基于参数估计的配电网载波通信异常信号识别方法

严宇平，洪雨天，陈守明，王建永

(1.广东电网有限责任公司，广州 510000； 2.广东电力信息科技有限公司，广州 510000)

0 引 言

为实现“双碳目标”，促进电力绿色低碳循环发展，对电力调度工作提出了更高的要求，这就导致电力调配工作面临巨大压力。面对这种情况，建立有效的通信网络具有重要的现实意义。以往电力通信网络是作为独立个体存在的，需要在各个配电节点上建立通信基站，才能实现电力信息的传递，从而实现调度[1]。然而，随着配电网规模的增大，电力通信网络构建成本越来越高，而且在一些偏远或者环境恶劣地区，电力通信网络更是很难建立起来。面对这种情况，提出配电网载波通信概念，并建立配电网载波通信网络。配电网载波通信网络使得有电力线布设的地方，就能够实现信息传递、数据传输，而无需再建立单独的通信网络，具有很好的经济性和广泛性[2]。但是，电力线本身存在频率阻抗很小，与电力线共同体的通信网络极易受到干扰，信号经常出现异常，如反射、驻波、谐振等，导致传递的信号经常出现偏差，影响了信息传递的准确性，且这种干扰会随着传输距离的增大而增强，所以当前配电网载波通信网络并不适合数据的远距离准确传输[3]。

基于上述背景，如何实现配电网载波通信异常信号的准确识别对于提高配电网载波通信网络通信性能具有重要的现实意义，因此关于通信异常信号识别的研究有很多，例如文献[4]提出了一种变尺度正交基函数分解的检测方法。该方法首先通过变尺度正交基函数对信号进行分解，然后通过梯度上升法对最优解进行迭代求解，实现异常定位与检测。文献[5]基于支持向量机算法提出一种载波通信调制信号识别方法。该方法首先采集信号样值，并进行预处理，然后提取信号多个特征，最后以这些特征为输入，通过支持向量机进行进行判决归类，实现异常信号识别。

虽然前人研究取得了一定的成果，但是这些方法识别准确性并没有达到预期。针对上述问题，提出基于参数估计的配电网载波通信异常信号识别方法。通过文中研究以期提高配电网载波通信性能，为电力调度提供可靠的信息传递手段。

1 配电网载波通信异常信号识别方法

配电网载波通信是一种以电力线作为媒介的信息通信方式，是近年来新出现的电力通信模式。这种方式无需建立独立的通信基站，可以节约很大一笔投资，为实现电力绿色低碳循环发展提供了重要的帮助，同时由于电力线覆盖范围广，电力通信也不再受到地域和环境的限制[6]。然而，这种通信方式受到多方干扰，通信信号并不稳定，经常出现异常。在此背景下，为更好地实现配电网载波通信，提高通信质量，进行了基于参数估计的配电网载波通信异常信号识别方法研究[7]。该研究主要分为五个步骤，下文针对这五个方面进行具体分析。

1.1 配电网载波通信网络建模

配电网载波通信网络建模的目的是明确通信节点分布情况，以便为下一章节信号采集设备部署提供参考[8]。配电网载波通信网络建模流程如下：

步骤1：初速化分布参数、精度阈值；

步骤2：按照式(1)计算最小化优化影响因子a：

(1)

式中Yi代表通信信道i的带宽；X代表通信节点集合；n代表通信节点数量；

步骤3：按照拓扑距离计算节点通过通信网络拓扑传递信息所产生的势，即节点的拓扑势[9]。计算公式如下：

(2)

式中Q(xi)代表节点i的拓扑势；Hj代表节点j的质量；Lj→i代表节点j到节点i的最短路径长度；a代表影响因子，也就是节点负责的通信范围；

步骤4：根据步骤3计算出来的各节点的势，对节点按照重要性排列，得到一个节点序列；

步骤5：根据重要性程度划分标准，对节点进行分层，如表1所示。

表1 重要性程度划分标准

步骤6：按照幂率分布规律，利用PLOD算法进行层内节点连接；

步骤7：依据选取“最近”连接点的原则进行层间连接，形成一个完整的配电网载波通信网络模型[10]。

建立配电网载波通信网络模型为通信信号采集设备部署提供了重要参考，使得采集到的载波通信信息更加全面[11]。

1.2 配电网载波通信信号采集

以构建的配电网载波通信网络拓扑模型为参考，在其各个节点上部署采集器，采集经过该节点的载波通信信号，然后将采集到的通信信号传输到计算机终端，进行下一步的处理与分析[12]。配电网载波通信信号采集过程如图1所示。

图1 配电网载波通信信号采集过程

采集到的配电网载波通信信号表示如下：

(3)

式中x(t)代表t时刻的配电网载波通信信号；x(nGs)代表信号采样值；L代表代表中心频率；Gs代表采样间隔；A代表带宽；n代表节点数量；t代表时间。

在采集到的配电网载波通信信号中隐藏着异常信号，因此只要从中分离出正常信号、异常信号特征参数，即可实现异常信号识别[13]。

1.3 配电网载波通信信号去噪

采集到的配电网载波通信信号中除了正常信号、异常信号外，还包含一类噪声信号的存在。这类噪声若不去除，在后期会干扰识别结果[14]。为此，利用独立分量分析的方法进行去噪处理。

假设含噪信号为：

(4)

式中xm+1代表噪声通道；c代表噪声成分；z代表原始信号组成的N维矢量；rij代表混合系数；R代表混合系数矩阵[15]。

通过求解系数矩阵W和独立分量y=(y1,...,yn-1,yc)T，yc为噪声独立分量。去除噪声独立分量yc，使得y′=(y1,...,yn-1,0)T，即可得到无噪声的x′。表示如下：

x′=W-1y′

(5)

经过去噪后，配电网载波通信信号只剩下正常信息和异常信号混合的信号，方便了后续参数估计和异常信号识别[16]。

1.4 配电网载波通信信号参数估计

参数估计，即根据样本数据推断分布特征或规律的过程。基于这一点，估计配电网载波通信异常信号分布特征，为后续异常信号识别奠定基础[17]。信号斜率是指在带宽内高端信号与低端信号dB数之差，信号初始频率是指信号波形最初每秒钟内重复的次数。在这里主要利用遗传算法与分数阶傅里叶变换相结合的算法进行配电网载波通信信号参数估计，得出信号初始频率的估计值和信号斜率的估计值[18]。以这两个值作为特征，用于后者最后的异常信号识别，以此提升异常信号识别精度。具体过程如下：

步骤1：采用格雷编码方式，对信号x进行编码。

(1)将信号x转换成整数x′：

(6)

(2)将x′转换成二进制码；

(3)将二进制数按照式(7)转成格雷码：

fi=hi+1⊕hi,i=14,13,...,1

(7)

式中fi代表信号格雷码；hi代表信号的二进制数表示；⊕代表异或运算[19]；

步骤2：计算种群适应度；

步骤3：利用轮盘赌方式选择最优个体[20]；

步骤4：将选择出来的M个最优个体遗传到下一代，并进行交叉操作与变异操作；

步骤5：按照步骤1编码运行的逆运算过程将新一代种群解码，得到新一代个体；

步骤6：对新一代个体计算适应度值；

步骤7：判断是否迭代终止？若满足，找到最优解，记为P；否则，回到步骤2；

步骤8：得到的最优解P即为变换阶数；

步骤9：对信号x进行P阶的分数阶傅里叶变换，寻找峰值F；

步骤10：按照式(8)将最优解P换算成q：

(8)

式中q代表峰值倾斜度；

步骤10：通过式(9)将F和q换算成k和f0的估计值：

(9)

式中k代表信号斜率；f0代表初始频率。

基于估计出的信号斜率和初始频率组成配电网载波通信信号特征(X=(k,f0))，用于后续异常信号识别[21]。

1.5 配电网载波通信异常信号识别

基于上文的研究，本节以估计出的信号斜率k和初始频率f0作为输入，通过构建的分类器进行配电网载波通信异常信号识别，具体过程如图2所示[22]。

图2 配电网载波通信异常信号识别流程

分类器是配电网载波通信异常信号识别的关键。分类器并不是单一的，而是有多少类异常信号，就需要构建多少个分类器[23]。

假设需要构建N个分类器，其中包括正分类器和负分类器，用于正常样本和异常样本分类。分类器需要经过训练和测试两个阶段[24]。前者主要是经过训练得到N个分类决策函数，后者根据训练好的决策函数，输入测试样本，判断样本所属类型[25]。

分类决策函数表达式如下：

(10)

式中f(x)代表类别决策值；X=(k,f0)代表配电网载波通信信号参数估计向量；ζ(·)代表核函数；β代表偏差因子；W代表判别函数超平面权重向量[26]。

通过分类决策函数最终输出N个值，其中选择最大值对应的那一类就是配电网载波通信信号类别，完成配电网载波通信异常信号识别。

2 仿真测试与分析

为测试所研究方法在配电网载波通信异常信号识别中的应用效果，以基于变尺度正交基函数分解的识别方法和基于支持向量机的识别方法作为比较对象，通过输入相同测试样本，评价方法的识别准确性。

2.1 样本准备

为方法应用测试准备测试所需要的样本。样本主要包括两种类型，即训练样本类和测试样本类，具体数量如表2所示。

表2 载波通信信号样本

2.2 相关参数设置

整个实验测试过程，所涉及的相关算法、模型或方法的相关参数设置情况如表3所示。

表3 相关参数设置

2.3 配电网载波通信信号特征参数

利用1.4小节研究进行配电网载波通信信号参数估计，得出信号斜率k和初始频率f0的估计值，以此绘制配电网载波通信信号特征图，如图3和图4所示。

图3 配电网载波通信信号斜率k

图4 配电网载波通信信号初始频率f0

根据图3可知，配电网载波驻波信号斜率曲线波动较大，反射信号次之，而配电网载波谐振信号斜率最高，正常信号的斜率最低；分析图4可知，配电网载波信号的初始频率在10 s后基本趋于稳定状态，并且频率最高，谐振信号次之，其曲线波动较大，反射信号从20 s～30 s之间波动较大，其余保持平稳状态，而驻波信号随着时间的增长，初始频率逐渐降低。

2.4 评价指标

识别方法评价指标为灵敏度(Sensitivity)和特异度(Specificity)。指标计算公式如下：

(11)

(12)

式中TP代表被正确地划分为正常信号的样本数；FN代表被错误地划分为异常信号的样本数；TN代表被正确地划分为异常信号的样本数；FP代表被错误地划分为正常信号的样本数。

2.5 测试结果与分析

利用所研究识别方法、基于变尺度正交基函数分解的识别方法和基于支持向量机的识别方法在相同条件下对表2测试样本进行5次异常信号识别，然后统计灵敏度(Sensitivity)和特异度(Specificity)指标，最后计算平均值，结果如表4所示。

从表4中可以看出，进行5次异常信号识别后，与基于变尺度正交基函数分解的识别方法和基于支持向量机的识别方法相比，所研究方法对配电网载波通信异常信号进行识别，灵敏度(Sensitivity)和特异度(Specificity)指标平均值均要更大，由此说明所研究方法的识别性能表现更好，准确性更高，达到了研究目的。是因为本文利用遗传算法与分数阶傅里叶变换相结合的算法估计配电网载波通信信号参数，并将估计结果作为输入，通过分类器精准识别配电网载波通信异常信号。

3 结束语

由于配电网载波通信网络受到各种因素的影响，配电网载波通信难免出现异常，导致传递出异常信号，影响了信息传递的准确性。针对上述问题，文中提出一种基于参数估计的配电网载波通信异常信号识别方法。首先构建配电网载波通信网络，分析通信节点分布情况，并以其为此参考，采集经过该节点的载波通信信号;然后将采集到的通信信号传输到计算机终端，进行配电网载波通信信号去噪处理，根据处理结果，利用遗传算法与分数阶傅里叶变换相结合的算法进行配电网载波通信信号参数估计，以获取到的信号初始频率的估计值和信号斜率的估计值为基础，识别通信异常信号。最后通过仿真测试，证明了所研究方法的准确性，并解决了传统方法中存在的问题。然而，所做研究仍有需要改进的地方，一是实验样本需要扩大；二是分类器设计需要进一步优化和改进。通过这两部分的改进，对基于参数估计的识别方法有待进行深入分析与探讨。