CN111680590A - 一种利用收缩梯度的功率信号滤波方法和*** - Google Patents

一种利用收缩梯度的功率信号滤波方法和*** Download PDF

Info

Publication number
CN111680590A
CN111680590A CN202010456924.8A CN202010456924A CN111680590A CN 111680590 A CN111680590 A CN 111680590A CN 202010456924 A CN202010456924 A CN 202010456924A CN 111680590 A CN111680590 A CN 111680590A
Authority
CN
China
Prior art keywords
module
judgment result
contraction
formula
value
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.)
Withdrawn
Application number
CN202010456924.8A
Other languages
English (en)
Inventor
翟明岳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Petrochemical Technology
Original Assignee
Guangdong University of Petrochemical Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Petrochemical Technology filed Critical Guangdong University of Petrochemical Technology
Priority to CN202010456924.8A priority Critical patent/CN111680590A/zh
Publication of CN111680590A publication Critical patent/CN111680590A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/001—Measuring real or reactive component; Measuring apparent energy
    • G01R21/002—Measuring real component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明的实施例公开一种利用收缩梯度的功率信号滤波方法和***，所述方法包括：步骤101获取按时间顺序采集的信号序列S；步骤102计算收缩因子β；步骤103求取收缩序列xSM的初始值
Figure DDA0002509702530000014
步骤104创建迭代控制参数k并赋值为0，创建收缩步长tk并赋值为ΔT；步骤105求取梯度矢量
Figure DDA0002509702530000011
步骤106求取收缩梯度函数gk；步骤107判断所述收缩梯度函数gk是否小于
Figure DDA0002509702530000012
得到第一判断结果；步骤108所述迭代控制参数k的值加1，计算所述收缩矢量xSM第k步值；步骤109求取相邻误差e；步骤110判断所述相邻误差e是否大于或等于预设阈值ε0，得到第二判断结果；步骤111记录滤除了噪声的信号序列SNEW，具体为
Figure DDA0002509702530000013

