基于邊緣計算的變電站視頻監控技術

魏文震，崔冬曉，楊增健，劉海萍，李 強

（國網山東省電力公司淄博供電公司，山東 淄博 255000）

0 引言

近年來，國家電網有限公司提出了集控站建設方案，目的是建設基于主輔一體化基礎平臺的新一代集控站設備監控系統（以下簡稱集控系統）。集控系統是在變電站原有集控基礎上［1］，增加和完善機器人軌道巡視，通過大量部署的攝像機、傳感器、輔助設施監控裝置將變電站的設備和輔助設施信號上傳到集控系統后臺，運維人員成立監控班對信號實時監控［2-4］。然而，變電站內主設備監控及輔控信號的海量接入必將給集控系統建設中的信息存儲和傳輸帶來壓力。

云計算技術在現實中應用越來越廣泛，該技術已經很成熟［5-6］。將云計算技術引入到集控站中能夠很好地將站內資源整合，對資源進行集中式管理。然而，變電站復雜的應用場景、海量的視頻傳輸和主輔設備的信號接入將消耗云計算中心的大量資源，也會給監控數據的實時性帶來一定影響。

基于上述問題，提出在變電站集控系統中，引入邊緣計算技術［7］，通過搭建邊緣計算模型，利用邊緣節點研究視頻幀過濾算法，對站內機器人、攝像頭、傳感器等邊緣設備等采集的視頻流和信號進行檢測和定位，緩解數據存儲和傳輸壓力，減少數據冗余性。解決設備監控強度不足、智能化支撐力不夠等問題。利用監控協作計算優化算法，提高集控系統處理速度、縮減處理時延，緩解監控后臺數據傳輸和網絡帶寬壓力，更好地獲取邊緣計算節點的信息狀態，從而提高集控系統的整體性能。

1 技術分析

1.1 邊緣計算

人工智能的發展，對數據的存儲和處理技術要求越來越高。以集中式數據處理為核心的云計算技術已漸漸無法滿足海量數據處理的要求，針對以上現狀，以“靠近物或數據源頭”為處理理念的邊緣計算技術成為研究的熱點［8］。

邊緣計算（Edge Computing，EC）是指在網絡邊緣側，即在靠近設備或數據的源頭端，融合通信網絡、算法、存儲和應用為一體的計算平臺，為附近的設備提供邊緣計算服務，實現數字化連接、實時監測、智能識別、數據優化與存儲、信息安全等功能［9］。邊緣計算是物理和數字化的連接紐帶，為設備和系統提供智能化服務。

1.2 集控站監控系統

集控站監控系統基于一體化基礎平臺，實現各類應用功能。按照業務需求對各類應用功能進行邏輯鏈接、靈活組合［10］。系統能提供日常運行監視、故障及缺陷告警，遠程倒閘操作等業務場景，支撐監控、運維人員更好地掌握設備運行狀況。集控站監控系統總體架構如圖1所示。

圖1 集控站監控系統總體架構

1.3 變電站邊緣計算的架構

將邊緣計算引入變電站集控系統中，構建以邊緣為核心的“感知層、網絡層、平臺層、應用層”的監控系統架構［11］。其中，感知層是站內機器人、攝像頭、傳感器等狀態感知設備，對變電站環境、設備運行狀態和設備電氣量等數據進行監測和感知。網絡層基于4G 傳輸通道，實現視頻、圖片的毫秒級傳輸。平臺層將接收的數據進行人工智能（Artificial Intelligence，AI）分析，支持設備、人員、環境等AI 算法的融合識別處理。應用層是運維業務的載體，以多維度、可視化的方式展示給運維人員，實現了電腦（Personal Computer，PC）和移動終端的“多端應用”。變電站的邊緣計算架構如圖2所示。

圖2 變電站邊緣計算架構

2 集控系統需求

2.1 數據交互機制

數據交互是在建立的設備標準化信息模型的基礎上，結合數據間的交互方法，實現站內端設備及邊緣節點內部數據和對外數據的雙向交換，使站內不同監測設備的數據實現共享和流通，打破數據壁壘，有利于變電站在線智能巡視系統的建設。數據交互應具備數據統一管理、模型廣泛化、通信協議開放和數據接口可擴充等功能。

2.1.1 內部交互機制

邊緣計算節點通過消息隊列遙測傳輸（Messenge Queuing Telemetry Transport，MQTT）總線來實現內部數據的交互。集控系統的數據分為電氣設備和輔助設施兩類，統一由數據中心匯集管理。集控系統數據中心由數據管理、數據代理、歷史數據庫、實時數據庫及非結構化數據模塊構成，對數據進行采樣、處理、維護、初始化，為各類監測數據交互和應用程序（Application，APP）使用提供基礎。圖3為集控系統數據中心的總體架構。

