CN116865787B - 一种智能选择电力载波信号传输时机的方法 - Google Patents
一种智能选择电力载波信号传输时机的方法 Download PDFInfo
- Publication number
- CN116865787B CN116865787B CN202310825250.8A CN202310825250A CN116865787B CN 116865787 B CN116865787 B CN 116865787B CN 202310825250 A CN202310825250 A CN 202310825250A CN 116865787 B CN116865787 B CN 116865787B
- Authority
- CN
- China
- Prior art keywords
- time
- signal
- moment
- carrier
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000005540 biological transmission Effects 0.000 title claims abstract description 14
- 230000003287 optical effect Effects 0.000 claims abstract description 46
- 238000004088 simulation Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000007704 transition Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 31
- 238000006243 chemical reaction Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 14
- 230000010365 information processing Effects 0.000 claims description 11
- 239000013307 optical fiber Substances 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910000510 noble metal Inorganic materials 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/02—Details
- H04B3/28—Reducing interference caused by currents induced in cable sheathing or armouring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/02—Details
- H04B3/46—Monitoring; Testing
- H04B3/462—Testing group delay or phase shift, e.g. timing jitter
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/54—Systems for transmission via power distribution lines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Optical Communication System (AREA)
Abstract
一种智能选择电力载波信号传输时机的方法，包括如下步骤：S1获取预设时间段内电力线中的历史波形信号，以及电力高峰低峰时间段，并通过波形过0仿真系统采集记录历史波形信号中过零点时刻，S2建立人工智能模型，由构建的光信号指示的优化电力载波信号的系统采集的载波信号时刻点输入人工智能模型中，获取在电力线中传输的时机，S3根据步骤S2中时机，在构建的光信号指示的优化电力载波信号的系统中将系统卷积处理的载波信号输入电力线中。本发明的方法能够使得电力载波能够在电力线中过0点低电平范围内传输，实现了抗干扰。采用额外的光信号过渡源嵌入电力载波系统中，实现了更高的抗干扰能力，使得用户端传输的载波信号清晰准确，并控制了延时。
Description
技术领域
本发明涉及一种智能选择电力载波信号传输时机的方法，是将载波信号的类型以及根据电力线的使用高峰动态地调整载波信号的传输，属于智能电力载波通信领域。
