基于Delta壓縮算法的電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)方法

沈彬， 魏博源， 姚元其， 萬志文

(浙江涵普電力科技有限公司， 浙江， 嘉興 314000)

0 引言

電能表檢驗數(shù)據(jù)規(guī)模的增大使得其對電能表檢驗數(shù)據(jù)的安全存儲和訪問要求也越來越高。因此，需要構(gòu)建有效的電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)模型，結(jié)合相關(guān)大數(shù)據(jù)信息處理技術(shù)，提高電能表檢驗數(shù)據(jù)災(zāi)備恢復(fù)能力，從而降低電能表檢驗數(shù)據(jù)的竊取和盜用的風(fēng)險，提高電能表檢驗數(shù)據(jù)的安全性[1]。在這一背景下，相關(guān)的電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)方法在電表數(shù)據(jù)檢測和信息管理領(lǐng)域中受到人們的極大關(guān)注。

一般來說，對電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)是建立在電能表檢驗數(shù)據(jù)信息的采集和譜特征分析基礎(chǔ)上實現(xiàn)的。也就是通過建立電能表檢驗數(shù)據(jù)檢測模型，完成對電能表檢驗數(shù)據(jù)檢測和災(zāi)備恢復(fù)[2]。傳統(tǒng)方法中，對電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)方法主要有基于遞歸熵特征提取的電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)方法、模糊融合聚類分析方法等[3]。此外，文獻(xiàn)[4]和文獻(xiàn)[5]還分別提出了基于網(wǎng)格分塊區(qū)域融合的電力管理系統(tǒng)數(shù)據(jù)災(zāi)備管理方法以及基于Goldengate的數(shù)據(jù)庫異地災(zāi)備與恢復(fù)方法。其中：文獻(xiàn)[4]方法構(gòu)建了包括數(shù)據(jù)采集單元、數(shù)據(jù)分類單元、災(zāi)備數(shù)據(jù)管理單元以及通信與共享單元，利用網(wǎng)格分塊區(qū)域融合的方式，對獲取的災(zāi)備數(shù)據(jù)展開訓(xùn)練、學(xué)習(xí)，從而實現(xiàn)數(shù)據(jù)災(zāi)備管理；文獻(xiàn)[5]方法利用Goldengate同步復(fù)制技術(shù)的特性和優(yōu)勢，實現(xiàn)數(shù)據(jù)實時備份，確保核心數(shù)據(jù)庫的安全。同時，結(jié)合大數(shù)據(jù)分析技術(shù)實現(xiàn)災(zāi)備系統(tǒng)的恢復(fù)和實時切換。但上述傳統(tǒng)方法在進(jìn)行電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)過程中的統(tǒng)計分析能力不好，導(dǎo)致其應(yīng)用效果較差。

針對傳統(tǒng)方法存在的不足，本研究基于Delta壓縮算法設(shè)計一種新的電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)方法。首先建立電能表檢驗數(shù)據(jù)的信息采集模型，根據(jù)數(shù)據(jù)采集結(jié)果進(jìn)行數(shù)據(jù)的特征分析。然后采用Delta壓縮感知算法，實現(xiàn)對電能表檢驗數(shù)據(jù)的空間重構(gòu)與特征分析。在此基礎(chǔ)上，通過分析電能表檢驗數(shù)據(jù)的狀態(tài)空間實現(xiàn)電能表檢驗數(shù)據(jù)信息融合，并在電能表檢驗數(shù)據(jù)的空間重構(gòu)基礎(chǔ)上，完成電能表檢驗數(shù)據(jù)的災(zāi)備與恢復(fù)。本研究還設(shè)計了仿真測試，利用測試結(jié)果展示了本研究方法在提高電能表檢驗數(shù)據(jù)恢復(fù)能力方面的優(yōu)越性能。

1 電能表檢驗數(shù)據(jù)采樣及特征分析

1.1 電能表檢驗數(shù)據(jù)采樣

為了實現(xiàn)基于Delta壓縮算法的電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)，首先建立電能表檢驗數(shù)據(jù)聚類模型，通過模糊度信息分析和聚類分析方法實現(xiàn)大數(shù)據(jù)采集，然后采用多維指針檢測方法實現(xiàn)對電能表檢驗數(shù)據(jù)的聚類處理。電能表檢驗數(shù)據(jù)的采集模型如圖1所示。

圖1 電能表檢驗數(shù)據(jù)的采集模型

根據(jù)圖1得到的數(shù)據(jù)采集輸出結(jié)果，提取電能表檢驗數(shù)據(jù)進(jìn)行譜信息，然后根據(jù)電壓波動頻率對電能表檢驗數(shù)據(jù)多次掃描[6]，得到電能表檢驗數(shù)據(jù)的聚類中心為

(1)

式中，μik表示電能表檢驗數(shù)據(jù)信息的分布向量，dik表示電能表檢驗數(shù)據(jù)聚類集合樣本空間，n表示數(shù)據(jù)樣本區(qū)間最大邊界值。隨著負(fù)載功率的上升，采用自適應(yīng)加權(quán)分析方法，得到電能表檢驗數(shù)據(jù)的自適應(yīng)信息加權(quán)可靠度分布值為

(2)

在此基礎(chǔ)上，根據(jù)數(shù)據(jù)的加權(quán)可靠度分布值，計算電能表檢驗數(shù)據(jù)的母線壓降及功率損耗，采用最大交叉概率分解，得到電能表檢驗數(shù)據(jù)的電流諧波分布集為

(3)

式中，Ti,j(t)表示不同時間下電能表檢驗數(shù)據(jù)的直流電壓反饋環(huán)，t表示時間。然后在電流的動態(tài)變化下，可得到電能表檢驗數(shù)據(jù)的譜信息分布結(jié)果，再通過分析電能表檢驗數(shù)據(jù)的譜信息，結(jié)合系統(tǒng)穩(wěn)定裕度校驗方法[7]，進(jìn)行電能表檢驗數(shù)據(jù)的自相關(guān)數(shù)據(jù)分離，得到電能表檢驗數(shù)據(jù)的分布集如下：

(4)

式中，w(i+1)表示電能表檢驗數(shù)據(jù)的穩(wěn)定指標(biāo)函數(shù)，λi表示電能表檢驗數(shù)據(jù)的自相關(guān)系數(shù)。基于此，計算電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)的約束量，在最佳分辨標(biāo)準(zhǔn)的約束下，得到電能表檢驗數(shù)據(jù)災(zāi)備采樣的空間集合為

(5)

式中，r為電能表檢驗數(shù)據(jù)災(zāi)備點p(i,j)的銳化分布集，(m,n)為模板匹配系數(shù)[8]。由此建立電能表檢驗數(shù)據(jù)的信息采集模型，根據(jù)數(shù)據(jù)采集結(jié)果進(jìn)行數(shù)據(jù)特征分析。

1.2 電能表檢驗數(shù)據(jù)特征分析

通過模糊度信息提取和特征分析方法實現(xiàn)對電能表檢驗數(shù)據(jù)的信息特征檢測，然后提取電能表檢驗數(shù)據(jù)的模糊度特征量，建立電能表檢驗數(shù)據(jù)的信息增強模型。基于此，通過分析電能表檢驗數(shù)據(jù)的前級濾波器和后級電力參數(shù)[9]，采用分塊監(jiān)測的方法，得到系統(tǒng)的穩(wěn)定性模板函數(shù)如下：

(6)

(7)

根據(jù)電能表檢驗數(shù)據(jù)的信息化匹配分布集[10]，結(jié)合尋優(yōu)控制的方法，得到電能表檢驗數(shù)據(jù)的特征分布狀態(tài)函數(shù)為

(8)

式中，qw表示電能表數(shù)據(jù)尋優(yōu)特征檢測函數(shù)。采用區(qū)塊信息特征匹配的方法實現(xiàn)電能表檢驗數(shù)據(jù)的特征分析，得到電能表檢驗數(shù)據(jù)中的輸入阻抗為

(9)

式中，ηw表示電能表檢驗數(shù)據(jù)的特征匹配對比值，上述各式表示在電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)的控制變量，通過相關(guān)性分析，得到電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)的特征量為

(10)

式中，η基于上述研究結(jié)果，R表示電能表檢驗匹配系數(shù)，D表示迭代系數(shù)，采用Delta壓縮感知算法，實現(xiàn)對電能表檢驗數(shù)據(jù)的空間重構(gòu)與特征分析。

2 電能表檢驗數(shù)據(jù)融合與災(zāi)備恢復(fù)

2.1 Delta壓縮感知算法數(shù)據(jù)信息融合

對電能表檢驗數(shù)據(jù)的壓縮處理，采用Delta壓縮感知算法，進(jìn)行電能表檢驗數(shù)據(jù)的輸入阻抗和輸出阻抗關(guān)系為

(11)

式中，η表示直流側(cè)工作點的增益，φ表示電能表檢驗數(shù)據(jù)的稀疏對比分量。然后通過電能表檢驗數(shù)據(jù)的融合結(jié)果，得到電能表檢驗數(shù)據(jù)的關(guān)聯(lián)信息分布序列為

(12)

式中，w(cc)表示電能表檢驗數(shù)據(jù)輸入增益，h(cc)表示電能表檢驗數(shù)據(jù)輸出增益。在電能表檢驗數(shù)據(jù)分布集中建立核函數(shù)模型，以最小效用閾值Nj*為加權(quán)向量，在某一工作點建立功率平衡方程[11]，得到電能表檢驗數(shù)據(jù)分布的鄰域NEj*(t)，再結(jié)合檢驗統(tǒng)計分析方法可得到：

(13)

通過如上定義，構(gòu)建電能表檢驗數(shù)據(jù)的信息融合模型，結(jié)合輸出阻抗的概率分析方法，得到電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)的適應(yīng)度函數(shù)：

(14)

(15)

式中，ba表示電能表檢驗數(shù)據(jù)融合矢量，Ei表示電能表檢驗數(shù)據(jù)的最優(yōu)極小值解。根據(jù)上述融合分布結(jié)果，進(jìn)行電能表檢驗數(shù)據(jù)的混合分析，結(jié)合Delta壓縮感知算法，提高電能表檢驗數(shù)據(jù)的災(zāi)備與恢復(fù)性能。

2.2 電能表檢驗數(shù)據(jù)災(zāi)備恢復(fù)

在電能表檢驗數(shù)據(jù)的空間重構(gòu)基礎(chǔ)上，進(jìn)行電能表檢驗數(shù)據(jù)的災(zāi)備與恢復(fù)，得到有源阻尼控制輸出為

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

(16)

在負(fù)載突變和線性均衡控制下[12]，得到電能表檢驗數(shù)據(jù)的多尺度分解模型為：

(17)

(18)

式中，f0為電能表檢驗數(shù)據(jù)的最優(yōu)極小值解，fmin、fmax分別為最低和最高電能表檢驗數(shù)據(jù)災(zāi)備狀態(tài)采樣頻率。基于電壓和電流時頻分析[14]，最后得到電能表檢驗數(shù)據(jù)的災(zāi)備恢復(fù)輸出為

(19)

式中，?表示卷積算子。在此基礎(chǔ)上，采用高頻電壓和電流脈沖分析方法[15]，建立電能表檢驗數(shù)據(jù)的電流脈沖模型，得到輸出結(jié)果如下：

(20)

式中，Ts表示電能表檢驗數(shù)據(jù)的參量提取結(jié)果，Tp表示電能表災(zāi)備檢測區(qū)間函數(shù)，wmk表示電能表檢驗數(shù)據(jù)的分塊區(qū)域散射特性量。

綜上分析，利用Delta算法，實現(xiàn)了對電能表檢驗數(shù)據(jù)的空間重構(gòu)和災(zāi)備恢復(fù)。

3 仿真實驗與結(jié)果分析

為驗證上述基于Delta壓縮算法的電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)方法的實際應(yīng)用性能，進(jìn)行如下仿真測試分析，并將本文方法與文獻(xiàn)[4]和文獻(xiàn)[5]分別提出的基于網(wǎng)格分塊區(qū)域融合的電力管理系統(tǒng)數(shù)據(jù)災(zāi)備管理方法以及基于Goldengate的數(shù)據(jù)庫異地災(zāi)備與恢復(fù)方法進(jìn)行對比。

實驗環(huán)境設(shè)置情況如下：設(shè)定負(fù)載電流的幅值梯度為200 mA，輸出功率為12 kW, 電能表檢驗數(shù)據(jù)的資源池大小規(guī)模為1 200，電能表檢驗數(shù)據(jù)的索引集群分為 2 個，測試集數(shù)量為500，訓(xùn)練集數(shù)量為120，迭代次數(shù)為100次。根據(jù)上述參數(shù)設(shè)定，進(jìn)行電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)仿真測試。

首先測試應(yīng)用不同方法后電能表檢驗數(shù)據(jù)的最大失配量，結(jié)果如圖2所示。

圖2 電能表檢驗數(shù)據(jù)的最大失配量對比

分析圖2所示結(jié)果得知，利用本文方法進(jìn)行電能表檢驗數(shù)據(jù)的災(zāi)備恢復(fù)后，有效降低了電能表檢驗數(shù)據(jù)的最大失配量，這也初步驗證了本文方法的有效性。

在此基礎(chǔ)上，測試不同方法對異常電能表檢驗數(shù)據(jù)的查詢耗時，結(jié)果如圖3所示。

圖3 電能表檢驗數(shù)據(jù)的查詢耗時對比

分析圖3得知，與2種傳統(tǒng)方法相比，本文方法對異常電能表檢驗數(shù)據(jù)的查詢耗時更小，基本保持在60 ms以下。

最后，以電能表檢驗數(shù)據(jù)成功災(zāi)備與恢復(fù)的成功率為驗證指標(biāo)，進(jìn)一步對不同方法的性能展開分析，得到結(jié)果如圖4所示。

圖4 電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)的成功概率對比

分析圖4所示結(jié)果得知，隨著迭代次數(shù)的不斷增加，不同方法下的電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)的成功概率也在增加。但相比之下，利用本文方法進(jìn)行電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)的成功概率更高，其成功率始終保持在0.7以上。

綜上所述，本研究設(shè)計的基于Delta壓縮算法的電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)方法具有最大失配量低、對異常電能表檢驗數(shù)據(jù)的查詢耗時短、成功率高的應(yīng)用優(yōu)勢。

4 總結(jié)

采用大數(shù)據(jù)信息處理技術(shù)，提高電能表檢驗數(shù)據(jù)災(zāi)備恢復(fù)能力，能夠有效降低電能表檢驗數(shù)據(jù)的竊取和盜用的風(fēng)險。為此，本研究提出了一種基于Delta壓縮算法的電能表檢驗數(shù)據(jù)災(zāi)備與恢復(fù)方法。該方法結(jié)合多維指針檢測的過程實現(xiàn)電能表檢驗數(shù)據(jù)的聚類處理，然后建立電能表檢驗數(shù)據(jù)的信息增強模型。根據(jù)系統(tǒng)穩(wěn)定裕度選擇合適權(quán)重系數(shù)，并進(jìn)行電能表檢驗數(shù)據(jù)特征分析，在此基礎(chǔ)上構(gòu)建電能表檢驗數(shù)據(jù)的信息融合模型，在負(fù)載突變和線性均衡控制下，根據(jù)Delta算法實現(xiàn)對電能表檢驗數(shù)據(jù)的空間重構(gòu)，從而完成電能表檢驗數(shù)據(jù)的災(zāi)備與恢復(fù)。經(jīng)仿真實驗分析得知，該方法對電能表檢驗數(shù)據(jù)的災(zāi)備與恢復(fù)的成功率較高，耗時較小，具有較高的應(yīng)用優(yōu)勢。