CN115529315B - 一种云边协同系统 - Google Patents
一种云边协同系统 Download PDFInfo
- Publication number
- CN115529315B CN115529315B CN202211190959.7A CN202211190959A CN115529315B CN 115529315 B CN115529315 B CN 115529315B CN 202211190959 A CN202211190959 A CN 202211190959A CN 115529315 B CN115529315 B CN 115529315B
- Authority
- CN
- China
- Prior art keywords
- edge node
- edge
- node
- data
- cloud
- 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
- 238000012545 processing Methods 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000005192 partition Methods 0.000 claims abstract description 13
- 230000005856 abnormality Effects 0.000 claims abstract description 12
- 238000007726 management method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 2
- 238000013480 data collection Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000002071 nanotube Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 102100039134 Integrator complex subunit 4 Human genes 0.000 description 1
- 101710092887 Integrator complex subunit 4 Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- 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
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种云边协同系统，包括边缘节点数据采集模块、节点风险权重确定模块、综合优先级确定模块、云边协同管理模块。本申请通过节点风险权重获取模块获取边缘节点运行状态和数据，基于权重自学习模型对边缘节点划分图谱中的各个边缘节点进行权重赋值，然后得到边缘节点运行风险指标，然后通过综合优先级确定模块来确定边缘节点是否运行异常，并对异常运行的边缘节点进行优先级排列，上传运行异常报告至云边协同管理模块，云边协同管理模块执行故障处理策略，将处理结果返回返回至边缘节点数据采集模块，从而实现对边缘节点运行的实时监控和故障处理，保证了云边协同运行的顺利进行，并降低系统的负载。
Description
技术领域
本申请涉及协同通信技术领域，尤其涉及一种云边协同系统。
背景技术
云边协同是云计算与边缘计算的互补协同，通过云和边缘的紧密协同可以更好地满足各种应用场景的需求，从而放大两者的应用价值。在工作时，边缘节点一般负责基础数据的采集、服务模型的执行和推理，边缘节点可以独立地管理和调度本地资源，然后将运行数据上传至云端，云端可以对数据进行存储、分析和价值挖掘，通过云边协同作业，可以实现对数据的管理和价值挖掘。
随着智能电网的不断完善和构建，电网设备越来越广泛地被应用，电网系统业务范围在地理上比较分散，数据规模也较大，云边协同作业在电网数据处理过程中显得尤为重要。但是现有电网边缘节点出现故障时，局限于电网云台负载过大，无法实现故障的实时上传报告，影响了边缘节点的故障处理。
发明内容
基于此，有必要针对上述问题，提出一种云边协同系统，旨在解决现有电网边缘节点出现故障时，局限于电网云台负载过大，无法实现故障的实时上传报告，影响了边缘节点故障处理的问题。
第一方面，本申请提供一种云边协同系统，包括：
边缘节点数据采集模块，用于采集边缘节点运行状态和数据，其中，采集边缘节点运行状态和数据时基于边缘节点区域划分规则对边缘节点进行划分，得到边缘节点划分图谱；
节点风险权重确定模块，用于获取所述边缘节点运行状态和数据，基于权重自学习模型对所述边缘节点划分图谱中的各个边缘节点进行权重赋值，根据所述边缘节点运行状态和数据和各个边缘节点的权重，确定边缘节点运行风险指标；
综合优先级确定模块，用于获取所述边缘节点运行风险指标，通过优先级判断规则判断边缘节点运行是否正常，若判断所述边缘节点运行异常，则生成边缘节点运行异常报告；
云边协同管理模块，用于获取所述边缘节点运行异常报告，对所述边缘节点运行异常报告进行解析，进行故障判断得到对应的故障类型，执行所述故障类型对应的故障处理策略，得到处理结果，并将所述处理结果发送至所述边缘节点数据采集模块。
在一些实施例中，所述边缘节点数据采集模块包括：
边缘节点接入单元，用于接入多组电网运行边缘节点，对所述边缘节点进行验证，验证通过后，获取边缘节点接入许可；
基础数据获取单元，用于基于所述边缘节点接入许可获取用电边缘节点基础数据；
区域划分单元，用于基于边缘节点区域划分规则对所述边缘节点进行划分，得到所述边缘节点划分图谱。
在一些实施例中，所述边缘节点区域划分规则具体包括：
获取云节点配电联网系统对应的二维配电图；
识别所述二维配电图中的边缘节点以及节点交叉点；
对所述边缘节点以及所述节点交叉点进行编码，获得所述边缘节点以及所述节点交叉点对应的代码；
获取所述边缘节点以及所述节点交叉点的编码集合，根据所述边缘节点以及所述节点交叉点的用电类型对所述编码集合中的编码进行划分，得到边缘节点区域划分结果。
在一些实施例中，所述边缘节点区域划分规则具体还包括：
基于所述边缘节点区域划分结果，分别建立不同用电类型所对应的边缘节点划分框架，整合所述边缘节点划分框架，形成所述边缘节点划分图谱。
在一些实施例中，所述节点风险权重确定模块包括：
节点运行状态获取单元，用于获取所述边缘节点运行状态和数据；
节点权重赋值单元，用于建立权重自学习模型，基于所述权重自学习模型对所述边缘节点划分图谱中的各个边缘节点进行权重赋值；
运行风险指标获取单元，用于根据所述边缘节点运行状态和数据和各个边缘节点的权重，确定边缘节点运行风险指标。
在一些实施例中，所述建立权重自学习模型，具体包括：
获取N组待训练的权重自学习基础模型，其中N为正整数；
获取所述边缘节点划分图谱，识别所述边缘节点划分图谱中的边缘节点，提取所述边缘节点对应的基础数据，将所述基础数据划分为基础模型样本数据和基础模型训练数据；
以所述基础模型训练数据为输入，对所述权重自学习基础模型进行多次训练，选取两组训练后的权重自学习基础模型进行调整；
分别以调整后的权重自学习基础模型为基础，对N组待训练的权重自学习基础模型再次进行训练；
判断再次训练后的N组权重自学习基础模型是否收敛，若再次训练后的N组权重自学习基础模型收敛，则融合N组权重自学习基础模型，得到多组参数的融合权重，基于多组参数的融合权重更新所述权重自学习基础模型，得到所述权重自学习模型。
在一些实施例中，所述将所述基础数据划分为基础模型样本数据和训练数据，具体包括：
通过Bootstrap抽样方法将所述基础数据划分为基础模型样本数据和训练数据。
在一些实施例中，所述综合优先级确定模块包括：
风险指标获取单元，用于提取所述边缘节点运行风险指标；
风险指标判断单元，用于通过优先级判断规则判断边缘节点运行是否正常；
异常报告生产单元，用于若判断所述边缘节点运行异常，则生成边缘节点运行异常报告。
在一些实施例中，所述优先级判断规则的判断方法，具体包括：
对所述边缘节点运行风险指标进行筛选，筛除无风险或风险低的边缘节点；
提取筛选后的边缘节点运行风险指标，基于预设的优先级确定模型对所述筛选后的边缘节点运行风险指标进行判断，生成优先级确定的节点运行风险队列。
在一些实施例中，所述云边协同管理模块包括：
异常报告解析单元，用于获取所述边缘节点运行异常报告，对所述边缘节点运行异常报告进行解析；
故障类型判断单元，用于进行故障判断得到对应的故障类型；
故障处理单元，用于执行所述故障类型对应的故障处理策略，得到处理结果，并将所述处理结果发送至所述边缘节点数据采集模块。
采用本申请实施例，至少具有如下有益效果：
本申请实施例通过节点风险权重获取模块获取边缘节点运行状态和数据，基于权重自学习模型对边缘节点划分图谱中的各个边缘节点进行权重赋值，然后得到边缘节点运行风险指标，然后通过综合优先级确定模块来确定边缘节点是否运行异常，并对异常运行的边缘节点进行优先级排列，上传运行异常报告至云边协同管理模块，云边协同管理模块执行故障处理策略，将处理结果返回返回至边缘节点数据采集模块，从而实现对边缘节点运行的实时监控和故障处理，保证了云边协同运行的顺利进行，并降低系统的负载。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的一些实施例，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。
