CN117376381A - 一种基于行为预测的电力设备通信方法及系统 - Google Patents
一种基于行为预测的电力设备通信方法及系统 Download PDFInfo
- Publication number
- CN117376381A CN117376381A CN202311317380.7A CN202311317380A CN117376381A CN 117376381 A CN117376381 A CN 117376381A CN 202311317380 A CN202311317380 A CN 202311317380A CN 117376381 A CN117376381 A CN 117376381A
- Authority
- CN
- China
- Prior art keywords
- communication
- power equipment
- behavior
- model
- data
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 444
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000006399 behavior Effects 0.000 claims abstract description 159
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000013136 deep learning model Methods 0.000 claims abstract description 56
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method 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
- 230000000737 periodic effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/14—Session management
- H04L67/141—Setup of application sessions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于行为预测的电力设备通信方法及系统,所述方法包括:收集电力设备的历史通信行为数据,并根据所述历史通信行为数据对构建的初始深度学习模型进行训练,获得所述初始深度学习模型进行训练后形成的通信预测模型,获取所述电力设备的当前通信状态数据,并将所述当前通信状态数据输入到所述通信预测模型,预测所述电力设备的通信行为信息;所述通信行为信息包括通信行为发生时刻及负延迟,根据所述通信行为发生时刻及所述负延迟计算所述电力设备的通信连接时刻,并根据所述通信连接时刻控制所述电力设备建立通信连接,提高电力设备物联网通信的高效性。
Description
技术领域
本发明涉及电力设备物联网技术领域,尤其涉及一种基于行为预测的电力设备通信方法及系统。
背景技术
随着通信技术的飞速发展,电力设备物联网在电力行业中得到了广泛的应用。这些应用涵盖了电力生产、传输、分配以及设备状态监测等各个方面,极大地提高了电力系统的效率和互联性。其中,高效通信是确保电力系统稳定运行和实现智能化的关键。
高效通信允许电力设备之间实时交换数据和信息,实现实时监测、控制和决策,从而提高电力系统的运行效率和响应速度。通过高效通信,电力设备可以即时传输运行状态、能源消耗、故障信息等关键数据,使运维人员能够迅速识别问题并采取相应的措施。此外,高效通信还为智能能源管理、优化能源分配以及实现电力系统的可持续发展提供了支持。
在电力设备物联网的高效通信方面,已经存在多种技术来满足不同的需求:低功耗广域网(如LoRa、NB-IoT)和短距离通信技术(如蓝牙、Zigbee)可以为电力设备提供灵活的连接选项,满足不同范围和数据传输速率的要求;5G通信技术的高速率和低延迟为电力设备提供了更快的数据传输能力,适用于实时监测和远程控制等应用;云计算和边缘计算技术通过将数据存储和处理从设备移到云端或边缘节点,可以提供更大的数据存储和计算能力,支持更复杂的分析和决策。但这些技术都是基于请求的被动通信,当设备有通信传输需求时才建立通信连接,而电力设备物联网中设备的通信大多数是周期性或有迹可循的。传统技术中的通信方法往往无法准确预测设备的通信行为,导致通信连接的建立不够智能化,在建立通信方面无法进一步提高电力设备物联网通信的高效性。
发明内容
为了解决上述存在的技术问题,本发明公开了一种基于行为预测的电力设备通信方法及系统,提高电力设备物联网通信的高效性。
为了实现上述目的,第一方面,本发明公开了一种基于行为预测的电力设备通信方法,包括:
收集电力设备的历史通信行为数据,并根据所述历史通信行为数据对构建的初始深度学习模型进行训练,获得所述初始深度学习模型进行训练后形成的通信预测模型;
获取所述电力设备的当前通信状态数据,并将所述当前通信状态数据输入到所述通信预测模型,预测所述电力设备的通信行为信息;所述通信行为信息包括通信行为发生时刻及负延迟;
根据所述通信行为发生时刻及所述负延迟计算所述电力设备的通信连接时刻,并根据所述通信连接时刻控制所述电力设备建立通信连接。
本发明公开了一种基于行为预测的电力设备通信方法,通过采集电力设备的历史通信行为数据,训练构建好的深度学习模型,以使通过所述深度学习模型学习所述历史通信行为数据中包含的所述电力设备对应的通信行为的潜在规律,形成可预测所述电力设备通信行为的通信预测模型,在获得所述通信预测模型后,将所述电力设备当前的通信状态数据输入到所述通信预测模型,能够推断出所述电力设备在未来时刻的通信行为发生时刻及负延迟,通过所述预测的通信行为发生时刻及负延迟,在保证通信连接时效性的前提下,有效并合理地确定所述电力设备提前为设备建立通信连接,从而降低通信时延,减少能源消耗,提高了整个系统的通信效率。
作为优选例子,所述历史通信行为数据包括所述电力设备在每一次历史通信行为中的通信时间戳、通信频率、通信模式、通信对象、通信数据类型和负延迟;所属通信模式为所述电力设备进行数据传输的方式和规则;所述通信对象为通信数据的接收端;所述通信数据类型包括传感器数据、能源数据、状态信息、告警和故障信息、操作命令、控制信号、地理位置数据;所述负延迟为所述电力设备建立通信连接的时刻与实际开始进行通信行为的时刻之间的时间差。
本发明采集所述电力设备在过去的每一次历史通信行为中的通信行为数据,这些数据包含所述电力设备的通信规律,可将这些数据作为构建好的深度学习模型的训练数据集,以使所述深度学习模型学习所述电力设备的通信行为规律,最终实现预测的技术效果,同时本发明还采集了负延迟参数,以使保证通信连接时效性的前提下,有效并合理地提前为设备建立通信连接,提高通信效率。
作为优选例子,在所述根据所述历史通信行为数据对构建的初始深度学习模型进行训练,包括:
根据所述历史通信行为数据训练构建的Transformer深度学习模型,通过所述Transformer深度学习模型中的自注意力机制捕捉所述历史通信行为数据的全局依赖关系,不断地调整模型内部的权重及参数;
根据预设的均方误差损失函数不断地计算参数调整后模型的预测值与真实值之间的损失值,当所述损失值小于预设的损失值阈值后,根据当前的模型参数及模型的权重,结合所述Transformer深度学习模型,获得所述通信预测模型。
本发明利用所述深度学习模型学习所述电力设备的历史通信行为数据中的通信规律,预测出所述电力设备发生通信行为的时刻,保证所述电力设备通信的及时性。
作为优选例子,所述根据预设的均方误差损失函数不断地计算参数调整后模型的预测值与真实值之间的损失值,包括:
根据预设的均方误差损失函数计算参数调整后模型的损失值;其中,所述均方误差损失函数为:
其中,所述N为训练样本个数;为训练过程中数据集的标签;为训练过程中模型的输出数据;所述K为用于训练的相同电力设备的数量;所述dmodel为所述电力设备通信活动中的相关信息不同类型的数量设置输入序列的维度。
本发明利用所述损失函数防止所述模型过拟合,提高所述模型预测的准确度。
作为优选例子,在所述根据所述通信行为发生时刻及所述负延迟计算所述电力设备的通信连接时刻,包括:
根据所述负延迟及所述电力设备预设的最大容忍空白通信时间,计算获得所述电力设备的通信连接提前量;
根据所述通信连接提前量及所述通信行为发生时刻,计算获得所述电力设备的通信连接时刻。
本发明根据预测的负延迟与该设备预设的最大容忍空白通信时间来设置所述电力设备通信前的提前量,所述设备的最大容忍空白通信时间是根据设备当前电量、通信能耗以及设备工作寿命要求预先设置的,根据所述提前量及通信行为发生时刻为设备提前建立通信连接,在保证通信连接时效性的前提下,有效并合理地提前为设备建立通信连接,从而降低通信时延,减少能源消耗,提高了整个系统的通信效率。
第二方面,本发明公开了一种基于行为预测的电力设备通信系统,所述系统包括模型训练模块、通信预测模块及通信连接模块;
