CN106546846A - 基于压缩感知盲源信号分离技术的电能质量信号检测装置 - Google Patents
基于压缩感知盲源信号分离技术的电能质量信号检测装置 Download PDFInfo
- Publication number
- CN106546846A CN106546846A CN201610910922.5A CN201610910922A CN106546846A CN 106546846 A CN106546846 A CN 106546846A CN 201610910922 A CN201610910922 A CN 201610910922A CN 106546846 A CN106546846 A CN 106546846A
- Authority
- CN
- China
- Prior art keywords
- signal
- matrix
- electric energy
- source signal
- source
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000926 separation method Methods 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000005516 engineering process Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 238000005070 sampling Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims abstract description 12
- 230000003595 spectral effect Effects 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 230000001105 regulatory effect Effects 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000007906 compression Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 102000001253 Protein Kinase Human genes 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 108060006633 protein kinase Proteins 0.000 claims description 3
- 241001212149 Cathetus Species 0.000 claims description 2
- 230000003750 conditioning effect Effects 0.000 claims 1
- 108091000080 Phosphotransferase Proteins 0.000 abstract description 5
- 102000020233 phosphotransferase Human genes 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 15
- 235000013350 formula milk Nutrition 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明公开了一种基于压缩感知盲源信号分离技术的电能质量信号检测装置,装置包括:信号调理模块采用电压互感器或电流互感器与电网连接并将电力***中的电能质量信号接入,并通过抗混叠低通滤波器滤出干扰高频信号;信号采样模块对m路观测信号进行多通道同步采样转换,并以数字输入的形式进入信号处理分析模块;数字信号进入以ARM管理控制功能和DSP计算分析功能的信号处理分析模块中,进行傅里叶变换,得到复矩阵;抽取复矩阵中两路观测信号的频谱幅值,组成频谱散点图,根据直线方向确定源信号个数,使用聚类方法估计出混合矩阵,使用CoSaMP算法重构出各个源信号;将结果存储并输出显示源信号数目估计值、估计混合矩阵、分离的各个源信号。
Description
技术领域
本发明涉及压缩感知盲源信号分离检测领域,尤其涉及一种基于压缩感知盲源信号分离技术的电能质量信号检测装置。
背景技术