其中：
图1为本申请一个实施例中云边协同系统的结构示意图；
图2为本申请一个实施例中边缘节点数据采集模块的结构示意图；
图3为本申请一个实施例中节点风险权重确定模块的结构示意图；
图4为本申请一个实施例中综合优先级确定模块的结构示意图；
图5为本申请一个实施例中云边协同管理模块的结构示意图；
图6为本申请一个实施例中云边协同方法的流程示意图；
图7为本申请一个实施例中计算机设备的内部结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
随着智能电网的不断完善和构建，电网设备越来越广泛地被应用，电网系统业务范围在地理上比较分散，数据规模也较大，云边协同作业在电网数据处理过程中显得尤为重要，但是现有电网边缘节点出现故障时，局限于电网云台负载过大，无法实现故障的实时上传报告，影响了边缘节点的故障处理。
基于此，本申请实施例提供了一种基于融合数据的云边协同系统，包括用于采集边缘节点运行状态和数据的边缘节点数据采集模块，确定边缘节点运行风险指标的节点风险权重确定模块，通过优先级判断规则判断边缘节点运行是否符合规则，确定边缘节点运行异常的综合优先级确定模块以及云边协同管理模块。本申请通过节点风险权重确定模块获取边缘节点运行状态和数据，基于权重自学习模型对边缘节点划分图谱中的各个边缘节点进行权重赋值，然后得到边缘节点运行风险指标，然后通过综合优先级确定模块来确定边缘节点是否运行异常，并对异常运行的边缘节点进行优先级排列，实现对边缘节点运行的实时监控和管理，保证了云边协同运行的顺利进行，并降低系统的负载。
图1为本申请一个实施例中云边协同系统的结构示意图。请参照图1，云边协同系统包括：
边缘节点数据采集模块100，用于采集边缘节点运行状态和数据，其中，采集边缘节点运行状态和数据时基于边缘节点区域划分规则对边缘节点进行划分，得到边缘节点划分图谱；
节点风险权重确定模块200，用于获取边缘节点运行状态和数据，基于权重自学习模型对边缘节点划分图谱中的各个边缘节点进行权重赋值，根据边缘节点运行状态和数据和各个边缘节点的权重，确定边缘节点运行风险指标；
综合优先级确定模块300，用于获取边缘节点运行风险指标，通过优先级判断规则判断边缘节点运行是否正常，若判断边缘节点运行异常，则生成边缘节点运行异常报告；
云边协同管理模块400，用于获取边缘节点运行异常报告，对边缘节点运行异常报告进行解析，进行故障判断得到对应的故障类型，执行故障类型对应的故障处理策略，得到处理结果，并将处理结果发送至边缘节点数据采集模块。
在本实施例中，在工作时，多组边缘节点与云节点组网。边缘节点与电力设备(例如变压器等)连接，可以对电力设备进行统一纳管，而边缘节点能够提供具有计算、存储、网络的电力设备的基础资源，且边缘节点可以独立的管理本地的资源。当边缘节点出现故障时，可以上传故障数据以及运行状态，然后云节点生成解决策略，并通过解决策略进行控制与边缘节点连接的电力设备的重启、删除、更新或启动，保障了边缘节点的正常运行。
本申请实施例通过节点风险权重获取模块200获取边缘节点运行状态和数据，基于权重自学习模型对边缘节点划分图谱中的各个边缘节点进行权重赋值，然后得到边缘节点运行风险指标，然后通过综合优先级确定模块300来确定边缘节点是否运行异常，并对异常运行的边缘节点进行优先级排列，上传运行异常报告至云边协同管理模块400，云边协同管理模块400执行故障处理策略，将处理结果返回返回至边缘节点数据采集模块100，从而实现对边缘节点运行的实时监控和故障处理，保证了云边协同运行的顺利进行，并降低系统的负载。
图2为本申请一个实施例中边缘节点数据采集模块的结构示意图。请参照图2，边缘节点数据采集模块100包括：
边缘节点接入单元110，用于接入多组电网运行边缘节点，对边缘节点进行验证，验证通过后，获取边缘节点接入许可；
基础数据获取单元120，用于基于边缘节点接入许可获取用电边缘节点基础数据；
区域划分单元130，用于基于边缘节点区域划分规则对边缘节点进行划分，得到边缘节点划分图谱。
在一些实施例中，接入多组电网运行边缘节点，对边缘节点进行验证时，通过动态指令或固定密码进行验证。当验证通过时，基于接入协议获取边缘节点接入许可，然后可以进行边缘节点的基础数据访问；当验证不通过时，将接入记录储存，并将储存数据传输至云边协同管理模块400，从而避免恶意访问导致系统受到攻击，保证了用户的安全。
在一些实施例中，用电边缘节点基础数据不但包括边缘节点用电量数据、边缘节点电压电流数据、边缘节点负荷数据、边缘节点费控数据以及边缘节点接线量数据，还包括边缘节点用电量异常数据、边缘节点电压电流异常数据、边缘节点负荷异常数据、边缘节点费控异常数据以及边缘节点接线量异常数据。当边缘节点用电量数据、边缘节点电压电流数据、边缘节点负荷数据、边缘节点费控数据以及边缘节点接线量数据出现异常时，通过基础数据获取单元120将数据上传，从而方便对异常进行分析和处理。
