CN117560287B - 一种基于深度学习的集中器优化配置方法及集中器 - Google Patents
一种基于深度学习的集中器优化配置方法及集中器 Download PDFInfo
- Publication number
- CN117560287B CN117560287B CN202410037891.1A CN202410037891A CN117560287B CN 117560287 B CN117560287 B CN 117560287B CN 202410037891 A CN202410037891 A CN 202410037891A CN 117560287 B CN117560287 B CN 117560287B
- Authority
- CN
- China
- Prior art keywords
- concentrator
- data
- performance
- network
- deep learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000004891 communication Methods 0.000 claims abstract description 130
- 238000004458 analytical method Methods 0.000 claims abstract description 72
- 238000013136 deep learning model Methods 0.000 claims abstract description 58
- 230000005540 biological transmission Effects 0.000 claims abstract description 51
- 230000003993 interaction Effects 0.000 claims abstract description 44
- 230000000737 periodic effect Effects 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000013468 resource allocation Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000015556 catabolic process Effects 0.000 claims description 7
- 238000006731 degradation reaction Methods 0.000 claims description 7
- 238000012300 Sequence Analysis Methods 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 12
- 238000007726 management method Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000005526 G1 to G0 transition Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于深度学习的集中器优化配置方法及集中器，包括：通过传感器和网络接口获取集中器的配置数据，配置数据包括通信交互数据、集中器性能指标以及网络连接质量参数；基于深度学习模型，对配置数据进行分析，获取分析结果，分析结果包括通信传输周期性变化、集中器性能瓶颈和潜在的网络问题；基于分析结果，自动调整集中器的配置，包括通信网络优化、资源分配调整和性能参数的优化。确保每个设备获得足够的资源；性能参数的优化，以提高整个系统的效率。
Description
技术领域
本发明涉及电力技术领域，尤其涉及一种基于深度学习的集中器优化配置方法及集中器。
背景技术
集中器在各种应用中被广泛使用，特别是在智能电网领域，集中器主要负责电能表的数据统计和管理。然而，现有的集中器配置方法存在一些不足之处，这包括配置效率低、适应性不足以及对复杂环境的应对能力有限等问题。
申请号为CN201310284769.6的专利申请文件，公开了集中器配置调试方法及集中器，该调试方法包括：获取调试主机发送的数据下发命令，数据下发命令中携带需要下发的调试配置文件的文件信息；根据数据下发命令，获取调试主机发送的所述调试配置文件；发送调试配置文件至集中器的主处理器模块，以供主处理器模块根据调试配置文件进行系统调试。该方案存在的缺陷包括：依赖于静态配置文件，这限制了集中器在应对复杂和动态变化的网络环境时的适应性和灵活性；需要人工介入来制作和更新配置文件，这导致效率低下和错误的可能性；传统的配置方法无法根据实时数据和环境变化自动优化集中器的性能；无法充分利用收集的大量数据进行深入分析和预测。
因此，有必要提供一种基于深度学习的集中器优化配置方法及集中器。
发明内容
本发明提供了一种基于深度学习的集中器优化配置方法及集中器，以解决现有技术中存在的上述问题。
为了达到上述目的，本发明提供如下技术方案：
一种基于深度学习的集中器优化配置方法，包括：
S101：通过传感器和网络接口获取集中器的配置数据，配置数据包括通信交互数据、集中器性能指标以及网络连接质量参数；
S102：基于深度学习模型，对配置数据进行分析，获取分析结果，分析结果包括通信传输周期性变化、集中器性能瓶颈和潜在的网络问题；
S103：基于分析结果，自动调整集中器的配置，包括通信网络优化、资源分配调整和性能参数的优化。
其中，S101步骤包括：
S1011：控制主站下发指令至终端设备，终端设备根据指令将对应的数据传输至控制主站；
S1012：在控制主站和终端设备交互过程中，集中器对传输过程中的指令和对应指令进行存储与处理操作；
S1013：在集中器运行过程中，基于传感器和网络接口，获取集中器的配置数据，并将配置数据上传至数据中心。
其中，S102步骤包括：
S1021：构建深度学习模型，将数据中心的历史配置数据分为训练集和测试集，将训练集输入至模型中进行训练，将训练后的模型通过测试集进行测试，获取最终的深度学习模型；