随着信息化的快速发展,电力***的智能化程度不断提高。一方面,作为信息获取部分,感知层包含成百上千个传感器的异构传感器网,造成数据规模巨大,会产生海量的数据。与此同时,电力***的数据处理单元需要实时、高效处理大量数据。另外一方面,由于接入电网的各种分布式电源、非线性负荷等使得电能质量污染问题日益严重,作为电能质量问题主要方面的电能质量信号的检测和治理是电网智能化面临的关键问题。随着电网的智能化发展,电网中海量电能质量信号数据的采样传输和各个组成源信号分离检测问题日益凸显,传统数据采样方法均以奈奎斯特(Nyquist)采样定理基础,但由于实际环境复杂,信号的采样频率高,造成采样端存储和传输压力大。
发明内容
本发明提供了一种基于压缩感知盲源信号分离技术的电能质量信号检测装置,本发明降低了海量数据传输量,并有效分离出电能质量信号中各个源信号,详见下文描述:
一种基于压缩感知盲源信号分离技术的电能质量信号检测装置,所述装置包括:信号调理模块,信号采样模块,信号处理分析模块。
信号调理模块,采用电压互感器或电流互感器与电网连接并将电力***中的电能质量信号接入,并通过抗混叠低通滤波器滤出干扰高频信号;
信号采样模块,用于对m路观测信号进行多通道同步采样转换,并以数字输入的形式进入信号处理分析模块;
信号处理分析模块:数字信号进入以ARM管理控制功能和DSP计算分析功能的计算分析模块中,进行傅里叶变换,得到复矩阵;抽取复矩阵中两路观测信号的频谱幅值,组成频谱散点图,根据直线方向确定源信号个数n,并使用聚类方法估计出混合矩阵,最后使用CoSaMP算法重构出各个源信号;
将结果存储并输出显示源信号数目估计值、估计混合矩阵、分离的各个源信号;
其中,该装置中信号处理分析模块的具体实施过程步骤如下:
1):初始化,输入m路观测信号H(t)=[h1(t),h2(t),…hm(t)]T;
2):对于m路中两路观测信号进行傅里叶变换,得到两个二维复矩阵,其行对应频率值,列对应采样时间段,矩阵元素对应频谱幅值;
抽取这两个复矩阵中相同列对应的频谱幅值,组成频谱散点图;依据散点图中直线方向估计得到源信号个数n;
3):随机选择n点作为初始聚类中心,计算每个对象与中心对象的距离,依据邻近原则,选择最近的中心归类;
4):求出每一类的中心,重新确定聚类中心位置,若聚类中心发生变化,则重新根据邻近原则,选择最近的中心归类;若聚类中心收敛,则下一步并输出混合矩阵;
5):混合矩阵构造测量矩阵,结合压缩采样匹配追踪恢复算法恢复出各个源信号O(t)=[o1(t),o2(t),…on(t)]T,算法结束。
其中,信号采样模块中的m路观测信号与信号处理分析模块估计出的源信号个数n之间的关系:m<n。
其中,将欠定盲源信号分离模型中的混合矩阵A与压缩感知理论模型中的测量矩阵Φ对应,观测信号H(t)与测量向量y对应,因此欠定盲源信号分离模型可在压缩感知框架下进行求解;
获得电能质量信号分离检测问题就通过求解最小l0范数的最优化问题来实现。
本发明提供的技术方案的有益效果是:本发明能够广泛应用于电力***电能质量信号检测中,与传统的电能质量信号检测相比,本发明装置的ARM+DSP中核心分离检测方法将信号的稀疏性特点与盲源信号分离理论相结合,能有效的分离出电能质量信号中的各个源信号;同时,由于充分考虑各个电能质量源信号的稀疏性特点,能够降低采样端海量存储和数据传输压力,并且,随着采集节点规模增加,降低数据采集传输的优势就越明显,更适用于电能质量信号检测过程。
附图说明
图1为本发明提供的基于压缩感知盲源信号分离技术的电能质量信号检测装置的结构示意图;
图2为本发明提供的该装置的软件主程序流程图;
图3为本发明提供的ARM+DSP核心硬件实施图;
图4本发明提供的各类型电能质量信号在傅里叶变换基下的稀疏信号;
图5本发明提供的基于压缩感知的盲源信号分离检测算法流程图;
图6本发明提供的理想电网环境下观测电能质量信号时频域散点图;
图7本发明提供的实际有干扰电网环境下观测电能质量信号时频域散点图;
图8本发明提供的理想电网环境下电能质量各个分离源信号图;
图9本发明提供的实际有干扰电网环境下电能质量各个分离源信号图。
附图中,各标号所代表的部件列表如下:
1:信号调理模块; 2:信号采样模块;
3:信号处理分析模块; 11:电流/电压互感器;
12:抗混叠低通滤波器; 21:多通道同步采样A/D模数转换器;
22:采样间隔控制逻辑单元; 23:倍频锁相同步控制单元;
31:ARM+DSP核心配置及电源电路; 32:实时时钟等***处理电路;
33:人机交互输入输出装置; 34:高速存储硬盘及显示装置。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
