基于邊緣計算的電力檢修數據融合識別技術

張秋雁，周洪波，代吉玉蕾，鄧鑰丹，張崇海

（1.貴州電網有限責任公司電力科學研究院，貴州貴陽 550002；2.貴州泛聯信息技術有限公司，貴州貴陽 550022）

電力系統的建設包含了各種先進技術，其覆蓋的領域很多，如通信技術、網絡技術、計算機技術等，因此需要結合邊緣計算定義與其技術特點，解決發生故障的電力系統。電力系統管控在用戶與配電網、變電站之間的電力輸送、轉運等重要操作環節中扮演關鍵性的角色，電力系統直接影響用電用戶的體驗感以及配電網的供電質量。隨著我國電力系統不斷完善，電力系統所管控的數據越來越多，電力系統一旦損壞，人們的生活會受到嚴重影響，因此對于電力系統檢修的研究十分重要。

電力系統所需處理的數據種類繁多，性質難以確定，電力系統的損壞因素有多種，因此需要將這些數據和因素進行數據融合，相關領域學者針對數據融合進行了較多的研究。文獻[1]提出的卷積神經網絡的電力檢修，通過卷積神經網絡來提升檢修的準確率和識別效率，但此方式只適用于固定的幾種損壞因素，并不適用于全部的電力系統問題的修復，因此不適用于修復電力系統。文獻[2]提出了變電站自動化系統時間同步協同攻擊的檢測與防護方法，通過智能機器人來對電力系統的損害因素進行分析并提出解決方案，但此方式造價過于昂貴，不適用于大面積的普及使用，因此不適用于電力系統的修復。

對于電力系統損害的修復，數據融合識別是最實用的方案之一，因此該文基于邊緣計算研究了一種新的電力檢修數據融合識別技術。

1 基于邊緣計算的電力檢修數據融合

利用邊緣計算的理念，將檢修數據由中心節點轉移到邊緣節點中，建立基于邊緣計算的分散式運算架構，采用廣義冪變換的多源數據進行分散化處理[3-4]。

通過建設基于邊緣計算的分散式運算架構，可有效尋找電力系統在運行時發生故障的因素，基于邊緣計算的分散式運算架構如圖1 所示。

圖1 基于邊緣計算的分散式運算架構

觀察圖1 可知，設定變換矩陣，分析其特征，選擇標準化變換方案進行多源數據分散化處理，匯聚數據處理結果，提取特征屬性，計算特征屬性集合函數值，并建立信任區間，完成數據融合[5-6]。分散式運算架構作用于末端的電力運行設備以及監測設備之間，在充分考慮不同數據信息間的特征屬性的關聯程度后，將應用程序、數據資料與服務端的運算分隔開，分散式運算架構并不只是單純地將數據進行分隔，同時可以完成電力系統中的多源異構信息數據量綱與量級的處理與轉換[7-8]。

電力系統運行過程中，不同數據源的特征性質不同，其量綱、數量級存在較大的差別。為分散由于各種不一致原因而造成的電力系統損傷，該文對損壞數據源進行分散化處理。

針對電力系統大數據分析的時序化因素特點，加入基于廣義冪變換的多源數據分散化處理方法。通過假設主數據庫的異化數據為遵循正態分布法則的數據因子的方法，解決連續響應且損壞數變量不滿足正態分布規律的情形，從一定程度上減少電力系統正常運行在出現故障時數據源不一的問題，確保基于邊緣運算的分散型運算架構平穩運轉，更好地分隔應用程序和數據資料[9-10]。數據融合過程如圖2 所示。

圖2 數據融合過程

根據圖2 可知，通過計算機進行數據控制，利用迭代處理實現數據匯總，同時使用管理服務器、數據識別器、內部服務器管理電力檢修數據。由于電力系統故障的數據多為多源異構形式，為保證應對不同源的信息數據均能實現變換處理，該文設置不同的應對方案，根據選定的多源性處理方案，對數據進行迭代處理，直到任務輸出的數據保持一致后，進行輸出保存。

通過基于邊緣計算的分散式運算架構，結合廣義冪變換的多源數據分散化處理，達到將電力檢修故障發生時產生的故障因素分割開來，并將其進行分散化處理，為下一步的數據識別提供支持[11-12]。

2 基于邊緣計算的電力檢修數據識別

通過分散式運算架構和廣義冪變換的多源數據分散化處理，將數據匯總，根據匯總結果實現融合，在融合之后，對數據進行識別。建立邊緣計算模型如圖3 所示。

圖3 邊緣計算模型

根據圖3 的邊緣計算模型完成計算下行遷移、數據緩存、數據處理、請求分布、服務分布、IoT管理和隱私保護，將原本完全由中心節點處理的大型服務分解，切割成多個小型服務，并更加容易管理，將這些分散后的小型服務分布到邊緣節點處理[13]。

該文采取減少數據交互中雜質的方式減少邊緣節點的數據響應問題，根據電力檢修的技術請求進行數據交換。邊緣計算服務器為每個小型服務提供數據轉移，通過邊緣算法進行改進，在電力檢修技術請求中尋找最佳的服務節點進行標記、轉移。在電力檢修技術請求中，將每個請求的節點當作出發原點。節點到轉移節點的調度算法如式（1）所示：

其中，Z表示算法復雜度；W表示數據產生點集；U表示邊緣節點；Q表示設備處理節點；反應時間為T；任務量為M。

根據式（1）可尋找最優節點，因為W包含了電力檢修請求的節點即初始點，且請求數據量M是從初始點中開始傳輸的，因此有：

根據式（2）完成尋找最優節點。

在電力系統中，由多個因素引起的連鎖故障危害巨大，常常不可控制。由于無法確定所有故障因素，所以在維修故障過程中無法清除所有故障因素，導致故障不斷發生，損壞電力系統[14-15]。因此，需要將故障因素進行數據融合，采用邊緣計算的冗錯算法設計拓撲結構，將電力系統網絡與故障信息采集系統完成數據共享，實現不確定信息的閉環融合，在連鎖故障發生時，提取兩次運行節點數據R1、R2，對數據進行初步的分散，并通過式（3）進行計算：

根據式（3）完成對故障數據的篩查，通過將故障信息分散到邊緣節點處理，實現對電力系統的檢修。該文采用全量抽取對該部分數據進行處理，經過抽取以后，數據格式與發生檢修數據請求的格式相同，為了保持數據的一致，對于數據源要時刻保持監控狀態，以便發生故障時工作人員能夠立即進行抽取篩查[16]。

基于電力系統通用服務器設計邊緣節點，并采用網絡虛擬化的形式作為檢修數據請求的流入端，冗余數據的加入，使得連鎖電力系統故障得以控制，利用邊緣計算為電力系統檢修進行優化，為數據融合識別技術在電力檢修中的穩定運行提供保障。

3 實驗研究

為了驗證該文提出的基于邊緣計算的電力檢修數據融合識別技術的實際應用效果，選用該文提出的識別技術和傳統的卷積神經網絡電力融合技術和變電站自動化系統時間同步協同攻擊的檢測與防護方法進行實驗對比。

設置實驗參數如下：工作電壓為200 V，工作電流為150 A，操作系統為Windows10，操作次數為10次，工作頻率為220 Hz。

實驗過程使用的配電網如圖4 所示。

圖4 配電網結構

根據圖4 的配電網結構進行實驗，數據融合結果如表1-3 所示。

表1 配電網數據融合結果

表2 終端監測數據融合結果

表3 環境信息數據融合結果

根據上表可知，該文提出的基于邊緣計算的電力檢修數據融合識別技術通過對原始數據進行標準化處理來分析數據之間的關系，確定數據格式，實現統一變換，該文研究的識別技術對數據特征取值絕對值在0～1 之間，能夠很好地消除由于檢測過程中出現的不一致信息所帶來的限制，而傳統的融合識別方法在檢測過程中元素絕對值取值超過1，很容易受到不同因素限制，難以實現信息的深度挖掘。造成這種現象的原因是，該文設計的邊緣計算技術將核心節點處理的事務分散到各個邊緣節點來進行處理，確保邊緣節點更靠近用戶終端，更方便高效管理，達到加快處理資料的目的，提高了資料傳輸的速度。識別準確率實驗結果如圖5 所示。

根據圖5 可知，該文提出的基于邊緣計算的電力檢修數據融合識別技術的識別準確率與傳統方法相比提高了20%～50%。在電力系統檢修的大背景下，對檢修數據進行融合識別，其設計思想都是通過邊緣計算相比于傳統方式的優點建立而成。在進行數據信息融合識別時，該文設計的技術能夠保留各個信息的優勢。在檢修數據請求的節點建立中，存在拓展結構，在對數據信息分散化的同時，將網絡側減壓部分加入其中，使得分散到邊緣節點處理的檢修請求不給電力系統造成過大的數據處理壓力。

4 結束語

電力系統維修是電力系統研究領域方向之一，優良的電力系統維修方案能推進電力系統領域的整體發展，帶給用電用戶更好的體驗感，并節省了大量過去維修所花費的不必要的資金，該文提出的電力檢修數據融合識別技術通過邊緣計算進行數據分析，完成數據識別，該技術可有效解決電力檢修中存在的問題，以期為后來學者在該領域的研究提供有效參考。