CN117526998A - 基于扩频载波通信的供电故障监测方法及系统 - Google Patents

基于扩频载波通信的供电故障监测方法及系统 Download PDF

Info

Publication number
CN117526998A
CN117526998A CN202311456720.4A CN202311456720A CN117526998A CN 117526998 A CN117526998 A CN 117526998A CN 202311456720 A CN202311456720 A CN 202311456720A CN 117526998 A CN117526998 A CN 117526998A
Authority
CN
China
Prior art keywords
power supply
real
feature
acquiring
steady
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.)
Pending
Application number
CN202311456720.4A
Other languages
English (en)
Inventor
曾伟华
刘正楷
丁金多
汪霄祥
江玉荣
沈越
陈子昕
邹明强
左培玲
毕紫莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongling Power Supply Co of State Grid Anhui Electric Power Co Ltd
Original Assignee
Tongling Power Supply Co of State Grid Anhui Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongling Power Supply Co of State Grid Anhui Electric Power Co Ltd filed Critical Tongling Power Supply Co of State Grid Anhui Electric Power Co Ltd
Priority to CN202311456720.4A priority Critical patent/CN117526998A/zh
Publication of CN117526998A publication Critical patent/CN117526998A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B3/00—Line transmission systems
    • H04B3/02—Details
    • H04B3/46—Monitoring; Testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/69—Spread spectrum techniques
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/69—Spread spectrum techniques
    • H04B1/707—Spread spectrum techniques using direct sequence modulation
    • H04B1/709—Correlator structure
    • H04B1/7093—Matched filter type
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B3/00—Line transmission systems
    • H04B3/54—Systems for transmission via power distribution lines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Abstract

本发明公开了一种基于扩频载波通信的供电故障监测方法及系统，包括：获取目标地区配电网中拓扑结构及供电设备构建供电载波通信网络采集配电网的电力数据生成实时传送报文生成载波信号，利用特定的PN码序列对所述载波信号进行扩频处理，获取实时通信信号进行预处理；提取实时通信信号的特征，通过特征融合获取实时通信信号对应的综合特征，判定实时通信信号是否为异常通信信号；当判定为异常通信信号时，根据异常表征进行特征匹配获取异常类型，输出目标地区配电网当前时间戳的监测结果。本发明通过监测配电网的扩频载波通信信号，解决了供电故障点和故障类别判断准确率较低的问题，另外根据故障时预测识别进行提前运维，降低了设备的损坏风险。

