CN109470905B - 一种用于特高压直流输电线电晕电流信号提取的方法及系统 - Google Patents

一种用于特高压直流输电线电晕电流信号提取的方法及系统 Download PDF

Info

Publication number
CN109470905B
CN109470905B CN201811031404.1A CN201811031404A CN109470905B CN 109470905 B CN109470905 B CN 109470905B CN 201811031404 A CN201811031404 A CN 201811031404A CN 109470905 B CN109470905 B CN 109470905B
Authority
CN
China
Prior art keywords
corona current
dictionary
negative
coefficient
matrix
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.)
Active
Application number
CN201811031404.1A
Other languages
English (en)
Other versions
CN109470905A (zh
Inventor
刘元庆
吕建勋
陈晨宇
张博洋
袁海文
张芳
姜脉哲
张景晨
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.)
State Grid Corp of China SGCC
Beihang University
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
State Grid Corp of China SGCC
Beihang University
China Electric Power Research Institute Co Ltd CEPRI
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 State Grid Corp of China SGCC, Beihang University, China Electric Power Research Institute Co Ltd CEPRI filed Critical State Grid Corp of China SGCC
Priority to CN201811031404.1A priority Critical patent/CN109470905B/zh
Publication of CN109470905A publication Critical patent/CN109470905A/zh
Application granted granted Critical
Publication of CN109470905B publication Critical patent/CN109470905B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种用于特高压直流输电线电晕电流信号提取的方法及系统，其中方法包括：获取按照给定长度进行截断的多个电压等级下的电晕电流原始数据，生成数据矩阵；根据所述截取的0kV下的电晕电流原始数据的数据矩阵，基于K‑奇异值分解K‑SVD与非负OMP算法，建立与所述截取的0kV下的电晕电流原始数据对应的字典集；采用非负OMP算法，根据所述字典集上的非负稀疏表达系数，建立多个电压等级下的电晕电流原始数据的更新数据矩阵；针对所述新数据矩阵，基于K‑SVD与正交匹配追踪非负OMP算法，获取所述多个电压等级下的电晕电流原始数据对应的总字典集；针对所述总字典集，采用非负OMP算法对原始的电晕电流原始数据进行分解重构，去除背景噪声，获取电晕电流信号。

