[发明专利]基于分布式压缩传感的低开销电力数据采集方法

说明书

本发明公开了一种基于分布式压缩传感的低开销电力数据采集方法，降低了智能电网中采集电力数据的开销。本发明的电力稀疏矩阵可以对电力数据进行更好的稀疏表示。本发明的联合重构算法使得原始数据能够在终端被准确的重构，并且很大程度的减少电力数据传输开销。

技术领域

本发明涉及一种基于分布式压缩传感的低开销电力数据采集方法。

背景技术

近年来，随着科技的发展电网正在向智能电网转变，逐渐与先进的传感器和智能基础设施相结合。如何准确的评估电力系统状态成为电力传输网络的关键。状态估计需要通过传输网络中不同位置的仪表对电力数据进行采样，包括电压，电流，功率等。智能电网的正确运行依赖于采集电网的细粒度的状态检测数据，然而，直接传输原始的检测数据，带来大量的传输和存储开销。

针对这个问题，奈奎斯特定理可以大大降低数据采集开销。在该方式下只要满足以大于信号最高频率两倍的频率进行信号采样，就能保证对原始信号进行精确重构。该理论支配着几乎所有信号的获取、处理、存储和传输。在许多实际应用中，信息在存储和处理中，为达到采样率而需要大量的采样数据，从而导致采样硬件成本昂贵，获取效率低下甚至在某些情况难以实现。

为了进一步降低数据采集代价，由Candès，Romberg，Tao和Donoho所提出的,基于信号稀疏性的压缩感知技术是解决这类问题的有效方式。压缩感知(Compressedsensing)，也被称为压缩采样(Compressive sampling)或稀疏采样(Sparse sampling)，是一种寻找欠定线性系统的稀疏解的技术。压缩感知被应用于电子工程尤其是信号处理中，用于获取和重构稀疏或可压缩的信号。这个方法利用信号稀疏的特性，相较于奈奎斯特理论，得以从较少的测量值还原出原来整个欲得知的信号。压缩感知理论指出：当信号在某个变换域是稀疏的或可压缩的，可以利用与变换矩阵非相干的测量矩阵，将变换系数线性投影为低维观测向量，同时这种投影保持了重建信号所需的信息，通过进一步求解稀疏最优化问题就能从低维观测向量精确地或者高概率精确地重建原始信号。

作为一种有效的数据采集和传输方法，压缩感知技术在智能电网数据采集中十分有效。但是，压缩感知技术应用于智能电网数据采集中也有许多不足之处：①虽然以往研究验证了压缩传感进行低开销数据采集的有效性，但是这些研究大多根据先验选取一个已知矩阵作为稀疏矩阵进行重构，稀疏矩阵选取依赖于设计者的经验，导致重构结果并不理想。而且，现有已知稀疏矩阵，难以很好的表示电力数据。②现有基于压缩感知的智能电网电力数据采集框架只利用了单个中间站临近时刻的监测数据的相关性，并未考虑多个中间站的站与站之间临近时刻的监测数据的相关性。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种基于分布式压缩传感的低开销电力数据采集方法，降低智能电网中采集电力数据的开销。

为解决上述技术问题，本发明所采用的技术方案是：一种基于分布式压缩传感的低开销电力数据采集方法，包括以下步骤：

1)智能电网中间站采集原始电力数据f，利用测量矩阵Φ得到压缩的观测信号y＝Φf；

2)利用所述观测信号y构建电力稀疏矩阵Ψ；

3)通过联合重构算法将多组观测信号进行联合恢复：接收端接收到压缩的观测信号y＝Φf，首先利用测量矩阵Φ和电力稀疏矩阵Ψ将y转换为稀疏信号：x＝Ψ-¹Φ-¹y，再恢复获得原始电力数据f：f＝Ψx。

步骤2)的具体实现过程包括：

1)获取一组电力数据信号F＝[f₁,f₁,...,f_n]；

2)初始化稀疏矩阵Ψ(⁰)；