文|千不樊

编辑|千不樊

(资料图)

介绍

云计算是一个强大的平台，支持并行分布式环境中的大规模数据处理；它由一个客户端-服务器架构组成，该架构包括服务、协议和基础设施，可以比传统的主从模式更有效地执行远程任务。

图1

云架构进一步分为多种类型，即基于位置的、基于服务的和基于环境的云计算；基于可访问性的云计算是指涉及客户端在远程命名空间的公共、私有、混合和社区访问的功能原型。

绿色云的架构涉及两种类型的主从通信，即（i）雾计算和（ii）集中式计算。

智能电网是绿色云环境的一部分，分散的配电单元在自我驱动的智能环境中执行功能操作，如图1所示。

智能电网架构

智能电表记录配电单元信息并将其以表格形式捆绑在节点上，然后将编译的包转换为网格可读格式，即 RDF，分发节点然后通过转换通道处理 RDF 数据集，并将它们存储到语义库中，如图2所示。

图 2

智能电表 RDF 数据存储到智能电网中

理想情况下，智能电表应该在正常的电网环境中产生信息记录，具有足够长的推荐寿命和优化能源消耗的使用，在现实中，智能电表存在环境问题，导致寿命异常缩短以及能源消耗异常。

概述

在本节中，我们将简要概述智能电网、智能电表和语义网技术。

A. 智能电网

从未来的角度来看，智能电网被认为是“下一代电力供应”，并且已经成为信息技术与电力系统工程和通信技术的融合，智能电网背后的想法取决于用智能技术增强常规电网。

智能技术包括具有双向有线和无线通信通道的电网数字化，即 WiMax、Wifi、光纤等，配电单位使用智能电表收集记录信息并将其存储到存储节点中，信息记录存储在语义感知库中，并协助智能电网进行分析；智能电网支持自愈功能，有助于处理智能电表信息在语义库中记录和存储过程中的故障和停电。

B. 智能电表

智能电表被用作配电单元的基本记录设备，电表在自身与智能电网之间使用双向通信，它将传感器信息管理到内置 RAM 中，最大限制为 130 万条记录，并通过分发节点，将其发布为表格形式。

智能电表被编程为在多个班次中工作，即高峰时间和关闭时间，高峰时间包括最大资源使用时间线，而关闭时间包括正常资源使用时间线，在具有理想环境的正常工作负载下，智能电表的使用寿命为 5 至 7 年。

C. 语义网技术

语义网是现有万维网的扩展，其中信息以有意义的格式描述，语义网由本体、模式、国际化资源标识符（IRI）和服务发现语言组成。

支持处理数据集的框架包括资源描述框架（RDF）、RDF Schema（RDFS）、简单知识组织系统（SKOS）、SPARQL协议和RDF查询语言（SPARQL）、Notation3（N3）、N-Triples、Terse RDF Triple语言（Turtle）、网络本体语言（OWL）和规则交换格式（RIF）。

建议的方法

所提出的方法涉及提高寿命和优化能耗的操作步骤，即 i) 智能电网存储库，ii) 基于 RDF 的个性化图，iii) 寿命和能耗元组数据集的近似分析，iv) 个性化元组数据集中的错误因子，v ) 提高智能电表的使用寿命，vi) 优化智能电表的能源消耗，最后是 vii) 智能电表在智能电网中的基于分区的分配。

A. 智能电网存储库

智能电网存储库配置了Jena-TDB triplestore功能，其中包含分布节点的记录信息即RDF元组，如图3所示。

图 3

智能电网RDF元组库

让Dn是具有三重存储的 RDF 数据集RS=Store{triple(s,p,o)}作为智能电网存储库的常驻实体SGrepository,这个概念可以表示为 (x rdf:type ex:property) 并且三元组可以定义为:

其中 I 是 IRI，N 是节点数，L 是文字数。

令 G 为具有有限源节点集的默认图n有π作为数据集中的合适属性,因此，图 G 可以表示为产品集:

图 4基本联合图

B. 基于 RDF 的个性化图

智能电网由一个巨大的语义库组成SGrepository它存储所有分布节点的元组数据集,默认情况下，RDF 图数据库提供了一种查询技术，可以提供元组提取的自定义提取。

智能电网处理将 RDF 存储流式传输到SGrepository，因此基于查询的 RDF 图提取技术不太可行，个性化 RDF 图提供了一种从大规模流式存储中提取数据集的自定义方法SGrepository的智能电网。

Algorithm-1生成个性化图以提取具有深度的子图d来自数据集Di在实例iwhereiϵI(set of instances)的最后，互标签Lm加入所有相关的子图并生成个性化图G。

让G是从库中提取自定义数据集的个性化图SGrepository并提出了一种使用相同标签放置来维持连续元组流的方法迭代，其中单个标签出现在实例之间Lmo→b.个性化图表G两个实例之间可以计算为：

谓词路径集 (PPS) 收集谓词与一个Scani数组并通过制定一个二维数组idxj和 RFLT 操作员，两个或两个以上PPS合并通过的集合一个Scanidx如图 5所示，详细说明为：

子图的扫描搜索如图6所示，图搜索G(Search)图的GLifespan可以得到：

图 5为图表个性化 RDF 过滤器G

图 6 个性化 RDF 过滤器以合并子图

为了获得图的个性化元组数据集GLifespan, 我们使用eq (4)和eq (8)作为：

GLifespan是一个个性化图表，并获取智能电表寿命值的自定义元组数据集；同样，我们得到个性化图GEnergy作为：

C. 寿命和能源消耗元组数据集的近似分析

默认情况下，智能电表通过标准程序消耗寿命，因为：

1）智能电表负荷转移

智能电网分两班启动电表，即 (i) 峰值负载和 (ii) 卸载，峰值负载时生成的元组存储在SGrepository并表示为:

D. 个性化元组数据集中的错误因素

个性化元组数据集的提取会因峰和关块中的未识别边、未知顶点和数组超出索引问题而产生错误异常，误差百分位数可以通过以下方式获得：

E. 智能电表寿命的延长

所提出的方法通过计算剩余寿命来提高智能电表的使用寿命SMRL作为：

通过 peak 和 off block 数据集元组计算的GLifespan，影响因素SMRL包括预期寿命LEf, 遗传学GEf, 环境因素EFf， 随着时间的推移而变化CTf和有限的寿命LLf.交换因子ΔF可以表示为：

最大利用率ΔTLifespan是使用匈牙利算法发现的，如图7所示。

图 7 使用匈牙利算法的最小寿命

F. 智能电表能耗优化

所提出的方法通过计算剩余能量循环来减少智能电表的能量消耗米RE作为:

最大利用率ΔTEnergy是是使用匈牙利算法找到的，如图8所示。

图 8 使用匈牙利算法的最大能耗

G. 智能电表在智能电网中的分区分配

如果智能电表系数消耗在 0 到 30% 之间，则它被声明为“FULL”并放入插槽“A”，该插槽将智能电表的全部容量用于峰值和关闭块。

如果智能电表系数消耗在 30% 到 50% 之间，则它被声明为“未满”并放入插槽“B”，该插槽使用智能电表1/2容量进入峰值和关闭块。

图 9 默认智能电表放置在智能电网中

如果智能电表系数消耗在 50% 到 70% 之间，则它被声明为“HALF”并放入插槽“C”，该插槽使用智能电表1/3容量进入峰值和关闭块。

如果智能电表系数消耗在 70% 到 95% 之间，则声明为“NOT HALF”并放入插槽“D”，该插槽使用智能电表1/6容量分为峰值和关闭块，如图10所示。

图 10 基于分区的智能电表放置到智能电网中

绩效评估

所提出的方法通过存储在语义三元组 Jena-TDB中的智能电表元组数据集进行评估；评估包括，（i）生成个性化图，（ii）峰值负载和卸载块的元组数据集，（iii）个性化图中的错误率百分位数，（iv）影响寿命和能耗的因素的阈值提取，最后(v) 将智能电表放置在各自的插槽中，以实现智能电网的最佳利用。

A. 试验台

测试台包括 Jena-TDB 3.0.1 版存储库配置，配置在 Intel Core(TM) i5–3470 CPU @ 3.20 GHz 上，具有 6GM RAM，Windows 8.1 64 位操作系统具有基于 X64 的处理器，超过 250GB WD 硬盘。

B. 智能电表数据集

我们使用具有分布式节点元组数据集的智能电表的综合工作负载，Jena-TDB 的配置设置为 300 GB 元组数据集工作负载，并配置了工作负载，即 (i) 峰值负载和 (ii) 卸载。

C. 个性化图形生成

个性化图形生成过程构建了一组自定义查询，这些查询从 Jena-TDB 存储库中获取元组，自定义查询分为两种类型（i）静态查询和（ii）动态查询。

静态查询采用personalize graph的功能来获取与寿命和能耗相关的元组，动态查询构建一个数组来堆积连续的元组流，并为静态查询的输入构建一个数组，如图12所示。

图 11 peak-block SG 存储库中的个性化图形生成

图 12 块外 SG 存储库中的个性化图形生成

D. Peak-to-Off 块元组数据集中的智能电表

个性化图提取包含智能仪表无序元组集的非结构化数据集，识别用于将语义元组生成到如此庞大的数据集中的智能电表的数量会增加复杂性，如图 13所示。

图 13 20GB 存储库中的智能电表节点

图 14 50GB 存储库中的智能电表节点

图 15 100 GB 存储库中的智能电表节点

图 16 150 GB 存储库中的智能电表节点

E. Personalize Graph 中的错误率百分位数

personalize graph中的元组提取由于未识别边、未知顶点和array out of index问题导致错误异常，发生这种情况是由于不正确地插入元组值，即 value# 并返回无法识别的格式元组。

图 17 个性化图表中的错误率

F. 寿命和能耗影响因素的阈值提取

通过讨论的过滤器评估寿命的峰值和关闭元组数据集，发现峰值数据集包含 30 个智能电表，平均消耗了 11% LE、12% GE、14% EF、19% CT 和 3% LL，如图18所示。

通过匈牙利算法过滤找到峰值和关闭元组数据集，关闭数据集包含30个智能电表，平均消耗了9% LE、11.7% GE、13.8% EF、18.6% CT和2.9% LL如图19所示。

通过匈牙利过滤器找到能量峰值元组数据集，发现off数据集包含100个智能电表，平均消耗了2% RU、12% MC、14% VD、19% O和64% AV，如图20所示。

通过相同的匈牙利过滤器评估能量的 off 元组数据集，发现 off 数据集包含 100 个智能电表，平均消耗了 1.9% RU、11.8% MC、13.9% VD、18.8% O 和 60% AV如图21所示。

图 18 影响峰值块寿命的因素

图 19 影响街区外寿命的因素

图 20 影响高峰时段能源利用的因素

图 21 影响街区外能源利用的因素

G. 智能电表基于分区的放置

智能电表的槽配置由一个控制器组成，该控制器管理配电节点的记录请求并指示智能电表在定义的时间范围内执行操作，它还控制配置脚本，该脚本生成智能电表每个周期的记录数。

图 22 智能电表分配给基于分区的插槽

结论和未来的工作

本文提出了一种基于知识的 RDF 个性化图生成技术，该技术从基于绿色云的智能电网的连续流式语义库中提取自定义元组数据集。

所提出的方法讨论了峰值和断块个性化图以及可能的错误异常和影响智能电表寿命和能耗的阈值因素的提取。

所提出的方法提供了一个有效的过滤器，可以识别寿命和能量消耗的阈值因素范围内的无序元素。

个性化图方法使基于绿色云的智能电网的智能电表的寿命整体提高了 72%，能耗降低了 21%，未来重点研究基于绿色云的智能电网中智能电表的有效数据检索和压缩技术。

如果你也喜欢我的文章，不妨点个“关注”吧！小生在此谢过了！

END

标签：