CN112200061A - 一种利用一阶光滑模型的功率信号重构方法和系统 - Google Patents

一种利用一阶光滑模型的功率信号重构方法和系统 Download PDF

Info

Publication number
CN112200061A
CN112200061A CN202011066846.7A CN202011066846A CN112200061A CN 112200061 A CN112200061 A CN 112200061A CN 202011066846 A CN202011066846 A CN 202011066846A CN 112200061 A CN112200061 A CN 112200061A
Authority
CN
China
Prior art keywords
matrix
signal sequence
specifically
gaussian random
mean
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.)
Withdrawn
Application number
CN202011066846.7A
Other languages
English (en)
Inventor
翟明岳
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.)
Guangdong University of Petrochemical Technology
Original Assignee
Guangdong University of Petrochemical Technology
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 Guangdong University of Petrochemical Technology filed Critical Guangdong University of Petrochemical Technology
Priority to CN202011066846.7A priority Critical patent/CN112200061A/zh
Publication of CN112200061A publication Critical patent/CN112200061A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)

Abstract

本发明的实施例公开一种利用一阶光滑模型的功率信号重构方法和系统，所述方法包括：步骤101获取按时间顺序采集的信号序列S；步骤102生成紧支集Γ；步骤103求取高斯随机矢量α；步骤104求取一阶光滑模型矩阵F；步骤105求取重构后的信号序列为Snew。

Description

一种利用一阶光滑模型的功率信号重构方法和系统
技术领域
本发明涉及电力领域，尤其涉及一种功率信号的重构方法和系统。
背景技术
随着智能电网的发展，家庭用电负荷的分析变得越来越重要。通过用电负荷的分析，家庭用户可以及时获得每个电器的用电信息，以及电费的精细化清单；电力部门可以获得更详尽的用户用电信息，并可以提高用电负荷预测的准确度，为电力部门提供统筹规划的依据。同时，利用每个电器的用电信息，可获知用户的用电行为，这对于家庭能耗评估和节能策略的研究具有指导意义。
当前用电负荷分解主要分为侵入式负荷分解和非侵入式负荷分解两种方法。非侵入式负荷分解方法不需要在负荷的内部用电设备上安装监测设备，只需要根据用电负荷总信息即可获得每个用电设备的负荷信息。非侵入式负荷分解方法具有投入少、方便使用等特点，因此，该方法适用于家庭负荷用电的分解。
非侵入式负荷分解算法中，电气设备的开关事件检测是其中最重要的环节。最初的开关事件检测以有功功率P的变化值作为开关事件检测的判断依据，方便且直观。这是因为任何一个用电设备的运行状态发生变化，其所消耗的功率值也必然发生改变，并且该改变也将会在所有电器所消耗的总功率中体现出来。这种方法除了需要设置功率变化值的合理阈值，还需要解决事件检测方法在实际应用中存在的问题，例如某些电器启动时刻的瞬时功率值会出现较大的尖峰(马达启动电流远大于额定电流)，会造成电器稳态功率变化值不准确，从而影响对开关事件检测的判断；而且不同家用电器的暂态过程或长或短(脉冲噪声的持续时间和发生频率相差较大)，因此功率变化值的确定变得较为困难；由于电能质量的变化(如电压突降)有功功率会出现突变的情况，这样很可能会出现误判。同时，功率信号在采集和传输过程中，相关的仪器设备的运行状态可能暂时处于异常状态，常会造成功率信号的缺失。
因此，开关事件检测过程中，所使用的实测功率信号常常不完整，利用这些不完整的功率信号是不能正确地进行开关事件检测的。因此如何有效地重构不完整的功率信号，是此方法能否成功的关键。现在常用的方法，对此问题重视不够，还未采取有效的措施解决此问题。
发明内容
如前所述，开关事件检测过程中，所使用的实测功率信号常常不完整，利用这些不完整的功率信号是不能正确地进行开关事件检测的。因此如何有效地重构不完整的功率信号，是此方法能否成功的关键。现在常用的方法，对此问题重视不够，还未采取有效的措施解决此问题。
本发明的目的是提供一种利用一阶光滑模型的功率信号重构方法和系统，所提出的方法利用了功率信号的连续性，通过一阶光滑模型性质区分功率信号和背景噪声。所提出的方法具有较好的信号重构性能，计算也较为简单。
为实现上述目的，本发明提供了如下方案：
一种利用一阶光滑模型的功率信号重构方法，包括：
步骤101获取按时间顺序采集的信号序列S；
步骤102生成紧支集Γ，具体为：
Γ＝[γi]1×N
其中：
N：所述信号序列S的长度
γi＝randG[0,σ0]：所述紧支集Γ的第i个元素
i＝1,2,···,N：紧支集元素序号
randG[0,σ0]：均值为0均方差为σ0的高斯随机变量
σ0：所述信号序列S的均方差；
步骤103求取高斯随机矢量α，具体为：
在所述紧支集Γ上按均值为m0均方差为σ0的高斯随机分布生成所述高斯随机矢量α的第j个元素αj＝m0+rand[0,σ0]；其中：
m0：所述信号序列S的均值
j＝1,2···,N：高斯随机矢量元素序号；
步骤104求取一阶光滑模型矩阵F，具体为：
F＝UΩ*V
其中：
U：矩阵[S-m0][S-m0]T的左特征矩阵
V：矩阵[S-m0][S-m0]T的右特征矩阵
Figure BDA0002714016630000021
修正特征值矩阵
Figure BDA0002714016630000022
Ω：矩阵[S-m0][S-m0]T的特征值矩阵
Ωkk：所述特征值矩阵Ω的第k行第k列元素；
步骤105求取重构后的信号序列为Snew，具体为：
Snew＝F[S-α]。
一种利用一阶光滑模型的功率信号重构系统，包括：
模块201获取按时间顺序采集的信号序列S；
模块202生成紧支集Γ，具体为：
Γ＝[γi]1×N
其中：
N：所述信号序列S的长度
γi＝randG[0,σ0]：所述紧支集Γ的第i个元素
i＝1,2,···,N：紧支集元素序号
randG[0,σ0]：均值为0均方差为σ0的高斯随机变量
σ0：所述信号序列S的均方差；
模块203求取高斯随机矢量α，具体为：
在所述紧支集Γ上按均值为m0均方差为σ0的高斯随机分布生成所述高斯随机矢量α的第j个元素αj＝m0+rand[0,σ0]；其中：
m0：所述信号序列S的均值
j＝1,2···,N：高斯随机矢量元素序号；
模块204求取一阶光滑模型矩阵F，具体为：
F＝UΩ*V
其中：
U：矩阵[S-m0][S-m0]T的左特征矩阵
V：矩阵[S-m0][S-m0]T的右特征矩阵
Figure BDA0002714016630000031
修正特征值矩阵
Figure BDA0002714016630000032
Ω：矩阵[S-m0][S-m0]T的特征值矩阵
Ωkk：所述特征值矩阵Ω的第k行第k列元素；
模块205求取重构后的信号序列为Snew，具体为：
Snew＝F[S-α]。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
如前所述，开关事件检测过程中，所使用的实测功率信号常常不完整，利用这些不完整的功率信号是不能正确地进行开关事件检测的。因此如何有效地重构不完整的功率信号，是此方法能否成功的关键。现在常用的方法，对此问题重视不够，还未采取有效的措施解决此问题。
本发明的目的是提供一种利用一阶光滑模型的功率信号重构方法和系统，所提出的方法利用了功率信号的连续性，通过一阶光滑模型性质区分功率信号和背景噪声。所提出的方法具有较好的信号重构性能，计算也较为简单。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程示意图；
图2为本发明的系统流程示意图；
图3为本发明的具体实施案例流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1一种利用一阶光滑模型的功率信号重构方法的流程示意图
图1为本发明一种利用一阶光滑模型的功率信号重构方法的流程示意图。如图1所示，所述的一种利用一阶光滑模型的功率信号重构方法具体包括以下步骤：
步骤101获取按时间顺序采集的信号序列S；
步骤102生成紧支集Γ，具体为：
Γ＝[γi]1×N
其中：
N：所述信号序列S的长度
γi＝randG[0,σ0]：所述紧支集Γ的第i个元素
i＝1,2,···,N：紧支集元素序号
randG[0,σ0]：均值为0均方差为σ0的高斯随机变量
σ0：所述信号序列S的均方差；
步骤103求取高斯随机矢量α，具体为：
在所述紧支集Γ上按均值为m0均方差为σ0的高斯随机分布生成所述高斯随机矢量α的第j个元素αj＝m0+rand[0,σ0]；其中：
m0：所述信号序列S的均值
j＝1,2···,N：高斯随机矢量元素序号；
步骤104求取一阶光滑模型矩阵F，具体为：
F＝UΩ*V
其中：
U：矩阵[S-m0][S-m0]T的左特征矩阵
V：矩阵[S-m0][S-m0]T的右特征矩阵
Figure BDA0002714016630000051
修正特征值矩阵
Figure BDA0002714016630000052
Ω：矩阵[S-m0][S-m0]T的特征值矩阵
Ωkk：所述特征值矩阵Ω的第k行第k列元素；
步骤105求取重构后的信号序列为Snew，具体为：
Snew＝F[S-α]。
图2一种利用一阶光滑模型的功率信号重构系统的结构意图
图2为本发明一种利用一阶光滑模型的功率信号重构系统的结构示意图。如图2所示，所述一种利用一阶光滑模型的功率信号重构系统包括以下结构：
模块201获取按时间顺序采集的信号序列S；
模块202生成紧支集Γ，具体为：
Γ＝[γi]1×N
其中：
N：所述信号序列S的长度
γi＝randG[0,σ0]：所述紧支集Γ的第i个元素
i＝1,2,···,N：紧支集元素序号
randG[0,σ0]：均值为0均方差为σ0的高斯随机变量
σ0：所述信号序列S的均方差；
模块203求取高斯随机矢量α，具体为：
在所述紧支集Γ上按均值为m0均方差为σ0的高斯随机分布生成所述高斯随机矢量α的第j个元素αj＝m0+rand[0,σ0]；其中：
m0：所述信号序列S的均值
j＝1,2···,N：高斯随机矢量元素序号；
模块204求取一阶光滑模型矩阵F，具体为：
F＝UΩ*V
其中：
U：矩阵[S-m0][S-m0]T的左特征矩阵
V：矩阵[S-m0][S-m0]T的右特征矩阵
Figure BDA0002714016630000061
修正特征值矩阵
Figure BDA0002714016630000062
Ω：矩阵[S-m0][S-m0]T的特征值矩阵
Ωkk：所述特征值矩阵Ω的第k行第k列元素；
模块205求取重构后的信号序列为Snew，具体为：
Snew＝F[S-α]。
下面提供一个具体实施案例，进一步说明本发明的方案
图3为本发明具体实施案例的流程示意图。如图3所示，具体包括以下步骤：
步骤301获取按时间顺序采集的信号序列S；
步骤302生成紧支集Γ，具体为：
Γ＝[γi]1×N
其中：
N：所述信号序列S的长度
γi＝randG[0,σ0]：所述紧支集Γ的第i个元素
i＝1,2,···,N：紧支集元素序号
randG[0,σ0]：均值为0均方差为σ0的高斯随机变量
σ0：所述信号序列S的均方差；
步骤303求取高斯随机矢量α，具体为：
在所述紧支集Γ上按均值为m0均方差为σ0的高斯随机分布生成所述高斯随机矢量α的第j个元素αj＝m0+rand[0,σ0]；其中：
m0：所述信号序列S的均值
j＝1,2···,N：高斯随机矢量元素序号；
步骤304求取一阶光滑模型矩阵F，具体为：
F＝UΩ*V
其中：
U：矩阵[S-m0][S-m0]T的左特征矩阵
V：矩阵[S-m0][S-m0]T的右特征矩阵
Figure BDA0002714016630000071
修正特征值矩阵
Figure BDA0002714016630000072
Ω：矩阵[S-m0][S-m0]T的特征值矩阵
Ωkk：所述特征值矩阵Ω的第k行第k列元素；
步骤305求取重构后的信号序列为Snew，具体为：
Snew＝F[S-α]。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述较为简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (2)

