基于泛在電力物聯網的智能安全監測系統設計

程天宇，李 龍，林志強

（廣東電網有限責任公司東莞供電局，東莞 523000）

0 引言

隨著現代社會的發展，電力的需求更加旺盛，同時也對電力系統安全性提出了更高的要求。現代電力系統需要更加快速的響應速度，需要實時故障檢測及快速響應。多種能源包括可再生能源接入電網的比例增加，給電網運行的質量和安全帶來了巨大挑戰[3]。五年前，烏克蘭電網被網絡病毒攻擊，導致該國電力短缺，這次世界首發黑客攻擊導致的停電的事件，暴露了電力系統網絡安全的問題，其嚴重程度已成為全球關注的問題。因此，為了提高系統的響應速度以及保證系統的安全可靠性，急需一種不同于以往基于傳統的電力物聯網故障監測系統。為此，泛在電力物聯網的概念隨之出現，國家電網有限公司對“泛在電力物聯網（ubiquitous power Internet of Things，簡稱UPIoT）”的定義: 將電力用戶及其設備、電網企業及其設備、發電企業及其設備、供應商及其設備，以及人和物連接起來,產生共享數據，為用戶、電網、發電、供應商和政府社會服務[3]。

物聯網（Internet of Things，簡稱IoTs）技術一詞最早由麻省理工學院的自動識別（Auto-ID）中心聯合創始人Kevin Ashton提出[1]，并將其定義為：一種物、人、系統和信息資源互聯的基礎設施，結合智能服務，使其能夠處理物理和虛擬世界的信息并做出響應[2]。物聯網的不斷發展，給人類的生活帶來了許多便利，社會上的方方面面也逐漸與物聯網建立起了緊密的聯系，其中物聯網在電力系統上的應用也逐漸普及開來。隨著泛在電力物聯網的提出，不少學者在這方面進行了相關的研究，李宗澤（2019）等提出了一種應用于電力系統變電站高壓設備的在線監測系統，力求將電力系統的在線監測水平提升，然而由于監測的數據較多，類型多樣化，在數據處理速度上有相應欠缺[4]。彭瀾（2020）等為解決目前配電變壓器監測系統在運行中存在的安全性及延時性等問題，基于泛在電力物聯網技術設計了配電變壓器智能監測系統，實現智能終端各類監測設備的安全接入及數據預處理；海量數據的快速安全傳輸、數據共享以及數據的全景展示、統計分析及遠程監控等核心功能[5]。Ding,P（2020）等針對設備電網的可靠性問題，研究了基于物聯網的設備電網監控系統，該系統能夠對設備電網的基本參數、諧波和電壓畸變進行實時監測，對異常監測結果進行實時、快速的處理[7]。Shu，Z（2021）等對物聯網終端安全監控技術的可行性進行研究，以降低潛在風險，改善物聯網終端的安全運行環境，提高物聯網終端的安全防護水平，一是提出了物聯網終端安全保護的技術規范，二是實現對終端安全的統一檢測保護，三是實現終端安全態勢感知和威脅識別[8]。在文獻[9]中Wang J（2022）等針對傳統網絡服務器存在的安全風險，通過研究傳統網絡安全風險指數，分析物聯網的優異性能，研究物聯網在一般場景下的網絡安全保護系統中的有效性，提出了基于無處不在的電力物聯網的全場景網絡安全防護系統。

本文基于UPIoT概念，建立泛在電力物聯網智能安全監測系統。在末端感知層利用傳感器信息優化模型算法，改進系統的響應速度；在邊緣端，結合基于深度學習的邊緣計算，提高了故障檢測準確率。相比傳統的電力物聯網系統，在系統相應速度、數據準確率，降低系統風險等方面有顯著的改進，實現了對于電力系統響應速度的提高以及網絡數據可靠性的提升，可以滿足目前對于電力系統的需求。

1 智能安全監測系統總體架構設計

本文設計的泛在電力物聯網智能安全監測系統包括以下部分：末端感知層、通信接入層以及邊緣計算層，總體設計框架圖如圖1所示。與文獻[10]和文獻[11]不同，在我們的泛在電力物聯網架構中，智能感知與監測體系所處的位置在中下層，可以實現對接高維度、多節點、大規模的復雜系統數據，同時，在極大時間尺度范圍內對電力設備的運行狀態進行監測，保護暴露在室外的各種傳感器、集中器以及通信信道，并滿足基于多元化營銷以及計量業務服務等需求。

圖1 泛在電力物聯網智能安全監測系統框架示意圖

1.1 主站層和通信主干網

主站層主要包括了配基于泛在電力物聯網的智能安全監測系統的主體部分，可以實現對于電力系統數據的遠程監控以及可視化呈現，同時具備數據分析，報錯日志記錄等核心功能。

通信主干網則由骨干傳輸網、無線公網、物聯網子站以及衛星等組成，分別負責不同的邊緣計算層的服務，實現通信與數據傳輸功能。

1.2 邊緣計算層

本文的邊緣計算層將基于深度學習進行實現，相比以往的邊緣計算，有利于數據處理能力以及系統安全性的提高。邊緣計算層是一種分布式的運算架構，可以將不同服務之間所產生的應用數據由中心節點統一計算處理，將原本由一個服務終端處理的數據轉化為更小更多的邊緣計算終端，分布在不同的電力設備當中被用于通信主干網以及本地接入網中間，可以有效的提高計算速度，減少系統的延遲，從而實現高效、安全的大范圍數據傳輸，可以滿足不同類型的傳感器的接入以及不同類型的網絡組成。

1.3 本地接入網

與文獻[6]和文獻[7]不同，我們增加了本地接入網部分，可以實現快速穩定的傳輸海量數據，有利于建立低時延、高速率、大容量、安全可靠的通信系統，方便與5G系統接入結合使用。本地接入網位于末端感知層與邊緣計算層之間，是實現數據與傳感器等設備進行交換的核心環節，其中需要實現雙模微波、電能計量、載波微波、智能控制、智能感知、以太網、異常監測、載波3G、自動化控制、故障指示、采集、載波控制、能效控制、多表合一等諸多服務與功能。

1.4 末端感知層

末端感知層位于整個泛在電力物聯網的智能安全監測系統最底層，由各式各樣的在線監測設備以及智能傳感器組成，可以實時的對設備運行狀態進行全面的感知以及數據收集，具體監測服務包括智能家居/小區/樓宇、多表計量、工業負荷、中壓電網、分布式電源、多能連供設備以及智能冷熱網等。本文的仿真數據主要來源于智能傳感器監測所得的數據，對其模擬仿真的結果在實際工程應用當中具有十分重要的指導意義。

末端感知層是直接測量檢測電力設備故障的主要部分，該層決定了泛在電力感知監測網絡系統的故障的速度和準確率。

2 末端感知層傳感器信息優化模型

為了提高整體泛在電力感知監測網絡系統性能，我們需要進一步對該層進行優化。

2.1 優化模型架構

傳感器信息優化模型的目的在于提高泛在電力物聯網智能感知與監測體系各個子系統之間的信息交互效率，消除現階段傳感器由于生產廠家與所采用的技術不同而導致數據格式存在差異，進而實現數據共享。圖2所示為泛在電力物聯網智能安全監測系統末端感知層傳感器信息優化模型架構。

圖2 末端感知層傳感器信息優化模型架構圖

2.2 設計與優化過程

設計與優化過程遵循IEC 61850-7-4標準[8,9]中的相關設計原則，結合IEEE 1451.4的TEDS[10]思想，完成泛在電力物聯網感知與監測體系末端感知層各種傳感設備的抽象數據模型，可以通過統一通信規約有效的處理不同規格的傳感器數據，提高系統的響應速度以及數據準確率。具體過程如下：

1）基本TEDS。是所有傳感器在執行對數據的上報任務之時必須涉及到的元素，代表著數據的來源，同時，亦為服務器對相應表單的調用提供依據，此外，亦能獲取傳感器邏輯節點類型的有關信息。在該元素中，以64bit全部為0或者全部為1作為預留位，執行對系統的維護與管理任務。

2）標準TEDS。由32bits精簡TEDS與傳感器固有屬性構成。TEDS內容及其數據格式與相關標準相符，其模版需要進行統一制定。各類傳感器均有統一模版，可以統一各個廠商及形態的傳感器數據模型，同時，經由應用服務器執行對這一模版的統一管理任務。按照詳細的TEDS內容將傳感器廠商填寫進去，與早期紙質產品測試報告相類似，目前僅體現在不同的表現形態之上，以電子表單的形式在服務器中存儲。當將傳感器應用于電力系統之中時，需要進行電子表單的填寫，目的有二，其一是為傳感器傳來的數據提供解析依據，其二是獲取傳感器詳細信息。

3）安全防護。以特定的頻率通過異常檢測裝置對傳感器進行信號檢測，當檢測到主網發生故障時，將故障信息傳輸上物聯網云平臺，調用專用基站傳遞相應的處理指令下達給備用服務器，啟動備份網絡，再通過備份網絡控制邊緣計算終端，確保傳感器仍然可以正常運行；當異常檢測裝置沒有檢測到故障信息時，將正常工作狀態信息傳輸上物聯網云平臺，降低對專用基站的帶寬調用，減少能耗，只保留必要的監測數據傳輸，形成環路回流，保證網絡實時運行的可靠性。

4）部署方案。傳感器存在生產廠家不同、語義與數據表達格式也不統一等情況，在數據通信以及數據交互方面表現出比較明顯的復雜性，項目建設的功能量明顯被增加，同時，還有一定程度的浪費狀況發生。為了有效地解決以上問題，在匯聚控制器中進行了本文所提出的傳感器信息模型的構建，以此從語義與數據表達格式上對各種類型的傳感器進行規范與統一處理。基于傳感器信息模型的構建，可以為各種不同類型傳感器的即插即用以及互聯互通提供便利，在很大程度上提高泛在電力物聯網中各種應用體系之間的交互效率。圖3所示為具體的傳感器信息模型部署方案示意圖。

圖3 基于泛在電力物聯網智能安全監測體系的傳感器信息模型部署方案示意圖

2.3 傳感器信息優化模型算法

基于更加精準的物聯網信道模型，降低信息傳輸誤碼率，有效提高數據傳輸速度。基于文獻[15]，在復雜多徑條件下，輸出物聯網傳輸通道模型為：

通過對多個獨立衰落信道進行量化和分解，得到量化均衡的傳輸信道模型為:

在多徑干擾下，在復雜傳感器分布模型下，傳感器節點空間陣列單元分布的徑向距離為d，物聯網下復雜傳感器相互感知的信號接收模型為:

上述優化的信道模型數據傳輸誤碼率更低，數據包的平均跳數明顯減少，時延顯著降低。

3 基于深度學習的邊緣計算

在邊緣端充分利用歷史數據及深度學習，提高故障監測準確率，可以有效的緩解傳統的物聯網數據處理所帶來的龐大冗余的數據量，從而進一步提高系統的響應速度，降低延時，同時由于深度學習神經網絡的特征，可以有效的保證數據傳輸的可靠性，減少數據損失，避免影響系統的魯棒性。深度學習（Deep Learning，簡稱DL）神經網絡采用最陡下降算法（Gradient descent，簡稱GD）進行訓練。我們使用反向傳播（Backpropagation algorithm，簡稱BP）來訓練神經網絡來計算神經網絡代價函數的梯度。其中正則化邏輯回歸，代價函數定義如公式(4)所示[16]

利用智能傳感器監測電力系統的運行狀態，通過監測系統云平臺設定好的參數進行深度感知，將獲取的數據傳輸至邊緣計算終端，將深度學習神經網絡分布在邊緣計算終端的輸出端口進行數據分析，然后將分析結果上傳至通信主干網，這種基于深度學習的邊緣計算結構如圖4所示。

圖4 基于深度學習的邊緣計算結構示意圖

4 模型仿真和結果分析

我們在OPNET仿真平臺上運行末端感知層傳感器信息優化模型，測量系統的響應速度以及數據準確率，驗證系統的性能。通過MATLAB仿真平臺運行基于DL神經網絡的邊緣計算終端，驗證了其數據識別精度相比傳統的IoT系統更高，更加安全可靠。

4.1 基于UPIoT的智能安全監測系統響應速度更迅速

4.1.1 基于末端感知層傳感器信息優化模型數據傳輸更快

根據感知相似原理，采用OPNET對末端感知層進行仿真，仿真參數如表1所示[15]。

表1 模擬參數

其中，3×10km表示節點部署在3km×10km范圍內，將功率調整視為傳輸距離調整，采用三種場景進行對比實驗：場景1（傳統的電力物聯網系統），網絡不進行分層，節點通信距離500m，可用信道數1個；場景2（文獻[15]中的UPIoT系統），網絡分為3層，節點通信調整距離為500/1000/1500m，3個可用信道；場景3（本文的UPIoT系統），網絡分為3層，節點通信調整距離為500/1000/1500m，3個可用信道。網絡中數據包的平均傳輸跳數和傳輸時延的實驗結果如圖5所示。從圖5可知，在實驗仿真節點為50個時，數據包的平均跳數明顯減少，時延顯著降低，由此可見在文本的末端感知層傳感器信息優化模型中，系統響應速度得到有效提升。

圖5 平均數據傳輸跳數

由表2可知，本文的UPIoT系統在采用本文的末端感知層傳感器信息優化模型，對各種類型的傳感器進行規范與統一處理，可以在很大程度上提高UPIoT中各種應用體系之間的交互效率，相比場景1中傳統的電力物聯網只有66.9%，提高了23.6%，相比場景2中文獻[15]中的UPIoT系統提高了4.6%。

表2 三種場景下的最高改善百分比

4.1.2 基于DL神經網絡的邊緣計算終端數據識別精度更高

在實際工程應用中收集到的數據集，其中分為兩份數據集，分別是本文基于UPIoT的智能安全監測系統得到數據集A，以及傳統IoT系統得到數據集B，每個數據集有6000個數據實例。分別對數據集A以及數據集B進行測試。從圖8中可以看出基于UPIoT的智能安全監測系統的數據集A的準確率整體趨勢比傳統IoT系統的數據集B高，其準確率最高為93%，而數據集B的準確率最高為87.8%，得到如圖6所示的測試結果，這說明基于UPIoT的智能安全監測系統響應速度相比傳統的IoT系統更快。

圖6 數據集A和B的測試結果

4.2 基于UPIoT的智能安全監測系統數據傳輸更安全

4.2.1 基于UPIoT的智能安全監測系統與傳統IoT不同層風險比較

在文獻[9]與本文的UPIoT環境下，雖然電網公司等電力系統的運行仍存在一定的風險，但與傳統物聯網相比，安全風險的數量明顯減少。其中，在末端感知層和邊緣計算層下降趨勢尤為明顯。主站層的主要風險是容易受到網絡攻擊。邊緣計算層的主要風險是由于通信方式和網絡協議的復雜性而造成的保護困難，如表3和圖7所示。

表3 UPIoT與傳統IoT的風險比較

圖7 UPIoT與傳統IoT的風險對比圖

4.2.2 基于UPIoT的智能安全監測系統與傳統IoT全天候風險比較

UPIoT的意義，是全天候、無時不刻工作的全場景網絡安全防護系統。因此，其風險安全性遠遠高于傳統IoT。在基于UPIoT的智能安全監測系統下，平均每2小時發生2起安全風險事件，在普通的UPIoT系統下，平均每2小時發生3起安全風險事件，而傳統IoT系統平均遇到10起安全風險事件。普通的UPIoT使其網絡風險降低了70%，基于UPIoT的智能安全監測系統下網絡風險降低了80%，如圖8所示。

圖8 UPIoT與傳統IoT的全天候風險對比圖

4.2.3 基于DL神經網絡的邊緣計算終端數據分布

分別繪制部分數據集的數據點分布圖如圖9所示，可以看出在圖9(a)中，基于UPIoT的智能安全監測系統的測試數據與訓練數據的分布更為一致，而傳統IoT系統的如圖9(b)中，測試數據與訓練數據的分布更加離散，說明基于UPIoT的智能安全監測系統傳輸的數據更加可靠，系統安全性相比傳統的IoT系統更高。

圖9 數據點分布圖

5 結語

本文設計了泛在電力物聯網智能安全監測系統框架。通過采用統一通信規約以及復雜感知通道模型算法，構建了末端感知層傳感器信息優化模型；同時利用基于深度學習的邊緣計算對數據進行優化，進而建立了泛在電力物聯網智能安全監測系統。在OPNET平臺上對末端感知層進行仿真，通過實驗對比可知本文的基于UPIoT的末端感知層傳感器優化模型能有效提升系統響應速度，相比傳統的IoT系統提高了23.6%，相比普通的UPIoT系統提高了4.6%。在基于DL神經網絡的邊緣計算終端，通過MATLAB仿真平臺驗證了UPIoT系統數據準確率最高為93%，而傳統的IoT系統準確率最高為87.8%，相比提高了5.2%。本文的UPIoT與傳統IoT系統相比風險概率分別在末端感知層、邊緣計算層以及主站層降低了85.7%、77.7%以及62.5%，在全天候測試中UPIoT系統相比傳統IoT系統風險降低了80%。最后在基于DL神經網絡的邊緣計算終端數據分布可以看出于UPIoT的系統數據更加可靠。經過以上仿真實驗分析，說明本文的基于UPIoT的智能安全監測系統相比傳統的IoT系統，在系統傳輸速度上更加快捷，同時系統安全性更高。