CN117251825B - 一种新能源电站多传感器数据融合平台 - Google Patents
一种新能源电站多传感器数据融合平台 Download PDFInfo
- Publication number
- CN117251825B CN117251825B CN202311543577.2A CN202311543577A CN117251825B CN 117251825 B CN117251825 B CN 117251825B CN 202311543577 A CN202311543577 A CN 202311543577A CN 117251825 B CN117251825 B CN 117251825B
- Authority
- CN
- China
- Prior art keywords
- fusion
- edge
- data
- task
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 claims abstract description 68
- 230000007246 mechanism Effects 0.000 claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000010365 information processing Effects 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 61
- 230000006870 function Effects 0.000 claims description 40
- 238000005516 engineering process Methods 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 11
- 230000033001 locomotion Effects 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 238000013213 extrapolation Methods 0.000 claims description 4
- 230000008676 import Effects 0.000 claims description 4
- 230000004043 responsiveness Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 14
- 238000013461 design Methods 0.000 description 13
- 238000007500 overflow downdraw method Methods 0.000 description 9
- 230000008447 perception Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000007123 defense Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0495—Quantised networks; Sparse networks; Compressed networks
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/30—Information sensed or collected by the things relating to resources, e.g. consumed power
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/50—Safety; Security of things, users, data or systems
-
- 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
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/1014—Server selection for load balancing based on the content of a request
-
- 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
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5017—Task decomposition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/502—Proximity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/20—Arrangements in telecontrol or telemetry systems using a distributed architecture
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/70—Arrangements in the main station, i.e. central controller
- H04Q2209/75—Arrangements in the main station, i.e. central controller by polling or interrogating the sub-stations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/80—Arrangements in the sub-station, i.e. sensing device
- H04Q2209/84—Measuring functions
Abstract
本发明公开了一种新能源电站多传感器数据融合平台,包括:边缘融合计算控制器及云服务平台;所述边缘融合计算控制器用于接收端侧感知传感器采集的数据并对其进行处理后传输至云服务平台,包括边缘侧信息处理模块和边缘侧智能融合模块,所述云服务平台基于多元信息融合框架和边云协同机制对接收到的各边缘节点的多元信息进行融合。本发明结合边缘计算,采用端‑边‑云三级架构,并融合多节点、多互补型传感器数据,实现多维度联动智能感知。
Description
技术领域
本发明属于新能源电站清洁安全利用技术领域,涉及一种新能源电站多传感器数据融合平台。
背景技术
当前新能源电站安全的感知监测与预警防护主要依靠人防和物防,如太阳能光伏光热等新能源电站安全的感知监测与预警防护主要依靠人防和逆变器数据,数字化和智能化水平比较低,大力发展基于人工智能的新能源电站安全感知预警技术迫在眉睫。应加快能源传统基础设施数字化改造,加强泛在感知、终端联网、智能调度体系建设。发展多元信息智能融合,实现区域多维联动感知是推进新能源电站安全领域智能化的新趋势。
