一种电力线载波信道的分层建模方法和装置

技术领域

本发明涉及电力线载波通信领域，尤其涉及一种电力线载波信道的分层建模方法和装置。

背景技术

电力线载波通信是低压配电网的一种重要通信技术，其通过输电线路作为信息传输介质，具有覆盖范围广、通信成本低等又是。然而，随着高比例新能源的接入，配电网的通信环境、网络的拓扑结构日渐复杂，并且其负载特性也越来越难以分析，导致电力线载波信道模型构建困难，与实际的信道特性差异较大。

现有的电力线载波信道建模方法时基于参数匹配法，或通过传输线理论建立电力线载波信道模型，其需要对通信环境和网络拓扑信息作出假设，但是这种方法构建的模型计算量大，且只适用于网络拓扑相对固定的电力线载波信道。此外，该方法是直接构造整个网络的通信模型，拟合空间大，模型的精度低，容易持续与高比例新能源接入的实际电力线载波通信适配性不足的问题，难以支持配电网数据的实时可靠传输。因此，亟需一种面向高比例新能源接入的电力线载波信道分层建模方法。

发明内容

本发明提供了一种电力线载波信道的分层建模方法和装置，以解决如何提高针对高比例新能源接入的实际电力线载波通信适配性不足的技术问题。

为了解决上述技术问题，本发明实施例提供了一种电力线载波信道的分层建模方法，包括：

采集多种终端的接入特征和拓扑变化规律；

根据所述接入特征和拓扑变化规律，计算所述终端对应的电力线载波信道的评价函数；

基于所述评价函数和所述评价函数的经验值，将所述电力线载波信道划分为若干层；

针对每一层电力线载波信道，分别通过预先训练好的共享神经网络进行建模，并通过共享权重实现电力线载波信道参数的层间共享；其中，建模的结果用于配电网数据的传输。

作为优选方案，所述接入特征包括终端所在电力线载波信道的电压、电流、阻抗特性和运行状态；所述拓扑变化规律包括拓扑变化频率和电力线分支数。

作为优选方案，所述根据所述接入特征和拓扑变化规律，计算所述终端对应的电力线载波信道的评价函数，具体为：

根据下式计算所述评价函数θ：

/>

其中，V为终端所在电力线载波信道的电压，I为终端所在电力线载波信道的电流，L为电力线分支，Z

作为优选方案，所述基于所述评价函数和所述评价函数的经验值，将所述电力线载波信道划分为若干层，具体为：

根据历史数据计算所述评价函数的经验值，进而计算得到所述经验值的最小值和最大值；其中，所述历史数据包括所述接入特征的历史数据和所述拓扑变化规律的历史数据；

根据所述最小值和最大值，确定每一层电力线载波信道的阈值；

根据所述评价函数和所述阈值，并按照预设的间隔，将所述电力线载波信道划分为若干层。

作为优选方案，所述共享神经网络的训练方法包括：

定义第k层电力线载波信道的基础神经网络包括输入层、隐含层和输出层，且所述基础神经网络的权重矩阵为

以电力线载波信道参数的预测误差和均方误差最小作为目标函数，对所述基础神经网络进行训练，并在训练过程中共享权重，获得所述训练好的共享神经网络。

相应的，本发明实施例还提供了一种电力线载波信道的分层建模装置，包括采集模块、计算模块、分层模块和建模模块；其中，

所述采集模块，用于采集多种终端的接入特征和拓扑变化规律；

所述计算模块，用于根据所述接入特征和拓扑变化规律，计算所述终端对应的电力线载波信道的评价函数；

所述分层模块，用于基于所述评价函数和所述评价函数的经验值，将所述电力线载波信道划分为若干层；

所述建模模块，用于针对每一层电力线载波信道，分别通过预先训练好的共享神经网络进行建模，并通过共享权重实现电力线载波信道参数的层间共享；其中，建模的结果用于配电网数据的传输。

作为优选方案，所述接入特征包括终端所在电力线载波信道的电压、电流、阻抗特性和运行状态；所述拓扑变化规律包括拓扑变化频率和电力线分支数。

作为优选方案，所述计算模块根据所述接入特征和拓扑变化规律，计算所述终端对应的电力线载波信道的评价函数，具体为：

所述计算模块根据下式计算所述评价函数θ：

其中，V为终端所在电力线载波信道的电压，I为终端所在电力线载波信道的电流，L为电力线分支，Z

作为优选方案，所述分层模块基于所述评价函数和所述评价函数的经验值，将所述电力线载波信道划分为若干层，具体为：

所述分层模块根据历史数据计算所述评价函数的经验值，进而计算得到所述经验值的最小值和最大值；其中，所述历史数据包括所述接入特征的历史数据和所述拓扑变化规律的历史数据；

根据所述最小值和最大值，确定每一层电力线载波信道的阈值；

根据所述评价函数和所述阈值，并按照预设的间隔，将所述电力线载波信道划分为若干层。

作为优选方案，所述分层建模装置还包括训练模块，所述训练模块用于：

定义第k层电力线载波信道的基础神经网络包括输入层、隐含层和输出层，且所述基础神经网络的权重矩阵为

以电力线载波信道参数的预测误差和均方误差最小作为目标函数，对所述基础神经网络进行训练，并在训练过程中共享权重，获得所述训练好的共享神经网络。

相比于现有技术，本发明实施例具有如下有益效果：

本发明实施例提供了一种电力线载波信道的分层建模方法和装置，所述分层建模方法包括：采集多种终端的接入特征和拓扑变化规律；根据所述接入特征和拓扑变化规律，计算所述终端对应的电力线载波信道的评价函数；基于所述评价函数和所述评价函数的经验值，将所述电力线载波信道划分为若干层；针对每一层电力线载波信道，分别通过预先训练好的共享神经网络进行建模，并通过共享权重实现电力线载波信道参数的层间共享；其中，建模的结果用于配电网数据的传输。相比于现有技术，通过接入特征和拓扑变化规律计算评价函数，进而基于评价函数进行分层并建模，即把具有相似属性的电力线载波信道划分到同一层，可以有效提高与高比例新能源接入的实际电力线载波通信的适配性，构建的模型拟合空间大，模型精度高，可以有效支持配电网数据的实时可靠传输。

进一步地，基于差异化层间共享神经网络进行建模，并用于配电网的传输，实现各层电力线载波信道参数的层间共享，相比现有技术可以有效加快模型的收敛速度，提高信道模型精度。

附图说明

图1：为本发明提供的电力线载波信道的分层建模方法的一种实施例的流程示意图。

图2：为本发明提供的电力线载波信道的分层建模装置的一种实施例的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

实施例一:

请参照图1，图1为本发明实施例提供的一种电力线载波信道的分层建模方法，包括步骤S1至步骤S4，其中，

步骤S1，采集多种终端的接入特征和拓扑变化规律。

在本实施例中，主要采集高比例新能源电力终端的接入特征和拓扑变化规律等相关数据。其中，高比例新能源接入特征可以通过包括但不限于终端所在电力线载波信道的电压、电力、负载阻抗特性、运行状态(包括并网运行状态和离网运行状态)等进行描述。所述拓扑变化规律包括但不限于电力线分指数和拓扑变化规律等等。

步骤S2，根据所述接入特征和拓扑变化规律，计算所述终端对应的电力线载波信道的评价函数。

作为一种优选实施方式，具体为：根据下式计算所述评价函数θ：

其中，V为终端所在电力线载波信道的电压，I为终端所在电力线载波信道的电流，L为电力线分支，Z

其中，所述运行状态S

步骤S3，基于所述评价函数和所述评价函数的经验值，将所述电力线载波信道划分为若干层。

在本实施例中，可以大量采集电力线载波信道的电压、电流、负载阻抗特性、运行状态等高比例新能源接入特征的经验信息/历史数据，以及电力线分支数、拓扑变化规律等拓扑变化规律的经验信息/历史数据。

进而，根据所述历史数据计算所述评价函数的经验值，并进一步计算得到经验值的最小值θ

然后，根据所述最小值和最大值，确定每一层电力线载波信道的阈值。其中，对于第k层的电力线载波信道(共K层)，其阈值θ

并且，所述预设的间隔可以优选为(θ

进一步地，根据所述评价函数和所述阈值，并按照预设的间隔，将所述电力线载波信道划分为若干层，对于评价函数为θ的电力线载波信道，将其划分到第F

可以理解，对于电压电流较低小、阻抗较小、离网运行、分支数少、拓扑变化频率慢的电力线载信道，由于具有相似的属性，其信道模型相对简单，会被划分到k较小的层数，反之，电压电流较大、阻抗较小、并网运行、分支数多、拓扑变化频率快的电力线载信道，其信道模型复杂，会被划分到k较大的层数。

步骤S4，针对每一层电力线载波信道，分别通过预先训练好的共享神经网络对应进行建模，并通过共享权重实现电力线载波信道参数的层间共享；其中，建模的结果用于配电网数据的传输。

在本实施例中，所述共享神经网络的训练方法包括：

定义适配第k层电力线载波信道的基础神经网络，其包含输入层、隐含层和输出层三层网络。并且，所述基础神经网络的权重矩阵为

同时，定义适配第k层电力线载波信道的基础神经网络共需要训练T次，其输入向量为x

作为进一步优选方案，所述输入向量由两部分组成，第一部分具体为第k层电力线载波信道的电力线长度、电力线分支数、分支长度、负载阻抗特性、电力线类型、电力线噪声强度等指标构成的训练数据样本；第二部分为除第k层以外的电力线载波信道(模型)参数y

进一步地，以电力线载波信道参数的预测误差和均方误差最小作为第k层电力线载波信道的目标函数，其可以表示为：

其中，

考虑到各层电力线载波信道之间存在的多径耦合，因此作为进一步优选实施方式，将第k层电力线载波信道的模型参数y

其中，χ

然后基于上述的方式对基础神经网络重复进行迭代优化，训练各层电力线载波信道的模型参数y

在本实施例中，所述训练好的共享神经网络可以用于各层电力线载波模型参数的预测，为配电网数据的实施可靠传输提供依据。

相应的，参照图2，本发明实施例还提供了一种电力线载波信道的分层建模装置，包括采集模块101、计算模块102、分层模块103和建模模块104；其中，

所述采集模块101，用于采集多种终端的接入特征和拓扑变化规律；

所述计算模块102，用于根据所述接入特征和拓扑变化规律，计算所述终端对应的电力线载波信道的评价函数；

所述分层模块103，用于基于所述评价函数和所述评价函数的经验值，将所述电力线载波信道划分为若干层；

所述建模模块104，用于针对每一层电力线载波信道，分别通过预先训练好的共享神经网络进行建模，并通过共享权重实现电力线载波信道参数的层间共享；其中，建模的结果用于配电网数据的传输。

作为一种优选实施方式，所述接入特征包括终端所在电力线载波信道的电压、电流、阻抗特性和运行状态；所述拓扑变化规律包括拓扑变化频率和电力线分支数。

作为一种优选实施方式，所述计算模块102根据所述接入特征和拓扑变化规律，计算所述终端对应的电力线载波信道的评价函数，具体为：

所述计算模块102根据下式计算所述评价函数θ：

其中，V为终端所在电力线载波信道的电压，I为终端所在电力线载波信道的电流，L为电力线分支，Z

作为一种优选实施方式，所述分层模块103基于所述评价函数和所述评价函数的经验值，将所述电力线载波信道划分为若干层，具体为：

所述分层模块103根据历史数据计算所述评价函数的经验值，进而计算得到所述经验值的最小值和最大值；其中，所述历史数据包括所述接入特征的历史数据和所述拓扑变化规律的历史数据；

根据所述最小值和最大值，确定每一层电力线载波信道的阈值；

根据所述评价函数和所述阈值，并按照预设的间隔，将所述电力线载波信道划分为若干层。

作为优选方案，所述分层建模装置还包括训练模块，所述训练模块用于：

定义第k层电力线载波信道的基础神经网络包括输入层、隐含层和输出层，且所述基础神经网络的权重矩阵为

以电力线载波信道参数的预测误差和均方误差最小作为目标函数，对所述基础神经网络进行训练，并在训练过程中共享权重，获得所述训练好的共享神经网络。

相比于现有技术，本发明实施例具有如下有益效果：

本发明实施例提供了一种电力线载波信道的分层建模方法和装置，所述分层建模方法包括：采集多种终端的接入特征和拓扑变化规律；根据所述接入特征和拓扑变化规律，计算所述终端对应的电力线载波信道的评价函数；基于所述评价函数和所述评价函数的经验值，将所述电力线载波信道划分为若干层；针对每一层电力线载波信道，分别通过预先训练好的共享神经网络进行建模，并通过共享权重实现电力线载波信道参数的层间共享；其中，建模的结果用于配电网数据的传输。相比于现有技术，通过接入特征和拓扑变化规律计算评价函数，进而基于评价函数进行分层并建模，即把具有相似属性的电力线载波信道划分到同一层，可以有效提高与高比例新能源接入的实际电力线载波通信的适配性，构建的模型拟合空间大，模型精度高，可以有效支持配电网数据的实时可靠传输。

进一步地，基于差异化层间共享神经网络进行建模，并用于配电网的传输，实现各层电力线载波信道参数的层间共享，相比现有技术可以有效加快模型的收敛速度，提高信道模型精度。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。