CN110852387B - 一种能源互联网超实时状态研判算法 - Google Patents
一种能源互联网超实时状态研判算法 Download PDFInfo
- Publication number
- CN110852387B CN110852387B CN201911104262.1A CN201911104262A CN110852387B CN 110852387 B CN110852387 B CN 110852387B CN 201911104262 A CN201911104262 A CN 201911104262A CN 110852387 B CN110852387 B CN 110852387B
- Authority
- CN
- China
- Prior art keywords
- data
- state
- cloud platform
- strategy
- edge computing
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种能源互联网超实时状态研判算法,基于能源互联网***状态数据出现的频度(支持度和置信度),将状态研判任务分配到本地边缘计算平台或***中心云平台分别进行,并形成基于状态的***操作策略;其中,本地边缘计算平台的策略仅在本地执行,可以保证策略的准确性和实效性;云平台进行整个***的状态研判,其所生成的策略用于控制和协调整个能源互联网的操作状态,具有鲁棒性和可靠性;状态研判和策略生成主要采用人工智能技术。通过本地策略和全局策略的协同,保证能源互联网操作的稳定性、高效性和及时性。
Description
技术领域
本发明涉及网关技术领域,具体是一种能源互联网超实时状态研判算法。
背景技术
基于泛在、高效的信息通信基础设施和开放、共享的互联网理念,结合物联网技术与信息物理融合***,能源互联网能够实现源-网-荷-储的整体协调,并通过能源梯级利用和多能互补,最大化能源利用效率,大幅降低能源生产和消费成本,促进环境保护和降低废气排放,为社会和谐发展和人类幸福生活提供坚实的能源保障。
随着社会和经济的发展,能量消费需求越来越大,负荷设备种类和负荷容量快速增加;同时各类分布式能源生产占比逐渐加重;导致电力网络,特别是能源互联网运行时动态随机波动性大大增加,给网络平稳运行带来不利影响,甚至造成崩溃;为保证***平稳运行,对能源互联网***的超实时状态研判要求也越来越严苛。
目前对能源互联网的状态研判主要基于云平台技术,随着监测设备的广泛接入和监测数据的海量增加,云平台处理的计算任务变得更加繁重,处理能力和通信带宽限制难以保证状态研判的实时性和有效性,给能源互联网的正常运行带来巨大威胁。
与云平台对应的技术是边缘计算,边缘计算是一种分布式的实时计算技术。该技术在靠近物或数据源头的网络边缘侧,融合网络、计算、存储、应用核心能力的分布式开放平台,就近提供边缘智能服务,可以满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。
结合集中式和分散式协同控制的思想,云边协同被提了出来。通过将边缘计算接入云平台处理架构,边缘计算平台可以实现计算任务的本地化处理,在减少通信带宽和能量消耗的同时,可以保证对本地状态研判的实时性和有效性。而通过将全局性任务相关信息传递到云平台进行处理,可以进行全局优化,保证能源互联网***整体的平稳、高效运行,避免局部分散式控制可能出现的冲突和低效。二者的结合可以显著提升***处理性能。
大数据的关联算法通过相关数据项的支持度和置信度计算,挖掘示例间的关联性和有效性。其中,高支持度和置信度的数据项表示该关联性频繁出现,且具有一定的可靠性,可在本地进行判断和分析;而极低支持度的数据项往往表示异常现象的出现,如故障、设备失灵等情况,需要及时传送到云平台。基于支持度和置信度,可以实现对正常运行状态和异常运行状态的有效区分,并将以上两类数据分别传送到边缘计算和云平台进行处理,可以大幅度提高对***状态研判的实时性和可靠性,提升策略执行的鲁棒性和稳定性。
基于以上要求,本发明提出了一种基于等区间数据分类、云边协同、和状态置信度与支持度的能源互联网***超实时状态研判方法。
发明内容
本发明的目的在于提供一种能源互联网超实时状态研判算法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种能源互联网超实时状态研判算法,包含以下步骤:
A、数据中心根据历史数据,统计各项数据的最大值vmax、最小值vmin和分类数目n,并将其传送给边缘计算设备;
B、边缘计算设备和云平台依据数据值对数据实现等区间分类,所采用的关联算法可以是Apriori或FP-growth,使得每条数据的每个数据项被划分到某个区间之中,通过将每个区间的数据项归为一类,一条数据可以看作各种分类数据的组合表示;
C、当有新的数据采集进来时,数据首先被传送到边缘计算设备,并基于步骤B的分类间隔对新数据所包含的所有数据项进行分类,对分类后的数据与历史分类数据进行关联分析,统计其支持度,置信度,并根据实际需要,自适应的在云平台和边缘计算设备间进行任务分配;
D、应用各类算法分别在边缘计算设备和云平台进行对应区域***的状态研判,边缘计算设备将研判结果发送给云平台;
E、基于状态研判结果进行策略生成,边缘计算设备生成的策略被用于本地控制运行,云平台生成的策略被用于***全局控制运行。
作为本发明的进一步方案:所述步骤C中的关联分析所采用的关联算法可以是Apriori 或FP-growth。
作为本发明的进一步方案:所述步骤C中:如果支持度和置信度大于一定门限,在边缘侧进行局部***的状态研判,将研判结果和相关统计数据在一定的时间间隔内发送到云平台,如果支持度小于一定门限,则将本数据标明为异常数据,实时发送到云平台,由云平台进行全局状态研判,其余部分的数据可以根据实际需要,自适应的在云平台和边缘计算设备间进行状态研判任务分配。
作为本发明的进一步方案:所述步骤C中的任务分配,如果相邻边缘计算设备存在空闲的计算设备,可以将相关的计算任务传送到该设备上执行,以进一步减少云平台的计算开销。
作为本发明的进一步方案:所述步骤C中,对于发送给云平台的数据,如果是研判结果,则将所有边缘节点产生的结果和属于该状态的支持项数目存储到相关数据库,以用于辅助后续的***全局状态研判,如果是异常数据,则直接将其应用到全局状态研判之中,同时统计异常数据在云平台出现的次数并存储。
作为本发明的进一步方案:所述步骤D中,对于发送给云平台的数据,如果是研判结果,则将所有边缘节点产生的结果和属于该状态的支持项数目存储到相关数据库,以用于辅助后续的***全局状态研判,如果是异常数据,则直接将其应用到全局状态研判之中,同时统计异常数据在云平台出现的次数并存储。
作为本发明的进一步方案:所述步骤D中,对于状态研判,基于深度学习神经网络的先进性和高效性,可以将其作为本算法的状态研判技术,通过基于历史数据的模型训练,使用神经网络实现对主要参数和状态的实时预测,具体的,对于***状态的判断,深度学习可以设定一系列输出门限值,如果神经网络某个输出大于对应门限值,就可判断对应状态的发生;否则为正常状态。
作为本发明的进一步方案:所述步骤D中,对于状态研判,如果判决结果是异常数据所证实的异常状态,将此类数据进行标记后存储,如果是非异常数据所证实的异常状态,需要将此类数据存储的同时,通知产生相关数据的边缘计算设备,边缘计算设备可以通过更改状态分类间隔或支持度和置信度门限等优化方式,以实现对此类数据的有效识别和区分。
作为本发明的进一步方案:所述步骤E中,策略生成采用的技术是结合专家***和决策树,在训练阶段,利用专家***内的知识生成相关决策树,在策略生成阶段,通过决策树的逐级匹配形成相关策略,如果边缘计算设备与云平台生成的策略存在冲突,可以仅采用云平台生成的策略,或将更多的相关数据传送到云平台进行进一步策略判断。
作为本发明的进一步方案:所述步骤E中,策略生成是基于策略运行的反馈结果,可以利用反馈技术对相关分类方式的门限进一步优化,以达到分布式协同和集中控制的联合性能优化。
与现有技术相比,本发明的有益效果是:1、能源互联网由于大规模采用分布式可再生能源和电力电子器件导致网络状态可能出现短时大规模波动,严重影响能源互联网的平稳运行,需要对网络状态进行研判,并进行及时有效的控制,保证***的稳定性运行,减少故障处理开销和用能成本,提升***的用能效率。
2、由于能源互联网***状态在某些时段或某种情况下剧烈变化,网络研判具有较高的实时性要求。如果仅采用云平台技术,可能会导致判断结果超过时间限制,给网络运行带来极大的潜在风险和危害。但同时,云平台具有巨大的计算、传输和存储能力,可以有效的弥补边缘计算算力不足的缺陷,二者的结合可以有效地解决能源互联网状态研判这一类复杂度较高的问题。
3、在对所采集数据与历史状态数据进行关联的基础上,通过云边协同,可以保证对***各部分状态的实时监测和控制,减少通信和处理时延,为网络鲁棒、平稳运行提供保证。
附图说明
图1为本发明的原理方框图。
图2为本发明的硬件关系图。
图3为本发明的数据状态判断示意图。
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做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。
请参阅图1-3,实施例1:本发明实施例中,一种能源互联网超实时状态研判算法,包含以下步骤:
A、数据中心根据历史数据,统计各项数据的最大值vmax、最小值vmin和分类数目n,并将其传送给边缘计算设备;
B、边缘计算设备和云平台依据数据值对数据实现等区间分类,所采用的关联算法可以是Apriori或FP-growth,使得每条数据的每个数据项被划分到某个区间之中,通过将每个区间的数据项归为一类,一条数据可以看作各种分类数据的组合表示;
C、当有新的数据采集进来时,数据首先被传送到边缘计算设备,并基于步骤B的分类间隔对新数据所包含的所有数据项进行分类,对分类后的数据与历史分类数据进行关联分析,统计其支持度,置信度,并根据实际需要,自适应的在云平台和边缘计算设备间进行任务分配;
D、应用各类算法分别在边缘计算设备和云平台进行对应区域***的状态研判,边缘计算设备将研判结果发送给云平台;
E、基于状态研判结果进行策略生成,边缘计算设备生成的策略被用于本地控制运行,云平台生成的策略被用于***全局控制运行。
步骤C中的关联分析所采用的关联算法可以是Apriori或FP-growth。
步骤C中:如果支持度和置信度大于一定门限(如0.1和0.5),在边缘侧进行局部***的状态研判,将研判结果和相关统计数据(如支持项数目)在一定的时间间隔内发送到云平台。如果支持度小于一定门限(如0.005),则将本数据标明为异常数据,实时发送到云平台,由云平台进行全局状态研判。其余部分的数据可以根据实际需要,(如成本、处理时延、带宽需求、能量消耗情况和目前边缘计算设备的剩余计算能力),自适应的在云平台和边缘计算设备间进行状态研判任务分配。
步骤C中的任务分配,如果相邻边缘计算设备存在空闲的计算设备,可以将相关的计算任务传送到该设备上执行,以进一步减少云平台的计算开销。
步骤C中,对于发送给云平台的数据,如果是研判结果,则将所有边缘节点产生的结果和属于该状态的支持项数目存储到相关数据库,以用于辅助后续的***全局状态研判,如果是异常数据,则直接将其应用到全局状态研判之中,同时统计异常数据在云平台出现的次数并存储。
作为本发明的进一步方案:所述步骤D中,对于发送给云平台的数据,如果是研判结果,则将所有边缘节点产生的结果和属于该状态的支持项数目存储到相关数据库,以用于辅助后续的***全局状态研判,如果是异常数据,则直接将其应用到全局状态研判之中,同时统计异常数据在云平台出现的次数并存储。
步骤D中,对于状态研判,基于深度学习神经网络的先进性和高效性,可以将其作为本算法的状态研判技术,通过基于历史数据的模型训练,使用神经网络实现对主要参数和状态的实时预测,具体的,对于***状态的判断,深度学习可以设定一系列输出门限值,如果神经网络某个输出大于对应门限值,就可判断对应状态的发生;否则为正常状态。
步骤D中,对于状态研判,如果判决结果是异常数据所证实的异常状态,将此类数据进行标记后存储,如果是非异常数据所证实的异常状态,需要将此类数据存储的同时,通知产生相关数据的边缘计算设备,边缘计算设备可以通过更改状态分类间隔或支持度和置信度门限等优化方式,以实现对此类数据的有效识别和区分。
步骤E中,策略生成采用的技术是结合专家***和决策树,在训练阶段,利用专家***内的知识生成相关决策树,在策略生成阶段,通过决策树的逐级匹配形成相关策略,如果边缘计算设备与云平台生成的策略存在冲突,可以仅采用云平台生成的策略,或将更多的相关数据传送到云平台进行进一步策略判断。
步骤E中,策略生成是基于策略运行的反馈结果,可以利用反馈技术对相关分类方式的门限进一步优化,以达到分布式协同和集中控制的联合性能优化。
实施例2:在实施例1的基础上,在算法运行前,需要获得与能源互联网状态***运行的相关历史数据,并基于其统计特性,决定数据分类的间隔。
根据实时获取的***状态相关数据,边缘计算设备对相关数据项进行分类以后,与本地存储的历史数据进行关联分析,获取相关的支持度和置信度,以及类似数据项组合的数目。
基于支持度和置信度,结合其它性能方面的考虑,边缘设备确定需要进行本地处理的数据以及需要将数据传输到云平台或相邻边缘计算设备进行处理的数据,并通知相关方及时进行传输和处理。
相关计算设备利用神经网络算法,依据历史数据对能源互联网***状态进行训练(建模),然后根据所获得的数据对***状态进行判断,根据状态判断结果制定合理的策略,并根据反馈的策略执行性能对状态判断神经网络模型进行修改和优化,必要时,可以通过误差最小化算法进一步优化数据分类的间隔和支持度门限。
以上控制过程需要实时进行,即在规定采样时间间隔内完成状态的判断,以保证控制的及时性和有效性,但相关控制策略的时效性可以有效延长,即在***稳定的情况下控制更长时间的***运行状态。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (9)
1.一种能源互联网超实时状态研判算法,其特征在于,包含以下步骤:
A、数据中心根据历史数据,统计各项数据的最大值vmax、最小值vmin和分类数目n,并将其传送给边缘计算设备;
B、边缘计算设备和云平台依据数据值对数据实现等区间分类,所采用的关联算法可以是Apriori或FP-growth,使得每条数据的每个数据项被划分到某个区间之中,
通过将每个区间的数据项归为一类,一条数据可以看作各种分类数据的组合表示;
C、当有新的数据采集进来时,数据首先被传送到边缘计算设备,并基于步骤B的分类间隔对新数据所包含的所有数据项进行分类,对分类后的数据与历史分类数据进行关联分析,统计其支持度,置信度,并根据实际需要,自适应的在云平台和边缘计算设备间进行任务分配,如果支持度和置信度大于一定门限,在边缘侧进行局部***的状态研判,将研判结果和相关统计数据在一定的时间间隔内发送到云平台,如果支持度小于一定门限,则将本数据标明为异常数据,实时发送到云平台,由云平台进行全局状态研判,其余部分的数据可以根据实际需要,自适应的在云平台和边缘计算设备间进行状态研判任务分配;
D、应用各类算法分别在边缘计算设备和云平台进行对应区域***的状态研判,边缘计算设备将研判结果发送给云平台;
E、基于状态研判结果进行策略生成,边缘计算设备生成的策略被用于本地控制运行,云平台生成的策略被用于***全局控制运行。
2.根据权利要求1所述的一种能源互联网超实时状态研判算法,其特征在于,所述步骤C中的关联分析所采用的关联算法可以是Apriori或FP-growth。
3.根据权利要求1所述的一种能源互联网超实时状态研判算法,其特征在于,所述步骤C中的任务分配,如果相邻边缘计算设备存在空闲的计算设备,可以将相关的计算任务传送到该设备上执行,以进一步减少云平台的计算开销。
4.根据权利要求1所述的一种能源互联网超实时状态研判算法,其特征在于,所述步骤C中,对于发送给云平台的数据,如果是研判结果,则将所有边缘节点产生的结果和属于该状态的支持项数目存储到相关数据库,以用于辅助后续的***全局状态研判,如果是异常数据,则直接将其应用到全局状态研判之中,同时统计异常数据在云平台出现的次数并存储。
5.根据权利要求1所述的一种能源互联网超实时状态研判算法,其特征在于,所述步骤D中,对于发送给云平台的数据,如果是研判结果,则将所有边缘节点产生的结果和属于该状态的支持项数目存储到相关数据库,以用于辅助后续的***全局状态研判,如果是异常数据,则直接将其应用到全局状态研判之中,同时统计异常数据在云平台出现的次数并存储。
6.根据权利要求1所述的一种能源互联网超实时状态研判算法,其特征在于,所述步骤D中,对于状态研判,基于深度学习神经网络的先进性和高效性,可以将其作为本算法的状态研判技术,通过基于历史数据的模型训练,使用神经网络实现对主要参数和状态的实时预测,具体的,对于***状态的判断,深度学习可以设定一系列输出门限值,如果神经网络某个输出大于对应门限值,就可判断对应状态的发生;否则为正常状态。
7.根据权利要求1所述的一种能源互联网超实时状态研判算法,其特征在于,所述步骤D中,对于状态研判,如果判决结果是异常数据所证实的异常状态,将此类数据进行标记后存储,如果是非异常数据所证实的异常状态,需要将此类数据存储的同时,通知产生相关数据的边缘计算设备,边缘计算设备可以通过更改状态分类间隔或支持度和置信度门限等优化方式,以实现对此类数据的有效识别和区分。
8.根据权利要求1所述的一种能源互联网超实时状态研判算法,其特征在于,所述步骤E中,策略生成采用的技术是结合专家***和决策树,在训练阶段,利用专家***内的知识生成相关决策树,在策略生成阶段,通过决策树的逐级匹配形成相关策略,如果边缘计算设备与云平台生成的策略存在冲突,可以仅采用云平台生成的策略,或将更多的相关数据传送到云平台进行进一步策略判断。
9.根据权利要求1所述的一种能源互联网超实时状态研判算法,其特征在于,所述步骤E中,策略生成是基于策略运行的反馈结果,可以利用反馈技术对相关分类方式的门限进一步优化,以达到分布式协同和集中控制的联合性能优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911104262.1A CN110852387B (zh) | 2019-11-13 | 2019-11-13 | 一种能源互联网超实时状态研判算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911104262.1A CN110852387B (zh) | 2019-11-13 | 2019-11-13 | 一种能源互联网超实时状态研判算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852387A CN110852387A (zh) | 2020-02-28 |
CN110852387B true CN110852387B (zh) | 2022-04-22 |
Family
ID=69601065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911104262.1A Active CN110852387B (zh) | 2019-11-13 | 2019-11-13 | 一种能源互联网超实时状态研判算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852387B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111026556A (zh) * | 2020-03-09 | 2020-04-17 | 蘑菇物联技术(深圳)有限公司 | 通过云端算法帮助rtu实现边缘计算的方法以及*** |
CN111355619B (zh) * | 2020-05-26 | 2020-08-14 | 成都信息工程大学 | 一种多核网状协同关系的跨链协同方法 |
CN111626792A (zh) * | 2020-06-01 | 2020-09-04 | 长沙理工大学 | 一种对配网内综合能源源荷储精准画像技术 |
CN111783968B (zh) * | 2020-06-30 | 2024-05-31 | 山东信通电子股份有限公司 | 一种基于云边协同的输电线路监测方法及*** |
CN111928334A (zh) * | 2020-07-30 | 2020-11-13 | 瑞纳智能设备股份有限公司 | 基于边云协同框架的供热控制方法、***及计算机设备 |
CN112162849A (zh) * | 2020-08-28 | 2021-01-01 | 中冶华天工程技术有限公司 | 云与边缘计算协同的装备智能管控***及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102724059A (zh) * | 2012-03-31 | 2012-10-10 | 常熟市支塘镇新盛技术咨询服务有限公司 | 基于MapReduce的网站运行状态监控与异常检测 |
CN104794499A (zh) * | 2015-05-08 | 2015-07-22 | 上海电机学院 | 一种基于自适应熵权的区间灰色关联分类器设计方法 |
CN104993988A (zh) * | 2015-07-03 | 2015-10-21 | 清华大学 | 一种能源互联网调度与控制方法 |
CN107835098A (zh) * | 2017-11-28 | 2018-03-23 | 车智互联(北京)科技有限公司 | 一种网络故障检测方法及*** |
CN108591104A (zh) * | 2018-04-18 | 2018-09-28 | 广东寰球智能科技有限公司 | 一种基于云平台的风机故障预测与健康管理***、方法 |
CN108919120A (zh) * | 2018-07-20 | 2018-11-30 | 南京怡咖电气科技有限公司 | 一种能源互联网功率变换器故障诊断方法 |
CN109819030A (zh) * | 2019-01-22 | 2019-05-28 | 西北大学 | 一种基于边缘计算的数据资源预先调度方法 |
CN109946967A (zh) * | 2019-03-25 | 2019-06-28 | 北京快电科技有限公司 | 一种融合边缘智能的建筑能源互联网信息交换机 |
CN110401262A (zh) * | 2019-06-17 | 2019-11-01 | 北京许继电气有限公司 | 基于边缘计算技术的gis设备状态智能监控***及方法 |
-
2019
- 2019-11-13 CN CN201911104262.1A patent/CN110852387B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102724059A (zh) * | 2012-03-31 | 2012-10-10 | 常熟市支塘镇新盛技术咨询服务有限公司 | 基于MapReduce的网站运行状态监控与异常检测 |
CN104794499A (zh) * | 2015-05-08 | 2015-07-22 | 上海电机学院 | 一种基于自适应熵权的区间灰色关联分类器设计方法 |
CN104993988A (zh) * | 2015-07-03 | 2015-10-21 | 清华大学 | 一种能源互联网调度与控制方法 |
CN107835098A (zh) * | 2017-11-28 | 2018-03-23 | 车智互联(北京)科技有限公司 | 一种网络故障检测方法及*** |
CN108591104A (zh) * | 2018-04-18 | 2018-09-28 | 广东寰球智能科技有限公司 | 一种基于云平台的风机故障预测与健康管理***、方法 |
CN108919120A (zh) * | 2018-07-20 | 2018-11-30 | 南京怡咖电气科技有限公司 | 一种能源互联网功率变换器故障诊断方法 |
CN109819030A (zh) * | 2019-01-22 | 2019-05-28 | 西北大学 | 一种基于边缘计算的数据资源预先调度方法 |
CN109946967A (zh) * | 2019-03-25 | 2019-06-28 | 北京快电科技有限公司 | 一种融合边缘智能的建筑能源互联网信息交换机 |
CN110401262A (zh) * | 2019-06-17 | 2019-11-01 | 北京许继电气有限公司 | 基于边缘计算技术的gis设备状态智能监控***及方法 |
Non-Patent Citations (2)
Title |
---|
Anomaly detection of online monitoring data of power equipment based on association rules and clustering algorithm;Yu-Xiang Cai等;《Advances in Engineering Research》;20161231;全文 * |
基于边缘计算的物联网监测***中利用自编码神经网络实现的异常检测;于天琪等;《物联网学报》;20181231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110852387A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852387B (zh) | 一种能源互联网超实时状态研判算法 | |
CN107274105B (zh) | 基于线性判别分析的多属性决策树电网稳定裕度评估方法 | |
CN109657003A (zh) | 一种将硬件数据直接接入大数据平台的方法 | |
CN117472587B (zh) | 一种ai智算中心的资源调度*** | |
CN113723773A (zh) | 一种基于大数据分析的电能决策*** | |
Kashyap et al. | DECENT: Deep learning enabled green computation for edge centric 6G networks | |
CN113722303A (zh) | 一种基于可视化的电能设备与信息运维*** | |
Yuan et al. | FedTSE: Low-cost federated learning for privacy-preserved traffic state estimation in IoV | |
CN113743246A (zh) | 一种基于深度学习的关键电能设备故障诊断方法 | |
CN116109058A (zh) | 一种基于深度强化学习的变电站巡视管理方法和装置 | |
He et al. | Research on equipment health diagnosis system of railway passenger station based on cloud-edge collaboration | |
CN115640980A (zh) | 基于目标控制的电网工程造价动态管理*** | |
KR20230094922A (ko) | 데이터 마이닝과 사례기반 추론을 이용한 지능형 동적 실시간 스펙트럼 자원관리 시스템 및 지능형 동적 실시간 스펙트럼 자원관리 방법 | |
Zhang et al. | Design of the Information Management System of the Public Logistics in the Port of the Collection and Transportation Environment | |
Yan et al. | Autonomous coordinated control strategy for complex process of traffic information physical fusion system based on big data | |
Saxena et al. | Latency Analysis and Reduction Methods for Edge Computing | |
Lin et al. | Hypergraph-based autonomous networks: adaptive resource management and dynamic resource scheduling | |
Wang et al. | Intelligent Network operation and maintenance based on deep learning technology | |
Joo et al. | Ensemble fog computing architecture for unstable state detection of hydraulic system | |
Wu et al. | A Novel Joint Optimization Method of Multi-Agent Task Offloading and Resource Scheduling for Mobile Inspection Service in Smart Factory | |
CN117336137B (zh) | 基于智能边缘网关的物联网数据处理方法及*** | |
Ren et al. | Service Governance Algorithm for Power Grid Structure Optimization Based on Improved Deep Neural Network | |
Lv | Cognitive Analytics of Social Media for Industrial Manufacturing under Internet of Things Technology | |
Wang et al. | Research on Fault Identification Method of Power System Communication Network Based on Deep Learning | |
Yao et al. | A Resource Management Based on Deep Learning in Ubiquitous 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |