پردازش سیگنال دیجیتال چیست؟

پردازش سیگنال دیجیتال (DSP) دستکاری ریاضی سیگنال های دیجیتال است - ولتاژ، جریان ها، فرکانس ها - برای استخراج اطلاعات، نویز فیلتر، یا فشرده سازی داده ها.در زمینه شبکه های هوشمند، عمل به عنوان ستون فقرات تحلیلی، تبدیل خواندن سنسور خام به بینش عملی.شبکه های هوشمند مدرن، هزاران سنسور اندازه گیری ولتاژ، زاویه فعلی، و فرکانس در فواصل زمانی غیر قابل پیش بینی، و بدون نیاز به تجزیه و تحلیل داده های واقعی، می تواند پیش بینی قابل اجرا باشد؛

تکنیک های Core DSP که در Smart Grids استفاده می شود

چندین تکنیک DSP برای عملیات شبکه هوشمند پایه گذاری شده اند:

چهارتغییر سریع (FFT) و تجزیه و تحلیل هماهنگ کننده

FFT سیگنال های زمان دامنه را به اجزای فرکانس خود تجزیه می کند. Grids از FFT برای محاسبه کل تحریف هارمونیک (THD)، شناسایی فرکانس های مکرر، و شناسایی شبهات متقابل ناشی از بارهای غیر خطی مانند درایوهای فرکانسی متغیر یا شارژرهای وسایل نقلیه الکتریکی، تنظیم THD محدودیت در هر IEEE 519، و الگوریتم های DSP به طور مداوم تایید انطباق.

تبدیل موج برای تشخیص گذرا

برخلاف FFT، که سیگنال های ثابت را فرض می کند، تغییر موجی در گرفتن رویدادهای کوتاه و غیر بالینی مانند ساکسیژ های ولتاژ، تورم و ترانسی که توسط حملات رعد و برق یا عملیات خطای مبتنی بر Wavelet ایجاد می شود، می تواند یک خطای کابل را در داخل متر، حتی در خطوط انتقال طولانی، مشخص کند.

فیلتر کردن تطبیقی و سر و صدا

فیلترهای تطبیقی – اغلب بر اساس الگوریتم حداقل مربع (LMS) – صدای الکتریکی را از خواندن سنسور بدون اطلاع قبلی از طیف نویز تقویت می کنند.این برای واحدهای اندازه گیری دقیق (PMUs) و برای استخراج امضاهای ضعیف از تداخل پس زمینه حیاتی است.

ارزیابی دولت و فیلتر کردن کالامن

فیلترهای Kalman اندازه گیری های پر سر و صدا را با یک مدل پویا از شبکه ترکیب می کنند تا وضعیت واقعی (با اندازه و زاویه در هر اتوبوس) را تخمین بزنند.این تکنیک در سیستم های کنترل نظارتی و خرید داده ها (SCADA) و برای مدیریت ترافیک زمان واقعی استفاده می شود.

برنامه های کاربردی DSP در Smart Grids

نظارت بر کیفیت

الگوریتم های DSP به طور مداوم ولتاژ و سیگنال های فعلی را برای تشخیص هارمونیک ها، گذراها، وقفه ها و مانیتورهای کیفیت قدرت با استفاده از FFT و تجزیه و تحلیل موجی می توانند بین یک افت شروع موقت موتور شروع به کار و یک وضعیت واقعی زیر ولتاژ تمایز قائل شوند. Power Magazine [F:1] گزارش می دهد که متر های مدرن مبتنی بر سیستم می توانند به طور خودکار تجزیه و تحلیل های کیفیت زمان را طبقه بندی کنند.

تشخیص خطا و محلی سازی

تکنیک های DSP باعث می شود تا امکانات برای تشخیص خطا در میلی ثانیه و قرار دادن آنها در عرض چند متر.استرسن های خطا موج سفر استفاده از نمونه برداری با سرعت بالا (تا 1 مگاهرتز) و اتصال متقابل موج برای شناسایی که در آن یک خطا با مقایسه زمان ورود امواج منعکس شده رخ داده است.این توانایی کاهش مدت زمان قطع برق از ساعت به دقیقه و جلوگیری از خرابی های کاتتر.

پیش بینی و پاسخ تقاضا

با پردازش داده های بارگیری تاریخی با تجزیه و تحلیل طیفی مبتنی بر، خدمات می تواند الگوهای روزانه، هفتگی و فصلی را شناسایی کند.این پیش بینی ها به برنامه ریزی نسل و برنامه های پاسخ تقاضا تغذیه می کنند. سیستم های مدرن با یادگیری ماشین ترکیب می شوند تا ارتباط های غیر خطی بین آب و هوا، تعطیلات و مصرف را کنترل کنند و پیش بینی کنند تا در 2٪ برای پیش بینی های روزانه بهبود یابند.

ادغام منابع انرژی تجدید پذیر

نسل خورشیدی و بادی DSP به طور ذاتی متغیر است.ت.د.ت.د.د.د.د.د.د.د.د.د.د.د.د.د.د.د.د.د.د.د.د.د.د.د.د.د.ک.ک.چ سیستم ذخیره سازی باتری در یک مزرعه باد استفاده می کند تا تزریق برق مورد نیاز هر 10 متر را محاسبه کند، با استفاده از طریق پوشش های مختلف 70٪ تخفیف.

واحدهای اندازه گیری Phasor (PMUs) و نظارت گسترده

ولتاژ نمونه PMU و جریان در 30-120 نمونه در هر چرخه و استفاده از DSP برای همگام سازی محاسبه - ولتاژ و بردارهای فعلی همگام با سیستم های نظارت گسترده (WAMS) جمع آوری داده های PMU از صدها گره.

خرید و انتقال داده ها

قبل از هر گونه DSP ممکن است رخ دهد، سیگنال های آنالوگ خام باید مشروط و دیجیتالی شوند. سنسورهای شبکه هوشمند شامل ترانسفورماتورهای ابزار (CT ها و VTs)، سیم پیچ های روگوسکی و سنسورهای نوری، قبل از اینکه فیلترهای فرکانس بالا را از نصف نرخ نمونه برداری حذف کنند، 12 نمونه های معمول دیجیتال را در 4 -16 kHz در هر کانال، در حالی که تکنیک های اندازه گیری P سیگما - رزولوشن فرکانسی بیش از 24 -30 بیتی سیگنال متغیر کاهش می دهند.

پیشرفته Analytics و ادغام ماشین یادگیری

در حالی که DSP سنتی به الگوریتم های تعیین کننده متکی است، شبکه های هوشمند مدرن به طور فزاینده ای با یادگیری ماشین برای تشخیص الگوی سطح بالاتر ترکیب می شوند.

  • شبکه های عصبی تکامل یافته (CNNs) آموزش دیده در طیفograms از امواج ولتاژ می تواند گسل های قوس، شکست های ناگهانی و حملات سایبری را طبقه بندی کند.
  • دستگاه های بردار پشتیبانی (SVMs) با استفاده از ویژگی های ردیابی شده (THD، عامل برجسته، ضریب موج) شناسایی که بخش فیدر یک خطای بالا را تجربه می کند - یک مشکل به شدت دشوار است.
  • شبکه های عصبی فعلی (RNNs) سری زمان فیلتر شده برای پیش بینی بار یا خروجی تجدید پذیر با دقت بالاتر از روش های خطی.

]ScienceDirect اشاره می کند که سیستم های هیبریدی DSP-ML در طرح های اتوماسیون توزیع مستقر هستند که در آن هر دو تشخیص کم (DSP) و طبقه بندی پیچیده (ML) به طور همزمان مورد نیاز است.

امنیت سایبری و یکپارچگی داده ها

سخت افزار DSP و الگوریتم های خود را می توان به بردار حمله تبدیل کرد.یک دشمن ممکن است داده های نادرست را به جریان های PMU تزریق کند، تخمین دولتی فاسد کننده را برای مقابله با این، سیستم های تشخیص نفوذ مدرن مبتنی بر DSP (IDS) خواص آماری سیگنال های شبکه را تجزیه و تحلیل می کند - به طور معمول تنظیم زاویه، گرادیان جریان جریان - برای پرچم گذاری ناهنجاری هایی که از مدل های انتظار می رود، برای مثال، یک فاز معکوس (Fend) برای تغییر ناگهانی برای تغییر دادن سیگنال های ضد تغییر می تواند نشان دهد.

مزایای استفاده از DSP در Smart Grids

  • قابلیت اطمینان قابل اطمینان: رله های مبتنی بر DSP در کمتر از 1 متر برای حفاظت از تفاوت عمل می کنند، خطاهای روشن قبل از افزایش بهره وری از امتیاز خط پویا کاهش یافته است قطع برق اجباری تا 30٪.
  • ] کیفیت قدرت بهبود یافته: نظارت مستمر بر ولتاژ و جریان اجازه می دهد تا خدمات برای پاسخگویی به IEEE 519 و IEC 61000 استاندارد است. یکی از مهمترین ابزار ایالات متحده گزارش کاهش 40٪ در شکایات مربوط به مشتری آسیب پذیر پس از استقرار فیلترهای فعال مبتنی بر DSP.
  • برآورد حالت مبتنی بر DSP باعث کاهش تلفات انتقال توسط 2 تا 5٪ با بهینه سازی جریان قدرت واکنشی می شود. زیرساخت های پیشرفته مترینگ (AMI) با زمان صرفه جویی در قیمت گذاری، انتقال بار از ساعت های اوج.
  • تسهیل ادغام های تجدید پذیر: با کنترل کننده های میکروشبکه های مبتنی بر DSP، انتقال جزیره (از شبکه به مستقل) در کمتر از 100 متر رخ می دهد، حفظ عرضه به بارهای بحرانی حتی در هنگام قطع برق.

چالش ها و مسیرهای آینده

پردازش قدرت و محدودیت

بسیاری از الگوریتم های DSP باید بر روی دستگاه های کم هزینه و کم قدرت جاسازی شده در داخل بسته بندی ها یا متر های هوشمند اجرا کنند. محدودیت های زمان واقعی نیاز به این دارند که FFTs، فیلترهای Kalman و Wavelet در یک دوره نمونه سازی کامل شوند (به عنوان مثال، 250 μs برای یک سیستم 4 کیلوهرتز).

نگرانی های امنیت سایبری

همانطور که بحث شد، ادغام دستگاه های شبکه متصل به شبکه گسترش سطح حمله امن بوت، به روز رسانی های سیستم عامل رمزگذاری شده، و تشخیص ناهنجاری در سطح سنسور توسط بدن های نظارتی مانند CIP NERC و شبکه اروپایی اپراتورهای سیستم انتقال (ENTSO-E) است.

حریم خصوصی داده ها و آگgregation

متر های هوشمند با استفاده از DSP برای جداسازی بار می تواند الگوهای استفاده از لوازم خانگی را پردازش کند، افزایش مسائل حریم خصوصی ممکن است نیاز به این داشته باشد که نظارت بر بار غیر مزاحم (NILM) تنها داده های مصرف جمع آوری شده را جمع آوری می کند، محافظت از حریم خصوصی فردی در حالی که هنوز امکان بهینه سازی شبکه را فراهم می کند.

آینده: AI-on-Chip، Edge Computing و Quantum DSP

دهه آینده، DSP را به لبه حرکت می کند: پردازنده های کوچک که با سنسورها هماهنگ شده اند، فیلترهای اولیه و تشخیص خطا را انجام می دهند، ارسال تنها داده های خلاصه شده به شتاب دهنده های اصلی SCADA. AI-on-chip (به عنوان مثال، اینتل Movius، NVIDIA Jetson) شبکه های عصبی سبک را در کنار بلوک های سنتی پیش رو، علاوه بر این، پردازش سیگنال های الهام گرفته شده کوانتومی، کاهش می دهد و دقت شبکه های اندازه گیری شده توسط ده ها 90٪ کاهش می یابد.

سرگرمی بین و تکنولوژی شبکه هوشمند صرفاً افزایشی نیست – زیرا شبکه ها به سمت شبکه های کاملاً مستقل و خود شفای تکامل می یابند، توانایی پردازش و تفسیر سیگنال ها در زمان واقعی تبدیل به سیستم حیاتی و حیاتی خواهد شد که سرمایه گذاری در قابلیت های پیشرفته امروز بهترین مکان برای ادغام تجدید پذیرها، خنثی کردن تهدیدات سایبری و ارائه قدرت های دیجیتال بالا برای یک جهان دیجیتال خواهد بود.