基于云平臺的變電站地下水管泄漏監測系統的設計

尹習偉，尹藝霏，王佳科，李 寧，劉 明

（1.國網山東省電力公司建設公司，山東 濟南 250000；2.山東科技大學電氣信息系，山東 濟南 250031）

0 引言

變電站地面以下存在大量站內外給排水、消防水管道，當管網在長時間運行中發生泄漏卻不能及時發現并進行修復時，隨著泄漏程度的加重，可能會導致如管路運行不暢、局部積水、沖毀設備與建筑物基礎周邊土石，影響地基基礎的穩定，威脅設備運行的安全性，影響換流站水冷系統的正常運行，給換流站整體安全穩定運行帶來隱患等問題。因此，及時地對水管進行泄漏點檢測和修復是變電站安全穩定運行的必然要求。

目前，地下水管泄漏檢測方法主要是主動檢漏法，該方法基于人工利用各種檢漏方法及儀器對管道漏水進行檢測。常用的主動檢漏法主要包括：音聽法、相關檢漏法、區域泄漏普查系統法、紅外線成像法、示蹤放射性元素法以及探地雷達法等［1-5］。然而，上述方法均須由專業人員利用儀器設備完成，檢測的準確性受檢測人員、檢測儀器、環境干擾等多種因素的影響；不能實現實時在線泄漏檢測與定位，因此無法保證大面積的管網泄漏檢測的及時性和泄漏點定位的準確性。對于變電站地下水管的泄漏檢測一般是基于管道壓力的下降進行的。該方法存在不足：1）泄漏初期管道壓降幾乎不變，因此對泄漏初期的微弱滲漏無法及時做出判斷；2）當壓力變化到足以做出泄漏判斷時，只能確定泄漏管道的編號，無法判斷發生泄漏的具體位置。因此，為定位泄漏點，只能通過沿管道進行長距離、大面積開挖來定位和修復泄漏點，從而造成了大量的人力、物力和財力浪費。

目前國內針對地下水管泄漏檢測及定位方法的研究很少。袁榮華等［6-8］基于管道泄漏負壓波，提出了一種供水管網泄漏檢測定位方法。張樹風等［9-14］研究了利用探地雷達獲取水管周圍介質的變化來確定泄漏位置的方法。這兩種方法在實際中受管材和環境因素的影響很大，僅適用于短距離管道區域性泄漏檢測。馮繼東等［15-17］研究了一種通過采集泄漏產生的聲波信號進行泄漏檢測定位的方法。孟克等［18-21］研究了利用光纖測溫對水管進行泄漏檢測的方法。然而，由于上述方法采集到的信號都存在大量干擾，因此對濾波處理的要求很高，實踐中不容易實現。此外，由于干擾會隨環境而改變，濾波處理的方法也必須相應改變，這大大限制了系統的實用性。

針對這一現狀，基于騰訊云平臺，設計通過檢測水管周邊的阻抗進行泄漏檢測定位的系統。該系統利用檢測所獲取的地下水管兩側的阻抗信息，結合數據挖掘技術，通過分析阻抗變化的特征，實現對地下水管泄漏的檢測以及定位。

1 系統的總體設計方案

系統總體架構如圖1 所示。主要由信號檢測級、信號傳輸級以及信號分析級三部分構成。信號檢測級主要完成對沿水管兩側敷設的電極的阻抗信息、供電電池電量信息的采集以及無線上傳等；信號傳輸級負責向底層的多個信號檢測級不斷請求、匯總檢測數據并將這些數據通過4G 傳輸模塊上傳至云端服務器；信號分析級將來自底層數據進行存儲并利用數據分析技術實現對泄漏點的檢測、定位及電池更換指示等功能。

圖1 系統的總體組成架構

2 系統的硬件設計

2.1 嵌入式土壤阻抗采集系統

嵌入式土壤阻抗采集系統組成如圖2 所示。主要由嵌入式單片機系統、信號取樣、濾波及控制電路、電源變換及檢測電路、LoRa無線通信模塊等組成。

圖2 嵌入式土壤阻抗采集系統組成架構

2.1.1 取樣、濾波及控制電路

電極對被布置在水管的兩側，如圖3所示。由于土壤顆粒中含有游離狀離子，在施加電場激勵時，游離的離子會發生定向運動，從而使土壤呈現出阻抗特性。水管發生泄漏后，土壤的水分會發生變化，水中的雜質含有很多離子，離子數量也發生變化，從而影響土壤的導電性能，因此阻抗發生變化。測量電路正是基于這一原理設計的。

圖3 電極布置

信號取樣電路如圖4 所示，其中，R1和C1分別為布置在水管兩側的兩個電極間土壤的等效電阻與等效電容，R2為取樣電阻。當加在電極1 的激勵信號頻率較低時，由于等效電容C1很小，產生的容抗很大，電極間的阻抗近似為R1。為簡化系統的電路設計與分析，實際應用中采用直流激勵信號。電路中增加小電容C2是為了濾除采樣信號中的高頻干擾。為避免不同電極間同時施加激勵信號對采樣信號的相互干擾，系統利用多路模擬電子轉換開關CD4067實現對激勵信號的分時加載。

圖4 信號取樣電路

考慮系統的實際應用場所為變電站，工頻50 Hz交流干擾的影響不可忽略，因此為采集信號設計了圖5 所示的雙T 陷波濾波器電路。其中CD4067用于完成對多路采樣信號的分時切換，TLC27L2 為單一+5 V供電的微功耗運算放大器。

圖5 陷波濾波器電路

該陷波濾波器的中心頻率f0表示為：

式中：C3、C4、C5為陷波濾波電路中的電容值；R3、R4、R5為陷波濾波電路中的電阻值。

2.1.2 低功耗LoRa無線通信系統

信號檢測級與上層的數據集總系統之間需要傳遞檢測信息。為減少多個信號檢測級之間的通信及電源布線，該系統采用電池供電結合無線通信的方案。為降低功耗，提高電池的待機能力，系統設計中采用了基于擴頻調制射頻芯片SX1278 的LoRa 無線通信模塊E32-433T20DC。該模塊具有通信距離遠、抗干擾能力強的優點，支持定點發射、空中喚醒功能，在休眠狀態下的工作電流僅為0.2 μA，適用于電池供電系統。本著低功耗設計的原則，設計選用了采用增強型8051 內核的宏晶STC15L2K60S2 單片機作為信號檢測級的主控MCU。該單片機無需外部晶振和復位，內部集成有高速10 位A/D 轉換器及硬件看門狗，在掉電模式下的電流小于0.1μA。

單片機與LoRa 無線通信模塊的基本接口電路如圖6所示。

圖6 單片機與LoRa無線通信模塊接口

2.2 數據集總系統

該部分的功能是實現底層信號檢測級與云平臺端信號分析級的信息交互。一方面，要定時通過LoRa 無線通信模塊分別向底層信號檢測級的從機索取檢測數據進行匯總，將匯總后的數據按照規定的數據傳輸協議通過4G 模塊傳輸至云服務器。另一方面，也會接收來自云服務器的指令并傳送至底層的信號檢測級。對于LoRa 無線通信模塊以及MCU，本部分采用與信號檢測級相同的設計方案；系統與云服務器的信息交互是利用有人物聯網的WHLTE-7S1 模塊進行的。借助該模塊，可以利用LTE Cat-1和GPRS網絡實現串口設備與網絡服務器的數據交互。與傳統的GPRS模塊相比，該模塊基于現有運營商的4G 網絡，具有上下行傳輸速率高、實時性強、網絡覆蓋面廣、數據傳輸可靠、配置簡單等優點。模塊與MCU的基本接口電路如圖7所示。

圖7 單片機與4G通信模塊接口

實際應用中只須設置好模塊的工作模式、網絡服務器地址、服務器端口、連接類型以及串口通信參數等就可以輕松實現串口設備與網絡服務器的數據透傳。需要指出的是，數據集總系統起到的是上下聯絡作用，需要長時、連續工作，而且在每一個變電站僅有一個，因此設計中采用有線供電模式。

3 系統的軟件設計

3.1 采樣數據處理算法

3.1.1 基于卡爾曼濾波的采樣數據處理

盡管為消除變電站內工頻50 Hz的交流干擾，系統的硬件電路已經設計有專用的陷波濾波器，但實際的系統仍然會存在眾多因素導致測量信號有較大誤差。例如電網頻率的波動變化、激勵信號受到干擾產生變化、變電站內的雜散干擾以及信號切換的噪聲等隨機干擾都將帶來測量誤差。為了盡量減少這些誤差對后續泄漏檢測分析產生的不良影響，本設計在信號采集后采用離散卡爾曼濾波對采樣信號進行處理。

卡爾曼濾波的原理是通過構建狀態方程和觀測方程，實時最優估計系統的狀態。卡爾曼濾波包含預測與校正兩個過程。預測過程是濾波器利用上一狀態的估計值預測當前狀態值；校正過程是濾波器利用對當前狀態的觀測值修正當前的預測值，以獲得更接近真實值的新估計值。該系統采用一維阻抗信息測量的卡爾曼濾波，則系統的狀態和觀測方程可表示為

式中：X(k)為k時刻的阻抗值；W(k)為k時刻方差為Q的過程噪聲；V(k)為k時刻方差為D的測量噪聲；Z(k)為k時刻阻抗的觀測值。

利用k-1 時刻的阻抗值預測k時刻的阻抗，則當前k時刻的預計偏差P(k)表示為

式中：P(k-1)為k-1時刻的測量偏差。

卡爾曼濾波增益K可表示為

k時刻的阻抗估計值(k)為

式中：(k-1)為k-1時刻的阻抗估計值。

則下一時刻的預計偏差為

卡爾曼濾波器不斷地把方差遞歸，從而估算出最優的阻抗值。

3.1.2 中位值平均濾波算法處理

采集的數據經卡爾曼濾波處理后仍然有一定程度的上下浮動變化。鑒于為進行卡爾曼濾波處理已經進行了多次采樣（實際采樣時間間隔為1 ms，共采集50 次），為了進一步濾除可能存在的脈沖性干擾引起的采樣偏差，設計中又采用了中位值平均濾波算法對卡爾曼濾波后的數據做了進一步處理，濾波后的采樣值可表示為

3.1.3 嵌入式阻抗采集系統軟件設計

該單元系統的作用是接收來自數據集總系統的數據請求指令，根據需要完成對多路阻抗信息的分時采集、濾波處理與無線上傳。從低功耗原則出發，系統完成信息采集及傳輸后要及時進入低功耗休眠模式，直到再次被喚醒。其軟件工作流程如圖8所示。

圖8 數據采集系統程序流程

3.2 數據集總系統的軟件設計

數據集總系統主要完成兩個方面的功能。一是通過輪詢方式喚醒并向底層的信息采集系統請求檢測數據；二是將這些數據按照一定的協議和規則進行封裝并傳輸至云端服務器。為防止在輪詢請求數據過程中因干擾、底層節點故障等原因造成程序始終處于接收等待狀態，程序設計中還專門設計了通信超時響應機制。在規定的時間間隔內，如果底層節點沒有響應，則會繼續呼叫并等待其響應，若呼叫3次仍得不到其響應，則該節點將會在后續的輪詢中被掛起，對應的故障信息將會被上傳至云服務器，直到該故障被排除并被確認重新工作。其軟件工作流程如圖9所示。

圖9 數據集總系統軟件流程

3.3 云服務器端的軟件設計

系統采用Nginx框架搭建云服務器，架構如圖10所示，實現了用戶的注冊、登錄、密碼修改、數據可視化、歷史數據查詢、泄漏故障檢測、預警及查詢確認等一系列功能。

圖10 云服務器架構

云服務器端軟件系統包含三部分，分別是influxDB 時序數據庫、MySQL 關系型數據庫、數據處理程序。時序數據庫專門用于存儲底層系統采集到的原始數據。關系型數據庫用于存儲一般數據。數據處理程序用來監聽端口并響應請求，對外提供3 個操作接口：用于接收底層上報數據的IoT Connect Handler、服務于數據查詢的RESTful API 以及用于實時下發數據的WebSocket。瀏覽器訪問平臺后，會自動建立WebSocket連接并在程序中注冊一個客戶端。當有底層上報數據時，會首先根據自定義的數據格式和傳輸線協議，將數據解析并存儲到時序數據庫中，同時觸發漏水檢測邏輯，并將判斷結果和最新數據向程序中注冊的所有瀏覽器客戶端發送。軟件流程如圖11所示。

圖11 云服務器軟件流程

4 系統測試與結果

將四對電極沿Φ50 mm規格聚氯乙烯管兩側依次順序布置，并將信號輸入至4個基于LoRa通信的嵌入式土壤阻抗采集系統節點。啟動所有節點及數據集總系統，其中嵌入式單片機系統串口與LoRa 無線通信模塊以及4G模塊的通信波特率均設置為9 600 bit/s。

底層的嵌入式土壤阻抗采集系統節點收到數據請求指令后，對其中的某一路傳感器按間隔1 ms 的頻率連續采集的50 次數據與卡爾曼濾波處理后的數據進行對比，如圖12所示。

圖12 采樣數據濾波效果對比

通過圖12 可以明顯看出，原始的測量數據變化范圍較大，如果直接利用這些數據進行泄漏分析與預警，很容易出現誤判斷的情況。而采用卡爾曼濾波后，數據曲線的波動范圍顯著顯小，這表明采用卡爾曼濾波對本系統中的無關噪聲的濾除效果明顯，進一步證明了采用該方法的可行性和必要性。

利用電腦瀏覽器登錄相應的網址進入圖13 所示的系統登錄界面，輸入正確的用戶名及密碼可進入圖14 所示的主界面。主界面主要包括：實時檢測數據展示模塊、底層節點狀態及數據傳輸信息模塊、泄漏故障預警定位模塊、用戶管理模塊、歷史數據查詢模塊、故障檢測定位算法設置模塊等。

圖13 系統的登錄界面

通過圖14可以看到各節點對應的土壤阻抗信息都被實時顯示。將節點23的電源切斷，12 s后，故障顯示模塊的問題由狀態“0”，變為了狀態“1”，查看故障類別為“節點23離線”。在節點23對應的一對電極間澆水以模擬漏水的過程，10 s后通過實時顯示曲線可以發現該電極檢測點對應的阻抗數據明顯增大，同時故障顯示模塊的問題由狀態“0”，變為了狀態“1”，故障類別為“與節點23關聯的檢測點存在漏水風險”。

圖14 系統主界面及故障指示界面

為測試系統的性能，又對其他的三對電極進行了漏水檢測以及其他29 個檢測節點的斷電測試，結果系統都能準確確定故障的類別及關聯節點。測試結果表明該系統運行穩定，能夠準確可靠地實現對地下水管泄漏故障的檢測與定位，有很強的實用性。

5 結語

針對目前變電站地下水管泄漏檢測的現狀和實際應用需求，設計了一種基于云平臺的變電站地下水管泄漏檢測系統。該系統依據采集到的埋地水管兩側土壤的大量阻抗數據，結合LoRa 無線通信技術、4G 網絡傳輸技術、數據分析與挖掘技術及云平臺服務器，精準地實現了對變電站埋地水管的實時泄漏監測、分析、定位。測試結果表明，系統工作可靠、穩定且實用性強，在地下水管泄漏監測領域具有很好的推廣應用前景。