基于数字滤波技术和动力学的绿色能源传感器识别方法

何引生，李 伟

(广东电网有限责任公司 佛山供电局，广东 佛山 528000)

传感器具有通信速度快、抗干扰能力强、安全性高的优点，可较好地完成远距离通信工作，为日常的生产生活提供便利[1-2]。绿色能源传感器是一种以清洁能源为原料的传感器，其使用方法与其他传感器不同，需要进行针对性管理。但传感器网络中的设备数量众多，怎样快速识别绿色能源传感器成为当前研究中的重要问题。

在过往的研究中，国内外专家学者提出了多种传感器识别方法，立足于传感器的能耗等多个角度，区分传感器的类别。文献[3]提出了使用深度卷积和门控循环神经网络运动识别传感器的方法，此方法具有较高的数据运算能力，可有效提升识别速度。文献[4]提出了一种基于SVM的传感器识别方法，通过单一的前向神经网络，快速回归图片中传感器的种类、位置与数量信息，在保证准确率的条件下，有效提高了响应速度和部署可行性。

为了获取高精度识别结果，研究选用数字滤波技术和动力学中的相关原理，设计了一种绿色传感器新型识别方法，以期提升传感器网络对绿色能源传感器的管理能力，改善传感器使用效果。

1 绿色能源传感器识别方法设计

1.1 传感器信号采集与处理

为提升绿色能源传感器的识别效果，首先应采集研究区域内的全部传感器信号，并对其展开预处理。由于传感器信号中包含的信息较为复杂，选择RVM回归算法处理采集到的传感器信号[5]。

bn=(an∶bn)+α

(1)

式中，α为处理过程中产生的误差，此误差满足高斯分布函数的均值要求，则信号处理的目标函数的分布概率为[6-7]：

p(b|a)=p(b|c，α2)

(2)

式中，p(b|c，α2)为似然函数，则有：

(3)

式中，∂为n×(n-1)矩阵，则有：

(4)

由上述矩阵结构可以看出，当使用最大似然法估算取值结果时[8-9]，会导致部分信号处理过量，信号异常。因此，使用贝叶斯理论[10]，确定c的取值范围，同时在此计算过程中使用先验概率限制其权重取值区间，则有：

(5)

式中，β为n+1维的超参数向量，此向量对c的取值过程具有控制作用，确保先验结果分布的稀疏性。

根据上述计算可得到目标函数的似然分布：

(6)

式中，δ为似然分布函数。

将c代入信号集中，可得到其后验概率分布结果[11]，则有：

(7)

式中，ϑ为后验函数方差；o为信号均值。

根据上述函数可得到信号处理过程中的先验函数与后验函数，在信号处理的过程中需要进行多次迭代计算，当大多数β趋近于无穷大时，对应的c取值结果趋近于0，证实了采集到的信号具有一定的稀疏性，采集的信号具有实用价值。使用上述公式完成信号处理后，将处理后信号作为后续处理的信号基础。

1.2 构建数字滤波器

在对传感器信号进行初步处理后，发现采集到的信号中存在大量的噪声，对传感器的识别结果具有一定的影响，因此，在本次研究中需要使用滤波电路移除无用的信号与噪声。由于数字滤波器多为线性非时变系统[12-13]，为了构建出适用于绿色能源传感器的滤波器，将构建其数学模型，将其设定为f域函数Q(f)为：

(8)

(9)

式中，g、h为模型参数；g0通常取值为1。输出序列x(f)与输入序列y(f)之间的差分函数可表示为：

(10)

根据上述公式，输入与输出信号之间的时间域结构可表示如下：

x(f)→t(f)→y(f)

(11)

由此公式可得到时域结果的信号响应频次，则有：

t(f)=y(f)|x(f)

(12)

已知取值为非负数，根据上述公式得到数字滤波器的频率特征：

(13)

图1 数字滤波器幅频特性变化过程Fig.1 Amplitude frequency characteristic change process of digital filter

根据图1可知，数字滤波器幅频变化与其相频特征与延迟有关[14-15]，为保证其幅频正常，可对绿色能源处理器信号展开处理，则有：

(14)

其中，э表示相频特征，将此数据作为滤波器的技术参数，提升滤波器的信号处理能力。

1.3 绿色能源传感器识别

完成信号滤波后，使用动力学分析技术，完成最终的绿色能源传感器识别过程。

传感器信号发出后，会产生相应的信号冲击[16-17]。使用动力学分析此信号冲击特征，对比绿色传感器的信号输出状态，即可完成传感器的识别过程。

当传感器信号发出时，其传输速度可记做v，信号的位移可使用l表示，则信号运动微分方程可表示为：

kl+al=0

(15)

式中，k为信号传输质量；a为信号的冲击系数。

对此运动方程求解，则有[18-19]：

(16)

将识别过程中的初始条件设定为t=0，l=l0，则信号的自由运动解为：

(17)

式中，t为识别周期长度。

根据式(17)可得到传感器发出的激振力脉冲信号[20]，则有：

(18)

整合此公式：

(19)

式中，p为传感器脉冲的峰值；γ为脉冲的宽度。

使用此公式处理滤波后的数据，得到其脉冲特征。根据脉冲特征结果，设计绿色能源传感器的识别流程，如图2所示。

图2 绿色能源传感器的识别流程Fig.2 Identification process of green energy sensor

整合文中设计的信号处理部分与传感器识别部分，至此，基于数字滤波技术和动力学的绿色能源传感器识别方法设计完成。

2 实验概述

2.1 实验方案设计

本次研究中提出了基于数字滤波技术和动力学的绿色能源传感器识别方法，为证实此方法具有较高的传感器识别能力，以广东电网公司某个供电局为实验对象，构建实验环节分析此方法的使用效果。在该供电局公开信息系统后台选择900个独立信号样本进行单一变量实验。信号样本来自于该供电局在信号线路上设置的10个传感器，包含4个绿色能源传感器和6个其他类别传感器。为了使实验结果更加可靠，统一实验条件设定如下：①传感器各信号发出结果已经经过准确估计，均符合采样标准；②传感器信号环境符合理想信道模式；③传感器信号信噪比为SNR=10lg(ES/N)；④实验环境中，仅可接收一个通信信号。

根据上述实验条件，构建相应的实验环境。选择IFSVM方法(文献[3])、SVM方法(文献[4])与本文设计的数字滤波方法识别实验样本。为保证实验中方法可获取有效信号样本，在实验环境中增设2个放大器，通过放大器调整每种方法信息采集装置的工作状态。信号放大器被正弦波驱动，正弦波幅值在3～5 mV变化，以此保证不同方法的信号采集装置合格。

在此实验环境下，对实验数据进行预处理，实验数据整理后内容见表1。将表1中的数据作为后续实验结果分析的对比数据，以此确定3种实验方法在使用后的差异。

表1 实验数据Tab.1 Experimental data

2.2 对比指标选择

选择识别个数、识别过程中的实验开销作为实验对比指标。为保证实验结果具有分析价值，取多次平均值作为实验结果输出，对此部分数据进行分析后，确定3种方法的使用差异。

2.3 实验结果分析

将3种方法的识别结果与实际值对比，统计3种方法的识别个数，结果如图3所示。由图3可知，本文设计方法的传感器信号识别个数最高，识别率稳定在98%以上，可保证传感器识别结果的精准度。文献[3]和文献[4]方法的识别个数相对较低，在一定程度上影响传感器的识别效果。综合上述分析结果可以确定，本文设计方法的使用效果在一定程度上优于文献[3]和文献[4]方法。

图3 绿色能源传感器信号识别个数Fig.3 Signal recognition number of green energy sensor

传感器识别时间开销如图4所示。由图4可知，本文设计方法的时间波动值均在0以下，时间开销相对较小，在保证传感器识别效果的基础上，提升了识别速度。相比之下，文献[3]、文献[4]方法的识别速度较慢。

图4 传感器识别时间开销Fig.4 Time cost of sensor identification

整合此次实验中的2组实验结果可以发现，在不同的实验条件下，本文设计方法的使用效果均优于其他两种方法，此方法可以为传感器识别工作提供便利。

3 结语

针对当前传感器识别方法的不足，优化了信号处理部分，设计了基于数字滤波技术和动力学的绿色能源传感器识别方法。该方法提高了传感器识别的精准度和速度，为传感器识别工作提供了便利。由于技术的限制，此方法还存在部分不足，在日后的研究中还需要对其进行更加细致的分析，不断完善此方法的组成结构，以此推动传感器网络的发展。