CN110661549A - 一种利用字典原子的plc信号重构方法和系统 - Google Patents

Abstract

本发明的实施例公开一种利用字典原子的PLC信号重构方法和系统，所述方法包括：步骤1，输入实测的信号序列S；步骤2，根据字典原子对所述信号序列S进行重构，重构后的信号序列为S_NEW。具体为：S_NEW＝W_OPTS‑S^TS[g_OPT]。其中，W_OPT为字典预测矩阵；g_OPT为最佳字典原子。

Description

一种利用字典原子的PLC信号重构方法和系统

技术领域

本发明涉及电力领域，尤其涉及一种PLC信号重构方法和系统。

背景技术

电力线通信，相比各种有线通信技术，无需重新布线，易于组网等优点，具有广阔的应用前景。电力线通信技术分为窄带电力线通信(Narrowband over power line，NPL)和宽带电力线通信(Broadband over power line，BPL)；窄带电力线通信是指带宽限定在3k500kHz的电力线载波通信技术；电力线通信技术包括欧洲CENELEC的规定带宽(3148.5kHz)，美国联邦通讯委员会(FCC)的规定带宽(9490kHz)，日本无线工业及商贸联合会(Association of Radio Industries and Businesses，ARIB)的规定带宽(9450kHz)，和中国的规定带宽(3500kHz)。窄带电力线通信技术多采用单载波调制技术，如PSK技术，DSSS技术和线性调频Chirp等技术，通信速率小于1Mbits/s；宽带电力线通信技术指带宽限定在1.630MHz之间、通信速率通常在1Mbps以上的电力线载波通信技术，采用以OFDM为核心的多种扩频通信技术。

虽然电力线通信系统有着广泛的应用，且技术相对成熟，但是电力线通信系统中大量的分支和电气设备，会在电力线信道中产生大量的噪声；而其中随机脉冲噪声具有很大的随机性，噪声强度高，对电力线通信系统造成严重破坏，因此，针对随机脉冲噪声的抑制技术，一直是国内外学者研究的重点；而且噪声模型并不符合高斯分布。因此，传统的针对高斯噪声设计的通信系统不再适用于电力线载波通信系统，必须研究相应的噪声抑制技术，以提高电力线通信系统信噪比，降低误码率，保证电力线通信系统质量。

在实际应用中，一些简单的非线性技术经常被应用于消除电力线信道噪声，如Clip-ping、Blanking和Clipping/Blanking技术，但是这些研究方法都必须在一定的信噪比情况下才能良好工作，仅仅考虑了冲击噪声的消除，在电力线通信系统中，某些商用电力线发送器的特征是低发射功率，在一些特殊情况，发射功率甚至可能会低于18w，因此，在某些特殊情况，信号将会淹没在大量噪声中，导致电力线通信系统低信噪比情况。

发明内容

如前所述，随着非线性电器的应用和普及，中低压输配电网络中背景噪声呈现出较为明显的非平稳性和非高斯特性，使得电力线通信系统中数据缺失的现象更为严重，通信质量下降明显，严重影响了PLC通信系统的性能。

本发明的目的是提供一种利用字典原子的PLC信号重构方法和系统，所提出的方法利用了通信信号的连续性，通过字典原子性质区分通信信号和背景噪声。所提出的方法具有较好的信号重构性能，计算也较为简单。

为实现上述目的，本发明提供了如下方案：

一种利用字典原子的PLC信号重构方法，包括：

步骤001 输入实测的信号序列S；

步骤002 根据字典原子对所述信号序列S进行重构，重构后的信号序列为S_NEW。具体为：S_NEW＝W_OPTS-S^TS[g_OPT]。其中，W_OPT为字典预测矩阵；g_OPT为最佳字典原子。

一种利用字典原子的PLC信号重构系统，包括：

获取模块 输入实测的信号序列S；

重构模块 根据字典原子对所述信号序列S进行重构，重构后的信号序列为S_NEW。具体为：S_NEW＝W_OPTS-S^TS[g_OPT]。其中，W_OPT为字典预测矩阵；g_OPT为最佳字典原子。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

如前所述，随着非线性电器的应用和普及，中低压输配电网络中背景噪声呈现出较为明显的非平稳性和非高斯特性，使得电力线通信系统中数据缺失的现象更为严重，通信质量下降明显，严重影响了PLC通信系统的性能。

