基于ECIM 模型的電力物聯設備自描述屬性關聯融合系統設計

李穎杰，黃 兵

（1.深圳供電局有限公司，廣東深圳 518000；2.南方電網深圳數字電網研究院有限公司，廣東深圳 518000）

物聯網信息技術逐漸發展，采用物聯網的自適應組網控制技術實現對電力物聯設備自描述屬性關聯融合，研究電力物聯設備自描述屬性關聯融合方法，在提高電力物聯設備的自組織管理能力方面具有重要意義[1]，相關的電力物聯設備自描述屬性關聯融合系統設計方法研究受到人們的極大重視[2-3]。

當前，對電力物聯設備自描述屬性關聯融合方法主要有基于自然近鄰的自適應關聯融合聚類算法[4]、面向電力物聯網信息感知的低壓電力線與微功率無線通信融合方法[5]以及用于泛在電力物聯網的配電變壓器智能感知終端技術[6]，構建電力物聯設備自描述屬性關聯融合的相似度融合模型，通過模糊信息檢測和嵌入式控制設計，實現對電力物聯設備自描述屬性關聯融合，但傳統方法進行電力物聯設備自描述屬性關聯融合的適應度水平不高，優化控制能力不好。針對上述問題，提出基于ECIM 模型的電力物聯設備自描述屬性關聯融合系統設計方法。

1 數據挖掘和特征分析

1.1 電力物聯設備自描述屬性關聯數據挖掘

為了實現基于ECIM 模型的電力物聯設備自描述屬性關聯融合處理，構建電力物聯設備自描述屬性相關性分塊組合模型，通過指針控制方法，進行電力物聯設備自描述屬性分布式融合[7]，得到電力物聯設備自描述屬性融合總體結構如圖1 所示。

圖1 電力物聯設備自描述屬性融合總體結構

根據圖1 所示的電力物聯設備自描述屬性融合總體結構模型，采用特征項的類間識別和信息屬性分布式檢測方法，構建電力物聯設備自描述屬性融合的熵分布模型[8]，得到電力物聯設備的零點偏移角度檢測輸出為：

式中，ew表示電力物聯設備自描述屬性融合特征參數，q(a)表示信息屬性檢測函數，s(tn)表示指針控制函數，在不同層面多種因素約束下，通過電壓、相位偏移聯合特征分析方法，電力物聯設備自描述屬性融合的約束參數分布模型表示為：

式中，sm表示電力物聯設備自描述屬性分布式優化調度參數，Δa表示電力物聯設備自描述屬性融合特征參數分析，電力物聯設備自描述屬性描述的數據對象模型為：

式中，b(x)表示勵磁涌流控制方法參數，jp和de分別表示電力物聯設備自描述屬性關聯數據挖掘和特征辨識模型[9]，得到電力物聯設備自描述的聯合概率密度函數為：

式中，λS表示電力物聯設備自描述聯合特征解析參數，P2D表示直流系統運行狀態信息，通過電力物聯設備自描述屬性關聯數據挖掘結果實現信息融合[10]。

1.2 電力物聯設備的關聯特征提取

采用ECIM 模型進行電力物聯設備自描述屬性關聯融合調度，通過非連續換相指標分析方法，得到電力物聯設備自描述的融合特征量為：

式中，Dis(A)表示電力物聯設備自描述屬性分布的擴展特征量，Dis(B)表示屬性數據集。

在對電力物聯設備自描述屬性的相似度分析基礎上，提取電力物聯設備自描述屬性數字類別特征集，用X表示電力物聯設備自描述的聯合特征分量，對于具有m個屬性的電力物聯設備自描述分類集，得到電力物聯設備自描述特征分布的第i個屬性值的可靠性檢測函數為：

式中，AHB和θHB分別表示電力物聯設備自描述系統分布函數H(z) 和HB(z) 的離散化調度特征分量。

由此構建電力物聯設備自描述屬性關聯特征分析模型，挖掘電力物聯設備自描述屬性大數據，通過特征空間重組和信息融合方法實現對電力物聯設備自描述參數特征匹配[11]。

2 電力物聯設備自描述融合設計

2.1 ECIM模型參數辨識控制

采用功率零序分量和功率聯合關聯特征分析方法進行電力物聯設備自描述屬性的模糊融合處理[12]，求得電力物聯設備自描述屬性特征分塊檢測模型：

式中，p(ωi)表示電力物聯設備自描述屬性分布離散區間內的規則向量集，E(x)表示電力物聯設備自描述屬性特征分布的連續區間參數融合匹配集，對電力物聯設備自描述屬性的聯合關聯分布函數，得到電力物聯設備自描述屬性的判據適用范圍滿足：

式中，|X(t) |表示X(t)取模，采用圖2所示的ECIM模型實現對電力物聯設備自描述屬性關聯融合和特征檢測。

圖2 ECIM模型

根據圖2 所示的分組檢測模型，得到電力物聯設備自描述屬性關聯融合的自適應學習權重為：

式中，e(s)表示電力物聯設備自描述屬性關聯融合分類特征參數，c(t)表示電力物聯設備自描述屬性分布的塊匹配系數，通過加權控制，得到電力物聯設備自描述屬性分布的聯合函數：

式中，表示穩態增益控制方法參數，構建電力物聯設備自描述屬性特征偏移控制模型，得到電壓跌落幅度，通過非連續換相指標分析方法，實現對電力物聯設備自描述特征融合和模糊度信息識別[13]。

2.2 電力物聯設備自描述屬性融合

采用模糊屬性聚類和樣本分段檢測方法，實現對電力物聯設備自描述屬性特征融合，結合神經網絡控制方法，得到電力物聯設備自描述的相異性度量u、ut，結合模糊加權方法，得到電力物聯設備自描述融合的統計特征量滿足：

式中，k(v)表示樣本分段檢測控制參數，構建電力物聯設備自描述屬性的模糊融合檢測模型，得到電力物聯設備自描述屬性參數融合的匹配度函數為：

式中，c表示臨界換相電壓值分析參數，pa表示電力物聯設備自描述屬性關聯融合的聯合熵滿足參數。

采用二階廣義積分器來處理量測，得到輸出穩態特征量為：

電力物聯設備自描述屬性關聯副本相關量為：

式中，σ表示電力物聯設備自描述屬性關聯信息樣本類別數，mk表示第k類線性分布屬性參數，此時電力物聯設備[16]自描述屬性關聯特征分布的聯合熵為Xk=[xk1,xk2,…,xkm,…,xkM]，綜上算法設計，實現對電力物聯設備自描述屬性關聯融合。

3 仿真測試和結果分析

電力物聯設備自描述屬性參數分布的類別數為24 個，設定電力物聯設備的分布節點數為120 個，電壓電流線性相關分布的伏安曲線如圖3 所示。

根據圖3 對電力物聯設備自描述屬性關聯參數中的伏安曲線解析結果，監測點1 的電壓總體上隨著電流的增加而降低，監測點2 的電壓總體上隨著電流的增加而增加，中間均出現上下波動狀態。采用離散化換相控制，得到優化的電力物聯設備自描述屬性融合權系數如表1 所示。

圖3 電壓電流線性相關性伏安曲線

表1 電力物聯設備自描述屬性融合權系數

根據表1 對電力物聯設備的自描述屬性融合權系數解析結果，實現對電力物聯設備自描述屬性融合，得到電力物聯設備自描述屬性融合尺度輸出對比如圖4 所示。

圖4 融合尺度結果

分析圖4 得知，該文方法進行電力物聯設備自描述屬性融合的輸出增益較大，測試不同方法進行電力物聯設備自描述屬性融合的收斂誤差，得到對比結果如表2 所示。

表2 電力物聯設備自描述屬性融合收斂誤差

分析表2 得知，對比文獻[4]方法、文獻[5]方法以及文獻[6]方法，該文方法進行電力物聯設備自描述屬性融合的收斂誤差較小。其原因是該文方法通過特征空間重組和信息融合方法實現對電力物聯設備自描述屬性分類檢測，在一定程度上有利于電力物聯設備自描述屬性融合收斂。

4 結束語

為構建優化的電力物聯設備信息化管理模型，采用大數據信息組合控制和信息融合的方法，實現對電力物聯設備自描述屬性調度和優化管理，該文提出基于ECIM 模型的電力物聯設備自描述屬性關聯融合系統設計方法。采用特征項的類間識別和信息屬性分布式檢測方法，構建電力物聯設備自描述屬性融合的熵分布模型，采用ECIM 模型進行電力物聯設備自描述屬性關聯融合調度，挖掘電力物聯設備自描述屬性大數據，通過特征空間重組和信息融合方法實現對電力物聯設備自描述參數特征匹配。由研究可知，該文方法進行電力物聯設備自描述屬性融合的誤差較低，收斂性較好。