配電網(wǎng)中基于分簇定位的WSN節(jié)點(diǎn)故障定位研究*

崔坤利,郎 朗*,陳孟元,杜 乾

(1.安徽工程大學(xué)電氣工程學(xué)院,安徽 蕪湖 241000;2.國網(wǎng)蕪湖供電公司,安徽 蕪湖 241000)

配電網(wǎng)中基于分簇定位的WSN節(jié)點(diǎn)故障定位研究*

崔坤利1,郎 朗1*,陳孟元1,杜 乾2

(1.安徽工程大學(xué)電氣工程學(xué)院,安徽 蕪湖 241000;2.國網(wǎng)蕪湖供電公司,安徽 蕪湖 241000)

針對電網(wǎng)故障檢測中使用的無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)定位精度較低,分簇不均問題,提出了一種基于DV-Hop算法改進(jìn)均值粒子群算法(PSO),首先DV-Hop算法改進(jìn)均值粒子群算法中粒子的速度與位移,使動態(tài)無線傳感器網(wǎng)絡(luò)重新定位簇頭節(jié)點(diǎn)坐標(biāo)更加接近真實值;然后遞歸神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法迭代值逼近最合適的慣性權(quán)重值,優(yōu)化均值PSO粒子群算法使其達(dá)到最優(yōu)搜索能力。最后由Sink節(jié)點(diǎn)對每一次動態(tài)分簇后網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行數(shù)據(jù)采集后對電能耗盡的節(jié)點(diǎn)進(jìn)行無線充電。仿真結(jié)果表明,改進(jìn)后的PSO算法比PSO算法聚類分簇誤差更小,節(jié)點(diǎn)定位配電網(wǎng)故障的精確度提高12.8%,有效地延長了網(wǎng)絡(luò)生命周期。

線傳感器網(wǎng)絡(luò);配電網(wǎng)故障檢測;改進(jìn)均值粒子群算法;慣性權(quán)重值;最優(yōu)搜索能力

隨著現(xiàn)代技術(shù)的發(fā)展,人們對用電可靠性的要求越來越高。智能配電網(wǎng)成為配電網(wǎng)的必然發(fā)展趨勢。隨著無線技術(shù)的發(fā)展,無線傳感器網(wǎng)絡(luò)WSNs(Wireless Sensor Networks)以其由大量體積小,低價格的小型傳感器組成無線自組織系統(tǒng)在智能電網(wǎng)得到普遍應(yīng)用。但是傳統(tǒng)的配電網(wǎng)故障檢測部署復(fù)雜的通信線路,在一些地勢復(fù)雜的環(huán)境中難以安置。使用了無線傳感器網(wǎng)絡(luò)的配電網(wǎng)進(jìn)行故障檢測使用無線通信模式則避免了這些問題,無線傳感器節(jié)點(diǎn)能夠采集到微弱信號,及時發(fā)現(xiàn)配電網(wǎng)故障,進(jìn)行檢修。但是傳統(tǒng)的無線節(jié)點(diǎn)采用一次性電池進(jìn)行電源供電,在一些地勢險要的地方,無法進(jìn)行電源更換,耗費(fèi)大量人力資源。一旦傳感器死亡節(jié)點(diǎn)率達(dá)到無線傳感網(wǎng)停止工作的閾值,即達(dá)到傳感網(wǎng)生命周期,整個無線傳感網(wǎng)陷入癱瘓狀態(tài),停止工作。近幾年,國內(nèi)外研究現(xiàn)狀為:侯志偉等人[1]引入殘差函數(shù)將提高定位精度的問題轉(zhuǎn)化為等式約束條件下殘差最小化的求解問題,分析得出了三維DV-Hop改進(jìn)定位算法的模型,實現(xiàn)待定節(jié)點(diǎn)的坐標(biāo)估計并提高了定位精度。向滿天[2]等人提出了一種精度較高的基于閾值機(jī)制與距離校正的DV-Hop改進(jìn)算法TMCD-DV-Hop,考慮最近錨節(jié)點(diǎn)之外的其他錨節(jié)點(diǎn)在局部范圍和全局范圍的影響,效地降低定位誤差,提高定位精度。趙雁航等人[3]對錨節(jié)點(diǎn)廣播的數(shù)據(jù)分組結(jié)構(gòu)進(jìn)行了改進(jìn),對參考錨節(jié)點(diǎn)的平均每跳距離的誤差進(jìn)行加權(quán)處理以及用改進(jìn)的粒子群(PSO)算法對定位中的迭代過程進(jìn)行優(yōu)化。吳小軍等人[4]提出了粒子搜索中心在兩個最優(yōu)解之間均勻分布的均勻搜索粒子群算法,提高了收斂速度及穩(wěn)定性。張震等人[5]系統(tǒng)分析了DV-Hop算法中對定位誤差有較大影響的節(jié)點(diǎn)通信半徑、錨節(jié)點(diǎn)個數(shù)、總節(jié)點(diǎn)個數(shù)等幾個重要參數(shù),得出參數(shù)優(yōu)化后的算法有效的降低了節(jié)點(diǎn)的定位誤差。

均值PSO算法是一種均值和模擬鳥群覓食的智能算法,通過隨機(jī)解迭代找出最優(yōu)解,但容易陷入局部最優(yōu),難以實現(xiàn)全局最優(yōu)化。很多研究學(xué)者提出了改進(jìn)的算法:文獻(xiàn)[6]提出了一種基于減聚類優(yōu)化的分簇路由算法以最小化最大簇內(nèi)距離方差作為評價指標(biāo),確定最優(yōu)的分簇結(jié)果,但是分簇定位精確度不高,難以進(jìn)行最優(yōu)分簇。文獻(xiàn)[7]總結(jié)了無線可充電傳感器網(wǎng)絡(luò)中充電規(guī)劃研究進(jìn)展,分別對無線充電的方案進(jìn)行總結(jié)和對比。文獻(xiàn)[8]提出了無線傳感器網(wǎng)絡(luò)非均勻等級分簇拓?fù)浣Y(jié)構(gòu),根據(jù)改進(jìn)粒子群算法進(jìn)行非等概率靜態(tài)分簇,形成不同等級區(qū)域具有密度和規(guī)模不等的非均勻等級分簇拓?fù)浣Y(jié)構(gòu),缺點(diǎn)是分簇不能夠達(dá)到最優(yōu)。文獻(xiàn)[9]提出了一種能耗均衡的WSN分簇路由協(xié)議,考慮多種因素來均衡節(jié)點(diǎn)能耗的分簇多跳路由協(xié)議來減少網(wǎng)絡(luò)能耗,缺點(diǎn)是只能延長第1個節(jié)點(diǎn)死亡時間。文獻(xiàn)[10]采用改進(jìn) K-ACO分簇路由算法進(jìn)行聚類,對節(jié)點(diǎn)進(jìn)行均勻分簇,能量消耗有所減少,但增加了計算量和通信次數(shù)。文獻(xiàn)[11]利用多智能體技術(shù)建立的 WSN 直流線路合成電場智能監(jiān)測系統(tǒng),網(wǎng)絡(luò)節(jié)點(diǎn)能耗有所降低,但是不能達(dá)到最大限度降低能耗。文獻(xiàn)[12]提出一種多目標(biāo)和聲優(yōu)化的分簇路由算法,快速有效地實現(xiàn)分簇路由優(yōu)化,使網(wǎng)絡(luò)能耗更加均衡,缺點(diǎn)是無法進(jìn)行精確定位。文獻(xiàn)[13]提出一種能耗均衡的 WSN 分簇路由算法,避免遠(yuǎn)離基站的簇過早死亡,缺點(diǎn)是通信量較大,消耗過多能量。文獻(xiàn)[14]提出一種無線傳感器網(wǎng)絡(luò)中無錨節(jié)點(diǎn)情況下的節(jié)點(diǎn)間相互協(xié)同定位的算法,缺點(diǎn)是節(jié)點(diǎn)無法進(jìn)行能量補(bǔ)充,節(jié)點(diǎn)一旦死亡,整個網(wǎng)絡(luò)陷入癱瘓。文獻(xiàn)[15]提出一種新的基于Hopfield 神經(jīng)網(wǎng)絡(luò)的路由優(yōu)化算法,給出能量函數(shù)各參數(shù)之間的關(guān)系過構(gòu)造合適的能量函數(shù),把求解的優(yōu)化問題轉(zhuǎn)化為能量函數(shù)的最小值問題。缺點(diǎn)是數(shù)據(jù)迭代次數(shù)較多。

