一种具备边缘计算功能的AI过电压识别系统及方法与流程

本申请涉及电力行业加密与安全领域，尤其涉及一种具备边缘计算功能的ai过电压识别系统及方法。

背景技术：

随着电压等级的提高，气体绝缘金属封闭开关设备(gis，gasinsulatedswitchgear)中隔离开关例行操作产生的内部过电压，尤其是特快速暂态过电压(vfto，veryfasttransientovervoltage)，对gis等电力设备绝缘造成很大威胁。

目前对vfto波形参数和幅值特征的分析多基于仿真和规模有限的gis模拟试验段实测上，对于真型gis变电站的实测工作开展较少，gis中的隔离开关进行分合闸空载母线时，由于触头运动速度慢，触头间隙在工频电压下会发生多次预击穿和重燃，放电引起的高频振荡形成快速暂态过程，该过程产生的阶跃电压波在gis内部来回传播并发生折反射，形成具有高频振荡的vfto，vfto具有幅值高、波前陡、振荡频率高等特点，威胁gis设备的安全运行。主要是受vfto测量系统技术难点制约。

目前的对于真型gis变电站的实测工作开展较少，vfto测量系统的准确性差，具体体现为：陡波脉冲或方波的波形参数受回路电感影响较大，几个kv的方波和陡脉冲较易产生，但是数百kv的ns级陡波产生起来十分困难，因为电压等级高，结构尺寸成指数增加，导致元器件和回路杂散电感过大，影响波形，高压分压器由于自身结构尺寸增加带来杂散参数的影响增大，并且自身因尺寸增加带来的结构电感也影响测量的准确性，需对各种因素对分压器性能影响进行系统性分析，高压分压器还需满足vfto标定装置特殊的使用环境需要求，陡脉冲的波长较小，会在回路中产生一定的波过程，影响标定波形的获得和调节，gis内部实际过电压存在随机性和波形复杂性。

技术实现要素：

本申请提供了一种具备边缘计算功能的ai过电压识别系统及方法，能够对过电压的精准识别与ns级的响应，准确对vfto的状态识别与判断，以及对gis等电力设备的影响与威胁，解决测试不准确，确定系统对vfto识别的准确性。

为了达到上述目的，本申请实施例采用以下技术方案：

第一方面，提供一种具备边缘计算功能的ai过电压识别方法，包括：

通过边缘计算的方法，得到实际的vfto单次击穿的时域波形，实现对vfto的ns级别识别和判断响应；

通过加密算法，实现数据的加密或解密运算并传输信息，所述信息为加密或解密后的数据；

通过分类算法对vfto相关数学表征与信息进行学习，逐步校准与匹配各电压识别vfto判决函数中的相关变量；

通过所述各电压识别vfto判决函数中的相关变量的结果，精准识别vfto。

可选的，边缘计算的方法是考虑了套管导体辐射损耗的传输线方法，求解所述传输线方程可分为时域方法和频域方法。

可选的，所述频域方法将激励源进行傅里叶变换，得到激励源的频谱，然后计算每个频点的系统响应，最后进行逆傅里叶变换得到响应的时域解。

可选的，所述加密算法为sm4算法，所述sm4算法为分组密码算法。

可选的，所述加密算法还包括在物理层前的数据链路层运用链路加密技术对系统进行加密或解密对传输数据进行加密。

可选的，所述链路加密技术，在系统全网节点内信息都要被解密和再加密，依次进行，直至所述信息到达目的地。

可选的，所述加密算法，实现双向身份鉴别、报文机密性及完整性。

可选的，所述分类算法为朴素贝叶斯法。

可选的，所述朴素贝叶斯法通过训练数据集学习联合概率分布，所述概率分布为先验概率分布和条件概率分布。

第二方面，提供一种具备边缘计算功能的ai过电压识别系统，包括主站侧与多个终端侧，所述主站侧为智能判决校验云，所述终端侧为电压识别器；

所述电压识别器包括测量与识别单元、第一加密与网络安全单元；其中，所述测量与识别单元，根据实际击穿电压，得到实际的vfto单次击穿的时域波形，从而识别判断vfto；所述第一加密与网络安全单元，通过加密算法，实现数据的加密或解密运算并传输信息；

