电能质量信号压缩采样稀疏基性能研究

为解决电能质量信号传统采集压缩方法所面临的采样率高、采样资源浪费及硬件实现成本高的问题,本文研究并实现了对非稳态和稳态电能质量数据的压缩采样、采样数据空间稀疏基的选取和基于TV最小化共轭梯度法的信号重构.文中针对几类常见单一扰动和含有多重扰动的校准源实测信号进行算法的仿真分析和实验验证,并对比分析了傅立叶基和小波基对两...     

基于稀疏度特征的短时电能质量扰动信号重构方法

现有基于压缩感知的短时电能质量扰动信号重构方法尚未考虑信号稀疏度特征,重构性能有待进一步提高。为此,提出一种基于稀疏度特征的信号重构方法。首先,根据压缩感知理论对信号进行采样。随后,开发出短时电能质量扰动信号的稀疏度特征—稀疏度在频域为偶数。基于该特征,提出"双步长稀疏度自适应匹配追踪"重构方法。分析与仿真结果表明,相对于传统的稀疏度自适应匹配追踪算法,提出方法降低了计算复杂度和均方误差,提高了重构信噪比和信号的正确重构概率。     

短时电能质量信号压缩采样方法的研究

根据压缩传感(Compressed Sensing,CS)理论,首次提出了短时电能质量扰动信号的压缩采样方法,该方法突破了奈奎斯特采样频率的限制,实现了低于奈奎斯特采样频率的低速率采样。文中对比分析了CS理论与传统采样理论,研究了CS短时电能质量信号压缩采样的实现方法,包括:测量矩阵的构建、稀疏基的选取和电能质量信号快速贝叶斯匹配追踪重构算法(FBMP)。文中针对6种短时电能质量信号进行了仿真实验,给出了不同压缩采样比的条件下,该压缩采样方法所能达到的性能指标,结果标明本文提出的方法正确有效。     

基于压缩感知的含扰动电能质量信号压缩重构方法

针对电能质量信号的压缩重构问题,提出了一种应用压缩感知理论对电能质量信号进行压缩采样和非线性恢复的方法。首先对含有扰动的电能质量信号的稀疏性和可压缩性进行了分析,并对现有的典型贪婪恢复算法的特性进行了研究,然后结合有代表性的SP和SAMP两种算法的优点,提出了一种改进的BSMP算法。应用包括BSMP在内的几种贪婪算法对含有谐波、间谐波、电压暂升和暂降等稳态和暂态扰动的电能质量信号的压缩重构性能进行仿真分析,仿真结果说明了BSMP算法恢复混合或单一扰动的电能质量信号的可行性。与现有贪婪算法相比,BSMP无需稀疏度先验,可以用较快的速度和更高的压缩比以100%的概率实现成功重构。     

基于超完备字典的压缩感知电能质量数据重构

针对应用压缩感知原理进行电能质量数据重构时,采用普通函数形成的正交基进行稀疏表示不能自适应地获得最佳稀疏表示这一问题,首次将K-奇异值分解字典学习引用到电能质量数据重构中。首先,对电能质量信号进行一二维转换,利用K-奇异值分解字典学习算法,建立了适合电能质量数据的超完备字典;并选取高斯随机矩阵作为测量矩阵,对电能质量扰动信号进行压缩采样。同时,利用压缩感知匹配追踪算法进行信号二维重构,并将其转换成一维信号。最后,利用所提出的新算法对几类常见电能质量信号进行了仿真验证。结果表明:在压缩比为25%时,利用新算法能够完成重构信号,其信噪均大于44.2 dB,能够满足实际应用时的分析要求。     

电能质量扰动识别的小波压缩感知方法

为改善基于小波电能质量信号扰动识别中存在数据量大、识别率不高的不足,提出一种电能质量扰动识别的小波压缩感知新方法。该方法首先确定扰动信号在小波域中的稀疏性,利用小波压缩感知降维,获得少量测量数据,应用正交匹配追踪算法求取各层稀疏系数组成稀疏矩阵;然后提取稀疏系数的最大值、标准差、峭度等组成特征向量,输入神经网络系统训练并实现分类识别。该方法具有采样数据少、处理方便、特征提取简单等特点。仿真结果表明,针对典型的7类单一扰动和复合扰动信号,所提方法在理想环境下识别率分别达到99.50%和99.43%,噪声环境下识别率分别达到97%和98%以上,拥有较强的鲁棒性和较好的准确性。     

基于稀疏分解和复合熵编码的电能质量扰动数据高效压缩算法

对于电能质量扰动信号压缩问题,压缩比和重构误差是一对互相矛盾的指标。传统的压缩算法难以同时满足高压缩比和低重构误差的要求。为了同时提高压缩比和减小重构误差,该文提出了一种基于稀疏分解、哈夫曼编码和行程编码的混合压缩算法。首先,使用基于联合字典的稀疏分解算法,将电能质量扰动信号中的暂态分量和稳态分量进行分离;其次,对暂态分量使用小波分析、哈夫曼编码、行程编码算法进行编码压缩,对稳态分量,即基波和谐波分量,则保留其大于设定阈值的部分,进而完成对信号的压缩;最后,仿真信号和实测信号的实验结果表明该算法较对比算法具有更高的压缩比和更低的重构误差,同时证明了其对采样频率和高斯白噪声具有较强的抗干扰能力。     