在一些实施例中，边缘节点区域划分规则具体包括：
获取云节点配电联网系统对应的二维配电图；
识别二维配电图中的边缘节点以及节点交叉点；
对边缘节点以及节点交叉点进行编码，获得边缘节点以及节点交叉点对应的代码；
获取边缘节点以及节点交叉点的编码集合，根据边缘节点以及节点交叉点的用电类型对编码集合中的编码进行划分，得到边缘节点区域划分结果。
在本实施例中，二维配电图包括云节点以及边缘节点对应的三维坐标信息。通过整合三维坐标信息，将三维坐标信息整合在云边协同管理模块400内，同时，云边协同管理模块400包括坐标显示单元，通过坐标显示单元可以实时显示各个边缘节点的模拟状态和位置，方便观察。
在一些实施例中，边缘节点区域划分规则具体还包括：
基于边缘节点区域划分结果，分别建立不同用电类型所对应的边缘节点划分框架，整合边缘节点划分框架，形成边缘节点划分图谱。
图3为本申请一个实施例中节点风险权重确定模块的结构示意图。请参照图3，节点风险权重确定模块200包括：
节点运行状态获取单元210，用于获取边缘节点运行状态和数据；
节点权重赋值单元220，用于建立权重自学习模型，基于权重自学习模型对边缘节点划分图谱中的各个边缘节点进行权重赋值；
运行风险指标获取单元230，用于根据边缘节点运行状态和数据和各个边缘节点的权重，确定边缘节点运行风险指标。
在一些实施例中，建立权重自学习模型具体包括：
获取N组待训练的权重自学习基础模型，其中N为正整数；
获取边缘节点划分图谱，识别边缘节点划分图谱中的边缘节点，提取边缘节点对应的基础数据，将基础数据划分为基础模型样本数据和基础模型训练数据；
以基础模型训练数据为输入，对权重自学习基础模型进行多次训练，选取两组训练后的权重自学习基础模型进行调整；
分别以调整后的权重自学习基础模型为基础，对N组待训练的权重自学习基础模型再次进行训练；
判断再次训练后的N组权重自学习基础模型是否收敛，若再次训练后的N组权重自学习基础模型收敛，则融合N组权重自学习基础模型，得到多组参数的融合权重，基于多组参数的融合权重更新权重自学习基础模型，得到权重自学习模型。
在本实施例中，通过Bootstrap抽样方法进行基础数据的选取，从而将边缘节点对应的基础数据划分为基础模型样本数据和训练数据。
在一些实施例中，判断再次训练后的N组权重自学习基础模型收敛，可以使N组权重自学习基础模型更准确。
在一些实施例中，由于一组权重自学习基础模型一般只能计算一种参数值的权重。因此，为了计算多组参数值的权重，需要融合N组权重自学习基础模型。计算多组参数的融合权重时需要对每组参数的融合系数进行计算，得到融合系数的必要条件是计算每组待训练的权重自学习基础模型中的每组参数所对应的权重熵值。基于每组参数所对应的权重熵值，按照每组参数的关联度大小对每组参数进行排序，然后计算参数关联概率，基于关联概率计算权重熵值。
图4为本申请一个实施例中综合优先级确定模块的结构示意图。请参照图4，综合优先级确定模块300包括：
风险指标获取单元310，用于提取边缘节点运行风险指标；
风险指标判断单元320，用于通过优先级判断规则判断边缘节点运行是否正常；
异常报告生产单元330，用于若判断边缘节点运行异常，则生成边缘节点运行异常报告。
在一些实施例中，优先级判断规则首先是对边缘节点与云节点之间的协同能力进行判别，其中，边缘节点与云节点之间的协同能力包括但不限于云边资源协同、云边数据协同、云边服务协同，通过考量边缘节点与云节点之间的协同能力对边缘节点的优先级进行确定。当确定边缘节点的优先级后，其次根据边缘节点运行风险指标的数值对风险指标进行优先级确定。同时，需要说明的是，优先级的判断阈值是预设的，若判断风险指标小于预设阈值时，可以降低一个阈值的精度等级，且可以按照FP32、FP16、Int8、Int4的精度等级顺序降低，对判断后的边缘节点风险指标再次进行筛选，从而保证边缘节点的正常运行。
在一些实施例中，优先级判断规则的判断方法，具体包括：
对边缘节点运行风险指标进行筛选，筛除无风险或风险低的边缘节点；
提取筛选后的边缘节点运行风险指标，基于预设的优先级确定模型对筛选后的边缘节点运行风险指标进行判断，生成优先级确定的节点运行风险队列。
示例性的，预设的优先级确定模型的工作模式为：提取筛选后的节点运行风险指标后，根据风险指标值和指标属性来判断边缘节点是否异常(若超过预设阈值，则判断为风险指标为异常)，而非异常的边缘节点直接上传至云边协同管理模块400，方便数据存储和后续的查询。
图5为本申请一个实施例中云边协同管理模块的结构示意图。请参照图5，云边协同管理模块400包括：
异常报告解析单元410，用于获取边缘节点运行异常报告，对边缘节点运行异常报告进行解析；
故障类型判断单元420，用于进行故障判断得到对应的故障类型；
故障处理单元430，用于执行故障类型对应的故障处理策略，得到处理结果，并将处理结果发送至边缘节点数据采集模块。
在一些实施例中，异常报告解析单元410工作时，需要获取边缘节点运行的异常报告，然后对异常报告进行转码。可以理解的是，异常报告解析单元410可以将转码后的报告解析为加密的文件，其加密规则为AES加密算法，保证了用户信息的安全，同时故障类型包括但不限于节点用电量故障、节点电压电流故障、节点负荷故障、节点费控故障、节点接线量故障，而故障处理单元430能够根据具体的故障类型来分析边缘节点所关联的用电设施、内存使用率、磁盘空间使用率、设备运行时长、设备实时温度。
需要说明的是，故障类型判断单元420部署有深度可分离卷积神经网络模型，且深度可分离卷积神经网络模型基于神经网络算法运行，该种模型能够将传统的标准卷积层替换为深度可分离的卷积层，能够显著降低网络参数，减少模型建模过程中的训练量，并提高算法的计算效率。
在一些实施例中，故障处理单元430的处理策略包括但不限于重启边缘节点关联的设施、重启边缘节点管理的软件、重启边缘节点关联的容器、关停边缘节点管理的设施。
本申请实施例还提供了一种云边协同方法。图6为本申请一个实施例中云边协同方法的流程示意图。请参照图6，云边协同方法具体包括：
步骤S100：采集边缘节点运行状态和数据，其中，采集边缘节点运行状态和数据时基于边缘节点区域划分规则对边缘节点进行划分，得到边缘节点划分图谱。
步骤S200：获取边缘节点运行状态和数据，基于权重自学习模型对边缘节点划分图谱中的各个边缘节点进行权重赋值，根据边缘节点运行状态和数据和各个边缘节点的权重，确定边缘节点运行风险指标。
步骤S300：获取边缘节点运行风险指标，通过优先级判断规则判断边缘节点运行是否正常，若判断边缘节点运行异常，则生成边缘节点运行异常报告。
步骤S400：获取边缘节点运行异常报告，对边缘节点运行异常报告进行解析，进行故障判断得到对应的故障类型，执行故障类型对应的故障处理策略，得到处理结果，并将处理结果发送至边缘节点数据采集模块。
在本实施例中，在工作时，多组边缘节点与云节点组网。边缘节点与电力设备(例如变压器等)连接，可以对电力设备进行统一纳管，而边缘节点能够提供具有计算、存储、网络的电力设备的基础资源，且边缘节点可以独立的管理本地的资源。当边缘节点出现故障时，可以上传故障数据以及运行状态，然后云节点生成解决策略，并通过解决策略进行控制与边缘节点连接的电力设备的重启、删除、更新或启动，保障了边缘节点的正常运行。
本申请实施例通过节点风险权重获取模块200获取边缘节点运行状态和数据，基于权重自学习模型对边缘节点划分图谱中的各个边缘节点进行权重赋值，然后得到边缘节点运行风险指标，然后通过综合优先级确定模块300来确定边缘节点是否运行异常，并对异常运行的边缘节点进行优先级排列，上传运行异常报告至云边协同管理模块400，云边协同管理模块400执行故障处理策略，将处理结果返回返回至边缘节点数据采集模块100，从而实现对边缘节点运行的实时监控和故障处理，保证了云边协同运行的顺利进行，并降低系统的负载。
本申请实施例提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如上任一项云边协同方法的步骤。
具体执行步骤为：
步骤S100：采集边缘节点运行状态和数据，其中，采集边缘节点运行状态和数据时基于边缘节点区域划分规则对边缘节点进行划分，得到边缘节点划分图谱。
步骤S200：获取边缘节点运行状态和数据，基于权重自学习模型对边缘节点划分图谱中的各个边缘节点进行权重赋值，根据边缘节点运行状态和数据和各个边缘节点的权重，确定边缘节点运行风险指标。
步骤S300：获取边缘节点运行风险指标，通过优先级判断规则判断边缘节点运行是否正常，若判断边缘节点运行异常，则生成边缘节点运行异常报告。
步骤S400：获取边缘节点运行异常报告，对边缘节点运行异常报告进行解析，进行故障判断得到对应的故障类型，执行故障类型对应的故障处理策略，得到处理结果，并将处理结果发送至边缘节点数据采集模块。
图7为本申请一个实施例中计算机设备的内部结构图。如图7所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现如上任一项云边协同方法的步骤。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行如上任一项云边协同方法的步骤。本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
可以理解的是，在本申请提供的优选实施例中，该计算机设备还可以为笔记本电脑、个人数字助理(Personal Digital Assistant，PDA)、手机等可以进行通信的设备。
本申请实施例还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如上任一项云边协同方法的步骤。
示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本申请。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。例如，上述计算机程序可以被分割成上述各个系统实施例提供的基于融合数据的云边协同系统的单元或模块。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种云边协同系统，其特征在于，包括：
边缘节点数据采集模块，用于采集边缘节点运行状态和数据，其中，采集边缘节点运行状态和数据时基于边缘节点区域划分规则对边缘节点进行划分，得到边缘节点划分图谱；
节点风险权重确定模块，用于获取所述边缘节点运行状态和数据，基于权重自学习模型对所述边缘节点划分图谱中的各个边缘节点进行权重赋值，根据所述边缘节点运行状态和数据和各个边缘节点的权重，确定边缘节点运行风险指标；
综合优先级确定模块，用于获取所述边缘节点运行风险指标，通过优先级判断规则判断边缘节点运行是否正常，若判断所述边缘节点运行异常，则生成边缘节点运行异常报告；
云边协同管理模块，用于获取所述边缘节点运行异常报告，对所述边缘节点运行异常报告进行解析，进行故障判断得到对应的故障类型，执行所述故障类型对应的故障处理策略，得到处理结果，并将所述处理结果发送至所述边缘节点数据采集模块；
所述节点风险权重确定模块包括：
节点运行状态获取单元，用于获取所述边缘节点运行状态和数据；
节点权重赋值单元，用于建立权重自学习模型，基于所述权重自学习模型对所述边缘节点划分图谱中的各个边缘节点进行权重赋值；
运行风险指标获取单元，用于根据所述边缘节点运行状态和数据和各个边缘节点的权重，确定边缘节点运行风险指标；
其中，所述建立权重自学习模型，具体包括：获取N组待训练的权重自学习基础模型，其中N为正整数；获取所述边缘节点划分图谱，识别所述边缘节点划分图谱中的边缘节点，提取所述边缘节点对应的基础数据，将所述基础数据划分为基础模型样本数据和基础模型训练数据；以所述基础模型训练数据为输入，对所述权重自学习基础模型进行多次训练，选取两组训练后的权重自学习基础模型进行调整；分别以调整后的权重自学习基础模型为基础，对N组待训练的权重自学习基础模型再次进行训练；判断再次训练后的N组权重自学习基础模型是否收敛，若再次训练后的N组权重自学习基础模型收敛，则融合N组权重自学习基础模型，得到多组参数的融合权重，基于多组参数的融合权重更新所述权重自学习基础模型，得到所述权重自学习模型；
其中，所述将所述基础数据划分为基础模型样本数据和训练数据，具体包括：
通过Bootstrap抽样方法将所述基础数据划分为基础模型样本数据和训练数据。
2.根据权利要求1所述的云边协同系统，其特征在于，所述边缘节点数据采集模块包括：
边缘节点接入单元，用于接入多组电网运行边缘节点，对所述边缘节点进行验证，验证通过后，获取边缘节点接入许可；
基础数据获取单元，用于基于所述边缘节点接入许可获取用电边缘节点基础数据；
区域划分单元，用于基于边缘节点区域划分规则对所述边缘节点进行划分，得到所述边缘节点划分图谱。
3.根据权利要求2所述的云边协同系统，其特征在于，所述边缘节点区域划分规则具体包括：
获取云节点配电联网系统对应的二维配电图；
识别所述二维配电图中的边缘节点以及节点交叉点；
对所述边缘节点以及所述节点交叉点进行编码，获得所述边缘节点以及所述节点交叉点对应的代码；
获取所述边缘节点以及所述节点交叉点的编码集合，根据所述边缘节点以及所述节点交叉点的用电类型对所述编码集合中的编码进行划分，得到边缘节点区域划分结果。
4.根据权利要求3所述的云边协同系统，其特征在于，所述边缘节点区域划分规则具体还包括：
基于所述边缘节点区域划分结果，分别建立不同用电类型所对应的边缘节点划分框架，整合所述边缘节点划分框架，形成所述边缘节点划分图谱。
5.根据权利要求1至4中任一项所述的云边协同系统，其特征在于，所述综合优先级确定模块包括：
风险指标获取单元，用于提取所述边缘节点运行风险指标；
风险指标判断单元，用于通过优先级判断规则判断边缘节点运行是否正常；
异常报告生产单元，用于若判断所述边缘节点运行异常，则生成边缘节点运行异常报告。
6.根据权利要求5所述的云边协同系统，其特征在于，所述优先级判断规则的判断方法，具体包括：
对所述边缘节点运行风险指标进行筛选，筛除无风险或风险低的边缘节点；
