基于粒子群優(yōu)化算法的電力線載波通信建模方法綜述

基于粒子群優(yōu)化算法的電力線載波通信建模方法綜述

0研究中的問題電能線過載（rc）是指以中、低壓電氣網(wǎng)為介質的傳輸數(shù)據(jù)、聲音和圖像通信模式。因其信道分布廣、成本低、速率高、即插即用、牢固性好等優(yōu)勢,PLC成為當前通信領域的一個研究熱點。作為開放信道,電力線信道呈現(xiàn)出高噪聲、強衰減、負荷變化劇烈、阻抗變化大、頻率響應不平坦等惡劣性能。信道模型對于研究低壓電力線載波通信的調制、編碼、傳輸和解調有很重要的意義。國內外對低壓電力線信道的研究大部分還停留在測量階段,關于建模的文章較少。傳統(tǒng)的電力線模型采用均勻傳輸線電路模型,沒有考慮低壓電力線具有負荷的多變性、時變性以及復雜的網(wǎng)絡結構等特點,其計算結果具有難以預料的誤差。文獻考慮了電力線的非均勻傳輸特性,提出電力線非均勻傳輸電路模型,但沒有給出模型參數(shù)的選取方法。文獻用多導體傳輸線理論建立信道模型,但其邊界條件(即發(fā)送點各導線的電壓和負載的導納矩陣)的確定很困難。目前得到公認的是文獻提出的多徑信號傳輸模型,該模型路徑數(shù)越多,精度越高,需要估計的參數(shù)也越多,尤其是我國的電力線路情況較復雜,線路用材、叉路分支、老化以及線路所處環(huán)境的電磁干擾等與歐美國家有很大差別,這使得模型參數(shù)的確定成為難以解決的問題。文獻分別取路徑數(shù)為3和4用遺傳算法進行參數(shù)辨識,取得了較好的效果。群集智能研究的新進展——粒子群優(yōu)化算法(particleswarmoptimization,PSO)是一種高效并行優(yōu)化方法,可用于求解大量非線性、不可微和多峰值的復雜優(yōu)化問題。由于沒有遺傳算法中的交叉與變異操作,PSO算法運行速度快,計算量小,程序實現(xiàn)非常簡潔,需要調整的參數(shù)少,因此發(fā)展很快,已應用于多個科學和工程領域。本文將基于已有的多徑電力線傳輸模型結構,以實測數(shù)據(jù)為樣本,將改進粒子群算法應用于低壓載波通信信道模型的多參數(shù)辨識,以縮短辨識時間,提高擬合精度,克服參數(shù)的分散性。1節(jié)點抗不連續(xù)點建立一個合適的信道傳遞模型對通信系統(tǒng)的設計十分重要。高頻信號在低壓電力線上傳輸時除了直接到達接收機外,還會經(jīng)過多次反射再到達接收機,這就形成了信號的多徑傳輸。低壓配電線上產(chǎn)生多徑傳輸?shù)脑蛑饕蔷€路阻抗存在不連續(xù)性。電力線網(wǎng)絡存在許多分支,也就存在眾多的阻抗不連續(xù)點,這使信號在電力線上不能從發(fā)射端直接傳輸?shù)浇邮斩?而是在節(jié)點處發(fā)生反射,反射波使得發(fā)射信號發(fā)生頻率選擇性衰減。除了線路分支,與線路阻抗不匹配的負載及線路本身的不連續(xù)也會引起多徑傳輸。文獻采用自頂向下的方法,把通信通道看作一個黑匣子,并用一個傳遞函數(shù)來描述其傳遞特性,推導出現(xiàn)在較為公認的低壓電力線多徑信號傳輸模型為式中:f為傳輸信號頻率;N為路徑總數(shù);gi為第i條路徑的加權因子,表征信號的反射和傳輸;di為第i條路徑的長度;c為光速;α0、1α、k為常數(shù),由電纜的物理幾何性質決定,可利用實際測量的頻率響應通過一些濾波算法得到。上述模型中路徑數(shù)N越多,模型精度越高。N=1時需要估計5個參數(shù),N=44時需要估計91個參數(shù)。2pso算法2.1迭代定位最優(yōu)解的建立PSO算法是由Kennedy和Eberhart博士在1995年提出的一種新型全局優(yōu)化進化算法。該算法源于對鳥類捕食行為的模擬,通過鳥群之間的集體協(xié)作而使群體達到最優(yōu)。PSO初始化為一群隨機粒子(隨機解),每個粒子代表解空間(d維)的一個候選解,通過迭代找到最優(yōu)解,解的優(yōu)劣程度根據(jù)優(yōu)化目標由適應函數(shù)決定。每個粒子根據(jù)自身的飛行經(jīng)驗和群體的飛行經(jīng)驗來調整自己的飛行軌跡,向最優(yōu)點靠攏。對于某個粒子i,其位置表示為xi=[xi1,xi2,,xid],飛行速度vi=[vi1,vi2,,vid],它所經(jīng)歷的最好位置pi=[pi1,pi2,,pid],也稱pbest;群體所有微粒經(jīng)歷的最好位置稱為gbest。粒子更新自己的速度和位置的計算公式為式中:i=1,2,,m,m為微粒個數(shù);t為迭代次數(shù);w為慣性權重,它使粒子保持運動的慣性,使其具有擴展搜索空間的趨勢;c1和c2為學習因子,它們使每個微粒向pbest和gbest位置加速運動;r1、r2為之間的隨機數(shù)。粒子通過不斷學習更新,最終飛至解空間中最優(yōu)解所在的位置,整個搜索過程結束,最后輸出的gbest就是全局最優(yōu)解。2.2改進的pso算法PSO算法在搜索初期收斂速度快,但在后期受隨機振蕩的影響容易陷入局部解且搜索效率較低,魯棒性不好。本文根據(jù)PSO算法流程,提出一種改進粒子群優(yōu)化(enhancedparticleswarmoptimization,EPSO)算法,以加速迭代并提高全局搜索能力。1)對慣性權重w的改進。w對PSO是否收斂起著重要作用,w取值大些有利于全局搜索,收斂速度快,但不易得到精確解;w取值小些有利于局部搜索和得到更為精確的解,但收斂速度慢,且有時會陷入局部極值。本文的EPSO算法對w采用動態(tài)取值方式,其值隨迭代的進行而線性減少,這將顯著改善算法的收斂性能。設wmax為最大權重系數(shù),wmin為最小權重系數(shù),t為當前迭代次數(shù),tmax為算法總的迭代次數(shù),則有2)模擬退火粒子群算法。模擬退火算法是模擬物理系統(tǒng)徐徐退火過程的一種整體優(yōu)化算法,具有較強的全局搜索能力,不受搜索空間的限制。該算法既可以接收好解,也可以一定的概率接收劣解,這使得模擬退火算法即便落入局部最優(yōu)的陷阱中,理論上經(jīng)過足夠長的時間后也可跳出來并收斂到全局最優(yōu)解。本文將其引入PSO算法的后期尋優(yōu)過程,對粒子群進化后的適應值采用Metropolis準則,在接收優(yōu)化解的同時按照exp(-?E/T)>rand(0,1)的概率接收惡化解,自適應調整退火溫度,隨著溫度的下降,粒子逐漸形成低能量基態(tài),收斂到全局最優(yōu)解。其中?E為新舊解的適應度函數(shù)值之差,T為退火溫度,rand(0,1)為0～1之間的隨機數(shù)。3epo算法用于降低載波通信通道模型的參數(shù)識別3.1誤差目標函數(shù)以優(yōu)化為基礎的非線性系統(tǒng)參數(shù)辨識方法主要是尋找一組最優(yōu)的參數(shù)向量,使預定的誤差目標函數(shù)E(Z)值達到最小。誤差目標函數(shù)通常選取輸出誤差的平方和函數(shù),即式中:Ym(k)為第k次測量值;Ye(k)為第k次計算值;N為評價長度。適應值是評定粒子優(yōu)劣的標準,取式(5)的倒數(shù)作為適應度函數(shù)。3.2衰減參數(shù)范圍辨識中衰減參數(shù)和路徑參數(shù)的范圍根據(jù)最小二乘法的擬合結果得到,即:先取路徑數(shù)為1,用最小二乘法進行擬合,得到一組衰減參數(shù),在這組參數(shù)的數(shù)量級范圍內取EPSO算法的衰減參數(shù)范圍;路徑參數(shù)d的范圍以實際載波通信網(wǎng)絡的大概物理長度為依據(jù)。群體規(guī)模設為200,初始群體在參數(shù)范圍內隨機選取。3.3初始粒子的計算EPSO算法的尋優(yōu)步驟如下:1)初始化參數(shù),包括對慣性權重wmax和wmin、學習因子c1和c2、退火初始溫度T、退火速度a的初始化。2)隨機產(chǎn)生含m個粒子的種群。這一過程分2個階段:(1)在擴大的解空間內用生成隨機數(shù)的方法產(chǎn)生初始粒子;(2)判斷粒子是否滿足約束條件,若不滿足則予以剔除。3)計算每個粒子的適應度并從中選出全局最優(yōu)粒子。4)利用式(2)(3)對粒子更新迭代。作為初始粒子的第一次迭代,其個體最優(yōu)就是粒子本身,之后采用其在解空間移動時經(jīng)歷的最好位置進行更新。5)計算更新后的粒子適應度,比較、選取并記錄粒子的個體最優(yōu)位置和全局最優(yōu)位置。6)計算2個位置引起的適應度函數(shù)值的變化量?E,若?E≤0則接受新值,若exp(-?E/T)>rand(0,1)也接受新值,否則拒絕新值,粒子位置不變。7)若接受新值,則降溫(T←aT),否則不降溫。8)判斷找到的最優(yōu)解是否達到收斂條件或最大迭代次數(shù),若滿足條件說明已得到模型的最優(yōu)解,輸出結果,否則轉到3)。4電力線多徑傳輸模型參數(shù)辨識采用網(wǎng)絡分析儀HP4395A,對在某大樓內相距500m的實際供電插座之間測量到的幾組信號的傳輸衰減特性進行分析。將測量值的平均值作為反映信道傳輸特性的測量值,分別取路徑數(shù)為4和18徑,用EPSO算法、PSO算法和遺傳算法(geneticalgorithm,GA)進行參數(shù)辨識。EPSO算法的參數(shù)設置為:粒子數(shù)取20,wmax=0.9,wmin=0.4,c1=c2=2,退火速度a=0.8,退火初始溫度T=5000,預定迭代次數(shù)為200,共進行150次運算。GA算法的參數(shù)按文獻選取,采用部分映射交叉方法,交叉概率為0.8,采用非一致變異方法,變異概率范圍為0.05。用EPSO算法、基本PSO算法、GA算法分別對電力線多徑傳輸模型參數(shù)進行辨識,表1、2為EPSO算法對4徑和18徑傳輸信道的參數(shù)辨識結果。幾種算法的衰減和沖激響應實測曲線與擬合結果比較見圖1～4。由圖1～4中實測系統(tǒng)的幅頻特性和沖激響應結果可看出擬合曲線與實測曲線基本吻合,這說明傳輸模型是可行的,但還存在一些誤差。使用EPSO算法的18路徑擬合精度明顯高于4路徑擬合的精度,這是因為路徑數(shù)取得較小,與實際情況有出入,另外實測數(shù)據(jù)也不可避免地存在誤差。從18路徑擬合結果可以看出:GA擬合誤差較大,PSO算法擬合誤差減小,EPSO算法擬合最為精確。分別用GA和EPSO算法對18路徑信道的幅值衰減特性進行了150次辨識,辨識100代的誤差統(tǒng)計特性如表3所示,可以看出:EPSO算法的穩(wěn)定性明顯優(yōu)于GA;EPSO算法搜索到全局最優(yōu)附近區(qū)間的概率明顯大于GA;PSO算法的平均誤差明顯小于GA;EPSO算法的平均辨識時間明顯小于GA。圖5顯示了3種算法每一代最大適應度的變化趨勢?？梢钥闯霎擥A的迭代代數(shù)足夠多時可得到與基本PSO算法接近的精度和參數(shù)值,但PSO算法的收斂速度則快得多。在迭代過程中對參數(shù)越限進行適當處理,可以避免引起迭代增量。5入模擬退火算法1)本文提出一