1.一种利用一阶光滑模型的功率信号重构方法，其特征在于，包括：
步骤101获取按时间顺序采集的信号序列S；
步骤102生成紧支集Γ，具体为：
Γ＝[γi]1×N
其中：
N：所述信号序列S的长度
γi＝randG[0,σ0]：所述紧支集Γ的第i个元素
i＝1,2,···,N：紧支集元素序号
randG[0,σ0]：均值为0均方差为σ0的高斯随机变量
σ0：所述信号序列S的均方差；
步骤103求取高斯随机矢量α，具体为：
在所述紧支集Γ上按均值为m0均方差为σ0的高斯随机分布生成所述高斯随机矢量α的第j个元素αj＝m0+rand[0,σ0]；其中：
m0：所述信号序列S的均值
j＝1,2···,N：高斯随机矢量元素序号；
步骤104求取一阶光滑模型矩阵F，具体为：
F＝UΩ*V
其中：
U：矩阵[S-m0][S-m0]T的左特征矩阵
V：矩阵[S-m0][S-m0]T的右特征矩阵
Figure FDA0002714016620000011
修正特征值矩阵
Figure FDA0002714016620000012
Ω：矩阵[S-m0][S-m0]T的特征值矩阵
Ωkk：所述特征值矩阵Ω的第k行第k列元素；
步骤105求取重构后的信号序列为Snew，具体为：
Snew＝F[S-α]。
2.一种利用一阶光滑模型的功率信号重构系统，其特征在于，包括：
模块201获取按时间顺序采集的信号序列S；
模块202生成紧支集Γ，具体为：
Γ＝[γi]1×N
其中：
N：所述信号序列S的长度
γi＝randG[0,σ0]：所述紧支集Γ的第i个元素
i＝1,2,···,N：紧支集元素序号
randG[0,σ0]：均值为0均方差为σ0的高斯随机变量
σ0：所述信号序列S的均方差；
模块203求取高斯随机矢量α，具体为：
在所述紧支集Γ上按均值为m0均方差为σ0的高斯随机分布生成所述高斯随机矢量α的第j个元素αj＝m0+rand[0,σ0]；其中：
m0：所述信号序列S的均值
j＝1,2···,N：高斯随机矢量元素序号；
模块204求取一阶光滑模型矩阵F，具体为：
F＝UΩ*V
其中：
U：矩阵[S-m0][S-m0]T的左特征矩阵
V：矩阵[S-m0][S-m0]T的右特征矩阵
Figure FDA0002714016620000021
修正特征值矩阵
Figure FDA0002714016620000022
Ω：矩阵[S-m0][S-m0]T的特征值矩阵
Ωkk：所述特征值矩阵Ω的第k行第k列元素；
模块205求取重构后的信号序列为Snew，具体为：
Snew＝F[S-α]。
模块206求取自适应Jordan变换系数，具体为:第n行第m列自适应Jordan变换系数为
Figure FDA0002714016620000023
其计算公式为：
Figure FDA0002714016620000024
Figure FDA0002714016620000025
其中，sn为所述信号序列S的第n个元素；Δsn-q为所述信号差分序列ΔS的第n-q个元素，如果n-q≤0，则所对应的第n-q个元素Δsn-q的值置为0；q为求和参数，其值为q＝1,2,···,N；
模块207求取重构后的信号序列，具体为：所述重构后的信号序列记为Snew，其第m个元素为
Figure FDA0002714016620000026
其计算公式是
Figure FDA0002714016620000027
Figure FDA0002714016620000028
CN202011066846.7A 2020-10-03 2020-10-03 一种利用一阶光滑模型的功率信号重构方法和系统 Withdrawn CN112200061A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011066846.7A CN112200061A (zh) 2020-10-03 2020-10-03 一种利用一阶光滑模型的功率信号重构方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011066846.7A CN112200061A (zh) 2020-10-03 2020-10-03 一种利用一阶光滑模型的功率信号重构方法和系统

