基于邊緣計算和多傳感器融合的輸電線路監(jiān)測研究

王志明，李 鵬，韋 杰，劉勝榮，張偉勛，鐘枚汕，李正波

(1.廣東省數(shù)字電網(wǎng)技術(shù)企業(yè)重點實驗室(南方電網(wǎng)數(shù)字電網(wǎng)研究院)，廣州 510663；2.上海倍肯智能科技有限公司，上海 200030)

0 引言

隨著我國經(jīng)濟的不斷高速發(fā)展，對電力供應(yīng)的需求越來越大。因此，電力傳輸線作為電力傳播的重要組成部分，也受到了人們的高度關(guān)注[1]。然而一些地區(qū)環(huán)境較為惡劣，輸電線路受凍寒、強風(fēng)、降雪等影響較為嚴(yán)重，從而導(dǎo)致輸電線路故障。輸電線路作為電力輸送的載體，保障其安全可靠的運行是現(xiàn)代電網(wǎng)建設(shè)中關(guān)鍵的一環(huán)，輸電線路架設(shè)在自然環(huán)境中，其結(jié)構(gòu)安全與穩(wěn)定易受自然環(huán)境的影響[2-3]。在高溫或異常天氣條件下，輸電線路溫度容易出現(xiàn)波動，導(dǎo)致輸電線路電流瞬間增大，從而對線路穩(wěn)定性構(gòu)成威脅，存在線路燒斷、塔架傾倒等風(fēng)險。通過對輸電線路溫度的預(yù)測，可以預(yù)判線路的健康狀況，提前調(diào)整運維計劃，減少維護(hù)成本和停機時間。舞動是輸電導(dǎo)線常見的故障類型之一，導(dǎo)線在一定的攻角和風(fēng)速作用下容易產(chǎn)生大幅度、低頻的自激振動，即為舞動。當(dāng)輸電線路發(fā)生故障時，不僅影響當(dāng)?shù)氐碾娏?yīng)，而且往往會引起電網(wǎng)振蕩和破壞電網(wǎng)，導(dǎo)致大面積停電。中國是舞動發(fā)生最頻繁的國家之一，進(jìn)行輸電線路舞動情況的監(jiān)測研究有助于及時做好災(zāi)害處理預(yù)案，確保供電系統(tǒng)穩(wěn)定運行，保障社會用電安全[4-5]。研究探究了基于邊緣計算的輸電線路監(jiān)測系統(tǒng)，采用預(yù)測算法和邊緣計算技術(shù)來對輸電線路的安全進(jìn)行監(jiān)測，以確保輸電線路的安全運行，同時在數(shù)據(jù)采集方面降低成本。通過該系統(tǒng)能夠?qū)崟r監(jiān)測和預(yù)警輸電線路的異常情況，確保輸電線路運行的安全性，為相關(guān)工作人員提供參考和依據(jù)。

1 基于邊緣計算和多傳感器融合的輸電線路監(jiān)測系統(tǒng)

1.1 基于ARIMA模型的輸電線路監(jiān)測系統(tǒng)溫度預(yù)測功能

輸電線路的溫度預(yù)警時存在數(shù)據(jù)獲取不易、模型復(fù)雜度高、誤差累計等問題。自回歸移動平均模型(ARIMA，auto regressive integrated moving average)是一種常用的時間序列預(yù)測模型，它能夠?qū)€性數(shù)據(jù)進(jìn)行良好的逼近，還能準(zhǔn)確地描述時間序列的長期趨勢及其對應(yīng)的波動情況。針對輸電線路附近的環(huán)境溫度情況，研究通過搭建自回歸移動平均模型(ARIMA，auto regressive integrated moving average)來對當(dāng)?shù)貧鉁匚磥淼淖兓闆r進(jìn)行預(yù)測，以此來實現(xiàn)高低溫下輸電線路的異常舞動情況監(jiān)測及預(yù)警。首先以數(shù)據(jù)為基礎(chǔ)進(jìn)行自相關(guān)和偏自相關(guān)分析，判斷數(shù)據(jù)在平衡方面的性能是否達(dá)到要求，若達(dá)標(biāo)則對模型的階數(shù)進(jìn)行確定，否則對數(shù)據(jù)進(jìn)行差分操作，經(jīng)過處理后的數(shù)據(jù)視其平衡性性能進(jìn)行參數(shù)估計和驗證。若數(shù)據(jù)符合白噪聲的序列類型則模型可用于預(yù)測。ARIMA模型建模流程如圖1所示。

