基于物联网的电网信息传输方法及系统与流程

本申请涉及电网信息传输，具体涉及基于物联网的电网信息传输方法及系统。

背景技术：

1、随着物联网技术的快速发展，电力系统与物联网的结合愈加紧密。在智能电网中引入物联网技术可以通过安装在智能电网设备和线路上的温度、湿度、震动等一系列传感器采集电网信息，通过物-物相连的方式传输到监控中心，实时监测智能电网的运行情况，并在电网故障时进行及时响应，保证电力系统的安全运行。

2、电力线载波通信是利用电力线实现数据传递和信息交换的一种通信方式，其与ofdm通信系统相结合，实现基于物联网的电网信息传输，而信道估计作为电力线载波通信的重要环节，其性能的好坏直接影响整个通信系统的可靠性与有效性。目前，传统的盲信道估计算法无法适应电力线载波通信信道的时变特性以及信道中脉冲噪声的干扰，获得的信道估计性能较差，降低了电网信息传输的可靠性。

技术实现思路

1、为了解决上述技术问题，本申请的目的在于提供基于物联网的电网信息传输方法及系统，所采用的技术方案具体如下：

2、第一方面，本申请实施例提供了基于物联网的电网信息传输方法，该方法包括以下步骤：

3、获取物联网的所有电网信息，采用模数转换和星座图映射将电网信息转换为多个符号，采用正交频分复用技术将传输信道划分为多个子载波，将符号经子载波传输并在其接收端得到的符号，记为数据符号，基于各子载波接收的所有数据符号，对神经网络训练，获取各子载波接收每个数据符号时神经网络中各神经元的优化权值和优化学习率，所述训练的过程如下：

4、各子载波对应一个神经网络，各子载波每接收一个数据符号，其神经网络进行一次训练，一个预设训练时段对应一个数据符号，在各训练时段内，所有神经元的初始权值和初始学习率分别为前一训练时段结束时刻的优化权值和优化学习率，根据各神经元的初始权值及其与数据符号的距离，确定每个训练时段内各神经元的竞争距离，并基于所述竞争距离获得每个训练时段内的获胜和非获胜神经元；

5、在每个训练时段内，将各神经元的初始学习率作为数据符号与其共轭差异的加权值，并将加权结果与对应神经元的初始权值融合，得到各神经网络每个训练时段内各神经元的优化权值；

6、基于每个训练时段内的数据符号及获胜神经元的优化权值，确定各子载波接收每个数据符号时的信道干扰度，并结合所述初始学习率，确定各神经网络每个训练时段内获胜神经元的优化学习率；基于每个训练时段内所有神经元的竞争距离及各非获胜神经元的初始学习率，确定各神经网络每个训练时段内各非获胜神经元的优化学习率；

7、基于每个训练时段内所有神经元的优化权值，确定各子载波接收每个数据符号时的信道增益估计值，对电网信息进行传输。

8、优选的，所述每个训练时段内各神经元的竞争距离为每个训练时段内各神经元的初始权值的模值与所述距离的乘积。

9、优选的，所述各神经网络每个训练时段内的获胜和非获胜神经元的确定方法为：

10、将各神经网络每个时段内竞争距离最小的神经元，作为获胜神经元，其余神经元为非获胜神经元。

11、优选的，所述各神经网络每个训练时段内各神经元的优化权值的表达式为：

12、；式中，表示神经网络w第k个训练时段内神经元n的优化权值；表示神经网络w第k个训练时段内神经元n的初始权值；表示神经网络w第k个训练时段内获胜神经元的初始学习率；表示神经网络w第k个训练时段内非获胜神经元z的初始学习率；、分别表示神经网络w第k个训练时段内的数据符号和数据符号的共轭。

13、优选的，所述各子载波接收每个数据符号时的信道干扰度为各子载波接收的每个数据符号与其所在训练时段内获胜神经元的优化权值的比值取模值。

14、优选的，所述各神经网络每个训练时段内获胜神经元的优化学习率为各神经网络每个训练时段内获胜神经元的初始学习率与数据符号的信道干扰度的乘积。

15、优选的，所述各神经网络每个训练时段内各非获胜神经元的优化学习率的确定方法为：

16、分析各神经网络每个训练时段内各非获胜神经元的竞争距离与获胜神经元的竞争距离的比值，各神经网络每个训练时段内各非获胜神经元的优化学习率为各神经网络每个训练时段内各非获胜神经元的初始学习率与所述比值的乘积。

17、优选的，所述各子载波接收每个数据符号时的信道增益估计值的表达式为：；式中，表示第s个子载波接收数据符号m时的信道增益估计值；表示第s个子载波接收的数据符号m所在训练时段内神经元n的优化权值；j表示虚数单位；表示第s个子载波的神经网络中所有神经元的数量。

18、优选的，所述对电网信息进行传输，包括：

19、第s个子载波接收的数据符号m的均衡值的表达式为：；式中，表示第s个子载波接收的数据符号m；

20、对所有子载波接收的每个数据符号的均衡值进行解调，得到数字信号，并将所有数字信号通过数模转换，得到传输后的电网信息。

21、第二方面，本申请实施例还提供了基于物联网的电网信息传输系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述基于物联网的电网信息传输方法的步骤。

22、本申请至少具有如下有益效果：

23、本申请通过分析各子载波的神经网络的每个训练时段内所有神经元的初始权值和初始学习率分别为前一训练时段结束时刻的优化权值和优化学习率，根据各神经元的初始权值及其与数据符号的距离，确定每个训练时段内各神经元的竞争距离，其有益效果在于，其有益效果在于通过调整神经元权值序列内不同权值在计算神经元竞争距离时的作用，减少脉冲噪声对后续信道估计产生的影响，避免误码率增大；并基于所述竞争距离获得每个训练时段内的获胜和非获胜神经元；基于每个训练时段内的数据符号、各神经元的初始权值及初始学习率，确定各神经网络每个训练时段内各神经元的优化权值和优化学习率，其有益效果在于通过对较短时间内信道干扰度变化的累计，判断下一个数据符号传输时受噪声影响的程度，提高对神经元学习率计算的准确性以及神经网络内不同神经元对信道变化的适应能力；本申请基于每个训练时段内所有神经元的优化权值，确定各子载波接收每个数据符号时的信道增益估计值，并基于信道增益估计值对数据符号进行均衡，对均衡后的数据符号进行解调，得到传输后的电网信息，其有益效果在于提高了数据传输的可靠性。本申请采用自组织竞争神经网络的盲信道估计方法，分别对不同子载波进行信道估计，提高神经网络对信道估计的准确性，提高了电网信息传输的可靠性。

技术特征：

1.基于物联网的电网信息传输方法，其特征在于，该方法包括以下步骤：

2.如权利要求1所述的基于物联网的电网信息传输方法，其特征在于，所述每个训练时段内各神经元的竞争距离为每个训练时段内各神经元的初始权值的模值与所述距离的乘积。

3.如权利要求1所述的基于物联网的电网信息传输方法，其特征在于，所述各神经网络每个训练时段内的获胜和非获胜神经元的确定方法为：

4.如权利要求1所述的基于物联网的电网信息传输方法，其特征在于，所述各神经网络每个训练时段内各神经元的优化权值的表达式为：

5.如权利要求1所述的基于物联网的电网信息传输方法，其特征在于，所述各子载波接收每个数据符号时的信道干扰度为各子载波接收的每个数据符号与其所在训练时段内获胜神经元的优化权值的比值取模值。

6.如权利要求1所述的基于物联网的电网信息传输方法，其特征在于，所述各神经网络每个训练时段内获胜神经元的优化学习率为各神经网络每个训练时段内获胜神经元的初始学习率与数据符号的信道干扰度的乘积。

7.如权利要求1所述的基于物联网的电网信息传输方法，其特征在于，所述各神经网络每个训练时段内各非获胜神经元的优化学习率的确定方法为：

8.如权利要求1所述的基于物联网的电网信息传输方法，其特征在于，所述各子载波接收每个数据符号时的信道增益估计值的表达式为：；式中，表示第s个子载波接收数据符号m时的信道增益估计值；表示第s个子载波接收的数据符号m所在训练时段内神经元n的优化权值；j表示虚数单位；表示第s个子载波的神经网络中所有神经元的数量。

9.如权利要求8所述的基于物联网的电网信息传输方法，其特征在于，所述对电网信息进行传输，包括：

10.基于物联网的电网信息传输系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述基于物联网的电网信息传输方法的步骤。

技术总结本申请涉及电网信息传输技术领域，具体涉及基于物联网的电网信息传输方法及系统，该方法包括：确定各神经网络每个训练时段内各神经元的优化权值；基于每个训练时段内的数据符号及获胜神经元的优化权值，确定各子载波接收每个数据符号时的信道干扰度，并结合所述初始学习率，确定各神经网络每个训练时段内获胜神经元的优化学习率和所有非获胜神经元的优化学习率；确定各子载波接收每个数据符号时的信道增益估计值，对电网信息进行传输。本申请采用自组织竞争神经网络的盲信道估计方法，分别对不同子载波进行信道估计，提高电网信息传输的可靠性。技术研发人员：黄梅受保护的技术使用者：辽宁省全无信息技术有限公司技术研发日：技术公布日：2024/11/18