(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210855759.2 (22)申请日 2022.07.21 (71)申请人 之江实验室 地址 311121 浙江省杭州市余杭区之江实 验室南湖总部 (72)发明人 陈页　杨穷千　黄丹丹　刘萌萌　 李振廷　 (74)专利代理 机构 北京志霖恒远知识产权代理 事务所(普通 合伙) 11435 专利代理师 戴莉 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) H02J 13/00(2006.01) (54)发明名称 一种面向变电站故障检测的云边协同任务 管理系统及方法 (57)摘要 本发明公开了一种面向变电站故障检测的 云边协同任务管理系统及方法， 涉及电力系统故 障检测的技术领域， 包含依次连接的数据采集模 块、 数据解析模块、 负载预测模块、 任务调度模 块、 通信模块， 所述的任务调度模块还连接有资 源监控模块、 故障检测模块、 故障警报 模块； 本发 明采用云边协同任务管理的方式， 降低网络传输 时延， 利于紧急和时间敏感的任务顺利完成； 采 用负载预测方式， 预测下一时刻系统负载情况， 有利于提高资源利用效率； 该发明结构简单、 操 作容易、 便于推广。 权利要求书2页 说明书7页 附图4页 CN 114936808 A 2022.08.23 CN 114936808 A 1.一种面向变电站故障检测的云边协同任务管理系统， 其特征在于： 包含依次连接的 数据采集模块、 数据解析模块、 负载预测模块、 任务调度模块、 通信模块， 所述通信模块还连 接所述数据采集模块， 所述的任务调度模块还依次连接有资源监控模块、 故障检测模块、 故 障警报模块； 所述数据采集模块收集变电站的数据采集设备产生的数据； 所述数据解析模块对 采集到的数据做初步分类处 理； 所述负载预测模块采用基于相似日的负载预测方法， 以变电站所处海拔、 变电站电压 等级、 日均气温、 湿度和天气类型作为相似 日评判依据， 根据关联度大小， 筛选出训练集和 测试集； 采用长 短期记忆网络算法， 结合变电站内电气设备的使用时间及故障率， 以数据采 集模块所采集数据规模作为调整参 考， 预测下一时刻的负载情况； 所述任务调度模块将 故障检测任务按照所需资源和任务对时间的紧迫程度， 采用群体 智能算法分配给云端或边 缘侧的计算节点； 所述资源监控模块包括资源监控器和监控报 警器， 所述资源监控器监控系统中云端和 边缘侧计算节点的资源状态； 当计算节点出现异常而无法执行当前任务时， 所述监控报警 器发出警报， 并由任务调度模块将当前 无法执行的任务重新分配给其 他节点； 所述故障检测模块利用计算节点资源， 对数据进行进一步解析， 得出具体故障内容及 故障发生 点， 分析可能的故障原因及故障处 理措施， 供运维人员参 考； 所述故障警报模块为故障发生后向运维人员发出警报， 并将 故障分析数据发送至云端 备份， 作为事后故障分析和下一时刻事前 预测的历史数据； 所述通信模块包括电力有线专网和5G电力虚拟专网， 所述电力有线专网用于有线数据 采集设备 的数据传输、 边缘计算节点之间的有线传输； 所述5G电力虚拟专网用于移动数据 采集设备 的数据传输、 边缘侧与云端计算节点之间及系统间各模块之间的无线传输， 同时 作为电力有 线专网故障时的备用通信方式。 2.