Description

基于扩频载波通信的供电故障监测方法及系统
技术领域
本发明涉及供电监测技术领域，更具体的，涉及一种基于扩频载波通信的供电故障监测方法及系统。
背景技术
随着社会不断的发展，经济水平逐渐提高，电力行业发展迅速，在各个领域中得到了广泛应用，由于整体社会进步，对于电力输送的要求也在不断提升。电力线扩频载波通信技术利用配电网线路作为数据传输的媒介，主要工作原理是将数据信息调制到一个高频载波上,然后经过功率放大并耦合在电网线路上传输至接收机设备,接收机通过滤波、分离处理,将解调后的电信号还原成数字信号完成通信传输。现如今，电力线扩频载波通信技术已得到广泛的应用，为了提升配电网的运作效率及运行质量，改善人们的生活质量，对于电力线扩频载波通信技术的相关研究较为关键。
现有的低压故障抢修流程需要被动地从居民电话报修得知情况，并且依赖于抢修工程队的现场勘查来确认故障跳闸电源，抢修人员只能通过不全面的用户报修信息来判断故障电源点，由于人员专业素质参差不齐，所以故障电源点和故障类别判断准确率较低，客观上造成了抢修时间延长；此外缺乏监测设备实时运行情况的手段和方式，难以对设备的运行状态进行监督与评估。而电缆线的载波还可以保证电力设备在运行时的安全性与稳定性，同时还能在一定程度上降低其在运行时候性成本。因此，在电网管理中，如何通过扩频载波通信实现高效的供电故障监测目前亟需解决的问题。
发明内容
为了解决上述技术问题，本发明提出了涉及一种基于扩频载波通信的供电故障监测方法及系统。
本发明第一方面提供了一种基于扩频载波通信的供电故障监测方法，包括：
获取目标地区配电网中拓扑结构及供电设备，根据所述拓扑结构及供电设备构建供电载波通信网络，将所述供电设备作为通信节点；
采集配电网的电力数据生成实时传送报文生成载波信号，利用特定的PN码序列对所述载波信号进行扩频处理，获取实时通信信号，将所述实时通信信号进行预处理；
获取预处理后的实时通信信号进行特征提取，通过特征融合获取实时通信信号对应的综合特征，根据所述综合特征判定实时通信信号是否为异常通信信号；
当判定为异常通信信号时，根据异常通信信号的异常表征进行特征匹配获取异常类型，通过所述异常类型获取供电故障输出目标地区配电网当前时间戳的监测结果。
本方案中，获取目标地区配电网中拓扑结构及供电设备，根据所述拓扑结构及供电设备构建供电载波通信网络，具体为：
根据目标地区配电网的基础信息提取配电网电线的拓扑结构及供电设备，通过所述拓扑结构构建供电载波通信网络，将电线作为通信介质，将所述供电设备作为通信节点；
通过目标地区配电网的电压将所述供电载波通信网络进行划分，确定供电载波通信网络在正常运行状态下的载波数及载波间隔；
获取载波通信信道中的信号结合信道噪声及电力设备与电线长度的衰减因素进行多个信道的整合叠加，完成供电载波通信网络的构建；
将所述供电载波通信网络映射到低维向量空间进行图表示，生成对应的有向图，将所述有向图表示为G＝(V，E)，V表示供电载波通信网络中通信节点及根节点的集合，E表示通信节点之间的通信链路。
本方案中，采集配电网的电力数据生成实时传送报文生成载波信号，利用特定的PN码序列对所述载波信号进行扩频处理，获取实时通信信号，将所述实时通信信号进行预处理，具体为：
根据预设的采样频率及连续采集时间参数采集目标地区配电网中电力数据生成需要传送的实时传送报文，通过所述实时传送报文结合载波数及载波间隔生成载波信号；
提取载波信号中的信息比特采用特定扩频PN码序列进行代替，对所述载波信号进行扩频处理，获取实时通信信号，并根据状态估算及参数估算对所述实时通信信号进行调制；
将调制后的实时通信信号通过维纳滤波器进行滤波，获取不同信号序列之间的梯度变化，根据所述梯度变化对所述维纳滤波器的阈值进行自适应调整，获取期望信号的百分比；
以实时通信信号与期望信号之间的最小均方误差实现滤波，获取预处理后的实时通信信号，根据各通信节点搜索与根节点的最短有效路径，根据所述最短有效路径构建最小生成树；
将对应的预处理后实时通信信号根据所述最小生成树进行信号融合，上传至接收端进行信号解扩。
本方案中，获取预处理后的实时通信信号进行特征提取，通过特征融合获取实时通信信号对应的综合特征，具体为：
根据大数据检索获取配电网中电力数据对应的稳态特征集合，将所述稳态特征集合划分为若干稳态特征子集，选取目标稳态特征子集构建随机森林模型，根据MDA指标判断各稳态特征的重要程度；
将不符合重要程度标准的稳态特征进行剔除，更新目标稳态特征子集，在所述稳态特征集合中更新目标稳态特征子集，直到完成所有稳态特征的重要程度评估；
获取稳态特征的重要程度评估选取不同数量的稳态特征生成稳态特征子集进行建模，并通过准确性评估稳态特征子集调整对模型性能的影响，输出优选的稳态特征子集；
构建滑动窗口根据所述稳态特征子集对实时通信信号进行特征提取及特征监测，获取不同稳态特征对应特征参数的欧氏距离及余弦值获取组合相似度，根据所述组合相似度表征特征稳态特征之间的冗余度；
当所述组合相似度大于预设阈值时，则将特征参数进行简化，将简化后的稳态特征对应的特征参数进行特征融合，获取实时通信信号对应的综合特征。
本方案中，根据所述综合特征判定实时通信信号是否为异常通信信号，具体为：
根据数字孪生构建目标地区配电网对应供电载波通信网络的数字孪生体模型，通过数据检索获取历史供电故障，将所述历史供电故障进行聚类分析，根据聚类结果获取供电故障类别子集；
根据所述数字孪生模型获取供电故障类别子集对应的异常通信信号，根据所述异常通信信号基于稳态特征子集获取特征，获取供电故障类别子集对应特征的主成分特征，根据所述主成分特征确定主成分方向进行特征投影；
根据所述特征投影进行不同供电故障类别子集的特征重构，获取对应的特征散点图，基于所述特征散点图获取不同供电故障类别对应的供电故障标准特征；
获取实时通信信号对应的综合特征，对所述综合特征进行主成分分析，根据主成分特征进行特征投影获取综合特征对应的特征散点图，判断综合特征对应的特征散点图与不同类别供电故障标准特征的相似度；
当相似度大于预设阈值时，则判定实时通信信号为异常通信信号。
本方案中，根据异常通信信号的异常表征进行特征匹配获取异常类型，具体为：
获取异常通信信号在供电载波通信网络中的传播路径，根据所述传播路径及电线中信号的传播速度、采样频率进行异常定位；
获取目标地区配电网不同供电故障类别的供电故障标准特征，根据所述供电故障标准特征训练分类器，根据所述分类器获取异常通信信号综合特征与不同供电故障标准特征的进行匹配；
获取特征匹配度，将所述特征匹配度进行排序，获取最高特征匹配度对应的供电故障类别进行输出，并且获取不同信道中异常通信信号的信息量，并根据信道数量获取总信息量；
根据异常通信信号对应的异常定位、供电故障类别及总信息量输出目标地区配电网当前时间戳的监测结果，根据监测结果生成运维信息，发送至运维工作人员。
本发明第二方面还提供了一种基于扩频载波通信的供电故障监测系统，该系统包括：存储器、处理器，所述存储器中包括基于扩频载波通信的供电故障监测方法程序，所述基于扩频载波通信的供电故障监测方法程序被所述处理器执行时实现如下步骤：
获取目标地区配电网中拓扑结构及供电设备，根据所述拓扑结构及供电设备构建供电载波通信网络，将所述供电设备作为通信节点；
采集配电网的电力数据生成实时传送报文生成载波信号，利用特定的PN码序列对所述载波信号进行扩频处理，获取实时通信信号，将所述实时通信信号进行预处理；
获取预处理后的实时通信信号进行特征提取，通过特征融合获取实时通信信号对应的综合特征，根据所述综合特征判定实时通信信号是否为异常通信信号；
当判定为异常通信信号时，根据异常通信信号的异常表征进行特征匹配获取异常类型，通过所述异常类型获取供电故障输出目标地区配电网当前时间戳的监测结果。
本发明公开了一种基于扩频载波通信的供电故障监测方法及系统，包括：获取目标地区配电网中拓扑结构及供电设备构建供电载波通信网络采集配电网的电力数据生成实时传送报文生成载波信号，利用特定的PN码序列对所述载波信号进行扩频处理，获取实时通信信号进行预处理；提取实时通信信号的特征，通过特征融合获取实时通信信号对应的综合特征，判定实时通信信号是否为异常通信信号；当判定为异常通信信号时，根据异常表征进行特征匹配获取异常类型，输出目标地区配电网当前时间戳的监测结果。本发明通过监测配电网的扩频载波通信信号，解决了供电故障点和故障类别判断准确率较低的问题，另外根据故障时预测识别进行提前运维，降低了设备的损坏风险。
附图说明
图1示出了本发明一种基于扩频载波通信的供电故障监测方法的流程图；
图2示出了本发明获取实时通信信号对应的综合特征的方法流程图；
图3示出了本发明判定实时通信信号是否为异常通信信号的方法流程图；
图4示出了本发明一种基于扩频载波通信的供电故障监测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于扩频载波通信的供电故障监测方法的流程图。
如图1所示，本发明第一方面提供了一种基于扩频载波通信的供电故障监测方法，包括：
S102，获取目标地区配电网中拓扑结构及供电设备，根据所述拓扑结构及供电设备构建供电载波通信网络，将所述供电设备作为通信节点；
S104，采集配电网的电力数据生成实时传送报文生成载波信号，利用特定的PN码序列对所述载波信号进行扩频处理，获取实时通信信号，将所述实时通信信号进行预处理；
S106，获取预处理后的实时通信信号进行特征提取，通过特征融合获取实时通信信号对应的综合特征，根据所述综合特征判定实时通信信号是否为异常通信信号；
S108，当判定为异常通信信号时，根据异常通信信号的异常表征进行特征匹配获取异常类型，通过所述异常类型获取供电故障输出目标地区配电网当前时间戳的监测结果。
需要说明的是，获取目标地区配电网作为监测对象，根据目标地区配电网的基础信息提取配电网电线的拓扑结构及供电设备，通过所述拓扑结构构建供电载波通信网络，将电线作为通信介质，将用电端、发电端以及配电器等供电设备作为通信节点；通过目标地区配电网的电压将所述供电载波通信网络进行划分，分别为10KV、110KV、220KV的供电载波通信网络，获取不同供电载波通信网络的传输长度，确定供电载波通信网络在正常运行状态下的载波数及载波间隔；获取载波通信信道中的信号结合信道噪声及电力设备与电线长度的衰减因素进行多个信道的整合叠加，完成供电载波通信网络的构建；将所述供电载波通信网络映射到低维向量空间进行图表示，生成对应的有向图，将所述有向图表示为G＝(V，E)，V表示供电载波通信网络中通信节点及根节点的集合，E表示通信节点之间的通信链路。
