[发明专利]云边协同的智能电网监测系统及其资源分配和调度方法

权利要求书

1.一种云边协同的智能电网监测系统，其特征是：包含N种不同类型传感器的无线传感器网络节点、一个电力无线专网基站、一个拥有多个神经网络的边缘设备和一个远程云端的系统；

其中，所述无线传感器网络节点包括：WIFI和LTE-A的两种无线通信接口、传感器和微处理器单元；

所述边缘设备包括：WIFI无线通信接口和运行多种神经网络的嵌入式微处理器；其中，每个神经网络的精度不同，消耗的计算资源不同，且均用于对电压和电流时序数据进行异常检测；

所述云端包括：LTE-A无线通信接口、互联网接口和神经网络模型；

所述传感器-电力无线专网基站-云：传感器将采集的数据通过LTE-A无线通信接口传输给所述电力无线专网基站，所述电力无线专网基站对所接收到的数据进行一定的处理后，再通过互联网将处理后的数据上传至所述云端，由云端中的神经网络模型对处理后的数据进行实时异常状态监测，一旦数据发生异常，则找出故障并排除，从而实现从传感器到电力无线专网基站再到云端的数据传输和处理过程；

所述传感器-边缘设备：传感器将采集的数据通过WIFI无线通信接口传输给所述边缘设备，所述边缘设备中的嵌入式微处理器中的不同精度的神经网络对所接收到的数据进行实时异常状态监测，一旦数据发生异常，则找出故障并排除，从而实现从传感器到边缘设备的数据传输和处理过程。

2.一种云边协同的智能电网监测系统的资源分配和调度方法，其特征是应用于由包含N种不同类型传感器的无线传感器网络节点、一个电力无线专网基站、一个拥有多个神经网络的边缘设备和一个远程云端所组成的智能电网监测系统中，并按如下步骤进行：

步骤一、在所述智能电网监测系统中，将需要采集的传感器编号{1,2,...,n,...,N}，n表示第n种传感器的序号，1≤n≤N；

定义不同神经网络的精度为{Q₁,Q₂,...,Q_a,...,Q_A},其中Q_a表示第a种神经网络的精度，1≤a≤A；

定义Q表示云端的计算精度；

步骤二、假设一段时间内第n种传感器共传输I_n个数据包，每个数据包传输L_n位数据且传输周期为T_p,n，计算数据包在延迟限制内成功传输到边缘设备或云端的概率；

步骤2.1、利用式(2-1)得到第n种传感器在无线通信中的传输延迟的概率函数

式(2-1)中，时的参数表示数据传输到边缘设备过程中的参数，时的参数表示数据传输到云端过程中的参数，表示到第n种传感器传送的数据在无线通信中实际传输的时间,表示第n种传感器传送的单个数据包成功解码的概率与第n种传感器传送的单个数据包传输周期T_p,n的商，并有：

式(2-2)中，表示带宽资源；表示第n种传感器传送数据时的信噪比，表示第n种传感器传送数据时的到达率；并有：

式(2-3)中，x_n,i表示第n种传感器的第i个数据包是发送给边缘设备处理还是发送给云端处理；

步骤2.2、利用式(2-4)得到第n种传感器在互联网中的传输延迟T_c,n的概率函数P(t_c,n≤T_c,n)：

式(2-4)中，t_c,n表示第n种传感器传送的数据在互联网中实际传输的时间，σ²表示时间t_c,n的方差，μ表示时间t_c,n的数学期望；

步骤三、建立以计算精度与数据成功到达概率的乘积最大值为目标函数；

根据计算资源、通信资源和设备硬件的限制因素，建立一系列约束条件；

步骤3.1、利用式(3-1)构建目标函数：

式(3-1)中，y_n,i,a表示第n种传感器的第i个数据包是否发送给边缘设备中精度为Q_a的神经网络处理；T_n表示第n种传感器的延迟限制；t表示数据在实际传输中的总时间；P_e,a,n(t≤T_n)表示第n种传感器的数据传送给边缘设备中精度为Q_a的神经网络处理的无线传输延迟加计算延迟小于延时限制的概率，并有：

式(3-2)中，T_e,a,n表示第n种传感器传输的数据在精度为Q_a的神经网络中的计算延迟；

式(3-1)中，P_c,n(t≤T_n)表示第n种传感器的数据传送给云端时数据到基站的无线传输延迟加基站到云的互联网传输延迟小于延时限制的概率，并有：

步骤3.2、利用式(3-4)-(3-8)构建约束条件：

x_n,i≤1 x_n,i∈N⁺ (3-4)

y_n,i,a≤1 y_n,i,a∈N⁺ (3-5)

