[논문]딥러닝 기반 전력선 통신 시스템의 임펄시브 잡음 제거 기법

서성일

doi:10.7236/jiibc.2022.22.4.29

딥러닝 기반 전력선 통신 시스템의 임펄시브 잡음 제거 기법
Cancellation Scheme of impusive Noise based on Deep Learning in Power Line Communication System 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.22 no.4, 2022년, pp.29 - 33

서성일 (호남대학교 전기공학과)

초록
AI-Helper

본 논문은 스마트 그리드를 위한 전력선 통신 시스템에서 데이터 신뢰성을 향상시키는 딥러닝 기반의 사전 간섭 제거 알고리즘에 대해 연구하였다. 본 논문에서 제안한 기법은 딥러닝 기술을 적용하여 채널에서 발생하는 임펄시브 잡음을 예측하여 제거하는 기술로서 송신단에서 딥러닝에 의해 학습된 잡음들을 활용하여 효과적으로 잡음을 제거함으로써 신호의 품질을 향상시킬 수 있다. 딥러닝 기술의 잡음 예측 정확도를 향상시키기 위해 기존의 잡음 형태를 데이터베이스화하여 활용하였다. 채널 모델로서 Middleton Class A 간섭 모델을 사용하였고, 비트 오류율을 평가하여 성능을 검증하였다. 모의실험을 통해 간섭 제거 기법이 적용된 시스템 모델과 이론적인 모델의 비트오류율을 비교하여 제안하는 시스템이 잡음을 효과적으로 제거하여 신호의 품질 성능을 향상시킬 수 있음을 확인하였다. 제안한 시스템 모델은 전력선 통신뿐만 아니라 일반적인 통신 시스템에서도 신호의 품질을 향상시킬 수 있도록 다양하게 적용이 가능하다.

Abstract ▼ AI-Helper

In this paper, we propose the deep learning based pre interference cancellation scheme algorithm for power line communication (PLC) systems in smart grid. The proposed scheme estimates the channel noise information by applying a deep learning model at the transmitter. Then, the estimated channel noise is updated in database. In the modulator, the channel noise which reduces the power line communication performance is effectively removed through interference cancellation technique. As an impulsive noise model, Middleton Class A interference model was employed. The performance is evaluated in terms of bit error rate (BER). From the simulation results, it is confirmed that the proposed scheme has better BER performance compared to the theoretical model based on additive white Gaussian noise. As a result, the proposed interference cancellation with deep learning improves the signal quality of PLC systems by effectively removing the channel noise. The results of the paper can be applied to PLC for smart grid and general communication systems.

주제어

표/그림 (4)

그림 그림 1. 전력선 통신 서비스 개요 Fig. 1. Service of power line communications
그림 그림 2. 다중경로 시나리오 Fig. 2. Multipath scenario
그림 그림 3. 딥러닝 기반 사전 간섭 제거 기법 Fig. 3. Deep learning based pre-interference cancellation
그림 그림 4. 시뮬레이션 결과 Fig. 4. Simulation result

AI 본문요약
AI-Helper

문제 정의

본 논문은 전력선 통신에서 딥러닝 기술을 이용하여 사전에 잡음의 영향성을 반영하여 신호를 전송함으로써임펄시브 잡음으로 인해 발생하는 오류를 제거하여 통신성능을 향상시키는 시스템 모델을 제안하였다. 딥러닝프로세스의 예측 오류를 보완하기 위해 신호의 세기에 따라 적응형으로 동작되는 시스템을 통하여 최적화된 성능을 나타냈다.
이와 같은 특징을 기반으로, 본 논문에서는 다양한 상황에서 발생하는 잡음에 대응할 수 있는 딥러닝 기반 사전 간섭 제거 기법을 적용하여, 신호의 QoS (Quality of Service)를 향상시킬 수 있는 방법을 제안한다. 제안된 기법은 각각의 디바이스에서 발생하는 잡음 소스원의 형태 및 크기를 데이터베이스화 하여, 데이터 전송 시에 잡음의 영향성을 고려하여 신호처리를 하는 기법이다.

