CN116249086A - 一种基于电力5g终端直采的网络监测系统 - Google Patents
一种基于电力5g终端直采的网络监测系统 Download PDFInfo
- Publication number
- CN116249086A CN116249086A CN202211603437.5A CN202211603437A CN116249086A CN 116249086 A CN116249086 A CN 116249086A CN 202211603437 A CN202211603437 A CN 202211603437A CN 116249086 A CN116249086 A CN 116249086A
- Authority
- CN
- China
- Prior art keywords
- data
- terminal
- electric power
- network
- layer
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于电力5G终端直采的网络监测系统,包括:数据源层:由若干电力5G终端构成;数据采集与处理层:对数据源层的电力5G终端进行数据采集,对采集后的数据进行数据清洗、数据转换和数据整合处理;数据传输与存储层:对从电力5G终端设备采集的数据,通过无线网络传输到数据存储的云平台并进行持久化存储;数据挖掘与分析层:对电力5G终端进行直采的信息数据进行处理。本发明系统通过将电力5G终端感知到的移动网络信号强度、传输速率等传输质量信息以及设备自身信息,定时定向的向监测中心上传,智能电网能够及时了解不同终端的网络运行指标,同时结合大数据分析进行5G公网故障诊断和预警,为故障修复提供数据支撑。
Description
技术领域
本发明涉及电网电力终端监测技术领域,尤其是涉及一种基于电力5G终端直采的网络监测系统。
背景技术
5G是新一代信息通信技术的主要发展方向,将开启万物互联的数字化新时代,对建设网络强国、打造智慧社会、发展数字经济,实现我国经济高质量发展具有重要战略意义。2019年6月6日,工信部向四家运营商发放5G商用牌照,意味着中国正式进入5G商用元年,可以切实体验和应用5G通信技术带来的高带宽、大连接和低时延优异特性。实时掌握电力5G终端侧的网络性能是保障电力业务可靠运行的重要手段。目前对电网而言,只能通过业务系统掌握相应的5G终端通信是否中断,而对其信号质量、重要信令、小区参数等关键网络信息实际上处于不可知、不可管的监视盲区,一旦出现问题只能被动等待运营商处理,难以事前预警和事后分析。
另一方面,对电力终端侧实时监视与资源管控技术进行研究,通过数据直采和分析,可直观了解业务终端侧的网络问题,能够做到事前掌握,进而通过网络资源调配优化,实现故障问题的解决和网络性能的优化,对提高电力业务的服务质量,减少成本投入、人员运维支出,提升网络管理能力等都具有重要意义。
发明内容
本发明是为了克服现有技术的对电网而言只能通过业务系统掌握相应的5G终端通信是否中断但对其他关键网络信息处于监视盲区的问题,提供一种基于电力5G终端直采的网络监测系统。
为了实现上述目的,本发明采用以下技术方案:
一种基于电力5G终端直采的网络监测系统,包括:数据源层:由若干电力5G终端构成;数据采集与处理层:对数据源层的电力5G终端进行信息数据采集,对采集后的数据根据数据接口规范进行数据清洗、数据转换和数据整合处理。数据传输与存储层:对从电力5G终端设备采集的数据,通过无线网络传输到智能电网数据存储的云平台,云平台对于接收到的直采数据进行持久化存储;数据挖掘与分析层:对电力5G终端进行直采的信息数据进行处理,实现对电力5G终端的状态进行监控。公网5G网络的管理依赖于运营商系统,为摆脱运营商的约束,智能电网需要对电力5G无线终端的数据进行采集、处理、存储和分析,从而实现对5G公网的状态监控、异常检测、故障诊断、热点分析、质量预警以及切换管理。本发明的一种基于电力5G终端直采的网络监测系统,包含数据源层、数据采集与处理层、数据传输与存储层、数据挖掘与分析层,通过将电力5G终端感知到的移动网络信号强度、传输速率等传输质量信息以及设备自身信息,定时定向的向监测中心上传,智能电网能够及时了解不同终端的网络运行指标,同时结合大数据分析进行5G公网故障诊断和预警,为故障修复提供数据支撑;另一方面,对电力终端侧实时监视与资源管控技术进行研究,通过数据直采和分析,可直观了解业务终端侧的网络问题,能够做到事前掌握,进而通过网络资源调配优化,实现故障问题的解决和网络性能的优化,对提高电力业务的服务质量,减少成本投入、人员运维支出,提升网络管理能力等都具有重要意义。
作为本发明的优选方案,所述数据采集与处理层对数据源层的电力5G终端进行信息数据采集的数据包括:终端通信时间、终端通信时长、终端通信连接的基站小区、终端通信速率、终端通信上下行峰值、终端5G信号强度、终端通信时延、终端通信借书类型、终端地理位置、终端类型和终端业务优先级。电力部门可以直接从电力终端设备采集所需的网络相关信息,并进而实现对5G公网的网络运行状态监测。
作为本发明的优选方案,所述数据采集与处理层包括数据采集模块与数据处理模块,所述数据采集模块对数据源层的电力5G终端进行信息数据采集,包括定时采集单元和定向采集单元,所述数据处理模块包括数据清洗单元和数据转换单元,所述数据采集模块还包括定点采集单元,所述数据处理模块还包括数据整合单元。智能电网的5G终端需要传输的数据按照切片的类型划分为eMBB场景的大带宽数据、mMTC场景的海量连接数据以及uRLLC场景的高可靠低时延数据,数据采集层需要根据每类业务数据的传输特点,确定其直采数据的设备范围、直采数据的时间、直采数据的地点等信息,对于采集后的数据,需要根据数据接口规范进行数据清洗、数据转换和数据整合等处理。
作为本发明的优选方案,所述数据传输与存储层包括数据传输模块和数据库模块,所述数据传输模块通过不同的传输通道进行数据传输,包括5G公网传输、LTE-230专网传输以及双模自动选择传输,所述数据库模块包含若干用于存储数据的数据库,包括Redis数据库、关系数据库和NoSQL数据库。对于从电力5G终端设备采集的数据,需要通过无线网络传输到智能电网数据存储的云平台,根据5G网络承载的电力业务类型的不同,为不同设备的直采数据选择不同的传输通道,包括5G公网传输、LTE-230专网传输以及双模自动选择传输等。云平台对于接受到的直采数据需要进行持久化存储,根据不同业务类型的5G终端直采数据,选择采用关系数据库、Redis数据库以及NoSQL数据库进行存储。
作为本发明的优选方案,所述数据挖掘与分析层包括质量预警模块,所述质量预警模块采用网络预测模型对网络的质量指标进行预测,当预测的指标低于最低的服务质量指标时,则进行预警。质量预警模块以时间为横轴,通信质量指标为纵轴,采用RNN、LSTM、Seq2Seq等网络预测模型,对网络的质量指标进行预测,当预测的指标低于最低的服务质量指标时,则进行预警。
作为本发明的优选方案,所述数据挖掘与分析层还包括故障诊断模块,所述故障诊断模块对出现故障的电力5G终端或5G公网网元,通过对比分析和时序分析对异常的行为数据进行识别。对出现故障的终端或者5G公网网元,通过对比分析、时序分析等技术手段,快速定位故障的范围,提高故障处理效率。
作为本发明的优选方案,所述数据挖掘与分析层还包括切换管理模块,对于电网低延时、高可靠性的电网控制类业务,当监测到5G公网的服务质量无法满足要求时,切换管理模块将其承载网络从5G公网切换到LTE-230专网。保证这类业务的正确执行,将5G公网故障导致的代价降至最低
作为本发明的优选方案,所述数据挖掘与分析层还包含有基于双层Transformer的智能电网5G移动终端多轨迹预测算法,所述基于双层Transformer的智能电网5G移动终端多轨迹预测算法,第一层Transformer对每个终端自身的运动轨迹进行编码,第二层Transformer将多个移动终端在每个时间步的内在特征作为输入,进一步关注多个移动终端的内在特征,从而得到最后的预测轨迹坐标位置。5G移动通信技术具有超大连接、超低时延、超高带宽等优势。智能电网是典型的5G垂直应用领域,包括电力巡检机器人、移动充电桩、无人机和电动作业车等各类5G移动终端。此类终端的移动性不可避免地会导致5G网络的负载波动。预测这些移动终端的轨迹可以为定制或优化移动、注册和切换管理提供有效支持。现有的轨迹预测方法大多认为输入轨迹是独立的,但在智能电网中,移动终端的轨迹具有很大的相关性。基于此本发明提出了一种基于双层Transformer的智能电网5G移动终端多轨迹预测算法,采用双层结构,第一层Transformer对每个移动终端的历史和当前预测轨迹进行编码,第二层Transformer捕获终端之间的相关运动模式以提高预测性能。
