电力线噪声分析方法、装置、设备及存储介质与流程

1.本技术涉及电力线通信技术领域，尤其涉及一种电力线噪声分析方法、装置、设备及存储介质。


背景技术：

2.随着新型电力系统的建设，电网规模不断扩大，电力业务对通信的需求也在不断增加。与其他通信技术相比，电力线载波通信将电力线作为传输媒介，无需架设线路，具有覆盖范围广和在线时间长等优势。但由于海量电力电子器件被部署在低压台区，噪声干扰尤为复杂，其特性会使信号传输误码率增大，从而降低通信质量。
3.目前，利用电力线噪声分析技术可以有效地识别噪声特性，从而降低信号传输的误码率，改善通信质量。然而，传统的电力线噪声分析技术仅基于匹配器件的先验信息分析噪声特性，但是忽略了噪声数据与电力电子器件间的匹配度对噪声分析的影响，导致噪声特性的预测精度差。


技术实现要素：

4.本技术提供了一种电力线噪声分析方法、装置、设备及存储介质，以解决当前噪声分析技术面对低压台区电力电子器件噪声干扰存在噪声预测精度差的技术问题。
5.为了解决上述技术问题，第一方面，本技术提供了一种电力线噪声分析方法，包括：
6.获取多种电力电子器件产生的噪声数据，以及电力线噪声库中与所述电力电子器件对应的噪声特征数据集，所述噪声特征数据集包括多种所述电力电子器件的噪声特征数据；
7.基于所述噪声数据和所述噪声特征数据集，计算所述噪声数据与所述电力电子器件之间的聚合器件匹配度；
8.基于所述聚合器件匹配度、所述噪声数据和所述噪声特征数据，对预设神经网络进行训练，直至所述预设神经网络达到预设收敛条件，得到聚合频域神经网络；
9.利用所述聚合频域神经网络，对目标电力电子器件产生的目标噪声数据进行分析，得到所述目标电力电子器件的目标噪声特征数据。
10.在一些实现方式中，所述基于所述噪声数据和所述噪声特征数据集，计算所述噪声数据与所述电力电子器件之间的聚合器件匹配度，包括：
11.基于所述噪声数据和所述噪声特征数据集，计算所述噪声数据与多种所述电力电子器件之间的器件匹配度；
12.对多个所述器件匹配度进行聚合，得到所述聚合器件匹配度。
13.在一些实现方式中，所述基于所述噪声数据和所述噪声特征数据集，计算所述噪声数据与多种所述电力电子器件之间的器件匹配度，包括：
14.基于预设器件匹配度公式，计算所述噪声数据与每种所述电力电子器件的所述噪
声特征数据之间的距离值，所述距离值为所述器件匹配度，所述预设器件匹配度公式为：
[0015][0016]
其中，θn(i)为第i个噪声数据与第n种电力电子器件间的器件匹配度，x(i)为第i个噪声数据，un为第n种电力电子器件的噪声特征数据。
[0017]
在一些实现方式中，所述对多个所述器件匹配度进行聚合，得到所述聚合器件匹配度，包括：
[0018]
利用预设聚合匹配度公式，根据多个所述器件匹配度，计算所述聚合器件匹配度，所述预设聚合匹配度公式为：
[0019][0020]
其中，为第i个噪声数据对应的聚合器件匹配度，wn(i)为第i个噪声数据对应于第n种电力电子器件的器件匹配度权重，θn(i)为第i个噪声数据与第n种电力电子器件间的器件匹配度。
[0021]
在一些实现方式中，所述基于所述聚合器件匹配度、所述噪声数据和所述噪声特征数据，对预设神经网络进行训练，直至所述预设神经网络达到预设收敛条件，得到聚合频域神经网络，包括：
[0022]
对所述聚合器件匹配度、所述噪声数据和所述噪声特征数据进行傅里叶变换，得到频域匹配度、噪声频域数据和噪声频域特征数据；
[0023]
以所述频域匹配度和所述噪声频域数据作为所述预设神经网络的输入，对所述预设神经网络进行迭代训练；
[0024]
对于每次迭代训练，将所述预设神经网络每次迭代输出的网络预测结果与所述噪声频域特征数据对比，计算每次迭代的频域预测误差；
[0025]
基于每次迭代得到的所述频域预测误差，更新器件匹配度权重，以及更新所述预设神经网络的网络参数，直至频域预测误差小于预设阈值，则判定所述预设神经网络达到预设收敛条件，得到所述聚合频域神经网络。
[0026]
在一些实现方式中，所述更新器件匹配度权重，包括：
[0027]
对所述频域预测误差进行傅里叶变换，得到时域预测误差；
[0028]
利用预设权重更新公式，根据所述时域预测误差，对所述器件匹配度权重进行更新，所述预设权重更新公式为：
[0029][0030]
