[发明专利]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

说明书

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。

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。