基于边缘计算的中低压配电网多类型传感器接入技术

王伏亮，李 澄，李春鹏，陆玉军，陈 颢

（江苏方天电力技术有限公司，南京211100）

配电网主要用于在电力系统中分配、传递高压、中压和低压等不同等级的电压，配电网输出的高、中、低压分别为35～110 kV、6～20 kV 和220/380 V。在中低压配电网的应用过程中，存在供电面积大、传输距离远、电路负荷轻、负荷分布分散、电路有功功率低等问题。由于配电网中传感器类型和数据繁多[1]，在常规技术中，通过检测设备直接传递数据或者人工检测，用户通过应用客户端虽然能够直观地看到数据信息，但是用户从浩瀚的数据库中找到目标数据并及时应用就显得非常困难，就近处理和应用程度低。

边缘计算（edge computing）是指接近于配电网、传感器数据和中低压配电网内设置的监测设备源头处的计算，该算法融合了网络数据采集、数据即时计算、存储和应用，能够在网络端、设备端为用户就近提供多种功能，在数据融合、处理和应用方面具有卓越的技术优势[2]。因此，本研究在中低压配电网中引入该技术，下文将详细介绍。

1 多传感器数据边缘融合

在中低压配电网中，由于在大面积范围内设置了不同传感器，用户对孤立开的传感器计算数据的管理就显得十分困难。在现有技术中，数据融合技术存在扩展性差、数据处理效率低、监控力度欠缺的问题。因此，在分析、计算这些数据之前，需要对多类型传感器进行信息融合计算，通过该步骤，能够降低数据计算的误差率，提高配电网管控的时效性，使用户更集中地管理数据[3]。下面对多传感器的数据融合方法进行以下说明。

假设在中低压配电网中设置有n 个传感器，对影响配电网稳定性运行的因素ρ 进行综合分析，将n 个不同类型的传感器记作为数据集合｛D1，…，Dn｝。由于衡量中低压配电网的需要，往往设置多种类型传感器以从不同的角度进行测量，比如设置用于测量温度的温度传感器、 用于测量压力的压力传感器、用于测量振动的振动传感器、用于测量角度的角度传感器、用于测量电流的电流传感器等。通过这些信息，都能够从不同的角度反映配电网运行的状态。由于配电网环境多变，很容易给配电网的正常运行造成干扰。因此，可以通过概率学理论来衡量各种问题的综合[4]。假设在时间t，传感器集合｛D1，…，Dn｝分别测量出的影响配电网正常运行的参数记作为数据集合｛ρ1（t），…，ρn（t）｝，其中ρi的值可以按照概率理论的正态分布进行计算，其中i 表示为第i 个传感器，μi表示为概率分布的数学期望值，通过该值能够综合反映不同传感器的计算误差。为了提高测量精度，再运行加权计算，用字母记作为，加权公式如下所示：

在式（1）中，由于每个传感器都有一个加权值，第i 个传感器的加权值可以用ωi来表示。则设ρi为计算过程中的随机变量，从概率学理论上讲，其服从正态分布N（μi，σi2），从多元概率分布理论的角度来讲，数据集合［ρ1，…，ρn］则服从n 元正态分布N（a，B），用分布密度函数来表示，则有：

在式中：x＝［x1，…，xn］；a＝［μ1，…，μn］；B＝diag

对数据集合［ρ1，…，ρn］进行线性组合，ρ的分布密度函数可以用以下公式来表示：

其中标准方差可以记作为

通过上述计算，能够提高传感器数据信息采集、分析、计算的速度，最终实现多种传感数据的监测，并实现了分布较为分散传感器的组合化、集中处理。

2 边缘计算

边缘计算也被称为邻近计算或者接近计算（proximity computing），将其应用到物联网中，借助于微型数据中心的网状网络，即可在本地直接计算、分析传感器检测数据，计算后的数据，能够直接传递到云计算机或者中央数据中心，加快了数据应用能力[5]。在对多类型传感器数据进行数据融合后，为了提高检测系统的数据处理、应用能力，本研究在配电网运行系统中加入边缘设备，边缘设备设置有边缘数据采集单元，其由多个边缘数据采集节点构成，各个数据节点还与外围设备连接，采用边缘设备在于其具有数据处理能力较高，通信接口多样，能够满足多种不同的通信功能，并且其内的可编译环境较好，数据存储空间大。在网络的边缘位置，用户能够进行大量数据的计算和分析，使得该计算结果能够最接近数据集合点，便于用户实时把控中低压配电网运行过程中的数据信息，提高配电网运行的可操作性[6]。

2.1 边缘计算设备

在配电网中的不同位置处，设置有多个边缘计算设备，边缘计算设备包括采集中低压配电网各种信息的采集单元和对采集到的配电网信息进行计算的计算单元[7]。其原理图如图1 所示，在采集单元中，其核心处理器为基于ATMega328P 的微控制器处理器，该处理器带有14 路GPIO 接口，6 路PWM和12 位ADC 接口，UART 串口，1 路SPI 接口，1 路I2C 接口，通过外部模块以串口形式接入控制器，如ZigBee，RS485 转RS232 等。其应用频率为1.2 GHz的四核BCM2837[8]。

图1 边缘计算系统架构图Fig.1 Architecture diagram of edge computing system

在计算单元中，其具有的处理器核心板为64位ARMv8，外部接口有BCM43143WiFi 和低功耗蓝牙接口，其具有40 路的I/O 接口，4 路USB 接口，1 路以太网接口，1 路HDMI 接口等。同时搭载了嵌入式Linux 系统，具有较好的数据处理能力[9]。

