CN113891338B - 一种电力施工现场LoRa终端发送速率的自适应调节方法 - Google Patents

一种电力施工现场LoRa终端发送速率的自适应调节方法 Download PDF

Info

Publication number
CN113891338B
CN113891338B CN202111148058.7A CN202111148058A CN113891338B CN 113891338 B CN113891338 B CN 113891338B CN 202111148058 A CN202111148058 A CN 202111148058A CN 113891338 B CN113891338 B CN 113891338B
Authority
CN
China
Prior art keywords
snr
lora
signal
lora terminal
noise ratio
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
CN202111148058.7A
Other languages
English (en)
Other versions
CN113891338A (zh
Inventor
许斌斌
黄均才
陈畅
刘鉴栋
袁晶
唐金锐
唐若笠
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.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of Guangdong Power Grid 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 Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202111148058.7A priority Critical patent/CN113891338B/zh
Publication of CN113891338A publication Critical patent/CN113891338A/zh
Application granted granted Critical
Publication of CN113891338B publication Critical patent/CN113891338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W16/00Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22Traffic simulation tools or models
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W28/00Network traffic management; Network resource management
    • H04W28/16Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • H04W28/18Negotiating wireless communication parameters
    • H04W28/22Negotiating communication rate
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种电力施工现场LoRa终端发送速率的自适应调节方法,实现步骤为:建立并训练完成基于极限学习机ELM的LoRa终端最大发送速率预测模型;LoRa终端首先以典型速率最小取值发送数据,服务器解析并计算出信号强度、信噪比、差值信号强度、差值信噪比,随后送入ELM预测模型得出LoRa终端的最大发送速率;LoRa终端以该最大发送速率发送数据,同时LoRa服务器在线指导LoRa终端修正发送速率,直至满足最低通信要求;LoRa服务器不断采用最新数据完成对训练样本集的更新,并每隔一定时长采用特定数量的最新样本对所有ELM预测模型进行重复训练。本发明可实现电力施工现场LoRa终端数据发送功耗的自适应调节,并能够有效适应电力施工现场复杂、多变的通信环境。

Description

一种电力施工现场LoRa终端发送速率的自适应调节方法
技术领域
本发明涉及无线通信技术领域,尤其涉及一种电力施工现场LoRa终端发送速率的自适应调节方法。
背景技术
对于偏远地区的电力施工现场,传统蜂窝网络信号覆盖情况较差,施工人员及相关设备之间的通信多采用远距离无线电(LoRa)技术实现。由于电力施工现场的LoRa终端多采用电池供电,其功耗问题对于整个网络的实用性与便捷性具有很大影响。LoRa终端向LoRa服务器发送数据时需要采用最佳的发送速率,一方面,尽可能降低LoRa终端的数据发送功耗,另一方面则须同时确保通信质量的最低要求。
此外,由于电力施工现场应用背景的特殊性,LoRa网络的通信环境会随着施工进度的推进而不断变化,局部区域甚至会受到大型电力设备通电调试等带来的较强电磁干扰。已有的关于LoRa终端数据发送速率控制方法多基于固定模型或固定数据样本,难以适应电力施工现场复杂多变的通信环境。为此,本发明提出一种自适应调节LoRa终端发送速率的方法,以解决现有技术在电力施工现场难以适用的问题。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种电力施工现场LoRa终端发送速率的自适应调节方法。
本发明解决其技术问题所采用的技术方案是:一种电力施工现场LoRa终端发送速率的自适应调节方法,包括以下步骤:
步骤1:设定满足最低通信要求的信号强度以及满足最低通信要求的信噪比,采集多个初始训练样本以构建初始训练样本集;
步骤2:引用极限学习机ELM构建ELM预测模型:将LoRa终端以典型速率最小取值发送数据时LoRa服务器接收到的信号强度、信噪比、以及计算出的差值信号强度、计算出的差值信噪比作为ELM预测模型的输入层节点,并将与之对应的LoRa终端发送速率最大值作为ELM预测模型的输出层节点;用步骤1中的初始训练样本集完成对该ELM预测模型的训练,得到训练后的ELM预测模型;
步骤3:LoRa服务器与多个LoRa终端依次连接,每个LoRa终端均引用极限学习机ELM通过步骤2建立每个LoRa终端对应的训练后的ELM预测模型;每个LoRa终端均采用步骤1中的初始训练样本集构建各自的训练样本集;
步骤4:LoRa终端在向LoRa服务器发送数据时,首先采用典型速率最小取值发送数据;
步骤5:LoRa服务器接收到LoRa终端发送来的数据后,解析出与典型速率最小取值所对应的信号强度与信噪比;
步骤6:LoRa服务器根据步骤5中解析出的信号强度与信噪比,分别计算出差值信号强度与差值信噪比;
将解析出的信号强度、解析出的信噪比、计算出的差值信号强度、计算出的差值信噪比作为输入,送入该LoRa终端所对应的训练后的ELM预测模型,并由训练后的ELM预测模型预测得出与之对应的最大发送速率;
服务器将训练后的ELM预测模型输出的最大发送速率向下传输至该LoRa终端;
步骤7:LoRa终端获取到来自服务器端的最大发送速率后,将当前发送速率修正为该最大发送速率并发送下一帧数据;等待LoRa服务器的指令;
步骤8:LoRa服务器从接收到的信号中继续解析出信号强度与信噪比,并据此判断是否满足最低通信要求:
若满足最低通信要求,则LoRa服务器告知LoRa终端保持当前速率继续发送剩余数据,同时由LoRa服务器端将步骤6中与典型速率最小取值所对应的信号强度、信噪比、差值信号强度、差值信噪比,以及步骤6中训练后的ELM预测模型给出的最大发送速率整理为标准样本格式后,存入与该LoRa终端所对应的训练样本集;
若不满足最低通信要求,则LoRa服务器告知LoRa终端将当前发送速率降低1级;
LoRa终端降低发送速率后发送下一帧数据,服务器端继续解析信号并判断是否满足最低通信要求,若不满足则LoRa终端继续降低发送速率,直至满足最低通信要求;满足最低通信要求后,将步骤6中与典型速率最小取值DR0所对应的信号强度、信噪比、差值信号强度、差值信噪比,以及当前满足最低通信要求后LoRa终端的实际发送速率整理为标准样本格式,存入与该LoRa终端所对应的训练样本集;
步骤9:LoRa服务器判断是否达到预设的ELM预测模型更新周期,若未达到,则跳至步骤4,各LoRa终端继续以同样的方式向服务器进行数据发送;若已达到ELM预测模型更新周期,则服务器对各LoRa终端的ELM预测模型分别进行重新训练,各模型训练的样本为各自训练样本集中最新的Nr组样本;各ELM预测模型完成重新训练后,跳至步骤4。
作为优选,步骤1所述满足最低通信要求的信号强度为Smin
满足最低通信要求的信噪比为SNRmin
步骤1所述初始训练样本集由N0组初始训练样本构成;
所述每组初始训练样本的结构为:
[Si,SNRi,ΔSi,ΔSNRi;DRi]
i=1,2,…,N0,N0为初始训练样本集中所包含的初始训练样本数;
DRi∈{DR0,DR1,DR2,DR3,DR4,DR5},DRi为第i个初始训练样本中LoRa终端在满足最低通信要求前提下的最大发送速率;DR0、DR1、DR2、DR3、DR4、DR5为LoRa终端发送速率的典型取值,其中DR0为典型速率最小取值,DR5为典型速率最大取值;
其中,Si为第i组初始训练样本中,当LoRa终端以典型速率最小取值DR0发送数据时,LoRa服务器端接收信号的信号强度;SNRi为第i组初始训练样本中,当LoRa终端以典型速率最小取值DR0发送数据时,LoRa服务器端接收信号的信噪比;
ΔSi为第i组初始训练样本中,LoRa服务器端接收信号强度与满足最低通信要求的信号强度之间的差值,即ΔSi=Si-Smin
ΔSNRi为第i组初始训练样本中,LoRa服务器端接收信号的信噪比与满足最低通信要求的信噪比之间的差值,即ΔSNRi=SNRi-SNRmin
步骤1所述采集多个初始训练样本,具体如下:
步骤1.1:固定LoRa服务器位置,并将LoRa终端置于与LoRa服务器相距一定距离的位置处;
步骤1.2:LoRa终端以典型速率最小取值DR0为发送速率向服务器发送数据,并依次增加发送速率直至达到典型速率最大取值DR5;
步骤1.3:LoRa服务器不断解析LoRa终端在步骤1.2中各发送速率下接收信号的信号强度SDRd,以及信噪比SNRDRd,d=0,1,2,3,4,5;
此外,按如下规则判断出使SDRd≥Smin且SNRDRd≥SNRmin,d∈{0,1,...,5},LoRa终端发送速率所能达到的最大值DRmax
首先,判断是否满足SDR5≥Smin且SNRDR5≥SNRmin,若满足则取DRmax=DR5;
否则,判断是否满足SDR4≥Smin且SNRDR4≥SNRmin,若满足则取DRmax=DR4;
否则,判断是否满足SDR3≥Smin且SNRDR3≥SNRmin,若满足则取DRmax=DR3;
否则,判断是否满足SDR2≥Smin且SNRDR2≥SNRmin,若满足则取DRmax=DR2;
否则,判断是否满足SDR1≥Smin且SNRDR1≥SNRmin,若满足则取DRmax=DR1;
否则,取DRmax=DR0;
步骤1.4:根据步骤1.2中LoRa终端以典型速率最小取值DR0发送数据时服务器端接收信号的信号强度SDR0与信噪比SNRDR0,计算相应的差值信号强度ΔSDR0=SDR0-Smin以及差值信噪比ΔSNRDR0=SNRDR0-SNRmin
将SDR0、SNRDR0、ΔSDR0、ΔSNRDR0以及步骤1.3中得到的LoRa终端发送速率最大值DRmax,作为一组初始训练样本;
步骤1.5:随机移动LoRa终端位置,并重复上述步骤1.2至步骤1.4,直至采集到的初始训练样本数达到预设值N0
作为优选,步骤2所述典型速率最小取值为DR0;
步骤2所述LoRa终端以典型速率最小取值发送数据时服务器端接收到的信号强度为SDR0
LoRa终端以典型速率最小取值发送数据时服务器端接收到的信噪比为SNRDR0
步骤2所述计算出的差值信号强度为ΔSDR0=SDR0-Smin
其中,SDR0为LoRa终端以典型速率最小取值发送数据时服务器端接收到的信号强度;Smin为预设的满足最低通信要求的信号强度;
计算出的差值信噪比为ΔSNRDR0=SNRDR0-SNRmin
其中,SNRDR0为LoRa终端以典型速率最小取值发送数据时服务器端接收到的信噪比;SNRmin为预设的满足最低通信要求的信噪比;
步骤2所述的极限学习机ELM包含单个隐含层,隐含层节点数为Mh
作为优选,步骤3所述每个LoRa终端对应的训练后的ELM预测模型为ELMn
步骤3所述每个LoRa终端各自的训练样本集为DBn
其中,n=1,2,…,N,N为LoRa终端的数量;
作为优选,步骤4所述典型速率最小取值为DR0;
作为优选,步骤5所述与典型速率最小取值所对应的信号强度为SDR0
与典型速率最小取值所对应的信噪比为SNRDR0
作为优选,步骤6所述解析出的信号强度为SDR0;解析出的信噪比为SNRDR0
步骤6所述计算出差值信号强度与差值信噪比分别为:
ΔSDR0=SDR0-Smin、ΔSNRDR0=SNRDR0-SNRmin
其中,ΔSDR0为计算出的差值信号强度;ΔSNRDR0为计算出的差值信噪比;
步骤6所述模型预测得出与之对应的最大发送速率为DRELM
作为优选,步骤7所述来自服务器端的最大发送速率为DRELM
作为优选,步骤8所述接收到的信号指步骤7中LoRa终端以修正后的速率所发送的数据;
步骤8所述解析出的信号强度为SELM;解析出的信噪比为SNRELM
步骤8所述满足最低通信要求,具体指:SELM≥Smin且SNRELM≥SNRmin。其中,Smin为预设的满足最低通信要求的信号强度;SNRmin为预设的满足最低通信要求的信噪比;
步骤8所述与典型速率最小取值所对应的信号强度为SDR0;与典型速率最小取值所对应的信噪比为SNRDR0;差值信号强度为ΔSDR0;差值信噪比为ΔSNRDR0
步骤8所述训练后的ELM预测模型预测的最大发送速率为DRELM
步骤8所述标准样本格式为[SDR0,SNRDR0,ΔSDR0,ΔSNRDR0;DRELM];
作为优选,步骤9所述ELM预测模型更新周期为TR
步骤9所述Nr为预定义的模型时间窗长度;
步骤9所述各LoRa终端的ELM预测模型为ELMn,n=1,2,…,N;
其中,N为LoRa终端的数量;
步骤9所述训练样本集为DBn,n=1,2,…,N。
本发明产生的有益效果是:
本发明适用于偏远地区电力施工现场LoRa终端发送速率的自适应调节,以实现施工现场低功耗、长距离的数据通信。电力施工现场的通信质量无需太高,相比于更高的通信质量,LoRa终端数据发送功耗的降低意义更大。本发明所述方法通过对LoRa终端发送速率的自适应调节,实现其在确保最低通信质量要求前提下数据发送功耗的有效降低,并能够很大程度上适应电力施工现场复杂、多变的通信环境,本发明产生的有益效果具体如下:
ELM模型得出最大发送速率并告知LoRa终端后,LoRa服务器通过向LoRa终端的在线反馈,继续对其发送速率进行闭环调节,进而有效减少仅采用ELM模型的开环控制方法所无法避免的模型预测误差;
随着电力施工现场施工进度的推进,LoRa终端与服务器之间的通信环境也会不断发生变化(例如,房屋、墙体等遮挡物的出现,大型电力设备通电调试带来的电磁干扰等)。本发明通过将系统运行过程中经不断修正的数据扩充进训练样本集,并周期性地采用最新的训练样本对ELM模型进行重复训练,以此确保ELM模型具有对通信环境变化的自适应跟踪能力;
本发明采用极限学习机ELM构建LoRa终端最大发送速率的预测模型。ELM无需反复迭代,对样本数据的训练速度极快,能够以较高频率不断采用最新数据完成对模型的重复训练,训练过程耗时短,对现场应用的影响小。
附图说明
图1:是实现本发明方法的流程图。
图2:是初始训练样本采集时LoRa终端的位置移动示意图。
图3:是基于极限学习机ELM的LoRa终端最大发送速率预测模型结构示意图。
图4:是基于ELM模型的LoRa终端最大发送速率预测示意图。
具体实施方式
为了更清楚地说明本发明和/或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式;显而易见地,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,并获得其他的实施方式。
如图1所示,本发明所述的一种电力施工现场LoRa终端发送速率的自适应调节方法,包括以下步骤:
一种电力施工现场LoRa终端发送速率的自适应调节方法,所涉及的系统包括LoRa服务器以及多个LoRa终端,所述LoRa服务器与所述LoRa终端依次连接,包括以下步骤:
步骤1:在电力施工现场基于LoRa的通信网络布局之前,根据实际通信需求,设定满足最低通信要求的信号强度Smin以及满足最低通信要求的信噪比SNRmin
随后,开展初始训练样本的采集工作,共获取N0=200组初始训练样本,构建初始训练样本集。每组初始训练样本的结构为[Si,SNRi,ΔSi,ΔSNRi;DRi](i=1,2,…,200),DRi∈{DR0,DR1,DR2,DR3,DR4,DR5}为第i个初始训练样本中LoRa终端在满足最低通信要求前提下的最大发送速率;DR0、DR1、DR2、DR3、DR4、DR5为LoRa终端发送速率的典型取值,其中DR0为典型速率最小取值,DR5为典型速率最大取值;
此外,Si为第i组初始训练样本中,当LoRa终端以典型速率最小取值DR0发送数据时,LoRa服务器端接收信号的信号强度;SNRi为第i组初始训练样本中,当LoRa终端以典型速率最小取值DR0发送数据时,LoRa服务器端接收信号的信噪比;
ΔSi为第i组初始训练样本中,LoRa服务器端接收信号强度与满足最低通信要求的信号强度之间的差值,即ΔSi=Si-Smin
ΔSNRi为第i组初始训练样本中,LoRa服务器端接收信号的信噪比与满足最低通信要求的信噪比之间的差值,即ΔSNRi=SNRi-SNRmin
如图2所示,初始训练样本采集工作具体按照以下步骤开展:
步骤1.1:固定LoRa服务器位置,并将LoRa终端置于与LoRa服务器相距一定距离的位置处;
步骤1.2:LoRa终端以典型速率最小取值DR0为发送速率向服务器发送数据,并按照DR0—DR1—DR2—DR3—DR4—DR5的顺序依次增加发送速率直至达到典型速率最大取值DR5;
步骤1.3:LoRa服务器不断解析LoRa终端在步骤1.2中各发送速率下接收信号的信号强度SDRd,以及信噪比SNRDRd,d=0,1,2,3,4,5;
此外,按如下规则判断出使SDRd≥Smin且SNRDRd≥SNRmin,d∈{0,1,...,5},LoRa终端发送速率所能达到的最大值DRmax
首先,判断是否满足SDR5≥Smin且SNRDR5≥SNRmin,若满足则取DRmax=DR5;
否则,判断是否满足SDR4≥Smin且SNRDR4≥SNRmin,若满足则取DRmax=DR4;
否则,判断是否满足SDR3≥Smin且SNRDR3≥SNRmin,若满足则取DRmax=DR3;
否则,判断是否满足SDR2≥Smin且SNRDR2≥SNRmin,若满足则取DRmax=DR2;
否则,判断是否满足SDR1≥Smin且SNRDR1≥SNRmin,若满足则取DRmax=DR1;
否则,取DRmax=DR0;
例如,当LoRa终端的发送速率为DR0时,由于速率低,功耗大,通信距离远,服务器端接收信号的强度SDR0与信噪比SNRDR0将远大于Smin及SNRmin。随后,将发送速率提升至DR1,此时服务器端接收信号的强度SDR1与信噪比SNRDR1仍远大于Smin及SNRmin。为此,继续提升发送速率至DR2,此时服务器端接收信号的强度SDR2与信噪比SNRDR2略大于Smin及SNRmin。当继续将发送速率提升至DR3时,服务器端接收信号的强度SDR3与信噪比SNRDR3小于Smin及SNRmin,不再满足最低通信要求。综上,记录LoRa终端发送速率所能达到的最大值DRmax为DR2;
步骤1.4:根据步骤1.2中LoRa终端以典型速率最小取值DR0发送数据时服务器端接收信号的信号强度SDR0与信噪比SNRDR0,计算相应的差值信号强度ΔSDR0=SDR0-Smin以及差值信噪比ΔSNRDR0=SNRDR0-SNRmin
将SDR0、SNRDR0、ΔSDR0、ΔSNRDR0以及步骤1.3中得到的LoRa终端发送速率最大值DRmax,作为一组初始训练样本,即[Si=SDR0,SNRi=SNRDR0,ΔSi=ΔSDR0,ΔSNRDR0;DRi=DRmax=DR2];
步骤1.5:随机移动LoRa终端位置,并重复上述步骤1.2至步骤1.4,直至采集到的初始训练样本数达到预设值N0=200,初始训练样本采集工作结束;
步骤2:如图3所示,引用极限学习机ELM构建ELM预测模型:将LoRa终端以典型速率最小取值DR0发送数据时,服务器端接收到的信号强度SDR0、信噪比SNRDR0,以及据此计算出的差值信号强度ΔSDR0=SDR0-Smin、差值信噪比ΔSNR=SNR-SNRmin作为ELM预测模型的输入层节点,并将与之对应的LoRa终端发送速率最大值作为ELM预测模型的输出层节点。所建立的ELM预测模型包含单个隐含层,隐含层节点数为Mh=10。此外,用步骤1中采集到的200组初始训练样本完成对该ELM预测模型的训练,得到训练后的ELM预测模型;
步骤3:电力施工现场基于LoRa的通信网络完成布局并投入使用后,LoRa服务器与多个LoRa终端依次连接,每个LoRa终端均引用极限学习机ELM通过步骤2建立每个LoRa终端对应的训练后的ELM预测模型,即ELMn(n=1,2,…,N),N为LoRa终端的数量(在本实施例中,取N=50)。其中,每个LoRa终端均采用步骤1中的初始训练样本集构建各自的训练样本集DBn(n=1,2,…,50);
步骤4:各LoRa终端在向LoRa服务器发送数据时,首先采用典型速率最小取值DR0发送数据;
步骤5:LoRa服务器接收到LoRa终端发送来的数据后,解析出与典型速率最小取值DR0所对应的信号强度SDR0与信噪比SNRDR0
步骤6:如图4所示,LoRa服务器根据步骤5中解析出的信号强度SDR0与信噪比SNRDR0,分别计算出差值信号强度ΔSDR0=SDR0-Smin与差值信噪比ΔSNRDR0=SNRDR0-SNRmin。将SDR0、SNRDR0、ΔSDR0、ΔSNRDR0作为输入,送入该LoRa终端所对应的ELM预测模型,并由模型预测得出与之对应的最大发送速率DRELM。例如,ELM预测模型对于当前LoRa终端给出的最大发送速率为DRELM=DR2。随后,服务器将模型输出的最大发送速率DRELM=DR2向下传输至该LoRa终端;
步骤7:LoRa终端获取到来自服务器端的最大发送速率DRELM=DR2后,将当前发送速率修正为该最大发送速率DR2,并发送下一帧数据。随后,等待服务器端的指令;
步骤8:LoRa服务器继续从接收到的信号(指步骤7中LoRa终端以修正后的速率所发送的数据)中解析出信号强度SELM与信噪比SNRELM,并据此判断是否满最低通信要求:即SELM≥Smin且SNRELM≥SNRmin
若满足上述最低通信要求(即SELM≥Smin且SNRELM≥SNRmin),则服务器告知LoRa终端保持当前速率DRELM继续发送剩余数据,同时由服务器端将步骤6中与典型速率最小取值DR0所对应的信号强度SDR0、信噪比SNRDR0、差值信号强度ΔSDR0、差值信噪比ΔSNRDR0,以及步骤6中ELM模型给出的最大发送速率DRELM=DR2整理为标准样本格式(即[SDR0,SNRDR0,ΔSDR0,ΔSNRDR0;DRELM])后,存入与该LoRa终端所对应的训练样本集DBn(n∈{1,2,…,50});
若不满足上述最低通信要求(即SELM<Smin或SNRELM<SNRmin),则服务器告知LoRa终端将当前发送速率DRELM降低1级。LoRa终端降低发送速率后发送下一帧数据,服务器端继续解析信号并判断是否满足最低通信要求,若不满足则LoRa终端继续降低发送速率,直至满足最低通信要求。满足最低通信要求后,将步骤6中与典型速率最小取值DR0所对应的信号强度SDR0、信噪比SNRDR0、差值信号强度ΔSDR0、差值信噪比ΔSNRDR0,以及当前满足最低通信要求后LoRa终端的实际发送速率整理为标准样本格式,存入与该LoRa终端所对应的训练样本集DBn(n∈{1,2,…,50});
步骤9:服务器判断是否达到预设的模型更新周期TR(本实施例中,取TR=4小时),若未达到,则跳至步骤4,各LoRa终端继续以同样的方式向服务器进行数据发送;若已达到模型更新周期TR,则服务器对各LoRa终端的最大发送速率预测模型ELMn(n=1,2,…,50)分别进行重新训练,各模型训练的样本为各自训练样本集DBn(n=1,2,…,50)中最新的Nr组样本,其中,Nr为预定义的模型时间窗长度(本实施例中,取Nr=400。若样本集中样本数不足400,则使用全部样本完成训练)。各预测模型完成重新训练后,跳至步骤4,各LoRa终端继续以同样的方式向服务器进行数据发送。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。

Claims (4)

1.一种电力施工现场LoRa终端发送速率的自适应调节方法,其特征在于,包括以下步骤:
步骤1:设定满足最低通信要求的信号强度以及满足最低通信要求的信噪比,采集多个初始训练样本以构建初始训练样本集;
步骤2:引用极限学习机ELM构建ELM预测模型:将LoRa终端以典型速率最小取值发送数据时LoRa服务器接收到的信号强度、信噪比、以及计算出的差值信号强度、计算出的差值信噪比作为ELM预测模型的输入层节点,并将与之对应的LoRa终端发送速率最大值作为ELM预测模型的输出层节点;用步骤1中的初始训练样本集完成对该ELM预测模型的训练,得到训练后的ELM预测模型;
步骤3:LoRa服务器与多个LoRa终端依次连接,每个LoRa终端均引用极限学习机ELM通过步骤2建立每个LoRa终端对应的训练后的ELM预测模型;每个LoRa终端均采用步骤1中的初始训练样本集构建各自的训练样本集;
步骤4:LoRa终端在向LoRa服务器发送数据时,首先采用典型速率最小取值发送数据;
步骤5:LoRa服务器接收到LoRa终端发送来的数据后,解析出与典型速率最小取值所对应的信号强度与信噪比;
步骤6:LoRa服务器根据步骤5中解析出的信号强度与信噪比,分别计算出差值信号强度与差值信噪比;
将解析出的信号强度、解析出的信噪比、计算出的差值信号强度、计算出的差值信噪比作为输入,送入该LoRa终端所对应的训练后的ELM预测模型,并由训练后的ELM预测模型预测得出与之对应的最大发送速率;
服务器将训练后的ELM预测模型输出的最大发送速率向下传输至该LoRa终端;
步骤7:LoRa终端获取到来自服务器端的最大发送速率后,将当前发送速率修正为该最大发送速率并发送下一帧数据;等待LoRa服务器的指令;
步骤8:LoRa服务器从接收到的信号中继续解析出信号强度与信噪比,并据此判断是否满足最低通信要求:
若满足最低通信要求,则LoRa服务器告知LoRa终端保持当前速率继续发送剩余数据,同时由LoRa服务器将步骤6中与典型速率最小取值所对应的信号强度、信噪比、差值信号强度、差值信噪比,以及步骤6中训练后的ELM预测模型给出的最大发送速率整理为标准样本格式后,存入与该LoRa终端所对应的训练样本集;
若不满足最低通信要求,则LoRa服务器告知LoRa终端将当前发送速率降低1级;
LoRa终端降低发送速率后发送下一帧数据,服务器端继续解析信号并判断是否满足最低通信要求,若不满足则LoRa终端继续降低发送速率,直至满足最低通信要求;满足最低通信要求后,将步骤6中与典型速率最小取值DR0所对应的信号强度、信噪比、差值信号强度、差值信噪比,以及当前满足最低通信要求后LoRa终端的实际发送速率整理为标准样本格式,存入与该LoRa终端所对应的训练样本集;
步骤9:LoRa服务器判断是否达到预设的ELM预测模型更新周期,若未达到,则跳至步骤4,各LoRa终端继续以同样的方式向服务器进行数据发送;若已达到ELM预测模型更新周期,则服务器对各LoRa终端的ELM预测模型分别进行重新训练,各模型训练的样本为各自训练样本集中最新的Nr组样本;各ELM预测模型完成重新训练后,跳至步骤4;
步骤8所述接收到的信号指步骤7中LoRa终端以修正后的速率所发送的数据;
步骤8所述解析出的信号强度为SELM;解析出的信噪比为SNRELM
步骤8所述满足最低通信要求,具体指:SELM≥Smin且SNRELM≥SNRmin;其中,Smin为预设的满足最低通信要求的信号强度;SNRmin为预设的满足最低通信要求的信噪比;
步骤8所述与典型速率最小取值所对应的信号强度为SDR0;与典型速率最小取值所对应的信噪比为SNRDR0;差值信号强度为ΔSDR0;差值信噪比为ΔSNRDR0
步骤8所述训练后的ELM预测模型给出的最大发送速率为DRELM
步骤8所述标准样本格式为[SDR0,SNRDR0,ΔSDR0,ΔSNRDR0;DRELM];
步骤9所述ELM预测模型更新周期为TR
步骤9所述Nr为预定义的模型时间窗长度;
步骤9所述各LoRa终端的ELM预测模型为ELMn,n=1,2,…,N;
其中,N为LoRa终端的数量;
步骤9所述训练样本集为DBn,n=1,2,…,N。
2.根据权利要求1所述的电力施工现场LoRa终端发送速率的自适应调节方法,其特征在于,步骤1所述满足最低通信要求的信号强度为Smin
满足最低通信要求的信噪比为SNRmin
步骤1所述初始训练样本集由N0组初始训练样本构成;
所述每组初始训练样本的结构为:
[Si,SNRi,ΔSi,ΔSNRi;DRi]
i=1,2,…,N0,N0为初始训练样本集中所包含的初始训练样本数;
DRi∈{DR0,DR1,DR2,DR3,DR4,DR5},DRi为第i个初始训练样本中LoRa终端在满足最低通信要求前提下的最大发送速率;DR0、DR1、DR2、DR3、DR4、DR5为LoRa终端发送速率的典型取值,其中DR0为典型速率最小取值,DR5为典型速率最大取值;
其中,Si为第i组初始训练样本中,当LoRa终端以典型速率最小取值DR0发送数据时,LoRa服务器端接收信号的信号强度;SNRi为第i组初始训练样本中,当LoRa终端以典型速率最小取值DR0发送数据时,LoRa服务器端接收信号的信噪比;
ΔSi为第i组初始训练样本中,LoRa服务器端接收信号强度与满足最低通信要求的信号强度之间的差值,即ΔSi=Si-Smin
ΔSNRi为第i组初始训练样本中,LoRa服务器端接收信号的信噪比与满足最低通信要求的信噪比之间的差值,即ΔSNRi=SNRi-SNRmin
步骤1所述采集多个初始训练样本,具体如下:
步骤1.1:固定LoRa服务器位置,并将LoRa终端置于与LoRa服务器相距一定距离的位置处;
步骤1.2:LoRa终端以典型速率最小取值DR0为发送速率向服务器发送数据,并依次增加发送速率直至达到典型速率最大取值DR5;
步骤1.3:LoRa服务器不断解析LoRa终端在步骤1.2中各发送速率下接收信号的信号强度SDRd,以及信噪比SNRDRd,d=0,1,2,3,4,5;
此外,按如下规则判断出使SDRd≥Smin且SNRDRd≥SNRmin,d∈{0,1,...,5},LoRa终端发送速率所能达到的最大值DRmax
首先,判断是否满足SDR5≥Smin且SNRDR5≥SNRmin,若满足则取DRmax=DR5;
否则,判断是否满足SDR4≥Smin且SNRDR4≥SNRmin,若满足则取DRmax=DR4;
否则,判断是否满足SDR3≥Smin且SNRDR3≥SNRmin,若满足则取DRmax=DR3;
否则,判断是否满足SDR2≥Smin且SNRDR2≥SNRmin,若满足则取DRmax=DR2;
否则,判断是否满足SDR1≥Smin且SNRDR1≥SNRmin,若满足则取DRmax=DR1;
否则,取DRmax=DR0;
步骤1.4:根据步骤1.2中LoRa终端以典型速率最小取值DR0发送数据时服务器端接收信号的信号强度SDR0与信噪比SNRDR0,计算相应的差值信号强度ΔSDR0=SDR0-Smin以及差值信噪比ΔSNRDR0=SNRDR0-SNRmin
将SDR0、SNRDR0、ΔSDR0、ΔSNRDR0以及步骤1.3中得到的LoRa终端发送速率最大值DRmax,作为一组初始训练样本;
步骤1.5:随机移动LoRa终端位置,并重复上述步骤1.2至步骤1.4,直至采集到的初始训练样本数达到预设值N0
3.根据权利要求1所述的电力施工现场LoRa终端发送速率的自适应调节方法,其特征在于,步骤2所述典型速率最小取值为DR0;
步骤2所述LoRa终端以典型速率最小取值发送数据时服务器端接收到的信号强度为SDR0
LoRa终端以典型速率最小取值发送数据时服务器端接收到的信噪比为SNRDR0
步骤2所述计算出的差值信号强度为ΔSDR0=SDR0-Smin
其中,SDR0为LoRa终端以典型速率最小取值发送数据时服务器端接收到的信号强度;Smin为预设的满足最低通信要求的信号强度;
计算出的差值信噪比为ΔSNRDR0=SNRDR0-SNRmin
其中,SNRDR0为LoRa终端以典型速率最小取值发送数据时服务器端接收到的信噪比;SNRmin为预设的满足最低通信要求的信噪比;
步骤2所述的极限学习机ELM包含单个隐含层,隐含层节点数为Mh
4.根据权利要求1所述的电力施工现场LoRa终端发送速率的自适应调节方法,其特征在于,步骤3所述每个LoRa终端对应的训练后的ELM预测模型为ELMn
步骤3所述每个LoRa终端各自的训练样本集为DBn
其中,n=1,2,…,N,N为LoRa终端的数量;
步骤4所述典型速率最小取值为DR0;
步骤5所述与典型速率最小取值所对应的信号强度为SDR0
与典型速率最小取值所对应的信噪比为SNRDR0
步骤6所述解析出的信号强度为SDR0;解析出的信噪比为SNRDR0
步骤6所述计算出差值信号强度与差值信噪比分别为:
ΔSDR0=SDR0-Smin、ΔSNRDR0=SNRDR0-SNRmin
其中,ΔSDR0为计算出的差值信号强度;ΔSNRDR0为计算出的差值信噪比;
步骤6所述模型预测得出与之对应的最大发送速率为DRELM
步骤7所述来自服务器端的最大发送速率为DRELM
CN202111148058.7A 2021-09-29 2021-09-29 一种电力施工现场LoRa终端发送速率的自适应调节方法 Active CN113891338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111148058.7A CN113891338B (zh) 2021-09-29 2021-09-29 一种电力施工现场LoRa终端发送速率的自适应调节方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111148058.7A CN113891338B (zh) 2021-09-29 2021-09-29 一种电力施工现场LoRa终端发送速率的自适应调节方法

Publications (2)

Publication Number Publication Date
CN113891338A CN113891338A (zh) 2022-01-04
CN113891338B true CN113891338B (zh) 2023-08-29

Family

ID=79007696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111148058.7A Active CN113891338B (zh) 2021-09-29 2021-09-29 一种电力施工现场LoRa终端发送速率的自适应调节方法

Country Status (1)

Country Link
CN (1) CN113891338B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108199892A (zh) * 2018-01-12 2018-06-22 电子科技大学 基于神经网络的LoRa终端最大发送速率动态预测方法
CN108540965A (zh) * 2018-03-01 2018-09-14 北京中油瑞飞信息技术有限责任公司 基于LoRa技术的物联网通信方法、装置及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109754105B (zh) * 2017-11-07 2024-01-05 华为技术有限公司 一种预测方法及终端、服务器

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108199892A (zh) * 2018-01-12 2018-06-22 电子科技大学 基于神经网络的LoRa终端最大发送速率动态预测方法
CN108540965A (zh) * 2018-03-01 2018-09-14 北京中油瑞飞信息技术有限责任公司 基于LoRa技术的物联网通信方法、装置及存储介质

Also Published As

Publication number Publication date
CN113891338A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN110958680B (zh) 面向能量效率的无人机群多智能体深度强化学习优化方法
CN113537514B (zh) 一种高能效的基于数字孪生的联邦学习框架
CN113473480B (zh) 面向蜂窝网络的改进式强化学习网络覆盖优化方法
CN112422171A (zh) 环境不确定遥感卫星网络下的智能资源联合调度方法
CN112311706A (zh) 基于贝叶斯神经网络信道预测的频分双工下行传输方法
CN113891338B (zh) 一种电力施工现场LoRa终端发送速率的自适应调节方法
Zhang et al. Sensing and communication tradeoff design for AoI minimization in a cellular internet of UAVs
CN115551065A (zh) 一种基于多智能体深度强化学习的车联网资源分配方法
CN113765567B (zh) 基于深度学习的大规模mimo收发联合波束成形方法
CN114521023A (zh) Swipt辅助noma-mec系统资源分配建模方法
CN106921985A (zh) 一种超密集网络的自组织优化方法及装置
CN115361734B (zh) 基于信息时效性的功率和irs相移联合优化方法及装置
CN116193607A (zh) 基于信息年龄的电力物联网周期性业务数据资源调度方法
CN110753367A (zh) 移动通信系统的安全性能预测方法
CN113595609B (zh) 一种基于强化学习的蜂窝移动通信系统协作式信号发送方法
CN113115355B (zh) 一种d2d系统中基于深度强化学习的功率分配方法
CN113939002A (zh) 一种用于保障无线射频通信中能量正常供应的无线射频能量智能传输系统
CN116321005A (zh) 一种基于强化学习的分布式物联网系统无线传输方法
CN113645644B (zh) 一种反向散射辅助无线供能通信系统吞吐量优化方法
CN114205053B (zh) 卫星通信系统强化学习自适应编码调制方法、系统及装置
CN114286357B (zh) 面向变电站覆盖增强的无线传感网系统及其中继选择方法
CN116865798B (zh) 高速铁路去蜂窝大规模mimo系统的智能超表面相移方法
CN113067645B (zh) 一种规则与案例结合的低复杂度水声通信功率设定方法
CN112347658B (zh) 一种低轨卫星通信系统馈电链路的可靠性设计方法及系统
CN117014087A (zh) 一种基于无线携能通信的空中联邦学习智能资源分配方法

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