Description

一种利用收缩梯度的功率信号滤波方法和***
技术领域
本发明涉及电力领域，尤其涉及一种功率信号的滤波方法和***。
背景技术
随着智能电网的发展，家庭用电负荷的分析变得越来越重要。通过用电负荷的分析，家庭用户可以及时获得每个电器的用电信息，以及电费的精细化清单；电力部门可以获得更详尽的用户用电信息，并可以提高用电负荷预测的准确度，为电力部门提供统筹规划的依据。同时，利用每个电器的用电信息，可获知用户的用电行为，这对于家庭能耗评估和节能策略的研究具有指导意义。
当前用电负荷分解主要分为侵入式负荷分解和非侵入式负荷分解两种方法。非侵入式负荷分解方法不需要在负荷的内部用电设备上安装监测设备，只需要根据用电负荷总信息即可获得每个用电设备的负荷信息。非侵入式负荷分解方法具有投入少、方便使用等特点，因此，该方法适用于家庭负荷用电的分解。
非侵入式负荷分解算法中，电气设备的开关事件检测是其中最重要的环节。最初的开关事件检测以有功功率P的变化值作为开关事件检测的判断依据，方便且直观。这是因为任何一个用电设备的运行状态发生变化，其所消耗的功率值也必然发生改变，并且该改变也将会在所有电器所消耗的总功率中体现出来。这种方法除了需要设置功率变化值的合理阈值，还需要解决事件检测方法在实际应用中存在的问题，例如某些电器启动时刻的瞬时功率值会出现较大的尖峰(马达启动电流远大于额定电流)，会造成电器稳态功率变化值不准确，从而影响对开关事件检测的判断；而且不同家用电器的暂态过程或长或短(脉冲噪声的持续时间和发生频率相差较大)，因此功率变化值的确定变得较为困难；由于电能质量的变化(如电压突降)有功功率会出现突变的情况，这样很可能会出现误判。
因此，开关事件检测过程中，所使用的实测功率信号常常受到噪声的影响，利用这些不完善的功率信号是不能正确地进行开关事件检测的。因此如何有效地重构不完整的功率信号，滤除噪声的影响，是此方法能否成功的关键。现在常用的方法，对此问题重视不够，还未采取有效的措施解决此问题。
发明内容
开关事件检测过程中，所使用的实测功率信号常常受到噪声的影响，利用这些不完善的功率信号是不能正确地进行开关事件检测的。因此如何有效地重构不完整的功率信号，滤除噪声的影响，是此方法能否成功的关键。现在常用的方法，对此问题重视不够，还未采取有效的措施解决此问题。
本发明的目的是提供一种利用收缩梯度的功率信号滤波方法和***，所提出的方法利用了功率信号与噪声在发生机制方面的差异，根据收缩梯度性质，实现功率信号的滤波。所提出的方法具有较好的鲁棒性，计算也较为简单。
为实现上述目的，本发明提供了如下方案：
一种利用收缩梯度的功率信号滤波方法，包括：
步骤101获取按时间顺序采集的信号序列S；
步骤102计算收缩因子β，计算公式为
Figure BDA0002509702510000021
其中，λmin为矩阵B＝[S-m0]T[S-m0]的非零最小特征值；λmax为所述矩阵B的最大特征值；m0为所述信号序列S的均值；
步骤103求取收缩序列xSM的初始值
Figure BDA0002509702510000022
求取公式为
Figure BDA0002509702510000023
其中σ0为所述信号序列S的均方差；
步骤104创建迭代控制参数k并赋值为0，创建收缩步长tk并赋值为ΔT。其中，ΔT为所述信号序列S的采样间隔；
步骤105求取梯度矢量
Figure BDA0002509702510000024
求取公式为
Figure BDA0002509702510000025
其中，
Figure BDA0002509702510000026
为所述收缩矢量xSM的第k步值
Figure BDA0002509702510000027
的第1个元素；
Figure BDA0002509702510000028
为所述收缩矢量xSM的第k步值
Figure BDA0002509702510000029
的第2个元素；
Figure BDA00025097025100000210
为所述收缩矢量xSM的第k步值
Figure BDA00025097025100000211
的第N-1个元素；
Figure BDA00025097025100000212
为所述收缩矢量xSM的第k步值
Figure BDA00025097025100000213
的第N个元素；
步骤106求取收缩梯度函数gk，求取公式为
Figure BDA00025097025100000214
步骤107判断所述收缩梯度函数gk是否小于
Figure BDA00025097025100000215
得到第一判断结果；如果所述第一判断结果显示所述收缩梯度函数gk小于
Figure BDA00025097025100000216
则所述收缩步长tk更新为βtk；如果所述第一判断结果显示所述收缩梯度函数gk大于或者等于
Figure BDA00025097025100000217
则所述收缩步长tk更新为0；
步骤108所述迭代控制参数k的值加1，计算所述收缩矢量xSM第k步值，计算公式为
Figure BDA00025097025100000218
步骤109求取相邻误差e，求取公式为
Figure BDA00025097025100000219
步骤110判断所述相邻误差e是否大于或等于预设阈值ε0，得到第二判断结果。如果所述第二判断结果显示所述逼近误差e大于或等于所述预设阈值ε0，则返回所述步骤105、所述步骤106、所述步骤107、所述步骤108、所述步骤109和所述步骤110，所述迭代控制参数k的值加1；直至所述第二判断结果显示所述逼近误差e小于所述预设阈值ε0。所述预设阈值为ε0＝0.001；
步骤111记录滤除了噪声的信号序列SNEW，具体为
Figure BDA00025097025100000220
一种利用收缩梯度的功率信号滤波***，包括：
模块201获取按时间顺序采集的信号序列S；
模块202计算收缩因子β，计算公式为
Figure BDA00025097025100000221
其中，λmin为矩阵B＝[S-m0]T[S-m0]的非零最小特征值；λmax为所述矩阵B的最大特征值；m0为所述信号序列S的均值；
模块203求取收缩序列xSM的初始值
Figure BDA00025097025100000222
求取公式为
Figure BDA00025097025100000223
其中σ0为所述信号序列S的均方差；
模块204创建迭代控制参数k并赋值为0，创建收缩步长tk并赋值为ΔT。其中，ΔT为所述信号序列S的采样间隔；
模块205求取梯度矢量
Figure BDA0002509702510000031
求取公式为
Figure BDA0002509702510000032
其中，
Figure BDA0002509702510000033
为所述收缩矢量xSM的第k步值
Figure BDA0002509702510000034
的第1个元素；
Figure BDA0002509702510000035
为所述收缩矢量xSM的第k步值
Figure BDA0002509702510000036
的第2个元素；
Figure BDA0002509702510000037
为所述收缩矢量xSM的第k步值
Figure BDA0002509702510000038
的第N-1个元素；
Figure BDA0002509702510000039
为所述收缩矢量xSM的第k步值
Figure BDA00025097025100000310
的第N个元素；
模块206求取收缩梯度函数gk，求取公式为
Figure BDA00025097025100000311
模块207判断所述收缩梯度函数gk是否小于
Figure BDA00025097025100000312
得到第一判断结果；如果所述第一判断结果显示所述收缩梯度函数gk小于
Figure BDA00025097025100000313
则所述收缩步长tk更新为βtk；如果所述第一判断结果显示所述收缩梯度函数gk大于或者等于
Figure BDA00025097025100000314
则所述收缩步长tk更新为0；
模块208所述迭代控制参数k的值加1，计算所述收缩矢量xSM第k步值，计算公式为
Figure BDA00025097025100000315
模块209求取相邻误差e，求取公式为
Figure BDA00025097025100000316
模块210判断所述相邻误差e是否大于或等于预设阈值ε0，得到第二判断结果。如果所述第二判断结果显示所述逼近误差e大于或等于所述预设阈值ε0，则返回所述模块205、所述模块206、所述模块207、所述模块208、所述模块209和所述模块210，所述迭代控制参数k的值加1；直至所述第二判断结果显示所述逼近误差e小于所述预设阈值ε0。所述预设阈值为ε0＝0.001；
模块211记录滤除了噪声的信号序列SNEW，具体为
Figure BDA00025097025100000317
根据本发明提供的具体实施例，本发明公开了以下技术效果：
开关事件检测过程中，所使用的实测功率信号常常受到噪声的影响，利用这些不完善的功率信号是不能正确地进行开关事件检测的。因此如何有效地重构不完整的功率信号，滤除噪声的影响，是此方法能否成功的关键。现在常用的方法，对此问题重视不够，还未采取有效的措施解决此问题。
本发明的目的是提供一种利用收缩梯度的功率信号滤波方法和***，所提出的方法利用了功率信号与噪声在发生机制方面的差异，根据收缩梯度性质，实现功率信号的滤波。所提出的方法具有较好的鲁棒性，计算也较为简单。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程示意图；
图2为本发明的***流程示意图；
图3为本发明的具体实施案例流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1一种利用收缩梯度的功率信号滤波方法的流程示意图
图1为本发明一种利用收缩梯度的功率信号滤波方法的流程示意图。如图1所示，所述的一种利用收缩梯度的功率信号滤波方法具体包括以下步骤：