现有解决方案还存在着传感器类型单一、全天候检测能力低、误报率和漏报率高等问题,难以满足复杂环境下新能源电站准确、快速、可靠稳定的智能感知要求。比如目前太阳能光伏电站安全监测场景中广泛使用的光学类摄像头,极易受到环境光照和云、雨、雾等恶劣气候的影响,造成持续性的监测盲区误报或漏报。另外,传统基于端+云的融合预警方案中,端侧传感器数据需要传输至云端进行处理,对关键异常事件的响应存在一定的延时,难以满足高实时性需求,如光伏电站消防、瞬时天气预测、光热电站定日镜偏离等场景。且市场上新能源电站安全解决方案需要依赖人工定时甚至实时监测故障,人力投入成本高昂,重要防护事件与天气预报极易漏过或者不准确。
基于此,本发明提出一种新能源电站多传感器数据融合平台,该发明能够显著提升新能源电站天气预报准确性与安全,解决新能源电站的智能化水平,降低防护对人力的依赖性,减少人力投入,节约成本,提升新能源电站安全解决方案的“全天时、全天候”防护能力,降低误报率与漏报率,提高防护效率项目,有助于推动新能源电站安全领域技术水平的整体提升。
发明内容
本发明的目的在于针对现有技术的不足,提供一种新能源电站多传感器数据融合平台,该平台采用端-边-云三级架构,结合边缘计算,实现边缘融合计算控制器、边缘/云端多传感器数据融合计算等核心软硬件技术的自主可控,达到“全天时、全天候、低延时、零漏报、低误报”的安全防护目标。
为实现上述目的,本发明技术方案如下:
一种新能源电站多传感器数据融合平台,包括:边缘融合计算控制器及云服务平台;所述边缘融合计算控制器用于接收端侧感知传感器采集的数据并对其进行处理后传输至云服务平台,包括边缘侧信息处理模块和边缘侧智能融合模块,其中边缘侧信息处理模块采用边缘计算及深度学习技术对不同端节点采集的信号进行特征提取和智能预处理,边缘侧智能融合模块将经边缘侧信息处理模块处理后的空间分布的多个端节点的异步信息进行时空配准、信息相关和加权融合;所述云服务平台基于多元信息融合框架和边云协同机制对接收到的各边缘节点的多元信息进行融合。
上述技术方案中,进一步地,所述的端侧传感器为各新能源电站所布置的各类传感器,包括但不限于视频、辐照度、电压、电流、流量、水位、温度、湿度等传感器,实现数据采集功能。
进一步地,对于视频传感器数据,所述边缘侧信息处理模块对采集得到的视频数据进行的处理包括如下:
采用深度学习算法实现典型目标的检测,采用YOLO系列检测算法为基本框架,基于子空间投影神经网络的运动目标快速跟踪算法,根据运动目标的机动性,将目标运动图像的三维时空序列切分为若干个时间片段;将三维短时运动轨迹片段投影到二维子空间平面,根据空间形态特征,获得局部候选轨迹;再对候选区域进行轨迹回溯,将目标轨迹重映射到三维时空,构建神经网络以数据驱动的方式对目标运动轨迹片段进行筛选并估计运动目标中心位置;
对于YOLO模型,缩减YOLO模型特征通道数量,在此基础上对其进行网络剪枝,进一步压缩模型,降低模型复杂度。
进一步地,边缘侧智能融合模块对不同端节点的特征信息进行时空配准与信息相关,并根据节点信息类型的不同,采取异构信息融合算法进行融合,具体包括:
多元信息融合的前提是空间分布的不同端节点的异步信息进行时空配准,具体包括空间对齐和时间对齐,空间对齐是指通过坐标平移和坐标旋转,将不同端节点的局部坐标系中的信息变换到全局坐标系中,时间对齐是指基于目标运动的先验模型,采用内插外推技术或者最小二乘技术,将异步信息统一到相同的时间戳,然后进行多元信息融合;
采用多维分配技术MDA实现异类异构传感器的信息相关,通过寻找全局代价函数的极值来求解分配问题。
所述异构信息融合算法具体包括:基于K-L散度进行异构多传感器分布式序贯融合,在估计每个传感器的目标状态与协方差的基础上,采用基于K-L散度的带记忆快速容错广义凸组合方法。K-L散度的带记忆快速容错广义凸组合方法是一种用于组合不同的模型、算法或函数的技术,以生成更强大的解决方案。在此基础上,K-L散度被用作度量目标函数之间的差异性。通过最小化目标函数之间的K-L散度,方法能够找到一个平衡点,使得多个目标函数能够得到合理的权衡。同时,该方法还引入了记忆机制,用于快速容错和适应问题变化。记忆机制通过记录先前的优化结果和相关信息,并在迭代过程中利用这些信息来指导当前的决策。这样可以加速算法的收敛速度,提高方法的鲁棒性,使其在面对错误或噪声时能够继续有效运行。
下面介绍K-L散度的带记忆快速容错广义凸组合方法,假设在含有N个传感器的系统下观测数据,在第i个传感器,将x的测量值记作zi,则 x 的本地后验概率密度为,且本地传感器之间的相关性是未知的。最终目的是将这些所有的概率密度融合成单个概率密度,记作/>。为了后续推导过程简便,将/>记作/>,将记作/>。假定/>属于同一分布族/>。一般来说,需要一个最优化准则来选定S上的最优点/>。在信息框架下,分布族S被视为一个黎曼流形,这个流形配备Fisher信息矩阵。假设其本地后验概率密度pi服从高斯分布即,这里/>和/>是各自的均值和协方差矩阵。类似地,定义融合后的概率密度函数为/>。在高斯分布的假设下,均值为/>、方差为/>的正态分布表示为/>,那么信息融合准则为:
(1)
由于缺乏公式(1)目标函数的精确表达式,直接解决它的优化问题具有一定难度。从信息角度入手,将距离函数由 K-L散度代替,为公式(1)中目标函数的最小值提供了下限,称该算法称该算法为矩阵 K-L 散度平方均值最小化法。
均值为0、相关矩阵为 R 的复高斯矢量分布N(0, R)分布表达式为:
(2)
其中 H(n)为Hermitia正定矩阵空间。对于 N 个高斯分布,将其融合为一个概率密度则问题归结为求得/>,使目标函数得到最小值:
(3)
这里距离 D为概率密度间的测地距离,但是这个距离没有直接的显式表达式,无法直接获得上式的最优化结果。采用K-L散度进行代替,将公式(3)近似化,分为两个步骤来解决目标函数的最小化问题。第一步:先忽略均值在融合过程中的作用,并且忽略系数,先对N个高斯分布的协方差矩阵Rk,k=1,…,N进行融合,从而问题变为求得满足下式目标函数最小值的R :
(4)
接着用类似于CI算法的步骤,通过下式求得带记忆快速容错广义凸组结果u:
(5)
其中为权重因子。
对新能源电站的其他传感器数据,例如电压、电流、流量、水位、温度、湿度等传感器通过变送器获取电信号,主要包括电信号获取,不同传感器数据的收集;数据预处理,除去型号中的噪声,提高信噪比;提取数据特征,特征提取传感器原始信息,计算特征向量;融合计算。
依据融合系统中数据的抽象层次不同,可以将多传感器信息融合划分为传感器级融合、特征级融合以及决策级融合。传感器级融合对传各感器的原始数据进行融合,然后再提取特征、识别身份等。特征级融合是对各传感器的特征向量进行融合。首先对依据传感器的原始数据,进行特征向量提取,然后再进行关联、融合。决策级数据融合是对各个传感器的决策结果进行融合,每个传感器独立进行决策,然后将决策结果传递给融合中心进行融合。考虑到新能源光伏电站对于安全报警与天气预报反馈要求在秒级内就能满足要求,因此采用决策级数据融合,新能源电站多传感器决策级数据融合平台结构图如图1所示,在平台软件层本地应用中,首先对多传感器数据智能边缘计算,接着对多传感器多模态数据边缘融合,接着对数据模型管理,利用算子库计算对融合数据进行管理和计算,如图2新能源电站多传感器数据融合平台系统图。
进一步地,所述多元信息融合框架采用因子图置信传播技术实现多元信息融合,其步骤包括:
首先建立目标动态模型和传感器测量模型,其次建立传感器之间的关联变量、指示函数以及联合后验概率密度函数,然后描述联合后验概率密度函数的树状因子图,最后执行置信传播算法,求置信度,利用层次分析法求出融合权重,对多个异类信息进行加权融合。
目前,常用的数据融合方法主要有加权平均法、极大似然估计法、最小二乘法、卡尔曼滤波法、聚类分析、神经网络及小波分析等。其中,卡尔曼滤波可以利用包含噪声的测量信息对真实值进行估计,且实时性较好,但对多个传感器融合效果较差。加权平均法简单直观,且能均衡不同传感器的特性与优势,但需要针对不同场景对传感器采取不同的权重计算方式。由于两种方法之间具有互补性,因此以上两种算法相结合的方式进行数据融合,获取更加接近真实值的电站数据,对传感器采用卡尔曼滤波、加权平均相结合的方式进行数据融合,建立状态方程。
首先看卡尔曼滤波,卡尔曼滤波主要包括预测与更新两个过程。预测当前状态时主要依据系统前一状态与控制量来进行估计。更新确定总体预测值可信还是传感器测量的数据更可信。通常情况下滤波器根据预测的当前状态与更新之后的测量估计,给出较精确地数据信息。在工作过程中始终对当前状态进行重复更新。假设线性系统状态是 k,预测时依据的表达式为公式(6)和(7)。
(6)
(7)
式中,X(k|k-1) 为前一个状态估计的结果;X(k-1|k-1) 为前一个状态的最优结果;U(K)为当前状态的控制量;A和B是系统参数;P(k|k-1)是X(k|k-1)对应的协方差,P(k-1|k-1)是X(k-1|k-1)对应的协方差,表示A的转置矩阵,Q是系统过程的协方差。式子6,7就是卡尔曼滤波器5个公式当中的前两个,也就是对系统的预测。状态更新时依据的表达式为:
(8)
(9)
(10)
式中,X(k|k)为当前状态(k)最优化估算值;Z(k)是k时刻的测量值,H是测量系统的参数,表示H的转置矩阵,R是测量噪声,Kg为卡尔曼增益(Kalman Gain)。
再看最优加权融合估计算法,如式(11),合并来自多个不同传感器的滤波及预处理后的数据,以提供给数据融合平台,为新能源电站提供更精确的信息,由于各个传感器精度不一样,为了到更好的融合结果,通过给定随机噪声,根据不同传感器设定权值,以达到最优的融合结果。
(11)
式中,是融合后的状态估计,即各传感器值的线性组合,/>为相应传感器的加权因子,/>为第i个传感器的状态,i表示第i个传感器,n表示最多传感器数量。
利用层次分析法求出融合权重,具体包括如下:首先构建层次结构模型,建立融合指标体系,利用效度系数法对该指标体系的有效性进行判断和优化;其次针对每层融合指标,利用专家经验比较每两个同级指标之间的相对重要度,根据层次分析法AHP指标权重赋值表建立各自的原始判断矩阵;然后对每一个判断矩阵,求出其最大特征值和特征向量,特征向量的第i个分量即第i个一级指标的权重;最后,为避免判断矩阵主观赋值时产生相互矛盾的情况,在算出最大特征根之后,进行一致性检验。
所述的边云协同机制包括边云数据协同、边云模型协同、边云任务协同;所述边云数据协同是采用新能源电站多传感器数据驱动机制以实现边缘节点与云服务平台间的数据交互,所述边云模型协同是采用边云协同模型终身学习框架,实现边缘节点与云服务平台间的模型的交互,所述边云任务协同包括基于任务分解的智能协同机制和多任务动态协同机制用于降低系统开销。
所述边云数据协同中新能源电站多传感器数据驱动机制具体为:从端设备数据接入开始,边缘融合计算控制器可发起主从通信模式控制端设备的数据采集,通过协议插件加载,从本地或服务器加载协议脚本或协议功能块,完成端设备查询数据包组包,并发至通信队列,经虚拟消息总线层发送至端设备;对于端设备的应答数据或者主动上报数据,边缘融合计算控制器同样加载协议插件,并调用协议脚本完成上报数据解析、数据格式标准化及数据存储;
同时,边缘融合计算控制器对标准化的端设备数据进行逻辑运算处理,边缘计算线程首先识别各个传感器特征提取算法的执行周期,根据执行周期加载边缘算法,依托边缘计算引擎,识别云平台可编辑的边缘算法,加载运算数据并执行算法逻辑,生成端设备的控制指令,控制指令经由虚拟消息总线,传递至服务下发线程,由其通过边缘协议服务组包功能,将控制指令组成端设备可识别的数据包下发至端设备,进而实现端端协同。
更进一步地,所述的边云模型协同中边云协同模型终身学习框架,具体包括:
1)初始化知识库:在云侧知识库中存储和维护过去N个任务中训练并累积的知识,记为第T-N到T-1个任务;
2)学习当前任务:在边缘节点设备即边侧面对当前任务时,记为第T个任务,基于云侧知识库先验知识训练第T个任务;
3)更新知识库:将学习到的边侧第T个任务知识反馈到云侧知识库并更新;
4)学习未来任务:持续学习未来M个任务,记为第T+1到T+M个任务,与所述第T个任务利用过去N个任务知识即从T-N到T-1个任务类似,第T+1个任务的边侧任务知识则利用过去N+1个云侧任务知识即从T-N到T个任务进行训练,以此类推,直到完成第T+M个任务,结束整个流程。
更进一步地,所述的基于任务分解的智能协同机制是基于设定的优先级和时间开销两个维度将任务分解出控制性任务和计算性任务,然后根据任务属性,优化任务调度算法提高调度性能;对于计算性任务,在时间片、批量作业调度算法的基础上,应用遗传算法、种群算法等优化算法及动态调度机制,提高系统整体作业调度性能;对于控制性任务,以时间和响应性为目标,在RTOS提供的抢占式调度算法基础上,通过优化忙碌周期上界计算方法,使得忙碌周期上界计算更为精确,以此来降低系统调用开销。
更进一步地,所述的多任务动态协同机制是将涉及的多个任务映射到异构的边缘融合计算控制器实体中,通过容器等机制提供轻量级虚拟化部署;然后,计算资源存在动态性和分布不均衡情况下,设计基于粒度控制和硬件资源管理导入的任务分解方法,将完整任务分解成能在多个边缘融合计算控制器上执行的、相互协同的多个任务;以消息或事件为同步方式进行控制器与云平台间的任务同步,以及将多个控制器执行结果进行汇聚。
本发明的有益效果是:
本发明基于边缘计算及大数据等新技术提供一种多传感器数据融合平台,构建了端边云海量多模态信息实时智能融合方法,实现了异类异步传感器的数据融合、端边云的低开销快速融合和云端大数据的实时、高效处理,实现新能源电站安全中关键异常事件的快速、准确响应,实现区域多维度联动智能感知,达到“全天时、全天候、全覆盖、高响应、零漏报、低误报”。尤其是在边缘端对异类异步同构多模态信息进行时空对齐和信息相关,基于KL散度进行融合权重的设计,可以有效提高融合的准确性,在云端采用基于因子图的置信传播技术和基于层次分析法的异类异构信息决策级融合技术,可同时提高融合的实时性。此外,本发明构建了基于深度学习TBD的视频传感器弱小目标快速检测跟踪方法,采用基于深度学习的视频传感器目标检测前跟踪技术,实现了复杂环境光照和云、雨、雾等恶劣气候下的目标快速检测跟踪。通过检测前跟踪多帧积累方式,充分挖掘目标的运动规律,提升了弱小目标的检测跟踪精度,降低了弱小目标的漏报率;通过深度网络挖掘目标轨迹与杂波的精细化差异,降低了误报率;通过将目标运动轨迹先降维(二维空间)再升维(三维时空)的处理方式,降低了算法处理的数据量,提升了算法的运行速度。
