一种基于自适应字典学习的电能质量数据压缩重构方法技术

本发明专利技术公开了一种基于自适应字典学习的电能质量数据压缩重构方法，采用自适应字典学习实现对电能质量数据的稀疏表示。本发明专利技术首先利用大量不同类型的电能质量数据组成训练样本集，保证训练样本的完备性和冗余性，然后对训练样本集自适应的抽取最能代表电能质量数据的基原子稀疏编码迭代获得自适应字典。利用随机高斯矩阵对输入的电能质量测试信号进行降维测量，实现压缩采样。最后基于压缩感知理论，利用自适应字典进行稀疏求解得到测试信号的稀疏表示矩阵，解码重构原信号。本发明专利技术实现了对电能质量数据的简单压缩采样和精准重构，提高了电能质量数据的采样效率，减少了冗余数据的存储。

【技术实现步骤摘要】

本专利技术属于电力系统电能质量数据压缩重构研究领域，具体涉及一种基于自适应字典学习的电能质量数据压缩重构方法。
技术介绍
随着电网规模的扩大、网络集成化、电气信息化的发展，一方面提高了电力系统运行管理的自动化和信息化水平，另一方面大量的电能质量数据给电力系统的存储和传输造成很大的负担。深入研究电能质量数据压缩重构技术，对减少电能质量数据冗余存储的负担，提高电力数据传输的实时性，加快电力系统信息化的发展具有重要意义。电力系统电能质量数据压缩重构已经成为目前研究的新兴课题。由香农采样定律可知，采样频率在不小于采样信号频谱中最高频率的2倍时，信号才能精确重构。于是传统的电能质量数据压缩传输方法遵循数据采集——压缩——传输——解压缩的模式，对前段的采样压缩传感器、处理器要求较高，采样数据量过于冗杂，浪费时间、存储空间和网络带宽资源。近年来提出的压缩感知理论，给数据的采集压缩带来了新的革命。基于压缩感知理论，将电能质量数据的采样和压缩合二为一，不再局限于香农采样定理，大大降低了采样速率和时间、减轻了前段采集器件的工作负担和减小了传输系统中数据的传输压力。但是在基于压缩感知理论的电能质量数据压缩重构过程中，一般采用的傅里叶正交变换基或者DCT、DWT等通用字典对电能质量数据进行稀疏表示，没有考虑到电能质量数据与稀疏变换基(稀疏变换字典)的匹配问题。因此本专利技术提出的基于自适应字典学习的电能质量数据压缩重构方法将自适应字典学习与压缩感知理论结合在一起，通过对大量的电能质量数据训练样本集进行稀疏编码，抽取最能代表电能质量数据的部分原子，反复迭代优化训练获得自适应字典。此时的电能质量数据样本都与自适应字典相匹配，可以用少量自适应字典中的原子的线性组合来表示电能质量数据样本，最终实现电能质量数据的快速压缩和精准重构。
技术实现思路
本专利技术的目的在于提出一种基于自适应字典学习的电能质量数据压缩重构方法，采用自适应字典学习实现对电能质量数据的稀疏表示，突破传统数据压缩方法先采样后压缩的框架，将采样与压缩融为一体，少量采样即能够实现对电能质量数据的快速压缩和精准重构，不仅能够降低对硬件的要求，而且能够提高压缩效率。本专利技术采用的技术方案是包括如下步骤：步骤1，建立不同类型的电能质量数据信号模型，生成大量的电能质量数据，组成电能质量信号训练样本集；步骤2，挑选电能质量信号训练样本集中部分原子对自适应字典初始化，然后对目标函数值求解优化，抽取最能代表电能质量数据特征的基原子进行稀疏编码，反复迭代获得自适应字典；步骤3，利用随机高斯矩阵，对输入的电能质量测试信号进行降维测量，获得低维压缩信号，完成测试信号的数据压缩；步骤4，基于压缩感知理论，利用自适应字典求解电能质量测试信号的稀疏表示矩阵，通过反变换解码实现对原电能质量测试信号的重构。进一步，步骤1中，仿真建立的电能质量信号训练样本集模型为E∈RM×W，其中W为训练样本数，M为每个训练样本的采样点数；该训练样本集包含各种电能质量类型：正常电能信号，稳态电能质量信号，以及暂态电能质量信号。进一步，步骤2中，挑选电能质量信号训练样本集中部分原子对自适应字典初始化包括以下步骤：步骤2.1，随机挑选电能质量训练样本集中的P个训练样本初始化字典D0∈RM×P，其中自适应字典中的基原子个数P，为了后面数据处理的方便保证程序运行时快速收敛，对D0的每一列进行二范数规范化处理其中j＝1，2，…，P；步骤2.2，初始化字典的优化目标函数为：其中A0为电能质量信号训练样本集E在自适应字典D0上的稀疏表示矩阵，λ为正则化参数用于平衡信号重构误差和稀疏程度，采用λ＝1；步骤2.3，初始化迭代次数初值为t＝1，根据初始化字典的基原子个数特征，选定总迭代次数m＝20，迭代容忍误差JS＝0.01。进一步，步骤2中，对目标函数值求解优化，抽取最能代表电能质量数据特征的基原子进行稀疏编码，反复迭代获得自适应字典的具体步骤为：步骤2.a，固定第i次迭代后获得的自适应字典Di，求解对应的稀疏表示矩阵Ai，目标函数简化为：求解过程是普通的稀疏表示问题，采用任意追踪算法求出目标函数的近似稀疏解；步骤2.b，固定第i次迭代后获得的稀疏表示矩阵Ai，对自适应字典Di字典中每一个基原子进行优化，目标函数进行以下更新： J D i = arg min D i ( | | E - Σ j = 1 k D i j A i j T | | 2 2 ) = ( | | ( E - Σ j ≠ k D i j A i j T ) - D i k A i k T | | 2 2 ) = ( | | E k - D i k A i 本文档来自技高网...

【技术保护点】
一种基于自适应字典学习的电能质量数据压缩重构方法，其特征在于，包括如下步骤：步骤1，建立不同类型的电能质量数据信号模型，生成大量的电能质量数据，组成电能质量信号训练样本集；步骤2，挑选电能质量信号训练样本集中部分原子对自适应字典初始化，然后对目标函数值求解优化，抽取最能代表电能质量数据特征的基原子进行稀疏编码，反复迭代获得自适应字典；步骤3，利用随机高斯矩阵，对输入的电能质量测试信号进行降维测量，获得低维压缩信号，完成测试信号的数据压缩；步骤4，基于压缩感知理论，利用自适应字典求解电能质量测试信号的稀疏表示矩阵，通过反变换解码实现对原电能质量测试信号的重构。

【技术特征摘要】
1.一种基于自适应字典学习的电能质量数据压缩重构方法，其特征在于，包括如下步
骤：步骤1，建立不同类型的电能质量数据信号模型，生成大量的电能质量数据，组成电能质
量信号训练样本集；步骤2，挑选电能质量信号训练样本集中部分原子对自适应字典初始
化，然后对目标函数值求解优化，抽取最能代表电能质量数据特征的基原子进行稀疏编码，
反复迭代获得自适应字典；步骤3，利用随机高斯矩阵，对输入的电能质量测试信号进行降
维测量，获得低维压缩信号，完成测试信号的数据压缩；步骤4，基于压缩感知理论，利用自
适应字典求解电能质量测试信号的稀疏表示矩阵，通过反变换解码实现对原电能质量测试
信号的重构。
2.根据权利要求1所述的一种基于自适应字典学习的电能质量数据压缩重构方法，其
特征在于，步骤1中，仿真建立的电能质量信号训练样本集模型为E∈RM×W，其中W为训练样本
数，M为每个训练样本的采样点数；该训练样本集包含各种电能质量类型：正常电能信号，稳
态电能质量信号，以及暂态电能质量信号。
3.根据权利要求1所述的一种基于自适应字典学习的电能质量数据压缩重构方法，其
特征在于，步骤2中，挑选电能质量信号训练样本集中部分原子对自适应字典初始化包括以
下步骤：
步骤2.1，随机挑选电能质量训练样本集中的P个训练样本初始化字典D0∈RM×P，其中自
适应字典中的基原子个数P，为了后面数据处理的方便保证程序运行时快速收敛，对D0的每
一列进行二范数规范化处理其中j＝1，2，…，P；
步骤2.2，初始化字典的优化目标函数为：s.t.
其中A0为电能质量信号训练样本集E在自适应字典D0上的稀疏表示矩阵，λ为正
则化参数用于平衡信号重构误差和稀疏程度，采用λ＝1；
步骤2.3，初始化迭代次数初值为t＝1，根据初始化字典的基原子个数特征，选定总迭
代次数m＝20，迭代容忍误差JS＝0.01。
4.根据权利要求1所述的一种基于自适应字典学习的电能质量数据压缩重构方法，其
特征在于，步骤2中，对目标函数值求解优化，抽取最能代表电能质量数据特征的基原子进
行稀疏编码，反复迭代获得自适应字典的具体步骤为：
步骤2.a，固定第i次迭代后获得的自适应字典Di，求解对应的稀疏表示矩阵Ai，目标函
数简化为：求解过程是普通的稀疏表示问题，采用任意追
踪算法求出目标函数的近似稀疏解；
步骤2.b，固定第i次迭代后获得的稀疏表示矩阵Ai，对自适应字典Di字典中每一个基原
子进行优化，目标函数进行以下更新：
J D i = arg min D i ( ...

【专利技术属性】
技术研发人员：沈跃，张瀚文，刘国海，刘慧，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32