[0001]
本发明涉及数据分类技术领域，尤其涉及一种基于云边协同架构的电力物联网数据分类处理方法及装置。
背景技术：
[0002]
随着电力物联网技术的不断发展，电网中的数据也在不断增多。电力行业的数据来源十分复杂，有来自于发电厂、变电站的设备状态信息，有来自于众多地区的电力用量信息，还有来自于偏远地区的监测各类设施的传感器的信息等等。现有的基于云计算架构的电力物联网会将这些数据全部传入云端进行数据分析和处理，这不但会使云端背负较大的计算压力，也会造成数据传输路线的巨大宽带负担。这种模式已经无法满足行业日益増长的数据处理需求。
技术实现要素：
[0003]
为了解决现有技术中存在的问题，本申请提出了一种基于云边协同架构的电力物联网数据分类处理方法及装置，以避免数据上传和等待数据返回的延迟，达到了对数据的快速响应，并且提升了故障诊断分类的准确性。
[0004]
为了实现上述目的，本申请的一方面提出了一种基于云边协同架构的电力物联网数据分类处理方法，包括以下步骤：
[0005]
步骤1、在边缘层汇总收集原始数据并根据数据的来源，将数据分为上载数据和待处理数据；
[0006]
步骤2、利用随机森林算法对待处理数据进行分类和处理，得到分类结果数据；
[0007]
步骤3、边缘层将所述上载数据和分类结果数据上传至云端层，在云端层利用lstm-fcn数据分类模型对所述上载数据和分类结果数据进行分类存储。
[0008]
在一些实施例中，在所述步骤2中，还包括以下步骤：步骤21、对待处理数据进行数据预处理，获得特征数据集；步骤22、利用装袋算法从所述特征数据集中随机抽取训练数据子集训练随机森林模型；步骤23、利用测试数据集对训练后的随机森林模型进行测试，随机森林模型的输出结果为综合t棵cart树的分类结果数据。
[0009]
在一些实施例中，在所述步骤2中还包括以下步骤：步骤24、将所述分类结果数据下传到设备层，并打包等待发送到云端层。
[0010]
在一些实施例中，在所述步骤21中，所述数据预处理包括对数据提取平均值、标准偏差、峰值、峰度、脉冲指数和偏度特征以得到特征数据集。
[0011]
在一些实施例中，所述步骤23中，所述cart树的构建如下：每颗树的每个节点将其对应的数据集依据其属性，通过自适应基尼系数分割为两个数据子集x1，x2，其中x
i
表示第i个数据，其表达式为x
i
＝{d1,d2,...,d
m
}，n为数据个数，m为特征数量，则数据集x对应的自适应基尼系数公式为：其中函数f(d
j
)为统计d
j
出现次数；数
据集x依据第j个属性划分的自适应基尼系数公式为：其中α为自适应阈值，选择对应基尼系数最小的第j个属性作为其数据集分裂的依据进行分割数据集。
[0012]
在一些实施例中，所述步骤3包括以下步骤：步骤31、在云端层，接收来自边缘层的上载数据和分类结果数据；步骤32、对接收到的来自边缘层的上载数据和分类结果数据进行识别分类，将接收到的数据分成上载数据和分类结果数据；步骤33、对于分类结果数据依据其处理结果做出决策；步骤34、对于上载数据，采用lstm-fcn算法进行分类存储。
[0013]
在一些实施例中，所述步骤34中，采用lstm-fcn算法进行分类的过程如下：步骤341、将所述上载数据传入时间卷积块，数据在块中先通过时间卷积层，再使用批量归一化，之后通过relu激活函数得到该块的输出数据，所述输出数据再作为输入数据传送到下一个卷积块，重复两次上述过程；与此同时，将所述上载数据送入维度混洗层，之后将变幻后的数据输入到由basic lstm和attention lstm组成的lstm块中，之后经过dropout；步骤342、经过三个堆叠的时间卷积块的数据进入全局平均池化层；步骤343、将全局平均池化层和lstm块的输出数据进行串联，发送到softmax分类层进行分类，得到分类结果。
[0014]
本发明的另一方面提出了一种基于云边协同架构的电力物联网数据分类处理装置，包括以下模块：
[0015]
采集模块，用于在边缘层汇总收集原始数据并根据数据的来源，将数据分为上载数据和待处理数据；
[0016]
处理模块，用于利用随机森林算法对待处理数据进行分类和处理，得到分类结果数据；
[0017]
执行模块，用于通过边缘层将所述上载数据和分类结果数据上传至云端层，在云端层利用lstm-fcn数据分类模型对所述上载数据和分类结果数据进行分类存储。
[0018]
在一些实施例中，所述处理模块具体用于：对待处理数据进行数据预处理，获得特征数据集；利用装袋算法从所述特征数据集中随机抽取训练数据子集训练随机森林模型；利用测试数据集对训练后的随机森林模型进行测试，随机森林模型的输出结果为综合t棵cart树的分类结果数据。
[0019]
在一些实施例中，所述处理模块具体用于：将所述分类结果数据下传到设备层，并打包等待发送到云端层。
[0020]
在一些实施例中，所述处理模块具体用于：所述数据预处理包括对数据提取平均值、标准偏差、峰值、峰度、脉冲指数和偏度特征以得到特征数据集。
[0021]
在一些实施例中，所述处理模块具体用于：所述cart树的构建如下：每颗树的每个节点将其对应的数据集依据其属性，通过自适应基尼系数分割为两个数据子集x1，x2，其中x
i
表示第i个数据，其表达式为x
i
＝{d1,d2,...,d
m
}，n为数据个数，m为特征数量，则数据集x对应的自适应基尼系数公式为：其中函数f(d
j
)为统计d
j
出现次数；数据集x依据第j个属性划分的自适应基尼系数公式为：
其中α为自适应阈值，选择对应基尼系数最小的第j个属性作为其数据集分裂的依据进行分割数据集。
[0022]
在一些实施例中，所述执行模块具体用于：在云端层，接收来自边缘层的上载数据和分类结果数据；对接收到的来自边缘层的上载数据和分类结果数据进行识别分类，将接收到的数据分成上载数据和分类结果数据；对于分类结果数据依据其处理结果做出决策；对于上载数据，采用lstm-fcn算法进行分类存储。
[0023]
在一些实施例中，所述执行模块具体用于：将所述上载数据传入时间卷积块，数据在块中先通过时间卷积层，再使用批量归一化，之后通过relu激活函数得到该块的输出数据，所述输出数据再作为输入数据传送到下一个卷积块，重复两次上述过程；与此同时，将所述上载数据送入维度混洗层，之后将变幻后的数据输入到由basic lstm和attention lstm组成的lstm块中，之后经过dropout；经过三个堆叠的时间卷积块的数据进入全局平均池化层；将全局平均池化层和lstm块的输出数据进行串联，发送到softmax分类层进行分类，得到分类结果。
[0024]
本申请的该方案的有益效果在于上述基于云边协同架构的电力物联网数据分类处理方法及装置通过在设备终端进行数据处理，避免了将数据上传和等待数据返回的延迟，达到了对数据的快速响应；其利用随机森林模型进行数据分类可以达到更高的准确率；利用lstm-fcn模型也可以提升准确率。
附图说明
[0025]
图1示出了实施例中基于云边协同架构的电力物联网数据分类处理方法的架构图。
具体实施方式
[0026]
下面结合附图对本申请的具体实施方式作进一步的说明。
[0027]
如图1所示，本申请所涉及的基于云边协同架构的电力物联网数据分类处理方法，包括以下步骤：
[0028]
步骤1、在边缘层汇总收集原始数据并根据数据的来源，将数据分为上载数据upd和待处理数据ped。具体的，边缘层不对上载数据upd进行处理，直接将其向上传输到云端层；待处理数据ped则需要在边缘层进行处理，处理完毕后边缘层将结果下传到设备层，同时，将处理之后的数据上传到云端层，在云端层等待进一步分析。
[0029]
步骤2、利用随机森林算法对待处理数据ped进行分类和处理，得到分类结果数据ped’。
[0030]
步骤3、边缘层将所述上载数据upd和分类结果数据ped’上传至云端层，在云端层利用lstm-fcn数据分类模型对所述上载数据upd和分类结果数据ped’进行分类存储。
[0031]
其中在所述步骤2中，还包括以下步骤：
[0032]
步骤21、对待处理数据ped进行数据预处理，获得特征数据集。所述数据预处理包括对数据提取平均值、标准偏差、峰值、峰度、脉冲指数和偏度特征以得到特征数据集。
[0033]
步骤22、利用装袋算法(bagging算法)从所述特征数据集中随机抽取训练数据子集训练随机森林模型。
[0034]
步骤23、利用测试数据集对训练后的随机森林模型进行测试，随机森林模型的输出结果为综合t棵cart树的分类结果数据ped’。
[0035]
步骤24、将上述分类结果数据ped’下传到设备层，并打包等待发送到云端层。
[0036]
具体的，所述步骤23中，所述cart树的构建如下：每颗树的每个节点将其对应的数据集依据其属性，通过自适应基尼系数分割为两个数据子集x1，x2，其中x
i
表示第i个数据，其表达式为x
i
＝{d1,d2,...,d
m
}，n为数据个数，m为特征数量，则数据集x对应的自适应基尼系数公式为：其中函数f(d
j
)为统计d
j
出现次数；数据集x依据第j个属性划分的自适应基尼系数公式为：其中α为自适应阈值，选择对应基尼系数最小的第j个属性作为其数据集分裂的依据进行分割数据集。
[0037]
所述步骤3包括以下步骤：
[0038]
步骤31、在云端层，接收来自边缘层的上载数据upd和分类结果数据ped’。
[0039]
步骤32、对接收到的来自边缘层的上载数据upd和分类结果数据ped’进行识别分类，将接收到的数据分成上载数据upd和分类结果数据ped’。
[0040]
步骤33、对于分类结果数据ped’依据其处理结果做出决策。
[0041]
步骤34、对于上载数据upd，采用lstm-fcn算法进行分类存储，以便于之后的大数据分析。
[0042]
具体的，所述步骤34中，采用lstm-fcn算法进行分类的过程如下：
[0043]
步骤341、将所述上载数据upd传入时间卷积块，数据在块中先通过时间卷积层，再使用批量归一化，之后通过relu激活函数得到该块的输出数据，所述输出数据再作为输入数据传送到下一个卷积块，重复两次上述过程；与此同时，将所述上载数据upd送入维度混洗层(dimension shuffle layer)，之后将变幻后的数据输入到由basic lstm和attention lstm组成的lstm块中，之后经过dropout。
[0044]
步骤342、经过三个堆叠的时间卷积块的数据进入全局平均池化层。
[0045]
步骤343、将全局平均池化层和lstm块的输出数据进行串联，发送到softmax分类层进行分类，得到分类结果。
[0046]
本申请所涉及的基于云边协同架构的电力物联网数据分类处理装置，包括以下模块：采集模块，用于在边缘层汇总收集原始数据并根据数据的来源，将数据分为上载数据upd和待处理数据ped；处理模块，用于利用随机森林算法对待处理数据ped进行分类和处理，得到分类结果数据ped’；执行模块，用于通过边缘层将所述上载数据upd和分类结果数据ped’上传至云端层，在云端层利用lstm-fcn数据分类模型对所述上载数据upd和分类结果数据ped’进行分类存储。
[0047]
其中所述处理模块具体用于：对待处理数据ped进行数据预处理，获得特征数据集，所述数据预处理包括对数据提取平均值、标准偏差、峰值、峰度、脉冲指数和偏度特征以得到特征数据集；利用装袋算法从所述特征数据集中随机抽取训练数据子集训练随机森林模型；利用测试数据集对训练后的随机森林模型进行测试，随机森林模型的输出结果为综合t棵cart树的分类结果数据ped’；将所述分类结果数据ped’下传到设备层，并打包等待发
送到云端层。
[0048]
所述cart树的构建如下：每颗树的每个节点将其对应的数据集依据其属性，通过自适应基尼系数分割为两个数据子集x1，x2，其中x
i
表示第i个数据，其表达式为x
i
＝{d1,d2,...,d
m
}，n为数据个数，m为特征数量，则数据集x对应的自适应基尼系数公式为：其中函数f(d
j
)为统计d
j
出现次数；数据集x依据第j个属性划分的自适应基尼系数公式为：其中α为自适应阈值，选择对应基尼系数最小的第j个属性作为其数据集分裂的依据进行分割数据集。
[0049]
所述执行模块具体用于：在云端层，接收来自边缘层的上载数据upd和分类结果数据ped’；对接收到的来自边缘层的上载数据upd和分类结果数据ped’进行识别分类，将接收到的数据分成上载数据upd和分类结果数据ped’；对于分类结果数据ped’依据其处理结果做出决策；对于上载数据upd，采用lstm-fcn算法进行分类存储。
[0050]
所述执行模块还具体用于：将所述上载数据传入时间卷积块，数据在块中先通过时间卷积层，再使用批量归一化，之后通过relu激活函数得到该块的输出数据，所述输出数据再作为输入数据传送到下一个卷积块，重复两次上述过程；与此同时，将所述上载数据送入维度混洗层，之后将变幻后的数据输入到由basic lstm和attention lstm组成的lstm块中，之后经过dropout；经过三个堆叠的时间卷积块的数据进入全局平均池化层；将全局平均池化层和lstm块的输出数据进行串联，发送到softmax分类层进行分类，得到分类结果。
[0051]
本申请所涉及的基于云边协同架构的电力物联网数据分类处理方法及装置通过在设备终端进行数据处理，避免了将数据上传和等待数据返回的延迟，达到了对数据的快速响应；其利用随机森林模型进行数据分类可以达到更高的准确率；利用lstm-fcn模型也可以提升准确率。
[0052]
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0053]
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于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多个方框中指定的功能的装置。
[0054]
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定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，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多个方框中指定的功能。
[0055]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机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流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0056]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。