王曉東，王加臣，張 明，馬志強(qiáng)，劉 偉

(國(guó)網(wǎng)江蘇省電力有限公司蘇州供電分公司，江蘇 蘇州 215400)

電力系統(tǒng)發(fā)展過(guò)程中，配電網(wǎng)是面向用戶的重要環(huán)節(jié)，大量可再生能源向配電網(wǎng)接入后，配電網(wǎng)更是開(kāi)始向有源方面發(fā)展[1]。為了提升有源配電網(wǎng)的供電穩(wěn)定性，對(duì)穩(wěn)態(tài)作業(yè)行為的感知是不可或缺的一環(huán)。由于配電網(wǎng)運(yùn)行結(jié)構(gòu)越來(lái)越復(fù)雜，常規(guī)的穩(wěn)態(tài)感知系統(tǒng)在感知精度、計(jì)算速度等方面，均無(wú)法滿足配電網(wǎng)后續(xù)發(fā)展[2]。文獻(xiàn)[3]提出依托于三維激光雷達(dá)技術(shù)，實(shí)現(xiàn)無(wú)人智能配電網(wǎng)穩(wěn)態(tài)感知。該方法選取靜-動(dòng)相結(jié)合的感知模型，獲取配電網(wǎng)全景模型的同時(shí)，完成配電網(wǎng)實(shí)景特征變化情況監(jiān)測(cè)。根據(jù)特征監(jiān)測(cè)結(jié)果得到整體運(yùn)行狀況感知態(tài)勢(shì)值，提升后臺(tái)運(yùn)維人員的工作效率。但是，該系統(tǒng)感知結(jié)果誤差較大。文獻(xiàn)[4]提出了依據(jù)電、光等不同物理量，設(shè)計(jì)不同感知技術(shù)，分析感知結(jié)果的真實(shí)性，選擇最佳狀態(tài)感知物理量。該方法應(yīng)用新型感知技術(shù)結(jié)合大數(shù)據(jù)技術(shù)和立體巡檢技術(shù)，輸出狀態(tài)感知結(jié)果。但是，該方法的拓展性較差。文獻(xiàn)[5]針對(duì)配電網(wǎng)穩(wěn)態(tài)感知的快速性要求，提出以同步相量測(cè)量結(jié)果為基礎(chǔ)的感知方法。該方法將測(cè)量裝置安裝在配電網(wǎng)分層結(jié)構(gòu)內(nèi)，采集態(tài)勢(shì)影響要素，再利用支持向量算法識(shí)別采集要素中包含的異常信息，結(jié)合長(zhǎng)短期記憶網(wǎng)絡(luò)獲取穩(wěn)態(tài)感知結(jié)果。

總結(jié)以往研究經(jīng)驗(yàn)，本文采用AI技術(shù)，建立嵌入式感知系統(tǒng)，以AI自適應(yīng)感知模型為研究重點(diǎn)，實(shí)現(xiàn)對(duì)配電網(wǎng)穩(wěn)態(tài)作業(yè)行為的感知。

1 基于AI的配電網(wǎng)穩(wěn)態(tài)作業(yè)行為嵌入式感知系統(tǒng)硬件設(shè)計(jì)

1.1 前端感知器設(shè)計(jì)

為了實(shí)現(xiàn)配電網(wǎng)穩(wěn)態(tài)信息的采集和傳送，設(shè)計(jì)前端感知器[6]。考慮到節(jié)點(diǎn)功耗與信息接收靈敏度，文中設(shè)計(jì)的前端感知器以CC2530芯片為核心，將CC2530芯片與單片機(jī)I/O口連接，達(dá)到信息交換的目的。再與無(wú)線收發(fā)模塊、時(shí)鐘模塊等結(jié)構(gòu)相結(jié)合，完成前端感知器設(shè)計(jì)。

1.2 無(wú)線網(wǎng)關(guān)設(shè)計(jì)

無(wú)線網(wǎng)關(guān)的設(shè)計(jì)主要是為了進(jìn)行數(shù)據(jù)傳輸、封裝和解析。通過(guò)研究可知，S3C2440微處理器的工作頻率最高可達(dá)到400 MHz，可滿足感知系統(tǒng)的工作要求。本文將其作為無(wú)線網(wǎng)關(guān)的設(shè)計(jì)核心，再將其與TFT-LCD顯示屏和遙控鍵盤(pán)等組件連接，無(wú)線網(wǎng)關(guān)的實(shí)際硬件結(jié)構(gòu)如圖1所示。

圖1 網(wǎng)關(guān)硬件結(jié)構(gòu)框圖

除了圖1所示的網(wǎng)關(guān)硬件結(jié)構(gòu)外，為了加強(qiáng)網(wǎng)關(guān)應(yīng)用的穩(wěn)定性，在網(wǎng)關(guān)電源處設(shè)置LM 25965-5.0開(kāi)關(guān)電壓調(diào)節(jié)器。

2 基于AI的配電網(wǎng)穩(wěn)態(tài)作業(yè)行為嵌入式感知系統(tǒng)軟件設(shè)計(jì)

2.1 構(gòu)建電網(wǎng)穩(wěn)態(tài)數(shù)據(jù)采集體系

配電網(wǎng)穩(wěn)態(tài)行為的感知，需要以數(shù)據(jù)為基礎(chǔ)[7]。文中設(shè)計(jì)圖2所示的配電網(wǎng)穩(wěn)態(tài)作業(yè)行為數(shù)據(jù)采集結(jié)構(gòu)。

圖2 配電網(wǎng)穩(wěn)態(tài)作業(yè)行為數(shù)據(jù)采集結(jié)構(gòu)

圖2所示的采集結(jié)構(gòu)中，S表示數(shù)據(jù)采集器，C表示編碼器，L1、L2表示信道長(zhǎng)度。為了保證穩(wěn)態(tài)數(shù)據(jù)采集的完整性，文中針對(duì)信息傳輸?shù)膬蓚€(gè)階段，進(jìn)行深入分析，明確單個(gè)數(shù)據(jù)集中器的采集信息，通過(guò)編碼函數(shù)計(jì)算采集信息，生成輸入信號(hào)[8]。選取圖2所示的數(shù)據(jù)采集結(jié)構(gòu)中某一時(shí)刻，數(shù)據(jù)采集信道描述公式為：

Ya=Xja+Za,Za∈N

(1)

公式中，X表示輸入信號(hào)，Y表示輸出信號(hào)，a表示采集時(shí)刻，m表示配電網(wǎng)穩(wěn)態(tài)動(dòng)作行為數(shù)據(jù)采集點(diǎn)數(shù)，j表示某一個(gè)數(shù)據(jù)采集點(diǎn)，Z表示干擾噪聲，N表示方差。

設(shè)置信道傳輸信息的臨界容量符合最小編碼傳輸需求，信道上限計(jì)算公式為：

(2)

公式中，Q表示信道上限，Pj、Pf、Pz表示信息傳輸過(guò)程的平均噪聲功率，Nj、Nf、Nz表示信息傳輸過(guò)程噪聲方差。針對(duì)每個(gè)平均噪聲功率進(jìn)行分析，可得出每個(gè)信息傳輸階段的功率約束條件：

(3)

公式中，w表示配電網(wǎng)設(shè)備狀態(tài)量。結(jié)合公式(3)所示的約束條件，設(shè)置穩(wěn)態(tài)數(shù)據(jù)采集結(jié)構(gòu)中前端數(shù)據(jù)采集器的間距，實(shí)現(xiàn)穩(wěn)態(tài)數(shù)據(jù)的整體采集。

2.2 提取智能感知計(jì)算參數(shù)

根據(jù)配電網(wǎng)穩(wěn)態(tài)數(shù)據(jù)采集結(jié)果，應(yīng)用數(shù)據(jù)統(tǒng)一和數(shù)據(jù)辨識(shí)等技術(shù)提取穩(wěn)態(tài)數(shù)據(jù)主流特征?？紤]到采集數(shù)據(jù)與時(shí)間和空間均有聯(lián)系，文中設(shè)計(jì)數(shù)據(jù)統(tǒng)一多層模型識(shí)別數(shù)據(jù)狀態(tài)[9]。針對(duì)采集穩(wěn)態(tài)數(shù)據(jù)的每個(gè)特征量進(jìn)行記錄，形成如下矩陣：

(4)

公式中，D表示采集矩陣，d表示采集數(shù)據(jù)的單個(gè)特征量，α、β表示采集矩陣的列數(shù)量與行數(shù)量。

?α=(v1,v2,…,vα)

(5)

公式中，?表示穩(wěn)態(tài)數(shù)據(jù)向量序列，v表示矩陣列向量。

考慮到穩(wěn)態(tài)數(shù)據(jù)的采集頻次有所差異，部分采集數(shù)據(jù)存在丟失問(wèn)題。文中采用動(dòng)態(tài)時(shí)間規(guī)劃方法，計(jì)算離散序列的相似性，并完成序列擴(kuò)展、壓縮，確保序列尺度的統(tǒng)一。在公式(5)內(nèi)隨機(jī)選定一個(gè)列向量充當(dāng)基準(zhǔn)向量，計(jì)算其他列向量的歐式距離，生成多個(gè)距離矩陣：

(6)

公式中，k表示列向量，Ok表示距離矩陣，B表示歐式距離。針對(duì)距離矩陣進(jìn)行推演形成數(shù)個(gè)距離損失矩陣，完成列向量相似度的計(jì)算：

(7)

Q={Q1,Q2,…,Qβ}

(8)

公式中，θ表示距離損失矩陣，ε表示損失程度，Q表示優(yōu)化調(diào)整序列，也是矩陣內(nèi)最短路徑集合。通過(guò)動(dòng)態(tài)規(guī)整技術(shù)調(diào)整穩(wěn)態(tài)數(shù)據(jù)向量之間的距離，確保距離最小化。

再利用主成分分析法，評(píng)估穩(wěn)態(tài)數(shù)據(jù)的有效性，刪除重復(fù)冗余信息，計(jì)算復(fù)雜度。首先，針對(duì)調(diào)整后的向量距離進(jìn)行歸一化處理，得到如下所示歸一化矩陣：

(9)

公式中，U表示歸一化矩陣，ξ表示間隔距離調(diào)整后的參量數(shù)據(jù)，基于公式(9)進(jìn)行計(jì)算，得到協(xié)方差矩陣和奇異值分解公式：

(10)

svd(E)[H,R,F]

(11)

公式中，E表示協(xié)方差矩陣，svd表示奇異值分解，H,R,F表示分解后形成的矩陣，H表示降維矩陣，利用降維矩陣對(duì)主要數(shù)據(jù)向量進(jìn)行降維處理。

依托于上述降維數(shù)據(jù)，結(jié)合支持向量機(jī)計(jì)算單一樣本的智能感知參數(shù)，再參考采集樣本內(nèi)每個(gè)觀測(cè)對(duì)象的獨(dú)立性，計(jì)算未知參數(shù)的似然函數(shù)。綜上所述，完成智能感知計(jì)算參數(shù)的提取。

2.3 構(gòu)建AI自適應(yīng)感知模型

文中設(shè)計(jì)的嵌入式感知系統(tǒng)以AI技術(shù)為核心，即以AI自適應(yīng)感知模型為研究重點(diǎn)，應(yīng)用人工智能領(lǐng)域內(nèi)深度學(xué)習(xí)技術(shù)，構(gòu)建自適應(yīng)感知模型[10]。將穩(wěn)態(tài)動(dòng)作行為的自適應(yīng)感知?jiǎng)澐譃閮蓚€(gè)部分，一方面是人工智能神經(jīng)網(wǎng)絡(luò)的輸入到輸出計(jì)算，另一方面是基于輸出感知態(tài)勢(shì)值修改參數(shù)權(quán)重。

依托于人工智能技術(shù)建立的自適應(yīng)感知模型主要包括四層結(jié)構(gòu)，如圖3所示。

圖3 基于AI的自適應(yīng)感知模型

根據(jù)圖3所示的感知模型示意圖可知，輸入層包括配電網(wǎng)當(dāng)前穩(wěn)態(tài)狀況和攻擊時(shí)間間隔，根據(jù)上述兩項(xiàng)參數(shù)，將輸入向量描述為：

λ(t)=(λ1(t),λ2(t),…,λ?(t))=

{ρ(t),ρ(t-1),…,ρ[t-(?-1)τ]}

(12)

公式中，λ(t)表示感知模型在時(shí)間t上的輸入向量，?表示攻擊時(shí)間間隔，ρ表示配電網(wǎng)穩(wěn)態(tài)狀況，τ表示時(shí)間延遲。

自適應(yīng)感知模型的輸入層信息向隱藏層傳遞，經(jīng)由多個(gè)隱藏節(jié)點(diǎn)進(jìn)行計(jì)算，得到：

(13)

公式中，μ表示隱藏層輸出結(jié)果，ψ表示常量，r表示參數(shù)權(quán)重。

將隱藏層輸出結(jié)果作用于隨機(jī)層，計(jì)算穩(wěn)態(tài)數(shù)據(jù)的高斯分布特征，以此來(lái)描述輸出數(shù)據(jù)的分布情況?？紤]到每個(gè)隱藏節(jié)點(diǎn)的高斯分布計(jì)算結(jié)果，受到智能感知參數(shù)的直接影響，將隨機(jī)層輸出結(jié)果表示為：

(14)

公式中，η表示隨機(jī)層輸出結(jié)果，r0表示隱藏節(jié)點(diǎn)參數(shù)權(quán)重。

最后，在輸出層添加自適應(yīng)強(qiáng)化學(xué)習(xí)機(jī)制，對(duì)隨機(jī)層輸出結(jié)果進(jìn)行進(jìn)一步分析，表述為一維高斯函數(shù)。利用智能感知計(jì)算參數(shù)得到穩(wěn)態(tài)感知結(jié)果，再針對(duì)隨機(jī)層的偏差進(jìn)行自適應(yīng)學(xué)習(xí)，更新參數(shù)權(quán)重，獲取更加精確的穩(wěn)態(tài)作業(yè)行為自適應(yīng)感知結(jié)果。

2.4 開(kāi)發(fā)嵌入式感知系統(tǒng)

軟件設(shè)計(jì)完成后，文中采用嵌入式實(shí)時(shí)操作系統(tǒng)進(jìn)行軟件開(kāi)發(fā)。嵌入式實(shí)時(shí)操作系統(tǒng)的應(yīng)用，將軟件開(kāi)發(fā)劃分為多個(gè)子任務(wù)，并保證每個(gè)子任務(wù)負(fù)責(zé)相應(yīng)的職責(zé)，并給每個(gè)子任務(wù)賦予相應(yīng)的操作順序。

考慮到文中設(shè)計(jì)的感知系統(tǒng)為嵌入式操作系統(tǒng)，對(duì)常用的嵌入式實(shí)時(shí)操作系統(tǒng)對(duì)比分析可知，UCOS-Ⅱ系統(tǒng)具有免費(fèi)實(shí)時(shí)性特點(diǎn)，并且可以支持250余個(gè)任務(wù)同時(shí)開(kāi)發(fā)。因此，文中選用UCOS-Ⅱ?yàn)橄到y(tǒng)軟件開(kāi)發(fā)平臺(tái)。

通常情況下，嵌入式實(shí)時(shí)操作系統(tǒng)在軟件開(kāi)發(fā)過(guò)程中，會(huì)讓操作順序靠前的任務(wù)先一步運(yùn)行，并且可以隨時(shí)中斷其他操作順序的任務(wù)，進(jìn)行CPU搶占。這種開(kāi)發(fā)模式下，優(yōu)化了軟件子任務(wù)開(kāi)發(fā)的響應(yīng)時(shí)間。將該開(kāi)發(fā)模式應(yīng)用于感知系統(tǒng)的開(kāi)發(fā)，使得功能性軟件開(kāi)發(fā)轉(zhuǎn)化為任務(wù)性軟件開(kāi)發(fā)，實(shí)現(xiàn)配電網(wǎng)穩(wěn)態(tài)行為感知系統(tǒng)邏輯結(jié)構(gòu)的簡(jiǎn)化。最后，利用嵌入式實(shí)時(shí)操作系統(tǒng)將軟件結(jié)構(gòu)設(shè)置為三層，避免在可視化界面直接呈現(xiàn)出底層硬件，便于軟件和硬件的分別擴(kuò)展。至此，完成配電網(wǎng)穩(wěn)態(tài)作業(yè)行為嵌入式感知系統(tǒng)的整體設(shè)計(jì)。

3 系統(tǒng)測(cè)試

文中依托于人工智能技術(shù)，設(shè)計(jì)配電網(wǎng)穩(wěn)態(tài)放置系統(tǒng)。為了驗(yàn)證該系統(tǒng)的實(shí)際應(yīng)用效果，進(jìn)行系統(tǒng)測(cè)試。測(cè)試過(guò)程中，以IEEE39節(jié)點(diǎn)系統(tǒng)為例，應(yīng)用文中設(shè)計(jì)的系統(tǒng)獲取穩(wěn)態(tài)感知結(jié)果，明確文中設(shè)計(jì)系統(tǒng)的可行性。

3.1 搭建測(cè)試環(huán)境

考慮到文中設(shè)計(jì)系統(tǒng)為嵌入式架構(gòu)，系統(tǒng)測(cè)試過(guò)程中基于Linux系統(tǒng)，采用多臺(tái)虛擬機(jī)搭建系統(tǒng)測(cè)試環(huán)境，在感知配電網(wǎng)穩(wěn)態(tài)作業(yè)行為的同時(shí)，將感知結(jié)果以可視化形式展現(xiàn)在用戶眼前，系統(tǒng)測(cè)試環(huán)境具體如下所示：

采用Linux Ubuntu 19.04版本的操作系統(tǒng)和JDK 1.8版本的編程組件，結(jié)合7臺(tái)虛擬機(jī)完成測(cè)試環(huán)境搭建。其中，4臺(tái)虛擬機(jī)充當(dāng)DataNode從節(jié)點(diǎn)，2臺(tái)充當(dāng)主節(jié)點(diǎn)，剩余的1臺(tái)則為管理節(jié)點(diǎn)。分別針對(duì)每一臺(tái)虛擬機(jī)進(jìn)行IP配置，實(shí)際配置信息如表1所示。

表1 虛擬機(jī)地址分配

根據(jù)表1所示的配置信息，實(shí)現(xiàn)虛擬機(jī)IP地址劃分，分別在每臺(tái)虛擬機(jī)上安裝編程組件，編程軟件安裝結(jié)束后進(jìn)行環(huán)境變量配置。

環(huán)境變量的配置從SSH協(xié)議、Hadoop用戶兩方面的設(shè)置入手。首先，將SSH協(xié)議安裝在每臺(tái)虛擬機(jī)內(nèi)，并創(chuàng)建.SSH后綴目錄，便于后續(xù)系統(tǒng)啟動(dòng)和命令執(zhí)行。然后，利用SSH協(xié)議針對(duì)Hadoop用戶生成無(wú)密鑰對(duì)的密碼，將其保存至SSH目錄內(nèi)。最后，Hadoop組件安裝完成后，配置核心組件core-site.XML和MapReduce框架文件，完成從節(jié)點(diǎn)和主節(jié)點(diǎn)的地址配置。

本次測(cè)試過(guò)程中以4IEEE39節(jié)點(diǎn)系統(tǒng)為主要結(jié)果，該系統(tǒng)內(nèi)包含10臺(tái)發(fā)電機(jī)，46條線路以及19個(gè)負(fù)荷節(jié)點(diǎn)，具體結(jié)構(gòu)如圖4所示。

圖4 IEEE39節(jié)點(diǎn)系統(tǒng)結(jié)構(gòu)圖

在上述測(cè)試環(huán)境中，運(yùn)行文中提出的感知系統(tǒng)，獲取配電網(wǎng)實(shí)時(shí)穩(wěn)態(tài)作業(yè)行為。

3.2 設(shè)置感知模型參數(shù)

為了提高測(cè)試結(jié)果的準(zhǔn)確性，在系統(tǒng)運(yùn)行之前給AI自適應(yīng)感知模型設(shè)置合理參數(shù)。運(yùn)行圖4所示的IEEE39節(jié)點(diǎn)系統(tǒng)，應(yīng)用Nessus軟件掃描系統(tǒng)穩(wěn)態(tài)作業(yè)行為特點(diǎn)，掃描過(guò)程中采用專業(yè)軟件模擬網(wǎng)絡(luò)攻擊，采集圖5所示的200個(gè)態(tài)勢(shì)時(shí)序數(shù)據(jù)。

如圖5所示，配電網(wǎng)穩(wěn)態(tài)時(shí)序數(shù)據(jù)可以被看作非線性序列，通過(guò)從不同維度輸出空間的非線性映射完成配電網(wǎng)穩(wěn)態(tài)作業(yè)行為態(tài)勢(shì)感知。利用上述200個(gè)穩(wěn)態(tài)時(shí)序數(shù)據(jù)，將輸入向量的維度設(shè)置為3和5時(shí)，分別可以得到197組、195組測(cè)試樣本。應(yīng)用上述數(shù)據(jù)樣本對(duì)AI自適應(yīng)感知模型進(jìn)行訓(xùn)練，對(duì)比不同參數(shù)下系統(tǒng)輸出結(jié)果的誤差，從而確定模型最終參數(shù)。通過(guò)研究可知，當(dāng)輸入向量維度設(shè)置為5時(shí)，模型的隱含層節(jié)點(diǎn)數(shù)為20，配電網(wǎng)穩(wěn)態(tài)作業(yè)行為下一時(shí)間段預(yù)測(cè)結(jié)果更加精確。

圖5 配電網(wǎng)穩(wěn)態(tài)動(dòng)作行為時(shí)序數(shù)據(jù)

3.3 測(cè)試結(jié)果分析

AI自適應(yīng)感知模型參數(shù)設(shè)置完成后，應(yīng)用文中提出的嵌入式感知系統(tǒng)，感知IEEE39節(jié)點(diǎn)系統(tǒng)一天內(nèi)穩(wěn)態(tài)作業(yè)行為變化情況，并將感知結(jié)果與實(shí)際檢測(cè)狀態(tài)值結(jié)合，生成圖6所示的感知結(jié)果折線圖。分析感知數(shù)據(jù)和實(shí)際數(shù)據(jù)之間的差異，明確文中設(shè)計(jì)系統(tǒng)的應(yīng)用性能。

圖6 感知結(jié)果折線圖

根據(jù)圖6所示的感知結(jié)果可知，與文獻(xiàn)[4]方法對(duì)比，文中設(shè)計(jì)的感知系統(tǒng)所得到的穩(wěn)定態(tài)勢(shì)值，大部分情況下與實(shí)際態(tài)勢(shì)值相符，只有十點(diǎn)、十五點(diǎn)時(shí)感知態(tài)勢(shì)與實(shí)際態(tài)勢(shì)相反。為了更加直觀地描述感知系統(tǒng)的應(yīng)用效果，文中采用RMSE值指標(biāo)計(jì)算感知態(tài)勢(shì)值的準(zhǔn)確性，RMSE值計(jì)算結(jié)果越大，表明系統(tǒng)感知精度越低。

(15)

4 結(jié) 論

本文提出以AI為基礎(chǔ)的嵌入式感知系統(tǒng)，依托于AI領(lǐng)域中深度學(xué)習(xí)技術(shù)，以AI自適應(yīng)感知模型為研究重點(diǎn)，與智能感知計(jì)算參數(shù)相結(jié)合，賦予每個(gè)隱藏節(jié)點(diǎn)的自適應(yīng)強(qiáng)化學(xué)習(xí)機(jī)制，動(dòng)態(tài)更新參數(shù)權(quán)重，輸出穩(wěn)態(tài)感知結(jié)果，平均平方根誤差僅為2.8%，符合配電站穩(wěn)態(tài)工作要求。

但是，因?yàn)橄到y(tǒng)設(shè)計(jì)時(shí)間的限制，使得感知結(jié)果展示界面較為簡(jiǎn)陋，為了需要針對(duì)界面進(jìn)行美化設(shè)計(jì)，為用戶帶來(lái)更好的操作體驗(yàn)。