CN118017564B - 一种基于开源鸿蒙***的储能方法 - Google Patents

Abstract

本申请公开了一种基于开源鸿蒙***的储能方法，涉及储能技术领域，包括：获取储能设备的地理坐标和储能设备与中心节点的网络连接拓扑结构；构建包含中心节点和多个边缘节点的分布式架构；利用鸿蒙***的分布式文件***在构建的分布式架构上部署分布式数据存储；采集实时数据；通过并行化的机器学习模型进行特征提取；将提取的特征数据通过鸿蒙***的碎片化传输；边缘节点从中心节点的分布式数据库中获取储能设备的历史状态数据；利用鸿蒙***的机器学习模型，训练用于预测储能设备容量的预测模型；生成储能设备的控制指令；采用基于OPCUA标准的工业时序通信协议传输控制指令。针对现有技术中储能***中响应迟延高的问题，本申请降低响应迟延。

Description

一种基于开源鸿蒙***的储能方法

技术领域

本申请涉及储能技术领域，特别涉及一种基于开源鸿蒙***的储能方法。

背景技术

随着可再生能源比重的快速增长，储能技术作为调峰填谷的关键环节，得到了广泛地应用。为实现大规模储能设备的高效协同管理，构建灵活、可扩展的储能管理***成为技术发展的重要方向。

现有的储能管理***普遍采用集中式架构，***中的核心业务逻辑集中在中心节点处理，这将导致，中心节点的计算和存储压力过大，***扩展性受限。海量设备数据向中心节点集中，网络传输拥塞严重，响应迟延明显。无法实时处理大量设备数据，影响控制效果。单点故障风险较大，可靠性不高。中心节点与设备之间交互耗时，无法做到实时控制。

在相关技术中，比如中国专利文献CN117097766A中提供了一种储能***的数据监控方法和数据监控装置，应用于数据监控***，该数据监控***包括云平台和储能***，该储能***包括储能设备和边缘设备，提高了数据传输效率。该方法包括：上述云平台向边缘设备发起消息队列遥测传输MQTT连接请求，该边缘设备和储能设备保持通信，以建立与上述储能***的MQTT连接；该云平台在接收来自上述边缘设备的连接确认信息的情况下，确认建立上述MQTT连接；云平台向边缘设备发送订阅请求，该订阅请求用于获取上述储能设备的储能数据；该云平台接收边缘设备发送的储能数据，该储能数据是上述边缘设备从上述储能设备获取的。但是该方案中MQTT本身是一种轻量级的发布－订阅模式协议，对消息传输可靠性保证较弱。网络不稳定时可能导致消息丢失，从而增加响应迟延。

发明内容

1.要解决的技术问题

针对现有技术中存在的储能***中响应迟延高的问题，本申请提供了一种基于开源鸿蒙***的储能方法，通过开源鸿蒙***的分布式架构，通过协同的中心节点和边缘节点对海量储能设备的高效管理，降低响应迟延。

2.技术方案

本申请的目的通过以下技术方案实现。

本说明书实施例提供一种基于开源鸿蒙***的储能方法，包括：获取储能设备的地理坐标和储能设备与中心节点的网络连接拓扑结构；其中，中心节点表示部署在云端的数据中心，数据中心表示服务器集群；根据获取的储能设备的地理坐标和储能设备与中心节点的网络连接拓扑结构，构建包含中心节点和多个边缘节点的分布式架构；利用鸿蒙***的分布式文件***在构建的分布式架构上部署分布式数据存储；采集储能设备的实时数据，通过鸿蒙***的分布式网络发送到边缘节点，实时数据包含电流和电压；边缘节点接收到实时数据后进行预处理，并通过并行化的机器学***台通信统一架构OPCUA标准的工业时序通信协议，将中心节点生成的控制指令传输给储能设备进行管理控制。

其中，开源鸿蒙***：由华为公司开发的分布式操作***，支持多种设备终端，实现跨平台的互联互通和资源共享。鸿蒙***采用分布式架构设计，提供了分布式文件***、分布式数据管理、分布式软总线等核心组件，便于开发者构建分布式应用。其中，边缘节点：部署在靠近数据源或设备端的计算节点，负责数据的采集、预处理和实时分析。边缘节点通常配置有一定的存储和计算资源，能够在本地完成部分数据处理任务，减轻中心节点的负载压力。在本申请中，边缘节点用于采集储能设备的实时数据和提取特征数据。其中，中心节点：部署在云端或数据中心的高性能计算节点，负责海量数据的存储、管理和深度分析。中心节点通常采用大规模分布式集群架构，具有强大的计算和存储能力。在本申请中，中心节点用于汇聚边缘节点上传的数据，并结合机器学习模型生成设备控制指令。

其中，机器学习模型：一类基于数据驱动的人工智能算法，通过对历史数据的学习训练，自动提取数据中蕴含的特征规律和映射关系。常见的机器学习模型包括神经网络、决策树、支持向量机等。在本申请中，机器学习模型用于预测储能设备的容量变化趋势。其中，分布式软总线网络组件：鸿蒙***提供的一种分布式通信机制，支持不同设备和应用之间的消息传递和数据交换。通过统一的接口定义和注册发现机制，实现分布式***各个模块之间的松耦合和灵活扩展。在本申请中，分布式软总线用于边缘节点与中心节点之间的实时数据传输。其中，碎片化传输：一种数据分块传输技术，将大块数据分割为多个小数据片段进行传输，可以提高网络传输的效率和可靠性。在本申请中，碎片化传输用于边缘节点将提取的特征数据高效发送到中心节点。其中，OPCUA（Open Platform CommunicationsUnified Architecture）：由OPC基金会制定的工业互操作性标准，支持工业设备之间的数据通信和信息交换。OPCUA采用面向服务的架构，提供了一套通用的信息模型和接口规范。在本申请中，OPCUA用于中心节点与储能设备之间的控制指令传输，保证通信的标准化和兼容性。

进一步的，获取储能设备的地理坐标和储能设备与中心节点的网络连接拓扑结构，包括：通过GPS获取储能设备的地理坐标数据，并将获取的地理坐标数据发送至边缘节点；边缘节点接收地理坐标数据后，通过Map Reduce框架进行曼哈顿距离计算，得到储能设备的空间分布特征；其中，空间分布特征包含储能设备的空间覆盖范围；边缘节点将计算得到的空间分布特征通过鸿蒙***的分布式软总线网络组件发送至中心节点；通过网络拓扑发现协议LLDP获取储能设备和中心节点的网络连接信息数据，并发送至边缘节点；其中，网络连接信息数据包含设备标识、端口信息、时延和链路速率；边缘节点接收到网络连接信息数据后，通过网络拓扑分析工具Gephi进行链路统计分析，得到网络拓扑结构特征；其中，网络拓扑结构特征包含节点度分布、平均路径长度和网络直径；边缘节点将得到的网络拓扑结构特征通过鸿蒙***的分布式软总线网络组件发送至中心节点。

其中，Map Reduce框架：一种分布式计算模型，用于处理大规模数据集的并行计算。Map Reduce将计算任务分为两个阶段：Map阶段对数据进行分片和预处理，Reduce阶段对Map阶段的输出结果进行汇总和聚合。通过将任务分发到多个节点并行执行，Map Reduce能够显著提高数据处理的效率。在本申请中，边缘节点利用Map Reduce框架对储能设备的地理坐标数据进行曼哈顿距离计算，快速得出空间分布特征。

其中，空间分布特征：描述储能设备在地理空间上的分布情况和覆盖范围的指标。通过对设备坐标进行聚类分析，可以识别出设备分布的热点区域和空白区域，评估设备部署的合理性和优化潜力。在本申请中，空间分布特征用于刻画储能设备的地理分布模式，为优化设备布局提供参考。其中，网络拓扑发现协议LLDP（Link Layer DiscoveryProtocol）：一种数据链路层协议，用于网络设备之间交换身份、能力和邻接状态信息。通过LLDP，网络管理***可以自动发现网络中的设备、端口和连接关系，构建出完整的网络拓扑图。在本申请中，LLDP用于获取储能设备和中心节点之间的网络连接信息，包括设备标识、端口、时延和链路速率等。

其中，网络拓扑分析工具Gephi：一款开源的网络可视化与分析软件，提供了丰富的布局算法和统计指标，帮助用户探索和理解复杂网络的结构特征。通过Gephi，可以生成网络拓扑图的可视化表示，计算网络的各种属性指标，如节点度分布、平均路径长度、网络直径等。在本申请中，边缘节点使用Gephi对LLDP采集的网络连接信息进行分析，生成直观的网络拓扑结构特征。其中，网络拓扑结构特征：反映网络节点之间连接关系和组织形态的一系列指标。常见的拓扑结构特征包括：节点度分布（反映节点连接数量的分布情况）、平均路径长度（反映节点之间平均距离）、网络直径（反映网络中最长的最短路径）等。通过分析网络拓扑结构特征，可以评估网络的连通性、鲁棒性和传输效率。在本申请中，网络拓扑结构特征用于刻画储能设备与中心节点之间的通信链路质量和可靠性。