所述模型训练模块用于收集电力设备的历史通信行为数据,并根据所述历史通信行为数据对构建的初始深度学习模型进行训练,获得所述初始深度学习模型进行训练后形成的通信预测模型;
所述通信预测模块用于获取所述电力设备的当前通信状态数据,并将所述当前通信状态数据输入到所述通信预测模型,预测所述电力设备的通信行为信息;所述通信行为信息包括通信行为发生时刻及负延迟;
所述通信连接模块用于根据所述通信行为发生时刻及所述负延迟计算所述电力设备的通信连接时刻,并根据所述通信连接时刻控制所述电力设备建立通信连接。
本发明公开了一种基于行为预测的电力设备通信系统,通过采集电力设备的历史通信行为数据,训练构建好的深度学习模型,以使通过所述深度学习模型学习所述历史通信行为数据中包含的所述电力设备对应的通信行为的潜在规律,形成可预测所述电力设备通信行为的通信预测模型,在获得所述通信预测模型后,将所述电力设备当前的通信状态数据输入到所述通信预测模型,能够推断出所述电力设备在未来时刻的通信行为发生时刻及负延迟,通过所述预测的通信行为发生时刻及负延迟,在保证通信连接时效性的前提下,有效并合理地确定所述电力设备提前为设备建立通信连接,从而降低通信时延,减少能源消耗,提高了整个系统的通信效率。
作为优选例子,所述模型训练模块包括参数调整单元及损失计算单元;
所述参数调整单元用于根据所述历史通信行为数据训练构建的Transformer深度学习模型,通过所述Transformer深度学习模型中的自注意力机制捕捉所述历史通信行为数据的全局依赖关系,不断地调整模型内部的权重及参数;
所述损失计算单元用于根据预设的均方误差损失函数不断地计算参数调整后模型的预测值与真实值之间的损失值,当所述损失值小于预设的损失值阈值后,根据当前的模型参数及模型的权重,结合所述Transformer深度学习模型,获得所述通信预测模型。
本发明利用所述深度学习模型学习所述电力设备的历史通信行为数据中的通信规律,预测出所述电力设备发生通信行为的时刻,保证所述电力设备通信的及时性。
作为优选例子,所述通信连接模块包括提前量计算单元及连接时刻计算单元;
所述提前量计算单元用于根据所述负延迟及所述电力设备预设的最大容忍空白通信时间,计算获得所述电力设备的通信连接提前量;
所述连接时刻计算单元用于根据所述通信连接提前量及所述通信行为发生时刻,计算获得所述电力设备的通信连接时刻。
本发明根据预测的负延迟与该设备预设的最大容忍空白通信时间来设置所述电力设备通信前的提前量,所述设备的最大容忍空白通信时间是根据设备当前电量、通信能耗以及设备工作寿命要求预先设置的,根据所述提前量及通信行为发生时刻为设备提前建立通信连接,在保证通信连接时效性的前提下,有效并合理地提前为设备建立通信连接,从而降低通信时延,减少能源消耗,提高了整个系统的通信效率。
第三方面,本发明公开了一种电子设备,所述电子设备包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序时,实现如第一方面所述的一种基于行为预测的电力设备通信方法。
第四方面,本发明公开了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的一种基于行为预测的电力设备通信方法。
附图说明
图1:为本发明实施例提供的一种基于行为预测的电力设备通信方法的流程示意图;
图2:为本发明实施例提供的一种基于行为预测的电力设备通信系统的结构示意图;
图3:为本发明又一实施例提供的一种基于行为预测的电力设备通信方法的流程示意图;
图4:为本发明又一实施例提供的一种深度学习模型中Encoder层的结构组成示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
本发明实施例公开了一种基于行为预测的电力设备通信方法,所述通信方法的具体实施过程可参照图1,主要包括步骤101至步骤103,所述步骤包括:
步骤101:收集电力设备的历史通信行为数据,并根据所述历史通信行为数据对构建的初始深度学习模型进行训练,获得所述初始深度学习模型进行训练后形成的通信预测模型。
在本实施例中,该步骤包括:所述历史通信行为数据包括所述电力设备在每一次历史通信行为中的通信时间戳、通信频率、通信模式、通信对象、通信数据类型和负延迟;所属通信模式为所述电力设备进行数据传输的方式和规则;所述通信对象为通信数据的接收端;所述通信数据类型包括传感器数据、能源数据、状态信息、告警和故障信息、操作命令、控制信号、地理位置数据;所述负延迟为所述电力设备建立通信连接的时刻与实际开始进行通信行为的时刻之间的时间差。
