基于邊緣計算的中低壓配電網多類型傳感器接入技術

王伏亮，李 澄，李春鵬，陸玉軍，陳 顥

（江蘇方天電力技術有限公司，南京211100）

配電網主要用于在電力系統中分配、傳遞高壓、中壓和低壓等不同等級的電壓，配電網輸出的高、中、低壓分別為35～110 kV、6～20 kV 和220/380 V。在中低壓配電網的應用過程中，存在供電面積大、傳輸距離遠、電路負荷輕、負荷分布分散、電路有功功率低等問題。由于配電網中傳感器類型和數據繁多[1]，在常規技術中，通過檢測設備直接傳遞數據或者人工檢測，用戶通過應用客戶端雖然能夠直觀地看到數據信息，但是用戶從浩瀚的數據庫中找到目標數據并及時應用就顯得非常困難，就近處理和應用程度低。

邊緣計算（edge computing）是指接近于配電網、傳感器數據和中低壓配電網內設置的監測設備源頭處的計算，該算法融合了網絡數據采集、數據即時計算、存儲和應用，能夠在網絡端、設備端為用戶就近提供多種功能，在數據融合、處理和應用方面具有卓越的技術優勢[2]。因此，本研究在中低壓配電網中引入該技術，下文將詳細介紹。

1 多傳感器數據邊緣融合

在中低壓配電網中，由于在大面積范圍內設置了不同傳感器，用戶對孤立開的傳感器計算數據的管理就顯得十分困難。在現有技術中，數據融合技術存在擴展性差、數據處理效率低、監控力度欠缺的問題。因此，在分析、計算這些數據之前，需要對多類型傳感器進行信息融合計算，通過該步驟，能夠降低數據計算的誤差率，提高配電網管控的時效性，使用戶更集中地管理數據[3]。下面對多傳感器的數據融合方法進行以下說明。

假設在中低壓配電網中設置有n 個傳感器，對影響配電網穩定性運行的因素ρ 進行綜合分析，將n 個不同類型的傳感器記作為數據集合｛D1，…，Dn｝。由于衡量中低壓配電網的需要，往往設置多種類型傳感器以從不同的角度進行測量，比如設置用于測量溫度的溫度傳感器、 用于測量壓力的壓力傳感器、用于測量振動的振動傳感器、用于測量角度的角度傳感器、用于測量電流的電流傳感器等。通過這些信息，都能夠從不同的角度反映配電網運行的狀態。由于配電網環境多變，很容易給配電網的正常運行造成干擾。因此，可以通過概率學理論來衡量各種問題的綜合[4]。假設在時間t，傳感器集合｛D1，…，Dn｝分別測量出的影響配電網正常運行的參數記作為數據集合｛ρ1（t），…，ρn（t）｝，其中ρi的值可以按照概率理論的正態分布進行計算，其中i 表示為第i 個傳感器，μi表示為概率分布的數學期望值，通過該值能夠綜合反映不同傳感器的計算誤差。為了提高測量精度，再運行加權計算，用字母記作為，加權公式如下所示：

在式（1）中，由于每個傳感器都有一個加權值，第i 個傳感器的加權值可以用ωi來表示。則設ρi為計算過程中的隨機變量，從概率學理論上講，其服從正態分布N（μi，σi2），從多元概率分布理論的角度來講，數據集合［ρ1，…，ρn］則服從n 元正態分布N（a，B），用分布密度函數來表示，則有：

在式中：x＝［x1，…，xn］；a＝［μ1，…，μn］；B＝diag

對數據集合［ρ1，…，ρn］進行線性組合，ρ的分布密度函數可以用以下公式來表示：

其中標準方差可以記作為

通過上述計算，能夠提高傳感器數據信息采集、分析、計算的速度，最終實現多種傳感數據的監測，并實現了分布較為分散傳感器的組合化、集中處理。

2 邊緣計算

邊緣計算也被稱為鄰近計算或者接近計算（proximity computing），將其應用到物聯網中，借助于微型數據中心的網狀網絡，即可在本地直接計算、分析傳感器檢測數據，計算后的數據，能夠直接傳遞到云計算機或者中央數據中心，加快了數據應用能力[5]。在對多類型傳感器數據進行數據融合后，為了提高檢測系統的數據處理、應用能力，本研究在配電網運行系統中加入邊緣設備，邊緣設備設置有邊緣數據采集單元，其由多個邊緣數據采集節點構成，各個數據節點還與外圍設備連接，采用邊緣設備在于其具有數據處理能力較高，通信接口多樣，能夠滿足多種不同的通信功能，并且其內的可編譯環境較好，數據存儲空間大。在網絡的邊緣位置，用戶能夠進行大量數據的計算和分析，使得該計算結果能夠最接近數據集合點，便于用戶實時把控中低壓配電網運行過程中的數據信息，提高配電網運行的可操作性[6]。

2.1 邊緣計算設備

在配電網中的不同位置處，設置有多個邊緣計算設備，邊緣計算設備包括采集中低壓配電網各種信息的采集單元和對采集到的配電網信息進行計算的計算單元[7]。其原理圖如圖1 所示，在采集單元中，其核心處理器為基于ATMega328P 的微控制器處理器，該處理器帶有14 路GPIO 接口，6 路PWM和12 位ADC 接口，UART 串口，1 路SPI 接口，1 路I2C 接口，通過外部模塊以串口形式接入控制器，如ZigBee，RS485 轉RS232 等。其應用頻率為1.2 GHz的四核BCM2837[8]。

圖1 邊緣計算系統架構圖Fig.1 Architecture diagram of edge computing system

在計算單元中，其具有的處理器核心板為64位ARMv8，外部接口有BCM43143WiFi 和低功耗藍牙接口，其具有40 路的I/O 接口，4 路USB 接口，1 路以太網接口，1 路HDMI 接口等。同時搭載了嵌入式Linux 系統，具有較好的數據處理能力[9]。

2.2 計算即服務的計算模型

邊緣計算設備的體系結構采用先進的動態頻率電壓縮放DVFS（dynamic frequency and voltage scaling）技術，利用該算法進行計算時，采用了邊緣計算的計算即服務模式，該技術可以通過改變CPU的周期頻率來調節能源消耗。在具體計算過程中，假設fm表示為邊緣計算過程中能耗，其中fm受邊緣設備具有的最大計算能力的限制。假設存在驗算任務模型A（L，Td，X），其中L 表示為數據融合后的數據包大小，其單位為bit，Td表示為數據完成邊緣計算的時間，其單位用s 表示，X 表示為邊緣計算的工作量，則采用下述公式計算邊緣模型[10]的延遲。則有：

式中：

利用公式（6）能夠獲取計算性能與時間延遲tm之間的關系，fm是邊緣設備具有的數據計算能力，用戶在使用邊緣設備時，可以根據其CPU 能耗與延遲時間之間的關系來分配其各個參數[11]。當延遲需要降低時，需要增加fm，以保證邊緣任務工作的實時性，反之，可降低fm。在本研究中，計算即服務模型示意圖如圖2 所示。

圖2 計算即服務模型示意圖Fig.2 Schematic diagram of computing as a service model

在圖2 中，en表示不同的傳感器接入節點，e1表示中低壓配電網絡中的節點，e2、e3、e4、en-1分別表示不同類型傳感器的傳感值，利用上述介紹的邊緣計算時間與能耗之間的關系，則有：

3 系統及應用

結合圖3，對其演算過程進行說明，在圖3 中的演變系統中，其融合了多傳感器技術、云計算技術、數據通訊技術、物聯網技術以及B/S 網絡架構[12]。該應用系統包括傳感數據層、信息融合層、云計算數據層、數據傳遞層和數據應用層，通過在中低壓配電網中接入了多種傳感器實現多種信息采集。當某一個傳感器檢測到的數據在邊緣設備節點進行融合、處理時，根據系統結構的特點，實現多種數據的融合，然后再進行邊緣計算，也可以不經過數據融合繼而實現邊緣計算[13]。

圖3 邊緣計算系統架構圖Fig.3 Edge computing system architecture

傳感器信息通過隨機網絡演算模型進行計算時，還可以實現傳感器監測數據的信息傳遞和遠程監控，遠端的網絡安全管理用戶能夠清楚地看到處理數據，用戶管理人員能夠根據輸出的數據結果信息正確地反映網絡故障信號。便于用戶進行數據查詢、跟蹤和管理[14]。故障數據信息Internet 網絡、無線通信網絡傳遞到云端或其他服務器，在云端服務器中，能夠實現故障數據的永久性存儲。由于網絡數據的監管是多種部門的綜合，用戶可以在總監控中心將該故障數據實現與上層管理中心的交互。本研究采用的云主站和B/S 結構實現數據通訊[15]，選擇的數據庫類型為數據庫服務器AQL Server 2015，其存儲有大量不同的網絡數據，通過一些數據計算可以將這些大量的不同數據信息進行分類，該數據傳遞到服務器，通過交換機分發到Internet 中，通過Internet 在表示層顯示。通過云主站，用戶能夠獲得傳感器融合的數據信息，在邊緣計算節點進行傳感器數據計算[22]。

4 試驗結果與分析

試驗本文研究技術方案的優越性時，系統采用了Python 編程算法，硬件部分包含有云計算設備以及邊緣設備。采用的云計算中心參數：Intel（R）Core（TM）i5-4570；CPU 雙核@3.20 GHz；4.00 GB 內存；Windows7 64 位操作系統。采用的邊緣設備參數為：BCM2863；ARM Cortex-A7 CPU；1 GB 內存；RASPBIAN JESSIE WITH PIXEL 操作系統[16]。在相同系統中，通過采用邊緣計算和未采用邊緣計算分別衡量檢測系統處理的工作效率。試驗模型如圖4所示。

圖4 試驗模型Fig.4 Test model

在利用上述數據模型進行試驗時，假設在中低壓配電網中設置了5 個傳感器。分別檢測中低壓配電網的振動、位移、溫度、濕度和角度。在中低壓配電網工作60 s 內，得出試驗數據表1。

表1 數據試驗表Tab.1 Data test

然后根據上文進行邊緣數據融合計算，為了使計算精度更精確，按上述方法連續測量10 次，得出試驗數據表2。

表2 數據試驗表Tab.2 Data test

根據概率學理論，σ值越小，融合性能越強，再進行邊緣計算時，就越精確。在表2 中，用A 表示為采用邊緣設備進行中低壓配電網運行情況穩定評估的誤差，用B 表示為未采用邊緣設備進行中低壓配電網運行情況穩定評估的誤差，B 為人工評估方法，得出如圖5 所示的誤差曲線示意圖。

因此，采用本研究介紹的智能算法遠遠大于人工評估方法，通過邊緣計算能夠解決本研究引言部分中提到的技術問題。

圖5 誤差曲線對比示意圖Fig.5 Comparison of error curves

5 結語

本研究通過在配電網中應用邊緣計算，能夠有效地降低帶寬。在數據采集時，能夠使數據的處理從配電網最邊緣處的收集點開始，即時采集、計算和數據傳遞，使遠程客戶端能夠及時收到底層檢測數據，還可以使數據在計算端進行計算。數據的即時存儲使邊緣計算得到廣泛地擴展，有效地減少網絡負載。因此邊緣計算能夠有效地改善中低壓配電網中斷和間歇性連接，增加了除了云計算以外的其它功能，避免了服務器停機造成的損失。隨著邊緣技術逐步應用和技術的成熟，將使電力輸送系統進入新時代。