CN103124180A - 基于投影追踪的电力系统数据重构解压缩方法 - Google Patents

基于投影追踪的电力系统数据重构解压缩方法 Download PDF

Info

Publication number
CN103124180A
CN103124180A CN2013100123609A CN201310012360A CN103124180A CN 103124180 A CN103124180 A CN 103124180A CN 2013100123609 A CN2013100123609 A CN 2013100123609A CN 201310012360 A CN201310012360 A CN 201310012360A CN 103124180 A CN103124180 A CN 103124180A
Authority
CN
China
Prior art keywords
signal
atom
data
power system
sampling
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2013100123609A
Other languages
English (en)
Inventor
沈跃
刘慧�
刘国海
陈兆岭
张�浩
赵文祥
白雪
蒋彦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN2013100123609A priority Critical patent/CN103124180A/zh
Publication of CN103124180A publication Critical patent/CN103124180A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明公开了一种基于投影追踪的电力系统数据重构解压缩方法，基于压缩感知理论能以远低于奈奎斯特频率采样信号。本发明首先构造过完备原子库，保证原子库中的原子具有冗余性、其次寻找最匹配原子，更新信号残差、再次获取稀疏向量元素、最后获取稀疏向量。本发明所述方法在每一次的迭代过程中，从感知矩阵中选择与信号最匹配的原子构建稀疏逼近，求出信号残差表示，经过一定的迭代次数，信号由其中的一些原子线性表示。本发明所述方法突破传统数据压缩方法先采样后压缩的框架，将采样与压缩合并进行，少量采样即能很好地恢复原始电能质量信号。

