基于粒子群优化算法的电力线载波通信建模方法综述

基于粒子群优化算法的电力线载波通信建模方法综述

0研究中的问题电能线过载（rc）是指以中、低压电气网为介质的传输数据、声音和图像通信模式。因其信道分布广、成本低、速率高、即插即用、牢固性好等优势,PLC成为当前通信领域的一个研究热点。作为开放信道,电力线信道呈现出高噪声、强衰减、负荷变化剧烈、阻抗变化大、频率响应不平坦等恶劣性能。信道模型对于研究低压电力线载波通信的调制、编码、传输和解调有很重要的意义。国内外对低压电力线信道的研究大部分还停留在测量阶段,关于建模的文章较少。传统的电力线模型采用均匀传输线电路模型,没有考虑低压电力线具有负荷的多变性、时变性以及复杂的网络结构等特点,其计算结果具有难以预料的误差。文献考虑了电力线的非均匀传输特性,提出电力线非均匀传输电路模型,但没有给出模型参数的选取方法。文献用多导体传输线理论建立信道模型,但其边界条件(即发送点各导线的电压和负载的导纳矩阵)的确定很困难。目前得到公认的是文献提出的多径信号传输模型,该模型路径数越多,精度越高,需要估计的参数也越多,尤其是我国的电力线路情况较复杂,线路用材、叉路分支、老化以及线路所处环境的电磁干扰等与欧美国家有很大差别,这使得模型参数的确定成为难以解决的问题。文献分别取路径数为3和4用遗传算法进行参数辨识,取得了较好的效果。群集智能研究的新进展——粒子群优化算法(particleswarmoptimization,PSO)是一种高效并行优化方法,可用于求解大量非线性、不可微和多峰值的复杂优化问题。由于没有遗传算法中的交叉与变异操作,PSO算法运行速度快,计算量小,程序实现非常简洁,需要调整的参数少,因此发展很快,已应用于多个科学和工程领域。本文将基于已有的多径电力线传输模型结构,以实测数据为样本,将改进粒子群算法应用于低压载波通信信道模型的多参数辨识,以缩短辨识时间,提高拟合精度,克服参数的分散性。1节点抗不连续点建立一个合适的信道传递模型对通信系统的设计十分重要。高频信号在低压电力线上传输时除了直接到达接收机外,还会经过多次反射再到达接收机,这就形成了信号的多径传输。低压配电线上产生多径传输的原因主要是线路阻抗存在不连续性。电力线网络存在许多分支,也就存在众多的阻抗不连续点,这使信号在电力线上不能从发射端直接传输到接收端,而是在节点处发生反射,反射波使得发射信号发生频率选择性衰减。除了线路分支,与线路阻抗不匹配的负载及线路本身的不连续也会引起多径传输。文献采用自顶向下的方法,把通信通道看作一个黑匣子,并用一个传递函数来描述其传递特性,推导出现在较为公认的低压电力线多径信号传输模型为式中:f为传输信号频率;N为路径总数;gi为第i条路径的加权因子,表征信号的反射和传输;di为第i条路径的长度;c为光速;α0、1α、k为常数,由电缆的物理几何性质决定,可利用实际测量的频率响应通过一些滤波算法得到。上述模型中路径数N越多,模型精度越高。N=1时需要估计5个参数,N=44时需要估计91个参数。2pso算法2.1迭代定位最优解的建立PSO算法是由Kennedy和Eberhart博士在1995年提出的一种新型全局优化进化算法。该算法源于对鸟类捕食行为的模拟,通过鸟群之间的集体协作而使群体达到最优。PSO初始化为一群随机粒子(随机解),每个粒子代表解空间(d维)的一个候选解,通过迭代找到最优解,解的优劣程度根据优化目标由适应函数决定。每个粒子根据自身的飞行经验和群体的飞行经验来调整自己的飞行轨迹,向最优点靠拢。对于某个粒子i,其位置表示为xi=[xi1,xi2,,xid],飞行速度vi=[vi1,vi2,,vid],它所经历的最好位置pi=[pi1,pi2,,pid],也称pbest;群体所有微粒经历的最好位置称为gbest。粒子更新自己的速度和位置的计算公式为式中:i=1,2,,m,m为微粒个数;t为迭代次数;w为惯性权重,它使粒子保持运动的惯性,使其具有扩展搜索空间的趋势;c1和c2为学习因子,它们使每个微粒向pbest和gbest位置加速运动;r1、r2为之间的随机数。粒子通过不断学习更新,最终飞至解空间中最优解所在的位置,整个搜索过程结束,最后输出的gbest就是全局最优解。2.2改进的pso算法PSO算法在搜索初期收敛速度快,但在后期受随机振荡的影响容易陷入局部解且搜索效率较低,鲁棒性不好。本文根据PSO算法流程,提出一种改进粒子群优化(enhancedparticleswarmoptimization,EPSO)算法,以加速迭代并提高全局搜索能力。1)对惯性权重w的改进。w对PSO是否收敛起着重要作用,w取值大些有利于全局搜索,收敛速度快,但不易得到精确解;w取值小些有利于局部搜索和得到更为精确的解,但收敛速度慢,且有时会陷入局部极值。本文的EPSO算法对w采用动态取值方式,其值随迭代的进行而线性减少,这将显著改善算法的收敛性能。设wmax为最大权重系数,wmin为最小权重系数,t为当前迭代次数,tmax为算法总的迭代次数,则有2)模拟退火粒子群算法。模拟退火算法是模拟物理系统徐徐退火过程的一种整体优化算法,具有较强的全局搜索能力,不受搜索空间的限制。该算法既可以接收好解,也可以一定的概率接收劣解,这使得模拟退火算法即便落入局部最优的陷阱中,理论上经过足够长的时间后也可跳出来并收敛到全局最优解。本文将其引入PSO算法的后期寻优过程,对粒子群进化后的适应值采用Metropolis准则,在接收优化解的同时按照exp(-∆E/T)>rand(0,1)的概率接收恶化解,自适应调整退火温度,随着温度的下降,粒子逐渐形成低能量基态,收敛到全局最优解。其中∆E为新旧解的适应度函数值之差,T为退火温度,rand(0,1)为0～1之间的随机数。3epo算法用于降低载波通信通道模型的参数识别3.1误差目标函数以优化为基础的非线性系统参数辨识方法主要是寻找一组最优的参数向量,使预定的误差目标函数E(Z)值达到最小。误差目标函数通常选取输出误差的平方和函数,即式中:Ym(k)为第k次测量值;Ye(k)为第k次计算值;N为评价长度。适应值是评定粒子优劣的标准,取式(5)的倒数作为适应度函数。3.2衰减参数范围辨识中衰减参数和路径参数的范围根据最小二乘法的拟合结果得到,即:先取路径数为1,用最小二乘法进行拟合,得到一组衰减参数,在这组参数的数量级范围内取EPSO算法的衰减参数范围;路径参数d的范围以实际载波通信网络的大概物理长度为依据。群体规模设为200,初始群体在参数范围内随机选取。3.3初始粒子的计算EPSO算法的寻优步骤如下:1)初始化参数,包括对惯性权重wmax和wmin、学习因子c1和c2、退火初始温度T、退火速度a的初始化。2)随机产生含m个粒子的种群。这一过程分2个阶段:(1)在扩大的解空间内用生成随机数的方法产生初始粒子;(2)判断粒子是否满足约束条件,若不满足则予以剔除。3)计算每个粒子的适应度并从中选出全局最优粒子。4)利用式(2)(3)对粒子更新迭代。作为初始粒子的第一次迭代,其个体最优就是粒子本身,之后采用其在解空间移动时经历的最好位置进行更新。5)计算更新后的粒子适应度,比较、选取并记录粒子的个体最优位置和全局最优位置。6)计算2个位置引起的适应度函数值的变化量∆E,若∆E≤0则接受新值,若exp(-∆E/T)>rand(0,1)也接受新值,否则拒绝新值,粒子位置不变。7)若接受新值,则降温(T←aT),否则不降温。8)判断找到的最优解是否达到收敛条件或最大迭代次数,若满足条件说明已得到模型的最优解,输出结果,否则转到3)。4电力线多径传输模型参数辨识采用网络分析仪HP4395A,对在某大楼内相距500m的实际供电插座之间测量到的几组信号的传输衰减特性进行分析。将测量值的平均值作为反映信道传输特性的测量值,分别取路径数为4和18径,用EPSO算法、PSO算法和遗传算法(geneticalgorithm,GA)进行参数辨识。EPSO算法的参数设置为:粒子数取20,wmax=0.9,wmin=0.4,c1=c2=2,退火速度a=0.8,退火初始温度T=5000,预定迭代次数为200,共进行150次运算。GA算法的参数按文献选取,采用部分映射交叉方法,交叉概率为0.8,采用非一致变异方法,变异概率范围为0.05。用EPSO算法、基本PSO算法、GA算法分别对电力线多径传输模型参数进行辨识,表1、2为EPSO算法对4径和18径传输信道的参数辨识结果。几种算法的衰减和冲激响应实测曲线与拟合结果比较见图1～4。由图1～4中实测系统的幅频特性和冲激响应结果可看出拟合曲线与实测曲线基本吻合,这说明传输模型是可行的,但还存在一些误差。使用EPSO算法的18路径拟合精度明显高于4路径拟合的精度,这是因为路径数取得较小,与实际情况有出入,另外实测数据也不可避免地存在误差。从18路径拟合结果可以看出:GA拟合误差较大,PSO算法拟合误差减小,EPSO算法拟合最为精确。分别用GA和EPSO算法对18路径信道的幅值衰减特性进行了150次辨识,辨识100代的误差统计特性如表3所示,可以看出:EPSO算法的稳定性明显优于GA;EPSO算法搜索到全局最优附近区间的概率明显大于GA;PSO算法的平均误差明显小于GA;EPSO算法的平均辨识时间明显小于GA。图5显示了3种算法每一代最大适应度的变化趋势。可以看出当GA的迭代代数足够多时可得到与基本PSO算法接近的精度和参数值,但PSO算法的收敛速度则快得多。在迭代过程中对参数越限进行适当处理,可以避免引起迭代增量。5入模拟退火算法1)本文提出一