基于窄带物联网的电缆接头温度监测系统

杨柳林， 谢振林

(1.广西大学电气工程学院， 南宁 530004； 2.广西电力系统最优化与节能技术重点实验室(广西大学)， 南宁 530004)

近年来，智能电网迅速发展，实时获取电力系统设备运行状态信息成为保障电力系统安全运行的重要一环[1-2]。相较于架空输电线路，电力电缆具有占地少，可靠性高等优点，在城市输配电网中所占比重日益增加[3]。然而，电缆线路中数量巨大的电缆接头，是电力系统运行中的薄弱环节，其中，温度是制约接头安全运行的主要因素。电力电缆接头由于制作及安装工艺不良、接触电阻过大等因素，高电压、大电流运行时易产生异常温升，加速绝缘老化，若不能及时发现异常，将引起火灾事故，影响系统正常运行[4-6]。因此，对电缆接头温度进行实时监测，及时发现温度异常并排除故障，对保障电力系统安全运行具有重要意义。

传统电缆接头温度监测采用人工定期巡检完成，但此种方式工作量大，且难以做到及时准确[7]。随着传感技术和计算机技术的快速发展，温度在线监测逐步成为电缆温度监测的有效手段，许多学者及电力工作者也对此进行了广泛研究，其主要表现在温度监测系统的测温方法和通信技术方面。在测温方法方面，文献[8]设计了一种红外非接触式高压电缆测温系统，但红外测温探头受周围环境温度影响较大，测量结果易出现较大偏差。文献[9-10]采用分布式光纤测温技术监测电缆温度，光纤测温具有抗电磁干扰能力强、信号传输可靠等优点，但敷设光纤投资较大，且光纤易折断，后期维护困难。文献[11]采用热电阻实时监测电缆接头温度，但热电阻易氧化，不宜在高温、潮湿环境下工作。文献[12]采用数字式温度传感器实时采集列车轴温数据，数字温度传感器可以实现多点接触式测温，具有测量精度高、功耗低、抗干扰能力强等优点，在目前温度监测系统中得到广泛应用。在通信技术方面，文献[13]设计了一种ZigBee无线通信的高压开关柜电缆室温度监测系统，ZigBee通信具有低功耗、低成本的优点，但其通信距离短，难以满足长距离数据传输需求；文献[14]采用LoRa无线通信技术作为温度监测系统的数据传输方式，LoRa技术通信距离远，功耗低，但是需要开发者自行布设基站或网关，且工作于非授权频段，开发难度大，网络安全性难以保证。文献[15]采用通用分组无线业务(general packet radio service，GPRS)通信技术进行远程数据传输，但GPRS通信功耗较高，电池供电时监测系统运行时长难以保证，且需向运营商缴纳费用，增加了运营成本。由于电缆接头常处于电缆沟、隧道等复杂环境内，温度监测系统取电困难，通信受阻，因此选择合适的数据通信方式显得至关重要。

窄带物联网技术是在长期演进(long term evolution,LTE)技术的基础上发展而来的，是近年来新兴的低功耗广域网技术的重要组成部分，在智能路灯、环境监测等领域得到广泛应用[16-17]。利用NB-IoT技术低功耗、广覆盖、低成本、大连接的技术特点[18-19]，克服传统无线通信技术存在的弊端。基于上述分析，结合电缆接头所处环境特点，现设计一种基于窄带物联网(narrow band internet of things,NB-IoT)技术的电缆接头温度在线监测系统，利用数字温度传感器作为电缆接头温度测量方式，窄带物联网技术实现监测数据远程传输。系统主要包括监测终端和后台监控中心，监测终端以STM32为控制核心，数字温度传感器采集数据，并通过内嵌SSA-BP神经网络模型校正温度数据，提高测量精度，最终通过NB-IoT模块实现数据远程传输上传。后台监控中心以OneNET云平台为基础，实现数据云端存储、实时查看、异常报警、远程调控功能。

1 系统总体设计

电缆接头温度监测系统整体框架如图1所示，包括监测终端、NB-IoT网络、后台监控中心三部分。监测终端分布于温度监测现场，由于运行环境受限，采用锂电池组供电，以低功耗的硬件器件采集处理温度数据，通过NB-IoT模块与云平台连接；NB-IoT网络是监测终端和后台监控中心的数据中转“桥梁”，包括通信基站和核心网[20]，上行数据经终端单片机(microcontroller unit，MCU)发送至NB-IoT基站eNode，eNode通过核心网与云平台连接，基于轻量级M2M(lightweight machine-to-machine，LwM2M)协议进行数据上传；后台监控中心基于OneNET云平台开发，汇聚上行数据，进行数据分析、存储、可视化处理，并对终端装置进行统一管理，实现电缆接头温度信息的分布式监测和集中式管理。

图1 温度监测系统整体框架Fig.1 Overall framework of temperature monitoring system

2 系统硬件设计

系统终端硬件设计如图2所示，主要由供电单元、温度采集节点和窄带物联网网关节点组成。为降低终端装置功耗，延长供电电源运行时间，避免因更换电池而频繁检修的弊端，终端硬件设计时，合理选择低功耗器件并进行节能电源管理电路设计。

图2 终端硬件设计Fig.2 Terminal hardware design

2.1 供电单元设计

供电单元为整个终端装置提供电能，实现供电、电平转换和电源管理功能。采用ICR18650CL锂电池组作为供电电源，MAX77827为稳压芯片，输出3.3 V电压供MCU及其余模块使用，并结合电源管理电路切换供电状态，保证锂电池组使用寿命，电路设计如图3所示。采用晶体三极管和PMOS晶体管(positive channel metal oxide semiconductor，PMOS)设计节能电源管理电路，其中Q1、Q2分别为PMOS和三极管，电阻R4为Q2导通提供偏置电压，三极管基极与MCU PB4引脚连接，PMOS漏极与MCU PC2引脚连接，电路工作分为两种情况：①供电状态，当三极管基极为高电平时，三极管导通，此时PMOS栅极为低电平，PMOS导通，电路正常供电，装置进行数据收发；②休眠状态，三极管基极为低电平，三极管截止，此时PMOS栅极为高电平，PMOS截止，电路停止供电，装置进入休眠模式。电源管理电路工作状态的切换通过MCU PB4引脚输出电平控制，并利用软件设置数据采集频率，通过电路工作状态的合理配置实现低功耗运行。

R1～R5为电阻；C5为电容图3 电源管理电路Fig.3 Powermanagement circuit

2.2 温度采集节点

温度采集节点由主控芯片和温度传感器组成。主控芯片选择LQFP64封装的STM32L431RCT6。芯片基于ARM 32位Cortex-M4内核，支持7种低功耗模式，工作电压范围为1.7～3.6 V，运行功耗为84 μA/MHz，低功耗模式下功耗极低。芯片最高主频80 MHz，在保证低功耗的前提下提供了强大的数据处理能力，具有256 KB FLASH，64 KB RAM，I2C总线读取温度传感器数据，UART串口与NB-IoT模块通信。芯片丰富的片内资源和外设接口及其低功耗特性，能够满足监测装置设计需求。

温度传感器采用数字传感器HDC1080，芯片具有14位分辨率，温度测量范围为-40～+125 ℃，温度测量精度典型值为±0.2 ℃。芯片具有睡眠和测量两种工作模式，睡眠模式下工作电流为100 nA，平均工作电流为1.3 μA，适用于电池供电等取电不便场景。芯片内部集成ADC，将所采集信号通过I2C总线传输至MCU。

2.3 NB-IoT网关节点

NB-IoT网关节点由NB-IoT模组、用户身份识别卡(subscriber identity module，SIM)和天线射频模块构成。NB-IoT模组采用移远BC26芯片，BC26是基于NB-IoT技术开发的低功耗无线通信模组。芯片可工作在多种网络频段，支持IP、UDP、CoAP、LwM2M、MQTT等多种网络协议，通过运营商基站与云平台对接。具有连接态、空闲态、省电模式三种工作状态[21-22]，省电模式下工作电流典型值为3.5 μA，满足低功耗设计需求。NB-IoT电路如图4所示，芯片通过TXB0104稳压电路与MCU保持通信，采用3.3 V电源电压供电，为确保供电性能，在靠近芯片VBAT输入端并联双极性TVS管，用以ESD防护，并联C26、C27、C28滤波电容，消除噪声。芯片通过数据(DATA)、复位(RST)、时钟(CLK)接口与SIM卡连接，接入运营商基站，RF_ANT为射频天线接口，预留有π型匹配电路，以调节射频性能，完成射频收发功能。

3 系统软件

3.1 MCU主控程序

MCU主控程序是监测终端软件设计的主导模块，调控监测终端正常运行，主要完成温度数据采集、分析异常情况并报警、定时唤醒和定功耗休眠等功能，以及解析云平台下发指令，响应平台管理的一些辅助功能。