需要说明的是，根据预设的采样频率及连续采集时间参数采集目标地区配电网中电流及电压等电力数据生成需要传送的实时传送报文，通过所述实时传送报文结合载波数及载波间隔生成载波信号；提取载波信号中的信息比特的1，0用相应的63位PN码序列代替，对所述载波信号进行扩频处理，获取实时通信信号，并根据状态估算及参数估算对所述实时通信信号进行调制；将调制后的实时通信信号利用傅里叶变换，再通过维纳滤波器进行滤波，获取不同信号序列之间的梯度变化，根据所述梯度变化对所述维纳滤波器的阈值进行自适应调整，获取期望信号的百分比；不同信号序列之间采集时间间隔越小其波动越小。采用变化梯度作为维纳滤波器的阈值进行自适应调整，当变化梯度较小时，则噪声占比较小；以实时通信信号与期望信号之间的最小均方误差实现滤波，获取预处理后的实时通信信号。
在供电载波通信网络对应的有向图中，取2个通信节点间的距离作为各通信链路的权值，根据权重最小的有效路径获取联通树，建立一个最小生成树根据各通信节点搜索与根节点的最短有效路径，根据所述最短有效路径构建最小生成树，将降低供电载波通信网络的传输过程中载波通信信号的衰减，提升传输成功率，实现低数据量、高信噪比的有效网络传输；将对应的预处理后实时通信信号根据所述最小生成树进行信号融合，上传至接收端进行信号解扩。
图2示出了本发明获取实时通信信号对应的综合特征的方法流程图。
根据本发明实施例，获取预处理后的实时通信信号进行特征提取，通过特征融合获取实时通信信号对应的综合特征，具体为：
S202，根据大数据检索获取配电网中电力数据对应的稳态特征集合，将所述稳态特征集合划分为若干稳态特征子集，选取目标稳态特征子集构建随机森林模型，根据MDA指标判断各稳态特征的重要程度；
S204，将不符合重要程度标准的稳态特征进行剔除，更新目标稳态特征子集，在所述稳态特征集合中更新目标稳态特征子集，直到完成所有稳态特征的重要程度评估；
S206，获取稳态特征的重要程度评估选取不同数量的稳态特征生成稳态特征子集进行建模，并通过准确性评估稳态特征子集调整对模型性能的影响，输出优选的稳态特征子集；
S208，构建滑动窗口根据所述稳态特征子集对实时通信信号进行特征提取及特征监测，获取不同稳态特征对应特征参数的欧氏距离及余弦值获取组合相似度，根据所述组合相似度表征特征稳态特征之间的冗余度；
S210，当所述组合相似度大于预设阈值时，则将特征参数进行简化，将简化后的稳态特征对应的特征参数进行特征融合，获取实时通信信号对应的综合特征。
需要说明的是，根据大数据检索获取配电网中电力数据对应的瞬时幅度、瞬时频率、瞬时相位、异常信号空间谱特征量等稳态特征。通过REF特征选择算法通过递归的方式删除数据集的特征变量，然后对新的特征变量子集进行训练并选择，MDA指标是准确度的平均下降，是随机森林总计算变量特征变量重要度的判断依据。通过组合特征进行特征参数的简化，避免特征参数由于相似的稳态指标选取大量重复的数据，从而导致样本数量大、数据之间难以保持一致性和代表性的情况。
图3示出了本发明判定实时通信信号是否为异常通信信号的方法流程图。
根据本发明实施例，根据所述综合特征判定实时通信信号是否为异常通信信号，具体为：
S302，根据数字孪生构建目标地区配电网对应供电载波通信网络的数字孪生体模型，通过数据检索获取历史供电故障，将所述历史供电故障进行聚类分析，根据聚类结果获取供电故障类别子集；
S304，根据所述数字孪生模型获取供电故障类别子集对应的异常通信信号，根据所述异常通信信号基于稳态特征子集获取特征，获取供电故障类别子集对应特征的主成分特征，根据所述主成分特征确定主成分方向进行特征投影；
S306，根据所述特征投影进行不同供电故障类别子集的特征重构，获取对应的特征散点图，基于所述特征散点图获取不同供电故障类别对应的供电故障标准特征；
S308，获取实时通信信号对应的综合特征，对所述综合特征进行主成分分析，根据主成分特征进行特征投影获取综合特征对应的特征散点图，判断综合特征对应的特征散点图与不同类别供电故障标准特征的相似度；
S310，当相似度大于预设阈值时，则判定实时通信信号为异常通信信号。
需要说明的是，获取异常通信信号在供电载波通信网络中的传播路径，根据所述传播路径及电线中信号的传播速度、采样频率进行异常定位；配电网的供电故障包括服务器故障、配电变压器阻隔、电力设备故障、设备或线路接触不良等。获取目标地区配电网不同供电故障类别的供电故障标准特征，根据所述供电故障标准特征训练分类器，根据所述分类器获取异常通信信号综合特征与不同供电故障标准特征的进行匹配；获取特征匹配度，将所述特征匹配度进行排序，获取最高特征匹配度对应的供电故障类别进行输出，并且获取不同信道中异常通信信号的信息量，并根据信道数量获取总信息量；根据异常通信信号对应的异常定位、供电故障类别及总信息量输出目标地区配电网当前时间戳的监测结果，根据监测结果生成运维信息，发送至运维工作人员。
