[發(fā)明專利]基于邊緣協(xié)同分類的電力時(shí)序數(shù)據(jù)檢索方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110625003.4
• 申請(qǐng)日: 2021-06-04
• 公開（公告）號(hào): CN113360725B
• 公開（公告）日: 2023-10-03
• 發(fā)明（設(shè)計(jì)）人: 吳濤;朱靜;先興平;許愛東;劉宴兵;宋秀麗;張宇南
• 申請(qǐng)（專利權(quán)）人: 重慶郵電大學(xué);南方電網(wǎng)科學(xué)研究院有限責(zé)任公司
• 主分類號(hào): G06F16/903
• 分類號(hào): G06F16/903;G06F16/906;G06Q50/06;G06F18/24;G06F18/23213;G06F18/22;G06F18/10;G06N3/0464;G06N3/084
• 代理公司: 重慶輝騰律師事務(wù)所 50215
• 代理人: 王海軍

本發(fā)明屬于時(shí)序數(shù)據(jù)檢索技術(shù)領(lǐng)域，特別涉及一種基于邊緣協(xié)同分類的電力時(shí)序數(shù)據(jù)檢索方法，包括對(duì)電力數(shù)據(jù)集進(jìn)行K?shape聚類，并根據(jù)肘部法則得到最佳聚類數(shù)；根據(jù)聚類的分類結(jié)果，利用殘差神經(jīng)網(wǎng)絡(luò)模型創(chuàng)建分類模型；采用聯(lián)邦學(xué)習(xí)對(duì)不同邊緣設(shè)備上的模型參數(shù)進(jìn)行聚合；當(dāng)用戶輸入時(shí)序數(shù)據(jù)進(jìn)行檢索時(shí)，利用殘差神經(jīng)網(wǎng)絡(luò)模型對(duì)該時(shí)序數(shù)據(jù)進(jìn)行分類；對(duì)每個(gè)類別的數(shù)據(jù)進(jìn)行DTW計(jì)算，將最近似的N條時(shí)序數(shù)據(jù)作為檢索結(jié)果推薦給用戶；本發(fā)明解決智能算法的資源需求與邊緣設(shè)備受限于資源之間的矛盾、服務(wù)質(zhì)量與隱私保護(hù)之間的矛盾、智能任務(wù)需求多樣與邊緣設(shè)備能力單一之間的矛盾問題，實(shí)現(xiàn)對(duì)不同邊緣設(shè)備的協(xié)同分類與檢索。

技術(shù)領(lǐng)域

本發(fā)明屬于時(shí)序數(shù)據(jù)檢索技術(shù)領(lǐng)域，特別涉及基于邊緣協(xié)同分類的電力時(shí)序數(shù)據(jù)檢索方法。

背景技術(shù)

隨著智能電網(wǎng)、智慧城市、智能交通等應(yīng)用的不斷推進(jìn)，設(shè)備連接數(shù)量以及產(chǎn)生的數(shù)據(jù)呈爆炸式增長(zhǎng)的趨勢(shì)。傳統(tǒng)的云計(jì)算模型，即集中式處理，已經(jīng)無(wú)法承載海量的數(shù)據(jù)，使得云中心傳輸帶寬、負(fù)載以及數(shù)據(jù)安全等問題越來(lái)越突出，故以“數(shù)據(jù)處理應(yīng)更靠近數(shù)據(jù)源頭”為核心的邊緣計(jì)算模型應(yīng)用而生。時(shí)序數(shù)據(jù)是現(xiàn)實(shí)世界中比較常見的數(shù)據(jù)類型之一，其含義為同種表現(xiàn)在不同時(shí)間軸上的相繼觀察并進(jìn)行排列的一組數(shù)字，廣泛應(yīng)用于氣象數(shù)據(jù)、工業(yè)數(shù)據(jù)、金融數(shù)據(jù)、電力數(shù)據(jù)、醫(yī)療數(shù)據(jù)、傳感器網(wǎng)絡(luò)監(jiān)控?cái)?shù)據(jù)等領(lǐng)域。因其應(yīng)用普遍，故邊緣端設(shè)備產(chǎn)生的數(shù)據(jù)量十分龐大，如何對(duì)這些海量的數(shù)據(jù)進(jìn)行處理、分析與挖掘，找到其中最具有價(jià)值的規(guī)律或趨勢(shì)，是目前研究的熱點(diǎn)。

在邊緣計(jì)算背景下，時(shí)序數(shù)據(jù)分類算法在不斷改進(jìn)，使得更多智能應(yīng)用從云端遷移到邊緣端，人工智能與邊緣計(jì)算的結(jié)合就產(chǎn)生了邊緣智能。邊緣智能的發(fā)展對(duì)邊緣計(jì)算與人工智能計(jì)算具有雙向共贏的優(yōu)勢(shì)：一方面，邊緣數(shù)據(jù)可以借助智能算法釋放潛力，提供更高的可用性，另一方面，邊緣計(jì)算為智能算法提供更多的應(yīng)用場(chǎng)景與數(shù)據(jù)。然而，將人工智能算法從云端遷移到邊緣的過程中仍然存在諸多矛盾，比如智能算法的資源需求與邊緣設(shè)備受限于資源之間的矛盾、服務(wù)質(zhì)量與隱私保護(hù)之間的矛盾、智能任務(wù)需求多樣與邊緣設(shè)備能力單一之間的矛盾。

發(fā)明內(nèi)容

為了解決人工智能算法從云端遷移到邊緣的過程中存在的矛盾，本發(fā)明提出一種基于邊緣協(xié)同分類的電力時(shí)序數(shù)據(jù)檢索方法，具體包括以下步驟：

從邊緣設(shè)備采集電力時(shí)序數(shù)據(jù)，并對(duì)原始電力數(shù)據(jù)進(jìn)行預(yù)處理得到數(shù)據(jù)集；

對(duì)數(shù)據(jù)集進(jìn)行K-shape聚類，并根據(jù)肘部法則得到最佳聚類數(shù)；

根據(jù)聚類的分類結(jié)果，利用殘差神經(jīng)網(wǎng)絡(luò)模型對(duì)每個(gè)邊緣節(jié)點(diǎn)上的電力時(shí)序數(shù)據(jù)創(chuàng)建分類模型；

采用聯(lián)邦學(xué)習(xí)對(duì)不同邊緣設(shè)備上的模型參數(shù)進(jìn)行聚合，即通過計(jì)算加權(quán)平均值將參數(shù)值聚合，并更新模型參數(shù)進(jìn)行迭代；

當(dāng)用戶輸入時(shí)序數(shù)據(jù)進(jìn)行檢索時(shí)，利用殘差神經(jīng)網(wǎng)絡(luò)模型對(duì)該時(shí)序數(shù)據(jù)進(jìn)行分類得到該數(shù)據(jù)的分類號(hào)；

對(duì)分類號(hào)下的數(shù)據(jù)進(jìn)行DTW計(jì)算，將最近似的N條時(shí)序數(shù)據(jù)作為檢索結(jié)果推薦給用戶。

進(jìn)一步的，對(duì)數(shù)據(jù)集進(jìn)行K-shape聚類具體包括以下步驟：

101、計(jì)算每?jī)蓚€(gè)時(shí)序數(shù)據(jù)之間的互相關(guān)性，并對(duì)得到的互相關(guān)性進(jìn)行歸一化處理；

102、根據(jù)歸一化的互相關(guān)性計(jì)算兩條時(shí)序數(shù)據(jù)之間基于形狀的距離度量；

103、初始化聚類數(shù)據(jù)，即根據(jù)肘部法則得到的最佳聚類數(shù)隨機(jī)定義每個(gè)類別的數(shù)據(jù)；104、構(gòu)建優(yōu)化方程，求解得到與類別中其他序列數(shù)據(jù)之間基于形狀的距離度量平方和最小的序列數(shù)據(jù)，并將其作為該類別的質(zhì)心；

105、將每個(gè)時(shí)間序列與所有計(jì)算的質(zhì)心進(jìn)行比較，并將每個(gè)時(shí)間序列分配給最近的質(zhì)心，更新聚類的成員；

106、根據(jù)距離度量更新質(zhì)心，重復(fù)步驟104～105，直到每個(gè)類別中的序列數(shù)據(jù)不再發(fā)生變化。