CN116973663A - 一种基于压缩感知的电能质量扰动数据检测方法和装置 - Google Patents

一种基于压缩感知的电能质量扰动数据检测方法和装置 Download PDF

Info

Publication number
CN116973663A
CN116973663A CN202310830327.0A CN202310830327A CN116973663A CN 116973663 A CN116973663 A CN 116973663A CN 202310830327 A CN202310830327 A CN 202310830327A CN 116973663 A CN116973663 A CN 116973663A
Authority
CN
China
Prior art keywords
harmonic
signal
harmonic component
value
sparsity
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
CN202310830327.0A
Other languages
English (en)
Inventor
孙腾达
周华良
苏战涛
邓祖强
王亮
张鑫
张金娈
吕浩
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.)
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Original Assignee
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
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 Nari Technology Co Ltd, NARI Nanjing Control System Co Ltd filed Critical Nari Technology Co Ltd
Priority to CN202310830327.0A priority Critical patent/CN116973663A/zh
Publication of CN116973663A publication Critical patent/CN116973663A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G01R23/165—Spectrum analysis; Fourier analysis using filters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (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)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于压缩感知的电能质量扰动数据检测方法和装置。所述方法包括：获取原始采样信号，通过测量矩阵获取观测向量，实现信号压缩；根据基波滤除原理，分离原始信号的基波分量与谐波分量；根据谐波分量的占比区别进行原始信号重构，在谐波分量多于设定条件时对传感矩阵与谐波分量观测向量的内积降序排列，计算斜率曲线，并根据斜率曲线的极点分布估计信号稀疏度，将稀疏度估计值作为SAMP算法的初始步长，采用残差比阈值和生长曲线函数迭代计算得到谐波分量的稀疏向量估计值；进行电能质量扰动数据检测。

