CN110636515A - 电力无线专网的网络规划评估方法 - Google Patents

Abstract

本发明公开了一种电力无线专网的网络规划评估方法，包括获取历史DT测试数据并处理；提取无线网络特征并针对需要进行电力无线专网规划的区域构造适用于规划区域的数据模型；选取若干种机器学习算法对数据模型进行训练并获取训练结果最好的训练模型；构造覆盖无线网络特征的预测数据集；将预测数据集输入训练模型进行预测，根据预测结果计算无线网络规划方案的量化评价指标并进行评估。本发明根据当地的DT数据进行无线模型重构，更适应当地的无线使用环境，且基于开源的代码库，在无线特征尽可能准确的情况下，能进一步提高网络规划方案合理性预测评估的准确性；因此本发明方法能够符合电力系统的要求，而且可靠性高，科学合理。

Description

电力无线专网的网络规划评估方法

技术领域

本发明属于电气自动化领域，具体涉及一种电力无线专网的网络规划评估方法。

背景技术

随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。

目前，发展安全、可靠、高效的智能电网已经成为必然趋势。智能电网配用电业务具有终端点多面广且分布分散、系统容量大、对实时性、可靠性要求高等特点。光纤通信方式虽然具备业务传输能力强的优势，但部署施工难度大、成本高，无法满足对海量配用电终端的全部覆盖。随着无线带宽通信技术的快速发展，作为电力有线光纤通信的补充手段，无线通信对电力配用业务的支持能力已经得到众多的认可，并且越来越多的地方也将无线技术纳入到当地智能电网的建设中，以解决配用电智能全覆盖，信息全采集等技术难题。

无线网络规划、设计是指根据网络建设的整体要求，设计电力无线专网建设目标，以及为实现该目标确定基站的位置和配置。无线网络规划设计的总目标是以合理的投资构建符合近期和远期业务发展需求并达到一定服务等级的电力无线专网。能否在无线网络建设过程中，实现网络覆盖、服务质量和投资成本的平衡，细致准确的无线网络规划、设计是必不可少的一个环节。

电力无线专网的建设投资大、见效慢、技术复杂性高、周期长，“木桶效应”显著，覆盖、容量、质量任一短板都会制约网络的整体表现和投资效益。因此，在网络规划、设计的前期就需要全盘考虑，特别关注电力无线专网的网络规划合理性，利用先进的网络规划工具、手段或方法对网络规划的合理性进行评估，以提高网络规划的精准度，更好的发挥网络的价值，减少网络覆盖等效果达不到预期而引起的经济损失。

目前已有的信号覆盖评估系统，采用的方法基本上是基于无线传播模型的仿真软件，该类软件属于专业类型软件，价格昂贵，且在区县分公司很少有利用。采用的方法属于根据无线传播模型进行正向仿真。

发明内容

本发明的目的在于提供一种符合电力系统要求、可靠性高且科学合理的电力无线专网的网络规划评估方法。

本发明提供的这种电力无线专网的网络规划评估方法，包括如下步骤：

S1.获取历史DT(Driving Test，路测，使用测试设备在不同位置移动测量无线网络性能的一种方法)测试数据，并对获取的测试数据进行预处理；

S2.从步骤S1得到的处理后的历史DT测试数据中提取无线网络特征，并针对需要进行电力无线专网规划的区域，构造适用于规划区域的数据模型；

S3.选取若干种机器学习算法对步骤S2得到的数据模型进行训练，并获取训练结果最好的训练模型；

S4.根据电力无线专网规划方案的数据信息，构造覆盖步骤S2得到的无线网络特征的预测数据集；

S5.将步骤S4构造得到的预测数据集输入步骤S3得到的训练模型进行预测，并根据预测结果计算无线网络规划方案的量化评价指标，从而对无线网络规划方案进行评估。

步骤S1所述的对获取的测试数据进行预处理，具体包括删除测试数据中的信息缺失数据和重复数据，归一化处理测试数据中取值范围不一致的数据，对数据进行标记，以及将预处理后的数据按照设定的比例分割为训练数据集和测试数据集。

所述的对数据进行标记，具体为以BCCH接收功率-80dBm作为信号好坏的分界点，对大于-80dBm的数据设置标签为1，对小于-80dBm的数据设置标签为0。

步骤S2所述的从步骤S1得到的处理后的历史DT测试数据中提取无线网络特征，并针对需要进行电力无线专网规划的区域，构造适用于规划区域的数据模型，具体为根据处理后的历史DT测试数据，计算出距离和方位角差角，然后确定特征字段，并构造出适用于规划区域的数据模型。

所述的数据模型为信号强度函数。

步骤S3所述的选取若干种机器学习算法对步骤S2得到的数据模型进行训练，并获取训练结果最好的训练模型，具体为选用若干种机器学习算法分别对数据模型进行训练，比较不同算法的训练效果，并选定效果最好的算法；为获得更好的训练结果，采用暴力遍历方法寻找最优的算法参数，同时考虑计算机配置和训练时间，最终确定算法所需要设置的参数。

步骤S4所述的构造覆盖步骤S2得到的无线网络特征的预测数据集，具体为构造出包括距离、基站功率、方位角、下倾角、基站高度、基站频段和覆盖类型的无线网络特征的预测数据集，同时构造的预测数据集的数据格式与训练数据的数据格式一致。

步骤S5所述的无线网络规划方案的量化评价指标，具体为将预测结果中电平值大于设定值的点除以总的测试点数，从而得到该规划方案下大于设定值的占比情况，并以该占比情况作为无线网络规划方案的量化评价指标。

本发明提供的这种电力无线专网的网络规划评估方法，根据当地的DT数据进行无线模型重构，更适应当地的无线使用环境，且基于开源的代码库，在无线特征尽可能准确的情况下，能进一步提高网络规划方案合理性预测评估的准确性；因此本发明方法能够符合电力系统的要求，而且可靠性高，科学合理。

附图说明

图1为本发明方法的方法流程示意图。

具体实施方式

如图1所示为本发明方法的方法流程示意图：本发明提供的这种电力无线专网的网络规划评估方法，包括如下步骤：

S1.获取历史DT测试数据，并对获取的测试数据进行预处理；具体包括删除测试数据中的信息缺失数据和重复数据，归一化处理测试数据中取值范围不一致的数据，对数据进行标记，以及将预处理后的数据按照设定的比例分割为训练数据集和测试数据集；

在具体实施时，以BCCH接收功率-80dBm作为信号好坏的分界点，对大于-80dBm的数据设置标签为1，对小于-80dBm的数据设置标签为0；

S2.从步骤S1得到的处理后的历史DT测试数据中提取无线网络特征，并针对需要进行电力无线专网规划的区域，构造适用于规划区域的数据模型；具体为根据DT点经纬度、基站经纬度、方位角等信息计算出距离和方位角差角，对覆盖类型和基站类型等信息进行独立热编码等，确定特征字段(理论上特征越多、越准确则预测结果越高)并构造出适应当地无线环境的数据模型(一个信号强度函数)：

y＝f(dist,power,azimuth,angle,height,freq,cover)

式中y：表示数据采集终端接收信号的优劣；dist：表示终端距离基站的距离，通过DT数据点经纬度和服务小区经纬度计算获得；power：表示基站的发射功率，从DT数据中的CI字段获得；azimuth：表示方位角，通过DT数据点经纬度和基站经纬度计算出两者的夹角，然后和该小区方位角相减获得；angle：表示基站的下倾角，从DT数据中的CI字段获得；height：表示基站高度；freq：表示基站的频段，从DT数据中的CI字段获得；cover：表示覆盖类型

S3.选取若干种机器学习算法对步骤S2得到的数据模型进行训练，并获取训练结果最好的训练模型；具体为选用若干种机器学习算法分别对数据模型进行训练，比较不同算法的训练效果，并选定效果最好的算法；为获得更好的训练结果，采用暴力遍历方法寻找最优的算法参数，同时考虑计算机配置和训练时间，最终确定算法所需要设置的参数；

在具体实施时，采用KNN(K最近邻算法)、LR(逻辑回归算法)、RF(随机森林算法)、DT(决策树算法)、GBDT(梯度提升决策树算法)等共5种算法分别对数据模型进行训练，比较不同算法的训练效果，并选择效果最佳的算法；为获得更好的训练结果，采用暴力遍历的方法来寻找最优的算法参数，同时考虑计算机配置和训练时间，最终确定需要设置的参数；训练一旦完成，不需要每次都重新训练，将训练模型进行固化以方便后期使用；

S4.根据电力无线专网规划方案的数据信息，构造覆盖步骤S2得到的无线网络特征的预测数据集；具体为构造出包括距离、基站功率、方位角、下倾角、基站高度、基站频段和覆盖类型的无线网络特征的预测数据集，同时构造的预测数据集的数据格式与训练数据的数据格式一致；

在具体实施时，根据无线网络规划方案提供的信息构造数据格式与训练数据一致的预测数据集，与根据基站的信息来构造训练数据的各种特征字段不一样的是，需要使用网络规划方案提供的信息构造预测数据，构造出距离、基站功率、方位角、下倾角、基站高度、基站频段、覆盖类型等无线网络特征；

S5.将步骤S4构造得到的预测数据集输入步骤S3得到的训练模型进行预测，并根据预测结果计算无线网络规划方案的量化评价指标，从而对无线网络规划方案进行评估；具体为将预测结果中电平值大于设定值的点除以总的测试点数，从而得到该规划方案下大于设定值的占比情况，并以该占比情况作为无线网络规划方案的量化评价指标；

在具体实施时，将步骤S4构造的网络规划方案预测数据集导入数据模型进行预测，把预测结果中电平值大于-80dBm(在步骤S1标记数据时设置的信号好坏分界点)的点除以总的测试点数，即可得出该方案下-80dBm电平以上的占比情况，并以此量化数据作为该网络规划方案的覆盖合理度的评估指标。当有多个网络规划方案且网络覆盖合理度评估结果非常接近而无法分辨时，可以设置更高的信号优劣分界点(如-70dBm)，重复步骤S1-S5，以进行网络规划方案的进一步评估、对比和区分，从而完成无线网络规划方案合理性评估。

Claims (8)

1.一种电力无线专网的网络规划评估方法，包括如下步骤：

S1.获取历史DT测试数据，并对获取的测试数据进行预处理；

S2.从步骤S1得到的处理后的历史DT测试数据中提取无线网络特征，并针对需要进行电力无线专网规划的区域，构造适用于规划区域的数据模型；

S3.选取若干种机器学习算法对步骤S2得到的数据模型进行训练，并获取训练结果最好的训练模型；

S4.根据电力无线专网规划方案的数据信息，构造覆盖步骤S2得到的无线网络特征的预测数据集；

S5.将步骤S4构造得到的预测数据集输入步骤S3得到的训练模型进行预测，并根据预测结果计算无线网络规划方案的量化评价指标，从而对无线网络规划方案进行评估。

2.根据权利要求1所述的电力无线专网的网络规划评估方法，其特征在于步骤S1所述的对获取的测试数据进行预处理，具体包括删除测试数据中的信息缺失数据和重复数据，归一化处理测试数据中取值范围不一致的数据，对数据进行标记，以及将预处理后的数据按照设定的比例分割为训练数据集和测试数据集。

3.根据权利要求2所述的电力无线专网的网络规划评估方法，其特征在于所述的对数据进行标记，具体为以BCCH接收功率-80dBm作为信号好坏的分界点，对大于-80dBm的数据设置标签为1，对小于-80dBm的数据设置标签为0。

4.根据权利要求3所述的电力无线专网的网络规划评估方法，其特征在于步骤S2所述的从步骤S1得到的处理后的历史DT测试数据中提取无线网络特征，并针对需要进行电力无线专网规划的区域，构造适用于规划区域的数据模型，具体为根据处理后的历史DT测试数据，计算出距离和方位角差角，然后确定特征字段，并构造出适用于规划区域的数据模型。

5.根据权利要求4所述的电力无线专网的网络规划评估方法，其特征在于所述的数据模型为信号强度函数。

6.根据权利要求5所述的电力无线专网的网络规划评估方法，其特征在于步骤S3所述的选取若干种机器学习算法对步骤S2得到的数据模型进行训练，并获取训练结果最好的训练模型，具体为选用若干种机器学习算法分别对数据模型进行训练，比较不同算法的训练效果，并选定效果最好的算法；为获得更好的训练结果，采用暴力遍历方法寻找最优的算法参数，同时考虑计算机配置和训练时间，最终确定算法所需要设置的参数。

7.根据权利要求6所述的电力无线专网的网络规划评估方法，其特征在于步骤S4所述的构造覆盖步骤S2得到的无线网络特征的预测数据集，具体为构造出包括距离、基站功率、方位角、下倾角、基站高度、基站频段和覆盖类型的无线网络特征的预测数据集，同时构造的预测数据集的数据格式与训练数据的数据格式一致。

8.根据权利要求7所述的电力无线专网的网络规划评估方法，其特征在于步骤S5所述的无线网络规划方案的量化评价指标，具体为将预测结果中电平值大于设定值的点除以总的测试点数，从而得到该规划方案下大于设定值的占比情况，并以该占比情况作为无线网络规划方案的量化评价指标。