Description

基于投影追踪的电力系统数据重构解压缩方法
技术领域
本发明涉及电力系统数据重构和解压缩方法，尤其是一种基于的压缩感知理论的电能质量数据投影追踪重构解压缩方法。 
背景技术
电力部门需要实时监控电力系统电压、电流等数据，以便进行波动、闪变、谐波状况、阻抗频率特性和电能质量的分析，这将导致数据量巨大，无论是当地存储还是传输给电力部门都将带来沉重的负担。因此电力系统中大量数据的存储是一个迫切需要解决的问题，有效方法就是对数据进行压缩。关于电力系统数据压缩，近年来研究者往往只重视故障数据的压缩，而实际上随着电力系统自动化程度的提高，智能电网建设的目标，监测信息系统的不断完善，海量过程数据的存储越来越受到人们的重视。电力系统运行过程中的暂稳态电能质量数据蕴含着丰富的信息，对分析电网运行状态、提供控制和优化策略、故障诊断和数据挖掘具有重要意义。研究适合工程实际的数据压缩方法对降低海量过程数据中存在的冗余成为电力行业的迫切需求。特别近年来智能电网的计划提出以后，用户与电力公司的双向通讯对采集设备的性能提出了更高的要求。如果可以用最经济节能的便捷式电能质量数据采集仪完成数据的采集，然后再将解压缩方法放置于大型计算机上进行处理，将能有效解决传统压缩和解压缩模式的弊端。 
目前电网数据的采集设备均建立在香农采样定理采样率基础上，高精度的采样需求必定会带来巨大的数据量。随着智能化电网监测模式的建设，电网数据采集源源不断进行，即使通过高性能压缩方法将采样后的大部分数据量丢弃，仍会耗用大量的原始数据存储空间。压缩感知理论能够突破香农采样定理限制，采集的数据就是需要获取的信息，采样与压缩过程合二为一，将能够突破电网数据采样模式，有望解决在电力系统一次设备附近的现场数据采集和执行装置通常采用速度较低的CPU，且克服存储容量有限的矛盾，将计算量留给后期计算机处理，可以通过计算机强大的并行处理能力低成本的重构原始信号，达到与传统采样和压缩相同的效果，为电能质量数据的检测和识别等方法开阔新思路。 
发明内容
针对现有技术中电力系统数据重构和解压缩方法存在的上述问题，本发明提供一种基于压缩感知理论和投影追踪重构方法的电能质量数据压缩和解压缩方法。电能质量压缩数据由基于压缩感知理论的获得电能质量压缩数据，具体体现为数据采样与压缩过程的合二为一；电能质量数据解压缩过程由投影追逐重构解压缩实现。本发明克服了现有技术中的采样过程耗费大量数据存储空间的缺点，提供了一种采样与压缩过程合并，节约采样数据存储空间的电能质量数据压缩与解压缩方法。 
本发明的技术方案是： 
基于投影追踪的电力系统数据重构解压缩方法，具体包括如下步骤：
(1) 初始化参数：迭代次数t=1，残差余量 
Figure DEST_PATH_RE-DEST_PATH_IMAGE002
，x为空矩阵，迭代次数m；
(2) 在
Figure DEST_PATH_RE-DEST_PATH_IMAGE004
中选中与余量相关性最大的列：
Figure DEST_PATH_RE-DEST_PATH_IMAGE006
；
(3) 更新信号残差：
Figure DEST_PATH_RE-DEST_PATH_IMAGE008
；
(4) 获取稀疏向量元素：
Figure DEST_PATH_RE-DEST_PATH_IMAGE010
；
(5) 去除
Figure DEST_PATH_682175DEST_PATH_IMAGE004
中已入选的列
Figure DEST_PATH_RE-DEST_PATH_IMAGE012
，将选中的列置零，为下一次迭代做准备；
(6) 如果t<m，t=t+1。则重复第（2）-（5）步骤，进行下一次迭代。否则结束迭代，获得稀疏向量x。
进一步，步骤（2）中，
Figure DEST_PATH_166377DEST_PATH_IMAGE004
=
Figure DEST_PATH_RE-DEST_PATH_IMAGE014
，是
Figure DEST_PATH_RE-DEST_PATH_IMAGE018
维的压缩感知观测矩阵，
Figure DEST_PATH_RE-DEST_PATH_IMAGE020
是
Figure DEST_PATH_RE-DEST_PATH_IMAGE022
维的稀疏变换基矩阵，其中，
Figure DEST_PATH_RE-DEST_PATH_IMAGE024
表示内积运算；当t=1时，
Figure DEST_PATH_RE-DEST_PATH_IMAGE026
即原始信号
Figure DEST_PATH_RE-DEST_PATH_IMAGE028
，上式
Figure DEST_PATH_RE-DEST_PATH_IMAGE030
表示
Figure DEST_PATH_713771DEST_PATH_IMAGE028
与中第i列原子
Figure DEST_PATH_RE-DEST_PATH_IMAGE032
的内积；当t>1时，上式
Figure DEST_PATH_505458DEST_PATH_IMAGE030
表示残差余量与
Figure DEST_PATH_474026DEST_PATH_IMAGE004
中第i列原子的内积，
Figure DEST_PATH_863867DEST_PATH_IMAGE012
即为找寻出的当前最匹配原子。 
进一步，步骤（3）中，
Figure DEST_PATH_RE-DEST_PATH_IMAGE036
是在
Figure DEST_PATH_RE-DEST_PATH_IMAGE038
上的分量或投影，
Figure DEST_PATH_RE-DEST_PATH_IMAGE040
是用原子
Figure DEST_PATH_333955DEST_PATH_IMAGE038
在对进行匹配后的残差值；
Figure DEST_PATH_319677DEST_PATH_IMAGE034
与
Figure DEST_PATH_567119DEST_PATH_IMAGE038
是正交的，即： 
Figure DEST_PATH_RE-DEST_PATH_IMAGE042
；
要使得是
Figure DEST_PATH_628933DEST_PATH_IMAGE034
的最佳逼近，要求残差的能量最小，即寻找一个与信号
Figure DEST_PATH_821809DEST_PATH_IMAGE028
方向最靠近的原子库中的原子。
本发明的有益效果是： 