进一步的,根据所述历史通信行为数据训练构建的Transformer深度学习模型,通过所述Transformer深度学习模型中的自注意力机制捕捉所述历史通信行为数据的全局依赖关系,不断地调整模型内部的权重及参数;根据预设的均方误差损失函数不断地计算参数调整后模型的预测值与真实值之间的损失值,当所述损失值小于预设的损失值阈值后,根据当前的模型参数及模型的权重,结合所述Transformer深度学习模型,获得所述通信预测模型。
同时,根据预设的均方误差损失函数计算参数调整后模型的损失值;其中,所述均方误差损失函数为:
其中,所述N为训练样本个数;为训练过程中数据集的标签;/>为训练过程中模型的输出数据;所述K为用于训练的相同电力设备的数量;所述dmodel为所述电力设备通信活动中的相关信息不同类型的数量设置输入序列的维度。
在本实施例中,采集所述电力设备在过去的每一次历史通信行为中的通信行为数据,这些数据包含所述电力设备的通信规律,可将这些数据作为构建好的深度学习模型的训练数据集,以使所述深度学习模型学习所述电力设备的通信行为规律,最终实现预测的技术效果,同时本发明还采集了负延迟参数,以使保证通信连接时效性的前提下,有效并合理地提前为设备建立通信连接,提高通信效率,利用所述深度学习模型学习所述电力设备的历史通信行为数据中的通信规律,预测出所述电力设备发生通信行为的时刻,保证所述电力设备通信的及时性。
步骤102:获取所述电力设备的当前通信状态数据,并将所述当前通信状态数据输入到所述通信预测模型,预测所述电力设备的通信行为信息;所述通信行为信息包括通信行为发生时刻及负延迟。
在本实施例中,该步骤包括:当上一次通信行为结束后,将电子设备当前所处的通信状态作为输入数据输入训练好获得的通信预测模型中,得到预测的该电子设备下一次通信的行为信息,所述行为信息包含预测的通信行为发生时间和预测的负延迟。
步骤103:根据所述通信行为发生时刻及所述负延迟计算所述电力设备的通信连接时刻,并根据所述通信连接时刻控制所述电力设备建立通信连接。
在本实施例中,该步骤包括:根据所述负延迟及所述电力设备预设的最大容忍空白通信时间,计算获得所述电力设备的通信连接提前量;根据所述通信连接提前量及所述通信行为发生时刻,计算获得所述电力设备的通信连接时刻。
在本实施例中,根据预测的负延迟与该设备预设的最大容忍空白通信时间来设置所述电力设备通信前的提前量,所述设备的最大容忍空白通信时间是根据设备当前电量、通信能耗以及设备工作寿命要求预先设置的,根据所述提前量及通信行为发生时刻为设备提前建立通信连接,在保证通信连接时效性的前提下,有效并合理地提前为设备建立通信连接,从而降低通信时延,减少能源消耗,提高了整个系统的通信效率。
同时,本实施例还公开了一种基于行为预测的电力设备通信系统,所述通信系统的具体结构组成可参照图2,所述系统包括模型训练模块201、通信预测模块202及通信连接模块203。
所述模型训练模块201用于收集电力设备的历史通信行为数据,并根据所述历史通信行为数据对构建的初始深度学习模型进行训练,获得所述初始深度学习模型进行训练后形成的通信预测模型。
所述通信预测模块202用于获取所述电力设备的当前通信状态数据,并将所述当前通信状态数据输入到所述通信预测模型,预测所述电力设备的通信行为信息;所述通信行为信息包括通信行为发生时刻及负延迟。
所述通信连接模块203用于根据所述通信行为发生时刻及所述负延迟计算所述电力设备的通信连接时刻,并根据所述通信连接时刻控制所述电力设备建立通信连接。
在本实施例中,所述模型训练模块201包括参数调整单元及损失计算单元。
所述参数调整单元用于根据所述历史通信行为数据训练构建的Transformer深度学习模型,通过所述Transformer深度学习模型中的自注意力机制捕捉所述历史通信行为数据的全局依赖关系,不断地调整模型内部的权重及参数。
所述损失计算单元用于根据预设的均方误差损失函数不断地计算参数调整后模型的预测值与真实值之间的损失值,当所述损失值小于预设的损失值阈值后,根据当前的模型参数及模型的权重,结合所述Transformer深度学习模型,获得所述通信预测模型。
在本实施例中,所述通信连接模块203包括提前量计算单元及连接时刻计算单元。
所述提前量计算单元用于根据所述负延迟及所述电力设备预设的最大容忍空白通信时间,计算获得所述电力设备的通信连接提前量。
所述连接时刻计算单元用于根据所述通信连接提前量及所述通信行为发生时刻,计算获得所述电力设备的通信连接时刻。
