配电线路接点温度远程监测与预测系统

纪鹏志，董 振，付开强，马骁雨

(1.国网济宁供电公司，山东 济宁 272000;2.济南大学 自动化与电气工程学院，山东 济南 250022)

0 引言

在电力系统中存在大量的带电连接点，如输配电线路的T型接点、接续点，电力设备中的开关触头、母线连接点等，这些接点常因为受到腐蚀、接头松动、异物连接等原因造成接触电阻增大，进而导致温度增高，严重时甚至引起设备起火，线路断线等事故的发生。因此，若能实现对接点温度的实时监测并根据温度的历史变化规律推演出未来的变化趋势，将对电网安全运行具有重要的意义。

近年来，针对与电力系统中各种电气接点的温度监测已有一些研究。文献[1]使用接触式的数字温度传感器DS18B20，将其安装在变电站中的隔离开关触头、母线连接点和输变电缆接头等部位进行测温，通过射频通信与上位机进行通信实现温度数据的传输与可视化展示，但这种监测方式需要将传感器紧贴被测物体表面，会让传感器的使用寿命降低；文献[2]根据热敏铁氧体的居里特性，开发了输电线路接点温度监测仪，当接点温度升高到监测仪的预设温度时，内部热敏铁氧体失去铁磁性，弹簧将指示器弹起，这种机械式的监测仪只能实现接点温度的报警，无法实现温度的实时监测；文献[3]设计了一种基于塑料光纤的电气接点温度监测装置，在开关柜内部导电连接处加装热敏铂电阻，采集铂电阻上的电压信号，通过信号放大电路进行放大处理后，由塑料光纤将信号传输至处理器中，经运算后得到电气接点的温度值，这种测温方式中的信号放大电路易受电磁、环境的影响导致信号失真，且有线通信在装置部署时并不方便。

为了能实时监测配电线路中的T型接点、接续点的温度值，并且能够预测接点温度在未来一段时间内的变化趋势，保障配电网的安全运行，该文介绍了一种配电线路接点温度远程监测与预测系统，实现了配电线路接点温度的实时监测与未来变化趋势的预测。

1 系统整体结构

图1所示为系统的总体结构图，配电线路接点温度远程监测与预测系统按感知层、网络层、平台层和应用层4层结构进行设计与开发。感知层中由终端节点与汇聚节点两部分组成，终端节点安装在配电线路A，B，C三相的接续点处，以红外测温的方式获取接点温度数据，每个终端接点均配置无线通信模块。汇聚节点安装在某杆塔处，负责组网控制与数据的接收汇总；网络层中，终端节点与汇聚节点组成星型拓扑结构的无线网络，它们之间使用LoRa扩频调制技术进行组网与通信，并通过4G-LTE DTU透传至网络云平台中；平台层中，汇聚节点接入至阿里云并将温度数据上传，同时将温度历史数据进行存储；应用层中，从云平台中获取接点温度数据并输入至预测模型中，预测接点温度的未来变化趋势，还可在APP中与云平台同步显示接点温度监测值。

图1 系统总体结构图

2 感知层设计

终端节点和汇聚节点共同构成监测系统的感知层。终端节点与汇聚节点的硬件结构如图2所示，由电源电路、最小系统电路、主控芯片、红外测温模块、工作指示电路、LoRa无线通信模块和ST-Link下载电路组成。

图2 终端节点(a)与汇聚节点(b)硬件结构图

2.1 测温方式的选择

在传统的接点测温方式中，接触式的测温方式占据了大多数，接触式测温虽可以避免温度在空气传导损失，但温度传感器需要紧贴测温点，若传感器长时间在高温的环境下运行，不但会影响传感器的寿命，还会影响到测温的精确度。为解决上述问题，该系统使用型号为MLX90614DCI非接触式的红外温度传感器，该传感器可捕获0.7～14 μm频谱范围的红外射线[4]，将能量聚集在光电探测器上转变为电信号，经过运算得到被测物体的温度值。

2.2 通信方式的选择

配电网的分支多、覆盖范围广，杆塔与杆塔之间的距离为50 m左右，在某一监测区域内的终端节点和汇聚节点之间最远距离可达数百米，因此工作在2.4 GHz频段传统的无线射频芯片无论从通信距离或工作能耗上并不能满足终端与汇聚节点之间的通信要求。低功耗广域网技术(LPWAN)覆盖面广、传输速率低、能耗小、成本低廉、连接数量大等特点[5]，非常适合运用在接点温度监测中，其中LoRa扩频调制通信采用特殊的扩频技术及降低通信速率，通信最远距离可达到15 km[6]。终端与汇聚节点均使用型号为A39-T400A21S1a的LoRa无线通信模组，该模块将SX1268 LoRa射频芯片与主控芯片之间的通信方式从SPI转换为串口通信，避免了移植复杂的LoRa协议栈。

