针对高级量测体系中的海量数据问题,首次引入压缩感知以克服传统数据压缩方法的不足,深入探索了基于压缩感知的高级量测体系(advanced metering infrastructure based on compressed sensing,AMI-CS)。首先,在分析各类数据特点的基础上...针对高级量测体系中的海量数据问题,首次引入压缩感知以克服传统数据压缩方法的不足,深入探索了基于压缩感知的高级量测体系(advanced metering infrastructure based on compressed sensing,AMI-CS)。首先,在分析各类数据特点的基础上,提出了基于时间和基于空间的2种基本模型及其选取原则;然后,设计模型中的关键要素,提出分类K-SVD稀疏基和适用于时间模型的优选重构算法,并设置二进稀疏测量方式、通用重构算法及适用采集参数;基于此,形成了AMI-CS具体构建方案。实验结果表明,所提出的AMI-CS方案关键要素均具合理性,优于CS传统要素且较传统压缩提升了抗丢包性,通过合理选择压缩比,数据重构信噪比在58 dB以上、重构误差在0.24%以下,满足AMI要求。展开更多
文摘针对高级量测体系中的海量数据问题,首次引入压缩感知以克服传统数据压缩方法的不足,深入探索了基于压缩感知的高级量测体系(advanced metering infrastructure based on compressed sensing,AMI-CS)。首先,在分析各类数据特点的基础上,提出了基于时间和基于空间的2种基本模型及其选取原则;然后,设计模型中的关键要素,提出分类K-SVD稀疏基和适用于时间模型的优选重构算法,并设置二进稀疏测量方式、通用重构算法及适用采集参数;基于此,形成了AMI-CS具体构建方案。实验结果表明,所提出的AMI-CS方案关键要素均具合理性,优于CS传统要素且较传统压缩提升了抗丢包性,通过合理选择压缩比,数据重构信噪比在58 dB以上、重构误差在0.24%以下,满足AMI要求。
