CN118171088B - 一种边缘计算方法、装置、设备及可读存储介质 - Google Patents

一种边缘计算方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN118171088B
CN118171088B CN202410601330.XA CN202410601330A CN118171088B CN 118171088 B CN118171088 B CN 118171088B CN 202410601330 A CN202410601330 A CN 202410601330A CN 118171088 B CN118171088 B CN 118171088B
Authority
CN
China
Prior art keywords
information
feature
characteristic
level
productivity
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
Application number
CN202410601330.XA
Other languages
English (en)
Other versions
CN118171088A (zh
Inventor
张开鑫
刘粤翔
陈鹏
张谷雄
马丁
蒋雄
苏纪成
魏学锋
郎海亮
孙海燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangchuan Jinsha Hydropower Development Co ltd
Original Assignee
Jiangchuan Jinsha Hydropower Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangchuan Jinsha Hydropower Development Co ltd filed Critical Jiangchuan Jinsha Hydropower Development Co ltd
Priority to CN202410601330.XA priority Critical patent/CN118171088B/zh
Publication of CN118171088A publication Critical patent/CN118171088A/zh
Application granted granted Critical
Publication of CN118171088B publication Critical patent/CN118171088B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种边缘计算方法、装置、设备及可读存储介质，涉及边缘计算领域，其中方法包括：获取第一信息和第二信息，第一信息包括水电站的天气信息、水位信息、水速信息和水温信息，第二信息为水电站的历史产能信息；将所述第一信息发送至边缘计算节点进行聚类分析和特征向量转化，得到第一信息的特征向量；将第二信息发送至边缘计算节点内的进行特征提取，得到水电站的历史产能特征信息；将特征向量和历史产能特征进行关联分析，得到两者的关联度值；然后基于特征向量、所述关联度值和第二信息进行产能预测，得到未来预设时间段的水电站的产能信息。本发明实现了对未来预设时间段的水电站产能的准确预测，提高了系统的稳定性和实用性。

Description

一种边缘计算方法、装置、设备及可读存储介质
技术领域
本发明涉及边缘计算技术领域，尤其涉及一种边缘计算方法、装置、设备及可读存储介质。
背景技术
目前，水电站作为一种清洁、可再生能源的代表，在能源领域占据着重要地位。然而，传统的水电站管理系统在面对复杂的水文环境和电力需求变化时存在一系列问题。传统系统通常采用静态调度策略，无法充分利用水力资源，导致发电效率不高。此外，为了更好地应对电力市场的波动和用户需求的变化，对水电站未来产能的预测成为至关重要的环节，而现有技术难以满足现代智能化管理的需求。随着物联网和大数据技术的发展，传统中心化计算模式已经难以应对海量数据的实时处理需求，进而催生了对边缘计算的迫切需求。
在这种情况下，急需一种能够确保系统的稳定运行和最大限度地利用水力资源，对水电站未来产能的实时预测，以应对复杂多变的水文条件，实现水电资源的最优利用，提高能源产出的方法和装置。
发明内容
本发明的目的在于提供一种边缘计算方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了边缘计算方法，包括：
获取第一信息和第二信息，所述第一信息包括水电站的天气信息、水位信息、水速信息和水温信息，所述第二信息为水电站的历史产能信息；
将所述第一信息发送至边缘计算节点内预设的分级模型进行聚类分析，得到至少两个等级的第一信息；
将所有等级的第一信息发送至边缘计算节点内预设的自变量特征转化模型进行特征转化，得到每个等级的第一信息的特征向量；
将所述第二信息发送至边缘计算节点内预设的因变量特征提取模型进行特征提取，得到水电站的历史产能特征信息；
将每个等级的第一信息的特征向量和水电站的历史产能特征信息发送至边缘计算节点内进行关联分析，确定每个等级的第一信息的特征向量分别和水电站的历史产能特征信息之间的关联度值；
将每个等级的第一信息的特征向量、所述关联度值和第二信息发送至边缘计算节点内预设的产能预测模型进行产能预测，预测得到未来预设时间段的水电站的产能信息。
第二方面，本申请还提供了一种边缘计算装置，包括：
获取单元，用于获取第一信息和第二信息，所述第一信息包括水电站的天气信息、水位信息、水速信息和水温信息，所述第二信息为水电站的历史产能信息；
分析单元，用于将所述第一信息发送至边缘计算节点内预设的分级模型进行聚类分析，得到至少两个等级的第一信息；
第一处理单元，用于将所有等级的第一信息发送至边缘计算节点内预设的自变量特征转化模型进行特征转化，得到每个等级的第一信息的特征向量；
第二处理单元，用于将所述第二信息发送至边缘计算节点内预设的因变量特征提取模型进行特征提取，得到水电站的历史产能特征信息；
计算单元，用于将每个等级的第一信息的特征向量和水电站的历史产能特征信息发送至边缘计算节点内进行关联分析，确定每个等级的第一信息的特征向量分别和水电站的历史产能特征信息之间的关联度值；
预测单元，用于将每个等级的第一信息的特征向量、所述关联度值和第二信息发送至边缘计算节点内预设的产能预测模型进行产能预测，预测得到未来预设时间段的水电站的产能信息。
第三方面，本申请还提供了一种边缘计算设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述边缘计算方法。
第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于边缘计算方法。
本发明的有益效果为：
本发明通过边缘计算技术，本发明能够实时获取水电站的环境参数，并在边缘计算节点上进行智能处理，降低了对中心服务器的依赖，提高了数据处理效率。本发明还利用分级模型对水文条件进行等级划分，有助于更好地理解不同水文条件下的数据模式，提高了对复杂水文环境的适应性。其中，特征提取模型对每个等级的环境信息进行处理，得到具有统一维度的特征向量，为后续的关联分析提供了有效的输入，而且通过关联分析，本发明揭示了不同水文条件下的环境特征与历史产能之间的关系，为产能预测提供了有力支持。本发明还利用产能预测模型，结合第一信息的特征向量和历史产能信息，实现了对未来预设时间段的水电站产能的准确预测。其中，边缘计算节点的部署减少了对中心服务器的通信压力，降低了通信时延，提高了系统的稳定性和实用性。实时处理和边缘计算的结合使得本发明适用于对实时性要求较高的水电站产能预测场景。
附图说明
图1为本发明实施例中所述的边缘计算方法流程示意图;
图2为本发明实施例中所述的边缘计算装置拓扑结构示意图；
图3为本发明实施例中所述的边缘计算设备结构示意图。
图中：701-获取单元；702-分析单元；703-第一处理单元；704-第二处理单元；705-计算单元；706-预测单元；800-边缘计算设备；801-处理器；802-存储器；803-多媒体组件；804-输入/输出(I/O)接口；805-通信组件。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现说明本发明的具体实施方式。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即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。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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1：
本实施例提供了一种边缘计算方法。
参见图1，图中示出了本方法包括步骤S1、步骤S2、步骤S3、步骤S4、步骤S5和步骤S6。
步骤S1、获取第一信息和第二信息，所述第一信息包括水电站的天气信息、水位信息、水速信息和水温信息，所述第二信息为水电站的历史产能信息；
可以理解的是，本步骤涵盖了水电站环境的多个关键参数，如天气、水位、水速和水温。这些参数反映了水电站周围水文条件的实时状态，对于产能的影响具有重要意义。其中，本发明通过安装气象站传感器获取天气信息，水位仪传感器获取水位信息，流速计传感器获取水速信息，温度传感器获取水温信息。同时，历史产能信息可以通过水电站运行记录、发电机输出等方式获取。这些数据可以定期上传至边缘计算节点，用于后续的分析和预测。
步骤S2、将所述第一信息发送至边缘计算节点内预设的分级模型用于进行聚类分析，得到至少两个等级的第一信息；
可以理解的是，本步骤通过对水电站的环境参数进行聚类分析，以识别相似的工作状态或环境模式。进而可以更好地理解不同工作条件下水电站的性能差异，并为后续的特征提取和预测模型提供更具体的数据。本步骤中，步骤S2包括步骤S201、步骤S202和步骤S203。
步骤S201、将所述第一信息利用基于距离类的聚类算法进行聚类处理，得到至少两个聚类簇，每个所述聚类簇包括至少四个第一信息，其中，包括至少一个天气信息、至少一个水位信息、至少一个水速信息和至少一个水温信息；
需要说明的是，本步骤中的基于距离类的聚类算法可以使用K均值聚类，本步骤通过对第一信息进行更详细的聚类，系统可以更精确地识别具有相似特征的数据簇，为后续的特征提取和关联分析提供更准确的输入。
步骤S202、基于拉依达准则计算每个所述聚类簇对应的阈值范围，并对所有的阈值范围进行分析，将所有阈值范围中最小的阈值范围对应的聚类簇作为异常聚类簇进行删除，得到删除异常数据的聚类簇的阈值范围信息；
其中，通过使用拉依达准则和分析阈值范围，系统可以自动检测和排除异常数据，提高后续分析的准确性和可靠性。
步骤S203、将删除异常数据的聚类簇的阈值范围信息进行按照由大到小分级，并将每个第一信息发送至分类后的阈值范围进行对比，得到每个第一信息所属的等级；
可以理解的是，本步骤通过将第一信息与已分级的阈值范围对比，系统能够为每个第一信息分配一个等级，为后续的特征向量提取和关联分析提供更有针对性的数据。
步骤S3、将所有等级的第一信息发送至边缘计算节点内预设的自变量特征转化模型用于进行特征转化，得到每个等级的第一信息的特征向量；
需要说明的是，本步骤通过自变量特征转化，系统能够将原始的第一信息进行有效的降维、提取关键特征，从而更好地反映水电站各等级的特征向量，为后续的关联分析和产能预测提供更有价值的数据。本步骤中，步骤S3包括步骤S301、步骤S302、步骤S303、步骤S304和步骤S305。
步骤S301、将所述每个等级的第一信息内出现次数前二十的数据的作为特征数据，将每个等级的第一信息内的特征数据进行编码得到至少两个维数相同的第一信息分布矩阵；
其中，本步骤通过选择高频出现的数据作为特征，系统能够聚焦于最具代表性的信息，降低噪音对分析结果的影响。编码后得到的分布矩阵可以更好地表示各等级的第一信息特征。
步骤S302、基于灰色关联分析算法计算所述第一信息分布矩阵中两两特征数据的关联度值，并将所有的第一信息分布矩阵中的每个特征数据视为一个节点，将两两特征数据的所述关联度值作为两个节点之间的边；
可以理解的是，本步骤通过灰色关联分析量化特征数据之间的关联程度，通过构建关联图，系统可以更直观地展示特征数据之间的关系，有助于后续的结构特征提取。
步骤S303、基于结构特征提取神经网络算法进行图卷积操作，将每个节点的特征信息传递给相邻节点，并结合相邻节点的信息进行特征更新，得到更新后的特征节点信息；
需要说明的是，本步骤采用结构特征提取神经网络算法执行图卷积操作。对于构建的关联图，该算法允许每个节点的特征信息传递给其相邻节点，并结合相邻节点的信息进行特征更新。
其中，特征更新的公式如下所示：
其中，表示更新后的特征节点信息，表示ReLU激活函数，表示第i个节点到第j个节点的关联度值，表示第j个节点的特征，W表示权重矩阵，N表示节点数量。
其中，步骤S303包括步骤S3031、步骤S3032和步骤S3033。
步骤S3031、将所有的关联度值作为特征权重构建权重矩阵，并将所述权重矩阵和预设的激活函数输入至图卷积神经网络中的输入层；
需要说明的是，本步骤将所有的关联度值作为特征权重构建权重矩阵，通过使用关联度值作为特征权重，系统能够更加灵活地对待图中不同节点之间的关系，进而更好地捕捉节点之间的特征传播。这个权重矩阵将用于图卷积神经网络中，同时预设的激活函数也会被引入以进行非线性映射。
步骤S3032、将每个节点的特征数据与相邻节点的特征数据进行加权求和，并通过权重矩阵进行线性变换，得到线性变换后的特征数据信息；
可以理解的是，本步骤通过节点之间的加权求和和线性变换，系统能够考虑到相邻节点对于当前节点特征的贡献，使得更新后的特征更加准确反映节点在图结构中的位置和关联。
步骤S3033、基于激活函数将线性变换后的特征数据信息进行非线性映射，得到更新后的特征节点信息。
其中，本步骤通过ReLU激活函数的非线性映射，系统能够学习并捕捉数据中的更复杂的模式和特征。这有助于提高神经网络的表达能力。
步骤S304、将所有更新后特征节点信息进行池化操作，其中，将邻近节点的信息聚合成一个整体特征信息；
需要说明的是，本步骤通过对所有更新后的特征节点信息进行池化操作，以聚合邻近节点的信息。这有助于减少图的规模，提高计算效率。
步骤S305、将经过池化操作后的整体特征信息发送至全连接层，得到每个等级的第一信息对应的特征向量信息。
可以理解的是，本步骤中的全连接层能够通过学习权重和偏置，将输入的整体特征信息映射为每个等级的第一信息对应的特征向量信息，全连接层的使用使得系统能够更灵活地学习和提取不同等级的第一信息的特征，为后续的产能预测提供更具表征性的数据。
