CN112307924A - 一种利用转换学习算法的功率信号滤波方法和*** - Google Patents
一种利用转换学习算法的功率信号滤波方法和*** Download PDFInfo
- Publication number
- CN112307924A CN112307924A CN202011151369.4A CN202011151369A CN112307924A CN 112307924 A CN112307924 A CN 112307924A CN 202011151369 A CN202011151369 A CN 202011151369A CN 112307924 A CN112307924 A CN 112307924A
- Authority
- CN
- China
- Prior art keywords
- sequence
- signal sequence
- signal
- value
- specifically
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 34
- 238000001914 filtration Methods 0.000 title claims abstract description 16
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 104
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 238000012804 iterative process Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 7
- 238000000465 moulding Methods 0.000 claims description 7
- 238000013526 transfer learning Methods 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 9
- 238000000354 decomposition reaction Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (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转换学习算法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求取信号分段段数;步骤103求取分段序列;步骤104求取稀疏转换控制因子;步骤105初始化迭代过程参数;步骤106更新迭代过程参数;步骤107判断迭代控制参数的值并结束迭代过程;步骤108求取滤波后的信号序列。
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转换学习算法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,根据转换学习算法性质,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:
一种利用转换学习算法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求取信号分段段数,具体为:信号分段段数记为N0,所用求取公式为:
其中:
ΔS=[0,s2-s1,s3-s2,…,sN-sN-1]为信号差分序列,
s1为所述信号序列S的第1个元素,
s2为所述信号序列S的第2个元素,
s3为所述信号序列S的第3个元素,
sN-1:所述信号序列S的第N-1个元素,
sN为所述信号序列S的第N个元素,
N为所述信号序列S的长度,
σ为所述信号序列S的均方差,
||ΔS||F表示对ΔS求取Frobenus范数,
步骤103求取分段序列,具体为:第i个分段序列记为Gi,所用求取公式为:
其中:
步骤104求取稀疏转换控制因子,具体为:稀疏转换控制因子记为λ,所用求取公式为:
其中:
SNR为所述信号序列S的信噪比,
||Gi||∞表示Gi的L∞模;
步骤105初始化迭代过程参数,具体为:稀疏矩阵记为D,迭代控制参数记为k,已选序号集合记为Ω,可选序号集合记为O,所用求取公式为:
DO=0N×N
O0={1,2,…,N2}
k=0;
步骤106更新迭代过程参数,具体为:所述迭代控制参数k的值加1;并按照下列公式更新迭代过程参数:
ik=rand「Ok-1]
Ok=Ok-1-{ik}
Ωk=Ωk-1+{ik}
其中:
ik表示选中序号,
rand[Ok-1]表示在集合Ok-1中随机选择一个元素,
Ok-1为可选序号集合O的第k-1步值,
Ok为可选序号集合O的第k步值,
Ωk为已选序号集合Ω的第k步值,
Ωk-1为已选序号集合Ω的第k-1步值,
Dk表示稀疏矩阵D的第k步值,
Dk-1表示稀疏矩阵D的第k-1步值,
randn[m0,σ]表示均值为m0均方差为σ的高斯函数,
m0为信号序列S的均值;
步骤107判断迭代控制参数的值并结束迭代过程,具体为:如果所述迭代控制参数k小于所述稀疏转换控制因子λ,则返回所述步骤106和所述步骤107重新迭代更新;否则,迭代更新过程结束,并得到归一化稀疏转换矩阵W的值为