进一步的，构建包含中心节点和多个边缘节点的分布式架构，包括：中心节点接收边缘节点发送的空间分布特征和网络拓扑结构特征数据；中心节点根据接收的空间分布特征和网络拓扑结构特征，采用贪心算法设置多组节点位置组合方案；中心节点将各组节点位置组合方案发送至边缘节点；边缘节点接收节点位置组合方案，通过仿真方法对各位置组合方案进行网络性能评估，得到各方案的网络时延和负载性能数据；边缘节点将仿真得到的网络时延和负载性能数据返回中心节点；中心节点选择网络时延最小且负载性能最高的组合，作为中心节点和边缘节点的最佳部署位置；中心节点将得到的最佳部署位置通过鸿蒙***的分布式软总线网络组件发送至边缘节点；边缘节点根据接收到的最佳部署位置，控制储能设备和边缘计算设备在对应位置上进行部署，并与中心节点建立连接，构建分布式架构。

其中，贪心算法：一种常用的启发式优化算法，通过每一步的局部最优选择，试图达到全局最优的问题解。贪心算法在每一步选择中都采取当前状态下的最优决策，以期通过一系列局部最优的选择达到全局最优。在本申请中，中心节点采用贪心算法生成多组节点位置组合方案，每一步选择当前覆盖范围最广、连通性最好的节点位置，从而得到全局较优的部署方案集合。其中，网络时延：数据从源节点传输到目标节点所需要的时间，反映了网络的数据传输效率。网络时延由多个部分组成，包括发送时延、传播时延、处理时延和排队时延。影响网络时延的因素包括网络带宽、链路距离、节点处理能力和网络拥塞等。在本申请中，边缘节点通过仿真方法评估不同节点部署方案下的网络时延，选择时延最小的方案，以保证数据传输的实时性。

其中，负载性能：衡量分布式***中各个节点的工作负荷和资源利用情况的指标。良好的负载性能意味着***的处理任务在各个节点之间分配均衡，避免出现个别节点负载过重而其他节点利用不足的情况。负载均衡的***能够充分发挥分布式架构的并行处理能力，提高***的整体性能。在本申请中，边缘节点通过仿真方法评估不同节点部署方案下的负载性能，选择负载分配最均衡、资源利用率最高的方案。

具体的，中心节点选择网络时延最小且负载性能最高组合：中心节点从边缘节点接收到各组节点位置组合方案对应的网络时延和负载性能数据。中心节点对网络时延数据进行排序，选出时延最小的若干个方案作为候选。在时延最小的候选方案中，中心节点进一步比较负载性能数据，选出负载最均衡（如负载方差最小）、资源利用率最高（如平均负载率最高）的方案。若上一步中存在多个负载性能相近的方案，中心节点可以根据其他因素（如节点故障率、部署成本等）进行综合评估，选出最优方案。中心节点将选择出的最优节点位置组合方案作为最佳部署位置，通过分布式软总线网络组件下发给边缘节点。

进一步的，部署分布式数据存储，包括：在构建的分布式架构的中心节点和边缘节点上分别部署No SQL数据库，形成分布式数据库集群；中心节点在部署的No SQL数据库上配置redis缓存中间件，并将配置信息发送至边缘节点；边缘节点接收中心节点的redis缓存中间件的配置信息，在本地的No SQL数据库上进行相应配置。

其中，NoSQL数据库：相对于传统的关系型数据库（SQL数据库），NoSQL数据库采用非关系型的数据模型，提供了更高的可扩展性、可用性和灵活性。NoSQL数据库通常基于键值对、文档、列族或图等数据结构，适用于处理大规模非结构化或半结构化数据。常见的NoSQL数据库包括MongoDB、Cassandra、HBase等。在本申请中，中心节点和边缘节点分别部署NoSQL数据库，形成分布式数据库集群，以支持海量时序数据的高效存储和查询。

其中，Redis缓存中间件：一种基于内存的键值对数据库，提供了高性能的数据缓存和消息队列功能。相比磁盘存储，Redis将数据存储在内存中，支持毫秒级的数据读写操作，常用于提高应用***的响应速度和并发性能。Redis支持多种数据结构，如字符串、哈希、列表、集合等，同时提供了发布/订阅、事务、Lua脚本等高级特性。在本申请中，中心节点在NoSQL数据库上配置Redis缓存中间件，用于缓存频繁访问的热点数据，减轻数据库的查询压力，提高***的响应速度。其中，配置信息：指应用***运行时所需的各种参数、选项和环境变量等信息，用于控制***的行为和性能。配置信息通常以配置文件、环境变量或数据库等形式存储，在***启动或运行时被读取和应用。合理地配置管理能够提高***的灵活性、可维护性和可移植性。在本申请中，中心节点将Redis缓存中间件的配置信息（如主机地址、端口号、数据库编号、密码等）发送给边缘节点，保证分布式节点上的缓存服务能够正常连接和工作，形成统一的缓存管理。

进一步的，根据预处理后的实时数据，边缘节点通过并行化的机器学习模型进行特征提取，包括：边缘节点将预处理后的储能设备的实时电流和电压数据，按时间窗口划分为多个数据块；将数据块输入多个卷积神经网络中；各卷积神经网络独立训练更新网络参数，并输出对应数据块的储能设备剩余寿命RUL的均值和方差；边缘节点将各数据块的RUL均值和方差进行聚合，得到储能设备的健康度特征数据；边缘节点将得到的健康度特征数据通过鸿蒙***的分布式软总线网络组件发送至中心节点进行存储；边缘节点将预处理后的储能设备的实时电流和电压数据按时间序列组织，输入循环神经网络；循环神经网络通过门控循环单元GRU获取时间序列数据中的长期依赖关系，输出储能设备的自放电率和内阻的预测值；边缘节点将循环神经网络输出的自放电率和内阻的预测值与历史值进行对比，获取自放电率和内阻的增长趋势，作为储能设备的性能衰减特征；边缘节点将得到的性能衰减特征通过鸿蒙***的分布式软总线网络组件发送至中心节点进行存储。

其中，时间窗口：将连续的时间序列数据划分为固定长度的时间片段，每个时间片段称为一个时间窗口。时间窗口的大小根据具体应用场景和数据特点进行设置，通常包含一定数量的采样点。通过时间窗口划分，可以将长时间序列转化为多个短序列，便于并行处理和特征提取。在本申请中，边缘节点将电流和电压数据按时间窗口划分为多个数据块，分别输入卷积神经网络进行特征提取。

其中，储能设备剩余寿命RUL（Remaining Useful Life）：表示储能设备从当前时刻到失效时刻的剩余时间。准确预测储能设备的RUL对于制定维护策略、优化运行方式和保证供电可靠性具有重要意义。通过分析储能设备的历史运行数据和实时监测数据，可以建立机器学习模型来估计RUL。在本申请中，卷积神经网络通过对实时电流和电压数据的特征提取，输出各数据块对应的RUL均值和方差，反映了储能设备在不同时间窗口内的健康状态。

其中，自放电率：指储能设备在开路状态下，由于内部化学反应和漏电等原因导致的电荷损失速率。自放电率是影响储能设备性能和寿命的关键指标之一，较高的自放电率会加速储能设备的容量衰减和效率下降。通过分析储能设备的充放电数据，可以估计自放电率的大小和变化趋势。在本申请中，循环神经网络通过对实时电流和电压时间序列的特征提取，输出自放电率的预测值，用于评估储能设备的性能衰减情况。其中，内阻：表示储能设备内部的等效电阻，反映了储能设备在充放电过程中的能量损耗。内阻的大小直接影响储能设备的充放电效率、功率输出和热管理等性能指标。随着储能设备的使用和老化，内阻会逐渐增大，导致性能下降。通过分析储能设备的电压和电流响应，可以估计内阻的值和变化趋势。在本申请中，循环神经网络通过对实时电流和电压时间序列的特征提取，输出内阻的预测值，用于评估储能设备的性能衰减情况。

其中，健康度特征：综合反映储能设备当前健康状态的一组指标，包括容量、自放电率、内阻、RUL等。通过对多个健康度指标进行融合分析，可以全面评估储能设备的健康水平和剩余寿命。在本申请中，边缘节点将卷积神经网络输出的各数据块RUL均值和方差进行聚合，得到储能设备整体的健康度特征，并发送至中心节点进行存储和决策分析。其中，性能衰减特征：描述储能设备在长期使用过程中，各项性能指标逐渐下降的趋势和规律。性能衰减特征包括容量衰减、自放电率增大、内阻增大等，反映了储能设备的老化过程和寿命预测。通过分析性能衰减特征的变化趋势，可以优化储能设备的运行方式，延缓性能衰减，提高使用寿命。在本申请中，边缘节点将循环神经网络输出的自放电率和内阻预测值与历史值进行对比，获取性能衰减的趋势特征，并发送至中心节点进行存储和决策分析。