Description

一种用于特高压直流输电线电晕电流信号提取的方法及系统
技术领域
本发明涉及高压输电技术领域，更具体地，涉及一种用于特高压直流 输电线电晕电流信号提取的方法及系统。
背景技术
近年来随着国民经济的快速发展，各地区对电力的需求正不断增加。 目前，电力来源包括火电、水电、风电、光伏发电等方式，上述发电方式 与煤炭、水能、风能、太阳能等自然资源密切相关，但自然资源具有明显 的地域特性，分布并不均衡。为了在大范围内实现合理调度，优化电力资 源配置，减少污染物排放，目前特高压直流输电技术已在实践中得到广泛 应用，取得了良好的经济与社会效益。
随着输电线路的电压幅值不断升高，对应表面场强也不断增大，当强 度达到一定阀值，将会击穿导线周围空气，产生电晕放电现象，并在场强 作用下形成电晕电流。电晕放电将会对导线周围环境产生显著影响，与可 听噪声、空间电荷等效应间存在一定联系。因此，针对特高压直流输电线 路电晕电流研究，具有较强理论与现实意义。
使用电晕电流采集装置所测量到的数据，在时频域内都表现出复杂形 态，是包含背景噪声、无线电干扰、电晕电流信号等多种成分的复合体， 这对进一步分析其内在特性会产生不利影响；而现有处理方法多从频域角 度对原始数据进行分析，在去除背景噪声及无线电干扰，可能会造成有用 信息的损失，需要进一步完善，现有技术不能去除信号中无关分量影响，
因此，需要一种技术，以实现对特高压直流输电线电晕电流信号进行 提取。
发明内容
本发明技术方案提供了一种用于特高压直流输电线电晕电流信号提取 的方法及系统，以解决如何提取特高压直流输电线电晕电流信号的问题。
为了解决上述问题，本发明提供了一种用于特高压直流输电线电晕电 流信号提取的方法，所述方法包括：
获取按照给定长度进行截断的多个电压等级下的电晕电流原始数据， 生成数据矩阵；
根据所述截取的0kV下的电晕电流原始数据的数据矩阵，基于K-奇 异值分解K-SVD与正交匹配追踪非负OMP算法，建立与所述截取的0kV 下的电晕电流原始数据对应的字典集；
采用正交匹配追踪非负OMP算法，根据所述字典集上的非负稀疏表 达系数，建立多个电压等级下的电晕电流原始数据的更新数据矩阵；
针对所述新数据矩阵，基于K-奇异值分解K-SVD与正交匹配追踪非 负OMP算法，获取所述多个电压等级下的电晕电流原始数据对应的总字 典集；
针对所述总字典集，采用正交匹配追踪非负OMP算法对原始的电晕 电流原始数据进行分解重构，去除背景噪声，获取电晕电流信号。
优选地，所述获取按照给定长度进行截断的多个电压等级下的电晕电 流原始数据，包括：
按照工频周期的整数倍截断的多个电压等级下的电晕电流原始数据。
优选地，所述多个电压等级包括：0kV,700kV,1000kV。
优选地，所述根据所述截取的0kV下的电晕电流原始数据的数据矩阵， 基于K-奇异值分解K-SVD与正交匹配追踪非负OMP算法，建立与所述 截取的0kV下的电晕电流原始数据对应的字典集，包括：
针对所述数据矩阵Y0kV，采用K-SVD与正交匹配追踪非负OMP算 法，设定稀疏度为T0，挖掘所述数据矩阵的内在结构，并且保证所获的稀 疏表示系数非负，使其具有物理学意义；其中，优化目标可写作：
Figure BDA0001789828170000031
其中，F表示F-范数；S0kV为稀疏系数矩阵；
Figure BDA0001789828170000032
为n0kV个矢量的集合，n0kV为0kV样本总数，m0kV为0kV字典总数目；i为样本数取 值；L表示省略号；j为字典数取值；
根据K-奇异值分解K-SVD算法，采用分步优化策略求解字典与稀疏 表达系数，包括：
固定表达字典D0kV，采用非负OMP算法求解S0kV，
Figure BDA0001789828170000033
其中，si,j,0kV为0kV条件下稀疏系数矩阵系数；n0kV为0kV样本总 数；m0KV为0kV字典总数目；
固定稀疏系数S0kV，采用SVD分解方法，完成对字典更新；
Figure BDA0001789828170000034
根据式(2)与式(3)，通过对表达字典与稀疏系数反复优化求解，获 得对应表示字典
Figure BDA0001789828170000035
优选地，所述采用正交匹配追踪非负OMP算法，根据所述字典集上 的非负稀疏表达系数，建立多个电压等级下的电晕电流原始数据的更新数 据矩阵，包括：
针对多个电压等级下的电晕电流原始数据的新数据矩阵
Figure BDA0001789828170000041
应用正交匹配追踪非负OMP算法，获得其在字典D0kV上非负稀疏表达系数，所述多个电压等级下的电晕电流原始数据更新为：
Figure RE-GDA0001960038130000041
求解上式，根据所获得稀疏表达系数
Figure BDA0001789828170000043
si,j,o,0kV为包括0kV、 700kV、1000kV多等级条件下稀疏系数矩阵系数；no为各电压等级下样 本总数；
Figure BDA0001789828170000044
为no个矢量的集合.更新数据矩阵为
Figure BDA0001789828170000045
Figure BDA0001789828170000046
优选地，所述针对所述新数据矩阵，基于K-奇异值分解K-SVD与非 负OMP算法，获取所述多个电压等级下的电晕电流原始数据对应的总字 典集，包括：
针对更新后数据矩阵
Figure BDA0001789828170000047
采用K-SVD与正交匹配追踪非负 OMP算法，设定稀疏度为T0，获取对应表示字典与稀疏系数，上述优化目 标对应表达式为
Figure BDA0001789828170000048
通过求解上式可获得各电压等级数据所对应的表示字典，构成字典矩 阵
Figure BDA0001789828170000049
与
Figure BDA00017898281700000410
相联立，形成总表示字典矩阵 D*＝[D0kV D700kV…D1000kV]；
针对各电压等级下所获得数据矩阵
Figure BDA0001789828170000051
采用正交匹 配追踪非负OMP算法，获得其在表示字典矩阵D*上稀疏表示系数，上 述优化目标对应表达式为：
Figure BDA0001789828170000052
通过求解上式，获得稀疏系数
Figure BDA0001789828170000053
舍去0kV字典集及对应系数，将D*、
Figure BDA0001789828170000054
改写为
Figure BDA0001789828170000055
通过
Figure BDA0001789828170000056
提取到电晕电流信号，si,j,o为各输电等级 下稀疏系数矩阵系数；
Figure BDA0001789828170000057
为no个矢量的集合，mo为对应电压等 级字典总数目。
基于本发明的另一方面，提供一种用于特高压直流输电线电晕电流信 号提取的系统，所述系统包括：
第一获取单元，用于获取按照给定长度进行截断的多个电压等级下的 电晕电流原始数据，生成数据矩阵；
第一建立单元，用于根据所述截取的0kV下的电晕电流原始数据的数 据矩阵，基于K-奇异值分解K-SVD与正交匹配追踪非负OMP算法，建 立与所述截取的0kv下的电晕电流原始数据对应的字典集；
第二建立单元，用于采用正交匹配追踪非负OMP算法，根据所述字 典集上的非负稀疏表达系数，建立多个电压等级下的电晕电流原始数据的 更新数据矩阵；
第二获取单元，用于针对所述新数据矩阵，基于K-奇异值分解K-SVD 与正交匹配追踪非负OMP算法，获取所述多个电压等级下的电晕电流原 始数据对应的总字典集；
第三获取单元，用于针对所述总字典集，采用正交匹配追踪非负OMP 算法对原始的电晕电流原始数据进行分解重构，去除背景噪声，获取电晕 电流信号。
优选地，所述第一获取单元用于获取按照给定长度进行截断的多个电 压等级下的电晕电流原始数据，还用于：
按照工频周期的整数倍截断的多个电压等级下的电晕电流原始数据。
优选地，所述多个电压等级包括：0kV,700kV,1000kV。
优选地，所述第一建立单元用于根据所述截取的0kV下的电晕电流原 始数据的数据矩阵，基于K-奇异值分解K-SVD与正交匹配追踪非负OMP 算法，建立与所述截取的0kv下的电晕电流原始数据对应的字典集，还用 于：
针对所述数据矩阵Y0kV，采用K-奇异值分解K-SVD与正交匹配追踪 非负OMP算法，设定稀疏度为T0，挖掘所述数据矩阵的内在结构，并且 保证所获的稀疏表示系数非负，使其具有物理学意义；其中，优化目标可 写作：
Figure BDA0001789828170000061
其中，F表示F-范数；S0kV为稀疏系数矩阵；
Figure BDA0001789828170000062
为n0kV个矢量的集合，n0kV为0kV样本总数，m0kV为0kV字典总数目；i为样本数 取值；L表示省略号；j为字典数取值；
根据K-SVD算法，采用分步优化策略求解字典与稀疏表达系数，包 括：
固定表达字典D0kV，采用正交匹配追踪非负OMP算法求解S0kV，
Figure BDA0001789828170000063
其中，si,j,0kV为0kV条件下稀疏系数矩阵系数；n0KV为0kV样本总数； m0KV为0kV字典总数目；
固定稀疏系数S0kV，采用SVD分解方法，完成对字典更新；
Figure BDA0001789828170000071
根据式(2)与式(3)，通过对表达字典与稀疏系数反复优化求解，获 得对应表示字典
Figure BDA0001789828170000072
优选地，所述第二建立单元用于采用正交匹配追踪非负OMP算法， 根据所述字典集上的非负稀疏表达系数，建立多个电压等级下的电晕电流 原始数据的更新数据矩阵，还用于：
针对多个电压等级下的电晕电流原始数据的新数据矩阵
Figure BDA0001789828170000073
应用正交匹配追踪非负OMP算法，获得其在字典D0kV上非负稀疏表达系数，所述多个电压等级下的电晕电流原始数据更新为：
Figure RE-GDA0001960038130000073
求解上式，根据所获得稀疏表达系数
Figure BDA0001789828170000075
si,j,o,0kV为0kV和 700kV…1000kV等级条件下稀疏系数矩阵系数；nO为各电压等级下样本总数；
Figure BDA0001789828170000076
为no个矢量的集合.更新数据矩阵为
Figure BDA0001789828170000077
优选地，所述第二获取单元用于针对所述新数据矩阵，基于K-奇异值 分解K-SVD与正交匹配追踪非负OMP算法，获取所述多个电压等级下的 电晕电流原始数据对应的总字典集，还用于：
针对更新后数据矩阵
Figure BDA0001789828170000081
采用K-SVD与正交匹配追踪 非负OMP算法，设定稀疏度为T0，获取对应表示字典与稀疏系数，上述 优化目标对应表达式为:
Figure BDA0001789828170000082
通过求解上式可获得各电压等级数据所对应的表示字典，构成字典矩 阵
Figure BDA0001789828170000083
与
Figure BDA0001789828170000084
相联立，形成总表示字典矩阵 D*＝[D0kV D700kV…D1000kV]；
针对各电压等级下所获得数据矩阵
Figure BDA0001789828170000085
采用非负 OMP算法，获得其在表示字典矩阵D*上稀疏表示系数，上述优化目标对 应表达式为：
Figure BDA0001789828170000086
通过求解上式，获得稀疏系数
Figure BDA0001789828170000087
舍去0kV字典集及对应系数，将D*、
Figure BDA0001789828170000088
改写为
Figure BDA0001789828170000089
通过
Figure BDA00017898281700000810
提取到电晕电流信号，si,j,o为各输电等级 下稀疏系数矩阵系数；
Figure BDA00017898281700000811
为no个矢量的集合，mo为对应电压等 级字典总数目。
本发明技术方案提供一种用于特高压直流输电线电晕电流信号提取的 方法及系统，其中方法包括：获取按照给定长度进行截断的多个电压等级 下的电晕电流原始数据，生成数据矩阵；根据截取的0kV下的电晕电流原 始数据的数据矩阵，基于K-奇异值分解K-SVD与正交匹配追踪非负OMP 算法，建立与截取的0kV下的电晕电流原始数据对应的字典集；采用非负 OMP算法，根据字典集上的非负稀疏表达系数，建立多个电压等级下的 电晕电流原始数据的更新数据矩阵；针对新数据矩阵，基于K-奇异值分解 K-SVD与非负OMP算法，获取多个电压等级下的电晕电流原始数据对应 的总字典集；针对总字典集，采用正交匹配追踪非负OMP算法对原始的 电晕电流原始数据进行分解重构，去除背景噪声，获取电晕电流信号。本 发明技术方案利用稀疏表示模型挖掘信号内在结构特征，去除信号中无关分量影响，本发明基于此提出了一种特高压直流输电线电晕电流信号提取 方法，能去除背景噪声影响，同时提取各电压等级下所具有的共性与特异 性分量。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明优选实施方式的一种用于特高压直流输电线电晕电 流信号提取的方法流程图；
图2为根据本发明优选实施方式的各电压等级下所采集到原始信号样 本数据示意图；
图3为根据本发明优选实施方式的各电压等级下表示字典集示意图；
图4为根据本发明优选实施方式的各电压等级原始信号在总字典集上 稀疏表示系数示意图；以及
图5为根据本发明优选实施方式的各电压等级所提取电晕电流信号波 形图示意图；以及
图6为根据本发明优选实施方式的一种用于特高压直流输电线电晕电 流信号提取的系统结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许 多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例 是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分 传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是 对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的 技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典 限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应 该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式的一种用于特高压直流输电线电晕电 流信号提取的方法流程图。为了实现去除背景噪声，挖掘信号内在结构， 获得各电压等级下其所具有的共性与特异性分量，本发明实施方式提出了 一种基于稀疏表示的高压输电线电晕电流信号提取方法。如图1所示，一 种用于特高压直流输电线电晕电流信号提取的方法，方法包括：
优选地，在步骤101：获取按照给定长度进行截断的多个电压等级下 的电晕电流原始数据，生成数据矩阵。优选地，获取按照给定长度进行截 断的多个电压等级下的电晕电流原始数据，包括：按照工频周期的整数倍 截断的多个电压等级下的电晕电流原始数据。优选地，多个电压等级包括： 0kV,700kV,1000kV。
本申请按照工频周期的整数倍将所采集到的原始序列段截断获得样本 数据，将所获取的样本数据作为列向量组合为数据矩阵，对各电压等级下 数据重复上述过程，所获取数据矩阵为
Figure BDA0001789828170000101
其中
Figure BDA0001789828170000102
优选地，在步骤102：根据截取的0kV下的电晕电流原始数据的数据 矩阵，基于K-奇异值分解K-SVD(K-奇异值分解，K-Singular value decomposition)与正交匹配追踪非负OMP算法，建立与截取的0kV下的 电晕电流原始数据对应的字典集。
优选地，根据截取的0kV下的电晕电流原始数据的数据矩阵，基于K-奇异值分解K-SVD与正交匹配追踪非负OMP算法，建立与截取的0kV 下的电晕电流原始数据对应的字典集，包括：
针对数据矩阵Y0kV，采用K-SVD与正交匹配追踪非负OMP算法， 设定稀疏度为T0，挖掘数据矩阵的内在结构，并且保证所获的稀疏表示系 数非负，使其具有物理学意义；其中，优化目标可写作：
Figure BDA0001789828170000111
其中，F表示F-范数；S0kV为稀疏系数矩阵；
Figure BDA0001789828170000112
为n0kV个矢量的集合，n0kV为0kV样本总数，m0kV为0kV字典总数目；i为样本数取 值；L表示省略号；j为字典数取值；
根据K-奇异值分解K-SVD算法，采用分步优化策略求解字典与稀疏 表达系数，包括：
固定表达字典D0kV，采用正交匹配追踪非负OMP算法求解S0kV，
Figure BDA0001789828170000113
其中，si,j,0kV为0kV条件下稀疏系数矩阵系数；n0KV为0kV样本总 数；m0kV为0kV字典总数目；
固定稀疏系数S0kV，采用SVD分解方法，完成对字典更新；
Figure BDA0001789828170000114
根据式(2)与式(3)，通过对表达字典与稀疏系数反复优化求解，可 获得对应表示字典
Figure BDA0001789828170000121
优选地，在步骤103：采用正交匹配追踪非负OMP算法，根据字典 集上的非负稀疏表达系数，建立多个电压等级下的电晕电流原始数据的更 新数据矩阵。优选地，采用正交匹配追踪非负OMP算法，根据字典集上 的非负稀疏表达系数，建立多个电压等级下的电晕电流原始数据的更新数 据矩阵，包括：
针对多个电压等级下的电晕电流原始数据的新数据矩阵
Figure BDA0001789828170000122
应用非负OMP算法，获得其在字典D0kV上非负稀疏 表达系数，多个电压等级下的电晕电流原始数据更新为：
Figure RE-GDA0001960038130000121
求解上式，根据所获得稀疏表达系数
Figure BDA0001789828170000124
si,j,o,0kV为包括0kV、 700kV、1000kV多等级条件下稀疏系数矩阵系数；nO为各电压等级下样 本总数；
Figure BDA0001789828170000125
为no个矢量的集合.更新数据矩阵为
Figure BDA0001789828170000126
Figure BDA0001789828170000127
优选地，在步骤104：针对新数据矩阵，基于K-奇异值分解K-SVD 与正交匹配追踪非负OMP算法，获取多个电压等级下的电晕电流原始数 据对应的总字典集。
优选地，在步骤105：针对总字典集，采用正交匹配追踪非负OMP 算法对原始的电晕电流原始数据进行分解重构，去除背景噪声，获取电晕 电流信号。
优选地，针对新数据矩阵，基于K-奇异值分解K-SVD与非负OMP 算法，获取多个电压等级下的电晕电流原始数据对应的总字典集，包括：
针对更新后数据矩阵
Figure BDA0001789828170000131
采用K-SVD与正交匹配追踪 非负OMP算法，设定稀疏度为T0，获取对应表示字典与稀疏系数，上述 优化目标对应表达式为：
Figure BDA0001789828170000132
通过求解上式可获得各电压等级数据所对应的表示字典，构成字典矩 阵
Figure BDA0001789828170000133
与
Figure BDA0001789828170000134
相联立，形成总表示字典矩阵 D*＝[D0kV D700kV…D1000kV]；
针对各电压等级下所获得数据矩阵
Figure BDA0001789828170000135
采用正交匹 配追踪非负OMP算法，获得其在表示字典矩阵D*上稀疏表示系数，上 述优化目标对应表达式为：
Figure BDA0001789828170000136
通过求解上式，获得稀疏系数
Figure BDA0001789828170000137
舍去0kV字典集及对应系数，将D*、
Figure BDA0001789828170000138
改写为
Figure BDA0001789828170000139
通过
Figure BDA00017898281700001310
提取到电晕电流信号，si,j,o为各输电等级 下稀疏系数矩阵系数；
Figure BDA00017898281700001311
为no个矢量的集合，mo为对应电压等 级字典总数目。
本发明实施方式基于稀疏表示模型提出了一种电晕电流信号提取方法， 针对所采集到原始信号，所获得表示字典与稀疏系数能挖掘各电压等级数 据内在结构特征，提取各电压等级所具有的共性分量，去除原始信号中背 景噪声成分，通过重构获取特高压直流输电线电晕电流信号。本申请为进 一步分析其特性，反映其与可听噪声、空间电荷等效应间关联关系提供了 便利。
图6为根据本发明优选实施方式的一种用于特高压直流输电线电晕电 流信号提取的系统结构图。如图6所示，一种用于特高压直流输电线电晕 电流信号提取的系统，系统包括：
第一获取单元601，用于获取按照给定长度进行截断的多个电压等级 下的电晕电流原始数据，生成数据矩阵。优选地，第一获取单元用于获取 按照给定长度进行截断的多个电压等级下的电晕电流原始数据，还用于： 按照工频周期的整数倍截断的多个电压等级下的电晕电流原始数据。优选 地，多个电压等级包括：0kV,700kV,1000kV。
第一建立单元602，用于根据截取的0KV下的电晕电流原始数据的数 据矩阵，基于K-奇异值分解K-SVD与正交匹配追踪非负OMP算法，建 立与截取的0kv下的电晕电流原始数据对应的字典集。优选地，第一建立 单元用于根据截取的0kV下的电晕电流原始数据的数据矩阵，基于K-奇 异值分解K-SVD与正交匹配追踪非负OMP算法，建立与截取的0kv下的 电晕电流原始数据对应的字典集，还用于：
针对数据矩阵Y0kV，采用K-SVD与正交匹配追踪非负OMP算法， 设定稀疏度为T0，挖掘数据矩阵的内在结构，并且保证所获的稀疏表示系 数非负，使其具有物理学意义；其中，优化目标可写作：
Figure BDA0001789828170000141
其中，F表示F-范数；S0kV为稀疏系数矩阵；
Figure BDA0001789828170000142
为n0kV个矢量的集合，n0kV为0kV样本总数，m0kV为0kV字典总数目；i为样本数取 值；L表示省略号；j为字典数取值；
根据K-奇异值分解K-SVD算法，采用分步优化策略求解字典与稀疏 表达系数，包括：
固定表达字典D0kV，采用正交匹配追踪非负OMP算法求解S0kV，
Figure BDA0001789828170000151
其中，si,j,0kV为0kV条件下稀疏系数矩阵系数；n0KV为0kV样本总 数；m0kV为0kV字典总数目；
固定稀疏系数S0kV，采用SVD分解方法，完成对字典更新；
Figure BDA0001789828170000152
根据式(2)与式(3)，通过对表达字典与稀疏系数反复优化求解，获 得对应表示字典
Figure BDA0001789828170000153
第二建立单元603，用于采用正交匹配追踪非负OMP算法，根据字 典集上的非负稀疏表达系数，建立多个电压等级下的电晕电流原始数据的 更新数据矩阵。优选地，第二建立单元603用于采用正交匹配追踪非负 OMP算法，根据字典集上的非负稀疏表达系数，建立多个电压等级下的 电晕电流原始数据的更新数据矩阵，还用于：
针对多个电压等级下的电晕电流原始数据的新数据矩阵
Figure BDA0001789828170000154
应用正交匹配追踪非负OMP算法，获得其在字典D0kV上非负稀疏表达系数，多个电压等级下的电晕电流原始数据更新为：
Figure BDA0001789828170000161
求解上式，根据所获得稀疏表达系数
Figure BDA0001789828170000162
si,j,o,0kV为包括0kV、 700kV、1000kV多等级条件下稀疏系数矩阵系数；no为各电压等级下样 本总数；
Figure BDA0001789828170000163
为no个矢量的集合.更新数据矩阵为
Figure BDA0001789828170000164
Figure BDA0001789828170000165
第二获取单元604，用于针对新数据矩阵，基于K-奇异值分解K-SVD 与正交匹配追踪非负OMP算法，获取多个电压等级下的电晕电流原始数 据对应的总字典集。
第三获取单元605，用于针对总字典集，采用正交匹配追踪非负OMP 算法对原始的电晕电流原始数据进行分解重构，去除背景噪声，获取电晕 电流信号。
优选地，第二获取单元604用于针对新数据矩阵，基于K-奇异值分解 K-SVD与正交匹配追踪非负OMP算法，获取多个电压等级下的电晕电 流原始数据对应的总字典集，还用于：
针对更新后数据矩阵
Figure BDA0001789828170000166
采用K-SVD与正交匹配追踪 非负OMP算法，设定稀疏度为T0，获取对应表示字典与稀疏系数，上述 优化目标对应表达式为：
Figure BDA0001789828170000167
通过求解上式可获得各电压等级数据所对应的表示字典，构成字典矩 阵
Figure BDA0001789828170000168
与
Figure BDA0001789828170000169
相联立，形成总表示字典矩阵 D*＝[D0kV D700kV…D1000kV]；
针对各电压等级下所获得数据矩阵
Figure BDA0001789828170000171
采用正交匹 配追踪非负OMP算法，获得其在表示字典矩阵D*上稀疏表示系数，上 述优化目标对应表达式为：
Figure BDA0001789828170000172
通过求解上式，获得稀疏系数
Figure BDA0001789828170000173
舍去0kV字典集及对应系数，将D*、
Figure BDA0001789828170000174
改写为
Figure BDA0001789828170000175
通过
Figure BDA0001789828170000176
提取到电晕电流信号，si,j,o为各输电等级 下稀疏系数矩阵系数；
Figure BDA0001789828170000177
为no个矢量的集合，mo为对应电压等 级字典总数目。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所 公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他 的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常 含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装 置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除 非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的 顺序运行，除非明确地说明。

