关键词： 微服务网关；自动化电气主站设备；设备状态监控；数据配准；微服务集群

在自动化电气主站设备中，其状态分为运行状态、备用状态、故障状态和检修状态。通过监控设备的不同状态，可为设备提供调度服务[1]。针对设备监控问题，学者们研究了多种监控方法。

胡凯 [2]提出了基于红外热像技术的自动化电气主站设备状态监控方法，结合红外辐射扫描原理与阈值分割算法，识别出异常状态并监控该区域，实现设备状态的实时监控。然而，该方法成像对比度较低，在复杂环境中的应用受到限制，致使Precision、Recall严重失衡，进而降低了监控准确性。米立 [3]提出了基于多源数据融合处理的自动化电气主站设备状态监控方法，采用多源处理融合的方式，提取设备状态的关键信息，确保监控效果。然而，该方法存在数据不一致的情况，有数据缺失、扭曲等问题， Precision、Recall失衡问题较为严重，从而降低了监控准确性。梁月放 [4]提出了基于物联网嵌入式单片机的自动化电气主站设备状态监控方法，采用物理网嵌入单片机的方式，监控主站设备状态信息。然而，该方法扩展性较差，难以满足监控需求， 出现了Precision、Recall失衡问题，进而影响监控准确性。韦文杰等人 [5]提出了基于机器视觉技术的自动化电气主站设备状态监控方法，采用机器视觉的方式，提取设备颜色、纹理、边缘特征，满足设备状态监控需求。但是，该方法对环境的依赖性较强，在不同场景下，可能出现Precision、Recall失衡的情况，监控准确性也随之受到影响。

微服务网关是分布式微服务架构中的核心组件，承担着请求路由、协议转换、安全管控等功能，能够实现信息的高效整合。本研究将其应用于自动化电气主站设备状态监控方法中，以适配不同设备，从而将状态监控、故障监控等功能拆分为独立服务，动态选择处理路径，提高了设备状态监控的准确性。

1   自动化电气主站微服务网关设备状态监控方法设计

1.1   构建自动化电气主站设备状态监控微服务集群

采用自动化电气主站设备巡检机器人，采集设备状态图像数据Di，在空间变换模型下，配准处理Di，公式如式（1）所示：

式中，x '、y '、Z '为空间变换后的图像数据，Di  的坐标为D, ' (x': y , Z ') ；D, (x, y)为Di 的二维坐标； mo ~ m,为异常状态监控数据特征。计算Di  的图像熵，公式如式（2）所示：

式中，si为Di  的图像熵。将si作为输入条件，构建自动化电气主站设备状态监控微服务集群， 公式如式（3）所示：                         

      （3）

式中，为自动化电气主站设备状态监控微服务集群的关键指标。该指标融合了图像的信息复杂度（熵）与数据规模（图像大小）信息，被作为微服务集群初始化或状态表征的输入条件；为图像大小。

基于指标，构建自动化电气主站设备状态监控微服务集群。该集群采用分布式架构， 将设备监控功能解耦为多个独立的微服务， 包括数据采集服务、图像预处理服务、状态识别服务与告警分析服务等。每个微服务部署于不同容器中， 通过微服务网关进行统一路由、协议转换与负载均衡。集群可根据监控负载动态扩展或收缩服务实例， 确保资源高效利用与系统高可用性。在指标引导下，各微服务协同工作， 实现了设备状态图像数据的实时采集、处理与传输，为后续状态监控中心提供了稳定、可扩展的数据支持。

1.2   基于微服务网关构建电气主站设备状态监控模型

为了保证集群的顺利运行，微服务链所需资源需要低于当前微服务节点所拥有的资源数。其资源约束公式为式（4）：

式中， rc M为微服务链C在微服务M上所需的资源；I"为每个微服务网关节点拥有的资源数量。对微服务网关构成集群拥有的总资源数进行分析，公式如式（5）所示：

Iz  = I" XM X C                     （5）

式中， 为微服务网关构成集群拥有的总资源数。在I" < Iz 时， 微服务网关集群中的资源处于均衡状态， 构建电气主站设备状态监控模型如式（6）所示：                            

     （6）

式中， rM为微服务链在微服务M所需的资源； f· )为资源消耗的评估函数，用于量化资源使用对状态判定的影响。

该模型通过结合图像熵与系统资源消耗情况，实现了对电气主站设备运行状态的动态判定。其监控功能可拆分为状态监测、故障诊断、数据分析等功能：

（1）当=0时，主站处于设备正常运行的状态；

（2）当 =1时，主站设备处于故障运行状态；

（3）当 介于0~1之间时，主站设备处于运维阶段。

通过分析的状态，可实现运行状态监控的数据分析。在状态监测、故障诊断、数据分析等功能中，根据的变化，设置不同的时间戳、ID、来源、源协议、设备信息等元数据字段，在HTTP转WebSocket、WebSocket转MQTT、MQTT转HTTP的协议转换核心机制下，结合AOP拦截请求处理流程与ELK（Elasticsearch+Logstash+Kibana）技术栈，实现电气主站设备状态监控。

2   实验与分析

本次实验在同种规模变电站不同环境下，采集7000张红外图像数据，作为自动化电气主站设备状态监控测试数据，并通过监控可视化结果、P-R曲线，验证本文设计的基于微服务网关的自动化电气主站设备状态监控方法的有效性。

2.1   实验过程

实验搭建了一个简单的微服务集群， 分别在5台服务器上部署了4个微服务网关。服务器节点配置信息如表1所示。

表1 微服务群的服务器节点信息表

如表1所示，使用压力测试工具JMeter向搭建的微服务集群发送请求，每次请求数增加100，通过不同请求状态的主站设备状态监控情况，验证本文方法的运行情况。

2.2   实验结果

采用Visual Studio 2017编程环境，对变电站内电气设备巡检状态拍摄的红外图像进行监控。电气主站设备状态监控的可视化分析结果如图1所示。

图1  电气主站设备状态监控的可视化结果图

如图1所示，①为巡检监控的普通图像；②为巡检监控的红外图像。 a、b两个位置为异常状态，在红外图像中出现明显异常， 能够有效监控主站设备的异常状态。在此条件下，分析电气主站设备状态监控的P-R曲线，如图2所示。图中A为基于红外热像技术的自动化电气主站设备状态监控方法的P-R曲线结果；B为基于多源数据融合处理的自动化电气主站设备状态监控方法的P-R曲线结果；C为本文设计的基于微服务网关的自动化电气主站设备状态监控方法。

图2  电气主站设备状态监控的P-R曲线图

从图2中的曲线走势可以看出，本文方法在Precision与Recall之间取得了较好的平衡，两者数值均趋近于1.0，且曲线整体更靠近右上方，表明其在各阈值下均能保持较高的准确率与召回率。相比之下，方法A与方法B的P-R曲线均明显低于曲线C，尤其在Recall较高时Precision下降较快，说明二者在复杂场景下识别稳定性不足。本文方法依托微服务网关的动态路由与资源协调机制， 显著提升了状态监控的综合性能。

3   结束语

本文设计的基于微服务网关的自动化电气主站设备状态监控方法，通过微服务化架构与动态资源调度机制， 实现了设备状态的高效、准确识别。实验证明，该方法在Precision与Recall上均表现优异，克服了传统方法在复杂场景中稳定性不足的问题。未来可进一步结合边缘计算与自适应学习机制， 增强系统在多变工况下的鲁棒性，推动电气主站监控向智能化、平台化方向发展。

作者简介：

佘凌聪（1998-），男，工程师，硕士，现就职于广东电网有限责任公司广州供电局，研究方向为调度自动化。

万   静（1994-），女，工程师，硕士，现就职于广东电网有限责任公司广州供电局，研究方向为调度自动化。

赵   芳（1995-），女，工程师，硕士，现就职于广东电网有限责任公司广州供电局，研究方向为调度自动化。

参考文献：

[1] 鲁家俊, 俞航, 陈子睿. 基于RNN算法的变电站电力设备绝缘状态监测研究[J]. 自动化应用, 2025, 66 (22) : 15 - 17.

[2] 胡凯. 基于红外热像技术的发电厂高压电气设备绝缘状态实时监测[J]. 自动化应用, 2025, 66 (04) : 147 - 149.

[3] 米立. 基于多源数据融合处理的变电设备全景状态监控系统研究[J]. 科技资讯, 2024, 22 (20) : 100 - 102.

[4] 梁月放. 基于物联网嵌入式单片机的电气设备运行状态远程监控[J]. 廊坊师范学院学报(自然科学版), 2023, 23 (01) : 39 - 44.

[5] 韦文杰, 李仁芝. 基于机器视觉技术的电气设备状态监测系统设计与评估[J]. 造纸装备及材料, 2025, 54 (10) : 34 - 36.

摘自《自动化博览》2026年3月刊