本发明涉及电力监控技术领域，尤其涉及一种基于状态评估模型的电力物联网边缘计算装置及方法。
背景技术：
目前卷积神经网络动态量化和压缩评估算法在电力系统中物联网技术得到广泛的应用，尤其在电力系统设备运行监控、电气设备自动化运行控制等领域中应用极为广泛，由于电力系统结构复杂、设备种类和数量较多，因此一方面当设备发生故障时，传统的故障检测方式难以及时有效的发现故障点及故障原因，从而严重影响了当前电力系统运行的可靠性和稳定性；另一方面在电力系统运行中，监控数据量大且数据量大，因此导致当前所使用的电力故障检测系统在对电力系统运行故障检测预判作业的难度大，数据运行效率低下且检测精度差，且数据运行需要在联网通过远程服务器方可完成，因此使用灵活性差，且易造成数据泄露、丢失等情况发生，难以有效满足实际使用的需要。
因此，针对这一问题，迫切需要开发一种电力物联网故障检测设备，以满足实际使用的需要。
技术实现要素：
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种基于状态评估模型的电力物联网边缘计算装置及方法，以解决现有技术的不足。
为实现上述目的，本发明提供了一种基于状态评估模型的电力物联网边缘计算装置，包括承载龙骨、承载柱、承载机身、端盖、多点触控显示器、操作按键、串口通讯端子、网络通讯端口及评估系统，其中所述承载龙骨为矩形框架结构，所述承载机身至少一个，嵌于承载龙骨内并通过滑槽与承载龙骨滑动连接，所述承载机身上端面与端盖铰接，其上端面与端盖呈0°—120°夹角，所述承载柱至少四个，环绕承载龙骨轴线与承载龙骨下端面连接，且所述承载柱轴线与承载龙骨下端面呈0°—90°夹角，所述多点触控显示器至少一个，嵌于端盖下端面，所述操作按键若干，嵌于承载机身上端面，所述串口通讯端子、网络通讯端口均若干，嵌于承载机身侧表面，且所述多点触控显示器、操作按键、串口通讯端子、网络通讯端口均与评估系统电气连接，所述评估系统嵌于承载机身内，且至少一个。
进一步的，所述承载机身为横断面呈矩形的密闭腔体结构，其内部均布若干隔板，并通过隔板将承载机身分割为若干相互独立的作业腔，所述串口通讯端子、网络通讯端口及评估系统均分布在各自独立的作业腔内。
进一步的，所述端盖侧表面均布至少两个定位扣，并通过定位扣与承载龙骨连接。
进一步的，所述评估系统为两个及两个以上时，则各评估系统系统间通过数据缓存电路电气连接，且所述评估系统通过正在托盘与承载机身连接，且托盘通过若干绝缘垫块与承载机身连接。
进一步的，所述评估系统包括嵌入式ai智能微处理器、数据处理电路、数据缓存模块、数据存储模块、数据通讯模块、数据通讯总线、i/o端口模块、晶振电路模块、充放电控制电路及蓄电池组，其中所述嵌入式ai智能微处理器通过数据通讯总线分别与数据处理电路、数据缓存模块、数据存储模块、数据通讯模块、i/o端口模块、晶振电路模块、充放电控制电路电气连接，所述充放电控制电路与蓄电池组电气连接，所述数据通讯模块分别与串口通讯端子、网络通讯端口电气连接，所述i/o端口模块分别与多点触控显示器、操作按键电气连接。
进一步的，所述数据处理电路为基于dsp芯片、fpga芯片中任意一种为基础的电路系统。
一种基于状态评估模型的电力物联网边缘计算方法，包括以下步骤：
s1，在评估系统的嵌入式ai智能微处理器内录入卷积神经网络动态量化和压缩评估算法，从而完成系统配置；
s2，设备预制，将完成s1步骤的本发明一方面通过承载柱固定在指定位置，然后将承载龙骨内的承载机身通过串口通讯端子与待检测电力物联网系统进行连接；
s3，数据采集运算，在完成s2步骤后，由评估系统直接对当前待检测电力物联网系统运行参数进行同步采集，并将采集的数据存储在评估系统中，然后对存储数据带入到卷积神经网络动态量化和压缩评估算法中进行数据运算，并将运算结果一方面存储在评估系统中，另一方面同步发送至s1步骤连接的远程监控系统中即可。
进一步的，所述的s3步骤中在通过卷积神经网络动态量化和压缩评估算法中进行数据运算时，按照以下步骤进行：
首先，根据卷积神经网络各层权重的分布，采用阈值法对网络精确率影响较小的权重进行裁剪，保留网络中重要连接的同时除去冗余信息；
其次，针对嵌入式平台的计算特性分析网络中权重及激活函数所需的数据位宽，采用动态定点量化方法减小权重数据的位宽；
最后，对网络进行微调，在保障网络模型识别精度的前提下进一步压缩模型大小并降低计算消耗。
进一步的，所述的权重裁切后精确度损失为：
其中：w：网络训练过程通过优化权重；
e(d|f，w)：最小化损失函数，其中d为训练集；
wp：相对重要的权重连接，且
e(d|f，wp)：保证网络精确度。
本发明的有益效果是：
本发明一方面结构简单，使用灵活方便，可有效满足不同类型电气设备现场数据采集和检测作业的需要，通用性和环境适应性好；另一方面数据处理能力强，具备良好的独立运行能力，从而极大的提高了电路数据采集、运算作业的效率，且同时通过采用卷积神经网络动态量化和压缩评估算法，极大的提高了数据运算效率，降低数据计算量的同时提高了数据计算精度，从而极大的提高了电力系统故障检测作业的效率和精度。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1为本发明的结构示意图；
图2为本评估系统原理结构示意图。
具体实施方式
如图1、图2所示，一种基于人工智能状态评估模型的电力物联网边缘计算装置，包括承载龙骨1、承载柱2、承载机身3、端盖4、多点触控显示器5、操作按键6、串口通讯端子7、网络通讯端口8及评估系统9，其中承载龙骨1为矩形框架结构，承载机身3至少一个，嵌于承载龙骨1并通过滑槽10与承载龙骨1滑动连接，承载机身3上端面与端盖4铰接，其上端面4与端盖4呈0°—120°夹角，承载柱2至少四个，环绕承载龙骨1轴线与承载龙骨1下端面连接，且承载柱2轴线与承载龙骨1下端面呈0°—90°夹角，多点触控显示器5至少一个，嵌于端盖4下端面，所述操作按键6若干，嵌于承载机身3上端面，串口通讯端子7、网络通讯端口8均若干，嵌于承载机身3侧表面，且多点触控显示器5、操作按键6、串口通讯端子7、网络通讯端口8均与评估系统9电气连接，所述评估系统9嵌于承载机身3内，且至少一个。
其中，所述承载机身3为横断面呈矩形的密闭腔体结构，其内部均布若干隔板11，并通过隔板将11承载机身3分割为若干相互独立的作业腔12，所述串口通讯端子7、网络通讯端口8及评估系统9均分布在各自独立的作业腔12内。
同时，所述端盖4侧表面均布至少两个定位扣13，并通过定位扣13与承载龙骨连接。
重点说明的，所述评估系统9为两个及两个以上时，则各评估系统系统9间通过数据缓存电路电气连接，且所述评估系统9通过正在托盘14与承载机身3连接，且托盘14通过若干绝缘垫块15与承载机身3连接。
进一步优化的，所述评估系统包括9嵌入式ai智能微处理器、数据处理电路、数据缓存模块、数据存储模块、数据通讯模块、数据通讯总线、i/o端口模块、晶振电路模块、充放电控制电路及蓄电池组，其中所述嵌入式ai智能微处理器通过数据通讯总线分别与数据处理电路、数据缓存模块、数据存储模块、数据通讯模块、i/o端口模块、晶振电路模块、充放电控制电路电气连接，所述充放电控制电路与蓄电池组电气连接，所述数据通讯模块分别与串口通讯端子、网络通讯端口电气连接，所述i/o端口模块分别与多点触控显示器、操作按键电气连接。
