程天宇，李 龙，林志强

（广东电网有限责任公司东莞供电局，东莞 523000）

0 引言

随着现代社会的发展，电力的需求更加旺盛，同时也对电力系统安全性提出了更高的要求。现代电力系统需要更加快速的响应速度，需要实时故障检测及快速响应。多种能源包括可再生能源接入电网的比例增加，给电网运行的质量和安全带来了巨大挑战[3]。五年前，乌克兰电网被网络病毒攻击，导致该国电力短缺，这次世界首发黑客攻击导致的停电的事件，暴露了电力系统网络安全的问题，其严重程度已成为全球关注的问题。因此，为了提高系统的响应速度以及保证系统的安全可靠性，急需一种不同于以往基于传统的电力物联网故障监测系统。为此，泛在电力物联网的概念随之出现，国家电网有限公司对“泛在电力物联网（ubiquitous power Internet of Things，简称UPIoT）”的定义: 将电力用户及其设备、电网企业及其设备、发电企业及其设备、供应商及其设备，以及人和物连接起来,产生共享数据，为用户、电网、发电、供应商和政府社会服务[3]。

物联网（Internet of Things，简称IoTs）技术一词最早由麻省理工学院的自动识别（Auto-ID）中心联合创始人Kevin Ashton提出[1]，并将其定义为：一种物、人、系统和信息资源互联的基础设施，结合智能服务，使其能够处理物理和虚拟世界的信息并做出响应[2]。物联网的不断发展，给人类的生活带来了许多便利，社会上的方方面面也逐渐与物联网建立起了紧密的联系，其中物联网在电力系统上的应用也逐渐普及开来。随着泛在电力物联网的提出，不少学者在这方面进行了相关的研究，李宗泽（2019）等提出了一种应用于电力系统变电站高压设备的在线监测系统，力求将电力系统的在线监测水平提升，然而由于监测的数据较多，类型多样化，在数据处理速度上有相应欠缺[4]。彭澜（2020）等为解决目前配电变压器监测系统在运行中存在的安全性及延时性等问题，基于泛在电力物联网技术设计了配电变压器智能监测系统，实现智能终端各类监测设备的安全接入及数据预处理；海量数据的快速安全传输、数据共享以及数据的全景展示、统计分析及远程监控等核心功能[5]。Ding,P（2020）等针对设备电网的可靠性问题，研究了基于物联网的设备电网监控系统，该系统能够对设备电网的基本参数、谐波和电压畸变进行实时监测，对异常监测结果进行实时、快速的处理[7]。Shu，Z（2021）等对物联网终端安全监控技术的可行性进行研究，以降低潜在风险，改善物联网终端的安全运行环境，提高物联网终端的安全防护水平，一是提出了物联网终端安全保护的技术规范，二是实现对终端安全的统一检测保护，三是实现终端安全态势感知和威胁识别[8]。在文献[9]中Wang J（2022）等针对传统网络服务器存在的安全风险，通过研究传统网络安全风险指数，分析物联网的优异性能，研究物联网在一般场景下的网络安全保护系统中的有效性，提出了基于无处不在的电力物联网的全场景网络安全防护系统。

本文基于UPIoT概念，建立泛在电力物联网智能安全监测系统。在末端感知层利用传感器信息优化模型算法，改进系统的响应速度；在边缘端，结合基于深度学习的边缘计算，提高了故障检测准确率。相比传统的电力物联网系统，在系统相应速度、数据准确率，降低系统风险等方面有显著的改进，实现了对于电力系统响应速度的提高以及网络数据可靠性的提升，可以满足目前对于电力系统的需求。

1 智能安全监测系统总体架构设计

本文设计的泛在电力物联网智能安全监测系统包括以下部分：末端感知层、通信接入层以及边缘计算层，总体设计框架图如图1所示。与文献[10]和文献[11]不同，在我们的泛在电力物联网架构中，智能感知与监测体系所处的位置在中下层，可以实现对接高维度、多节点、大规模的复杂系统数据，同时，在极大时间尺度范围内对电力设备的运行状态进行监测，保护暴露在室外的各种传感器、集中器以及通信信道，并满足基于多元化营销以及计量业务服务等需求。