Claims (12)

1.一种用于特高压直流输电线电晕电流信号提取的方法，所述方法包括：
获取按照给定长度进行截断的多个电压等级下的电晕电流原始数据，生成数据矩阵；
根据所述截断的0kV下的电晕电流原始数据的数据矩阵，基于K-奇异值分解K-SVD与正交匹配追踪非负OMP算法，建立与所述截断的0kV下的电晕电流原始数据对应的字典集；
采用正交匹配追踪非负OMP算法，根据所述字典集上的非负稀疏表达系数，建立多个电压等级下的电晕电流原始数据的更新数据矩阵；
针对所述更新数据矩阵，基于K-奇异值分解K-SVD与正交匹配追踪非负OMP算法，获取所述多个电压等级下的电晕电流原始数据对应的总字典集；
针对所述总字典集，采用正交匹配追踪非负OMP算法对原始的电晕电流原始数据进行分解重构，去除背景噪声，获取电晕电流信号。
2.根据权利要求1所述的方法，所述获取按照给定长度进行截断的多个电压等级下的电晕电流原始数据，包括：
按照工频周期的整数倍截断的多个电压等级下的电晕电流原始数据。
3.根据权利要求1所述的方法，所述多个电压等级包括：0kV,700kV,1000kV。
4.根据权利要求1所述的方法，所述根据所述截断的0kV下的电晕电流原始数据的数据矩阵，基于K-奇异值分解K-SVD与正交匹配追踪非负OMP算法，建立与所述截断的0kV下的电晕电流原始数据对应的字典集，包括：
针对所述数据矩阵Y0kV，采用K-SVD与正交匹配追踪非负OMP算法，设定稀疏度为T0，挖掘所述数据矩阵的内在结构，并且保证所获的稀疏表示系数非负，使其具有物理学意义；其中，优化目标可写作：
Figure FDA0003463823280000021
其中，F表示F-范数；S0kV为稀疏系数矩阵；
Figure FDA0003463823280000022
为n0kV个矢量的集合，n0kV为0kV样本总数，m0kV为0kV字典总数目；i为样本数取值；j为字典数取值；
根据K-奇异值分解K-SVD算法，采用分步优化策略求解字典与稀疏表达系数，包括：
固定表达字典D0kV，采用正交匹配追踪非负OMP算法求解S0kV，
Figure FDA0003463823280000023
其中，Si,j,0kV为0kV条件下稀疏系数矩阵系数；n0KV为0kV样本总数；m0KV为0kV字典总数目；
固定稀疏系数S0kV，采用SVD分解方法，完成对字典更新；
Figure FDA0003463823280000024
根据式(2)与式(3)，通过对表达字典与稀疏系数反复优化求解，获得对应表示字典
Figure FDA0003463823280000025
5.根据权利要求4所述的方法，所述采用正交匹配追踪非负OMP算法，根据所述字典集上的非负稀疏表达系数，建立多个电压等级下的电晕电流原始数据的更新数据矩阵，包括：
针对多个电压等级下的电晕电流原始数据的新数据矩阵
{Yo}o＝700kV,…，1000kV应用正交匹配追踪非负OMP算法，获得其在字典D0kV上非负稀疏表达系数，所述多个电压等级下的电晕电流原始数据更新为：
Figure FDA0003463823280000031
求解上式，根据所获得稀疏表达系数
Figure FDA0003463823280000032
Si,j,o,0kV为包括0kV、700kV、1000kV多等级条件下稀疏系数矩阵系数；no为各电压等级下样本总数；
Figure FDA0003463823280000033
为no个矢量的集合.更新数据矩阵为
Figure FDA0003463823280000034
6.根据权利要求5所述的方法，所述针对所述新数据矩阵，基于K-SVD与正交匹配追踪非负OMP算法，获取所述多个电压等级下的电晕电流原始数据对应的总字典集，包括：
针对更新后数据矩阵
Figure FDA0003463823280000035
采用K-SVD与正交匹配追踪非负OMP算法，设定稀疏度为T0，获取对应表示字典与稀疏系数，上述优化目标对应表达式为:
Figure FDA0003463823280000036
通过求解上式可获得各电压等级数据所对应的表示字典，构成字典矩阵
Figure FDA0003463823280000037
与
Figure FDA0003463823280000038
相联立，形成总表示字典矩阵D*＝[D0kV D700kV …D1000kV]；
针对各电压等级下所获得数据矩阵{Yo}o＝700kV，…，1000kV，采用非负OMP算法，获得其在表示字典矩阵D*上稀疏表示系数，上述优化目标对应表达式为：
Figure FDA0003463823280000041
通过求解上式，获得稀疏系数
Figure FDA0003463823280000042
舍去0kV字典集及对应系数，将D*、
Figure FDA0003463823280000043
改写为
Figure FDA0003463823280000044
通过
Figure FDA0003463823280000045
提取到电晕电流信号，Si,j,o为各输电等级下稀疏系数矩阵系数；
Figure FDA0003463823280000046
为no个矢量的集合，m0为对应电压等级字典总数目。
7.一种用于特高压直流输电线电晕电流信号提取的系统，所述系统包括：
第一获取单元，用于获取按照给定长度进行截断的多个电压等级下的电晕电流原始数据，生成数据矩阵；
第一建立单元，用于根据所述截断的0kV下的电晕电流原始数据的数据矩阵，基于K-奇异值分解K-SVD与正交匹配追踪非负OMP算法，建立与所述截断的0kV下的电晕电流原始数据对应的字典集；
第二建立单元，用于采用正交匹配追踪非负OMP算法，根据所述字典集上的非负稀疏表达系数，建立多个电压等级下的电晕电流原始数据的更新数据矩阵；
第二获取单元，用于针对所述更新数据矩阵，基于K-奇异值分解K-SVD与正交匹配追踪非负OMP算法，获取所述多个电压等级下的电晕电流原始数据对应的总字典集；
第三获取单元，用于针对所述总字典集，采用正交匹配追踪非负OMP算法对原始的电晕电流原始数据进行分解重构，去除背景噪声，获取电晕电流信号。
8.根据权利要求7所述的系统，所述第一获取单元用于获取按照给定长度进行截断的多个电压等级下的电晕电流原始数据，还用于：
按照工频周期的整数倍截断的多个电压等级下的电晕电流原始数据。
9.根据权利要求7所述的系统，所述多个电压等级包括：0kV,700kV,1000kV。
10.根据权利要求7所述的系统，所述第一建立单元用于根据所述截断的0KV下的电晕电流原始数据的数据矩阵，基于K-奇异值分解K-SVD与正交匹配追踪非负OMP算法，建立与所述截断的0kV下的电晕电流原始数据对应的字典集，还用于：
针对所述数据矩阵Y0kV，采用K-奇异值分解K-SVD与正交匹配追踪非负OMP算法，设定稀疏度为T0，挖掘所述数据矩阵的内在结构，并且保证所获的稀疏表示系数非负，使其具有物理学意义；其中，优化目标可写作：
Figure FDA0003463823280000051
其中，F表示F-范数；S0kV为稀疏系数矩阵；
Figure FDA0003463823280000052
为n0kV个矢量的集合，n0kV为0kV样本总数，m0kV为0kV字典总数目；i为样本数取值；j为字典数取值；
根据K-奇异值分解K-SVD算法，采用分步优化策略求解字典与稀疏表达系数，包括：
固定表达字典D0kV，采用正交匹配追踪非负OMP算法求解S0kV，
Figure FDA0003463823280000061
其中，Si,j,0kV为0kV条件下稀疏系数矩阵系数；n0kV为0kV样本总数；m0KV为0kV字典总数目；
固定稀疏系数S0kV，采用SVD分解方法，完成对字典更新；
Figure FDA0003463823280000062
根据式(2)与式(3)，通过对表达字典与稀疏系数反复优化求解，获得对应表示字典
Figure FDA0003463823280000063
11.根据权利要求10所述的系统，所述第二建立单元用于采用正交匹配追踪非负OMP算法，根据所述字典集上的非负稀疏表达系数，建立多个电压等级下的电晕电流原始数据的更新数据矩阵，还用于：
针对多个电压等级下的电晕电流原始数据的新数据矩阵{Yo}o＝700kV，…，1000kV应用正交匹配追踪非负OMP算法，获得其在字典D0kV上非负稀疏表达系数，所述多个电压等级下的电晕电流原始数据更新为：
Figure FDA0003463823280000064
求解上式，根据所获得稀疏表达系数
Figure FDA0003463823280000065
Si,o,okV为包括0kV、700kV、1000kV多等级条件下稀疏系数矩阵系数；no为各电压等级下样本总数；
Figure FDA0003463823280000071
为no个矢量的集合；更新数据矩阵为
Figure FDA0003463823280000072
12.根据权利要求11所述的系统，所述第二获取单元用于针对所述新数据矩阵，基于K-奇异值分解K-SVD与正交匹配追踪非负OMP算法，获取所述多个电压等级下的电晕电流原始数据对应的总字典集，还用于：
针对更新后数据矩阵
Figure FDA0003463823280000073
采用K-奇异值分解K-SVD与正交匹配追踪非负OMP算法，设定稀疏度为T0，获取对应表示字典与稀疏系数，上述优化目标对应表达式为：
Figure FDA0003463823280000074
通过求解上式可获得各电压等级数据所对应的表示字典，构成字典矩阵
Figure FDA0003463823280000075
与
Figure FDA0003463823280000076
相联立，形成总表示字典矩阵D*＝[D0kV D700kV… D1000kV]；
针对各电压等级下所获得数据矩阵{Yo}o＝700kV,...,1000kV，采用正交匹配追踪非负OMP算法，获得其在表示字典矩阵D*上稀疏表示系数，上述优化目标对应表达式为：
Figure FDA0003463823280000077
通过求解上式，获得稀疏系数
Figure FDA0003463823280000078
舍去0kV字典集及对应系数，将D*、
Figure FDA0003463823280000079
改写为
Figure FDA00034638232800000710
通过
Figure FDA00034638232800000711
提取到电晕电流信号，Si,j,o为各输电等级下稀疏系数矩阵系数；
Figure FDA0003463823280000081
为no个矢量的集合，m0为对应电压等级字典总数目。
CN201811031404.1A 2018-09-05 2018-09-05 一种用于特高压直流输电线电晕电流信号提取的方法及系统 Active CN109470905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811031404.1A CN109470905B (zh) 2018-09-05 2018-09-05 一种用于特高压直流输电线电晕电流信号提取的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811031404.1A CN109470905B (zh) 2018-09-05 2018-09-05 一种用于特高压直流输电线电晕电流信号提取的方法及系统