同时，所述数据处理电路为基于dsp芯片、fpga芯片中任意一种为基础的电路系统。
一种基于人工智能状态评估模型的电力物联网边缘计算装置的使用方法，包括以下步骤：
s1，设备组装，首先对构成本发明的承载龙骨、承载柱、承载机身、端盖、多点触控显示器、操作按键、串口通讯端子、网络通讯端口及评估系统进行组装，完成将评估系统与外部电源及远程监控系统连接，同时在评估系统的嵌入式ai智能微处理器内录入卷积神经网络动态量化和压缩评估算法，从而完成本发明系统配置；
s2，设备预制，将完成s1步骤的本发明一方面通过承载柱固定在指定位置，然后将承载龙骨内的承载机身通过串口通讯端子与待检测电力物联网系统进行连接；
s3，数据采集运算，在完成s2步骤后，由评估系统直接对当前待检测电力物联网系统运行参数进行同步采集，并将采集的数据存储在评估系统中，然后对存储数据带入到卷积神经网络动态量化和压缩评估算法中进行数据运算，并将运算结果一方面存储在评估系统中，另一方面同步发送至s1步骤连接的远程监控系统中即可。
重点说明的，所述的s3步骤中在通过卷积神经网络动态量化和压缩评估算法中进行数据运算时，按照以下步骤进行：
首先，根据卷积神经网络各层权重的分布，采用阈值法对网络精确率影响较小的权重进行裁剪，保留网络中重要连接的同时除去冗余信息；
其次，针对嵌入式平台的计算特性分析网络中权重及激活函数所需的数据位宽，采用动态定点量化方法减小权重数据的位宽；
最后，对网络进行微调，在保障网络模型识别精度的前提下进一步压缩模型大小并降低计算消耗。
此外，所述的权重裁切后精确度损失为：
其中：w：网络训练过程通过优化权重；
e(d|f，w)：最小化损失函数，其中d为训练集；
wp：相对重要的权重连接，且
e(d|f，wp)：保证网络精确度。
综上，本发明具有以下功能：
(1)架构上采用可定制的模型，应用iec61850标准建模和通信，为对象模型的演进打好基础。可定制模型使得产品可以适用于多个应用领域；支持，满足智能电网要求，具体算法程序如下：
(2)算法实现上，在状态监测的建模上使用了“基于卷积神经网络动态量化和压缩评估算法”，使得嵌入式的边缘状态评估成为现实。
针对卷积神经网络(convolutionalneuralnetwork，cnn)推理计算所需内存空间和资源过大，限制了其在嵌入式等“边缘”设备上部署的问题。本项目提出结合网络权重裁剪及面向嵌入式硬件平台数据类型的数据量化的神经网络压缩方法。
测试结果表明，该方法降低了vgg-19网络95.3％的存储空间而精确率仅降低0.3个百分点，几乎实现无损压缩；同时，通过多个网络模型的验证，该方法在平均1.48个百分点精确率变化范围内，最大降低网络模型96.1％的存储空间，能够有效地压缩卷积神经网络。如下表所示：
(3)支持对象建模和电力保护测控及状态监测，为设备运维和检修提供了新的手段，使得状态检修成为可能。
边缘设备也逐渐具有利用收集的实时数据进行模式识别、执行预测分析或优化、以及智能处理等功能。在边缘计算模型当中，计算资源更加接近数据源，而网络边缘设备已经具有足够的计算能力来实现源数据的本地处理，并将结果发送至云平台(数据中台)。
在此，边缘计算模型不仅仅可以降低网络传输过程当中的带宽压力，加速数据分析处理，提高故障检测和处理的实时性，同时还能降低终端敏感数据信息隐私泄露的风险。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
