CN116980963A - 电力无人机巡检流量卸载决策方法、系统、设备及介质 - Google Patents
电力无人机巡检流量卸载决策方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116980963A CN116980963A CN202310895328.3A CN202310895328A CN116980963A CN 116980963 A CN116980963 A CN 116980963A CN 202310895328 A CN202310895328 A CN 202310895328A CN 116980963 A CN116980963 A CN 116980963A
- Authority
- CN
- China
- Prior art keywords
- data
- unmanned aerial
- aerial vehicle
- edge computing
- power terminal
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 153
- 238000000034 method Methods 0.000 title claims abstract description 111
- 238000004891 communication Methods 0.000 claims abstract description 79
- 230000005540 biological transmission Effects 0.000 claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims description 61
- 230000006870 function Effects 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 34
- 230000005856 abnormality Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 238000003331 infrared imaging Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000002411 adverse Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0226—Traffic management, e.g. flow control or congestion control based on location or mobility
-
- 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
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
- H04W28/0236—Traffic management, e.g. flow control or congestion control based on communication conditions radio quality, e.g. interference, losses or delay
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0925—Management thereof using policies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0958—Management thereof based on metrics or performance parameters
- H04W28/0967—Quality of Service [QoS] parameters
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种电力无人机巡检流量卸载决策方法、系统、设备及介质，方法包括判断电力无人机要发送至地面边缘计算节点的数据类型是摘要信息还是完整数据，以及数据发送方式是通过无线2.4G频段通信将数据直接发到地面边缘计算节点上，还是通过5G通信将数据发到5G基站再由5G基站发送至边缘计算节点上；根据判断结果得到的数据发送类型以及数据发送方式组成四种卸载策略；对每种卸载策略所可能存在的极端事件综合考虑发生的概率与产生的损失，计算每种卸载策略的性能评分，电力无人机选取得分最高的卸载策略将巡检数据传输至边缘计算节点。本发明避免了由于可能发生的极端事件对流量卸载性能产生的恶劣影响，保障了巡检数据传输的可靠性。
Description
技术领域
本发明属于电力设施巡检技术领域，具体涉及一种电力无人机巡检流量卸载决策方法、系统、设备及介质。
背景技术
电力无人机巡检是近年来兴起的一种新型巡检技术，相比传统的人工巡检，首先，电力无人机巡检可以实现无死角的巡检，避免漏检和误检的问题。其次，电力无人机巡检可以减少人力资源的占用，提高巡检效率，并且减少了人员的工作强度和安全风险。此外，电力无人机巡检可以利用激光雷达、相机等高精度设备，实现对电力设施的高清晰度、高精度监测，对于发现电力设施的缺陷和故障具有很高的敏感度，具有更高的效率和准确度，能够有效提高电力系统的安全性和稳定性，可以有效提高电力系统的巡检效率和质量，降低运维成本，是电力系统巡检的重要手段。然而电力5G无人机巡检的实现仍然面临着如下技术挑战：
一方面，要实现电力5G无人机高效率巡检，流量卸载技术不仅需要考虑无人机卸载过程中的性能表现，还需要考虑到计及如通信链路遭受强电磁干扰、数据信息编码错误等极端事件。如何根据极端事件发生概率调整巡检无人机数据流量卸载优化策略以保障巡检数据高效传输，是亟待解决的问题。另一方面，电力5G无人机巡检过程中由于巡检通信环境动态变化，卸载策略也需要根据环境的变化而动态变化。如何动态调整无人机流量卸载策略以保证与高度动态变化的巡检环境高度适配，确保数据能够及时传输，是保障电力5G无人机巡检工作可靠性和经济性的重要前提。
发明内容
本发明的目的在于针对上述现有技术中的问题，提供一种电力无人机巡检流量卸载决策方法、系统、设备及介质，实现流量卸载的动态调整，避免由于可能发生的极端事件对电力无人机流量卸载性能产生的恶劣影响，保障电力无人机巡检数据传输的可靠性和经济性。
为了实现上述目的，本发明有如下的技术方案：
第一方面，提供一种电力无人机巡检流量卸载决策方法，包括：
判断电力无人机要发送至地面边缘计算节点的数据类型是摘要信息还是完整数据，以及数据发送方式是通过无线2.4G频段通信将数据直接发到地面边缘计算节点上，还是通过5G通信将数据发到5G基站再由5G基站发送至边缘计算节点上；
根据判断结果得到的数据发送类型以及数据发送方式组成四种卸载策略，分别为通过无线2.4G频段通信发送数据摘要信息、通过无线2.4G频段通信发送完整数据、通过5G通信发送数据摘要信息以及通过5G通信发送完整数据；
对每种卸载策略所可能存在的极端事件综合考虑发生的概率与产生的损失，计算每种卸载策略的性能评分，电力无人机选取得分最高的卸载策略将巡检数据传输至边缘计算节点。
作为一种优选方案，还包括电力无人机巡检异常初步判断的步骤，所述电力无人机巡检异常初步判断的步骤包括：
通过电力无人机拍摄的红外线照片或紫外线视频进行图像处理和分析，对电力线路和电力装置的异常状态进行识别判断；或者，利用被巡检的电力终端上搭载的传感器获取电力线路和电力装置的数据信息，结合电力线路和电力装置的历史数据和先验知识，综合分析得出初步判断结果；判断结果包括是否出现故障、出现何种故障以及故障发生的概率；
电力无人机将巡检异常的初步判断结果发送至地面边缘计算节点，并进一步继续判断电力无人机要发送至地面边缘计算节点的数据类型以及数据发送方式，执行后续步骤。
优选的，所述根据数据发送类型以及数据发送方式组成四种卸载策略的步骤包括：
