基于云邊協(xié)同的高壓電纜智能監(jiān)測與狀態(tài)預(yù)測系統(tǒng)①

陳自國， 劉澤朝， 張傳江， 雷 雨， 李敬兆

(1.安徽理工大學(xué)電氣與信息工程學(xué)院，安徽 淮南 232001；2.淮北礦業(yè)(集團)有限責(zé)任公司 機電裝備部，安徽 淮北 235000)

0 引 言

從20世紀(jì)以來，我國整體用電量大幅增長，電纜作為整個電力系統(tǒng)重要的組成部分，扮演著愈發(fā)重要的角色。隨著電纜的使用量不斷增加，對電纜的安全性和可靠性要求越來越高，目前所生產(chǎn)使用的功能單一的高壓電纜監(jiān)測裝置難以滿足現(xiàn)實使用要求，同時，隨著電纜在線監(jiān)測設(shè)備的不斷增多，電纜狀態(tài)感知節(jié)點的種類和數(shù)量急劇增加，數(shù)據(jù)全部上傳會擠占網(wǎng)絡(luò)帶寬資源，會對云端造成巨大數(shù)據(jù)處理壓力，難以對電纜健康狀況進(jìn)行快速可視化響應(yīng)。

由此，周凱等人[1]提出中提出了一種基于小波變換的XLPE電纜介質(zhì)損耗在線監(jiān)測方法，對電纜接頭進(jìn)行熱分析，通過熱分析確定電纜過熱位置，并完成了電纜在線監(jiān)測系統(tǒng)設(shè)計方案，但缺乏電纜數(shù)據(jù)分析和處理功能的設(shè)計。孫俊峰等[2]提出一種基于LSTM滾動預(yù)測算法，對電纜纜芯的溫度進(jìn)行預(yù)測，取得了不錯的預(yù)測效果。賈京葦應(yīng)用馬爾可夫決策過程，折中維修成本和故障損失，得出最優(yōu)經(jīng)濟的檢修策略，給檢修決策人員提供了參考[3]。張波等[4]借助LSTM神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的變化規(guī)律進(jìn)行提取，同時結(jié)合支持向量回歸模型對其態(tài)勢進(jìn)行預(yù)測，獲取未來一段時間機器的特征數(shù)據(jù)流，并結(jié)合動態(tài)評估模型，實現(xiàn)配電變壓器未來運行態(tài)勢預(yù)測。針對數(shù)據(jù)處理壓力問題，相關(guān)學(xué)者提出計算卸載方案，通過將終端設(shè)備的計算任務(wù)卸載到邊緣服務(wù)器，實現(xiàn)移動應(yīng)用程序的低延遲需求[5-6]。相關(guān)技術(shù)的研究為文中深入分析提供了有效的解決方案。

綜上所述，隨著“智能化”在我國的大力推行，文中提出一種云邊協(xié)同計算環(huán)境下的高壓電纜智能監(jiān)測與狀態(tài)預(yù)測系統(tǒng)，邊緣計算作為一種新的計算范式應(yīng)運而生，它靠近生產(chǎn)現(xiàn)場，數(shù)據(jù)傳輸鏈路短，通過建立電纜監(jiān)測數(shù)據(jù)處理機制，減少邊緣端上傳至云端的數(shù)據(jù)量，保障了高壓電纜實時性監(jiān)測。同時在云端設(shè)立高壓電纜狀態(tài)預(yù)測模型，通過對歷史數(shù)據(jù)進(jìn)行處理，對電纜未來短期狀態(tài)特征量做出預(yù)測，實現(xiàn)對電纜的運行狀況提前進(jìn)行判斷，減少故障帶來的安全風(fēng)險。

1 智能監(jiān)測與狀態(tài)預(yù)測系統(tǒng)架構(gòu)

隨著“智能化”在我國的大力推行，電纜在線監(jiān)測網(wǎng)絡(luò)高速建設(shè)，電纜狀態(tài)的監(jiān)測數(shù)據(jù)量顯著增多，現(xiàn)實中產(chǎn)生的數(shù)據(jù)呈現(xiàn)出海量、復(fù)雜、存儲周期長、計算頻度高的特征。為了對電纜狀態(tài)更實時、高效和準(zhǔn)確的把握，從數(shù)據(jù)驅(qū)動的角度，設(shè)計了一種云邊協(xié)同計算環(huán)境下的高壓電纜智能監(jiān)測與狀態(tài)預(yù)測系統(tǒng)。

圖1 系統(tǒng)架構(gòu)

從供電電纜運行時的溫度和接地線電流等特征量中提取多維特征，并將數(shù)據(jù)采集和特征提取功能部署在邊緣層，將實時運行狀態(tài)顯示和未來運行狀態(tài)預(yù)測模型部署在云處理層，同時建立云邊協(xié)同計算環(huán)境下的電纜監(jiān)測數(shù)據(jù)處理機制，滿足了大規(guī)模電纜集群實時監(jiān)測和未來短時運行狀態(tài)的預(yù)測。

2 電纜監(jiān)測數(shù)據(jù)處理機制

2.1 數(shù)據(jù)采集方法

實驗數(shù)據(jù)來源于淮北某煤礦生產(chǎn)基地現(xiàn)場，在現(xiàn)場型號為10kv的交聯(lián)聚乙烯電纜接頭處布設(shè)無線溫度、電壓和電流互感器等傳感器，對電纜的溫度和接地線電流等表征電纜運行狀態(tài)的數(shù)據(jù)進(jìn)行持續(xù)監(jiān)測。邊緣信息采集與處理模塊如圖2所示。

圖2 邊緣信息采集與處理模塊

2.2 數(shù)據(jù)自適應(yīng)閾值處理算法

為減少邊緣端上傳至云端的數(shù)據(jù)量，保障了高壓電纜實時性監(jiān)測，將自適應(yīng)閾值算法改進(jìn)后用于對監(jiān)測數(shù)據(jù)的緊急程度進(jìn)行區(qū)分，實現(xiàn)對數(shù)據(jù)的采集和上傳速度進(jìn)行控制。假設(shè)邊緣感知節(jié)點檢測到的一組數(shù)據(jù)，經(jīng)過預(yù)處理后得到的形式為Z=[m1,m2,m3,…，mn]，將Z代入公式(1):

(1)

可得出數(shù)據(jù)變化率K=[k1,k2,k3,…,kn-1]，得到數(shù)據(jù)的變化情況，已知數(shù)據(jù)集K中存在閾值KH，將其分割為K1(kiKH)兩種數(shù)據(jù)類型，各自的均值為a1,a2，數(shù)據(jù)集K的全局均值為A，同時數(shù)據(jù)集K1,K2的出現(xiàn)的概率為p1,p2。

由上述數(shù)據(jù)可得式(2)，(3):

p1·a1+p2·a2=A

(2)

p1+p2=1

(3)

根據(jù)方差的概念，類間方差的表達(dá)式為式(4)：

δ2=p1(a1-A)2+p2(a2-A)2

(4)

將(2)式代入公式(3)并化簡后可得式(5)：

δ2=p1p2(a1-a2)2

(5)

在云邊協(xié)同計算環(huán)境下的電纜監(jiān)測數(shù)據(jù)處理機制，能夠極大的提高系統(tǒng)的日常工作效率，構(gòu)建出一種高可靠性的邊緣數(shù)據(jù)處理模型，如圖3所示，邊緣側(cè)采集到的信號首先進(jìn)行本地保存，確保原始數(shù)據(jù)的完整，接著進(jìn)入邊緣智能自適應(yīng)處理模型進(jìn)行數(shù)據(jù)處理，經(jīng)過異常值篩除，數(shù)據(jù)平滑預(yù)處理，再進(jìn)行數(shù)據(jù)自適應(yīng)閾值處理算法處理后，與得到的自適應(yīng)閾值進(jìn)行對比后，節(jié)點進(jìn)入對應(yīng)的工作模式，按預(yù)設(shè)的模式將數(shù)據(jù)上傳至云端服務(wù)器，進(jìn)行高壓電纜監(jiān)測數(shù)據(jù)分析和處理。

3 運行狀態(tài)預(yù)測方法研究

電纜內(nèi)部結(jié)構(gòu)復(fù)雜，而且通常布設(shè)在陰暗潮濕的地下，當(dāng)出現(xiàn)故障時，檢修起來比較困難，而且在特定場合，出現(xiàn)故障時，容易引發(fā)事故，針對這一問題，引入基于LSTM的滾動預(yù)測模型，通過對高壓電纜監(jiān)測特征量進(jìn)行分析，實現(xiàn)對電纜未來運行態(tài)勢預(yù)測，及時對電纜故障做出檢修。

圖3 云邊協(xié)同計算環(huán)境下的電纜監(jiān)測數(shù)據(jù)處理機制

3.1 LSTM神經(jīng)網(wǎng)絡(luò)建立及優(yōu)化器選擇

ht=ot·tanh(Ct)

(6)

(7)

(8)

it=σ(Wi·[ht-1,xt]+bi)

(9)

ft=σ(Wf·[ht-1,xt]+bf)