步骤S4、将所述第二信息发送至边缘计算节点内预设的因变量特征提取模型用于进行特征提取，得到水电站的历史产能特征信息；
需要说明的是，本步骤通过对水电站的历史产能信息进行特征提取，系统能够捕捉到对产能影响最大的因素和模式。这有助于建立一个更准确的模型，用于预测未来的产能情况。本步骤中，步骤S4包括步骤S401、步骤S402和步骤S403。
步骤S401、将所述第二信息进行分析，其中，将所述第二信息分为三个层级，所述三个层级为由上到下的包含关系，并基于两两层级对应的数据的重要性进行比较，构建得到判断矩阵；
可以理解的是，本步骤通过分析和构建判断矩阵，系统能够捕捉到历史产能信息中不同层级的重要性，从而更好地理解这些信息的层次结构和相互关系。
步骤S402、基于AHP算法计算判断矩阵中每个层级的权重，得到每个数据的相对重要性值；
需要说明的是，本步骤采用AHP算法，能够更精确地计算层级之间的相对重要性，确保后续的分析和处理基于准确的权重值进行。
步骤S403、将相对重要性值按照大小顺序进行排序，并将排序前十的第二信息作为水电站的历史产能特征信息。
其中，本步骤通过对相对重要性值的排序，系统能够明确历史产能信息中哪些信息对于产能的预测具有更高的相对重要性。
步骤S5、将每个等级的第一信息的特征向量和水电站的历史产能特征信息发送至边缘计算节点内进行关联分析，确定每个等级的第一信息的特征向量分别和水电站的历史产能特征信息之间的关联度值；
可以理解的是，本步骤通过计算等级的第一信息特征向量与水电站历史产能特征信息之间的关联度，为进一步的产能预测提供基础。本步骤中，步骤S5包括步骤S501和步骤S502。
步骤S501、将每个等级的第一信息的特征向量和水电站的历史产能特征信息进行无量纲化处理，其中，基于均值转换法分别对每个等级的第一信息的特征向量和水电站的历史产能特征信息进行计算，得到无量纲化后的特征向量和产能特征信息；
可以理解的是，本步骤通过无量纲化处理消除所述每个等级的一信息的特征向量和水电站的历史产能特征信息之间的差异，本步骤中采用均值转换法进行处理，
其中：为无量纲化处理后的参数，x为的某个等级的第一信息的特征向量或水电站的历史产能特征信息的样本，μ为某个等级的第一信息的特征向量或水电站的历史产能特征信息的样本均值；σ为某个等级的第一信息的特征向量或水电站的历史产能特征信息的样本标准差。
步骤S502、基于无量纲化后的特征向量和产能特征信息进行关系系数计算，得到每个无量纲化后的特征向量和产能特征信息的关系系数，并基于所述关系系数计算得到每个无量纲化后的特征向量和产能特征信息的关联度。
可以理解的是，本步骤中关系系数的计算公式如下所示：
其中：为每个等级的第一信息的特征向量f相对于水电站的历史产能特征信息k的关系系数；f为每个等级的第一信息的特征向量；k为历史产能特征信息；y(k)为所述特征向量对应的第一信息的获取时刻信息；x f(k)为获取水电站的历史产能特征信息的时刻信息；ρ为分辨系数，取值范围为[0,1]。
步骤S6、将每个等级的第一信息的特征向量、所述关联度值和第二信息发送至边缘计算节点内预设的产能预测模型用于进行产能预测，预测得到未来预设时间段的水电站的产能信息。
可以理解的是，本步骤通过结合多个信息源，包括每个等级的特征向量、关联度值和第二信息，产能预测模型能够提供更准确、综合的水电站历史产能信息的预测结果。本步骤中，步骤S6包括步骤S601、步骤S602和步骤S603。
步骤S601、将预设的每个等级的第一信息的历史特征向量、历史关联度值和第二信息进行分类，得到训练集和验证集；
步骤S602、将训练集发送至LSTM神经网络模型进行处理，其中对训练集内的数据以小时为单位进行分段，并将不同时段的训练集输入值LSTM神经网络进行处理，其中将所述关联度值作为权重向量进行数据处理，得到不同时段的输出数据，所述输出数据为不同时间段的产能信息；
需要说明的是，本步骤采用LSTM神经网络能够捕捉时间序列数据中的长期依赖关系，而将关联度值作为权重向量则有助于模型更好地利用不同信息源的重要性，提高产能预测的准确性。
步骤S603、将所述验证集与所述输出数据进行对比，得到对比结果，若所述对比结果为所述验证集与所述输出数据不一致，则采用不断调节权重向量，直至所述对比结果为所述验证集与所述输出数据一致，得到产能预测模型。
可以理解的是，本步骤通过不断调节权重向量，模型可以更准确地捕捉历史数据中的模式，提高预测的可靠性。
实施例2：
如图2所示，本实施例提供了一种边缘计算装置，参见图2，所述装置包括获取单元701、分析单元702、第一处理单元703、第二处理单元704、计算单元705和预测单元706。
获取单元701，用于获取第一信息和第二信息，所述第一信息包括水电站的天气信息、水位信息、水速信息和水温信息，所述第二信息为水电站的历史产能信息；
分析单元702，用于将所述第一信息发送至边缘计算节点内预设的分级模型用于进行聚类分析，得到至少两个等级的第一信息；
