CN111680028A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111680028A CN111680028A CN202010518049.1A CN202010518049A CN111680028A CN 111680028 A CN111680028 A CN 111680028A CN 202010518049 A CN202010518049 A CN 202010518049A CN 111680028 A CN111680028 A CN 111680028A
- Authority
- CN
- China
- Prior art keywords
- matrix
- data
- submatrix
- measurement data
- new
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
一种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:根据配电网同步相量量测装置的应用场景,输入压缩参数;持续获取T时间段内M个同步相量量测装置的同类型电气量量测数据,构建量测数据矩阵;对量测数据矩阵标准化处理,得到标准量测数据矩阵;计算标准量测数据矩阵的需要保留的奇异值数量;进行数据压缩阶段;进行数据重构阶段;进行误差需求判断;如果需要保留的奇异值数量大于1,进行更新;发送新的分块子矩阵。本发明计算方法简单,不断优化需要保留的奇异值数量,采用递归方式快速求解恢复被压缩的元素,实现无损压缩,能够获得较高的重构数据准确度。
Description
技术领域
本发明涉及一种配电网同步相量量测数据压缩方法。特别是涉及一种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。
背景技术
同步相量量测装置利用全球定位系统提供的同步时间基准可实现对电力系统中电压相量、电流相量、功率和系统频率等电气量的高精度同步测量,同步相量量测数据的快速更新可大大改善电力系统状态估计的计算速度和估计准确度,从而提高电力系统的可观性。
由于配电系统节点数众多、网络复杂度高,加之传统量测装置(如SCADA)由于配置数量有限、数据更新慢、缺乏时间同步性等原因,难以保证状态估计的精度和网络的可观性。同步相量量测装置可以提供的高精度同步快速测量数据,因此,在配电网中配置同步相量量测装置可以加快配电网在线应用的计算速度。一方面,由于配电线路未采用循环换位、大量不平衡的单相负荷、分布式电源的不对称集成等导致了配电网是三相不平衡的网络,配电网中同步相量量测装置需要分别采集三相的电气量,然而,同步相量量测装置的高采样频率(通常是30Hz-100Hz)将产生海量的数据,大量的数据加剧了通信网络的数据传输负担和主站的数据存储负担。另一方面,由于配电网直接面向用户,常常面临多种不同的运行场景(如分布式电源的接入、电压/无功控制、网络阻塞管理、故障后供电恢复等等),而不同的运行场景对数据的要求也不尽相同(数据精度、响应速度、实时性等)。因此,对同步相量量测装置的量测数据进行有效的压缩处理,能保证在满足配电网不同应用场景需求的同时大大减轻通信网络的负担。
然而,当前对配电系统中同步相量量测数据压缩方法的研究不多,已有的压缩方法主要有基于小波变换的压缩方法,基于旋转门的压缩方法,以及基于Haffman编码的无损压缩方法。奇异值分解技术(Singular Value Decomposition,SVD)在图像处理与压缩、降声减噪、统计学等领域应用广泛,然而,传统的奇异值分解技术由于没有考虑子矩阵的正交性,未考虑对子矩阵进一步压缩,导致压缩比相对偏低。为了在保证量测数据准确度的条件下获得最大的压缩比,从而大大减轻通信网络的数据传输负担或主站的数据存储负担,使用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对电力系统海量的数据进行压缩具有重要的工程意义。
发明内容
本发明所要解决的技术问题是,提供一种可同时压缩数据集中器中多个同步相量量测装置的同类型电气量量测数据的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。
本发明所采用的技术方案是:一种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,包括如下步骤:
1)根据配电网同步相量量测装置的应用场景,输入如下压缩参数:M个同步相量量测装置的同类型电气量量测数据的期望的误差界εExp,同步相量量测装置的采样时间间隔Δt,量测总持续时间T;
2)持续获取T时间段内M个同步相量量测装置的同类型电气量量测数据,构建量测数据矩阵X=[x(1),x(2),…,x(N)],其中,量测数据列向量x(l)=[x1,j,x2,j,…,xM,j]T,l=1,2,…,N,量测数据矩阵列索引的最大值N=T/Δt;
4)数据压缩阶段,从对角矩阵∑中取标准量测数据矩阵的s个需要保留的数值最大的奇异值,按降序排列构建新的矩阵并取新的矩阵∑″的分块子矩阵得到新的分块对角矩阵分别对第一正交矩阵U和第二正交矩阵VH分块处理,得到分块子矩阵和以及 和压缩分块子矩阵U11的上三角元素得到新的分块子矩阵并存储,压缩分块子矩阵的下三角元素得到新的分块子矩阵并存储;
5)数据重构阶段,根据第一正交矩阵U的列向量的两两正交性和第二正交矩阵VH的行向量的两两正交性,分别对第一拼接矩阵和第二拼接矩阵建立线性方程组,采用递归方式求解线性方程组,将解存放到新的分块子矩阵的上三角和新的分块子矩阵的下三角,无损地恢复新的分块子矩阵和新的分块子矩阵中的被压缩元素;将第一拼接矩阵新的分块对角矩阵和第二拼接矩阵相乘,得到标准重构数据矩阵对标准重构数据矩阵去标准化处理,得到重构数据矩阵当重构数据为相位数据时,由于相位数据的取值范围为[-π,π),对重构数据矩阵X′添加相位约束;计算压缩比和重构误差;
6)进行误差需求判断,当重构误差满足期望的误差界εExp时,转到步骤7);否则,更新需要保留的奇异值数量s=s+1,取新的矩阵∑″的分块子矩阵得到新的分块对角矩阵分别对第一正交矩阵U和第二正交矩阵VH分块处理,得到分块子矩阵和以及和压缩分块子矩阵U11的上三角元素得到新的分块子矩阵压缩分块子矩阵的下三角元素得到新的分块子矩阵转到步骤8);
7)如果需要保留的奇异值数量s>1,更新s=s-1,转到步骤4);否则,转到步骤8);
本发明的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,具有如下优势:
1)计算方法简单,可同时压缩数据集中器中多个同步相量量测装置的同类型电气量量测数据,在发送压缩数据之前,可以先在数据集中器快速实现数据的重构,以便验证算法是否满足应用场景对重构误差的最低要求;
2)不断优化需要保留的奇异值数量,在满足误差需求的前提下最大限度地压缩量测数据,故本发明具备平衡压缩性能与重构误差的潜能;
3)充分利用奇异值分解后矩阵的正交性对子矩阵的元素进一步压缩,通过建立线性方程组,采用递归方式快速求解恢复被压缩的元素,实现无损压缩;就压缩比而言,本发明改进奇异值分解数据压缩方法优于传统的奇异值分解数据压缩方法;
4)考虑到同步相量量测装置的相位数据的取值范围为[-π,π),对相位重构数据添加约束,从而获得较高的重构数据准确度。
附图说明
图1是本发明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的流程图;
图2是改进奇异值分解压缩方法的示意图;
图3a是PMU#1的A相电压相位的原始图;
图3b是PMU#1的A相电压相位的局部放大图;
图4a是PMU#1的A相电流相位的原始图;
图4b是PMU#1的A相电流相位的局部放大图。
具体实施方式
下面结合实施例和附图对本发明的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做出详细说明。
如图1所示,本发明的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,包括如下步骤:
1)根据配电网同步相量量测装置的应用场景,输入如下压缩参数:M个同步相量量测装置的同类型电气量量测数据的期望的误差界εExp,同步相量量测装置的采样时间间隔Δt,量测总持续时间T;
2)持续获取T时间段内M个同步相量量测装置的同类型电气量量测数据,构建量测数据矩阵X=[x(1),x(2),…,x(N)],其中,量测数据列向量x(l)=[x1,j,x2,j,…,xM,j]T,l=1,2,…,N,量测数据矩阵列索引的最大值N=T/Δt;
s=min{M,N} (1)
式中,M表示同步相量量测装置的数量,N表示量测数据矩阵列索引的最大值。
4)数据压缩阶段,从对角矩阵∑中取标准量测数据矩阵的s个需要保留的数值最大的奇异值,按降序排列构建新的矩阵并取新的矩阵∑″的分块子矩阵得到新的分块对角矩阵分别对第一正交矩阵U和第二正交矩阵VH分块处理,得到分块子矩阵和以及 和压缩分块子矩阵U11的上三角元素得到新的分块子矩阵并存储,压缩分块子矩阵的下三角元素得到新的分块子矩阵并存储;
其中所述的压缩分块子矩阵U11,是舍弃分块子矩阵U11对角线以上的所有上三角元素,仅保留对角线及以下的所有下三角元素,得到压缩后的新的分块子矩阵并存储;所述的压缩分块子矩阵是舍弃分块子矩阵对角线以下的所有下三角元素,仅保留对角线及以上的所有上三角元素,得到压缩后的新分块子矩阵并存储。
5)数据重构阶段,根据第一正交矩阵U的列向量的两两正交性和第二正交矩阵VH的行向量的两两正交性,分别对第一拼接矩阵和第二拼接矩阵建立线性方程组,采用递归方式求解线性方程组,将解存放到新的分块子矩阵的上三角和新的分块子矩阵的下三角,无损地恢复新的分块子矩阵和新的分块子矩阵中的被压缩元素;将第一拼接矩阵新的分块对角矩阵和第二拼接矩阵相乘,得到标准重构数据矩阵如图2所示;对标准重构数据矩阵去标准化处理,得到重构数据矩阵当重构数据为相位数据时,由于相位数据的取值范围为[-π,π),对重构数据矩阵X′添加相位约束;计算压缩比和重构误差;其中:
将公式(2)展开得到:
对于公式(3)所示的线性方程组,首先求解第一个方程得到α1,2,然后将解α1,2代入第二个方程组中求解得到α1,3和α2,3,接着将解α1,3和α2,3代入第三个方程组中求解得到α1,4、α2,4和α3,4,以此类推,递归求解所有的线性方程组,并将解存放到新的分块子矩阵上三角中与解下标一致的位置,无损地恢复了新的分块子矩阵的所有被压缩元素;
将公式(4)展开得到:
对于公式(5)所示的线性方程组,首先求解第一个方程得到β2,1,然后将解β2,1代入第二个方程组中求解得到β3,1和β3,2,接着将解β3,1和β3,2代入第三个方程组中求解得到β4,1、β4,2和β4,3,以此类推,递归求解所有的线性方程组,并将解存放到新的分块子矩阵下三角中与解下标一致的位置,无损地恢复了新的分块子矩阵的所有被压缩元素;
(5)所述的对重构数据矩阵X′添加相位约束,当重构数据为相位数据时,由于相位的取值范围为[-π,π),对重构数据矩阵X′添加相位约束,表示为:
式中,x′i,j,i=1,2,…,M,j=1,2,…,N表示重构数据矩阵X′的第i行第j列元素;
(6)所述的计算压缩比和重构误差,其中,
压缩比λCR的计算公式为:
式中,NRD和NCD分别表示原始的量测数据量和需要发送的数据量,M表示同步相量量测装置的数量,N表示量测数据矩阵列索引的最大值,s表示需要保留的奇异值的数量;
重构误差εNMSE的计算公式为:
式中,εNMSE(m),m=1,2,…,M表示第m个同步相量量测装置的量测数据的重构误差,xm,n和x′m,n分别表示量测数据矩阵X和重构数据矩阵X′的第m行第n列元素。
6)进行误差需求判断,当重构误差满足期望的误差界εExp时,转到步骤7);否则,更新需要保留的奇异值数量s=s+1,取新的矩阵∑″的分块子矩阵得到新的分块对角矩阵分别对第一正交矩阵U和第二正交矩阵VH分块处理,得到分块子矩阵和以及和压缩分块子矩阵U11的上三角元素得到新的分块子矩阵压缩分块子矩阵的下三角元素得到新的分块子矩阵转到步骤8);
其中所述的进行误差需求判断的判断条件为:
εNMSE(m′)<εExp (10)
式中,εNMSE(m′),m′=1,2,…,M表示第m′个同步相量量测装置的量测数据的重构误差;如果对于所有的m′=1,2,…,M公式(10)均成立,则满足误差需求;否则,不满足误差需求。
7)如果需要保留的奇异值数量s>1,更新s=s-1,转到步骤4);否则,转到步骤8);
下面结合实例对本发明的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进行验证。
本发明实施例对中国南方电网某示范工程中数据集中器汇集的13个同步相量量测装置测量的电压相位数据和电流相位数据进行压缩处理。为了验证本发明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的有效性,对不同类型电气量量测数据设置两组不同的期望的重构误差界,如表1所示。
表1不同类型电气量量测数据的期望的重构误差界设置情况
现场同步相量量测装置的采样频率为50次/秒,即数据采样间隔为0.02秒,这里选取某天上午10:00开始连续5分钟的量测数据,即一共15000个量测数据点。将13个同步相量量测装置的数据分别构建电压相位量测数据矩阵和电流相位量测数据矩阵,由于同步相量量测装置可以同时测量A/B/C三相的电气量,故将A/B/C三相的电气量同时压缩,即两个量测数据矩阵的维数都是39×15000。为了加快奇异值分解的速度,进一步将量测数据矩阵按顺序叠加,得到维度为585×1000的矩阵。电压相位相位量测数据和电流相位量测数据的基准值均设置为π。
在MATLAB R2014a软件环境下编写程序且使用软件自带的SVD函数求解;执行压缩计算的计算机硬件环境为Intel(R)Core(TM)i5-4210 CPU,主频为2.60GHz,内存为8GB,软件环境为Windows7操作系统。
表2电压相位重构误差
表3电流相位重构误差
表2和表3分别为电压相位数据和电流相位数据在两组不同的期望的误差界下的重构误差,可以看出,各同步相量量测装置的A/B/C相数据的重构误差均低于设置的期望误差界,且重构误差都在同一个数量级内。
表4不同类型电气量量测数据的压缩比
表4比较了电压相位数据和电流相位数据在两组不同期望误差界下,使用传统SVD压缩方法和本发明改进SVD压缩方法的压缩比,从中可以看出,本发明改进SVD压缩方法的压缩比高于传统SVD压缩方法的压缩比,这主要是由于本发明对SVD分解得到的矩阵U11和进一步压缩处理,并基于矩阵的正交性,通过求解线性方程组恢复矩阵U11和的被压缩元素属于无损压缩,即在不增加信息损失的条件下减少了需要传输的数据量。值得注意的是,电压相位数据的重构误差小于电流相位数据的重构误差,且电压相位数据的压缩比远大于电流相位数据的压缩比,这种主要是因为本发明实施例使用的13个同步相量量测装置安装在同一电压等级的不同馈线上,所以各同步相量量测装置测量的电压相位数据基本一致,而电流相位数据由于各馈线的容量不同而各不相同。
