谢景海， 贾祎轲， 苏东禹， 孙密， 卢诗华， 郭嘉

(1. 国网冀北电力有限公司 经济技术研究院， 北京 100038；2. 北京京研电力工程设计有限公司， 北京 100038)

0 引言

随着输电线路智慧化管理水平的不断提升，采用信息管理系统进行输电线路数据分析管理，通过全息数据分析和大数据融合方法，实现对输电线路工程的各项业务智能化监测，以此为基础在云服务器构建电线路数据平台，并在相关场景的基本功能模块中实现数据信息化管理和平台支撑设计，以此提高输电线路的信息化管理能力。因此，相关的输电线路全息数据平台构建方法研究在输电线路的智慧管理设计和信息在线监测中具有重要意义[1]。

对输电线路全息数据平台构建方法的研究已经取得了一定进展，例如基于Hadoop框架的输电线路全息数据平台构建方法[2]以及基于OpenStack的输电线路全息数据平台构建方法[3]，但是这些平台的智慧化程度并不高。因此，本文结合大数据信息处理技术，进行输电线路的全息数据平台模型构建，设计的输电线路全息数据平台基本架构由应用场景、实体功能模型、数字信息对象、服务系统4部分组成，采用基于信息驱动交互控制的平台设计模型，结合递进关系设计方法进行输电线路全息数据平台的物理实体模型设计和数字信息对象模块化设计，并在云服务器内最终实现输电线路数据平台构建。因此，本文提出基于云场景的输电线路全息数据平台构建方法，最后进行仿真测试分析，验证了本文方法的优越性能。

1 输电线路全息数据特征采集和融合管理

1.1 输电线路全息数据采集

为了实现基于云场景的输电线路全息数据平台构建，对全息数据平台的应用场景进行模拟以及环境信息评估[4]，构建实体功能模块，采用直流负荷控制方法，得到输电线路全息云场景数据的离散时域参数分布为式(1)。

(1)

式中，i表示输电线路全息云场景数据参数；ci表示交流频率和直流电压动态的联合分布参数；rn表示全息数据特征分量。对拟构建的全息数据平台的应用场景进行模拟参数调度[5]，得到输电线路全息数据的空间状态特征分量，如式(2)。

(2)

式中，α表示输电线路全息数据传播时频；x(t)表示参数调度函数。通过对云场景的分析与挖掘，构建全息数据平台。在此基础上采用电力数据均衡控制方法，得到输电线路的负荷特征响应，构建输电线路全息云场景数据的有限分布集[6]，则输电线路负荷动态分布的最大波动参数为式(3)。

(3)

式中，zxy表示输电线路的动态耦合参数；θ表示负载角。由此构建输电线路全息云场景数据异常波动检测统计量和判决函数，分析输电线路全息云场景数据的检测统计特征量，得到数据异常波动满足式(4)。

(4)

式中，k表示输电线路全息云场景数据异常参数；Pn(h)表示输电线路全息云场景数据模糊度参数；hk表示输电线路全息云场景数据异常检测函数。假设输电线路全息云场景数据的驱动特征分量满足随机概率密度分布，得到输电线路全息云场景数据的稳态参数分布量化集为式(5)。

(5)

式中，hω表示输电线路全息云场景数据的概率密度分布函数；m0表示初始驱动特征分量，则输电线路全息云场景数据的灰色分布集为X={x1,x2,…,xn}；n表示输电线路全息云场景数据集X中的数量，则构建输电线路全息云场景数据采集函数表示为式(6)。

(6)

式中，τ表示输电线路全息云场景数据的联合时滞分布参数；pi表示输电线路全息云场景数据的波峰幅值。

1.2 输电线路全息云场景数据融合

根据业务流转和信息融合分析方法，建立数据融合调度模型，得到输电线路全息数据融合迭代式为式(7)。

(7)

式中，c∈[0,10]表示数据融合系数；I(τ)表示输电线路全息云场景数据采集结果；xid(t)表示输电线路全息数据处理迭代次数函数。采用灰阶样本信息重构的方法，分析输电线路全息云场景数据融合的输出增益为式(8)。

(8)

式中，VDC表示输电线路全息云场景数据稀疏筛选判据函数；xid(t+1)表示输电线路全息数据融合结果。

结合大数据信息融合，实现对输电线路全息云场景数据的信息重构。其中输电线路全息云场景数据信息匹配度为式(9)。

(9)

式中，an表示输电线路全息云场景数据的谱分量系数。用虚拟同步参数融合方法，得到输电线路全息云场景数据的融合度关联分布集为式(10)。

(10)

式中，ipri(t)表示输电线路全息云场景数据的谱向量；iLmx(t)表示输电线路全息云场景数据空间维度。采用有限数据解析方法，把输电线路全息云场景数据X分为K类，结合高阶信息融合得到输电线路全息云场景数据的驱动能量参数分布为式(11)。

(11)

式中，αK表示输电线路全息云场景数据的驱动检测函数。则得到输电线路全息云场景数据的区块融合参数为式(12)。

(12)

式中，φ(t)表示输电线路全息云场景数据区块离散度；c1与c2分别表示不同的数据区块。根据输电线路全息云场景数据的融合结构，采用分组回归分析，得到输电线路全息云场景数据的融合模型为式(13)。

(13)

式中，f(n)表示输电线路全息云场景数据样本数据集；a(t)表示区块融合参数；ai表示输电线路全息云场景数据的分块聚类参数集[7]。

2 输电线路全息云场景数据聚类和平台构建优化

2.1 输电线路全息云场数据聚类

在云场景中将各类命令指向场景内的各类物理实体，采用递进分析模型进行输电线路全息云场景数据的驱动控制[8]，采用循环迭代实现对输电线路全息云场景数据的频率响应分析，进行输电线路全息云场景数据传输的自适应调度，描述为式(14)。

(14)

(15)

式中，ri(x)表示输电线路全息云场景数据的样本特征匹配值。通过簇头聚类和自适应加权学习，进行输电线路全息云场景数据的簇头选取[9]，得到输电线路全息云场景数据的分簇聚类参数(k,i)，构建输电线路全息云场景数据的分层聚类模型，得到聚类信息分布序列为式(16)。

(16)

式中，c表示输电线路全息云场景数据采样的多普勒时延。通过有功功率均衡控制和频域调度的方法，进行输电线路全息云场数据聚类处理，以提高数据平台的综合管理能力[10]。

2.2 全息数据平台构建

在云场景中采用交互驱动控制方法，提取输电线路全息云场景数据的自相关特征量[11]，得到输电线路全息云场景数据的样本回归分布距离为式(17)

(17)

式中，ωj=(ω0j,ω1j,…,ωk-1,j)T表示输电线路全息云场景数据分布的节点序列，通过轮换调度计算输电线路全息云场景数据调度的自学习参数Densityi，得到自适应学习过程描述为式(18)。

(18)

通过数据分组检测方法进行输电线路全息云场景数据的信息交叉融合，得到最近簇头中的全息数据调度模型为式(19)。

(19)

(20)

式中，t0和tg分别表示输电线路全息云场景数据的初始采样时间间隔和平均分布时间间隔。由此得到云场景中输电线路全息数据优化的回归分析模型为式(21)。

(21)

式中，ru(0

通过标签识别方法，获取输电线路全息云场景数据的偏差函数为x(η)，得到输电线路全息云场景数据平台构建优化模型，描述为式(22)。

(22)

式中，p(ωi)表示输电线路全息云场景数据的分簇规则向量集；ui表示输电线路全息云场景数据调度时间延迟。

3 仿真测试分析

通过仿真测试实验验证本文方法在实现输电线路全息云场景数据融合和聚类管理的性能，输电线路全息云场景数据采集的带宽为26.3 bps，数据采集环境干扰强度为-35 dB，在云场景下，得到输电线路全息数据的测试集维数为120，样本数为3 600，根据上述参数设定，得到输电线路全息数据的输出特征样本如图1所示。

图1 输电线路全息数据的输出特征

将文献[2]与文献[3]方法作为实验对比方法，3种方法的输电线路融合度系数比较结果如图2所示。

图2 数据融合系数

分析图2得知，与文献方法相比，本文方法输电线路全息云场景数据融合系数较高，数据融合性能较好，波动浮动小，融合效果更稳定。

测试输电线路全息云场景数据聚类性能，设定直流电压最大波动8 V，得到数据聚类准确率比较结果如图3所示。

分析图3得知，采用本文方法进行输电线路全息云场景数据聚类的输出聚类性能较好，稳定在90%以上，而文献[2]方法和文献[3]方法的聚类准确率均低于本文方法。测试3种方法的数据查全率与查准率，得到对比结果如表1、表2所示。

图3 数据聚类准确率对比

表1 查全率对比

表2 查准率对比

分析表1可知，文献[2]方法的查全率在83.4%—93.2%之间变化，文献[3]方法的查全率在88.4%—90.9%之间变化，而本文方法的查全率均在96.5%以上，说明与文献方法相比，方法的查全率更高。

分析表2可知，文献[2]方法的查准率在82.3%—88.3%之间变化，文献[3]方法的查准率在72.6%—85.6%之间变化，而本文方法的查准率均在97.6%以上，说明与文献方法相比，采用本文方法进行输电线路全息云场景数据管理平台设计后，数据的查准率较高。

4 总结

为提高输电线路的信息化管理能力，本文提出基于云场景的输电线路全息数据平台构建方法。对拟构建的全息数据平台应用场景进行模拟参数调度，通过业务流转和信息融合聚类分析方法，建立数据融合调度模型，结合分组学习和分段平局采样的方法，实现对输电线路全息云场景数据的融合处理。在云场景中将各类命令指向场景内的各类物理实体，采用交互驱动控制方法提取输电线路全息云场景数据的自相关特征量，实现对输电线路全息云场景数据平台构建。研究得知，本文方法进行输电线路全息数据平台构建，数据融合和聚类性能较好，提高了数据查全率与查准率。