技术领域
[0001] 本
发明属于
电网通信技术领域，涉及一种配电通信网中的不同业务类型与无线通信方式的匹配方法，特别是一种利用模糊
人工神经网络对配电通信网络中不同业务类型与不同的无线通信方式之间的匹配方法。
背景技术
[0002] 随着
智能电网概念的提出，配电通信网络的建设正朝着自动化、智能化方向发展。同时，随着各种无线通信技术日渐成熟，如何将各类无线通信技术引入配电网中，成为目前智能配电网建设的热题。然而，各类无线通信方式的性能各异，如何根据配电网业务选择合理的无线通信方式，灵活组网，达到既满足业务需求，又达到网络资源最大化利用，是智能配电网无线化发展中亟待解决的问题。
[0003] 匹配方法为有效地解决通信方式与业务类型之间的匹配问题提供了解决途径。然而，目前国内外对智能电网业务与通信方式之间的匹配性方法的研究比较少。因此，目前急需一种能够很好实现配电通信网中的不同业务类型与无线通信方式的匹配方法。
发明内容
[0004] 有鉴于此，本发明的目的在于提供一种配电通信网中的不同业务类型与无线通信方式的匹配方法，该方法在新建配电网通信系统之前，确定业务类型以及该业务类型对各个指标的需求，并以此指标需求训练人工神经网络模板，然后输入待匹
配对象的指标数据即可获得其与该业务的匹配值。
[0005] 为达到上述目的，本发明提供如下技术方案：
[0006] 一种配电通信网中的不同业务类型与无线通信方式的匹配方法，包括以下步骤：
[0007] S1 分析配电通信系统中的业务类型，并进行分类；
[0008] S2 根据配电通信系统中业务特征及无线通信方式的特征，确定匹配指标体系，建立包括目标层、准则层、指标层三层体系结构图；
[0009] S3 根据指标体系确定匹配因素集，并根据匹配因素集建立匹配矩阵；
[0010] S4 设计包含模糊处理层、
输入层、隐含层、
输出层的4层人工神经网络模型；
[0011] S5 确定某类业务类型，获取该类业务需求下各个指标的匹配标准数据和各无线通信方式的指标数据；
[0012] S6 将该业务需求标准数据和对应的期望输出输入到模糊人工神经网络模型中进行训练；
[0013] S7 将不同无线通信方式的匹配数据输入经过训练的模糊人工神经网络，得到匹配结果；
[0014] S8 分析不同无线通信方式的匹配结果，得出结论，从而实现配电通信网中的不同业务类型与无线通信方式的匹配。
[0015] 进一步，步骤S2具体包括：
[0016] S21 根据所述配电网通信系统建立一个目标层；
[0017] S22 根据所述配电网通信系统建立包括基本通信性能指标和网络性能指标2个准则的准则层；
[0018] S23 根据所述准则层建立包括12个指标的指标层，其中基本通信性能指标包括：传输速率，传输距离，传输时延，丢包率，误码率；网络性能指标包括抗毁性，生存性，有效性，抗干扰能
力，网络安全性。
[0019] 进一步，在步骤S5中，根据某地存在的业务类型，以该业务对各个指标的性能要求作为标准，标准选取规则遵循以下原则：若该地区只存在一类业务，则以该类业务对各个指标的需求作为标准，若同时存在多种业务类型，综合考虑各个业务对各个指标的需求，选取各个业务类型中指标要求最严格的指标作为标准。
[0020] 进一步，指标获取原则的制定遵循以下原则：
[0021] 1)首先对指标分类，分为可测指标和不可测指标；
[0022] 2)对于可测指标，采用多次测试取平均值；
[0023] 3)对于不可测的指标，采用专家经验法，由多位专家评分，结合统计法对专家评分数据进行处理；
[0024] 统计得分原则制定如下： (j＝1,2...m)，Aj为第j个指标的最终评分，Aji为第i个专家对第j个指标的评分，m为指标个数，n为专家总人数。
[0025] 进一步，在步骤S7中，将待匹配对象的各个指标值输入已训练的人工神经网络模型中进行匹配，待匹配对象的指标值的选择遵循以下规则：1)对于单一通信方式，其各个指标的值经过预处理后直接用于匹配；2)若存在多种通信方式混合组网，其各个指标的值需综合考虑多种通信方式的各个指标值，并以各个指标的最差值作为匹配输入值，然后经过预处理后用于匹配。
[0026] 本发明的有益效果在于：本发明所述方法在整个匹配过程中，无需获得无线通信方式的大量的数据作为支持，而只需在新建配电通信网络之前获得各个业务类型对各个指标的需求，并以此指标需求训练人工神经网络模板，然后输入待匹配对象的指标数据即可获得其在该业务需求下的匹配值；该方法能为配电网中不同业务下无线通信方式的选型提供很好的决策支持。
附图说明
[0027] 为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
[0028] 图1为本发明所述方法的流程示意图；
[0029] 图2为匹配指标体系图；
[0030] 图3为四层模糊人工神经网络模型图。
具体实施方式
[0031] 下面将结合附图，对本发明的优选
实施例进行详细的描述。
[0032] 一种配电通信网中的不同业务类型与无线通信方式的匹配方法，首先将配电网通信网中存在的业务类型进行分类，配电通信系统中业务特征及无线通信方式的特征，建立无线通信网络匹配指标体系，然后根据匹配指标体系建立匹配矩阵和四层人工神经网络模型，根据业务类型的指标需求确定各个指标的标准，以此标准训练人工神经网络模板，最后将待匹配对象的指标数据输入人工神经网络模板进行匹配，得到此无线通信方式的通信性能在该类业务标准下的匹配值，通过比较和分析不同无线通信方式在该业务需求下的匹配值，选择最适合该业务的无线通信方式。
[0033] 图1为本发明所述方法的流程示意图，如图1所示，本实施例公开的一种配电通信网中的不同业务类型与无线通信方式的匹配方法包括如下步骤：
[0034] S1：分析配电通信系统中的业务类型，并进行分类；
[0035] 配电通信系统中的业务类型可分为配电自动化，配变视频监控，分布式
馈线自动化，继电保护，用电信息采集业务等；
[0036] S2：分析配电通信系统中业务特征及无线通信方式的特征，建立无线通信网络匹配指标体系；
[0037] 根据配电网业务特征，以及对系统通信性能的需求，将指标分为基本通信性能指标和网络性能指标，其中基本通信性能指标包括：传输速率，传输距离，传输时延，丢包率，误码率；网络性能指标包括抗毁性，生存性，有效性，抗干扰能力，网络安全性；
[0038] S3：根据指标体系确定匹配因素集，并根据匹配因素集建立匹配矩阵；
[0039] 根据指标体系指标层的m个指标，n个专家，建立匹配矩阵Am×n；
[0040] S4：设计包含模糊层、输入层、隐含层、输出层的4层人工神经网络模型；
[0041] 模糊层和输入层
节点的数目等于指标层的指标数目，即输入为{x1，x2...xm},输出层节点为匹配结果，隐含层节点数目h根据经验公式 确定，x为输入节点个数，o为
输出节点个数，a为1到10之间的常数；
[0042] S5：确定某类业务类型，获取该类业务需求下各个指标的匹配标准数据和不同无线通信方式的指标数据；
[0043] 确定业务类型，获取匹配标准数据。如以配变视频监控业务为例，首先根据国网公司配电自动化建设与改造标准规范，确定该业务对通信指标需求如下表所示：
[0044]
[0045] 如果同时存在多种业务，以分布式馈线自动化和变电监控两类业务为例，根据国网公司配电自动化建设与改造标准规范，确定该业务对通信指标需求如下表所示，选取严格的性能指标需求作为最终指标需求标准。
[0046]
[0047] 数据获取方法：
[0048] 1)对于可测指标，采用测试法多次测试取平均值；
[0049] 如对于传输速率，传输距离，传输时延，丢包率，误码率等指标可根据历史数据或现场实际测试获得，并采用多次测量取平均值减小误差；
[0050] 2)对于不可测的指标，采用专家经验法，由多位专家评分，结合统计法对专家评分数据进行处理，评分原则如下表，按等级分为5个等级。
[0051]评分 1 2 3 4 5
等级 差 较差 适中 良好 优秀
[0052] 采用统计法计算某个指标的得分： (j＝1,2...m)，Aj为第j个指标的最终评分，Aji为第i个专家对第j个指标的评分，N为总人数；
[0053] 指标数据预处理方法：
[0054] 对指标数据进行归一化处理时分为两种情况：
[0055] 1)对于指标值越大性能越好的指标，统一采用归一化方程 其中 为归一化后的样本数据，x为指标值实际测试值或专家评估值，max为样本数据的最大相对最优值，min为样本数据的相对最小值；
[0056] 2)对于指标值越小性能越好的指标，采用归一化方程 min为样本数据最小相对最优值。
[0057] S6：将该业务需求标准数据和对应的期望输出y输入到模糊人工神经网络模型中进行训练；
[0058] 将预处理后的匹配标准数据输入人工神经网络学习训练，训练步骤如下：
[0059] (1)确定神经网络各层初始权值和
阀值，网络训练开始时连接权值为未知数，一般用较小的随机数初始化各层连接权值和
阈值，设输入层到隐含层的连接权值为wij，隐含层到输出层的连接权值wjk,,输入层阀值为γi，隐含层阀值θj，输出层阀值β，学习速率η；
[0060] (2)选择sigmoid型函数作为隐含层传递函数f1，和输出层传递函数f2，即[0061] (3)计算隐含层各单元的输入、输出。用输入层的输出xi、连接权值wij和隐含层阈值θj，计算隐含层各单元的输入 再用hj通过传递函数f1计算隐含层各单元的输出bj＝f(hj)(j＝1,2...h)；
[0062] (4)计算输出结果
[0063] (5)计算输出误差，根据均方差公式 求出误差E，如果E<ε(ε表示期望的误差范围)，则执行(11)；若E≥ε，执行第(6)步；
[0064] (6)计算输出层一般化误差
[0065] (7)计算隐含层各单元的一般化误差
[0066] (8)调整隐含层和输出层的连接权值wjk,和输出层阀值β，
[0067] △wjk＝η*bj*d，wjk＝wjk+△wjk，△β＝η*d；
[0068] (9)调整输入层和隐含层的连接权值wij,和隐含层阀值θj，
[0069] △wij＝η*xi*ej，wij＝wij+△wij，△θ＝η*ej；
[0070] (10)判断是否训练完，若是，计算全局误差E，判定E是否达到
指定误差范围内，若是，转到(11)；若否，转到(3)继续训练；
[0071] (11)结束学习，网络训练结束，确定当前网络权值和阀值。
[0072] S7：将不同无线通信方式的匹配数据输入经过训练的模糊人工神经网络，得到匹配结果。
[0073] 获取待匹配对象(不同的无线通信方式)的指标数据，若只存在单一通信方式，则将该通信方式的匹配数据按照上述处理方法进行预处理，将预处理后的数据输入到训练好的人工神经网络进行匹配，得出其与该业务类型的匹配值；若存在多种通信方式混合级联组网，如：同时存在WiMax和短距离无线级联组网，各个指标的选择以最差指标值作为人工神经网络的输入，得出组网模型的通信性能与该业务的匹配值。
[0074]
[0075] S8：分析不同无线通信方式的匹配结果，得出结论。
[0076] 对不同无线通信方式的匹配值分析。匹配值的意义需与训练人工神经网络时的期望输出y进行比较，综合分析。即匹配值与期望值的差的绝对值越小，说明该通信方式与该业务匹配度越好。
[0077] 从以上技术方案可以看出，本实施例公开的一种配电通信网中不同业务类型与无线通信方式的匹配方法，首先将配电网通信系统进行业务类型分类，根据业务对通信性能的需求特征建立无线通信网络匹配体系结构图，确定匹配指标体系，然后根据匹配指标体系建立匹配矩阵和四层人工神经网络模型，根据业务类型获取各个指标的匹配标准数据，数据预处理，以业务需求作为匹配标准，训练人工神经网络模板，最后将待匹配对象的匹配数据输入经训练的人工神经网络模板进行匹配，得到该匹配对象与该类业务下的匹配值，比较不同对象的匹配值与期望值的差的绝对值大小，即可确定不同通信方式与该业务的匹配度。在整个匹配过程中，在新建网络之前获得业务类型对各个指标的需求，并以此匹配标准训练人工神经网络模板，然后输入待匹配对象的匹配数据即可获得其匹配值。
[0078] 最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明
权利要求书所限定的范围。