一种面向变电站故障检测的云边协同任务管理方法， 其特 征在于， 包括以下步骤： S1： 采集变电站内电气 设备的数据， 包括变压器、 互感器、 断路器、 隔离开关和其他设备 的数字编码数据、 图像数据和声纹数据； S2： 初步解析所收集的数据， 按来源进行分类； S3： 采用基于相似日的负载 预测方法， 预测下一时刻的负载情况； S4： 采用基于群体智能的任务管理方法， 将故障检测任务分配到云端或边缘侧的适当 计算节点； S5： 监测任务执行节点的资源使用情况， 判断是否出现计算节点异常， 若出现计算节点 异常， 则重新进行 该任务调度； S6： 对节点所分配的任务进行进一步解析， 判断是否存在故障， 若存在， 则分析具体故 障内容及故障发生 点； 若不存在， 则结束任务； S7： 根据故障检测结果判断是否需要发出警报， 若需要， 则立刻警报通知运维人员； 若 不需要， 则结束任务； S8： 将故障信息上传至云端保存。 3.根据权利要求2所述的一种面向变电站故障检测的云边协同任务管理方法， 其特征 在于， 所述 步骤S3包 含以下子步骤：权　利　要　求　书 1/2 页 2 CN 114936808 A 2S3.1： 输入历史样本和待预测日的影响因素数据， 所述影响因素数据包括变电站所处 海拔、 变电站电压等级、 变电站内电气设备的使用时间、 变电站内电气设备的综合故障率、 日均气温、 湿度和天气类型； S3.2： 选取负载 预测所需的数据集， 包括训练集和 测试集； S3.3： 采用长短期记忆网络算法进行时间序列预测， 预测下一时刻的负载情况， 包括下 一时刻所需计算、 存 储和网络资源。 4.根据权利要求3所述的一种面向变电站故障检测的云边协同任务管理方法， 其特征 在于， 所述 步骤S3.2中选取负载 预测所需的数据集， 包括以下步骤： S3.2.1： 构造相似日影响因素矩阵， 包括子序列和母序列； S3.2.2： 对子序列和母序列做初值 化处理； S3.2.3： 选取测试集， 以待预测日的影响因素数据作为母序列， 历史样本中随机选取指 定比例的样本的影响因素数据作为子序列， 计算各子序列与母序列间的关联度， 选取关联 度从高到低排序前 位的样本作为测试集， 并选取关联度最高的样本作为训练标签日； S3.2.4： 选取训练集， 以训练标签日的影响因素数据作 为母序列， 历史样本中剩余样本 的影响因素数据作为子序列， 计算各子序列与母序列间的关联度， 选取关联度从高到低排 序前 位的样本作为训练集。 5.根据权利要求4所述的一种面向变电站故障检测的云边协同任务管理方法， 其特征 在于： 所述 步骤S3.2.3中， 历史样本中随机 选取40% 的样本的影响因素 数据作为子序列。 6.根据权利要求2所述的一种面向变电站故障检测的云边协同任务管理方法， 其特征 在于： 所述 步骤S4中的群 体智能的任务管理方法， 包 含以下步骤： S4.1： 输入步骤S2中经初步 解析的数据和步骤S3中的下一时刻负载 预测情况； S4.2： 计算云边协同任务评价指标； S4.3： 比较任务部署至云端计算节点的评价结果和部署至边缘侧计算节点的评价结果 的大小， 若将任务部署至云端的评价结果更小则将任务部署至云端， 反 之则部署至边 缘侧； S4.4： 根据步骤S4.3的任务部署结果， 采用群体智能算法将故障检测任务进一步分配 到云端或边 缘侧的适当计算节点。 7.根据权利要求6所述的一种面向变电站故障检测的云边协同任务管理方法， 其特征 在于， 所述 步骤S4.4的群 体智能算法为蚁群优化 算法， 其包 含以下步骤： S4.4.1： 初始化参数， 将 只蚂蚁随机分配到 个计算节点， 将出发节点加入第 只蚂 蚁的禁忌表 中， 设置迭代次数 ； S4.4.2： 计算在 时刻从节点 到节点 的概率 ， 选择新的计算节点， 并将新的节 点增加到禁忌表 中； S4.4.3： 更新节点 之间的残留信息； S4.4.4： 以 只蚂蚁中网络 拓扑距离之和最小为目标选择最优计算节点； S4.4.5： 更新 最优网络 拓扑路径上的残留信息； S4.4.6： 判断是否达到所设置的迭代次数， 若未达到则重 复该过程， 反之得到最优任务 分配方案 。权　利　要　求　书 2/2 页 3 CN 114936808 A 3