第39卷 第6期吉林大学学报(信息科学版)Vol.39 No.62021年11月Journal of Jilin University (Information Science Edition)Nov.2021文章编号:1671⁃5896(2021)06⁃0637⁃10基于压缩感知的电力扰动数据采集与分类方法收稿日期:2021⁃08⁃27基金项目:国家重点研发计划基金资助项目(2019YFB1505402)作者简介:周桂平(1981 ),男,江苏扬州人,国网辽宁省电力有限公司高级工程师,博士,主要从事设备状态监测及故障诊断研究,(Tel)86⁃139****1935(E⁃mail)189****1559@㊂周桂平1,李石强2,于华楠2,王 鹤2(1.国网辽宁省电力有限公司电力科学研究院,沈阳110006;2.东北电力大学现代电力系统仿真控制与绿色电能新技术教育部重点实验室,吉林吉林132012)摘要:针对目前电力系统扰动数据分类特征提取困难和易受谐波干扰的问题,提出一种新的基于压缩感知的电力系统扰动数据采集与分类算法㊂首先通过压缩感知和K 奇异值分解(K⁃SVD:K⁃Singular Value Decomposition)字典学习算法,设计一种原子自适应的正交匹配追踪算法(AtOMP:Atom adaptive Orthogonal Matching Pursuit),对多种扰动数据进行压缩采集,然后提取扰动数据的稀疏特征㊁自适应字典原子的标准差㊁峭度㊁裕度因子和主频率个数5个分类特征,利用BP(Back Propagation)神经网络实现样本学习与分类㊂实验结果表明,该算法可实现扰动数据的高度压缩采集,数据量小,具有分类识别度高,抗干扰性强等优点㊂关键词:压缩感知;稀疏字典;K⁃SVD 算法;扰动信号分类;BP 神经网络中图分类号:TM913文献标识码:AData Acquisition and Classification Method of Power System Disturbance Based on Compressed SensingZHOU Guiping 1,LI Shiqiang 2,YU Huanan 2,WANG He 2(1.Electric Power Research Institute,State Grid Liaoning Electric Power Company Limited,Shenyang 110006,China;2.Key Laboratory of Modern Power System Simulation and Control &Renewable Energy Technology,Ministry of Education Northeast Electric Power University,Jilin 132012,China)Abstract :Power system disturbance data is of great significance for monitoring power system operation state and regulating its working mode.A new algorithm for power system disturbance data acquisition and classification is proposed based on compressed sensing.Firstly,an AtOMP (Atom adaptive Matching Pursuit)algorithm is designed based on compressed sensing and K⁃SVD (K⁃Singular Value Decomposition )dictionary learning algorithm to compress and collect various disturbed data.Then,the sparse feature of the disturbed data,the standard deviation of the adaptive dictionary atom,kurtosis,margin factor and the number of principal frequencies are extracted as the training samples,and the BP neural network is used to realize the sample learning and classification.The experimental results show that the proposed algorithm can achieve highly compressed data collection of disturbed data,small data amount,high classification recognition,strong anti⁃interference and other advantages.Key words :compressed sensing;sparsely dictionary;K⁃singular value decomposition (K⁃SVD)algorithm;disturbance signal classification;back propagation (BP)neural network 0 引 言近年来,随着我国 碳中和”和 碳达峰”目标的提出,新能源发电技术得到广泛发展[1],预计2030年风电和太阳能发电装机容量达到12亿千瓦以上,规模超过煤电成为装机主体㊂目前由于大量分布式新型电源和电动汽车等非线性负荷接入电网,不仅使电网中数据量日益庞大,而且还使电能质量问题日益突出[2⁃3]㊂随着我国对高品质电力供应需求不断提高,如何对电力系统扰动数据进行高效的采集与分类已经成为改善和控制电能质量的重要基础[4⁃5]㊂现有电力系统扰动数据分类算法主要先通过傅里叶变换[6]㊁希尔伯特⁃黄变换[7](HHT:HilbertHuang Transform)㊁小波变换[8]㊁S 变换[9]和压缩感知(CS:Compressed Sensing)[10]等数字信号处理算法对扰动数据进行采集和分析,提取多组不同类别的扰动数据特征,然后输入到神经网络[11]㊁决策树[12]和支持向量机[13]等人工智能算法中进行样本学习,最后利用生成的分类器实现扰动数据的分类[14]㊂分类性能的优劣经常受到以下因素影响:1)学习样本的完备性;2)扰动数据特征是否有代表性;3)分类算法的计算复杂度与收敛速度;4)分类器的抗噪性与鲁棒性㊂郑戍华等[15]首先通过一层提升小波变换得到信号的近似成分A1与细节成分D1,然后运用HHT 变换计算出两种成分的瞬时幅值,根据幅值特性实现对信号扰动时刻的准确定位和对扰动类型的快速识别,但该方法易受噪声影响㊂尹柏强等[16]采用广义S 变换(OGST:Optimized Generalized S⁃transform)对扰动信号的时频特征进行提取,并取变换后的时间幅值平方和均值和特征频点作为神经网络的学习样本,对扰动数据进行采集与分类㊂以上算法均基于Nyquist 采样定理进行计算,提高了电力系统扰动数据采集分析与特征提取的复杂性[17]㊂于华楠等[18]提出了一种基于压缩感知的电力系统扰动数据采集与分类方法,利用重构得到的灰度共生矩阵纹理特征中的能量特征值㊁灰度值出现概率两种方法对压缩感知重构信号进行分类检测,具有计算复杂度低的优点,但该方法重构精度易受原始数据稀疏度影响㊂笔者提出一种基于压缩感知的电力系统扰动数据采集算法,首先将正交匹配追踪算法(OMP:Orthogonal Matching Pursuit)[19]和K⁃SVD(K⁃Singular Value Decomposition)[20⁃21]字典学习算法结合,设计一种原子自适应的正交匹配追踪算法AtOMP㊂在固定稀疏度的条件下以重构信噪比为约束条件,使电力系统扰动数据通过少量字典稀疏分解和精确重构;然后提取扰动数据的稀疏特征,自适应稀疏字典原子的标准差㊁峭度㊁裕度因子和主频率个数5个特征作为扰动数据分类特征,利用BP(Back Propagation)神经网络[22]实现分类㊂笔者所提算法可自适应匹配稀疏度,实现对多种扰动数据的压缩采集,数据量小,具有分类识别度高,抗干扰性强等优点,为电力系统扰动数据的压缩采集与识别提供了一种新的参考㊂1 压缩感知基本理论1.1 稀疏分解原理压缩感知可以将原始数据在某一稀疏域中稀疏化,然后通过重构算法恢复原始信号,使以较少的采图1 压缩感知稀疏分解原理Fig.1 Principle of compressed sensing sparse decomposition 样点恢复原信号成为可能㊂该理论通过稀疏㊁测量和重构3个过程实现对多种电力系统扰动数据进行采集与分析[23],获得电能质量扰动信号的稀疏特征㊂稀疏分解原理如图1所示㊂图1中X 为扰动信号,Φ为稀疏字典,稀疏字典越完备则原始电能质量扰动数据稀疏性越好,θ为稀疏系数,τ为扰动信号的稀疏度,即稀疏特征的个数㊂1.2 稀疏字典的设计为进一步降低电力系统扰动数据的计算复杂度和提高分类器样本学习速度,需尽可能减少扰动数据的分类特征个数㊂而稀疏性越好,扰动数据的稀疏特征个数也就越少㊂常见的稀疏字典基本上都由数学变换得到[24⁃25],但对具有随机性与时变性的电力系统扰动数据稀疏效果并不好,且容易受到噪声的干扰[26⁃27]㊂因此笔者通过将OMP 算法与K⁃SVD 字典学习算法结合,通过对多组电力系统扰动数据进行学习,设计过完备稀疏字典,以较少的字典原子实现扰动数据的稀疏分解㊂字典的设计主要有如下2个步骤㊂836吉林大学学报(信息科学版)第39卷1)稀疏分解阶段㊂通过OMP 算法求初始稀疏字典D 下的扰动数据的稀疏表示系数^x j ^x j=arg min{‖x j ‖0}s.t. ‖y -Dx j ‖2F ≤ε, ∀j ∈[1,N {](1) 2)字典更新阶段㊂通过字典更新优化式(1)带来的重构误差,当更新第k 个字典原子d k 时,则有‖Y -DX ‖2F =Y -∑K j =1d j x T j 2F =Y -∑j ≠k d j x T j -d k x T k 2F (2)其中x j T 为稀疏系数矩阵X 的第j 行,令E k 为除第k 个原子以外的所有原子产生的误差,则式(2)变为‖Y -DX ‖2F =‖E k -d k x T k ‖2F (3)E k =Y -∑j ≠k d j x T j (4) 令ωk ={i 1≤i ≤K ,x T k (i )≠0}为使用原子的d k 样本信号Y 的索引,以防止结果发散;定义Ωk 为N ×ωk 矩阵,其中(ωk (i ),i )为非零值,其余都是零值,则式(4)可表示为‖E k Ωk -d k x T k Ωk ‖2F =‖E R k -d k x R k ‖2F (5)其中x R k =x T k Ωk ,为x T k 去掉零值项的行矢量,E R k =E k Ωk 为稀疏编码过程中使用的原子d k 的误差列㊂将E R k 采用奇异值分解法得到下述表达式E R k =UΔV T (6)其中U 和V 为两个相互正交的矩阵,Δ为对角矩阵,通过分解得到的U 的第1列更新初始字典中的d k ㊂同时以矩阵V 的第1列与Δ(1,1)的乘积更新替换稀疏表示系数x j ,从而完成稀疏字典的更新㊂1.3 信号重构算法笔者基于K⁃SVD 字典学习算法和OMP 算法提出了一种原子自适应的正交匹配追踪算法AtOMP㊂该算法以高斯随机矩阵为测量矩阵,并结合2.2节中过完备稀疏字典构建传感矩阵,首先通过OMP 算法实现测量值与传感矩阵的匹配追踪,对扰动进行重构;然后由K⁃SVD 算法不断更新稀疏字典降低重构误差,当满足所设定的最低重构信噪比阈值时停止迭代㊂其主要实现流程如图2所示㊂图2 重构算法实现流程图Fig.2 The realization flow chart of the reconstruction algorithm 2 实验仿真与分析2.1 基于AtOMP 算法的扰动数据采集与特征提取参考文献[28]基于Matlab 2016B 仿真平台,设计正常电压(C 1)㊁电压暂降(C 2)㊁电压暂升(C 3)㊁电压936第6期周桂平,等:基于压缩感知的电力扰动数据采集与分类方法中断(C 4)㊁电压振荡(C 5)㊁电压谐波(C 6)㊁电压尖峰(C 7)和电压缺口(C 8)8种常见单一扰动类型和暂降加谐波(C 2+C 6)㊁暂升加谐波(C 3+C 6)㊁暂降加振荡(C 2+C 5),暂升加振荡(C 3+C 5)4种复合扰动模型㊂笔者扰动数据压缩比计算公式为P CR =100L X -L ^X L X (7)其中L X 为原始数据个数,L ^X 为重构后数据个数㊂稀疏字典原子主频率成分个数计算公式为A f =fft(d i )N f =(A f >0.15max(A f )/{2(8)其中d i 为采用的K⁃SVD 算法学习后的字典原子,A f 为字典原子的幅频系数,N f 为主频率成分个数㊂稀疏字典原子的标准差㊁峭度以及裕度因子计算公式分别为d st =1M ∑M m =1(d im -⎺d i )2(9)d ku =∑Mm =1(d im -⎺d i )4(M -1)d 4st -3(10)d L =(max(d i )-min(d i ))/d i 2(11)其中d im 为字典原子d i 中的第m 个元素,M 为元素总个数㊂利用笔者所提AtSOMP 算法对以上扰动数据进行采集,得到重构结果和对应的字典原子如图3所示,不同扰动信号的重构信噪比R SNR ㊁均方根误差R RMSE 和压缩比R CR 如表1所示㊂从表1可以明显看出,笔者所提出的AtOMP 算法对以上单一电力系统扰动数据和复合扰动数据均可实现精确重构,重构信噪比保持在150dB 以上,且可对扰动信号实现高度压缩㊂以电压谐波扰动为例,在假定其稀疏度为25的情况下,不同压缩比对分别采用正交匹配追踪,广义正交匹配追踪(GOMP:Generalized OMP)[29],正则化匹配追踪(ROMP:Regularized OMP)[30]和笔者所提AtOMP 算法的均方根误差(RMSE:Root Mean Square Error,R RMSE )和重构信噪比(SNR:Signal Noise Ratio,R SNR )的变化情况分别如图4和图5所示㊂046吉林大学学报(信息科学版)第39卷图3 电能质量扰动信号重构对比图Fig.3 Comparison diagram of power quality disturbance signal reconstruction 表1 扰动信号重构结果146第6期周桂平,等:基于压缩感知的电力扰动数据采集与分类方法 图4 相对均方根误差随压缩比变化情况 图5 重构信噪比随压缩比变化情况 Fig.4 Variation of relative root mean square Fig.5 Variation of reconstructed signal to error with compression ratio noise ratio with compression ratio 从图4,图5中可以看出,随着压缩比不断提高,除笔者所提算法外,其他算法的R SNR 均出现下降趋势,R RMSE 也呈现逐步升高的趋势㊂且当压缩比为60%时,采用OMP㊁GOMP 和ROMP算法重构时出现失真现象,而笔者所提算法R SNR 基本保持在150dB 左右,性能远优于同类型其他算法㊂提取多组以上电力系统扰动数据对应的稀疏系数㊁自适应稀疏字典原子的标准差㊁峭度㊁裕度因子和主频率个数5个特征作为BP 神经网络的输入样本分类特征进行学习,各种电力系统扰动数据对应的分类特征典型值如表2所示㊂表2 电力系统扰动数据分类特征典型值Tab.2 Power system disturbance data classification characteristic typical values 扰动类别d st d ku d L ^θ标签C 120.031.78161C 21.650.032.29192C 32.630.032.57133C 41.370.043.28204C 52.110.032.24205C 62.460.032.22186C 73.840.011.24237C 82.070.043.66818C 2+C 62.370.032.18199C 3+C 62.910.032.451610C 2+C 51.830.032.181811C 3+C 52.470.032.4515122.2 基于BP 神经网络的电力系统扰动数据分类BP 神经网络[28]是一种按照误差逆向传播算法训练的多层前馈神经网络,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小,具有良好的非线性映射能力[29⁃30]㊂由于笔者所采用的分类特征个数较少,且不同类别扰动数据分类特征间差异明显,避免了出现局部最优和收敛速度过慢的问题㊂笔者对每种电力系统扰动数据进行100次样本学习,训练神经网络㊂然后每种扰动数据选用10组数据进行分类结果验证㊂笔者采用的BP 神经网络训练参数:最大训练次数为1000,训练精度为10-3,学习率为0.01,隐含层为15个,其余参数默认㊂训练过程如图6所示㊂从图6可以明显看出,采用笔者所提出的分类特征进行学习时,在迭代次数为5时完成收敛㊂证明笔者所提分类特征具有代表性,且学习收敛速度较快㊂对多组扰动数据特征进行神经网络学习,每种扰动数据分别采用10组测试样本对所生成分类器的分类效果进行验证,分类结果如图7所示㊂246吉林大学学报(信息科学版)第39卷 图6 BP 神经网络训练过程 图7 电力系统扰动数据分类测试结果 Fig.6 BP neural network training process Fig.7 Power system disturbance data classification test results 笔者所设计的分类器决定系数可达0.998,证明分类拟合程度较好,可实现对上述电力系统扰动数据的精确分类㊂在不同信噪比情况下,分析笔者所提分类算法对各种电力系统扰动数据的分类正确率如表3所示㊂表3 不同分类算法对扰动信号分类效果对比 声影响较小㊂这是因为在匹配追踪过程中,由于使用的是训练好的过完备稀疏字典,扰动数据中所含的噪声被认为是匹配追踪过程中的残差,且笔者在重构过程中首先假定扰动数据的稀疏度为固定值,因此扰动数据中噪声信号被保留在残差项中舍弃,从而具有一定的抗噪性㊂3 结 论笔者提出了一种基于压缩感知的电力系统扰动数据采集与分类算法,通过该方法实现电能质量扰动数据的高效压缩和精确分类,为电能质量数据分析与采集提供了新的参考㊂综上所述,可得如下结论㊂1)笔者提出原子自适应重构算法AtOMP,将电力系统扰动数据在少量稀疏字典原子下稀疏和精确重构㊂2)将笔者算法与同类型重构算法对比,证明了笔者所提算法可适用于不同压缩比场景,为数据进一步压缩提供参考㊂3)以扰动数据的稀疏特征,自适应稀疏字典原子的标准差㊁峭度㊁裕度因子和主频率个数5个特征构建扰动数据分类的训练样本㊂以BP 神经网络实现电力系统扰动数据的分类,对不同信噪比情景下的分类正确率进行了深入研究㊂参考文献:[1]周远翔,陈健宁,张灵,等. 双碳”与 新基建”背景下特高压输电技术的发展机遇[J].高电压技术,2021,47(7):2396⁃2408.ZHOU Yuanxiang,CHEN Jianning,ZHANG Ling,et al.Opportunity for Developing Ultra High Voltage Transmission346第6期周桂平,等:基于压缩感知的电力扰动数据采集与分类方法446吉林大学学报(信息科学版)第39卷Technology Under the Emission Peak,Carbon Neutrality and New Infrastructure[J].High Voltage Engineering,2021, 47(7):2396⁃2408.[2]李妍妍,王义军,金华锋,等.基于改进希尔伯特⁃黄变换的电力系统谐波检测方法[J].东北电力大学学报,2021, 41(2):119⁃123.LI Yanyan,WANG Yijun,JIN Huafeng,et al.Harmonic Detection Method of Power System Based on Improved Hilbert Huang Transform[J].Journal of Northeast Electric Power University,2021,41(2):119⁃123.[3]石磊磊,贾清泉,林丽娟,等.电力电子化配电网谐波分布式全局优化治理策略[J].中国电机工程学报,2020, 40(9):2914⁃2924.SHI Leilei,JIA Qingquan,LIN Lijuan,et al.Distributed Global Optimal Harmonic Mitigation Strategy for Power Electronics High Penetrated Distribution Networks[J].Proceedings of the CSEE,2020,40(9):2914⁃2924.[4]沈跃,张瀚文,刘国海,等.基于判别字典学习的电能质量扰动识别方法[J].