中圖分類號：TP391.92;TM711 文獻(xiàn)標(biāo)志碼：A 文章編號：1001-5922（2025）05-0182-04

Abstract：In order to improve the powerload prediction ability，a setof power loaddata intelligent monitoring system was designed，and itshardwarestructureincluded information processing terminal，network communicationand monitoring model，etc.，and the system could significantlyimprove the operationcapacityof theentire transmission line.In this study，an embedded monitoring system with the main control chip as the TMS32ODM8168 was designed，and the data computing capability was improved by improving the BP neural network model. Based on the XGboost fusion model，abnormal data information monitoring was realized.Through experiments on the 35kV power load data path，it wasfound thatthe number of designed monitoring lineswas 36，the monitoring claritywas ，and the algorithm recognition accuracy was 97.3% ，which greatly improves the monitoring ability. Key words ：power load； monitoring；embedded monitoring；BP neural network model；XGboost fusion model

隨著輸電線路的增加，電力負(fù)荷數(shù)據(jù)的整體規(guī)劃和智能監(jiān)控越發(fā)重要。為提高電力系統(tǒng)對電力負(fù)荷數(shù)據(jù)的監(jiān)控能力，更為精準(zhǔn)的判斷用戶停電事故發(fā)生原因，保障高壓輸電系統(tǒng)穩(wěn)定運(yùn)行，研究設(shè)計(jì)電力負(fù)荷數(shù)據(jù)智能監(jiān)控系統(tǒng)，借助先進(jìn)的視頻識別技術(shù)，精準(zhǔn)傳輸負(fù)荷數(shù)據(jù)及運(yùn)行狀態(tài)信息。

各高壓輸電研究所通過實(shí)際調(diào)研和數(shù)據(jù)分析，結(jié)合現(xiàn)代化視頻識別技術(shù)對電力負(fù)荷數(shù)據(jù)監(jiān)控進(jìn)行改進(jìn)，極大程度上改善了電力負(fù)荷數(shù)據(jù)的輸電能力，其中文獻(xiàn)［1]設(shè)計(jì)建造MapX遙測監(jiān)控系統(tǒng)，利用CMMB信號進(jìn)行線路狀態(tài)圖像的傳輸，通過建立電力負(fù)荷數(shù)據(jù)路拓?fù)浣Y(jié)構(gòu)提高系統(tǒng)輸電能力。但在實(shí)際運(yùn)行中難以實(shí)現(xiàn)多線路的統(tǒng)一監(jiān)控，對高壓輸電產(chǎn)生影響；文獻(xiàn)[2]通過設(shè)計(jì)CDMA電力負(fù)荷數(shù)據(jù)監(jiān)控模式，利用運(yùn)動(dòng)目標(biāo)自檢測功能實(shí)現(xiàn)電力負(fù)荷數(shù)據(jù)路電流的檢測和運(yùn)行監(jiān)控，利用層級SIP視頻識別結(jié)構(gòu)完成線路狀態(tài)錄影，監(jiān)控精度更為準(zhǔn)確。但此模式在環(huán)境適應(yīng)性方面存在局限性。針對上述電力負(fù)荷數(shù)據(jù)智能監(jiān)控技術(shù)存在的問題，研究通過分析電力負(fù)荷數(shù)據(jù)實(shí)際運(yùn)行環(huán)境，在視頻圖像識別的基礎(chǔ)上建立智能監(jiān)控系統(tǒng)，并設(shè)計(jì)建立McWiLL規(guī)劃模型和瞬態(tài)信息識別技術(shù)完成電力負(fù)荷數(shù)據(jù)路的監(jiān)控過程，通過暗通道先驗(yàn)算法計(jì)算系統(tǒng)識別結(jié)果的精確度，解決電力負(fù)荷數(shù)據(jù)路監(jiān)控困難，故障分析結(jié)果失準(zhǔn)的問題[3]

監(jiān)控方案設(shè)計(jì)

為了提高電力負(fù)荷數(shù)據(jù)智能電網(wǎng)識別能力，采用了多種形式的數(shù)字監(jiān)控方式，通過將數(shù)字視頻采集設(shè)備接人多種形式的數(shù)據(jù)通道，提高了電網(wǎng)數(shù)據(jù)信息監(jiān)控能力。

主控芯片采用TMS320DM8168，主要由ARM子系統(tǒng)、高清視頻處理子系統(tǒng)、編解碼子系統(tǒng)和DSP子系統(tǒng)組成。ARM子系統(tǒng)負(fù)責(zé)對其他外圍電路的配置和控制；高清視頻處理子系統(tǒng)負(fù)責(zé)對視頻數(shù)據(jù)進(jìn)行壓縮編碼、濾波和格式轉(zhuǎn)換等；DSP子系統(tǒng)負(fù)責(zé)視頻數(shù)據(jù)的管理。視頻采集模塊使用TVP5158芯片，負(fù)責(zé)智能設(shè)備多路視頻的采集。A/D轉(zhuǎn)換器將采集到的模擬信號轉(zhuǎn)換為數(shù)字信號。視頻采集模塊電路支持16路數(shù)字視頻的輸入，可接收ITU-RBT.656和BT.1120兩種格式的數(shù)字視頻信號。TVP5158芯片的解碼器輸入端輸入的多路視頻信號數(shù)字化后復(fù)用在一路輸出，提高主控芯片VP口的利用率，增加電力負(fù)荷數(shù)據(jù)智能監(jiān)控能力。

2基于LM算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)

LM算法結(jié)合了牛頓法、梯度下降法，當(dāng)阻尼系數(shù) μ 增大，LM算法表現(xiàn)類似梯度下降法，當(dāng)阻尼系數(shù) μ 減小，LM算法表現(xiàn)類似牛頓法。

W（k） 表示BP神經(jīng)網(wǎng)絡(luò)第 k 次迭代時(shí)的權(quán)值向量，經(jīng)過修正后得到新向量 W（k+1） ！ W（k+1）= W（k）+Δ W ，根據(jù)牛頓法可以得出公式：

式中： E（X） 為誤差函數(shù)； 是誤差函數(shù)的Hessian矩陣； ？ E（X） 是誤差函數(shù)的梯度。

由LM算法可得公式：

式中： 為阻尼系數(shù)， μgt;0；I 為單位矩陣； J（X） 為Jacobian矩陣。由此可以推出新的權(quán)值閾值修正公式：

根據(jù)式（4）對權(quán)值和閥值進(jìn)行修正，即實(shí)現(xiàn)了對BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)。

3基于XGboost融合模型的異常數(shù)據(jù)信息監(jiān)控

在數(shù)據(jù)監(jiān)控信息中，采集到的數(shù)據(jù)信息容易受到外部多種數(shù)據(jù)信息的影響，如何提高異常數(shù)據(jù)信息監(jiān)控能力，研究采用了XGboost融合模型，其目的在于能夠檢測電力負(fù)荷數(shù)據(jù)運(yùn)行中的不同數(shù)據(jù)信息，系統(tǒng)中視頻監(jiān)控到的數(shù)據(jù)受到各種因素的影響，數(shù)據(jù)集出現(xiàn)數(shù)據(jù)缺失、噪聲數(shù)據(jù)和數(shù)據(jù)冗余等情況，因此需要對數(shù)據(jù)集進(jìn)行預(yù)處理，提高數(shù)據(jù)質(zhì)量和可利用率。

假設(shè)采集到的電力負(fù)荷數(shù)據(jù)監(jiān)測數(shù)據(jù)信息預(yù)測函數(shù)記作為：

式中： K 為預(yù)測函數(shù)中具有的 K 個(gè)決策分類模型，決策分類模型函數(shù)可以表示為：

式中" f（x） 表示評價(jià)電力負(fù)荷數(shù)據(jù)信息擁堵時(shí)采集數(shù)據(jù)信息所占的決策分類模型空間； 為采集到的電力負(fù)荷數(shù)據(jù)信息樣本 x 映射到引用函數(shù)的葉子節(jié)點(diǎn)； 為所應(yīng)用決策分類模型的葉子節(jié)點(diǎn)。評價(jià)電力負(fù)荷數(shù)據(jù)信息擁堵的正則化目標(biāo)函數(shù)為：

其中

式中： T 為決策分類模型中的葉子節(jié)點(diǎn)個(gè)數(shù)； w 為所構(gòu)建的決策樹模型中葉節(jié)點(diǎn)的權(quán)重； γ 和 λ 為決策分類模型內(nèi)的調(diào)節(jié)參數(shù)。

經(jīng)過t步迭代計(jì)算后，電力負(fù)荷數(shù)據(jù)視頻監(jiān)控輸出目標(biāo)函數(shù)記作為：

為了提高數(shù)據(jù)計(jì)算精度，通過二階泰勒展開后，輸出函數(shù)為：

其中：

則葉子節(jié)點(diǎn)迭代次數(shù)輸出數(shù)據(jù)信息可以為：

當(dāng) 函數(shù)介于[0，1]時(shí)，電力負(fù)荷數(shù)據(jù)監(jiān)控?cái)?shù)據(jù)問題為一般問題，當(dāng) 函數(shù)介于[1，2]時(shí)，電力負(fù)荷數(shù)據(jù)監(jiān)控?cái)?shù)據(jù)為特殊問題，當(dāng) 函數(shù)介于[3，5]時(shí)，電力負(fù)荷數(shù)據(jù)監(jiān)控?cái)?shù)據(jù)為嚴(yán)重問題，或者設(shè)置漏電風(fēng)險(xiǎn)、電壓電流超載等其他異常數(shù)據(jù)信息。

4試驗(yàn)結(jié)果與分析

實(shí)驗(yàn)室計(jì)算機(jī)配置采用Inteli79600KF計(jì)算機(jī)， 16+64 GB內(nèi)存容量?，F(xiàn)場實(shí)驗(yàn)環(huán)境設(shè)置：圖形采集精度為 98% ，信息處理速度超過8MB/s，識別精度超過 90% ，算法驗(yàn)證誤差不超過 2.5% 。在此環(huán)境下進(jìn)行實(shí)驗(yàn)，參數(shù)配置如表1所示。

設(shè)計(jì)試驗(yàn)對電力負(fù)荷數(shù)據(jù)路傳輸過程的監(jiān)控方案進(jìn)行研究，對實(shí)驗(yàn)得到的監(jiān)控圖像清晰度和信息識別精度進(jìn)行分析。數(shù)據(jù)采集系統(tǒng)是電力負(fù)荷預(yù)測試驗(yàn)的重要組成部分，負(fù)責(zé)采集電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)及其相關(guān)變量，為整體試驗(yàn)提供數(shù)據(jù)支持；電力負(fù)荷仿真系統(tǒng)能夠模擬多種狀態(tài)下的電力系統(tǒng)運(yùn)行狀況，為整體試驗(yàn)提供多種驗(yàn)證環(huán)境；神經(jīng)網(wǎng)絡(luò)訓(xùn)練平臺用于訓(xùn)練研究所涉及的BP神經(jīng)網(wǎng)絡(luò)；實(shí)時(shí)負(fù)荷預(yù)測系統(tǒng)是電力負(fù)荷預(yù)測試驗(yàn)的主要部分，能夠?qū)崿F(xiàn)對電力負(fù)荷的預(yù)測和實(shí)時(shí)監(jiān)測；硬件實(shí)驗(yàn)平臺用于驗(yàn)證電力負(fù)荷預(yù)測試驗(yàn)的效果和準(zhǔn)確度。為了驗(yàn)證LM-BP神經(jīng)網(wǎng)絡(luò)的良好性能，采用標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)和LM-BP神經(jīng)網(wǎng)絡(luò)對同一函數(shù)進(jìn)行擬合，擬合結(jié)果如圖1所示。

由圖1可以看出，研究采用LM算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)具有明顯的優(yōu)越性，能夠提高訓(xùn)練速度，提高擬合精度，改善BP神經(jīng)網(wǎng)絡(luò)性能。為了驗(yàn)證改進(jìn)后的LM-BP神經(jīng)網(wǎng)絡(luò)能否實(shí)現(xiàn)電力負(fù)荷預(yù)測，分別采用標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)后的LM-BP神經(jīng)網(wǎng)絡(luò)對某地 24h 的電力負(fù)荷進(jìn)行預(yù)測，預(yù)測結(jié)果如表2所示。

為了更直觀展現(xiàn)出試驗(yàn)結(jié)果，將表2中預(yù)測結(jié)果繪制圖像，具體如圖2所示。

將實(shí)驗(yàn)結(jié)果匯總數(shù)據(jù)表，最終顯示監(jiān)控系統(tǒng)實(shí)驗(yàn)數(shù)據(jù)表，如表3所示。

由表3可知，相同線路電壓下，本設(shè)計(jì)監(jiān)控?cái)?shù)量與清晰度均高于對比系統(tǒng)且算法識別精度為97.3% ；文獻(xiàn)[3]采用的MapX遙測監(jiān)控方式算法識別精度為 94.7% ；文獻(xiàn)［4]設(shè)計(jì)的CDMA監(jiān)控方式線路運(yùn)行算法識別精度為 93.1% 。由此看出電力負(fù)荷數(shù)據(jù)監(jiān)控設(shè)計(jì)具有較高可行性。

設(shè)定預(yù)測模型預(yù)測時(shí)間為1h，使用3種預(yù)測模型得到的預(yù)測功率如圖3所示。

將圖3預(yù)測功率的數(shù)值與實(shí)際功率數(shù)值進(jìn)行對比，得出預(yù)測模型的誤差評價(jià)指標(biāo)，如表4所示。

由表4可知，根據(jù)誤差評價(jià)指標(biāo)，研究融合預(yù)測模型的預(yù)測精度更高，預(yù)測誤差最小。說明研究模型優(yōu)選和融合提高了預(yù)測精度。其中平均絕對百分比誤差反映了預(yù)測值與實(shí)際值之間的平均偏離程度，研究平均絕對百分比誤差低至 3.22% 。標(biāo)準(zhǔn)誤差反映預(yù)測模型的離散程度，標(biāo)準(zhǔn)誤差越小說明預(yù)測誤差與平均值之間的差異越小，研究標(biāo)準(zhǔn)誤差為5.426% ，明顯低于對比模型。

XGBoost模型在不同的最大深度下預(yù)測評價(jià)指標(biāo)變化如圖4所示。

由圖4可知，隨著最大深度值的增加，模型出現(xiàn)過擬合的情況，當(dāng)最大深度為4時(shí)，預(yù)測評價(jià)指標(biāo)最?。蛔畲笊疃仍僭黾訒r(shí)預(yù)測評價(jià)指標(biāo)開始增加，可以確定參數(shù)最大深度的值為4。實(shí)驗(yàn)結(jié)果表明研究設(shè)計(jì)的監(jiān)控圖像更為清晰，信息識別精度最高，波動(dòng)范圍裕度最小，體現(xiàn)出設(shè)計(jì)轉(zhuǎn)型方案的優(yōu)越性。

5 結(jié)語

設(shè)計(jì)嵌入式系統(tǒng)提高數(shù)據(jù)信息控制能力，使用LM算法改進(jìn)標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)，提高了電力負(fù)荷預(yù)測精度，考慮了天氣因素對電力負(fù)荷預(yù)測的影響，有較好的穩(wěn)定性。通過設(shè)計(jì)微控制器以提高風(fēng)電場電力信息采集能力。根據(jù)融合預(yù)測功率模型、當(dāng)前風(fēng)電機(jī)組運(yùn)行情況和功率歷史數(shù)據(jù)，建立多目標(biāo)優(yōu)化控制模型，維持風(fēng)電場集群的電壓穩(wěn)定運(yùn)行，該研究在進(jìn)行風(fēng)電預(yù)測具有一定的意義，但研究僅考慮到了影響電力負(fù)荷的平穩(wěn)因素，對于其他不平穩(wěn)因素還需進(jìn)一步研究。

【參考文獻(xiàn)】

[1] 何瑛，肖軍.基于ARM和無線通信技術(shù)的煤礦智能視頻監(jiān)控系統(tǒng)的研究[J].工業(yè)儀表與自動(dòng)化裝置，2019（5）：30-32.

[2] 林雄鋒，李新海，凌霞，等.基于智能視頻識別技術(shù)的變電站安全監(jiān)控系統(tǒng)研究[J].廣西電力，2020，43（5）：51-57.

[3] 馮雅.基于圖像識別的視頻監(jiān)控專利技術(shù)研究[J].中國新通信，2019，21（16）：43-44.

[4] 李艷紅.錳礦智能視頻監(jiān)控的運(yùn)動(dòng)目標(biāo)檢測技術(shù)探討[J].微型電腦應(yīng)用，2019，35（7）：38-40.

[5] LIU CQ.Research on fault diagnosis technology of intelligenthigh voltage switchgear in coal mine[J].Machinery Manage-ment development，2019，34（1） ：116-117.

[6] 王凱，王小軍，馬娜，等.基于人工智能的圖像識別技術(shù)在抽水蓄能電站中的應(yīng)用研究［J].水電自動(dòng)化與大壩監(jiān)測，2019，5（4）：18-20.

[7] 馬文學(xué)，單亞飛.智能視頻監(jiān)控系統(tǒng)中視頻圖像分析的關(guān)鍵技術(shù)研究[J].通信電源技術(shù)，2019，36（9）：128-129.

[8] 吳松偉.基于人臉識別技術(shù)的智能視頻監(jiān)控系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)時(shí)代，2019，（11）：62-66.

[9] 蔣正虎.基于圖像識別的高壓電力線異物接近預(yù)警系統(tǒng)研究[J].中國標(biāo)準(zhǔn)化，2019，（4）：239-240.

[10] IVANOVNG，NAUMOVVA，ANTONOVVI，etal.Fun-damentalsof Intelligent Automatic Reclosing of Long-Dis-tance Transmission Lineswith Shunt Reactors[J].RussianElectrical Engineering，2019，90（8） ：558-564.

[11] 周慶東.基于智能視頻識別技術(shù)的作業(yè)告警系統(tǒng)[J].電子設(shè)計(jì)工程，2020，28（5）：31-35.

[12] 張瑞芳，苗勇，楊紅運(yùn)，等.基于智能視頻識別技術(shù)的機(jī)車司機(jī)行為辨識系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].鐵道機(jī)車車輛，2019，39（3）：13-15.

[13] 黃曉璐.基于計(jì)算機(jī)智能圖像識別的算法與技術(shù)研究[J].電子制作，2020（22）：67-68.

[14]] 冀燕麗，段海濤.智能視頻監(jiān)控系統(tǒng)中視頻圖像分析的關(guān)鍵技術(shù)研究[J].中國信息化，2019（2）：46-49.