图1 泛在电力物联网智能安全监测系统框架示意图

1.1 主站层和通信主干网

主站层主要包括了配基于泛在电力物联网的智能安全监测系统的主体部分，可以实现对于电力系统数据的远程监控以及可视化呈现，同时具备数据分析，报错日志记录等核心功能。

通信主干网则由骨干传输网、无线公网、物联网子站以及卫星等组成，分别负责不同的边缘计算层的服务，实现通信与数据传输功能。

1.2 边缘计算层

本文的边缘计算层将基于深度学习进行实现，相比以往的边缘计算，有利于数据处理能力以及系统安全性的提高。边缘计算层是一种分布式的运算架构，可以将不同服务之间所产生的应用数据由中心节点统一计算处理，将原本由一个服务终端处理的数据转化为更小更多的边缘计算终端，分布在不同的电力设备当中被用于通信主干网以及本地接入网中间，可以有效的提高计算速度，减少系统的延迟，从而实现高效、安全的大范围数据传输，可以满足不同类型的传感器的接入以及不同类型的网络组成。

1.3 本地接入网

与文献[6]和文献[7]不同，我们增加了本地接入网部分，可以实现快速稳定的传输海量数据，有利于建立低时延、高速率、大容量、安全可靠的通信系统，方便与5G系统接入结合使用。本地接入网位于末端感知层与边缘计算层之间，是实现数据与传感器等设备进行交换的核心环节，其中需要实现双模微波、电能计量、载波微波、智能控制、智能感知、以太网、异常监测、载波3G、自动化控制、故障指示、采集、载波控制、能效控制、多表合一等诸多服务与功能。

1.4 末端感知层

末端感知层位于整个泛在电力物联网的智能安全监测系统最底层，由各式各样的在线监测设备以及智能传感器组成，可以实时的对设备运行状态进行全面的感知以及数据收集，具体监测服务包括智能家居/小区/楼宇、多表计量、工业负荷、中压电网、分布式电源、多能连供设备以及智能冷热网等。本文的仿真数据主要来源于智能传感器监测所得的数据，对其模拟仿真的结果在实际工程应用当中具有十分重要的指导意义。

末端感知层是直接测量检测电力设备故障的主要部分，该层决定了泛在电力感知监测网络系统的故障的速度和准确率。

2 末端感知层传感器信息优化模型

为了提高整体泛在电力感知监测网络系统性能，我们需要进一步对该层进行优化。

2.1 优化模型架构

传感器信息优化模型的目的在于提高泛在电力物联网智能感知与监测体系各个子系统之间的信息交互效率，消除现阶段传感器由于生产厂家与所采用的技术不同而导致数据格式存在差异，进而实现数据共享。图2所示为泛在电力物联网智能安全监测系统末端感知层传感器信息优化模型架构。

图2 末端感知层传感器信息优化模型架构图

2.2 设计与优化过程

设计与优化过程遵循IEC 61850-7-4标准[8,9]中的相关设计原则，结合IEEE 1451.4的TEDS[10]思想，完成泛在电力物联网感知与监测体系末端感知层各种传感设备的抽象数据模型，可以通过统一通信规约有效的处理不同规格的传感器数据，提高系统的响应速度以及数据准确率。具体过程如下：

1）基本TEDS。是所有传感器在执行对数据的上报任务之时必须涉及到的元素，代表着数据的来源，同时，亦为服务器对相应表单的调用提供依据，此外，亦能获取传感器逻辑节点类型的有关信息。在该元素中，以64bit全部为0或者全部为1作为预留位，执行对系统的维护与管理任务。

2）标准TEDS。由32bits精简TEDS与传感器固有属性构成。TEDS内容及其数据格式与相关标准相符，其模版需要进行统一制定。各类传感器均有统一模版，可以统一各个厂商及形态的传感器数据模型，同时，经由应用服务器执行对这一模版的统一管理任务。按照详细的TEDS内容将传感器厂商填写进去，与早期纸质产品测试报告相类似，目前仅体现在不同的表现形态之上，以电子表单的形式在服务器中存储。当将传感器应用于电力系统之中时，需要进行电子表单的填写，目的有二，其一是为传感器传来的数据提供解析依据，其二是获取传感器详细信息。

3）安全防护。以特定的频率通过异常检测装置对传感器进行信号检测，当检测到主网发生故障时，将故障信息传输上物联网云平台，调用专用基站传递相应的处理指令下达给备用服务器，启动备份网络，再通过备份网络控制边缘计算终端，确保传感器仍然可以正常运行；当异常检测装置没有检测到故障信息时，将正常工作状态信息传输上物联网云平台，降低对专用基站的带宽调用，减少能耗，只保留必要的监测数据传输，形成环路回流，保证网络实时运行的可靠性。

4）部署方案。传感器存在生产厂家不同、语义与数据表达格式也不统一等情况，在数据通信以及数据交互方面表现出比较明显的复杂性，项目建设的功能量明显被增加，同时，还有一定程度的浪费状况发生。为了有效地解决以上问题，在汇聚控制器中进行了本文所提出的传感器信息模型的构建，以此从语义与数据表达格式上对各种类型的传感器进行规范与统一处理。基于传感器信息模型的构建，可以为各种不同类型传感器的即插即用以及互联互通提供便利，在很大程度上提高泛在电力物联网中各种应用体系之间的交互效率。图3所示为具体的传感器信息模型部署方案示意图。

图3 基于泛在电力物联网智能安全监测体系的传感器信息模型部署方案示意图

2.3 传感器信息优化模型算法

基于更加精准的物联网信道模型，降低信息传输误码率，有效提高数据传输速度。基于文献[15]，在复杂多径条件下，输出物联网传输通道模型为：

通过对多个独立衰落信道进行量化和分解，得到量化均衡的传输信道模型为:

在多径干扰下，在复杂传感器分布模型下，传感器节点空间阵列单元分布的径向距离为d，物联网下复杂传感器相互感知的信号接收模型为:

上述优化的信道模型数据传输误码率更低，数据包的平均跳数明显减少，时延显著降低。

3 基于深度学习的边缘计算

在边缘端充分利用历史数据及深度学习，提高故障监测准确率，可以有效的缓解传统的物联网数据处理所带来的庞大冗余的数据量，从而进一步提高系统的响应速度，降低延时，同时由于深度学习神经网络的特征，可以有效的保证数据传输的可靠性，减少数据损失，避免影响系统的鲁棒性。深度学习（Deep Learning，简称DL）神经网络采用最陡下降算法（Gradient descent，简称GD）进行训练。我们使用反向传播（Backpropagation algorithm，简称BP）来训练神经网络来计算神经网络代价函数的梯度。其中正则化逻辑回归，代价函数定义如公式(4)所示[16]

利用智能传感器监测电力系统的运行状态，通过监测系统云平台设定好的参数进行深度感知，将获取的数据传输至边缘计算终端，将深度学习神经网络分布在边缘计算终端的输出端口进行数据分析，然后将分析结果上传至通信主干网，这种基于深度学习的边缘计算结构如图4所示。

图4 基于深度学习的边缘计算结构示意图

4 模型仿真和结果分析

我们在OPNET仿真平台上运行末端感知层传感器信息优化模型，测量系统的响应速度以及数据准确率，验证系统的性能。通过MATLAB仿真平台运行基于DL神经网络的边缘计算终端，验证了其数据识别精度相比传统的IoT系统更高，更加安全可靠。

4.1 基于UPIoT的智能安全监测系统响应速度更迅速

4.1.1 基于末端感知层传感器信息优化模型数据传输更快

根据感知相似原理，采用OPNET对末端感知层进行仿真，仿真参数如表1所示[15]。

表1 模拟参数

其中，3×10km表示节点部署在3km×10km范围内，将功率调整视为传输距离调整，采用三种场景进行对比实验：场景1（传统的电力物联网系统），网络不进行分层，节点通信距离500m，可用信道数1个；场景2（文献[15]中的UPIoT系统），网络分为3层，节点通信调整距离为500/1000/1500m，3个可用信道；场景3（本文的UPIoT系统），网络分为3层，节点通信调整距离为500/1000/1500m，3个可用信道。网络中数据包的平均传输跳数和传输时延的实验结果如图5所示。从图5可知，在实验仿真节点为50个时，数据包的平均跳数明显减少，时延显著降低，由此可见在文本的末端感知层传感器信息优化模型中，系统响应速度得到有效提升。

图5 平均数据传输跳数

由表2可知，本文的UPIoT系统在采用本文的末端感知层传感器信息优化模型，对各种类型的传感器进行规范与统一处理，可以在很大程度上提高UPIoT中各种应用体系之间的交互效率，相比场景1中传统的电力物联网只有66.9%，提高了23.6%，相比场景2中文献[15]中的UPIoT系统提高了4.6%。

表2 三种场景下的最高改善百分比

4.1.2 基于DL神经网络的边缘计算终端数据识别精度更高

在实际工程应用中收集到的数据集，其中分为两份数据集，分别是本文基于UPIoT的智能安全监测系统得到数据集A，以及传统IoT系统得到数据集B，每个数据集有6000个数据实例。分别对数据集A以及数据集B进行测试。从图8中可以看出基于UPIoT的智能安全监测系统的数据集A的准确率整体趋势比传统IoT系统的数据集B高，其准确率最高为93%，而数据集B的准确率最高为87.8%，得到如图6所示的测试结果，这说明基于UPIoT的智能安全监测系统响应速度相比传统的IoT系统更快。

图6 数据集A和B的测试结果

4.2 基于UPIoT的智能安全监测系统数据传输更安全

4.2.1 基于UPIoT的智能安全监测系统与传统IoT不同层风险比较

在文献[9]与本文的UPIoT环境下，虽然电网公司等电力系统的运行仍存在一定的风险，但与传统物联网相比，安全风险的数量明显减少。其中，在末端感知层和边缘计算层下降趋势尤为明显。主站层的主要风险是容易受到网络攻击。边缘计算层的主要风险是由于通信方式和网络协议的复杂性而造成的保护困难，如表3和图7所示。

表3 UPIoT与传统IoT的风险比较

图7 UPIoT与传统IoT的风险对比图

4.2.2 基于UPIoT的智能安全监测系统与传统IoT全天候风险比较

UPIoT的意义，是全天候、无时不刻工作的全场景网络安全防护系统。因此，其风险安全性远远高于传统IoT。在基于UPIoT的智能安全监测系统下，平均每2小时发生2起安全风险事件，在普通的UPIoT系统下，平均每2小时发生3起安全风险事件，而传统IoT系统平均遇到10起安全风险事件。普通的UPIoT使其网络风险降低了70%，基于UPIoT的智能安全监测系统下网络风险降低了80%，如图8所示。

图8 UPIoT与传统IoT的全天候风险对比图

4.2.3 基于DL神经网络的边缘计算终端数据分布

分别绘制部分数据集的数据点分布图如图9所示，可以看出在图9(a)中，基于UPIoT的智能安全监测系统的测试数据与训练数据的分布更为一致，而传统IoT系统的如图9(b)中，测试数据与训练数据的分布更加离散，说明基于UPIoT的智能安全监测系统传输的数据更加可靠，系统安全性相比传统的IoT系统更高。

图9 数据点分布图

5 结语

本文设计了泛在电力物联网智能安全监测系统框架。通过采用统一通信规约以及复杂感知通道模型算法，构建了末端感知层传感器信息优化模型；同时利用基于深度学习的边缘计算对数据进行优化，进而建立了泛在电力物联网智能安全监测系统。在OPNET平台上对末端感知层进行仿真，通过实验对比可知本文的基于UPIoT的末端感知层传感器优化模型能有效提升系统响应速度，相比传统的IoT系统提高了23.6%，相比普通的UPIoT系统提高了4.6%。在基于DL神经网络的边缘计算终端，通过MATLAB仿真平台验证了UPIoT系统数据准确率最高为93%，而传统的IoT系统准确率最高为87.8%，相比提高了5.2%。本文的UPIoT与传统IoT系统相比风险概率分别在末端感知层、边缘计算层以及主站层降低了85.7%、77.7%以及62.5%，在全天候测试中UPIoT系统相比传统IoT系统风险降低了80%。最后在基于DL神经网络的边缘计算终端数据分布可以看出于UPIoT的系统数据更加可靠。经过以上仿真实验分析，说明本文的基于UPIoT的智能安全监测系统相比传统的IoT系统，在系统传输速度上更加快捷，同时系统安全性更高。