因此,本发明具有以下有益效果:本发明的一种基于电力5G终端直采的网络监测系统,包含数据源层、数据采集与处理层、数据传输与存储层、数据挖掘与分析层,通过将电力5G终端感知到的移动网络信号强度、传输速率等传输质量信息以及设备自身信息,定时定向的向监测中心上传,智能电网能够及时了解不同终端的网络运行指标,同时结合大数据分析进行5G公网故障诊断和预警,为故障修复提供数据支撑;另一方面,对电力终端侧实时监视与资源管控技术进行研究,通过数据直采和分析,可直观了解业务终端侧的网络问题,能够做到事前掌握,进而通过网络资源调配优化,实现故障问题的解决和网络性能的优化,对提高电力业务的服务质量,减少成本投入、人员运维支出,提升网络管理能力等都具有重要意义。
附图说明
图1是本发明的系统结构示意图;
图2是本发明实施例智能电网5G移动终端协同工作模式示意图;
图3是本发明实施例智能电网5G移动终端分工工作模式示意图;
图4是本发明实施例轨迹预测的第一层Transformer示意图;
图5是本发明实施例轨迹预测的第二层Transformer示意图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
公网5G网络的管理依赖于运营商系统,为摆脱运营商的约束,智能电网需要对电力5G无线终端的数据进行采集、处理、存储和分析,从而实现对5G公网的状态监控、异常检测、故障诊断、热点分析、质量预警以及切换管理。
基于此,本发明提供一种基于电力5G终端直采的网络监测系统,包含数据源层、数据采集与处理层、数据传输与存储层、数据挖掘与分析层。
5G公网运营商通过对5G核心网络节点数据的采集和分析实现网络的监测。由于网络用户终端的拥有权并不属于运营商,所以不能直接从用户终端上采集数据。然而对于智能电网来说,其对于5G公网的网元并没有访问的权限,无法直接从这些网元上获取运行数据,但是其对电力终端设备具有定制和访问的权限。因此,电力部门可以直接从电力终端设备采集所需的网络相关信息,并进而实现对5G公网的网络运行状态监测。
电力5G终端设备作为通信的发起方和参与方,一方面能够获取完整的通信相关数据,另一方面,也能够获得终端自身的属性信息和承载的业务信息,具体包括终端通信时间、终端通信时长、终端通信连接的基站小区、终端通信速率、终端通信上下行峰值、终端5G信号强度、终端通信时延、终端通信借书类型、终端地理位置(经纬度)、终端类型、终端能力、业务类型和终端业务优先级。
上述数据既包含了时间的维度,也包含了空间维度,蕴含了5G业务终端行为的时空分布特性以及一般模式。基于电力5G终端获取的直采数据,智能电网可以进行多种时空相关分析,如5G终端的移动模式分析、终端分布分析、异常行为监测以及通信质量分析等,从而为电力终端任务执行、5G网络建设以及电力业务规划提供依据。
数据源层:智能电网是5G典型的垂直应用行业,5G能够承载的电网业务非常广泛,包括精准负荷控制、电力差动保护、智能分布式配电自动化、电表采集、视频监控、机器人巡检、无人机巡检等。这些电力业务的5G网络终端构成了基于直采的网络监测系统的数据源。
数据采集与处理层:智能电网的5G终端需要传输的数据可以按照切片的类型划分为eMBB场景的大带宽数据、mMTC场景的海量连接数据以及uRLLC场景的高可靠低时延数据。数据采集层根据每类业务数据的传输特点,确定其直采数据的设备范围、直采数据的时间、直采数据的地点等信息。对于采集后的数据,根据数据接口规范进行数据清洗、数据转换和数据整合等处理。
数据传输与存储层:对于从电力5G终端设备采集的数据,需要通过无线网络传输到智能电网数据存储的云平台。根据5G网络承载的电力业务类型的不同,为不同设备的直采数据选择不同的传输通道,包括5G公网传输、LTE-230专网传输以及双模自动选择传输等。云平台对于接受到的直采数据需要进行持久化存储,根据不同业务类型的5G终端直采数据,选择采用关系数据库、Redis数据库以及NoSQL数据库进行存储。
数据挖掘与分析层:对电力5G终端进行直采的最终目的是为了能够对5G公网的运行状态进行监测,具体实现的功能包括:
1)状态监控:基于直采的通信质量数据,对电力5G终端的状态进行监控,同时以5G公网的小区、基站等为统计单位,对其状态进行监控。
2)异常检测:以5G终端、小区、基站等为对象,通过KMeans聚类、离群点分析等数据分析手段,对异常的行为数据进行识别和分析。
3)故障诊断:对出现故障的终端或者5G公网网元,通过对比分析、时序分析等技术手段,快速定位故障的范围,提高故障处理效率。
4)热点分析:利用时空关联分析等技术手段,分析电力5G终端的移动模式,并进一步挖掘动态热点,以为5G公网的网元优化以及电力业务编排提供依据。
5)质量预警:以时间为横轴,通信质量指标为纵轴,采用RNN、LSTM、Seq2Seq等网络预测模型,对网络的质量指标进行预测,当预测的指标低于最低的服务质量指标时,则进行预警。
6)切换管理:对于电网低延时、高可靠性的电网控制类业务,当监测到5G公网的服务质量无法满足要求时,切换管理系统需要将其承载网络从5G公网切换到LTE-230专网,以保证这类业务的正确执行,将5G公网故障导致的代价降至最低。
5G移动通信技术具有超大连接、超低时延、超高带宽等优势。智能电网是典型的5G垂直应用领域,包括电力巡检机器人、移动充电桩、无人机和电动作业车等各类5G移动终端。此类终端的移动性不可避免地会导致5G网络的负载波动。预测这些移动终端的轨迹可以为定制或优化移动、注册和切换管理提供有效支持。现有的轨迹预测方法大多认为输入轨迹是独立的,但在智能电网中,移动终端的轨迹具有很大的相关性。针对这一问题,本发明提出了一种基于双层Transformer的智能电网5G移动终端多轨迹预测算法。它采用双层结构,第一层Transformer对每个终端的历史移动轨迹和当前已经预测的轨迹进行编解码,通过使用自注意力机制和基于位置的前馈网络来捕获时间轴上的重要事件并完成每个终端的内在特征提取,第二层Transformer则以群组内各个终端的内在特征为输入并进一步进行注意力编码,从而使得每个终端可以有效地利用群组的移动模式来提高自身的预测准确率。
在5G智能电网的垂直应用中,为了对移动、登记、交接管理的定制化或优化提供有效支撑,需要对电力巡检机器人、移动充电桩、无人机、电力作业车等各类移动设备的轨迹进行预测。在该实施例中将对智能电网移动终端的轨迹预测问题进行公式化的定义。
单个移动终端的轨迹:长度为p单个移动终端序列T定义为:
T={t1,t2,…tp}
单个移动终端轨迹多步预测:给定长度为p的单个移动终端轨迹,目标是预测接下来h个时间步该移动终端所在的目标位置。问题可描述为:
其中,ti=(xi,yi,mi),(i=1,2,…p+h)。
对于5G智能电网移动终端,设定p为30,h为5,即根据半小时内收集的30个轨迹坐标预测移动终端在接下来从第1到第5分钟内共5个时间步的坐标位置。
移动终端群组轨迹多步预测:给定以相同的采样间隔同时采样的长度为p的g个移动终端轨迹,目标是为这g个移动终端同时预测接下来h个时间步其所在的坐标位置。问题可描述为:
在该实施例中,g设置为50,当区域内实际的移动终端小于50时,填入掩码以忽略该位置的信息。
一般来说,终端之间存在着不同的相关运动模式,例如道路的约束和常见的工作模式。在本发明中,智能电网5G移动终端常见的两种工作模式,即协同和分工。协同工作模式需要终端协同完成一项任务。具体来说,移动终端需要同时出现在工作场所。如图2所示展示了无人机合作完成电力设施维护的示例。图中有9个站点,无人机A、无人机B、无人机C从START开始,依次对每个进行电力设施的维护。首先,无人机A、无人机B、无人机C以各自的速度飞到1号站点,先到的无人机会等待其他无人机的到来。当三者都到达后,开始合作完成电力设施的维护工作。完成任务后,三者协商确定下一个操作位置,然后以不同的速度飞到下一个操作位置,以此类推,直到完成所有的作业,返回END终点。
分工型工作模式就是对于总的电力作业任务,每个移动终端检查当前是否有作业没有完成,如果有,则单独去完成该任务,完成后再重复上述过程,直到所有的任务都已经完成。如图3所示为无人机分工完成电力设施巡检的示例。共有9个电力设施站点需要巡检。首先,无人机A选择站点1,按照自己的速度飞往站点1进行巡检,与此同时,无人机B、无人机C分别选择站点5、站点4进行巡检。无人机A巡检完站点1的电力设施后,飞往站点2;无人机B、无人机C巡检完站点5、站点4后,分别飞往各自的下一个站点,即站点6、站点8。三者分别完成任务后,再各自飞往下一站点,直到所有的9个电力设置站点都被巡检完。
本发明采用双层Transformer来解决上述定义的智能电网5G移动终端的多轨迹预测问题。首先简要介绍Transformer模型的算法原理,然后给出基于Transformer的单个移动终端的运行轨迹预测encoder-decoder模型,最后给出双层Transformer的群组轨迹预测神经网络结构。
Transformer模型继承了encoder-decoder结构,但完全摒弃了循环网络和卷积结构,采用了self-attention机制和基于位置的前馈网络。通过多次使用自注意力机制,Transformer可以捕获序列元素之间的长距离依赖关系,帮助网络关注更重要的信息。
由Input Embedding和Positional Encoding相加得到,编码器和解码器均有各自的输入。编码器由多个Layer构成,每个Layer包含Multi-Head Attention和Feed Forward,每层都会进行ADD&Norm。同样的,解码器也由多个Layer构成,每个Layer包含MaskedMulti-Head Attention、Multi-Head Attentionh和Feed Forward,每层都会进行ADD&Norm。输出部分包含Linear和Softmax,得到最终结果。
接下来将具体地介绍主要组成部分的结构和功能。
多步轨迹预测的编码器-解码器网络模型:在提出的用于多轨迹预测的双层Transformer模型中,第一个Transformer用于对单个移动终端的轨迹进行编码和解码,其网络架构如图4所示。考虑到智能5G移动终端的设备特点,设置采样间隔为1分钟,每采样30分钟预测移动终端在接下来从第1到第5分钟内共5个时间步的坐标位置。
1、Input Embedding:
该层Transformer的输入是T={t1,t2,…tp},其中p为30,即30个采样点顺序排列的二维坐标。首先需要将每个时间步的坐标隐射到高维嵌入空间,该过程通过线性变换来实现,输入为2维,输出为512维。
2、Positional Encoding:
轨迹序列t1,t2,…tp是严格按照采样点时间排序的,与LSTM相比,Transformer不会按照输入顺序来串行进行处理。因此,为了利用输入序列中的顺序信息,对于输入序列中的位置信息1,2,…p,采用Transformer在自然语音处理中的方法,在编码器和解码器的底端嵌入“位置编码”,即通过不同频率的正弦和余弦函数来编码位置特征,具体计算公式为:
其中pos∈(1,2,…p),表示位置序号,Dm为512,为高维嵌入空间,i从0开始,分奇偶数分别取sin和cos函数。通过上述位置编码,轨迹序列中的每个位置都获得了512维的特征向量,并且直接将其和Input Embedding的输出相加,得到的512维向量作为多头自注意力模型的输入。
3、多头自注意力机制:
Transformer模型在处理输入序列时,自注意力机制会关注整个输入序列。在自注意力模块中,input embedding和Positional Encoding的输出x通过三个权重矩阵Wq、Wk、Wv转换成为三个部分:Query向量、Key向量和Value向量。在该实施例中,这3个向量的长度均为512维。接下通过下面公式来计算代表Query与Key相似性的注意力矩阵,并得到Attention的值,为了缓解梯度消失的缺陷,注意力模型通过dk来进行归一化。
多头注意力机制则进一步对上述的自注意力机制进行了拓展。在该实施例中,header数设置为8,由于隐空间的维度为512,所以每个子注意力模型的向量长度为512/8=64。多头注意力机制会关注到自注意力机制没有涉及到的方面,它拓展了Transformer模型关注不同序列位置的能力,提升了全局观察的能力。
4、前馈网络、残差连接和归一化:
Transformer在每个自注意层后,都嵌入一个前馈网络(Feed-Forward Network,FFN)。该模块包含两个线性层和一个非线性激活函数,可以被视作逐点的卷积层,具体计算过程如下面的公式所示:
FNN(x)=Relu(W1x+b1)W2+b2
其中,W1和W2是两个线性层的参数矩阵,b1和b2为线性层的偏置参数。
为了加深模型深度从而达到更高的性能,Transformer中每个模块后都添加了残差连接,并进行层归一化,这些操作具体可表述为:
x=LayerNorm(x+Operation(x))
其中,Operation(.)表示自注意力操作或前馈网络,LayerNorm(.)表示层归一化操作。
5、解码:
Transformer的解码模块在训练和预测的时候是有区别的。在训练时,输入是{tzero,tp+1,tp+2,tp+3,tp+4},其中tzero表示空向量,用来表示预测的是第一个坐标位置,tp+1,tp+2,tp+3,tp+4则为实际的轨迹坐标。在预测时,tp+1,tp+2,tp+3,tp+4则为预测的位置,用掩码将注意力限制在已经产生的轨迹坐标上。整个解码网络采用两个自注意力模型结构,第一个对{tzero,tp+1,tp+2,tp+3,tp+4}进行编码作为第二个自注意力模型的Q,而图4左边编码部分的输出则作为第二个注意力的Key和Value。第二个注意力模型的输出采用前馈网络、残差连接和归一化模块,最后的输出是每个轨迹位置点对应的512维特征向量。他们将作为第二层Transformer的输入。
移动终端群组轨迹预测编解码网络模型:前面描述的Transformer层仅对每个移动终端的轨迹位置进行编码,并没有捕捉区域内的其他移动终端的信息。为此,设计了第二层Transformer层用以捕获每个移动终端的上下文信息。第二层Transformer的网络结果如图5所示,其输入为第一层Transformer的输出,即每个终端每一个预测时间步的高维嵌入在该实施例中,具体输入的张量形状为[b,t,s,e],其中b为batch size,t为系统支持的最多的移动终端数,本实施例设置为50,s为预测的步数,本实施例设置为5,e为高维嵌入,即512。该输入封装了每一个终端的实际历史轨迹信息和已经预测的部分轨迹信息。
由于移动终端群组的轨迹是在同一个时刻采样的,因此以每一个时间步为编码单位,进一步通过自注意力模型来捕获该时间步移动终端和移动终端之间的相关信息,并形成512维的特征向量作为输出。第二层网络结构的具体设置和第一层Transformer的编码结构相似,同样包含了多头自注意模块、前馈网络模块、残差连接模块和归一化模块,最后得到强化后的特征序列。对于输出的每个终端的强化的特征向量,使用线性变换将其隐射为该终端该在这一时间步的二维坐标位置吗,从而得到最后的预测轨迹坐标位置。
采用mean square error(MSE)作为学习的误差函数,即
智能电网是典型的5G应用垂直行业。5G电力通信网络作为支撑智能电网发展的重要基础设施,需要保障各项业务高效、安全、有序运行。电力巡检机器人、移动充电桩、无人机、电动作业车等各类移动终端的轨迹预测,可以为定制或优化移动、登记、交接管理提供有效支撑,从而提高融合网络资源的利用效率。
针对智能电网5G移动终端的多轨迹预测问题,本发明提出一种基于双层Transformer的轨迹预测方法。其中,第一层Transformer对每个终端自身的运动轨迹进行编码,第二层Transformer将多个移动终端在每个时间步的内在特征作为输入,进一步关注多个移动终端的内在特征。因此,每个移动终端都可以有效地捕获上下文信息并提高其预测准确性。本发明研究模拟了智能电网协同工作模式和分工工作模式的任务,实验结果验证了本项目研究方法的有效性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何不经过创造性劳动想到的变化或替换,都应涵盖在本发明保护范围之内。
Claims (8)
1.一种基于电力5G终端直采的网络监测系统,其特征是,包括:
数据源层:由若干电力5G终端构成;
数据采集与处理层:对数据源层的电力5G终端进行信息数据采集,对采集后的数据根据数据接口规范进行数据清洗、数据转换和数据整合处理;
数据传输与存储层:对从电力5G终端设备采集的数据,通过无线网络传输到智能电网数据存储的云平台,云平台对于接收到的直采数据进行持久化存储;
数据挖掘与分析层:对电力5G终端进行直采的信息数据进行处理,实现对电力5G终端的状态进行监控。