Publications (2)

Publication Number Publication Date
CN109470905A CN109470905A (zh) 2019-03-15
CN109470905B true CN109470905B (zh) 2022-03-04

Family

ID=65661569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811031404.1A Active CN109470905B (zh) 2018-09-05 2018-09-05 一种用于特高压直流输电线电晕电流信号提取的方法及系统

Country Status (1)

Country Link
CN (1) CN109470905B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117192166A (zh) * 2022-12-20 2023-12-08 国网河南省电力公司电力科学研究院 传声器支承设备、可听噪声测量装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102901855A (zh) * 2012-08-16 2013-01-30 中国电力科学研究院 一种特高压直流电晕电流信号去噪方法
CN103218791A (zh) * 2013-05-05 2013-07-24 西安电子科技大学 基于稀疏自适应字典的图像去噪方法
CN104239892A (zh) * 2014-08-25 2014-12-24 西安电子科技大学 基于ksvd训练字典的sar图像混合模型拟合方法
CN104268841A (zh) * 2014-10-09 2015-01-07 哈尔滨工程大学 一种基于压缩感知算法的红外图像预处理方法
CN105160077A (zh) * 2015-08-07 2015-12-16 中国电力科学研究院 一种高压直流线路电晕电流变化趋势提取方法
CN105954565A (zh) * 2016-05-26 2016-09-21 中国电力科学研究院 一种高压直流线路电晕电流信号的提取方法
CN106096656A (zh) * 2016-06-07 2016-11-09 中国科学院合肥物质科学研究院 一种基于稀疏表示及bp神经网络技术的土壤近红外光谱分析方法
CN106324458A (zh) * 2016-08-30 2017-01-11 中国电力科学研究院 一种由电晕电流数据获得可听噪声的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8165215B2 (en) * 2005-04-04 2012-04-24 Technion Research And Development Foundation Ltd. System and method for designing of dictionaries for sparse representation
US8632465B1 (en) * 2009-11-03 2014-01-21 Vivaquant Llc Physiological signal denoising

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102901855A (zh) * 2012-08-16 2013-01-30 中国电力科学研究院 一种特高压直流电晕电流信号去噪方法
CN103218791A (zh) * 2013-05-05 2013-07-24 西安电子科技大学 基于稀疏自适应字典的图像去噪方法
CN104239892A (zh) * 2014-08-25 2014-12-24 西安电子科技大学 基于ksvd训练字典的sar图像混合模型拟合方法
CN104268841A (zh) * 2014-10-09 2015-01-07 哈尔滨工程大学 一种基于压缩感知算法的红外图像预处理方法
CN105160077A (zh) * 2015-08-07 2015-12-16 中国电力科学研究院 一种高压直流线路电晕电流变化趋势提取方法
CN105954565A (zh) * 2016-05-26 2016-09-21 中国电力科学研究院 一种高压直流线路电晕电流信号的提取方法
CN106096656A (zh) * 2016-06-07 2016-11-09 中国科学院合肥物质科学研究院 一种基于稀疏表示及bp神经网络技术的土壤近红外光谱分析方法
CN106324458A (zh) * 2016-08-30 2017-01-11 中国电力科学研究院 一种由电晕电流数据获得可听噪声的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Research on frequency hopping signal sparsity and its rconstruction performance via theoretical analysis and dictionary learning;Kai Wang et al.;《2017 IEEE 2nd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC)》;20170326;第2374-2378页 *
冲击声的稀疏特征提取及声源类型识别;梁雍 等;《声学学报》;20180731;第43卷(第4期);第708-718页 *

Also Published As

Publication number Publication date
CN109470905A (zh) 2019-03-15

Similar Documents

Publication Publication Date Title
Kardakos et al. Application of time series and artificial neural network models in short-term forecasting of PV power generation
CN103984681B (zh) 基于时序分布信息和主题模型的新闻事件演化分析方法
CN109711609B (zh) 基于小波变换和极限学习机的光伏电站输出功率预测方法
CN109470905B (zh) 一种用于特高压直流输电线电晕电流信号提取的方法及系统
CN104716903A (zh) 适用于光伏阵列输出特性曲线的自动分段多项式拟合方法
Yılmaz et al. Automated classification of power quality disturbances in a SOFC&PV-based distributed generator using a hybrid machine learning method with high noise immunity
CN104897180A (zh) 用于桥梁监测信号的预处理方法
Vecchio et al. Amplitude-frequency fluctuations of the seasonal cycle, temperature anomalies, and long-range persistence of climate records
CN102930865B (zh) 一种波形音乐粗情感软切割分类方法
CN107506873B (zh) 基于调节性能的水风光电站群协同优化调度方法及系统
Kandemir et al. Assessment of Electric Energy Generation using Wind Energy in Turkey
CN108982958B (zh) 一种基于小波变换的单通道变频用电信号盲源分离方法
CN114862177B (zh) 一种能源互联能源存储分配方法及系统
CN105277852A (zh) 配电网线路工况分类识别方法
CN113569464A (zh) 一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法及装置
Jinshu et al. Gradient boosting decision tree and random forest based partial discharge pattern recognition of hv cable
Xiangjuan et al. The application of data mining technology in analysis of college student's performance
Xi et al. Photovoltaic power station electromagnetic environment complexity evaluation utilizing logarithmic morphological gradient spectrum
Abedini et al. Flood Risk Zoning in the Karganroud’s Catchment Basin Using ArcGIS
Le et al. Effects of ENSO on the intraseasonal oscillations of sea surface temperature and wind speed along Vietnam’s coastal areas
Harkat Nexus between Energy Consumption, Economic Development, and CO2 Emissions: Empirical Evidence from Morocco
CN114881120B (zh) 基于深度自编码器和聚类的台区户变关系识别方法和系统
Yerel Kandemir et al. Assessment of Electric Energy Generation and Installed Power Capacity in Turkey
Yang et al. Lithology Identification based on ResNeSt in High-resolution Rock Images
Li et al. Resonance analysis using wavelet packet transform in clustered grid-connected PV system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant