CN117097026A - 一种基于源网荷储新型电力***运维监控平台的操作方法 - Google Patents
一种基于源网荷储新型电力***运维监控平台的操作方法 Download PDFInfo
- Publication number
- CN117097026A CN117097026A CN202311102928.6A CN202311102928A CN117097026A CN 117097026 A CN117097026 A CN 117097026A CN 202311102928 A CN202311102928 A CN 202311102928A CN 117097026 A CN117097026 A CN 117097026A
- Authority
- CN
- China
- Prior art keywords
- data
- index
- layer
- attribute
- decision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000003860 storage Methods 0.000 title claims abstract description 61
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000012423 maintenance Methods 0.000 title claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 43
- 230000005540 biological transmission Effects 0.000 claims abstract description 34
- 239000010410 layer Substances 0.000 claims description 141
- 238000004891 communication Methods 0.000 claims description 73
- 238000011156 evaluation Methods 0.000 claims description 57
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000012216 screening Methods 0.000 claims description 28
- 230000002776 aggregation Effects 0.000 claims description 25
- 238000004220 aggregation Methods 0.000 claims description 25
- 238000007726 management method Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 20
- 238000005516 engineering process Methods 0.000 claims description 17
- 230000008447 perception Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000008901 benefit Effects 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 238000010897 surface acoustic wave method Methods 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000007500 overflow downdraw method Methods 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000013523 data management Methods 0.000 claims description 4
- 238000004146 energy storage Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 239000002028 Biomass Substances 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 238000011065 in-situ storage Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000006872 improvement Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000011217 control strategy Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000009418 renovation Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
- H02J13/00016—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using a wired telecommunication network or a data transmission bus
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
- H02J13/00022—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission
- H02J13/00026—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission involving a local wireless network, e.g. Wi-Fi, ZigBee or Bluetooth
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
- H02J13/00028—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment involving the use of Internet protocols
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
- H02J3/241—The oscillation concerning frequency
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于源网荷储新型电力***运维监控平台的操作方法,包括数据采集层、数据传输层、数据计算层、指令决策层,四者相互结合使用发挥作用,在高波动性、灵活性、复杂性新型电力***中,所述技术体系为电力供需平衡的调峰应用、设备故障或新能源出力剧烈波动导致的紧急调频应用、广泛分布式电源及柔性负荷设备接入的电网鲁棒性提升应用场景,提供的技术架构可以预见其运行灵活性、手段多样性和综合优化性提升的优势将为促进源网荷储的技术发展提供新的环境和可能。
Description
技术领域
本发明涉及运维监控领域,具体为一种基于源网荷储新型电力***运维监控平台的操作方法。
背景技术
近年来高峰电力供应紧张,传统意义上的电源侧的灵活性调整能力提升和电网侧的运行特性优化已经难以满足电力***日益提升的安全、稳定、可靠、高效、经济运行需求,新能源为主体是新型电力***的重要特征,电源侧新能源比例提升带来的波动性和所配套的电源调峰调频能力灵活性构成了电源侧的鲜明特征。
如公开号为CN111679915A的中国专利公开了一种分布式边缘计算数据存储***,包括,进行数据处理和存储的分布式边缘计算设备、为分布式边缘计算设备提供数据的终端设备、以及数据存储***;其中,数据存储***至少包括对象存储模型和存储***架构;所述对象存储模型用以将用户数据在底层分割成一组小的对象,按照一定的算法将这组对象均匀一致地分布于整个集群的各个设备节点上,用户使用时,由存储***将这些小对象拼接成完整的用户数据,提供给用户使用;所述存储***架构至少包括客户端、存储接口、存储管理、存储分发、数据存储、物理设备。本发明可实现,事务处理分到各个边缘节点进行处理,从而使***更高效和易于管理,加快资料的处理与传送速度,减少延迟。
灵活性调节资源的能力主要受到两个方面的约束:
1)与电源侧新能源比例、新能源出力波动性呈现正相关关系。通常情况下,新能源出力的波动性体现为不可控的自然系数,故新能源比例的提升,即直接要求灵活性电源可调峰能力相应增大。当火电机组作为主要调峰调频灵活性电源,其最大调峰能力存在约束限制,虽然灵活性改造可一定程度缓解此约束,但本质上并未实质性突破约束;
2)为保障投运机组的利用效率,装机量与用电负荷需求的比例存在一定意义上的上限约束关系,即在同等用电水平下,可接受装机量不能无限扩张,存在经济性边界,则新能源装机容量与灵活性电源装机容量将呈现一定的反相关约束。这两个约束,后者与前者构成了矛盾关系,因而如何实现高效经济的灵活性调节成为新型电力***需突破的关键技术。若要在不改变当前模式的情况下突破此约束,则需在高峰时段弃风弃光,即在波动性区间基本确定的情况下,风光利用率、装机投资经济性和新能源比例之间需要取舍。从技术升级角度而言,实现电源侧综合效能提68四川电力技术第44卷万方数据升的关键在于突破电源灵活性瓶颈,火电的灵活性改造可以很大程度缓解,但电源侧本质上的格局改变需要其他的灵活性手段提升,如天然气、调节性水电、抽水蓄能等灵活性更高的机组建设以及高效储能的配套建设应用等。
但是目前电力***普遍存在能源单一,各***数据共享的问题,在双碳战略目标的引领下,构建多源互补的新型电力***已成为必然,源网荷储各环节协调优化、数据采集、传输及存储已经成为电力发展的迫切需求,新型电力***新主要体现在两个方面,一是多形式的微电源的广泛接入,二是负荷侧的多元化发展,多边的数据不协调性制约着电力***的发展。
综上所述,基于上述现有技术而言:
①目前源网荷储新型电力***具有多源异构、冗余度高的特点,无法在规范数据格式的同时准确利用数据,尤其是针对数据应用过程中存在的时延大、云计算负担大的问题,无法合理调度微服务,也没有将部分应用微服务下放至边缘层,导致云计算架构下云平台资源压力过大,同时不能做到结合边缘层节点的资源情况动态调整应用微服务部署结构;
②而且目前大趋势针对业务承载性能评价指标的筛选,需要考虑重要性、合理性、独立性、客观性和针对性五个属性,现有的分析方法无法实现对属性值的赋值建立决策矩阵;
③如何利用筛选出来的指标相对全面地体现网络结构特征、控制策略、路由策略、设备运行维护状况对业务承载力的影响,如何突出SDON架构中控制策略、生存策略、路由策略的动态策略对电力骨干传输网的业务承载性能影响,又如何结合软件定义光网络的性能属性与电力通信网***性能评估指标,建立电力通信网业务承载性能的指标,针对性作为筛选的指标;
④电力设备大处理的分类能力不足,电力设备管理用户查询数据的难度大,无法针对性的实现大数据的高纬度转换。
发明内容
针对现有技术的不足,本发明提供了一种基于源网荷储新型电力***运维监控平台的操作方法,以解决上述问题。
为实现以上目的,本发明通过以下技术方案予以实现。
一种基于源网荷储新型电力***运维监控平台的操作方法,包括数据采集层、数据传输层、数据计算层、指令决策层,
所述数据采集层包括实现各微源现场数据的采集与计算,步骤如下:
S1.1.将储水蓄能组、蓄电池、光伏、风机、生物质能五者根据树状层次结构划分为多个微服务,并通过5G技术,通过数据线数据采集上传至云平台;
S1.2.云平台根据边缘层节点的网络带宽、存储容量、CPU性能、I/O速率情况进行容器编排,为边缘层节点调度、安装、配置微服务容器,所述微服务容器至少包括数据预处理微服务容器;
S1.3.边缘层节点获取电力物联网感知层设备采集的数据,通过数据预处理微服务容器对多源异构数据进行数据预处理;
S1.4.边缘层节点将预处理后的数据根据微服务容器部署结构转发到云平台进一步利用或通过边缘层就地利用;
所述数据传输层包括通过终端5G设备以及网络通信协议,实现数据的互联互通,步骤如下:
S2.1:建立初选评价指标,通过对大量SDON相关资料进行分析整理,得到一个较为全面的影响SDON电力业务承载性能的指标体系;
S2.2:确定指标属性,针对每个指标分析其对所有属性的贡献度,设计合理的筛选方法对初选指标体系进行筛选,降低评价的难度;
S2.3:建立决策矩阵,分别分析指标对各个属性的贡献度,根据相应的结果检测决策矩阵;
S2.4:指标属性值聚合,分别用SAW、TOPSIS、GRA方法进行属性值聚合和引入OWA算子后进行属性值聚合的结果对比;
S2.5:评价指标排序,在属性值重要度相同情况下和强调属性值优势情况下的排序结果两两对比,对指标集中所有指标依据属性值聚合结果进行排序;
S2.6:设置筛选指标的阈值,设置一个评价指标对属性贡献度的阈值,对评价指标进行筛选,若要求指标对属性的贡献度不低于所有指标贡献度的平均值,则设定阈值为总贡献度的平均值0.0363,筛选出前13项评价指标;
S2.7:根据筛选的结果,建立最终评价指标体系;
所述数据计算层包括对底层上传的数据做分析,利用云端平台的计算和分析,得出最终结果交流指令决策,步骤如下:底层设备层,其内设置有传感器,通过所述传感器感知各个各种电力设备的工作状态,并传递感知到的各种电力设备数据信息;其中:所述传感器至少包括光电传感器、红外传感器、速度传感器、加速传感器、GIS传感器、振动传感器、纹波传感器、温湿度传感器、角度传感器、磁场传感器、转速传感器、RFID标签、GPS设备、射线辐射传感器、热敏传感器、能耗传感器或M2M终端;
信息传递层,其内设置有有线通信模块或无线通信模块,用于接收并传递所述信息感知层感知的电力设备数据信息;其中所述有线通信模块至少包括RS485通信模块或RS232通信模块,所述无线通信模块至少包括TCP/IP网络***、ZigBee无线网络、GPRS通信模块或CDMA无线通信、3G网络通信、4G网络通信、WLAN通信、LTE通信、云端服务器或蓝牙通信模块;
大数据处理层,其内设置有计算机管理***和云端服务器,用于接收并处理所述信息传递层传递的各种电力设备数据信息;其中:所述计算机管理***连接有显示模块、多通道数据接口、大数据分析模块、故障诊断设备、示波器和告警模块;所述显示模块为LCD显示屏,所述多通道数据接口支撑至少两个以上的通讯数据类型;并且所述多通道数据接口至少支持RS485通讯、TCP/IP通讯、无线通讯或GPRS通讯;所述大数据分析模块连接有Hadoop数据管理平台;其中所述云端服务器通过将规模级的底层服务器通过集约化、虚拟化构建起云端资源池,然后从资源池中调配计算资源组建而成,其中所述CPU、内存、磁盘或带宽以自由组合的方式存在;其中所述云端服务器还设置有大数据分布式存储结构和大数据计算模型,所述大数据分布式存储结构实现数据布局分析,所述大数据计算模型实现大数据计算;
所述大数据分布式存储结构实现数据布局分析的方法为:
设R为电力大数据存储数据结构的数据集合,用数据集合表示为R=(Ei,Ej,d,t);数据库中数据集合表示为:X={x1,x2,...,xn};假设数据集X含有c个类别,所述云端服务器的云网络的电力大数据的特征映射为f(k),则有检索大数据的模型为:
min F(x)=(f1(x),f2(x),...,fm(x))T(1)
其中n为大数据的统计变量,m为影响检索决策的因变量;T表示检索时间;
数据应用层,其内设置有数据存储单元,用于存储、使用或传递所述大数据处理层处理后的数据;其中:
所述底层设备层的输出端与所述信息传递层的输入端连接,所述信息传递层的输出端与所述大数据处理层的输入端连接,所述大数据处理层的输出端与所述数据应用层的输入端连接。
优选的,所述步骤S1.1的具体方法如下:
S1.11:获取电力***能源生产端、传输端、配售端数据应用业务;
S1.12:根据树状层次结构,将数据应用业务划分为多个微服务,并对微服务进行编号;
S1.13:将微服务封装于Docker容器中,并将容器上传至云平台容器仓库。
优选的,所述步骤S1.3的数据预处理过程具体内容如下:
S1.31:数据标准化描述:电力物联网感知层数据源包括电力***能源生产端、配电端、用户端所部署的终端设备,将感知层上传的数据通过BSON数据格式统一描述;数据标准化描述过程包括设备标准化和数据标准化,具体为:
设备标准化:通过设备静态信息,包括设备名称、设备出厂编号、设备类型、设备位置信息,生成全局唯一的设备ID号;
数据标准化:根据感知层设备类型,将数据类型划分为报警类、数值类、信号量类;进一步地,将报警类数据细分为烟雾报警、过压过流报警;将数值类数据细分为温度、电压;将信号量类数据细分为视频、图片,通过数据类别信息及数据标识信息共同描述数据内容;
S1.32:数据集成与融合:将数据进行不同层次的融合,具体为:
数据级融合:将电力物联网感知层设备短时间内多次测量值或多个同类型设备同一时刻测量值求平均;
特征级融合:通过特征级融合方法,提取感知层数据中的关键信息,所述特征级融合方法包括深度学习、K-近邻、特征压缩聚类;
决策级融合:为当前监测对象构建决策模型,将感知层数据作为输入变量,由决策模型判断监测对象是否正常工作,构建决策模型的方法包括深度学习、机器学习、强化学习;
S1.33:数据标签管理:设定长度为128bit的标签变量,其中0-2bit分别用于表示数据是否需要加密、数据是否需要压缩、数据是否要求实时;3-4bit表示数据传输Qos级别,5-127bit共123位表示数据的微服务编号,与所述步骤S12中的微服务编号相对应;
S1.34:数据消息队列:将经过预处理后的数据加入消息队列,根据数据标签5-127bit的取值情况,将数据传递到相应的微服务容器中。
优选的,所述建立初选评价指标,包括以下步骤:
S2.11:对大量SDON相关资料进行分析整理,得到一个较为全面的影响SDON电力业务承载性能的指标体系;
S2.12:依据各项指标的含义以及《国家电网公司统一统计指标体系规范》,删除整理的指标集中有较大冗余或与SDON电力业务承载性能相关性较低的指标;
S2.13:最后得到的指标集中包含30个备选指标,应对这30个指标进行分类以降低后续属性赋值的难度;
S2.14:结合目前电力通信网和SDON的运行特点,将得到的指标集分成5类,即5个指标子集,得到初选层次指标体系。
优选的,所述指标属性是指指标的性质和关系,用来衡量所选取指标对评价***的价值,也是决策过程需要遵循的原则,也就是对指标进行筛选时,需要针对每个指标分析其对所有属性的贡献度,如某个指标的重要性程度,指标属性集包括重要性、合理性、独立性、客观性和针对性。
优选的,所述在对指标排序前,建立决策矩阵是最关键的一步,建立决策矩阵包括以下步骤:
S1:建立决策矩阵D
D={dij}m×n
其中,m为指标集中指标的数量,n为属性集中属性的数量,d i j为第i个指标对第j个属性的贡献度;
S2:设置备选指标子集、备选指标集和属性集,将备选指标子集设为准则层,将备选指标集设为指标层,将属性集设为目标层;
S3:在每个属性下,分别利用AHP法计算准则层和指标层的单层相对权重ω1和ω2,再根据公式ω=ω1·ω1计算绝对权重,将权重值作为指标对属性的贡献度,即d的值,构成决策矩阵D。
优选的,所述评价指标排序是指实现对指标的排序,就需要对所有指标在不同属性下的贡献度进行综合考量,也就是对指标的属性值进行聚合,即多属性决策,典型的多属性决策方法有:SAW,TOPSIS,GRA等,SAW法是最简单的决策方法,聚合公式为:
Fsaw(D)=D·WT
其中D为由决策矩阵D公式得到的决策矩阵,W为属性的权重向量,权重向量中所有元素之和为1。
优选的,所述若重点考虑每个指标贡献度较大的属性,则引入OWA算子来强调属性值的优势,在属性值聚合前,将每一组属性值按照关注程度大小重新排列,希望对聚合结果贡献度大的值得到更多的关注度,因此定义权重向量的生成函数如下:
其中,n为属性数量,即n=5,为排序后第j个值的权重,根据公式上述公式,可得:
OWA算子可与SAW、TOPSIS、GRA等方法结合,突出对聚合结果贡献较大的属性值的影响,以OWA-SAW为例说明OWA算子的应用包括以下步骤:
首先将根据决策矩阵D公式计算得到的决策矩阵D按降序重排,得到Dorder;
再根据定义权重向量函数生成公式计算得到替代SAW法聚合公式中的权重向量W,就可计算出基于OWA-SAW的属性聚合值,OWA其他方法结合时的计算与上述方法类似,不再赘述。
优选的,所述重要性为用来衡量评价指标所评价的内容对待评价单元的影响程度,合理性用来衡量评价指标对待评价单元的适合度,独立性用来衡量评价指标对评价指标体系中其他指标的依赖程度,客观性用来衡量定量获取评价指标值的难易程度,针对性用来衡量评价指标对SDON的考虑程度,当5个属性较能全面的满足指标筛选所应遵循的原则时,则需要按照实际情况给定每个属性对指标筛选的参考价值,即各属性的重要度。
优选的,所述大数据计算模型实现大数据计算的方法至少为聚类算法模型、关联算法模型、决策树算法模型、BP神经网络算法模型、KNN算法模型、支持向量机算法模型、VSM法模型或k-近邻素算法模型,所述关联算法模型为贝叶斯分类算法模型,假设待划分属性的大数据集为d,假设将电力事件数据属性的类别划分为集合C,其中C={c1,c2,...,cm},其中第i分类属性满足这样的条件:1≤i≤m,对于待分类的电力大事件数据集合d,其输出的最大类别为P(ci/d),则有:其中C、D表示为随机变量,所述大数据计算模型还包括大数据降维模型,应用所述大数据降维模型进行大数据降维的方法为主成分分析方法,所述主成分分析方法的步骤为:
标准化数据;假设电力大数据样本数据纬度为p,随机向量为x=(x1,x2,...,xp)T;则对于i个数据样本,存在:xi=(xi1,xi2,...,xip)T,其中i=1,2,...,n;当n>p时,对样本阵元进行标准化变换,其中标准化变换公式为:
其中i=1,2,...,n;j=1,2,...,p;在公式(3)中,还存在:
求出所述标准化矩阵Z的相关系数矩阵;
R=[rij]p;
其中:
其中i,j=1,2,...,p;
确定主成分,通过求解相关矩阵R的特征方程得出,所述方程为:
|R-λIp|=0
在确定n的值时,通过以下公式:
在公式(10)中的每个λj,j=1,2,...,n,解方程组得出:
Rb=λjb(11)
通过公式(11)得出特征向量
然后再将标准化后的指标变量转换为主成分,则有
其中j=1,2,...,n;并且U1称为第一主成分,U2称为第二主成分,Uj称为第j主成分;
然后对n个主成分进行综合评价,并且对n个主成分进行加权求和,即得最终评价值,权数为每个主成分的方差贡献率,
所述大数据计算模型实现大数据计算的方法还包括Adaboost迭代算法,
所述云端服务器至少包括分布式存储模块、数据传输接口、CPU、内存、磁盘、带宽和云网络接口,
所述云网络接口为兼容性接口,并且至少兼容无线通信接口,
