[發明專利]基于自組織映射神經網絡的電力線通信噪聲識別方法及裝置

有效

• 申請號: 202110758835.3
• 申請日: 2021-07-05
• 公開（公告）號: CN113489514B
• 公開（公告）日: 2022-07-26
• 發明（設計）人: 劉謀海;肖宇;劉朝陽;葉志;黃瑞;劉小平;賀星;曾文偉
• 申請（專利權）人: 國網湖南省電力有限公司;國網湖南省電力有限公司供電服務中心（計量中心）;國家電網有限公司
• 主分類號: H04B3/54
• 分類號: H04B3/54;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 湖南兆弘專利事務所(普通合伙) 43008
• 代理人: 胡君

1.一種基于自組織映射神經網絡的電力線通信噪聲識別方法，其特征在于，步驟包括：

S1.噪聲特征提取：從不同維度提取電力線通信中噪聲數據特征，并基于自然進化策略進行特征選擇，建立噪聲特征庫；

S2.噪聲聚類：使用自組織映射神經網絡對所述噪聲特征庫中數據進行自動聚類，得到噪聲集群，所述自組織映射神經網絡中每次學習時尋找輸入輸出距離最小的節點作為獲勝節點，同時基于獲勝節點確定權值調整域，然后直接更新權值調整域內的所有節點；

S3.噪聲分類：基于概率密度函數將每個所述噪聲集群分別與預設的多種分布類型進行關聯匹配，確定出每個聚類集群最為匹配的分布類型，實現噪聲識別分類；

所述步驟S1中具體基于協方差矩陣建模的自然進化策略進行特征選擇，步驟包括：

S101.初始化：使用在超參數上重復添加高斯擾動對分布均值向量V進行初始化，以及使用單位矩陣對分布協方差矩陣M進行初始化；

S102.迭代計算：迭代生成每個特征的分布取值，每次迭代時將所述分布均值向量V中的每個元素、與所述分布協方差矩陣M中對應的對角元素作為正態分布的參數進行高斯采樣，將高斯采樣結果作為對應特征的分布取值；

S103.特征映射：將迭代得到的各特征的所述分布取值映射到布爾型特征選擇上，得到最終的特征選擇結果。

2.根據權利要求1所述的基于自組織映射神經網絡的電力線通信噪聲識別方法，其特征在于：所述步驟S1中提取的噪聲特征包括噪聲信號的本體特征和/或噪聲信號之間的相關性特征。

3.根據權利要求2所述的基于自組織映射神經網絡的電力線通信噪聲識別方法，其特征在于，所述本體特征包括：絕對值、樣本和、樣本平方和、樣本標準差、樣本偏度、樣本峰度、距離相關系數、近似熵、超過給定電壓等級的樣本數量、在給定頻率范圍內的樣本能量、樣本中兩個最大峰值間的距離中任意一種或兩種以上的組合；

所述相關性特征包括pearson相關系數、兩個通道的噪聲信號間的距離、兩個通道的噪聲信號之差的近似熵、兩個通道的噪聲信號之和的近似熵、兩個通道的噪聲信號之間相關性的標準差、兩個通道的噪聲信號之間相關性的偏度、兩個通道的噪聲信號之間相關性的峰度中任意一種或兩種以上的組合。

4.根據權利要求1所述的基于自組織映射神經網絡的電力線通信噪聲識別方法，其特征在于，所述步驟S103中具體按照下式進行編碼，以將迭代得到的各特征的所述分布取值映射到布爾型特征選擇上；

其中，表示在第g次迭代計算中第i個特征的分布取值，ρ為預設閾值。

5.根據權利要求1～4中任意一項所述的基于自組織映射神經網絡的電力線通信噪聲識別方法，所述步驟S2的具體步驟包括：

S201.初始化：對輸出層各權向量進行初始化，以及建立初始優勝鄰域和學習率初值；

S202.樣本輸入：將輸入樣本輸入至所述自組織映射神經網絡的輸入層；

S203.尋找獲勝節點：根據所述自組織映射神經網絡中輸入層與輸出層之間各節點的距離，尋找出獲勝節點；

S204.確定優勝鄰域：以尋找出的所述獲勝節點為中心，確定出優勝鄰域以用于確定權值調整域；

S205.調整權值：更新所述優勝鄰域內所有節點的權值；

S206.當達到預設學習步長時更新所述學習率，重新返回執行步驟S202，直至達到結束條件，得到最終聚類結果。

6.根據權利要求5所述的基于自組織映射神經網絡的電力線通信噪聲識別方法，其特征在于，所述步驟S206中，具體按照下式更新學習速率：

其中，α(0)為所述學習率初值，α(t)為更新后的學習率，t為當前時刻值，T為預設學習步長，a為預設系數。