本发明能够显著提升新能源电站安全解决方案的智能化水平,降低防护对人力的依赖性,减少人力投入,节约成本,提升新能源电站安全解决方案的“全天时、全天候”防护能力,降低误报率与漏报率,提高防护效率,可以实现:
1、保证新能源电站稳定可持续的发电。
2、保证新能源电站生产安全。
3、保证多种新能源电站配合发电,最大程度减小由于天气、故障等对电网的冲击。
附图说明
图1为新能源电站多传感器决策级数据融合平台结构图
图2为本发明的一种新能源电站多传感器数据融合平台的系统示意图;
图3为本发明的一种新能源电站多传感器数据融合平台的应用示意图;
图4为因子图置信传播多传感器融合框架图;
图5为基于数据和事件驱动的任务动态自适应机制示意图;
图6为一种新能源电站多传感器数据融合平台计算软件线路图;
图7为本发明中多节点海量信息云侧融合方法方案图;
图8为边云协同机制示意图;
图9为新能源电站多传感器数据驱动机制图;
图10为边云协同模型终身学习框架图;
图11为边云任务协同示意图。
具体实施方式
下面结合附图和具体实施例对本发明的方案做进一步地详细说明。
(1)整体设计:
本发明是基于云服务平台、边缘融合计算控制器和端侧感知传感器三级架构,提供一套新能源电站多传感器数据融合平台,其中,新能源电站多传感器数据融合平台实现边缘节点管理、多节点海量传感器融合处理及应用功能;通过边缘计算控制器完成端侧监控多类型传感器的数据接入、边缘融合分析和本地应用服务等功能;通过端侧传感器覆盖电站传感器,包括光学、气压、电流、电压等传感器。图3为本发明一种新能源电站多传感器智能融合平台系统图。
上述边缘融合计算控制器中边缘侧多传感器融合软件的设计,包括边缘侧信息处理模块和边缘侧智能融合模块:边缘侧信息处理模块采用边缘计算、深度学习等技术,对不同端节点采集的信号进行特征提取和智能预处理;边缘侧智能融合模块将空间分布的多个端节点的异步信息进行时空配准、信息相关和加权融合,并将结果上报云端。
云服务平台基于多元信息融合框架和边云协同机制对多元信息进行融合,针对云端海量传感器的高效融合框架问题,将各传感器数据看作因子概率图的输入,通过迭代估计各传感器数据的后验概率及相互之间耦合的联合概率,实现多传感器数据的松耦合融合,并借助树状结构的因子传播节点图实现融合过程的加速,基于因子图置信传播的海量多元信息融合技术。所述多元信息融合功能框架,采用因子图置信传播技术实现多元信息融合,其步骤如下:首先建立目标动态模型和传感器测量模型,其次建立传感器之间的关联变量、指示函数以及联合后验概率密度函数,然后描述联合后验概率密度函数的树状因子图,如图4所示因子图置信传播多传感器融合框架图,其主要思想是:对于马尔科夫随机场中的每一个节点,通过消息传播,把该节点的概率分布状态传递给相邻的节点,从而影响相邻节点的概率分布状态,经过一定次数的迭代,每个节点的概率分布将收敛于一个稳态。用置信传播算法求出的某点的置信度,就是该点的边缘概率分布。消息的计算往往有先后关系,但在实际的网状马尔科夫随机场中,常常采用迭代式计算,即先为每一个消息赋初值,计算时不从起始节点沿所有的边一层层下去寻找边缘节点进行递归运算。而是随机找到某个点和它的邻居节点,计算它发送给邻居节点的消息,并计算邻居节点的置信度;然后再随机找到某个点,重复上面过程。每一次的迭代都使用上一次迭代后的值进行计算。最后执行置信传播算法,求置信度,利用置信度便可以得知信息融合可信度的大小。利用层次分析法求出的融合权重,对多个异类信息进行加权融合。
边云协同机制,包括边云数据协同模块、边云模型协同模块、边云任务协同模块:所述边云数据协同模块,采用新能源电站多传感器数据驱动机制,实现边云数据的交互,其步骤为:从端设备数据接入开始,边缘控制器可发起主从通信模式端设备的数据采集,通过协议插件加载,从本地或服务器加载协议脚本或协议功能块,完成端设备查询数据包组包,并发至通信队列,经虚拟消息总线交驱动层发送至端设备。对于端设备的应答数据或者主动上报数据,边缘控制器同样加载协议插件,并调用协议脚本中相应方法完成上报数据解析、数据格式标准化及数据存储。边缘计算模块则负责对标准化的端设备数据进行逻辑运算处理。边缘计算线程首先识别各算法的执行周期,根据执行周期加载边缘算法,依托边缘计算引擎,识别云平台可编辑的边缘算法,加载运算数据并执行算法逻辑,生成端设备的控制指令。控制指令经由虚拟消息总线,传递至服务下发线程,由其通过边缘协议服务组包功能,将控制指令组成端设备可识别的数据包下发至端设备,进而实现端端协同。所述边云模型协同模块,采用边云协同模型终身学习框架,实现边云模型的交互。其步骤为:
1)初始化知识库:在云侧知识库中存储和维护过去N个任务(记为第T-N到T-1个任务)中训练并累积的知识。
2)学习当前任务:在边侧设备面对当前任务(记为第T个任务)时,基于云侧知识库先验知识训练第T个任务。注意,第T个任务并不一定在历史的N个任务当中。
3)更新知识库:将学习到的边侧第T个任务知识反馈到云侧知识库并更新。
4)学习未来任务:持续学习未来M个任务(记为第T+1到T+M个任务)。与上面第T个任务利用过去N个任务知识(从T-N到T-1)类似,第T+1个任务的边侧任务知识则利用过去N+1个云侧任务知识(从T-N到T)。以此类推,直到完成第T+M个任务,结束整个流程。
所述边云任务协同模块,包括基于任务分解的智能协同机制和多任务动态协同机制。基于任务分解的智能协同机制,为基于优先级和时间开销两个维度,分解出控制性任务和计算性任务;然后根据任务属性,优化任务调度算法提高调度性能。
所述多任务动态协同机制,为将边缘计算控制软件设计的多个任务映射到异构的控制器实体中,通过容器等机制提供轻量级虚拟化部署;然后,计算资源存在动态性和分布不均衡情况下,设计基于粒度控制和硬件资源管理导入的任务分解方法,将完整任务分解成能在多个边缘控制器上执行的、相互协同的多个任务;提供以消息或事件为同步方式的控制器间、控制和云平台间的任务同步,以及将多个控制器执行结果进行汇聚的方法。
(2)边缘融合计算处理框架设计:
基于一种新能源电站多传感器数据融合平台服务汇总的各个边缘节点的数据,研究边缘计算节点的任务响应性能评价方法,并以此为基础评估系统性能,包括网络通信状态、响应时间等特征评估和优化,并以此为基础,针对数据流服务的事件处理服务模型来提高数据密集型应用的响应性能;在此基础上,构建边缘计算构架,提供动态纯数据流的驱动机制、运行机制、基于事件的驱动机制与运行机制的融合方法。
数据处理服务单元是数据流输入的事务处理节点,用于事件和数据的接收,依据模式、规则的导入驱动数据流划分以及事件和消息的生成;产生的消息和事件进入相应队列和数据池和事件池,以便在多任务间进行同步和消息或事件推送;对于消息或事件的消费者任务,通过异步订阅机制,在数据流导入的数据完整后才被唤醒,从而使得消费者任务在数据流监测上花费的时间大大降低,同时解耦生产者任务与消费者任务间关系,提高系统对多源数据流的动态响应性、灵活度,实现边缘节点在大规模异构网络下的边缘计算自适应性。该单元在数据处理层入口节点,基于RTOS内核提供的服务,可以是节点内的任务协同或是其他节点的网络服务套接字接口。如图5所示基于数据和事件驱动的任务动态自适应机制。(3)新能源电站多传感器数据融合平台计算设计:
