一种基于AI链路预测的双模通信动态路由优化方法及系统与流程

本发明涉及电力物联网/智能电网通信，特别是涉及一种基于ai链路预测的双模通信动态路由优化方法及系统。

背景技术：

1、高速电力线载波（hplc）与高速无线射频（hrf）相结合的双模通信技术是目前低压台区用电信息采集系统的主流方案。该方案具有实时性和可靠性高、业务场景丰富等特点。

2、然而，电网运行环境具有高度动态性和不确定性，随着设备老化、季节性负荷变化、新能源接入等因素的影响，电力线载波信道特性持续变化，易受电网阻抗变化、谐波干扰等，导致通信可靠性下降。同时，无线通信则受传输距离限值和电磁环境变化等因素影响，长距离通信的可靠性较差。传统双模通信系统通常采用静态路由或基于简单信号强度阈值的信道切换策略，难以适应长期运行过程中电网环境的动态演化，存在以下技术缺陷：

3、1．静态路由无法实时响应信道质量变化，通信成功率随运行时间推移显著下降。

4、2．基于即时测量值的信道选择策略缺乏前瞻性，当信道质量急剧恶化时才触发切换。切换滞后导致数据传输失败和重传开销增加。

5、3．现有路由方法主要依赖当前时刻的链路状态参数进行决策，未能充分利用历史数据挖掘信道质量演化的规律，预测能力有限。

6、因此，亟需一种能够利用历史数据对双模通信链路质量进行前瞻性预测、并根据预测结果实现动态路由优化的方法。

技术实现思路

1、本技术的目的在于提供一种基于ai链路预测的双模通信动态路由优化方法及系统，以解决现有双模通信模块依赖静态路由表或即时测量值进行信道选择缺陷的问题。

2、为解决上述技术问题，本技术提供了一种基于ai链路预测的双模通信动态路由优化方法，包括以下步骤：

3、步骤1，数据采集步骤：各节点周期性采集载波和无线信道的多维链路指标，所述多维链路指标包括通信成功率psr、信噪比snr、接收信号强度rssi和发送功率tx power，形成固定长度l的历史时序数据序列；

4、步骤2，ai预测引擎步骤：基于lstm构建的编码器-解码器架构模型，以历史时间窗口内的所述多维链路指示特征为输出，对未来时间步的链路质量进行多步预测，输出各时间步载波和无线信道的综合链路质量指数作为预测结果；

5、步骤3，路由决策步骤：基于所述预测结果，计算每条路径的总代价，所述总代价由链路质量代价、信道切换代价和跳数惩罚加权组成，采用dijkstra算法计算中央协调器cco到各站点sta的最小代价路径，并为每条链路分配预测的最优信道，生成动态路由表，通过信标帧下发至各所述站点sta；

6、步骤4，模型更新步骤：所述中央协调器cco作为联邦学习服务器，所述站点sta作为客户端，在保护原始数据隐私的前提下聚合本地训练梯度，更新全局预测模型。

7、作为优选地实施方式，一种基于ai链路预测的双模通信动态路由优化方法，所述综合链路质量指数通过以下公式计算：

8、

9、

10、其中，，，，为可配置权重系数，满足，默认取值为，，，；为有向链路

li的载波综合链路质量，、、、、、、分别是有向链路

li的载波信道的通信成功率、信噪比、信噪比的最大值、接收信号强度、接收信号强度的最大值、发送功率、发送功率的最小值；为有向链路

li的无线综合链路质量，、、、、、、分别是有向链路

li的无线信道的通信成功率、信噪比、信噪比的最大值、接收信号强度、接收信号强度的最大值、发送功率、发送功率的最小值，对于第i跳有向链路li={n（i-1），n（i）}。

11、作为优选地实施方式，一种基于ai链路预测的双模通信动态路由优化方法，所述链路质量代价定义为有效综合质量指数的倒数：

12、

13、其中，有效综合质量指数为未来m个时间步的加权平均值，近期时间步权重按衰减因子γ=0.9指数递增，为防止除零的极小值。

14、作为优选地实施方式，一种基于ai链路预测的双模通信动态路由优化方法，所述信道切换代价为：

15、

16、其中，为信道切换指示函数，当路径中第i跳与第i+1跳使用不同信道时，否则为0；β=0.2为切换惩罚系数，h为跳数。

17、作为优选地实施方式，一种基于ai链路预测的双模通信动态路由优化方法，所述跳数惩罚为：

18、

19、其中，= 0.05为每条固定代价，h为跳数。

20、作为优选地实施方式，一种基于ai链路预测的双模通信动态路由优化方法，所述通信成功率psr计算式如下：

21、

22、上式中，为成功收到ack确认的数据包数；为总发送数据包数。

23、所述信噪比snr计算式如下：

24、

25、上式中，为接收端测量的信号功率；为底噪，载波和无线信道会根据配置项周期性计算得到底噪，信噪比单位为db。

26、为解决上述技术问题，本技术还提供了一种基于ai链路预测的双模通信动态路由优化系统，包括部署于中央协调器cco和各站点sta的数据采集模块，部署于中央协调器cco的ai预测引擎模块和路由决策模块以及部署于中央协调器cco和各站点sta中的模型更新模块：

27、所述数据采集模块：用于各节点周期性采集载波和无线信道的多维链路指标，所述多维链路指标包括通信成功率psr、信噪比snr、接收信号强度rssi和发送功率tx_power，形成固定长度l的历史时序数据序列；

28、所述ai预测引擎模块：用于基于lstm构建的编码器-解码器架构模型，以历史时间窗口内的多维链路特征为输入，对未来时间步的链路质量进行多步预测，输出各时间步载波和无线信道的综合链路质量指数作为预测结果；

29、所述路由决策模块：用于基于所述预测结果，计算每条路径的总代价，所述总代价由链路质量代价、信道切换代价和跳数惩罚加权组成，采用dijkstra算法计算中央协调器cco到各站点sta的最小代价路径，并为每条链路分配预测的最优信道，生成动态路由表，通过信标帧下发至各站点sta；

30、所述模型更新模块：用于在中央协调器cco作为联邦学习服务器，站点sta作为客户端，在保护原始数据隐私的前提下聚合本地训练梯度，更新全局预测模型。

31、作为优选地实施方式，一种基于ai链路预测的双模通信动态路由优化系统，所述数据采集模块还用于采用滑动窗口归一化处理，归一化参数以滑动窗口方式动态更新以适应长期运行中的指标漂移。

32、作为优选地实施方式，一种基于ai链路预测的双模通信动态路由优化系统，其特征在于，所述路由决策模块还用于维护邻居发现表，包含所有站点sta的入网状态、邻居关系及跳数限制，支持路径的最大跳数约束。

33、本技术所提供的一种基于ai链路预测的双模通信动态路由优化方法及系统，通过对历史数据的深度挖掘，构建预测模型对未来链路质量进行多步预测，并基于预测结果实现前瞻性的动态路由优化，实现了在保护数据隐私的前提下，利用ai技术动态适应低压电网复杂的时变环境，显著提升双模通信模块在复杂电网环境下的通信可靠性和长期运行适应性。