基于物聯網RFID 標簽的電力設備終端控制器故障信息采集研究

袁績海，王 凱

（河南水利與環境職業學院 機電工程系，河南 鄭州 450008）

0 引 言

電力設備的安全性是智能化方法在電力系統應用中面臨的最大困難，電力設備非常容易遭受外部網絡的重大攻擊，造成電力系統嚴重的經濟損失[1-2]。電力設備中無論是發電、輸電環節還是配電和用電環節，均需要數字化手段與信息化方法結合在一起，以保證電力設備終端的穩定性[3]。由于電力設備的復雜性，導致電力設備終端控制器身份無法確定，因此通過采集電力設備終端控制器身份，保證電力設備運行的安全性與穩定性是非常必要的。

在國內的研究中，托婭等人通過R-FCN 網絡實現設備類型的快速自動識別，采用Mask RCNN 網絡實現電力設備區域結構的識別結果自動分割，從而實現對設備故障狀態的自動診斷[4]。張義超等人為解決智能手機的安全問題，提出一種身份認證方法，將編碼器的訓練權重作為卷積核，利用貪婪算法對深度信念網絡模型進行訓練，通過整合身份信息特征，計算網絡權重，結合Softmax 分類器認證智能手機身份。結果顯示，該方法的身份認證準確率更高，但是成功率偏低[5]。

因此，本文提出一種基于物聯網RFID 標簽的電力設備終端控制器故障信息采集方法。

1 電力設備終端控制器故障信息采集

1.1 控制器身份識別

利用物聯網RFID 標簽節點挖掘電力設備終端控制器的身份信息，并對其進行識別，結合信任度理念采集控制器身份信息，提升電力設備的安全性[6]。控制器身份識別步驟如下：

Step1：根據物聯網RFID 標簽聚類法，劃分待配準的電力設備終端控制器拓撲G1和G2，并獲取其最小更新度數，定義為Dmin；

Step2：在G1和G2中篩選出大于D的非RFID 標簽節點，將其納入到候選集合CN1和CN2中；

Step3：在CN2中，利用公式（1）選取與CN1相似的標簽節點v1i，兩個節點共同的鄰居是控制器身份與RFID 標簽聚類集合中相同的RFID 標簽節點，構建的候選跨網絡的連邊集合CCE1，如公式（2）所示。

式中：CNvil表示身份節點vil在終端控制器中的標簽節點；CNvjk表示身份節點vjk在終端控制器中的標簽節點；C Nvil∩CNvjk表示終端控制器中存在的相同標簽節點；CNv1i表示身份節點v1i在終端控制器中的標簽節點；Nv2j表示身份節點v2j在終端中的標簽節點；Nv1i表示身份節點v1i的鄰居節點；Nv2j表示身份節點v2j的鄰居節點。

Step4：刪除CCE1和CCE2中的特有邊，保存共有邊，添加到跨網絡連邊C1,2中，將連邊的身份節點添加到RFID標簽節點集合CV1和CV2中；

Step5：重復迭代Step2 ～Step4 的操作，當迭代次數達到7 次且不再出現新的標簽節點時，完成電力設備終端控制器身份識別[7]，輸出RFID 標簽節點集合CV1和CV2以及跨網絡連邊C1,2。

1.2 故障信息提取

根據識別出的電力設備終端控制器身份信息集合CV1和CV2以及跨網絡連邊C1,2，提取其身份故障信息，采用隨機森林算法構建電力設備終端控制器身份決策樹，計算出決策樹的身份故障信息樣本訓練誤差[8]。第j棵決策樹的電力設備終端控制器身份故障信息特征的重要性Tj為：

式中：O表示決策樹的數量；Fj表示第j棵決策樹的身份故障信息樣本訓練誤差；Lj表示身份故障信息樣本訓練誤差。

對電力設備終端控制器身份故障信息特征的重要性Tj評分，即：

式中：F表示身份故障信息特征的預測評分值；E表示Tj的評分值；Q表示完成身份故障信息特征重要性評分的平均值。

引入過濾機制，分類提取控制器身份故障信息特征，根據其樣本權重，為每一個身份信息樣本賦予一個類別標簽，利用檢索算法[9]對其排序，檢索公式表示為：

式中：h1,h2, ...,hn表示電力設備終端控制器編號；W表示身份故障信息樣本的評分值；F(h)表示電力設備終端控制器中包含的身份信息評分值；D(h)表示其他電力設備的身份故障信息數量；d表示衰減因子。

利用以上步驟，提取出電力設備終端控制器身份故障信息。

1.3 故障信息采集

將提取到的身份故障信息特征設定為α，不同時段的身份描述為身份向量β，采用有限方案多目標決策理論[10]，構建電力設備終端控制器身份矩陣，根據需要選取n個身份向量構成身份矩陣N，表示為：

式中：xi表示構成身份矩陣的元素；i表示某一個身份信息，i=1, 2, ...,n。

在規整化處理身份屬性過程中，需要考慮到不同身份行為屬性是否相同，判斷身份的狀態向量屬性值，得到判斷矩陣：

ann的變化會導致身份信息特征值發生變化，身份信息狀態向量屬性判斷公式為：

式中λmax表示身份信息狀態向量屬性判斷矩陣A的最大特征值。

根據歐幾里得距離計算方法，計算出身份信息狀態向量X與行為向量H的距離，公式為：

由于身份信息的狀態向量對應的權重也是不同的，需要利用身份狀態向量ωi的評價函數綜合考慮，采集到電力設備終端控制器身份故障信息，即：

綜上所述，實現了電力設備終端控制器身份故障信息采集。

2 實驗分析

2.1 實驗準備階段

本次實驗的運行平臺為仿真軟件Matlab，將國網浙江省電力有限公司的DTU 智能配電終端在仿真軟件上仿真運行。將基于物聯網RFID 標簽的電力設備終端控制器故障信息采集方法以及文獻對比方法輸入到仿真平臺中，并實現不同方法的運行，并記錄相關數據。

2.2 結果分析

為進一步驗證所設計方法的應用性能，對比不同方法的身份故障信息采集成功率C和身份故障信息采集準確率M。C和M指標的計算公式如下：

式中：χ代表采集成功身份故障信息數量；?total代表采集成功身份信息總量；? 表示身份信息采集錯誤量。

三種采集方法的身份故障信息采集成功率對比結果如圖1 所示。

圖1 身份采集成功率對比結果

從圖1 的結果可以看出，基于機器學習的采集方法和基于優化卷積深度信念網絡的采集方法在采集成功率上都呈現出下降趨勢，其中基于優化卷積深度信念網絡的采集方法得到的采集成功率偏低，最低值為60%；而文中方法隨著身份信息數量的增加，身份采集成功率卻逐漸上升，當身份信息數量為5 000 條時，身份采集成功率達到了99.5%。因此，說明文中方法在身份采集成功率方面具有更好的性能。

三種采集方法的身份采集準確率對比結果如圖2 所示。

圖2 身份采集準確率對比結果

從圖2的結果可以看出，當身份信息數量超過3 000條時，基于優化卷積深度信念網絡的采集方法得到的身份采集準確率穩定在51.5%，基于機器學習的采集方法在采集2 000 條以內身份信息時，準確率穩定在80%左右，隨后開始逐漸下降，而文中方法在采集3 000 條以內身份信息時，準確率處于穩定狀態，在96%上下，隨后雖然也在下降，但是仍然可以將準確率控制在95%以上。因此，說明文中方法在采集準確率方面同樣具有更好的性能。

3 結 語

本文提出了一種基于物聯網RFID 標簽的電力設備終端控制器身份故障信息采集方法。利用標簽節點得到了電力設備終端控制器身份的相似程度，結合歐幾里得距離計算方法，計算身份信息狀態向量與行為向量的距離，完成電力設備終端控制器身份故障信息的采集。實驗測試結果表明，所提方法采集的電力設備終端控制器身份故障信息更準確，在實驗測試過程中準確率指標數值均高于95%。由此可知，該采集方法不僅可以降低身份信息的采集難度，還可以提高采集性能。