除上述提供的方法及系统外,本发明实施例还提供了一种计算机可读存储介质及一种电子设备,所述电子设备包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信,存储器用于存放计算机程序;处理器用于执行存储器上所存放的程序时,实现本发明实施例提供的一种星地协同定位方法;所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例提供的一种星地协同定位方法。
具体的,上述电子设备提到的通信总线可以是外设部件互连标准(PeripheralComponent Interconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本实施例公开的一种基于行为预测的电力设备通信方法及系统,通过采集电力设备的历史通信行为数据,训练构建好的深度学习模型,以使通过所述深度学习模型学习所述历史通信行为数据中包含的所述电力设备对应的通信行为的潜在规律,形成可预测所述电力设备通信行为的通信预测模型,在获得所述通信预测模型后,将所述电力设备当前的通信状态数据输入到所述通信预测模型,能够推断出所述电力设备在未来时刻的通信行为发生时刻及负延迟,通过所述预测的通信行为发生时刻及负延迟,在保证通信连接时效性的前提下,有效并合理地确定所述电力设备提前为设备建立通信连接,从而降低通信时延,减少能源消耗,提高了整个系统的通信效率。
实施例二
本发明实施例公开了另一种基于行为预测的电力设备通信方法,所述通信方法的具体实施流程请参照图3,主要包括步骤301至步骤304,所述步骤包括:
步骤301:进行数据采集,收集电力设备的历史通信行为数据,作为初始深度学习模型训练用的数据集。
在本实施例中,该步骤包括:收集电力设备的历史通信行为数据,这些数据作为初始深度学习模型训练用的数据集。这些数据包括了该电力设备在过去的通信活动中的相关信息,即通信时间戳、通信频率、通信模式、通信对象、通信数据类型和负延迟。所属通信模式为设备之间进行数据传输的方式和规则,在电力设备物联网中常见的通信模式为请求-响应模式和发布-订阅模式;所述通信对象为通信数据的接收端;所述通信数据类型涵盖各种信息,以实现设备之间的连接、监测、控制和数据交换,电力设备物联网中常见的通信数据类型有传感器数据、能源数据、状态信息、告警和故障信息、操作命令和控制信号、地理位置数据等。这些数据可以从设备内置的传感器、通信记录、设备日志或其通信对象中获取。
进一步的,在采集到所述历史通信行为数据中包括的负延迟为所述电力设备建立通信连接的时刻开始,到该设备实际开始进行通信行为为止的这之间的时间差,具体的,设置所述负延迟为Dneg,所述通信连接的时刻为Tset,所述设备实际开始进行通信行为的时刻为Cactu,则Dneg=Tset-Cactu。
步骤302:根据所述历史通信行为数据训练所述初始深度学习模型,训练后获得通信预测模型。
在本实施例中,该步骤包括:使用收集到的历史通信数据离线训练深度学习模型,该模型学习设备通信行为的潜在规律,采用基于神经网络的深度学习模型,模型根据数据集中该设备的通信活动相关信息来调整其内部权重和参数,用以预测该设备未来的通信行为。
具体的,在本实施例中,选用Transformer深度学习模型架构构建所述初始深度学习模型,本实施例中设计的Transformer深度学习模型由全连接层和Encoder层组成,其中全连接层无偏置,Encoder层由输入嵌入、位置编码、前馈网络、残差模块和层归一化、多头注意力机制组成,所述Encoder层的结构组成可参照图4,由图4可知,当数据输入后,先经过输入嵌入层,然后与所述位置编码层共同输入所述多头注意力机制层中,同时未输入到所述多头注意力机制层的原数据与经过多头注意力机制层处理过的数据,同时输入到所述残差模块和层归一化层中,然后经过残差模块和层归一化层进行处理的数据分别输入到前馈网络和下一层残差模块和层归一化层,经过所述前馈网络处理的数据也输入到所述下一层残差模块和层归一化层中,最终数据由所述下一层残差模块和层归一化层输出。
在利用所述历史通信行为数据训练所述Transformer深度学习模型时,设置所述电力设备通信活动中的相关信息不同类型的数量设置输入序列的维度为dmodel,则输入嵌入的维度为dmodel,前馈网络的维度为2048,多头注意力机制中头数设为h=4。
