無線通信鏈路質(zhì)量的有效預測是保證泛在物聯(lián)網(wǎng)通信鏈路選擇的必要前提。通信鏈路可靠性難以準確預測的主要原因是無線鏈路質(zhì)量信噪比時間序列具有隨機性。因此,在分析無線通信鏈路隨機特性的基礎上,提出了一種無線通信鏈路可靠性置信區(qū)間預測方法。首先,采用小波分解的方法將無線鏈路質(zhì)量信噪比時間序列分為平穩(wěn)序列和噪聲序列,對噪聲序列進行計算后得到噪聲標準差序列。然后,采用LSTM神經(jīng)網(wǎng)絡建立平穩(wěn)序列和噪聲標準差序列的預測模型,并基于上述模型的預測結(jié)果,計算通信鏈路可靠性置信區(qū)間。最后,將置信區(qū)間下界與可靠性標準做對比,以預先判斷無線通信鏈路是否可以滿足配電網(wǎng)通信數(shù)據(jù)可靠性的要求。對比仿真結(jié)果表明,所提出的方法不僅滿足配電泛在物聯(lián)網(wǎng)的應用需求,而且相較于其他預測算法更為準確。 

【文章來源】：電子測量與儀器學報. 2020,34(06)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

LSTM單元結(jié)構

根據(jù)上節(jié)的分析結(jié)果,本文設計了圖2所示的無線通信鏈路可靠性置信區(qū)間預測算法。如圖2所示,本文使用小波分解將SNR信號分解為噪聲部分和相對平穩(wěn)部分。針對小波分解后相對平穩(wěn)的序列部分,通過LSTM神經(jīng)網(wǎng)絡進行預測,而對于噪聲序列部分,首先計算其標準差序列后,再通過LSTM神經(jīng)網(wǎng)絡進行預測。然后,將兩模型的預測結(jié)果進行整合,計算出通信鏈路可靠性置信區(qū)間。最后,置信區(qū)間下界代入式(1)得到對應的可靠性,從而實現(xiàn)無線鏈路質(zhì)量可靠性預測。通過上述算法,物聯(lián)網(wǎng)節(jié)點可在發(fā)送數(shù)據(jù)之前,對所有可用的鏈路質(zhì)量進行預判,有效避免采用不可靠鏈路傳輸,提高智能電網(wǎng)通信可靠性。

在智能電網(wǎng)環(huán)境中,采集到一組泛在物聯(lián)網(wǎng)無線通信鏈路質(zhì)量信噪比信號如圖3所示。由于SNR序列連續(xù)、非線性、隨機的特性,本文采用小波分解的方法對上述數(shù)據(jù)進行分解。小波分解在保證去除噪聲的基礎上,最大限度上使上升沿和下降沿得到保真,保留了更多的特征信息。本文小波選擇db3小波,閾值 T 的選擇如式(10)所示。

【參考文獻】：
期刊論文
[1]輸配電設備泛在電力物聯(lián)網(wǎng)建設思路與發(fā)展趨勢[J]. 江秀臣,劉亞東,傅曉飛,徐鵬,王劭菁,盛戈皞.  高電壓技術. 2019(05)
[2]電力通信技術在智能電網(wǎng)中的應用[J]. 楊虎城,尤上元.  通信電源技術. 2019(04)
[3]智能電網(wǎng)中電力通信技術的應用實踐分析[J]. 劉祖鋒,王瑞璜.  通訊世界. 2018(11)
[4]電力通信技術在智能電網(wǎng)中的應用[J]. 李美菲,張鐵平,張亦.  通訊世界. 2018(09)
[5]基于TensorFlow進行股票預測的深度學習模型的設計與實現(xiàn)[J]. 韓山杰,談世哲.  計算機應用與軟件. 2018(06)
[6]基于深度信念網(wǎng)絡的WSN鏈路質(zhì)量預測[J]. 劉琳嵐,許江波,李越,楊志勇.  通信學報. 2017(S2)
[7]電力通信傳輸線路優(yōu)化設計和施工技術探討[J]. 畢勇.  價值工程. 2017(33)
[8]基于LSTM神經(jīng)網(wǎng)絡的用電量預測[J]. 徐堯強,方樂恒,趙冬華,王凱.  電力大數(shù)據(jù). 2017(08)
[9]谷歌TensorFlow機器學習框架及應用[J]. 章敏敏,徐和平,王曉潔,周夢昀,洪淑月.  微型機與應用. 2017(10)
[10]深度學習框架下LSTM網(wǎng)絡在短期電力負荷預測中的應用[J]. 陳亮,王震,王剛.  電力信息與通信技術. 2017(05)

碩士論文
[1]基于LSTM神經(jīng)網(wǎng)絡的美股股指價格趨勢預測模型的研究[D]. 孫瑞奇.首都經(jīng)濟貿(mào)易大學 2016



本文編號：3126258