具体的，健康度特征的提取：数据划分：边缘节点将预处理后的储能设备实时电流和电压数据按固定长度的时间窗口划分为多个数据块，每个数据块包含一定时间范围内的采样点。并行卷积神经网络：将划分后的数据块分别输入到多个独立的卷积神经网络中进行特征提取。每个卷积神经网络通过卷积层和池化层提取数据块中的局部特征，并通过全连接层输出对应数据块的储能设备剩余寿命（RUL）的均值和方差。模型训练：各卷积神经网络使用数据块进行独立的训练，通过优化损失函数更新网络参数，提高RUL预测的准确性。损失函数可以采用均方误差（MSE）或平均绝对误差（MAE）等评价指标。特征聚合：边缘节点将各数据块的RUL均值和方差进行聚合，得到储能设备在整个时间范围内的健康度特征。聚合方法可以采用加权平均、投票等策略，综合考虑各数据块的预测结果。数据传输：边缘节点将提取的健康度特征通过鸿蒙***的分布式软总线网络组件发送至中心节点进行存储和后续分析。

具体的，性能衰减特征的提取：时间序列数据组织：边缘节点将预处理后的储能设备实时电流和电压数据按照时间戳的顺序组织成时间序列，每个时间步对应一个采样点。循环神经网络：将时间序列数据输入到循环神经网络中进行特征提取。循环神经网络通过循环连接和门控机制（如GRU或LSTM）捕捉时间序列中的长期依赖关系，并输出每个时间步的状态向量。性能指标预测：循环神经网络的输出状态向量通过全连接层映射到储能设备的性能指标，如自放电率和内阻。网络通过优化损失函数（如MSE或MAE）来训练预测模型，提高性能指标预测的准确性。趋势分析：边缘节点将循环神经网络预测的自放电率和内阻值与历史数据进行对比，计算性能指标的变化率和趋势。变化率可以通过差分或斜率计算得到，趋势可以通过阈值判断或统计检验确定。特征提取：将自放电率和内阻的变化率和趋势作为储能设备的性能衰减特征，反映了设备在长期使用过程中的老化规律和退化速度。数据传输：边缘节点将提取的性能衰减特征通过鸿蒙***的分布式软总线网络组件发送至中心节点进行存储和后续分析。

进一步的，分布式软总线网络组件，包括：消息集成模块、服务注册模块和请求路由模块；消息集成模块，接收边缘节点或中心节点的自定义协议数据，根据预设的编码映射规则，将自定义协议数据转换为标准协议格式；并将转换后的标准协议格式发送至服务注册模块进行服务访问；服务注册模块，接收服务访问请求，将服务实例信息存储到集中式的etcd数据库；请求路由模块，根据服务访问请求，通过查询etcd数据库获取访问请求对应的服务实例信息；根据获取的服务实例信息，采用一致性哈希算法将访问请求路由到服务实例所在节点，进行负载均衡；并将服务响应结果数据转换为自定义协议格式，返回给请求发起的边缘节点或中心节点。

其中，编码映射规则：指将自定义协议数据转换为标准协议格式的一组转换规则。由于不同节点或***之间可能采用不同的数据格式和通信协议，为了实现互联互通和数据共享，需要将各自的自定义协议数据映射到一个统一的标准协议格式。编码映射规则定义了自定义协议和标准协议之间的对应关系，包括数据类型、字段名称、数据长度等。通过预先配置的编码映射规则，消息集成模块可以自动完成协议转换，实现异构***之间的无缝通信。

其中，服务实例信息：描述了一个服务的部署位置、访问方式、运行状态等元数据。在微服务架构中，一个服务通常会有多个实例部署在不同的节点上，以提高服务的可用性和负载均衡能力。服务实例信息包括服务名称、实例ID、IP地址、端口号、协议类型等，用于唯一标识和定位一个服务实例。服务注册模块将服务实例信息存储到etcd数据库中，供其他模块查询和使用。当服务实例发生变更（如扩容、下线等）时，需要及时更新服务实例信息，以保证服务调用的准确性。

其中，etcd数据库：一个开源的分布式键值存储***，常用于微服务架构中的服务注册与发现。etcd采用Raft一致性算法实现分布式数据同步，保证了数据的高可用和强一致性。etcd提供了简单易用的RESTful API，支持键值对的增删改查操作。在本申请中，服务注册模块将服务实例信息以键值对的形式存储到etcd数据库，其中键通常为服务名称，值为服务实例的元数据。多个etcd节点组成集群，通过Raft协议实现数据的自动复制和故障恢复，提高了***的可靠性。

其中，一致性哈希算法：一种用于分布式***中负载均衡的算法，特别适用于动态变化的服务实例集群。一致性哈希算法将服务实例和请求都映射到一个固定大小的哈希环上，每个服务实例对应哈希环上的一个位置。当一个请求到达时，通过哈希函数计算请求的哈希值，然后顺时针查找哈希环上第一个大于等于该哈希值的服务实例，将请求路由到该实例处理。一致性哈希算法具有良好的分布均匀性和数据稳定性，在服务实例动态增删时只需移动一小部分数据，避免了大规模的数据迁移。在本申请中，请求路由模块采用一致性哈希算法进行负载均衡，根据服务访问请求的特征信息计算哈希值，将请求均匀分发到不同的服务实例，提高***的并发处理能力。

进一步的，将提取的特征数据通过鸿蒙***的碎片化传输发送到中心节点上的分布式数据库，包括：边缘节点将得到的储能设备的健康度特征数据和性能衰减特征数据，采用Huffman编码算法进行压缩；边缘节点将压缩后的特征数据，通过fibonacci分割法切分为多个数据块，并为每个数据块添加CRC32校验码；边缘节点利用MongoDB的Object ID算法为每个数据块生成标识码；标识码包含时间戳和序号；边缘节点根据数据块的标识码，采用Apache kafka的分区机制，将具有相同时间戳前缀的数据块发送到同一分区；中心节点的kafka消费者根据分区接收数据块，并通过标识码将属于同一原始特征数据的数据块进行归类；中心节点将归类后的数据块按照标识码的时间戳和序号进行排序拼接，通过Huffman解码算法得到原始的特征数据；中心节点将得到的原始的特征数据存储到分布式数据库MongoDB中，并在MongoDB数据库中构建以设备ID和时间戳为索引的数据集合。

其中，Huffman编码算法：一种无损数据压缩算法，基于字符出现频率构建最优二叉编码树。Huffman编码利用字符出现的概率信息，将出现频率高的字符分配较短的编码，出现频率低的字符分配较长的编码，从而达到压缩数据的目的。Huffman编码的过程包括统计字符频率、构建Huffman树、生成编码表和编码数据等步骤。Huffman编码是一种熵编码算法，能够将数据压缩到接近信息熵的理论极限，压缩效率较高。在本申请中，边缘节点采用Huffman编码对健康度特征数据和性能衰减特征数据进行压缩，减小数据传输的带宽占用。

其中，Fibonacci分割法：一种将数据分割成多个大小不等的数据块的方法，数据块的大小遵循Fibonacci数列的规律。Fibonacci数列以递归的方式定义，每个数都是前两个数的和，形如：1，1，2，3，5，8，13，21，34。Fibonacci分割法根据数据的大小，选择Fibonacci数列中的数作为数据块的大小，依次将数据划分为大小为Fibonacci数的数据块。与固定大小分割相比，Fibonacci分割能够更好地适应数据的不均匀分布，减少数据块的数量和传输延迟。在本申请中，边缘节点采用Fibonacci分割法将压缩后的特征数据切分为多个数据块，提高数据传输的效率和可靠性。

其中，CRC32校验码：一种常用的数据完整性校验算法，用于检测数据在传输或存储过程中是否发生错误。CRC32校验码基于循环冗余校验（Cyclic Redundancy Check）原理，将数据看作一个二进制多项式，通过与固定的生成多项式进行模2除法运算，得到余数作为校验码。发送方在数据后附加CRC32校验码，接收方通过相同的算法计算接收数据的校验码，并与接收到的校验码比对，如果不一致则说明数据发生了错误。CRC32校验码具有较高的错误检测能力，能够检测出绝大部分的随机错误和突发错误。在本申请中，边缘节点为每个数据块添加CRC32校验码，保证数据传输的完整性和可靠性。

其中，Object ID算法：MongoDB数据库中用于生成唯一标识符的算法，用于标识文档（document）。Object ID是一个12字节（24个十六进制字符）的字符串，由时间戳、机器ID、进程ID和计数器组成。其中，时间戳占4字节，表示Object ID生成的时间；机器ID占3字节，表示生成Object ID的机器；进程ID占2字节，表示生成Object ID的进程；计数器占3字节，用于在同一时间、同一机器和同一进程中区分不同的Object ID。Object ID可以保证在分布式环境下的唯一性，同时也包含了创建时间的信息。在本申请中，边缘节点利用ObjectID算法为每个数据块生成唯一的标识码，便于后续的数据块归类和排序。

