基于函数链传感器网络的多源数据融合变电站管控技术

朱明增，覃秋勤，刘小兰，陈极万

（广西电网有限责任公司贺州供电局，广西贺州 542800）

我国的变电站智能化技术发展迅速，随着新设备的引入，设备管理的规模与形式也随之改变，原有的运维检修手段已无法满足发展需要。无线传感器网络具有低功耗和部署、维护成本低的特点，且支持远程部署，能够较好地满足变电站管控的需求。

为实现无线传感器网络的大量通信需求，该文选取了低功耗广域网（LPWAN）来实现多源数据融合的变电站管控技术。LPWAN 是一种无线通信广域网，支持在联网设备之间以低比特率进行远程通信。LoRa 是一种线性调频扩频（CSS）无线电调制的LPWAN 技术，其提供了嵌入式端到端AES128 加密与较高的通信容量，能够支持每个基站数百万条消息，适用于为变电站架构无线传感器网络。

该文构建了一套低成本、自供电且高效的无线变电站管控系统，使用函数链构建数据分析工具，较好地实现了对变电站的自动化管控。

1 电站监控系统设计

该系统基于智能物联网的技术原理，部署了用于数据收集和存储的集中式网络体系结构[1]。通过部署一组外围节点来收集相关的环境信息，并将节点的测量结果通过无线协议传输到基站设备，然后建立快速的数据收集与传输方法，提高管理部门的反应能力[2]。为实现此功能，基站设备通过蜂窝通信服务（GPRS）周期性地将收集到的数据上传到云端[3]。

文中设计的无线通信协议主要基于时隙方案，网关的信号接收器在预定义的工作时隙中处于活动状态，外围节点基于这些时隙的具体情况完成调度数据传输以及上传服务[4]。系统组件如图1 所示。

图1 系统组件

1.1 外围节点设计

传感网络的主要信息来源为变电站的外围节点，其包括用于环境监控的所有传感器。传感器所采集到的数据被本地存储，然后使用LoRa 无线协议传输到基站设备，外围感知节点架构如图2 所示[5]。

图2 外围感知节点结构

为了使系统在最少的维护投入下，长时间地稳定运行，使用能量收集技术搭建了能量自给系统。设计每个外围节点的电源模块由3.7 V/2 600 mAh 的电池与6 V/3.5 W 的太阳能电池板组成，晴天时通过太阳能电池板对电池进行充电。每个外围节点系统任务的功耗分析，如表1 所示。

表1 系统任务功耗分析

传感器的测量与无线传输通常在程序运行的间隔执行。每个外围节点的功耗由以下公式确定：

其中，常数L、O、R、A是24 小时运行的占空比。在我国所处纬度的平均光照条件下，晴天时一块3.5 W 太阳能电池板的估计每日功率输出为0.021 kW·h。结合功耗，设置占空比参数为L=0.016、O=0.016、R=0.33、A=0.016。经过测试发现，电池能够在晴天进行充电，在阴天可以为系统供电。图3为在晴天条件下，该系统所使用电池的电压变化统计数据。

图3 电池的电压变化情况统计

1.2 网关设计

网关提供了外围节点与云网络之间的互连，以实现用户对数据的访问。网关在此次设计中，起到管理外围节点数据、云端通信以及实现自动化监控的功能。基于多源传感器数据，建立如下式所示的函数链：

式中，afi为大于功耗范围的系统状态，ffi为低于功耗范围的系统状态，A为实验测得的阈值，t为时间刻度。通过收集外围节点的数据，网关实现了对不同事件的分类，并与远端服务器进行必要的通信。

2 传感网络分析算法设计

基于上文提出的传感网络，建立了如图4 所示的集中式传感网络。

图4 集中式传感网络

为了将建立的函数链分析工具部署在图4 所示的大型传感网络上[7]，采用了功能链接-自组织多层网络[8]，将功能链神经网络与使用免疫算法的自组织多层网络相结合[9]。

2.1 FL-SMIA网络设计

该文提出的FL-SMIA 网络体系结构由输入层、自组织隐藏层和输出层组成[10]，该输入层包括多个输入单元Xi，若干个单元Hi组成了自组织隐藏层，以及相应的输出单元Yi组成了输出层[11]。

