肖兒良 馮杰 簡獻忠 王如志

摘要：針對稀疏重構算法在電能質量重構中存在實時性差、重構精度低的問題，提出一種基于特征向量歸一化的K奇異值分解（KSVD?NRAMP）自適應稀疏重構算法。算法針對電能質量信號的非線性非穩(wěn)態(tài)特征，采用迭代式匹配追蹤得到信號稀疏特征矩陣，然后對矩陣進行歸一化處理，量化特征向量，加快函數(shù)收斂速度。接著對得到的矩陣原子進行奇異值分解，改善迭代步長波動造成信號重構精度低的問題，最后構建信號的高斯隨機矩陣并重構信號。當信號壓縮率在50%～90%時，該算法重構信噪比其它重構算法的重構信噪比高出26dB～28dB。實驗結果表明，該算法重構精度更高且計算時間短，為電能質量信號的研究提供了一種新思路。

關鍵詞：歸一化;奇異值分解;壓縮感知;電能質量信號重構

KSVD?NRAMP normalized adaptive sparse reconstruction

algorithm of power quality signals

XIAO Er?liang1，2， FENG Jie1，2， JIAN Xian?zhong1，2，WANG Ru?zhi

（1.School of Optical?Electrical & Computer Engineering， University of Shanghai for Science & Technology;

2.Shanghai Key Laboratory of Modern Optical System， Shanghai 200093， China;

3.College of Materials Science and Engineering， Beijing University of Technology，Beijing 100124，China）

Abstract：Due to the poor real?time performance and low reconstruction accuracy of sparse reconstruction algorithm in power quality reconstruction， the author proposed an adaptive sparse reconstruction algorithm based on the normalized K singular value decomposition of eigenvector （KSVD?NRAMP）. Firstly aiming at the nonlinear and unstable features of power quality signals， algorithm can obtain the sparse feature matrix of signals by adopting the iterative matching pursuit. Then the algorithm adopted the normalization processing of sparse feature matrix， quantizing eigenvector， accelerating the convergence speed of the function. Afterwards， aiming at the obtained matrix atoms， the algorithm can realize the decomposition of the singular value and improve the problem of low signal reconstruction accuracy caused by the fluctuation of iterative step. At last， the algorithm can construct the Gaussian random signals matrix and reconstruct the sparse signals. When the signal compression ratio is between 50% and 90%， the reconstruction SNR of the proposed reconstruction algorithm is 26dB ～ 28dB higher than that of other reconstruction algorithms. Experimental results show that the proposed algorithm has higher reconstruction accuracy and shorter computation time， and provides a new idea for the study of power quality signals.

Key Words：normalization; singular value decomposition; compressed sensing; power quality signals reconstruct

0?引言

電能質量信號監(jiān)測[1?4]是配電網避免設備損壞、確定干擾原因的主要方法[5]，電能質量的好壞不僅關系到電網企業(yè)的產品質量，也影響到用戶的安全運行。因此，對電能質量信號的檢測分析具有非常重要的意義。

現(xiàn)有的處理方法主要包括基于短時傅里葉變換方法（STFT）[6]、小波變換（WT）[7]、希爾伯特–黃變換（HHT）[8]、S變換（ST）[9]等。但以上信號處理方法均建立在傳統(tǒng)的奈奎斯特采樣定理基礎上，要求采樣頻率較高，導致電能質量信號分析復雜、功耗較大。為解決上述問題，學者們進行了很多研究[10?12]，如文獻[12]將壓縮感知理論應用于電能質量信號識別中，驗證了該方法的可行性;文獻[13?14]采用固定正交基稀疏分解方法，具有構造簡單、實現(xiàn)快速、復雜度較低的特點。由于采用固定正交基進行信號分解，從而導致稀疏系數(shù)表達能力和范圍有限，為解決該問題，文獻[15]采用一組在過完備的離散余弦基上分解信號的方法，重構效果優(yōu)于固定正交基。但由于稀疏字典生成時未充分考慮電能質量信號時頻特性，且采用的基原子結構固定，不能實現(xiàn)信號的最優(yōu)表示，由此導致稀疏字典不具有自適應性，不利于工程實際應用。因此，文獻[16]提出KSVD?ROMP算法，利用字典學習方式自適應地構造信號的變換基。但是該算法的稀疏特征矩陣原子差異巨大，迭代結束條件受步長波動影響較大，導致該算法應用于信號重構時存在實時性差和重構精度低的缺點。

針對該問題，本文提出一種KSVD?NRAMP算法，即基于特征向量歸一化的K奇異值分解自適應稀疏重構算法。首先根據(jù)電能質量信號非線性非穩(wěn)態(tài)特征，采用迭代式匹配追蹤得到信號的稀疏特征矩陣，然后對矩陣原子進行歸一化處理，將特征量縮放，縮小特征矩陣原子差異，使其梯度下降過程更加筆直，加快函數(shù)收斂速度從而加快計算速度。接著利用訓練學習的方式對得到的系數(shù)矩陣進行奇異值分解，然后從字典中選出一組和原始信號或殘余最匹配的原子更新字典，以獲得信號的最優(yōu)展開函數(shù)，改善算法迭代結束條件受步長波動的影響。與DCT算法、KSVD?ROMP算法相比較，結果顯示本文算法計算時間最短，重構精度更高，可很好地用于電能質量信號重構中。

1?壓縮感知與過完備字典

壓縮感知[17?19]的核?心思想為：若一個R?N空間的信號x為長度N的一維信號，信號x稀疏度為k（即含k個非零值），或在某個正交基Ψ上具有稀疏性，那么可將原始信號x通過一個與正交基Ψ不相關的測量矩陣ΦMXN（M>K，M<<N）進行非自適應線性投影，得到保持原始信號結構且遠小于信號長度的測量值y（M×1）。最后通過求解數(shù)值最優(yōu)化問題精確重構原始信號x。一般的自然信號x本身并不是稀疏的，需要在某種稀疏基上進行稀疏表示：x=Ψs，Ψ為稀疏基矩陣，s為稀疏系數(shù)（s只有K個是非零值（K≤N））。將原來的測量矩陣Φ變換為Θ=ΦΨ（Θ?稱之為傳感矩陣），壓縮感知觀測模型如式（1）所示。

常用的稀疏基有快速傅里葉稀疏變換基（FFT）、離散小波變換稀疏基（DWT）、離散余弦變換稀疏基（DCT）等正交變換矩陣。由于電能質量擾動信號時頻變化范圍較廣，在上述變換基?Ψ下仍會不稀疏或不夠稀疏，因此可采用適合信號本身特征的過完備字典D對信號進行稀疏表示。式（2）所示為信號在過完備字典D域下的變換過程，稀疏系數(shù)s利用字典D變換為信號X，再經過觀測矩陣Φ得到壓縮感知觀測值Φ為隨機矩陣。過完備字典D為?非正交基，可以較好滿足壓縮感知的非相干性，即滿足RIP性質[14]：

2?KSVD?NRAMP算法

2.1?KSVD?NRAMP算法

在信號的稀疏表示中，選擇不同的冗余字典，信號重構效果不同。常用的冗余字典包括隨機字典、DCT 字典、傅里葉基字典以及小波基字典[13?15]等。為有效訓練一個用于信號稀疏表示的字典，Elad&Aharon[20]提出K奇異值分解算法，可同時更新當前原子和相應的稀疏系數(shù)。通過字典學習方式得到的過完備字典能自適應地對信號進行很好的稀疏表示。本文根據(jù)信號本身非線性非穩(wěn)態(tài)特征訓練學習過完備字典，這類字典中的原子與訓練集中的信號本身相適應。與基于正交基方法字典相比， 通過學習獲得的字典原子數(shù)量更多， 形態(tài)更豐富， 能自適應地與信號本身的結構匹配， 具有更稀疏的表示。

令?n維矩陣D∈Rn×K為學習訓練后的過完備字典，y∈R?n及x∈R?n分別代表訓練樣本信號和對應的稀疏表示向量，矩陣Y={y?i}?N?i=1為N個訓練信號樣本組成的集合，矩陣X={x?i}?N?i=1 表示每個信號樣本所對應的稀疏解向量所組成的集合，T?0?為各稀疏表示向量中非零元素總數(shù)的上限，則KSVD?NRAMP算法的學習目標可以表示為：

