CN116505662A - 面向智能融合终端的试验方法、云平台、终端及系统 - Google Patents

面向智能融合终端的试验方法、云平台、终端及系统 Download PDF

Info

Publication number
CN116505662A
CN116505662A CN202310749800.2A CN202310749800A CN116505662A CN 116505662 A CN116505662 A CN 116505662A CN 202310749800 A CN202310749800 A CN 202310749800A CN 116505662 A CN116505662 A CN 116505662A
Authority
CN
China
Prior art keywords
intelligent fusion
fusion terminal
test
terminal
communication protocol
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
CN202310749800.2A
Other languages
English (en)
Inventor
丁啸
尹志斌
白晖峰
霍超
甄岩
郑利斌
罗安琴
谢凡
张楠
申一帆
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.)
Beijing Smartchip Microelectronics Technology Co Ltd
Original Assignee
Beijing Smartchip Microelectronics 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 Beijing Smartchip Microelectronics Technology Co Ltd filed Critical Beijing Smartchip Microelectronics Technology Co Ltd
Priority to CN202310749800.2A priority Critical patent/CN116505662A/zh
Publication of CN116505662A publication Critical patent/CN116505662A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H02J13/00028—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 involving the use of Internet protocols
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/22—Parsing or analysis of headers
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Small-Scale Networks (AREA)

Abstract

本发明实施例提供一种面向智能融合终端的试验方法、云平台、终端及系统，属于电力技术领域。所述试验方法应用于与智能融合终端通信的云平台，且包括：构建并将预训练模型部署到所述智能融合终端，其中所述预训练模型被配置为辅助所述智能融合终端与不同设备之间的通信协议识别；以及向所述智能融合终端发送关于指定设备的设备信息，以使得所述智能融合终端启动所述预训练模型进行与所述指定设备之间的通信协议识别，并在识别成功时，进行针对所述指定设备的功能试验。本发明实施例很好地解决了现有终端检测方案中存在的耗时长、成本高、效率低的问题。

