技术摘要：
一种电力LTE无线专网电磁干扰监测及识别方法，包括两个过程：频谱监测和干扰识别，频谱监测在高频段采用了扫描外差式频谱监测设计，通过多级变频处理，将输入信号变至较低的中频上，然后在中频段则采用了傅里叶频谱监测设计，对变频到中频的信号进行A/D采样量化，变为  全部
背景技术：
目前，电力系统已经在多个地市开展了基于LTE技术的电力无线专网建设工作，有 效支撑了电力业务的通信承载需求，实现终端侧业务的灵活泛在接入，促进了业务的智能 化发展，无线通信在电力应用取得一定成果的同时，存在的一些问题也逐步暴露，其中干扰 问题对网络的性能影响尤为突出，甚至直接导致电力业务中断，因此，迫切需要对电力系统 中无线电频谱进行实时监测、对电力无线电专网网络干扰分析、判断和查处。 频率资源是影响电力无线专网的网络性能、建设成本等的重要因素，现在主要采 用230MHz离散频段和1.8GHz的连续频段，在基于不同频段的专网系统中存在多业务频率资 源分配、同频异系统共享资源等情况，如何高效使用频率、快速定位干扰是提高电力无线专 网服务质量的下一步重点工作，频谱监测是采用技术手段和一定的设备对无线电发射的基 本参数和频谱特性参数进行测量，可以实现对数字信号的频谱特性分析；对频段利用率和 频带占有度统计测试分析；测试统计指配频率使用情况，以便进行合理、有效地频率指配； 并对非法电台和干扰源测向定位进行查处。 电力无线应用场景多、覆盖范围广，缺少智能化的电磁环境综合评估机制，无法为 频率资源管理提供决策依据，当前频率分配手段粗放，主要依靠人工经验和业务需求粗略 估计进行分配，科学性、自动化、精细化有待提高，且电磁环境评估只能通过手持式仪表进 行小范围的扫频，灵活性不足，且实时性不强。 目前专网的频段都是多行业共享使用的频段，相邻频段的信号泄露、重叠等原因 会对无线专网的稳定造成干扰，影响业务接入质量，同时，各类非法电台的出现，给电力无 线专网的可靠运行带来了更多的隐患，必须寻找可行方法准确判断干扰类型和干扰溯源， 进而采取相关措施，以免造成业务大面积掉线，影响电力业务承载质量。
技术实现要素：
本发明所要解决的技术问题是：克服现有技术不足，提供一种能够显著提高识别 精度的面向电力LTE无线专网电磁干扰监测及识别方法。 本发明为解决技术问题所采用的技术方案是： 一种电力LTE无线专网电磁干扰监测及识别方法，包括两个过程：频谱监测和干扰 识别，具体步骤如下： 步骤1，利用传感器将外界输入的非电压信号转换成电压信号，送给信号调理设备 处理； 步骤2，信号调理设备将输入的电压信号进行放大、衰减和滤波，最后将处理过的 信号送入频谱分析仪； 4 CN 111585671 A 说　明　书 2/5 页 步骤3，频谱分析仪对输入的经步骤2处理的信号进行A/D转换，完成测试数据的采 集； 步骤4，对步骤3采集的数据进行分析计算、处理，实现干扰源识别，所述干扰源识 别过程如下： 步骤4-1，数据预处理：对原始测试数据利用小波变换进行消噪，对原始测试数据 进行数据归一化操作，对发射特性曲线进行包络和延拓处理，通过降维操作将高维向量映 射到低维空间； 步骤4-2，特征提取：提取采集信号的特征，包括峰值特征、包络特征、谐波特征，采 用傅里叶变换对周期性信号和振铃信号进行频域特征提取；采用快速傅里叶变换对离散信 号进行频域特征提取；采用短时傅里叶变换对脉冲信号进行频谱特征提取；采用小波变换 对非平稳信号进行频域特征提取； 步骤4-3，特征选择；特征选择包括两个内容，第一是选择训练样本的统计特征评 估算法对特征进行评估，计算每一个特征对分类效果的贡献值；第二是利用主成分分析算 法挑选出部分属性，针对不同的电磁兼容测试对象，选择不同的特征作为辨识对象，从当前 的向量属性集合中选择区分能力强的子集，剔除了干扰分类效果的冗余特征或无效特征， 形成一个紧凑的特征集； 步骤4-4，学习和训练；利用基于卷积神经网络的深度学习算法，学习采集信号特 征与干扰源之间的关系，得到基于干扰源识别的分类模型； 卷积的数学形式如下： y＝f(∑x*wij b) 式中，x是卷积层输入特征图；y是卷积层输出特征图；wij是二维卷积核；b是偏置 项；f(·)是激活函数，如sigmoid函数或tanh函数或ReLU函数； 卷积神经网络使用多个过滤器、多个卷积层、多个池化层，最后连接一个全连接层 和一个softmax层，最终输出对应输入在每一类输出上的概率分布； 整个网络的输出为 o＝f(n-1)(f(n-2)(...f(1)(x))) 式中，x是卷积层输入特征图；f(·)是激活函数，如sigmoid函数或tanh函数或 ReLU函数； 根据类别属性已知的样本集与其向量取值的对应关系，形成对应模式分类方法的 一系列参数； 步骤4-5，分类识别；对测试信号提取特征，采用步骤4-4得到的分类模型对类别属 性未知的测试数据集进行干扰源分类，如果测试数据集中的类别属性已知，这个过程就可 以用来验证分类器的分类效果，如果分类效果理想，该分类模型就可以运用到实际流量分 类中。 进一步的，在步骤1中，所述传感器包括电流探头、电压探头、近场探头以及接收天 线；进行传导发射测试时，频谱仪与电源阻抗稳定网络或电流探头相连；当进行辐射发射测 试时，频谱仪与接收天线相连；在天线间的耦合度测试中，将车载天线连接到接收机上，并 由此来分析天线的耦合度。 进一步的，在步骤2中，信号调理设备包括信号放大器、线性阻抗衰减器、带阻滤波 5 CN 111585671 A 说　明　书 3/5 页 器和高通滤波器。 进一步的，步骤3中，所述频谱分析仪对步骤2中的数据频谱监测过程如下：在高频 段采用扫描外差式频谱监测设计，通过多级变频处理，将输入信号变至较低的中频上；在中 频段采用傅里叶频谱监测设计，对变频到中频的信号进行A/D采样量化，变为数字信号，再 利用数字中频技术、傅里叶变换完成频谱分析。 本发明的积极有益效果是： 1、本发明的频谱监测在高频段和中频分别采用扫描外差式频谱监测设计和傅里 叶频谱监测设计，能够发挥了扫描外差式频谱设计测量频率范围宽，傅里叶频谱监测设计 频率分辨力强的优势，大大提高了频谱监测的性能。 2、本发明中干扰识别问题转化为机器学习的分类问题，在对采集数据进行数据预 处理，特征提取和特征选择后，利用基于卷积神经网络的深度学习算法，学习采集信号特征 与干扰源之间的关系，得到基于干扰源识别的分类模型，能够显著提高识别精度。 3、本发明能够针对电力系统需要，将电磁频谱将频谱监测和干扰识别功能紧密结 合，适用1.8GLTE无线专网。 附图说明 图1是本发明中频谱监测和干扰识别的总体框图； 图2是本发明中扫频外差式频谱监测原理图； 图3是本发明中傅里叶式频谱监测原理图； 图4是本发明中干扰源识别流程图； 图5是本发明实际应用下基于多用户、多任务模式的数据流程图。