其中，wn(i)为第i个噪声数据对应于第n种电力电子器件的器件匹配度权重，α(i)为器件匹配度权重的更新率，e(i)为时域预测误差，θn(i)为第i个噪声数据与第n种电力电子器件间的器件匹配度。
[0031]
在一些实现方式中，所述利用所述聚合频域神经网络，对目标电力电子器件产生的目标噪声数据进行分析，得到所述目标电力电子器件的目标噪声特征数据之后，还包括：
[0032]
基于所述目标噪声特征数据，对所述电力线噪声库进行更新。
[0033]
第二方面，本技术还提供一种电力线噪声分析方法，包括：
[0034]
获取模块，用于获取多种电力电子器件产生的噪声数据，以及电力线噪声库中与所述电力电子器件对应的噪声特征数据集，所述噪声特征数据集包括多种所述电力电子器件的噪声特征数据；
[0035]
计算模块，用于基于所述噪声数据和所述噪声特征数据集，计算所述噪声数据与所述电力电子器件之间的聚合器件匹配度；
[0036]
训练模块，用于基于所述聚合器件匹配度、所述噪声数据和所述噪声特征数据，对预设神经网络进行训练，直至所述预设神经网络达到预设收敛条件，得到聚合频域神经网络；
[0037]
分析模块，用于利用所述聚合频域神经网络，对目标电力电子器件产生的目标噪声数据进行分析，得到所述目标电力电子器件的目标噪声特征数据。
[0038]
第三方面，本技术还提供一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述的电力线噪声分析方法。
[0039]
第四方面，本技术还提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的电力线噪声分析方法。
[0040]
与现有技术相比，本技术至少具备以下有益效果：
[0041]
通过获取多种电力电子器件产生的噪声数据，以及电力线噪声库中与所述电力电子器件对应的噪声特征数据集，所述噪声特征数据集包括多种所述电力电子器件的噪声特征数据，基于所述噪声数据和所述噪声特征数据集，计算所述噪声数据与所述电力电子器件之间的聚合器件匹配度，以考虑先验信息匹配度对噪声分析的影响；再基于所述聚合器件匹配度、所述噪声数据和所述噪声特征数据，对预设神经网络进行训练，直至所述预设神经网络达到预设收敛条件，得到聚合频域神经网络，以使聚合频域神经网络学习到匹配度对噪声特性分析的影响，从而提高预测精度；利用所述聚合频域神经网络，对目标电力电子器件产生的目标噪声数据进行分析，得到所述目标电力电子器件的目标噪声特征数据，实现电力线噪声特性的高精度预测。
附图说明
[0042]
图1为本技术实施例示出的电力线噪声分析方法的流程示意图；
[0043]
图2为本技术实施例示出的电力线噪声分析装置的结构示意图；
[0044]
图3为本技术实施例示出的计算机设备的结构示意图。
具体实施方式
[0045]
下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
[0046]
请参照图1，图1为本技术实施例提供的一种电力线噪声分析方法的流程示意图。本技术实施例的电力线噪声分析方法可应用于计算机设备，该计算机设备包括但不限于智
能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。如图1所示，本实施例的电力线噪声分析方法包括步骤s101至步骤s104，详述如下：
[0047]
步骤s101，获取多种电力电子器件产生的噪声数据，以及电力线噪声库中与所述电力电子器件对应的噪声特征数据集，所述噪声特征数据集包括多种所述电力电子器件的噪声特征数据。
[0048]
在本步骤中，采集面向低压台区的电力电子器件运行时所产生的噪声数据，根据噪声数据的噪声类型的不同，将产生噪声数据的电力电子器件分为n类。通过查找电力线噪声库的先验信息，获得每类(每种)电力电子器件的噪声特征数据，将其作为初始中心数据，定义中心数据集合(集噪声特征数据集)ω＝{u1,u2,...,un,...,un}，其中un,表示第n种电力电子器件的噪声特征数据。
[0049]
步骤s102，基于所述噪声数据和所述噪声特征数据集，计算所述噪声数据与所述电力电子器件之间的聚合器件匹配度。
[0050]
