CN116362526A - 一种用于数字化电厂的云边协同资源管控方法及系统 - Google Patents

一种用于数字化电厂的云边协同资源管控方法及系统 Download PDF

Info

Publication number
CN116362526A
CN116362526A CN202310642670.2A CN202310642670A CN116362526A CN 116362526 A CN116362526 A CN 116362526A CN 202310642670 A CN202310642670 A CN 202310642670A CN 116362526 A CN116362526 A CN 116362526A
Authority
CN
China
Prior art keywords
resource
scheduling
task
edge
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.)
Granted
Application number
CN202310642670.2A
Other languages
English (en)
Other versions
CN116362526B (zh
Inventor
刘勇坚
蒋飞勇
袁群义
周屋梁
李瑞生
万双民
黄艳敏
林志友
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.)
Tianshengqiao Two Hydropower Co ltd
Guangzhou Jianxin Technology Co ltd
Original Assignee
Tianshengqiao Two Hydropower Co ltd
Guangzhou Jianxin Technology 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 Tianshengqiao Two Hydropower Co ltd, Guangzhou Jianxin Technology Co ltd filed Critical Tianshengqiao Two Hydropower Co ltd
Priority to CN202310642670.2A priority Critical patent/CN116362526B/zh
Publication of CN116362526A publication Critical patent/CN116362526A/zh
Application granted granted Critical
Publication of CN116362526B publication Critical patent/CN116362526B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • 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
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种用于数字化电厂的云边协同资源管控方法及系统，涉及数据处理领域，其中，所述方法包括：接入私有云平台对多个资源集合进行分层处理，获取多层资源集合；根据多层资源集合，获取多层资源调度任务；将多层资源调度任务输入边缘调度平台中，采用均衡识别调度模型对边缘节点进行识别，输出任务调度结果，任务调度结果包括基于边缘节点对应的任务处理队列；按照任务处理队列对多层资源调度任务进行处理。解决了现有技术中针对数字化电厂的资源调度精准性不足、灵活性低，继而造成数字化电厂资源管控效果不佳的技术问题。达到了提高数字化电厂的资源调度的精准性、灵活性，提升数字化电厂资源管控质量的技术效果。

Description

一种用于数字化电厂的云边协同资源管控方法及系统
技术领域
本发明涉及数据处理领域，具体地，涉及一种用于数字化电厂的云边协同资源管控方法及系统。
背景技术
随着电厂数字化转型的深入推进，基于云边协同的各类应用迅猛发展。但普遍存在异构、多源、多设备、多测点的工业物联接入难、成本高、周期长问题。数字化电厂复杂、设备多、协议多、数据类型多、采集方式多，数据治理与开发利用难度大，难以统一高效管理边云、边端协同服务，难以实现数据协同、智能协同、应用协同、业务协同。研究设计一种对数字化电厂进行云边协同资源管控的方法，具有十分重要的现实意义。
现有技术中，存在针对数字化电厂的资源调度精准性不足、灵活性低，继而造成数字化电厂资源管控效果不佳的技术问题。
发明内容
本申请提供了一种用于数字化电厂的云边协同资源管控方法及系统。解决了现有技术中针对数字化电厂的资源调度精准性不足、灵活性低，继而造成数字化电厂资源管控效果不佳的技术问题。达到了实现低时延、大容量、智能化、多层次的数字化电厂资源调度，提高数字化电厂的资源调度的精准性、灵活性，提升数字化电厂资源管控质量的技术效果。
鉴于上述问题，本申请提供了一种用于数字化电厂的云边协同资源管控方法及系统。
第一方面，本申请提供了一种用于数字化电厂的云边协同资源管控方法，其中，所述方法应用于一种用于数字化电厂的云边协同资源管控系统，所述方法包括：整合第一数字化电厂的多个资源集合；接入私有云平台对所述多个资源集合进行分层处理，获取多层资源集合；根据所述多层资源集合，获取多层资源调度任务；将所述多层资源调度任务输入边缘调度平台中，其中，所述边缘调度平台包括均衡识别调度模型，且所述私有云平台与所述边缘调度平台跨网连接；将所述边缘调度平台中的边缘节点作为可调度目标对所述多层资源调度任务进行调度，采用所述均衡识别调度模型对所述边缘节点进行识别，输出任务调度结果，其中，所述任务调度结果包括基于边缘节点对应的任务处理队列；按照所述任务处理队列对所述多层资源调度任务进行处理。
第二方面，本申请还提供了一种用于数字化电厂的云边协同资源管控系统，其中，所述系统包括：资源整合模块，所述资源整合模块用于整合第一数字化电厂的多个资源集合；分层处理模块，所述分层处理模块用于接入私有云平台对所述多个资源集合进行分层处理，获取多层资源集合；资源调度任务获取模块，所述资源调度任务获取模块用于根据所述多层资源集合，获取多层资源调度任务；任务输入模块，所述任务输入模块用于将所述多层资源调度任务输入边缘调度平台中，其中，所述边缘调度平台包括均衡识别调度模型，且所述私有云平台与所述边缘调度平台跨网连接；任务调度结果输出模块，所述任务调度结果输出模块用于将所述边缘调度平台中的边缘节点作为可调度目标对所述多层资源调度任务进行调度，采用所述均衡识别调度模型对所述边缘节点进行识别，输出任务调度结果，其中，所述任务调度结果包括基于边缘节点对应的任务处理队列；任务处理模块，所述任务处理模块用于按照所述任务处理队列对所述多层资源调度任务进行处理。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过私有云平台对第一数字化电厂的多个资源集合进行分层处理，获取多层资源集合；根据多层资源集合，获取多层资源调度任务；将多层资源调度任务输入边缘调度平台中，将边缘调度平台中的边缘节点作为可调度目标对多层资源调度任务进行调度，采用边缘调度平台中的均衡识别调度模型对边缘节点进行识别，输出任务调度结果，任务调度结果包括基于边缘节点对应的任务处理队列。按照任务处理队列对多层资源调度任务进行处理。达到了实现低时延、大容量、智能化、多层次的数字化电厂资源调度，提高数字化电厂的资源调度的精准性、灵活性，提升数字化电厂资源管控质量的技术效果。
上述说明仅是本申请技术方案的概述，并且为了让本申请的技术方案和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地，下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本申请一种用于数字化电厂的云边协同资源管控方法的流程示意图；
图2为本申请一种用于数字化电厂的云边协同资源管控方法中获取多层资源集合的流程示意图；
