基于AI的配电网稳态作业行为嵌入式感知系统设计

王晓东，王加臣，张 明，马志强，刘 伟

(国网江苏省电力有限公司苏州供电分公司，江苏 苏州 215400)

电力系统发展过程中，配电网是面向用户的重要环节，大量可再生能源向配电网接入后，配电网更是开始向有源方面发展[1]。为了提升有源配电网的供电稳定性，对稳态作业行为的感知是不可或缺的一环。由于配电网运行结构越来越复杂，常规的稳态感知系统在感知精度、计算速度等方面，均无法满足配电网后续发展[2]。文献[3]提出依托于三维激光雷达技术，实现无人智能配电网稳态感知。该方法选取静-动相结合的感知模型，获取配电网全景模型的同时，完成配电网实景特征变化情况监测。根据特征监测结果得到整体运行状况感知态势值，提升后台运维人员的工作效率。但是，该系统感知结果误差较大。文献[4]提出了依据电、光等不同物理量，设计不同感知技术，分析感知结果的真实性，选择最佳状态感知物理量。该方法应用新型感知技术结合大数据技术和立体巡检技术，输出状态感知结果。但是，该方法的拓展性较差。文献[5]针对配电网稳态感知的快速性要求，提出以同步相量测量结果为基础的感知方法。该方法将测量装置安装在配电网分层结构内，采集态势影响要素，再利用支持向量算法识别采集要素中包含的异常信息，结合长短期记忆网络获取稳态感知结果。

总结以往研究经验，本文采用AI技术，建立嵌入式感知系统，以AI自适应感知模型为研究重点，实现对配电网稳态作业行为的感知。

1 基于AI的配电网稳态作业行为嵌入式感知系统硬件设计

1.1 前端感知器设计

为了实现配电网稳态信息的采集和传送，设计前端感知器[6]。考虑到节点功耗与信息接收灵敏度，文中设计的前端感知器以CC2530芯片为核心，将CC2530芯片与单片机I/O口连接，达到信息交换的目的。再与无线收发模块、时钟模块等结构相结合，完成前端感知器设计。

1.2 无线网关设计

无线网关的设计主要是为了进行数据传输、封装和解析。通过研究可知，S3C2440微处理器的工作频率最高可达到400 MHz，可满足感知系统的工作要求。本文将其作为无线网关的设计核心，再将其与TFT-LCD显示屏和遥控键盘等组件连接，无线网关的实际硬件结构如图1所示。

图1 网关硬件结构框图

除了图1所示的网关硬件结构外，为了加强网关应用的稳定性，在网关电源处设置LM 25965-5.0开关电压调节器。

2 基于AI的配电网稳态作业行为嵌入式感知系统软件设计

2.1 构建电网稳态数据采集体系

配电网稳态行为的感知，需要以数据为基础[7]。文中设计图2所示的配电网稳态作业行为数据采集结构。

图2 配电网稳态作业行为数据采集结构

图2所示的采集结构中，S表示数据采集器，C表示编码器，L1、L2表示信道长度。为了保证稳态数据采集的完整性，文中针对信息传输的两个阶段，进行深入分析，明确单个数据集中器的采集信息，通过编码函数计算采集信息，生成输入信号[8]。选取图2所示的数据采集结构中某一时刻，数据采集信道描述公式为：

Ya=Xja+Za,Za∈N

(1)

公式中，X表示输入信号，Y表示输出信号，a表示采集时刻，m表示配电网稳态动作行为数据采集点数，j表示某一个数据采集点，Z表示干扰噪声，N表示方差。

设置信道传输信息的临界容量符合最小编码传输需求，信道上限计算公式为：

(2)

公式中，Q表示信道上限，Pj、Pf、Pz表示信息传输过程的平均噪声功率，Nj、Nf、Nz表示信息传输过程噪声方差。针对每个平均噪声功率进行分析，可得出每个信息传输阶段的功率约束条件：

(3)

公式中，w表示配电网设备状态量。结合公式(3)所示的约束条件，设置稳态数据采集结构中前端数据采集器的间距，实现稳态数据的整体采集。

2.2 提取智能感知计算参数

根据配电网稳态数据采集结果，应用数据统一和数据辨识等技术提取稳态数据主流特征。考虑到采集数据与时间和空间均有联系，文中设计数据统一多层模型识别数据状态[9]。针对采集稳态数据的每个特征量进行记录，形成如下矩阵：

(4)

公式中，D表示采集矩阵，d表示采集数据的单个特征量，α、β表示采集矩阵的列数量与行数量。

ϖα=(v1,v2,…,vα)

(5)

公式中，ϖ表示稳态数据向量序列，v表示矩阵列向量。

考虑到稳态数据的采集频次有所差异，部分采集数据存在丢失问题。文中采用动态时间规划方法，计算离散序列的相似性，并完成序列扩展、压缩，确保序列尺度的统一。在公式(5)内随机选定一个列向量充当基准向量，计算其他列向量的欧式距离，生成多个距离矩阵：

(6)

公式中，k表示列向量，Ok表示距离矩阵，B表示欧式距离。针对距离矩阵进行推演形成数个距离损失矩阵，完成列向量相似度的计算：

(7)

Q={Q1,Q2,…,Qβ}

(8)

公式中，θ表示距离损失矩阵，ε表示损失程度，Q表示优化调整序列，也是矩阵内最短路径集合。通过动态规整技术调整稳态数据向量之间的距离，确保距离最小化。

再利用主成分分析法，评估稳态数据的有效性，删除重复冗余信息，计算复杂度。首先，针对调整后的向量距离进行归一化处理，得到如下所示归一化矩阵：

(9)

公式中，U表示归一化矩阵，ξ表示间隔距离调整后的参量数据，基于公式(9)进行计算，得到协方差矩阵和奇异值分解公式：

(10)

svd(E)[H,R,F]

(11)

公式中，E表示协方差矩阵，svd表示奇异值分解，H,R,F表示分解后形成的矩阵，H表示降维矩阵，利用降维矩阵对主要数据向量进行降维处理。

依托于上述降维数据，结合支持向量机计算单一样本的智能感知参数，再参考采集样本内每个观测对象的独立性，计算未知参数的似然函数。综上所述，完成智能感知计算参数的提取。

2.3 构建AI自适应感知模型

文中设计的嵌入式感知系统以AI技术为核心，即以AI自适应感知模型为研究重点，应用人工智能领域内深度学习技术，构建自适应感知模型[10]。将稳态动作行为的自适应感知划分为两个部分，一方面是人工智能神经网络的输入到输出计算，另一方面是基于输出感知态势值修改参数权重。

依托于人工智能技术建立的自适应感知模型主要包括四层结构，如图3所示。

图3 基于AI的自适应感知模型

根据图3所示的感知模型示意图可知，输入层包括配电网当前稳态状况和攻击时间间隔，根据上述两项参数，将输入向量描述为：

λ(t)=(λ1(t),λ2(t),…,λ∂(t))=

{ρ(t),ρ(t-1),…,ρ[t-(∂-1)τ]}

(12)

公式中，λ(t)表示感知模型在时间t上的输入向量，∂表示攻击时间间隔，ρ表示配电网稳态状况，τ表示时间延迟。

自适应感知模型的输入层信息向隐藏层传递，经由多个隐藏节点进行计算，得到：

(13)

公式中，μ表示隐藏层输出结果，ψ表示常量，r表示参数权重。

将隐藏层输出结果作用于随机层，计算稳态数据的高斯分布特征，以此来描述输出数据的分布情况。考虑到每个隐藏节点的高斯分布计算结果，受到智能感知参数的直接影响，将随机层输出结果表示为：

(14)

公式中，η表示随机层输出结果，r0表示隐藏节点参数权重。

最后，在输出层添加自适应强化学习机制，对随机层输出结果进行进一步分析，表述为一维高斯函数。利用智能感知计算参数得到稳态感知结果，再针对随机层的偏差进行自适应学习，更新参数权重，获取更加精确的稳态作业行为自适应感知结果。

2.4 开发嵌入式感知系统

软件设计完成后，文中采用嵌入式实时操作系统进行软件开发。嵌入式实时操作系统的应用，将软件开发划分为多个子任务，并保证每个子任务负责相应的职责，并给每个子任务赋予相应的操作顺序。

考虑到文中设计的感知系统为嵌入式操作系统，对常用的嵌入式实时操作系统对比分析可知，UCOS-Ⅱ系统具有免费实时性特点，并且可以支持250余个任务同时开发。因此，文中选用UCOS-Ⅱ为系统软件开发平台。

