CN113642934A - 电力无线网络通信质量评价方法及系统、设备、存储介质 - Google Patents
电力无线网络通信质量评价方法及系统、设备、存储介质 Download PDFInfo
- Publication number
- CN113642934A CN113642934A CN202111184264.3A CN202111184264A CN113642934A CN 113642934 A CN113642934 A CN 113642934A CN 202111184264 A CN202111184264 A CN 202111184264A CN 113642934 A CN113642934 A CN 113642934A
- Authority
- CN
- China
- Prior art keywords
- data
- evaluation
- wireless network
- fuzzy
- value
- 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.)
- Granted
Links
- 238000004891 communication Methods 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000013441 quality evaluation Methods 0.000 title claims description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 192
- 238000012545 processing Methods 0.000 claims abstract description 35
- 230000006870 function Effects 0.000 claims description 57
- 238000004590 computer program Methods 0.000 claims description 17
- 230000005484 gravity Effects 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 8
- 238000007500 overflow downdraw method Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 18
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 230000001413 cellular effect Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013479 data entry Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明电力无线网络通信质量评价方法及系统、设备、存储介质,所述方法包括,获取在待评价无线网络下电力业务的评价数据集;所述评价数据集中的每一条数据附加有辅助信息;将所述辅助信息采用模糊逻辑进行模糊化,得到对应的模糊值;根据预定义的IF/THEN规则,得到所述模糊值满足的规则,并将所述满足的规则进行多项规则的融合得到每条数据的模糊评价结果;根据预设的输出隶属函数对所述模糊评价结果进行去模糊化处理,得到每条数据的适应度;所述适应度表示每条数据适合用于评价无线网络性能的程度;根据所述适应度和预设的加权系数,得到待评价无线网络在同一电力业务下的综合评价值,评价电力无线网络通信质量。
Description
技术领域
本发明涉及针对电力业务的通信评价,具体为电力无线网络通信质量评价方法及系统、设备、存储介质。
背景技术
现有公众蜂窝网络中传输的信息类型一般分为语言和数据两大类,在VoIP框架下,语音也可以归入数据类。针对数据类,又可以细分为图像、音频、视频、网页数据。公众蜂窝网针对这些类型的数据,采用一定的方法评测网络的通信质量。例如,根据求平均值的方法计算通信速率,延迟时间,延迟抖动。公众蜂窝网众的评价方法不适用于电力业务的评估,原因在于:从信源和信宿的角度看,蜂窝网络中的数据通信类型包括点对点和点对多点两种,例如,两个人之间通过手机通话,是点对点的典型场景,多人同时访问同一台网络服务器,属于经典的点对多点通信场景。公众蜂窝网在评价网络通信质量时,一般不会严格区分这两种场景下的数据,而在传递电力业务的专用无线网络中,不再从信源和信宿角度对数据进行分类,而是根据电力业务类型对数据进行分类。
现有的4G、5G中关于无线网络质量的评价方法中,所采用的算法虽然开展了评估模型和方法研究,属于通用性的研究。目前的LTE230MHz网络、IoT230MHz网络、5G网络可以统计电力业务的各项服务质量,可以通过无线网络监控,获得各项服务质量的具体数值。但无法建立各项服务质量之间的关联性,更无法通过单项的服务质量数据,获得电力业务的整体评价。从而使得现有技术中没有对于电力业务的无线网络的评价体系,并且现有技术中用于公网通信质量的评价方法是无法应用到电力业务的无线网络的评价中。
发明内容
针对现有技术中存在的问题,本发明提供一种电力无线网络通信质量评价方法及系统、设备、存储介质,设计合理,评价方便,过程和结果客观准确,能够得到电力业务对应的最佳的无线通信网路。
本发明是通过以下技术方案来实现:
电力无线网络通信质量评价方法,包括,
获取在待评价无线网络下电力业务的评价数据集;所述评价数据集中的每一条数据附加有辅助信息;
将所述辅助信息采用模糊逻辑进行模糊化,得到对应的模糊值;
根据预定义的IF/THEN规则,得到所述模糊值满足的规则,并将所述满足的规则进行多项规则的融合得到每条数据的模糊评价结果;
根据预设的输出隶属函数对所述模糊评价结果进行去模糊化处理,得到每条数据的适应度;所述适应度表示每条数据适合用于评价无线网络性能的程度;
根据所述适应度和预设的加权系数,得到待评价无线网络在同一电力业务下的综合评价值,评价电力无线网络通信质量。
可选的,所述获取在待评价无线网络下电力业务的评价数据集,包括分别获取在LTE230MHz、IoT230MHz和5G网络下电力业务的评价数据集。
可选的,所述获取在待评价无线网络下电力业务的评价数据集,具体包括,
获取在待评价无线网络下信息采集类电力业务的五种评价数据集:连接密度、终端上行通信速率、终端下行通信速率、时延和通信可靠性;
获取在待评价无线网络下控制类电力业务的五种评价数据集:时延、通信可靠性、通信速率、安全等级和连接密度;
获取在待评价无线网络下移动应用类电力业务的四种评价数据集:通信速率、通信时延、通信可靠性和连接密度。
可选的,所述评价数据集中的每一条数据附加有辅助信息,具体包括,采集时间、采集距离和转发路由跳数三种类型的辅助信息。
可选的,所述将所述辅助信息采用模糊逻辑进行模糊化,得到对应的模糊值;具体包括,
根据辅助信息的统计信息,计算不同时间间隔内的平均辅助信息值,得到辅助信息因子,并经归一化处理后得到相对辅助信息因子;
建立相对辅助信息因子和对应模糊隶属函数的关系,得到相对辅助信息因子对应的模糊值。
可选的,所述根据预定义的IF/THEN规则,得到所述模糊值满足的规则,并将所述满足的规则进行多项规则的融合得到每条数据的模糊评价结果;具体的包括,
根据辅助因子的类型,将模糊值进行划分,得到每一条数据的模糊值集;
当模糊值集中对应辅助因子的小集合包含了所述预定义的IF/THEN规则中IF部分的元素,则所述模糊值集对应的数据匹配所述IF部分的元素对应的规则和THEN部分的结果;
将所述模糊值集满足的多项规则采用融合方法进行多规则融合,得到每一条数据的模糊评价结果。
可选的,所述根据预设的输出隶属函数对所述模糊评价结果进行去模糊化处理,得到每条数据的适应度;具体包括,
根据IF/THEN规则中结果包含的等级类别,一一对应建立输出隶属函数;
计算所述每一条数据的模糊评价结果在各条隶属函数曲线覆盖面积上的交集,得到曲线所在坐标系内与数据的模糊评价结果对应的封闭区域;
计算所述封闭区域的重心,取重心的横坐标值作为对应数据的去模糊化后的值,并作为对应数据的适应度。
可选的,根据所述适应度和预设的加权系数,得到待评价无线网络在同一电力业务下的综合评价值,评价电力无线网络通信质量;具体包括,
分别挑选出每一个评价数据集中,具有最大适应度值和最小适应度值对应的数据条目,取平均值作为对应评价数据集的参评数据;
根据专家经验为电力业务的各单项指标设置的加权系数,分别与对应评价数据集的参评数据相乘求和,得到待评价无线网络在同一电力业务下的综合评价值;
根据综合评价值由大到小的顺序,对所有待评价无线网络在同一种电力业务方面的通信质量进行从优到差排序,进行电力无线网络通信质量评价。
电力无线网络通信质量评价系统,包括,
获取模块,用于获取在待评价无线网络下电力业务的评价数据集;所述评价数据集中的每一条数据附加有辅助信息;
模糊化模块,用于将所述辅助信息采用模糊逻辑进行模糊化,得到对应的模糊值;
模糊评价模块,用于根据预定义的IF/THEN规则,得到所述模糊值满足的规则,并将所述满足的规则进行多项规则的融合得到每条数据的模糊评价结果;
去模糊化模块,用于根据预设的输出隶属函数对所述模糊评价结果进行去模糊化处理,得到每条数据的适应度;所述适应度表示每条数据适合用于评价无线网络性能的程度;
评价输出模块,用于根据所述适应度和预设的加权系数,得到待评价无线网络在同一电力业务下的综合评价值,评价电力无线网络通信质量。
可选的,所述获取模块,用于分别获取在LTE230MHz、IoT230MHz和5G网络下电力业务的评价数据集。
可选的,所述获取模块包括,
信息采集类业务获取单元,用于获取在待评价无线网络下信息采集类电力业务的五种评价数据集:连接密度、终端上行通信速率、终端下行通信速率、时延和通信可靠性;
控制类业务获取单元,用于获取在待评价无线网络下控制类电力业务的五种评价数据集:时延、通信可靠性、通信速率、安全等级和连接密度;
移动应用类业务获取单元,用于获取在待评价无线网络下移动应用类电力业务的四种评价数据集:通信速率、通信时延、通信可靠性和连接密度。
可选的,所述模糊化模块包括,
相对辅助信息因子单元,用于根据辅助信息的统计信息,计算不同时间间隔内的平均辅助信息值,得到辅助信息因子,并经归一化处理后得到相对辅助信息因子;
关系建立单元,用于建立相对辅助信息因子和对应模糊隶属函数的关系,得到相对辅助信息因子对应的模糊值。
可选的,所述模糊评价模块包括,
模糊值集单元,用于根据辅助因子的类型,将模糊值进行划分,得到每一条数据的模糊值集;
规则匹配单元,用于当模糊值集中对应辅助因子的小集合包含了所述预定义的IF/THEN规则中IF部分的元素,则所述模糊值集对应的数据匹配所述IF部分的元素对应的规则和THEN部分的结果;
规则融合单元,用于将所述模糊值集满足的多项规则采用融合方法进行多规则融合,得到每一条数据的模糊评价结果。
可选的,所述去模糊化模块包括,
隶属函数单元,用于根据IF/THEN规则中结果包含的等级类别,一一对应建立输出隶属函数;
去模糊单元,用于计算所述每一条数据的模糊评价结果在各条隶属函数曲线覆盖面积上的交集,得到曲线所在坐标系内与数据的模糊评价结果对应的封闭区域;
适应度单元,用于计算所述封闭区域的重心,取重心的横坐标值作为去模糊化后的值,并作为适应度。
可选的,所述评价输出模块包括,
参评数据单元,用于分别挑选出每一个评价数据集中,具有最大适应度值和最小适应度值对应的数据条目,取平均值作为对应评价数据集的参评数据;
综合单元,用于根据专家经验为电力业务的各单项指标设置的加权系数,分别与对应评价数据集的参评数据相乘求和,得到待评价无线网络在同一电力业务下的综合评价值;
质量评价单元,用于根据综合评价值由大到小的顺序,对所有待评价无线网络在同一种电力业务方面的通信质量进行从优到差排序,进行电力无线网络通信质量评价。
一种计算机设备,包括:
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时实现如上任一项所述的电力无线网络通信质量评价方法。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述的电力无线网络通信质量评价方法。
与现有技术相比,本发明具有以下有益的技术效果:
本发明在评价数据集中附加辅助信息,针对电力业务的需求和无线网络匹配,使得作为评价指标的评价数据集更加的客观和准确;通过运用模糊逻辑对附加在评价数据集中的辅助信息进行处理,先进行模糊化,并利用预定义的IF/THEN规则得到模糊评价的结果,然后再进行去模糊化处理,把原本难以量化的辅助信息变成能够用于评价的量化信息,从而将其嵌入到评价过程中;再与预设的加权系数配合,得到综合评价值,完成对无线网络通信质量的客观和准确评价。
附图说明
图1为本发明实例中所述质量评价方法的流程示意图。
图2为本发明实例中所述输出隶属函数的曲线示意图。
图3为本发明实例中所述重心方法对模糊评价结果进行去模糊化时得到的封闭区域示意图。
图4为本发明实例中所述质量评价系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
在本发明中,“模块”、“装置”、“系统”等指应用于计算机的相关实体,如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说,例如,元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有,运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中,并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间,并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号,例如,来自一个与本地系统、分布式系统中另一元件交互的,和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”,不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
由于电力业务种类繁多,各类业务的特征各不相同,通过将业务特征相近的各项业务进行归结,将整体电力业务划分为:信息采集类、控制类、移动应用类三种类型。由于不同类型业务数据的采集、遥测、控制方案各不相同,而这些方案的具体执行措施都依赖于网络通信质量,所以必须分别评估不同类型电力系统业务下的通信质量。
结合具体的电力业务类型及其对无线网络的需求说明如下。
信息采集类:这类业务要求终端定期或按需向基站汇报测量结果,会话密度小于50次/天/设备,每时段会产生成千的字节数,终端固定在城市或者郊区的特定位置,在城市中,每平方千米的终端数小于10000个,在郊区,每平方千米的终端数小于1000个,这类业务的典型代表是“智能抄表”。需要的是可靠性和成功率。
控制类:这类业务的上行频次(上行的“事件/设备/秒”)的区间是[0,0.4],平均值为0.0515,下行频次(下行的“事件/设备/秒”)的区间是[0,0.4],平均值为0.0514。上行的平均有效载荷(字节/事件)的区间是[25,1000],平均值为148.47,下行的平均有效载荷(字节/事件)的区间是[25,500],平均值为100.34。上行的平均数据速率为761.88比特/秒,下行的平均数据速率为585.3比特/秒。这类业务的典型代表是“配电自动化”。需要的是安全性和可靠性。
移动应用类:这类业务的每帧数据的到达时间间隔为100ms,或者说10帧/秒。每帧中的数据包数量为8个。每帧中的数据包大小服从截断帕累托分布,其中的各项参数分别为:,,。每帧中的数据包到达时间间隔也服从截断帕累托分布,分布参数分别为:,,。这类业务的典型代表是“高清视频监控”。需要的是接入性,以及接入性中的速率和业务中断率。
本发明为了增强参加评估网络通信质量的数据的有效性,引入额外的辅助信息,进一步确定每一条数据在网络通信质量评价中所起的作用。本发明运用模糊逻辑对辅助信息进行处理,把原本难以量化的辅助信息变成量化信息,并将其嵌入到评价过程中,从而通过定量分析得到辅助信息在通信质量评估中所发挥的作用。
为此,本发明提供一种电力无线网络通信质量评价方法,如图1所示,其包括,
S101获取在待评价无线网络下电力业务的评价数据集;所述评价数据集中的每一条数据附加有辅助信息;
其中,本发明涉及到三种无线网络:LTE230MHz、IoT230MHz,5G网络,同时如上所述涉及到3种类型电力业务:信息采集类业务、控制类业务、移动应用类业务。其中,信息采集类业务包括如下5种评价数据集:连接密度、终端上行通信速率、终端下行通信速率、时延、通信可靠性。控制类业务包括如下5种评价数据集:时延、通信可靠性、通信速率、安全等级、连接密度。移动应用类业务包括如下4种评价数据集:通信速率、通信时延、通信可靠性、连接密度。上述的每一种评价数据集中都包括了大量的数据。
所述获取的待评价无线网络下电力业务的评价数据集,包括分别获取LTE230MHz、IoT230MHz和5G网络下电力业务的评价数据集。
同时,考虑到采集到的各种评价数据集中的数据受采集时间、采集终端距离、转发路由的影响,例如,距离控制中心较远的终端采集到的数据需要转接多次才能到达控制中心,因此延迟和速率均有所下降。在网络的高峰期间,受网络拥塞的影响,采集到的数据的延迟和速率也会发生波动。因此要为各类评价数据集中的每一条数据附加采集时间、采集距离、转发路由跳数三种类型的辅助信息,利用这些辅助信息,采用模糊逻辑推算评价数据集中每条数据对网络通信质量评价的影响。通过引入采样时间因子、采样距离因子、采样跳数因子,对网络各项通信指标的评价更加客观和准确;可以一部分数据附加上述辅助信息,更好的也可以每一条数据可以均附加上述辅助信息,让后续的评价更加的准确。
下面的步骤则是采用模糊逻辑处理三种辅助信息的过程。
S102采用模糊逻辑将所述辅助信息进行模糊化,得到对应的模糊值;
其中,根据辅助信息的统计信息,计算不同时间间隔内的平均辅助信息值,得到辅助信息因子,并经归一化处理后得到相对辅助信息因子;
建立相对辅助信息因子和对应模糊隶属函数的关系,得到相对辅助信息因子对应的模糊值。
S103根据预定义的IF/THEN规则,得到所述模糊值满足的规则,并将所述满足的规则进行多项规则的融合得到每条数据的模糊评价结果;
其中,根据辅助因子的类型,将模糊值进行划分,得到每一条数据的模糊值集;
当模糊值集中对应辅助因子的小集合包含了所述预定义的IF/THEN规则中IF部分的元素,则所述模糊值集对应的数据匹配所述IF部分的元素对应的规则和THEN部分的结果;
将所述模糊值集满足的多项规则采用融合方法进行多规则融合,得到每一条数据的模糊评价结果。
S104根据预设的输出隶属函数对所述模糊评价结果进行去模糊化处理,得到每条数据的适应度;所述适应度表示每条数据适合用于评价无线网络性能的程度;
其中,根据IF/THEN规则中结果包含的等级类别,一一对应建立输出隶属函数;
计算所述每一条数据的模糊评价结果在各条隶属函数曲线覆盖面积上的交集,得到曲线所在坐标系内与数据的模糊评价结果对应的封闭区域;
计算所述封闭区域的重心,取重心的横坐标值作为对应数据的去模糊化后的值,并作为对应数据的适应度。
S105根据所述适应度和预设的加权系数,得到待评价无线网络在同一电力业务下的综合评价值,评价电力无线网络通信质量。
其中,分别挑选出每一个评价数据集中,具有最大适应度值和最小适应度值对应的数据条目,取平均值作为对应评价数据集的参评数据;
根据专家经验为电力业务的各单项指标设置的加权系数,分别与对应评价数据集的参评数据相乘求和,得到待评价无线网络在同一电力业务下的综合评价值;
根据综合评价值由大到小的顺序,对所有待评价无线网络在同一种电力业务方面的通信质量进行从优到差排序,进行电力无线网络通信质量评价。
结合上述的处理过程,在所述的电力业务和评价数据集的基础上,本发明具体通过如下的叙述说明采用模糊逻辑处理三种辅助信息的过程。
与步骤S102对应的,需要计算采集时间、采集终端距离、转发路由跳数的模糊逻辑因子,进行模糊化。
根据辅助信息的统计信息,计算不同时间间隔内的平均辅助信息值,得到辅助信息因子,并经归一化处理后得到相对辅助信息因子;具体的,对长时间采集到的同一种数据的辅助信息进行统计,以小时为粒度,计算不同时间间隔(以小时为单位)内的平均辅助信息值,为了消除短期误差,考虑数据的记忆效应,采用作为平滑因子,用来平滑前一个小时的辅助信息,计算每一条数据的三种类型辅助信息因子:
其中,、、分别表示每一条数据对应的采集时间因子、采集距离因子、转发路由跳数因子。、、分别表示前一个小时数据的平均采集时间、平均采集距离、平均转发路由跳数。x0、y0、z0表示当前小时的平均采集时间、平均采集距离、平均转发路由跳数。x,y,z分别表示每一条数据对应的采集时间、采集距离、转发路由跳数。为平滑因子,一般取0.3-0.5。接下来,分别利用数据集中最大的采集时间因子、采集距离因子、转发路由跳数因子对各条数据的采集时间因子、采集距离因子、转发路由跳数因子进行归一化处理,得到各条数据的相对采集时间因子、相对采集距离因子、相对转发路由跳数因子。
接下来,对通过上述处理过程得到同一类评价数据集中的所有数据的相对采集时间因子、相对采集距离因子、相对转发路由跳数因子进行模糊化处理。通过建立相对辅助信息因子和对应模糊隶属函数的关系,得到相对辅助信息因子对应的模糊值。具体的,
首先,用X表示相对采集时间因子Y表示其模糊隶属函数值,得到:
不忙:Y=-2X+1,X位于[0,0.5]区间,Y=0,X位于[0.5,1]区间;
较忙:Y=2X,X位于[0,0.5]区间,Y=-2X+2,X位于[0.5,1]区间;
繁忙:Y=0,X位于[0,0.5]区间,Y=2X-1,X位于[0.5,1]区间;
举例,如果相对采集时间因子为0.2,那么对应的模糊值为{不忙:0.6,较忙:0.4,繁忙:0},这个结果反映了采集数据时网络的繁忙程度。
接下来,用P表示相对采集距离因子,Q表示其模糊隶属函数值,得到:
近:Q=-2P+1,P位于[0,0.5]区间,Q=0,P位于[0.5,1]区间
较近:Q=2P,P位于[0,0.5]区间,Q=-2P+2,P位于[0.5,1]区间;
远:Q=0,P位于[0,0.5]区间,Q=2P-1,P位于[0.5,1]区间;
举例,如果相对采集距离因子为0.7,那么对应的模糊值为{近:0,较近:0.6,远:0.4},这个结果反映了数据采集点距离控制中心的物理距离。
最后,用M表示相对跳数因子,N表示其模糊隶属函数值,得到:
多:N=0,M位于[0,0.8]区间,Q=5M-4,M位于[0.8,1]区间;
较少:N=0,M位于[0,0.6]区间,N=5M-3,M位于[0.6,0.8]区间,N=-5M+5,M位于[0.8,1]区间;
少:N=1,M位于[0,0.6]区间,N=-5M+4,M位于[0.6,0.8]区间,N=0,M位于[0.8,1]区间;
举例,如果相对跳数因子为0.4,那么对应的模糊值为{少:1,较少:0,多:0},这个结果反映了数据采集点距离控制中心的跳数,也就是逻辑距离。
对于每一条数据,根据上述方法得到其相对时间因子模糊值、相对距离因子模糊值、相对跳数因子模糊值。例如,对于上面的例子,某一条数据对应的三种模糊值分别为:相对时间因子模糊值为{不忙:0.6,较忙:0.4,繁忙:0},相对距离因子模糊值为{近:0,较近:0.6,远:0.4},相对跳数因子模糊值为{少:1,较少:0,多:0}。
与步骤S103对应的,通过预设的IF/THEN规则表,计算各条数据在网络性能评估中的适应度。
先对步骤S102中获得的各条数据的三种模糊值做如下处理:根据辅助因子的类型,将模糊值进行划分,得到每一条数据的模糊值集;
为了易于理解,以步骤S102中获得的某一条数据的三种模糊值为例,相对时间因子模糊值为{不忙:0.6,较忙:0.4,繁忙:0},其中“不忙”、“较忙”不为0,所以这条数据的相对时间因子模糊值集为{不忙,较忙}。相对距离因子模糊值为{近:0,较近:0.6,远:0.4},其中“较近”、“远”不为0,所以这条数据的相对距离因子模糊值集为{较近,远}。相对跳数因子模糊值为{少:1,较少:0,多:0},其中“少”不为0,所以这条数据的相对跳数模糊值集为{少}。综上,对于这条数据来讲,它的模糊值集为{{不忙,较忙},{较近,远},{少}},最外层的花括号表示一个大集合,里层的每对花括号表示一个小集合,每个大集合包括三个小集合。
接下来,制订如表1所示的IF/THEN规则表,表格中的“相对采集时间因子”列中内容为每条数据模糊值集中第一个小集合中的元素,表格中的“相对采集距离因子”列中内容为每条数据模糊值集中第二个小集合中的元素,表格中的“相对采集跳数因子”列中内容为每条数据模糊值集中第三个小集合中的元素。
表1 IF/THEN规则表
相对采集时间因子 | 相对采集距离因子 | 相对跳数因子 | 等级 | |
规则1 | 不忙 | 近 | 少 | 完美 |
规则2 | 不忙 | 近 | 较少 | 较好 |
规则3 | 不忙 | 近 | 少 | 不可以 |
规则4 | 不忙 | 较近 | 多 | 较好 |
规则5 | 不忙 | 较近 | 较少 | 可以 |
规则6 | 不忙 | 较近 | 多 | 较差 |
规则7 | 不忙 | 远 | 少 | 不可以 |
规则8 | 不忙 | 远 | 较少 | 较差 |
规则9 | 不忙 | 远 | 多 | 非常差 |
规则10 | 较忙 | 近 | 少 | 较好 |
规则11 | 较忙 | 近 | 较少 | 可以 |
规则12 | 较忙 | 近 | 多 | 较差 |
规则13 | 较忙 | 较近 | 少 | 可以 |
规则14 | 较忙 | 较近 | 较少 | 不可以 |
规则15 | 较忙 | 较近 | 多 | 较差 |
规则16 | 较忙 | 远 | 少 | 较差 |
规则17 | 较忙 | 远 | 较少 | 较差 |
规则18 | 较忙 | 远 | 多 | 非常差 |
规则19 | 繁忙 | 远 | 少 | 不可以 |
规则20 | 繁忙 | 远 | 较少 | 较差 |
规则21 | 繁忙 | 远 | 多 | 非常差 |
规则22 | 繁忙 | 较近 | 少 | 较差 |
规则23 | 繁忙 | 较近 | 较少 | 较差 |
规则24 | 繁忙 | 较近 | 多 | 非常差 |
规则25 | 繁忙 | 远 | 少 | 较差 |
规则26 | 繁忙 | 远 | 较少 | 非常差 |
规则27 | 繁忙 | 远 | 多 | 非常差 |
表1中的各行对应了各条IF/THEN规则,在一条IF/THEN规则中,称IF部分为“原因”,这里的“原因”是指某一条数据的模糊值集中的三个小集合是否包含了对应列中的元素。如果三个小集合包含了对应列中的元素,表明这条数据与这条规则匹配,就会得到最后一列的THEN部分,称它为“结果”。结果部分分为{完美,较好,可以,不可以,较差,非常差}6个等级。
当模糊值集中对应辅助因子的小集合包含了所述预定义的IF/THEN规则中IF部分的元素,则所述模糊值集对应的数据匹配所述IF部分的元素对应的规则和THEN部分的结果。
下面通过一个例子说明如何根据数据的模糊值集,查找IF/THEN规则表,假设得到的某条数据的模糊值集为{{不忙},{近,较近},{少,较少}},与各条规则进行比较,发现它满足第1,2,5项规则,具体过程为,用这个模糊值集与第1条规则进行对比,发现:“不忙”、“近”、“少”落在{{不忙},{近,较近},{少,较少}}集合内。用这个模糊值集与第2条规则进行对比,发现“不忙”、“近”、“较少”落在{{不忙},{近,较近},{少,较少}}集合内。用这个模糊值集与第5条规则进行对比,发现“不忙”、“较近”、“较少”落在{{不忙},{近,较近},{少,较少}}集合内,所以说这条数据的模糊值集满足第1,2,5项规则。
将所述模糊值集满足的多项规则采用融合方法进行多规则融合,得到每一条数据的模糊评价结果。如果一条数据的模糊值集满足多项规则,必须对多项规则产生的结果进行融合。本发明采用Min-Max方法对每一条数据满足的多项规则进行融合。在这种方法中,对于每条规则,将“原因”部分中各项模糊值中的最小值作为“原因”的程度。对满足的不同规则组合时,要选择这些规则中“原因”的最大程度值。例如,对于评价数据集中的某一条数据,它的相对采集时间因子,相对距离因子和相对跳数因子模糊值分别为{不忙:1,较忙:0,繁忙:0},{近:0.75,较近:0.25,远:0},{少:0.5,较少:0.5,多:0}。在这种情况下,这三个模糊值对应的模糊值集为{{不忙},{近,较近},{少,较少}}。查找表1,发现模糊值集与第1、2、5三条规则相匹配。对于规则1,{不忙}的度数为1,{近}的度数为0.75,{少}的度数为0.5。在Min-Max方法中,取三者中的最小值,因此原因的程度为0.5。对于规则2,{不忙}的度数为1,{近}的度数为0.75,{较少}的度数为0.5。在Min-Max方法中,取三者中的最小值,因此原因的程度为0.5。对于规则5,{不忙}的度数为1,{较近}的度数为0.25,{较少}的度数为0.5。在Min-Max方法中,取三者中的最小值,因此原因的程度为0.25。将每条规则的原因的程度作为结果的程度,例如,对于规则1,“完美“的程度为0.5。对于规则2,”较好“的程度为0.5。对于规则5,”可以“的程度为0.25。将所有结果的程度汇总,得到这条数据的模糊评价结果为:完美/0.5,较好/0.5,可以/0.25。
接下来,要对得到的每条数据的模糊评价结果进行去模糊化处理,与步骤S104对应,去模糊化是基于输出隶属函数和相应的成员等级资格程度生成数值结果的过程。根据预设的输出隶属函数对所述模糊评价结果进行去模糊化处理,得到每条数据的适应度;所述适应度表示每条数据适合用于评价无线网络性能的程度。
具体过程如下:首先设计输出隶属函数,因为表1规则表的结果部分包括{完美,较好,可以,不可以,较差,非常差}6个等级,所以要设计6个等级的输出隶属函数。
所述隶属函数的曲线如图2所示,“非常差”对应最左侧的实线,“完美”对应最右侧的点划线,其他的都对应中间的等腰三角形的两腰;设计完6种隶属函数之后,使用重心(COG)方法对模糊评价结果进行去模糊化。计算前面得到数据的模糊评价结果与各条隶属函数曲线覆盖面积的交集,例如,前面得到的某一条数据的模糊评价结果为:完美/0.5,较好/0.5,可以/0.25。对于“完美/0.5”,以y=0.5画一条平行于x轴的直线,它与“完美”隶属函数曲线的交集为:,y=5x-4;,y=0.5,这是一个梯形。对于“较好/0.5”,以y=0.5画一条平行于x轴的直线,它与“较好”隶属函数曲线的交集为:,y=5x-3;,y=0.5;,y=-5x+5,这是一个梯形。对于“可以/0.25”,以y=0.25画一条平行于x轴的直线,它与“可以”隶属函数曲线的交集为:,y=5x-2;,y=0.25;,y=-5x+4,这是一个梯形。连接上述3个梯形的外轮廓线,就得到了一个封闭的区域,如图3所示的形状。计算这个封闭区域的重心,取重心的横坐标值作为对应数据的去模糊化后的值,并作为对应数据的适应度。可以采用如下的公式(4)直接得到重心的横坐标值。
其中表示封闭区域的轮廓线对应的函数,它一般情况下是一个分段函数,对于上面的例子,就是三个梯形的外轮廓线对应的函数。这里的值表示每条数据是否适合用于评价网络性能的程度,称其为数据的适应度,值越大表示越适合于评价网络性能。
与步骤S105对应,根据所述适应度和预设的加权系数,得到待评价无线网络在同一电力业务下的综合评价值,评价电力无线网络通信质量。具体的,通过分别得到三种电力业务下的综合评价值,来评估对应的电力业务在LTE230MHz网络、IoT230MHz网络和5G网络三种网络中的通信质量。
步骤S102和103过程是以一个评价数据集中的一条数据的处理过程为例进行讲解的,现在要采用相同的方法对LTE230MHz、IoT230MHz,5G网络三种无线网络中涉及到3种类型电力业务的全部评价数据集中的全部数据进行处理。对于每一个评价数据集,分别挑选出具有最大适应度值和最小适应度值对应的数据条目,然后取二者数据的平均值作为该评价数据集的参评数据。例如,对于控制类电力业务,分别在LTE230MHz、IoT230MHz、5G网络下获得3个通信速率数据集,分别选取这三个数据集中具有最大适应度值和最小适应度值得数据条目,计算其平均值,平均值的大小顺序反映了三种类型无线网络传输控制类电力业务时的通信速率性能差异,假设5G网络通信速率平均值大于LTE230MHz,LTE230MHz的网络通信速率平均值大于IoT230MHz,说明对于控制类电力业务来讲,在通信速率方面,5G优于LTE230MHz,LTE230MHz优于IoT230MHz。
上述过程能够评价3种无线网络在某种通信评价数据集方面的性能差异,接下来,要评价三种无线网络分别传输信息采集类业务、控制类业务、移动应用类业务时的整体性能。为了充分发挥电力行业、通信行业专家的经验作用,在评估整体性能时,借助专家经验为各种电力业务的各单项指标设置合理的加权系数,分别用各评价数据集中提取出来的客观平均值乘以相应的加权系数,求和得到三种无线网络在某种电力业务方面的综合评价值,根据这个值的由大到小的顺序,对三种网络在某种电力业务方面的传输性能进行从优到差排序。综合评价值越高,表明该无线网络越适合传输这种电力业务。
对应上述的质量评价方法,本发明还提供一种电力无线网络通信质量评价系统,如图4所示,包括,
获取模块401,用于获取在待评价无线网络下电力业务的评价数据集;所述评价数据集中的每一条数据附加有辅助信息;本优选实例中,用于分别获取在LTE230MHz、IoT230MHz和5G网络下电力业务的评价数据集。其包括,信息采集类业务获取单元,用于获取在待评价无线网络下信息采集类电力业务的五种评价数据集:连接密度、终端上行通信速率、终端下行通信速率、时延和通信可靠性;
控制类业务获取单元,用于获取在待评价无线网络下控制类电力业务的五种评价数据集:时延、通信可靠性、通信速率、安全等级和连接密度;
移动应用类业务获取单元,用于获取在待评价无线网络下移动应用类电力业务的四种评价数据集:通信速率、通信时延、通信可靠性和连接密度。
模糊化模块402,用于将所述辅助信息采用模糊逻辑进行模糊化,得到对应的模糊值;本优选实例中模糊化模块402包括,
相对辅助信息因子单元,用于根据辅助信息的统计信息,计算不同时间间隔内的平均辅助信息值,得到辅助信息因子,并经归一化处理后得到相对辅助信息因子;
关系建立单元,用于建立相对辅助信息因子和对应模糊隶属函数的关系,得到相对辅助信息因子对应的模糊值。
模糊评价模块403,用于根据预定义的IF/THEN规则,得到所述模糊值满足的规则,并将所述满足的规则进行多项规则的融合得到每条数据的模糊评价结果;本优选实例中模糊评价模块403包括,
模糊值集单元,用于根据辅助因子的类型,将模糊值进行划分,得到每一条数据的模糊值集;
规则匹配单元,用于当模糊值集中对应辅助因子的小集合包含了所述预定义的IF/THEN规则中IF部分的元素,则所述模糊值集对应的数据匹配所述IF部分的元素对应的规则和THEN部分的结果;
规则融合单元,用于将所述模糊值集满足的多项规则采用融合方法进行多规则融合,得到每一条数据的模糊评价结果。
去模糊化模块404,用于根据预设的输出隶属函数对所述模糊评价结果进行去模糊化处理,得到每条数据的适应度;所述适应度表示每条数据适合用于评价无线网络性能的程度;本优选实例中去模糊化模块404包括,
隶属函数单元,用于根据IF/THEN规则中的结果包含的等级类别,一一对应建立输出隶属函数;
去模糊单元,用于计算所述每一条数据的模糊评价结果在各条隶属函数曲线覆盖面积上的交集,得到曲线所在坐标系内与数据的模糊评价结果对应的封闭区域;
适应度单元,用于计算所述封闭区域的重心,取重心的横坐标值作为对应数据的去模糊化后的值,并作为对应数据的适应度。
评价输出模块405,用于根据所述适应度和预设的加权系数,得到待评价无线网络在同一电力业务下的综合评价值,评价电力无线网络通信质量。本优选实例中评价输出模块405包括,
参评数据单元,用于分别挑选出每一个评价数据集中,具有最大适应度值和最小适应度值对应的数据条目,取平均值作为对应评价数据集的参评数据;
综合单元,用于根据专家经验为电力业务的各单项指标设置的加权系数,分别与对应评价数据集的参评数据相乘求和,得到待评价无线网络在同一电力业务下的综合评价值;
质量评价单元,用于根据综合评价值由大到小的顺序,对所有待评价无线网络在同一种电力业务方面的通信质量进行从优到差排序,进行电力无线网络通信质量评价。
本发明还提供一种计算机设备,包括存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现如上述的电力无线网络通信质量评价方法。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述的电力无线网络通信质量评价方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (17)
1.电力无线网络通信质量评价方法,其特征在于,包括,
获取在待评价无线网络下电力业务的评价数据集;所述评价数据集中的每一条数据附加有辅助信息;
将所述辅助信息采用模糊逻辑进行模糊化,得到对应的模糊值;
根据预定义的IF/THEN规则,得到所述模糊值满足的规则,并将所述满足的规则进行多项规则的融合得到每条数据的模糊评价结果;
根据预设的输出隶属函数对所述模糊评价结果进行去模糊化处理,得到每条数据的适应度;所述适应度表示每条数据适合用于评价无线网络性能的程度;
根据所述适应度和预设的加权系数,得到待评价无线网络在同一电力业务下的综合评价值,评价电力无线网络通信质量。
2.根据权利要求1所述的电力无线网络通信质量评价方法,其特征在于,所述获取在待评价无线网络下电力业务的评价数据集,包括分别获取在LTE230MHz、IoT230MHz和5G网络下电力业务的评价数据集。
3.根据权利要求1所述的电力无线网络通信质量评价方法,其特征在于,所述获取在待评价无线网络下电力业务的评价数据集,具体包括,
获取在待评价无线网络下信息采集类电力业务的五种评价数据集:连接密度、终端上行通信速率、终端下行通信速率、时延和通信可靠性;
获取在待评价无线网络下控制类电力业务的五种评价数据集:时延、通信可靠性、通信速率、安全等级和连接密度;
获取在待评价无线网络下移动应用类电力业务的四种评价数据集:通信速率、通信时延、通信可靠性和连接密度。
4.根据权利要求1所述的电力无线网络通信质量评价方法,其特征在于,所述评价数据集中的每一条数据附加有辅助信息,具体包括,采集时间、采集距离和转发路由跳数三种类型的辅助信息。
5.根据权利要求1所述的电力无线网络通信质量评价方法,其特征在于,所述将所述辅助信息采用模糊逻辑进行模糊化,得到对应的模糊值;具体包括,
根据辅助信息的统计信息,计算不同时间间隔内的平均辅助信息值,得到辅助信息因子,并经归一化处理后得到相对辅助信息因子;
建立相对辅助信息因子和对应模糊隶属函数的关系,得到相对辅助信息因子对应的模糊值。
6.根据权利要求1所述的电力无线网络通信质量评价方法,其特征在于,所述根据预定义的IF/THEN规则,得到所述模糊值满足的规则,并将所述满足的规则进行多项规则的融合得到每条数据的模糊评价结果;具体的包括,
根据辅助因子的类型,将模糊值进行划分,得到每一条数据的模糊值集;
当模糊值集中对应辅助因子的小集合包含了所述预定义的IF/THEN规则中IF部分的元素,则所述模糊值集对应的数据匹配所述IF部分的元素对应的规则和THEN部分的结果;
将所述模糊值集满足的多项规则采用融合方法进行多规则融合,得到每一条数据的模糊评价结果。
7.根据权利要求1所述的电力无线网络通信质量评价方法,其特征在于,所述根据预设的输出隶属函数对所述模糊评价结果进行去模糊化处理,得到每条数据的适应度;具体包括,
根据IF/THEN规则中结果包含的等级类别,一一对应建立输出隶属函数;
计算所述每一条数据的模糊评价结果在各条隶属函数曲线覆盖面积上的交集,得到曲线所在坐标系内与数据的模糊评价结果对应的封闭区域;
计算所述封闭区域的重心,取重心的横坐标值作为对应数据的去模糊化后的值,并作为对应数据的适应度。
8.根据权利要求1所述的电力无线网络通信质量评价方法,其特征在于,根据所述适应度和预设的加权系数,得到待评价无线网络在同一电力业务下的综合评价值,评价电力无线网络通信质量;具体包括,
分别挑选出每一个评价数据集中,具有最大适应度值和最小适应度值对应的数据条目,取平均值作为对应评价数据集的参评数据;
根据专家经验为电力业务的各单项指标设置的加权系数,分别与对应评价数据集的参评数据相乘求和,得到待评价无线网络在同一电力业务下的综合评价值;
根据综合评价值由大到小的顺序,对所有待评价无线网络在同一种电力业务方面的通信质量进行从优到差排序,进行电力无线网络通信质量评价。
9.电力无线网络通信质量评价系统,其特征在于,包括,
获取模块,用于获取在待评价无线网络下电力业务的评价数据集;所述评价数据集中的每一条数据附加有辅助信息;
模糊化模块,用于将所述辅助信息采用模糊逻辑进行模糊化,得到对应的模糊值;
模糊评价模块,用于根据预定义的IF/THEN规则,得到所述模糊值满足的规则,并将所述满足的规则进行多项规则的融合得到每条数据的模糊评价结果;
去模糊化模块,用于根据预设的输出隶属函数对所述模糊评价结果进行去模糊化处理,得到每条数据的适应度;所述适应度表示每条数据适合用于评价无线网络性能的程度;
评价输出模块,用于根据所述适应度和预设的加权系数,得到待评价无线网络在同一电力业务下的综合评价值,评价电力无线网络通信质量。
10.根据权利要求9所述的电力无线网络通信质量评价系统,其特征在于,所述获取模块,用于分别获取在LTE230MHz、IoT230MHz和5G网络下电力业务的评价数据集。
11.根据权利要求9所述的电力无线网络通信质量评价系统,其特征在于,所述获取模块包括,
信息采集类业务获取单元,用于获取在待评价无线网络下信息采集类电力业务的五种评价数据集:连接密度、终端上行通信速率、终端下行通信速率、时延和通信可靠性;
控制类业务获取单元,用于获取在待评价无线网络下控制类电力业务的五种评价数据集:时延、通信可靠性、通信速率、安全等级和连接密度;
移动应用类业务获取单元,用于获取在待评价无线网络下移动应用类电力业务的四种评价数据集:通信速率、通信时延、通信可靠性和连接密度。
12.根据权利要求9所述的电力无线网络通信质量评价系统,其特征在于,所述模糊化模块包括,
相对辅助信息因子单元,用于根据辅助信息的统计信息,计算不同时间间隔内的平均辅助信息值,得到辅助信息因子,并经归一化处理后得到相对辅助信息因子;
关系建立单元,用于建立相对辅助信息因子和对应模糊隶属函数的关系,得到相对辅助信息因子对应的模糊值。
13.根据权利要求9所述的电力无线网络通信质量评价系统,其特征在于,所述模糊评价模块包括,
模糊值集单元,用于根据辅助因子的类型,将模糊值进行划分,得到每一条数据的模糊值集;
规则匹配单元,用于当模糊值集中对应辅助因子的小集合包含了所述预定义的IF/THEN规则中IF部分的元素,则所述模糊值集对应的数据匹配所述IF部分的元素对应的规则和THEN部分的结果;
规则融合单元,用于将所述模糊值集满足的多项规则采用融合方法进行多规则融合,得到每一条数据的模糊评价结果。
14.根据权利要求9所述的电力无线网络通信质量评价系统,其特征在于,所述去模糊化模块包括,
隶属函数单元,用于根据IF/THEN规则中结果包含的等级类别,一一对应建立输出隶属函数;
去模糊单元,用于计算所述每一条数据的模糊评价结果在各条隶属函数曲线覆盖面积上的交集,得到曲线所在坐标系内与数据的模糊评价结果对应的封闭区域;
适应度单元,用于计算所述封闭区域的重心,取重心的横坐标值作为去模糊化后的值,并作为适应度。
15.根据权利要求9所述的电力无线网络通信质量评价系统,其特征在于,所述评价输出模块包括,
参评数据单元,用于分别挑选出每一个评价数据集中,具有最大适应度值和最小适应度值对应的数据条目,取平均值作为对应评价数据集的参评数据;
综合单元,用于根据专家经验为电力业务的各单项指标设置的加权系数,分别与对应评价数据集的参评数据相乘求和,得到待评价无线网络在同一电力业务下的综合评价值;
质量评价单元,用于根据综合评价值由大到小的顺序,对所有待评价无线网络在同一种电力业务方面的通信质量进行从优到差排序,进行电力无线网络通信质量评价。
16.一种计算机设备,其特征在于,包括:
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时实现如权利要求1至8中任一项所述的电力无线网络通信质量评价方法。
17.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的电力无线网络通信质量评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111184264.3A CN113642934B (zh) | 2021-10-11 | 2021-10-11 | 电力无线网络通信质量评价方法及系统、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111184264.3A CN113642934B (zh) | 2021-10-11 | 2021-10-11 | 电力无线网络通信质量评价方法及系统、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642934A true CN113642934A (zh) | 2021-11-12 |
CN113642934B CN113642934B (zh) | 2022-01-04 |
Family
ID=78426342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111184264.3A Active CN113642934B (zh) | 2021-10-11 | 2021-10-11 | 电力无线网络通信质量评价方法及系统、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642934B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170331577A1 (en) * | 2016-05-13 | 2017-11-16 | Telefonaktiebolaget Lm Ericsson (Publ) | Network Architecture, Methods, and Devices for a Wireless Communications Network |
CN109377034A (zh) * | 2018-10-11 | 2019-02-22 | 国网新疆电力有限公司信息通信公司 | 基于智能电网信息通信系统的风险态势评估方法 |
-
2021
- 2021-10-11 CN CN202111184264.3A patent/CN113642934B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170331577A1 (en) * | 2016-05-13 | 2017-11-16 | Telefonaktiebolaget Lm Ericsson (Publ) | Network Architecture, Methods, and Devices for a Wireless Communications Network |
CN109377034A (zh) * | 2018-10-11 | 2019-02-22 | 国网新疆电力有限公司信息通信公司 | 基于智能电网信息通信系统的风险态势评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113642934B (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Al Ridhawi et al. | A continuous diversified vehicular cloud service availability framework for smart cities | |
CN109921941B (zh) | 网络业务质量评估和优化方法、装置、介质及电子设备 | |
CN110417607B (zh) | 一种流量预测方法、装置及设备 | |
CN111294812B (zh) | 一种资源扩容规划的方法及系统 | |
CN114301935B (zh) | 一种基于声誉的物联网边云协同联邦学习节点选择方法 | |
CN107018024B (zh) | 一种云服务推荐方法及装置 | |
CN113472659B (zh) | 转发路径的确定方法、装置及sdn控制器 | |
CN110995619A (zh) | 一种服务质量感知的虚拟网络映射方法和装置 | |
Zhu et al. | Contagion of information on two-layered weighted complex network | |
Liu et al. | RFID: Towards low latency and reliable DAG task scheduling over dynamic vehicular clouds | |
CN114710410A (zh) | 基于深度强化学习的网络数据采集效率优化方法及系统 | |
CN111770020A (zh) | 一种基于最优路径选择的网络感知服务组合算法的方法 | |
Gao et al. | A deep learning framework with spatial-temporal attention mechanism for cellular traffic prediction | |
CN113642934B (zh) | 电力无线网络通信质量评价方法及系统、设备、存储介质 | |
Rui et al. | Location‐dependent sensing data collection and processing mechanism in vehicular network | |
Ganewattha et al. | Confidence aware deep learning driven wireless resource allocation in shared spectrum bands | |
Sun et al. | Performance analysis of mobile cloud computing with bursty demand: A tandem queue model | |
CN107171957A (zh) | 一种基于资源受限条件下的自适应dtn路由算法 | |
CN109041065B (zh) | 一种面向两跳多副本自组网的节点信任管理方法 | |
Peng et al. | Tofds: A two-stage task execution method for fake news in digital twin-empowered socio-cyber world | |
Olsen et al. | Qrp01-5: Quantitative analysis of access strategies to remote information in network services | |
Mogyorósi et al. | Adaptive protection of scientific backbone networks using machine learning | |
Lamaazi et al. | Trust-3dm: trustworthiness-based data-driven decision-making framework using smart edge computing for continuous sensing | |
CN114885028A (zh) | 业务调度方法、装置及计算机可读存储介质 | |
CN113658015A (zh) | 一种干预信息的位置和干预时间影响信息传播的分析方法 |
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 |