基于人工智能及边缘计算技术的智能配电柜设计及实现

谢正新

（盛隆电气集团有限公司）

0 引言

碳中和作为全球主要经济体应对气候变化的重要战略目标，其核心是实现能源系统转型。在能源转型过程中，电力系统的脱碳固然十分关键，但电力系统运行的核心任务是要安全可靠、经济高效地实现电力的供需平衡，在整个能源转型过程中会起到持续的作用。

研究电力运维规律、保证用电安全、提升用电效率、降低用电成本，是每个电力工作者共同的目标与责任。一方面，海量的企业电力数据分布在企业负荷端，为确保电力的安全及稳定，这些海量数据大都无法直接参与到研发环境；另一方面，电力研发场景大都存在于实验室环境，缺乏有效的实际场景来进行支撑与验证。因此，本文介绍一种新型智能型配电柜，它通过将人工智能、云计算、边缘计算等技术结合，完美地实现了生产与科研的双向连接。

1 使用技术简介

1.1 BP神经网络

BP神经网络是一种按误差反向传播训练的多层前馈网络，其基本思想是梯度下降法，利用梯度搜索技术，来使网络的实际输出值和期望输出值的误差均方差为最小。

1.2 孤立森林算法

孤立森林是一个基于Ensemble的快速离群点检测方法，具有线性时间复杂度和高精准度的特点，适用于连续数据的异常检测。

1.3 随机森林算法

随机森林（Random Forest，RF）是一个包含多个决策树的分类器，输出的类别由个别树输出的类别的众数而定。

1.4 长短期记忆网络

长短期记忆 （Long Short-Term Memory，LSTM）网络通过门结构控制更好地处理时间序列的任务。

1.5 边缘计算

边缘计算在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供近端服务。

2 智能配电柜设计

2.1 人工智能在电力领域的应用

目前人工智能技术在电气行业的应用主要涉及电气安全、电力运维和负荷预测等，可帮助人们实现一些主流算法与思路。

（1）电气安全方面

在系统建模时主要考虑误差平方和是否达到预设值，利用Matlab仿真来综合确定。在BP神经网络中采用Levenberg-Marquardt学习算法或免疫遗传算法，输出层神经元的传递函数可以设定为线性传递函数，从仿真效果和误差曲线可以看出，这种方法的选择是可行的［1］。

（2）电力运维方面

在电力系统大数据背景下，对电力运维数据进行数据清洗可以有效地改善数据质量，为数据分析做好基础。在数据清洗过程中，电力数据异常的检测准确度低与数据修正误差大等问题一直是技术难点。针对这些问题，提出一种基于改进的孤立森林算法和BP神经网络算法的数据清洗方法。该方法通过构造孤立森林对训练数据集的特征进行提取，并检测出数据集中的异常数据，再使用改进的BP神经网络模型对异常数据处进行预测和修改。实验结果表明，基于改进方案的电力运维数据清洗程序在异常数据定位准确性、数据修正准确率、训练时间和资源占用等方面都得到了有效的优化［2］。

（3）负荷预测方面

随着电力大数据的发展及能源互联网的建设不断深入，海量的电力数据为负荷预测提供了坚实基础。电力负荷受时间、天气等众多因素影响，在负荷预测的特征集中，并非特征因素越多预测精度就越高，过多的特征量会增加预测模型的复杂度，降低预测精度。目前，关于负荷预测的研究大多未对特征因素进行筛选，或仅采用主观选择的方式确定预测特征集中的特征因素，而对特征因素的选择会直接影响预测结果。随机森林算法作为一种鲁棒性高、学习能力强的智能分类算法，具备可度量变量重要性的能力，能够分析复杂且相互作用的特征，因此被广泛应用于高维数据特征的选择。为实现电力负荷的准确预测，本文提出一种基于随机森林算法和长短期记忆网络的混合模型负荷预测方法，即RF-LSTM混合模型。该模型结合了RF和LSTM各自的特点，先将天气、时间因素等高维特征集输入随机森林模型进行重要性评估，筛选出重要特征变量后输入LSTM预测模型进行负荷预测，从而兼顾负荷数据的非线性和时序性，提高负荷预测精度［3］。

2.2 应用中主要问题

人工智能不同算法与模型对电气领域起到了推动作用，但无法在行业中有效地进行批量验证，多数情况下，仅能通过某一单体企业部分数据进行推演与测试，在实际生产运维中，人工智能算法的相关预测能力及准确性会大打折扣。

2.3 智能柜应用设计

智能配电柜早期通过合理的商业模式部署在企业负荷端，通过监测实现了数据收集，同时通过相关技术完成了算法的迭代与不停地自动升级校正，直至升级为具有边缘计算能力的单元，其设计逻辑如图1所示。带有边缘计算能力的智能配电柜的主要作用如下［4］：

图1 智能配电柜逻辑图

（1）接受云端机器人分配任务，进行局部计算工作，并将结果反馈给云端机器人；

（2）将验证结果反馈给云端机器人，让云端机器人对各种算法进行择优评估；

（3）同步云端机器人中适合企业场景的计算模型，进行现场计算，同时将数据反馈给云端使其继续进行深度学习；

（4）当与云端终止联系时，成为接管，直接总控本地单元。

2.4 智能柜参数设计

为保证实现应用效果，智能设备相关参数需满足如下条件来确保设备安全性和智能化功能的实现。

智能中压柜：适用于三相交流50Hz、额定电压3.6～12kV、母线和馈线电流630～4000A，短时耐受电流25～50kA的单母线和单母线分段系统，作为接受和分配电能的户内铠装移开式交流金属封闭开关柜设备。开关设备包括三个高压隔室和一个低压室：断路器室、母线室、电缆室及低压仪表室（如图2所示），所有二次元件、二次电缆等都装在低压仪表室内。开关设备的顶部装设有泄压通道，用于在产生内部燃弧时，泄放被电弧加热的空气。高压母线室、电缆室和断路器室之间通过金属板相互隔离。在打开的隔室和主回路的带电部件之间，具有连续并接地的金属隔板；同时设计有最高级别的供电线路，以保证系统的不间断安全用电。所有操作、维护和服务都可在柜前进行，开关柜可靠墙安装，接地开关联锁传动机构由锥形齿轮取代传统连杆，避免卡死、拒动等机械故障，操作更方便可靠；全新设计的五防联锁机构装置，保障正确的操作顺序。即使在意外的错误操作发生后，安全联锁仍能高度保障操作人员和设备的安全；手车室柜门与手车具备联锁功能，柜门未关闭时，手车不能摇入；手车摇入后，柜门被锁定不能打开，以实现送电运行前强制关门，确保人身安全。静触头活门机构装置具有自锁功能，当对手车室进行检修维护时，可防止活门意外开启裸露静触头，实现安全带电检修，保证系统不间断安全用电，提供最高的供电运行连续性。手车摇车孔、接地开关操作孔均装有带锁的盖板，需用专用钥匙方可打开，保障手车和接地开关不能被随意操作，提高了安全性。采用全新专利产品CHQ型静触头盒，提高了设备的绝缘距离与爬电距离，特殊结构使绝缘性能显著提升，避免绝缘放电、闪络、拉弧等传统弊端。大幅提升机械强度，母线连接更加牢固，可承受更高的故障电流电动力。有效防止凝露，提高了设备整体安全系数，具有更广泛的环境适应性。

图2 智能柜分布图

设备的集成智能主控系统采用工业级7寸及以上高清触摸屏为显示单元，集中监测、显示运行参数和运行状态的功能。通过实时的数据采集和分析，对电压、电流、温升等参数及异常故障进行智能分析和逻辑判断，及时准确地定位故障，分析故障原因，做到及时预警和反馈。通过遥控、监视、程序分析和系统处理等技术，将复杂的多个单步操作简化为一键安全操作，避免操作失误带来的重大事故和人员伤亡。智能主控系统内置芯片是实现中压侧电力安全及运维边缘计算的核心，其可通过网络与云平台进行算法迭代，如果企业数据涉密，可通过加装加密设备或防火墙后再进行通讯，同时主控系统将进行算法准确度场景验证。

智能低压柜：单独的母线系统可以实现单台柜的单独包装、搬运，运行中可轻松实现系统的增容或更换，采用滑动式连接排，简化现场的安装维护。常规配电柜中的母排采用一字贯通式结构设计，单根母排贯穿三台柜体，当发生现场维护、增容或更换配电柜时，多台柜体的母排受到影响，停运配电柜多，施工难度大、时间长。设备采用单独的母线系统和滑动式连接排技术，柜体可独立拆除和安装，减少了设备停运时间，维护方便、经济。

主母线系统：单层母线系统布置在柜体的顶部、底部或者背部，双层母线系统布置在柜体的顶部或背部，两层主母线的截面大小可以不同。主母线系统安装在单独的隔室当中，与设备小室完全分离，以确保母线和操作维护人员之间的最大距离，主母线单独、串联或并联使用均可。双面操作柜采用共同母线设计，母线材料为铜，可根据运行的电流选用不同规格的母线，为便于维护，母线系统采用分段式，方便后期扩展和拼装。

分支母线系统：根据需求，可集中布置三相或四相分支母线系统。采用断路器技术时，分支母线的最大允许电流可达2500A；采用抽出式安装技术时，分支母线的最大允许电流为2000A。

智能低压设备主控系统：集数据采集与处理、数据显示与存储、综合分析与逻辑控制等功能于一体，应用独立的功能界面显示详细的数据信息，能够对配电网络进行集中监控和管理，使配电网络在安全、可靠、智能、高效的最佳状态下运行。智能主控系统让传统的黑匣子电力运行系统有了智慧大脑，可以监测各个回路的全部电气参量、安全运行状况、柜内环境及寿命参数等。并可针对电压、电流等主要参量绘制运行曲线，便于对用电回路进行维护分析。可通过网络或脱机方式与云平台进行算法迭代，是实现低压电力运维、电气安全、能耗分析、负荷预测边缘计算的核心设备。智能主控系统的显示界面如图3所示。

图3 智能主控系统显示界面

3 产品功能和实现效果

3.1 智能监测

设备集数据采集与处理、数据显示与存储、综合分析与逻辑控制等功能于一体，能够对配电网络进行集中监控和管理，使配电网络运行于安全、可靠、智能、高效的最佳状态。触摸屏可显示电气模拟图，能直观反映整柜的电气连接情况，监测各个回路的全部电气参量，可针对电压、电流等主要参量绘制运行曲线，用于用电回路的维护分析，同时可对谐波、不平衡度等电能质量数据进行分析，确保负载设备健康良好运行。

3.2 安全防护

结合系统提供的电气运行情况评估报告，对运行数据进行专业分析，给出运营维护建议。检修时断电负荷容量自动在线检测和自纠正系统，能避免运行及检修时的不必要断电；设备拥有自检系统（如图4所示），在出厂测试及年检时，能够自动检测自身状态，为相应报告提供数据。

图4 上电自检图

3.3 能耗分析

同时考虑了用户后期的运行维护工作，可以为用户提供专家级运维软件服务，以实时的进行数据监测，开展全面的运行分析，保障供电安全。

可实现电能统计工作，通过曲线、表格、棒图等方式，为用户分析实时、时段的能耗情况，为节能管理、用能规划提供数据支撑。通过特定参数曲线分析和连续的监控，为用户提供容量需求评估及决策服务。