其中，Apache Kafka：一个分布式的流处理平台，用于构建实时的数据管道和流应用。Kafka以发布－订阅的模式工作，生产者（Producer）将数据发布到指定的主题（Topic），消费者（Consumer）从主题中订阅并消费数据。Kafka引入了分区（Partition）的概念，将主题划分为多个分区，每个分区可以独立地存储和消费数据，提高了并行处理的能力。Kafka采用基于日志的持久化存储，保证了数据的可靠性和顺序性。同时，Kafka还提供了丰富的API和集成功能，支持多语言客户端和流处理框架。在本申请中，边缘节点利用Kafka的分区机制，将具有相同时间戳前缀的数据块发送到同一分区，实现数据的有序传输和负载均衡。

进一步的，边缘节点基于历史状态数据，利用鸿蒙***的机器学习模型，训练用于预测储能设备容量的预测模型，包括：边缘节点从分布式数据库MongoDB中获取储能设备的历史状态数据，历史状态数据包含过去一年内的电流和电压时序数据；边缘节点采用基于差分熵的统计分析方法，计算历史状态数据每个时间窗口内的差分熵值；边缘节点设置滑动窗口，将每个窗口的差分熵值组成一个差分熵特征向量；通过在时间轴上滑动时间窗口，得到差分熵特征向量序列；边缘节点将差分熵特征向量序列作为输入，通过BIRCH增量聚类算法划分多个聚类簇，聚类簇的中心点反映了不同工况下储能设备状态的模式；边缘节点采用z-score标准化方法对每个聚类簇内的数据进行归一化处理；边缘节点将归一化处理后的聚类簇数据作为训练集，用于训练预测模型；构建包含多层LSTM网络和残差连接的序列预测模型，利用得到的训练集进行模型训练，得到预测储能设备容量的预测模型。

其中，分布式数据库MongoDB：一个基于文档（document）的NoSQL数据库，采用类JSON（BSON）格式存储数据。MongoDB支持灵活的数据模型，不需要预先定义表结构，可以动态地添加和修改字段。MongoDB提供了高可用、可扩展、分布式的数据存储和查询功能，通过副本集（replica set）实现数据的冗余备份和故障自动切换，通过分片（sharding）实现数据的水平拆分和负载均衡。MongoDB还支持丰富的索引类型、聚合操作、地理位置查询等功能，适用于大规模、高并发、实时的数据管理场景。在本申请中，历史状态数据存储在MongoDB数据库中，便于边缘节点高效地获取和处理数据。

其中，基于差分熵的统计分析方法：一种用于分析时序数据复杂度和变化规律的方法。差分熵（differential entropy）是连续随机变量的信息熵，反映了随机变量的不确定性程度。对于时序数据，可以通过计算一阶差分（相邻两个数据点的差值）的概率分布的熵值，得到差分熵。差分熵越大，说明时序数据的变化越剧烈，包含的信息量越大；差分熵越小，说明时序数据的变化越平缓，包含的信息量越小。通过计算不同时间窗口内的差分熵值，可以刻画时序数据在不同时间尺度上的复杂度特征。在本申请中，边缘节点采用基于差分熵的统计分析方法，提取历史状态数据的复杂度特征，为后续的聚类和预测提供有效的特征表示。

其中，差分熵特征向量：由一个时间窗口内的差分熵值组成的特征向量，表示该时间窗口内时序数据的复杂度特征。通过设置固定大小的时间窗口，将时序数据划分为多个时间片段，对每个时间片段内的数据计算差分熵值，得到一个差分熵特征向量。差分熵特征向量能够捕捉时序数据在局部时间范围内的变化模式，反映了数据的动态特性。在本申请中，边缘节点计算每个时间窗口的差分熵值，形成差分熵特征向量，用于表示储能设备在不同时间段的状态特征。

其中，差分熵特征向量序列：由多个差分熵特征向量按时间顺序排列形成的序列，表示时序数据在连续时间段内的复杂度变化趋势。通过滑动时间窗口，以固定的步长在时间轴上移动窗口，计算每个窗口内的差分熵特征向量，得到一个差分熵特征向量序列。差分熵特征向量序列能够刻画时序数据的长期变化规律，体现了数据的演化过程。在本申请中，边缘节点通过滑动窗口的方式，生成差分熵特征向量序列，作为聚类和预测模型的输入，捕捉储能设备状态的动态变化。

其中，BIRCH增量聚类算法：BalancedIterativeReducingandClusteringusingHierarchies，一种用于大规模数据聚类的增量算法。BIRCH通过构建层次化的聚类特征树（Clustering Feature Tree，CFTree）来表示数据的聚类结构，每个节点包含一组数据的统计信息（如数据点数量、线性和、平方和等）。当新的数据点到达时，BIRCH根据距离度量将其***到最近的叶子节点，并更新沿路径上的聚类特征。当一个节点的数据量超过阈值时，进行节点***。BIRCH能够以增量的方式处理数据，无需多次扫描数据集，具有较高的聚类效率。在本申请中，边缘节点采用BIRCH算法对差分熵特征向量序列进行聚类，得到反映不同工况下储能设备状态模式的聚类簇。

其中，LSTM网络：Long Short-Term Memory，一种用于处理时序数据的循环神经网络。LSTM通过引入门控机制（输入门、遗忘门、输出门）和记忆单元，克服了传统循环神经网络的梯度消失和梯度***问题，能够有效地学习长期依赖关系。LSTM的隐藏状态在时间维度上传递，通过门控机制选择性地保留和更新信息，实现了对时序数据的动态建模。LSTM在语音识别、自然语言处理、时间序列预测等领域取得了广泛的应用。在本申请中，预测模型采用多层LSTM网络，通过学习聚类后的时序数据，捕捉储能设备容量变化的长期趋势，实现对未来容量的预测。

进一步的，根据预处理后的实时数据、提取的特征数据和训练后的预测模型，中心节点生成储能设备的控制指令，包括：中心节点接收边缘节点预处理后的储能设备实时状态数据；中心节点从分布式数据库MongoDB中获取储能设备的健康度特征和性能衰减特征；中心节点将获取的实时状态数据、健康度特征和性能衰减特征按照时间对齐后，作为输入向量；通过训练后的预测模型进行预测，得到未来一段时间内储能设备容量变化的预测曲线；中心节点对得到的预测曲线进行峰谷特征提取，采用基于小波变换的多尺度分析方法，获取预测曲线的局部极大值点和极小值点；中心节点根据获取的局部极大值点和极小值点，采用增量式PID算法，计算调节储能设备充放电电流和电压的控制参数；中心节点将计算得到的控制参数封装为控制指令，下发到边缘节点，由边缘节点将控制指令转换为CAN总线帧格式，对储能设备进行管理。

其中，时间对齐：将来自不同数据源或不同时间戳的数据进行同步和对齐的过程，使得数据在时间维度上保持一致性。在处理时序数据时，由于数据采集的频率、延迟、中断等因素，不同来源的数据可能存在时间戳不一致的问题。时间对齐通过插值、删除、补全等方法，将数据映射到统一的时间戳上，保证数据在时间轴上的连续性和同步性。常见的时间对齐方法包括最近邻插值、线性插值、样条插值等。在本申请中，中心节点将实时状态数据、健康度特征和性能衰减特征按照时间对齐后，形成统一的输入向量，便于预测模型的处理和分析。

其中，基于小波变换的多尺度分析方法：一种用于分析时序数据在不同频率尺度上特征的方法。小波变换通过将时域信号转换为时频域信号，实现了对信号的多尺度分解。小波变换使用可伸缩和平移的小波基函数，通过改变基函数的尺度和位置，捕捉信号在不同尺度上的局部特征。小波变换将信号分解为低频近似系数和高频细节系数，通过对系数的分析和重构，实现了信号的去噪、压缩、特征提取等功能。常用的小波基函数包括Haar小波、Daubechies小波、Morlet小波等。在本申请中，中心节点采用基于小波变换的多尺度分析方法对预测曲线进行处理，提取曲线在不同频率尺度上的局部极值特征，用于后续的控制参数计算。

其中，峰谷特征提取：从时序数据中识别和提取局部极大值点（峰值）和极小值点（谷值）的过程。峰谷特征反映了时序数据的局部变化趋势和关键转折点，对于分析数据的波动规律和预测未来走势具有重要意义。峰谷特征提取通常采用滑动窗口和阈值比较的方法，通过设置窗口大小和阈值条件，在时序数据中搜索满足条件的局部极值点。常见的峰谷特征提取算法包括局部最大值最小值法、导数法、模板匹配法等。在本申请中，中心节点对预测曲线进行峰谷特征提取，获取曲线的局部极大值点和极小值点，作为调节储能设备充放电的关键控制点。

其中，CAN总线帧格式：Controller Area Network总线的数据帧格式，用于在CAN总线上进行数据通信。CAN总线是一种面向消息的串行通信协议，广泛应用于汽车、工业自动化等领域。CAN总线帧由帧起始位、仲裁段、控制段、数据段、CRC段、ACK段和帧结束位组成。其中，仲裁段包含标识符和远程传输请求位，用于确定帧的优先级和类型；控制段包含数据长度码和保留位；数据段包含实际传输的数据内容；CRC段用于错误检测；ACK段用于接收方的确认。CAN总线采用多主方式工作，通过非破坏性仲裁机制解决总线冲突。在本申请中，控制指令需要转换为CAN总线帧格式，以便在CAN总线上传输给储能设备，实现对设备的控制和管理。

进一步的，增量式PID算法采用基于粒子群优化的自适应增量PID控制算法。具体的，控制器根据当前时刻的波峰波谷参数、历史控制参数和储能设备状态反馈，构建PID控制器的目标优化函数，优化目标为最小化实际容量曲线与预测曲线的偏差；初始化一个粒子群，每个粒子代表一组可能的PID参数组合，粒子的位置坐标表示比例系数、积分系数和微分系数的取值；粒子群通过迭代搜索不断更新粒子的位置坐标，优化策略包括：评估每个粒子的适应度函数，适应度函数与PID控制器的目标函数相同；根据适应度函数值更新每个粒子的历史最优位置和全局最优位置；根据个体最优位置和全局最优位置调整每个粒子的速度和位置；当满足迭代终止条件时，将全局最优位置对应的PID参数作为当前时刻的最优控制参数，用于生成控制储能设备充放电的电流电压指令；控制器根据储能设备的状态反馈，评估当前PID参数的控制效果，当实际容量曲线与预测曲线的偏差超过预设阈值时，触发下一轮粒子群优化，动态调整PID参数，实现自适应增量控制。

3.有益效果

相比于现有技术，本申请的优点在于：

通过引入分布式架构设计和鸿蒙***的分布式能力，实现了计算存储资源的合理配置和调度。利用贪心算法和仿真方法优化节点部署，提高了***的运行效率和可扩展性。分布式NoSQL数据库集群和redis缓存的使用，增强了数据存储的容错能力和访问速度；

使用卷积神经网络和循环神经网络相结合的方式进行特征提取，克服了单一模型的局限性。通过并行化处理和时间序列建模，准确获取了储能设备的健康度和性能衰减特征，为后续的容量预测和寿命管理提供了可靠依据；

针对历史状态数据，提出了基于差分熵和增量聚类的特征工程方法。利用差分熵描述数据的信息量变化，通过聚类算法自适应地识别不同工况下的设备状态模式，从时间和空间两个维度挖掘数据的内在关联，构建了高质量的模型训练集；

采用碎片化的数据传输机制，将大块数据切分为小块进行编码、校验和并行传输，减小了网络负载，提高了数据传输的效率和可靠性。kafka分区机制和数据块标识算法确保了数据的有序性和完整性，满足了实时数据回传的需求；

充分利用了LSTM提取时序数据长期依赖关系的优势，残差连接缓解了网络退化问题，显著提高了储能设备容量预测的长期和短期精度，为优化调度策略提供了有力支持；

应用了小波变换的多尺度分析方法提取预测曲线的局部特征，克服了传统方法难以刻画非平稳信号的缺陷。自适应增量PID算法根据***状态变化自动调节控制增益，实现了储能设备充放电过程的平滑稳定控制，延长了设备使用寿命；

基于OPCUA标准和CAN总线，实现了异构设备和网络的互联互通。一致性哈希算法和kafka分区机制提供了高效的负载均衡和并发处理能力，增强了***的可扩展性和鲁棒性；

采用Huffman编码、CRC校验、数据分块等技术，提高了数据传输的压缩率、检错纠错能力和并发度，减小了数据量和带宽占用，适应了物联网环境下的传输需求。基于MongoDB的数据集合索引，加速了时序数据的查询和聚合分析，为数据挖掘提供了高效便捷的手段。

附图说明

图1是根据本说明书一些实施例所示的一种基于开源鸿蒙***的储能方法的示例性流程图；

图2是根据本说明书一些实施例所示的构建分布式架构的示例性流程图；

图3是根据本说明书一些实施例所示的特征数据分组传输的示例性流程图；

图4是根据本说明书一些实施例所示的构建预测模型的示例性流程图；

图5是根据本说明书一些实施例所示的生成控制指令的示例性流程图。

具体实施方式

下面结合附图对本说明书实施例提供的方法和***进行详细说明。

图1是根据本说明书一些实施例所示的一种基于开源鸿蒙***的储能方法的示例性流程图，获取储能设备的地理坐标和储能设备与中心节点的网络连接拓扑结构；根据获取的储能设备的地理坐标和储能设备与中心节点的网络连接拓扑结构，构建包含中心节点和多个边缘节点的分布式架构；利用鸿蒙***的分布式文件***在构建的分布式架构上部署分布式数据存储；采集储能设备的实时数据，通过鸿蒙***的分布式网络发送到边缘节点进行预处理，实时数据包含电流和电压；根据预处理后的实时数据，边缘节点通过并行化的机器学习模型进行特征提取；将预处理后的实时数据通过鸿蒙***的分布式软总线网络组件发送到中心节点上的分布式数据库；将提取的特征数据通过鸿蒙***的碎片化传输发送到中心节点上的分布式数据库；边缘节点从中心节点的分布式数据库中获取储能设备的历史状态数据；边缘节点基于历史状态数据，利用鸿蒙***的机器学习模型，训练用于预测储能设备容量的预测模型；根据预处理后的实时数据、提取的特征数据和训练后的预测模型，中心节点生成储能设备的控制指令；采用基于OPCUA标准的工业时序通信协议传输控制指令，对储能设备进行管理。

获取储能设备信息：获取储能设备的地理坐标和与中心节点的网络连接拓扑结构。为每个储能设备安装GPS模块，获取安装位置的经纬度坐标，通过查询地理信息数据库，获取设备所在位置的地图坐标，人工记录设备的物理地址，转换为地图坐标。在设备上安装网络探测工具，主动探测与中心节点的链路连接性能，在中心节点上部署网络监控工具，分析设备访问日志，推断网络拓扑，查阅网络部署图纸，获取设备与中心节点之间的交换机、路由器连接关系，人工调查设备的网络接入方式，记录设备与中心节点之间的物理网络链接。开发数据采集模块，将获取到的坐标和拓扑数据发送到中心数据服务器，中心服务器集中存储设备的坐标和网络拓扑信息，提供可视化页面展示设备的空间分布和网络拓扑结构，为后续分布式部署、网络优化等提供数据支撑。

图2是根据本说明书一些实施例所示的构建分布式架构的示例性流程图，分析储能设备信息：对储能设备的地理坐标进行曼哈顿距离计算，得到空间分布特征。查询已获取的设备地理坐标数据，选择参与计算的目标设备，记录各设备的经纬度坐标。设定中心参考点坐标为/>，计算每个设备到参考点的横纵坐标差的绝对值：/>，横纵距离之和为该设备到参考点的曼哈顿距离，重复上述步骤计算所有设备到参考点的曼哈顿距离。计算出所有设备到参考点的曼哈顿距离，对距离值进行升序排列，获得设备的排序列表。设置距离范围区间，如[0，100]、[101，500]等，统计每个区间内设备的数量，计算每个区间设备数量占总数的比例。在地图上标记每个设备的位置，用不同颜色表示不同距离区间，观察设备在地图上的空间分布情况。比较各区间设备数量的占比，分析设备分布的聚集程度，评估空间分布的均匀性，提取设备分散和聚集特性。

对储能设备与中心节点的网络连接拓扑结构进行链路统计分析，得到网络拓扑结构特征。搜集网络部署图纸，提取设备和中心节点的网络连接关系，使用网络探测工具，主动探测设备与中心节点间的链路组件，汇总各种渠道获取的拓扑连接数据到统计***。统计设备到中心节点的直接链路数量、长度，分析链路上的网络设备类型、数量、流量处理能力，计算单跳链路的响应时间、丢包率，评估链路的可靠性、网络延迟性能。分析影响网络指标的关键链路组件，找出链路统计指标的相关性和主要影响因素，概括出网络结构的关键特征。根据网络指标和关键特征，评估现网支撑分布式部署的能力，分析部署分布式***可能的网络问题，为网络优化提供依据。

