周 戈，谢妮娜，潘宇晨

（1.国网浙江省电力有限公司台州市供电公司，浙江 台州 318000；2.国网浙江省电力有限公司临海市供电公司，浙江 台州 318000）

分布式电力系统（如太阳能热发电、风力涡轮机）的优点是低碳消耗、能源利用率高、更好的供电可靠性和灵活的安装位置［1］。然而，许多电力电子逆变器应用于配电网的常规并网，产生谐波和三相负载不平衡等电能质量扰动，增加了控制成本，影响了供电系统的可靠性［2-3］。

针对上述存在的问题，文献［4］基于概率神经网络利用故障样本和正常样本的历史数据建立故障诊断模型。这种特征提取方法要求信号处理熟练程度高。文献［5］提出一种模糊逻辑评估模型，大量研究了电力数据评估指标的模糊性，但是电力数据评估指标的模糊性与风险权重不是自对偶事件，导致最终的评估结果与理想结果差异过大。

1 电力数据智能管理系统设计

针对上述技术存在的不足，本研究采用数据资产信息采集单元，全面收集多种数据资产信息，在采集单元设置数据采集接口、CC2530芯片电路和多数据传感器。数据智能管理系统如图1所示。

如图1所示，设置多样数据传感器的目的在于实现不同数据信息的获取和计算，传感器可以采用温度传感器、射频识别器、GPS定位装置等不同的采集设备，通过这些设备能够实现电压、电流、温度以及功率等多种数据信息的采集和位置定位［6］。通过多种数据信息的采集能够实现电力相关数据信息的全方面掌控，这些数据信息通过不同的网络实现信息传递，应用ZigBee技术的传递网络进行数据传输，通过云平台传递到用电信息数据库并进行简单的数据预处理［7-8］。

2 关键技术

2.1 基于CC2530芯片采集系统设计

针对电力数据信息的采集工作，本研究基于CC2530芯片硬件电路，设计了新型无线传感器网络，通过多样传感器网络对多源异构电力数据信息进行实时采集，提高了数据采集的种类。基于CC2530芯片采集系统整体硬件结构如图2所示。

图2中的CC2530芯片硬件电路能够实现电力数据信号的接入和输出，其中CC2530芯片为TI公司生产的主控芯片，该芯片采用的数据通信协议为ZigBee，在多源异构电力数据信息采集过程中，具有较强的数据抗干扰能力。芯片电路设置有2个USART端口、12位数模转换端口以及21个通用数据接线端口GPIO，满足多种数据接入的需要。

在图2的CC2530芯片硬件电路中，电源电路负责提供整个硬件系统运行所需的电源。考虑到不同的芯片其工作电压和启动电流不同，选用BQ21040锂电池充电管理芯片作为充电电路管理芯片，与电阻电容器相结合，形成锂电池充电电路，为锂电池连续供电。从系统稳定性考虑，将电阻R4设置为1.0 kΩ，可以得到快速充电电流为800 mA，为系统的最大快充电流［10］。电源电路如图3所示。

在图3中，Header表示插针连接器，CHG为芯片充电完成的信号提示，LEDV是主控制芯片的电压反馈灯，OUT为输出的电压值，在电池电量不足时给聚合物锂电池供电，加入1 μF滤波电容，降低交流脉冲波纹系数，提高抗干扰能力。

本研究采用美国Dallas公司生产的DS18B20型号温度传感器，其内部结构如图4所示。

从图4可以看出，DS18B20型号温度传感器内部结构由64位只读存储器（read-only memory，ROM）闪存、温度传感器、非易失性温度报警触发器TH和TL组成，其中暂存器用于存放测量结果，使用存储器的操作命令可以读出暂存器中的数据。TH和TL各由一个ROM字节构成，同样需要使用存储器的操作命令对TH和TL进行写入，对它们的读出则需要暂存器。DS18B20传感器的工作电源是3.0～5.5 V，其测温范围为-55℃～125℃。由于多个DS18B20可以挂载在一根通信线上，因而应用起来十分方便。温度传感器与其他采集终端的数据采集电路如图5所示。

在图5中，HX710作为电力数据采集的模数转换芯片，具有24位的高精度转换模式，低噪声放大器增益为128 dB，C3为0.1 μF滤波电容，增强了系统的抗干扰能力。HX710的VREF针脚为传感器模块电压供电；AGND针脚为接地电路；INN针脚为输出信号AIN-，INP针脚为输出信号AIN+；PDSCK针脚为AD数据发送的时钟控制信号，DOUT针脚为数据输出，Header是数据采集接口端，多源异构的电力数据将被传输至CC2530主控制芯片。

2.2 电力数据信息评估模型

为了能够合理评估电力数据信息，提高评估指标的准确性，本研究结合多种方法构建了电力数据信息评估模型，其流程如图6所示。

图6中AHP的基本原理是通过建立层次结构来分解复杂的多目标决策问题。通过比较指标的重要性，并使用数字形式的相对标度表示专家经验的相对重要性标准。首先，构造判断矩阵R，如式（1）所示：

式（1）中，n为电力数据样本维度，rij是将第i个评估指标与第j个评估指标进行比较而获得的标度值，反映了第i个评估要素相对于第j个评估要素的重要性。然后，检查判断矩阵R的一致性。最后，计算特征向量λmax和对应的特征向量，并根据一致性指标CI进行一致性测试。

一致性测试通过计算一致性比例CR来确定。如果CR<0.1，则矩阵满足一致性要求，且特征向量（归一化）是由AHP确定的权重向量。在协方差上，重新构造判断矩阵，即

式（2）中，RI是n维随机一致性指示符。

通过AHP得出各指标的权重为

式（3）中，A是权重矩阵，a是通过AHP计算的第j个指标的权重，ξ是其特征向量。

EWM是一种客观赋权方法，其基本原理是利用原始指标数据信息提供的有用信息量确定权重。假设有n个评估指标和m个评估方案，对所有电力数据评估指标进行标准化，得到

式（4）中，Y为权重矩阵，yij为标准化后得到的电力数据评估指标。

得到一个新的评估矩阵F，即

由此可以计算出各个电力数据评估指标的熵权，假设第j个电力数据评估指标的熵权定义式为

式（6）中，Hj是第j个电力数据评估指标的熵权值。

由式（7）计算得出

为了解决AHP与EWM的局限性，本研究将这两种方法结合起来计算综合权重。同时，为了放大电力数据评估指标的重要性，可使用乘法合成法，利用式（8）对电力数据评估指标进行综合赋权，即

式（8）中，Wj是第j个电力数据评估指标综合赋权的综合权重，aj是通过AHP计算的第j个电力数据评估指标的权重，vj是通过EWM计算的第j个电力数据评估指标的权重。

首先，同样假设有t个方案需要评估，n个电力数据评估指标，并根据电力数据评估指标定义理想的指标向量R0=（r01，r02，…，r0n）。比较t个方案中n个指标元素与理想指标向量R0的关联度，进行多目标综合决策，得到GCA判断矩阵R（t+1）×n，如式（9）所示：

对式（9）的判断矩阵进行标准化，结果如式（10）所示：

式（10）中，R′是标准化矩阵，r′是标准化的电力数据评估指标。

第二步，计算第i个指标的t个方案与第j个指标的理想方案的灰色关联系数，其表达式为

式（11）中，ξ是指灰色关联系数，p是指判别系数，通常为0.5。

最后，根据灰色关联系数ξ计算关联度，即

式（12）中，Ki为目标评价方案与理想指标方案之间的关联度，其数值反映了电力数据评估的准确性。Ki越大，越接近理想电力数据评估指标权值，从而实现电力数据的综合评价，得出最优的解决方案。

3 实验与分析

实验时，计算机的硬件环境：CPU为Inter（R）Core（TM）i7；主频为2.59 GHz；内存为16 G。所用的软件JavaScript版本为ECMAScript 6。通过云平台的设备模拟器进行数据收发的联调测试，输入数据传输的IP地址：180.101.147.115，输入Verify Code：8703031585221，选择开启DTSL传输加密通道。系统中电力数据发送测试界面如图7所示。

如图7所示，上报数据为Y50201F607010A，系统接收数据也为Y50201F607010A，数据上报成功，数据格式依然为十六进制码流。系统整体运行后，为了验证基于CC2530芯片采集系统的实用性，分别在采集终端与集中单元端测试了7组不同的电压数据，并测试丢包率数据，结果如表1所示。

表1 整体测试数据表Tab.1 Overall test data

从表1结果来看，采集终端节点传输至集中单元的数据错误率为零，无数据丢包现象，说明ZigBee协议可以很好地完成近距离数据传输任务，体现了CC2530芯片采集系统运行的实用性与稳定性。

为了体现本研究电力数据信息评估模型的可靠性，与文献［5］的模糊评估模型进行对比，通过调研某国家电网公司2021年电力调度数据库，从中抽取4000个电力数据节点作为实验数据库，相关数据类型与其代码如表2所示。

表2 电力数据参数信息表Tab.2 Power data and parameter information

以式（12）作为最终评估指标，在1000～4000个电力数据节点数目环境下，采用MATLAB软件仿真评估指标的变化数值，结果如图8所示。

从图8可以看出，相比之下本研究评估模型的评估值更高，接近理想电力数据评估指标权值，并且随着节点数目的变化，评估值波动幅度不大。

4 结 语

本研究在采集单元设置有数据采集接口、CC2530芯片电路和多样数据传感器，通过ZigBee通信协议与计算机进行通信，并与CC2530芯片实现2.4G通道联网通信，通过液晶屏显示电力数据智能管理系统的工作过程。电源采用3.7 V锂电池供电，其充电电路设计可确保该系统持续稳定运行。此外，还构建了电力数据评估模型，结合多种方法对电力数据信息进行综合评价，并通过实验证实了其实用性与可靠性。然而，该系统依然在数据传输方面存在一定的不足，未来会针对这一领域进行完善。