基于ECIM 模型的电力物联设备自描述属性关联融合系统设计

李颖杰，黄 兵

（1.深圳供电局有限公司，广东深圳 518000；2.南方电网深圳数字电网研究院有限公司，广东深圳 518000）

物联网信息技术逐渐发展，采用物联网的自适应组网控制技术实现对电力物联设备自描述属性关联融合，研究电力物联设备自描述属性关联融合方法，在提高电力物联设备的自组织管理能力方面具有重要意义[1]，相关的电力物联设备自描述属性关联融合系统设计方法研究受到人们的极大重视[2-3]。

当前，对电力物联设备自描述属性关联融合方法主要有基于自然近邻的自适应关联融合聚类算法[4]、面向电力物联网信息感知的低压电力线与微功率无线通信融合方法[5]以及用于泛在电力物联网的配电变压器智能感知终端技术[6]，构建电力物联设备自描述属性关联融合的相似度融合模型，通过模糊信息检测和嵌入式控制设计，实现对电力物联设备自描述属性关联融合，但传统方法进行电力物联设备自描述属性关联融合的适应度水平不高，优化控制能力不好。针对上述问题，提出基于ECIM 模型的电力物联设备自描述属性关联融合系统设计方法。

1 数据挖掘和特征分析

1.1 电力物联设备自描述属性关联数据挖掘

为了实现基于ECIM 模型的电力物联设备自描述属性关联融合处理，构建电力物联设备自描述属性相关性分块组合模型，通过指针控制方法，进行电力物联设备自描述属性分布式融合[7]，得到电力物联设备自描述属性融合总体结构如图1 所示。

图1 电力物联设备自描述属性融合总体结构

根据图1 所示的电力物联设备自描述属性融合总体结构模型，采用特征项的类间识别和信息属性分布式检测方法，构建电力物联设备自描述属性融合的熵分布模型[8]，得到电力物联设备的零点偏移角度检测输出为：

式中，ew表示电力物联设备自描述属性融合特征参数，q(a)表示信息属性检测函数，s(tn)表示指针控制函数，在不同层面多种因素约束下，通过电压、相位偏移联合特征分析方法，电力物联设备自描述属性融合的约束参数分布模型表示为：

式中，sm表示电力物联设备自描述属性分布式优化调度参数，Δa表示电力物联设备自描述属性融合特征参数分析，电力物联设备自描述属性描述的数据对象模型为：

式中，b(x)表示励磁涌流控制方法参数，jp和de分别表示电力物联设备自描述属性关联数据挖掘和特征辨识模型[9]，得到电力物联设备自描述的联合概率密度函数为：

式中，λS表示电力物联设备自描述联合特征解析参数，P2D表示直流系统运行状态信息，通过电力物联设备自描述属性关联数据挖掘结果实现信息融合[10]。

1.2 电力物联设备的关联特征提取

采用ECIM 模型进行电力物联设备自描述属性关联融合调度，通过非连续换相指标分析方法，得到电力物联设备自描述的融合特征量为：

式中，Dis(A)表示电力物联设备自描述属性分布的扩展特征量，Dis(B)表示属性数据集。

在对电力物联设备自描述属性的相似度分析基础上，提取电力物联设备自描述属性数字类别特征集，用X表示电力物联设备自描述的联合特征分量，对于具有m个属性的电力物联设备自描述分类集，得到电力物联设备自描述特征分布的第i个属性值的可靠性检测函数为：

式中，AHB和θHB分别表示电力物联设备自描述系统分布函数H(z) 和HB(z) 的离散化调度特征分量。

由此构建电力物联设备自描述属性关联特征分析模型，挖掘电力物联设备自描述属性大数据，通过特征空间重组和信息融合方法实现对电力物联设备自描述参数特征匹配[11]。

2 电力物联设备自描述融合设计

2.1 ECIM模型参数辨识控制

采用功率零序分量和功率联合关联特征分析方法进行电力物联设备自描述属性的模糊融合处理[12]，求得电力物联设备自描述属性特征分块检测模型：

式中，p(ωi)表示电力物联设备自描述属性分布离散区间内的规则向量集，E(x)表示电力物联设备自描述属性特征分布的连续区间参数融合匹配集，对电力物联设备自描述属性的联合关联分布函数，得到电力物联设备自描述属性的判据适用范围满足：

式中，|X(t) |表示X(t)取模，采用图2所示的ECIM模型实现对电力物联设备自描述属性关联融合和特征检测。

图2 ECIM模型

根据图2 所示的分组检测模型，得到电力物联设备自描述属性关联融合的自适应学习权重为：

式中，e(s)表示电力物联设备自描述属性关联融合分类特征参数，c(t)表示电力物联设备自描述属性分布的块匹配系数，通过加权控制，得到电力物联设备自描述属性分布的联合函数：

式中，表示稳态增益控制方法参数，构建电力物联设备自描述属性特征偏移控制模型，得到电压跌落幅度，通过非连续换相指标分析方法，实现对电力物联设备自描述特征融合和模糊度信息识别[13]。

2.2 电力物联设备自描述属性融合

采用模糊属性聚类和样本分段检测方法，实现对电力物联设备自描述属性特征融合，结合神经网络控制方法，得到电力物联设备自描述的相异性度量u、ut，结合模糊加权方法，得到电力物联设备自描述融合的统计特征量满足：

式中，k(v)表示样本分段检测控制参数，构建电力物联设备自描述属性的模糊融合检测模型，得到电力物联设备自描述属性参数融合的匹配度函数为：

式中，c表示临界换相电压值分析参数，pa表示电力物联设备自描述属性关联融合的联合熵满足参数。

采用二阶广义积分器来处理量测，得到输出稳态特征量为：

电力物联设备自描述属性关联副本相关量为：

式中，σ表示电力物联设备自描述属性关联信息样本类别数，mk表示第k类线性分布属性参数，此时电力物联设备[16]自描述属性关联特征分布的联合熵为Xk=[xk1,xk2,…,xkm,…,xkM]，综上算法设计，实现对电力物联设备自描述属性关联融合。

3 仿真测试和结果分析

电力物联设备自描述属性参数分布的类别数为24 个，设定电力物联设备的分布节点数为120 个，电压电流线性相关分布的伏安曲线如图3 所示。

根据图3 对电力物联设备自描述属性关联参数中的伏安曲线解析结果，监测点1 的电压总体上随着电流的增加而降低，监测点2 的电压总体上随着电流的增加而增加，中间均出现上下波动状态。采用离散化换相控制，得到优化的电力物联设备自描述属性融合权系数如表1 所示。

图3 电压电流线性相关性伏安曲线

表1 电力物联设备自描述属性融合权系数

根据表1 对电力物联设备的自描述属性融合权系数解析结果，实现对电力物联设备自描述属性融合，得到电力物联设备自描述属性融合尺度输出对比如图4 所示。

图4 融合尺度结果

分析图4 得知，该文方法进行电力物联设备自描述属性融合的输出增益较大，测试不同方法进行电力物联设备自描述属性融合的收敛误差，得到对比结果如表2 所示。

表2 电力物联设备自描述属性融合收敛误差

分析表2 得知，对比文献[4]方法、文献[5]方法以及文献[6]方法，该文方法进行电力物联设备自描述属性融合的收敛误差较小。其原因是该文方法通过特征空间重组和信息融合方法实现对电力物联设备自描述属性分类检测，在一定程度上有利于电力物联设备自描述属性融合收敛。

4 结束语

为构建优化的电力物联设备信息化管理模型，采用大数据信息组合控制和信息融合的方法，实现对电力物联设备自描述属性调度和优化管理，该文提出基于ECIM 模型的电力物联设备自描述属性关联融合系统设计方法。采用特征项的类间识别和信息属性分布式检测方法，构建电力物联设备自描述属性融合的熵分布模型，采用ECIM 模型进行电力物联设备自描述属性关联融合调度，挖掘电力物联设备自描述属性大数据，通过特征空间重组和信息融合方法实现对电力物联设备自描述参数特征匹配。由研究可知，该文方法进行电力物联设备自描述属性融合的误差较低，收敛性较好。