构建分布式架构：根据空间分布特征和网络拓扑结构特征，采用贪心算法设置节点位置组合。从项目管理平台查阅设备的安装单和调试报告，在报告中获取设备的具体安装地址，例如xx大楼xx层xx房间，若报告中未详细注明，需返工复核记录地址。使用Geocoding API，由地址转换为经纬度坐标，例如输入“XXXX”，API返回该地址对应的经度116.3x纬度39.9x。将设备名称和转换后的坐标一起记录在表格中，一行一设备，形成完整的设备坐标数据集，加入设备类型、区域等属性信息，丰富数据集。使用Arc GIS地理信息***软件，导入高德/百度/Google地图数据，上传已整理的设备坐标数据集。对地图设置网格划分，例如1公里x1公里，网格数量根据地图大小和设备密度确定。遍历每个网格区域，使用SQL统计该网格内的设备数量，存储每个网格与设备数量的对应关系。对每个网格计算密度=设备数量/网格面积，获得设备在该网格区域的分布密度值，密度值用于确定优先区域和节点位置。

获取网络部门提供的网络拓扑图文件，在拓扑图上用标注笔标出骨干光纤、路由器等主干链路，颜色区分不同级别的主干链路。在拓扑图上标注核心路由器、关键交换机的位置，记录这些设备的型号、端口数量、容量等参数，汇总成核心网络设备列表。在测试环境中，采集主干链路的带宽使用率数据，使用监控工具，统计主链路的时延抖动数据，生成主链路性能分析报告。用图表直观显示主链路分布、性能数据，生成PDF报告，提供给选址团队参考，作为确定网络核心区域的依据。在地图上标注主干链路的走向和分布情况，结合链路指标，确定网络速度和容量集中的区域，绘制该区域的边界范围，形成网络核心区域。使用CAD或GIS软件打开地图，在地图上描绘网络核心区域的范围，填充区域，显示标注范围边界。检查核心区域周边的可选物理位置，选择与该区域毗邻或部分覆盖的候选点，使节点部署位置接入核心链路以减少开销。

收集所有设备的地理坐标信息，在数字化地图上精确标注每个设备的位置，不同类型设备区分不同的图标。对地图画网格，例如1公里x1公里，网格数量根据地图大小合理设置，保证每个网格内有足够的样本量。遍历每个网格区域，统计该网格内的设备数量，使用地图软件的统计功能，自动统计数量，也可以手动数计每个网格的设备数量。对每个网格计算密度=设备数量/网格面积，得到每个网格的设备分布密度值，密度数据用于确定目标区域。对各网格的设备分布密度进行排序比较，计算每个网格密度值占总密度的百分比，识别出设备密度最高的网格区域。选择设备密度排名前2-3的网格作为目标区域，高密度区域代表设备更加集中和聚集，目标区域内的设备数量占总数的80%以上。在地图上用矩形标注出目标区域的范围，目标区域可能是多个高密度网格的合并，形成设备分布较为密集的区域。

通过仿真方法评估各节点位置组合的网络性能，选择最优组合作为中心节点和边缘节点的位置。在最优位置部署储能设备，构建分布式架构。评估OPNET、NS2等主流网络仿真软件，选取OPNET进行网络建模仿真。导入实际网络的物理拓扑连接图，在OPNET中搭建相同的网络结构，配置与实际环境一致的路由器、交换机模型。设置仿真链路带宽、延迟等参数，参考实际链路的性能指标设定参数值，保证仿真环境与实际网络一致。根据实际业务统计，配置类似的流量模型，按照不同服务类型生成对应的报文流量，保证仿真的网络负载接近实际情况。多次运行，调整参数达到与实际网络最匹配的效果，达到一定精度后，可以用于评估节点位置方案。提出不同的中心节点和边缘节点位置组合，例如方案A：[中心节点1，边缘节点a，b，c]。在仿真平台中设置每个方案的节点位置，保持其他参数不变。对每个方案运行多轮模拟，收集网络时延、丢包率等数据。分析每个方案的网络指标数据结果，比较不同方案的网络时延、丢包率等差异。选择网络指标最优的节点位置组合方案，作为设备实际部署的方案。对比每个方案的时延、丢包率等指标，考虑成本因素，进行性价比分析，确定网络性能最优的节点部署方案。选择网络指标最好的节点位置组合，作为中心节点和边缘节点的最终部署蓝图。在选定的最优中心节点位置实际搭建数据中心，部署核心路由器、服务器群等。在选出的最优边缘节点位置架设微模块机房，部署边缘计算服务器、缓存等。连接中心节点和各个边缘节点，构成基于位置的分布式计算网络架构。对网络进行测试，检查时延等指标，确认网络指标达到预期，否则调优。

部署分布式数据存储：在中心节点和边缘节点上部署No SQL数据库，形成分布式数据库集群。配置Redis缓存中间件提高数据访问效率。评估MongoDB、Cassandra等No SQL数据库，选择Cassandra进行分布式部署。在中心数据中心搭建Cassandra数据库集群，配置Seed节点，负责管理其他节点。在选定的边缘节点上部署Cassandra数据库，配置为非Seed节点，加入中心节点的集群。测试中心节点和边缘节点上的数据库连接，确认可正常访问和同步数据。在每个数据库节点上安装Redis缓存中间件，数据库操作通过Redis进行，提高访问速度。

采集实时数据：采集储能设备的实时数据，包括电流和电压。采集储能设备的实时数据，通过鸿蒙***的分布式网络发送到边缘节点进行预处理，实时数据包含电流和电压；根据预处理后的实时数据，边缘节点通过并行化的机器学习模型进行特征提取，包括：采用卷积神经网络，以储能设备的电流和电压作为输入，输出储能设备的剩余寿命RUL的均值和方差，作为储能设备的健康度特征；对采集的实时电流、电压数据进行清洗、格式化，生成可供模型输入的结构化时间序列数据。设计卷积神经网络模型CNN，输入层为电流/电压时间序列，输出层输出剩余寿命RUL的均值和方差。在各边缘节点上部署该CNN模型，使用分布式深度学习框架，实现模型并行训练。将预处理后的数据输入CNN模型，输出RUL均值和方差作为健康度特征。通过新数据继续训练CNN模型，提升模型提取特征的准确性。将各边缘节点提取的特征结果汇总到中心节点，统一进行健康度评估和故障预测。

采用循环神经网络，以储能设备的电流和电压作为时间序列输入，输出储能设备的自放电率和内阻的增长趋势，作为储能设备的性能衰减特征。对采集的电流、电压时间序列数据进行标准化处理，统一时间间隔，转换为模型输入格式。设计循环神经网络模型RNN，输入层为电流/电压时间序列，输出层输出自放电率和内阻的增长趋势。在各边缘节点部署该循环神经网络模型，使用分布式深度学习框架实现并行计算。输入预处理后的电流/电压时间序列到RNN模型，输出自放电率和内阻趋势作为性能衰减特征。通过新数据持续训练RNN模型，提高输出特征的准确性。将边缘节点的特征提取结果发送到中心节点，统一进行设备健康评估和故障预测。

将预处理后的实时数据通过鸿蒙***的分布式软总线网络组件发送到中心节点上的分布式数据库；消息集成模块，采用配置编码映射方式，进行自定义协议和标准协议之间的数据格式转换；在边缘节点对采集的数据进行校验、过滤、格式化等预处理，在边缘节点和中心节点上集成鸿蒙OS提供的软总线组件，配置总线组件，设置通信参数与安全认证。边缘节点将预处理后的实时数据封装成消息，调用软总线组件的发布接口，发布消息。中心节点向软总线注册订阅指定主题，当边缘节点发布消息时，中心节点能接收到。软总线组件在网络中进行消息分发，实现中心节点和边缘节点之间的数据传输。数据传输过程中进行签名验证、加密等操作，保证消息传输的安全性和可靠性。根据网络带宽调整数据发送速率，避免拥堵。分析边缘节点发送的数据自定义协议，明确字段、长度、类型、编码等信息。

选择通用的标准协议，如JSON或XML，研究标准协议的语法结构和要求。对比两种协议，建立字段之间的映射关系表，明确自定义格式中的数据映射到标准格式的字段。使用中心节点所用语言，实现格式转换函数，根据映射关系，转换输入数据为标准输出。在中心节点消息处理模块调用转换函数，接收自定义输入，映射输出标准格式。模拟发送自定义协议数据，检查转换输出结果，反向转换验证转换完整性。

服务注册模块，采用集中式的etcd数据库存储管理网络节点上的服务实例信息；请求路由模块，根据存储的服务实例信息，将接收到服务访问请求进行动态路由转发到对应的服务实例所在节点，以均衡负载。在中心节点服务器上安装etcd数据库，采用集群模式，部署3至5个etcd节点，配置etcd集群，组成高可用的key-value存储。制定服务实例信息的注册格式，如服务名、IP地址、端口、版本号等信息，使用JSON格式描述服务实例。在微服务应用代码中实现注册逻辑，在服务启动时，连接etcd客户端，写入实例信息。使用etcd客户端提供的写入API，按约定好的格式注册服务实例信息。etcd数据库中产生该服务的实例信息，供后续的服务发现和调用使用。请求路由模块实现etcd客户端，向etcd订阅指定服务的实例信息变更。从etcd获取服务的最新实例信息列表，转换为本地路由表，包含实例地址、负载等。当实例列表变更时，动态更新本地路由表，始终维护可用实例的路由信息。收到请求时，根据请求的服务名查路由表，使用负载均衡算法选择一个实例。根据实例地址，调用远程服务，将请求转发到所选实例处理。如果调用失败，重新查找实例并转发，实现服务的高可用。