考虑一个共有T时隙的时隙模型，集合表示为T＝{1,...,t,...,T}，所述四种卸载策略分别用M1,M2,M3,M4表示；
其中，流量卸载策略M1为通过5G通信方式将摘要信息传输至地面边缘计算节点上，流量卸载策略M2为通过5G通信方式将完整信息传输至地面边缘计算节点上，流量卸载策略M3为通过无线2.4G频段通信方式将摘要信息传输至地面边缘计算节点上，流量卸载策略M4为通过无线2.4G频段通信方式将完整信息传输至地面边缘计算节点上。
作为一种优选方案，所述对每种卸载策略所可能存在的极端事件综合考虑发生的概率与产生的损失，计算每种卸载策略的性能评分的步骤包括：
对于卸载策略Mi，假设有k种极端事件，集合表示为Ei＝{Ei,1,...,Ei,k,...,Ei,K}；设pi,k(t)表示第t时隙卸载策略Mi遇到极端事件Ei,k的概率，Li,k(t)表示第t时隙卸载策略Mi在遇到极端事件Ei,k时产生的损失；
设Si(t)表示第t时隙卸载策略Mi的得分，表示允许的最大损失，则第t时隙卸载策略Mi的评分按下式计算：
式中，Gi(t)表示第t时隙卸载策略Mi的卸载性能，pi,k(t)表示允许的最大损失极端事件的概率；允许的最大损失极端事件的概率pi,k(t)通过神经网络进行预测：
输入数据集合表示为其中/>表示历史故障概率，/>表示当前状态下的链路情况，/>表示巡检无人机所处的地理位置；
神经网络的输出pi,k(t)由下式计算：
式中，为输入层第/>个元素到输出层的权重，/>为输入层第/>个元素到输出层的偏置，f[·]为非线性激活函数，采用sigmoid函数作为神经网络的激活函数。
作为一种优选方案，还包括地面边缘计算节点在接收到数据后调整电力无人机巡检决策的步骤，具体包括：
设经地面边缘计算节点处理后的电力终端n的电力无人机巡检数据为Dn(t)，其中Dn(t)包括以下指标：
Dn(t)＝{dn,1(t),dn,2(t),dn,3(t),dn,4(t),dn,5(t),dn,6(t),dn,7(t)}
式中，dn,1(t)表示电力终端n的位置信息；dn,2(t)表示经地面边缘计算节点识别处理后的电力终端n的红外成像图片状态数据，其中，dn,2(t)＝1表示异常，dn,29t)＝0表示正常；dn,3(t)表示经地面边缘计算节点识别处理后的电力终端n的紫外摄像机图片状态数据，其中，dn,3(t)＝1表示异常，dn,3(t)＝0表示正常；dn,4(t)表示电力终端n周围环境的温度数据；dn,5(t)表示电力终端n周围环境的湿度数据；dn,6(t)表示电力终端n周围环境的光照强度；dn,7(t)表示电力终端n周围环境的风速；
根据经地面边缘计算节点处理的电力无人机巡检数据Dn(t)计算电力终端n的判断指标：
式中，αn,υ代表在电力终端n的故障判断中第υ项指标的指标权重，范围在[0,1]之间，当αn,υ取值为零时代表此项表征的数据并非终端故障判断因素，θn,υ代表电力终端n正常运行时如温度、湿度等环境数据的正常值，Fn(t)的值越大，表示电力终端n越可能存在故障；
在第t时隙，根据所求得的Fn(t)与预设的表征是否存在故障的判断阈值Fn Fault进行比较，对电力终端n的运行状态进行判断，在进行判断的过程中通过基于电力终端n的历史故障总数计算的置信区间来表征评分的不确定度，其中βn(t)为第t时隙电力终端故障指示变量，βn(t)＝0为第t时隙电力终端n发生故障，βn(t)＝1为第t时隙电力终端n运行正常，当前t-1个时隙电力终端n运行正常总次数越多，则置信区间越小；
当评分及其故障置信区间之和小于等于故障的判断阈值Fn Fault时，即：
表示电力终端n的运行状态正常，无需调整电力巡检无人机的姿态与巡检路径；
当评分及其故障置信区间之和大于故障的判断阈值Fn Fault且评分及其故障置信区间之差小于等于故障的判断阈值Fn Fault时，即：
且/>
表示电力终端n的运行状态需要继续观察，地面边缘计算节点通过下发指令对巡检无人机的飞行姿态FA(t)与巡检路径IP(t)进行动态调整，以继续观察存在异常的电力终端设备；
当评分及其故障置信区间之差大于故障的判断阈值Fn Fault时，即：
表示电力终端n发生故障，地面边缘计算节点通过下发指令对巡检无人机的飞行姿态FA(t)与巡检路径IP(t)进行动态调整，以传输故障设备实时状态。
作为一种优选方案，还包括在第t时隙，当地面边缘计算节点对无人机巡检数据分析完毕后，基于通信可靠性指标以及经济性指标进行评估，对无人机卸载策略决策方案进行重新评分，包含如下步骤：
对决策综合评分的多个指标，按可靠性和经济性两个评估角度划分为两个子集，集合表示为H＝{H1,H2}，或者，表示为H＝{Hq,l}，q＝1,2，l＝1,2,...,δ，表示每个子集Hq中包含δ个评估指标；
在第t时隙，电力无人机的流量卸载过程对于子集Hq中的第l个评估指标，评分为xq,l(t)，设置优、良、中、差四类状态，评语集为V＝{优、良、中、差}，基于改进三角梯形分布，表示子集Hq中的第l个评估指标对各个评价等级的隶属度关系，并按下式对隶属度进行评估：
式中，f(x)为隶属度函数，为状态量的状态级别对应的模糊分界区间界限；将子集Hq中δ个评估指标的打分值带入4个评估等级对应的隶属度函数中，得到如下模糊判决矩阵：
在第t时隙，对于子集Hq中的第l个评估指标，将重要程度表示为权重wq,l(t)，并满足则中包含δ个评估指标的权重分配集合为Aq＝[wq,1,wq,2,...,wq,δ]；子集Hq的模糊综合判断结果表示为：
式中，为模糊运算符，表示行列元素相乘后再进行加和计算，且结果中每一个元素不超过1；
在第t时隙末，只对所采用的流量卸载策略Mi进行评分更新，未采用的流量卸载策略评分不变；在第t+1时隙，流量卸载策略Mi的评分Gi(t+1)更新为：
Gi(t+1)～N(η,δ2)
式中，N表示正态分布，η为基于模糊综合判断结果所计算的包含可靠性与经济性两方面的评分均值，δ2为基于模糊综合判断结果所计算的包含可靠性与经济性两方面的评分方差，计算表达式如下：
由地面边缘计算节点将调整策略以及无人机流量卸载策略Mi的评分Gi(t+1)反馈给无人机，无人机在第t+1时隙，将Gi(t+1)代入评分计算公式中更新流量卸载策略。
第二方面，提供一种电力无人机巡检流量卸载决策系统，包括：
数据发送类型以及数据发送方式判断模块，用于判断电力无人机要发送至地面边缘计算节点的数据类型是摘要信息还是完整数据，以及数据发送方式是通过无线2.4G频段通信将数据直接发到地面边缘计算节点上，还是通过5G通信将数据发到5G基站再由5G基站发送至边缘计算节点上；
卸载策略组建模块，用于根据判断结果得到的数据发送类型以及数据发送方式组成四种卸载策略，分别为通过无线2.4G频段通信发送数据摘要信息、通过无线2.4G频段通信发送完整数据、通过5G通信发送数据摘要信息以及通过5G通信发送完整数据；
卸载策略评分选择模块，用于对每种卸载策略所可能存在的极端事件综合考虑发生的概率与产生的损失，计算每种卸载策略的性能评分，电力无人机选取得分最高的卸载策略将巡检数据传输至边缘计算节点。
作为一种优选方案，还包括无人机巡检异常初步判断模块，用于对电力无人机巡检异常进行初步判断，包括：
通过电力无人机拍摄的红外线照片或紫外线视频进行图像处理和分析，对电力线路和电力装置的异常状态进行识别判断；或者，利用被巡检的电力终端上搭载的传感器获取电力线路和电力装置的数据信息，结合电力线路和电力装置的历史数据和先验知识，综合分析得出初步判断结果；判断结果包括是否出现故障、出现何种故障以及故障发生的概率；
电力无人机将巡检异常的初步判断结果发送至地面边缘计算节点，并进一步继续判断电力无人机要发送至地面边缘计算节点的数据类型以及数据发送方式，执行后续步骤。
作为一种优选方案，所述卸载策略组建模块考虑一个共有T时隙的时隙模型，集合表示为T＝{1,...,t,...,T}，所述四种卸载策略分别用M1,M2,M3,M4表示；
其中，流量卸载策略M1为通过5G通信方式将摘要信息传输至地面边缘计算节点上，流量卸载策略M2为通过5G通信方式将完整信息传输至地面边缘计算节点上，流量卸载策略M3为通过无线2.4G频段通信方式将摘要信息传输至地面边缘计算节点上，流量卸载策略M4为通过无线2.4G频段通信方式将完整信息传输至地面边缘计算节点上。