若x_n,i＝1,则y_n,i,a＝1 (3-8)

式(3-4)表示x_n,i只能等于0或1，即第n种传感器的第i个数据包只能传送给边缘或者云端；

式(3-5)表示y_n,i,a只能等于0或1，即第n种传感器的第i个数据包是否传给精度为Q_a的神经网络；

式(3-6)表示任意一个神经网络分得的计算资源需小于总资源；

式(3-7)表示只能选择一种精度的神经网络；

式(3-8)表示当数据传输给边缘设备时，必须选择一种精度的神经网络；

步骤四、联合KKT条件和分支定界法将问题进行求解，得到最优解；

步骤4.1、将所述目标函数的求解变量松弛为连续变量，根据式(4-1)建立非线性规划问题的拉格朗日函数L(x_n,i,y_n,i,a,λ)：

式(4-1)中，h(x_n,i),h(y_n,i,a),h₁(x_n,i,y_n,i,a),h₂(y_n,i,a),h₃(x_n,i,y_n,i,a)分别表示五个约束函数，λ₁,λ₂,λ₃,λ₄,λ₅表示对应约束函数的拉格朗日乘数，并有：

h(x_n,i)＝x_n,i-1 (4-2)

h(y_n,i,a)＝y_n,i,a-1 (4-3)

h₃(x_n,i,y_n,i,a)＝y_n,i,a-1-M(1-x_n,i) (4-6)

式(4-4)中，μ_max表示总的计算资源，μ_a表示精度为Q_a的神经网络分得的计算资源；

式(4-6)中，M表示所设定的常数；

步骤4.2、根据式(4-7)到(4-11)建立KKT条件，从而通过联合KKT条件相关等式，求出经过松弛的非线性规划问题的最优解X_relax：

h(x_n,i)≤0,h(y_n,i,a)≤0,h₁(x_n,i,y_n,i,a)≤0,h₂(y_n,i,a)≤0,h₃(x_n,i,y_n,i,a)≥0 (4-9)

λ₁·λ₂·λ₃·λ₄·λ₅≥0 (4-10)

λ₁h(x_n,i)＝0,λ₂h(y_n,i,a)＝0,λ₃h₁(x_n,i,y_n,i,a)＝0,λ₄h₂(y_n,i,a)＝0,λ₅h₃(x_n,i,y_n,i,a)＝0(4-11)

步骤4.3、分支定界法求解：

步骤4.3.1、将所述目标函数作为问题P-1；初始化：k＝0，L＝0，U＝z_relax；其中，z_relax表示最优解x_relax对应的最优目标函数值；

步骤4.3.2、从最优解x_relax中任意选择一个不符合0-1约束条件的解x_j,即x_j∈(0,1)；

步骤4.3.3、若0≤x_j≤ε成立，则将约束条件x_j＝0加入到问题P-1中，形成子问题Ι；否则，将约束条件x_j＝1加入到问题P-1中，形成子问题Π；其中，ε表示0到1内任一值；

步骤4.3.4、将k+1赋值给k后，求出子问题Ι或子问题Π的松弛问题解，记为x_k，并将对应最优目标函数值记为z_k；

步骤4.3.5、找出最优目标函数最大值U作为新的上界，即：U＝max{z_k'|k'＝1,2,...,k},x_k'∈[0,1]；

步骤4.3.6、再从符合0-1条件的分支中，找出目标函数最大值L作为新的下界，即：L＝max{z_k'|k'＝1,2,...,k},x_k'∈[0,1]；

步骤4.3.7、若在各个分支中存在最优目标函数值小于下界的值，即z_k'≤L，则剪掉相应分支；否则，继续执行步骤4.3.8；

步骤4.3.8、若在各个分支中存在最优目标函数值大于下界的值，即z_k'＞L，且不符合0-1条件，则返回步骤4.3.2；否则，表示所有分支的最优目标函数值等于下界，即：z_k'＝L，将z_k'赋值给z_0-1，将x_k'赋值给x_0-1，并作为问题P-1的最优解，其中，x_0-1表示符合0-1约束条件的最优解；z_0-1表示最优解x_0-1对应的最优目标函数值；

步骤五、根据求出的最优解，采用最优解所表示的最优资源分配方案将采集的数据传输给无线网络，实现数据监控。