国防科技工业主要是指从事武器科研装备生产、研发工作的相关工业产业，具体包括航空、航天、核能、电子、船舶等多个部门，其对于我国国防事业的建设与发展有着直接的影响。在计划经济时期，军工企业本身所存在的竞争压力非常之小，同时国家的资金支持力度也比较大，因而对于自身的竞争优势以及经济收益问题并不重视［1］。然而随着市场经济的不断发展，军工企业要想生存并长期发展下去，就必须要尊重市场规律，参与到市场竞争中来，不断提升自身的核心竞争力，而市场导向下的军民融合发展策略则恰恰能够帮助军工企业实现这一目标。因此，军工企业的军民融合发展，在很大程度上也是为了满足市场经济环境下国防科技工业的进一步发展需求。

隐藏单元的输出由输入单元Xi之间的欧氏距离和输入单元与隐藏单元之间的连接权重确定[12]，利用输入数据的本地信息，可以计算出隐藏单元Hj的输出如下：

隐藏单元的输出汇总在标准层中，网络输出则可以由式（6）得出：

2.2 网络学习算法设计

如上文所述，该文设计的传感网络具有两个权重矩阵，第一个权重矩阵在输入层和隐藏层之间，第二个权重矩阵在隐藏层与输出层之间。第二个权重矩阵使用标准的反向传播算法进行训练，并以批量方式来惩罚较大的权重。单个输出神经元权重变化计算为：

在训练第二权重矩阵之前，使用免疫算法训练第一组权重与隐藏层的结构。在免疫算法中，隐藏单元对应于识别免疫系统。每个隐藏单元代表一个或多个输入向量，并具有从输入层到隐藏单元的连接权重。隐藏单元Hj用(Pj,)表示，其中Pj是与Hj关联的输入向量的数量，是从输入层到Hj的权重向量。

免疫算法运行时，从一个隐藏单元(N=1)开始，并用P1=1 和=X1创建第一个隐藏单元，然后循环执行免疫算法，依次创建和更新隐藏单元，直到网络的所有输入均找到对应的隐藏单元。

该文还引入了一种方法来更新从输入单元到隐藏单元的连接权重[16]。该方法通过将选定隐藏单元的新矢量计算为分配给该单元的所有输入矢量的平均值，具体如式（8）所示：

3 实验验证

为了对该文设计的变电站管控技术的有效性进行验证，在经过内核剪裁的Linux 操作系统下，使用蒙特卡洛模拟仿真方法进行了1 000 次实验。每次实验考虑10 种重复测量，生成了8 组数据集，分别对应于可能的系统误差和线路参数偏差的不同，以验证管控系统的有效性[17]。

为了验证该文所提算法的综合性能，使用该次设计的FL-SMIA 与常用的分析网络结构进行对比，实验数据如表2 所示。分析表2 所得到的数据结果可知，对于8个数据集的分析准确性指标，FL-SMIA网络具有最佳平均值。这表明与多层感知器网络相比，该文所提改进算法可以有效提高数据的分析能力。

表2 分析准确性实验

该文还使用网络残差之间的相似性来评价了所设计网络的计算能力。为了测量数据集上模型行为之间的相似性，对每个比对模型均使用了应用于残差之间的相关系数。实验结果表明，FL-SMIA 与FLNN、SMIA、R-SMIA 的性能比，和FL-SMIA 与MLP、R-MLP 的性能比数值相似，说明FLNN 与SMIA 的特性被该数据分析网络模型有效保留。

在使用数据集实验的基础上，通过使用如图5所示的总线测试网络搭载该文设计的数据分析平台进行实时实验。用于测试的网络具有10 个节点、9个分支、4 个三相、3 个二相和两个单相节点。

图5 总线测试网络

仅考虑单个分支的实验结果，如表3 所示。分析表3的数据可知，电力数据分析的关键指标RMSE，即与人工测试结果的偏差均呈现出了降低趋势。从而说明该平台的分析精度，相较于人工分析有所改善。

表3 单分支估计电压幅度实验中的RMSE变化率

图6 为仅考虑电压降约束时，使用全网络所获得的系统误差估计。相同节点的实际系统误差与电压幅值补偿后的残留误差，如图7 所示。分析图7 可知，通过估计得到的参数补偿测量值，能够在幅度与相位角上大幅降低系统误差。即使在参数不确定性较高的情况下，该方法也具有更优的效果。

图6 系统的电压幅度误差估计

图7 电压幅度估计误差

4 结束语

该文使用多种传感器网络搭建了一套集中式的智能物联网数据融合系统，并通过对函数链的数据分析建立自动化的多源数据分析系统，且实验与分析结果验证了其有效性。随着高速通信技术的发展，电力智能化设备将越来越多，未来的研究重点将集中在如何提高系统分析速度，以及使网络更优地支持移动设备的融合。