關鍵詞： 微服務網關；自動化電氣主站設備；設備狀態監控；數據配準；微服務集群

在自動化電氣主站設備中，其狀態分為運行狀態、備用狀態、故障狀態和檢修狀態。通過監控設備的不同狀態，可為設備提供調度服務[1]。針對設備監控問題，學者們研究了多種監控方法。

胡凱 [2]提出了基于紅外熱像技術的自動化電氣主站設備狀態監控方法，結合紅外輻射掃描原理與閾值分割算法，識別出異常狀態并監控該區域，實現設備狀態的實時監控。然而，該方法成像對比度較低，在復雜環境中的應用受到限制，致使Precision、Recall嚴重失衡，進而降低了監控準確性。米立 [3]提出了基于多源數據融合處理的自動化電氣主站設備狀態監控方法，采用多源處理融合的方式，提取設備狀態的關鍵信息，確保監控效果。然而，該方法存在數據不一致的情況，有數據缺失、扭曲等問題， Precision、Recall失衡問題較為嚴重，從而降低了監控準確性。梁月放 [4]提出了基于物聯網嵌入式單片機的自動化電氣主站設備狀態監控方法，采用物理網嵌入單片機的方式，監控主站設備狀態信息。然而，該方法擴展性較差，難以滿足監控需求， 出現了Precision、Recall失衡問題，進而影響監控準確性。韋文杰等人 [5]提出了基于機器視覺技術的自動化電氣主站設備狀態監控方法，采用機器視覺的方式，提取設備顏色、紋理、邊緣特征，滿足設備狀態監控需求。但是，該方法對環境的依賴性較強，在不同場景下，可能出現Precision、Recall失衡的情況，監控準確性也隨之受到影響。

微服務網關是分布式微服務架構中的核心組件，承擔著請求路由、協議轉換、安全管控等功能，能夠實現信息的高效整合。本研究將其應用于自動化電氣主站設備狀態監控方法中，以適配不同設備，從而將狀態監控、故障監控等功能拆分為獨立服務，動態選擇處理路徑，提高了設備狀態監控的準確性。

1   自動化電氣主站微服務網關設備狀態監控方法設計

1.1   構建自動化電氣主站設備狀態監控微服務集群

采用自動化電氣主站設備巡檢機器人，采集設備狀態圖像數據Di，在空間變換模型下，配準處理Di，公式如式（1）所示：

式中，x '、y '、Z '為空間變換后的圖像數據，Di  的坐標為D, ' (x': y , Z ') ；D, (x, y)為Di 的二維坐標； mo ~ m,為異常狀態監控數據特征。計算Di  的圖像熵，公式如式（2）所示：

式中，si為Di  的圖像熵。將si作為輸入條件，構建自動化電氣主站設備狀態監控微服務集群， 公式如式（3）所示：                         

      （3）

式中，為自動化電氣主站設備狀態監控微服務集群的關鍵指標。該指標融合了圖像的信息復雜度（熵）與數據規模（圖像大小）信息，被作為微服務集群初始化或狀態表征的輸入條件；為圖像大小。

基于指標，構建自動化電氣主站設備狀態監控微服務集群。該集群采用分布式架構， 將設備監控功能解耦為多個獨立的微服務， 包括數據采集服務、圖像預處理服務、狀態識別服務與告警分析服務等。每個微服務部署于不同容器中， 通過微服務網關進行統一路由、協議轉換與負載均衡。集群可根據監控負載動態擴展或收縮服務實例， 確保資源高效利用與系統高可用性。在指標引導下，各微服務協同工作， 實現了設備狀態圖像數據的實時采集、處理與傳輸，為后續狀態監控中心提供了穩定、可擴展的數據支持。

1.2   基于微服務網關構建電氣主站設備狀態監控模型

為了保證集群的順利運行，微服務鏈所需資源需要低于當前微服務節點所擁有的資源數。其資源約束公式為式（4）：

式中， rc M為微服務鏈C在微服務M上所需的資源；I"為每個微服務網關節點擁有的資源數量。對微服務網關構成集群擁有的總資源數進行分析，公式如式（5）所示：

Iz  = I" XM X C                     （5）

式中， 為微服務網關構成集群擁有的總資源數。在I" < Iz 時， 微服務網關集群中的資源處于均衡狀態， 構建電氣主站設備狀態監控模型如式（6）所示：                            

     （6）

式中， rM為微服務鏈在微服務M所需的資源； f· )為資源消耗的評估函數，用于量化資源使用對狀態判定的影響。

該模型通過結合圖像熵與系統資源消耗情況，實現了對電氣主站設備運行狀態的動態判定。其監控功能可拆分為狀態監測、故障診斷、數據分析等功能：

（1）當=0時，主站處于設備正常運行的狀態；

（2）當 =1時，主站設備處于故障運行狀態；

（3）當 介于0~1之間時，主站設備處于運維階段。

通過分析的狀態，可實現運行狀態監控的數據分析。在狀態監測、故障診斷、數據分析等功能中，根據的變化，設置不同的時間戳、ID、來源、源協議、設備信息等元數據字段，在HTTP轉WebSocket、WebSocket轉MQTT、MQTT轉HTTP的協議轉換核心機制下，結合AOP攔截請求處理流程與ELK（Elasticsearch+Logstash+Kibana）技術棧，實現電氣主站設備狀態監控。

