Modeling of the impulsive noise in the power substation environment and its application to receiver design
Bibliographic record
Abstract
Les réseaux de dispositifs électroniques intelligents (DEIs) peuvent être déployés par des fournisseurs d'électricité, tels qu'Hydro-Québec, dans des postes électriques existants afin de contrôler et de surveiller l'équipement de puissance à distance. De telles applications constituent une partie importante dans ce que l'on appelle le réseau électrique intelligent (Smart Grid). La technologie sans fil peut être utilisée dans de tels réseaux de DEI, cependant l'environnement électromagnétique à l'intérieur des postes est caractérisé par un bruit radio fréquence (RF) qui est suffisamment important pour perturber les communications sans fil actuelles. Afin de prendre en compte plusieurs technologies sans fil, nous étudions l'environnement RF des postes électriques dans la bande Industrielle Scientifique et Médicale (ISM), laquelle contient plusieurs fréquences porteuses : 780 MHz - 2.5 GHz. Le but principal de cette thèse est de concevoir un système sans fil qui soit robuste face au bruit RF des postes. Pour atteindre un tel objectif, nous devons rassembler suffisamment d'informations sur le bruit RF des postes et nous devons concevoir un modèle de bruit qui représente l'environnement des postes; par la suite, nous serons capables de concevoir un récepteur robuste qui soit adapté au bruit des postes électriques. Nous appelons ce bruit le bruit impulsif. Dans cette thèse, nous avons conçu notre propre montage de mesure pour enregistrer des séquences d'échantillons de bruit impulsif dans la bande ISM d'intérêt. Ce montage peut mesurer le bruit impulsif en poste électrique, en large bande, avec assez d'échantillons par fenêtre temporelle et assez de précision pour effectuer une analyse statistique du bruit. Pendant notre campagne de mesure, nous avons enregistré autour de 120 séquences de bruit dans différents postes et pour quatre niveaux de tension d'équipement : 25 kV, 230 kV, 315 kV et 735 kV. Grâce à cette campagne de mesure, nous connaissons les caractéristiques du bruit impulsif en poste électrique en fonction du niveau de tension de l'équipement. Nous avons de plus fournis des paramètres représentatifs pour les quatre niveaux de tensions et pour des modèles spécifiques de bruit impulsif. Le bruit impulsif en poste électrique est composé d'impulsions corrélées, ce qui nécessite des modèles avec mémoire afin de répliquer une corrélation similaire. Parmi différents modèles, nous avons configuré une chaine de Markov partitionnée (CMP) avec 19 états (un état pour le bruit de fond et 18 états pour les impulsions); ce modèle Markov-Gaussien est capable de générer un bruit impulsif avec des échantillons corrélés dans les impulsions. Cette corrélation peut être observée dans la durée d'impulsion et dans le spectre des impulsions; de plus, notre modèle CMP fournit des caractéristiques de bruit qui sont plus similaires aux caractéristiques de bruit mesuré en poste, en comparaison avec les autres modèles. Bien que le modèle CMP représente de façon fiable le bruit des postes, il reste complexe en termes d'estimation de paramètres à cause du nombre important d'états de Markov. Afin de simplifier ce modèle, nous diminuons le nombre d'états à 7 en assignant un état pour le bruit de fond et 6 états pour les impulsions. Nous appelons ce modèle CMP-6.Nous implémentons différents modèles de bruit dans un récepteur MAP qui utilise l'algorithme BCJR dans le décodeur afin d'estimer le symbole le plus probablement transmis à partir d'une séquence reçue. Nous testons la communication avec une modulation BPSK et un code LDPC. En comparaison avec les récepteurs AWGN et un récepteur MAP utilisant le modèle chaine de Markov à deux états, le modèle CMP-6 fournit plus d'informations utiles au récepteur pour atténuer le bruit impulsif, qu'il soit généré par le modèle CMP ou qu'il vienne d'un poste électrique.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".