CN113489514B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113489514B
CN113489514B CN202110758835.3A CN202110758835A CN113489514B CN 113489514 B CN113489514 B CN 113489514B CN 202110758835 A CN202110758835 A CN 202110758835A CN 113489514 B CN113489514 B CN 113489514B
Authority
CN
China
Prior art keywords
noise
distribution
sample
neural network
self
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
Application number
CN202110758835.3A
Other languages
English (en)
Other versions
CN113489514A (zh
Inventor
刘谋海
肖宇
刘朝阳
叶志
黄瑞
刘小平
贺星
曾文伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Metering Center of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Metering Center of State Grid Hunan Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd, Metering Center of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110758835.3A priority Critical patent/CN113489514B/zh
Publication of CN113489514A publication Critical patent/CN113489514A/zh
Application granted granted Critical
Publication of CN113489514B publication Critical patent/CN113489514B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B3/00—Line transmission systems
    • H04B3/54—Systems for transmission via power distribution lines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B3/00—Line transmission systems
    • H04B3/54—Systems for transmission via power distribution lines
    • H04B3/542—Systems for transmission via power distribution lines the information being in digital form

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Power Engineering (AREA)
  • Computational Linguistics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开一种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，该方法步骤包括：S1.从不同维度提取电力线通信中噪声数据特征，并基于自然进化策略进行特征选择，建立噪声特征库；S2.使用自组织映射神经网络对噪声特征库中数据进行自动聚类，得到噪声集群；S3.基于概率密度函数将每个噪声集群分别与预设的多种分布类型进行关联匹配，确定出每个聚类集群最为匹配的分布类型，实现噪声识别分类。本发明具有识别方法实现简单、识别效率与精度高、实时性好且普适性强等优点。

Description

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
技术领域
本发明涉及电力线通信技术领域，尤其涉及一种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。
背景技术
电力线载波通信技术(PCL)以电力线作为通信介质进行信号传输，因其无需额外布线及维护的优点成为智能电网系统中的重要组成部分，在家庭用电自动化、智能电网控制、电网监控等领域广泛应用。由于低压电力线网络直接面向用户，拓扑结构复杂多变，且连接了众多的电网设备和用电负载，这些用电设备所产生的复杂多变的各类噪声严重干扰了电力线通信质量。因此，研究电力线噪声的分类识别方法，对噪声进行实时的模式识别和匹配，从而实现现场噪声环境的评估对电力线通信系统更高的质量要求至关重要。
电力线信道噪声可以看作是加性噪声，即为多个分量之和。通常可以讲电力线信道噪声分为以下五种类型：有色背景噪声、窄带噪声、异步于工频的周期脉冲噪声、同步于工频的周期脉冲噪声和随机脉冲噪声，其中前三种噪声随时间变化缓慢，通常归类为背景噪声，后两种随时间波动较大，通常归类为脉冲噪声。对于上述已知类型的噪声类别，目前已有多种模型可以进行描述、表征，如随机脉冲噪声通常采用Middelton A类模型和泊松分布来描述；对于有色背景噪声，通常用正态分布和Alpha稳定来描述；对于窄带噪声，可以通过建模分析进行描述；异步于工频的周期脉冲噪声和同步于工频的周期脉冲噪声，则可以用循环平稳高斯过程之和来描述。其他还有利用最小二乘支持向量机和小波神经网络等方式对低压电力线通信信道噪声实现建模。
上述描述方式针对已知的电力线噪声模型，可以实现单一电力线噪声的参数化描述，但是在实际应用环境中，各类噪声并不是独立存在的，各类噪声往往是混合在一起的，即通道所检测到的噪声实际即为混合噪声，而直接使用传统针对单一噪声的描述方式，就无法从混合噪声中分解出不同类型的噪声。
针对于电力线通信噪声的分解，目前大多是使用原始测量的分析技术，再对结果进行人工评估，需要依赖于人工经验，不仅实现效率低，且分解效果差。至于现有技术中的各种噪声消除方法，由于其目的是恢复具有特定调制方案和传输方法的传输码元，因而也不能直接用于噪声分解。目前尚没有能够精准、快速实现电力线通信噪声类型智能识别以实现噪声分解的有效方案。因此亟需提供一种电力线通信噪声识别方法，以使得能够准确、高效的识别出电力线通信中的噪声类型。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种识别方法实现简单、识别效率与精度高、实时性好且普适性强的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。
为解决上述技术问题，本发明提出的技术方案为：
一种基于自组织映射神经网络的电力线通信噪声识别方法，步骤包括：
S1.噪声特征提取：从不同维度提取电力线通信中噪声数据特征，并基于自然进化策略进行特征选择，建立噪声特征库；
S2.噪声聚类：使用自组织映射神经网络对所述噪声特征库中数据进行自动聚类，得到噪声集群；
S3.噪声分类：基于概率密度函数将每个所述噪声集群分别与预设的多种分布类型进行关联匹配，确定出每个所述聚类集群最为匹配的分布类型，实现噪声识别分类。
进一步的，所述步骤S1中提取的噪声特征包括噪声信号的本体特征和/或噪声信号之间的相关性特征。
进一步的，所述本体特征包括：绝对值、样本和、样本平方和、样本标准差、样本偏度、样本峰度、距离相关系数、近似熵、超过给定电压等级的样本数量、在给定频率范围内的样本能量、样本中两个最大峰值间的距离中任意一种或两种以上的组合；
所述相关性特征包括pearson相关系数、两个通道的噪声信号间的距离、两个通道的噪声信号之差的近似熵、两个通道的噪声信号之和的近似熵、两个通道的噪声信号之间相关性的标准差、两个通道的噪声信号之间相关性的偏度、两个通道的噪声信号之间相关性的峰度中任意一种或两种以上的组合。
进一步的，所述步骤S1中具体基于协方差矩阵建模的自然进化策略进行特征选择，步骤包括：
S101.初始化：使用在超参数上重复添加高斯扰动对分布均值向量V进行初始化，以及使用单位矩阵对分布协方差矩阵M进行初始化；
S102.迭代计算：迭代生成每个特征的分布取值，每次迭代时将所述分布均值向量V中的每个元素、与所述分布协方差矩阵M中对应的对角元素作为正态分布的参数进行高斯采样，将高斯采样结果作为对应特征的分布取值；
S103.特征映射：将迭代得到的各特征的所述分布取值映射到布尔型特征选择上，得到最终的特征选择结果。
进一步的，所述步骤S103中具体按照下式进行编码，以将迭代得到的各特征的所述分布取值映射到布尔型特征选择上；
Figure BDA0003148362640000031
其中，
Figure BDA0003148362640000032
表示在第g次迭代计算中第i个特征的分布取值，ρ为预设阈值。
进一步的，所述步骤S2的具体步骤包括：
S201.初始化：对输出层各权向量进行初始化，以及建立初始优胜邻域和学习率初值；
S202.样本输入：将输入样本输入至所述自组织映射神经网络的输入层；
S203.寻找获胜节点：根据所述自组织映射神经网络中输入层与输出层之间各节点的距离，寻找出获胜节点；
S204.确定优胜邻域：以寻找出的所述获胜节点为中心，确定出优胜邻域以用于确定权值调整域；
S205.调整权值：更新所述优胜邻域内所有节点的权值；
S206.当达到预设学习步长时更新所述学习率，重新返回执行步骤S202，直至达到结束条件，得到最终聚类结果。
进一步的，所述步骤S206中，具体按照下式更新所述学习速率：
Figure BDA0003148362640000033
其中，α(0)为所述学习率初值，α(t)为更新后的学习率，t为当前时刻值，T为预设学习步长，a为预设系数。
进一步的，所述步骤S3的步骤包括：
S301.检索每个噪声集群对应的噪声样本；
S302.计算所述噪声样本的概率密度函数，得到噪声样本PDF；
S303.将每个所述噪声样本PDF拟合为两种以上预设类型的概率密度函数，每个所述噪声样本PDF对应得到两个以上的噪声样本拟合PDF；
S304.将每个所述噪声样本拟合PDF分别与对应的所述噪声样本PDF进行比较，根据比较结果确定每个所述噪声集群最匹配的概率密度函数类型，实现噪声分类。
一种基于自组织映射神经网络的电力线通信噪声识别装置，包括：
噪声特征提取模块，用于从不同维度提取电力线通信中噪声数据特征，并基于自然进化策略进行特征选择，建立噪声特征库；
噪声聚类模块，用于使用自组织映射神经网络对所述噪声特征库中数据进行自动聚类，得到噪声集群；
噪声分类模块，用于基于概率密度函数将每个所述噪声集群分别与预设的多种分布类型进行关联匹配，确定出每个所述聚类集群最为匹配的分布类型，实现噪声识别分类。
