电力物联网用户侧负荷数据动态R-树匹配方法

胡为民，杜丰夷，邓辉，闫超，刘晓峻

（国网湖北省电力有限公司宜昌供电公司，湖北武汉 443000）

用户侧负荷数据是电力物联网数据汇总与运营管理中的关键信息，其接收的业务内容呈现出大量数据连接、并发数据交换、实时闭环控制等复杂多样的快速发展态势，必将对主站内部的计算控制体系提出更为巨大的考验。而伴随智慧传感、物联网、5G网络、人工智能等新信息的日益快速发展和广泛应用，电力物联网用户侧负荷数据的动态匹配方法逐渐成为该领域研究的重点。

对此，相关领域学者进行了相关研究。文献[1]提出采用云边端协作的电力物联网用户侧负荷数据分析应用架构，运用边缘计算和云计算之间的互补性原理，设计客户侧数据分析应用架构，进而对客户侧数据分析实现更广而深入的价值，但此方法在边缘计算的过程中耗费时间长，运算量大，反应速度缓慢。文献[2]提出电力物联网云主站计算负荷模式的数据优化配置，通过马尔可夫链描述设备工作状态的规律，形成状态相关的计算负荷模式，并将之构建成业务数据库，用以研究不同时期各种业务的计算负荷特点，采用云资源优化配置双目标优化模式，采用逼近理想解排序算法从帕累托问题前沿求解集中得到的最佳值，完成优化配置。但此方法在模型的稳定性控制方面仍有不足。为了解决上述问题，提出一种电力物联网用户侧负荷数据动态R-树匹配方法。

1 用户侧负荷数据动态分析

为保障电力物联网的工作安全性，实现数据分析管理，通过应用数据互动对多主体电能进行交换，评估设备工作情况，分析用户侧负荷数据，分析过程主要包含数据检测与数据动态特征提取两部分[3-4]。

1.1 数据检测

建立电力物联网的负荷计算模型Q，通过计算模型对用户侧负荷数据进行检测，其原理如式（1）所示：

其中，L表示电网运行数据集合；R表示用户侧负荷数据类型。

电力物联网设备在工作过程中会产生多时间尺度和多空间尺寸信息，这种信息隐含着工作时间的变化，因此深入剖析运动阶段的时间规律，对历史运行信息进行统一化处理[5-6]。在运动的第j个k时刻的时间段内，负荷历史运行信息集合Y如式（2）所示：

其中，E为第j天电网运行数据总和；S为每天内的总采样个数，根据负荷历史运行信息分析结果完成对用户侧负荷数据的检测。

1.2 动态特征提取

采用分段线性化方式对电力物联网的负荷计算模型加以处理，并通过归一化处理提取应用侧的负载数据动态特征。针对用户侧负荷数据凸优化问题，分析加权所形成的权重向量数值，如果所得数值均为非负值，则需要通过归一化方案计算最优解[7-8]。为综合提取不同的侧负荷参数及其动态特性，构造线性归一化技术进行处理，计算过程如式（3）所示：

其中，ρ表示在第j个目标函数归一化后产生的最终数据结果；g表示所有目标函数相加值；m代表第j个目标函数的结果。采用归一化技术把原始模型转化为式（4）所示：

谭传华“阴谋”第一计：抓住一切启发机会。范成琴喜欢风花雪月，那就带她去看电影《牧马人》。妻子一感动，他就趁机引导：“你看电影里的女主角，既刚强火热又柔情似水，既忠贞又能干，真是男人理想的人生伴侣……”可惜他低估了“敌方”的战斗力。“我明白你的意思……”范成琴闻言立刻变脸，扔下丈夫，自己大步走在前面，“可惜我不是她，我就是我。”

其中，O表示转换后的公式；w为平衡二目标函数的权重，通过计算权重值完成对电力用户侧负荷数据的动态特征提取。

2 动态R-树匹配方法

该文提出的R-树匹配方法是基于B-树衍生出的一种数据结构，其分支的长度均相同。R-树的结点主要包括两种：内部结点和叶子结点。内部结点由一些形状如R 的词条构成，这些词条表示子结点的最小界限矩形(Minimum Bounding Rectangle,MBR)。R-树的每个结点都包含了其子结点的所有MBR，以便用于快速检索。叶子结点由一些小词条构成，每个词条代表一个目标物体，并包含了该目标物体的标识符和其对应的最小界限矩形。动态R-树如图1 所示。

图1 动态R-树

观察图1 可知，动态R-树包含多个分支，通过不同分支进行数据迭代，不断更新，实现信息匹配。R-树是一个多维空间搜索技术，R-树匹配计算的核心是确定电力物联网用户侧负荷数据的特征，其实质上是矩形的求交问题，利用R-树匹配机制实现对电力物联网用户侧负荷数据的动态匹配[9-10]。

2.1 R-树匹配矩阵计算函数

R-树内部的更新域关联的每个矩形构成的集为更新集，记做χ；与订单域相应的每个矩形构成的新集叫做订单集，记为V。利用更新集上的矩形生成R-树，由于更新集的每个矩形发生在叶结点上，因此该文从更新集找到与该矩形交集的新矩形，矩阵计算函数如式（5）所示：

R-树形成与保存的过程取决于对树形结点的分割以及树形结构的压缩结果[11]。

将结点上的矩形与待插入矩形放置在同一位置，从中选取距离中心间距最远的矩形作为目标矩阵，建立两个集合，对于剩余的矩形，将其扩充至最小界限矩形中。当最后一个集中的矩形个数小于总数的一半时，所有剩余矩形全部进入另一个集合。将两个集中的矩形组成两个新的结点，以代替原有的结点进入其父结点，分析父结点的分裂情况，若父结点无须分裂，就需要对相关最小界限矩形树进行调整，按顺序向前进行，到达根结点后停止。在删除叶结点上的矩形块后，判定目标结点的条数，对R-树进行压缩处理[12]。

2.2 叶结点的Hash索引

坐标空间中的矩形除其本身的长度、宽度等数据之外，中心位置数据也是关键数据。在分析数据过程中，利用Hash 索引进行精确定位，则有式（6）：

其中，矩形的长度和宽度分别是a和b，矩形的中心在空间中的位置为(x,y)，P、T为常量；函数k为指针函数。叶结点的Hash 索引流程如图2 所示。

图2 叶结点Hash索引流程

观察图2 可知，首先把目标结点的其余条目写入R-树，再删去该结点父结点的相应条目；确定其父结点的条目数是否等于m，若等于m，则重复上述运算；若不为m可选择父结点上相关根的最小界限矩形，按顺序向前发送，直至确定父结点数值已经到达根结点为止，结束索引，输出索引结果[15]。

2.3 R-树匹配流程

按照提取的电力物联网用户侧负荷数据动态特征，可把匹配算法的实现分成静态和动态两种。静止匹配算法的更新集与订单集在整体模拟工作的起始阶段选定后，在整体模拟工作流程中保持不变化。静止匹配算法的实现方式具有一定的简便性，但缺乏弹性，仅能在一定范围内完成匹配，而移动匹配算法则与之完全相反，因而移动匹配算法拥有更广泛的使用范围。基于R-树的匹配算法也能够适应移动匹配算法的功能要求，实现过程如式（7）所示：

其中，i表示移动匹配数值；f(x,y)表示R-树空间坐标。

以更新集的所有矩形作为目标数据内容建立R-树，根据信息匹配结果完成R-树的动态信息分析，实现电力物联网用户侧负荷数据动态匹配[16]。

3 实验研究

为了验证该文提出的电力物联网用户侧负荷数据动态R-树匹配方法的实际应用效果，设计对比实验。选用传统的基于云-边-端协同的数据匹配方法和计算负荷模型与资源优化配置数据匹配方法作为实验对比方法。

在实验过程中，选用IEE33 结点的电力物联网作为实验测试电力物联网，物联网内部的工作电压为400 V，工作电流为200 A，工作频率为150 Hz，操作系统为Windows10系统。确定3 000个样本场景，分析负荷资源的配置效果，根据电力物联网的内部资源配置确定计算负荷变化情况，同时使用三种匹配方法进行数据匹配，分别检测数据插入、数据匹配、数据维护过程中的延时时间，得到的实验结果如图3 所示。

图3 数据插入延时时间

观察图3 可知，随着匹配数据量的增加，延时时间也在不断增加，在匹配数据量低于150 GB时，传统的基于云-边-端协同的数据匹配方法延时时间最低，当达到150 GB时，该文提出的方法延时时间与传统的基于云-边-端协同的数据匹配方法一致，都为18 s，随着数据量的增加，基于云-边-端协同的数据匹配方法延时时间出现明显增加，而该文提出的方法延时时间增加速度十分缓慢，在数据量为300 GB时，延时速率仅为20 ms，具有优异的应用性能，而传统的计算负荷模型与资源优化配置数据匹配方法延时时间始终极长，不适合实际匹配应用。

观察图4 可知，基于云-边-端协同的数据匹配方法的延时时间与数据量呈现正相关，随着数据量的增加延时时间急剧增加，当数据量为300 GB时，延时时间已经达到35 ms，而该文提出的匹配方法延时时间始终低于20 ms，匹配实时性较好。

图4 数据匹配延时时间

观察图5 可知，在后期维护过程中，两种传统匹配方法的延时时间过长，在匹配过程很容易受到外界干扰。而提出的匹配方法的延时时间极短，始终低于11 ms，证明匹配效果较好，后期不需要过多维修。

图5 数据维护延时时间

综上所述，提出的基于R-树匹配方法具有极强的匹配能力，匹配过程中的延时时间很短，对于电力物联网的数据分析工作有关键意义。

4 结束语

电力物联网用户侧负荷数据动态匹配对于电力物联网领域有着至关重要的作用，利用电力物联网负荷计算模型对用户侧负荷数据进行分析，并提取其动态特征，通过设计的R-树匹配机制，完成对电力物联网用户侧负荷数据动态匹配。经实验表明，提出的匹配方法在计算速度、成本控制、稳定性方面都具有较好的应用性能，适用于实际使用。