2   實驗與分析

本次實驗在同種規模變電站不同環境下，采集7000張紅外圖像數據，作為自動化電氣主站設備狀態監控測試數據，并通過監控可視化結果、P-R曲線，驗證本文設計的基于微服務網關的自動化電氣主站設備狀態監控方法的有效性。

2.1   實驗過程

實驗搭建了一個簡單的微服務集群， 分別在5臺服務器上部署了4個微服務網關。服務器節點配置信息如表1所示。

表1 微服務群的服務器節點信息表

如表1所示，使用壓力測試工具JMeter向搭建的微服務集群發送請求，每次請求數增加100，通過不同請求狀態的主站設備狀態監控情況，驗證本文方法的運行情況。

2.2   實驗結果

采用Visual Studio 2017編程環境，對變電站內電氣設備巡檢狀態拍攝的紅外圖像進行監控。電氣主站設備狀態監控的可視化分析結果如圖1所示。

圖1  電氣主站設備狀態監控的可視化結果圖

如圖1所示，①為巡檢監控的普通圖像；②為巡檢監控的紅外圖像。 a、b兩個位置為異常狀態，在紅外圖像中出現明顯異常， 能夠有效監控主站設備的異常狀態。在此條件下，分析電氣主站設備狀態監控的P-R曲線，如圖2所示。圖中A為基于紅外熱像技術的自動化電氣主站設備狀態監控方法的P-R曲線結果；B為基于多源數據融合處理的自動化電氣主站設備狀態監控方法的P-R曲線結果；C為本文設計的基于微服務網關的自動化電氣主站設備狀態監控方法。

圖2  電氣主站設備狀態監控的P-R曲線圖

從圖2中的曲線走勢可以看出，本文方法在Precision與Recall之間取得了較好的平衡，兩者數值均趨近于1.0，且曲線整體更靠近右上方，表明其在各閾值下均能保持較高的準確率與召回率。相比之下，方法A與方法B的P-R曲線均明顯低于曲線C，尤其在Recall較高時Precision下降較快，說明二者在復雜場景下識別穩定性不足。本文方法依托微服務網關的動態路由與資源協調機制， 顯著提升了狀態監控的綜合性能。

3   結束語

本文設計的基于微服務網關的自動化電氣主站設備狀態監控方法，通過微服務化架構與動態資源調度機制， 實現了設備狀態的高效、準確識別。實驗證明，該方法在Precision與Recall上均表現優異，克服了傳統方法在復雜場景中穩定性不足的問題。未來可進一步結合邊緣計算與自適應學習機制， 增強系統在多變工況下的魯棒性，推動電氣主站監控向智能化、平臺化方向發展。

作者簡介：

佘凌聰（1998-），男，工程師，碩士，現就職于廣東電網有限責任公司廣州供電局，研究方向為調度自動化。

萬   靜（1994-），女，工程師，碩士，現就職于廣東電網有限責任公司廣州供電局，研究方向為調度自動化。

趙   芳（1995-），女，工程師，碩士，現就職于廣東電網有限責任公司廣州供電局，研究方向為調度自動化。

參考文獻：

[1] 魯家俊, 俞航, 陳子睿. 基于RNN算法的變電站電力設備絕緣狀態監測研究[J]. 自動化應用, 2025, 66 (22) : 15 - 17.

[2] 胡凱. 基于紅外熱像技術的發電廠高壓電氣設備絕緣狀態實時監測[J]. 自動化應用, 2025, 66 (04) : 147 - 149.

[3] 米立. 基于多源數據融合處理的變電設備全景狀態監控系統研究[J]. 科技資訊, 2024, 22 (20) : 100 - 102.

[4] 梁月放. 基于物聯網嵌入式單片機的電氣設備運行狀態遠程監控[J]. 廊坊師范學院學報(自然科學版), 2023, 23 (01) : 39 - 44.

[5] 韋文杰, 李仁芝. 基于機器視覺技術的電氣設備狀態監測系統設計與評估[J]. 造紙裝備及材料, 2025, 54 (10) : 34 - 36.

摘自《自動化博覽》2026年3月刊