2.2 计算即服务的计算模型

边缘计算设备的体系结构采用先进的动态频率电压缩放DVFS（dynamic frequency and voltage scaling）技术，利用该算法进行计算时，采用了边缘计算的计算即服务模式，该技术可以通过改变CPU的周期频率来调节能源消耗。在具体计算过程中，假设fm表示为边缘计算过程中能耗，其中fm受边缘设备具有的最大计算能力的限制。假设存在验算任务模型A（L，Td，X），其中L 表示为数据融合后的数据包大小，其单位为bit，Td表示为数据完成边缘计算的时间，其单位用s 表示，X 表示为边缘计算的工作量，则采用下述公式计算边缘模型[10]的延迟。则有：

式中：

利用公式（6）能够获取计算性能与时间延迟tm之间的关系，fm是边缘设备具有的数据计算能力，用户在使用边缘设备时，可以根据其CPU 能耗与延迟时间之间的关系来分配其各个参数[11]。当延迟需要降低时，需要增加fm，以保证边缘任务工作的实时性，反之，可降低fm。在本研究中，计算即服务模型示意图如图2 所示。

图2 计算即服务模型示意图Fig.2 Schematic diagram of computing as a service model

在图2 中，en表示不同的传感器接入节点，e1表示中低压配电网络中的节点，e2、e3、e4、en-1分别表示不同类型传感器的传感值，利用上述介绍的边缘计算时间与能耗之间的关系，则有：

3 系统及应用

结合图3，对其演算过程进行说明，在图3 中的演变系统中，其融合了多传感器技术、云计算技术、数据通讯技术、物联网技术以及B/S 网络架构[12]。该应用系统包括传感数据层、信息融合层、云计算数据层、数据传递层和数据应用层，通过在中低压配电网中接入了多种传感器实现多种信息采集。当某一个传感器检测到的数据在边缘设备节点进行融合、处理时，根据系统结构的特点，实现多种数据的融合，然后再进行边缘计算，也可以不经过数据融合继而实现边缘计算[13]。

图3 边缘计算系统架构图Fig.3 Edge computing system architecture

传感器信息通过随机网络演算模型进行计算时，还可以实现传感器监测数据的信息传递和远程监控，远端的网络安全管理用户能够清楚地看到处理数据，用户管理人员能够根据输出的数据结果信息正确地反映网络故障信号。便于用户进行数据查询、跟踪和管理[14]。故障数据信息Internet 网络、无线通信网络传递到云端或其他服务器，在云端服务器中，能够实现故障数据的永久性存储。由于网络数据的监管是多种部门的综合，用户可以在总监控中心将该故障数据实现与上层管理中心的交互。本研究采用的云主站和B/S 结构实现数据通讯[15]，选择的数据库类型为数据库服务器AQL Server 2015，其存储有大量不同的网络数据，通过一些数据计算可以将这些大量的不同数据信息进行分类，该数据传递到服务器，通过交换机分发到Internet 中，通过Internet 在表示层显示。通过云主站，用户能够获得传感器融合的数据信息，在边缘计算节点进行传感器数据计算[22]。

4 试验结果与分析

试验本文研究技术方案的优越性时，系统采用了Python 编程算法，硬件部分包含有云计算设备以及边缘设备。采用的云计算中心参数：Intel（R）Core（TM）i5-4570；CPU 双核@3.20 GHz；4.00 GB 内存；Windows7 64 位操作系统。采用的边缘设备参数为：BCM2863；ARM Cortex-A7 CPU；1 GB 内存；RASPBIAN JESSIE WITH PIXEL 操作系统[16]。在相同系统中，通过采用边缘计算和未采用边缘计算分别衡量检测系统处理的工作效率。试验模型如图4所示。

图4 试验模型Fig.4 Test model

在利用上述数据模型进行试验时，假设在中低压配电网中设置了5 个传感器。分别检测中低压配电网的振动、位移、温度、湿度和角度。在中低压配电网工作60 s 内，得出试验数据表1。

表1 数据试验表Tab.1 Data test

然后根据上文进行边缘数据融合计算，为了使计算精度更精确，按上述方法连续测量10 次，得出试验数据表2。

表2 数据试验表Tab.2 Data test

根据概率学理论，σ值越小，融合性能越强，再进行边缘计算时，就越精确。在表2 中，用A 表示为采用边缘设备进行中低压配电网运行情况稳定评估的误差，用B 表示为未采用边缘设备进行中低压配电网运行情况稳定评估的误差，B 为人工评估方法，得出如图5 所示的误差曲线示意图。

因此，采用本研究介绍的智能算法远远大于人工评估方法，通过边缘计算能够解决本研究引言部分中提到的技术问题。

图5 误差曲线对比示意图Fig.5 Comparison of error curves

5 结语

本研究通过在配电网中应用边缘计算，能够有效地降低带宽。在数据采集时，能够使数据的处理从配电网最边缘处的收集点开始，即时采集、计算和数据传递，使远程客户端能够及时收到底层检测数据，还可以使数据在计算端进行计算。数据的即时存储使边缘计算得到广泛地扩展，有效地减少网络负载。因此边缘计算能够有效地改善中低压配电网中断和间歇性连接，增加了除了云计算以外的其它功能，避免了服务器停机造成的损失。随着边缘技术逐步应用和技术的成熟，将使电力输送系统进入新时代。