电力电气自动化设备物联网在线监测技术研究

芦小雨 马全保

（中国电建集团河南省电力勘测设计院有限公司，河南 郑州 450000）

物联网和智能电网的快速发展推动了科学技术的广泛应用。为了全面监测和管理电力设备的状态，需要深入研究和创新电力设备在线监测方法。电力物联网技术的出现为这些方法的创新提供了更多可能性。通过综合应用，可实现对电力设备的智能定位和识别，并在智能化的监控和跟踪过程中准确判断电力设备在线监测数据的意义[1-2]，可使电力设备的在线监测更智能化，为提升监控效率和管理能力提供了有效的解决方法。

1 电力电气自动化设备物联网在线监测系统现状

该文以某电力企业为例，从通信网络拓扑结构、在线监测网络部署及在线监测实现3 个方面对其电力电气自动化设备物联网在线监测系统现状进行分析，具体如下。

1.1 设备监测通信网络拓扑结构

该物联网在线监测系统在设计过程中，由于一级设备通常处理突发事故能力和数据处理能力较差且无法细化分配业务信道，三级设备的网络协议配置比较复杂且协议渗透性一般，而二级网络则可以有效过滤监测信息，防止广播域过大造成泛滥等情况，因此，现有物联网在线监测网络拓扑采用的是环型拓扑结构，具体如图1 所示。

图1 物联网在线监测系统网络拓扑结构图

从图1 可以看出，整个网络架构主要由2 个集中节点构成。中央节点负责管理和控制网络的流量，并负责转发主要IED 之间的通信。交换机之间的信息流动是单向的，并且在2 个主要IED 之间只有一个逻辑链接。当物理连接发生故障时，交换机会使用RSTP 协议重新计算路径。此外，交换机A 和交换机B 之间可以通过绕过物理线路的方式进行直接通信。如果在线监测系统中设有N个交换机，则其平均时延如公式（1）所示。

式中：Q为交换机的平均时延；ti为交换机之间的时延；N-1 为链路条数。

1.2 在线监测网络部署

合理部署网络可以最大程度地减少数据丢失和时延增加等情况。该文采用网络最大流算法，将环状网络划分为若干区域，以减少通路的电磁干扰[3]。同时，根据不同电力设备的监测需求，并借助数据融合技术，对这些监测数据进行处理和融合，以降低冗余，提高数据的准确性和完整性。为确保网络部署的合理性，需要先确定网络生存周期，如公式（2）所示。

式中：Li为网络生存周期；Ei为节点i的初始能量；ei为发送单位数据流量所需耗费的能量；fij为节点i到节点j的平均流量与最大可能流量的比值；Q为交换机的平均时延。

同时，为防止节点间因间距过大而出现簇头布局不合理的情况，并均衡网络能耗，延长网络整体使用寿命，还需要精准计算通信网络路径距离因子，如公式（3）所示。

式中：E为通信网络路径距离因子；d（i，path1）、d（i，path2）为通信路径之间的距离；d2（i，sink）为传感器节点到sink节点之间的距离；Li为网络生存周期。

1.3 电力设备在线监测

根据网络结构获取电力设备的在线监测数据，并采用横向相似性方法来识别异常数据点。算法流程如图2 所示。具体而言，先计算相邻时刻负荷变化率，然后与预先设定的正常范围进行比较。如果某个时刻的负荷变化率超出正常范围，就可以将该数据点标记为异常。

图2 电力设备异常数据检测流程

采用横向相似性方法能够快速、准确地辨识出异常数据点，从而实时监测电力设备的状态，有助于及时发现设备故障、异常行为或其他问题，以便采取相应措施进行修复或调整，提升电力设备在线监测的效果和可靠性[4]。

在异常数据判断方面，如果某个采样点的负荷变化率在正常范围内，可将其视为正常数据点；如果负荷变化率超出正常范围，就判断该数据点为异常数据点。修正异常数据时，可以根据异常点前、后的数据变化率的均值进行修正。修正公式如公式（4）所示。

式中：Ye（i）为异常点前、后数据变化率的均值；Y1（i）为修正异常值；Yd（i-1）为负荷值；Y1（i-1）为特征值；E为通信网络路径距离因子。

该修正过程可以消除异常数据的影响，更准确地反映电力设备的实际状态。

2 系统优化

该厂现有在线监测系统存在能耗高、精度低等问题，为改善该问题，采用LPWAN 网络技术对原有在线监测系统进行优化升级，并增加Viterbi 算法，以此来提高在线监测的精度和效率。

