestrator，NFVO)、VNFM(VNF Manager)、虚拟基础设施管理(Virtualised Infrastructure Manager，VIM)；
S3、NFVO主要负责跨虚拟网络功能(Virtual Network Function，VNF)厂商、跨网络功能虚拟化基础设施(NFV Infrastructure，NFVI)的资源编排及网络服务(NS)的生命周期管理等。VNFM主要负责VNF的生命周期管理，VIM主要负责对整个基础设施层资源的管理和监控，实现部署NFV网络所使用的云计算资源、网络资源和存储资源的管理。切片管理系统各模块从下级系统或者自身系统中采集或生成各层管理对象的性能、告警、资源等数据，并按需上报相关数据到各层级或者全局的智能分析系统中。
优选的，所述智能分析系统对采集的数据经过存储和智能分析，基于大数据和人工智能算法，结合5G超高带宽，在线分析用户用能行为，通过引入网络数据分析网元，基于收集的网络数据和业务体验数据进行业务模型训练，从而监控切片中的业务电能，实现用电负荷预测功能；其中，引入网络数据分析网元，基于收集的网络数据和业务体验数据进行业务模型训练的步骤包括；
S1、将基站产生的数据分类为告警数据、控制面数据、用户面数据和监控数据。其中，告警数据包括基站设备硬件和软件上产生的告警信息数据。控制面用于信令传输，以控制呼叫流程建立、维护及释放，其包含了应用层不能感知的数据，例如无线空口核心网的交互，可以通过信令从底层来获取更详细的信息，以及基站设备通话统计数据及相关kpi数据等等。用户面产生业务数据，比如语音数据或者分组业务数据。监控数据包括系统的运行参数和状态、软件的调试和告警信息、业务的kpi数据等；
S2、基于采集的数据进行预处理，包括统计任一时间段下的各类数据的实时情况，并删除不合理数据，再对各类数据进行归一化处理，得到训练样本；
S3、基于XGBoost算法，使训练样本输入XGBoost算法中，经反复参数重传训练，直至达到预设条件时，则可生成话务量预测模型。
优选的，所述XGBoost算法由多个相关联的决策树联合决策，每棵决策树的输出结果与其他决策树的输出结果相互关联，组合后的模型具有更强的泛化能力，进而能获得更好的训练效果；
XGBoost算法的模型表达式如下；
Figure BDA0003820798620000041
其中K为树的总个数，fk表示第k颗树，
Figure BDA0003820798620000042
表示样本xi的预测结果。
损失函数表示为：
Figure BDA0003820798620000043
其中
Figure BDA0003820798620000044
为样本xi的训练误差，Ω(fk)表示第k棵树的正则项。
初始化(模型中没有树时，其预测结果为0)：
Figure BDA0003820798620000045
往模型中加入第一棵树：
Figure BDA0003820798620000046
往模型中加入第二棵树：
Figure BDA0003820798620000047
…
往模型中加入第t棵树：
Figure BDA0003820798620000048
其中fk表示第k棵树，
Figure BDA0003820798620000049
表示组合t棵树模型对样本xi的预测结果；
每次往模型中加入一棵树，其损失函数便会发生变化。另外在加入第t棵树时，则前面第t-1棵树已经训练完成，此时前面t-1棵树的正则项和训练误差都成已知常数项。此时，
Figure BDA00038207986200000410
使损失函数采用均方误差，则目标损失函数为：
Figure BDA0003820798620000051
又因对于其中每一棵回归树，其模型可以写成：
ft(x)＝wq(x)，w∈RT，q：Rd→{1，2，…T}
其中w为叶子节点的得分值，q(x)表示样本x对应的叶子节点。T为该树的叶子节点个数；
则目标损失函数中的正则项部分可以写成：
Figure BDA0003820798620000052
其中，T指叶子的个数，
Figure BDA0003820798620000053
指每棵决策树的输出值的平方；
此时，对于XGBoost的目标函数可以变为：
Figure BDA0003820798620000054
即通过求解f(t)，则可优化上式目标函数；
根据泰勒展开式：
Figure BDA0003820798620000061
将ft(xi)看作Δx，则原目标函数可以写成：
Figure BDA0003820798620000062
令
Figure BDA0003820798620000063
对于第t棵树时，
Figure BDA0003820798620000064
为常数。
再去除所有常数项，故目标损失函数可以写成：
Figure BDA0003820798620000065
此时，将目标损失函数全部转换成在第t棵树叶子节点的形式，对于
Figure BDA0003820798620000066
可以看做是每个样本在第t棵树的叶子节点得分值相关函数的结果之和，则：
Figure BDA0003820798620000071
上式中，前两行i＝1～n求和为在样本中遍历，后两行j＝1～T求和为在叶子节点上遍历，其中T为第t棵树中总叶子节点的个数，Ij＝{i|q(xi)＝j}表示在第j个叶子节点上的样本，wj为第j个叶子节点的得分值；
令
Figure BDA0003820798620000072
则：
Figure BDA0003820798620000073
对wj求偏导，并使其导函数等于0，则有：
Gj+(Hj+λ)wj＝0
求解得：
Figure BDA0003820798620000074
故目标函数可以为：
Figure BDA0003820798620000075
Obj*指结构分数，结构分数的值越小，即树的结构越好。
因
Figure BDA0003820798620000076
每次扩展时，假设需要枚举所有x＜ai条件下的分割方案，则对于某个特定的分割数ai，可计算ai左边和右边的导数和，则可高效地枚举所有的分割方案；
最后使枚举的所有分割分数进行岭回归处理，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，拟合度更好；
当λ＝0时，岭回归值＝b，当λ->∞，则岭回归值->0，使分割分数依次进行岭回归处理，得到岭回归值随λ的改变而变化的轨迹即对应分割分数的岭迹图，此时选取稳定的那一段的曲线所对应的数值范围作为处理后的分割分数的结果；
使所有处理后的分割分数的结果相加，得到的和作为话务量预测模型的预测结果，以提供用电负荷预测。
优选的，所述当预测结果不满足预设条件时，即业务电能没有达到理论值，此时再判断业务电能是超出预设条件或低于预设条件；
当业务电能超出时，即MEC的耗电存在异常的情况，此时自动报警，以及时提醒工作人员进行检修维护，有利于帮助家庭用户节约能源、节省能源成本支出；
同时，将异常结果筛选出来，并上报策略中心，策略中心预置各层管理对象在不同场景下的运维策略，包括策略触发的匹配条件、触发时间、执行动作等；当智能分析数据结果满足策略中心预置策略的匹配条件时，策略中心会向动作执行的管理系统下发操作请求，完成管理对象的更新、弹性、自愈、终止等，最终实现资源的重新分配等。
本发明公开了一种基于5G的用电数据检测技术，其具备的有益效果如下：
1、该基于5G的用电数据检测技术，基于大数据、人工智能算法和5G超高带宽，对MEC进行细致电能管理，监控切片中的业务电能，实现用电负荷预测功能，并对MEC的耗电存在异常的情况进行自动报警，有利于帮助家庭用户节约能源、节省能源成本支出。
附图说明
图1为本发明5G核心网管理系统图；
图2为本发明UPF与MEC系统图；
图3为本发明电力网络架构系统图。
具体实施方式
本发明实施例公开一种基于5G的用电数据检测技术，如图1-3所示，该技术要点在于通过在运营商5G基站侧部署MEC，数据会通过MEC实现在业务终端间的导流，直接在不同业务终端之间提供了极短时延的点对点服务，如时延较为敏感的配网差动保护业务，通过5G MEC分流转发技术，大幅度提升业务时延与可靠性性能，增强电网对无线通信的依赖，实现在一定范围内的低压配电网开关间的快速通信；
完成上述部署后，利用运营商核心网UPF网元的数据分发导流功能，将业务流量导流至电力MEC系统中，UPF与MEC系统在逻辑上是分离、松耦合的，根据CCSA MEC系统参考架构(见图2)，MEC城域内与移动回传位置一致，近期以N3/N4/N6/N9接口承载需求为主，5GUPF下沉后仍然属于运营商管理范畴，因此需运营商向电力MEC开放N4、N6、N9等接口后，电网用户才能实现对电力MEC资源编排、流量转发、路由部署以及安全策略的功能，进而达到对电力MEC的管理。
进一步地，对MEC进行精细电能管理的步骤如下；