針對傳統(tǒng)的分簇路由協(xié)議和算法分簇不均,定位精確度不高,難以覆蓋到每個節(jié)點(diǎn),PSO算法容易陷入局部最優(yōu),改進(jìn)后的雖然覆蓋范圍廣,但收斂性差,最優(yōu)位置定位不精確,難以實現(xiàn)全局最優(yōu)定位,使數(shù)據(jù)迭代次數(shù)較多,通信量較大,產(chǎn)生過多能量消耗問題。

本文采用DV-Hop算法改進(jìn)均值粒子群算法中粒子的速度與位移,使動態(tài)無線傳感器網(wǎng)絡(luò)重新定位簇頭節(jié)點(diǎn)坐標(biāo)更加接近真實值,減少簇頭選擇的誤差,然后遞歸神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法迭代值逼近最合適的慣性權(quán)重值,優(yōu)化均值PSO粒子群算法使其達(dá)到最優(yōu)搜索能力。減少了通信量和計算開銷,提高了均值PSO算法的精度。最后由Sink節(jié)點(diǎn)對每一次動態(tài)分簇后網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行數(shù)據(jù)采集后對電能耗盡的節(jié)點(diǎn)進(jìn)行無線充電。最大限度優(yōu)化無線傳感器網(wǎng)絡(luò),有效延長傳感器網(wǎng)絡(luò)工作周期。

1 配電網(wǎng)和無線充電網(wǎng)絡(luò)分布模型

1.1 配電網(wǎng)分布模型

如圖1為配電網(wǎng)分布模型,無線傳感器節(jié)點(diǎn)采用自組網(wǎng)的方法分布在大量密集用電設(shè)備和用電用戶,傳感器網(wǎng)絡(luò)分簇,每個區(qū)域都設(shè)置一個Sink節(jié)點(diǎn)以供這個區(qū)域的節(jié)點(diǎn)進(jìn)行無線充電。

圖1 配電網(wǎng)分布模型

1.2 無線充電網(wǎng)絡(luò)分布模型

本文的研究應(yīng)用于傳感器節(jié)點(diǎn),通過改進(jìn)后的PDV-Hop算法的均衡聚類分簇部署在指定區(qū)域內(nèi),如圖1為場景應(yīng)用模型。圖中的Sink節(jié)點(diǎn)在節(jié)點(diǎn)區(qū)域內(nèi)運(yùn)動,Sink節(jié)點(diǎn)是一種裝載磁耦合線圈和壁障傳感器的微型移動小車。磁耦合技術(shù)具有較高的傳輸技術(shù),受環(huán)境的影響極小。在接收的數(shù)據(jù)中反饋有節(jié)點(diǎn)或簇頭因電源耗盡死亡,則通過PDV-Hop算法對死亡的節(jié)點(diǎn)或簇頭進(jìn)行精確定位,Sink節(jié)點(diǎn)通過壁障傳感器和一種改進(jìn)遺傳算法的無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)最優(yōu)路由選擇策略[12]選取最優(yōu)路徑對其進(jìn)行無線充電。

對相應(yīng)的傳感器節(jié)點(diǎn)作出如下假設(shè):①每一個傳感器節(jié)點(diǎn)有固定的IP地址,傳感器網(wǎng)絡(luò)排布隨均衡分簇動態(tài)變化;②每一個傳感器節(jié)點(diǎn)都有發(fā)送自身數(shù)據(jù)和接收自身數(shù)據(jù)功能;③Sink節(jié)點(diǎn)是攜帶有磁耦合線圈的微型小車,能夠?qū)?jié)點(diǎn)進(jìn)行無線充電;④Sink節(jié)點(diǎn)裝載有壁障傳感器,能夠?qū)Ρ荛_節(jié)點(diǎn)障礙,以主機(jī)發(fā)送的最優(yōu)路徑到達(dá)待充電節(jié)點(diǎn)。

圖2 無線充電應(yīng)用模型

2 基于DV-Hop改進(jìn)均值PSO分簇定位算法

2.1 PSO算法和DV-Hop算法

粒子群算法[1]是全局性的仿生算法,粒子群模擬鳥群,粒子是沒有質(zhì)量和體積的質(zhì)點(diǎn),每個粒子的飛行位置為xi=(xi1,xi2,xi3),速度為vi=(vi1,vi2,vi3),每個粒子根據(jù)自適應(yīng)函數(shù)來決定適應(yīng)值。粒子更新公式為:

(1)

(2)

式中:w為慣性權(quán)重值,h1,h2為加速度因子,r1,r2為隨機(jī)數(shù),且r1,r2∈[0,1],gs為群體極值,ps為個體極值。

DV-Hop算法是一種基于距離矢量路由和全球定位系統(tǒng)的距離向量跳段機(jī)制。DV-Hop算法分為3個階段,第1階段,錨節(jié)點(diǎn)(即未知節(jié)點(diǎn))向鄰居節(jié)點(diǎn)廣播自己的跳數(shù)和坐標(biāo)信息;第2階段,鄰居節(jié)點(diǎn)接收到廣播并根據(jù)跳數(shù)和坐標(biāo)信息由公式(3)計算出平均跳距;第3階段,錨節(jié)點(diǎn)根據(jù)最小跳數(shù)乘以平均跳距作為當(dāng)前節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)的估測距離,由最小二乘法或極大似然估計法計算出目標(biāo)節(jié)點(diǎn)的坐標(biāo)。

(3)

式中:hsize為平均跳距,hij為跳數(shù)。錨節(jié)點(diǎn)坐標(biāo)為(xi,yi),鄰居節(jié)點(diǎn)坐標(biāo)為(xj,yj)。

但以上粒子群算法對離散的節(jié)點(diǎn)進(jìn)行分簇時,容易陷入局部最優(yōu),均值PSO算法進(jìn)行傳感器節(jié)點(diǎn)聚類分簇時,由于簇頭的定位不精確,導(dǎo)致誤差存在,網(wǎng)絡(luò)節(jié)點(diǎn)分簇不合理。因此提出改進(jìn)DV-Hop優(yōu)化均值PSO算法,DV-Hop算法精確定位均值粒子群算法中粒子的速度值與位移值,使動態(tài)無線傳感器網(wǎng)絡(luò)重新定位簇頭節(jié)點(diǎn)坐標(biāo)更加接近真實值,然后遞歸神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法迭代值逼近最合適的慣性權(quán)重值,優(yōu)化均值PSO粒子群算法使其達(dá)到最優(yōu)搜索能力。使簇頭誤差定位誤差減小,分簇更加優(yōu)化。

2.2 PDV-Hop分簇定位算法

2.2.1 速度位移的改進(jìn)

(4)

⑤改進(jìn)更新位移粒子公式為:

(5)

⑥根據(jù)式(4)和式(5)更新粒子速度和位移,并與Gbest和Bbest作比較,誤差較小的作為最優(yōu)解。

2.2.2 慣性權(quán)重值的改進(jìn)

遞歸神經(jīng)網(wǎng)絡(luò)算法是一種分布式信息存儲,有很強(qiáng)的學(xué)習(xí)能力和適應(yīng)能力的處理系統(tǒng)。美國物理學(xué)家Hopfield[16]首次提出遞歸神經(jīng)網(wǎng)絡(luò)模型。遞歸神經(jīng)網(wǎng)絡(luò)包含反饋環(huán)節(jié),可以直接對被控對象進(jìn)行動態(tài)性模仿學(xué)習(xí),從而進(jìn)行最優(yōu)控制。如圖3遞歸神經(jīng)網(wǎng)絡(luò)模型,兩層遞歸網(wǎng)絡(luò)組成雙層遞歸神經(jīng)網(wǎng)絡(luò),分別為隱含層和輸出層,兩層各個單元有直接遞歸聯(lián)系,隱含層的k個神經(jīng)元影響輸入u(x)輸出v(x)的關(guān)系,遞歸神經(jīng)網(wǎng)絡(luò)能夠直接對被控對象學(xué)習(xí)。

