[发明专利]一种基于实时压缩感知的多地区电力控制方法

说明书

本发明提出一种基于实时压缩感知的多地区电力控制方法，压缩感知指的是原始信号以远低于奈奎斯特率进行采样，得到小于原始信号维数的测量值进行传输，再通过重构算法从测量值精确地恢复原始信号。压缩感知使得带宽受限的通信网络能传输更多的信号和提高了信号传输效率。本发明在多个地区传输电力信号时引入了压缩感知，减少了传输信号的维数，但在重构缓冲器仍被精确重构信号。由于电力信号在时域上是非稀疏信号，需要对其进行稀疏表示。本发明使用了字典学习算法，通过字典学习算法训练出稀疏字典使得电力信号通过它转换成稀疏向量，然后信号在重构时使用重构算法从稀疏字典和测量矩阵中重构稀疏向量，最后通过稀疏向量恢复原始信号。

技术领域

本发明涉及智能电网领域，更具体地，涉及一种基于实时压缩感知的多地区电力控制方法。

背景技术

现代电力控制系统被认为是当今世上最复杂的系统之一。随着我国经济的发展，各行各业对用电的需求日益增长，电力系统需要传输的信号越来越大。因此，下一代电力控制系统将致力于解决电网控制中大量信号在传输时的实时性，安全性，鲁棒性等问题。同时，根据香农采样定理，要使得采样信号能够重构出原始信号，其采样频率要大于信号带宽的两倍，因而传输大量信号时需要很大的带宽。

因此，一种新型的采样定理—压缩感知(Compressed Sensing，CS)，备受大家青睐。这个理论最初是由Donoho、Candes和Tao等人提出，压缩感知首先是将初始信号进行非自适应线性投影(测量值)，然后利用相应的重构算法从测量值重构出原始信号。压缩感知突破了传统采样定理的瓶颈，有其广泛的应用前景。

压缩感知最主要的三个方面是：信号的稀疏表示，测量矩阵的设计和信号的重构。信号的稀疏表示指的是初始信号利用正交变换基进行稀疏变换后可以由稀疏向量表示，常用的变换基有离散傅里叶变换、离散余弦变换、小波变换以及稀疏字典等。测量矩阵在设计时需要满足约束等距性(Restrict Isometry Property， RIP)。目前CS重构算法主要有三类：凸优化算法、贪婪算法和组合算法。但是这些重构算法只能重构显著非零元素。因此，Wipf和Rao提出了使用稀疏贝叶斯学习求解CS的重构问题，从而为CS提供了新的框架和求解思路。

尽管CS能够降低信号处理时间和计算成本，但是很多研究都将它用在了静态系统上，比如图像压缩，但是静态系统造成较大的时间延迟使得它不能在一些对于实时要求较高的工程中取得很好应用。因此，近几年来，越来越来的研究者将压缩感知引入到一些实时工程应用中，目前有关于实时压缩感知的研究文献有：

[1]J.Zhang,K.Duncan,Y.Suo,T.Xiong,S.Mitra,T.D.Tran and R. Etienne-Cummings,“Communication channel analysis and real time compressed sensing forhigh density neural recording devises,”IEEE Trans.Circuits and System I:Regular Papers,vol.63,no.5,pp.599-608,2016.

[2]Y.Xu,Z.Y,J.Zhang,Z.Fei and W.Liu,“Real-time compressive sensingbased control strategy for a multi-area power system,”IEEE Trans.Smart Grid,2017.

[3]H.Palangi,R.Ward and L.Deng,“Convolution deep stacking networksfor distributed compressive sensing,”Signal Processing.2017,131:181-189.