仪器仪表学报,2015,36(10): 2167⁃2173.SHEN Yue,ZHANG Hanwen,LIU Guohai,et al.Power Quality Disturbance Identification Method Based on Discriminative Dictionary Learning[J].Chinese Journal of Scientific Instrument,2015,36(10):2167⁃2173.[5]MAHAPATRA KAVERI,LU SEN,SENGUPTA ABHRONIL,et al.Power System Disturbance Classification with Online Event⁃Driven Neuromorphic Computing[J].IEEE Transactions on Smart Grid,2021,12(3):2343⁃2354.[6]黄建明,瞿合祚,李晓明.基于短时傅里叶变换及其谱峭度的电能质量混合扰动分类[J].电网技术,2016,40(10): 3184⁃3191.HUANG Jianming,QU Hezuo,LI Xiaoming.Classification for Hybrid Power Quality Disturbance Based on STFT and Its Spectral Kurtosis[J].Power System Technology,2016,40(10):3184⁃3191.[7]罗雪莲,刘桂英,刘香银.基于小波变换与希尔伯特⁃黄变换的微电网暂态电能质量扰动检测及辨识研究[J].电力电容器与无功补偿,2020,41(3):182⁃188.LUO Xuelian,LIU Guiying,LIU Xiangyin.Study on Detection and Identification of Transient Power Quality Disturbances of Microgrid Based on Wavelet Transform and Hilbert⁃Huang Transform[J].Power Capacitor&Reactive Power Compensation, 2020,41(3):182⁃188.[8]吴建章,梅飞,潘益,等.基于改进经验小波变换的电能质量扰动检测新方法[J].电力自动化设备,2020,40(6): 142⁃151.WU Jianzhang,MEI Fei,PAN Yi,et al.Novel Detection Method of Power Quality Disturbance Based on IEWT[J].Electric Power Automation Equipment,2020,40(6):142⁃151.[9]徐志超,杨玲君,李晓明.基于聚类改进S变换与直接支持向量机的电能质量扰动识别[J].电力自动化设备, 2015,35(7):50⁃58,73.XU Zhichao,YANG Lingjun,LI Xiaoming.Power Quality Disturbance Identification Based on Clustering⁃Modified S⁃Transform and Direct Support Vector Machine[J].Electric Power Automation Equipment,2015,35(7):50⁃58,73. [10]刘嫣,汤伟,刘宝泉.基于压缩感知的电能质量扰动数据稀疏分析与改进重构算法[J].电工技术学报,2018, 33(15):3461⁃3470.LIU Yan,TANG Wei,LIU Baoquan.Data Sparse Analysis and Improved Reconstruction Algorithm of Power Quality Disturbance Based on Compressed Sensing[J].Transactions of China Electrotechnical Society,2018,33(15):3461⁃3470.[11]屈相帅,段斌,尹桥宣.基于稀疏自动编码器深度神经网络的电能质量扰动分类方法[J].电力自动化设备,2019, 39(5):157⁃162.QU Xiangshuai,DUAN Bin,YIN Qiaoxuan.Classification Method of Power Quality Disturbances Based on Deep Neural Network of Sparse Auto⁃Encoder[J].Electric Power Automation Equipment,2019,39(5):157⁃162.[12]黄南天,彭华,蔡国伟,等.电能质量复合扰动特征选择与最优决策树构建[J].中国电机工程学报,2017,37(3): 776⁃786.HUANG Nantian,PENG Hua,CAI Guowei,et al.Feature Selection and Optimal Decision Tree Construction of Complex Power Quality Disturbances[J].Proceedings of the CSEE,2017,37(3):776⁃786.[13]纪萍,陈玲,吴静妹.