S1022：基于深度学习模型，对通信交互数据进行时间序列分析，识别周期性波动或异常模式，对集中器性能指标进行性能评估，识别集中器性能瓶颈的迹象，对网络连接质量参数进行分析，识别潜在网络问题；
S1023：获取分析结果，分析结果还包括网络拥塞的早期迹象和偏离正常模式的运行情况。
其中，S103步骤包括：
S1031：当分析结果显示网络拥塞时，自动调整配置频道分配、调整带宽分配以及优化与周边节点的连接；
S1032：当分析结果显示性能参数偏离正常值时，动态调整集中器的性能参数；
S1033：实时监控调整后的集中器的配置数据，若发现实际效果未达预期，将进一步调整资源分配和性能参数。
其中，构建深度学习模型，包括：
收集数据中心的历史配置数据，包括通信交互数据、集中器性能指标以及网络连接质量参数；将收集到的历史配置数据分为训练集和测试集，训练集用于训练深度学习模型，而测试集用于验证模型的准确性；
基于时间滑动窗口算法处理训练集数据，时间滑动窗口根据数据中心配置数据的特点，构建标准数据集，将标准数据集输入全连接层，该标准数据集是三维矩阵，三维矩阵的第一个维度是三维矩阵的元素个数，每个元素是一个行数为时间窗口大小，列数为输入数据特征数的二维矩阵，全连接层的元素个数和特征数相同，该层把输入数据的所有特征传递到下一层；
标准数据集进入初始长短期记忆网络层，该层包括32 个长短期记忆网络单元，对输入的历史配置数据进行自动学习编码，提取配置数据的相关关系以及通信交互数据、集中器性能指标以及网络连接质量参数数据时间周期特征，并传递到下一层；
正则化层对两个长短期记忆网络层间的连接进行随机中断，以防训练出现过拟合；
第二个长短期记忆网络层包括长短期记忆网络单元，该层对输入信息进行自学习和编码，以提高非线性拟合的精度；
长短期记忆网络通过全连接层输出为预测的分析结果序列。
其中，S1023步骤包括：
利用深度学习模型分析集中器的通信交互数据，识别出数据中的周期性波动模式；通过分析周期性波动和异常模式，评估集中器的整体性能，同时，识别导致性能下降的瓶颈，瓶颈包括硬件限制或软件配置问题。
其中，S1023步骤包括：
基于分析结果，模拟不同的集中器使用场景，评估集中器在各种条件下的性能，对集中器使用的确定性场景进行构建，对所需使用场景数据进行筛选，获取所需的确定性数据，针对使用场景将不同配置数据对集中器使用场景的影响反映出来；
对若干集中器使用场景进行缩减，使集中器使用场景形成相应的典型场景，对场景压缩过程中，通过不同配置数据为判断依据，以典型数据为中心进行若干场景的缩减，形成以典型数据为核心的若干典型场景。
其中，S1031步骤包括：
基于分析结果，自动调整网络中各节点的带宽分配，包括增加关键应用或服务的带宽配额，同时减少非关键应用的带宽使用。
其中，集中器，包括：计算处理模块、通信接口模块、安全集成模块和存储模块；
计算处理模块，用于对集中器的配置数据进行实时状态和性能需求分析，根据分析结果动态调整通信资源的配置；
通信接口模块，用于控制主站和终端设备之间的数据传输交互操作；
安全集成模块，用于为控制主站和终端设备提供安全防护；
存储模块，用于存储大量数据和处理信息，保证控制主站和终端设备之间运行的稳定。
其中，通信接口模块采用宽带电力线载波通信方式，增加通信带宽，提高网络整体的吞吐量。
与现有技术相比，本发明具有以下优点：
一种基于深度学习的集中器优化配置方法，包括：通过传感器和网络接口获取集中器的配置数据，配置数据包括通信交互数据、集中器性能指标以及网络连接质量参数；基于深度学习模型，对配置数据进行分析，获取分析结果，分析结果包括通信传输周期性变化、集中器性能瓶颈和潜在的网络问题；基于分析结果，自动调整集中器的配置，包括通信网络优化、资源分配调整和性能参数的优化。确保每个设备获得足够的资源；性能参数的优化，以提高整个系统的效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于深度学习的集中器优化配置方法的流程图；
图2为本发明实施例中获取集中器的配置数据的流程图；
图3为本发明实施例中集中器的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种基于深度学习的集中器优化配置方法，包括：
S101：通过传感器和网络接口获取集中器的配置数据，配置数据包括通信交互数据、集中器性能指标以及网络连接质量参数；
S102：基于深度学习模型，对配置数据进行分析，获取分析结果，分析结果包括通信传输周期性变化、集中器性能瓶颈和潜在的网络问题；
S103：基于分析结果，自动调整集中器的配置，包括通信网络优化、资源分配调整和性能参数的优化。
上述技术方案的工作原理为：通过传感器和网络接口，集中器获取配置数据，其中包括通信交互数据、集中器性能指标以及网络连接质量参数，这些数据包括集中器与设备的通信频率、数据传输速率、网络延迟等信息；配置数据传输到系统后，采用深度学习模型进行分析，深度学习模型能够通过学习大量的数据，发现数据之间的模式和关联，模型被训练用于识别通信传输周期性变化、集中器性能瓶颈和潜在的网络问题；基于深度学习模型的分析结果，系统可以自动调整集中器的配置，这涉及通信网络的优化，包括调整通信频率、传输协议等以提高性能；资源分配的调整，确保每个设备获得足够的资源；性能参数的优化，以提高整个系统的效率。
假设深度学习模型在分析配置数据时发现集中器的某些设备在特定时间段内的通信传输周期性变化，表明存在网络拥塞问题，模型还检测到一些集中器性能瓶颈，如内存使用率高，以及一些潜在的网络问题，如频繁的丢包率；根据这些分析结果，系统可以自动调整集中器的配置。例如，它可以增加拥有高传输需求的设备的通信频率，以缓解拥塞问题。对于性能瓶颈，系统会重新分配资源，将更多的内存分配给性能要求高的任务，对于潜在的网络问题，系统可以调整网络参数，优化数据传输路径，减少丢包率。
上述技术方案的有益效果为：通过深度学习模型的自动分析和配置调整，实现了对集中器配置的自动化优化，减轻了人工干预的负担；系统能够在实时监测中发现问题并迅速作出调整，提高了对网络和性能问题的实时响应能力；通过动态调整配置，确保了集中器资源的高效利用，提高了整个系统的性能和稳定性；及时发现并解决潜在的网络问题和性能瓶颈，降低了系统故障的风险，提高了系统的可靠性和稳定性。
在另一实施例中，S101步骤包括：
S1011：控制主站下发指令至终端设备，终端设备根据指令将对应的数据传输至控制主站；
S1012：在控制主站和终端设备交互过程中，集中器对传输过程中的指令和对应指令进行存储与处理操作；
S1013：在集中器运行过程中，基于传感器和网络接口，获取集中器的配置数据，并将配置数据上传至数据中心。
上述技术方案的工作原理为：控制主站下发指令至终端设备，这些指令可能包括数据采集、设备控制、状态查询等，终端设备根据指令将相应的数据传输至控制主站，这个过程涉及主站与终端设备之间的通信，使用无线通信或有线通信；在控制主站和终端设备交互的过程中，集中器起到了协调和中转的作用，集中器会对传输过程中的指令进行存储与处理操作，确保指令的正确执行，这包括指令的解码、验证和处理，以及对指令执行结果的存储；在集中器运行过程中，通过传感器和网络接口，集中器获取自身的配置数据，这些数据包括集中器的工作状态、性能指标、网络连接质量等信息，获取的配置数据随后被上传至数据中心，以供进一步分析和管理。
假设控制主站向终端设备下发指令，要求采集某个特定传感器的数据，终端设备接收到指令后，执行相应的数据采集操作，将采集到的数据通过通信渠道传输至控制主站；在这个过程中，集中器负责监控指令传输的稳定性，确保指令的正确到达终端设备，并接收终端设备传回的数据，同时，集中器对传输过程中的指令进行处理，例如解码验证指令的合法性，然后将指令的执行结果存储；在集中器的运行过程中，它通过内部的传感器和网络接口获取自身的配置数据，如集中器的工作温度、通信延迟、存储使用情况等，这些配置数据被上传至数据中心，为监控和管理提供了实时的信息。
上述技术方案的有益效果为：集中器的存储与处理操作确保了指令的可靠传输和执行，提高了指令的执行成功率；集中器在数据传输过程中的存储与处理操作有助于维护数据的完整性，防止数据丢失或损坏；集中器通过获取自身的配置数据，实现了对运行状态的实时监控，有助于及时发现并处理问题；上传的配置数据为数据中心提供了有关集中器性能和工作环境的信息，支持数据中心进行进一步的分析和优化决策。
在另一实施例中，S102步骤包括：
S1021：构建深度学习模型，将数据中心的历史配置数据分为训练集和测试集，将训练集输入至模型中进行训练，将训练后的模型通过测试集进行测试，获取最终的深度学习模型；
S1022：基于深度学习模型，对通信交互数据进行时间序列分析，识别周期性波动或异常模式，对集中器性能指标进行性能评估，识别集中器性能瓶颈的迹象，对网络连接质量参数进行分析，识别潜在网络问题；
S1023：获取分析结果，分析结果还包括网络拥塞的早期迹象和偏离正常模式的运行情况。
上述技术方案的工作原理为：构建深度学习模型，使用数据中心的历史配置数据作为训练集和测试集，将训练集输入至模型中进行训练，通过测试集对训练后的模型进行测试，以获取最终的深度学习模型，这个模型能够学习配置数据中的模式、趋势和异常情况；基于深度学习模型，对通信交互数据进行时间序列分析，通过这个分析，模型能够识别通信数据中的周期性波动或异常模式，例如，模型可能检测到在特定时间段内通信频率的明显增加或减少；使用深度学习模型对集中器性能指标进行性能评估，模型能够识别集中器性能瓶颈的迹象，如内存使用率过高、处理速度下降等，这有助于提前发现可能影响系统性能的问题；对网络连接质量参数进行深度学习分析，模型可以识别潜在的网络问题，如频繁的丢包、连接延迟等。通过这个分析，可以预测网络拥塞的早期迹象和偏离正常模式的运行情况。
假设模型在训练过程中学到了通信交互数据的正常波动模式，并能够识别集中器性能指标的正常范围，在测试阶段，当模型接收到实时的通信数据时，它能够检测到某个设备在通信频率上的异常波动，同时，模型还分析了集中器的性能指标，发现了内存使用率超过正常阈值的情况；基于这些分析结果，系统可以得出结论，集中器可能面临网络拥塞问题，导致通信频率异常波动，并且内存使用率过高可能是性能瓶颈的迹象，这种情况可能是由于某个设备的大量数据传输导致的。
基于深度学习模型，对通信交互数据进行时间序列分析，识别周期性波动或异常模式，对集中器性能指标进行性能评估，识别集中器性能瓶颈的迹象，对网络连接质量参数进行分析，识别潜在网络问题，包括：
获取通信交互数据，该数据包括多个时间序列信息项；
获取时间序列信息项对应的获取方式，包括直接获取和间接获取；
当获取方式为直接获取时，获取至少一个直接来源的时间序列信息项；
当获取方式为间接获取时，获取时间序列信息项对应的获取过程，并进行过程分析，获得多个子过程；
对通信交互数据进行深度学习模型分析，以识别周期性波动或异常模式；
建立时间轴线，基于时间序列数据，在时间轴线上展开分析；
采用深度学习算法对时间序列数据进行特征提取和模式识别；
基于识别出的周期性波动或异常模式，对集中器性能指标进行评估；
识别集中器性能瓶颈的迹象，包括处理能力、响应时间和数据吞吐量；
对网络连接质量参数进行分析，以识别潜在网络问题；
获取网络连接质量参数，包括信号强度、延迟、丢包率；
对这些参数进行深度学习模型分析，以识别网络稳定性和性能问题；
整合分析结果，获得集中器的综合性能评估报告；
将周期性波动、异常模式、性能瓶颈和网络问题的分析结果进行综合，形成报告；
基于报告，提出改进建议或优化措施。
通过以上步骤，完成基于深度学习模型的通信交互数据时间序列分析，有效识别和评估集中器性能及网络连接质量，为优化和提升系统性能提供依据。
上述技术方案的有益效果为：通过时间序列分析和性能评估，系统能够实现对集中器性能问题的预测，提前采取维护措施，减少系统故障的风险；深度学习模型的分析能力使系统能够在实时监测中检测到异常情况，快速响应问题，提高系统的稳定性和可用性；通过网络分析，系统能够识别潜在的网络问题，帮助管理员更好地了解网络状况，优化网络结构，提高通信质量；通过深度学习模型的帮助，系统能够更精准地识别性能瓶颈和网络问题，有助于进行精细化的配置调整，提高系统整体效率。
在另一实施例中，S103步骤包括：
