CN111737645A - 一种利用预测矩阵的功率信号重构方法和*** - Google Patents
一种利用预测矩阵的功率信号重构方法和*** Download PDFInfo
- Publication number
- CN111737645A CN111737645A CN202010593735.5A CN202010593735A CN111737645A CN 111737645 A CN111737645 A CN 111737645A CN 202010593735 A CN202010593735 A CN 202010593735A CN 111737645 A CN111737645 A CN 111737645A
- Authority
- CN
- China
- Prior art keywords
- signal
- sequence
- matrix
- signal sequence
- formula
- 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- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Power Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明的实施例公开一种利用预测矩阵的功率信号重构方法和***,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求取循环参数K;步骤103生成循环延迟矩阵D;步骤104生成信号差分序列ΔS;步骤105求取期望序列Sexp;步骤106求取预测因子矢量a;步骤107求取高斯最佳权重矩阵Wopt;步骤108求取高斯调整因子μ;步骤109求取重构后的信号序列Snew。
Description
技术领域
本发明涉及电力领域,尤其涉及一种功率信号的重构方法和***。
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。同时,功率信号在采集和传输过程中,相关的仪器设备的运行状态可能暂时处于异常状态,常会造成功率信号的缺失。
因此,开关事件检测过程中,所使用的实测功率信号常常不完整,利用这些不完整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,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
如前所述,开关事件检测过程中,所使用的实测功率信号常常不完整,利用这些不完整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,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预测矩阵的功率信号重构方法和***,所提出的方法利用了功率信号的连续性,通过预测矩阵性质区分功率信号和背景噪声。所提出的方法具有较好的信号重构性能,计算也较为简单。
为实现上述目的,本发明提供了如下方案:
一种利用预测矩阵的功率信号重构方法,包括:
步骤101获取按时间顺序采集的信号序列S;
步骤103生成循环延迟矩阵D,具体为:所述循环延迟矩阵D的求取公式为:
其中,sK为所述信号序列S的第K个元素;sK+1为所述信号序列S的第K+1个元素;sK+2为所述信号序列S的第K+2个元素;sK+3为所述信号序列S的第K+3个元素;sN-K+1为所述信号序列S的第N-K+1个元素;sN-K+2为所述信号序列S的第N-K+2个元素;sN-K为所述信号序列S的第N-K个元素;
步骤104生成信号差分序列ΔS,具体为:所述信号差分序列ΔS的第1个元素为0;所述信号差分序列ΔS的第i个元素为si-si-1;i为元素序号,所述元素序号i的取值范围为i=2,3,···,N;
步骤106求取预测因子矢量a,具体为:所述预测因子矢量a的计算公式为:a=B[D+(STS)-1]ΔS。其中,B为选择矩阵,所述选择矩阵B的计算公式为:
步骤107求取高斯最佳权重矩阵Wopt,具体为:其中,Zk为所述循环延迟矩阵D的第k个特征矢量;k为特征矢量序号,所述特征矢量序号k的取值范围为k=1,2,···,N;ωn为第n个权重,所述第n个权重ωn的计算公式为λm为所述循环延迟矩阵D的第m个特征值;m为特征值序号,所述特征值序号m的取值范围为m=1,2,···,N;
步骤109求取重构后的信号序列Snew,具体为:所述重构后的信号序列Snew的计算公式为:Snew=WRS+WC[Sexp+a]。其中,WR为信号重构矩阵,所述信号重构矩阵WR的计算公式为WR=[GTG+μWopt]-1;WC为信号调整矩阵,所述信号重构矩阵WC的计算公式为WC=[GT-μWopt]。
一种利用预测矩阵的功率信号重构***,包括:
模块201获取按时间顺序采集的信号序列S;
模块203生成循环延迟矩阵D,具体为:所述循环延迟矩阵D的求取公式为:
其中,sK为所述信号序列S的第K个元素;sK+1为所述信号序列S的第K+1个元素;sK+2为所述信号序列S的第K+2个元素;sK+3为所述信号序列S的第K+3个元素;sN-K+1为所述信号序列S的第N-K+1个元素;sN-K+2为所述信号序列S的第N-K+2个元素;sN-K为所述信号序列S的第N-K个元素;
模块204生成信号差分序列ΔS,具体为:所述信号差分序列ΔS的第1个元素为0;所述信号差分序列ΔS的第i个元素为si-si-1;i为元素序号,所述元素序号i的取值范围为i=2,3,···,N;
模块206求取预测因子矢量a,具体为:所述预测因子矢量a的计算公式为:a=B[D+(STS)-1]ΔS。其中,B为选择矩阵,所述选择矩阵B的计算公式为:
模块207求取高斯最佳权重矩阵Wopt,具体为:其中,Zk为所述循环延迟矩阵D的第k个特征矢量;k为特征矢量序号,所述特征矢量序号k的取值范围为k=1,2,···,N;ωn为第n个权重,所述第n个权重ωn的计算公式为λm为所述循环延迟矩阵D的第m个特征值;m为特征值序号,所述特征值序号m的取值范围为m=1,2,···,N;
模块209求取重构后的信号序列Snew,具体为:所述重构后的信号序列Snew的计算公式为:Snew=WRS+WC[Sexp+a]。其中,WR为信号重构矩阵,所述信号重构矩阵WR的计算公式为WR=[GTG+μWopt]-1;WC为信号调整矩阵,所述信号重构矩阵WC的计算公式为WC=[GT-μWopt]。
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:
如前所述,开关事件检测过程中,所使用的实测功率信号常常不完整,利用这些不完整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,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预测矩阵的功率信号重构方法和***,所提出的方法利用了功率信号的连续性,通过预测矩阵性质区分功率信号和背景噪声。所提出的方法具有较好的信号重构性能,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1一种利用预测矩阵的功率信号重构方法的流程示意图
图1为本发明一种利用预测矩阵的功率信号重构方法的流程示意图。如图1所示,所述的一种利用预测矩阵的功率信号重构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103生成循环延迟矩阵D,具体为:所述循环延迟矩阵D的求取公式为:
其中,sK为所述信号序列S的第K个元素;sK+1为所述信号序列S的第K+1个元素;sK+2为所述信号序列S的第K+2个元素;sK+3为所述信号序列S的第K+3个元素;sN-K+1为所述信号序列S的第N-K+1个元素;sN-K+2为所述信号序列S的第N-K+2个元素;sN-K为所述信号序列S的第N-K个元素;
步骤104生成信号差分序列ΔS,具体为:所述信号差分序列ΔS的第1个元素为0;所述信号差分序列ΔS的第i个元素为si-si-1;i为元素序号,所述元素序号i的取值范围为i=2,3,···,N;
步骤106求取预测因子矢量a,具体为:所述预测因子矢量a的计算公式为:a=B[D+(STS)-1]ΔS。其中,B为选择矩阵,所述选择矩阵B的计算公式为:
步骤107求取高斯最佳权重矩阵Wopt,具体为:其中,Zk为所述循环延迟矩阵D的第k个特征矢量;k为特征矢量序号,所述特征矢量序号k的取值范围为k=1,2,···,N;ωn为第n个权重,所述第n个权重ωn的计算公式为λm为所述循环延迟矩阵D的第m个特征值;m为特征值序号,所述特征值序号m的取值范围为m=1,2,···,N;
步骤109求取重构后的信号序列Snew,具体为:所述重构后的信号序列Snew的计算公式为:Snew=WRS+WC[Sexp+a]。其中,WR为信号重构矩阵,所述信号重构矩阵WR的计算公式为WR=[GTG+μWopt]-1;WC为信号调整矩阵,所述信号重构矩阵WC的计算公式为WC=[GT-μWopt]。
图2一种利用预测矩阵的功率信号重构***的结构意图
图2为本发明一种利用预测矩阵的功率信号重构***的结构示意图。如图2所示,所述一种利用预测矩阵的功率信号重构***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203生成循环延迟矩阵D,具体为:所述循环延迟矩阵D的求取公式为:
其中,sK为所述信号序列S的第K个元素;sK+1为所述信号序列S的第K+1个元素;sK+2为所述信号序列S的第K+2个元素;sK+3为所述信号序列S的第K+3个元素;sN-K+1为所述信号序列S的第N-K+1个元素;sN-K+2为所述信号序列S的第N-K+2个元素;sN-K为所述信号序列S的第N-K个元素;
模块204生成信号差分序列ΔS,具体为:所述信号差分序列ΔS的第1个元素为0;所述信号差分序列ΔS的第i个元素为si-si-1;i为元素序号,所述元素序号i的取值范围为i=2,3,···,N;
模块206求取预测因子矢量a,具体为:所述预测因子矢量a的计算公式为:a=B[D+(STS)-1]ΔS。其中,B为选择矩阵,所述选择矩阵B的计算公式为:
模块207求取高斯最佳权重矩阵Wopt,具体为:其中,Zk为所述循环延迟矩阵D的第k个特征矢量;k为特征矢量序号,所述特征矢量序号k的取值范围为k=1,2,···,N;ωn为第n个权重,所述第n个权重ωn的计算公式为λm为所述循环延迟矩阵D的第m个特征值;m为特征值序号,所述特征值序号m的取值范围为m=1,2,···,N;
模块209求取重构后的信号序列Snew,具体为:所述重构后的信号序列Snew的计算公式为:Snew=WRS+WC[Sexp+a]。其中,WR为信号重构矩阵,所述信号重构矩阵WR的计算公式为WR=[GTG+μWopt]-1;WC为信号调整矩阵,所述信号重构矩阵WC的计算公式为WC=[GT-μWopt]。
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303生成循环延迟矩阵D,具体为:所述循环延迟矩阵D的求取公式为:
其中,sK为所述信号序列S的第K个元素;sK+1为所述信号序列S的第K+1个元素;sK+2为所述信号序列S的第K+2个元素;sK+3为所述信号序列S的第K+3个元素;sN-K+1为所述信号序列S的第N-K+1个元素;sN-K+2为所述信号序列S的第N-K+2个元素;sN-K为所述信号序列S的第N-K个元素;
步骤304生成信号差分序列ΔS,具体为:所述信号差分序列ΔS的第1个元素为0;所述信号差分序列ΔS的第i个元素为si-si-1;i为元素序号,所述元素序号i的取值范围为i=2,3,···,N;
步骤306求取预测因子矢量a,具体为:所述预测因子矢量a的计算公式为:a=B[D+(STS)-1]ΔS。其中,B为选择矩阵,所述选择矩阵B的计算公式为:
步骤307求取高斯最佳权重矩阵Wopt,具体为:其中,Zk为所述循环延迟矩阵D的第k个特征矢量;k为特征矢量序号,所述特征矢量序号k的取值范围为k=1,2,···,N;ωn为第n个权重,所述第n个权重ωn的计算公式为λm为所述循环延迟矩阵D的第m个特征值;m为特征值序号,所述特征值序号m的取值范围为m=1,2,···,N;
步骤309求取重构后的信号序列Snew,具体为:所述重构后的信号序列Snew的计算公式为:Snew=WRS+WC[Sexp+a]。其中,WR为信号重构矩阵,所述信号重构矩阵WR的计算公式为WR=[GTG+μWopt]-1;WC为信号调整矩阵,所述信号重构矩阵WC的计算公式为WC=[GT-μWopt]。
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)
1.一种利用预测矩阵的功率信号重构方法,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103生成循环延迟矩阵D,具体为:所述循环延迟矩阵D的求取公式为:
其中,sK为所述信号序列S的第K个元素;sK+1为所述信号序列S的第K+1个元素;sK+2为所述信号序列S的第K+2个元素;sK+3为所述信号序列S的第K+3个元素;sN-K+1为所述信号序列S的第N-K+1个元素;sN-K+2为所述信号序列S的第N-K+2个元素;sN-K为所述信号序列S的第N-K个元素;
步骤104生成信号差分序列ΔS,具体为:所述信号差分序列ΔS的第1个元素为0;所述信号差分序列ΔS的第i个元素为si-si-1;i为元素序号,所述元素序号i的取值范围为i=2,3,···,N;
步骤106求取预测因子矢量a,具体为:所述预测因子矢量a的计算公式为:a=B[D+(STS)-1]ΔS。其中,B为选择矩阵,所述选择矩阵B的计算公式为:
步骤107求取高斯最佳权重矩阵Wopt,具体为:其中,Zk为所述循环延迟矩阵D的第k个特征矢量;k为特征矢量序号,所述特征矢量序号k的取值范围为k=1,2,···,N;ωn为第n个权重,所述第n个权重ωn的计算公式为λm为所述循环延迟矩阵D的第m个特征值;m为特征值序号,所述特征值序号m的取值范围为m=1,2,···,N;
步骤109求取重构后的信号序列Snew,具体为:所述重构后的信号序列Snew的计算公式为:Snew=WRS+WC[Sexp+a]。其中,WR为信号重构矩阵,所述信号重构矩阵WR的计算公式为WR=[GTG+μWopt]-1;WC为信号调整矩阵,所述信号重构矩阵WC的计算公式为WC=[GT-μWopt]。
2.一种利用预测矩阵的功率信号重构***,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203生成循环延迟矩阵D,具体为:所述循环延迟矩阵D的求取公式为:
其中,sK为所述信号序列S的第K个元素;sK+1为所述信号序列S的第K+1个元素;sK+2为所述信号序列S的第K+2个元素;sK+3为所述信号序列S的第K+3个元素;sN-K+1为所述信号序列S的第N-K+1个元素;sN-K+2为所述信号序列S的第N-K+2个元素;sN-K为所述信号序列S的第N-K个元素;
模块204生成信号差分序列ΔS,具体为:所述信号差分序列ΔS的第1个元素为0;所述信号差分序列ΔS的第i个元素为si-si-1;i为元素序号,所述元素序号i的取值范围为i=2,3,···,N;
模块206求取预测因子矢量a,具体为:所述预测因子矢量a的计算公式为:a=B[D+(STS)-1]ΔS。其中,B为选择矩阵,所述选择矩阵B的计算公式为:
模块207求取高斯最佳权重矩阵Wopt,具体为:其中,Zk为所述循环延迟矩阵D的第k个特征矢量;k为特征矢量序号,所述特征矢量序号k的取值范围为k=1,2,···,N;ωn为第n个权重,所述第n个权重ωn的计算公式为λm为所述循环延迟矩阵D的第m个特征值;m为特征值序号,所述特征值序号m的取值范围为m=1,2,···,N;
模块209求取重构后的信号序列Snew,具体为:所述重构后的信号序列Snew的计算公式为:Snew=WRS+WC[Sexp+a]。其中,WR为信号重构矩阵,所述信号重构矩阵WR的计算公式为WR=[GTG+μWopt]-1;WC为信号调整矩阵,所述信号重构矩阵WC的计算公式为WC=[GT-μWopt]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010593735.5A CN111737645A (zh) | 2020-06-28 | 2020-06-28 | 一种利用预测矩阵的功率信号重构方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010593735.5A CN111737645A (zh) | 2020-06-28 | 2020-06-28 | 一种利用预测矩阵的功率信号重构方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111737645A true CN111737645A (zh) | 2020-10-02 |
Family
ID=72651144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010593735.5A Withdrawn CN111737645A (zh) | 2020-06-28 | 2020-06-28 | 一种利用预测矩阵的功率信号重构方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111737645A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
-
2020
- 2020-06-28 CN CN202010593735.5A patent/CN111737645A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|---|---|
CN111666870A (zh) | 一种利用二次约束的功率信号重构方法和*** | |
CN111737645A (zh) | 一种利用预测矩阵的功率信号重构方法和*** | |
CN111929608A (zh) | 一种负载开关事件检测方法及*** | |
CN110221119B (zh) | 基于功率与akie融合信息的负载开关事件检测方法和*** | |
CN110542855B (zh) | 基于离散余弦变换的负荷开关事件检测方法和*** | |
CN111832474A (zh) | 一种利用能量尺度的功率信号滤波方法和*** | |
CN111639606A (zh) | 一种利用Dantzig总梯度最小化的功率信号滤波方法和*** | |
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*** | |
CN112434567A (zh) | 一种利用噪声抖动性质的功率信号滤波方法和*** | |
CN112307997B (zh) | 一种利用主模式分解的功率信号重构方法和*** | |
CN111931660A (zh) | 一种利用自适应Jordan变换的功率信号重构方法和*** | |
CN110704800A (zh) | 一种基于扩张系数的功率信号重构方法和*** | |
CN112200061A (zh) | 一种利用一阶光滑模型的功率信号重构方法和*** | |
CN112347922B (zh) | 一种利用Hankerl矩阵的功率信号滤波方法和*** | |
CN112257576B (zh) | 一种利用Maha距离测度的负荷开关事件检测方法和*** | |
CN110514884B (zh) | 一种基于延迟矢量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*** | |
CN111679119A (zh) | 一种利用近端匹配映射的功率信号重构方法和*** | |
CN110531149B (zh) | 一种基于波形正则化的功率信号滤波方法和*** | |
CN112329637B (zh) | 一种利用模式特征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*** | |
CN110704802A (zh) | 一种利用全局正则化的功率信号重构方法和*** | |
CN110705426B (zh) | 一种利用去模糊算子的功率信号滤波方法和*** | |
CN110611310A (zh) | 一种利用周期性边界条件的功率信号重构方法和*** |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201002 |