图1 eRFID在线感知标签系统组成
Fig.1 eRFID smart tag system overall diagram
摘要 传统电力设备上的射频识别（RFID）标签只做标识使用，缺少感知及多维数据交互能力。该文面对各类电力资产分布分散、亟需在线感知的需求，基于物联网技术，设计了一款具备感知及数据交互能力的eRFID标签。该eRFID标签不但可以实现电力资产全寿命周期智能管理，还可以对其温度、湿度、振动等参数进行有效监测，实现标识、感知一体化。eRFID在线感知标签通过915MHz超高频双界面RFID芯片实现了控制部分和射频部分的桥接以及设备ID与其运行参量的耦合，进而可对eRFID在线感知标签各感知模块进行无线主动控制。标签对振动信号进行监听，通过振动异常唤醒标签进行设备角度姿态解算，采用北斗定位及带有蓝牙的低功耗微控制单元（MCU）实现电力设备室内外全方位定位，并在标签内实现阈值告警、实时定位与信息推送，防止设备破坏和被盗。标签同时内置大容量存储器，以存储资产完备信息、图纸等资料，建立微数据库，实现基于信息定义的网架拓扑识别，为电力物联网的建设提供有效支撑。
关键词：双界面RFID 物联网 低功耗 室内定位算法 电力资产管理
目前电力系统中广泛使用射频识别（Radio Frequency Identification, RFID）来实现电力资产管理[1-2]，但所使用的RFID标签是被动的、离线的[3]，需要通过加装读写器或手持机来读取和写入相关数据。并且由于RFID标签存储区容量小，无法存储电力资产生产、运输、仓储、运维等相关过程的完备信息[4]，因此RFID标签只能作为设备标识（实物“ID”）使用[5]，并未建立与设备运行状态的有效联系。同时，目前RFID标签大都未考虑现场的多金属环境和电磁干扰对其信号的影响[6]，识读距离较短。因此，针对电力资产分布分散、运行环境复杂、工况多变等特点，采用抗金属RFID技术，结合窄带物联网（Narrow Band Internet of Things, NB-IoT）、蓝牙低能耗（Bluetooth Low Energy, BLE）等物联网技术和智能感知技术，设计一款在线RFID感知标签，以实时采集、监控设备运行状态，对设备的全寿命周期管理，保证其可靠运行具有重要意义。
同时，低功耗设计是物联网应用设计的关键技术[7-8]。目前国内外对物联网应用的低功耗设计做了大量研究工作，多采用BLE蓝牙作为主控芯片。在系统处于休眠模式时，BLE处于低功耗的广播模式等待唤醒[9-10]。但是当设备长时间持续运行时，广播模式的功耗对系统整体功耗有着重要影响。如何实现整体系统的低功耗是一个难点。随着各类智能设备的普及，基于BLE的室内定位技术成为研究的热点[11-12]，但是目前都处于理论研究阶段，由于算法的复杂性[13]，其无法实际应用到低功耗设计中。
本设计采用915MHz超高频双界面RFID芯片，该芯片通过IIC接口实现与微控制单元（Micro Controller Unit, MCU）的连接，建立了射频和控制电路的桥接，通过射频实现对MCU唤醒，从而实现了对eRFID标签各传感器模块的主动控制，使整个系统设计达到了超低功耗。本设计不但可以实现电力设备资产规划设计、采购建设、设备运维、退役报废等资产全寿命周期管理和监控，还可以感知电力设备的温度、湿度、振动等参数，保证其可靠运行，并基于北斗定位和一种适用于低功耗MCU的BLE室内定位算法，实现了电力设备户外和室内的全方位定位。同时，标签内置大容量存储单元，可用于存储电力资产完备的信息、图纸等资料，建立边缘微数据库，不仅方便运行人员日常维护，实现前后台数据的统一和纠错，也利于极端条件下的灾备设计，同时可实现基于资产信息的网架拓扑结构识别，为泛在电力物联网的建设提供有力支撑。
eRFID在线感知标签系统架构如图1所示。标签供电单元根据不同天气状况和室内外应用情况，采用光伏板和充电电池切换配合的供电解决方案，可以实现eRFID在线感知标签持续可靠运行。系统采用双界面RFID模块实现主控芯片和RFID芯片的桥接。运行人员日常巡检时，通过手持终端不仅读取RFID标签USER区域内的设备异常数据，也可以通过射频方式写入不同的指令实现与标签系统的交互，完成对各传感器模块的主动控制及感知参量的实时采集和上报。标签通过搭载NB-IoT模组，结合广域无线传输功能，使在线感知标签除了具备传统标签的资产编码能力外，还具备实时在线和远程升级能力，从而实现资产的在线管理。同时，eRFID标签还集成了温度、湿度、三轴加速度等传感器模块，实现了电力设备多参量感知。当参数异常时，eRFID标签将异常数据上报并写入到RFID的USER区域中。此外，结合内置的北斗定位模块及室内BLE定位技术，eRFID标签实现了电力资产的全方位定位。运行人员可以通过WEB平台软件远程监测资产状态，实现电力设备-人员，电力设备-环境的全方位互联感知。基于eRFID标签内置的大容量存储单元，可存储电力资产完备图纸资料，建立边缘微数据库，实现前后台数据的统一、纠错及网架拓扑结构的识别。
图1 eRFID在线感知标签系统组成
Fig.1 eRFID smart tag system overall diagram
供电单元采用8cm2的自清洁纳米膜太阳能电池板和可充电的电池组[14-15]，采用充电管理芯片ADP5091实现电池组的高效率充放电管理。ADP5091原理如图2所示。
图2 ADP5091原理
Fig.2 Schematic diagram of ADP5091
ADP5091带有MPPT最大功率跟踪器[16]，可实现光伏系统的电压及电流监测，以获取光伏系统的最大功率。调节器的启动电压仅需要380mV。当芯片冷启动后，调节器便可在80mV~3.3V的输入电压范围内正常工作，并可以通过编程在低光照条件下实现升压关断[17]。
为了精确测量电池组电量，采用MAX17205芯片。芯片采用ModelGauge m5算法，具有温度实时在线补偿和自校准功能，并可对剩余工作时间和完成充电时间进行估算。通过对多节串联电池完成测量，实现电池电量的主动均衡功能[18-19]，以延长电池组使用寿命。
主控芯片采用NORDIC公司的nRF52840低功耗蓝牙BLE5.0芯片。nRF52840采用ARM Cortex-M4内核，具有超低功耗（在0dBm情况下的峰值电流仅为4.8mA），带有独立的浮点运算单元，具有强大的数据处理能力。具有1M Flash和64kB RAM，主频可达64MHz。nRF52840具有丰富的外设资源，带有2路IIC（inter-integrated circuit）总线和2路通用异步收发传输器（Universal Asynchronous Receiver/ Transmitter, UART）接口。nRF52840通过IIC接口与三轴加速度芯片ADXL345连接，进行ADXL345芯片的中断阈值配置并读取三轴加速度完成设备姿态解算。同时，ADXL345的中断引脚作为nRF52840的唤醒引脚。nRF52840通过UART接口驱动BDS模块完成在线感知标签室外定位。针对nRF52840较强的浮点运算能力，可以在其上运行BLE室内定位算法。当电力设备正常运行时，nRF52840每24h读取温湿度、位置等各个传感器参数，并通过UART接口驱动NB-IoT模组上报标签数据。
RFID模块采用NXP的SL3S4011芯片，支持UHF EPCglobal Generation-2射频标准协议和一个独立的IIC通信接口。通过IIC接口，MCU可以完成对RFID芯片的访问、读写配置命令数据和运行数据等功能，实现射频系统和控制系统的桥接，从而实现了通过手持终端就地唤醒在线感知标签的功能。eRFID在线感知标签出厂时，通过RFID阅读器初始化RFID芯片的通信中断标志位（该通信中断标志位位于特殊配置寄存器中）为1，开启IIC接口的SCL引脚中断。当运维人员通过手持终端向RFID芯片的数据缓冲区寄存器写入相应功能指令数据时，SCL引脚电平会跳转为低电平，可生成一个RF通信中断指示信号，信号电平持续时间不少于210μs，SCL引脚读写中断时序图如图3所示。nRF52840接收到中断信号后被唤醒，并通过IIC接口将写入的功能指令数据读出，采用解密算法对数据进行解密后，根据在线感知标签内置的命令解析程序，唤醒相应的传感器模块，完成对各个模块的主动控制。
图3 SCL引脚读写中断时序
Fig.3 SCL read-write interrupt signalling
eRFID整体算法流程如图4所示。电力资产运行正常，即无异常振动触发时，eRFID标签MCU和振动模块运行在低功耗睡眠模式，其他各模块均处于掉电状态，eRFID标签每间隔2min自动唤醒，标签唤醒后首先进行各个传感器模块的故障检测，完成自检。自检不通过时，立即上报故障数据，通知运维人员完成更换。自检正常时，eRFID标签采集温度、湿度、电量等各感知参量。若采集参量异常，将带有时间戳的异常参数写入RFID模块的USER区域中，并根据超限程度调整采集时间和决策是否上报及上报间隔时间。
图4 eRFID整体算法流程
Fig.4 Flow chart of eRFID overall algorithm
设备位于户外时，eRFID标签驱动BDS模块获取位置信息，位于户内时，调用BLE高精度定位算法完成货架位置计算。eRFID标签通过NB-IoT模块上报各参量、设备ID和时间戳，并通过NB-IoT通信完成eRFID标签时间同步，以保证eRFID标签时间戳的准确性。由于位置计算和NB-IoT上行的功耗较大，在设备无异常情况下，每间隔24h定位一次，并通过NB-IoT上报此时间段内所有异常数据。电力运维人员也可以通过WEB平台利用NB-IoT远程唤醒设备，并通过发送不同的指令，控制eRFID标签完成单个或多个传感器数据采集和上报。当运行人员日常巡检时，可以通过手持机读取RFID模块USER区域内的异常数据进行分析，也可通过相应的指令交互，主动控制eRFID标签各传感器模块完成数据采集和上报。此外，eRFID标签内嵌蓝牙文件系统，在设备抢修时，可以通过BLE读取存储在eRFID标签内的设备图纸等数据。
本设计采用ADXL345三轴加速计检测设备姿态和倾角[20]，若倾角超过预设阈值触发告警，同时启动北斗定位模块并连续上报坐标位置，实现资产的追踪。由于现场设备存在一定振动和机械噪声，因此需要进行滤波处理。Kalman滤波是一种基于状态空间法的满足线性方均误差最小的系统状态的最优估计，可以有效地降低噪声对系统的影响，由于其内存占用量小、计算速度较快，在工程应用中得到了广泛应用。MCU采集到加速度后，经卡尔曼滤波后计算得出精确的角度[21]。安装时将标签紧贴于设备表面，当设备的倾角发生变化时，ADXL345的三个敏感轴的加速度值发生变化，从而根据加速度计算得到各轴的倾角，倾角超过设定阈值时，认为设备被移动，触发报警，并开启BDS模块，实时上报设备位置。各轴倾角与加速度值的关系为
（1）式中，α1、β1、θ1分别为各轴与水平方向的夹角。
本系统的卡尔曼方程为
式中，A为状态转移矩阵，由于标签的加速度跟前一时刻的加速度相同，所以A=1；u(k)是k时刻对系统的控制量，系统没有控制量，u(k)=0；H为观测矩阵，由于ADXL345直接测量加速度值，所以H=1。利用Matlab 建立本文设计的卡尔曼滤波器仿真模型，通过调整过程噪方差Q和测量噪声方差R调整模型预测值与测量值的权值，当Q=1×10-6和R=4×10-4时，达到理想的滤波效果，滤波前后波形对比如图5所示。
图5 卡尔曼滤波效果对比
Fig.5 Kalman filter effect comparison chart
由于目前定位算法复杂，一般定位设备采用高性能CPU，导致设备功耗高，不能长寿命运行或采用POE等有线方式供电，带来现场施工不便。针对MCU运算能力和整机功耗的限制，本文设计了一种加权四边距定位算法。蓝牙测距RSSI分布衰减模型为[22]
（3）式中，RSSI为距离d时的蓝牙信号强度，单位为dBm；P0为距离d0时的蓝牙信号强度；d为实际测试距离；d0为参考距离，一般取值为1m；
为均值为0的正态分布的随机误差变量；n为路径损耗指数，与环境、障碍物有关。在实际测量中，常忽略误差变量，上述测距模型可进一步简化为[23]
（4）
根据经验，n的取值范围一般为2～4。为了消除RSSI信号的波动问题，本设计采用均值滤波，每一个节点采集的多组信号经均值滤波后，作为蓝牙测距模型的输入数据，经拟合之后求得n为2.374，最终确定测距公式，各节点多组信号测量值及测距模型拟合曲线如图6所示。
图6 RSSI分布与距离关系
Fig.6 RSSI-dsitance chart
图7为四边测距定位算法原理采用四个锚节点A、B、C、D对待测节点E进行定位，每次任意取其中三个锚节点，运用三边质心算法便可对待测节点完成一次坐标估计。同理，可得到4个三角形的坐标估计E1(xE1, yE1), E2(xE2, yE2), E3(xE3, yE3), E4(xE4, yE4)，其中，E1(xE1, yE1)为通过A, B, C点得到E点的坐标估计；E2(xE2, yE2)为通过A, B, D点得到E点的坐标估计；E3(xE3, yE3)为通过A, C, D点得到E点的坐标估计；E4(xE4, yE4)为通过B, C, D点得到E点的坐标估计。对其求质心，即可得质心节点E的坐标为