图3是根据本说明书一些实施例所示的特征数据分组传输的示例性流程图，边缘节点上利用机器学习模型提取设备状态特征，生成描述设备运行状态的数字特征数据。分析特征数据的值域和概率分布情况，构建最优哈夫曼编码树。根据哈夫曼树，为每个特征值生成变量长度编码，形成特征值到哈夫曼编码的映射表。按照映射表，使用哈夫曼编码替代原始特征值，将特征数据无损压缩为编码比特流。根据传输需求，设置合理的分块大小，比如256KB一个块。使用层次划分法递归切分比特流，先切出一级块，再切出二级块，以此类推。每切出一个块就生成一个块对象，包含块数据、块编号、起始位置等信息。为每个生成的块指定一个唯一的ID编号，方便接收端重组。维护一个分块信息表，存储每个块ID和在比特流中的位置。对所有的块进行合并，检验切分的正确性，确保层次切分没有错误发生。将生成的各个数据块进行传输或后续处理。

在代码中引入生成Object Id的类库或模块，如MongoDB中的Object Id或自定义的Object Id生成器。调用Object Id类的构造方法创建对象，传入需要的构造参数，如机器ID、进程ID、时间戳等。调用Object Id对象的生成方法比如generate（x），该方法根据初始化的参数返回一个新的Object Id值。将生成的Object Id转换为字符串，方便传输和，存储，可以调用Object Id的to String（x）方法。为每个数据块对象生成唯一的Object Id，存储在数据块对象的id字段中。维护Object Id和数据块的映射表，方便根据Object Id查找对应的数据块。在数据传输时携带每个块对应的Object Id信息，用于接收端的重组。

在Kafka集群中创建Topic，用于传输数据块，指定Topic分区数，用于实现并行传输。边缘节点作为Kafka生产者，获取数据块，将数据块内容和块ID封装成消息。生产者以块ID为Key，发布消息到Topic，消息会均衡分发到不同分区。中心节点作为消费者，订阅该Topic，从分区拉取消息，获取原始的数据块。从消息中解析出数据块内容和对应的块ID。以块ID为键，数据块内容为值，写入数据库，如Cassandra、HBase等分布式数据库。返回确认消息给生产者。

数据库已存储了从边缘节点传输的数据块，以块ID为关键字，使用数据库接口，按块ID字段排序查询数据块，返回有序的数据块结果集。根据块ID顺序，逐个将数据块内容连接起来，恢复成原始的压缩比特流数据。对重组的比特流进行哈夫曼解码，还原出原始的特征数据。将重组解压后的数据和原始特征数据进行比对，验证二者完全一致，无差异。如果验证通过，则确认数据块的传输与重组正确完成，否则查找并修正导致不一致的问题所在。将正确重组的特征数据提交给后续的分析模块使用。

收集储能设备的历史电流、电压时序数据，将时序数据划分为等间隔的小区间，计算每个小区间内的概率分布。对每个小区间，计算其后一个区间的概率分布/>，对每个x，计算/>和/>的对数比/>。计算对数比r的期望，得到最终差分熵值，表示两个邻近区间的数据分布差异。根据数据时间范围，设置合适的滑动窗口大小，例如1小时，每次滑动一个时间步，计算当前窗口内的数据的差分熵，得到一个差分熵的值序列，表示整个时间范围内的变化，使用线图绘制差分熵时间序列，X轴为时间，Y轴为差分熵值。分析线图的波动情况，找到差分熵的峰谷特征点，判断数据分布的变化情况。将差分熵时间序列作为设备状态的数字特征向量，反映状态随时间的演变。将差分熵特征向量输入到后续的机器学习模型中，用于状态预测或异常检测等分析任务。同时保留根据原始数据计算得到的差分熵特征，备份用于模型优化或调试。

收集设备的差分熵时间序列数据作为样本，设置聚类数目k，建立BIRCH模型，根据需求，确定希望的聚类类别数k，创建BIRCH模型，指定聚类数目k，初始化CF树根节点。读取需要进行聚类的样本数据，例如设备的差分熵时间序列。依次取出每个样本，***到BIRCH的CF树中，找到距离最近的叶子节点，并更新节点统计信息。如果节点内样本过多，将触发***机制，***成两个叶子节点，调整CF树结构。***后向上更新父节点的统计信息，逐层调整CF树。重复直到所有样本***完成，得到全样本构建的CF树。从CF树中可以直接读取出聚类结果，树叶节点即为样本聚类。对每个聚类的数据样本计算均值μ，计算每个样本的标准差σ，对每个样本数据x，计算Z-score：。将每个样本的Z-score映射到标准正态分布，标准正态分布的均值是0，标准差是1。画出标准化后样本的直方图，应接近标准正态分布的钟形曲线。将标准化后的样本数据保存下来，作为模型训练的输入。同时保存样本的原始均值与标准差，用于对模型输出进行反标准化。

图4是根据本说明书一些实施例所示的构建预测模型的示例性流程图，根据问题复杂度，设置网络的LSTM层个数，例如3层。在相邻LSTM层之间，加入残差连接，每层LSTM输出同时进入下一层和残差相加，残差路径为直连，避免梯度在多层中衰减消失，选择均方误差作为回归问题的损失函数，将网络输出与真实值做差，平方后求平均，通过调整网络参数，使损失函数值最小，残差连接加速模型收敛，获得更好的训练效果，得到训练好的模型，用于设备状态的预测。从数据集中划分出部分数据作为测试集，输入测试集样本到训练好的模型，得到模型对样本的预测输出。比较预测输出和真实目标，计算精度指标如MSE、MAE、R2等。

图5是根据本说明书一些实施例所示的生成控制指令的示例性流程图，控制指令生成：对采集的实时数据进行清洗、去噪、补缺失等预处理，提取设备的健康度特征和性能衰减特征，读取预先训练好的LSTM预测模型。指定需要预测的未来时间段，例如未来1天、1周等。将预处理数据和特征输入预测模型，模型会输出对应时段的预测结果。预测结果为未来时段的容量数值序列，构成容量随时间的预测曲线。可视化绘制出预测的容量曲线，直观检查曲线形式。分析曲线的峰谷特性，为后续的控制参数计算提供依据。读取模型预测得到的未来时段容量曲线数据，对曲线做平滑滤波，去除高频噪声，计算曲线的一阶微分，得到slopes序列。找到slopes序列正负变号的点，这些点即为曲线的峰谷点。根据零点前后slopes正负判断峰谷，记录每个峰谷的位置和数值。输出检测到的每个峰谷的具体参数：位置、时刻、数值等。在原始曲线图上标记出找到的峰谷点，检查标记的峰谷点是否准确，将峰谷参数传递给后续的控制模块使用。

设置粒子数量，随机初始化粒子位置和速度，输入前面检测得到的预测曲线的波峰波谷参数，设置粒子数量，初始化位置和速度，位置表示PID参数组合。使用波峰波谷参数建立一个仿真环境，输入每个粒子位置的PID参数到仿真环境，运行仿真，得到控制效果。分析仿真的控制结果，设计效果评价函数，计算每个粒子的合适的。对所有粒子进行评价，找到合适的最高的，即为当前全局最优PID参数。通过迭代更新粒子位置，搜索更优解，最后输出寻优过程中找到的最优PID参数。设置最大迭代数，达到则终止，迭代结束后，输出最终的全局最优解，这组PID参数组合效果最佳。将三个PID参数分配给电流和电压控制器。

获取已经计算优化得到的电流、电压的PID控制参数，根据设备支持的协议，如Modbus TCP，根据协议格式，创建空的数据包，将电流、电压的PID控制参数封装进数据包指定字段，在数据包中添加电流、电压的目标控制值，在数据包中填写设备的通信地址，根据协议要求，计算并添加校验码，将封装好的指令数据转换为字节流格式，在发送前打印并校验指令数据包内容，通过网络接口发送封装好的控制指令。使用OPCUA开发工具包，编写客户端应用程序，通过网络与工控设备的OPCUA服务器建立连接。在地址空间内创建控制参数的节点，将需要发送的控制指令封装为节点的数据，客户端发布写入控制节点的请求，服务器订阅请求并写入控制指令。使用OPCUA的工业时序模式进行实时可靠传输，服务器接收请求后解析出控制指令，并传送给对应的工控设备。工控设备将执行状态返回给OPCUA服务器。客户端订阅并接收设备的执行状态，通过OPCUA实现工控设备的闭环控制。

Claims (5)

1.一种基于开源鸿蒙***的储能方法，包括：

获取储能设备的地理坐标和储能设备与中心节点的网络连接拓扑结构；其中，中心节点表示部署在云端的数据中心，数据中心表示服务器集群；

根据获取的储能设备的地理坐标和储能设备与中心节点的网络连接拓扑结构，构建包含中心节点和多个边缘节点的分布式架构；

利用鸿蒙***的分布式文件***在构建的分布式架构上部署分布式数据存储；

采集储能设备的实时数据，通过鸿蒙***的分布式网络发送到边缘节点，实时数据包含电流和电压；

边缘节点接收到实时数据后进行预处理，并通过并行化的机器学习模型进行特征提取，得到特征数据；

边缘节点通过鸿蒙***的分布式软总线网络组件，将预处理后的实时数据发送到中心节点上的分布式数据库存储；

边缘节点将提取的特征数据通过鸿蒙***的碎片化传输发送到中心节点上的分布式数据库存储；

边缘节点从中心节点的分布式数据库中获取储能设备的历史状态数据；

边缘节点基于获取的历史状态数据，利用鸿蒙***的机器学习模型，训练用于预测储能设备容量的预测模型；

中心节点从分布式数据库获取预处理后的实时数据和提取的特征数据，结合训练后的预测模型，生成储能设备的控制指令；

采用基于开放平台通信统一架构OPCUA标准的工业时序通信协议，将中心节点生成的控制指令传输给储能设备进行管理控制；

构建包含中心节点和多个边缘节点的分布式架构，包括：

中心节点接收边缘节点发送的空间分布特征和网络拓扑结构特征数据；

中心节点根据接收的空间分布特征和网络拓扑结构特征，采用贪心算法设置多组节点位置组合方案；

中心节点将各组节点位置组合方案发送至边缘节点；

边缘节点接收节点位置组合方案，通过仿真方法对各位置组合方案进行网络性能评估，得到各方案的网络时延和负载性能数据；

边缘节点将仿真得到的网络时延和负载性能数据返回中心节点；

中心节点选择网络时延最小且负载性能最高的组合，作为中心节点和边缘节点的最佳部署位置；

中心节点将得到的最佳部署位置通过鸿蒙***的分布式软总线网络组件发送至边缘节点；

边缘节点根据接收到的最佳部署位置，控制储能设备和边缘计算设备在对应位置上进行部署，并与中心节点建立连接，构建分布式架构；

根据预处理后的实时数据，边缘节点通过并行化的机器学习模型进行特征提取，包括：

边缘节点将预处理后的储能设备的实时电流和电压数据，按时间窗口划分为多个数据块；将数据块输入多个卷积神经网络中；

各卷积神经网络独立训练更新网络参数，并输出对应数据块的储能设备剩余寿命RUL的均值和方差；

边缘节点将各数据块的RUL均值和方差进行聚合，得到储能设备的健康度特征数据；

边缘节点将得到的健康度特征数据通过鸿蒙***的分布式软总线网络组件发送至中心节点进行存储；

边缘节点将预处理后的储能设备的实时电流和电压数据按时间序列组织，输入循环神经网络；

循环神经网络通过门控循环单元GRU获取时间序列数据中的长期依赖关系，输出储能设备的自放电率和内阻的预测值；

边缘节点将循环神经网络输出的自放电率和内阻的预测值与历史值进行对比，获取自放电率和内阻的增长趋势，作为储能设备的性能衰减特征；

边缘节点将得到的性能衰减特征通过鸿蒙***的分布式软总线网络组件发送至中心节点进行存储；

将提取的特征数据通过鸿蒙***的碎片化传输发送到中心节点上的分布式数据库，包括：

边缘节点将得到的储能设备的健康度特征数据和性能衰减特征数据，采用Huffman编码算法进行压缩；

边缘节点将压缩后的特征数据，通过fibonacci分割法切分为多个数据块，并为每个数据块添加CRC32校验码；

边缘节点利用MongoDB的Object ID算法为每个数据块生成标识码；标识码包含时间戳和序号；

边缘节点根据数据块的标识码，采用Apache kafka的分区机制，将具有相同时间戳前缀的数据块发送到同一分区；

中心节点的 kafka消费者根据分区接收数据块，并通过标识码将属于同一原始特征数据的数据块进行归类；

中心节点将归类后的数据块按照标识码的时间戳和序号进行排序拼接，通过Huffman解码算法得到原始的特征数据；

中心节点将得到的原始的特征数据存储到分布式数据库MongoDB中，并在MongoDB数据库中构建以设备ID和时间戳为索引的数据集合；

边缘节点基于历史状态数据，利用鸿蒙***的机器学习模型，训练用于预测储能设备容量的预测模型，包括：

边缘节点从分布式数据库MongoDB中获取储能设备的历史状态数据，历史状态数据包含过去一年内的电流和电压时序数据；

边缘节点采用基于差分熵的统计分析方法，计算历史状态数据每个时间窗口内的差分熵值；

边缘节点设置滑动窗口，将每个窗口的差分熵值组成一个差分熵特征向量；通过在时间轴上滑动时间窗口，得到差分熵特征向量序列；

边缘节点将差分熵特征向量序列作为输入，通过BIRCH增量聚类算法划分多个聚类簇，聚类簇的中心点反映了不同工况下储能设备状态的模式；

边缘节点采用z-score标准化方法对每个聚类簇内的数据进行归一化处理；

边缘节点将归一化处理后的聚类簇数据作为训练集，用于训练预测模型；

构建包含多层LSTM网络和残差连接的序列预测模型，利用得到的训练集进行模型训练，得到预测储能设备容量的预测模型；

根据预处理后的实时数据、提取的特征数据和训练后的预测模型，中心节点生成储能设备的控制指令，包括：

中心节点接收边缘节点预处理后的储能设备实时状态数据；

中心节点从分布式数据库MongoDB中获取储能设备的健康度特征和性能衰减特征；

中心节点将获取的实时状态数据、健康度特征和性能衰减特征按照时间对齐后，作为输入向量；通过训练后的预测模型进行预测，得到未来一段时间内储能设备容量变化的预测曲线；

中心节点对得到的预测曲线进行峰谷特征提取，采用基于小波变换的多尺度分析方法，获取预测曲线的局部极大值点和极小值点；

中心节点根据获取的局部极大值点和极小值点，采用增量式PID算法，计算调节储能设备充放电电流和电压的控制参数；

中心节点将计算得到的控制参数封装为控制指令，下发到边缘节点，由边缘节点将控制指令转换为CAN总线帧格式，对储能设备进行管理。

2.根据权利要求1所述的基于开源鸿蒙***的储能方法，其特征在于：

获取储能设备的地理坐标和储能设备与中心节点的网络连接拓扑结构，包括：

通过GPS获取储能设备的地理坐标数据，并将获取的地理坐标数据发送至边缘节点；

边缘节点接收地理坐标数据后，通过Map Reduce框架进行曼哈顿距离计算，得到储能设备的空间分布特征；其中，空间分布特征包含储能设备的空间覆盖范围；

边缘节点将计算得到的空间分布特征通过鸿蒙***的分布式软总线网络组件发送至中心节点；

通过网络拓扑发现协议LLDP获取储能设备和中心节点的网络连接信息数据，并发送至边缘节点；其中，网络连接信息数据包含设备标识、端口信息、时延和链路速率；

边缘节点接收到网络连接信息数据后，通过网络拓扑分析工具Gephi进行链路统计分析，得到网络拓扑结构特征；其中，网络拓扑结构特征包含节点度分布、平均路径长度和网络直径；

边缘节点将得到的网络拓扑结构特征通过鸿蒙***的分布式软总线网络组件发送至中心节点。

3.根据权利要求1所述的基于开源鸿蒙***的储能方法，其特征在于：

部署分布式数据存储，包括：

在构建的分布式架构的中心节点和边缘节点上分别部署No SQL数据库，形成分布式数据库集群；

中心节点在部署的No SQL数据库上配置redis缓存中间件，并将配置信息发送至边缘节点；

边缘节点接收中心节点的redis缓存中间件的配置信息，在本地的No SQL数据库上进行相应配置。

4.根据权利要求1至3任一所述的基于开源鸿蒙***的储能方法，其特征在于：

分布式软总线网络组件，包括：消息集成模块、服务注册模块和请求路由模块；

消息集成模块，接收边缘节点或中心节点的自定义协议数据，根据预设的编码映射规则，将自定义协议数据转换为标准协议格式；并将转换后的标准协议格式发送至服务注册模块进行服务访问；

服务注册模块，接收服务访问请求，将服务实例信息存储到集中式的etcd数据库；

请求路由模块，根据服务访问请求，通过查询etcd数据库获取访问请求对应的服务实例信息；根据获取的服务实例信息，采用一致性哈希算法将访问请求路由到服务实例所在节点，进行负载均衡；并将服务响应结果数据转换为自定义协议格式，返回给请求发起的边缘节点或中心节点。

5.根据权利要求1所述的基于开源鸿蒙***的储能方法，其特征在于：

增量式PID算法采用基于粒子群优化的自适应增量PID控制算法。