基于边缘计算的电力检修数据融合识别技术

张秋雁，周洪波，代吉玉蕾，邓钥丹，张崇海

（1.贵州电网有限责任公司电力科学研究院，贵州贵阳 550002；2.贵州泛联信息技术有限公司，贵州贵阳 550022）

电力系统的建设包含了各种先进技术，其覆盖的领域很多，如通信技术、网络技术、计算机技术等，因此需要结合边缘计算定义与其技术特点，解决发生故障的电力系统。电力系统管控在用户与配电网、变电站之间的电力输送、转运等重要操作环节中扮演关键性的角色，电力系统直接影响用电用户的体验感以及配电网的供电质量。随着我国电力系统不断完善，电力系统所管控的数据越来越多，电力系统一旦损坏，人们的生活会受到严重影响，因此对于电力系统检修的研究十分重要。

电力系统所需处理的数据种类繁多，性质难以确定，电力系统的损坏因素有多种，因此需要将这些数据和因素进行数据融合，相关领域学者针对数据融合进行了较多的研究。文献[1]提出的卷积神经网络的电力检修，通过卷积神经网络来提升检修的准确率和识别效率，但此方式只适用于固定的几种损坏因素，并不适用于全部的电力系统问题的修复，因此不适用于修复电力系统。文献[2]提出了变电站自动化系统时间同步协同攻击的检测与防护方法，通过智能机器人来对电力系统的损害因素进行分析并提出解决方案，但此方式造价过于昂贵，不适用于大面积的普及使用，因此不适用于电力系统的修复。

对于电力系统损害的修复，数据融合识别是最实用的方案之一，因此该文基于边缘计算研究了一种新的电力检修数据融合识别技术。

1 基于边缘计算的电力检修数据融合

利用边缘计算的理念，将检修数据由中心节点转移到边缘节点中，建立基于边缘计算的分散式运算架构，采用广义幂变换的多源数据进行分散化处理[3-4]。

通过建设基于边缘计算的分散式运算架构，可有效寻找电力系统在运行时发生故障的因素，基于边缘计算的分散式运算架构如图1 所示。

图1 基于边缘计算的分散式运算架构

观察图1 可知，设定变换矩阵，分析其特征，选择标准化变换方案进行多源数据分散化处理，汇聚数据处理结果，提取特征属性，计算特征属性集合函数值，并建立信任区间，完成数据融合[5-6]。分散式运算架构作用于末端的电力运行设备以及监测设备之间，在充分考虑不同数据信息间的特征属性的关联程度后，将应用程序、数据资料与服务端的运算分隔开，分散式运算架构并不只是单纯地将数据进行分隔，同时可以完成电力系统中的多源异构信息数据量纲与量级的处理与转换[7-8]。

电力系统运行过程中，不同数据源的特征性质不同，其量纲、数量级存在较大的差别。为分散由于各种不一致原因而造成的电力系统损伤，该文对损坏数据源进行分散化处理。

针对电力系统大数据分析的时序化因素特点，加入基于广义幂变换的多源数据分散化处理方法。通过假设主数据库的异化数据为遵循正态分布法则的数据因子的方法，解决连续响应且损坏数变量不满足正态分布规律的情形，从一定程度上减少电力系统正常运行在出现故障时数据源不一的问题，确保基于边缘运算的分散型运算架构平稳运转，更好地分隔应用程序和数据资料[9-10]。数据融合过程如图2 所示。

图2 数据融合过程

根据图2 可知，通过计算机进行数据控制，利用迭代处理实现数据汇总，同时使用管理服务器、数据识别器、内部服务器管理电力检修数据。由于电力系统故障的数据多为多源异构形式，为保证应对不同源的信息数据均能实现变换处理，该文设置不同的应对方案，根据选定的多源性处理方案，对数据进行迭代处理，直到任务输出的数据保持一致后，进行输出保存。

通过基于边缘计算的分散式运算架构，结合广义幂变换的多源数据分散化处理，达到将电力检修故障发生时产生的故障因素分割开来，并将其进行分散化处理，为下一步的数据识别提供支持[11-12]。

2 基于边缘计算的电力检修数据识别

通过分散式运算架构和广义幂变换的多源数据分散化处理，将数据汇总，根据汇总结果实现融合，在融合之后，对数据进行识别。建立边缘计算模型如图3 所示。

图3 边缘计算模型

根据图3 的边缘计算模型完成计算下行迁移、数据缓存、数据处理、请求分布、服务分布、IoT管理和隐私保护，将原本完全由中心节点处理的大型服务分解，切割成多个小型服务，并更加容易管理，将这些分散后的小型服务分布到边缘节点处理[13]。

该文采取减少数据交互中杂质的方式减少边缘节点的数据响应问题，根据电力检修的技术请求进行数据交换。边缘计算服务器为每个小型服务提供数据转移，通过边缘算法进行改进，在电力检修技术请求中寻找最佳的服务节点进行标记、转移。在电力检修技术请求中，将每个请求的节点当作出发原点。节点到转移节点的调度算法如式（1）所示：

其中，Z表示算法复杂度；W表示数据产生点集；U表示边缘节点；Q表示设备处理节点；反应时间为T；任务量为M。

根据式（1）可寻找最优节点，因为W包含了电力检修请求的节点即初始点，且请求数据量M是从初始点中开始传输的，因此有：

根据式（2）完成寻找最优节点。

在电力系统中，由多个因素引起的连锁故障危害巨大，常常不可控制。由于无法确定所有故障因素，所以在维修故障过程中无法清除所有故障因素，导致故障不断发生，损坏电力系统[14-15]。因此，需要将故障因素进行数据融合，采用边缘计算的冗错算法设计拓扑结构，将电力系统网络与故障信息采集系统完成数据共享，实现不确定信息的闭环融合，在连锁故障发生时，提取两次运行节点数据R1、R2，对数据进行初步的分散，并通过式（3）进行计算：

根据式（3）完成对故障数据的筛查，通过将故障信息分散到边缘节点处理，实现对电力系统的检修。该文采用全量抽取对该部分数据进行处理，经过抽取以后，数据格式与发生检修数据请求的格式相同，为了保持数据的一致，对于数据源要时刻保持监控状态，以便发生故障时工作人员能够立即进行抽取筛查[16]。

基于电力系统通用服务器设计边缘节点，并采用网络虚拟化的形式作为检修数据请求的流入端，冗余数据的加入，使得连锁电力系统故障得以控制，利用边缘计算为电力系统检修进行优化，为数据融合识别技术在电力检修中的稳定运行提供保障。

3 实验研究

为了验证该文提出的基于边缘计算的电力检修数据融合识别技术的实际应用效果，选用该文提出的识别技术和传统的卷积神经网络电力融合技术和变电站自动化系统时间同步协同攻击的检测与防护方法进行实验对比。

设置实验参数如下：工作电压为200 V，工作电流为150 A，操作系统为Windows10，操作次数为10次，工作频率为220 Hz。

实验过程使用的配电网如图4 所示。

图4 配电网结构

根据图4 的配电网结构进行实验，数据融合结果如表1-3 所示。

表1 配电网数据融合结果

表2 终端监测数据融合结果

表3 环境信息数据融合结果

根据上表可知，该文提出的基于边缘计算的电力检修数据融合识别技术通过对原始数据进行标准化处理来分析数据之间的关系，确定数据格式，实现统一变换，该文研究的识别技术对数据特征取值绝对值在0～1 之间，能够很好地消除由于检测过程中出现的不一致信息所带来的限制，而传统的融合识别方法在检测过程中元素绝对值取值超过1，很容易受到不同因素限制，难以实现信息的深度挖掘。造成这种现象的原因是，该文设计的边缘计算技术将核心节点处理的事务分散到各个边缘节点来进行处理，确保边缘节点更靠近用户终端，更方便高效管理，达到加快处理资料的目的，提高了资料传输的速度。识别准确率实验结果如图5 所示。

根据图5 可知，该文提出的基于边缘计算的电力检修数据融合识别技术的识别准确率与传统方法相比提高了20%～50%。在电力系统检修的大背景下，对检修数据进行融合识别，其设计思想都是通过边缘计算相比于传统方式的优点建立而成。在进行数据信息融合识别时，该文设计的技术能够保留各个信息的优势。在检修数据请求的节点建立中，存在拓展结构，在对数据信息分散化的同时，将网络侧减压部分加入其中，使得分散到边缘节点处理的检修请求不给电力系统造成过大的数据处理压力。

4 结束语

电力系统维修是电力系统研究领域方向之一，优良的电力系统维修方案能推进电力系统领域的整体发展，带给用电用户更好的体验感，并节省了大量过去维修所花费的不必要的资金，该文提出的电力检修数据融合识别技术通过边缘计算进行数据分析，完成数据识别，该技术可有效解决电力检修中存在的问题，以期为后来学者在该领域的研究提供有效参考。