圖1 ARIMA模型建模流程

一般情況下，時間序列的變動規(guī)律類型包含不規(guī)則的、周期性的、季節(jié)性的和長期的，4種變動根據(jù)引發(fā)變動的因素隨機出現(xiàn)。利用疊加模型對4種變動規(guī)律之間相互獨立的關(guān)系進(jìn)行表征，如式(1)所示。

F=L+S+C+I

(1)

式(1)中，F(xiàn)表示最終變動；L表示長期趨勢變動；S表示季節(jié)變動；C表示循環(huán)變動；I表示不規(guī)則變動。利用乘積模型對4種變動規(guī)律之間相互影響的關(guān)系進(jìn)行表征，如式(2)。

F=L·S·C·I

(2)

假設(shè)Yi序列無法達(dá)到平衡方面的標(biāo)準(zhǔn)，然而▽dYi=(1-B)dYi序列的平穩(wěn)性能較好，利用▽dYi與ARIMA(p，q)模型中的Yi替換，如式(3)。

(3)

式(3)所表示的為ARIMA(p，d，q)模型，d為差分次數(shù)。針對平衡性能上有所欠缺的序列，ARIMA模型對其適用性更強。

為了使數(shù)據(jù)在平穩(wěn)方面能夠達(dá)標(biāo)，也就是數(shù)據(jù)平均值為不變的常數(shù)，存在方差且為常數(shù)，協(xié)方差只與間隔存在唯一關(guān)系。對于不平穩(wěn)的時間序列數(shù)據(jù)，需要對其進(jìn)行差分處理，通過對一階差分處理后的數(shù)值進(jìn)行平穩(wěn)性判斷，確定模型差分階數(shù)為1。ARIMA模型能夠較好地實現(xiàn)季節(jié)性規(guī)?；瘮?shù)據(jù)的建模，而季節(jié)性ARIMA模型則在此之上進(jìn)一步實現(xiàn)了季節(jié)性數(shù)據(jù)特征狀態(tài)的構(gòu)造，可以用SARIMA(p，d，q)(P，D，Q)m進(jìn)行表示，其中p指代自回歸(季節(jié)性)、P指代自回歸(非季節(jié)性)、q與Q都指代最大之后階數(shù)(移動性平均算子)；d指代差分次數(shù)(非季節(jié)性)、D指代差分次數(shù)(季節(jié)性)。根據(jù)殘差A(yù)CF和PACF可知，所有之后階數(shù)的偏自相關(guān)和自相關(guān)系數(shù)都與0十分相近。如果殘差是白噪聲，則說明所選擇的模型能夠?qū)r間序列的變化規(guī)律進(jìn)行精準(zhǔn)識別。當(dāng)殘差非白噪聲時，則所選模型不能完全將時間序列的變化規(guī)律識別出來，在這種情況下，需要通過對模型進(jìn)行修正來完善數(shù)據(jù)識別，反映在具體數(shù)值上，即當(dāng)p值小于或等于0.05時則拒絕原假設(shè)。該模型以殘差值為基礎(chǔ)進(jìn)行Q檢驗，得到的p值滿足要求，則模型接受原假設(shè)。

該模型對溫度的預(yù)測數(shù)值整體與真實數(shù)值是較為接近的，但預(yù)測點在拐點位置處的預(yù)測誤差值較大，進(jìn)而形成對于溫度預(yù)測精準(zhǔn)度的負(fù)面影響。為了提高整體溫度預(yù)測的準(zhǔn)確性，需要優(yōu)化極值點的精度，減小預(yù)測誤差。因此，需要先確定溫度曲線的極值點，通過斜率相關(guān)理論確定曲線的極值點，若判斷點為極值點，則對其進(jìn)行優(yōu)化，若判斷點非極值點，則直接輸出初始的預(yù)測數(shù)值。然后對極值點的相對平均誤差進(jìn)行計算，若誤差均值大于或等于10%，則對其進(jìn)行糾正，若誤差小于10%，則直接輸出預(yù)測值。確定誤差均值大于或等于10%的點后，以加權(quán)平均的形式對處于較前部分的兩個預(yù)測點進(jìn)行溫度值數(shù)據(jù)處理，并將得到的數(shù)據(jù)作為得到修正的極值數(shù)據(jù)，如式(4)所示。

(4)

1.2 基于邊緣計算和多傳感器融合的輸電線路監(jiān)測系統(tǒng)設(shè)計

目前的輸電線路監(jiān)測系統(tǒng)監(jiān)測方式較為單一，數(shù)據(jù)傳輸方式不穩(wěn)定，且系統(tǒng)維護(hù)成本高。為了實現(xiàn)低延遲、高可靠性、多角度多方位的輸電線路監(jiān)測，研究對基于邊緣計算和多傳感器融合的輸電線路監(jiān)測系統(tǒng)進(jìn)行設(shè)計。研究通過改進(jìn)ARIMA模型來對輸電線路附近的環(huán)境溫度進(jìn)行預(yù)測和預(yù)警，進(jìn)而構(gòu)建基于邊緣計算和多傳感器融合的輸電線路監(jiān)測系統(tǒng)對多分裂超高壓大檔距的輸電線路進(jìn)行監(jiān)測。傳統(tǒng)云計算方式在進(jìn)行大規(guī)模數(shù)據(jù)處理時難以在正確處理數(shù)據(jù)的同時保證實時化處理的效果。但是邊緣式運算則可以將運算操作設(shè)置在數(shù)據(jù)邊緣部分，這種運算方式一方面可以減輕云端產(chǎn)生的運算壓力，提升數(shù)據(jù)安全性，另一方面也可以有效降低系統(tǒng)延遲[6-7]。

研究采用Edge X Foundry開源框架作為邊緣計算的基礎(chǔ)架構(gòu)，它可以在保證信息安全性的同時，有效降低網(wǎng)絡(luò)流量消耗和運算過程中的網(wǎng)絡(luò)延遲，還能實現(xiàn)系統(tǒng)擴展和自適應(yīng)，并且它能夠與云端架構(gòu)形成適用性連接，從而提升自身操作性。研究設(shè)計的監(jiān)測系統(tǒng)架構(gòu)包括數(shù)據(jù)采集層、處理層和應(yīng)用層，具體架構(gòu)如圖2所示。

圖2 系統(tǒng)整體架構(gòu)圖

在數(shù)據(jù)采集層級中，復(fù)數(shù)種類的傳感裝置式必要的，它們可以對輸電線路運行過程中的氣象變化與舞動形態(tài)進(jìn)行數(shù)據(jù)采集，相關(guān)設(shè)備包括多個攝像頭、溫濕度傳感器、紅外傳感器、姿態(tài)傳感器及定位傳感器。這些傳感器設(shè)備安裝在多分裂導(dǎo)線上，通過感應(yīng)取電供能。數(shù)據(jù)處理層的邊緣計算節(jié)點能夠?qū)Σ杉降臄?shù)據(jù)進(jìn)行運算。數(shù)據(jù)應(yīng)用層級以Java作為主要操作語言，并以EasyUI做為主要技術(shù)框架，以此為基礎(chǔ)進(jìn)行輸電線路控制管理體系的開發(fā)。以此實現(xiàn)時效性監(jiān)測、在線查看現(xiàn)場、無線通訊、記錄事件過程、端側(cè)AI分析和可視化交互操作等功能。研究設(shè)計的系統(tǒng)采用低功耗芯片，具備AI算力；能夠?qū)?shù)據(jù)進(jìn)行本地存儲，提供端側(cè)邊緣計算；設(shè)備的維護(hù)成本降低，能夠適應(yīng)各種惡劣天氣。

研究設(shè)計的系統(tǒng)結(jié)合低功耗傳感器監(jiān)測，觸發(fā)攝像頭錄像，并綜合多臺設(shè)備數(shù)據(jù)模擬舞動軌跡。研究將采集到的數(shù)據(jù)放在邊緣計算平臺的邊緣部分執(zhí)行運算，該方式能夠在縮減傳輸帶寬，并縮減系統(tǒng)性運算延遲的同時，減輕云端的運算壓力，提升信息安全性。數(shù)據(jù)采集硬件的主要職責(zé)是數(shù)據(jù)監(jiān)測，其數(shù)據(jù)采集面對的是輸電線路所在環(huán)境的相關(guān)數(shù)據(jù)，同時它也會對輸電線路舞動變化數(shù)據(jù)進(jìn)行收集。采集到的數(shù)據(jù)通過無線傳輸，在此基礎(chǔ)上還要確保數(shù)據(jù)傳輸?shù)男蔥8]。

1.3 Edge X Foundry邊緣計算平臺構(gòu)建

Edge X Foundry平臺涉及到硬件和軟件環(huán)境選擇、多協(xié)議支持、安全性保障、技術(shù)集成和可擴展性，需要面對多方面的挑戰(zhàn)，需要綜合的、迭代式的技術(shù)路線、開發(fā)過程和生態(tài)迭代。建立Edge X Foundry平臺需要滿足以下兩個條件：至少具備4 GB的內(nèi)存、3 GB的硬盤和4核以上的CPU，并對需求事先做好安排。為了讓較多的硬盤空間留存下來，需要考慮傳感器和采集設(shè)備的留存時間。在軟件需求上，Git、MongoDB、Eclipse和Java 都是必要的。Git的功能是從 GitHub 庫中提取代碼，MongoDB可以作為元數(shù)據(jù)庫與設(shè)備的連接工具使用，Java則是EdgeX Foundry的微服務(wù)語言設(shè)計端口，而Go 語言則起到二次封裝的作用。要利用sudo命令來對邊緣平臺進(jìn)行平滑性處置，則必須啟動相關(guān)軟件包升級和安裝系統(tǒng)，并對有關(guān)的軟件源進(jìn)行配置，以便于在 Eclipse 中創(chuàng)建微服務(wù)[9-10]。

Edge X Foundry傳輸層的主要作用是構(gòu)造通信回路，及時推送信息，其由三部分構(gòu)成，第一部分為傳感器處理構(gòu)造(溫度、濕度、光照、風(fēng)速等傳感維度)，第二部分為客戶端，第三部分為Modbus-TCP服務(wù)器程序。設(shè)備管理模塊注冊和管理傳感器，擴展使用Modbus-TCP協(xié)議。信息到達(dá)邊緣平臺后，設(shè)備服務(wù)層則會向核心服務(wù)層發(fā)送信息，對關(guān)鍵詞進(jìn)行有效過濾，將消息隊列傳輸?shù)綌U展服務(wù)。擴展服務(wù)提取信息傳輸給客戶，或從客戶端訂閱信息[11-12]。

裝置登記服務(wù)提供了相關(guān)資料的定義、格式以及傳送路徑等服務(wù)。與傳感器設(shè)備傳送給核心數(shù)據(jù)服務(wù)的全部數(shù)據(jù)不同，數(shù)據(jù)定義可以通過定制的數(shù)據(jù)過濾器來篩選客戶所訂購的相關(guān)數(shù)據(jù)[13]。過濾器包括兩類，一類是通過裝置名稱或 ID 來篩選數(shù)據(jù)，客戶獲取有效信息的唯一途徑是已登記設(shè)備。另一種形式是將數(shù)字類別與表達(dá)的內(nèi)容以特定數(shù)值的形式來表達(dá)。

例如“溫度”用于表示溫度傳感器或其他數(shù)字型傳感器?？蛻舳诉€可以指定數(shù)據(jù)的特定格式，JSON格式與XML格式是較為普遍的例子，也可以根據(jù)需求來對數(shù)據(jù)的加密操作和壓縮操作是否執(zhí)行進(jìn)行決策[14-16]。

Edge X Foundry 是邊緣計算節(jié)點，它屬于該系統(tǒng)的數(shù)據(jù)處理層，主要用于實現(xiàn)邊緣運算操作。邊緣平臺對傳感器信息進(jìn)行有效接收，并根據(jù)真實性需求來進(jìn)行時效性運算。為確保數(shù)據(jù)處理的實時性，動態(tài)增容理論模型被放置在邊緣端進(jìn)行實時計算，計算結(jié)果被送至云存儲。Edge X Foundry旨在為IoT節(jié)點建立邊界框架，實現(xiàn)互操作性[17-18]。

設(shè)備服務(wù)主要依賴于核心數(shù)據(jù)和元數(shù)據(jù)兩種微服務(wù)。在設(shè)備初始化之前，需要開啟核心數(shù)據(jù)和元數(shù)據(jù)微服務(wù)，并按照配置文件的規(guī)定來初始化設(shè)備，包括設(shè)備名稱和值描述符等信息[19]。啟動微服務(wù)后，裝置服務(wù)將根據(jù)配置文件中所寫的信息，記錄到元數(shù)據(jù)中以進(jìn)行初始化，配置文件中的 YAML 可按實際需要編制。使用回調(diào)應(yīng)用程序界面可以管理設(shè)備實例，支持元數(shù)據(jù)的微服務(wù)。通過配置文件中包含的 GET 命令，可以將數(shù)據(jù)資源存儲在“虛擬資源”的 H2 庫中。裝置服務(wù)每15秒從 H2 庫中提取一份數(shù)據(jù)，并將其傳輸?shù)胶诵臄?shù)據(jù)。如果發(fā)現(xiàn)傳輸頻率不合適，可以使用YAML進(jìn)行修改。如果在600秒內(nèi)無響應(yīng)，初始化將失敗，可以使用ping命令查看微服務(wù)是否已啟動[20]。設(shè)備虛擬服務(wù)總體流程如圖3所示。

圖3 設(shè)備虛擬服務(wù)總體流程

研究設(shè)計的系統(tǒng)可以將用戶按權(quán)限分為兩類，一類是普通型用戶，一類是管理型用戶。普通性用戶的權(quán)限以查詢功能為主。而管理型用戶則可以對諸如設(shè)備、用戶等信息進(jìn)行實時化的修改和增刪。兩種用戶均擁實時監(jiān)測和歷史數(shù)據(jù)查詢的權(quán)限，在這部分兩種權(quán)限具有同等級功能。管理型用戶可以對線路數(shù)據(jù)、終端數(shù)據(jù)和用戶數(shù)據(jù)進(jìn)行管理，而普通用戶僅能管理自身賬號數(shù)據(jù)。

2 基于邊緣計算和多傳感器融合的輸電線路監(jiān)測系統(tǒng)的性能分析

2.1 輸電線路監(jiān)測系統(tǒng)的ARIMA模型性能分析

為了驗證設(shè)計系統(tǒng)的有效性，研究對系統(tǒng)的ARIMA模型的預(yù)測功能及系統(tǒng)的監(jiān)測效果進(jìn)行實驗分析。根據(jù)時間序列數(shù)據(jù)能夠看出輸電線路所處地點的溫度具有一定的周期性，消除溫度數(shù)據(jù)體現(xiàn)出來的周期性，進(jìn)而得到偏自相關(guān)系數(shù)與自相關(guān)系數(shù)，在此基礎(chǔ)上利用季節(jié)性ARIMA模型來擬合時間序列信息。研究在間隔相同時長的12個時間點對系統(tǒng)的ARIMA模型預(yù)測效果進(jìn)行實驗記錄，真實值和模型的預(yù)測值如圖4所示。

圖4 ARIMA模型的預(yù)測效果

從圖4中可以看出，在預(yù)測曲線的整體趨勢上，優(yōu)化后的ARIMA模型更加接近真實值。圖4(a)中，1、2、6、7時間點上的真實值分別為27.56、26.47、33.85和34.12，而這4個時間點上的ARIMA模型預(yù)測值分別為28.45、27.32、31.56和32.14。可以看出，在時間拐點上，真實值和預(yù)測值之間相差較大，優(yōu)化前的ARIMA 模型的預(yù)測準(zhǔn)確性還存在一定的缺陷。圖4(b)中，1、2、6、7時間點上的真實值分別為27.56、26.47、33.85和34.12，而這4個時間點上的ARIMA模型預(yù)測值分別為28.05、26.52、32.97和33.89?？梢钥闯?，在相同的時間拐點上，真實值和預(yù)測值之間相差較小，對比優(yōu)化前的ARIMA模型，優(yōu)化后的ARIMA模型在預(yù)測準(zhǔn)確性上得到了顯著的提升。決定系數(shù)R2是評價模型和樣本的擬合情況的指標(biāo)，范圍為[0，1]，其值越大則模型擬合度越高，若R2=0，則表明模型與樣本完全擬合。優(yōu)化前后的ARIMA模型的預(yù)測誤差及決定系數(shù)如圖5所示。

圖5(a)中，ARIMA模型在6個時間點上的MAE分別為0.678、0.702、0.6940.752、0.736和0.688，其中最小MAE為0.678；ARIMA模型在6個時間點上的MSE分別為0.812、0.824、0.786、0.804、0.791和0.768，其中最小MSE為0.768；ARIMA模型在6個時間點上的R2分別為0.845、0.821、0.782、0.806、0.844和0.767，其中最大R2為0.845。圖5(b)中，優(yōu)化后的ARIMA模型在6個時間點上的MAE分別為0.506、0.503、0.482、0.513、0.476、0.501，均比優(yōu)化前的ARIMA模型的最小MAE值更小。優(yōu)化后的ARIMA模型在6個時間點上的MSE分別為0.682、0.657、0.634、0.688、0.623、0.641，均比優(yōu)化前的ARIMA模型的最小MSE值更小。優(yōu)化后的ARIMA模型的R2分別為0.972、0.974、0.981、0.968、0.975、0.984，均比優(yōu)化前的ARIMA模型的最大R2更大。通過對比可知，研究對ARIMA模型的優(yōu)化具有顯著的有效性，優(yōu)化后的ARIMA模型具有優(yōu)越的準(zhǔn)確性和穩(wěn)定性。

圖5 ARIMA模型的誤差值及決定系數(shù)比較

2.2 輸電線路監(jiān)測系統(tǒng)性能分析

研究在性能分析時主要探討監(jiān)測系統(tǒng)的預(yù)警功能，將輸電線路的舞動情況具體分為6種類型，分別為旋轉(zhuǎn)舞動、振蕩舞動、側(cè)向舞動、繞組舞動、擺動舞動及脈動舞動，將6種舞動類型分別記為舞動類型1～6。對6種舞動類型下的系統(tǒng)預(yù)警性能進(jìn)行實驗分析，結(jié)果如圖6所示。

圖6 輸電線路監(jiān)測系統(tǒng)的預(yù)警準(zhǔn)確率

從圖6可以看出，監(jiān)測系統(tǒng)在白天對輸電線路舞動的預(yù)警準(zhǔn)確率分別為95.5%、96.4%、94.3%、95.7%、96.3%、97.1%，在夜晚的預(yù)警準(zhǔn)確率分別為93.5%、92.6%、90.9%、92.8%、93.2%、92.7%。通過比較可知，監(jiān)測系統(tǒng)在白天對不同類型的導(dǎo)線舞動情況的預(yù)警準(zhǔn)確率均比夜晚要高，特別是在白天對舞動類型6的預(yù)警準(zhǔn)確率達(dá)到了97.1%。監(jiān)測系統(tǒng)對舞動類型3的預(yù)警準(zhǔn)確率相對較低，在白天對舞動類型3的預(yù)警準(zhǔn)確率為94.3%，而在夜晚對舞動類型3的預(yù)警準(zhǔn)確率只有90.9%，為所有導(dǎo)線舞動類型中預(yù)警準(zhǔn)確率最低。監(jiān)測系統(tǒng)對舞動類型6預(yù)警準(zhǔn)確率的晝夜差異最大，監(jiān)測系統(tǒng)在白天對舞動類型6的預(yù)警準(zhǔn)確率為97.1%，在夜晚對舞動類型6的預(yù)警準(zhǔn)確率僅為92.7%。監(jiān)測系統(tǒng)對舞動類型1預(yù)警準(zhǔn)確率的晝夜差異最小，監(jiān)測系統(tǒng)在白天對舞動類型1的預(yù)警準(zhǔn)確率為95.5%，在夜晚對舞動類型1的預(yù)警準(zhǔn)確率為93.5%。結(jié)果說明研究設(shè)計的輸電線路監(jiān)測系統(tǒng)具有顯著的準(zhǔn)確性和可靠性。輸電線路監(jiān)測系統(tǒng)的預(yù)警響應(yīng)時間如圖7所示。

圖7 輸電線路監(jiān)測系統(tǒng)的響應(yīng)時間

圖7(a)中，監(jiān)測系統(tǒng)在白天對舞動類型1的響應(yīng)時間大概集中在1.8 s到2.5 s之間；系統(tǒng)對舞動類型2的響應(yīng)時間大概集中在1.5 s到2.2 s之間；系統(tǒng)對舞動類型3的響應(yīng)時間大概集中在1.9 s到2.4 s之間；系統(tǒng)對舞動類型4的響應(yīng)時間大概集中在1.8 s到2.7 s之間；系統(tǒng)對舞動類型5的響應(yīng)時間大概集中在1.6 s到2.4 s之間；系統(tǒng)對舞動類型6的響應(yīng)時間大概集中在1.8 s到2.7 s之間。通過總結(jié)可知，監(jiān)測系統(tǒng)在白天的響應(yīng)時間基本集中在1.5 s到2.7 s之間，其中對舞動類型4和類型6的響應(yīng)時間較長，對舞動類型2的響應(yīng)時間較短。 圖7(b)中，監(jiān)測系統(tǒng)在夜晚對舞動類型1的響應(yīng)時間大概集中在2.8 s到3.6 s之間；監(jiān)測系統(tǒng)在夜晚對舞動類型2的響應(yīng)時間大概集中在2.6 s到3.4 s之間；監(jiān)測系統(tǒng)在夜晚對舞動類型3的響應(yīng)時間大概集中在2.4 s到3.2 s之間；監(jiān)測系統(tǒng)在夜晚對舞動類型4的響應(yīng)時間大概集中在2.6 s到3.4 s之間；監(jiān)測系統(tǒng)在夜晚對舞動類型5的響應(yīng)時間大概集中在2.4 s到3.2 s之間；監(jiān)測系統(tǒng)在夜晚對舞動類型6的響應(yīng)時間大概集中在2.4 s到3.3 s之間。通過總結(jié)可知，監(jiān)測系統(tǒng)在夜晚的響應(yīng)時間基本集中在2.4 s到3.6 s之間，整體響應(yīng)時間明顯比白天更長，其中系統(tǒng)對舞動類型1的響應(yīng)時間較長，對舞動類型3和5的響應(yīng)時間較短。結(jié)果表明研究設(shè)計的輸電線路監(jiān)測系統(tǒng)在白天對導(dǎo)線舞動情況的預(yù)警更加迅速和準(zhǔn)確。

3 結(jié)束語

為了確保供電系統(tǒng)穩(wěn)定運行，保障社會用電安全，研究設(shè)計一種基于邊緣計算和多傳感器融合的輸電線路監(jiān)測系統(tǒng)。研究設(shè)計的系統(tǒng)架構(gòu)包括數(shù)據(jù)采集層、處理層和應(yīng)用層，利用攝像頭、紅外傳感器、溫濕度傳感器等多種傳感器進(jìn)行數(shù)據(jù)采集，并設(shè)計ARIMA模型對輸電線路附近的氣象情況進(jìn)行監(jiān)測和預(yù)測，進(jìn)而實現(xiàn)對導(dǎo)線監(jiān)測的系統(tǒng)輔助，并利用邊緣運算來處理得到的數(shù)據(jù)，從而得到監(jiān)測結(jié)果。結(jié)果顯示，優(yōu)化后的ARIMA模型的最小MAE為0.476，最小MSE為0.623，最大R2為0.984，均比優(yōu)化前的ARIMA模型表現(xiàn)更優(yōu)。監(jiān)測系統(tǒng)在白天對線路舞動的最高預(yù)警準(zhǔn)確率達(dá)到了97.1%，在夜晚的最高預(yù)警準(zhǔn)確率達(dá)到了93.5%；監(jiān)測系統(tǒng)在白天的響應(yīng)時間基本集中在1.4 s到2.8 s之間，在夜晚的響應(yīng)時間基本集中在2.4 s到3.6 s之間。實驗結(jié)果表明研究設(shè)計的輸電線路監(jiān)測系統(tǒng)對導(dǎo)線舞動的預(yù)警性能具有顯著的準(zhǔn)確性和可靠性，但其在白天的監(jiān)測效果比夜晚更好。研究設(shè)計的系統(tǒng)利用ARIMA模型對輸電線路環(huán)境溫度進(jìn)行預(yù)測，并結(jié)合邊緣計算和多傳感器對輸電線路進(jìn)行監(jiān)測，實現(xiàn)了低延遲、高可靠性、多角度多方位的輸電線路監(jiān)測，在保障線路安全運行的同時為電力工作人員提供了參考和依據(jù)。