基于边缘计算的电网主设备状态实时监测方法

桂顺生; 王世涛; 须伟平

PDF(887 KB)

集成电路与嵌入式系统 ›› 2024, Vol. 24 ›› Issue (6) : 18-23.

研究论文

基于边缘计算的电网主设备状态实时监测方法

作者信息 +

Real-time monitoring method of power grid main equipment status based on edge computing

Author information +

文章历史 +

摘要

针对电网主设备状态实时监测性能和异常检测准确率低的问题,构建了一个基于边缘计算的电网主设备状态实时监测系统。该系统通过传感器模块对电网主设备状态进行实时数据采集;基于即时定位与地图创建(Simultaneous Localization and Mapping,SLAM)对电网主设备进行监测;边缘节点模块利用小波去噪对采集的数据进行处理,采用局部异常因子(Local Outlier Factor,LOF)算法对数据进行异常值检测;网络节点模块利用消息队列遥测传输协议(Message Queuing Telemetry Transport,MQTT)将处理后的结果值传输到管理平台;通过管理平台模块的分析展示、告警处理和权限设定实现对电网主设备状态的实时检测和预警。实验结果表明,该系统采用LOF算法对数据进行异常值检测,其误报率为1.5%,检测率为98.5%,准确率能达到98.6%。采用MQTT协议传输数据的平均时延为31.52 ms,到报率能达到99.78%,具有较好的实用性。

Abstract

Aiming at the problems of low real-time monitoring performance and anomaly detection accuracy of power grid main equipment,a real-time monitoring system of power grid main equipment based on edge computing is constructed.The system collects real-time data of the state of power grid main equipment through the sensor module.Simultaneous Localization and Mapping (SLAM) is used to monitor the main equipment of power grid.The edge node module uses wavelet denoising to denoise the collected data,and uses the Local Outlier Factor (LOF) algorithm to detect the data outliers.The network node module uses Message Queuing Telemetry Transport (MQTT) to transmit the processed result value to the management platform.Through the analysis and display,alarm processing and permission setting of the management platform module,the real-time detection and early warning of the power grid main equipment status are realized.The experimental results show that the system uses LOF algorithm to detect outliers.The false positive rate is 1.5%,the detection rate is 98.5%,and the accuracy rate can reach 98.6%.The average time delay of data transmission using MQTT protocol is 31.52 ms, and the transmission rate can reach 99.78%,which is highly practical.

关键词

边缘计算 / 电网主设备 / 实时检测 / 小波去噪 / LOF算法 / MQTT协议

Key words

edge computing / power grid main equipment / real-time detection / wavelet denoising / LOF algorithm / MQTT protocol

本文编辑

薛士然

引用本文

EndNote

Ris (Procite)

Bibtex

导出引用

桂顺生 , 王世涛 , 须伟平. 基于边缘计算的电网主设备状态实时监测方法[J]. 集成电路与嵌入式系统, 2024, 24(6): 18-23

GUI Shunsheng , WANG Shitao , XU Weiping. Real-time monitoring method of power grid main equipment status based on edge computing[J]. Integrated Circuits and Embedded Systems, 2024, 24(6): 18-23

中图分类号： TM73 (电力系统的调度、管理、通信)

0 引言

随着能源需求的不断增长和电网规模的不断扩大,电力系统作为现代社会的基础设施之一,正面临着日益复杂和庞大的运维挑战。电网主设备作为电力系统的核心组成部分,其运行状态的稳定与否直接影响着电网的安全运行和供电质量。因此,实时监测电网主设备的状态,并及时发现异常和预测潜在故障,对于保障电网的安全稳定运行具有至关重要的意义^[1-2]。

参考文献[3]建立了一个电网设备运行状态在线监控系统。该系统通过对软硬件设备的升级配置,融合视频监控、门禁管理、环境检测和火灾报警等,可实现对电网设备的监控和资源的共享,提高了系统的工作效率,但该系统在数据处理和故障检测机制上还有一定的改进空间。参考文献[4]构建了一个电网设备供应链的多源数据融合感知系统。该系统利用DBN感知算法对多种传感器获取的数据进行特征提取,通过DS证据理论对其特征进行融合分析,得到融合感知结果,实现电网设备倾斜状态的准确检测,但该系统在实时性和资源优化以及数据处理方面还有一定的改进空间。

针对现有研究中存在的不足之处,本文基于边缘计算构建了一个电网主设备状态实时监测系统,可确保检测的实时性和准确性。

1 电网主设备状态实时监测方案设计

本文网络节点模块主要作用是将边缘节点模块计算和处理后的数据通过MQTT协议上传至管理云平台。MQTT使用发布/订阅模式实现消息传递,而其中采用中间件Broker接收边缘节点发布的消息,并将这些消息传递给管理云平台,传递质量等级采用QoS 2级别,从而实现高效、可靠的边缘节点与管理平台间的通信^[5]。系统总设计如图1所示。

图1 系统总设计

Fig. 1 Overall design of the system

Full size|PPT slide

电网主设备状态实时监测是指对电网主设备的状态进行实时监测和分析,以便及时发现设备异常情况,保障电网安全稳定运行。以下是一些电网主设备状态实时监测方法:

振动监测:振动监测是通过安装在电网主设备上的振动传感器来检测设备振动情况反映设备的运行状态。振动监测可以用于检测轴承、齿轮箱、传动系统等设备是否存在异常振动情况。

温度监测:温度监测是通过安装在电网主设备上的温度传感器来检测设备温度情况,以反映设备的运行状态^[6]。温度监测可以用于检测变压器、断路器、隔离开关等设备是否存在异常温度情况。

电气参数监测:电气参数监测是通过采集电网主设备的各种电气参数(如电压、电流、功率等)来反映设备的运行状态。电气参数监测可以用于检测变压器、断路器、隔离开关等。

图像监测:图像监测是通过安装在电网主设备上的摄像头来发现设备的异常情况。图像监测可以用于检测变压器、断路器、隔离开关等设备是否存在异常的图像情况。

智能监测:智能监测是通过使用人工智能技术对采集到的数据进行分析,以便及时发现设备的异常情况。智能监测可以用于检测变压器、断路器、隔离开关等设备是否存在异常的图像、振动、电气参数等情况^[7]。

综上所述,电网主设备状态实时监测方法包括振动监测、温度监测、电气参数监测、图像监测和智能监测等。这些监测方法可以相互补充,提高监测的准确性和及时性,以便及时发现设备异常情况,保障电网安全稳定运行。

数据应用层是一个用于监控和管理电网主设备状态的系统。该模块通过MQTT协议与网络节点连接,负责接收来自边缘节点的数据,并进行实时处理、分析和展示,以便用户或运维人员能够实时了解电网主设备的状态。当发现设备状态异常或故障时,数据应用层触发告警机制,向相关人员发送警报通知,以便及时采取应对措施。该管理平台可记录不同用户登录、访问的历史情况,同时可以根据需要对管理员用户、普通用户等先进权限设定,防止用户越权修正数据,确保数据的安全性。数据应用层为电网运维和管理提供了实时、高效的监控和控制手段。

2 基于SLAM视觉的电网主设备监测

本研究基于SLAM视觉算法对电网主设备安全状态进行监测,SLAM视觉算法信息丰富,但容易引入噪声,且缺乏三维信息,导致鲁棒性较低^[8],因此本研究通过网络提取更具有鲁棒性的特征。针对故障识别设计的电缆故障辅助模块头部状态如下所示:

P G_{d B} = - 10 l o g_{10} (\overset{\infty}{\sum_{l = - \infty}} {|s i n c (π T_{B} (f_{J} - \frac{l}{N T_{C}}))|}^{2})

(1)

式中,PG_dB表示电缆头部设计状态,c表示设计误差,T_B表示设计规格,f_J表示标准参数,NT_C为设计空间表达式,l表示设计服务电缆长度。为了避免电网主设备安全状态监测受到外部环境影响,利用SLAM算法进行信息融合,如下所示:

r (t) = s (t) + j (t)

(2)

式中,s(t)表示仿真故障识别环境对外部影响的感知程度,j(t)表示外部不可控影响因素。加入设备损伤函数对SLAM算法进行优化后的故障识别环境如下所示:

\begin{array}{r} s (t) = \frac{S}{\sqrt{2}} d (t) c (t) \cos (2 π f_{0} t) + \\ \frac{S}{\sqrt{2}} d (t) c (t) \sin (2 π f_{0} t) \end{array}

(3)

式中,S表示优化的环境参数,d

(t)

表示故障识别环境中电缆故障辅助模块参数式,c

(t)

表示故障辅助模块设计的受影响因素。

综上所述,通过SLAM算法能够实现对电网主设备安全状态的监测。

3 计算和处理单元

本文通过在电网主设备附近部署边缘计算节点,将数据处理和分析任务下放到设备本身或边缘节点上,实现对设备状态数据的实时采集、处理和分析。边缘节点模块主要包含传感器接口单元、计算和处理单元、存储单元和通信单元等。传感器接口单元采用AD0809芯片,将电压信号转换成数字信号。然后,数字信号在计算和处理单元经过小波去噪后利用LOF算法进行异常值检测。最后,经过通信单元将检测结果经网络节点传输到管理平台,从而实现对风力发电机等电网主设备状态的实时监测。存储单元用于存储数据、程序、配置文件和算法等,以便在离线或有限网络连接情况下进行实时处理和响应。

3.1 小波去噪处理

数据在进行异常值检测前,需要先进行小波去噪。小波去噪是一种信号处理的方法,可以用来降低噪声对信号的影响。小波去噪的基本思想是将信号分解成不同尺度的小波系数,然后对其进行阈值处理,最后可得到去噪后的信号^[9]。本文采用软阈值进行去噪,其表达式如下:

ω_{λ} = \{\begin{array}{l} [s g n (ω) (| ω | - λ)], | ω | \geq λ \\ 0, | ω | < λ \end{array}

(4)

式中,ω为含有噪声的小波系数;ω_λ为去噪后的小波系数;λ为给定的阈值;sgn(ω)为符号函数,定义为:sgn(ω)=

\{\begin{array}{l} 1, ω > 0 \\ 0, ω = 0 \\ - 1, ω < 0 \end{array}

。经过软阈值去噪后,可得到整体连续性较好的小波系数,使得处理后的信号噪声较小。

3.2 LOF算法

下面采用LOF算法进行异常值检测^[10]。假定待检测数据为点集X,其表示为X=

\{x_{1}, x_{2}, \dots, x_{n}\}

,n为待检测数据的总数。定义x_i和x_j间的最近距离为k,对x_j进行局部密度度量,其表达式如下:

h (x_{j}) = \frac{| N_{k} (x_{j}) |}{\sum_{x_{i} \in N_{k} (x_{j})} {dist}_{k} (x_{i}, x_{j})}

(5)

式中,h(x_j)为待检测数据点x_j的稀疏程度。h(x_j)较大时,表明分布较稠,x_j为正常值;h(x_j)较小时,表明分布较稀,x_j为异常值。|N_k(x_j)|为距x_j最近的k个数据;dist_k(x_i,x_j)为x_i和x_j间的可达距离^[10]。

离散因子LOF可反映数据集合的异常程度,其表达式如下:

L O F_{k} (x_{j}) = \frac{\sum_{x_{i} \in N_{k} (x_{j})} \frac{h (x_{i})}{h (x_{j})}}{| N_{k} (x_{j}) |}

(6)

式中,LOF_k(x_j)表示x_j与数据集X的密度差异,当LOF_k(x_j)值越高,表示数据点x_j在其邻域的密度越低,即与其邻域点的数据分布不一致,可能是一个异常点;当LOF_k(x_j)值越低,表示数据点x_j在其邻域的密度越高,与其邻域点的数据分布一致,可能是一个正常点^[11-12]。

4 实验分析

为评估本文系统对电网主设备的风力发电机状态实时检测的性能,采用某风力发电机站的真实设备状态参数数据进行实验分析。设置各类传感器每10分钟采集一次,采集数据包括设备温度转换电压、振动电压、输出信号电压等参数。其中,设定霍尔电流传感器的额定灵敏度为10 mV/A。采用MATLAB进行仿真实验,实验拓扑监测部分结构图如图2所示。

图2 实验拓扑监测部分结构图

Fig. 2 Structure diagram of the experimental topology monitoring part

Full size|PPT slide

由图2可知,拓扑监测电路结构与充电模块部分形成并联结构,电源与监测控制器部分和谐波运算部分相互连接时,系统执行充电过程,此时计量设备和校准设备开始工作,K1、K2闭合。在充电模块工作过程中,VT和CT提供电能供给,同时CT与充电接口单回路相连,为拓扑监测部分持续供电,保证系统整体的持续运行。并联电路的另一支路完成对于数据的校准操作,通过K2控制,接着在经过该电路中的放大器部分后进入电路中的调制功能部分,再经过数字滤波、滤波器电路的功能计入运行参数计量监测模块,在该模块中,会对处于正常区间的运行数据进行数据计算并自动进行校准。当数字化管道平台的监测部分开始工作时,电阻R1和电感L1进行电压调节,使线路的运行电压满足计量正常工作电压,之后通过4个全桥电路完成电压循环,此过程完成电力数据转换,数据校准的工作也由谐波运算、跟踪控制器和调制电路完成。

部分真实数据集如表1所列。

表1 部分真实数据集

Table 1 Part of the real data set

时间	温度转换电压/V	振动电压/mV	输出信号电压/V
8:20	2.80	80.12	1.26
8:30	2.90	102.33	0.96
8:40	2.96	136.57	1.13
8:50	2.92	128.32	1.05
9:00	2.87	122.71	1.02
9:10	4.03	188.55	2.55
9:20	4.05	224.64	2.78

表1中数据集均为传感器采集到的数据信息,之后会将该数据集经边缘节点模块的小波去噪和LOF算法异常值进行检测处理。

为验证本文构建系统的实时性,以时延和到报率为指标对数据传输过程进行了仿真实验。采用网络仿真工具OPNET对网络传输协议MQTT和CoAP协议以及DDS协议的通信链路性能进行设置。设定3种网络协议时延均值为100 ms、丢包率为2%的负指数分布。连续发送1 000组处理过的结果值,对3种网络传输协议进行分析,其结果如表2所列。

表2 3种协议实验结果

Table 2 Experimental results of the three protocols

协议	最大时延/ms	最小时延/ms	平均时延/ms	到报率/%
MQTT	355.76	0.36	31.52	99.78
CoAP	662.52	2.48	52.88	96.15
DDS	1250.31	8.52	115.27	94.23

由表2可知,MQTT协议的实时性能明显优于CoAP协议和DDS协议。其中,MQTT协议的最小时延为0.36 ms,最大时延为355.76 ms,对1 000组数据传输的平均时延为31.52 ms,到报率能达到99.78%,延时较小、实时性效果较好。这是由于MQTT协议是基于发布/订阅模式的消息传输协议,传输小型数据包的开销极小,在低带宽和不稳定网络环境较其他网络传输协议具有明显的优越性。

本文将积分均方误差作为标准,可确定LOF算法中的k值在[2,20]之间。利用网络搜索算法对数据集X进行搜索处理,可得到最优k值为4。LOF算法的检测结果如图3所示。

图3 LOF算法的检测结果

Fig. 3 Detection results of LOF algorithm

Full size|PPT slide

图3中,点代表LOF值,虚线代表95%的控制线。当点处在控制线以下且密集处时,为正常数值点;当点处在较为分散的地方时,为异常数值点。划分出训练集和测试集,确保测试集中包含正常数值点和异常数值点。设定95%为阈值,利用测试集中的已知标记的正常数据和异常数据,根据设定的阈值统计在正常数据中被误判为异常的数据点数量,然后将其除以正常数据的总样本量,即可得到模型的误报率。经过具体计算,可得出本文LOF算法模型的误报率为1.5%,则检测率为98.5%。

将期望传输量与本文方法传输量、参考文献[3]方法和参考文献[4]方法传输量进行对比分析,比较3种方法的传输效果如表3所列。

表3 3种方法的传输效果

Table 3 Transmission effects of the three methods

序号	时间/ min	期望传输量/GB	参考文献 [3]方法/GB	参考文献 [4]方法/GB	本文方法/GB
1	10	356 786	256 745	306 701	356 732
2	10	245 663	198 601	215 601	245 645
3	10	432 352	322 345	398 311	432 321
4	10	356 773	236 701	307 121	356 723
5	10	457 854	307 801	397 812	457 834
6	10	457 745	323 701	407 745	457 712
7	10	534 663	302 631	494 643	534 634
8	10	453 455	253 401	393 451	453 419
9	10	346 645	142 145	306 611	346 601
10	10	346 645	246 601	306 632	346 621

由表3可知,本文方法的数据传输量与期望传输量相差不大,而参考文献[3]方法和参考文献[4]方法的数据传输量均比期望传输量低,且相差较大。由此可见,本文方法采用的MQTT协议进行数据传输有着较为突出的技术优势。

前面计算了LOF模型的检测率,检测率为模型成功检测到异常数据的比例。当检测率较高时,表示模型能够捕捉到大部分实际异常样本,但不排除将一些正常样本误判为异常的现象,所以还要进行检测准确率的实验,检测准确率为模型对异常和正常数据的判断准确性。

为验证本文系统对电网主设备状态实时检测的准确性,随机选取8个边缘节点对传感器采集的数据进行处理计算。将LOF算法和传统检测算法进行对比分析,随边缘节点个数的增多,两种算法异常值检测准确率的变化情况如图4所示。

图4 异常值检测准确率的变化情况

Fig. 4 Changes in outlier detection accuracy

Full size|PPT slide

图4中,随着边缘节点个数的增多,采用LOF算法对电网主设备状态参数异常值检测的准确率逐渐增大,当边缘节点为8个时,检测准确率能达到98.6%。而传统算法的准确率明显低于LOF算法。主要存在以下几种原因:首先,LOF算法能够通过考虑每个数据点周围的局部密度来计算异常性,使其能更有效地捕获到那些在局部区域中相对于其邻近点更为稀疏的点,从而更准确地检测异常点。传统检测算法只考虑全局的数据分布,无法很好地识别局部异常点。其次,LOF算法对数据的分布形状和维度敏感性较低,对于高维数据或者非常规分布的数据能够更加鲁棒地进行异常点检测。LOF算法具有较好的可扩展性,适用于大规模数据集的异常检测。最后,相比传统检测算法,LOF算法对参数的选择相对来说更加鲁棒,不需要依赖事先对数据分布和参数的假设。总之,LOF算法相对于传统检测算法具有更好的局部敏感性、鲁棒性、可扩展性和对参数的鲁棒性,这些优势可能会导致LOF算法的准确率优于传统检测算法。

另一方面传统检测算法的检测准确率与边缘节点的个数关系不大,不会随着边缘节点的变化呈现某些趋势。主要是因为它们更多地依赖全局特征,对于局部特征的变化不太敏感,以及在算法设计和异常值处理方面并未考虑边缘节点数量的影响。

当检测准确率较高时,表示模型判定为异常的样本大部分都是实际异常的,但也可能错过了一部分真正的异常样本。所以检测率与检测准确率相辅相成,可以根据具体需求来调整模型的性能指标。这进一步验证了本文系统对电网主设备状态实时检测的有效性和优越性。

5 结论

本文构建了一个电网主设备状态实时监测系统,以风力发电机设备状态为例进行研究。该系统通过各种传感器对设备状态进行实时数据采集,数据以电压形式输出。通过传感器接口单元完成数据的接收,利用小波去噪方法对数据进行去噪处理,采用LOF算法对数据进行异常值检测,其误报率为1.5%,检测率为98.5%,准确率达到98.6%。采用MQTT协议将处理后的结果传输到管理平台模块,该协议平均时延为31.52 ms,到报率能达到99.78%,实用性较强。在管理平台上经过分析展示、告警处理和权限设定等操作,可实现对风力发电机设备状态的实时检测和预警。

虽然本文构建的系统能实现电网主设备状态实时检测,且检测率、准确率和实时性较高,但还存在一些不足之处。例如,数据在传输和处理过程中的安全性和隐私性还应得到重视。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

[1]	徐昊, 肖勇, 马雪菲. 基于灰色关联和层次分析的电网故障诊断[J]. 中国科技信息, 2023(14):101-104. XU H, XIAO Y, MA X F. Grid fault diagnosis based on Grey correlation and Hierarchical Analysis[J]. China Science and Technology Information, 2023(14):101-104. (in Chinese) 本文引用 [1]

[2]	叶飞, 王来善, 张静鑫, 等. 基于关联规则挖掘的电网设备差异化状态检测[J]. 信息技术, 2023, 47(4):157-160,166. YE F, WANG L SH, ZHANG J X, et al. Differential state detection of power grid equipment based on Association rule mining[J]. Information Technology, 2019, 47(4):157-160,166. (in Chinese) 本文引用 [1]

[3]	高源, 张振宇, 罗翔, 等. 电网设备状态在线监控系统的研究[J]. 电子器件, 2021, 44(5):1183-1189. GAO Y, ZHANG ZH Y, LUO X, et al. Research on on-line Monitoring System of Power Grid Equipment[J]. Electronic Devices, 2021, 44(5):1183-1189. (in Chinese) 本文引用 [3]

[4]	李岩. 基于多源数据融合感知的电网设备供应链管控与预警算法设计[J]. 电子设计工程, 2023, 31(12):169-172. LI Y. Design of power grid equipment supply chain control and early warning algorithm based on multi-source data fusion perception[J]. Electronic Design Engineering, 2019, 31(12):169-172. (in Chinese) 本文引用 [3]

[5]

高骞, 杨俊义, 刘凯, 等. 基于数据驱动技术的配电网拓扑结构及线路参数识别方法[J]. 电力电容器与无功补偿, 2023, 44(2):77-87.

GAO

, YANG

J Y

, LIU

, et al. Distribution network Topology and Line Parameter Ide.pngication Method Based on Data-driven Technology[J]. Power Capacitors and reactive Power Compensation, 2023, 44(2):77-87. (in Chinese)

本文引用 [1]

[6]	张亚芳. 基于四线制PT100的高精度温度采集系统[J]. 佳木斯大学学报(自然科学版), 2023, 41(2):162-165. ZHANG Y F. High precision temperature acquisition System based on four-wire PT100[J]. Journal of Jimusi University (Natural Science Edition), 2023, 41(2):162-165. (in Chinese) 本文引用 [1]

[7]	王玲. 用冲击法校准压电式力传感器的灵敏度[J]. 上海计量测试, 2023, 50(2):43-46. WANG L. Calibrating Sensitivity of piezoelectric Force Sensor by Impact Method[J]. Shanghai Journal of Measurement and Testing, 2023, 50(2):43-46. (in Chinese) 本文引用 [1]

[8]

刘伟, 赵玄玉, 查明虎. 基于霍尔传感器的工业机器人轴电流监测研究[J]. 湖北民族大学学报(自然科学版), 2022, 40(3):289-292.

LIU

, ZHAO

X Y

, ZHA

M H

, et al. Research on shaft current Monitoring of Industrial Robot based on Hall Sensor[J]. Journal of Hubei University for Nationalities(Natural Science Edition), 2022, 40(3):289-292. (in Chinese)

本文引用 [1]

[9]	姬鑫. 基于信号分析的三电平逆变器开路故障诊断方法研究[D]. 西安: 西安工业大学, 2022. JI X. Research on open-circuit fault diagnosis method of three-level Inverter based on Signal analysis[D]. Xi'an: Xi'an Technological University, 2022. (in Chinese) 本文引用 [1]

[10]	尤向前, 高盼. 基于Hadoop与局部异常因子的用电行为检测方法[J]. 科技创新与应用, 2023, 13(21):73-76. YOU X Q, GAO P. Electricity Consumption behavior detection method based on Hadoop and local anomaly factor[J]. Science and Technology Innovation and Application, 2019, 13(21):73-76. (in Chinese) 本文引用 [2]

[11]	孙友林. 基于MQTT协议的物联网云平台设计与实现[J]. 物联网技术, 2023, 13(6):71-72. SUN Y L. Design and Implementation of Internet of Things Cloud Platform based on MQTT Protocol[J]. Internet of Things Technology, 2023, 13(6):71-72. (in Chinese) 本文引用 [1]

[12]	任雪峰, 武志伟. 一种电源监控管理模块的实现方法[J]. 雷达与对抗, 2022, 42(4):65-68. REN X F, WU ZH W. An implementation method of Power monitoring management module[J]. Radar and Countermeasures, 2022, 42(4):65-68. (in Chinese) 本文引用 [1]

PDF(887 KB)

241

Accesses

Citation

Detail

段落导航

收稿日期	出版日期
2023-11-15	2024-06-01
发布日期
2024-06-12

选择文件类型/文献管理软件名称

选择包含的内容