【技术实现步骤摘要】
本专利技术属于电力线噪声分析，具体涉及一种多尺度特征分解可重构电力线噪声分析方法。
技术介绍
0、
技术介绍
：
1、智能电网的发展和新型电力系统建设步伐的不断加快，对电力通信网的承载能力提出了更高的要求，而电力线载波通信以其广覆盖、低成本等显著优势在电力通信网的构建中也发挥着越来越重要的作用。然而，海量电力电子设备的不断接入导致电力线通信的环境不断恶化，其产生的复杂噪声严重影响了通信质量，大大降低了数据传输的准确性。
2、分析电力线噪声特性对减小电力线噪声干扰，提高其通信的可靠性具有重要意义。然而，现有的电力线噪声分析技术没有考虑噪声特征信息的相似度比对结果，导致电力线噪声特性的预测准确度不高，同时没有考虑噪声特征数据的多尺度特征分解对电力线载波信道噪声的重构以及噪声特征预测精度的影响，导致噪声特性的预测精度差。因此迫切需要一种多尺度特征分解可重构电力线噪声分析方法。
3、然而，现有的电力线噪声分析技术难以满足复杂噪声环境下电力线噪声预测的准确度和高精度需求：
4、1)传统的电力线噪声分析技术没有考虑噪声特征信息的相似度比对结果，难以适配当前复杂电力线通信噪声环境下的多类型差异化电力线载波信道噪声预测，导致电力线噪声特性的预测准确度不高，因此，如何将相似度结果比对应用于电力线噪声分析中提高电力线噪声预测的准确度是一个亟待解决的问题。
5、2)传统的电力线噪声分析技术没有考虑噪声特征数据的多尺度特征分解对电力线载波信道噪声的重构以及噪声特征预测精度的影响，难以实现噪声待重构
技术实现思路
0、
技术实现思路
：
1、有鉴于此，本专利技术的目的在于提出一种多尺度特征分解可重构电力线噪声分析方法，以实现可靠的电力线噪声特性高精度预测分析。
2、为达到上述目的,本专利技术提供如下技术方案:
3、一种多尺度特征分解可重构电力线噪声分析方法，该方法利用最小二乘法比对获取电力线噪声数据库和压缩噪声特征数据的相似度结果，并通过构建聚合lstm小波循环神经网络优化电力线噪声特征预测结果，之后通过对噪声特征数据进行多尺度特征分解，利用残差法迭代求解噪声待重构信号的估计值和真实值的最佳逼近稀疏解，实现电力线噪声特性的高精度预测分析。该方案具体包括以下步骤：
4、s1：采集电力线混合噪声数据，通信频带、电力线阻抗数据，建立电力线混合噪声数据库；
5、s2：对电力线混合噪声数据进行数据压缩，提取其中的有效特征信息。
6、s3：将压缩后噪声特征数据、通信频带、电力线阻抗3类数据组建成数据集。
7、s4：提取电力线噪声数据库中的5种标准电力线噪声特征，利用最小二乘法与步骤s2提取的噪声特征数据进行中心距离比对，得到相似度结果。
8、s5：基于噪声类型分别构建5种lstm小波循环神经网络，将数据库中的历史数据输入lstm小波循环神经网络进行训练。
9、s6：构建聚合lstm小波循环神经网络，通过聚合lstm小波循环神经网络输出优化后的电力线噪声特征预测数据。
10、s7：对电力线噪声特征数据进行多尺度特征分解。
11、s8：通过残差法求解噪声待重构信号的估计值和真实值的逼近稀疏解，满足迭代精度要求时停止迭代，重构出电力线噪声原始信号。
12、进一步的，所述步骤s1中，电力线混合噪声数据库包括有色背景噪声、窄带噪声、工频异步周期脉冲噪声、工频同步周期脉冲噪声、随机脉冲噪声。
13、进一步的，所述步骤s2中，电力线混合噪声数据压缩方法采用高斯随机矩阵对电力线混合噪声数据进行数据压缩，提取其中的有效特征信息，压缩后的噪声特征数据为一维数组。
14、与现有技术相比，本专利技术具有以下优点:
15、1)本专利技术基于相似度结果，通过构建并训练5种lstm小波循环神经网络进一步得到聚合后的lstm小波循环神经网络，输出优化后的电力线噪声特征预测数据，提高电力线噪声特性的预测可信度。
16、2)本专利技术通过将电力线噪声特征数据进行多尺度特征分解，将各特征分量间的影响降低，减小噪声预测过程的难度，同时利用残差法使噪声待重构信号的估计值和真实值的不断逼近直至满足误差精度，实现电力线噪声特性的高精度预测分析。
本文档来自技高网...【技术保护点】
1.一种多尺度特征分解可重构电力线噪声分析方法，其特征在于，该方法利用最小二乘法比对获取电力线噪声数据库和压缩噪声特征数据的相似度结果，并通过构建聚合LSTM小波循环神经网络优化电力线噪声特征预测结果，之后通过对噪声特征数据进行多尺度特征分解，利用残差法迭代求解噪声待重构信号的估计值和真实值的最佳逼近稀疏解，实现电力线噪声特性的高精度预测分析。
2.根据权利要求1所述的一种多尺度特征分解可重构电力线噪声分析方法，其特征在于，该方案具体包括以下步骤：
3.根据权利要求2所述的构建聚合LSTM小波循环神经网络，其特征在于，基于噪声类型构建5种LSTM小波循环神经网络，通过最小二乘法比对标准电力线噪声特征和压缩后噪声特征获取相似度结果，以适应不同类型噪声的分析需求，并基于相似度结果对5种LSTM小波循环神经网络进行聚合，以实现对电力线噪声特征预测数据的优化输出。
4.根据权利要求2所述的电力线噪声特征数据多尺度特征分解，其特征在于，将电力线噪声特征数据分解为不同特征尺度的多个子分量，以降低电力线噪声信号重构难度，根据每个特征对电力线噪声分析的重要程度
...【技术特征摘要】
1.一种多尺度特征分解可重构电力线噪声分析方法，其特征在于，该方法利用最小二乘法比对获取电力线噪声数据库和压缩噪声特征数据的相似度结果，并通过构建聚合lstm小波循环神经网络优化电力线噪声特征预测结果，之后通过对噪声特征数据进行多尺度特征分解，利用残差法迭代求解噪声待重构信号的估计值和真实值的最佳逼近稀疏解，实现电力线噪声特性的高精度预测分析。
2.根据权利要求1所述的一种多尺度特征分解可重构电力线噪声分析方法，其特征在于，该方案具体包括以下步骤：
3.根据权利要求2所述的构建聚合lstm小波循环神经网络，其特征在于，基于噪声类型构建5种lst...
【专利技术属性】
技术研发人员：陈晓梅，邓朝龙，薛佳朋，程梓健，胡本涛，周子怡，周振宇，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。