所述智能判决校验云包括第二加密与网络安全单元、ai学习判决校验单元；其中，所述第二加密与网络安全单元通过加密算法，实现数据的加密或解密运算并传输信息，所述ai学习判决校验单元通过分类算法对vfto相关数学表征与信息进行学习，从而逐步校准与匹配各过电压识别器与高压系统的识别vfto判决函数中的相关变量，并将结果发送至过电压识别器，精准识别vfto。

本申请实施例提供的一种具备边缘计算功能的ai过电压识别系统及方法，包括主站侧与终端侧，所述主站侧为智能判决校验云，所述终端侧为电压识别器；所述电压识别器包括测量与识别单元、第一加密与网络安全单元；其中，所述测量与识别单元，根据实际击穿电压，得到实际的vfto单次击穿的时域波形，从而识别判断vfto；所述第一加密与网络安全单元，通过加密算法，实现数据的加密或解密运算并传输信息；所述智能判决校验云包括第二加密与网络安全单元、ai学习判决校验单元；其中，所述第二加密与网络安全单元通过加密算法，实现数据的加密或解密运算并传输信息，所述ai学习判决校验单元通过分类算法对vfto相关数学表征与信息进行学习，从而逐步校准与匹配各过电压识别器与高压系统的识别vfto判决函数中的相关变量，并将结果发送至过电压识别器，精准识别vfto；通过边缘计算的运用，实现ns级的vfto识别，能够快速对vfto导致的影响形成响应与处理，确保了相关电力系统的安全性；能够接入电力内网系统，向各系统与终端发送vfto识别信息，确保相关数据能够有效运用到生产与工作中；系统具备ai学习能力，可以不断匹配现有电力系统设备客观情况，确保识别结果不太受电力系统老化、改造而影响检测结果。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种具备边缘计算功能的ai过电压识别方法的流程图；

图2为本申请实施例提供的一种具备边缘计算功能的ai过电压识别系统的结构图；

图3为本申请实施例提供的电网内网系统典型安全防护框架结构图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

下面结合附图对本申请做进一步详细描述：

实施例一

本申请实施例提供一种具备边缘计算功能的ai过电压识别方法，用于电力行业加密与安全领域，参照图1所示，所述方法包括如下步骤：

101、通过边缘计算的方法，得到实际的vfto单次击穿的时域波形，实现对vfto的ns级别识别和判断响应。

具体的，边缘计算的方法是考虑了套管导体辐射损耗的传输线方法，求解所述传输线方程可分为时域方法和频域方法，所述频域方法将激励源进行傅里叶变换，得到激励源的频谱，然后计算每个频点的系统响应，最后进行逆傅里叶变换得到响应的时域解。

102、通过加密算法，实现数据的加密或解密运算并传输信息，所述信息为加密或解密后的数据。

具体的，所述加密算法为sm4算法，所述sm4算法为分组密码算法；所述加密算法还包括在物理层前的数据链路层运用链路加密技术对系统进行加密或解密对传输数据进行加密，所述链路加密技术，在系统全网节点内信息都要被解密和再加密，依次进行，直至所述信息到达目的地；所述加密算法，实现双向身份鉴别、报文机密性及完整性。