优选的，所述卸载策略评分选择模块计算每种卸载策略的性能评分的步骤包括：
对于卸载策略Mi，假设有k种极端事件，集合表示为Ei＝{Ei,1,...,Ei,k,...,Ei,K}；设pi,k(t)表示第t时隙卸载策略Mi遇到极端事件Ei,k的概率，Li,k(t)表示第t时隙卸载策略Mi在遇到极端事件Ei,k时产生的损失；
设Si(t)表示第t时隙卸载策略Mi的得分，表示允许的最大损失，则第t时隙卸载策略Mi的评分按下式计算：
式中，Gi(t)表示第t时隙卸载策略Mi的卸载性能，pi,k(t)表示允许的最大损失极端事件的概率；允许的最大损失极端事件的概率pi,k(t)通过神经网络进行预测：
输入数据集合表示为其中/>表示历史故障概率，/>表示当前状态下的链路情况，/>表示巡检无人机所处的地理位置；
神经网络的输出pi,k(t)由下式计算：
式中，为输入层第/>个元素到输出层的权重，/>为输入层第/>个元素到输出层的偏置，f[·]为非线性激活函数，采用sigmoid函数作为神经网络的激活函数。
作为一种优选方案，还包括电力无人机巡检决策调整模块，用于地面边缘计算节点在接收到数据后调整电力无人机巡检决策；
所述电力无人机巡检决策调整模块假设经地面边缘计算节点处理后的电力终端n的电力无人机巡检数据为Dn(t)，其中Dn(t)包括以下指标：
Dn(t)＝{dn,1(t),dn,2(t),dn,3(t),dn,4(t),dn,5(t),dn,6(t),dn,7(t)}
式中，dn,1(t)表示电力终端n的位置信息；dn,2(t)表示经地面边缘计算节点识别处理后的电力终端n的红外成像图片状态数据，其中，dn,2(t)＝1表示异常，dn,2(t)＝0表示正常；dn,3(t)表示经地面边缘计算节点识别处理后的电力终端n的紫外摄像机图片状态数据，其中，dn,3(t)＝1表示异常，dn,3(t)＝0表示正常；dn,4(t)表示电力终端n周围环境的温度数据；dn,5(t)表示电力终端n周围环境的湿度数据；dn,6(t)表示电力终端n周围环境的光照强度；dn,7(t)表示电力终端n周围环境的风速；
根据经地面边缘计算节点处理的电力无人机巡检数据Dn(t)计算电力终端n的判断指标：
式中，αn,υ代表在电力终端n的故障判断中第υ项指标的指标权重，范围在[0,1]之间，当αn,υ取值为零时代表此项表征的数据并非终端故障判断因素，θn,υ代表电力终端n正常运行时如温度、湿度等环境数据的正常值，Fn(t)的值越大，表示电力终端n越可能存在故障；
在第t时隙，根据所求得的Fn(t)与预设的表征是否存在故障的判断阈值Fn Fault进行比较，对电力终端n的运行状态进行判断，在进行判断的过程中通过基于电力终端n的历史故障总数计算的置信区间来表征评分的不确定度，其中βn(t)为第t时隙电力终端故障指示变量，βn(t)＝0为第t时隙电力终端n发生故障，βn(t)＝1为第t时隙电力终端n运行正常，当前t-1个时隙电力终端n运行正常总次数越多，则置信区间越小；
当评分及其故障置信区间之和小于等于故障的判断阈值Fn Fault时，即：
表示电力终端n的运行状态正常，无需调整电力巡检无人机的姿态与巡检路径；
当评分及其故障置信区间之和大于故障的判断阈值Fn Fault且评分及其故障置信区间之差小于等于故障的判断阈值Fn Fault时，即：
且/>
表示电力终端n的运行状态需要继续观察，地面边缘计算节点通过下发指令对巡检无人机的飞行姿态FA(t)与巡检路径IP(t)进行动态调整，以继续观察存在异常的电力终端设备；
当评分及其故障置信区间之差大于故障的判断阈值Fn Fault时，即：
表示电力终端n发生故障，地面边缘计算节点通过下发指令对巡检无人机的飞行姿态FA(t)与巡检路径IP(t)进行动态调整，以传输故障设备实时状态。
作为一种优选方案，还包括决策方案重新评分模块，用于当地面边缘计算节点对无人机巡检数据分析完毕后，基于通信可靠性指标以及经济性指标进行评估，对无人机卸载策略决策方案进行重新评分；
所述决策方案重新评分模块对决策综合评分的多个指标，按可靠性和经济性两个评估角度划分为两个子集，集合表示为H＝{H1,H2}，或者，表示为H＝{Hq,l}，q＝1,2，l＝1,2,...,δ，表示每个子集Hq中包含δ个评估指标；
在第t时隙，电力无人机的流量卸载过程对于子集Hq中的第l个评估指标，评分为xq,l(t)，设置优、良、中、差四类状态，评语集为V={优、良、中、差}，基于改进三角梯形分布，表示子集Hq中的第l个评估指标对各个评价等级的隶属度关系，并按下式对隶属度进行评估：
式中，f(x)为隶属度函数，为状态量的状态级别对应的模糊分界区间界限；将子集Hq中δ个评估指标的打分值带入4个评估等级对应的隶属度函数中，得到如下模糊判决矩阵：
在第t时隙，对于子集Hq中的第l个评估指标，将重要程度表示为权重wq,l(t)，并满足则中包含δ个评估指标的权重分配集合为Aq＝[wq,1,wq,2,...,wq,δ]；子集Hq的模糊综合判断结果表示为：
式中，为模糊运算符，表示行列元素相乘后再进行加和计算，且结果中每一个元素不超过1；
在第t时隙末，只对所采用的流量卸载策略Mi进行评分更新，未采用的流量卸载策略评分不变；在第t+1时隙，流量卸载策略Mi的评分Gi(t+1)更新为：
Gi(t+1)～N(η,δ2)
式中，N表示正态分布，η为基于模糊综合判断结果所计算的包含可靠性与经济性两方面的评分均值，δ2为基于模糊综合判断结果所计算的包含可靠性与经济性两方面的评分方差，计算表达式如下：
由地面边缘计算节点将调整策略以及无人机流量卸载策略Mi的评分Gi(t+1)反馈给无人机，无人机在第t+1时隙，将Gi(t+1)代入评分计算公式中更新流量卸载策略。
第三方面，提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时实现所述的电力无人机巡检流量卸载决策方法。
第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述的计算机程序被处理器执行时实现所述的电力无人机巡检流量卸载决策方法。
相较于现有技术，本发明的第一方面至少具有如下的有益效果：
在电力无人机巡检终端上流量卸载的过程中综合设计考虑了涵盖摘要信息与完整数据两类数据发送类型，与无线2.4G频段通信以及5G通信相结合的数据发送方式，组成四种流量卸载决策组合，并在流量卸载过程中基于极端敏感事件概率算法，综合考虑每种卸载方式所可能存在的极端敏感事件的损失，发生概率及其期望损失，实现对卸载方式进行评估，计算每种卸载策略的性能评分，电力无人机选取得分最高的卸载策略将巡检数据传输至边缘计算节点，避免由于可能发生的极端事件对电力无人机流量卸载性能产生的恶劣影响，适应无人机巡检过程中各类极端通信环境，保障了电力无人机巡检数据传输的可靠性。
进一步的，本发明提出了一种基于模糊后验判决的无人机流量卸载决策综合评分方法，从涵盖无人机巡检通信可靠性与经济性的多维度选取多个评价指标，并通过建立隶属度函数对指标进行评估判决，进一步通过基于判决结果的分布对本时隙卸载方法进行综合评价，并在下一时隙基于此综合评价结果对所选择的流量卸载方案进行调整，从而实现流量卸载评分的最优动态调整，保障电力无人机巡检过程中的可靠性与经济性。
可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1本发明实施例基于改进三角梯形分布的隶属度函数示意图；
图2本发明实施例电力无人机巡检流量卸载决策方法流程图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请的实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
现有的电力5G无人机巡检方法仅考虑了理想条件下数据传输过程，并没有考虑如通信链路遭受强电磁干扰、数据信息编码错误等极端事件发生的可能性，导致极端事件发生时无法避免其恶劣影响，同时，并未考虑多种数据发送类型与数据发送方式的组合，导致流量卸载方式单一，难以适应无人机巡检过程中各类极端通信环境；其次，现有的电力5G无人机巡检方法未考虑电力5G无人机巡检众多场景下高度动态变化的通信环境，缺少从可靠性和经济性对卸载性能进行准确客观评价，并且无法根据评价结果动态更新决策，难以实现流量卸载的动态调整，无法保证巡检数据传输的可靠性和经济性。
请参阅图2，本发明实施例电力无人机巡检流量卸载决策方法包括设置在电力无人机巡检终端上的巡检异常初步判断方法、基于极端敏感事件概率算法的流量卸载方法、边缘终端侧无人机巡检策略调整以及基于模糊后验判决的电力无人机流量卸载评分及更新方法四部分。
第一部分、电力无人机巡检终端上的巡检异常初步判断方法；
本发明实施例电力无人机巡检终端通过巡检异常初步判断方法，能够对电力线路、端子运行异常状态进行简易判断，具体原理为根据无人机巡检的数据和先验知识，对电力线路、端子的运行情况进行初步判断，以判断其是否出现故障，如果出现故障，进一步判断是何种故障，并计算出发生该故障的概率是多大。
具体地，通过无人机拍摄的红外线照片或紫外线视频进行图像处理和分析，利用图像识别、模式匹配等算法，对电力线路和端子等电力装置的异常状态进行识别判断。同时，也可以利用无人机巡检终端上搭载的传感器获取电力线路和端子等电力装置的数据信息，例如温度、湿度等，结合电力线路和端子等电力装置的历史数据和先验知识，综合分析得出初步判断结果。判断结果可以包括是否出现故障、出现何种故障以及故障发生的概率。
在进行电力无人机巡检终端的巡检异常初步判断时，可以采用机器学习算法进行模型训练和优化，从而提高故障判断准确率。同时，也可以结合模糊逻辑、神经网络等方法进行多维度分析和综合评价，以提高故障判断的可靠性和准确性。
第二部分、基于极端事件概率敏感的流量卸载决策方法；
在计算流量卸载策略时，主要考虑数据发送类型以及数据发送方式，即判断是发送摘要信息还是完整数据，以及是通过无线2.4G频段通信将数据直接发到地面边缘计算节点上，还是通过5G通信将数据发到5G基站再由5G基站发送至地面边缘计算节点上，所组成的四种卸载策略。具体地，四种卸载策略为通过无线2.4G频段通信发送数据摘要信息、通过无线2.4G频段通信发送完整数据、通过5G通信发送数据摘要信息以及通过5G通信发送完整数据。在计算流量卸载策略时，该方法考虑了每种卸载策略所可能存在的极端事件，并将这些事件的概率、可能造成的损失综合考虑，计算了每种卸载策略的性能评分。具体而言，每种卸载策略的评分为其性能收益减去该卸载策略对应的极端事件发生概率乘以可能造成的损失，即极端事件损失期望值。当某种卸载策略的得分低于预设决策值时，将该卸载策略排除在外。
考虑一个共有T时隙的时隙模型，集合表示为T＝{1,...,t,...,T}，所需巡检的电力终端共有N个，集合表示为N＝{1,...,n,...,N}，上述四种卸载策略分别用M1,M2,M3,M4表示，更具体地，流量卸载策略M1为通过5G通信方式将摘要信息传输至地面边缘计算节点上，流量卸载策略M2为通过5G通信方式将完整信息传输至地面边缘计算节点上，流量卸载策略M3为通过无线2.4G频段通信方式将摘要信息传输至地面边缘计算节点上，流量卸载策略M4为通过无线2.4G频段通信方式将完整信息传输至地面边缘计算节点上。
对于卸载策略Mi，假设其有k种极端事件，包括通信链路遭受强电磁干扰、数据信息编码错误等，集合表示为Ei＝{Ei,1,...,Ei,k,...,Ei,K}。设pi,k(t)表示第t时隙卸载策略Mi遇到极端事件Ei,k的概率，Li,k(t)表示第t时隙卸载策略Mi在遇到极端事件Ei,k时产生的损失。
设Si(t)表示第t时隙卸载策略Mi的得分，表示允许的最大损失。则第t时隙卸载策略Mi的评分可以表示为：
式中，Gi(t)表示第t时隙卸载策略Mi的卸载性能。pi,k(t)表示允许的最大损失极端事件的概率，其可以基于过去的经验性能，用神经网络进行预测，具体地，可以将神经网络训练集中的数据包括：历史故障概率、链路情况、地理位置等输入变量，输入数据集合表示为其中/>表示历史故障概率，/>表示当前状态下的链路情况，/>表示巡检无人机所处的地理位置，其中神经网络的输出pi,k(t)由下式计算：
式中，为输入层第/>个元素到输出层的权重，/>为输入层第/>个元素到输出层的偏置，f[·]为非线性激活函数，特别地，本实施例采用sigmoid函数作为神经网络的激活函数。
在第t时隙，基于各卸载策略评分Si(t)，电力无人机选取得分最高的卸载策略将巡检数据传输至地面边缘计算节点。
第三部分、基于多维数据综合判决的无人机巡检决策调整方法；
当地面边缘计算节点接收到来自巡检无人机的多维数据后，边缘终端需要基于收到的多维数据综合评判无人机巡检决策的调整方法，包括是否是故障、是否需要进一步观察、无人机姿态调整、路线修改等。具体地，可以通过以下步骤判断出无人机巡检的调整策略：
步骤一：设经地面边缘计算节点处理后的电力终端n的电力无人机巡检数据为Dn(t)，其中Dn(t)包括以下指标：
Dn(t)＝{dn,1(t),dn,2(t),dn,3(t),dn,4(t),dn,5(t),dn,6(t),dn,7(t)} (3)
式中，dn,1(t)表示电力终端n的位置信息；dn,2(t)表示经地面边缘计算节点识别处理后的电力终端n的红外成像图片状态数据，其中dn,2(t)＝1表示异常，dn,2(t)＝0表示正常；dn,3(t)表示经地面边缘计算节点识别处理后的电力终端n的紫外摄像机图片状态数据，其中dn,3(t)＝1表示异常，dn,3(t)＝0表示正常；dn,4(t)表示电力终端n周围环境的温度数据；dn,5(t)表示电力终端n周围环境的湿度数据；dn,6(t)表示电力终端n周围环境的光照强度；dn,7(t)表示电力终端n周围环境的风速。
步骤二：根据经地面边缘计算节点处理的电力无人机巡检数据Dn(t)，计算电力终端n的判断指标，判断该电力终端是否需要进一步观察，包括如端子、电力线路等电力设备是否故障，故障状态判断公式如下。
/>
式中，αn,υ代表在电力终端n的故障判断中第υ项指标的指标权重，范围在[0,1]之间，特别的，当αn,υ取值为零时代表此项表征的数据并非终端故障判断因素。θn,υ代表电力终端n正常运行时如温度、湿度等环境数据的正常值，Fn(t)的值越大，表示电力终端n越可能存在故障。
步骤三：在第t时隙，根据所求得的Fn(t)与预设的表征是否存在故障的判断阈值Fn Fault进行比较，对电力终端n的运行状态进行判断。更进一步地，在进行判断的过程中通过基于电力终端n的历史故障总数计算的置信区间来表征评分的不确定度，其中βn(t)为第t时隙电力终端故障指示变量，βn(t)＝0为第t时隙电力终端n发生故障，βn(t)＝1为第t时隙电力终端n运行正常，当前t-1个时隙电力终端n运行正常总次数越多则置信区间越小。
当评分及其故障置信区间之和小于等于故障的判断阈值Fn Fault时，即：
表示电力终端n的运行状态正常，无需调整电力巡检无人机的姿态与巡检路径。
当评分及其故障置信区间之和大于故障的判断阈值Fn Fault且评分及其故障置信区间之差小于等于故障的判断阈值Fn Fault时，即：
表示电力终端n的运行状态需要继续观察，地面边缘计算节点通过下发指令对巡检无人机的飞行姿态FA(t)与巡检路径IP(t)进行动态调整，以继续观察存在异常的电力终端设备，便于进一步确认设备是否发生故障。
当评分及其故障置信区间之差大于故障的判断阈值Fn Fault时，即：
表示电力终端n发生故障，地面边缘计算节点通过下发指令对巡检无人机的飞行姿态FA(t)与巡检路径IP(t)进行动态调整，以传输故障设备实时状态，便于进一步的抢修研判，避免由于设备损坏而造成较大的损失。
第四部分、基于模糊后验判决的无人机流量卸载综合评价与决策更新方法；
在第t时隙，当地面边缘计算节点对无人机巡检数据分析完毕后，基于通信传输成功率和通信质量等通信可靠性指标以及流量花销等经济性指标进行评估，对无人机卸载策略决策方案进行重新评分，包含如下步骤：
步骤一：定义电力巡检无人机流量卸载策略；
决策综合评分的多个指标，按可靠性和经济性两个评估角度划分为两个子集，集合表示为H＝{H1,H2}，集合中，H＝{Hq,l}(q＝1,2；l＝1,2,...,δ)，表示每个子集Hq中包含δ个评估指标。
步骤二：在第t时隙，电力无人机的流量卸载过程对于子集Hq中的第l个评估指标，其评分为xq,l(t)，设置优、良、中、差四类状态，评语集V＝{优、良、中、差}，基于改进三角梯形分布，如图1所示，简单直观表示子集Hq中的第l个评估指标对各个评价等级的隶属度关系，并对隶属度进行评估，其函数表达式为：
式中，f(x)为隶属度函数，为状态量的状态级别对应的模糊分界区间界限。将子集Hq中δ个评估指标的打分值带入4个评估等级对应的隶属度函数中，可得到2个模糊判决矩阵：
步骤三：在第t时隙，对于子集Hq中的第l个评估指标，将其重要程度表示为权重wq,l(t)，并满足则中包含δ个评估指标的权重分配集合为Aq＝[wq,1,wq,2,...,wq,δ]。子集Hq的模糊综合判断结果表示为：
式中，为模糊运算符，即行列元素相乘后再进行加和计算，且结果中每一个元素不超过1。
进一步，在第t时隙末，只对所采用的流量卸载策略Mi进行评分更新，并未采用的流量卸载策略评分不变。具体地，第t+1时隙，流量卸载策略Mi的评分Gi(t+1)更新为：
Gi(t+1)～N(η,δ2) (10)
式中，N是正态分布，其中，η为基于模糊综合判断结果所计算的包含可靠性与经济性两方面的评分均值，δ2为基于模糊综合判断结果所计算的包含可靠性与经济性两方面的评分方差，其表达式如下所示：
步骤四：最后地面边缘计算节点将调整策略以及无人机流量卸载策略Mi的评分Gi(t+1)反馈给无人机，无人机在第t+1时隙，将Gi(t+1)代入公式(1)中更新流量卸载策略。
本发明的另一实施例还提出一种电力无人机巡检流量卸载决策系统，包括：
数据发送类型以及数据发送方式判断模块，用于判断电力无人机要发送至地面边缘计算节点的数据类型是摘要信息还是完整数据，以及数据发送方式是通过无线2.4G频段通信将数据直接发到地面边缘计算节点上，还是通过5G通信将数据发到5G基站再由5G基站发送至边缘计算节点上；
卸载策略组建模块，用于根据判断结果得到的数据发送类型以及数据发送方式组成四种卸载策略，分别为通过无线2.4G频段通信发送数据摘要信息、通过无线2.4G频段通信发送完整数据、通过5G通信发送数据摘要信息以及通过5G通信发送完整数据；
卸载策略评分选择模块，用于对每种卸载策略所可能存在的极端事件综合考虑发生的概率与产生的损失，计算每种卸载策略的性能评分，电力无人机选取得分最高的卸载策略将巡检数据传输至边缘计算节点。
在一种可能的实施方式中，本发明实施例系统还包括无人机巡检异常初步判断模块，用于对电力无人机巡检异常进行初步判断，包括：
通过电力无人机拍摄的红外线照片或紫外线视频进行图像处理和分析，对电力线路和电力装置的异常状态进行识别判断；或者，利用被巡检的电力终端上搭载的传感器获取电力线路和电力装置的数据信息，结合电力线路和电力装置的历史数据和先验知识，综合分析得出初步判断结果；判断结果包括是否出现故障、出现何种故障以及故障发生的概率；
电力无人机将巡检异常的初步判断结果发送至地面边缘计算节点，并进一步继续判断电力无人机要发送至地面边缘计算节点的数据类型以及数据发送方式，执行后续步骤。
在一种可能的实施方式中，所述卸载策略组建模块考虑一个共有T时隙的时隙模型，集合表示为T＝{1,...,t,...,T}，所述四种卸载策略分别用M1,M2,M3,M4表示；
其中，流量卸载策略M1为通过5G通信方式将摘要信息传输至地面边缘计算节点上，流量卸载策略M2为通过5G通信方式将完整信息传输至地面边缘计算节点上，流量卸载策略M3为通过无线2.4G频段通信方式将摘要信息传输至地面边缘计算节点上，流量卸载策略M4为通过无线2.4G频段通信方式将完整信息传输至地面边缘计算节点上。
在一种可能的实施方式中，所述卸载策略评分选择模块计算每种卸载策略的性能评分的步骤包括：
对于卸载策略Mi，假设有k种极端事件，集合表示为Ei＝{Ei,1,...,Ei,k,...,Ei,K}；设pi,k(t)表示第t时隙卸载策略Mi遇到极端事件Ei,k的概率，Li,k(t)表示第t时隙卸载策略Mi在遇到极端事件Ei,k时产生的损失；
设Si(t)表示第t时隙卸载策略Mi的得分，表示允许的最大损失，则第t时隙卸载策略Mi的评分按下式计算：
式中，Gi(t)表示第t时隙卸载策略Mi的卸载性能，pi,k(t)表示允许的最大损失极端事件的概率；允许的最大损失极端事件的概率pi,k(t)通过神经网络进行预测：
输入数据集合表示为其中/>表示历史故障概率，/>表示当前状态下的链路情况，/>表示巡检无人机所处的地理位置；
神经网络的输出pi,k(t)由下式计算：
式中，为输入层第/>个元素到输出层的权重，/>为输入层第/>个元素到输出层的偏置，f[·]为非线性激活函数，采用sigmoid函数作为神经网络的激活函数。
在一种可能的实施方式中，本发明实施例系统还包括电力无人机巡检决策调整模块，用于地面边缘计算节点在接收到数据后调整电力无人机巡检决策；
所述电力无人机巡检决策调整模块假设经地面边缘计算节点处理后的电力终端n的电力无人机巡检数据为Dn(t)，其中Dn(t)包括以下指标：
Dn(t)＝{dn,1(t),dn,2(t),dn,3(t),dn,4(t),dn,5(t),dn,6(t),dn,7(t)}
式中，dn,1(t)表示电力终端n的位置信息；dn,2(t)表示经地面边缘计算节点识别处理后的电力终端n的红外成像图片状态数据，其中，dn,2(t)＝1表示异常，dn,29t)＝0表示正常；dn,3(t)表示经地面边缘计算节点识别处理后的电力终端n的紫外摄像机图片状态数据，其中，dn,3(t)＝1表示异常，dn,3(t)＝0表示正常；dn,4(t)表示电力终端n周围环境的温度数据；dn,5(t)表示电力终端n周围环境的湿度数据；dn,6(t)表示电力终端n周围环境的光照强度；dn,7(t)表示电力终端n周围环境的风速；
根据经地面边缘计算节点处理的电力无人机巡检数据Dn(t)计算电力终端n的判断指标：
式中，αn,υ代表在电力终端n的故障判断中第υ项指标的指标权重，范围在[0,1]之间，当αn,υ取值为零时代表此项表征的数据并非终端故障判断因素，θn,υ代表电力终端n正常运行时如温度、湿度等环境数据的正常值，Fn(t)的值越大，表示电力终端n越可能存在故障；
在第t时隙，根据所求得的Fn(t)与预设的表征是否存在故障的判断阈值Fn Fault进行比较，对电力终端n的运行状态进行判断，在进行判断的过程中通过基于电力终端n的历史故障总数计算的置信区间来表征评分的不确定度，其中βn(t)为第t时隙电力终端故障指示变量，βn(t)＝0为第t时隙电力终端n发生故障，βn(t)＝1为第t时隙电力终端n运行正常，当前t-1个时隙电力终端n运行正常总次数越多，则置信区间越小；
当评分及其故障置信区间之和小于等于故障的判断阈值Fn Fault时，即：
表示电力终端n的运行状态正常，无需调整电力巡检无人机的姿态与巡检路径；
当评分及其故障置信区间之和大于故障的判断阈值Fn Fault且评分及其故障置信区间之差小于等于故障的判断阈值Fn Fault时，即：
表示电力终端n的运行状态需要继续观察，地面边缘计算节点通过下发指令对巡检无人机的飞行姿态FA(t)与巡检路径IP(t)进行动态调整，以继续观察存在异常的电力终端设备；
当评分及其故障置信区间之差大于故障的判断阈值Fn Fault时，即：
表示电力终端n发生故障，地面边缘计算节点通过下发指令对巡检无人机的飞行姿态FA(t)与巡检路径IP(t)进行动态调整，以传输故障设备实时状态。
在一种可能的实施方式中，本发明实施例系统还包括决策方案重新评分模块，用于当地面边缘计算节点对无人机巡检数据分析完毕后，基于通信可靠性指标以及经济性指标进行评估，对无人机卸载策略决策方案进行重新评分；
所述决策方案重新评分模块对决策综合评分的多个指标，按可靠性和经济性两个评估角度划分为两个子集，集合表示为H＝{H1,H2}，或者，表示为H＝{Hq,l}，q＝1,2，l=1,2,...,δ，表示每个子集Hq中包含δ个评估指标；
在第t时隙，电力无人机的流量卸载过程对于子集Hq中的第l个评估指标，评分为xq,l(t)，设置优、良、中、差四类状态，评语集为V={优、良、中、差}，基于改进三角梯形分布，表示子集Hq中的第l个评估指标对各个评价等级的隶属度关系，并按下式对隶属度进行评估：
式中，f(x)为隶属度函数，为状态量的状态级别对应的模糊分界区间界限；将子集Hq中δ个评估指标的打分值带入4个评估等级对应的隶属度函数中，得到如下模糊判决矩阵：
在第t时隙，对于子集Hq中的第l个评估指标，将重要程度表示为权重wq,l(t)，并满足则中包含δ个评估指标的权重分配集合为Aq＝[wq,1,wq,2,...,wq,δ]；子集Hq的模糊综合判断结果表示为：/>
式中，为模糊运算符，表示行列元素相乘后再进行加和计算，且结果中每一个元素不超过1；
在第t时隙末，只对所采用的流量卸载策略Mi进行评分更新，未采用的流量卸载策略评分不变；在第t+1时隙，流量卸载策略Mi的评分Gi(t+1)更新为：
Gi(t+1)～N(η,δ2)
式中，N表示正态分布，η为基于模糊综合判断结果所计算的包含可靠性与经济性两方面的评分均值，δ2为基于模糊综合判断结果所计算的包含可靠性与经济性两方面的评分方差，计算表达式如下：
由地面边缘计算节点将调整策略以及无人机流量卸载策略Mi的评分Gi(t+1)反馈给无人机，无人机在第t+1时隙，将Gi(t+1)代入评分计算公式中更新流量卸载策略。
本发明实施例还提出一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时实现所述的电力无人机巡检流量卸载决策方法。
本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述的计算机程序被处理器执行时实现所述的电力无人机巡检流量卸载决策方法。
所述计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。为了便于说明，以上内容仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质是非暂时性的，可以存储在各种电子设备形成的存储装置当中，能够实现本发明实施例方法记载的执行过程。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。应理解为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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (14)
1.一种电力无人机巡检流量卸载决策方法，其特征在于，包括：
判断电力无人机要发送至地面边缘计算节点的数据类型是摘要信息还是完整数据，以及数据发送方式是通过无线2.4G频段通信将数据直接发到地面边缘计算节点上，还是通过5G通信将数据发到5G基站再由5G基站发送至边缘计算节点上；
根据判断结果得到的数据发送类型以及数据发送方式组成四种卸载策略，分别为通过无线2.4G频段通信发送数据摘要信息、通过无线2.4G频段通信发送完整数据、通过5G通信发送数据摘要信息以及通过5G通信发送完整数据；
对每种卸载策略所可能存在的极端事件综合考虑发生的概率与产生的损失，计算每种卸载策略的性能评分，电力无人机选取得分最高的卸载策略将巡检数据传输至边缘计算节点。
2.根据权利要求1所述的电力无人机巡检流量卸载决策方法，其特征在于，还包括电力无人机巡检异常初步判断的步骤，所述电力无人机巡检异常初步判断的步骤包括：
通过电力无人机拍摄的红外线照片或紫外线视频进行图像处理和分析，对电力线路和电力装置的异常状态进行识别判断；或者，利用被巡检的电力终端上搭载的传感器获取电力线路和电力装置的数据信息，结合电力线路和电力装置的历史数据和先验知识，综合分析得出初步判断结果；判断结果包括是否出现故障、出现何种故障以及故障发生的概率；
电力无人机将巡检异常的初步判断结果发送至地面边缘计算节点，并进一步继续判断电力无人机要发送至地面边缘计算节点的数据类型以及数据发送方式，执行后续步骤。
3.根据权利要求1所述的电力无人机巡检流量卸载决策方法，其特征在于，所述根据数据发送类型以及数据发送方式组成四种卸载策略的步骤包括：
考虑一个共有T时隙的时隙模型，集合表示为T＝{1,...,t,...,T}，所述四种卸载策略分别用M1,M2,M3,M4表示；
其中，流量卸载策略M1为通过5G通信方式将摘要信息传输至地面边缘计算节点上，流量卸载策略M2为通过5G通信方式将完整信息传输至地面边缘计算节点上，流量卸载策略M3为通过无线2.4G频段通信方式将摘要信息传输至地面边缘计算节点上，流量卸载策略M4为通过无线2.4G频段通信方式将完整信息传输至地面边缘计算节点上。
4.根据权利要求3所述的电力无人机巡检流量卸载决策方法，其特征在于，所述对每种卸载策略所可能存在的极端事件综合考虑发生的概率与产生的损失，计算每种卸载策略的性能评分的步骤包括：
对于卸载策略Mi，假设有k种极端事件，集合表示为Ei＝{Ei,1,...,Ei,k,...,Ei,K}；设pi,k(t)表示第t时隙卸载策略Mi遇到极端事件Ei,k的概率，Li,k(t)表示第t时隙卸载策略Mi在遇到极端事件Ei,k时产生的损失；
设Si(t)表示第t时隙卸载策略Mi的得分，表示允许的最大损失，则第t时隙卸载策略Mi的评分按下式计算：
式中，Gi(t)表示第t时隙卸载策略Mi的卸载性能，pi,k(t)表示允许的最大损失极端事件的概率；允许的最大损失极端事件的概率pi,k(t)通过神经网络进行预测：
输入数据集合表示为其中/>表示历史故障概率，表示当前状态下的链路情况，/>表示巡检无人机所处的地理位置；
神经网络的输出pi,k(t)由下式计算：
式中，为输入层第/>个元素到输出层的权重，/>为输入层第/>个元素到输出层的偏置，f[·]为非线性激活函数，采用sigmoid函数作为神经网络的激活函数。
5.根据权利要求1所述的电力无人机巡检流量卸载决策方法，其特征在于，还包括地面边缘计算节点在接收到数据后调整电力无人机巡检决策的步骤，具体包括：
设经地面边缘计算节点处理后的电力终端n的电力无人机巡检数据为Dn(t)，其中Dn(t)包括以下指标：
Dn(t)＝{dn,1(t),dn,2(t),dn,3(t),dn,4(t),dn,5(t),dn,6(t),dn,7(t)}
式中，dn,1(t)表示电力终端n的位置信息；dn,2(t)表示经地面边缘计算节点识别处理后的电力终端n的红外成像图片状态数据，其中，dn,2(t)＝1表示异常，dn,2(t)＝0表示正常；dn,3(t)表示经地面边缘计算节点识别处理后的电力终端n的紫外摄像机图片状态数据，其中，dn,3(t)＝1表示异常，dn,3(t)＝0表示正常；dn,4(t)表示电力终端n周围环境的温度数据；dn,5(t)表示电力终端n周围环境的湿度数据；dn,6(t)表示电力终端n周围环境的光照强度；dn,7(t)表示电力终端n周围环境的风速；
根据经地面边缘计算节点处理的电力无人机巡检数据Dn(t)计算电力终端n的判断指标：
式中，αn,υ代表在电力终端n的故障判断中第υ项指标的指标权重，范围在[0,1]之间，当αn,υ取值为零时代表此项表征的数据并非终端故障判断因素，θn,υ代表电力终端n正常运行时如温度、湿度等环境数据的正常值，Fn(t)的值越大，表示电力终端n越可能存在故障；
在第t时隙，根据所求得的Fn(t)与预设的表征是否存在故障的判断阈值进行比较，对电力终端n的运行状态进行判断，在进行判断的过程中通过基于电力终端n的历史故障总数计算的置信区间/>来表征评分的不确定度，其中βn(t)为第t时隙电力终端故障指示变量，βn(t)＝0为第t时隙电力终端n发生故障，βn(t)＝1为第t时隙电力终端n运行正常，当前t-1个时隙电力终端n运行正常总次数越多，则置信区间越小；
当评分及其故障置信区间之和小于等于故障的判断阈值时，即：
表示电力终端n的运行状态正常，无需调整电力巡检无人机的姿态与巡检路径；
当评分及其故障置信区间之和大于故障的判断阈值且评分及其故障置信区间之差小于等于故障的判断阈值/>时，即：
且/>
表示电力终端n的运行状态需要继续观察，地面边缘计算节点通过下发指令对巡检无人机的飞行姿态FA(t)与巡检路径IP(t)进行动态调整，以继续观察存在异常的电力终端设备；
当评分及其故障置信区间之差大于故障的判断阈值时，即：
表示电力终端n发生故障，地面边缘计算节点通过下发指令对巡检无人机的飞行姿态FA(t)与巡检路径IP(t)进行动态调整，以传输故障设备实时状态。
6.根据权利要求1所述的电力无人机巡检流量卸载决策方法，其特征在于，还包括在第t时隙，当地面边缘计算节点对无人机巡检数据分析完毕后，基于通信可靠性指标以及经济性指标进行评估，对无人机卸载策略决策方案进行重新评分，包含如下步骤：
对决策综合评分的多个指标，按可靠性和经济性两个评估角度划分为两个子集，集合表示为H＝{H1,H2}，或者，表示为H＝{Hq,l}，q＝1,2，l＝1,2,...,δ，表示每个子集Hq中包含δ个评估指标；
在第t时隙，电力无人机的流量卸载过程对于子集Hq中的第l个评估指标，评分为xq,l(t)，设置优、良、中、差四类状态，评语集为V＝{优、良、中、差}，基于改进三角梯形分布，表示子集Hq中的第l个评估指标对各个评价等级的隶属度关系，并按下式对隶属度进行评估：
式中，f(x)为隶属度函数，为状态量的状态级别对应的模糊分界区间界限；将子集Hq中δ个评估指标的打分值带入4个评估等级对应的隶属度函数中，得到如下模糊判决矩阵：
在第t时隙，对于子集Hq中的第l个评估指标，将重要程度表示为权重wq,l(t)，并满足则中包含δ个评估指标的权重分配集合为Aq＝[wq,1,wq,2,...,wq,δ]；子集Hq的模糊综合判断结果表示为：
式中，为模糊运算符，表示行列元素相乘后再进行加和计算，且结果中每一个元素不超过1；
在第t时隙末，只对所采用的流量卸载策略Mi进行评分更新，未采用的流量卸载策略评分不变；在第t+1时隙，流量卸载策略Mi的评分Gi(t+1)更新为：
Gi(t+1)～N(η,δ2)
式中，N表示正态分布，η为基于模糊综合判断结果所计算的包含可靠性与经济性两方面的评分均值，δ2为基于模糊综合判断结果所计算的包含可靠性与经济性两方面的评分方差，计算表达式如下：
由地面边缘计算节点将调整策略以及无人机流量卸载策略Mi的评分Gi(t+1)反馈给无人机，无人机在第t+1时隙，将Gi(t+1)代入评分计算公式中更新流量卸载策略。
7.一种电力无人机巡检流量卸载决策系统，其特征在于，包括：
数据发送类型以及数据发送方式判断模块，用于判断电力无人机要发送至地面边缘计算节点的数据类型是摘要信息还是完整数据，以及数据发送方式是通过无线2.4G频段通信将数据直接发到地面边缘计算节点上，还是通过5G通信将数据发到5G基站再由5G基站发送至边缘计算节点上；
卸载策略组建模块，用于根据判断结果得到的数据发送类型以及数据发送方式组成四种卸载策略，分别为通过无线2.4G频段通信发送数据摘要信息、通过无线2.4G频段通信发送完整数据、通过5G通信发送数据摘要信息以及通过5G通信发送完整数据；
卸载策略评分选择模块，用于对每种卸载策略所可能存在的极端事件综合考虑发生的概率与产生的损失，计算每种卸载策略的性能评分，电力无人机选取得分最高的卸载策略将巡检数据传输至边缘计算节点。
8.根据权利要求7所述的电力无人机巡检流量卸载决策系统，其特征在于，还包括无人机巡检异常初步判断模块，用于对电力无人机巡检异常进行初步判断，包括：
通过电力无人机拍摄的红外线照片或紫外线视频进行图像处理和分析，对电力线路和电力装置的异常状态进行识别判断；或者，利用被巡检的电力终端上搭载的传感器获取电力线路和电力装置的数据信息，结合电力线路和电力装置的历史数据和先验知识，综合分析得出初步判断结果；判断结果包括是否出现故障、出现何种故障以及故障发生的概率；
电力无人机将巡检异常的初步判断结果发送至地面边缘计算节点，并进一步继续判断电力无人机要发送至地面边缘计算节点的数据类型以及数据发送方式，执行后续步骤。
9.根据权利要求7所述的电力无人机巡检流量卸载决策系统，其特征在于，所述卸载策略组建模块考虑一个共有T时隙的时隙模型，集合表示为T＝{1,...,t,...,T}，所述四种卸载策略分别用M1,M2,M3,M4表示；
其中，流量卸载策略M1为通过5G通信方式将摘要信息传输至地面边缘计算节点上，流量卸载策略M2为通过5G通信方式将完整信息传输至地面边缘计算节点上，流量卸载策略M3为通过无线2.4G频段通信方式将摘要信息传输至地面边缘计算节点上，流量卸载策略M4为通过无线2.4G频段通信方式将完整信息传输至地面边缘计算节点上。
10.根据权利要求9所述的电力无人机巡检流量卸载决策系统，其特征在于，所述卸载策略评分选择模块计算每种卸载策略的性能评分的步骤包括：
对于卸载策略Mi，假设有k种极端事件，集合表示为Ei＝{Ei,1,...,Ei,k,...,Ei,K}；设pi,k(t)表示第t时隙卸载策略Mi遇到极端事件Ei,k的概率，Li,k(t)表示第t时隙卸载策略Mi在遇到极端事件Ei,k时产生的损失；
设Si(t)表示第t时隙卸载策略Mi的得分，表示允许的最大损失，则第t时隙卸载策略Mi的评分按下式计算：
式中，Gi(t)表示第t时隙卸载策略Mi的卸载性能，pi,k(t)表示允许的最大损失极端事件的概率；允许的最大损失极端事件的概率pi,k(t)通过神经网络进行预测：
输入数据集合表示为其中/>表示历史故障概率，表示当前状态下的链路情况，/>表示巡检无人机所处的地理位置；
神经网络的输出pi,k(t)由下式计算：
式中，为输入层第/>个元素到输出层的权重，/>为输入层第/>个元素到输出层的偏置，f[·]为非线性激活函数，采用sigmoid函数作为神经网络的激活函数。
11.根据权利要求7所述的电力无人机巡检流量卸载决策系统，其特征在于，还包括电力无人机巡检决策调整模块，用于地面边缘计算节点在接收到数据后调整电力无人机巡检决策；
所述电力无人机巡检决策调整模块假设经地面边缘计算节点处理后的电力终端n的电力无人机巡检数据为Dn(t)，其中Dn(t)包括以下指标：
Dn(t)＝{dn,1(t),dn,2(t),dn,3(t),dn,4(t),dn,5(t),dn,6(t),dn,7(t)}
式中，dn,1(t)表示电力终端n的位置信息；dn,2(t)表示经地面边缘计算节点识别处理后的电力终端n的红外成像图片状态数据，其中，dn,2(t)＝1表示异常，dn,2(t)＝0表示正常；dn,3(t)表示经地面边缘计算节点识别处理后的电力终端n的紫外摄像机图片状态数据，其中，dn,3(t)＝1表示异常，dn,3(t)＝0表示正常；dn,4(t)表示电力终端n周围环境的温度数据；dn,5(t)表示电力终端n周围环境的湿度数据；dn,6(t)表示电力终端n周围环境的光照强度；dn,7(t)表示电力终端n周围环境的风速；
根据经地面边缘计算节点处理的电力无人机巡检数据Dn(t)计算电力终端n的判断指标：
式中，αn,υ代表在电力终端n的故障判断中第υ项指标的指标权重，范围在[0,1]之间，当αn,υ取值为零时代表此项表征的数据并非终端故障判断因素，θn,υ代表电力终端n正常运行时如温度、湿度等环境数据的正常值，Fn(t)的值越大，表示电力终端n越可能存在故障；
在第t时隙，根据所求得的Fn(t)与预设的表征是否存在故障的判断阈值进行比较，对电力终端n的运行状态进行判断，在进行判断的过程中通过基于电力终端n的历史故障总数计算的置信区间/>来表征评分的不确定度，其中βn(t)为第t时隙电力终端故障指示变量，βn(t)＝0为第t时隙电力终端n发生故障，βn(t)＝-1为第t时隙电力终端n运行正常，当前t-1个时隙电力终端n运行正常总次数越多，则置信区间越小；
当评分及其故障置信区间之和小于等于故障的判断阈值时，即：
表示电力终端n的运行状态正常，无需调整电力巡检无人机的姿态与巡检路径；
当评分及其故障置信区间之和大于故障的判断阈值且评分及其故障置信区间之差小于等于故障的判断阈值/>时，即：
表示电力终端n的运行状态需要继续观察，地面边缘计算节点通过下发指令对巡检无人机的飞行姿态FA(t)与巡检路径IP(t)进行动态调整，以继续观察存在异常的电力终端设备；
当评分及其故障置信区间之差大于故障的判断阈值时，即：
表示电力终端n发生故障，地面边缘计算节点通过下发指令对巡检无人机的飞行姿态FA(t)与巡检路径IP(t)进行动态调整，以传输故障设备实时状态。
12.根据权利要求7所述的电力无人机巡检流量卸载决策系统，其特征在于，还包括决策方案重新评分模块，用于当地面边缘计算节点对无人机巡检数据分析完毕后，基于通信可靠性指标以及经济性指标进行评估，对无人机卸载策略决策方案进行重新评分；
所述决策方案重新评分模块对决策综合评分的多个指标，按可靠性和经济性两个评估角度划分为两个子集，集合表示为H＝{H1,H2}，或者，表示为H＝{Hq,l}，q＝1,2，l＝1,2,...,δ，表示每个子集Hq中包含δ个评估指标；
在第t时隙，电力无人机的流量卸载过程对于子集Hq中的第l个评估指标，评分为xq,l(t)，设置优、良、中、差四类状态，评语集为V＝{优、良、中、差}，基于改进三角梯形分布，表示子集Hq中的第l个评估指标对各个评价等级的隶属度关系，并按下式对隶属度进行评估：
式中，f(x)为隶属度函数，为状态量的状态级别对应的模糊分界区间界限；将子集Hq中δ个评估指标的打分值带入4个评估等级对应的隶属度函数中，得到如下模糊判决矩阵：
在第t时隙，对于子集Hq中的第l个评估指标，将重要程度表示为权重wq,l(t)，并满足则中包含δ个评估指标的权重分配集合为Aq＝[wq,1,wq,2,...,wq,δ]；子集Hq的模糊综合判断结果表示为：
式中，为模糊运算符，表示行列元素相乘后再进行加和计算，且结果中每一个元素不超过1；
在第t时隙末，只对所采用的流量卸载策略Mi进行评分更新，未采用的流量卸载策略评分不变；在第t+1时隙，流量卸载策略Mi的评分Gi(t+1)更新为：
Gi(t+1)～N(η,δ2)
式中，N表示正态分布，η为基于模糊综合判断结果所计算的包含可靠性与经济性两方面的评分均值，δ2为基于模糊综合判断结果所计算的包含可靠性与经济性两方面的评分方差，计算表达式如下：
由地面边缘计算节点将调整策略以及无人机流量卸载策略Mi的评分Gi(t+1)反馈给无人机，无人机在第t+1时隙，将Gi(t+1)代入评分计算公式中更新流量卸载策略。
13.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述的处理器执行所述的计算机程序时实现如权利要求1至6中任意一项所述的电力无人机巡检流量卸载决策方法。
14.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述的计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的电力无人机巡检流量卸载决策方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310895328.3A CN116980963A (zh) | 2023-07-20 | 2023-07-20 | 电力无人机巡检流量卸载决策方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310895328.3A CN116980963A (zh) | 2023-07-20 | 2023-07-20 | 电力无人机巡检流量卸载决策方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116980963A true CN116980963A (zh) | 2023-10-31 |
Family
ID=88476154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310895328.3A Pending CN116980963A (zh) | 2023-07-20 | 2023-07-20 | 电力无人机巡检流量卸载决策方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116980963A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117993696A (zh) * | 2024-04-07 | 2024-05-07 | 国网安徽省电力有限公司巢湖市供电公司 | 基于无人机电力巡检的风险管理系统及方法 |
-
2023
- 2023-07-20 CN CN202310895328.3A patent/CN116980963A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117993696A (zh) * | 2024-04-07 | 2024-05-07 | 国网安徽省电力有限公司巢湖市供电公司 | 基于无人机电力巡检的风险管理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
| CN109584221B (zh) | 一种基于监督式生成对抗网络的异常图像检测方法 | |
| KR20200004825A (ko) | 디스플레이 장치 품질 검사 방법, 장치, 전자 장치 및 저장 매체 | |
| CN110751270A (zh) | 一种无人机电线故障检测方法、系统及设备 | |
| US11615166B2 (en) | System and method for classifying image data | |
| CN113610788B (zh) | 图像采集装置的故障监测方法、装置、电子设备及存储介质 | |
| CN116629465B (zh) | 智能电网视频监控与风险预测响应系统 | |
| TWI683262B (zh) | 工業影像檢測方法、系統與電腦可讀取記錄媒體 | |
| CN114630352A (zh) | 一种接入设备的故障监测方法和装置 | |
| CN112508316B (zh) | 实时异常检测系统中的自适应异常判定方法和装置 | |
| CN115984158A (zh) | 缺陷分析方法、装置、电子设备及计算机可读存储介质 | |
| CN116980963A (zh) | 电力无人机巡检流量卸载决策方法、系统、设备及介质 | |
| CN117440018A (zh) | 一种基于物联网的网络摄像设备运管平台 | |
| CN117544998A (zh) | 一种基于人工智能的无线网速智能化评估系统 | |
| CN110647086B (zh) | 一种基于运行大数据分析的智能运维监控系统 | |
| CN117216713A (zh) | 故障定界方法、装置、电子设备和存储介质 | |
| CN111935761A (zh) | 一种移动通信网的质差根因自动定位方法及系统 | |
| KR20200120988A (ko) | 인공지능 알고리즘 기반의 불요파 자동 판정 및 예측 시스템 | |
| CN115272284A (zh) | 基于图像质量评估的输电线路缺陷识别方法 | |
| Chen et al. | Change-point detection of gaussian graph signals with partial information | |
| CN113537367A (zh) | 一种故障检测模型的训练方法、装置、故障检测方法、电子设备和可读存储介质 | |
| CN116996960B (zh) | 一种电力巡检设备的辅助链路网络接入方法及装置 | |
| CN114629699B (zh) | 基于深度强化学习的可迁移性网络流行为异常检测方法及装置 | |
| Pacheco et al. | AdaEE: Adaptive early-exit DNN inference through multi-armed bandits | |
| CN117726436B (zh) | 基于知识图谱的企业信用涉信信息链路分析方法 |
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 |