基于云平台的变电站地下水管泄漏监测系统的设计

尹习伟，尹艺霏，王佳科，李 宁，刘 明

（1.国网山东省电力公司建设公司，山东 济南 250000；2.山东科技大学电气信息系，山东 济南 250031）

0 引言

变电站地面以下存在大量站内外给排水、消防水管道，当管网在长时间运行中发生泄漏却不能及时发现并进行修复时，随着泄漏程度的加重，可能会导致如管路运行不畅、局部积水、冲毁设备与建筑物基础周边土石，影响地基基础的稳定，威胁设备运行的安全性，影响换流站水冷系统的正常运行，给换流站整体安全稳定运行带来隐患等问题。因此，及时地对水管进行泄漏点检测和修复是变电站安全稳定运行的必然要求。

目前，地下水管泄漏检测方法主要是主动检漏法，该方法基于人工利用各种检漏方法及仪器对管道漏水进行检测。常用的主动检漏法主要包括：音听法、相关检漏法、区域泄漏普查系统法、红外线成像法、示踪放射性元素法以及探地雷达法等［1-5］。然而，上述方法均须由专业人员利用仪器设备完成，检测的准确性受检测人员、检测仪器、环境干扰等多种因素的影响；不能实现实时在线泄漏检测与定位，因此无法保证大面积的管网泄漏检测的及时性和泄漏点定位的准确性。对于变电站地下水管的泄漏检测一般是基于管道压力的下降进行的。该方法存在不足：1）泄漏初期管道压降几乎不变，因此对泄漏初期的微弱渗漏无法及时做出判断；2）当压力变化到足以做出泄漏判断时，只能确定泄漏管道的编号，无法判断发生泄漏的具体位置。因此，为定位泄漏点，只能通过沿管道进行长距离、大面积开挖来定位和修复泄漏点，从而造成了大量的人力、物力和财力浪费。

目前国内针对地下水管泄漏检测及定位方法的研究很少。袁荣华等［6-8］基于管道泄漏负压波，提出了一种供水管网泄漏检测定位方法。张树风等［9-14］研究了利用探地雷达获取水管周围介质的变化来确定泄漏位置的方法。这两种方法在实际中受管材和环境因素的影响很大，仅适用于短距离管道区域性泄漏检测。冯继东等［15-17］研究了一种通过采集泄漏产生的声波信号进行泄漏检测定位的方法。孟克等［18-21］研究了利用光纤测温对水管进行泄漏检测的方法。然而，由于上述方法采集到的信号都存在大量干扰，因此对滤波处理的要求很高，实践中不容易实现。此外，由于干扰会随环境而改变，滤波处理的方法也必须相应改变，这大大限制了系统的实用性。

针对这一现状，基于腾讯云平台，设计通过检测水管周边的阻抗进行泄漏检测定位的系统。该系统利用检测所获取的地下水管两侧的阻抗信息，结合数据挖掘技术，通过分析阻抗变化的特征，实现对地下水管泄漏的检测以及定位。

1 系统的总体设计方案

系统总体架构如图1 所示。主要由信号检测级、信号传输级以及信号分析级三部分构成。信号检测级主要完成对沿水管两侧敷设的电极的阻抗信息、供电电池电量信息的采集以及无线上传等；信号传输级负责向底层的多个信号检测级不断请求、汇总检测数据并将这些数据通过4G 传输模块上传至云端服务器；信号分析级将来自底层数据进行存储并利用数据分析技术实现对泄漏点的检测、定位及电池更换指示等功能。

图1 系统的总体组成架构

2 系统的硬件设计

2.1 嵌入式土壤阻抗采集系统

嵌入式土壤阻抗采集系统组成如图2 所示。主要由嵌入式单片机系统、信号取样、滤波及控制电路、电源变换及检测电路、LoRa无线通信模块等组成。

图2 嵌入式土壤阻抗采集系统组成架构

2.1.1 取样、滤波及控制电路

电极对被布置在水管的两侧，如图3所示。由于土壤颗粒中含有游离状离子，在施加电场激励时，游离的离子会发生定向运动，从而使土壤呈现出阻抗特性。水管发生泄漏后，土壤的水分会发生变化，水中的杂质含有很多离子，离子数量也发生变化，从而影响土壤的导电性能，因此阻抗发生变化。测量电路正是基于这一原理设计的。

图3 电极布置

信号取样电路如图4 所示，其中，R1和C1分别为布置在水管两侧的两个电极间土壤的等效电阻与等效电容，R2为取样电阻。当加在电极1 的激励信号频率较低时，由于等效电容C1很小，产生的容抗很大，电极间的阻抗近似为R1。为简化系统的电路设计与分析，实际应用中采用直流激励信号。电路中增加小电容C2是为了滤除采样信号中的高频干扰。为避免不同电极间同时施加激励信号对采样信号的相互干扰，系统利用多路模拟电子转换开关CD4067实现对激励信号的分时加载。

图4 信号取样电路

考虑系统的实际应用场所为变电站，工频50 Hz交流干扰的影响不可忽略，因此为采集信号设计了图5 所示的双T 陷波滤波器电路。其中CD4067用于完成对多路采样信号的分时切换，TLC27L2 为单一+5 V供电的微功耗运算放大器。

图5 陷波滤波器电路

该陷波滤波器的中心频率f0表示为：

式中：C3、C4、C5为陷波滤波电路中的电容值；R3、R4、R5为陷波滤波电路中的电阻值。

2.1.2 低功耗LoRa无线通信系统

信号检测级与上层的数据集总系统之间需要传递检测信息。为减少多个信号检测级之间的通信及电源布线，该系统采用电池供电结合无线通信的方案。为降低功耗，提高电池的待机能力，系统设计中采用了基于扩频调制射频芯片SX1278 的LoRa 无线通信模块E32-433T20DC。该模块具有通信距离远、抗干扰能力强的优点，支持定点发射、空中唤醒功能，在休眠状态下的工作电流仅为0.2 μA，适用于电池供电系统。本着低功耗设计的原则，设计选用了采用增强型8051 内核的宏晶STC15L2K60S2 单片机作为信号检测级的主控MCU。该单片机无需外部晶振和复位，内部集成有高速10 位A/D 转换器及硬件看门狗，在掉电模式下的电流小于0.1μA。

单片机与LoRa 无线通信模块的基本接口电路如图6所示。

图6 单片机与LoRa无线通信模块接口

2.2 数据集总系统

该部分的功能是实现底层信号检测级与云平台端信号分析级的信息交互。一方面，要定时通过LoRa 无线通信模块分别向底层信号检测级的从机索取检测数据进行汇总，将汇总后的数据按照规定的数据传输协议通过4G 模块传输至云服务器。另一方面，也会接收来自云服务器的指令并传送至底层的信号检测级。对于LoRa 无线通信模块以及MCU，本部分采用与信号检测级相同的设计方案；系统与云服务器的信息交互是利用有人物联网的WHLTE-7S1 模块进行的。借助该模块，可以利用LTE Cat-1和GPRS网络实现串口设备与网络服务器的数据交互。与传统的GPRS模块相比，该模块基于现有运营商的4G 网络，具有上下行传输速率高、实时性强、网络覆盖面广、数据传输可靠、配置简单等优点。模块与MCU的基本接口电路如图7所示。

图7 单片机与4G通信模块接口

实际应用中只须设置好模块的工作模式、网络服务器地址、服务器端口、连接类型以及串口通信参数等就可以轻松实现串口设备与网络服务器的数据透传。需要指出的是，数据集总系统起到的是上下联络作用，需要长时、连续工作，而且在每一个变电站仅有一个，因此设计中采用有线供电模式。

3 系统的软件设计

3.1 采样数据处理算法

3.1.1 基于卡尔曼滤波的采样数据处理

尽管为消除变电站内工频50 Hz的交流干扰，系统的硬件电路已经设计有专用的陷波滤波器，但实际的系统仍然会存在众多因素导致测量信号有较大误差。例如电网频率的波动变化、激励信号受到干扰产生变化、变电站内的杂散干扰以及信号切换的噪声等随机干扰都将带来测量误差。为了尽量减少这些误差对后续泄漏检测分析产生的不良影响，本设计在信号采集后采用离散卡尔曼滤波对采样信号进行处理。

卡尔曼滤波的原理是通过构建状态方程和观测方程，实时最优估计系统的状态。卡尔曼滤波包含预测与校正两个过程。预测过程是滤波器利用上一状态的估计值预测当前状态值；校正过程是滤波器利用对当前状态的观测值修正当前的预测值，以获得更接近真实值的新估计值。该系统采用一维阻抗信息测量的卡尔曼滤波，则系统的状态和观测方程可表示为

式中：X(k)为k时刻的阻抗值；W(k)为k时刻方差为Q的过程噪声；V(k)为k时刻方差为D的测量噪声；Z(k)为k时刻阻抗的观测值。

利用k-1 时刻的阻抗值预测k时刻的阻抗，则当前k时刻的预计偏差P(k)表示为

式中：P(k-1)为k-1时刻的测量偏差。

卡尔曼滤波增益K可表示为

k时刻的阻抗估计值(k)为

式中：(k-1)为k-1时刻的阻抗估计值。

则下一时刻的预计偏差为

卡尔曼滤波器不断地把方差递归，从而估算出最优的阻抗值。

3.1.2 中位值平均滤波算法处理

采集的数据经卡尔曼滤波处理后仍然有一定程度的上下浮动变化。鉴于为进行卡尔曼滤波处理已经进行了多次采样（实际采样时间间隔为1 ms，共采集50 次），为了进一步滤除可能存在的脉冲性干扰引起的采样偏差，设计中又采用了中位值平均滤波算法对卡尔曼滤波后的数据做了进一步处理，滤波后的采样值可表示为

3.1.3 嵌入式阻抗采集系统软件设计

该单元系统的作用是接收来自数据集总系统的数据请求指令，根据需要完成对多路阻抗信息的分时采集、滤波处理与无线上传。从低功耗原则出发，系统完成信息采集及传输后要及时进入低功耗休眠模式，直到再次被唤醒。其软件工作流程如图8所示。

图8 数据采集系统程序流程

3.2 数据集总系统的软件设计

数据集总系统主要完成两个方面的功能。一是通过轮询方式唤醒并向底层的信息采集系统请求检测数据；二是将这些数据按照一定的协议和规则进行封装并传输至云端服务器。为防止在轮询请求数据过程中因干扰、底层节点故障等原因造成程序始终处于接收等待状态，程序设计中还专门设计了通信超时响应机制。在规定的时间间隔内，如果底层节点没有响应，则会继续呼叫并等待其响应，若呼叫3次仍得不到其响应，则该节点将会在后续的轮询中被挂起，对应的故障信息将会被上传至云服务器，直到该故障被排除并被确认重新工作。其软件工作流程如图9所示。

图9 数据集总系统软件流程

3.3 云服务器端的软件设计

系统采用Nginx框架搭建云服务器，架构如图10所示，实现了用户的注册、登录、密码修改、数据可视化、历史数据查询、泄漏故障检测、预警及查询确认等一系列功能。

图10 云服务器架构

云服务器端软件系统包含三部分，分别是influxDB 时序数据库、MySQL 关系型数据库、数据处理程序。时序数据库专门用于存储底层系统采集到的原始数据。关系型数据库用于存储一般数据。数据处理程序用来监听端口并响应请求，对外提供3 个操作接口：用于接收底层上报数据的IoT Connect Handler、服务于数据查询的RESTful API 以及用于实时下发数据的WebSocket。浏览器访问平台后，会自动建立WebSocket连接并在程序中注册一个客户端。当有底层上报数据时，会首先根据自定义的数据格式和传输线协议，将数据解析并存储到时序数据库中，同时触发漏水检测逻辑，并将判断结果和最新数据向程序中注册的所有浏览器客户端发送。软件流程如图11所示。

图11 云服务器软件流程

4 系统测试与结果

将四对电极沿Φ50 mm规格聚氯乙烯管两侧依次顺序布置，并将信号输入至4个基于LoRa通信的嵌入式土壤阻抗采集系统节点。启动所有节点及数据集总系统，其中嵌入式单片机系统串口与LoRa 无线通信模块以及4G模块的通信波特率均设置为9 600 bit/s。

底层的嵌入式土壤阻抗采集系统节点收到数据请求指令后，对其中的某一路传感器按间隔1 ms 的频率连续采集的50 次数据与卡尔曼滤波处理后的数据进行对比，如图12所示。

图12 采样数据滤波效果对比

通过图12 可以明显看出，原始的测量数据变化范围较大，如果直接利用这些数据进行泄漏分析与预警，很容易出现误判断的情况。而采用卡尔曼滤波后，数据曲线的波动范围显著显小，这表明采用卡尔曼滤波对本系统中的无关噪声的滤除效果明显，进一步证明了采用该方法的可行性和必要性。

利用电脑浏览器登录相应的网址进入图13 所示的系统登录界面，输入正确的用户名及密码可进入图14 所示的主界面。主界面主要包括：实时检测数据展示模块、底层节点状态及数据传输信息模块、泄漏故障预警定位模块、用户管理模块、历史数据查询模块、故障检测定位算法设置模块等。

图13 系统的登录界面

通过图14可以看到各节点对应的土壤阻抗信息都被实时显示。将节点23的电源切断，12 s后，故障显示模块的问题由状态“0”，变为了状态“1”，查看故障类别为“节点23离线”。在节点23对应的一对电极间浇水以模拟漏水的过程，10 s后通过实时显示曲线可以发现该电极检测点对应的阻抗数据明显增大，同时故障显示模块的问题由状态“0”，变为了状态“1”，故障类别为“与节点23关联的检测点存在漏水风险”。

图14 系统主界面及故障指示界面

为测试系统的性能，又对其他的三对电极进行了漏水检测以及其他29 个检测节点的断电测试，结果系统都能准确确定故障的类别及关联节点。测试结果表明该系统运行稳定，能够准确可靠地实现对地下水管泄漏故障的检测与定位，有很强的实用性。

5 结语

针对目前变电站地下水管泄漏检测的现状和实际应用需求，设计了一种基于云平台的变电站地下水管泄漏检测系统。该系统依据采集到的埋地水管两侧土壤的大量阻抗数据，结合LoRa 无线通信技术、4G 网络传输技术、数据分析与挖掘技术及云平台服务器，精准地实现了对变电站埋地水管的实时泄漏监测、分析、定位。测试结果表明，系统工作可靠、稳定且实用性强，在地下水管泄漏监测领域具有很好的推广应用前景。