3.4 预测性运维

设备融合智能配电监控和诊断系统，为用户在预防保护、避免事故发生方面提供了更优的解决方案。针对过压、欠压、过流、超温等参数异常状况，提前预警，防止发生电气事故；首创寿命监测系统，能智能监测断路器寿命，并及时预警，让设备工作在最佳状态；采用铜排及回路的温度监控系统，避免因回路过载和短路等带来的隐患；具备内部电弧监测和保护系统，避免因内部电弧故障对设备和人员造成损伤；同时配合云端系统，全方位地保障上下级配电系统的安全性。实时分析故障信息，实现本地、远程电脑、手机三维联动，通过声光、邮件、短信等途径及时进行报警推送，确保故障信息第一时间被传递给维护人员，从而使维护人员在最短时间内解决故障。

可实现将被动式运维转化为计划性运维，例如，通过分析可实现对螺栓松动趋势、断路器跳闸进行提前预警。故障报警图如图5所示。

图5 故障报警图

3.5 算法优化

分布在企业负荷端的智能设备通过边缘计算，可对校正云端的核心算法提供场景验证及支持。通过海量边缘计算点的计算验证后，发现可以在如下两个方面进行改进：一是制造执行系统可直接将计划产量提前与电力系统进行通讯，产品单耗历史值呈规律序列存储，将这方面数据融合后，可大大提高各种模型的预测准确度；二是不同行业特殊设备的工艺负荷规律不同，例如空调负荷，应尽量将此部分负荷预测数据进行融合。

吕留根［5］等提出基于辐射时间序列法的房间空调负荷实验研究，该方法采用24项辐射时间因子计算辐射，从而得到热到辐射负荷的转化过程。论文利用对流辐射分离方法，实测环境室24个时刻的逐时辐射热，采用软件计算环境室的辐射时间因子，由此计算辐射负荷，与对流负荷相加得到房间空调负荷，并与实测房间空调负荷进行比较。研究结果表明，采用辐射时间序列法计算房间空调负荷的结果与实测值吻合较好，峰值误差为-2.1%～0.7%，均值误差最大为3.8%，平均相对误差低于6.4%。实验中环境室回风温度平均值为25.2℃，回风控制系统稳定且精度良好。刚文龙［6］等提出基于随机森林的空调冷负荷逆向分解方法，并结合某办公建筑实例对该方法的分解效果进行了验证。论文建立随机森林冷负荷分解模型，将冷负荷逆向分解为围护结构负荷、人员负荷、灯光设备负荷和新风负荷。导入典型气象年数据，利用软件计算得到办公建筑的全年逐时负荷（含总负荷和分项负荷），其中干球温度、湿球温度来自典型气象年数据。将时刻、冷负荷、干球温度、湿球温度作为模型输入，人员负荷、新风负荷、围护结构负荷、灯光设备负荷作为模型输出，对模型进行训练和测试。以均方根误差、日平均相对误差的平均值作为评价指标，对随机森林冷负荷分解模型的分解效果进行评价。结果发现，随机森林冷负荷分解模型可准确实现负荷分解，且分解精度较高。四项负荷分解结果中，就均方根误差来看，人员负荷分解精度较高，围护结构负荷分解精度偏低，当以日平均相对误差的平均值为判断标准时，围护结构负荷分解结果偏离模拟值程度较小，人员负荷偏离模拟值程度较大，结合空调算法后，各种负荷预测模型精度大幅提升。

部署在企业负荷端的智能设备，除将模型结果反馈给云端外，还能自动巡优选择对企业负荷预测场景最佳的模型，并将其同步到云端进行客户标码深度学习进化后，最终同步到终端边缘设备。

4 结束语

目前，中国企业电力需求侧的运维人员综合素质大多不强，一般部署软件系统后，大都形同虚设，智能设备除承担边缘计算任务外，还可直观展现运维状态，方便运维人员进行检修，同时海量的行业数据积累可为科研工作及企业节能降耗、减碳提供实质性指导。