沈彬， 魏博源， 姚元其， 万志文

(浙江涵普电力科技有限公司， 浙江， 嘉兴 314000)

0 引言

电能表检验数据规模的增大使得其对电能表检验数据的安全存储和访问要求也越来越高。因此，需要构建有效的电能表检验数据灾备与恢复模型，结合相关大数据信息处理技术，提高电能表检验数据灾备恢复能力，从而降低电能表检验数据的窃取和盗用的风险，提高电能表检验数据的安全性[1]。在这一背景下，相关的电能表检验数据灾备与恢复方法在电表数据检测和信息管理领域中受到人们的极大关注。

一般来说，对电能表检验数据灾备与恢复是建立在电能表检验数据信息的采集和谱特征分析基础上实现的。也就是通过建立电能表检验数据检测模型，完成对电能表检验数据检测和灾备恢复[2]。传统方法中，对电能表检验数据灾备与恢复方法主要有基于递归熵特征提取的电能表检验数据灾备与恢复方法、模糊融合聚类分析方法等[3]。此外，文献[4]和文献[5]还分别提出了基于网格分块区域融合的电力管理系统数据灾备管理方法以及基于Goldengate的数据库异地灾备与恢复方法。其中：文献[4]方法构建了包括数据采集单元、数据分类单元、灾备数据管理单元以及通信与共享单元，利用网格分块区域融合的方式，对获取的灾备数据展开训练、学习，从而实现数据灾备管理；文献[5]方法利用Goldengate同步复制技术的特性和优势，实现数据实时备份，确保核心数据库的安全。同时，结合大数据分析技术实现灾备系统的恢复和实时切换。但上述传统方法在进行电能表检验数据灾备与恢复过程中的统计分析能力不好，导致其应用效果较差。

针对传统方法存在的不足，本研究基于Delta压缩算法设计一种新的电能表检验数据灾备与恢复方法。首先建立电能表检验数据的信息采集模型，根据数据采集结果进行数据的特征分析。然后采用Delta压缩感知算法，实现对电能表检验数据的空间重构与特征分析。在此基础上，通过分析电能表检验数据的状态空间实现电能表检验数据信息融合，并在电能表检验数据的空间重构基础上，完成电能表检验数据的灾备与恢复。本研究还设计了仿真测试，利用测试结果展示了本研究方法在提高电能表检验数据恢复能力方面的优越性能。

1 电能表检验数据采样及特征分析

1.1 电能表检验数据采样

为了实现基于Delta压缩算法的电能表检验数据灾备与恢复，首先建立电能表检验数据聚类模型，通过模糊度信息分析和聚类分析方法实现大数据采集，然后采用多维指针检测方法实现对电能表检验数据的聚类处理。电能表检验数据的采集模型如图1所示。

图1 电能表检验数据的采集模型

根据图1得到的数据采集输出结果，提取电能表检验数据进行谱信息，然后根据电压波动频率对电能表检验数据多次扫描[6]，得到电能表检验数据的聚类中心为

(1)

式中，μik表示电能表检验数据信息的分布向量，dik表示电能表检验数据聚类集合样本空间，n表示数据样本区间最大边界值。随着负载功率的上升，采用自适应加权分析方法，得到电能表检验数据的自适应信息加权可靠度分布值为

(2)

在此基础上，根据数据的加权可靠度分布值，计算电能表检验数据的母线压降及功率损耗，采用最大交叉概率分解，得到电能表检验数据的电流谐波分布集为

(3)

式中，Ti,j(t)表示不同时间下电能表检验数据的直流电压反馈环，t表示时间。然后在电流的动态变化下，可得到电能表检验数据的谱信息分布结果，再通过分析电能表检验数据的谱信息，结合系统稳定裕度校验方法[7]，进行电能表检验数据的自相关数据分离，得到电能表检验数据的分布集如下：

(4)

式中，w(i+1)表示电能表检验数据的稳定指标函数，λi表示电能表检验数据的自相关系数。基于此，计算电能表检验数据灾备与恢复的约束量，在最佳分辨标准的约束下，得到电能表检验数据灾备采样的空间集合为

(5)

式中，r为电能表检验数据灾备点p(i,j)的锐化分布集，(m,n)为模板匹配系数[8]。由此建立电能表检验数据的信息采集模型，根据数据采集结果进行数据特征分析。

1.2 电能表检验数据特征分析

通过模糊度信息提取和特征分析方法实现对电能表检验数据的信息特征检测，然后提取电能表检验数据的模糊度特征量，建立电能表检验数据的信息增强模型。基于此，通过分析电能表检验数据的前级滤波器和后级电力参数[9]，采用分块监测的方法，得到系统的稳定性模板函数如下：

(6)

(7)

根据电能表检验数据的信息化匹配分布集[10]，结合寻优控制的方法，得到电能表检验数据的特征分布状态函数为

(8)

式中，qw表示电能表数据寻优特征检测函数。采用区块信息特征匹配的方法实现电能表检验数据的特征分析，得到电能表检验数据中的输入阻抗为

(9)

式中，ηw表示电能表检验数据的特征匹配对比值，上述各式表示在电能表检验数据灾备与恢复的控制变量，通过相关性分析，得到电能表检验数据灾备与恢复的特征量为

(10)

式中，η基于上述研究结果，R表示电能表检验匹配系数，D表示迭代系数，采用Delta压缩感知算法，实现对电能表检验数据的空间重构与特征分析。

2 电能表检验数据融合与灾备恢复

2.1 Delta压缩感知算法数据信息融合

对电能表检验数据的压缩处理，采用Delta压缩感知算法，进行电能表检验数据的输入阻抗和输出阻抗关系为

(11)

式中，η表示直流侧工作点的增益，φ表示电能表检验数据的稀疏对比分量。然后通过电能表检验数据的融合结果，得到电能表检验数据的关联信息分布序列为

(12)

式中，w(cc)表示电能表检验数据输入增益，h(cc)表示电能表检验数据输出增益。在电能表检验数据分布集中建立核函数模型，以最小效用阈值Nj*为加权向量，在某一工作点建立功率平衡方程[11]，得到电能表检验数据分布的邻域NEj*(t)，再结合检验统计分析方法可得到：

(13)

通过如上定义，构建电能表检验数据的信息融合模型，结合输出阻抗的概率分析方法，得到电能表检验数据灾备与恢复的适应度函数：

(14)

(15)

式中，ba表示电能表检验数据融合矢量，Ei表示电能表检验数据的最优极小值解。根据上述融合分布结果，进行电能表检验数据的混合分析，结合Delta压缩感知算法，提高电能表检验数据的灾备与恢复性能。

2.2 电能表检验数据灾备恢复

在电能表检验数据的空间重构基础上，进行电能表检验数据的灾备与恢复，得到有源阻尼控制输出为

C(t)=W+Si,j(t)

(16)

在负载突变和线性均衡控制下[12]，得到电能表检验数据的多尺度分解模型为：

(17)

(18)

式中，f0为电能表检验数据的最优极小值解，fmin、fmax分别为最低和最高电能表检验数据灾备状态采样频率。基于电压和电流时频分析[14]，最后得到电能表检验数据的灾备恢复输出为

(19)

式中，⊗表示卷积算子。在此基础上，采用高频电压和电流脉冲分析方法[15]，建立电能表检验数据的电流脉冲模型，得到输出结果如下：

(20)

式中，Ts表示电能表检验数据的参量提取结果，Tp表示电能表灾备检测区间函数，wmk表示电能表检验数据的分块区域散射特性量。

综上分析，利用Delta算法，实现了对电能表检验数据的空间重构和灾备恢复。

3 仿真实验与结果分析

为验证上述基于Delta压缩算法的电能表检验数据灾备与恢复方法的实际应用性能，进行如下仿真测试分析，并将本文方法与文献[4]和文献[5]分别提出的基于网格分块区域融合的电力管理系统数据灾备管理方法以及基于Goldengate的数据库异地灾备与恢复方法进行对比。

实验环境设置情况如下：设定负载电流的幅值梯度为200 mA，输出功率为12 kW, 电能表检验数据的资源池大小规模为1 200，电能表检验数据的索引集群分为 2 个，测试集数量为500，训练集数量为120，迭代次数为100次。根据上述参数设定，进行电能表检验数据灾备与恢复仿真测试。

首先测试应用不同方法后电能表检验数据的最大失配量，结果如图2所示。

图2 电能表检验数据的最大失配量对比

分析图2所示结果得知，利用本文方法进行电能表检验数据的灾备恢复后，有效降低了电能表检验数据的最大失配量，这也初步验证了本文方法的有效性。

在此基础上，测试不同方法对异常电能表检验数据的查询耗时，结果如图3所示。

图3 电能表检验数据的查询耗时对比

分析图3得知，与2种传统方法相比，本文方法对异常电能表检验数据的查询耗时更小，基本保持在60 ms以下。

最后，以电能表检验数据成功灾备与恢复的成功率为验证指标，进一步对不同方法的性能展开分析，得到结果如图4所示。

图4 电能表检验数据灾备与恢复的成功概率对比

分析图4所示结果得知，随着迭代次数的不断增加，不同方法下的电能表检验数据灾备与恢复的成功概率也在增加。但相比之下，利用本文方法进行电能表检验数据灾备与恢复的成功概率更高，其成功率始终保持在0.7以上。

综上所述，本研究设计的基于Delta压缩算法的电能表检验数据灾备与恢复方法具有最大失配量低、对异常电能表检验数据的查询耗时短、成功率高的应用优势。

4 总结

采用大数据信息处理技术，提高电能表检验数据灾备恢复能力，能够有效降低电能表检验数据的窃取和盗用的风险。为此，本研究提出了一种基于Delta压缩算法的电能表检验数据灾备与恢复方法。该方法结合多维指针检测的过程实现电能表检验数据的聚类处理，然后建立电能表检验数据的信息增强模型。根据系统稳定裕度选择合适权重系数，并进行电能表检验数据特征分析，在此基础上构建电能表检验数据的信息融合模型，在负载突变和线性均衡控制下，根据Delta算法实现对电能表检验数据的空间重构，从而完成电能表检验数据的灾备与恢复。经仿真实验分析得知，该方法对电能表检验数据的灾备与恢复的成功率较高，耗时较小，具有较高的应用优势。