【技术实现步骤摘要】
本专利技术属于智能电网，尤其涉及基于高维压缩感知的高级量测体系优化构建方法及装置。
技术介绍
1、作为智能电网的核心组成部分，高级量测体系(advanced meteringinfrastructure，ami)是一套用于测量、收集、储存、分析用电信息的监测系统，其采集数据包括电压、电流、用电量、用电功率、供电质量信息等。随着电力数据监测的时空密集性日益凸显，ami的采集数据呈爆炸增长。
2、传统数据压缩方法能够解决ami的海量数据问题，但存在压缩复杂、高频采样、冗余存储等缺陷，给采样设备带来新的计算负担。近年来，压缩感知(compressed sensing，cs)在智能电网的应用日益广泛，可解决ami的海量数据问题并克服传统数据压缩的缺陷。cs是一种将压缩和采样合二为一的新型理论，测量矩阵、稀疏基、重构算法是其三要素。cs以其压缩简单、低频采样、避免冗余存储和转移压缩复杂度等特性，更加适用于ami中“采样设备简陋、数据中心设备先进”的环境。目前，cs在智能电网中的应用研究主要针对电能质量数据和电网运行数据，旨在解决电网监测系统存在的海量数据、复杂压缩、高频采样等问题。然而，ami的cs应用研究却表现出滞后性。
3、随着研究的深入，袁博等人在《高电压技术》上发表的题为“基于压缩感知的智能电网高级量测体系”的论文中，提出了ami-cs的一维模型和模型中的适用要素。然而，该研究仅将cs直接用于ami数据采集，且仅从传统cs要素中选取适用于ami的测量矩阵、稀疏基和重构算法。该研究未考虑到ami的特点，存在数
技术实现思路
1、本专利技术实施例提供了一种基于高维压缩感知的高级量测体系优化构建方法及装置，以解决数据压缩方法在高级量测体系的应用中存在的数据重构精度低、系统整体性能差的问题。
2、本专利技术是通过如下技术方案实现的：
3、第一方面，本专利技术实施例提供了一种基于高维压缩感知的高级量测体系优化构建方法，包括：获取多个智能电表各自对应的测量矩阵和稀疏基，每个智能电表对应的测量矩阵和稀疏基基于该智能电表的一维样本数据训练得到；获取所述多个智能电表的压缩信号；其中，每个智能电表的压缩信号基于该智能电表对应的测量矩阵对其原始信号压缩得到，所述原始信号为列向量；利用张量积对所述多个智能电表的压缩信号进行联合，得到联合压缩信号；基于所述多个智能电表各自对应的测量矩阵和稀疏基，确定联合测量矩阵和联合稀疏基；基于所述联合压缩信号、所述联合测量矩阵和所述联合稀疏基，确定联合原始信号重构值；所述联合原始信号重构值为由所述联合压缩信号重构得到的张量化的列向量；基于所述联合原始信号重构值和各个智能电表的原始信号的第一个元素值，确定各个智能电表的重构信号。
4、结合第一方面，在一些实施例中，所述利用张量积对所述多个智能电表的压缩信号进行联合，得到联合压缩信号，包括：根据得到所述联合压缩信号；其中，y为所述联合压缩信号，y1、y2...yr表示各个智能电表的压缩信号，r为智能电表的总数量，表示张量乘法运算。
5、结合第一方面，在一些实施例中，所述基于所述多个智能电表各自对应的测量矩阵和稀疏基，确定联合测量矩阵和联合稀疏基，包括：
6、根据计算多个智能电表对应的测量矩阵的张量积，得到联合测量矩阵；其中，φ为所述联合测量矩阵，φr表示第r个智能电表的测量矩阵，φr-1表示第r-1个智能电表的测量矩阵，φ1表示第1个智能电表的测量矩阵，r为智能电表的总数量；
7、根据计算多个智能电表对应的稀疏基的张量积，得到联合稀疏基；其中，ψ为所述联合稀疏基，ψr表示第r个智能电表的稀疏基，ψr-1表示第r-1个智能电表的稀疏基，ψ1表示第1个智能电表的稀疏基。
8、结合第一方面，在一些实施例中，所述基于所述联合压缩信号、所述联合测量矩阵和所述联合稀疏基，确定联合原始信号重构值，包括：基于所述联合压缩信号、所述联合测量矩阵和所述联合稀疏基，采用压缩感知重构算法求解联合稀疏信号，所述联合稀疏信号为所述多个智能电表的压缩信号在各智能电表对应的稀疏基下的稀疏向量的张量积；根据所述联合稀疏基和所述联合稀疏信号，得到所述联合原始信号重构值。
9、结合第一方面，在一些实施例中，所述基于所述联合压缩信号、所述联合测量矩阵和所述联合稀疏基，采用压缩感知重构算法求解联合稀疏信号，包括：
10、基于所述联合测量矩阵和所述联合稀疏基，根据θ＝φψ确定联合感知矩阵；其中，θ为所述联合感知矩阵，φ为所述联合测量矩阵，ψ为所述联合稀疏基；
11、基于所述联合压缩信号和所述联合感知矩阵，采用重构算法对y＝θs进行求解，确定所述联合稀疏信号；其中，y为所述联合压缩信号，s为所述联合稀疏信号；所述重构算法为正交匹配追踪算法、梯度追踪算法、谱投影梯度算法和多路模块化正交匹配追踪算法中的任一种算法；
12、所述根据所述联合稀疏基和所述联合稀疏信号，得到所述多个智能电表的联合原始信号重构值，包括：根据计算所述联合原始信号重构值；其中，为所述联合原始信号重构值。
13、结合第一方面，在一些实施例中，所述原始信号为长度是n的列向量；所述基于所述联合原始信号重构值和各个智能电表的原始信号的第一个元素值，确定各个智能电表的重构信号，包括：
14、赋值r＝r；其中，r表示待求重构信号的标号，r为智能电表的数量；
15、求解步骤：根据
16、
17、将分解为n r-1个长度是n的列向量；
18、其中，表示第1个至第r个智能电表的重构信号的张量积，为长度是n的列向量，i＝1,2,3...n r-1，为长度是n r的列向量；当r＝r时，的值为所述联合原始信号重构值；
19、基于分解出的n r-1个长度是n的列向量，根据
20、
21、
22、确定第r个智能电表的重构信号
23、其中，表示向量的第k个元素值，k＝2,3...n；xr(1)表示第r个智能电表的原始信号的第一个元素值；
24、根据
25、
26、计算
27、其中，表示第1个至第r-1个智能电表的重构信号的张量积；
28、若r≥3，则更新r＝r-1，并跳转至所述求解步骤；
29、若r＝2，则确定第1个智能电表的重构信号为
30、结合第一方面，在一些实施例中，每个智能电表对应的测量矩阵和稀疏基的获取过程包括：获取该智能电表的多个一维样本数据，并将该智能电表的多个一维样本数据组成样本矩阵；设置初始稀疏基为离散余弦变换矩阵，设置初始测量矩阵为高斯随机测量矩阵；设置迭代次数k＝1；以稀疏表示偏差最小为目标，基于k-svd算法更新所述初始稀疏基的所有列原子，得到第一稀疏基；以第一矩阵接近单位矩阵为目标，基于所述第一稀疏基，更新所述初始测量矩阵的所有列原子，得到第一测量矩阵；本文档来自技高网...
【技术保护点】
1.一种基于高维压缩感知的高级量测体系优化构建方法，其特征在于，包括：获取多个智能电表各自对应的测量矩阵和稀疏基，每个智能电表对应的测量矩阵和稀疏基基于该智能电表的一维样本数据训练得到；获取所述多个智能电表的压缩信号；其中，每个智能电表的压缩信号基于该智能电表对应的测量矩阵对其原始信号压缩得到，所述原始信号为列向量；利用张量积对所述多个智能电表的压缩信号进行联合，得到联合压缩信号；基于所述多个智能电表各自对应的测量矩阵和稀疏基，确定联合测量矩阵和联合稀疏基；基于所述联合压缩信号、所述联合测量矩阵和所述联合稀疏基，确定联合原始信号重构值；所述联合原始信号重构值为由所述联合压缩信号重构得到的张量化的列向量；基于所述联合原始信号重构值和各个智能电表的原始信号的第一个元素值，确定各个智能电表的重构信号。
2.如权利要求1所述的基于高维压缩感知的高级量测体系优化构建方法，其特征在于，所述利用张量积对所述多个智能电表的压缩信号进行联合，得到联合压缩信号，包括：
3.如权利要求1所述的基于高维压缩感知的高级量测体系优化构建方法，其特征在于，所述基于所述多个智能电表各自对
4.如权利要求1所述的基于高维压缩感知的高级量测体系优化构建方法，其特征在于，所述基于所述联合压缩信号、所述联合测量矩阵和所述联合稀疏基，确定联合原始信号重构值，包括：
5.如权利要求4所述的基于高维压缩感知的高级量测体系优化构建方法，其特征在于，所述基于所述联合压缩信号、所述联合测量矩阵和所述联合稀疏基，采用压缩感知重构算法求解联合稀疏信号，包括：
6.如权利要求1所述的基于高维压缩感知的高级量测体系优化构建方法，其特征在于，所述原始信号为长度是N的列向量；所述基于所述联合原始信号重构值和各个智能电表的原始信号的第一个元素值，确定各个智能电表的重构信号，包括：
7.如权利要求1所述的基于高维压缩感知的高级量测体系优化构建方法，其特征在于，每个智能电表对应的测量矩阵和稀疏基的获取过程包括：
8.如权利要求7所述的基于高维压缩感知的高级量测体系优化构建方法，其特征在于，所述基于所述样本矩阵、压缩矩阵和第k测量矩阵，更新第k稀疏基的所有列原子，得到第k+1稀疏基，包括：
9.如权利要求7所述的基于高维压缩感知的高级量测体系优化构建方法，其特征在于，所述基于第k+1稀疏基和所述压缩矩阵，更新第k测量矩阵的所有列原子，得到第k+1测量矩阵，包括：
10.一种基于高维压缩感知的高级量测体系优化构建装置，其特征在于，包括：
...【技术特征摘要】
1.一种基于高维压缩感知的高级量测体系优化构建方法，其特征在于，包括：获取多个智能电表各自对应的测量矩阵和稀疏基，每个智能电表对应的测量矩阵和稀疏基基于该智能电表的一维样本数据训练得到；获取所述多个智能电表的压缩信号；其中，每个智能电表的压缩信号基于该智能电表对应的测量矩阵对其原始信号压缩得到，所述原始信号为列向量；利用张量积对所述多个智能电表的压缩信号进行联合，得到联合压缩信号；基于所述多个智能电表各自对应的测量矩阵和稀疏基，确定联合测量矩阵和联合稀疏基；基于所述联合压缩信号、所述联合测量矩阵和所述联合稀疏基，确定联合原始信号重构值；所述联合原始信号重构值为由所述联合压缩信号重构得到的张量化的列向量；基于所述联合原始信号重构值和各个智能电表的原始信号的第一个元素值，确定各个智能电表的重构信号。
2.如权利要求1所述的基于高维压缩感知的高级量测体系优化构建方法，其特征在于，所述利用张量积对所述多个智能电表的压缩信号进行联合，得到联合压缩信号，包括：
3.如权利要求1所述的基于高维压缩感知的高级量测体系优化构建方法，其特征在于，所述基于所述多个智能电表各自对应的测量矩阵和稀疏基，确定联合测量矩阵和联合稀疏基，包括：
4.如权利要求1所述的基于高维压缩感知的高级量测体系优化构建方法，其...
【专利技术属性】
技术研发人员：袁博，
申请(专利权)人：国网河北省电力有限公司经济技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。