朱明增，覃秋勤，劉小蘭，陳極萬

（廣西電網(wǎng)有限責任公司賀州供電局，廣西賀州 542800）

我國的變電站智能化技術發(fā)展迅速，隨著新設備的引入，設備管理的規(guī)模與形式也隨之改變，原有的運維檢修手段已無法滿足發(fā)展需要。無線傳感器網(wǎng)絡具有低功耗和部署、維護成本低的特點，且支持遠程部署，能夠較好地滿足變電站管控的需求。

為實現(xiàn)無線傳感器網(wǎng)絡的大量通信需求，該文選取了低功耗廣域網(wǎng)（LPWAN）來實現(xiàn)多源數(shù)據(jù)融合的變電站管控技術。LPWAN 是一種無線通信廣域網(wǎng)，支持在聯(lián)網(wǎng)設備之間以低比特率進行遠程通信。LoRa 是一種線性調頻擴頻（CSS）無線電調制的LPWAN 技術，其提供了嵌入式端到端AES128 加密與較高的通信容量，能夠支持每個基站數(shù)百萬條消息，適用于為變電站架構無線傳感器網(wǎng)絡。

該文構建了一套低成本、自供電且高效的無線變電站管控系統(tǒng)，使用函數(shù)鏈構建數(shù)據(jù)分析工具，較好地實現(xiàn)了對變電站的自動化管控。

1 電站監(jiān)控系統(tǒng)設計

該系統(tǒng)基于智能物聯(lián)網(wǎng)的技術原理，部署了用于數(shù)據(jù)收集和存儲的集中式網(wǎng)絡體系結構[1]。通過部署一組外圍節(jié)點來收集相關的環(huán)境信息，并將節(jié)點的測量結果通過無線協(xié)議傳輸?shù)交驹O備，然后建立快速的數(shù)據(jù)收集與傳輸方法，提高管理部門的反應能力[2]。為實現(xiàn)此功能，基站設備通過蜂窩通信服務（GPRS）周期性地將收集到的數(shù)據(jù)上傳到云端[3]。

文中設計的無線通信協(xié)議主要基于時隙方案，網(wǎng)關的信號接收器在預定義的工作時隙中處于活動狀態(tài)，外圍節(jié)點基于這些時隙的具體情況完成調度數(shù)據(jù)傳輸以及上傳服務[4]。系統(tǒng)組件如圖1 所示。

圖1 系統(tǒng)組件

1.1 外圍節(jié)點設計

傳感網(wǎng)絡的主要信息來源為變電站的外圍節(jié)點，其包括用于環(huán)境監(jiān)控的所有傳感器。傳感器所采集到的數(shù)據(jù)被本地存儲，然后使用LoRa 無線協(xié)議傳輸?shù)交驹O備，外圍感知節(jié)點架構如圖2 所示[5]。

圖2 外圍感知節(jié)點結構

為了使系統(tǒng)在最少的維護投入下，長時間地穩(wěn)定運行，使用能量收集技術搭建了能量自給系統(tǒng)。設計每個外圍節(jié)點的電源模塊由3.7 V/2 600 mAh 的電池與6 V/3.5 W 的太陽能電池板組成，晴天時通過太陽能電池板對電池進行充電。每個外圍節(jié)點系統(tǒng)任務的功耗分析，如表1 所示。

表1 系統(tǒng)任務功耗分析

傳感器的測量與無線傳輸通常在程序運行的間隔執(zhí)行。每個外圍節(jié)點的功耗由以下公式確定：

其中，常數(shù)L、O、R、A是24 小時運行的占空比。在我國所處緯度的平均光照條件下，晴天時一塊3.5 W 太陽能電池板的估計每日功率輸出為0.021 kW·h。結合功耗，設置占空比參數(shù)為L=0.016、O=0.016、R=0.33、A=0.016。經(jīng)過測試發(fā)現(xiàn)，電池能夠在晴天進行充電，在陰天可以為系統(tǒng)供電。圖3為在晴天條件下，該系統(tǒng)所使用電池的電壓變化統(tǒng)計數(shù)據(jù)。

圖3 電池的電壓變化情況統(tǒng)計

1.2 網(wǎng)關設計

網(wǎng)關提供了外圍節(jié)點與云網(wǎng)絡之間的互連，以實現(xiàn)用戶對數(shù)據(jù)的訪問。網(wǎng)關在此次設計中，起到管理外圍節(jié)點數(shù)據(jù)、云端通信以及實現(xiàn)自動化監(jiān)控的功能。基于多源傳感器數(shù)據(jù)，建立如下式所示的函數(shù)鏈：

式中，afi為大于功耗范圍的系統(tǒng)狀態(tài)，ffi為低于功耗范圍的系統(tǒng)狀態(tài)，A為實驗測得的閾值，t為時間刻度。通過收集外圍節(jié)點的數(shù)據(jù)，網(wǎng)關實現(xiàn)了對不同事件的分類，并與遠端服務器進行必要的通信。

2 傳感網(wǎng)絡分析算法設計

基于上文提出的傳感網(wǎng)絡，建立了如圖4 所示的集中式傳感網(wǎng)絡。

圖4 集中式傳感網(wǎng)絡

為了將建立的函數(shù)鏈分析工具部署在圖4 所示的大型傳感網(wǎng)絡上[7]，采用了功能鏈接-自組織多層網(wǎng)絡[8]，將功能鏈神經(jīng)網(wǎng)絡與使用免疫算法的自組織多層網(wǎng)絡相結合[9]。

2.1 FL-SMIA網(wǎng)絡設計

該文提出的FL-SMIA 網(wǎng)絡體系結構由輸入層、自組織隱藏層和輸出層組成[10]，該輸入層包括多個輸入單元Xi，若干個單元Hi組成了自組織隱藏層，以及相應的輸出單元Yi組成了輸出層[11]。

國防科技工業(yè)主要是指從事武器科研裝備生產(chǎn)、研發(fā)工作的相關工業(yè)產(chǎn)業(yè)，具體包括航空、航天、核能、電子、船舶等多個部門，其對于我國國防事業(yè)的建設與發(fā)展有著直接的影響。在計劃經(jīng)濟時期，軍工企業(yè)本身所存在的競爭壓力非常之小，同時國家的資金支持力度也比較大，因而對于自身的競爭優(yōu)勢以及經(jīng)濟收益問題并不重視［1］。然而隨著市場經(jīng)濟的不斷發(fā)展，軍工企業(yè)要想生存并長期發(fā)展下去，就必須要尊重市場規(guī)律，參與到市場競爭中來，不斷提升自身的核心競爭力，而市場導向下的軍民融合發(fā)展策略則恰恰能夠幫助軍工企業(yè)實現(xiàn)這一目標。因此，軍工企業(yè)的軍民融合發(fā)展，在很大程度上也是為了滿足市場經(jīng)濟環(huán)境下國防科技工業(yè)的進一步發(fā)展需求。

隱藏單元的輸出由輸入單元Xi之間的歐氏距離和輸入單元與隱藏單元之間的連接權重確定[12]，利用輸入數(shù)據(jù)的本地信息，可以計算出隱藏單元Hj的輸出如下：

隱藏單元的輸出匯總在標準層中，網(wǎng)絡輸出則可以由式（6）得出：

2.2 網(wǎng)絡學習算法設計

如上文所述，該文設計的傳感網(wǎng)絡具有兩個權重矩陣，第一個權重矩陣在輸入層和隱藏層之間，第二個權重矩陣在隱藏層與輸出層之間。第二個權重矩陣使用標準的反向傳播算法進行訓練，并以批量方式來懲罰較大的權重。單個輸出神經(jīng)元權重變化計算為：

在訓練第二權重矩陣之前，使用免疫算法訓練第一組權重與隱藏層的結構。在免疫算法中，隱藏單元對應于識別免疫系統(tǒng)。每個隱藏單元代表一個或多個輸入向量，并具有從輸入層到隱藏單元的連接權重。隱藏單元Hj用(Pj,)表示，其中Pj是與Hj關聯(lián)的輸入向量的數(shù)量，是從輸入層到Hj的權重向量。

免疫算法運行時，從一個隱藏單元(N=1)開始，并用P1=1 和=X1創(chuàng)建第一個隱藏單元，然后循環(huán)執(zhí)行免疫算法，依次創(chuàng)建和更新隱藏單元，直到網(wǎng)絡的所有輸入均找到對應的隱藏單元。

該文還引入了一種方法來更新從輸入單元到隱藏單元的連接權重[16]。該方法通過將選定隱藏單元的新矢量計算為分配給該單元的所有輸入矢量的平均值，具體如式（8）所示：

3 實驗驗證

為了對該文設計的變電站管控技術的有效性進行驗證，在經(jīng)過內核剪裁的Linux 操作系統(tǒng)下，使用蒙特卡洛模擬仿真方法進行了1 000 次實驗。每次實驗考慮10 種重復測量，生成了8 組數(shù)據(jù)集，分別對應于可能的系統(tǒng)誤差和線路參數(shù)偏差的不同，以驗證管控系統(tǒng)的有效性[17]。

為了驗證該文所提算法的綜合性能，使用該次設計的FL-SMIA 與常用的分析網(wǎng)絡結構進行對比，實驗數(shù)據(jù)如表2 所示。分析表2 所得到的數(shù)據(jù)結果可知，對于8個數(shù)據(jù)集的分析準確性指標，F(xiàn)L-SMIA網(wǎng)絡具有最佳平均值。這表明與多層感知器網(wǎng)絡相比，該文所提改進算法可以有效提高數(shù)據(jù)的分析能力。

表2 分析準確性實驗

該文還使用網(wǎng)絡殘差之間的相似性來評價了所設計網(wǎng)絡的計算能力。為了測量數(shù)據(jù)集上模型行為之間的相似性，對每個比對模型均使用了應用于殘差之間的相關系數(shù)。實驗結果表明，F(xiàn)L-SMIA 與FLNN、SMIA、R-SMIA 的性能比，和FL-SMIA 與MLP、R-MLP 的性能比數(shù)值相似，說明FLNN 與SMIA 的特性被該數(shù)據(jù)分析網(wǎng)絡模型有效保留。

在使用數(shù)據(jù)集實驗的基礎上，通過使用如圖5所示的總線測試網(wǎng)絡搭載該文設計的數(shù)據(jù)分析平臺進行實時實驗。用于測試的網(wǎng)絡具有10 個節(jié)點、9個分支、4 個三相、3 個二相和兩個單相節(jié)點。

圖5 總線測試網(wǎng)絡

僅考慮單個分支的實驗結果，如表3 所示。分析表3的數(shù)據(jù)可知，電力數(shù)據(jù)分析的關鍵指標RMSE，即與人工測試結果的偏差均呈現(xiàn)出了降低趨勢。從而說明該平臺的分析精度，相較于人工分析有所改善。

表3 單分支估計電壓幅度實驗中的RMSE變化率

圖6 為僅考慮電壓降約束時，使用全網(wǎng)絡所獲得的系統(tǒng)誤差估計。相同節(jié)點的實際系統(tǒng)誤差與電壓幅值補償后的殘留誤差，如圖7 所示。分析圖7 可知，通過估計得到的參數(shù)補償測量值，能夠在幅度與相位角上大幅降低系統(tǒng)誤差。即使在參數(shù)不確定性較高的情況下，該方法也具有更優(yōu)的效果。

圖6 系統(tǒng)的電壓幅度誤差估計

圖7 電壓幅度估計誤差

4 結束語

該文使用多種傳感器網(wǎng)絡搭建了一套集中式的智能物聯(lián)網(wǎng)數(shù)據(jù)融合系統(tǒng)，并通過對函數(shù)鏈的數(shù)據(jù)分析建立自動化的多源數(shù)據(jù)分析系統(tǒng)，且實驗與分析結果驗證了其有效性。隨著高速通信技術的發(fā)展，電力智能化設備將越來越多，未來的研究重點將集中在如何提高系統(tǒng)分析速度，以及使網(wǎng)絡更優(yōu)地支持移動設備的融合。