程天宇，李 龍，林志強

（廣東電網(wǎng)有限責任公司東莞供電局，東莞 523000）

0 引言

隨著現(xiàn)代社會的發(fā)展，電力的需求更加旺盛，同時也對電力系統(tǒng)安全性提出了更高的要求?，F(xiàn)代電力系統(tǒng)需要更加快速的響應速度，需要實時故障檢測及快速響應。多種能源包括可再生能源接入電網(wǎng)的比例增加，給電網(wǎng)運行的質(zhì)量和安全帶來了巨大挑戰(zhàn)[3]。五年前，烏克蘭電網(wǎng)被網(wǎng)絡病毒攻擊，導致該國電力短缺，這次世界首發(fā)黑客攻擊導致的停電的事件，暴露了電力系統(tǒng)網(wǎng)絡安全的問題，其嚴重程度已成為全球關注的問題。因此，為了提高系統(tǒng)的響應速度以及保證系統(tǒng)的安全可靠性，急需一種不同于以往基于傳統(tǒng)的電力物聯(lián)網(wǎng)故障監(jiān)測系統(tǒng)。為此，泛在電力物聯(lián)網(wǎng)的概念隨之出現(xiàn)，國家電網(wǎng)有限公司對“泛在電力物聯(lián)網(wǎng)（ubiquitous power Internet of Things，簡稱UPIoT）”的定義: 將電力用戶及其設備、電網(wǎng)企業(yè)及其設備、發(fā)電企業(yè)及其設備、供應商及其設備，以及人和物連接起來,產(chǎn)生共享數(shù)據(jù)，為用戶、電網(wǎng)、發(fā)電、供應商和政府社會服務[3]。

物聯(lián)網(wǎng)（Internet of Things，簡稱IoTs）技術一詞最早由麻省理工學院的自動識別（Auto-ID）中心聯(lián)合創(chuàng)始人Kevin Ashton提出[1]，并將其定義為：一種物、人、系統(tǒng)和信息資源互聯(lián)的基礎設施，結合智能服務，使其能夠處理物理和虛擬世界的信息并做出響應[2]。物聯(lián)網(wǎng)的不斷發(fā)展，給人類的生活帶來了許多便利，社會上的方方面面也逐漸與物聯(lián)網(wǎng)建立起了緊密的聯(lián)系，其中物聯(lián)網(wǎng)在電力系統(tǒng)上的應用也逐漸普及開來。隨著泛在電力物聯(lián)網(wǎng)的提出，不少學者在這方面進行了相關的研究，李宗澤（2019）等提出了一種應用于電力系統(tǒng)變電站高壓設備的在線監(jiān)測系統(tǒng)，力求將電力系統(tǒng)的在線監(jiān)測水平提升，然而由于監(jiān)測的數(shù)據(jù)較多，類型多樣化，在數(shù)據(jù)處理速度上有相應欠缺[4]。彭瀾（2020）等為解決目前配電變壓器監(jiān)測系統(tǒng)在運行中存在的安全性及延時性等問題，基于泛在電力物聯(lián)網(wǎng)技術設計了配電變壓器智能監(jiān)測系統(tǒng)，實現(xiàn)智能終端各類監(jiān)測設備的安全接入及數(shù)據(jù)預處理；海量數(shù)據(jù)的快速安全傳輸、數(shù)據(jù)共享以及數(shù)據(jù)的全景展示、統(tǒng)計分析及遠程監(jiān)控等核心功能[5]。Ding,P（2020）等針對設備電網(wǎng)的可靠性問題，研究了基于物聯(lián)網(wǎng)的設備電網(wǎng)監(jiān)控系統(tǒng)，該系統(tǒng)能夠?qū)υO備電網(wǎng)的基本參數(shù)、諧波和電壓畸變進行實時監(jiān)測，對異常監(jiān)測結果進行實時、快速的處理[7]。Shu，Z（2021）等對物聯(lián)網(wǎng)終端安全監(jiān)控技術的可行性進行研究，以降低潛在風險，改善物聯(lián)網(wǎng)終端的安全運行環(huán)境，提高物聯(lián)網(wǎng)終端的安全防護水平，一是提出了物聯(lián)網(wǎng)終端安全保護的技術規(guī)范，二是實現(xiàn)對終端安全的統(tǒng)一檢測保護，三是實現(xiàn)終端安全態(tài)勢感知和威脅識別[8]。在文獻[9]中Wang J（2022）等針對傳統(tǒng)網(wǎng)絡服務器存在的安全風險，通過研究傳統(tǒng)網(wǎng)絡安全風險指數(shù)，分析物聯(lián)網(wǎng)的優(yōu)異性能，研究物聯(lián)網(wǎng)在一般場景下的網(wǎng)絡安全保護系統(tǒng)中的有效性，提出了基于無處不在的電力物聯(lián)網(wǎng)的全場景網(wǎng)絡安全防護系統(tǒng)。

本文基于UPIoT概念，建立泛在電力物聯(lián)網(wǎng)智能安全監(jiān)測系統(tǒng)。在末端感知層利用傳感器信息優(yōu)化模型算法，改進系統(tǒng)的響應速度；在邊緣端，結合基于深度學習的邊緣計算，提高了故障檢測準確率。相比傳統(tǒng)的電力物聯(lián)網(wǎng)系統(tǒng)，在系統(tǒng)相應速度、數(shù)據(jù)準確率，降低系統(tǒng)風險等方面有顯著的改進，實現(xiàn)了對于電力系統(tǒng)響應速度的提高以及網(wǎng)絡數(shù)據(jù)可靠性的提升，可以滿足目前對于電力系統(tǒng)的需求。

1 智能安全監(jiān)測系統(tǒng)總體架構設計

本文設計的泛在電力物聯(lián)網(wǎng)智能安全監(jiān)測系統(tǒng)包括以下部分：末端感知層、通信接入層以及邊緣計算層，總體設計框架圖如圖1所示。與文獻[10]和文獻[11]不同，在我們的泛在電力物聯(lián)網(wǎng)架構中，智能感知與監(jiān)測體系所處的位置在中下層，可以實現(xiàn)對接高維度、多節(jié)點、大規(guī)模的復雜系統(tǒng)數(shù)據(jù)，同時，在極大時間尺度范圍內(nèi)對電力設備的運行狀態(tài)進行監(jiān)測，保護暴露在室外的各種傳感器、集中器以及通信信道，并滿足基于多元化營銷以及計量業(yè)務服務等需求。

圖1 泛在電力物聯(lián)網(wǎng)智能安全監(jiān)測系統(tǒng)框架示意圖

1.1 主站層和通信主干網(wǎng)

主站層主要包括了配基于泛在電力物聯(lián)網(wǎng)的智能安全監(jiān)測系統(tǒng)的主體部分，可以實現(xiàn)對于電力系統(tǒng)數(shù)據(jù)的遠程監(jiān)控以及可視化呈現(xiàn)，同時具備數(shù)據(jù)分析，報錯日志記錄等核心功能。

通信主干網(wǎng)則由骨干傳輸網(wǎng)、無線公網(wǎng)、物聯(lián)網(wǎng)子站以及衛(wèi)星等組成，分別負責不同的邊緣計算層的服務，實現(xiàn)通信與數(shù)據(jù)傳輸功能。

1.2 邊緣計算層

本文的邊緣計算層將基于深度學習進行實現(xiàn)，相比以往的邊緣計算，有利于數(shù)據(jù)處理能力以及系統(tǒng)安全性的提高。邊緣計算層是一種分布式的運算架構，可以將不同服務之間所產(chǎn)生的應用數(shù)據(jù)由中心節(jié)點統(tǒng)一計算處理，將原本由一個服務終端處理的數(shù)據(jù)轉(zhuǎn)化為更小更多的邊緣計算終端，分布在不同的電力設備當中被用于通信主干網(wǎng)以及本地接入網(wǎng)中間，可以有效的提高計算速度，減少系統(tǒng)的延遲，從而實現(xiàn)高效、安全的大范圍數(shù)據(jù)傳輸，可以滿足不同類型的傳感器的接入以及不同類型的網(wǎng)絡組成。

1.3 本地接入網(wǎng)

與文獻[6]和文獻[7]不同，我們增加了本地接入網(wǎng)部分，可以實現(xiàn)快速穩(wěn)定的傳輸海量數(shù)據(jù)，有利于建立低時延、高速率、大容量、安全可靠的通信系統(tǒng)，方便與5G系統(tǒng)接入結合使用。本地接入網(wǎng)位于末端感知層與邊緣計算層之間，是實現(xiàn)數(shù)據(jù)與傳感器等設備進行交換的核心環(huán)節(jié)，其中需要實現(xiàn)雙模微波、電能計量、載波微波、智能控制、智能感知、以太網(wǎng)、異常監(jiān)測、載波3G、自動化控制、故障指示、采集、載波控制、能效控制、多表合一等諸多服務與功能。

1.4 末端感知層

末端感知層位于整個泛在電力物聯(lián)網(wǎng)的智能安全監(jiān)測系統(tǒng)最底層，由各式各樣的在線監(jiān)測設備以及智能傳感器組成，可以實時的對設備運行狀態(tài)進行全面的感知以及數(shù)據(jù)收集，具體監(jiān)測服務包括智能家居/小區(qū)/樓宇、多表計量、工業(yè)負荷、中壓電網(wǎng)、分布式電源、多能連供設備以及智能冷熱網(wǎng)等。本文的仿真數(shù)據(jù)主要來源于智能傳感器監(jiān)測所得的數(shù)據(jù)，對其模擬仿真的結果在實際工程應用當中具有十分重要的指導意義。

末端感知層是直接測量檢測電力設備故障的主要部分，該層決定了泛在電力感知監(jiān)測網(wǎng)絡系統(tǒng)的故障的速度和準確率。

2 末端感知層傳感器信息優(yōu)化模型

為了提高整體泛在電力感知監(jiān)測網(wǎng)絡系統(tǒng)性能，我們需要進一步對該層進行優(yōu)化。

2.1 優(yōu)化模型架構

傳感器信息優(yōu)化模型的目的在于提高泛在電力物聯(lián)網(wǎng)智能感知與監(jiān)測體系各個子系統(tǒng)之間的信息交互效率，消除現(xiàn)階段傳感器由于生產(chǎn)廠家與所采用的技術不同而導致數(shù)據(jù)格式存在差異，進而實現(xiàn)數(shù)據(jù)共享。圖2所示為泛在電力物聯(lián)網(wǎng)智能安全監(jiān)測系統(tǒng)末端感知層傳感器信息優(yōu)化模型架構。

圖2 末端感知層傳感器信息優(yōu)化模型架構圖

2.2 設計與優(yōu)化過程

設計與優(yōu)化過程遵循IEC 61850-7-4標準[8,9]中的相關設計原則，結合IEEE 1451.4的TEDS[10]思想，完成泛在電力物聯(lián)網(wǎng)感知與監(jiān)測體系末端感知層各種傳感設備的抽象數(shù)據(jù)模型，可以通過統(tǒng)一通信規(guī)約有效的處理不同規(guī)格的傳感器數(shù)據(jù)，提高系統(tǒng)的響應速度以及數(shù)據(jù)準確率。具體過程如下：

1）基本TEDS。是所有傳感器在執(zhí)行對數(shù)據(jù)的上報任務之時必須涉及到的元素，代表著數(shù)據(jù)的來源，同時，亦為服務器對相應表單的調(diào)用提供依據(jù)，此外，亦能獲取傳感器邏輯節(jié)點類型的有關信息。在該元素中，以64bit全部為0或者全部為1作為預留位，執(zhí)行對系統(tǒng)的維護與管理任務。

2）標準TEDS。由32bits精簡TEDS與傳感器固有屬性構成。TEDS內(nèi)容及其數(shù)據(jù)格式與相關標準相符，其模版需要進行統(tǒng)一制定。各類傳感器均有統(tǒng)一模版，可以統(tǒng)一各個廠商及形態(tài)的傳感器數(shù)據(jù)模型，同時，經(jīng)由應用服務器執(zhí)行對這一模版的統(tǒng)一管理任務。按照詳細的TEDS內(nèi)容將傳感器廠商填寫進去，與早期紙質(zhì)產(chǎn)品測試報告相類似，目前僅體現(xiàn)在不同的表現(xiàn)形態(tài)之上，以電子表單的形式在服務器中存儲。當將傳感器應用于電力系統(tǒng)之中時，需要進行電子表單的填寫，目的有二，其一是為傳感器傳來的數(shù)據(jù)提供解析依據(jù)，其二是獲取傳感器詳細信息。

3）安全防護。以特定的頻率通過異常檢測裝置對傳感器進行信號檢測，當檢測到主網(wǎng)發(fā)生故障時，將故障信息傳輸上物聯(lián)網(wǎng)云平臺，調(diào)用專用基站傳遞相應的處理指令下達給備用服務器，啟動備份網(wǎng)絡，再通過備份網(wǎng)絡控制邊緣計算終端，確保傳感器仍然可以正常運行；當異常檢測裝置沒有檢測到故障信息時，將正常工作狀態(tài)信息傳輸上物聯(lián)網(wǎng)云平臺，降低對專用基站的帶寬調(diào)用，減少能耗，只保留必要的監(jiān)測數(shù)據(jù)傳輸，形成環(huán)路回流，保證網(wǎng)絡實時運行的可靠性。

4）部署方案。傳感器存在生產(chǎn)廠家不同、語義與數(shù)據(jù)表達格式也不統(tǒng)一等情況，在數(shù)據(jù)通信以及數(shù)據(jù)交互方面表現(xiàn)出比較明顯的復雜性，項目建設的功能量明顯被增加，同時，還有一定程度的浪費狀況發(fā)生。為了有效地解決以上問題，在匯聚控制器中進行了本文所提出的傳感器信息模型的構建，以此從語義與數(shù)據(jù)表達格式上對各種類型的傳感器進行規(guī)范與統(tǒng)一處理?；趥鞲衅餍畔⒛Ｐ偷臉嫿?，可以為各種不同類型傳感器的即插即用以及互聯(lián)互通提供便利，在很大程度上提高泛在電力物聯(lián)網(wǎng)中各種應用體系之間的交互效率。圖3所示為具體的傳感器信息模型部署方案示意圖。

圖3 基于泛在電力物聯(lián)網(wǎng)智能安全監(jiān)測體系的傳感器信息模型部署方案示意圖

2.3 傳感器信息優(yōu)化模型算法

基于更加精準的物聯(lián)網(wǎng)信道模型，降低信息傳輸誤碼率，有效提高數(shù)據(jù)傳輸速度?；谖墨I[15]，在復雜多徑條件下，輸出物聯(lián)網(wǎng)傳輸通道模型為：

通過對多個獨立衰落信道進行量化和分解，得到量化均衡的傳輸信道模型為:

在多徑干擾下，在復雜傳感器分布模型下，傳感器節(jié)點空間陣列單元分布的徑向距離為d，物聯(lián)網(wǎng)下復雜傳感器相互感知的信號接收模型為:

上述優(yōu)化的信道模型數(shù)據(jù)傳輸誤碼率更低，數(shù)據(jù)包的平均跳數(shù)明顯減少，時延顯著降低。

3 基于深度學習的邊緣計算

在邊緣端充分利用歷史數(shù)據(jù)及深度學習，提高故障監(jiān)測準確率，可以有效的緩解傳統(tǒng)的物聯(lián)網(wǎng)數(shù)據(jù)處理所帶來的龐大冗余的數(shù)據(jù)量，從而進一步提高系統(tǒng)的響應速度，降低延時，同時由于深度學習神經(jīng)網(wǎng)絡的特征，可以有效的保證數(shù)據(jù)傳輸?shù)目煽啃?，減少數(shù)據(jù)損失，避免影響系統(tǒng)的魯棒性。深度學習（Deep Learning，簡稱DL）神經(jīng)網(wǎng)絡采用最陡下降算法（Gradient descent，簡稱GD）進行訓練。我們使用反向傳播（Backpropagation algorithm，簡稱BP）來訓練神經(jīng)網(wǎng)絡來計算神經(jīng)網(wǎng)絡代價函數(shù)的梯度。其中正則化邏輯回歸，代價函數(shù)定義如公式(4)所示[16]

利用智能傳感器監(jiān)測電力系統(tǒng)的運行狀態(tài)，通過監(jiān)測系統(tǒng)云平臺設定好的參數(shù)進行深度感知，將獲取的數(shù)據(jù)傳輸至邊緣計算終端，將深度學習神經(jīng)網(wǎng)絡分布在邊緣計算終端的輸出端口進行數(shù)據(jù)分析，然后將分析結果上傳至通信主干網(wǎng)，這種基于深度學習的邊緣計算結構如圖4所示。

圖4 基于深度學習的邊緣計算結構示意圖

4 模型仿真和結果分析

我們在OPNET仿真平臺上運行末端感知層傳感器信息優(yōu)化模型，測量系統(tǒng)的響應速度以及數(shù)據(jù)準確率，驗證系統(tǒng)的性能。通過MATLAB仿真平臺運行基于DL神經(jīng)網(wǎng)絡的邊緣計算終端，驗證了其數(shù)據(jù)識別精度相比傳統(tǒng)的IoT系統(tǒng)更高，更加安全可靠。

4.1 基于UPIoT的智能安全監(jiān)測系統(tǒng)響應速度更迅速

4.1.1 基于末端感知層傳感器信息優(yōu)化模型數(shù)據(jù)傳輸更快

根據(jù)感知相似原理，采用OPNET對末端感知層進行仿真，仿真參數(shù)如表1所示[15]。

表1 模擬參數(shù)

其中，3×10km表示節(jié)點部署在3km×10km范圍內(nèi)，將功率調(diào)整視為傳輸距離調(diào)整，采用三種場景進行對比實驗：場景1（傳統(tǒng)的電力物聯(lián)網(wǎng)系統(tǒng)），網(wǎng)絡不進行分層，節(jié)點通信距離500m，可用信道數(shù)1個；場景2（文獻[15]中的UPIoT系統(tǒng)），網(wǎng)絡分為3層，節(jié)點通信調(diào)整距離為500/1000/1500m，3個可用信道；場景3（本文的UPIoT系統(tǒng)），網(wǎng)絡分為3層，節(jié)點通信調(diào)整距離為500/1000/1500m，3個可用信道。網(wǎng)絡中數(shù)據(jù)包的平均傳輸跳數(shù)和傳輸時延的實驗結果如圖5所示。從圖5可知，在實驗仿真節(jié)點為50個時，數(shù)據(jù)包的平均跳數(shù)明顯減少，時延顯著降低，由此可見在文本的末端感知層傳感器信息優(yōu)化模型中，系統(tǒng)響應速度得到有效提升。

圖5 平均數(shù)據(jù)傳輸跳數(shù)

由表2可知，本文的UPIoT系統(tǒng)在采用本文的末端感知層傳感器信息優(yōu)化模型，對各種類型的傳感器進行規(guī)范與統(tǒng)一處理，可以在很大程度上提高UPIoT中各種應用體系之間的交互效率，相比場景1中傳統(tǒng)的電力物聯(lián)網(wǎng)只有66.9%，提高了23.6%，相比場景2中文獻[15]中的UPIoT系統(tǒng)提高了4.6%。

表2 三種場景下的最高改善百分比

4.1.2 基于DL神經(jīng)網(wǎng)絡的邊緣計算終端數(shù)據(jù)識別精度更高

在實際工程應用中收集到的數(shù)據(jù)集，其中分為兩份數(shù)據(jù)集，分別是本文基于UPIoT的智能安全監(jiān)測系統(tǒng)得到數(shù)據(jù)集A，以及傳統(tǒng)IoT系統(tǒng)得到數(shù)據(jù)集B，每個數(shù)據(jù)集有6000個數(shù)據(jù)實例。分別對數(shù)據(jù)集A以及數(shù)據(jù)集B進行測試。從圖8中可以看出基于UPIoT的智能安全監(jiān)測系統(tǒng)的數(shù)據(jù)集A的準確率整體趨勢比傳統(tǒng)IoT系統(tǒng)的數(shù)據(jù)集B高，其準確率最高為93%，而數(shù)據(jù)集B的準確率最高為87.8%，得到如圖6所示的測試結果，這說明基于UPIoT的智能安全監(jiān)測系統(tǒng)響應速度相比傳統(tǒng)的IoT系統(tǒng)更快。

圖6 數(shù)據(jù)集A和B的測試結果

4.2 基于UPIoT的智能安全監(jiān)測系統(tǒng)數(shù)據(jù)傳輸更安全

4.2.1 基于UPIoT的智能安全監(jiān)測系統(tǒng)與傳統(tǒng)IoT不同層風險比較

在文獻[9]與本文的UPIoT環(huán)境下，雖然電網(wǎng)公司等電力系統(tǒng)的運行仍存在一定的風險，但與傳統(tǒng)物聯(lián)網(wǎng)相比，安全風險的數(shù)量明顯減少。其中，在末端感知層和邊緣計算層下降趨勢尤為明顯。主站層的主要風險是容易受到網(wǎng)絡攻擊。邊緣計算層的主要風險是由于通信方式和網(wǎng)絡協(xié)議的復雜性而造成的保護困難，如表3和圖7所示。

表3 UPIoT與傳統(tǒng)IoT的風險比較

圖7 UPIoT與傳統(tǒng)IoT的風險對比圖

4.2.2 基于UPIoT的智能安全監(jiān)測系統(tǒng)與傳統(tǒng)IoT全天候風險比較

UPIoT的意義，是全天候、無時不刻工作的全場景網(wǎng)絡安全防護系統(tǒng)。因此，其風險安全性遠遠高于傳統(tǒng)IoT。在基于UPIoT的智能安全監(jiān)測系統(tǒng)下，平均每2小時發(fā)生2起安全風險事件，在普通的UPIoT系統(tǒng)下，平均每2小時發(fā)生3起安全風險事件，而傳統(tǒng)IoT系統(tǒng)平均遇到10起安全風險事件。普通的UPIoT使其網(wǎng)絡風險降低了70%，基于UPIoT的智能安全監(jiān)測系統(tǒng)下網(wǎng)絡風險降低了80%，如圖8所示。

圖8 UPIoT與傳統(tǒng)IoT的全天候風險對比圖

4.2.3 基于DL神經(jīng)網(wǎng)絡的邊緣計算終端數(shù)據(jù)分布

分別繪制部分數(shù)據(jù)集的數(shù)據(jù)點分布圖如圖9所示，可以看出在圖9(a)中，基于UPIoT的智能安全監(jiān)測系統(tǒng)的測試數(shù)據(jù)與訓練數(shù)據(jù)的分布更為一致，而傳統(tǒng)IoT系統(tǒng)的如圖9(b)中，測試數(shù)據(jù)與訓練數(shù)據(jù)的分布更加離散，說明基于UPIoT的智能安全監(jiān)測系統(tǒng)傳輸?shù)臄?shù)據(jù)更加可靠，系統(tǒng)安全性相比傳統(tǒng)的IoT系統(tǒng)更高。

圖9 數(shù)據(jù)點分布圖

5 結語

本文設計了泛在電力物聯(lián)網(wǎng)智能安全監(jiān)測系統(tǒng)框架。通過采用統(tǒng)一通信規(guī)約以及復雜感知通道模型算法，構建了末端感知層傳感器信息優(yōu)化模型；同時利用基于深度學習的邊緣計算對數(shù)據(jù)進行優(yōu)化，進而建立了泛在電力物聯(lián)網(wǎng)智能安全監(jiān)測系統(tǒng)。在OPNET平臺上對末端感知層進行仿真，通過實驗對比可知本文的基于UPIoT的末端感知層傳感器優(yōu)化模型能有效提升系統(tǒng)響應速度，相比傳統(tǒng)的IoT系統(tǒng)提高了23.6%，相比普通的UPIoT系統(tǒng)提高了4.6%。在基于DL神經(jīng)網(wǎng)絡的邊緣計算終端，通過MATLAB仿真平臺驗證了UPIoT系統(tǒng)數(shù)據(jù)準確率最高為93%，而傳統(tǒng)的IoT系統(tǒng)準確率最高為87.8%，相比提高了5.2%。本文的UPIoT與傳統(tǒng)IoT系統(tǒng)相比風險概率分別在末端感知層、邊緣計算層以及主站層降低了85.7%、77.7%以及62.5%，在全天候測試中UPIoT系統(tǒng)相比傳統(tǒng)IoT系統(tǒng)風險降低了80%。最后在基于DL神經(jīng)網(wǎng)絡的邊緣計算終端數(shù)據(jù)分布可以看出于UPIoT的系統(tǒng)數(shù)據(jù)更加可靠。經(jīng)過以上仿真實驗分析，說明本文的基于UPIoT的智能安全監(jiān)測系統(tǒng)相比傳統(tǒng)的IoT系統(tǒng)，在系統(tǒng)傳輸速度上更加快捷，同時系統(tǒng)安全性更高。