電力物聯網用戶側負荷數據動態R-樹匹配方法

胡為民，杜豐夷，鄧輝，閆超，劉曉峻

（國網湖北省電力有限公司宜昌供電公司，湖北武漢 443000）

用戶側負荷數據是電力物聯網數據匯總與運營管理中的關鍵信息，其接收的業務內容呈現出大量數據連接、并發數據交換、實時閉環控制等復雜多樣的快速發展態勢，必將對主站內部的計算控制體系提出更為巨大的考驗。而伴隨智慧傳感、物聯網、5G網絡、人工智能等新信息的日益快速發展和廣泛應用，電力物聯網用戶側負荷數據的動態匹配方法逐漸成為該領域研究的重點。

對此，相關領域學者進行了相關研究。文獻[1]提出采用云邊端協作的電力物聯網用戶側負荷數據分析應用架構，運用邊緣計算和云計算之間的互補性原理，設計客戶側數據分析應用架構，進而對客戶側數據分析實現更廣而深入的價值，但此方法在邊緣計算的過程中耗費時間長，運算量大，反應速度緩慢。文獻[2]提出電力物聯網云主站計算負荷模式的數據優化配置，通過馬爾可夫鏈描述設備工作狀態的規律，形成狀態相關的計算負荷模式，并將之構建成業務數據庫，用以研究不同時期各種業務的計算負荷特點，采用云資源優化配置雙目標優化模式，采用逼近理想解排序算法從帕累托問題前沿求解集中得到的最佳值，完成優化配置。但此方法在模型的穩定性控制方面仍有不足。為了解決上述問題，提出一種電力物聯網用戶側負荷數據動態R-樹匹配方法。

1 用戶側負荷數據動態分析

為保障電力物聯網的工作安全性，實現數據分析管理，通過應用數據互動對多主體電能進行交換，評估設備工作情況，分析用戶側負荷數據，分析過程主要包含數據檢測與數據動態特征提取兩部分[3-4]。

1.1 數據檢測

建立電力物聯網的負荷計算模型Q，通過計算模型對用戶側負荷數據進行檢測，其原理如式（1）所示：

其中，L表示電網運行數據集合；R表示用戶側負荷數據類型。

電力物聯網設備在工作過程中會產生多時間尺度和多空間尺寸信息，這種信息隱含著工作時間的變化，因此深入剖析運動階段的時間規律，對歷史運行信息進行統一化處理[5-6]。在運動的第j個k時刻的時間段內，負荷歷史運行信息集合Y如式（2）所示：

其中，E為第j天電網運行數據總和；S為每天內的總采樣個數，根據負荷歷史運行信息分析結果完成對用戶側負荷數據的檢測。

1.2 動態特征提取

采用分段線性化方式對電力物聯網的負荷計算模型加以處理，并通過歸一化處理提取應用側的負載數據動態特征。針對用戶側負荷數據凸優化問題，分析加權所形成的權重向量數值，如果所得數值均為非負值，則需要通過歸一化方案計算最優解[7-8]。為綜合提取不同的側負荷參數及其動態特性，構造線性歸一化技術進行處理，計算過程如式（3）所示：

其中，ρ表示在第j個目標函數歸一化后產生的最終數據結果；g表示所有目標函數相加值；m代表第j個目標函數的結果。采用歸一化技術把原始模型轉化為式（4）所示：

譚傳華“陰謀”第一計：抓住一切啟發機會。范成琴喜歡風花雪月，那就帶她去看電影《牧馬人》。妻子一感動，他就趁機引導：“你看電影里的女主角，既剛強火熱又柔情似水，既忠貞又能干，真是男人理想的人生伴侶……”可惜他低估了“敵方”的戰斗力?！拔颐靼啄愕囊馑肌狈冻汕俾勓粤⒖套兡?，扔下丈夫，自己大步走在前面，“可惜我不是她，我就是我?！?/p>

其中，O表示轉換后的公式；w為平衡二目標函數的權重，通過計算權重值完成對電力用戶側負荷數據的動態特征提取。

2 動態R-樹匹配方法

該文提出的R-樹匹配方法是基于B-樹衍生出的一種數據結構，其分支的長度均相同。R-樹的結點主要包括兩種：內部結點和葉子結點。內部結點由一些形狀如R 的詞條構成，這些詞條表示子結點的最小界限矩形(Minimum Bounding Rectangle,MBR)。R-樹的每個結點都包含了其子結點的所有MBR，以便用于快速檢索。葉子結點由一些小詞條構成，每個詞條代表一個目標物體，并包含了該目標物體的標識符和其對應的最小界限矩形。動態R-樹如圖1 所示。

圖1 動態R-樹

觀察圖1 可知，動態R-樹包含多個分支，通過不同分支進行數據迭代，不斷更新，實現信息匹配。R-樹是一個多維空間搜索技術，R-樹匹配計算的核心是確定電力物聯網用戶側負荷數據的特征，其實質上是矩形的求交問題，利用R-樹匹配機制實現對電力物聯網用戶側負荷數據的動態匹配[9-10]。

2.1 R-樹匹配矩陣計算函數

R-樹內部的更新域關聯的每個矩形構成的集為更新集，記做χ；與訂單域相應的每個矩形構成的新集叫做訂單集，記為V。利用更新集上的矩形生成R-樹，由于更新集的每個矩形發生在葉結點上，因此該文從更新集找到與該矩形交集的新矩形，矩陣計算函數如式（5）所示：

R-樹形成與保存的過程取決于對樹形結點的分割以及樹形結構的壓縮結果[11]。

將結點上的矩形與待插入矩形放置在同一位置，從中選取距離中心間距最遠的矩形作為目標矩陣，建立兩個集合，對于剩余的矩形，將其擴充至最小界限矩形中。當最后一個集中的矩形個數小于總數的一半時，所有剩余矩形全部進入另一個集合。將兩個集中的矩形組成兩個新的結點，以代替原有的結點進入其父結點，分析父結點的分裂情況，若父結點無須分裂，就需要對相關最小界限矩形樹進行調整，按順序向前進行，到達根結點后停止。在刪除葉結點上的矩形塊后，判定目標結點的條數，對R-樹進行壓縮處理[12]。

2.2 葉結點的Hash索引

坐標空間中的矩形除其本身的長度、寬度等數據之外，中心位置數據也是關鍵數據。在分析數據過程中，利用Hash 索引進行精確定位，則有式（6）：

其中，矩形的長度和寬度分別是a和b，矩形的中心在空間中的位置為(x,y)，P、T為常量；函數k為指針函數。葉結點的Hash 索引流程如圖2 所示。

圖2 葉結點Hash索引流程

觀察圖2 可知，首先把目標結點的其余條目寫入R-樹，再刪去該結點父結點的相應條目；確定其父結點的條目數是否等于m，若等于m，則重復上述運算；若不為m可選擇父結點上相關根的最小界限矩形，按順序向前發送，直至確定父結點數值已經到達根結點為止，結束索引，輸出索引結果[15]。

2.3 R-樹匹配流程

按照提取的電力物聯網用戶側負荷數據動態特征，可把匹配算法的實現分成靜態和動態兩種。靜止匹配算法的更新集與訂單集在整體模擬工作的起始階段選定后，在整體模擬工作流程中保持不變化。靜止匹配算法的實現方式具有一定的簡便性，但缺乏彈性，僅能在一定范圍內完成匹配，而移動匹配算法則與之完全相反，因而移動匹配算法擁有更廣泛的使用范圍?；赗-樹的匹配算法也能夠適應移動匹配算法的功能要求，實現過程如式（7）所示：

其中，i表示移動匹配數值；f(x,y)表示R-樹空間坐標。

以更新集的所有矩形作為目標數據內容建立R-樹，根據信息匹配結果完成R-樹的動態信息分析，實現電力物聯網用戶側負荷數據動態匹配[16]。

3 實驗研究

為了驗證該文提出的電力物聯網用戶側負荷數據動態R-樹匹配方法的實際應用效果，設計對比實驗。選用傳統的基于云-邊-端協同的數據匹配方法和計算負荷模型與資源優化配置數據匹配方法作為實驗對比方法。

在實驗過程中，選用IEE33 結點的電力物聯網作為實驗測試電力物聯網，物聯網內部的工作電壓為400 V，工作電流為200 A，工作頻率為150 Hz，操作系統為Windows10系統。確定3 000個樣本場景，分析負荷資源的配置效果，根據電力物聯網的內部資源配置確定計算負荷變化情況，同時使用三種匹配方法進行數據匹配，分別檢測數據插入、數據匹配、數據維護過程中的延時時間，得到的實驗結果如圖3 所示。

圖3 數據插入延時時間

觀察圖3 可知，隨著匹配數據量的增加，延時時間也在不斷增加，在匹配數據量低于150 GB時，傳統的基于云-邊-端協同的數據匹配方法延時時間最低，當達到150 GB時，該文提出的方法延時時間與傳統的基于云-邊-端協同的數據匹配方法一致，都為18 s，隨著數據量的增加，基于云-邊-端協同的數據匹配方法延時時間出現明顯增加，而該文提出的方法延時時間增加速度十分緩慢，在數據量為300 GB時，延時速率僅為20 ms，具有優異的應用性能，而傳統的計算負荷模型與資源優化配置數據匹配方法延時時間始終極長，不適合實際匹配應用。

觀察圖4 可知，基于云-邊-端協同的數據匹配方法的延時時間與數據量呈現正相關，隨著數據量的增加延時時間急劇增加，當數據量為300 GB時，延時時間已經達到35 ms，而該文提出的匹配方法延時時間始終低于20 ms，匹配實時性較好。

圖4 數據匹配延時時間

觀察圖5 可知，在后期維護過程中，兩種傳統匹配方法的延時時間過長，在匹配過程很容易受到外界干擾。而提出的匹配方法的延時時間極短，始終低于11 ms，證明匹配效果較好，后期不需要過多維修。

圖5 數據維護延時時間

綜上所述，提出的基于R-樹匹配方法具有極強的匹配能力，匹配過程中的延時時間很短，對于電力物聯網的數據分析工作有關鍵意義。

4 結束語

電力物聯網用戶側負荷數據動態匹配對于電力物聯網領域有著至關重要的作用，利用電力物聯網負荷計算模型對用戶側負荷數據進行分析，并提取其動態特征，通過設計的R-樹匹配機制，完成對電力物聯網用戶側負荷數據動態匹配。經實驗表明，提出的匹配方法在計算速度、成本控制、穩定性方面都具有較好的應用性能，適用于實際使用。