边云协同下的电气设备状态异常记录数据统计方法

白明辉，苗宏佳，张婉明，宁岩，孙文宇

（国网冀北电力有限公司承德供电公司，河北承德 067000）

边云协同是多数部署边缘计算方法中的关键处理原则，可根据应用场景边缘侧节点的分布情况，确定协同方案的实际实施强度，大体上包含智能协同、数据协同、应用协同、资源协同等几种不同的执行方向。“边云”也叫“云边缘”，指的是中心云服务在网络边缘侧的延伸行为，在逻辑关系上，它属于中心云的核心组成部分，其主要能力的提供及处理都必须依赖中心云服务之间的紧密协同关系[1-2]。在实际应用过程中，边云协同能够针对所涉及场景的表现情况，对相关数据信息量进行妥善的安排与规划。

在电网应用环境中，传统数据挖掘型统计策略在标识映射条件的支持下，对各项电气异常数据参量进行重排处理，再根据残余电压的具体数值结果，确定单向挖掘指令的实际执行深度[3-5]。然而此类方法对于电量数据的处理能力相对有限，并不能将电气设备异常行为的所有表现形式全部考虑在内。为解决此问题，提出基于边云协同的电气设备状态异常记录数据统计方法，在边缘云架构的支持下，计算数据处理响应比的具体数值，再根据数据降维的实施条件，得到准确的统计度量数值结果。

1 电气网络的边云协同体系

电气网络的边云协同体系由边缘云架构、统计任务格式条件、数据处理响应比三部分共同组成，具体搭建方法如下。

1.1 边缘云架构

电气网络的边缘云架构由应用层、边缘服务层、边缘云场景三部分共同组成，如图1 所示。其中，边缘服务层由应用开发接口、设备接入中间件、服务提供中心、数据中心等多个结构共同组成。服务提供中心直接与上级应用开发接口相连，在已知电气设备主机运行情况的前提下，应用层体系的执行能力越强，电气网络边云协同体系的稳定性程度就越高。数据中心负责与下级设备接入中间件相连，能够根据云执行主机的具体执行能力，更改体系内电气数据资源的管理与控制情况，并可在维护资源共享交换水平的前提下，对电气设备状态异常记录数据进行定向化的分析与处理[6]。

图1 边缘云架构形式

1.2 统计任务格式条件

统计任务格式条件包含服务要求、数据信息、认证token、客户端标识号、时间戳、标识号6 个主要信息条件。

1）服务要求：表示电气设备出现异常行为的情况下，各项数据统计任务对边云协同体系服务的具体要求，如实时性、可靠性等。

2）数据信息：表示电气设备状态异常记录数据统计任务的实际数据信息。

3）认证token：电气网络边云协同体系利用认证token 验证数据统计任务的合法性，并拒绝不合理的服务连接请求[7-8]。

4）客户端标识号：客户端是数据统计任务请求的发起方，包括边云网络设备及体系平台用户，所有数据字段都能表明电气执行任务的来源。

5）时间戳：统计任务产生的时间，用于避免数据信息的重复出现。

6）标识号：标识电气设备状态异常记录数据统计任务的唯一编号。

1.3 数据处理响应比

边云协同体系的任务处理时间主要消耗在数据分析、数据汇总等多个方面。电气设备状态异常记录数据处理响应比是一种定向化的信息参量指标，表示信息参量在单位时间内的消化与执行情况，一般来说，数据处理响应比的物理数值越大，电气网络边云协同体系的稳定性水平也就越高[9-10]。在不考虑其他干扰条件的情况下，数据处理响应比指标同时受到异常记录数据单位传输量、统计判别时间两项物理量的直接影响。设代表异常记录数据单位传输量，Δt代表统计判别时长，联立上述物理量，可将数据处理响应比计算结果表示为：

式中，μ表示边云协同体系中的电气设备状态异常记录数据判别系数，λ表示数据统计特征值，表示待统计数据信息的协同处理均值量。

2 电气设备状态异常记录数据统计

在电气网络边云协同体系的支持下，按照数据降维、iTree 构造、统计度量计算的处理流程，完成边云协同下电气设备状态异常记录数据统计方法的设计与应用。

2.1 数据降维

数据降维是一种重要的电气设备状态异常记录数据统计与度量方法，可在边云协同环境下，分析待统计数据参量之间的关联性关系，一方面可保障物理信息参量之间的特征相似性，另一方面也能够避免数据信息过量负荷行为的出现[11-12]。对于电气网络的边云协同体系来说，任何一种信息参量的偏转都有可能导致异常记录数据的维度条件出现相对混乱的状态。设k代表异常记录数据的原始维度存在条件，随着电气设备运行时间的延长，该项物理系数在单位时间内的最大值结果能够达到物理数值y，联立式（1），可将电气设备状态异常记录数据的降维处理结果表示为：

式中，β表示电气设备状态异常记录数据之间的相似性特征，qmax表示统计量的最大值结果，I表示待统计数据参量的原始存在特征值。

2.2 iTree构造

iTree 结构决定了电气设备状态异常记录数据在单位时间内的传输方向，可在已知边云协同原则作用能力的基础上，对最高电气利用率、电量负荷率、电量数据传输行为等统计量特征进行重新规划，不但能够辅助异常记录数据集合的制定，也可以实现对数据统计特征的定义与安排。一个完整的iTree 结构需要同时包含统计量节点、特征统计行为等多项应用指标[13-14]。其中，统计量节点直接与电气设备的负荷曲线对应，一般情况下，iTree 结构中的节点数量越多，电气设备负荷曲线的偏移程度越大。特征统计行为则与待统计的电气设备状态异常记录数据对应，记录了电气设备在边云协同环境下的运行状态与连接状态，能够使异常记录数据长期呈现出绝对稳定的存在状态。iTree 结构的构造流程图如图2 所示。

图2 iTree结构的构造流程图

2.3 统计度量计算

统计度量描述了电气设备状态异常记录数据所具备的集合应用能力，在iTree 结构之中，由于边云协同体系始终保持相对稳定的存在状态，所以统计度量条件能够决定数据信息参量的最终统计与处理结果[15-16]。规定g1、g2、…、gn分别代表n个不同的数据指标量统计权限值，在边云协同环境中，系数值n的可取值结果必须为正整数，且随着待统计电气设备状态异常记录数据量的增大，系数值n的取值结果也会不断增大。在上述物理量的支持下，联立式（2），可将统计度量计算结果表示为：

式中，μ表示基于iTree 结构的电气网络边云协同体系稳定系数，f表示电气设备状态异常记录数据集合中的信息统计条件，χ表示既定的电气设备异常运行数据标度量。至此，完成各项系数指标的计算与处理，在边云协同原则的支持下，实现电气设备状态异常记录数据统计方法的顺利应用。

3 实例分析

以50 min 作为实验时长，每隔5 min 对图3 所示电气设备主机中的运行数据信息进行一个记录，整合所有记录数据，并从中选取多个异常记录信息作为实验对象。在整个实验过程中，对实验组数据信息采取边云协同下的电气设备状态异常记录数据统计方法，对对照组数据信息采取数据挖掘型统计处理策略。

图3 电气设备主机

规定电压不超过220 V、电流不超过35 A 为非异常数据记录结果，表1 记录了实验过程中，异常数据、非异常数据的具体存在情况。

表1 电气设备状态异常记录数据采集

分析表1可知，在第15 min、第20 min、第30 min、第35 min、第45 min 时，电气设备状态数据均属于异常数据，因此该次实验必须分5 组同时进行。

测量在上述5 种情况下，待统计数据电量行为的具体变化情况，电量行为变化趋势如图4 所示。

图4 电量行为变化趋势

分析图4 可知，实验组待统计数据电量行为始终保持相对稳定的波动存在状态；对照组待统计数据电量行为的变化趋势基本与实验组保持一致，但其均值水平却相对较低。从极限值角度来看，实验组最大值9.7×105C，与之对应的时间节点为第35 min，此时的电压数值为223 V，电流数值为36.2 A；对照组最大值7.0×105C，与之对应的时间节点为第45 min，此时的电压数值为234 V，电流数值为36.0 A，与实验组数值相比，电量水平下降了2.7×105C。实验组最小值为8.9×105C，与之对应的时间节点为第20 min，此时的电压数值为226 V，电流数值为36.8 A；对照组最小值2.1×105C，与之对应的时间节点为第30 min，此时的电压数值为232 V，电流数值为35.7 A，与实验组数值相比，电量水平下降了6.8×105C。若仅从自体差值的角度来看，实验组最大电量、最小电量之间的物理差值为0.8×105C，而对照组最大电量、最小电量之间的物理差值为4.9×105C，其数值远高于实验组。

综上可知，在基于边云协同记录数据统计方法的作用下，电气设备状态异常记录数据的电量行为明显更稳定，极大值、极小值之间的物理差值水平相对较低，能够从电量数据的角度上，将所有电气设备的异常行为全部考虑在内，较为符合实际应用需求。

4 结束语

电气设备状态异常记录数据统计方法在边云协同原则的作用下，对原有边缘云架构进行完善，一方面定义统计任务格式的具体类型，另一方面计算数据处理响应比的实际数值。在已知数据降维条件的前提下，iTree 结构能够提供较为全面的参考因素，不仅可实现对统计度量值的有效计算，也可避免电压、电流等外界要素对电气设备运行状态的影响。实验结果表明，对于已知的电气设备状态异常记录数据来说，电量行为变化程度明显缩小，可辅助后续信息参量整合与处理指令的顺利进行，在稳定记录异常数据表现行为方面具有较强的实际应用价值。