圖3 集控系統數據中心總體架構

集控系統根據運行監控以及設備狀態分析需要選擇采集并存儲相應數據。數據管理模塊上傳的數據進行優化和轉存，其中，事故、異常、越限、變位類數據需要實時上傳并存儲在實時數據庫中，告知類信息根據實際需要選擇是否上傳，其相關數據通過保護、測控、故障錄波等裝置存儲形成歷史數據庫，記錄型文件、模型等存儲在非機構化數據庫中。數據代理為APP 提供訪問數據庫的接口。集控系統具體的采集存儲數據內容如表1所示。

表1 集控系統數據存儲內容

數據中心各部分功能內部間存在APP 與數據庫間、實時數據與歷史數據間兩種訪問關系。

APP 能夠根據設定的數據采集周期和內容完成歷史、實時等數據的采集和分析，并通過數據代理傳至相應數據庫，還能遠程設置相關參數和數據采集、處理規則，對集控系統的內部數據進行處理和交互。

通過設定的數據處理規則，將實時數據存儲到歷史數據庫中，通過系統內部的數據保護機制實現統計數據到歷史數據庫的轉存，防止因監測設備復位、重啟等異常狀況導致數據丟失。

2.1.2 對外交互機制

邊緣計算節點對外數據交互流程如圖4所示。

圖4 中邊緣APP 為部署在邊緣計算節點上的微應用。能夠對巡視過程中需要記錄的實時環境數據（溫度、濕度）、設備狀態（電流、負荷、有功無功）、輔助設施數據（消防、安防）進行采集，自動生成巡視報表；具備定值修改、命令下發等功能；能夠訪問數據庫，查看所需數據，接收邊緣計算節點上傳的異常信號，并將記錄的數據上傳至遠程數據監控系統。集控系統的外交互流程包括以下4種。

1）邊云互交。

根據集控系統業務需求，數據的交互包括云主動和邊主動兩種方式。云主動是云主站根據需求自動下發喚醒指令到邊緣計算節點，進而喚醒相應的端設備。邊主動是邊緣計算節點和云平臺的數據交互，其中的交互數據包括：設備運行的監測數據、保護動作及告警信號、運維人員的巡視和設備缺陷記錄等信息。

2）邊邊互交。

邊邊互交是多個邊緣計算節點間的數據交互流程，由數據代理和云平臺來實現。站內設備種類多，數據處理壓力大，需要部署多個邊緣計算節點。圖4 中若將邊緣計算節點一的數據傳送到邊緣計算節點二，需要先對云平臺發送請求，云平臺通過分析邊緣節點的安裝部署等情況后，將請求命令下發給節點二，節點二才能將數據經過云平臺傳送給節點一。

圖4 集控系統對外數據交互流程

3）邊端互交。

根據邊緣APP 通過邊緣計算節點獲取端設備的狀態數據，邊緣計算節點同時將本身或云平臺、邊緣APP的指令下發到端設備，實現邊端的雙向數據交互。

4）云云互交。

云主站具備標準化接口，在統一的規范化數據共享機制下，通過標準化接口實現不同云主站系統間的數據交互，挖掘有價值數據，提高在線智能巡視的質量和效率。

2.2 監控盲區與數據處理

2.2.1 監控盲區處理

變電站遠程智能巡檢系統以巡檢機器人為主，對于機器人的巡檢盲區，輔以高清視頻攝像機作為補充。由于高清攝像機采用有源有線布置，安裝不便，且成本高，導致布設點位不足［12-13］。

基于邊緣計算的變電站視頻監控系統采用物聯微拍裝置，如圖5 所示，通過底座上的膠貼、磁鐵或者螺釘對微拍裝置進行固定，采用內置磷酸鋰電池供電以及無線通信技術，無需外接電源線和通信數據線即可實現快速部署，避免了現場安裝時布線、開槽、挖溝，極大降低了現場施工難度和施工成本，縮短了施工周期。

圖5 變電站物聯微拍裝置

2.2.2 數據分析處理

基于邊緣計算的變電站視頻監控技術采用“多端合一”的物聯分析終端，將傳統部署方式下的機器人主機、視頻主機、輔控主機、消防主機等多機合一，把數據采集、視頻采集、智能分析功能融合為一，采用前端智能分析模式，對微拍裝置上傳的視頻及圖像數據進行實時分析，調用最優的模型進行AI分析，實現多維度場景管控。在前端自動過濾掉無效、重復隱患目標，進行邊緣計算處理，減少數據上傳壓力，主站平臺根據分析終端的上傳數據信息進行二次確認。

2.3 存儲與網絡帶寬

2.3.1 攝像機碼流分析

為滿足集控系統的建設要求，目前在變電站高壓室、保護室、變壓器、走廊等位置已布置了高清規格的攝像機。按照集控站的部署要求，接下來需要完善現有的軌道機器人，在此基礎上針對機器人盲點補填相應的攝像機，最終替代運維人員的例行巡視。然而，攝像機數據量的產生情況因型號不同而各不相同。例如變電站內安裝的槍機攝像機，其碼流如果為2 048 kbit/s，那么每臺每小時將會產生900 MB 左右的監測數據，每天就會有21 GB 的監測數據。目前，變電站安裝攝像機產生的數據情況見表2

表2 變電站安裝攝像機產生的數據情況

2.3.2 視頻數據傳輸與存儲分析

物聯微拍裝置和物聯分析終端之間采用寬窄帶融合通信技術。窄帶采用RF433 傳輸信號和數據，當需要傳視頻和圖片時，開啟WiFi寬帶傳輸，如圖6所示。寬窄帶融合通信，降低傳輸功耗，減少運維成本。采用4G/VPN 傳輸將物聯分析終端的信息上傳至遠程后臺，創新采用高速點對點接口傳輸協議（China Standard Point-to-Point Interface，CSPI），實現數據信號的高速傳輸，保證網絡信息安全。

圖6 邊緣計算部分的數據傳輸方式

以220 kV 朱臺變電站為例，經統計站內共安裝槍機28 個，球機32 個，微拍裝置46 個。系統正常運行時，每個監控設備會存在兩個數據流，即監控站內環境、設備和人員情況的實時視頻數據流和上傳至物聯分析終端的存儲數據流。當站內出現異常或告警時，監控中心的監控人員會調用站內監控設備數據，物聯分析終端也會對數據信息進行實時存儲，此時對網絡帶寬的需求達到最大。

以表2 中攝像機規格為例，當站內出現異常時，站內實時產生的最大視頻數據流和最大存儲數據流均為：4 Mbit/s×78 路+2 Mbit/s×28 路=368 Mbit/s。因此，變電站最大網絡帶寬需求為368 Mbit/s，對物聯分析終端存儲寫入的最大速率要求為368 Mbit/s。

3 方案設計

3.1 邊緣計算下的變電站監控系統模型

邊緣計算下的變電站監控系統將數據的采集、分析、預處理等功能放在物聯微拍裝置中，物聯微拍裝置位于系統邊緣，對監測設備的圖像有選擇性地進行分析、去除冗余信息。邊緣側所有的監測裝置包括物聯微拍裝置獲得視頻最終全部上傳到物聯分析終端進行匯總、計算、分析和存儲，如圖7 所示。讓具備人臉識別、環境分析、行為感知、異常報警和紅外成像等功能的設備網絡服務響應更快，降低帶寬需求和能源消耗，提高信息安全和存儲效率［14］。

圖7 邊緣計算下的變電站監控系統模型

目前，變電站邊緣計算側通常使用高清攝像頭、機器人、安防、消防等多為智能傳感器完成對視頻數據的采集。通過寬窄帶融合通信技術實現將采集數據統一匯集到物聯分析終端［15］。邊緣側物聯分析終端是邊緣側和云平臺雙向“溝通式”橋梁，不僅向云中心服務器發送數據請求實現數據實時傳輸和共享，還和部署的其他邊緣設備進行算法的混跑，實現數據的分析、處理。分析終端內構建神經網絡模型，提供多種AI 識別算法和云邊系統技術，自動篩選設備運行狀態的主要參數，減少數據冗余。同時，負責邊緣設備的調配和管控，保證數據傳輸安全、可靠。

前端邊緣設備和物聯分析終端對視頻數據進行預處理，減少數據冗余，緩解系統存儲壓力，降低存儲空間的要求，從而提升系統數據的保存效率。此外，還能減少復雜數據傳輸對網絡帶寬帶來的壓力，降低數據傳輸產生的“時延”效應，避免網絡擁堵引發的數據安全問題，提升數據傳輸的安全性、可靠性。

3.2 邊緣計算下的監控協作計算優化方法

提出一種邊云計算下的最優化高速合作計算關系——協作計算優化法。通過邊緣側物聯分析終端合理分配視頻數據資源任務，將任務分發于端設備，如具有視頻處理功能的傳感器、機器人和攝像頭等。讓邊側的各類端設備和物聯分析終端，通過優化分配方法對數據進行協作處理，從而提高集控系統的處理速度、降低時延，緩解后臺數據傳輸和網絡帶寬的壓力。站內需要處理的視頻數據資源表達式為

式中：W為站內需要監測設備所有工作量總和；i為監測設備的復雜度等級；n為閾值，1＜i＜n，i為正整數；wi為處理一次第i級監測設備所需工作量；處理第i級監測設備需執行Ki次，則第i級監測設備的工作量總和為Kiwi。

通過站內部署的邊緣側物聯分析終端和不同的監控終端，結合站內監控設備的合理分配方案，可以用矩陣（d，B，c，v）來表達邊緣計算中心和不同的監控終端，d為傳輸距離，B為帶寬，c為數據容量，v為運算速度。則邊緣計算中心可以表達為

將監控設備編號為j，監控設備總個數為m，1＜j＜m，j取正整數；則第j個監控設備的數據容量為cj，其到邊緣側物聯分析終端的距離為dj，帶寬為Bj，運算速度為vj。第j個監控終端可以表達為

令監控設備的合理分配方案為X，監控設備處理數據所需時間的模型為

式中：T為總的監控數據處理時間；argmin 為目標函數T最小時的X取值；向量w=(w1，w2，…，wn)T為待處理監控設備總工作量，由單次處理第i級監控設備的工作量構成；I為單位向量；k為監測設備執行次數向量。

同時令邊緣側物聯分析終端的數據容量為c0，處理速度為v0，光的傳播速度為s，令向量滿足式（5），矩陣滿足式（6）。

式中：xi0為分配給邊緣側物聯分析終端第i級監控設備進行數據處理的執行次數，即xi0=ki0；xij為第j個監控終端處理第i級監控設備所執行的次數，即xij=kij。

根據監控設備的合理分配矩陣X和數據處理的復雜程度，可以將待處理的監控設備處理量總和W分為WB和WD，其中WB表為邊緣側物聯分析終端的視頻數據待處理量，WD為所有監控終端的視頻數據待處理量，第j個監控終端的視頻數據待處理量為WjD，其各自表達式為

3.3 協作計算優化法仿真分析

將上述協作優化算法進行實驗，分別分析服務器數量、監控任務數量對系統延時和準確率的影響，實驗結果表明協作優化法通過優化分配監控任務，可以有效提高系統處理速度、有效縮減處理時延。

3.3.1 服務器數量下的平均等待時延

邊緣計算服務器在同一路段下分別安裝1 個和3 個，計算得到的平均等待時延的理論值，與Matala仿真得到平均等待時延的仿真值進行比較，如圖8所示。在系統負荷相同時，多個服務器平均等待時延要低于單個服務器，且當系統負荷增大時，平均等待時延性能更好，因此協作計算優化法更適應變電站復雜的監控環境，通過在站端安裝邊緣計算服務器，對站內設備監測數據預處理，然后上傳至后臺，能夠快速識別站內異常信號，有助于智能運維的發展。

圖8 1個和3個服務器在不同系統負荷下的平均等待時延

3.3.2 不同監控任務數量下總體任務的時延

變電站設備復雜，現場監控裝置多樣，監控對象繁多。將協作優化算法與傳統的視頻算法進行對比［15-17］，比較不同監控任務數量下的時延，如圖9所示。

圖9 不同監控任務下的總體時延

由圖9 可見，協作優化法的總體時延明顯低于其他傳統算法，且隨著監控任務數量的增加，其優勢更加明顯。因此，試驗結果表明本人提出的協作優化法能有效降低視頻處理的總體時延，提高視頻上傳速度和分析速度。

3.3.3 不同任務數量下的視頻準確率

將變電站內的網絡帶寬設置在50～100 Mbit/s范圍內，比較協作計算法和調度算法對目標識別的準確率，如圖10 和表3 所示。由圖10 可見，協作優化法的目標識別準確率明顯高于調度法，且隨著網絡帶寬的增加，該方法的目標識別準確率也增加。由表3可見，對變電站已有監控設備目標識別準確率的比較，在帶寬為100 Mbit/s 的條件下，協作優化法目標識別的平均準確率可達90%。

表3 帶寬100 Mbit/s下各監控裝置目標識別準確率 單位：%

圖10 不同帶寬下的目標識別率

4 典型應用

在變電站在線智能巡視大規模推進和集控站建設的條件下，變電站邊緣計算技術應用如表4所示。

表4 邊緣計算在變電站中的應用

在此，以110 kV 千峪站2020 年已完成的“視頻+機器人+”改造工程為例，以“SF6表計監測”作為技術落地參考，表計監測流程如圖11 所示。其中壓力傳感器和微拍裝置為前端SF6表計信息采集設備，壓力檢測和喚醒微拍裝置為邊緣計算節點（此處為物聯分析終端，終端硬件平臺配置為：8 核CPU 1.6G AI 處理器；存儲容量64 GB，2 GB DDR，內置2 GB SPI flash；支持百兆以太網；支持RS232、RS485、4G或5G 公/專網、電力線載波通信（Pouer Line Communication，PLC）、無線局域網（Wircless Fidelity，WiFi）、遠距離通信（Long Range，LoRa），軟件載體為APP，AI壓力監測和壓力調節為遠程云平臺服務。

圖11 SF6表計監測典型應用

受天氣、環境影響，SF6氣室壓力很容易引起變化，尤其在冬季很多壓力表計會頻發“氣室壓力低”告警信號。運維人員需要冒著天寒路滑的極端天氣現場檢查壓力表指示，進行特巡。

根據開關、隔離開關氣室的安裝位置情況，在原有高清攝像頭的基礎上布設微拍裝置，解決了巡視盲區的問題。變電站SF6壓力表的讀數有3 個區：正常壓力區、臨界區和低壓告警區。如果壓力低不及時補氣，設備滅弧能力降低，嚴重時會導致隔離開關爆炸。通過邊緣計算節點（物聯分析終端）引導，可將壓力傳感器的信號在邊端分析一次，將結果上傳云平臺，云平臺再簡單分析，將命令返回置邊緣計算節點喚醒微拍裝置，通過遠程監控讀取SF6表計數據，解決了運維人員現場核實信息的麻煩，降低了補氣時間，保證設備安全運行。基于邊緣計算的SF6表計監控具體過程如下：

1）SF6壓力傳感器將采集到的壓力信號實時上送到物聯分析終端，即邊緣計算節點。

2）物聯分析終端再通過邊緣APP 收集數據，將所獲數據與數據庫中開關刀閘設定的壓力值進行對比，智能分析壓力。

3）邊緣計算節點在邊端先進一次AI 分析，若壓力正常，邊緣計算節點無需將數據上傳云平臺，若壓力異常則邊緣計算節點通過VPN 專網上傳云平臺，并通過WiFi傳至邊緣APP。

4）云平臺將接受的異常數據進行二次人工智能模擬訓練，AI設計最優的充氣策略。

5）云平臺根據制定的補氣策略，智能篩選出需要補氣的設備，發出壓力調節命令，省略現場核實環節。

6）云平臺將壓力調節命令下發到邊緣計算節點。

7）邊緣計算節點喚醒微拍裝置（或原有其他監控設備），同時聯動燈光等輔助設施開啟，輔助微拍等監控設備監測。

8）微拍裝置開啟，將SF6表計監控畫面傳至遠程監控后臺，運維人員遠程讀取壓力數據。

目前，基于邊緣計算的SF6表計監測典型應用已在淄博110 kV 變電站得到試點應用。在邊端增補物聯微拍裝置，通過邊緣計算節點對數據匯集、挖掘，并將異常在邊緣APP 中呈現。在SF6壓力檢測過程中，壓力異常自動喚醒和人為控制喚醒監控成功率達到100%，實現了遠程在線智能巡視，減少了運維人員的巡視壓力，實現了主動運維。

上述典型應用可以推廣到站內消防、安防、設備信號獲取等運維巡視領域，通過邊緣APP 獲取站內數據和信號，自動生成運維巡視報表。物聯微拍裝置解決在線智能巡視遇到的巡視盲區多、成本高難推廣的問題，邊緣的物聯分析終端在邊緣側進行初步數據處理和AI 預測，實現了多系統的數據融合。邊緣計算節點只是初步計算、分析設備運行情況，將分析數據上傳至云平臺，更多功能還需要云平臺二次AI 處理并將控制指令下發給邊緣計算節點，控制微拍裝置運行，從而實現數據、智能、應用等協同功能，更好地服務于變電站在線智能巡視功能。

5 結語

研究基于邊緣計算的變電站視頻監控系統，通過物聯微拍裝置和物聯分析終端來對監控數據進行邊緣計算，在構建的基于邊緣計算的變電站監控系統模型基礎上提出了一種優化配置的協作計算法，通過仿真和理論值比較驗證了該方法的有效性，對促進邊緣計算技術在變電站中的應用，提升變電站集控站建設和在線智能巡視推廣速度具有重要意義。在未來智能運檢建設中還需進一步研究邊緣計算的智能識別算法，將所有的運維業務涵蓋其中，進而開發輸配電邊緣計算綜合業務APP，實現電網智能運檢。