新能源电站多传感器数据融合平台中边缘融合计算控制器主要包含边缘侧信息处理模块和边缘侧智能融合模块两部分。边缘侧信息处理模块采用边缘计算、深度学习等技术,对不同端节点采集的信号进行特征提取和智能预处理,边缘侧智能融合模块将空间分布的多个端节点的异步信息进行时空配准、信息相关和加权融合,并将结果上报云端。
1)视频传感器数据智能边缘计算方法:
在视频传感器数据智能边缘计算方面,经过边缘融合控制器对采集得到的视频传感器进行智能处理。采用深度学习算法实现典型目标的检测,采用YOLO系列检测算法为基本框架,针对弱小目标检测的实际需求,并在网络结构、利用上下文信息、提升定位精度等方面做出针对性的改进。
结合深度学习与检测前跟踪技术实现运动目标的跟踪,采用基于子空间投影神经网络的运动目标快速跟踪算法。根据运动目标的机动性,将目标运动图像的 三维时空序列切分为若干个时间片段;将三维短时运动轨迹片段投影到二维子空间平面,根据空间形态特征,获得局部候选轨迹;再对候选区域进行轨迹回溯,将目标轨迹重映射到三维时空,构建神经网络以数据驱动的方式对目标运动轨迹片段进行筛选并估计运动目标中心位置。
采用网络减枝等方式实现深度网络的优化设计,并将其部署于边缘融合控制器。YOLO网络轻量化设计的主要技术难点是:缩减YOLO网络中卷积层的特征通道数量,降低了模型的参数量和计算量;设计网络剪枝的有效策略,降低了模型复杂度。YOLO模型轻量化设计主要包含两个方面:缩减YOLO模型特征通道数量;在此基础上对其进行网络剪枝,进一步压缩模型,降低模型复杂度。在网络性能优化基础上,拟采用TensorRT、OpenVINO等工具进行深度网络模型的部署。
2)其他电信号传感器数据智能边缘计算方法:
对新能源电站的其他传感器数据,例如电压、电流、流量、水位、温度、湿度等传感器通过变送器获取电信号,主要包括电信号获取,不同传感器数据的收集;数据预处理,除去信号中的噪声,提高信噪比;提取数据特征,特征提取传感器原始信息,计算特征向量;融合计算。
3)新能源电站多传感器数据融合平台多模态数据边缘侧智能融合方法:
在新能源电站多传感器数据融合平台多模态数据边缘侧智能融合方面,对不同端节点的特征信息进行时空配准(坐标变换+时间对齐)与信息相关,并根据节点信息类型的不同,采取异构信息融合算法进行智能诊断。
多元信息融合的前提是空间分布的不同端节点的异步信息进行时空配准,具体包括空间对齐和时间对齐。空间对齐是指通过标平移和坐标旋转,将不同端节点的局部坐标系中的信息变换到全局坐标系中。时间对齐通常是指基于目标运动的先验模型,采用内插外推技术或者最小二乘技术,将异步信息统一到相同的时间戳,然后进行多元信息融合;当先验模型可靠性较差或难以获取时,可利用机器学习方法进行预测。通过坐标平移和坐标旋转,将不同端节点的局部坐标系中的信息变换到全局坐标系中,实现空间对齐;拟通过内插外推技术或者最小二乘技术,实现异步信息时间对齐。
信息相关旨在回答不同端节点在不同时刻提供的信息是否源自同一信息源。采用多维分配技术(Multidimensional Assignment,MDA)实现异类异构传感器的信息相关:通过寻找全局代价函数的极值来求解分配问题,其核心在于代价函数的设计以及最优问题的次优求解。
边缘节点信息融合属于异构信息融合,传感器可能属于同一类型或者不同类型,信息描述格式通过坐标变换或者状态扩维等技术可以转换成相同格式。信息融合的关键问题主要包含两个:一是融合架构的设计,二是融合权重的设计。
影响融合架构设计的主要因素包括边缘侧的计算能力和存储能力、边缘侧与端节点之间的通信能力、具体应用需求的实时性要求等。本发明旨在构建面向多个智能应用场景的一种新能源电站多传感器数据融合平台,融合架构可根据具体需求进行优化和调整。
影响权重设计的主要因素是节点传感器信息对决策诊断的重要度,对于重要度相同的传感器信息,影响权重设计的因素主要涉及信息准确性、可靠性、稳定性和数据更新率等。基于KL散度进行异构多传感器分布式序贯融合,在估计每个传感器的目标状态与协方差的基础上,采用基于K-L散度的带记忆快速容错广义凸组合方法,估计得到最终的融合状态与融合协方差矩阵。如图6所示的一种新能源电站多传感器数据融合平台计算软件线路图。
(4)多节点海量传感器云端融合技术路线:
图7所示多节点海量信息云侧融合方法方案图,在覆盖大范围区域的智能应用中,云侧融合中心需要具备处理海量边缘侧节点信息的能力。为了满足系统实时性需求,本发明在云端的总体融合框架采用基于因子图(Factor Graph)的置信传播(BeliefPropagation,BP)技术。在基于BP的多元信息融合框架下,如果几个节点的信息是异类的,相关融合需要在决策层进行,即高层融合。高层融合本质上属于不确定信息推理,主要关注两个问题:一是信息的统一描述,二是信息的融合权重。常用的方法包括层次分析法(Analytic Hierarchy Process,AHP)、贝叶斯网络、DS证据理论、神经网络等。本发明采用AHP进行异类融合。
1)基于因子图置信传播的海量多元信息融合框架方法:
针对云端海量传感器的高效融合框架问题,将各传感器数据看作因子概率图的输入,通过迭代估计各传感器数据的后验概率及相互之间耦合的联合概率,实现多传感器数据的松耦合融合,并借助树状结构的因子传播节点图实现融合过程的加速,基于因子图置信传播的海量多元信息融合方法,主要步骤如下:首先建立目标动态模型和传感器测量模型,其次建立传感器之间的关联变量、指示函数以及联合后验概率密度函数,然后描述联合后验概率密度函数的树状因子图,最后执行置信传播算法,求置信度。利用层次分析法求出的融合权重,对多个异类信息进行加权融合与智能诊断。
2)基于层次分析法的异类信息决策级融合方法:
针对海量异类传感器的融合问题,采用基于层次分析法的异类信息决策级融合方法,主要步骤如下:首先构建层次结构模型,建立融合指标体系,利用效度系数法对该指标体系的有效性进行判断和优化。其次针对每层融合指标,利用专家经验比较每两个同级指标之间的相对重要度,根据层次分析法AHP指标权重赋值表建立各自的原始判断矩阵。然后对每一个判断矩阵,求出其最大特征值和特征向量,特征向量的第i个分量即第i个一级指标的权重。最后,为避免判断矩阵主观赋值时产生相互矛盾的情况,在算出最大特征根之后,进行一致性检验。利用层次分析法求出的融合权重,对多个异类信息进行加权融合与智能诊断。
(5)边云协同机制方法:
针对边云二者之间的协同问题,研究边缘节点端到端的智能处理技术,建立融合信号采集、协议通信的现场数据采集和智能感知机制;研究端边云高效协同智能处理技术,打通现场设备的数据传输通道、控制指令通道,实现对现场数据的采集、计算和控制的任务协同和高效自适应,如图8边云协同机图。
1)边云数据协同方法:
如图9所示新能源电站多传感器数据驱动机制,从端设备数据接入开始,边缘控制器可发起主从通信模式端设备的数据采集,通过协议插件加载,从本地或服务器加载协议脚本或协议功能块,完成端设备查询数据包组包,并发至通信队列,经虚拟消息总线交驱动层发送至端设备。对于端设备的应答数据或者主动上报数据,边缘控制器同样加载协议插件,并调用协议脚本中相应方法完成上报数据解析、数据格式标准化及数据存储。