一种基于自组织映射神经网络的电力线通信噪声识别装置，包括处理器以及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，所述处理器用于执行所述计算机程序以执行如上述的方法。
与现有技术相比，本发明的优点在于：
1、本发明针对多导线电力线噪声特性，基于数据驱动的方法，通过从不同维度提取噪声数据特征，并基于自然进化策略进行特征选择建立噪声特征库，然后在特征选择基础上，基于自组织映射神经网络对噪声数据进行自动聚类，最后基于概率密度函数PDF将聚类集群与已知的多种特定分布类型进行关联匹配，即可以识别出电力系线通信中混合噪声的混合类型，无需复杂的建模等操作，可以实现快速、精准的噪声识别分类。
2、本发明通过基于数据驱动的方法实现噪声识别，相比于仅基于产生噪声的物理原理分析的传统噪声识别方法，可以更能一般性的反映噪声的特性，更易于实现噪声的分类和发现特征，因而能够具有较好的识别准确性、实时性，且相比于传统的只考虑固定类的噪声识别方法，本发明更具普适性，且所能够识别出的类的数量是动态确定的，可动态发现固定类之外的未知类型。
3、本发明进一步使用改进的基于自组织映射神经网络，每次学习时寻找输入输出距离最小的节点作为获胜节点，同时基于获胜节点确定权值调整域，然后直接更新权值调整域内的所有节点，无需每次学习时遍历所有的节点，可以在确保学习效果的同时，大大提高学习效率，从而进一步提高识别的效率。
附图说明
图1是本实施例基于自组织映射神经网络的电力线通信噪声识别方法的实现流程示意图。
图2是在具体应用实施例中得到的特征编码映射结果示意图。
图3是自组织映射神经网络结构的原理示意图。
图4是本实施例中基于改进的SOM实现噪声识别分类的流程示意图。
图5是在具体应用实施例中将噪声样本PDF与多种分布类型比较的结果示意图。
图6是在具体应用实施例中构建的噪声测量系统结构原理示意图。
图7是在具体应用实施例中得到的部分噪声结果示意图。
图8是在具体应用实施例中考虑噪声样本在电源周期内位置情况下部分识别结果示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
如图1所示，本实施例基于自组织映射神经网络的电力线通信噪声识别方法的步骤包括：
S1.噪声特征提取：从不同维度提取电力线通信中噪声数据特征，并基于自然进化策略进行特征选择，建立噪声特征库。
上述提取的噪声特征包括噪声信号的本体特征以及噪声信号之间的相关性特征，其中本体特征即为噪声信号本身的特征，相关性特征即为用于表征两个噪声信号之间(多导体)相关性的特征，即在噪声提取时考虑了两种类型的噪声特征提取：一种用于提取一条噪声信号的本体特征，另一种用于提取两条噪声信号之间的相关性特征。
上述本体特征具体可采用：绝对值、样本和、样本平方和、样本标准差、样本偏度、样本峰度、距离相关系数、近似熵、超过给定电压等级的样本数量、在给定频率范围内的样本能量、样本中两个最大峰值间的距离等。各本体特征具体如下所示：
1)绝对值最大值(maxAbs)：
maxAbs＝maxj{|sj|} (1)
2)样本和(sum)：
Figure BDA0003148362640000051
3)样本平方和(sum2)：
Figure BDA0003148362640000052
4)样本标准差(std)：
标准差是数据平均值分散程度的度量。标准差大则代表大部分数值和其平均值μi之间差异较大，标准差小则代表这些数值较接近平均值μi。
Figure BDA0003148362640000053
即通过样本标准差可以获取样本平均值分散程度的度量信息。
5)样本偏度(skew)：
偏度是数据分布偏斜方向和程度的度量，是数据分布非对称程度的数字特征。
Figure BDA0003148362640000061
即通过样本偏度可以获取样本分布偏斜方向和程度的度量信息。
6)样本峰度(Kurt)：
峰度系数反映与正态分布相比某一分布的相对尖锐度或平坦度。正峰度系数表示相对尖锐的分布，负峰度系数表示相对平坦的分布。
Figure BDA0003148362640000062
即通过样本峰可以获取各样本与正态分布相比的相对尖锐度或平坦度。
7)距离相关系数(dCor)：
距离相关系数取值范围具体为[0,1]，主要衡量非线性相关的程度。
Figure BDA0003148362640000063
8)近似熵(ApEn)：
近似熵是时间序列复杂性的度量，是对数据是否有规律而进行量化描述的统计学参数，对于一系列数据来说，规律性越强则近似熵越小；相反越复杂、规律性越弱，近似熵越大。
ApEn(m,r,N)＝Φm(r)-Φm+1(r) (8)
即通过样本的近似熵可以获取各样本组成的序列的复杂性。
9)超过给定电压等级的样本数量(NV)：
该样本数量NV即用于表征样本中超过给定电压等级的样本数量。
10)在给定频率范围内的样本能量(Ef)：
具体可利用基于burg法的功率谱估计提取Ef特征，由功率谱表征能量在各频段内分布的相对关系。
11)样本中两个最大峰值间的距离(Nm)：
即两个最高峰值之间的样本数。
上述相关性特征具体可采用：pearson相关系数、两个通道的噪声信号间的距离、两个通道的噪声信号之差的近似熵、两个通道的噪声信号之和的近似熵、两个通道的噪声信号之间相关性的标准差、两个通道的噪声信号之间相关性的偏度、两个通道的噪声信号之间相关性的峰度等。各相关性特征具体为：
1)pearson相关系数(r)：
pearson相关系数用于度量两个通道信号之间的相关程度，具体反映两个通道信号之间的线性关系和相关性的方向，其取值范围具体为[-1,1。pearson相关系数具有不因两个通道信号的位置和尺度的变化而变化的特性。
Figure BDA0003148362640000071
2)通道1和通道2数据间的距离(dist)：
该距离表达式具体可以为：
Figure BDA0003148362640000072
3)两个通道信号之差的近似熵：
近似熵具体可采用与上述公式(8)相同的计算方式。
4)两个通道信号之和的近似熵：
近似熵具体可采用与上述公式(8)相同的计算方式。
5)两个通道相关性的标准差：
标准差具体可采用与上述公式(4)相同的计算方式；
6)两个通道相关性的偏度：
计算方法参见公式(5)；
7)两个通道相关性的峰度：
峰度具体可采用与上述公式(6)相同的计算方式
上述公式(1)～(10)中，s表示样本，N表示样本数，j表示样本索引，μi表示第i个时段的样本均值。
通过上述各本体特征与相关性特征的组合，可以形成最优的特征组合方式，提取得到噪声全面的特征信息，从而能够全面的描述噪声的信息，便于后续精准的识别出噪声。当然可以理解的是，在具体应用实施例中，上述本体特征、相关性特征均可以根据实际需求采用不同的特征组合，也可以增加其他类型的具有上述类似特性的特征，甚至本体特征与相关性特征也可以根据实际需求只取其中一种以降低复杂度，特征的选取方式具体均可以根据实际需求配置选择。
提取出噪声特征后，若直接使用所有的特征则数据处理量较大，需要进一步进行特征选择。特征选择为从特征集合中的T个特征中选取n个特征，使得模型分类准确率最大，目的即是通过选取最少特征数的特征子集X来使目标函数最大化。
假设采用如下二进制编码方式来表示选取的特征子集：
Figure BDA0003148362640000081
其中，
Figure BDA0003148362640000082
表示第i个特征子集Xi中第j个特征被选取；
Figure BDA0003148362640000083
表示这个特征不会被选取。特征选选取问题可以表示成如下的优化问题：
Figure BDA0003148362640000084
本实施例利用自然进化策略实现特征选择，自然进化策略是一种黑盒优化算法，通过利用适应度函数评估种群个体基因序列的方式进行优化选择，每次选取候选解时，保留最好的个体，舍弃其他的个体，通过扰动基因序列在被保留的个体中生成下一代个体，以此方式通过迭代找到较优的结果。
本实施例具体采用基于协方差矩阵建模的自然进化策略进行特征选择，模型中的参数包括分布均值向量V和分布协方差矩阵M，|V|＝rank(M)表示数据集中特征数量，再基于分布均值向量V和分布协方差矩阵M来实现特征选择，具体步骤包括：
S101.初始化：使用在超参数上重复添加高斯扰动对分布均值向量V进行初始化，以及使用单位矩阵对分布协方差矩阵M进行初始化；
S102.迭代计算：迭代生成每个特征的分布取值，每次迭代时将分布均值向量V中的每个元素、与分布协方差矩阵M中对应的对角元素作为正态分布的参数进行高斯采样，将高斯采样结果作为对应特征的分布取值；
S103.特征映射：将迭代得到的各特征的分布取值映射到布尔型特征(0或者1)选择上，得到最终的特征选择结果。
上述步骤S101中，具体使用在超参数上重复添加高斯扰动(扰动强度为0.01)对分布均值向量V进行初始化；使用单位矩阵对分布协方差矩阵M进行初始化，此时每个特征对应于分布均值向量V中的一个元素和分布协方差矩阵M中的一个对角元素。
上述步骤S103中具体按照下式进行编码，以将迭代得到的各特征的分布取值(即特征高斯采样的结果)映射到布尔型特征(0或者1)选择上；
Figure BDA0003148362640000091
其中，
Figure BDA0003148362640000092
表示在第g次迭代计算中第i个特征的分布取值，ρ为预设阈值。
优选的ρ可取0.5，在具体应用实施例中得到的特征映射结果如图2所示，若映射后的结果大于0.5，则该特征被选取，否则该特征被丢弃。
S2.噪声聚类：使用自组织映射神经网络对噪声特征库中数据进行自动聚类，得到噪声集群。
在特征选择基础上，进一步利用自组织映射神经网络(SOM)对噪声信号进行聚类分析。SOM可以对数据进行无监督的学习聚类，其隐藏层中的一个节点代表一个聚成的类。SOM网络结构如图3所示，训练时采用“竞争学习”的方式，即每个输入的样例在隐藏层中找到一个和它最匹配的节点(即激活节点)，随后利用随机梯度下降法更新激活节点参数，与激活节点临近的点也根据它们距离激活节点的距离而适当地更新参数。但是上述传统的SOM网络仅是简单的通过查找激活节点、更新激活节点的方式进行学习，需要遍历所有的节点以查找激活节点，实际聚类效率仍然不高，尤其是并不适用于电力线通信噪声的集群分类。
本实施例考虑电力线通信噪声的集群特点，在上述SOM的基础上进行改进形成改进的SOM，以使得能够适用于电力线通信噪声的集群分类中实现快速、准确的分类。
如图4所示，上述步骤S2利用该改进的SOM实现噪声集群聚类的具体步骤包括：
S201.初始化：对输出层各权向量进行初始化，以及建立初始优胜邻域和学习率初值；
S202.样本输入：将输入样本输入至自组织映射神经网络的输入层；
S203.寻找获胜节点：根据自组织映射神经网络中输入层与输出层之间各节点的距离，寻找出获胜节点；
S204.确定优胜邻域：以寻找出的获胜节点为中心，确定出优胜邻域以用于确定权值调整域；
S205.调整权值：更新优胜邻域内所有节点的权值；
S206.当达到预设学习步长时更新学习率，重新返回执行步骤S202，直至达到结束条件，得到最终聚类结果。
本实施例上述改进的SOM，每次学习时寻找输入输出距离最小的节点作为获胜节点，同时基于获胜节点确定权值调整域，然后直接更新权值调整域内的所有节点，而无需每次学习时遍历所有的节点，可以在确保学习效果的同时，大大提高学习效率。
上述步骤S201中初始化时，具体对输出层各权向量赋予随机初始化参数并进行归一化处理，得到
Figure BDA0003148362640000101