Description

面向智能融合终端的试验方法、云平台、终端及系统
技术领域
本发明涉及电力技术领域，具体地涉及一种面向智能融合终端的试验方法、云平台、终端及系统。
背景技术
当前，对于配电自动化系统，其智能融合终端至少存在以下缺陷：
1）智能融合终端在实际应用常因其本身功能配置不齐全、逻辑配置不合理或现场一次设备/互感器故障等干扰因素造成设备故障和功能失效；
2）智能融合终端的制造厂商众多，在自动重合闸、分布式馈线自动化、操作系统管理等新兴功能及性能方面的产品质量差异较大，终端信号采集准确性、设备运行稳定性及可靠性等方面存在安全隐患。
因此，对于配电自动化系统的规模化建设而言，加强智能融合终端的质量检测尤为重要。当前采用的检测手段一般包括：现场试验、型式试验、出厂试验。其中，现场试验依赖于人工操作，效率偏低；型式试验及出厂检验不容易再现终端接入设备后的真实运行环境和作业场景。
发明内容
本发明实施例的目的是提供一种面向智能融合终端的试验方法、云平台、终端及系统，用于至少部分地解决上述技术问题。
为了实现上述目的，本发明实施例提供一种面向智能融合终端的试验方法，应用于与该智能融合终端通信的云平台，且该试验方法包括：构建并将预训练模型部署到所述智能融合终端，其中所述预训练模型被配置为辅助所述智能融合终端进行该智能融合终端与不同设备之间的通信协议识别；以及向所述智能融合终端发送关于指定设备的设备信息，以使得所述智能融合终端启动所述预训练模型进行该智能融合终端与所述指定设备之间的通信协议识别，并在识别成功时，使得所述智能融合终端进行针对所述指定设备的功能试验。
优选地，在所述智能融合终端进行所述功能试验之后，所述试验方法还包括：向所述智能融合终端发送通过仿真得到的环境参数，以使得所述智能融合终端结合该环境参数重复所述功能试验。
优选地，构建所述预训练模型包括：基于修正的激励函数构建支持所述智能融合终端与不同设备之间的通信协议识别的神经网络模型，其中所述修正的激励函数是具有用于改变函数幅度值的第一收敛系数和用于改变变量弹性的第二收敛系数的改进Sigmoid函数；以及通过多种不同类型的通信协议帧训练所述神经网络模型，以得到所述预训练模型。
优选地，所述改进Sigmoid函数通过下式表示：
其中，f(x)为改进Sigmoid函数，x为变量，θ 1为第一收敛系数，θ 2为第二收敛系数。
优选地，构建所述神经网络模型包括：输入训练样本，以基于所述改进Sigmoid函数计算神经网络各层输出；计算神经网络各层误差；在针对所有训练样本完成一次训练且各层总误差小于或等于阈值的情况下，得到所述神经网络模型；以及在所述总误差大于所述阈值时，通过调整各层权值来降低所述总误差。
优选地，向所述智能融合终端发送关于指定设备的设备信息包括：向所述智能融合终端发送通过仿真得到的所述指定设备的通信协议帧，以使得所述智能融合终端在通信协议识别成功之后解析所述通信协议帧以得到所述设备信息；或者在预设的协议数据库中匹配所述指定设备的通信协议帧，并提取出该通信协议帧中的所述设备信息以发送给所述智能融合终端。其中，所述通信协议帧中包括所述设备信息，且所述协议数据库中存储有用于训练所述预训练模型的多种不同类型的通信协议帧。
优选地，所述试验方法还包括：在所述智能融合终端进行关于指定设备的通信协议识别而未识别成功时，接收所述智能融合终端反馈的指定设备的状态信息，并基于该状态信息重新构建所述预训练模型。
优选地，在向所述智能融合终端发送关于指定设备的设备信息之前，所述试验方法还包括：向所述智能融合终端发送关于进行所述功能试验的设定参数，以使得所述智能融合终端基于所述设定参数限定的试验场景和试验内容来进行所述功能试验。
另一方面，本发明还提供一种面向智能融合终端的试验方法，应用于该智能融合终端，该智能融合终端与云平台通信，且该试验方法包括：部署所述云平台提供的预训练模型，其中所述预训练模型被配置为辅助所述智能融合终端进行该智能融合终端与不同设备之间的通信协议识别；以及响应于从所述云平台接收的关于指定设备的设备信息，启动所述预训练模型进行所述智能融合终端与所述指定设备之间的通信协议识别，并在识别成功时，进行针对所述指定设备的功能试验。
优选地，在进行所述功能试验之后，所述试验方法还包括：接收所述云平台发送的通过仿真得到的环境参数，并结合该环境参数重复所述功能试验。
优选地，所述试验方法还包括：在进行关于指定设备的通信协议识别而未识别成功时，向所述云平台反馈指定设备的状态信息，以使得所述云平台基于该状态信息重新构建所述预训练模型。
优选地，在响应关于指定设备的设备信息之前，所述试验方法还包括：接收所述云平台发送的关于进行所述功能试验的设定参数，并基于所述设定参数限定的试验场景和试验内容来进行所述功能试验。