1.一种基于状态评估模型的电力物联网边缘计算装置，其特征在于：包括承载龙骨(1)、承载柱(2)、承载机身(3)、端盖(4)、多点触控显示器(5)、操作按键(6)、串口通讯端子(7)、网络通讯端口(8)及评估系统(9)，其中承载龙骨(1)为矩形框架结构，承载机身(3)至少一个，嵌于承载龙骨(1)并通过滑槽(10)与承载龙骨(1)滑动连接，承载机身(3)上端面与端盖(4)铰接，且承载机身(3)上端面与端盖(4)呈0°—120°夹角，承载柱(2)至少四个，环绕承载龙骨(1)轴线与承载龙骨(1)下端面连接，且承载柱(2)轴线与承载龙骨(1)下端面呈0°—90°夹角，多点触控显示器(5)至少一个，多点触控显示器(5)嵌于端盖(4)下端面，所述操作按键(6)有若干，操作按键(6)嵌于承载机身(3)上端面，串口通讯端子(7)、网络通讯端口(8)均有若干且嵌于承载机身(3)侧表面，且多点触控显示器(5)、操作按键(6)、串口通讯端子(7)、网络通讯端口(8)均与评估系统(9)电气连接，所述评估系统(9)嵌于承载机身(3)内且至少一个。
2.如权利要求1所述的一种基于状态评估模型的电力物联网边缘计算装置，其特征在于：所述承载机身(3)为横断面呈矩形的密闭腔体结构，所述串口通讯端子(7)、网络通讯端口(8)及评估系统(9)均分布在密闭腔体结构中各自独立的作业腔内。
3.如权利要求1所述的一种基于状态评估模型的电力物联网边缘计算装置，其特征在于：所述评估系统(9)为两个及两个以上时，各评估系统系统(9)间通过数据缓存电路电气连接。
4.如权利要求1所述的一种基于状态评估模型的电力物联网边缘计算装置，其特征在于：所述评估系统(9)包括嵌入式ai智能微处理器、数据处理电路、数据缓存模块、数据存储模块、数据通讯模块、数据通讯总线、i/o端口模块、晶振电路模块、充放电控制电路及蓄电池组，其中所述嵌入式ai智能微处理器通过数据通讯总线分别与数据处理电路、数据缓存模块、数据存储模块、数据通讯模块、i/o端口模块、晶振电路模块、充放电控制电路电气连接，所述充放电控制电路与蓄电池组电气连接，所述数据通讯模块分别与串口通讯端子、网络通讯端口电气连接，所述i/o端口模块分别与多点触控显示器、操作按键电气连接。
5.如权利要求4所述的一种基于状态评估模型的电力物联网边缘计算装置，其特征在于：所述数据处理电路为基于dsp芯片、fpga芯片中任意一种为基础的电路系统。
6.一种基于状态评估模型的电力物联网边缘计算方法，其特征在于，包括以下步骤：
s1、在评估系统的嵌入式ai智能微处理器内录入卷积神经网络动态量化和压缩评估算法，从而完成系统配置；
s2、将承载龙骨内的承载机身通过串口通讯端子与待检测电力物联网系统进行连接；
s3、数据采集运算，在完成s2步骤后，由评估系统直接对当前待检测电力物联网系统运行参数进行同步采集，并将采集的数据存储在评估系统中，然后对存储数据带入到卷积神经网络动态量化和压缩评估算法中进行数据运算，并将运算结果一方面存储在评估系统中，另一方面同步发送至s1步骤连接的远程监控系统中即可。
7.如权利要求6所述的一种基于状态评估模型的电力物联网边缘计算方法，其特征在于，所述的s3步骤中在通过卷积神经网络动态量化和压缩评估算法中进行数据运算时，按照以下步骤进行：
首先，根据卷积神经网络各层权重的分布，采用阈值法对网络精确率影响较小的权重进行裁剪，保留网络中重要连接的同时除去冗余信息；
其次，针对嵌入式平台的计算特性分析网络中权重及激活函数所需的数据位宽，采用动态定点量化方法减小权重数据的位宽；
最后，对网络进行微调，在保障网络模型识别精度的前提下进一步压缩模型大小并降低计算消耗。
8.如权利要求7所述的一种基于状态评估模型的电力物联网边缘计算方法，其特征在于，所述的权重裁切后精确度损失为：
其中：w：网络训练过程通过优化权重；
e(d|f，w)：最小化损失函数，其中d为训练集；
wp：相对重要的权重连接，且
e(d|f，wp)：保证网络精确度。
技术总结