CN105426583A - 一种基于同步的同质传感器融合处理方法 - Google Patents

Abstract

一种基于同步的同质传感器融合处理方法，中央处理器以<i>T</i>秒为采样周期，同质传感器定时对被测信号进行采样和量化并获得关于时间的数据序列，将采样数据按周期进行截取，获得m个周期序列为：，每个周期样本中包含了N个数据点，即，其中。从每个周期序列各时刻点中抽取一个点值组成单一传感器多次测量的一维数据序列，构造周期数据序列，即，每组一维数据序列中包括了m个数据点，即。对得到的数据样本进行基于极大似然估计和最小二乘法估计的优化组合预处理，用于指导电力系统周期采样。本发明将不同类传感器进行无差别融合，得到等周期数据样本，以消减不同传感器差异和信号采集过程的随机误差，该方法适用于电力系统数据预处理，改善数据质量。

Description

一种基于同步的同质传感器融合处理方法

技术领域

本发明涉及一种基于同步的同质传感器融合处理方法，属电力设备传感器测量技术领域。

背景技术

传统的用电设备能实时地感知电网的有效供电能力是有序用电的基础,电网能实时获取用电设备用电真实状态是智能电网的前提。传统的供用电信息采集往往由单一的传感器来完成，即使采用多个(种)传感器也多是分时使用，所以是从多个侧面孤立地反映电网的信息。随着技术的进步，这些测量数据需要融合处理，即指利用多个传感器的输出推断出一个有效的信息。

电力系统所使用的传感器受到生产厂家生产环境、采用技术的不同。不同厂家的仪器甚至同一厂家的不同批次的仪器测得同一对象的某个生理数据都有差异，尤其在幅度上差别明显，因此对海量数据对比、自动分析等造成困难。

发明内容

本发明的目的是，针对电力设备传感器采集信息存在的问题，本发明公开了一种基于同步的同质传感器融合处理方法。

实现本发明的技术方案是，一种基于同步的同质传感器融合处理方法，将电力系统不同类传感器进行无差别融合，进行优化组合预处理，得到等周期数据样本；以消减不同传感器差异和信号采集过程中的随机误差，改善数据质量。

本发明提供了一种基于同步的同质传感器融合处理方法，中央处理器以T秒为采样周期，同质传感器(传感器观测的是同一物理现象)定时对被测信号进行采样和量化并获得关于时间的数据序列X(N)，将采样数据按周期进行截取，获得m个周期序列为：Y₁(t),Y₂(t),…Y_m(t)，每个周期样本中包含了N个数据点，即Y_i＝[X_i(1),X_i(2),…X_i(N)]，其中i＝1,2,…,m。从每个周期序列各时刻点中抽取一个点值组成单一传感器多次测量的一维数据序列，构造按周期同步构建的周期数据序列，即Y′₁(t),Y′₂(t),…Y′_N(t)，每组一维数据序列中包括了m个数据点，即Y′_i＝[X₁(1),X₂(2),…X_m(N)]。对得到的数据样本Y′_t进行基于极大似然估计和最小二乘法估计的优化组合预处理，用于指导电力系统周期采样数据指导。

一种基于同步的同质传感器融合处理方法，包括以下步骤：

步骤一：中央处理器以T(秒)为采样周期，同质传感器定时对系统被测信号进行采样和量化，并得到相同采样频率下的数据样本X(N)；

步骤二：将采样数据按周期进行截取，获得m个周期序列为：Y₁(t),Y₂(t),…Y_m(t)，每个周期样本中包含了N个数据点，即Y_i＝[X_i(1),X_i(2),…X_i(N)]，其中i＝1,2,…,m；

步骤三：构造按周期同步构建的周期数据序列，即Y′₁(t),Y′₂(t),…Y′_N(t)，每组一维数据序列中包括了m个数据点，即Y′_i＝[X₁(1),X₂(2),…X_m(N)]；

步骤四：对数据样本Y′_t进行基于极大似然估计和最小二乘法估计的优化组合预处理。

步骤一中，所述同质传感器定时对系统被测信号进行采样和量化的具体步骤为：

所述中央处理器采样周期为T(秒)，包含在系统内部的m个传感器定时对系统内部的被测信号进行采样和量化，进而得到相同采样频率下的数据样本X_i(N)，其中i＝1,2,…,m；所述m个传感器可以不同时、不同位置，但是被检测或采集信号的特征相同。

步骤三中，所述构造按周期同步构建的周期数据序列的具体步骤为：

将采集到的电力系统数据在按周期进行截取后，将每个周期数据中各个时刻点数据视为同步后的同一对象的多次测量结果，即各个周期对应时刻点数据为一个样本，多个周期的数据中相对应时刻的每个点值即构成一个数据序列，从而可视为单一传感器多次测量的一维数据序列，即构造了按周期同步构建的周期数据序列，也即Y′₁(t),Y′₂(t),…Y′_N(t)，每组一维数据序列中包括了m个数据点，即Y′_i＝[X₁(1),X₂(2),…X_m(N)]。

步骤四中，所述对数据样本Y′_t进行基于极大似然估计的优化组合预处理的步骤为：

(a)假设在给定的时刻，待测环境特征为X，传感器的值为Y,则该传感器的测量模型为：Y＝f(X)+V，其中，V是符合高斯分布的噪声项；所谓数据融合就是由N个传感器得到测量值Y₁、Y₂、…、Y_N,并按某种估计准则从这些测量值中得到特征参数X的最优估计；

(b)寻找合适的准则函数，即当X被估计为X(Y)时所产生的损失最小的函数；取损失函数为均匀损失：

$L\&lsqb;\hat{X}\left(Y\right),X\&rsqb;=\left\{\begin{array}{cc}1& \left|\hat{X}-X\right|\&GreaterEqual;\frac{\mathrm{\&epsiv;}}{2}\\ 0& \left|\hat{X}-X\right|<\frac{\mathrm{\&epsiv;}}{2}\end{array}\right.$

(c)在损失函数L的基础上，定义相应估计风险的函数R：

$R=EL\left(\hat{X}\left(Y\right),X\right)=\&Integral;dYp\left(x\right)\&Integral;dXp\left(x|y\right)L\left(\hat{X}\left(Y\right),X\right),$ 其中，p(x)、p(x|y)表示概率分布；

(d)取风险最小为估计准则，即

$\frac{\&part;R}{\&part;X}{|}_{X=\hat{X}\left(Y\right)}=0---\left(1\right)$

其中，为求导操作；可以得到符合式(1)的最优估计(最大后验估计)为： ${\hat{X}}_{opt}\left(Y\right)=\arg \max p\left(X|Y\right);$

(e)在具有N个传感器的系统中，相应的信息融合可以看作是在观测值Y₁、Y₂、…、Y_N下，值X具有最大后验的估计为

(f)取(a)中f(X)为X的线性函数，即Y_i＝A_iX_i+V_i，A_i为权重系数，V_i为噪声；p(Y|X)服从高斯噪声分布，即(Y|X)～N(A_iX,V_i)，N(·)表示高斯分布函数；X满足高斯噪声分布其中为均值，V_X为方差；

采用“模糊先验”的概念，即对所有可能参数X均采用p(x)＝1,得到：

$p\left(X\right|Y_1,Y_2,......Y_N)\&Proportional;\underset{i=1}{\overset{N}{\&Pi;}}p\left(X\right|Y_i)---\left(2\right)$

其中，p(·)表示概率，∏(·)表示联合分布律，此时最大后验估计即简化为极大似然估计，相应的融合计算公式为：

${V_f}^{-1}=\underset{i=1}{\overset{N}{\&Sigma;}}{A_i}^T{V_i}^{-1}{A}_i+V_X^{-1}---\left(3\right)$

$X_f=V_f\underset{i=1}{\overset{N}{\&Sigma;}}{A_i}^T{V}_i^{-1}{Y}_i---\left(4\right)$

其中，V_f为X|Y分布的协方差，(·)^T表示矩阵转置操作，(·)^-1表示求逆矩阵操作；

所述对数据样本Y_i'进行基于最小二乘法估计的优化组合预处理按以下列步骤进行：

对最大似然估计信息融合的计算以后,再考虑最小二乘估计,相应的融合计算公式为：

$\hat{Y}=\underset{i=1}{\overset{N}{\&Sigma;}}{\left(\underset{i=1}{\overset{N}{\&Sigma;}}{V_i}^{-1}\right)}^{-1}{V_i}^{-1}{Y}_i---\left(5\right)$

$V_f=(\underset{i=1}{\overset{N}{\&Sigma;}}{V_i}^{-1}{)}^{-1}---\left(6\right)$

其中，为参数估计值。

本发明的有益效果是，本发明将不同类传感器进行无差别融合，进行优化组合预处理，得到等周期数据样本，以消减不同传感器差异和信号采集过程中的随机误差，该方法适用于电力系统数据预处理，改善数据质量。

附图说明

图1是本发明实施例一种基于同步的同质传感器融合处理方法的流程图。

具体实施方式

本发明的具体实施方式如图1所示。

本实施例一种基于同步的同质传感器融合处理方法，其主要包括以下步骤：

步骤A：中央处理器以T(秒)为采样周期，同质传感器定时对系统被测信号进行采样和量化，并得到相同采样频率下的数据样本X(N)；

步骤B：将采样数据按周期进行截取，获得m个周期序列为：Y₁(t),Y₂(t),…Y_m(t)，每个周期样本中包含了N个数据点，即Y_i＝[X_i(1),X_i(2),…X_i(N)]，其中i＝1,2,…,m；

步骤C：构造按周期同步构建的周期数据序列，即Y′₁(t),Y′₂(t),…Y′_N(t)，每组一维数据序列中包括了m个数据点，即Y′_i＝[X₁(1),X₂(2),…X_m(N)]；

步骤D：对数据样本Y′_t进行基于极大似然估计和最小二乘法估计的优化组合预处理。

本实施例所属步骤A：中央处理器以T(秒)为采样周期，同质传感器定时对系统被测信号进行采样和量化，并得到相同采样频率下的数据样本X(N)的具体步骤为：

中央处理器采样周期为T(秒)，包含在系统内部的m个传感器(可以不同时、不同位置，但是被检测或采集信号的特征相同)定时对系统内部的被测信号进行采样和量化，进而得到相同采样频率下的数据样本X_i(N)，其中i＝1,2,…,m。

本实施例所属步骤C：构造按周期同步构建的周期数据序列，即Y′₁(t),Y′₂(t),…Y′_N(t)，每组一维数据序列中包括了m个数据点，即Y′_i＝[X₁(1),X₂(2),…X_m(N)]的具体步骤为：

将采集到的电力系统数据在按周期进行截取后，将每个周期数据中各个时刻点数据视为同步后的同一对象的多次测量结果，即各个周期对应时刻点数据为一个样本，多个周期的数据中相对应时刻的每个点值即构成一个数据序列，从而可视为单一传感器多次测量的一维数据序列，即构造了按周期同步构建的周期数据序列，也即Y′₁(t),Y′₂(t),…Y′_N(t)，每组一维数据序列中包括了m个数据点，即Y′_i＝[X₁(1),X₂(2),…X_m(N)]。

本实施例所属步骤D：对数据样本Y′_t进行基于极大似然估计和最小二乘法估计的优化组合预处理的具体步骤按照两种方案进行：

方案一：对数据样本Y_t'进行基于极大似然估计的优化组合预处理以下列步骤进行：

S101：假设在给定的时刻，待测环境特征为X，传感器的值为Y,则该传感器的测量模型为：Y＝f(X)+V其中，V是符合高斯分布的噪声项。所谓数据融合就是由N个传感器得到测量值Y₁、Y₂、…、Y_N,并按某种估计准则从这些测量值中得到特征参数X的最优估计。

S102：寻找合适的准则函数，即当X被估计为X(Y)时所产生的损失最小。取损失函数为均匀损失：

$L\&lsqb;\hat{X}\left(Y\right),X\&rsqb;=\left\{\begin{array}{cc}1& \left|\hat{X}-X\right|\&GreaterEqual;\frac{\mathrm{\&epsiv;}}{2}\\ 0& \left|\hat{X}-X\right|<\frac{\mathrm{\&epsiv;}}{2}\end{array}\right.$

