本發(fā)明涉及一種基于特征排序向量?jī)?nèi)積的單通道多電器疊加電流信號(hào)分離方法。

背景技術(shù)：

對(duì)家用電器狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)是實(shí)現(xiàn)遠(yuǎn)程故障預(yù)測(cè)與健康管理(prognosticsandhealthmanagement，phm)的關(guān)鍵，但目前住宅基本是只配備一個(gè)總電流傳感器，無(wú)法直接采集各電器的獨(dú)立電流信號(hào)。因此，如果需要對(duì)任意一個(gè)電器負(fù)荷進(jìn)行監(jiān)測(cè)，首先必須對(duì)多電器疊加電流信號(hào)進(jìn)行分離，即解決單通道的信號(hào)分離問(wèn)題。

單通道盲源分離屬于極端的欠定問(wèn)題，基于矩陣運(yùn)算的常規(guī)盲源分離算法無(wú)法適用。為解決此問(wèn)題，有學(xué)者使用隨機(jī)矩陣來(lái)構(gòu)造多通道信號(hào)，并利用獨(dú)立分量分析(independentcomponentanalysis，ica)方法對(duì)電力信號(hào)實(shí)現(xiàn)有效分離。此類方法中構(gòu)造的隨機(jī)矩陣不符合實(shí)際物理信道模型，無(wú)法從仿真到實(shí)用。

也有學(xué)者采用不同的時(shí)頻變換方法構(gòu)造虛擬多通道觀測(cè)信號(hào)，將單通道欠定轉(zhuǎn)化為多通道正定，再結(jié)合pca或ica盲源算法實(shí)現(xiàn)分離。如chuanhe等對(duì)觀測(cè)信號(hào)進(jìn)行時(shí)延構(gòu)造多通道觀測(cè)信號(hào)，利用主成分分析(principalcomponentanalysis，pca)進(jìn)行降維，最后通過(guò)ica對(duì)諧波和間諧波實(shí)現(xiàn)分離。如毋文峰等利用emd將單通道機(jī)械觀測(cè)信號(hào)與其分解得到的多層固有模態(tài)函數(shù)構(gòu)成多維信號(hào)，再利用fast-ica方法對(duì)信號(hào)實(shí)現(xiàn)有效分離。此類方法由于缺乏對(duì)信源的統(tǒng)計(jì)特性，針對(duì)電器狀態(tài)分離時(shí)，效果并不理想.且采用emd等方法進(jìn)行多通道觀測(cè)信號(hào)重構(gòu)的過(guò)程存在運(yùn)算時(shí)間長(zhǎng)、易出現(xiàn)模式混合、邊緣效應(yīng)等一系列問(wèn)題。

家用電器在有限的控制模式下工作電流有極強(qiáng)的統(tǒng)計(jì)重復(fù)性，可以采用適當(dāng)?shù)奶卣髯儞Q構(gòu)造非“開(kāi)-關(guān)”態(tài)的多元隱含狀態(tài)模型以及控制模式對(duì)應(yīng)的狀態(tài)-時(shí)序模型。本發(fā)明在對(duì)各電器工作特性進(jìn)行大量統(tǒng)計(jì)分析的基礎(chǔ)上，提出采用特征排序向量?jī)?nèi)積的主成分篩選法對(duì)疊加信號(hào)進(jìn)行半盲分離。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問(wèn)題是針對(duì)多個(gè)電器的疊加電流如何逐一分離各電器電流的問(wèn)題。

為了解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案是，基于特征排序向量?jī)?nèi)積的單通道多電器疊加電流信號(hào)分離方法，

設(shè)家庭內(nèi)部共有m個(gè)電器，每個(gè)電器包含nk種工作狀態(tài)，nk為正整數(shù)，不同電器nk會(huì)存在差異，記為smi(t){m＝1，2，...，mi＝1，2，...，i}；如果所有電器都處于工作狀態(tài)，則觀測(cè)信號(hào)x(t)應(yīng)為m個(gè)電器中的每個(gè)電器的某種狀態(tài)的組合，其與源信號(hào)之間的關(guān)系如下：

式(1)中km表征電器m的開(kāi)/關(guān)狀態(tài)，km＝{0，1}，由于家庭內(nèi)部無(wú)中間傳感器，故權(quán)值系數(shù)am＝1；v(t)為噪聲信號(hào)；即可得到式(2)：

