一种配电网同步相量测量器的制作方法
本发明涉及一种配电网同步相量测量器。
背景技术：
近年来，随着我国大量工业及家用电器的投入使用，配电网呈现出规模大和结构复杂的特点。主动配电网的实现及分布式电源并入配电网，使得配电网络结构及配电网运行过程的动态行为复杂度越来越高。所以，实时地对配电系统用电趋势进行预测、判断配电网运行异常，对检测结果采取有效措施以降低配电网的故障率，成为电力系统控制领域不可或缺的一部分。
随着科学技术的快速发展，全球定位系统的广泛使用为相量测量提供了精确的时间信息，同时各个国家为了能够实时对配电网实现动态的监控和保护，越来越多的同步相量测量单元pmu(phasormeasurementunit)在实际电网中起到重要作用。pmu能够实时采集线路的电压电流，结合gps提供的时间信息，可计算出电压电流的实时相角。
世界上的第一台pmu是由美国于1993年研制成功且进入实用阶段。美国于20世纪80年代开始研制的全球定位系统技术渐渐成熟，可为广大用户提供很高的授时精度。gps真正的应用于电力系统中是起于1993年，能够满足电力系统中监测、保护和控制的需要，能够满足pmu异地同步的需求。
相角测量的研究从上世纪80年代就己经开始了，瑞士通过采用无线电信号实现授时功能，相角的测量采用的是过零点检测法。美国在1983年同样采用无线电信号作为同步时钟，提出了用对称分量离散傅里叶变换法求解电压电流的相角。
法国于1997年开始在国家电网中的高压关键节点安装pmu来测量节点电压相量，并利用获取的相量来实时监测电网运行状态，当电网的局部发生危险事故时可快速的采取相关的处理措施，以减小事故带来的危害。
另外，英国、日本等多个国家在pmu开发与应用上也做了大量的研究。
各国发展同步相量测量技术需要相应的技术规范来统一，从而保证所研发的装置能够与电力系统兼容。美国ieee于2005年发布修订版的ieeestdpc37.118-005。该标准对数据格式和时钟选择等方面做了详细的规定。
华北电大于1995年开始了国内的pmu的相关研究。1995研发出了pmu，该装置采用测试，gps授时及过零点检测法测相角的方法，开发后的装置经过了实际电网中的实验电压电流的相角最小测量精度为0.1度。
清华大学于1997年提出了基于gps和pmu的全网同步检测系统。该系统能够对采集的数据实现分析、计算、存储等功能，可对电力系统实现实时的监测和控制。
浙江大学于1998年开始了对pmu的相关研究，在相角测量方面取得了一些成绩并制作了相关的样机。2002年，浙江大学所研发的pmu成功在高压网中挂网运行，该pmu的相角测量采用了离散傅里叶变换，通过gps和pll技术，实现了电网中异地的采样同步。
河海大学于2003年开始实施pmu的开发工作，其开发的pmu的同步时钟采用的是gps，在河南电网500kv变电枢纽进行了相关的实验。为构成河南电网的广域测量系统(wams)提供了保障。
北京理工大学于2005年研发了一种基于dsp+主处理器架构的微型pmu装置，实现同步相量测量装置的微型化和灵活化，满足当前电网发展需求。
近年来国内众多学者在相量测量的方法上作了大量研究，pmu的硬件做了性能上的提升，通过改进相量测量算法以使得测量的相量能够更加精确。我国参照21世纪初ieee标准制定了适应于我国电力系统应用的《电力系统实时动态监测系统技术规范》，该规范中对同步相量测量的技术要求做了相关说明。
现有的pmu还有许多改进空间。
技术实现要素：
本申请提供一种配电网同步相量测量器，下面具体说明。
一种实施例中提供一种配电网同步相量测量器，包括主处理器、协处理器、第一内存卡、第二内存卡、以太网口、授时模块、模数转换器和边缘计算模块；
模数转换器用于采集电网节点处的数据，将数据由模拟信号转换为数字信号；
所述授时模块用于获取卫星的时间信息；
所述协处理器分别与所述授时模块、模块转换器、主处理器连接；所述协处理器通过所述时间信息控制模数转换器对电能数据的采集，应用离散傅里叶变换法来计算采样得到的相量数据；当同步时钟信号丢失或异常时，所述协处理器基于本身时钟实现一段时间的守时；当电网运行频率非固定时，所述协处理器实时获取电网运行频率，对电网运行频率进行修正并计算出同步采样频率，再应用离散傅里叶变换法来计算出相量数据；所述协处理器将相量数据打上时间标记后上传输给所述主处理器；