2.1 LPWAN 网络技术

LPWAN 网络技术就是低功率广域网络技术，可覆盖十几千米的距离，能够实现局域资源和广域资源的共享且能耗更低[5]。应用该技术可有效解决现有在线监测系统覆盖范围小、能耗高等问题，并能满足跨地理位置的通信需求。LPWAN 网络架构示意图如图3 所示。

随着该电力企业的发展，单个局域网已无法满足大规模的生产要求。因此，需要将各局域网通过特定的连接方式相互连接，以形成一个跨越多个地区的广域网。因此，可通过LPWAN 网络优化原有网络架构，构建广域网，使不同部门之间实现协同工作、资源共享和数据交互，提高电力企业的生产效率和运行管理能力。同时，通过融合NB-IoT 无线通信技术、eDRX 技术和PSM 省电技术，进一步提高在线监测系统电池寿命，进而提升节能效果。例如在需要高精度和高安全性的监测场景中，如果设备的监测周期为10s，每15min上传一次数据，在线监测系统只需要4～5 个月更换一次电池即可。而对安全性要求高的设备来说，如果设备的监测周期为1 天，每年上传一次数据，则电池可持续供电长达12 年。另外，用户可以根据具体应用场景的需求对网络进行灵活配置，以满足监测和安全要求，提高在线监测系统的可扩展性和灵活性。

2.2 Viterbi 算法

作为一种动态规划算法，Viterbi 算法在非侵入式监测中具有重要的应用价值，能够有效减少求解过程中的时间消耗，并能适用于各种不同的用电场景[6]。但考虑传统Viterbi算法计算比较复杂，该文根据实际需求对Viterbi 算法进行了改进。例如相邻的2 个电力设备的用电量通常是平衡的，当这种平衡发生改变时，说明电力设备状态也发生了改变，因此利用Viterbi 算法进行计算，可有效减少计算中的冗余项目，降低计算复杂度，有效解决了多种电力设备场景下的计算困难问题。改进后Viterbi 算法的计算步骤如下。

第二步，递归计算。如公式（6）、公式（7）所示。

第三步，终止。如公式（8）、公式（9）所示。

式中：P*为状态序列的终止观测状态；Q*d为第d段序列的最大化状态；δd（i）为第d段序列的观测概率。

第四步，状态序列回溯。如公式（10）所示。

式中：Q*d为第d段序列的最大化状态；ψd+1为第d+1 段序列的状态；Q*d+1为第d+1 段序列的观测概率。

改进Viterbi 算法后，根据观测序列中的观测值和已知的状态转移概率，可以确定在给定观测序列下最可能出现的状态路径，进而可以推断出对应的最佳用电设备序列。

3 试验结果与分析

为验证优化后在线监测系统的效率和精度，该文采用Microsoft Windows 2015，64 位计算机操作系统进行试验，并与原系统进行对比。试验运行环境如下：处理器为Inter（R）Core（TM）i7，主频为2.59GHz，内存为16GB。具体试验方法如图4 所示。

图4 试验方法示意图

首先，设定输出数据量为5000GB，时间为1h，并选取20 个不同数据节点进行对比，最终得出数据集见表1。

表1 优化前、后信息数据集

其次，比较优化前、后在线监测系统的延时性，具体如图5 所示。

图5 优化前、后延时时间对比示意图

根据表1 和图6 可知，优化后，在线监测系统相同时间内可接收更多数据，并且延时时间为10ms～20ms，明显低于优化前。因此，优化后系统监测效率更高。

图6 优化前、后系统监测准确率对比

再次，比较优化前、后在线监测系统的监测精度，具体如图6 所示。

通过图6 可以看出，随着数据量增加，在线监测系统的监测准确率均呈下降趋势。但是优化后，系统监测准确率始终高于65%且优于优化前。

4 结语

综上所述，将该电力企业现有电力自动化设备在线监测系统优化后，其接收数据量、延时性及监测精度均有明显提高，有效提高了电力自动化设备在线监测的技术水平，对电力企业安全高效运行具有深远意义。然而，由于研究时间限制，该文研究仍存在一些不足，例如处理数据过剩等。因此未来的研究将专注于开发更高效的方法来进一步优化在线监测系统。