本申请涉及智能电网，尤其涉及一种智能电网高效边缘计算方法及相关装置。
背景技术：
1、近年来，智能电网云边端交互方案的相关技术，在电力系统场景上涵盖了电力数据的采集、处理和提供智能分析建议等诸多方面应用。边缘计算技术极大减轻了数据传输消耗，同时有效满足智能电网在实时业务、应用智能、安全与隐私保护等方面的基本需求。受益于神经网络的快速发展，边缘计算平台利用人工智能模型来处理大量且复杂的电力时间序列数据成为研究的热点问题。深度模型可以帮助终端设备专注挖掘电力序列数据中隐含的依赖关系，并据此为电网管理提出智能建议。
2、然而，基于深度算法的模型往往会造成大量的计算时间消耗，在处理大量电力时间序列数据时产生的时延等问题对智能电网系统中故障识别、负荷预测等高时效性要求的任务造成影响。
技术实现思路
1、本申请提供了一种智能电网高效边缘计算方法及相关装置，用于提高了智能电网边缘计算平台处理大量电力时间序列数据的响应速度和效率。
2、有鉴于此，本申请第一方面提供了一种智能电网高效边缘计算方法，所述方法包括：
3、s1、通过终端设备采集电能表的电力序列数据，并对所述电力序列数据进行预处理；
4、s2、将预处理的所述电力序列数据上传至终端边缘层模型，使得所述终端边缘层模型对所述电力序列数据进行序列切片，得到短序列段数据；
5、s3、利用包含低秩自注意力机制的改良transformer对所述短序列段数据进行建模分析，完成模型训练；
6、s4、将步骤s3中模型训练过程中获得的知识蒸馏到一个多层感知单元，使得所述多层感知单元对所述短序列段数据进行推理分析；
7、s5、将步骤s4通过知识蒸馏得到的多层感知单元部署到终端边缘计算平台，用于处理各类电力时序数据建模分析任务。
8、可选地，步骤s2，之后还包括：对所述短序列段数据进行标准化处理，从而缓解数据分布差异。
9、可选地，所述利用包含低秩自注意力机制的改良transformer对所述短序列段数据进行建模分析，完成模型训练，包括：
10、基于低秩自注意力机制生成若干个矩阵，利用低秩因子分解来近似计算注意力分数；将所述注意力分数与所述短序列段数据表示进行加权，得到完整的电力数据的序列表示。
11、可选地，所述基于低秩自注意力机制生成若干个矩阵，利用低秩因子分解来近似计算注意力分数；将原始注意力分数与所述短序列段数据表示进行加权，得到完整的电力数据的序列表示，包括：
12、将所述短序列段数据输入边缘层模型中基于transformer的序列编码单元，计算得到短序列段之间的二阶关系信息编码；
13、基于所述二阶关系信息编码计算得到初始的注意力分数；
14、利用前馈网络捕获非线性关系并获得蕴含在所述短序列段数据之间的二阶关系信息编码，得到最终的注意力分数；
15、加权所述注意力分数表示为所述短序列段数据表示，得到完整的电力数据的序列表示。
16、可选地，所述将步骤s3中模型训练过程中获得的知识蒸馏到一个多层感知单元，包括：
17、对步骤s3中模型训练过程中获得的知识进行提取和注入，并采用联合训练框架共同优化时序建模任务和知识蒸馏任务，从而得到多层感知单元。
18、本申请第二方面提供一种智能电网高效边缘计算系统，所述系统包括：
19、预处理单元，用于通过终端设备采集电能表的电力序列数据，并对所述电力序列数据进行预处理；
20、切片单元，用于将预处理的所述电力序列数据上传至终端边缘层模型，使得所述终端边缘层模型对所述电力序列数据进行序列切片，得到短序列段数据；
21、训练单元，用于利用包含低秩自注意力机制的改良transformer对所述短序列段数据进行建模分析，完成模型训练；
22、蒸馏单元，用于将训练单元中模型训练过程中获得的知识蒸馏到一个多层感知单元，使得所述多层感知单元对所述短序列段数据进行推理分析；
23、部署单元，用于将蒸馏单元通过知识蒸馏得到的多层感知单元部署到终端边缘计算平台，用于处理各类电力时序数据建模分析任务。
24、可选地，还包括：标准化处理单元，用于对所述短序列段数据进行标准化处理，从而缓解数据分布差异。
25、可选地，所述训练单元，具体用于：
26、基于低秩自注意力机制生成若干个矩阵，利用低秩因子分解来近似计算注意力分数；将所述注意力分数与所述短序列段数据表示进行加权，得到完整的电力数据的序列表示。
27、可选地，所述基于低秩自注意力机制生成若干个矩阵，利用低秩因子分解来近似计算注意力分数；将所述注意力分数与所述短序列段数据表示进行加权，得到完整的电力数据的序列表示，具体包括：
28、将所述短序列段数据输入边缘层模型中基于transformer的序列编码单元，计算得到短序列段之间的二阶关系信息编码；
29、基于所述二阶关系信息编码计算得到初始的注意力分数；
30、利用前馈网络捕获非线性关系并获得蕴含在所述短序列段数据之间的二阶关系信息编码，得到最终的注意力分数；
31、加权所述注意力分数表示为所述短序列段数据表示，得到完整的电力数据的序列表示。
32、可选地，所述蒸馏单元，具体用于：
33、对步骤s3中模型训练过程中获得的知识进行提取和注入，并采用联合训练框架共同优化时序建模任务和知识蒸馏任务，从而得到多层感知单元。
34、本申请第三方面提供一种变压器绕组机械状态监测评估设备，所述设备包括处理器以及存储器：
35、所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
36、所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述的变压器绕组机械状态监测评估方法的步骤。
37、本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的变压器绕组机械状态监测评估方法。
38、从以上技术方案可以看出，本申请具有以下优点：
39、本申请实施例中提供的一种智能电网高效边缘计算方法，通过设计低秩注意机制，降低了序列建模算法的时间复杂度，提高边缘计算平台的响应速度。利用知识蒸馏技术，进一步提高方法的服务速度，极大地满足实际电力场景中边缘计算平台的需求。本申请的方法用于缓解边缘计算平台的计算压力，实现适应不同电力使用场景下分布式分析电力时序数据以完成下游如数据分类、预测等任务场景。与现有技术相比，本申请设计了一种低秩自注意力机制用于电力数据分析。低秩自注意力机制生成多个较小的矩阵，用低秩因子分解来计算注意力分数，极大降低数据建模过程中的计算时间复杂度。
1.一种智能电网高效边缘计算方法，其特征在于，包括：
2.根据权利要求1所述的智能电网高效边缘计算方法，其特征在于，步骤s2，之后还包括：对所述短序列段数据进行标准化处理。
3.根据权利要求1所述的智能电网高效边缘计算方法，其特征在于，所述利用包含低秩自注意力机制的改良transformer对所述短序列段数据进行建模分析，完成模型训练，包括：
4.根据权利要求3所述的智能电网高效边缘计算方法，其特征在于，所述基于低秩自注意力机制生成若干个矩阵，利用低秩因子分解来近似计算注意力分数；将原始注意力分数与所述短序列段数据表示进行加权，得到完整的电力数据的序列表示，包括：
5.根据权利要求1所述的智能电网高效边缘计算方法，其特征在于，所述将步骤s3中模型训练过程中获得的知识蒸馏到一个多层感知单元，包括：
6.一种智能电网高效边缘计算系统，其特征在于，包括：
7.根据权利要求6所述的智能电网高效边缘计算系统，其特征在于，还包括：标准化处理单元，用于对所述短序列段数据进行标准化处理，从而缓解数据分布差异。
8.根据权利要求6所述的智能电网高效边缘计算系统，其特征在于，所述训练单元，具体用于：
9.一种智能电网高效边缘计算设备，其特征在于，所述设备包括处理器以及存储器：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-5任一项所述的智能电网高效边缘计算方法。