步骤108求取滤波后的信号序列,具体为:滤波的信号序列记为Snew,所用求取公式为:
一种利用转换学习算法的功率信号滤波***,包括:
模块201获取按时间顺序采集的信号序列S
模块202求取信号分段段数,具体为:信号分段段数记为N0,所用求取公式为:
其中:
ΔS=[0,s2-s1,s3-s2,…,sN-sN-1]为信号差分序列,
s1为所述信号序列S的第1个元素,
s2为所述信号序列S的第2个元素,
s3为所述信号序列S的第3个元素,
sN-1:所述信号序列S的第N-1个元素,
sN为所述信号序列S的第N个元素,
N为所述信号序列S的长度,
σ为所述信号序列S的均方差,
||ΔS||F表示对ΔS求取Frobenus范数,
模块203求取分段序列,具体为:第i个分段序列记为Gi,所用求取公式为:
其中:
模块204求取稀疏转换控制因子,具体为:稀疏转换控制因子记为λ,所用求取公式为:
其中:
SNR为所述信号序列S的信噪比,
||Gi||∞表示Gi的L∞模;
模块205初始化迭代过程参数,具体为:稀疏矩阵记为D,迭代控制参数记为k,已选序号集合记为Ω,可选序号集合记为O,所用求取公式为:
D0=0N×N
O0={1,2,…,N2}
k=0;
模块206更新迭代过程参数,具体为:所述迭代控制参数k的值加1;并按照下列公式更新迭代过程参数:
ik=rand「Ok-1]
Ok=Ok-1-{ik}
Ωk=Ωk-1+{ik}
其中:
ik表示选中序号,
rand[Ok-1]表示在集合Ok-1中随机选择一个元素,
Ok-1为可选序号集合O的第k-1步值,
Ok为可选序号集合O的第k步值,
Ωk为已选序号集合Ω的第k步值,
Ωk-1为已选序号集合Ω的第k-1步值,
Dk表示稀疏矩阵D的第k步值,
Dk-1表示稀疏矩阵D的第k-1步值,
randn[m0,σ]表示均值为m0均方差为σ的高斯函数,
m0为信号序列S的均值;
模块207判断迭代控制参数的值并结束迭代过程,具体为:如果所述迭代控制参数k小于所述稀疏转换控制因子λ,则返回所述模块206和所述模块207重新迭代更新;否则,迭代更新过程结束,并得到归一化稀疏转换矩阵W的值为
模块208求取滤波后的信号序列,具体为:滤波的信号序列记为Snew,所用求取公式为:
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转换学习算法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,根据转换学习算法性质,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1一种利用转换学习算法的功率信号滤波方法的流程示意图
图1为本发明一种利用转换学习算法的功率信号滤波方法的流程示意图。如图1所示,所述的一种利用转换学习算法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求取信号分段段数,具体为:信号分段段数记为N0,所用求取公式为:
其中:
ΔS=[0,s2-s1,s3-s2,…,sN-sN-1]为信号差分序列,
s1为所述信号序列S的第1个元素,
s2为所述信号序列S的第2个元素,
s3为所述信号序列S的第3个元素,
sN-1:所述信号序列S的第N-1个元素,
sN为所述信号序列S的第N个元素,
N为所述信号序列S的长度,
σ为所述信号序列S的均方差,
||ΔS||F表示对ΔS求取Frobenus范数,
步骤103求取分段序列,具体为:第i个分段序列记为Gi,所用求取公式为:
其中:
步骤104求取稀疏转换控制因子,具体为:稀疏转换控制因子记为λ,所用求取公式为:
其中:
SNR为所述信号序列S的信噪比,
||Gi||∞表示Gi的L∞模;
步骤105初始化迭代过程参数,具体为:稀疏矩阵记为D,迭代控制参数记为k,已选序号集合记为Ω,可选序号集合记为O,所用求取公式为:
D0=0N×N
O0={1,2,…,N2}
k=0;
步骤106更新迭代过程参数,具体为:所述迭代控制参数k的值加1;并按照下列公式更新迭代过程参数:
ik=rand[Ok-1]
Ok=Ok-1-{ik}
Ωk=Ωk-1+{ik}
其中:
ik表示选中序号,
rand[Ok-1]表示在集合Ok-1中随机选择一个元素,
Ok-1为可选序号集合O的第k-1步值,
Ok为可选序号集合O的第k步值,
Ωk为已选序号集合Ω的第k步值,
Ωk-1为已选序号集合Ω的第k-1步值,
Dk表示稀疏矩阵D的第k步值,
Dk-1表示稀疏矩阵D的第k-1步值,
randn[m0,σ]表示均值为m0均方差为σ的高斯函数,
m0为信号序列S的均值;
步骤107判断迭代控制参数的值并结束迭代过程,具体为:如果所述迭代控制参数k小于所述稀疏转换控制因子λ,则返回所述步骤106和所述步骤107重新迭代更新;否则,迭代更新过程结束,并得到归一化稀疏转换矩阵W的值为
步骤108求取滤波后的信号序列,具体为:滤波的信号序列记为Snew,所用求取公式为:
图2一种利用转换学习算法的功率信号滤波***的结构意图
图2为本发明一种利用转换学习算法的功率信号滤波***的结构示意图。如图2所示,所述一种利用转换学习算法的功率信号滤波***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求取信号分段段数,具体为:信号分段段数记为N0,所用求取公式为:
其中:
ΔS=[0,s2-s1,s3-s2,…,sN-sN-1]为信号差分序列,
s1为所述信号序列S的第1个元素,
s2为所述信号序列S的第2个元素,
s3为所述信号序列S的第3个元素,
sN-1:所述信号序列S的第N-1个元素,
sN为所述信号序列S的第N个元素,
N为所述信号序列S的长度,
σ为所述信号序列S的均方差,
||ΔS||F表示对ΔS求取Frobenus范数,
模块203求取分段序列,具体为:第i个分段序列记为Gi,所用求取公式为:
其中:
模块204求取稀疏转换控制因子,具体为:稀疏转换控制因子记为λ,所用求取公式为:
其中:
SNR为所述信号序列S的信噪比,
||Gi||∞表示Gi的L∞模;
模块205初始化迭代过程参数,具体为:稀疏矩阵记为D,迭代控制参数记为k,已选序号集合记为Ω,可选序号集合记为O,所用求取公式为:
D0=0N×N
O0={1,2,…,N2}
k=0;
模块206更新迭代过程参数,具体为:所述迭代控制参数k的值加1;并按照下列公式更新迭代过程参数:
ik=rand[Ok-1]
Ok=Ok-1-{ik}
Ωk=Ωk-1+{ik}
其中:
ik表示选中序号,
rand[Ok-1]表示在集合Ok-1中随机选择一个元素,
Ok-1为可选序号集合O的第k-1步值,
Ok为可选序号集合O的第k步值,
Ωk为已选序号集合Ω的第k步值,
Ωk-1为已选序号集合Ω的第k-1步值,
Dk表示稀疏矩阵D的第k步值,
Dk-1表示稀疏矩阵D的第k-1步值,
randn[m0,σ]表示均值为m0均方差为σ的高斯函数,
m0为信号序列S的均值;
模块207判断迭代控制参数的值并结束迭代过程,具体为:如果所述迭代控制参数k小于所述稀疏转换控制因子λ,则返回所述模块206和所述模块207重新迭代更新;否则,迭代更新过程结束,并得到归一化稀疏转换矩阵W的值为
模块208求取滤波后的信号序列,具体为:滤波的信号序列记为Snew,所用求取公式为:
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求取信号分段段数,具体为:信号分段段数记为N0,所用求取公式为:
其中:
ΔS=[0,s2-s1,s3-s2,…,sN-sN-1]为信号差分序列,
s1为所述信号序列S的第1个元素,
s2为所述信号序列S的第2个元素,
s3为所述信号序列S的第3个元素,
sN-1:所述信号序列S的第N-1个元素,
sN为所述信号序列S的第N个元素,
N为所述信号序列S的长度,
σ为所述信号序列S的均方差,
||ΔS||F表示对ΔS求取Frobenus范数,
步骤303求取分段序列,具体为:第i个分段序列记为Gi,所用求取公式为:
其中:
步骤304求取稀疏转换控制因子,具体为:稀疏转换控制因子记为λ,所用求取公式为:
其中:
SNR为所述信号序列S的信噪比,
||Gi||∞表示Gi的L∞模;
步骤305初始化迭代过程参数,具体为:稀疏矩阵记为D,迭代控制参数记为k,已选序号集合记为Ω,可选序号集合记为O,所用求取公式为:
D0=0N×N
O0={1,2,…,N2}
k=0;
步骤306更新迭代过程参数,具体为:所述迭代控制参数k的值加1;并按照下列公式更新迭代过程参数:
ik=rand[Ok-1]
Ok=Ok-1-{ik}
Ωk=Ωk-1+{ik}
其中:
ik表示选中序号,
rand[Ok-1]表示在集合Ok-1中随机选择一个元素,
Ok-1为可选序号集合O的第k-1步值,
Ok为可选序号集合O的第k步值,
Ωk为已选序号集合Ω的第k步值,
Ωk-1为已选序号集合Ω的第k-1步值,
Dk表示稀疏矩阵D的第k步值,
Dk-1表示稀疏矩阵D的第k-1步值,
randn[m0,σ]表示均值为m0均方差为σ的高斯函数,
m0为信号序列S的均值;
步骤307判断迭代控制参数的值并结束迭代过程,具体为:如果所述迭代控制参数k小于所述稀疏转换控制因子λ,则返回所述步骤306和所述步骤307重新迭代更新;否则,迭代更新过程结束,并得到归一化稀疏转换矩阵W的值为
步骤308求取滤波后的信号序列,具体为:滤波的信号序列记为Snew,所用求取公式为:
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)
1.一种利用转换学习算法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求取信号分段段数,具体为:信号分段段数记为N0,所用求取公式为:
其中:
ΔS=[0,s2-s1,s3-s2,…,sN-sN-1]为信号差分序列,
s1为所述信号序列S的第1个元素,
s2为所述信号序列S的第2个元素,
s3为所述信号序列S的第3个元素,
sN-1:所述信号序列S的第N-1个元素,
sN为所述信号序列S的第N个元素,
N为所述信号序列S的长度,
σ为所述信号序列S的均方差,
||ΔS||F表示对ΔS求取Frobenus范数,
步骤103求取分段序列,具体为:第i个分段序列记为Gi,所用求取公式为:
其中:
步骤104求取稀疏转换控制因子,具体为:稀疏转换控制因子记为λ,所用求取公式为:
其中:
SNR为所述信号序列S的信噪比,
||Gi||∞表示Gi的L∞模;
步骤105初始化迭代过程参数,具体为:稀疏矩阵记为D,迭代控制参数记为k,已选序号集合记为Ω,可选序号集合记为O,所用求取公式为:
D0=0N×N
O0={1,2,…,N2}
k=0;
步骤106更新迭代过程参数,具体为:所述迭代控制参数k的值加1;并按照下列公式更新迭代过程参数:
ik=rand[Ok-1]
Ok=Ok-1-{ik}
Ωk=Ωk-1+{ik}
其中:
ik表示选中序号,
rand[Ok-1]表示在集合Ok-1中随机选择一个元素,
Ok-1为可选序号集合O的第k-1步值,
Ok为可选序号集合O的第k步值,
Ωk为已选序号集合Ω的第k步值,
Ωk-1为已选序号集合Ω的第k-1步值,
Dk表示稀疏矩阵D的第k步值,
Dk-1表示稀疏矩阵D的第k-1步值,
randn[m0,σ]表示均值为m0均方差为σ的高斯函数,
m0为信号序列S的均值;
步骤107判断迭代控制参数的值并结束迭代过程,具体为:如果所述迭代控制参数k小于所述稀疏转换控制因子λ,则返回所述步骤106和所述步骤107重新迭代更新;否则,迭代更新过程结束,并得到归一化稀疏转换矩阵W的值为
步骤108求取滤波后的信号序列,具体为:滤波的信号序列记为Snew,所用求取公式为:
2.一种利用转换学习算法的功率信号滤波***,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求取信号分段段数,具体为:信号分段段数记为N0,所用求取公式为:
其中:
ΔS=[0,s2-s1,s3-s2,…,sN-sN-1]为信号差分序列,
s1为所述信号序列S的第1个元素,
s2为所述信号序列S的第2个元素,
s3为所述信号序列S的第3个元素,
sN-1:所述信号序列S的第N-1个元素,
sN为所述信号序列S的第N个元素,
N为所述信号序列S的长度,
σ为所述信号序列S的均方差,
||ΔS||F表示对ΔS求取Frobenus范数,
模块203求取分段序列,具体为:第i个分段序列记为Gi,所用求取公式为:
其中:
模块204求取稀疏转换控制因子,具体为:稀疏转换控制因子记为λ,所用求取公式为:
其中:
SNR为所述信号序列S的信噪比,
||Gi||∞表示Gi的L∞模;
模块205初始化迭代过程参数,具体为:稀疏矩阵记为D,迭代控制参数记为k,已选序号集合记为Ω,可选序号集合记为O,所用求取公式为:
D0=0N×N
O0={1,2,…,N2}
k=0;
模块206更新迭代过程参数,具体为:所述迭代控制参数k的值加1;并按照下列公式更新迭代过程参数:
ik=rand[Ok-1]
Ok=Ok-1-{ik}
Ωk=Ωk-1+{ik}
其中:
ik表示选中序号,
rand[Ok-1]表示在集合Ok-1中随机选择一个元素,
Ok-1为可选序号集合O的第k-1步值,
Ok为可选序号集合O的第k步值,
Ωk为已选序号集合Ω的第k步值,
Ωk-1为已选序号集合Ω的第k-1步值,
Dk表示稀疏矩阵D的第k步值,
Dk-1表示稀疏矩阵D的第k-1步值,
randn[m0,σ]表示均值为m0均方差为σ的高斯函数,
m0为信号序列S的均值;
模块207判断迭代控制参数的值并结束迭代过程,具体为:如果所述迭代控制参数k小于所述稀疏转换控制因子λ,则返回所述模块206和所述模块207重新迭代更新;否则,迭代更新过程结束,并得到归一化稀疏转换矩阵W的值为
模块208求取滤波后的信号序列,具体为:滤波的信号序列记为Snew,所用求取公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011151369.4A CN112307924A (zh) | 2020-10-25 | 2020-10-25 | 一种利用转换学习算法的功率信号滤波方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011151369.4A CN112307924A (zh) | 2020-10-25 | 2020-10-25 | 一种利用转换学习算法的功率信号滤波方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112307924A true CN112307924A (zh) | 2021-02-02 |
Family
ID=74330412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011151369.4A Pending CN112307924A (zh) | 2020-10-25 | 2020-10-25 | 一种利用转换学习算法的功率信号滤波方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112307924A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150088953A1 (en) * | 2013-09-23 | 2015-03-26 | Infosys Limited | Methods, systems and computer-readable media for distributed probabilistic matrix factorization |
US20150263701A1 (en) * | 2013-04-10 | 2015-09-17 | King Fahd University Of Petroleum And Minerals | Adaptive filter for system identification |
CN111664933A (zh) * | 2020-06-10 | 2020-09-15 | 广东石油化工学院 | 一种利用静态矢量优化的振声检测信号滤波方法和*** |
CN111680590A (zh) * | 2020-05-26 | 2020-09-18 | 广东石油化工学院 | 一种利用收缩梯度的功率信号滤波方法和*** |
-
2020
- 2020-10-25 CN CN202011151369.4A patent/CN112307924A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150263701A1 (en) * | 2013-04-10 | 2015-09-17 | King Fahd University Of Petroleum And Minerals | Adaptive filter for system identification |
US20150088953A1 (en) * | 2013-09-23 | 2015-03-26 | Infosys Limited | Methods, systems and computer-readable media for distributed probabilistic matrix factorization |
CN111680590A (zh) * | 2020-05-26 | 2020-09-18 | 广东石油化工学院 | 一种利用收缩梯度的功率信号滤波方法和*** |
CN111664933A (zh) * | 2020-06-10 | 2020-09-15 | 广东石油化工学院 | 一种利用静态矢量优化的振声检测信号滤波方法和*** |
Non-Patent Citations (2)
Title |
---|
ZHAI,MY: "The PLC Signals\' Noise Mitigating Algorithm with PCA", ADVANCES IN INTELLIGENT SYSTEMS RESEARCH, vol. 156, pages 374 - 379 * |
王可青;陈建忠;: "基于自适应滤波的压缩感知重构方法", 无线通信技术, no. 02, pages 7 - 11 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108918932B (zh) | 负荷分解中功率信号自适应滤波方法 | |
CN108918931B (zh) | 一种负荷分解中功率信号自适应滤波方法 | |
CN109145825B (zh) | 一种相干噪声滤除方法及*** | |
CN111680590A (zh) | 一种利用收缩梯度的功率信号滤波方法和*** | |
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*** | |
CN112307924A (zh) | 一种利用转换学习算法的功率信号滤波方法和*** | |
CN110244115B (zh) | 一种基于信号连接性的负载开关事件检测方法及*** | |
CN110221119B (zh) | 基于功率与akie融合信息的负载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*** | |
CN112270282B (zh) | 一种利用矩阵谱模的功率信号滤波方法和*** | |
CN110542855B (zh) | 基于离散余弦变换的负荷开关事件检测方法和*** | |
CN110196354B (zh) | 一种负载的开关事件的检测方法和装置 | |
CN112347922B (zh) | 一种利用Hankerl矩阵的功率信号滤波方法和*** | |
CN111737645A (zh) | 一种利用预测矩阵的功率信号重构方法和*** | |
CN112307986B (zh) | 一种利用高斯梯度的负荷开关事件检测方法和*** | |
CN110514884B (zh) | 一种基于延迟矢量的功率信号滤波方法和*** | |
CN110704800A (zh) | 一种基于扩张系数的功率信号重构方法和*** | |
CN110702981A (zh) | 一种利用分类树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*** | |
CN111585544A (zh) | 一种功率信号脉冲噪声滤除的方法及滤波器 | |
CN112362967A (zh) | 一种利用kl散度的功率信号滤波方法和*** | |
CN112180152A (zh) | 一种利用均值偏移分群的负荷开关事件检测方法和*** | |
CN112183410A (zh) | 一种利用ds理论的功率信号滤波方法和*** |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240312 |
|
AD01 | Patent right deemed abandoned |