云平台变电站电力仪表智能采集系统设计

摘要：针对自适应PID控制的智能采集系统在电力仪表图像采集中的应用，文章设计了一种基于自适应PID控制的电力仪表智能采集系统，该系统利用STM32控制六自由度机械臂，并通过ESP32-CAM进行图像采集并上传至云平台。采用模糊PID算法实现机械臂对电力仪表的精确对准，并通过云平台实现远程监控和数据分析。实验结果表明，该系统能够有效提高图像采集精度和效率，具有良好的应用前景。

关键词：智能采集系统；自适应PID控制；六自由度机械臂；PWM信号；图像采集；云平台

中图分类号：TP18 文献标识码：A

文章编号：1009-3044（2025）05-0087-04 开放科学（资源服务） 标识码（OSID） ：

0 引言

随着我国智能电网建设的快速推进，变电站数量和规模迅速扩大，传统的人工巡检方式难以满足日益增长的运维需求[1]。在这一背景下，电力仪表的高精度图像采集是智能运维的关键技术，可以实现实时监控与故障诊断，提升运维效率和精准度。但传统的静态图像采集方法受到人工操作、光照和视角误差等因素影响，难以在复杂环境中稳定高效地工作。因此，发展智能且稳定的图像采集技术对确保电力系统高效运行至关重要。

本研究提出了一种基于自适应PID控制的智能电力仪表图像采集系统，旨在提升室内联网环境下电力仪表监测的精度与效率。系统设计如下。

1） 在ESP32-CAM模块的支持下，系统实时采集视频流，并通过无线网络将视频上传至云平台。云端算法对视频流进行实时分析，以判断仪表图像是否处于可控视角范围内。

2） 若云端分析结果表明仪表图像未能完整捕获，系统利用基于STM32微控制器的模糊PID控制算法，动态调整机械臂的姿态，确保相机对准目标仪表。PID参数可根据环境光照、目标位置等条件自适应调节，从而优化对准精度。

3） 当目标仪表图像满足捕获要求时，系统触发抓拍，将高质量图像上传至云端存储，以供后续状态监测和数据分析。

本系统的创新之处在于结合实时视频流与云端智能分析，实现图像采集的智能化和自动化。通过模糊PID控制提升机械臂动作的精度与响应速度，解决传统图像采集效率低、误差大的问题。研究目标是验证该系统在电力仪表图像采集中的可靠性，重点评估其在复杂环境下的精度提升、响应速度优化及数据传输效率。

1 系统概述

智能采集系统主要由硬件设备、通信模块和云平台组成，实现电力仪表数据的实时采集和上传。STM32微控制器负责生成PWM信号，控制设备动作；ESP32-CAM模块负责图像采集，并通过Wi-Fi将数据上传云端。

在图像采集过程中，STM32 负责控制机械臂，ESP32-CAM负责图像采集和上传，以实现高效的数据采集与传输。STM32生成PWM信号，通过六自由度精确控制摄像头角度，确保采集目标区域的图像，并发送指令启动ESP32-CAM 的图像采集。ESP32-CAM模块则负责将采集到的图像通过Wi-Fi上传至云平台。STM32同时负责监测整个采集和传输过程，及时反馈异常，保障系统稳定运行。

在系统与云平台的连接上，ESP32-CAM通过Wi-Fi将采集的图像实时上传至云服务器，实现仪表图像的即时传输与存储。云平台接收数据后，提供远程监控和预警等服务功能。该架构实现了设备与云平台的无缝连接，同时提升了系统的响应速度和数据实时性，为智能运维提供了可靠的技术支撑。

2 关键技术

在云平台变电站电力仪表智能采集系统中，关键技术的实现离不开精确的信号控制、无线数据传输、云端数据管理。

在本系统中，PWM信号由STM32微控制器生成，通过配置 TIM3 定时器的自动重装载值 arr 和预分频系数 psc，生成不同频率和占空比的 PWM 信号，用于精确控制伺服电机的旋转角度 θ，从而实现对电力仪表拍摄角度的实时调整。PWM信号的频率 f 和占空比 D 是主要的可调参数，它们分别影响电机的响应速度和旋转角度。具体关系可以表示如下。

1） PWM信号的频率。

f =1／T

其中 T 是PWM信号的周期。PWM周期 T 的计算公式为：

T = （arr + 1） × （ psc + 1） ／fsys

为了更好地理解如何通过PWM信号精确控制伺服电机的旋转角度，利用STM32定时器的比较模式，通过TIM_ SetCompare2函数更新PWM的占空比[2]，实验中通过调整STM32微控制器的定时器（TIM3） 自动重装载值（arr） 和预分频系数（psc） 来实现不同频率和占空比的PWM输出。表1展示了不同频率下 arr 和 psc 的具体配置及其对应的输出结果。

实验表明，调整 arr 和 psc 值能够灵活设定 PWM的输出频率，为智能控制系统提供可靠的信号源。

2） 占空比与旋转角度的关系。占空比与旋转角度之间存在线性关系，通过调整PWM信号的占空比，可以精确控制伺服电机的旋转角度，具体结果如下。

3） 自适应PID算法校准图像采集。此外，系统通过引入PID控制算法，PID控制在工程中常被应用于二阶以内的线性系统中，在工业控制领域PID算法被广泛应用。在电机控制领域PID算法仍然是目前最有效的控制策略之一[3]，如图3所示为传统增量式PID 控制系统结构示意图。

同时，本文提出了一种基于模糊PID控制的六自由度机械臂控制算法。模糊PID控制结合了模糊控制与传统PID控制，通过输入误差及其变化率，并运用模糊规则对参数进行整定，从而实现系统的实时控制[4]。近年来，机器学习方法在机器人运动控制与操作规划中得到了广泛应用，尤其是循环神经网络（RNN） [5]和强化学习算法[6]。本文结合神经网络构建了自适应PID控制模型，通过实时调整PID参数，通过现场拍摄获取视频流，云端对拍摄角度进行分析与判断，计算出目标与实际角度之间的误差，并将校正指令发送给机械臂。机械臂根据这些指令调整关节角度和末端执行器的位置，从而实现动态校正，确保仪表刻度的精准对准并进行抓拍再传至数据库。采用这一控制策略后，机械臂能够在复杂环境中灵活调整，提升图像捕捉的准确性与稳定性。

通过多关节PID控制的协同作用，机械臂能够快速适应不同仪表的位置和角度变化，自动完成仪表图像的精准捕捉任务，为系统的智能化和自动化提供了可靠的技术支持，传统的PID控制算法计算公式为：

式中：Kp 表示比例增益，是调适参数；Ki 表示积分增益，也是调适参数；Kd 表示微分增益，也是调适参数；e 表示误差=设定值（SP） - 回授值（PV） ；t 表示目前时间。

在六自由度机械臂的控制中，精准的目标跟踪与误差校正是确保系统高效运行的关键。为了提高PID 控制器的自适应性，可以引入模糊逻辑来调节PID的增益。这是基于误差 e （t）和误差变化率 de（t） ／dt 来进行模糊规则推理，输出相应的PID增益调整值。

模糊规则设定如下：

1） 设定误差和误差变化的输入分别为 e（t）和 de（t） ／dt 。

2） 对这些输入变量进行模糊化，定义相应的隶属函数（如负大、负小、零、正小、正大） 。

3） 输出模糊变量分别为Kp， Ki， Kd的调整值。

具体模糊规则表格如下。

在模糊控制中，通过模糊规则和隶属函数将误差与误差变化率的实际值映射为模糊集，接着使用模糊推理机制根据规则生成PID增益的调整值。这个过程可以通过以下步骤实现。

1） 根据当前误差 e （t） 和误差变化率 de（t） ／dt ，计算它们在各自隶属函数中的隶属度值。即每个自由度的模糊控制器输出3个模糊变量 μKp， μKi和 μKd，分别表示比例增益 Kp、积分增益 Kp、和微分增益 Ki 的模糊调整值。这些模糊输出变量通过去模糊化步骤转换为具体的调整值 ΔKp，ΔKi，ΔKd。

具体到六自由度机械臂，假设当前针对第i 个关节进行控制（i ∈ {1，2，...，6}），其增益调整公式如下。

2） 根据输入变量的隶属度值和模糊规则，推理出每个PID增益（Kp、Ki、Kd） 的调整值。

3） 通过重心法的计算，得到具体的增益调整值ΔKp，i，ΔKi，i，ΔKd，i，将其直接应用于第 i 个关节的PID参数调整中。此时，第 i 个关节的PID增益被更新为：

Kpn，i = Kpo，i + ΔKp，i

Kin，i = Kio，i + ΔKi，i

Kdn，i = Kdo，i + ΔKd，i

通过有关计算，具体各个关节相较原来增益及空间分布如下。

3 应用实例与分析

在室内联网的情况下，系统通过实时视频流传输持续监控电力仪表的状态变化。相比静态图像采集，视频流能够提供更丰富的信息和动态反馈。ESP32-CAM模块将采集到的视频流通过Wi-Fi传输至本地处理单元或直接进行本地抓拍，而无须将视频流持续上传至云平台。系统能够在获取视频流的同时，在较短时间内进行抓拍，并在抓拍完成后将图像数据传输至云端。

在云端，借助训练好的模型，对上传的图像进行处理与分析，自动完成电力仪表读数的识别。这种方式确保了数据的实时性与高效性，同时减少了视频流的带宽消耗，提高了整体系统的处理效率。

视频流的抓拍与处理得益于精确的PID控制系统和自适应算法。系统通过PID控制调整机械臂的角度和位置，确保摄像头始终对准目标仪表区域，并稳定地进行图像抓拍。抓拍完成后，图像数据被传输至云端，云平台接收并分析图像，进行关键帧处理与分析，优化数据传输效率，减少带宽消耗，从而提升系统的数据处理能力。

视频流采集不仅提升了数据采集的准确性，也拓展了系统的应用范围。通过实时的视频流监控，系统能够捕捉仪表快速变化过程中的细节，及时检测出可能的异常情况。这种高效的视频流分析与处理能力，使得系统在电力仪表的远程监控、智能化分析和故障检测等方面具备了更高的灵活性和准确性，为电力行业的智能运维提供了强有力的技术支持。

4 结论

通过引入自适应PID控制算法和模糊逻辑调节机制，本系统有效提升了六自由度机械臂在电力仪表图像采集过程中的精度与稳定性。系统通过PWM信号控制伺服电机的角度，并结合实时误差反馈调整PID增益，确保机械臂能够在动态环境下准确对准仪表刻度。借助模糊PID控制，系统能够根据实际误差和变化率自适应调整PID参数，从而优化控制性能，应对复杂的工作条件。

此外，视频流的实时采集与上传大大提高了电力仪表监测的效率，确保了系统的实时性与精确性。视频数据通过Wi-Fi传输至云平台，实现对电力仪表状态的远程监控与分析。该智能采集系统不仅提升了图像采集精度，还增强了数据处理能力与系统响应速度，为电力行业的智能运维和故障检测提供了更加可靠的技术支持。

本智能采集系统不仅提升了图像采集精度，还增强了数据处理能力与响应速度，极大地优化了电力行业的智能运维与故障检测功能，具有广阔的应用前景。未来，随着人工智能与机器学习技术的进一步融入，系统有望实现更高层次的自动化与智能化，推动电力行业的数字化转型。

参考文献：

[1] 李奕炜，骆立实，赵波，等.基于YOLO v8算法的变电站视频监控多目标智能跟踪技术[J].电信科学，2024（11）：1-9.

[2] 姚强，孙勤良.基于STM32的LED台灯照度控制系统设计[J].电子制作，2022，30（18）：76-78，82.

[3] ADHAVAN B，KUPPUSWAMY A，JAYABASKARAN G，et al.Field oriented control of Permanent Magnet Synchronous Motor（PMSM） using fuzzy logic controller[C]//2011 IEEE Recent Ad⁃vances in Intelligent Computational Systems.September 22-24，2011，Trivandrum，India.IEEE，2011：587-592.

[4] 王如仓.基于BP神经网络和模糊PID的风机转速自适应控制[J].矿山机械，2024，52（10）：50-56.

[5] YAO S L，TANG R J，BAI L，et al.An RNN-LSTM enhancedcompact and affordable micro force sensing system for interven⁃tional continuum robots with interchangeable end-effector in⁃struments[J].IEEE Transactions on Instrumentation and Mea⁃surement，2023，72：4008711.

[6] GRAULE M A，MCCARTHY T P，TEEPLE C B，et al.SoMoGym：a toolkit for developing and evaluating controllers and reinforce⁃ment learning algorithms for soft robots[J].IEEE Robotics andAutomation Letters，2022，7（2）：4071-4078.

【通联编辑：梁书】

基金项目：黑龙江大学生创新创业训练计划省级一般项目（S202410222070）