本发明首次提出基于的压缩感知理论的电能质量数据投影追踪重构解压缩方法。基于压缩感知理论能以远低于奈奎斯特频率采样信号，对信号的带宽不再作要求，取而代之的是信号的稀疏性，满足条件的信号可在远少于香农采样率的情况下精确的重构信号。压缩感知的思想是用信号的少量非自适应性采样值替代其全值采样值，将传统的数据采集与数据压缩合二为一，无需复杂的数据编码算法。将采样与压缩合并进行，少量采样即能很好地恢复原始电能质量信号，不仅能够降低对硬件的要求，而且提高压缩效率。投影追踪解压缩方法把压缩采样序列表示成感知矩阵原子的线性展开，它能够自适应提取和感知矩阵原子相关的信号结构，经过多次迭代运算获取解压缩数据。基于投影追踪的电能质量数据重构解压缩过程能够较好地恢复原始信号，具有很高的应用价值。
附图说明
图1是本发明基于投影追踪的电力系统数据重构解压缩方法的流程图； 
图2是未采用本发明方法时电压谐波信号的原始信号图；
图3是采用本发明方法时电压谐波信号的重构信号图；
图4是图2中的原始信号与图3中重构信号的误差图；
图5是未采用本发明方法时电压暂降信号的原始信号图；
图6是采用本发明方法时电压暂降信号的重构信号图；
图7是图5中的原始信号与图6中重构信号的误差图。
具体实施方式
下面结合附图对本发明进行进一步详细说明。 
本发明基于投影追踪的电力系统数据重构解压缩方法的步骤如下： 
（1）设定压缩感知采样所需的压缩感知矩阵等相关参数，应用压缩感知数据采样完成电能质量数据采集与压缩过程。
（2）利用提出的电能质量数据投影追踪重构解压缩方法，建立压缩采样值序列与感知矩阵的关系，应用投影追踪匹配方法从感知矩阵中选择与压缩采样值序列最匹配的原子构建稀疏逼近，求出信号残差表示，经过多次迭代运算，稀疏信号由其中的一些原子线性表示，进而解压缩出原始电能质量数据。本段落所涉及的“感知矩阵”、“原子”、“稀疏信号”等定义详见“具体实施方法”。 
基于压缩感知理论，若信号在变换基
Figure DEST_PATH_RE-DEST_PATH_IMAGE046
下的稀疏向量为s(
Figure DEST_PATH_RE-DEST_PATH_IMAGE048
)，设计观测矩阵
Figure DEST_PATH_RE-DEST_PATH_IMAGE050
Figure DEST_PATH_RE-DEST_PATH_IMAGE052
，通过压缩感知观测矩阵实现压缩采样。电能质量信号
Figure DEST_PATH_RE-DEST_PATH_IMAGE054
的压缩采样值表示为 
Figure DEST_PATH_RE-DEST_PATH_IMAGE056
式中
Figure DEST_PATH_659763DEST_PATH_IMAGE028
是
Figure DEST_PATH_RE-DEST_PATH_IMAGE058
维的观测向量(压缩采样序列)，
Figure DEST_PATH_291733DEST_PATH_IMAGE054
是
Figure DEST_PATH_RE-DEST_PATH_IMAGE060
维的电能质量信号，是维的压缩感知矩阵，
Figure DEST_PATH_256256DEST_PATH_IMAGE020
是
Figure DEST_PATH_742732DEST_PATH_IMAGE022
维的稀疏变换基矩阵，是
Figure DEST_PATH_RE-DEST_PATH_IMAGE064
维的感知矩阵，
Figure DEST_PATH_RE-DEST_PATH_IMAGE066
是
Figure DEST_PATH_643824DEST_PATH_IMAGE060
维的稀疏变换信号。
Figure DEST_PATH_910857DEST_PATH_IMAGE066
为稀疏信号即向量
Figure DEST_PATH_47440DEST_PATH_IMAGE066
仅有
Figure DEST_PATH_RE-DEST_PATH_IMAGE068
(K<N)个系数值非零，其余
Figure DEST_PATH_RE-DEST_PATH_IMAGE070
个系数值为零。
压缩采样值序列
Figure DEST_PATH_388423DEST_PATH_IMAGE028
的维数M远远低于原始信号维数N，即实现高维数据
Figure DEST_PATH_585049DEST_PATH_IMAGE054
（
Figure DEST_PATH_274132DEST_PATH_IMAGE060
维）到低维数据
Figure DEST_PATH_11143DEST_PATH_IMAGE028
（
Figure DEST_PATH_472212DEST_PATH_IMAGE058
维）的投影，实现了数据的压缩过程。若
Figure DEST_PATH_902056DEST_PATH_IMAGE028
包含足够的重构信号信息的前提下，投影矩阵满足约束等距条件（RIP），运用重构算法由观测向量
Figure DEST_PATH_815785DEST_PATH_IMAGE028
及感知矩阵
Figure DEST_PATH_356488DEST_PATH_IMAGE062
能够重构出原始信号，完成压缩采样数据的解压缩过程。 
下面结合图1进行说明，具体实施方式的步骤如下： 
步骤一：选定观测矩阵
Figure DEST_PATH_937642DEST_PATH_IMAGE016
。采用高斯分布白噪声生成随机观测矩阵；矩阵
Figure DEST_PATH_939413DEST_PATH_IMAGE016
中的元素采用独立同分布的高斯随机变量，即各元素是相互独立的，且服从均值为零，方差为
Figure DEST_PATH_RE-DEST_PATH_IMAGE072
的高斯分布为
Figure DEST_PATH_RE-DEST_PATH_IMAGE074
~，
Figure DEST_PATH_RE-DEST_PATH_IMAGE078
, 
Figure DEST_PATH_RE-DEST_PATH_IMAGE080
。 
步骤二：确定测量维数M。对于各种电能质量信号测试样本(采样频率6400Hz)在不同映射测量维数M下，重复30次实验求结果均值。分别考虑电压稳态和暂态状况，以正常电压信号为例，当
Figure DEST_PATH_RE-DEST_PATH_IMAGE082
重构误差小于5%，并趋于稳定。以电压暂升为例，当
Figure DEST_PATH_RE-DEST_PATH_IMAGE084
重构误差小于5%，并趋于稳定。重构误差随着M的增大逐渐降低，综合考虑采样压缩比和重构精度，对于稳态和暂态情况分别选择测量维数
Figure DEST_PATH_RE-DEST_PATH_IMAGE086
和
