基于云場景的輸電線路全息數據平臺構建方法研究

謝景海， 賈祎軻， 蘇東禹， 孫密， 盧詩華， 郭嘉

(1. 國網冀北電力有限公司 經濟技術研究院， 北京 100038；2. 北京京研電力工程設計有限公司， 北京 100038)

0 引言

隨著輸電線路智慧化管理水平的不斷提升，采用信息管理系統進行輸電線路數據分析管理，通過全息數據分析和大數據融合方法，實現對輸電線路工程的各項業務智能化監測，以此為基礎在云服務器構建電線路數據平臺，并在相關場景的基本功能模塊中實現數據信息化管理和平臺支撐設計，以此提高輸電線路的信息化管理能力。因此，相關的輸電線路全息數據平臺構建方法研究在輸電線路的智慧管理設計和信息在線監測中具有重要意義[1]。

對輸電線路全息數據平臺構建方法的研究已經取得了一定進展，例如基于Hadoop框架的輸電線路全息數據平臺構建方法[2]以及基于OpenStack的輸電線路全息數據平臺構建方法[3]，但是這些平臺的智慧化程度并不高。因此，本文結合大數據信息處理技術，進行輸電線路的全息數據平臺模型構建，設計的輸電線路全息數據平臺基本架構由應用場景、實體功能模型、數字信息對象、服務系統4部分組成，采用基于信息驅動交互控制的平臺設計模型，結合遞進關系設計方法進行輸電線路全息數據平臺的物理實體模型設計和數字信息對象模塊化設計，并在云服務器內最終實現輸電線路數據平臺構建。因此，本文提出基于云場景的輸電線路全息數據平臺構建方法，最后進行仿真測試分析，驗證了本文方法的優越性能。

1 輸電線路全息數據特征采集和融合管理

1.1 輸電線路全息數據采集

為了實現基于云場景的輸電線路全息數據平臺構建，對全息數據平臺的應用場景進行模擬以及環境信息評估[4]，構建實體功能模塊，采用直流負荷控制方法，得到輸電線路全息云場景數據的離散時域參數分布為式(1)。

(1)

式中，i表示輸電線路全息云場景數據參數；ci表示交流頻率和直流電壓動態的聯合分布參數；rn表示全息數據特征分量。對擬構建的全息數據平臺的應用場景進行模擬參數調度[5]，得到輸電線路全息數據的空間狀態特征分量，如式(2)。

(2)

式中，α表示輸電線路全息數據傳播時頻；x(t)表示參數調度函數。通過對云場景的分析與挖掘，構建全息數據平臺。在此基礎上采用電力數據均衡控制方法，得到輸電線路的負荷特征響應，構建輸電線路全息云場景數據的有限分布集[6]，則輸電線路負荷動態分布的最大波動參數為式(3)。

(3)

式中，zxy表示輸電線路的動態耦合參數；θ表示負載角。由此構建輸電線路全息云場景數據異常波動檢測統計量和判決函數，分析輸電線路全息云場景數據的檢測統計特征量，得到數據異常波動滿足式(4)。

(4)

式中，k表示輸電線路全息云場景數據異常參數；Pn(h)表示輸電線路全息云場景數據模糊度參數；hk表示輸電線路全息云場景數據異常檢測函數。假設輸電線路全息云場景數據的驅動特征分量滿足隨機概率密度分布，得到輸電線路全息云場景數據的穩態參數分布量化集為式(5)。

(5)

式中，hω表示輸電線路全息云場景數據的概率密度分布函數；m0表示初始驅動特征分量，則輸電線路全息云場景數據的灰色分布集為X={x1,x2,…,xn}；n表示輸電線路全息云場景數據集X中的數量，則構建輸電線路全息云場景數據采集函數表示為式(6)。

(6)

式中，τ表示輸電線路全息云場景數據的聯合時滯分布參數；pi表示輸電線路全息云場景數據的波峰幅值。

1.2 輸電線路全息云場景數據融合

根據業務流轉和信息融合分析方法，建立數據融合調度模型，得到輸電線路全息數據融合迭代式為式(7)。

(7)

式中，c∈[0,10]表示數據融合系數；I(τ)表示輸電線路全息云場景數據采集結果；xid(t)表示輸電線路全息數據處理迭代次數函數。采用灰階樣本信息重構的方法，分析輸電線路全息云場景數據融合的輸出增益為式(8)。

(8)

式中，VDC表示輸電線路全息云場景數據稀疏篩選判據函數；xid(t+1)表示輸電線路全息數據融合結果。

結合大數據信息融合，實現對輸電線路全息云場景數據的信息重構。其中輸電線路全息云場景數據信息匹配度為式(9)。

(9)

式中，an表示輸電線路全息云場景數據的譜分量系數。用虛擬同步參數融合方法，得到輸電線路全息云場景數據的融合度關聯分布集為式(10)。

(10)

式中，ipri(t)表示輸電線路全息云場景數據的譜向量；iLmx(t)表示輸電線路全息云場景數據空間維度。采用有限數據解析方法，把輸電線路全息云場景數據X分為K類，結合高階信息融合得到輸電線路全息云場景數據的驅動能量參數分布為式(11)。

(11)

式中，αK表示輸電線路全息云場景數據的驅動檢測函數。則得到輸電線路全息云場景數據的區塊融合參數為式(12)。

(12)

式中，φ(t)表示輸電線路全息云場景數據區塊離散度；c1與c2分別表示不同的數據區塊。根據輸電線路全息云場景數據的融合結構，采用分組回歸分析，得到輸電線路全息云場景數據的融合模型為式(13)。

(13)

式中，f(n)表示輸電線路全息云場景數據樣本數據集；a(t)表示區塊融合參數；ai表示輸電線路全息云場景數據的分塊聚類參數集[7]。

2 輸電線路全息云場景數據聚類和平臺構建優化

2.1 輸電線路全息云場數據聚類

在云場景中將各類命令指向場景內的各類物理實體，采用遞進分析模型進行輸電線路全息云場景數據的驅動控制[8]，采用循環迭代實現對輸電線路全息云場景數據的頻率響應分析，進行輸電線路全息云場景數據傳輸的自適應調度，描述為式(14)。

(14)

(15)

式中，ri(x)表示輸電線路全息云場景數據的樣本特征匹配值。通過簇頭聚類和自適應加權學習，進行輸電線路全息云場景數據的簇頭選取[9]，得到輸電線路全息云場景數據的分簇聚類參數(k,i)，構建輸電線路全息云場景數據的分層聚類模型，得到聚類信息分布序列為式(16)。

(16)

式中，c表示輸電線路全息云場景數據采樣的多普勒時延。通過有功功率均衡控制和頻域調度的方法，進行輸電線路全息云場數據聚類處理，以提高數據平臺的綜合管理能力[10]。

2.2 全息數據平臺構建

在云場景中采用交互驅動控制方法，提取輸電線路全息云場景數據的自相關特征量[11]，得到輸電線路全息云場景數據的樣本回歸分布距離為式(17)

(17)

式中，ωj=(ω0j,ω1j,…,ωk-1,j)T表示輸電線路全息云場景數據分布的節點序列，通過輪換調度計算輸電線路全息云場景數據調度的自學習參數Densityi，得到自適應學習過程描述為式(18)。

(18)

通過數據分組檢測方法進行輸電線路全息云場景數據的信息交叉融合，得到最近簇頭中的全息數據調度模型為式(19)。

(19)

(20)

式中，t0和tg分別表示輸電線路全息云場景數據的初始采樣時間間隔和平均分布時間間隔。由此得到云場景中輸電線路全息數據優化的回歸分析模型為式(21)。

(21)

式中，ru(0

通過標簽識別方法，獲取輸電線路全息云場景數據的偏差函數為x(η)，得到輸電線路全息云場景數據平臺構建優化模型，描述為式(22)。

(22)

式中，p(ωi)表示輸電線路全息云場景數據的分簇規則向量集；ui表示輸電線路全息云場景數據調度時間延遲。

3 仿真測試分析

通過仿真測試實驗驗證本文方法在實現輸電線路全息云場景數據融合和聚類管理的性能，輸電線路全息云場景數據采集的帶寬為26.3 bps，數據采集環境干擾強度為-35 dB，在云場景下，得到輸電線路全息數據的測試集維數為120，樣本數為3 600，根據上述參數設定，得到輸電線路全息數據的輸出特征樣本如圖1所示。

圖1 輸電線路全息數據的輸出特征

將文獻[2]與文獻[3]方法作為實驗對比方法，3種方法的輸電線路融合度系數比較結果如圖2所示。

圖2 數據融合系數

分析圖2得知，與文獻方法相比，本文方法輸電線路全息云場景數據融合系數較高，數據融合性能較好，波動浮動小，融合效果更穩定。

測試輸電線路全息云場景數據聚類性能，設定直流電壓最大波動8 V，得到數據聚類準確率比較結果如圖3所示。

分析圖3得知，采用本文方法進行輸電線路全息云場景數據聚類的輸出聚類性能較好，穩定在90%以上，而文獻[2]方法和文獻[3]方法的聚類準確率均低于本文方法。測試3種方法的數據查全率與查準率，得到對比結果如表1、表2所示。

圖3 數據聚類準確率對比

表1 查全率對比

表2 查準率對比

分析表1可知，文獻[2]方法的查全率在83.4%—93.2%之間變化，文獻[3]方法的查全率在88.4%—90.9%之間變化，而本文方法的查全率均在96.5%以上，說明與文獻方法相比，方法的查全率更高。

分析表2可知，文獻[2]方法的查準率在82.3%—88.3%之間變化，文獻[3]方法的查準率在72.6%—85.6%之間變化，而本文方法的查準率均在97.6%以上，說明與文獻方法相比，采用本文方法進行輸電線路全息云場景數據管理平臺設計后，數據的查準率較高。

4 總結

為提高輸電線路的信息化管理能力，本文提出基于云場景的輸電線路全息數據平臺構建方法。對擬構建的全息數據平臺應用場景進行模擬參數調度，通過業務流轉和信息融合聚類分析方法，建立數據融合調度模型，結合分組學習和分段平局采樣的方法，實現對輸電線路全息云場景數據的融合處理。在云場景中將各類命令指向場景內的各類物理實體，采用交互驅動控制方法提取輸電線路全息云場景數據的自相關特征量，實現對輸電線路全息云場景數據平臺構建。研究得知，本文方法進行輸電線路全息數據平臺構建，數據融合和聚類性能較好，提高了數據查全率與查準率。