背景技术
电力载波是将用户端的通信信号作为载波信号形式输入电力线中，加工电力线作为信号线或网线，实现了低成本的信息通信技术。然而由于电力载波中的杂波、用电情况复杂，在测试端难以清晰、准确地解析出不失真的电信号，从而导致电力载波的运用仍然受到不小程度的阻碍。
现有技术一方面是通过波形过0点短时刻内传输，然而操控难，是适合于非及时通讯。另一方面是通过避开高峰期，然而对于及时沟通的信号难以实现。因此需要开发一种如何准确选择优良的时机从而发送信号。
发明内容
基于上述问题，本发明提供一种方案，基于如下两个方面考虑，第一采集预定时期内的电力波形图，并基于该波形图计算出个波形过0点的时刻点，以及用电高峰低峰的时间段；第二根据各波形时刻点，通过人工智能计算，当前时刻发出的信号在输入电力线的时机选择；第三采用光纤通讯进一步将通信信号转化为光信号作为电力载波的过度源头。
鉴于上述考虑本发明提供一种智能选择电力载波信号传输时机的方法，包括如下步骤：S1获取预设时间段内电力线中的历史波形信号，以及电力高峰低峰时间段，并通过波形过0仿真系统采集记录历史波形信号中过零点时刻，
S2建立人工智能模型，由构建的光信号指示的优化电力载波信号的系统采集的载波信号时刻点输入人工智能模型中，获取在电力线中传输的时机，
S3根据步骤S2中时机，在构建的光信号指示的优化电力载波信号的系统中将系统卷积处理的载波信号输入电力线中。
其中，在S1中预设时间段包括一天前，一周前，一个月前中任一者。
所述通过波形过0仿真系统采集记录历史波形信号中过零点时刻，包括波形过0仿真系统将输入其中的历史波形信号进行整流，获得峰值为U1的时间轴上最初方波电压，通过仿真比较器的正极端子中输入参考正电位Ur、负极端子输入所述最初方波电压，在U1＝Ur分别对应到比较器输出到达波谷和到达波峰两个时刻t11和t21，在两者时刻之间，但不包括t11和t21，形成一个阈值低电平方波脉冲，由所述仿真系统中的仿真处理器进行记录所述方波脉冲的起止时刻t'11和t'21，由此对于时间轴上其他方波电压Ui，以及相应的参考正电位Uri，同样记录更多对到达波谷波峰两个时刻t1i和t2i，以及对应起止时刻t'1i和t'2i，i＞1为时间顺序的方波电压编号，从而采集到第一天中所有起止时刻，形成起止时刻集T1，对于预设时间段为大于一天的，则获得更多个起止时刻集Tj，j＞1为天数编号,其中|t1k-t'1k|≥th，|t2k-t'2k|≥th，th为阈值。
建立人工智能模型包括如下步骤：
S2-1建立初始神经网络模型，将一天时间段内的时间分为预设分割时间间隔△t的M个预选时刻0,△t，2△t，...，24-△t,△t∈[0.1,0.3ms],将一天内任选的多个时刻，所述多个时刻的个数N＞M，形成训练集，以及验证集，两者总数比例为5-3:1-2，将训练集和验证集中的时刻与所述多个预选时刻之间比较，如果正好在多个预选时刻点上，则作为输入初始神经网络模型输入端的输入数据时刻，如果介于两个预选时刻之间，则与其中一个未来的预选时刻作为所述输入端的输入数据时刻，输出端输入标签时刻，所述的标签时刻为起止时刻集中与预测时刻tp＝t1+tc最接近的将来(含0将来)一个时刻，其中t1为输入数据时刻，tc为当前训练每个数据的平均耗时，第一次训练时预设为0.1ms，
S2-2通过更多个训练集的数据的训练，输出端都输出实际预测时刻tpp，并计算获得各预测时机To，并更新当前训练每个数据的平均耗时tc'(即每训练完规定个数训练集数据的总耗时除以个数)以及更新预测时刻tp’＝t1+tc'和标签时刻，之后使用验证集验证输出端预测时机To与更新的标签时刻比较得到的准确率，不断优化神经网络模型参数继续训练，直至准确率趋稳结束训练，获得人工智能模型，其中所述计算是指将tpp与起止时刻集中与之最接近的将来(含0将来)一个时刻作为所述输出端预测时机To。
可以理解的是，To可能是在本过0点低电平范围内的起时刻或止时刻，或者下一个过0点低电平范围内的最早起时刻，三种情况。
其中S2-2中当存在多个起止时刻集时，合并多个起止时刻集形成合集，此时，所述的标签时刻为所述合集中与输入数据时刻最接近的将来一个时刻，合集中若存在重复元素(精确度为0.1ms)，合并为一个元素。
由于在预设时间段内用电规律较为稳定，因此合集元素之间的存在一定的接近程度，但是每隔一个月以上则逐渐改变，考虑到气温以及时间性规律的生产生活的调整。
因此，优选地，每隔2-3个月，重新选择所述预设时间段或基于重新选择所述预设时间段而重新形成合集。
S3具体包括：