图4 NB-IoT模块电路Fig.4 Circuit of NB-IoT module

图5 MCU主控程序流程Fig.5 MCU main control program flow

MCU主控程序流程如图5所示，系统上电启动，首先各模块进行初始化操作，包括初始化传感器、MCU外设接口、RTC时钟等。然后NB-IoT模块初始化，进行网络资源配置，完成设备鉴权、注册网络等数据通信前的网络连接工作。初始化完成，开启主循环，首先检测是否有云端控制消息，若有，则解析判断消息类型，及时进行回复应答，执行相关操作，并保存命令和数据。温度传感器采集温度信息，通过I2C接口发送至MCU，MCU对数据进行编码并存储，同时判断数据是否超出报警阈值，若是，则立即发送数据及报警信息。数据经NB-IoT模块和移动物联网卡上传至云平台，平台接收信息后，返回确认消息，若发送失败，则重复指定次数发送。终端每隔一定时间进行数据采集及上传，采用定时上电方式，时间间隔根据监测需求设定。为降低终端功耗，无数据采集上传时，终端设备深度休眠，MCU进入停机模式，NB-IoT模块进入PSM模式，终端设备不再监听寻呼消息，但NB-IoT模块仍注册在核心网络，再次进行数据上传时，无需重新进行网络注册即可进入连接状态。

3.2 NB-IoT通信设计

NB-IoT模块的主要功能是上传终端数据至OneNET云平台及接收网络端控制消息。终端MCU通过UART串口与NB-IoT模块连接，通过发送AT指令实现对NB-IoT模块的控制，实现主控芯片与NB-IoT模块之间的数据传输。NB-IoT模块接入网络时，首先在OneNET云平台创建设备，获取模组IMEI和SIM卡国际移动用户识别码(international mobile subscriber identity，IMSI)，其中国际移动设备识别码(international mobile equipment identity，IMEI)是设备鉴权的必要参数。之后MCU发送AT指令实现模组附着网络，模组入网流程如图6所示。联网成功后，进行数据收发，NB-IoT模块基于LwM2M协议与OneNET云平台通信，MCU将数据发送至NB-IoT模组，模组按照通信协议将数据打包封装上传至OneNET云平台。

图6 NB-IoT模块入网流程Fig.6 Network access process of NB-IoT module

应用服务器基于HTTP协议与OneNET云平台通信，通过调用平台订阅接口请求终端上传的数据，用户人员通过平台提供的可视化工具在网页端实时观测终端数据。监控命令下发时，根据通信协议，通过网页端监控界面发送命令至云平台，云平台解析命令并通过NB-IoT模块下发至终端MCU，MCU接收命令成功后返回确认参数至云平台。

3.3 SSA-BP神经网络模型

3.3.1 麻雀搜索算法

麻雀搜索算法(sparrow search algorithm, SSA)是一种新型的群智能优化算法，模拟麻雀种群的觅食行为和反捕食行为进行迭代寻优[23]。

根据麻雀觅食过程，将种群个体抽象为发现者和加入者两种角色。发现者对应适应度值高的麻雀个体，引导种群进行搜索和觅食。加入者适应度值较低，通过追随发现者进行觅食。此外，种群会随机抽取一定比例的麻雀个体负责侦查预警。

在SSA中，麻雀种群模拟为

(1)

式(1)中：n为麻雀数量；d为搜索空间维度，对应待优化问题变量的维数；xi,d为第i只麻雀在第d维的位置。则麻雀种群的适应度值矩阵为

(2)

种群中发现者所占比重为10%～20%，其位置更新规则为

(3)

种群中加入者位置更新规则为

(4)

种群觅食时，会随机抽取10%～20%的个体负责侦查预警，其位置更新数学表达式为

(5)

麻雀搜索算法优化BP神经网络的具体实现步骤如下。

(1)初始化。设置SSA-BP网络结构参数。确定BP神经网络层数及每层神经元个数，麻雀种群规模及进化次数，其中待优化问题变量的维数为BP神经网络权阈值总个数。并对样本数据进行归一化处理。

(2)计算适应度。计算初始麻雀种群个体适应度值并排序，找出当前最佳适应度和最差适应度个体。

(3)分别根据式(3)～式(5)更新发现者、加入者及预警者位置。

(4)若更新后的位置优于旧位置，则更新旧位置，得到当前更新后的最优位置。

(5)重复进行步骤(3)和步骤(4)。

(6)比较全局最佳适应度值是否小于设定误差或迭代次数是否达到最大迭代次数，若不满足，继续进行更新操作；若满足条件，输出当前全局最佳麻雀位置，即为BP神经网络最优权阈值。