本发明还提供一种云平台，包括：模型训练模块，用于构建并将预训练模型部署到智能融合终端，其中所述预训练模型被配置为辅助所述智能融合终端进行该智能融合终端与不同设备之间的通信协议识别；以及功能试验模块，用于向所述智能融合终端发送关于指定设备的设备信息，以使得所述智能融合终端启动所述预训练模型进行所述智能融合终端与所述指定设备之间的通信协议识别，并在识别成功时，进行针对所述指定设备的功能试验。
优选地，所述云平台还包括：性能试验模块，用于向所述智能融合终端发送通过仿真得到的环境参数，以使得所述智能融合终端结合该环境参数重复所述功能试验。
优选地，所述模型训练模块构建所述预训练模型包括：基于修正的激励函数构建支持所述智能融合终端与不同设备之间的通信协议识别的神经网络模型，其中所述修正的激励函数是具有用于改变函数幅度值的第一收敛系数和用于改变变量弹性的第二收敛系数的改进Sigmoid函数；以及通过多种不同类型的通信协议帧训练所述神经网络模型，以得到所述预训练模型。
优选地，所述改进Sigmoid函数通过下式表示：
其中，f(x)为改进Sigmoid函数，x为变量，θ 1为第一收敛系数，θ 2为第二收敛系数。
优选地，所述云平台还包括仿真模块，其用于进行以下任意一者或多者的仿真：指定设备的通信协议帧；所述智能融合终端运行的环境参数；以及开发方案。
本发明还提供一种云平台，包括：存储器，其存储有能够在处理器上运行的程序；以及所述处理器，其被配置为执行所述程序时实现上述应用于云平台的任意的试验方法。
本发明还提供一种智能融合终端，包括：存储器，其存储有能够在处理器上运行的程序；以及所述处理器，其被配置为执行所述程序时实现应用于智能融合终端的任意的试验方法。
本发明还提供一种面向智能融合终端的试验系统，包括上述任意的云平台和上述任意的智能融合终端，所述云平台与所述智能融合终端相配合以实现关于该智能融合终端的试验。
本发明还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述任意的试验方法。
通过上述技术方案，本发明一方面提供了辅助智能融合终端快速识别设备协议的预训练模型，有助于节省开启功能试验之前的通信协议识别时间，另一方面使得智能融合终端自动地基于云平台的指示完成协议识别以进行功能试验，减少了人工参与，有助于节省现场试验的人力、物力和时间。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明实施例一的面向智能融合终端的试验方法的流程示意图；
图2是本发明实施例的示例中进行智能融合终端的试验的流程图；
图3是本发明实施例的示例中构建神经网络模型的流程示意图；
图4是本发明实施例二的面向智能融合终端的试验方法的流程示意图；
图5是本发明实施例的面向智能融合终端的云平台及试验系统的结构示意图；以及
图6是本发明实施例的云平台及智能融合终端的“存储器+处理器”的架构示意图。
附图标记说明
510、模型训练模块；520、功能试验模块；530、性能试验模块；540、仿真模块。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
本发明实施例提出了面向智能融合终端的新试验方案，其通过云平台与智能融合终端的配合，使得智能融合终端可以通过预训练模型来快速识别接入的设备的通信协议类型，并在识别成功后进行针对设备的功能试验。在此，先对云平台、智能融合终端及接入该智能融合终端的设备进行简单介绍，以便于本领域技术人员能够更好地理解本发明实施例的方案。
1）智能融合终端：在本发明实施例中，也可简称为终端。智能融合终端具备信息采集、物联代理及边缘计算等功能，支撑营销、配电及新兴业务。智能融合终端采用硬件平台化、功能软件化、结构模块化、软硬件解耦、通信协议自适配设计，满足高性能并发、大容量存储、多采集对象需求，是集成配电台区供用电信息采集、各采集终端或电能表数据收集、设备状态监测及通讯组网、就地化分析决策、协同计算等功能于一体的智能化融合终端设备。
2）云平台：在本发明实施例中，也可称为云仿真平台，其通过无线网络或4G/5G网络与智能融合终端进行实时通信，以一方面实时监测智能融合终端的当前任务，另一方面针对智能融合终端的实际功能进行控制。举例而言，云平台能够对智能融合终端的规划决策层及感知处理模块进行监测，能够实时地看到终端的运行记录及相关调试软件的实时输出，从而针对终端的实际功能进行控制。
3）接入智能融合终端的设备：在本发明实施例中，也可简称为终端设备或设备，是指通过例如物联网接入智能融合终端的多异构设备，例如开关设备、电/水/气/热计量设备、传感器设备、充电桩设备等。不同设备的接入带来不同类型的通信协议快速识别问题，而智能融合终端只有在成功识别相应通信协议之后，才能判断接入的是哪种类型的设备以及应该进行怎样的功能试验。
实施例一
图1是本发明实施例一的面向智能融合终端的试验方法的流程示意图。该试验方法应用于与智能融合终端通信的云平台，且该试验方法可以包括如下的步骤S110-S120。
步骤S110，构建并将预训练模型部署到智能融合终端。
其中，所述预训练模型被配置为辅助所述智能融合终端进行该智能融合终端与不同设备之间的通信协议识别，包括针对多种通信协议的识别。
步骤S120，向所述智能融合终端发送关于指定设备的设备信息，以使得所述智能融合终端启动所述预训练模型进行该智能融合终端与所述指定设备之间的通信协议识别，并在识别成功时，使得所述智能融合终端进行针对所述指定设备的功能试验。
进一步地，虽然步骤S120完成了功能试验，但在优选的实施例中，考虑到智能融合终端的稳定运行会受到环境影响，该试验方法还可以包括如下的通过步骤S130示出的性能试验步骤。
步骤S130，向所述智能融合终端发送通过仿真得到的环境参数，以使得所述智能融合终端结合该环境参数重复所述功能试验。
在优选的实施例中，若在步骤S120中，所述智能融合终端未成功识别关于指定设备的通信协议，则图1示出的试验方法还可以包括：接收所述智能融合终端反馈的指定设备的状态信息，并基于该状态信息重新构建所述预训练模型。
在优选的实施例中，在执行步骤S120之前，图1示出的试验方法还可以包括：向所述智能融合终端发送关于进行所述功能试验的设定参数，以使得所述智能融合终端基于所述设定参数限定的试验场景和试验内容来进行所述功能试验。即，预先进行试验场景和试验内容的设定。
下面通过示例具体描述上述步骤S110-S130分别示出的模型构建、功能试验及性能试验以及具体描述其他优选实施例的方案。
图2是本发明实施例一的示例中进行智能融合终端的试验的流程图。如图2所示，该示例可以包括以下的步骤S210-S240。
步骤S210，构建并将预训练模型下发到智能融合终端。
在示例中，进一步通过以下的步骤S211-S212(图中未示出)来构建所述预训练模型：
步骤S211，基于修正的激励函数构建支持所述智能融合终端与不同设备之间的通信协议识别的神经网络模型。
其中，所述修正的激励函数是具有用于改变函数幅度值的第一收敛系数和用于改变变量弹性的第二收敛系数的改进Sigmoid函数。
举例而言，所述改进Sigmoid函数通过下面的式（1）表示：
（1）
其中，f(x)为改进Sigmoid函数，x为变量，θ 1为用于改变函数幅度值的第一收敛系数，θ 2为用于改变变量弹性的第二收敛系数。
进一步举例而言，图3是本发明实施例的示例中构建神经网络模型的流程示意图，其中所构建的神经网络模型为常见的BP神经网络模型，其结构对于本领域技术人员是易知的，故在此不再赘述。
参考图3，可以包括以下步骤S1-S3：
步骤S1，输入训练样本，以基于改进Sigmoid函数计算神经网络各层输出。
举例而言，先对BP神经网络进行初始化设置，包括：对权值矩阵v、w随机赋数，样本数量p置为0，误差E置为0，学习率设为0~1内的小数，网络训练后达到的阈值/>设为一个正的小数。然后输入训练样本，计算各层输出：
（2）
（3）
其中，、/>，/>表示输入层样本，/>和/>分别表示隐含层和输出层的输出，/>表示隐含层神经元/>的阈值，/>为输入层神经元/>与隐含层神经元/>之间的连接权值，/>为隐含层神经元/>与输出层神经元/>之间的连接权值，/>和/>分别表示隐含层和输出层的激励函数。
步骤S2，计算神经网络各层误差。
承接上述的示例，即从到/>、/>到/>之间的误差传递。假设现有/>个训练样本，用/>表示输入/>的期望输出，则BP网络的误差E可由式（4）计算可得。
（4）
其中，为第/>个训练样本的训练误差，计算方法如式（5）所示。
（5）
在BP神经网络中，需要通过反复训练促使误差E最小。在以往的BP算法学习中采用形式单一的Sigmoid函数（又称S函数）作为激励函数，由于误差曲面较为平坦，在接近目标点区域内收敛的速度较慢，在最优点及最小点附近的误差梯度变化十分微小，而BP算法中的权值调整无法分辨极小点及最小点，致使其陷入某个局部极值点且无法跳出。因此，在该示例中，上述式（2）和式（3）中的激励函数和/>均采用上述式（1）所示出的改进Sigmoid函数，通过引入加权收敛系数/>、/>（其中/>）修改激励函数以进行权值及误差曲面的调整，进而改变网络误差曲面的变化率，可以更好地避开函数的局部最小值，提高函数容错率。
步骤S3，检查是否对所有样本完成一次轮训，包括：在针对所有训练样本完成一次训练且各层总误差小于或等于阈值的情况下，得到所述神经网络模型；以及在所述总误差大于所述阈值时，通过调整各层权值来降低所述总误差。
承接上述示例，若，则样本数量p增1，返回步骤S1，否则计算网络总误差E是否达到阈值/>，若/>，结束学习，否则通过下式来调整各层权值，再返回步骤S1重新训练：
（6）
（7）
据此，得到了收敛速度更高的改进型BP神经网络模型，其是一种轻量级深度神经网络模型。
步骤S212，通过多种不同类型的通信协议帧训练所述神经网络模型，以得到所述预训练模型。
在示例中，针对该预训练模型，还在完成对多种通信协议的学习过程中，建立协议数据库，以存储训练完成的通信协议。
