一种利用深度学习的电力信号数据合并方法技术

本发明专利技术属于物联网通信领域，具体涉及一种利用深度学习的电力信号数据合并方法，包括：构建电力线宽带载波通信系统；获取电力数据；对电力数据进行信号调制、分级拷贝以及OFDM调制处理；将OFDM信号传输到发送信号接收端；信号接收端对OFDM信号进行信道估计和解调，得到重复传输的分集拷贝数据块的对数似然估计值；采用LSTM网络对对数似然估计值进行合并，将合并后的数据输入到DNN网络中进行译码，得到最终数据块；本发明专利技术通过大量的训练自适应不同的电力线噪声环境，提高了模型的鲁棒性。提高了模型的鲁棒性。提高了模型的鲁棒性。

【技术实现步骤摘要】
一种利用深度学习的电力信号数据合并方法


[0001]本专利技术属于物联网通信领域，具体涉及一种利用深度学习的电力信号数据合并方法。

技术介绍

[0002]低压电力线宽带载波(Low voltage broadband power line carrier communication,LVPLC)通信，是一种利用电力配电线作为信息传输媒介进行语音或数据传输的一种特殊通信方式，该技术多用于低压台区用电信息采集系统本地通信中(如抄表)。通信方式采用OFDM技术，通过不同子载波屏蔽方案，可以配置不同的通信频段，典型的通信频段有2
‑
12MHz、2.4
‑
5.6MHz、1.7
‑
3MHz、0.7
‑
3MHz等，其中FFT的点数为1024点，采样率为25MHz，子载波间隔为24.414KHz，编码算法为Turbo双二元编码，物理块的大小包括PB16、PB72、PB136、PB264、PB520等5种类型，码率包括1/2和16/18两种形式，调制方式有BPSK、QPSK、16QAM等3种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用深度学习的电力信号数据合并方法，其特征在于，包括：构建电力线宽带载波通信系统，该系统包括信号发送端和信号接收端；信号发送端从电力线获取电力数据；对电力数据进行信号调制以及分级拷贝处理，对分级拷贝后的数据进行OFDM调制，得到OFDM信号；将OFDM信号传输到发送信号接收端；信号接收端对OFDM信号进行信道估计，并对信道估计结果进行解调，得到重复传输的分集拷贝数据块的对数似然估计值；采用训练后的LSTM网络对多次分集拷贝数据块的对数似然估计值进行合并，将合并后的数据输入到训练后的DNN网络中进行Turbo译码，得到最终数据块；对最终数据块进行校验，若校验成功，则输出最终数据块，并保存分集拷贝数据LLR值以及解码比特数据块，否则对最终数据块进行丢失。2.根据权利要求1所述的一种利用深度学习的电力信号数据合并方法，其特征在于，对电力数据进行信号调制过程包括：对电力数据QPSK调制，QPSK调制的表达式为：S
i
(t)＝Acos(ω
c
t+θ
i
),i＝1,2,3,4,0＜t＜T
s
其中，S
i
(t)表示调制后的输出信号，A表示用于信号调制的正弦载波的幅值，ω
c
表示正弦载波的角频率，t表示时间，θ
i
表示正弦载波的相位，T
s
表示四进制符号的间隔。3.根据权利要求1所述的一种利用深度学习的电力信号数据合并方法，其特征在于，对分级拷贝后的数据进行OFDM调制的过程包括：将分级拷贝后的串行符号序列X(k),k＝0,1,
…
,N
‑
1转换为N个并行序列，将每个并行序列X
l
(k)加载到各个子载波上，得到基带发射信号x(t)；以t
s
为采样间隔对基带发射信号采样，得到离散抽样值。4.根据权利要求1所述的一种利用深度学习的电力信号数据合并方法，其特征在于，对OFDM信号进行信道估计的过程包括：获取OFDM信号的频率和时间方向上的导频信息，利用频率和时间方向上的导频信息来对信道特性进行描绘；对描绘后的信息进行抽样、滤波、降噪处理，恢复出信道全频率的频率响应；采用最小二乘法对频率响应进行估计，得到信道估计结果。5.根据权利要求1所述的一种利用深度学习的电力信号数据合并方法，其特征在于，对对信道估计结果进行解调过程包括：将信道估计结果转换为频域信号，转换的公式为：其中，r(n)为对接收信号r(t)以采样间隔t
s
采样得到的离散值，N为子载波的个数；n表示第n个子信道，k表示第k个子载波。6.根据权利要求1所述的一种利用深度学习的电力信号数据合并方法，其特征在于，采用LSTM网络对多次分集拷贝数据块的对数似然估计值进行合并的过程包括：LSTM网络包括输入层、第一隐藏层、第二隐藏层以及输出层；LSTM网络对数据进行合并的公式为：f
f
＝σ(ω
f
·
[h
t
‑1,x
t
]+b
f
)o
t
＝σ(ω
...

【专利技术属性】
技术研发人员：张佳鑫，段红光，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：