边缘计算模块则负责对标准化的端设备数据进行逻辑运算处理。边缘计算线程首先识别各算法的执行周期,根据执行周期加载边缘算法,依托边缘计算引擎,识别云平台可编辑的边缘算法,加载运算数据并执行算法逻辑,生成端设备的控制指令。控制指令经由虚拟消息总线,传递至服务下发线程,由其通过边缘协议服务组包功能,将控制指令组成端设备可识别的数据包下发至端设备,进而实现端端协同。
2)边云模型协同方法:
针对边云模型的交互问题,设计边云协同的终身学习框架,如图10所示的边云协同模型终身学习框架,其主要步骤为:
1、初始化知识库:在云侧知识库中存储和维护过去N个任务(记为第T-N到T-1个任务)中训练并累积的知识。
2、学习当前任务:在边侧设备面对当前任务(记为第T个任务)时,基于云侧知识库先验知识训练第T个任务。注意,第T个任务并不一定在历史的N个任务当中。
3、更新知识库:将学习到的边侧第T个任务知识反馈到云侧知识库并更新。
4、学习未来任务:持续学习未来M个任务(记为第T+1到T+M个任务)。与上面第T个任务利用过去N个任务知识(从T-N到T-1)类似,第T+1个任务的边侧任务知识则利用过去N+1个云侧任务知识(从T-N到T)。以此类推,直到完成第T+M个任务,结束整个流程。
3)边云任务协同方法:
1、基于任务分解的智能协同方法:
针对边缘计算应用的典型场景,发明了任务分解技术,基于优先级和时间开销两个维度,分解出控制性任务和计算性任务。然后根据任务属性,优化任务调度算法提高调度性能。对于计算性任务,在时间片、批量作业调度等算法的基础上,研究和应用遗传算法、种群算法等优化算法及其动态调度机制,提高系统整体作业调度性能;对于控制性任务,以时间和响应性为目标,在RTOS提供的抢占式调度算法基础上,传统调度算法忙碌周期上界评价过于悲观,而上界的计算值和忙碌周期内作业数量相关;本发明通过优化忙碌周期上界计算方法,使得忙碌周期上界计算更为精确,以此来降低系统调用开销。
2、多任务动态协同方法:
针对边云协同的多任务调度机制,本发明首先研究在任务映射和分布式部署机制,将边缘计算控制软件设计的多个任务映射到异构的控制器实体中,通过容器等机制提供轻量级虚拟化部署;然后,计算资源存在动态性和分布不均衡情况下,设计基于粒度控制和硬件资源管理导入的任务分解方法,将完整任务分解成能在多个边缘控制器上执行的、相互协同的多个任务;提供以消息或事件为同步方式的控制器与云平台间的任务同步,以及将多个控制器执行结果进行汇聚的方法,如图11所示边云任务协调示意图。
本技术领域的人员根据本发明所提供的文字描述、附图以及权利要求书能够很容易在不脱离权利要求书所限定的本发明的思想和范围条件下,可以做出多种变化和改动。凡是依据本发明的技术思想和实质对上述实施例进行的任何修改、修饰或等同变化,均属于本发明权利要求所限定的保护范围。
Claims (7)
1.一种新能源电站多传感器数据融合平台,其特征在于,包括:边缘融合计算控制器及云服务平台;所述边缘融合计算控制器用于接收端侧感知传感器采集的数据并对其进行处理后传输至云服务平台,包括边缘侧信息处理模块和边缘侧智能融合模块,其中边缘侧信息处理模块采用边缘计算及深度学习技术对不同端节点采集的信号进行特征提取和智能预处理,边缘侧智能融合模块将经边缘侧信息处理模块处理后的空间分布的多个端节点的异步信息进行时空配准、信息相关和加权融合;所述云服务平台基于多元信息融合框架和边云协同机制对接收到的各边缘节点的多元信息进行融合;
其中,边缘侧智能融合模块对不同端节点的特征信息进行时空配准与信息相关,并根据节点信息类型的不同,采取异构信息融合算法进行融合,具体包括:
多元信息融合的前提是空间分布的不同端节点的异步信息进行时空配准,具体包括空间对齐和时间对齐,空间对齐是指通过坐标平移和坐标旋转,将不同端节点的局部坐标系中的信息变换到全局坐标系中,时间对齐是指基于目标运动的先验模型,采用内插外推技术或者最小二乘技术,将异步信息统一到相同的时间戳,然后进行多元信息融合;
采用多维分配技术MDA实现异类异构传感器的信息相关,通过寻找全局代价函数的极值来求解分配问题;
所述异构信息融合算法具体包括:基于KL散度进行异构多传感器分布式序贯融合,在估计每个传感器的目标状态与协方差的基础上,采用基于K-L散度的带记忆快速容错广义凸组合方法,估计模型得到最终的融合状态与融合协方差矩阵;
所述多元信息融合框架采用因子图置信传播技术实现多元信息融合,其步骤包括:
首先建立目标动态模型和传感器测量模型,其次建立传感器之间的关联变量、指示函数以及联合后验概率密度函数,然后描述联合后验概率密度函数的树状因子图,最后执行置信传播算法,求置信度,利用层次分析法求出融合权重,对多个异类信息进行加权融合;
所述的边云协同机制包括边云数据协同、边云模型协同、边云任务协同;所述边云数据协同是采用新能源电站多传感器数据驱动机制以实现边缘节点与云服务平台间的数据交互,所述边云模型协同是采用边云协同模型终身学习框架,实现边缘节点与云服务平台间的模型的交互,所述边云任务协同包括基于任务分解的智能协同机制和多任务动态协同机制用于降低系统开销。
2.根据权利要求1所述的新能源电站多传感器数据融合平台,其特征在于,所述边缘侧信息处理模块对采集得到的视频数据进行的处理包括如下:
采用深度学习算法实现典型目标的检测,采用YOLO系列检测算法为基本框架,基于子空间投影神经网络的运动目标快速跟踪算法,根据运动目标的机动性,将目标运动图像的三维时空序列切分为若干个时间片段;将三维短时运动轨迹片段投影到二维子空间平面,根据空间形态特征,获得局部候选轨迹;再对候选区域进行轨迹回溯,将目标轨迹重映射到三维时空,构建神经网络以数据驱动的方式对目标运动轨迹片段进行筛选并估计运动目标中心位置。
3.根据权利要求1所述的新能源电站多传感器数据融合平台,其特征在于,利用层次分析法求出融合权重,具体包括如下:首先构建层次结构模型,建立融合指标体系,利用效度系数法对该指标体系的有效性进行判断和优化;其次针对每层融合指标,利用专家经验比较每两个同级指标之间的相对重要度,根据层次分析法AHP指标权重赋值表建立各自的原始判断矩阵;然后对每一个判断矩阵,求出其最大特征值和特征向量,特征向量的第i个分量即第i个一级指标的权重;最后,为避免判断矩阵主观赋值时产生相互矛盾的情况,在算出最大特征根之后,进行一致性检验。
4.根据权利要求1所述的新能源电站多传感器数据融合平台,其特征在于,所述边云数据协同中新能源电站多传感器数据驱动机制具体为:从端设备数据接入开始,边缘融合计算控制器可发起主从通信模式控制端设备的数据采集,通过协议插件加载,从本地或服务器加载协议脚本或协议功能块,完成端设备查询数据包组包,并发至通信队列,经虚拟消息总线层发送至端设备;对于端设备的应答数据或者主动上报数据,边缘融合计算控制器同样加载协议插件,并调用协议脚本完成上报数据解析、数据格式标准化及数据存储;
同时,边缘融合计算控制器对标准化的端设备数据进行逻辑运算处理,边缘计算线程首先识别各个传感器特征提取算法的执行周期,根据执行周期加载边缘算法,依托边缘计算引擎,识别云平台可编辑的边缘算法,加载运算数据并执行算法逻辑,生成端设备的控制指令,控制指令经由虚拟消息总线,传递至服务下发线程,由其通过边缘协议服务组包功能,将控制指令组成端设备可识别的数据包下发至端设备,进而实现端端协同。
5.根据权利要求1所述的新能源电站多传感器数据融合平台,其特征在于,所述的边云模型协同中边云协同模型终身学习框架,具体包括:
1)初始化知识库:在云侧知识库中存储和维护过去N个任务中训练并累积的知识,记为第T-N到T-1个任务;
2)学习当前任务:在边缘节点设备即边侧面对当前任务时,记为第T个任务,基于云侧知识库先验知识训练第T个任务;
3)更新知识库:将学习到的边侧第T个任务知识反馈到云侧知识库并更新;
4)学习未来任务:持续学习未来M个任务,记为第T+1到T+M个任务,与所述第T个任务利用过去N个任务知识即从T-N到T-1个任务类似,第T+1个任务的边侧任务知识则利用过去N+1个云侧任务知识即从T-N到T个任务进行训练,以此类推,直到完成第T+M个任务,结束整个流程。
6.根据权利要求1所述的新能源电站多传感器数据融合平台,其特征在于,所述的基于任务分解的智能协同机制是基于设定的优先级和时间开销两个维度将任务分解出控制性任务和计算性任务,然后根据任务属性,优化任务调度算法提高调度性能;对于计算性任务,在时间片、批量作业调度算法的基础上,应用优化算法及动态调度机制,提高系统整体作业调度性能;对于控制性任务,以时间和响应性为目标,在RTOS提供的抢占式调度算法基础上,通过优化忙碌周期上界计算方法,使得忙碌周期上界计算更为精确,以此来降低系统调用开销。
7.根据权利要求1所述的新能源电站多传感器数据融合平台,其特征在于,所述的多任务动态协同机制是将涉及的多个任务映射到异构的边缘融合计算控制器实体中,通过容器等机制提供轻量级虚拟化部署;然后,计算资源存在动态性和分布不均衡情况下,设计基于粒度控制和硬件资源管理导入的任务分解方法,将完整任务分解成能在多个边缘融合计算控制器上执行的、相互协同的多个任务;以消息或事件为同步方式进行控制器与云平台间的任务同步,以及将多个控制器执行结果进行汇聚。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311543577.2A CN117251825B (zh) | 2023-11-20 | 2023-11-20 | 一种新能源电站多传感器数据融合平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311543577.2A CN117251825B (zh) | 2023-11-20 | 2023-11-20 | 一种新能源电站多传感器数据融合平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117251825A CN117251825A (zh) | 2023-12-19 |
CN117251825B true CN117251825B (zh) | 2024-02-09 |
Family
ID=89135494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311543577.2A Active CN117251825B (zh) | 2023-11-20 | 2023-11-20 | 一种新能源电站多传感器数据融合平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117251825B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117596375B (zh) * | 2024-01-18 | 2024-03-19 | 锋尚文化集团股份有限公司 | 千人级虚拟演艺云数据交换方法、装置及储存介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111596629A (zh) * | 2020-06-02 | 2020-08-28 | 曲阜师范大学 | 一种云边协同的工业数据融合方法和安全控制器 |
CN112286751A (zh) * | 2020-11-24 | 2021-01-29 | 华中科技大学 | 一种基于边云协同的高端装备故障智能诊断系统及方法 |
CN112600891A (zh) * | 2020-12-07 | 2021-04-02 | 中科蓝智(武汉)科技有限公司 | 一种基于信息物理融合的边云协同系统及工作方法 |
CN112769822A (zh) * | 2020-12-31 | 2021-05-07 | 中国科学院上海高等研究院 | 基于边缘计算的数据采集装置、系统及方法 |
CN113327442A (zh) * | 2021-04-30 | 2021-08-31 | 广州中国科学院软件应用技术研究所 | 一种基于端云融合的协同控制系统及方法 |
CN114448094A (zh) * | 2022-01-27 | 2022-05-06 | 国网河南省电力公司电力科学研究院 | 一种基于台区智能业务终端边缘计算的数据共享系统 |
CN114862901A (zh) * | 2022-04-26 | 2022-08-05 | 青岛慧拓智能机器有限公司 | 一种露天矿山的路端多源传感器融合目标感知方法和系统 |
CN114971574A (zh) * | 2022-06-14 | 2022-08-30 | 北京航天长峰科技工业集团有限公司 | 基于云边协同的多模态信息复合感知与融合架构及方法 |
CN115858853A (zh) * | 2022-11-21 | 2023-03-28 | 清华大学 | 基于云边协同的视频图像数据及结构化信息管理方法 |
CN115966083A (zh) * | 2022-12-30 | 2023-04-14 | 南京大学 | 一种基于时空解耦的分布式交通流预测方法与系统 |
CN116467674A (zh) * | 2023-04-10 | 2023-07-21 | 国网辽宁省电力有限公司抚顺供电公司 | 一种配电网智能故障处理融合更新系统及其方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI758085B (zh) * | 2021-02-03 | 2022-03-11 | 宏佳騰動力科技股份有限公司 | 車輛協作控制系統 |
-
2023
- 2023-11-20 CN CN202311543577.2A patent/CN117251825B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111596629A (zh) * | 2020-06-02 | 2020-08-28 | 曲阜师范大学 | 一种云边协同的工业数据融合方法和安全控制器 |
CN112286751A (zh) * | 2020-11-24 | 2021-01-29 | 华中科技大学 | 一种基于边云协同的高端装备故障智能诊断系统及方法 |
CN112600891A (zh) * | 2020-12-07 | 2021-04-02 | 中科蓝智(武汉)科技有限公司 | 一种基于信息物理融合的边云协同系统及工作方法 |
CN112769822A (zh) * | 2020-12-31 | 2021-05-07 | 中国科学院上海高等研究院 | 基于边缘计算的数据采集装置、系统及方法 |
CN113327442A (zh) * | 2021-04-30 | 2021-08-31 | 广州中国科学院软件应用技术研究所 | 一种基于端云融合的协同控制系统及方法 |
CN114448094A (zh) * | 2022-01-27 | 2022-05-06 | 国网河南省电力公司电力科学研究院 | 一种基于台区智能业务终端边缘计算的数据共享系统 |
CN114862901A (zh) * | 2022-04-26 | 2022-08-05 | 青岛慧拓智能机器有限公司 | 一种露天矿山的路端多源传感器融合目标感知方法和系统 |
CN114971574A (zh) * | 2022-06-14 | 2022-08-30 | 北京航天长峰科技工业集团有限公司 | 基于云边协同的多模态信息复合感知与融合架构及方法 |
CN115858853A (zh) * | 2022-11-21 | 2023-03-28 | 清华大学 | 基于云边协同的视频图像数据及结构化信息管理方法 |
CN115966083A (zh) * | 2022-12-30 | 2023-04-14 | 南京大学 | 一种基于时空解耦的分布式交通流预测方法与系统 |
CN116467674A (zh) * | 2023-04-10 | 2023-07-21 | 国网辽宁省电力有限公司抚顺供电公司 | 一种配电网智能故障处理融合更新系统及其方法 |
Non-Patent Citations (3)
Title |
---|
EIHDP: Edge-Intelligent Hierarchical Dynamic Pricing Based on Cloud-Edge-Client Collaboration for IoT Systems;Tian Wang 等;《IEEE TRANSACTIONS ON COMPUTERS》;第70卷(第8期);1285-1298 * |
边云协同计算下基于ST⁃GCN的监控视频行为识别机制;蒋伟进 等;《南京大学学报(自然科学)》;第58卷(第1期);163-174 * |
边云协同计算中基于预测的资源部署与任务调度优化;苏命峰 等;《计算机研究与发展》;第58卷(第11期);2558-2570 * |
Also Published As
Publication number | Publication date |
---|---|
CN117251825A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | A sampling-based Bayesian approach for cooperative multiagent online search with resource constraints | |
Wang et al. | AI-based cloud-edge-device collaboration in 6G space-air-ground integrated power IoT | |
CN117251825B (zh) | 一种新能源电站多传感器数据融合平台 | |
Cheng et al. | AI for UAV-assisted IoT applications: A comprehensive review | |
Wei et al. | Reinforcement learning-empowered mobile edge computing for 6G edge intelligence | |
Wu et al. | EdgeLSTM: Towards deep and sequential edge computing for IoT applications | |
CN103997748A (zh) | 一种基于混合型传感器网络的差异覆盖方法 | |
CN115470201A (zh) | 基于图注意力网络的海洋遥感缺失数据智能补全方法 | |
CN110825112B (zh) | 基于多无人机的油田动态侵入目标追踪系统与方法 | |
Sardouk et al. | Multi-agent system based wireless sensor network for crisis management | |
Mekala et al. | Computational intelligent sensor-rank consolidation approach for industrial internet of things (iiot) | |
CN111008990A (zh) | 一种基于网格的目标轨迹跟踪和恢复的方法 | |
CN112714446B (zh) | 一种基于边缘智能的协作入侵感知方法 | |
CN111770133B (zh) | 一种多体慧联云控平台 | |
Bilen et al. | Digital twin evolution for hard-to-follow aeronautical ad-hoc networks in beyond 5g | |
Peng et al. | Dynamic optimization of government data transmission based on blockchain technology | |
Huang et al. | Edge computing-based adaptable trajectory transmission policy for vessels monitoring systems of marine fishery | |
CN115277789A (zh) | 一种梯级水电站安全防护系统及方法 | |
KR20230101350A (ko) | 가상 표준기상데이터 기반 발전량 예측 알고리즘 시스템 | |
Lv et al. | A node coverage algorithm for a wireless-sensor-network-based water resources monitoring system | |
CN109358957B (zh) | 一种任务驱动的多源信息融合方法 | |
Hong | Construction of international education talents training mechanism based on data fusion algorithm | |
CN117726153B (zh) | 一种适用于无人机集群作业任务的实时重规划方法 | |
CN115460633B (zh) | 6g网络ai信号优化的方法、系统、设备和存储介质 | |
Chen et al. | Semantic Interaction Strategy of Multiagent System in Large-Scale Intelligent Sensor Network Environment |
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 |