根据本发明实施例，获取供电载波通信网络中各通信节点的历史供电故障，根据历史供电故障次数设置通信节点的初始权重，根据当前时间戳异常通信信号对应的供电故障类别设置对应目标通信节点的供电故障标签，通过图卷积网络对供电载波通信网络对应的有向图进行表示学习，获取目标通信节点邻居节点构建邻接矩阵，根据所述邻接矩阵基于邻居聚合机制更新目标通信节点的向量表示，同时获取邻居节点对应的邻接矩阵更新对应的向量表示；通过目标通信节点及邻居节点更新后的向量表示进行向量内积计算，并利用初始权重对内积进行加权获取内积的最终计算结果进行排序，获取排序最高的邻居节点，并获取对应的通信节点，生成供电故障预警。
图4示出了本发明一种基于扩频载波通信的供电故障监测系统的框图。
本发明第二方面还提供了一种基于扩频载波通信的供电故障监测系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于扩频载波通信的供电故障监测方法程序，所述基于扩频载波通信的供电故障监测方法程序被所述处理器执行时实现如下步骤：
获取目标地区配电网中拓扑结构及供电设备，根据所述拓扑结构及供电设备构建供电载波通信网络，将所述供电设备作为通信节点；
采集配电网的电力数据生成实时传送报文生成载波信号，利用特定的PN码序列对所述载波信号进行扩频处理，获取实时通信信号，将所述实时通信信号进行预处理；
获取预处理后的实时通信信号进行特征提取，通过特征融合获取实时通信信号对应的综合特征，根据所述综合特征判定实时通信信号是否为异常通信信号；
当判定为异常通信信号时，根据异常通信信号的异常表征进行特征匹配获取异常类型，通过所述异常类型获取供电故障输出目标地区配电网当前时间戳的监测结果。
根据本发明实施例，获取预处理后的实时通信信号进行特征提取，通过特征融合获取实时通信信号对应的综合特征，具体为：
根据大数据检索获取配电网中电力数据对应的稳态特征集合，将所述稳态特征集合划分为若干稳态特征子集，选取目标稳态特征子集构建随机森林模型，根据MDA指标判断各稳态特征的重要程度；
将不符合重要程度标准的稳态特征进行剔除，更新目标稳态特征子集，在所述稳态特征集合中更新目标稳态特征子集，直到完成所有稳态特征的重要程度评估；
获取稳态特征的重要程度评估选取不同数量的稳态特征生成稳态特征子集进行建模，并通过准确性评估稳态特征子集调整对模型性能的影响，输出优选的稳态特征子集；
构建滑动窗口根据所述稳态特征子集对实时通信信号进行特征提取及特征监测，获取不同稳态特征对应特征参数的欧氏距离及余弦值获取组合相似度，根据所述组合相似度表征特征稳态特征之间的冗余度；
当所述组合相似度大于预设阈值时，则将特征参数进行简化，将简化后的稳态特征对应的特征参数进行特征融合，获取实时通信信号对应的综合特征。
需要说明的是，根据大数据检索获取配电网中电力数据对应的瞬时幅度、瞬时频率、瞬时相位、异常信号空间谱特征量等稳态特征。通过REF特征选择算法通过递归的方式删除数据集的特征变量，然后对新的特征变量子集进行训练并选择，MDA指标是准确度的平均下降，是随机森林总计算变量特征变量重要度的判断依据。通过组合特征进行特征参数的简化，避免特征参数由于相似的稳态指标选取大量重复的数据，从而导致样本数量大、数据之间难以保持一致性和代表性的情况。
根据本发明实施例，根据所述综合特征判定实时通信信号是否为异常通信信号，具体为：
根据数字孪生构建目标地区配电网对应供电载波通信网络的数字孪生体模型，通过数据检索获取历史供电故障，将所述历史供电故障进行聚类分析，根据聚类结果获取供电故障类别子集；
根据所述数字孪生模型获取供电故障类别子集对应的异常通信信号，根据所述异常通信信号基于稳态特征子集获取特征，获取供电故障类别子集对应特征的主成分特征，根据所述主成分特征确定主成分方向进行特征投影；
根据所述特征投影进行不同供电故障类别子集的特征重构，获取对应的特征散点图，基于所述特征散点图获取不同供电故障类别对应的供电故障标准特征；
获取实时通信信号对应的综合特征，对所述综合特征进行主成分分析，根据主成分特征进行特征投影获取综合特征对应的特征散点图，判断综合特征对应的特征散点图与不同类别供电故障标准特征的相似度；
当相似度大于预设阈值时，则判定实时通信信号为异常通信信号。
需要说明的是，获取异常通信信号在供电载波通信网络中的传播路径，根据所述传播路径及电线中信号的传播速度、采样频率进行异常定位；配电网的供电故障包括服务器故障、配电变压器阻隔、电力设备故障、设备或线路接触不良等。获取目标地区配电网不同供电故障类别的供电故障标准特征，根据所述供电故障标准特征训练分类器，根据所述分类器获取异常通信信号综合特征与不同供电故障标准特征的进行匹配；获取特征匹配度，将所述特征匹配度进行排序，获取最高特征匹配度对应的供电故障类别进行输出，并且获取不同信道中异常通信信号的信息量，并根据信道数量获取总信息量；根据异常通信信号对应的异常定位、供电故障类别及总信息量输出目标地区配电网当前时间戳的监测结果，根据监测结果生成运维信息，发送至运维工作人员。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于扩频载波通信的供电故障监测方法程序，所述基于扩频载波通信的供电故障监测方法程序被处理器执行时，实现如上述任一项所述的基于扩频载波通信的供电故障监测方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于扩频载波通信的供电故障监测方法，其特征在于，包括以下步骤：
