CN112788142A - 一种支持多传感器接入的智能边缘物联网关 - Google Patents

Abstract

本发明涉及一种支持多传感器接入的智能边缘物联网关，至少包括数据感知层、智能边缘计算管理层、云平台层以及人机交互层，其中，数据感知层中至少一个数据源节点通过预设的通信组网方案将其采集到的数据传输至智能边缘计算管理层，智能边缘计算管理层对至少一个数据源节点所采集到的数据进行数据处理及计算，并将经其处理后得到的必要数据上传至云平台层，云平台层用于协同处理来自智能边缘计算管理层中的多个网关设备所处理得到的必要数据，并将经其处理得到的结果反馈至人机交互层。

Description

一种支持多传感器接入的智能边缘物联网关

技术领域

本发明涉及电力设备技术领域，尤其涉及一种支持多传感器接入的智能边缘物联网关。

背景技术

随着物联网技术、人工智能技术和高速通信技术的逐步发展，与智慧电网相关的各种解决方案层出不穷，但仍存在许多亟待解决的痛点：

首先，尽管物联网技术的逐步发展与应用使得大规模数字传感器可以被广泛地部署到电网设备中，实现该场景下电网数据的采集。数以百万计的配电设备、电气量传感器、状态量传感器将会接入到物联网络中来，进而产生海量异构的配用电数据，其采集、传输、计算将会对通信信道及主站存储计算***带来巨大压力，并且不同区域间的设备相对独立，如何快速接入不同区域和类型的电网设备，实现异构数据的大规模实时采集仍是需要解决的问题；

其次，以深度学习网络为代表的人工智能技术可以大幅度提升海量数据的处理和分析能力，是实现智慧电网核心功能的“大脑”。但是，人工智能技术需要大量的计算资源，而普通电网设备不具备此类资源。虽然利用云计算提供的弹性计算资源可以驱动所述大脑的运转，但其服务时延仍然较高，且无法处理敏感数据，因此不能很好地实现海量数据的实时分析和隐私保护。

并且，高速通信技术的实施部署(如5G通信)能够保障电力场景中传感器数据的传输，提供稳定的网络连接，并将最终的判断和决策及时进行反馈。但高速通信技术只能提供高速稳定的网络连接方式，在物联网技术和人工智能技术都存在上述痛点的情况下，其作用有限。此外，地形和区域限制导致部分电网设备位置偏僻，部署的传感器可能不在高速通信基站的覆盖范围内，电力运营商无法持续收集此类数据。

例如现有技术中公开号为CN106972636B的专利文献所提出的一种基于云计算的智能电网检测平台，其主要包括主监控计算机、从监控计算机，从监控计算机通过互联网与主监控计算机联机通讯；从监控计算机的输入端连接电源和时钟，输出端连接打印机；从监控计算机通过以太网交换机分别连接人机界面、通信服务器、通信网关；人机界面通过RS485总线分别连接微机保护装置、温湿度控制器，通信服务器通过RS485总线分别连接电力仪表和电动机保护器，通信网关通过RS485总线分别连接智能断路器及四遥单元、直流屏。

此外，一方面由于对本领域技术人员的理解存在差异；另一方面由于发明人做出本发明时研究了大量文献和专利，但篇幅所限并未详细罗列所有的细节与内容，然而这绝非本发明不具备这些现有技术的特征，相反本发明已经具备现有技术的所有特征，而且申请人保留在背景技术中增加相关现有技术之权利。

发明内容

目前针对智慧电网所提出的解决方案虽然将大规模数字传感器广泛地部署到电网设备中，实现了电网数据的采集，然而：数以百万计的配电设备、电气量传感器、状态量传感器将会接入到物联网络中来，产生了海量异构的配用电数据，其采集、传输、计算将会对通信信道及主站存储计算***带来巨大压力，并且云计算的服务时延较高，无法处理敏感数据，此外，地形和区域限制导致部分电网设备位置偏僻，部署的传感器可能不在高速通信基站的覆盖范围内，电力运营商无法持续收集此类数据。

针对现有技术之不足，本发明提出了一种支持多传感器接入的智能边缘物联网关，改变了将与数据分析相关的计算任务全部转移到云计算平台上执行的传统技术方案，与云计算相比，边缘计算更靠近数据源头，能够节省数据传输时间。在本发明所提出的智能边缘物联网关中，通过智能边缘计算管理层的边缘计算功能，精细化上送必要数据，减少云端处理海量数据的压力，进一步提升云平台的运行效率及扩展设备最大接入数量。智能边缘计算管理层不仅可对各数据源节点进行实时在线监测控制、提供智能微应用，实现数据源节点的数据采集和简单判别功能，并且还实现了配变能效分析、能耗分析、电能质量分析、自动巡检、非侵入式负荷识别、需求侧电源资源优化调度以及状态检修等设备运维功能。智能边缘物联网关可对电网进行短期负荷预测，为电力现货市场提供就地预测机制，同时集群智能运维为集中式运维提高了效率与成本。

一种支持多传感器接入的智能边缘物联网关，至少包括数据感知层、智能边缘计算管理层、云平台层以及人机交互层，其中，数据感知层中至少一个数据源节点通过预设的通信组网方案将其采集到的数据传输至智能边缘计算管理层，智能边缘计算管理层对至少一个数据源节点所采集到的数据进行数据处理及计算，并将经其处理后得到的必要数据上传至云平台层，云平台层用于协同处理来自智能边缘计算管理层中的多个网关设备所处理得到的必要数据，并将经其处理得到的结果反馈至人机交互层。其中，通信组网方案是指基于有线形式的以太网和基于无线形式的Zigbee、GPRS、3G/4G/5G、WiFi、Bluetooth、LoRa等联网方式。

根据一种优选实施方式，所述智能边缘计算管理层中包括配变能效分析模块，其被配置为：基于从数据感知层采集到的数据建立配电损耗分析模型，以计算得出实时配电能效；对实时配电能效的动态变化进行处理，可分析得出用以向数据感知层输出的能效运行优化方案；使得数据感知层能够根据接收到的能效运行优化方案来控制与之相对应的能源设备执行能效运行优化。

优选地，该多个数据源节点的海量数据可包括高压柜相关数据(电压、电流、功率、开关状态量、开关控制、小接地选线、动静触头温度、断路器机械特性参数、保护定值、在线局放监测)、变压器相关数据(油温、油位、瓦斯、电压、震动、变压器温度(干式变))、低压柜相关数据(电压、电流、有功功率、无功功率、功率因数、三相不平衡谐波、开关状态量、开关控制、动静触头温度、自动拓扑生成)、箱变/配电室相关数据(温度、视频监控、水浸烟感(针对配电室)、风扇(针对箱变)、除湿机(针对箱变)、工业空调(针对箱变)或补偿装置(补偿容量、补偿投切情况))。优选地，基于从数据感知层采集到的数据可至少包括当前时刻下的各能源设备总损耗以及当前时刻下的负荷侧实际用电总功率。负荷侧指的是用户终端采用了灭弧措施的引出线所接的设备或输电线路。可采用下式计算各能源设备的实时配电能效：

式中，T_(t)为各能源设备在当前时刻下的实时配电能效，D_(t)为在当前时刻下的各能源设备总损耗，l_(t)为在当前时刻下的负荷侧实际用电总功率。优选地，配变能效分析模块中预配置有至少一种能效运行优化方案，配变能效分析模块通过对各能源设备建立与之对应的实时配电能效曲线，并对其进行大数据分析，演算获得多个设备参数对各种能效曲线的影响程度并获得包括至少一个设备参数的最优值的能效运行优化方案。在实时配电能效在预设时长内持续低于目标配电能效时，配变能效分析模块向数据感知层输出能效运行优化方案，数据感知层中对应的能源设备能够调节器设备参数以使其达到最优值，实现能效的运行优化。

根据一种优选实施方式，所述智能边缘计算管理层中包括能耗分析模块，其被配置为：从数据感知层采集各能源设备的原始离散数据，并依据预设划分时段对原始离散数据进行拟合，计算得出连续数据随时间的至少一个实时变化曲线；根据连续数据随时间的至少一个实时变化曲线，生成各能源设备的实际用电功率随时间的实时变化曲线和/或设备总能耗随时间的实时变化曲线；基于所述实时变化曲线对数据感知层中的各能源设备进行异常监控。从而，在实时变化曲线中出现数据异常的情况下，可及时向管理人员发出提示。

根据一种优选实施方式，所述智能边缘计算管理层中包括电能质量分析模块，其被配置为：从数据感知层采集各线路测量点的实时线路测量信息，并识别得到其中所监测的交流电发生的电能质量暂态事件及其发生时刻；获取与电能质量暂态事件相关联的电网中开关设备和/或继电保护设备的动作信息；将该动作信息和电能质量暂态事件在实时线路测量信息中以信息标注的方式反馈至云平台层和/或人机交互层。在电力***运行过程中，通常会出现各种电能质量事件，给电力***的正常运行带来不良影响。电能质量事件分为暂态事件和稳态事件，其中持续10ms到1min的异常事件判定为电能质量暂态事件。电能质量暂态事件的监测方法可采用半波有效值算法，即通过获取所监测的交流电波形的周波中的半波有效值，判断半波有效值是否超出设定的阈值，超出阈值则认定为发生暂态事件。

根据一种优选实施方式，所述智能边缘计算管理层中包括自动巡检机器人，其被配置为：在接收到来自云平台层和/或人机交互层的包括至少一个目标检测点的临时检测任务时，根据其自身所在地理位置、目标检测点在预储环境地图中的位置分布和目标检测点的重要等级中的一个或几个来智能规划行进路线；在无临时检测任务的日常巡检时期，根据预储环境地图中关键点位的位置分布智能规划行进路线，并对其所采集到的待处理数据按照其中所包含的检测点的重要等级进行插队式处理。

