基于制造技术

本申请涉及数据传输领域，尤其涉及基于

【技术实现步骤摘要】
基于5G短共享的智能电表数据传输方法及系统


[0001]本申请涉及数据传输领域，尤其涉及基于
5G
短共享的智能电表数据传输方法及系统
。

技术介绍

[0002]在
5G
网络中，短共享技术能够有效解决传统移动网络在处理大量小数据时遇到的低效和高延迟等问题，为广泛的物联网设备
、
移动应用和新型通信服务提供更加稳定和快速的连接
。5G
短共享具有以下优点：走专网，数据不容易泄露，数据不需要加密，降低成本；使用专用通道，不会与其它数据抢占资源，减少网络堵塞，可靠性强；网络资源能够自由支配，使电网公司对用户数据的管理更加方便智能
。
[0003]5G
短共享能够满足智能电表数据的高速
、
实时传输需求
。
智能电表数据的传输要保证数据传输的准确性和实时性，智能电表配置有无线通讯模块，可以实现电表数据采集，并将数据经过协议传输到集中器中，集中器通过
GPRS
将数据传输到电力管理公司，数据常见的是通过
RS485
协议及
Modbus
协议进行传输
。
[0004]在远距离传输智能电表的数据时，信号的传输路线可以有多种选择，如何选择最优的传输路线，减少信号传输时的损失和传输失败的概率，增加信号传输的成功率是本申请解决的问题
。

技术实现思路

[0005]本申请提供基于
5G
短共享的智能电表数据传输方法及系统，在远距离传输信号时，能够提供最优的传输路线选择，减少信号传输时的损失和传输失败的概率
。
[0006]第一方面，本申请提供基于
5G
短共享的智能电表数据传输方法，采用如下的技术方案：基于
5G
短共享的智能电表数据传输方法，包括步骤：获取采集的目标区域内所有基站的传输参数，给每个基站设定代表基站信号传输质量的标签，构建目标区域的基站状态数据集，所述传输参数包括基站的信号强度
、
传输速率
、
丢包率
、
误码率和信噪比；根据所述基站状态数据集训练神经网络模型，获得最优神经网络模型；根据所述最优神经网络模型，对每个基站的信号传输状态分类，计算相邻基站传输的奖励值；计算基站之间所有基站传输路线的总奖励值，将传输路程中总奖励值最大的传输路线作为最优路径
。
[0007]可选的，根据所述基站状态数据集训练神经网络模型，获得最优神经网络模型，包括步骤：计算基站分类任务的损失惩罚因子，设定所述神经网络模型的损失函数；响应于训练次数大于预设的第一阈值或损失值小于预设的第二阈值，完成一次模型训练；重复进行模型训练获得多个训练结果，根据模型评价指标，选择最优的神经网络模型
。
[0008]可选的，计算基站分类任务的损失惩罚因子，设定所述神经网络模型的损失函数，包括步骤：计算连接度；计算损失函数
。
[0009]可选的，根据所述最优神经网络模型，对每个基站的信号传输状态分类中，所述基站的信号传输状态包括第一概率和第二概率，第一概率为基站信号传输质量良好的概率，第二概率为基站信号传输质量差的概率
。
[0010]可选的，所述计算相邻基站传输的奖励值中，根据传输信号基站的信号状态良好的概率
、
误码率和信号的目标传输距离计算出信号在基站之间传输的奖励值
。
[0011]可选的，计算基站之间所有基站传输路线的总奖励值，将传输路程中总奖励值最大的传输路线作为最优路径中，包括步骤：根据路径搜索算法搜寻出多个传输路线；计算每条所述传输路线的总奖励值，设定总奖励值最大的至少一条传输路线为最优路径
。
[0012]第二方面，本申请提供基于
5G
短共享的智能电表数据传输系统，采用如下的技术方案：基于
5G
短共享的智能电表数据传输系统，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现上述基于
5G
短共享的智能电表数据传输方法
。
[0013]本申请具有以下技术效果：
1、
根据训练好的最优神经网络模型对每个基站的信号传输状态进行预测，根据基站信号传输状态和基站传输的误码率得到不同基站之间传输的奖励值，再使用不同的路径搜索算法得到传输路径，计算不同传输路径的总奖励值，根据总奖励值的大小选择最优的信号传输路径
。
在远距离传输信号时，根据基站之间传输信号的奖励值，提供最优的传输路线的选择，减少信号传输时的损失和传输失败的概率，提高了智能电表数据传输的响应速度和系统运行效率
。
[0014]2、
通过每个基站连接的相邻的基站数量和所有基站中单个基站连接相邻基站数量的最大值，确定基站分类任务时的损失惩罚因子，构建神经网络模型的损失函数，惩罚因子越小，损失的惩罚越大，基站的重要性越大，分类错误的损失惩罚越大，使神经网络模型向预测效果更好的方向优化
。
附图说明
[0015]通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及相邻目的
、
特征和优点将变得易于理解
。
在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分
。
[0016]图1是本申请实施例基于
5G
短共享的智能电表数据传输方法的方法流程图
。
[0017]图2是本申请实施例基于
5G
短共享的智能电表数据传输方法中步骤
S2
的方法流程图
。
[0018]图3是本申请实施例基于
5G
短共享的智能电表数据传输方法中步骤
S4
的方法流程图
。
[0019]图4是本申请实施例基于
5G
短共享的智能电表数据传输方法中示出路线1和路线2的示意图
。
具体实施方式
[0020]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例
。
基于本申
请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有相邻实施例，都属于本申请保护的范围
。
[0021]应当理解，当本申请的权利要求
、
说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序
。
本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征
、
整体
、
步骤
、
操作
、
元素和<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于
5G
短共享的智能电表数据传输方法，其特征在于，包括步骤：获取采集的目标区域内所有基站的传输参数，给每个基站设定代表基站信号传输质量的标签，构建目标区域的基站状态数据集，所述传输参数包括基站的信号强度
、
传输速率
、
丢包率
、
误码率和信噪比；根据所述基站状态数据集训练神经网络模型，获得最优神经网络模型；根据所述最优神经网络模型，对每个基站的信号传输状态分类，计算相邻基站传输的奖励值；计算基站之间所有基站传输路线的总奖励值，将传输路程中总奖励值最大的传输路线作为最优路径
。2.
根据权利要求1所述的基于
5G
短共享的智能电表数据传输方法，其特征在于，根据所述基站状态数据集训练神经网络模型，获得最优神经网络模型，包括步骤：计算基站分类任务的损失惩罚因子，设定所述神经网络模型的损失函数；响应于训练次数大于预设的第一阈值或损失值小于预设的第二阈值，完成一次模型训练；重复进行模型训练获得多个训练结果，根据预设的模型评价指标，选择最优的神经网络模型
。3.
根据权利要求2所述的基于
5G
短共享的智能电表数据传输方法，其特征在于，计算基站分类任务的损失惩罚因子，设定所述神经网络模型的损失函数，包括步骤：计算连接度，所述连接度的计算公式为：其中，表示第个基站的连接度，表示第个基站连接的相邻的基站数量，表示所有基站中单个基站连接相邻基站数量的最大值；计算损失函数，所述损失函数的计算公式为：其中，表示第个基站分类错误的损失，表示第个基站信号状态的真实值，表示第个基站信号状态的预测值，是第个基站的连接度，表示第个...

【专利技术属性】
技术研发人员：周想凌，
申请(专利权)人：武汉市豪迈电力自动化技术有限责任公司，
类型：发明
国别省市：