传感器接入功率确定方法、装置、计算机设备和存储介质与流程

本技术涉及传感器，特别是涉及一种传感器接入功率确定方法、装置、计算机设备和存储介质。

背景技术：

1、随着电力场所的增多，为应对电力场所突发事件，需依靠传感器对电力场所中的电力设备参数以及运行环境参数进行监测。目前，监测使用的传感器常规状态下处于未接入状态，只在发生突发事件的情况下才考虑接入。

2、传统技术中，传感器接入的方式是通过人工远程监测电力场所是否发生突发事件来控制传感器是否需接入，存在准确性不高的问题，且传感器接入功率不能进行动态调整，使得能耗较高。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高传感器接入准确性和降低传感器接入能耗的传感器接入功率确定方法、装置、计算机设备和存储介质。

2、第一方面，本技术提供了一种传感器接入功率确定方法。所述方法包括：

3、获取预设时间段内的传感器数据，将所述预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，所述预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；

4、根据所述对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器；

5、通过最优决策公式，确定所述目标传感器的调度决策和接入功率。

6、在其中一个实施例中，所述通过最优决策公式，确定所述目标传感器的调度决策和接入功率，包括：

7、针对所述目标传感器，通过最优决策公式计算所有可选决策对应的决策值，选择最大决策值对应的可选决策，根据所述可选决策确定目标传感器的调度决策和接入功率。

8、在其中一个实施例中，所述最优决策公式包括：

9、

10、

11、

12、

13、di,j(h)＝min{fi(h)+ai(h),τci,j(h)}；

14、

15、其中，目标突发事件为第k个突发事件类型，目标传感器为第i个传感器类型，为在第t个时隙中属于第k个突发事件类型的最优决策，为在第t个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的最优决策值，γk,i(t)为在第t个时隙中第k个突发事件类型和第i个传感器类型间的相关性系数，为在第t个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的决策评估值，h为在预设时间段内位于第t个时隙之前的第h个时隙，lk(h)为在第h个时隙中第k个突发事件类型的发生概率，xk,i(h)用于指示在第h个时隙中属于第k个突发事件类型的第i个传感器类型是否接入，yi,j(h)用于指示在第h个时隙中第i个传感器类型是否以第j个可选接入功率接入，γk,i(h)为在第h个时隙中第k个突发事件类型和第i个传感器类型间的相关性系数，fi(h)为在第h个时隙中的初始时刻第i个传感器类型所产生的数据积压量，ai(h)为第i个传感器类型在第h个时隙中所产生的新增数据量，τ为每个时隙的长度，ωi为第i个传感器类型的数据传输的信道带宽，λi为第i个传感器类型的数据传输的信道增益，pj为第j个可选接入功率，ni为第i个传感器类型的数据传输的噪声功率，用于指示公式对探索的偏好，为在预设时间段内位于第t个时隙之前选择属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率接入组合的组合被选择总次数。

16、在其中一个实施例中，所述相关性预测神经网络的训练过程，包括：

17、获取多个历史预设时间段内的历史传感器数据，对所述历史传感器数据中的历史正常传感器数据和历史异常传感器数据分别进行标记，以及对每一历史异常传感器数据对应的突发事件类型和传感器类型进行标记，得到标记后的数据；

18、利用所述标记后的数据统计每一历史预设时间段内的每一突发事件类型发生概率，以及确定每一突发事件类型与每一传感器类型间的相关性系数，得到每一历史预设时间段对应的实际相关性矩阵；

19、将所述标记后的数据输入至初始相关性预测神经网络，输出预测相关性矩阵，所述预测相关性矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；

20、基于所述实际相关性矩阵与所述预测相关性矩阵的差异，对所述初始相关性预测神经网络进行训练，得到训练后的相关性预测神经网络。

21、在其中一个实施例中，所述初始相关性预测神经网络的网络参数优化过程，包括：

22、获取所述初始相关性预测神经网络的初始网络参数以及初始预测矩阵；

23、计算截止到当前时隙的平均加权决策评估值和平均决策评估值，根据所述平均加权决策评估值和平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于所述更新后的相关性系数得到更新后的预测矩阵，利用所述更新后的预测矩阵和所述初始预测矩阵对所述初始网络参数进行更新，得到更新后的网络参数；

24、所述更新后的预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的更新后的相关性系数。

25、在其中一个实施例中，所述根据所述平均加权决策评估值和平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于所述更新后的相关性系数得到更新后的预测矩阵，利用所述更新后的预测矩阵和所述初始预测矩阵对所述初始网络参数进行更新，得到更新后的网络参数，包括：

26、

27、

28、

29、

30、其中，为在历史预设时间段内位于第t个时隙之前属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的所有加权决策评估值的均值，为在历史预设时间段内位于第t个时隙之前属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的所有决策评估值的均值，h为在预设时间段内位于第t个时隙之前的第h个时隙，j为所有可选接入功率的个数，为在第h个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的最优决策值，为在第h个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的决策评估值，yi,j(h)用于指示在第h个时隙中第i个传感器类型是否以第j个可选接入功率接入，为在第t个时隙中第k个突发事件类型和第i个传感器类型间的更新后的相关性系数，ω(t+1)为更新后的网络参数，ω(t)为第t个时隙对应的初始网络参数，ρ为步长因子，ζ(t)为第t个时隙对应的初始预测矩阵，ζideal(t)为更新后的预测矩阵。

31、第二方面，本技术还提供了一种传感器接入功率确定装置。所述装置包括：

32、模型处理模块，用于获取预设时间段内的传感器数据，将所述预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，所述预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；

33、目标确定模块，用于根据所述对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器；

34、功率确定模块，用于通过最优决策公式，确定所述目标传感器的调度决策和接入功率。

35、第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例中的方法的步骤。

36、第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例中的方法的步骤。

37、第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一实施例中的方法的步骤。

38、上述传感器接入功率确定方法、装置、计算机设备和存储介质，通过获取预设时间段内的传感器数据，将预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数，根据对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器，通过功率最优决策公式，确定目标传感器的目标接入功率。相比于传统技术中因通过人工远程监测电力场所是否发生突发事件来控制传感器是否需接入导致的传感器接入准确性低和能耗高的问题而言，本技术通过训练后的相关性预测神经网络对传感器数据进行处理，得到每一突发事件类型的发生概率，以及每一突发事件类型和每一传感器类型间的相关性系数，从而确定出目标传感器，使得确定出的目标传感器的准确性高，提高了目标传感器接入的准确性，并通过功率最优决策公式，确定目标传感器的目标接入功率，目标传感器的目标接入功率是通过功率最优决策公式确定的，使得确定出的目标接入功率更准确，进一步实现降低传感器接入的能耗。