基于边缘计算和智能网关的开关设备局部放电多物理监测与传感技术

摘要

针对当前局部放电检测技术存在的高瓶颈、专业性强和检测任务繁重等问题，局部放电过程受设备运行环境及工况因素影响较大。本文提出一种基于边缘计算的开关设备局部放电多物理场感知与状态跟踪技术。文章着眼于多物理场局部放电信号特征提取的边缘计算技术、多物理场跟踪越限预警模型的构建以及智能网关技术的研发与试制。研究发现，本文提出的边缘计算算法在保证检测系统性能的前提下，可有效降低成本和功耗。

关键词 ：边缘计算，智能网关，开关设备，物理监测与传感技术。

1. 引言

电力物联网的建设是国家新型数字基础设施的重要内容，也是推动产业转型升级、驱动经济实现跨越式发展的重要举措。高压开关柜是电力系统控制与保护的关键组成部分，尤其是配电网开关设备数量大、分布广，设备类型多且分散，成本低，可靠性差，配电网运维力量薄弱，导致配电网设备故障率高[1]。局部放电检测是高压开关设备绝缘监测和状态运维的重要核心方法，具有灵敏度高、时效性强的显著优势。

为了有效预防开关设备因绝缘老化和劣化引发的缺陷，进而导致生产事故，根据国家电网公司重大反事故措施的要求，深入开展基于电力物联网的局部放电多物理感知与分析技术研究，精确识别绝缘状态并实现故障预警，对于提升开关设备运行的可靠性和经济性，确保电力生产安全，推动电网企业管理及运维转型、业务升级，提升用户体验和企业社会形象具有重要意义[2]。因此，如何在遵循局部放电检测科学规律、确保检测系统性能的前提下，有效降低成本、降低功耗，并利用物联网技术解决局部放电智能感知与状态预警问题，是亟需面对和解决的关键课题。本文探讨了基于边缘计算与诊断模型的边缘计算技术，用于多物理局部放电信号的特征提取；同时提出了多物理量跟踪越限预警模型的构建，实现了开关设备局部放电多物理量跟踪与传感系统的低成本与高效性。

2. 开关设备局部放电多物理量传感与状态追踪技术

超声波、高频电流和地波智能终端的设计采用了统一硬件架构，各智能终端通过无线相位进行同步，基于LoRa通信方式实现智能终端与边缘计算网关之间的通信连接，并将不同原理的信号调理器模块集成于单板系统[3]中。集成式智能终端的硬件架构如图1所示。

低功耗MCU采用K64系列处理器，具有超低待机功耗和高带宽AD采集控制器，可在满足终端采集需求的同时确保低功耗；LoRa计划采用SX1268并使用470MHz频段进行通信，设计接收灵敏度为‐127dbm，发射功率高达20dbm，终端到网关的视距可达2000米以上。该智能终端设计的关键考虑是基于固体绝缘缺陷在运行电压下长期可能出现的局部放电随机性和间歇性特征，强调嵌入式处理的实时性，即能够实现序列脉冲捕获模式，以实现对偶发脉冲的任意无损采集。为了实现对稀疏放电的有效采集，提出了一种基于当前脉冲数量的自适应变时长采集重处理算法，大大提高了稀疏放电的准确检测能力，并有效避免了突发闪络[4]故障的发生。

3. 局部放电多物理信号简化状态特征的原位提取技术

高频/TEV信号的简化状态特征数据集，提取相位以及放电脉冲的相位和幅值（ø, V），形成长度为N的二维数表，并上传至边缘计算网关。除了提取放电脉冲的相位和幅值（ø, V）序列外，超声信号的简化状态呈现特征数据集还需要进一步提取信号的前5个主频率及其对应的峰值。生成两张二维数据表并上传至边缘计算网关。

3.1. 开关设备典型缺陷模型局部放电发展过程的多物理特性

本项目拟基于上述开关设备缺陷统计分析[5]，构建典型缺陷的局部放电模型。通过施加不同电压等级的恒定交流电压，采用高频、TEV和超声波三种方法检测缺陷从起始到击穿全过程的信号。获取典型缺陷放电全过程中多物理量的统计特性，研究这些特征量的变化规律及特性，并基于放电特征参数的发展阶段状态识别，对危险放电进行预警，如图2所示。

3.2. 数据分析

图3显示了四种电压下放电次数的统计参数随时间t的变化过程[6]。其中，施加电压为90%击穿电压时的测试放电次数不规则，总放电次数波动较大，呈下降趋势；施加电压为85%击穿电压、75%击穿电压和70%击穿电压时的测试放电次数表现出明显的相位特征，不同阶段分别对应正常放电劣化和高击穿风险阶段。

