噪声

本书围绕电力无线传感网技术创新应用，聚焦于低功耗无线传感网在发电、输电、变电、配电、用电等电力行业领域的应用，具体包括电力发电厂监测区域的事故预警、环境状态判断、劣化趋势分析，输电线路的电力巡检和运维管理，变电站内电力设备的运行状态、环境状态等在线监测，配电领域储能和配电自动化业务的监控和故障定位系统，用电采集和精准负荷控制业务的监测和分析管理等。介绍了无线传感网及其产业发展现状，概述了无线传感网主流技术，总结提炼了电力无线传感网在电力领域的应用情况，分析研究了电力无线传感网的应用价值和挑战，探讨提出了电力无线传感网技术应用发展趋势及建议。 无线传感网是大量的静止或移动的传感器节点以自组织和多跳的方式构成的无线网络，可以感知、采集和处理信息，并将获得的详尽信息发送给需要的用户。 “十四五”期间，国家电网有限公司服务新型电力系统构建需求，将“全力推进电力物联网高质量发展”作为重点工作任务之一，其中的各项工作部署均离不开无线传感网的支撑。无线传感器网中众多类型的传感器，可探测包括地震、电磁、温度、湿度、噪声、光强度、压力、土壤成分、移动物体的大小、速度和方向等。潜在的应用领域可以归纳为军事、航空、防爆、救灾、环境、医疗、保健、家居、工业、商业等领域。新型电力系统的一些重要的、需要被监控的设备上可以安装传感器，实时监控设备的运行状况。采用无线传感网络技术，将监测到的重要参数上传到集中处理平台，智能电力系统可以根据参数的变化，及时发现设备故障等，主动预防可能发生的各种事故。 与传统有线网络相比，无线传感网络具有很明显的优势，主要有：低能耗、低成本、通用性、网络拓扑、安全、实时性、以数据为中心等。无线传感网给电力行业带来应用价值的同时，也面临着极大的挑战。通用无线传感网技术无法满足某些特定的业务需求，变电站、输电线路等某些复杂的电力现场环境对于功耗控制、传输距离、组网灵活性等方面有特定需求，需要结合电力物联网的业务需求和应用场景来实现功耗和连接性能的协同优化；在终端接入和数据传输方面，设备和数据量均呈爆发式增长，海量数据给电力物联网带来了资源和数据传输带宽的压力；传感节点大多布置在户外环境中，恶劣环境和网络攻击均影响传感节点的运行和信息传递，因此，提升终端接入安全和抗干扰能力是保证电力物联网健康发展的重要基础；传感器小型化、无源化技术有待突破，利用电网沿线的磁场、电场、振动及温差等外部条件，实现微源取能是关键难点。为此，电力企业需要弥补现有的不足和短板，结合电力行业发展战略，研究低功耗无线传感网的网络与安全连接技术，全方位地提高感知数据的颗粒度、广度和维度，并持续积极探索基于人工智能的知识赋能、５G通信技术、基于边缘计算的技术、数据开发服务技术等方面融合发展。 联系人：陈姗姗 手 机：13261508443 邮 箱：chenshanshan@eptc.org.cn

噪声与振动是运行设备的固有特性，绝大部分异常状态(工况)都会伴随振动与声的变化 。异常振动会带来结构松动、绝缘老化、材料疲劳等问题，对电网安全稳定运行造成重大隐患。声振检测与诊断技术具有非接触、不停电、可连续等优点，可及时发现设备早期潜伏性缺陷，可以作为现有监测手段的必要补充。讲座将介绍变压器、绝缘子、水轮发电机等电力设备声纹识别技术，包括抗干扰检测方法、特征量提取与模式识别、基于人工智能的声纹识别技术等。

国网山东公司根据配网一线局放检测需求，通过智能公司整合局放成像技术和无人机平台，创新使用AI降噪技术解决无人机及环境噪声干扰难题，开发机载局放成像检测装置，切实解决现场局放检测“找不准、找得慢”难题，变革配网局放检测模式，降低一线作业人员劳动强度，提升配网设备运维管理水平。

噪声污染防治与人民群众生活息息相关，是生态文明建设的重要内容。近年来，国家相继出台了新版《中华人民共和国噪声污染防治法》《“十四五”噪声污染防治行动计划》等法律和政策，对改善声环境质量要求逐步提高。

近年来，为更好支撑大规模分布式电源与电动汽车等互动负荷接入，智能配电网发展迅速。智能配电网的源网荷呈现出常态化的快速随机波动，如光伏发电出力秒级波动可达50%，造成节点电压频繁变化、系统运行风险突增；同时，其故障特征易受谐波、噪声干扰而导致传统的故障定位方法可靠性下降，故障检测和区段定位准确率低于95%。智能配电网的“可观性”面临新的严峻挑战。同步相量测量技术为提升智能配电网的可观性、保障安全可靠运行提供了新的思路和方法。

异常振动和声响是设备故障的重要表征之一，尤其针对特高压高抗、换流变等高负荷运行设备，异常振动和声响更为频繁，但是当前针对异常声响的检测判断主要通过人耳完成，存在辩识准确度低、可靠性差等问题，难以满足现场运维检测要求。而声学成像系统通过非接触式声学阵列传感器同步采集多个传声器的噪声信号，运用麦克风阵列成像算法获得不同频率噪声的空间位置，进而获得异响信号的空间位置和信号特征，并可形成视频信号，从而快速有效地判断异常声响的来源和性质，协助评估异常故障的危害和设备运行风险。

网络流量的异常检测对于保护电力信息系统安全具有重要意义。目前深度学习等人工智能技术在入侵检测中表现出良好的性能,但由于电力流量数据中类别不平衡以及噪声含量高等问题,严重影响入侵检测模型的准确率。针对以上问题,文章提出了一种深度残差收缩网络(deep residual shrinkage networks,DRSN)-双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)混合深度学习模型实现及时有效的多矢量攻击威胁识别与检测。首先采用条件生成对抗网络模型生成少数类数据,构造平衡数据集,然后使用DRSN-BiLSTM模型进行特征提取,DRSN中的残差项可以解决网络退化与过拟合问题,注意力机制降低了噪声对异常流量检测的影响,同时基于BiLSTM进行流量时序特征提取,最后用softmax分类器进行流量分类,实现网络入侵检测。该模型在电力信息系统数据集上进行了测试,结果显示,提出的混合深度学习模型在检测准确性、精确度、召回率和F1分数指标均优于比较算法。

近年来，随着碳达峰和碳中和“双碳”战略目标的提出，风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度，提出基于密度聚类与自适应噪声完备集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN）和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先，利用密度聚类将风电功率与天气特征分成不同类别的数据集，通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础，将不同的子序列分量与天气特征进行特征选择，输入到卷积神经网络与长短期记忆网络的预测模型。最后，将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择，有效提高了短期风电功率预测的准确度。