基于物聯網技術的智能電力計量系統研究

李慧聰，鄭寬昀，徐 鋒，羅 浩

(1.國網山東省電力公司，山東 濟南 250002； 2.國電南瑞科技股份有限公司，江蘇 南京 211100)

在電力計量技術領域中，通常需要對用電設備進行計量，這就需要用到智能電力計量系統，通過該系統實現智能電能表、電壓互感器、電流互感器、電力計量終端等不同的器具的計量和測量。常規技術中，智能電力計量系統通過RS-232、RS-485或者因特網(Internet)實現數據的傳遞和交互，這種方式雖然能夠使用戶及時、準確地把控電力計量信息。但是效率低下，并且電力計量設備之間需要連線，增加了占地面積。文獻[1]采用低功率無線網(LPWAN)技術，將電力計量檢測終端接入到數據網關，從而實現了智能電力計量的檢測，還通過LoRa無線模塊實現智能電力計量系統的數據交互，提高了數據交互能力，但是無法實現數據的挖掘和管理。文獻[2]通過借助熵值法對電能計量系統各項數據信息的權值進行計算，然后根據不同區域的特征，對電能表計量狀態進行動態評價，提高了智能電能表的可靠度分析能力。但是數據故障識別能力落后，在面對大量數據信息時，用戶仍舊難以從多種數據信息中獲取目標數據信息。 針對上述技術不足，設計出新型的智能電力計量系統，下面對其關鍵技術進行描述。

1 電力計量資產全生命周期管理方法

針對前言中提出的技術不足，本研究設計出基于物聯網技術的智能電力計量系統，該技術具有以下創新點。

(1)在智能電力計量系統中融入物聯技術，通過物聯網實現實現電力計量設備運行信息采集、信息整合、風險評價、完整性評價、維修與維護、能效評估、計量設備運維管理、監控管理、數據管理、維修和設計等多種數據的綜合管理[3]。

(2)在物聯網技術中加入改進型無限深度神經網絡模型，實現電力計量資產數據的全壽命周期管理，深入挖掘電力表相關的不同數據，進而實現電力表全壽命周期管理?；谏鲜鲈O計思路，設計出的新型智能電力計量系統架構如圖1所示。

圖1 智能電力計量系統整體架構設Fig.1 Overall architecture design of intelligent power metering system

基于物聯網技術的電力計量資產全生命周期管理系統包括電力設備層、數據處理層和數據應用層，舍棄傳統技術的弊端，將物聯網技術引入到智能電力計量系統內，實現了電力計量數據的自動化、智能化處理，有效地實現了移動互聯技術、人工智能技術和通信技術的結合，將分布式電力設備數據有機結合起來。

在電力設備層[4]中，多種不同類型的電力計量數據信息被存儲在電力計量資產全生命數據庫中，通過數據融合技術將不同類型的數據信息有機融合在一起，用戶在分析數據信息時，在電力數據庫中抽取數據信息，通過改進型無限深度神經網絡模型實現電力數據信息的學習和訓練，通過挖掘、分析電力計量數據之間的關系實現電力計量資產全生命周期的分析和挖掘。

在數據處理層中，通過大數據算法模型實現不同類型電力數據信息的處理和挖掘[5]，采用深度挖掘的數學算法實現電力計量資產全生命周期數據分析。采用的分析方法是構建無限深度神經網絡模型，采用該無限深度神經網模型進行電力計量資產全生命周期數據分析，目的在于提高電力計量資產全生命數據分析的能力，使得用戶獲取的電力計量宏觀資產數據信息或者比較表面的數據信息轉換為數學建模分析的方式，將表面數據信息通過微觀數據更加深刻體現出來，從而提高電力計量資產數據分析能力。

2 關鍵技術設計

2.1 物聯技術

電力物聯技術能夠將移動互聯技術[6-9]、人工智能技術以及數據信息通信技術有機地融合在一起，電力物聯網架構構成見表1。

表1 電力物聯網架構構成Tab.1 Composition of power Internet of things architecture

在具體工作時，為了數據化物聯網的技術核心，在采集層中，采集到的電力計量設備類型為a，ma為電力計量設備輸出各種數據信息的長度值，c為感知層中電力計量設備采集信息輸出的公鑰參數，k為電力計量設備輸出公鑰數據的主密鑰的秘鑰值[8]。當a∈{1，…，ma}時，則待采集電力計量設備類型中每個采集數據比特值均為1[9]。感知層采集到的數據信息輸出為：

(1)

式中，ea為感知層內采集到的電力設備數據信息集合值；e1為電力設備采集到的數據信息利用的秘鑰值；e2為電力設備采集到的電力設備數據元。

感知層在采集電力數據信息時，采集到的電力數據集借助于網絡層實現數據傳遞，數據信息通過平臺層被傳遞到應用層進行計算，該計算中心通過接收ea中的數據集，然后進行數據整理[11]，輸出結果：

(2)

式中，tea為整理后數據集；k2、k1分別為待調用數據以及調用數據；ai為電力計量設備信息。

通過上述數據計算，通過感知層負責采集電力計量設備信息，通過網絡層實現數據傳遞，通過平臺層接收處理后的數據信息，通過大數據處理技術實現數據處理和計算，供用戶使用。

2.2 大數據管理模型的構建

設計中，通過構建大數據管理模型能夠實現不同種類電力計量數據的計算，各種數據元素通過不同層次的關系在網絡模型的作用下，能夠直觀地展現出來。無限深度神經網絡模型展開如圖2所示。

圖2 無限深度神經網絡模型展開示意Fig.2 Expansion diagram of infinite depth neural network model

在應用架構上包括輸入層、隱層和輸出層，通過數據展開，使得輸入層具有不同種類的電力計量數據信息，該電力器具包含有多種傳感器，傳感器能夠實現不同種類電力計量設備數據采集的輸出和計算。輸入的原始數據信息包括計量標準數據、電力計量資產試驗設備運行數據、計量輸出數據、外觀數據信息等。由于這些數據種類不一、數據混亂，用戶在應用過程中就難以實現數據的整理。將這些雜亂無章的數據信息輸入至無限深度神經網絡模型后，這些數據信息將被展開，展開后的圖形能夠形象地展示出采集到數據信息中任意時刻t的電力計量數據信息。然后通過構建數據模型，對不同種類的數據信息進行挖掘與處理，基本結構如圖3所示。

圖3 無限深度神經網絡模型示意Fig.3 Schematic diagram of infinite depth neural network model

圖3中，模型內的每根神經元都與電力計量數據信息接觸，不同神經元之間相互交錯連接，通過自身關系構成了閉合反饋回路。根據處理數據的深度可以設置網絡模型的維度，由于維度的不同，能夠使網絡模型中的每根神經表現為“無限深”。這樣能夠輸出多種不同類型數據的關系，假設輸入的電力計量資產數據類型為m，設定其有n個神經元，不同神經元輸出不同的數據信息，輸入的電力設備數據集合通過以下數據集合表示:

x(t)=(x1(t)，x2(t)，…，xm(t))T

(3)

將輸入的數據集合記作為：

y(t)=(y1(t)，y2(t)，…，yn(t))T

(4)

其中，不同數據模型之間的神經元記為k，其內各個神經元之間的關系通過權值w表達，權值的關系式可以記作：

w=[wu，w1]

(5)

式中，wu為任意神經網絡不同神經元之間的連接權值，w1為不同神經網絡中內、外網絡神經之間的連接權值，在時間為t+1下，通過構建的無限深度神經網絡模型后，則輸出的數據可以為：

s(t+1)=wuy(t)+w1x(t)

(6)

然后將電力計量數據信息以時間維度的方式進行公式轉換，則數據信息可以通過以下關系式表示：

s(t+1)=(s1(t+1)，s2(t+1)，…，sn(t+1))T

(7)

應用模型進行數據分析的結果可以為：

yk(t+1)=fk(sk(t+1))

(8)

式中，fk為模型中任意神經元需要激活的激活函數。

無限深度神經網絡模型的應用模型如圖4所示。

圖4 神經網絡模型的應用模型Fig.4 Neural network model application model

通過圖4可以看到，輸入的電力計量資產數據樣本集合為{X1，X2，…，Xn}，則神經網絡模型的應用模型故障數據的輸出集合記為W*，數據新型函數f(W*Xi)*Xi與輸出函數Yi之間的關系為逐步逼近關系，f作為激勵函數，在計算過程中通過調節電力計量數據之間的不平衡性，輸入的原始數據信息通過矩陣可以為：

(9)

式中，θ1，θ2，…，θk∈Rn+1，這些數據信息作為權重參數表示；n為電力計量數據向量值，通過矩陣形式為n維向量；K為電力計量資產數據的種類。通過無限深度神經網絡模型計算后，則對所有的數據信息輸出誤差，誤差函數可以為：

(10)

然后對誤差數據e中的所有最小值進行求解，則下降梯度可以通過以下關系式表示:

(11)

在計算的過程中，通過調整權重矩陣W能夠輸出不同的數據精度，通常調整4次權值，可以滿足神經網絡模型應用模型的應用需求。

3 試驗結果及分析

通過上述論述，為了體現本研究的技術優勢，下面通過試驗證明本研究的技術優越性。試驗環境見表2。

表2 試驗環境Tab.2 Schematic diagram of test environment

然后在表2的試驗環境下實現數據的模擬與仿真，假設抽取的數據樣本5 825 683 502條電力計量設備輸出數據，比如運行數據、設備參數數據等。樣本數據庫信息架構如圖5所示。

圖5 樣本數據庫信息架構Fig.5 Sample database information architecture

然后將文獻[1]方法、文獻[2]方法與本研究的方法進行對比分析，首先從數據的準確度上進行對比分析，數據庫樣本獲取的數據信息見表3。假設數據樣本分為10個不同的數據信息，則得出數據信息(表3)。

表3的10組不同的數據樣本中，假設人為制造故障數據集合為1 000種，分別采用10組不同的數據集合，則輸出以下3種不同類型的數據集合。數據處理準確度對比如圖6所示。

表3 電力計量設備數據庫信息Tab.3 Power metering equipment database information

圖6 數據處理準確度對比Fig.6 Comparison of data processing accuracy

圖7中，分別采用文獻[1]方法和文獻[2]方法進行對比，文獻[1]為利用無線物聯網技術實現智能電力計量，文獻[2]通過信息融合的方式實現低壓智能電能表動態評價。假設分別經過2 h的試驗，對電力計量大數據信息進行挖掘和處理。其準確率對比曲線如圖7所示。

結合圖7，通過3種不同類型的數據進行對比分析，通過10組不同數據集合分析和挖掘，認為本研究的數據挖掘能力最強，準確率最高。

圖7 數據挖掘對比示意Fig.7 Schematic diagram of data mining comparison

由于本研究還采用了物聯技術，下面分析采用物聯技術和常規互聯網技術進行數據采集分析，在30 min內進行試驗對比分析，其速度對比如圖8所示。在圖8中，通過將近10 min的計算和運行，發現本研究方法數據采集效率極高，隨著數據采集量的逐步增加，當數據量達到400 MB時，采用互聯網技術數據采集效率低于物聯網數據采集效率。本研究的處理方法提高了數據采集速度。

圖8 數據處理效率對比曲線Fig.8 Comparison curve of data processing efficiency

4 結語

針對電力設備計量過程中出現的數據采集速度慢、傳遞效率低、數據處理困難等問題，本研究融入包括感知層、傳遞層、平臺層和應用層的物聯架構，將物聯網技術應用到智能電力計量系統中，實現智能電力計量系統數據的自動化傳遞。構建了無限深度神經網絡模型，將電力計量數據信息通過無限深度神經網絡模型實現數據的處理和計算，提高了電力計量數據的管理和分析能力。本研究通過試驗驗證，雖然在一定程度上提高了電力計量設備資產信息的管理能力，但該技術仍舊存在一些不足，需要進一步研究和探討。