曹東梅
數據的多點分布構成的網絡結構已經形成拓撲網絡結構,其結構狀況的好壞直接決定電力系統能否健康運行,因此其分析方法的準確度尤為重要[1-2]。在網絡云邊通信計算方面,云邊動態數據參量與拓撲鏈路非線性分布數據難以統一參量轉換,無法按照同一指標進行處理分析,最終導致整體分析結果出現較大誤差[3-4]?;谏鲜鰡栴},有必要進行基于云模型RBF支持向量機的電力物聯網云邊通信網絡結構拓撲分析。
圖1 云模型結構
根據拓撲網絡結構分析趨向及其云模型的不確定性與模糊性,多采用收斂值域范圍較寬、維度適應性好的徑向基核函數。確定核函數屬性后,對其核函數優化性能取決于懲罰參數與的選取,即懲罰系數的選取過程可視為RBF支持向量機優化過程,具體過程如下:
為了進一步確定拓撲網絡結果狀態屬性,提升網絡拓撲結構評估精度,對其進行進一步優化,根據不同拓撲結構屬性的云邊模型系數,對其進行逐一優化,具體步驟如下:
1.根據云邊網絡結構層級關系,各層級拓撲結構屬性進行期望值計算,得到:
變換約束條件為:
Lagrange乘子滿足條件:
由于優化目標為提升網絡拓撲結構分析精準度,因此將目標準確率作為SVM參數優化目標函數,得到更新優化參量后的問題目標函數為:
優化輸出約束條件為:
到此,提出的云邊網絡通信拓撲結構分析優化過程全部計算完畢。
利用仿真工具模擬拓撲網絡結構,由云網絡提供云邊算力,以1臺商用路由器作為網關,創建一個小型電力物聯網云邊通信網絡拓撲結構。在其結構環境下完成提出方法拓撲結構分析精準度評估測試。
測試采用仿真工具Opnet進行場景模擬搭建,配合真實場景網關設備。
為避免多層結構中擾動系數對測試的影響,將拓撲結構層級數設定為3層,二級結構上分別接入云網絡,以此模擬云邊算力,測試網絡環境的鏈路為300MB,其仿真模型的具體參數如表1所示。
表1 測試環境樣本參量
將提出方法接入仿真測試環境,并對測試拓撲網絡進行結構數據分析,由仿真測試工具Opnet對其動作數據進行記錄,生成提出方法的拓撲網絡狀況分析數據,如表2所示。
表2 提出方法的拓撲結構網絡狀況分析數據
由表2數據可以看出,提出方法所得數據與表1中的測試數據之間的整體誤差較小,滿足預期。
驗證提出方法的準確性與有效性后,為了保證方法能夠穩定長效應用于實際場景,對其進行數據連續性壓力測試,測試數據環境采用上述測試參量,按照100ms的頻率對其進行數據釋放,在不考慮數據總量的情況下,連續記錄12小時的方法性能曲線,如圖2所示。
由圖2數據可以看出,經過云模型RBF支持向量機優化后的電力物聯網云邊通信網絡拓撲結構分析方法,各項指標能夠支持對其作出穩定性通過結論,且各項指標數據符合客觀性與可靠性要求。
從拓撲網絡結構入手,利用云模型的不確定性問題優化能力與RBF支持向量機非線性優化特征,共同解決現有電力物聯網云邊通信網絡拓撲結構分析方法存在的誤差問題,并取得較好的優化效果,為拓撲結構網絡的深度分析與研究,提供了多元化處理方案。