記各電器對(duì)應(yīng)的工作狀態(tài)smi(t)的fft變換為smi(k)，噪聲v(t)的fft變換為v(k)，觀測(cè)信號(hào)x(t)的fft變換為x(k)，下式中n為fft點(diǎn)數(shù)；

將式(2)-(4)代入式(5)可得：

由式(6)的推導(dǎo)可知：觀測(cè)信號(hào)x(t)的頻譜x(k)的主成分必然來(lái)自于某一個(gè)或幾個(gè)信號(hào)源；

本方法利用此線性疊加性質(zhì)進(jìn)行單通道盲源分離，包括以下步驟：

步驟1：對(duì)電器工作電壓電流進(jìn)行采樣，采用跟蹤電壓基頻的方式采樣，即保證一個(gè)工頻周期為128或256點(diǎn)；如果非跟蹤采樣，則采樣率選擇大于10khz以上頻率，并對(duì)采樣數(shù)據(jù)進(jìn)行降采樣，將采樣頻率降至6.4khz；初始化，并置i＝1，m＝1；輸入電壓信號(hào)u＝[u0，u1，...，un-1]及m種電器的疊加電流信號(hào)x＝[x0，x1，...，xn-1]，此處n代表工頻周期的點(diǎn)數(shù)；波形的截取以電壓信號(hào)為參考基準(zhǔn)，即以最靠近采樣起始時(shí)刻的第一個(gè)正向過(guò)零點(diǎn)作為0時(shí)刻，以下的盲源分離步驟是針對(duì)單周期進(jìn)行的；

步驟2：對(duì)x進(jìn)行n點(diǎn)fft變換，將0～(n/2-1)次諧波含量組成向量f＝[c0，c1，...，cn/2-1]；把諧波幅值排名前k1所對(duì)應(yīng)的向量元素置1，其余元素置0，得到特征排序向量f；k1取值范圍為15～30；

步驟3：計(jì)算特征排序向量f與各標(biāo)準(zhǔn)狀態(tài)樣本sj所對(duì)應(yīng)的特征排序向量fj的內(nèi)積dj＝<f，fj>；

步驟4：判斷dj最大值對(duì)應(yīng)的狀態(tài)個(gè)數(shù)number1；若number1＝1且對(duì)應(yīng)狀態(tài)id號(hào)為j，則提取j對(duì)應(yīng)的標(biāo)準(zhǔn)狀態(tài)波形為主分量，即pi＝sj；若number1＞1，則首先選擇各電器內(nèi)積排名前k2名所對(duì)應(yīng)的標(biāo)準(zhǔn)狀態(tài)sj作為待選主分量，k2取值范圍為1～3；然后判斷狀態(tài)sj的基波幅值a(sj)是否滿足a(sj)≥a(x)/(mon-m+1)anda(sj)≤a(x)，若滿足，保存標(biāo)準(zhǔn)狀態(tài)sj，若不滿足，剔除壞點(diǎn)；最后判斷滿足上一步的標(biāo)準(zhǔn)狀態(tài)個(gè)數(shù)number2，若number2＝1，提取此狀態(tài)id號(hào)對(duì)應(yīng)的標(biāo)準(zhǔn)狀態(tài)波形為主分量，即pi＝sj；若number2＞1，則計(jì)算各狀態(tài)sj所對(duì)應(yīng)的諧波幅值排名k1的諧波能量按max(ej)所對(duì)應(yīng)的標(biāo)準(zhǔn)狀態(tài)波形作為主分量pi＝sj；

步驟5：分別求取疊加電流信號(hào)x和主分量pi的周波最大值所對(duì)應(yīng)的時(shí)間點(diǎn)位置，記為tx和若對(duì)主分量pi所對(duì)應(yīng)的標(biāo)準(zhǔn)狀態(tài)樣本sj進(jìn)行修正，將sj的周波最大值對(duì)應(yīng)的時(shí)間點(diǎn)修正到tx處，從而獲得修正后的pi，計(jì)算殘差em＝x-pi，進(jìn)入下一步；若直接計(jì)算殘差em＝x-pi，進(jìn)入下一步；

步驟6：判斷m是否滿足m≤mon，其中mon為開(kāi)啟電器種類；若m＞mon，進(jìn)入下一步；若m≤mon，i＝i+1，x＝em，m＝m+1，返回步驟(2)；

步驟7：判斷殘差em的平均功率若p(em)＜threshold，此時(shí)的殘差em等同于噪聲v；循環(huán)結(jié)束；反之，補(bǔ)償修正基波幅值判定條件，返回步驟(4)。

本發(fā)明的有益效果是：

對(duì)于現(xiàn)有的家庭均為一個(gè)智能電表進(jìn)行電能監(jiān)測(cè)的狀況，無(wú)法對(duì)獨(dú)立電器狀態(tài)進(jìn)行監(jiān)控。采用本發(fā)明的方法可以在不增加電流傳感器的情況下實(shí)現(xiàn)對(duì)每一個(gè)電器的狀態(tài)監(jiān)控。該方法和傳統(tǒng)的ica等盲源分離方法相比，分離正確率高，且運(yùn)算開(kāi)銷(xiāo)較小，實(shí)時(shí)性較好。

附圖說(shuō)明

下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說(shuō)明。

圖1是本發(fā)明實(shí)施例的實(shí)測(cè)三電器疊加電流信號(hào)的時(shí)域波形(完整圖)。

圖2是本發(fā)明實(shí)施例的實(shí)測(cè)三電器疊加電流信號(hào)的時(shí)域波形(細(xì)節(jié)圖)。

圖3是本發(fā)明實(shí)施例的k1不同取值的實(shí)驗(yàn)結(jié)果。

圖4是本發(fā)明實(shí)施例的實(shí)測(cè)三電器疊加電流信號(hào)的分離結(jié)果。

圖5是本發(fā)明實(shí)施例的對(duì)比方法——使用emd+fastica方法對(duì)實(shí)測(cè)三電器疊加電流信號(hào)的分離結(jié)果。

具體實(shí)施方式

各電器控制模式下的工作電流為有限穩(wěn)態(tài)和瞬態(tài)波形的排列組合，區(qū)別在于各模式對(duì)應(yīng)的狀態(tài)的組合順序和維持時(shí)間(即狀態(tài)-時(shí)序)不同。通過(guò)離線學(xué)習(xí)，提取各電器的狀態(tài)特征，建立狀態(tài)標(biāo)準(zhǔn)樣本庫(kù)?；诟麟娖鳡顟B(tài)庫(kù)，實(shí)現(xiàn)基于特征排序內(nèi)積的主成分篩選分離算法。具體方法如下：

設(shè)家庭內(nèi)部共有m個(gè)電器，每個(gè)電器包含nk種工作狀態(tài)，nk為正整數(shù)，不同電器nk會(huì)存在差異，記為smi(t){m＝1，2，...，mi＝1，2，...，i}；如果所有電器都處于工作狀態(tài)，則觀測(cè)信號(hào)x(t)應(yīng)為m個(gè)電器中的每個(gè)電器的某種狀態(tài)的組合，其與源信號(hào)之間的關(guān)系如下：

式(1)中km表征電器m的開(kāi)/關(guān)狀態(tài)，km＝{0，1}，由于家庭內(nèi)部無(wú)中間傳感器，故權(quán)值系數(shù)am＝1；v(t)為噪聲信號(hào)；即可得到式(2)：

記各電器對(duì)應(yīng)的工作狀態(tài)smi(t)的fft變換為smi(k)，噪聲v(t)的fft變換為v(k)，觀測(cè)信號(hào)x(t)的fft變換為x(k)，下式中n為fft點(diǎn)數(shù)；

將式(2)-(4)代入式(5)可得：

由式(6)的推導(dǎo)可知：觀測(cè)信號(hào)x(t)的頻譜x(k)的主成分必然來(lái)自于某一個(gè)或幾個(gè)信號(hào)源；此外，對(duì)于其它具有線性變換特性的特征，也可作為分離特征；本實(shí)施例利用此線性疊加性質(zhì)進(jìn)行單通道盲源分離。

算法實(shí)現(xiàn)步驟如下：

步驟1：對(duì)電器工作電壓電流進(jìn)行采樣，采用跟蹤電壓基頻的方式采樣，即保證一個(gè)工頻周期為128或256點(diǎn)；如果非跟蹤采樣，則采樣率選擇大于10khz以上頻率，并對(duì)采樣數(shù)據(jù)進(jìn)行降采樣，將采樣頻率降至6.4khz；初始化，并置i＝1，m＝1；輸入電壓信號(hào)u＝[u0，u1，...，un-1]及m種電器的疊加電流信號(hào)x＝[x0，x1，...，xn-1]，此處n代表工頻周期的點(diǎn)數(shù)；波形的截取以電壓信號(hào)為參考基準(zhǔn)，即以最靠近采樣起始時(shí)刻的第一個(gè)正向過(guò)零點(diǎn)作為0時(shí)刻，以下的盲源分離步驟是針對(duì)單周期進(jìn)行的；