2.根据权利要求1所述的一种基于电力5G终端直采的网络监测系统,其特征是,所述数据采集与处理层对数据源层的电力5G终端进行信息数据采集的数据包括:终端通信时间、终端通信时长、终端通信连接的基站小区、终端通信速率、终端通信上下行峰值、终端5G信号强度、终端通信时延、终端通信借书类型、终端地理位置、终端类型和终端业务优先级。
3.根据权利要求1所述的一种基于电力5G终端直采的网络监测系统,其特征是,所述数据采集与处理层包括数据采集模块与数据处理模块,所述数据采集模块对数据源层的电力5G终端进行信息数据采集,包括定时采集单元和定向采集单元,所述数据处理模块包括数据清洗单元和数据转换单元,所述数据采集模块还包括定点采集单元,所述数据处理模块还包括数据整合单元。
4.根据权利要求1所述的一种基于电力5G终端直采的网络监测系统,其特征是,所述数据传输与存储层包括数据传输模块和数据库模块,所述数据传输模块通过不同的传输通道进行数据传输,包括5G公网传输、LTE-230专网传输以及双模自动选择传输,所述数据库模块包含若干用于存储数据的数据库,包括Redis数据库、关系数据库和NoSQL数据库。
5.根据权利要求1所述的一种基于电力5G终端直采的网络监测系统,其特征是,所述数据挖掘与分析层包括质量预警模块,所述质量预警模块采用网络预测模型对网络的质量指标进行预测,当预测的指标低于最低的服务质量指标时,则进行预警。
6.根据权利要求1或5所述的一种基于电力5G终端直采的网络监测系统,其特征是,所述数据挖掘与分析层还包括故障诊断模块,所述故障诊断模块对出现故障的电力5G终端或5G公网网元,通过对比分析和时序分析对异常的行为数据进行识别。
7.根据权利要求6所述的一种基于电力5G终端直采的网络监测系统,其特征是,所述数据挖掘与分析层还包括切换管理模块,对于电网低延时、高可靠性的电网控制类业务,当监测到5G公网的服务质量无法满足要求时,切换管理模块将其承载网络从5G公网切换到LTE-230专网。
8.根据权利要求1-7任一项所述的一种基于电力5G终端直采的网络监测系统,其特征是,所述数据挖掘与分析层还包含有基于双层Transformer的智能电网5G移动终端多轨迹预测算法,所述基于双层Transformer的智能电网5G移动终端多轨迹预测算法,第一层Transformer对每个终端自身的运动轨迹进行编码,第二层Transformer将多个移动终端在每个时间步的内在特征作为输入,进一步关注多个移动终端的内在特征,从而得到最后的预测轨迹坐标位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211603437.5A CN116249086A (zh) | 2022-12-13 | 2022-12-13 | 一种基于电力5g终端直采的网络监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211603437.5A CN116249086A (zh) | 2022-12-13 | 2022-12-13 | 一种基于电力5g终端直采的网络监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116249086A true CN116249086A (zh) | 2023-06-09 |
Family
ID=86623162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211603437.5A Pending CN116249086A (zh) | 2022-12-13 | 2022-12-13 | 一种基于电力5g终端直采的网络监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116249086A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117425165A (zh) * | 2023-12-18 | 2024-01-19 | 江苏泽宇智能电力股份有限公司 | 一种使用智能终端对新型电力通信板卡进行管理的系统 |
-
2022
- 2022-12-13 CN CN202211603437.5A patent/CN116249086A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117425165A (zh) * | 2023-12-18 | 2024-01-19 | 江苏泽宇智能电力股份有限公司 | 一种使用智能终端对新型电力通信板卡进行管理的系统 |
CN117425165B (zh) * | 2023-12-18 | 2024-04-09 | 江苏泽宇智能电力股份有限公司 | 一种使用智能终端对新型电力通信板卡进行管理的系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110401262B (zh) | 基于边缘计算技术的gis设备状态智能监控系统及方法 | |
Zhang | Design and application of fog computing and Internet of Things service platform for smart city | |
CN106584450A (zh) | 一种变电站巡检机器人集中监控系统及方法 | |
CN116249086A (zh) | 一种基于电力5g终端直采的网络监测系统 | |
CN108134979B (zh) | 基于深度神经网络的小基站开关控制方法 | |
CN110095661B (zh) | 一种配电变压器高压侧缺相故障抢修方法 | |
CN103269290B (zh) | 基于案例库智能分析网络异常的方法和装置 | |
CN104899689B (zh) | 基于dbcc优化算法与熵权理论的配电网故障恢复方法 | |
CN102684306B (zh) | 一种变电站智能运行的方法 | |
CN115357127A (zh) | 一种数字孪生智慧建筑脑机装置及系统 | |
Gao et al. | Deep learning based location prediction with multiple features in communication network | |
CN112613790A (zh) | 应用于多站融合环境下的协同数据处理方法、设备及介质 | |
CN114969237A (zh) | 一种地理信息系统的地址自动分析匹配方法 | |
CN115000948A (zh) | 一种源荷储互补的能源电网反馈控制的人工智能物联网系统 | |
CN114596171A (zh) | 一种基于多源数据融合的停电事件智能分析方法 | |
Gao et al. | Fault prediction in electric power communication network based on improved DenseNet | |
Yang et al. | Comprehensive analysis system and scenarios of electric IoT Big Data | |
CN113991872B (zh) | 一种用于工业园区的综合能源配电网系统 | |
Sai et al. | Study on the evaluation index system of China intelligent high-speed railway based on technical characteristic | |
CN114356502B (zh) | 基于边缘计算技术的非结构化数据标记、训练和发布系统及方法 | |
Gao et al. | Design and typical application of digital twin architecture in Smart Grid | |
CN114580287B (zh) | 基于启发式混杂策略的特高压直流控保系统数据优化重构方法 | |
CN117874474B (zh) | 一种基于深度学习的充电场站空闲状态设备数量预测方法 | |
CN116822706B (zh) | 一种候选地址流行度预测方法 | |
CN115002217B (zh) | 调度方法、装置、设备及介质 |
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 |