所述云端服务器主机的硬件配置为Intel Xeon E3-1220v53.0 GHz四核,内存为8GDDR4,硬盘为1*Intel企业级SSD,1*SATA 1T,网卡为2*千兆网口;工作机节点的硬件配置为CPU型号Intel Xeon E53.0GHZ,内存为160GB,硬盘容量为128TB。
相比于现有技术而言,本发明公开了一种基于源网荷储新型电力***运维监控平台的操作方法,包括数据采集层、数据传输层、数据计算层、指令决策层,四者相互结合使用发挥作用,
①设计了边缘层数据预处理流程,该流程对数据进行标准化描述、集成与融合、标签化管理等步骤,在规范数据格式的同时,提高数据的利用效率。针对数据应用过程中存在的时延大、云计算负担大的问题,本发明采用基于微服务和容器化技术的数据应用云边协同方式,通过合理调度微服务,可将部分应用微服务下放至边缘层,基于云边协同技术,缓解了云计算架构下云平台资源压力大问题,同时可根据边缘层节点的资源情况,动态调整应用微服务部署结构,最大限度利用边缘层节点的资源;
②将SDON架构与电力通信网运行特点相结合,为实现业务承载性能评价指标的筛选,考虑了重要性、合理性、独立性、客观性和针对性五个属性,利用层次分析法AHP法实现对属性值的赋值,并建立决策矩阵,然后基于决策矩阵对比了基于有序加权平均OWA算子的简单加权法SAW、逼近理想解排序法TOPSIS和灰色关联度分析法GRA三种方法的排序一致性,最终选择OWA-SAW法进行指标筛选,建立了适合SDON架构下的电力骨干传输网业务承载性能评估的指标体系,为SDON与电力通信网的融合提供了理论基础;
③用OWA-SAW筛选出来的指标相对较全面地体现了网络结构特征、控制策略、路由策略、设备运行维护状况等对业务承载性能的影响,突出了SDON架构中控制策略、生存策略、路由策略等动态策略对电力骨干传输网的业务承载性能的重要影响,具有一定的针对性和代表性,结合了软件定义光网络的性能属性与电力通信网***性能评估指标,建立了电力通信网业务承载性能的指标体系,针对性作为筛选指标的原则,选择AHP方法对属性进行赋值,结合真实数据,采用Spearman相关系数,比较OWA-AW、TOPSIS和GRA这三种决策方法的排序一致性,然后采用一致性较高的OWA-AW方法,突出属性值的优势,对指标属性值聚合处理后进行排序,筛选出备选指标,提供了更有针对性和代表性的评价指标,并为评价SDON架构下的电力通信网业务承载性能提供了理论基础;
④通过采用分类算法模型进行数据分类,提高了电力设备大处理的分类能力,减少了电力设备管理用户查询数据的难度,提高了大数据管理和应用能力,采用大数据降维技术,实现了大数据的高纬度转换,使得用户更加容易地识别电力设备大数据,提高了数据的识别能力,云计算的方式对大数据进行处理,能够在几秒钟的时间内实现上百亿次的数据处理,提高了数据的计算能力,有助于用户用不计其数的数据库中快速检索出目标数据,实现大数据的快速处理,采用云网络架构,实现数据的实时、在线和远程应用,用户能够在不同的地方实现大数据的共享与应用,数据共享能力强。该技术融合了网络技术、信息技术、整合技术、管理平台技术、应用技术等,可组成资源池,按需所用,灵活便利;
⑤在高波动性、灵活性、复杂性新型电力***中,所述技术体系为电力供需平衡的调峰应用、设备故障或新能源出力剧烈波动导致的紧急调频应用、广泛分布式电源及柔性负荷设备接入的电网鲁棒性提升应用等场景,提供了具备探索意义的技术架构,可以预见,其运行灵活性、手段多样性和综合优化性提升的优势将为促进源网荷储的技术发展提供新的环境和可能。
附图说明
图1为本发明基于源网荷储新型电力***运维监控平台的操作方法图;
图2为本发明基于源网荷储新型电力***运维监控平台的操作方法图;
图3为本发明基于源网荷储新型电力***运维监控平台的组成图;
图4为本发明基于源网荷储新型电力***运维监控平台的操作方法流程图;
图5为本发明基于源网荷储新型电力***运维监控平台的操作方法流程图。
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。
一种基于源网荷储新型电力***运维监控平台的操作方法,包括数据采集层、数据传输层、数据计算层、指令决策层,
所述数据采集层包括实现各微源现场数据的采集与计算,步骤如下:
S1.1.将储水蓄能组、蓄电池、光伏、风机、生物质能五者根据树状层次结构划分为多个微服务,并通过5G技术,通过数据线数据采集上传至云平台;
S1.2.云平台根据边缘层节点的网络带宽、存储容量、CPU性能、I/O速率情况进行容器编排,为边缘层节点调度、安装、配置微服务容器,所述微服务容器至少包括数据预处理微服务容器;
S1.3.边缘层节点获取电力物联网感知层设备采集的数据,通过数据预处理微服务容器对多源异构数据进行数据预处理;
S1.4.边缘层节点将预处理后的数据根据微服务容器部署结构转发到云平台进一步利用或通过边缘层就地利用;
所述数据传输层包括通过终端5G设备以及网络通信协议,实现数据的互联互通,步骤如下:
S2.1:建立初选评价指标,通过对大量SDON相关资料进行分析整理,得到一个较为全面的影响SDON电力业务承载性能的指标体系;
S2.2:确定指标属性,针对每个指标分析其对所有属性的贡献度,设计合理的筛选方法对初选指标体系进行筛选,降低评价的难度;
S2.3:建立决策矩阵,分别分析指标对各个属性的贡献度,根据相应的结果检测决策矩阵;
S2.4:指标属性值聚合,分别用SAW、TOPSIS、GRA方法进行属性值聚合和引入OWA算子后进行属性值聚合的结果对比;
S2.5:评价指标排序,在属性值重要度相同情况下和强调属性值优势情况下的排序结果两两对比,对指标集中所有指标依据属性值聚合结果进行排序;
S2.6:设置筛选指标的阈值,设置一个评价指标对属性贡献度的阈值,对评价指标进行筛选,若要求指标对属性的贡献度不低于所有指标贡献度的平均值,则设定阈值为总贡献度的平均值0.0363,筛选出前13项评价指标;
S2.7:根据筛选的结果,建立最终评价指标体系;
所述数据计算层包括对底层上传的数据做分析,利用云端平台的计算和分析,得出最终结果交流指令决策,步骤如下:底层设备层,其内设置有传感器,通过所述传感器感知各个各种电力设备的工作状态,并传递感知到的各种电力设备数据信息;其中:所述传感器至少包括光电传感器、红外传感器、速度传感器、加速传感器、GIS传感器、振动传感器、纹波传感器、温湿度传感器、角度传感器、磁场传感器、转速传感器、RFID标签、GPS设备、射线辐射传感器、热敏传感器、能耗传感器或M2M终端;
信息传递层,其内设置有有线通信模块或无线通信模块,用于接收并传递所述信息感知层感知的电力设备数据信息;其中所述有线通信模块至少包括RS485通信模块或RS232通信模块,所述无线通信模块至少包括TCP/IP网络***、ZigBee无线网络、GPRS通信模块或CDMA无线通信、3G网络通信、4G网络通信、WLAN通信、LTE通信、云端服务器或蓝牙通信模块;
大数据处理层,其内设置有计算机管理***和云端服务器,用于接收并处理所述信息传递层传递的各种电力设备数据信息;其中:所述计算机管理***连接有显示模块、多通道数据接口、大数据分析模块、故障诊断设备、示波器和告警模块;所述显示模块为LCD显示屏,所述多通道数据接口支撑至少两个以上的通讯数据类型;并且所述多通道数据接口至少支持RS485通讯、TCP/IP通讯、无线通讯或GPRS通讯;所述大数据分析模块连接有Hadoop数据管理平台;其中所述云端服务器通过将规模级的底层服务器通过集约化、虚拟化构建起云端资源池,然后从资源池中调配计算资源组建而成,其中所述CPU、内存、磁盘或带宽以自由组合的方式存在;其中所述云端服务器还设置有大数据分布式存储结构和大数据计算模型,所述大数据分布式存储结构实现数据布局分析,所述大数据计算模型实现大数据计算;
所述大数据分布式存储结构实现数据布局分析的方法为:
