一种电力线载波信道噪声检测方法及系统与流程

1.本发明涉及电力线载波信道通信技术领域，特别是涉及一种电力线载波信道噪声检测方法及系统。

背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.由于电力线主要是被设计用于传输电能的，当其作为一个为信号提供传输通道的信道的时候，就变为了极其复杂时变的传输环境，而最主要的原因是电力线信道上存在着复杂时变的噪声以及接入电力线上负载不可预知的工作变化情况，导致信号在电力线信道传输过程中具有衰减、噪声干扰、阻抗不匹配等严重影响信号传输质量的传输特性。为了更好的评估电力线载波通信的质量与稳定性，将台区现场噪声进行分类后研究，有助于量化评估现场环境。
4.随着人工智能在各个领域的广泛应用，可以将机器学习方法应用到台区现场噪声的分类中。台区现场可以采集得到大量的包含各种典型现场噪声的信号数据，这些数据经过简单的处理可以得到相应的图片，进而可以建立噪声图片数据库。该图片数据库中既包含了单一噪声数据图片信息，也包含了多种噪声组合形式的数据图片信息。目前，将机器学习与电力线噪声分类相结合的方法很少，且现有的分类方法具有一定的局限性。
5.现有的将机器学习应用到电力线噪声分类的方法为处理噪声的时域与频域信息，通过机器学习进行训练与标记分类，但典型台区现场环境极为复杂，电力线噪声时域和频域信息的提取和处理具有不确定性，一些偶然事件(例如多种电力线噪声的同时产生)的发生会造成较大的误差，会影响机器学习的分类效果，所以通过时域和频域进行简单的分类难以有效准确的识别典型台区的电力线噪声。

技术实现要素：

6.为了解决上述问题，本发明提出了一种电力线载波信道噪声检测方法及系统，提高噪声分类的效率与稳定性。
7.为了实现上述目的，本发明采用如下技术方案：
8.第一方面，本发明提供一种电力线载波信道噪声检测方法，包括：
9.对典型噪声进行建模，并通过对典型噪声的随机组合，建立典型噪声时域图像库；
10.对典型噪声时域图像划定边缘轮廓，并将建模生成的标识信息在边缘轮廓中进行裁剪，以修正边缘轮廓；
11.对处理后的典型噪声时域图像基于方向梯度直方图提取特征描述符，以对分类器进行训练；
12.获取电力线载波信道的现场噪声，对现场噪声提取时域图像，并以此采用训练后的分类器进行噪声类型的识别。
13.作为可选择的实施方式，所述典型噪声包括有背景噪声、窄带噪声和脉冲噪声。
14.作为可选择的实施方式，对典型噪声时域图像经灰度化处理后，采用sobel算子提取图像边缘，以划定边缘轮廓。
15.作为可选择的实施方式，提取图像边缘的过程包括：计算图像明暗程度近似值，并将区域内超出预设阈值的特定点记为边缘，根据图像边缘旁边明暗程度把区域内超过某个数的特定点记为边缘。
16.作为可选择的实施方式，修正边缘轮廓的过程包括：根据图像大小设定裁剪位置，根据裁剪位置对边缘轮廓进行裁剪修正，去除边缘部分的坐标轴。
17.作为可选择的实施方式，特征描述符的提取过程包括：将处理后的典型噪声时域图像划分为细胞单元，采集细胞单元中各像素点的梯度或边缘的方向直方图，将这些直方图组合起来构成特征描述符。
18.作为可选择的实施方式，所述分类器包括通过在任意两类样本之间采用一对一法构造svm二值分类器，以多种噪声进行分类。
19.第二方面，本发明提供一种电力线载波信道噪声检测系统，包括：
20.典型噪声建模模块，被配置为对典型噪声进行建模，并通过对典型噪声的随机组合，建立典型噪声时域图像库；
21.典型噪声处理模块，被配置为对典型噪声时域图像划定边缘轮廓，并将建模生成的标识信息在边缘轮廓中进行裁剪，以修正边缘轮廓；
22.特征提取与训练模块，被配置为对处理后的典型噪声时域图像基于方向梯度直方图提取特征描述符，以对分类器进行训练；
23.噪声检测模块，被配置为获取电力线载波信道的现场噪声，对现场噪声提取时域图像，并以此采用训练后的分类器进行噪声类型的识别。
24.第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
25.第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
26.与现有技术相比，本发明的有益效果为：
27.本发明提出一种电力线载波信道噪声检测方法及系统，对典型噪声进行建模，构建基于hog+svm算法的机器学习网络模型，利用hog算法进行时域图像的提取，构成特征描述符，利用svm算法进行噪声分类预测。将电力线载波通信技术与人工智能技术相结合，电力线载波通信的实际现场环境与理论模型下的噪声相匹配，将实测噪声与理论噪声相结合，通过机器学习的方法实现现场噪声的数据分类，能够更准确的判断现场噪声类型，更好的优化电力线载波通信系统的性能。
28.本发明提出一种电力线载波信道噪声检测方法及系统，将电力线载波通信技术与人工智能技术相结合，通过对通信信道噪声特性研究、建模、分类等，运用模式识别与智能分析算法，研究噪声分类识别的特征参数提取，实现现场噪声环境的量化评估，并建立噪声时域图像库，通过现场电力线载波通信的台区噪声的类型来评估电力线通信中不同台区适用的通信方案，同时协助电力线本地通信网络实现最优参数配置。
29.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
30.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
31.图1为本发明实施例1提供的电力线载波信道噪声检测方法示意图；
32.图2(a)-图2(c)为本发明实施例1提供的有背景噪声、窄带噪声和脉冲噪声的示意图。
具体实施方式
33.下面结合附图与实施例对本发明做进一步说明。
34.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
35.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
36.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
37.实施例1
38.本实施例提供一种基于机器学习的电力线载波信道噪声检测方法，如图1所示，包括：
39.对典型噪声进行建模，并通过对典型噪声的随机组合，建立典型噪声时域图像库；
40.对典型噪声时域图像划定边缘轮廓，并将建模生成的标识信息在边缘轮廓中进行裁剪，以修正边缘轮廓；
41.对处理后的典型噪声时域图像基于方向梯度直方图提取特征描述符，以对分类器进行训练；
42.获取电力线载波信道的现场噪声，对现场噪声提取时域图像，并以此采用训练后的分类器进行噪声类型的识别。
43.在本实施例中，首先对典型噪声进行建模，通过对典型噪声进行随机组合，得到单种噪声以及单种噪声叠加后的混合噪声，提取噪声时域，建立典型噪声时域图像库；
44.所述典型噪声包括有背景噪声、窄带噪声和脉冲噪声；如图2(a)-图2(c)所示；
45.其中，所述有背景噪声一般由电力线中低功率噪声源产生的，比如热噪声和小型电动机工作时产生的谐波。背景噪声在时域上随时间的变化不明显，但它的频谱很宽，占据整个信号带宽，且持续存在。
46.有背景噪声的功率谱密度较低，分布在整个频带上，随频率的增大而略微减小，
在低频附近存在较大值。总体来说，这类噪声最接近高斯白噪声，尤其是当电力线中出现大量统计独立的有背景噪声的叠加时，根据中心极限定理，其整体特性将更加趋于高斯特性。
47.将高斯白噪声经整形滤波器处理后，可以得到有背景噪声，整形滤波器的传输函数如式(1)所示：
[0048][0049]
其中，ai为滤波器系数、n1为阶数，z为复变量，具有实部和虚部，常常以极坐标形式表示，即z＝r
·ejω
，r为幅值，ω为相角。
[0050]
所述窄带噪声的频带宽度窄，在一般情况下此类噪声是由短波、中波广播中的无线电信号在电力线信道中引起串扰而产生的。这种干扰无处不在，并且持续时间较长。窄带噪声近似于正弦信号，可以看成是互相独立的若干正弦信号的叠加，近似于am广播信号，窄带噪声的幅度随时间的变化较小。此类噪声频带非常窄，一般在信号带宽内会有多个这样的窄带存在。
[0051]
窄带噪声可以看作是若干相互独立的正弦信号的叠加生成，理论模型如式(2)所示：
[0052][0053]
其中，ai表示某个正弦信号的幅度，f是频率，φi表示相位，t为正弦信号时间序列中的时间信息，n2为中短波的数量。
[0054]
所述随机脉冲噪声的出现是随机的，没有周期性，一般由于电力线网络的电气设备在开关的瞬间产生的，或者雷电的瞬间干扰也会产生，所以持续时间比较短，在微秒级别。脉冲噪声的形式为衰减的正弦波或是衰减正弦波的叠加，单个脉冲的形式如式(3)所示：
[0055][0056]
其中，ai表示某个脉冲的幅度，f是频率，φi表示相位，τ是时间常数，n3为脉冲个数，t为正弦信号时间序列中的时间信息。
[0057]
在本实施例中，利用上述各种典型噪声的理论公式进行建模，采用均匀分布来随机生成单种典型噪声，生成的典型噪声控制在0.02秒，其中有背景噪声是高斯白噪声通过系数为(1
ꢀ‑
0.3889
ꢀ‑
0.2413 0.0296 0.0276)的整形滤波器产生；脉冲噪声是多个衰减的正弦波相互叠加，脉冲噪声来自开关电路产生，开启脉冲的范围为1.9至11.2微秒，关闭脉冲的范围为15至150微妙，通过设置开关次数控制衰减正弦波的数量进而模拟开关设备的数量；窄带噪声主要是广播中的无线电信号产生的干扰，针对于现场环境，短波信号在3mhz至23mhz均匀选取100个，中波信号在0.531mhz至1.173mhz选取5个，通过衰减的正弦波叠加生成窄带噪声。
[0058]
在本实施例中，因为电力线中的噪声多为加性噪声，所以将单种典型噪声进行随机组合，通过matlab生成的单种典型噪声进行时域点的对应叠加；
[0059]
作为可选择的一种实施方式，典型噪声的随机组合可以有七种组合方式：脉冲噪声、背景噪声、窄带噪声、背景噪声叠加脉冲噪声、背景噪声叠加窄带噪声、脉冲噪声叠加窄带噪声、三种典型噪声同时叠加，由此得到多种典型噪声的组合，建立典型噪声时域图像库。
[0060]
在本实施例中，基于机器学习进行电力线载波信道噪声的分类检测，所述机器学习主要是利用hog(histogram of oriented gradients，方向梯度直方图)+svm(support vector machines，支持向量机)组合的方法。
[0061]
具体地：
[0062]
(1)典型噪声数据库中的噪声图像包含rgb三个彩通道，而真正反应噪声信息的特征与彩无关，如果采用rgb原始图像进行处理，会大大增加冗余信息，计算的复杂度同时也会增加；因此，本实施例首先对典型噪声时域图像进行灰度化操作，将rgb图像转换为灰度图像操作，有利于进一步处理，使图像变得简单，数据量减小。
[0063]
(2)不同的噪声时域图像其主要区别体现在噪声信号的边缘部分，图像边缘是图像最基本的特征，边缘是指图像局部特性的不连续性。一般提取图像边缘的方法是采用一阶导数的边缘算子作为核与图像的每个像素点做卷积和运算，然后选取合适的阈值来提取图像边缘，常见的边缘算子有roberts算子、sobel算子和prewitt算子；
[0064]
本实施例采用sobel算子提取图像边缘，以划定边缘轮廓；sobel算子的边缘定位更准确，并且结合了高斯平滑和微分求导；具体地，计算图像明暗程度近似值，根据图像明暗程度把区域内超过预设阈值的特定点记为边缘；并且sobel算子在prewitt算子的基础上增加了权重，认为相邻点的距离远近对当前像素点的影响是不同的，距离越近的像素点对应当前像素的影响越大，从而实现图像锐化并突出边缘轮廓。
[0065]
(3)在利用hog算法提取特征描述符时，会对整个图像的特征进行提取，然而在典型噪声建模时，生成的典型噪声时域图像的边缘部分会有坐标轴等对识别分类准确性产生干扰的标识信息；
[0066]
所以，本实施例对划定的边缘轮廓进行截断修正，保留需要识别的有用像素点，降低建模生成的坐标轴等标识信息的干扰，提高识别准确率；
[0067]
具体地，根据图像大小设定裁剪位置，根据裁剪位置对边缘轮廓进行裁剪修正，去除边缘部分的坐标轴，获得更有效的信息。
[0068]
(4)对处理后的典型噪声时域图像采用hog算法，计算和统计局部区域的方向梯度直方图来构成特征描述符；
[0069]
具体地，将处理后的典型噪声时域图像分成小的连通区域，这些连通区域称为细胞单元；采集细胞单元中各像素点的梯度或边缘的方向直方图；将这些直方图组合起来构成特征描述符。
[0070]
(5)由于hog算法提取的信息数据量比较大，包含许多冗余信息，而hog特征矩阵是一个典型的稀疏矩阵，因此本实施例采用pca进行降维，从而减小数据维度。
[0071]
在本实施例中，采用svm进行分类；所述svm算法是在分类与回归分析中分析数据的监督式学习模型与相关的学习算法。svm是一种二分类模型，将实例的特征向量映射为空
间中的一些点，svm的目的就是想要画出一条线，以“最好地”区分这两类点，以至如果以后有了新的点，这条线也能做出很好的分类。
[0072]
本实施例设计多类svm分类器，通过在任意两类样本之间采用一对一法(one-vs-one)构造svm二值分类器，从而实现对多种噪声的分类。
[0073]
在本实施例中，获取电力线载波信道的现场噪声，现场噪声主要来自三个不同位置的现场噪声，包括两个农村台区和一个城乡结合部台区，典型台区的现场噪声有不同的噪声类别，进行噪声分类时，因为现场环境非常复杂，噪声单独提取数据很困难，提取出的时域和频域数据会存在一定的误差干扰，所以本实施例采取时域图像识别的方式，将采集的现场噪声进行时域图像的提取，然后采用训练后的分类器进行噪声类型的识别。
[0074]
本实施例首先利用典型噪声的理论模型通过matlab进行单种噪声时域图像的建模，又因为信道噪声为加性干扰，将单种噪声分别进行组合，将时域对应叠加以此建立典型噪声时域图像库；构建基于hog+svm算法的机器学习网络模型，针对噪声的时域图像进行噪声类型的识别与预测；其中，利用hog算法进行时域图像的提取，构成特征描述符，利用svm算法进行噪声分类预测，将预测后的噪声类型显示在噪声时域图像上方。
[0075]
本实施例将电力线载波通信技术与人工智能技术相结合，电力线载波通信的实际现场环境与理论模型下的噪声相匹配，将实测噪声与理论噪声相结合，通过机器学习的方法实现现场噪声的数据分类，能更好的优化电力线载波通信系统的性能。
[0076]
实施例2
[0077]
本实施例提供一种电力线载波信道噪声检测系统，包括：
[0078]
典型噪声建模模块，被配置为对典型噪声进行建模，并通过对典型噪声的随机组合，建立典型噪声时域图像库；
[0079]
典型噪声处理模块，被配置为对典型噪声时域图像划定边缘轮廓，并将建模生成的标识信息在边缘轮廓中进行裁剪，以修正边缘轮廓；
[0080]
特征提取与训练模块，被配置为对处理后的典型噪声时域图像基于方向梯度直方图提取特征描述符，以对分类器进行训练；
[0081]
噪声检测模块，被配置为获取电力线载波信道的现场噪声，对现场噪声提取时域图像，并以此采用训练后的分类器进行噪声类型的识别。
[0082]
此处需要说明的是，上述模块对应于实施例1中所述的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
[0083]
在更多实施例中，还提供：
[0084]
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
[0085]
应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是其他通用处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵列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。
[0086]
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存
储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
[0087]
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。
[0088]
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
[0089]
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0090]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

技术特征：

1.一种电力线载波信道噪声检测方法，其特征在于，包括：对典型噪声进行建模，并通过对典型噪声的随机组合，建立典型噪声时域图像库；对典型噪声时域图像划定边缘轮廓，并将建模生成的标识信息在边缘轮廓中进行裁剪，以修正边缘轮廓；对处理后的典型噪声时域图像基于方向梯度直方图提取特征描述符，以对分类器进行训练；获取电力线载波信道的现场噪声，对现场噪声提取时域图像，并以此采用训练后的分类器进行噪声类型的识别。2.如权利要求1所述的一种电力线载波信道噪声检测方法，其特征在于，所述典型噪声包括有背景噪声、窄带噪声和脉冲噪声。3.如权利要求1所述的一种电力线载波信道噪声检测方法，其特征在于，对典型噪声时域图像经灰度化处理后，采用sobel算子提取图像边缘，以划定边缘轮廓。4.如权利要求3所述的一种电力线载波信道噪声检测方法，其特征在于，提取图像边缘的过程包括：计算图像明暗程度近似值，并将区域内超出预设阈值的特定点记为边缘，根据图像边缘旁边明暗程度把区域内超过某个数的特定点记为边缘。5.如权利要求1所述的一种电力线载波信道噪声检测方法，其特征在于，修正边缘轮廓的过程包括：根据图像大小设定裁剪位置，根据裁剪位置对边缘轮廓进行裁剪修正，去除边缘部分的坐标轴。6.如权利要求1所述的一种电力线载波信道噪声检测方法，其特征在于，特征描述符的提取过程包括：将处理后的典型噪声时域图像划分为细胞单元，采集细胞单元中各像素点的梯度或边缘的方向直方图，将这些直方图组合起来构成特征描述符。7.如权利要求1所述的一种电力线载波信道噪声检测方法，其特征在于，所述分类器包括通过在任意两类样本之间采用一对一法构造svm二值分类器，以多种噪声进行分类。8.一种电力线载波信道噪声检测系统，其特征在于，包括：典型噪声建模模块，被配置为对典型噪声进行建模，并通过对典型噪声的随机组合，建立典型噪声时域图像库；典型噪声处理模块，被配置为对典型噪声时域图像划定边缘轮廓，并将建模生成的标识信息在边缘轮廓中进行裁剪，以修正边缘轮廓；特征提取与训练模块，被配置为对处理后的典型噪声时域图像基于方向梯度直方图提取特征描述符，以对分类器进行训练；噪声检测模块，被配置为获取电力线载波信道的现场噪声，对现场噪声提取时域图像，并以此采用训练后的分类器进行噪声类型的识别。9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的方法。10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。

技术总结

本发明公开一种电力线载波信道噪声检测方法及系统，包括：对典型噪声进行建模，并通过对典型噪声的随机组合，建立典型噪声时域图像库；对典型噪声时域图像划定边缘轮廓，并将建模生成的标识信息在边缘轮廓中进行裁剪，以修正边缘轮廓；对处理后的典型噪声时域图像基于方向梯度直方图提取特征描述符，以对分类器进行训练；获取电力线载波信道的现场噪声，对现场噪声提取时域图像，并以此采用训练后的分类器进行噪声类型的识别。提高噪声分类的效率与稳定性。稳定性。稳定性。