一种变电站内无线感知设备丢包率的预测方法与流程

阅读：评论：0

1.本发明涉及变电站内无线感知设备监测技术领域，具体涉及一种变电站内无线感知设备丢包率的预测方法。

背景技术：

2.近年来，随着电网技术的不断革新，变电站等电力基础设施内部无线感知设备监测数据传输的需求量日益增大，为了对变电站内部设备运行的各种参数进行更快、更安全、更稳定的实时在线监测，5g通信技术逐渐在变电站等电力基础设施中普及。但同时5g天线的辐射波束比传统天线更加集中、辐射功率更加强烈，从而对变电站原本复杂恶劣的电磁环境雪上加霜，这无疑使得站内敏感的无线感知设备面临的电磁兼容问题更加突出。
3.因此，在无线感知设备数据传递速度加快的同时，其丢包现象可能会因为5g天线的引入而变得更为严重。考虑工程上现有的丢包率都是通过被动测量而来，即设备向终端发送一系列测试数据，根据终端设备接收的总数据利用软件程序来测量丢包率，过程十分麻烦，不便于变电站工作人员实际操作。所以，亟待寻一种新的方法能够根据变电站站内无线感知设备干扰因子的监测指标直接对其丢包率进行预测。

技术实现要素：

4.本发明供一种变电站内无线感知设备丢包率的预测方法，该方法通过测量变电站内部5g天线的发射频率、无线感知设备处的电场强度、无线感知设备处的5g信号距5g的距离、无线感知设备的数据传输速率，就能够达到预测变电站内无线感知设备的丢包率的目的。从而实现了对无线感知设备所受干扰程度的实时监测；并且避免了丢包率测量过程中的复杂流程，更适用于站内工作人员的实际运用。
5.本发明采取的技术方案为：
6.一种变电站内无线感知设备丢包率的预测方法，包括以下步骤：
7.步骤一：采集n组变电站内部5g天线发射的信号频率、无线感知设备处的电场大小、无线感知设备处的5g信号强度、无线感知设备距5g天线的距离、无线感知设备的数据传输速率和此时的无线感知设备的丢包率作为样本；
8.步骤二：将步骤一采集的n组样本全部归一化，以无线感知设备的数据传输速率、5g天线发射的信号频率、无线感知设备处的5g信号、无线感知设备处的电场强度、无线感知设备到5g天线间的距离作为输入参量，以此时的无线感知设备的丢包率作为输出参量，确定bp神经网络的拓扑结构；
9.步骤三：设置bp神经网络各突触的初始权值ω、阈值v，并将步骤二归一化后的输入参量输入到bp神经网络中进行学习训练，达到最大学习次数x后输出预测结果；然后与实际测量的丢包率进行比较，若满足误差范围，则停止训练；若不满足则进入步骤四；
10.步骤四：若不满足训练要求，则将bp神经网络所有预测的丢包率视作为个体，将每
个个体训练结束后的权值、阈值发送给遗传算法，利用遗传算法对这些个体对应的bp神经网络的权值、阈值进行实数编码，得到这些个体遗传的权值染体库：ω
(1)
＝[ω
(1)1
,ω
(1)2
,
…
,ω
(1)m
]、ω
(2)
＝[ω
(2)1
,ω
(2)2
,
…
,ω
(2)m
]、
…
、ω
(n)
＝[ω
(n)1
,ω
(n)2
,
…
,ω
(n)m
]；ω
(1)
、ω
(2)
、
…
、ω
(n)
分别表示经遗传算法训练后神经网络重新得到的n个权值矩阵；ω
(n)1
,ω
(n)2
,
…
,ω
(n)m
表示重新得到的第n个权值矩阵内的m个权值；
[0011]
以及阈值的染体库：v
(1)
＝[v
(1)1
,v
(1)2
,
…
,v
(1)m
]、v
(2)
＝[v
(2)1
,v
(2)2
,
…
,v
(2)m
]、
…
、v
(n)
＝[v
(n)1
,v
(n)2
,
…
,v
(n)m
]。v
(1)
、v
(2)
、
…
、v
(n)
分别表示经遗传算法训练后神经网络重新得到的n个阈值矩阵；v
(n)1
,v
(n)2
,
…
,v
(n)m
表示重新得到的第n个阈值矩阵内的m个阈值；
[0012]
步骤五：利用公式n表示n个体总数，即需要预测丢包率的无线感知设备个数；
[0013]
对第i个体进行适应度计算，fi为第i个个体的适应度，适应度越小说明预测结果越好；di为第i个个体的预测丢包率，di′
为第i个个体的实际丢包率。
[0014]
