梁哲恒， 何恒靖， 张乐平， 周尚礼， 林俊宏， 刘碧波

(1.广东电网有限责任公司信息中心，广东 广州 510062； 2.南方电网数字电网研究院有限公司，广东 广州 510062； 3.合肥工业大学 电气与自动化工程学院，安徽 合肥 230009)

随着各类数据方法在配电网中的应用，配电网正逐步实现自动化与智能化的转变，对数据处理能力的要求与日俱增。从万物互联的时代背景来看，各类网络中接入的边缘设备数量也越来越多，由此带来的数据吞吐量已达到泽字节(ZB)级别；同时，通信网络的快速迭代也对数据的上下行速率提出了更高的要求。而在智能电网中，对各终端数据进行快速采集和数据融合是智能化的重要途径，因此有必要对一些传统电能设备进行智能化改进，并引入新的数据处理方式。

近年来，随着电网发展由分散式、区域调度到智能电网阶段，云计算由于其一体化、集约化特点，开始成为智能电网建设的一大热点。云计算将信息技术从产品化向服务化进行转变，作为互联网主流技术趋势，云计算已经在不断改变人们的工作和生活。

相比云计算技术，边缘计算技术的数据处理方式更接近终端，因此在低时延处理上更具优势[1]。因此，在当前的电网智能化过程中，采用边缘计算技术的方案不断涌现，如文献[2]设计开发了一套基于边缘计算技术的电力末端融合系统，文献[3]提出了一套基于边缘计算的多芯模组化电能表设计方案，文献[4]提出了一类基于边缘计算技术的电工装备集成接入方案。

在电能计量系统中，集中器作为一类典型的边缘设备，是存在于集中式抄表系统中连接主站和电表设备的枢纽，目前多用于底层电能表数据的采集、存储和转发，不参与数据处理工作。但随着系统主站的数据处理压力日渐增加，电能计量系统对集中器提出了更多的智能化要求。为了满足智能化要求，文献[5]提出了一类基于单片机的智能远程集抄方案，文献[6]提出了一种基于无线射频和GPRS 技术的智能抄表系统集中器的设计和实现方案，文献[7]提出了一种基于有限状态机的智能抄表集中器的设计与实现方案，并进行了实际系统测试。

上述有关智能集中器的文献，着重于智能集中器抄表功能的实现，而忽略了其在电能计量系统中的定位。智能集中器是典型的边缘设备，是电能计量系统中较为靠近传感器与用户的分布式节点，不仅需要实现简单的电能表数据采集功能，也应进一步实现快速的数据处理，以实现对云计算数据中心的计算分流，降低系统压力。

首先讨论了智能集中器在智能电网中的应用背景，整理了智能电能计量系统框架，明确了智能集中器在电能计量系统中的边缘设备定位；然后，分析了边缘计算的逻辑结构及其典型实现方案，提出了一类采用边缘计算技术的智能化集中器设计方案；最后，考虑了一些采用该类智能集中器实际应用场景，提供了相关的应用方法和运行策略。目前来看，采用边缘计算技术的智能集中器不但能够分担云计算数据中心的流量压力、承担部分数据处理工作，而且不需要过多的人工干预，可以自动实现电能表集抄、数据融合处理，有效提高电能计量系统运维效率。现有方法中对集中器的改进主要有两类，一类是硬件方面的改进，一类是软件框架的改进，本文主要采用第二类改进方法。

对比早期同类文献的优化思路(如参考文献[7])，本文主要优势在于更加匹配边缘计算的应用场景。首先是参考了思科5G解决方案，采用雾计算的分布式部署，与5G新基建的联系更紧密；然后采用了目前较为流行的多线程思路，该思路已在网络售票、网络订餐等互联网领域广泛使用，具有良好的效果。

1 边缘计算技术

在过去数年中，大数据处理主要在云端进行，即采用云计算技术。此类方式在终端设备未实现智能化，即不具备运算能力或在运算能力较差的情况下能够实现数据采集与融合处理，但仍然存在一些劣势[8]。云计算平台负载能力有限，网络延迟较高，安全性较差，对冗余数据的处理容易形成算力浪费。

