基于数据驱动的云边智能协同综述

随着物联网（IoT）的快速发展，大量在传感器等边缘场景产生的数据需要传输至云节点处理，这带来了极大的传输成本和处理时延，而云边协同为这些问题提供了有效的解决方案。首先，在全面调查和分析云边协同发展过程的基础上，结合当前云边智能协同中的研究思路与进展，重点分析和讨论了云边架构中的数据采集与分析、计算迁移技术以及基于模型的智能优化技术；其次，分别从边缘端和云端深入分析了各种技术在云边智能协同中的作用及应用，并探讨了云边智能协同技术在现实中的应用场景；最后，指出了云边智能协同目前存在的挑战及未来的发展方向。     

基于SDN的云边协同架构在电力信息系统的应用

随着电力加快数字化转型升级，越来越多的边缘终端设备接入电力系统，电力系统的云数据中心面临着网络超载、业务延迟、资源利用率低等一系列挑战。针对以上问题阐述了基于SDN的云边协同结构，分析其关键技术，将其应用于电力系统，进而展示了云边协同在电力系统中的应用场景，为云边协同技术在电力系统的体系构建与应用提供参考。     

云边协同综述

在物联网、大流量等场景下,传统的云计算具有强大的资源服务能力的优点和远距离传输的缺点,而新兴的边缘计算具有低传输时延的优点和资源受限的缺点,因此,结合了云计算与边缘计算优点的云边协同引起了研究者的广泛关注.在全面调查和分析云边协同相关文献的基础上,文中重点分析和讨论了资源协同、数据协同、智能协同、业务编排协同、应用管理...     

面向电网PMU时序数据的云边协同技术

相量测量单元(phasor measurement unit, PMU)时序数据在支撑电网安全稳定运行中发挥了重要作用, 而随着电网调控云建设, 电网运行数据统计分析等业务对PMU时序数据的云端共享提出了需求. 本文提出了一种面向PMU时序数据的云边协同技术, 该技术针对PMU时序数据的存储和访问特性, 构建数据协同模型架构, 实现PMU时序数据从电网调度系统生产控制区边缘节点汇集到调控云, 并通过模型化的方式进行共享. 通过在测试环境下进行实施和测试, 验证了该技术的可行性.     

基于软件定义网络的云边协同架构研究综述

随着5G和物联网时代的到来以及云计算应用的逐渐增加,各有所长的边缘计算与云计算势必彼此融合进行云边协同,实现云计算与边缘计算的优势互补和协同联动.SDN网络因其灵活开放可编程的网络架构被认为是解决当前云计算和边缘计算协同问题的有效方法.基于云计算和边缘计算的优势与不足对云边协同的必要性和具体内涵进行了梳理,归纳总结了目...     

基于边缘计算的电网作业现场违章识别方法

针对现有技术中电网作业现场违章现象严重、人工识别困难等问题,构建出一个电网作业现场违章智能识别系统.通过在系统中设置的不同网络节点布置应用终端,构建边缘计算网络模型,即时、准确地通过量化计算的方式实现电网作业现场违章信息的智能计算,通过构建电网作业现场违章数据信息时的目标函数,使用户快速通过边缘计算平台获取电网作业现场违章信息.试验结果表明,在选择的任意30个不同的数据节点,在300 s内,本研究方法数据接收效率高,误差小于0.1％.     

基于负载特征的边缘智能系统性能优化

边缘智能指利用人工智能算法为网络边缘设备提供数据分析能力的一种服务形式。然而,边缘计算环境比云计算更加复杂和多变。在构建边缘智能的过程中存在很多问题,例如缺乏量化的评价标准、异构计算平台、复杂的网络拓扑、不断变化的用户需求等,其中比较突出的是算法模型的高资源需求与边缘设备资源储备低之间的矛盾。机器学习是边缘智能的主要工作负载,它需要大量的计算资源,然而边缘设备的计算资源有限,两者的供求关系并不匹配,边缘智能负载的部署和优化成为了一个难题。因此,针对边缘智能负载性能优化问题,文中提出了基于负载特征的边缘智能性能优化CECI(Cloud-Edge Collaborative Inference)策略,从模型选择、批量自适应调整和云边协同方面对不同机器学习负载进行了优化。在模型选择方面,使用基于目标权重的模型自适应选择策略,实现在多个条件约束下,综合权衡多个性能优化目标的效果。在批量自适应调整方面,提出了基于开销反馈的批量自适应调整算法,使得模型在运行时能够达到更好的性能。在云边协同方面,通过结合网络状态和用户时延要求设计出了云边协同策略,进而达到了动态利用云端计算资源的效果。实验结果表明,...     

