Un estudio comparativo sobre la predicción de la disponibilidad de nodos de comunicación de líneas eléctricas mediante aprendizaje automático

Scientific Reports volumen 13, número de artículo: 12658 (2023) Citar este artículo

499 Accesos

1 altmétrica

Detalles de métricas

La tecnología Power Line Communication utiliza cables de alimentación para transmitir datos. Saber de antemano si un nodo está funcionando sin realizar pruebas ahorra tiempo y recursos, lo que conduce al modelo propuesto. El modelo ha sido entrenado en tres características dominantes, que son SNR (relación señal-ruido), RSSI (indicador de intensidad de la señal recibida) y CINR (relación portadora-interferencia más ruido). El conjunto de datos constaba de 1000 lecturas, el 90% en el conjunto de entrenamiento y el 10% en el conjunto de prueba. Además, el 50% del conjunto de datos es de clase 1, lo que indica si las lecturas de los nodos son óptimas. El modelo está entrenado con percepción multicapa, K-vecinos más cercanos, máquina de vectores de soporte con núcleos lineales y no lineales, bosque aleatorio y algoritmos de impulso adaptativo (ADA) para comparar entre estadística, basada en vectores, regresión, decisión y Algoritmos predictivos. ADA boost ha logrado la mejor precisión, puntuación F, precisión y recuperación, que son 87%, 0,86613, 0,9, 0,8646, respectivamente.

Power Line Communication (PLC) es una tecnología de comunicación que utiliza cables de alimentación existentes para la transmisión de datos. Por lo tanto, el PLC es un método atractivo y rentable para transmitir datos desde todos los dispositivos conectados a los enchufes, como sensores y actuadores. Por lo tanto, utilizar PLC como tecnología de comunicación evita agregar otra infraestructura para el intercambio de datos mediante el uso de la línea eléctrica1,2,3. La comunicación por línea eléctrica se divide en dos categorías según la velocidad de datos; Comunicaciones por línea eléctrica de banda estrecha y por línea eléctrica de banda ancha4,5. Los PLC de banda estrecha se utilizan mucho en redes inteligentes, en compañías eléctricas y en redes domésticas para aplicaciones domésticas inteligentes. Además, el PLC se utiliza en sistemas a bordo de vehículos y de vehículo a infraestructura, y en sistemas de gestión de baterías de próxima generación6,7. Por otro lado, la comunicación por línea eléctrica de banda ancha se utiliza en comunicaciones multimedia. Estas aplicaciones suelen caracterizarse por tener muchos nodos conectados, que aumentan con la expansión del Internet de las cosas (IoT).

La naturaleza del entorno compartido del PLC plantea muchos desafíos para el proceso de comunicación, como las características variables de los medios. Un problema tiene que ver con la adaptación de impedancias tanto en el transmisor (TX) como en el receptor (RX) para la parte frontal del PLC. La coincidencia afecta la autointerferencia y la relación señal/autointerferencia más ruido (SSINR). Los módems PLC típicos utilizan una ruta de Tx de baja impedancia y una ruta de Rx de mayor impedancia en el extremo frontal analógico para una operación eficiente de distorsión armónica5,7,8,9. Se han hecho muchos esfuerzos para igualar la impedancia del PLC10. Sin embargo, todavía existen desafíos en la adaptación de impedancia de la línea eléctrica debido a su naturaleza de carga variable.

El rendimiento de la red PLC contemporánea se deteriora con nodos cada vez más conectados. Del mismo modo, la coexistencia con redes DSL vecinas degrada la calidad del enlace. Por lo tanto, el Instituto Europeo de Normas de Telecomunicaciones (ETSI) recomienda utilizar un enfoque de adaptación espectral dinámica11. Los módems PLC de banda ancha estiman la interferencia del canal DSL a PLC y adaptan la densidad espectral de potencia de transmisión del PLC en consecuencia. Además, se ha realizado un esfuerzo considerable en PLC centrado en la capa física para abordar cuestiones como el comportamiento variable en el tiempo de las cargas en los sistemas de energía eléctrica. Por lo tanto, existe una dinámica y diversidad de cargas que dan como resultado un comportamiento variable en el tiempo y la frecuencia y una atenuación de la señal cuando la frecuencia y/o la distancia aumentan. En 10 se ilustran diferentes técnicas de adaptación de impedancia. Además, el ruido impulsivo de alta potencia, la falta de coincidencia de impedancia, el uso generalizado de cables de alimentación sin blindaje y las pérdidas de acoplamiento afectan la calidad del enlace1,4,6,11,12. Además, los ruidos impulsivos de alta potencia producidos al conectar y desconectar cargas, equipos, convertidores de corriente alterna/corriente continua (AC/DC) y la interferencia electromagnética debido a líneas eléctricas no blindadas y problemas de acoplamiento afectan dinámicamente el rendimiento de los medios de comunicación con el tiempo.

