CN110855321B - 一种用于电力线载波通信的信道检测方法 - Google Patents
一种用于电力线载波通信的信道检测方法 Download PDFInfo
- Publication number
- CN110855321B CN110855321B CN201911164023.5A CN201911164023A CN110855321B CN 110855321 B CN110855321 B CN 110855321B CN 201911164023 A CN201911164023 A CN 201911164023A CN 110855321 B CN110855321 B CN 110855321B
- Authority
- CN
- China
- Prior art keywords
- noise
- channel
- data
- power line
- frequency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004891 communication Methods 0.000 title claims abstract description 68
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims description 34
- 238000005070 sampling Methods 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000009499 grossing Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 239000000523 sample Substances 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 12
- 238000004128 high performance liquid chromatography Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000002093 peripheral effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000009740 moulding (composite fabrication) Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/02—Details
- H04B3/46—Monitoring; Testing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/54—Systems for transmission via power distribution lines
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开了一种用于电力线载波通信的信道检测方法,属于电力线载波通信技术领域。本发明中,云端接收终端设备的噪声数据和信道数据,进行深度学习并建立和噪声特征库和信道特征库;进行噪声识别和噪声情况判断,给出抗噪配置参数,反馈给终端设备;分析信道状况,与信道特征库中的信息进行特征识别和比对,获取分析结果,反馈给终端设备。本发明的优点在于可以准确的分析噪声来源,给出系统优化的抗噪参数,或给出规避噪声方法,提升通讯性能。
Description
技术领域
本发明涉及电力线载波通信技术领域,尤其涉及一种用于电力线载波通信的信道检测方法。
背景技术
随着高速电力线载波HPLC在国家电网公司的规模化推广,其全寿命周期内的技术支撑和维护越来越迫切。现有HPLC网络规划和优化的方案,建立在HPLC通讯模块获取的网络信息和环境信息的基础上。但是在实际操作中面临很大困难,例如:
1.HPLC模块能够统计的网络通信指标不能全面的描述当前网络的细节特征,无法给网络优化提出指导方向。
2.由于计算能力有限,无法对现场噪声、信号衰减、信道参数、路由策略等进行深入分析。
3.HPLC模块因为成本原因,测量能力有限,无法很好的对所处的信道和噪声环境进行采集,数据采集存在盲区,无法给网优网规提供全面必要的信息。
发明内容
本发明提供了一种用于电力线载波通信的信道检测方法,目的在于识别电力线信道噪声的来源和种类,继而给出有针对性的抗噪配置参数或规避噪声,提升通讯性能。
