基于边缘计算的电力系统稳态数据压缩方法技术方案

本发明专利技术涉及一种基于边缘计算的电力系统稳态数据压缩方法，通过建立联合稀疏模型、建立稀疏冗余字典、明确测量矩阵、建立联合重构算法等阶段，结合压缩感知与分布式信源编码，完成边缘计算下电力系统稳态数据融合；利用小波变换算法，按分辨率将得到的数据融合结果分解至各个尺度水平上，得到高频系数与低频系数，经阈值处理高频系数后，采用无损编码技术输出压缩结果。本发明专利技术结合边缘计算方法，构建出稳态数据压缩方法，有效压缩电力系统数据，缩减储存空间与数据传输量。缩减储存空间与数据传输量。缩减储存空间与数据传输量。

【技术实现步骤摘要】
基于边缘计算的电力系统稳态数据压缩方法


[0001]本专利技术涉及一种基于边缘计算的电力系统稳态数据压缩方法。属于电网


技术介绍

[0002]国民经济不断上升，电网规模日益壮大，电力系统逐渐朝多样化、复杂化方向发展。通过有效记录下海量电力数据，才能满足数据分析、故障监测、广域测量等电力管控需求。如此一来，若想储存、传输电力系统工作时所生成的大规模数据，就会极大程度地增加运行速率与存储空间负担，甚至会阻碍电网跨越式地智能化发展。
[0003]电力系统是电网企业的关键组成部分。社会与科技飞快发展，智能化、信息化程度日益加深，随着电网通信技术迅猛提升，数据传输规模日渐强大，促使数据压缩逐渐演变成电力领域的热点研究课题之一。

技术实现思路

[0004]本专利技术的目的在于克服上述不足，提供了一种基于边缘计算的电力系统稳态数据压缩方法。
[0005]本专利技术的目的是这样实现的：
[0006]一种基于边缘计算的电力系统稳态数据压缩方法，其特点是：包括如下步骤：
[0007]S1、建立联合稀疏模型；
[0008]假设初始稳态数据信号是x
j
，共同部分与新息部分分别为z
c
、z
j
，则信号x
j
的稀疏表示如下所示：
[0009]x
j
＝z
c
+z
j
＝z
j
＝ψθ
j
[0010]其中，稀疏矩阵与相应稀疏系数各是ψ、θ
j
；
[0011]S2、创建稀疏字典；
[0012]关于稀疏分解阶段，已知初始稀疏字典D，经正交匹配追踪算法解得稀疏表示后，得到下式所示的稀疏表示系数
[0013][0014]其约束条件如下所示：
[0015][0016]其中，y表示重构的稳态数据信号，预设阈值是ε，N表示原子数量，F表示稀疏系数矩阵范数；
[0017]在字典更新时的循环计算中，字典训练算法每次只对一个原子作出更新处理；当取得新原子d
k
时，下列等式成立：
[0018][0019]上式中，稀疏系数矩阵X中行序数为j、k的稀释系数分别是d
j
表示序数为j是原子；
[0020]若除d
k
外其余原子所生成的偏差是则改写上式为下列表达式：
[0021][0022]假设原子d
k
的重构信号索引为ω
k
，N*ω
k
的矩阵为Ω
k
，若除(ω
k
(i),i)是非零值外的矩阵元素均为零值，则由上式推导出下列表达式，
[0023][0024]其中，避免结果发散的索引ω
k
表达式如下式所示：
[0025][0026]上式中，将第k行稀疏系数中的零值项去除后，得到行向量即稀疏编码阶段内的原子d
k
偏差列是即
[0027]通过奇异值分解策略分解偏差列得到下列分解表达式：
[0028][0029]其中，两相互正交矩阵各是U、V，对角矩阵为Δ，经分解获得两正交矩阵U、V的首列，用前者完成初始字典内原子d
k
的更新，将后者与对角矩阵Δ(1,1)相乘后，通过所得乘积更新与替换x
j
，进而获取新的稀疏字典；
[0030]S3、确立测量矩阵；
[0031]架构高斯测量矩阵，降低稀疏矩阵表示信号维度，同时确保重构信号准度与约束等距条件成立；
[0032]S4、建立联合重构算法；
[0033]通过融合同步正交匹配追踪算法与学习训练算法，建立联合重构算法；先用前者算法重构所采集的稳态数据，再用后者算法更新稀疏字典；算法运行流程具体描述如下：
[0034]S4
‑
1，初始化处理联合重构算法的相关参数；对于初始残差r0，其与第p个节点对应的残差r
p
之间为相等关系；索引值ω
k
＝0；索引集Λ0是空集；
[0035]S4
‑
2、，将初始信号矩阵X
n*s
、初始字典ψ
n*n
、测量矩阵Φ
m*n
、最低重构信噪比SNR
def
作为输入项，其中，s是节点个数，且p＝{1,2,...,s}，数据长度是n，测量个数是m；
[0036]S4
‑
3，建立传感矩阵，得到下列表达式：
[0037]A
m*n
＝ψ
m*n
*Φ
n*n
[0038]S4
‑
4，采用下列公式求解各行残差r
p
与各列传感矩阵A
q
之间的二范数总和：
[0039][0040]根据取得的二范数总和极大值，保留与之对应的传感矩阵列索引，将其与索引集融合后，得到新的索引集，如下所示：
[0041]Λ
τ
＝[Λ
τ
‑1ξ
p
][0042]S4
‑
5，经最小二乘算法解得相关参数后，利用下列表达式更新残差：
[0043][0044]S4
‑
6，采用下列计算公式分别解得重构的中间信号及其相对方均根误差与重构信噪比：
[0045][0046][0047][0048]最后，对比最低重构信噪比SNR
def
，当信噪比SNR较小时，采用字典训练算法更新字典原子，并返回S4
‑
4；反之，则得到输出结果，即重构结果x
j
′
与所用字典原子；
[0049]S5、小波变换下电力系统稳态数据压缩；
[0050]已知偶数序列e
j+1
，奇数序列o
j+1
，则采用下列表达式描述小波分解过程：
[0051]split(x
′
j
)＝(e
j+1
,o
j+1
)
[0052]上式中，偶数序列e
j+1
＝a
j+1
‑
U(b
j+1
)，奇数序列o
j+1
＝b
j+1
+P(a
j+1
)；其中，a
j+1
与b
j+1
分别表示序列中的低频系数与高频系数，Y(b
j+1
)与P(a
j+1
)分别表示高频系数的更新结果与低频系数的预测结果；
[0053]由此推导出压缩重构的信号表达形式，如下所示：
[0054]x
″
j
＝merge(e
j+1
,o
j+1
)
[0055]其中，merg本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘计算的电力系统稳态数据压缩方法，包括如下步骤：S1、建立联合稀疏模型；假设初始稳态数据信号是x
j
，共同部分与新息部分分别为z
c
、z
j
，则信号x
j
的稀疏表示如下所示：x
j
＝z
c
+z
j
＝z
j
＝ψθ
j
其中，稀疏矩阵与相应稀疏系数各是ψ、θ
j
；S2、创建稀疏字典；关于稀疏分解阶段，已知初始稀疏字典D，经正交匹配追踪算法解得稀疏表示后，得到下式所示的稀疏表示系数下式所示的稀疏表示系数其约束条件如下所示：其中，y表示重构的稳态数据信号，预设阈值是ε，N表示原子数量，F表示稀疏系数矩阵范数；在字典更新时的循环计算中，字典训练算法每次只对一个原子作出更新处理；当取得新原子d
k
时，下列等式成立：上式中，稀疏系数矩阵X中行序数为j、k的稀释系数分别是d
j
表示序数为j是原子；若除d
k
外其余原子所生成的偏差是则改写上式为下列表达式：假设原子d
k
的重构信号索引为ω
k
，N*ω
k
的矩阵为Ω
k
，若除(ω
k
(i),i)是非零值外的矩阵元素均为零值，则由上式推导出下列表达式，其中，避免结果发散的索引ω
k
表达式如下式所示：上式中，将第k行稀疏系数中的零值项去除后，得到行向量即稀疏编码阶段内的原子d
k
偏差列是即通过奇异值分解策略分解偏差列得到下列分解表达式：
其中，两相互正交矩阵各是U、V，对角矩阵为Δ，经分解获得两正交矩阵U、V的首列，用前者完成初始字典内原子d
k
的更新，将后者与对角矩阵Δ(1,1)相乘后，通过所得乘积更新与替换x
j
，进而获取新的稀疏字典；S3、确立测量矩阵；架构高斯测量矩阵，降低稀疏矩阵表示信号维度，同时确保重构信号准度与约束等距条件成立；S4、建立联合重构算法；通过融合同步正交匹配追踪算法与学习训练算法，建立联合重构算法；先用前者算法重构所采集的稳态数据，再用后者算法更新稀疏字典；算法运行流程具体描述如下：S4
‑
1，初始化处理联合重构算法的相关参数；对于初始残差r0，其与第p个节点对应的残差r
p
之间为相等关系；索引值ω
k
＝0；索引集Λ0是空集；S4
‑
2、，将初始信号矩阵X
n*s
、初始字典ψ
n*n
、测量矩阵Φ
m*n
、最低重构信噪比SNR
def
作为输入项，其中，s是节点个数，且p＝{1,2,...,...

【专利技术属性】
技术研发人员：田浩，叶小晖，赵二岗，王可庆，
申请(专利权)人：南京信息工程大学滨江学院，
类型：发明
国别省市：