为了解决背景技术中存在的缺陷,近年来诞生的压缩感知技术通过将压缩过程与采样过程相融合,在采样过程中完成对数据的压缩,降低数据传输量。同时,盲信号分离理论能从传感器获取的混合信号和少量的先验信息恢复出源信号。因此,本发明结合压缩感知理论和盲源信号分离理论,在降低采样传输压力的同时能有效分离出电能质量信号中的各个源信号。
压缩感知(Compressed Sensing,CS)是一种新型的信号采样理论,当信号满足稀疏性条件时,可以将信号投影到低维空间以远低于信号奈奎斯特频率的采样速率对信号进行全局观测,然后通过合适的恢复算法重构源信号。压缩感知理论突破了Nyquist采样定理的瓶颈,建立了全新的信号描述和处理框架,极大地降低数据采集—传输量和处理成本,降低计算量,减少计算时间。压缩感知理论将压缩过程与采样过程相融合,在采样中完成对数据的压缩,有效降低对采样端硬件的需求。
压缩感知理论核心思想是:当N维原始信号x为K稀疏信号时,通过测量矩阵对x进行线性降维观测得到M维观测向量y(M<N),称为压缩采样值,然后利用压缩感知恢复算法重构出稀疏向量s和原始信号x。其模型为
y=Φx=ΦΨs=Θs
式中:Φ为测量矩阵;Ψ为稀疏基;Θ为感知矩阵。从观测向量y重构信号x的过程为欠定方程组求解问题,s的稀疏性使该问题可求解。
盲源信号分离(blind signal separation,BSS)检测技术可在源信号和传输信道参数均未知的情况下,根据源信号的统计特性,仅通过从传感器获取的混合信号和少量的先验信息恢复出源信号的过程。故采用盲信号处理技术的谐波检测方法更具有实用价值与理论意义。盲信号分离的核心问题是分离矩阵的学习算法。
盲源分离基本思想是:N维未知源信号o(t)及M维噪声n(t)经过未知混合矩阵得到M维观测信号H(t)。求分离矩阵B,使得通过该矩阵就可从观测信号H(t)恢复出源信号o(t),盲源分离的数学模型表示为
实际BSS问题根据M和N的关系分为3类:
(1)M>N,观测信号的个数大于源信号的个数(超定盲源分离问题);
(2)M=N,观测信号的个数等于源信号的个数(正定盲源分离问题);
(3)M<N,观测信号的个数小于源信号的个数(欠定盲源分离问题)。
实施例1
本发明实施例针对电力***中数据量不断增长及电能质量污染日益严重,电能质量信号分离和海量数据采集传输等关键问题,形成基于压缩感知盲源信号分离技术的电能质量信号检测装置,参见图1、图2和图3,本装置的核心是在DSP+ARM计算分析单元中实现自主提出的一种压缩感知盲源信号分离检测方法。
该分离检测方法对m路电能质量观测信号采用两步法实现电能质量信号盲源分离。第1步在估计出电能质量源信号个数的基础上,利用线性聚类估计混合矩阵;第2步,采用压缩感知恢复方法分离出各源信号。
综上所述,本发明实施例通过对无噪声和含噪声两种电能质量观测信号进行分析验证,表明本发明实施例设计的装置可实现在降低数据传输量的同时实现电能质量源信号有效分离。
实施例2
下面结合具体的附图对实施例1中的一种基于压缩感知盲源信号分离技术的电能质量信号检测装置的结构进行详细描述,装置图如图1所示。
所述装置器件包括:信号调理模块1,信号采样模块2,信号处理分析模块3,其中,信号调理模块1采用电压互感器/电流互感器11与电网连接,并将电力***中的电能质量信号接入本装置,并通过抗混叠低通滤波器12滤出干扰高频信号;
信号采样模块2包括:多通道同步采样A/D模转换器21、采样间隔控制逻辑单元22,倍频锁相同步控制单元23。
信号处理分析模块3包括:ARM+DSP核心配置及电源电路31,实时时钟等***处理电路32、人机交互输入输出装置33、高速存储硬盘及显示装置34、并接入以太网。
信号调理模块1的PT/CT11的采集端与电网连接,采集的模拟信号进入抗混叠低通滤波器12,滤波器截止频率为2500Hz可以滤去高于51次的谐波,滤波用以减小高频信号对于本装置检测的影响,保证装置的检测精度。
信号经过抗混叠低通滤波器12后进入多通道同步采样A/D模数转换器21,将多通道模拟信号转换成可以用以计算分析的数字信号,其中,A/D模数转换器21采用ADS8364十六位模数转换器,具有6通道同时采样和转换。ADS8364由3个ADC模块组成,每个ADC模块有两个模拟输入通道,每个通道都有相应的采样保持器,3个ADC组成3对模拟输入端,可同时对输入信号进行采样保持,然后逐个转换。满足本发明中多路信号同时采样功能。
数字信号进入以ARM管理控制功能和DSP计算分析功能的信号处理分析模块3中,其中DSP和ARM之间采用CAN总线进行通信;进行傅里叶变换,组成频谱散点图,根据直线方向确定源信号个数,并使用聚类方法估计出混合矩阵,最后使用CoSaMP算法重构出各个源信号。
输出的各个源信号及估计的混合矩阵由高速存储硬盘及显示装置34存储,并由人机交互输入输出装置33输出源信号数目估计值,估计混合矩阵,分离各个源信号。
其中,ARM+DSP核心配置及电源电路31采用ARMS3C2440+DSPTMS320F28335。S3C2440能实现本发明装置内各部分协调与通信,主要用于实现数据的分类存储、实时波形与具体电能质量参数的显示、以及上位机通信与数据传输等三方面功能。
其中,TMS320F28335器件的精度高,性能高,外设集成度高,将各种通信协议集成在片内,如将CAN总线的物理层和数据链路层都集成在片内,在硬件上,只要加个一个收发器即可实现通信;还配置了丰富的外设,兼备了较强的运算能力和控制、通信功能;数据以及程序存储量大,加转换更精确快速等。它采用哈佛流水线结构,保证程序数据的高速传输,能够快速执行中断响应.并具有统一的内存管理模式,可用C/C++语言实现复杂的数学算法;该组合满足本发明的分离检测方法的实现。
电能质量信号分离检测装置***软件主程序如图2所示,其主要包括以下几个部分:
上载程序:将DSP开发完成后的程序烧写到DSP中。
***初始化:完成DSP模块的初始化,包括TMS320F28335自身的I/O口模式、定时器、中断的选择;模数转换模块同步采样和采样数据串行读入初始化;时钟数据的串行读取初始化和校正;
设定互感器的采样点数:不同区域的电力***设置不同的采样点数。
开放***中断,响应数据经A/D采样,然后运用压缩感知盲源信号分离检测方法对采样数据进行分离检测,进而响应结果显示程序。从而输出结果。
综上所述,本发明实施例设计的装置可实现在降低数据传输量的同时实现电能质量源信号有效分离。
实施例3
压缩感知盲源信号分离检测方法在ARM+DSP计算分析模块的硬件实施图如图3所示。将m路观测信号H(t)经过2500Hz低通滤波器滤出高频信号,用以减小高频信号对于***检测的影响,保证装置的检测精度。在将H(t)经过A/D采样得到样本序列[h1(1)…h1(k)…hm(1)…hm(k)],并以数字输入的形式进入DSP芯片,经过DSP芯片的内部分离检测算法处理,依据傅里叶变换到频域,组成频谱散点图,根据直线方向确定源信号个数n,并使用聚类方法估计出混合矩阵,最后使用CoSaMP算法重构出各个源信号。
一种压缩感知盲源信号分离检测方法,其步骤如下:
稀疏性验证:信号的稀疏性是压缩感知盲源信号分离检测方法继续研究的前提,稀疏信号是指在绝大多数时刻取值为零或者非常小,在少数时刻取值比较明显的信号。本发明实施例对电能质量信号进行稀疏性分析,得到电能质量信号在傅里叶稀疏基下具有稀疏性,如图4所示。
m路电能质量信号经过采样模数转换,每路观测电能质量信号有k个采样点,观测的数字电能质量采样信号表示为:
式中:hi为第i个观测信号;aij为混合矩阵的系数;oj为电能质量信号所包含的第j个源信号;
式中:hi(z),z=1,2,…k.为第i个观测信号第z个采样值;oj(z),z=1,2,…k.为电能质量信号所包含的第j个源信号第z个采样值;为以aij为值的k×k对角矩阵,
依据稀疏性验证,每种源信号均可以用一组稀疏基Ψ稀疏表示,由于电能质量信号在时域不符合稀疏性,而在傅里叶稀疏基下符合稀疏性,其稀疏域变换公式如下。
o(t)=Ψc (2)
式中,c是源信号在频域表示的系数。
问题定义:将欠定盲源信号分离模型中的混合矩阵A与压缩感知理论模型中的测量矩阵Φ对应,观测信号H(t)与测量向量y对应,则欠定盲源信号分离模型可在压缩感知框架下进行求解。则电能质量信号分离检测问题就可以通过求解最小l0范数的最优化问题来实现,即
电能质量信号分离检测问题表示为给定观测信号y和观测矩阵A,寻找源信号o(t),使得y=Ao(t),且o(t)在稀疏基Ψ的作用下,源信号分离问题可以通过压缩感知理论中的信号恢复算法来解决。与压缩感知信号重构过程所不同的是,在欠定盲源信号分离问题中,由于混合矩阵是未知的,因此求解式(3)还需要预先估计出混合矩阵A。
压缩感知盲源信号分离检测算法:本发明装置中ARM+DSP核心算法具体实施过程分为两部分实现电能质量信号分离检测:第一部分,估计混合矩阵;第二部分,分离检测各个源信号。压缩感知盲源信号分离检测算法流程如图5所示:
算法的步骤如下:
Step1:初始化,输入m路观测信号H(t)=[h1(t),h2(t),…hm(t)]T。