步驟2：對(duì)x進(jìn)行n點(diǎn)fft變換，將0～(n/2-1)次諧波含量組成向量f＝[c0，c1，...，cn/2-1]；把諧波幅值排名前k1所對(duì)應(yīng)的向量元素置1，其余元素置0，得到特征排序向量f；k1通常取值范圍為15-30；

步驟3：計(jì)算特征排序向量f與各標(biāo)準(zhǔn)狀態(tài)樣本sj所對(duì)應(yīng)的特征排序向量fj的內(nèi)積dj＝<f，fj>；

步驟4：判斷dj最大值對(duì)應(yīng)的狀態(tài)個(gè)數(shù)number1；若number1＝1且對(duì)應(yīng)狀態(tài)id號(hào)為j，則提取j對(duì)應(yīng)的標(biāo)準(zhǔn)狀態(tài)波形為主分量，即pi＝sj；若number1＞1，則首先選擇各電器內(nèi)積排名前k2名所對(duì)應(yīng)的標(biāo)準(zhǔn)狀態(tài)sj作為待選主分量，其中針對(duì)不同電器，k2的取值存在差異，k2通常取值范圍為1-3；然后判斷狀態(tài)sj的基波幅值a(sj)是否滿足a(sj)≥a(x)/(mon-m+1)anda(sj)≤a(x)，若滿足，保存標(biāo)準(zhǔn)狀態(tài)sj，若不滿足，剔除壞點(diǎn)；最后判斷滿足上一步的標(biāo)準(zhǔn)狀態(tài)個(gè)數(shù)number2，若number2＝1，提取此狀態(tài)id號(hào)對(duì)應(yīng)的標(biāo)準(zhǔn)狀態(tài)波形為主分量，即pi＝sj；若number2＞1，則計(jì)算各狀態(tài)sj所對(duì)應(yīng)的諧波幅值排名k1的諧波能量按max(ej)所對(duì)應(yīng)的標(biāo)準(zhǔn)狀態(tài)波形作為主分量pi＝sj；

步驟5：分別求取疊加電流信號(hào)x和主分量pi的周波最大值所對(duì)應(yīng)的時(shí)間點(diǎn)位置，記為tx和若對(duì)主分量pi所對(duì)應(yīng)的標(biāo)準(zhǔn)狀態(tài)樣本sj進(jìn)行修正，將sj的周波最大值對(duì)應(yīng)的時(shí)間點(diǎn)修正到tx處，從而獲得修正后的pi，計(jì)算殘差em＝x-pi，進(jìn)入下一步；若直接計(jì)算殘差em＝x-pi，進(jìn)入下一步；

步驟6：判斷m是否滿足m≤mon，其中mon為開(kāi)啟電器種類；若m＞mon，進(jìn)入下一步；若m≤mon，i＝i+1，x＝em，m＝m+1，返回步驟(2)；

步驟7：判斷殘差em的平均功率若p(em)＜threshold，此時(shí)的殘差em等同于噪聲v；循環(huán)結(jié)束；反之，補(bǔ)償修正基波幅值判定條件，返回步驟(4)。

實(shí)驗(yàn)及分析

鑒于瞬態(tài)必然出現(xiàn)在兩個(gè)不同穩(wěn)態(tài)之間的特性，只需對(duì)穩(wěn)態(tài)疊加波形進(jìn)行分解，即可通過(guò)狀態(tài)拼接和時(shí)序判斷獲得完整分離波形。則本實(shí)施例重點(diǎn)討論單周波穩(wěn)態(tài)的分離。

1實(shí)驗(yàn)數(shù)據(jù)

分別采用半仿真數(shù)據(jù)和全實(shí)測(cè)數(shù)據(jù)對(duì)本實(shí)施例所提分離算法進(jìn)行驗(yàn)證。具體如下：

(1)半仿真數(shù)據(jù)是指利用傳感器分別采集各電器的電壓、電流信號(hào)，對(duì)各電器實(shí)測(cè)數(shù)據(jù)進(jìn)行疊加得到混合信號(hào)。選取立柜式空調(diào)、微波爐、洗衣機(jī)各一型為測(cè)試對(duì)象，將立柜式空調(diào)的五類穩(wěn)態(tài)、微波爐的三類穩(wěn)態(tài)、洗衣機(jī)的兩類穩(wěn)態(tài)類別id號(hào)統(tǒng)一編號(hào)為1-10，從各類穩(wěn)態(tài)測(cè)試樣本庫(kù)中隨機(jī)選取10個(gè)樣本進(jìn)行組合交叉驗(yàn)證實(shí)驗(yàn)，即共進(jìn)行10*5*3*2＝300次加混及分離實(shí)驗(yàn)。

