CN113887749B 基于云边协同的电力物联网多维度监控处置方法、设备及平台 （国网江苏省电力有限公司信息通信分公司）

A,2020.06.30A,2020.08.28A,2019.05.03A,2018.08.21基于云边协同的电力物联网多维度监控处本发明公开了一种基于云边协同的电力物2从运行日志信息中筛选出异常日志信息，对异常日志信息进行故障判采用基于随机森林算法训练的故障判断模型对异常日志信息进行所述故障判断模型的训练数据为高频异常情况对应的日志信息和该异常对应的故障2.基于权利要求1所述的一种基于云边协同的电力物联网多维度监控处置方法，其特边处置模块，从接收到的运行日志信息中筛选出异常日志信息，对异对异常日志信息进行故障判断获得对应的故障类型，并下采用基于深度可分离卷积神经网络算法训练的故障判断模型对异常日志信息进行故3所述基于GAN的故障判断模型训练过程步分布的随机数，将z输入生成器Gθ(z)生成模拟数据令采样数据GAN的损失函数定义为其中，表示由生成器产生器通过梯度的一阶矩估计和二阶矩估计动态调整各个参数的学习率α,m表示迭代批次大12分别为一阶矩估计和二阶矩估计的指数衰减率；步骤4：采用Adam优化器训练生成器参数θ,步骤5：对GAN生成的数据进行和真实数据相同的特征4.基于权利要求3所述的一种基于云边协同的电力物联网多维度监控处置方法，其特云处置模块，接收边缘设备上传的异常日志信息；对5.根据权利要求4所述的一种基于云边协同的电力物联网多维度监控处置方法，其特云管理模块，用于记录显示处置策略执行成功信息和未4[0006]第一方面，本发明提供了一种基于云边协同的电力物联5[0024]第三方面，本发明还提供了一种基于云边协同的电力物联网多维度监控处置方[0028]采用基于深度可分离卷积神经网络算法训练的故障判断模型对异常日志信息进6[0037]2)智能分析与计算。利用人工智能算法在云端和边缘端对异常日志进行协同处[0040]图2为深度可分离卷积神经网络模型结构图：其中(a)是逐层卷积，(b)是逐点卷各种传感器及采集终端的采集信息上传至边缘管理软件，由边缘管理软件将信息上传至7[0054]本模块调用边缘管理软件提供的功能函数，基于MQTT消息传输协议进行日志采8[0060]在边处置模块中已部署有基于随机森林算法训练的故障判断模型(或称随机森林代表第i个容器中的第j个应用。日志中的属性信息判断该条日志是否为异常日志(若有某指标的属性值超出给定的正常阈便后续查询管理。筛选出的异常日志数据则输入至故障判断模型(随机森林算法模型)中，作。该模块部署深度可分离卷积神经网络算法训练的故障判断模型(或称为深度可分离卷9[0068]云处置模块的具体处理过程为：当模块收到边处置模块的目的是为了保证算法所输出的结果是准确的)，则下发该故障类型对应的处置策略到边障信息库定时更新边处置模块和云处置模块中的故障该模块使用生成对抗网络(GAN，generativeadversarialnetwork)来解决真实数据不充均匀分布的随机数，将z输入生成器Gθ(z)生成模拟数据令采样数据GAN的损失函数可定义为其中，表示由生成器产生的数据，是从真实数据和生成数据组成的数据集采样获得，E[]表示求期望的操优化器通过梯度的一阶矩估计和二阶矩估计动态调整各个参数的学习率α,m表示迭代批次β2分别为一阶矩估计和二阶矩估计的指数衰减率，每次迭代的学习率都在固定的[0079]步骤4：采用Adam优化器训练生成器参[0084]基于与实施例1同样的发明构思，本发明的一种基于云边协同的电力物联网多维[0094]基于与实施例2同样的发明构思，本发明的一种基于云边协同的电力物联网多维[0098]采用基于深度可分离卷积神经网络算法训练的故障判断模型对异常日志信息进现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0105]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个