Description

一种基于压缩感知的电能质量扰动数据检测方法和装置
技术领域
本发明涉及电能质量分析技术，具体涉及一种基于压缩感知的电能质量扰动数据检测方法和装置。
背景技术
随着光伏、风电等新能源厂站大规模并网，可能引发谐波、电压波动和电压暂降等一系列电能质量问题，传统基于奈奎斯特(Nyquist)采样定理的数据采集方法，产生数据量较大，数据存储、传输和处理十分困难，压缩感知算法将信号的压缩和采样过程同步，能够有效提高数据处理效率、降低电能质量分析对终端采样设备的硬件要求。
常见的压缩感知重构算法包括基于凸优化的L1-MAGIC、SPGL1等，以及基于贪婪算法的OMP、CoSaMP、SAMP等。然而，这些算法中如OMP、CoSaMP等算法，需要以信号的稀疏度作为先验知识，而实际电网中电压、电流信号的稀疏度是未知的。SAMP可以自适应的实现信号重构，不需要预先指导信号稀疏度，但是由于SAMP算法每个阶段以固定步长的形式扩充原子库，若步长设置不当，极易出现稀疏度过估计导致信号重建精度不高，或迭代次数过多导致算法运行时间过长的问题。
发明内容
发明目的：本发明提出一种基于压缩感知的电能质量扰动数据检测方法，避免产生稀疏度过估计导致信号重建精度不高，或迭代次数过多导致算法运行时间过长的问题，提高电能质量扰动检测精度和效率。
本发明还提供一种基于压缩感知的电能质量扰动数据检测装置、设备及计算机存储介质。
技术方案：第一方面，一种基于压缩感知的电能质量扰动数据检测方法，包括以下步骤：
获取原始采样信号x，通过构造M×N维测量矩阵Φ计算观测向量y＝Φx，实现信号压缩，其中M<N；
根据基波滤除原理，分离原始信号的基波分量与谐波分量，基波分量的稀疏向量估计值记为谐波分量观测向量/>A为传感矩阵；
判断谐波分量是否满足重构条件，若不满足则直接重构原始信号若满足，则对传感矩阵与谐波分量观测向量的内积降序排列，计算斜率曲线，并根据斜率曲线的极点分布估计信号稀疏度，将稀疏度估计值作为SAMP算法的初始步长，采用残差比阈值和生长曲线函数迭代计算得到谐波分量的稀疏向量估计值/>根据/>与/>取并集，得到原始信号的稀疏向量/>根据/>重构原始信号/>
根据谐波分量的稀疏向量估计值获取谐波和间谐波的幅值、频率和相角，根据重构信号的幅值变化判断扰动情况，并获取扰动的时间和特征参数，例如扰动的起止时刻、持续时间和特征值等参数。
根据第一方面的某些实施方式，分离原始信号的基波分量与谐波分量包括：构造N×N维变换矩阵Ψ，获取传感矩阵A＝ΦΨ，根据公式u＝ATy计算传感矩阵Α和观测向量y的内积u，取绝对值并按降序排列，提取u最大值所对应的Α的列，根据公式θ＝(ATA)-1ATy获得只含基波分量谱线信息的稀疏向量估计值进而得到滤除基波分量后的谐波分量观测向量/>
根据第一方面的某些实施方式，判断谐波分量是否满足重构条件包括：根据设定的阈值ε，判断是否符合||yharmonic||2/||y||2＜ε，若符合，则对应谐波分量不满足重构条件，若不符合则对应谐波分量满足重构条件。
根据第一方面的某些实施方式，谐波分量稀疏度估计的具体过程为：计算传感矩阵Α和yharmonic的内积，取绝对值后按降序排列，获得序列H，依次对序列H相邻项作差，得斜率曲线I，提取I中的极大值点，对所有极大值求和并取平均值，提取大于平均值的极大值点，排名最后的极大值点的横坐标即为稀疏度估计值K。
根据第一方面的某些实施方式，SAMP算法的具体流程如下：
(1)参数初始化：初始索引集初始步长L＝K，初始残差r0＝y，初始迭代轮次t＝1，变步长函数的参数初值λ＝1；
(2)计算u＝abs[ATrt-1]，选取u中最大的L项，并将对应的Α的列序号j组成预选集S；
(3)获取候选集C＝Λt-1∪S，令At＝{aj}(j∈C)；
(4)根据最小二乘法估计信号稀疏基：
(5)选出绝对值最大的L项，记作/>对应的At中的L列为AtL，对应的A的列序列号为ΛtL，最终获取支撑集F＝ΛtL；
(6)更新残差：
(7)若残差δ为与噪声能量无关的相对量，执行(9)，否则执行(8)；
(8)若||rnew||2≥||rt-1||2，则L＝L+f(λ)，λ＝λ+1，f(λ)为生长曲线函数，并返回(2)；否则令Λt＝F，rt＝rnew，t＝t+1，如果t＞M则停止迭代进入(9)，否则返回(2)；
(9)输出：得到的稀疏向量
在步骤(7)中，将算法迭代过程中相邻两次迭代的残差比作为迭代终止阈值，迭代后期相邻的残差能量值将十分接近，此时支撑集已经包含恢复谐波信号的原子，步长增加后进入下次迭代，每次迭代的相邻残差比仅受有限噪声能量的影响，该比值的变化范围很小，能够有效提高算法的可靠性。
根据第一方面的某些实施方式，f(λ)的数学表达式为其中K为谐波分量稀疏度估计值。