S3-1将用户端通信信号以载波信号形式输入所述光信号指示的优化电力载波信号的系统，记录输入时刻t0，在系统中获取输出信号时刻tOUT，与所述多个预选时刻之间比较，获得此时输入数据时刻t1，
S3-2将输入数据时刻t1输入人工智能模型中，获得预测时机To，并在时机To到来时，将系统卷积处理的载波信号输入电力线中。
可以理解的是，th为从获得预测时机To，即tp到计算出To的时间和将系统卷积处理的载波信号输入电力线中的耗时之和，以及载波信号传播所需耗时0.3ms左右(考虑在一个城市内的尺度，几十公里)之总和。其典型值范围介于1-2ms中(考虑低电平持续时间上限5ms)，以使得1-2ms中有充足的时间处于过零点范围内，使得终端接受到信号时刻仍然在过0点波谷范围内。根据城市的尺度大小可以上下调节th。
因此从用户段输入时刻到载波信号输入电力线延迟估计下限为tp+th-t0＝t1+tc+th-t0，上限则为tp+2th+tpw-t0＝t1+tc+2th+tpw-t0,其中tpw为电力信号方波高电平持续时间。
所述光信号指示的优化电力载波信号的系统包括具有用户端和测试端的电力载波通信系统或电力载波测试系统，以及嵌入其中的光信号载波过渡源，其中，所述光信号载波过渡源包括依次连接的连接用户端电表和/或集中器的载波信号i多通道转换单元，用于将不同用户的载波信号i以转换函数f(i)＝i'转换成对应每个通道内的可控的转换电流i'，
多通道可调谐激光器，用于接受每个通道内的可控的转换电流i'，以调谐激光器的每个通道内发出的激光信号，多通道可调谐激光器通过多根锥形光纤输出各通道的调谐激光，
在所述多根锥形光纤的附近处设置的微谐振腔，用于将所述激光信号进行自增强，输出端输出光信号io，
接口单元，用于接受所述光信号io和多通道转换单元传来的转换电流i'输入信息处理单元，
信息处理单元，用于从所述接口单元接收所述光信号io和转换电流i'，对转换电流i'逆转换f-1(i')＝i进行卷积运算F[f-1(i'),io]→iC，并且电流采集器采集电力线电流信号I，进行所述卷积处理iC*I，以及独立传送出所述光信号io进入所述通信光缆，及包括,
所述通信光缆，用于将所述光信号io传送给所述测试端，以及，
包含GMT计时的多通道触发电路，用于根据所述转换电流i'触发记录系统的输入时刻t0,根据所述卷积处理iC*I信号触发记录系统的输出信号时刻tOUT，并在时机To到来时控制所述信息处理单元向电力线中输入所述卷积处理iC*I作为电力载波。
可选地，所述微谐振腔包括回音壁结构、球形结构，或圆柱结构。
优选地，所述复数个回音壁结构包括复数个环形腔。
更优选地，所述复数个环形腔、球形结构，或圆柱结构为石英材质，外表面包覆贵金属镀层，所述复数个环形腔的个数与锥形光纤的根数相同。
可选地，当用户端为电表，测试端包括交换机，以及服务器和/或PC时，所述时机延后到所述起止时刻集或合集中处于低峰时间段内最早的时刻，并换算用户端传输载波信号的时刻t0-td，其中td为多通道触发电路触发记录输入时刻t0所耗时。
优选地，所述时机To到来时替换为时机To到来之前0.1-0.5ms，以补偿系统载波信号输入电力线中的器件反应延迟。
可以理解的是，当时机To到来时系统也需要消耗一个短时间用于将系统卷积处理的载波信号输入电力线中，尤其是系统中包含多通道触发电路时，触发控制信息处理单元向电力线中输入载波信号需要一定的短时间。若不考虑这部分短时间时，可能会在下一个电力信号到来中传输载波信号，则仍然无法完全避免干扰。尤其是在低电平止时间处作为所述时机时。
有益效果
1.通过采集历史波形，仿真形成过零点低频范围内的时刻集合，利用集合进行人工智能模型训练电力载波信号传输时机，使得电力载波能够在电力线中过0点低电平范围内传输，实现了抗干扰。
2.采用额外的光信号过渡源嵌入电力载波系统中，额外进一步增强抗干扰的程度，与人工智能时机选择配合，实现了更高的抗干扰能力，使得用户端传输的载波信号清晰准确，并控制了延时。
附图说明
图1本发明实施例1的一种智能选择电力载波信号传输时机的方法流程图，
图2实施例1中多对到达波谷波峰两个时刻，以及对应起止时刻的获取方式流程图，
图3实施例2中建立人工智能模型流程图，
图4预测时机To选择的可能情况分析图，
图5实施例3中光信号指示的优化电力载波信号的系统整体配置示意图，
图6在图5的光信号指示的优化电力载波信号的系统中光信号载波过渡源A具体配置以及触发时刻、控制发送电力载波时机示意图，其中还显示了触发和控制发送电力载波流程，其中，附图标记，1，4通道转换单元,2,4通道可调谐激光器,3,4根锥形光纤,4,圆柱结构的微谐振腔,5,接口单元,6,电流采集器,
A,光信号载波过渡源,
B-D分别为根据所述转换电流i'触发记录实施例2中系统的输入时刻t0过程、所述卷积处理iC*I信号触发记录系统的输出信号时刻tOUT过程，以及在时机To到来之前0.2ms控制所述信息处理单元向电力线中输入所述卷积处理iC*I作为电力载波过程。
具体实施方式
实施例1
如图1所示为一种智能选择电力载波信号传输时机的方法流程，包括如下步骤：
S1获取预设时间段内电力线中的历史波形信号，以及电力高峰低峰时间段，并通过波形过0仿真系统采集记录历史波形信号中过零点时刻，
S2建立人工智能模型，由构建的光信号指示的优化电力载波信号的系统采集的载波信号时刻点输入人工智能模型中，获取在电力线中传输的时机，
S3根据步骤S2中时机，在构建的光信号指示的优化电力载波信号的系统中将系统卷积处理的载波信号输入电力线中。
如图2所示，所述通过波形过0仿真系统(图中未示出)采集记录历史波形信号中过零点时刻，包括波形过0仿真系统将输入其中的历史波形信号进行整流，获得峰值为U1的时间轴上最初方波电压，通过仿真比较器的正极端子中输入参考正电位Ur、负极端子输入所述最初方波电压，在U1＝Ur分别对应到比较器输出到达波谷和到达波峰两个时刻t11和t21，在两者时刻之间，但不包括t11和t21，形成一个阈值低电平方波脉冲，由所述仿真系统中的仿真处理器进行记录所述方波脉冲的起止时刻t'11和t'21，由此对于时间轴上其他方波电压Ui，以及相应的参考正电位Uri，同样记录更多对到达波谷波峰两个时刻t1i和t2i，以及对应起止时刻t'1i和t'2i，i＞1为时间顺序的方波电压编号，从而采集到第一天中所有起止时刻，形成起止时刻集T1，同时获得更多个起止时刻集Tj，7＞j＞1为天数编号,其中|t1k-t'1k|≥th，|t2k-t'2k|≥th，th为阈值，取2ms。
实施例2
以图3为例，在实施例1中起止时刻集合T1和Tj形成合集，建立人工智能模型包括如下步骤：
S2-1建立初始神经网络模型，将一天时间段内的时间分为预设分割时间间隔△t的M个预选时刻0,△t，2△t，...，24-△t,△t＝0.2ms,将一天内任选的多个时刻，所述多个时刻的个数N＞M，形成训练集，以及验证集，两者总数比例为3:1，将训练集和验证集中的时刻与所述多个预选时刻之间比较，如果正好在多个预选时刻点上，则作为输入初始神经网络模型输入端的输入数据时刻，如果介于两个预选时刻之间，则与其中一个未来的预选时刻作为所述输入端的输入数据时刻，输出端输入标签时刻，所述的标签时刻为起止时刻集中与预测时刻tp＝t1+tc最接近的将来(含0将来)一个时刻，其中t1为输入数据时刻，tc为当前训练每个数据的平均耗时，第一次训练时预设为0.1ms，
S2-2通过更多个训练集的数据的训练，输出端都输出实际预测时刻tpp，并计算获得各预测时机To，并更新当前训练每个数据的平均耗时tc'(即每训练完规定个数比如100个训练集数据的总耗时除以个数)以及更新预测时刻tp’＝t1+tc'和标签时刻，之后使用验证集验证输出端预测时机To与更新的标签时刻比较得到的准确率，如果准确率仍然在明显提升，则继续优化神经网络模型参数继续训练，直至准确率趋稳结束训练，获得人工智能模型，其中所述计算是指将tpp与起止时刻集中与之最接近的将来(含0将来)一个时刻作为所述输出端预测时机To。
如图4所示，说明预测时机To选择的可能情况。以t'11和t'21、t'12和t'22为例，假设合集中元素t'11、t'21、t'12、t'22按时间顺序依次排列。可能在图4中过零点时间范围还存在其他元素，但是由于预设时间段的时间跨度短，呈现地理区域大范围内用电规律性，即便存在其他元素，一般不会偏离t'11、t'21、t'12、t'22太多。本实施例中假设过零点时间范围只有两个时刻点元素，其他情况类似分析。当黑色点tpp落在最初方波电压U1波谷到达时刻t11(图中左起一竖向箭头所指)与t'11之间，落在t'11上，落在t'11与t'21之间，落在t'21上，落在t'21与第二方波电压U2(与U1可以不相等)波谷到达时刻t12(图中左起二竖向箭头所指)之间(即时间轴下长方框示例性地指示出的区间)，预测时机To分别t'11、t'11、t'21、t'21、t'12，整体只有三种情况。对于其他更多元素，则同样取本过0点低电平范围内的起时刻或止时刻，或者下一个过0点低电平范围内的最早起时刻。因此最长的延迟是在预测时机To取下一个过0点低电平范围内的最早起时刻。因此保证载波信号输入电力线的时机都在低电平维持时间段内，也即人工智能模型大概率(除非用电力的高电平方波信号不同的天之间偏离太多，但仍然能够以光信号过渡源参与的卷积处理进行抗干扰)保证了电力线方波信号(电压)中过0点时刻且在下一个方波信号到来之前将载波信号传输出去。
实施例3
如图5所示，所述光信号指示的优化电力载波信号的系统包括具有用户端电表和测试端交换机，以及服务器和PC的电力载波通信系统，以及嵌入其中的光信号载波过渡源A，其中，如图6所示，所述光信号载波过渡源A包括依次连接的连接用户端电表的载波信号i的4通道转换单元1，用于将不同用户的载波信号i以转换函数f(i)＝i'转换成对应每个通道内的可控的转换电流i'，
4通道可调谐激光器2，用于接受每个通道内的可控的转换电流i'，以调谐激光器的每个通道内发出的激光信号，4通道可调谐激光器2通过4根锥形光纤3输出各通道的调谐激光，
在4根锥形光纤3的附近处设置的圆柱结构的微谐振腔4，用于将所述激光信号进行自增强，输出端输出光信号io，
接口单元5，用于接受所述光信号io和4通道转换单元1传来的转换电流i'输入信息处理单元，
信息处理单元，用于从所述接口单元5接收所述光信号io和转换电流i'，对转换电流i'逆转换f-1(i')＝i进行卷积运算F[f-1(i'),io]→iC，并且电流采集器6采集电力线电流信号I，进行所述卷积处理iC*I，以及独立传送出所述光信号io进入所述通信光缆(参见图5和6)，及包括,
所述通信光缆，用于将所述光信号io传送给所述测试端(参见图5和6)，以及，
如图6所示，包含GMT计时的多通道触发电路，用于根据所述转换电流i'触发记录实施例2中系统的输入时刻t0,以过程B表示，耗时td；根据所述卷积处理iC*I信号触发记录系统的输出信号时刻tOUT，以过程C表示；并在时机To到来之前0.2ms控制所述信息处理单元向电力线中输入所述卷积处理iC*I作为电力载波，以过程D表示。由此，电力载波在电力线过零点低电平范围内发送到测试端，实现了抗干扰性。
其中在多通道触发电路模块之上示意性地表示出了触发信号到来的t0、tOUT时刻，以及时机To之间的时间轴上的顺序关系。
如图6相应锥形光纤局部放大部分侧视图所示，在距离所述4根锥形光纤锥尖(也即最小直径处)的0.5μm处(即侧面水平切面与锥尖之间间距0.5μm)设置的圆柱结构的微谐振腔4，用于将所述激光信号进行自增强，输出端输出光信号io。
所述时机To延后到所述起止时刻集或合集中处于低峰时间段内最早的时刻，并换算用户端电表传输载波信号的时刻为t0-td。td由实验测试得到，优于0.5ms。
Claims (8)
1.一种智能选择电力载波信号传输时机的方法，包括如下步骤：
S1获取预设时间段内电力线中的历史波形信号，以及电力高峰低峰时间段，并通过波形过0仿真系统采集记录历史波形信号中过零点时刻，
S2建立人工智能模型，由构建的光信号指示的优化电力载波信号的系统采集的载波信号时刻点输入人工智能模型中，获取在电力线中传输的时机，
S3根据步骤S2中时机，在构建的光信号指示的优化电力载波信号的系统中将系统卷积处理的载波信号输入电力线中，其中，在S1中预设时间段包括一天前，一周前，一个月前中任一者，
所述光信号指示的优化电力载波信号的系统包括具有用户端和测试端的电力载波通信系统或电力载波测试系统，以及嵌入其中的光信号载波过渡源，其中，
所述光信号载波过渡源包括依次连接的连接用户端电表和/或集中器的载波信号多通道转换单元，用于将不同用户的载波信号/>以转换函数/>转换成对应每个通道内的可控的转换电流/>，
多通道可调谐激光器，用于接受每个通道内的可控的转换电流，以调谐激光器的每个通道内发出的激光信号，多通道可调谐激光器通过多根锥形光纤输出各通道的调谐激光，
在所述多根锥形光纤的附近处设置的微谐振腔，用于将所述激光信号进行自增强，输出端输出光信号，
接口单元，用于接受所述光信号和多通道转换单元传来的转换电流/>输入信息处理单元，
信息处理单元，用于从所述接口单元接收所述光信号和转换电流/>，对转换电流/>逆转换/>进行卷积运算/>，并且电流采集器采集电力线电流信号/>，进行所述卷积处理/>，以及独立传送出所述光信号/>进入通信光缆，及包括,
所述通信光缆，用于将所述光信号传送给所述测试端，以及，
包含GMT计时的多通道触发电路，用于根据所述转换电流触发记录系统的输入时刻/>,根据所述卷积处理/>信号触发记录系统的输出信号时刻/>，并在时机To到来时控制所述信息处理单元向电力线中输入所述卷积处理/>作为电力载波；其中，GMT计时为格林尼治计时；
所述通过波形过0仿真系统采集记录历史波形信号中过零点时刻，包括波形过0仿真系统将输入其中的历史波形信号进行整流，获得峰值为U1的时间轴上最初方波电压，通过仿真比较器的正极端子中输入参考正电位Ur、负极端子输入所述最初方波电压，在U1=Ur分别对应到比较器输出到达波谷和到达波峰两个时刻和/>，在两者时刻之间，但不包括/>和/>，形成一个阈值低电平方波脉冲，由所述仿真系统中的仿真处理器进行记录所述方波脉冲的起止时刻/>和/>，由此对于时间轴上其他方波电压Ui，以及相应的参考正电位Uri，同样记录更多对到达波谷波峰两个时刻/>和/>，以及对应起止时刻/>和/>，/>为时间顺序的方波电压编号，从而采集到第一天中所有起止时刻，形成起止时刻集T1，对于预设时间段为大于一天的，则获得更多个起止时刻集Tj，j＞1为天数编号,其中/>，/>，/>为阈值；
建立人工智能模型包括如下步骤：
S2-1建立初始神经网络模型，将一天时间段内的时间分为预设分割时间间隔的M个预选时刻/>,将一天内任选的多个时刻，所述多个时刻的个数N＞M，形成训练集，以及验证集，将训练集和验证集中的时刻与所述多个预选时刻之间比较，如果正好在多个预选时刻点上，则作为输入初始神经网络模型输入端的输入数据时刻，如果介于两个预选时刻之间，则与其中一个未来的预选时刻作为所述输入端的输入数据时刻，输出端输入标签时刻，所述的标签时刻为起止时刻集中与预测时刻最接近的将来一个时刻，其中/>为输入数据时刻，/>为当前训练每个数据的平均耗时，第一次训练时预设为0.1ms，
S2-2通过更多个训练集的数据的训练，输出端都输出实际预测时刻，并计算获得各预测时机To，并更新当前训练每个数据的平均耗时/>以及更新预测时刻/>和标签时刻，之后使用验证集验证输出端预测时机To与更新的标签时刻比较得到的准确率，不断优化神经网络模型参数继续训练，直至准确率趋稳结束训练，获得人工智能模型，其中所述计算是指将/>与起止时刻集中与之最接近的将来一个时刻作为所述输出端预测时机To。
2.根据权利要求1所述的方法，其特征在于，其中S2-2中当存在多个起止时刻集时，合并多个起止时刻集形成合集，此时，所述的标签时刻为所述合集中与输入数据时刻最接近的将来一个时刻，合集中若存在重复元素，合并为一个元素。
3.根据权利要求1-2中任一项所述的方法，其特征在于，每隔2-3个月，重新选择所述预设时间段或基于重新选择所述预设时间段而重新形成合集。
4.根据权利要求3所述的方法，其特征在于，S3具体包括：
S3-1将用户端通信信号以载波信号形式输入所述光信号指示的优化电力载波信号的系统，记录输入时刻，在系统中获取输出信号时刻/>，与所述多个预选时刻之间比较，获得此时输入数据时刻/>，
S3-2将输入数据时刻输入人工智能模型中，获得预测时机To，并在时机To到来时，将系统卷积处理的载波信号输入电力线中。
5.根据权利要求4所述的方法，其特征在于，取值范围为1-2ms。
6.根据权利要求5所述的方法，其特征在于，从用户段输入时刻到载波信号输入电力线延迟估计下限为，上限则为/>,其中/>为电力信号方波高电平持续时间。
7.根据权利要求1-2，4-6中任一项所述的方法，其特征在于，所述微谐振腔包括回音壁结构、球形结构，或圆柱结构。
8.根据权利要求7所述的方法，其特征在于，回音壁结构为复数个，复数个回音壁结构包括复数个环形腔。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310825250.8A CN116865787B (zh) | 2023-07-06 | 2023-07-06 | 一种智能选择电力载波信号传输时机的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310825250.8A CN116865787B (zh) | 2023-07-06 | 2023-07-06 | 一种智能选择电力载波信号传输时机的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116865787A CN116865787A (zh) | 2023-10-10 |
| CN116865787B true CN116865787B (zh) | 2024-02-09 |
Family
ID=88229738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310825250.8A Active CN116865787B (zh) | 2023-07-06 | 2023-07-06 | 一种智能选择电力载波信号传输时机的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116865787B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105119635A (zh) * | 2015-07-16 | 2015-12-02 | 河南行知专利服务有限公司 | 一种低压电力载波通信方法 |
