压缩感知动态测试信号模型与电能表动态误差测试*

文中针对智能电能表动态误差的高效测试问题,分析了长时间范围内复杂动态负荷信号幅度域的快速随机波动特性,建立了压缩感知伪随机动态负荷测试信号的模型,采用Hadamard矩阵和降采样矩阵结合的测量矩阵构建方法,确定了该测试信号的模型参数,提出了压缩感知测量信号的产生方案。采用试验方法,对比给出了压缩感知和m序列动态测试信号条件下电能表动态测试的误差数据。研究结果表明相比较于m序列伪随机测试信号,压缩感知动态测试信号的动态误差测试效率提高了4倍。     

基于混沌滤波器的压缩感知雷达互质压缩采样

提出一种基于混沌数字滤波器的压缩感知雷达回波信号互质压缩采样方法.首先,设计基于混沌数字滤波器的压缩采样矩阵,避免了传统高斯随机观测矩阵的硬件设计困难,在保证压缩感知雷达感知矩阵非相关特性的同时,提高了压缩采样矩阵的可实现性与可控性.其次,在混沌数字滤波器压缩观测矩阵的基础上,提出迸一步压缩数据量的互质压缩采样方法,显著降低了压缩感知雷达的数据处理量.仿真实验结果表明,基于混沌滤波器的互质压缩采样方法可以实现压缩感知雷达的在压缩处理数据量的同时获得目标参数的高精度估计,为压缩感知雷达硬件系统设计提供了新方法.     

m序列伪随机动态测试信号建模与压缩检测方法

针对智能电网中动态负荷对电能计量的影响问题,建立了m序列伪随机动态测试信号的参数模型,并分析了该测试信号的统计特性;证明了该动态测试信号的频域稀疏性,采用压缩感知理论建立了伪随机动态测试信号的压缩感知检测系统模型,采用稳态优化方法构建了压缩感知测量矩阵;在此基础上,针对m序列伪随机动态测试信号,提出了电能量值的压缩感知测量方法;仿真分析了长度为255位、511位、1023位单周期和多周期m序列动态测试信号的相对误差,误差均小于10~(-12),可忽略不计,表明所提压缩感知测量方法能够准确测量伪随机动态测试信号的电能量值。     

基于压缩感知技术的电磁脉冲信号测量方法

电磁脉冲信号的详细衍变过程,特别是其陡峭前沿的变化信息,有助于深入理解电磁脉冲信号产生及传播过程,它对于我国国防和自然科学的发展都有着极其重要的科学和实践意义。本文提出一种基于三路并行低速模数转换器(TPL)的模拟信号压缩感知技术,通过对传感器输出的电磁脉冲信号进行欠采样(信号的采样频率低于奈奎斯特采样定理的要求),得到并恢复被测电磁脉冲信号的高速采集波形。基于TPL压缩感知技术的应用,可以降低被测电磁脉冲信号陡峭前沿对后端电子ADC采样速率的要求。本文针对TPL实现过程中稀疏字典、观测矩阵的建立方法,以及信号的重构方法进行了深入地研究,创新性地提出基于KSVD的原子数自适应字典构建方法。在此基础上,通过仿真和实验测试了TPL系统对电磁脉冲信号的压缩感知采集效果,以此验证了该方法的可行性。     

一种利用相关性优化压缩感知测量矩阵的方法

传统的采样方法要求采样频率不小于奈奎斯特频率的2倍,然而采集到的数据存在很大程度的冗余。压缩感知方法则利用少量的非适应线性测量就能够实现对原始信号压缩采样,进而也能精确的恢复出原始信号,因此压缩感知中测量矩阵的研究具有重要的理论意义。提出了一种基于梯度迭代实现对测量矩阵的优化方法。实验表明利用梯度迭代方法优化的测量矩阵恢复得到图像的PSNR,高于Valid提出方法恢复图像的PSNR,以及未优化的测量矩阵恢复图像的PSNR。另外梯度迭代方法改善了G矩阵中非对角元素的分布情况,更集中分布在0附近,达到了测量矩阵与稀疏矩阵的互相关系数减小的目的。     

基于改进压缩感知技术的Φ-OTDR系统研究

研究了一种基于改进压缩感知技术的相敏光学时域反射计(phase-sensitive optical time domain reflectometer,Φ-OTDR)系统。对于压缩感知技术,信号稀疏度K直接影响信号恢复的质量。为了提高信号恢复的质量,应该获得更接近原始信号的真实稀疏性度K。因此,提出了一种基于硬阈值的信号稀疏度K的计算方法,同时,采用结合收缩阈值的重构方法,尽可能保留信号的有效成分。实验结果表明,振动频率为1 kHz的正弦振动信号在5.6 km的距离处被成功地重建。与常用的硬阈值压缩传感技术、移动平均去噪技术和Sym8小波去噪技术相比,所提出的压缩感知技术的信噪比分别提高了3.55、13.2和8.02 dB。     

面向用电侧电能质量监测的时空压缩感知方法

针对当前电能质量监测采样数据量庞大、前端数据计算处理负荷激增的问题,提出了一种自检测电能质量数据时空压缩感知方法。该方法采用压缩感知理论突破了基于奈奎斯特采样定律的传统采样方式需要大量传输数据的瓶颈;并充分考虑多个同类型测量对象的数据相关性,将不同小区的用电数据投射为二维矩阵,通过二维离散余弦变换稀疏基变形推导实现时空压缩感知;且针对冲击脉冲信号重构识别不稳定提出脉冲自检测机制与压缩感知模型结合;最后经实验证明该方法能实现电能质量数据的准确重构、提高传输数据压缩率、缩短采样重构周期从而增大控制中心可处理数据容量,提高工作效率。     

基于静态阈值的无线体域网压缩感知心电降噪重构

心电监测作为无线体域网的一种重要应用,对心电信号重构精度要求较高,并且无线体域网中存在低功耗问题。现有的心电信号压缩感知重构算法虽然降低了功耗,但并未充分利用心电信号频域特性,造成重构精度不高。提出了一种基于静态阈值的无线体域网压缩感知心电降噪重构方法。该方法利用压缩感知理论,在传感器节点利用固定矩阵对心电信号进行观测,观测值被发送至汇聚节点后,再利用基于静态阈值的重构算法对心电信号进行降噪重构。仿真结果表明,该方法具有信号重构精度高、速度快和降噪性能好的优点。     

动态压缩感知理论研究综述

动态压缩感知是静态传统压缩感知向动态信号的拓展,广泛应用于医学上的磁感应成像和目标追踪等领域。 由于工程 中的动态信号在某一转换基下具有随时间缓慢变化的稀疏特性,因而可以运用欠定的测量矩阵对其进行压缩。 动态压缩感知 理论主要包括动态信号的稀疏表示、动态压缩测量过程和动态信号的重构 3 个方面的研究内容。 全面综述动态压缩感知的基 本概念,归纳总结现有动态压缩感知理论中对动态信号的建模方法;对已有的动态信号重构算法进行了归类,并详述了各类算 法的计算思路;最后介绍了动态压缩感知的典型应用,并对动态压缩感知信号重构算法的研究前景进行了探讨。     

一种基于LDPC矩阵的压缩感知测量矩阵的构造方法

在一些对采样数据速率有严格要求的实际应用中,对低采样率的压缩感知具有广泛需求。基于LDPC矩阵的特点,提出了一种类似托普利兹矩阵的压缩感知测量矩阵,所提出的测量矩阵构成方法易于实现。仿真结果表明,在低采样率的情况下,采用本文所提方法构造的测量矩阵不仅有着与常用稀疏测量矩阵相比更好的稀疏性,且将其用于图像压缩感知时可获得较好的图像重构质量。     

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。     

自动化检定流水线环境下射频信号对智能电能表误差的影响分析

随着智能电网的不断发展和完善,智能电能表作为计量电能的终端产品被广泛应用,而对其检定的自动化程度也越来越高,因此,智能电能表自动化检定流水线得到快速发展。与此同时,智能电能表自动化检定流水线的环境中,移动通信射频信号对电能表计量准确度的电磁辐射影响也逐渐引起了关注。为了研究射频信号对电能表计量的影响,文中分析了射频信号对电能表计量影响的干扰途径,分析了射频信号影响电能表计量的机理。测试了自动化检定流水线的环境中射频干扰信号的强度,基于干扰信号的调制方式建立了干扰信号数学模型,根据干扰信号数学模型和实测射频信号的功率谱,通过仿真分析确定了干扰信号对电能表的影响属于一种均匀性分布的噪声。建立了射频信号对电能表计量误差影响的数学模型,通过仿真分析电能表误差,给出智能电能表大规模自动化检定流水线射频信号的影响结果。     

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。     

基于图信号处理的智能电表功率信号分解

智能电表的大规模部署,使得对电表采集的低频信号进行数据分析成为一个研究热点。以非侵入式负荷监测为背景,研究基于图信号处理(GSP)的低频功率信号分解算法。首先,将功率信号分解定义为最小化求解问题,并引入基于图转移矩阵的全局变化量作为正则项。然后,分两步对该优化问题求解:第1步最小化正则项得到满足图信号全局变化量最小的近似解;第2步以该解为基础,利用模拟退火算法对目标函数和约束条件迭代寻优。最后利用开源数据库REDD进行仿真,验证了该算法在分类准确率上的优势,且与其他算法相比对训练数据的依赖性较小。     

基于坐标变换的风电变流器电压信号CS压缩方法

为了解决直接利用压缩感知(CS)理论对风电变流器输出端三相电压监测数据存储空间的资源浪费以及重构性能差等问题,提出了一种基于坐标变换的风电变流器电压信号CS压缩方法。该方法的关键是利用dq0变换、空间矢量变换将三相电压信号转换为一维信号;然后将传统的多频带融合思想用于CS稀疏表示中,构造稀疏字典矩阵,并分析了稀疏字典与测量矩阵的不相关性;最后利用高斯随机矩阵进行压缩测量,使用追踪算法实现一维信号的恢复,将其转化为两相信号并作坐标反变换,即得到重构的三相电压信号。仿真结果表明,与直接对监测的三相电压数据进行CS处理相比,该方法可有效的压缩原始三相电压数据,使得运行时间降低,重构误差减小,并且节约了测量数据的存储空间,因而更加具有实际应用价值。     

压缩感知在电能质量扰动信号去噪中的应用

针对电能质量信号去噪中阈值去噪存在信号失真,去噪效果不理想,阈值选取影响重构质量的问题,提出了一种基于压缩感知理论(compressed sensing,CS)的电能质量信号去噪新方法。CS去噪将扰动信号映射到低维空间,利用电能质量信号具有稀疏性可以重构,噪声信号不具备稀疏性不可重构的特点,应用正交匹配追踪(orthogonal matching pursuit algorithm,OMP)重构算法重构电能质量信号达到去噪目的。实验表明,CS电能质量信号去噪法优于传统的基于小波去噪的阈值去噪法,且信号不失真,具有扰动信号采集与压缩的同时完成去噪和易于实现的特点,为电能质量信号去噪提供了一种新的方法。     

A new method of power system fault recording based on compressed sensing

Wavelet transform is usually used to deal with the numerous data in fault recording of power systems, but it still needs to sample the signal with a high frequency first and then compress the data obtained. In order to solve the problem, this paper proposes a new fault recording method based on compressed sensing theory. The method can break the limit of Nyquist sampling theorem and acquire the fault signal with a much lower sampling frequency. It presents the theoretical framework of compressed sensing, analyzes the characteristics of the faulty waveform, and proposes a new sparsity adaptive and compressive sampling matching pursuit algorithm to reconstruct the fault signal. Finally, simulation results in MATLAB show that the proposed method performs well at different compression ratios in terms of the norm mean‐square error, signal‐to‐noise ratio, and waveform similarity. © 2017 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于复合核 SVM 的智能电表基本误差预测方法

智能电表作为电网的终端设备,其退化情况与工作环境、运行时间等因素密切相关.针对复杂变量条件下智能电表退化情况难以预测的问题,提出一种基于复合核支持向量机(support vector machine,SVM)的智能电表基本误差预测方法.首先对智能电表退化数据进行分析,采用皮尔逊相关性分析找出与智能电表基本误差相关性极强的环境变量.然后,为进一步提取数据退化特征,采用模糊C均值聚类算法对智能电表退化数据进行聚类,确定退化特征向量.最后,基于高斯径向基核函数与多项式核函数构造一种新的复合核SVM模型用以预测智能电表基本误差.结合新疆地区智能电表退化数据对复合核SVM模型性能进行验证,实验结果表明,复合核SVM模型可以准确预测复杂环境下智能电表的基本误差,其预测准确率高于贝叶斯方法、神经网络方法以及经典SVM方法.