步骤六：随机从步骤四的权值、阈值染体库中每次选取两条染体，其中：每条染体的选取概率为选取后的染体通过交叉、变异产生两条新的权值、阈值染体；
[0015]
步骤七：采用步骤六的生成n条新的权值、阈值染体，并将其中的权值、阈值染体上的基因发送给bp神经网络中，并且重新执行步骤三的操作，直至得出满足训练误差要求的最优bp神经网络及其权值、阈值。
[0016]
所述步骤一中，以相同的时间间隔
△
t，将无线感知设备测量的数据传递给终端计算机，并通过终端计算机安装的丢包率测量软件读取n次丢包率，并记录每一次无线感知设备的数据传输速率、5g天线发射的信号频率、无线感知设备处的5g信号、无线感知设备处的电场强度、无线感知设备到5g天线间的距离。
[0017]
所述步骤二中，采集的n组样本数据通过公式进行归一化；
[0018]
其中：x
′
为某一指标的参量归一化后的值，x为该指标的参量值，该指标x
max
参量值的最大值，该指标x
min
参量值的最小值。
[0019]
所述步骤二中，bp神经网络的拓扑结构的确定方法为：
[0020]
将归一化后的5g天线发射的信号频率、无线感知设备处的5g信号、无线感知设备处的5g信号强度、无线感知设备距5g天线的距离、无线感知设备的数据传输速率作为输入参量，归一化后的无线感知设备丢包率作为输出参量；
[0021]
根据输入的参量变电站内部5g天线的信号频率、无线感知设备处的5g信号强度、无线感知设备距5g天线的距离以及此时的数据传输速率，能够确定使用的bp神经网络输入层神经节点为5；根据输出参量无线感知设备的丢包率，能够确定使用的bp神经网络输出层神经节点为1。
[0022]
由：
[0023][0024]
确定隐藏层的神经元数目nh为8；
[0025]
式中：ni表示bp神经网络输入层神经节点的个数；no是bp神经网络输出层神经节点的个数；ns是训练集的样本数；α是范围在[2,10]之间的任意值，这里取25/12。
[0026]
所述步骤六还包括：
[0027]
染体的交叉操作为：
[0028][0029]
其中：a、b是从步骤六选取的权值、阈值染体，a
′
、b
′
是交叉操作后的基因，λ取(0,1)之间的随机数。
[0030]
交叉后的染体变异操作为：
[0031][0032]
式(3)中，r1，r2均为每次迭代时在(0,1)之间生成的任意值，ai为步骤六选取的权值、阈值染体上的第i个基因，即第i个权值、阈值，a
min
为该染体上最小的权值、阈值，a
max
为该染体上最大的权值、阈值，g为当前迭代次数，k为最大迭代次数。
[0033]
本发明一种变电站内无线感知设备丢包率的预测方法，技术效果如下：
[0034]
1)：本发明建立了变电站无线感知设备丢包率的预测模型，并以遗传算法优化bp神经网络内部的权、阈值，从而达到对无线感知设备丢包率的最优预测。
[0035]
2)：本发明采用算法预测的方式计算无线感知设备的丢包率，避免了变电站工作人员测量丢包率的复杂流程，更方便站内工作人员的实际工程运用与评估无线感知设备的干扰程度。
附图说明
[0036]
图1为本发明预测方法的bp神经网络拓扑图。
[0037]
图2为本发明遗传算法优化的bp神经网络流程示意图。
具体实施方式
[0038]
一种变电站内无线感知设备丢包率的预测方法，以变电站5g天线的发射频率、5g天线的发射功率、无线感知设备距5g天线的距离、无线感知设备处的电场强度、无线感知设备的数据传输速率作为bp神经网络的输入参量，以无线感知设备的丢包率作为输出参量。通过利用遗传算法对bp神经网络训练时的阈值和权值进行不断筛选，从而得出无线感知设备丢包率的最优预测。包括以下步骤：
[0039]
步骤一：以相同的时间间隔
△
t，将无线感知设备测量的数据传递给终端计算机，并通过终端计算机安装的丢包率测量软件读取n次丢包率，并记录每一次无线感知设备的数据传输速率、5g天线发射的信号频率、无线感知设备处的5g信号、无线感知设备
处的电场强度、无线感知设备到5g天线间的距离。
[0040]
其中：5g天线发射的信号频率及目标无线感知设备处的5g信号采用ets3117接收天线和3075x-r频谱仪测量、目标无线感知设备处的电场强度采用narda nbm550场强测量仪测量、目标无线感知设备到5g天线间的距离采用激光测距仪测量。
[0041]
步骤二：将采集的n组样本数据利用公式进行归一化；
[0042]
其中：x
′
为某一指标的参量归一化后的值，x为该指标的参量值，该指标x
max
参量值的最大值，该指标x
min
参量值的最小值。
[0043]
将归一化后的5g天线的发射频率、无线感知设备处的5g信号、目标无线感知设备处的电场强度、距5g的距离、无线感知设备的数据传输速率作为输入参量，归一化后的无线感知设备丢包率作为输出参量。根据输入的参量变电站内部5g天线的发射频率、发射功率、目标无线感知设备处的5g天线辐射场强、距5g的距离以及此时的数据传输速率，可以确定使用的bp神经网络输入层神经节点为5；根据输出参量无线感知设备的丢包率，可以确定使用的bp神经网络输出层神经节点为1。可以由：
[0044][0045]
确定隐藏层的神经元数目nh为8，式中ni表示bp神经网络输入层神经节点的个数、no是bp神经网络输出层神经节点的个数、ns是训练集的样本数。α是范围在[2,10]之间的任意值，这里取25/12。因此，最后确定bp神经网络的拓扑结构图如图1所示。
[0046]
步骤三：赋予bp神经网络输入层到隐藏层和隐藏层到输出层的所有突触初始的权值ω、阈值v，并将归一化后的输入参量输入到bp神经网络中进行学习训练，达到最大学习次数x后输出预测结果，后与实际测量的丢包率进行比较，若满足误差范围则停止训练，若不满足则进入步骤四。
[0047]
步骤四：对于不满足训练要求的bp神经网络，则将所有预测的丢包率视作为个体，并将每个个体训练结束后的权值、阈值发送给遗传算法，利用遗传算法对这些个体对应的bp神经网络的权值、阈值进行实数编码，得到这些个体遗传的权值染体库ω
(1)
＝[ω
(1)1
,ω
(1)2
,
…
,ω
(1)m
]、ω
(2)
＝[ω
(2)1
,ω
(2)2
,
…
,ω
(2)m
]、
…
、ω
(n)
＝[ω
(n)1
,ω
(n)2
,
…
,ω
(n)m
]，以及阈值的染体库v
(1)
＝[v
(1)1
,v
(1)2
,
…
,v
(1)m
]、v
(2)
＝[v
(2)1
,v
(2)2
,
…
,v
(2)m
]、
…
、v
(n)
＝[v
(n)1
,v
(n)2
,
…
,v
(n)m
]。
[0048]
步骤五：利用公式对第i个体进行适应度计算，fi为第i个个体的适应度，适应度越小说明预测结果越好，di为第i个个体的预测丢包率，di′
为第i个个体的实际丢包率。
[0049]
步骤六：随机从步骤三的权值、阈值基因序列中每次选取两条基因，其中每个基因的选取概率为
[0050]
进一步地，由于神经网络内部的权、阈值染体都采用实数编码，因此将选取后的染体用实数交叉法进行染体交叉操作：
[0051][0052]
其中：a、b是从步骤六选取的权值、阈值染体，a
′
、b
′
是交叉操作后的基因，λ取(0,1)之间的随机数。
[0053]
之后，将交叉后的染体采用如下的变异操作：
[0054][0055]
式中其中r1，r2均为(0,1)之间的任意值，ai为步骤六选取的权值、阈值染体上的第i个基因，即第i个权值、阈值，a
min
为该染体上最小的权值、阈值，a
max
为该染体上最大的权、阈值，g为当前迭代次数，k为最大迭代次数。
[0056]
经过交叉和变异后生两条新的权值、阈值染体。
[0057]
步骤七：采用步骤六的方法生成n条新的权值、阈值染体，将染体上面的基因发送给bp神经网络中，并重新执行步骤三的操作，直至得出满足训练误差要求的最优bp神经网络及其权值、阈值。
[0058]
实施例：
[0059]
以500kv某变电站为例，将各参数下的实际丢包率与本发明方法计算的预测丢包率进行对比，其中设置训练迭代次数为1000，bp神经网络隐藏层节点数量为8，选择样本数据的85％作为训练集，15％的数据作为测试集。训练完成后，基于遗传算法改进的bp神经网络预测的无线感知设备丢包率与实际丢包率之间的误差如表1所示：
[0060]
表1实际丢包率与预测丢包率
[0061]
[0062][0063]
可以看到各预测值与实际值之间的误差均控制在5％的误差范围之内，可认为满足预测要求。

技术特征：

1.一种变电站内无线感知设备丢包率的预测方法，其特征在于包括以下步骤：步骤一：采集n组变电站内部5g天线发射的信号频率、无线感知设备处的电场大小、无线感知设备处的5g信号强度、无线感知设备距5g天线的距离、无线感知设备的数据传输速率和此时的无线感知设备的丢包率作为样本；步骤二：将步骤一采集的n组样本全部归一化，以无线感知设备的数据传输速率、5g天线发射的信号频率、无线感知设备处的5g信号、无线感知设备处的电场强度、无线感知设备到5g天线间的距离作为输入参量，以此时的无线感知设备的丢包率作为输出参量，确定bp神经网络的拓扑结构；步骤三：设置bp神经网络各突触的初始权值ω、阈值v，并将步骤二归一化后的输入参量输入到bp神经网络中进行学习训练，达到最大学习次数x后输出预测结果；然后与实际测量的丢包率进行比较，若满足误差范围，则停止训练；若不满足则进入步骤四；步骤四：若不满足训练要求，则将bp神经网络所有预测的丢包率视作为个体，将每个个体训练结束后的权值、阈值发送给遗传算法，利用遗传算法对这些个体对应的bp神经网络的权值、阈值进行实数编码，得到这些个体遗传的权值染体库：ω
(1)
＝[ω
(1)1
,ω
(1)2
,
…
,ω
(1)m
]、ω
(2)
＝[ω
(2)1
,ω
(2)2
,
…
,ω
(2)m
]、
…
、ω
(n)
＝[ω
(n)1
,ω
(n)2
,
…
,ω
(n)m
]；ω
(1)
、ω
(2)
、
…
、ω
(n)
分别表示经遗传算法训练后神经网络重新得到的n个权值矩阵；ω
(n)1
,ω
(n)2
,
…
,ω
(n)m
表示重新得到的第n个权值矩阵内的m个权值；以及阈值的染体库：v
(1)
＝[v
(1)1
,v
(1)2
,
…
,v
(1)m
]、v
(2)
＝[v
(2)1
,v
(2)2
,
…
,v
(2)m
]、
…
、v
(n)
＝[v
(n)1
,v
(n)2
,
…
,v
(n)m
]；v
(1)
、v
(2)
、
…
、v
(n)
分别表示经遗传算法训练后神经网络重新得到的n个阈值矩阵；v
(n)1
,v
(n)2
,
…
,v
(n)m
表示重新得到的第n个阈值矩阵内的m个阈值；步骤五：利用公式n表示需要预测丢包率的无线感知设备个数；对第i个体进行适应度计算，f
i
为第i个个体的适应度，适应度越小说明预测结果越好；d
i
为第i个个体的预测丢包率，d
i
′
为第i个个体的实际丢包率；步骤六：随机从步骤四的权值、阈值染体库中每次选取两条染体，其中：每条染体的选取概率为选取后的染体通过交叉、变异产生两条新的权值、阈值染体；步骤七：采用步骤六的生成n条新的权值、阈值染体，并将其中的权值、阈值染体上的基因发送给bp神经网络中，并且重新执行步骤三的操作，直至得出满足训练误差要求的最优bp神经网络及其权值、阈值。2.根据权利要求1所述一种变电站内无线感知设备丢包率的预测方法，其特征在于：所述步骤一中，以相同的时间间隔
△
t，将无线感知设备测量的数据传递给终端计算机，并通过终端计算机安装的丢包率测量软件读取n次丢包率，并记录每一次无线感知设备的数据传输速率、5g天线发射的信号频率、无线感知设备处的5g信号、无线感知设备处的
电场强度、无线感知设备到5g天线间的距离。3.根据权利要求1所述一种变电站内无线感知设备丢包率的预测方法，其特征在于：所述步骤二中，采集的n组样本数据通过公式进行归一化；其中：x
′
为某一指标的参量归一化后的值，x为该指标的参量值，该指标x
max
参量值的最大值，该指标x
min
参量值的最小值。4.根据权利要求1所述一种变电站内无线感知设备丢包率的预测方法，其特征在于：所述步骤二中，bp神经网络的拓扑结构的确定方法为：将归一化后的5g天线发射的信号频率、无线感知设备处的5g信号、无线感知设备处的5g信号强度、无线感知设备距5g天线的距离、无线感知设备的数据传输速率作为输入参量，归一化后的无线感知设备丢包率作为输出参量；根据输入的参量变电站内部5g天线的信号频率、无线感知设备处的5g信号强度、无线感知设备距5g天线的距离以及此时的数据传输速率，能够确定使用的bp神经网络输入层神经节点为5；根据输出参量无线感知设备的丢包率，能够确定使用的bp神经网络输出层神经节点为1；由：式中：n
i
表示bp神经网络输入层神经节点的个数；n
o
是bp神经网络输出层神经节点的个数；n
s
是训练集的样本数；α是范围在[2,10]之间的任意值。5.根据权利要求1所述一种变电站内无线感知设备丢包率的预测方法，其特征在于：所述步骤六还包括：染体的交叉操作为：其中：a、b是从步骤六选取的权值、阈值染体，a
′
、b
′
是交叉操作后的基因，λ取(0,1)之间的随机数；交叉后的染体变异操作为：式(3)中，r1，r2均为每次迭代时在(0,1)之间生成的任意值，a
i
为步骤六选取的权值、阈值染体上的第i个基因，即第i个权值、阈值，a
min
为该染体上最小的权值、阈值，a
max
为该染体上最大的权值、阈值，g为当前迭代次数，k为最大迭代次数。

技术总结

一种变电站内无线感知设备丢包率的预测方法，以变电站5G天线的发射频率、5G天线的发射功率、无线感知设备距5G天线的距离、无线感知设备处的电场强度、无线感知设备的数据传输速率作为BP神经网络的输入参量，以无线感知设备的丢包率作为输出参量。通过利用遗传算法对BP神经网络训练时的阈值和权值进行不断筛选，从而得出无线感知设备丢包率的最优预测。该方法实现了对无线感知设备所受干扰程度的实时监测；并且避免了丢包率测量过程中的复杂流程，更适用于站内工作人员的实际运用。用。用。