基于边缘-云协同时空关联图谱与强化学习的工业能源系统多目标优化调度方法及系统与流程

本发明属于工业能源管理与智能调度，具体涉及一种基于边缘-云协同时空关联图谱与强化学习的工业能源系统多目标优化调度方法及系统，适用于包含多种能源转换设备的工业园区或大型工厂的在线能耗优化与调度决策。。

背景技术：

1、在工业生产场景中，大型园区或工厂通常配置多种能源转换设备（如燃气锅炉、空压机组、制冷机组、光伏发电系统、储能系统等），各设备之间存在复杂的耦合关系：同一能源介质可由不同设备供应，同一设备可同时输出多种能源形式。此外，设备运行状态随生产计划、季节气候、峰谷电价等外部因素动态变化，传统基于规则或离线优化的调度方法难以适应这种高复杂度、高实时性要求的场景。

2、现有技术主要存在以下缺点：

3、1. 云侧集中计算延迟高：现有图强化学习方法在云侧进行全局模型推理，面对工业现场秒级调度需求时，通信链路引入的延迟无法满足实时性要求。例如，专利文献cn202511250955公开了一种基于图强化学习的多目标综合能源系统调度方法，将系统状态表示为向量用于学习，训练效率较低，依赖大规模历史标注数据收敛，且未涉及边缘侧实时感知与云侧协同计算架构，无法满足工业现场秒级响应需求。

4、2. 时空关联特征利用不足：现有方案对能源设备间的时空关联关系建模较粗糙，未建立设备运行状态的动态时空图谱，导致调度决策的全局感知能力受限。专利文献cn202610117253公开了一种基于改进深度强化学习的ies多目标动态优化调度方法，主要聚焦于能源转换与存储设备侧的调度优化，未考虑边缘计算节点与云平台的协同架构；在面对突发负荷波动时，云侧集中计算存在通信延迟。

5、3. 安全约束与调度优化解耦：现有方案多将安全约束作为硬约束后处理，安全校验与调度优化未在同一决策周期内完成，存在约束违反风险。

6、4. 边缘-云协同闭环缺失：专利文献cn202510899344公开了一种多边缘节点协同的工业能耗数据压缩存储方法，聚焦于数据压缩与存储效率优化，未涉及能源调度决策的生成与执行；缺乏将边缘实时数据反馈至云侧进行大规模优化模型训练的闭环机制。公开文献"基于联邦数字孪生的工业边缘协同调度优化方法"侧重于计算资源的调度，未将能源消耗作为直接优化目标，边缘侧无独立的能耗预测与异常感知能力。。

技术实现思路

1、技术问题

2、本发明所要解决的技术问题包括：

3、解决边缘侧实时调度推理与云侧大规模协同训练之间的协同效率问题；

4、解决工业能源系统中多设备、多时段、多能流耦合的时空关联建模问题；

5、解决安全约束实时校验与多目标调度优化统一决策的问题；

6、解决边缘侧能耗异常快速检测与云侧根因知识库联动的问题。

7、技术方案

8、为解决上述技术问题，本发明提出一种基于边缘-云协同时空关联图谱与强化学习的工业能源系统多目标优化调度方法及系统。

9、系统方面，本发明包括边缘侧子系统和云侧子系统：

10、边缘侧子系统包括：

11、数据采集模块，与能源设备层通过modbus或opc-ua工业协议接口相连接，用于实时采集各能源设备的运行参数，并将原始时序数据以流式方式推送至边缘流式处理模块，同时周期性地将汇聚数据通过边缘-云数据上报通道上传至云侧全局数据汇聚模块；

12、边缘流式处理模块，与所述数据采集模块通过流式数据推送通道相连接，用于对时序数据进行滑动窗口特征提取，生成设备运行状态特征向量，并将所述特征向量通过特征分发接口同时分发至本地推理调度模块与异常检测模块；

13、本地推理调度模块，与所述边缘流式处理模块通过特征向量传递接口相连接，与云侧模型下发模块通过策略参数下发通道相通信，用于接收云侧下发的调度策略网络参数并在边缘侧部署轻量化策略网络，基于当前特征向量进行前向推理输出各能源设备的调度指令，并将调度结果通过调度日志上报通道上报至云侧用于模型更新；

14、异常检测模块，与所述边缘流式处理模块通过特征向量分发接口相连接，与云侧模型下发模块通过异常模型下发通道相通信，与云侧云端知识图谱推理模块通过异常事件上报通道相通信，用于接收云侧下发的异常检测模型对设备特征进行实时监控，检测到异常时触发告警并通过异常事件上报通道上报至云端知识图谱推理模块，同时触发边缘侧本地保护动作；

15、云侧子系统包括：

16、全局数据汇聚模块，与所述边缘侧数据采集模块和所述本地推理调度模块分别通过边缘-云数据上报通道和调度日志上报通道相通信，用于接收多边缘节点上报的设备运行数据与调度日志，建立统一时序数据库，执行数据清洗、格式标准化与跨边缘节点数据关联；

