CN110677300B - 基于移动边缘计算的电力安管视频智能分流装置及方法 - Google Patents
基于移动边缘计算的电力安管视频智能分流装置及方法 Download PDFInfo
- Publication number
- CN110677300B CN110677300B CN201910953248.2A CN201910953248A CN110677300B CN 110677300 B CN110677300 B CN 110677300B CN 201910953248 A CN201910953248 A CN 201910953248A CN 110677300 B CN110677300 B CN 110677300B
- Authority
- CN
- China
- Prior art keywords
- module
- shunting
- value
- evaluation module
- calculation
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 85
- 238000004458 analytical method Methods 0.000 claims abstract description 81
- 238000005457 optimization Methods 0.000 claims abstract description 55
- 238000005265 energy consumption Methods 0.000 claims abstract description 41
- 230000011218 segmentation Effects 0.000 claims abstract description 39
- 238000012821 model calculation Methods 0.000 claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000007906 compression Methods 0.000 claims abstract description 19
- 230000006835 compression Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims description 73
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000005562 fading Methods 0.000 claims description 10
- 239000013307 optical fiber Substances 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 18
- 238000012360 testing method Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 8
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000009430 construction management Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/10—Architectures or entities
- H04L65/1013—Network architectures, gateways, control or user entities
-
- 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
- H04L41/12—Discovery or management of network topologies
-
- 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
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/60—Network streaming of media packets
- H04L65/75—Media network packet handling
-
- 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
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- 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
-
- 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
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供一种基于移动边缘计算的电力安管视频智能分流装置及方法，该装置包括分流策略优化评估模块及与分流策略优化评估模块连接的场景探测模块、动态变化区域分割模块、模型计算开销评估模块、模型能耗开销评估模块、设备状态监测单元、本地分析模块、压缩分流模块；分流策略优化评估模块用于存储场景探测和区域分割的画面，并确定并优化分流策略，将其分流至本地分析模块、相邻边缘分析单元或视频处理云端分析单元进行智能识别。本发明能够根据边缘设备运行状态自适应调整分流策略，通过移动边缘设备实现多路视频的汇聚、压缩分流内容、优化分流策略、调度分流任务，解决视频时延、平衡终端能耗、降低流量开销、提高安管效率。
Description
技术领域
本发明涉及电力***与视频安全管理领域，具体是一种基于移动边缘计算的电力安管视频智能分流装置及方法。
背景技术
电力的安全稳定运行具有特别重要的意义，涉及发电、输电、变电、配电、用电等各个环节，这是由电力生产的特点和电网事故的严重后果所决定的，电网事故导致用户的停电，在经济、政治上的影响是十分巨大的。随着社会的发展，对电能的需求日益增大，促使电力的各种设备不断增长，因此加强对电力的监控，是保障电力安全稳定运行的主要预防措施。
由于电力作业场所的高危险性以及安全风险等特性，巡检机器人、输电线路无人直升机智能巡检***以及车载、单兵等移动视频设备的接入，可以代替人工“执勤”，满足随时随地对变电站内外部进行监控及巡检的安防需求。特别是在存在积水、光线黑暗、通风不足，甚至有毒有害气体的电力遂道内，巡检机器人将发挥重要的应用价值，可以代替人员进行常规巡检，保证电力隧道内设备的正常工作，防止偷盗、私拉电线等非法行为。国家电网引入电力***统一视频监控平台实现变电站、输电线路、信息通信机房和营业场所等的全面视频接入，从而替代“人工执勤”。考虑到现有视频监控***覆盖有限，带宽不足，灵活性差等问题，电力安全施工管理逐渐采用更加灵活的便携式现场作业监控终端作为补充，并通过3G/4G无线网络实现视频回传。此外，电力安全施工管理***的后端编码处理设备必须集成并统一管理视频数据、环境数据、动力数据、报警数据等各子***信息，实现数据之间的联动报警，建立起实现变电站设备安全、人员安全以及环境安全的全方位立体化安全管控体系，才能最终保证整个智能电网***安全、稳定和可靠运行。
鉴于移动网络覆盖、网络传输时延、网络稳定性、网络拥塞程度等问题，采用移动视频设备监控不可避免地会引入传输时延、传输中断、传输能耗和流量成本，影响视频质量、安管效率、运营成本和视频分析性能。
发明内容
针对目前通过移动边缘设备进行视频分流的不足和电力安全生产管理监控的需求，本发明提供一种基于移动边缘计算的电力安管视频智能分流装置及方法，其将分流至靠近视频探头的移动边缘计算设备(部署在视频探头附近的边缘计算装置)上，通过移动边缘设备实现多路视频的汇聚、压缩分流内容、优化分流策略、调度分流任务，以实现降低视频时延、平衡终端能耗、降低流量开销、提高安管效率的目的。
为实现上述目的，本发明采用如下技术方案：
一种基于移动边缘计算的电力安管视频智能分流装置，包括分流策略优化评估模块及与分流策略优化评估模块连接的场景探测模块、动态变化区域分割模块、模型计算开销评估模块、模型能耗开销评估模块、设备状态监测单元、本地分析模块、压缩分流模块；所述分流策略优化评估模块用于存储场景探测和区域分割的画面，并以目标识别模型的计算开销S1、能耗开销、边缘计算设备的可用计算资源值T1、存储资源值T2、供电状态值T3和网络状态值T4为依据，确定并优化分流策略，将其分流至本地分析模块、相邻边缘分析单元或视频处理云端分析单元进行智能识别，所述能耗开销包括有线局域网的传输损耗
和无限广域网的电磁波在传输路径中的衰落Lbf。
进一步的，所述分流策略的优化目标为：
其中θ取值为1或者0，表示选择或不选择本地分析模块，Si1是第i个设备的目标识别模型计算开销，S1为目标识别模型的计算开销，是模型计算开销评估模块传送过来的设备开销等级值，可用计算资源值T1、存储资源值T2、供电状态值T3、网络状态值T4是由设备状态监测单元获得；Ti1是第i个设备的可用计算资源值，Ti2是第i个设备的存储资源值，Ti3是第i个设备的供电状态值，Ti4是第i个设备的网络状态值；Loss函数描述网络传输损耗，利用了电磁波在有线局域网的传输损耗计算公式和电磁波在自由空间中的衰落公式，其中
为有线局域网的传输损耗，描述了电磁波沿光纤传输的衰减，Lj描述了设备到设备之间的距离，对应于网络拓扑图中的边；选取拓扑图中的K个设备，直至三个目标函数达到最佳值，即完成分流策略制定任务，K个设备随机选取，包括本地分析模块、相邻边缘分析单元或视频处理云端分析单元。
进一步的，所述场景探测模块，用于针对电力安管特点和不同场景下管控目标对象和管控任务的差异性，从视频画面背景中提取关键特征，并确定当前作业场景，检测当前场景下的目标类别，将目标类别检测结果反馈给分流策略优化评估模块以降低目标识别分类数量。
进一步的，所述动态变化区域分割模块，用于通过背景和前景差分实现动态变化识别和区域分割，将分割后的多个变化区域图片转交给分流策略优化评估模块，分流策略优化模块根据优化目标选择K个分析单元，将区域分割图片分流给各个单元进行分析。
进一步的，所述模型计算开销评估模块，用于根据该设备上的历史分类性能测量并构建模型计算开销评估模型，并建立计算开销性能评估表，该表描述不同识别算法、指令集、待识类别尺寸、种类和数量和电量等级条件下对应的计算时延，取表中与之相关系数绝对值最高的性能指标对应的时延作为其预估计算开销S1，并将该值传给分流策略优化评估模块。
进一步的，所述模型能耗开销评估模块，用于计算局域网络传输能耗和广域无线网络传输能耗。
进一步的，所述设备状态监测单元，用于以固定的采样周期，对边缘设备上的剩余电量、可用计算资源、传输速率、分析时延进行监测，具体地，以指定周期T对设备进行采样，获取剩余电量Q(单位：度)、内存剩余量SP(单位：MB)、CPU/GPU可用计算资源U(单位：MiB)，设备传输速率P(单位：Mbps)、分析时延Danl(单位：张/秒)，可用计算资源T1即U，存储资源T2即SP，供电状态T3由剩余电量Q表示，网络状态T4由传输速率P表述。
进一步的，所述本地分析模块，用于接受场景画面、目标分类和动态分割结果，采用深度学习算法对安管事件进行识别和分类；所述压缩分流模块，用于根据分流策略，将场景画面、目标分类和动态分割结果集转交给相邻边缘设备或云端服务器进行事件识别和分类。
一种基于移动边缘计算的电力安管视频智能分流方法，其特征在于：采用上述装置进行，所述方法包括以下步骤：
步骤1：所述场景探测模块从视频画面背景中提取关键特征，并确定当前作业场景，将结果反馈给分流策略优化评估模块以降低目标识别分类数量，降低边缘设备分析任务量；
步骤2：所述动态变化区域分割模块从视频画面的动态变化中分析各种安全事件和隐患，以参考场景背景为基础，通过背景和前景差分实现动态变化识别和区域分割，将分割后的多个变化区域转交给分流策略单元进行评估和分析；
步骤3：通过模型计算开销评估模块来得到计算开销，模块根据该设备上的历史分类性能测量并构建模型计算开销评估模型，并建立计算开销性能评估表，该表描述不同识别算法、指令集、待识类别尺寸、种类和数量和电量等级条件下对应的计算时延，根据该表，得到设备当前状态的计算时延，并将计算时延传递给分流策略优化评估模块；
步骤4：通过模型能耗开销评估单元模块来得到模型能耗开销，并将能耗开销传递给分流策略优化评估模块；
步骤5：通过设备状态监测单元，构建设备状态等级表，通过查表获取设备状态：可用计算资源T1即U，存储资源T2即SP，供电状态T3由剩余电量Q表示，网络状态T4由传输速率P表述，并传递给分流策略优化评估模块；
步骤6：通过分流策略优化评估模块，对其他各模块传递过来的数据进行处理，从而决策出分流策略，将图片分析任务分流给本地分析模块、相邻边缘分析单元或视频处理云端分析单元进行智能识别；
步骤7：本地分析模块对传输过来的数据进行分析。
进一步的，所述分流策略的优化目标为：
其中θ取值为1或者0，表示选择或不选择本地分析模块，Si1是第i个设备的目标识别模型计算开销，S1为目标识别模型的计算开销，是模型计算开销评估模块传送过来的设备开销等级值，可用计算资源值T1、存储资源值T2、供电状态值T3、网络状态值T4是由设备状态监测单元获得；Ti1是第i个设备的可用计算资源值，Ti2是第i个设备的存储资源值，Ti3是第i个设备的供电状态值，Ti4是第i个设备的网络状态值；Loss函数描述网络传输损耗，利用了电磁波在有线局域网的传输损耗计算公式和电磁波在自由空间中的衰落公式，其中
为有线局域网的传输损耗，描述了电磁波沿光纤传输的衰减，Lj描述了设备到设备之间的距离，对应于网络拓扑图中的边；选取拓扑图中的K个设备，直至三个目标函数达到最佳值，即完成分流策略制定任务，K个设备随机选取，包括本地分析模块、相邻边缘分析单元或视频处理云端分析单元。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、通过移动边缘设备实现多路视频的汇聚、压缩分流内容、优化分流策略、调度分流任务，解决视频时延、平衡终端能耗、降低流量开销、提高安管效率；
2、本发明为解决国家电网变电站、输电线路、信息通信机房和营业场所等的全面监控，提出结合便携式移动视频设备的一个全面监控***，该***简洁、完善，能够满足多场景下的监管任务；
3、本发明的创新点在于提出的智能分流策略，该策略保证了***的稳定性、实时性、准确性，降低了网络传输时延、传输中断、传输能耗，该智能分流策略能够将任务分配给其他边缘设备和云端，速度快、稳定性高、功耗小；
4、本发明的创新点还在于将深度学习应用到电网场景，利用深度学习算法的高检测准确度来提高电网安全事件检测准确度；
5、本发明为减轻模型分析任务，提出区域分割模块，从视频画面中动态分割出感兴趣的安全事件和隐患画面，从而降低了分流负担；
6、本发明为降低目标识别和分类任务，提出场景探测模块，从动态画面中提前探测画面场景，从而提高检测任务的准确度、降低检测任务负担。
附图说明
图1是本发明基于移动边缘计算的电力安管视频智能分流装置的结构示意图；
图2是本发明基于移动边缘计算的电力安管视频智能分流方法的流程示意图；
图3是本发明构建的视频分析设备的网络拓扑图；
图4是本发明根据设备历史状态构建的设备状态等级表。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例提供一种基于移动边缘计算的电力安管视频智能分流装置，根据边缘设备运行状态自适应调整分流策略，如图1所示，本发明装置包括分流策略优化评估模块及与分流策略优化评估模块连接的场景探测模块、动态变化区域分割模块、模型计算开销评估模块、模型能耗开销评估模块、设备状态监测单元、本地分析模块、压缩分流模块。下面对各模块的作用及功能进行详细说明。
分流策略优化评估模块：
该模块是本分流框架的核心模块，用于存储场景探测和区域分割的画面，并以目标识别模型的计算开销S1、能耗开销(包括有线局域网的传输损耗
和无限广域网的电磁波在传输路径中的衰落Lbf)、边缘计算设备(具体的有LCS边缘计算设备、Link Edge边缘计算设备等)的可用计算资源值T1、存储资源值T2、供电状态值T3和网络状态值T4为依据，确定并优化分流策略，将其分流至本地分析模块Local_Block(对应于本地边缘计算设备)、相邻边缘分析单元Neighbor_Block＝{Block1、Block2、...、BlockM}(对应图1移动边缘网关)或视频处理云端分析单元Cloud_Block(对应图1视频分析云服务器)进行智能识别最大限度降低网络传输开销和流量，均衡边缘设备负载和能耗。
所述分流策略具体如下：
1.根据设备分布状况，构建如图3所示的网络拓扑图，边的权重用距离描述；
2.分流策略的优化目标为：
其中θ取值为1或者0，表示选择或不选择本地分析模块，Si1是第i个设备的目标识别模型计算开销，S1为本地目标识别模型的计算开销，是模型计算开销评估模块传送过来的设备开销等级值，Ti1是第i个设备的可用计算资源值，Ti2是第i个设备的存储资源值，Ti3是第i个设备的供电状态值，Ti4是第i个设备的网络状态值；本地可用计算资源值T1、本地存储资源值T2、本地供电状态值T3、本地网络状态值T4，这些值是由设备状态监测单元获得。Loss函数描述网络传输损耗，利用了电磁波在有线局域网的传输损耗计算公式和电磁波在自由空间中的衰落公式，其中
为有线局域网的传输损耗，描述了电磁波沿光纤传输的衰减，Lj描述了设备到设备之间的距离，对应于图3中的边；选取拓扑图中的K个设备(随机选取K个设备，其中包括本地分析设备和云端分析设备)，直至三个目标函数达到最佳值，即完成分流策略制定任务。
3.利用压缩单元对数据进行压缩，然后按照分流策略，将数据传送给这K个设备进行分析。
场景探测模块：针对电力安管特点和不同场景下管控目标对象和管控任务的差异性，从视频画面背景中提取关键特征，并确定当前作业场景，检测当前场景下的目标类别，将目标类别检测结果反馈给分流策略优化评估模块以降低目标识别分类数量，降低边缘设备分析任务量。
确定作业场景的方法如下：
1.电网作业场景包括：变压器、高压开关、避雷器、刀闸、杆塔、输电线、台变、环网柜、分支箱、电缆井沟；
2.制作各场景下的数据集，并对场景标志物进行标识；
3.制作深度学习模型，利用场景数据对深度学习模型进行训练；
4.使用训练好的深度学习模型识别当下视频流中的场景，并将属于同一场景的视频画面归类为同一数据，传送给分流策略优化评估模块。
动态变化区域分割模块：电力安管监控过程中，仅需从视频画面中的动态变化中分析各种安全事件和隐患。以参考场景背景为基础，通过背景和前景差分实现动态变化识别和区域分割，将分割后的多个变化区域图片转交给分流策略优化评估模块，分流策略优化模块根据优化目标选择K个分析单元，将区域分割图片分流给各个单元进行分析。
使用区域生长进行区域分割方法如下：
1.选取图像中的n个像素点作为种子点Seed＝{Sd1、Sd2、...、Sdn}；
2.在种子点Sdi处选取8个最近的像素点作为待拓展点，计算该点与领域像素点的相似度，如果相似度小于门限值Thrd，则认为该像素属于种子点同一区域，经过此步骤，形成了n个区域；
3.接下来对n个区域进行拓展，按照步骤2的拓展方式，逐渐将区域外的点拓展到区域内，直到区域外的像素点不再满足与区域中的像素点的相似度值小于门限值Thrd时，该区域停止生长。
具体地，步骤2中的相似度判定准则如下：
1.将RGB空间进行非线性变换得到YCbCr彩色空间，具体如下所示：
2.利用像素点的颜色特征值来计算相似度，以区域外某一像素点A为例，取距离A最近的m*m个点形成的一个像素区，计算出该区域Y的局部平均值
Cb局部平均值
Cr的局部平均值
再利用如下公式来计算像素点A与区域中的像素点B的颜色相似度；
使用区域生长算法以及像素颜色特征，可以将图片划分成多个不同区域，将分割后的区域传递给分流策略优化评估模块。
模型计算开销评估模块：边缘设备异构性导致相同的分类识别任务的计算开销和时间开销差异较大，本模块根据该设备上的历史分类性能测量并构建模型计算开销评估模型，并建立计算开销性能评估表，该表描述不同识别算法、指令集、待识类别尺寸、种类和数量和电量等级条件下对应的计算时延。
具体计算方法如下：
1.结合历史分类时的性能来估算计算开销，性能指标包含：识别算法MT{MT1、MT2、...MTT}、指令集数目Num、待识别类别尺寸Size、待识别类别种类数Class、待识别目标数目All、设备剩余电量Q，计算时延Dcal；
2.根据这些指标构建计算开销性能评估表，由于表中数据要用来计算相似度，所以需要进行归一化来形成无量纲数据，具体地采用z-score方法标准化：
其中，x表示表中各性能指标，
表示指标平均值，σ为指标方差，x′为标准化之后的指标值。
3.获取当前设备各项性能指标，得性能指标向量u＝{MTi、Num′、Size‘、Class′、All′、Q′}，先按照步骤2中的公式对其标准化，再按照如下公式，使用皮尔逊相关系数计算该向量与表中各行相似度s(u，v)，取表中与之相关系数绝对值最高的性能指标对应的时延作为其预估计算开销S1，并将该值传给分流策略优化评估模块。
其中，ru，i表示u的第i个指标值，
表示u指标向量的均值，rv，i表示表中某一行v的第i个指标的值，
表示v指标向量的均值。s(u，v)的值域是[-1，1]，其绝对值越大，则表明u与v相关度越高。
模型能耗开销评估模块：在本框架下，能耗开销具体包括计算局域网络传输能耗和广域无线网络传输能耗等。不同分流策略导致能耗差异大，但考虑到信号在传输过程中受多方面因素影响，分流策略制定过程中需平衡几种能耗，以尽可能减少数据传输过程中的损耗。
具体能耗计算方法如下：
1.在局域网络(LAN)中，影响数据传输能耗的因素有很多，例如：光纤吸收损耗、本征吸收损耗、散射损耗等，都会使信号到达不同接收端时产生不同的信号强度，因此有必要选择小的传输损耗，来保证信号不失真，有线局域网的传输损耗计算公式如下：
2.无线广域网络(WWAN)中的传输能耗有很多方法，例如：阴影效应、多径效应、远近效应、多普勒效应等，用自由空间损耗来描述无限广域网的电磁波在传输路径中的衰落，具体计算公式如下：
Lbf＝32.5+20lgF+20lgD
其中，Lbf描述的是电磁波的损耗，单位是dB；F是电磁波传输频率，单位MHZ；D是电磁波传输距离，单位km。
设备状态监测单元：本监测单元以固定的采样周期，对边缘设备上的剩余电量、可用计算资源、传输速率、分析时延进行监测，分流单元根据设备状态自适应地调整调度策略。
具体地，以指定周期T对设备进行采样，获取剩余电量Q(单位：度)、内存剩余量SP(单位：MB)、CPU/GPU可用计算资源U(单位：MiB)，设备传输速率P(单位：Mbps)、分析时延Danl(单位：张/秒)。可用计算资源T1即U，存储资源T2即SP，供电状态T3由剩余电量Q表示，网络状态T4由传输速率P表述，为了方便T1、T2、T3、T4参与计算，需要对设备的状态进行分等级，使用等级值参与计算。
具体地，根据设备历史状态获取U、SP、Q、P的值域，分别用[Umin，Umax]、[SPmin，SPmax]、[Qmin，Qmax]、[Pmin，Pmax]表述，将区间划分为N份，相应的等级分别为[1，2，...，N]，制定出等级表格，具体表格如图4所示，获取设备当前状态之后，查表获取T1、T2、T3、T4的等级值，传递给分流策略优化评估模块。
本地分析模块：本地分析接受场景画面、目标分类和动态分割结果，采用深度学习算法对安管事件进行识别和分类。
具体地本地识别流程如下：
1.对于不同场景，确定待检测安管事件目标为{Obj1、Obj2、......、Objm}，按照VOC数据集标准，制作训练集Train(图片数目设为L1张)，验证集Val(图片数目设为L2张)，测试集Test(图片数目设为L3张)，保证L1∶L2∶L3≈6∶2∶2；
2.选择合适目标检测算法，设置训练参数，将训练集和验证集输入深度学***均准确度Arc＞＝Thrd时，模型训练完毕；当测试平均准确度Arc＜Thrd时，调整训练参数，重新训练，直至当测试平均准确度Arc＞＝Thrd。
