一种多源异构噪声治理方法及其装置与流程

本发明涉及多源异构噪声领域，尤其是一种多源异构噪声治理方法及其装置。

背景技术：

1、随着科技的发展，电力线通信已然成为科技技术中必不可少的一项重要发展技术。而电力线通信是指利用电力网传输数据、语音以及图像等多种信息的通信方式，具有广覆盖、低成本等优点，是变压器低压供电区域的一种重要通信技术。然而，科技的发展带动了新型电力系统的发展浪潮，也出现了许多科技进步中不可避免的挑战：大规模电力电子设备接入变压器低压供电区域导致电力线通信环境复杂，电子设备的装置规格不同、采样频率不同而导致电力线通信受到多种电力噪声干扰。目前在现有电力线噪声治理技术中，难以有效滤除多源异构噪声。

2、现有的电力线载波多源异构噪声测试方式往往基于信息或者能量等单一方面对多源噪声分类，且没有对噪声的危害程度进行量化，导致对噪声类别的研判时准确性差，无法对噪声做出准确的治理，使得电力线通信性能没有保障。

技术实现思路

1、本发明提供一种多源异构噪声治理方法及其装置，能完成多源噪声协同治理的自主决策，对噪声做出准确的噪声治理，保障电力线通信性能。

2、为了解决上述技术问题，本发明提供了一种多源异构噪声治理方法，包括：

3、获取电力系统中的电力线信号，并对所述电力线信号进行噪声分离，获得第一噪声和噪声分离后的第一电力线信号；

4、根据所述第一电力线信号的信噪比、预设的电力业务价值参数、预设的链路重要性参数、噪声可滤除性参数和第一噪声特征，对所述电力线信号进行危害评估，获得危害评估结果；其中，所述噪声可滤除性参数和所述第一噪声特征是根据所述第一噪声而分析获得；

5、根据预设的稀疏变换矩阵，对所述第一噪声特征进行噪声系数空间映射，获得噪声特征稀疏向量；

6、将所述噪声特征稀疏向量与已有噪声特征稀疏向量进行稀疏逼近，确定所述第一噪声的噪声类型；

7、将所述噪声特征稀疏向量、所述危害评估结果和所述噪声类型输入到预设的自主决策分析映射网络中，调节输入神经元与输出神经元之间的权值向量，以获得自主决策分析结果；其中，所述自主决策分析结果包括根据治理优先级而排序的若干个噪声治理方法；

8、根据所述第一噪声类型所对应的历史治理数据，优化所述自主决策分析结果，生成第一噪声治理方案；

9、将第一噪声治理方案发送至噪声治理系统，以使所述噪声治理系统根据所述第一噪声治理方案对电力线进行控制调整。

10、本发明通过提出一种多源异构噪声治理方法，将输入噪声分离成第一噪声和噪声分离后的第一电力线信号，分析噪声特征，并对电力线信号进行噪声危害评估，与危害阈值比较以判断危害等级，并将噪声特征输入噪声系数空间进行映射，获得噪声稀疏特征向量，与已有噪声特征稀疏向量进行稀疏逼近以确定噪声类型；对不同噪声危害等级、类别与噪声协同治理自主决策模块中存储的参数等进行训练，以获得初步治理结果，再根据存在的不确定性因素进行进一步调整治理，获得最终治理方案，将治理方案发送至噪声治理系统并做出对应的噪声治理。本发明通过以上方法实现了基于噪声信息分析评估和历史治理做出协同治理自主决策，使噪声治理系统根据协同治理自主决策做出对应的噪声治理，保障电力线通信性能。

11、作为优选例子，所述根据所述第一电力线信号的信噪比、预设的电力业务价值参数、预设的链路重要性参数、噪声可滤除性参数和第一噪声特征，对所述电力线信号进行危害评估，获得危害评估结果，具体为：

12、对所述第一电力线信号的信噪比、预设的电力业务价值参数、预设的链路重要性参数、噪声可滤除性参数和第一噪声特征代入危害评估计算公式，计算所述第一电力线信号的噪声危害评分；

13、当所述噪声危害评分小于预设的第一阈值时，判定危害评估结果为低危害等级；当所述噪声危害评分大于等于预设的第一阈值且小于预设的第二阈值时，判定危害评估结果为中危害等级；当所述噪声危害评分大于等于预设的第二阈值时，判定危害评估结果为高危害等级。

14、本优选例子通过对所述电力线信号进行危害评估，并设置判定阈值，将所述电力信号的噪声分为低危害、中危害和高危害三个等级，根据噪声的不同特征分析噪声可滤除性。将以上所得特征与噪声的功率谱、能量谱等特征进行危害评分，可得到该噪声所处电力业务特征以及该噪声所在电力线链路重要性越高、电力线信号信噪比越小、噪声的功率和能量越高、噪声可滤除性越差，噪声对于电力线信号的危害越高，噪声危害越严重的结果；并根据两个预设值将噪声危害等级划分为三个等级，以便后续对噪声的判断研究进行进一步划分。

15、作为优选例子，所述危害评估计算公式如下：

16、

17、其中，p(w)为噪声的功率谱密度的权重参数，e(w)为能量谱密度的权重参数；snr为电力线信号信噪比；v为电力线信号承载的电力业务价值参数；i为链路重要性参数；f为噪声可滤除性参数，f∈[0,1]，f＝1表示噪声可以被完全滤除，f＝0表示噪声无法滤除；α为链路信噪比的权重，β为电力业务价值参数的权重，γ为链路重要性参数的权重，λ为噪声的功率谱密度的权重，μ为能量谱密度的权重。

18、本优选例子通过设置危害评估计算公式，展现电力线信号上，电力业务价值以及当前电力线链路重要性越高、电力线信号信噪比越小、噪声的功率和能量越高、噪声可滤除性越差，噪声对于电力线信号的危害越高，噪声危害越严重。

19、作为优选例子，所述根据预设的稀疏变换矩阵，对所述第一噪声特征进行噪声系数空间映射，获得噪声特征稀疏向量，具体为：

20、将所述噪声特征存储在已知矩阵中，将矩阵映射到对应的噪声系数空间，通过稀疏映射公式求解，以得到所述噪声特征对应的噪声特征稀疏向量。

21、本优选例子通过将噪声特征存储在稀疏变换逼近模块的矩阵c中，并将矩阵c映射到对应的噪声系数空间得到每个噪声特征对应的稀疏向量表示，以便于将每个噪声特征对应的稀疏向量与噪声字典模块中已有的噪声样本进行逼近判断。

22、作为优选例子，所述稀疏映射公式具体为：

23、

24、其中，c为已知矩阵，a为系数矩阵，n为基于分析后的噪声特征数量，an为第一噪声noiin的第n个噪声特征的系数，x为输入噪声noiin的总特征值，xn为第一噪声noiin的第n个噪声特征的稀疏向量。

25、本优选例子通过设置稀疏映射公式，将噪声特征进行映射出噪声特征稀疏向量，以便于将每个噪声特征对应的稀疏向量与噪声字典模块中已有的噪声样本进行逼近判断。

26、作为优选例子，所述将所述噪声特征稀疏向量与已有噪声特征稀疏向量进行稀疏逼近，确定所述第一噪声的噪声类型，具体为：

27、从预设矩阵中获取各噪声类型各自对应的已有噪声特征稀疏向量；其中，所述预设矩阵内设置有若干种噪声特征向量；

28、通过稀疏逼近公式，分别求解所述噪声特征稀疏向量与每个已有噪声特征稀疏向量之间的稀疏逼近结果；

29、将稀疏逼近结果最小的噪声类型作为所述第一噪声的噪声类型。

30、本优选例子通过将每个噪声特征对应的稀疏向量与噪声字典模块中已有的噪声样本进行逼近判断，若得出的逼近结果越小则表明该噪声与样本噪声越逼近，并设定一个预设值，将噪声判断划分为两个等级，当逼近结果低于该预设值则可以判断该噪声与样本噪声为同一类型；对未知的噪声进行类型判断以便后续对噪声做出自主决策。

31、作为优选例子，本发明还包括所述稀疏逼近公式具体为：

32、

33、其中，ωin,sam为所述噪声特征稀疏向量与已有噪声特征稀疏向量之间的稀疏逼近结果，yn为已有噪声noisam的第n个噪声特征向量，t为已有噪声的基地矩阵，||g||为二范数，||g||2为均方误差。

34、本优选例子通过稀疏逼近公式将每个噪声特征对应的稀疏向量与噪声字典模块中已有的噪声样本进行逼近判断，若逼近结果ωin,sam小于稀疏阈值ωmin时，即判定当前输入噪声noiin的噪声特征与噪声样本noisam的噪声特征相同类型，即可确定noiin与noisam为同类型噪声。

35、作为优选例子，所述调节输入神经元与输出神经元之间的权值向量，以获得自主决策分析结果，具体为：

36、将输入向量与权值向量之间最大的输出神经元定义为获胜神经元，将输入向量与权值向量之间其他的输出神经元定义为其他神经元；

37、调整获胜神经元与其他神经元之间的领域函数，以调节输入神经元与输出神经元之间的权值向量，使得输入向量与权值向量之间的距离逐渐收敛；

38、将输入向量与权值向量之间的距离最小的输出神经元所对应的治理结果，作为所述自主决策分析结果。

39、本优选例子通过调整获胜神经元与其他神经元的邻域函数来实现权值向量的更新，通过反复的调整使得每次领域函数都在逐渐变小，也使得对于该噪声的自主决策结果逐渐趋于稳定，即使得该噪声的治理方案趋近于该自主决策结果。

40、作为优选例子，所述自主决策分析结果包括治理方式集合；

41、所述治理方式集合包括：提高信号发射功率、切换抗干扰编码机制、切换传输路径和分级拷贝多路传输四种治理方式，并以上述治理优先级顺序定义为集合me＝{m1,...,ml,...,ml}，其中l＝4。

42、本优选例子通过设置提高信号发射功率、切换抗干扰编码机制、切换传输路径和分级拷贝多路传输四种治理方式作为治理方式集合包，且上述顺序定义集合，其中上述顺序为根据治理方法的效果显著程度从小到大排序，则可通过实现不满足条件切换下一种的方法，将治理方案成本降低。

43、作为优选例子，根据所述第一噪声类型所对应的历史治理数据，优化所述自主决策分析结果，具体为：

44、根据已有噪声类型治理历史治理数据，计算对所述第一噪声类型的治理不确定性；

45、将所述第一噪声类型设定为预设类别，根据预设类别噪声的历史治理方法对当前噪声治理结果进行调整，判断预设类别噪声治理的不确定性；

46、当所述预设类别噪声治理的不确定性超过预设的第三阈值时，更换治理方法至所述预设类别噪声治理的不确定性低于预设的第三阈值。

47、本优选例子通过根据历史治理特征计算该噪声和已有噪声的治理不确定性，从初始采用效果显著程度最小的方法开始计算，预设不确定性阈值，当该方法计算的不确定性值超过不确定性阈值时，更换更好的方法进行计算，所述方法的效果显著程度由小到大分别为提高信号发射功率、切换抗干扰编码机制、切换传输路径和分级拷贝多路传输，当采用分级拷贝多路传输时，该治理方法的不确定性仍然大于不确定性阈值时，增加传输路径，重复直至该治理方法的不确定性小于不确定性阈值。通过对治理方案的调整以优化出合适该噪声的治理方案。

48、作为优选例子，当所述预设类别噪声治理的不确定性超过预设的第三阈值时，更换治理方法至所述预设类别噪声治理的不确定性低于预设的第三阈值，具体为：

49、采用提高信号发射功率治理方案时，计算该预设类别噪声治理的不确定性，若超过预设的第三阈值，通过更换公式更换抗干扰编码机制治理方案；

50、采用切换抗干扰编码机制治理方案时，计算该预设类别噪声治理的不确定性，若超过预设的第三阈值，通过更换公式更换传输路径治理方案；

51、采用切换传输路径治理方案时，计算该预设类别噪声治理的不确定性，若超过预设的第三阈值，通过更换公式更换分级拷贝多路传输治理方案；

52、采用分级拷贝多路传输治理方案时，计算该预设类别噪声治理的不确定性，若超过预设的第三阈值，通过更换公式增加传输路径直至该预设类别噪声治理的不确定性低于预设的第三阈值。

53、本优选例子通过将各方法的噪声治理的不确定性与阈值进行对比比较，选定噪声治理的不确定性低于阈值的方法作为该电力线的噪声治理方案，以使得噪声治理方案通过数据的更新和对比，最终选定更为稳定的治理方案，以达到最佳的噪声治理，保障电力线通信性能。

54、作为优选例子，所述更换公式具体为：

55、

56、其中，numl为分级拷贝多路传输ml的多路传输路径数，其初始值设置为2。

57、本优选例子通过对比治理方案的不确定性，当治理不确定性超过该方法的不确定性阈值υl,max时，则切换更好的方法，若当前方法已为分级拷贝多路传输ml，则继续选用该方法，但继续增加传输路径，以进一步提高传输性能，降低噪声影响，提高ml的治理效果。

58、本发明提供了一种多源异构噪声治理装置，包括噪声分离模块、噪声分析模块、危害研判模块、噪声字典模块、稀疏变换逼近模块、协同治理自主决策模块和噪声治理系统；

59、所述噪声分离模块用于获取电力系统中的电力线信号，并对所述电力线信号进行噪声分离，获得第一噪声和噪声分离后的第一电力线信号；

60、所述噪声分析模块用于分析所述第一噪声获得所述噪声可滤除性参数和所述第一噪声特征；

61、所述危害研判模块用于根据所述第一电力线信号的信噪比、预设的电力业务价值参数、预设的链路重要性参数、噪声可滤除性参数和第一噪声特征，对所述电力线信号进行危害评估，获得危害评估结果；

62、所述噪声字典模块包含宽带噪声子字典和窄带噪声子字典，存储有色背景噪声、突发脉冲噪声、周期脉冲噪声各种宽带电力线通信噪声和窄带电力线通信噪声的频谱带宽范围、周期分布特性、功率谱密度特性、噪声数学建模信息；

63、所述稀疏变换逼近模块用于根据预设的稀疏变换矩阵，对所述第一噪声特征进行噪声系数空间映射，获得噪声特征稀疏向量；将所述噪声特征稀疏向量与已有噪声特征稀疏向量进行稀疏逼近，确定所述第一噪声的噪声类型；

64、所述协同治理自主决策模块用于将所述噪声特征稀疏向量、所述危害评估结果和所述噪声类型输入到预设的自主决策分析映射网络中，调节输入神经元与输出神经元之间的权值向量，以获得自主决策分析结果；其中，所述自主决策分析结果包括根据治理优先级而排序的若干个噪声治理方法；根据所述第一噪声类型所对应的历史治理数据，优化所述自主决策分析结果，生成第一噪声治理方案；

65、所述噪声治理系统用于接收第一噪声治理方案，根据所述第一噪声治理方案对电力线进行控制调整。

66、本发明通过提出一种多源异构噪声测试装置，通过噪声分离模块将输入噪声分离成宽带噪声和窄带噪声分别经过噪声分析模块分析，危害研判模块对噪声危害进行评估，与危害阈值比较以判断危害等级，进一步输入至稀疏变换逼近模块，与噪声字典模块已有的噪声特征稀疏向量进行稀疏变换逼近，实现特征到对应噪声系数空间的映射，确定噪声类型；协同治理自主决策模块根据分析的信息和判断的等级制定治理方案，并由噪声治理系统实施。本发明通过以上模块的相互作用，最噪声做出准确的噪声治理，保障电力线通信性能。

67、作为优选例子，所述危害研判模块包括第一单元和第二单元；

68、所述第一单元用于对所述第一电力线信号的信噪比、预设的电力业务价值参数、预设的链路重要性参数、噪声可滤除性参数和第一噪声特征代入危害评估计算公式，计算所述第一电力线信号的噪声危害评分；

69、所述第二单元用于当所述噪声危害评分小于预设的第一阈值时，判定危害评估结果为低危害等级；当所述噪声危害评分大于等于预设的第一阈值且小于预设的第二阈值时，判定危害评估结果为中危害等级；当所述噪声危害评分大于等于预设的第二阈值时，判定危害评估结果为高危害等级。

70、本优选例子通过对所述电力线信号进行危害评估，并设置判定阈值，将所述电力信号的噪声分为低危害、中危害和高危害三个等级，根据噪声的不同特征分析噪声可滤除性。将以上所得特征与噪声的功率谱、能量谱等特征进行危害评分，可得到该噪声所处电力业务特征以及该噪声所在电力线链路重要性越高、电力线信号信噪比越小、噪声的功率和能量越高、噪声可滤除性越差，噪声对于电力线信号的危害越高，噪声危害越严重的结果；并根据两个预设值将噪声危害等级划分为三个等级，以便后续对噪声的判断研究进行进一步划分。

71、作为优选例子，所述危害评估计算公式如下：

72、

73、其中，p(w)为噪声的功率谱密度的权重参数，e(w)为能量谱密度的权重参数；snr为电力线信号信噪比；v为电力线信号承载的电力业务价值参数；i为链路重要性参数；f为噪声可滤除性参数，f∈[0,1]，f＝1表示噪声可以被完全滤除，f＝0表示噪声无法滤除；α为链路信噪比的权重，β为电力业务价值参数的权重，γ为链路重要性参数的权重，λ为噪声的功率谱密度的权重，μ为能量谱密度的权重。

74、本优选例子通过设置危害评估计算公式，展现电力线信号上，电力业务价值以及当前电力线链路重要性越高、电力线信号信噪比越小、噪声的功率和能量越高、噪声可滤除性越差，噪声对于电力线信号的危害越高，噪声危害越严重。

75、作为优选例子，所述稀疏变换逼近模块包括第三模块；

76、所述第三模块用于将所述噪声特征存储在已知矩阵中，将矩阵映射到对应的噪声系数空间，通过稀疏映射公式求解，以得到所述噪声特征对应的噪声特征稀疏向量。

77、本优选例子通过将噪声特征存储在稀疏变换逼近模块的矩阵c中，并将矩阵c映射到对应的噪声系数空间得到每个噪声特征对应的稀疏向量表示，以便于将每个噪声特征对应的稀疏向量与噪声字典模块中已有的噪声样本进行逼近判断。

78、作为优选例子，所述稀疏映射公式具体为：

79、

80、其中，c为已知矩阵，a为系数矩阵，n为基于分析后的噪声特征数量，an为第一噪声noiin的第n个噪声特征的系数，x为输入噪声noiin的总特征值，xn为第一噪声noiin的第n个噪声特征的稀疏向量。

81、本优选例子通过设置稀疏映射公式，将噪声特征进行映射出噪声特征稀疏向量，以便于将每个噪声特征对应的稀疏向量与噪声字典模块中已有的噪声样本进行逼近判断。

82、作为优选例子，所述稀疏变换逼近模块还包括第四单元；

83、所述第四单元用于从预设矩阵中获取各噪声类型各自对应的已有噪声特征稀疏向量；其中，所述预设矩阵内设置有若干种噪声特征向量；

84、通过稀疏逼近公式，分别求解所述噪声特征稀疏向量与每个已有噪声特征稀疏向量之间的稀疏逼近结果；

85、将稀疏逼近结果最小的噪声类型作为所述第一噪声的噪声类型。

86、本优选例子通过将每个噪声特征对应的稀疏向量与噪声字典模块中已有的噪声样本进行逼近判断，若得出的逼近结果越小则表明该噪声与样本噪声越逼近，并设定一个预设值，将噪声判断划分为两个等级，当逼近结果低于该预设值则可以判断该噪声与样本噪声为同一类型；对未知的噪声进行类型判断以便后续对噪声做出自主决策。

87、作为优选例子，所述稀疏逼近公式具体为：

88、

89、其中，ωin,sam为所述噪声特征稀疏向量与已有噪声特征稀疏向量之间的稀疏逼近结果，yn为已有噪声noisam的第n个噪声特征向量，t为已有噪声的基地矩阵，||g||为二范数，||g||2为均方误差。

90、本优选例子通过稀疏逼近公式将每个噪声特征对应的稀疏向量与噪声字典模块中已有的噪声样本进行逼近判断，若逼近结果ωin,sam小于稀疏阈值ωmin时，即判定当前输入噪声noiin的噪声特征与噪声样本noisam的噪声特征相同类型，即可确定noiin与noisam为同类型噪声。

91、作为优选例子，所述协同治理自主决策模块包括第五单元、第六单元和第七单元；

92、所述第五单元用于将输入向量与权值向量之间最大的输出神经元定义为获胜神经元，将输入向量与权值向量之间其他的输出神经元定义为其他神经元；

93、所述第六单元用于调整获胜神经元与其他神经元之间的领域函数，以调节输入神经元与输出神经元之间的权值向量，使得输入向量与权值向量之间的距离逐渐收敛；

94、所述第七单元用于将输入向量与权值向量之间的距离最小的输出神经元所对应的治理结果，作为所述自主决策分析结果。

95、本优选例子通过调整获胜神经元与其他神经元的邻域函数来实现权值向量的更新，通过反复的调整使得每次领域函数都在逐渐变小，也使得对于该噪声的自主决策结果逐渐趋于稳定，即使得该噪声的治理方案趋近于该自主决策结果。

96、作为优选例子，所述自主决策分析结果包括治理方式集合；

97、所述治理方式集合包括：提高信号发射功率、切换抗干扰编码机制、切换传输路径和分级拷贝多路传输四种治理方式，并以上述治理优先级顺序定义为集合me＝{m1,...,ml,...,ml}，其中l＝4。

98、本优选例子通过设置提高信号发射功率、切换抗干扰编码机制、切换传输路径和分级拷贝多路传输四种治理方式作为治理方式集合包，且上述顺序定义集合，其中上述顺序为根据治理方法的效果显著程度从小到大排序，则可通过实现不满足条件切换下一种的方法，将治理方案成本降低。

99、作为优选例子，所述协同治理自主决策模块还包括第八单元、第九单元和第十单元；

100、所述第八单元用于根据已有噪声类型治理历史治理数据，计算对所述第一噪声类型的治理不确定性；

101、将所述第一噪声类型设定为预设类别，根据预设类别噪声的历史治理方法对当前噪声治理结果进行调整，判断预设类别噪声治理的不确定性；

102、所述第十单元用于当所述预设类别噪声治理的不确定性超过预设的第三阈值时，更换治理方法至所述预设类别噪声治理的不确定性低于预设的第三阈值。

103、本优选例子通过根据历史治理特征计算该噪声和已有噪声的治理不确定性，从初始采用效果显著程度最小的方法开始计算，预设不确定性阈值，当该方法计算的不确定性值超过不确定性阈值时，更换更好的方法进行计算，所述方法的效果显著程度由小到大分别为提高信号发射功率、切换抗干扰编码机制、切换传输路径和分级拷贝多路传输，当采用分级拷贝多路传输时，该治理方法的不确定性仍然大于不确定性阈值时，增加传输路径，重复直至该治理方法的不确定性小于不确定性阈值。通过对治理方案的调整以优化出合适该噪声的治理方案。

104、作为优选例子，当所述预设类别噪声治理的不确定性超过预设的第三阈值时，更换治理方法至所述预设类别噪声治理的不确定性低于预设的第三阈值，具体为：

105、采用提高信号发射功率治理方案时，计算该预设类别噪声治理的不确定性，若超过预设的第三阈值，通过更换公式更换抗干扰编码机制治理方案；

106、采用切换抗干扰编码机制治理方案时，计算该预设类别噪声治理的不确定性，若超过预设的第三阈值，通过更换公式更换传输路径治理方案；

107、采用切换传输路径治理方案时，计算该预设类别噪声治理的不确定性，若超过预设的第三阈值，通过更换公式更换分级拷贝多路传输治理方案；

108、采用分级拷贝多路传输治理方案时，计算该预设类别噪声治理的不确定性，若超过预设的第三阈值，通过更换公式增加传输路径直至该预设类别噪声治理的不确定性低于预设的第三阈值。

109、本优选例子通过将各方法的噪声治理的不确定性与阈值进行对比比较，选定噪声治理的不确定性低于阈值的方法作为该电力线的噪声治理方案，以使得噪声治理方案通过数据的更新和对比，最终选定更为稳定的治理方案，以达到最佳的噪声治理，保障电力线通信性能。

110、作为优选例子，所述更换公式具体为：

111、

112、其中，numl为分级拷贝多路传输ml的多路传输路径数，其初始值设置为2。

113、本优选例子通过对比治理方案的不确定性，当治理不确定性超过该方法的不确定性阈值υl,max时，则切换更好的方法，若当前方法已为分级拷贝多路传输ml，则继续选用该方法，但继续增加传输路径，以进一步提高传输性能，降低噪声影响，提高ml的治理效果。