云平臺變電站電力儀表智能采集系統設計

摘要：針對自適應PID控制的智能采集系統在電力儀表圖像采集中的應用，文章設計了一種基于自適應PID控制的電力儀表智能采集系統，該系統利用STM32控制六自由度機械臂，并通過ESP32-CAM進行圖像采集并上傳至云平臺。采用模糊PID算法實現機械臂對電力儀表的精確對準，并通過云平臺實現遠程監控和數據分析。實驗結果表明，該系統能夠有效提高圖像采集精度和效率，具有良好的應用前景。

關鍵詞：智能采集系統；自適應PID控制；六自由度機械臂；PWM信號；圖像采集；云平臺

中圖分類號：TP18 文獻標識碼：A

文章編號：1009-3044（2025）05-0087-04 開放科學（資源服務） 標識碼（OSID） ：

0 引言

隨著我國智能電網建設的快速推進，變電站數量和規模迅速擴大，傳統的人工巡檢方式難以滿足日益增長的運維需求[1]。在這一背景下，電力儀表的高精度圖像采集是智能運維的關鍵技術，可以實現實時監控與故障診斷，提升運維效率和精準度。但傳統的靜態圖像采集方法受到人工操作、光照和視角誤差等因素影響，難以在復雜環境中穩定高效地工作。因此，發展智能且穩定的圖像采集技術對確保電力系統高效運行至關重要。

本研究提出了一種基于自適應PID控制的智能電力儀表圖像采集系統，旨在提升室內聯網環境下電力儀表監測的精度與效率。系統設計如下。

1） 在ESP32-CAM模塊的支持下，系統實時采集視頻流，并通過無線網絡將視頻上傳至云平臺。云端算法對視頻流進行實時分析，以判斷儀表圖像是否處于可控視角范圍內。

2） 若云端分析結果表明儀表圖像未能完整捕獲，系統利用基于STM32微控制器的模糊PID控制算法，動態調整機械臂的姿態，確保相機對準目標儀表。PID參數可根據環境光照、目標位置等條件自適應調節，從而優化對準精度。

3） 當目標儀表圖像滿足捕獲要求時，系統觸發抓拍，將高質量圖像上傳至云端存儲，以供后續狀態監測和數據分析。

本系統的創新之處在于結合實時視頻流與云端智能分析，實現圖像采集的智能化和自動化。通過模糊PID控制提升機械臂動作的精度與響應速度，解決傳統圖像采集效率低、誤差大的問題。研究目標是驗證該系統在電力儀表圖像采集中的可靠性，重點評估其在復雜環境下的精度提升、響應速度優化及數據傳輸效率。

1 系統概述

智能采集系統主要由硬件設備、通信模塊和云平臺組成，實現電力儀表數據的實時采集和上傳。STM32微控制器負責生成PWM信號，控制設備動作；ESP32-CAM模塊負責圖像采集，并通過Wi-Fi將數據上傳云端。

在圖像采集過程中，STM32 負責控制機械臂，ESP32-CAM負責圖像采集和上傳，以實現高效的數據采集與傳輸。STM32生成PWM信號，通過六自由度精確控制攝像頭角度，確保采集目標區域的圖像，并發送指令啟動ESP32-CAM 的圖像采集。ESP32-CAM模塊則負責將采集到的圖像通過Wi-Fi上傳至云平臺。STM32同時負責監測整個采集和傳輸過程，及時反饋異常，保障系統穩定運行。

在系統與云平臺的連接上，ESP32-CAM通過Wi-Fi將采集的圖像實時上傳至云服務器，實現儀表圖像的即時傳輸與存儲。云平臺接收數據后，提供遠程監控和預警等服務功能。該架構實現了設備與云平臺的無縫連接，同時提升了系統的響應速度和數據實時性，為智能運維提供了可靠的技術支撐。

2 關鍵技術

在云平臺變電站電力儀表智能采集系統中，關鍵技術的實現離不開精確的信號控制、無線數據傳輸、云端數據管理。

在本系統中，PWM信號由STM32微控制器生成，通過配置 TIM3 定時器的自動重裝載值 arr 和預分頻系數 psc，生成不同頻率和占空比的 PWM 信號，用于精確控制伺服電機的旋轉角度 θ，從而實現對電力儀表拍攝角度的實時調整。PWM信號的頻率 f 和占空比 D 是主要的可調參數，它們分別影響電機的響應速度和旋轉角度。具體關系可以表示如下。

1） PWM信號的頻率。

f =1／T

其中 T 是PWM信號的周期。PWM周期 T 的計算公式為：

T = （arr + 1） × （ psc + 1） ／fsys

為了更好地理解如何通過PWM信號精確控制伺服電機的旋轉角度，利用STM32定時器的比較模式，通過TIM_ SetCompare2函數更新PWM的占空比[2]，實驗中通過調整STM32微控制器的定時器（TIM3） 自動重裝載值（arr） 和預分頻系數（psc） 來實現不同頻率和占空比的PWM輸出。表1展示了不同頻率下 arr 和 psc 的具體配置及其對應的輸出結果。

實驗表明，調整 arr 和 psc 值能夠靈活設定 PWM的輸出頻率，為智能控制系統提供可靠的信號源。

2） 占空比與旋轉角度的關系。占空比與旋轉角度之間存在線性關系，通過調整PWM信號的占空比，可以精確控制伺服電機的旋轉角度，具體結果如下。

3） 自適應PID算法校準圖像采集。此外，系統通過引入PID控制算法，PID控制在工程中常被應用于二階以內的線性系統中，在工業控制領域PID算法被廣泛應用。在電機控制領域PID算法仍然是目前最有效的控制策略之一[3]，如圖3所示為傳統增量式PID 控制系統結構示意圖。

同時，本文提出了一種基于模糊PID控制的六自由度機械臂控制算法。模糊PID控制結合了模糊控制與傳統PID控制，通過輸入誤差及其變化率，并運用模糊規則對參數進行整定，從而實現系統的實時控制[4]。近年來，機器學習方法在機器人運動控制與操作規劃中得到了廣泛應用，尤其是循環神經網絡（RNN） [5]和強化學習算法[6]。本文結合神經網絡構建了自適應PID控制模型，通過實時調整PID參數，通過現場拍攝獲取視頻流，云端對拍攝角度進行分析與判斷，計算出目標與實際角度之間的誤差，并將校正指令發送給機械臂。機械臂根據這些指令調整關節角度和末端執行器的位置，從而實現動態校正，確保儀表刻度的精準對準并進行抓拍再傳至數據庫。采用這一控制策略后，機械臂能夠在復雜環境中靈活調整，提升圖像捕捉的準確性與穩定性。

通過多關節PID控制的協同作用，機械臂能夠快速適應不同儀表的位置和角度變化，自動完成儀表圖像的精準捕捉任務，為系統的智能化和自動化提供了可靠的技術支持，傳統的PID控制算法計算公式為：

式中：Kp 表示比例增益，是調適參數；Ki 表示積分增益，也是調適參數；Kd 表示微分增益，也是調適參數；e 表示誤差=設定值（SP） - 回授值（PV） ；t 表示目前時間。

在六自由度機械臂的控制中，精準的目標跟蹤與誤差校正是確保系統高效運行的關鍵。為了提高PID 控制器的自適應性，可以引入模糊邏輯來調節PID的增益。這是基于誤差 e （t）和誤差變化率 de（t） ／dt 來進行模糊規則推理，輸出相應的PID增益調整值。

模糊規則設定如下：

1） 設定誤差和誤差變化的輸入分別為 e（t）和 de（t） ／dt 。

2） 對這些輸入變量進行模糊化，定義相應的隸屬函數（如負大、負小、零、正小、正大） 。

3） 輸出模糊變量分別為Kp， Ki， Kd的調整值。

具體模糊規則表格如下。

在模糊控制中，通過模糊規則和隸屬函數將誤差與誤差變化率的實際值映射為模糊集，接著使用模糊推理機制根據規則生成PID增益的調整值。這個過程可以通過以下步驟實現。

1） 根據當前誤差 e （t） 和誤差變化率 de（t） ／dt ，計算它們在各自隸屬函數中的隸屬度值。即每個自由度的模糊控制器輸出3個模糊變量 μKp， μKi和 μKd，分別表示比例增益 Kp、積分增益 Kp、和微分增益 Ki 的模糊調整值。這些模糊輸出變量通過去模糊化步驟轉換為具體的調整值 ΔKp，ΔKi，ΔKd。

具體到六自由度機械臂，假設當前針對第i 個關節進行控制（i ∈ {1，2，...，6}），其增益調整公式如下。

2） 根據輸入變量的隸屬度值和模糊規則，推理出每個PID增益（Kp、Ki、Kd） 的調整值。

3） 通過重心法的計算，得到具體的增益調整值ΔKp，i，ΔKi，i，ΔKd，i，將其直接應用于第 i 個關節的PID參數調整中。此時，第 i 個關節的PID增益被更新為：

Kpn，i = Kpo，i + ΔKp，i

Kin，i = Kio，i + ΔKi，i

Kdn，i = Kdo，i + ΔKd，i

通過有關計算，具體各個關節相較原來增益及空間分布如下。

3 應用實例與分析

在室內聯網的情況下，系統通過實時視頻流傳輸持續監控電力儀表的狀態變化。相比靜態圖像采集，視頻流能夠提供更豐富的信息和動態反饋。ESP32-CAM模塊將采集到的視頻流通過Wi-Fi傳輸至本地處理單元或直接進行本地抓拍，而無須將視頻流持續上傳至云平臺。系統能夠在獲取視頻流的同時，在較短時間內進行抓拍，并在抓拍完成后將圖像數據傳輸至云端。

在云端，借助訓練好的模型，對上傳的圖像進行處理與分析，自動完成電力儀表讀數的識別。這種方式確保了數據的實時性與高效性，同時減少了視頻流的帶寬消耗，提高了整體系統的處理效率。

視頻流的抓拍與處理得益于精確的PID控制系統和自適應算法。系統通過PID控制調整機械臂的角度和位置，確保攝像頭始終對準目標儀表區域，并穩定地進行圖像抓拍。抓拍完成后，圖像數據被傳輸至云端，云平臺接收并分析圖像，進行關鍵幀處理與分析，優化數據傳輸效率，減少帶寬消耗，從而提升系統的數據處理能力。

視頻流采集不僅提升了數據采集的準確性，也拓展了系統的應用范圍。通過實時的視頻流監控，系統能夠捕捉儀表快速變化過程中的細節，及時檢測出可能的異常情況。這種高效的視頻流分析與處理能力，使得系統在電力儀表的遠程監控、智能化分析和故障檢測等方面具備了更高的靈活性和準確性，為電力行業的智能運維提供了強有力的技術支持。

4 結論

通過引入自適應PID控制算法和模糊邏輯調節機制，本系統有效提升了六自由度機械臂在電力儀表圖像采集過程中的精度與穩定性。系統通過PWM信號控制伺服電機的角度，并結合實時誤差反饋調整PID增益，確保機械臂能夠在動態環境下準確對準儀表刻度。借助模糊PID控制，系統能夠根據實際誤差和變化率自適應調整PID參數，從而優化控制性能，應對復雜的工作條件。

此外，視頻流的實時采集與上傳大大提高了電力儀表監測的效率，確保了系統的實時性與精確性。視頻數據通過Wi-Fi傳輸至云平臺，實現對電力儀表狀態的遠程監控與分析。該智能采集系統不僅提升了圖像采集精度，還增強了數據處理能力與系統響應速度，為電力行業的智能運維和故障檢測提供了更加可靠的技術支持。

本智能采集系統不僅提升了圖像采集精度，還增強了數據處理能力與響應速度，極大地優化了電力行業的智能運維與故障檢測功能，具有廣闊的應用前景。未來，隨著人工智能與機器學習技術的進一步融入，系統有望實現更高層次的自動化與智能化，推動電力行業的數字化轉型。

參考文獻：

[1] 李奕煒，駱立實，趙波，等.基于YOLO v8算法的變電站視頻監控多目標智能跟蹤技術[J].電信科學，2024（11）：1-9.

[2] 姚強，孫勤良.基于STM32的LED臺燈照度控制系統設計[J].電子制作，2022，30（18）：76-78，82.

[3] ADHAVAN B，KUPPUSWAMY A，JAYABASKARAN G，et al.Field oriented control of Permanent Magnet Synchronous Motor（PMSM） using fuzzy logic controller[C]//2011 IEEE Recent Ad?vances in Intelligent Computational Systems.September 22-24，2011，Trivandrum，India.IEEE，2011：587-592.

[4] 王如倉.基于BP神經網絡和模糊PID的風機轉速自適應控制[J].礦山機械，2024，52（10）：50-56.

[5] YAO S L，TANG R J，BAI L，et al.An RNN-LSTM enhancedcompact and affordable micro force sensing system for interven?tional continuum robots with interchangeable end-effector in?struments[J].IEEE Transactions on Instrumentation and Mea?surement，2023，72：4008711.

[6] GRAULE M A，MCCARTHY T P，TEEPLE C B，et al.SoMoGym：a toolkit for developing and evaluating controllers and reinforce?ment learning algorithms for soft robots[J].IEEE Robotics andAutomation Letters，2022，7（2）：4071-4078.

【通聯編輯：梁書】

基金項目：黑龍江大學生創新創業訓練計劃省級一般項目（S202410222070）