基于能量差和支持向量机的电网扰动分类识别研究[J].石河子大学学报:自然科学版,2020, 38(5):548⁃553.JI Ping,CHEN Ling,WU Jingmei.Research on Power Quality Feature Extraction Method Based on Energy Difference andSVM [J].Journal of Shihezi University:Natural Science,2020,38(5):548⁃553.[14]汪飞,全晓庆,任林涛.电能质量扰动检测与识别方法研究综述[J].中国电机工程学报,2021,41(12):4104⁃4121.WANG Fei,QUAN Xiaoqing,REN Lintao.Review of Power Quality Disturbance Detection and Identification Methods [J].Proceedings of the CSEE,2021,41(12):4104⁃4121.[15]郑戍华,张宁宁,王向周.基于提升小波和Hilbert 变换的暂态电能质量检测[J].北京理工大学学报,2019,39(2):162⁃168.ZHENG Shuhua,ZHANG Ningning,WANG Xiangzhou.A Lifting Wavelet and Hilbert Transform Fusion Method for Transient Power Quality Detection [J].Transactions of Beijing Institute of Technology,2019,39(2):162⁃168.[16]尹柏强,何怡刚,朱彦卿.一种广义S 变换及模糊SOM 网络的电能质量多扰动检测和识别方法[J].中国电机工程学报,2015,35(4):866⁃872.YIN Baiqiang,HE Yigang,ZHU Yanqing.Detection and Classification of Power Quality Multi⁃Disturbances Based onGeneralized S⁃Sansform and Fuzzy SOM Neural Network [J].Proceedings of the CSEE,2015,35(4):866⁃872.[17]朱云芳,戴朝华,陈维荣,等.压缩感知理论及其电能质量应用与展望[J].电力系统及其自动化学报,2015,27(1):80⁃85.ZHU Yunfang,DAI Chaohua,CHEN Weirong,et al.Present Status and Prospect on Compressed Sensing in Power Systems [J].Proceedings of the CSU⁃EPSA,2015,27(1):80⁃85.[18]于华楠,张敬傑,代芳琳.压缩传感在电能质量扰动信号分析中的应用[J].吉林大学学报:信息科学版,2014,32(6):618⁃623.YU Huanan,ZHANG Jingjie,DAI Fanglin.Application of Power Quality Disturbance Signal Based on Compressed Sensing [J].Journal of Jilin University:Information Science Edition,2014,32(6):618⁃623.[19]于华楠,杜瑶,郭树旭.基于压缩传感的高精度同步相量测量方法[J].吉林大学学报:工学版,2018,48(1):312⁃318.YU Huanan,DU Yao,GUO Shuxu.High⁃Precision Synchronous Phasor Measurement Based on Compressed Sensing [J].Journal of Jilin University:Engineering and Technology Edition,2018,48(1):312⁃318.[20]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 pression 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.[21]张梦楠,李春茂,刘凯,等.基于广义S 变换和奇异值分解的局放信号降噪优化方法[J].电网技术,2021,45(8):3305⁃3313.ZHANG Mengnan,LI Chunmao,LIU Kai,et al.A Noise Reduction Optimization Method of Partial Discharge Signal Based on Generalized S Transform and Singular Value Decomposition [J].Power System Technology,2021,45(8):3305⁃3313.[22]姚明海,李劲松,王娜.基于BP 神经网络的高校学生成绩预测[J].