(2)全實(shí)測(cè)數(shù)據(jù)是指僅通過(guò)單傳感器監(jiān)測(cè)多電器總的電壓、電流信號(hào)。選取掛壁式空調(diào)、微波爐、臺(tái)式電腦各一型作為測(cè)試對(duì)象，利用單傳感器采集三種電器同時(shí)運(yùn)行時(shí)的電壓、電流信號(hào)。將掛壁式空調(diào)的五類穩(wěn)態(tài)、微波爐的三類穩(wěn)態(tài)、臺(tái)式電腦的兩類穩(wěn)態(tài)類別id號(hào)統(tǒng)一編號(hào)為11-20。圖1、2為實(shí)測(cè)的三種電器的混合信號(hào)時(shí)域波形。圖1所繪波形包含微波爐中火加熱90s的完整運(yùn)行過(guò)程，圖2為373.75-374.5s時(shí)間段內(nèi)三種電器疊加的時(shí)域波形。首先對(duì)上述完整運(yùn)行波形進(jìn)行自動(dòng)分期得到三段穩(wěn)態(tài)波形，并用本實(shí)施例所提分離算法依次對(duì)各段穩(wěn)態(tài)進(jìn)行波形分離。從每段穩(wěn)態(tài)波形中截取周波數(shù)據(jù)建立測(cè)試樣本庫(kù)。并從每段穩(wěn)態(tài)的測(cè)試樣本庫(kù)中各隨機(jī)選取50組數(shù)據(jù)，共3*50＝150組測(cè)試樣本進(jìn)行分離實(shí)驗(yàn)。

2分離結(jié)果及分析

設(shè)置樣本長(zhǎng)度n＝128，電器種類mon＝3，時(shí)間差閾值δ＝0.0003，殘差功率閾值threshold＝2.5(此值為所有穩(wěn)態(tài)中心樣本平均功率的統(tǒng)計(jì)最小值的1/2)。

(1)k1及k2的選取

作為本實(shí)施例所提算法中兩個(gè)重要參數(shù)-諧波幅值排序名次k1及特征向量?jī)?nèi)積排序名次k2。通過(guò)對(duì)各電器不同狀態(tài)樣本諧波含量的統(tǒng)計(jì)分析，并選取不同的k1值對(duì)上述半仿真測(cè)試樣本進(jìn)行組合交叉實(shí)驗(yàn)，結(jié)果如圖3所示。由圖3可知：當(dāng)k1選取為20時(shí)，分離準(zhǔn)確率達(dá)到96％，則最終確定k1＝20。此外，通過(guò)大量統(tǒng)計(jì)分析確定k2，即針對(duì)空調(diào)，k2＝3；針對(duì)微波爐和臺(tái)式電腦時(shí)，k2＝1。

(2)半仿真數(shù)據(jù)分離結(jié)果及分析

表1為其中一組測(cè)試樣本進(jìn)行組合交叉實(shí)驗(yàn)結(jié)果。由表1可見(jiàn)：30組不同源信號(hào)加混分離得到的估計(jì)信號(hào)id與源信號(hào)id完全吻合，分離準(zhǔn)確率為100％，且分離的三個(gè)主分量與各源信號(hào)的相關(guān)系數(shù)均高于0.9，表明三類電器疊加信號(hào)得到了很好的分離。此外半仿真情況下300次加混及分離實(shí)驗(yàn)的總平均準(zhǔn)確率為96％，驗(yàn)證了本實(shí)施例所提算法對(duì)半仿真情況下三類電器分離的有效性。注：表1中a：空調(diào)的狀態(tài)id；m：微波爐的狀態(tài)id；w：洗衣機(jī)的狀態(tài)id；y1～y3：分離的三個(gè)主分量對(duì)應(yīng)的狀態(tài)id；ρ1～p3為主分量與源信號(hào)的相關(guān)系數(shù)。

表1其中一組測(cè)試樣本實(shí)驗(yàn)結(jié)果

在實(shí)驗(yàn)過(guò)程中存在誤分離的情況，表2即為其中一組測(cè)試樣本誤分離結(jié)果。由表可見(jiàn)空調(diào)源id為2的狀態(tài)被誤分為狀態(tài)3；微波爐源id為7的狀態(tài)被誤分為狀態(tài)6，空調(diào)源id為10的狀態(tài)被誤分為狀態(tài)9，究其原因是由于狀態(tài)2與3間電流幅值接近，且各自提取的特征排序向量與混合樣本的內(nèi)積數(shù)值接近，從而導(dǎo)致在上述分離算法步驟4的判定過(guò)程中的運(yùn)算出現(xiàn)錯(cuò)誤；此外由于在數(shù)據(jù)采集過(guò)程中噪聲干擾導(dǎo)致測(cè)試樣本的波形及特性發(fā)生波動(dòng)，即存在野點(diǎn)使其分離判定過(guò)程中設(shè)定的判定條件失效，引起誤分。

表2測(cè)試樣本誤分離實(shí)驗(yàn)結(jié)果

(3)全實(shí)測(cè)數(shù)據(jù)分離結(jié)果及分析

圖4為其中一段穩(wěn)態(tài)中的周波混合信號(hào)的分離結(jié)果。圖中得到分離信號(hào)1-3與各獨(dú)立源信號(hào)的波形及頻譜一致，且結(jié)合表3可見(jiàn)三個(gè)分離信號(hào)與各自獨(dú)立源信號(hào)的相關(guān)系數(shù)分別為0.9997、0.9990、0.9741，綜上表明實(shí)測(cè)混合信號(hào)得到了有效分離。利用本實(shí)施例分離算法對(duì)150組測(cè)試樣本進(jìn)行分離實(shí)驗(yàn)，準(zhǔn)確率為90％，驗(yàn)證了本實(shí)施例所提分離算法對(duì)全實(shí)測(cè)數(shù)據(jù)的適用性。

表3使用本實(shí)施例方法得到的分離信號(hào)與各源信號(hào)的相關(guān)系數(shù)

綜上所述，針對(duì)半仿真及全實(shí)測(cè)兩種測(cè)試環(huán)境下，本實(shí)施例所提出的基于特征排序向量?jī)?nèi)積的主成分篩選法均取得了有效分離，此外，為對(duì)比本實(shí)施例所提分離方法，使用emd+fastica對(duì)上述全實(shí)測(cè)混合信號(hào)進(jìn)行分離實(shí)驗(yàn)，結(jié)果如下圖5所示，表4為分離信號(hào)與各源信號(hào)間的相關(guān)系數(shù)，對(duì)比圖5中波形及頻譜可見(jiàn)：分離信號(hào)與源信號(hào)未得到有效匹配；且由表4可見(jiàn)分離信號(hào)與源信號(hào)的相關(guān)系數(shù)數(shù)值較低，表明emd+fastica方法未能有效分離實(shí)測(cè)混合信號(hào)，此外由于emd分解過(guò)程中存在求取極值點(diǎn)、三次樣條插值等復(fù)雜運(yùn)算，則該方法的程序運(yùn)行時(shí)間為14.08s，而本實(shí)施例所提分離算法的運(yùn)算時(shí)間僅為0.25s，分離速度更快且分離精度更高。

表4分離信號(hào)與各源信號(hào)的相關(guān)系數(shù)

4總結(jié)

為解決多電器疊加電流信號(hào)的單通道盲源分離問(wèn)題，本實(shí)施例基于電器的多元隱含狀態(tài)模型提出采用特征排序向量?jī)?nèi)積的主成分篩選法進(jìn)行半盲分離。對(duì)單通道觀測(cè)信號(hào)進(jìn)行fft變換，按諧波次數(shù)為向量分量序號(hào)，將頻譜含量為前k名所對(duì)應(yīng)的分量置1，其余置0，從而得到觀測(cè)信號(hào)的特征排序向量。計(jì)算其與標(biāo)準(zhǔn)狀態(tài)特征庫(kù)中各特征排序向量的內(nèi)積，按內(nèi)積最大原則進(jìn)行逐層提取源信號(hào)。結(jié)果表明：該方法可以實(shí)現(xiàn)對(duì)多電器工作狀態(tài)的快速、準(zhǔn)確分離，可廣泛應(yīng)用于遠(yuǎn)程故障判斷等領(lǐng)域。

以上所述的本發(fā)明實(shí)施方式，并不構(gòu)成對(duì)本發(fā)明保護(hù)范圍的限定。任何在本發(fā)明的精神和原則之內(nèi)所作的修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的權(quán)利要求保護(hù)范圍之內(nèi)。