一种配电物联网自组网方法及系统

本发明涉及自组网，更具体地说，本发明涉及一种配电物联网自组网方法及系统。

背景技术：

1、申请公开号为cn112261087a的专利公开了一种配电物联网自组网方法及系统，基于该传感器的自组网方法以网关为根节点，以收到新的组网请求或者加入新的网络节点为组网条件，通过已组网节点进行广播组网；拓扑识别是依靠自组网络为基础，建立邻接矩阵实现拓扑识别，具有广泛互联、通讯可靠、适应性广和抗干扰性强等优点。

2、但是现有配电网络依然缺乏灵活性和自适应能力，网络拓扑结构相对固定，难以根据实际负载和环境状况进行动态调整，适应性有限，面对日趋复杂的应用场景，这种缺陷将越发突出；其次，在网络建模方面存在不足，模型与实际网络情况存在偏差，影响了模型的准确性和实用性；另外，负载分布不均衡的问题普遍存在，部分节点负载过重，而另一部分节点则资源闲置，导致资源利用率不高，影响网络性能；此外，路径规划算法较为单一，往往只关注单一目标优化，缺乏对多目标的综合考虑，难以获得全面合理的最优解；最后，依然缺乏智能化优化机制，网络无法根据实时状态自主优化和决策，需要人工干预，智能化程度较低，难以满足未来发展需求。

3、鉴于此，本发明提出一种配电物联网自组网方法及系统以解决上述问题。

技术实现思路

1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：1.一种配电物联网自组网方法，其特征在于，包括：s1、获取配电网络拓扑中n个节点的节点物理状态信息和节点数据状态信息；

2、s2、根据节点物理状态信息，获取n个节点之间的邻接矩阵；

3、s3、基于节点数据状态信息和邻接矩阵，构建配电加权有向图模型；

4、s4、基于配电加权有向图模型，采用优化目标算法计算各节点之间的最短加权路径以及最短加权路径对应的路径开销；

5、s5、基于各节点之间的最短加权路径以及最短加权路径对应的路径开销，采用改进蚁群算法动态获取最优路径方案，利用最优路径方案调整配电网络拓扑。

6、进一步地，所述节点物理状态信息包括节点位置坐标、节点通信距离和节点通信宽带；

7、节点数据状态信息包括节点的数据流量、数据缓存容量、数据传输延迟、数据丢包率、节点能量水平和数据传输量。

8、进一步地，所述邻接矩阵的获取方式包括：

9、初始化一个n×n的稀疏矩阵a，并构建节点的空间索引数据结构，遍历所有节点i，基于节点物理状态信息，计算得到节点i的通信能力其中，pt为发射功率，gt为发射天线增益，gr为接收天线增益，γ是无线信号的波长，pr为接收灵敏度，l是系统损耗因子，f(e_i,ρ_i)为影响函数；e_i为节点i的节点能量水平，g(ρ_i)为环境函数；ρ_i为节点i所处环境的特征参数；

10、影响函数f(e_i,ρ_i)＝e_i×exp(-ρ_i)；

11、环境函数其中，α、β和为可调参数；

12、特征参数其中，f_ij为节点i到第j个障碍物的距离，r_i为节点i的感知半径；p_i为第i个干扰源的功率强度，d_ii为节点i到第i个干扰源的距离；w_1和w_2为权重系数；

13、基于节点i的通信能力ra_i确定其通信覆盖区域r_i；r_i是以节点i的节点位置坐标为圆心、通信能力ra_i为半径的圆形区域；

14、利用空间索引数据结构，查找区域r_i内的邻居节点集合n_i；对于节点i的邻居节点集合n_i中的每个节点，记作邻居节点s；

15、基于节点i和邻居节点s之间的节点位置坐标，计算节点i和邻居节点s之间的地理距离dist(i,s)；

16、若dist(i,s)≤min(ra_i,ra_s)，则节点i和邻居节点s之间存在物理连接关系，其中ra_s为邻居节点s的通信能力；若存在物理连接关系，则将a[i,s]赋值为1，否则保持为0，a[i,s]为稀疏矩阵a内的元素，重复直到遍历完所有节点；最终得到的稀疏矩阵a即为邻接矩阵。

17、进一步地，所述空间索引数据结构的构建方式包括：

18、定义空间索引数据结构的边界区域y；创建一个空的空间索引数据结构的根节点，根节点的边界区域即为边界区域y；

19、初始定义一个的小网格边长，根据叶子节点j的边界区域的面积s_j和节点数量n_j，动态调整小网格边长，得到理想小网格边长；

20、所述动态调整小网格边长的方式包括：

21、设置小网格边长的最小值l_min和最大值l_max；基于叶子节点j的边界区域的节点数量n_j，计算得到叶子节点j的边界区域内期望的小网格数量m_j；

22、其中，为向上取整；

23、则基于期望的小网格数量m_j、节点数量n_j和面积s_j，计算得到叶子节点j的边界区域内期望的小网格边长

24、若l_j>l_max，则将理想小网格边长设置为l_max，若l_j<l_min，则将理想小网格边长设置为l_min；否则，将理想小网格边长设置为l_j；

25、遍历所有节点，对于每个节点i，从空间索引数据结构的根节点开始，若当前节点是一个叶子节点j，基于得到的理想小网格边长，将其边界区域划分为小网格，遍历当前的边界区域内的所有节点，根据每个节点的坐标节点位置坐标，将其归属到对应的小网格中，计算小网格内节点数量除以面积，得到节点密度；预设一个密度阈值区间[m_min，m_max]，其中，m_min为节点密度下限，m_max为节点密度上限；

26、遍历所有小网格，对于节点密度大于或等于的m_max的小网格k，将小网格k等分为4个更小的子网格，将原小网格内的节点重新分配到4个子网格中；对于节点密度小于m_min的小网格，检查其相邻的小网格，找到节点密度也小于m_min的相邻的小网格，将这些小网格作为待合并网格；将待合并网格合并为一个大网格，删除原来的小网格，直到所有小网格的节点密度都在密度阈值区间[m_min，m_max]内；将所有的大网格进行形状优化，得到最终的空间索引数据结构。

27、进一步地，所述将所有的大网格进行形状优化的方式包括：

28、收集所有待合并网格中节点的节点位置坐标，形成一个点集p；

29、计算点集p的凸包pu(p)，在凸包pu(p)上对于任意一对平行边x1＝[(u.x,u.y),(v.x,v.y)]和x2＝[(u'.x,u'.y),(v'.x,v'.y)]，其中，u.x为平行边x1的起点的横坐标，u.y为平行边x1的起点的纵坐标，v.x为平行边x1的终点的横坐标，v.y为平行边x1的终点的纵坐标；u'.x为平行边x2的起点的横坐标，u'.y为平行边x2的起点的纵坐标，v'.x为平行边x2的终点的横坐标，v'.y为平行边x2的终点的纵坐标；计算平行边x1和x2之间的距离dx1,x2，

30、

31、遍历凸包pu(p)上的所有成对的平行边，计算它们之间的距离，找到距离的最小值d_min对应的成对的平行边；以这对平行边为对边，构造最小周长矩形，最小周长矩形的其他两条边为与这对平行边垂直的边；将最小周长矩形作为合并后的大网格的边界区域，即完成对将所有的大网格的形状优化。

32、进一步地，所述构建配电加权有向图模型的方式包括：

33、初始化一个n×n的加权邻接矩阵w，所有元素初始值为0，遍历所有成对的节点i和节点f，若节点i和节点f在邻接矩阵中对应的元素a[i,f]＝1，则计算节点i到节点f的边权重w_if，并将其赋值给w[i,f]；w[i,f]为加权邻接矩阵w内的元素；

34、其中，da_if表示从节点i到节点f的数据流量，m_da为整个网络中的最大数据流量，del_if表示从节点i到节点f的数据传输延迟，m_del表示整个网络中的最大数据传输延迟，dr_if为表示从节点i到节点f的数据丢包率；en_i为节点i的节点能量水平，en_f为节点f的节点能量水平；α1、β1、γ1和δ1均为平衡权重参数；

35、重复直到遍历完所有节点，得到完整的加权邻接矩阵w；基于加权邻接矩阵w，构建初步配电加权有向图模型g＝(v,e,w1)；其中，v是节点构成的集合，e是边的集合，表示节点之间的物理连接关系，w1是边的权重集合，表示节点之间的数据传输状态；将初步配电加权有向图模型进行分层链接，得到配电加权有向图模型。

36、进一步地，所述将初步配电加权有向图模型进行分层链接的方式包括：

37、定义初步配电加权有向图模型的层级，层级包括层级数量m3和节点类型；遍历所有节点，根据节点的类型，为其分配对应的层级，并将层级进行编号，得到层级编号；

38、根据节点的层级，将属于同一层级的节点进行分组，对于每一层级q，初始化一个空的子图g_q＝(v_q，e_q)，将该层的所有节点添加到v_q中，遍历该层的所有成对的节点，若存在物理连接关系，则在子图g_q中添加一条边到e_q中，v_q为子图g_q内的节点构成的集合，e_q为子图g_q内的节点间的边集合；

39、遍历e中的所有边z，若边z属于不同的层级，则在对应的子图之间添加一条特殊边；

40、对于同一层级内的节点间，其边权重的计算方式与构建加权邻接矩阵w时边权重的计算方式相同；

41、对于连接不同层级的特殊边(c,b)，定义其权重w_cb，其中，c和b为特殊边连接的两个节点；

42、其中，l_c为节点c所属层级的层级编号，l_b为节点b所属层级的层级编号，ds_cb为节点c和节点b之间的物理距离，bw_cb为节点c和节点b之间通信链路的带宽，lay_cb为节点c和节点b之间的通信延迟，θ1、μ1和ε1为特殊边权重参数；m3个子图以及连接它们的特殊边组成配电加权有向图模型。

43、进一步地，所述计算各节点之间的最短加权路径以及最短加权路径对应的路径开销的方式包括：

44、定义配电加权有向图模型内的任意一个节点作为源节点s'，将除源节点s'之外的节点作为目标节点；对于源节点s'，初始化其距离估计值di(s')和路径开销估计值co(s')均为0，对于除源节点s'外的其他节点v'，初始化v'的距离估计值di(v')和路径开销估计值co(v')为无穷大；

45、若v'与s'之间存在直接连接的边l'，则将di(v')和co(v')更新为边l'的权重；

46、创建一个优先级队列pq，将所有节点v'及其当前的距离估计值di(v')和路径开销估计值co(v')加入优先级队列pq；

47、定义综合评分函数，综合评分函数的表达式为：

48、sc(v')＝α3×di(v')+β3×co(v')+γ3×pe(v')；其中，sc(v')为节点v'的综合评分，pe(v')为节点v'的惩罚函数值，α3、β3和γ3为评分权重参数；

49、pe(v')＝∑(w_o×fg_o(v'))；其中，w_o为第o个惩罚因子的权重，fg_o(v')为第o个惩罚因子对应的因子函数；

50、其中，rl(v')为节点v'的数据缓存容量，sy(v')为节点v'的剩余能量，u1为因子平衡参数；

51、在优先级队列pq中，按照综合评分从小到大将节点进行排序，并取出综合评分最小的节点p'；对于p'的每个优先邻居节点q'，计算从源节点到q'经过p'的距离估计值以及从源节点到q'经过p'的路径开销估计值；

52、并计算从源节点到q'经过p'的综合评分lp_q'p'，若lp_q'p'小于q'的当前的综合评分，则更新q'的距离估计值、路径开销估计值和综合评分，并将q'加入优先级队列；重复直到所有节点都被处理或者目标节点被找到；

53、对于每个节点，初始化一个空列表puo和变量tot；从q'开始，逆向追溯，将每个节点依次加入puo中，直到到达源节点，并计算puo中相邻节点之间边的权重之和，作为tot；基于puo和tot输出最短加权路径及对应的路径开销。

54、进一步地，所述最优路径方案的获取方式包括：

55、初始化m4只蚂蚁个体构成蚁群，每只蚂蚁个体代表一条可能的路径解；

56、利用各节点之间的最短加权路径以及对应的路径开销，构建解空间；解空间包含所有可行的路径组合方案；

57、每只蚂蚁个体根据转移概率，在解空间中逐步构建完成路径；转移概率的计算公式为：

58、其中，p(k')_q1,q2表示第k'只蚂蚁个体从节点q1转移到节点q2的概率，τ'_q1,q2表示节点q1到节点q2的边上的信息素浓度，δ'_q1,q2为节点q1到节点q2的路径开销，α4和β4分别为信息素重要程度因子和启发式重要程度因子；

59、当所有蚂蚁个体完成路径的构建后，定义适应度函数，计算每条路径的适应度函数的值，记作适应度；适应度函数为路径的长度、路径开销、负载均衡的加权组合；

60、负载均衡其中，x_q1为节点q1上的负载量，xtotal为所有节点负载总和；

61、根据各路径的适应度，在对应的路径上释放信息素；得到当前迭代的最优解；

62、释放信息素的公式为：

63、τ'_q1,q2＝(1-ρ2)×τ'_q1,q2+δτ'_q1,q2；其中，ρ2为信息素挥发系数，取值范围在(0，1)；δτ'_q1,q2为所有蚂蚁个体在节点q1到节点q2构成的边上新释放的信息素总和；

64、根据当前迭代的最优解更新整个蚁群，预设适应度阈值，删除适应度函数值小于适应度阈值的蚂蚁个体，产生新的蚂蚁个体加入蚁群；重复直至达到预设的最大迭代次数，最终输出的蚂蚁个体是当前的最优路径方案。

65、一种配电物联网自组网系统，其用于实现所述的一种配电物联网自组网方法，包括：数据采集模块，用于获取配电网络拓扑中n个节点的节点物理状态信息和节点数据状态信息；

66、矩阵构建模块，用于根据节点物理状态信息，获取n个节点之间的邻接矩阵；

67、模型分层拟合模块，基于节点数据状态信息和邻接矩阵，构建配电加权有向图模型；

68、路径初步计算模块，基于配电加权有向图模型，采用优化目标算法计算各节点之间的最短加权路径以及最短加权路径对应的路径开销；

69、方案输出模块，基于各节点之间的最短加权路径以及最短加权路径对应的路径开销，采用改进蚁群算法动态获取最优路径方案，利用最优路径方案调整配电网络拓扑，各个模块之间通过有线和/或无线的方式进行连接。

70、本发明一种配电物联网自组网方法及系统的技术效果和优点：

71、本发明能够实现配电网络的智能自组织，通过构建配电加权有向图模型，引入层级概念，真实反映网络实际情况和节点重要性差异，区分不同类型节点的重要性，为不同层级采取差异化优化策略提供基础，利用改进的蚁群算法，结合各节点间最短路径和路径开销信息，在全局范围内搜索最优路径方案，动态调整网络拓扑，使得配电网络能够根据实时状态自主进行优化和重构，提高了网络的自适应性和灵活性，有效应对复杂多变的负载和环境；其次，实现了配电网络中的负载均衡，在规划时，避免了部分节点过载而另一部分节点空闲的情况，提高了资源利用效率，采用多目标优化策略，兼顾了路径长度、开销和负载均衡等多个指标，使得获取的路径方案更加全面合理，充分体现了智能化和自适应的理念，通过动态优化网络拓扑和路径规划，极大地提升了网络的适应性、灵活性和资源利用率。