电力设备状态监测数据融合算法分析

何章玮

(广东电网公司，广东 广州 516000)

随着国民经济的快速发展，确保电力系统的健康状况越来越重要，因为电力系统的任何故障都将造成严重的损失。传统有线系统的安装往往受到监测设备的成本和安装条件的限制。无线传感器设备的发展为布线和设备放置提供了新选择[1]。以前无法到达的危险位置或受限制的区域，现在可以用无线传感器监测。

随着处理器技术和通信技术[2]的快速发展，在工厂中使用无线通信技术将完全或部分取代有线电缆是一个不可避免的趋势。实践表明，电力系统设备某些部分的温度异常升高与存在故障相符，电气设备的关键部件的高温会导致电力设备的性能下降或损坏，影响电力系统的健康状况[3]。因此，监测电气设备的温度是支持电力系统安全稳定运行的重要手段之一。本文提出了一种基于Leach-E、无线传感器网络(WSNs)的电力设备监测系统的新设计，并对Leach-E算法进行优化，该算法消除了异常数据，减少了集群成员节点的数据冗余。仿真结果表明，聚变结果准确、有效。

1 基于Leach-E、WSNs的数据融合算法研究

WSNs旨在将传感器部署在环境可能干扰所提供的测量值的环境中，包括压力、温度、辐射和电磁噪声的强烈变化。因此，在这种情况下，测量值可能并不精确。数据融合用于克服传感器故障、技术限制和时空覆盖问题。数据融合通常被定义为使用结合来自多个来源的数据并收集这些信息以实现推断的技术，这将比通过单一来源实现推断更有效，更可能更准确。

在这种情况下，“高效”一词可以意味着更准确地传递准确的信息、更完整、更可靠。数据融合可以在集中系统和分布式系统中实现[4-10]。在集中系统中，所有原始传感器数据将发送到一个节点，数据融合将发生在同一个位置。在分布式系统中，不同的融合模块将在分布式组件上实现。数据融合发生在每个节点上，使用它自己的数据和来自相邻传感器的数据。

1.1 Leach-E算法流程

在数据传输过程中，传统的浸出算法中心节点不考虑数据传输距离。在集群中，所有节点都需要将信息传递给集群头，集群头将信息发送到基站。由于没有考虑数据传输距离，集群头节点的能耗较高，很容易过早死亡。改进后的算法改变了网络区域的数据传输模式。

为了提高簇头选择的质量，避免网络中的“能量差距”现象，本文改进了簇头的选择和数据传输方法。数据首先传输到集群头节点，然后从集群头传输到基站。但当节点到集头的距离大于节点到基站的距离时，节点直接与基站通信而不通过集群头，可以减少节点和集头的能量损失。改进算法计算最优的簇头比，得到高级节点和普通节点的选择比例，并利用浸出原则选择簇头。在数据传输阶段，当节点比集群头更接近基站时，节点和基站直接通信，降低节点开销，减少节点不必要的能耗。改进后的算法流程如图1所示。

图1 Leach-E算法流程Fig.1 Leach-E algorithm flow

1.2 数据融合系统模型

电力设备温度监测的数据流具有时序性、时间相关性、不确定性、空间性等特点。基于这些特点，本文设计的数据融合算法框图如图2所示。该融合算法采用多传感器，其数据融合类似于人类大脑在处理复杂的问题时的表现。人类的大脑全面地接收来自眼睛、鼻子、耳朵、四肢的信息，这相当于“传感器”。多传感器的数据融合也必须充分利用传感器的资源。通过合理地控制和利用这些传感器上的观测信息，根据某种优化标准，在时空上组织各种传感器的冗余或互补信息，从而获得对观测对象的一致描述或解释。

在融合算法中，首先，各传感器节点对采集到的数据进行简单、低层次的数据预处理，剔除掉明显异常值；其次，经过预处理的数据在簇头节点进行初步融合，再进一步剔除部分异常数据；最后，中心节点收到各簇成员节点发送的数据后，针对簇成员节点无法消除的数据中可能存在一些偏差数据的情况，根据每个集群成员节点对采集温度数据的支持程度，给每个集群成员节点数据分配一个合理的权重值，对可靠性高的数据分配高权重，对可靠性低的数据分配低权重，达到最佳融合效果。

1.3 簇成员节点数据预处理

基于电力设备温度在监测时的采样节点内不会有剧烈波动这一基本事实，当温度传感器节点的测量值与其余数据有很大差异时，可以判断这些数据可能是环境干扰等原因导致的异常数据，这些异常数据会极大地影响判断的监测人员。因此，这些数据在传输到簇头节点之前必须进行处理，以消除这种影响。研究采用将选择格拉布斯准则作为数据校验的方法。

格拉布斯准则是一种统计学的方法，其数据校验流程如下。①假设有某个传感器节点采集的一组温度数，将数据由大到小排序后，计算出这组数据的均值、残差和标准差。②根据这组数据的均值、残差和标准差确定每个温度数据的格拉布斯统计量。公式为：某一温度的格拉布斯统计量=(该温度-该组温度均值)/改组温度标准差。③计算出每个温度数据的格拉布斯统计量后，根据应用需求，查表获得格拉布斯统计量的临界值。④对数据是否异常进行判断。若某一温度的格拉布斯统计量大于格拉布斯统计量的临界值，则认为这个数据为异常值。

1.4 基于K-Means聚类的误差分析方法

各簇成员节点进行数据预处理后，将数据传输给簇头节点，簇头节点在发送数据给中心节点前进行融合处理。但在应用时，若某个簇成员节点发生故障或受到外界环境的持续干扰，导致其采集的数据全都与实际值偏差较大时，这些持续的异常数据并不能在簇成员节点的数据预处理中被剔除，反而更容易根据阈值估计机制传输到簇头节点。故针对这种情况，在簇头节点进行融合前，采用K-Means聚类算法来过滤那些簇成员节点传输过来的异常数据，基于 K-Means 聚类的误差分析方法流程如图3所示。

图3 基于 K-Means 聚类的误差分析方法流程Fig.3 Flow chart of error analysis method based on K-Means clustering

K-Means聚类算法为一种具有迭代过程的无监督学习方法，其中数据集被分组为k个预定义的不重叠的聚类或子组，使得聚类的内部点尽可能相似，同时试图将聚类保持在不同的空间。它将数据点分配给聚类，使得聚类质心和数据点之间的距离平方之和最小，在该位置，聚类的质心是聚类中数据点的算术平均值[11]。该算法是一种迭代算法，根据数据集的特征将数据集划分为k个预定义的不重叠的不同聚类或子群。它使簇间的数据点尽可能相似，并尽量保持簇间的相似。如果簇的质心和数据点之间的距离平方之和最小，则它将数据点分配给簇，其中簇的质心是簇中数据点的算术平均值。集群中较小的变化导致集群中相似或同质的数据点。

为了确保融合结果精确性，采用基于 K-Means 聚类的误差分析方法。假设在某个电力设备的温度监测环境中，其中某个簇头节点得到了多个簇成员节点多次发送的各自处理后的温度数据，对数据的处理具体流程如下：①将簇头节点接收到的各温度数据由大到小进行排列，从中选出最大值、中间值和最小值作为聚类中心。②所有的数据依据最小距离的原则，归类到其中一个聚类中心。③归类完成后，重新计算各聚类中心值。④归类完毕后，根据已知最终的3个聚类中心值分别计算最大、最小聚类中心离中间聚类中心的距离，从而分析误差。⑤根据所允许的误差范围，比较各聚类中心至中间聚类中心的距离和误差范围的大小。如果存在各聚类中心至中间聚类中心的距离大于误差范围的情况，则删除以这个数据聚类中心的那组数据；如果不存在，说明数据都是在误差范围内，不做任何处理。

2 基于数据融合算法的电力设备监测系统

2.1 监控系统的结构

基于无线传感器网络的电力设备监控系统的结构框图如图4所示。整个系统架构主要可分为现场无线监控网络、本地控制中心和远程监控终端3部分。

图4 基于无线传感器网络的电力设备监控系统结构Fig.4 Structure of power equipment monitoring system based on wireless sensor network

由大量传感器节点组成的现场无线监控网络是无线传感器网络的主要部分，如图5所示。利用树形或星形拓扑结构来获得良好的性能，树形或星形拓扑网络结构允许数据通过1个多条路由路径[4]，这些节点组织成一个植根于聚合节点的路由树，传感器节点可以提供路由节点，以增加无线传输的数据传输范围。网络中的聚合节点作为网络网关或协调器，负责网络的启动，并从其他节点收集监控数据。

图5 由传感器节点组成的现场无线监控网络Fig.5 Field wireless monitoring network composed of sensor nodes

2.2 监控系统的硬件设计

系统中传感器节点的硬件结构分为传感器模块、无线模块、数据存储和处理模块、模块和电源模块4个部分。如图6所示，其重点是现场无线传感器网络的硬件设计。采用PT100作为温度传感器，PT100热阻是一种温度传感器，其温度测量范围为-200～650 ℃，被广泛应用于工业温度测量，与其他热阻相比，其稳定性和线性特性相对较好，因此选择PT100热阻作为温度测量传感器[5]。使用PT100收集温度信号并将其转化为模拟电压信号，模拟信号放大后，通过ADC转换为数字数据。数字数据由STC生产的STC89C52处理器进行处理和存储。选择芯片ChipconCC2430作为无线模块，CC2430是芯片级的系统(SoC)解决方案，专门为ZigBee应用程序定制，该模块支持ZigBee协议，集成微控制器和射频收发器，非常适合于需要超低功耗的系统。CC2430的关键特点是低功耗、高性能、对干扰的优异灵敏度和鲁棒性，需要的外部组件很少，具有可用的强大和灵活的开发工具。

图6 电力设备监控系统的硬件设计Fig.6 Hardware design of power equipment monitoring system

2.3 监控系统的软件设计

系统软件架构如图7所示。

图7 系统软件架构Fig.7 Architecture of system software

基于无线传感器网络的电力设备监控系统的软件设计主要包括3个部分：现场无线监控网络的软件设计、本地控制中心的软件设计和远程监控终端[5]的软件设计。在系统软件程序设计、软件开发环境中，包括：Windows2003服务器操作系统、ZigBee软件设计IAR嵌入式工作台(EW)集成开发平台、单片机集成开发环境KeilC。要建立ZigBee无线传感器网络，聚合节点作为要求从应用层构建网络的协调器，应该首先作为网络的主节点。只有使用ZigBeeFFD而不加入其他网络设备，才能创建一个新的网络。聚合器网络成功后，ZigBee协调器等待子节点加入网络的请求信号。当协调器接收到传感器节点的请求时，将16位网络地址作为子节点分配给传感器节点，建立邻居列表和地址映射表[8]。建立了节点与协调器之间的网络连接关系。建立无线传感器网络的协调器的流程如图8所示。

图8 无线传感器网络的协调器的流程Fig.8 Flow of coordinator of wireless sensor network

节点数据采集和传输的低功耗流程如图9所示。

图9 节点数据采集和传输的低功耗流程Fig.9 Low power flow chart of node data acquisition and transmission

现场监控节点的软件设计采用了集成开发环境KeilVision2下的C语言编程语言。软件设计包括主要程序、视听转换模块程序和通信程序3个部分。当系统通电时，STC89C52芯片、ADC和CC2430芯片被初始化。为降低现场监控节点的消耗功率，选择了被动唤醒方式。在低功耗状态下，节点关闭电路的某些部分，只留下CC2430的CCU内部定时器、中断和无线通信芯片工作，直到接收从协调器发送的唤醒操作数据包[9]。

采用Windows操作系统设计了在本地控制中心监控机和场外远程监控平台上运行的温度数据监控系统的监控管理软件。无线数据管理软件是在Visual C++6.0集成开发环境中的MFC类库开发的。该软件系统的主要功能是：通信管理、数据存储和显示、人机交互、数据分析和处理功能。

3 仿真实验与性能分析

为验证融合的准确性，仿真以某变电站高压配电室温度监测为例，温度采集节点每采集20个数据进行数据预处理，然后发送处理数据到簇头节点。记录节点i采集的20个温度数据为T1、T2、…、T20，见表1，单位为摄氏度，实际温度为24 ℃。

表1 节点i 采集的温度数据Tab.1 Temperature data collected by node i ℃

由表1可知，该节点采集的数据不是很准确，有明显的偏差数据，所以会先对这组数据进行预处理，以消除这些偏差数据。更新后的数据见表2。

表2 更新后节点i 的温度数据Tab.2 Temperature data of node i after updating ℃

当簇成员节点采集的温度数据经过预处理后，将数据传输到相应的簇头节点。其中，簇头节点的选择是在节点发送数据之前通过Leach-E路由协议确定的，簇头确定之后，确定与其直接通信的簇成员节点。对比数据处理前的均值结果，数据处理后的均值更准确，说明集群成员节点的数据预处理可以准确剔除与实际温度偏差较大的数据。剔除这些数据后，成员节点不直接将数据传输给中心节点，而是将这次的结果与传输前簇头节点存储的值进行比较。如果两者之差小于设定值阈值，则集群成员节点不发送数据，直接使用存储的值，如果结果大于阈值，则集群成员节点发送当前温度值到簇头节点进行融合处理，保证用户能够实时掌握电力设备的温度变化。

4 结论

利用无线传感器网络技术完成了新型电力设备监控系统的软硬件设计。新型系统满足了快速、精确、实时、在线的需求。新设计的系统具有安装方便、监控可靠性、实时、在线等优点。在 WSNs基础上，提出了一种基于Leach-E 的数据融合算法，算法中格拉布斯准则和基于 K-Means 聚类的误差分析方法，通过对节点采集的冗余且存在异常的温度数据加以消除，以达到提高融合结果精确性、减少网络通信数据量、延长网络生存时间的效果。仿真实验结果表明，经过该算法数据融合处理后的均值更准确，说明集群成员节点的数据预处理可以准确剔除与实际温度偏差较大的数据。