采用生长曲线函数作为变步长函数，初期以小步长精确逼近，避免出现稀疏度过估计的问题，若原始信号出现暂态事件等扰动，信号发生频谱泄露，将导致信号的稀疏性变差，生长曲线函数度过初期阶段后，中后期迅速变大并趋于稳定，保证算法能后尽快达到迭代终止条件，实现信号重构。
第二方面，一种基于压缩感知的电能质量扰动数据检测装置，包括：
采样数据获取模块，被配置用于获取原始采样信号x，通过构造M×N维测量矩阵Φ计算观测向量y＝Φx，实现信号压缩，其中M<N；
信号分离模块，被配置用于根据基波滤除原理，分离原始信号的基波分量与谐波分量，基波分量的稀疏向量估计值记为谐波分量观测向量/>A为传感矩阵；
信号重构模块，被配置用于判断谐波分量是否满足重构条件，若不满足则直接重构原始信号若满足，则对传感矩阵与谐波分量观测向量的内积降序排列，计算斜率曲线，并根据斜率曲线的极点分布估计信号稀疏度，将稀疏度估计值作为SAMP算法的初始步长，采用残差比阈值和生长曲线函数迭代计算得到谐波分量的稀疏向量估计值根据/>与/>取并集，得到原始信号的稀疏向量/>根据/>重构原始信号
电能质量扰动数据检测模块，被配置用于根据谐波分量的稀疏向量估计值获取谐波和间谐波的幅值、频率和相角，根据重构信号的幅值变化判断扰动情况，并获取扰动的时间和特征参数。
第三方面，本发明还提供一种计算机设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如本发明第一方面所述的基于压缩感知的电能质量扰动数据检测方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本发明第一方面所述的基于压缩感知的电能质量扰动数据检测方法的步骤。
有益效果：本发明针对重构算法易出现稀疏度过估计和重构精度不足的问题，根据基波滤除原理，分离原始信号的基波分量与谐波分量，降低信号稀疏度，排除基波信号对谐波分量稀疏度估计的干扰，提高谐波信号的检测精度，通过斜率曲线的极点分布估计原始信号稀疏度，采用生长曲线函数作为变步长函数优化SAMP算法，避免产生稀疏度过估计导致信号重建精度不高，或迭代次数过多导致算法运行时间过长的问题，自适应地重构原始信号，重构算法在原始信号发生电压暂降等暂态事件时依然能够快速实现信号重构，提高电能质量扰动数据的检测精度。本发明可以有效地应用于实际电力系统中。
附图说明
图1是根据本发明的基于压缩感知的电能质量扰动数据检测方法流程图；
图2是本发明一个实施例中谐波电压信号的斜率曲线；
图3是本发明一个实施例中谐波电压重构信号的半波有效值曲线；
图4是本发明另一实施例中电压暂降信号的斜率曲线。
图5是本发明另一实施例中电压暂降重构信号的半波有效值曲线；
具体实施方式
下面结合附图和具体实施例对本发明的技术方案作进一步说明。
实施例1
本实施例描述一种基于压缩感知的电能质量扰动数据检测方法，建立10kV/380V配电系统仿真模型，电网基波频率为额定频率50Hz，监测终端的采样频率为20.48kHz，采样时间为10周波(200ms)，对10周波内的4096点数据进行分析。
谐波、间谐波电压信号如表1所示。
表1谐波、间谐波原始信号
参照图1，该方法包括以下步骤：
S1、获取待检测的谐波电压数据，对谐波电压数据进行预处理，获取10周波电压采样数据x，数据压缩比设为0.3，构造M×N维高斯测量矩阵Φ，计算观测向量y＝Φx，其中M＝1229，N＝4096；
S2、构造N×N维傅里叶正交变换矩阵Ψ，计算传感矩阵A＝ΦΨ，按照公式u＝A'y计算传感矩阵Α和观测向量y的内积u，取绝对值并按降序排列，提取u中最大值对应的Α的列，此列与观测向量最相关，由于电网电压信号中基波分量幅值远大于谐波分量，根据公式θ＝(ATA)-1ATy可得只含基波分量谱线信息的稀疏向量估计值获取滤除基波分量后的谐波分量观测向量/>
S3、判断是否满足||yharmonic||2/||y||2＜ε，若满足，则原始信号不含有谐波、间谐波或电压暂降等扰动量，直接重构原始信号若||yharmonic||2/||y||2≥ε，则原始信号含有谐波、间谐波或电压暂降等扰动量，计算谐波分量的稀疏度估计值，采用变步长SAMP算法重构原始信号。
本实施例中设阈值ε＝1×e-6，而||yharmonic||2/||y||2＝0.047≥1×e-6，可知原始信号x含有谐波、间谐波或电压暂降等扰动量，计算传感矩阵Α和yharmonic的内积，取绝对值后按降序排列，获得序列H，依次对序列H相邻项作差，得到斜率曲线I如图2所示，提取斜率曲线中的极大值点，对所有极大值求和取平均值为0.0508，大于平均值的极大值点分别为(2,0.5653)、(5,0.1078)、(10,0.2388)，排名最后的极大值点为(10,0.2388)，横坐标10即为谐波分量的稀疏度估计值。
按照以下流程执行SAMP算法，进行信号重构：
(1)参数初始化：初始索引集初始步长L＝10，初始残差r0＝yharmonic，迭代次数t＝1，λ＝1，λ为变步长函数f(λ)的参数，表示步长增长的阶段；
(2)计算u＝abs[ATrt-1]，选取u中最大的L项，并将对应的Α的列序号j组成预选集S；
(3)获取候选集C＝Λt-1∪S，令At＝{aj}(j∈C)，aj表示对应A中的列向量；
(4)根据最小二乘法估计信号稀疏基：
(5)选出绝对值最大的L项，记作/>对应的At中的L列为AtL，对应的A的列序列号为ΛtL，最终获取支撑集F＝ΛtL；
(6)更新残差：
(7)若残差δ取0.05，执行(9)，否则执行(8)；
(8)若||rnew||2≥||rt-1||2，则L＝L+f(λ)并返回(2)，其中λ＝λ+1；否则令Λt＝F，rt＝rnew，t＝t+1，如果t＞M则停止迭代进入(9)，否则返回(2)；
(9)输出：得到谐波分量的稀疏向量
得到信号的稀疏向量重构原始信号/>
步骤S4、进行电能质量扰动数据检测：根据重构原始信号计算电压信号的半周波有效值，采用非滑动参考电压，当半周波有效值突然降低到标称电压的90％～10％时，可判断发生电压暂降，若直接降低到10％以下，则可判断发生电压中断，谐波电压信号的半周波有效值曲线如图3所示，可知电压值未达到暂态事件的触发条件。
为了验证本方法的性能，本实施例中还采用OMP算法、CoSaMP算法和SAMP算法(以固定步长迭代)与本发明所提的变步长SAMP算法作对比。各类算法的重构性能指标如表2所示。
表2性能指标
通过仿真实验表明，本发明能在复杂谐波背景下实现谐波的高精度检测，在保障算法效率的情况下具有更好信号重构精度，且易于工程实现。
实施例2
本实施例介绍一种基于压缩感知的电能质量扰动数据检测方法，建立10kV/380V配电系统仿真模型，电网基波频率为额定频率50Hz，监测终端的采样频率为20.48kHz，采样时间为10周波(200ms)，对采样窗口内的4096点数据进行分析。实施例中的监测终端发现暂态事件，电压暂降发生于采样窗口起始50ms时，剩余电压为20％Un，电压暂降持续时间为50ms。
参照图1，该方法包括以下步骤：
S1、获取待检测的电压暂降数据，对电压暂降数据进行预处理，获取10周波电压采样数据x，数据压缩比设为0.3，构造M×N维高斯测量矩阵Φ，计算观测向量y＝Φx，其中M＝1229，N＝4096；
S2、构造N×N维傅里叶正交变换矩阵Ψ，计算传感矩阵A＝ΦΨ，按照公式u＝A'y计算传感矩阵Α和观测向量y的内积u，取绝对值并按降序排列，提取u中最大值对应的Α的列，根据公式θ＝(ATA)-1ATy可得获取滤除基波分量后的谐波分量观测向量
S3、判断是否满足||yharmonic||2/||y||2＜ε，若满足，则原始信号不含有谐波、间谐波或电压暂降等扰动量，直接重构原始信号若||yharmonic||2/||y||2≥ε，则原始信号含有谐波、间谐波或电压暂降等扰动量，计算谐波分量的稀疏度估计值，采用变步长SAMP算法重构原始信号。
本实施例中设阈值ε＝1×e-6，而||yharmonic||2/||y||2＝0.088≥1×e-6，可知原始信号x含有谐波、间谐波或电压暂降等扰动量，计算传感矩阵Α和yharmonic的内积，取绝对值后按降序排列，获得序列H，依次对序列H相邻项作差，得到斜率曲线I如图4所示，提取斜率曲线中的极大值点，对所有极大值求和取平均值为0.0137，大于平均值的极大值点分别为(3,0.1588)、(5,0.1624)、(8,0.0483)、(11,0.0232)，排名最后的极大值点为(11,0.0232)，其横坐标11即为谐波分量的稀疏度估计值。
根据以下具体流程执行SAMP算法完成信号重构：
(1)参数初始化：初始索引集初始步长L＝11，初始残差r0＝yharmonic，迭代次数t＝1，λ＝1；
(2)计算u＝abs[ATrt-1]，选取u中最大的L项，并将对应的Α的列序号j组成预选集St；
(3)获取候选集C＝Λt-1∪S，令At＝{aj}(j∈C)；
(4)根据最小二乘法估计信号稀疏基：
(5)选出绝对值最大的L项，记作/>对应的At中的L列为AtL，对应的A的列序列号为ΛtL，最终获取支撑集F＝ΛtL；
(6)更新残差：
(7)若残差δ取0.05，执行(9)，否则执行(8)；
(8)若||rnew||2≥||rt-1||2，则L＝L+f(λ)并返回(2)，其中λ＝λ+1；否则令Λt＝F，rt＝rnew，t＝t+1，如果t＞M则停止迭代进入(9)，否则返回(2)；
(9)输出：得到谐波分量的稀疏向量
得到信号的稀疏向量重构原始信号/>
步骤S4、进行电能质量扰动数据检测：根据重构原始信号计算电压信号的半周波有效值，重构电压信号的半周波有效值曲线如图5所示，电压暂降在距起始时间50ms时触发，持续5个半波的时间，即电压暂降持续时间为50ms，电压暂降持续期间半波有效值的最小值为44.04V，电压暂降的剩余电压为20.02％，误差为0.02％<0.2％，检测精度较高，满足电能质量监测技术规范的要求。
为了验证本发明方法的性能，本实施例中也采用OMP算法、CoSaMP算法和SAMP算法(以固定步长迭代)与本发明的变步长SAMP算法作对比。各类算法的重构性能指标如表3所示。
表3性能指标
通过仿真实验表明，在发生电压暂降等暂态扰动时，相对于OMP、CoSaMP和SAMP算法，变步长SAMP在各个性能指标下均表现最优，在保证信号重构精度的情况下，程序迭代次数最少，运行时间大幅度降低。
实施例3
基于与实施例1和实施例2基于相同的发明构想，本实施例描述一种基于压缩感知的电能质量扰动数据检测装置，包括：
采样数据获取模块，被配置用于获取原始采样信号x，通过构造M×N维测量矩阵Φ计算观测向量y＝Φx，实现信号压缩，其中M<N；
信号分离模块，被配置用于根据基波滤除原理，分离原始信号的基波分量与谐波分量，基波分量的稀疏向量估计值记为谐波分量观测向量/>A为传感矩阵；
信号重构模块，被配置用于判断谐波分量是否满足重构条件，若不满足则直接重构原始信号若满足，则对传感矩阵与谐波分量观测向量的内积降序排列，计算斜率曲线，并根据斜率曲线的极点分布估计信号稀疏度，将稀疏度估计值作为SAMP算法的初始步长，采用残差比阈值和生长曲线函数迭代计算得到谐波分量的稀疏向量估计值根据/>与/>取并集，得到原始信号的稀疏向量/>根据/>重构原始信号
电能质量扰动数据检测模块，被配置用于根据谐波分量的稀疏向量估计值获取谐波和间谐波的幅值、频率和相角，根据重构信号的幅值变化判断扰动情况，并获取扰动的时间和特征参数，例如扰动的起止时刻、持续时间和特征值等参数。
根据本发明的实施方式，分离原始信号的基波分量与谐波分量包括：构造N×N维变换矩阵Ψ，获取传感矩阵A＝ΦΨ，根据公式u＝ATy计算传感矩阵Α和观测向量y的内积u，取绝对值并按降序排列，提取u最大值所对应的Α的列，根据公式θ＝(ATA)-1ATy获得只含基波分量谱线信息的稀疏向量估计值进而得到滤除基波分量后的谐波分量观测向量
根据本发明的实施方式，判断谐波分量是否满足重构条件包括：根据设定的阈值ε，判断是否符合||yharmonic||2/||y||2＜ε，若符合，则对应谐波分量不满足重构条件，若不符合则对应谐波分量满足重构条件。
根据本发明的实施方式，谐波分量稀疏度估计的具体过程为：计算传感矩阵Α和yharmonic的内积，取绝对值后按降序排列，获得序列H，依次对序列H相邻项作差，得斜率曲线I，提取I中的极大值点，对所有极大值求和并取平均值，提取大于平均值的极大值点，排名最后的极大值点的横坐标即为稀疏度估计值K。
根据本发明的实施方式，SAMP算法的具体流程如下：
(1)参数初始化：初始索引集初始步长L＝K，初始残差r0＝y，t＝1，λ＝1；
(2)计算u＝abs[ATrt-1]，选取u中最大的L项，并将对应的Α的列序号j组成预选集S；
(3)获取候选集C＝Λt-1∪S，令At＝{aj}(j∈C)；
(4)根据最小二乘法估计信号稀疏基：
(5)选出绝对值最大的L项，记作/>对应的At中的L列为AtL，对应的A的列序列号为ΛtL，最终获取支撑集F＝ΛtL；
(6)更新残差：
(7)若残差执行(9)，否则执行(8)；
(8)若||rnew||2≥||rt-1||2，则L＝L+f(λ)，λ＝λ+1，f(λ)为生长曲线函数，并返回(2)；否则令Λt＝F，rt＝rnew，t＝t+1，如果t＞M则停止迭代进入(9)，否则返回(2)；
(9)输出：得到的稀疏向量
其中f(λ)的数学表达式为K为谐波分量稀疏度估计值。
实施例4
基于与实施例1和实施例2基于相同的发明构想，本实施例描述一种计算机设备，包括处理器和存储器，所述存储器存储有计算机指令，所述处理器用于根据所述计算机指令进行操作以执行根据本发明所述的基于压缩感知的电能质量扰动数据检测方法。
实施例5
基于与实施例1和实施例2基于相同的发明构想，本实施例描述一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本发明所述的基于压缩感知的电能质量扰动数据检测方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程、以及流程图中的流程的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。

Claims (10)

1.一种基于压缩感知的电能质量扰动数据检测方法，其特征在于，包括以下步骤：
获取原始采样信号x，通过构造M×N维测量矩阵Φ计算观测向量y＝Φx，实现信号压缩，其中M<N；
根据基波滤除原理，分离原始信号的基波分量与谐波分量，基波分量的稀疏向量估计值记为谐波分量观测向量/>A为传感矩阵；
判断谐波分量是否满足重构条件，若不满足则直接重构原始信号若满足，则对传感矩阵与谐波分量观测向量的内积降序排列，计算斜率曲线，并根据斜率曲线的极点分布估计信号稀疏度，将稀疏度估计值作为SAMP算法的初始步长，采用残差比阈值和生长曲线函数迭代计算得到谐波分量的稀疏向量估计值/>根据/>与/>取并集，得到原始信号的稀疏向量/>根据/>重构原始信号/>
根据谐波分量的稀疏向量估计值获取谐波和间谐波的幅值、频率和相角，根据重构信号的幅值变化判断扰动情况，并获取扰动的时间和特征参数。
2.根据权利要求1所述的方法，其特征在于，分离原始信号的基波分量与谐波分量包括：构造N×N维变换矩阵Ψ，获取传感矩阵A＝ΦΨ，根据公式u＝ATy计算传感矩阵Α和观测向量y的内积u，取绝对值并按降序排列，提取u最大值所对应的Α的列，根据公式θ＝(ATA)-1ATy获得只含基波分量谱线信息的稀疏向量估计值进而得到滤除基波分量后的谐波分量观测向量/>
3.根据权利要求1所述的方法，其特征在于，判断谐波分量是否满足重构条件包括：根据设定的阈值ε，判断是否符合||yharmonic||2/||y||2＜ε，若符合，则对应谐波分量不满足重构条件，若不符合则对应谐波分量满足重构条件。
4.根据权利要求1所述的方法，其特征在于，谐波分量稀疏度估计的具体过程为：计算传感矩阵Α和yharmonic的内积，取绝对值后按降序排列，获得序列H，依次对序列H相邻项作差，得斜率曲线I，提取I中的极大值点，对所有极大值求和并取平均值，提取大于平均值的极大值点，排名最后的极大值点的横坐标即为稀疏度估计值K。
5.根据权利要求1所述的方法，其特征在于，SAMP算法的具体流程如下：
(1)参数初始化：初始索引集初始步长L＝K，K为谐波分量稀疏度估计值，初始残差r0＝y，初始迭代轮次t＝1，变步长函数的参数初值λ＝1；
(2)计算u＝abs[ATrt-1]，选取u中最大的L项，并将对应的Α的列序号j组成预选集S；
(3)获取候选集C＝Λt-1∪S，令At＝{aj}(j∈C)；
(4)根据最小二乘法估计信号稀疏基：
(5)选出绝对值最大的L项，记作/>对应的At中的L列为AtL，对应的A的列序列号为ΛtL，最终获取支撑集F＝ΛtL；
(6)更新残差：
(7)若残差δ为与噪声能量无关的相对量，执行(9)，否则执行(8)；
(8)若||rnew||2≥||rt-1||2，则L＝L+f(λ)，λ＝λ+1，f(λ)为生长曲线函数，并返回(2)；否则令Λt＝F，rt＝rnew，t＝t+1，如果t＞M则停止迭代进入(9)，否则返回(2)；
(9)输出：得到的稀疏向量
6.根据权利要求5所述的方法，其特征在于，生长曲线函数f(λ)的数学表达式为
7.根据权利要求1所述的方法，其特征在于，测量矩阵Φ满足有限等距性质：其中，δ∈(0,1)。
8.一种基于压缩感知的电能质量扰动数据检测装置，其特征在于，包括：
采样数据获取模块，被配置用于获取原始采样信号x，通过构造M×N维测量矩阵Φ计算观测向量y＝Φx，实现信号压缩，其中M<N；
信号分离模块，被配置用于根据基波滤除原理，分离原始信号的基波分量与谐波分量，基波分量的稀疏向量估计值记为谐波分量观测向量/>A为传感矩阵；
信号重构模块，被配置用于判断谐波分量是否满足重构条件，若不满足则直接重构原始信号若满足，则对传感矩阵与谐波分量观测向量的内积降序排列，计算斜率曲线，并根据斜率曲线的极点分布估计信号稀疏度，将稀疏度估计值作为SAMP算法的初始步长，采用残差比阈值和生长曲线函数迭代计算得到谐波分量的稀疏向量估计值/>根据/>与/>取并集，得到原始信号的稀疏向量/>根据/>重构原始信号/>
电能质量扰动数据检测模块，被配置用于根据谐波分量的稀疏向量估计值获取谐波和间谐波的幅值、频率和相角，根据重构信号的幅值变化判断扰动情况，并获取扰动的时间和特征参数。
9.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器；
以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如权利要求1-7中任一项所述的基于压缩感知的电能质量扰动数据检测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于压缩感知的电能质量扰动数据检测方法的步骤。
CN202310830327.0A 2023-07-07 2023-07-07 一种基于压缩感知的电能质量扰动数据检测方法和装置 Pending CN116973663A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310830327.0A CN116973663A (zh) 2023-07-07 2023-07-07 一种基于压缩感知的电能质量扰动数据检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310830327.0A CN116973663A (zh) 2023-07-07 2023-07-07 一种基于压缩感知的电能质量扰动数据检测方法和装置

Publications (1)

Publication Number Publication Date
CN116973663A true CN116973663A (zh) 2023-10-31

Family

ID=88475998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310830327.0A Pending CN116973663A (zh) 2023-07-07 2023-07-07 一种基于压缩感知的电能质量扰动数据检测方法和装置

Country Status (1)

Country Link
CN (1) CN116973663A (zh)

Similar Documents

Publication Publication Date Title
CN108037361B (zh) 一种基于滑动窗dft的高精度谐波参数估计方法
CN111912521B (zh) 一种非平稳信号的频率检测方法和存储介质
CN114781196A (zh) 一种基于稀疏采集模型的谐波检测方法
CN116955995B (zh) 一种三相直流无刷电机逆变器故障诊断方法
CN110311392B (zh) 一种基于spdmd的电力系统振荡模式及模态辨识方法
CN109684937B (zh) 一种基于fft及数学形态法的信号去噪方法及装置
CN111505598A (zh) 一种基于frft域三特征联合检测装置及方法
CN111046791A (zh) 一种基于含可变因子广义s变换的电流信号滤波去噪方法
CN116973663A (zh) 一种基于压缩感知的电能质量扰动数据检测方法和装置
CN111079591B (zh) 基于改进多尺度主成分分析的不良数据修复方法及系统
CN112883318A (zh) 相减策略的多频衰减信号参数估计算法
CN112816779A (zh) 一种解析信号生成的谐波实信号参数估计方法
CN105550516B (zh) 基于Adams算法的频率自适应谐波间谐波分析方法
CN111913034A (zh) 一种基于高阶累积量与esprit算法的功率振荡检测方法
CN109254202B (zh) 一种应用于配电网的同步相量测量装置
CN113705335B (zh) 一种低频稀疏线谱信号时频超分辨率提取方法
CN114383718B (zh) 一种基于燃机外机匣振动信号的高频叶片通过频率提取方法
CN112948755B (zh) 一种遥测正弦参数判读方法
CN113591801A (zh) 一种电力信号参数估计方法和装置
CN114184838A (zh) 基于sn互卷积窗的电力系统谐波检测方法、系统及介质
CN111722057A (zh) 一种基于聚类的试验型微电网负荷特性分类方法
CN112034232A (zh) 一种供电系统电压暂降检测方法
CN114859115B (zh) 一种基于快速交替算法的宽频密集频率信号分析方法
CN113092850B (zh) 一种简化s变换的时频谱分析方法及系统
CN111079569B (zh) 基于全相位fft法的主轴不平衡振动信号处理方法

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