低负荷下数字化电能计量中信息采集模型研究

李建波，雷婧婷，郑 天

(国网陕西省电力公司电力科学研究院,陕西 西安 710010)

0 引 言

随着科学技术在电力计量方面应用的不断加强，人们开始考虑采用无线传感器网络和物联网技术进行低负荷下电能计量信息的采集，提高对信息采集能力[1]。随着研究的深入，在无线传感器网络体系下，结合ZigBee和电力电能计量信息传输协议进行物联网组网优化设计，构建无线传感器组网环境下的电能数字化计量系统，并将传感器分布在监测区域中，实现对低负荷下数字化电能计量信息采集，进一步提高信息采集的准确性[2]。这些手段在电力电能监测、电力优化调度和信息传输控制等方面具有重要意义。

目前，对数字化电能计量信息采集体系的研究已经有一些较好的成果。文献[3]中涉及到一种基于统计特征分析的数字化电能计量信息采集模型，该模型能对电能计量信息准确采集，但采集过程中存在复杂度较高的问题，导致采集实时性差，文献[4]中提出一种基于分数间隔均衡控制的电力电能信息采集模型，构建物联网传感组网结构模型，结合最短路径控制协议进行计量信息采集节点的部署，但该方法进行信息采集节点部署的自适应均衡性不好，导致信息融合性较差。此外，还有基于用户参与和动态电价的计量方法[5]，基于正序有功功率的电能计量方法[6]。基于时间尺度分解的电能计量方法[7]。这些方法的缺点大多是适用性较差，整体效率不高。

针对上述问题，本文提出一种基于多传感器融合技术的低负荷下数字化电能计量信息采集模型。首先对传感器节点的分布进行设计，保证计量信道配置均衡，继而构建数字化电能计量信息自动采集的射频标签识别模型，利用空间重构方法实现计量信息的融合识别，然后，采用多传感器信息融合技术进行信息的特征提取和聚类分析，并对计量信息采用谱分析方法进行时频特征分解和自适应分类，保证信息的准确采集。最后进行仿真实验进行验证和分析，有效证明了本文模型的应用优势。

1 传感器节点分布及信息识别提取

1.1 传感器节点分布设计

构建低负荷下数字化电能计量信息采集传感器节点优化部署模型，通过对计量信息中的数据结构信息特征采样，可实现低负荷下数字化电能计量信道的均衡化配置。

假设低负荷下数字化电能计量过程中待采集的链路分布数据集为x={x1,x2,…,xN}，采用SN和跳数受限的Sink节点移动路径选择算法进行数字化电能计量信息传输的信道跟踪识别和自适应控制[6]。现构建低负荷下数字化电能计量信息采集节点分布模型如图1所示。

图1 低负荷下数字化电能计量信息采集节点分布模型

低负荷下数字化电能计量信息采样的时间序列为{x(t0+iΔt)}, 其中i=0,1,…,N，数据信息流矢量长度为n，得到低负荷下数字化电能计量信息采集输出的状态矢量表达式为[7]：

X=[x(t0),x(t0+Δt),x(t0+2Δt)…,x(t0+NΔt)]

(1)

式中，x(t0)表示低负荷下数字化电能计量信息采集的时间样本序列，构建低负荷下数字化电能计量的节点汇聚链路增益控制模型[8]，通过优化的节点节能分布计算，可得到传感器网络节点的采集总流量输出为：

(2)

则在有限的传感器节点拓扑结构中，节点的信道输出相关匹配集表示为：

(3)

其中，δ表示数字化电能计量节点的传输负载。在此基础上，结合节点优化部署，能够有效提高数字化电能计量信息采集的信息饱和度。

1.2 电能计量信息的识别

构建电力电能数字化计量信息自动采集的射频标签识别模型，假设低负荷下数字化电能计量信息采集的分布属性集为αj，得到数字化电能计量信息的特征关联映射关系满足：

(4)

假设待采集的信息中含有n个样本，则多传感器信息融合统计量为[9]：

(5)

式中，amn称为电力信息检测的分布样本集，gmn(t)为射频识别的统计平均值，n(t)为低负荷下数字化电能计量信息特征干扰项。

当低负荷下数字化电能计量信息检测的关联映射存在时，假设Φ表示存在一个最优解使得多传感器信息融合采集数据满足的收敛条件，同时存在寻优函数：

(6)

由此，得到低负荷下计量信息的特征分布模型为：

M=s.t.F+[s(t)-Φ]

(7)

结合特征空间重构，得到数字化电能计量信息自动采集的射频标签识别模型如公式(8)所示，在此基础上，可以进行数字化电能计量信息的自动采集和数据分类[10]。

(8)

2 信息自动采集模型设计

2.1 模糊聚类过程

在上述构建传感器节点分布，以及电能计量信息识别的基础上，进行数字化电能计量信息的自动采集，建立数据采集输出的统计特征分布集：

(9)

(10)

利用多传感器信息融合技术进行数字化电能计量信息的特征提取和聚类分析[12]，得到信息特征构成的数据集合为S={u(xl)}，其中xj>0，u(xl)为数字化电能计量信息输出值的隶属度，u(xl)∈{-1,1}，σ≤u(xl)≤1，σ为大于零的实数。对采样的数字化电能计量信息采用谱分析方法进行时频特征分解[13]，得到对数字化电能计量信息进行信息聚类处理过程为：

(11)

对于信息聚类处理过程中的非线性问题，引入高维相空间中的轨迹分布核函数k，则数字化电能计量信息的模糊聚类输出表示为：

(12)

根据特征提取模糊聚类结果，结合统计时间序列分析方法，进行信息实时采集过程设计[14]。

2.2 信息采集过程

在无线传感网络环境下，假设低负荷数字化电能计量信息采集信道的传递函数为h(t)，被采样的数字化电能计量信息采用谱分析方法进行时频特征分解，结合特征提取方法进行数字化电能计量信息的自适应分类[15]，则数字化电能计量信息发射节点的功耗输出为：

(13)

其中，L表示数字化电能计量信息采集的节点的最佳部署间距，p表示低负荷下数字化电能计量信息采集的启动能耗。对于无线传感器簇首节点的发射功率W采用最优线性均衡方法进行信息资源的优化配置，得到低负荷下数字化电能计量信息采集输出为：

(14)

至此完成数字化电能计量信息特征的提取，结合特征分类技术实现信息的有效采集。

3 仿真实验与结果分析

为了证明本文所设计的基于多传感器融合技术的低负荷下数字化电能计量信息采集模型的可靠性和应用性能，设计仿真实验进行验证。现设计实验环境如下：实验软件在Matlab2007b平台上进行设计，处理器为Intel酷睿4核i5，硬件内存为8 GB，操作系统为Windows 10。数字化电能计量信息的测试样本集数量为1 024，训练样本集数量为1 000，对数字化电能计量信息采集的周期为0.23 s，其它仿真参数条件的设定如表1所示。

表1 仿真场景及参数设定

根据上述仿真参量设定，进行低负荷下数字化电能计量中的信息采集，得到采集信息的时域分布如图2所示。

图2 数字化电能计量信息采集时域分布

分析图2可知，利用本文所设计模型进行数字化电能计量信息采集所得到的信息时域分布较为均衡，多集中于[-1,1]的幅值范围内。这是由于在模型设计过程中对传感器节点的分布进行了优化设计，使得计量信道的配置均匀化。对采样的数字化电能计量信息采用谱分析方法进行特征分解，结合特征提取方法进行自适应分类，得到数字化电能计量信息的频域分布如图3所示。

图3 数字化电能计量信息采集的频域分布

分析图3可知，随着采样点数量的增加，幅值的波动较规则，可说明数字化电能计量信息采集的频域分布较为稳定。因此能够证明采用本文所设计的低负荷下数字化电能计量信息采集模型进行信息采集，信息融合性能较好、采集输出的稳定性较高。

在一个采集检测系统中，检测结果的质量可从精度、召回率和F测度进行评价。对于一个检测系统来讲，召回率和精度成反比，召回率高时精度低，精度高时召回率低。F测度可以综合考虑精度和召回率，是一种综合的评价标准。其值范围是[0,1]，值越高表示性能越高。因此为验证本文设计模型的采集精度，设计对比实验，将本文所提模型与文献[3]提出的基于统计特征分析的电能计量信息采集模型，以及文献[4]提出的基于分数间隔均衡控制的电力电能信息采集模型进行对比，测试不同模型的召回率，得到对比结果如表2所示。F测度如表3所示。

表2 电能信息采集的召回率对比

表3 电能信息采集的F测度对比

分析表2可知，随着迭代次数的增加，不同模型的采集召回率也在随之增加。文献[4]模型的增加幅度在三种模型中为最大，但是召回率比文献[3]模型略小。本文所提的基于多传感器融合技术的低负荷下数字化电能计量信息采集模型的信息召回率在三种模型中始终最低，证明本文所提模型的采集精度最高。这主要得益于本文模型采用多传感器信息融合技术，进行信息的特征提取和聚类分析，并通过时频特征分解和自适应分类，保证信息采集的准确性和多样性。而文献[3]数据采集比较单一化，且采集过程较为繁琐。而文献[4]信息采集节点部署的自适应均衡性欠佳。

4 结 语

构建一种基于多传感器融合技术的低负荷下数字化电能计量信息采集模型。将传感器分布在监测区域中并对传感器节点分布进行设计，实现计量信道均衡配置；构建数字化电能计量信息自动采集的射频标签识别模型，在空间重构方法实现传感器融合识别的基础上，采用多传感器融合技术进行信息的特征提取和聚类分析，利用谱分析方法进行时频特征分解和自适应分类，完成信息的自动采集。经实验研究得知，本文模型进行低负荷下数字化电能计量信息采集的准确性较高、信息融合性能较好，并降低了信息召回率从而使采集精度大大提高，整个模型更具有实用性。