| CN108173799A (zh) * | 2017-11-29 | 2018-06-15 | 深圳市力合微电子股份有限公司 | 一种基于频域处理的电力线载波通信方法 |
| WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| CN113162240A (zh) * | 2021-05-12 | 2021-07-23 | 泰瑞数创科技(北京)有限公司 | 城市信息模型的电力载波智能监测方法及其系统 |
| CN113595060A (zh) * | 2021-06-23 | 2021-11-02 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于电力载波技术的能源多能融合调度方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7184706B2 (ja) * | 2019-05-10 | 2022-12-06 | 株式会社日立産機システム | 電力変換装置、それを用いたシステム、およびその診断方法 |
-
2023
- 2023-07-06 CN CN202310825250.8A patent/CN116865787B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105119635A (zh) * | 2015-07-16 | 2015-12-02 | 河南行知专利服务有限公司 | 一种低压电力载波通信方法 |
| WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| CN108173799A (zh) * | 2017-11-29 | 2018-06-15 | 深圳市力合微电子股份有限公司 | 一种基于频域处理的电力线载波通信方法 |
| CN113162240A (zh) * | 2021-05-12 | 2021-07-23 | 泰瑞数创科技(北京)有限公司 | 城市信息模型的电力载波智能监测方法及其系统 |
| CN113595060A (zh) * | 2021-06-23 | 2021-11-02 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于电力载波技术的能源多能融合调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于直流电力线载波通信的光伏组件监测系统;杨锋;张金娅;王岩;曹自平;;南京邮电大学学报(自然科学版);第36卷(第06期);第39-44页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116865787A (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiang et al. | Powering indoor sensing with airflows: a trinity of energy harvesting, synchronous duty-cycling, and sensing | |
| US9941733B2 (en) | Electronic device, communication system, and method of controlling electronic device | |
| CN110288136A (zh) | 风电功率多步预测模型建立方法 | |
| KR102439722B1 (ko) | 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘 | |
| Fontana et al. | Sensor network for monitoring the state of pollution of high-voltage insulators via satellite | |
| Sardianos et al. | Data analytics, automations, and micro-moment based recommendations for energy efficiency | |
| CN116865787B (zh) | 一种智能选择电力载波信号传输时机的方法 | |
| Lin et al. | Attention-based dual-source spatiotemporal neural network for lightning forecast | |
| US10274620B2 (en) | System and method for providing short-term earthquake forecasts | |
| Tran et al. | Cellular network traffic prediction using exponential smoothing methods | |
| CN101430229B (zh) | 采集信号的方法 | |
| CN117318111B (zh) | 一种基于天气预测的光储能源动态调节方法及系统 | |
| Wu et al. | Design and field test of an autonomous IoT WSN platform for environmental monitoring | |
| Kharlova et al. | Forecasting photovoltaic power production using a deep learning sequence to sequence model with attention | |
| CN113379005B (zh) | 一种电网电力设备能源智能管理系统及方法 | |
| US10412161B2 (en) | Method and system for coherent aggregation and synchronization of gathered data from spread devices | |
| Li et al. | Incorporating energy heterogeneity into sensor network time synchronization | |
| CN110988627A (zh) | 输变电设备异常放电的紫外在线远程实时监测装置 | |
| Jeong et al. | Predicting the long-term behavior of a micro-solar power system | |
| CN117134505A (zh) | 一种储能电站运行监测管理系统 | |
| CN109921952B (zh) | 一种基于压缩感知和模型驱动的数据收集方法 | |
| CN109829572B (zh) | 雷电气候下的光伏发电功率预测方法 | |
| Wibisono et al. | Design and implementation of smart wireless street lighting system with ad-hoc network configuration | |
| CN112072637B (zh) | 一种大电网区域智能与应急双向配电方法 | |
| CN113776777B (zh) | 一种光纤复合架空地线雷击告警装置及雷击事件识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240117 Address after: Building 1, Hangxing Science and Technology Park, No. 11 Hepingli East Street, Dongcheng District, Beijing, 100013 Applicant after: BEIJING YUPONT ELECTRIC POWER TECHNOLOGY Co.,Ltd. Address before: Building 3, Dongye Old Base, Jinhaihu First Industrial Park, Qinglong Street, Bijie Economic and Technological Industrial Development Zone, Bijie City, Guizhou Province, 551799 Applicant before: GUIZHOU PIPIPI ELECTRONIC TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |