互感器边云协同实时监测系统

技术领域

本发明属于电力系统自动化技术领域，具体涉及互感器边云协同实时监测方法。

背景技术

随着经济社会不断发展，电力系统走向数字化、智能化成为必然趋势。智能变电站作为智能电网的重要组成部分，对智能变电站进行实时监测至关重要。而电子式互感器又是智能变电站的重要数字化源头，对电子式互感器输出信号进行准确的数据采集得到广泛关注。相较于传统的互感器，电子式互感器具有体积小、造价低、暂态性能好等优点，但在现场使用过程中故障率较高，因此需要进行实时监测。传统的互感器现场监测技术，需要对互感器进行断电操作，不利于电网运行的可靠性和经济性，且易受谐波、噪声等因素的影响，导致数据采集结果出现偏差。

近些年来，对电子式互感器的在线监测技术研究不断发展。带电作业法对技术人员要求较高，缺乏便捷性。改良互感器器件结构，构成标准电流通道，此方法对硬件要求较高，缺乏经济性。利用电流观测器对电子式互感器进行实时监测，此方法依赖于精确的解析模型，难以获得较高精度。依托数据采集模块在电脑端设计上位机，对电子式互感器进行数据采样，此方法对上位机的容量要求较高，且同步性及抗干扰能力较弱。

上述几种方法，都不同程度地受限于硬件工艺要求、数据采样准确度、数据上传的实时性、上位机存储容量等因素。随着近期鸿蒙操作系统(Harmony operating system,HarmonyOS)的兴起，电力物联网成为热点。鸿蒙分布式架构可实现万物互联。考虑基于鸿蒙分布式架构，搭建互感器边云协同实时监测系统，解决上述互感器在线监测过程中的难点。

发明内容

本发明旨在至少在一定程度上解决上述技术问题或至少提供一种有用的商业选择。为此，本发明设计了一种互感器边云协同实时监测系统。

本发明的具体技术方案包括以下步骤：

步骤A.单片机配合GPS采集互感器二次侧电流数据，经鸿蒙操作系统上传到云服务器平台；

步骤B.经云服务器导出数据至边缘计算侧，利用卡尔曼滤波和离散傅里叶算法计算出互感器电流幅值大小，在电流幅值精度不过时发出蜂鸣器报警，完成互感器实时监测工作。

对于步骤A包括：

步骤A1：利用stm32c8t6单片机驱动GT-U8模块完成GPS授时，利用GPS秒脉冲触发ADC采样模块对互感器二次侧电流数据进行采样。

由于ADC采样模块是由stm32最小核心板驱动的，默认只能采集正向电压，需利用电阻分压将输入电流相量偏置到正值。

步骤A2：基于步骤A1采集到的电流数据，通过串口通信传递到鸿蒙开发板bearpi-hm_nano，再通过局域网上传到云耀云服务器平台进行数据存储。

对于步骤B，包括：

步骤B1：将数据从云服务器平台导出值边缘计算侧，利用卡尔曼滤波滤除原始数据中的噪声变量；

步骤B2：基于步骤B1，采用离散傅里叶算法计算出互感器二次侧电流幅值大小；

步骤B3：基于步骤B2，将计算得出的电流幅值与标准值进行比较，在精度不合格时发出蜂鸣器报警，以提醒场站工作人员。

本发明是一套互感器边云协同实时监测系统，满足互感器实时监测的精度要求，幅值误差不超过0.75％，并允许工作人员随时、异地查看结果。此外，边云协同的工作模式具有一次开发、多端部署的特性，使本系统具有较强的移植性，可应用于其他不同电力系统场景。

附图说明

图1为互感器边云协同实时监测系统总体架构。

图2为硬件电路结构框图。

图3为数据采样电路。

图4为本发明实物连接电路。

图5为基于PSO调参的KF流程图。

图6为互感器边云协同实时监测实验电路。

图7为云服务器存储数据结果。

图8为互感器实时监测结果。

图9为触发蜂鸣器报警。

具体实施方式

下面结合附图，对本发明进一步详细说明。

互感器边云协同实时监测系统设计总体架构如图1所示，整个系统分为三大模块：数据采集模块、存储上云模块、边缘计算模块。

具体包括以下步骤：

步骤A.为数据采集模块和存储上云模块。利用单片机配合GPS采集互感器二次侧电流数据，经鸿蒙操作系统上传到云服务器平台。硬件电路的结构框图如图2所示。

步骤A1：数据采集模块以stm32c8t6为主控芯片，驱动GT-U8模块完成授时，以每秒脉冲(pulse per second,PPS)触发ADC模块进行数据采集，以保证多互感器数据采集的同步性。

数据采集模块电路如图3所示。由于ADC采样模块是由stm32最小核心板驱动的，默认只能采集正向电压，需利用电阻分压将输入电流相量偏置到正值，图中LM358运放模块只起增强驱动能力的作用。由图可知，电压偏置转换公式为

ADC采样模组利用stm32c8t6集成的ADC采样接口直接进行数据采样，方便快捷。采样率可调，最高可达14Mz；采样精度12位，可满足互感器实时监测的精度。若需更高精度，则可接入其他更高位采样模块。

GPS模组采用GT-U8模块，搭配有源天线。GT-U8支持多种卫星定位授时，包含32条跟踪通道，极端情况下可同时接收六个卫星导航系统的信号，进行多卫星的联合定位与授时，跟踪灵敏度最高可达-162dBm。以GT-U8模块的PPS触发启动每秒的ADC采样，满足多互感器数据采样的同步性要求。

步骤A2：存储上云模块基于步骤A1采集到的电流数据，通过串口通信传递到鸿蒙开发板，再通过局域网上传到云耀云服务器平台进行数据存储。

鸿蒙开发板选用bearpi-hm_nano，搭载Hi3861V100芯片。小熊派开发板是一款轻量级物联网开发板，支持复杂环境下自动速率、弱干扰免疫等可靠性通信算法，且具有灵活的组网能力和完善的网络支持，具有较高的可靠性和安全性。

Stm32c8t6最小核心板与鸿蒙开发板之间进行串口通信，串口通信最高速率可达921600bsp，满足数据实时采集上云的需求。并且串口通信接线简单，远距离通信经济性较好。另外，两个开发板之间的串口通信也是由GT-U8模块的PPS触发的，进一步保证了多互感器监测时的同步性。

根据上述步骤A搭建实物电路，如图4所示。

步骤B.经云服务器导出数据至边缘计算侧，利用卡尔曼滤波和离散傅里叶算法计算出互感器电流幅值大小，在电流幅值精度不合格时发出蜂鸣器报警，完成互感器实时监测工作。

步骤B1：将数据从云服务器平台导出值边缘计算侧，利用卡尔曼滤波滤除原始数据中的噪声变量。

卡尔曼滤波算法具体原理如下。设整个数据采集过程中产生的噪声为高斯白噪声。系统的状态方程为

x

系统的观测方程为

z

式中，x

预测过程和更新过程，组成了整个滤波过程。预测部分方程为

式中，

更新部分方程为

式中，K

整个卡尔曼滤波过程为：首先根据预测部分方程，由上一时刻的状态最优估计值，推算出当前时刻的估计值，称为先验估计，并求出对应先验估计协方差矩阵。再带回更新部分方程，以获取最新的卡尔曼增益系数，根据卡尔曼增益系数的不同，将当前时刻的观测值与先验估计值加权比较，获取当前时刻最优估计。如此循环反复，得到数据采集的最优估计，达到滤波的效果。

故将本系统的状态转移矩阵和观测矩阵设为单位阵，卡尔曼初始增益设为1，采集到的电流向量设为观测向量，初始时刻先验估计值设为初始时刻电流采集值，即

式中，V

上述算法原理中，仍存在两个噪声协方差参数Q

粒子群优化(particle swarm optimization,PSO)算法，能够从随机解出发，通过追随当前搜索到的最优值来获取全局最优解，具有较快的响应速度和较好的精度。故引入PSO算法，以确定两个噪声协方差参数。

调参的具体过程为，以状态过程噪声协方差和观测过程噪声协方差为自变量，某时刻最优估计对应协方差为适应度，进行超参数调节，算法具体流程如图5所示。

步骤B2：基于步骤B1，采用离散傅里叶算法计算出互感器二次侧电流幅值大小。

采样数据经过卡尔曼滤波之后，已显著地减少了噪声与硬件抖动造成的误差，但复杂配网环境产生的谐波成分仍然存在。故考虑在滤波之后，利用加凯塞窗的离散傅里叶算法，以获取采样数据中的有效信息。凯塞窗函数相较于三角窗函数、汉宁窗函数和海明窗函数，旁瓣显著衰减，有利于减少频谱泄露。

在电力系统中，对含有谐波分量的原始信号进行处理，需保留其中的工频分量，理想的频域响应函数为H

凯塞窗函数为

式中，I

利用凯塞窗函数对理想时域函数进行截断处理,表达式为

h(n)＝h

频域响应为

式中，N为窗函数的长度。

为保留原信号中的工频分量，考虑将通带边缘频率设为40π和60π，阻带边缘频率设为20π和80π。若保留频率分量不同，则通带边缘需要进行自适应调整。

但是，利用窗函数对原始信号进行截断后，信号幅值会发生一定程度的衰减，考虑根据幅值相等原则进行幅值恢复。幅值相等原则为，时域截断后，幅值恢复系数使加窗后峰值处的幅值与同样长度信号不加窗处理时峰值幅值相等，且不加窗处理时要保证原始信号是整周期截断的。

对形如x(t)＝Acos(2πft)的待处理信号做加凯塞窗离散傅里叶运算,求出峰值频率处对应的幅值,即为A′，再与待处理信号幅值A相比，得出幅值恢复系数。求得凯塞窗的幅值恢复系数约为1.145。

步骤B3：基于步骤B2，将计算得出的电流幅值与标准值进行比较，在精度不合格时发出蜂鸣器报警，以提醒场站工作人员。

为使本领域技术人员更好地理解本发明以及了解本发明相对现有技术的优点，申请人结合具体实施例进行进一步的阐释。

按照上文所述整体架构与具体硬件电路，搭建基于鸿蒙架构的互感器边云协同实时监测系统，进行模拟实验，具体实物搭建情况如图6所示。

1、实用性分析

用信号发生器模拟电子式互感器电流信号输出，输出一路峰峰值为1A、频率为50Hz的正弦交流电信号。利用搭建好的系统进行采集、存储上云、边缘计算等一系列操作。ADC采样率设为1kHz，由GPS秒脉冲触发每秒采样，每次采样500个点。每秒采样结束后通过TCP协议存储到云服务平台，并在最后附上时间戳，保证在进行多互感器监测时，上传数据具有同步性。云端接收采样数据结果如图7所示。

原始波形含有大量的噪声和谐波分量，无法直接获取互感器输出电流的幅值，继续在边缘计算模块进行滤波及误差修正，结果如图8所示。由图8的处理结果可知，在边缘计算侧，经过卡尔曼滤波后，很好地消除了系统噪声与硬件误差，再经过加凯塞窗的离散傅里叶算法，有效地滤除了采样频率波动产生的谐波分量，获取互感器有效幅值。

若实际工程应用中，互感器实时监测幅值与额定值输出值发生较大偏差，则利用云平台下发蜂鸣器报警命令，触发现场蜂鸣器报警，提醒场站工作人员及时修理。具体操作如图9所示。

经过上述实验验证，本系统能很好地利用边云协同的方式完成对互感器的实时监测。本发明具有良好的实用性。

2、精确度分析

设定信号发生器输出不同峰峰值的电流信号，对本系统精确度进行进一步验证，结果如表1所示。

表1不同峰峰值信号下互感器监测结果

由表1的实验结果可知，在无干扰的理想状态下，本系统监测任意电流信号，幅值误差均小于0.75％，满足0.2的准确级要求。

3、抗干扰能力分析

设定信号发生器输出峰峰值为1A,但频率、信噪比、谐波不同的波形，继续对本系统的抗干扰性能进行验证，结果如表2所示。

由表2的实验结果可知，随着噪声信噪比的增加，互感器数据采集精度下降，但幅值误差仍然小于0.75％，满足0.2的准确级要求。由于凯塞窗函数通带的设定，使得本系统在面对高次谐波时性能更有优势。不同基频分量叠加多次谐波与噪声时，互感器采集数据幅度误差均能满足0.2准确级要求。

表2干扰环境下互感器监测结果

通过以上的实验分析可以看出，本发明相较于已有互感监测技术有如下创新：

云服务器充足的存储空间满足互感器采样数据大量存储的要求。

互感器边云协同方法允许多端共联，满足多互感器的实时同步监测的需求。

数据采集结果存储于云服务器，允许工作人员随时、异地查看，提升了便利性。

边缘计算侧的优化算法能很好地滤除采样过程中的谐波与噪声，使数据采集精度满足0.2准确级的要求。

边云协同的工作方法，只需改变终端设备，便可适用于其他电力系统场景，具有较强的可移植性。

上述实施例对本发明的技术方案进行了详细说明。显然，本发明并不局限于所描述的实施例。基于本发明中的实施例，熟悉本技术领域的人员还可据此做出多种变化，但任何与本发明等同或相类似的变化都属于本发明保护的范围。