边缘智能与协同计算: 前沿与进展

随着万物互联时代的到来,边缘设备规模急剧增加,海量数据在网络边缘产生,人工智能技术的飞速发展为分析和处理这些数据提供了强大的支撑.然而,传统云计算的集中处理模式难以满足用户对任务低时延和设备低功耗的需求,并带来数据隐私泄露的潜在隐患.与此同时,嵌入式高性能芯片的发展显著提升了边缘设备的计算能力,使其能够在边缘侧实时处理部分计算密集型任务.在此背景下,边缘计算和人工智能有机融合,孕育了一种新的计算范式:边缘智能.鉴于此,聚焦边缘智能与协同计算的前沿与进展,首先概述边缘计算、人工智能和边缘智能的相关背景、基本原理与发展趋势;然后从训练、推理和缓存3个方面回顾面向单个设备的边缘智能方法;接着从架构、技术和功能3个维度介绍多个设备合作实现边缘智能协同的相关工作;最后总结边缘智能在工业物联网、智慧城市和虚拟现实等领域的广泛应用.     

基于轻量化模型的智能配电站房云边协同应用模式研究

为了解决电力行业图像智能识别由于云端集中推理模式带来的网络带宽限制和数据传输时延方面的问题,在云边协同应用与人工智能深度学习网络模型轻量化压缩两个方向上进行探索研究和融合应用,通过云边协同架构体系和主流人工智能深度学习网络模型压缩方法进行对比分析,提出了一种基于参数量化模型压缩的云边协同应用模式,并在实际运行中的智能配电站房中进行现场测试,通过业务应用测试和数据结论验证了该应用模式的可行性,通过该云边协同应用模式实现了云端模型复用,减少了额外开发边端模型的人力物力投入,具有较高的示范和推广价值。     

工业互联网场景下边缘计算的关键技术探讨

边缘计算由于其算力节点下沉、实时处理能力强等特点,近年来在工业互联网领域被广泛应用.本文将从算网融合、云边协同、网络高可靠性承载方面切入,探讨如何通过边缘计算助力工业互联网发展,推动企业数字化转型.     

基于CNN和LSTM联合预测并修正的电量缺失数据预测

数据是电网调度控制系统稳定运行的关键依据, 而因为硬件故障等原因导致数据采集过程中的数据缺失会影响到系统数据的完整性, 从而对电网调度的智能性和高效性产生相应的影响. 因此, 针对缺失数据的准确预测对于智能电网调度系统的建设有着重要的意义. 本文针对解决电网领域电能量采集系统的缺失数据预测问题对已有的基于CNN和LSTM联合预测方法进行改进和优化, 在联合预测模型基础上添加修正模型, 针对不同缺失数据段利用CNN卷积神经网络和电力数据里特有的对侧数据场景建模, 实验结果证明该方法将平均绝对误差值降到0.142, 提高了现有预测模型的准确率, 对电网调度系统的智能性和高效性提供了数据完整性、准确性的保障.     

电网智能单元加密算法效率评估

随着智能电网发展和电力终端设备智能化和网络化的提升,基于TCP/IP协议的数据通信面临着传统的网络安全隐患;智能电网单元是电网控制的关键组成部分,负责电网业务数据的采集处理、控制指令的收发和执行等工作,涉及大量数据传输,如何保证数据的机密性,是电网系统正常运作的关键因素之一;针对智能单元的传输规约和传输数据的特点,通过模拟智能单元计算环境,在保密性需求的基础上,结合智能单元计算资源的实际情况,综合分析电力行业和国内常见密码算法,包括对称算法和非对称算法,从运算时间及稳定性,数据长度相关性,密钥长度相关性和加密模式几个方面对算法的性能进行综合性评估;为不同智能单元的机密性保护尤其是加密算法的选取提供理论基础和实验数据。     

面向电网实时运行风险的快速定级方法研究及应用

为满足电网运行实时风险评估时效性要求,解决电网运行实时风险评估与定级中效率与精度两者间协调的问题,在当前国家和主要电网企业规定的电网运行事故定级标准基础上提出了一种快速定级方法。快速定级方法充分考虑了电网运行实际特性,采取数据治理和算法重构两方面主要措施,对原判定方法进行优化处理。通过数据治理,大幅降低了对外部数据的依赖性,并取消了部分不必要的输入数据。采用算法重构,进一步将运行风险定级与实际业务流程紧密联系。以该快速定级方法为核心,构建了支撑电网运行风险分析与事故处置的实时运行风险管理系统,介绍了该系统的功能框架与系统架构。最后结合该系统在贵阳的实际应用情况,分析了快速定级方法的实际使用效益。     

基于泛终端边缘计算的智能图像电力监控系统网络安全防护方式的采用和研究

图像识别、边缘计算和AI技术的不断发展为电力监控方式方法提供了更便捷的手段和更多的迭代数据资料,使电力监控系统更便捷、更高效地迈向数字化发展。但日益增多的设备、计算方式的改变和更大的数据量带来了更多的网络安全漏洞节点和网络安全风险。本文就基于泛终端边缘计算的智能图像电力监控系统网络安全防护方式的采取做了具体的探讨,意图采用更贴近实际的防护手段,为电力智能图像监控系统提供安全稳定的运行保障。     

流计算与内存计算架构下的运营状态监测分析

为满足对电网实时运营状态分析过程中对用户实时用电量数据等大规模实时数据进行实时分析处理的需求,实现对电网运营决策提供快速准确的数据分析支持,提出一种流计算与内存计算相结合的大规模数据分析处理的系统架构。将经过时间窗划分的用户实时用电量数据进行离散傅里叶变换（DFT）,实现对异常用电行为评价指标的构建;将基于抽样统计分析构造出的用户用电行为特征,采用K-Means聚类算法实现对用户用电行为类别的划分。从实际业务系统中抽取实验数据,验证了提出的异常用电行为和用户用电分析评价指标的准确性。同时,在实验数据集上与传统的数据处理策略进行对比,实验结果表明流计算与内存计算相结合的系统架构在大规模数据分析处理方面更具优势。     

人工智能技术在智慧电力仓储系统中的应用

围绕电力仓储系统的现状及基于边缘计算代理的智能仓储实际需求出发,首先,介绍智能仓储系统的系统架构及主要工作流程,然后,根据职能仓储对边缘计算代理装置智能化的需求,着重探讨在智能仓储系统应用中,人工智能算法的设计需要面对和解决的主要问题.     

Energy efficient and robust allocation of interdependent tasks on mobile ad hoc computational grid

A mobile ad hoc computational grid is a distributed computing infrastructure that allows mobile nodes to share computing resources in a mobile ad hoc environment. Compared to traditional distributed systems such as grids and clouds, resource allocation in mobile ad hoc computational grids is not straightforward because of node mobility, limited battery power and an infrastructure‐less network environment. The existing schemes are either based on a decentralized architecture that results in poor allocation decisions or assume independent tasks. This paper presents a scheme that allocates interdependent tasks and aims to reduce task completion time and the amount of energy consumed in transmission of data. This scheme comprises two key algorithms: resource selection and resource allocation. The resource selection algorithm is designed to select nodes that remain connected for a longer period, whereas the resource assignment or allocation algorithm is developed to allocate interdependent tasks to the nodes that are accessible at the minimum transmission power. The scheme is based on a hybrid architecture that results in effective allocation decisions, reduces the communication cost associated with the exchange of control information, and distributes the processing burden among the nodes. The paper also investigates the relationship between the data transfer time and transmission energy consumption and presents a power‐based routing protocol to reduce data transfer costs and transmission energy consumption. Copyright © 2014 John Wiley & Sons, Ltd.     

面向人工智能和大数据的高效能计算

【目的】本文主要分析人工智能和大数据应用随着迅速增大的数据规模,给计算机系统带来的主要挑战,并针对计算机系统的发展趋势给出了一些面向人工智能和大数据亟待解决的高效能计算的若干研究方向。【文献范围】本文广泛查阅国内外在超级计算和高性能计算平台进行大数据和人工智能计算的最新研究成果及解决的挑战性问题。【方法】大数据既为人工智能提供了日益丰富的训练数据集合,但也给计算机系统的算力提出了更高的要求。近年来我国超级计算机处于世界的前列,为大数据和人工智能的大规模应用提供了强有力的计算平台支撑。【结果】而目前以超级计算机为代表的高性能计算平台大多采用CPU+加速器构成的异构并行计算系统,其数量众多的计算核心能够为人工智能和大数据应用提供强大的计算能力。【局限性】由于体系结构复杂,在充分发挥计算能力和提高计算效率方面存在较大挑战。尤其针对有别于科学计算的人工智能和大数据领域,其并行计算效率的提升更为困难。【结论】因此需要从底层的资源管理、任务调度、以及基础算法设计、通信优化,到上层的模型并行化和并行编程等方面展开高效能计算的研究,全面提升人工智能和大数据应用在高性能计算平台上的计算能效。