汇聚节点接收到的温度数据通过4G-LTE DTU发送至云端，云端可存储接点温度的历史数据，同时也可显示接点当前的温度。选用型号为ATK-M751的4G-LTE DTU，通过RS485接口与汇聚节点通信，采用AT指令集进行驱动，内部集成了诸如MQTT，HTTP，TCP等互联网协议，只需将数据通过RS485接口传输至DTU内部，便可完成数据的协议转化，无需额外移植相关的协议栈至汇聚节点内，减少了汇聚节点的主控芯片工作量。

2.3 外围电路

终端节点的主控芯片选择STM32F103C8T6，汇聚节点的主控芯片选择STM32F103ZET6，两种主控芯片的程序存储空间与变量存储空间、控制引脚和通信引脚数量均满足终端节点和汇聚节点的要求，与图2中的最小系统外围电路共同组成控制中枢。

终端节点采用锂电池+太阳能板联合供电的方式。锂电池选择铝包电池，输出电压为通信模块供电的同时，经过LDO芯片降压并辅以滤波电路为主控芯片与其余电路供电。太阳能板可在光照充足时，通过充放电管理芯片对锂电池充电，铝包电池内部集成了充放电保护电路，防止过充过放现象的发生。汇聚节点功耗较大，不适合使用太阳能+锂电池的供电方式，因此部署在安装有FTU的杆塔上。单相220 V交流电经过开关电源被整流降压至直流12 V为4G-LTE DTU供电，同时经过汇聚节点中的LDO芯片和电容滤波电路被降压至5 V和3.3 V两个等级的电压，分别为通信模块和主控芯片供电。

终端节点的指示电路由两个蓝色与红色的LED灯以及对应的限流电阻构成，蓝灯常亮代表终端节点已加入内部网络，红灯闪烁代表终端节点正在采集温度数据。汇聚节点的指示灯电路由蓝色、红色、绿色三个LED灯与限流电阻构成，其中蓝色常亮表示已与终端节点组建内部网络；红色闪烁代表汇聚节点正在与云平台连接，当接入成功后变为常亮；绿色闪烁代表汇聚节点正与终端节点进行通信。

汇聚节点在与终端节点组网时，需要存储终端接点相应的地址、信道、序号等信息，这些信息在掉电时不能丢失，因此在汇聚节点处配备ROM存储器。终端节点的地址、信道和节点序号由4个字节的十六进制代码组成，单个汇聚节点下属的终端节点个数n以最大值30计算，则需要登记的数据大小最大为120 Byte。存储模块选择AT24C02存储器，总大小为256 Byte，共32页，每页可存储8 Byte，存储空间可满足汇聚节点的要求且数据不会因掉电而丢失。

3 网络层设计

终端节点与汇聚节点采用星型网络拓扑结构，如图3所示，星型网络因为其简单的拓扑结构，所以并不需要复杂的路由协议，因此网络整体可维护性较高[7]。根据线路的实际情况确定杆塔数量n的值，并在第ni(i=1,2,…，n)个杆塔处安装汇聚节点，上电后，终端节点与汇聚节点自动开始进行组网，组网成功后便可对一定范围内的接点进行监测。

图3 终端与汇聚节点星型网络拓扑结构

组网协议帧的设计参考了ModBus协议相关内容，按数据帧的传输方向分为上行数据帧和下行数据帧。表1为上行数据帧的格式，表2为下行数据帧格式，其中，用5个不同的字节来表示数据类型，包括入网广播、入网请求、轮询、入网应答和唤醒指令，帧头和帧尾用来表示一个完整的数据帧。

表1 上行数据帧

表2 下行数据帧

4 平台层设计

云平台选择阿里云，4G-LTE DTU与阿里云之间的通信协议选择MQTT协议，该协议使用发布/订阅模式，可实现一对多的消息收发[8]。首先在阿里云的控制台中创建汇聚节点对应的设备并在该设备中建立终端节点的物模型，之后获取设备连接阿里云的三元素：ProductKey、DeviceSecret和DeciveName，最后在阿里云Toptic类列表中获取属性上报的发布主题。将上述内容写入至汇聚节点中，等待DTU与阿里云连接。在阿里云的控制台中观察连接状态，如图4所示，控制台中汇聚节点的连接状态为在线，此时汇聚节点已成功接入至阿里云平台。

图4 汇聚节点接入阿里云平台

5 应用层设计

对于配电线路中的接点来说，其温度值并不是跳变的，当前时刻的温度值受上一时刻温度值的影响较大，因此接点温度是一个具有强自相关性的时间序列，因此在应用层中的接点温度预测模型选择差分自回归移动平均模型(ARIMA)。该模型是分析时间序列内在相关性规律的预测方法[9]，可对接点温度时间序列内部的自相关性进行分析，找到其数学规律，通过数学模型预测未来时刻的温度值。

ARIMA(p,d,q)模型是由AR(p)自回归模型、MA(q)移动平均模型和I(d)差分模型组合而成，p，d，q分别为这三个子模型的阶数。AR(p)自回归模型可描述当前值与历史值之间的关系，用变量自身的历史时间数据对自身进行预测，其数学表达式为：

(1)

其中：yt为t时刻的真实值，为滞后i个时刻的真实值；γi为自相关系数；εt为t时刻的残差；μ为常数项。在AR模型中需要求解的参数为γi与εi。

AR模型必须针对平稳的时间序列来建立，判断时间序列是否平稳的方法为ADF检验。计算接点温度时间序列的T统计值与显著水平P概率值，当T显著小于3个置信度(1%，5%，10%)且P接近于0[10]，说明该序列是平稳的，否则对其进行差分处理，直至通过ADF检验，差分的阶数即为ARIMA模型中d的值。

MA(q)模型表示的是AR(p)模型中残差项εt在前i个时刻的累加，MA(q)可消除预测时的随机波动性[11]，数学表达式如下：

(2)

其中：yt为t时刻的真实值；yt-i为滞后i个时刻的真实值；θi为移动平均系数；εt为t时刻的残差；c为常数项。在MA模型中需要求解的参数为θi与εt。

综合式(1)与式(2)，ARIMA(p,d,q)模型的数学表达式如下：

(3)

(4)

式(3)表示接点温度时间序列未通过ADF检验时进行的d阶差分处理。p与q的值通过偏自相关函数PACF与自相关函数ACF进行确定，根据两个函数图像特征可多组p,q值，每一组p,q值构成的式(4)内部的γi与θi通过最小二乘法进行求解。

图5 接点温度预测流程

(1)对历史接点温度时间序列其进行ADF检验；

(2)若未通过ADF检验，根据式(3)对其进行差分处理，重复步骤①，直至通过ADF检验，确定模型中的参数d；

(3)确定模型中p与q的上限，以赤池信息量准则AIC和贝叶斯信息准则BIC两者的和作为模型优异程度的评判标准，和越小模型越优异。使用遍历法确定式(4)中p,q的最优组合，每对p,q组合中的模型参数使用最小二乘法进行求解；

(5)监测装置获得接点在第i个时刻的温度真实值yi(i=N+1,N+2,N+3,…)，构建新的历史接点温度时间序列；

(6)重复步骤(1)～(5)。

6 系统测试及分析

6.1 网络传输测试

在实验室的条件下，配置五个终端节点和一个汇聚节点，使用定值电阻模拟线路接点，对感知层设备进行测试。汇聚节点通过USB与上位机连接，在串口助手中观察汇聚节点与终端节点通信时数据帧的收发情况，如图6所示，汇聚节点与终端节点可正常地组建内部传输网络，5个终端节点也可以正常地采集温度数据并上传给汇聚节点。图7为云端与APP监测数据显示界面，云端可以准确的接收到5个接点的温度监测数据，且APP端也可同步显示。

图6 数据帧的收发情况

图7 云端与APP监测数据显示界面

6.2 预测模型测试

监测装置每间隔60 s采集一次温度数据，共采集540组，长度为9个小时的温度数据。从阿里云中获取接点2的温度历史数据，在MATLAB 2017a中绘制如图8(a)的变化曲线，可以看出该序列中存在较多的“毛刺”，这是因为监测装置接收到的接点红外特征中掺杂了空气的红外特征，从而产生了噪声项。因此首先对该时间序列进行均值滤波尽可能地滤除序列中的噪声项，经滤波后的序列如图8(b)所示。

将这540组数据做为初代历史温度时间序列Y={y1,y2,y3,…,y540}，对后1小时内的60组数据进行预测。在MATLAB中仿真预测流程，设置ARIMA模型中p,q的上限为3，得到的结果如图9所示。从图像上看，ARIMA模型可较好的拟合未来1小时内的温度变化曲线，从数据上看，模型的平均相对误差为0.239%，预测结果表明对于接点温度时间序列，ARIMA模型具有较好的预测性能。

图8 温度变化曲线

图9 ARIMA模型拟合效果

7 结语

该文设计了配电线路接点温度远程监测与预测系统，一定程度上解决了以往接点温度以及其变化趋势无法实时掌握的问题。该文首先介绍了监测系统的整体结构，按感知层、网络层、平台层与应用层由下而上逐层设计，最后对系统进行了测试，结果表明，配电线路接点温度远程监测与预测系统可实时获取并显示接点的温度值，且应用层中的预测模型可较为精准的预测未来一段时间内接点温度的变化趋势，具有一定的应用价值。