(7)利用优化后的BP神经网络进行温度补偿。

3.3.2 模型训练

模型训练样本数据在电缆沟内实测获取。将监测系统测量温度值、环境温度值作为神经网络输入，接头温度标准值作为输出。其中环境温度值、电缆接头温度标准值采用高精度红外测温仪实测获取。部分样本数据如表1所示。

表1 部分样本数据

在MATLAB R2016a环境中进行SSA-BP神经网络训练。建立单隐含层神经网络模型，设定网络输入层、隐含层和输出层神经元个数分别为2个、5个和1个，设置网络最大训练次数为500，学习速率为0.01，训练精度为0.000 01。麻雀种群规模选择为20，迭代进化次数为100，搜索空间维度为21。参数设置完成后，对神经网络进行训练测试，所得训练结果如图7所示。

图7 SSA-BP神经网络训练结果Fig.7 Training results of SSA-BP neural network

由图7(a)可以看出，除个别数据点外，SSA-BP神经网络预测输出曲线与期望输出曲线高度重合，说明SSA-BP神经网络预测值接近期望值，预测误差较小。图7(b)为SSA-BP神经网络的迭代进化曲线，经过43次迭代进化之后，其适应度值已经达到最低，说明此时SSA算法已经找到了BP神经网络的最优权阈值，收敛速度快，算法运行效率较高。

传统BP神经网络与SSA-BP神经网络进行温度校正时预测误差曲线对比如图8所示。可以看出，BP神经网络预测误差范围波动较大，其最大误差绝对值为0.39 ℃，误差绝对值之和为3.17 ℃。SSA-BP神经网络最大预测误差绝对值为0.14 ℃，误差绝对值之和为2.31 ℃。SSA-BP神经网络预测误差波动范围明显较小，预测误差最大值及绝对值之和均小于传统BP神经网络，说明SSA-BP神经网络校正精度明显高于传统BP神经网络，温度校正效果更加明显。

图8 预测误差曲线Fig.8 Prediction error curve

4 系统测试

4.1 终端功耗测试

为验证温度监测系统低功耗性能，对其进行功耗测试。功耗测试方案为每3 min进行一次数据采集上传，其余时间处于休眠状态。测试电池选择一节容量为1 900 mA·h的锂电池，测试时间约为47 min。功耗测试结果如图9所示，由图9可知，终端装置平均电流为0.31 mA，平均功耗为1.13 mW，电池预计工作时长为6 048.32 h，约为252 d。

Average Power为平均功率，mW；Average Current为平均电流，mA； Expected Battery Life为电池预计寿命，h图9 终端平均功耗Fig.9 Average power consumption of terminal

装置实际应用时采用4节ICR18650CL锂电池供电，每节容量为2 200 mA·h，电池使用效率约为95%，根据锂电池组容量和终端功耗测试数据，装置实际可工作时长为

(6)

图11 云平台数据Fig.11 Cloud platform data

计算可得每3 min进行一次数据采集与上传时，终端使用寿命约为3年。监测装置实际使用时，数据采集时间间隔大于3 min，终端平均运行功耗也会更低，使用寿命大大延长，预计寿命可达5年以上，避免了因更换电池而频繁检修的弊端。

4.2 温度采集测试

对监测系统进行温度采集实验，首先完成系统调试，之后将终端装置安装于监测现场，测试环境选择为电缆沟，温度传感器通过外壳结构固定于电缆接头表面，使其与接头紧密贴合，保证测试效果，测试环境如图10所示。

图10 系统测试环境Fig.10 System test environment

系统于2019年12月30日至1月1日在电缆沟内电缆接头进行测试，设定终端每6 h向OneNE T云平台上传一次数据，云平台数据如图11所示。观察云平台数据流显示界面，数据点时间间隔为6 h，说明监测终端数据采集和上传功能正常，OneNET云平台与终端通信正常，监测系统运行稳定可靠。

5 结论

设计了一种基于窄带物联网技术的电缆接头温度在线监测系统。该系统可实时准确的电缆接头温度，运行稳定可靠，通过现场实际测试，得出以下结论。

(1)通过合理选择监测终端低功耗器件及进行节能电源管理电路设计，设置定时工作和定功耗休眠的低功耗工作策略，最大程度降低终端功耗，有效延长了电池供电时间，解决了监测终端运行时的供电困难问题。

(2)采用SSA-BP神经网络模型校正温度测量数据，提高温度测量精度，更加准确地反映了电缆接头温度状态。

(3)采用低功耗窄带物联网通信技术，实现监测数据远程无线传输,有效克服了有线传输方式布线复杂及传统无线通信方式功耗高、通信距离短等弊端，适用于电缆沟电缆接头温度监测等资源受限监测场景。