機械学習を用いた電力線通信ノードの可用性予測の比較研究

Scientific Reports volume 13、記事番号: 12658 (2023) この記事を引用

499 アクセス

1 オルトメトリック

メトリクスの詳細

電力線通信テクノロジーは、電力ケーブルを使用してデータを送信します。 テストせずにノードが動作しているかどうかを事前に知ることで、時間とリソースを節約し、提案されたモデルにつながります。 このモデルは、SNR (信号対雑音比)、RSSI (受信信号強度インジケーター)、および CINR (搬送波対干渉プラス雑音比) という 3 つの主要な機能に基づいてトレーニングされています。 データセットは 1000 個の読み取り値で構成され、90% がトレーニング セット、10% がテスト セットでした。 さらに、データセットの 50% はクラス 1 のものであり、ノードの読み取り値が最適であるかどうかを示します。 このモデルは、多層認識、K 最近傍法、線形および非線形カーネルを備えたサポート ベクター マシン、ランダム フォレスト、およびアダプティブ ブースティング (ADA) アルゴリズムを使用してトレーニングされ、統計、ベクトルベース、回帰、決定、およびアルゴリズムを比較します。予測アルゴリズム。 ADA ブーストは最高の精度、F スコア、精度、再現率を達成し、それぞれ 87%、0.86613、0.9、0.8646 でした。

電力線通信 (PLC) は、既存の電力ケーブルをデータ伝送に使用する通信技術です。 したがって、PLC は、センサーやアクチュエーターなど、電源プラグに接続されているすべてのデバイスからデータを送信するための魅力的でコスト効率の高い方法です。 したがって、通信技術として PLC を使用すると、電力線を使用してデータ交換のためのインフラストラクチャを追加する必要がなくなります1、2、3。 電力線通信は、データ レートに基づいて 2 つのカテゴリに分類されます。 狭帯域電力線通信と広帯域電力線通信4、5。 狭帯域 PLC は、スマート グリッド、電力会社、およびスマート ホーム アプリケーションの家庭内ネットワークでよく使用されます。 さらに、PLC は車載システムおよび車両からインフラストラクチャまでのシステム、および次世代バッテリー管理システムにも使用されています6、7。 一方、マルチメディア通信では広帯域電力線通信が利用されています。 このようなアプリケーションは多くの場合、接続されたノードが多いという特徴があり、モノのインターネット (IoT) の拡大に伴って増加しています。

PLC の共有環境の性質により、さまざまなメディア特性など、通信プロセスに多くの課題が生じます。 1 つの問題は、PLC フロントエンドの送信機 (TX) と受信機 (RX) の両方でのインピーダンス マッチングに関するものです。 マッチングは、自己干渉と信号対自己干渉プラスノイズ比 (SSINR) に影響を与えます。 一般的な PLC モデムは、高調波歪みを効率的に動作させるために、アナログ フロントエンドで低インピーダンスの Tx パスと高インピーダンスの Rx パスを使用します5、7、8、9。 PLC10 のインピーダンス整合には多大な努力が払われました。 ただし、電力線の負荷が変動する性質があるため、電力線のインピーダンス整合には依然として課題があります。

現在の PLC ネットワークのパフォーマンスは、ノードの接続が増えるにつれて低下します。 同様に、隣接する DSL ネットワークと共存すると、リンクの品質が低下します。 したがって、欧州電気通信標準協会 (ETSI) は、動的スペクトル適応アプローチの使用を推奨しています11。 ブロードバンド PLC モデムは、DSL から PLC へのチャネル干渉を推定し、それに応じて PLC の送信電力スペクトル密度を調整します。 さらに、電力システムにおける負荷の時間変化挙動などの問題に対処するために、PLC では物理層に重点を置いて多大な努力が払われてきました。 したがって、負荷のダイナミクスと多様性があり、周波数や距離が増加すると、時間と周波数の変化する動作や信号の減衰が発生します。 さまざまなインピーダンス整合技術が 10 に示されています。 さらに、高電力の衝撃ノイズ、インピーダンスの不整合、シールドされていない電源ケーブルの普及、および結合損失は、リンクの品質に影響を与えます1、4、6、11、12。 さらに、負荷、機器、交流/直流 (AC/DC) コンバータの接続や切断によって発生する高電力の衝撃性ノイズ、およびシールドされていない電力線や結合の問題による電磁干渉は、通信メディアのパフォーマンスに時間の経過とともに動的に影響を与えます。