因為電能質量信號為一維信號，所以將信號數(shù)據(jù)?S以長度N分割得到原子，之后隨機選取k個原子組成樣本集合x?。

KVSD?NRAMP算法關鍵步驟：①稀疏編碼階段。在該階段， 根據(jù)電能質量信號的非線性非穩(wěn)態(tài)特征，采用迭代式匹配追蹤得到信號的稀疏特征矩陣，然后對矩陣原子進行歸一化處理，將特征量縮放至[0，1]區(qū)間，縮小特征矩陣原子差異，使其梯度下降過程更加筆直從而縮小特征矩陣原子差異，加快函數(shù)收斂速度以加快計算速度，得到歸一化處理后的初始稀疏系數(shù)矩陣?X;②根據(jù)訓練迭代誤差，利用訓練學習方式，對得到的初始稀疏系數(shù)矩陣X進行奇異值分解，然后從字典中選出一組和原始信號或殘余最匹配的原子更新字典，以獲得信號的最優(yōu)展開函數(shù)，改善算法迭代結束條件受步長波動造成的信號重構精度低的問題。將回溯思想和逐步搜索原子字典更新相結合，添加段變換和步長信息，在反復迭代過程中不斷調整步長，進行殘差r比較，動態(tài)探測并且逼近信號x的實際稀疏度。在每一次迭代中，S（索引集）利用式（5）獲得測量矩陣Φ?的各個測量值：

本輪迭代的候選集合?C是由本輪索引集S與上一輪迭代中的稀疏系數(shù)矩陣F合并而來，而當前迭代的稀疏系數(shù)矩陣F是僅當上一輪迭代中計算出的新殘差值小于原來殘差值時，由當時迭代的候選集合C?賦值而來。

本文根據(jù)電能質量信號非線性非平穩(wěn)特征，構建一個MXN的高斯隨機矩陣作為觀測矩陣，設計方法為：構造一個大小為MXN的矩陣?Φ，使Φ中的每一個元素獨立服從均值為0、方差為1/M的高斯分布，如式（4）?所示。

該觀測矩陣具有很強的隨機性。實驗證明，用本文觀測矩陣觀測電能質量信號樣本時，其不僅滿足約束等距條件，且?guī)缀跖c任意稀疏信號都不相關，所需測量次數(shù)最少。通過實驗分析，觀測效果優(yōu)于一致球測量矩陣、二值隨機矩陣以及局部傅里葉矩陣。

2.2?算法流程

（1）使用MATLAB仿真得到9種電能質量擾動信號樣本，將樣本?隨機分成S，X兩部分，S部分為用于生成電能質量信號學習字典，X部分用于產生壓縮感知框架?下的觀測矩陣。

（2）通過?數(shù)據(jù)S得到電能質量信號初始學習字典以及待訓練樣本集合Q，再采用貪婪迭代匹配追蹤得到初始稀疏系數(shù)矩陣F?。

（3）稀疏系數(shù)矩陣?F中的特征向量進行歸一化處理，將特征量縮放至[0，1]區(qū)間，得到歸一化處理后的矩陣F?i?。

（4）用訓練學習的思想對步驟（3）得到的矩陣原子進行奇異值分解，每次分解從字典中選出一組和原始信號或殘余最匹配的原子更新字典，以獲得信號的最優(yōu)展開函數(shù)，并交替更新字典原子。

（5）將回溯思想和逐步搜索原子字典更新相結合，添加段變換和步長信息，在反復迭代過程中不斷調整步長，比較殘差?r，動態(tài)探測并且逼近信號x?的實際稀疏度。

（6）用公式（4）設計M×N維的高斯隨機觀測矩陣?Φ?。

（7）初始化殘差?r?0=y，size=step，階段stg=1?。

（8）若?r?new/r?y<sigma，則?不進入迭代，直接進入步驟（11），否則進入步驟（9）。

（9）利用式（6）計算出?u，取前最大的size個對應索引值構成索引集合S?。

（10）獲得索引集合?C=S∪F，同樣利用式（5）計算出F?new?，利用式（7）得到新的殘差。

（11）如果滿足終止條件，則退出迭代，進入步驟（8），否則進入步驟（7）。

（12）如?‖r?new‖?2≥‖r?pre‖?2，則stg=stg+1，size=stg×step，否則r?pre=r?new，F(xiàn)=F?new?，進入步驟（2）。

（13）利用最小二乘法，求出最優(yōu)稀疏系數(shù)?=（R?TR）-1·R?Ty?。

（14）得到?后，利用步驟（3）經歸一化處理后的矩陣F?i及步驟（5）中的觀測矩陣Φ可得重構信號=ΦF?i?。

3?實驗

3.1?硬件環(huán)境及信號模型

為了驗證本文算法的有效性及優(yōu)越性，硬件環(huán)境統(tǒng)一采用Win7 32位操作系統(tǒng)，4GB內存，Intel Core i5-2410M CPU 2.30 GHz，利用Matlab 2010b生成9種電能質量信號（電壓暫降、電壓暫升、電壓尖峰、電壓缺口、電壓振蕩、電壓諧波、電壓中斷、電壓脈沖以及電壓閃變）各1 500個樣本，如圖1所示，信號的采樣頻率為6 400Hz，電壓基波頻率為100Hz，信號長度N=600，測量次數(shù)M=128。

3.2?性能指標重構評估

為了客觀評估分析本文KSVD?NRAMP算法在電能質量信號稀疏重構應用中的性能，采用式（8）～式（11）中的均方誤差百分值（MSE）、重構信噪比（SNR）、能量恢復系數(shù)（ERP）以及壓縮率（CR）4項指標，對本文方法與DCT算法、KSVD?ROMP算法進行重構效果評估，同時通過程序計算時間比較3種算法的實時性。

3.3?實驗與分析

3.3.1?重構誤差與計算時間對比

本次實驗使用DCT、KSVD?ROMP及KSVD?NRAMP3種算法分別對電壓驟降信號進行稀疏重構。圖2為DCT算法恢復誤差，圖3為KSVD?ROMP算法恢復誤差，圖4為KSVD?NRAMP算法恢復誤差。表1為3種算法對電壓驟降信號稀疏重構200次的平均運行時間。由圖2、圖3可知，在擾動信號出現(xiàn)和結束時，DCT與KSVD?ROMP兩種算法由于生成的稀疏特征矩陣原子差異過大，迭代結束條件受步長波動影響較大，導致重構信號時出現(xiàn)丟失信號時變特征情況，同時由于重構步長非自適應造成運行時間過長。表1中DCT算法與KSVD?ROMP算法重構信號平均運行時間為13.83s和10.28s。

而本文算法將稀疏系數(shù)矩陣中的特征向量進行歸一化處理，將特征量縮放至[0，1]區(qū)間，將矩陣內所有特征系數(shù)歸一化為同一數(shù)量級，簡化了計算，從而提高運行速度。同時不斷調整步長，改善算法迭代結束條件以提高信號重構精度。

3.3.2?壓縮率與魯棒性實驗

為了驗證本文KSVD?NRAMP算法在不同壓縮率下的有效性和魯棒性，在不同壓縮率下分別使用3種算法進行電能質量信號稀疏重構。選取重構信噪比（SNR）、均方誤差百分值（MSE）作為評價指標進行對比分析。

圖5為電能質量信號在壓縮率為50%～90%時，3種算法的重構信噪比（SNR）曲線，圖6為壓縮率為50%～90%時，3種算法的均方誤差百分值（MSE）曲線。

圖5?不同CR下的重構SNR曲線

圖6?不同CR下的重構MSE曲線

由圖5、圖6可知，對于電能質量信號，當壓縮率（CR）在50%～90%時，本文所提算法與DCT算法和KSVD?ROMP算法比較，重構信噪比（SNR）高出26～28dB，且均方誤差（MSE）也明顯小于其它兩種算法。由此可知，本文所提算法在保持高壓縮率狀況下，不僅很好地保留了電能質量信號特征，改善了信號重構性能，完全滿足電能質量信號分析要求，還可保證強魯棒性。

3.3.3?實驗結果對比分析

為更好驗證本文算法的有效性及普適性，針對9種常見電能質量擾動信號各進行200次實驗，取平均實驗結果如表2所示。

由表2可知，當使用本文算法重構電能質量信號時，9種重構信號的信噪比SNR均在50dB以上，能量恢復系數(shù)EPR穩(wěn)定高于99.89%，很好地保留了原始信號絕大部分能量，且均方誤差MSE極小，進一步驗證了本次實驗的有效性和正確性。

4?結語

本文提出的KSVD?NRAMP稀疏重構算法通過歸一化稀疏矩陣原子，將特征向量縮放，縮小稀疏矩陣原子差異，加快函數(shù)收斂速度，提高了算法重構精度，減少了算法運行時間，可以很好地用于電能質量信號重構。該算法在迭代過程中，根據(jù)信號特征不斷調整步長，保證了算法在高壓縮率下的魯棒性。同時利用奇異值分解不斷更新字典，保留型號特征，避免了算法迭代殘差計算時造成的誤差。由實驗可知，當壓縮率（CR）在50%～90%時，本文所提算法重構信噪比（SNR）高達54dB～81dB，魯棒性強。將該算法與電能質量信號識別結合，為電能質量信號檢測與分析提供了一種新思路。

參考文獻：

[1]?UTKARSH S， SHYAM N S. Detection and classification of power quality disturbances based on time?frequency?scale transform[J]. IET Science， Measurement & Technology， 2017，11（6）：802?810.

[2]?祁兵，張麗坤，楊秋霞.一種新的電能質量自適應濾波方法[J].計算機應用研究，2008，25（1）：306?308.

[3]?張逸，林焱，吳丹岳.電能質量監(jiān)測系統(tǒng)研究現(xiàn)狀及發(fā)展趨勢[J].電力系統(tǒng)保護與控制，2015，43（2）：138?147.

[4]?賈清泉，于連富，王寧，等.原子稀疏分解算法在電力系統(tǒng)擾動信號分析中的應用[J].電力系統(tǒng)保護與控制，2010，38（19）：17?21.

[5]?WANG X， TIAN L， GAO Y X， et al. Analysis of power quality disturbance signal based on improved compressed sensing reconstruction algorithm[C].2017 IEEE Transportation Electrification Conference and Expo， Asia?Pacific （ITEC Asia?Pacific），?2017：1?5.

[6]?黃建明，瞿合祚，李曉明.基于短時傅里葉變換及其譜峭度的電能質量混合擾動分類[J].電網技術，2016，40（10）：3184?3191.

[7]?SANGEETA L M， VINAYAK N S. Comparative analysis of power quality using wavelets for real time implementation[C]. 2016 IEEE 7th Power India International Conference （PIICON）， 2016：1?4.

[8]?田振果，傅成華，吳浩，等.基于HHT的電能質量擾動定位與分類[J].電力系統(tǒng)保護與控制，2015，43（16）：36?42.

[9]?KAVITA K， ATUL K D， OM P M. Detection of power quality disturbances in the utility grid with solar energy using S?transform[C].2016 IEEE 7th Power India International Conference （PIICON）， 2016：1?6.

[10]?ZAKARYA O ， VINCENT C ， YASSINE A， et al. Disturbances classification based on a model order selection method for power quality monitoring[J]. IEEE Transactions on Industrial Electronics， 2017，64（12）：9421?9432.

[11]?SAQIB M A， SALEEM A Z. Power?quality issues and the need for reactive?power compensation in the grid integration of wind power[J]. Renewable and Sustainable Energy Reviews. 2015，43（1）：51?64.

[12]?BU YAN， TIAN LIJUN， GAO YUNXING， et al. Load modeling?based on power quality monitoring system applied compressed sensing[C].2017 IEEE Transportation Electrification Conference and Expo， Asia?Pacific （ITEC Asia?Pacific）， 2017：1?6.

[13]?MANIKANDAN， SABARIMALAI M， SAMANTARAY， et al. Simultaneous denoising and compression of power system disturbances using sparse representation on overcomplete hybrid dictionaries[J]. IET Generation Transmission & Distribution， 2015，9（11）：1077?1088.

[14]?曲正偉，郝婉茹，王寧.原子分解快速算法在電能質量擾動分析中的應用[J].電力自動化設備，2015，35（10）：145?150.

[15]?MANIKANDAN M S， SAMANTARAY S R， KAMWA I. Detection and classification of power quality disturbances using sparse signal decomposition on hybrid dictionaries[J]. IEEE Transactions On Instrumentation & Measurement， 2015，64（1）：27?38.

[16]?高周亞同，王麗莉，蒲青山.壓縮感知框架下基于K?奇異值分解字典學習的地震數(shù)據(jù)重建[J].石油地球物理勘探，2014，49（4）：652?660.

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

[18]?高悅，臧明相，郭馥英.基于小波變換和壓縮感知的語音信號壓縮研究[J].計算機應用研究，2017，34（12）：3672?3674.

[19]?尹宏鵬，劉兆棟，柴毅，等.壓縮感知綜述[J].控制與決策，2013，28（10）：1441?1445.

[20]?ELAD M，AHARON M. Image denoising via sparse and redundant representations over learned dictionaries[J]. IEEE Transactions on Image Processing，2006，15（12）：3736?3745.