圖3 雙層遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

粒子群慣性權(quán)重值較大時,有利于全局搜索;慣性權(quán)重值較小時,有利于局部搜索。粒子群迭代搜索初期速度較大,進(jìn)行全局搜索,后期粒子速度較慢進(jìn)行局部搜索。但是慣性權(quán)重值受全局最優(yōu)和局部最優(yōu)影響,不能進(jìn)行準(zhǔn)確調(diào)節(jié),針對慣性權(quán)重值波動較大不易調(diào)節(jié)問題提出遞歸神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)策略,對慣性權(quán)重值進(jìn)行學(xué)習(xí)反饋調(diào)節(jié),使粒子群搜索效率增加。具體步驟如下:①在測定區(qū)域內(nèi)隨機(jī)部署若干無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn);②輸入粒子群粒子不同速度時,遞歸神經(jīng)算法學(xué)習(xí)策略輸出對應(yīng)的慣性權(quán)重值w;③粒子群迭代初期,慣性權(quán)重值較大,根據(jù)遞歸神經(jīng)算法輸出值確定為慣性權(quán)重值,提高了全局搜索能力;④根據(jù)適應(yīng)度函數(shù)f(x)來判斷是否偏離w;⑤如果是,根據(jù)遞歸神經(jīng)算法反饋進(jìn)行不斷調(diào)節(jié),跳到步驟④,如果否則跳到步驟⑥;⑥粒子群迭代后期,慣性權(quán)重值較小,根據(jù)遞歸神經(jīng)算法輸出值確定為慣性權(quán)重值,提高了局部搜索能力。

其中,適應(yīng)度函數(shù)f(x)為:

改進(jìn)均值粒子群算法PDV-Hop對每個節(jié)點(diǎn)進(jìn)行定位分簇,確定聚類中心和聚類數(shù)目,減小了定位節(jié)點(diǎn)位移和速度的誤差,保證了較好的收斂性如圖4所示,圖4(a)為分簇前的傳感器節(jié)點(diǎn)分布示意圖,由圖4(a)可以看出傳感器節(jié)點(diǎn)沒有實現(xiàn)了簇頭比較均勻地分布在網(wǎng)絡(luò)中,在PDV-Hop算法對無線傳感器節(jié)點(diǎn)圖進(jìn)行均勻分簇后,精確定位簇頭和普通節(jié)點(diǎn),圖4(b)為分簇后節(jié)點(diǎn)分布示意圖,提高了定位精確度,實現(xiàn)了簇頭比較均勻地分布在網(wǎng)絡(luò)中且定位簇頭和普通節(jié)點(diǎn)。遞歸神經(jīng)算法學(xué)習(xí)策略通過學(xué)習(xí)和反饋確定慣性權(quán)重系數(shù),減少迭代次數(shù),減少通信量和能量損耗。同時Sink節(jié)點(diǎn)根據(jù)PDV-Hop算法對每個節(jié)點(diǎn)的定位和數(shù)據(jù)分析,對能量耗盡的簇頭和節(jié)點(diǎn)進(jìn)行無線充電。基于DV-Hop改進(jìn)均值PSO分簇定位算法流程圖如圖5所示。

圖4 PDV-Hop算法聚類分簇改進(jìn)示意圖

圖5 PDV-Hop分簇定位算法流程圖

3 仿真實驗與分析

為評估基于改進(jìn)DV-Hop優(yōu)化均值PSO算法分簇定位的性能,在Matlab環(huán)境下用VC++進(jìn)行仿真實驗,分別對粒子群算法改進(jìn)前后進(jìn)行仿真,對仿真結(jié)果進(jìn)行分析對比。將100個傳感器節(jié)點(diǎn)隨機(jī)部署在100 m×100 m正方形感知區(qū)域內(nèi),區(qū)域種群數(shù)n=3,區(qū)域半徑R=30,學(xué)習(xí)因子h1=1.5,h2=2,簇頭節(jié)點(diǎn)的選取概率決定分簇數(shù)量,最大迭代數(shù)rmax=200,r1,r2為隨機(jī)數(shù),介于0和1之間,為了降低隨機(jī)性產(chǎn)生的誤差,在參數(shù)相同的情況下進(jìn)行100次仿真,實驗結(jié)果為均值。

本文仿真實驗從整個傳感器網(wǎng)絡(luò)的網(wǎng)絡(luò)生命周期,數(shù)據(jù)傳輸速度,分簇的精確程度,節(jié)點(diǎn)定位精度,死亡節(jié)點(diǎn)隨時間變化等方面對PSO算法和PDV-Hop算法進(jìn)行對比,并分析實驗結(jié)果。

①由表1不同網(wǎng)絡(luò)規(guī)模下網(wǎng)絡(luò)生命周期對比可知,在初始能量和節(jié)點(diǎn)數(shù)量保持一致的情況下,不同的算法對網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行分簇,網(wǎng)絡(luò)生命周期不同。由表1可知,PDV-Hop算法增加網(wǎng)絡(luò)生命周期較PSO提高1.78倍,較K均值PSO提高1.16倍。改進(jìn)后的PDV-Hop算法網(wǎng)絡(luò)生命周期最長,改進(jìn)后對生命周期延長有明顯效果。隨著網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)增多,節(jié)點(diǎn)密度不變的情況下,網(wǎng)絡(luò)生命周期減小,這是由于簇頭節(jié)點(diǎn)能耗增加和無線充電所增加的能量不能快速補(bǔ)充整個網(wǎng)絡(luò)消耗的能量。

表1 不同網(wǎng)絡(luò)規(guī)模下的網(wǎng)絡(luò)生命周期

圖6 算法數(shù)據(jù)傳輸對比圖

②傳感器網(wǎng)絡(luò)數(shù)據(jù)傳輸對比。在無線傳感器網(wǎng)絡(luò)中,傳感器節(jié)點(diǎn)包括采集模塊,接受模塊,通信模塊。通信模塊中的數(shù)據(jù)模塊消耗能量相對最高,數(shù)據(jù)模塊數(shù)據(jù)傳輸速率如圖6所示。

在參數(shù)相同的情況下,(0,2000)范圍內(nèi)PDV-Hop算法傳輸數(shù)據(jù)速率是K均值PSO算法的1.25倍,是PSO算法的1.67倍;2000時間點(diǎn)以后,傳輸速率都保持恒定,但是PDV-Hop算法比K均值PSO算法傳輸數(shù)據(jù)速率高23.5%,K均值PSO算法優(yōu)于PSO算法30.7%。相同時間內(nèi)PDV-Hop算法提高傳輸速率,降低能量的消耗效果改進(jìn)顯著,延長了網(wǎng)絡(luò)生命周期。

③不同傳感器半徑下平均分簇定位誤差對比。如圖7所示,多次仿真發(fā)現(xiàn),HEED和PSO算法分簇定位誤差通常很大并且很不穩(wěn)定,HEED算法平均分簇定位誤差超過30.1%,PSO算法平均分簇定位誤差超過25.4%。PDV-Hop算法平均分簇定位誤差不超過20%并且趨于穩(wěn)定。相同半徑下,PDV-Hop算法比PSO算法平均分簇誤差低約21%,PDV-Hop算法比HEED算法平均分簇誤差低約28.4%,當(dāng)傳感器范圍一定時,節(jié)點(diǎn)傳播范圍越大,傳感器密度越小,總的能量消耗減少,能量消耗趨于優(yōu)化改進(jìn)性能顯著。

圖7 算法數(shù)據(jù)傳輸對比圖

④通過表2的節(jié)點(diǎn)能耗對比速度,節(jié)點(diǎn)能耗速度差值越大,能耗速度越快,反應(yīng)節(jié)點(diǎn)前一輪消耗的能量越大。由對比可知,半徑為200時,PDV-Hop算法節(jié)點(diǎn)能耗速度較HEED算法低66.7%,較PSO算法低20%。HEED分簇次數(shù)少,分簇不均衡,導(dǎo)致能耗較大,通過計算得知PDV-Hop算法具有能耗低,分簇均勻,節(jié)點(diǎn)死亡速度較慢的優(yōu)點(diǎn),性能改進(jìn)顯著。