图3为本申请一种用于数字化电厂的云边协同资源管控方法中生成携带解码信息的多层资源调度任务的流程示意图；
图4为本申请一种用于数字化电厂的云边协同资源管控系统的结构示意图。
附图标记说明：资源整合模块11，分层处理模块12，资源调度任务获取模块13，任务输入模块14，任务调度结果输出模块15，任务处理模块16。
具体实施方式
本申请通过提供一种用于数字化电厂的云边协同资源管控方法及系统。解决了现有技术中针对数字化电厂的资源调度精准性不足、灵活性低，继而造成数字化电厂资源管控效果不佳的技术问题。达到了实现低时延、大容量、智能化、多层次的数字化电厂资源调度，提高数字化电厂的资源调度的精准性、灵活性，提升数字化电厂资源管控质量的技术效果。
实施例一
请参阅附图1，本申请提供一种用于数字化电厂的云边协同资源管控方法，其中，所述方法应用于一种用于数字化电厂的云边协同资源管控系统，所述方法具体包括如下步骤：
步骤S100：整合第一数字化电厂的多个资源集合；
步骤S200：接入私有云平台对所述多个资源集合进行分层处理，获取多层资源集合；
进一步的，如附图2所示，本申请步骤S200还包括：
步骤S210：定位所述多个资源集合的接收源；
步骤S220：对所述多个资源集合中各个资源集合的接收源进行数据流采样，得到每个接收源分别对应的数据动态指数，其中，所述数据动态指数用于标识各个接收源中数据流的动态量化程度；
步骤S230：搭建资源分层处理模块，其中，所述资源分层处理模块中包括预设的阶梯指数区间；
步骤S240：按照所述阶梯指数区间对每个接收源的数据动态指数进行归置，输出所述多层资源集合。
具体而言，连接所述一种用于数字化电厂的云边协同资源管控系统，通过所述一种用于数字化电厂的云边协同资源管控系统对第一数字化电厂进行资源采集，获得多个资源集合。其中，所述第一数字化电厂包括使用所述一种用于数字化电厂的云边协同资源管控系统进行智能化资源调度的任意数字化电厂。多个资源集合包括第一数字化电厂的技术、知识、经验等资源集合。例如，多个资源集合包括第一数字化电厂的发电管理技术资源集合、设备故障诊断知识资源集合、配电管理经验资源集合等。
进一步，对多个资源集合进行接收源定位，获得多个接收源。多个接收源包括多个资源集合中各个资源集合的接收源。即，每个接收源包括每个资源集合中的数据流来源信息。例如，当资源集合的数据流来源信息为某个网络端时，这个资源集合对应的接收源为该网络端。继而，对多个接收源进行数据流采样，获得每个接收源对应的数据动态指数。数据动态指数是用于表征每个接收源的数据流的动态量化程度的数据信息。接收源的数据流越大，对应的数据动态指数越大，对应的接收源产生的资源量越多。例如，数据动态指数为接收源在每秒内产生的数据流的数据量。进而，搭建资源分层处理模块，并将资源分层处理模块嵌入至私有云平台。资源分层处理模块包括预设的阶梯指数区间，根据阶梯指数区间对每个接收源的数据动态指数进行归置，获得多层资源集合。阶梯指数区间包括多个指数区间信息。每个指数区间信息包括预先设置确定的数据动态指数范围信息。多层资源集合包括对多个资源集合进行分层，获得的计算资源集合、存储资源集合、网络资源集合等。
达到了通过私有云平台对多个资源集合进行分层处理，获取多层资源集合，为后续确定多层资源调度任务奠定基础的技术效果。
步骤S300：根据所述多层资源集合，获取多层资源调度任务；
进一步的，本申请步骤S300还包括：
步骤S310：分别对所述多层资源集合进行分析，得到每层资源集合中的资源镜像调度任务、资源传输调度任务以及资源处理调度任务；
步骤S320：根据所述资源镜像调度任务、资源传输调度任务以及资源处理调度任务，获取所述多层资源调度任务。
具体而言，分别对多层资源集合进行调度任务采集，获得多层资源调度任务。其中，所述多层资源调度任务包括多层资源集合中，每层资源集合对应的资源镜像调度任务、资源传输调度任务、资源处理调度任务。资源镜像调度任务包括每层资源集合对应的资源调度存储形式。将一个磁盘上的数据在另一个磁盘上另存为一个完全相同的副本即为镜像。例如，资源调度存储形式包括ISO、BIN、IMG、TAO、DAO等。资源传输调度任务包括每层资源集合对应的资源传输位置信息。资源处理调度任务包括每层资源集合对应的数据一致性检测、数据缺失值补充、数据格式转化等数据预处理任务。达到了确定多层资源调度任务，为后续对多层资源调度任务进行资源调度管理奠定基础的技术效果。
