作者简介:王武亮(1995—),深圳大学硕士研究生.研究方向:智能信息处理.E-mail:szu_wwl@163.com
中文责编:英 子; 英文责编:木 柯
College of Physics and Optoelectronic Engineering, Shenzhen University, Shenzhen 518060, Guangdong Province, P.R.China
information processing technology; compressive sensing; power quality; multitask Bayesian; signal reconstruction
DOI: 10.3724/SP.J.1249.2021.01077
压缩感知技术突破奈奎斯特采样定理限制,能够有效降低数据的存储和传输成本,只需较少的样本就能对电能质量信号进行重构,对电能质量的检测分析具有重要意义.针对电能质量信号,提出一种基于多任务贝叶斯压缩感知理论的电能质量信号压缩重构算法,该算法选择快速傅里叶变换基作为稀疏基对电能质量信号进行稀疏处理,将所得稀疏向量的实部和虚部构成两个压缩重构任务; 利用超参数估计的共享机制,考虑两个任务间数据的内在相关性,对电能质量信号进行重构.仿真结果表明,该算法在压缩重构含复杂扰动的电能质量信号时,其抗噪性能和重构精度均优于正交匹配追踪算法和贝叶斯压缩感知算法,更加适用于含有复杂扰动的电能质量信号的压缩重构.
Compressed sensing technology breaks through the limitation of Nyquist sampling theorem, and can effectively reduce the cost of data storage and transmission. Only a few samples are needed to reconstruct the power quality signal by using the compressed sensing technology, which is of great significance for the detection and analysis of power quality. We propose an algorithm based on multitask Bayesian compressed sensing(MT-BCS)theory for power quality signals compression and reconstruction in this paper. The power quality signals are changed to sparse vectors by taking the fast Fourier transform basis as the sparse basis. The real and imaginary parts of sparse vectors are then treated as two compression and reconstruction tasks. Considering the internal correlation of data corresponding to these two tasks, the power quality signal is reconstructed using the sharing mechanism of hyperparameter estimation. The simulation results show that the algorithm is superior to the orthogonal matching pursuit algorithm and the Bayesian compressed sensing algorithm in anti-noise performance and reconstruction accuracy, and is more suitable for compressing and reconstructing power quality signals with complex disturbance.
传统的电能质量信号分析方法,都是先按照奈奎斯特采样定律获取数据,然后将数据压缩编码再进行存储或传输,最后对压缩编码的数据进行解压缩处理.然而,一方面电能质量信号扰动类型复杂且变化迅速,这要求采样设备有较高的采样速率,增加了硬件采样成本的同时又产生了大量冗余数据; 另一方面,由于电力系统不间断监测的需求,造成每时每刻都要处理海量的采样数据,而采样数据的编码过程计算复杂,消耗了大量计算资源.
CANDÈS等[1-3]提出的压缩感知理论,突破了奈奎斯特采样定理的限制.该理论指出:对于可压缩信号(原信号本身稀疏或者在某个变换域下稀疏),可通过一个与变换基不相关的观测矩阵将信号投影到低维空间上,再通过非线性重构算法恢复原信号.近年来压缩感知理论在电能质量分析领域日渐成为热点,文献[4-8]采用贪婪算法对电能质量信号在无噪声情况下进行压缩重构,效果出色.但是电能质量信号含有复杂扰动的同时往往还含有噪声,贪婪算法的抗噪性较差.
贝叶斯压缩感知(Bayesian compressive sensing, BCS)是基于相关向量机[9-10] (relevance vector machine, RVM)发展而来. WIPF等[11]提出基于RVM的稀疏贝叶斯学习方法; 2008年,JI等将稀疏贝叶斯理论应用到压缩感知重构算法中,在理论模型中引入噪声项,在信号重构时表现出良好的抗噪性[12]; 次年,又提出基于贝叶斯理论的多任务压缩感知,考虑了各待重构任务间数据的内在联系,提高了模型的学习能力和参数估计的精度[13].
本研究将多任务贝叶斯压缩感知(multitask Bayesian compressive sensing, MT-BCS)理论用于含复杂扰动的电能质量信号的压缩重构研究上,用快速傅里叶变换基对电能质量信号进行稀疏处理,提取稀疏向量的实部和虚部构成两个压缩重构任务,得到两个任务的观测向量后,计算待重构向量的超参数,最后利用观测向量和超参数得到待重构向量的均值进而得到重构信号.通过与正交匹配追踪(orthogonal matching pursuit, OMP)算法和BCS算法的仿真结果对比表明,MT-BCS算法对含复杂扰动的电能质量信号的重构效果更好.
压缩感知包含信号采样压缩与信号重构两部分.信号进行压缩感知的前提条件是信号具有可压缩性,即信号本身是稀疏的,或者在某个变换域下是稀疏的.根据信号稀疏表示理论可知,信号 x∈RN×1在N×N的稀疏基 Ψ下可表示为x=Ψθ. 其中, Ψ是N×N的正交矩阵; θ∈RN×1是稀疏向量, 当 θ中有K个值不为零,则称 θ为K稀疏(KN).
信号在观测矩阵 Φ下进行线性投影,得到观测值 y, 完成信号采样压缩.其中, Φ=[φ1, φ2,…, φN]是M×N的观测矩阵.因此,整个采样压缩过程表示为
y=ΦΨTx=Φθ(1)
其中, y可看作是稀疏向量 θ关于观测矩阵 Φ的线性观测值, y的维度M远小于 θ的维度N, 因此式(1)是一个欠定方程组.在 θ是稀疏的条件下,若 Φ满足约束等距条件[14],可通过求解最优l0范数得到重构后的稀疏向量的解为
其中, λ是用来平衡误差和稀疏度的因子.计算出后,重构信号为Ψ与的乘积.
文献[13]在贝叶斯压缩感知的基础上假设观测任务有L个,并且这些观测任务在统计学上互相关联,因此, L个稀疏向量 θi通过L个观测矩阵 Φi得到L个观测值为
yi=Φiθi+ni(3)
其中, yi∈RM</sub>i×1, 表示L个观测值{yi}i=1,2,…,L; 通常每个观测任务使用不同的随机观测矩阵 Φi, Φi∈R</sup>M</sub>i×N, i=1,2,…,L; L个稀疏向量 θi∈RN×1; ni∈R</sup>M</sub>i×1是每个观测任务引入的噪声,本研究假设 ni服从均值为0,方差为σ2的多元高斯分布.
给定观测值 yi,则稀疏向量 θi和方差σ2的似然函数为
同时,定义α0=σ-2为噪声逆方差,服从参数为(a, b)的伽玛分布.将α0集成到 θi的先验分布中,则可避免对α0的估计,增强了算法的鲁棒性.定义 θi服从0均值高斯先验,即
其中, L个稀疏向量 θi共享同一超参数 α, 此共享机制利用了各组数据的内在联系,使不同组的观测值数据可共同影响 α的估计值,这正是多任务贝叶斯估计的精髓.
给定超参数 α和测量值 yi, 结合式(4)和式(5),利用贝叶斯定理可得 θi的后验分布函数为
其中,
这里,对角矩阵 A=diag(α1, α2, …, αN).
θi的后验分布函数为多元Student-t分布,它具有很好的健壮性,由于其概率密度函数没有指数的限制,所以在数据有噪声时鲁棒性更强.
利用最大化边际似然函数估计超参数 α.由式(4)和式(5)得到 α的边际似然函数的对数为
其中, Bi=I+ΦiA-1ΦTi; const为表示 θ的一个常量.利用直接微分法或最大期望算法都可通过式(9)求得 α的点估计为
为解式(10),文献[13]通过式(7)、式(8)和式(10)迭代计算出 α的估计值. Φi最初包含N个候选基函数然后逐渐优化删除一些基函数.式(8)需要计算N×N矩阵的逆,需要O(N3)的计算复杂度和O(N2)的空间复杂度,此操作在N很大时的计算量巨大且耗时严重.因此,文献[13]提出了快速算法.在该快速算法中, Φi从一个初始基函数开始,根据需要在 Φi中添加或删除当前基函数,并且根据矩阵逆引理,降低了式(8)的计算复杂度.该快速算法因其任一步中 Φi包含的基函数数量相比N都很低,因此算法的计算复杂度更低.
其中,Bi, -j是 Bi移除了Φi, j的项.因此,式(9)可改写为
其中, α-j是 α移除了第j个元素剩下的部分; si, j为稀疏因子,表征当前基函数与模型中已有基函数的重叠程度, 为质量因子,表征当前基函数与排除了当前基函数的模型的对齐程度,表示对向量 α中的一个元素αj求对数.
对式(12)运用直接微分法求αj的极值.结果除了明显解αj=∞外,其他的解不能解析地表示,但可近似为
通过分析多元Student-t函数性质可知, αj=∞等同于θi, j=0, Φi, j可从 Φi中移除,因此,求αj的极值就是控制从 Φi中添加和删除 Φi, j的操作.如果对候选 Φi, j按照顺序执行这些操作,就得到了有效的快速算法.
从压缩感知理论知道,要对某个信号进行压缩感知,该信号必须是稀疏的或者在某个变换域下是稀疏的.电网中含有复杂扰动的电能质量信号并不是稀疏信号,但在一些稀疏基的投影下是稀疏信号.在电能检测领域,快速傅里叶变换基和小波基是运用最多并且较为成熟的稀疏基,而快速傅里叶变换基结构简单,运算速度快,因此,本研究选择快速傅里叶变换基为稀疏基.
将电能质量信号通过快速傅里叶变换得到稀疏向量 θ. θ是复数,取 θ中的实部 θR和虚部 θI构成两个压缩重构任务,通过MT-BCS算法同时对 θR和 θI进行压缩重构.因为 θR和 θI之间的稀疏度很相似, MT-BCS算法通过共享超参数机制充分考虑到 θR和 θI数据的内在联系,提高了模型的学习能力和重构精度.
电能质量信号用多任务贝叶斯压缩感知算法压缩重构的具体步骤为
1)信号的稀疏变换.将电能质量信号 x通过快速傅里叶变换得到稀疏向量 θ,再将其实部 θR和虚部 θI作为两个压缩重构任务得到两组观测值 yR和 yI.
2)计算 θR和 θI的期望值.根据观测值yR、yI和 Φi, 利用快速算法迭代计算出 θR和 θI的期望 和.
3)重构信号.将和组合为复数, 再对做快速傅里叶逆变换, 得到重构信号.
通过对表1中8个含扰动的电能质量信号在不同噪声情况下进行仿真实验,对比分析使用MT-BCS、OMP和BCS算法进行电能质量信号重构的性能.信号采样频率为3 200 Hz,基波频率为50 Hz,信号长度N=640个采样点.使用相对均方误差(relative mean squcre error, RMSE)和重构后的信噪比(signal to noise, SNR)作为性能评价指标,计算公式如式(14)和式(15).其中, x和 分别为电能质量原信号和重构信号.
其中, t∈[0, 0.20]. 仿真采用的电能质量信号模型如表1.
对表1中的稳态电能质量信号进行仿真实验,得到表2稳态电能质量信号的仿真数据,以间谐波信号的仿真实验为例对比分析的性能.图1给出了当测量数M从50个增至250个时,3种算法对间谐波信号在不同噪声情况下压缩重构的RMSE和SNR值的曲线图.表2给出了3种算法在M=128时,对稳态电能质量信号在不同噪声情况下进行压缩重构的RMSE和SNR值.
结合表2和图1(a)可见,重构不含噪声的间谐波信号时,OMP算法的RMSE值3.350×10-15最小, MT-BCS算法的RMSE值7.190×10-5略大,BCS算法的RMSE值5.110×10-4最大; 当间谐波信号中加入噪声且噪声方差(σ2)增大后, BCS算法
图1 不同噪声情况下3种算法重构间谐波信号的数据曲线
Fig.1 The data curve of the reconstructed interharmonics signal by three algorithms under different noises
的RMSE值0.026最小,MT-BCS算法的RMSE值0.035略大,OMP算法的RMSE值0.047最大.结合表2和图1(b)可见,重构不含噪声的间谐波信号时,OMP算法的SNR值666.560最大,MT-BCS算法的SNR值192.330次之,BCS的SNR值156.010最小; 当间谐波信号中加入噪声且噪声方差增大后,BCS算法的SNR值72.390最大,MT-BCS 算法的SNR值66.810次之,OMP算法的SNR值60.780最小.
由表2可见,OMP算法在重构不含噪声的稳态电能质量信号时,效果远优于MT-BCS算法和BCS算法,这是因为此时的稳态电能质量信号扰动简单又不含噪声.当稳态电能质量信号中加入噪声后,MT-BCS算法和BCS算法的抗噪性要强于OMP算法,贝叶斯理论在建立模型的时候就已经引入了测量噪声和随机高斯噪声,这令基于贝叶斯理论的算法拥有比OMP算法更强的抗噪性.重构含有噪声的稳态电能质量信号时,MT-BCS算法的重构效果略逊于BCS算法,这是因为此时信号扰动简单,信号稀疏变换后稀疏度很小,而MT-BCS算法待估计超参数共享,因此超参数累积的误差对MT-BCS算法的影响较大.
对表1中的暂态电能质量信号进行仿真实验,以短时谐波信号为例,对比分析MT-BCS算法与OMP算法和BCS算法的性能.图2给出了当M从50增至250时,3种算法对短时谐波信号在不同噪声情况下重构的RMSE和SNR值曲线图.表3给出了当M=128时,3种算法对暂态电能质量信号在不同噪声情况下重构的RMSE和SNR值.
图2 不同噪声情况下3种算法重构短时谐波信号的数据曲线图
Fig.2 The data curve of the reconstructed short-time harmonics signal by three algorithms under different noises
由图2(a)和表3可见,当重构不含噪声的短时谐波信号时,MT-BCS算法的RMSE值9.970×10-3在3种算法中最小,OMP算法的RMSE值0.013较大,BCS算法的RMSE值0.024最大; 当短时谐波信号中加入噪声及噪声方差增大后,MT-BCS算法的RMSE值0.028在3种算法中依旧保持最小,BCS算法的RMSE值0.033略大,OMP算法的RMSE值0.040最大.结合图2(b)和表3可见,当重构不含噪声的短时谐波信号时, MT-BCS算法的SNR值92.140在3种算法中最大,OMP算法的SNR值85.540次之,BCS算法的SNR值74.330最小; 当短时谐波信号中加入噪声及噪声方差增大后,MT-BCS算法的SNR值70.990在3种算法中依旧保持最大,BCS算法的SNR值67.690次之,OMP算法的SNR值64.360最小.从图2(a)和图2(b)还可看出,在M很小时,MT-BCS算法的重构效果也优于OMP算法和BCS算法,说明MT-BCS算法的性能在压缩采样不完备的情况下依然稳定,而且采样率越低此优势越明显.在重构暂态电能质量信号时共享超参数机制使得MT-BCS算法更好地利用了实部与虚部数据的内在联系,拥有更精确的估计值和更强的抗噪性,重构效果明显优于BCS算法和OMP算法.但是,MT-BCS算法同时重构实部和虚部两个任务,计算过程更复杂,这也牺牲了一定的运算时间.
图3给出了当M从50增至250时,3种算法对复杂信号在不同噪声情况下重构的RMSE和SNR值的曲线图.表4给出了当M=128时3种算法对复杂信号在不同噪声情况下重构的RMSE和SNR值.
图3 不同噪声情况下3种算法重构复杂信号的数据曲线图
Fig.3 The data curve of the reconstructed complicated signal by three algorithms under different noises
结合图3(a)和表4可见,当重构不含噪声的复杂信号时,MT-BCS算法的RMSE值0.021在3种算法中最小,OMP算法的RMSE值0.049较大,BCS算法的RMSE值0.052最大; 当复杂信号中加入噪声及噪声方差增大后,MT-BCS算法的RMSE值0.048依旧保持最小,BCS算法的RMSE值0.060略大,OMP算法的RMSE值0.077最大.结合图3(b)和表4可见,当重构不含噪声的复杂信号时, MT-BCS算法的SNR值76.610在3种算法中最大,OMP算法的SNR值60.020次之,BCS算法的SNR值58.840最小; 当复杂信号中加入噪声及噪声方差增大后,MT-BCS算法的SNR值60.540依旧最大,但BCS算法的SNR值56.130比OMP算法的SNR值51.030大.可以看出,MT-BCS算法也适用于压缩重构扰动更加复杂的电能质量信号,且表现出出色的重构效果,更适合于含复杂扰动的电能质量信号的压缩重构.
将多任务贝叶斯压缩感知理论用于含复杂扰动的电能质量信号的压缩重构研究中.对OMP算法和BCS算法进行仿真,结果表明:① 在压缩重构含复杂扰动的电能质量信号时,MT-BCS算法对电能质量信号的重构效果更出色,重构精度更高; ② MT-BCS算法在压缩比很小时依然能够保持良好的稳定性,在压缩比很小时重构效果优于OMP算法及BCS算法,体现了MT-BCS算法在低压缩采样率时的巨大优势,能够以更低的压缩比压缩重构信号,有效节省了存储空间.③ 当信号含有噪声时,MT-BCS算法的重构效果优于OMP算法及BCS算法,说明该算法具有更强的抗噪性,这在压缩重构含有大量噪声的电能质量信号时优势明显.但是,MT-BCS算法在追求高重构精度和更强抗噪性的同时,牺牲了算法的运行时间,致使算法运行时间较长.综上所述,MT-BCS算法能够适应含各种复杂扰动的电能质量信号的压缩重构.
深圳大学学报理工版
JOURNAL OF SHENZHEN UNIVERSITY SCIENCE AND ENGINEERING
(1984年创刊 双月刊)
主 管 深圳大学
主 办 深圳大学
编辑出版 深圳大学学报理工版编辑部
主 编 李清泉
国内发行 深圳市邮电局
国外发行 中国国际图书贸易集团有限公司(北京399信箱)
地 址 北京东黄城根北街16号
邮 编 100717
电 话 0755-26732266
0755-26538306
Email journal@szu.edu.cn
标准刊号 ISSN 1000-2618
CN 44-1401/N