j＝1,2,…,m，建立初始优胜领域
Figure BDA0003148362640000102
和学习率初值α(0)，其中m为输出层神经元数目。
上述步骤S202中，在训练集中随机抽取数据样本并进行归一化处理，得到
Figure BDA0003148362640000103
p∈{1,2,…,P}，其中P为输入层神经元数目。
上述步骤S203中，寻找获胜节点具体按照下式(13)计算欧式距离dj，将距离最小的节点作为获胜节点j*。
Figure BDA0003148362640000104
上述步骤S204中，具体定义优胜邻域为：以获胜节点j*为中心确定t时刻的权值调整域，即为优胜邻域
Figure BDA0003148362640000105
在具体应用实施例中可以将初始优胜邻域
Figure BDA0003148362640000106
设置为较大值，然后在训练过程中随训练时间逐步收缩优胜邻域
Figure BDA0003148362640000107
上述步骤S205中，调整权值时具体利用梯度下降法按照下式(14)更新优胜邻域
Figure BDA0003148362640000108
内所有节点的权值wij(t)。
Figure BDA0003148362640000109
其中，wij(t)为神经元i从0到n在j时刻的权值，i＝1,2,…,n，
Figure BDA00031483626400001010
上述步骤S206中，具体当达到学习步长T时，结束训练；如果不满足结束条件则动态更新学习率，否则转到步骤S202继续学习。
上述步骤S206中，具体按照下式更新学习速率：
Figure BDA00031483626400001011
其中，α(0)为所述学习率初值，α(t)为更新后的学习率，t为当前时刻值，T为预设学习步长，a为预设系数。
学习速率是指导如何通过损失函数的梯度调整网络权重的超参数，过高或过低的学习速率都会对模型结果带来不良影响，因此学习速率的选择一直是SOM神经网络训练的难点。如果学习速率过大会使权重向量反复震荡更新，导致训练稳定性降低；过小又会导致参数更新速度慢，需消耗更多的训练资源来保证获取参数的最优值。本实施例考虑上述问题，将学习速率设置为关于时间t的单调递减函数，如式(15)所示，以此保证在训练初期以较快的速率进行学习，在训练尾期则以较小的速率进行学习，能够实现在提高SOM学习速度的同时，保证训练过程收敛的必然性以及SOM神经网络的稳定性。
经过上述得到SOM聚类结果后，后续步骤S3再基于该聚类结果进行与预设分布类型的关联性判断，划分出噪声类型。
S3.噪声分类：基于概率密度函数将每个噪声集群分别与预设分布类型进行关联匹配，确定出每个聚类集群最为匹配的分布类型，实现噪声识别分类。
在具体应用实施例中，上述步骤S3的步骤包括：
S301.检索每个噪声集群对应的噪声样本；
S302.计算噪声样本的概率密度函数，得到噪声样本PDF；
S303.将每个噪声样本PDF拟合为两种以上预设分布类型的概率密度函数，每个噪声样本PDF对应得到两个以上的噪声样本拟合PDF；
S304.将每个噪声样本拟合PDF分别与对应的噪声样本PDF进行比较，根据比较结果确定每个噪声集群最匹配的概率密度函数类型，实现噪声分类。
上述步骤S301中可以检索每个噪声集群中一个最能够表征噪声集群特性的噪声数据作为噪声样本，也可以检索多个噪声数据进行统计综合后作为噪声样本，甚至可以基于噪声集群的特定取预先设定的噪声样本，具体可以根据实际需求确定。
上述预设分布类型具体可以为如正态分布、Middleton A类、Alpha稳定、极值分布、广义极值等，具体可根据实际需求增加或减少所需的分布类型。PDF的拟合方法具体可采用参数化方法，拟合轮廓可以由少量参数控制的特定函数形式来描述。在具体应用实施例中得到的噪声样本PDF与某些已知的PDF比较结果如图5所示。
上述步骤S304中，具体可利用基于曲线间最小距离算法，将每个拟合的PDF与噪声PDF进行比较，距离最小所对应的分布类型作为最为匹配的分布类型。
确定出各个噪声集群最为匹配的分布类型后，还可以进一步分别对各噪声集群按照聚类结果进行聚类标记，由不同标记表示不同的分布类型，实现自动噪声分类。
本发明针对多导线电力线噪声特性，通过从不同维度提取噪声数据特征，并基于自然进化策略进行特征选择建立噪声特征库，然后在特征选择基础上，基于自组织映射神经网络对噪声数据进行自动聚类，最后基于概率密度函数PDF将聚类集群与已知的多种特定分布类型进行关联匹配，即可以识别出电力系线通信中混合噪声的混合类型，无需复杂的建模等操作，可以实现快速、精准的噪声识别分类。
为验证本发明的有效性，进一步在具体应用实施例中对本发明上述方法进行测试验证。
首先搭建噪声测量系统：在测试区域内设置20个电源线插座以及电脑、打印机、灯开关等6项电器，实验测量室内电力线上多导体噪声。噪声测量系统原理如图6所示，利用数字存储示波器(DSO)通过MIMO 2×2窄带耦合器连接到电源插座，在时域内采集噪声信号。耦合器电路通过低通滤波器和解耦变压器保护设备不受电源影响，数字示波器通过触发装置与电源同步，该电路不包含可能影响噪声读数的有源或非线性元件。
由DSO采集两个耦合器输出电压(VCHA(t)，VCHB(t))，采样间隔为51us，采样时间大约5s，将噪声数据分为10个组。本实施例中耦合电路可以同时捕获两个通道，A通道(CHA)为火线(L)和地线(PE)之间的端口，B通道(CHB)为零线(N)和PE之间的端口。采集得到的部分噪声如图7所示。
然后将测量到的噪声分成不同长度的部分重叠的片段，对于每个片段，按本发明上述步骤S2进行聚类分析，考虑噪声样本在电源周期内位置情况下得到的部分识别分类结果如图8所示。如图8所示，识别出了符合Middleton A类分布的噪声，并提取出其在电源周期内位置。因噪声样本是从测量数据中随机选取的时间序列片段，进一步可以在不考虑噪声样本在电源周期内位置的情况下对噪声数据进行聚类，利用PDF类型对噪声识别结果进行标记，通道A和通道B的能量分别用|max(CHA)|和|max(CHB)|归一化。
除对实测数据进行分析外，本实施例进一步利用已知模型仿真模拟对应的噪声数据，然后使用本发明识别方法对模拟的噪声数据进行分类识别，以此验证本发明聚类及PDF匹配结果的正确性和噪声位置提取的准确度，同时利用耗时评估算法效率。得到的分析结果如表1所示，表中噪声PDF匹配正确性分别采用“+”、“-”符号来表征噪声PDF类型匹配正确、错误。
表1 噪声聚类识别算法性能
Tab 1 performance of noise clustering recognition algorithm
Figure BDA0003148362640000121
从表1可以看出，采用本发明聚类方式的平均轮廓系数可以达到0.801，噪声PDF匹配结果均正确(即噪声识别分类结果均正确)，噪声位置提取平均准确度可以达到95.1％，平均耗时为0.37秒。即本发明识别方法具有较好的识别准确性、效率以及实时性。
本实施例对所有可用的实测噪声数据进行识别分析可知，最常见的PDF类型是：41％的正态、25％的Alpha稳定、19％的Middleton A类、14％的广义极值和极值，以及1％的其他未知PDF。即对于某些噪声，传统的五类噪声并不足以完全代表噪声的本质，传统方法仅是从产生噪声的物理原理着手分析，因而识别准确性不高，而本发明是基于数据驱动的方法实现噪声识别，相比于仅基于产生噪声的物理原理分析的传统噪声识别方法，可以更能一般性的反映噪声的特性，更易于实现噪声的分类和发现特征，因而能够具有较好的识别准确性、实时性，且相比于传统的只考虑固定类的噪声识别方法，本发明更具普适性，且所能够识别出的类的数量是动态确定的，可动态发现固定类之外的未知类型。
本实施例还提供基于自组织映射神经网络的电力线通信噪声识别装置，包括：
噪声特征提取模块，用于从不同维度提取电力线通信中噪声数据特征，并基于自然进化策略进行特征选择，建立噪声特征库；
噪声聚类模块，用于使用自组织映射神经网络对噪声特征库中数据进行自动聚类，得到噪声集群；
噪声分类模块，用于基于概率密度函数将每个噪声集群分别与预设分布类型进行关联匹配，得到每个聚类集群最匹配的分布类型，实现噪声识别分类。
本实施例基于自组织映射神经网络的电力线通信噪声识别装置与上述基于自组织映射神经网络的电力线通信噪声识别方法为一一对应，在此不再一一赘述。
在另一实施例中，本发明基于自组织映射神经网络的电力线通信噪声识别装置还可以为：包括处理器以及存储器，存储器用于存储计算机程序，处理器用于执行所述计算机程序，所述处理器用于执行计算机程序以执行如上述基于自组织映射神经网络的电力线通信噪声识别方法。
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (9)

1.一种基于自组织映射神经网络的电力线通信噪声识别方法，其特征在于，步骤包括：
S1.噪声特征提取：从不同维度提取电力线通信中噪声数据特征，并基于自然进化策略进行特征选择，建立噪声特征库；
S2.噪声聚类：使用自组织映射神经网络对所述噪声特征库中数据进行自动聚类，得到噪声集群，所述自组织映射神经网络中每次学习时寻找输入输出距离最小的节点作为获胜节点，同时基于获胜节点确定权值调整域，然后直接更新权值调整域内的所有节点；
S3.噪声分类：基于概率密度函数将每个所述噪声集群分别与预设的多种分布类型进行关联匹配，确定出每个聚类集群最为匹配的分布类型，实现噪声识别分类；
所述步骤S1中具体基于协方差矩阵建模的自然进化策略进行特征选择，步骤包括：
S101.初始化：使用在超参数上重复添加高斯扰动对分布均值向量V进行初始化，以及使用单位矩阵对分布协方差矩阵M进行初始化；
S102.迭代计算：迭代生成每个特征的分布取值，每次迭代时将所述分布均值向量V中的每个元素、与所述分布协方差矩阵M中对应的对角元素作为正态分布的参数进行高斯采样，将高斯采样结果作为对应特征的分布取值；
S103.特征映射：将迭代得到的各特征的所述分布取值映射到布尔型特征选择上，得到最终的特征选择结果。
2.根据权利要求1所述的基于自组织映射神经网络的电力线通信噪声识别方法，其特征在于：所述步骤S1中提取的噪声特征包括噪声信号的本体特征和/或噪声信号之间的相关性特征。
3.根据权利要求2所述的基于自组织映射神经网络的电力线通信噪声识别方法，其特征在于，所述本体特征包括：绝对值、样本和、样本平方和、样本标准差、样本偏度、样本峰度、距离相关系数、近似熵、超过给定电压等级的样本数量、在给定频率范围内的样本能量、样本中两个最大峰值间的距离中任意一种或两种以上的组合；
所述相关性特征包括pearson相关系数、两个通道的噪声信号间的距离、两个通道的噪声信号之差的近似熵、两个通道的噪声信号之和的近似熵、两个通道的噪声信号之间相关性的标准差、两个通道的噪声信号之间相关性的偏度、两个通道的噪声信号之间相关性的峰度中任意一种或两种以上的组合。
4.根据权利要求1所述的基于自组织映射神经网络的电力线通信噪声识别方法，其特征在于，所述步骤S103中具体按照下式进行编码，以将迭代得到的各特征的所述分布取值映射到布尔型特征选择上；
Figure FDA0003650393270000021
其中，
Figure FDA0003650393270000022
表示在第g次迭代计算中第i个特征的分布取值，ρ为预设阈值。
5.根据权利要求1～4中任意一项所述的基于自组织映射神经网络的电力线通信噪声识别方法，所述步骤S2的具体步骤包括：
S201.初始化：对输出层各权向量进行初始化，以及建立初始优胜邻域和学习率初值；
S202.样本输入：将输入样本输入至所述自组织映射神经网络的输入层；
S203.寻找获胜节点：根据所述自组织映射神经网络中输入层与输出层之间各节点的距离，寻找出获胜节点；
S204.确定优胜邻域：以寻找出的所述获胜节点为中心，确定出优胜邻域以用于确定权值调整域；
S205.调整权值：更新所述优胜邻域内所有节点的权值；
S206.当达到预设学习步长时更新所述学习率，重新返回执行步骤S202，直至达到结束条件，得到最终聚类结果。
6.根据权利要求5所述的基于自组织映射神经网络的电力线通信噪声识别方法，其特征在于，所述步骤S206中，具体按照下式更新学习速率：
Figure FDA0003650393270000023
其中，α(0)为所述学习率初值，α(t)为更新后的学习率，t为当前时刻值，T为预设学习步长，a为预设系数。
7.根据权利要求1～4中任意一项所述的基于自组织映射神经网络的电力线通信噪声识别方法，其特征在于，所述步骤S3的步骤包括：
S301.检索每个噪声集群对应的噪声样本；
S302.计算所述噪声样本的概率密度函数，得到噪声样本PDF；
S303.将每个所述噪声样本PDF拟合为两种以上预设类型的概率密度函数，每个所述噪声样本PDF对应得到两个以上的噪声样本拟合PDF；
S304.将每个所述噪声样本拟合PDF分别与对应的所述噪声样本PDF进行比较，根据比较结果确定每个所述噪声集群最匹配的概率密度函数类型，实现噪声分类。
8.一种基于自组织映射神经网络的电力线通信噪声识别装置，其特征在于，包括：
噪声特征提取模块，用于从不同维度提取电力线通信中噪声数据特征，并基于自然进化策略进行特征选择，建立噪声特征库；
噪声聚类模块，用于使用自组织映射神经网络对所述噪声特征库中数据进行自动聚类，得到噪声集群，所述自组织映射神经网络中每次学习时寻找输入输出距离最小的节点作为获胜节点，同时基于获胜节点确定权值调整域，然后直接更新权值调整域内的所有节点；
噪声分类模块，用于基于概率密度函数将每个所述噪声集群分别与预设的多种分布类型进行关联匹配，确定出每个聚类集群最为匹配的分布类型，实现噪声识别分类；
所述噪声特征提取模块中具体基于协方差矩阵建模的自然进化策略进行特征选择，包括：
初始化单元，用于使用在超参数上重复添加高斯扰动对分布均值向量V进行初始化，以及使用单位矩阵对分布协方差矩阵M进行初始化；
迭代计算 单元，用于迭代生成每个特征的分布取值，每次迭代时将所述分布均值向量V中的每个元素、与所述分布协方差矩阵M中对应的对角元素作为正态分布的参数进行高斯采样，将高斯采样结果作为对应特征的分布取值；
特征映射单元，用于将迭代得到的各特征的所述分布取值映射到布尔型特征选择上，得到最终的特征选择结果。
9.一种基于自组织映射神经网络的电力线通信噪声识别装置，包括处理器以及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，其特征在于，所述处理器用于执行所述计算机程序以执行如权利要求1～7中任意一项所述方法。
CN202110758835.3A 2021-07-05 2021-07-05 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 Active CN113489514B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110758835.3A CN113489514B (zh) 2021-07-05 2021-07-05 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110758835.3A CN113489514B (zh) 2021-07-05 2021-07-05 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

Publications (2)

Publication Number Publication Date
CN113489514A CN113489514A (zh) 2021-10-08
CN113489514B true CN113489514B (zh) 2022-07-26

Family

ID=77940092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110758835.3A Active CN113489514B (zh) 2021-07-05 2021-07-05 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

Country Status (1)

Country Link
CN (1) CN113489514B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN116844572B (zh) * 2023-09-01 2024-03-15 装备智能计算芯片及系统应用北京市工程研究中心有限公司 一种基于聚类和机器学习的城市噪声地图构建方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009133123A1 (de) * 2008-04-29 2009-11-05 Siemens Aktiengesellschaft Verfahren und vorrichtung zum erkennen eines zustandes einer zu untersuchenden geräuscherzeugenden maschine