本发明的目的是提供一种利用字典原子的PLC信号重构方法和系统，所提出的方法利用了通信信号的连续性，通过字典原子性质区分通信信号和背景噪声。所提出的方法具有较好的信号重构性能，计算也较为简单。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。显而易见，下面描述中的附图仅仅是本发明的一些实施例，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为本发明的方法流程示意图；

图2为本发明的系统流程示意图；

图3为本发明的具体实施案例流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1一种利用字典原子的PLC信号重构方法的流程示意图

图1为本发明一种利用字典原子的PLC信号重构方法的流程示意图。如图1所示，所述的一种利用字典原子的PLC信号重构方法具体包括以下步骤：

步骤001 输入实测的信号序列S；

步骤002 根据字典原子对所述信号序列S进行重构，重构后的信号序列为S_NEW。具体为：S_NEW＝W_OPTS-S^TS[g_OPT]。其中，W_OPT为字典预测矩阵；g_OPT为最佳字典原子。

所述步骤002之前，所述方法还包括：

步骤003 求取所述字典预测矩阵W_OPT和最佳字典原子g_OPT。

所述步骤003还包括：

步骤301 生成信号差分序列ΔS，具体为：

ΔS＝[0,s₂-s₁,s₃-s₂,···,s_N-s_N-1]

其中：

s_n：所述信号序列S的第n个元素

N：所述信号序列S的长度

步骤302迭代求取所述最佳字典原子g_OPT，具体为：

迭代第1步迭代初始化，具体为：

R⁰＝I

k＝1

其中：

R⁰：初始化的恢复矩阵

I：单位矩阵

Δ⁰：初始化的原子团

k：迭代控制参数

迭代第2步迭代更新，具体为：

R^k＝R^k-1[S^T-g^k]ΔS-<R^k-1S,g^k>[S^T-g^k]ΔS

Δ^k＝Δ^k-1∪g^k

其中：

g^k：第k步的工作原子

x：中间矢量

R^k：第k步的恢复矩阵

Δ^k：第k步的原子团

迭代第3步迭代结束，具体为：

所述迭代控制参数k的值加1，返回所述迭代第二步迭代更新，直至相邻两次迭代结果之差小于0.001为止。此时，所述迭代控制参量k＝K，所述恢复矩阵为R^K，得到所述最佳字典原子g_OPT＝g^K

步骤303求取所述字典预测矩阵W_OPT，具体为：

W_OPT＝[g_OPT-S^T][g_OPT-S^T]^T[S^TS-R^k]。

图2一种利用字典原子的PLC信号重构系统的结构意图

图2为本发明一种利用字典原子的PLC信号重构系统的结构示意图。如图2所示，所述一种利用字典原子的PLC信号重构系统包括以下结构：

获取模块401 输入实测的信号序列S；

重构模块402 根据字典原子对所述信号序列S进行重构，重构后的信号序列为S_NEW。具体为：S_NEW＝W_OPTS-S^TS[g_OPT]。其中，W_OPT为字典预测矩阵；g_OPT为最佳字典原子。

所述的系统，还包括：

计算模块403 求取所述字典预测矩阵W_OPT和最佳字典原子g_OPT。

所述计算模块403还包括下列单元，具体包括：

计算单元4031 生成信号差分序列ΔS，具体为：

ΔS＝[0,s₂-s₁,s₃-s₂,···,s_N-s_N-1]

其中：

s_n：所述信号序列S的第n个元素

N：所述信号序列S的长度

计算单元4032 迭代求取所述最佳字典原子g_OPT，具体为：

迭代第1步迭代初始化，具体为：

R⁰＝I

k＝1

其中：

R⁰：初始化的恢复矩阵

I：单位矩阵

Δ⁰：初始化的原子团

k：迭代控制参数

迭代第2步 迭代更新，具体为：

R^k＝R^k-1[S^T-g^k]ΔS-<R^k-1S,g^k>[S^T-g^k]ΔS

Δ^k＝Δ^k-1∪g^k

其中：

g^k：第k步的工作原子

x：中间矢量

R^k：第k步的恢复矩阵

Δ^k：第k步的原子团

迭代第3步 迭代结束，具体为：

所述迭代控制参数k的值加1，返回所述迭代第二步迭代更新，直至相邻两次迭代结果之差小于0.001为止。此时，所述迭代控制参量k＝K，所述恢复矩阵为R^K，得到所述最佳字典原子g_OPT＝g^K

计算单元4033 求取所述字典预测矩阵W_OPT，具体为：

W_OPT＝[g_OPT-S^T][g_OPT-S^T]^T[S^TS-R^k]。

下面提供一个具体实施案例，进一步说明本发明的方案

图3为本发明具体实施案例的流程示意图。如图3所示，具体包括以下步骤：

0 开始：输入实测的信号数据序列

S＝[s₁,s₂,···,s_N-1,s_N]

其中：

S：实测信号序列，长度为N

s_n：所述信号序列S中的第n个元素

n：下标，n＝1,2,···,N

1 生成信号差分序列ΔS，具体为：

ΔS＝[0,s₂-s₁,s₃-s₂,···,s_N-s_N-1]

其中：

s_n：所述信号序列S的第n个元素

N：所述信号序列S的长度

2 迭代求取所述最佳字典原子g_OPT，具体为：

迭代第1步 迭代初始化，具体为：

R⁰＝I

k＝1

其中：

R⁰：初始化的恢复矩阵

I：单位矩阵

Δ⁰：初始化的原子团

k：迭代控制参数

迭代第2步 迭代更新，具体为：

R^k＝R^k-1[S^T-g^k]ΔS-<R^k-1S,g^k>[S^T-g^k]ΔS

Δ^k＝Δ^k-1∪g^k

其中：

g^k：第k步的工作原子

x：中间矢量

R^k：第k步的恢复矩阵

Δ^k：第k步的原子团

迭代第3步 迭代结束，具体为：

所述迭代控制参数k的值加1，返回所述迭代第二步迭代更新，直至相邻两次迭代结果之差小于0.001为止。此时，所述迭代控制参量

k＝K，所述恢复矩阵为R^K，得到所述最佳字典原子g_OPT＝g^K

3 求取所述字典预测矩阵W_OPT，具体为：

W_OPT＝[g_OPT-S^T][g_OPT-S^T]^T[S^TS-R^k]。

4 结束：重构

根据字典原子对所述信号序列S进行重构，重构后的信号序列为S_NEW。具体为：S_NEW＝W_OPTS-S^TS[g_OPT]。其中，W_OPT为字典预测矩阵；g_OPT为最佳字典原子。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述较为简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种利用字典原子的PLC信号重构方法，其特征在于，包括：

步骤001 输入实测的信号序列S；

步骤002 根据字典原子对所述信号序列S进行重构，重构后的信号序列为S_NEW。具体为：S_NEW＝W_OPTS-S^TS[g_OPT]。其中，W_OPT为字典预测矩阵；g_OPT为最佳字典原子。

2.根据权利要求1所述的方法，其特征在于，所述步骤2之前，所述方法还包括：

步骤003 求取所述字典预测矩阵W_OPT和最佳字典原子g_OPT。

3.根据权利要求2所述的方法，其特征在于，所述步骤3包括：

步骤301 生成信号差分序列ΔS，具体为：

ΔS＝[0,s₂-s₁,s₃-s₂,…,s_N-s_N-1]

其中：

s_n：所述信号序列S的第n个元素

N：所述信号序列S的长度

步骤302 迭代求取所述最佳字典原子g_OPT，具体为：

迭代第1步 迭代初始化，具体为：

R⁰＝I

k＝1

其中：

R⁰：初始化的恢复矩阵

I：单位矩阵

Δ⁰：初始化的原子团

k：迭代控制参数

迭代第2步 迭代更新，具体为：

R^k＝R^k-1[S^T-g^k]ΔS-〈R^k-1S,g^k〉[S^T-g^k]ΔS

Δ^k＝Δ^k-1∪g^k

其中：

g^k：第k步的工作原子

x：中间矢量

R^k：第k步的恢复矩阵

Δ^k：第k步的原子团

迭代第3步 迭代结束，具体为：

所述迭代控制参数k的值加1，返回所述迭代第二步迭代更新，直至相邻两次迭代结果之差小于0.001为止。此时，所述迭代控制参量k＝K，所述恢复矩阵为R^K，得到所述最佳字典原子g_OPT＝g^K

步骤303 求取所述字典预测矩阵W_OPT，具体为：

W_OPT＝[g_OPT-S^T][g_OPT-S^T]^T[S^TS-R^k]。

4.一种利用字典原子的PLC信号重构系统，其特征在于，包括：

获取模块 输入实测的信号序列S；

重构模块 根据字典原子对所述信号序列S进行重构，重构后的信号序列为S_NEW。具体为：S_NEW＝W_OPTS-S^TS[g_OPT]。其中，W_OPT为字典预测矩阵；g_OPT为最佳字典原子。

5.根据权利要求4所述的系统，其特征在于，还包括：

计算模块 求取所述字典预测矩阵W_OPT和最佳字典原子g_OPT。

Images