基于云边协同的高压电缆智能监测与状态预测系统①
2022-12-15陈自国刘泽朝张传江李敬兆
陈自国， 刘泽朝， 张传江， 雷 雨， 李敬兆
(1.安徽理工大学电气与信息工程学院，安徽 淮南 232001；2.淮北矿业(集团)有限责任公司 机电装备部，安徽 淮北 235000)
0 引 言
从20世纪以来，我国整体用电量大幅增长，电缆作为整个电力系统重要的组成部分，扮演着愈发重要的角色。随着电缆的使用量不断增加，对电缆的安全性和可靠性要求越来越高，目前所生产使用的功能单一的高压电缆监测装置难以满足现实使用要求，同时，随着电缆在线监测设备的不断增多，电缆状态感知节点的种类和数量急剧增加，数据全部上传会挤占网络带宽资源，会对云端造成巨大数据处理压力，难以对电缆健康状况进行快速可视化响应。
由此，周凯等人[1]提出中提出了一种基于小波变换的XLPE电缆介质损耗在线监测方法，对电缆接头进行热分析，通过热分析确定电缆过热位置，并完成了电缆在线监测系统设计方案，但缺乏电缆数据分析和处理功能的设计。孙俊峰等[2]提出一种基于LSTM滚动预测算法，对电缆缆芯的温度进行预测，取得了不错的预测效果。贾京苇应用马尔可夫决策过程，折中维修成本和故障损失，得出最优经济的检修策略，给检修决策人员提供了参考[3]。张波等[4]借助LSTM神经网络对数据的变化规律进行提取，同时结合支持向量回归模型对其态势进行预测，获取未来一段时间机器的特征数据流，并结合动态评估模型，实现配电变压器未来运行态势预测。针对数据处理压力问题，相关学者提出计算卸载方案，通过将终端设备的计算任务卸载到边缘服务器，实现移动应用程序的低延迟需求[5-6]。相关技术的研究为文中深入分析提供了有效的解决方案。
综上所述，随着“智能化”在我国的大力推行，文中提出一种云边协同计算环境下的高压电缆智能监测与状态预测系统，边缘计算作为一种新的计算范式应运而生，它靠近生产现场，数据传输链路短，通过建立电缆监测数据处理机制，减少边缘端上传至云端的数据量，保障了高压电缆实时性监测。同时在云端设立高压电缆状态预测模型，通过对历史数据进行处理，对电缆未来短期状态特征量做出预测，实现对电缆的运行状况提前进行判断，减少故障带来的安全风险。
1 智能监测与状态预测系统架构
随着“智能化”在我国的大力推行，电缆在线监测网络高速建设，电缆状态的监测数据量显著增多，现实中产生的数据呈现出海量、复杂、存储周期长、计算频度高的特征。为了对电缆状态更实时、高效和准确的把握，从数据驱动的角度，设计了一种云边协同计算环境下的高压电缆智能监测与状态预测系统。
图1 系统架构
从供电电缆运行时的温度和接地线电流等特征量中提取多维特征，并将数据采集和特征提取功能部署在边缘层，将实时运行状态显示和未来运行状态预测模型部署在云处理层，同时建立云边协同计算环境下的电缆监测数据处理机制，满足了大规模电缆集群实时监测和未来短时运行状态的预测。
2 电缆监测数据处理机制
2.1 数据采集方法
实验数据来源于淮北某煤矿生产基地现场，在现场型号为10kv的交联聚乙烯电缆接头处布设无线温度、电压和电流互感器等传感器，对电缆的温度和接地线电流等表征电缆运行状态的数据进行持续监测。边缘信息采集与处理模块如图2所示。
图2 边缘信息采集与处理模块
2.2 数据自适应阈值处理算法
为减少边缘端上传至云端的数据量，保障了高压电缆实时性监测，将自适应阈值算法改进后用于对监测数据的紧急程度进行区分，实现对数据的采集和上传速度进行控制。假设边缘感知节点检测到的一组数据，经过预处理后得到的形式为Z=[m1,m2,m3,…，mn]，将Z代入公式(1):
(1)
可得出数据变化率K=[k1,k2,k3,…,kn-1]，得到数据的变化情况，已知数据集K中存在阈值KH，将其分割为K1(ki
由上述数据可得式(2)，(3):
p1·a1+p2·a2=A
(2)
p1+p2=1
(3)
根据方差的概念，类间方差的表达式为式(4)：
δ2=p1(a1-A)2+p2(a2-A)2
(4)
将(2)式代入公式(3)并化简后可得式(5)：
δ2=p1p2(a1-a2)2
(5)
在云边协同计算环境下的电缆监测数据处理机制，能够极大的提高系统的日常工作效率，构建出一种高可靠性的边缘数据处理模型，如图3所示，边缘侧采集到的信号首先进行本地保存，确保原始数据的完整，接着进入边缘智能自适应处理模型进行数据处理，经过异常值筛除，数据平滑预处理，再进行数据自适应阈值处理算法处理后，与得到的自适应阈值进行对比后，节点进入对应的工作模式，按预设的模式将数据上传至云端服务器，进行高压电缆监测数据分析和处理。
3 运行状态预测方法研究
电缆内部结构复杂，而且通常布设在阴暗潮湿的地下，当出现故障时，检修起来比较困难，而且在特定场合，出现故障时，容易引发事故，针对这一问题，引入基于LSTM的滚动预测模型，通过对高压电缆监测特征量进行分析，实现对电缆未来运行态势预测，及时对电缆故障做出检修。
图3 云边协同计算环境下的电缆监测数据处理机制
3.1 LSTM神经网络建立及优化器选择
ht=ot·tanh(Ct)
(6)
(7)
(8)
it=σ(Wi·[ht-1,xt]+bi)
(9)
ft=σ(Wf·[ht-1,xt]+bf)
(10)
ot=σ(Wo·[ht-1,xt]+b0)
(11)
式(8)-(11)中Wc，Wi，Wf，Wo为待训练参数矩阵，σ为Sigmoid激活函数，bc，bi，bf，b0为待训练偏置项，在模型训练过程中，损失函数随着迭代过程不断减小，待训练项不断更新，最终获得适用于解决对应问题的神经网络模型。在神经网络训练过程中，加入Adam(自适应动量估计)优化器，更新模型训练以及输出的网络参数，让模型达到一种最优状态，其待训练参数更新公式为式(12)：
(12)
mt，Vt为t时刻的一阶动量和二阶动量，β1和β2为修正动量的超参数，如式(13)，(14)：
mt=β1·mt-1+(1-β1)·gt
(13)
Vt=β2·Vt-1+(1-β2)·gt2
(14)
式(13)，(14)中gt为t时刻损失函数关于当前参数的梯度。图4为Adam优化下的LSTM训练结构。
图4 Adam优化下的LSTM训练结构
3.2 基于LSTM的滚动预测模型
通过在Adam优化下的LSTM网络中加入滚动预测技术，实现模型预测精度的提高，基于滚动预测的动态性，在训练数据的过程中，神经网络具有自我调节的能力，具体滚动预测网络工作流程如图5所示。
具体步骤：
1)对高压电缆相关的时间序列集进行导入，对输入输出变量进行合理选择；
2)对数据训练集和测试集进行划分，由于原始数据的量纲不一样，需进行数据预处理，即归一化处理，公式为式(15)：
(15)
式(15)中：xmin为样本数据的最小值，xmax为样本数据的最大值；
3)构建预测模型，从t=0时刻开始输入数据；
4)根据构建的预测模型，预测t=t+1时刻的电缆接地线电流大小，并将结果进行反归一化处理，同时将数据进行输出；
5)对样本数据进行更新：在训练的样本中，添加当前时刻的实际输入与输出数据；
6)在线对网络训练模型进行更新；
7)重复进行第4)到6)步，直到所有预测完成，并对最终的结果进行输出；
图5 滚动预测网络
网络模型在实际的预测过程中，在t2时刻，网络会自动进行参数模型的调整，通过滚动更新最新的数据变化规律，及时对参数的变化情况进行跟踪，实现模型精度的提高，实现模型具有更好的学习原始数据的能力，提高对电缆接地线电流的预测精度，完成算法模型对电缆实际运行状况的表征。
4 系统性能分析
4.1 电缆故障实时预警分析
在云边协同计算的电缆监测数据处理机制下，边缘侧会对采集的数据进行预处理，根据数据的紧急程度确定上传至云处理平台的数据量，提高云处理平台的数据质量，降低了平台数据处理压力。云平台能够对电缆运行状态变化准确和实时感知，当电缆运行中出现故障时，各监测特征量呈现上升趋势，如图6所示，在t时刻，维修人员会及时发现电缆异常运行状态，并及时对紧急事故进行处理。
4.2 电缆运行状态预测实例分析
当云端数据库达到一定的数据量时，云处理端会通过预先布设好的滚动LSTM神经网络，对历史数据进行训练学习，Adam优化器优化的基于LSTM的滚动预测模型输入数据有时间序列下的电缆外保护套温度值，电缆电压和接地线电流值，环境温湿度值，输出数据为电缆接地线电流，其滚动预测结果如图7所示。
图6 电缆故障时各特征量变化状态
图7 优化后的LSTM的预测结果
电缆接地线电流的大小反映出电缆的绝缘状态，系统通过预测短时接地线电流的态势发展，实现对电缆的态势评估。
为评估优化后LSTM的实际性能，建立预测模型而搭建的实验平台软硬件信息如下：实验使用的深度学习架构为TensorFlow+Keras，开发环境为PyCharm2020版本，采用的系统为Windows10，计算机配置为Intel(R) Core(TM) i7-10510U CPU。
在历史数据集中选取1800组数据，取1625组用于训练，其余175组数据用于测试，输入数据有时间序列下的电缆外保护套温度，电缆电压和电流接地线电流值，环境温湿度，输出数据为电缆接地线电流，构成算法模型的数据集。同时，为了更好的对算法模型在电缆接地线电流预测中的有效性和准确性方面进行评估，采用均方根误差(RMSE)和平均绝对百分比误差(MAPE)对预测模型进行评价，得出的结果如表1。
表1 3种模型评价指标
实验结果表明，优化后的LSTM网络在RMSE和MAPE两种评价指标下的评价结果，比另外两种对比模型效果好，优化后的LSTM网络在解决时间序列长期依赖问题的同时，模型具有自我调节能力，预测准确性较高，对实际预测短时电缆状态具有一定的意义。
5 结 语
为了实现大规模电缆集群的运行状态评估与预测满足实时响应，构建云边协同计算环境下的电缆监测数据处理机制，同时为对高压电缆进行状态预测，设计了基于LSTM的优化模型，对电缆状态特征量的深度特征进行分析。实验结果表明，系统能实时准确对电缆的状态进行监测，同时，电缆的监测特征量中包含大量的时序特征，通过采用循环神经网络的方法对信号的时序特征进行提取，预测短时电缆接地线电流态势，实现对电缆的故障进行预判。通过优化传统LSTM神经网络，滚动更新最新的数据变化规律，对参数的变化情况进行跟踪，实现模型拥有更高的准确率，通过对比试验可知，优化后的LSTM模型能实现电缆短时状态的高精度预测。系统在实际应用中，能够进一步提升高压电缆运行时的安全性和可靠性。