提取筛选后的边缘节点运行风险指标，基于预设的优先级确定模型对所述筛选后的边缘节点运行风险指标进行判断，生成优先级确定的节点运行风险队列。
7.如权利要求6所述的一种云边协同系统，其特征在于，所述云边协同管理模块包括：
异常报告解析单元，用于获取所述边缘节点运行异常报告，对所述边缘节点运行异常报告进行解析；
故障类型判断单元，用于进行故障判断得到对应的故障类型；
故障处理单元，用于执行所述故障类型对应的故障处理策略，得到处理结果，并将所述处理结果发送至所述边缘节点数据采集模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211190959.7A CN115529315B (zh) | 2022-09-28 | 2022-09-28 | 一种云边协同系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211190959.7A CN115529315B (zh) | 2022-09-28 | 2022-09-28 | 一种云边协同系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115529315A CN115529315A (zh) | 2022-12-27 |
| CN115529315B true CN115529315B (zh) | 2024-04-09 |
Family
ID=84700435
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211190959.7A Active CN115529315B (zh) | 2022-09-28 | 2022-09-28 | 一种云边协同系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115529315B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117498555B (zh) * | 2023-11-07 | 2024-07-09 | 浙江华恒电力科技有限公司 | 一种基于云边融合的储能电站智能运维系统 |
| CN118034992B (zh) * | 2024-04-15 | 2024-07-26 | 内蒙古中电储能技术有限公司 | 基于ems的储能系统非定期运维方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111464611A (zh) * | 2020-03-30 | 2020-07-28 | 中科边缘智慧信息科技（苏州）有限公司 | 动态复杂场景下固定云和边缘节点之间高效服务访问的方法 |
| CN112270429A (zh) * | 2020-08-31 | 2021-01-26 | 中国科学院合肥物质科学研究院 | 基于云边协同的动力电池极片制造设备维护方法和系统 |
| CN112286751A (zh) * | 2020-11-24 | 2021-01-29 | 华中科技大学 | 一种基于边云协同的高端装备故障智能诊断系统及方法 |
| CN115098330A (zh) * | 2022-06-27 | 2022-09-23 | 重庆大学 | 基于云边协同模式的设备异常检测系统及方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9898214B2 (en) * | 2015-09-29 | 2018-02-20 | International Business Machines Corporation | Storage site selection in a multi-target environment using weights |
| US11677773B2 (en) * | 2018-11-19 | 2023-06-13 | Bmc Software, Inc. | Prioritized remediation of information security vulnerabilities based on service model aware multi-dimensional security risk scoring |
-
2022
- 2022-09-28 CN CN202211190959.7A patent/CN115529315B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111464611A (zh) * | 2020-03-30 | 2020-07-28 | 中科边缘智慧信息科技（苏州）有限公司 | 动态复杂场景下固定云和边缘节点之间高效服务访问的方法 |
| CN112270429A (zh) * | 2020-08-31 | 2021-01-26 | 中国科学院合肥物质科学研究院 | 基于云边协同的动力电池极片制造设备维护方法和系统 |
| CN112286751A (zh) * | 2020-11-24 | 2021-01-29 | 华中科技大学 | 一种基于边云协同的高端装备故障智能诊断系统及方法 |
| CN115098330A (zh) * | 2022-06-27 | 2022-09-23 | 重庆大学 | 基于云边协同模式的设备异常检测系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《移动边缘计算中基于云边端协同的任务卸载策略》;张文柱，余静华;《信息科技》;20220427;全文 * |
| Lanyang Ji ; Jie Ding ; Xu Zhao.《Analysis of Working Process for Cloud Computing Systems》.《 2018 Cross Strait Quad-Regional Radio Science and Wireless Technology Conference (CSQRWC)》.2018,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115529315A (zh) | 2022-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115529315B (zh) | 一种云边协同系统 | |
| CN111292020B (zh) | 一种基于随机森林的电网实时运行风险评估方法及系统 | |
| CN110929879A (zh) | 基于决策引擎和模型平台的业务决策逻辑更新方法 | |
| CN109359866A (zh) | 基于租赁设备的风险隐患监控方法、装置和计算机设备 | |
| CN116316614B (zh) | 电网三维数字孪生系统、性能分析方法及相关装置 | |
| CN117878925B (zh) | 一种智能电网的输电数据控制方法及系统 | |
| CN113852204A (zh) | 一种于数字孪生的变电站三维全景监视系统及方法 | |
| CN115170344A (zh) | 调控系统运行事件智能处理方法及装置、介质及设备 | |
| 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 | |
| CN117394529A (zh) | 基于scada的主配网合环倒供电控制条件辅助决策方法及系统 | |
| CN115688547A (zh) | 模拟天气情景和极端天气预测 | |
| CN117318033B (zh) | 一种结合数据孪生的电网数据管理方法及系统 | |
| CN115545331A (zh) | 控制策略预测方法和装置、设备及存储介质 | |
| CN115730749A (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
| CN115526118A (zh) | 仿真模型确定及故障分析方法、装置、设备和存储介质 | |
| CN116885717B (zh) | 一种电力系统多级拓扑分析方法 | |
| CN116610690A (zh) | 一种模型自动化更新方法、装置、设备及存储介质 | |
| CN115982232A (zh) | 一种基于Hadoop的电网数据处理方法及系统 | |
| CN111737319B (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
| CN115051835A (zh) | 一种处理数据的方法、电子设备、存储介质及系统 | |
| CN107679478A (zh) | 输电线路空间负荷状态的提取方法和系统 | |
| CN114124412A (zh) | 异常检测方法、模型训练方法以及相关装置 | |
| CN113051445A (zh) | 工业生产数据处理方法、装置、计算机设备和存储介质 | |
| CN111260191B (zh) | 测试床成熟度量化方法、装置、计算机设备和存储介质 | |
| CN118101344B (zh) | 一种针对5g消息的传输安全识别系统、方法及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |