电力物联网工程中的分层聚合技术研究

(整期优先)网络出版时间:2022-11-10
/ 2

电力物联网工程中的分层聚合技术研究

禤志雄

身份证号:450404196802041217

摘要:电力物联网是指通过智能传感和通信装置在电力系统中实现有效的信息感知和获取,经由无线或有线网络进行可靠信息传输,并对感知和获取的信息进行智能处理,实现自动化信息交互与处理的网络。电力物联网技术应用于智能电网,将能有效地为电网中各环节提供重要技术支撑,为国家节能减排目标做出贡献。因此电力物联网完全可成为推动智能电网发展的重要技术手段。基于此,本文主要对电力物联网中的分层聚合技术进行分析探讨。

关键词:电力物联网;分层聚合;技术研究

1、前言

智能电网从根本上讲是将信息技术与传统电网高度“融合”,从而极大地提升电网的信息感知、信息互联和智能控制能力,提高电网品质,实现各种新的应用。因此,它需要进行大量信息采集,并通过庞大通信网络,形成实时、高速、双向的信息流,采用开放的系统和共享的信息模式,促进电力流、信息流、业务流的高度融合和统一,以保证包括从需求侧设施到广泛分散的分布式发电再到电力市场的整个电力系统及相关环节的正常运行,支撑各类业务正常运转。

2电力物联网信息聚合技术

物联网信息聚合技术在传输数据的同时对数据进行处理,传输与融合并行。数据在由采集终端到用户终端的传输过程中,完成了复杂的信息处理流程,而具体的信息处理方法则根据不同的智能电网应用需求进行设计和实现。由信息聚合技术带来的直接优势主要体现在以下2个方面。

1)从面向智能电网的物联网网络结构来看,数据经过大量底层的采集和感知设备层层聚集,传输到汇聚设备,这种网络数据流量分布特性称为“漏斗效应”。网络规模越大,数据流量越多,“漏斗”的瓶颈压力也就越大,发生阻滞和拥塞的可能性也越大,将会严重影响网络性能。在智能电网的实际应用中,位置相近的传感器节点采集到的环境信息往往具有较高的相似性,重复的发送冗余信息造成严重的额外消耗。因此,将具有较高相关度的多个感知设备信息先进行合并处理,得到高质量数据再进行发送将会减小网络中传输的数据总量,节省网络带宽。网内信息聚合技术针对底层节点庞大的数据流量,随着网内处理和数据汇聚程度的增加,保证基本信息不丢失的前提下,降低数据总量、减小网络冗余、提高网络性能。

2)网内信息聚合技术对原始采集数据进一步包装整合,将大量的信息处理和计算移植到物联网内部进行,从而简化对用户端的设备要求,用户侧可以使用更加低端和简易的设备进行感知信息的读取和应用。

网内信息聚合技术使智能电网具有更高级、更完善的信息处理能力,监测现场的感知信息将更易理解,高度契合智能化的信息需求。网内信息融合技术还扩展了单个感知小区内数据的连通性,通过协同工作的工作模式,感知设备之间信息交互,能够进行数学计算,得到网络管理、移动性管理、业务管理、数据传输等优化结果,辅助上层的业务操作、传输选路、用户决策等。

3电力物联网的数据融合

数据融合是物联网信息聚合技术中重要的环节,电力物联网实现的不仅是感知数据的采集与透明传输,网络在实时、可靠地传输数据的同时,在原始数据采集的基础上,网络内部进行了大量数据融合工作,传输到管理平台的感知信息将是从海量的、可能是杂乱的、难以理解的原始数据中抽取并推导出的对于特定的智能电网管理者具有价值和意义的处理后数据。

网内数据融合处理与智能电网的应用模式密切相关,涉及多种数据处理功能。针对不同信息获取需求,选择不同的数据融合功能,从而满足对特定应用场景的需求。数据整合功能如图 1所示,根据操作对象的特点,网内数据融合分为:数据级、特征级、融合级、表示级。

图1

3.1数据级处理

1)数据存储:数据存储方式直接影响系统各个数据处理模块的运行,采集的数据可以选择性地进行分布式或者中央集控式等存储方式,存储方式要考虑到节点容量限制、数据收集和分发模式、冗余备份和能耗最小化等问题。

2)数据备份:网内数据具有一定的时间有效性,在进行网内数据处理时,处理的结果可以实时的传输到终端用户,以便针对发生的事件进行及时有效的处理控制。但对于重要的数据,需要进行数据备份,制作历史记录以备查询,备份的数据在超过数据的时间有效期之后可以删除。

3.2特征级处理

1)特征提取:对某一模式的一组测量值进行计算和变换,突出该模式具有代表性的特征,针对不同的数据特征,进行数据处理。同一个模拟信息源有不同的特征提取方法,根据不同的应用场景选择需要提取的特征。

2)数据分类:利用提取的不同数据特征,可以把采集的数据按不同需求整理分类,可以按数据属性、数据包长度、数据内容等多种规则进行分类。在分类基础上,数据便于进行下一级的融合处理,分类规则与更高层的融合策略有关。

3)数据排序:数据排序功能需要数据库支持,通过对数据项的特征排序,可以实现数据按不同的优先级处理,经过排序整理后的数据,便于提高传输有序性,同时也优化了用户所获得的信息结果。

3.3融合级处理

1)数据关联:关联分析的目的是找出数据中隐藏的关联网。某种情况下的感知信息获取,单一的数据不能表征物体的特性,需要多个数据协同表示。数据关联的结果取决于关联规则的可信程度。关联可分为多维度的不同数据关联、多时刻的数据关联、多个不同类型的数据关联。

2)数据变换:某些信息(例如图像特征的信息)直接处理的复杂性非常大,为了方便处理,需要对这类信息进行数据的变换,在变换域中进行数据处理。通过对这类数据的变换计算能节省传感器网络的计算资源。对于标量数据,数据变换主要用于计算数据的最大最小值、平均值、统计计数等。

3)数据合并:数据合并处理数据项之间的关系,合并相同的数据项,或按照关联规则进行数据项的合并,从而减少数据量,减少冗余,降低网络的传输开销和能耗。

4)数据加密:考虑到智能电网较为敏感的安全问题,数据加密以加密格式存储和传输敏感数据。加密算法是公开的,而密钥是不公开的。密文不应为无密钥的用户理解,用于数据的存储以及传输。传统加密方法有替换和置换。替换的方法是使用密钥将明文中的每1个字符转换为密文中的1个字符,而置换仅将明文的字符按不同的顺序重新排列。

4结语

电力物联网将为推动智能电网发展的提供重要技术手段,解决电网各个环节重要运行参数的在线监测和实时信息掌控。而针对智能电网中需要采集、感知和识别的海量终端信息,物联网的信息聚合技术在网络传输的过程中对数据计算处理,通过数据融合方法,消除信息冗余,降低网络传输数据量,避免网络拥塞,提供更精确、全面、易理解的信息。

参考文献:
[1]黄华.物联网中传感节点数据异常检测方法研究[J].计算机仿真,2012,29(05):159-162.

[2]刘海涛.物联网应用技术[M].北京:机械工业出版社,2011.