基于Intel邊緣計算系統(tǒng)的實時電壓暫降監(jiān)測及治理

國網北京電力經濟技術研究院 舒彬 英特爾亞太研發(fā)有限公司 吳之晶 大唐寧夏分公司 楊真

英特爾亞太研發(fā)有限公司 張駿 中移鐵通北京分公司 舒洪 英特爾亞太研發(fā)有限公司 單娜

英特爾亞太研發(fā)有限公司 王祥 濟南亞豪信息科技有限公司 張靜亮 英特爾亞太研發(fā)有限公司 王愛喜

電壓暫降的危害及監(jiān)測要求

近年來隨著電網的發(fā)展與新型電力負荷的不斷增加，人們對電能質量重要性的認識顯著提高，成為研究的重點。在眾多電能質量問題中，電壓暫降會引起敏感負荷的故障甚至損壞，造成重大經濟損失。在實際工作中，通常通過優(yōu)化改造電力系統(tǒng)或裝設抑制電壓暫降的設備來治理電壓暫降問題。而檢測電壓暫降則是改善電能質量、治理電壓暫降的前提。如何快速有效檢測電壓暫降的特征，是本文主要的研究方向。

本文提出了一種基于Intel 邊緣計算+云計算的電壓暫降檢測及分析方法，并開發(fā)完成了基于邊緣計算的前端監(jiān)測裝備和基于云計算的后臺分析系統(tǒng)。

基于Intel邊緣計算的電壓暫降檢測

基于總體平均經驗模態(tài)分解與二點法的單相電壓暫降檢測方法

本文提出了一種基于總體平均經驗模態(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）與二點法的單相電壓暫降檢測方法?？紤]到兩點法處理含噪聲和諧波畸變的電壓波形時計算結果波動較大、誤差顯著的問題，通過EEMD 方法提取電壓基波分量，濾除諧波和噪音影響，然后通過二點法計算電壓基波分量的幅值與相角。同時還給出了一種構造在線計算所需數據序列的方法，使所提方法可以滿足在線檢測的需求。實驗仿真表明，EEMD 方法能有效地濾除諧波干擾，對提取出的基波分量用二點法進行計算，可以快速、準確地檢測出電壓暫降的特征。

傳統(tǒng)HHT 方法存在端點效應問題。為了在電壓暫降檢測中發(fā)揮HHT方法時頻分辨率高的優(yōu)勢同時避免端點效應的影響，結合時間序列分析工具對電壓序列進行延拓，利用余弦窗函數抑制預測誤差，然后對延拓序列進行Hilbert 譜分析，得到電壓暫降的特征信息。仿真結果表明了所提方法端點效應不明顯，能夠快速、準確地定位電壓暫降起止時刻，計算電壓幅值和頻率。

Intel裝備軟硬件架構優(yōu)勢

電壓暫降檢測與控制系統(tǒng)要求在2～3 毫秒時間內檢測到電壓暫降并發(fā)出控制信號，這就要求檢測方法延時小，可以快速、準確地檢測出電壓暫降的起止時刻。由于時序數據序列本身的復雜性和疊加性，對檢測方法的實現(xiàn)效率和實時性提出了更高的要求。

日益增長的算力需求對計算基礎設施帶來了新的機遇和新的考驗。秉承新基建的意義，用算力服務于傳統(tǒng)能源行業(yè)，作為業(yè)界的領頭羊之一，Intel擁有全棧XPU（CPU，GPU，VPU，F(xiàn)PGA），提供多種平臺架構，以更高的性能來適應這些多樣化的工作負載。在時序數據實時處理場景中，CPU通用處理器搭配FPGA 加速器是一種非常高效的架構實現(xiàn)。CPU 作為最廣泛的通用架構實現(xiàn)，第二代英特爾?至強?可擴展處理器提供了比前代產品更高的性能并具備多項新特性，提升了靈活性與安全性，增強了內存性能。為了賦能AI，可擴展處理器集成AI 加速技術，擴展了英特爾?AVX—512，賦予平臺更多、更強的AI 能力，可加速AI 和深度學習推理，并針對工作負載進行了優(yōu)化。這使其擁有了集成AI 加速能力的CPU 架構?；谶@一架構，大多數推理工作被集成在工作負載或應用程序中，讓用戶可以獲得加速帶來的性能和更高的靈活性等優(yōu)勢，在以數據為中心的時代，幫助在多云與智能邊緣之間高效進行無障礙性能切換，以及AI 開發(fā)與應用。而FPGA 強勁的算力支持能夠進一步提升整個異構平臺的性能，幫助用戶提高運行效率，打造性能更強的敏捷服務和更具價值的功能，進而改善總體擁有成本和提升生產力。

此外，英特爾?oneAPI 產品將提供跨這些體系結構部署應用程序和解決方案所需的工具。它的一組補充工具包（基本工具包和特殊附加組件）簡化了編程，并幫助開發(fā)人員提高了效率和創(chuàng)新能力。核心的英特爾?oneAPI DPC++編譯器和庫實現(xiàn)了oneapi.com上可用的oneAPI行業(yè)規(guī)范。

基于Intel云計算的后臺分析系統(tǒng)

以基于英特爾?架構的平臺為基礎，構建云（總部云數據中心）—邊（邊緣計算節(jié)點）—端（電壓控制工控機）的架構，并引入英特爾?至強?可擴展處理器、Analytics Zoo 和OpenVINO?工具套件，以及面向英特爾?架構優(yōu)化的Pytorch等先進軟硬件，形成端到端的人工智能檢測方案；另一方面，根據檢測場景的差異，方案中也部署了多種不同的深度學習和機器學習算法模型，檢測速度和準確率均獲得了顯著提升。

圖1 基于intel云計算的電網電壓分析控制系統(tǒng)

“云”端的總部數據中心，可以利用強大的計算能力和來自各電力節(jié)點的豐富數據，根據實際電力運行場景需要進行集中化的模型搭建?！斑吘墶庇嬎愎?jié)點部署在各服務器中，主要包括推理服務器、模型管理器以及模型倉庫等組件，用于較重模型的推理，并將推理結果推送至電網電壓控制系統(tǒng)中?！岸恕眲t位于電網每個節(jié)點上，主要執(zhí)行數據采集、預處理、預分類及輕量級推理工作。

運行效果

假設電壓暫降故障波形主要是由短路故障引起的，設置故障起始時刻在t=0.08秒，結束時刻為t=0.16秒，發(fā)生深度為0.5p.u.的電壓暫降。

短路故障絕大多數發(fā)生在電壓瞬時值的最大值附近，即對應相位90度與270度附近。若故障起始時刻為t=0.085秒，即對應相位為90 度，不考慮諧波和相位跳變情況下，三種方法的檢測結果如圖2所示。

改進HHT 方法的響應速度最快。單相變換平均值方法延遲10毫秒后達到穩(wěn)定。dq變換方法在故障發(fā)生時刻也很快檢測出暫降，但是隨后的結果又出現(xiàn)很大的誤差，經過一段延遲才達到穩(wěn)定。

結論

基于Intel邊緣計算，通過EEMD提取電壓基波分量，濾除諧波和噪音，避免二點法計算結果產生誤差，保留了兩點法延遲短的性能，實現(xiàn)快速檢測電壓暫降。仿真結果表明所提方法能快速、有效檢測電壓暫降，為電壓暫降治理提供了參考依據。