进一步的，如附图3所示，本申请步骤S320还包括：
步骤S321：对所述多个资源集合的接收源进行数据安全性分析，输出多个资源安全等级；
步骤S322：根据所述多个资源安全等级进行判断，输出大于预设资源安全等级的资源集合，确定用于输入所述私有云平台中进行资源加密的资源集合；
步骤S323：根据所述私有云平台对所述资源集合进行任务加密，生成携带解码信息的多层资源调度任务。
具体而言，通过对多个资源集合对应的多个接收源进行数据安全性分析，获得多个资源安全等级。示例性地，在获得多个资源安全等级时，基于多个接收源进行历史数据查询，获得安全性分析数据库。安全性分析数据库包括多组安全性分析数据。每组安全性分析数据包括历史接收源、历史资源安全等级。将多个接收源输入安全性分析数据库，通过安全性分析数据库对多个接收源进行资源安全等级匹配，获得多个接收源对应的多个资源安全等级。接收源的私密性越强，对应的资源安全等级越高。
进一步，分别判断多个资源安全等级是否大于预设资源安全等级。预设资源安全等级包括预先设置确定的资源安全等级阈值信息。当资源安全等级大于预设资源安全等级时，将该资源安全等级对应的资源集合上传至私有云平台，通过私有云平台对资源安全等级大于预设资源安全等级的资源集合进行任务加密，获得携带解码信息的多层资源调度任务。示例性地，将资源安全等级大于预设资源安全等级的资源集合上传至私有云平台后，私有云平台按照现有技术中的非对称加密算法对资源安全等级大于预设资源安全等级的资源集合进行数据加密，使数据加密之后的该资源集合成为不可读的代码、密文。同时，私有云平台按照非对称加密算法对数据加密之后的该资源集合进行密钥匹配、解密信息标识，获得携带解码信息的多层资源调度任务。解码信息包括数据加密之后资源集合对应的密钥、解密信息。达到了通过对多个资源集合的接收源进行数据安全性分析，从而对多个资源集合进行适应性加密，并生成携带解码信息的多层资源调度任务，提高数字化电厂的资源调度的安全性的技术效果。
步骤S400：将所述多层资源调度任务输入边缘调度平台中，其中，所述边缘调度平台包括均衡识别调度模型，且所述私有云平台与所述边缘调度平台跨网连接；
进一步的，本申请步骤S400还包括：
步骤S410：搭建均衡识别调度模型，所述均衡识别调度模型包括m个子模型，所述m个子模型均通过全连接神经网络训练获取；
其中，所述m个子模型与所述边缘调度平台中的边缘节点相对应，当所述均衡识别调度模型接收所述多层资源调度任务，对所述多层资源调度任务进行边缘节点匹配，输出匹配成功的子模型，基于匹配成功的子模型进行算力均衡识别。
步骤S500：将所述边缘调度平台中的边缘节点作为可调度目标对所述多层资源调度任务进行调度，采用所述均衡识别调度模型对所述边缘节点进行识别，输出任务调度结果，其中，所述任务调度结果包括基于边缘节点对应的任务处理队列；
进一步的，本申请步骤S500还包括：
步骤S510：预先训练神经网络，其中，所述神经网络为三层全连接的神经网络；
步骤S520：获取m个边缘节点的设备算力信息；
步骤S530：利用预先训练好的所述神经网络，对所述m个边缘节点的设备算力信息进行负载均衡识别，得到处于负载均衡状态的m组资源调度任务，生成任务调度结果，其中，每组资源调度任务呈队列分布。
步骤S600：按照所述任务处理队列对所述多层资源调度任务进行处理。
具体而言，搭建均衡识别调度模型，并将均衡识别调度模型嵌入至边缘调度平台中。且，私有云平台与边缘调度平台跨网连接。均衡识别调度模型包括m个子模型。边缘调度平台包括均衡识别调度模型，以及m个边缘节点。m个子模型与m个边缘节点具有一一对应关系。每个边缘节点包括每一个子模型对应的边缘计算设备。边缘计算设备为现有技术中利用神经网络进行数据处理的智能终端设备。
进一步，将多层资源调度任务输入边缘调度平台，通过边缘调度平台将多层资源调度任务传输至均衡识别调度模型。当均衡识别调度模型接收多层资源调度任务后，通过均衡识别调度模型内的m个子模型对多层资源调度任务进行边缘节点匹配，获得匹配成功的子模型。匹配成功的子模型包括多层资源调度任务中的每一个调度任务对应的边缘节点。
进一步，根据匹配成功的子模型进行算力均衡识别。即，基于m个边缘节点进行算力参数采集，获得m个边缘节点的设备算力信息。设备算力信息包括m个边缘节点对应的m个设备算力参数。设备算力参数是用于表征边缘计算设备的数据处理能力的数据信息。设备算力参数越大，则，对应的边缘计算设备的数据处理能力越高，该边缘计算设备能够处理的数据量越多。继而，利用预先训练好的神经网络对m个边缘节点的设备算力信息进行训练，获得m个边缘节点一一对应的m个子模型。根据m个子模型进行负载均衡识别，得到处于负载均衡状态的m组资源调度任务。负载均衡状态是指每组资源调度任务必须维持在对应的设备算力信息中。且，每组资源调度任务呈队列分布。根据处于负载均衡状态的m组资源调度任务，生成任务调度结果。按照任务调度结果中的任务处理队列对多层资源调度任务进行处理。其中，神经网络为全连接神经网络，全连接神经网络是具有多层感知器的的网络，即，全连接神经网络是多层神经元的网络。全连接神经网络包括输入层、隐含层、输出层。可以利用预先训练好的神经网络对m个边缘节点的设备算力信息进行反向传播算法的训练，获得m个边缘节点一一对应的m个子模型。反向传播算法是指根据输出层的调整量来推导神经网络的突触权重的调整方式，将误差进行反向传播。所述任务调度结果包括基于边缘节点对应的任务处理队列。即，所述任务调度结果包括处于负载均衡状态的m组资源调度任务。且，每组资源调度任务呈队列分布。达到了通过边缘调度平台对多层资源调度任务进行资源调度分析，提高数字化电厂资源管控质量的技术效果。
进一步的，本申请步骤S600之后，还包括：
步骤S710：获取所述m个边缘节点的任务执行反馈信息；
步骤S720：将所述任务执行反馈信息上发至所述私有云平台中，获取执行异常反馈特征，基于所述私有云平台，按照执行异常反馈特征进行任务调度分配调整。
具体而言，在按照任务处理队列对多层资源调度任务进行处理之后。采集m个边缘节点的任务执行反馈信息，并将任务执行反馈信息上传至私有云平台中，获取执行异常反馈特征。根据私有云平台，按照执行异常反馈特征进行任务调度分配调整。其中，任务执行反馈信息包括m个边缘节点对应的任务执行评价信息，以及m个边缘节点对应的任务延迟、任务丢失等任务执行异常信息。执行异常反馈特征包括任务执行反馈信息中的任务执行异常信息。任务调度分配调整包括按照执行异常反馈特征对m个边缘节点进行任务量调整、任务周期调整、任务频率调整等。达到了通过异常反馈特征对m个边缘节点进行任务调度分配调整，提高数字化电厂资源管控的全面性、灵活度的技术效果。
综上所述，本申请所提供的一种用于数字化电厂的云边协同资源管控方法具有如下技术效果：
1.通过私有云平台对第一数字化电厂的多个资源集合进行分层处理，获取多层资源集合；根据多层资源集合，获取多层资源调度任务；将多层资源调度任务输入边缘调度平台中，将边缘调度平台中的边缘节点作为可调度目标对多层资源调度任务进行调度，采用边缘调度平台中的均衡识别调度模型对边缘节点进行识别，输出任务调度结果，任务调度结果包括基于边缘节点对应的任务处理队列。按照任务处理队列对多层资源调度任务进行处理。达到了实现低时延、大容量、智能化、多层次的数字化电厂资源调度，提高数字化电厂的资源调度的精准性、灵活性，提升数字化电厂资源管控质量的技术效果。
2.通过对多个资源集合的接收源进行数据安全性分析，从而对多个资源集合进行适应性加密，并生成携带解码信息的多层资源调度任务，提高数字化电厂的资源调度的安全性。
3.通过异常反馈特征对m个边缘节点进行任务调度分配调整，提高数字化电厂资源管控的全面性、灵活度。
实施例二
基于与前述实施例中一种用于数字化电厂的云边协同资源管控方法，同样发明构思，本发明还提供了一种用于数字化电厂的云边协同资源管控系统，请参阅附图4，所述系统包括：
资源整合模块11，所述资源整合模块11用于整合第一数字化电厂的多个资源集合；
分层处理模块12，所述分层处理模块12用于接入私有云平台对所述多个资源集合进行分层处理，获取多层资源集合；
资源调度任务获取模块13，所述资源调度任务获取模块13用于根据所述多层资源集合，获取多层资源调度任务；
任务输入模块14，所述任务输入模块14用于将所述多层资源调度任务输入边缘调度平台中，其中，所述边缘调度平台包括均衡识别调度模型，且所述私有云平台与所述边缘调度平台跨网连接；
任务调度结果输出模块15，所述任务调度结果输出模块15用于将所述边缘调度平台中的边缘节点作为可调度目标对所述多层资源调度任务进行调度，采用所述均衡识别调度模型对所述边缘节点进行识别，输出任务调度结果，其中，所述任务调度结果包括基于边缘节点对应的任务处理队列；
任务处理模块16，所述任务处理模块16用于按照所述任务处理队列对所述多层资源调度任务进行处理。
进一步的，所述系统还包括：
接收源定位模块，所述接收源定位模块用于定位所述多个资源集合的接收源；
数据动态指数确定模块，所述数据动态指数确定模块用于对所述多个资源集合中各个资源集合的接收源进行数据流采样，得到每个接收源分别对应的数据动态指数，其中，所述数据动态指数用于标识各个接收源中数据流的动态量化程度；
第一执行模块，所述第一执行模块用于搭建资源分层处理模块，其中，所述资源分层处理模块中包括预设的阶梯指数区间；
归置模块，所述归置模块用于按照所述阶梯指数区间对每个接收源的数据动态指数进行归置，输出所述多层资源集合。
进一步的，所述系统还包括：
调度任务确定模块，所述调度任务确定模块用于分别对所述多层资源集合进行分析，得到每层资源集合中的资源镜像调度任务、资源传输调度任务以及资源处理调度任务；
多层资源调度任务获取模块，所述多层资源调度任务获取模块用于根据所述资源镜像调度任务、资源传输调度任务以及资源处理调度任务，获取所述多层资源调度任务。
进一步的，所述系统还包括：
资源安全等级获取模块，所述资源安全等级获取模块用于对所述多个资源集合的接收源进行数据安全性分析，输出多个资源安全等级；
第二执行模块，所述第二执行模块用于根据所述多个资源安全等级进行判断，输出大于预设资源安全等级的资源集合，确定用于输入所述私有云平台中进行资源加密的资源集合；
加密模块，所述加密模块用于根据所述私有云平台对所述资源集合进行任务加密，生成携带解码信息的多层资源调度任务。
进一步的，所述系统还包括：
第三执行模块，所述第三执行模块用于搭建均衡识别调度模型，所述均衡识别调度模型包括m个子模型，所述m个子模型均通过全连接神经网络训练获取；
其中，所述m个子模型与所述边缘调度平台中的边缘节点相对应，当所述均衡识别调度模型接收所述多层资源调度任务，对所述多层资源调度任务进行边缘节点匹配，输出匹配成功的子模型，基于匹配成功的子模型进行算力均衡识别。
进一步的，所述系统还包括：
训练模块，所述训练模块用于预先训练神经网络，其中，所述神经网络为三层全连接的神经网络；
算力信息获取模块，所述算力信息获取模块用于获取m个边缘节点的设备算力信息；
负载均衡识别模块，所述负载均衡识别模块用于利用预先训练好的所述神经网络，对所述m个边缘节点的设备算力信息进行负载均衡识别，得到处于负载均衡状态的m组资源调度任务，生成任务调度结果，其中，每组资源调度任务呈队列分布。
进一步的，所述系统还包括：
反馈信息获取模块，所述反馈信息获取模块用于获取所述m个边缘节点的任务执行反馈信息；
分配调整模块，所述分配调整模块用于将所述任务执行反馈信息上发至所述私有云平台中，获取执行异常反馈特征，基于所述私有云平台，按照执行异常反馈特征进行任务调度分配调整。
本发明实施例所提供的一种用于数字化电厂的云边协同资源管控系统可执行本发明任意实施例所提供的一种用于数字化电厂的云边协同资源管控方法，具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本申请提供了一种用于数字化电厂的云边协同资源管控方法，其中，所述方法应用于一种用于数字化电厂的云边协同资源管控系统，所述方法包括：通过私有云平台对第一数字化电厂的多个资源集合进行分层处理，获取多层资源集合；根据多层资源集合，获取多层资源调度任务；将多层资源调度任务输入边缘调度平台中，将边缘调度平台中的边缘节点作为可调度目标对多层资源调度任务进行调度，采用边缘调度平台中的均衡识别调度模型对边缘节点进行识别，输出任务调度结果，任务调度结果包括基于边缘节点对应的任务处理队列。按照任务处理队列对多层资源调度任务进行处理。解决了现有技术中针对数字化电厂的资源调度精准性不足、灵活性低，继而造成数字化电厂资源管控效果不佳的技术问题。达到了实现低时延、大容量、智能化、多层次的数字化电厂资源调度，提高数字化电厂的资源调度的精准性、灵活性，提升数字化电厂资源管控质量的技术效果。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (8)

1.一种用于数字化电厂的云边协同资源管控方法，其特征在于，所述方法包括：
整合第一数字化电厂的多个资源集合；
接入私有云平台对所述多个资源集合进行分层处理，获取多层资源集合；
根据所述多层资源集合，获取多层资源调度任务；
将所述多层资源调度任务输入边缘调度平台中，其中，所述边缘调度平台包括均衡识别调度模型，且所述私有云平台与所述边缘调度平台跨网连接；
将所述边缘调度平台中的边缘节点作为可调度目标对所述多层资源调度任务进行调度，采用所述均衡识别调度模型对所述边缘节点进行识别，输出任务调度结果，其中，所述任务调度结果包括基于边缘节点对应的任务处理队列；
按照所述任务处理队列对所述多层资源调度任务进行处理。
2.如权利要求1所述的方法，其特征在于，所述接入私有云平台对所述多个资源集合进行分层处理，获取多层资源集合，方法包括：
定位所述多个资源集合的接收源；
对所述多个资源集合中各个资源集合的接收源进行数据流采样，得到每个接收源分别对应的数据动态指数，其中，所述数据动态指数用于标识各个接收源中数据流的动态量化程度；
搭建资源分层处理模块，其中，所述资源分层处理模块中包括预设的阶梯指数区间；
按照所述阶梯指数区间对每个接收源的数据动态指数进行归置，输出所述多层资源集合。
3.如权利要求1所述的方法，其特征在于，根据所述多层资源集合，获取多层资源调度任务，方法包括：
分别对所述多层资源集合进行分析，得到每层资源集合中的资源镜像调度任务、资源传输调度任务以及资源处理调度任务；
根据所述资源镜像调度任务、资源传输调度任务以及资源处理调度任务，获取所述多层资源调度任务。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
对所述多个资源集合的接收源进行数据安全性分析，输出多个资源安全等级；
根据所述多个资源安全等级进行判断，输出大于预设资源安全等级的资源集合，确定用于输入所述私有云平台中进行资源加密的资源集合；
根据所述私有云平台对所述资源集合进行任务加密，生成携带解码信息的多层资源调度任务。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
搭建均衡识别调度模型，所述均衡识别调度模型包括m个子模型，所述m个子模型均通过全连接神经网络训练获取；
其中，所述m个子模型与所述边缘调度平台中的边缘节点相对应，当所述均衡识别调度模型接收所述多层资源调度任务，对所述多层资源调度任务进行边缘节点匹配，输出匹配成功的子模型，基于匹配成功的子模型进行算力均衡识别。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
预先训练神经网络，其中，所述神经网络为三层全连接的神经网络；
获取m个边缘节点的设备算力信息；
利用预先训练好的所述神经网络，对所述m个边缘节点的设备算力信息进行负载均衡识别，得到处于负载均衡状态的m组资源调度任务，生成任务调度结果，其中，每组资源调度任务呈队列分布。
7.如权利要求6所述的方法，其特征在于，所述方法还包括：
获取所述m个边缘节点的任务执行反馈信息；
将所述任务执行反馈信息上发至所述私有云平台中，获取执行异常反馈特征，基于所述私有云平台，按照执行异常反馈特征进行任务调度分配调整。
8.一种用于数字化电厂的云边协同资源管控系统，其特征在于，所述系统用于执行权利要求1至7任一项所述的方法，所述系统包括：
资源整合模块，所述资源整合模块用于整合第一数字化电厂的多个资源集合；
分层处理模块，所述分层处理模块用于接入私有云平台对所述多个资源集合进行分层处理，获取多层资源集合；
资源调度任务获取模块，所述资源调度任务获取模块用于根据所述多层资源集合，获取多层资源调度任务；
任务输入模块，所述任务输入模块用于将所述多层资源调度任务输入边缘调度平台中，其中，所述边缘调度平台包括均衡识别调度模型，且所述私有云平台与所述边缘调度平台跨网连接；
任务调度结果输出模块，所述任务调度结果输出模块用于将所述边缘调度平台中的边缘节点作为可调度目标对所述多层资源调度任务进行调度，采用所述均衡识别调度模型对所述边缘节点进行识别，输出任务调度结果，其中，所述任务调度结果包括基于边缘节点对应的任务处理队列；
任务处理模块，所述任务处理模块用于按照所述任务处理队列对所述多层资源调度任务进行处理。
CN202310642670.2A 2023-06-01 2023-06-01 一种用于数字化电厂的云边协同资源管控方法及系统 Active CN116362526B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310642670.2A CN116362526B (zh) 2023-06-01 2023-06-01 一种用于数字化电厂的云边协同资源管控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310642670.2A CN116362526B (zh) 2023-06-01 2023-06-01 一种用于数字化电厂的云边协同资源管控方法及系统

Publications (2)

Publication Number Publication Date
CN116362526A true CN116362526A (zh) 2023-06-30
CN116362526B CN116362526B (zh) 2023-08-11

Family

ID=86905513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310642670.2A Active CN116362526B (zh) 2023-06-01 2023-06-01 一种用于数字化电厂的云边协同资源管控方法及系统

Country Status (1)

Country Link
CN (1) CN116362526B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117273422A (zh) * 2023-11-23 2023-12-22 西安睿智时代信息技术有限公司 用于数字化生产的供应链协同管控方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190121671A1 (en) * 2018-12-13 2019-04-25 Intel Corporation Flexible allocation of compute resources
US20200136920A1 (en) * 2019-12-20 2020-04-30 Kshitij Arun Doshi End-to-end quality of service in edge computing environments
CN113032132A (zh) * 2021-05-31 2021-06-25 深圳大学 一种基于云边端架构的时空数据可视化任务执行方法
CN113132456A (zh) * 2021-03-02 2021-07-16 西安电子科技大学 一种基于截止时间感知的边云协同任务调度方法及系统
US20220006879A1 (en) * 2020-07-03 2022-01-06 Electronics And Telecommunications Research Institute Intelligent scheduling apparatus and method
CN114721810A (zh) * 2021-01-04 2022-07-08 中国移动通信有限公司研究院 边缘云资源协同调度方法、云管理平台和边缘云节点
CN116170442A (zh) * 2023-02-24 2023-05-26 南京理工大学 一种云边协同计算中基于改进珊瑚礁算法的计算卸载方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190121671A1 (en) * 2018-12-13 2019-04-25 Intel Corporation Flexible allocation of compute resources
US20200136920A1 (en) * 2019-12-20 2020-04-30 Kshitij Arun Doshi End-to-end quality of service in edge computing environments
US20220006879A1 (en) * 2020-07-03 2022-01-06 Electronics And Telecommunications Research Institute Intelligent scheduling apparatus and method
CN114721810A (zh) * 2021-01-04 2022-07-08 中国移动通信有限公司研究院 边缘云资源协同调度方法、云管理平台和边缘云节点
CN113132456A (zh) * 2021-03-02 2021-07-16 西安电子科技大学 一种基于截止时间感知的边云协同任务调度方法及系统
CN113032132A (zh) * 2021-05-31 2021-06-25 深圳大学 一种基于云边端架构的时空数据可视化任务执行方法
CN116170442A (zh) * 2023-02-24 2023-05-26 南京理工大学 一种云边协同计算中基于改进珊瑚礁算法的计算卸载方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117273422A (zh) * 2023-11-23 2023-12-22 西安睿智时代信息技术有限公司 用于数字化生产的供应链协同管控方法及系统
CN117273422B (zh) * 2023-11-23 2024-03-15 西安睿智时代信息技术有限公司 用于数字化生产的供应链协同管控方法及系统

Also Published As

Publication number Publication date
CN116362526B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN107871164B (zh) 一种雾计算环境个性化深度学习方法
Yu et al. Intelligent edge: Leveraging deep imitation learning for mobile edge computation offloading
CN111245950B (zh) 基于深度学习的工业物联网边缘资源智能调度系统及方法
CN116362526B (zh) 一种用于数字化电厂的云边协同资源管控方法及系统
CN110414682B (zh) 神经信念推理器
CN115563859A (zh) 一种基于分层联邦学习的电力负荷预测方法、装置及介质
CN116760772A (zh) 汇聚分流器的管控系统及其方法
Jahwar et al. A state of the art survey of machine learning algorithms for IoT security
Shadroo et al. Survey on the application of deep learning in the Internet of Things
Wen et al. From generative ai to generative internet of things: Fundamentals, framework, and outlooks
CN112215326B (zh) 一种分布式ai系统
CN117669699A (zh) 一种工业物联网场景下面向数字孪生的语义信息联邦学习方法及系统
CN117171686A (zh) 一种基于联邦学习的智能电网异常数据的检测方法及系统
Liu et al. Data mining for energy systems: Review and prospect
CN116720132A (zh) 电力业务识别系统、方法、设备、介质和产品
CN113282356B (zh) 一种实时执行本地分布式分析的方法、系统及存储介质
Pani et al. An efficient algorithmic technique for feature selection in IoT based intrusion detection system
CN113379344A (zh) 一种基于云计算处理的智能物流处理方法和系统
Sayeekumar et al. Hybrid intelligence system using fuzzy inference in cluster architecture for secured group communication
Jayashri et al. Reviewing the research paradigm of techniques used in data fusion in WSN
Hordiichuk-Bublivska et al. A modified federated singular value decomposition method for big data and ML optimization in IIoT systems
Lai et al. Spatial-Temporal Correlation-Based Prediction Model for Node and Link Residual Resources in NFV Networks
Lin et al. Dynamic load balancing in cloud-based multimedia system using genetic algorithm
Globa et al. The Modified Approach to Internet of Things Data Transmission Based on a Combined Neural Network Autoencoder
Diksha et al. A Survey on Big Data Energy Based on Smart Grid

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