S103：在损失函数L的基础上，定义相应估计风险的函数R：

$R=EL\left(\hat{X}\left(Y\right),X\right)=\&Integral;dYp\left(x\right)\&Integral;dXp\left(x|y\right)L\left(\hat{X}\left(Y\right),X\right),$ 其中，p(x)、p(x|y)表示概率分布；

S104：取风险最小为估计准则，即

$\frac{\&part;R}{\&part;X}{|}_{X=\hat{X}\left(Y\right)}=0---\left(1\right)$

其中，为求导操作，可以得到符合式(1)的最优估计(最大后验估计)为:

${\hat{X}}_{opt}\left(Y\right)=\arg \max p\left(X|Y\right)$

S105：在具有N个传感器的系统中，相应的信息融合可以看作是在观测值Y₁、Y₂、…、Y_N下，值X具有最大后验的估计为

S106：取S101中f(X)为X的线性函数，即Y_i＝A_iX_i+V_i，A_i为权重系数，V_i为噪声。p(Y|X)服从高斯噪声分布，即(Y|X)～N(A_iX,V_i)，N(·)表示高斯分布函数；X满足高斯噪声分布其中为均值，V_X为方差。采用“模糊先验”的概念，即对所有可能参数X均采用p(x)＝1,得到：

$p\left(X\right|Y_1,Y_2,......Y_N)\&Proportional;\underset{i=1}{\overset{N}{\&Pi;}}p\left(X\right|Y_i)---\left(2\right)$

其中，p(·)表示概率，∏(·)表示联合分布律，此时最大后验估计即简化为极大似然估计，相应的融合计算公式为：

${V_f}^{-1}=\underset{i=1}{\overset{N}{\&Sigma;}}{A_i}^T{V_i}^{-1}{A}_i+V_X^{-1}---\left(3\right)$

$X_f=V_f\underset{i=1}{\overset{N}{\&Sigma;}}{A_i}^T{V_i}^{-1}{Y}_i---\left(4\right)$

其中，V_f为X|Y分布的协方差，(·)^T表示矩阵转置操作，(·)^-1表示求逆矩阵操作。

方案二：对数据样本Y′_t进行基于最小二乘法估计的优化组合预处理以下列步骤进行：

S201：依据方案一中关于对最大似然估计信息融合的计算以后,再考虑最小二乘估计，相应的融合计算公式为：

$\hat{Y}=\underset{i=1}{\overset{N}{\&Sigma;}}{\left(\underset{i=1}{\overset{N}{\&Sigma;}}{V_i}^{-1}\right)}^{-1}{V_i}^{-1}{Y}_i---\left(5\right)$

$V_f={\left(\underset{i=1}{\overset{N}{\&Sigma;}}{V_i}^{-1}\right)}^{-1}---\left(6\right)$

其中，为参数估计值。

本发明实施例公开了一种基于同步的同质传感器融合处理的方法，中央处理器以T秒为采样周期，同质传感器(传感器观测的是同一物理现象)定时对被测信号进行采样和量化并获得关于时间的数据序列X(N)，将采样数据按周期进行截取，获得m个周期序列为：Y₁(t),Y₂(t),…Y_m(t)，每个周期样本中包含了N个数据点，即Y_i＝[X_i(1),X_i(2),…X_i(N)]，其中i＝1,2,…,m。从每个周期序列各时刻点中抽取一个点值组成单一传感器多次测量的一维数据序列，构造按周期同步构建的周期数据序列，即Y′₁(t),Y′₂(t),…Y′_N(t)，每组一维数据序列中包括了m个数据点，即Y′_i＝[X₁(1),X₂(2),…X_m(N)]。对得到的数据样本Y′_t进行基于极大似然估计和最小二乘法估计的优化组合预处理，用于指导电力系统周期采样数据指导。本发明将不同类传感器进行无差别融合，得到等周期数据样本，以消减不同传感器差异和信号采集过程中的随机误差，该方法适用于电力系统数据预处理，改善数据质量。

Claims (5)

1.一种基于同步的同质传感器融合处理方法，其特征在于，所述方法包括以下步骤：

步骤一：中央处理器以T秒为采样周期，同质传感器定时对系统被测信号进行采样和量化，并得到相同采样频率下的数据样本X(N)；

步骤二：将采样数据按周期进行截取，获得m个周期序列为：Y₁(t),Y₂(t),…Y_m(t)，每个周期样本中包含了N个数据点，即Y_i＝[X_i(1),X_i(2),…X_i(N)]，其中i＝1,2,…,m；

步骤三：构造按周期同步构建的周期数据序列，即Y₁′(t),Y₂′(t),…Y_N′(t)，每组一维数据序列中包括了m个数据点，即Y_i′＝[X₁(1),X₂(2),…X_m(N)]；

步骤四：对数据样本Y_i'进行基于极大似然估计和最小二乘法估计的优化组合预处理。

2.根据权利要求1所述一种基于同步的同质传感器融合处理方法，其特征在于，所述同质传感器定时对系统被测信号进行采样和量化的具体步骤为：

所述中央处理器采样周期为T秒，包含在系统内部的m个传感器定时对系统内部的被测信号进行采样和量化，进而得到相同采样频率下的数据样本X_i(N)，其中i＝1,2,…,m；所述m个传感器可以不同时、不同位置，但是被检测或采集信号的特征相同。

3.根据权利要求1所述一种基于同步的同质传感器融合处理方法，其特征在于，所述构造按周期同步构建的周期数据序列的具体步骤为：

将采集到的电力系统数据在按周期进行截取后，将每个周期数据中各个时刻点数据视为同步后的同一对象的多次测量结果，即各个周期对应时刻点数据为一个样本，多个周期的数据中相对应时刻的每个点值即构成一个数据序列，从而可视为单一传感器多次测量的一维数据序列，即构造了按周期同步构建的周期数据序列，也即Y₁′(t),Y₂′(t),…Y_N′(t)，每组一维数据序列中包括了m个数据点，即Y_i′＝[X₁(1),X₂(2),…X_m(N)]。

4.根据权利要求1所述一种基于同步的同质传感器融合处理方法，其特征在于，所述对数据样本Y_i'进行基于极大似然估计的优化组合预处理的步骤为：

(a)假设在给定的时刻，待测环境特征为X，传感器的值为Y,则该传感器的测量模型为：Y＝f(X)+V，其中，V是符合高斯分布的噪声项；所谓数据融合就是由N个传感器得到测量值Y₁、Y₂、…、Y_N,并按某种估计准则从这些测量值中得到特征参数X的最优估计；

(b)寻找合适的准则函数，即当X被估计为X(Y)时所产生的损失最小的函数；取损失函数为均匀损失：

(c)在损失函数L的基础上，定义相应估计风险的函数R：

其中，p(x)、p(x|y)表示概率分布；

(d)取风险最小为估计准则，即

其中，为求导操作；可以得到符合式(1)的最大后验估计为：

(e)在具有N个传感器的系统中，相应的信息融合可以看作是在观测值Y₁、Y₂、…、Y_N下，值X具有最大后验的估计为

(f)取(a)中f(X)为X的线性函数，即Y_i＝A_iX_i+V_i，A_i为权重系数，V_i为噪声；p(Y|X)服从高斯噪声分布，即(Y|X)～N(A_iX,V_i)，N(·)表示高斯分布函数；X满足高斯噪声分布其中为均值，V_X为方差；

采用“模糊先验”的概念，即对所有可能参数X均采用p(x)＝1,得到：

其中，p(·)表示概率，∏(·)表示联合分布律，此时最大后验估计即简化为极大似然估计，相应的融合计算公式为：

其中，V_f为X|Y分布的协方差，(·)^T表示矩阵转置操作，(·)^-1表示求逆矩阵操作。

5.根据权利要求1所述一种基于同步的同质传感器融合处理方法，其特征在于，所述对数据样本Y_i'进行基于最小二乘法估计的优化组合预处理按以下列步骤进行：

对最大似然估计信息融合的计算以后,再考虑最小二乘估计,相应的融合计算公式为：

其中，为参数估计值。