在本步骤中，针对每种噪声数据，计算该噪声数据与每种电力电子器件的噪声特征数据之间的器件匹配度，再对该噪声数据的所有器件匹配度进行聚合，得到聚合器件匹配度，从而考虑噪声数据与电力电子器件间的器件匹配度对噪声分析的影响。
[0051]
在一些实施例中，所述步骤s101，包括：
[0052]
基于所述噪声数据和所述噪声特征数据集，计算所述噪声数据与多种所述电力电子器件之间的器件匹配度；
[0053]
对多个所述器件匹配度进行聚合，得到所述聚合器件匹配度。
[0054]
在本实施例中，以噪声数据遍历步骤s101的所有中心数据，比较噪声数据与中心数据之间的距离，从而得到噪声数据与电力电子器件之间的器件匹配度，再对器件匹配度进行聚合，得到聚合器件匹配度。
[0055]
可选地，基于预设器件匹配度公式，计算所述噪声数据与每种所述电力电子器件的所述噪声特征数据之间的距离值，所述距离值为所述器件匹配度，所述预设器件匹配度公式为：
[0056][0057]
其中，θn(i)为第i个噪声数据与第n种电力电子器件间的器件匹配度，x(i)为第i个噪声数据，un为第n种电力电子器件的噪声特征数据。
[0058]
可选地，利用预设聚合匹配度公式，根据多个所述器件匹配度，计算所述聚合器件匹配度，所述预设聚合匹配度公式为：
[0059][0060]
其中，为第i个噪声数据对应的聚合器件匹配度，wn(i)为第i个噪声数据对应于第n种电力电子器件的器件匹配度权重，θn(i)为第i个噪声数据与第n种电力电子器件间的器件匹配度。
[0061]
步骤s103，基于所述聚合器件匹配度、所述噪声数据和所述噪声特征数据，对预设神经网络进行训练，直至所述预设神经网络达到预设收敛条件，得到聚合频域神经网络。
[0062]
在本步骤中，聚合频域神经网络包括输入层、隐藏层和输出层，输入层的神经元数
量为p，隐藏层各层神经元数量为q，输出层的神经元数量为r，定义适用于电力线噪声分析的聚合频域神经网络输入为噪声频域数据xf(i)以及频域合匹配度输出为实际噪声频域特征数据。
[0063]
在一些实施例中，所述步骤s103，包括：
[0064]
对所述聚合器件匹配度、所述噪声数据和所述噪声特征数据进行傅里叶变换，得到频域匹配度、噪声频域数据和噪声频域特征数据；
[0065]
以所述频域匹配度和所述噪声频域数据作为所述预设神经网络的输入，对所述预设神经网络进行迭代训练；
[0066]
对于每次迭代训练，将所述预设神经网络每次迭代输出的网络预测结果与所述噪声频域特征数据对比，计算每次迭代的频域预测误差；
[0067]
基于每次迭代得到的所述频域预测误差，更新器件匹配度权重，以及更新所述预设神经网络的网络参数，直至频域预测误差小于预设阈值，则判定所述预设神经网络达到预设收敛条件，得到所述聚合频域神经网络。
[0068]
在本实施例中，将噪声数据x(i)、聚合器件匹配度和噪声特征数据进行傅里叶变换，得到噪声频域数据xf(i)、频域匹配度和噪声频域特征数据，并将其分为训练集和测试集。训练集用于训练网络，测试集用来计算噪声频域特征的后验信息。
[0069]
将训练集输入到聚合频域神经网络进行迭代训练，定义第i个噪声数据在聚合频域神经网络的第r个输出表示为：
[0070][0071]
其中，为聚合频域神经网络输入层的第p个输入，为输入层与隐藏层之间的权重，为隐藏层阈值，为隐藏层与输出层之间的权重，为输出层阈值。
[0072]
将上述网络实际输出(即实际噪声频域特征数据)与期望输出(即噪声频域特征数据)计算频域预测误差ef(i)，其表示为：
[0073][0074]
根据频域预测误差ef(i)的负梯度方向，对聚合频域网络参数(权重和阈值)进行更新。
[0075]
可选地，更新器件匹配度权重，包括：对所述频域预测误差进行傅里叶变换，得到时域预测误差；利用预设权重更新公式，根据所述时域预测误差，对所述器件匹配度权重进行更新，所述预设权重更新公式为：
[0076][0077]
其中，wn(i)为第i个噪声数据对应于第n种电力电子器件的器件匹配度权重，α(i)为器件匹配度权重的更新率，e(i)为时域预测误差，θn(i)为第i个噪声数据与第n种电力电子器件间的器件匹配度。
[0078]
本实施例利用时域预测误差自适应更新器件匹配度权重，当误差不满足精度时，增大匹配度最大电力电子器件类型的匹配度权重，减小其他类型电力电子器件匹配度权重，从而提高神经网络的预测精度。
[0079]
当时域预测误差小于预设的时域预测误差时，判定网络收敛，即训练结束。
[0080]
在一些实施例中，所述步骤s103之后，还包括：
[0081]
基于所述目标噪声特征数据，对所述电力线噪声库进行更新。
[0082]
在本实施例中，将测试集输入到训练结束的聚合频域神经网络，得到电力线噪声频域特征数据，并对电力线噪声频域特征数据进行拉普拉斯逆变换，得到电力线噪声时域特征数据，将其存入噪声库，以更新噪声库中的对应电力电子器件的噪声特征数据。
[0083]
步骤s104，利用所述聚合频域神经网络，对目标电力电子器件产生的目标噪声数据进行分析，得到所述目标电力电子器件的目标噪声特征数据。
[0084]
在本步骤中，将所述目标噪声数据输入到所述聚合频域神经网络，输出目标噪声频域特征数据；对所述目标噪声频域特征数据进行拉普拉斯逆变换，得到所述目标噪声特征数据。
[0085]
需要说明的是，与相关技术相比，本技术基于噪声库中的先验信息实现噪声数据与电力电子器件的匹配，并利用聚合频域神经网络的输出实时更新噪声库中的先验信息，提高噪声库的信息可信度，实现电力线噪声器件高精度匹配以及噪声特性高精度预测分析。
[0086]
本技术基于匹配度和噪声频域数据，构建聚合频域神经网络预测电力线噪声特性，考虑器件匹配度对聚合频域神经网络预测的影响，利用聚合频域神经网络预测误差实时更新器件匹配度权重，当预测误差过大时，在进行匹配度聚合时提高最大匹配度的权重，减小其他匹配度的权重，从而实现器件匹配度的高精度聚合，提高电力线噪声特性预测准确度。
[0087]
为了执行上述方法实施例对应的电力线噪声分析方法，以实现相应的功能和技术效果。参见图2，图2示出了本技术实施例提供的一种电力线噪声分析装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本技术实施例提供的电力线噪声分析装置，包括：
[0088]
获取模块201，用于获取多种电力电子器件产生的噪声数据，以及电力线噪声库中与所述电力电子器件对应的噪声特征数据集，所述噪声特征数据集包括多种所述电力电子器件的噪声特征数据；
[0089]
计算模块202，用于基于所述噪声数据和所述噪声特征数据集，计算所述噪声数据与所述电力电子器件之间的聚合器件匹配度；
[0090]
训练模块203，用于基于所述聚合器件匹配度、所述噪声数据和所述噪声特征数据，对预设神经网络进行训练，直至所述预设神经网络达到预设收敛条件，得到聚合频域神经网络；
[0091]
分析模块204，用于利用所述聚合频域神经网络，对目标电力电子器件产生的目标噪声数据进行分析，得到所述目标电力电子器件的目标噪声特征数据。
[0092]
在一些实施例中，所述计算模块202，包括：
[0093]
计算单元，用于基于所述噪声数据和所述噪声特征数据集，计算所述噪声数据与多种所述电力电子器件之间的器件匹配度；
[0094]
聚合单元，用于对多个所述器件匹配度进行聚合，得到所述聚合器件匹配度。
[0095]
在一些实施例中，所述计算单元，具体用于：
[0096]
基于预设器件匹配度公式，计算所述噪声数据与每种所述电力电子器件的所述噪声特征数据之间的距离值，所述距离值为所述器件匹配度，所述预设器件匹配度公式为：
[0097][0098]
其中，θn(i)为第i个噪声数据与第n种电力电子器件间的器件匹配度，x(i)为第i个噪声数据，un为第n种电力电子器件的噪声特征数据。
[0099]
在一些实施例中，所述聚合单元，具体用于：
[0100]
利用预设聚合匹配度公式，根据多个所述器件匹配度，计算所述聚合器件匹配度，所述预设聚合匹配度公式为：
[0101][0102]
其中，为第i个噪声数据对应的聚合器件匹配度，wn(i)为第i个噪声数据对应于第n种电力电子器件的器件匹配度权重，θn(i)为第i个噪声数据与第n种电力电子器件间的器件匹配度。
[0103]
在一些实施例中，所述训练模块203，包括：
[0104]
变换单元，用于对所述聚合器件匹配度、所述噪声数据和所述噪声特征数据进行傅里叶变换，得到频域匹配度、噪声频域数据和噪声频域特征数据；
[0105]
训练单元，用于以所述频域匹配度和所述噪声频域数据作为所述预设神经网络的输入，对所述预设神经网络进行迭代训练；
[0106]
对比单元，用于对于每次迭代训练，将所述预设神经网络每次迭代输出的网络预测结果与所述噪声频域特征数据对比，计算每次迭代的频域预测误差；
[0107]
更新单元，用于基于每次迭代得到的所述频域预测误差，更新器件匹配度权重，以及更新所述预设神经网络的网络参数，直至频域预测误差小于预设阈值，则判定所述预设神经网络达到预设收敛条件，得到所述聚合频域神经网络。
[0108]
在一些实施例中，所述更新单元，还具体用于：
[0109]
对所述频域预测误差进行傅里叶变换，得到时域预测误差；
[0110]
利用预设权重更新公式，根据所述时域预测误差，对所述器件匹配度权重进行更新，所述预设权重更新公式为：
[0111][0112]
其中，wn(i)为第i个噪声数据对应于第n种电力电子器件的器件匹配度权重，α(i)为器件匹配度权重的更新率，e(i)为时域预测误差，θn(i)为第i个噪声数据与第n种电力电子器件间的器件匹配度。
[0113]
在一些实施例中，所述分析装置，还包括：
[0114]
更新模块，用于基于所述目标噪声特征数据，对所述电力线噪声库进行更新。
[0115]
上述的电力线噪声分析装置可实施上述方法实施例的电力线噪声分析方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本技术实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
[0116]
图3为本技术一实施例提供的计算机设备的结构示意图。如图3所示，该实施例的计算机设备3包括：至少一个处理器30(图3中仅示出一个)、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32，所述处理器30执行所述计算机程序32时实现上述任意方法实施例中的步骤。
[0117]
所述计算机设备3可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器30、存储器31。本领域技术人员可以理解，图3仅仅是计算机设备3的举例，并不构成对计算机设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0118]
所称处理器30可以是中央处理单元(central processing unit，cpu)，该处理器30还可以是其他通用处理器、数字信号处理器(digital signalprocessor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0119]
所述存储器31在一些实施例中可以是所述计算机设备3的内部存储单元，例如计算机设备3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述计算机设备3的外部存储设备，例如所述计算机设备3上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器31还可以既包括所述计算机设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
[0120]
另外，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的步骤。
[0121]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现上述各个方法实施例中的步骤。
[0122]
在本技术所提供的几个实施例中，可以理解的是，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
[0123]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read－only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0124]
以上所述的具体实施例，对本技术的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本技术的具体实施例而已，并不用于限定本技术的保护范围。特别指出，对于本领域技术人员来说，凡在本技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。