王志明,李 鵬,韋 杰,劉勝榮,張偉勛,鐘枚汕,李正波
(1.廣東省數(shù)字電網(wǎng)技術(shù)企業(yè)重點(diǎn)實(shí)驗(yàn)室(南方電網(wǎng)數(shù)字電網(wǎng)研究院),廣州 510663;2.上海倍肯智能科技有限公司,上海 200030)
隨著我國(guó)經(jīng)濟(jì)的不斷高速發(fā)展,對(duì)電力供應(yīng)的需求越來越大。因此,電力傳輸線作為電力傳播的重要組成部分,也受到了人們的高度關(guān)注[1]。然而一些地區(qū)環(huán)境較為惡劣,輸電線路受凍寒、強(qiáng)風(fēng)、降雪等影響較為嚴(yán)重,從而導(dǎo)致輸電線路故障。輸電線路作為電力輸送的載體,保障其安全可靠的運(yùn)行是現(xiàn)代電網(wǎng)建設(shè)中關(guān)鍵的一環(huán),輸電線路架設(shè)在自然環(huán)境中,其結(jié)構(gòu)安全與穩(wěn)定易受自然環(huán)境的影響[2-3]。在高溫或異常天氣條件下,輸電線路溫度容易出現(xiàn)波動(dòng),導(dǎo)致輸電線路電流瞬間增大,從而對(duì)線路穩(wěn)定性構(gòu)成威脅,存在線路燒斷、塔架傾倒等風(fēng)險(xiǎn)。通過對(duì)輸電線路溫度的預(yù)測(cè),可以預(yù)判線路的健康狀況,提前調(diào)整運(yùn)維計(jì)劃,減少維護(hù)成本和停機(jī)時(shí)間。舞動(dòng)是輸電導(dǎo)線常見的故障類型之一,導(dǎo)線在一定的攻角和風(fēng)速作用下容易產(chǎn)生大幅度、低頻的自激振動(dòng),即為舞動(dòng)。當(dāng)輸電線路發(fā)生故障時(shí),不僅影響當(dāng)?shù)氐碾娏?yīng),而且往往會(huì)引起電網(wǎng)振蕩和破壞電網(wǎng),導(dǎo)致大面積停電。中國(guó)是舞動(dòng)發(fā)生最頻繁的國(guó)家之一,進(jìn)行輸電線路舞動(dòng)情況的監(jiān)測(cè)研究有助于及時(shí)做好災(zāi)害處理預(yù)案,確保供電系統(tǒng)穩(wěn)定運(yùn)行,保障社會(huì)用電安全[4-5]。研究探究了基于邊緣計(jì)算的輸電線路監(jiān)測(cè)系統(tǒng),采用預(yù)測(cè)算法和邊緣計(jì)算技術(shù)來對(duì)輸電線路的安全進(jìn)行監(jiān)測(cè),以確保輸電線路的安全運(yùn)行,同時(shí)在數(shù)據(jù)采集方面降低成本。通過該系統(tǒng)能夠?qū)崟r(shí)監(jiān)測(cè)和預(yù)警輸電線路的異常情況,確保輸電線路運(yùn)行的安全性,為相關(guān)工作人員提供參考和依據(jù)。
輸電線路的溫度預(yù)警時(shí)存在數(shù)據(jù)獲取不易、模型復(fù)雜度高、誤差累計(jì)等問題。自回歸移動(dòng)平均模型(ARIMA,auto regressive integrated moving average)是一種常用的時(shí)間序列預(yù)測(cè)模型,它能夠?qū)€性數(shù)據(jù)進(jìn)行良好的逼近,還能準(zhǔn)確地描述時(shí)間序列的長(zhǎng)期趨勢(shì)及其對(duì)應(yīng)的波動(dòng)情況。針對(duì)輸電線路附近的環(huán)境溫度情況,研究通過搭建自回歸移動(dòng)平均模型(ARIMA,auto regressive integrated moving average)來對(duì)當(dāng)?shù)貧鉁匚磥淼淖兓闆r進(jìn)行預(yù)測(cè),以此來實(shí)現(xiàn)高低溫下輸電線路的異常舞動(dòng)情況監(jiān)測(cè)及預(yù)警。首先以數(shù)據(jù)為基礎(chǔ)進(jìn)行自相關(guān)和偏自相關(guān)分析,判斷數(shù)據(jù)在平衡方面的性能是否達(dá)到要求,若達(dá)標(biāo)則對(duì)模型的階數(shù)進(jìn)行確定,否則對(duì)數(shù)據(jù)進(jìn)行差分操作,經(jīng)過處理后的數(shù)據(jù)視其平衡性性能進(jìn)行參數(shù)估計(jì)和驗(yàn)證。若數(shù)據(jù)符合白噪聲的序列類型則模型可用于預(yù)測(cè)。ARIMA模型建模流程如圖1所示。
圖1 ARIMA模型建模流程
一般情況下,時(shí)間序列的變動(dòng)規(guī)律類型包含不規(guī)則的、周期性的、季節(jié)性的和長(zhǎng)期的,4種變動(dòng)根據(jù)引發(fā)變動(dòng)的因素隨機(jī)出現(xiàn)。利用疊加模型對(duì)4種變動(dòng)規(guī)律之間相互獨(dú)立的關(guān)系進(jìn)行表征,如式(1)所示。
F=L+S+C+I
(1)
式(1)中,F(xiàn)表示最終變動(dòng);L表示長(zhǎng)期趨勢(shì)變動(dòng);S表示季節(jié)變動(dòng);C表示循環(huán)變動(dòng);I表示不規(guī)則變動(dòng)。利用乘積模型對(duì)4種變動(dòng)規(guī)律之間相互影響的關(guān)系進(jìn)行表征,如式(2)。
F=L·S·C·I
(2)
假設(shè)Yi序列無法達(dá)到平衡方面的標(biāo)準(zhǔn),然而▽dYi=(1-B)dYi序列的平穩(wěn)性能較好,利用▽dYi與ARIMA(p,q)模型中的Yi替換,如式(3)。
(3)
式(3)所表示的為ARIMA(p,d,q)模型,d為差分次數(shù)。針對(duì)平衡性能上有所欠缺的序列,ARIMA模型對(duì)其適用性更強(qiáng)。
為了使數(shù)據(jù)在平穩(wěn)方面能夠達(dá)標(biāo),也就是數(shù)據(jù)平均值為不變的常數(shù),存在方差且為常數(shù),協(xié)方差只與間隔存在唯一關(guān)系。對(duì)于不平穩(wěn)的時(shí)間序列數(shù)據(jù),需要對(duì)其進(jìn)行差分處理,通過對(duì)一階差分處理后的數(shù)值進(jìn)行平穩(wěn)性判斷,確定模型差分階數(shù)為1。ARIMA模型能夠較好地實(shí)現(xiàn)季節(jié)性規(guī)?;瘮?shù)據(jù)的建模,而季節(jié)性ARIMA模型則在此之上進(jìn)一步實(shí)現(xiàn)了季節(jié)性數(shù)據(jù)特征狀態(tài)的構(gòu)造,可以用SARIMA(p,d,q)(P,D,Q)m進(jìn)行表示,其中p指代自回歸(季節(jié)性)、P指代自回歸(非季節(jié)性)、q與Q都指代最大之后階數(shù)(移動(dòng)性平均算子);d指代差分次數(shù)(非季節(jié)性)、D指代差分次數(shù)(季節(jié)性)。根據(jù)殘差A(yù)CF和PACF可知,所有之后階數(shù)的偏自相關(guān)和自相關(guān)系數(shù)都與0十分相近。如果殘差是白噪聲,則說明所選擇的模型能夠?qū)r(shí)間序列的變化規(guī)律進(jìn)行精準(zhǔn)識(shí)別。當(dāng)殘差非白噪聲時(shí),則所選模型不能完全將時(shí)間序列的變化規(guī)律識(shí)別出來,在這種情況下,需要通過對(duì)模型進(jìn)行修正來完善數(shù)據(jù)識(shí)別,反映在具體數(shù)值上,即當(dāng)p值小于或等于0.05時(shí)則拒絕原假設(shè)。該模型以殘差值為基礎(chǔ)進(jìn)行Q檢驗(yàn),得到的p值滿足要求,則模型接受原假設(shè)。
該模型對(duì)溫度的預(yù)測(cè)數(shù)值整體與真實(shí)數(shù)值是較為接近的,但預(yù)測(cè)點(diǎn)在拐點(diǎn)位置處的預(yù)測(cè)誤差值較大,進(jìn)而形成對(duì)于溫度預(yù)測(cè)精準(zhǔn)度的負(fù)面影響。為了提高整體溫度預(yù)測(cè)的準(zhǔn)確性,需要優(yōu)化極值點(diǎn)的精度,減小預(yù)測(cè)誤差。因此,需要先確定溫度曲線的極值點(diǎn),通過斜率相關(guān)理論確定曲線的極值點(diǎn),若判斷點(diǎn)為極值點(diǎn),則對(duì)其進(jìn)行優(yōu)化,若判斷點(diǎn)非極值點(diǎn),則直接輸出初始的預(yù)測(cè)數(shù)值。然后對(duì)極值點(diǎn)的相對(duì)平均誤差進(jìn)行計(jì)算,若誤差均值大于或等于10%,則對(duì)其進(jìn)行糾正,若誤差小于10%,則直接輸出預(yù)測(cè)值。確定誤差均值大于或等于10%的點(diǎn)后,以加權(quán)平均的形式對(duì)處于較前部分的兩個(gè)預(yù)測(cè)點(diǎn)進(jìn)行溫度值數(shù)據(jù)處理,并將得到的數(shù)據(jù)作為得到修正的極值數(shù)據(jù),如式(4)所示。
(4)
目前的輸電線路監(jiān)測(cè)系統(tǒng)監(jiān)測(cè)方式較為單一,數(shù)據(jù)傳輸方式不穩(wěn)定,且系統(tǒng)維護(hù)成本高。為了實(shí)現(xiàn)低延遲、高可靠性、多角度多方位的輸電線路監(jiān)測(cè),研究對(duì)基于邊緣計(jì)算和多傳感器融合的輸電線路監(jiān)測(cè)系統(tǒng)進(jìn)行設(shè)計(jì)。研究通過改進(jìn)ARIMA模型來對(duì)輸電線路附近的環(huán)境溫度進(jìn)行預(yù)測(cè)和預(yù)警,進(jìn)而構(gòu)建基于邊緣計(jì)算和多傳感器融合的輸電線路監(jiān)測(cè)系統(tǒng)對(duì)多分裂超高壓大檔距的輸電線路進(jìn)行監(jiān)測(cè)。傳統(tǒng)云計(jì)算方式在進(jìn)行大規(guī)模數(shù)據(jù)處理時(shí)難以在正確處理數(shù)據(jù)的同時(shí)保證實(shí)時(shí)化處理的效果。但是邊緣式運(yùn)算則可以將運(yùn)算操作設(shè)置在數(shù)據(jù)邊緣部分,這種運(yùn)算方式一方面可以減輕云端產(chǎn)生的運(yùn)算壓力,提升數(shù)據(jù)安全性,另一方面也可以有效降低系統(tǒng)延遲[6-7]。
研究采用Edge X Foundry開源框架作為邊緣計(jì)算的基礎(chǔ)架構(gòu),它可以在保證信息安全性的同時(shí),有效降低網(wǎng)絡(luò)流量消耗和運(yùn)算過程中的網(wǎng)絡(luò)延遲,還能實(shí)現(xiàn)系統(tǒng)擴(kuò)展和自適應(yīng),并且它能夠與云端架構(gòu)形成適用性連接,從而提升自身操作性。研究設(shè)計(jì)的監(jiān)測(cè)系統(tǒng)架構(gòu)包括數(shù)據(jù)采集層、處理層和應(yīng)用層,具體架構(gòu)如圖2所示。
圖2 系統(tǒng)整體架構(gòu)圖
在數(shù)據(jù)采集層級(jí)中,復(fù)數(shù)種類的傳感裝置式必要的,它們可以對(duì)輸電線路運(yùn)行過程中的氣象變化與舞動(dòng)形態(tài)進(jìn)行數(shù)據(jù)采集,相關(guān)設(shè)備包括多個(gè)攝像頭、溫濕度傳感器、紅外傳感器、姿態(tài)傳感器及定位傳感器。這些傳感器設(shè)備安裝在多分裂導(dǎo)線上,通過感應(yīng)取電供能。數(shù)據(jù)處理層的邊緣計(jì)算節(jié)點(diǎn)能夠?qū)Σ杉降臄?shù)據(jù)進(jìn)行運(yùn)算。數(shù)據(jù)應(yīng)用層級(jí)以Java作為主要操作語言,并以EasyUI做為主要技術(shù)框架,以此為基礎(chǔ)進(jìn)行輸電線路控制管理體系的開發(fā)。以此實(shí)現(xiàn)時(shí)效性監(jiān)測(cè)、在線查看現(xiàn)場(chǎng)、無線通訊、記錄事件過程、端側(cè)AI分析和可視化交互操作等功能。研究設(shè)計(jì)的系統(tǒng)采用低功耗芯片,具備AI算力;能夠?qū)?shù)據(jù)進(jìn)行本地存儲(chǔ),提供端側(cè)邊緣計(jì)算;設(shè)備的維護(hù)成本降低,能夠適應(yīng)各種惡劣天氣。
研究設(shè)計(jì)的系統(tǒng)結(jié)合低功耗傳感器監(jiān)測(cè),觸發(fā)攝像頭錄像,并綜合多臺(tái)設(shè)備數(shù)據(jù)模擬舞動(dòng)軌跡。研究將采集到的數(shù)據(jù)放在邊緣計(jì)算平臺(tái)的邊緣部分執(zhí)行運(yùn)算,該方式能夠在縮減傳輸帶寬,并縮減系統(tǒng)性運(yùn)算延遲的同時(shí),減輕云端的運(yùn)算壓力,提升信息安全性。數(shù)據(jù)采集硬件的主要職責(zé)是數(shù)據(jù)監(jiān)測(cè),其數(shù)據(jù)采集面對(duì)的是輸電線路所在環(huán)境的相關(guān)數(shù)據(jù),同時(shí)它也會(huì)對(duì)輸電線路舞動(dòng)變化數(shù)據(jù)進(jìn)行收集。采集到的數(shù)據(jù)通過無線傳輸,在此基礎(chǔ)上還要確保數(shù)據(jù)傳輸?shù)男蔥8]。
Edge X Foundry平臺(tái)涉及到硬件和軟件環(huán)境選擇、多協(xié)議支持、安全性保障、技術(shù)集成和可擴(kuò)展性,需要面對(duì)多方面的挑戰(zhàn),需要綜合的、迭代式的技術(shù)路線、開發(fā)過程和生態(tài)迭代。建立Edge X Foundry平臺(tái)需要滿足以下兩個(gè)條件:至少具備4 GB的內(nèi)存、3 GB的硬盤和4核以上的CPU,并對(duì)需求事先做好安排。為了讓較多的硬盤空間留存下來,需要考慮傳感器和采集設(shè)備的留存時(shí)間。在軟件需求上,Git、MongoDB、Eclipse和Java 都是必要的。Git的功能是從 GitHub 庫(kù)中提取代碼,MongoDB可以作為元數(shù)據(jù)庫(kù)與設(shè)備的連接工具使用,Java則是EdgeX Foundry的微服務(wù)語言設(shè)計(jì)端口,而Go 語言則起到二次封裝的作用。要利用sudo命令來對(duì)邊緣平臺(tái)進(jìn)行平滑性處置,則必須啟動(dòng)相關(guān)軟件包升級(jí)和安裝系統(tǒng),并對(duì)有關(guān)的軟件源進(jìn)行配置,以便于在 Eclipse 中創(chuàng)建微服務(wù)[9-10]。
Edge X Foundry傳輸層的主要作用是構(gòu)造通信回路,及時(shí)推送信息,其由三部分構(gòu)成,第一部分為傳感器處理構(gòu)造(溫度、濕度、光照、風(fēng)速等傳感維度),第二部分為客戶端,第三部分為Modbus-TCP服務(wù)器程序。設(shè)備管理模塊注冊(cè)和管理傳感器,擴(kuò)展使用Modbus-TCP協(xié)議。信息到達(dá)邊緣平臺(tái)后,設(shè)備服務(wù)層則會(huì)向核心服務(wù)層發(fā)送信息,對(duì)關(guān)鍵詞進(jìn)行有效過濾,將消息隊(duì)列傳輸?shù)綌U(kuò)展服務(wù)。擴(kuò)展服務(wù)提取信息傳輸給客戶,或從客戶端訂閱信息[11-12]。
裝置登記服務(wù)提供了相關(guān)資料的定義、格式以及傳送路徑等服務(wù)。與傳感器設(shè)備傳送給核心數(shù)據(jù)服務(wù)的全部數(shù)據(jù)不同,數(shù)據(jù)定義可以通過定制的數(shù)據(jù)過濾器來篩選客戶所訂購(gòu)的相關(guān)數(shù)據(jù)[13]。過濾器包括兩類,一類是通過裝置名稱或 ID 來篩選數(shù)據(jù),客戶獲取有效信息的唯一途徑是已登記設(shè)備。另一種形式是將數(shù)字類別與表達(dá)的內(nèi)容以特定數(shù)值的形式來表達(dá)。
例如“溫度”用于表示溫度傳感器或其他數(shù)字型傳感器??蛻舳诉€可以指定數(shù)據(jù)的特定格式,JSON格式與XML格式是較為普遍的例子,也可以根據(jù)需求來對(duì)數(shù)據(jù)的加密操作和壓縮操作是否執(zhí)行進(jìn)行決策[14-16]。
Edge X Foundry 是邊緣計(jì)算節(jié)點(diǎn),它屬于該系統(tǒng)的數(shù)據(jù)處理層,主要用于實(shí)現(xiàn)邊緣運(yùn)算操作。邊緣平臺(tái)對(duì)傳感器信息進(jìn)行有效接收,并根據(jù)真實(shí)性需求來進(jìn)行時(shí)效性運(yùn)算。為確保數(shù)據(jù)處理的實(shí)時(shí)性,動(dòng)態(tài)增容理論模型被放置在邊緣端進(jìn)行實(shí)時(shí)計(jì)算,計(jì)算結(jié)果被送至云存儲(chǔ)。Edge X Foundry旨在為IoT節(jié)點(diǎn)建立邊界框架,實(shí)現(xiàn)互操作性[17-18]。
設(shè)備服務(wù)主要依賴于核心數(shù)據(jù)和元數(shù)據(jù)兩種微服務(wù)。在設(shè)備初始化之前,需要開啟核心數(shù)據(jù)和元數(shù)據(jù)微服務(wù),并按照配置文件的規(guī)定來初始化設(shè)備,包括設(shè)備名稱和值描述符等信息[19]。啟動(dòng)微服務(wù)后,裝置服務(wù)將根據(jù)配置文件中所寫的信息,記錄到元數(shù)據(jù)中以進(jìn)行初始化,配置文件中的 YAML 可按實(shí)際需要編制。使用回調(diào)應(yīng)用程序界面可以管理設(shè)備實(shí)例,支持元數(shù)據(jù)的微服務(wù)。通過配置文件中包含的 GET 命令,可以將數(shù)據(jù)資源存儲(chǔ)在“虛擬資源”的 H2 庫(kù)中。裝置服務(wù)每15秒從 H2 庫(kù)中提取一份數(shù)據(jù),并將其傳輸?shù)胶诵臄?shù)據(jù)。如果發(fā)現(xiàn)傳輸頻率不合適,可以使用YAML進(jìn)行修改。如果在600秒內(nèi)無響應(yīng),初始化將失敗,可以使用ping命令查看微服務(wù)是否已啟動(dòng)[20]。設(shè)備虛擬服務(wù)總體流程如圖3所示。
圖3 設(shè)備虛擬服務(wù)總體流程
研究設(shè)計(jì)的系統(tǒng)可以將用戶按權(quán)限分為兩類,一類是普通型用戶,一類是管理型用戶。普通性用戶的權(quán)限以查詢功能為主。而管理型用戶則可以對(duì)諸如設(shè)備、用戶等信息進(jìn)行實(shí)時(shí)化的修改和增刪。兩種用戶均擁實(shí)時(shí)監(jiān)測(cè)和歷史數(shù)據(jù)查詢的權(quán)限,在這部分兩種權(quán)限具有同等級(jí)功能。管理型用戶可以對(duì)線路數(shù)據(jù)、終端數(shù)據(jù)和用戶數(shù)據(jù)進(jìn)行管理,而普通用戶僅能管理自身賬號(hào)數(shù)據(jù)。
為了驗(yàn)證設(shè)計(jì)系統(tǒng)的有效性,研究對(duì)系統(tǒng)的ARIMA模型的預(yù)測(cè)功能及系統(tǒng)的監(jiān)測(cè)效果進(jìn)行實(shí)驗(yàn)分析。根據(jù)時(shí)間序列數(shù)據(jù)能夠看出輸電線路所處地點(diǎn)的溫度具有一定的周期性,消除溫度數(shù)據(jù)體現(xiàn)出來的周期性,進(jìn)而得到偏自相關(guān)系數(shù)與自相關(guān)系數(shù),在此基礎(chǔ)上利用季節(jié)性ARIMA模型來擬合時(shí)間序列信息。研究在間隔相同時(shí)長(zhǎng)的12個(gè)時(shí)間點(diǎn)對(duì)系統(tǒng)的ARIMA模型預(yù)測(cè)效果進(jìn)行實(shí)驗(yàn)記錄,真實(shí)值和模型的預(yù)測(cè)值如圖4所示。
圖4 ARIMA模型的預(yù)測(cè)效果
從圖4中可以看出,在預(yù)測(cè)曲線的整體趨勢(shì)上,優(yōu)化后的ARIMA模型更加接近真實(shí)值。圖4(a)中,1、2、6、7時(shí)間點(diǎn)上的真實(shí)值分別為27.56、26.47、33.85和34.12,而這4個(gè)時(shí)間點(diǎn)上的ARIMA模型預(yù)測(cè)值分別為28.45、27.32、31.56和32.14。可以看出,在時(shí)間拐點(diǎn)上,真實(shí)值和預(yù)測(cè)值之間相差較大,優(yōu)化前的ARIMA 模型的預(yù)測(cè)準(zhǔn)確性還存在一定的缺陷。圖4(b)中,1、2、6、7時(shí)間點(diǎn)上的真實(shí)值分別為27.56、26.47、33.85和34.12,而這4個(gè)時(shí)間點(diǎn)上的ARIMA模型預(yù)測(cè)值分別為28.05、26.52、32.97和33.89??梢钥闯?,在相同的時(shí)間拐點(diǎn)上,真實(shí)值和預(yù)測(cè)值之間相差較小,對(duì)比優(yōu)化前的ARIMA模型,優(yōu)化后的ARIMA模型在預(yù)測(cè)準(zhǔn)確性上得到了顯著的提升。決定系數(shù)R2是評(píng)價(jià)模型和樣本的擬合情況的指標(biāo),范圍為[0,1],其值越大則模型擬合度越高,若R2=0,則表明模型與樣本完全擬合。優(yōu)化前后的ARIMA模型的預(yù)測(cè)誤差及決定系數(shù)如圖5所示。
圖5(a)中,ARIMA模型在6個(gè)時(shí)間點(diǎn)上的MAE分別為0.678、0.702、0.6940.752、0.736和0.688,其中最小MAE為0.678;ARIMA模型在6個(gè)時(shí)間點(diǎn)上的MSE分別為0.812、0.824、0.786、0.804、0.791和0.768,其中最小MSE為0.768;ARIMA模型在6個(gè)時(shí)間點(diǎn)上的R2分別為0.845、0.821、0.782、0.806、0.844和0.767,其中最大R2為0.845。圖5(b)中,優(yōu)化后的ARIMA模型在6個(gè)時(shí)間點(diǎn)上的MAE分別為0.506、0.503、0.482、0.513、0.476、0.501,均比優(yōu)化前的ARIMA模型的最小MAE值更小。優(yōu)化后的ARIMA模型在6個(gè)時(shí)間點(diǎn)上的MSE分別為0.682、0.657、0.634、0.688、0.623、0.641,均比優(yōu)化前的ARIMA模型的最小MSE值更小。優(yōu)化后的ARIMA模型的R2分別為0.972、0.974、0.981、0.968、0.975、0.984,均比優(yōu)化前的ARIMA模型的最大R2更大。通過對(duì)比可知,研究對(duì)ARIMA模型的優(yōu)化具有顯著的有效性,優(yōu)化后的ARIMA模型具有優(yōu)越的準(zhǔn)確性和穩(wěn)定性。
圖5 ARIMA模型的誤差值及決定系數(shù)比較
研究在性能分析時(shí)主要探討監(jiān)測(cè)系統(tǒng)的預(yù)警功能,將輸電線路的舞動(dòng)情況具體分為6種類型,分別為旋轉(zhuǎn)舞動(dòng)、振蕩舞動(dòng)、側(cè)向舞動(dòng)、繞組舞動(dòng)、擺動(dòng)舞動(dòng)及脈動(dòng)舞動(dòng),將6種舞動(dòng)類型分別記為舞動(dòng)類型1~6。對(duì)6種舞動(dòng)類型下的系統(tǒng)預(yù)警性能進(jìn)行實(shí)驗(yàn)分析,結(jié)果如圖6所示。
圖6 輸電線路監(jiān)測(cè)系統(tǒng)的預(yù)警準(zhǔn)確率
從圖6可以看出,監(jiān)測(cè)系統(tǒng)在白天對(duì)輸電線路舞動(dòng)的預(yù)警準(zhǔn)確率分別為95.5%、96.4%、94.3%、95.7%、96.3%、97.1%,在夜晚的預(yù)警準(zhǔn)確率分別為93.5%、92.6%、90.9%、92.8%、93.2%、92.7%。通過比較可知,監(jiān)測(cè)系統(tǒng)在白天對(duì)不同類型的導(dǎo)線舞動(dòng)情況的預(yù)警準(zhǔn)確率均比夜晚要高,特別是在白天對(duì)舞動(dòng)類型6的預(yù)警準(zhǔn)確率達(dá)到了97.1%。監(jiān)測(cè)系統(tǒng)對(duì)舞動(dòng)類型3的預(yù)警準(zhǔn)確率相對(duì)較低,在白天對(duì)舞動(dòng)類型3的預(yù)警準(zhǔn)確率為94.3%,而在夜晚對(duì)舞動(dòng)類型3的預(yù)警準(zhǔn)確率只有90.9%,為所有導(dǎo)線舞動(dòng)類型中預(yù)警準(zhǔn)確率最低。監(jiān)測(cè)系統(tǒng)對(duì)舞動(dòng)類型6預(yù)警準(zhǔn)確率的晝夜差異最大,監(jiān)測(cè)系統(tǒng)在白天對(duì)舞動(dòng)類型6的預(yù)警準(zhǔn)確率為97.1%,在夜晚對(duì)舞動(dòng)類型6的預(yù)警準(zhǔn)確率僅為92.7%。監(jiān)測(cè)系統(tǒng)對(duì)舞動(dòng)類型1預(yù)警準(zhǔn)確率的晝夜差異最小,監(jiān)測(cè)系統(tǒng)在白天對(duì)舞動(dòng)類型1的預(yù)警準(zhǔn)確率為95.5%,在夜晚對(duì)舞動(dòng)類型1的預(yù)警準(zhǔn)確率為93.5%。結(jié)果說明研究設(shè)計(jì)的輸電線路監(jiān)測(cè)系統(tǒng)具有顯著的準(zhǔn)確性和可靠性。輸電線路監(jiān)測(cè)系統(tǒng)的預(yù)警響應(yīng)時(shí)間如圖7所示。
圖7 輸電線路監(jiān)測(cè)系統(tǒng)的響應(yīng)時(shí)間
圖7(a)中,監(jiān)測(cè)系統(tǒng)在白天對(duì)舞動(dòng)類型1的響應(yīng)時(shí)間大概集中在1.8 s到2.5 s之間;系統(tǒng)對(duì)舞動(dòng)類型2的響應(yīng)時(shí)間大概集中在1.5 s到2.2 s之間;系統(tǒng)對(duì)舞動(dòng)類型3的響應(yīng)時(shí)間大概集中在1.9 s到2.4 s之間;系統(tǒng)對(duì)舞動(dòng)類型4的響應(yīng)時(shí)間大概集中在1.8 s到2.7 s之間;系統(tǒng)對(duì)舞動(dòng)類型5的響應(yīng)時(shí)間大概集中在1.6 s到2.4 s之間;系統(tǒng)對(duì)舞動(dòng)類型6的響應(yīng)時(shí)間大概集中在1.8 s到2.7 s之間。通過總結(jié)可知,監(jiān)測(cè)系統(tǒng)在白天的響應(yīng)時(shí)間基本集中在1.5 s到2.7 s之間,其中對(duì)舞動(dòng)類型4和類型6的響應(yīng)時(shí)間較長(zhǎng),對(duì)舞動(dòng)類型2的響應(yīng)時(shí)間較短。 圖7(b)中,監(jiān)測(cè)系統(tǒng)在夜晚對(duì)舞動(dòng)類型1的響應(yīng)時(shí)間大概集中在2.8 s到3.6 s之間;監(jiān)測(cè)系統(tǒng)在夜晚對(duì)舞動(dòng)類型2的響應(yīng)時(shí)間大概集中在2.6 s到3.4 s之間;監(jiān)測(cè)系統(tǒng)在夜晚對(duì)舞動(dòng)類型3的響應(yīng)時(shí)間大概集中在2.4 s到3.2 s之間;監(jiān)測(cè)系統(tǒng)在夜晚對(duì)舞動(dòng)類型4的響應(yīng)時(shí)間大概集中在2.6 s到3.4 s之間;監(jiān)測(cè)系統(tǒng)在夜晚對(duì)舞動(dòng)類型5的響應(yīng)時(shí)間大概集中在2.4 s到3.2 s之間;監(jiān)測(cè)系統(tǒng)在夜晚對(duì)舞動(dòng)類型6的響應(yīng)時(shí)間大概集中在2.4 s到3.3 s之間。通過總結(jié)可知,監(jiān)測(cè)系統(tǒng)在夜晚的響應(yīng)時(shí)間基本集中在2.4 s到3.6 s之間,整體響應(yīng)時(shí)間明顯比白天更長(zhǎng),其中系統(tǒng)對(duì)舞動(dòng)類型1的響應(yīng)時(shí)間較長(zhǎng),對(duì)舞動(dòng)類型3和5的響應(yīng)時(shí)間較短。結(jié)果表明研究設(shè)計(jì)的輸電線路監(jiān)測(cè)系統(tǒng)在白天對(duì)導(dǎo)線舞動(dòng)情況的預(yù)警更加迅速和準(zhǔn)確。
為了確保供電系統(tǒng)穩(wěn)定運(yùn)行,保障社會(huì)用電安全,研究設(shè)計(jì)一種基于邊緣計(jì)算和多傳感器融合的輸電線路監(jiān)測(cè)系統(tǒng)。研究設(shè)計(jì)的系統(tǒng)架構(gòu)包括數(shù)據(jù)采集層、處理層和應(yīng)用層,利用攝像頭、紅外傳感器、溫濕度傳感器等多種傳感器進(jìn)行數(shù)據(jù)采集,并設(shè)計(jì)ARIMA模型對(duì)輸電線路附近的氣象情況進(jìn)行監(jiān)測(cè)和預(yù)測(cè),進(jìn)而實(shí)現(xiàn)對(duì)導(dǎo)線監(jiān)測(cè)的系統(tǒng)輔助,并利用邊緣運(yùn)算來處理得到的數(shù)據(jù),從而得到監(jiān)測(cè)結(jié)果。結(jié)果顯示,優(yōu)化后的ARIMA模型的最小MAE為0.476,最小MSE為0.623,最大R2為0.984,均比優(yōu)化前的ARIMA模型表現(xiàn)更優(yōu)。監(jiān)測(cè)系統(tǒng)在白天對(duì)線路舞動(dòng)的最高預(yù)警準(zhǔn)確率達(dá)到了97.1%,在夜晚的最高預(yù)警準(zhǔn)確率達(dá)到了93.5%;監(jiān)測(cè)系統(tǒng)在白天的響應(yīng)時(shí)間基本集中在1.4 s到2.8 s之間,在夜晚的響應(yīng)時(shí)間基本集中在2.4 s到3.6 s之間。實(shí)驗(yàn)結(jié)果表明研究設(shè)計(jì)的輸電線路監(jiān)測(cè)系統(tǒng)對(duì)導(dǎo)線舞動(dòng)的預(yù)警性能具有顯著的準(zhǔn)確性和可靠性,但其在白天的監(jiān)測(cè)效果比夜晚更好。研究設(shè)計(jì)的系統(tǒng)利用ARIMA模型對(duì)輸電線路環(huán)境溫度進(jìn)行預(yù)測(cè),并結(jié)合邊緣計(jì)算和多傳感器對(duì)輸電線路進(jìn)行監(jiān)測(cè),實(shí)現(xiàn)了低延遲、高可靠性、多角度多方位的輸電線路監(jiān)測(cè),在保障線路安全運(yùn)行的同時(shí)為電力工作人員提供了參考和依據(jù)。