(10)

ot=σ(Wo·[ht-1,xt]+b0)

(11)

式(8)-(11)中Wc，Wi，Wf，Wo為待訓(xùn)練參數(shù)矩陣，σ為Sigmoid激活函數(shù)，bc，bi，bf，b0為待訓(xùn)練偏置項，在模型訓(xùn)練過程中，損失函數(shù)隨著迭代過程不斷減小，待訓(xùn)練項不斷更新，最終獲得適用于解決對應(yīng)問題的神經(jīng)網(wǎng)絡(luò)模型。在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，加入Adam(自適應(yīng)動量估計)優(yōu)化器，更新模型訓(xùn)練以及輸出的網(wǎng)絡(luò)參數(shù)，讓模型達(dá)到一種最優(yōu)狀態(tài)，其待訓(xùn)練參數(shù)更新公式為式(12)：

(12)

mt，Vt為t時刻的一階動量和二階動量，β1和β2為修正動量的超參數(shù)，如式(13)，(14)：

mt=β1·mt-1+(1-β1)·gt

(13)

Vt=β2·Vt-1+(1-β2)·gt2

(14)

式(13)，(14)中g(shù)t為t時刻損失函數(shù)關(guān)于當(dāng)前參數(shù)的梯度。圖4為Adam優(yōu)化下的LSTM訓(xùn)練結(jié)構(gòu)。

圖4 Adam優(yōu)化下的LSTM訓(xùn)練結(jié)構(gòu)

3.2 基于LSTM的滾動預(yù)測模型

通過在Adam優(yōu)化下的LSTM網(wǎng)絡(luò)中加入滾動預(yù)測技術(shù)，實現(xiàn)模型預(yù)測精度的提高，基于滾動預(yù)測的動態(tài)性，在訓(xùn)練數(shù)據(jù)的過程中，神經(jīng)網(wǎng)絡(luò)具有自我調(diào)節(jié)的能力，具體滾動預(yù)測網(wǎng)絡(luò)工作流程如圖5所示。

具體步驟：

1)對高壓電纜相關(guān)的時間序列集進(jìn)行導(dǎo)入，對輸入輸出變量進(jìn)行合理選擇；

2)對數(shù)據(jù)訓(xùn)練集和測試集進(jìn)行劃分，由于原始數(shù)據(jù)的量綱不一樣，需進(jìn)行數(shù)據(jù)預(yù)處理，即歸一化處理，公式為式(15)：

(15)

式(15)中：xmin為樣本數(shù)據(jù)的最小值，xmax為樣本數(shù)據(jù)的最大值；

3)構(gòu)建預(yù)測模型，從t=0時刻開始輸入數(shù)據(jù)；

4)根據(jù)構(gòu)建的預(yù)測模型，預(yù)測t=t+1時刻的電纜接地線電流大小，并將結(jié)果進(jìn)行反歸一化處理，同時將數(shù)據(jù)進(jìn)行輸出；

5)對樣本數(shù)據(jù)進(jìn)行更新：在訓(xùn)練的樣本中，添加當(dāng)前時刻的實際輸入與輸出數(shù)據(jù)；

6)在線對網(wǎng)絡(luò)訓(xùn)練模型進(jìn)行更新；

7)重復(fù)進(jìn)行第4)到6)步，直到所有預(yù)測完成，并對最終的結(jié)果進(jìn)行輸出；

圖5 滾動預(yù)測網(wǎng)絡(luò)

網(wǎng)絡(luò)模型在實際的預(yù)測過程中，在t2時刻，網(wǎng)絡(luò)會自動進(jìn)行參數(shù)模型的調(diào)整，通過滾動更新最新的數(shù)據(jù)變化規(guī)律，及時對參數(shù)的變化情況進(jìn)行跟蹤，實現(xiàn)模型精度的提高，實現(xiàn)模型具有更好的學(xué)習(xí)原始數(shù)據(jù)的能力，提高對電纜接地線電流的預(yù)測精度，完成算法模型對電纜實際運行狀況的表征。

4 系統(tǒng)性能分析

4.1 電纜故障實時預(yù)警分析

在云邊協(xié)同計算的電纜監(jiān)測數(shù)據(jù)處理機制下，邊緣側(cè)會對采集的數(shù)據(jù)進(jìn)行預(yù)處理，根據(jù)數(shù)據(jù)的緊急程度確定上傳至云處理平臺的數(shù)據(jù)量，提高云處理平臺的數(shù)據(jù)質(zhì)量，降低了平臺數(shù)據(jù)處理壓力。云平臺能夠?qū)﹄娎|運行狀態(tài)變化準(zhǔn)確和實時感知，當(dāng)電纜運行中出現(xiàn)故障時，各監(jiān)測特征量呈現(xiàn)上升趨勢，如圖6所示，在t時刻，維修人員會及時發(fā)現(xiàn)電纜異常運行狀態(tài)，并及時對緊急事故進(jìn)行處理。