为达到上述技术目的,本发明采用以下技术方案:
一种用于电力线载波通信的信道检测方法,包括噪声识别,进行信道检测之前,先对噪声进行识别;判断噪声是否影响通信,若影响,则对噪声进行抑制处理;
其中,噪声识别的方法如下:
对电力线通信信道进行噪声采集;
进入学习阶段,建立噪声时频特征识别网络:对噪声数据进行时域和频域处理,将所有噪声的时域分布矢量、各频谱数据和对应平均功率作为卷积神经网络的输入参量,噪声类型作为输出参量,训练得到噪声时频特征识别网络;
训练完成后进入识别阶段,对噪声进行识别,并将得到的噪声特征和噪声类型放入噪声特征库。
优选地,对噪声的时域处理如下:
步骤a:对噪声的时域数据进行分段,每1024个样点为一段,共分成M个数据段;
步骤b:对每个数据段进行小波分解,至少分解4层,获得分解以后的不同分辨率下的时域图样;
步骤c:将每段数据分辨率最低的图样平均分成32份,分别计算每份平均能量,按照最大样点能量尺度,量化为4比特的能量等级,形成能量变化的时域分布矢量;将所有采样时域内的时域分布矢量拼接,形成全局的时域分布矢量图;
步骤d:对每段数据分辨率最高的图样进行平滑处理,并计算总体平均能量,计算平滑后的能量峰均比,在所有数据段中选取峰均比超过脉冲噪声阈值的数据段,形成细节图样的时域分布矢量组;
步骤e:同时选择连续4段数据中分辨率居中的1个图样,重复步骤d,拼接形成中等细节图样的时域分布。
进一步优选地,所述步骤d中的平滑处理为16点线性平滑处理。
优选地,对噪声的频域处理如下:
对噪声的时域数据按照每4096样点为一段,分成M/4个数据段;
对每个数据段进行傅里叶变换,得到各数据段的频域数据并进行平滑处理,取1~2048点,得到每个数据段的频谱;
计算每段数据的平均功率,按照平均功率等级,对频谱图样进行分类,将相近平均功率的频谱图样分为一组,得到多组频谱数据;
将频谱数据作为卷积神经网络的输入参量,形成一个学习样本;
对任意多种特征噪声进行上述方法的采集,并进行训练,形成噪声频域特征完成网络。
进一步优选地,所述平滑处理为9点线性平滑处理。
优选地,所述噪声抑制通过云端设备对整个物理层通信链路的通信能力仿真来实现:获取噪声数据,将噪声作为通信率仿真的环境噪声参数加载到仿真平台中,通过调整通讯模块的物理层的各类参数,选出一组最合适的参数搭配,作为通讯模块的抗噪参数,发送给终端设备;终端设备与通讯模块进行通信,将参数加载到模块中,完成抗噪配置。
进一步优选地,对于不支持配置抗噪参数的通讯模块,云端设备根据对噪声频谱的分析,选择一组最合适的频段配置,发送给终端设备;终端设备通过与现场模块CCO的通信,对全网频段进行调整,规避噪声干扰。
优选地,所述信道检测的方法如下:
终端发送设备发送探测信号至电力线信道中,同时通过无线方式与终端接收设备进行信息交互;
终端发送设备根据终端接收设备的反馈的探测结果,自适应的调整探测信号的发送功率、时长、频谱参数;
终端接收设备将检测的信道数据发送至云端;
云端建立信道特征库:将各种信道的脉冲响应特征、宽带幅频响应特征、宽带相频响应特征作为深度学习算法的输入参量,信道的特征分类作为输出参量,训练完成信道特征识别网络;并将信道的特征和识别结果放入信道特征库;
将探测信息与信道特征库中的信息进行识别和比对,分析信道状况。
进一步优选地,所述探测信号是一种具有特征序列的OFDM信号,并覆盖一定的频谱覆盖范围,所述频谱的覆盖范围是所需要测量的频谱范围内的子频段,通过对多个子频段的频谱叠加来完成对整体频谱的测量。
进一步优选地,所述终端接收设备与终端发送设备信息交互的内容包括:信道申请完成、探测信号发送状态功率、探测信号发送模式、探测信号采集状态、探测信号采集结果反馈。
进一步优选地,根据探测结果,若检测结果达到信噪比要求,则通知终端发送设备,进行下一个子频段的发送;若检测结果未达到所需要的信噪比要求,则通知终端发送设备增大发送功率,或缩小发送的频段宽带,或调整发送序列。
有益效果
本发明通过建立噪声时频特征识别网络,可以对电力线载波信道上的噪声特性进行准确地分析,进而对噪声的来源进行识别,继而给出抗噪配置参数,优化通讯质量;对于不支持配置抗噪参数的通讯模块,可对通讯网络进行实时的频段切换,对全网频段进行调整,以尽可能避免噪声的干扰。
本发明中信道检测的方法,能够自适应调整信道测量模式和方式,适应现场高衰减、高噪声电力线传输环境的信道探测和接收机制,对微弱的信道传输特征参数进行识别和提取,构建传输模型,量化评估OFDM的各个子信道的信道质量。
附图说明
图1为云端建立的噪声特征库和信道特征库的模型图;
图2为实际场景下的噪声品质测量系统示意图;
图3为云平台的应用软件功能框架图;
图4为终端设备的硬件示意图;
图5为实际场景下的噪声品质测量系统示意图;
图6为噪声检测评估流程图;
图7为信道测试评估流程示意图。
图中:201-云平台;202-便携测量终端设备;203-监控显示设备。
具体实施方式
下面结合附图作进一步说明。
一种用于电力线载波通信的信道检测方法,包括噪声识别,进行信道检测之前,先对噪声进行识别;判断噪声是否影响通信,若影响,则对噪声进行抑制处理。
为了便于公众理解,下面通过一个优选实施例并结合附图来对本发明的技术方案进行详细说明。
本实施例涉及到服务云端与设备端的安装和部署,如图 2所示。
云端服务应用程序是一种后台运行服务程序,在非触发时,保持在服务器后台运行。该服务软件,可以通过网络接入访问触发,也可以通过服务器之间访问进行触发。
终端设备202可以由运维人员或技术人员按照电力线接入规则接入到现场的电力线中。便携测量终端设备202即可对电力线上的环境进行检测,并监听HPLC通信报文。
终端设备202中内置多种上网方式,例如4G模块、Wi-Fi模块等,工作以后,可以通过公网接入到云端服务中。
为了满足运维人员的远程操作需求,终端设备202还允许运维人员使用监控显示设备203通过云服务器,远程操作终端设备202。这里的监控显示设备203可以是能够登入云服务器的个人电脑、手机等设备。
图 3显示了云平台的软件框架,包括:
1)身份认证:用于接入设备鉴权、用户鉴权等,对未授权设备或未授权用户禁止接入。
2)流量管理:针对并行接入场景,对各接入用户的上行流量进行管理,避免流量拥塞。
3)任务管理器:对当前处理的多任务进行管理。
4)基本网络维护:能够根据便携测量终端采集的基本网络数据进行分析和反馈。
5)私有网络维护:是一个可选模块,由各模块厂家自行提供的网络维护服务程序,针对各厂家自己的模块特征进行网络维护。如果模块厂家不提供,则不会进入该服务。
6)公共功能函数库:为基本网络维护功能和私有网络维护功能提供获取便携测量终端数据或抄表模块设备信息的通用标准化功能函数。
7)信道分析:接收测量诊断设备的信道数据,进行深度学习和建立信道资源库,如图1所示;也可以根据接收测量诊断设备获取的信道数据,进行信道识别和信道情况判断,分析信道状况,给出指导操作建议。
8)噪声分析:接收测量诊断设备的噪声数据,进行深度学习和建立噪声特征库,如图1所示;也可以根据接收测量诊断设备获取的噪声数据,进行噪声识别和噪声情况判断,分析环境噪声,给出指导操作建议。
9)资源数据库:存储大量的验收运维等历史经验数据,用于海量历史问题进行智能分析;存储信道模型、噪声模型数据库,用于大数据分析和深度学习。
10)结果反馈:将基本网络维护、信道分析、噪声分析等反馈给测量的信息发送给测量终端。
图 4显示了终端设备的硬件结构,包括主要包括处理器、HPLC通讯芯片、数据采集和信号发生模块、高性能模拟前端、电力线耦合器、存储外设接口、通讯接口、控制外设接口、显示外设接口、以及电源模块和LED组成。
1)处理器和内存:用于整体设备的操作系统和软件功能运行。
2)HPLC芯片:用于HPLC协议报文的监听和发送。
3)数据采集和信号发生模块:进行噪声采集、信道检测数据发生和接收。
4)高性能模拟前端:包括独立的模数转换器(ADC)和数模转换器(DAC),还有可控制的功率放大器(VGA)器件配合噪声采集、信道检测数据发送和接收。
5)电力线耦合器:用于将电信号耦合到电力线上进行传输,也用于将电力线上的信号耦合出来。
6)存储卡:可以存储大量数据。
7)通讯接口:支持各种所需的有线、无线通讯。
8)控制外设接口:用于外接控制器、键盘、鼠标等。
9)显示外设接口:用于外接LCD显示器或其它显示设备。
采样电路的模拟前端应包括独立的模数转换器(ADC)和可控制的功率放大器(VGA)器件。因为宽带电力线载波通信的通信频段是0.7MHz ~ 12MHz,为了对影响通信的噪声进行准确评估,因此对这个频段噪声的采样频率以100MHz为佳,最低不应低于50MHz。在对噪声进行采样时,在采样的电路中尽量避免使用滤波器件,ADC的位宽至少需要12比特,以保证采样处理时能够得到最真实的噪声形貌。另外,在采样电路的外围应有一个电压限幅装置,典型值为3.3V限幅,以保证采样电路不会被过大的脉冲信号损坏。
噪声的检测和评估可以协助定位现场故障问题,给出可能的故障原因;并有助于排查是否存在接入电力线网络中的异常噪声电器,对优化电力线网络有积极意义。
噪声的检测形式如图 5所示,噪声的测量主要包括如下步骤:
1)将测量设备接入到故障模块附近的电力线上;
2)测量设备对本地噪声进行采集(可以选择短期采集或长期采集);
3)将采集的噪声数据进行数据压缩,上传给云服务器进行分析。
具体对噪声数据的分析处理分为三个重要阶段:
第一阶段是对特定噪声(特定来源的噪声,例如某种电器或某种设备)的采集,噪声采集的由采样控制逻辑控制。
1)通过对噪声功率的检测,调整功率放大器,使得采集的噪声平均功率处于预设的参考功率附近。
2)连续采集一段时间的噪声数据,存储于内存中。按照正常低压线路交流周期50Hz计算,每次采集噪声的时间应不短于20ms。按照100MHz,12比特的采样速率计算,每次采样的数据存储空间需要24Mb。
3)最后,将采样的数据通过有线或无线的高速通信方式发送给云端设备。
第二阶段是对噪声数据的处理和建模,分为时域和频率两个方面。
对噪声的时域处理包括如下几个步骤:
1)对噪声的时域数据进行分段,每1024个样点为一段,共分成M个数据段。
2)对每个数据段进行小波分解,至少分解4层,获得分解以后的不同分辨率下的时域图样。
3)将每段数据分辨率最低的图样平均分成32份,分别计算每份平均能量,按照最大样点能量尺度,量化为4比特的能量等级,形成能量变化的时域分布矢量。将所有采样时域内的时域分布矢量拼接,形成全局的时域分布矢量图。
4)对每段数据分辨率最高的图样,进行16点线性平滑处理(滑窗计算16点的平均值),并计算总体平均能量,计算平滑后的能量峰均比,在所有数据段中选取峰均比超过脉冲噪声阈值的数据段,形成细节图样的时域分布矢量组。
5)同时选择连续4段数据中分辨率居中的1个图样,重复步骤4),拼接形成中等细节图样的时域分布。
对噪声的频域处理包括如下几个步骤:
1)对噪声的时域数据按照每4096样点为一段,分成M/4个数据段。
2)对每个数据段进行傅里叶变换,得到各数据段的频域数据,并进行9点线性平滑处理,取1~2048点,得到每个数据段的频谱。
3)计算每段数据的平均功率,按照平均功率等级,对频谱图样进行分类,将相近平均功率的频谱图样分为一组,得到多组频谱数据。
4)对任意多种特征噪声进行上述方法的采集,并进行训练,形成噪声频域特征完成网络。
最后对任意多种特征噪声进行上述方法的采集,逐步添加到样本库中,将所有噪声的时域分布矢量、各频谱数据、对应平均功率作为卷积神经网络的输入参量,噪声类型作为输出参量,并对神经网络的参数进行训练,形成完整的噪声时频特征识别网络。
第三阶段是分类阶段:
1)将在现场用相同方法采集的噪声数据用于第二阶段相同的方法处理成为时域和频域的输入参量,使用时频特征识别网络对采集的样本进行模式识别,输出采集噪声的最有可能的噪声特征类型以及匹配概率。
2)云端设备将噪声的平均功率,重复周期,以及最可能前5种噪声类型(噪声来源),作为噪声数据识别的结果,由云端发送给终端设备。
更复杂地,利用云端处理器高性能的运算功能,有针对性地实现噪声的抑制和规避,并将推演完成的结果作为配置参数发送给终端器件,进而转发给支持配置抗噪参数的宽带载波通讯模块。
对噪声的抑制和规避功能依赖于云端设备对整个物理层通信链路的通信能力仿真:
1)在获取了噪声数据以后,将噪声作为通信率仿真的环境噪声参数加载到仿真平台中;
2)通过调整芯片物理层的各类参数(如滤波器系数,目标参考功率值,分集拷贝加权系数等等),选出一组最合适的参数搭配,作为芯片配置参数,发送给终端设备。
3)终端设备与芯片进行通信,将配置参数加载到芯片中,完成抗噪配置。
其中,对于不支持抗噪配置的芯片,云端设备根据对噪声频谱的分析,可用选择一组最合适的频段配置,发送给终端设备。终端设备通过与现场模块CCO的通信,对全网频段进行调整,以达到规避噪声干扰的目的。
在进行噪声处理的同时,云端还需要对噪声的其他宏观特性进行分析,如图 6所示,
首先对判断噪声是否过大,如果噪声能量并不大,则不是噪声对通信产生了影响,之间对信道进行检测,完成分析。
对于噪声能量较大的情况,则需要对噪声进行仔细分析。
1)对于时变明显的噪声
a)如果环境噪声固定在某个时间段噪声较小,则通知集中器在非噪声时间段对该模块进行抄表;
b)如果环境噪声在不确定时段随机出现,则通知集中器增大抄表的频度。通过更改业务流程的方式解决噪声对通信的影响。
2)如果噪声是长时间存在的
a)如果是近一段时间长时间存在的噪声,需要对噪声的时域和频域数据进行噪声模式识别。通过深度学习和模式识别功能,将对噪声的种类、异常状况、乃至属于何种用电器件进行识别,获得分析结果。
i.对于用电器件故障,需要排查故障点附近的用电器件;
ii.对于人为引入的用电器件,可以合理的进行用电器件的接入位置调整;
b)如果是历史一直存在的噪声,则需要进行噪声频谱分析。
c)如果设备厂家有私有的抗噪配置或固件升级版本,也可以通过接入云端来完成云端到独立模块的固件升级。
3)解决故障问题以后,可以对测试点的噪声环境和信道环境进行评估,给出本地HPLC模块的量化的抗噪能力指标。
信道检测主要用于分析现场环境的非噪声影响,需要在指定位置接入终端接收设备和终端发送设备,如图7所示。
影响信道的主要因素有电力线路的老化,电力线路的多分支,线路耦合的异常阻抗变化等。因为出现故障的站点往往是无法正常入网的模块,因此无法正常从模块中获取信道信息,运维人员可以通过在指定位置接入测量发送设备和测量接收设备来测量物理线路上的信道问题,以实现对物理线路问题的排查。
信道检测排查的流程如下:
1)将终端接收设备接入该模块位置的电力线,将终端发送设备接入物理连接上最临近的已入网模块,进行信道检测;
2)将信道检测的数据发送至云端服务器,进行信道分析;
3)云端服务器反馈分析结果。
信道测量的流程如下:
终端发送设备与终端接收设备都接入到相应的电力线路的位置。通过无线通信方式进行协议握手,类似于蓝牙配对的操作,明确即将进行的信道探测功能。终端发送设备向电力线路发送征用信道的报文,保证所有HPLC通讯模块在接下来的10秒或20秒内进入静默状态。
一切准备就绪以后,由终端发送设备发送信道探测信号,同时通过无线方式发送通知终端接收设备。
探测信号是一种具有特征序列的OFDM信号,可以覆盖一定的频谱覆盖范围。这个频谱的覆盖范围是所需要测量的频谱范围内的子频段。通过对多个子频段的频谱叠加来完成对整体频谱的测量。
终端接收设备通过无线设备获取到发送通知的以后,开始对线路上的探测信号进行检测。并对检测结果进行分析。如果检测结果达到信噪比要求,则通过无线方式通知终端发送设备,进行下一个子频段的发送;如果检测结果没有达到所需要的信噪比要求,则通过无线方式通知终端发送设备增大发送功率,或缩小发送的频段宽带,或调整发送序列等手段,以获取更精确的测量结果。
终端接收设备支持窄带无线通讯,通过无线方式与手持式终端发送设备进行信息交互,交互内容包括,但不限于:信道申请完成、探测信号发送状态功率、探测信号发送模式、探测信号采集状态、探测信号采集结果反馈。
终端发送设备可以根据终端接收设备的反馈的探测结果,调整探测信号再次进行发送。
终端接收设备支持4G无线通讯或WIFI无线通讯等远程无线通讯能力,可以远程接入云端服务器;可以向云端服务器传输采集的信道数据;也可以接收远程云端服务器传递的数据分析结果。该分析结果可以显示给使用者,也可以用于指导终端设备进行更精细测试。
终端接收设备将获取的探测信息进行汇总和数据压缩,通过公网发送给云端服务器。云端服务器根据信道特征库中的信息进行特征识别和比对,获取分析结果,反馈给终端接收设备。
通过识别,可以对信道情况进行评估,内容可以包括:信道环境正常,信道衰减过大,信道多径过多,信道衰减与当前频段不适配等。
Claims (9)
1.一种用于电力线载波通信的信道检测方法,包括噪声识别,其特征在于,进行信道检测之前,先对噪声进行识别;判断噪声是否影响通信,若影响,则对噪声进行抑制处理;
其中,噪声识别的方法如下:
对电力线通信信道进行噪声采集;
进入学习阶段,建立噪声时频特征识别网络:对噪声数据进行时域和频域处理,将所有噪声的时域分布矢量、各频谱数据和对应平均功率作为卷积神经网络的输入参量,噪声类型作为输出参量,训练得到噪声时频特征识别网络;
其中,对噪声的时域处理如下:
步骤a:对噪声的时域数据进行分段,每1024个样点为一段,共分成M个数据段;
步骤b:对每个数据段进行小波分解,至少分解4层,获得分解以后的不同分辨率下的时域图样;
步骤c:将每段数据分辨率最低的图样平均分成32份,分别计算每份平均能量,按照最大样点能量尺度,量化为4比特的能量等级,形成能量变化的时域分布矢量;将所有采样时域内的时域分布矢量拼接,形成全局的时域分布矢量图;
步骤d:对每段数据分辨率最高的图样进行平滑处理,并计算总体平均能量,计算平滑后的能量峰均比,在所有数据段中选取峰均比超过脉冲噪声阈值的数据段,形成细节图样的时域分布矢量组;
步骤e:同时选择连续4段数据中分辨率居中的1个图样,重复步骤d,拼接形成中等细节图样的时域分布;
对噪声的频域处理如下:
对噪声的频域数据按照每4096样点为一段,分成M/4个数据段;
对每个数据段进行傅里叶变换,得到各数据段的频域数据并进行平滑处理,取1~2048点,得到每个数据段的频谱;
计算每段数据的平均功率,按照平均功率等级,对频谱图样进行分类,将相近平均功率的频谱图样分为一组,得到多组频谱数据;
训练完成后进入识别阶段,对噪声进行识别,并将得到的噪声特征和噪声类型放入噪声特征库。
2.根据权利要求1所述用于电力线载波通信的信道检测方法,其特征在于,所述步骤d中的平滑处理为16点线性平滑处理。
3.根据权利要求1所述用于电力线载波通信的信道检测方法,其特征在于,所述频域处理的平滑处理为9点线性平滑处理。
4.根据权利要求1所述用于电力线载波通信的信道检测方法,其特征在于,所述噪声的抑制处理通过云端设备对整个物理层通信链路的通信能力仿真来实现:获取噪声数据,将噪声作为通信率仿真的环境噪声参数加载到仿真平台中,通过调整通讯模块的物理层的各类参数,选出一组最合适的参数搭配,作为通讯模块的抗噪参数,发送给终端设备;终端设备与通讯模块进行通信,将参数加载到模块中,完成抗噪配置。
5.根据权利要求4所述用于电力线载波通信的信道检测方法,其特征在于,对于不支持配置抗噪参数的通讯模块,云端设备根据对噪声频谱的分析,选择一组最合适的频段配置,发送给终端设备;终端设备通过与现场模块CCO的通信,对全网频段进行调整,规避噪声干扰。
6.根据权利要求书1所述用于电力线载波通信的信道检测方法,其特征在于,所述信道检测的方法如下:
终端发送设备发送探测信号至电力线信道中,同时通过无线方式与终端接收设备进行信息交互;
终端发送设备根据终端接收设备的反馈的探测结果,自适应的调整探测信号的发送功率、时长、频谱参数;
终端接收设备将检测的信道数据发送至云端;
云端建立信道特征库:将各种信道的脉冲响应特征、宽带幅频响应特征、宽带相频响应特征作为深度学习算法的输入参量,信道的特征分类作为输出参量,训练完成信道特征识别网络;并将信道的特征和识别结果放入信道特征库;
将探测信息与信道特征库中的信息进行识别和比对,分析信道状况。
7.根据权利要求书6所述用于电力线载波通信的信道检测方法,其特征在于,所述探测信号是一种具有特征序列的OFDM信号,并覆盖一定的频谱覆盖范围,所述频谱的覆盖范围是所需要测量的频谱范围内的子频段,通过对多个子频段的频谱叠加来完成对整体频谱的测量。
8.根据权利要求书6所述用于电力线载波通信的信道检测方法,其特征在于,所述终端接收设备与终端发送设备信息交互的内容包括:信道申请完成、探测信号发送状态功率、探测信号发送模式、探测信号采集状态、探测信号采集结果反馈。
9.根据权利要求书6所述用于电力线载波通信的信道检测方法,其特征在于,根据探测结果,若检测结果达到信噪比要求,则通知终端发送设备,进行下一个子频段的发送;若检测结果未达到所需要的信噪比要求,则通知终端发送设备增大发送功率,或缩小发送的频段宽带,或调整发送序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911164023.5A CN110855321B (zh) | 2019-11-25 | 2019-11-25 | 一种用于电力线载波通信的信道检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911164023.5A CN110855321B (zh) | 2019-11-25 | 2019-11-25 | 一种用于电力线载波通信的信道检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110855321A CN110855321A (zh) | 2020-02-28 |
CN110855321B true CN110855321B (zh) | 2021-05-11 |
Family
ID=69604181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911164023.5A Active CN110855321B (zh) | 2019-11-25 | 2019-11-25 | 一种用于电力线载波通信的信道检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110855321B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113489514B (zh) * | 2021-07-05 | 2022-07-26 | 国网湖南省电力有限公司 | 基于自组织映射神经网络的电力线通信噪声识别方法及装置 |
CN113726369A (zh) * | 2021-09-09 | 2021-11-30 | 广东电网有限责任公司电力调度控制中心 | 一种低压电力线载波通信信道监测方法及系统 |
CN115438702A (zh) * | 2022-10-18 | 2022-12-06 | 国网山东省电力公司营销服务中心(计量中心) | 一种电力线载波信道噪声检测方法及系统 |
CN118214504A (zh) * | 2024-05-21 | 2024-06-18 | 北京智芯微电子科技有限公司 | 信号传输方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101169654A (zh) * | 2007-11-20 | 2008-04-30 | 深圳市鸿捷源自动化系统有限公司 | 应用于卷烟机上的Profibus DP与CAN总线结合的通信方法 |
CN103120003A (zh) * | 2010-09-23 | 2013-05-22 | 捷讯研究有限公司 | 在无线网络环境中动态协调无线资源使用的系统和方法 |
CN105794262A (zh) * | 2014-01-06 | 2016-07-20 | 英特尔Ip公司 | 用于多信号在多用频率频谱中共存的系统、方法和设备 |
WO2019139660A1 (en) * | 2018-01-12 | 2019-07-18 | Alibaba Group Holding Limited | Enhancing audio signals using sub-band deep neural networks |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4462109A (en) * | 1982-08-09 | 1984-07-24 | General Electric Company | Receiver for phase-shift modulated carrier signals |
JP2008017102A (ja) * | 2006-07-05 | 2008-01-24 | Sony Corp | 電力線通信装置および電力線通信システム、ならびに、電力線通信の受信処理方法および制御方法 |
US8477888B2 (en) * | 2008-06-24 | 2013-07-02 | Qualcomm Incorporated | Phase-noise resilient generation of a channel quality indicator |
CN102487299B (zh) * | 2010-12-03 | 2014-02-19 | 华北电力科学研究院有限责任公司 | 一种电力线载波信道噪声模拟方法及装置 |
CN201928287U (zh) * | 2010-12-09 | 2011-08-10 | 华北电力科学研究院有限责任公司 | 一种电力线载波窄带通信信道特性模拟电路 |
CN107612865B (zh) * | 2017-10-12 | 2020-06-02 | 国网天津市电力公司电力科学研究院 | 一种应用于低压电力线载波通信的信号降噪方法 |
CN109495135A (zh) * | 2018-12-07 | 2019-03-19 | 南京南瑞微电子技术有限公司 | 一种基于电力线载波通信的调试系统和方法 |
-
2019
- 2019-11-25 CN CN201911164023.5A patent/CN110855321B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101169654A (zh) * | 2007-11-20 | 2008-04-30 | 深圳市鸿捷源自动化系统有限公司 | 应用于卷烟机上的Profibus DP与CAN总线结合的通信方法 |
CN103120003A (zh) * | 2010-09-23 | 2013-05-22 | 捷讯研究有限公司 | 在无线网络环境中动态协调无线资源使用的系统和方法 |
CN105794262A (zh) * | 2014-01-06 | 2016-07-20 | 英特尔Ip公司 | 用于多信号在多用频率频谱中共存的系统、方法和设备 |
WO2019139660A1 (en) * | 2018-01-12 | 2019-07-18 | Alibaba Group Holding Limited | Enhancing audio signals using sub-band deep neural networks |
Also Published As
Publication number | Publication date |
---|---|
CN110855321A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110855321B (zh) | 一种用于电力线载波通信的信道检测方法 | |
US10613157B2 (en) | Smart fault detection device to anticipate impending faults in power transformers | |
CN111585671B (zh) | 电力lte无线专网电磁干扰监测及识别方法 | |
JP6738135B2 (ja) | 電気ケーブルの故障検出をコンピュータで実行する方法 | |
CN108008287B (zh) | 基于移频信号的轨道电路故障监测平台及其监测方法 | |
WO2011077011A1 (en) | Method for monitoring and intelligent control of the parameters in radio networks | |
CN107222272B (zh) | 基于收信功能完备性的短波收信智能监测系统 | |
CN110133500B (zh) | 基于多层架构的电机在线监测与故障前兆诊断系统及方法 | |
CN115453286B (zh) | Gis局部放电诊断方法、模型训练方法、装置及系统 | |
US9188632B1 (en) | Self learning radio frequency monitoring system for identifying and locating faults in electrical distribution systems | |
CN108414860A (zh) | 高频线缆的性能检测方法、装置以及可读存储介质 | |
CN109032094B (zh) | 一种基于核磁共振分析仪的原油快速评价建模云平台 | |
CN104170289A (zh) | 用于家庭网络部署中的诊断和故障排除的方法和系统 | |
EP3932014A1 (en) | Dynamic subscriber network physical impairment detection techniques | |
Oyeleke et al. | Noise characterization and modelling for powerline communications in Nigeria | |
de Almeida et al. | Experimental study of a wavelet-based spectrum sensing technique | |
CN104754604B (zh) | 一种监测lte对wlan干扰的方法、装置及系统 | |
CN113658603A (zh) | 一种基于音频的皮带运输机托辊智能故障诊断方法 | |
KR101304239B1 (ko) | 휴대형 전력선통신 진단장치 | |
EP2871793A1 (en) | A device and method for diagnosing a power grid communications network | |
CN117354838B (zh) | 一种无线移动通信网络性能测试装置、系统及方法 | |
Lutat et al. | Data rate prediction for broadband powerline communication based on machine learning | |
CN203849366U (zh) | 一种便携式局部放电检测装置 | |
CN117119508B (zh) | 无线通信信道误码数值分析系统及方法 | |
CN110520755A (zh) | 用于检测存在的系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Channel Detection Method for Power Line Carrier Communication Granted publication date: 20210511 Pledgee: Bank of China Limited by Share Ltd. Nanjing City South Branch Pledgor: Jiangsu Xinyun Electronic Technology Co.,Ltd. Registration number: Y2024980020457 |