通常情况下，嵌入式实时操作系统在软件开发过程中，会让操作顺序靠前的任务先一步运行，并且可以随时中断其他操作顺序的任务，进行CPU抢占。这种开发模式下，优化了软件子任务开发的响应时间。将该开发模式应用于感知系统的开发，使得功能性软件开发转化为任务性软件开发，实现配电网稳态行为感知系统逻辑结构的简化。最后，利用嵌入式实时操作系统将软件结构设置为三层，避免在可视化界面直接呈现出底层硬件，便于软件和硬件的分别扩展。至此，完成配电网稳态作业行为嵌入式感知系统的整体设计。

3 系统测试

文中依托于人工智能技术，设计配电网稳态放置系统。为了验证该系统的实际应用效果，进行系统测试。测试过程中，以IEEE39节点系统为例，应用文中设计的系统获取稳态感知结果，明确文中设计系统的可行性。

3.1 搭建测试环境

考虑到文中设计系统为嵌入式架构，系统测试过程中基于Linux系统，采用多台虚拟机搭建系统测试环境，在感知配电网稳态作业行为的同时，将感知结果以可视化形式展现在用户眼前，系统测试环境具体如下所示：

采用Linux Ubuntu 19.04版本的操作系统和JDK 1.8版本的编程组件，结合7台虚拟机完成测试环境搭建。其中，4台虚拟机充当DataNode从节点，2台充当主节点，剩余的1台则为管理节点。分别针对每一台虚拟机进行IP配置，实际配置信息如表1所示。

表1 虚拟机地址分配

根据表1所示的配置信息，实现虚拟机IP地址划分，分别在每台虚拟机上安装编程组件，编程软件安装结束后进行环境变量配置。

环境变量的配置从SSH协议、Hadoop用户两方面的设置入手。首先，将SSH协议安装在每台虚拟机内，并创建.SSH后缀目录，便于后续系统启动和命令执行。然后，利用SSH协议针对Hadoop用户生成无密钥对的密码，将其保存至SSH目录内。最后，Hadoop组件安装完成后，配置核心组件core-site.XML和MapReduce框架文件，完成从节点和主节点的地址配置。

本次测试过程中以4IEEE39节点系统为主要结果，该系统内包含10台发电机，46条线路以及19个负荷节点，具体结构如图4所示。

图4 IEEE39节点系统结构图

在上述测试环境中，运行文中提出的感知系统，获取配电网实时稳态作业行为。

3.2 设置感知模型参数

为了提高测试结果的准确性，在系统运行之前给AI自适应感知模型设置合理参数。运行图4所示的IEEE39节点系统，应用Nessus软件扫描系统稳态作业行为特点，扫描过程中采用专业软件模拟网络攻击，采集图5所示的200个态势时序数据。

如图5所示，配电网稳态时序数据可以被看作非线性序列，通过从不同维度输出空间的非线性映射完成配电网稳态作业行为态势感知。利用上述200个稳态时序数据，将输入向量的维度设置为3和5时，分别可以得到197组、195组测试样本。应用上述数据样本对AI自适应感知模型进行训练，对比不同参数下系统输出结果的误差，从而确定模型最终参数。通过研究可知，当输入向量维度设置为5时，模型的隐含层节点数为20，配电网稳态作业行为下一时间段预测结果更加精确。

图5 配电网稳态动作行为时序数据

3.3 测试结果分析

AI自适应感知模型参数设置完成后，应用文中提出的嵌入式感知系统，感知IEEE39节点系统一天内稳态作业行为变化情况，并将感知结果与实际检测状态值结合，生成图6所示的感知结果折线图。分析感知数据和实际数据之间的差异，明确文中设计系统的应用性能。

图6 感知结果折线图

根据图6所示的感知结果可知，与文献[4]方法对比，文中设计的感知系统所得到的稳定态势值，大部分情况下与实际态势值相符，只有十点、十五点时感知态势与实际态势相反。为了更加直观地描述感知系统的应用效果，文中采用RMSE值指标计算感知态势值的准确性，RMSE值计算结果越大，表明系统感知精度越低。

(15)

4 结 论

本文提出以AI为基础的嵌入式感知系统，依托于AI领域中深度学习技术，以AI自适应感知模型为研究重点，与智能感知计算参数相结合，赋予每个隐藏节点的自适应强化学习机制，动态更新参数权重，输出稳态感知结果，平均平方根误差仅为2.8%，符合配电站稳态工作要求。

但是，因为系统设计时间的限制，使得感知结果展示界面较为简陋，为了需要针对界面进行美化设计，为用户带来更好的操作体验。