【技术实现步骤摘要】
本专利技术涉及智能电网高级量测，特别是涉及一种基于压缩感知的高级量测体系中关键要素设计方法。
技术介绍
1、高级量测体系(advanced metering infrastructure，ami)是一套用来测量、收集、储存、分析和运用用户用电信息的支撑处理系统。高级量测体系由用户端/用户户内网络(home area networks，han)、智能电表(采集终端)、数据集中器(数据中转站)、通信网络以及量测数据管理中心这5大部分组成，智能电表、数据集中器和量测数据管理系统是ami的三类核心设备，由数据通信网络依次相连，通过采样、传输等，实现数据的采集，其中量测数据管理中心具有极强的数据处理能力和强大的硬件设施支撑。
2、对han的数据进行采集与传输，是高级量测体系的核心功能，也是实现其他功能的首要环节。未来ami的数据包括三相电压/电流、用电量、有功/无功功率、分时电价、电能质量参数、报警信息等。因此，高级量测体系中的采集数据呈爆炸式增长，海量数据的存储传输迫切要求采集数据的压缩。传统数据压缩方法存在采样频率高、压缩过程复杂、压缩抗扰性差等，对ami的实用性较差。压缩感知(compressed sensing，cs)，是信号在满足稀疏性条件下利用少量随机投影值，以极高概率准确重构原始信号的一种新型理论，为解决上述缺陷和构建新型ami提供了新思路。
3、基于压缩感知的高级量测体系(advanced metering infrastructure based oncompressed sensing,ami-
技术实现思路
1、有鉴于此，本专利技术实施例提供了基于压缩感知的高级量测体系的关键要素设计方法及装置，以解决现有基于压缩感知的高级量测体系中未涉及关键要素设计的现状，提升压缩感知在高级量测体系中的适用性，引导未来基于压缩感知的高级量测体系构建。
2、本专利技术实施例的第一方面提供了一种基于压缩感知的高级量测体系的关键要素设计方法，包括：
3、根据高级量测体系的监测要求和压缩感知用于高级量测体系的基本结构，设计原始信号属性；其中，所述原始信号采集属性包括：原始信号数据类型、采集窗口长度和窗口内采集时间间隔；
4、根据所述原始信号属性和原始信号样本库，基于奇异值分解算法设计目标分类算法，并基于所述目标分类算法构造对应各原始信号数据类型的k-svd稀疏基；
5、基于高斯随机方式、元素循环和伯努利方式，设计高斯-伯努利循环测量矩阵，并制定测量矩阵生成方法与控制方式；
6、分别基于一维序列实时重构和二维序列单日重构设计两级重构算法，以实现对各类原始信号重构值的获取；
7、输出所述原始信号属性、所述目标分类算法、所述高斯-伯努利循环测量矩阵和两级重构算法作为基于压缩感知的高级量测体系的四个关键要素；
8、其中，所述目标分类算法为k-svd算法。
9、在一种可能的实现方式中，所述基于奇异值分解算法设计目标分类算法，并基于目标分类算法构造对应各原始信号数据类型的k-svd稀疏基，包括：
10、根据原始信号属性和原始信号样本库，获取k-svd稀疏基的分类方式及其样本库中的原始信号数据；
11、根据所述样本库中的原始信号数据，按照所述分类方式，分别通过所述目标分类算法对各类型原始信号进行样本训练，获取不同原始信号数据类型的稀疏基；
12、根据所获取的不同原始信号数据类型的稀疏基，获取k-svd稀疏基；
13、其中，k-svd稀疏基由多个稀疏基组成，针对不同原始信号数据类型进行适应性调用。
14、在一种可能的实现方式中，所述分别通过所述目标分类算法对各类型原始信号进行样本训练，获取不同原始信号数据类型的稀疏基，包括：
15、选择一原始信号数据类型，并进行参数初始化和字典初始化；
16、使用正交匹配追踪算法计算稀疏系数，并使用奇异值分解算法更新字典；
17、若未更新完字典的所有原子，则重复使用奇异值分解算法更新字典，直到更新完所有原子；
18、若未达到迭代次数，则重复使用正交匹配追踪算法计算稀疏系数，直到达到迭代次数；
19、输出最终字典作为该原始信号数据类型的稀疏基；
20、重复前述步骤确定下一原始信号数据类型的稀疏基，直到遍历完所有原始信号数据类型，以获取不同原始信号数据类型的稀疏基。
21、在一种可能的实现方式中，所述基于高斯随机方式、元素循环和伯努利方式，设计高斯-伯努利循环测量矩阵，并制定测量矩阵生成方法与控制方式，包括：
22、基于高斯随机方式、元素循环和伯努利方式，构建高斯-伯努利循环测量矩阵的基本形式；
23、根据所述高斯-伯努利循环测量矩阵的基本形式，基于试验确定矩阵压缩比，获取所述高斯-伯努利循环测量矩阵的行数m；
24、根据所述高斯-伯努利循环测量矩阵的基本形式和行数m，生成测量矩阵φ，并按照所述测量矩阵φ生成压缩采样的控制信号。
25、在一种可能的实现方式中，所述基于高斯随机、元素循环和伯努利简化，构建高斯-伯努利循环测量矩阵的基本形式，包括：
26、每个元素按照高斯随机形式生成1×n维横向量其中，每个元素素均独立服从0～1/m范围的高斯分布；
27、对中的元素进行循环，按照
28、
29、形成初始化的测量矩阵φ0；
30、按照对φ0中的元素进行伯努利简化，即按照
31、
32、生成最终的高斯-伯努利循环测量矩阵φ；其中，pm表示取正负号函数，当φ0中元素为正数时为负数时
33、本专利技术实施例的第二方面提供了关键要素设计方法的装置，第一要素设计单元、第二要素设计单元、第三要素设计单元、第四要素设计单元、输出单元；
34、其中，所述第一要素设计单元，用于根据高级量测体系的监测要求和压缩感知用于高级量测体系的基本结构，设计原始信号属性；其中，所述原始信号采集属性包括：原始信号数据类型、采集窗口长度和窗口内采集时间间隔；
35、所述第二要素设计单元，用于根据所述原始信号属性和原始信号样本库，基于奇异值分解算法设计目标分类算法，并基于所述目标分类算法构造对应各原始信号数据类型的k-svd稀疏基；
36、所述第三要素设计单元，用于基于高斯随机方式、元素循环和伯努利方式，设计高斯-伯努利循环测量矩阵，并制定测量矩阵生成方法与控制方式；...
【技术保护点】
1.一种基于压缩感知的高级量测体系的关键要素设计方法，其特征在于，包括：根据高级量测体系的监测要求和压缩感知用于高级量测体系的基本结构，设计原始信号属性；其中，原始信号采集属性包括：原始信号数据类型、采集窗口长度和窗口内采集时间间隔；根据原始信号属性和原始信号样本库，基于奇异值分解算法设计目标分类算法，并基于目标分类算法构造对应各原始信号数据类型的K-SVD稀疏基；基于高斯随机方式、元素循环和伯努利方式，设计高斯-伯努利循环测量矩阵，并制定测量矩阵生成方法与控制方式；分别基于一维序列实时重构和二维序列单日重构设计两级重构算法；输出原始信号属性、目标分类算法、高斯-伯努利循环测量矩阵和两级重构算法作为基于压缩感知的高级量测体系的四个关键要素；其中，目标分类算法为K-SVD算法。
2.根据权利要求1所述的基于压缩感知的高级量测体系的关键要素设计方法，其特征在于，所述根据高级量测体系的监测要求和压缩感知用于高级量测体系的基本结构，设计原始信号属性，包括：
3.根据权利要求2所述的基于压缩感知的高级量测体系的关键要素设计方法，其特征在于，所述数据表征信息包括：用电
4.根据权利要求2所述的基于压缩感知的高级量测体系的关键要素设计方法，其特征在于，所述确定每次压缩采样时的原始信号采集窗口长度N和窗口内采集时间间隔T0，包括：
5.根据权利要求1所述的基于压缩感知的高级量测体系的关键要素设计方法，其特征在于，所述基于奇异值分解算法设计目标分类算法，并基于目标分类算法构造对应各原始信号数据类型的K-SVD稀疏基，包括：
6.根据权利要求1所述的基于压缩感知的高级量测体系的关键要素设计方法，其特征在于，所述基于高斯随机方式、元素循环和伯努利方式，设计高斯-伯努利循环测量矩阵，并制定测量矩阵生成方法与控制方式，包括：
7.根据权利要求6所述的基于压缩感知的高级量测体系的关键要素设计方法，其特征在于，根据所述高斯-伯努利循环测量矩阵的基本形式，基于试验确定矩阵压缩比，获取所述高斯-伯努利循环测量矩阵的行数M，包括：
8.根据权利要求1所述的基于压缩感知的高级量测体系的关键要素设计方法，其特征在于，所述分别基于一维序列实时重构和二维序列单日重构设计两级重构算法，包括：
9.根据权利要求8所述的基于压缩感知的高级量测体系的关键要素设计方法，其特征在于，所述将每日采集的压缩信号y转化为压缩信号合成图像，包括：
10.一种基于压缩感知的高级量测体系的关键要素设计装置，其特征在于，包括：第一要素设计单元、第二要素设计单元、第三要素设计单元、第四要素设计单元和输出单元；
...【技术特征摘要】
1.一种基于压缩感知的高级量测体系的关键要素设计方法，其特征在于，包括：根据高级量测体系的监测要求和压缩感知用于高级量测体系的基本结构，设计原始信号属性；其中，原始信号采集属性包括：原始信号数据类型、采集窗口长度和窗口内采集时间间隔；根据原始信号属性和原始信号样本库，基于奇异值分解算法设计目标分类算法，并基于目标分类算法构造对应各原始信号数据类型的k-svd稀疏基；基于高斯随机方式、元素循环和伯努利方式，设计高斯-伯努利循环测量矩阵，并制定测量矩阵生成方法与控制方式；分别基于一维序列实时重构和二维序列单日重构设计两级重构算法；输出原始信号属性、目标分类算法、高斯-伯努利循环测量矩阵和两级重构算法作为基于压缩感知的高级量测体系的四个关键要素；其中，目标分类算法为k-svd算法。
2.根据权利要求1所述的基于压缩感知的高级量测体系的关键要素设计方法，其特征在于，所述根据高级量测体系的监测要求和压缩感知用于高级量测体系的基本结构，设计原始信号属性，包括：
3.根据权利要求2所述的基于压缩感知的高级量测体系的关键要素设计方法，其特征在于，所述数据表征信息包括：用电量、用电功率、电压有效值、电流有效值、电流最大值、电压最大值、总谐波畸变率、三相电压不平衡度、电压波动指标、频率波动指标、功率因数、三次谐波电流幅值、五次谐波电流幅值、七次谐波电流幅值、九次谐波电流幅值、故障异常信息和电价信息；
4.根据权利要求2所...
【专利技术属性】
技术研发人员：袁博，王林峰，魏孟举，刘钊，刘雪飞，赵贤龙，唐帅，李光毅，
申请(专利权)人：国网河北省电力有限公司经济技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。