CN115827577A - 智能电表高频数据压缩与重构的云端协同自适应分治方法 - Google Patents

Abstract

本发明公开了一种智能电表高频数据压缩与重构的云端协同自适应分治方法，包括：使用非侵入式负荷识别的事件检测方法将负荷用电数据划分为事件段和非事件段；对非事件段的数据，使用基于语音端点检测的波动检测方法定位负荷用电波动段，其余区段为负荷用电平稳段，基于CS理论和云端协同框架在终端进行负荷用电波动段数据压缩和预重构，若预重构误差大于设定的阈值则作为重构数据，同时将数据存入波动数据库，通过字典学习更新稀疏基和观测矩阵，否则，采用OMP算法进行重构；使用改进的SAX方法进行负荷用电平稳段数据压缩和重构；将事件段数据和重构后的数据按照在原始数据中出现的先后顺序进行拼接，得到完整的负荷用电重构数据。

Description

智能电表高频数据压缩与重构的云端协同自适应分治方法

技术领域

本发明属于一种用电数据压缩方法，尤其是涉及一种智能电表高频数据压缩与重构的云端协同自适应分治方法。

背景技术

随着高级量测体系的实施和信息通信技术的发展，以智能电表为代表的用电数据传感设备得到广泛安装部署^[1]，所产生的大量精细化监测数据使得用户用电行为分析与识别、客户细分、负荷预测、电力系统需求响应^[2]等高级应用成为可能。由于边缘设备计算资源有限，需将相关大数据和人工智能分析引擎部署在云平台。然而，向主站回传海量智能电表原始数据会给系统数据通信带来较大的负担，因此亟需有效的数据压缩方法，使得以有限的通信及资源需求，实现有效的数据传输，并在云主站通过数据重构恢复完整的用电场景数据，以保证数据的应用价值，最大化智能电表的超越计量功用。

数据压缩方法主要分为无损压缩和有损压缩两类^[3]。其中有损压缩从数据源删除了不重要的细节，只保留数据应用的关键信息，且运行速度快、压缩效率高。若能够接受数据压缩和信息丢失之间的适当权衡，有损压缩方法适合广泛应用。

在电力数据有损压缩方面，已有学者开展了相应的工作。为提高压缩效率，有学者使用符号聚合近似(SAX)方法^[4]，对固定时间窗内的负荷数据平均值进行符号化表示，但是损失了许多用电数据的关键特征。

分段函数逼近是一种广泛使用的压缩方法，首先将时间序列按照某种规则分段，然后对各段分别用一个函数进行近似表示，[5]从候选函数组中选择最优函数对各段进行表示，提高了压缩性能，但是候选函数仍然从通用函数中选择。

用电设备有几种固定的工作模式，根据该特点，一些学者提出基于模板的负荷数据压缩方案。有学者将有标记的电器数据片段作为种子，对分段后的训练数据进行聚类以得到用电模式的模板，以对分段的待压缩数据进行表示^[6]。该方法在只有单个电器的场景中取得了很好的效果，但需要大量有标记的训练数据来进行模式发现，导致泛化能力略有不足。

压缩感知(CS)方法可以用远低于奈奎斯特采样定理要求的速率对可稀疏化的信号进行采样和恢复,实现信号的降维处理。[7]提出了一种基于CS的高频负荷数据压缩方法，采用随机高斯矩阵和离散傅里叶基作为测量矩阵和稀疏基，并用包含99.99％能量的DFT系数来估计稀疏度，进而自适应地决定压缩程度，取得了较好的效果，不过处理时间较长。

[参考文献]

[1]F.Jman,M.Abujubbeh，IoT-enabled smart grid via SM:An overview[J].Future Generation Computer Systems,vol.96,pp.579-590,2019.

[2]Y.Wang,Q.Chen,T.Hong,et al.,Review of smart meter data analytics:Applications,methodologies,and challenges[J].IEEE Transactions on Smart Grid,vol.10,no.3,pp.3125-3148,2018.

[3]C.E.Shannon,“A Mathematical Theory of Communication,”The BellSystem Technical Journal,vol.27,no.4,pp.623-656,1948.

[4]J.Lin,E.Keogh,S.Lonardi,B.Chiu,“A symbolic representation of timeseries,with implications for streaming algorithms,”in Proceedings of the 8thACM SIGMOD workshop on Research issues in data mining and knowledgediscovery,June.2003,pp.2-11.

[5]J.Qi,R.Zhang,K.Ramamohanarao,et al.,“Indexable online time seriessegmentation with error bound guarantee,”World Wide Web,vol.18,no.2,pp.359-401,2015.

[6]K.Jia,G.Guo,J.Xiao,et al.,“Data compression approach for the homeenergy management system,”Applied Energy,2019,247:643-656.

[7]S.Tripathi and S.De,“An Efficient Data Characterization andReduction Scheme for Smart Metering Infrastructure,”IEEETrans.Industr.Inform.,vol.14,no.10,pp.4300-4308,Oct.2018.

发明内容

针对上述现有技术，本发明提供一种智能电表高频数据压缩与重构的云端协同自适应分治方法，使得以有限的通信及资源需求，实现有效的数据传输，减轻数据采集为电力公司带来的通信压力，并通过数据重构恢复完整的用电场景数据，以保证数据的应用价值，最大化智能电表的超越计量功用。

为了解决上述技术问题，本发明提出的基于一种云端协同的负荷用电波动数据压缩感知方法，主要包括以下步骤：

步骤1、使用非侵入式负荷识别的事件检测方法将智能电表采集的高频负荷用电数据划分为事件段和非事件段；对事件段的数据，执行步骤5；对非事件段的数据，执行步骤2；

步骤2、使用基于语音端点检测的波动检测方法定位负荷用电波动段，其余区段为负荷用电平稳段，对负荷用电波动段的数据按照步骤3进行处理；对负荷用电平稳段的数据按照步骤4进行处理；

步骤3、基于压缩感知(CS)理论和云端协同框架在终端进行负荷用电波动段数据压缩和预重构，判断预重构误差是否大于设定的阈值；当预重构误差大于设定的阈值时，以压缩之前的负荷用电波动段数据作为重构数据，执行步骤5；并且，将负荷用电波动段的数据存入波动数据库，通过字典学习更新稀疏基和观测矩阵，将更新后的稀疏基和观测矩阵用于后续下一循环的步骤3中进行负荷用电波动段数据压缩和预重构；当预重构误差不大于设定的阈值时，对压缩后的负荷用电波动段数据采用正交匹配追踪(OMP)算法进行重构，然后执行步骤5；

步骤4、使用改进的符号聚合近似(SAX)方法进行处理，首先，采用矩形分割(DIRECT)算法选择压缩参数，然后根据所选压缩参数对该负荷用电平稳段数据进行分区和符号化表示，分区后各时间分区内所包含的信息量相等；最后，根据该负荷用电平稳段数据的均值、标准差、符号表示和时间分区断点序列进行重构；顺序执行步骤5；

步骤5、将步骤1划分后得到的事件段数据、步骤3得到的重构后的负荷用电波动段数据、步骤4得到的重构后的负荷用电平稳段数据按照在负荷用电数据中出现的先后顺序进行拼接，得到完整的负荷用电重构数据。

进一步讲，本发明所述方法，其中：

步骤1中，使用非侵入式负荷识别的事件检测方法将负荷用电数据划分为事件段和非事件段，包括：以智能电表为终端，对于终端按照采样频率采样得到负荷用电数据，在终端使用非侵入式负荷识别领域的事件检测方法，检测出数据中的事件段，所述事件段对应电器运行状态转换的过渡过程，包括电器的开启、关停以及非零功率运行状态间的切换；事件段之外的其它区段为非事件段。将划分后的事件段的数据通过通信网络回传至远程主站，主站直接读取数据作为该事件段的重构数据。

步骤2中，使用基于语音端点检测的波动检测方法定位负荷用电波动段的步骤如下：

2-1)对步骤1划分后的各非事件段数据进行一次差分并连接，得到差分信号

其中，P_S ⁽ⁱ⁾为负荷用电数据中的第i个非事件区段，ΔP_S ⁽ⁱ⁾为P_S ⁽ⁱ⁾的差分序列；

2-2)以一定长度的滑动窗对步骤2-1)中的差分信号ΔP_S进行无重叠扫描，并按照式(1)计算窗口内的波动特征，当式(1)成立时，判定该窗口为波动窗口；

其中，E_j为差分信号中第j个滑动窗内的能量值，J_W为滑动窗的长度，R_j为该窗口内所包含的原始非事件区段功率极差的最大值，Range(·)表示取极差函数，λ₁和λ₂为相应的判定阈值，即分别为滑动窗内的能量值和功率极差最大值的判定阈值；

