基于多维压缩感知的电网高级量测体系优化构建方法

袁博; 刘洪; 葛少云

doi:10.7500/AEPS20240105004

您当前的位置：

首页 >

文章列表页 >

基于多维压缩感知的电网高级量测体系优化构建方法

研制与开发 | 更新时间：2025-06-16

- 基于多维压缩感知的电网高级量测体系优化构建方法
- Optimal Construction Method for Advanced Metering Infrastructure of Power Grid Based on Multi-dimensional Compressed Sensing
- 电力系统自动化 2024年48卷第23期页码：167-176
- 作者机构：
  
  1.天津大学电气自动化与信息工程学院，天津市 300072
  2.国网河北省电力有限公司经济技术研究院，河北省石家庄市 050021
- 作者简介：
  
  袁博(1989—)，男，通信作者，博士研究生，高级工程师，主要研究方向：压缩感知在电力系统中的应用、智能电网信号处理、能源互联网结构优化与运行控制等。E-mail：yuanbo7396@163.com.cn
  刘洪(1978—)，男，教授，博士生导师，主要研究方向：配电网规划与运行控制、综合能源系统分析。E-mail：liuhong@tju.edu.cn
  葛少云(1962—)，男，教授，博士生导师，主要研究方向：配电网规划与运行控制、综合能源系统分析。E-mail：syge@tju.edu.cn
- 基金信息：
  
  天津市自然科学基金资助项目(22JCZDJC00820)
- DOI：10.7500/AEPS20240105004
  中图分类号：
- 收稿：2024-01-05，
  
  修回：2024-04-06，
  
  网络出版：2024-07-10，
  
  纸质出版：2024-12-10
- 稿件说明：
移动端阅览
袁博,刘洪,葛少云.基于多维压缩感知的电网高级量测体系优化构建方法[J].电力系统自动化,2024,48(23):167-176.

YUAN Bo,LIU Hong,GE Shaoyun.Optimal Construction Method for Advanced Metering Infrastructure of Power Grid Based on Multi-dimensional Compressed Sensing[J].Automation of Electric Power Systems,2024,48(23):167-176.
袁博,刘洪,葛少云.基于多维压缩感知的电网高级量测体系优化构建方法[J].电力系统自动化,2024,48(23):167-176. DOI： 10.7500/AEPS20240105004.

YUAN Bo,LIU Hong,GE Shaoyun.Optimal Construction Method for Advanced Metering Infrastructure of Power Grid Based on Multi-dimensional Compressed Sensing[J].Automation of Electric Power Systems,2024,48(23):167-176. DOI： 10.7500/AEPS20240105004.

摘要

压缩感知（CS）应用于高级量测体系（AMI）时需解决重构精度低的难题。为此，文中深入探索了一种基于多维CS的AMI（AMI-mdCS）优化构建方法，利用多个智能电表间的数据相关性提高重构精度。首先，根据AMI的结构特征，分析了AMI-mdCS的基本原理；然后，以提升模型对AMI的适应性为目标，分别基于克罗内克CS（KCS）和多测量向量（MMV）构建高维AMI-KCS模型和二维AMI-MMV模型，并给出了两个模型的具体流程；最后，针对模型中关键要素的设计，提出了一种基于奇异值分解的稀疏基和测量矩阵联合训练（JTSM-SVD）算法。相比于一维模型，AMI-KCS模型和AMI-MMV模型可显著提升重构信噪比且前者模型的提升效果更优。相比于传统训练算法，JTSM-SVD算法亦可进一步优化重构效果。

Abstract

When compressed sensing (CS) is applied to advanced metering infrastructure (AMI) systems

it is necessary to solve the problem of low reconstruction accuracy. Therefore

an optimal construction method for AMI based on multi-dimensional CS (AMI-mdCS) is deeply explored in this paper

and the data correlation among multiple smart meters is used to improve the reconstruction accuracy. Firstly

the basic principle of AMI-mdCS is analyzed according to the structural characteristics of AMI. Then

in order to improve the adaptability of the model to AMI

based on Kronecker CS (KCS) and multiple measurement vectors (MMV)

a high-dimensional AMI-KCS model and a two-dimensional AMI-MMV model are constructed

and the specific processes of the two models are given. Finally

a joint training for sparse-basis and measurement-matrix based on singular value decomposition (JTSM-SVD) algorithm is proposed for the design of key elements in the model. Compared with one-dimensional model

AMI-KCS model and AMI-MMV model can significantly improve the reconstruction signal-to-noise ratio

and the former model has better improvement effect. Compared with the traditional training algorithm

JTSM-SVD algorithm can further optimize the reconstruction effect.

关键词

Keywords

references

余贻鑫，刘艳丽 . 智能电网的挑战性问题［J］. 电力系统自动化， 2015 ， 39 （ 2 ）： 1 - 5 .

YU Yixin ， LIU Yanli . Challenging issues of smart grid ［J］. Automation of Electric Power Systems ， 2015 ， 39 （ 2 ）： 1 - 5 .

梁皓澜，刘东奇，曾祥君，等 . 电力高级量测体系网络攻击致损路径图构建及风险评估［J］. 电力系统自动化， 2024 ， 48 （ 12 ）： 89 - 99 .

LIANG Haolan ， LIU Dongqi ， ZENG Xiangjun ， et al . Construction of cyber-attack damage path diagram and risk assessment of power advanced metering infrastructure ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 12 ）： 89 - 99 .

HSU C W ， HSIEH S Y . Data compression strategies for use in advanced metering infrastructure networks ［M］. London， UK ： IntechOpen ， 2021 .

DONOHO D L . Compressed sensing ［J］. IEEE Transactions on Information Theory ， 2006 ， 52 （ 4 ）： 1289 - 1306 .

CANDES E J ， WAKIN M B . An introduction to compressive sampling ［J］. IEEE Signal Processing Magazine ， 2008 ， 25 （ 2 ）： 21 - 30 .

王鹤，李石强，于华楠，等 . 基于分布式压缩感知和边缘计算的配电网电能质量数据压缩存储方法［J］. 电工技术学报， 2020 ， 35 （ 21 ）： 4553 - 4564 .

WANG He ， LI Shiqiang ， YU Huanan ， et al . Compression acquisition method for power quality data of distribution network based on distributed compressed sensing and edge computing ［J］. Transactions of China Electrotechnical Society ， 2020 ， 35 （ 21 ）： 4553 - 4564 .

袁博，王莹，邵华，等 . 密集型谐波检测的压缩采样方法［J］. 电力系统自动化， 2016 ， 40 （ 20 ）： 54 - 61 .

YUAN Bo ， WANG Ying ， SHAO Hua ， et al . Compressive sampling method for dense harmonic detection ［J］. Automation of Electric Power Systems ， 2016 ， 40 （ 20 ）： 54 - 61 .

贾科，冯涛，赵其娟，等 . 基于故障高频电压稀疏量测的直流配电网双极短路故障定位［J］. 电力系统自动化， 2020 ， 44 （ 1 ）： 142 - 151 .

JIA Ke ， FENG Tao ， ZHAO Qijuan ， et al . Bipolar short-circuit fault location for DC distribution network based on sparse measurement of fault high-frequency voltage ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 1 ）： 142 - 151 .

SUN Y ， CUI C ， LU J ， et al . Data compression and reconstruction of smart grid customers based on compressed sensing theory ［J］. International Journal of Electrical Power & Energy Systems ， 2016 ， 83 ： 21 - 25 .

HU Z ， MOHAGHEGHI S ， SARTIPI M . Efficient data acquisition in advanced metering infrastructure ［C］// 2015 IEEE Power & Energy Society General Meeting ， July 26-30 ， 2015 ， Denver， USA .

袁博，葛少云，刘洪，等 . 基于压缩感知的智能电网高级量测体系［J］. 高电压技术， 2024 ， 50 （ 5 ）： 2088 - 2096 .

YUAN Bo ， GE Shaoyun ， LIU Hong ， et al . Advanced metering infrastructure based on compressed sensing in smart grid ［J］. High Voltage Engineering ， 2024 ， 50 （ 5 ）： 2088 - 2096 .

DUARTE M F ， BARANIUK R G . Kronecker compressive sensing ［J］. IEEE Transactions on Image Processing ， 2012 ， 21 （ 2 ）： 494 - 504 .

YANG S Y ， WANG M ， LI P ， et al . Compressive hyperspectral imaging via sparse tensor and nonlinear compressed sensing ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2015 ， 53 （ 11 ）： 5943 - 5957 .

WANG J M ， XU Z Y ， WANG Z Q ， et al . Rapid compressed sensing reconstruction： a semi-tensor product approach ［J］. Information Sciences： an International Journal ， 2020 ， 512 （ C ）： 693 - 707 .

ELDAR Y C ， RAUHUT H . Average case analysis of multichannel sparse recovery using convex relaxation ［J］. IEEE Transactions on Information Theory ， 2010 ， 56 （ 1 ）： 505 - 519 .

BAPAT K A ， CHAKRABORTY M . Randomized simultaneous hard thresholding pursuit algorithm for multiple measurement vectors ［C］// 2022 IEEE International Conference on Signal Processing and Communications （SPCOM）， July 11-15 ， 2022 ， Bangalore， India .

AHARON M ， ELAD M ， BRUCKSTEIN A . K-SVD： an algorithm for designing overcomplete dictionaries for sparse representation ［J］. IEEE Transactions on Signal Processing ， 2006 ， 54 （ 11 ）： 4311 - 4322 .

ELKHALIL K ， KAMMOUN A ， AL-NAFFOURI T Y ， et al . Measurement selection： a random matrix theory approach ［J］. IEEE Transactions on Wireless Communications ， 2018 ， 17 （ 7 ）： 4899 - 4911 .

王强，李佳，沈毅 . 压缩感知中确定性测量矩阵构造算法综述［J］. 电子学报， 2013 ， 41 （ 10 ）： 2041 - 2050 .

WANG Qiang ， LI Jia ， SHEN Yi . A survey on deterministic measurement matrix construction algorithms in compressive sensing ［J］. Acta Electronica Sinica ， 2013 ， 41 （ 10 ）： 2041 - 2050 .

PATI Y C ， REZAIIFAR R ， KRISHNAPRASAD P S . Orthogonal matching pursuit： recursive function approximation with applications to wavelet decomposition ［J］. Conference Record of the Asilomar Conference on Signals ， Systems & Computers， 1993 ， 1 ： 40 - 44 .

NEEDELL D ， TROPP J A . CoSaMP： Iterative signal recovery from incomplete and inaccurate samples ［J］. Applied and Computational Harmonic Analysis ， 2009 ， 26 （ 3 ）： 301 - 321 .

BLUMENSATH T ， DAVIES M E . Gradient pursuits ［J］. IEEE Transactions on Signal Processing ， 2008 ， 56 （ 6 ）： 2370 - 2382 .

VAN DEN BERG E ， FRIEDLANDER M P . Probing the Pareto frontier for basis pursuit solutions ［J］. SIAM Journal on Scientific Computing ， 2008 ， 31 （ 2 ）： 890 - 912 .

李志林，陈后金，姚畅，等 . 基于谱投影梯度追踪的压缩感知重建算法［J］. 自动化学报， 2012 ， 38 （ 7 ）： 1218 - 1223 .

LI Zhilin ， CHEN Houjin ， YAO Chang ， et al . Compressed sensing reconstruction algorithm based on spectral projected gradient pursuit ［J］. Acta Automatica Sinica ， 2012 ， 38 （ 7 ）： 1218 - 1223 .

DING J J ， BAO D H ， WANG Q P ， et al . A novel multi-dictionary framework with global sensing matrix design for compressed sensing ［J］. Signal Processing ， 2018 ， 152 （ 11 ）： 69 - 78 .

DUARTE-CARVAJALINO J M ， SAPIRO G . Learning to sense sparse signals： simultaneous sensing matrix and sparsifying dictionary optimization ［J］. IEEE Transactions on Image Processing ， 2009 ， 18 （ 7 ）： 1395 - 1408 .

CAIAFA C F ， CICHOCKI A . Computing sparse representations of multidimensional signals using Kronecker bases ［J］. Neural Computation ， 2013 ， 25 （ 1 ）： 186 - 220 .

彭军伟，韩志韧，游行远，等 . 冲击噪声下任意稀疏结构的MMV重构算法［J］. 哈尔滨工程大学学报， 2017 ， 38 （ 11 ）： 1806 - 1811 .

PENG Junwei ， HAN Zhiren ， YOU Xingyuan ， et al . A signal recovery algorithm on multiple measurement vectors of arbitrary sparse structure with impulsive noise ［J］. Journal of Harbin Engineering University ， 2017 ， 38 （ 11 ）： 1806 - 1811 .

KE C H ， HSIEH S Y ， LIN T C ， et al . Efficiency network construction of advanced metering infrastructure using Zigbee ［J］. IEEE Transactions on Mobile Computing ， 2019 ， 18 （ 4 ）： 801 - 813 .

HART D G . Using AMI to realize the smart grid ［C］// 2008 IEEE Power and Energy Society General Meeting—Conversion and Delivery of Electrical Energy in the 21st Century ， July 20-24 ， 2008 ， Pittsburgh， USA .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于改进容积卡尔曼滤波的含光伏配电网动态状态估计

电力高级量测体系网络攻击致损路径图构建及风险评估

基于EMO-EDSNN的电力系统低频振荡模态辨识

奇异值分解方法在日负荷曲线降维聚类分析中的应用