基于嵌入式终端AI技术的电表数据智能调度方法与流程

摘要: 本发明涉及电力物联网边缘计算与数据采集,尤其是一种基于嵌入式终端ai技术的电表数据智能调度方法。背景技术:1、随着配电物联网的规模化发展,台区接入的智能电表数量...
基于嵌入式终端AI技术的电表数据智能调度方法与流程

本发明涉及电力物联网边缘计算与数据采集,尤其是一种基于嵌入式终端ai技术的电表数据智能调度方法。

背景技术:

1、随着配电物联网的规模化发展,台区接入的智能电表数量急剧增长。其中,电表数据的高频、高并发采集是实现电网状态实时感知、线损分析和负荷预测的基础。边缘计算终端作为台区的数据汇聚节点,在通信信道容量和业务时间窗口的约束下,对电表的通信任务进行调度,有助于维持电网底层数据的时效性与完整性。

2、目前的台区电表采集系统,多采用固定顺序的轮询机制,即边缘主控程序按照电表地址列表依次下发读取请求。此外,现有部分尝试引入机器学习进行通信状态预测的方案,通常需要将预测模型直接加载至边缘设备。

3、现有边缘采集调度难以充分利用有限信道资源,台区电表采集效率受限;同时预测模型在边缘受限硬件上推理部署稳定性差,难以满足采集效率需求。

技术实现思路

1、本发明要解决的技术问题如上所述,基于此提供一种基于嵌入式终端ai技术的电表数据智能调度方法。

2、为解决上述技术问题,本发明采用如下技术方案:

3、一方面,一种基于嵌入式终端ai技术的电表数据智能调度方法,包括:

4、获取边缘终端管辖范围内的电表基础数据及系统实时时间特征;

5、基于电表基础数据及系统实时时间特征进行特征工程处理,生成待推理特征矩阵;

6、调用标准化部署模型,在边缘终端的推理引擎中对待推理特征矩阵进行分批推理,获取各电表的通信预测结果与预测通信耗时,其中,标准化部署模型为经输入尺寸固化和算子版本锁定改造的梯度提升树模型;

7、基于通信预测结果与预测通信耗时,结合预获取的边缘通信环境约束条件,生成分层调度队列;

8、输出分层调度队列,控制边缘终端按照分层调度队列执行电表数据采集。

9、另一方面,基于电表基础数据及系统实时时间特征进行特征工程处理,生成待推理特征矩阵,包括:

10、提取电表基础数据中的历史通信记录;

11、针对历史通信记录计算随时间衰减的权重,据此(随时间衰减的权重)生成加权统计特征;

12、提取历史通信记录在近期的耗时序列,拟合生成通信质量趋势特征;

13、将加权统计特征、通信质量趋势特征与系统实时时间特征进行拼接、编码与归一化处理,生成待推理特征矩阵。

14、又一方面,调用标准化部署模型,在边缘终端的推理引擎中对待推理特征矩阵进行分批推理,包括:

15、获取边缘终端的系统当前可用内存;

16、基于系统当前可用内存动态计算目标分批大小;

17、将待推理特征矩阵按照目标分批大小划分为多个特征切片;

18、将多个特征切片依次输入推理引擎进行推理,获取各电表的通信预测结果与预测通信耗时。

19、又一方面,结合预获取的边缘通信环境约束条件,生成分层调度队列,包括:

20、获取当前通信信道的并发容量以及本次采集的采集时间窗口,作为边缘通信环境约束条件;

21、基于各电表的通信预测结果与预测通信耗时,计算单位时间期望采集收益;

22、根据单位时间期望采集收益对各电表进行排序,结合并发容量和采集时间窗口进行多通道贪心分配,生成分层调度队列。

23、又一方面,计算单位时间期望采集收益,包括:

24、将通信预测结果中的通信成功概率,与预测通信耗时及预设平滑常数之和的比值,作为对应电表的单位时间期望采集收益;

25、又一方面,进行多通道贪心分配,包括:

26、按照单位时间期望采集收益由高到低的顺序遍历各电表;

27、针对当前遍历的电表,在多个通信信道中查找当前最早空闲的目标信道;

28、若目标信道的当前完成时间与该电表的预测通信耗时之和未超出采集时间窗口,则将该电表分配至目标信道并更新当前完成时间,将其加入有效调度集合;

29、否则,将该电表加入延迟集合;分层调度队列由有效调度集合和延迟集合构成。

30、又一方面,结合预获取的边缘通信环境约束条件,生成分层调度队列,包括:

31、获取本次采集的采集时间窗口作为边缘通信环境约束条件;

32、基于通信预测结果中的通信成功概率,通过预设的高置信阈值和低置信阈值,将各电表划分为优先采集层、条件采集层和延迟采集层;

33、对不同采集层级的电表配置差异化的通信重试策略,根据采集时间窗口对延迟采集层进行截断控制,生成分层调度队列。

34、又一方面,标准化部署模型通过以下离线改造步骤获得:

35、获取训练完成的初始梯度提升树模型;

36、在对初始梯度提升树模型进行格式转换时,强制限定输入张量尺寸以移除动态批次维度,全局锁定导出算子版本至边缘终端的推理引擎支持的兼容版本区间内,生成标准化部署模型。

37、又一方面,边缘终端的推理引擎为预先部署在边缘终端的中央处理器上的开放神经网络交换onnx runtime推理引擎。

38、又一方面,获取各电表的预测通信耗时,包括:

39、获取标准化部署模型输出的对数化传输时延;

40、将对数化传输时延进行指数运算还原,得到各电表的预测通信耗时。

41、本发明的有益效果是:提高了有限信道资源下的台区电表采集效率,有益于模型在边缘受限硬件上的推理部署。

1.一种基于嵌入式终端ai技术的电表数据智能调度方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,基于电表基础数据及系统实时时间特征进行特征工程处理,生成待推理特征矩阵,包括:

3.根据权利要求1所述的方法,其特征在于,调用标准化部署模型,在边缘终端的推理引擎中对待推理特征矩阵进行分批推理,包括:

4.根据权利要求1所述的方法,其特征在于,结合预获取的边缘通信环境约束条件,生成分层调度队列,包括:

5.根据权利要求4所述的方法,其特征在于,计算单位时间期望采集收益,包括:

6.根据权利要求4所述的方法,其特征在于,进行多通道贪心分配,包括:

7.根据权利要求1所述的方法,其特征在于,结合预获取的边缘通信环境约束条件,生成分层调度队列,包括:

8.根据权利要求1所述的方法,其特征在于,标准化部署模型通过以下离线改造步骤获得:

9.根据权利要求1所述的方法,其特征在于,边缘终端的推理引擎为预先部署在边缘终端的中央处理器上的onnx runtime推理引擎。

10.根据权利要求1所述的方法,其特征在于,获取各电表的预测通信耗时,包括: