电力线通信（Power Line Communication, PLC）是智能电网的一种重要通信方式。智能电网中新技术的发展对电力线通信性能提出了更高的要求，同时这些环境下的噪声干扰也更加复杂，从而使通信误码率增加，通信质量下降，严重时会导致通信完全失效。因此，研究电力线噪声的特性并实现噪声建模对提高电力线通信的抗干扰能力和数据的传输速率以及满足新技术对PLC系统更高的性能要求至关重要^[5]。

国内外已有学者对电力线信道噪声建模问题进行了研究，并得到一些成果。然而大部分文献都是将电力线信道噪声分为几种特定的类型，根据每种噪声的特性建立模型，最后将几种噪声合成，这无疑增加了噪声建模的复杂度。

实际的低压电力线会受到各种因素的干扰，噪声特性复杂，实现对电力线信道噪声的一次建模，简单直接地建立低压电力线通信信道噪声发生器，对于电力线信道噪声特性分析、提高低压电力线通信的抗干扰能力、数据的传输速率以及通信的可靠性至关重要。

华北电力大学电气与电子工程学院、国网信通产业集团国电通公司的张慧、卢文冰等，在2018年第16期《电工技术学报》上撰文，利用最小二乘支持向量机（Least Square Support Vector Machine, LS-SVM）和小波神经网络对低压电力线通信信道噪声建模，实验测量得到大量的室内和室外两种环境下的电力线信道噪声数据，该测量系统周围有新能源接入和不同的干扰源，分别用LS-SVM和小波神经网络模型对这些噪声数据建模。最后验证了本文提出的噪声模型相对于传统的Markovian-Gaussian模型有更低的复杂度和更高的精度。

图1 室内电力线信道噪声测量环境

作者最后结论：

为了验证和比较两种模型的建模精度，采用两种模型分别对室内和室外电机或抽油机运行和关闭两种状态下的16组实测电力线信道噪声建模，并计算建模后每组噪声的方均根误差（RMSE）。

结果表明，LS-SVM和小波神经网络模型都能很好地仿真低压PLC信道噪声并能适应时变的PLC信道，基于LS-SVM的回归算法计算简单，可以以更高精度对低压电力线信道噪声建模，效率更高，但是需要调节两个优化参数，可以使用交叉验证算法和进化算法进行改进。

此外，本文提出的两个噪声模型在精度和复杂度上比传统的Markovian-Gaussian模型更好，它们可以代替将PLC信道噪声分类建模，简化了噪声建模过程。LS- SVM模型可以代替传统的Markovian-Gaussian模型作为低压PLC信道噪声发生器。本文提出的噪声模型对研究PLC系统和无线通信系统内部和外部电磁源的电磁干扰有重大意义。