全文阅读精要

1. 研究背景与动机：

• 电力线双向工频通信系统（TWACS）通过电网中的电压和电流波形过零点处产生微弱低频畸变信号实现信息传输，具有跨变压器传输、安装维护方便、设备成本低等优点。

• 但由于传输速度慢及上行信号检测方式难以适应复杂配电网信道环境，TWACS发展缓慢。传统信号识别方法难以同时保证高可靠性和高实时性。

2. 提出的新算法（DO-CAB算法）：

• 算法结合卷积神经网络（CNN）、蒲公英优化（DO）算法和双向长短时记忆（Bi-LSTM）神经网络，以及注意力机制（AM），简称DO-CAB算法。

• CNN用于自适应提取TWACS信号重要特征，DO算法优化Bi-LSTM的超参数，注意力机制赋予输入影响权重，提高信号识别效果。

3. 算法实现细节：

• 使用三层一维CNN进行特征提取和融合，LeakyReLU激活函数减少梯度消失问题。

• DO算法优化Bi-LSTM的隐层神经元、输入权重学习率等参数，引入注意力机制在更深层次提取信息。

• 算法在Matlab 2023b环境下训练，采用Adam优化器，初始学习率0.001，权重衰减系数0.01，批量大小40，迭代50轮。

4. 实验与结果：

• 实验环境：NVIDIA GTX 1050 Ti显卡，Intel i5-7300HQ CPU。

• 数据采集：实验室和居民台区采集电力线调制信号数据，添加高斯白噪声模拟实际环境。

• 对比实验：与CNN2、ResNet、DenseNet、CLDNN算法对比，DO-CAB算法在信噪比大于-2 dB后识别准确率显著提高，最高达94.07%。

• 实际测试：在居民台区安装设备测试，DO-CAB算法识别准确率达92.32%，ROC-AUC值0.9255，表现出色。

5. 算法优势：

• 相较于其他算法，DO-CAB算法通过DO算法优化超参数，避免人工选择参数的盲目性，减少参数量，防止过拟合。

• 在不均衡样本比例下仍能保持较高识别率，对不均衡样本比例鲁棒性强。

6. 应用前景与局限性：

• DO-CAB算法在工频通信上行信号识别方面展现实用价值，具备较强泛化性能。

• 实际应用中噪声存在不确定性，识别结果与实验室结果有差异，需进一步研究算法在不同环境下的自适应参数调节。

• 目前实测数据仅来自一个小区负载，未涉及工业负载下信号识别实验，需进一步测试。

7. 未来研究方向：

• 对工业负载条件下算法性能进行测试。

• 研究算法在不同环境下的自适应参数调节，提升识别准确率。