图3和图4分别给出了A/B/C相电压相位数据和电流相位数据在两组不同的期望误差界下的重构数据曲线和原始数据曲线图。从中可以看出,两组不同的期望的误差下重构数据曲线与原始量测数据曲线高度吻合,从而说明本发明改进SVD压缩方法具有较高的重构数据准确度。
Claims (5)
1.一种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,其特征在于,包括如下步骤:
1)根据配电网同步相量量测装置的应用场景,输入如下压缩参数:M个同步相量量测装置的同类型电气量量测数据的期望的误差界εExp,同步相量量测装置的采样时间间隔Δt,量测总持续时间T;
2)持续获取T时间段内M个同步相量量测装置的同类型电气量量测数据,构建量测数据矩阵X=[x(1),x(2),…,x(N)],其中,量测数据列向量x(l)=[x1,j,x2,j,…,xM,j]T,l=1,2,…,N,量测数据矩阵列索引的最大值N=T/Δt;
4)数据压缩阶段,从对角矩阵∑中取标准量测数据矩阵的s个需要保留的数值最大的奇异值,按降序排列构建新的矩阵并取新的矩阵∑″的分块子矩阵得到新的分块对角矩阵分别对第一正交矩阵U和第二正交矩阵VH分块处理,得到分块子矩阵和以及 和压缩分块子矩阵U11的上三角元素得到新的分块子矩阵并存储,压缩分块子矩阵的下三角元素得到新的分块子矩阵并存储;
5)数据重构阶段,根据第一正交矩阵U的列向量的两两正交性和第二正交矩阵VH的行向量的两两正交性,分别对第一拼接矩阵和第二拼接矩阵建立线性方程组,采用递归方式求解线性方程组,将解存放到新的分块子矩阵的上三角和新的分块子矩阵的下三角,无损地恢复新的分块子矩阵和新的分块子矩阵中的被压缩元素;将第一拼接矩阵新的分块对角矩阵和第二拼接矩阵相乘,得到标准重构数据矩阵对标准重构数据矩阵去标准化处理,得到重构数据矩阵当重构数据为相位数据时,由于相位数据的取值范围为[-π,π),对重构数据矩阵X′添加相位约束;计算压缩比和重构误差;
6)进行误差需求判断,当重构误差满足期望的误差界εExp时,转到步骤7);否则,更新需要保留的奇异值数量s=s+1,取新的矩阵∑″的分块子矩阵得到新的分块对角矩阵分别对第一正交矩阵U和第二正交矩阵VH分块处理,得到分块子矩阵和以及和压缩分块子矩阵U11的上三角元素得到新的分块子矩阵压缩分块子矩阵的下三角元素得到新的分块子矩阵转到步骤8);
7)如果需要保留的奇异值数量s>1,更新s=s-1,转到步骤4);否则,转到步骤8);
4.根据权利要求1所述的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,其特征在于,步骤5)中
将公式(2)展开得到:
对于公式(3)所示的线性方程组,首先求解第一个方程得到α1,2,然后将解α1,2代入第二个方程组中求解得到α1,3和α2,3,接着将解α1,3和α2,3代入第三个方程组中求解得到α1,4、α2,4和α3,4,以此类推,递归求解所有的线性方程组,并将解存放到新的分块子矩阵上三角中与解下标一致的位置,无损地恢复了新的分块子矩阵的所有被压缩元素;
将公式(4)展开得到:
对于公式(5)所示的线性方程组,首先求解第一个方程得到β2,1,然后将解β2,1代入第二个方程组中求解得到β3,1和β3,2,接着将解β3,1和β3,2代入第三个方程组中求解得到β4,1、β4,2和β4,3,以此类推,递归求解所有的线性方程组,并将解存放到新的分块子矩阵下三角中与解下标一致的位置,无损地恢复了新的分块子矩阵的所有被压缩元素;
(5)所述的对重构数据矩阵X′添加相位约束,表示为:
式中,x′i,j,i=1,2,…,M,j=1,2,…,N表示重构数据矩阵X′的第i行第j列元素;
(6)所述的计算压缩比和重构误差,其中,
压缩比λCR的计算公式为:
式中,NRD和NCD分别表示原始的量测数据量和需要发送的数据量,M表示同步相量量测装置的数量,N表示量测数据矩阵列索引的最大值,s表示需要保留的奇异值的数量;
重构误差εNMSE的计算公式为:
式中,εNMSE(m),m=1,2,…,M表示第m个同步相量量测装置的量测数据的重构误差,xm,n和x′m,n分别表示量测数据矩阵X和重构数据矩阵X′的第m行第n列元素。
5.根据权利要求1所述的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,其特征在于,步骤6)中所述的进行误差需求判断的判断条件为:
εNMSE(m′)<εExp (10)
式中,εNMSE(m′),m′=1,2,…,M表示第m′个同步相量量测装置的量测数据的重构误差;如果对于所有的m′=1,2,…,M公式(10)均成立,则满足误差需求;否则,不满足误差需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010518049.1A CN111680028B (zh) | 2020-06-09 | 2020-06-09 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010518049.1A CN111680028B (zh) | 2020-06-09 | 2020-06-09 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680028A true CN111680028A (zh) | 2020-09-18 |
CN111680028B CN111680028B (zh) | 2021-08-17 |
Family
ID=72454986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010518049.1A Active CN111680028B (zh) | 2020-06-09 | 2020-06-09 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680028B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115309714A (zh) * | 2022-10-11 | 2022-11-08 | 江苏泰恩特环境技术有限公司 | 一种风冷模块机组的恒温控制系统的数据压缩方法 |
CN116170601A (zh) * | 2023-04-25 | 2023-05-26 | 之江实验室 | 基于四列列向量分块奇异值分解的图像压缩方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507253A (zh) * | 2017-08-15 | 2017-12-22 | 电子科技大学 | 基于高阶张量近似的多属性体数据压缩方法 |
CN107515843A (zh) * | 2017-09-04 | 2017-12-26 | 四川易诚智讯科技有限公司 | 基于张量近似的各向异性数据压缩方法 |
CN108832934A (zh) * | 2018-05-31 | 2018-11-16 | 安徽大学 | 一种基于奇异值分解的二维正交匹配追踪优化算法 |
-
2020
- 2020-06-09 CN CN202010518049.1A patent/CN111680028B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507253A (zh) * | 2017-08-15 | 2017-12-22 | 电子科技大学 | 基于高阶张量近似的多属性体数据压缩方法 |
CN107515843A (zh) * | 2017-09-04 | 2017-12-26 | 四川易诚智讯科技有限公司 | 基于张量近似的各向异性数据压缩方法 |
CN108832934A (zh) * | 2018-05-31 | 2018-11-16 | 安徽大学 | 一种基于奇异值分解的二维正交匹配追踪优化算法 |
Non-Patent Citations (3)
Title |
---|
JULIO CESAR STACCHINI DE SOUZA等: "Data Compression in Smart Distribution Systems via Singular Value Decomposition", 《IEEE》 * |
吴俊政: "一种基于奇异值分解的图像压缩方法", 《计算机与数字工程》 * |
孔松: "通信信号特征的压缩重构方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115309714A (zh) * | 2022-10-11 | 2022-11-08 | 江苏泰恩特环境技术有限公司 | 一种风冷模块机组的恒温控制系统的数据压缩方法 |
CN116170601A (zh) * | 2023-04-25 | 2023-05-26 | 之江实验室 | 基于四列列向量分块奇异值分解的图像压缩方法 |
CN116170601B (zh) * | 2023-04-25 | 2023-07-11 | 之江实验室 | 基于四列列向量分块奇异值分解的图像压缩方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111680028B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
de Souza et al. | Data compression in smart distribution systems via singular value decomposition | |
Gao et al. | Missing data recovery by exploiting low-dimensionality in power system synchrophasor measurements | |
Osipov et al. | PMU missing data recovery using tensor decomposition | |
US8108184B2 (en) | Methods and systems for power systems analysis: a non-iterative state solver/estimator for power systems operation and control | |
Milano et al. | Dynamic REI equivalents for short circuit and transient stability analyses | |
Wu et al. | A fast state estimator for systems including limited number of PMUs | |
CN111680028B (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 | |
Yao et al. | Distribution system state estimation: A semidefinite programming approach | |
Reche et al. | Data mining-based method to reduce multiple estimation for fault location in radial distribution systems | |
Luo et al. | Locating faults in the transmission network using sparse field measurements, simulation data and genetic algorithm | |
Pecenak et al. | Inversion reduction method for real and complex distribution feeder models | |
CN112906335A (zh) | 一种用于集成电路系统的无源性校正方法及装置 | |
Zhang et al. | Smart grid-oriented algorithm of data retrieval and processing based on crio | |
CN105373834A (zh) | 基于分布式计算的配电网短路电流计算方法及系统 | |
CN114204564B (zh) | 一种含逆变型新能源电网的短路电流计算方法及装置 | |
Niu et al. | Harmonic analysis in distributed power system based on IoT and dynamic compressed sensing | |
Sandoval et al. | Three-phase second-order analytic probabilistic load flow with voltage-dependent load | |
CN111327633B (zh) | 一种误差自适应的配电网同步相量量测数据实时压缩方法 | |
US11169188B2 (en) | Low-observability matrix completion | |
CN112182499A (zh) | 一种基于时序电量数据的低压配电网拓扑结构辨识方法 | |
Yan et al. | A real-time data compression & reconstruction method based on lifting scheme | |
CN111505379A (zh) | 一种基于奇异值分解的配电网同步相量量测数据压缩方法 | |
Dadashzade et al. | State estimation in unbalanced distribution networks by symmetrical components | |
Mohamed et al. | Realistic power system security algorithm | |
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 |
---|---|---|---|
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 |