3.配置好本地设备的运行环境，将模型配置到本地设备，对场景画面、动态分割画面进行识别与分类。
压缩分流模块：压缩分流则根据分流策略，将场景画面、目标分类和动态分割结果集转交给相邻边缘设备或云端服务器进行事件识别和分类。
具体地如图3，压缩与分流方法如下：
1.对场景画面、目标分类和动态分割结果集按场景进行压缩，得压缩数据G＝{G1、G2、...、Gn}，其中n为场景数，其中，Gi是场景i下场景画面、目标分类和动态分割结果集的压缩结果；
2.具体压缩方法可以采用Run-Length Encoding方法，图片在许多地方将包含相同的颜色，因此会存在诸多相同数据，采用Run-Length Encoding方法可以减少传输数据量。
如图2所示，本发明实施例还提供一种基于移动边缘计算的电力安管视频智能分流方法，可采用上述装置进行，所述方法包括以下步骤：
步骤1：所述场景探测模块从视频画面背景中提取关键特征，并确定当前作业场景，将结果反馈给分流策略优化评估模块以降低目标识别分类数量，降低边缘设备分析任务量；
具体地，步骤1的具体步骤如下：
(1-1)电网作业场景包括：变压器、高压开关、避雷器、刀闸、杆塔、输电线、台变、环网柜、分支箱、电缆井沟；
(1-2)制作各场景下的数据集，并对场景标志物进行标识；
(1-3)制作深度学习模型，利用场景数据对模型进行训练；
(1-4)使用训练好的模型识别当下视频流中的场景，并将属于同一场景的视频画面归类为同一数据，传送给分流策略模块。
步骤2：所述动态变化区域分割模块从视频画面的动态变化中分析各种安全事件和隐患。以参考场景背景为基础，通过背景和前景差分实现动态变化识别和区域分割，将分割后的多个变化区域转交给分流策略单元进行评估和分析；
具体地，步骤2的具体步骤如下：
(2-1)选取图像中的n个像素点作为种子点Seed＝{Sd1、Sd2、...、Sdn}；
(2-2)在种子点Sdi处选取8个最近的像素点作为待拓展点，计算该点与领域像素点的相似度，如果相似度小于门限值Thrd，则认为该像素属于种子点同一区域，经过此步骤，形成了n个区域；
(2-3)接下来对n个区域进行拓展，按照步骤2的拓展方式，逐渐将区域外的点拓展到区域内，直到区域外的像素点不再满足与区域中的像素点的相似度值小于门限值Thrd时，该区域停止生长。
具体地，步骤(2-2)中的相似度判定准则如下：
(2-2-1)将RGB空间进行非线性变换得到YCbCr彩色空间，具体如下所示：
(2-2-2)利用像素点的颜色特征值来计算相似度，以区域外某一像素点A为例，取距离A最近的m*m个点形成的一个像素区，计算出该区域Y的局部平均值
Cb局部平均值
Cr的局部平均值
再利用如下公式来计算像素点A与区域中的像素点B的颜色相似度；
使用区域生长算法以及像素颜色特征，可以将图片划分成多个不同区域，将分割后的区域传递给分流策略优化评估模块。
步骤3：通过模型计算开销评估模块来得到计算开销，模块根据该设备上的历史分类性能测量并构建模型计算开销评估模型，并建立计算开销性能评估表，该表描述不同识别算法、指令集、待识类别尺寸、种类和数量和电量等级条件下对应的计算时延，根据该表，得到设备当前状态的计算时延，并将计算时延传递给分流策略优化评估模块；
具体地，步骤3的具体步骤如下：
(3-1)结合历史分类时的性能来估算计算开销，性能指标包含：识别算法MT{MT1、MT2、...MTT}、指令集数目Num、待识别类别尺寸Size、待识别类别种类数Class、待识别目标数目All、设备剩余电量Q，计算时延Dcal；
(3-2)根据这些指标构建计算开销性能评估表，由于表中数据要用来计算相似度，所以需要进行归一化来形成无量纲数据，具体地采用z-score标准化：
(3-3)获取当前设备各项性能指标，得性能指标向量u＝{MTi、Num′、Size‘、Class′、All′、Q′}，先对其标准化，再按照如下公式，使用皮尔逊相关系数计算该向量与表中各行相似度，取表中与之相关系数绝对值最高的性能指标对应的时延作为其预估计算开销S1，并将该值传给分流策略优化评估模块。
其中，ru，i表示u的第i个指标值，
表示u指标向量的均值，rv，i表示表中某一行v的第i个指标的值，
表示v指标向量的均值。相关系数的取值范围是[-1，1]。相关系数的绝对值越大，则表明u与v相关度越高。
步骤4：通过模型能耗开销评估单元模块来得到模型能耗开销，并将能耗开销传递给分流策略优化评估模块；
具体地、步骤4的具体步骤如下：
(4-1)在局域网络(LAN)中，影响数据传输能耗的因素有很多，例如：光纤吸收损耗、本征吸收损耗、散射损耗等，都会使信号到达不同接收端时产生不同的信号强度，因此有必要选择小的传输损耗，来保证信号不失真，有线局域网的传输损耗计算公式如下：
(4-2)无线广域网络(WWAN)中的传输能耗有很多方法，例如：阴影效应、多径效应、远近效应、多普勒效应等，用自由空间损耗来描述无限广域网的电磁波在传输路径中的衰落，具体计算公式如下：
Lbf＝32.5+20lgF+20lgD
其中，Lbf描述的是电磁波的损耗，单位是dB；F是电磁波传输频率，单位MHZ；D是电磁波传输距离，单位km。
步骤5：通过设备状态监测单元，构建设备状态等级表，通过查表获取设备状态，并传递给分流策略优化评估模块；
具体地，步骤5的具体步骤如下：
(5-1)以指定周期T对设备进行采样，获取剩余电量Q(单位：度)、内存剩余量SP(单位：MB)、CPU/GPU可用计算资源U(单位：MiB)，设备传输速率P(单位：Mbps)、分析时延Danl(单位：张/秒)。
(5-2)可用计算资源T1即U，存储资源T2即SP，供电状态T3由剩余电量Q表示，网络状态T4由传输速率P表述，为了方便T1、T2、T3、T4参与计算，需要对设备的状态进行分等级，使用等级值参与计算。
(5-3)具体地，根据设备历史状态获取U、SP、Q、P的值域，分别用[Umin，Umax]、[SPmin，SPmax]、[Qmin，Qmax]、[Pmin，Pmax]表述，将区间划分为N份，相应的等级分别为[1，2，...，N]，制定出等级表格，具体表格如图4所示，获取设备当前状态之后，查表获取T1、T2、T3、T4的等级值，传递给分流策略优化评估模块。
步骤6：通过分流策略优化评估模块，对其他各模块传递过来的数据进行处理，从而决策出分流策略，将图片分析任务分流给本地分析模块、相邻边缘分析单元或视频处理云端分析单元进行智能识别；
具体地，步骤6的具体步骤如下：
(6-1)根据设备分布状况，构建如图3所示的网络拓扑图，边的权重用距离描述；
(6-2)分流策略的优化目标为：
其中θ取值为1或者0，表示选择或不选择本地分析模块，选取拓扑图中的K个设备，直至三个目标函数达到最佳值，即完成分略策略制定任务。
(6-3)调用压缩分流单元对数据进行压缩，并分成K份，传输至各分析单元进行分析。
具体地，步骤(6-3)中的压缩分流单元的具体步骤如下：
(6-3-1)对场景画面、目标分类和动态分割结果集按场景进行压缩，得压缩数据G＝{G1、G2、...、Gn}，其中n为场景数，其中，Gi是场景i下场景画面、目标分类和动态分割结果集的压缩结果；
(6-3-2)具体压缩方法可以采用Run-Length Encoding方法，图片在许多地方将包含相同的颜色，因此会存在诸多相同数据，采用Run-Length Encoding方法可以减少传输数据量。
步骤7：本地分析模块对传输过来的数据进行分析。
具体地，步骤7的具体步骤如下：
(7-1)确定待检测安管事件目标为{Obj1、Obj2、......、Objm}，按照VOC数据集标准，制作训练集Train(图片数目设为L1张)，验证集Val(图片数目设为L2张)，测试集Test(图片数目设为L3张)，保证L1∶L2∶L3≈6∶2∶2；
(7-2)选择合适目标检测算法，设置训练参数，将训练集和验证集输入深度学***均准确度Arc>＝Thrd时，模型训练完毕；当测试平均准确度Arc<Thrd时，调整训练参数，重新训练，直至当测试平均准确度Arc>＝Thrd。
(7-3)配置好设备的运行环境，将模型配置到设备，对场景画面、动态分割画面进行识别与分类。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于移动边缘计算的电力安管视频智能分流装置，其特征在于：包括分流策略优化评估模块及与分流策略优化评估模块连接的场景探测模块、动态变化区域分割模块、模型计算开销评估模块、模型能耗开销评估模块、设备状态监测单元、本地分析模块、压缩分流模块；所述分流策略优化评估模块用于存储场景探测和区域分割的画面，并以目标识别模型的计算开销S1、能耗开销、边缘计算设备的可用计算资源值T1、存储资源值T2、供电状态值T3和网络状态值T4为依据，确定并优化分流策略，将其分流至本地分析模块、相邻边缘分析单元或视频处理云端分析单元进行智能识别，所述能耗开销包括有线局域网的传输损耗
和无限广域网的电磁波在传输路径中的衰落Lbf。
2.如权利要求1所述的基于移动边缘计算的电力安管视频智能分流装置，其特征在于：所述分流策略的优化目标为：
其中θ取值为1或者0，表示选择或不选择本地分析模块，Si1是第i个设备的目标识别模型计算开销，S1为目标识别模型的计算开销，是模型计算开销评估模块传送过来的设备开销等级值，可用计算资源值T1、存储资源值T2、供电状态值T3、网络状态值T4是由设备状态监测单元获得；Ti1是第i个设备的可用计算资源值，Ti2是第i个设备的存储资源值，Ti3是第i个设备的供电状态值，Ti4是第i个设备的网络状态值；Loss函数描述网络传输损耗，利用了电磁波在有线局域网的传输损耗计算公式和电磁波在自由空间中的衰落公式，其中
为有线局域网的传输损耗，描述了电磁波沿光纤传输的衰减，Lj描述了设备到设备之间的距离，对应于网络拓扑图中的边；选取拓扑图中的K个设备，直至三个目标函数达到最佳值，即完成分流策略制定任务，K个设备随机选取，包括本地分析模块、相邻边缘分析单元或视频处理云端分析单元。
3.如权利要求1所述的基于移动边缘计算的电力安管视频智能分流装置，其特征在于：所述场景探测模块，用于针对电力安管特点和不同场景下管控目标对象和管控任务的差异性，从视频画面背景中提取关键特征，并确定当前作业场景，检测当前场景下的目标类别，将目标类别检测结果反馈给分流策略优化评估模块以降低目标识别分类数量。
4.如权利要求1所述的基于移动边缘计算的电力安管视频智能分流装置，其特征在于：所述动态变化区域分割模块，用于通过背景和前景差分实现动态变化识别和区域分割，将分割后的多个变化区域图片转交给分流策略优化评估模块，分流策略优化模块根据优化目标选择K个分析单元，将区域分割图片分流给各个单元进行分析。
5.如权利要求1所述的基于移动边缘计算的电力安管视频智能分流装置，其特征在于：所述模型计算开销评估模块，用于根据设备上的历史分类性能测量并构建模型计算开销评估模型，并建立计算开销性能评估表，该表描述不同识别算法、指令集、待识类别尺寸、种类和数量和电量等级条件下对应的计算时延，取表中与之相关系数绝对值最高的性能指标对应的时延作为其预估计算开销S1，并将该值传给分流策略优化评估模块。
6.如权利要求1所述的基于移动边缘计算的电力安管视频智能分流装置，其特征在于：所述模型能耗开销评估模块，用于计算局域网络传输能耗和广域无线网络传输能耗。
7.如权利要求1所述的基于移动边缘计算的电力安管视频智能分流装置，其特征在于：所述设备状态监测单元，用于以固定的采样周期，对边缘设备上的剩余电量、可用计算资源、传输速率、分析时延进行监测，具体地，以指定周期T对设备进行采样，获取剩余电量Q(单位：度)、内存剩余量SP(单位：MB)、CPU/GPU可用计算资源U(单位：MiB)，设备传输速率P(单位：Mbps)、分析时延Danl(单位：张/秒)，可用计算资源T1即U，存储资源T2即SP，供电状态T3由剩余电量Q表示，网络状态T4由传输速率P表述。
8.如权利要求1所述的基于移动边缘计算的电力安管视频智能分流装置，其特征在于：所述本地分析模块，用于接受场景画面、目标分类和动态分割结果，采用深度学习算法对安管事件进行识别和分类；所述压缩分流模块，用于根据分流策略，将场景画面、目标分类和动态分割结果集转交给相邻边缘设备或云端服务器进行事件识别和分类。
9.一种基于移动边缘计算的电力安管视频智能分流方法，其特征在于：采用如权利要求1-8中任一项所述装置进行，所述方法包括以下步骤：
步骤1：所述场景探测模块从视频画面背景中提取关键特征，并确定当前作业场景，将结果反馈给分流策略优化评估模块以降低目标识别分类数量，降低边缘设备分析任务量；
步骤2：所述动态变化区域分割模块从视频画面的动态变化中分析各种安全事件和隐患，以参考场景背景为基础，通过背景和前景差分实现动态变化识别和区域分割，将分割后的多个变化区域转交给分流策略单元进行评估和分析；
步骤3：通过模型计算开销评估模块来得到计算开销，模型计算开销评估模块根据设备上的历史分类性能测量并构建模型计算开销评估模型，并建立计算开销性能评估表，该表描述不同识别算法、指令集、待识类别尺寸、种类和数量和电量等级条件下对应的计算时延，根据该表，得到设备当前状态的计算时延，并将计算时延传递给分流策略优化评估模块；
步骤4：通过模型能耗开销评估模块来得到模型能耗开销，并将能耗开销传递给分流策略优化评估模块；
步骤5：通过设备状态监测单元，构建设备状态等级表，通过查表获取设备状态：可用计算资源T1即U，存储资源T2即SP，供电状态T3由剩余电量Q表示，网络状态T4由传输速率P表述，并传递给分流策略优化评估模块；
步骤6：通过分流策略优化评估模块，对其他各模块传递过来的数据进行处理，从而决策出分流策略，将图片分析任务分流给本地分析模块、相邻边缘分析单元或视频处理云端分析单元进行智能识别；
步骤7：本地分析模块对传输过来的数据进行分析。
10.如权利要求9所述的基于移动边缘计算的电力安管视频智能分流方法，其特征在于：所述分流策略的优化目标为：
其中θ取值为1或者0，表示选择或不选择本地分析模块，Si1是第i个设备的目标识别模型计算开销，S1为目标识别模型的计算开销，是模型计算开销评估模块传送过来的设备开销等级值，可用计算资源值T1、存储资源值T2、供电状态值T3、网络状态值T4是由设备状态监测单元获得；Ti1是第i个设备的可用计算资源值，Ti2是第i个设备的存储资源值，Ti3是第i个设备的供电状态值，Ti4是第i个设备的网络状态值；Loss函数描述网络传输损耗，利用了电磁波在有线局域网的传输损耗计算公式和电磁波在自由空间中的衰落公式，其中
为有线局域网的传输损耗，描述了电磁波沿光纤传输的衰减，Lj描述了设备到设备之间的距离，对应于网络拓扑图中的边；选取拓扑图中的K个设备，直至三个目标函数达到最佳值，即完成分流策略制定任务，K个设备随机选取，包括本地分析模块、相邻边缘分析单元或视频处理云端分析单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910953248.2A CN110677300B (zh) | 2019-10-09 | 2019-10-09 | 基于移动边缘计算的电力安管视频智能分流装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910953248.2A CN110677300B (zh) | 2019-10-09 | 2019-10-09 | 基于移动边缘计算的电力安管视频智能分流装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110677300A CN110677300A (zh) | 2020-01-10 |
| CN110677300B true CN110677300B (zh) | 2022-05-31 |
Family
ID=69081089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910953248.2A Active CN110677300B (zh) | 2019-10-09 | 2019-10-09 | 基于移动边缘计算的电力安管视频智能分流装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110677300B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111740904B (zh) * | 2020-06-27 | 2021-06-04 | 常州天正信息科技有限公司 | 一种智能工业网关通信方法及*** |
| CN112134361A (zh) * | 2020-09-29 | 2020-12-25 | 南京邦州电力自动化有限公司 | 一种配电网智能监控*** |
| CN112486667B (zh) * | 2020-11-03 | 2022-03-18 | 深圳市中博科创信息技术有限公司 | 一种基于边缘计算精准处理数据的方法及装置 |
| CN113191654A (zh) * | 2021-05-12 | 2021-07-30 | 余绍祥 | 基于多目标优化的分布式资源调度***与方法 |
| CN113691893B (zh) * | 2021-08-09 | 2022-09-06 | 武汉理工大学 | 一种压力机能耗远程智能监控平台及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108809695A (zh) * | 2018-04-28 | 2018-11-13 | 国网浙江省电力有限公司电力科学研究院 | 一种面向移动边缘计算的分布上行链路卸载策略 |
| CN110262337A (zh) * | 2019-06-20 | 2019-09-20 | 中国南方电网有限责任公司 | 电力智能监控***及方法 |
