【技术实现步骤摘要】
本专利技术涉及电力系统电能质量数据信号处理，具体涉及一种基于深度压缩感知网络的电能质量信号重构方法及其系统。
技术介绍
1、电能因其经济实用、方便传输以及清洁高效等特点成为现代社会使用最为广泛的能源。随着电网规模的扩大以及电气的发展，电力系统运行的自动化水平在逐步提升，但大量的电能质量数据对电力系统的传输以及储存带来很大困扰。因此，为了减少电能数据冗余以及数据传输的负担，研究电能质量数据压缩重构技术具有重大意义。
2、传统的电能质量数据压缩传输方式为采集—压缩—传输—解压缩的模式，该压缩模式的采样数据过于冗余，并且浪费时间、存储空间等。由donoho、candes和陶哲轩等人提出的压缩感知(compressive sensing，cs)理论是一种新的信号处理框架，该理论指出：当信号在某些变换域具有稀疏性时，可用远低于奈奎斯特采样定律所要求的采样点数目重构原始信号。但压缩感知领域的一大挑战在于数据的稀疏表示，已经提出的基于稀疏先验的算法，大多数情况下具有较强的收敛性和理论支撑，但其计算复杂度往往比较高，例如凸优化算法、贪婪算法和迭代收缩阈值算法。
3、综上所述，传统的电能质量数据重构传输方法存在可计算复杂度高、算力负荷大的问题。
技术实现思路
1、有鉴于此，本专利技术提供一种基于深度压缩感知网络的电能质量信号重构方法及其系统，传统的电能质量数据重构传输方法存在的可计算复杂度高、算力负荷大的问题。
2、为解决以上问题，本专利技术的技术方案为采用一种基
3、s1：构建电能质量信号模型并生成由仿真的电能质量信号构成的测试数据集；s2：基于随机高斯矩阵对所述测试数据集中的电能质量信号进行压缩采样，生成低维信号；s3：初始化所述低维信号，生成压缩采样前的信号长度的初始重构信号；s4：将所述初始重构信号输入预构建的神经网络，输出最终重构信号；s5：基于损失函数计算最终重构信号与电能质量信号的重构误差，并基于所述重构误差更新所述神经网络的网络参数；s6：重复s2-s5，直至所述重构误差低于损失阈值，生成训练完成的所述神经网络；s7：在获取到实测电能质量信号时，通过将所述实测电能质量信号转化为初始重构信号并输入至训练完成的所述神经网络，生成最终重构信号。
4、可选地，所述测试数据集被配置为：e∈rw×m，所述电能质量信号被配置为：fi∈rm×1，其中，i＝{1，2，…，w}，w为电能质量信号的样本数量，m为电能质量信号的维度。
5、可选地，所述s2包括：利用公式yi＝φfi，i＝{1，2，…，w}计算所述低维信号，其中，φ∈rn×m 为独立同分布的高斯随机变量生成的随机高斯矩阵，则所述低维信号表达为yi∈rn×1，其中，n＜＜m。
6、可选地，所述s3包括：s31：基于初始重构矩阵初始化所述低维信号，生成压缩采样前的信号长度的初始重构信号；s32：在初始化所述低维信号后，以数据驱动的形式更新所述初始重构矩阵；s33：重复步骤s31-s32，得到所述低维信号对应的多个所述初始重构信号。
7、可选地，所述s4包括：将多个所述初始重构信号分别输入预构建的多个结构相同的神经网络中，依次经过梯度下降模块、稀疏化模块、soft(·)函数和反稀疏化模块处理后，输出的最优值即为所述最终重构信号。
8、可选地，所述初始重构矩阵的初始值被配置为全零矩阵。
9、可选地，所述电能质量信号的种类被配置至少包含正常电能质量信号，稳态电能质量信号以及暂态电能质量信号。
10、相应地，本专利技术提供，一种基于深度压缩感知网络的电能质量信号重构系统，包括：数据仿真模块，通过构建电能质量信号模型，生成由仿真的电能质量信号构成的测试数据集；数据预处理模块，基于随机高斯矩阵对所述测试数据集中的电能质量信号进行压缩采样，生成低维信号后，初始化所述低维信号，生成压缩采样前的信号长度的初始重构信号；神经网络模块，通过输入所述初始重构信号，输出最终重构信号，并基于损失函数计算最终重构信号与电能质量信号的重构误差的同时，基于所述重构误差更新所述神经网络模块的网络参数后，基于更新的初始重构信号继续输出最终重构信号并更新所述网络参数，直至所述重构误差低于损失阈值，所述神经网络模块完成训练；信号重构模块：在获取到实测电能质量信号时，通过将所述实测电能质量信号依次输入至数据预处理模块和神经网络模块，生成最终重构信号。
11、本专利技术的首要改进之处为提供的基于深度压缩感知网络的电能质量信号重构方法，通过将迭代收缩阈值算法与神经网络相结合，使得神经网络在预训练时能够充分学习不同类型及不同压缩方式的质量信号的语义特征，从而在接收到实测电能质量信号时，能够准确生成最终重构信号，有效降低了算力负荷的同时保证了重构信号的准确性，传统的电能质量数据重构传输方法存在的可计算复杂度高、算力负荷大的问题。
本文档来自技高网...【技术保护点】
1.一种基于深度压缩感知网络的电能质量信号重构方法，其特征在于，包括：
2.根据权利要求1所述的电能质量信号重构方法，其特征在于，所述测试数据集被配置为：E∈RW×M，所述电能质量信号被配置为：fi∈RM×1，其中，i＝{1，2，…，W}，W为电能质量信号的样本数量，M为电能质量信号的维度，R为实数集。
3.根据权利要求1所述的电能质量信号重构方法，其特征在于，所述S2包括：
4.根据权利要求1所述的电能质量信号重构方法，其特征在于，所述S3包括：
5.根据权利要求4所述的电能质量信号重构方法，其特征在于，所述S4包括：
6.根据权利要求4所述的电能质量信号重构方法，其特征在于，所述初始重构矩阵的初始值被配置为全零矩阵。
7.根据权利要求2所述的电能质量信号重构方法，其特征在于，所述电能质量信号的种类被配置至少包含正常电能质量信号，稳态电能质量信号以及暂态电能质量信号。
8.一种基于深度压缩感知网络的电能质量信号重构系统，其特征在于，包括：
【技术特征摘要】
1.一种基于深度压缩感知网络的电能质量信号重构方法，其特征在于，包括：
2.根据权利要求1所述的电能质量信号重构方法，其特征在于，所述测试数据集被配置为：e∈rw×m，所述电能质量信号被配置为：fi∈rm×1，其中，i＝{1，2，…，w}，w为电能质量信号的样本数量，m为电能质量信号的维度，r为实数集。
3.根据权利要求1所述的电能质量信号重构方法，其特征在于，所述s2包括：
4.根据权利要求1所述的电能质量信号重构方法，其特征...
【专利技术属性】
技术研发人员：李赋欣，张颉，滕予非，徐厚东，张凌浩，李天瑞，
申请(专利权)人：国网四川省电力公司电力科学研究院，
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。