技术领域
[0001] 本发明涉及直流电源监控领域，具体涉及一种基于突变型数据分析的直流电源过欠压诊断方法及系统。
相关背景技术
[0002] 在现代社会中，电子设备和系统的广泛应用对电源的稳定性和可靠性提出了越来越高的要求。直流电源系统作为许多关键设备和应用的核心部分，其电压稳定性直接关系到设备的正常运行和寿命。然而，在实际运行过程中，直流电源系统经常会面对各种电压异常问题，如过压和欠压问题。其中，过压问题产生的过压现象是指电源电压超过额定值的情况。过压可能由电网波动、控制系统故障或电源过载等原因引起。过高的电压会对电子设备造成损害，缩短其寿命，甚至导致设备的瞬间损坏。传统的过压保护装置虽然能够在电压异常时切断电源，但往往无法及时检测和记录过压的具体情况和原因。其中，欠压问题导致的欠压是指电源电压低于额定值的现象，通常由电网电压波动、输电线路损耗或电源输出能力不足等因素引起。持续的欠压会导致设备不能正常工作，甚至停机。欠压的严重性通常与其持续时间有关，短时间的欠压可能对设备影响不大，但长时间的欠压会导致设备性能下降或损坏。
[0003] 而传统的直流电源故障诊断方法主要依赖于人工检测和简单的保护装置，存在检测滞后、诊断不准确以及缺乏综合分析的不足之处。传统的直流电源故障诊断方法往往在故障发生后才能检测到，无法实现实时监控和快速响应；由于缺乏对电压信号的细致分析，传统方法难以准确判断故障类型和具体原因，而且，通常只针对单一故障类型（如过压或欠压）进行检测，无法综合分析多种故障特征。
[0004] 而随着大数据和人工智能技术的发展，基于数据分析的故障诊断方法逐渐受到关注。这些方法通过对大量历史数据和实时数据的综合分析，能够更准确地识别故障特征和原因。然而，现有的数据分析方法在处理突变型数据时仍存在挑战，特别是在实时性和准确性方面。
具体实施方式
[0029] 下面，结合附图以及具体实施方式，对本申请做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
[0030] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0031] 需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称的非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备固有的其他步骤或单元。
[0032] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0033] 附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
[0034] 下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
[0035] 针对现有直流电源系统在面对过压及欠压等故障时，存在的检测滞后、诊断不准确及缺乏综合分析能力的问题。本发明提出了一种基于突变型数据分析的直流电源过欠压诊断方法及系统，通过对电压信号进行多维度的突变检测和综合分析，能够快速准确地诊断直流电源系统中的过压及欠压故障。本发明不仅提高了故障检测的实时性和准确性，还能够有效区分不同类型的故障，为电源系统的稳定运行提供了坚实的保障。
[0036] 参见图1所示，本发明的实施例提供了一种基于突变型数据分析的直流电源过欠压诊断方法，该方法包括以下步骤：步骤S10、通过传感采集设备实时采集直流电源的电压信号数据，设置数据瞬时采集频率并记录采集时间，获取电压信号数据的实时变化趋势。
[0037] 在该步骤中，数据采集时，可以通过高精度电压传感器在直流电源输出端口实时采集电压信号数据，设定数据瞬时采集频率可以为1000Hz，并记录每次采集的时间戳，以确保数据具有高时间分辨率和同步性。采集到的电压信号数据实时传输到中央数据处理单元，并进行初步记录和存储，该步骤确保了电压信号的高精度和高频采集。
[0038] 步骤S20、对电压信号数据预处理后进行多维突变检测，分析电压信号的时域、频域和时频域特征，识别出电压信号中的突变点和异常波动，得到突变检测结果。
[0039] 该步骤中，多维突变检测时，先对采集到的电压信号数据进行预处理，包括滤波处理以去除高频噪声和低频干扰，得到干净的信号。随后进行多维突变检测，包括时域分析、频域分析和时频域分析，其中，时域分析时，应用滑动窗口计算电压信号的时域特征，识别出电压信号的突变点；频域分析时，利用快速傅里叶变换（FFT）分析电压信号的频谱，识别频率成分的变化，检测异常频率成分；时频域分析时，采用短时傅里叶变换（STFT）和小波变换，对电压信号进行时频域分析，识别电压信号的瞬时频率变化和能量分布变化，通过综合时域、频域和时频域的分析结果，自动识别电压信号中的突变点和异常波动，得到突变检测结果。
