卡尔曼滤波算法下电力通信自动化监测系统设计

王伟屹，赵 晔

(延安大学 物理与电子信息学院，陕西 延安 716000)

0 引 言

随着国家经济的高速发展，各类电力通信网为居民的日常生活和企业的平稳运转提供了重要保障[1]。电力通信网络在实际应用中容易出现一定的安全隐患，若不及时发现进行处理，则会直接影响电力系统的正常运作，对居民和企业用电造成不良影响，由此急需寻找一种有效的电力通信监测手段，实时监测电力通信网络运行情况，帮助工作人员及时发现问题，从而维护电力通信网络的正常运行[2-3]。由此可见，对电力通信自动化监测进行研究，对于居民、企业供电可靠性和电力通信智能化发展具有重要的实际意义。

李博等设计了一种电网通信光缆监测系统，详细分析了系统需求，利用光时域反射仪定位光缆故障，设计软件流程对通信光缆测试，并采用计算机软件系统对监测结果进行可视化分析，发现该系统对于通信光缆的故障定位结果较为准确，但存在耗时长的问题[4]；姜文等提出通信网络是实现电网智能化发展的重要基础，该文分析了电网通信过程中出现的故障、预警和流量异常等问题，实现了通信网络设备状态的准确估计，为电网通信系统的正常运行提供了有效的技术支持，但该方法对通信数据的滤波效果不佳[5]；申敏等提出一种改进MIMO检测算法用于检测电力线通信系统的运行状态，该方法的优点在于算法简单易行，整体复杂度较低，但处理得到的信号含噪声较高[6]。

为解决现有方法存在的不足，可以引入先进的数据信息和通信技术[7]。本文采用卡尔曼滤波算法设计了一种电力通信自动化监测系统。实验结果表明：所设计系统监测得到的SINR值相对较高，且系统负载能力强，耗时短。

1 总体架构设计

电力通信自动化监测系统是一种具备监测、管理功能的分布式系统，主要对电力通信网络中的设备、信道等进行实时监测和故障分析，以方便及时发现问题、完成故障诊断处理等[8-9]。

本文以监测站为中心设计电力通信自动化监测系统，主要分为数据层、网络层和应用层3个部分，总体架构如图1所示。

图1 系统总体架构Fig.1 Overall system architecture

从图1可以看出，数据层主要通过设备采集电力通信数据，多个采集单元集成形成网元控制模块，完成数据采集和存储工作，然后利用通信传输信道将采集得到的数据传输至网络层，在应用层设立监测中心作为电力通信数据处理中心，构建数据处理模块、监测模块和管理模块，利用网络技术通过数据分析对各个监测站进行自动化控制管理[10]，并将监测结果实时反馈至工作人员。若电力通信网络出现故障，将会发出红色预警信号，同时自动定位故障点，从而完成对电力通信状态的监测并做出反馈，为系统维修提供技术支持。

2 电力通信自动化监测系统设计

2.1 硬件设计

根据电力通信自动化监测系统总体架构，以监测中心为重点设计分析系统硬件。根据系统整体架构及监测中心结构可以看出[11]，系统运行中主要使用的硬件设备包括数据交换机、数据服务器、工作站及路由器等。

服务器：服务器采用数据服务器和通信服务器2种，其中数据服务器用于数据存储，配置磁盘列阵；通信服务器作为前置机用于实时处理电力通信数据[12-14]。

交换机：以太网交换机具有网络虚拟功能，可有效连接监测节点，因此系统设计中选取以太网交换机进行连接[15-17]。但实际系统运行过程中可能会出现网络负荷压力大或交换机故障等问题，为进一步提高虚拟网络的可靠性，在监测中心中配置双套以太网交换机，增强网络通信负荷分担能力，提高网络通信效果。

工作站：工作站设置监控工作站和管理工作站，监控工作站用于实时监控通信数据，管理工作站通过对系统数据和程序设定、修改等，完成对显示单元和设备的控制。

路由器：本文使用的路由器具备多样化接口，包括RS449、RS232、X.21等类型，可提供多样化速率，为系统各部件连接提供基础[18-20]。

2.2 软件设计

在硬件结构配置完成的基础上，设计软件运行流程，实现电力通信自动化监测系统设计。根据系统设计架构可知，本文系统重点需要对采集得到的电力通信数据进行处理，提高数据质量，实现电力通信状态的自动化监测，从而完成系统运行和管理。因此，需要对电力通信数据处理方法进行详细分析。

实际应用中，电力系统呈非线性运行状态，非线性系统的运作需要依靠非线性模型，数据计算量极大，因此需要寻找一种简化模型完成电力通信的非线性滤波[21-23]。常用的卡尔曼滤波算法是一种线性滤波算法，因此本文对其改进，形成无迹卡尔曼滤波算法。无迹变换是无迹卡尔曼滤波算法设计的关键，采用非线性方式对电力通信数据点集进行变换，获取近似变量变换统计特征[24-25]。通过无迹变换这一方法计算电力通信非线性系统中的信息，计算结果更为准确和稳定。

(1)

式中：x(t)为t时刻的电力通信状态量估计值；P(t)为t时刻状态量的方差；q(t)为t时刻噪声；f(ψt)为t时刻sigma点集{ψt}形成的点集函数。

(2)

式中：Wt为卡尔曼增益；y(t)为t时刻电力通信状态量的非线性变换估计值；z(t)为噪声量测变量；K为权值。

综上所述，依地酸钙钠或DMSA联合水溶性维生素可作为临床上治疗慢性铅中毒的首选治疗方案，其效果远优于目前临床使用的依地酸钙钠或DMSA的单独治疗。

通过上述操作，实现基于卡尔曼滤波的电力通信数据处理，将处理后的数据传递输出，则能在监控工作站完成电力通信自动化监测，实现系统设计和管理。监测流程如图2所示。

图2 电力通信自动化监测实现流程Fig.2 Implementation process of power communication automation monitoring

3 实验分析

为验证本文系统性能，在Web 服务器下，利用Matlab软件搭建模拟环境测试系统。操作系统为Windows 10，结构化语言为SQL Server，开发工具包为JDK Version 1.6.0，CPU为Intel(r)Core(tm)i5-2410m。选取SINR、负载能力和耗时3个性能度量指标进行系统测试分析。

SINR表示接收的信息中有用信号的强度与干扰信号的强度的比值。SINR值越大，有用信号的强度越大、系统抗噪声干扰性能越强。以SINR为指标，在迭代1 350次的实验过程中对比本文系统与3D模型技术和电力通信状态估计法，对比结果如图3所示。

从图3可以看出，在1 350次迭代运行中，本文系统具有更快的收敛速度，且相较于3D模型技术和电力通信状态估计法具有更高的SINR值，表明本文系统经过一段时间的迭代运行后，具有更强的噪声抑制能力。

系统负载能力测试是验证系统是否高效的指标之一。将本文的电力通信监测系统负载率与其他文献进行对比，负载率越低，表明系统负载能力越强。使用压力测试工具Web application stress进行系统负载测试，测试对比结果如图4所示。

图4 不同系统的负载测试结果对比Fig.4 Comparison of load test results of different systems

从图4可以看出，本文系统在测试过程中出现的最高负载率约为40%，3D模型技术和电力通信状态估计法的最高负载率分别约为80%和70%。从数据对比可知，本文系统在整个运行过程中能够很好的平衡系统负载，保持高效运行，而其他2种系统则会因系统负载过高出现阻碍系统运行问题，影响用户的使用体验。由此验证了本文系统具有较好的负载能力，这是因为在系统设计中采用了双交换机和双服务器，有效缓解了运行压力，且基于简化后的非线性滤波器进行数据处理，可以降低数据运算量，从而减小系统运行负担。

表1 不同系统的运行耗时对比Tab.1 Comparison of running time of different systems 单位：s

从表1可以看出，本文系统的平均耗时为8.0 s，且在多次实验过程中，利用本文系统进行电力通信自动化监测的最高时间不超过9 s，而文献[4]系统的平均耗时为22.4 s，文献[5]系统的平均耗时为27.4 s，超过本文系统耗时的2倍多，差距显著，说明本文系统在运行时间方面具有明显的优势。

4 结 语

电力通信网络紧密关联人们的生活和工作，其发展已成为大众关注的热点。对电力通信网络进行自动监测是一种有效的管理手段，为提高监测数据质量，获取准确的电力通信运行状态，本文通过改进后的卡尔曼滤波算法处理电力通信数据，构建数据层、网络层和应用层实现系统设计，并通过实验验证了所设计系统的性能。结果表明：该系统的数据处理能力强，系统运行效果好，对电力通信相关研究提供了基础。

然而，本研究仍存在一定的不足，对电力通信可能出现的各种故障问题未进行详细分析，下一步将更加深入讨论通信网络运行细节，对不同状态下的系统运行方式进行探索，提高系统的实际应用性。