大数据环境下多传感器网络的信息混合处理方法及在智能电网中的应用

Multi-sensor network information processing plays an irreplaceable important role in the military operations, environmental monitoring, medical and health and other areas. The numerous hybrid data, and one of the key burning problem in sensor network application is that how to take full advantage of these data. Through a variety of sensors collecting large amounts of hybrid data are typical big data, and how to handle and use the mixed data is a key issue in sensor network applications have yet to be resolved. The projects are centered around sensor network data processing. For the data’s hybrid characteristic of sensor network, we propose many algorithms such as time-event-driven hybrid fusion algorithm, multi-tier distributed hybrid fusion algorithm, and cooperative game saving fusion algorithm in the aspect of information fusion, taking peculiarity into consideration. On the other hand，in the data mining section, some mining algorithms including online-offline hybrid mining algorithms, hierarchical distributed mining algorithm and query-driven mining algorithm are presented. Finally, we apply all of the above research results into fault diagnosis of the smart grid. The results of this project will provide a new theory of information processing sensor networks, methods and techniques, as well theoretical guidance and solutions for fault detection of power grid system, and then greatly enhance the role of sensor networks in the human production and life.

传感器网络在军事作战、环境监测、医疗健康等领域中发挥着不可替代的重大作用。本项目旨在针对会产生大数据的传感器网络，面向其典型的应用需求，紧扣大数据的规模巨大、增长速度快、形式多样、低价值密度特点，针对传感器网络中数据混杂、涌现不均、处理缓慢，网络资源利用低下，传感器能量有限等问题，在数据融合方面，研究时间-事件混合驱动式融合算法、多层分布式混合融合算法、合作博弈节能混合融合算法；在数据挖掘部分，研究在线-离线式混合挖掘算法、定位分层分布式混合挖掘算法、查询驱动式混合挖掘算法。最后，将上述研究结果应用于智能电网的故障诊断。本项目的成果将为传感器网络的信息处理提供新的理论、方法与技术，并对智能电网故障诊断提供理论指导与解决方案。

多传感器网络是智能制造、区域监控、网络化控制等领域采集数据的有效手段。由于网络地理分布的广泛性和数据传输网络的受限特性，如何实现数据的有效采集成为关键；而所采集数据的连续与离散混杂性、多量纲异维度混杂性等，致使数据挖掘和数据融合困难，进而导致了在有效利用数据实现控制、优化与故障检测等应用的困难。本项目针对这些难题，开展了一系列研究工作，所取得的研究结果包括：基于时间驱动和事件驱动策略设计了多传感器网络的混合数据采集规则，并设计了离散式、间歇式、事件驱动式等通信方式，从多个角度降低数据采集负担和数据传输损耗；提出了基于回归的度量学习算法，实现了混杂数据的降维和统一量纲的融合；有针对性地设计了连续与离散混杂数据融合、当前与时滞混杂数据融合、多量纲异维度混杂数据融合策略，解决了网络环境下的协同控制、拓扑辨识与优化等问题，实现了混杂数据的有效利用；借助博弈理论研究了合作与竞争关系下的混杂数据融合与数据挖掘，实现了合作竞争关系下的网络协同，揭示了内部数据与外部性能之间的关联特性。设计了多层级联数据挖掘策略，基于混合数据挖掘实现了系统状态的有效估计与观测；基于支持向量回归算法构建了预测模型，提出了基于级联优化的数据挖掘策略，借助遗传算法揭示了参数之间的映射关系；基于数据融合与挖掘技术，在智能电网的应用领域开展研究，实现了对输电线路、电气设备、以及发电厂的锅炉等的故障诊断与预测，并将项目结果扩展至智能电网的能源管理优化调度策略研究中，基于历史数据，采用强化学习的方法，设计了最优功率控制算法，提出了基于实时数据的最优功率分配算法等。本项目的研究结果为多传感器网络中大数据的信息处理提供了新的技术与方法，同时对于混合数据的高效处理也具有重要的指导意义。