王君洪，陈跃东，陈孟元

（安徽工程大学，安徽省电气传动与控制重点实验室，安徽芜湖241000）



基于模糊认知图的智能配电网WSNs实时性与可靠性优化研究

王君洪，陈跃东*，陈孟元

（安徽工程大学，安徽省电气传动与控制重点实验室，安徽芜湖241000）

摘要：为了降低智能配电网事故，提高智能配电网无线传感器网络（WSNs）数据通信的可靠性与实时性，探索了一种基于模糊认知图的智能配电网WSNs数据通信建模与控制的方法。首先，定性分析影响智能配电网WSNs数据传输的性能指标的主要因素，构建模糊认知图模型，根据网络环境的变化利用数学方法表达网络节点各概念顶点之间的因果关系；然后，再利用模糊认知图的方法进行推理，获得动态决策路由路径和调整网络参数的控制变量值；最后，对本文方法进行仿真实验，对数据传输性能进行了测试分析。实验结果表明所提出的方法可为智能配电网WSNs数据传输提供良好的QoS（服务质量）。

关键词：智能电网；模糊认知图；无线传感器网络；可靠性；实时性

无线传感器网络WSNs（Wireless Sensor Net⁃works）是由部署在检测区域内大量的集成了数据采集、处理和无线传输能力的节点通过自组织和多跳的方式构成的无线网络。随着科技的进步与发展，无线传感器网络（WSNs）技术应用于智能配电网中具有很广阔的前景。满足智能电网的特性要求，将是无线传感器网络在智能电网中应用的发展趋势［1］。

近年来国内外的研究状况为：文献［2］提出了一种具有QoS保障功能的无线传感器网络U-MAC协议，构建了一种基于节点状态分析和信道状态分析的多优先级MAC协议数学模型，精确地描述了MAC协议传输性能。文献［3］建立了满足智能配电网对无线传感器网络的可靠性实时性要求的路由选择模型，并给出了求解方法，提高了智能配电网信息传输的可靠性。文献［4］提出了一种基于卡尔曼滤波器的动态路由算法，该算法根据移动Sink节点的历史信息，动态预测移动节点位置，采用基于地理信息的路由决策方法，实现对网络传输可靠性、时延和能量的优化。文献［5］中将配电网遥信、遥控、遥测三类通信数据分为3种不同优先等级传输数据，建立节点内三级数据缓冲队列状态的马尔可夫链模型，实现了为不同优先级的配电网通信数据提供不同的QoS功能支持。文献［6］研究了一种超低功耗的MAC协议，使用多种时钟源实现功耗最优配置，唤醒机制和节点同步策略，在保证射频性能的同时，降低节点功耗和时钟源误差。文献［7］提出一种MFQR路由协议，节点可以自适应选取延时和投递率的转发节点，均衡能耗，提高网络吞吐量。以上文献的研究重点主要在智能配电网中WSNs的路由协议和MAC协议。

国内外学者对WSNs中MAC层协议开展了大量的研究：文献［8］提出了可以同时休眠和唤醒虚拟节点簇的S-MAC协议，但是该协议只能控制单跳范围内的操作；文献［9］提出了协调自适应睡眠的MAC协议；文献［10］基于前人的研究提出了具有极的低功耗和较小前导冲突率的Wise-MAC协议；文献［11］提出了一种基于CSMA/CA的MAC协议优化算法，提高了节点公平性，减少了信道资源浪费，提高了网络传输效率，但是当最小竞争窗口上限较小的时候，冲突、丢包率和能源浪费将增加；文献［12］提出在MAC层无信标模式信道竞争机制的基础上将马尔科夫链引入到数据缓冲队列转换规律中，提高了网络吞吐率降低了通信延时和信道冲撞率；文献［13］将C-TDMA、SMACS/EAR、S- MAC、T- MAC、PMAC、LPL、LMAC、ZMAC、LEEM、GeRaF协议就能量有效性，可扩展性，信道利用率，延迟，吞吐量等进行了综合比较，然后提出了MAC协议进一步研究策略和发展趋势：利用多信道和动态信道分配技术进行节能，采用跨层优化设计；文献［14］提出了一种基于蚁群优化算法的AntSensNet路由算法，采用了仿生学路由技术，依据节点通信能力选择最优的数据传输路径；文献［15］提出将配电网数据分为实时数据和非实时数据两个优先级，并用马尔科夫链建立每个节点两个优先级缓冲队列状态模型，实现了MAC层对QoS的支持，在网络负担比较大的情况下非实时数据不能完成传送，而对实时数据几乎没影响。上述国文献中采用不同方法对WSNs网络数据传输实时性、可靠性和能量进行了不同程度的优化，但针对有QoS指标性能要求研究方面并未涉及。

本文针对电力工业配电网数据通信规范要求［16-17］，将配电自动化通信数据分为两种优先级数据（遥信，遥测），利用模糊认知图理论构建智能配电网无线传感器网络数据通信模型。根据网络变化计算获得控制变量的值，动态控制路由路径，调整网络参数，有效地提高网络通信的可靠性，降低通信延时，使之满足QoS指标要求。

1　智能配电网WSNs的模糊认知图模型

1.1性能分析

通过分析智能配电网的特点可得出，传输功率、通信速率、退避策略、路由协议、数据产生率还有数据冲撞率是影响智能配电网数据传输实时性、可靠性的主要因素。上述因素之间因果关系可分为：①当数据产生率增大时，数据冲撞率也相应地增大，数据可靠性和实时性将降低；②当发射功率增大时，节点传输数据的可靠性将得到改善，但环境背景噪音会增加，从而影响其他节点数据传输的可靠性；③当通信速率增大时，数据的实时性变的更好，但数据可靠性将降低。

1.2智能配电网WSNs模糊认知图模型的构建

根据文献［18-19］给出的利用模糊认知图建模方法和概念顶点间推理方法以及文献［20-21］对影响无线传感器网络QoS的因素的分析，利用模糊认知图对智能配电网WSNs进行建模。应用于智能配电网的无线传感器网络系统用模糊认知图FCM （Fuzzy Cognitive Map）可表示成（C，E，X，f）。该模糊认知图系统概念顶点的集合为{C}={C1可靠性，C2实时性，C3路由协议，C4传输功率，C5通信速率，C6数据产生率，C7退避策略}。E：（Ci，Cj）→ωij是一映射，权值ωij表示概念顶点Ci与Cj之间的因果影响程度，记为{ωij} iϵ［1，7］jϵ［1，7］。智能配电网数据传输WSNs的节点模糊认知图模型可构建如图1所示。X：Ci→xi是一映射，X（t）=［x1（t），x2（t），…，xn（t）］T为C在t时刻的状态。

本文所研究的无线传感器网络在IEEE802.15.4标准MAC层引入QoS支持的信道访问机制，给配电网无线传感器网络通信节点设置高、低优先级数据缓冲队列。高优先级数据缓冲队列存放具有实时性传输需求数据，低优先级数据缓冲队列存放无实时性传输需求数据。由于高优先级队列中的数据实时性要求相对于低优先级队列中的较高，所以其退避时间相对较少而退避次数相对较多，保证其队列中数据先发送。①将C4传输功率从10 dB～20 dB平均分成低、较低、中、较高、高这5个等级；②将C5通信速率从20 kbit/s～250 kbit/s分成5个等级，分别为低：20 kbit/s～40 kbit/s，较低：40 kbit/s～100 kbit/s，中：100 kbit/s～160 kbit/s，较高：160 kbit/s～200 kbit/s，高：200 kbit/s～250 kbit/s；③C7退避策略分为退避时间和最大退避次数两个方面，其中实时性数据退避时间，在10 symbols～20 symbols区间内平均分为5个等级，非实时性数据退避时间设置较长的128 symbols；实时性数据退避次数从5次～15次平均分为5个等级，非实时性数据退避次数设置为3次。

参照文献［22］并进行多次实验证实将C4、C5、C7进行上述处理后可以更好地调整节点网络参数，以满足实时性和可靠性性能指标。

图1　智能配电网数据传输WSNs的模糊认知图模型

图1中C=（C1，C2，C3，…，C7）为智能配电网数据传输WSNs模糊认知图包含的所有概念顶点集合，由图1也可得出系统概念顶点间的关系矩阵。

智能配电网的无线传感器网络的各个概念顶点可用FCM建立其在t时刻的状态值XCj(t)如式（1）所示描述。

式（1）中N表示概念顶点的总数，f（x）为FCM的转换函数，XC1(t)、XC2(t)分别表示在t时刻概念顶点C1可靠性和C2实时性的状态值。智能配电网数据传输WSNs网络中概念顶点的状态值是随时间不断变化的，其任一时刻的状态与其以前的状态是相关的。为了更准确的描述其概念顶点状态相关性和时变性，在传统的FCM状态模型公式中增加了ω0j和γ，ω0j为概念顶点Cj的协调系数，γ为上一时刻状态值对下一时刻时间状态值的影响因子，它们的作用是使t时刻概念顶点的状态值XCj(t)能与其以前状态的相关性均匀分布在［0，1］之间。

2　模糊认知图数据规范化和权值学习算法

2.1模糊认知图数据规范化处理

对数据进行规范化处理可防止具有较大值域的属性与具有较小的值域的属性相比权重过大，从而降低属性之间的可比性。Athanasions K Tsadiras在文献［23］中分析比较了二值、三值阶跃函数和S形曲线函数Ⅰ、Ⅱ的特点，在FCM实际应用当中，大多数情况下都采用S形曲线函数Ⅰ。本文采用S形曲线函数Ⅰ进行原始数据规范化处理，将各个属性数据按照比例缩放至区间［0，1］内。XCj(t)是需要计算出的概念顶点Cj在t时刻的状态值，n为对概念顶点Cj有影响的概念顶点个数。为了方便理解将XCj(t)记为yj（t）；XCj(t-1)记为yj（t-1）；XCi(t)记为xi（t）；改进的FCM状态模型为：

由式（2）可知，λ决定了曲线的斜率，概念顶点Cj在t时刻的值是由该顶点本身之前的状态以及与它具有因果关系的概念顶点共同决定的。

2.2模糊认知图权值学习算法

将最小平方法应用到自动学习FCM模型关联矩阵的算法中，称这种算法为基于最小平方法FCM关联矩阵的构建（Least Squares FCM），简记为LSFCM算法［24］。

对式（2）进行推导得出LS-FCM公式的过程如下：

运用最小平方技术找到满足自变量xi（t）和因变量yj（t）的最佳权值ωij和协调系数ω0j。

式（4）可表示为：

为了得到满足式（4）的最优ωij和协调系数ω0j，对式（4）进行ω0j，ω1j，…，ωnj求偏导。令导数等于零，如式（5）所示：

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

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

令

式（5）的右边为：

由式（6），式（8）联立式（5）可得：

简化得：

通过求解式（10）线性方程即可求出式（3）模型中的所有权值ωij，协调系数ω0j。

3　基于模糊认知图优化控制

经计算分析可知，影响智能配电网WSNs数据传输实时性和可靠性的主要因素可由式（3）表示为网络节点的各概念顶点之间的关系。依据模糊认知图方法，可按照网络环境的变化进行计算获得控制变量的值，动态控制路由路径，调整网络参数，使智能配电网WSNs数据传输实时性、可靠性满足QoS指标。

①当概念顶点C1状态值大于RELIABLITY（电力工业配电网数据通信规范QoS性能指标可靠性指标归一化的值）而概念顶点C2状态值小于REAL⁃TIME（电力工业配电网数据通信规范QoS性能指标归一化的值）。表明数据通信的实时性不满足电力系统配电网数据通信规范QoS性能指标要求，而可靠性满足QoS性能指标要求。因此触发FCM，降低高优先级数据缓冲队列的退避时间等级，增加其退避次数等级，并采取以实时性为主的路由路径调整策略。

调整网络参数步骤如下：将REALTIME代入式（3）求出满足实时性的C7状态值x7（t-1）和C3状态值x3（t-1），然后调整退避策略和路由路径，以满足实时性性能指标。

②当概念顶点C1状态值小于RELIABLITY而概念顶点C2状态值小于REALTIME。数据通信的实时性满足电力系统配电网数据通信规范QoS性能指标要求，而可靠性不满足QoS性能指标要求时，触发FCM，提高发射功率等级、降低通信速率等级，并采用以可靠性为主的路由路径调制策略。

调整网络参数步骤如下：将REALTIME代入式（3）求出满足实时性的控制变量C4的状态值x4（t-1）、C5的状态值x5（t-1）和C3的状态值x3（t-1），然后根据的传输功率、通信速率和路由路径调整概念顶点状态值调节节点的网络参数，以满足可靠性性能指标。

③当概念顶点C1状态值小于RELIABLITY而概念顶点C2状态值大于REALTIME。数据通信的实时性与可靠性都不满足电力系统配电网数据通信规范QoS性能指标要求，触发FCM，减少高优先级数据缓冲队列的退避时间等级，增加其退避次数等级，提高发射功率等级，并采用以可靠性为主的路由路径调整策略。

调整网络参数步骤如下：将RELIABLITY、REALTIME代入式（3）求出满足实时性、可靠性的控制变量C4的状态值x4（t-1）、C5的状态值x5（t-1）、C3的状态值x3（t-1）和C7状态值x7（t-1），根据得到的发射功率、退避策略和路由路径。

调整概念顶点状态值调整节点网络参数，以满足实时性和可靠性性能指标。

4　仿真实验以及分析

4.1基于模糊认知图算法的仿真实验分析

基于上述FCM建立的无线传感器网络模型，在Matlab环境下进行仿真实验。此WSNs仿真采用1个协调器节点与20个网络节点组成的星形网络拓扑结构。数据产生率从2 kbit/s增长到22 kbit/s，节点初始传输功率设置为15 dB，初始通信速率为20 kbit/s，带宽250 kbit/s，实时数据初始最大退避次数和初始退避时间分别为15次、20 symbols，非实时数据最大退避次数和退避时间设置为3次、128sym⁃bols。

数据传输延时和可靠性仿真测试结果如图2所示。

图2　实时性、可靠性仿真

图2中（a）图所示在数据产生率产生很大的情况下，模糊认知图通过调整传输功率，减小高优先级数据缓冲队列的退避时间，增加其退避次数，并采取以实时性为主的路由路径调整策略，保证实时数据始终保持较低的传输延时，说明模糊认知图所采取的调整策略有效地提高了数据传输的实时性。

图2中（b）图为在数据产生率逐渐增加的情况下，模糊认知图通过调整发射功率，传输速率，采用以可靠性为主的路由路径调制策略，使得实时性数据传输可靠性始终保持一个较高的水平。当数据产生率持续增加到近12kbit/s以上时，由于数据产生率较大，节点优先发送高优先级队列中的数据，当高优先级数据队列无数据时，节点再传输低优先级队列数据。因为模糊认知图采取了调整相关参数，改变路由机制的缘故，使得非实时数据依然将可靠性保持在99%以上。

4.2本文算法与其他两种算法性能比较

在相同的仿真环境下对模糊认知图方法、改进型递归神经网络方法［25］、卡尔曼滤波的动态路由算法［26］在数据传输的可靠性和实时性的均值进行对比。

改进型递归神经网络算法，其中每一个网络节点都对应一个输入端，网络中输入端和隐含层节点数较多、训练算法较复杂致使运算时间长，网络延时较高，也正因为其良好的学习算法使得数据传输的可靠性较好，网络吞吐量较高。

卡尔曼滤波动态路由算法将卡尔曼滤波与多元线性回归有机结合，实现对动态无线数据流准确估计，同时降低了数据流估计的计算复杂度和估计误差，提高了估计效率，根据估计模型对网络进行动态调整降低数据传输延时，并且改善了数据传输的可靠性。通过对上述三种方法的综合比较，为了确保网络数据实时、可靠地传输，模糊认知图方法更为合适。

表1　算法仿真结果对比

5　结论

本文针对无线传感器网络在有限的资源条件下如何满足智能配电网数据通信规范的可靠性和实时性要求，探索了一种基于模糊认知图理论建立的智能配电网数据WSNs传输的模糊认知图的方法。

首先，定性分析了影响智能配电网WSNs数据传输性能的主要因素，构建了模糊认知图模型，并通过数学方法表达了各概念顶点之间的关系。

然后，给出了按照各网络概念顶点属性动态调整传输功率、传输速率、退避策略，改变路由策略而提高智能配电网无线传感器网络数据通信的可靠性与实时性的计算方法。

最后，对上述方法进行仿真测试，结果表明，本文所探索的方法有效提高数据传输的实时性、可靠性，避免数据传输故障引起的数据丢失。从智能配电网WSNs数据通信需求来看，在数据传输的性能上的理论研究还有待更深入的探索与发现。

参考文献：

［1］张强，孙雨耕，杨挺，等.无线传感器网络在智能电网中的应用［J］.中国电力，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］孙伟，王建平，穆道明，等.基于服务质量的无线传感器网络MAC协议模型研究［J］.电子测量与仪器学报，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，王梦彪，王金玲，等.智能配电网通信实时性与可靠性QoS路由机制研究［J］.电子测量与仪器学报，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］焉晓贞，罗清华.基于卡尔曼滤波的动态传感数据流估计方法［J］.仪器仪表学报，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，孙伟.智能配电网无线传感器网络数据通信的QoS-MAC层模型［J］.电力系统自动化，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］张轩，刘昊，李智群.一种超低功耗无线传感器网络MAC协议［J］.传感技术学报，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，白光伟，沈航，等.多力驱动的无线传感器网络QoS路由协议［J］.传感技术学报，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］刘云璐，蒲菊华，方维维，等.一种无线传感器网络MAC协议优化算法［J］.计算机学报，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］孙伟，王建平，李奇越，等.无线传感器网络MAC层传输性能模型研究［J］.电子测量与仪器学报，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］郑国强，李建东，周志立.无线传感器网络MAC协议研究进展［J］.自动化学报，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］孙伟，王建平，钱自拓，等.智能配电网通信无线传感器网络QoS建模［J］.电力系统自动化，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城市配电网规划设计规范［S］.2010.GB 50613-2010 Code for Planning and Design of Urban Distribu⁃tion Network［S］.2010.

［17］GB/T 13730—2002地区电网调度自动化系统［S］.2002.GB/T 13730- 2002 Dispatching Automation Systems for Distric Power Networks［S］.2002.

［18］骆祥峰，高隽，张旭东.基于信任知识库的概率模糊认知图［J］.计算机研究与发展，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］马楠，杨炳儒，鲍泓，等.模糊认知图研究进展［J］.计算机科学，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，林闯，任丰原，等.无线传感器网络的QoS体系结构［J］.计算机学报，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］罗俊.无线传感器网络性能建模与优化设计［D］.上海：上海交通大学电子信息与电气工程学院，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］孙伟.基于QoS的智能配电通信无线传感器网络应用研究［D］.合肥：合肥工业大学电气与自动化工程学院，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］张燕丽，刘晓东.模糊认知图权值学习法［J］.小型微型计算机系统，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］焉晓贞，罗清华.基于卡尔曼滤波的动态传感数据流估计方法［J］.仪器仪表学报，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，安徽工程大学硕士研究生。目前主要研究方向为智能电网、无线传感器网络、智能信息处理等；

陈孟元（1984-），男，毕业于安徽工程大学，现任安徽工程大学讲师。目前主要研究方向为嵌入式系统开发、图像处理、传感器信息融合及优化等，972420394@qq.com。

陈跃东（1956-），男，毕业于东华大学，现任安徽工程大学教授，硕士生导师。目前主要研究方向为主要研究方向为传感器信号处理和微弱信号检测等，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

中图分类号：TP393

文献标识码：A

文章编号：1004-1699（2016）02-0213-07