S1、基于端到端切片管理系统、智能分析系统和基础设施网络资源(接入网、承载网、核心网)，基础设施网络资源按照资源编排的具体要求进行资源的按需组织和组合，为业务用户提供端到端安全的隔离网络，搭建电力网络架构，其中，切片管理系统中各层级编排系统比如切片/子切片编排器、资源编排等，主要通过通信切片管理功能(CommunicationService Management Function，CSMF)、网络切片管理功能(Network Slice ManagementFunction，NSMF)、网络子切片管理功能(Network Slice Subnet Management Function，NSSMF)等模块实现；
S2、管理和编排系统(Management and Orchestration，MANO)主要包括网络功能虚拟化协作(NFV Orchestrator，NFVO)、VNFM(VNF Manager)、虚拟基础设施管理(Virtualised Infrastructure Manager，VIM)；
S3、NFVO主要负责跨虚拟网络功能(Virtual Network Function，VNF)厂商、跨网络功能虚拟化基础设施(NFV Infrastructure，NFVI)的资源编排及网络服务(NS)的生命周期管理等，VNFM主要负责VNF的生命周期管理，VIM主要负责对整个基础设施层资源的管理和监控，实现部署NFV网络所使用的云计算资源、网络资源和存储资源的管理。切片管理系统各模块从下级系统或者自身系统中采集或生成各层管理对象的性能、告警、资源等数据，并按需上报相关数据到各层级或者全局的智能分析系统中。
进一步地，智能分析系统对采集的数据经过存储和智能分析，基于大数据和人工智能算法，结合5G超高带宽，在线分析用户用能行为，通过引入网络数据分析网元，基于收集的网络数据和业务体验数据进行业务模型训练，从而监控切片中的业务电能，实现用电负荷预测功能；其中，引入网络数据分析网元，基于收集的网络数据和业务体验数据进行业务模型训练的步骤包括；
S1、将基站产生的数据分类为告警数据、控制面数据、用户面数据和监控数据。其中，告警数据包括基站设备硬件和软件上产生的告警信息数据。控制面用于信令传输，以控制呼叫流程建立、维护及释放，其包含了应用层不能感知的数据，例如无线空口核心网的交互，可以通过信令从底层来获取更详细的信息，以及基站设备通话统计数据及相关kpi数据等等。用户面产生业务数据，比如语音数据或者分组业务数据。监控数据包括系统的运行参数和状态、软件的调试和告警信息、业务的kpi数据等；
S2、基于采集的数据进行预处理，包括统计任一时间段下的各类数据的实时情况，并删除不合理数据，再对各类数据进行归一化处理，得到训练样本；
S3、基于XGBoost算法，使训练样本输入XGBoost算法中，经反复参数重传训练，直至达到预设条件时，则可生成话务量预测模型。
进一步地，XGBoost算法由多个相关联的决策树联合决策，每棵决策树的输出结果与其他决策树的输出结果相互关联，组合后的模型具有更强的泛化能力，进而能获得更好的训练效果；
XGBoost算法的模型表达式如下；
Figure BDA0003820798620000111
其中K为树的总个数，fk表示第k颗树，
Figure BDA0003820798620000112
表示样本xi的预测结果。
损失函数表示为：
Figure BDA0003820798620000113
其中
Figure BDA0003820798620000114
为样本xi的训练误差，Ω(fk)表示第k棵树的正则项。
初始化(模型中没有树时，其预测结果为0)：
Figure BDA0003820798620000115
往模型中加入第一棵树：
Figure BDA0003820798620000116
往模型中加入第二棵树：
Figure BDA0003820798620000117
…
往模型中加入第t棵树：
Figure BDA0003820798620000121
其中fk表示第k棵树，
Figure BDA0003820798620000122
表示组合t棵树模型对样本xi的预测结果；
每次往模型中加入一棵树，其损失函数便会发生变化。另外在加入第t棵树时，则前面第t-1棵树已经训练完成，此时前面t-1棵树的正则项和训练误差都成已知常数项。此时，
Figure BDA0003820798620000123
使损失函数采用均方误差，则目标损失函数为：
Figure BDA0003820798620000124
又因对于其中每一棵回归树，其模型可以写成：
ft(x)＝wq(x)，w∈RT，q：Rd→{1，2，…T}
其中w为叶子节点的得分值，q(x)表示样本x对应的叶子节点。T为该树的叶子节点个数；
则目标损失函数中的正则项部分可以写成：
Figure BDA0003820798620000131
其中，T指叶子的个数，
Figure BDA0003820798620000132
指每棵决策树的输出值的平方；
此时，对于XGBoost的目标函数可以变为：
Figure BDA0003820798620000133
即通过求解f(t)，则可优化上式目标函数；
根据泰勒展开式：
Figure BDA0003820798620000134
将ft(xi)看作Δx，则原目标函数可以写成：
Figure BDA0003820798620000135
令
Figure BDA0003820798620000136
对于第t棵树时，
Figure BDA0003820798620000137
为常数。
再去除所有常数项，故目标损失函数可以写成：
Figure BDA0003820798620000141
此时，将目标损失函数全部转换成在第t棵树叶子节点的形式，对于
Figure BDA0003820798620000142
可以看做是每个样本在第t棵树的叶子节点得分值相关函数的结果之和，则：
Figure BDA0003820798620000143
上式中，前两行i＝1～n求和为在样本中遍历，后两行j＝1～T求和为在叶子节点上遍历，其中T为第t棵树中总叶子节点的个数，Ij＝{i|q(xi)＝j}表示在第j个叶子节点上的样本，wj为第j个叶子节点的得分值；
令
Figure BDA0003820798620000144
则：
Figure BDA0003820798620000145
对wj求偏导，并使其导函数等于0，则有：
Gj+(Hj+λ)wj＝0
求解得：
Figure BDA0003820798620000146
故目标函数可以为：
Figure BDA0003820798620000151
Obj*指结构分数，结构分数的值越小，即树的结构越好。
因
Figure BDA0003820798620000152
每次扩展时，假设需要枚举所有x＜ai条件下的分割方案，则对于某个特定的分割数ai，可计算ai左边和右边的导数和，则可高效地枚举所有的分割方案；
最后使枚举的所有分割分数进行岭回归处理，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，拟合度更好；
当λ＝0时，岭回归值＝b，当λ->∞，则岭回归值->0，使分割分数依次进行岭回归处理，得到岭回归值随λ的改变而变化的轨迹即对应分割分数的岭迹图，此时选取稳定的那一段的曲线所对应的数值范围作为处理后的分割分数的结果；
使所有处理后的分割分数的结果相加，得到的和作为话务量预测模型的预测结果，以提供用电负荷预测。
进一步地，当预测结果不满足预设条件时，即业务电能没有达到理论值，此时再判断业务电能是超出预设条件或低于预设条件；
当业务电能超出时，即MEC的耗电存在异常的情况，此时自动报警，以及时提醒工作人员进行检修维护，有利于帮助家庭用户节约能源、节省能源成本支出；
同时，将异常结果筛选出来，并上报策略中心，策略中心预置各层管理对象在不同场景下的运维策略，包括策略触发的匹配条件、触发时间、执行动作等；当智能分析数据结果满足策略中心预置策略的匹配条件时，策略中心会向动作执行的管理系统下发操作请求，完成管理对象的更新、弹性、自愈、终止等，最终实现资源的重新分配等。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于5G的用电数据检测技术，其特征在于，该技术要点在于通过在运营商5G基站侧部署MEC，数据会通过MEC实现在业务终端间的导流，直接在不同业务终端之间提供了极短时延的点对点服务，如时延较为敏感的配网差动保护业务，通过5G MEC分流转发技术，大幅度提升业务时延与可靠性性能，增强电网对无线通信的依赖，实现在一定范围内的低压配电网开关间的快速通信；
完成上述部署后，利用运营商核心网UPF网元的数据分发导流功能，将业务流量导流至电力MEC系统中，UPF与MEC系统在逻辑上是分离、松耦合的，根据CCSA MEC系统参考架构，MEC城域内与移动回传位置一致，近期以N3/N4/N6/N9接口承载需求为主，5G UPF下沉后仍然属于运营商管理范畴，因此需运营商向电力MEC开放N4、N6、N9等接口后，电网用户才能实现对电力MEC资源编排、流量转发、路由部署以及安全策略的功能，进而达到对电力MEC的管理。
2.根据权利要求1所述的一种基于5G的用电数据检测技术，其特征在于：所述对MEC进行精细电能管理的步骤如下；
S1、基于端到端切片管理系统、智能分析系统和基础设施网络资源(接入网、承载网、核心网)，基础设施网络资源按照资源编排的具体要求进行资源的按需组织和组合，为业务用户提供端到端安全的隔离网络，搭建电力网络架构，其中，切片管理系统中各层级编排系统比如切片/子切片编排器、资源编排等，主要通过通信切片管理功能(CommunicationService Management Function，CSMF)、网络切片管理功能(Network Slice ManagementFunction，NSMF)、网络子切片管理功能(Network Slice Subnet Management Function，NSSMF)等模块实现；
S2、管理和编排系统(Management and Orchestration，MANO)主要包括网络功能虚拟化协作(NFV Orchestrator，NFVO)、VNFM(VNF Manager)、虚拟基础设施管理(VirtualisedInfrastructure Manager，VIM)；
S3、NFVO主要负责跨虚拟网络功能(Virtual Network Function，VNF)厂商、跨网络功能虚拟化基础设施(NFV Infrastructure，NFVI)的资源编排及网络服务(NS)的生命周期管理等。VNFM主要负责VNF的生命周期管理，VIM主要负责对整个基础设施层资源的管理和监控，实现部署NFV网络所使用的云计算资源、网络资源和存储资源的管理。切片管理系统各模块从下级系统或者自身系统中采集或生成各层管理对象的性能、告警、资源等数据，并按需上报相关数据到各层级或者全局的智能分析系统中。
3.根据权利要求2所述的一种基于5G的用电数据检测技术，其特征在于：所述智能分析系统对采集的数据经过存储和智能分析，基于大数据和人工智能算法，结合5G超高带宽，在线分析用户用能行为，通过引入网络数据分析网元，基于收集的网络数据和业务体验数据进行业务模型训练，从而监控切片中的业务电能，实现用电负荷预测功能；其中，引入网络数据分析网元，基于收集的网络数据和业务体验数据进行业务模型训练的步骤包括；
S1、将基站产生的数据分类为告警数据、控制面数据、用户面数据和监控数据。其中，告警数据包括基站设备硬件和软件上产生的告警信息数据。控制面用于信令传输，以控制呼叫流程建立、维护及释放，其包含了应用层不能感知的数据，例如无线空口核心网的交互，可以通过信令从底层来获取更详细的信息，以及基站设备通话统计数据及相关kpi数据等等。用户面产生业务数据，比如语音数据或者分组业务数据。监控数据包括系统的运行参数和状态、软件的调试和告警信息、业务的kpi数据等；
S2、基于采集的数据进行预处理，包括统计任一时间段下的各类数据的实时情况，并删除不合理数据，再对各类数据进行归一化处理，得到训练样本；
S3、基于XGBoost算法，使训练样本输入XGBoost算法中，经反复参数重传训练，直至达到预设条件时，则可生成话务量预测模型。
4.根据权利要求3所述的一种基于5G的用电数据检测技术，其特征在于：所述XGBoost算法由多个相关联的决策树联合决策，每棵决策树的输出结果与其他决策树的输出结果相互关联，组合后的模型具有更强的泛化能力，进而能获得更好的训练效果；
XGBoost算法的模型表达式如下；
Figure FDA0003820798610000031
其中K为树的总个数，fk表示第k颗树，
Figure FDA0003820798610000032
表示样本xi的预测结果。
损失函数表示为：
Figure FDA0003820798610000033
其中
Figure FDA0003820798610000034
为样本xi的训练误差，Ω(fk)表示第k棵树的正则项。
初始化(模型中没有树时，其预测结果为0)：
Figure FDA0003820798610000035
往模型中加入第一棵树：
Figure FDA0003820798610000036
往模型中加入第二棵树：
Figure FDA0003820798610000037
…
往模型中加入第t棵树：
Figure FDA0003820798610000038
其中fk表示第k棵树，