가설 설정

전력선 통신의 잡음은 크게 주기성 잡음과 비주기성 잡음으로 나눌 수 있으며, 랜덤하게 변하는 비주기성 잡음으로 인해 하나의 모델로 간소화시키기가 어렵게 된다. 본 논문에서는 수신 신호의 채널 환경이 백색 잡음 (White Noise)과 주기성을 가지는 임펄시브 잡음만이 존재한다고 가정하므로 수신 신호는 다음과 같이 표현할 수 있다.
제안된 시스템은 각 디바이스에서 발생하는 잡음을 데이터베이스에 저장한 후, 사전 간섭 제거 방식을 통해 채널로부터 발생하는 잡음을 제거하여 원 신호를 복조하는 시스템이다. 본 논문에서는 유한한 시나리오를 가지는 임펄시브 환경의 력선 통신 시스템을 가정한다. 먼저 잡음을 모델링하는 단계에서는 파일럿 신호를 통해 전력선 채널 및 임펄시브 노이즈의 특성을 파악하게 된다.
고속 전력선 통신 설계를 위해서는 실내 전력선 채널의 광대역 채널 충격 응답을 얻어야 하며, 일반적으로 파일럿 신호를 이용하여 채널의 다중경로 특성을 구해낼 수 있다. 잡음 모델의 경우 AWGN (Additive White Gaussian Noise)을 가정하고, 송수신기의 성능을 분석한다. 그러나 전력선 통신의 경우 전력선을 이용해서 통신 디바이스에 전력을 공급하므로 다른 여러 가지 잡음들이 존재하게 된다.

제안 방법

하지만, 실제로는 딥러닝 모델의 학습 정확도가 완벽하지 않기 때문에 신호의 품질이 좋은 상황에서는 오히려 잡음을 예측하기 어렵게 되어, 잡음의 크기가 더욱 커지게 된다. 이에 따라 본 논문에서는 SNR (Signal to Noise Ratio)이 낮은 경우에는 간섭 제거 프로세스를 동작하여 잡음을 제거하고, SNR이 높은 경우에는 잡음의 영향성은 미비하기 때문에 잡음 제거 필터를 동작하지 않는 적응형 구조를 적용하였다.
이와 같은 특징을 기반으로, 본 논문에서는 다양한 상황에서 발생하는 잡음에 대응할 수 있는 딥러닝 기반 사전 간섭 제거 기법을 적용하여, 신호의 QoS (Quality of Service)를 향상시킬 수 있는 방법을 제안한다. 제안된 기법은 각각의 디바이스에서 발생하는 잡음 소스원의 형태 및 크기를 데이터베이스화 하여, 데이터 전송 시에 잡음의 영향성을 고려하여 신호처리를 하는 기법이다.
본 논문에서는 딥러닝 뉴럴 네트워크 (Neural Network)를 적용하여 학습을 수행하였으며, 아담 최적화 알고리즘을 활용하여 손실 함수를 최소화하였다 [6,7,8]. 제안된 시스템은 각 디바이스에서 발생하는 잡음을 데이터베이스에 저장한 후, 사전 간섭 제거 방식을 통해 채널로부터 발생하는 잡음을 제거하여 원 신호를 복조하는 시스템이다. 본 논문에서는 유한한 시나리오를 가지는 임펄시브 환경의 력선 통신 시스템을 가정한다.

데이터처리

이번 장에서는 전력선 통신 시스템에서 딥러닝 기반 사전 간섭 제거 기법의 성능을 모의실험을 통해 분석한다. 변복조 방식으로는 위상 편이 변조 (PSK, Phase Shift Keying)를 적용하여 시뮬레이션을 진행하였다.

이론/모형

이번 장에서는 전력선 통신 시스템에서 딥러닝 기반 사전 간섭 제거 기법의 성능을 모의실험을 통해 분석한다. 변복조 방식으로는 위상 편이 변조 (PSK, Phase Shift Keying)를 적용하여 시뮬레이션을 진행하였다.
송신단에서는 미리 최적화된 잡음 모델을 고려하여 데이터를 전송함으로써 채널에서 발생하는 잡음에 대응할 수 있게 된다. 본 논문에서는 딥러닝 뉴럴 네트워크 (Neural Network)를 적용하여 학습을 수행하였으며, 아담 최적화 알고리즘을 활용하여 손실 함수를 최소화하였다 [6,7,8]. 제안된 시스템은 각 디바이스에서 발생하는 잡음을 데이터베이스에 저장한 후, 사전 간섭 제거 방식을 통해 채널로부터 발생하는 잡음을 제거하여 원 신호를 복조하는 시스템이다.

성능/효과

시뮬레이션 결과, 사전 간섭 제거 기법이 적용된 시스템 모델의 BER 성능이 향상되었다는 것을 확인할 수 있다. SNR이 작은 경우에는 기존 대비 BER 성능이 향상되는 것을 확인했다. SNR 큰 경우에는 앞에서 언급했듯이 성능이 향상되지 않고 오히려 열화가 발생하는 현상이 발생하게 된다.
본 논문은 전력선 통신에서 딥러닝 기술을 이용하여 사전에 잡음의 영향성을 반영하여 신호를 전송함으로써임펄시브 잡음으로 인해 발생하는 오류를 제거하여 통신성능을 향상시키는 시스템 모델을 제안하였다. 딥러닝프로세스의 예측 오류를 보완하기 위해 신호의 세기에 따라 적응형으로 동작되는 시스템을 통하여 최적화된 성능을 나타냈다. 시뮬레이션을 통해 제안된 시스템의 성능을 검증하였고 기존의 잡음이 있을 때의 이론적인 결과보다 향상된 결과가 나왔으며, 특히 신호의 세기가 작은 경우에 신호 품질이 좋은 성능을 나타내어 끊김 없는 통신 서비스 제공을 가능하게 했다.
딥러닝 모델에서는 최적의 뉴런 개수를 경험을 토대로 반복적인 학습을 통해 최적의 모델을 찾아가게 된다. 본 논문에서 적용한 딥러닝 모델의 학습 정확도는 약 98%에 수렴하는 모델을 적용하였으며, 데이터 셋을 반복적으로 학습시킬수록 정확도가 증가하게 된다. 그림 4는 QPSK (Quadrature Phase Shift Keying) 변복조 방식에 대해 제안한 시스템 모델을 적용시켜 시뮬레이션을 진행하여 얻은 BER (Bit Error Rate) 그래프를 나타낸다.
그림 4는 QPSK (Quadrature Phase Shift Keying) 변복조 방식에 대해 제안한 시스템 모델을 적용시켜 시뮬레이션을 진행하여 얻은 BER (Bit Error Rate) 그래프를 나타낸다. 시뮬레이션 결과, 사전 간섭 제거 기법이 적용된 시스템 모델의 BER 성능이 향상되었다는 것을 확인할 수 있다. SNR이 작은 경우에는 기존 대비 BER 성능이 향상되는 것을 확인했다.
딥러닝프로세스의 예측 오류를 보완하기 위해 신호의 세기에 따라 적응형으로 동작되는 시스템을 통하여 최적화된 성능을 나타냈다. 시뮬레이션을 통해 제안된 시스템의 성능을 검증하였고 기존의 잡음이 있을 때의 이론적인 결과보다 향상된 결과가 나왔으며, 특히 신호의 세기가 작은 경우에 신호 품질이 좋은 성능을 나타내어 끊김 없는 통신 서비스 제공을 가능하게 했다. 또한, 딥러닝 프로세스의 정확도를 향상시키기 위해서 보다 많은 데이터를 수집하고 학습시킨다면 간섭 제거 성능은 더욱 더 향상될 것이다.
적응형 간섭 제거 기법의 경우에 이를 보완할 수 있으며, 가장 최적화된 BER 성능을 나타냈으며 신호의 세기가 낮은 환경에서도 품질 좋은 통신 서비스를 제공할 수 있다.
또한, 딥러닝 프로세스의 정확도를 향상시키기 위해서 보다 많은 데이터를 수집하고 학습시킨다면 간섭 제거 성능은 더욱 더 향상될 것이다. 제안한 시스템 모델은 전력선 통신뿐만 아니라 일반적인 통신 시스템에서도 신호의 품질을 향상시킬 수 있도록 다양하게 적용이 가능하다.

후속연구

시뮬레이션을 통해 제안된 시스템의 성능을 검증하였고 기존의 잡음이 있을 때의 이론적인 결과보다 향상된 결과가 나왔으며, 특히 신호의 세기가 작은 경우에 신호 품질이 좋은 성능을 나타내어 끊김 없는 통신 서비스 제공을 가능하게 했다. 또한, 딥러닝 프로세스의 정확도를 향상시키기 위해서 보다 많은 데이터를 수집하고 학습시킨다면 간섭 제거 성능은 더욱 더 향상될 것이다. 제안한 시스템 모델은 전력선 통신뿐만 아니라 일반적인 통신 시스템에서도 신호의 품질을 향상시킬 수 있도록 다양하게 적용이 가능하다.

참고문헌 (8)

M. S. Yousuf, M. El-Shafei, "Power line communications: an overview - part I," in proc. of 4th Conf. Innovations in Inf. Technol. '07, pp. 218-222, Nov. 1996. DOI: https://doi.org/10.1109/IIT.2007.4430363
M. Zimmermann, K. Dostert, "Analysis and modeling of impulsive noise in broad band powerline communications," IEEE Trans. on Electromagnetic Compatibility, Vol. 44, No. 1, pp. 249-258, Feb. 2002. DOI: https://doi.org/10.1109/15.990732

상세보기
S. Kim, T. Jeon, "Effect of Interference from DC power supply on power line communication channel," The Journal of The Institute of Internet, Broadcasting and Communication (JIIBC), Vol. 14, No. 5, pp. 111-115, Oct. 2014. DOI: https://doi.org/10.7236/JIIBC.2014.14.5.111

원문보기 상세보기
F. J. Canete, J. A. Cortes, L. Diez, J. T. Entrambasaguas, "Modeling and evaluation of the indoor power line transmission medium," IEEE Comm. Mag. Vol. 41, No. 4, pp. 41-47, Apr. 2003. DOI: https://doi.org/0.1109/MCOM.2003.1193973
L. T. Tang, P. L. So, E. Gunawan, Y. L. Guan, S. Chen, T. T. Lie, "Characterization and modeling of in-building power lines for high-speed data transmission," IEEE Trans. Power Delivery, Vol. 18, pp. 69-77, Jan. 2003. DOI: https://doi.org/10.1109/TPWRD.2002.803796

상세보기
H. Ye, G. Y. Li, B. H. Juang, "Power of deep learning for channel estimation and signal detection in OFDM systems," IEEE Wireless Communications Letters, Vol. 7, No. 1, pp. 114-117, Feb. 2018. DOI: https://doi.org/10.1109/LWC.2017.2757490

상세보기
Y. Kim, S. Lee, Y. Kwon, "Proposal of step-by-step optimized campus power forecast model using CNN-LSTM deep learning ," Journal of the Korea Academia-Industrial cooperation Society(JKAIS), Vol. 21, No. 10, pp. 8-15, Oct, 2020. DOI: https://doi.org/10.5762/KAIS.2020.21.10.8

원문보기 상세보기
C. B. Kim, "Deep learning model for prediction rate improvement of weather date using parallel merge structure," The Journal of KIIT, Vol. 20, No. 4, pp. 131-140, Apr. 2022. DOI: https://doi.org/10.14801/jkiit.2022.20.4.131

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증