17、时空关联图谱构建模块，与所述全局数据汇聚模块通过时序数据接口相连接，用于基于多边缘汇聚数据构建能源系统的时空关联特征图谱，将图谱数据通过图谱输出接口输出至强化学习训练模块；

18、强化学习训练模块，与所述时空关联图谱构建模块通过图谱数据输出接口相连接，内部包含策略网络与安全约束校验网络，所述策略网络接收时空关联图谱的当前状态输出调度动作，所述安全约束校验网络与所述策略网络通过动作校验通道相连接，对策略网络输出进行可行性校验，校验不通过时触发约束修正，该模块将训练完成后的策略网络参数通过策略参数打包接口输出至模型下发模块；

19、云端知识图谱推理模块，与所述异常检测模块通过异常事件上报通道相通信，与所述强化学习训练模块通过推理结果反馈接口相连接，用于维护故障-症状-根因知识图谱，接收边缘异常事件进行多跳推理定位根因，将推理结果通过推理结果反馈接口反馈至强化学习训练模块用于模型更新，同时将更新后的异常检测模型通过异常模型打包接口输出至模型下发模块；

20、模型下发模块，与所述强化学习训练模块通过策略参数打包接口相连接，与所述云端知识图谱推理模块通过异常模型打包接口相连接，与所述本地推理调度模块和所述异常检测模块分别通过安全通信通道相通信，用于将更新后的策略网络参数与异常检测模型打包下发至对应边缘节点。

21、方法方面，本发明包括以下步骤：

22、步骤s1：边缘侧数据采集模块实时采集各能源设备的运行参数，将原始时序数据以流式方式推送至边缘流式处理模块，同时周期性地将汇聚数据上传至云侧全局数据汇聚模块；

23、步骤s2：边缘流式处理模块对时序数据进行滑动窗口特征提取，生成设备运行状态特征向量，将所述特征向量分发至本地推理调度模块与异常检测模块；

24、步骤s3：云侧全局数据汇聚模块接收多边缘节点上报的设备运行数据与调度日志，建立统一时序数据库；

25、步骤s4：云侧时空关联图谱构建模块基于多边缘汇聚数据构建能源系统的时空关联特征图谱，包括构建空间拓扑邻接矩阵与时间特征矩阵，融合输出时空关联特征图谱；

26、步骤s5：云侧强化学习训练模块基于时空关联特征图谱训练策略网络与安全约束校验网络，策略网络接收当前状态输出调度动作，安全约束校验网络对调度动作进行可行性校验，校验不通过时触发约束修正；

27、步骤s6：训练完成后的策略网络参数与异常检测模型通过模型下发模块下发至各边缘节点；

28、步骤s7：边缘侧本地推理调度模块基于当前特征向量与下发的策略网络进行前向推理，输出各能源设备的调度指令；

29、步骤s8：边缘侧异常检测模块基于云侧下发的异常检测模型对设备特征进行实时监控，检测到异常时上报至云端知识图谱推理模块并触发边缘侧本地保护动作；

30、步骤s9：云端知识图谱推理模块接收异常事件，在故障-症状-根因知识图谱中进行多跳推理定位根因，将推理结果反馈至强化学习训练模块用于模型更新；

31、步骤s10：每经过预设周期，边缘侧将调度日志上报至云侧，云侧强化学习训练模块基于新增数据执行增量训练更新模型参数，更新后的模型重新下发至各边缘节点，进入下一运行周期。

32、有益效果

33、与现有技术相比，本发明具有以下有益效果：

34、边缘-云协同架构实现秒级实时调度：将调度策略网络部署于边缘侧，本地推理延迟满足工业秒级要求；同时云侧定期增量训练更新模型，解决了集中式云端调度响应延迟高的问题。相比现有图强化学习方案，本发明在保证模型精度的同时实现了边缘侧实时推理。

35、时空关联图谱提供全局感知能力：构建的时空关联特征图谱同时编码设备间的空间拓扑关系与时间演化规律，为调度决策提供超越局部信息的全局感知能力，能更准确捕捉多能流耦合系统的复杂动态特性。

36、内置安全约束校验保障系统运行安全：在强化学习框架中内置安全约束校验网络，安全校验与调度优化在同一决策周期内协同完成，避免了安全约束后处理导致的约束违反风险，将安全性作为调度决策的内生约束而非外部校验。

37、边缘异常检测与云端知识图谱联动实现诊断-调控闭环：边缘异常检测模块与云端知识图谱推理模块形成双向反馈闭环，边缘侧负责实时检测、云侧负责根因推理，推理结果反哺边缘模型更新，实现了从异常检测到根因定位再到调控执行的完整闭环。

38、多目标统一优化兼顾能耗、成本与碳排放：奖励函数同时考虑能源消耗、购能成本与碳排放三个维度，通过权重系数灵活调整优化侧重点，满足工业场景的多维度绩效管理需求。

39、上述有益效果均源自本发明系统的模块组成与模块间连接关系，各模块通过特定的数据通道、通信链路与接口形成结构化协同，使得技术效果在系统层面整体涌现，而非单模块功能的简单叠加。