103、通过分类算法对vfto相关数学表征与信息进行学习，逐步校准与匹配各电压识别vfto判决函数中的相关变量。

具体的，所述分类算法为朴素贝叶斯法，所述朴素贝叶斯法通过训练数据集学习联合概率分布，所述概率分布为先验概率分布和条件概率分布。

104、通过所述各电压识别vfto判决函数中的相关变量的结果，精准识别vfto。

本申请实施例提供的一种具备边缘计算功能的ai过电压识别系统及方法，通过边缘计算的方法，得到实际的vfto单次击穿的时域波形，实现对vfto的ns级别识别和判断响应；通过加密算法，实现数据的加密或解密运算并传输信息，所述信息为加密或解密后的数据；通过分类算法对vfto相关数学表征与信息进行学习，逐步校准与匹配各电压识别vfto判决函数中的相关变量；通过所述各电压识别vfto判决函数中的相关变量的结果，精准识别vfto。通过边缘计算的运用，实现ns级的vfto识别，能够快速对vfto导致的影响形成响应与处理，确保了相关电力系统的安全性；能够接入电力内网系统，向各系统与终端发送vfto识别信息，确保相关数据能够有效运用到生产与工作中；系统具备ai学习能力，可以不断匹配现有电力系统设备客观情况，确保识别结果不太受电力系统老化、改造而影响检测结果。

实施例二

本申请实施例提供一种具备边缘计算功能的ai过电压识别系统，用于电力行业加密与安全领域，参照图2所示，所述系统包括：主站侧2与多个终端侧1，所述主站侧2为智能判决校验云21，所述终端侧1为电压识别器11。

所述电压识别器11包括测量与识别单元111、第一加密与网络安全单元112；其中，所述测量与识别单元111，根据实际击穿电压，得到实际的vfto单次击穿的时域波形，从而识别判断vfto；所述第一加密与网络安全单元112，通过加密算法，实现数据的加密或解密运算并传输信息。

其中所述电压识别器的通过加密算法后的信息，也可以传输给与本系统连接的其他系统。

所述智能判决校验云21包括第二加密与网络安全单元211、ai学习判决校验单元212；其中，所述第二加密与网络安全单元通过加密算法211，实现数据的加密或解密运算并传输信息，所述ai学习判决校验单元212通过分类算法对vfto相关数学表征与信息进行学习，从而逐步校准与匹配各过电压识别器与高压系统的识别vfto判决函数中的相关变量，并将结果发送至过电压识别器，精准识别vfto。

本申请实施例提供的一种具备边缘计算功能的ai过电压识别系统，包括主站侧与终端侧，所述主站侧为智能判决校验云，所述终端侧为电压识别器；所述电压识别器包括测量与识别单元、第一加密与网络安全单元；其中，所述测量与识别单元，根据实际击穿电压，得到实际的vfto单次击穿的时域波形，从而识别判断vfto；所述第一加密与网络安全单元，通过加密算法，实现数据的加密或解密运算并传输信息；所述智能判决校验云包括第二加密与网络安全单元、ai学习判决校验单元；其中，所述第二加密与网络安全单元通过加密算法，实现数据的加密或解密运算并传输信息，所述ai学习判决校验单元通过分类算法对vfto相关数学表征与信息进行学习，从而逐步校准与匹配各过电压识别器与高压系统的识别vfto判决函数中的相关变量，并将结果发送至过电压识别器，精准识别vfto；通过边缘计算的运用，实现ns级的vfto识别，能够快速对vfto导致的影响形成响应与处理，确保了相关电力系统的安全性；能够接入电力内网系统，向各系统与终端发送vfto识别信息，确保相关数据能够有效运用到生产与工作中；系统具备ai学习能力，可以不断匹配现有电力系统设备客观情况，确保识别结果不太受电力系统老化、改造而影响检测结果。

实施例三

本申请实施例提供另一种具备边缘计算功能的ai过电压识别方法，用于电力行业加密与安全领域，结合实施例一所述方法和实施例二所述系统，具体如下：

101、通过边缘计算的方法，得到实际的vfto单次击穿的时域波形，实现对vfto的ns级别识别和判断响应。

具体的，边缘计算的方法是考虑了套管导体辐射损耗的传输线方法，求解所述传输线方程可分为时域方法和频域方法，所述时域方法为fdtd方法可以处理部分频变参数问题，如类似导体高频阻抗的具有卷积解解析的频变参数问题，所述频域方法将激励源进行傅里叶变换，得到激励源的频谱，然后计算每个频点的系统响应，最后进行逆傅里叶变换得到响应的时域解。