所述主处理器分别与所述第一内存卡、第二内存卡连接，所述第一内存卡用于存储短期数据，所述第二内存卡用于存储故障录波信息；所述主处理器还通过所述以太网口将从协处理器接收到相量数据上传，以及接收上级下达的控制指令，并向所述协处理器下传相应的控制指令；
边缘计算模块与所述主处理器连接，用于调用相量数据进行计算，并将计算结果返回给主处理器；具体地，边缘计算模块基于分布式状态估计模型进行计算，分布式状态估计模型为基于集成深度学习的预测模型，所述边缘计算模块先通过经验模式分解算法将输入的带有时间标记的相量数据进行分解，得到不同频率的子信号，再应用深层循环神经网络对各个子信号进行分析和预测，再集成每个子信号进行分析和预测后得到的输出，完成对电网状态的估计；和/或，边缘计算模块基于故障预警和继电保护模型，以对电网中需要被保护的元件进行故障预警和继电保护，其中故障预警和继电保护模型被这样构建：步骤(1)，依靠配电网同步相量测量器所采集的相量数据，应用深度循环网络构建电力负载预测算法；步骤(2)，构建基于深层神经网络的模型，用以模拟电力系统环境，其中依靠历史相量数据，当前相量数据和电力负载预测算法所预测的相量数据来训练并验证该模拟电力系统环境的模型；步骤(3)，构建基于强化学习的继电保护优化算法，并依靠步骤(2)中所构建的模拟电力系统环境的模型，定义奖励函数，应用强化学习算法得出最佳策略，以优化继电保护的判断标准和判断阈值；和/或，边缘计算模块基于故障定位模型进行计算，其中故障定位模型被这样构建：对时域信息故障定位算法和频域信息故障定位算法进行回归性融合，以得到故障定位模型。
一实施例例中，所述配电网同步相量测量器，还包括irig-b接口和rs485接口，所述协处理器能够通过所述irig-b接口和rs485接口与其他设备通信，进行信息交互。
一实施例例中，所述协处理器为数字信号处理器。
一实施例例中，所述授时模块为gps/北斗授时模块，能够获取gps/北斗的时间信息。
一实施例例中，所述的配电网同步相量测量器还包括usb接口，所述主处理器通过所述usb接口与其他设备通信，进行信息交互。
一实施例例中，所述的配电网同步相量测量器还包括与所述主处理器连接显示器，用于显示信息。
一实施例例中，当接收到由主处理器下传的控制继电器的指令后，则所述协处理器控制继电器进行相应的的开或关，并将开关信息上传回主处理器。
一实施例例中，所述边缘计算模块包括gpu。
一实施例例中，所述配电网同步相量测量器还将计算得到带有时间标记的相量数据进行存储，并将相量数据的信息存储到区块链，其中相量数据的信息包括相量数据的类型信息、相量数据的存储位置信息、相量数据的版本信息、相量数据的读取权限信息和相量数据的读写历史信息的一者或多者；所述主处理器当接收到对其所存储的相量数据的读取请求时，根据区块链中的相量数据的读取权限信息判断是否有相应的权限，当判断有相应的权限，则允许对配电网同步相量测量器存储的相量数据进行读取，反之，当判断没有相应的权限，则不允许对配电网同步相量测量器存储的相量数据进行读取。
依据上述实施例的配电网同步相量测量器，由于引入边缘计算模块，能够摆脱对云的依赖，无需将边缘传感器产生的大数据传回云端服务器，即可进行快速运算，降低了数据传输的要求。
附图说明
图1为一种实施例的配电网同步相量测量器的结构示意图；
图2为另一种实施例的配电网同步相量测量器的结构示意图；
图3为又一种实施例的配电网同步相量测量器的结构示意图；
图4为再一种实施例的配电网同步相量测量器的结构示意图；
图5为一种实施例的状态估计的算法示意图；
图6为另一种实施例的状态估计的算法示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。
本申请紧密结合未来配电网的特点，在充分了解相量测量装置pmu的软硬件架构和工作原理的基础上，结合人工智能边缘计算技术，开发出性价比高且适合负载预测、故障分析或状态估计等功能的配电网同步相量测量器dpmu(distributionphasormeasurementunit)。下面具体说明。
请参照图1，一些实施例中配电网同步相量测量器包括主处理器10、协处理器12、第一内存卡14、第二内存卡16、以太网口18、授时模块20、模数转换器22和边缘计算模块24，下面具体说明。
模数转换器22用于采集电网节点处的数据，将数据由模拟信号转换为数字信号。例如模数转换器22采集电网节点处的电压和电流等，并转为数字信号。一些例子中，模数转换器22可以为8路16位的高速模数转换器。
授时模块20用于获取卫星的时间信息。一些实施例中，授时模块20为gps/北斗授时模块，能够获取gps/北斗的时间信息。这里的gps是英文globalpositioningsystem(全球定位系统)的简称，授时模块20能够接收到可用于授时的准确至纳秒级的时间信息。这里的北斗指的是中国北斗卫星导航系统(英文名称：beidounavigationsatellitesystem，简称bds)，它是中国自行研制的全球卫星导航系统。北斗卫星导航系统由空间段、地面段和用户段三部分组成，可在全球范围内全天候、全天时为各类用户提供高精度、高可靠定位、导航、授时服务，并具短报文通信能力，已经初步具备区域导航、定位和授时能力，定位精度为分米、厘米级别，测速精度0.2米/秒，授时精度10纳秒。
协处理器12分别与授时模块20、模块转换器22、主处理器10连接。协处理器12通过授时模块20所获取的时间信息控制模数转换器22对电能数据的采集，应用离散傅里叶变换法来计算采样得到的相量数据。一些例子中，当同步时钟信号丢失或异常时，协处理器12基于本身时钟实现一段时间的守时。一些例子中，当电网运行频率非固定时，协处理器12实时获取电网运行频率，对电网运行频率进行修正并计算出同步采样频率，再应用离散傅里叶变换法来计算出相量数据。协处理器12将相量数据打上时间标记后上传输给主处理器10。一些例子中，协处理器12可以为数字信号处理器dsp。
一些实施例中，请参照图2，配电网同步相量测量器还包括irig-b接口和rs485接口，协处理器12能够通过irig-b接口和rs485接口与其他设备通信，进行信息交互。
主处理器10分别与第一内存卡14、第二内存卡16连接。第一内存卡14用于存储短期数据，第二内存卡16用于存储故障录波信息。主处理器10还通过以太网口18将从协处理器12接收到相量数据上传，以及接收上级下达的控制指令，并向协处理器12下传相应的控制指令。例如，当接收到由主处理器10下传的控制继电器的指令后，则协处理器12控制继电器进行相应的的开或关，并将开关信息上传回主处理器10。
一些实施例中，请参照图3，配电网同步相量测量器还包括usb接口，主处理器10能够通过usb接口与其他设备通信，进行信息交互。
一些实施例中，请参照图4，配电网同步相量测量器还包括与主处理器10连接显示器26，用于显示信息。
边缘计算模块24与主处理器10连接，用于调用相量数据进行计算，并将计算结果返回给主处理器。一些实施例中，边缘计算模块24可以包括gpu。
一些具体的实施例中，边缘计算模块24基于分布式状态估计模型进行计算，分布式状态估计模型为基于集成深度学习的预测模型，边缘计算模块24先通过经验模式分解算法将输入的带有时间标记的相量数据进行分解，得到不同频率的子信号，再应用深层循环神经网络对各个子信号进行分析和预测，再集成每个子信号进行分析和预测后得到的输出，完成对电网状态的估计。
在具体的负载预测算或者说分布式状态估计模型方面，利用dpmu实时采集的高频数据，大致有两种研究方向来创建准确的短期电力负载时序预测模型。第一种是利用深度学习(deeplearning)技术，其基本原理是利用多次非线性转换来构造复杂网络结构，以提取大数据中的高层次抽象和特征。另一种方向是集成机器学习算法(ensemblemachinelearningmethods)。由于单个的预测模型往往不够稳定而不能适应多种情况，通过策略性的组合不同的机器学习算法，深入研究时序信号的特性，充分考虑各种可能的影响因素，构建出更准确更稳定高效的时序预测模型预测电力负载。
一些具体的例子中，可以构建一种基于集成深度学习的预测模型，该预测模型先通过经验模式分解算法将输入的电力负载时序数据进行分解，得到不同频率的子信号，再应用深层循环神经网络对各个子信号进行分析和预测，最后集成每个子信号进行分析和预测后得到的输出得到负载预测的最终结果。请参照图5，为预测模型或者说状态估计的算法流程图，不妨以用电数据为功率为例，图中时序信号(timeseriessignal，tss)指功率信号，先对时序信号进行离散小波变换(discretewavelettransformation，dwt)得到各项w1、w2，….，wm；再对这各项w1、w2，….，wm分别进行经验模式分解，得到若干的子信号(例如图中imf，r)，具体地，对w1进行经验模式分解得到
上述负载预测模型或者说分布式状态估计模型以lstm为例，实际上可以使用的时序预测算法有很多种，包括传统统计学方法(如线性回归，arima等)，经典机器学习算法(神经网络，支持向量机，随机森林等)，以及深度学习算法(卷积神经网络，循环神经网络等)。针对边缘计算的应用场景，可以优先考虑使用以简单模型为基础，有策略的集成各模型输出得到准确预测结果的集成学习算法，可以综合兼顾计算速度和预测精确度，降低对边缘计算设备的计算性能要求。
一些具体的实施例中，边缘计算模块24基于故障预警和继电保护模型，以对电网中需要被保护的元件进行故障预警和继电保护，其中故障预警和继电保护模型被这样构建：步骤(1)，依靠配电网同步相量测量器所采集的相量数据，应用深度循环网络构建电力负载预测算法；步骤(2)，构建基于深层神经网络的模型，用以模拟电力系统环境，其中依靠历史相量数据，当前相量数据和电力负载预测算法所预测的相量数据来训练并验证该模拟电力系统环境的模型；步骤(3)，构建基于强化学习的继电保护优化算法，并依靠步骤(2)中所构建的模拟电力系统环境的模型，定义奖励函数，应用强化学习算法得出最佳策略，以优化继电保护的判断标准和判断阈值。一些具体实施例中，步骤(3)具体包括：依靠配电网同步相量测量器所采集的相量数据，构建生成对抗网络进行无监督学习，以让一生成模型学习正常模式下电力系统环境运行的规律和模式，同时生成模拟数据帮助一判别模型学习需要被保护的元件异常情况的判断；通过不断迭代，生成模型和判断模型互相竞争，以得到对于模拟电力系统环境的模型的替代模型，以及能够判断需要被保护的元件异常情况的分类器，并利用该分类器分析步骤(1)中电力负载预测算法的预测结果，以判断需要被保护的元件异常情况；基于电力负载预测算法和生成对抗网络，构建电网内需要被保护元件的模拟运行环境，在所构建好电网内需要被保护元件的模拟运行环境后，定义奖励函数或者说优化目标，并应用强化学习算法优化继电保护的判断标准和判断阈值。
综上所述，针对边缘计算的应用场景，一些例子中，可以使用dpmu采集被保护元件相关运行参数，同时构建时序预测，环境模拟和故障分辨等人工智能模型，并基于传统继电保护策略，不断优化和迭代相关阈值，最终得到最优的保护策略。一些例子中，dpmu其边缘智能继电保护方案同时具有计算速度快，数据传输要求低，安全性高，与误报警率、误操作率低的优点。
一些具体的实施例中，边缘计算模块24基于故障定位模型进行计算，其中故障定位模型被这样构建：对时域信息故障定位算法和频域信息故障定位算法进行回归性融合，以得到故障定位模型。一些具体实施例中，对时域信息故障定位算法和频域信息故障定位算法进行回归性融合，以得到故障定位模型，包括：采用机器学习的方法，利用仿真数据构成训练集，对机器学习算法进行训练，得到回归模型，在配电网发生故障时，基于回归模型实现多判据融合。另一些具体实施例中，对时域信息故障定位算法和频域信息故障定位算法进行回归性融合，以得到故障定位模型，包括：利用集成学习的方法，构建多故障定位结果的选择模型，以仿真数据作为训练集，对多故障定位结果的选择模型进行训练，在配电网故障时，选择模型在多故障定位结果中选择一个误差最小的结果作为输出。
本发明的一个发明点在于引入边缘计算模块24，而本发明一些例子中的dpmu可以高频率地实时采集电网中各向量的数值和相角，因此能够为边缘计算提供有力的硬件支持。边缘计算技术能够摆脱对云的依赖，无需将边缘传感器产生的大数据传回云端服务器，即可进行快速运算，降低了数据传输的要求，同时也提高的运算速度。一些例子中，边缘计算模块24可以使用低功耗小型gpu芯片，对人工智能相关及状态估计使用的复杂矩阵运算在dpmu本地运行。边缘计算模块24会与主处理器10配合，调用dpmu中的数据并返回计算结果。
一些实施例中，配电网同步相量测量器还将计算得到带有时间标记的相量数据进行存储，并将相量数据的信息存储到区块链，其中相量数据的信息包括相量数据的类型信息、相量数据的存储位置信息、相量数据的版本信息、相量数据的读取权限信息和相量数据的读写历史信息的一者或多者；所述主处理器当接收到对其所存储的相量数据的读取请求时，根据区块链中的相量数据的读取权限信息判断是否有相应的权限，当判断有相应的权限，则允许对配电网同步相量测量器存储的相量数据进行读取，反之，当判断没有相应的权限，则不允许对配电网同步相量测量器存储的相量数据进行读取
一些实施例中的dpmu具有微秒级的分辨率和配电网应用所需的超高精度，达到超高精度的同步相量测量，符合同步相量测量装置的ieeec37.118.2-2011标准，可用于实时控制应用。一些实施例中的dpmu具有超准确的相量测量：tve0.01％。一些实施例中的dpmu能够同时记录传输同步相量数据。一些实施例中的dpmu能够快速记录/流速率：50hz时100次/秒，60hz时120次/秒。一些实施例中的dpmu所采集的电压和电流相量：频率，有功/无功功率，功率因数。一些实施例中的dpmu符合ieeec37.118.1-2011和c37.118.2-2011。一些实施例中的dpmu与openpdc完全兼容。一些实施例中的dpmu内部存储器可保存30天的相量测量数据。一些实施例中的dpmu，其数据记录可以通过ftp下载。一些实施例中的dpmu可以通过ftp或网页(http)进行配置和固件更新。一些实施例中的dpmu支持通过pt和ct进行连接。一些实施例中的dpmu支持5g网络、北斗和gps时间同步。一些实施例中的dpmu具有低功耗的边缘计算功能，支持人工智能模型计算。
本文参照了各种示范实施例进行说明。然而，本领域的技术人员将认识到，在不脱离本文范围的情况下，可以对示范性实施例做出改变和修正。例如，各种操作步骤以及用于执行操作步骤的组件，可以根据特定的应用或考虑与系统的操作相关联的任何数量的成本函数以不同的方式实现(例如一个或多个步骤可以被删除、修改或结合到其他步骤中)。
虽然在各种实施例中已经示出了本文的原理，但是许多特别适用于特定环境和操作要求的结构、布置、比例、元件、材料和部件的修改可以在不脱离本披露的原则和范围内使用。以上修改和其他改变或修正将被包含在本文的范围之内。
前述具体说明已参照各种实施例进行了描述。然而，本领域技术人员将认识到，可以在不脱离本披露的范围的情况下进行各种修正和改变。因此，对于本披露的考虑将是说明性的而非限制性的意义上的，并且所有这些修改都将被包含在其范围内。同样，有关于各种实施例的优点、其他优点和问题的解决方案已如上所述。然而，益处、优点、问题的解决方案以及任何能产生这些的要素，或使其变得更明确的解决方案都不应被解释为关键的、必需的或必要的。本文中所用的术语“包括”和其任何其他变体，皆属于非排他性包含，这样包括要素列表的过程、方法、文章或设备不仅包括这些要素，还包括未明确列出的或不属于该过程、方法、系统、文章或设备的其他要素。此外，本文中所使用的术语“耦合”和其任何其他变体都是指物理连接、电连接、磁连接、光连接、通信连接、功能连接和/或任何其他连接。
具有本领域技术的人将认识到，在不脱离本发明的基本原理的情况下，可以对上述实施例的细节进行许多改变。因此，本发明的范围应仅由权利要求确定。
- 还没有人留言评论。精彩留言会获得点赞！