【技术实现步骤摘要】
本专利技术属于复杂网络领域，涉及一种监控代理节点部署优化方法，尤其涉及一种针对能源互联网感知数据分布特点的监控代理节点部署优化方法。
技术介绍
1、伴随着物联网与无线通讯技术的快速发展，能源互联网中的监测与控制已逐步地延伸出固定的发电、变电和输电站点。越来越多的站外监测内容被纳入到日常监测的范围内，用以保障电力网络的稳定运行和系统的健康评估。此类新增的监测节点包含山区中的固定巡检无人机、输电沿线分布的各类监测节点、以及智慧建筑中配备的智能电表等，在提升了电力网络监测广度的同时，也为整个能源互联网监测网络的建设与运行提出了新的挑战。
2、在监控代理节点部署层面，不同于物联网络的节点分布，在能源互联网领域，监测系统的节点兼具高密度和分布稀疏两类不同的特征。不同的监测需求派生了不同的节点部署形式。例如，传统电厂中的监测节点需求集中部署在发电设备和能量来源的附近，电动汽车具有较大的移动性，智慧城市的监测节点则依据城区功能与需求的部署等。即使是特定的单一监测目标，也因部署环境限制而显现出不同的分布特征。例如，在输电线路的状态监测网络中，线路相关的监测节点因导线承重限制将不可避免地需依托杆塔等固定设施部署，不同功能的监测节点将集中地部署于固定的较小范围内，但从整体上看来，节点的分布并不密集，杆塔间的大跨度大大增加了节点分布的稀疏性。现有的方式大多基于均匀分布监控节点的方式，并未考虑不同的检测需求，有较大的监控节点部署资源浪费。因此，如何针对不同的检测需求制定不同的节点部署形式，实现更高质量的监测需求是亟待解决的。
>技术实现思路
1、本专利技术为解决上述问题，克服现有技术中的不足，提出了一种能源互联网监控代理节点部署优化方法，用于实现更高质量的监测需求。
2、实现本专利技术的具体技术方案是：一种能源互联网监控代理节点部署优化方法，所述方法包括以下步骤：
3、步骤1：判断感知数据分布特点为高密度分布特点或稀疏分布特点，基于感知数据分布特点对全部感知区域进行分区；
4、步骤2：针对具有高密度分布特点的感知数据区域，基于改进人工蜂鸟算法，计算得到具有高密度分布特点的感知数据区域的监控代理节点最优部署方案；
5、步骤3：针对具有稀疏分布特点的感知数据区域，判断是否有冗余监控节点，去除冗余监控节点得到具有稀疏分布特点的感知数据区域的监控代理节点最优部署方案；
6、步骤4：基于步骤2和步骤3提出的两种监控代理节点最优部署方案进行能源互联网监控代理节点的部署，以达到更高质量的监测需求。
7、所述步骤1中判断感知数据分布特点为高密度分布特点或稀疏分布特点，基于感知数据分布特点对全部感知区域进行分区，包括：将全部所需感知区域均分为多个感知面积元，各感知面积元si的感知数据分布密集程度为σi；结合感知数据分布密集程度区分值判断各感知面积元为感知数据高密度分布区域或感知数据稀疏分布区域；针对相近区域感知数据分布密集程度，将全部感知面积元分为多个感知区域。
8、所述步骤1中判断感知数据分布特点为高密度分布特点或稀疏分布特点，基于感知数据分布特点对全部感知区域进行分区，具体流程如下：
9、将全部所需感知区域均分为n个感知面积元{s1,s2,s3,…,sn}，使得每个感知区域内均存在感知数据，且不大于感知密度阈值σmax，其中感知密度阈值指使得感知节点所能感知的感知数据最大承受值；每个感知面积元的感知数据分布密集程度为{σ1,σ2,σ3,…,σn}；
10、若σi≥σs，则定义该感知面积元为感知数据高密度分布区域；若σi＜σs，则为感知数据稀疏分布区域；其中σs为感知数据分布密集程度区分值，密集程度区分值基于感知节点感知能力及实际业务需求指定；
11、针对相近区域感知数据分布密集程度，将数据高、低密度分布区域且紧邻的感知面积元si聚合，依次将全部感知面积元分为m个感知区域{s,s2,s3,…,sm}。
12、所述步骤2中使用改进人工蜂鸟算法，实现最高通信覆盖率的监控代理节点部署优化方法的具体流程如下：
13、2.1、输入检测区域范围、节点数v、感知半径r、蜂鸟种群规模npop、最大迭代次数maxit、迁徙觅食控制系数m＝(npop/2)；
14、2.2、随机初始化蜂鸟初始种群和访问表；
15、2.3、计算初始蜂鸟种群的适应度即覆盖率，确定最优蜂鸟及其位置；
16、假设所有感知区域为二维平面，将其数字化化为m×n个像素点；
17、
18、一旦感知区域的像素点被任何一个传感器节点覆盖，则盖像素点的覆盖率p取1；pcov为所有传感器节点的区域覆盖率。基于该区域覆盖率计算公式计算初始蜂鸟种群的适应度即覆盖率，确定最优蜂鸟及其位置；
19、2.4、使用蜂鸟选择候选食物源计算方法进行引导觅食，进行蜂鸟位置更新并更新访问表；
20、vi(t+1)＝xi,tar(t)+a·d·(xi(t)-xi,tar(t))
21、上式为蜂鸟选择候选食物源计算方法，其中vi(t+1)表述候选食物源位置；xi(t)表示第i个食物源在时间t的位置；xi,tar表示第i只蜂鸟打算访问的目标食物源的位置；a为引导因子，服从正态分布n(0,1)，均值为0，标准差为1；d表示模拟蜂鸟的轴向飞行、对角飞行和全向飞行3种飞行技巧，使蜂鸟可以通过不同的飞行模式进行引导觅食；
22、2.5、使用模拟蜂鸟区域觅食策略计算方法进行区域觅食，进行蜂鸟位置更新并更新访问表；
23、vi(t+1)＝xi(t)+b·d·xi(t)
24、上式为模拟蜂鸟区域觅食策略的局部搜索方法，其中b是一个地域因子，服从正态分布n(0,1)，均值为0，标准差为1；
25、2.6、使用在区域觅食阶段后，添加融入正切变换距离引导的候选觅食策略。使用融入正切变换距离引导的候选觅食策略进行觅食，进行蜂鸟位置更新并更新访问表；
26、首先计算蜂鸟个体和当代最优蜂鸟之间的距离，并对该距离实施正切函数变换；然后，让蜂鸟个体以最优蜂鸟位置为基准，以变换距离为飞行尺度寻找新的候选食物源；
27、
28、上式中，xlbest(t)是第t代最优蜂鸟位置；tan(α)是正切函数，α∈(0,0.5π)是随机数，tan(α)的取值范围在(0,∞)之间；是点乘符号；dist是蜂鸟个体和当代最优蜂鸟之间的距离，sign(rand-0.5)是符号函数，值等于1或者-1，控制搜索的方向；
29、2.7、采用柯西扰动变异的迁徙觅食改进方法进行迁徙觅食，并更新访问表；
30、采用柯西分布对最优蜂鸟信息进行扰动；
31、xwor(t+1)＝r2·cauchy·xlbest(t)
32、上式中，r2是缩放因子，cauchy为由均匀分布的随机数生成的柯西序列，使用柯西分布的逆累积分布函数计算；xwor是更新本文档来自技高网...
【技术保护点】
1.一种能源互联网监控代理节点部署优化方法，其特征在于：所述方法包括以下步骤：
2.根据权利要求1中所述的一种能源互联网监控代理节点部署优化方法，其特征在于：所述步骤1中判断感知数据分布特点为高密度分布特点或稀疏分布特点，基于感知数据分布特点对全部感知区域进行分区，包括：将全部所需感知区域均分为多个感知面积元，各感知面积元si的感知数据分布密集程度为σi；结合感知数据分布密集程度区分值判断各感知面积元为感知数据高密度分布区域或感知数据稀疏分布区域；针对相近区域感知数据分布密集程度，将全部感知面积元分为多个感知区域。
3.根据权利要求2中所述的一种能源互联网监控代理节点部署优化方法，其特征在于：所述步骤1中判断感知数据分布特点为高密度分布特点或稀疏分布特点，基于感知数据分布特点对全部感知区域进行分区，具体流程如下：
4.根据权利要求1所述的一种能源互联网监控代理节点部署优化方法，其特征在于：所述步骤2中使用改进人工蜂鸟算法，实现最高通信覆盖率的监控代理节点部署优化方法的具体流程如下：
5.根据权利要求1所述的一种能源互联网监控代理节点
6.根据权利要求5所述的一种能源互联网监控代理节点部署优化方法，其特征在于：所述冗余监控节点的判断方法为：若有节点监控的全部感知数据均可有其余监控代理节点感知到，则其为冗余监控节点。
...【技术特征摘要】
1.一种能源互联网监控代理节点部署优化方法，其特征在于：所述方法包括以下步骤：
2.根据权利要求1中所述的一种能源互联网监控代理节点部署优化方法，其特征在于：所述步骤1中判断感知数据分布特点为高密度分布特点或稀疏分布特点，基于感知数据分布特点对全部感知区域进行分区，包括：将全部所需感知区域均分为多个感知面积元，各感知面积元si的感知数据分布密集程度为σi；结合感知数据分布密集程度区分值判断各感知面积元为感知数据高密度分布区域或感知数据稀疏分布区域；针对相近区域感知数据分布密集程度，将全部感知面积元分为多个感知区域。
3.根据权利要求2中所述的一种能源互联网监控代理节点部署优化方法，其特征在于：所述步骤1中判断感知数据分布特点为高密度分布特点或稀疏分布特点，基于感知数据...
【专利技术属性】
技术研发人员：李磊，周正，李德识，廖荣涛，王逸兮，王晟玮，胡欢君，叶宇轩，张剑，宁昊，张玉洁，郭岳，罗弦，王敬靖，李想，王博涛，陈家璘，郑蕾，徐宁，胡晨，邱学晶，
申请(专利权)人：国网湖北省电力有限公司信息通信公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。