基于离散域采样数据模型的电力移动终端边缘节点数据采集系统设计

胡 畔， 聂祺昕， 刘晓强， 高 强， 孙 岩

(1. 国网辽宁省电力有限公司信息通信分公司，辽宁 沈阳 110000; 2. 国网辽宁省电力有限公司电力科学研究院，辽宁 沈阳 110000; 3. 国网辽宁省电力有限公司经济技术研究院，辽宁 沈阳 110000)

0 引 言

电力的大量使用，对电力工业与电气制造业的发展起到催化作用。目前电力电子技术的快速发展，很多电力移动终端应用设备层出不穷，但因非线性、具有冲击负荷的设备大量投入应用，电网电能质量受到谐波、电压波动等干扰，这对电力移动终端设备的正常运行产生负面影响[1-2]。电力移动终端边缘节点是对电力移动终端边缘网关、服务器等边缘侧多种设备形态的基础共性能力的逻辑抽象[3]。电力移动终端边缘节点数据采集属于电力供需管理的核心环节，存在不可忽视的作用，电力系统的发展对电力移动终端边缘节点数据采集系统的精确性、高效性提出更显著的要求。

现阶段有关学者针对相关领域进行了研究和分析。文献[4]提出了数字控制变换器的大信号模型构建方法。对不同调制方式变换器的采样数据模型进行分析，利用等效性判别准则，判定数据模型的精准性。通过Boost变换器解析，获取等效电路模型，完成数据精准采集，但该方法的采集实时性较差。文献[5]校准系统使用激光源和光电探测器，通过绕两块FPGA板和一条定制的板条箱采集系统数据，前端板执行一级数据集中任务，读出主机控制电路板，实现事件构建功能，管理监控接口，并促进校准和调试任务，提高数据采集的时效性，但该方法的数据采集精准性较差。

为提高电力移动终端边缘节点数据采集精度，优化电力移动终端边缘节点数据采集实时性。本文设计基于离散域采样数据模型的电力移动终端边缘节点数据采集系统，该系统对电力移动终端边缘节点数据的采集效果较好。

1 基于离散域采样数据模型的电力移动终端边缘节点数据采集系统设计

1.1 系统整体结构设计

基于离散域采样数据模型的电力移动终端边缘节点数据采集系统的整体结构如图1所示。该系统主要包括电力移动终端边缘节点数据采集装置、Internet网络、用户浏览器、电力数据采集服务器和数据库。

图1 系统整体结构图

电力移动终端边缘节点数据采集装置可通过电力监控仪表，获取电力移动终端边缘节点三相电压、功率等数字信号，再使用离散域采样数据模型的DC/DC 变换器等效电路，将电力移动终端边缘节点的数字信号变换为具体数值后，通过Internet网络传输至电力数据采集服务器。电力数据采集服务器将所采集数据，采用集成聚类算法，精细化分类电力移动终端边缘节点数据，通过用户浏览器反馈至用户，实现电力移动终端边缘节点数据可视化管理，并将所采集数据存储在数据库中作为备份数据，用于历史查询。系统运行原理如图2所示。

图2 系统运行原理图

电力移动终端边缘节点的数字信号将传输至芯片STM32F103实施数据变换，变换方法主要是通过基于离散域采样数据模型的 DC/DC 变换器等效电路，将电压、电流等数字信号变换为具体数值，电力移动终端边缘节点数据，通过采集变换处理后，在液晶屏中实现可视化展示。系统信号采集与滤波电路结构如图3所示。

图3 系统信号采集与滤波电路结构图

系统检测的电力移动终端边缘节点数据分为三相电流、零序电流、线电压三路、一路校正直流等数据[6-8]。电流电压主要使用互感器变换为0～5 V的电压信号，为了优化电流信号采集效果，不使用穿线类电流互感器[9]。

1.2 基于离散域采样数据模型的 DC/DC 变换器等效电路

DC/DC 变换器的状态方程为：

通常情况下，电力移动终端边缘节点数字信号各个子状态持续时间为，控制信号为，每个子状态持续时间之和即为开关周期。设置电力移动终端边缘节点的数字信号输入变量不变，变换器的离散域采样数据模型在采样点之间的迭代关系能够描述为：

当DC/DC 变换器运行模式为开环时，因为控制信号c和电力移动终端边缘节点数字信号状态变量y不存在关系，式（2）能变换成1个标准的线性差分系统。则在开环模式中，输入变量v和状态变量y存在线性关系。如果变换器运行模式是闭环，

c与某个或多个状态变量存在直接联系，所以离散域采样数据模型中，状态矩阵与输入矩阵

都和状态变量存在关联性。式（2）中存在y的高次项，在此条件下，变换器存在非线性属性[10]。从传统角度分析，矩阵需要进行近似处理，则建立近似的矩阵，使其符合如下约束条件：

所近似的电力移动终端边缘节点数字信号与原始信号具有高度的近似性[11-12]。

另外，直接均分开关器件，能够建立变换器大信号等效电路。现实中，状态空间平均模型就是构建于此类平均开关模型基础之上的小信号模型[13]。而此均分化方法不具有状态矩阵与输入矩阵的约束，不能使模型具备闭环系统的动态性。

为了降低切换过程的复杂性，直接使用离散域采样数据模型构建等效电路，该等效电路的信号状态轨迹在采样点中，需要和原始信号状态轨迹高度近似。等效电路的建立方法是：构建非对角线元素、对角线元素矩阵。因为该等效电路模型在推导步骤中未进行线性化，所以获取的电力移动终端边缘节点数据能够保留原始电力移动终端边缘节点数字信号全局动态属性。

1.3 电力移动终端边缘节点数据集成聚类算法

1.3.1 算法描述

集成聚类算法的内容为：划分聚类电力移动终端边缘节点数据，将获取的聚类中心以层次聚类的模式组合。集成聚类算法分为3个阶段：bootstrap重采样、划分聚类、层次聚类[14]。bootstrap重采样阶段可获取电力移动终端边缘节点数据多个时间段的样本集，使用划分聚类模式，降低各个样本集的数据规模，再通过层次聚类将划分聚类结果实施组合。

1）bootstrap重采样

将容量为m的电力移动终端边缘节点数据样本实施随机采样，提取的随机样本容量为g，此时抽样过程中，每个个体被提取的概率一致。由于直接划分聚类时，算法稳定性较差，易进入局部最佳，则差异的初始聚类中心或数据集的微小变化，将会出现差异的聚类结果[15]。使用bootstrap重采样，能够克服初始聚类中心随机因素与原始数据集里离群点的干扰，以此降低算法的失稳度。

2）划分聚类

划分聚类属于层次聚类的数据预处理环节。如果直接层次聚类电力移动终端边缘节点数据，则需要运算全部目标数据之间的欧氏距离，并保存此距离矩阵，时间与空间的耗损较为显著。通过它输出的聚类中心，描述电力移动终端边缘节点数据的结构，可降低数据规模，提高聚类效率。

3）层次聚类

集成聚类算法中，层次聚类就是组合电力移动终端边缘节点数据样本集划分聚类的输出结果[16]。主要使用聚类效果佳、可靠性显著的层次聚类算法，组合划分聚类环节输出的聚类中心，以此获取电力移动终端边缘节点数据的聚类结果，将此聚类结果分组反馈给用户，优化电力移动终端边缘节点数据可视化效果。

1.3.2 算法步骤

算法中样本数A与聚类数R十分重要。样本数A和聚类数R的乘积与存在直接联系，则样本数A与聚类数R对电力移动终端边缘节点数据的聚类效果存在直接影响。

假设电力移动终端边缘节点数据集存在m个目标数据，将其抽样次提取的样本存在个目标数据。由于bootstrap重采样属于有放回抽样模式，因此在样本中将存在重复数据。如果各次抽样具有独立进行特征，那么一个样本里某个数据目标没有被选取的概率为：

其中g表示为电力移动终端边缘节点数据集规模。如果电力移动终端边缘节点数据样本之间具有独立性，那么A个样本数不存在数据目标的概率为：

当电力移动终端边缘节点数据集规模g显著时，概率Q的极限值为， 则样本集存在的原始数据。样本数A取值范围与样本信息含量关系如表1所示。

表1 样本数A取值范围与样本信息含量关系

如表1所示，样本数A取值为10时，样本集中存在电力移动终端边缘节点原始数据集的所有数据。

聚类数R的取值不存在具体的理论标准，可按照聚类有效性指标设置最优聚类数，聚类数R的取值需要大于最优聚类数[17]。通过上述步骤，采用离散域采样数据模型的 DC/DC 变换器等效电路，将数字信号变换为具体数值，通过采集变换处理后，电力移动终端边缘节点数据可视化展示，结合集成聚类算法，精细化分类电力移动终端边缘节点数据，实现电力移动终端边缘节点数据采集系统设计。

2 实验分析

为测试本文系统的有效性，将该系统部署于一台服务器中，配置为Intel XeonE5450，在此服务器中，对本文系统的使用效果进行具体测试。使用本文系统对用户电力移动终端边缘节点数据进行采集，检测结果如图4所示。

图4 电力移动终端边缘节点数据采集结果图

由图可知，本文系统的电压数据、电流数据的采集结果与实际值的偏差值最大值分别为0.01 V、0.01 mA，功率因数采集结果与实际值不存在偏差值。由此可知，本文系统对用户电力移动终端边缘节点数据采集精度较高，验证了该系统对电力移动终端边缘节点数据采集的有效性。本文系统引入集成聚类算法，精细化分类电力移动终端边缘节点数据，从而有效提高电力移动终端边缘节点数据采集精度。

随机选取该户电力移动终端边缘节点数据，以A相电压、电流数据为例，测试本文系统对其数据采集的实时性，结果如表2所示。

表2 本文系统数据采集实时性测试结果

由表可知，在不同时间段中，随着实际电压、电流值的变化，本文系统采集的电压、电流与实际的电压、电流值的偏差区间均为[0,0.01]。由此可知，本文系统可实时采集该户电力移动终端边缘节点电压、电流数据，能够有效提高数据采集实时性。因为本文系统采用离散域采样数据模型，构建 DC/DC变换器等效电路，降低切换过程的复杂性，从而提高了电力移动终端边缘节点数据采集实时性。

测试本文系统在采集电力移动终端边缘节点数据时，对电力移动终端边缘节点电压、电流、功率因数数据的聚类效果，以卡林斯基原巴斯指数（Calinski-Harabasz index，CHI）体现，CHI指标可描述数据类间的分散性与类内的紧凑性，其表达式为：

CHI指标值越显著，表示电力移动终端边缘节点数据类簇间分散性与类簇内的紧凑性越好，对电力移动终端边缘节点数据的聚类处理效果越好。本文系统的测试结果如图5所示。

图5 CHI指标测试结果

由图可知，本文系统在采集电力移动终端边缘节点数据时，对节点电压、电流、功率因数数据聚类后，CHI指标值均高达0.98，数值较为显著。由此可知，本文系统对电力移动终端边缘节点数据类簇间分散性与类簇内的紧凑性较好，对电力移动终端边缘节点数据的聚类处理效果较好。因为本文系统采用集成聚类算法，获取电力移动终端边缘节点数据多个时间段样本集，降低各个样本集的数据规模，组合划分聚类结果，确保了数据聚类处理效果。

3 结束语

本文设计基于离散域采样数据模型的电力移动终端边缘节点数据采集系统，该系统使用ST公司的ARM芯片STM32F103，基于离散域采样数据模型的 DC/DC 变换器等效电路，快速将电力移动终端边缘节点的电压、电流等数字信号变换成具体数值，并引入电力移动终端边缘节点数据集成聚类算法，将电力移动终端边缘节点数据结果分类显示，实现电力移动终端边缘节点数据的全面采集。经过系统测试，本文数据采集系统的数据采集精度和采集实时性较高，数据聚类处理效果较好。