Todavía se están realizando investigaciones en el ámbito de PLC para abordar estas cuestiones. Comunidades como PRIME y G3 están desarrollando herramientas, técnicas, métodos y enfoques avanzados, como diferentes implementaciones para las capas MAC y PHY que abordan diferentes desafíos5,9,10,11. Además, estudios de campo han discutido estas cuestiones9,13. Otra técnica para abordar estos problemas es utilizar otro medio de comunicación, como RF, en regiones donde el PLC es inestable. Por ejemplo, usar PLC (basado en G3) con tecnología RF como 6LowPAN14 o LoRA ha tenido un mejor rendimiento13,15,16. Sin embargo, utilizar otra tecnología viola la principal ventaja de utilizar PLC: utilizar la infraestructura existente sin coste añadido. Además, se ha realizado otro esfuerzo para mejorar el rendimiento de las comunicaciones basadas en inteligencia artificial (IA). Por tanto, la IA se utiliza para determinar la calidad del enlace y la calidad de los medios de comunicación. La IA se ha utilizado principalmente para tecnologías basadas en RF, como 4G/5G, redes ópticas y análisis de datos de ciudades inteligentes17,18,19,20,21. Por lo tanto, este trabajo se centra en el uso de IA para predecir la calidad del enlace para una red basada en PLC y determinar el intervalo de tiempo óptimo para comunicarse con el nodo a través de la red PLC. Los datos utilizados se recopilan de un campo configurado para funcionar con una red PLC basada en PRIME.

Este trabajo utiliza el estándar PRIME para construir una red PLC en el campo. Los nodos se implementan utilizando el transceptor PLC PL360 de tecnología Microchip. La red consta de 500 nodos PLC, mientras que la unidad concentradora de datos (DCU) está ubicada en el sitio del transformador. Luego, un rastreador de PLC ubicó un nodo después del punto DCU. El conjunto de datos se recopiló y consta de 1000 instancias del tiempo en el que un nodo PLC tiene lecturas óptimas de la relación señal-ruido (SNR), del indicador de intensidad de la señal recibida (RSSI) y de la portadora a la interferencia más ruido (CINR). El conjunto de datos entrenó seis modelos que representan algoritmos estadísticos, basados en vectores, de regresión, de decisión y predictivos. El algoritmo estadístico entrenado es un impulso adaptativo. Los algoritmos basados en vectores son el núcleo lineal Support Vector Machine (SVM) y el núcleo no lineal SVM. Los algoritmos de decisión son el bosque aleatorio y los árboles de decisión. Finalmente, el algoritmo predictivo es K-Vecinos más cercanos.

En el resto del documento, la IA en las comunicaciones se analiza en la sección. 2, y los algoritmos y los detalles del conjunto de datos se analizan en la Sección. 3. Luego, los comportamientos de los modelos entrenados se muestran en la Sección. 4, con una discusión de los resultados en la Sección. 5, y el artículo concluye en la sección. 6.

La IA es el campo que permite que las computadoras sean inteligentes y realicen tareas que antes solo hacían los humanos. Ha sido ampliamente desarrollado en años anteriores y utilizado en diferentes aplicaciones. Por ejemplo, la IA se utiliza para predecir algunos eventos en el futuro en función de su desempeño histórico, lo que ahorra tiempo22.

Últimamente se está utilizando más el PLC. Es la transmisión de datos mediante una red de línea eléctrica (PLN). El problema del PLC es que el PLN no está diseñado para esta transmisión, por lo que el PLC enfrenta un gran ruido23,24.

El trabajo de in25 ha utilizado el aprendizaje automático para agrupar el ruido multiconductor en los PLC y determinar si la agrupación automática es útil en este tema o no. Han utilizado la base de datos de ruido MIMO NB. Preprocesaron la base de datos para crear la biblioteca de características, una tabla que consta de segmentos de tiempo de 5 a 500 \(\mu s\) y dos tipos de características. El primero fue extraer la señal y el otro fue encontrar la relación entre las dos trazas de señal multiconductoras. Las características han sido evaluadas para determinar cuáles son beneficiosas a considerar. Los autores han utilizado análisis de componentes principales (PCA) y diagramas de caja para la evaluación de características. PCA reduce las dimensiones del conjunto de datos y conserva la mayor parte de la información. Un diagrama de caja muestra los datos en un gráfico estandarizado según seis métricas: mediana, percentil 25, percentil 75, valor atípico, mínimo y máximo. El PCA muestra que las características 5 (Asimetría de las muestras), 7 (Correlación de Pearson de las muestras) y 9 (Correlación de distancia) son las características más informativas, y el diagrama de caja también muestra que las características 5 y 7 tienen una separación de datos visible25,26. Se han utilizado tres métodos en la agrupación: agrupación jerárquica, mapa autoorganizado (SOM) y agrupación mediante representantes (CURE). Los conjuntos de agrupamiento jerárquico para cada punto de un grupo, calculan las distancias entre los grupos, combinan los dos grupos más cercanos en un grupo y luego rehacen el proceso hasta que todos los grupos se combinan en un grupo, formando un dendrograma que es el árbol de grupos27. Por otro lado, en CURE, se selecciona un subconjunto de datos que representan grupos C. Para cada grupo, se seleccionan algunos puntos alejados entre sí, luego se mueven un 20% al centroide del grupo, luego el algoritmo fusiona cada dos grupos que tienen dos puntos representativos cercanos y luego agrupa todos los puntos de datos28. Finalmente, SOM es una red de unidades mapeadas en la que cada unidad se refiere a un grupo de modo que cuanto mayor sea el número de unidades, más precisa será la separación de datos29. Los grupos han sido etiquetados según las funciones de densidad de probabilidad (PDF), lo que llevó a que el 35% de los datos fueran normales, el 23% fueran Middleton Clase A, el 27% fueran Alpha STable, el 13% de Valor Extremo Generalizado y el 2% de desconocido. clases. Vale la pena mencionar que se necesitaban más de cinco clases de ruido convencionales para representar la naturaleza del ruido, especialmente en una red ruidosa como un entorno de PLC29.

El ruido afecta al nodo PLC, afectando la confiabilidad de la transferencia de datos. La IA se puede utilizar para detectar si un nodo está funcionando en un momento específico o no. Esto se puede hacer conociendo las lecturas del nodo en el pasado y entrenando el modelo de IA con estas lecturas, lo que conduce a la predicción de los intervalos de tiempo en los que las lecturas de los nodos PLC no son óptimas. Esta predicción conducirá a la selección temprana de otros nodos para la transmisión en lugar de probar cada nodo para determinar los nodos que funcionan30.

En esta sección, se analizan los algoritmos de aprendizaje automático entrenados, que son percepción multicapa, vecino K más cercano, máquina de vectores de soporte, bosque aleatorio y refuerzo adaptativo, junto con la información clave de los datos recopilados.

La percepción multicapa (MLP) es una red neuronal que es una técnica de aprendizaje supervisado. El MLP consta de seis capas: la capa de entrada, cuatro capas ocultas y la capa de salida, como se muestra en la Fig. 1. Todos los nodos que no son de entrada son neuronas que utilizan una función de activación no lineal.

Relación entre diferentes capas del MLP.

K-Nearest Neighbor (KNN) es un algoritmo que predice la clase de entrada basándose en la votación de las instancias de datos de entrenamiento más similares a la entrada. Esto toma la clase mayoritaria de los K vecinos similares más cercanos sin un proceso de aprendizaje. Como se muestra en la Fig. 2, el círculo verde al lado del signo de interrogación es la entrada que no está etiquetada. Los dos triángulos rojos y un cuadrado azul están al lado del círculo de entrada porque son similares; en otras palabras, sus características son similares a las características de la entrada. En este ejemplo, se elige que el valor de K sea tres, por lo que el círculo negro contiene las tres instancias más cercanas a la entrada. Después de conocer a los participantes votantes, la clase mayoritaria será la clase de entrada, por lo que la predicción de la clase de entrada es la clase del triángulo rojo.

K-Vecinos más cercanos, que muestra la selección de los k puntos más similares al punto de entrada.

donde el cuadrado azul es la clase 1, el triángulo rojo es la clase 0 y el círculo verde es la entrada.

SVM separa los puntos de datos en otra dimensión fácilmente separable utilizando un kernel. Por ejemplo, como se muestra en la Fig. 3, hay dos características, x1 y x2, y dos clases, puntos blancos y negros. Para poder identificar qué combinación de valores de características se referiría a la clase, se han trazado los valores de características de cada instancia y, utilizando un núcleo no lineal como parte (a) y un núcleo lineal como parte (b), las partes del gráfico que indica cada clase se podría conocer. El hiperplano es el plano que separa las clases en un espacio de n dimensiones. Cuanto más lejos esté de los puntos de datos, más precisa será la clasificación31,32,33.

Diagrama de la Máquina de Vectores de Soporte que muestra la clasificación utilizando los núcleos lineales y no lineales34.

El algoritmo Random Forest es un grupo de árboles de decisión, como se muestra en la Fig. 4. Cada uno de estos árboles de decisión se entrena en un subconjunto del conjunto de datos. Estas porciones se distribuyen equitativamente. Cuando se proporciona una entrada al algoritmo de bosque aleatorio, cada árbol, según su entrenamiento, proporciona una clasificación para esta entrada. La clase con la mayoría de predicciones es la clase predicha de entrada35,36.

Bosque aleatorio35,37.

Un algoritmo de aprendizaje conjunto ajusta los pesos del clasificador débil iterándolos para mejorar el rendimiento y crear un clasificador más robusto. Como se muestra en la Fig. 5, el algoritmo comienza ajustando el modelo en el conjunto de datos y obteniendo algunos resultados, luego ajusta algunos pesos en el clasificador débil y prueba el modelo; si es un clasificador débil, ajusta sus pesos hasta convertirse en un clasificador más robusto.

Está Boost38.

Actividad de los nodos a lo largo del tiempo.

La Figura 6 muestra el número de nodos registrados en un instante de tiempo de modo que, como muestran las partes (a) y (b), a medida que aumenta la variación en el número de nodos registrados, la variación del número de nodos de conmutación en un instante de tiempo aumentar.

En este trabajo, se recopilan datos de un campo de prueba que consta de 400 módems PLC. Los datos del PLC se basan en el chipset PL360 de Microchip y el protocolo utilizado para la comunicación es el estándar PRIME. Los datos se recopilan utilizando un rastreador de PLC de Microchip, ya que el rastreador se coloca un nodo después de la Unidad concentradora de datos (DCU). En primer lugar, los datos han sido analizados y filtrados para que sean uniformes. Luego, se han elegido los parámetros que representan la calidad del canal con base en la literatura5,16.

Distribución del histograma de los parámetros más dominantes del conjunto de datos.

El conjunto de datos consta de 1000 lecturas de los parámetros más dominantes, que son la relación señal/ruido (SNR), el indicador de intensidad de la señal recibida (RSSI) y la portadora/interferencia más ruido (CINR); estos son los parámetros más dominantes, como se muestra en la Fig. 7. La Tabla 1 muestra una muestra del conjunto de datos. Las lecturas del 50% para la etiqueta 0 indican que el canal no funciona para estos valores. Por otro lado, para la etiqueta 1, el canal de comunicación está funcionando y es adecuado para el intercambio de datos. Las lecturas ayudaron a determinar qué marca de tiempo estaba funcionando el nodo y cuál no, lo que ayudó a determinar, en un momento dado, la probabilidad de que un nodo estuviera funcionando o no. El conjunto de datos se dividió en un 90% para entrenamiento y un 10% para pruebas. En las siguientes figuras se muestran ejemplos de los datos de un nodo específico. Por ejemplo, la Fig. 8 muestra los valores de SNR a lo largo del tiempo, mientras que la Fig. 9 muestra el RSSI del canal para un nodo específico en la red. Los diagramas muestran que el cambio en los parámetros es aleatorio durante el tiempo de olfateo. Además, el CINR se ilustra en la Fig. 10. Los datos capturados muestran que la calidad de la señal varía con el tiempo.

Valores SNR a lo largo del tiempo.

Valores RSSI a lo largo del tiempo.

Valores CINR a lo largo del tiempo.

Se realizó un análisis de nuestros datos para identificar la relación entre las características y cómo estos parámetros pueden afectar el rendimiento de los nodos. Para simplificar, se tomó un subconjunto de datos para visualizar todas las características a lo largo del tiempo creando la Figura 11. Este gráfico muestra claramente la alta correlación entre todas las características; por ejemplo, cuando la SNR aumenta en un momento específico, el Bersoft disminuye, por lo que aparece una alta correlación negativa entre estas. dos características.

Todas las características de calidad a lo largo del tiempo.

Otro tipo de visualización para probar la correlación es una matriz de correlación que depende de los cálculos de correlación de Pearson como se muestra en la Figura 12. Como se muestra, aparece una correlación muy alta entre todas las características de calidad. Además, aparece una alta correlación en las columnas arriba y abajo con Pdutype y nivel. Esto se puede explicar porque como el nodo tiende a estar en un nivel alto, aparece una calidad más baja, lo que resulta en un rendimiento bajo.

Matriz de correlación de todas las características de calidad.

También se puede visualizar un histograma de todas las características en la Figura 13. Esto muestra que el valor más abundante en SNR es 4, lo que indica una mala calidad de casi el 75% de los datos. Además, Bersoft y Bersoft max muestran la misma distribución, lo que demuestra su alta correlación de 1 que aparece en la matriz de correlación.

Un histograma de todas las características de calidad.

En esta sección se han utilizado seis modelos de IA con los datos recopilados para predecir el comportamiento del canal. Por lo tanto, se discuten los resultados de estos modelos y su impacto en el rendimiento de la red. Luego, se realiza una comparación entre estos resultados. Se utilizan cuatro métricas para evaluar los modelos; exactitud, puntuación F1, precisión y recuperación. Además, se ha trazado una matriz de confusión para cada modelo. La matriz de confusión es una matriz bidimensional cuyas filas se refieren a las etiquetas verdaderas y sus columnas se refieren a las etiquetas predichas. La matriz de confusión muestra cuántas instancias predichas hay para cada clase, lo que indica el rendimiento del modelo39.

Las ecuaciones de las métricas se muestran en la ecuación 1. La precisión se evalúa utilizando (1a), la relación entre la suma de todas las predicciones correctas. ¿Cuáles son las clases positivas (TP) y las clases negativas (TN) verdaderamente predichas para todas las predicciones, cuáles son las predicciones verdaderas de las clases positivas (TP) y negativas (TN) y las clases positivas (FP) y negativas falsamente predichas? la clase negativa (FN) falsamente predicha. Como muestra (1b), la precisión es la cantidad de clase positiva (TP) verdaderamente predicha con respecto a todas las clases positivas predichas, ya sea verdaderamente predichas (TP) o falsamente predichas (FP). El recuerdo es cuánta clase positiva verdaderamente predicha para el número de instancias de clase positiva en el conjunto de datos de prueba, ya sea que se predigan verdaderamente (TP) o se predigan falsamente (FN), como se muestra en (1c). La puntuación F1 es la relación entre el doble de la multiplicación de la precisión y la recuperación de su suma, como se muestra en (1d)40. La Fig. 14 muestra las matrices de confusión para los modelos propuestos. La matriz de confusión compara las predicciones de cada modelo con respecto a las predicciones reales, de modo que las filas representan la clase real y las columnas representan la clase predicha, de modo que la diagonal muestra las instancias clasificadas correctamente.

MLP se ha probado en 100 instancias y logró una precisión del 84 % de modo que, como muestra la Fig. 14 - a, 47 de 52 instancias se clasificaron correctamente como clase '1' y 37 de 48 se clasificaron correctamente como clase '0'. . El modelo resultó en una precisión de 0,8456, una recuperación de 0,8373 y una puntuación F1 de 0,8384.

La precisión de la predicción de KNN difiere con diferentes K, como se explica en la Sección. 2. Por lo tanto, el modelo se ha probado para predecir las instancias del conjunto de prueba con diferentes K para determinar el valor con los mejores resultados, de modo que cuando K es igual a 15, el modelo tiene los mejores resultados. La Fig. 14 - b muestra las predicciones del modelo KNN cuando se prueba en 100 instancias. El modelo predice correctamente 35 de 48 para la clase 0 y 32 de 52 para la clase 1, que tienen una precisión del 67 %, la puntuación F1 es igual a 0,6697, una precisión de 0,6737 y una recuperación igual a 0,6723.

El modelo predijo correctamente que 49 de 52 instancias serían de clase '1' y 36 de 48 de clase '0' como se muestra en la Fig. 14 - c, con una precisión del 85%, la puntuación F1 es igual a 0,8465, la precisión es igual a 0,8698 y recuperación de 0,8454.

La precisión del modelo es del 86% y clasificó 50 de 52 instancias de clase '1' y 36 de 48 de clase '0', como se muestra en la Fig. 14 - d, con una puntuación F1 igual a 0,8572, una precisión de 0,8769 y recuperación de 0,8558

El modelo de bosque aleatorio se ha probado con varios estimadores que van del 1 al 100. El número de estimadores es el número de árboles en un bosque aleatorio. Esto se ha hecho para saber qué número de estimadores tendrán mejores resultados. El número de estimadores que tiene la mejor precisión es 34. La Fig. 14 - e muestra que el modelo ha predicho correctamente 50 de 52 instancias como clase 1 y 35 de 48 instancias como clase 0. El modelo tiene una precisión igual al 85%, puntuación F1 de 0,8465, precisión igual a 0,8698 y recuperación de 0,8454.

El modelo ha sido probado con varios estimadores de modo que los estimadores a partir de 12 tienen los mejores resultados. Fig. 14 - f muestra que el modelo ha predicho correctamente 52 de 52 instancias como clase 1 y 35 de 48 instancias como clase 0. El modelo tiene una precisión igual al 87%, puntuación F1 de 0,8661, precisión igual a 0,9 y recuperación de 0,8646. Como se muestra en la Tabla 2, ADA Boost fue el mejor algoritmo con respecto a la exactitud, la puntuación F1, la precisión y la recuperación para predecir en qué momento un nodo PLC es óptimo con una precisión del 87 %, mientras que el modelo menos preciso fue KNN con 67% de precisión.

Matrices de confusión para modelos entrenados.

Recientemente, el PLC se ha utilizado en diferentes aplicaciones de IoT. Sin embargo, el entorno del PLC es vulnerable a fuentes de ruido, lo que afecta negativamente la calidad de la red. De hecho, durante la última década se ha realizado un esfuerzo considerable para mejorar la red y la calidad de los enlaces10,12. Por ejemplo, algunos investigadores se centraron en diferentes implementaciones de capas MAC y PHY para mejorar la confiabilidad de la red. Además, se han realizado algunos esfuerzos a nivel de implementaciones de circuitos electrónicos10. Sin embargo, a pesar del trabajo previo para mejorar la calidad de la red, las redes basadas en PLC todavía necesitan más estabilidad debido a las condiciones variables a lo largo del tiempo. Por lo tanto, este trabajo utiliza IA para predecir la estabilidad de la red y la calidad del enlace. Se han utilizado seis técnicas de IA para predecir la calidad de la red y el intervalo de tiempo óptimo para las comunicaciones. La Tabla 2 ilustra una comparación entre las diferentes técnicas. ADA Boost dio una precisión del 87% para alcanzar la ranura de comunicación óptima, mientras que KNN dio la peor precisión del 67%. Sin embargo, KNN tiene el tiempo de ejecución más rápido (0,0039 segundos) para 21 subprocesos. Por otro lado, ADA Boost tarda (0,02 segundos) en 25 subprocesos durante el tiempo de entrenamiento. Esto significa que KNN requiere menos recursos de CPU que ADA Boost durante el proceso de capacitación. Esto permite el concepto de permitir la capacitación en un entorno de recursos limitados. Además, el kernel no lineal SVM dio una precisión del 86% con un tiempo de entrenamiento de 0,043 segundos. para 23 hilos. Sin embargo, el kernel lineal SVM logra una precisión del 85% para un tiempo de entrenamiento de 0,024 segundos. La ventaja significativa de seleccionar el intervalo de tiempo óptimo para la comunicación es aumentar la eficiencia del enlace de comunicación. Esto también aumenta la cantidad de nodos que puede atender el mismo dispositivo DCU. Además, aumentar la eficiencia del enlace minimiza el número de pruebas para obtener la lectura del nodo PLC. Por lo tanto, el sistema puede aumentar el número de nodos.

atendido por la misma DCU.

Predecir con antelación la disponibilidad de un nodo PLC mejora el rendimiento de la red. Se entrenaron y probaron algoritmos MLP, KNN, núcleos lineales y no lineales SVM, Random Forest y AdaBoost para predecir si un nodo PLC estaba disponible en un momento determinado o no. Representan algoritmos estadísticos, basados en vectores, de regresión, de decisión y predictivos. Se utilizaron lecturas de la relación señal-ruido (SNR), del indicador de intensidad de la señal recibida (RSSI) y de la portadora a interferencia más ruido (CINR) para determinar si un nodo PLC era óptimo para usarse en un momento específico utilizando un conjunto de datos de 1000 Las instancias se usaron de tal manera que el 90% se usó en el entrenamiento del modelo. El modelo ha logrado exactitud, puntuación F1, precisión y recuperación que son del 87%, 0,86613, 0,9 y 0,8646, respectivamente, para el algoritmo AdaBoost, que superó a los otros algoritmos.

Los conjuntos de datos generados y/o analizados durante el estudio actual están disponibles del autor correspondiente previa solicitud razonable.

Mlỳnek, P., Rusz, M., Benešl, L., Sláčik, J. & Musil, P. Posibilidades de comunicaciones por líneas eléctricas de banda ancha para aplicaciones de hogares y edificios inteligentes. Sensores 21(1), 240 (2021).

Artículo ADS PubMed PubMed Central Google Scholar

Al-Fuqaha, A., Guizani, M., Mohammadi, M., Aledhari, M. & Ayyash, M. Internet de las cosas: una encuesta sobre tecnologías, protocolos y aplicaciones habilitantes. Comunicaciones IEEE. Sobrevivir. Tutor. 17(4), 2347–2376 (2015).

Artículo de Google Scholar

González-Ramos, J. et al. Actualización de las funcionalidades de la red eléctrica con comunicaciones por línea eléctrica de banda ancha: bases, aplicaciones, tendencias actuales y desafíos. Sensores 22(12), 4348. https://doi.org/10.3390/s22124348 (2022).

Artículo ADS PubMed PubMed Central Google Scholar

Ghasempour, A. Internet de las cosas en redes inteligentes: arquitectura, aplicaciones, servicios, tecnologías clave y desafíos. Invenciones 4(1), 22 (2019).

Artículo de Google Scholar

Hamamreh, JM, Furqan, HM & Arslan, H. Clasificaciones y aplicaciones de técnicas de seguridad de capa física para la confidencialidad: una encuesta exhaustiva. Comunicaciones IEEE. Sobrevivir. Tutor. 21 (2), 1773–1828 (2018).

Artículo de Google Scholar

Vincent, TA, Gulsoy, B., Sansom, JE y Marco, J. Desarrollo de una red de comunicación por línea eléctrica en vehículos con células inteligentes instrumentadas in situ. Transp. Ing. 6, 100098 (2021).

Artículo de Google Scholar

Brandl, M. & Kellner, K. Evaluación del rendimiento de sistemas de comunicación por línea eléctrica para transmisión de datos basada en lin-bus. Electrónica 10(1), 85 (2021).

Artículo de Google Scholar

Prasad, G. & Lampe, L. Comunicaciones por líneas eléctricas full-duplex: diseño y aplicaciones desde multimedia hasta redes inteligentes. Comunicaciones IEEE. Revista. 58(2), 106-112 (2019).

Artículo de Google Scholar

Rocha Farias, L., Monteiro, LF, Leme, MO & Stevan, SL Jr. Análisis empírico de la comunicación en entorno industrial basado en comunicación por línea eléctrica g3 e influencias de la red eléctrica. Electrónica 7(9), 194 (2018).

Artículo de Google Scholar

Wang, B. y Cao, Z. Una revisión de las técnicas de adaptación de impedancias en comunicaciones por líneas eléctricas. Electrónica 8(9), 1022 (2019).

Artículo de Google Scholar

Oliveira, RM, Vieira, AB, Latchman, HA y Ribeiro, MV Protocolos de control de acceso a medios para comunicaciones por líneas eléctricas: una encuesta. Comunicaciones IEEE. Sobrevivir. Tutor. 21(1), 920–939 (2018).

Artículo de Google Scholar

Appasani, B. & Mohanta, DK Una revisión del sistema de comunicación sincrofasor: tecnologías, estándares y aplicaciones de la comunicación. Proteger. Modo de control. Sistema de energía. 3(1), 1–17 (2018).

Google Académico

Sanz, A., Sancho, D., & Ibar, JC Rendimiento de los sistemas de comunicación híbridos g3 plc-rf. En: Simposio internacional IEEE de 2021 sobre comunicaciones por líneas eléctricas y sus aplicaciones (ISPLC), págs. 67–72 (2021). IEEE

Deru, L., Dawans, S., Ocaña, M., Quoitin, B. & Bonaventure, O. Enrutadores fronterizos redundantes para redes 6lowpan de misión crítica. En Redes de sensores inalámbricos del mundo real (ed. Dev, T.) 195–203 (Springer, 2014).

Capítulo Google Scholar

Kassab, AS, Seddik, KG, Elezabi, A. y Soltan, A. Optimización realista de la red de medidores inteligentes inalámbricos utilizando métrica rpl compuesta. En: 2020 Octava Conferencia Internacional sobre Redes Inteligentes (icSmartGrid), págs. 109-114 (2020). IEEE

Stiri, S. y col. Redes de medición inteligente híbrida plc y lorawan: modelado y optimización. Traducción IEEE. Indo. inf. 18(3), 1572–1582 (2021).

Artículo de Google Scholar

Ullah, Z., Al-Turjman, F., Mostarda, L. & Gagliardi, R. Aplicaciones de la inteligencia artificial y el aprendizaje automático en ciudades inteligentes. Computadora. Comunitario. 154, 313–323 (2020).

Artículo de Google Scholar

Mata, J. et al. Métodos de inteligencia artificial (ia) en redes ópticas: un estudio completo. Óptico. Cambiar. Neto. 28, 43–57 (2018).

Artículo de Google Scholar

Fu, Y., Wang, S., Wang, C.-X., Hong, X. & McLaughlin, S. Inteligencia artificial para gestionar el tráfico de red de redes inalámbricas 5G. Red IEEE. 32(6), 58–64 (2018).

Artículo de Google Scholar

Yang, H. y col. Redes 6G inteligentes habilitadas por inteligencia artificial. Red IEEE. 34(6), 272–280 (2020).

Artículo de Google Scholar

Shi, Y., Yang, K., Jiang, T., Zhang, J. & Letaief, KB IA de borde eficiente en comunicación: algoritmos y sistemas. Comunicaciones IEEE. Sobrevivir. Tutor. 22(4), 2167–2191 (2020).

Artículo de Google Scholar

Zhang, C. & Lu, Y. Estudio sobre inteligencia artificial: estado del arte y perspectivas de futuro. J. Indo. inf. Integral 23, 100224. https://doi.org/10.1016/j.jii.2021.100224 (2021).

Artículo de Google Scholar

Balada, C. et al. Fühler-im-netz: un conjunto de datos de comunicación de redes eléctricas y líneas eléctricas inteligentes. IET Smart Gridhttps://doi.org/10.1049/stg2.12093 (2022).

Artículo de Google Scholar

R̃ighini, D., Tonello, AM Determinismo de ruido en canales plc de banda estrecha multiconductores. En: Simposio internacional IEEE de 2018 sobre comunicaciones por líneas eléctricas y sus aplicaciones (ISPLC) (2018) https://doi.org/10.1109/isplc.2018.8360239

Righini, D., Tonello, AM: Agrupación automática de ruido en canales plc de banda estrecha multiconductores. En: Simposio internacional IEEE de 2019 sobre comunicaciones por líneas eléctricas y sus aplicaciones (ISPLC) (2019) https://doi.org/10.1109/isplc.2019.8693272

Reyes, DMA, Souza, RMCR & Oliveira, ALI Un enfoque de tres etapas para modelar múltiples series de tiempo aplicado a datos de cuartiles simbólicos. Exp. Sistema. Aplica. 187, 115884. https://doi.org/10.1016/j.eswa.2021.115884 (2022).

Artículo de Google Scholar

Bade, K. y Nurnberger, A. Agrupación jerárquica personalizada. En: Conferencia internacional IEEE/WIC/ACM de 2006 sobre inteligencia web (Actas de la conferencia principal de WI 2006) (WI'06) (2006) https://doi.org/10.1109/wi.2006.131

Leskovec, J., Rajaraman, A. y Ullman, JD Minería de conjuntos de datos masivos (Cambridge University Press, 2014).

Reservar Google Académico

Vesanto, J. & Alhoniemi, E. Agrupación del mapa autoorganizado. Traducción IEEE. Red neuronal. 11(3), 586–600. https://doi.org/10.1109/72.846731 (2000).

Artículo CAS PubMed Google Scholar

Dubey, A., Mallik, RK y Schober, R. Análisis de rendimiento de un sistema de comunicación de línea eléctrica de múltiples saltos sobre desvanecimiento logarítmico normal en presencia de ruido impulsivo. Comun IET. 9(1), 1–9. https://doi.org/10.1049/iet-com.2014.0464 (2015).

Artículo de Google Scholar

Hossam, M., Afify, AA, Rady, M., Nabil, M., Moussa, K., Yousri, R. y Darweesh, MS Un estudio comparativo de diferentes técnicas de clasificación de formas faciales. En: Conferencia Internacional sobre Ingeniería Electrónica de 2021 (ICEEM), págs. 1 a 6 (2021). https://doi.org/10.1109/ICEEM52022.2021.9480638

Prajapati, GL y Patle, A. Sobre la realización de clasificaciones utilizando svm con funciones de núcleo polinomiales y de base radial. En: 2010 3ra Conferencia Internacional sobre Tendencias Emergentes en Ingeniería y Tecnología (2010) https://doi.org/10.1109/icetet.2010.134

Almaiah, MA et al. Investigación del rendimiento del análisis de componentes principales para un sistema de detección de intrusos utilizando diferentes núcleos de máquinas de vectores de soporte. Electrónica 11(21), 3571 (2022).

Artículo de Google Scholar

Verma, AR, Singh, SP, Mishra, RC y Katta, K. Análisis de rendimiento de la identificación de hablantes utilizando un modelo de mezcla gaussiana y una máquina de vectores de soporte. En: Conferencia internacional WIE de IEEE de 2019 sobre ingeniería eléctrica e informática (WIECON-ECE) (2019) https://doi.org/10.1109/wiecon-ece48653.2019.9019970

Khan, MI y col. Predicción automatizada de buenos ejemplos de diccionario (gdex): un experimento integral con supervisión a distancia, aprendizaje automático y técnicas de aprendizaje profundo basadas en la incorporación de palabras. Complejidadhttps://doi.org/10.1155/2021/2553199 (2021).

Artículo de Google Scholar

Liu, P., Zhang, Y., Wu, H. & Fu, T. Optimización del diagnóstico de fallas basado en Edge-PLC con bosque aleatorio en el Internet industrial de las cosas. IEEE Internet Things J. 7(10), 9664–9674. https://doi.org/10.1109/jiot.2020.2994200 (2020).

Artículo de Google Scholar

Bhushan, S. y col. Un análisis experimental de varios algoritmos de aprendizaje automático para el reconocimiento de gestos con las manos. Electrónica 11(6), 968. https://doi.org/10.3390/electronics11060968 (2022).

Artículo de Google Scholar

Abirami, SP, Kousalya, G. & Karthick, R. Análisis de expresión variada de niños con TEA utilizando una técnica de aprendizaje profundo multimodal. Aprendizaje profundo. Computación paralela. Reinar. Bioeng. Sistema.https://doi.org/10.1016/b978-0-12-816718-2.00021-x (2019).

Artículo de Google Scholar

Heydarian, M., Doyle, TE y Samavi, R. Mlcm: Matriz de confusión de etiquetas múltiples. Acceso IEEE 10, 19083–19095. https://doi.org/10.1109/access.2022.3151048 (2022).

Artículo de Google Scholar

Abdulhammed, R., Musafer, H., Alessa, A., Faezipour, M. y Abuzneid, A. Presenta enfoques de reducción de dimensionalidad para la detección de intrusiones en la red basada en aprendizaje automático. Electrónica 8(3), 322. https://doi.org/10.3390/electronics8030322 (2019).

Artículo de Google Scholar

Descargar referencias

Este documento se basa en el trabajo apoyado por la Colaboración Academia de Tecnología de la Información (ITAC) de Egipto, bajo la Subvención No. CFP 207.

Financiamiento de acceso abierto proporcionado por la Autoridad de Financiamiento de Ciencia, Tecnología e Innovación (STDF) en cooperación con el Banco Egipcio de Conocimiento (EKB).

Centro de redes inteligentes inalámbricas (WINC), Universidad del Nilo, Giza, 12677, Egipto

Kareem Moussa y M. Saeed Darweesh

Escuela de Ingeniería y Ciencias Aplicadas, Universidad del Nilo, Giza, 12677, Egipto

Kareem Moussa, Mennatullah Mahmoud Amin, M. Saeed Darweesh, Lobna A. Said y Ahmed Soltan

Centro de Sistemas Integrados de Nanoelectrónica (NISC), Universidad del Nilo, Giza, 12677, Egipto

Mennatullah Mahmoud Amin, Lobna A. Said y Ahmed Soltan

Grupo El Sewedy Electrometer, Ciudad 6 de Octubre, Egipto

Abdelmoniem Elbaz

También puedes buscar este autor en PubMed Google Scholar.

En este trabajo, utilizamos IA para predecir la disponibilidad de enlaces para la red Power Line Communication (PLC). Hemos recopilado datos de campo y aplicamos diferentes algoritmos de IA para predecir la disponibilidad del enlace a lo largo del tiempo. Los algoritmos mostraron una precisión de predicción superior al 85. La contribución del autor es la siguiente: Ing. KM hizo la implementación del algoritmo para la optimización y predicción Eng MMA hizo la generación de figuras y la escritura inicial Dr. MSD hizo la escritura inicial la supervisión durante el desarrollo del algoritmo de IA Dr. LA Said hizo el modelado y el análisis de datos Eng AEME apoyó en los datos Recolección y pruebas de campo. Dr. Ahmed Soltan, investigador principal del proyecto e iniciador de la idea, realizó la redacción final.

Correspondencia a Ahmed Soltan.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Moussa, K., Amin, MM, Darweesh, MS et al. Un estudio comparativo sobre la predicción de la disponibilidad de nodos de comunicación de líneas eléctricas mediante aprendizaje automático. Informe científico 13, 12658 (2023). https://doi.org/10.1038/s41598-023-39120-7

Descargar cita

Recibido: 02 de mayo de 2023

Aceptado: 20 de julio de 2023

Publicado: 04 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-39120-7

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.