压缩感知理论及其电能质量应用与展望

压缩感知理论是信号采样与处理领域的热点和前沿,在电能质量检测中具有很好的应用前景。为此,对压缩感知理论及其电能质量应用与展望进行综述。阐述了现有电能质量扰动信号采样和分析方法的不足,介绍了稀疏分解与压缩感知的基本概念和发展现状,重点介绍了压缩感知理论的3个基础关键问题:稀疏表示、非相关观测和非线性优化重构;同时,着重介绍了时频原子稀疏分解和压缩感知理论在电力系统电能质量扰动信号中的应用现状。最后,给出了电能质量扰动信号稀疏分解和压缩感知理论的下一步研究展望。     

三相电能质量扰动信号压缩方法研究

提出了一种基于压缩传感的三相电能质量数据压缩新方法。首先,将时间t内的三相电能质量扰动信号转换为3t时间内的一维信号;然后,将传统的多频带融合问题理论应用于压缩感知稀疏基设计中,构造稀疏基;最后,选取高斯随机矩阵作为观测矩阵,OMP算法作为重构算法,重构三相电能质量扰动信号并利用MATLAB进行仿真。实验结果表明,该方法可以有效压缩三相电能质量数据,实现三相电能质量扰动信号同时处理,并同时检测出多项性能指标参数。     

广义正交匹配追踪电能质量信号重构方法

针对基于压缩感知的暂态电能质量数据信号恢复效果不佳的问题,提出了基于离散小波稀疏基的广义正交匹配追踪(gOMP)电能质量信号重构方法。当暂态信号出现时,基于离散小波变换的稀疏矩阵可以捕获波形细节。在重构过程中,与OMP相比由于选择了多个正确的索引而不需要附加后续操作,gOMP算法的迭代次数要少得多,而且gOMP可以完好地重建K稀疏电能质量信号。gOMP具有快速处理速度和相当优异的计算复杂性,在电能质量信号重构上具有良好的恢复性能。经过一系列的实验,暂态和稳态电能质量信号都得到了精确的重构,且重构精度大于99. 76%,重构所需时间明显缩短。     

不相干约束项的判别字典表示电能质量扰动分类研究

针对稀疏表示电能质量扰动识别中判别字典学习的冗余性,提出一种具备精简性和不相干约束项的判别字典学习电能质量扰动分类方法。首先,将不同电能质量扰动样本训练获得子字典,公共字典和判别字典。接着,利用判别字典优化方法求解出降维测试信号的稀疏表示。最后,利用稀疏表示重构方法求解测试样本,由冗余残差最小值确定电能质量扰动信号的类型。不相干约束项的判别字典学习方法是在训练字典的过程中直接驱使字典具有判别性,获得更加精简且具有判别性的稀疏字典来提升最终的识别性能。实验结果表明8类电能质量扰动信号在40、30、20 d B信噪比递减时,平均扰动识别率有所降低但平均识别精度仍高达96%以上。仿真实验结果表明该方法能有效的对不同电能质量扰动进行识别并提高识别结果的精确度,并且不相干约束项的判别字典算法更优化于判别字典学习算法的分类识别性能。     

回溯自适应匹配追踪电能质量信号重构方法

为改善电能质量暂稳态信号重构性能,提出了基于压缩感知理论的回溯自适应匹配追踪的电能质量信号重构方法,对电能质量信号进行处理。在自适应匹配追踪的基础上改变一个回溯步骤,初选出满足条件的候选集,然后在终选步骤中利用回溯功能,剔除系数相对较小的原子,所以该方法能够灵活地删除一些被在初选时被错误选择的原子,有着更好的稀疏信号重构和逼近性能。另外该方法无需先验信号的稀疏度,具有稀疏度自适应能力。仿真实验结果表明,10种电能质量信号的压缩重构精度都在97.63%以上,能量恢复系数要高于99.57%,信噪比高于31.42dB,均方误差百分比在2.31%之内,都能达到很好的性能指标。     

Robust Data Transmission upon Compressive Sensing for Smart Grid

Abstract

A huge amount of power system data are transmitted in the smart grid. If some data packets are lost during transmission, the received data quality will be affected or worsened. This article proposes a robust data transmission method upon compressive sensing technology for the smart grid. First, the original power system signals are transformed into wavelet domain coefficients by means of wavelet multi-resolution analysis. Then these coefficients are sampled by the compressive sensing algorithm. These compressive sensing sampling data are transmitted in communication channels. In the receiving end, the compressive sensing sampling data are reconstructed to obtain the wavelet domain coefficients, and then wavelet inverse transforms are applied to recover the power system signals. The compressive sensing transmission method can achieve higher rate-distortion performance compared with the direct data transmission method. The new method can be used for power system data communication in non-feedback communication systems.     

基于压缩感知的电力信号压缩与重构研究*

针对电力信号的采集和压缩问题,提出采用压缩感知理论对电力信号进行压缩采样和重构的方法,避免了传统的冗余采样。首先对采用压缩感知理论进行电能信号压缩采样的可行性进行了分析,并讨论了几种典型的压缩感知重构算法的具体实现方法和特性;然后采用这些算法,对一维稀疏信号和傅里叶变换基下稀疏的含有谐波和间谐波的电力信号进行重构实验。仿真结果表明,贪婪类压缩感知重构算法计算复杂度低、速度快,更适合一维电力信号的重构,其中SAMP算法可以在稀疏度未知的情况下,使用更少的采样值精确重构原始信号。     

基于形态边缘检测的电能质量暂态扰动定位方法

提出了一种基于形态边缘检测的电能质量暂态扰动定位方法,在解决电力信号因周期性变化和采样过程中存在的各种干扰而引起的背景梯度影响扰动检测准确度问题的同时,引入软阈值的定量评价方法来提高其准确性。首先,提出滤波效果的评价方法,自适应选取结构元素大小对原始信号进行滤波处理;然后用扁平结构元素对形态梯度进行Top-Hat变换以抑制背景梯度,初步得到定位结果;最后结合软阈值的处理方法,实现对电能质量暂态扰动的定位。一系列的电能质量暂态扰动的仿真分析表明,该算法定位准确,抗干扰能力强,具有较好的普遍适用性。     

一种新的电能质量扰动信号压缩感知识别方法

针对现有电能质量扰动信号识别方法存在数据量大、准确率不高的不足,提出了一种基于压缩感知稀疏向量特征提取的电能质量扰动信号分类识别方法。该方法首先针对原始信号,利用压缩感知理论获取降维的测量信号,并基于?1范数正交匹配追踪算法获取稀疏向量。然后针对稀疏向量提取最大值、次大值、均方根、标准差、峭度和裕度因子等特征,作为神经网络的输入,实现电能质量扰动信号的分类识别。最后,针对六类典型电能质量扰动信号,开展仿真实验验证。仿真结果表明,现有识别方法需要处理的原始信号长度为1024,而所提方法特征提取时所处理的数据长度仅有30,从而大大减少了所需处理的数据量,并且由于实现了以非常少的数据量保存原有全部有用特征信息,因而更有利于提高识别准确率。通过与广泛采用的小波变换识别方法进行比较,所提方法的平均准确率高达98.71%,远远高于小波变换方法的92.86%。     

基于改进贝叶斯分类法的电能质量扰动分类方法

基于改进贝叶斯分类法提出了2种改进的暂态电能质量扰动分类方法。该分类方法保留了原贝叶斯分类法“最优分类”的性质,使原贝叶斯分类法转化为非参数分类法,扩大了分类法的适用范围,可对数量有限的交叉样本进行最优分类。采用交流暂态仿真软件对5种典型的电能质量扰动信号如电压振荡、电压中断等进行仿真和分类识别。对暂态电压扰动的分类结果表明,上述改进的暂态电能质量扰动分类方法分类特性良好、适用范围较广。     

现场环境下弓网离线放电辐射测量方法

为了在现场有噪情况下准确测量动车组弓网离线放电引起的辐射发射,提出了一种基于稀疏分解的瞬态电磁信号提取方法。结合弓网离线放电辐射信号波形非对称衰减的时域特征,构建了一种改进的Gabor原子库,在Gabor原子库的基础上,通过引入不对称参数和衰减参数建立了一个非对称高斯模型,使改进的原子库在时域上更符合弓网离线放电辐射信号的不对称包络和不同衰减率特性。基于改进的原子库,对弓网离线放电辐射信号进行稀疏重构提取,实现现场条件下弓网离线放电辐射地精确测量。模拟与实测实验表明,该方法能有效抑制传统Gabor原子库稀疏分解的预回波现象,重构精度更高;窄带干扰下该方法的去噪能力比基于经验模态分解(EMD)理论的去噪方法高17 dB左右,恢复出的瞬态信号与原信号误差在3 dB以内。     

现场环境下弓网离线放电辐射测量方法

为了在现场有噪情况下准确测量动车组弓网离线放电引起的辐射发射,提出了一种基于稀疏分解的瞬态电磁信号提取方法。结合弓网离线放电辐射信号波形非对称衰减的时域特征,构建了一种改进的Gabor原子库,在Gabor原子库的基础上,通过引入不对称参数和衰减参数建立了一个非对称高斯模型,使改进的原子库在时域上更符合弓网离线放电辐射信号的不对称包络和不同衰减率特性。基于改进的原子库,对弓网离线放电辐射信号进行稀疏重构提取,实现现场条件下弓网离线放电辐射地精确测量。模拟与实测实验表明,该方法能有效抑制传统Gabor原子库稀疏分解的预回波现象,重构精度更高;窄带干扰下该方法的去噪能力比基于经验模态分解(EMD)理论的去噪方法高17 dB左右,恢复出的瞬态信号与原信号误差在3 dB以内。