基于邊緣計算和多傳感器融合的輸電線路監測研究

王志明，李 鵬，韋 杰，劉勝榮，張偉勛，鐘枚汕，李正波

(1.廣東省數字電網技術企業重點實驗室(南方電網數字電網研究院)，廣州 510663；2.上海倍肯智能科技有限公司，上海 200030)

0 引言

隨著我國經濟的不斷高速發展，對電力供應的需求越來越大。因此，電力傳輸線作為電力傳播的重要組成部分，也受到了人們的高度關注[1]。然而一些地區環境較為惡劣，輸電線路受凍寒、強風、降雪等影響較為嚴重，從而導致輸電線路故障。輸電線路作為電力輸送的載體，保障其安全可靠的運行是現代電網建設中關鍵的一環，輸電線路架設在自然環境中，其結構安全與穩定易受自然環境的影響[2-3]。在高溫或異常天氣條件下，輸電線路溫度容易出現波動，導致輸電線路電流瞬間增大，從而對線路穩定性構成威脅，存在線路燒斷、塔架傾倒等風險。通過對輸電線路溫度的預測，可以預判線路的健康狀況，提前調整運維計劃，減少維護成本和停機時間。舞動是輸電導線常見的故障類型之一，導線在一定的攻角和風速作用下容易產生大幅度、低頻的自激振動，即為舞動。當輸電線路發生故障時，不僅影響當地的電力供應，而且往往會引起電網振蕩和破壞電網，導致大面積停電。中國是舞動發生最頻繁的國家之一，進行輸電線路舞動情況的監測研究有助于及時做好災害處理預案，確保供電系統穩定運行，保障社會用電安全[4-5]。研究探究了基于邊緣計算的輸電線路監測系統，采用預測算法和邊緣計算技術來對輸電線路的安全進行監測，以確保輸電線路的安全運行，同時在數據采集方面降低成本。通過該系統能夠實時監測和預警輸電線路的異常情況，確保輸電線路運行的安全性，為相關工作人員提供參考和依據。

1 基于邊緣計算和多傳感器融合的輸電線路監測系統

1.1 基于ARIMA模型的輸電線路監測系統溫度預測功能

輸電線路的溫度預警時存在數據獲取不易、模型復雜度高、誤差累計等問題。自回歸移動平均模型(ARIMA，auto regressive integrated moving average)是一種常用的時間序列預測模型，它能夠對線性數據進行良好的逼近，還能準確地描述時間序列的長期趨勢及其對應的波動情況。針對輸電線路附近的環境溫度情況，研究通過搭建自回歸移動平均模型(ARIMA，auto regressive integrated moving average)來對當地氣溫未來的變化情況進行預測，以此來實現高低溫下輸電線路的異常舞動情況監測及預警。首先以數據為基礎進行自相關和偏自相關分析，判斷數據在平衡方面的性能是否達到要求，若達標則對模型的階數進行確定，否則對數據進行差分操作，經過處理后的數據視其平衡性性能進行參數估計和驗證。若數據符合白噪聲的序列類型則模型可用于預測。ARIMA模型建模流程如圖1所示。

圖1 ARIMA模型建模流程

一般情況下，時間序列的變動規律類型包含不規則的、周期性的、季節性的和長期的，4種變動根據引發變動的因素隨機出現。利用疊加模型對4種變動規律之間相互獨立的關系進行表征，如式(1)所示。

F=L+S+C+I

(1)

式(1)中，F表示最終變動；L表示長期趨勢變動；S表示季節變動；C表示循環變動；I表示不規則變動。利用乘積模型對4種變動規律之間相互影響的關系進行表征，如式(2)。

F=L·S·C·I

(2)

假設Yi序列無法達到平衡方面的標準，然而▽dYi=(1-B)dYi序列的平穩性能較好，利用▽dYi與ARIMA(p，q)模型中的Yi替換，如式(3)。

(3)

式(3)所表示的為ARIMA(p，d，q)模型，d為差分次數。針對平衡性能上有所欠缺的序列，ARIMA模型對其適用性更強。

為了使數據在平穩方面能夠達標，也就是數據平均值為不變的常數，存在方差且為常數，協方差只與間隔存在唯一關系。對于不平穩的時間序列數據，需要對其進行差分處理，通過對一階差分處理后的數值進行平穩性判斷，確定模型差分階數為1。ARIMA模型能夠較好地實現季節性規?；瘮祿慕?，而季節性ARIMA模型則在此之上進一步實現了季節性數據特征狀態的構造，可以用SARIMA(p，d，q)(P，D，Q)m進行表示，其中p指代自回歸(季節性)、P指代自回歸(非季節性)、q與Q都指代最大之后階數(移動性平均算子)；d指代差分次數(非季節性)、D指代差分次數(季節性)。根據殘差ACF和PACF可知，所有之后階數的偏自相關和自相關系數都與0十分相近。如果殘差是白噪聲，則說明所選擇的模型能夠對時間序列的變化規律進行精準識別。當殘差非白噪聲時，則所選模型不能完全將時間序列的變化規律識別出來，在這種情況下，需要通過對模型進行修正來完善數據識別，反映在具體數值上，即當p值小于或等于0.05時則拒絕原假設。該模型以殘差值為基礎進行Q檢驗，得到的p值滿足要求，則模型接受原假設。

該模型對溫度的預測數值整體與真實數值是較為接近的，但預測點在拐點位置處的預測誤差值較大，進而形成對于溫度預測精準度的負面影響。為了提高整體溫度預測的準確性，需要優化極值點的精度，減小預測誤差。因此，需要先確定溫度曲線的極值點，通過斜率相關理論確定曲線的極值點，若判斷點為極值點，則對其進行優化，若判斷點非極值點，則直接輸出初始的預測數值。然后對極值點的相對平均誤差進行計算，若誤差均值大于或等于10%，則對其進行糾正，若誤差小于10%，則直接輸出預測值。確定誤差均值大于或等于10%的點后，以加權平均的形式對處于較前部分的兩個預測點進行溫度值數據處理，并將得到的數據作為得到修正的極值數據，如式(4)所示。

(4)

1.2 基于邊緣計算和多傳感器融合的輸電線路監測系統設計

目前的輸電線路監測系統監測方式較為單一，數據傳輸方式不穩定，且系統維護成本高。為了實現低延遲、高可靠性、多角度多方位的輸電線路監測，研究對基于邊緣計算和多傳感器融合的輸電線路監測系統進行設計。研究通過改進ARIMA模型來對輸電線路附近的環境溫度進行預測和預警，進而構建基于邊緣計算和多傳感器融合的輸電線路監測系統對多分裂超高壓大檔距的輸電線路進行監測。傳統云計算方式在進行大規模數據處理時難以在正確處理數據的同時保證實時化處理的效果。但是邊緣式運算則可以將運算操作設置在數據邊緣部分，這種運算方式一方面可以減輕云端產生的運算壓力，提升數據安全性，另一方面也可以有效降低系統延遲[6-7]。

研究采用Edge X Foundry開源框架作為邊緣計算的基礎架構，它可以在保證信息安全性的同時，有效降低網絡流量消耗和運算過程中的網絡延遲，還能實現系統擴展和自適應，并且它能夠與云端架構形成適用性連接，從而提升自身操作性。研究設計的監測系統架構包括數據采集層、處理層和應用層，具體架構如圖2所示。

圖2 系統整體架構圖

在數據采集層級中，復數種類的傳感裝置式必要的，它們可以對輸電線路運行過程中的氣象變化與舞動形態進行數據采集，相關設備包括多個攝像頭、溫濕度傳感器、紅外傳感器、姿態傳感器及定位傳感器。這些傳感器設備安裝在多分裂導線上，通過感應取電供能。數據處理層的邊緣計算節點能夠對采集到的數據進行運算。數據應用層級以Java作為主要操作語言，并以EasyUI做為主要技術框架，以此為基礎進行輸電線路控制管理體系的開發。以此實現時效性監測、在線查看現場、無線通訊、記錄事件過程、端側AI分析和可視化交互操作等功能。研究設計的系統采用低功耗芯片，具備AI算力；能夠將數據進行本地存儲，提供端側邊緣計算；設備的維護成本降低，能夠適應各種惡劣天氣。

研究設計的系統結合低功耗傳感器監測，觸發攝像頭錄像，并綜合多臺設備數據模擬舞動軌跡。研究將采集到的數據放在邊緣計算平臺的邊緣部分執行運算，該方式能夠在縮減傳輸帶寬，并縮減系統性運算延遲的同時，減輕云端的運算壓力，提升信息安全性。數據采集硬件的主要職責是數據監測，其數據采集面對的是輸電線路所在環境的相關數據，同時它也會對輸電線路舞動變化數據進行收集。采集到的數據通過無線傳輸，在此基礎上還要確保數據傳輸的效率[8]。

1.3 Edge X Foundry邊緣計算平臺構建

Edge X Foundry平臺涉及到硬件和軟件環境選擇、多協議支持、安全性保障、技術集成和可擴展性，需要面對多方面的挑戰，需要綜合的、迭代式的技術路線、開發過程和生態迭代。建立Edge X Foundry平臺需要滿足以下兩個條件：至少具備4 GB的內存、3 GB的硬盤和4核以上的CPU，并對需求事先做好安排。為了讓較多的硬盤空間留存下來，需要考慮傳感器和采集設備的留存時間。在軟件需求上，Git、MongoDB、Eclipse和Java 都是必要的。Git的功能是從 GitHub 庫中提取代碼，MongoDB可以作為元數據庫與設備的連接工具使用，Java則是EdgeX Foundry的微服務語言設計端口，而Go 語言則起到二次封裝的作用。要利用sudo命令來對邊緣平臺進行平滑性處置，則必須啟動相關軟件包升級和安裝系統，并對有關的軟件源進行配置，以便于在 Eclipse 中創建微服務[9-10]。

Edge X Foundry傳輸層的主要作用是構造通信回路，及時推送信息，其由三部分構成，第一部分為傳感器處理構造(溫度、濕度、光照、風速等傳感維度)，第二部分為客戶端，第三部分為Modbus-TCP服務器程序。設備管理模塊注冊和管理傳感器，擴展使用Modbus-TCP協議。信息到達邊緣平臺后，設備服務層則會向核心服務層發送信息，對關鍵詞進行有效過濾，將消息隊列傳輸到擴展服務。擴展服務提取信息傳輸給客戶，或從客戶端訂閱信息[11-12]。

裝置登記服務提供了相關資料的定義、格式以及傳送路徑等服務。與傳感器設備傳送給核心數據服務的全部數據不同，數據定義可以通過定制的數據過濾器來篩選客戶所訂購的相關數據[13]。過濾器包括兩類，一類是通過裝置名稱或 ID 來篩選數據，客戶獲取有效信息的唯一途徑是已登記設備。另一種形式是將數字類別與表達的內容以特定數值的形式來表達。

例如“溫度”用于表示溫度傳感器或其他數字型傳感器。客戶端還可以指定數據的特定格式，JSON格式與XML格式是較為普遍的例子，也可以根據需求來對數據的加密操作和壓縮操作是否執行進行決策[14-16]。

Edge X Foundry 是邊緣計算節點，它屬于該系統的數據處理層，主要用于實現邊緣運算操作。邊緣平臺對傳感器信息進行有效接收，并根據真實性需求來進行時效性運算。為確保數據處理的實時性，動態增容理論模型被放置在邊緣端進行實時計算，計算結果被送至云存儲。Edge X Foundry旨在為IoT節點建立邊界框架，實現互操作性[17-18]。

設備服務主要依賴于核心數據和元數據兩種微服務。在設備初始化之前，需要開啟核心數據和元數據微服務，并按照配置文件的規定來初始化設備，包括設備名稱和值描述符等信息[19]。啟動微服務后，裝置服務將根據配置文件中所寫的信息，記錄到元數據中以進行初始化，配置文件中的 YAML 可按實際需要編制。使用回調應用程序界面可以管理設備實例，支持元數據的微服務。通過配置文件中包含的 GET 命令，可以將數據資源存儲在“虛擬資源”的 H2 庫中。裝置服務每15秒從 H2 庫中提取一份數據，并將其傳輸到核心數據。如果發現傳輸頻率不合適，可以使用YAML進行修改。如果在600秒內無響應，初始化將失敗，可以使用ping命令查看微服務是否已啟動[20]。設備虛擬服務總體流程如圖3所示。

圖3 設備虛擬服務總體流程

研究設計的系統可以將用戶按權限分為兩類，一類是普通型用戶，一類是管理型用戶。普通性用戶的權限以查詢功能為主。而管理型用戶則可以對諸如設備、用戶等信息進行實時化的修改和增刪。兩種用戶均擁實時監測和歷史數據查詢的權限，在這部分兩種權限具有同等級功能。管理型用戶可以對線路數據、終端數據和用戶數據進行管理，而普通用戶僅能管理自身賬號數據。

2 基于邊緣計算和多傳感器融合的輸電線路監測系統的性能分析

2.1 輸電線路監測系統的ARIMA模型性能分析

為了驗證設計系統的有效性，研究對系統的ARIMA模型的預測功能及系統的監測效果進行實驗分析。根據時間序列數據能夠看出輸電線路所處地點的溫度具有一定的周期性，消除溫度數據體現出來的周期性，進而得到偏自相關系數與自相關系數，在此基礎上利用季節性ARIMA模型來擬合時間序列信息。研究在間隔相同時長的12個時間點對系統的ARIMA模型預測效果進行實驗記錄，真實值和模型的預測值如圖4所示。

圖4 ARIMA模型的預測效果

從圖4中可以看出，在預測曲線的整體趨勢上，優化后的ARIMA模型更加接近真實值。圖4(a)中，1、2、6、7時間點上的真實值分別為27.56、26.47、33.85和34.12，而這4個時間點上的ARIMA模型預測值分別為28.45、27.32、31.56和32.14?？梢钥闯觯跁r間拐點上，真實值和預測值之間相差較大，優化前的ARIMA 模型的預測準確性還存在一定的缺陷。圖4(b)中，1、2、6、7時間點上的真實值分別為27.56、26.47、33.85和34.12，而這4個時間點上的ARIMA模型預測值分別為28.05、26.52、32.97和33.89?？梢钥闯?，在相同的時間拐點上，真實值和預測值之間相差較小，對比優化前的ARIMA模型，優化后的ARIMA模型在預測準確性上得到了顯著的提升。決定系數R2是評價模型和樣本的擬合情況的指標，范圍為[0，1]，其值越大則模型擬合度越高，若R2=0，則表明模型與樣本完全擬合。優化前后的ARIMA模型的預測誤差及決定系數如圖5所示。

圖5(a)中，ARIMA模型在6個時間點上的MAE分別為0.678、0.702、0.6940.752、0.736和0.688，其中最小MAE為0.678；ARIMA模型在6個時間點上的MSE分別為0.812、0.824、0.786、0.804、0.791和0.768，其中最小MSE為0.768；ARIMA模型在6個時間點上的R2分別為0.845、0.821、0.782、0.806、0.844和0.767，其中最大R2為0.845。圖5(b)中，優化后的ARIMA模型在6個時間點上的MAE分別為0.506、0.503、0.482、0.513、0.476、0.501，均比優化前的ARIMA模型的最小MAE值更小。優化后的ARIMA模型在6個時間點上的MSE分別為0.682、0.657、0.634、0.688、0.623、0.641，均比優化前的ARIMA模型的最小MSE值更小。優化后的ARIMA模型的R2分別為0.972、0.974、0.981、0.968、0.975、0.984，均比優化前的ARIMA模型的最大R2更大。通過對比可知，研究對ARIMA模型的優化具有顯著的有效性，優化后的ARIMA模型具有優越的準確性和穩定性。

圖5 ARIMA模型的誤差值及決定系數比較

2.2 輸電線路監測系統性能分析

研究在性能分析時主要探討監測系統的預警功能，將輸電線路的舞動情況具體分為6種類型，分別為旋轉舞動、振蕩舞動、側向舞動、繞組舞動、擺動舞動及脈動舞動，將6種舞動類型分別記為舞動類型1～6。對6種舞動類型下的系統預警性能進行實驗分析，結果如圖6所示。

圖6 輸電線路監測系統的預警準確率

從圖6可以看出，監測系統在白天對輸電線路舞動的預警準確率分別為95.5%、96.4%、94.3%、95.7%、96.3%、97.1%，在夜晚的預警準確率分別為93.5%、92.6%、90.9%、92.8%、93.2%、92.7%。通過比較可知，監測系統在白天對不同類型的導線舞動情況的預警準確率均比夜晚要高，特別是在白天對舞動類型6的預警準確率達到了97.1%。監測系統對舞動類型3的預警準確率相對較低，在白天對舞動類型3的預警準確率為94.3%，而在夜晚對舞動類型3的預警準確率只有90.9%，為所有導線舞動類型中預警準確率最低。監測系統對舞動類型6預警準確率的晝夜差異最大，監測系統在白天對舞動類型6的預警準確率為97.1%，在夜晚對舞動類型6的預警準確率僅為92.7%。監測系統對舞動類型1預警準確率的晝夜差異最小，監測系統在白天對舞動類型1的預警準確率為95.5%，在夜晚對舞動類型1的預警準確率為93.5%。結果說明研究設計的輸電線路監測系統具有顯著的準確性和可靠性。輸電線路監測系統的預警響應時間如圖7所示。

圖7 輸電線路監測系統的響應時間

圖7(a)中，監測系統在白天對舞動類型1的響應時間大概集中在1.8 s到2.5 s之間；系統對舞動類型2的響應時間大概集中在1.5 s到2.2 s之間；系統對舞動類型3的響應時間大概集中在1.9 s到2.4 s之間；系統對舞動類型4的響應時間大概集中在1.8 s到2.7 s之間；系統對舞動類型5的響應時間大概集中在1.6 s到2.4 s之間；系統對舞動類型6的響應時間大概集中在1.8 s到2.7 s之間。通過總結可知，監測系統在白天的響應時間基本集中在1.5 s到2.7 s之間，其中對舞動類型4和類型6的響應時間較長，對舞動類型2的響應時間較短。 圖7(b)中，監測系統在夜晚對舞動類型1的響應時間大概集中在2.8 s到3.6 s之間；監測系統在夜晚對舞動類型2的響應時間大概集中在2.6 s到3.4 s之間；監測系統在夜晚對舞動類型3的響應時間大概集中在2.4 s到3.2 s之間；監測系統在夜晚對舞動類型4的響應時間大概集中在2.6 s到3.4 s之間；監測系統在夜晚對舞動類型5的響應時間大概集中在2.4 s到3.2 s之間；監測系統在夜晚對舞動類型6的響應時間大概集中在2.4 s到3.3 s之間。通過總結可知，監測系統在夜晚的響應時間基本集中在2.4 s到3.6 s之間，整體響應時間明顯比白天更長，其中系統對舞動類型1的響應時間較長，對舞動類型3和5的響應時間較短。結果表明研究設計的輸電線路監測系統在白天對導線舞動情況的預警更加迅速和準確。

3 結束語

為了確保供電系統穩定運行，保障社會用電安全，研究設計一種基于邊緣計算和多傳感器融合的輸電線路監測系統。研究設計的系統架構包括數據采集層、處理層和應用層，利用攝像頭、紅外傳感器、溫濕度傳感器等多種傳感器進行數據采集，并設計ARIMA模型對輸電線路附近的氣象情況進行監測和預測，進而實現對導線監測的系統輔助，并利用邊緣運算來處理得到的數據，從而得到監測結果。結果顯示，優化后的ARIMA模型的最小MAE為0.476，最小MSE為0.623，最大R2為0.984，均比優化前的ARIMA模型表現更優。監測系統在白天對線路舞動的最高預警準確率達到了97.1%，在夜晚的最高預警準確率達到了93.5%；監測系統在白天的響應時間基本集中在1.4 s到2.8 s之間，在夜晚的響應時間基本集中在2.4 s到3.6 s之間。實驗結果表明研究設計的輸電線路監測系統對導線舞動的預警性能具有顯著的準確性和可靠性，但其在白天的監測效果比夜晚更好。研究設計的系統利用ARIMA模型對輸電線路環境溫度進行預測，并結合邊緣計算和多傳感器對輸電線路進行監測，實現了低延遲、高可靠性、多角度多方位的輸電線路監測，在保障線路安全運行的同時為電力工作人員提供了參考和依據。