设R为电力大数据存储数据结构的数据集合,用数据集合表示为R=(E i,Ej,d,t);数据库中数据集合表示为:X={x1,x2,...,xn};假设数据集X含有c个类别,所述云端服务器的云网络的电力大数据的特征映射为f(k),则有检索大数据的模型为:
min F(x)=(f1(x),f2(x),...,fm(x))T(1)
其中n为大数据的统计变量,m为影响检索决策的因变量;T表示检索时间;
数据应用层,其内设置有数据存储单元,用于存储、使用或传递所述大数据处理层处理后的数据;其中:
所述底层设备层的输出端与所述信息传递层的输入端连接,所述信息传递层的输出端与所述大数据处理层的输入端连接,所述大数据处理层的输出端与所述数据应用层的输入端连接。
所述步骤S1.1的具体方法如下:
S1.11:获取电力***能源生产端、传输端、配售端数据应用业务;
S1.12:根据树状层次结构,将数据应用业务划分为多个微服务,并对微服务进行编号;
S1.13:将微服务封装于Docker容器中,并将容器上传至云平台容器仓库。
所述步骤S1.3的数据预处理过程具体内容如下:
S1.31:数据标准化描述:电力物联网感知层数据源包括电力***能源生产端、配电端、用户端所部署的终端设备,将感知层上传的数据通过BSON数据格式统一描述;数据标准化描述过程包括设备标准化和数据标准化,具体为:
设备标准化:通过设备静态信息,包括设备名称、设备出厂编号、设备类型、设备位置信息,生成全局唯一的设备ID号;
数据标准化:根据感知层设备类型,将数据类型划分为报警类、数值类、信号量类;进一步地,将报警类数据细分为烟雾报警、过压过流报警;将数值类数据细分为温度、电压;将信号量类数据细分为视频、图片,通过数据类别信息及数据标识信息共同描述数据内容;
S1.32:数据集成与融合:将数据进行不同层次的融合,具体为:
数据级融合:将电力物联网感知层设备短时间内多次测量值或多个同类型设备同一时刻测量值求平均;
特征级融合:通过特征级融合方法,提取感知层数据中的关键信息,所述特征级融合方法包括深度学习、K-近邻、特征压缩聚类;
决策级融合:为当前监测对象构建决策模型,将感知层数据作为输入变量,由决策模型判断监测对象是否正常工作,构建决策模型的方法包括深度学习、机器学习、强化学习;
S1.33:数据标签管理:设定长度为128bit的标签变量,其中0-2bit分别用于表示数据是否需要加密、数据是否需要压缩、数据是否要求实时;3-4bit表示数据传输Qos级别,5-127bit共123位表示数据的微服务编号,与所述步骤S12中的微服务编号相对应;
S1.34:数据消息队列:将经过预处理后的数据加入消息队列,根据数据标签5-127bit的取值情况,将数据传递到相应的微服务容器中。
所述建立初选评价指标,包括以下步骤:
S2.11:对大量SDON相关资料进行分析整理,得到一个较为全面的影响SDON电力业务承载性能的指标体系;
S2.12:依据各项指标的含义以及《国家电网公司统一统计指标体系规范》,删除整理的指标集中有较大冗余或与SDON电力业务承载性能相关性较低的指标;
S2.13:最后得到的指标集中包含30个备选指标,应对这30个指标进行分类以降低后续属性赋值的难度;
S2.14:结合目前电力通信网和SDON的运行特点,将得到的指标集分成5类,即5个指标子集,得到初选层次指标体系。
所述指标属性是指指标的性质和关系,用来衡量所选取指标对评价***的价值,也是决策过程需要遵循的原则,也就是对指标进行筛选时,需要针对每个指标分析其对所有属性的贡献度,如某个指标的重要性程度,指标属性集包括重要性、合理性、独立性、客观性和针对性。
所述在对指标排序前,建立决策矩阵是最关键的一步,建立决策矩阵包括以下步骤:
S1:建立决策矩阵D
D={dij}m×n
其中,m为指标集中指标的数量,n为属性集中属性的数量,dij为第i个指标对第j个属性的贡献度;
S2:设置备选指标子集、备选指标集和属性集,将备选指标子集设为准则层,将备选指标集设为指标层,将属性集设为目标层;
S3:在每个属性下,分别利用AHP法计算准则层和指标层的单层相对权重ω1和ω2,再根据公式ω=ω1·ω1计算绝对权重,将权重值作为指标对属性的贡献度,即d的值,构成决策矩阵D。
所述评价指标排序是指实现对指标的排序,就需要对所有指标在不同属性下的贡献度进行综合考量,也就是对指标的属性值进行聚合,即多属性决策,典型的多属性决策方法有:SAW,TOPSIS,GRA等,SAW法是最简单的决策方法,聚合公式为:
Fsaw(D)=D·WT
其中D为由决策矩阵D公式得到的决策矩阵,W为属性的权重向量,权重向量中所有元素之和为1。
所述若重点考虑每个指标贡献度较大的属性,则引入OWA算子来强调属性值的优势,在属性值聚合前,将每一组属性值按照关注程度大小重新排列,希望对聚合结果贡献度大的值得到更多的关注度,因此定义权重向量的生成函数如下:
其中,n为属性数量,即n=5,为排序后第j个值的权重,根据公式上述公式,可得:
OWA算子可与SAW、TOPS IS、GRA等方法结合,突出对聚合结果贡献较大的属性值的影响,以OWA-SAW为例说明OWA算子的应用包括以下步骤:
首先将根据决策矩阵D公式计算得到的决策矩阵D按降序重排,得到Dorder;
再根据定义权重向量函数生成公式计算得到替代SAW法聚合公式中的权重向量W,就可计算出基于OWA-SAW的属性聚合值,OWA其他方法结合时的计算与上述方法类似,不再赘述。
所述重要性为用来衡量评价指标所评价的内容对待评价单元的影响程度,合理性用来衡量评价指标对待评价单元的适合度,独立性用来衡量评价指标对评价指标体系中其他指标的依赖程度,客观性用来衡量定量获取评价指标值的难易程度,针对性用来衡量评价指标对SDON的考虑程度,当5个属性较能全面的满足指标筛选所应遵循的原则时,则需要按照实际情况给定每个属性对指标筛选的参考价值,即各属性的重要度。
所述大数据计算模型实现大数据计算的方法至少为聚类算法模型、关联算法模型、决策树算法模型、BP神经网络算法模型、KNN算法模型、支持向量机算法模型、VSM法模型或k-近邻素算法模型,所述关联算法模型为贝叶斯分类算法模型,假设待划分属性的大数据集为d,假设将电力事件数据属性的类别划分为集合C,其中C={c1,c2,...,cm},其中第i分类属性满足这样的条件:1≤i≤m,对于待分类的电力大事件数据集合d,其输出的最大类别为P(ci/d),则有:其中C、D表示为随机变量,所述大数据计算模型还包括大数据降维模型,应用所述大数据降维模型进行大数据降维的方法为主成分分析方法,所述主成分分析方法的步骤为:
标准化数据;假设电力大数据样本数据纬度为p,随机向量为x=(x1,x2,...,xp)T;则对于i个数据样本,存在:xi=(xi1,xi2,...,xip)T,其中i=1,2,...,n;当n>p时,对样本阵元进行标准化变换,其中标准化变换公式为:
其中i=1,2,...,n;j=1,2,...,p;在公式(3)中,还存在:
求出所述标准化矩阵Z的相关系数矩阵;
R=[rij]p;
其中:
其中i,j=1,2,...,p;
确定主成分,通过求解相关矩阵R的特征方程得出,所述方程为:
|R-λIp|=0
在确定n的值时,通过以下公式:
在公式(10)中的每个λj,j=1,2,...,n,解方程组得出:
Rb=λjb(11)
通过公式(11)得出特征向量
然后再将标准化后的指标变量转换为主成分,则有
其中j=1,2,...,n;并且U1称为第一主成分,U2称为第二主成分,Uj称为第j主成分;
然后对n个主成分进行综合评价,并且对n个主成分进行加权求和,即得最终评价值,权数为每个主成分的方差贡献率,
所述大数据计算模型实现大数据计算的方法还包括Adaboost迭代算法,
所述云端服务器至少包括分布式存储模块、数据传输接口、CPU、内存、磁盘、带宽和云网络接口,
所述云网络接口为兼容性接口,并且至少兼容无线通信接口,
所述云端服务器主机的硬件配置为Intel Xeon E3-1220v53.0 GHz四核,内存为8GDDR4,硬盘为1*Intel企业级SSD,1*SATA 1T,网卡为2*千兆网口;工作机节点的硬件配置为CPU型号Intel Xeon E53.0GHZ,内存为160GB,硬盘容量为128TB。
在本发明中,所述大数据计算模型实现大数据计算的方法还包括Adaboost迭代算法,其中Adaboost迭代算法的算法过程为:
(1)获取训练样本,训练弱分类器,通过训练多个弱分类器,训练强分类器;用公式表示为:D1=(w11,w12,…,w1N),w1i=1/N,i=1,2…N
(2)迭代计算;计算出不同弱分类器分类的误差,所计算出的误差等于各个不同电力营销大数据样本的权重和,算法迭代的次数小于弱分类器的个数;
(3)迭代误差计算,其中迭代误差Gm(x)在训练集上的误差率公式为:
(4)归一化处理:获取最优分类器之后,然后进一步地计算所选取的分类器的权重,接着再更新各个不同样本的权重,进行再归一化处理,然后计算Gm(x)的系数,am代表Gm(x)在训练后的最终分类器中的关键程度,用公式表示为:
在上述公式中,em≤1/2时,am≥0,通过公式可看出,am与em成反比例关系,即误差率越小,分类器在最终分类器中越起到比较大的作用;
(5)迭代判断:判断迭代次数是否等于阈值,如果与阈值相等,则完成迭代计算,最后的分类器则由迭代过程中所选择的弱分类器经过线性加权得到的,如果迭代次数不等于阈值,则重新进行迭代计算。
云基础架构融合的层次结构包括硬件层、业务层、管理层等。在具体工作时,云端服务器中的FCoE技术和方案,将存储与网络进行融合,以及横向虚拟化、纵向虚拟化实现网络设备自身的融合。此外,还有VEPA技术和方案,则是将计算虚拟化与网络设备和网络虚拟化进行融合,实现虚拟机与虚拟网络之间的关联。
在业务层,典型的方案是云安全解决方案。通过虚拟防火墙与虚拟机之间的融合,可以实现虚拟防火墙对虚拟机的感知、关联,确保虚拟机迁移、新增或减少时,防火墙策略也能够自动关联。此外,还有虚拟机与LB负载均衡之间的联动。当业务突发资源不足时,传统方案需要人工发现虚拟机资源不足,再手工创建虚拟机,并配置访问策略,响应速度很慢,而且非常的费时费力。通过自动探测某个业务虚拟机的用户访问和资源利用率情况,在业务突发时,自动按需增加相应数量的虚拟机,与LB联动进行业务负载分担;同时,当业务突发减小时,可以自动减少相应数量的虚拟机,节省资源。不仅有效解决虚拟化环境中面临的业务突发问题,而且大大提升了业务响应的效率和智能化。
在管理层中,云基础架构通过虚拟化技术与管理层的融合,提升了IT***的可靠性。例如,虚拟化平台可与网络管理、计算管理、存储管理联动,当设备出现故障影响虚拟机业务时,可自动迁移虚拟机,保障业务正常访问;此外,对于设备正常、操作***正常、但某个业务***无法访问的情况,虚拟化平台还可以与应用管理联动,探测应用***的状态,例!(NWeb、APP、DB等响应速度,当某个应用无法正常提供访问时,自动重启虚拟机,恢复业务正常访问。
数据中心由基础架构向云基础架构的转变,极大提升了基础架构融合的必要性和可行性。通过资源池的云网融合,构建统一、融合、联动的基础架构***,不仅提升了应用***部署的可靠性、灵活性、可扩展性和可管理性,而且也促进了云计算的应用和实践。
在云平台中,云计算是一种资源的服务模式,该模式可以实现随时随地、便捷按需地从可配置计算资源共享池中获取所需的资源(如网络、服务器、存储、应用及服务),资源能够快速供应并释放,大大减少了资源管理工作开销。
一种实施例中的云计算架构包括IaaS(Infrastructure as a Service,基础设施即服务)、PaaS(Platform as aService,平台即服务)、SaaS(Software as a Service,软件即服务)三层服务,其中:
IaaS层为基础设施运维人员服务,提供计算、存储、网络及其他基础资源,云平台使用者可以在上面部署和运行包括操作***和应用程序在内的任意软件,无需再为基础设施的管理而分心。
PaaS层为应用开发人员服务,提供支撑应用运行所需的软件运行时环境、相关工具与服务,如数据库服务、日志服务、监控服务等,让应用开发者可以专注于核心业务的开发。
SaaS层为一般用户服务,提供了一套完整可用的软件***,让一般用户无需关注技术细节,只需通过浏览器、应用客户端等方式就能使用部署在云上的应用服务
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、工作、器件、组件和/或它们的组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于源网荷储新型电力***运维监控平台的操作方法,其特征在于:包括数据采集层、数据传输层、数据计算层、指令决策层,
所述数据采集层包括实现各微源现场数据的采集与计算,步骤如下:
S1.1.将储水蓄能组、蓄电池、光伏、风机、生物质能五者根据树状层次结构划分为多个微服务,并通过5G技术,通过数据线数据采集上传至云平台;
S1.2.云平台根据边缘层节点的网络带宽、存储容量、CPU性能、I/O速率情况进行容器编排,为边缘层节点调度、安装、配置微服务容器,所述微服务容器至少包括数据预处理微服务容器;
S1.3.边缘层节点获取电力物联网感知层设备采集的数据,通过数据预处理微服务容器对多源异构数据进行数据预处理;
S1.4.边缘层节点将预处理后的数据根据微服务容器部署结构转发到云平台进一步利用或通过边缘层就地利用;
所述数据传输层包括通过终端5G设备以及网络通信协议,实现数据的互联互通,步骤如下:
S2.1:建立初选评价指标,通过对大量SDON相关资料进行分析整理,得到一个较为全面的影响SDON电力业务承载性能的指标体系;
S2.2:确定指标属性,针对每个指标分析其对所有属性的贡献度,设计合理的筛选方法对初选指标体系进行筛选,降低评价的难度;
S2.3:建立决策矩阵,分别分析指标对各个属性的贡献度,根据相应的结果检测决策矩阵;
S2.4:指标属性值聚合,分别用SAW、TOPSIS、GRA方法进行属性值聚合和引入OWA算子后进行属性值聚合的结果对比;
S2.5:评价指标排序,在属性值重要度相同情况下和强调属性值优势情况下的排序结果两两对比,对指标集中所有指标依据属性值聚合结果进行排序;
S2.6:设置筛选指标的阈值,设置一个评价指标对属性贡献度的阈值,对评价指标进行筛选,若要求指标对属性的贡献度不低于所有指标贡献度的平均值,则设定阈值为总贡献度的平均值0.0363,筛选出前13项评价指标;
S2.7:根据筛选的结果,建立最终评价指标体系;
所述数据计算层包括对底层上传的数据做分析,利用云端平台的计算和分析,得出最终结果交流指令决策,步骤如下:底层设备层,其内设置有传感器,通过所述传感器感知各个各种电力设备的工作状态,并传递感知到的各种电力设备数据信息;其中:所述传感器至少包括光电传感器、红外传感器、速度传感器、加速传感器、GIS传感器、振动传感器、纹波传感器、温湿度传感器、角度传感器、磁场传感器、转速传感器、RFID标签、GPS设备、射线辐射传感器、热敏传感器、能耗传感器或M2M终端;
信息传递层,其内设置有有线通信模块或无线通信模块,用于接收并传递所述信息感知层感知的电力设备数据信息;其中所述有线通信模块至少包括RS485通信模块或RS232通信模块,所述无线通信模块至少包括TCP/IP网络***、ZigBee无线网络、GPRS通信模块或CDMA无线通信、3G网络通信、4G网络通信、WLAN通信、LTE通信、云端服务器或蓝牙通信模块;
大数据处理层,其内设置有计算机管理***和云端服务器,用于接收并处理所述信息传递层传递的各种电力设备数据信息;其中:所述计算机管理***连接有显示模块、多通道数据接口、大数据分析模块、故障诊断设备、示波器和告警模块;所述显示模块为LCD显示屏,所述多通道数据接口支撑至少两个以上的通讯数据类型;并且所述多通道数据接口至少支持RS485通讯、TCP/IP通讯、无线通讯或GPRS通讯;所述大数据分析模块连接有Hadoop数据管理平台;其中所述云端服务器通过将规模级的底层服务器通过集约化、虚拟化构建起云端资源池,然后从资源池中调配计算资源组建而成,其中所述CPU、内存、磁盘或带宽以自由组合的方式存在;其中所述云端服务器还设置有大数据分布式存储结构和大数据计算模型,所述大数据分布式存储结构实现数据布局分析,所述大数据计算模型实现大数据计算;
所述大数据分布式存储结构实现数据布局分析的方法为:
设R为电力大数据存储数据结构的数据集合,用数据集合表示为R=(Ei,Ej,d,t);数据库中数据集合表示为:X={x1,x2,...,xn};假设数据集X含有c个类别,所述云端服务器的云网络的电力大数据的特征映射为f(k),则有检索大数据的模型为:
min F(x)=(f1(x),f2(x),...,fm(x))T(1)
其中n为大数据的统计变量,m为影响检索决策的因变量;T表示检索时间;
数据应用层,其内设置有数据存储单元,用于存储、使用或传递所述大数据处理层处理后的数据;其中:
所述底层设备层的输出端与所述信息传递层的输入端连接,所述信息传递层的输出端与所述大数据处理层的输入端连接,所述大数据处理层的输出端与所述数据应用层的输入端连接。
2.根据权利要求1所述的基于源网荷储新型电力***运维监控平台的操作方法,其特征在于:所述步骤S1.1的具体方法如下:
S1.11:获取电力***能源生产端、传输端、配售端数据应用业务;
S1.12:根据树状层次结构,将数据应用业务划分为多个微服务,并对微服务进行编号;
S1.13:将微服务封装于Docker容器中,并将容器上传至云平台容器仓库。
3.根据权利要求1所述的基于源网荷储新型电力***运维监控平台的操作方法,其特征在于:所述步骤S1.3的数据预处理过程具体内容如下:
S1.31:数据标准化描述:电力物联网感知层数据源包括电力***能源生产端、配电端、用户端所部署的终端设备,将感知层上传的数据通过BSON数据格式统一描述;数据标准化描述过程包括设备标准化和数据标准化,具体为:
设备标准化:通过设备静态信息,包括设备名称、设备出厂编号、设备类型、设备位置信息,生成全局唯一的设备ID号;
数据标准化:根据感知层设备类型,将数据类型划分为报警类、数值类、信号量类;将报警类数据细分为烟雾报警、过压过流报警;将数值类数据细分为温度、电压;将信号量类数据细分为视频、图片,通过数据类别信息及数据标识信息共同描述数据内容;
S1.32:数据集成与融合:将数据进行不同层次的融合,具体为:
数据级融合:将电力物联网感知层设备短时间内多次测量值或多个同类型设备同一时刻测量值求平均;
特征级融合:通过特征级融合方法,提取感知层数据中的关键信息,所述特征级融合方法包括深度学习、K-近邻、特征压缩聚类;
决策级融合:为当前监测对象构建决策模型,将感知层数据作为输入变量,由决策模型判断监测对象是否正常工作,构建决策模型的方法包括深度学习、机器学习、强化学习;
S1.33:数据标签管理:设定长度为128bit的标签变量,其中0-2bit分别用于表示数据是否需要加密、数据是否需要压缩、数据是否要求实时;3-4bit表示数据传输Qos级别,5-127bit共123位表示数据的微服务编号,与所述步骤S12中的微服务编号相对应;
S1.34:数据消息队列:将经过预处理后的数据加入消息队列,根据数据标签5-127bit的取值情况,将数据传递到相应的微服务容器中。
4.根据权利要求1所述的基于源网荷储新型电力***运维监控平台的操作方法,其特征在于:所述建立初选评价指标,包括以下步骤:
S2.11:对大量SDON相关资料进行分析整理,得到一个较为全面的影响SDON电力业务承载性能的指标体系;
S2.12:依据各项指标的含义以及《国家电网公司统一统计指标体系规范》,删除整理的指标集中有较大冗余或与SDON电力业务承载性能相关性较低的指标;
S2.13:最后得到的指标集中包含30个备选指标,应对这30个指标进行分类以降低后续属性赋值的难度;
S2.14:结合目前电力通信网和SDON的运行特点,将得到的指标集分成5类,即5个指标子集,得到初选层次指标体系。
5.根据权利要求1所述的基于源网荷储新型电力***运维监控平台的操作方法,其特征在于:所述指标属性是指指标的性质和关系,用来衡量所选取指标对评价***的价值,也是决策过程需要遵循的原则,也就是对指标进行筛选时,需要针对每个指标分析其对所有属性的贡献度,如某个指标的重要性程度,指标属性集包括重要性、合理性、独立性、客观性和针对性。
6.根据权利要求1所述的基于源网荷储新型电力***运维监控平台的操作方法,其特征在于:所述在对指标排序前,建立决策矩阵是最关键的一步,建立决策矩阵包括以下步骤:
S1:建立决策矩阵D
D={dij}m×n
其中,m为指标集中指标的数量,n为属性集中属性的数量,dij为第i个指标对第j个属性的贡献度;
S2:设置备选指标子集、备选指标集和属性集,将备选指标子集设为准则层,将备选指标集设为指标层,将属性集设为目标层;
S3:在每个属性下,分别利用AHP法计算准则层和指标层的单层相对权重ω1和ω2,再根据公式ω=ω1·ω1计算绝对权重,将权重值作为指标对属性的贡献度,即d的值,构成决策矩阵D。
7.根据权利要求1所述的基于源网荷储新型电力***运维监控平台的操作方法,其特征在于:所述评价指标排序是指实现对指标的排序,就需要对所有指标在不同属性下的贡献度进行综合考量,也就是对指标的属性值进行聚合,即多属性决策,典型的多属性决策方法有:SAW,TOPSIS,GRA等,SAW法是最简单的决策方法,聚合公式为:
Fsaw(D)=D·WT
其中D为由决策矩阵D公式得到的决策矩阵,W为属性的权重向量,权重向量中所有元素之和为1。
8.根据权利要求1所述的基于源网荷储新型电力***运维监控平台的操作方法,其特征在于:所述若重点考虑每个指标贡献度较大的属性,则引入OWA算子来强调属性值的优势,在属性值聚合前,将每一组属性值按照关注程度大小重新排列,希望对聚合结果贡献度大的值得到更多的关注度,因此定义权重向量的生成函数如下:
其中,n为属性数量,即n=5,为排序后第j个值的权重,根据公式上述公式,可得:
OWA算子可与SAW、TOPSIS、GRA等方法结合,突出对聚合结果贡献较大的属性值的影响,以OWA-SAW为例说明OWA算子的应用包括以下步骤:
首先将根据决策矩阵D公式计算得到的决策矩阵D按降序重排,得到Dorder;
再根据定义权重向量函数生成公式计算得到替代SAW法聚合公式中的权重向量W,就可计算出基于OWA-SAW的属性聚合值,OWA其他方法结合时的计算与上述方法类似,不再赘述。
9.根据权利要求1所述的基于源网荷储新型电力***运维监控平台的操作方法,其特征在于:所述重要性为用来衡量评价指标所评价的内容对待评价单元的影响程度,合理性用来衡量评价指标对待评价单元的适合度,独立性用来衡量评价指标对评价指标体系中其他指标的依赖程度,客观性用来衡量定量获取评价指标值的难易程度,针对性用来衡量评价指标对SDON的考虑程度,当5个属性较能全面的满足指标筛选所应遵循的原则时,则需要按照实际情况给定每个属性对指标筛选的参考价值,即各属性的重要度。
10.根据权利要求1所述的基于源网荷储新型电力***运维监控平台的操作方法,其特征在于:所述大数据计算模型实现大数据计算的方法至少为聚类算法模型、关联算法模型、决策树算法模型、BP神经网络算法模型、KNN算法模型、支持向量机算法模型、VSM法模型或k-近邻素算法模型,所述关联算法模型为贝叶斯分类算法模型,假设待划分属性的大数据集为d,假设将电力事件数据属性的类别划分为集合C,其中C={c1,c2,...,cm},其中第i分类属性满足这样的条件:1≤i≤m,对于待分类的电力大事件数据集合d,其输出的最大类别为P(ci/d),则有:其中C、D表示为随机变量,所述大数据计算模型还包括大数据降维模型,应用所述大数据降维模型进行大数据降维的方法为主成分分析方法,所述主成分分析方法的步骤为:
标准化数据;假设电力大数据样本数据纬度为p,随机向量为x=(x1,x2,...,xp)T;则对于i个数据样本,存在:xi=(xi 1,xi2,...,xip)T,其中i=1,2,...,n;当n>p时,对样本阵元进行标准化变换,其中标准化变换公式为:
其中i=1,2,...,n;j=1,2,...,p;在公式(3)中,还存在:
求出所述标准化矩阵Z的相关系数矩阵;
R=[rij]p;
其中:
其中i,j=1,2,...,p;
确定主成分,通过求解相关矩阵R的特征方程得出,所述方程为:
|R-λIp|=0
在确定n的值时,通过以下公式:
在公式(10)中的每个λj,j=1,2,...,n,解方程组得出:
Rb=λjb(11)
通过公式(11)得出特征向量
然后再将标准化后的指标变量转换为主成分,则有
其中j=1,2,...,n;并且U1称为第一主成分,U2称为第二主成分,Uj称为第j主成分;
然后对n个主成分进行综合评价,并且对n个主成分进行加权求和,即得最终评价值,权数为每个主成分的方差贡献率,
所述大数据计算模型实现大数据计算的方法还包括Adaboost迭代算法,
所述云端服务器至少包括分布式存储模块、数据传输接口、CPU、内存、磁盘、带宽和云网络接口,
所述云网络接口为兼容性接口,并且至少兼容无线通信接口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311102928.6A CN117097026A (zh) | 2023-08-30 | 2023-08-30 | 一种基于源网荷储新型电力***运维监控平台的操作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311102928.6A CN117097026A (zh) | 2023-08-30 | 2023-08-30 | 一种基于源网荷储新型电力***运维监控平台的操作方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117097026A true CN117097026A (zh) | 2023-11-21 |
Family
ID=88774726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311102928.6A Pending CN117097026A (zh) | 2023-08-30 | 2023-08-30 | 一种基于源网荷储新型电力***运维监控平台的操作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117097026A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117294023A (zh) * | 2023-11-24 | 2023-12-26 | 成都汉度科技有限公司 | 一种运行设备的远程监控方法及*** |
-
2023
- 2023-08-30 CN CN202311102928.6A patent/CN117097026A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117294023A (zh) * | 2023-11-24 | 2023-12-26 | 成都汉度科技有限公司 | 一种运行设备的远程监控方法及*** |
CN117294023B (zh) * | 2023-11-24 | 2024-02-02 | 成都汉度科技有限公司 | 一种运行设备的远程监控方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11243814B2 (en) | Diagnosing slow tasks in distributed computing | |
CN113176948B (zh) | 边缘网关、边缘计算***及其配置方法 | |
CN102713893A (zh) | 用于企业数据中心的虚拟化和整合分析引擎 | |
CN113179190B (zh) | 边缘控制器、边缘计算***及其配置方法 | |
CN117097026A (zh) | 一种基于源网荷储新型电力***运维监控平台的操作方法 | |
Li et al. | Research on QoS service composition based on coevolutionary genetic algorithm | |
CN116361377B (zh) | 基于工业物联网服务平台的负载预测***、方法及介质 | |
CN110460662A (zh) | 物联网数据的处理方法和*** | |
KR20150094408A (ko) | 사물 데이터를 이용한 클라우드 환경에서의 서비스 인지 시스템 | |
Ruiz et al. | Big data architecture for building energy management systems | |
CN111598722A (zh) | 一种基于云计算实现电力大数据布局和信息共享方法 | |
CN109241154A (zh) | 一种分布式数据库监控分析方法及*** | |
CN117539619A (zh) | 基于云边融合的算力调度方法、***、设备和存储介质 | |
CN105260245A (zh) | 一种资源调度方法及装置 | |
CN115495231B (zh) | 一种高并发任务复杂场景下的动态资源调度方法及*** | |
Lydia et al. | Generation of dynamic energy management using data mining techniques basing on big data analytics isssues in smart grids | |
CN113596146B (zh) | 一种基于大数据的资源调度的方法及装置 | |
Du et al. | OctopusKing: A TCT-aware task scheduling on spark platform | |
CN112948054A (zh) | 一种基于虚拟化技术的公交混合云平台*** | |
KR101878291B1 (ko) | 에너지 빅데이터 관리 시스템 및 그 방법 | |
Serhani et al. | Towards an efficient federated cloud service selection to support workflow big data requirements | |
CN117834454B (zh) | 物联网设备协议适配的快速接入方法 | |
Li et al. | Node Resource Balance Scheduling Algorithm of Power Internet of Things Based on Big Data | |
CN115037625B (zh) | 网络切片处理方法、装置、电子设备及可读存储介质 | |
KR102369656B1 (ko) | 셀 접속 모니터링을 이용한 IoT 단말 제어 명령 통합 관리 장치 및 방법과 그를 포함한 통합관리 시스템 |
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 |