1、 收稿日期：基金项目：国网科技项目（）第一作者：黄瑞，男，高级工程师，博士研究生，研究领域为计量技术。：通信作者：胡红利，教授，博士生导师。：基于 的智能量测设备操作系统虚拟化研究黄 瑞，肖 宇，曾伟杰，胡红利，叶 志，段羽洁（国网湖南省电力有限公司，湖南 长沙；智能电气量测与应用技术湖南省重点实验室，湖南 长沙；西安交通大学 电气工程学院，陕西 西安）摘要：嵌入式操作系统虚拟化技术因其标准化的开发流程和对跨平台的适应能力受到了广泛关注。作为一种轻量级虚拟化方式，具有资源利用率高，启动速度快，实时性好的特点，是嵌入式操作系统高效的虚拟化方案。文章介绍了 的原理，并与传统虚拟化技术进行了对比；以
2、智能电能表为例提出了其功能容器化的方案，在 容器中构造了基于二叉树支持向量机（）的电能质量扰动识别分类器，实现了 种电能质量扰动的识别，并且测试了其相对传统虚拟机的轻量级特性。为智能量测设备嵌入式操作系统虚拟化与其功能部署容器化提供了一种思路。关键词：智能量测设备；嵌入式操作系统；虚拟化中图分类号：文章编号：（）文献标识码：，（，；，；，）：，（），：；引言智能量测设备被广泛应用于采集终端，数字化仪表，工业自动化与电力系统状态监测设备中。目前技术依赖于国外成熟的操作系统和软件生态。该文以智能电能表应用为例，研究轻量级嵌入式操作 年第 期 工业仪表与自动化装置系统关键技术。国际法定计量组织制定的
3、 标准（以下简称）对电能表提出了计量部分与非计量部分相隔离，计量部分能够独立运行，非计量部分功能支持软件升级的要求。此外要求电能表具有参数保护，软件保护的功能。目前我国电能表在计量和管理部分并未达到隔离的要求，且各厂家电能表形式多样，电路软硬件各异，对批量化的管理、开发、维护和软件升级带来了挑战。是一种新兴的虚拟化技术，因其能够充分利用系统自身资源，具有启动速度快，占用空间小，实时性好，高并发，低延时的优势。可将智能电能表模块化的应用部署在分离的环境当中，实现电能表软硬件的分离和解耦，使得开发人员不再关注具体的硬件接口和电能表型式差异，实现“硬件平台化，软件 化”。文章介绍了虚拟化技术。在嵌入
4、式平台上完成了 的部署。软件设计方面构建了基于二叉树支持向量机的电能质量扰动分类器，在 环境中完成扰动识别，并与传统虚拟机对比验证 的轻量级特性。原理和优势 的基本原理 技术是一种基于 操作系统内核的虚拟化技术，利用扩展的（）方案实现一种轻量级的虚拟化解决方案。通过名称空间实现容器的虚拟化隔离，使得每个容器的运行环境相互隔离，并且由于 特殊的隔离方式，使得运行资源的开销较低，因而能够在同一操作系统上同时运行多个容器。简化了环境配置，让开发者将应用程序及其依赖的运行环境和配置文件一起打包，对于用户使用而言十分方便，达到建立镜像，在任何系统上都可以运行的效果。在软件开发和应用部署方面，容器技术因具
5、有标准化的打包模式，实现了高度的可移植性，能够在任何主流系统中开发、调试和运行，具有高度的灵活性，满足了碎片化场景的应用需求。与传统虚拟机的对比目前常见的虚拟化技术分为两种，一种是基于 的完全虚拟化，另一种是容器虚拟化。与 的架构对比如图 所示。中的各容器共享操作系统的资源，而每个容器都是独立的，有独立的网络、内存和文件系统。由于 占用资源少，使得在一个操作系统中可以运行数百个容器，具备了轻量快速的优势。从占用资源角度上考虑，虚拟机 占用大约 到 的物理资源，当有多个虚拟机在同一机器上运行时，资源开销会成倍增加。而 引擎占用的主机资源很少，几乎与裸机相同。图 架构与 架构对比 与智能量测设备的
6、结合智能量测设备现大多具备边缘计算能力，通过在物联网网关中植入单片机，并使用容器隔离技术来隔离不同应用的运行环境，边缘计算平台能够与云端进行交互控制使得边缘资源与云资源得到有机结合。为边缘计算平台的提供了一个很好的隔离方案，由于容器隔离的轻便性，使得边缘计算平台能够承担隔离所带来的资源消耗；并且 的部署也较虚拟机更为简单，为开发人员简化了很多操作。系统方案设计 嵌入式平台选取文中所采用的嵌入式型号为 ，如图 所示，该嵌入式配备了四核 ，内存，千兆以太网口，和 输出，同时配有蓝牙，双频 无线网络，等丰富的接口和外围器件可供扩展使用。具有体积小，计算资源丰富，可扩展型强的优点。采用 内核方便 环境
7、和嵌入式开发环境的搭建，同时 架构的精简指令执行速度快，功耗低，该设备可以满足作为电网中轻量级边缘计算节点的需要。工业仪表与自动化装置 年第 期图 硬件资源 镜像构建与编译将不含数据的电能质量检测程序放入应用服务的子目录中，在该目录下撰写，是构建 镜像时的说明和指令，使用 构建命令时会读取该文件中指令并执行。传统嵌入式开发可使用诸如 等工具直接进行从 到嵌入式应用的跨平台编译，则为开发人员提供了 插件，指令可指定目标平台架构进行编译。当跨平台编译时，需要安装必要的依赖库，使用交叉编译的 参数设置目标环境。可以在桌面 环境下编译 嵌入式应用。构建好镜像仓库，包含了电压电流数据存储，电能质量扰动识
8、别，环境，测试程序等 内置的应用镜像。容器镜像共享 官方提供了 以供推送，拉取和自动构建镜像。同时提供了用户认证的服务。开发人员可以使用私有或者公用仓库存储构建好的镜像。嵌入式开发人员可以通过将电能表应用部署在镜像中并向分布在电网的电能表推送更新。借助容器天然的隔离特性达到 标准中对于软件隔离的要求。各应用更新不会影响到其他容器中的应用。容器数据通信数据卷是存在一个或者多个容器中的目录，这个目录能够独立于联合文件系统的形式在宿主机中存在，数据卷可以挂载到容器中实现容器之间的数据的共享，且对数据卷中的数据操作不会影响到镜像本身。且数据卷的生命周期独立于容器的生命周期，即使删除容器，数据卷仍然存在
9、。电能表的 采集程序在容器中运行并将采集到的电压电流存储到数据卷中，通过挂载数据卷将电流电压数据传输到电能质量检测程序中进行识别。软件设计电能质量扰动识别采用提取待识别波形的特征集作为分类器的输入，分类器输出电能质量扰动波形标签的方法。为了满足实际工程对实时性与在线计算的要求，该文将提取上述波形的方差、平均幅值、能量、均方根、标准差、峰值系数、形状参数、裕度、峭度、峭度因子作为特征输入分类器，将 定义的七种基本电能质量扰动波形标签作为输出。常用的分类器有神经网络，支持向量机，决策树等，本文选取二叉树支持向量机做分类器。原理与核函数选取支持向量机是建立在统计学习理论基础上的一种数据挖掘方法，能非
10、常有效地处理回归问题和模式识别等问题，并可推广到预测和综合评价的问题，已经被用于电力负荷预测等领域。主要思想为：通过某种非线性映射将样本空间投影到高维特征空间，构造最优分类面，将不同样本依据其离分类面的距离进行分类。设样本集 （，），从样本空间映射到超平面定义：（）（）是决定超平面的方向的法向量，为位移系数，则样本空间中任意一点到超平面的距离可定义为：（）假设样本在超平面上被正确的二分类，则有：（），（）距离超平面最近的正反样本点到超平面距离之和为：。寻找划分最优超平面的问题可转化为满足（）约束的寻找最大距离和问题，同时寻求最大化间隔等价于寻求最小值，问题可写为：，（）（）对式（）引入拉格朗日
11、算子，将极值问题转化为对偶形式的最大化目标问题：（，）（）（）（）式中：（，）对 和 求偏导使其为，问题可写为：()（）年第 期 工业仪表与自动化装置式中：是样本映射到特征空间后的内积，特征空间维度可能很高，为了更好地解决高维空间内的运算，引入核函数的概念来代替内积计算，核函数表示为：（，）（）（）（）将（）代入（）：求解后核分类函数表示为：（）（，）（）式中：（）为符号函数，最后决策函数只由小部分支持向量决定，计算复杂与否取决于支持向量的数目，与样本空间维度无关，从而可以解决高维度的映射问题。且 的最优解是全局最优，避免了其他算法囿于局部极值点的问题。核函数的选择对 性能影响较大，该文选取式
12、（）的高斯径向基 核函数，能有效处理非线性分类问题。电能质量扰动模型建立随着电力电子技术在电力系统中的广泛应用，大量非线性，不平衡负载接入电网，对电力系统安全稳定运行产生了较大的危害。根据 标准，电能质量指在给定时间和给定位置的系统上表征电压和电流的各种电磁现象。文章在 环境下构建如表 所示的 种基本电能质量扰动模型。文章选取 种基本电能质量扰动：电压中断、谐波、冲激、振荡、暂降、暂升和电压波动进行识别，这些干扰的分类是建立在电压（或电流）的幅值或者均方根等特性相对标称值的变化上的。每种电能质量扰动信号的数学模型如表 所示。信号的采样率为 ，基波频率为工频，采样点数每种波形 个点合 个基波周期
13、，基波电压幅值采取归一化处理，（）为阶跃函数，右侧的参数说明对每种扰动的指标做出了一定规定。其中（）代表电压，是对数学模型参数的约束条件。每种波形各自随机生成 组共计 组波形数据。表 电能质量扰动数学模型信号数学模型参数说明中断（）（）（）（），谐波（）（）（）冲激（）（）（）（），振荡（）（）（）（）（），暂降（）（）（）（），暂升（）（）（）（），电压波动（）（）（），基于 的电能质量分类树构造使用 构建多分类任务一般采用组合多个 的方法。文章将采用多分类支持向量机的方法，实现算法有一对多（），和一对一（）两种。一对多在训练模型时先将一种样本分为一类，将其余所有样本分为另一类，然后依次逐级
14、二分，类样本需要 个。对 算法在 类样本中构造所有可能的分类器，任意样本在两类训练样本上训练，共构造（）分类器。前者分类所需训练样本数大，训练困难，后者分类器数目随着样本种类数增多而大量增加，文章综合 上述两种算法特点，设计具有二叉树结构的 进行扰动识别。结果验证 与传统虚拟机对比如图，为以 种不同的方式运行示例程序所用的时间。：运行示例程序：启动虚拟机 虚拟机内运行示例程序：环境下虚拟机运行示例程序：嵌入式运行示例程序：嵌入式的 环境中运行示例程序在个人电脑中运行示例程序的时间最快，因为个人电脑 运行速度最快，数据读写性能最强。电脑启动虚拟机后运行示例程序需要 ，表明虚拟机相对宿主机有一定的
15、性能损耗，虚拟机内运行工业仪表与自动化装置 年第 期同一程序比宿主机慢了 。嵌入式因其综合性能弱于，需要 执行时间。在嵌入式中部署 后，总运行时间为 ，相比嵌入式宿主机慢 ，性能损失远小于虚拟机的解决方案。图 容器与 虚拟机启动速度对比 扰动的识别结果分类样本为前文的 种扰动，随机选取如表 所示的样本数作为测试样本，其余作为训练样本。图 展示了电能质量扰动识别的输出到屏幕中结果。其识别结果即为表 所示内容，包括每种扰动对应分类的精确率、召回率、及样本数量。精确率是针对预测结果而言的，它表示的是预测结果中真正是该类的样本的占比；而召回率是针对原始样本而言的，它表示的是该类样本中被预测正确的占比；
16、是精确率和召回率的调和均值，是分类预测结果的综合评价指标。图 电能质量扰动识别结果 表 为采用支持二叉树向量机算法分类结果的混淆矩阵，以中断为例，个中断样本全部准确识别出来，对中断扰动的召回率高达，而其对于这一类别识别的精确率也达到了，仅有一例暂降样本被错误识别为了中断，此外对于谐波、冲击、振荡、暂降、暂升样本识别的精确率在 以上，而结果中错将 例振荡和 例暂升识别为电压波动，观察三者的数学模型可知其在平均幅值等特征值在时域上数值相似，文章为了满足实际工程的快速性需求未采取 等算法提取频域特征值，造成了具有相似时域特征扰动的误识别，因此暂升与振荡的召回率也相应较低。但算法的对其余几种扰动识别的精确率与召回率较高。电能质量扰动分类综合准确率为 ，每一类的 评价均表现良好，表明程序满足了电能表电能质量监测的一般需要。表 电能质量扰动分类测试样本分类评价扰动精确率 召回率 样本数量中断谐波冲激振荡暂降暂升电压波动注：识别结果的综合准确率为 表 电能质量扰动测试样本分类详情预测真实中断谐波冲激振荡暂降暂升电压波动中断谐波冲激振荡暂降暂升电压波动 总结文章介绍了虚拟化技术对智能量测设备软件隔离以