在训练中,Transformer模型的自注意力机制将不同位置的信息聚合起来,捕捉全局依赖关系,每个头的自注意力计算过程包括:输入注意力分数及输出Y=AWV,其中/>和是学习的权重矩阵,dk和dv是每个头中查询、键和值的维度。在每个多头自注意力层后,会连接一个全连接前馈神经网络。其计算过程包括:输入/>隐藏层H=ReLU(XW1+b1),输出Y=HW2+b2。其中,/>和/>是学习的权重矩阵,dff是前馈神经网络的隐藏层维度,由此通过所述自注意力机制及所述全连接前馈神经网络的计算过程使得不断地调整模型内部的权重及参数。
进一步的,在所述模型的训练过程中,输入所述模型的数据集为{G,G},其中为所述电力设备通信活动中的相关信息,即通信时间戳、通信频率、通信模式、通信对象、通信数据类型和负延迟,K为用于训练的相同电力设备的数量。
在所述模型的训练过程中,设置损失函数为均方误差其中N为训练样本个数,优化器为Adam,设置batchsize为500,学习率为0.0005,epoch为1500,为训练过程中数据集的标签,/>为训练过程中模型的输出数据,当训练开始时,设置lossmax为200,每一轮的训练完成后,将验证集输入本次训练完成的神经网络,得到当前一轮验证集的loss,如果loss<lossmax,则令lossmax=loss,并且保留本轮训练模型的权重作为最佳权重,接着进行下一轮训练;如果loss≥lossmax,则直接进行下一轮训练。
步骤303:根据所述电力设备的当前通信状态数据,通过所述通信预测模型预测所述电力设备的通信行为信息,根据所述通信行为信息在预测的通信行为发生时刻前控制所述电力设备提前建立通信连接;所述通信行为信息包括通信行为发生时刻及负延迟。
在本实施例中,该步骤包括:根据所述通信行为发生时刻及所述负延迟计算所述电力设备的通信连接时刻,并根据所述通信连接时刻控制所述电力设备建立通信连接。
具体的,在本实施例中,第t次通信行为结束后,将设备当前所处状态作为输入数据输入训练好获得的通信预测模型中,得到预测的该电力设备t+1次通信的行为信息/>包含预测的通信行为发生时间Cpred、预测的负延迟/>预测的通信模式、预测的通信对象、预测的通信数据类型和预测的通信频率。
根据预测的负延迟与该设备预设的最大容忍空白通信时间Bmax来设置提前量/>所述设备的最大容忍空白通信时间是根据设备当前电量、通信能耗以及设备工作寿命要求预先设置的。根据提前量δ在时刻Tset=Cpred+δ为设备提前建立通信连接。
步骤304:训练所述通信预测模型,将所述电力设备新的通信行为数据加入数据集继续训练并更新所述通信预测模型。
在本实施例中,该步骤包括:设备的t+1次通信行为结束后,得到新的一组数据{预测的通信行为发生时间Cpred,建立连接时间Tset,实际设备开始进行通信行为的时间Cactu,预测的负延迟实际的负延迟/>及其他通信活动相关信息包括通信时间戳、通信频率、通信模式、通信对象、通信数据类型},将设备新的通信行为数据加入数据集继续训练并更新所述通信预测模型。
在本发明实施例提供的又一种基于行为预测的电力设备通信方法中,在电力设备物联网环境下,充分发挥了深度学习技术的优势,通过预测通信行为和考虑负延迟参数,有效并合理地提前为设备建立通信连接,进一步实现了电力设备物联网通信的智能化和高效化,提高了整个系统的通信效率,并通过引入负延迟参数,在保证通信连接时效性的前提下,有效并合理地提前为设备建立通信连接,从而降低通信时延,减少能源消耗,提高了整个系统的通信效率。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于行为预测的电力设备通信方法,其特征在于,包括:
收集电力设备的历史通信行为数据,并根据所述历史通信行为数据对构建的初始深度学习模型进行训练,获得所述初始深度学习模型进行训练后形成的通信预测模型;
获取所述电力设备的当前通信状态数据,并将所述当前通信状态数据输入到所述通信预测模型,预测所述电力设备的通信行为信息;所述通信行为信息包括通信行为发生时刻及负延迟;
根据所述通信行为发生时刻及所述负延迟计算所述电力设备的通信连接时刻,并根据所述通信连接时刻控制所述电力设备建立通信连接。
2.如权利要求1所述的一种基于行为预测的电力设备通信方法,其特征在于,所述历史通信行为数据包括所述电力设备在每一次历史通信行为中的通信时间戳、通信频率、通信模式、通信对象、通信数据类型和负延迟;所属通信模式为所述电力设备进行数据传输的方式和规则;所述通信对象为通信数据的接收端;所述通信数据类型包括传感器数据、能源数据、状态信息、告警和故障信息、操作命令、控制信号、地理位置数据;所述负延迟为所述电力设备建立通信连接的时刻与实际开始进行通信行为的时刻之间的时间差。
3.如权利要求1所述的一种基于行为预测的电力设备通信方法,其特征在于,所述根据所述历史通信行为数据对构建的初始深度学习模型进行训练,包括:
根据所述历史通信行为数据训练构建的Transformer深度学习模型,通过所述Transformer深度学习模型中的自注意力机制捕捉所述历史通信行为数据的全局依赖关系,不断地调整模型内部的权重及参数;
根据预设的均方误差损失函数不断地计算参数调整后模型的预测值与真实值之间的损失值,当所述损失值小于预设的损失值阈值后,根据当前的模型参数及模型的权重,结合所述Transformer深度学习模型,获得所述通信预测模型。
4.如权利要求3所述的一种基于行为预测的电力设备通信方法,其特征在于,所述根据预设的均方误差损失函数不断地计算参数调整后模型的预测值与真实值之间的损失值,包括:
根据预设的均方误差损失函数计算参数调整后模型的损失值;其中,所述均方误差损失函数为:
其中,所述N为训练样本个数;为训练过程中数据集的标签;/>为训练过程中模型的输出数据;所述K为用于训练的相同电力设备的数量;所述dmodel为所述电力设备通信活动中的相关信息不同类型的数量设置输入序列的维度。
5.如权利要求1所述的一种基于行为预测的电力设备通信方法,其特征在于,所述根据所述通信行为发生时刻及所述负延迟计算所述电力设备的通信连接时刻,包括:
根据所述负延迟及所述电力设备预设的最大容忍空白通信时间,计算获得所述电力设备的通信连接提前量;
根据所述通信连接提前量及所述通信行为发生时刻,计算获得所述电力设备的通信连接时刻。
6.一种基于行为预测的电力设备通信系统,其特征在于,所述系统包括模型训练模块、通信预测模块及通信连接模块;
所述模型训练模块用于收集电力设备的历史通信行为数据,并根据所述历史通信行为数据对构建的初始深度学习模型进行训练,获得所述初始深度学习模型进行训练后形成的通信预测模型;
所述通信预测模块用于获取所述电力设备的当前通信状态数据,并将所述当前通信状态数据输入到所述通信预测模型,预测所述电力设备的通信行为信息;所述通信行为信息包括通信行为发生时刻及负延迟;
所述通信连接模块用于根据所述通信行为发生时刻及所述负延迟计算所述电力设备的通信连接时刻,并根据所述通信连接时刻控制所述电力设备建立通信连接。
7.如权利要求6所述的一种基于行为预测的电力设备通信系统,其特征在于,所述模型训练模块包括参数调整单元及损失计算单元;
所述参数调整单元用于根据所述历史通信行为数据训练构建的Transformer深度学习模型,通过所述Transformer深度学习模型中的自注意力机制捕捉所述历史通信行为数据的全局依赖关系,不断地调整模型内部的权重及参数;
所述损失计算单元用于根据预设的均方误差损失函数不断地计算参数调整后模型的预测值与真实值之间的损失值,当所述损失值小于预设的损失值阈值后,根据当前的模型参数及模型的权重,结合所述Transformer深度学习模型,获得所述通信预测模型。
8.如权利要求6所述的一种基于行为预测的电力设备通信系统,其特征在于,所述通信连接模块包括提前量计算单元及连接时刻计算单元;
所述提前量计算单元用于根据所述负延迟及所述电力设备预设的最大容忍空白通信时间,计算获得所述电力设备的通信连接提前量;
所述连接时刻计算单元用于根据所述通信连接提前量及所述通信行为发生时刻,计算获得所述电力设备的通信连接时刻。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-5任一项所述的一种基于行为预测的电力设备通信方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-5任一项所述的一种基于行为预测的电力设备通信方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311317380.7A CN117376381A (zh) | 2023-10-11 | 2023-10-11 | 一种基于行为预测的电力设备通信方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311317380.7A CN117376381A (zh) | 2023-10-11 | 2023-10-11 | 一种基于行为预测的电力设备通信方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117376381A true CN117376381A (zh) | 2024-01-09 |
Family