所述频域方法vfto的激励源为隔离开关断开间的电压突然消失，记做v，在vfto快速震荡期间，电弧不会熄灭，因此计算时认可为v波形为阶跃波形，由于六氟化硫断路器(sf6)的击穿时间一般在5-20ns，阶跃波形的上升时间可设置为5-20ns，本申请将v设为理想单位阶跃函数，表示为：

其傅里叶变换为：

式中,δ(ω)为冲激函数，表达u(t)含有的直流分量。

由于系统对直流冲激励源的响应为0，因此存在计算时可忽略这一冲激函数。

设系统的频率响应为g(ω)，进行傅里叶逆变换，可得vfto在单位击穿电压下的时域响应v(t)如下所示：

式中，δω为计算系统频谱响应的采样间隔，n0为采样数。

本文计算时取n0δω＝50mhz，以保证计算精度，理论上，计算误差取决于e^jnδωt，δω越小计算精度越高，实践中根据需要计算的时间长度来调整δω，时间越长，δω取值越小。

根据实际的隔离开关断口击穿电压，得到实际的vfto单次击穿的时域波形，从而识别判断vfto，将上述计算方法写入并运用到中的测量与识别单元内，实现对vfto的识别与判断。

102、通过加密算法，实现数据的加密或解密运算并传输信息，所述信息为加密或解密后的数据。

具体的，所述加密算法为sm4算法，所述sm4算法为分组密码算法；所述加密算法还包括在物理层前的数据链路层运用链路加密技术对系统进行加密或解密对传输数据进行加密，所述链路加密技术，在系统全网节点内信息都要被解密和再加密，依次进行，直至所述信息到达目的地；所述加密算法，实现双向身份鉴别、报文机密性及完整性。

sm4算法的密钥长度分组长度128比特，因此在安全性高，运用链路加密技术对系统进行加密，是在物理层前的数据链路层对传输数据进行加密，接收方是传送路径上的各台节点机，信息在每台节点机内都要被解密和再加密，依次进行，直至到达目的地，这种加密方式比较简单，实现起来比较容易，只要把一对密码设备安装在两个节点间的线路上，即把密码设备安装在节点和调制解调器之间，使用相同的密钥即可，密码设备既具有加密能力又具有解密能力，用户没有选择的余地，也不需要了解加密技术的细节，一旦在一条线路上采用链路加密，往往需要在全网内部都采用链路加密。

对于在两个网络节点间的某一次通信链路来说，链路加密能为网上传输的数据提供安全保证，对于链路加密，又称在线加密，所有消息在被传输之前进行加密，在每一个节点对接收到的消息进行解密，然后先使用下一个链路的密钥对消息进行加密，再进行传输，在到达目的地之前，一条消息可能要经过许多通信链路的传输。

由于在每一个中间传输节点消息均被解密后重新进行加密，因此，包括路由信息在内的链路上的所有数据均以密文形式出现，这样，链路加密就掩盖了被传输消息的源点与终点，由于填充技术的使用以及填充字符在不需要传输数据的情况下就可以进行加密，这使得消息的频率和长度特性得以掩盖，从而可以防止攻击者对通信业务进行分析。

尽管链路加密在计算机网络环境中使用得相当普遍，但它并非没有问题，链路加密通常用在点对点的同步或异步线路上，它要求先对在链路两端的加密设备进行同步，然后使用一种链模式对链路上传输的数据进行加密，这就给网络的性能和可管理性带来了副作用。

在线路或信号经常不通的海外或卫星网络中，链路上的加密设备需要频繁地进行同步，带来的后果是数据丢失或重传，另一方面，即使只有一小部分数据需要进行加密，也会使得所有传输数据被加密。

由于链路加密仅在通信链路上提供安全性，在一个网络节点中，消息以明文形式存在，因此所有节点在物理上必须是安全的，否则就会泄漏明文内容，然而保证每一个节点的安全性需要较高的费用，为每一个节点提供加密硬件设备和一个安全的物理环境所需要的费用由以下几部分组成：保护节点物理安全的雇员开销，为确保安全策略和程序的正确执行而进行审计时的费用，以及为防止安全性被破坏时带来损失而参加保险的费用。

在采用链路加密的网络中，每条通信链路上的加密是独立实现的，通常对每条链路使用不同的加密密钥，当某条链路受到破坏就不会导致其他链路上传送的信息被析出，加密算法常采用序列密码。

本申请符合上述网络安全要求，主站与终端之间采用纵向加密认证技术，实现双向身份鉴别、报文机密性及完整性保护，可接入如下图3所示的电网内网系统典型安全防护框架结构图可向其他系统提供有效的结果数据。

103、通过分类算法对vfto相关数学表征与信息进行学习，逐步校准与匹配各电压识别vfto判决函数中的相关变量。

具体的，所述分类算法为朴素贝叶斯法，所述朴素贝叶斯法通过训练数据集学习联合概率分布，所述概率分布为先验概率分布和条件概率分布。

104、通过所述各电压识别vfto判决函数中的相关变量的结果，精准识别vfto。

通过朴素贝叶斯法对vfto相关数学表征与信息进行学习，具体学习方法如下：

设输入空间x∈r为n维向量的集合,输出空间为类标记集合y＝{c1,c2,…,ck},输入为特征向量x∈x,输出为类标记(classlabel)y∈y,x是定义在输入空间花上的随机向量,y是定义在输出空间y上的随机变量,p(x,y)是x和y的联合概率分布,训练数据集t＝{(x1,y1),(x2,y2),…,(xy,y)}由p(x,y)独立同分布产生。

朴素贝叶斯法通过训练数据集学习联合概率分布p(x,y)，具体地,学习以下先验概率分布及条件概率分布，

先验概率分布p(y＝ck),k＝1,2,…,k

条件概率分布p(x＝x|y＝c)＝p(x＝x0,…,x＝x|y＝c),k＝1,2,…,k

于是学习到联合概率分布p(x,y)

条件概率分布p(x＝x|y＝c)有指数级数量的参数,其估计实际是不可行的，事实上,假设x可取值有s个,j＝2,…,n，y可取值有k个,那么参数个数为

朴素贝叶斯法对条件概率分布作了条件独立性的假设。由于这是一个较强的假设,朴素贝叶斯法也由此得名。具体地，条件独立性假设是：

朴素贝叶斯法实际上学习到生成数据的机制属于生成模型,条件独立性假设用于分类的特征在类确定的条件下都是条件独立的，这一假设使朴素贝叶斯法变得简单,但有时会牺牲一定的分类准确率。

朴素贝叶斯法分类时，对给定的输入x,通过学习到的模型计算后验概率分布p(y＝c|x＝x),将后验概率最大的类作为x的类输出,后验概率计算根据贝叶斯定理进行：

将式独立性假设代入式贝叶斯定理：

这是朴素贝叶斯法分类的基本公式,于是朴素贝叶斯分类器可表示为：

在上式中分母对所有c都是相同的，所以

本申请实施例提供的一种具备边缘计算功能的ai过电压识别系统及方法，通过边缘计算的方法，得到实际的vfto单次击穿的时域波形，实现对vfto的ns级别识别和判断响应；通过加密算法，实现数据的加密或解密运算并传输信息，所述信息为加密或解密后的数据；通过分类算法对vfto相关数学表征与信息进行学习，逐步校准与匹配各电压识别vfto判决函数中的相关变量；通过所述各电压识别vfto判决函数中的相关变量的结果，精准识别vfto。通过边缘计算的运用，实现ns级的vfto识别，能够快速对vfto导致的影响形成响应与处理，确保了相关电力系统的安全性；能够接入电力内网系统，向各系统与终端发送vfto识别信息，确保相关数据能够有效运用到生产与工作中；系统具备ai学习能力，可以不断匹配现有电力系统设备客观情况，确保识别结果不太受电力系统老化、改造而影响检测结果。

以上内容仅为说明本申请的技术思想，不能以此限定本申请的保护范围，凡是按照本申请提出的技术思想，在技术方案基础上所做的任何改动，均落入本申请权利要求书的保护范围之内。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。