[0040] 步骤S30、从突变检测结果中提取出突变幅度、持续时间、频率成分和能量分布的特征参数，将提取的特征参数输入预训练的故障类型识别模型，对电压信号中的故障类型进行识别。
[0041] 该步骤中，进行特征提取与故障识别时，从突变检测结果中提取出突变幅度、持续时间、频率成分和能量分布等特征参数，将提取的特征参数输入预训练的故障类型识别模型，通过该模型对输入的特征参数进行分析，识别电压信号中的故障类型。
[0042] 步骤S40、基于实时变化趋势、识别出的故障类型以及特征参数分析出故障诊断结果，包括故障发生时间、持续时间、故障位置及故障原因。
[0043] 在该步骤中，故障诊断时，结合实时变化趋势，分析电压信号的波动情况，综合故障类型、突变特征参数和实时趋势，生成故障诊断结果。其中，诊断结果包括故障发生时间、持续时间、故障位置及原因分析，用于为维护人员提供了详细的故障分析报告，便于快速响应和处理故障。
[0044] 步骤S50、建立对直流电源不间断监控的实时监控系统，实时更新电压信号的数据和分析结果，设置多级报警机制，根据故障诊断结果触发报警。
[0045] 该步骤中，实时监控与报警时，建立对直流电源不间断监控的实时监控系统，实时更新电压信号的数据和分析结果。根据故障诊断结果，设置多级报警机制：警告级别：轻微过压/欠压，系统提示注意。
[0046] 严重级别：明显过压/欠压，系统发出警报并建议检查。
[0047] 紧急级别：严重过压/欠压，系统发出紧急警报并自动触发保护措施（如断电保护）。
[0048] 根据上述多级报警机制以便根据诊断结果自动触发相应级别的报警，确保维护人员能够及时响应和处理。
[0049] 本发明的基于突变型数据分析的直流电源过欠压诊断方法，通过实时采集电压信号数据、进行多维突变检测、提取特征参数、识别故障类型并生成故障诊断结果，建立了全面的实时监控和报警机制。该方法不仅提高了故障检测的准确性和及时性，还为维护人员提供了详细的故障分析报告，便于快速响应和处理故障，确保直流电源系统的安全和稳定运行。
[0050] 本发明的基于突变型数据分析的直流电源过欠压诊断方法在对直流电源过欠压诊断时，在步骤S10的数据采集阶段，可以通过安装高精度电压传感器在直流电源的输出端口，确保传感器能够以高频率（如每秒1000次）采集电压信号，设定数据瞬时采集频率为1000 Hz，并记录每次采集的时间戳，确保采集到的数据具有高时间分辨率和同步性，将采集的电压信号数据实时传输到中央数据处理单元，并进行初步记录和存储。在步骤S20的多维突变检测阶段，通过对采集到的电压信号数据进行滤波处理，去除高频噪声和低频干扰，得到干净的信号，然后，时域分析时，应用滑动窗口计算电压信号的时域特征（均值、方差、峰值等），识别出突变点，频域分析时，利用快速傅里叶变换（FFT）分析电压信号的频谱，识别频率成分的变化，检测异常频率成分，时频域分析时，采用短时傅里叶变换（STFT）和小波变换，对电压信号进行时频域分析，识别出电压信号的瞬时频率变化和能量分布变化。突变检测时，综合时域、频域和时频域的分析结果，自动识别电压信号中的突变点和异常波动，得到突变检测结果。
[0051] 在步骤S30的特征提取与故障识别阶段，特征参数提取时，从突变检测结果中提取出突变幅度、持续时间、频率成分和能量分布等特征参数，将提取的特征参数输入预训练的故障类型识别模型，该模型基于历史数据和卷积神经网络训练得到，故障识别时，模型对输入的特征参数进行分析，识别出电压信号中的故障类型，如过压、欠压、瞬态过渡等。在步骤S40的故障诊断阶段，结合实时变化趋势，分析电压信号的波动情况，综合故障类型、突变特征参数和实时趋势，生成故障诊断结果，包括故障发生时间、持续时间、故障位置及原因分析。最后，在实时监控与报警阶段，建立对直流电源不间断监控的实时监控系统，实时更新电压信号的数据和分析结果，根据故障诊断结果，设置多级报警机制：警告级别：轻微过压/欠压，系统提示注意。
[0052] 严重级别：明显过压/欠压，系统发出警报并建议检查。
[0053] 紧急级别：严重过压/欠压，系统发出紧急警报并自动触发保护措施（如断电保护）。
[0054] 系统根据诊断结果自动触发相应级别的报警，确保维护人员能够及时响应和处理。
[0055] 示例性的，采用本发明的基于突变型数据分析的直流电源过欠压诊断方法进行直流电源过压故障检测时，具体步骤如下：1.数据采集：在2024年6月25日14:35:27，电压传感器采集到电压瞬间升高的信号，电压值从220V瞬间升高到250V。
[0056] 2.多维突变检测：时域分析发现短时间内电压均值显著升高，频域分析发现高频成分增强，时频域分析显示电压信号能量集中在突变点。
[0057] 3.特征提取与故障识别：提取突变幅度为30V，持续时间为2秒，频率成分显示高频增强，将这些特征输入故障识别模型，识别出为过压故障。
[0058] 4.故障诊断：系统生成诊断报告，指出过压故障发生时间为2024年6月25日14:35:27，持续2秒，故障位置在电源输出端，原因可能为负载瞬时变化或电源内部故障，系统触发严重级别报警，提示维护人员进行检查，并建议采取保护措施。
[0059] 在本实施例中，参见图2所示，获取电压信号数据的实时变化趋势时，包括以下步骤：步骤S101、设定采样频率：
根据奈奎斯特采样定理，设定采样频率 至少为电压信号最高频率成分 的
两倍，即：
式中， 为采样频率； 为电压信号的最高频率成分；
例如，若电压信号的最高频率成分为500 Hz，则采样频率至少应设定为1000 Hz。
为了提高信号采样的准确性和抗干扰能力，实际操作中还可以选择比理论值更高的采样频率，例如4到5倍的最高频率成分。此外，还可以采用抗混叠滤波器（Anti‑aliasing Filter）在采样前对信号进行预处理，以滤除高频噪声，确保采样信号的质量。
[0060] 步骤S102、时间校准和时钟同步：该步骤中采用NTP服务器校准。使用网络时间协议（NTP）服务器进行时间校准和时钟同步在每次采集电压信号数据时，实时记录当前时间戳，以确保数据的时间一致性。
[0061] 步骤S103、数据流处理：该步骤中，使用Apache Flink进行数据流处理，根据当前时间戳获取并处理电压信号数据，Flink可以处理高吞吐量、低延迟的数据流，适用于实时数据处理。在数据流处理过程中，可结合Apache Kafka分布式计算框架进行数据的缓冲和传输，确保数据流的高可用性和可靠性。通过Kafka将数据流传输到Flink进行处理，Flink处理后的结果再通过Kafka传递到后续系统，实现高效的数据流传输和处理架构。同时，可以采用Checkpoints的Flink的容错机制确保实时数据处理的鲁棒性。
[0062] 步骤S104、滑动窗口分析：滑动窗口配置：配置滑动窗口参数：窗口大小和滑动步长，其中，设定滑动窗口大小为1秒，滑动步长为0.1秒，使用滑动窗口对实时采集的电压信号数据进行趋势分析，在每个窗口内计算电压信号的瞬时变化趋势，即根据滑动窗口内数据点计算瞬时变化趋势。
[0063] 其中，滑动窗口的参数设置可以根据实际需求进行调整，对于更高频率的变化监测，可以缩小窗口大小和步长，例如窗口大小设为0.5秒，步长设为0.05秒。此外，可以结合计数窗口、会话窗口的窗口类型利用平均值、最大值、最小值进行数据分析，更全面地了解电压信号的变化趋势。
[0064] 步骤S105、绘制电压变化趋势图：图形绘制：使用图形化工具Matplotlib将实时电压信号数据绘制成图形，显示电压变化的趋势，动态展示最新的电压变化情况。
[0065] 通过设定适当的采样频率、利用NTP时间同步、使用Apache Flink进行数据流处理和滑动窗口分析，能够实时获取并绘制电压信号数据的变化趋势图。该方法提供了高精度、高时间分辨率的电压数据，能够实时监控电压信号的变化趋势，有助于及时发现和诊断故障，确保直流电源系统的安全和稳定运行。
[0066] 在本实施例中，参见图3所示，对电压信号数据预处理后进行多维突变检测，包括以下步骤：步骤S201、小波分解
选择Daubechies小波基函数对预处理后的电压信号数据进行小波分解，得到不同尺度上的小波系数，其中，小波系数包括近似系数(低频部分)和细节系数(高频部分)；
步骤S202、异常系数值搜索
在各个尺度的小波系数中搜索异常系数值，异常系数值对应电压信号的突变点，根据设定的阈值并通过时序分布定位出信号突变点的位置；
步骤S203、信号重构与验证
利用保留突变点信息的细节系数和近似系数进行小波逆变换，重构信号，分析重构后的信号，验证突变点。
[0067] 示例性的，针对获取的一组电压信号数据，检测其中的突变点，具体过程如下：（1）原始信号数据如下：
此处，信号在 秒处发生了突变；
（2）小波分解：选择Daubechies小波基函数db4，对预处理后的电压信号进行分解，得到不同尺度上的近似系数和细节系数；
（3）异常系数值搜索：在分解得到的小波系数中，结合设定的阈值（阈值为标准差的3倍）搜索异常系数值，发现细节系数在 秒处存在显著的变化；
（4）信号重构与验证：利用包含突变点信息的细节系数和近似系数进行小波逆变换，重构信号。重构后的信号应与原始信号在 秒处的突变一致，从而验证突变点的准确性。
[0068] 通过以上步骤，能够有效地检测和验证电压信号中的突变点，通过多尺度的分析，能够准确定位突变点，鲁棒性强，对噪声和干扰具有较强的抑制能力，适用于各种形式的电压信号分析。
[0069] 在本实施例中，参见图4所示，采用短时傅里叶变换（STFT）验证突变点，验证突变点时，包括以下步骤：步骤S301、选择窗口函数和设置参数：选择汉宁窗（Hanning Window）作为窗口函数，设置窗口重叠率为70%，并选定窗口长度L，计算短时傅里叶变换；重叠率为70%，即窗口的重叠长度为 。
[0070] 步骤S302、计算短时傅里叶变换：对预处理后的电压信号进行STFT计算，计算公式为：其中， 为电压信号； 为函数窗口；为窗口长度；重叠率为70%，即重叠长
度为 ；
步骤S303、生成时频矩阵：根据STFT计算结果生成时频矩阵，其中每一列对应一个时间窗口下的频谱信息；
步骤S304、绘制时频图：使用Matplotlib绘制电压信号的时频图，其中，横轴为时间，纵轴为频率，颜色/强度表示频率分量的幅值，并在时频图中识别突变点，根据时频图中的突变特征，定位突变点的时间位置，对Daubechies小波基函数中识别的突变点位置进行对比和验证。
[0071] 示例性的，如前述一组电压信号数据，利用STFT验证其中的突变点，具体过程如下：（1）原始信号数据如下：
此处，信号在 秒处发生了突变；
（2）选择窗口函数和设置参数
选择汉宁窗，设定窗口长度 （其中，信号采样率为1 kHz，即窗口长度为
0.256秒），窗口重叠率为70%。
[0072] （3）计算短时傅里叶变换对预处理后的电压信号进行STFT计算，生成时频矩阵。
[0073] （4）绘制时频图并验证比对通过上述代码生成的时频图，可以观察到在 秒处的频谱变化，识别并定位突
变点，将时频图中识别的突变点位置与使用Daubechies小波基函数识别的突变点位置进行对比。如果两者位置一致，说明突变点检测的结果是准确的。
[0074] 在本实施例中，对电压信号进行多维突变检测，分析电压信号的时域、频域和时频域特征，识别突变点和异常波动时，包括：步骤1）、时域分析：
（1）滑动窗口标准差检测突变点：使用滑动窗口计算滑动窗口内信号的标准差，检测突变点；设定窗口长度为 ；滑动窗口内信号的标准差公式为：
式中，为窗口内信号的均值， 为窗口内的电压值。
[0075] 假设电压信号数据为：使用滑动窗口长度 进行分析，执行滑动窗口标准差检测突变点的代码
如下：
#生成电压信号数据
fs=1000
t=np.arange(0, 10, 1/fs)
v=np.where(t < 5, 120 + 5*np.sin(2*np.pi*t), 130 + 5*np.sin(2*np.pi*
t))
#计算滑动窗口标准差
N=100
std_dev=[np.std(v[i:i+N]) for i in range(len(v)‑N)]
#检测突变点
threshold=np.mean(std_dev) + 2 * np.std(std_dev)
change_points=[i for i, val in enumerate(std_dev) if val > threshold]print("Detected change points:", change_points)
（2）计算突变幅度：在每个识别出的突变点处，计算突变前后的电压值差异，得到突变幅度：
突变幅度=|电压值（突变后）‑电压值（突变前）|。
[0076] 步骤2）、频域分析：（1）傅里叶变换（FFT）：通过傅里叶变换（FFT）将信号从时域转换到频域，分析频率成分；
（2）计算功率谱密度：计算信号的功率谱密度，识别频率分量及强度；
（3）分析频域特征变化：通过对比不同时间段的功率谱密度，确定是否存在频率成分的突变或异常波动。
[0077] 步骤3）、时频域分析：（1）短时傅里叶变换（STFT）：使用短时傅里叶变换（STFT）计算信号的时频图；
（2）小波变换：对信号进行小波变换，分析不同尺度下的变化特征。
[0078] 最后，结合时域、频域和时频域特征，确定识别突变点和异常波动位置。结合上述多维度的分析方法，可以更加全面和准确地检测电压信号中的突变点和异常波动，提高检测的可靠性和准确性。
[0079] 在本实施例中，从突变检测结果中提取出突变幅度、持续时间、频率成分和能量分布的特征参数，包括以下步骤：（1）突变点检测和突变幅度计算：
使用滑动窗口计算滑动窗口内信号的标准差，识别出电压信号的突变点；
在每个识别出的突变点处，计算突变前后的电压值差异，计算得到突变幅度：突变幅度=|电压值（突变后）‑电压值（突变前）|。
[0080] 其中，将电压信号数据分成固定大小的滑动窗口，对每个窗口计算标准差，并与前一个窗口的标准差进行比较，如果标准差的变化超过预定的阈值，则标记为突变点，在每个突变点处，计算突变前后的电压值差异。
[0081] 示例性的，假设电压信号采样频率为1000Hz，滑动窗口大小为100ms。当滑动窗口内的标准差变化超过设定阈值时，识别出突变点。在某个突变点，突变前电压值为220V，突变后电压值为200V，则突变幅度为：|220V‑200V|=20V。
[0082] （2）提取持续时间：通过时域分析确定突变点前后的时间戳，识别电压信号稳定的时间段以计算持续时间：
持续时间=突变结束时间‑突变开始时间。
[0083] 其中，记录突变点的时间戳作为故障开始时间，观察突变后的电压信号，直到电压信号稳定下来，记录稳定时的时间戳作为故障结束时间，计算持续时间。
[0084] 示例性的，在某次突变检测中，突变点时间戳为0.5秒，突变后电压信号在0.7秒时恢复稳定，则持续时间为：0.7秒‑0.5秒=0.2秒。
[0085] （3）频率成分提取：使用傅里叶变换和短时傅里叶变换（STFT）分析突变前后的电压信号频谱，提取主要频率成分。具体的：
通过频域和时频域分析，使用对突变前后的一段电压信号数据进行傅里叶变换
（FFT），得到频谱信息；
通过频谱图识别主要频率成分；
对整个电压信号进行STFT，生成时频矩阵，从时频矩阵中提取突变点处的频谱信息，识别频率成分，提取得到频率成分。
[0086] 工作时，对突变前后的一段电压信号数据进行傅里叶变换（FFT），得到频谱信息，从频谱图中识别主要频率成分，对整个电压信号进行STFT，生成时频矩阵，从时频矩阵中提取突变点处的频谱信息，识别频率成分。
[0087] 示例性的，对突变前0.1秒到突变后0.1秒的电压信号数据进行FFT分析，得到频谱信息。在频谱图中，主要频率成分为50Hz和150Hz。对整个信号进行STFT分析，确认突变点处的主要频率成分为50Hz。
[0088] （4）能量分布提取：通过计算突变点前后电压信号的功率谱密度，提取能量分布。具体的：
计算突变点前后电压信号的功率谱密度，提取得到能量分布。
[0089] 其中，对突变点前后的电压信号进行功率谱密度（PSD）计算，比较突变前后的PSD，分析能量分布变化。示例性的，在突变点前的电压信号功率谱密度主要集中在50Hz附近。突变后，能量分布在50Hz和150Hz附近都有显著增加。
[0090] 在本实施例中，故障诊断结果包括故障发生时间、持续时间、故障位置及故障原因，其中：确定故障发生时间时，确定突变点的时间戳，作为故障发生时间，若存在多个突变点时，记录每个突变点的时间戳；
确定故障持续时间时，计算每个突变点前后电压信号稳定的时间段，确定故障持续时间；
故障定位时，结合电网拓扑结构和故障电压信号的特征参数，定位故障位置；
故障原因推断时，根据故障类型、频谱特征以及能量分布，推断故障原因。
[0091] 示例性的，在某电网中检测到电压信号突变，突变点时间戳为1.2秒，持续时间为0.3秒。通过频谱分析，主要频率成分为50Hz和150Hz，能量分布在150Hz处显著增加。结合电网拓扑结构，定位故障发生在变压器T1附近。分析频谱特征和能量分布，推断故障原因可能是变压器绕组故障。
[0092] 通过上述步骤，本发明能够系统地提取电压信号中的突变特征参数，并基于这些参数进行故障诊断，包括故障发生时间、持续时间、故障位置及故障原因的确定。本发明的方法有效提高了电网故障诊断的准确性和快速响应能力。
[0093] 在本实施例中，建立实时监控系统时，包括传感器层、数据采集层、数据传输层、数据存储与处理层以及用户界面层，具体的，实时监控系统包括：传感器层：在直流电源的关键节点安装用于测量电压以及电流参数的传感器，并设置数据采集频率；其中，在直流电源的关键节点（变压器、配电柜、母线）安装电压传感器和电流传感器，根据系统需求和信号特性，设置传感器的数据采集频率。例如，设置为
1000Hz以捕捉快速变化的电压信号。示例性的，在一个电网节点安装电压传感器（例如：Lem LV 25‑P）和电流传感器（例如：Lem LA 55‑P），并设置数据采集频率为1000Hz。
[0094] 数据采集层：使用数据采集设备从传感器获取电压信号数据，并将这些信号转换为数字信号进行处理；应用时，将传感器连接到数据采集设备（NI DAQ 数据采集卡），数据采集设备按照设定的频率采集电压和电流信号，并将模拟信号转换为数字信号，应用时，使用NI DAQ（如NI USB‑6356）连接传感器，设置采集频率为1000Hz，实时获取电压和电流信号。