Publications (1)

Publication Number Publication Date
CN112200061A true CN112200061A (zh) 2021-01-08

Family

ID=74013040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011066846.7A Withdrawn CN112200061A (zh) 2020-10-03 2020-10-03 一种利用一阶光滑模型的功率信号重构方法和系统

Country Status (1)

Country Link
CN (1) CN112200061A (zh)

Similar Documents

Publication Publication Date Title
CN111680590A (zh) 一种利用收缩梯度的功率信号滤波方法和系统
CN111666870A (zh) 一种利用二次约束的功率信号重构方法和系统
CN111737645A (zh) 一种利用预测矩阵的功率信号重构方法和系统
CN112434567B (zh) 一种利用噪声抖动性质的功率信号滤波方法和系统
CN110221119B (zh) 基于功率与akie融合信息的负载开关事件检测方法和系统
CN112200061A (zh) 一种利用一阶光滑模型的功率信号重构方法和系统
CN110244115B (zh) 一种基于信号连接性的负载开关事件检测方法及系统
CN110542855B (zh) 基于离散余弦变换的负荷开关事件检测方法和系统
CN111929608A (zh) 一种负载开关事件检测方法及系统
CN111639606A (zh) 一种利用Dantzig总梯度最小化的功率信号滤波方法和系统
CN111830405A (zh) 一种利用频率差异量的负荷开关事件检测方法和系统
CN110704800A (zh) 一种基于扩张系数的功率信号重构方法和系统
CN110702981A (zh) 一种利用分类树的负荷开关事件检测方法和系统
CN111832474A (zh) 一种利用能量尺度的功率信号滤波方法和系统
CN111679119A (zh) 一种利用近端匹配映射的功率信号重构方法和系统
CN110514884B (zh) 一种基于延迟矢量的功率信号滤波方法和系统
CN112307986B (zh) 一种利用高斯梯度的负荷开关事件检测方法和系统
CN111931660A (zh) 一种利用自适应Jordan变换的功率信号重构方法和系统
CN112347922B (zh) 一种利用Hankerl矩阵的功率信号滤波方法和系统
CN112307997B (zh) 一种利用主模式分解的功率信号重构方法和系统
CN112329637B (zh) 一种利用模式特征的负荷开关事件检测方法和系统
CN110705426B (zh) 一种利用去模糊算子的功率信号滤波方法和系统
CN110531149B (zh) 一种基于波形正则化的功率信号滤波方法和系统
CN110611310A (zh) 一种利用周期性边界条件的功率信号重构方法和系统
CN110704802A (zh) 一种利用全局正则化的功率信号重构方法和系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210108