2-3)对于步骤2-2)中的波动窗口，将小于一定间距的相邻窗口相互连接形成负荷用电波动段。

步骤3中，基于压缩感知理论和云端协同框架在终端进行负荷用电波动段数据压缩，然后通过通信网络将压缩后的数据传输至后台进行重构，包括：

3-1)在压缩第一个波动段的数据时，首先对压缩感知参数进行初始化：测量矩阵Φ初始化为随机高斯矩阵，稀疏基Ψ初始化为离散傅里叶变换矩阵；然后在后台创建波动数据库；接下来该波动段数据进入步骤2)进行处理。

3-2)对于需要进行处理的负荷用电波动段数据f，基于压缩感知理论对其进行压缩，得到低维数据y，如式(2)；

y＝Φf (2)

然后在终端对该低维数据y进行预重构，即根据当前的测量矩阵Φ和稀疏基Ψ，采用正交匹配追踪(OMP)算法从低维数据y中恢复负荷用电波动段数据f，得到重构后的负荷用电波动段数据

并计算预重构误差E_r，如式(3)

其中，L是负荷用电波动段数据f的总长度，f_l和

分别是原始负荷用电波动段数据和重构后的负荷用电波动段数据的标准化结果；

3-3)当步骤3-2)所得的预重构误差大于给定阈值时，把负荷用电波动段数据f传回后台，进入步骤3-4)；否则，把压缩后的低维数据y传回后台，进入步骤3-5)。

3-4)在后台接收负荷用电波动段数据f，并把它补充到波动数据库，利用波动数据库中的负荷用电波动段数据样本通过字典学习和矩阵优化得到新的稀疏基Ψ'和新的测量矩阵Φ'，然后将其赋值给稀疏基Ψ和测量矩阵Φ，下发至终端，作为处理下一个负荷用电波动段时的压缩感知参数；并且，把负荷用电波动段数据f作为重构数据，并进入步骤5；

3-5)在后台，采用正交匹配追踪OMP从低维数据y中恢复负荷用电波动段数据f，将其作为重构数据，然后进入步骤5。

步骤4中，基于改进的符号聚合近似(SAX)方法，对步骤2所得到的负荷用电平稳段数据进行压缩，然后通过通信网络将压缩后的数据传输至后台并进行重构，包括：

4-1)首先进行参数选择：采用矩形分割(DIRECT)算法，即将待选参数，包括时间分区数和符号表示数作为变量，将重构误差函数作为目标函数，误差函数取得全局最优解时的变量值即为最终所选参数值；

4-2)根据步骤4-1)所选择的参数值，基于改进的符号聚合近似方法，在设备上对待压缩的负荷用电平稳段数据进行符号化表示，完成数据压缩；具体过程如下：

对于待压缩的负荷用电平稳段的原始时间序列，首先对其时间轴进行分区：需构造原始数据差分序列的累积分布函数(CDF)，其等分位点在时间轴上的投影组成时间分区断点序列＜c₁,c₂,…,c_z,…,c_Z＞。然后对其幅值轴进行分区：将高斯分布的概率等分位点序列＜β₁,β₂,…,β_n,…,β_N-1＞作为幅值分区断点序列，幅值区间分别用符号1,2…,N表示；