需说明的是，在示例中，在预训练模型获取阶段，完成的是针对多协议的学习过程，以使得在后续步骤涉及的推理阶段可以完成多协议的感知过程（即协议识别）。若协议数据库中没有相应的通信协议，则智能融合终端将陌生协议设备的实时状态推送到云平台，由云平台的主站下发控制命令，并再次进行学习，完成模型的扩展和优化，训练完成后再将该模型下发至智能融合终端。
回到图2，构建并将预训练模型部署到所述智能融合终端之后，进一步包括以下的步骤S220-S240：
步骤S220，进行初始化操作，设定试验场景。
在示例中，其属于优选步骤，在云平台中，试验或开发人员可通过计算机内的仿真模块（例如仿真软件）进行初始化操作，完成对智能融合终端的参数设定，包括限定试验场景及试验内容。因此，可在执行后续步骤之前，优选先根据实际的试验需求，确定合适的试验场景，并限定试验内容，以提升后续进行功能试验的针对性。
步骤S230，功能验证。
具体地，对应于步骤S120，向所述智能融合终端发送关于指定设备的设备信息，以使得所述智能融合终端启动所述预训练模型进行该智能融合终端与所述指定设备之间的通信协议识别，并在识别成功时，进行针对所述指定设备的功能试验。
其中，向所述智能融合终端发送关于指定设备的设备信息包括：向所述智能融合终端发送通过仿真得到的所述指定设备的通信协议帧，以使得所述智能融合终端在通信协议识别成功之后解析所述通信协议帧以得到所述设备信息；或者在预设的协议数据库中匹配所述指定设备的通信协议帧，并提取出该通信协议帧中的所述设备信息以发送给所述智能融合终端。并且，所述通信协议帧中包括所述设备信息，且所述协议数据库中存储有用于训练所述预训练模型的多种不同类型的通信协议帧。
举例而言，通过仿真模块给智能融合终端发送电表、开关、传感器等低压配电设备的通信协议帧，作为智能融合终端轻量级深度神经网络模型的输入，若上述设备的通信协议帧已经在协议数据库中，则直接提取通信协议帧中的设备信息用于验证智能融合终端的功能。
进一步举例而言，所验证的融合终端的功能可以包括配变监测功能、停电事件研判功能、电能质量分析功能和设备交互功能等。
在示例中，以通过仿真模块输入变压器状态信息给智能融合终端为例，智能融合终端通过解析通信协议帧得到变压器的电压、电流、温度等信息，判断变压器的工作状态从而输出判定结果，则表示智能融合终端配变监测功能正常。如果收到通信协议帧后无法输出判定结果，则智能融合终端功能验证失败。如智能融合终端不能解析仿真模块提供的某设备的通信协议帧，则说明该数据协议不在智能融合终端的协议数据库中，则重复上述关于模型训练的步骤，重新进行训练，对预训练模型进行完善后再下发至智能融合终端。
步骤S240，性能验证。
在示例中，模拟在极寒、酷热或其他恶劣环境条件下终端设备运行的稳定性，判断各个功能模块是否正常运行。在此，通过仿真模块设置智能融合终端工作的温度、湿度、强电磁干扰等环境参数，并给智能融合终端发送已经存在协议数据库中的某设备的通信协议帧，重复步骤S230以进行特定环境条件下的功能验证，这称为性能验证。
除上述步骤S210-S240之外，在优选的实施例中，还可以包括：步骤S250（图中未示出），进行开发方案的虚拟仿真试验，并输出试验报告。
针对该步骤S250，在示例中，所述云平台可以用于实现面向智能融合终端的开发方案构建、方案推演、方案推演数据输出功能。即，通过云平台进行这些开发方案的虚拟仿真试验，最终输出试验报告。通过多次试验，可对比报告结果选出最优开发方案。
通过示例可知，本发明实施例的试验方法至少具有以下方面的优势：
1）本发明实施例一方面提供了辅助智能融合终端快速识别设备协议的预训练模型，有助于节省开启功能试验之前的通信协议识别时间，另一方面使得智能融合终端自动地基于云平台的指示完成协议识别以进行功能试验，减少了人工参与，有助于节省现场试验的人力、物力和时间。因此，本发明实施例很好地解决了现有终端检测方案中存在的耗时长、成本高、效率低的问题。
2）本发明实施例通过控制智能融合终端进行功能试验，实现了对终端与设备的质量监督，有助于保证整个配电自动化系统的正常运行。
3）本发明实施例涉及关于智能融合终端的功能试验、性能试验以及关于终端开发方案的虚拟仿真试验，形成了较为完善的终端质量检测体系，有助于适应当前终端标准化试验手段的发展需求。
4）本发明实施例可通过仿真手段来进行环境参数、设备信息等的模拟，进而辅助实现终端的功能试验、性能试验等，形成了结合场景模拟的试验环境，例如可建立具备采集、控制、测量、监视功能的智能融合终端运行场景的闭环式模拟环境。
5）本发明实施例利用神经网络训练出用于识别协议的预训练模型，而随着样本数据的不断积累，预训练模型也随之迭代升级，能更好地完成终端质量检测，进而指导终端及设备的开发、调试等工作。
6）本发明实施例将实际终端与仿真相集合，极大地提高了功能验证和性能验证等的真实性与可信度，且充分结合台区的终端及设备的作业特点，根据试验或开发调试需求将台区实际的试验场景等融合进来，具备实践应用性强的优点。
7）本发明实施例在采用神经网络训练模型时，采用了改进的Sigmoid函数作为激励函数，进而改变网络误差曲面的变化率，可以更好地避开函数的局部最小值，提高函数容错率。
8）智能融合终端的整个开发方案的作业流程依据云平台基本都能够完成试验，并支持全流程的长时间循环实验，便于再现终端接入设备后的真实运行环境和作业场景。
实施例二
图4是本发明实施例二的面向智能融合终端的试验方法的流程示意图，该试验方法应用于该智能融合终端，该智能融合终端与云平台通信，且该试验方法包括：
步骤S410，部署所述云平台提供的预训练模型。
其中，所述预训练模型被配置为辅助所述智能融合终端进行该智能融合终端与不同设备之间的通信协议识别。
步骤S420，响应于从所述云平台接收的关于指定设备的设备信息，启动所述预训练模型进行所述智能融合终端与所述指定设备之间的通信协议识别，并在识别成功时，进行针对所述指定设备的功能试验。
在优选的实施例中，在进行所述功能试验之后，所述试验方法还包括：
步骤S430，接收所述云平台发送的通过仿真得到的环境参数，并结合该环境参数重复所述功能试验。
在优选的实施例中，所述试验方法还包括：在进行关于指定设备的通信协议识别而未识别成功时，向所述云平台反馈对应设备的状态信息，以使得所述云平台基于该状态信息重新构建所述预训练模型。
在优选的实施例中，在步骤S420中，在响应关于指定设备的设备信息之前，所述试验方法还包括：接收所述云平台发送的关于进行所述功能试验的设定参数，并基于所述设定参数限定的试验场景和试验内容来进行所述功能试验。
关于该试验方法的更多实施细节及效果可参考前述实施例一，在此则不再进行赘述。
实施例三
如图5所示，本发明实施例三提供了一种与智能融合终端通信的云平台，且该云平台包括：模型训练模块510，用于构建并将预训练模型部署到智能融合终端，其中所述预训练模型被配置为辅助所述智能融合终端进行该智能融合终端与不同设备之间的通信协议识别；以及功能试验模块520，用于向所述智能融合终端发送关于指定设备的设备信息，以使得所述智能融合终端启动所述预训练模型进行所述智能融合终端与所述指定设备之间的通信协议识别，并在识别成功时，进行针对所述指定设备的功能试验。
在优选的实施例中，所述云平台还包括：性能试验模块530，用于向所述智能融合终端发送通过仿真得到的环境参数，以使得所述智能融合终端结合该环境参数重复所述功能试验。
在优选的实施例中，所述云平台还包括仿真模块540，其用于进行以下任意一者或多者的仿真：指定设备的通信协议帧；所述智能融合终端运行的环境参数；以及开发方案。
此外，该云平台还可包括协议数据库。
关于该云平台的更多实施细节及效果可参考前述实施例一，在此则不再进行赘述。
实施例四
本发明实施例四提供了一种面向智能融合终端的云平台，参考图6，包括：存储器，其存储有能够在处理器上运行的程序；以及所述处理器，其被配置为执行所述程序时实现实施例一所述的试验方法。
在优选的实施例中，上述模型训练模块、功能试验模块、性能试验模块和仿真模块等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现本发明实施例一的试验方法。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
实施例五
本发明实施例五提供了一种智能融合终端，而该智能融合终端与云平台通信。参考图6，该智能融合终端包括：存储器，其存储有能够在处理器上运行的程序；以及所述处理器，其被配置为执行所述程序时实现实施例二所述的试验方法。
需说明的是，其更多实施细节及效果可参考前述的实施例二和实施例四，在此则不再进行赘述。
实施例六
参考图5，本发明实施例六提供一种面向智能融合终端的试验系统，包括上述任意的云平台和上述任意的智能融合终端，所述云平台与所述智能融合终端相配合以实现关于该智能融合终端的试验。
相比出现有技术中的型式试验、出厂试验和现场试验，本发明实施例的试验系统属于实验模拟，其可以模拟例如运行场景等使得试验系统与配电自动化系统具有相近的外在表现，实现对于终端设备的功能、性能、安全性试验等，降低终端设备的开发周期和成本，节省现场调试的人力、物力和时间。该实施例的试验系统的更多实施细节及效果可参考前述的实施例二和实施例四，在此则不再进行赘述。
本发明实施例提供了一种机器可读存储介质，其上存储有程序或指令，该程序或指令被机器（例如处理器）执行时实现上述任意的试验方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意的试验方法。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有上述任意的试验方法的步骤的程序。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (21)

