The smart grid will play an important role in the future city to support the diversified energy supply. Wireless communication, the most cost-effective alternative to the traditional wire-lines, promises to provide ubiquitous bi-direction information channel for smart grid devices. However, due to the complex environment that smart grid devices located in, the wireless link is easily been interfered with and therefore appears strong stochastic features. Considering different smart grid application traffics have different and strict reliability requirements, the confidence interval lower boundary is more suitable to represent the worst-case reliability of the stochastic wireless link quality and trustworthy for judging whether the link quality is qualified for the next transmission. In this paper, we propose a Long-Short-Term-Memory (LSTM) based link quality confidence interval lower boundary prediction for the smart grid. According to the analysis of the characteristics of the wireless link, we employ the wavelet denoising algorithm to decompose the signal-to-noise ratio time series into the deterministic part and the stochastic part for training two LSTM neural networks. Then, the deterministic part and the variance of the stochastic part are predicted respectively. Lastly the confidence interval boundary is calculated. To verify the performance of the proposed LQP method, real-world experiments are carried out and the results show that our method is more accurate and trustworthy in comparison with other link quality prediction methods.

中文翻译：

---

基于LSTM的智能电网无线通信链路质量置信区间边界预测

智能电网将在未来城市中发挥重要作用，支持多元化的能源供应。无线通信是传统有线线路最具成本效益的替代方案，有望为智能电网设备提供无处不在的双向信息通道。然而，由于智能电网设备所处的环境复杂，无线链路容易受到干扰，因此呈现出很强的随机性。考虑到不同的智能电网应用流量有不同且严格的可靠性要求，置信区间下边界更适合代表随机无线链路质量的最坏情况可靠性，对于判断链路质量是否符合下一次传输的条件是值得信赖的。在本文中，我们提出了一种基于长短期记忆（LSTM）的智能电网链路质量置信区间下边界预测。根据对无线链​​路特性的分析，我们采用小波去噪算法将信噪比时间序列分解为确定性部分和随机性部分，用于训练两个LSTM神经网络。然后，分别预测确定性部分和随机部分的方差。最后计算置信区间边界。为了验证所提出的 LQP 方法的性能，进行了实际实验，结果表明，与其他链路质量预测方法相比，我们的方法更加准确和可信。根据对无线链​​路特性的分析，我们采用小波去噪算法将信噪比时间序列分解为确定性部分和随机性部分，用于训练两个LSTM神经网络。然后，分别预测确定性部分和随机部分的方差。最后计算置信区间边界。为了验证所提出的 LQP 方法的性能，进行了实际实验，结果表明，与其他链路质量预测方法相比，我们的方法更加准确和可信。根据对无线链​​路特性的分析，我们采用小波去噪算法将信噪比时间序列分解为确定性部分和随机性部分，用于训练两个LSTM神经网络。然后，分别预测确定性部分和随机部分的方差。最后计算置信区间边界。为了验证所提出的 LQP 方法的性能，进行了实际实验，结果表明，与其他链路质量预测方法相比，我们的方法更加准确和可信。分别预测确定性部分和随机部分的方差。最后计算置信区间边界。为了验证所提出的 LQP 方法的性能，进行了实际实验，结果表明，与其他链路质量预测方法相比，我们的方法更加准确和可信。分别预测确定性部分和随机部分的方差。最后计算置信区间边界。为了验证所提出的 LQP 方法的性能，进行了实际实验，结果表明，与其他链路质量预测方法相比，我们的方法更加准确和可信。