摘要：针对电能质量数据采集中存在的前端采集装置的性能瓶颈，本文提出一种基于感知压缩的数据采集技术。该技术基于同区域采集数据所具有的时间相关性，利用降低采样率的手段实现采样数据量的减少，在数据采样过程中引入信号幅值检测机制，以保证对冲击脉冲信号的准确重构，并在数据重构算法中充分利用采集数据的空间相关性，采用缩短重构周期的方法，有效提升了数据重构的运算效率。通过实验证明了该模型能够在不同的采样率下均能够实现电能质量数据的采集和准确重构，在低采样率下数据采集的误差率比常用的数据采集模型低约3%。
关键词：数据采集；电能质量；感知压缩；采样定理；数据重构
电能质量是反映电网运行状态的重要参数。一般认为电能质量包括电压、电流质量、供电质量和用电质量三个基本类型，其中又包括众多具体的指标项，如电压偏差、电流谐波、电流相位偏差、电流噪声、供电侧电压波形质量、电能稳定性指标等。因此电能质量监测需要数据量大、采样频率高、数据精度有保证的电网运行数据采集。而数据量较大的采集数据量容易造成通信上的传输压力。为解决这一问题，目前通常采用的解决方法是通过前端的采样数据压缩，降低链路传输数据量，即对采样后数据进行压缩以减少数据量。随着智能电网等新技术的不断发展，用电负荷类型日趋多元，柔性负荷和分布式负荷的不断等多给电能质量带来明显的影响。这使得面向电能质量的采集数据量增长惊人，传统的数据压缩方式虽然能在传输链路上缓解数据采集的性能瓶颈，但是在数据采集的前端仍有着巨大的数据采集、存储和传输的压力，这表现在数据采集频率高、大量数据的存储与备份对前端设备要求极高、对海量数据的压缩处理所需要的计算能力超出前端设备的能力。如何解决这些问题已经成为面向电能质量的数据采集技术发展中必须突破的课题。
1基于压缩感知的数据压缩理论
1.1数据采集流程传统数据采集分为四个步骤：信号采样、数据压缩、解压缩和分析处理。在这个过程中信号采样操作是对时域内所有信号依据采样频率进行采样，这样的采样没有充分考虑到在采集时域内信号是有其自身的稀松性，因此压缩感知理论对数据采集过程进行优化，将信号采集和数据压缩合二为一，通过降低数据采集频率和优化压缩算法实现降低采集数据量的目的。优化的数据采集的实现有如下关键的技术：基于稀疏矩阵的信号识别、测量矩阵的构建以及数据重构算法。
1.2稀疏矩阵
如果数据信号在采集时域内呈现出较少的非零值，那么这个信号就具有较好的稀疏性。提出采集信号在时域范围内一般不具有直接的稀疏性，因此需要对信号进行针对性的变换，使其在变换后的值域中具有能够满足数据压缩感知的稀疏性。对信号进行变换的矩阵为稀疏矩阵。稀疏矩阵的性质对变换后信号的稀疏程度具有较大影响，能够决定信号可压缩的比率，还能够在较大程度上影响数据重构的精确度。
1.3测量矩阵
测量矩阵的作用是对基于稀疏矩阵表示的信号进行降维映射。通常测量矩阵为M×N的矩阵，基于信号重构准确性的考虑，测量矩阵应该满足约束等距条件原则，即存在一个值域为[0，1）的常数ε。在随机矩阵的构建中，需满足以下约束条件：测量矩阵的秩要大于给定的常数；测量矩阵的列向量必须满足一定随机性；1-范数最小向量与稀疏度解一致。基于上述约束条件延伸出两种主要的测量矩阵构建方法，即随机抽取行向量矩阵和变换扩展向量矩阵。前一种矩阵主要采用随机收取M行行向量方法构建M×N随机矩阵，而后一种是在生成的特点向量的基础进行扩展变换从而构造测量矩阵。
2基于压缩感知的数据采集模型
由于居民区、商业区的用户终端数量巨大，且用电负荷类型和用电行为具有一定程度的类似，对此类数据采集进行压缩采集，利用其采集数据的相关性进行优化的电能质量监测具有重要意义。
期刊文章分类查询,尽在期刊图书馆
2.1基于压缩感知的数据采集模型
传统数据采集的高频率是导致数据量巨大的重要原因。为此，本文基于感知压缩理论降低用户侧数据采集的频率，按照测量矩阵系数对部分用户进行远低于香农采样频率的稀疏频率进行数据采集，并将数据传输至控制中心，控制中心依据重构算法对不同区域的采集数据矩阵进行数据处理，得到和传统数据采集类似的数据分析结果。在这个数据采集过程中，前端监测装置的数据处理压力得到极大的缓解，大量的数据计算压力转移到了具有丰富计算资源的控制中心，且由于采集数据的大量减少，数据通信的压力并没有提升。在基于数据采集模型中，采集数据矩阵为不同测量对象的同一时域内的采集数据构成的二维矩阵，因此采用二维离散余弦法对采集数据进行稀疏变换。
2.2数据采集的改进流程
由于冲击信号具有瞬时性质，较难在低采样频率下实现准确地数据重构，因此在数据采集流程中增加了冲击信号检测操作，即在前端监测装置上对采集数据进行简单判断，如果数据的瞬时幅值超过3倍标准值，则认为采集到了冲击信号，则对此时段的数据依据香农采样频率进行采样，否则按照前文所述的测量矩阵的稀疏系数进行采样。
2.3数据重构分析
数据采集频率的降低在很大程度上依赖于采集数据之间的时间相关性，除此之外，测量参数之间的空间相关性也对数据的压缩率有一定影响。基于数据时间相关性能够提高数据重构效率。重构U点的信号需要V个采样数据点。传统数据重构需要等到所有V个数据点完成采样，而基于基于压缩感知的数据重构只需在D个数据区域中获得V个采样数据点，然后基于数据的空间相关性即可进行数据重构，这意味着重构周期平均能够减少1/D。基于数据空间相关性的数据重构方法能够缩短数据重构的周期，提升控制中心进行数据重构的操作效率，有利于减小控制中心的计算压力。
2.4数据重构曲线
数据重构曲线能直观展现电能信号的采集质量，尤其对信号曲线特征重构的准确性是信号采集的关键。实验选取50%的压缩率，对本文所述的采集模型与基于傅里叶变换的重构算法进行对比，验证本文所述采集模型的重构准确性。本文所述模型能够比较准确地重构电压短时中断、谐波以及频率振荡等电能质量采集信号，且准确度明显优于常用的傅里叶变换地数据重构算法。但是针对具有较大幅值地脉冲信号时信号的失真度较高，这也间接证明了模型中对脉冲信号进行识别的必要性。
3结语
本文针对面向电能质量的数据采集中存在的问题，提出一种基于优化感知压缩的数据采集方法。该方法通过将多个具有时域相关性的电能质量数据组成二维矩阵进行感知压缩，使得采用较低采样率获得采用数据能够基于优化重构算法获得较好的重构效果，并通过引入信号幅值检测机制保证了电能质量信号检测对冲击脉冲信号采样准确度。通过实验证明了该模型能够在不同的采样率下实现电能质量数据的采集和准确重构，具有较强可行性。
参考文献：
[1]司文荣，傅晨钊，黄华，赵丹丹，赵文彬.500kV电网过电压波形监测及暂态分量提取[J].电力电容器与无功补偿，2017，38（5）：108-113.
[2]张乐平，叶轩，王吉，何施茗.分布式发电系统中的数据采集方法研究[J].可再生能源，2017，35（8）：1203-1207.
[3]邵霞，彭红海，王娜.适用于智能电网电能质量检测的双积分型电子式电压互感器[J].电力系统自动化，2017，41（13）：156-161.
[4]涂春鸣，焦典，姜飞，黄红，王丽丽，吴连贵.基于差异化数据采集的配电变压器优选方法[J].电网技术，2017，41（3）：1000-1007.
论文作者:文云,明涛,马倩,朱帕尔•努尔兰,王平
论文发表刊物:《电力设备》2019年第15期
论文发表时间:2019/11/26
标签：数据论文; 矩阵论文; 数据采集论文; 重构论文; 信号论文; 电能论文; 稀疏论文; 《电力设备》2019年第15期论文;