【技术实现步骤摘要】
边缘域传感器数据预测方法及装置
本申请涉及无线传感器网络
,尤其涉及一种边缘域传感器数据预测方法及装置。
技术介绍
随着电力物联网的发展,自动化、计量、智能配电房等设备末端用于采集传感器数据信息的物联终端日益增多,同时,面对种类繁杂且数量庞大的设备,通过人工方式来监测维护设备效率低下,耗费大量人力。目前,通过边缘物联代理设备采集大量的泛在电力物联网末端感知数据,具有屏蔽底层差异以及承载泛在接入的特点,但应用于泛在电力物联网末端的各类传感器中,一方面,边缘物联代理设备仍然存在协议不兼容、数据格式不统一的问题;另一方面,由于边缘物联代理设备覆盖范围小,采集数据不足,不能有效地基于采集数据来预测电力物联网的边缘域场景信息。专利号为CN201610405473的专利文献中,公开了一种应用于传感器网络的分布式协作算法和数据融合机制,通过传感器级数据融合提取被测系统的特征向量,通过中央级数据融合进一步处理已提取的特征向量,获取被测系统的状态估计,实现了对电力物联网的边缘域的数据预测。专利号为CN201610870821的专利文献中,公开了一种基于演化博弈的无线传感器网络数据融合精确度模型,通过引入激励机制,给出了基于数据融合精确度的动态演化复制动态方程,解决了无线传感器网络中数据融合技术的精确度问题。综上所述,现有技术中的数据融合技术较为复杂,在预测电力物联网的边缘域的数据时稳定性较差。
技术实现思路
本申请提供边缘域传感器数据预测方法及装置,用以解决现有技术中的数据融合 ...
【技术保护点】
1.一种边缘域传感器数据预测方法,其特征在于,包括:/n基于边缘域的位置,获取覆盖范围内的传感器数据,对所述传感器数据进行预处理,获得预处理后的数据;/n基于自适应加权融合算法,对所述预处理后的数据进行数据融合处理,获得融合数据;/n将所述融合数据输入至预先训练好的边缘域数据预测模型中,输出边缘域传感器数据预测结果;/n其中,所述边缘域数据预测模型为以经过预处理和数据融合处理的传感器数据样本为输入,以与所述传感器数据样本对应的边缘域传感器数据为样本标签进行训练得到。/n
【技术特征摘要】 【专利技术属性】
1.一种边缘域传感器数据预测方法,其特征在于,包括:
基于边缘域的位置,获取覆盖范围内的传感器数据,对所述传感器数据进行预处理,获得预处理后的数据;
基于自适应加权融合算法,对所述预处理后的数据进行数据融合处理,获得融合数据;
将所述融合数据输入至预先训练好的边缘域数据预测模型中,输出边缘域传感器数据预测结果;
其中,所述边缘域数据预测模型为以经过预处理和数据融合处理的传感器数据样本为输入,以与所述传感器数据样本对应的边缘域传感器数据为样本标签进行训练得到。
2.根据权利要求1所述的边缘域传感器数据预测方法,其特征在于,训练获得所述边缘域数据预测模型的步骤,具体包括:
构建循环神经网络;
将所述经过预处理和数据融合处理的传感器数据样本输入至所述循环神经网络,所述循环神经网络的隐藏层输出隐藏层向量;
将所述隐藏层向量输入至所述循环神经网络的输出层,获取输出结果;
基于所述输出结果和与所述传感器数据样本对应的边缘域传感器数据,利用损失函数,计算损失函数值;
通过反向传播算法,从所述循环神经网络的输出层开始调整所述循环神经网络的各个参数,以使所述损失函数值朝最小化方向移动;
判断是否达到训练结束条件,若是,则保存当前迭代所述循环神经网络的参数,获得训练好的边缘域数据预测模型。
3.根据权利要求2所述的边缘域传感器数据预测方法,其特征在于,将所述经过预处理和数据融合处理的传感器数据样本输入至所述循环神经网络,所述循环神经网络的隐藏层输出隐藏层向量,具体包括:
将所述经过预处理和数据融合处理的传感器数据样本输入至所述循环神经网络,所述循环神经网络的隐藏层节点输出隐藏层节点变量;
对所述隐藏层节点变量进行加权求和得到所述隐藏层向量。
4.根据权利要求3所述的边缘域传感器数据预测方法,其特征在于,对所述隐藏层节点变量进行加权求和得到所述隐藏层向量,具体包括:
利用如下公式,对多个所述隐藏层节点输出的所述隐藏层节点变量进行加权求和,得到所述隐藏层向量:
其中,c表示隐藏层向量,ai表示所述每个隐藏层节点对应的权值系数,hi表示所述每个隐藏层节点输出的隐藏层节点变量,ei表示所述第i个隐藏层节点的能量,ej所述第j个隐藏层节点的能量,i或j表示所述每个隐藏层节点的位置,满足i=1,2,…,n,j=1,2,…,n。
技术研发人员:孔文杰,吴慧,王彦波,汤亿则,张辰,刘晨阳,孟奇,王信佳,张明熙,
申请(专利权)人:国网浙江省电力有限公司信息通信分公司,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。