Figure DEST_PATH_RE-DEST_PATH_IMAGE088
。 
步骤三：确定稀疏变换基。采用傅里叶变换基对电能质量信号进行稀疏表示。 
步骤四：构造过完备原子库。这里感知矩阵的所有列向量表示一个过完备原子库，其中每一列表示库中的一个原子。 
设定感知矩阵
Figure DEST_PATH_RE-DEST_PATH_IMAGE090
，量测方程
Figure DEST_PATH_RE-DEST_PATH_IMAGE092
，归一化
Figure DEST_PATH_RE-DEST_PATH_IMAGE094
。这里
Figure DEST_PATH_RE-DEST_PATH_IMAGE096
表示原始电能质量信号，
Figure DEST_PATH_661347DEST_PATH_IMAGE028
表示压缩后数据，重构算法的目标是求解量测方程
Figure DEST_PATH_167415DEST_PATH_IMAGE092
中稀疏信号x以及非零元素对应的坐标位置。感知矩阵
Figure DEST_PATH_321315DEST_PATH_IMAGE004
可以看作一个过完备原子库，
Figure DEST_PATH_141504DEST_PATH_IMAGE004
中第i列
Figure DEST_PATH_493988DEST_PATH_IMAGE032
表示库中的原子。原子库中的原子作归一化处理，
Figure DEST_PATH_374219DEST_PATH_IMAGE094
。每个原子的维数与
Figure DEST_PATH_812154DEST_PATH_IMAGE028
的维数相等。由于原子库满足过完备性，即原子库中的原子是冗余的。因此
Figure DEST_PATH_170454DEST_PATH_IMAGE004
中原子个数N远远大于
Figure DEST_PATH_643023DEST_PATH_IMAGE028
的维数M。 
步骤五：初始化参数 
初始化迭代次数t=1，残差余量
Figure DEST_PATH_428577DEST_PATH_IMAGE002
，x为空矩阵，迭代次数m。
步骤六：寻找最匹配原子 
在
Figure DEST_PATH_353808DEST_PATH_IMAGE004
中选中与残差余量相关性最大的列：
；
其中，
Figure DEST_PATH_450552DEST_PATH_IMAGE024
表示内积运算。当t=1时，
Figure DEST_PATH_777628DEST_PATH_IMAGE026
即原始信号，上式表示
Figure DEST_PATH_112292DEST_PATH_IMAGE028
与
Figure DEST_PATH_293874DEST_PATH_IMAGE004
中第i列原子
Figure DEST_PATH_686809DEST_PATH_IMAGE032
的内积。当t>1时，上式
Figure DEST_PATH_524315DEST_PATH_IMAGE030
表示残差余量
Figure DEST_PATH_28109DEST_PATH_IMAGE034
与
Figure DEST_PATH_936635DEST_PATH_IMAGE004
中第i列原子的内积。
Figure DEST_PATH_887590DEST_PATH_IMAGE012
即为找寻出的当前最匹配原子。
步骤七：更新信号残差 
由当前的最匹配原子，可将残差余量
Figure DEST_PATH_85670DEST_PATH_IMAGE040
表示为
其中
Figure DEST_PATH_366927DEST_PATH_IMAGE036
是
Figure DEST_PATH_478103DEST_PATH_IMAGE034
在
Figure DEST_PATH_488784DEST_PATH_IMAGE038
上的分量或投影，是用原子
Figure DEST_PATH_428238DEST_PATH_IMAGE038
在对
Figure DEST_PATH_874263DEST_PATH_IMAGE034
进行匹配后的残差值。显然
Figure DEST_PATH_939784DEST_PATH_IMAGE034
与
Figure DEST_PATH_16324DEST_PATH_IMAGE038
是正交的，即
若要使得
Figure DEST_PATH_787151DEST_PATH_IMAGE036
是
Figure DEST_PATH_772424DEST_PATH_IMAGE034
的最佳逼近，则要求残差
Figure DEST_PATH_19866DEST_PATH_IMAGE040
的能量最小。意味着寻找一个与信号
Figure DEST_PATH_90590DEST_PATH_IMAGE028
方向最靠近的原子库中的原子。
步骤八：获取稀疏向量元素 
Figure DEST_PATH_957046DEST_PATH_IMAGE010
；
并且纪录最大投影系数的位置；更新稀疏向量
Figure DEST_PATH_DEST_PATH_IMAGE102
；
步骤九：去除
Figure DEST_PATH_669263DEST_PATH_IMAGE004
中已入选的列
Figure DEST_PATH_149923DEST_PATH_IMAGE012
（将选中的列置零），为下一次迭代做准备；
步骤十：t=t+1。如果t<m，则重复步骤六-步骤九，进行下一次迭代。否则结束迭代，获得稀疏向量x。
考察基于投影追踪重构算法对电能质量扰动数据的压缩效果，并统计数据压缩比、重构误差等指标。在保证高精度重构的同时具有高压缩比，选择稳态信号的测量维数M=32，暂态信号测量维数取值为M=128。 
图2为10个周波的电压谐波信号(采样频率6400Hz)，共1280点，横坐标Time/sec表示时间单位为秒，纵坐标Amp/pu表示归一化的电压幅值。图3为基于投影追踪重构算法的电压谐波重构信号。图4为原始信号与重构信号的误差。经分析，经过压缩感知测量后的电能测量数据通过投影追踪解压缩方法能够较好地重构原始信号，重构误差小于0.01%。 
图5为电压暂降信号(采样频率6400Hz)，共1280点，横坐标Time/sec表示时间单位为秒，纵坐标Amp/pu表示归一化的电压幅值，在0.04秒-0.16秒之间电压幅值骤降。图6 为基于投影追踪重构算法的电压谐波重构信号。图7为原始信号与重构信号的误差。经分析，经过压缩感知测量后的电能测量数据通过投影追踪解压缩方法能够较好地重构原始信号，重构误差小于1.43%。 

Claims (3)

1.基于投影追踪的电力系统数据重构解压缩方法，具体包括如下步骤：
(1) 初始化参数：迭代次数t=1，残差余量 
Figure 2013100123609100001DEST_PATH_DEST_PATH_IMAGE001
，x为空矩阵，迭代次数m；
(2) 在
Figure DEST_PATH_113259DEST_PATH_IMAGE002
中选中与余量相关性最大的列：
；
(3) 更新信号残差：
Figure DEST_PATH_363604DEST_PATH_IMAGE004
；
(4) 获取稀疏向量元素：
Figure 2013100123609100001DEST_PATH_DEST_PATH_IMAGE005
；
(5) 去除
Figure DEST_PATH_317785DEST_PATH_IMAGE002
中已入选的列，将选中的列置零，为下一次迭代做准备；
(6) 如果t<m，t=t+1，则重复第（2）-（5）步骤，进行下一次迭代，否则结束迭代，获得稀疏向量x。
2.根据权利要求1所述的基于投影追踪的电力系统数据重构解压缩方法，其特征在于：所述步骤（2）中，
Figure DEST_PATH_525092DEST_PATH_IMAGE002
=
Figure 2013100123609100001DEST_PATH_DEST_PATH_IMAGE007
，
Figure DEST_PATH_348167DEST_PATH_IMAGE008
是
Figure DEST_PATH_43722DEST_PATH_IMAGE010
维的压缩感知观测矩阵，
Figure 2013100123609100001DEST_PATH_DEST_PATH_IMAGE011
是维的稀疏变换基矩阵，其中，
Figure DEST_PATH_DEST_PATH_IMAGE013
表示内积运算；当t=1时，
Figure DEST_PATH_961923DEST_PATH_IMAGE014
即原始信号
Figure 2013100123609100001DEST_PATH_DEST_PATH_IMAGE015
，上式
Figure DEST_PATH_275224DEST_PATH_IMAGE016
表示
Figure DEST_PATH_695841DEST_PATH_IMAGE015
与
Figure DEST_PATH_230727DEST_PATH_IMAGE002
中第i列原子
Figure 2013100123609100001DEST_PATH_DEST_PATH_IMAGE017
的内积；当t>1时，上式
Figure DEST_PATH_157226DEST_PATH_IMAGE016
表示残差余量与
Figure DEST_PATH_369081DEST_PATH_IMAGE002
中第i列原子
Figure DEST_PATH_243628DEST_PATH_IMAGE017
的内积，
Figure DEST_PATH_527979DEST_PATH_IMAGE006
即为找寻出的当前最匹配原子。
3.根据权利要求1所述的基于投影追踪的电力系统数据重构解压缩方法，其特征在于：所述步骤（3）中，
Figure 2013100123609100001DEST_PATH_DEST_PATH_IMAGE019
是在
Figure DEST_PATH_840941DEST_PATH_IMAGE020
上的分量或投影，
Figure 2013100123609100001DEST_PATH_DEST_PATH_IMAGE021
是用原子
Figure DEST_PATH_897890DEST_PATH_IMAGE020
在对进行匹配后的残差值；
Figure DEST_PATH_49702DEST_PATH_IMAGE018
与
Figure DEST_PATH_428862DEST_PATH_IMAGE020
是正交的，即：
Figure DEST_PATH_792847DEST_PATH_IMAGE022
；
要使得
Figure DEST_PATH_153422DEST_PATH_IMAGE019
是
Figure DEST_PATH_353590DEST_PATH_IMAGE018
的最佳逼近，要求残差
Figure DEST_PATH_785708DEST_PATH_IMAGE021
的能量最小，即寻找一个与信号
Figure DEST_PATH_676304DEST_PATH_IMAGE015
方向最靠近的原子库中的原子。
CN2013100123609A 2013-01-14 2013-01-14 基于投影追踪的电力系统数据重构解压缩方法 Pending CN103124180A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2013100123609A CN103124180A (zh) 2013-01-14 2013-01-14 基于投影追踪的电力系统数据重构解压缩方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2013100123609A CN103124180A (zh) 2013-01-14 2013-01-14 基于投影追踪的电力系统数据重构解压缩方法

Publications (1)

Publication Number Publication Date
CN103124180A true CN103124180A (zh) 2013-05-29

Family

ID=48455058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2013100123609A Pending CN103124180A (zh) 2013-01-14 2013-01-14 基于投影追踪的电力系统数据重构解压缩方法

Country Status (1)

Country Link
CN (1) CN103124180A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103744828A (zh) * 2013-12-30 2014-04-23 中国人民解放军重庆通信学院 一种测量值缺失的压缩感知重构方法
CN104601176A (zh) * 2014-11-28 2015-05-06 江苏大学 基于正则化自适应匹配追踪的电力系统数据重构方法
CN104904122A (zh) * 2013-12-31 2015-09-09 华为技术有限公司 基于压缩感知的信号重建方法及装置
CN105138776A (zh) * 2015-08-26 2015-12-09 江苏大学 基于回溯自适应匹配追踪的电能质量信号重构方法
CN110717949A (zh) * 2018-07-11 2020-01-21 天津工业大学 基于tromp的干涉高光谱图像稀疏重建
CN112597816A (zh) * 2020-12-07 2021-04-02 合肥工业大学 一种电能质量信号特征提取方法
CN114111997A (zh) * 2021-11-22 2022-03-01 大连理工大学 一种基于叶端定时欠采样信号特性的叶片同步共振频率恢复方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101867387A (zh) * 2010-01-06 2010-10-20 中国人民解放军海军航空工程学院 低于奈奎斯特速率采样下信号重构技术方案
US20110090394A1 (en) * 2009-10-21 2011-04-21 Futurewei Technologies, Inc. Communication System with Compressive Sensing