步骤101获取按时间顺序采集的信号序列S；
步骤102计算收缩因子β，计算公式为
Figure BDA0002509702510000041
其中，λmin为矩阵B＝[S-m0]T[S-m0]的非零最小特征值；λmax为所述矩阵B的最大特征值；m0为所述信号序列S的均值；
步骤103求取收缩序列xSM的初始值
Figure BDA0002509702510000042
求取公式为
Figure BDA0002509702510000043
其中σ0为所述信号序列S的均方差；
步骤104创建迭代控制参数k并赋值为0，创建收缩步长tk并赋值为ΔT。其中，ΔT为所述信号序列S的采样间隔；
步骤105求取梯度矢量
Figure BDA0002509702510000044
求取公式为
Figure BDA0002509702510000045
其中，
Figure BDA0002509702510000046
为所述收缩矢量xSM的第k步值
Figure BDA0002509702510000047
的第1个元素；
Figure BDA0002509702510000048
为所述收缩矢量xSM的第k步值
Figure BDA0002509702510000049
的第2个元素；
Figure BDA00025097025100000410
为所述收缩矢量xSM的第k步值
Figure BDA00025097025100000411
的第N-1个元素；
Figure BDA00025097025100000412
为所述收缩矢量xSM的第k步值
Figure BDA00025097025100000413
的第N个元素；
步骤106求取收缩梯度函数gk，求取公式为
Figure BDA00025097025100000414
步骤107判断所述收缩梯度函数gk是否小于
Figure BDA00025097025100000415
得到第一判断结果；如果所述第一判断结果显示所述收缩梯度函数gk小于
Figure BDA00025097025100000416
则所述收缩步长tk更新为βtk；如果所述第一判断结果显示所述收缩梯度函数gk大于或者等于
Figure BDA00025097025100000417
则所述收缩步长tk更新为0；
步骤108所述迭代控制参数k的值加1，计算所述收缩矢量xSM第k步值，计算公式为
Figure BDA00025097025100000418
步骤109求取相邻误差e，求取公式为
Figure BDA00025097025100000419
步骤110判断所述相邻误差e是否大于或等于预设阈值ε0，得到第二判断结果。如果所述第二判断结果显示所述逼近误差e大于或等于所述预设阈值ε0，则返回所述步骤105、所述步骤106、所述步骤107、所述步骤108、所述步骤109和所述步骤110，所述迭代控制参数k的值加1；直至所述第二判断结果显示所述逼近误差e小于所述预设阈值ε0。所述预设阈值为ε0＝0.001；
步骤111记录滤除了噪声的信号序列SNEW，具体为
Figure BDA0002509702510000051
图2一种利用收缩梯度的功率信号滤波***的结构意图
图2为本发明一种利用收缩梯度的功率信号滤波***的结构示意图。如图2所示，所述一种利用收缩梯度的功率信号滤波***包括以下结构：
模块201获取按时间顺序采集的信号序列S；
模块202计算收缩因子β，计算公式为
Figure BDA0002509702510000052
其中，λmin为矩阵B＝[S-m0]T[S-m0]的非零最小特征值；λmax为所述矩阵B的最大特征值；m0为所述信号序列S的均值；
模块203求取收缩序列xSM的初始值
Figure BDA0002509702510000053
求取公式为
Figure BDA0002509702510000054
其中σ0为所述信号序列S的均方差；
模块204创建迭代控制参数k并赋值为0，创建收缩步长tk并赋值为ΔT。其中，ΔT为所述信号序列S的采样间隔；
模块205求取梯度矢量
Figure BDA0002509702510000055
求取公式为
Figure BDA0002509702510000056
其中，
Figure BDA0002509702510000057
为所述收缩矢量xSM的第k步值
Figure BDA0002509702510000058
的第1个元素；
Figure BDA0002509702510000059
为所述收缩矢量xSM的第k步值
Figure BDA00025097025100000510
的第2个元素；
Figure BDA00025097025100000511
为所述收缩矢量xSM的第k步值
Figure BDA00025097025100000512
的第N-1个元素；
Figure BDA00025097025100000513
为所述收缩矢量xSM的第k步值
Figure BDA00025097025100000514
的第N个元素；
模块206求取收缩梯度函数gk，求取公式为
Figure BDA00025097025100000515
模块207判断所述收缩梯度函数gk是否小于
Figure BDA00025097025100000516
得到第一判断结果；如果所述第一判断结果显示所述收缩梯度函数gk小于
Figure BDA00025097025100000517
则所述收缩步长tk更新为βtk；如果所述第一判断结果显示所述收缩梯度函数gk大于或者等于
Figure BDA00025097025100000518
则所述收缩步长tk更新为0；
模块208所述迭代控制参数k的值加1，计算所述收缩矢量xSM第k步值，计算公式为
Figure BDA00025097025100000519
模块209求取相邻误差e，求取公式为
Figure BDA00025097025100000520
模块210判断所述相邻误差e是否大于或等于预设阈值ε0，得到第二判断结果。如果所述第二判断结果显示所述逼近误差e大于或等于所述预设阈值ε0，则返回所述模块205、所述模块206、所述模块207、所述模块208、所述模块209和所述模块210，所述迭代控制参数k的值加1；直至所述第二判断结果显示所述逼近误差e小于所述预设阈值ε0。所述预设阈值为ε0＝0.001；
模块211记录滤除了噪声的信号序列SNEW，具体为
Figure BDA00025097025100000521
下面提供一个具体实施案例，进一步说明本发明的方案
图3为本发明具体实施案例的流程示意图。如图3所示，具体包括以下步骤：
步骤301获取按时间顺序采集的信号序列S；
步骤302计算收缩因子β，计算公式为
Figure BDA0002509702510000061
其中，λmin为矩阵B＝[S-m0]T[S-m0]的非零最小特征值；λmax为所述矩阵B的最大特征值；m0为所述信号序列S的均值；
步骤303求取收缩序列xSM的初始值
Figure BDA0002509702510000062
求取公式为
Figure BDA0002509702510000063
其中σ0为所述信号序列S的均方差；
步骤304创建迭代控制参数k并赋值为0，创建收缩步长tk并赋值为ΔT。其中，ΔT为所述信号序列S的采样间隔；
步骤305求取梯度矢量
Figure BDA0002509702510000064
求取公式为
Figure BDA0002509702510000065
其中，
Figure BDA0002509702510000066
为所述收缩矢量xSM的第k步值
Figure BDA0002509702510000067
的第1个元素；
Figure BDA0002509702510000068
为所述收缩矢量xSM的第k步值
Figure BDA0002509702510000069
的第2个元素；
Figure BDA00025097025100000610
为所述收缩矢量xSM的第k步值
Figure BDA00025097025100000611
的第N-1个元素；
Figure BDA00025097025100000612
为所述收缩矢量xSM的第k步值
Figure BDA00025097025100000613
的第N个元素；
步骤306求取收缩梯度函数gk，求取公式为
Figure BDA00025097025100000614
步骤307判断所述收缩梯度函数gk是否小于
Figure BDA00025097025100000615
得到第一判断结果；如果所述第一判断结果显示所述收缩梯度函数gk小于
Figure BDA00025097025100000616
则所述收缩步长tk更新为βtk；如果所述第一判断结果显示所述收缩梯度函数gk大于或者等于
Figure BDA00025097025100000617
则所述收缩步长tk更新为0；
步骤308所述迭代控制参数k的值加1，计算所述收缩矢量xSM第k步值，计算公式为
Figure BDA00025097025100000618
步骤309求取相邻误差e，求取公式为
Figure BDA00025097025100000619
步骤310判断所述相邻误差e是否大于或等于预设阈值ε0，得到第二判断结果。如果所述第二判断结果显示所述逼近误差e大于或等于所述预设阈值ε0，则返回所述步骤305、所述步骤306、所述步骤307、所述步骤308、所述步骤309和所述步骤310，所述迭代控制参数k的值加1；直至所述第二判断结果显示所述逼近误差e小于所述预设阈值ε0。所述预设阈值为ε0＝0.001；
步骤311记录滤除了噪声的信号序列SNEW，具体为
Figure BDA00025097025100000620
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述较为简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (2)

1.所述一种利用收缩梯度的功率信号滤波方法，其特征在于，包括：
步骤101获取按时间顺序采集的信号序列S；
步骤102计算收缩因子β，计算公式为
Figure FDA0002509702500000011
其中，λmin为矩阵B＝[S-m0]T[S-m0]的非零最小特征值；λmax为所述矩阵B的最大特征值；m0为所述信号序列S的均值；
步骤103求取收缩序列xSM的初始值
Figure FDA0002509702500000012
求取公式为
Figure FDA0002509702500000013
Figure FDA0002509702500000014
其中σ0为所述信号序列S的均方差；
步骤104创建迭代控制参数k并赋值为0，创建收缩步长tk并赋值为ΔT。其中，ΔT为所述信号序列S的采样间隔；
步骤105求取梯度矢量
Figure FDA00025097025000000123
求取公式为
Figure FDA0002509702500000015
Figure FDA0002509702500000016
其中，
Figure FDA0002509702500000017
为所述收缩矢量xSM的第k步值
Figure FDA0002509702500000018
的第1个元素；
Figure FDA0002509702500000019
为所述收缩矢量xSM的第k步值
Figure FDA00025097025000000110
的第2个元素；
Figure FDA00025097025000000111
为所述收缩矢量xSM的第k步值
Figure FDA00025097025000000112
的第N-1个元素；
Figure FDA00025097025000000113
为所述收缩矢量xSM的第k步值
Figure FDA00025097025000000114
的第N个元素；
步骤106求取收缩梯度函数gk，求取公式为
Figure FDA00025097025000000115
步骤107判断所述收缩梯度函数gk是否小于
Figure FDA00025097025000000116
得到第一判断结果；如果所述第一判断结果显示所述收缩梯度函数gk小于
Figure FDA00025097025000000117
则所述收缩步长tk更新为βtk；如果所述第一判断结果显示所述收缩梯度函数gk大于或者等于
Figure FDA00025097025000000118
则所述收缩步长tk更新为0；
步骤108所述迭代控制参数k的值加1，计算所述收缩矢量xSM第k步值，计算公式为
Figure FDA00025097025000000119
步骤109求取相邻误差e，求取公式为
Figure FDA00025097025000000120
步骤110判断所述相邻误差e是否大于或等于预设阈值ε0，得到第二判断结果。如果所述第二判断结果显示所述逼近误差e大于或等于所述预设阈值ε0，则返回所述步骤105、所述步骤106、所述步骤107、所述步骤108、所述步骤109和所述步骤110，所述迭代控制参数k的值加1；直至所述第二判断结果显示所述逼近误差e小于所述预设阈值ε0。所述预设阈值为ε0＝0.001；
步骤111记录滤除了噪声的信号序列SNEW，具体为
Figure FDA00025097025000000121
2.所述一种利用收缩梯度的功率信号滤波***，其特征在于，包括：
模块201获取按时间顺序采集的信号序列S；
模块202计算收缩因子β，计算公式为
Figure FDA00025097025000000122
其中，λmin为矩阵B＝[S-m0]T[S-m0]的非零最小特征值；λmax为所述矩阵B的最大特征值；m0为所述信号序列S的均值；
模块203求取收缩序列xSM的初始值
Figure FDA0002509702500000021
求取公式为
Figure FDA0002509702500000022
Figure FDA0002509702500000023
其中σ0为所述信号序列S的均方差；
模块204创建迭代控制参数k并赋值为0，创建收缩步长tk并赋值为ΔT。其中，ΔT为所述信号序列S的采样间隔；
模块205求取梯度矢量
Figure FDA00025097025000000221
求取公式为
Figure FDA0002509702500000024
Figure FDA0002509702500000025
其中，
Figure FDA0002509702500000026
为所述收缩矢量xSM的第k步值
Figure FDA0002509702500000027
的第1个元素；
Figure FDA0002509702500000028
为所述收缩矢量xSM的第k步值
Figure FDA0002509702500000029
的第2个元素；
Figure FDA00025097025000000210
为所述收缩矢量xSM的第k步值
Figure FDA00025097025000000211
的第N-1个元素；
Figure FDA00025097025000000212
为所述收缩矢量xSM的第k步值
Figure FDA00025097025000000213
的第N个元素；
模块206求取收缩梯度函数gk，求取公式为
Figure FDA00025097025000000214
模块207判断所述收缩梯度函数gk是否小于
Figure FDA00025097025000000215
得到第一判断结果；如果所述第一判断结果显示所述收缩梯度函数gk小于
Figure FDA00025097025000000216
则所述收缩步长tk更新为βtk；如果所述第一判断结果显示所述收缩梯度函数gk大于或者等于
Figure FDA00025097025000000217
则所述收缩步长tk更新为0；
模块208所述迭代控制参数k的值加1，计算所述收缩矢量xSM第k步值，计算公式为
Figure FDA00025097025000000218
模块209求取相邻误差e，求取公式为
Figure FDA00025097025000000219
模块210判断所述相邻误差e是否大于或等于预设阈值ε0，得到第二判断结果。如果所述第二判断结果显示所述逼近误差e大于或等于所述预设阈值ε0，则返回所述模块205、所述模块206、所述模块207、所述模块208、所述模块209和所述模块210，所述迭代控制参数k的值加1；直至所述第二判断结果显示所述逼近误差e小于所述预设阈值ε0。所述预设阈值为ε0＝0.001；
模块211记录滤除了噪声的信号序列SNEW，具体为
Figure FDA00025097025000000220
CN202010456924.8A 2020-05-26 2020-05-26 一种利用收缩梯度的功率信号滤波方法和*** Withdrawn CN111680590A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010456924.8A CN111680590A (zh) 2020-05-26 2020-05-26 一种利用收缩梯度的功率信号滤波方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010456924.8A CN111680590A (zh) 2020-05-26 2020-05-26 一种利用收缩梯度的功率信号滤波方法和***

Publications (1)

Publication Number Publication Date
CN111680590A true CN111680590A (zh) 2020-09-18

Family

ID=72434819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010456924.8A Withdrawn CN111680590A (zh) 2020-05-26 2020-05-26 一种利用收缩梯度的功率信号滤波方法和***

Country Status (1)

Country Link
CN (1) CN111680590A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112307924A (zh) * 2020-10-25 2021-02-02 广东石油化工学院 一种利用转换学习算法的功率信号滤波方法和***
CN112347922A (zh) * 2020-11-06 2021-02-09 华北电力大学 一种利用Hankerl矩阵的功率信号滤波方法和***
CN112362967A (zh) * 2020-10-25 2021-02-12 广东石油化工学院 一种利用kl散度的功率信号滤波方法和***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112307924A (zh) * 2020-10-25 2021-02-02 广东石油化工学院 一种利用转换学习算法的功率信号滤波方法和***
CN112362967A (zh) * 2020-10-25 2021-02-12 广东石油化工学院 一种利用kl散度的功率信号滤波方法和***
CN112347922A (zh) * 2020-11-06 2021-02-09 华北电力大学 一种利用Hankerl矩阵的功率信号滤波方法和***
CN112347922B (zh) * 2020-11-06 2022-02-08 华北电力大学 一种利用Hankerl矩阵的功率信号滤波方法和***

Similar Documents

Publication Publication Date Title
CN111680590A (zh) 一种利用收缩梯度的功率信号滤波方法和***
CN109145825B (zh) 一种相干噪声滤除方法及***
CN111666870A (zh) 一种利用二次约束的功率信号重构方法和***
CN108918929B (zh) 一种负荷分解中功率信号自适应滤波方法
CN112434567B (zh) 一种利用噪声抖动性质的功率信号滤波方法和***
CN110221119B (zh) 基于功率与akie融合信息的负载开关事件检测方法和***
CN111639606A (zh) 一种利用Dantzig总梯度最小化的功率信号滤波方法和***
CN110196354B (zh) 一种负载的开关事件的检测方法和装置
CN110542855B (zh) 基于离散余弦变换的负荷开关事件检测方法和***
CN111830405A (zh) 一种利用频率差异量的负荷开关事件检测方法和***
CN110244115B (zh) 一种基于信号连接性的负载开关事件检测方法及***
CN109241874A (zh) 能量分解中功率信号滤波方法
CN110187167B (zh) 一种基于流形分类的负载开关事件的检测方法和装置
CN110702981A (zh) 一种利用分类树的负荷开关事件检测方法和***
CN112270282B (zh) 一种利用矩阵谱模的功率信号滤波方法和***
CN110749841A (zh) 一种利用转换空间因子的负荷开关事件检测方法和***
CN111665389A (zh) 一种利用随机投影的功率信号滤波方法和***
CN112307986B (zh) 一种利用高斯梯度的负荷开关事件检测方法和***
CN112347922B (zh) 一种利用Hankerl矩阵的功率信号滤波方法和***
CN110514884B (zh) 一种基于延迟矢量的功率信号滤波方法和***
CN110705426B (zh) 一种利用去模糊算子的功率信号滤波方法和***
CN110784019A (zh) 一种利用Mercer投影的功率信号滤波方法和***
CN112183410A (zh) 一种利用ds理论的功率信号滤波方法和***
CN112307924A (zh) 一种利用转换学习算法的功率信号滤波方法和***
CN111679119A (zh) 一种利用近端匹配映射的功率信号重构方法和***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200918

WW01 Invention patent application withdrawn after publication