获取目标地区配电网中拓扑结构及供电设备，根据所述拓扑结构及供电设备构建供电载波通信网络，将所述供电设备作为通信节点；
采集配电网的电力数据生成实时传送报文生成载波信号，利用特定的PN码序列对所述载波信号进行扩频处理，获取实时通信信号，将所述实时通信信号进行预处理；
获取预处理后的实时通信信号进行特征提取，通过特征融合获取实时通信信号对应的综合特征，根据所述综合特征判定实时通信信号是否为异常通信信号；
当判定为异常通信信号时，根据异常通信信号的异常表征进行特征匹配获取异常类型，通过所述异常类型获取供电故障输出目标地区配电网当前时间戳的监测结果。
2.根据权利要求1所述的一种基于扩频载波通信的供电故障监测方法，其特征在于，获取目标地区配电网中拓扑结构及供电设备，根据所述拓扑结构及供电设备构建供电载波通信网络，具体为：
根据目标地区配电网的基础信息提取配电网电线的拓扑结构及供电设备，通过所述拓扑结构构建供电载波通信网络，将电线作为通信介质，将所述供电设备作为通信节点；
通过目标地区配电网的电压将所述供电载波通信网络进行划分，确定供电载波通信网络在正常运行状态下的载波数及载波间隔；
获取载波通信信道中的信号结合信道噪声及电力设备与电线长度的衰减因素进行多个信道的整合叠加，完成供电载波通信网络的构建；
将所述供电载波通信网络映射到低维向量空间进行图表示，生成对应的有向图，将所述有向图表示为G＝(V，E)，V表示供电载波通信网络中通信节点及根节点的集合，E表示通信节点之间的通信链路。
3.根据权利要求1所述的一种基于扩频载波通信的供电故障监测方法，其特征在于，采集配电网的电力数据生成实时传送报文生成载波信号，利用特定的PN码序列对所述载波信号进行扩频处理，获取实时通信信号，将所述实时通信信号进行预处理，具体为：
根据预设的采样频率及连续采集时间参数采集目标地区配电网中电力数据生成需要传送的实时传送报文，通过所述实时传送报文结合载波数及载波间隔生成载波信号；
提取载波信号中的信息比特采用特定扩频PN码序列进行代替，对所述载波信号进行扩频处理，获取实时通信信号，并根据状态估算及参数估算对所述实时通信信号进行调制；
将调制后的实时通信信号通过维纳滤波器进行滤波，获取不同信号序列之间的梯度变化，根据所述梯度变化对所述维纳滤波器的阈值进行自适应调整，获取期望信号的百分比；
以实时通信信号与期望信号之间的最小均方误差实现滤波，获取预处理后的实时通信信号，根据各通信节点搜索与根节点的最短有效路径，根据所述最短有效路径构建最小生成树；
将对应的预处理后实时通信信号根据所述最小生成树进行信号融合，上传至接收端进行信号解扩。
4.根据权利要求1所述的一种基于扩频载波通信的供电故障监测方法，其特征在于，获取预处理后的实时通信信号进行特征提取，通过特征融合获取实时通信信号对应的综合特征，具体为：
根据大数据检索获取配电网中电力数据对应的稳态特征集合，将所述稳态特征集合划分为若干稳态特征子集，选取目标稳态特征子集构建随机森林模型，根据MDA指标判断各稳态特征的重要程度；
将不符合重要程度标准的稳态特征进行剔除，更新目标稳态特征子集，在所述稳态特征集合中更新目标稳态特征子集，直到完成所有稳态特征的重要程度评估；
获取稳态特征的重要程度评估选取不同数量的稳态特征生成稳态特征子集进行建模，并通过准确性评估稳态特征子集调整对模型性能的影响，输出优选的稳态特征子集；
构建滑动窗口根据所述稳态特征子集对实时通信信号进行特征提取及特征监测，获取不同稳态特征对应特征参数的欧氏距离及余弦值获取组合相似度，根据所述组合相似度表征特征稳态特征之间的冗余度；
当所述组合相似度大于预设阈值时，则将特征参数进行简化，将简化后的稳态特征对应的特征参数进行特征融合，获取实时通信信号对应的综合特征。
5.根据权利要求1所述的一种基于扩频载波通信的供电故障监测方法，其特征在于，根据所述综合特征判定实时通信信号是否为异常通信信号，具体为：
根据数字孪生构建目标地区配电网对应供电载波通信网络的数字孪生体模型，通过数据检索获取历史供电故障，将所述历史供电故障进行聚类分析，根据聚类结果获取供电故障类别子集；
根据所述数字孪生模型获取供电故障类别子集对应的异常通信信号，根据所述异常通信信号基于稳态特征子集获取特征，获取供电故障类别子集对应特征的主成分特征，根据所述主成分特征确定主成分方向进行特征投影；
根据所述特征投影进行不同供电故障类别子集的特征重构，获取对应的特征散点图，基于所述特征散点图获取不同供电故障类别对应的供电故障标准特征；
获取实时通信信号对应的综合特征，对所述综合特征进行主成分分析，根据主成分特征进行特征投影获取综合特征对应的特征散点图，判断综合特征对应的特征散点图与不同类别供电故障标准特征的相似度；
当相似度大于预设阈值时，则判定实时通信信号为异常通信信号。
6.根据权利要求1所述的一种基于扩频载波通信的供电故障监测方法，其特征在于，根据异常通信信号的异常表征进行特征匹配获取异常类型，具体为：
获取异常通信信号在供电载波通信网络中的传播路径，根据所述传播路径及电线中信号的传播速度、采样频率进行异常定位；