CN106529816A (zh) * 2016-11-15 2017-03-22 广东电网有限责任公司茂名供电局 电力线信道的调整方法和系统
CN110855321A (zh) * 2019-11-25 2020-02-28 江苏芯云电子科技有限公司 一种用于电力线载波通信的信道检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120093240A1 (en) * 2010-01-18 2012-04-19 Atheros Communications, Inc. Interference detection in a powerline communication network
CN108564585B (zh) * 2018-04-27 2022-01-18 福建师范大学 一种基于自组织映射与深度神经网络的图像变化检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009133123A1 (de) * 2008-04-29 2009-11-05 Siemens Aktiengesellschaft Verfahren und vorrichtung zum erkennen eines zustandes einer zu untersuchenden geräuscherzeugenden maschine
CN106529816A (zh) * 2016-11-15 2017-03-22 广东电网有限责任公司茂名供电局 电力线信道的调整方法和系统
CN110855321A (zh) * 2019-11-25 2020-02-28 江苏芯云电子科技有限公司 一种用于电力线载波通信的信道检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
低压配电网电力线高频噪声的测量与分析;王乔晨等;《电力系统自动化》;20020115(第01期);全文 *
基于最小二乘支持向量机和小波神经网络的电力线通信信道噪声建模研究;张慧等;《电工技术学报》;20180825(第16期);全文 *

Also Published As

Publication number Publication date
CN113489514A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN110596492B (zh) 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法
Ferreira et al. Time series clustering via community detection in networks
CN110443302B (zh) 基于特征融合与深度学习的负荷辨识方法及其应用
CN113489514B (zh) 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
US20230300159A1 (en) Network traffic anomaly detection method and apparatus, and electronic apparatus and storage medium
CN114564982B (zh) 雷达信号调制类型的自动识别方法
CN113569742B (zh) 一种基于卷积神经网络的宽频带电磁干扰源识别方法
CN109085469A (zh) 一种用于识别电缆局部放电信号的信号类型的方法及系统
CN110427835B (zh) 图卷积网络与迁移学习的电磁信号识别方法和装置
CN113191253A (zh) 一种边缘机器学习下基于特征融合的非侵入式负荷识别方法
CN113435247A (zh) 一种通信干扰智能识别方法、系统及终端
CN114114039A (zh) 一种电池系统的单体电芯一致性的评估方法和装置
CN111275069B (zh) 一种非侵入式负荷监测方法
CN110674940A (zh) 一种基于神经网络的多指标异常检测方法
CN112801003A (zh) 一种无人机辐射源调制样式识别方法及装置
CN111199209A (zh) 一种基于iwo-kfcm算法的轴承时频谱图识别方法
CN112329535B (zh) 基于cnn的电力系统低频振荡模态特征的快速辨识方法
CN114841266A (zh) 一种小样本下基于三元组原型网络的电压暂降识别方法
CN113408622A (zh) 计及特征量信息表达差异的非侵入式负荷辨识方法及系统
CN114143210A (zh) 一种基于深度学习的指挥控制网络关键节点识别方法
CN114048819A (zh) 基于注意力机制和卷积神经网络的配电网拓扑辨识方法
CN110135281B (zh) 一种电力系统低频振荡智能在线识别方法
CN112163613A (zh) 一种电能质量扰动的快速识别方法
Wong On the use of convolutional neural networks for specific emitter identification
Leng et al. Active semisupervised community detection based on asymmetric similarity measure

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