多输入输出多跳电力系统的负荷控制算法

刘　炜

(广州番禺职业技术学院，广州　511483)

多输入输出多跳电力系统的负荷控制算法

刘炜

(广州番禺职业技术学院，广州511483)

摘要：在多输入输出多跳电力系统中，需要对电力传输节点进行负荷控制设计，提高电力系统的综合评估和控制能力。传统方法对电力负荷的控制方法采用多维子空间QoS预测算法，对多输入输出(MIMO)的电力传输节点的负荷预测精度不高。提出一种基于多跳节点子空间特征分解的电力系统的负荷控制算法。构建了多输入输出的电力负荷的时间序列信号模型，采用分数阶傅里叶变换对信号模型进行特征空间重构，在信号子空间中，采用高阶累积量对角切片负荷时间序列进行特征分解，在此基础上，采用多跳节点子空间特征分解对MIMO节点的电力系统负荷进行准确预测控制。仿真实验进行了性能验证，实验结果表明，采用该算法对电力系统负荷的控制品质较高，提高了对电力系统负荷的预测精度和调度能力。

关键词：电力负荷；控制；系统；多输入输出

随着计算机信息处理技术的发展，采用信息处理和现代数据分析方法对电力系统的负荷控制成为未来电力系统数据管理和调度的一个重要方向，通过对电力系统的负荷控制和预测，提高对电力系统的优化调度和控制管理能力，电力系统是一个多输入输出(MultipleInputMultipleOutput，MIMO)网络结构系统，在多输入输出多跳电力系统中，大量的负荷数据通过非线性时间序列的形式进行传输和调度，采用时间序列分析方法，对电力系统的负荷数据进行多跳网络控制和传输调度，提高电力系统的智能控制能力和水平，相关的研究受到人们的广泛重视[1]。

传统方法中，对电力系统的负荷控制方法主要采用神经网络控制方法、基于经验模态分解的负荷预测方法进行控制、基于支持向量机和模糊子空间降噪的负荷控制方法和基于QoS调度的负荷控制方法等，但这些方法都存在着计算量较大，负荷控制的实时性不好等问题，对此，相关文献进行了算法的改进设计[2-3]，其中，文献[4]提出一种基于递归图分析和特征空间重构的电力负荷数据预测算法实现电力系统的优化控制，对电力负荷数据进行相空间重构，在重构的相空间中进行特征映射和调度，采用最大似然估计法实现对负荷数据的预测，但是该方法存在着计算开销较大，维数较高等问题，导致电子系统负荷控制的实时性不好。文献[5]提出一种基于定量递归分及分数阶傅里叶变换的多输入输出多跳电力系统负荷控制方法，通过高阶累积量切片处理提高负荷控制性能，但是该算法对干扰强度大和信噪比较低情况下的负荷控制效果不好[6-8]。针对这些问题，本文提出一种基于多跳节点子空间特征分解的电力系统的负荷控制算法的电力负荷预测算法实现负荷控制。首先构建了多输入输出的电力负荷的时间序列信号模型，采用分数阶傅里叶变换对信号模型进行特征空间重构，在此基础上，采用多跳节点子空间特征分解对MIMO节点的电力系统负荷进行准确预测控制，仿真实验进行了性能验证，展示了本文方法在提高电力系统负荷预测精度上面的优越性能，得出有效性结论。

1MIMO多跳电力系统负荷数据时间序列分析和信号特征重构

1.1MIMO多跳电力系统负荷数据时间序列分析

为了实现对多输入输出多跳电力系统的负荷控制，首先构建MIMO多跳电力系统负荷数据时间序列分析模型，MIMO多跳电力系统的负荷传输节点的待覆盖区域假设为W，与节点Z任意相邻的节点的程控激励因子为p×qbit。多输入输出多跳电力系统各个节点集合的具有相同的覆盖概率Kwpg(Wpg)，服务器节点直接与多跳网络节点相连，用一个五元组(Ni，Li，TiCi，Di)表示电力系统的无线多跳网络模型，MIMO多跳节点分布模型如图1所示。

图1　电力系统的MIMO多跳节点分布模型

将多输入输出多跳电力系统通信节点分簇模型中，定义在t域的上的负荷时间序列函数x(t)的p阶分数阶傅立叶变换为广域子空间Xp(u)或Fpx(u)，并且M层子节点数中的负荷数据的时间序列积分运算：

(1)

采用分数阶傅立叶变换进行时间序列分析，构建无向图G=(V，E)，其中，p为多输入输出多跳电力系统的分数阶傅立叶变换的阶数，用ann(u，r1，r2，α)表示以节点u为圆心的旋转半径，可以为任意实数，负荷时间序列在特征空间的旋转角α=pπ/2。Fα[·]为分数阶傅立叶变换的算子符号，多输入输出多跳电力系统通信节点分簇网络信道的选择权值sw(u)，得到Kp(t，u)为FrFT的变换核：

(2)

式中n——多输入输出多跳电力系统通信节点的个数，即n∈Z。

将核函数代入式(2)，电力系统时延扩展Xp(u)可以表示为：

(3)

采用MIMO多跳电力系统负荷数据时间序列分析方法，得到负荷测量均衡后的频谱为：

=CT′(f)X(f)ej2πfτ0

(4)

1.2信号特征重构

=-

3

(5)

其中，代表对g(n)取均值：

(6)

(7)

利用高阶累积量对多跳节点的输出噪声的不敏感性，进行干扰抑制，提高对负荷的控制性能，若w(n)为高斯噪声，则：

(8)

若w(n)为非高斯色噪声，计算数据发送给Sink的能量，得到信号特征重构的4阶混合累积量切片为：

(9)

多输入输出多跳电力系统传输节点接收到的负载信息的功率为：

(10)

令Rd×L为d×L维数的矩阵，采用最大似然估计进行负荷数据的空间重构，对于每一个重构的广域子空间模型，空间矢量表示为：

R1={X1，X2，X3，…，Xd}T

(11)

信号负荷控制传输过程中相关函数为：

(12)

对式(12)进行特征值分解得：

(13)

通过这些处理，实现对多输入输出多跳电力系统负荷的信号特征重构，为进行负荷控制提供信息源。

2算法改进实现

在进行结构模型构建以及负荷数据时间序列分析及信号重构的基础上，进行负荷预测控制算法改进设计，在多输入输出多跳电力系统中，需要对电力传输节点进行负荷控制设计，提高电力系统的综合评估和控制能力。而传统方法对电力负荷的控制方法采用多维子空间QoS预测算法，对多输入输出(MIMO)的电力传输节点的负荷预测精度不高。为了克服传统方法的弊端，本文提出一种基于多跳节点子空间特征分解的电力系统的负荷控制算法。在信号子空间中，从到维进行负荷预测，得到多跳节点子空间特征分解过程为：

(14)

R2={Xd+1，Xd+2，…Xd+m}T

(15)

(16)

其中，多跳电力系统负荷传输距离、通信功率向量V=[V1，V2，…，Vm]∈Rm×m且正交，从而得到：

VVT=IM

(17)

∑=fiag(σ1，σ2，…，σm)

(18)

σ1>σ2>σ3>…>σs+1>σm

(19)

(20)

此时，在t时刻的预测分析数据信息度Bel(xt)=p(xt|d0，…，t)为N，负荷预测的子空间正交基集合定义为：

(21)

式中xt——多输入输出多跳电力系统数据包预测分析样本数据；

wt——相对于xt的自适应加权权值向量。

以能量损耗为代价函数，实现对电力系统负荷预测分析的系统特征函数描述为：

Ecv(c1，c2)=μ·Length(C)

+v·Area(inside(C))

(22)

式中c1，c2——电力系统负荷的特征数据和干扰数据；

Length(C)——时间序列的长度；

Area(inside(C))——负荷传输节点覆盖半径。

通过对算法的改进设计，实现了对多输入输出多跳电力系统的负荷控制，最后通过仿真实验进行性能测试和验证。

3仿真实验与结果分析

为了测试本文设计的算法在实现多输入输出多跳电力系统的负荷控制中的性能，进行仿真实验。实验中，采用CPU为Intel(R)PentiumG630 2.7GHz，内存为2G的硬件配置作为仿真的硬件环境，采用网络节点数为500，4567，3495的分布式自组织网络构建电力系统的负荷传输网络结构模型，采用Matlab进行数学仿真编程，参数设定中取得SINR阈值β=1，电力系统负荷值的路径损耗系数α=5，数据信息流的单位节点的功率损耗常量δ={0，1，0.12，…，0.96,0.98}。容错性评价的初值设为P=βN0(d/0.1)α，最大预测长度rmax=d/0.1。根据上述仿真环境和参数设定结果，及西宁电力系统的负荷控制，采用本文设计的电力负荷预测算法进行负荷的准确预测，首先得到电力系统的负荷数据时间序列采样波形如图2所示。

图2　电力系统的负荷数据采样时间序列波形

以数据采样结果为测试样本，数据采样长度为2000。采样时间间隔为15s，带宽为14.7dB，采用分数阶傅里叶变换对信号模型进行特征空间重构，在此基础上，采用多跳节点子空间特征分解对MIMO节点的电力系统负荷进行准确预测控制，得到负荷数据预测的波束输出结果见图3。

图3　负荷数据波束输出

从图3可见，采用本文算法进行电力系统的负荷预测的精度较高，具有特征强度较好的波束输出，提高了负荷控制能力，为了对比算法性能，采用本文算法和传统方法，在不同电力节点簇个数下进行负荷控制，以控制精度为测试指标，得到仿真结果如图4所示。从图4可见，采用本文算法，控制品质较高，提高了对电力系统负荷的预测精度和调度能力。

图4　性能对比

4结语

在多输入输出多跳电力系统中，需要对电力传输节点进行负荷控制设计，提高电力系统的综合评估和控制能力。传统方法对电力负荷的控制方法采用多维子空间QoS预测算法，对多输入输出(MIMO)的电力传输节点的负荷预测精度不高。对此，本文提出一种基于多跳节点子空间特征分解的电力系统的负荷控制算法。首先构建了多输入输出的电力负荷的时间序列信号模型，采用分数阶傅里叶变换对信号模型进行特征空间重构，在此基础上，采用多跳节点子空间特征分解对MIMO节点的电力系统负荷进行准确预测控制，仿真实验进行了性能验证，展示了本文方法在提高电力系统负荷预测精度上面的优越性能，本文方法在电力控制方面具有较好的应用价值。

参考文献：

[1]周雁, 王福豹, 黄亮.无线传感器执行器网络综述[J]. 计算机科学, 2012, 39(10): 21-25.

ZHOUYan,WANGFu-bao,HUANGLiang,etal.Overviewofwirelesssensorandactornetworks[J].ComputerScience, 2012,39(10):21-25.

[2]赵瑞琴, 申晓红，张效民，等. 无线多跳网络最佳转播模型及广播机制研究[J].计算机学报，1024,37(2): 335-343.

ZHAORui-qin,SHENXiao-hong,ZHANGXiao-min,etal.Researchonoptimizedrebroadcastmodelandbroadcastingmechanismforwirelessmulti-hopnetworks[J].ComputerScience, 2014. 37(2)：335-343.

[3]protocolsinwirelesssensornetworksasurvey[J].InternationalJournalofComputerScienceandEngineeringSurvey, 2010, 1(2):63-83.

[4]XUXiao-hua,LIXiang-Yang,MAOXu-fei, et al.Adelay-efficientalgorithmfordataaggregationinmultihopwirelesssensornetworks[J].IEEETransactionsonParallelandDistributedSystems, 2011,22(1): 163-175.

[5]LIDe-ying,ZHUQing-hua,DUHong-wei,etal.Animproveddistributeddataaggregationschedulinginwirelesssensornetworks[J/OL].JournalofCombinatorialOptimization, 2012,5: 1-20.

[6]ZHANGKH,SONGH,ZHANGL.ActivesContoursDrivenbyLocalImageFittingEnergy[J].Patternrecognition,2010,43(4):1199-1206.

[7]王秋, 曲婷, 陈虹. 基于随机模型预测控制的自主车辆转向控制[J]. 信息与控制, 2015,44(4): 499-506.

WANGQiu,QUTing,CHENHong.Steeringcontrolofautonomousvehiclesbasedonstochasticmodelpredictivecontrol[J].InformationandControl, 2015, 44(4): 499-506.

[8]周军海,林亚平,周四望.一种低功耗的社区机会网络消息路由算法[J].计算机科学,2014,41(1):178-182.

ZHOUJun-hai,LINYa-ping,ZHOUSi-wang.Power-efficientmessageroutingalgorithmforcommunity-basedopportunisticnetwork[J].ComputerScience, 2014,41(1):178-182.

(本文编辑：赵艳粉)

Load Control Algorithm for Multi-Input Multi-Output Power System

LIU Wei

(GuangzhouPanyuPolytechnic,Guangzhou511483,China)

Abstract:In the multi-input multi-output (MIMO) multi-hop power system, the load control design of the power transmission node is needed to improve the comprehensive evaluation and control of the power system. The traditional method of power load control method, using the multi-dimensional subspace QoS prediction algorithm, produces low load forecasting accuracy for MIMO power transmission node. This paper proposes a load control algorithm for power system based on multi hop node space feature decomposition. The model of power load time series signal model is constructed by using fractional Fourier transform to feature space reconstruction. In the signal subspace, the high order accumulated load time series is used to decompose the load time series. Thereby, the power system load of MIMO node is predicted and controlled by using multi-hop nodes. The simulation test results have verified that this proposed algorithm can improve control quality, forecasting precision and scheduling ability for electric power system load.

Key words:power load; control; system; multi-input multi-output (MIMO)

DOI：10.11973/dlyny201601013

作者简介：刘炜(1981)，男 ，硕士，讲师，主要研究方向为计算机控制、算法。

中图分类号：TP271

文献标志码：A

文章编号：2095-1256(2016)01-0061-05

收稿日期：2015-09-15