[0095] 数据传输层：用于将数据采集层获取的电压信号数据传输到监控中心，确保数据传输的实时性和可靠性。具体的，通过以太网或无线网络将数据采集设备连接到监控中心服务器，使用数据传输协议确保数据的完整性和实时性。具体的，通过以太网将NI DAQ设备连接到监控中心服务器，采用TCP/IP协议传输数据，确保每秒钟传输1000个数据点。
[0096] 数据存储与处理层：搭建服务器，进行数据存储、处理和分析，对数据进行时域、频域和时频域特征分析及故障诊断；结合电网拓扑结构和故障特征参数，定位故障位置，分析得到故障诊断结果。具体的，使用Python进行数据处理，利用Pandas库存储数据，采用SciPy库进行FFT和STFT分析，通过自定义算法进行故障诊断，结合电网拓扑结构定位故障。
[0097] 用户界面层：设计人机界面用于实时显示监控数据和报警信息，具体的，使用Ignition设计HMI界面，实时显示电压和电流波形图、频谱图、故障诊断结果，并设置报警阈值，当电压突变超过设定值时触发报警。
[0098] 通过上述各层的设计和实施，建立了一个实时监控系统，能够实时获取关键节点的电压和电流数据，进行数据采集、传输、存储和处理，结合电网拓扑结构进行故障诊断，并通过用户界面实时显示监控数据和报警信息。该系统的实施提高了电网的可靠性和故障响应。
[0099] 综上所述，本发明的实施例提供了一种基于突变型数据分析的直流电源过欠压诊断方法，通过传感采集设备实时采集直流电源的电压信号数据，并使用NTP服务器进行时间校准和时钟同步，确保数据采集的时间精度；采用Apache Flink进行数据流处理，利用滑动窗口技术对实时采集的电压信号数据进行趋势分析，能够及时发现电压的实时变化趋势；结合时域、频域和时频域特征，全面分析电压信号，识别出电压信号中的突变点和异常波动；使用Daubechies小波基函数和短时傅里叶变换进行多维突变检测，确保突变点的识别准确性和精度；从突变检测结果中提取突变幅度、持续时间、频率成分和能量分布等特征参数，全面描述电压信号的变化特征；利用预训练的故障类型识别模型，基于提取的特征参数对电压信号中的故障类型进行识别，提高故障识别的精确性；基于实时变化趋势、识别出的故障类型以及特征参数，分析出故障诊断结果，包括故障发生时间、持续时间、故障位置及故障原因，提供全面的故障诊断报告；设置多级报警机制，根据故障诊断结果触发相应级别的报警，保证及时响应和处理各种故障情况；通过建立对直流电源不间断监控的实时监控系统，实时更新电压信号的数据和分析结果，确保系统的实时性和连续性；提供用户界面模块，实时显示电压信号的数据、分析结果和报警信息，用户可以方便地进行监控和管理。
[0100] 本发明通过多维突变检测和特征提取，结合预训练的故障类型识别模型，实现了对直流电源过欠压的精准诊断，并通过实时监控和多级报警机制，确保了系统的实用性和高效性，能够广泛应用于电力系统、工业自动化等领域。
[0101] 需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
[0102] 应该理解的是，上述虽然是按照某一顺序描述的，但是这些步骤并不是必然按照上述顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其他的顺序执行。而且，本实施例的一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0103] 本发明实施例的第二个方面，本发明还提供了一种基于突变型数据分析的直流电源过欠压诊断系统，包括：传感采集设备：用于实时采集直流电源的电压信号数据，设置数据瞬时采集频率并记录采集时间，获取电压信号数据的实时变化趋势；该传感采集设备为安装在直流电源关键节点上的电压传感器和数据采集设备，采集频率设置为1000Hz，确保捕捉到电压信号的实时变化趋势。
[0104] 多维突变检测模块：对电压信号数据预处理后进行多维突变检测，分析电压信号的时域、频域和时频域特征，识别出电压信号中的突变点和异常波动；采用小波变换进行预处理，使用Canny边缘检测分析电压信号的时域、频域和时频域特征，识别突变点和异常波动，具体的，使用Matlab实现信号预处理和突变检测。
[0105] 特征提取模块：用于从突变检测结果中提取特征参数，包括突变幅度、持续时间、频率成分和能量分布；使用Python编写特征提取算法，提取电压信号的关键特征。
[0106] 故障类型识别模块：用于将提取的特征参数输入预训练的故障类型识别模型，识别电压信号中的故障类型；具体的，通过训练的一个基于Scikit‑learn的支持向量机模型，识别过压、欠压、瞬时故障等。
[0107] 故障诊断模块：基于实时变化趋势、识别出的故障类型以及特征参数，分析出故障诊断结果，包括故障发生时间、持续时间、故障位置及故障原因；实时监控模块：用于建立对直流电源不间断监控的实时监控系统，实时更新电压信号的数据和分析结果；
报警机制模块：设置多级报警机制，根据故障诊断结果触发相应级别的报警；
数据存储模块：用于存储所有采集到的电压信号数据、处理结果和报警记录；
用户界面模块：提供用户界面，用于实时显示电压信号的数据、分析结果和报警信息。
[0108] 其中，基于Scikit‑learn的支持向量机（Support Vector Machine, SVM）模型的训练步骤如下：1.安装Scikit‑learn：首先安装Scikit‑learn库。
[0109] 2.导入必要的库：在开始编写代码之前，导入所需的Scikit‑learn库，3.加载和准备数据：将需要加载数据分为特征变量（X）和目标变量（y）。
[0110] 示例数据加载：data = pd.read_csv('voltage_fault_data.csv')
X = data.drop('fault_type', axis=1) # 特征变量
y = data['fault_type'] # 目标变量。
[0111] 4.分割数据集：将数据集分为训练集和测试集。其中，测试集占数据集的20%‑30%。
[0112] 5.训练SVM模型：选择一个SVM的分类器，并用训练数据进行训练，使用训练好的模型对测试数据进行预测，并评估模型性能。
[0113] 通过上述步骤，训练并评估一个基于Scikit‑learn的SVM模型。
[0114] 其中，故障诊断模块基于实时变化趋势、识别出的故障类型以及特征参数，分析出故障诊断结果，包括故障发生时间、持续时间、故障位置及故障原因，其中，实时数据分析、实时数据采集与分析以及报警触发时的python代码如下：实时数据分析：
def diagnose_fault(real_time_data, model):
fault_type = model.predict(real_time_data['features'])
fault_time = real_time_data['timestamp']
fault_duration = real_time_data['duration']
fault_location = real_time_data['location']
fault_reason = "分析出的具体原因" # 需要进一步的规则或模型来确定故障原因
return {
'fault_type': fault_type,
'fault_time': fault_time,
'fault_duration': fault_duration,
'fault_location': fault_location,
'fault_reason': fault_reason
}
实时数据采集与分析：
def real_time_monitoring():
while True:
real_time_data = get_real_time_data() # 获取实时数据的函数
diagnosis = diagnose_fault(real_time_data, svm_model)
update_dashboard(diagnosis) # 更新用户界面
time.sleep(1) # 每秒钟更新一次，可以根据需要调整。
[0115] 报警触发：def trigger_alarm(diagnosis):
if diagnosis['fault_type'] == '严重故障':
send_alert('紧急', diagnosis)
elif diagnosis['fault_type'] == '中等故障':
send_alert('警告', diagnosis)
elif diagnosis['fault_type'] == '轻微故障':
send_alert('提示', diagnosis)
通过上述详细的步骤和代码示例，本发明的基于突变型数据分析的直流电源过欠压诊断系统用于执行上述实施例中基于突变型数据分析的直流电源过欠压诊断方法的步骤，在此不再赘述，本发明的直流电源预警运维系统通过分析电压数据的突变点，系统能够精准地检测到过压或欠压现象的发生，这种即时检测能力有助于在问题初期及时预警，避免问题进一步恶化。通过使用突变型数据分析的边缘检测和小波变换，可以快速处理和分析大量电压数据，高效的数据处理能力可以显著提高诊断系统的响应速度。突变型数据分析也能够更准确地识别电压的异常变化，减少因噪声或其他非故障因素引起的误报，对于提高系统的可靠性和用户信任度至关重要。诊断系统可以实时监控直流电源电压，并在检测到过压或欠压时，立即采取相应的调整措施，有助于维持电源系统的稳定运行，保护设备和延长使用寿命。本发明的基于突变型数据分析的直流电源过欠压诊断系统不仅能够提高故障检测的准确性和及时性，还能显著提升电源系统的整体稳定性和可靠性，同时降低维护成本，带来显著的经济和运营效益。
[0116] 本发明实施例的第三个方面，还提供了一种计算机设备，包括存储器和处理器，该存储器中存储有计算机程序，该计算机程序被该处理器执行时实现上述任意一项实施例的方法。
[0117] 在该计算机设备中包括一个处理器以及一个存储器，并还可以包括：输入系统和输出系统。处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接，输入系统可接收输入的数字或字符信息，以及产生与基于突变型数据分析的直流电源过欠压诊断的迁移有关的信号输入。输出系统可包括显示屏等显示设备。
[0118] 存储器作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的基于突变型数据分析的直流电源过欠压诊断方法对应的程序指令/模块。存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储基于突变型数据分析的直流电源过欠压诊断方法的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件，或其他非易失性固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0119] 处理器在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器，或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中，处理器用于运行存储器中存储的程序代码或者处理数据。本实施例计算机设备的多个计算机设备的处理器通过运行存储在存储器中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的基于突变型数据分析的直流电源过欠压诊断方法的步骤。
[0120] 应当理解，在相互不冲突的情况下，以上针对根据本发明的基于突变型数据分析的直流电源过欠压诊断方法阐述的所有实施方式、特征和优势同样地适用于根据本发明的基于突变型数据分析的直流电源过欠压诊断和存储介质。
[0121] 本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
[0122] 最后需要说明的是，本文的计算机可读存储介质（例如，存储器）可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦写可编程ROM（EEPROM）或快闪存储器。易失性存储器可以包括随机存取存储器（RAM），该RAM可以充当外部高速缓存存储器。作为例子而非限制性的，RAM 可以以多种形式获得，比如同步RAM（DRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据速率SDRAM（DDR SDRAM）、增强SDRAM（ESDRAM）、同步链路DRAM（SLDRAM），以及直接Rambus RAM（DRRAM）。所公开的方面的存储设备意在包括但不限于这些和其他合适类型的存储器。
[0123] 结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里功能的下列部件来实现或执行：通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
[0124] 以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
[0125] 应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
[0126] 所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围（包括权利要求）被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。