Figure FDA0003820798610000041
表示组合t棵树模型对样本xi的预测结果；
每次往模型中加入一棵树，其损失函数便会发生变化。另外在加入第t棵树时，则前面第t-1棵树已经训练完成，此时前面t-1棵树的正则项和训练误差都成已知常数项。此时，
Figure FDA0003820798610000042
使损失函数采用均方误差，则目标损失函数为：
Figure FDA0003820798610000043
又因对于其中每一棵回归树，其模型可以写成：
ft(x)＝wq(x)，w∈RT，q：Rd→{1，2，…T}
其中w为叶子节点的得分值，q(x)表示样本x对应的叶子节点。T为该树的叶子节点个数；
则目标损失函数中的正则项部分可以写成：
Figure FDA0003820798610000044
其中，T指叶子的个数，
Figure FDA0003820798610000051
指每棵决策树的输出值的平方；
此时，对于XGBoost的目标函数可以变为：
Figure FDA0003820798610000052
即通过求解f(t)，则可优化上式目标函数；
根据泰勒展开式：
Figure FDA0003820798610000053
将ft(xi)看作Δx，则原目标函数可以写成：
Figure FDA0003820798610000054
令
Figure FDA0003820798610000055
对于第t棵树时，
Figure FDA0003820798610000056
为常数。
再去除所有常数项，故目标损失函数可以写成：
Figure FDA0003820798610000057
此时，将目标损失函数全部转换成在第t棵树叶子节点的形式，对于
Figure FDA0003820798610000061
可以看做是每个样本在第t棵树的叶子节点得分值相关函数的结果之和，则：
Figure FDA0003820798610000062
上式中，前两行i＝1～n求和为在样本中遍历，后两行j＝1～T求和为在叶子节点上遍历，其中T为第t棵树中总叶子节点的个数，Ij＝{i|q(xi)＝j}表示在第j个叶子节点上的样本，wj为第j个叶子节点的得分值；
令
Figure FDA0003820798610000063
则：
Figure FDA0003820798610000064
对wj求偏导，并使其导函数等于0，则有：
Gj+(Hj+2)wj＝0
求解得：
Figure FDA0003820798610000065
故目标函数可以为：
Figure FDA0003820798610000066
Obj*指结构分数，结构分数的值越小，即树的结构越好。
因
Figure FDA0003820798610000071
每次扩展时，假设需要枚举所有x＜ai条件下的分割方案，则对于某个特定的分割数ai，可计算ai左边和右边的导数和，则可高效地枚举所有的分割方案；
最后使枚举的所有分割分数进行岭回归处理，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，拟合度更好；
当λ＝0时，岭回归值＝b，当λ->∞，则岭回归值->0，使分割分数依次进行岭回归处理，得到岭回归值随λ的改变而变化的轨迹即对应分割分数的岭迹图，此时选取稳定的那一段的曲线所对应的数值范围作为处理后的分割分数的结果；
使所有处理后的分割分数的结果相加，得到的和作为话务量预测模型的预测结果，以提供用电负荷预测。
5.根据权利要求4所述的一种基于5G的用电数据检测技术，其特征在于：所述当预测结果不满足预设条件时，即业务电能没有达到理论值，此时再判断业务电能是超出预设条件或低于预设条件；
当业务电能超出时，即MEC的耗电存在异常的情况，此时自动报警，以及时提醒工作人员进行检修维护，有利于帮助家庭用户节约能源、节省能源成本支出；
同时，将异常结果筛选出来，并上报策略中心，策略中心预置各层管理对象在不同场景下的运维策略，包括策略触发的匹配条件、触发时间、执行动作等；当智能分析数据结果满足策略中心预置策略的匹配条件时，策略中心会向动作执行的管理系统下发操作请求，完成管理对象的更新、弹性、自愈、终止等，最终实现资源的重新分配等。
CN202211047474.2A 2022-08-29 2022-08-29 一种基于5g的用电数据检测技术 Pending CN115361708A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211047474.2A CN115361708A (zh) 2022-08-29 2022-08-29 一种基于5g的用电数据检测技术

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211047474.2A CN115361708A (zh) 2022-08-29 2022-08-29 一种基于5g的用电数据检测技术

Publications (1)

Publication Number Publication Date
CN115361708A true CN115361708A (zh) 2022-11-18

Family

ID=84003989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211047474.2A Pending CN115361708A (zh) 2022-08-29 2022-08-29 一种基于5g的用电数据检测技术

Country Status (1)

Country Link
CN (1) CN115361708A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116321034A (zh) * 2023-03-17 2023-06-23 国网湖北省电力有限公司 一种基于5g短切片的电力供应链通信方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116321034A (zh) * 2023-03-17 2023-06-23 国网湖北省电力有限公司 一种基于5g短切片的电力供应链通信方法及系统

Similar Documents

Publication Publication Date Title
CN104616205B (zh) 一种基于分布式日志分析的电力系统运行状态监视方法
CN107895176B (zh) 一种面向水电机群广域监测诊断的雾计算系统及方法
CN113240289B (zh) 一种电网调度控制系统运行状态评估方法及系统
CN110134833A (zh) 面向电网拓扑管理的图数据建模系统及方法
CN110891283A (zh) 一种基于边缘计算模型的小基站监控装置及方法
CN105721228A (zh) 基于快速密度聚类的电力通信网节点重要性评估方法
CN113542039A (zh) 一种通过ai算法定位5g网络虚拟化跨层问题的方法
CN105471647B (zh) 一种电力通信网故障定位方法
CN106485594A (zh) 一种主配网一体化事故响应决策方法
CN113190939B (zh) 基于多边形系数的大型稀疏复杂网络拓扑分析和简化方法
CN115361708A (zh) 一种基于5g的用电数据检测技术
CN112312444A (zh) 一种5g网络切片下资源备份方法
CN107483240A (zh) 基于网络资源关联关系的电力通信网业务健康度分析方法
Araujo et al. Dependability evaluation of an iot system: A hierarchical modelling approach
EP3979563A1 (en) Inter-domain data interaction method and apparatus
CN105407520A (zh) 一种集中式基站休眠决策方法及休眠系统
CN113133038B (zh) 电力物联网链路备份方法、装置、设备及存储介质
CN111736983B (zh) 一种面向任务和资源感知的微服务部署方法
CN109359810A (zh) 一种基于多策略均衡的电力通信传输网运行状态评估方法
CN102045186B (zh) 一种事件分析方法及系统
CN110705062A (zh) 基于5g的机柜能耗远程统计计量方法
CN115883392A (zh) 算力网络的数据感知方法、装置、电子设备及存储介质
CN115577292A (zh) 基于抽象对偶网络和连锁故障超网络的脆弱线路辨识方法
CN108122054A (zh) 一种基于图计算的电力系统拓扑实时计算方法
CN114205214A (zh) 一种电力通信网络故障识别方法、装置、设备及存储介质

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