基于邊緣計算的配電網過電壓在線識別裝置

呂超，賈俊青，周佳，武天宇

（1.內蒙古電力科學研究院，內蒙古 呼和浩特 010020；2.內蒙古超高壓供電局，內蒙古 呼和浩特 010080）

電力系統(tǒng)的工作可靠性與其絕緣水平和過電壓大小密切相關。根據(jù)歷年來的事故統(tǒng)計，電力系統(tǒng)中過電壓所引起的事故占比較大[1]。過電壓分為外部過電壓和內部過電壓兩大類。外部過電壓主要指雷電過電壓，又稱為大氣過電壓，是由于雷擊輸電線路或設備，從而侵入到電力系統(tǒng)中形成的。內部過電壓是指電力系統(tǒng)中由于斷路器操作、故障或其它原因，使系統(tǒng)參數(shù)發(fā)生變化，引起電網內部電磁能量的轉化或傳遞所造成的電壓升高[2]。配電網現(xiàn)有的故障錄波裝置是從電壓互感器獲取過電壓信號，測量精度及頻率響應差，對很多過電壓信號不能有效監(jiān)測，特別是無法監(jiān)測到電網外部過電壓。有鑒于此，需要研制專用的配電網過電壓在線識別裝置，該裝置不僅能同時監(jiān)測內、外部過電壓，而且能完整記錄過電壓發(fā)生前后的波形數(shù)據(jù)，同時可根據(jù)波形數(shù)據(jù)能準確識別過電壓的類型，從而為過電壓發(fā)生后的快速處置提供科學依據(jù)。文獻[3]面向6 kV配電網系統(tǒng)過電壓，采用阻容串聯(lián)分壓器作為傳感器來獲取數(shù)據(jù)，采樣頻率最高10 MHz，可以監(jiān)測并識別配電網內部過電壓及大氣過電壓。文獻[4]針對10～35 kV配電網系統(tǒng)過電壓，采用電壓互感器、二次電纜和電容分壓器在二次側測得過電壓信號并基于三級識別思想來識別不同種類的過電壓。文獻[5]設計了由電壓傳感器、信號預處理模塊、數(shù)據(jù)采集模塊、數(shù)據(jù)處理與分析模塊等部分組成的中壓配電網過電壓在線監(jiān)測系統(tǒng)，并通過在試驗室內進行的故障電壓波形模擬試驗驗證了系統(tǒng)的有效性。

除了配電網過電壓在線識別裝置硬件，運行在硬件上的過電壓識別算法對準確識別過電壓類型也起著決定性作用。按照過電壓特征提取所用信號維度不同，可分為一維信號識別方法和多維信號識別方法。一維信號識別方法是指利用配電網電壓、電流隨時間變化的一維波形曲線識別過電壓類型，多維信號識別方法是指對一維信號經數(shù)學變換為二維圖像或三維及以上的多維信號，然后依據(jù)多維信號特征進行過電壓類型識別。文獻[6]對一維過電壓信號進行COOCG數(shù)學形態(tài)學算子處理，基于間歇性弧光接地存在多次暫態(tài)過程而金屬性接地只存在一次暫態(tài)過程的特點，實現(xiàn)對弧光接地過電壓的識別。文獻[7]提取時域過電壓信號的過電壓持續(xù)時間、電壓上升時間等八個參數(shù)作為特征量，利用Fisher判別分析法、計算判別式的值來區(qū)別內部和外部過電壓。文獻[8]利用分形理論分析過電壓波形，指出相同類型過電壓波形的分形維數(shù)基本一致，據(jù)此來識別空載線路分閘過電壓、空載線路合閘過電壓等四種不同類型的過電壓。

一維信號只能提供諸如幅值、時間差等較為簡單的識別判據(jù)，多維信號則可提供諸如時頻域等信息更加豐富的識別判據(jù)，從而既有利于識別更多類型的過電壓（提升過電壓識別種類），又能顯著提高識別的準確性。常見的識別方法包括基于小波的方法[9-12]，基于S變換的方法[13-14]，基于原子分解的方法[15-16]等。伴隨著人工智能技術的快速發(fā)展，基于多維信號和卷積神經網絡（convolutional neural network，CNN）的過電壓識別方法得到快速發(fā)展。文獻[17]提出了原子分解結合卷積神經網絡的配電網內部過電壓識別方法，其平均識別準確率大于98.69%。文獻[18]采用喬威廉姆斯分布（Choi-Williams distribution，CWD）對三相瞬時電壓波形進行時頻分解，獲得CWD分布能量等高圖，在時間軸和頻率軸分塊求和，求得的三相分塊時頻譜作為CNN的二維輸入矩陣。經測試，樣本總的識別率為99.57%。文獻[17]和[18]的隱含層都是5個陰層，屬于淺層CNN。因為增加CNN的深度可以增強CNN的表達能力，所以當處理復雜的學習問題時，深層CNN架構比淺層CNN架構具有優(yōu)勢，但是深層CNN的計算量大，在工程應用時需要采用帶（graphics processing unit，GPU）加速的計算機或云平臺。邊緣計算則為深層CNN用于配電網過電壓識別工程應用提供了新的實現(xiàn)平臺。邊緣計算是在靠近物或數(shù)據(jù)源頭的網絡邊緣側，融合網絡、計算、存儲、應用等核心能力的分布式開放平臺，就近提供邊緣智能服務，滿足行業(yè)數(shù)字化在敏捷聯(lián)接、實時業(yè)務、數(shù)據(jù)優(yōu)化、應用智能、安全與隱私保護方面的關鍵需求[19]。帶有神經網絡處理器（neural-network processing unit，NPU）的邊緣計算節(jié)點包括了深層CNN計算所需的乘加、激活函數(shù)、二維數(shù)據(jù)運算等模塊，使其處理能力進一步提升，為新型配電網過電壓識別裝置的研制奠定了基礎。

本文面向10 kV配電網，基于帶NPU的邊緣計算節(jié)點設計了新型配電網過電壓識別裝置。該裝置采用多級運放設計了適于高帶寬、高精度高壓分壓器的信號調理電路，利用高速數(shù)據(jù)采集卡實現(xiàn)了配電網三路電壓信號的同步實時采集，在帶NPU的邊緣計算節(jié)點上實現(xiàn)了基于（visual geometry group，VGG）遷移學習的過電壓類型識別算法。采用故障注入法對所設計的裝置進行了實驗驗證，證明了該裝置在過電壓類型識別上的有效性。

1 配電網過電壓識別裝置設計

1.1 配電網過電壓識別裝置整體結構

配電網過電壓識別裝置整體結構如圖1所示，由高壓分壓器、信號調理電路、USB 3.0高速數(shù)據(jù)采集卡、邊緣計算節(jié)點和4 G模塊等組成。

圖1 系統(tǒng)結構框圖Fig.1 Block diagram of the system

考慮到10 kV配網內、外部過電壓的電壓等級和頻率范圍，選用了PVM-7型高壓分壓器，該分壓器最高耐壓直流60 kV/脈沖100 kV，頻率范圍100 MHz，可以滿足10 kV配電網過電壓識別的需要。信號調理電路用于將高壓分壓器的電信號放大至USB 3.0高速數(shù)據(jù)采集卡輸入電壓范圍，同時濾除高壓分壓器信號中的高頻干擾。高速數(shù)據(jù)采集卡最高采集速率可達40 MHz，可以滿足內、外部過電壓識別的要求，該采集卡采用USB 3.0接口，理論數(shù)據(jù)傳輸速率達5 Gbps，可把采集到的數(shù)據(jù)高速發(fā)送給邊緣計算節(jié)點。邊緣計算節(jié)點基于國產RK3399芯片設計，該芯片采用多處理結構并自帶NPU，支持Caffe，Tensorflow等。在邊緣計算節(jié)點上運行基于深度CNN的配電網過電壓識別軟件，過電壓原始數(shù)據(jù)和識別得到過電壓類型將通過4G通信模塊遠傳到云平臺。

1.2 信號調理電路的設計

信號調理電路由有源濾波及比例運算電路、絕對值電路、電壓比較電路及過電壓觸發(fā)電路構成，如圖2所示。圖3給出了圖2中各個點正常工作時的電路波形以及異常過電壓時的電路波形。

圖2 信號調理電路設計Fig.2 Signal conditioning circuit design

圖3 電壓檢測電路波形圖Fig.3 Waveforms of the voltage detection circuit

當系統(tǒng)正常運行時，電壓比較電路輸出的過電壓保護（overvoltage protection，OVP）信號為低，采集卡會一直動態(tài)記錄電網的三相工作波形；而當系統(tǒng)出現(xiàn)異常過電壓時，電壓比較電路輸出的OVP信號會出現(xiàn)一個高脈沖，能夠觸發(fā)過電壓波形采集卡，記錄過電壓波形。

1.2.1 有源濾波電路

考慮到雷擊過電壓的持續(xù)時間約為幾十微秒，因此有源濾波電路在設計上要保證雷擊過電壓信號能無衰減的通過濾波器，并且同時對高頻信號起到抑制作用。

本文采用的是無限增益多路反饋二階低通濾波電路，其電路圖如圖4所示，其中，Ra，Rb，Rc為有源濾波器中的電阻；Rf為反饋電阻；Ca，Cb為電路中電容。濾波電路的優(yōu)點在于能夠改善截止頻率fc處的頻率特性，并且使得超過fc頻率的高頻信號能夠快速衰減。

圖4 二階有源濾波器電路圖Fig.4 Circuit diagram of second order active filter

令信號頻率等于0，可得通帶電壓放大倍數(shù)Aup如下式所示：

對M節(jié)點列電流方程，可得二階無限增益有源濾波器的傳遞函數(shù)：

式中：fc為截止頻率；s=jω為復數(shù)頻率；Q為f=fc時的電壓放大倍數(shù)與通帶放大倍數(shù)的數(shù)值之比，其中f為圖4中輸入信號Ui（s）的頻率。

將式（3）、式（4）帶入式（2）中，并令：

式中：fn為圖4中輸入信號Ui（s）的頻率與截止頻率fc的比值；N為二階有源濾波電路的對數(shù)幅頻增益。

則可得到二階有源濾波電路在不同Q值下的幅頻特性曲線，如圖5所示。當Q=0.707時，幅頻響應最為平坦。

圖5 二階有源濾波電路幅頻特性曲線Fig.5 Amplitude frequency characteristic of second order active filter

1.2.2 絕對值電路

配電網電壓是三相正弦電壓波形，由于正弦波形有正有負，這增加了產生過電壓觸發(fā)信號的難度，因而設計了如圖6所示的絕對值電路，實現(xiàn)對正弦波取絕對值的運算功能。

圖6 絕對值電路Fig.6 Absolute value circuit

絕對值電路工作原理如下，假定電阻R1=R2=R3=R4=R5=Rcom，Rcom為給定電阻。

1）當A相輸入電壓UA＞0時，第一級運放輸出電壓Um＜ 0，二極管D2截止，D1導通，可得到如下關系式：

式中：Vd1為二極管D1導通電壓。

可得出，電路最終輸出電壓UABS_A=UA。

2）當UA＜ 0時，Um＞ 0，二極管D1截止，D2導通，可得到如下關系式：

式中：Vd2為二極管D2導通電壓。

可得到：UABS_A=-UA。

因此，當信號UA通過絕對值電路后，可以得到如下關系式：

1.3 基于深層CNN的過電壓識別算法及其在邊緣計算節(jié)點上的實現(xiàn)

卷積神經網絡CNN是一種公認的學習圖像內容的最優(yōu)技術之一，在圖像識別、分割、檢測和檢索等應用領域都取得了最佳效果。CNN通常由卷積層、非線性處理單元和下采樣層的組合組成。由于深層CNN不能直接處理配電網過電壓時域信號，所以首先要把過電壓時域信號轉換為二維圖像。這里選用連續(xù)小波變換（CWT）。配電網過電壓信號屬于典型的非平穩(wěn)信號，小波變換則是一種行之有效的分析和處理非平穩(wěn)信號的方法。它具有多分辨率分析的特點，在低頻部分具有較高的頻率分辨率和較低的時間分辨率，在高頻部分具有較高的時間分辨率和較低的頻率分辨率。小波變換分為連續(xù)小波變換和離散小波變換兩種。

設Ψ（t）∈L（2R），L（2R）表示平方可積的實數(shù)空間，其傅里葉變換為(ω)，當(ω)滿足允許條件：

Ψ（t）稱為一個母小波。將母小波經伸縮和平移后，就可以得到一個小波序列。

對于連續(xù)小波變換（CWT）而言，小波序列Ψa，b（t）為

式中：a為伸縮因子；b為平移因子。

對于任意的函數(shù)f（t）∈L2（R）的連續(xù)小波變換為

圖7 過電壓時域信號與連續(xù)小波變換Fig.7 Signal of over-voltage and its Wavelet transform

在得到與過電壓時域信號對應的連續(xù)小波變換二維圖后，采用基于VGG的遷移學習來實現(xiàn)過電壓的識別。

VGG是牛津大學的Oxford Visual Geometry Group小組為解決ImageNet中1 000類圖像分類和定位問題提出的深層CNN模型，其中VGG-16的深度為23，包括16個權重層，如圖8所示[20]。

圖8 VGG-16結構圖Fig.8 The Architecture of VGG-16

VGG-16包括一個輸入層，輸入圖像是224×224×3的圖像張量。包括13個卷積層，輸出的特征圖Pi為

式中：Pi-1為第i-1層的特征圖；Wi為第i層卷積核的權值矩陣，對于VGG-16而言不同卷積層的大小都為3×3；bi為第i層卷積核的平移因子。

VGG-16還包括5個池化層，池化層都采用最大池化層，參數(shù)均為2×2。VGG-16的卷積層和池化層可以劃分為5個不同的塊（Block），Block1，Block2都由2個卷積層和1個池化層組成，Block3，Block4，Block5都由3個卷積層和1個池化層組成。

VGG-16在3個全連接層之后接一個softmax層，softmax計算如下式所示：

式中：ax為第x個softmax層的伸縮因子。

通過對VGG-16的結構分析可知，VGG-16的分類是1 000種，它并不能直接用于過電壓類型的識別。為此使用了遷移學習，即通過修改VGG-16結構使其滿足過電壓類型識別的要求。具體的修改內容包括：1）依據(jù)六種需要識別的過電壓將分類調整為6。2）把3個全連接層調整為128×128×1，128×128×1和6×6×1。

修改后的VGG-16的參數(shù)總數(shù)達到138 M，為了將其在配電網過電壓識別裝置上得以應用，采用了帶NPU的RK3399邊緣計算芯片并使用了Tengine高性能嵌入式推理引擎。利用Tengine提供的convert_model_to_tm工具將模型轉換為Tengine模型文件model_file，然后通過調用graph=create_graph（NULL，"tengine"，model_file）導入模型文件，之后通過調用run_graph（graph，1）運行graph并得到分類結果。

2 實驗驗證

由于在同一線路有限時間內發(fā)生多種不同類型過電壓的可能性很低，所以采用故障注入法來驗證新型配電網過電壓識別裝置的有效性。故障注入由兩個信號發(fā)生器組成，兩個信號發(fā)生器采用共同的時鐘基準，利用信號發(fā)生器的任意波形編輯功能，將EMTP仿真得到的過電壓波形在信號發(fā)生器上進行復現(xiàn)并加載到配電網過電壓識別裝置上。

在實驗過程中依次注入幅值相位各不相同的6種過電壓：1）合閘空載線路過電壓。2）投電容器過電壓。3）間歇性弧光接地過電壓。4）分頻鐵磁諧振過電壓。5）基頻鐵磁諧振過電壓。6）單相短路接地過電壓。

通過實驗計算得到識別正確率如表1所示。綜合正確率達到97.57%，說明了基于邊緣計算的新型配電網過電壓識別裝置是有效的。

表1 故障注入實驗識別正確率Tab.1 Recognition accuracy of fault injection experiments

3 結論

本文設計了一種基于邊緣計算的新型配電網過電壓識別裝置。該裝置信號調理電路采用多級運放設計，不僅滿足頻率范圍達80 MHz的高壓分壓器電信號變換的要求，而且可以濾除高頻噪聲，產生的過電壓觸發(fā)信號可使高速采集卡自動進入過電壓波形記錄模式，無需軟件干預。通過基于VGG的遷移學習，使得深層CNN識別算法得以在配電網過電壓識別中得以應用，并通過把該算法在帶NPU的邊緣計算節(jié)點部署實現(xiàn)了基于深層CNN配電網過電壓識別算法的工程應用。故障注入實驗表明該裝置的綜合正確率達97.57%，從而驗證了本裝置的有效性。