吉林大学学报:信息科学版,2021,39(4):451⁃455.YAO Minghai,LI Jinsong,WANG Na.Prediction of College Students’Performance Based on BP Neural Network [J].Journalof Jilin University:Information Science Edition,2021,39(4):451⁃455.[23]欧阳华,邵英,李辉,等.基于冗余字典稀疏分解的电能质量扰动信号压缩采样研究[J].海军工程大学学报,2021,33(3):14⁃19.OUYANG Hua,SHAO Ying,LI Hui,et pressed Sampling of Power Quality Disturbance Signal Based on Sparse Decomposition of Redundant Dictionary [J].Journal of Naval University of Engineering,2021,33(3):14⁃19.[24]唐新闰,刘彦彤,张岩,等.基于K⁃SVD 字典学习的岩心图像压缩感知重构[J].吉林大学学报:信息科学版,2020,38(3):341⁃347.TANG Xinrun,LIU Yantong,ZHANG Yan,et pressed Sensing Reconstruction of Core Image Based on K⁃SVD Dictionary Learning [J].Journal of Jilin University:Information Science Edition,2020,38(3):341⁃347.[25]王钢,周若飞,邹昳琨.基于压缩感知理论的图像优化技术[J].电子与信息学报,2020,42(1):222⁃233.WANG Gang,ZHOU Ruofei,ZOU Yikun.Research on Image Optimization Technology Based on Compressed Sensing [J].Journal of Electronics &Information Technology,2020,42(1):222⁃233.546第6期周桂平,等:基于压缩感知的电力扰动数据采集与分类方法646吉林大学学报(信息科学版)第39卷[26]谢小荣,贺静波,毛航银,等. 双高”电力系统稳定性的新问题及分类探讨[J].中国电机工程学报,2021,41(2): 461⁃475.XIE Xiaorong,HE Jingbo,MAO Hangyin,et al.New Issues and Classification of Power System Stability with High Shares of Renewables and Power Electronics[J].Proceedings of the CSEE,2021,41(2):461⁃475.[27]杨烁,曹思扬,戴朝华,等.电能质量扰动信号时频原子分解的进化匹配追踪算法[J].电力系统保护与控制,2015, 43(16):79⁃86.YANG Shuo,CAO Siyang,DAI Chaohua,et al.Evolutionary Matching Pursuit Based Time⁃Frequency Atom Decomposition for Power Quality Disturbance Signals[J].Power System Protection and Control,2015,43(16):79⁃86.[28]王旭红,杨思阳,李良.基于ILMD和神经网络的电压扰动识别分类[J].长沙理工大学学报:自然科学版,2018, 15(3):85⁃93.WANG Xuhong,YANG Siyang,LI Liang.Voltage Disturbance Signals Identification Based on Improved LMD and Neural Network[J].Journal of Changsha University of Science&Technology:Natural Science,2018,15(3):85⁃93. [29]刘国海,丁灵卫,沈跃,等.广义正交匹配追踪电能质量信号重构方法[J].电测与仪表,2019,56(10):69⁃74. LIU Guohai,DING Lingwei,SHEN Yue,et al.Power Quality Signal Reconstruction Method Based on Generalized Orthogonal Matching Pursuit[J].Electrical Measurement&Instrumentation,2019,56(10):69⁃74.[30]廖勇,周昕,沈轩帆,等.一种基于改进ROMP的MIMO⁃OFDM信道估计方法[J].电子学报,2017,45(12): 2848⁃2854.LIAO Yong,ZHOU Xin,SHEN Xuanfan,et al.A Channel Estimation Method Based on Improved Regularized Orthogonal Matching Pursuit for MIMO⁃OFDM Systems[J].Acta Electronica Sinica,2017,45(12):2848⁃2854.(责任编辑:刘东亮)。