ID=89397636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311317380.7A Pending CN117376381A (zh) | 2023-10-11 | 2023-10-11 | 一种基于行为预测的电力设备通信方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117376381A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994720A (zh) * | 2024-01-11 | 2024-05-07 | 哈尔滨师范大学 | 基于深度学习的人群密度估计方法 |
-
2023
- 2023-10-11 CN CN202311317380.7A patent/CN117376381A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994720A (zh) * | 2024-01-11 | 2024-05-07 | 哈尔滨师范大学 | 基于深度学习的人群密度估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109347668B (zh) | 一种服务质量评估模型的训练方法及装置 | |
WO2020077672A1 (zh) | 一种服务质量评估模型的训练方法及装置 | |
CN107808212B (zh) | 基于灰色神经网络的太阳能收集功率预测方法 | |
CN117376381A (zh) | 一种基于行为预测的电力设备通信方法及系统 | |
CN116545954B (zh) | 基于物联网的通信网关数据传输方法及系统 | |
CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
Wan et al. | Network traffic prediction based on LSTM and transfer learning | |
CN116760772A (zh) | 汇聚分流器的管控系统及其方法 | |
CN115469627A (zh) | 基于物联网的智能工厂运行管理系统 | |
CN114039870A (zh) | 基于深度学习的蜂窝网络中视频流应用实时带宽预测方法 | |
CN113705897B (zh) | 一种面向工业铜箔生产的产品质量预测方法及系统 | |
CN116248674A (zh) | 一种数据传输方法、装置及系统 | |
CN114119289A (zh) | 综合能源监控数据的处理方法及装置 | |
CN117395699A (zh) | 一种基于物联网的监测因子节能通讯方法及系统 | |
CN117313953A (zh) | 一种负荷预测方法、装置、电子设备以及存储介质 | |
CN116845884A (zh) | 基于联邦学习的电力负荷预测方法及系统 | |
CN111597860B (zh) | 一种用于cnc断刀预测的系统及方法 | |
CN114646891A (zh) | 一种结合lstm网络和维纳过程的剩余寿命预测方法 | |
CN107526316B (zh) | 一种基于互联网通信引擎的引导显示设备监控系统 | |
Layout and Location of Water IoT Device Based on Few-Shot Reinforcement Learning | ||
Wei et al. | QoE Prediction for IPTV Based on Imbalanced Dataset by the PNN-PSO algorithm | |
Press et al. | DSP: a deep learning based approach to extend the lifetime of wireless sensor networks | |
CN116957067B (zh) | 公共安全事件预测模型的强化联邦学习方法及装置 | |
CN117852729B (zh) | 基于序列分解构图和注意力机制的天气预测方法及系统 | |
Li et al. | Distributed computing framework of intelligent sensor network for electric power internet of things |
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 |