CN117240887B - 一种智慧物联网能源管理平台系统 - Google Patents
一种智慧物联网能源管理平台系统 Download PDFInfo
- Publication number
- CN117240887B CN117240887B CN202311321901.6A CN202311321901A CN117240887B CN 117240887 B CN117240887 B CN 117240887B CN 202311321901 A CN202311321901 A CN 202311321901A CN 117240887 B CN117240887 B CN 117240887B
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- module
- state
- cloud
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000006855 networking Effects 0.000 title claims description 6
- 238000012544 monitoring process Methods 0.000 claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 claims abstract description 28
- 238000007405 data analysis Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000013079 data visualisation Methods 0.000 claims abstract description 11
- 238000012423 maintenance Methods 0.000 claims abstract description 8
- 238000007726 management method Methods 0.000 claims description 73
- 238000009826 distribution Methods 0.000 claims description 25
- 239000000203 mixture Substances 0.000 claims description 25
- 230000000007 visual effect Effects 0.000 claims description 21
- 238000002955 isolation Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012098 association analyses Methods 0.000 claims description 3
- 230000003139 buffering effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000013112 stability test Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 26
- 230000005611 electricity Effects 0.000 description 21
- 230000005540 biological transmission Effects 0.000 description 9
- 238000012800 visualization Methods 0.000 description 7
- 238000009529 body temperature measurement Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000001931 thermography Methods 0.000 description 4
- 238000012300 Sequence Analysis Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000002076 thermal analysis method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种智慧物联网能源管理平台系统，用于网络平台管理领域，该智慧物联网能源管理平台系统包括：数据采集模块、设备与能源管理模块、集中抄表模块、故障报警模块、信息发布模块、视频监控模块、数据分析模块及数据可视化模块。本发明应用机器学习算法，实现对设备状态的智能监测和预测，利用异常检测算法，可以预警故障情况的产生，借助时间序列分析预测设备未来状态，评估系统稳定性，多种算法相互补充，共同提升分析的智能化水平，实现了从数据到信息，再到决策的支持，为设备维护提供依据，提高系统可靠性。
Description
技术领域
本发明涉及网络平台管理领域，具体来说，尤其涉及一种智慧物联网能源管理平台系统。
背景技术
随着可再生能源比重提升和分布式能源接入，电力系统结构正在发生深刻变化，从过去高度集中的模式转变为生产和消费高度分散的模式，分布式可再生能源的大力发展，有助于电力结构的优化升级，提高清洁能源在能源结构中的比重，。
分布式电源接入电网，可减少系统传输损耗，提高电力使用效率，。但是可再生能源存在间歇性和波动性，使电网供需平衡更加复杂；分布式电源接入点增多，对电网造成冲击，电压波动增大；电源和负载分散分布，对电网状态的监测难度加大，缺乏对分布式电源的监管，电网调度能力降低；用户用电习惯多样化，负载预测难度加大；电力交易模式多样化，电价信号激励作用难以发挥，电力供需双方信息不对称，开放电力市场难以建立。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
为了克服以上问题，本发明旨在提出一种智慧物联网能源管理平台系统，目的在于解决可再生能源的间歇性和波动性，使电网供需平衡更加复杂；分布式电源接入点增多，对电网造成冲击，电压波动增大的问题。
为此，本发明采用的具体技术方案如下：
一种智慧物联网能源管理平台系统，该智慧物联网能源管理平台系统包括：数据采集模块、设备与能源管理模块、集中抄表模块、故障报警模块、信息发布模块、视频监控模块、数据分析模块及数据可视化模块；
数据采集模块，边缘端获取各类传感器采集的数据，同时采集设备的运行参数数据，并通过MQTT协议将采集的数据发送到Broker，利用云端获取采集的数据；