1.一种面向智能融合终端的试验方法，其特征在于，应用于与该智能融合终端通信的云平台，且该试验方法包括：
构建并将预训练模型部署到所述智能融合终端，其中所述预训练模型被配置为辅助所述智能融合终端进行该智能融合终端与不同设备之间的通信协议识别；以及
向所述智能融合终端发送关于指定设备的设备信息，以使得所述智能融合终端启动所述预训练模型进行该智能融合终端与所述指定设备之间的通信协议识别，并在识别成功时，使得所述智能融合终端进行针对所述指定设备的功能试验。
2.根据权利要求1所述的试验方法，其特征在于，在所述智能融合终端进行所述功能试验之后，所述试验方法还包括：
向所述智能融合终端发送通过仿真得到的环境参数，以使得所述智能融合终端结合该环境参数重复所述功能试验。
3.根据权利要求1所述的试验方法，其特征在于，构建所述预训练模型包括：
基于修正的激励函数构建支持所述智能融合终端与不同设备之间的通信协议识别的神经网络模型，其中所述修正的激励函数是具有用于改变函数幅度值的第一收敛系数和用于改变变量弹性的第二收敛系数的改进Sigmoid函数；以及
通过多种不同类型的通信协议帧训练所述神经网络模型，以得到所述预训练模型。
4.根据权利要求3所述的试验方法，其特征在于，所述改进Sigmoid函数通过下式表示：
其中，f(x)为改进Sigmoid函数，x为变量，θ 1为第一收敛系数，θ 2为第二收敛系数。
5.根据权利要求3所述的试验方法，其特征在于，构建所述神经网络模型包括：
输入训练样本，以基于所述改进Sigmoid函数计算神经网络各层输出；
计算神经网络各层误差；
在针对所有训练样本完成一次训练且各层总误差小于或等于阈值的情况下，得到所述神经网络模型；以及
在所述总误差大于所述阈值时，通过调整各层权值来降低所述总误差。
6.根据权利要求1-5中任意一项所述的试验方法，其特征在于，向所述智能融合终端发送关于指定设备的设备信息包括：
向所述智能融合终端发送通过仿真得到的所述指定设备的通信协议帧，以使得所述智能融合终端在通信协议识别成功之后解析所述通信协议帧，以得到所述设备信息；或者
在预设的协议数据库中匹配所述指定设备的通信协议帧，并提取出该通信协议帧中的所述设备信息以发送给所述智能融合终端；
其中，所述通信协议帧中包括所述设备信息，且所述协议数据库中存储有用于训练所述预训练模型的多种不同类型的通信协议帧。
7.根据权利要求1-5中任意一项所述的试验方法，其特征在于，所述试验方法还包括：
在所述智能融合终端进行关于指定设备的通信协议识别而未识别成功时，接收所述智能融合终端反馈的指定设备的状态信息，并基于该状态信息重新构建所述预训练模型。
8.根据权利要求1-5中任意一项所述的试验方法，其特征在于，在向所述智能融合终端发送关于指定设备的设备信息之前，所述试验方法还包括：
向所述智能融合终端发送关于进行所述功能试验的设定参数，以使得所述智能融合终端基于所述设定参数限定的试验场景和试验内容来进行所述功能试验。
9.一种面向智能融合终端的试验方法，其特征在于，应用于该智能融合终端，该智能融合终端与云平台通信，且该试验方法包括：
部署所述云平台提供的预训练模型，其中所述预训练模型被配置为辅助所述智能融合终端进行该智能融合终端与不同设备之间的通信协议识别；以及
响应于从所述云平台接收的关于指定设备的设备信息，启动所述预训练模型进行所述智能融合终端与所述指定设备之间的通信协议识别，并在识别成功时，进行针对所述指定设备的功能试验。
10.根据权利要求9所述的试验方法，其特征在于，在进行所述功能试验之后，所述试验方法还包括：
接收所述云平台发送的通过仿真得到的环境参数，并结合该环境参数重复所述功能试验。
11.根据权利要求9所述的试验方法，其特征在于，所述试验方法还包括：
在进行关于所述指定设备的通信协议识别而未识别成功时，向所述云平台反馈指定设备的状态信息，以使得所述云平台基于该状态信息重新构建所述预训练模型。
12.根据权利要求9所述的试验方法，其特征在于，在响应关于指定设备的设备信息之前，所述试验方法还包括：
接收所述云平台发送的关于进行所述功能试验的设定参数，并基于所述设定参数限定的试验场景和试验内容来进行所述功能试验。
13.一种云平台，其特征在于，包括：
模型训练模块，用于构建并将预训练模型部署到智能融合终端，其中所述预训练模型被配置为辅助所述智能融合终端进行该智能融合终端与不同设备之间的通信协议识别；以及
功能试验模块，用于向所述智能融合终端发送关于指定设备的设备信息，以使得所述智能融合终端启动所述预训练模型进行所述智能融合终端与所述指定设备之间的通信协议识别，并在识别成功时，进行针对所述指定设备的功能试验。
14.根据权利要求13所述的云平台，其特征在于，所述云平台还包括：
性能试验模块，用于向所述智能融合终端发送通过仿真得到的环境参数，以使得所述智能融合终端结合该环境参数重复所述功能试验。
15.根据权利要求13所述的云平台，其特征在于，所述模型训练模块构建所述预训练模型包括：
基于修正的激励函数构建支持所述智能融合终端与不同设备之间的通信协议识别的神经网络模型，其中所述修正的激励函数是具有用于改变函数幅度值的第一收敛系数和用于改变变量弹性的第二收敛系数的改进Sigmoid函数；以及
通过多种不同类型的通信协议帧训练所述神经网络模型，以得到所述预训练模型。
16.根据权利要求15所述的云平台，其特征在于，所述改进Sigmoid函数通过下式表示：
其中，f(x)为改进Sigmoid函数，x为变量，θ 1为第一收敛系数，θ 2为第二收敛系数。
17.根据权利要求13所述的云平台，其特征在于，所述云平台还包括仿真模块，其用于进行以下任意一者或多者的仿真：
指定设备的通信协议帧；
所述智能融合终端运行的环境参数；以及
开发方案。
18.一种云平台，其特征在于，包括：
存储器，其存储有能够在处理器上运行的程序；以及
所述处理器，其被配置为执行所述程序时实现权利要求1至8中任意一项所述的试验方法。
19.一种智能融合终端，其特征在于，包括：
存储器，其存储有能够在处理器上运行的程序；以及
所述处理器，其被配置为执行所述程序时实现权利要求9至12中任意一项所述的试验方法。
20.一种面向智能融合终端的试验系统，其特征在于，包括权利要求13-18中任意一项所述的云平台和权利要求19所述的智能融合终端，所述云平台与所述智能融合终端相配合以实现关于该智能融合终端的试验。
21.一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令用于使得机器执行权利要求1-12中任意一项所述的试验方法。
CN202310749800.2A 2023-06-25 2023-06-25 面向智能融合终端的试验方法、云平台、终端及系统 Pending CN116505662A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310749800.2A CN116505662A (zh) 2023-06-25 2023-06-25 面向智能融合终端的试验方法、云平台、终端及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310749800.2A CN116505662A (zh) 2023-06-25 2023-06-25 面向智能融合终端的试验方法、云平台、终端及系统

Publications (1)

Publication Number Publication Date
CN116505662A true CN116505662A (zh) 2023-07-28

Family

ID=87326950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310749800.2A Pending CN116505662A (zh) 2023-06-25 2023-06-25 面向智能融合终端的试验方法、云平台、终端及系统

Country Status (1)

Country Link
CN (1) CN116505662A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109889525A (zh) * 2019-02-26 2019-06-14 北京智芯微电子科技有限公司 多通信协议智能感知方法
CN111751522A (zh) * 2019-03-27 2020-10-09 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 一种细胞检测分析仪及细胞增殖信息的检测方法
CN115967169A (zh) * 2022-11-03 2023-04-14 国网浙江省电力有限公司 一种智能配变终端的测试系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109889525A (zh) * 2019-02-26 2019-06-14 北京智芯微电子科技有限公司 多通信协议智能感知方法
CN111751522A (zh) * 2019-03-27 2020-10-09 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 一种细胞检测分析仪及细胞增殖信息的检测方法
CN115967169A (zh) * 2022-11-03 2023-04-14 国网浙江省电力有限公司 一种智能配变终端的测试系统及方法

Similar Documents

Publication Publication Date Title
CN111509862B (zh) 基于数字孪生云的海上平台电力系统结构优化方法及系统
CN109886328B (zh) 一种电动汽车充电设施故障预测方法与系统
CN115423009A (zh) 一种面向云边协同的电力设备故障识别方法及系统
CN112994989B (zh) 物联网终端的评测方法、装置、系统、及存储介质
CN108182500A (zh) 基于加速寿命试验的弹药贮存可靠性预测方法
CN112581445A (zh) 一种输电线路螺栓的检测方法、装置、存储介质及电子设备
CN111174370A (zh) 故障检测方法及装置、存储介质、电子装置
CN112163377B (zh) 变压器温度预警模型的获取方法和装置及温度预测方法
LU500551B1 (en) Virtual load dominant parameter identification method based on incremental learning
CN114925238B (zh) 一种基于联邦学习的视频片段检索方法及系统
CN116681962A (zh) 基于改进YOLOv5的电力设备热图像检测方法及系统
CN116488169A (zh) 基于智慧开关的故障处理方法、装置、系统和介质
CN113612237A (zh) 一种在海上风电场中定位谐振诱发的次同步振荡源的方法
CN117675838A (zh) 一种智能量测主站数据自动同步及共享方法及系统
JP7550322B2 (ja) 二次電池の低電圧不良予測装置および方法、並びにその装置を含む電池制御システム
CN113675947A (zh) 输电网关的输电侧设备状态监测方法、及输电网关
CN114611081B (zh) 账号类型识别方法、装置、设备、存储介质及产品
Legatiuk et al. An abstract approach towards modeling intelligent structural systems
CN116505662A (zh) 面向智能融合终端的试验方法、云平台、终端及系统
CN112860558A (zh) 基于拓扑发现的多接口自动化测试方法及装置
CN116930769A (zh) 一种基于双向生成式对抗神经网络的锂电池建模方法
CN116520074A (zh) 一种基于云边协同的有源配电网故障定位方法与系统
CN109581194A (zh) 一种电子系统故障测试策略动态生成方法
CN115267586A (zh) 锂电池soh评估方法
CN107679478A (zh) 输电线路空间负荷状态的提取方法和系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230728

RJ01 Rejection of invention patent application after publication