4. 基于边缘计算与诊断模块的智能网关技术研究

4.1. 边缘计算技术

开发部署于聚合单元智能网关上的以下功能：数据采集与存储管理模块、数据上传模块、不同智能终端数据的横向统计分析，以及基于放电阶段状态识别的风险评估算法模块。

Sobel算子是边缘检测器中最常用的算子之一。它利用邻域来避免在像素之间的插值点上计算梯度。通常使用两个卷积核 $ h_1 $ 和 $ h_2 $，如公式(1)所示，分别用于检测图像的水平和垂直边缘：

$$
h_1 = \begin{bmatrix}
-1 & 0 & 1 \
-2 & 0 & 2 \
-1 & 0 & 1 \
\end{bmatrix}, \quad
h_2 = \begin{bmatrix}
-1 & -2 & -1 \
0 & 0 & 0 \
1 & 2 & 1 \
\end{bmatrix}
\tag{1}
$$

如果 $ h_1 $ 的响应为 $ x $，且 $ h_2 $ 的响应为 $ y $，则可根据以下公式获得幅值：

$$
\sqrt{x^2 + y^2} \quad \text{或} \quad |x| + |y|
\tag{2}
$$

方向为 $ \tan^{-1}(y/x) $。计算结果为边缘幅值图像。

拉普拉斯算子基于上述原理的二维等效二阶导数。函数 $ f(x, y) $ 的拉普拉斯公式为：

$$
\nabla^2 f = \frac{\partial^2 f}{\partial x^2} + \frac{\partial^2 f}{\partial y^2}
\tag{3}
$$

使用差分方程对 $ x $ 和 $ y $ 方向的二阶偏导数进行近似如下：

$$
\frac{\partial^2 f}{\partial x^2} \approx [f(i, j+1) - f(i, j)] - [f(i, j) - f(i, j-1)] = f(i, j+1) - 2f(i, j) + f(i, j-1)
\tag{4}
$$

它是一个以点 $ (i,j) $ 为中心的二阶偏导数的理想近似，类似地：

$$
\frac{\partial^2 f}{\partial x^2} = f(i, j+1) - 2f(i, j) + f(i, j-1)
\tag{5}
$$

$$
\frac{\partial^2 f}{\partial y^2} = f(i+1, j) - 2f(i, j) + f(i-1, j)
\tag{6}
$$

将这两个表达式合并为一个算子，可得到以下可用于近似拉普拉斯算子的模板：

$$
\nabla^2 \approx \begin{bmatrix}
0 & 1 & 0 \
1 & -4 & 1 \
0 & 1 & 0 \
\end{bmatrix}
\tag{7}
$$

4.2 多物理量跟踪超限预警的构建

基于放电数据特征参数的提取与选择，采用支持向量机(SVM)对放电发展阶段进行诊断。具体操作步骤如下：（1）从每组试验中各个阶段的放电数据中，选取80%的数据作为训练样本，其余20%作为识别样本。（2）对训练样本和识别样本进行特征提取和特征选择。（3）将训练样本作为SVM的输入，训练模型并保存训练模型。（4）将识别数据归一化后作为SVM的输入，利用训练模型进行识别。识别效果如下面表1所示：

施加电压水平	放电阶段	训练数据样本	测试数据样本	测试数量	识别准确率
低于85% Ub	正常衰减阶段	300组	—	300组	92.54%
	高风险阶段	300组	—	300组	97.93%
低于80% Ub	正常衰减阶段	300组	—	300组	98.33%
	高风险阶段	300组	—	300组	95.33%
低于75% Ub	正常衰减阶段	300组	—	300组	93.68%
	高风险阶段	300组	—	300组	99.33%
低于70% Ub	正常衰减阶段	300组	—	300组	97.66%
	高风险阶段	300组	—	300组	90.41%

从上表可以看出，发展阶段各类沿面放电的诊断准确率均在90%以上。因此，可以认为本项目计划中所采用的特征参数、特征选择方法和分类器对于气隙放电发展阶段的识别具有较好的效果[7]。

4.3. LoRa数据网关

网关计划使用高性能ARM处理器来支持3G/4G和有线网络通信功能。LoRa部分与终端LoRa功能相匹配。功能框图如图4所示。

网关无睡眠和低功耗机制，保持在线监控状态，能够实时发送和接收数据。网关采用外部电源，以连续工作模式实时监控终端发送的消息，并实时转发，使云能够及时准确地接收终端采集的数据和分析结果；终端采用低功耗定时工作模式，终端内置多个定时器，由定时器触发装置[8]进行采集。当定时器被触发时，终端启动并持续采集一段时间的数据，然后对数据进行分析处理，最后将处理结果发送至网关。成功传输后，立即进入低功耗工作模式，直至下一次定时器触发。

5. 结论

智能感知终端是传统电网向能源互联网转型的关键基础设施。通过边缘计算技术实现传统感知技术的再创新，有利于推动工业互联网产业的快速发展。本文研究了面向智能感知的边缘计算技术，探讨了智能感知边缘计算框架、多参数传感数据的优化传输方法以及云边协同机制，提出了多参数感知算法设计方法，并开展了参数跟踪感知应用。实践证明该方案可行。在未来的能源互联网建设中，需进一步优化云边协同机制，拓展边缘计算技术的应用范围，持续丰富发电、输电、变电和配电领域的算法库，并在相关场景中实施示范应用。