一种基于简化压缩感知模型的快速超谐波估计方法技术

本发明专利技术属于超谐波测算技术领域，涉及一种基于简化压缩感知模型的快速超谐波估计方法，包括：采样数据滤波，提取超谐波分量；确定原始谱阵；利用插值因子提高原始谱阵的频率分辨率，得到原始谱阵的压缩感知模型；根据原始谱阵的概率密度分布，确定满足超谐波条件的发射频带的谱线数量；确定稀疏度与对应的矩阵索引；根据矩阵索引，构造压缩感知模型的感知矩阵，得到简化压缩感知模型；确定目标频谱阵列。本发明专利技术使用概率密度分布预测压缩感知模型的稀疏度，得到与稀疏度相关的超谐波频谱矩阵索引，得到简化的超谐波压缩感知模型，缩短了单次迭代的计算时间，从而减少超谐波压缩感知模型的计算时间，实现快速、准确的超谐波测量。准确的超谐波测量。准确的超谐波测量。

【技术实现步骤摘要】
一种基于简化压缩感知模型的快速超谐波估计方法


[0001]本专利技术涉及超谐波测算
，具体而言，涉及一种基于简化压缩感知模型的快速超谐波估计方法。

技术介绍

[0002]随着现代电力系统的发展，配电网所连接的分布式可再生能源发电（Renewable Energy Sources，简称RES）日益集成，大量的专用逆变器接入电网，而在用户侧，开关电源、电动汽车充电桩等整流、斩波装置日渐普及，相关设备都会产生高频电压和电流谐波。
[0003]2 kHz至150 kHz范围电压和电流谐波，统称为超谐波，这些设备产生的在2 kHz至150 kHz范围内的谐波严重影响着配电网和临近设备的正常运行。超谐波危害有：导致设备异常工作、产生噪声和造成电力载波通信故障。因此，为了进行超高次谐波发射评估和制定超高次谐波免疫力水平测试标准，快速、准确的超谐波测量方法必不可少。
[0004]现有技术中，专利号CN2019110456314和专利号CN202010136522X的专利技术专利提出在压缩感知模型的基础上使用MACSMP和RBAPVS方法进行超谐波计算，但是上述的超谐波压缩感知方法需要根据稀疏度确定迭代次数，没有提出明确的稀疏度预测方法，且在每一次迭代过程中，都需要计算感知矩阵的所有列与当前残差的内积，计算时间随着稀疏度增加呈线性增长，因此，现有技术缺少用于快速超谐波识别和估计的成熟测量方法。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提供一种基于简化压缩感知模型的快速超谐波估计方法，包括：采样数据滤波，提取超谐波分量；根据所述超谐波分量，确定原始谱阵；利用插值因子提高所述原始谱阵的频率分辨率，得到所述原始谱阵的压缩感知模型；根据所述原始谱阵的概率密度分布，确定满足超谐波条件的发射频带的谱线数量；根据所述谱线数量，确定稀疏度与对应的矩阵索引；根据所述矩阵索引，构造压缩感知模型的感知矩阵，得到简化压缩感知模型；根据所述简化压缩感知模型，确定目标频谱阵列。
[0006]本专利技术的有益效果是：本专利技术使用概率密度分布预测压缩感知模型的稀疏度，得到与稀疏度相关的超谐波频谱矩阵索引；根据超谐波频谱矩阵索引简化感知矩阵，得出简化的超谐波压缩感知模型，该模型在单次迭代中只需计算简化感知矩阵的任意列与当前残差的内积，因此可以缩短单次迭代的计算时间，从而减少超谐波压缩感知模型的计算时间，实现快速、准确的超谐波测量。
[0007]在上述技术方案的基础上，本专利技术还可以做如下改进。
[0008]进一步，根据所述超谐波分量，确定原始谱阵，包括：对所述超谐波分量进行离散傅立叶变换处理，得到所述原始谱阵。
[0009]进一步，根据所述原始谱阵的概率密度分布，确定满足超谐波条件的发射频带的谱线数量，包括：将所述原始谱阵的幅值信息按照概率密度分布分为正态分布与偏态分布；计算所述原始谱阵的偏度和峰度；对所述原始谱阵的偏度和峰度进行Jarque
‑
Bera检验，确定所述原始谱阵的概率密度分布形式，包括正态分布形式与偏态分布形式；根据所述原始谱阵的概率密度分布形式，设置所述原始谱阵的幅值阈值；比较所述原始谱阵的幅值与所述幅值阈值，确定幅值大于所述幅值阈值的所述谱线数量。
[0010]进一步，根据所述谱线数量，确定稀疏度与对应的矩阵索引，包括：谱线数量等于超谐波发射频带数量，每个所述超谐波发射频带包含若干超谐波发射；所述稀疏度等于所述超谐波发射的数量。
[0011]进一步，根据所述矩阵索引，构造压缩感知模型的感知矩阵，得到简化压缩感知模型：获取所述压缩感知模型基于观测矩阵与超谐波发射带的矩阵表达式；根据所述矩阵索引，确定所述超谐波发射的列向量的表达式；将所述超谐波发射的列向量的带宽范围扩大，得到所述压缩感知模型的感知矩阵；根据所述感知矩阵与所述超谐波发射频带，得到所述简化压缩感知模型。
[0012]进一步，根据所述简化压缩感知模型，确定目标频谱阵列，包括：对所述简化压缩感知模型进行迭代筛选，确定所述简化压缩感知模型的参数；根据所述简化压缩感知模型的参数，确定目标简化压缩感知模型；根据所述目标简化压缩感知模型，确定目标频谱阵列。
[0013]进一步，对所述简化压缩感知模型进行迭代筛选，包括：迭代初始化，设置残差、迭代次数、支持集与感知子矩阵的初始值；计算当前残差与所述感知矩阵的列向量的内积，求解所述内积最大时的所述感知矩阵的列向量的位置索引；基于所述位置索引扩充索引集合，计算观测量更新所述残差；设定迭代次数，得到所述简化压缩感知模型的参数，包括索引支持集合与感知子矩阵。
[0014]进一步，根据所述目标简化压缩感知模型，确定目标频谱阵列，包括：根据所述简化压缩感知模型的参数，使用最小二乘法恢复所述频谱阵列。
附图说明
[0015]图1为本专利技术实施例提供的一种基于简化压缩感知模型的快速超谐波估计方法的流程图；
图2为本专利技术实施例中单频测试信号的频率和幅值；图3为本专利技术实施例中D类测试信号频谱；图4为D类测试信号主要发射频谱；图5为本专利技术实施例中两种压缩感知模型残差和感知矩阵列向量内积计算次数比较的仿真图；图6为本专利技术实施例中各种计算方法的单频测试信号计算时间；图7为本专利技术实施例中D类测试信号采用不同计算方法的计算时间比较仿真图；图8为本专利技术实施例中各种计算方法的单频信号幅值测试的频率和幅值估计结果；图9为本专利技术实施例中D类测试信号幅值测试的频率和幅值估计结果；图10为D类测试信号测试结果的仿真图。
具体实施方式
[0016]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0017]作为一个实施例，如附图1所示，为解决上述技术问题，本实施例提供一种基于简化压缩感知模型的快速超谐波估计方法，包括：采样数据滤波，提取超谐波分量；根据超谐波分量，确定原始谱阵；利用插值因子提高原始谱阵的频率分辨率，得到原始谱阵的压缩感知模型；根据原始谱阵的概率密度分布，确定满足超谐波条件的发射频带的谱线数量；根据谱线数量，确定稀疏度与对应的矩阵索引；根据矩阵索引，构造压缩感知模型的感知矩阵，得到简化压缩感知模型；根据简化压缩感知模型，确定目标频谱阵列。
[0018]采样数据滤波，提取超谐波分量；可选的，对含有超谐波的电力信号采样数据使用2
‑
150 kHz的带通滤波器滤波后，将数据均匀划分为若干组的小数据块，其中任何小数据块的时域数据中包含的超谐波分量都可以表示为：的时域数据中包含的超谐波分量都可以表示为：；其中，、和分别是每个频率分量的幅度、频率和初始相位，假设参数稳定不变，是采样间隔，是采样频率的倒数，序列长度为。
[0019]根据超谐波分量，确定原始谱阵；可选的，对超谐波分量进行离散傅立叶变换处理，得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于简化压缩感知模型的快速超谐波估计方法，其特征在于，包括：采样数据滤波，提取超谐波分量；根据所述超谐波分量，确定原始谱阵；利用插值因子提高所述原始谱阵的频率分辨率，得到所述原始谱阵的压缩感知模型；根据所述原始谱阵的概率密度分布，确定满足超谐波条件的发射频带的谱线数量；根据所述谱线数量，确定稀疏度与对应的矩阵索引；根据所述矩阵索引，构造压缩感知模型的感知矩阵，得到简化压缩感知模型；根据所述简化压缩感知模型，确定目标频谱阵列。2.根据权利要求1所述一种基于简化压缩感知模型的快速超谐波估计方法，其特征在于，根据所述超谐波分量，确定原始谱阵，包括：对所述超谐波分量进行离散傅立叶变换处理，得到所述原始谱阵。3.根据权利要求1所述一种基于简化压缩感知模型的快速超谐波估计方法，其特征在于，根据所述原始谱阵的概率密度分布，确定满足超谐波条件的发射频带的谱线数量，包括：将所述原始谱阵的幅值信息按照概率密度分布分为正态分布与偏态分布；计算所述原始谱阵的偏度和峰度；对所述原始谱阵的偏度和峰度进行Jarque
‑
Bera检验，确定所述原始谱阵的概率密度分布形式，包括正态分布形式与偏态分布形式；根据所述原始谱阵的概率密度分布形式，设置所述原始谱阵的幅值阈值；比较所述原始谱阵的幅值与所述幅值阈值，确定幅值大于所述幅值阈值的所述谱线数量。4.根据权利要求1所述一种基于简化压缩感知模型的快速超谐波估计方法，其特征在于，根据所述谱线数量，确定稀疏度与对应的矩阵索引，包括：谱线数量等于超谐波发射频带数量，每个所述超谐波发射频带包含若干超谐波发射；...

【专利技术属性】
技术研发人员：周群，肖凯文，桂泽森，郭家乐，贾峻博，王子仪，万小澳，
申请(专利权)人：四川大学，
类型：发明
国别省市：