设备与能源管理模块，云端通过MQTT协议发布控制指令和管理策略到Broker，并利用边缘端执行控制指令和管理策略；
集中抄表模块，边缘端利用MQTT协议发布抄表数据到Broke，并利用云端获取抄表数据；
故障报警模块，边缘端通过MQTT协议发布故障报警数据；
信息发布模块，云端通过MQTT协议发布统计分析结果和信息通知；
视频监控模块，边缘端通过MQTT协议传输视频流，并利用云端对视频流进行内容分析，同时对设备运行状态的判断，实现对设备运行状态的监控；
数据分析模块，云端获取传感器采集的数据、设备运行参数数据、抄表数据和故障报警数据，并利用机器学习算法进行模式识别和趋势预测的分析；
数据可视化模块，提供分析结果的可视化界面，并给出优化建议。
可选地，数据采集模块在边缘端获取各类传感器采集的数据，同时采集设备的运行参数数据，并通过MQTT协议将采集的数据发送到Broker，利用云端获取采集的数据时包括：
通过标准接口连接在电力设施布置的各类传感器，同时连接设备，获取设备运行参数数据；
周期性读取各类传感器采集的数据以及获取设备的运行参数数据，并将传感器数据和设备运行参数数据以MQTT协议的消息形式发布到Broker的设定主题；
云平台配置MQTT客户端，连接Broker并订阅设定主题；
当有新传感器数据或设备运行参数数据发布到设定主题时，云平台便可获取新的数据，并将获取的数据存储在时序数据库中。
可选地，设备与能源管理模块在设备与能源管理模块，云端通过MQTT协议发布控制指令和管理策略到Broker，并利用边缘端执行控制指令和管理策略时包括：
云平台根据电力系统运行数据、用户用电情况和节能目标，制定设备调度方案和用电管理策略；
云平台服务器实现MQTT协议发布客户端，将控制指令和管理策略发布到设定主题；
边缘端服务器实现MQTT协议订阅客户端，订阅云平台发布的主题，同时获取到控制指令和管理策略后，调用程序进行解析和执行；
边缘端通过标准接口将控制指令下发到智能设备，实现参数调整，同时根据管理策略实时状态调整本地设备运行，实现负载调度、节能运行；
边缘端将执行结果反馈到云平台，并对策略效果进行评估。
可选地，视频监控模块在边缘端通过MQTT协议传输视频流，并利用云端对视频流进行内容分析，同时对设备运行状态的判断，实现对设备运行状态的监控时包括：
在电力系统的区域安装视频监控摄像头，获取实时视频流；
边缘端设备接入视频流，并通过MQTT发布视频流到设定主题；
边缘端需要实现发布视频流的功能，配置MQTT协议连接参数；
云平台服务器订阅设定主题，获取视频流，并利用计算视觉算法分析视频内容，识别设备；
对设备进行状态判断，将设备的状态检测结果与预设的正常状态对比，判断设备是否故障。
可选地，云平台服务器订阅设定主题，获取视频流，并利用计算视觉算法分析视频内容，识别设备包括：
在云平台服务器创建视频流订阅服务，明确订阅源和视频编码格式；
使用消息队列服缓冲视频流，并设置多个消费者进行负载均衡；
对视频流进行解码和缩放，并按照输入要求调整帧图像，同时根据帧图像的视频帧率和场景复杂度确定背景模型更新频率；
利用若干帧图像计算均值建立初始高斯混合背景模型，并利用云存储进行存储；
定期使用新帧更新初始高斯混合背景模型，并应用改进的自适应阈值算法计算平均灰度；
将帧图像与背景模型进行差分，得到候选前景目标；
通过观察背景平均灰度变化，判断是否发生光照突变，若发生突变，则使用新帧重建高斯混合背景模型；
对候选目标进行识别，并通过MQTT协议将识别结果发送给特定设备，实现对设备的识别和控制。
可选地，利用若干帧图像计算均值建立初始高斯混合背景模型，并利用云存储进行存储包括以下步骤：
从视频流中提取若干帧图像，并对每帧图像进行灰度图像及滤波处理；
计算对应像素位置中若干帧图像的均值，得到初步背景图像，同时对初步背景图像进行高斯平滑去噪；
对每个像素建立包含多个高斯分布的混合模型；
利用设定的帧图像更新每个高斯分布的均值和方差参数；
对不同高斯分布进行权重初始化，表示其对背景的贡献度，并利用云对象存储服务存储高斯混合背景模型参数。
可选地，定期使用新帧更新初始高斯混合背景模型，并应用改进的自适应阈值算法计算平均灰度包括：
从视频流中获取最新的帧图像，对每个像素，计算其在各高斯分布中的权重；
根据高斯分布的权重，更新每个高斯分布的均值和方差；
对更新后的高斯混合背景模型，重新归一化各高斯分布的权重；
计算更新后的高斯混合背景模型整体的平均灰度值，将平均灰度值输入自适应阈值算法，计算出当前的分割阈值，并进行图像分割；
平均灰度值的计算公式为：
；
式中，N为像素总数；
L为最大灰度级；
f（i，j）为当前位置的灰度值。
可选地，数据分析模块在云端获取传感器采集的数据、设备运行参数数据、抄表数据和故障报警数据，并利用机器学习算法进行模式识别和趋势预测的分析时包括：
在云端分别获取传感器采集的数据、设备运行参数数据、抄表数据和故障报警数据的结构化数据；
利用机器学习算法进行结构化数据的模式学习，实现设备状态预测；
根据设备状态预测的结果，进行关联分析，发现设备之间的依赖关系；
对结构化数据中的报警数据，使用Isolation Forest算法识别异常情况；
检测到异常时，通过MQTT协议将异常警报发送到云端，触发响应；
对设备状态时间序列数据进行分析，发现状态变化趋势，评估系统稳定性，并结合历史统计数据，使用ARIM预测模型，预测设备未来状态；
根据设备未来状态的预测结果，由云端制定节能优化策略，并下发执行。
可选地，对结构化数据中的报警数据，使用Isolation Forest算法识别异常情况包括：
收集故障报警数据，构造报警数据特征向量，报警数据特征向量至少包含报警次数、报警参数值和报警持续时间；
使用特征向量数据训练Isolation Forest模型，通过递归分割生成多棵二叉树，将异常点分离到叶子节点，叶子节点的位置表示数据点的异常程度；
使用训练后的Isolation Forest模型对新输入的报警数据特征向量进行打分；
根据设定的阈值，判断异常评分较高的故障报警数据为异常情况；
对检测到的故障报警数据进行标注，记录故障报警数据的异常特征。
可选地，对设备状态时间序列数据进行分析，发现状态变化趋势，评估系统稳定性，并结合历史统计数据，使用ARIM预测模型，预测设备未来状态包括：
收集设备在不同时间点的状态数据，并根据状态数据构建时间序列状态数据集；
对状态时间序列数据集进行平稳性检验，若不满足平稳条件，则进行差分操作，得到差分后的平稳时间序列，同时确定进行ARIM差分的阶数；
使用ARIM差分的阶数和自回归阶数建立ARIM模型，训练ARIM模型的参数，并检验ARIM模型的拟合效果；
利用训练后的ARIM模型预测一段时间的状态数据，得到未来一段时间内的状态预测值；
将预测状态值与历史统计的正常状态范围进行对比，判断设备状态是否稳定；
若预测状态超出正常范围，则评估设备可能发生故障，提示采取提前维护措施。
相较于现有技术，本申请具有以下有益效果：
1、本发明在边缘端广泛采集数据，可获得丰富的分析源数据，支持多种异构数据，实现全方位感知，采用MQTT等协议，实现实时高效的数据传输，采用时序数据库等新型存储方式，保证数据扩展性；云边协同，实现对设备和用电的优化控制，引入新技术，构建更全面的能源管理系统，增强边缘端自主控制能力，实现局部优化，增强云端协调能力，进行全局优化，应用人工智能技术，实现更智能的管理。
2、本发明视频监控可直接观测设备运行状态，是实现视觉智能化管理的重要手段，采用视频内容分析技术，可以实现精确的设备定位、识别、状态判断，应用计算机视觉和深度学习算法，可实现对视频内容的智能分析，结合红外热成像技术，可以感知设备温度变化和热损耗区，视频数据量大，但使用MQTT协议传输可保证实时性，云边协同，云平台具备强大的分析计算能力，持续升级视频分析技术，可实现从监测到分析再到理解的演进。
3、本发明应用机器学习算法，实现对设备状态的智能监测和预测，利用异常检测算法，可以预警故障情况的产生，借助时间序列分析预测设备未来状态，评估系统稳定性，多种算法相互补充，共同提升分析的智能化水平，实现了从数据到信息，再到决策的支持，为设备维护提供依据，提高系统可靠性。
4、本发明通过直观的可视化呈现，使复杂分析结果更易于理解，为决策提供无障碍的视觉支持，辅助判断，采用新兴技术如AR、3D可视化，实现沉浸式的交互体验，支持多种可视化形式，使信息传达更精准高效，自动生成文本报告，使信息查询更便捷。
附图说明
结合实施例的以下描述，本发明的上述特性、特征和优点及其实现方式和方法变得更明白易懂，实施例结合附图详细阐述。在此以示意图示出：
图1是根据本发明实施例的一种智慧物联网能源管理平台系统的原理框图。
图中：
1、数据采集模块；2、设备与能源管理模块；3、集中抄表模块；4、故障报警模块；5、信息发布模块；6、视频监控模块；7、数据分析模块；8、数据可视化模块。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
根据本发明的实施例，提供了一种智慧物联网能源管理平台系统。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的智慧物联网能源管理平台系统，该智慧物联网能源管理平台系统包括：数据采集模块1、设备与能源管理模块2、集中抄表模块3、故障报警模块4、信息发布模块5、视频监控模块6、数据分析模块7及数据可视化模块8；
数据采集模块1，边缘端获取各类传感器采集的数据，同时采集设备的运行参数数据，并通过MQTT协议将采集的数据发送到Broker，利用云端获取采集的数据。
优选地，数据采集模块1在边缘端获取各类传感器采集的数据，同时采集设备的运行参数数据，并通过MQTT协议将采集的数据发送到Broker，利用云端获取采集的数据时包括：
通过标准接口连接在电力设施布置的各类传感器，同时连接设备，获取设备运行参数数据；
周期性读取各类传感器采集的数据以及获取设备的运行参数数据，并将传感器数据和设备运行参数数据以MQTT协议的消息形式发布到Broker的设定主题；
云平台配置MQTT客户端，连接Broker并订阅设定主题；
当有新传感器数据或设备运行参数数据发布到设定主题时，云平台便可获取新的数据，并将获取的数据存储在时序数据库中。
此外，数据采集模块1至少包括电力信息监控模块、温度信息采集模块、环境监测模块；
电力信息监控模块，在边缘端实时采集电力参数，在云端进行负载监测和用电分析；
温度信息采集模块，在边缘端采集温度数据，云端进行设备健康评估和故障预测；
环境监测模块，在边缘端采集环境数据，云端进行环境质量评估和预测。
需要解释说明的是，据采集模块在边缘端广泛采集各类数据上行到云端，是实现整个系统的数据驱动的基础。为进一步拓展数据采集的范围，可在该模块加入音频、图像等多媒体数据的采集，以提供更丰富的分析源数据。同时，随着社会的发展，高速低延时的宽带数据传输为大规模多源异构数据的云边传输提供了有力支撑。此外，采用流式传输模式，可实现数据的实时分发，以满足实时分析和控制的需求。在数据存储方面，时序数据库、数据湖等新型存储架构可提供更好的扩展性。总体而言，数据采集模块的持续优化升级，是实现更智能化的云边协同分析和决策的关键。
具体而言，数据采集模块可扩展包括电力信息监控、温度监测、环境监测等。电力信息监控可关注电压稳定性、负载预测等；温度监测关注设备健康状态；环境监测可扩展监测噪音、图像等。这些子模块的协同，可提供更全面的设备和环境运行状态数据，实现对系统的全方位智能感知。
设备与能源管理模块2，云端通过MQTT协议发布控制指令和管理策略到Broker，并利用边缘端执行控制指令和管理策略。
优选地，设备与能源管理模块2在设备与能源管理模块，云端通过MQTT协议发布控制指令和管理策略到Broker，并利用边缘端执行控制指令和管理策略时包括：
云平台根据电力系统运行数据、用户用电情况和节能目标，制定设备调度方案和用电管理策略；
云平台服务器实现MQTT协议发布客户端，将控制指令和管理策略发布到设定主题；
边缘端服务器实现MQTT协议订阅客户端，订阅云平台发布的主题，同时获取到控制指令和管理策略后，调用程序进行解析和执行；
此外，在此需要进行说明的是，接收到控制指令或管理策略的原始数据，对原始数据进行格式校验，分析指令/策略的类型和内容，提取指令/策略中包含的目标对象、控制参数等关键信息，根据指令/策略的类型，调用对应的软件程序或函数模块；例如调度指令调用调度优化模块，节能策略调用节能控制模块；不同的指令/策略会调用不同的后端模块，将解析得到的关键信息，传入被调用的程序模块；程序模块使用这些关键信息，执行对设备或系统的控制；如根据调度指令，实现设备启停；根据节能策略，调整设备运行参数。
边缘端通过标准接口将控制指令下发到智能设备，实现参数调整，同时根据管理策略实时状态调整本地设备运行，实现负载调度、节能运行；
边缘端将执行结果反馈到云平台，并对策略效果进行评估。
此外，设备与能源管理模块至少包括设备智能控制模块、能源管理模块；
设备智能控制模块，在云端制定控制策略，边缘端执行设备的智能化控制；
能源管理模块，在云端进行用电统计分析，制定节能策略，边缘端执行具体措施。
需要解释说明的是，设备与能源管理模块通过云边协同实现对设备和用电的优化控制，是实现智慧化管理的关键所在。除了当前的设备调度和节能策略，未来可扩展引入功率预测、储能控制、新能源管理等内容，构建更加全面的能源管理系统。在技术上，增强边缘端的自主控制能力，实现对局部优化；增强云端的coordination（协调）能力，进行全局协调。此外，人工智能技术的应用可实现更智能的控制策略制定和设备健康管理。总体来说，设备与能源管理模块的持续演进，是实现从分散控制到协调优化，再到自治决策的关键所在。
具体来说，设备与能源管理模块可拓展设备健康评估、新能源接入管理、需响应管理等。设备健康评估可预测故障风险；新能源管理实现与主网协调；需响应管理实时平衡供需。这些子模块协同工作，可带来更经济、高效、清洁的能源管理。
集中抄表模块3，边缘端利用MQTT协议发布抄表数据到Broke，并利用云端获取抄表数据。
集中抄表模块通过采集用户用电数据，实现了智能电表的远程读取。随着智能电网和大数据技术的发展，该模块可以进一步扩展实现用电行为分析、用电异常识别、电费计费、电力需求预测等功能。技术上，可利用人工智能算法实现用电模式识别，结合用户信息进行用电portrait，实现个性化电费计费。大数据分析可发现用电异常情况，实现用电监测。此外，电力需求预测可提高电网规划水平。总体来说，集中抄表模块的拓展升级，可进一步挖掘用电数据价值，提供更智能化的电力管理服务。
具体来说，集中抄表模块的拓展可包括用电行为分析、用电异常识别、智能计费、负荷预测等。用电行为分析可实现用户画像；用电异常识别实现监测；智能计费进行个性化电费；负荷预测提升电网规划。这些功能的拓展，可带来更智能化的用电管理和服务。
故障报警模块4，边缘端通过MQTT协议发布故障报警数据。
优选地，视频监控模块4在边缘端通过MQTT协议传输视频流，并利用云端对视频流进行内容分析，同时对设备运行状态的判断，实现对设备运行状态的监控时包括：
在电力系统的区域安装视频监控摄像头，获取实时视频流；
边缘端设备接入视频流，并通过MQTT发布视频流到设定主题；
边缘端需要实现发布视频流的功能，配置MQTT协议连接参数；
云平台服务器订阅设定主题，获取视频流，并利用计算视觉算法分析视频内容，识别设备；
对设备进行状态判断，将设备的状态检测结果与预设的正常状态对比，判断设备是否故障。
优选地，云平台服务器订阅设定主题，获取视频流，并利用计算视觉算法分析视频内容，识别设备包括：
在云平台服务器创建视频流订阅服务，明确订阅源和视频编码格式；
使用消息队列服缓冲视频流，并设置多个消费者进行负载均衡；
对视频流进行解码和缩放，并按照输入要求调整帧图像，同时根据帧图像的视频帧率和场景复杂度确定背景模型更新频率；
利用若干帧图像计算均值建立初始高斯混合背景模型，并利用云存储进行存储；
定期使用新帧更新初始高斯混合背景模型，并应用改进的自适应阈值算法计算平均灰度；
将帧图像与背景模型进行差分，得到候选前景目标；
通过观察背景平均灰度变化，判断是否发生光照突变，若发生突变，则使用新帧重建高斯混合背景模型；
对候选目标进行识别，并通过MQTT协议将识别结果发送给特定设备，实现对设备的识别和控制。
优选地，利用若干帧图像计算均值建立初始高斯混合背景模型，并利用云存储进行存储包括以下步骤：
从视频流中提取若干帧图像，并对每帧图像进行灰度图像及滤波处理；
计算对应像素位置中若干帧图像的均值，得到初步背景图像，同时对初步背景图像进行高斯平滑去噪；
对每个像素建立包含多个高斯分布的混合模型；
利用设定的帧图像更新每个高斯分布的均值和方差参数；
对不同高斯分布进行权重初始化，表示其对背景的贡献度，并利用云对象存储服务存储高斯混合背景模型参数。
优选地，定期使用新帧更新初始高斯混合背景模型，并应用改进的自适应阈值算法计算平均灰度包括：
从视频流中获取最新的帧图像，对每个像素，计算其在各高斯分布中的权重；
根据高斯分布的权重，更新每个高斯分布的均值和方差；
对更新后的高斯混合背景模型，重新归一化各高斯分布的权重；
计算更新后的高斯混合背景模型整体的平均灰度值，将平均灰度值输入自适应阈值算法，计算出当前的分割阈值，并进行图像分割；
平均灰度值的计算公式为：
；
式中，N为像素总数；
L为最大灰度级；
f（i，j）为当前位置的灰度值。
需要解释说明的是，视频监控模块通过视频内容分析实现对电力设备运行状态的监测，是实现视觉智能化管理的有效手段。随着计算机视觉和视频分析技术的进步，该模块可以实现更精细和智能化的监控。例如，采用目标检测、跟踪算法实现对重要设备的精准定位；利用深度学习分类和识别不同类型设备；使用语义分割明确设备各组成部分及运转情况。此外，可以结合红外测温和热成像技术，实现设备温度变化和热损耗区的识别。总体来说，视频监控模块的持续升级，可实现从视觉监测到视觉分析再到视觉理解，对电力系统实现全方位的智能化监视。
具体来说，视频监控模块的拓展可包括目标检测、设备识别、运动分析、红外测温等。目标检测可精确定位；设备识别实现分类；运动分析判断运行状态；红外测温实现热分析。多种技术的配合使用，可全面提升视频监控的智能化水平。
信息发布模块5，云端通过MQTT协议发布统计分析结果和信息通知。
信息发布模块5至少包括数据转发模块、地理信息模块及建筑信息模块；
数据转发模块，在边缘端实现缓存和预处理，并利用云端进行数据聚合和发布；
地理信息模块，在云端集中管理地理信息数据，并利用边缘端实现电力资产的定位；
建筑信息模块，在云端统一管理三维建筑信息，并利用边缘端实现电力设施的虚拟显示。
需要解释说明的是，信息发布模块通过集中发布各类统计和分析结果，实现了对电力系统的信息共享和数据开放。随着分布式电网和多方参与的发展，该模块可以进一步拓展实现第三方的信息聚合与开放接口，构建电力生态系统。技术上，使用区块链实现数据来源追踪和权限控制，保证开放数据的真实性和安全性。此外，采用知识图谱技术，可以实现电力领域知识的表达、组织和推理，提供更智能化的信息服务。总体来说，信息发布模块的拓展升级，是构建开放、协作、智能的电力信息平台的关键。
具体来说，信息发布模块的拓展可包括开放接口、区块链溯源、知识图谱等。开放接口实现第三方访问；区块链溯源保证数据真实性；知识图谱提供智能化服务。这些技术的引入，可加速电力系统向开放、协同、智能方向发展。
视频监控模块6，边缘端通过MQTT协议传输视频流，并利用云端对视频流进行内容分析，同时对设备运行状态的判断，实现对设备运行状态的监控。
需要解释说明的是，视频监控模块通过视频内容分析实现对电力设备运行状态的监测，是实现视觉智能化管理的有效手段。随着计算机视觉和视频分析技术的进步，该模块可以实现更精细和智能化的监控。例如，采用目标检测、跟踪算法实现对重要设备的精准定位；利用深度学习分类和识别不同类型设备；使用语义分割明确设备各组成部分及运转情况。此外，可以结合红外测温和热成像技术，实现设备温度变化和热损耗区的识别。总体来说，视频监控模块的持续升级，可实现从视觉监测到视觉分析再到视觉理解，对电力系统实现全方位的智能化监视。
具体来说，视频监控模块的拓展可包括目标检测、设备识别、运动分析、红外测温等。目标检测可精确定位；设备识别实现分类；运动分析判断运行状态；红外测温实现热分析。多种技术的配合使用，可全面提升视频监控的智能化水平。
数据分析模块7，云端获取传感器采集的数据、设备运行参数数据、抄表数据和故障报警数据，并利用机器学习算法进行模式识别和趋势预测的分析。
优选地，数据分析模块7在云端获取传感器采集的数据、设备运行参数数据、抄表数据和故障报警数据，并利用机器学习算法进行模式识别和趋势预测的分析时包括：
在云端分别获取传感器采集的数据、设备运行参数数据、抄表数据和故障报警数据的结构化数据；
利用机器学习算法进行结构化数据的模式学习，实现设备状态预测；
根据设备状态预测的结果，进行关联分析，发现设备之间的依赖关系；
对结构化数据中的报警数据，使用Isolation Forest算法识别异常情况；
检测到异常时，通过MQTT协议将异常警报发送到云端，触发响应；
对设备状态时间序列数据进行分析，发现状态变化趋势，评估系统稳定性，并结合历史统计数据，使用ARIM预测模型，预测设备未来状态；
根据设备未来状态的预测结果，由云端制定节能优化策略，并下发执行。
优选地，对结构化数据中的报警数据，使用Isolation Forest算法识别异常情况包括：
收集故障报警数据，构造报警数据特征向量，报警数据特征向量至少包含报警次数、报警参数值和报警持续时间；
使用特征向量数据训练Isolation Forest模型，通过递归分割生成多棵二叉树，将异常点分离到叶子节点，叶子节点的位置表示数据点的异常程度；
使用训练后的Isolation Forest模型对新输入的报警数据特征向量进行打分；
根据设定的阈值，判断异常评分较高的故障报警数据为异常情况；
对检测到的故障报警数据进行标注，记录故障报警数据的异常特征。
优选地，对设备状态时间序列数据进行分析，发现状态变化趋势，评估系统稳定性，并结合历史统计数据，使用ARIM预测模型，预测设备未来状态包括：
收集设备在不同时间点的状态数据，并根据状态数据构建时间序列状态数据集；
对状态时间序列数据集进行平稳性检验，若不满足平稳条件，则进行差分操作，得到差分后的平稳时间序列，同时确定进行ARIM差分的阶数；
使用ARIM差分的阶数和自回归阶数建立ARIM模型，训练ARIM模型的参数，并检验ARIM模型的拟合效果；
利用训练后的ARIM模型预测一段时间的状态数据，得到未来一段时间内的状态预测值；
将预测状态值与历史统计的正常状态范围进行对比，判断设备状态是否稳定；
若预测状态超出正常范围，则评估设备可能发生故障，提示采取提前维护措施。
需要解释说明的是，数据分析模块通过机器学习和时间序列分析技术，实现了对设备运行状态和故障情况的智能监测和预测。这为提高电力系统的可靠性和经济性提供了有力支撑。
具体来说，该数据分析模块7主要使用了三类算法
机器学习算法，通过模式学习实现设备状态预测，发现设备之间的依赖关系，实现智能化监控。
异常检测算法，使用Isolation Forest等算法识别故障报警数据中的异常情况，实现故障预警。
时间序列分析算法，应用ARIM等模型预测设备未来状态，评估系统稳定性，为维护提供依据。
这三类算法各有侧重，但目的一致，那就是提高对系统运行状态的监测和预测能力，以实现智能化维护和管理。其中，机器学习侧重模式学习，异常检测侧重异常识别，时间序列分析侧重趋势预测。三者相互补充，共同提升了数据分析模块的智能化水平。
数据可视化模块8，提供分析结果的可视化界面，并给出优化建议。
需要解释说明的是，数据可视化模块8通过直观的可视化呈现，实现了分析结果的无障碍沟通和决策依据的提供。随着可视化技术的发展，该模块可以实现更丰富和智能化的可视化呈现。例如，采用增强现实技术，通过实景重构呈现电力系统及设备运行状态；使用三维可视化技术，实现对设备内部结构和过程的虚拟显示；结合自然语言生成技术，实现根据输入查询自动生成文本分析报告。总体来说，数据可视化模块的升级迭代，可实现从简单信息展示到沉浸式决策体验的转变，使复杂分析结果更易于理解，提供更智能化的决策支持。
具体来说，数据可视化模块的拓展可包括增强现实、三维可视化、自然语言报告等。增强现实可实现实景重构；三维可视化实现虚拟显示；自然语言报告自动生成文本分析。这些手段的配合使用，可以实现更直观、便捷和智能化的分析决策支持。
对本发明中的相关术语解释如下：
MQTT协议（Message Queuing Telemetry Transport）消息队列遥测传输协议）是一种轻量级的发布-订阅模式的消息传输协议；
Isolation Forest，Isolation Forest（隔离森林）是一种无监督的机器学习算法，用于异常检测。它的工作原理如下：随机递归分割：Isolation Forest利用递归的方式对特征空间进行随机分割，将异常点隔离在较浅的树中。
利用树的平均路径长度判断异常：一个样本点被隔离所需要的分割次数越少，则它越有可能是异常点。Isolation Forest利用这个原理，计算样本通过树到根节点的平均路径长度，判断其异常程度。
构建多棵Isolation Tree：算法会构建多棵Isolation Tree，并在所有树上平均路径长度，使得判断更加准确可靠。
ARIM模型是一种时间序列分析模型，主要用于时间序列预测。其基本原理如下：自回归模型利用回归的思想，通过历史数据进行线性回归，预测未来值移动平均模型利用时间序列的移动平均来预测，可以平滑时间序列，差分可以消除时间序列的非平稳性（如趋势和季节性），得到平稳序列。
综上，借助于本发明的上述技术方案，本发明在边缘端广泛采集数据，可获得丰富的分析源数据，支持多种异构数据，实现全方位感知，采用MQTT等协议，实现实时高效的数据传输，采用时序数据库等新型存储方式，保证数据扩展性；云边协同，实现对设备和用电的优化控制，引入新技术，构建更全面的能源管理系统，增强边缘端自主控制能力，实现局部优化，增强云端协调能力，进行全局优化，应用人工智能技术，实现更智能的管理；本发明视频监控可直接观测设备运行状态，是实现视觉智能化管理的重要手段，采用视频内容分析技术，可以实现精确的设备定位、识别、状态判断，应用计算机视觉和深度学习算法，可实现对视频内容的智能分析，结合红外热成像技术，可以感知设备温度变化和热损耗区，视频数据量大，但使用MQTT协议传输可保证实时性，云边协同，云平台具备强大的分析计算能力，持续升级视频分析技术，可实现从监测到分析再到理解的演进；本发明应用机器学习算法，实现对设备状态的智能监测和预测，利用异常检测算法，可以预警故障情况的产生，借助时间序列分析预测设备未来状态，评估系统稳定性，多种算法相互补充，共同提升分析的智能化水平，实现了从数据到信息，再到决策的支持，为设备维护提供依据，提高系统可靠性；本发明通过直观的可视化呈现，使复杂分析结果更易于理解，为决策提供无障碍的视觉支持，辅助判断，采用新兴技术如AR、3D可视化，实现沉浸式的交互体验，支持多种可视化形式，使信息传达更精准高效，自动生成文本报告，使信息查询更便捷。
虽然本发明已以较佳实施例揭示如上，然所述实施例仅为了便于说明而举例而已，并非用以限定本发明，本领域的技术人员在不脱离本发明精神和范围的前提下可作若干的更动与润饰，本发明所主张的保护范围应以权利要求书所述为准。
Claims (4)
1.一种智慧物联网能源管理平台系统，其特征在于，该智慧物联网能源管理平台系统包括：数据采集模块、设备与能源管理模块、集中抄表模块、故障报警模块、信息发布模块、视频监控模块、数据分析模块及数据可视化模块；
所述数据采集模块，边缘端获取各类传感器采集的数据，同时采集设备的运行参数数据，并通过MQTT协议将采集的数据发送到Broker，利用云端获取采集的数据；
所述设备与能源管理模块，云端通过MQTT协议发布控制指令和管理策略到Broker，并利用边缘端执行控制指令和管理策略；
所述集中抄表模块，边缘端利用MQTT协议发布抄表数据到Broke，并利用云端获取抄表数据；
所述故障报警模块，边缘端通过MQTT协议发布故障报警数据；
所述信息发布模块，云端通过MQTT协议发布统计分析结果和信息通知；
所述视频监控模块，边缘端通过MQTT协议传输视频流，并利用云端对视频流进行内容分析，同时对设备运行状态的判断，实现对设备运行状态的监控；
所述数据分析模块，云端获取传感器采集的数据、设备运行参数数据、抄表数据和故障报警数据，并利用机器学习算法进行模式识别和趋势预测的分析；
所述数据可视化模块，提供分析结果的可视化界面，并给出优化建议；
所述设备与能源管理模块在设备与能源管理模块，云端通过MQTT协议发布控制指令和管理策略到Broker，并利用边缘端执行控制指令和管理策略时包括：
云平台根据电力系统运行数据、用户用电情况和节能目标，制定设备调度方案和用电管理策略；
云平台服务器实现MQTT协议发布客户端，将控制指令和管理策略发布到设定主题；
边缘端服务器实现MQTT协议订阅客户端，订阅云平台发布的主题，同时获取到控制指令和管理策略后，调用程序进行解析和执行；
边缘端通过标准接口将控制指令下发到智能设备，实现参数调整，同时根据管理策略实时状态调整本地设备运行，实现负载调度、节能运行；
边缘端将执行结果反馈到云平台，并对策略效果进行评估；
所述视频监控模块在边缘端通过MQTT协议传输视频流，并利用云端对视频流进行内容分析，同时对设备运行状态的判断，实现对设备运行状态的监控时包括：
在电力系统的区域安装视频监控摄像头，获取实时视频流；
边缘端设备接入视频流，并通过MQTT发布视频流到设定主题；
边缘端需要实现发布视频流的功能，配置MQTT协议连接参数；
云平台服务器订阅设定主题，获取视频流，并利用计算视觉算法分析视频内容，识别设备；
对设备进行状态判断，将设备的状态检测结果与预设的正常状态对比，判断设备是否故障；
所述云平台服务器订阅设定主题，获取视频流，并利用计算视觉算法分析视频内容，识别设备包括：
在云平台服务器创建视频流订阅服务，明确订阅源和视频编码格式；
使用消息队列服缓冲视频流，并设置多个消费者进行负载均衡；
对视频流进行解码和缩放，并按照输入要求调整帧图像，同时根据帧图像的视频帧率和场景复杂度确定背景模型更新频率；
利用若干帧图像计算均值建立初始高斯混合背景模型，并利用云存储进行存储；
定期使用新帧更新初始高斯混合背景模型，并应用改进的自适应阈值算法计算平均灰度；
将帧图像与背景模型进行差分，得到候选前景目标；
通过观察背景平均灰度变化，判断是否发生光照突变，若发生突变，则使用新帧重建高斯混合背景模型；
对候选目标进行识别，并通过MQTT协议将识别结果发送给特定设备，实现对设备的识别和控制；
所述利用若干帧图像计算均值建立初始高斯混合背景模型，并利用云存储进行存储包括以下步骤：
从视频流中提取若干帧图像，并对每帧图像进行灰度图像及滤波处理；
计算对应像素位置中若干帧图像的均值，得到初步背景图像，同时对初步背景图像进行高斯平滑去噪；
对每个像素建立包含多个高斯分布的混合模型；
利用设定的帧图像更新每个高斯分布的均值和方差参数；
对不同高斯分布进行权重初始化，表示其对背景的贡献度，并利用云对象存储服务存储高斯混合背景模型参数；
所述定期使用新帧更新初始高斯混合背景模型，并应用改进的自适应阈值算法计算平均灰度包括：
从视频流中获取最新的帧图像，对每个像素，计算其在各高斯分布中的权重；
根据高斯分布的权重，更新每个高斯分布的均值和方差；
对更新后的高斯混合背景模型，重新归一化各高斯分布的权重；
计算更新后的高斯混合背景模型整体的平均灰度值，将平均灰度值输入自适应阈值算法，计算出当前的分割阈值，并进行图像分割；
所述平均灰度值的计算公式为：
；
式中，N为像素总数；
L为最大灰度级；
f(i，j)为当前位置的灰度值。
2.根据权利要求1所述的一种智慧物联网能源管理平台系统，其特征在于，所述数据分析模块在云端获取传感器采集的数据、设备运行参数数据、抄表数据和故障报警数据，并利用机器学习算法进行模式识别和趋势预测的分析时包括：
在云端分别获取传感器采集的数据、设备运行参数数据、抄表数据和故障报警数据的结构化数据；
利用机器学习算法进行结构化数据的模式学习，实现设备状态预测；
根据设备状态预测的结果，进行关联分析，发现设备之间的依赖关系；
对结构化数据中的报警数据，使用Isolation Forest算法识别异常情况；
检测到异常时，通过MQTT协议将异常警报发送到云端，触发响应；
对设备状态时间序列数据进行分析，发现状态变化趋势，评估系统稳定性，并结合历史统计数据，使用ARIM预测模型，预测设备未来状态；
根据设备未来状态的预测结果，由云端制定节能优化策略，并下发执行。
3.根据权利要求2所述的一种智慧物联网能源管理平台系统，其特征在于，所述对结构化数据中的报警数据，使用Isolation Forest算法识别异常情况包括：
收集故障报警数据，构造报警数据特征向量，所述报警数据特征向量至少包含报警次数、报警参数值和报警持续时间；
使用特征向量数据训练Isolation Forest模型，通过递归分割生成多棵二叉树，将异常点分离到叶子节点，所述叶子节点的位置表示数据点的异常程度；
使用训练后的Isolation Forest模型对新输入的报警数据特征向量进行打分；
根据设定的阈值，判断异常评分较高的故障报警数据为异常情况；
对检测到的故障报警数据进行标注，记录故障报警数据的异常特征。
4.根据权利要求3所述的一种智慧物联网能源管理平台系统，其特征在于，所述对设备状态时间序列数据进行分析，发现状态变化趋势，评估系统稳定性，并结合历史统计数据，使用ARIM预测模型，预测设备未来状态包括：
收集设备在不同时间点的状态数据，并根据状态数据构建时间序列状态数据集；
对状态时间序列数据集进行平稳性检验，若不满足平稳条件，则进行差分操作，得到差分后的平稳时间序列，同时确定进行ARIM差分的阶数；
使用ARIM差分的阶数和自回归阶数建立ARIM模型，训练ARIM模型的参数，并检验ARIM模型的拟合效果；
利用训练后的ARIM模型预测一段时间的状态数据，得到未来一段时间内的状态预测值；
将预测状态值与历史统计的正常状态范围进行对比，判断设备状态是否稳定；
若预测状态超出正常范围，则评估设备可能发生故障，提示采取提前维护措施。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311321901.6A CN117240887B (zh) | 2023-10-13 | 2023-10-13 | 一种智慧物联网能源管理平台系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311321901.6A CN117240887B (zh) | 2023-10-13 | 2023-10-13 | 一种智慧物联网能源管理平台系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117240887A CN117240887A (zh) | 2023-12-15 |
| CN117240887B true CN117240887B (zh) | 2024-03-26 |
Family
ID=89082577
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311321901.6A Active CN117240887B (zh) | 2023-10-13 | 2023-10-13 | 一种智慧物联网能源管理平台系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117240887B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117572814B (zh) * | 2024-01-19 | 2024-04-23 | 西南技术物理研究所 | 一种基于物联网的多仪器设备自动测控方法及系统 |
| CN117764562A (zh) * | 2024-02-21 | 2024-03-26 | 瀚越智能科技(深圳)有限公司 | 基于物联网的门禁设备智能管理方法及系统 |
| CN118011837B (zh) * | 2024-04-08 | 2024-06-11 | 钛玛科（北京）工业科技有限公司 | 一种基于modbus-rtu协议通信的纠偏控制系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012095867A2 (en) * | 2011-01-12 | 2012-07-19 | Videonetics Technology Private Limited | An integrated intelligent server based system and method/systems adapted to facilitate fail-safe integration and /or optimized utilization of various sensory inputs |
| WO2018234741A1 (en) * | 2017-06-23 | 2018-12-27 | Qio Technologies Ltd | SYSTEMS AND METHODS FOR INTELLIGENCE OF INDUSTRIAL ASSETS BY DISTRIBUTED SYSTEMIC ANTICIPATION |
| CN111784026A (zh) * | 2020-05-28 | 2020-10-16 | 国网信通亿力科技有限责任公司 | 基于云边端协同感知的变电站电气设备全方位体检系统 |
| CN112217860A (zh) * | 2020-09-01 | 2021-01-12 | 武汉魅客科技有限公司 | 一种基于边缘计算技术的智慧能源管理系统 |
| KR102248727B1 (ko) * | 2019-12-13 | 2021-05-06 | 주식회사 두두원 | 멀티프로토콜을 지원하는 전력 IoT 게이트웨이 |
| CN113887749A (zh) * | 2021-08-23 | 2022-01-04 | 国网江苏省电力有限公司信息通信分公司 | 基于云边协同的电力物联网多维度监控处置方法、设备及平台 |
| WO2022105090A1 (zh) * | 2020-11-17 | 2022-05-27 | 重庆邮电大学 | 基于回调机制的细粒度数据流可靠卸载方法 |
| CN114662720A (zh) * | 2022-04-22 | 2022-06-24 | 国网安徽省电力有限公司 | 一种变电站的物联边缘管理平台 |
| CN116192601A (zh) * | 2023-04-23 | 2023-05-30 | 广东电网有限责任公司中山供电局 | 一种基于电力物联网的云边端协同管控系统 |
| CN116841262A (zh) * | 2023-06-27 | 2023-10-03 | 北京红山信息科技研究院有限公司 | 基于机器视觉的智慧工厂生产在线监测分析系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11616839B2 (en) * | 2019-04-09 | 2023-03-28 | Johnson Controls Tyco IP Holdings LLP | Intelligent edge computing platform with machine learning capability |
-
2023
- 2023-10-13 CN CN202311321901.6A patent/CN117240887B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012095867A2 (en) * | 2011-01-12 | 2012-07-19 | Videonetics Technology Private Limited | An integrated intelligent server based system and method/systems adapted to facilitate fail-safe integration and /or optimized utilization of various sensory inputs |
| WO2018234741A1 (en) * | 2017-06-23 | 2018-12-27 | Qio Technologies Ltd | SYSTEMS AND METHODS FOR INTELLIGENCE OF INDUSTRIAL ASSETS BY DISTRIBUTED SYSTEMIC ANTICIPATION |
| KR102248727B1 (ko) * | 2019-12-13 | 2021-05-06 | 주식회사 두두원 | 멀티프로토콜을 지원하는 전력 IoT 게이트웨이 |
| CN111784026A (zh) * | 2020-05-28 | 2020-10-16 | 国网信通亿力科技有限责任公司 | 基于云边端协同感知的变电站电气设备全方位体检系统 |
| CN112217860A (zh) * | 2020-09-01 | 2021-01-12 | 武汉魅客科技有限公司 | 一种基于边缘计算技术的智慧能源管理系统 |
| WO2022105090A1 (zh) * | 2020-11-17 | 2022-05-27 | 重庆邮电大学 | 基于回调机制的细粒度数据流可靠卸载方法 |
| CN113887749A (zh) * | 2021-08-23 | 2022-01-04 | 国网江苏省电力有限公司信息通信分公司 | 基于云边协同的电力物联网多维度监控处置方法、设备及平台 |
| CN114662720A (zh) * | 2022-04-22 | 2022-06-24 | 国网安徽省电力有限公司 | 一种变电站的物联边缘管理平台 |
| CN116192601A (zh) * | 2023-04-23 | 2023-05-30 | 广东电网有限责任公司中山供电局 | 一种基于电力物联网的云边端协同管控系统 |
| CN116841262A (zh) * | 2023-06-27 | 2023-10-03 | 北京红山信息科技研究院有限公司 | 基于机器视觉的智慧工厂生产在线监测分析系统 |
Non-Patent Citations (2)
| Title |
|---|
| "基于MQTT技术云边协同协议的设计";谢峰等;自动化博览;20210515;第38卷(第5期);正文第3-4章 * |
| Collaborative Gaussian mixture model for background subtraction;Yongxin Jiang et al.;2020 International Conference on Intelligent Computing and Human-Computer Interaction;20210510;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117240887A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117240887B (zh) | 一种智慧物联网能源管理平台系统 | |
| Soni et al. | Machine learning techniques in emerging cloud computing integrated paradigms: A survey and taxonomy | |
| CN109376909A (zh) | 一种农产品监测预警模型系统 | |
| CN109743356B (zh) | 工业互联网数据采集方法及装置、可读存储介质和终端 | |
| CN113885398B (zh) | 一种基于可微推理的水循环智能感知与监控系统 | |
| CN114358106A (zh) | 系统异常检测方法、装置、计算机程序产品及电子设备 | |
| Lockhart et al. | Scission: Performance-driven and context-aware cloud-edge distribution of deep neural networks | |
| CN113627032B (zh) | 一种基于数字孪生的设备设计/维修方案智能决策方法 | |
| Wang et al. | Anomaly detection in wireless sensor networks based on KNN | |
| CN115882455A (zh) | 一种分布式光伏发电预测方法、系统及终端机 | |
| CN111445065A (zh) | 用于数据中心制冷群控的能耗优化方法及系统 | |
| CN108228900B (zh) | 基于分层结构的电力设备多光谱数据中心模型建立方法 | |
| CN118014327A (zh) | 实时大数据驱动的智慧城市管理平台 | |
| CN110661999A (zh) | 一种基于大数据的视频监控系统 | |
| CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
| CN115277789B (zh) | 一种梯级水电站安全防护系统及方法 | |
| CN111404742A (zh) | 一种面向智慧供应链的工业互联架构 | |
| CN106649034A (zh) | 一种可视化智能运维方法及平台 | |
| CN115310704A (zh) | 一种基于系统安全模型的多维度消防安全评估预警系统 | |
| CN114819367A (zh) | 一种基于工业互联网的公共服务平台 | |
| Shen et al. | Long-term multivariate time series forecasting in data centers based on multi-factor separation evolutionary spatial–temporal graph neural networks | |
| CN113327033A (zh) | 配电网故障诊断方法及系统 | |
| CN114004715A (zh) | 一种基于大数据智能推荐算法的学习环境构建方法 | |
| CN112293332A (zh) | 一种可视化智能生态养殖集装箱 | |
| Hong | Construction of international education talents training mechanism based on data fusion algorithm |
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 |