FiN

FiN数据集由德国人工智能研究中心创建，包含380万个信号噪声比（SNR）评估数据点，用于监测低电压电网的可靠性。该数据集覆盖了约两年的实际操作环境数据，包括多种天气条件和季节效应。数据集的创建旨在解决电网监控、资产管理和安全增强等问题，特别是在智能电网和电力线通信领域。

The FiN dataset was created by the German Research Center for Artificial Intelligence. It contains 3.8 million signal-to-noise ratio (SNR) evaluation data points for monitoring the reliability of low-voltage power grids. This dataset covers approximately two years of real-world operational data, encompassing diverse weather conditions and seasonal effects. It was developed to address issues including power grid monitoring, asset management and security enhancement, particularly in the domains of smart grids and power line communication.

搜集汇总

数据集介绍

构建方式

随着低压电网因分布式能源与新型负荷的接入而日趋复杂，电力线通信技术为电网监测提供了新途径。FiN数据集基于德国一个约15万人口城市的真实电网环境构建，在三个不同区域部署了38个符合IEEE 1901标准的PLC调制解调器，分布于中压与低压层级。数据采集历时22个月，每15分钟对相邻调制解调器间的信噪比进行一次评估，覆盖2至30 MHz频率范围内的917个信道，同时记录了调制水平。此外，还收集了电缆特性（如长度、类型、接头数量）与环境相关（如天气）的元数据，最终形成了超过370万个数据点的综合数据集。

使用方法

FiN数据集适用于多种智能电网研究场景。用户可从Zenodo平台下载数据，利用信噪比频谱与元数据开展任务。例如，在资产监测中，可将单个信噪比剖面或24小时的频谱片段作为输入，训练MLP或ResNet等回归模型以估计电缆连接接头数。在电网监控中，可利用t-SNE或DBSCAN对数据进行降维与聚类，构建状态转移图以检测异常。此外，数据还可用于安全分析，如通过独立PLC网络验证传统监控数据的可靠性。建议研究者注意连接的双向性，避免将正反向数据分割至训练与测试集，并妥善处理超时数据以提升模型鲁棒性。

背景与挑战

背景概述

随着可再生能源分布式发电（如光伏系统、风电）与新型电力负荷（如电动汽车、家庭储能）的广泛接入，低压配电网的复杂性日益攀升，对其可靠性与故障安全运行构成了严峻挑战。然而，当前低压电网的监测手段极为匮乏，局部停电事件难以被及时发现。在此背景下，电力线通信（PLC）技术因其既能构建通信基础设施，又能基于信噪比（SNR）评估电缆自身状态与连接质量，成为极具潜力的解决方案。为深入挖掘PLC数据的应用价值，德国人工智能研究中心（DFKI）与伍珀塔尔大学的研究团队于2017年4月至2019年2月期间，在德国一个约15万人口的城市中三个不同区域部署了38个PLC调制解调器，每15分钟采集一次相邻节点间的SNR频谱，历时22个月，最终构建了包含超过370万个数据点的FiN（Fühler-im-Netz）数据集。该数据集首次提供了大规模、真实运行环境下的PLC实测数据，为智能电网的异常检测、资产管理与态势感知等研究奠定了坚实基础，对推动电网数字化转型具有里程碑式的意义。

当前挑战

FiN数据集所面临的核心挑战首先源于领域问题的复杂性：低压配电网的高度非监控状态使得对电缆老化、局部放电、熔断器故障及未知噪声源的实时辨识极为困难，而SNR频谱中混杂的周期性干扰、尖峰噪声与季节性趋势，进一步增加了从海量数据中精准提取异常模式的难度。其次，在数据集构建过程中，研究团队遭遇了诸多技术瓶颈：PLC节点的运行不可避免地出现超时与重启现象，导致部分测量数据缺失；电缆连接的历史记录不全，使得电缆年龄与接头数量等元数据需进行近似估算；此外，由于人工排查成本高昂，大部分干扰源的真实成因无法被追溯确认，这限制了数据标签的完备性。这些挑战共同揭示了在真实电网环境中开展大规模PLC监测数据采集与利用的艰巨性。

常用场景

经典使用场景

FiN数据集的核心价值在于其提供了来自真实低压与中压电网中电力线通信（PLC）调制解调器的信噪比（SNR）频谱数据，覆盖长达22个月、38个节点和68条连接。该数据集最经典的使用场景是电网资产监测与异常检测，研究者可利用SNR频谱的时间序列特性，结合机器学习模型（如ResNet）来估计电缆段内的连接接头数量、识别熔断器故障或局部放电等异常事件，从而实现对电网基础设施的非侵入式远程评估。

解决学术问题

该数据集有效解决了智能电网研究中长期缺乏真实PLC运行数据的学术困境。传统研究多依赖仿真数据，难以反映实际电网中复杂的噪声源、季节性波动和负载变化。FiN提供了大规模、多频段、高时间分辨率的SNR测量，使得研究者能够首次在真实场景下验证资产老化预测、电网拓扑估计、分布式监控等理论方法，推动了电网数字化与自动化领域的实证研究进展。

实际应用

在实际应用中，FiN数据集支撑了电网运营商对低压配电网的远程监控与资产管理。通过分析SNR频谱的长期趋势与突发变化，运维人员可无需现场巡检即可定位电缆接头退化、识别光伏系统接入引起的干扰，甚至检测针对电网基础设施的物理或网络攻击。此外，该数据还为电力公司提供了基于数据驱动的预防性维护策略，显著降低了因电缆故障导致的停电风险与运维成本。

数据集最近研究

最新研究方向

随着可再生能源渗透率提升与电动汽车等新型负荷的接入，低压配电网的复杂性与日俱增，然而其监控手段却长期匮乏。FiN数据集通过在实际运行环境中部署38个电力线通信（PLC）调制解调器，历时22个月采集了超过370万个信噪比（SNR）频谱数据点，为智能电网的精细化监控开辟了新路径。当前前沿研究聚焦于利用该数据集实现电缆资产状态评估，例如基于深度学习模型（如ResNet18）从SNR频谱中估计电缆接头数量，以替代昂贵的人工巡检。此外，数据驱动的异常检测与电网拓扑推断成为热点，研究者通过降维与聚类技术（如t-SNE、DBSCAN）识别故障前兆与周期性干扰源，甚至探索利用SNR变化反演光伏系统出力或检测隐蔽攻击。该数据集弥合了PLC通信数据在真实电网中大规模公开可用的空白，为迈向自愈型、高弹性的未来智能电网提供了关键实验基石。

相关研究论文

• FiN: A Smart Grid and Power Line Communication Dataset

  德国人工智能研究中心 · 2022年