由此可见，集中式云计算方式的关键技术在处理边缘设备数据时不够高效，也未能匹配边缘设备智能化和通信速率提高的时代背景，具有一些自身无法解决的弊病。要分担数据中心的数据负担，在集中式云计算的基础上引入边缘计算技术就很有必要。

典型的边缘计算具有如图1所示的逻辑结构。边缘计算技术是一种采用多个小型数据中心或数据节点方式，减少核心网络负载，降低数据传输时延的分布式数据处理方案[9]。作为一种有别于集中式云计算的部署方案，边缘计算通过在网络边缘部署了数量很多、带有缓存和计算处理能力的系统计算节点，从而实现与终端设备、传感器和用户之间更为紧密、快速的数据交换。通常情况下，这些计算节点可能是路由、终端、服务器或其他接入网络的智能设备。

图1 边缘计算的典型逻辑结构

进一步，通过对计算节点进行分布式部署，能将大量的数据处理工作分配给边缘设备完成，一方面充分利用了智能设备的算力，另一方面也能有效提升数据处理效率。正因为边缘计算存在与集中式云计算方式的互补特性，业界普遍认可边缘计算技术的应用前景，并设计了如下三类模式[10]。

① 雾计算(Fog Computing)模式：此模式由思科(Cisco)提出，主要将数据及其处理集中在边缘设备中；

② 移动边缘计算(Mobile Edge Computing，MEC)模式：通过布置大量无线接入网络，使用户能够就近接入云端计算，达到高性能和低时延；

③ 微云(Cloudlet)模式：微云是面向移动终端的、边缘化的小型数据云中心，能有选择性地提供低时延计算功能。

边缘计算节点的引入能弥补云计算的缺陷(如表1所示)，能加快云计算中心与终端设备的数据打包、数据转发与数据处理。通过引入边缘计算节点，可以有效降低云计算中心的数据流量负荷，加快数据处理速度，不仅可以为服务商节省数据传输和处理成本，也可以为客户提供更快捷的服务体验。

表1 边缘计算与云计算的需求区别

2 集中器

在配电网中，电表数据集中器的主要作用是连接多台电表，并转发抄表数据到数据中心，在自动抄表系统有重要作用。通常，集中器采用MCU、ARM、PLC等计算核心[11-13]，包含通信、数据存储和能源控制等功能，并采用总线或无线等集抄方案连接终端和数据中心，其典型系统结构如图2所示。

图2 远程抄表系统结构示意图

尽管接入了运营商网络，现有的传统集中器大多只具备数据抄录和上载功能，对数据中心的计算性能依赖很大。如果在边缘计算的应用场景下，一方面提高集中器的硬件水平，另一方面采用边缘计算方法提高集中器的智能化程度，就可以将集中器作为边缘网络的计算节点，分流数据中心的数据压力，从而提升运维效率。

3 基于边缘计算技术的集中器智能化思路

将边缘计算技术应用于集中器，能够显著提高集中器的智能化程度，实现电能测量数据分流。为保证边缘计算的性能充足，本文选用的智能集中器基于工业级ARM架构芯片进行构建，采用开放式标准和模块化设计。

智能集中器由核心计算处理模块和通信接口模块构成，核心计算处理模块承担末端电力业务的边缘计算功能，并对用户提供显示和交互功能，内置安全模块接口，通过在核心计算处理模块中增加安全模块，可实现对上行业务和对下行业务的安全防护，同时将强化存储和通信能力。

通信接口模块对上采用通过统一的互联总线与核心的计算处理模块互联，对下则对接不同类型的通信模块；模块设计统一硬件接口、结构尺寸等，实现即插即用，灵活组合，满足多样化、多场景的应用需求。对于上行通信方面，采用GPRS方式通过运营商无线公网与计量主站进行通信；下行通信方面，本文采用宽带电力线载波(Broadband Power Line Carrier,BPLC)通信方式，增加通信带宽，提高网络整体的吞吐量。

目前低压窄带电力线载波(Power Line Carrier,PLC)通信是集中器与底层电能表的主用通信方式，但目前低压窄带电力线载波通信方式存在诸多问题，一方面是通信速率较慢，在用户数据高频次采集、台区识别、线损计算等业务方面难以支撑，另外一方面则是不同品牌厂家的PLC之间不能互联互通，导致单个台区存在异构网络问题，使台区集中器下行网络的可用性和可维护性降低。本文提出的智能集中器对现存窄带PLC通信方式进行优化，采用多制式通信模块，在智能集中器硬件平台上集成多种不同制式的PLC模块，充分挖掘窄带信道的效率，并预备在核心计算平台层以软件方式解决异构网络互联互通问题。

