一种透明变电站小微智能传感器网络拥塞模型的构建方法技术

本发明专利技术公开了一种透明变电站小微智能传感器网络拥塞模型的构建方法，涉及透明变电站小微智能传感器技术领域，建立透明变电站小微智能传感器网络拥塞控制系统的标称模型；根据标称模型建立线性偏差模型，获取透明变电站小微智能传感器网络拥塞控制系统的数据并处理得到数据对；通过采用监督学习通过数据对对线性模型求解得到最终线性偏差模型，将标称模型与最终线性偏差模型参数结合得到小微智能传感器网络拥塞模型，通过监督学习得到线性偏差模型，实现小微智能传感器网络拥塞模型的实时精确构建，解决了透明变电站小微智能传感网络拥塞标称模型在建立时存在的参数辨识不准确、模型具有不确定性以及应用时存在的时间延迟、通信干扰等扰动问题。通信干扰等扰动问题。通信干扰等扰动问题。

【技术实现步骤摘要】
neural network；页码：1085
‑
1093)。上述工作虽然根据不同的思路对网络拥塞展开了研究，但大多基于不准确的模型并从补偿控制的角度进行研究、且需要较大的计算量和存储空间，而构成透明变电站的小微智能传感器往往具有有限的计算资源和存储空间，因此，应该考虑如何通过较小的计算量实现透明变电站小微智能传感器网络拥塞模型的实时精确构建。

技术实现思路

[0004]本专利技术的目的在于提供一种透明变电站小微智能传感器网络拥塞模型的构建方法，从而克服了现有考虑小微智能传感网络拥塞标称模型在建立时存在的参数辨识不准确、模型具有不确定性以及应用时存在的时间延迟、通信干扰等扰动问题。
[0005]为实现上述目的，本专利技术提供了一种透明变电站小微智能传感器网络拥塞模型的构建方法，包括以下步骤：
[0006]建立透明变电站小微智能传感器网络拥塞控制系统的标称模型；
[0007]根据所述标称模型建立透明变电站小微智能传感器网络拥塞控制系统的线性偏差模型；
[0008]获取透明变电站小微智能传感器网络系统的传输数据，并将所述传输数据输入所述线性偏差模型得到数据对；
[0009]采用监督学习结合所述数据对对线性偏差模型进行求解，得到最终线性偏差模型；
[0010]将所述标称模型与所述最终线性偏差模型结合得到小微智能传感器网络拥塞模型。
[0011]优选地，还包括：根据所述小微智能传感器网络拥塞模型设计控制器，通过所述控制器对透明变电站小微智能传感器网络进行控制。
[0012]优选地，所述标称模型的表达式为：
[0013][0014][0015][0016]上式中，w(t)表示时刻t的窗口大小，R(t)表示时刻t的往返时延，p(t)表示时刻t的丢包概率，q(t)表示时刻t的队列长度，C为链路容量，N为活动TCP 连接数，T
p
为固定广播时延。
[0017]优选地，对所述标称模型进行转换，具体包括：
[0018]将窗口大小和队列长度(w(t),q(t))作为状态，并令x(t)＝(w(t),q(t))，分组丢弃概率p(t)作为输入，队列长度q(t)作为输出，则小微智能传感器网络拥塞控制系统的标称模型转化为：
[0019][0020]上式中，和为转化后的标称模型参数，为转化后的标称模型参数，表示q(t)的一阶导数，表示q(t)的二阶导数，变量顶部的上划线表示对应设定的标称模型。
[0021]优选地，所述线性偏差模型的表达式为：
[0022][0023]上式中，为权重，为残差，变量顶部的波浪线表示它们是通过实际运行的数据进行估计得到的。
[0024]优选地，对所述线性偏差模型进行变换得到的线性偏差模型的表达式为：
[0025][0026]优选地，所述线性偏差模型输出数据为带标签的数据。
[0027]优选地，采用岭回归方法对线性偏差模型进行求解。
[0028]优选地，所述小微智能传感器网络拥塞模型的表达式为：
[0029][0030]上式中，
[0031]与现有的技术相比，本专利技术具有如下有益效果：
[0032]1、本专利技术所提供的透明变电站小微智能传感器网络拥塞模型的构建方法建立透明变电站小微智能传感器网络拥塞控制系统的标称模型；根据所述标称模型建立透明变电站小微智能传感器网络拥塞控制系统的线性偏差模型，获取透明变电站小微智能传感器网络系统的传输数据，并将所述传输数据输入所述线性偏差模型得到数据对，采用监督学习结合数据对对线性偏差模型进行求解，得到线性偏差模型参数，将线性偏差模型参数带入线性模型得到最终线性偏差模型，将所述标称模型与所述最终线性偏差模型结合得到实时的、精确的小微智能传感器网络拥塞模型，通过监督学习得到线性偏差模型，实现了小微智能传感器网络拥塞模型的实时精确构建，解决了透明变电站小微智能传感网络拥塞标称模型在建立时存在的参数辨识不准确、模型具有不确定性以及应用时存在的时间延迟、通信干扰等扰动问题。
[0033]2、本专利技术所提供的透明变电站小微智能传感器网络拥塞模型的构建方法只围绕当前状态的小邻域对系统的行为进行局部建模，因此，即使对于复杂系统，通过较少的样本(也意味着较小的而计算成本)，也可以实现对模型的学习。
[0034]3、本专利技术所提供的透明变电站小微智能传感器网络拥塞模型的构建方法中，学习的参数是与状态相关的，因此是时变的。且与系统辨识识别参数的目标不同，本专利技术所用方法的目标只是为下一时刻的模型提供准确的预测，这使得所用方法不依赖于参数的特定含义，后续的小微智能传感器网络拥塞控制器的设计可以采用通用的基于模型的控制器。
附图说明
[0035]为了更清楚地说明本专利技术的技术方案，下面将对实施例描述中所需要使用的附图
作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0036]图1是本专利技术一种透明变电站小微智能传感器网络拥塞模型的构建方法的流程图。
具体实施方式
[0037]下面结合本专利技术实施例中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0038]图1所示了本专利技术所提供的其中一个实施例透明变电站小微智能传感器网络拥塞模型的构建方法，包括以下步骤：
[0039]S1、建立透明变电站小微智能传感器网络拥塞控制系统的标称模型；
[0040]S2、根据所述标称模型建立透明变电站小微智能传感器网络拥塞控制系统的线性偏差模型；
[0041]S3、获取透明变电站小微智能传感器网络系统的传输数据，并将所述传输数据输入所述线性偏差模型得到数据对；
[0042]其中，透明变电站小微智能传感器网络系统的数据包括：队列长度、窗口大小、丢包概率和往返时延数据；线性偏差模型输出以及计算得到的丢包概率形成数据对。
[0043]S4、采用监督学习结合所述数据对对线性偏差模型的参数进行求解对应参数，从而得到最终线性偏差模型；
[0044]S5、将所述标称模型与所述最终线性偏差模型结合得到小微智能传感器网络拥塞模型。
[0045]上述的透明变电站小微智能传感器网络拥塞模型的构建方法，建立透明变电站小微智能传感器网络拥塞控制系统的标称模型；根据所述标称模型建立透明变电站小微智能传感器网络拥塞控制系统的线性偏差模型，获取透明变电站小微智能传感器网络系统的传输数据，并将所述传输数据输入所述线性偏差模型得到数据对，采用监督学习结合数据对对线性偏差模型进行求解，得到线性偏差模型参数，将线性偏差模型参数带入线性模型得到最终线性偏差模型，将所述标称模型与所述最终线性偏差模型结合得到小微智能传感器网络拥塞模型，通过将透本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种透明变电站小微智能传感器网络拥塞模型的构建方法，其特征在于，包括以下步骤：建立透明变电站小微智能传感器网络拥塞控制系统的标称模型；根据所述标称模型建立透明变电站小微智能传感器网络拥塞控制系统的线性偏差模型；获取透明变电站小微智能传感器网络系统的传输数据，并将所述传输数据输入所述线性偏差模型得到数据对；采用监督学习结合所述数据对对线性偏差模型进行求解，得到最终线性偏差模型；将所述标称模型与所述最终线性偏差模型结合得到小微智能传感器网络拥塞模型。2.根据权利要求1所述的透明变电站小微智能传感器网络拥塞模型的构建方法，其特征在于，还包括：根据所述小微智能传感器网络拥塞模型设计控制器，通过所述控制器对透明变电站小微智能传感器网络进行控制。3.根据权利要求1所述的透明变电站小微智能传感器网络拥塞模型的构建方法，其特征在于，所述标称模型的表达式为：所述标称模型的表达式为：所述标称模型的表达式为：上式中，w(t)表示时刻t的窗口大小，R(t)表示时刻t的往返时延，p(t)表示时刻t的丢包概率，q(t)表示时刻t的队列长度，C为链路容量，N为活动TCP连接数，T
p
为固定广播时延。4.根据权利要求3所述的透明变电站小微智能传感器网络拥塞模型的构建方法，其特征在于，对所述标称模型进行转换...

【专利技术属性】
技术研发人员：周柯，丘晓茵，王晓明，林翔宇，巫聪云，吴敏，李文伟，彭博雅，
申请(专利权)人：广西电网有限责任公司电力科学研究院，
类型：发明
国别省市：