表2 節(jié)點(diǎn)耗能速度比較

圖8 不同節(jié)點(diǎn)數(shù)量下平均分簇定位誤差

⑤通過圖8的不同節(jié)點(diǎn)數(shù)量下平均分簇定位誤差可知,在相同的條件下,節(jié)點(diǎn)的分簇定位誤差隨節(jié)點(diǎn)數(shù)目增加而減小,增大了傳感器網(wǎng)絡(luò)的連通度。PDV-Hop算法節(jié)點(diǎn)分簇定位誤差較HEED算法低20.9%,PDV-Hop算法節(jié)點(diǎn)分簇定位誤差較PSO算法低12.8%,較K均值PSO算法低5.5%。通過計算得知PDV-Hop算法在相同節(jié)點(diǎn)數(shù)量下平均分簇定位誤差明顯低于其他算法,性能改進(jìn)顯著。

4 結(jié)論

本文在充分研究粒子群算法的基礎(chǔ)上,針對電網(wǎng)故障檢測中使用的無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)定位精度較低,分簇不均問題,本文提出了一種基于DV-Hop算法改進(jìn)均值粒子群算法(PSO),在保持通信開銷和硬件成本不增加的前提下,改進(jìn)均值粒子群算法中粒子的速度與位移,使動態(tài)無線傳感器網(wǎng)絡(luò)重新定位簇頭節(jié)點(diǎn)坐標(biāo)更加接近真實值,有效地提高了分簇定位的精確度后,提高了數(shù)據(jù)的傳輸速率,合理地定位了簇的分類和節(jié)點(diǎn)的位置,相同通信半徑下,增大了數(shù)據(jù)傳播距離,真正有效地優(yōu)化能量消耗。雖然增加了計算量,但時間復(fù)雜度并沒有增加。由于Sink節(jié)點(diǎn)體積較普通節(jié)點(diǎn)大,所以Sink節(jié)點(diǎn)部署較少,在部分節(jié)點(diǎn)死亡的情況下,對死亡節(jié)點(diǎn)進(jìn)行無線充電。解決了電網(wǎng)故障檢測中使用的無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)電池能量有限問題。電網(wǎng)進(jìn)行故障檢測排查更為全面。

[1] 侯志偉,包理群,安麗霞. 基于殘差加權(quán)的三維DV-Hop改進(jìn)WSN定位算法[J]. 計算機(jī)應(yīng)用與軟件,2016,33(1):112-115.

[2] 向滿天,王勝,楊友華. 基于閾值機(jī)制與距離校正的WSN改進(jìn)DV-Hop定位算法[J]. 傳感技術(shù)學(xué)報,2016,29(6):920-926.

[3] 趙雁航,錢志鴻,尚小航,等. 基于跳距修正粒子群優(yōu)化的WSN定位算法[J]. 通信學(xué)報,2013,34(9):105-114.

[4] 吳曉軍,楊戰(zhàn)中,趙明. 均勻搜索粒子群算法[J]. 電子學(xué)報,2011,39(6):1261-1266.

[5] 張震,閆連山,劉江濤,等. 基于DV-Hop的無線傳感器網(wǎng)絡(luò)定位算法研究[J]. 傳感技術(shù)學(xué)報,2011,24(10):1469-1472.

[6] 楊海波,華驚宇,劉半藤. 基于減聚類優(yōu)化算法的無線傳感網(wǎng)絡(luò)分簇路由協(xié)議研究[J]. 傳感技術(shù)學(xué)報,2012,25(11):1603-1606.

[7] 胡誠,汪蕓,王輝. 無線可充電傳感器網(wǎng)絡(luò)中充電規(guī)劃研究進(jìn)展[J]. 軟件報,2016,27(1):72-95.

[8] 李洪兵,熊慶宇,石為人. 無線傳感器網(wǎng)絡(luò)非均勻等級分簇拓?fù)浣Y(jié)構(gòu)研究[J]. 計算機(jī)科學(xué),2013,40(2):49-52.

[9] 李建洲,王海濤,陶安. 一種能耗均衡的WSN分簇路由協(xié)議[J]. 傳感技術(shù)學(xué)報,2013,26(3):396-401.

[10] 戴菲菲,彭力,董國勇. 改進(jìn)K-ACO無線傳感器網(wǎng)絡(luò)的分簇路由算法[J]. 傳感器與微系統(tǒng),2013,32(8):135-138.

[11] 曾倩,袁海文,陸家榆,等. 基于無線傳感器網(wǎng)絡(luò)的特高壓直流輸電線路合成電場智能監(jiān)測系統(tǒng)研究[J]. 電網(wǎng)技術(shù),2012,36(4):10-15.

[12] 李明,曹曉莉,胡衛(wèi)軍. 基于多目標(biāo)和聲搜索的無線傳感器網(wǎng)絡(luò)分簇路由算法[J]. 儀器儀表學(xué)報,2014,35(1):162-168.

[13] 閆效鶯,程國建,孫濤. 一種能耗均衡的WSN分簇路由算法[J]. 計算機(jī)工程,2012,38(14):79-81.

[14] 王明,孟赟,李競,等. 用于無線傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)間協(xié)同定位算法的設(shè)計[J]. 傳感技術(shù)學(xué)報,2015,28(5):709-716.

[15] 宋紹劍,薛國英. 基于Hopfield神經(jīng)網(wǎng)絡(luò)算法的WSN路徑優(yōu)化[J]. 自動化技術(shù)與應(yīng)用,2010,29(7):4-7.

Research on WSN Notes Fault Localization Based on Cluster Localization in Power Network*

CUIKunli1,LANGLang1*,CHENMengyuan1,DUQian2

(1.Anhui Polytechnic University,College of Electrical Engineering,Wuhu Anhui 241000,China;2.Wuhu Power Supply Corporation,Wuhu Anhui 241000,China)

Aiming at low accuracy and asymmetrical distribution of wireless sensor network node localization in power network fault detection,the improved particle swarm optimization algorithm based on DV-hop algorithm is presented. According to the improved POS algorithm,the velocity and displacement of particle makes node coordinate of cluster head more accurately in dynamic wireless sensor network node relocation. Then the iterated value of recurrent neural network learning algorithm approximates the ideal inertia weight value and the improved PSO algorithm makes it reach the best search capacity. Finally,after network note dates of each dynamic cluster are collected,Sink nodes enables wireless charging for the node which has run out of electrical energy. Simulation results show that the improved PSO which can effectively extend network lifetime has less error and improves the accuracy in power network positioning 12.8%.

wireless sensor network;power network fault detection;improved particle swarm optimization algorithm;inertia weight value;the best search capacity

崔坤利(1992-),女,安徽工程大學(xué)碩士研究生。目前主要研究方向為智能電網(wǎng)、無線傳感器網(wǎng)絡(luò)、智能信息處理等,2513855009@qq.com;郎 朗(1956-),女,畢業(yè)于東華大學(xué),現(xiàn)任安徽工程大學(xué)正高級工程師,碩士生導(dǎo)師。目前主要研究方向為主要研究方向為傳感器信號處理和移動機(jī)器人地圖的構(gòu)建等,1098708633@qq.com; 陳孟元(1984-),男,畢業(yè)于安徽工程大學(xué),現(xiàn)任安徽工程大學(xué)講師。目前主要研究方向為嵌入式系統(tǒng)開發(fā)、圖像處理、傳感器信息融合及優(yōu)化等;杜 乾(1992-),男,畢業(yè)于湖南大學(xué),碩士研究生,現(xiàn)就職于國網(wǎng)蕪湖供電公司。目前主要研究方向為智能電網(wǎng)、配電網(wǎng)故障檢測等。

項目來源:2016年安徽高校自然科學(xué)研究項目(KJ2016A794)

2016-06-23 修改日期:2016-09-05

TP393

A

1004-1699(2017)01-0146-06

C:7230

10.3969/j.issn.1004-1699.2017.01.026