EnerOS v0.32.0

发布日期：2026-02-08
版本代号：ML
Git Tag：v0.32.0
支持状态：稳定（Stable）
Crate 总数：60（新增 6 个）
测试用例数：7900+（新增 700）

概述

EnerOS v0.32.0「ML」是智能化阶段的机器学习集成版本，将机器学习能力从「调用外部 LLM」扩展为「内核原生 ML 运行时」。本版本使 EnerOS 能够在内核侧直接运行负荷预测、异常检测、状态估计等电力领域经典 ML 任务，无需依赖外部 Python 服务或离线训练流水线。

ML 版本的核心设计哲学是「电力原生 ML」——模型训练、注册、版本管理、在线推理全部内置于操作系统，与拓扑、潮流、约束、时序等内核一等公民深度耦合。这意味着模型可以订阅拓扑变更事件自动重训练，可以绑定到电气节点随拓扑漂移而迁移，可以在约束引擎内被强制校验输出范围。

本版本引入五大核心能力：机器学习运行时、负荷预测模型、异常检测引擎、模型注册表、在线推理服务。所有 ML 能力均通过 eneros-ml、eneros-ml-forecast、eneros-ml-anomaly、eneros-ml-registry、eneros-ml-serving 五个新 crate 实现。

关键数据

新特性

1. 机器学习运行时

新增 eneros-ml crate，提供统一的 ML 运行时，支持多种模型格式与推理后端。运行时与内核时序引擎深度集成，可直接订阅 PMU/RTU 数据流进行流式推理。

推理后端

统一推理接口

use eneros_ml::{MlRuntime, Model, InferRequest};

let runtime = MlRuntime::new()
    .backend(Backend::Candle)
    .device(Device::Cpu)
    .build()?;

// 加载模型（从模型注册表）
let model = runtime.load_model("load-forecast-lstm", Version::Latest).await?;

// 构造推理请求
let input = timeseries.query()
    .point("bus_5_load")
    .range(now() - Duration::hours(24), now())
    .resolution(Duration::minutes(15))
    .fetch().await?;

let request = InferRequest::new()
    .input("history", input.into_tensor())
    .input("temperature", tensor!{24.5})
    .input("is_holiday", tensor!{false});

// 在线推理
let output = model.infer(request).await?;
let forecast: Vec<f64> = output.get("forecast")?.try_into()?;

println!("未来 24 小时负荷预测: {:?}", forecast);

流式推理

// 订阅 PMU 数据流，实时推理
let mut stream = runtime.subscribe_pmu_stream(bus_id, Duration::milliseconds(20));
while let Some(sample) = stream.next().await {
    let anomaly_score = anomaly_model.infer(sample).await?;
    if anomaly_score > threshold {
        ctx.emit(AnomalyDetected { bus: bus_id, score: anomaly_score });
    }
}

2. 负荷预测模型

新增 eneros-ml-forecast crate，内置多种负荷预测模型，覆盖短期、超短期、中长期三个时间尺度。

预测模型矩阵

预测 API

use eneros_ml_forecast::{ForecastEngine, ForecastHorizon, ForecastConfig};

let engine = ForecastEngine::new(&ctx)
    .model("load-forecast-lstm")
    .config(ForecastConfig {
        horizon: ForecastHorizon::ShortTerm(Duration::hours(24)),
        resolution: Duration::minutes(15),
        confidence_interval: 0.95,
        features: vec![
            Feature::HistoricalLoad { window: Duration::hours(168) },
            Feature::Weather { forecast: true },
            Feature::Calendar { holidays: true },
            Feature::TopologyEvent { sensitive: true },
        ],
    })
    .build().await?;

// 执行预测
let forecast = engine.forecast(BusId::from(5)).await?;

// 预测结果包含：点预测、置信区间、特征贡献度
println!("预测点数: {}", forecast.points.len());
println!("95% 置信区间: [{}, {}]",
    forecast.lower_bound[0],
    forecast.upper_bound[0]);

拓扑感知重训练

当电网拓扑发生变更时，模型自动触发重训练：

// 模型订阅拓扑变更事件
forecast_engine.bind_to_topology(&network)?;

network.on_event(TopologyEvent::BusAdded(bus_id), |_| {
    // 新母线加入，自动初始化预测模型
    forecast_engine.init_model_for(bus_id);
});

network.on_event(TopologyEvent::SwitchReconfigured, |_| {
    // 拓扑重构，标记模型需重训练
    forecast_engine.schedule_retrain(Reason::TopologyChange);
});

预测准确率基准

3. 异常检测引擎

新增 eneros-ml-anomaly crate，提供多维异常检测能力，覆盖点异常、上下文异常、集合异常三种模式。

检测算法

异常检测 API

use eneros_ml_anomaly::{AnomalyDetector, DetectorConfig, Algorithm};

let detector = AnomalyDetector::new()
    .algorithm(Algorithm::IsolationForest {
        n_trees: 100,
        contamination: 0.02,
    })
    .features(vec![
        "voltage_pu", "current_a", "power_mw", "frequency_hz",
        "temperature_c", "harmonic_thd",
    ])
    .window(Duration::minutes(15))
    .build().await?;

// 实时检测
let detector_handle = detector.run_on_stream(pmu_stream, |anomaly| {
    ctx.emit(AnomalyEvent {
        bus: anomaly.bus_id,
        score: anomaly.score,
        features: anomaly.contributing_features,
        timestamp: anomaly.timestamp,
    });
}).await?;

异常分级

// 根据异常分数与电气影响分级
match anomaly.score {
    s if s > 0.9 => Severity::Critical,  // 立即告警
    s if s > 0.7 => Severity::High,      // 5 分钟内告警
    s if s > 0.5 => Severity::Medium,    // 工单流转
    s if s > 0.3 => Severity::Low,       // 记录观察
    _ => Severity::Info,
}

4. 模型注册表

新增 eneros-ml-registry crate，提供模型的全生命周期管理：版本控制、A/B 测试、灰度发布、回滚。

模型生命周期

注册表 API

use eneros_ml_registry::{ModelRegistry, ModelVersion, Stage};

let registry = ModelRegistry::new(&storage);

// 注册新模型版本
let version = registry.register(ModelVersion::new()
    .name("load-forecast-lstm")
    .version("2.3.0")
    .artifact("/models/lstm-2.3.0.safetensors")
    .metrics(ModelMetrics {
        mape: 1.8,
        rmse: 12.5,
        latency_p99: 8.0,
    })
    .stage(Stage::Staging))?;

// 评估通过后发布
registry.promote("load-forecast-lstm", "2.3.0", Stage::Production).await?;

// 灰度发布（10% 流量）
registry.canary("load-forecast-lstm", "2.3.0", 0.1).await?;

// 回滚到上一版本
registry.rollback("load-forecast-lstm").await?;

模型血缘

// 查看模型血缘关系
let lineage = registry.lineage("load-forecast-lstm", "2.3.0")?;
// 包含：训练数据集、超参数、父模型、衍生模型

5. 在线推理服务

新增 eneros-ml-serving crate，提供高可用的在线推理服务，支持批量推理、缓存、熔断。

服务配置

use eneros_ml_serving::{InferenceServer, ServerConfig};

let server = InferenceServer::new()
    .config(ServerConfig {
        max_concurrent: 256,
        batch_size: 32,
        batch_timeout: Duration::milliseconds(10),
        cache_enabled: true,
        cache_ttl: Duration::minutes(5),
        circuit_breaker: CircuitBreaker {
            failure_threshold: 10,
            recovery_time: Duration::seconds(30),
        },
    })
    .model("load-forecast-lstm", Version::Latest)
    .model("anomaly-detector", Version::Latest)
    .build().await?;

server.serve("0.0.0.0:8080").await?;

批量推理优化

改进

• 时序引擎：eneros-timeseries 新增列式存储压缩，存储空间减少 60%
• 模型加载：模型文件改用 mmap 加载，启动时间从 2s 降至 120ms
• GPU 支持：candle 后端新增 CUDA 支持，推理速度提升 8 倍
• 特征工程：内置 30+ 电力领域特征提取器（谐波、三相不平衡、闪变）
• 可观测性：ML 推理链路接入 OpenTelemetry，支持全链路追踪

Bug 修复

• 修复 eneros-ml 在 GPU 推理时显存泄漏的问题（#3205）
• 修复 eneros-ml-forecast 节假日特征在农历计算上的错误（#3210）
• 修复 eneros-ml-anomaly Isolation Forest 在高维数据下性能退化的问题（#3218）
• 修复 eneros-ml-registry 并发注册时版本号冲突的问题（#3222）
• 修复 eneros-ml-serving 批量推理超时后未清理请求队列的问题（#3228）

破坏性变更

• MlRuntime::infer：返回类型从 Result<Tensor> 改为 Result<InferResponse>
• ForecastEngine::forecast：参数从 BusId 改为 &ForecastTarget 枚举
• AnomalyDetector::algorithm：枚举值重命名，IForest 改为 IsolationForest

升级指南

1. 更新 Cargo.toml 中的 eneros 依赖至 0.32.0
2. 安装 ML 运行时依赖：cargo install eneros-ml-cli
3. 在 eneros.toml 中配置 ML 后端与模型存储路径
4. 运行 eneros ml migrate 迁移现有模型至注册表

致谢

感谢 25 位贡献者提交的 380+ 个 commit，以及 ML 社区提供的开源模型与算法实现。