获取目标地区配电网不同供电故障类别的供电故障标准特征，根据所述供电故障标准特征训练分类器，根据所述分类器获取异常通信信号综合特征与不同供电故障标准特征的进行匹配；
获取特征匹配度，将所述特征匹配度进行排序，获取最高特征匹配度对应的供电故障类别进行输出，并且获取不同信道中异常通信信号的信息量，并根据信道数量获取总信息量；
根据异常通信信号对应的异常定位、供电故障类别及总信息量输出目标地区配电网当前时间戳的监测结果，根据监测结果生成运维信息，发送至运维工作人员。
7.一种基于扩频载波通信的供电故障监测系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于扩频载波通信的供电故障监测方法程序，所述基于扩频载波通信的供电故障监测方法程序被所述处理器执行时实现如下步骤：
获取目标地区配电网中拓扑结构及供电设备，根据所述拓扑结构及供电设备构建供电载波通信网络，将所述供电设备作为通信节点；
采集配电网的电力数据生成实时传送报文生成载波信号，利用特定的PN码序列对所述载波信号进行扩频处理，获取实时通信信号，将所述实时通信信号进行预处理；
获取预处理后的实时通信信号进行特征提取，通过特征融合获取实时通信信号对应的综合特征，根据所述综合特征判定实时通信信号是否为异常通信信号；
当判定为异常通信信号时，根据异常通信信号的异常表征进行特征匹配获取异常类型，通过所述异常类型获取供电故障输出目标地区配电网当前时间戳的监测结果。
8.根据权利要求7所述的一种基于扩频载波通信的供电故障监测系统，其特征在于，获取预处理后的实时通信信号进行特征提取，通过特征融合获取实时通信信号对应的综合特征，具体为：
根据大数据检索获取配电网中电力数据对应的稳态特征集合，将所述稳态特征集合划分为若干稳态特征子集，选取目标稳态特征子集构建随机森林模型，根据MDA指标判断各稳态特征的重要程度；
将不符合重要程度标准的稳态特征进行剔除，更新目标稳态特征子集，在所述稳态特征集合中更新目标稳态特征子集，直到完成所有稳态特征的重要程度评估；
获取稳态特征的重要程度评估选取不同数量的稳态特征生成稳态特征子集进行建模，并通过准确性评估稳态特征子集调整对模型性能的影响，输出优选的稳态特征子集；
构建滑动窗口根据所述稳态特征子集对实时通信信号进行特征提取及特征监测，获取不同稳态特征对应特征参数的欧氏距离及余弦值获取组合相似度，根据所述组合相似度表征特征稳态特征之间的冗余度；
当所述组合相似度大于预设阈值时，则将特征参数进行简化，将简化后的稳态特征对应的特征参数进行特征融合，获取实时通信信号对应的综合特征。
9.根据权利要求7所述的一种基于扩频载波通信的供电故障监测系统，其特征在于，根据所述综合特征判定实时通信信号是否为异常通信信号，具体为：
根据数字孪生构建目标地区配电网对应供电载波通信网络的数字孪生体模型，通过数据检索获取历史供电故障，将所述历史供电故障进行聚类分析，根据聚类结果获取供电故障类别子集；
根据所述数字孪生模型获取供电故障类别子集对应的异常通信信号，根据所述异常通信信号基于稳态特征子集获取特征，获取供电故障类别子集对应特征的主成分特征，根据所述主成分特征确定主成分方向进行特征投影；
根据所述特征投影进行不同供电故障类别子集的特征重构，获取对应的特征散点图，基于所述特征散点图获取不同供电故障类别对应的供电故障标准特征；
获取实时通信信号对应的综合特征，对所述综合特征进行主成分分析，根据主成分特征进行特征投影获取综合特征对应的特征散点图，判断综合特征对应的特征散点图与不同类别供电故障标准特征的相似度；
当相似度大于预设阈值时，则判定实时通信信号为异常通信信号。
10.根据权利要求7所述的一种基于扩频载波通信的供电故障监测系统，其特征在于，根据异常通信信号的异常表征进行特征匹配获取异常类型，具体为：
获取异常通信信号在供电载波通信网络中的传播路径，根据所述传播路径及电线中信号的传播速度、采样频率进行异常定位；
获取目标地区配电网不同供电故障类别的供电故障标准特征，根据所述供电故障标准特征训练分类器，根据所述分类器获取异常通信信号综合特征与不同供电故障标准特征的进行匹配；
获取特征匹配度，将所述特征匹配度进行排序，获取最高特征匹配度对应的供电故障类别进行输出，并且获取不同信道中异常通信信号的信息量，并根据信道数量获取总信息量；
根据异常通信信号对应的异常定位、供电故障类别及总信息量输出目标地区配电网当前时间戳的监测结果，根据监测结果生成运维信息，发送至运维工作人员。
CN202311456720.4A 2023-11-03 2023-11-03 基于扩频载波通信的供电故障监测方法及系统 Pending CN117526998A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311456720.4A CN117526998A (zh) 2023-11-03 2023-11-03 基于扩频载波通信的供电故障监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311456720.4A CN117526998A (zh) 2023-11-03 2023-11-03 基于扩频载波通信的供电故障监测方法及系统

Publications (1)

Publication Number Publication Date
CN117526998A true CN117526998A (zh) 2024-02-06

Family

ID=89744879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311456720.4A Pending CN117526998A (zh) 2023-11-03 2023-11-03 基于扩频载波通信的供电故障监测方法及系统

Country Status (1)

Country Link
CN (1) CN117526998A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117749654A (zh) * 2024-02-21 2024-03-22 山东开创电气有限公司 一种基于嵌入式计算机的矿用通讯控制系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117749654A (zh) * 2024-02-21 2024-03-22 山东开创电气有限公司 一种基于嵌入式计算机的矿用通讯控制系统
CN117749654B (zh) * 2024-02-21 2024-04-30 山东开创电气有限公司 一种基于嵌入式计算机的矿用通讯控制系统

Similar Documents

Publication Publication Date Title
CN107609569B (zh) 一种基于多维特征向量的配电网接地故障定位方法
CN117526998A (zh) 基于扩频载波通信的供电故障监测方法及系统
CN110456234B (zh) 故障电弧的检测方法、装置和系统
CN111242171A (zh) 网络故障的模型训练、诊断预测方法、装置以及电子设备
CN111371188A (zh) 一种用电异常数据实时预警系统
CN112688309B (zh) 一种应用于配电网的分支拓扑构建方法及装置
CN112688310B (zh) 一种应用于配电网的线损分析方法及装置
CN116739829B (zh) 一种基于大数据的电力数据分析方法、系统及介质
CN115221982B (zh) 牵引供电运维方法、装置、终端及存储介质
CN114252103A (zh) 融合电站运行故障预测方法
CN116862081A (zh) 一种污染治理设备运维方法及系统
CN114726740A (zh) 台区拓扑识别方法、系统及智能融合终端
CN104978837A (zh) 一种面向用户端变电所的报警系统及其实现方法
CN116070140B (zh) 一种配电变电站安全运行状态监测系统及方法
CN117093952A (zh) 基于电力设备运行状态的智能控制方法及系统
CN110647086B (zh) 一种基于运行大数据分析的智能运维监控系统
CN112149731A (zh) 基于id3算法的电力系统故障分类方法及系统
CN113268835A (zh) 基于扩展隔离林和云模型的抽水蓄能水电机组健康评估方法和装置
CN108613820A (zh) 一种用于gis本体机械缺陷诊断和定位的在线异声监测算法
CN103532233B (zh) 基于gprs技术的用电信息采集异常精确定位系统
CN110277835B (zh) 一种基于用电信息采集系统的低压用户过电压风险监测方法
CN111131249A (zh) 数据的处理方法及装置
CN110390472B (zh) 一种基于数据驱动方法的低压用户用电异常评估方法
CN116545115B (zh) 一种低压配电柜故障监测系统及其方法
CN111740856A (zh) 基于异常检测算法的网络通信设备告警采集异常预警方法

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