ARM+FPGA雙核計算的配電自動化終端設計

鄭軍生,楊俊哲,許文秀,吳宏偉

(內蒙古電力(集團)有限責任公司烏海電業局,內蒙古 烏海 016000)

0 引言

隨著我國科學技術的不斷進步、發展,社會對電力資源的需求量也日益提高。為了滿足社會的需要,我國現有的電力系統亟需提升、完善。配電自動化系統是我國電網行業架設系統中非常重要的一部分。該系統的穩定性直接影響電力系統的整體運行情況。但是現有的自動化終端無法進行高效的運維管理,工作效率不理想。因此,如何實現配電自動化終端調試,成為亟待解決的技術問題。

為了優化配電自動化終端的效率,文獻[1]提出一種對開關設備的檢測設計方法。該方法通過對線路數據的分析判斷實現故障檢測。該方法雖然能夠在一定程度上實現故障的迅速定位,但是無法實現調配數據信息的分析。文獻[2]結合硬件設計和人工智能技術,對傳統的自動化終端進行升級,但是無法滿足目前電力行業對精確度的要求。文獻[3]所設計的技術方案引入了新興的大數據算法,但其終端大數據處理能力較差、數據分析能力滯后、整體工作效率不高。

針對以上問題,本文提出了ARM+現場可編程門陣列(field programmable gate array,FPGA)雙核計算的配電自動化終端。在計算過程中,該終端能夠在常規堆疊式自動編碼器(stacked autoencoder,SAE)深度學習模型的基礎上進行改進設計。該設計融合無限深度神經網絡(neural network,NN)結構,在應用過程中改善了傳統NN對分層節點數目的限制,提高了配電網數據信息的分析精度,大幅提升了電網應用對數據信息處理的準確度和效率。

1 配電自動化終端硬件設計

為了提高調試硬件結構的設計能力,本文設計的配電自動化終端核心采用TI公司的ARM Cortex-A8系列32位芯片和FPGA模塊。其數據處理能力較快,工作效率較高。配電自動化終端調試硬件結構如圖1所示。

圖1 配電自動化終端調試硬件結構示意圖

在圖1設計中,控制中心采用中央處理器(central processing unit,CPU)模塊,以實現原始配電數據信息的采集、處理、上送以及控制、執行等功能。設置CPU板的目的在于實現調度數據信息的采集、控制和交互。CPU模塊的主處理器采用TI公司生產的ARM Cortex-A8系列單片機。該單片機采用32位精簡指令集計算機(reduced instruction set computing,RISC)微處理器芯片AM3359。在運行過程中,該芯片采用的主頻信息最高為720 MHz。該芯片的接口資源信息比較多。在諸多接口設計中,通過XILINX公司的Spartan-3系列芯片XC3S250E,接口芯片FPGA可以實現快速計算。其中,通信接口包括以太網、RS-485、RS-232、通用分組無線通信服務(general packet radio service,GPRS)以及控制器局域網絡(controller area network,CAN)等。在這些接口中,采用的通信規約有Modbus、IEC 61850、IEC 104以及自定義通信規約。通過設計CPU和FPGA雙核控制模塊[4-5],提高了數據計算能力。采用這種硬件結構的優勢在于現場邏輯可編程,靈活度和擴展性較強。

為了更好地處理電力數據、保證配電自動化的準確度,本文設計了帶通濾波器。帶通濾波電路如圖2所示。

圖2 帶通濾波電路圖

由圖2可知,帶通濾波電路能夠將電阻和電感相互配合,從而選取系統所需頻率段的電力信號,并通過放大器對信號進行放大。通過這種帶通濾波電路設計可以濾除雜波,進而實現整體系統的信號檢測。帶通濾波在電路圖中經過一次濾波、放大后,還能夠經過二次濾波、放大,以進一步實現對電力信號的處理,大幅提高系統計算準確度、減小配電自動化終端的誤差。

為了加強系統的數據通信功能,本文設計了高效通信模塊。高效率串口通信電路系統中的串口通信模塊在具體工作過程中,采用MAX232AEJE芯片作為基礎,通過電容對電流數據進行處理。而MAX232AEJE芯片的端口能夠支持高速串行、并行字節等數據信息接口,并且通過多排轉換接口實現多設備要素的接入;同時,對多組設備的數據流進行交接可大幅提高保護電力數據的穩定性、提升整個配電自動化終端的數據處理效率。高效率串口通信電路如圖3所示。

圖3 高效率串口通信電路圖

2 改進型SAE-NN深度學習模型數據分析方法

在調試配電網數據信息時,本文采用了改進SAE-NN深度學習模型的方法。這種方法能夠通過微觀分析的方式處理輸入的多維度數據信息,以此提升系統整體的處理和分析能力,具有很高的適用性。該方法需構建改進 SAE-NN深度學習模型。改進SAE-NN深度學習模型如圖4所示。

圖4 改進SAE-NN深度學習模型示意圖

圖4中,受限波爾茲曼機(restricted Boltzmann machine,RBM)電力系統在對配電網上的數據信息進行調度時,很容易受外界多種因素影響而導致電力負荷出現故障。本文在常規SAE-NN深度學習模型的基礎上加入無限深度NN結構。采用該結構的目的是模擬出擁有人腦神經結構的機器學習方法,從而改善傳統NN對分層節點數目的限制。改進SAE-NN深度學習模型[6]主要包括SAE和NN模型。

本文設置當前學習模型自編碼隱藏層為l、其輸出信息為h(l)、下一個自編碼隱藏層(l+1)的數據信息輸入為x(l+1),則輸入信息為:

x(l+1)=h(l),l=1,2,…,n-1

(1)

式中:n為底層SAE模型中自編碼器的數量。

在新型算法模型中,本文選擇S型生長曲線非線性神經元作為該模型的輸出節點。本文利用SAE對輸入配電網數據信息樣本x(l)作細化分解,并將輸入函數展開多次變換,則數據算法模型輸入樣本為n階特征h(n)。本文將這些數據特征作為邏輯回歸(logistic regression,LR)模型的數據輸入,并通過該模型進行配電網負荷能耗預測。

配電自動化終端調試方法流程如圖5所示。

圖5 配電自動化終端調試方法流程圖

通過SAE模型輸出LR模型不同階層的特征。本文將這些配電網負荷數據信息輸入無限深度NN模型[7-8],使得每個神經元數據信息都能夠構成自身反饋,并能夠根據配電網負荷數據信息的時間特征信息提取輸入端輸入的配電網負荷數據信息的時序特征。通過時間維度的方式將每個NN上的神經元節點展開,以提高配電網數據信息的分析精度。在所選擇的時間維度上,改進 SAE-NN深度學習模型中的網絡模型可以“無限深”[9-10]。

基于上述改進型SAE-NN深度學習模型的構建,本文通過具體操作方法對本文調度方法進行詳細說明。

①將配電網數據信息通過數據集合表示,則有S={S1,S2,…,Si}。其中,Si為深度卷積NN的輸入值。

②設置算法計算參數。其中,h1和h2分別為改進 SAE-NN深度學習模型中第l層卷積核具有的長度與寬度[11]。存在的數據信息為:

h={(λ,γ)∈N2|0≤λ

(2)

式中:λ為數據信息在模型中的長度;γ為數據信息在模型中的寬度。

由數個卷積共同構建的卷積層單元輸出結果為:

(3)

(4)

式中:θ為改進型SAE-NN深度學習模型[14]的采樣因子;e為下采樣層的上采樣操作。

(5)

本文在最大池化條件下計算S={S1,S2,…,Si}區域特征上限值。計算下采樣層時,其學習過程通過以下函數表示:

(6)

式中:r為上采樣層的下采樣操作。

④輸出數據結果。在深度卷積NN收斂的條件下,可將最后一層全連接層作為新的配電網數據特征。該數據信息記作Q={Q1,Q2,…,Qi}。根據Q={Q1,Q2,…,Qi}數據集合,可以獲取新的配電數據信息標簽zi+1。通過不斷的數據迭代計算,可以輸出深度卷積NN中的數據信息。

⑤循環上述迭代數據過程,并設置當迭代次數與設置的迭代次數相等時停止輸出。

通過上述算法模型的建立,使本文配電自動化終端不僅能夠根據需要自主完善數據庫,還提升了數據處理分析能力、實現了終端智能化。

3 仿真試驗與分析

仿真試驗采用的計算機為Microsoft Windows 2021 64 位;采用的開發工具為Visual Studio 2019 OpenCV 3.0。計算機硬件環境如下:CPU Inter(R)Core(TM)i7,主頻為2.59 GHz[15];內存為64 G。仿真試驗通過Matlab軟件進行。改進型SAE-NN深度學習模型的參數信息如表1所示。

表1 改進型SAE-NN深度學習模型的參數信息

試驗使用配電自動化終端數據信息故障數據的數量為10 000個。本文將日常記錄的大量加工數據作為樣本,并分別將這些信息故障數據分布在加工數據4組不同的數據樣本中。4組數據樣本的數據量分別是50萬個、80萬個、100萬個和150萬個。以此類推。本文分別通過SAE方法、LR方法和結合了SAE和LR的本文方法進行故障識別的對比試驗,得到的數據信息識別如表2所示。

表2 數據信息識別表

由表2可知,在測試時間為100 h、每組測試數據為10 000個的條件下,本文方法的數據信息識別正確數量較多,均達到9 500個以上,而SAE方法和LR方法的數據信息識別數量較少。這進一步驗證了本文方法的可行性和有效性。下面通過100 min的試驗,觀察調度準確率情況。3種方法的調度準確率對比如圖6所示。

圖6 調度準確率對比示意圖

采用這3種不同的方法的原因是為了顯示文件在具體應用中與本文的方法具有相似的作用。

由圖6可知,3種方法的準確率都隨著時間的推移逐步提高,但在整個試驗過程中,本文方法的準確率最高。通過10 h的計算,耗時對比如圖7所示。

圖7 耗時對比圖

由圖7可知,隨著數據調度量的增多,3種方法耗時量都在增加。其中:SAE方法和LR方法耗時量增加較為明顯;本文方法數據耗時量增加較為均勻且緩慢。這說明本文方法工作效率高、耗時少。

4 結論

本文在基于ARM+FPGA雙核計算的基礎上,設計了帶通濾波器以及高效串行口模塊,保障了配電自動化終端的準確性與可靠性。本文同時采用由SAE和NN模型結合組成的SAE-NN模型預測能源系統短期負荷,提升了預測精度,為考慮需求響應對能源系統的負荷調整提供了數據基礎。仿真試驗對比分析結果表明,隨著系統運行,本文方法計算精度能達到95%以上,而現有SAE方法僅達到85%左右。由此可知,本文方法使系統具有較高的調度能力,從而顯著提高配電網數據信息的分析精度、大幅提升電網應用對數據信息處理的準確度和效率。本文所設計的配電自動化終端硬件以及算法具有優越性,可以有效提升預測精度和預測能力。