根据一种优选实施方式，所述智能边缘计算管理层中包括负荷识别模块，其被配置为：从数据感知层采集各能源设备的原始离散数据，并对其进行降噪处理和时频分解以得到负荷识别样本数据；将负荷识别样本数据输入到预先建立的神经网络模型中以训练得到负荷识别模型，从而可基于负荷识别模型来计算得到用户的电器使用情况。

根据一种优选实施方式，所述智能边缘计算管理层中包括状态检修模块，其被配置为：预先建立关于各能源设备的故障征兆分析模型，该模型包括至少一个状态评价项目、检修方案以及检修等级中的一个或几个；基于从数据感知层中所采集到的各能源设备的原始离散数据，通过至少一个状态评价项目对各能源设备进行状态评价；在状态评价结果符合故障征兆判断条件的情况下，将其与故障征兆分析模型中与之相对应的检修方案反馈至云平台层和/或人机交互层。

根据一种优选实施方式，所述智能边缘计算管理层中包括短期负荷预测模块，其被配置为：根据从数据感知层所采集到的各能源设备的历史负荷数据随至少一个影响因子的变化情况，确定至少一个重要影响因子；基于所确定至少一个重要影响因子来构建短期负荷预测模型；利用历史负荷数据随至少一个影响因子的变化情况对该模型进行训练，得到预测模型，从而可基于该预测模型对电网负荷进行短期预测。

根据一种优选实施方式，所述配变能效分析模块可被配置为：从数据感知层采集关于各能源设备的实际用电功率与负荷额定功率，和/或关于各分布式电源子单元的实际用电功率与分布式电源额定功率；和/或根据从数据感知层采集到的数据建立配电损耗分析模型。

根据一种优选实施方式，所述配变能效分析模块可被配置为：将不同时刻的实时配电能效以动态曲线的形式及时向云平台层和/或人机交互层反馈各能源设备的实时配电能效的动态变化。

附图说明

图1是本发明提供的智能边缘物联网关的简化架构示意图。

具体实施方式

随着越来越多的物联网传感器接入，为传统的采用中心式集中架构的云端***提出了全新挑战，如呈指数级爆发的传感器数据、大量新型非结构化数据、能效问题等，都直接影响着智慧电网的落地与否。为解决该问题，本申请提出了一种支持多传感器接入的智能边缘物联网关，或称一种支持多传感器接入的智能边缘物联网关***，该智能边缘物联网关***支持多种物联网传感器接入，可以在本地实时处理分析大量传感数据，实现电网的智能运维。该智能边缘物联网关***，基于边缘计算、分布式计算等技术，形成了一套云边协同优化方案，通过建设分布式的网关设备，取代了纯云端计算，减少了云端计算量，提高了响应速度和精准度。

如下先就本申请中所涉及到的相关概念及术语进行阐述，以便本领域技术人员进行理解。

智能边缘物联网关，即智能边缘物联网关***，如图1所示，在本申请中，其***结构可由底向上划分为四部分结构，分别为数据感知层、智能边缘计算管理层、云平台层以及人机交互层。每一层都包含多个实体，实体是指发送和接收信息所涉及的内容和相应的设备，例如数据感知层包括的多个数据源节点、边缘计算层包括的多个网关设备、云平台层包括的多部服务器、人机交互层包括的多个终端设备。每一层用于实现不同的功能，实体之间可进行通信。

数据感知层，主要是由多个数据源节点所共同组成的，每个数据源节点包括至少一个传感识别设备(例如RFID标签和读写器、各类传感器、摄像头、GPS、二维码标签和识读器等基本标识和传感器件)和/或由传感识别设备组成的网络(例如RFID网络、传感器网络等)，用以实现电网信息的采集、识别和汇集，并将其采集到的数据发送至智能边缘计算管理层或智能边缘计算管理层中的至少一个网关设备。

智能边缘计算管理层，主要是由多个网关设备共同组成的，一方面网关设备能够与各种技术体制的传感识别设备通信，可以获取和计算处理多个数据源节点感知产生的多维感知数据以及对网络协议的转换。边缘计算层主要借助数据融合算法对线上电压、网络功率分布、功率损耗、阻抗参数、电压降落、潮流计算、窃电检测等多维感知数据进行快速计算与暂存。另一方面网关设备通过边缘计算功能，精细化上送必要数据，减少云平台层处理海量数据的压力，进一步提升云平台层的运行效率及扩展设备最大接入数量。该必要数据主要是指经过通讯联通后，传感器根据预设规则上传所有数据，经过网关设备通讯协议的筛选后得出的用于操作员查看的对运维工作有意义的数据。其例如可以是关于变压器的数据(变压器本体温度、变压器挡位、变压器油位、变压器油温、变压器运行噪音、负载百分比、油样监测数据等等)、高低压柜的数据(柜体母排温度/断路器(负荷开关)触头温度、低压负荷、相对湿度、断路器动作次数、断路器机械特性等等)或是UPS(Uninterruptibl e PowerSupply，即不间断电源)的数据(输入电压、输入功率、输入功率因数、输出电压、输出功率、输出功率因数、UPS本体温度等等)等。