符号化时，计算各时间分区内的功率均值并根据该功率均值在幅值区间的位置进行符号化表示，如式(4)；

其中，c_z-1和c_z分别是第z-1个和第z个时间分区断点，

是时间分区断点c_z-1到c_z之间的时间分区内的功率均值，

是时间分区断点c_z-1到c_z之间的时间分区内负荷数据的符号表示结果，β_n-1和β_n分别是第n-1个和第n个幅值分区断点；

4-3)将压缩后的数据传输至后台进行重构，即将各时间分区内的符号值逆向恢复为数据值，具体过程如下：

对于任意一个平稳段，按照公式(5)计算第z个时间分区内的负荷数据重构值

时间分区断点c_z-1至c_z之间每个采样点的负荷功率重构值均为

如式(5)所示，

其中，

和

是第z个时间分区的功率符号表示所在区间的下界值和上界值，

和

均根据幅值分区断点序列得到，

和σ分别是负荷用电平稳段数据的均值和标准差。

与现有技术相比，本发明的有益效果是：

现有用电信息采集系统或计量自动化系统通常只能可靠地采集用户侧分钟级量测数据，难以获取用户侧更高频率(如秒级)的细粒度数据，大大限制了愿景设计中高级量测体系所能支持的智能电网高级功能的实现。对此，本发明基于“分而治之”的思想，采用基于语音端点检测的波动段检测与定位方法，结合事件检测算法，对负荷用电数据根据其变化模式进行分段，然后对应采用不同的处理方法进行压缩与重构，能够在远程通信资源有限的情况下，尽可能减少或限制向主站回传数据量的同时保留高频数据中蕴含的更多重要信息，最终使得主站层能够获取智能电表高频量测数据。具体地，一方面，基于压缩感知的云端协同波动数据压缩与重构方法能够使在遇到陌生场景时，也就是预重构误差较大时，自适应地更新场景个性化压缩感知参数，保证了不同场景下波动段数据的高重构精度。另一方面，基于SAX的平稳段数据压缩与重构方法结合了DIRECT方法和不规则时间分区方法，能找到能最小化重构误差的符号化表示参数和能更好跟踪平稳段数据变化趋势的时间分区断点，使得在提升压缩效率的同时保留更多数据特征。

附图说明

图1是本发明智能电表高频数据压缩与重构的云端协同自适应分治方法流程图；

图2是负荷用电数据分段示意图；

图3是负荷用电波动段数据压缩与重构的流程图；

图4是某负荷用电平稳段功率片段的分区示意图；

图5是本发明方法和现有压缩感知方法的负荷用电重构数据曲线。

具体实施方式

本发明提出的一种智能电表高频数据压缩与重构的云端协同自适应分治方法的设计构思是：使用事件检测方法将负荷用电原始数据划分为事件段和非事件段，然后使用波动检测方法定位波动段，其余区段为平稳段；对事件段的数据将其原样回传至远程主站，重构时只需读取回传的数据，无需进行其它处理；对波动段的数据，基于压缩感知(CS)理论在终端进行负荷用电波动段数据压缩和预重构，当预重构误差较大时，将负荷用电波动段数据回传至后台通过字典学习更新稀疏基和观测矩阵，同时将回传的负荷用电波动段数据作为重构数据，否则，将压缩后的数据传输至后台，采用正交匹配追踪(OMP)算法进行重构；对平稳段的数据使用改进的符号聚合近似(SAX)方法来处理，首先采用矩形分割(DIRECT)算法选择压缩参数，然后根据所选参数对负荷用电平稳段数据进行分区符号化表示，其中电器运行功率曲线变化幅度较大的时段用相对密集的分区，曲线变化幅度较小的时段则用相对稀疏的分区，然后把负荷用电平稳段数据的均值、标准差、符号表示和时间分区断点序列传回后台，据此进行重构；在后台将各段重构数据按照在负荷用电原始数据中出现的先后顺序进行拼接，得到完整的负荷用电重构数据。

下面结合附图及具体实施例对本发明做进一步的说明，但下述实施例绝非对本发明有任何限制。

如图1所示，实现智能电表高频数据压缩与重构的云端协同自适应分治方法，包括以下步骤：

步骤1、使用非侵入式负荷识别的事件检测方法将负荷用电数据划分为事件段和非事件段，包括：以智能电表为终端，对于终端按照采样频率采样得到负荷用电数据，在终端使用非侵入式负荷识别领域的事件检测方法，检测出数据中的事件段，所述事件段对应电器运行状态转换的过渡过程，包括电器的开启、关停以及非零功率运行状态间的切换，如图2示意，其中事件段被特别标记，事件段标记外的其它区段为非事件段。事件段之外的其它区段为非事件段。对事件段的数据，执行步骤5，即将划分后的事件段的数据通过通信网络回传至远程主站，主站直接读取数据作为该事件段的重构数据；对非事件段的数据，执行步骤2；

步骤2、使用基于语音端点检测的波动检测方法定位负荷用电波动段，其余区段为负荷用电平稳段，如图2示意。对负荷用电波动段的数据按照步骤3进行处理；对负荷用电平稳段的数据按照步骤4进行处理。

使用基于语音端点检测的波动检测方法定位负荷用电波动段的步骤如下：

2-1)对步骤1划分后的各非事件段数据进行一次差分并连接，得到差分信号ΔP_S＝{ΔP_S ⁽ⁱ⁾|i＝1,2,3...}，其中，P_S ⁽ⁱ⁾为负荷用电数据中的第i个非事件区段，ΔP_S ⁽ⁱ⁾为P_S ⁽ⁱ⁾的差分序列；

2-2)以一定长度(该长度确定的基本原则：滑动窗的长度由判别波动窗口时期望单次处理的数据量决定)的滑动窗对步骤2-1)中的差分信号ΔP_S进行无重叠扫描，并按照式(1)计算窗口内的波动特征，当式(1)成立时，判定该窗口为波动窗口；

其中，E_j为差分信号中第j个滑动窗内的能量值，J_W为滑动窗的长度，R_j为该窗口内所包含的原始非事件区段功率极差的最大值，Range(·)表示取极差函数，λ₁和λ₂分别为滑动窗内的能量值和功率极差最大值的判定阈值，由期望判定为波动段的数据最低波动程度决定。

2-3)对于步骤2-2)中的波动窗口，将小于一定间距的相邻窗口相互连接形成负荷用电波动段。

步骤3、如图3所示，基于压缩感知(CS)理论和云端协同框架在终端进行负荷用电波动段数据压缩和预重构，判断预重构误差是否大于设定的阈值，该阈值的选取由重构时所能够接受的最大误差决定。当预重构误差大于设定的阈值时，以压缩之前的负荷用电波动段数据作为重构数据，执行步骤5；并且，将负荷用电波动段的数据存入波动数据库，通过字典学习更新稀疏基和观测矩阵，将更新后的稀疏基和观测矩阵用于后续下一循环的步骤3中进行负荷用电波动段数据压缩和预重构。当预重构误差不大于设定的阈值时，对压缩后的负荷用电波动段数据采用正交匹配追踪(OMP)算法进行重构，然后执行步骤5。

步骤3中，基于压缩感知理论和云端协同框架在终端进行负荷用电波动段数据压缩，然后通过通信网络将压缩后的数据传输至后台进行重构，包括：

3-1)在压缩第一个波动段的数据时，首先对压缩感知参数进行初始化：测量矩阵Φ初始化为随机高斯矩阵，稀疏基Ψ初始化为离散傅里叶变换矩阵；然后在后台创建波动数据库；接下来该波动段数据进入步骤3-2)进行处理。

3-2)对于需要进行处理的负荷用电波动段数据f，基于压缩感知理论对其进行压缩，得到低维数据y，如式(2)；

y＝Φf (2)

然后在终端对该低维数据y进行预重构，即根据当前的测量矩阵Φ和稀疏基Ψ，采用正交匹配追踪(OMP)算法从低维数据y中恢复负荷用电波动段数据f，得到重构后的负荷用电波动段数据

并计算预重构误差E_r，如式(3)

其中，L是负荷用电波动段数据f的总长度，f_l和

分别是原始负荷用电波动段数据和重构后的负荷用电波动段数据的标准化结果；

3-3)当步骤3-2)所得的预重构误差大于给定阈值时，把负荷用电波动段数据f传回后台，进入步骤3-4)；否则，把压缩后的低维数据y传回后台，进入步骤3-5)。

3-4)在后台接收负荷用电波动段数据f，并把它补充到波动数据库，利用波动数据库中的负荷用电波动段数据样本通过字典学习和矩阵优化得到新的稀疏基Ψ'和新的测量矩阵Φ'，然后将其赋值给稀疏基Ψ和测量矩阵Φ，下发至终端，作为处理下一个负荷用电波动段时的压缩感知参数；并且，把负荷用电波动段数据f作为重构数据，并进入步骤5；

3-5)在后台，采用正交匹配追踪OMP从低维数据y中恢复负荷用电波动段数据f，将其作为重构数据，然后进入步骤5。

步骤4、使用改进的符号聚合近似(SAX)方法进行处理，首先，采用矩形分割(DIRECT)算法选择压缩参数，然后根据所选压缩参数对该负荷用电平稳段数据进行分区和符号化表示，分区后各时间分区内所包含的信息量相等；最后，根据该负荷用电平稳段数据的均值、标准差、符号表示和时间分区断点序列进行重构；顺序执行步骤5；

步骤4中，基于改进的符号聚合近似(SAX)方法，对步骤2所得到的负荷用电平稳段数据进行压缩，然后通过通信网络将压缩后的数据传输至后台并进行重构，包括：

4-1)首先进行参数选择：采用矩形分割(DIRECT)算法，即将待选参数，包括时间分区数和符号表示数作为变量，将重构误差函数作为目标函数，误差函数取得全局最优解时的变量值即为最终所选参数值；

4-2)根据步骤4-1)所选择的参数值，基于改进的符号聚合近似方法，在设备上对待压缩的负荷用电平稳段数据进行符号化表示，完成数据压缩；具体过程如下：

对于待压缩的负荷用电平稳段的原始时间序列，首先对其时间轴进行分区：需构造原始数据差分序列的累积分布函数(CDF)，其等分位点在时间轴上的投影组成时间分区断点序列＜c₁,c₂,…,c_z,…,c_Z＞。然后对其幅值轴进行分区：将高斯分布的概率等分位点序列＜β₁,β₂,…,β_n,…,β_N-1＞作为幅值分区断点序列，幅值区间分别用符号1,2…,N表示；图4以某负荷功率片段为例，展示了时间分区数Z为7，符号数N为4时的分区示意图。符号化时，计算各时间分区内的功率均值并根据该功率均值在幅值区间的位置进行符号化表示，如式(4)；

其中，c_z-1和c_z分别是第z-1个和第z个时间分区断点，

是时间分区断点c_z-1到c_z之间的时间分区内的功率均值，

是时间分区断点c_z-1到c_z之间的时间分区内负荷数据的符号表示结果，β_n-1和β_n分别是第n-1个和第n个幅值分区断点；

4-3)负荷用电平稳段数据被符号化表示后，将压缩后的数据以均值

标准差σ、符号表示序列

和每个时间分区的位置记录的形式传输至后台进行重构，即将各时间分区内的符号值逆向恢复为数据值，然后进入步骤6。逆向恢复的具体过程如下：

对于任意一个平稳段，按照公式(5)计算第z个时间分区内的负荷数据重构值

时间分区断点c_z-1至c_z之间每个采样点的负荷功率重构值均为

如式(5)所示，

其中，

和

是第z个时间分区的功率符号表示所在区间的下界值和上界值，

和

均根据幅值分区断点序列得到，

和σ分别是负荷用电平稳段数据的均值和标准差。

步骤5、将步骤1划分后得到的事件段数据、步骤3得到的重构后的负荷用电波动段数据、步骤4得到的重构后的负荷用电平稳段数据按照在负荷用电数据(即原始数据)中出现的先后顺序进行拼接，得到完整的负荷用电重构数据。

将本发明所述方法和现有的一种压缩感知方法[7]进行了实验对比，比较两个方法的数据压缩性能。其中，本发明方法中步骤2中，计算窗口内的波动特征时，滑动窗的长度为20，滑动窗内能量值的判定阈值λ₁为1500，滑动窗内功率极差最大值的判定阈值λ₂为25；对于波动窗口，将小于间距为10的相邻窗口相互连接形成负荷用电波动段。步骤3中，用于判断预重构误差设定的阈值为0.9。

实验所用的实测用电数据是智能电表高频量测数据，分别来自6个不同家庭，数据采样频率均为1Hz。数据压缩的性能从重构精度和压缩效率两个方面来描述：重构精度，即重建数据与原始数据之间的差异；压缩效率，即通过压缩方法可以减少数据的程度。重构精度采用均方根误差(RMSE)来衡量，计算方法如式(6)。压缩效率采用压缩比(CR)来衡量，计算方法如式(7)。

其中，T等于负荷用电原始数据的总长度，P_t和

分别是负荷用电原始数据和重构数据的标准化结果

其中，S₀为压缩之前需要传输的数据量，S为经过压缩后需要传输的数据量。

两个方法的压缩性能结果对比如表1所示。从重构精度来看，本发明方法的整体表现更佳，平均重构误差为0.18％，即平均重构精度达到了99.82％。进一步来看，本发明方法在不同场景的表现更加稳定，即RMSE的方差值更小，这是因为一方面本文采用“分而治之”的思想，对原始数据进行了更精细的划分，且根据不同数据段特点采用相适应的压缩与重构方法，另一方面本发明方法中的关键参数(如压缩负荷用电波动段数据所用的稀疏基和测量矩阵、压缩负荷用电平稳段数据所用的时间分区数和符号表示数)可根据场景的变化自适应调整，保证了不同场景下的高重构精度。从压缩效率的角度来看，由于本发明采用分治策略，在优化波动段的压缩效率的同时，采用改进的SAX方法处理平稳段，大幅提升了压缩比，总体看来，本发明方法的压缩效率显著优于对比方法。

表1本发明与文献[7]两个方法的压缩性能结果对比

图5选取1号家庭的部分数据，展示了本发明方法和对比方法的负荷用电重构数据曲线。从图中可以看出，对比方法对部分负荷数据片段的适用性较差，特别是对于与阶跃型事件段相邻的平稳段，重构曲线呈现出明显的抖动，相比之下，本发明方法对不同数据片段的适应性均较好。

尽管上面结合附图对本发明进行了描述，当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (6)

1.一种智能电表高频数据压缩与重构的云端协同自适应分治方法，其特征在于，包括以下步骤：

步骤1、使用非侵入式负荷识别的事件检测方法将智能电表采集的高频负荷用电数据划分为事件段和非事件段；对事件段的数据，执行步骤5；对非事件段的数据，执行步骤2；

步骤2、使用基于语音端点检测的波动检测方法定位负荷用电波动段，其余区段为负荷用电平稳段，对负荷用电波动段的数据按照步骤3进行处理；对负荷用电平稳段的数据按照步骤4进行处理；

步骤3、基于压缩感知(CS)理论和云端协同框架在终端进行负荷用电波动段数据压缩和预重构，判断预重构误差是否大于设定的阈值；

当预重构误差大于设定的阈值时，以压缩之前的负荷用电波动段数据作为重构数据，执行步骤5；并且，将负荷用电波动段的数据存入波动数据库，通过字典学习更新稀疏基和观测矩阵，将更新后的稀疏基和观测矩阵用于后续下一循环的步骤3中进行负荷用电波动段数据压缩和预重构；

当预重构误差不大于设定的阈值时，对压缩后的负荷用电波动段数据采用正交匹配追踪(OMP)算法进行重构，然后执行步骤5；

步骤4、使用改进的符号聚合近似(SAX)方法进行处理，首先，采用矩形分割(DIRECT)算法选择压缩参数，然后根据所选压缩参数对该负荷用电平稳段数据进行分区和符号化表示，分区后各时间分区内所包含的信息量相等；最后，根据该负荷用电平稳段数据的均值、标准差、符号表示和时间分区断点序列进行重构；顺序执行步骤5；

步骤5、将步骤1划分后得到的事件段数据、步骤3得到的重构后的负荷用电波动段数据、步骤4得到的重构后的负荷用电平稳段数据按照在负荷用电数据中出现的先后顺序进行拼接，得到完整的负荷用电重构数据。

2.根据权利要求1所述的智能电表高频数据压缩与重构的云端协同自适应分治方法，其特征在于，步骤1中，使用非侵入式负荷识别的事件检测方法将负荷用电数据划分为事件段和非事件段，包括：以智能电表为终端，对于终端按照采样频率采样得到负荷用电数据，在终端使用非侵入式负荷识别领域的事件检测方法，检测出数据中的事件段，所述事件段对应电器运行状态转换的过渡过程，包括电器的开启、关停以及非零功率运行状态间的切换；事件段之外的其它区段为非事件段。

3.根据权利要求1所述的智能电表高频数据压缩与重构的云端协同自适应分治方法，其特征在于，步骤1中，将划分后的事件段的数据通过通信网络回传至远程主站，主站直接读取数据作为该事件段的重构数据。

4.根据权利要求1所述的智能电表高频数据压缩与重构的云端协同自适应分治方法，其特征在于，步骤2中，使用基于语音端点检测的波动检测方法定位负荷用电波动段的步骤如下：

2-1)对步骤1划分后的各非事件段数据进行一次差分并连接，得到差分信号ΔP_S＝{ΔP_S ⁽ⁱ⁾|i＝1,2,3...}，其中，P_S ⁽ⁱ⁾为负荷用电数据中的第i个非事件区段，ΔP_S ⁽ⁱ⁾为P_S ⁽ⁱ⁾的差分序列；

2-2)以一定长度的滑动窗对步骤2-1)中的差分信号ΔP_S进行无重叠扫描，并按照式(1)计算窗口内的波动特征，当式(1)成立时，判定该窗口为波动窗口；

其中，E_j为差分信号中第j个滑动窗内的能量值，J_W为滑动窗的长度，R_j为该窗口内所包含的原始非事件区段功率极差的最大值，Range(·)表示取极差函数，λ₁和λ₂分别为滑动窗内的能量值和功率极差最大值的判定阈值；

2-3)对于步骤2-2)中的波动窗口，将小于一定间距的相邻窗口相互连接形成负荷用电波动段。

5.根据权利要求1所述的智能电表高频数据压缩与重构的云端协同自适应分治方法，其特征在于，步骤3中，基于压缩感知理论和云端协同框架在终端进行负荷用电波动段数据压缩，然后通过通信网络将压缩后的数据传输至后台进行重构，包括：

3-1)在压缩第一个波动段的数据时，首先对压缩感知参数进行初始化：测量矩阵Φ初始化为随机高斯矩阵，稀疏基Ψ初始化为离散傅里叶变换矩阵；然后在后台创建波动数据库；接下来该波动段数据进入步骤3-2)进行处理；

3-2)对于需要进行处理的负荷用电波动段数据f，基于压缩感知理论对其进行压缩，得到低维数据y，如式(2)；

y＝Φf (2)

然后在终端对该低维数据y进行预重构，即根据当前的测量矩阵Φ和稀疏基Ψ，采用正交匹配追踪(OMP)算法从低维数据y中恢复负荷用电波动段数据f，得到重构后的负荷用电波动段数据

并计算预重构误差E_r，如式(3)

其中，L是负荷用电波动段数据f的总长度，f_l和

分别是原始负荷用电波动段数据和重构后的负荷用电波动段数据的标准化结果；

3-3)当步骤3-2)所得的预重构误差大于给定阈值时，把负荷用电波动段数据f传回后台，进入步骤3-4)；否则，把压缩后的低维数据y传回后台，进入步骤3-5)；

3-4)在后台接收负荷用电波动段数据f，并把它补充到波动数据库，利用波动数据库中的负荷用电波动段数据样本通过字典学习和矩阵优化得到新的稀疏基Ψ'和新的测量矩阵Φ'，然后将其赋值给稀疏基Ψ和测量矩阵Φ，下发至终端，作为处理下一个负荷用电波动段时的压缩感知参数；并且，把负荷用电波动段数据f作为重构数据，并进入步骤5；

3-5)在后台，采用正交匹配追踪OMP从低维数据y中恢复负荷用电波动段数据f，将其作为重构数据，然后进入步骤5。

6.根据权利要求1所述的智能电表高频数据压缩与重构的云端协同自适应分治方法，其特征在于，步骤4中，基于改进的符号聚合近似(SAX)方法，对步骤2所得到的负荷用电平稳段数据进行压缩，然后通过通信网络将压缩后的数据传输至后台并进行重构，包括：

4-1)首先进行参数选择：采用矩形分割(DIRECT)算法，即将待选参数，包括时间分区数和符号表示数作为变量，将重构误差函数作为目标函数，误差函数取得全局最优解时的变量值即为最终所选参数值；

4-2)根据步骤4-1)所选择的参数值，基于改进的符号聚合近似方法，在设备上对待压缩的负荷用电平稳段数据进行符号化表示，完成数据压缩；具体过程如下：

对于待压缩的负荷用电平稳段的原始时间序列，首先对其时间轴进行分区：需构造原始数据差分序列的累积分布函数(CDF)，其等分位点在时间轴上的投影组成时间分区断点序列＜c₁,c₂,…,c_z,…,c_Z＞；然后对其幅值轴进行分区：将高斯分布的概率等分位点序列＜β₁,β₂,…,β_n,…,β_N-1＞作为幅值分区断点序列，幅值区间分别用符号1,2…,N表示；

符号化时，计算各时间分区内的功率均值并根据该功率均值在幅值区间的位置进行符号化表示，如式(4)；

其中，c_z-1和c_z分别是第z-1个和第z个时间分区断点，M_z是时间分区断点c_z-1到c_z之间的时间分区内的功率均值，

是时间分区断点c_z-1到c_z之间的时间分区内负荷数据的符号表示结果，β_n-1和β_n分别是第n-1个和第n个幅值分区断点；

4-3)将压缩后的数据传输至后台进行重构，即将各时间分区内的符号值逆向恢复为数据值，具体过程如下：

对于任意一个平稳段，按照公式(5)计算第z个时间分区内的负荷数据重构值

时间分区断点c_z-1至c_z之间每个采样点的负荷功率重构值均为

如式(5)所示，

其中，

和

是第z个时间分区的功率符号表示所在区间的下界值和上界值，

和

均根据幅值分区断点序列得到，

和σ分别是负荷用电平稳段数据的均值和标准差。

Images