在软件结构上，智能集中器采用基于开源Linux的操作系统，一方面可以更容易地实现软件扩展，另一方面可以结合SSH(Secure Shell)远程访问技术进行数据管理，简化运维流程。

4 数据采集与处理方法

在智能集中器中，通过在Linux中采用边缘计算和信息管理，能够快速进行数据采集，并进行简单的数据处理。为充分利用ARM算力，本算例采用分布式管理策略，智能终端的数据系统主要由4个部分组成。

① 智能电表：其存在的主要作用是监测使用电量的多少；

② 智能集中器：对电表信息进行收集，并采用边缘计算技术进行数据融合，以期达到更加高效的工作状态；

③ 信息管理系统：对采集到的电能数据进行信息管理，可以分台区进行数据统计与界面展示；

④ 云计算平台：通过信息管理系统和云计算平台进行交互，可以综合多台区数据，充分挖掘数据潜力，最终进行运维决策。

4.1 基于边缘计算技术的数据采集方法

针对智能集中器的数据采集阶段，笔者提炼为建立数据库、数据筛选和数据清洗步骤，对在线数据进行修正入库。

其中，数据筛选的思想是滤去错误数据，数据清洗的思想是针对传感器可能出现的错误数据和测量误差，进行算法修正，来排除故障预测的不利因素。

4.1.1 数据库构建

本算例采用在Linux系统中能良好运行的MySQL开源关系型数据库进行数据库构建。软件是目前比较流行的数据库解决方案，具有以下优点：

① 多线程、多用户；

② 基于C/S(客户端/服务器)架构；

③ 高性能、高可靠、易于使用。

同时，针对集中器持续采集的特性，MySQL对大型数据库支持较好，目前已支持 5000 万条记录的数据仓库，32 位系统表文件最大可支持4 GB，64 位系统表文件最大可支持8 TB；另外，MySQL可以很容易地进行多系统访问，支持多种编程语言配置，包括 C、C++、Python、Java、Perl、PHP、Eiffel、Ruby 和 Tcl 等。

在此基础上，针对智能集中器的数据特点，整理出如表2所示的数据采集方法。

表2 智能集中器的数据采集方法设计

4.1.2 数据筛选

在智能集中器数据采集中加入数据筛选，目的是过滤数据中可能出现的非电能表来源的异常数据，对数据进行粗筛，进而满足可用性要求。

本算例主要通过验证缓冲区和校验码的方式进行数据筛选，如图3所示，程序通过BPLC接口定时发送功能码，并对接收到的数据先后进行缓冲区和校验码验证。

图3 数据筛选流程图

4.1.3 数据清洗

数据清洗的主要方式是噪声清理和查错。本算例采用高斯混合模型聚类算法可以用来处理数据集中的噪声数据。高斯混合模型(Gaussian Mixed Model，GMM)聚类算法对传感器数据进行噪声数据检查时，其主要优势在于高斯分布能符合更多数据集的实际情形，将类似数据组织成“数据簇”。GMM聚类算法的基本执行步骤如下。

① 输入输出关系： 将观测数据y1,y2,…,yN作为算法输入，将GMM参数作为算法输出。

② 建立模型：假设观测数据y1,y2,…,yN满足GMM要求：

(1)

③ 写出完全数据的对数似然函数：有样本集Y=(y1,y2,…,yN)，通过隐变量γjk(表示yj这个样本来源于第k个模型)的引入，可以将数据展开成完全数据(yj,γj1,γj2,…,γjk)，j=1,2,…,N，其中：

(2)

于是可以通过式(2)写出完全数据的对数似然函数：

(3)

其中,

(4)

④ 用EM算法求解θ的极大似然值：

(5)

通过反复运行EM算法，就能够较大限度地削减噪声影响。

4.1.4 程序流程图

本软件流程基于嵌入式Linux的ARM平台开发，采用多线程设计，可以克服传统类似硬件平台下采用MS-DOS单用户、单任务操作系统难以完成较为复杂分布式多任务应用的缺点(如图4所示)。

图4 程序总体流程图

本软件首先经过一个初始化流程，并建立主线程、定时采集线程和实时分析线程。主线程主要用于系统运维和维持多线程运行，定时采集线程会定时从BPLC串口中采集数据，经过数据筛选后写入原始数据库，并通知实时分析线程接收。实时分析进程会在通知后接手数据，进行数据清洗，形成抄表数据库。抄表数据将由通信模块上载到计量主站(服务器)。

为实现抄表数据的边缘处理，软件流程主要有如下改进。

① 多线程技术：多进程的处理方式比单线程更灵活，也能更充分地调用系统资源，例如在不需要实时分析时能直接停用分析功能，可以通过改变定时采集线程调节集中器计算压力等。

② 多数据库方案：软件流程基于MySQL，采用包含原始数据库、抄表数据库等多数据库的数据存储方案，提供不同的访问和存取权限，能够满足不同工作内容的需要。

③ 定时采集和实时分析：通过定时采集和实时分析两个分线程对电能表数据进行处理，对系统资源的利用更充分，同时通过主线程进行管理，更便于权限划分，同时实现了数据处理的解耦化；

④ 数据的解耦上载：通过相对健全的数据采集逻辑，在数据上载至智能集中器时能基本实现数据解耦化，承担云服务器的部分工作，同时根据不同需要也能够采集到处理前的原始数据。

⑤ 事件日志：对抄表数据的操作与系统错误等相关事件，都会即时写入事件日志中，可以帮助维修人员实现故障定位、故障还原等。

4.2 基于边缘计算技术的数据融合与决策管理方法

在数据融合与决策管理部分，由于算力有限，大部分要交付云计算平台进行。而作为辅助，对于采用边缘计算的智能集中器，主要工作制定如下。

① 数据可靠性保证校验。在对清洗后数据传递至云平台时进行，执行MD5码快速测算，与云计算平台保证数据一致，防止数据损坏。

② 智能多模式数据传递。同时考虑基于GPRS无线网络的无线传输方案，与低压载波电力线通信方案，并能自主进行方案切换，保证数据连续性。

③ 决策方案同步。通过信息管理系统同步自身数据采集方案，达到分布式边缘计算节点的参数同步与功能一致。

对基于边缘计算技术的智能集中器中参与数据融合与决策管理的方案进行整理，如图5所示。

图5 智能集中器参与数据融合与决策管理

4.3 基于边缘计算技术的智能运维方法

现有的抄表运维中采用排除法进行作业，不仅效率低而且依赖于终端、载波、电表厂家的最终判断和问题解决。在文献[14]中提出了一类针对智能集中器的用电采集运维方案，结合本文提出的采用边缘计算的智能集中器方案，本文对文献中针对带有路径组网的载波通信方式的用电采集运维方案进行改进，不再依赖载波路由，而是通过智能集中器的边缘计算技术进行改进，进一步解决漏抄表问题。主要改进方向有：

① 通信节点故障整理：通过给定方案，判断电能表抄送的载波报文中的数据是否正常，是否有漏抄送和重复抄送的情况，防止一些基于电能表改造的窃电行为，并检测电能表损坏情况；

② 错误信息提交：将电能表的错误情况推送至运维人员的智能终端，协助运维人员精准定位错误位置并及时纠错，减少损失；

③ 连接检测：检测智能集中器与电能表、采集终端的连接是否稳定，向服务商实时提供信号质量信息；

④ 信道报警：结合事先设计的台区拓扑结构，定时验证上下行信道是否通常，并向运维人员提供信道报警。

参考上述改进方向，制定如图6所示的智能运维方法。

图6 智能集中器参与的智能运维方法

5 结束语

在新一代抄表方案中，智能集中器是智能电网中边缘计算技术应用的代表。尽管目前市面上采用边缘计算技术的智能集中器还较少，但目前来看，采用此类方案，不但能够分担云计算数据中心的流量压力、承担部分数据处理工作，而且不需要过多的人工干预，大幅提升了运维效率。因此，在智能电网日趋成熟的今天，采用边缘计算技术对集中器进行智能化升级，是一种有效、可行的应用方案，并具有良好的应用前景。后期将结合实验样机和运行数据进一步进行仿真和实验分析，以改进相关方案。