| CN110311376A (zh) * | 2019-07-31 | 2019-10-08 | 三峡大学 | 一种电力***动态安全评估综合模型及时空可视化方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050108414A1 (en) * | 2003-11-14 | 2005-05-19 | Taylor Thomas M. | System and method for transmitting data in computer systems using virtual streaming |
| US8126685B2 (en) * | 2006-04-12 | 2012-02-28 | Edsa Micro Corporation | Automatic real-time optimization and intelligent control of electrical power distribution and transmission systems |
-
2019
- 2019-10-09 CN CN201910953248.2A patent/CN110677300B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108809695A (zh) * | 2018-04-28 | 2018-11-13 | 国网浙江省电力有限公司电力科学研究院 | 一种面向移动边缘计算的分布上行链路卸载策略 |
| CN110262337A (zh) * | 2019-06-20 | 2019-09-20 | 中国南方电网有限责任公司 | 电力智能监控***及方法 |
| CN110311376A (zh) * | 2019-07-31 | 2019-10-08 | 三峡大学 | 一种电力***动态安全评估综合模型及时空可视化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于边缘计算的电力末端融合***的优化;谢玮，夏水斌，何行等;《电测与仪表》;20181212;全文 * |
| 电网灾害监测与精准预报***的设计与实现;李源林，林忠，尹沁;《电脑知识与技术》;20190805;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110677300A (zh) | 2020-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110677300B (zh) | 基于移动边缘计算的电力安管视频智能分流装置及方法 | |
| CN113543068B (zh) | 一种基于层次化分簇的林区无人机网络部署方法与*** | |
| CN113408087B (zh) | 一种基于云边***和视频智能分析的变电站巡视方法 | |
| CN110012508A (zh) | 一种面向超密集网络的边缘计算的资源分配方法及*** | |
| CN113422803B (zh) | 一种基于端边云协同的无人机智能巡检任务无缝迁移方法 | |
| CN114980169A (zh) | 一种基于轨迹与相位联合优化的无人机辅助地面通信方法 | |
| CN212785420U (zh) | 一种基于云边协同和5g网络的无人机巡检*** | |
| CN113099242A (zh) | 一种输电线路视频监测数据处理方法及*** | |
| CN116664359A (zh) | 一种基于多传感融合的智能火情预警决策***及方法 | |
| CN115209379A (zh) | 基于5g智能网联无人机的电网云边协同巡检***及方法 | |
| CN108521433A (zh) | 一种基于人工智能的关键信息基础设施安全监测及预警*** | |
| CN114494916A (zh) | 一种基于YOLO和DeepSORT的黑颈鹤监测追踪方法 | |
| CN116827389B (zh) | 一种基于边缘计算深度融合的中压载波通信*** | |
| CN117539619A (zh) | 基于云边融合的算力调度方法、***、设备和存储介质 | |
| Al-Quraan et al. | A hybrid data manipulation approach for energy and latency-efficient vision-aided UDNs | |
| CN113242066A (zh) | 一种多小区大规模mimo通信智能功率分配方法 | |
| CN106657889A (zh) | 基于物联网的智能动力环境及视频监控云服务*** | |
| Sun et al. | Semantic-driven computation offloading and resource allocation for uav-assisted monitoring system in vehicular networks | |
| CN110072197A (zh) | 一种应急通信传输信道优选智能切换选择方法 | |
| Fu et al. | An edge computing framework for digital grid | |
| CN114595540A (zh) | 一种自主式交通***可靠性评估方法 | |
| CN113452961A (zh) | 基于边缘计算的水面监控告警***和方法、介质 | |
| CN103198325A (zh) | 蓝藻水华监测*** | |
| CN111626095A (zh) | 一种基于以太网配电巡检*** | |
| Weifu et al. | Research on the application of target detection based on deep learning technology in power grid operation inspection |
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 |