4.2 電纜運行狀態(tài)預(yù)測實例分析

當(dāng)云端數(shù)據(jù)庫達(dá)到一定的數(shù)據(jù)量時，云處理端會通過預(yù)先布設(shè)好的滾動LSTM神經(jīng)網(wǎng)絡(luò)，對歷史數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，Adam優(yōu)化器優(yōu)化的基于LSTM的滾動預(yù)測模型輸入數(shù)據(jù)有時間序列下的電纜外保護套溫度值，電纜電壓和接地線電流值，環(huán)境溫濕度值，輸出數(shù)據(jù)為電纜接地線電流，其滾動預(yù)測結(jié)果如圖7所示。

圖6 電纜故障時各特征量變化狀態(tài)

圖7 優(yōu)化后的LSTM的預(yù)測結(jié)果

電纜接地線電流的大小反映出電纜的絕緣狀態(tài)，系統(tǒng)通過預(yù)測短時接地線電流的態(tài)勢發(fā)展，實現(xiàn)對電纜的態(tài)勢評估。

為評估優(yōu)化后LSTM的實際性能，建立預(yù)測模型而搭建的實驗平臺軟硬件信息如下：實驗使用的深度學(xué)習(xí)架構(gòu)為TensorFlow+Keras，開發(fā)環(huán)境為PyCharm2020版本，采用的系統(tǒng)為Windows10，計算機配置為Intel(R) Core(TM) i7-10510U CPU。

在歷史數(shù)據(jù)集中選取1800組數(shù)據(jù)，取1625組用于訓(xùn)練，其余175組數(shù)據(jù)用于測試，輸入數(shù)據(jù)有時間序列下的電纜外保護套溫度，電纜電壓和電流接地線電流值，環(huán)境溫濕度，輸出數(shù)據(jù)為電纜接地線電流，構(gòu)成算法模型的數(shù)據(jù)集。同時，為了更好的對算法模型在電纜接地線電流預(yù)測中的有效性和準(zhǔn)確性方面進(jìn)行評估，采用均方根誤差(RMSE)和平均絕對百分比誤差(MAPE)對預(yù)測模型進(jìn)行評價，得出的結(jié)果如表1。

表1 3種模型評價指標(biāo)

實驗結(jié)果表明，優(yōu)化后的LSTM網(wǎng)絡(luò)在RMSE和MAPE兩種評價指標(biāo)下的評價結(jié)果，比另外兩種對比模型效果好，優(yōu)化后的LSTM網(wǎng)絡(luò)在解決時間序列長期依賴問題的同時，模型具有自我調(diào)節(jié)能力，預(yù)測準(zhǔn)確性較高，對實際預(yù)測短時電纜狀態(tài)具有一定的意義。

5 結(jié) 語

為了實現(xiàn)大規(guī)模電纜集群的運行狀態(tài)評估與預(yù)測滿足實時響應(yīng)，構(gòu)建云邊協(xié)同計算環(huán)境下的電纜監(jiān)測數(shù)據(jù)處理機制，同時為對高壓電纜進(jìn)行狀態(tài)預(yù)測，設(shè)計了基于LSTM的優(yōu)化模型，對電纜狀態(tài)特征量的深度特征進(jìn)行分析。實驗結(jié)果表明，系統(tǒng)能實時準(zhǔn)確對電纜的狀態(tài)進(jìn)行監(jiān)測，同時，電纜的監(jiān)測特征量中包含大量的時序特征，通過采用循環(huán)神經(jīng)網(wǎng)絡(luò)的方法對信號的時序特征進(jìn)行提取，預(yù)測短時電纜接地線電流態(tài)勢，實現(xiàn)對電纜的故障進(jìn)行預(yù)判。通過優(yōu)化傳統(tǒng)LSTM神經(jīng)網(wǎng)絡(luò)，滾動更新最新的數(shù)據(jù)變化規(guī)律，對參數(shù)的變化情況進(jìn)行跟蹤，實現(xiàn)模型擁有更高的準(zhǔn)確率，通過對比試驗可知，優(yōu)化后的LSTM模型能實現(xiàn)電纜短時狀態(tài)的高精度預(yù)測。系統(tǒng)在實際應(yīng)用中，能夠進(jìn)一步提升高壓電纜運行時的安全性和可靠性。