第一处理单元703，用于将所有等级的第一信息发送至边缘计算节点内预设的自变量特征转化模型用于进行特征转化，得到每个等级的第一信息的特征向量；
第二处理单元704，用于将所述第二信息发送至边缘计算节点内预设的因变量特征提取模型用于进行特征提取，得到水电站的历史产能特征信息；
计算单元705，用于将每个等级的第一信息的特征向量和水电站的历史产能特征信息发送至边缘计算节点内进行关联分析，确定每个等级的第一信息的特征向量分别和水电站的历史产能特征信息之间的关联度值；
预测单元706，用于将每个等级的第一信息的特征向量、所述关联度值和第二信息发送至边缘计算节点内预设的产能预测模型用于进行产能预测，预测得到未来预设时间段的水电站的产能信息。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种边缘计算设备，下文描述的一种边缘计算设备与上文描述的一种边缘计算方法可相互对应参照。
图3是根据示例性实施例示出的一种边缘计算设备800的框图。如图3所示，该边缘计算设备800可以包括：处理器801，存储器802。该边缘计算设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该边缘计算设备800的整体操作，以完成上述的边缘计算方法中的全部或部分步骤。
存储器802用于存储各种类型的数据以支持在该边缘计算设备800的操作，这些数据例如可以包括用于在该边缘计算设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。
I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。
通信组件805用于该边缘计算设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，边缘计算设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的边缘计算方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的边缘计算方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由边缘计算设备800的处理器801执行以完成上述的边缘计算方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种边缘计算方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的边缘计算方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
需要说明的是，对于前述的方法实施例，为了简便描述，故将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

Claims (6)

1.一种边缘计算方法，其特征在于，包括：
获取第一信息和第二信息，所述第一信息包括水电站的天气信息、水位信息、水速信息和水温信息，所述第二信息为水电站的历史产能信息；
将所述第一信息发送至边缘计算节点内预设的分级模型用于进行聚类分析，得到至少两个等级的第一信息；
将所有等级的第一信息发送至边缘计算节点内预设的自变量特征转化模型用于进行特征转化，得到每个等级的第一信息的特征向量；
将所述第二信息发送至边缘计算节点内预设的因变量特征提取模型用于进行特征提取，得到水电站的历史产能特征信息；
将每个等级的第一信息的特征向量和水电站的历史产能特征信息发送至边缘计算节点内进行关联分析，确定每个等级的第一信息的特征向量分别和水电站的历史产能特征信息之间的关联度值；
将每个等级的第一信息的特征向量、所述关联度值和第二信息发送至边缘计算节点内预设的产能预测模型用于进行产能预测，预测得到未来预设时间段的水电站的产能信息；
其中，将所述第一信息发送至边缘计算节点的分级模型进行聚类分析，包括：
将所述第一信息利用基于距离类的聚类算法进行聚类处理，得到至少两个聚类簇，每个所述聚类簇包括至少四个第一信息，其中，包括至少一个天气信息、至少一个水位信息、至少一个水速信息和至少一个水温信息；
基于拉依达准则计算每个所述聚类簇对应的阈值范围，并对所有的阈值范围进行分析，将所有阈值范围中最小的阈值范围对应的聚类簇作为异常聚类簇进行删除，得到删除异常数据的聚类簇的阈值范围信息；
将删除异常数据的聚类簇的阈值范围信息进行按照由大到小分级，并将每个第一信息发送至分类后的阈值范围进行对比，得到每个第一信息所属的等级；
其中，所述将所有等级的第一信息发送至边缘计算节点的自变量特征转化模型用于进行特征转化，包括：
将所述每个等级的第一信息内出现次数前二十的数据的作为特征数据，将每个等级的第一信息内的特征数据进行编码得到至少两个维数相同的第一信息分布矩阵；
基于灰色关联分析算法计算所述第一信息分布矩阵中两两特征数据的关联度值，并将所有的第一信息分布矩阵中的每个特征数据视为一个节点，将两两特征数据的所述关联度值作为两个节点之间的边；