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110090394A1 (en) * 2009-10-21 2011-04-21 Futurewei Technologies, Inc. Communication System with Compressive Sensing
CN101867387A (zh) * 2010-01-06 2010-10-20 中国人民解放军海军航空工程学院 低于奈奎斯特速率采样下信号重构技术方案

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘国海: "基于压缩感知理论的电力系统数据检测与压缩方法研究", 《万方学位论文》, 31 July 2012 (2012-07-31) *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103744828A (zh) * 2013-12-30 2014-04-23 中国人民解放军重庆通信学院 一种测量值缺失的压缩感知重构方法
CN104904122A (zh) * 2013-12-31 2015-09-09 华为技术有限公司 基于压缩感知的信号重建方法及装置
CN104904122B (zh) * 2013-12-31 2017-11-28 华为技术有限公司 基于压缩感知的信号重建方法及装置
CN104601176A (zh) * 2014-11-28 2015-05-06 江苏大学 基于正则化自适应匹配追踪的电力系统数据重构方法
CN105138776A (zh) * 2015-08-26 2015-12-09 江苏大学 基于回溯自适应匹配追踪的电能质量信号重构方法
CN110717949A (zh) * 2018-07-11 2020-01-21 天津工业大学 基于tromp的干涉高光谱图像稀疏重建
CN112597816A (zh) * 2020-12-07 2021-04-02 合肥工业大学 一种电能质量信号特征提取方法
CN112597816B (zh) * 2020-12-07 2022-09-13 合肥工业大学 一种电能质量信号特征提取方法
CN114111997A (zh) * 2021-11-22 2022-03-01 大连理工大学 一种基于叶端定时欠采样信号特性的叶片同步共振频率恢复方法
CN114111997B (zh) * 2021-11-22 2022-08-12 大连理工大学 一种基于叶端定时欠采样信号特性的叶片同步共振频率恢复方法

Similar Documents

Publication Publication Date Title
CN103124180A (zh) 基于投影追踪的电力系统数据重构解压缩方法
CN102938649B (zh) 基于压缩感知理论的电能质量数据自适应重构解压缩方法
CN103595414B (zh) 一种稀疏采样与信号压缩感知重构方法
CN103124179A (zh) 基于正交匹配追踪的电力系统数据重构解压缩方法
CN103983850B (zh) 基于压缩感知的电力系统谐波压缩信号重构与检测方法
CN105827250B (zh) 一种基于自适应字典学习的电能质量数据压缩重构方法
Tang et al. Sparse classification of rotating machinery faults based on compressive sensing strategy
CN107256537B (zh) 一种设计两通道正交图滤波器组的设计方法
CN105957117B (zh) 并行磁共振的图像重建方法、装置及并行磁共振成像系统
CN104601176A (zh) 基于正则化自适应匹配追踪的电力系统数据重构方法
CN103049923A (zh) 磁共振快速成像的方法
CN105138776A (zh) 基于回溯自适应匹配追踪的电能质量信号重构方法
CN109039341A (zh) 多量测压缩感知的感知矩阵构建方法、系统及存储介质
CN102163338B (zh) 一种压缩感知系统中的高效重建方法
CN111680028A (zh) 基于改进奇异值分解的配电网同步相量量测数据压缩方法
CN108828482B (zh) 结合稀疏和低秩特性的欠采样磁共振扩散谱的重建方法
CN103036576A (zh) 基于压缩传感理论的一种二值稀疏信号重构算法
Harris et al. Deterministic tensor completion with hypergraph expanders
CN109188327B (zh) 基于张量积复小波紧框架的磁共振图像快速重构方法
CN109638830B (zh) 一种电力负荷模型构建方法、装置和设备
Kummerow et al. Spatial and temporal PMU data compression for efficient data archiving in modern control centres
CN113125886B (zh) 一种针对电能质量扰动源的定位方法
Yan et al. A real-time data compression & reconstruction method based on lifting scheme
CN107945131B (zh) 射电干涉阵列分布式图像重建方法
CN115407162B (zh) 一种基于稀疏表示的小电流接地故障选线方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20130529