電力設備狀態監測數據融合算法分析

何章瑋

(廣東電網公司，廣東 廣州 516000)

隨著國民經濟的快速發展，確保電力系統的健康狀況越來越重要，因為電力系統的任何故障都將造成嚴重的損失。傳統有線系統的安裝往往受到監測設備的成本和安裝條件的限制。無線傳感器設備的發展為布線和設備放置提供了新選擇[1]。以前無法到達的危險位置或受限制的區域，現在可以用無線傳感器監測。

隨著處理器技術和通信技術[2]的快速發展，在工廠中使用無線通信技術將完全或部分取代有線電纜是一個不可避免的趨勢。實踐表明，電力系統設備某些部分的溫度異常升高與存在故障相符，電氣設備的關鍵部件的高溫會導致電力設備的性能下降或損壞，影響電力系統的健康狀況[3]。因此，監測電氣設備的溫度是支持電力系統安全穩定運行的重要手段之一。本文提出了一種基于Leach-E、無線傳感器網絡(WSNs)的電力設備監測系統的新設計，并對Leach-E算法進行優化，該算法消除了異常數據，減少了集群成員節點的數據冗余。仿真結果表明，聚變結果準確、有效。

1 基于Leach-E、WSNs的數據融合算法研究

WSNs旨在將傳感器部署在環境可能干擾所提供的測量值的環境中，包括壓力、溫度、輻射和電磁噪聲的強烈變化。因此，在這種情況下，測量值可能并不精確。數據融合用于克服傳感器故障、技術限制和時空覆蓋問題。數據融合通常被定義為使用結合來自多個來源的數據并收集這些信息以實現推斷的技術，這將比通過單一來源實現推斷更有效，更可能更準確。

在這種情況下，“高效”一詞可以意味著更準確地傳遞準確的信息、更完整、更可靠。數據融合可以在集中系統和分布式系統中實現[4-10]。在集中系統中，所有原始傳感器數據將發送到一個節點，數據融合將發生在同一個位置。在分布式系統中，不同的融合模塊將在分布式組件上實現。數據融合發生在每個節點上，使用它自己的數據和來自相鄰傳感器的數據。

1.1 Leach-E算法流程

在數據傳輸過程中，傳統的浸出算法中心節點不考慮數據傳輸距離。在集群中，所有節點都需要將信息傳遞給集群頭，集群頭將信息發送到基站。由于沒有考慮數據傳輸距離，集群頭節點的能耗較高，很容易過早死亡。改進后的算法改變了網絡區域的數據傳輸模式。

為了提高簇頭選擇的質量，避免網絡中的“能量差距”現象，本文改進了簇頭的選擇和數據傳輸方法。數據首先傳輸到集群頭節點，然后從集群頭傳輸到基站。但當節點到集頭的距離大于節點到基站的距離時，節點直接與基站通信而不通過集群頭，可以減少節點和集頭的能量損失。改進算法計算最優的簇頭比，得到高級節點和普通節點的選擇比例，并利用浸出原則選擇簇頭。在數據傳輸階段，當節點比集群頭更接近基站時，節點和基站直接通信，降低節點開銷，減少節點不必要的能耗。改進后的算法流程如圖1所示。

圖1 Leach-E算法流程Fig.1 Leach-E algorithm flow

1.2 數據融合系統模型

電力設備溫度監測的數據流具有時序性、時間相關性、不確定性、空間性等特點?；谶@些特點，本文設計的數據融合算法框圖如圖2所示。該融合算法采用多傳感器，其數據融合類似于人類大腦在處理復雜的問題時的表現。人類的大腦全面地接收來自眼睛、鼻子、耳朵、四肢的信息，這相當于“傳感器”。多傳感器的數據融合也必須充分利用傳感器的資源。通過合理地控制和利用這些傳感器上的觀測信息，根據某種優化標準，在時空上組織各種傳感器的冗余或互補信息，從而獲得對觀測對象的一致描述或解釋。

在融合算法中，首先，各傳感器節點對采集到的數據進行簡單、低層次的數據預處理，剔除掉明顯異常值；其次，經過預處理的數據在簇頭節點進行初步融合，再進一步剔除部分異常數據；最后，中心節點收到各簇成員節點發送的數據后，針對簇成員節點無法消除的數據中可能存在一些偏差數據的情況，根據每個集群成員節點對采集溫度數據的支持程度，給每個集群成員節點數據分配一個合理的權重值，對可靠性高的數據分配高權重，對可靠性低的數據分配低權重，達到最佳融合效果。

1.3 簇成員節點數據預處理

基于電力設備溫度在監測時的采樣節點內不會有劇烈波動這一基本事實，當溫度傳感器節點的測量值與其余數據有很大差異時，可以判斷這些數據可能是環境干擾等原因導致的異常數據，這些異常數據會極大地影響判斷的監測人員。因此，這些數據在傳輸到簇頭節點之前必須進行處理，以消除這種影響。研究采用將選擇格拉布斯準則作為數據校驗的方法。

格拉布斯準則是一種統計學的方法，其數據校驗流程如下。①假設有某個傳感器節點采集的一組溫度數，將數據由大到小排序后，計算出這組數據的均值、殘差和標準差。②根據這組數據的均值、殘差和標準差確定每個溫度數據的格拉布斯統計量。公式為：某一溫度的格拉布斯統計量=(該溫度-該組溫度均值)/改組溫度標準差。③計算出每個溫度數據的格拉布斯統計量后，根據應用需求，查表獲得格拉布斯統計量的臨界值。④對數據是否異常進行判斷。若某一溫度的格拉布斯統計量大于格拉布斯統計量的臨界值，則認為這個數據為異常值。

1.4 基于K-Means聚類的誤差分析方法

各簇成員節點進行數據預處理后，將數據傳輸給簇頭節點，簇頭節點在發送數據給中心節點前進行融合處理。但在應用時，若某個簇成員節點發生故障或受到外界環境的持續干擾，導致其采集的數據全都與實際值偏差較大時，這些持續的異常數據并不能在簇成員節點的數據預處理中被剔除，反而更容易根據閾值估計機制傳輸到簇頭節點。故針對這種情況，在簇頭節點進行融合前，采用K-Means聚類算法來過濾那些簇成員節點傳輸過來的異常數據，基于 K-Means 聚類的誤差分析方法流程如圖3所示。

圖3 基于 K-Means 聚類的誤差分析方法流程Fig.3 Flow chart of error analysis method based on K-Means clustering

K-Means聚類算法為一種具有迭代過程的無監督學習方法，其中數據集被分組為k個預定義的不重疊的聚類或子組，使得聚類的內部點盡可能相似，同時試圖將聚類保持在不同的空間。它將數據點分配給聚類，使得聚類質心和數據點之間的距離平方之和最小，在該位置，聚類的質心是聚類中數據點的算術平均值[11]。該算法是一種迭代算法，根據數據集的特征將數據集劃分為k個預定義的不重疊的不同聚類或子群。它使簇間的數據點盡可能相似，并盡量保持簇間的相似。如果簇的質心和數據點之間的距離平方之和最小，則它將數據點分配給簇，其中簇的質心是簇中數據點的算術平均值。集群中較小的變化導致集群中相似或同質的數據點。

為了確保融合結果精確性，采用基于 K-Means 聚類的誤差分析方法。假設在某個電力設備的溫度監測環境中，其中某個簇頭節點得到了多個簇成員節點多次發送的各自處理后的溫度數據，對數據的處理具體流程如下：①將簇頭節點接收到的各溫度數據由大到小進行排列，從中選出最大值、中間值和最小值作為聚類中心。②所有的數據依據最小距離的原則，歸類到其中一個聚類中心。③歸類完成后，重新計算各聚類中心值。④歸類完畢后，根據已知最終的3個聚類中心值分別計算最大、最小聚類中心離中間聚類中心的距離，從而分析誤差。⑤根據所允許的誤差范圍，比較各聚類中心至中間聚類中心的距離和誤差范圍的大小。如果存在各聚類中心至中間聚類中心的距離大于誤差范圍的情況，則刪除以這個數據聚類中心的那組數據；如果不存在，說明數據都是在誤差范圍內，不做任何處理。

2 基于數據融合算法的電力設備監測系統

2.1 監控系統的結構

基于無線傳感器網絡的電力設備監控系統的結構框圖如圖4所示。整個系統架構主要可分為現場無線監控網絡、本地控制中心和遠程監控終端3部分。

圖4 基于無線傳感器網絡的電力設備監控系統結構Fig.4 Structure of power equipment monitoring system based on wireless sensor network

由大量傳感器節點組成的現場無線監控網絡是無線傳感器網絡的主要部分，如圖5所示。利用樹形或星形拓撲結構來獲得良好的性能，樹形或星形拓撲網絡結構允許數據通過1個多條路由路徑[4]，這些節點組織成一個植根于聚合節點的路由樹，傳感器節點可以提供路由節點，以增加無線傳輸的數據傳輸范圍。網絡中的聚合節點作為網絡網關或協調器，負責網絡的啟動，并從其他節點收集監控數據。

圖5 由傳感器節點組成的現場無線監控網絡Fig.5 Field wireless monitoring network composed of sensor nodes

2.2 監控系統的硬件設計

系統中傳感器節點的硬件結構分為傳感器模塊、無線模塊、數據存儲和處理模塊、模塊和電源模塊4個部分。如圖6所示，其重點是現場無線傳感器網絡的硬件設計。采用PT100作為溫度傳感器，PT100熱阻是一種溫度傳感器，其溫度測量范圍為-200～650 ℃，被廣泛應用于工業溫度測量，與其他熱阻相比，其穩定性和線性特性相對較好，因此選擇PT100熱阻作為溫度測量傳感器[5]。使用PT100收集溫度信號并將其轉化為模擬電壓信號，模擬信號放大后，通過ADC轉換為數字數據。數字數據由STC生產的STC89C52處理器進行處理和存儲。選擇芯片ChipconCC2430作為無線模塊，CC2430是芯片級的系統(SoC)解決方案，專門為ZigBee應用程序定制，該模塊支持ZigBee協議，集成微控制器和射頻收發器，非常適合于需要超低功耗的系統。CC2430的關鍵特點是低功耗、高性能、對干擾的優異靈敏度和魯棒性，需要的外部組件很少，具有可用的強大和靈活的開發工具。

圖6 電力設備監控系統的硬件設計Fig.6 Hardware design of power equipment monitoring system

2.3 監控系統的軟件設計

系統軟件架構如圖7所示。

圖7 系統軟件架構Fig.7 Architecture of system software

基于無線傳感器網絡的電力設備監控系統的軟件設計主要包括3個部分：現場無線監控網絡的軟件設計、本地控制中心的軟件設計和遠程監控終端[5]的軟件設計。在系統軟件程序設計、軟件開發環境中，包括：Windows2003服務器操作系統、ZigBee軟件設計IAR嵌入式工作臺(EW)集成開發平臺、單片機集成開發環境KeilC。要建立ZigBee無線傳感器網絡，聚合節點作為要求從應用層構建網絡的協調器，應該首先作為網絡的主節點。只有使用ZigBeeFFD而不加入其他網絡設備，才能創建一個新的網絡。聚合器網絡成功后，ZigBee協調器等待子節點加入網絡的請求信號。當協調器接收到傳感器節點的請求時，將16位網絡地址作為子節點分配給傳感器節點，建立鄰居列表和地址映射表[8]。建立了節點與協調器之間的網絡連接關系。建立無線傳感器網絡的協調器的流程如圖8所示。

圖8 無線傳感器網絡的協調器的流程Fig.8 Flow of coordinator of wireless sensor network

節點數據采集和傳輸的低功耗流程如圖9所示。

圖9 節點數據采集和傳輸的低功耗流程Fig.9 Low power flow chart of node data acquisition and transmission

現場監控節點的軟件設計采用了集成開發環境KeilVision2下的C語言編程語言。軟件設計包括主要程序、視聽轉換模塊程序和通信程序3個部分。當系統通電時，STC89C52芯片、ADC和CC2430芯片被初始化。為降低現場監控節點的消耗功率，選擇了被動喚醒方式。在低功耗狀態下，節點關閉電路的某些部分，只留下CC2430的CCU內部定時器、中斷和無線通信芯片工作，直到接收從協調器發送的喚醒操作數據包[9]。

采用Windows操作系統設計了在本地控制中心監控機和場外遠程監控平臺上運行的溫度數據監控系統的監控管理軟件。無線數據管理軟件是在Visual C++6.0集成開發環境中的MFC類庫開發的。該軟件系統的主要功能是：通信管理、數據存儲和顯示、人機交互、數據分析和處理功能。

3 仿真實驗與性能分析

為驗證融合的準確性，仿真以某變電站高壓配電室溫度監測為例，溫度采集節點每采集20個數據進行數據預處理，然后發送處理數據到簇頭節點。記錄節點i采集的20個溫度數據為T1、T2、…、T20，見表1，單位為攝氏度，實際溫度為24 ℃。

表1 節點i 采集的溫度數據Tab.1 Temperature data collected by node i ℃

由表1可知，該節點采集的數據不是很準確，有明顯的偏差數據，所以會先對這組數據進行預處理，以消除這些偏差數據。更新后的數據見表2。

表2 更新后節點i 的溫度數據Tab.2 Temperature data of node i after updating ℃

當簇成員節點采集的溫度數據經過預處理后，將數據傳輸到相應的簇頭節點。其中，簇頭節點的選擇是在節點發送數據之前通過Leach-E路由協議確定的，簇頭確定之后，確定與其直接通信的簇成員節點。對比數據處理前的均值結果，數據處理后的均值更準確，說明集群成員節點的數據預處理可以準確剔除與實際溫度偏差較大的數據。剔除這些數據后，成員節點不直接將數據傳輸給中心節點，而是將這次的結果與傳輸前簇頭節點存儲的值進行比較。如果兩者之差小于設定值閾值，則集群成員節點不發送數據，直接使用存儲的值，如果結果大于閾值，則集群成員節點發送當前溫度值到簇頭節點進行融合處理，保證用戶能夠實時掌握電力設備的溫度變化。

4 結論

利用無線傳感器網絡技術完成了新型電力設備監控系統的軟硬件設計。新型系統滿足了快速、精確、實時、在線的需求。新設計的系統具有安裝方便、監控可靠性、實時、在線等優點。在 WSNs基礎上，提出了一種基于Leach-E 的數據融合算法，算法中格拉布斯準則和基于 K-Means 聚類的誤差分析方法，通過對節點采集的冗余且存在異常的溫度數據加以消除，以達到提高融合結果精確性、減少網絡通信數據量、延長網絡生存時間的效果。仿真實驗結果表明，經過該算法數據融合處理后的均值更準確，說明集群成員節點的數據預處理可以準確剔除與實際溫度偏差較大的數據。