卡爾曼濾波算法下電力通信自動化監測系統設計

王偉屹，趙 曄

(延安大學 物理與電子信息學院，陜西 延安 716000)

0 引 言

隨著國家經濟的高速發展，各類電力通信網為居民的日常生活和企業的平穩運轉提供了重要保障[1]。電力通信網絡在實際應用中容易出現一定的安全隱患，若不及時發現進行處理，則會直接影響電力系統的正常運作，對居民和企業用電造成不良影響，由此急需尋找一種有效的電力通信監測手段，實時監測電力通信網絡運行情況，幫助工作人員及時發現問題，從而維護電力通信網絡的正常運行[2-3]。由此可見，對電力通信自動化監測進行研究，對于居民、企業供電可靠性和電力通信智能化發展具有重要的實際意義。

李博等設計了一種電網通信光纜監測系統，詳細分析了系統需求，利用光時域反射儀定位光纜故障，設計軟件流程對通信光纜測試，并采用計算機軟件系統對監測結果進行可視化分析，發現該系統對于通信光纜的故障定位結果較為準確，但存在耗時長的問題[4]；姜文等提出通信網絡是實現電網智能化發展的重要基礎，該文分析了電網通信過程中出現的故障、預警和流量異常等問題，實現了通信網絡設備狀態的準確估計，為電網通信系統的正常運行提供了有效的技術支持，但該方法對通信數據的濾波效果不佳[5]；申敏等提出一種改進MIMO檢測算法用于檢測電力線通信系統的運行狀態，該方法的優點在于算法簡單易行，整體復雜度較低，但處理得到的信號含噪聲較高[6]。

為解決現有方法存在的不足，可以引入先進的數據信息和通信技術[7]。本文采用卡爾曼濾波算法設計了一種電力通信自動化監測系統。實驗結果表明：所設計系統監測得到的SINR值相對較高，且系統負載能力強，耗時短。

1 總體架構設計

電力通信自動化監測系統是一種具備監測、管理功能的分布式系統，主要對電力通信網絡中的設備、信道等進行實時監測和故障分析，以方便及時發現問題、完成故障診斷處理等[8-9]。

本文以監測站為中心設計電力通信自動化監測系統，主要分為數據層、網絡層和應用層3個部分，總體架構如圖1所示。

圖1 系統總體架構Fig.1 Overall system architecture

從圖1可以看出，數據層主要通過設備采集電力通信數據，多個采集單元集成形成網元控制模塊，完成數據采集和存儲工作，然后利用通信傳輸信道將采集得到的數據傳輸至網絡層，在應用層設立監測中心作為電力通信數據處理中心，構建數據處理模塊、監測模塊和管理模塊，利用網絡技術通過數據分析對各個監測站進行自動化控制管理[10]，并將監測結果實時反饋至工作人員。若電力通信網絡出現故障，將會發出紅色預警信號，同時自動定位故障點，從而完成對電力通信狀態的監測并做出反饋，為系統維修提供技術支持。

2 電力通信自動化監測系統設計

2.1 硬件設計

根據電力通信自動化監測系統總體架構，以監測中心為重點設計分析系統硬件。根據系統整體架構及監測中心結構可以看出[11]，系統運行中主要使用的硬件設備包括數據交換機、數據服務器、工作站及路由器等。

服務器：服務器采用數據服務器和通信服務器2種，其中數據服務器用于數據存儲，配置磁盤列陣；通信服務器作為前置機用于實時處理電力通信數據[12-14]。

交換機：以太網交換機具有網絡虛擬功能，可有效連接監測節點，因此系統設計中選取以太網交換機進行連接[15-17]。但實際系統運行過程中可能會出現網絡負荷壓力大或交換機故障等問題，為進一步提高虛擬網絡的可靠性，在監測中心中配置雙套以太網交換機，增強網絡通信負荷分擔能力，提高網絡通信效果。

工作站：工作站設置監控工作站和管理工作站，監控工作站用于實時監控通信數據，管理工作站通過對系統數據和程序設定、修改等，完成對顯示單元和設備的控制。

路由器：本文使用的路由器具備多樣化接口，包括RS449、RS232、X.21等類型，可提供多樣化速率，為系統各部件連接提供基礎[18-20]。

2.2 軟件設計

在硬件結構配置完成的基礎上，設計軟件運行流程，實現電力通信自動化監測系統設計。根據系統設計架構可知，本文系統重點需要對采集得到的電力通信數據進行處理，提高數據質量，實現電力通信狀態的自動化監測，從而完成系統運行和管理。因此，需要對電力通信數據處理方法進行詳細分析。

實際應用中，電力系統呈非線性運行狀態，非線性系統的運作需要依靠非線性模型，數據計算量極大，因此需要尋找一種簡化模型完成電力通信的非線性濾波[21-23]。常用的卡爾曼濾波算法是一種線性濾波算法，因此本文對其改進，形成無跡卡爾曼濾波算法。無跡變換是無跡卡爾曼濾波算法設計的關鍵，采用非線性方式對電力通信數據點集進行變換，獲取近似變量變換統計特征[24-25]。通過無跡變換這一方法計算電力通信非線性系統中的信息，計算結果更為準確和穩定。

(1)

式中：x(t)為t時刻的電力通信狀態量估計值；P(t)為t時刻狀態量的方差；q(t)為t時刻噪聲；f(ψt)為t時刻sigma點集{ψt}形成的點集函數。

(2)

式中：Wt為卡爾曼增益；y(t)為t時刻電力通信狀態量的非線性變換估計值；z(t)為噪聲量測變量；K為權值。

綜上所述，依地酸鈣鈉或DMSA聯合水溶性維生素可作為臨床上治療慢性鉛中毒的首選治療方案，其效果遠優于目前臨床使用的依地酸鈣鈉或DMSA的單獨治療。

通過上述操作，實現基于卡爾曼濾波的電力通信數據處理，將處理后的數據傳遞輸出，則能在監控工作站完成電力通信自動化監測，實現系統設計和管理。監測流程如圖2所示。

圖2 電力通信自動化監測實現流程Fig.2 Implementation process of power communication automation monitoring

3 實驗分析

為驗證本文系統性能，在Web 服務器下，利用Matlab軟件搭建模擬環境測試系統。操作系統為Windows 10，結構化語言為SQL Server，開發工具包為JDK Version 1.6.0，CPU為Intel(r)Core(tm)i5-2410m。選取SINR、負載能力和耗時3個性能度量指標進行系統測試分析。

SINR表示接收的信息中有用信號的強度與干擾信號的強度的比值。SINR值越大，有用信號的強度越大、系統抗噪聲干擾性能越強。以SINR為指標，在迭代1 350次的實驗過程中對比本文系統與3D模型技術和電力通信狀態估計法，對比結果如圖3所示。

從圖3可以看出，在1 350次迭代運行中，本文系統具有更快的收斂速度，且相較于3D模型技術和電力通信狀態估計法具有更高的SINR值，表明本文系統經過一段時間的迭代運行后，具有更強的噪聲抑制能力。

系統負載能力測試是驗證系統是否高效的指標之一。將本文的電力通信監測系統負載率與其他文獻進行對比，負載率越低，表明系統負載能力越強。使用壓力測試工具Web application stress進行系統負載測試，測試對比結果如圖4所示。

圖4 不同系統的負載測試結果對比Fig.4 Comparison of load test results of different systems

從圖4可以看出，本文系統在測試過程中出現的最高負載率約為40%，3D模型技術和電力通信狀態估計法的最高負載率分別約為80%和70%。從數據對比可知，本文系統在整個運行過程中能夠很好的平衡系統負載，保持高效運行，而其他2種系統則會因系統負載過高出現阻礙系統運行問題，影響用戶的使用體驗。由此驗證了本文系統具有較好的負載能力，這是因為在系統設計中采用了雙交換機和雙服務器，有效緩解了運行壓力，且基于簡化后的非線性濾波器進行數據處理，可以降低數據運算量，從而減小系統運行負擔。

表1 不同系統的運行耗時對比Tab.1 Comparison of running time of different systems 單位：s

從表1可以看出，本文系統的平均耗時為8.0 s，且在多次實驗過程中，利用本文系統進行電力通信自動化監測的最高時間不超過9 s，而文獻[4]系統的平均耗時為22.4 s，文獻[5]系統的平均耗時為27.4 s，超過本文系統耗時的2倍多，差距顯著，說明本文系統在運行時間方面具有明顯的優勢。

4 結 語

電力通信網絡緊密關聯人們的生活和工作，其發展已成為大眾關注的熱點。對電力通信網絡進行自動監測是一種有效的管理手段，為提高監測數據質量，獲取準確的電力通信運行狀態，本文通過改進后的卡爾曼濾波算法處理電力通信數據，構建數據層、網絡層和應用層實現系統設計，并通過實驗驗證了所設計系統的性能。結果表明：該系統的數據處理能力強，系統運行效果好，對電力通信相關研究提供了基礎。

然而，本研究仍存在一定的不足，對電力通信可能出現的各種故障問題未進行詳細分析，下一步將更加深入討論通信網絡運行細節，對不同狀態下的系統運行方式進行探索，提高系統的實際應用性。