基于结构特征提取神经网络算法进行图卷积操作，将每个节点的特征信息传递给相邻节点，并结合相邻节点的信息进行特征更新，得到更新后的特征节点信息；
将所有更新后特征节点信息进行池化操作，其中，将邻近节点的信息聚合成一个整体特征信息；
将经过池化操作后的整体特征信息发送至全连接层，得到每个等级的第一信息对应的特征向量信息；
其中，将所述第二信息发送至边缘计算节点内预设的因变量特征提取模型用于进行特征提取，包括：
将所述第二信息进行分析，其中，将所述第二信息分为三个层级，所述三个层级为由上到下的包含关系，并基于两两层级对应的数据的重要性进行比较，构建得到判断矩阵；
基于AHP算法计算判断矩阵中每个层级的权重，得到每个数据的相对重要性值；
将相对重要性值按照大小顺序进行排序，并将排序前十的第二信息作为水电站的历史产能特征信息；
其中，所述将每个等级的第一信息的特征向量和水电站的历史产能特征信息发送至边缘计算节点内进行关联分析，包括：
将每个等级的第一信息的特征向量和水电站的历史产能特征信息进行无量纲化处理，其中，基于均值转换法分别对每个等级的第一信息的特征向量和水电站的历史产能特征信息进行计算，得到无量纲化后的特征向量和产能特征信息；
基于无量纲化后的特征向量和产能特征信息进行关系系数计算，得到每个无量纲化后的特征向量和产能特征信息的关系系数，并基于所述关系系数计算得到每个无量纲化后的特征向量和产能特征信息的关联度；
其中，所述关系系数的计算公式，包括：
其中：为每个等级的第一信息的特征向量f相对于水电站的历史产能特征信息k的关系系数；f为每个等级的第一信息的特征向量；k为历史产能特征信息；y(k)为所述特征向量对应的第一信息的获取时刻信息；xf(k)为获取水电站的历史产能特征信息的时刻信息；ρ为分辨系数，取值范围为[0,1]；
其中，将每个等级的第一信息的特征向量、所述关联度值和第二信息发送至边缘计算节点内预设的产能预测模型用于进行产能预测，包括：
将预设的每个等级的第一信息的历史特征向量、历史关联度值和第二信息进行分类，得到训练集和验证集；
将训练集发送至LSTM神经网络模型进行处理，其中对训练集内的数据以小时为单位进行分段，并将不同时段的训练集输入值LSTM神经网络进行处理，其中将所述关联度值作为权重向量进行数据处理，得到不同时段的输出数据，所述输出数据为不同时间段的产能信息；
将所述验证集与所述输出数据进行对比，得到对比结果，若所述对比结果为所述验证集与所述输出数据不一致，则采用不断调节权重向量，直至所述对比结果为所述验证集与所述输出数据一致，得到产能预测模型。
2.根据权利要求1所述的边缘计算方法，其特征在于，所述基于结构特征提取神经网络算法进行图卷积操作，将每个节点的特征信息传递给相邻节点，包括：
将所有的关联度值作为特征权重构建权重矩阵，并将所述权重矩阵和预设的激活函数输入至图卷积神经网络中的输入层；
将每个节点的特征数据与相邻节点的特征数据进行加权求和，并通过权重矩阵进行线性变换，得到线性变换后的特征数据信息；
基于激活函数将线性变换后的特征数据信息进行非线性映射，得到更新后的特征节点信息。
3.根据权利要求1所述的边缘计算方法，其特征在于，所述并结合相邻节点的信息进行特征更新，包括：
基于特征更新的公式进行特征更新，其中，所述特征更新的公式如下所示：
其中，表示更新后的特征节点信息，表示ReLU激活函数，表示第i个节点到第j个节点的关联度值，表示第j个节点的特征，W表示权重矩阵，N表示节点数量。
4.一种边缘计算装置，其特征在于，包括：
获取单元，用于获取第一信息和第二信息，所述第一信息包括水电站的天气信息、水位信息、水速信息和水温信息，所述第二信息为水电站的历史产能信息；
分析单元，用于将所述第一信息发送至边缘计算节点内预设的分级模型用于进行聚类分析，得到至少两个等级的第一信息；
第一处理单元，用于将所有等级的第一信息发送至边缘计算节点内预设的自变量特征转化模型用于进行特征转化，得到每个等级的第一信息的特征向量；
第二处理单元，用于将所述第二信息发送至边缘计算节点内预设的因变量特征提取模型用于进行特征提取，得到水电站的历史产能特征信息；
计算单元，用于将每个等级的第一信息的特征向量和水电站的历史产能特征信息发送至边缘计算节点内进行关联分析，确定每个等级的第一信息的特征向量分别和水电站的历史产能特征信息之间的关联度值；
预测单元，用于将每个等级的第一信息的特征向量、所述关联度值和第二信息发送至边缘计算节点内预设的产能预测模型用于进行产能预测，预测得到未来预设时间段的水电站的产能信息；
其中，分析单元，包括：
将所述第一信息利用基于距离类的聚类算法进行聚类处理，得到至少两个聚类簇，每个所述聚类簇包括至少四个第一信息，其中，包括至少一个天气信息、至少一个水位信息、至少一个水速信息和至少一个水温信息；
基于拉依达准则计算每个所述聚类簇对应的阈值范围，并对所有的阈值范围进行分析，将所有阈值范围中最小的阈值范围对应的聚类簇作为异常聚类簇进行删除，得到删除异常数据的聚类簇的阈值范围信息；
将删除异常数据的聚类簇的阈值范围信息进行按照由大到小分级，并将每个第一信息发送至分类后的阈值范围进行对比，得到每个第一信息所属的等级；
其中，第一处理单元，包括：
将所述每个等级的第一信息内出现次数前二十的数据的作为特征数据，将每个等级的第一信息内的特征数据进行编码得到至少两个维数相同的第一信息分布矩阵；
基于灰色关联分析算法计算所述第一信息分布矩阵中两两特征数据的关联度值，并将所有的第一信息分布矩阵中的每个特征数据视为一个节点，将两两特征数据的所述关联度值作为两个节点之间的边；
基于结构特征提取神经网络算法进行图卷积操作，将每个节点的特征信息传递给相邻节点，并结合相邻节点的信息进行特征更新，得到更新后的特征节点信息；
将所有更新后特征节点信息进行池化操作，其中，将邻近节点的信息聚合成一个整体特征信息；
将经过池化操作后的整体特征信息发送至全连接层，得到每个等级的第一信息对应的特征向量信息；
其中，第二处理单元，包括：
将所述第二信息进行分析，其中，将所述第二信息分为三个层级，所述三个层级为由上到下的包含关系，并基于两两层级对应的数据的重要性进行比较，构建得到判断矩阵；
基于AHP算法计算判断矩阵中每个层级的权重，得到每个数据的相对重要性值；
将相对重要性值按照大小顺序进行排序，并将排序前十的第二信息作为水电站的历史产能特征信息；
其中，计算单元，包括：
将每个等级的第一信息的特征向量和水电站的历史产能特征信息进行无量纲化处理，其中，基于均值转换法分别对每个等级的第一信息的特征向量和水电站的历史产能特征信息进行计算，得到无量纲化后的特征向量和产能特征信息；
基于无量纲化后的特征向量和产能特征信息进行关系系数计算，得到每个无量纲化后的特征向量和产能特征信息的关系系数，并基于所述关系系数计算得到每个无量纲化后的特征向量和产能特征信息的关联度；
其中，所述关系系数的计算公式，包括：
其中：为每个等级的第一信息的特征向量f相对于水电站的历史产能特征信息k的关系系数；f为每个等级的第一信息的特征向量；k为历史产能特征信息；y(k)为所述特征向量对应的第一信息的获取时刻信息；xf(k)为获取水电站的历史产能特征信息的时刻信息；ρ为分辨系数，取值范围为[0,1]；
其中，预测单元，包括：
将预设的每个等级的第一信息的历史特征向量、历史关联度值和第二信息进行分类，得到训练集和验证集；
将训练集发送至LSTM神经网络模型进行处理，其中对训练集内的数据以小时为单位进行分段，并将不同时段的训练集输入值LSTM神经网络进行处理，其中将所述关联度值作为权重向量进行数据处理，得到不同时段的输出数据，所述输出数据为不同时间段的产能信息；
将所述验证集与所述输出数据进行对比，得到对比结果，若所述对比结果为所述验证集与所述输出数据不一致，则采用不断调节权重向量，直至所述对比结果为所述验证集与所述输出数据一致，得到产能预测模型。
5.一种边缘计算设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至3任一项所述的边缘计算方法。
6.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的边缘计算方法。
CN202410601330.XA 2024-05-15 2024-05-15 一种边缘计算方法、装置、设备及可读存储介质 Active CN118171088B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410601330.XA CN118171088B (zh) 2024-05-15 2024-05-15 一种边缘计算方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410601330.XA CN118171088B (zh) 2024-05-15 2024-05-15 一种边缘计算方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN118171088A CN118171088A (zh) 2024-06-11
CN118171088B true CN118171088B (zh) 2024-07-26

Family

ID=91346909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410601330.XA Active CN118171088B (zh) 2024-05-15 2024-05-15 一种边缘计算方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN118171088B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110535845A (zh) * 2019-08-21 2019-12-03 四川中鼎科技有限公司 一种基于物联网的水电站群远程数据服务方法、系统、终端及存储介质
CN112732774A (zh) * 2020-12-16 2021-04-30 北京航天智造科技发展有限公司 基于边缘计算的智能生产检测系统及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104281674B (zh) * 2014-09-29 2017-07-11 同济大学 一种基于集聚系数的自适应聚类方法及系统
CN110909862A (zh) * 2019-10-11 2020-03-24 平安科技（深圳）有限公司 基于卷积神经网络的注意力权重计算方法和装置
CN112883581B (zh) * 2021-03-09 2023-04-07 国能大渡河猴子岩发电有限公司 水电站生产控制处理方法及系统
CN114386681A (zh) * 2021-12-28 2022-04-22 南京聚润信息科技有限公司 一种水光出力联合预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110535845A (zh) * 2019-08-21 2019-12-03 四川中鼎科技有限公司 一种基于物联网的水电站群远程数据服务方法、系统、终端及存储介质
CN112732774A (zh) * 2020-12-16 2021-04-30 北京航天智造科技发展有限公司 基于边缘计算的智能生产检测系统及方法

Also Published As

Publication number Publication date
CN118171088A (zh) 2024-06-11

Similar Documents

Publication Publication Date Title
CN114285728B (zh) 一种预测模型训练方法、流量预测方法、装置及存储介质
Li et al. Predicting Short‐Term Electricity Demand by Combining the Advantages of ARMA and XGBoost in Fog Computing Environment
CN110267292B (zh) 基于三维卷积神经网络的蜂窝网络流量预测方法
CN109116299B (zh) 一种指纹定位方法、终端、计算机可读存储介质
CN113286315B (zh) 负载均衡判断方法、装置、设备及存储介质
CN112801411B (zh) 一种基于生成对抗网络的网络流量预测方法
CN113205223A (zh) 一种电量预测系统及其预测方法
CN116523148A (zh) 一种配电网配变重过载预警方法、装置和设备
Gao et al. A deep learning framework with spatial-temporal attention mechanism for cellular traffic prediction
CN118003961B (zh) 智能充电桩集群控制系统及方法
CN116885703B (zh) 一种高维多元气象数据融合的短期风光功率预测方法
CN118171088B (zh) 一种边缘计算方法、装置、设备及可读存储介质
CN113240098B (zh) 基于混合门控神经网络的故障预测方法、装置和存储介质
KR102507185B1 (ko) 전력 계통 클러스터링 방법 및 장치
Lu et al. Anomaly Recognition Method for Massive Data of Power Internet of Things Based on Bayesian Belief Network
CN118199061B (zh) 一种可再生能源的短期功率预测方法及系统
CN116342077B (zh) 一种适用于数据缺失场站的新能源功率迁移学习预测方法
CN113762485B (zh) 一种基于注意力机制的多数据集联合预测方法
CN117394308B (zh) 一种多时间尺度风力发电功率预测方法、系统及电子设备
Liu et al. Micro-service anomaly detection based on second-order nearest neighbor
CN118034992B (zh) 基于ems的储能系统非定期运维方法及系统
CN118152870A (zh) 一种基于组合模型的配电网供电可靠性预测方法及系统
CN118445648A (zh) 产消者的多次聚类方法、系统
CN118644019A (zh) 一种应用于云边协同的能源管理方法及相关设备
CN115375042A (zh) 一种居民用户集群负荷预测方法、系统、设备及介质

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