基于知识蒸馏的边缘侧电能质量扰动识别研究

传统的云端电能质量扰动识别方式下,海量分布式电能质量数据会给网络负载带来巨大压力。为降低云端识别延迟,采用边缘侧扰动识别的方式,但是边缘侧智能终端计算资源有限,无法部署大规模深度神经网络。文章针对边缘侧智能终端计算资源有限和扰动识别准确率降低的问题,提出了一种基于知识蒸馏的边缘侧电能质量扰动识别方法。首先将云端训练好的性能稳定但复杂度高的深度神经网络模型进行知识蒸馏,生成一个结构简洁且运算量小的模型;然后再将蒸馏后的优化模型下发并部署在配电物联网边缘侧,直接执行电能质量扰动分类识别计算。实验结果显示,相比于现有的知识蒸馏算法,经过本方法优化过的小模型准确率提高了1.4%～2.46%。同时,与传统的云端识别方式比较,边缘侧扰动识别的数据传输速率需求降低了99.993%。表明在边端计算资源有限的前提下,基于知识蒸馏的边缘侧电能质量扰动识别方法能够满足准确率和实时性的需求。     

基于联邦学习的边缘侧电能质量扰动分类研究

传统云端电能质量扰动识别模式下,海量扰动数据对云端的服务器造成了较大的存储、计算压力,且云端扰动识别存在延迟,实时性较差;边缘侧扰动识别可以缓解云端压力,降低延迟,但边缘侧之间无法实现数据的跨域共享。针对以上问题,文章提出了基于联邦学习的边缘计算框架,首先,边缘侧使用本地数据训练模型,然后将模型参数上传至云端进行聚合,更新模型并下发至边缘侧进行部署,在边缘侧对电能质量扰动进行识别分类。实验结果表明,相比云端扰动识别模式,基于联邦学习的边缘侧扰动识别对云端的存储需求下降了97.58%,数据通信成本下降了53.68%,单次扰动识别的传输速率需求下降了99.994%,满足扰动识别实时性的要求;优化后的联邦学习算法与传统的联邦学习算法相比,扰动识别准确率提升了1.72%～3.64%。     

一种基于区块链的MQTT协议优化算法

通信协议的设计已然成为实现设备与互联网通信的重要支撑,其覆盖了整个物联网系统的各个环节。针对传统物联网协议中关键数据被伪造或篡改的安全问题,文章设计了一种在数据传输过程中使用区块链技术来保证传输数据安全的改进消息队列遥测传输(messagequeuetelemetrytransmission,MQTT)协议,进而保证了存储在broker的数据不被恶意篡改。通过仿真实验证明,该方法具有高效、轻量以及易实现等多方面的特点,在保护物联网的数据安全方面效果十分显著。     

电力物联网关键技术研究综述

随着电网数字化转型程度不断加深,电力物联网的建设面临高接入、高并发、高交互的挑战.文章在现有电力物联网技术研究基础上,从终端接入、边缘计算和平台应用3个方面,对电力物联网关键技术展开研究综述.终端接入方面,介绍了负载均衡技术在电力物联网终端接入中的应用,提出一种用算法实现海量终端的灵活接入和智能感知的思路;边缘计算方面...