S1031：当分析结果显示网络拥塞时，自动调整配置频道分配、调整带宽分配以及优化与周边节点的连接；
S1032：当分析结果显示性能参数偏离正常值时，动态调整集中器的性能参数；
S1033：实时监控调整后的集中器的配置数据，若发现实际效果未达预期，将进一步调整资源分配和性能参数。
上述技术方案的工作原理为：当分析结果显示网络拥塞时，系统会根据深度学习模型的分析结果自动调整配置，这包括重新分配频道、调整带宽分配以及优化与周边节点的连接，自动调整的过程是基于系统预先设定的调整规则和算法，以应对不同的网络拥塞情况；当分析结果显示集中器性能参数偏离正常值时，系统会动态调整集中器的性能参数，这涉及到调整处理器速度、内存分配等参数，以优化集中器的性能，调整是基于深度学习模型对性能参数异常的识别和系统的自动反馈机制；调整后的集中器的配置数据被实时监控，如果发现实际效果未达到预期，系统将进一步调整资源分配和性能参数，这形成了一个闭环反馈系统，通过不断监控和调整来优化系统性能。
假设系统监测到网络拥塞，深度学习模型分析结果显示特定频道的通信频率明显上升，系统根据预设的规则，自动调整配置，减少该频道的带宽分配，并优化与周边节点的连接，以缓解网络拥塞；在另一个情景下，模型分析表明集中器的内存使用率迅速增加，超过了正常阈值，系统动态调整集中器的性能参数，例如增加内存分配或调整处理器速度，以适应当前的工作负载，防止性能下降；实时监控系统发现，虽然网络拥塞得到缓解，内存使用率也下降，但某些性能指标仍未恢复到正常水平，系统根据监测结果进一步调整资源分配和性能参数，直到系统达到预期的性能水平。
上述技术方案的有益效果为：系统能够实时响应网络拥塞和性能异常情况，通过自动调整配置和性能参数，优化集中器的运行状态，确保系统在变化的环境中保持高效运行；自动化的调整过程减少了对人工干预的需求，提高了系统的自主性和稳定性；动态调整能够使系统更好地适应不同的工作负载和网络状况，提高了系统的适应性和灵活性；实时监控和反馈形成了一个闭环系统，系统能够持续优化自身性能，确保在长期运行中保持高效稳定。
在另一实施例中，构建深度学习模型，包括：
收集数据中心的历史配置数据，包括通信交互数据、集中器性能指标以及网络连接质量参数；将收集到的历史配置数据分为训练集和测试集，训练集用于训练深度学习模型，而测试集用于验证模型的准确性；
基于时间滑动窗口算法处理训练集数据，时间滑动窗口根据数据中心配置数据的特点，构建标准数据集，将标准数据集输入全连接层，该标准数据集是三维矩阵，三维矩阵的第一个维度是三维矩阵的元素个数，每个元素是一个行数为时间窗口大小，列数为输入数据特征数的二维矩阵，全连接层的元素个数和特征数相同，该层把输入数据的所有特征传递到下一层；
标准数据集进入初始长短期记忆网络层，该层包括32 个长短期记忆网络单元，对输入的历史配置数据进行自动学习编码，提取配置数据的相关关系以及通信交互数据、集中器性能指标以及网络连接质量参数数据时间周期特征，并传递到下一层；
正则化层对两个长短期记忆网络层间的连接进行随机中断，以防训练出现过拟合；
第二个长短期记忆网络层包括长短期记忆网络单元，该层对输入信息进行自学习和编码，以提高非线性拟合的精度；
长短期记忆网络通过全连接层输出为预测的分析结果序列。
上述技术方案的工作原理为：首先，收集数据中心的历史配置数据，包括通信交互数据、集中器性能指标以及网络连接质量参数，将这些数据分为训练集和测试集，其中训练集用于训练深度学习模型，测试集用于验证模型的准确性；使用时间滑动窗口算法处理训练集数据，这个算法根据数据中心配置数据的特点构建标准数据集，标准数据集是一个三维矩阵，其中第一个维度是矩阵的元素个数，每个元素是一个二维矩阵，行数为时间窗口大小，列数为输入数据特征数，这个标准数据集包含了时间窗口内的数据特征；将标准数据集输入全连接层，全连接层的元素个数与输入数据的特征数相同，这一层的作用是将输入数据的所有特征传递到下一层，保持数据的完整性；标准数据集进入初始长短期记忆网络（LSTM）层，这一层包括32个LSTM单元，用于对输入的历史配置数据进行自动学习编码，LSTM能够提取配置数据的相关关系以及通信交互数据、集中器性能指标以及网络连接质量参数的时间周期特征，并传递到下一层；正则化层对两个LSTM层之间的连接进行随机中断，以防止训练过程中的过拟合，正则化有助于提高模型的泛化能力，使其在未见过的数据上表现更好；第二个LSTM层继续对输入信息进行自学习和编码，以提高非线性拟合的精度，这一层进一步提取时间序列数据中的复杂模式和关联关系；最后，LSTM通过全连接层输出预测的分析结果序列，这表示对未来时间点的配置数据的预测，模型在训练过程中调整权重和参数，以最小化预测结果与实际数据的差距。
假设训练集包含了过去一年的配置数据，每个数据点包括通信交互数据、集中器性能指标和网络连接质量参数，时间滑动窗口算法将每个时间窗口内的数据整合成一个标准数据集，包括了这段时间内的所有特征；这个标准数据集经过全连接层传递到初始LSTM层，LSTM单元学习历史配置数据中的模式和规律，正则化层有助于防止模型对训练数据的过度拟合；第二个LSTM层进一步提取时间序列中的复杂特征，最终通过全连接层输出预测的分析结果序列，这个序列可以表示未来时间点的配置数据，其中包括对通信交互数据、集中器性能指标和网络连接质量参数的预测。
上述技术方案的有益效果为：通过LSTM层，模型能够学习和捕捉时间序列数据中的长期依赖关系和周期性模式，提高了对历史配置数据的时序特征学习能力；多层LSTM和全连接层的结合使得模型能够进行非线性拟合，更好地适应复杂的数据关系，提高了模型的预测准确性；正则化层的引入有助于提高模型的泛化能力，防止模型对训练数据的过拟合，使其在未见过的数据上表现更好；模型能够实时地对未来时间点的配置数据进行预测，有助于及时发现潜在的问题和优化配置，提高了系统的实时性和效率。
在另一实施例中，S1023步骤包括：
利用深度学习模型分析集中器的通信交互数据，识别出数据中的周期性波动模式；通过分析周期性波动和异常模式，评估集中器的整体性能，同时，识别导致性能下降的瓶颈，瓶颈包括硬件限制或软件配置问题。