Step2:对于m路中两路观测信号进行傅里叶变换,得到两个二维复矩阵,其行对应频率值,列对应采样时间段,矩阵元素对应频谱幅值。抽取这两个复矩阵中相同列对应的频谱幅值,组成短时频谱散点图。依据散点图中直线方向估计得到源信号个数n。
Step3:随机选择n点作为初始聚类中心Mi(i=1,2,…,n),计算每个对象与中心对象的距离d(Mi,Fj(f)),依据邻近原则,选择最近的中心归类。
Step4:求出每一类的中心,重新确定聚类中心位置。若聚类中心发生变化,则重新根据邻近原则,选择最近的中心归类。若聚类中心收敛,则下一步并输出混合矩阵。
Step5:混合矩阵构造测量矩阵,结合压缩采样匹配追踪恢复算法(CoSaMP)恢复出各个源信号O(t)=[o1(t),o2(t),…on(t)]T。算法结束。
分析本发明的装置对混合电能质量信号的分离检测效果,由以下两路电力***电能质量信号,进行该信号进行分离检测处理,如表1所示。
表1两路电能质量观测信号
1)源信号个数估计计算
理想无噪声干扰的电网环境下:得到两个信号的时频域散点图如图6所示。除零点外,图中信号集中在4个点附近,形成4个分离的向量,由此清晰获得源信号中包含4个分量。
实际有干扰电网环境下:含30dB噪声环境下,得到两个信号的时频域散点图如图7所示。非零值数据明显分散在4个方向向量上,可准确确定源信号个数为4,源信号估计准确度100%。
2)混合矩阵估计计算
利用所描述的线性聚类估计出混合矩阵如表2所示,在理想无噪声干扰和实际有干扰的电网环境下分别得到两种情况混合矩阵估计值,表2可以得到在实际有干扰的情况下,混合矩阵的估计值出现了一定的偏差。为了衡量估计矩阵的精确性,本发明实施例采用广义串扰误差(generalized cross-talking error,GCE)的误差衡量标准进行判定,其中A和B分别代表原始混合矩阵和估计混合矩阵,Π为n×n维可逆矩阵的集合。
利用公式(4)计算本发明所使用的核心算法获得的估计混合矩阵GCE值。其中估计的混合矩阵在理想电网情况下的GCE=0.25,在理想电网环境下下混合矩阵估计值与实际值相同,GCE=0。
表2估计混合矩阵
实施例3
下面结合具体的附图对实施例1、2中的方案进行源信号分离检测性能分析,详见下文描述:
理想电网环境下:采用本发明中核心方法得到各个源信号如图8所示,图中为4个分离的源信号,图中显示曲线非常平滑。在实际有干扰的电网环境下:得到各个源信号如图9所示,分离的结果在值和相位上存在一定的偏差。
为衡量本发明的核心方法进行性能评价,采用信号-干扰比(Signal-to-Interference-Ratios,SIR),简称信干比。该评价指标对所提出算法进行性能评测。
利用公式(5)计算本方法获得的各源信号的SIR。两种情况下得到各源信号的SIR如表3所示。
表3电能质量信号中各个源信号信号干扰比
在盲源分离问题中认为SIR>10dB,源信号就得以有效分离。表3结果表明,即使在实际有噪声干扰下,本发明提供的装置也能有效分离各次谐波信号。在理想的电网环境下,本发明提供的装置的分离效果更加精确,满足电网检测的需求。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于压缩感知盲源信号分离技术的电能质量信号检测装置,所述装置包括:信号调理模块,信号采样模块,信号处理分析模块,其特征在于,
信号调理模块,采用电压互感器或电流互感器与电网连接并将电力***中的电能质量信号接入,并通过抗混叠低通滤波器滤出干扰高频信号;
信号采样模块,用于对m路观测信号进行多通道同步采样转换,并以数字输入的形式进入信号处理分析模块;
信号处理分析模块:数字信号进入以ARM管理控制功能和DSP计算分析功能的计算分析模块中,进行傅里叶变换,得到复矩阵;抽取复矩阵中两路观测信号的频谱幅值,组成频谱散点图,根据直线方向确定源信号个数n,并使用聚类方法估计出混合矩阵,最后使用CoSaMP算法重构出各个源信号;
将结果存储并输出显示源信号数目估计值、估计混合矩阵、分离的各个源信号;
其中,该装置中信号处理分析模块的具体实施过程步骤如下:
1):初始化,输入m路观测信号H(t)=[h1(t),h2(t),…hm(t)]T;
2):对于m路中两路观测信号进行傅里叶变换,得到两个二维复矩阵,其行对应频率值,列对应采样时间段,矩阵元素对应频谱幅值;
抽取这两个复矩阵中相同列对应的频谱幅值,组成频谱散点图;依据散点图中直线方向估计得到源信号个数n;
3):随机选择n点作为初始聚类中心,计算每个对象与中心对象的距离,依据邻近原则,选择最近的中心归类;
4):求出每一类的中心,重新确定聚类中心位置,若聚类中心发生变化,则重新根据邻近原则,选择最近的中心归类;若聚类中心收敛,则下一步并输出混合矩阵;
5):混合矩阵构造测量矩阵,结合压缩采样匹配追踪恢复算法恢复出各个源信号O(t)=[o1(t),o2(t),…on(t)]T,算法结束。
2.根据权利要求1所述的一种基于压缩感知盲源信号分离技术的电能质量信号检测装置,其特征在于,信号采样模块中的m路观测信号与信号处理分析模块估计出的源信号个数n之间的关系:m<n。
3.根据权利要求1所述的一种基于压缩感知盲源信号分离技术的电能质量信号检测装置,其特征在于,
将欠定盲源信号分离模型中的混合矩阵A与压缩感知理论模型中的测量矩阵Φ对应,观测信号H(t)与测量向量y对应,因此欠定盲源信号分离模型可在压缩感知框架下进行求解;
获得电能质量信号分离检测问题就通过求解最小l0范数的最优化问题来实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610910922.5A CN106546846B (zh) | 2016-10-18 | 2016-10-18 | 基于压缩感知盲源信号分离技术的电能质量信号检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610910922.5A CN106546846B (zh) | 2016-10-18 | 2016-10-18 | 基于压缩感知盲源信号分离技术的电能质量信号检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106546846A true CN106546846A (zh) | 2017-03-29 |
CN106546846B CN106546846B (zh) | 2019-12-10 |
Family
ID=58369268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610910922.5A Expired - Fee Related CN106546846B (zh) | 2016-10-18 | 2016-10-18 | 基于压缩感知盲源信号分离技术的电能质量信号检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106546846B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109059908A (zh) * | 2018-06-28 | 2018-12-21 | 中国科学院光电技术研究所 | 一种运动平台光电跟踪***惯性传感器信号中扰动信息提取方法 |
CN109115229A (zh) * | 2018-09-17 | 2019-01-01 | 中国人民解放军国防科技大学 | 利用低频测姿传感器对航天器高频姿态进行测量的方法 |
CN109917022A (zh) * | 2018-04-09 | 2019-06-21 | 西北工业大学 | 一种ae网络智能传感器*** |
CN111179223A (zh) * | 2019-12-12 | 2020-05-19 | 天津大学 | 基于深度学习的工业自动化缺陷检测方法 |
CN111308162A (zh) * | 2020-03-19 | 2020-06-19 | 西安工程大学 | 一种基于电场传感器的配电网运行电压检测方法 |
CN113189570A (zh) * | 2021-04-23 | 2021-07-30 | 中国科学院声学研究所 | 一种基于复域压缩感知的阵列信号处理方法及*** |
CN114034755A (zh) * | 2021-10-13 | 2022-02-11 | 郑州航空工业管理学院 | 一种基于发动机气路静电信号的异常颗粒物检测方法 |
CN114757225A (zh) * | 2022-03-31 | 2022-07-15 | 北京百度网讯科技有限公司 | 信号采样质量的确定方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE1268374B (de) * | 1963-09-12 | 1968-05-16 | Continental Gummi Werke Ag | Luftduese mit Staurohr zum Aufsuchen von zur Aufnahme von Gleitschutzkoerpern dienenden Sackloechern in einer Reifenlaufflaeche |
WO2001017109A1 (en) * | 1999-09-01 | 2001-03-08 | Sarnoff Corporation | Method and system for on-line blind source separation |
CN101908890A (zh) * | 2010-07-30 | 2010-12-08 | 哈尔滨工业大学 | 分块大小未知的块稀疏信号的盲重构方法 |
CN101951619A (zh) * | 2010-09-03 | 2011-01-19 | 电子科技大学 | 一种认知网络中基于压缩感知的宽带信号分离方法 |
CN103152298A (zh) * | 2013-03-01 | 2013-06-12 | 哈尔滨工业大学 | 一种基于分布式压缩感知***的盲信号重构方法 |
-
2016
- 2016-10-18 CN CN201610910922.5A patent/CN106546846B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE1268374B (de) * | 1963-09-12 | 1968-05-16 | Continental Gummi Werke Ag | Luftduese mit Staurohr zum Aufsuchen von zur Aufnahme von Gleitschutzkoerpern dienenden Sackloechern in einer Reifenlaufflaeche |
WO2001017109A1 (en) * | 1999-09-01 | 2001-03-08 | Sarnoff Corporation | Method and system for on-line blind source separation |
CN101908890A (zh) * | 2010-07-30 | 2010-12-08 | 哈尔滨工业大学 | 分块大小未知的块稀疏信号的盲重构方法 |
CN101951619A (zh) * | 2010-09-03 | 2011-01-19 | 电子科技大学 | 一种认知网络中基于压缩感知的宽带信号分离方法 |
CN103152298A (zh) * | 2013-03-01 | 2013-06-12 | 哈尔滨工业大学 | 一种基于分布式压缩感知***的盲信号重构方法 |
Non-Patent Citations (2)
Title |
---|
孙秋野: "《粗糙集理论及其电力行业应用》", 31 December 2009, 机械工业出版社 * |
阳波: "基于压缩感知重构算法的欠定盲源分离研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109917022A (zh) * | 2018-04-09 | 2019-06-21 | 西北工业大学 | 一种ae网络智能传感器*** |
CN109917022B (zh) * | 2018-04-09 | 2021-08-13 | 西北工业大学深圳研究院 | 一种ae网络智能传感器*** |
CN109059908A (zh) * | 2018-06-28 | 2018-12-21 | 中国科学院光电技术研究所 | 一种运动平台光电跟踪***惯性传感器信号中扰动信息提取方法 |
CN109115229A (zh) * | 2018-09-17 | 2019-01-01 | 中国人民解放军国防科技大学 | 利用低频测姿传感器对航天器高频姿态进行测量的方法 |
CN109115229B (zh) * | 2018-09-17 | 2019-05-31 | 中国人民解放军国防科技大学 | 利用低频测姿传感器对航天器高频姿态进行测量的方法 |
CN111179223B (zh) * | 2019-12-12 | 2023-05-09 | 天津大学 | 基于深度学习的工业自动化缺陷检测方法 |
CN111179223A (zh) * | 2019-12-12 | 2020-05-19 | 天津大学 | 基于深度学习的工业自动化缺陷检测方法 |
CN111308162A (zh) * | 2020-03-19 | 2020-06-19 | 西安工程大学 | 一种基于电场传感器的配电网运行电压检测方法 |
CN113189570A (zh) * | 2021-04-23 | 2021-07-30 | 中国科学院声学研究所 | 一种基于复域压缩感知的阵列信号处理方法及*** |
CN114034755A (zh) * | 2021-10-13 | 2022-02-11 | 郑州航空工业管理学院 | 一种基于发动机气路静电信号的异常颗粒物检测方法 |
CN114034755B (zh) * | 2021-10-13 | 2024-01-12 | 郑州航空工业管理学院 | 一种基于发动机气路静电信号的异常颗粒物检测方法 |
CN114757225A (zh) * | 2022-03-31 | 2022-07-15 | 北京百度网讯科技有限公司 | 信号采样质量的确定方法、装置、设备及存储介质 |
CN114757225B (zh) * | 2022-03-31 | 2023-05-30 | 北京百度网讯科技有限公司 | 信号采样质量的确定方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106546846B (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106546846A (zh) | 基于压缩感知盲源信号分离技术的电能质量信号检测装置 | |
CN101539599B (zh) | 数字式雷电探测方法及其装置 | |
CN102136841B (zh) | 高速高精度记录仪及其采样数据自校正和高位匹配方法 | |
CN103256044B (zh) | 一种随钻声波信号处理装置 | |
CN106487359B (zh) | 基于自适应多尺度AVG-Hat变换的形态学滤波器的构造方法 | |
CN101620619B (zh) | 一种基于聚类方法的测量数据粗大误差处理***及处理方法 | |
CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
CN109270345A (zh) | 一种电网谐波信号的检测方法 | |
CN112215405A (zh) | 一种基于dann域适应学习的非侵入式居民用电负荷分解方法 | |
CN208384130U (zh) | 一种基于fpga/stm32的数字多道谱仪 | |
CN114692665A (zh) | 基于度量学习的辐射源开集个体识别方法 | |
CN112633658A (zh) | 一种基于cnn-lstm的低压台区拓扑关系识别方法 | |
CN105259410A (zh) | 一种强噪声干扰下的欠采样波形的频率估计方法及其装置 | |
CN116027158A (zh) | 一种高压电缆局放故障预测方法及*** | |
Bai et al. | Application of Time‐Frequency Analysis in Rotating Machinery Fault Diagnosis | |
CN106093884B (zh) | 一种改进的基于fpga的多通相关处理实现方法 | |
CN106706285B (zh) | 一种制动盘固有频率在线检测方法 | |
He et al. | Design and Implementation of Embedded Real‐Time English Speech Recognition System Based on Big Data Analysis | |
CN106324343B (zh) | 基于频移集合经验模态分解的谐波检测方法及检测*** | |
CN107703342A (zh) | 一种高精度暂态分析仪及其暂态算法 | |
CN103513275A (zh) | 具有采样率可调及自检功能的地震信号采集节点 | |
CN109378837A (zh) | 一种基于矩阵束法的超低频振荡辨识方法 | |
CN113342734B (zh) | 一种基于微波反射仪的等离子体密度分布实时计算装置 | |
Dai et al. | Continuous-time system identification with nuclear norm minimization and GPMF-based subspace method | |
CN107085133A (zh) | 用于计算单相有效值的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191210 |
|
CF01 | Termination of patent right due to non-payment of annual fee |