边缘计算，区别于受RTU(Remote Terminal Unit，远程终端单元)/测控仪器的采样频率和传输模式的限制，一般SCADA***(Supervisory Cont rol And DataAcquisition，数据采集与监视控制)信息4～5s刷新一次，即S CADA***所表征的是电网若干秒前的***状态，而边缘计算是一种分布式计算模式，指利用靠近数据源的边缘地带来完成的运算程序。边缘计算输入的是实时的小规模数据，输出的判断结果以调控电气设备达到稳定状态。边缘计算层把大部分计算沉降在靠近设备的边缘，小部分连接远处的云端。可以提升电力***在通信链路不可抗力中断时的自愈能力。

云平台层，是基于规模化的物理服务器集群，每个集群节点被部署在骨干数据中心，可独立提供计算、存储、带宽等互联网基础设施服务。其物理架构主要由存储服务器集群、计算服务器集群、基础架构管理服务器和网络交换机组成。其中，存储服务器集群构建虚拟资源池，具备超大容量，为节点内的云虚拟机提供逻辑磁盘存储、非结构数据存储以及整合备份服务；计算服务器集群，通过虚拟化技术整合，由控制平台按需生成、调配计算资源；管理服务器，采取双机热备的方式，对整个节点的所有计算服务器、共享存储、网络进行管理，同时对外提供管理整个节点的API；网络交换机，负责管理网段、公网交换网段、内部交换网段、存储网段等。云平台层可将其处理后生成的数据传输至人机交互层，人机交互层支持管理员可以在任意地点任意时间在其操作的终端设备上远程查看相关数据，和/或远程管理数据感知层与边缘计算层。云平台层可将电量统计、损耗分析与用户设备基础台账信息***三者融合到一起，用以多维描述某一特定场站或者特定设备的状态，以利于操作员针对出现的电力问题作出有效的应对决策。

人机交互层，主要是由多个终端设备组成，例如智能手机、平板电脑、车载智能终端、可穿戴设备、PC、VR/AR设备等各类终端。人机交互层中的至少一个终端设备可实现其与云平台层之间的信息联通和互操作。

该***通过融合分布式智能电网与泛在电力物联网，建立了多维数据源节点数据融合模型，构建了智能全面感知、信息高效处理、多环节互联互通的一体化配电物联网，同时在区域性电网内引入了边缘计算机制来增强一体化配电物联网的设备数据收集、数据稳定传输、储能策略分析以及用电安全监控等方面的效能，并通过边缘计算泛化能力、5G无线接入网络服务与神经网络深度学习之间的可靠融合，以此可利于实现智能边缘物联网关的智能化分析与自主智能运维。

每个数据源节点可部署有架空线路监测子***、电能质量监测子***、开关设备局放监测子***、接地电阻监测子***、箱变环境监测子***、变压器故障监测子***、贯通电缆故障定位监测子***、智能巡检子***中的一个或几个。

该边缘计算层中包括至少一个网关设备，多个数据源节点分别与至少一个网关设备通信连接。边缘计算层可以获取和计算处理多个数据源节点感知产生的多维感知数据以及对网络协议的转换。边缘计算层借助数据融合算法对线上电压、网络功率分布、功率损耗、阻抗参数、电压降落、潮流计算、窃电检测等多维感知数据进行快速计算与暂存。

在该边缘计算层，网关设备可以基于其收集到的多个数据源节点的海量数据来建立设备寿命预测知识库。对设备寿命预测知识库中的与设备寿命相关的参数进行提取并归类，依据设备生命周期的不同阶段，计算出各设备目前处于其生命周期的具体哪一阶段，从而可基于此将各设备分为不同的类别。基于所得到的分类结果，确定各设备的使用场景特征参数，并基于其进行初步的设备寿命分析，建立设备寿命模型。基于人工智能学习算法修正设备寿命模型而搭建设备寿命模型的基本分类规则并分类，以适用于设备全生命周期各个阶段的设备寿命模型修正，从而获得与设备全生命周期不同阶段相对应的不同类型的设备寿命模型。基于设备基本参数可以匹配确定至少一种类型的寿命模型，通过与设备寿命预测知识库匹配，结合当前类型的设备寿命模型分析确定相关的设备寿命参数。基于此，通过数据深度挖掘及算法训练，可以计算得出各时期中的设备运维薄弱环节，及时触发设备寿命预警，有利于操作员针对性地开展检修及更换元件的工作，从而提升整个设备寿命。上述参数可以是指变压器相关数据(环境温湿度/噪音、油样监测、绝缘油介质、绕组短路阻抗初值差、C2H2含量、糖醛含量等等)、线路相关数据(金具温度和线路垂度)、高低压柜(温度、断路器机械特性、分合闸回路阻值、SF6微水含量、对地绝缘电阻、使用年数、分闸直流电阻等等)或、综保装置相关数据(装置温度、AD采样一致程度、二次回路完整性、通讯接口状态检测、绝缘电阻、设备温度、报文延时、采样报文丢包率等等)等。

该网关设备可基于设备运行过程中出现的多个故障特征，将传感器的历史数据通过机器学习训练出针对不同故障现象的数字化特征模型，并结合专家处理的记录，将其形成未来对设备故障状态进行精准判决的依据，以此实现自治化的智能诊断和判决。基于此可实现对当前状态的评估、对过去发生问题的诊断，以及对未来趋势的预测，并给予分析的结果，模拟各种可能性，提供更全面的决策支持。通过数据深度挖掘及算法训练，及时触发设备寿命预警，提高了不同时期下不同电气设备的运维关注度，评估电气设备的运行状况从而制定科学的运检计划，减少因不必要的年检预试工作而停工停产。运维关注度主要是指运维人员对于箱变内元器件的运行状态的关注程度。

优选地，该网关设备可以基于其对收集到的多个数据源节点的海量数据的边缘计算，来智能反控各类设备而使得箱变恢复到最佳运行状态。该反控操作可以包括变压器的自动调档、无功补偿装置的自动控制、空调的自动控制、工业除湿机的自动控制、箱变排风扇的自动启停、电力数据异常时的触发越限告警等等。该发控过程可以是：传感器上传的温度经网关设备判断后，若达到了温度告警阈值，此时网关设备将会指示空调启动并同时向其监测***发送告警信息。

该网关设备可支持以太网、WIFI、3G、4G以及5G eMBB/uRLLC等多种通信网络的接入，可保障其通信网络的不间断连接。各网关设备支持多类型云平台接入，如现主流的通用、西门子、施耐德、阿里云、微软、亚马逊以及华为云等工业云平台。各网关设备兼容多种设备主流工业实时以太网协议和工业总线协议，如PROFIBUS-DP协议、MODBUS TCP/RTU协议、PR OFINET协议、OPC UA协议以及PROFINET协议等。

该网关设备可通过将现有变压器可继续运行年限的TOC值(Total Owni ng Cost，综合能效费用)与拟更新的新型变压器在该年限内的TOC值进行比较。在比较得出现有变压器的TOC值相对更高的情况下确定其为异常损耗点。

采用以下计算表达式可得到TOC值：

TOC＝CI+(A×P₀+B×P_k)/1000，式中：TOC是指变压器的总拥有费用，元；CI是指变压器设备的初始费用，元，其通常可以为变压器的采购价格；P₀是指变压器额定空载损耗，W；P_k是指变压器额定负载损耗，W；A是指变压器单位空载损耗的等效初始费用，元/KW；B是指变压器单位负载损耗的等效初始费用，元/KW。

在不考虑供电网的附加损耗费用、平均年增量费用，以及假定变压器在经济试用期内负载率不变的情况下，上述计算表达式可简化为：

TOC＝CI+K_pv×E×(H_py×P₀+τ×β₀ ²×P_k)/1000，式中：E是指该变压器用户的平均销售电价，元/KWh；n是指变压器经济使用年限，一般取20年，或取现有变压器可继续运行年限T；K_pv是指贴现率为i的连续n年费用现值系数；i是指年贴现率，不低于同年期银行贷款利率值；H_py是指变压器的年带电小时数，通常取8760h；τ是指年最大负载损耗小时数，h；β₀是指变压器的初始负载系数，标幺值。

其中，现有变压器的初始费用可以采用下述计算表达式来得到：

CI＝V_O0-V_OT/(1+i)^T，式中，T是指现有变压器可继续运行年限；V_O0是指现有变压器在决策年份的可售价格，即该变压器当前价值；V_OT是指现有变压器到第T年末的残值，即净残值，相当于报废回收价格(应适当扣减T年的维护费)；i是指年贴现率。

其中，拟更新的新变压器初始费用可以采用下述计算表达式来得到：

CI＝V_N-V_NT/(1+i)^T，式中，V_N是指新变压器的购置费用；V_NT是指新变压器到第T年末的残值；其他参数同上。其中，V_NT可按照评价年限折旧法V_NT＝V_N-T(V_N-V_Nn)/n进行估算。V_Nn是指新变压器运行经济运行年限(n年)后的净残值，即报废回收价格。

网关设备包括配变能效分析模块、能耗分析模块、电能质量分析模块、自动巡检机器人、负荷识别模块、状态检修模块与短期负荷预测模块中的一个或几个。使得智能边缘计算管理层具有配变能效分析、能耗分析、电能质量分析、自动巡检、非侵入式负荷识别、需求侧电源资源优化调度以及状态检修中的一个或几个设备运维功能。

该配变能效分析模块可从数据感知层采集关于各能源设备的实际用电功率与负荷额定功率，以及关于各分布式电源子单元的实际用电功率与分布式电源额定功率。该配变能效分析模块基于从数据感知层采集到的数据建立配电损耗分析模型，基于该模型可实时计算得出配电***的在器件损耗与线路损耗下的实时配电能效。该配变能效分析模块将不同时刻的实时配电能效以动态曲线的形式及时向云平台层和/或人机交互层反馈各能源设备的实时配电能效的动态变化。该配变能效分析模块通过对各能源设备的实时配电能效曲线进行大数据分析，演算得出多个参数分别对各种能效曲线的影响程度以及与该参数相对应的优化值。该配变能效分析模块基于未达到优化值的至少一个参数向数据感知层输出能效运行优化方案。数据感知层能够基于其通过对接收到的能效运行优化方案进行解析所获得的至少一个参数优化值来控制与之相对应的能源设备执行能效运行优化。

该能耗分析模块从数据感知层采集各能源设备的原始离散数据。能耗分析模块依据预设划分时段对原始离散数据进行拟合，计算得出连续数据随时间的至少一个实时变化曲线。能耗分析模块根据连续数据随时间的至少一个实时变化曲线，生成各能源设备的实际用电功率随时间的实时变化曲线和设备总能耗随时间的实时变化曲线。并基于所述实时变化曲线对数据感知层中的各能源设备进行异常监控。

该电能质量分析模块从数据感知层采集各线路测量点的实时线路测量信息。识别得到其中所监测的交流电发生的电能质量暂态事件及其发生时刻。获取与电能质量暂态事件相关联的电网中开关设备和/或继电保护设备的动作信息。将该动作信息和电能质量暂态事件在实时线路测量信息中以信息标注的方式反馈至云平台层和/或人机交互层。

在接收到来自云平台层和/或人机交互层的包括至少一个目标检测点的临时检测任务时，自动巡检机器人根据其自身所在地理位置、目标检测点在预储环境地图中的位置分布和目标检测点的重要等级中的一个或几个来智能规划行进路线。在无临时检测任务的日常巡检时期，自动巡检机器人根据预储环境地图中关键点位的位置分布智能规划行进路线，并对其所采集到的待处理数据按照其中所包含的检测点的重要等级进行插队式处理。插队式处理是指根据即时采集到的具有较高等级的待处理数据可以优先反应及处理。

由于目前大部分地区仍为传统配电房，配电房内部分设备尚不具备自主采集相关数据以及数据自动上传的功能，对此，现有技术中利用云服务端进行数据处理的技术方案由于其极度依赖于底层数据，对于传统配电房，要么要求人力增大实时巡检频率以及及时无误的上传工作，存在大幅增大技术人员工作量的问题，要么停止配电房的运作进行设备更替升级为智能配电房，存在成本高且严重影响大量用户的用电需求的问题。针对现有技术之不足，本申请提出了能够通过兼顾传统配电房与智能配电房的解决方案，其中一方面，采用了自动巡检机器人对传统配电房内设备数据进行自动巡检以及智能采集上传，自动巡检机器人的装配及使用均无需改动传统配电房的原有配置，极大地减轻了技术人员工作量，尤其适用炎暑或寒冬之季室温不适宜技术人员进入房间巡检的情况，避免了高成本以及对用户用电需求的影响；另一方面，将自动巡检机器人与智能眼镜等智能设备相结合,可以对进入到配电房内维护设备的技术人员的操作进行检测以及辅助，在提高技术人员的检修效率的同时保障工作安全。

该网关设备还包括至少一个智能眼镜，其用于技术人员在接收到设备维护任务需要进入到配电房内时进行佩戴，可提供实时的技术支持。在配电房的入口处设置有至少两个监控设备。

第一监控设备可检测技术人员是否按照作业规范佩戴智能眼镜，在检测到未佩戴智能眼镜的情况下向该技术人员发出提示。第一监控设备可识别获取到技术人员所佩戴的智能眼镜的设备连接码。第一监控设备可设于位于门口侧面，技术人员可通过钥匙或刷卡或生物识别的方式打开配电房房门，进入时，第一监控设备位于技术人员侧方对其进行识别扫描。

第二监控设备可基于配电人员管理数据库与该智能眼镜的设备连接码对进入的至少一个技术人员进行身份核对。在检测到身份不符合的情况下向该技术人员发出提示。第二监控设备位于技术人员的前方对其进行识别扫描，可获取到技术人员的身份信息。配电人员管理数据库中存储有与各智能眼镜的设备连接码一一对应的技术人员信息。通过本人授权或上级授权的方式可更换与智能眼镜的设备连接码所对应的技术人员信息。

在符合作业规范且身份核对成功的情况下，第二监控设备基于设备连接码可在其实时更新的周围可连接设备表中找出处于打开状态的该智能眼镜，第二监控设备将核对成功的身份信息发至智能眼镜进行安全验证，安全验证通过，第二监控设备与智能眼镜间通信连接。

与智能眼镜间通信连接的监控设备可获取到该智能眼镜的动态密匙。在符合作业规范且身份核对成功的情况下，监控设备将智能眼镜的设备连接码与动态密匙传输至配电房内的至少一个巡检机器人。至少一个巡检机器人可在动态密匙的有效时间内通信连接至该智能眼镜。巡检机器人也可是基于设备连接码在其实时更新的周围可连接设备表中找出处于打开状态的该智能眼镜，将动态密匙发至其进行安全验证，安全验证通过即彼此通信连接。

针对技术人员进入配电房后如何快速确定待维护设备的位置的问题，现有技术中采用了以自动巡检机器人为技术人员领路的技术方案，但由于自动巡检机器人需要进行日常的巡检工作，不能预知技术人员的达到配电房的时间，导致技术人员达到时需要等待巡检机器人从其所在位置前往入口，既中断了巡检工作并且延长了技术人员的维护所需时间。对此，在本申请中，第二监控设备在进行身份核对的同时获取到配电人员管理数据库中与该技术人员相对应的设备维护任务信息。基于设备维护任务信息中待维护设备在配电房内的位置，监控设备将带有路线标注的当前配电房地图传输至智能眼镜，以指示技术人员直接前往待维护设备。从而，不仅无需中断自动巡检机器人的巡检任务，技术人员在进入到配电室后就可以明确行进路线，节省设备维护耗时。

虽然现有技术中已提出利用自动巡检机器人来对技术人员的操作进行检测以实现规范化操作的技术方案，但由于自动巡检机器人是沿轨移动，加上技术人员挡在配电柜前，使得机器人的视野大大受阻，根本无法对技术人员的操作进行检测，也就无法判断其是否规范化。对此，在本申请中，自动巡检机器人已与智能眼镜自动配对连接，在技术人员进行设备维护时，自动巡检机器人可以实时获取到智能眼镜所采集到的摄像数据，基于设备维护任务信息与实时的摄像数据可处理分析得到技术人员的操作信息，实现对技术人员作业规范的检测。自动巡检机器人可获取到待维护设备上的面板信息，可实时监测配电柜是否处于所需的通电状态或断电状态，若在技术人员仍在操作而监测到配电柜由断电状态转变为通电状态，立即向技术人员发出警告或通过智能眼镜发出警告。智能眼镜利用增强现实技术可直接指示技术人员操作位置、先后顺序以及注意事项等，并同时对操作后的情况进行实时地视觉分析，判断操作是否符合作业规范。技术人员可通过智能眼镜选择查看自动巡检机器人所获取到的信息。从而，自动巡检机器人的位置不受限于视野，并且通过与智能眼镜相结合，可以实现更好的操作安全保障性。

通常设备维护需要两名技术人员配合作业，一名技术人员通过梯子处于高处负责检查配电柜内部或将监测设备的线接入配电柜内，另一名技术人员在地面负责观察监测设备的显示数据，需要两人来回核对操作或念显示数据，工作效率低且容易出现看错或念错的问题，存在较大的安全隐患。对此，在本申请中，各技术人员均佩戴有智能眼镜，智能眼镜可通过设备维护任务信息获取到参与维护的其它技术人员的设备连接码，通过安全验证后彼此可通信连接。各技术人员可在自己的智能眼镜上获取到其它技术人员的操作情况或地面监测设备的显示数据，通过口头核对加智能眼镜的交互显示，可以有效地增强工作效率，并极大地避免核对不及时或出错的问题。在单名技术人员进行设备维护操作时，可以优先将监测设备与其智能眼镜进行配对连接，使得监测设备中的监测数据可以直接反映到智能眼镜的交互显示。技术人员可以通过向智能眼镜输入操作指令来控制监测设备的启闭等操作，以此避免位于单名技术人员进行设备维护操作时需要上下来回移动操作。

该负荷识别模块从数据感知层采集各能源设备的原始离散数据，并对其进行降噪处理和时频分解以得到负荷识别样本数据。将负荷识别样本数据输入到预先建立的神经网络模型中以训练得到负荷识别模型。负荷识别模块基于负荷识别模型来计算得到用户的电器使用情况。

该状态检修模块中预先建立有关于各能源设备的故障征兆分析模型。该模型包括至少一个状态评价项目、检修方案以及检修等级中的一个或几个。基于从数据感知层中所采集到的各能源设备的原始离散数据，状态检修模块通过至少一个状态评价项目对各能源设备进行状态评价。在状态评价结果符合故障征兆判断条件的情况下，将其与故障征兆分析模型中与之相对应的检修方案反馈至云平台层和/或人机交互层。

该短期负荷预测模块根据从数据感知层所采集到的各能源设备的历史负荷数据随至少一个影响因子的变化情况，确定至少一个重要影响因子。基于所确定至少一个重要影响因子来构建短期负荷预测模型。利用历史负荷数据随至少一个影响因子的变化情况对该模型进行训练，得到预测模型。从而短期负荷预测模块可基于该预测模型对电网负荷进行短期预测。

需要注意的是，上述具体实施例是示例性的，本领域技术人员可以在本发明公开内容的启发下想出各种解决方案，而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白，本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。本发明说明书包含多项发明构思，诸如“优选地”、“根据一个优选实施方式”或“可选地”均表示相应段落公开了一个独立的构思，申请人保留根据每项发明构思提出分案申请的权利。

Claims (10)

1.一种支持多传感器接入的智能边缘物联网关，其特征是，至少包括数据感知层、智能边缘计算管理层、云平台层以及人机交互层，其中，

数据感知层中至少一个数据源节点通过预设的通信组网方案将其采集到的数据传输至智能边缘计算管理层，

智能边缘计算管理层对至少一个数据源节点所采集到的数据进行数据处理及计算，并将经其处理后得到的必要数据上传至云平台层，

云平台层用于协同处理来自智能边缘计算管理层中的多个网关设备所处理得到的必要数据，并将经其处理得到的结果反馈至人机交互层。

2.根据权利要求1所述的智能边缘物联网关，其特征是，所述智能边缘计算管理层中包括配变能效分析模块，其被配置为：

基于从数据感知层采集到的数据建立配电损耗分析模型，以计算得出实时配电能效；

对实时配电能效的动态变化进行处理，可分析得出用以向数据感知层输出的能效运行优化方案；

使得数据感知层能够根据接收到的能效运行优化方案来控制与之相对应的能源设备执行能效运行优化。

3.根据权利要求1或2所述的智能边缘物联网关，其特征是，所述智能边缘计算管理层中包括能耗分析模块，其被配置为：

从数据感知层采集各能源设备的原始离散数据，并依据预设划分时段对原始离散数据进行拟合，计算得出连续数据随时间的至少一个实时变化曲线；

根据连续数据随时间的至少一个实时变化曲线，生成各能源设备的实际用电功率随时间的实时变化曲线和/或设备总能耗随时间的实时变化曲线；

基于所述实时变化曲线对数据感知层中的各能源设备进行异常监控。

4.根据权利要求3所述的智能边缘物联网关，其特征是，所述智能边缘计算管理层中包括电能质量分析模块，其被配置为：

从数据感知层采集各线路测量点的实时线路测量信息，并识别得到其中所监测的交流电发生的电能质量暂态事件及其发生时刻；

获取与电能质量暂态事件相关联的电网中开关设备和/或继电保护设备的动作信息；

将该动作信息和电能质量暂态事件在实时线路测量信息中以信息标注的方式反馈至云平台层和/或人机交互层。

5.根据权利要求4所述的智能边缘物联网关，其特征是，所述智能边缘计算管理层中包括自动巡检机器人，其被配置为：

在接收到来自云平台层和/或人机交互层的包括至少一个目标检测点的临时检测任务时，根据其自身所在地理位置、目标检测点在预储环境地图中的位置分布和目标检测点的重要等级中的一个或几个来智能规划行进路线；

在无临时检测任务的日常巡检时期，根据预储环境地图中关键点位的位置分布智能规划行进路线，并对其所采集到的待处理数据按照其中所包含的检测点的重要等级进行插队式处理。

6.根据权利要求5所述的智能边缘物联网关，其特征是，所述智能边缘计算管理层中包括负荷识别模块，其被配置为：

从数据感知层采集各能源设备的原始离散数据，并对其进行降噪处理和时频分解以得到负荷识别样本数据；

将负荷识别样本数据输入到预先建立的神经网络模型中以训练得到负荷识别模型，从而可基于负荷识别模型来计算得到用户的电器使用情况。

7.根据权利要求6所述的智能边缘物联网关，其特征是，所述智能边缘计算管理层中包括状态检修模块，其被配置为：

预先建立关于各能源设备的故障征兆分析模型，该模型包括至少一个状态评价项目、检修方案以及检修等级中的一个或几个；

基于从数据感知层中所采集到的各能源设备的原始离散数据，通过至少一个状态评价项目对各能源设备进行状态评价；

在状态评价结果符合故障征兆判断条件的情况下，将其与故障征兆分析模型中与之相对应的检修方案反馈至云平台层和/或人机交互层。

8.根据权利要求7所述的智能边缘物联网关，其特征是，所述智能边缘计算管理层中包括短期负荷预测模块，其被配置为：

根据从数据感知层所采集到的各能源设备的历史负荷数据随至少一个影响因子的变化情况，确定至少一个重要影响因子；

基于所确定至少一个重要影响因子来构建短期负荷预测模型；

利用历史负荷数据随至少一个影响因子的变化情况对该模型进行训练，得到预测模型，从而可基于该预测模型对电网负荷进行短期预测。

9.根据权利要求8所述的智能边缘物联网关，其特征是，所述配变能效分析模块可被配置为：

从数据感知层采集关于各能源设备的实际用电功率与负荷额定功率，和/或关于各分布式电源子单元的实际用电功率与分布式电源额定功率；和/或

根据从数据感知层采集到的数据建立配电损耗分析模型。

10.根据权利要求9所述的智能边缘物联网关，其特征是，所述配变能效分析模块可被配置为将不同时刻的实时配电能效以动态曲线的形式及时向云平台层和/或人机交互层反馈各能源设备的实时配电能效的动态变化。

Images