上述技术方案的工作原理为：首先，深度学习模型通过对集中器的通信交互数据进行分析，学习数据中的模式和规律，这包括通信频率、数据传输速度、以及与外部设备的交互等；模型通过学习过程中的神经网络结构，能够识别数据中的周期性波动模式，例如，模型可能学到某个时间段内通信交互数据的周期性波动，这可能与特定操作或事件的周期性发生有关；同时，模型也能够识别数据中的异常模式，即与正常工作模式不符的数据变化，异常模式可能表明硬件故障、网络问题或其他性能异常；基于周期性波动模式和异常模式的分析，模型可以对集中器的整体性能进行评估。这包括通信效率、稳定性等方面的综合考量；如果性能下降，模型还能够帮助识别导致性能下降的瓶颈，这是硬件方面的限制，如处理器速度不足，也可能是软件配置问题，如不合理的资源分配等。
假设模型在学习过程中发现在每天的特定时间段，集中器的通信交互数据表现出明显的周期性波动，这可能与用户高峰期或系统定期任务有关；同时，模型还检测到某个时间段内通信交互数据的异常增加，与正常波动不一致，通过进一步分析，发现这个异常模式与某个硬件组件的故障相关，例如某个网络接口的不稳定性；在性能评估阶段，模型综合考虑周期性波动和异常模式，给出了集中器整体性能的评估，可能表明在正常情况下性能良好，但存在硬件故障导致的异常情况；最终，模型识别到导致性能下降的瓶颈是特定硬件组件的故障，这可以为系统管理员提供有针对性的修复建议。
上述技术方案的有益效果为：通过周期性波动和异常模式的识别，模型能够在早期检测到可能导致性能下降的问题，提前采取措施避免系统故障；模型能够对集中器的整体性能进行全面评估，包括正常工作模式和异常情况，为系统管理员提供全面的性能信息；模型帮助识别导致性能下降的瓶颈，有助于快速定位问题并采取措施解决，提高系统的可靠性和稳定性；基于深度学习的分析结果，系统管理员可以做出更智能的决策，优化硬件配置，提升系统性能。
在另一实施例中，S1023步骤包括：
基于分析结果，模拟不同的集中器使用场景，评估集中器在各种条件下的性能，对集中器使用的确定性场景进行构建，对所需使用场景数据进行筛选，获取所需的确定性数据，针对使用场景将不同配置数据对集中器使用场景的影响反映出来；
对若干集中器使用场景进行缩减，使集中器使用场景形成相应的典型场景，对场景压缩过程中，通过不同配置数据为判断依据，以典型数据为中心进行若干场景的缩减，形成以典型数据为核心的若干典型场景。
上述技术方案的工作原理为：首先，基于分析结果，模拟不同的集中器使用场景，这包括模拟不同通信负载、设备连接数、数据传输频率等各种条件下的集中器工作情况，对于每个场景，进行性能评估，包括通信延迟、数据处理速度、资源利用率等指标；针对集中器的使用场景，构建确定性场景，确定性场景是指在特定条件下能够得到确定性结果的场景，例如，在一个确定性场景中，集中器可能会面对高峰期的数据传输需求，而在另一个场景中可能是相对平稳的通信负载；对所需使用场景数据进行筛选，从模拟的场景中选择关键的数据参数，例如，选择在高负载场景下的通信频率、连接设备数等，这些数据将作为构建确定性场景的基础；获取所需的确定性数据，这涉及到实际测试、模拟实验或历史数据的提取，确保所选的数据能够准确反映集中器在不同使用场景下的性能表现；对若干集中器使用场景进行缩减，形成典型场景，在缩减过程中，通过不同配置数据为判断依据，以典型数据为中心进行若干场景的缩减，这意味着选择一些代表性的场景，以更精简的方式展现集中器在不同情境下的性能。
假设在模拟中，得到了三种不同的集中器使用场景：高峰期（High Traffic），平稳期（Steady State）和低负载期（Low Load），在每个场景中，模拟了通信频率、连接设备数和数据传输速度等参数；对于确定性场景的构建，选择平稳期作为一个确定性场景，其中通信负载相对稳定，连接设备数在正常范围内；从模拟数据中筛选出在高峰期场景下的通信频率和连接设备数，并获取这些参数对应的性能数据，以构建高峰期的确定性场景；在场景缩减过程中，选择以平稳期、高峰期和低负载期为代表的三个典型场景，对于每个场景，通过不同配置数据为判断依据，选取最具代表性的配置参数，形成典型场景。
上述技术方案的有益效果为：通过模拟不同场景和构建确定性场景，能够对集中器在各种使用条件下的性能进行全面评估，为系统优化提供参考；构建确定性场景和典型场景使得能够更精细地为集中器提供配置建议，例如，在高峰期可以建议增加服务器资源，而在平稳期可以进行更节约资源的配置；通过场景缩减，可以将复杂的使用场景简化为典型场景，使得性能评估更为直观，有助于系统管理员快速理解不同情境下的性能表现；提供了基于不同场景下的性能数据的决策支持，使系统管理员能够更好地制定配置策略和应对不同使用需求。
在另一实施例中，S1031步骤包括：
基于分析结果，自动调整网络中各节点的带宽分配，包括增加关键应用或服务的带宽配额，同时减少非关键应用的带宽使用。
上述技术方案的工作原理为：利用深度学习模型对网络中各节点的通信数据进行实时监测和分析，模型学习网络节点之间的通信模式，包括关键应用或服务的通信特征以及非关键应用的通信模式；模型通过学习过程中的神经网络结构，能够识别关键应用或服务，这涉及到对应用或服务的特征、数据流量、延迟等方面的学习；基于对关键应用的识别，模型可以实时调整网络中各节点的带宽分配，增加关键应用或服务的带宽配额，以确保其在高负载时仍能获得足够的网络资源，同时减少非关键应用的带宽使用，以优化整体网络性能；模型通过实时监测网络性能和应用需求，不断调整带宽分配，反馈机制可以是基于性能指标的监控，例如延迟、丢包率等，也可以是基于应用的实时需求。
假设模型在学习过程中发现某个时间段内，某个节点上运行的视频流应用需要更大的带宽来保证流畅的播放，而另一个节点上运行的文件下载应用则对带宽的要求相对较低；在实时监测中，模型识别到视频流应用的通信模式，包括更高的数据传输速率和对低延迟的需求，通过动态调整，模型增加了视频流应用所在节点的带宽配额，以满足其要求；同时，模型还发现文件下载应用对带宽的需求相对较低，可以通过减少其节点的带宽使用来释放网络资源，这包括限制下载速度或在高负载时调整下载优先级。
上述技术方案的有益效果为：通过自动调整带宽分配，确保关键应用或服务在需要时能够获得足够的带宽，提高其性能和用户体验；模型的调整能够在网络中实现对不同应用需求的平衡，防止某个节点或应用占用过多带宽导致其他部分性能下降；深度学习模型实时监测并适应网络和应用的变化，确保带宽分配的实时性和适应性，有效处理网络流量波动；通过减少非关键应用的带宽使用，系统可以更高效地利用网络资源，提高整体资源利用率；针对关键应用的优化和整体网络性能的提升，用户可以更顺畅地使用网络服务，提高用户满意度。
在另一实施例中，集中器，包括：计算处理模块、通信接口模块、安全集成模块和存储模块；
计算处理模块，用于对集中器的配置数据进行实时状态和性能需求分析，根据分析结果动态调整通信资源的配置；
通信接口模块，用于控制主站和终端设备之间的数据传输交互操作；
安全集成模块，用于为控制主站和终端设备提供安全防护；
存储模块，用于存储大量数据和处理信息，保证控制主站和终端设备之间运行的稳定。
上述技术方案的工作原理为：计算处理模块通过深度学习模型对集中器的配置数据进行实时状态和性能需求分析，模型学习数据的模式和规律，识别出性能需求的变化趋势，并根据分析结果动态调整通信资源的配置，例如，当模型发现某个时间段内通信负载增加时，可以自动调整带宽分配以满足需求；通信接口模块负责控制主站和终端设备之间的数据传输交互操作，它通过深度学习模型实时监测数据传输情况，根据分析结果调整数据传输策略，以优化通信效率和稳定性；安全集成模块利用深度学习模型提供安全防护，通过实时监测网络流量和通信数据，识别潜在的安全威胁和攻击行为，并采取相应的安全防护措施，保障控制主站和终端设备的安全运行；存储模块利用深度学习模型对大量数据和处理信息进行管理和优化，模型可以根据数据特征和使用模式，优化存储资源的分配和管理，保证控制主站和终端设备之间运行的稳定。
假设在计算处理模块中，深度学习模型实时分析集中器的通信负载情况，发现在特定时间段内数据传输量显著增加，模型根据这一分析结果，动态调整通信资源的配置，例如增加带宽配额以应对高负载；在通信接口模块中，深度学习模型实时监测主站和终端设备之间的数据传输情况，识别出数据传输的模式和规律，模型根据分析结果调整数据传输策略，例如优化数据传输的优先级和路由，以提高通信效率和稳定性；安全集成模块利用深度学习模型实时监测网络流量和通信数据，识别异常行为和潜在的安全威胁，例如，模型可以识别出异常的数据包传输模式，并采取相应的安全防护措施，如拦截恶意数据包或通知系统管理员进行进一步处理；存储模块利用深度学习模型对大量数据和处理信息进行管理和优化，模型可以根据数据的使用模式和特征，优化存储资源的分配和管理，以确保控制主站和终端设备之间的稳定运行。
上述技术方案的有益效果为：深度学习模型的应用使得各模块能够实时监测和分析数据，从而实现对集中器性能的实时优化，提高系统的响应速度和效率；借助深度学习模型，安全集成模块能够实时识别潜在的安全威胁和攻击行为，实现智能化的安全防护，提高系统的安全性和稳定性；深度学习模型的优化管理使得存储模块能够更高效地管理大量数据和处理信息，提高存储资源的利用率，降低系统运行成本；通信接口模块通过深度学习模型实现自适应的通信策略，根据实时分析结果调整数据传输策略，提高通信效率和稳定性，提升用户体验。
在另一实施例中，通信接口模块采用宽带电力线载波通信方式，增加通信带宽，提高网络整体的吞吐量。
上述技术方案的工作原理为：通信接口模块利用宽带电力线载波通信方式进行数据传输，这种通信方式通过利用电力线作为传输介质，将数据信号叠加在电力线上进行传输，它能够在不额外铺设通信线缆的情况下实现数据传输，提高通信带宽；宽带电力线载波通信方式相比传统通信方式能够提供更大的带宽，通过优化载波通信的调制解调制技术和信号处理算法，可以实现更高的数据传输速率，这样，通信接口模块能够在相同的电力线基础上实现更大的通信带宽，提高网络整体的吞吐量。
假设在一个智能电网系统中，控制主站需要向各个终端设备发送大量实时监测数据和指令，传统的通信方式可能面临带宽不足的问题，导致数据传输延迟或丢失，通过引入宽带电力线载波通信方式，通信接口模块可以利用电力线进行高速数据传输；在某个时刻，需要将大量监测数据从多个终端设备传输到控制主站，通过宽带电力线载波通信方式，模块能够同时利用电力线上的多个频段进行数据传输，提高整体通信带宽，这样，即使有多个终端设备同时传输数据，也能够避免带宽瓶颈，保证数据传输的效率和实时性。
上述技术方案的有益效果为：采用宽带电力线载波通信方式能够显著提高通信带宽，从而提高网络整体的吞吐量，这对于需要大量数据传输的智能电网系统尤为重要，保证数据的及时传输和处理；更高的通信带宽意味着更快的数据传输速率，从而减少通信延迟，在实时监测和控制的场景中，降低通信延迟对于系统的响应速度至关重要，提高了系统的实时性；采用电力线作为传输介质避免了额外的通信线缆铺设，简化了网络部署和维护，这对于智能电网等需要广泛覆盖的系统而言，降低了建设和维护成本；宽带电力线载波通信方式在传输数据时具有较好的稳定性，能够适应复杂的电力线环境，这有助于提高系统的稳定性，减少数据传输中的干扰和丢失。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于深度学习的集中器优化配置方法，其特征在于，包括：
S101：通过传感器和网络接口获取集中器的配置数据，配置数据包括通信交互数据、集中器性能指标以及网络连接质量参数；
S102：基于深度学习模型，对配置数据进行分析，获取分析结果，分析结果包括通信传输周期性变化、集中器性能瓶颈和潜在的网络问题；
S103：基于分析结果，自动调整集中器的配置，包括通信网络优化、资源分配调整和性能参数的优化；
S102步骤包括：
S1021：构建深度学习模型，将数据中心的历史配置数据分为训练集和测试集，将训练集输入至模型中进行训练，将训练后的模型通过测试集进行测试，获取最终的深度学习模型；
S1022：基于深度学习模型，对通信交互数据进行时间序列分析，识别周期性波动或异常模式，对集中器性能指标进行性能评估，识别集中器性能瓶颈的迹象，对网络连接质量参数进行分析，识别潜在网络问题；
S1023：获取分析结果，分析结果还包括网络拥塞的早期迹象和偏离正常模式的运行情况；
构建深度学习模型，包括：
收集数据中心的历史配置数据，包括通信交互数据、集中器性能指标以及网络连接质量参数；将收集到的历史配置数据分为训练集和测试集，训练集用于训练深度学习模型，而测试集用于验证模型的准确性；
基于时间滑动窗口算法处理训练集数据，时间滑动窗口根据数据中心配置数据的特点，构建标准数据集，将标准数据集输入全连接层，该标准数据集是三维矩阵，三维矩阵的第一个维度是三维矩阵的元素个数，每个元素是一个行数为时间窗口大小，列数为输入数据特征数的二维矩阵，全连接层的元素个数和特征数相同，通过全连接层把输入数据的所有特征传递到下一层；
标准数据集进入初始长短期记忆网络层，长短期记忆网络层包括32个长短期记忆网络单元，对输入的历史配置数据进行自动学习编码，提取配置数据的相关关系以及通信交互数据、集中器性能指标以及网络连接质量参数数据时间周期特征，并传递到下一层；
正则化层对两个长短期记忆网络层间的连接进行随机中断，以防训练出现过拟合；
第二个长短期记忆网络层包括长短期记忆网络单元，该第二个长短期记忆网络层对输入信息进行自学习和编码，以提高非线性拟合的精度；
长短期记忆网络通过全连接层输出为预测的分析结果序列；
识别潜在网络问题，包括：
获取通信交互数据，该通信交互数据包括多个时间序列信息项；
获取时间序列信息项对应的获取方式，包括直接获取和间接获取；
当获取方式为直接获取时，获取至少一个直接来源的时间序列信息项；
当获取方式为间接获取时，获取时间序列信息项对应的获取过程，并进行过程分析，获得多个子过程；
对通信交互数据进行深度学习模型分析，以识别周期性波动或异常模式；
建立时间轴线，基于时间序列数据，在时间轴线上展开分析；
采用深度学习算法对时间序列数据进行特征提取和模式识别；
基于识别出的周期性波动或异常模式，对集中器性能指标进行评估；
识别集中器性能瓶颈的迹象，包括处理能力、响应时间和数据吞吐量；
对网络连接质量参数进行分析，以识别潜在网络问题；
S1023步骤包括：
基于分析结果，模拟不同的集中器使用场景，评估集中器在各种条件下的性能，对集中器使用的确定性场景进行构建，对所需使用场景数据进行筛选，获取所需的确定性数据，针对使用场景将不同配置数据对集中器使用场景的影响反映出来；
对若干集中器使用场景进行缩减，使集中器使用场景形成相应的典型场景，对场景压缩过程中，通过不同配置数据为判断依据，以典型数据为中心进行若干场景的缩减，形成以典型数据为核心的若干典型场景。
2.根据权利要求1所述的一种基于深度学习的集中器优化配置方法，其特征在于，S101步骤包括：
S1011：控制主站下发指令至终端设备，终端设备根据指令将对应的数据传输至控制主站；
S1012：在控制主站和终端设备交互过程中，集中器对传输过程中的指令和对应指令进行存储与处理操作；
S1013：在集中器运行过程中，基于传感器和网络接口，获取集中器的配置数据，并将配置数据上传至数据中心。
3.根据权利要求1所述的一种基于深度学习的集中器优化配置方法，其特征在于，S103步骤包括：
S1031：当分析结果显示网络拥塞时，自动调整配置频道分配、调整带宽分配以及优化与周边节点的连接；
S1032：当分析结果显示性能参数偏离正常值时，动态调整集中器的性能参数；
S1033：实时监控调整后的集中器的配置数据，若发现实际效果未达预期，将进一步调整资源分配和性能参数。
4.根据权利要求1所述的一种基于深度学习的集中器优化配置方法，其特征在于，S1023步骤包括：
利用深度学习模型分析集中器的通信交互数据，识别出数据中的周期性波动模式；通过分析周期性波动和异常模式，评估集中器的整体性能，同时，识别导致性能下降的瓶颈，瓶颈包括硬件限制或软件配置问题。
5.根据权利要求3所述的一种基于深度学习的集中器优化配置方法，其特征在于，S1031步骤包括：
基于分析结果，自动调整网络中各节点的带宽分配，包括增加关键应用或服务的带宽配额，同时减少非关键应用的带宽使用。
6.集中器，其特征在于，用于实现权利要求1所述的一种基于深度学习的集中器优化配置方法，包括：计算处理模块、通信接口模块、安全集成模块和存储模块；
计算处理模块，用于对集中器的配置数据进行实时状态和性能需求分析，根据分析结果动态调整通信资源的配置；
通信接口模块，用于控制主站和终端设备之间的数据传输交互操作；
安全集成模块，用于为控制主站和终端设备提供安全防护；
存储模块，用于存储大量数据和处理信息，保证控制主站和终端设备之间运行的稳定。
7.根据权利要求6所述的集中器，其特征在于，通信接口模块采用宽带电力线载波通信方式，增加通信带宽，提高网络整体的吞吐量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410037891.1A CN117560287B (zh) | 2024-01-11 | 2024-01-11 | 一种基于深度学习的集中器优化配置方法及集中器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410037891.1A CN117560287B (zh) | 2024-01-11 | 2024-01-11 | 一种基于深度学习的集中器优化配置方法及集中器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117560287A CN117560287A (zh) | 2024-02-13 |
| CN117560287B true CN117560287B (zh) | 2024-05-03 |
Family
ID=89811392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410037891.1A Active CN117560287B (zh) | 2024-01-11 | 2024-01-11 | 一种基于深度学习的集中器优化配置方法及集中器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117560287B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117834301B (zh) * | 2024-03-05 | 2024-05-17 | 江苏社汇通智能科技有限公司 | 一种基于物联网的网络安全通信控制方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750815A (zh) * | 2012-07-03 | 2012-10-24 | 宁夏隆基宁光仪表有限公司 | 一种具有环境检测功能的集中器及其控制方法 |
| WO2016128644A1 (fr) * | 2015-02-13 | 2016-08-18 | Orange | Procede de selection de concentrateurs de connexions reseau |
| CN108062041A (zh) * | 2017-11-28 | 2018-05-22 | 国网河南省电力公司电力科学研究院 | 一种针对电力无线业务的RaptorQ编码参量动态调整方法及装置 |
| CN116383650A (zh) * | 2023-04-04 | 2023-07-04 | 桂林海威科技股份有限公司 | 一种基于lstm模型的集中器电功率异常诊断方法 |
| CN116866950A (zh) * | 2023-07-17 | 2023-10-10 | 西安石油大学 | 一种基于深度学习的无线网络资源优化系统及方法 |
-
2024
- 2024-01-11 CN CN202410037891.1A patent/CN117560287B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750815A (zh) * | 2012-07-03 | 2012-10-24 | 宁夏隆基宁光仪表有限公司 | 一种具有环境检测功能的集中器及其控制方法 |
| WO2016128644A1 (fr) * | 2015-02-13 | 2016-08-18 | Orange | Procede de selection de concentrateurs de connexions reseau |
| CN108062041A (zh) * | 2017-11-28 | 2018-05-22 | 国网河南省电力公司电力科学研究院 | 一种针对电力无线业务的RaptorQ编码参量动态调整方法及装置 |
| CN116383650A (zh) * | 2023-04-04 | 2023-07-04 | 桂林海威科技股份有限公司 | 一种基于lstm模型的集中器电功率异常诊断方法 |
| CN116866950A (zh) * | 2023-07-17 | 2023-10-10 | 西安石油大学 | 一种基于深度学习的无线网络资源优化系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117560287A (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Venticinque et al. | A methodology for deployment of IoT application in fog | |
| CN117560287B (zh) | 一种基于深度学习的集中器优化配置方法及集中器 | |
| WO2017086739A1 (ko) | 상태 관련 정보 공유 방법 및 장치 | |
| CN107872457B (zh) | 一种基于网络流量预测进行网络操作的方法及系统 | |
| CN112929187B (zh) | 网络切片管理方法、装置和系统 | |
| CN104298194B (zh) | 电梯远程监控系统中采集及传输数据的数据量压缩方法 | |
| CN104038957A (zh) | 一种基于一体化结构的4g基站运维信息分析处理方法 | |
| CN104519500A (zh) | 无线通讯设备吞吐量的自动测试系统及其测试方法 | |
| CN111338247A (zh) | 一种基于物联网的模拟控制系统及方法 | |
| CN115131171A (zh) | 储能电站运行监测模型的训练方法及储能电站的监控系统 | |
| CN116760771A (zh) | 一种在线监测数据多通道传输控制策略处理方法 | |
| CN117640335B (zh) | 一种智能建筑综合布线的动态调整和优化方法 | |
| CN112396070A (zh) | 一种模型训练方法、装置和系统，以及预测方法和装置 | |
| CN117175803A (zh) | 一种配电线路的无线通信方法及系统 | |
| CN117221295A (zh) | 一种基于边缘计算和网络切片的低延迟视频传输系统 | |
| CN110334900A (zh) | 数据处理方法 | |
| CN111786979B (zh) | 一种基于多模态学习的电力攻击识别方法 | |
| CN117675911B (zh) | 一种自适应信号优化的集中器远程通讯系统及集中器 | |
| CN117834454B (zh) | 物联网设备协议适配的快速接入方法 | |
| KR102334975B1 (ko) | 사물 인터넷 장치의 데이터 분산 전송을 이용한 자동화 설비 제어 시스템 | |
| CN116847386A (zh) | 一种Wifi自适应通信系统 | |
| CN115086240B (zh) | 网络流量调整方法、装置与网络系统 | |
| Jiang et al. | Load balancing selection method for heterogeneous power communication equipment based on software defined network | |
| CN118052417A (zh) | 一种负荷管理分支装置及管理方法 | |
| CN117333129A (zh) | 一种电缆资源管理系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |