基于模糊認知圖的智能配電網WSNs實時性與可靠性優化研究

王君洪，陳躍東，陳孟元

（安徽工程大學，安徽省電氣傳動與控制重點實驗室，安徽蕪湖241000）

?

基于模糊認知圖的智能配電網WSNs實時性與可靠性優化研究

王君洪，陳躍東*，陳孟元

（安徽工程大學，安徽省電氣傳動與控制重點實驗室，安徽蕪湖241000）

摘要：為了降低智能配電網事故，提高智能配電網無線傳感器網絡（WSNs）數據通信的可靠性與實時性，探索了一種基于模糊認知圖的智能配電網WSNs數據通信建模與控制的方法。首先，定性分析影響智能配電網WSNs數據傳輸的性能指標的主要因素，構建模糊認知圖模型，根據網絡環境的變化利用數學方法表達網絡節點各概念頂點之間的因果關系；然后，再利用模糊認知圖的方法進行推理，獲得動態決策路由路徑和調整網絡參數的控制變量值；最后，對本文方法進行仿真實驗，對數據傳輸性能進行了測試分析。實驗結果表明所提出的方法可為智能配電網WSNs數據傳輸提供良好的QoS（服務質量）。

關鍵詞：智能電網；模糊認知圖；無線傳感器網絡；可靠性；實時性

無線傳感器網絡WSNs（Wireless Sensor Net?works）是由部署在檢測區域內大量的集成了數據采集、處理和無線傳輸能力的節點通過自組織和多跳的方式構成的無線網絡。隨著科技的進步與發展，無線傳感器網絡（WSNs）技術應用于智能配電網中具有很廣闊的前景。滿足智能電網的特性要求，將是無線傳感器網絡在智能電網中應用的發展趨勢［1］。

近年來國內外的研究狀況為：文獻［2］提出了一種具有QoS保障功能的無線傳感器網絡U-MAC協議，構建了一種基于節點狀態分析和信道狀態分析的多優先級MAC協議數學模型，精確地描述了MAC協議傳輸性能。文獻［3］建立了滿足智能配電網對無線傳感器網絡的可靠性實時性要求的路由選擇模型，并給出了求解方法，提高了智能配電網信息傳輸的可靠性。文獻［4］提出了一種基于卡爾曼濾波器的動態路由算法，該算法根據移動Sink節點的歷史信息，動態預測移動節點位置，采用基于地理信息的路由決策方法，實現對網絡傳輸可靠性、時延和能量的優化。文獻［5］中將配電網遙信、遙控、遙測三類通信數據分為3種不同優先等級傳輸數據，建立節點內三級數據緩沖隊列狀態的馬爾可夫鏈模型，實現了為不同優先級的配電網通信數據提供不同的QoS功能支持。文獻［6］研究了一種超低功耗的MAC協議，使用多種時鐘源實現功耗最優配置，喚醒機制和節點同步策略，在保證射頻性能的同時，降低節點功耗和時鐘源誤差。文獻［7］提出一種MFQR路由協議，節點可以自適應選取延時和投遞率的轉發節點，均衡能耗，提高網絡吞吐量。以上文獻的研究重點主要在智能配電網中WSNs的路由協議和MAC協議。

國內外學者對WSNs中MAC層協議開展了大量的研究：文獻［8］提出了可以同時休眠和喚醒虛擬節點簇的S-MAC協議，但是該協議只能控制單跳范圍內的操作；文獻［9］提出了協調自適應睡眠的MAC協議；文獻［10］基于前人的研究提出了具有極的低功耗和較小前導沖突率的Wise-MAC協議；文獻［11］提出了一種基于CSMA/CA的MAC協議優化算法，提高了節點公平性，減少了信道資源浪費，提高了網絡傳輸效率，但是當最小競爭窗口上限較小的時候，沖突、丟包率和能源浪費將增加；文獻［12］提出在MAC層無信標模式信道競爭機制的基礎上將馬爾科夫鏈引入到數據緩沖隊列轉換規律中，提高了網絡吞吐率降低了通信延時和信道沖撞率；文獻［13］將C-TDMA、SMACS/EAR、S- MAC、T- MAC、PMAC、LPL、LMAC、ZMAC、LEEM、GeRaF協議就能量有效性，可擴展性，信道利用率，延遲，吞吐量等進行了綜合比較，然后提出了MAC協議進一步研究策略和發展趨勢：利用多信道和動態信道分配技術進行節能，采用跨層優化設計；文獻［14］提出了一種基于蟻群優化算法的AntSensNet路由算法，采用了仿生學路由技術，依據節點通信能力選擇最優的數據傳輸路徑；文獻［15］提出將配電網數據分為實時數據和非實時數據兩個優先級，并用馬爾科夫鏈建立每個節點兩個優先級緩沖隊列狀態模型，實現了MAC層對QoS的支持，在網絡負擔比較大的情況下非實時數據不能完成傳送，而對實時數據幾乎沒影響。上述國文獻中采用不同方法對WSNs網絡數據傳輸實時性、可靠性和能量進行了不同程度的優化，但針對有QoS指標性能要求研究方面并未涉及。

本文針對電力工業配電網數據通信規范要求［16-17］，將配電自動化通信數據分為兩種優先級數據（遙信，遙測），利用模糊認知圖理論構建智能配電網無線傳感器網絡數據通信模型。根據網絡變化計算獲得控制變量的值，動態控制路由路徑，調整網絡參數，有效地提高網絡通信的可靠性，降低通信延時，使之滿足QoS指標要求。

1　智能配電網WSNs的模糊認知圖模型

1.1性能分析

通過分析智能配電網的特點可得出，傳輸功率、通信速率、退避策略、路由協議、數據產生率還有數據沖撞率是影響智能配電網數據傳輸實時性、可靠性的主要因素。上述因素之間因果關系可分為：①當數據產生率增大時，數據沖撞率也相應地增大，數據可靠性和實時性將降低；②當發射功率增大時，節點傳輸數據的可靠性將得到改善，但環境背景噪音會增加，從而影響其他節點數據傳輸的可靠性；③當通信速率增大時，數據的實時性變的更好，但數據可靠性將降低。

1.2智能配電網WSNs模糊認知圖模型的構建

根據文獻［18-19］給出的利用模糊認知圖建模方法和概念頂點間推理方法以及文獻［20-21］對影響無線傳感器網絡QoS的因素的分析，利用模糊認知圖對智能配電網WSNs進行建模。應用于智能配電網的無線傳感器網絡系統用模糊認知圖FCM （Fuzzy Cognitive Map）可表示成（C，E，X，f）。該模糊認知圖系統概念頂點的集合為{C}={C1可靠性，C2實時性，C3路由協議，C4傳輸功率，C5通信速率，C6數據產生率，C7退避策略}。E：（Ci，Cj）→ωij是一映射，權值ωij表示概念頂點Ci與Cj之間的因果影響程度，記為{ωij} i?［1，7］j?［1，7］。智能配電網數據傳輸WSNs的節點模糊認知圖模型可構建如圖1所示。X：Ci→xi是一映射，X（t）=［x1（t），x2（t），…，xn（t）］T為C在t時刻的狀態。

本文所研究的無線傳感器網絡在IEEE802.15.4標準MAC層引入QoS支持的信道訪問機制，給配電網無線傳感器網絡通信節點設置高、低優先級數據緩沖隊列。高優先級數據緩沖隊列存放具有實時性傳輸需求數據，低優先級數據緩沖隊列存放無實時性傳輸需求數據。由于高優先級隊列中的數據實時性要求相對于低優先級隊列中的較高，所以其退避時間相對較少而退避次數相對較多，保證其隊列中數據先發送。①將C4傳輸功率從10 dB～20 dB平均分成低、較低、中、較高、高這5個等級；②將C5通信速率從20 kbit/s～250 kbit/s分成5個等級，分別為低：20 kbit/s～40 kbit/s，較低：40 kbit/s～100 kbit/s，中：100 kbit/s～160 kbit/s，較高：160 kbit/s～200 kbit/s，高：200 kbit/s～250 kbit/s；③C7退避策略分為退避時間和最大退避次數兩個方面，其中實時性數據退避時間，在10 symbols～20 symbols區間內平均分為5個等級，非實時性數據退避時間設置較長的128 symbols；實時性數據退避次數從5次～15次平均分為5個等級，非實時性數據退避次數設置為3次。

參照文獻［22］并進行多次實驗證實將C4、C5、C7進行上述處理后可以更好地調整節點網絡參數，以滿足實時性和可靠性性能指標。

圖1　智能配電網數據傳輸WSNs的模糊認知圖模型

圖1中C=（C1，C2，C3，…，C7）為智能配電網數據傳輸WSNs模糊認知圖包含的所有概念頂點集合，由圖1也可得出系統概念頂點間的關系矩陣。

智能配電網的無線傳感器網絡的各個概念頂點可用FCM建立其在t時刻的狀態值XCj(t)如式（1）所示描述。

式（1）中N表示概念頂點的總數，f（x）為FCM的轉換函數，XC1(t)、XC2(t)分別表示在t時刻概念頂點C1可靠性和C2實時性的狀態值。智能配電網數據傳輸WSNs網絡中概念頂點的狀態值是隨時間不斷變化的，其任一時刻的狀態與其以前的狀態是相關的。為了更準確的描述其概念頂點狀態相關性和時變性，在傳統的FCM狀態模型公式中增加了ω0j和γ，ω0j為概念頂點Cj的協調系數，γ為上一時刻狀態值對下一時刻時間狀態值的影響因子，它們的作用是使t時刻概念頂點的狀態值XCj(t)能與其以前狀態的相關性均勻分布在［0，1］之間。

2　模糊認知圖數據規范化和權值學習算法

2.1模糊認知圖數據規范化處理

對數據進行規范化處理可防止具有較大值域的屬性與具有較小的值域的屬性相比權重過大，從而降低屬性之間的可比性。Athanasions K Tsadiras在文獻［23］中分析比較了二值、三值階躍函數和S形曲線函數Ⅰ、Ⅱ的特點，在FCM實際應用當中，大多數情況下都采用S形曲線函數Ⅰ。本文采用S形曲線函數Ⅰ進行原始數據規范化處理，將各個屬性數據按照比例縮放至區間［0，1］內。XCj(t)是需要計算出的概念頂點Cj在t時刻的狀態值，n為對概念頂點Cj有影響的概念頂點個數。為了方便理解將XCj(t)記為yj（t）；XCj(t-1)記為yj（t-1）；XCi(t)記為xi（t）；改進的FCM狀態模型為：

由式（2）可知，λ決定了曲線的斜率，概念頂點Cj在t時刻的值是由該頂點本身之前的狀態以及與它具有因果關系的概念頂點共同決定的。

2.2模糊認知圖權值學習算法

將最小平方法應用到自動學習FCM模型關聯矩陣的算法中，稱這種算法為基于最小平方法FCM關聯矩陣的構建（Least Squares FCM），簡記為LSFCM算法［24］。

對式（2）進行推導得出LS-FCM公式的過程如下：

運用最小平方技術找到滿足自變量xi（t）和因變量yj（t）的最佳權值ωij和協調系數ω0j。

式（4）可表示為：

為了得到滿足式（4）的最優ωij和協調系數ω0j，對式（4）進行ω0j，ω1j，…，ωnj求偏導。令導數等于零，如式（5）所示：

設A=（xi（t））（n+1）×T，i=0，1，2，…，n，t=1，2，…，T。由于x0（t）=1，所以矩陣A中第一行元素均為1.

ω=（ω0j，ω1j，…，ωnj）T，D=（D0，D1，…，DT）T，式（5）左邊為：

令

式（5）的右邊為：

由式（6），式（8）聯立式（5）可得：

簡化得：

通過求解式（10）線性方程即可求出式（3）模型中的所有權值ωij，協調系數ω0j。

3　基于模糊認知圖優化控制

經計算分析可知，影響智能配電網WSNs數據傳輸實時性和可靠性的主要因素可由式（3）表示為網絡節點的各概念頂點之間的關系。依據模糊認知圖方法，可按照網絡環境的變化進行計算獲得控制變量的值，動態控制路由路徑，調整網絡參數，使智能配電網WSNs數據傳輸實時性、可靠性滿足QoS指標。

①當概念頂點C1狀態值大于RELIABLITY（電力工業配電網數據通信規范QoS性能指標可靠性指標歸一化的值）而概念頂點C2狀態值小于REAL?TIME（電力工業配電網數據通信規范QoS性能指標歸一化的值）。表明數據通信的實時性不滿足電力系統配電網數據通信規范QoS性能指標要求，而可靠性滿足QoS性能指標要求。因此觸發FCM，降低高優先級數據緩沖隊列的退避時間等級，增加其退避次數等級，并采取以實時性為主的路由路徑調整策略。

調整網絡參數步驟如下：將REALTIME代入式（3）求出滿足實時性的C7狀態值x7（t-1）和C3狀態值x3（t-1），然后調整退避策略和路由路徑，以滿足實時性性能指標。

②當概念頂點C1狀態值小于RELIABLITY而概念頂點C2狀態值小于REALTIME。數據通信的實時性滿足電力系統配電網數據通信規范QoS性能指標要求，而可靠性不滿足QoS性能指標要求時，觸發FCM，提高發射功率等級、降低通信速率等級，并采用以可靠性為主的路由路徑調制策略。

調整網絡參數步驟如下：將REALTIME代入式（3）求出滿足實時性的控制變量C4的狀態值x4（t-1）、C5的狀態值x5（t-1）和C3的狀態值x3（t-1），然后根據的傳輸功率、通信速率和路由路徑調整概念頂點狀態值調節節點的網絡參數，以滿足可靠性性能指標。

③當概念頂點C1狀態值小于RELIABLITY而概念頂點C2狀態值大于REALTIME。數據通信的實時性與可靠性都不滿足電力系統配電網數據通信規范QoS性能指標要求，觸發FCM，減少高優先級數據緩沖隊列的退避時間等級，增加其退避次數等級，提高發射功率等級，并采用以可靠性為主的路由路徑調整策略。

調整網絡參數步驟如下：將RELIABLITY、REALTIME代入式（3）求出滿足實時性、可靠性的控制變量C4的狀態值x4（t-1）、C5的狀態值x5（t-1）、C3的狀態值x3（t-1）和C7狀態值x7（t-1），根據得到的發射功率、退避策略和路由路徑。

調整概念頂點狀態值調整節點網絡參數，以滿足實時性和可靠性性能指標。

4　仿真實驗以及分析

4.1基于模糊認知圖算法的仿真實驗分析

基于上述FCM建立的無線傳感器網絡模型，在Matlab環境下進行仿真實驗。此WSNs仿真采用1個協調器節點與20個網絡節點組成的星形網絡拓撲結構。數據產生率從2 kbit/s增長到22 kbit/s，節點初始傳輸功率設置為15 dB，初始通信速率為20 kbit/s，帶寬250 kbit/s，實時數據初始最大退避次數和初始退避時間分別為15次、20 symbols，非實時數據最大退避次數和退避時間設置為3次、128sym?bols。

數據傳輸延時和可靠性仿真測試結果如圖2所示。

圖2　實時性、可靠性仿真

圖2中（a）圖所示在數據產生率產生很大的情況下，模糊認知圖通過調整傳輸功率，減小高優先級數據緩沖隊列的退避時間，增加其退避次數，并采取以實時性為主的路由路徑調整策略，保證實時數據始終保持較低的傳輸延時，說明模糊認知圖所采取的調整策略有效地提高了數據傳輸的實時性。

圖2中（b）圖為在數據產生率逐漸增加的情況下，模糊認知圖通過調整發射功率，傳輸速率，采用以可靠性為主的路由路徑調制策略，使得實時性數據傳輸可靠性始終保持一個較高的水平。當數據產生率持續增加到近12kbit/s以上時，由于數據產生率較大，節點優先發送高優先級隊列中的數據，當高優先級數據隊列無數據時，節點再傳輸低優先級隊列數據。因為模糊認知圖采取了調整相關參數，改變路由機制的緣故，使得非實時數據依然將可靠性保持在99%以上。

4.2本文算法與其他兩種算法性能比較

在相同的仿真環境下對模糊認知圖方法、改進型遞歸神經網絡方法［25］、卡爾曼濾波的動態路由算法［26］在數據傳輸的可靠性和實時性的均值進行對比。

改進型遞歸神經網絡算法，其中每一個網絡節點都對應一個輸入端，網絡中輸入端和隱含層節點數較多、訓練算法較復雜致使運算時間長，網絡延時較高，也正因為其良好的學習算法使得數據傳輸的可靠性較好，網絡吞吐量較高。

卡爾曼濾波動態路由算法將卡爾曼濾波與多元線性回歸有機結合，實現對動態無線數據流準確估計，同時降低了數據流估計的計算復雜度和估計誤差，提高了估計效率，根據估計模型對網絡進行動態調整降低數據傳輸延時，并且改善了數據傳輸的可靠性。通過對上述三種方法的綜合比較，為了確保網絡數據實時、可靠地傳輸，模糊認知圖方法更為合適。

表1　算法仿真結果對比

5　結論

本文針對無線傳感器網絡在有限的資源條件下如何滿足智能配電網數據通信規范的可靠性和實時性要求，探索了一種基于模糊認知圖理論建立的智能配電網數據WSNs傳輸的模糊認知圖的方法。

首先，定性分析了影響智能配電網WSNs數據傳輸性能的主要因素，構建了模糊認知圖模型，并通過數學方法表達了各概念頂點之間的關系。

然后，給出了按照各網絡概念頂點屬性動態調整傳輸功率、傳輸速率、退避策略，改變路由策略而提高智能配電網無線傳感器網絡數據通信的可靠性與實時性的計算方法。

最后，對上述方法進行仿真測試，結果表明，本文所探索的方法有效提高數據傳輸的實時性、可靠性，避免數據傳輸故障引起的數據丟失。從智能配電網WSNs數據通信需求來看，在數據傳輸的性能上的理論研究還有待更深入的探索與發現。

參考文獻：

［1］張強，孫雨耕，楊挺，等.無線傳感器網絡在智能電網中的應用［J］.中國電力，2010，43（6）：31-36.Zhang Q，Sun Y G，Yang T，et al.Applications of Wireless Sensor Networks in Smart Grid［J］.Electric Power，2010，43（6）：31-36.

［2］孫偉，王建平，穆道明，等.基于服務質量的無線傳感器網絡MAC協議模型研究［J］.電子測量與儀器學報，2013，27（4）：372-380.Sun W，Wang J P，Mu D M，et al.Research of Wireless Sensor Networks MAC Protocol Model Based on QoS［J］.Journal of Elec?tronic Measurement and Instrument.2013，27（4）：372-380.

［3］王建平，王夢彪，王金玲，等.智能配電網通信實時性與可靠性QoS路由機制研究［J］.電子測量與儀器學報，2013，27（3）：187-193.Wang J P，Wang M B，Wang J L，et al.Research on Real-time and Reliability of Intelligent Distribution Networks QoS Routing Mech?anism［J］.Journal of Electronic Measurement and Instrument，2013，27（3）：187-193.

［4］焉曉貞，羅清華.基于卡爾曼濾波的動態傳感數據流估計方法［J］.儀器儀表學報，2013，34（8）：1847-1856.Yan X Zh，Luo Q H.Dynamic Sensor Data Stream Estimation Method Based on Kalman Filtering［J］.Chinese Journal of Scien?tific Instrument，2013，34（8）：1847-1856.

［5］王建平，薛雪，孫偉.智能配電網無線傳感器網絡數據通信的QoS-MAC層模型［J］.電力系統自動化，2014，38（9）：160-167.Wang J P，Xue X，Sun W.QoS-MAC Model of Wireless Sensor Net?works for Smart Distrubution Power Grid Data Communication［J］.Automation of Electric Power Systems，2014，38（9）：160-167.

［6］張軒，劉昊，李智群.一種超低功耗無線傳感器網絡MAC協議［J］.傳感技術學報，2014，27（11）：1527-1533.Zhang X，Liu Y，Liu H，et al.An Ultra-Low Power MAC Protocol for Wireless Sensor Networks［J］.Chinese Journal of Sensors and Actuators，2014，27（11）：1527-1533.

［7］于淼，白光偉，沈航，等.多力驅動的無線傳感器網絡QoS路由協議［J］.傳感技術學報，2013，26（11）：1564-1572.Yu M，Bai G W，Shen H，et al.Multi-Force QoS Routing for Wire?less Sensor Networks［J］.Chinese Journal of Sensors and Actua?tors，2013，26（11）：1564-1572.

［8］Ye W，Heidemann J，Estrin D.An Energy Efficient MAC Proto?cols for Wireless Sensor Networks［C］//Proceedings of the 21stAn?nual Joint Conference of the IEEE Computer and Communications Societies.2002，New York，NY，USA：1567-1576.

［9］Ye W，Heidemann J，Estrin D.Medium Access Control with Coor?dinated Adaptive Sleeping for Wireless Sensor Networks［J］.IEEE/ACM Trans on Networking，2004，12（3）：493-506.

［10］Ei- Hoiydi A，Decotignie J D.WiseMAC：An Ultra Low Power MAC Protocol for the Downlink of Infrastructure Wireless Sensor Networks［C］//Proceeding of the 9thIEEE International Sympo?sium on Computers and Communications.2004，New York，NY，USA：244-251.

［11］劉云璐，蒲菊華，方維維，等.一種無線傳感器網絡MAC協議優化算法［J］.計算機學報，2012，35（3）：529-539.Liu Y L，Pu J H，Fang W W，et al.A MAC Layer Optimization Al?gorithm in Wireless Sensor Networks［J］.Chinese Journal of Com?puters，2012，35（3）：529-539

［12］孫偉，王建平，李奇越，等.無線傳感器網絡MAC層傳輸性能模型研究［J］.電子測量與儀器學報，2012，26（2）：144-149.Sun W，Wang J P，Li Q Y，et al.Research on MAC Layer Commu?nication Performance Model of Wireless Sensor Networks［J］.Journal of Electronic Measurement and Instrument，2012，26（2）：144-149.

［13］鄭國強，李建東，周志立.無線傳感器網絡MAC協議研究進展［J］.自動化學報，2008，34（3）：305-316.Zheng G Q，Li J D，Zhou Z L.Overview of MAC Protocols in Wire?less Sensor Networks［J］.Acta Automatica Sinica，2008，34（3）：305-316.

［14］Cobo L，Quintero A，Pierre S.Ant- Based Routing for Wireless Multimedia Sensor Networks Using Multiple QoS Metrics［J］.Computer Netwroks，2010，54（17）：2991-3010.

［15］孫偉，王建平，錢自拓，等.智能配電網通信無線傳感器網絡QoS建模［J］.電力系統自動化，2011，35（20）：59-64.Sun W，Wang J P，Qian Z T，et al.QoS Modeling of Wireless Sen?sor Networks for Smart Distribution Power Grid Communication ［J］.Automation of Electric Power System，2011，35（20）：59-63.

［16］GB 50613—2010城市配電網規劃設計規范［S］.2010.GB 50613-2010 Code for Planning and Design of Urban Distribu?tion Network［S］.2010.

［17］GB/T 13730—2002地區電網調度自動化系統［S］.2002.GB/T 13730- 2002 Dispatching Automation Systems for Distric Power Networks［S］.2002.

［18］駱祥峰，高雋，張旭東.基于信任知識庫的概率模糊認知圖［J］.計算機研究與發展，2003，40（7）：925-933.Luo X F，Gao J，Zhang X D.Probabilistic Fuzzy Cognitive Map Based on Belief Knowledge Database［J］.Journal of Computer Re?search and Development，2003，40（7）：925-933.

［19］馬楠，楊炳儒，鮑泓，等.模糊認知圖研究進展［J］.計算機科學，2011，38（10）：23-28，50.Ma N，Yang B R，Bao H，et al.Research on Progress of Fuzzy Cog?nitive Map［J］.Computer Science，2011，38（10）：23-28，50.

［20］文浩，林闖，任豐原，等.無線傳感器網絡的QoS體系結構［J］.計算機學報，2009，32（3）：432-440.Wen H，Lin Ch，Ren F Y，et al.QoS Architecture in Wireless Sen?sor Network［J］.Chinese Journal of Computers，2009，32（3）：432-440.

［21］羅俊.無線傳感器網絡性能建模與優化設計［D］.上海：上海交通大學電子信息與電氣工程學院，2009.Luo J.Research on Performance Modeling and Optimization De?sign in Wireless Sensor Networks［D］.Shanghai：Communication and Information Systems Department of Electronic Engineering，Shanghai Jiao Tong University，2009.

［22］孫偉.基于QoS的智能配電通信無線傳感器網絡應用研究［D］.合肥：合肥工業大學電氣與自動化工程學院，2012.Sun W.Research on Wireless Sensor Networks with QoS for Smart Distribution Grid Communication Application［D］.Hefei：School of Electrial Engineering and Automation，Hefei University of Technology，2012.

［23］Tsadiras A K.Comparing the Inference Capabilities of Binary，Tri?valent and Sigmoid Fuzzy Cognitive Maps［J］.Journal of Informa?tion Science，2008，178（20）：3880-3894.

［24］張燕麗，劉曉東.模糊認知圖權值學習法［J］.小型微型計算機系統，2013，34（5）：1147-1153.Zhang Y L，Liu X D.Weights Learning of Fuzzy Cognitive Maps ［J］.Journal of Chinese Computer Systems，2013，34（5）：1147-1153.

［25］Moustapha A I，Selmic R R.Wireless Sensor Network Modeling Using Modified Recurrent Neural Networks：Application to Fault Detection［J］.IEEE Transactions on Instrumentation and Mea?surement，2008，57（5）：981-988.

［26］焉曉貞，羅清華.基于卡爾曼濾波的動態傳感數據流估計方法［J］.儀器儀表學報，2013，34（8）：1847-1856.Yan X Zh，Luo Q H.Dynamic Sensor Data Stream Estimation Method Based on Kalman Filtering［J］.Chinese Journal of Scien?tific Instrument，2013，34（8）：1847-1856.

王君洪（1991-），男，安徽工程大學碩士研究生。目前主要研究方向為智能電網、無線傳感器網絡、智能信息處理等；

陳孟元（1984-），男，畢業于安徽工程大學，現任安徽工程大學講師。目前主要研究方向為嵌入式系統開發、圖像處理、傳感器信息融合及優化等，972420394@qq.com。

陳躍東（1956-），男，畢業于東華大學，現任安徽工程大學教授，碩士生導師。目前主要研究方向為主要研究方向為傳感器信號處理和微弱信號檢測等，ydchen@ahpu.edu.cn。

Research on Real-Time and Reliability of Intelligent Distribution Network WSNs Based on Fuzzy Cognitive Map

WANG Junhong，CHEN Yuedong*，CHEN Mengyuan
（Anhui Polytechnic University，Anhui Key Laboratory of Electric Drive and Control，Wuhu Anhui 241000，China）

Abstract：In order to avoid the intelligent distribution network accident and improve the reliability and real time of its WSNs data communication，a method to model and control the network WSNs date transmission is established with efforts on the basis of the fuzzy cognitive map.At first，a qualitative analysis of the main factors affecting intelli?gent power distribution network WSNs data transmission performance index is made，the model of fuzzy cognitive map is built.Then，according to the change of the network environment，we can express causal relation between the various elements of the concept-set vertex of WSNs network nodes.Secondly，a calculation method is proposed to ob?tain dynamic variable values which decides the routing path and adjusts the network parameters according to the in?ference of the fuzzy cognitive map theory.Finally，we conduct a simulation experiment on the proposed method and analyze the performance of data transmission by testing.The experimental results show that the proposed method can provide sound QoS for intelligent distribution network WSNs data communication.

Key words：smart grids；fuzzy cognitive map；wireless sensor networks；reliability；real time

doi：EEACC：723010.3969/j.issn.1004-1699.2016.02.011

收稿日期：2015-08-21修改日期：2015-12-14

中圖分類號：TP393

文獻標識碼：A

文章編號：1004-1699（2016）02-0213-07