（5）
图7 四边测距原理
Fig.7 Schematic chart of Quadrilateral distance measurement
由于在RSSI测距模型中，距离参考节点越近，测距精度越高，为进一步提高定位精度，本设计采用加权四边距算法，即在每组定位坐标中引入加权值。加权值为参与定位的待测节点到锚节点的距离和的倒数。假设参与定位的锚节点为A(x1, y1), B(x2, y2), C(x3, y3), D(x4, y4)，待测节点为E(x5, y5)，则通过加权质心算法可得到E的坐标为
（6）式中，rA、rB、rC、rD为待测节点E到各锚节点的距离。
电网场景为典型的多金属环境。由于eRFID电子标签安装于电力设备表面，而射频信号遇到金属表面会发生反射，反射信号和入射信号之间存在的相位差会严重衰减射频信号的强度，导致标签识读距离显著降低[24-25]。同时，电力现场存在大量电磁干扰，有必要对RFID标签进行抗金属设计。本设计的RFID抗金属标签采用微带天线结构如图8所示，微带天线将金属表面作为其天线的接地平面，从而达到抗金属的效果。采用短路短截线馈电结构，即标签芯片的辐射引脚与天线的辐射面相连，标签芯片的接地引脚通过一段短路短截线与天线的地相连。
图8 RFID微带天线结构
Fig.8 The structure of RFID microstrip antenna
RFID信号测试系统如图9所示。通过RFID信号测试系统采集到的RFID抗金属标签反向信号如图10所示。根据读写器解调RFID抗金属标签反向信号的I、Q两路射频正交信号，并提取其包络值，求其二次方和可以得到反向功率值Pr，然后基于远场球面波模型的射频传输公式可得RFID抗金属标签理论识读距离R为[26]
（7）式中，Gt为天线增益；Gr为读写器增益；λ为读写器发射的电磁波波长；Pt为读写器发射功率。
图9 RFID信号测试系统
Fig.9 RFID signal test system
图10 RFID反向信号
Fig.10 RFID reverse signaling
eRFID智能感知标签在具有传统RFID标签所有功能的基础上，融合了存储、感知、定位、通信、报警、升级功能，较传统RFID具备更强的性能，eRFID和RFID详细性能对比见表1。本节将对eRFID智能感知标签的功耗、定位、识读距离、报警功能进行详细测试。
表1 eRFID和RFID性能对比表
Tab.1 The comparison table of eRFID and RFID perforzance
类型eRFIDRFID 存储容量8GB0~128B 识别距离/m0 ~80~6 网络功能GPRS/NB-IoT无 通信模式GPRS/NB-IoT/RFIDRFID 定位北斗/GPS/BLE无 智能感知位移、温度、湿度、振动无 报警监控在线实时反馈无 远程升级FOTA无
为了精确捕获mA级到mA级动态变化的电流特征，采用Keysight高精度电流波形分析仪N6705C，各模块功耗测试平台如图11所示。测量各模块24H周期内的电流，测得各个模块的功耗特征见表2。由表1可知eRFID电子标签的平均功耗约为217.8mW。
图11 各模块功耗测试平台
Fig.11 Power consumption test platform for each module
表2 eRFID各模块功耗特征值
Tab.2 Power consumption characteristic values of each module of eRFID
模块功耗特征 Imax/mWImin /mW连续工作时间T/sIavg/mW MCU13.34.95116.5 BLE16.50266 加速度0.016 51.650.616.5 温湿度1.980.660.56.6 RFID0.1320113.2 NB-IoT7269.9233 BDS148.50266
电力仓库内蓝牙节点的安装需要综合考虑性能和成本。大量部署蓝牙节点势必会增加成本，且各节点会有互相干扰，节点过少，仓库区域将会存在盲区。根据仓库现场存在货架遮挡信号的情况，经过预测量，确定蓝牙定位节点间隔的最佳距离为8ｍ，定位节点安装在距离地面3m的天花板上，且仓库边缘定位节点不能贴近墙壁。蓝牙节点布置示意图如图12所示，节点1~节点4为电力仓库部分区域布置的蓝牙节点。
图12 电力仓库部分区域蓝牙节点布置图
Fig.12 Bluetooth node layout of the area of the power warehouse
对货架上的位于不同位置、不同层数的eRFID标签进行多组测量，记录各个eRFID标签的平均误差值作为该被测物的定位误差值，将上述整个区域内所有测试点的定位误差值的平均值作为该区域蓝牙定位误差值。由图13可知，eRFID标签的定位误差主要分布在[0,1]之间，系统区域定位误差小于4m，平均定位误差小于1.38m。
图13 蓝牙定位算法的定位效果和误差分析图
Fig.13 Positioning results and error analysis diagram of Bluetooth positioning algorithm
采用Tagformance标签性能综合测试仪对抗金属标签进行灵敏度测试，增益步进为0.5dBm，可以得到抗金属标签的灵敏度曲线如图14所示。由图14可以看到，抗金属标签灵敏度曲线基本一致，在860M~960MHz频段内灵敏度可达-14dBm。
图14 RFID抗金属标签灵敏度曲线
Fig.14 RFID anti-metal tag sensitivity curve
识读距离测试结果如图15所示，由图可知RFID标签的识读距离可达8m。
图15 RFID抗金属标签识读曲线
Fig.15 RFID anti-metal tag read distance curve
模拟现场人员对eRFID电子标签从各个角度进行读取，对eRFID电子标签进行了方向性能测试，步进角度为10°，测试结果如图16所示，可以看到抗金属RFID标签各方向上性能良好。
图16 RFID抗金属标签灵敏度方向图
Fig.16 Sensitivity of RFID anti-metal tag in all directions
为了对eRFID智能感知标签进行报警测试，随机选取5套eRFID智能感知标签置于DFS-ZH2007温度、湿度综合试验箱中以模拟实际环境，配置eRFID智能感知标签的温度、湿度报警上限值分别为50°和85%，通过WEB软件监控eRFID智能感知标签的报警情况如图17和图18所示，测试结果表明eRFID智能感知标签报警功能正常。
图17 温度报警测试结果
Fig.17 Results of the temperature alarm test
图18 湿度报警测试结果
Fig.18 Results of the humidity alarm test
针对东北低负荷密度地区电力变压器存在被盗风险，造成电力资产损失的情况，在吉林白城地区进行eRFID在线感知标签的试点应用。标签现场部署情况如图19所示。将标签安装在距地面3~6m的电力变压器壳体表面，进行变压器的姿态监测及定位，同时通过温度传感器进行表压器表面温度监测，监测其运行状态，实现配电变压器状态的实时监控。
图19 eRFID标签电力变压器现场部署图
Fig.19 eRFID tag for power transformer field installation diagram
为了方便eRFID在线感知标签数据的展示、分析及管理，配套开发了基于感知标签的电力资产物联网系统WEB监控平台。平台可对eRFID在线感知标签感知的大数据进行处理和分析，如图20所示。基于资产地图、数据曲线展示等功能，平台可以实时监控变压器等设备的温度、湿度、振动等参数，并可显示资产位置和移动轨迹。当设备参数和位置异常时，平台滚动告警，提示运行人员进行处理。同时，通过本平台可以对eRFID在线感知标签完成固件管理、远程升级和图样更新等功能。此外，平台支持对各类资产从出厂到报废各个时期的完备信息进行记录，以实现基于在线感知标签的物资全寿命周期管理。
图20 感知数据监控平台
Fig.20 Perceptual data monitoring platform
本文设计了一种eRFID在线感知标签， eRFID在线感知标签基于射频识别、北斗定位、多维传感及安全连接等先进技术，实现电力资产在线物联。基于电力资产多维感知技术，通过标识、定位、振动等多参量传感器，可在标签内部实现感传一体，实现电力资产全寿命周期的身份编码与状态感知有机结合；通过资产设备标签内部的大容量存储，实现设备信息边缘侧存储，并结合设备地理位置信息在线监测，实现网架结构的在线展示，支撑智慧供应链及泛在电力物联网建设。
采用双界面RFID，可以实现电力设备ID和其运行参量的耦合，通过RFID中断唤醒MCU，可以降低系统整机功耗，整机系统平均功耗可以低至66mA。RFID标签采用抗金属设计，通过测试在电力现场环境下灵敏度为-14dBm，识读距离为8m，可以达到远距离识读要求。
结合BDS和BLE室内定位算法可以实现电力设备室内外全方位定位，加权四边测距定位算法适用于低功耗MCU，此定位算法在电力仓库实际定位精度可达1.38m。
下一步将突破复杂电磁与气象环境下可靠防护、微源取能、干扰抑制等关键技术，完成核心器件的MEMS设计，以实现营配贯通、电缆监测、交互巡检、远程盘点、智能仓储等多场景大规模应用。
参考文献
[1] 刘晟源, 林振智, 李金城, 等. 电力系统态势感知技术研究综述与展望[J]. 电力系统自动化, 2020, 44(3): 229-239. Liu Shengyuan, Lin Zhenzhi, Li Jincheng, et al. Review and prospect of situation awareness technologies of power system[J]. Automation of Electric Power Systems, 2020, 44(3): 229-239.
[2] 张涛, 赵东艳, 薛峰, 等. 电力系统智能终端信息安全防护技术研究框架[J]. 电力系统自动化, 2019, 43(19): 1-8, 67. Zhang Tao, Zhao Dongyan, Xue Feng, et al. Research framework of cyber-security protection technologies for smart terminals in power system[J]. Automation of Electric Power Systems, 2019, 43(19): 1-8, 67.
[3] 宋欢. 电力调度自动化系统中RFID接入技术及应用[D]. 北京: 北京邮电大学, 2018.
[4] 吴欣, 高正浩, 陈俣霏, 等. 基于RFID与三维可视化技术的固定资产管理系统设计[J]. 电子设计工程, 2018, 26(18): 107-112. Wu Xin, Gao Zhenghao, Chen Yufei, et al. Design of asset management system based on RFID and 3D visualization technology[J]. Electronic Design Engineering, 2018, 26(18): 107-112.
[5] 赵永柱, 任晓龙, 房涛. 基于物联网RFID技术的电网资产精益化管理研究[J]. 自动化与仪器仪表, 2018(3): 7-9. Zhao Yongzhu, Ren Xiaolong, Fang Tao. Research on lean management of grid assets based on internet of things RFID technology[J]. Automation & Instrumentation, 2018(3): 7-9.
[6] 邓伟, 杜国宏, 周芹, 等. 基于改进型共面波导UHF RFID小型化抗金属标签设计[J]. 成都信息工程大学学报, 2019, 34(3): 219-222. Deng Wei, Du Guohong, Zhou Qin, et al. Design of improved coplanar waveguide for UHF RFID miniaturized maaetal skin tag[J]. Journal of Chengdu University of Information Technology, 2019, 34(3): 219-222.
[7] 李勇, 黄庆林, 谷璐璐, 等. 一种双电压合成信号脉宽调制的低功耗高速电磁铁驱动电路[J]. 电工技术学报, 2019, 34(2): 255-263. Li Yong, Huang Qinglin, Gu Lulu, et al. A high-speed solenoid drive circuit with low power consumption based on pulse width modulation by dual voltage synthesized[J]. Transactions of China Electrotechnical Society, 2019, 34(2): 255-263.
[8] 姚引娣, 王磊, 海小娟, 等. 基于农业物联网的低功耗智能温室监控系统[J]. 西安邮电大学学报, 2019, 24(2): 78-83. Yao Yidi, Wang Lei, Hai Xiaojuan, et al. Low power intelligent greenhouse monitoring system based on agricultural internet of things[J]. Journal of Xi’an University of Posts and Telecommunications, 2019, 24(2): 78-83.
[9] 何号. 连接式低功耗BLE Mesh组网研究与设计[D]. 武汉: 华中科技大学, 2019.
[10] 谭晖. 低功耗蓝牙开发与实战[M]. 北京: 北京航空航天大学出版社, 2015.
[11] Huang Baichuan, Liu Jingbin, Sun Wei, et al. A robust indoor positioning method based on Bluetooth low energy with separate channel information[J]. Sensors, 2019, 19(16):83-86.
[12] 康明涛, 张峰, 梁源, 等. 基于数据挖掘BLE指纹室内定位设计与实现[J]. 自动化与仪表, 2019, 34(4): 95-99. Kang Mingtao, Zhang Feng, Liang Yuan, et al. Design and implementation of BLE fringerprint indoor position based on data mining[J]. Automation & Instrumentation, 2019, 34(4): 95-99.
[13] 黄正宇, 蒋鑫龙, 刘军发, 等. 基于融合特征的半监督流形约束定位方法[J]. 浙江大学学报: 工学版, 2017, 51(4): 655-662. Huang Zhengyu, Jiang Xinlong, Liu Junfa, et al. Fusion feature based semi-supervised manifold localization method[J]. Journal of Zhejiang University: Engineering Science, 2017, 51(4): 655-662.
[14] 侯欣宾, 王立, 李庆民, 等. 空间太阳能电站高压大功率电力传输关键技术综述[J]. 电工技术学报, 2018, 33(14): 3385-3395. Hou Xinbin, Wang Li, Li Qingmin, et al. Review of key technologies for high-voltage and high-power transmission in space solar power station[J]. Transactions of China Electrotechnical Society, 2018, 33(14): 3385-3395.
[15] Hwa-Young Yang, Sang Hun Lee, Hyung-Mo Kim, et al. Plasmonic and charging effects in dye-sensitized solar cells with Au nanoparticles incorporated into the channels of freestanding TiO2 nanotube arrays by an electrode position method[J]. Journal of Industrial and Engineering Chemistry, 2019, 31(11): 215-218.
[16] 商立群, 朱伟伟. 基于全局学习自适应细菌觅食算法的光伏系统全局最大功率点跟踪方法[J]. 电工技术学报, 2019, 34(12): 2606-2614. Shang Liqun, Zhu Weiwei. Photovoltaic system global maximum power point tracking method based on the global learning adaptive bacteria foraging algorithm[J]. Transactions of China Electrotechnical Society, 2019, 34(12): 2606-2614.
[17] 倪雨, 郝帅翔. 阻增量光伏动态模型研究[J]. 电机与控制学报, 2014, 18(6): 96-101. Ni Yu, Hao Shuaixiang. Study of solar dynamic model based on resistance increment[J]. Electric Machines and Control, 2014, 18(6): 96-101.
[18] 颜湘武, 邓浩然, 郭琪, 等. 基于自适应无迹卡尔曼滤波的动力电池健康状态检测及梯次利用研究[J]. 电工技术学报, 2019, 34(18): 3937-3948. Yan Xiangwu, Deng Haoran, Guo Qi, et al. Study on the state of health detection of power batteries based on adaptive unscented Kalman filters and the battery echelon utilization[J]. Transactions of China Electrotechnical Society, 2019, 34(18): 3937-3948.
[19] 范兴明, 王超, 张鑫, 等. 基于增量学习相关向量机的锂离子电池SOC预测方法[J]. 电工技术学报, 2019, 34(13): 2700-2708. Fan Xingming, Wang Chao, Zhang Xin, et al. A prediction method of Li-ion batteries SOC based on incremental learning relevance vector machine[J]. Transactions of China Electrotechnical Society, 2019, 34(13): 2700-2708.
[20] 刘艳霞, 方建军, 石岗. 基于改进极限学习机的三轴加速度计误差补偿算法[J]. 传感器与微系统, 2019, 38(7): 138-141. Liu Yanxia, Fang Jianjun, Shi Gang. Three-axis accelerometer error compensation algorithm based on improved extreme learning machine[J]. Transducer and Microsystem Technologies, 2019, 38(7): 138-141.
[21] Johnny Rodriguez-Maldonado. Estimation of angular velocity and acceleration with Kalman filter, based on position measurement only[J]. Measurement, 2019, 145: 130-136.
[22] 胡思健. 基于蓝牙低功耗的室内定位算法改进与系统实现研究[D]. 广州: 华南理工大学, 2017.
[23] 刘振远. 基于蓝牙信标和智能手机的室内位置服务关键技术研究[D]. 北京: 北京交通大学, 2018.
[24] 代孝俊, 杜国宏, 邓伟, 等. 用于手术刀的抗金属无源RFID标签天线设计[J]. 微波学报, 2019, 35(2): 60-63. Dai Xiaojun, Du Guohong, Deng Wei, et al. Design of a metal skin passive RFID tag antenna for scalpel[J]. Journal of Microwaves, 2019, 35(2): 60-63.
[25] Aslam B, Kashif M, Awais Azam M, et al. A low profile miniature RFID tag antenna dedicated to IoT applications[J]. Electromagnetics, 2019, 39(6): 393-406.
[26] 孔繁荣, 李博文, 聂秋月, 等. 薄层等离子体增强微波接收特性实验及数值仿真[J]. 电机与控制学报, 2019, 23(4): 20-27. Kong Fanrong, Li Bowen, Nie Qiuyue, et al. Experimental and numerical studies on enhancement of microwave receiver characteristics by a thin plasma layer[J]. Electric Machines and Control, 2019, 23(4): 20-27.
A eRFID Tag Design for Online Perception of Power Assets
Abstract RFID tags of traditional power equipment was used only for identification, lacking the ability about sense and interaction of multidimensional data. Based on the IoT technology, an eRFID tag with sense and data interaction capabilities was designed for the wide distribution and various types of power assets which need online awareness ability. The eRFID tag can not only used to the intelligent management about the life cycle of power assets, but also can effectively monitor parameters such as temperature, humidity and vibration to bring about integration of identification and perception. The eRFID online sense tag connect the control part with the RF part through the 915MHz UHF dual-interface RFID chip, realizing the combination of the device ID and its operate parameters, and can actively control the modules of eRFID online sense tag. The eRFID sense tag can monitor the vibration signal. When the vibration signal is abnormal, the eRFID tag waked up, and then it calculates the angular posture of the device. Then it complete alarms threshold, RTLS, information pushes to prevent device damage and theft. It uses Beidou positioning technology and a low-power micro controller unit (MCU) with Bluetooth to achieve indoor and outdoor omnidirectional position of power equipment. The tag also has built-in large-capacity storage to store complete information such as assets, drawings, etc., so that it establishes a micro-database to realize network topology recognition based on information definition.
keywords：Dual interface RFID, IoT, low power technology, indoor positioning algorithm, power equipment management
中图分类号：TM93; TP391; TN823
DOI: 10.19595/j.cnki.1000-6753.tces.191241
中国电力科学研究院创新基金（52420018006S）、泛在电力物联网技术标准体系研究（5442HL190012）、新技术研究与应用-2019年智能传感布局及系列新型传感器研发与试点项目资助。
收稿日期 2019-09-27
改稿日期 2019-12-12
张 鋆 男，1991年生，硕士，研究方向为电力智能设备与传感技术。E-mail：zhangjun1@epri.sgcc.com.cn（通信作者）
张明皓 男，1989年生，硕士，研究方向为电力智能设备与传感技术。E-mail：zhminghao@sina.com
（编辑 郭丽军）