TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol. 12, No. 8, August 201 4, pp. 5985 ~ 5998   DOI: 10.115 9 1 /telkomni ka. v 12i8.631 7          5985     Re cei v ed Ma y 16, 201 4; Revi sed  Jun e  27, 2014; Accepted July 8,  2014   An Improved Reconstruction Algorithm Based on  Compressed Sensing for Power Quality Analysis in  Wireless Sensor Networks of Smart Grid      Yi Zhong* 1 , Jiahou Hua n g 2   Schoo l of Information En gi ne erin g, W uhan  Univers i t y   of  T e chn o lo g y , W uhan, Hu be i, P.  R. Chin a   *Corres p o ndi n g  author, e-ma i l : zhong yi @ w h u t.edu.cn 1 , hjh 199 01 14@ w h u t.edu.cn 2       A b st r a ct  In recent ye ars ,  the grow ing  pow er qu ality  prob le ms i n  smart gr id ca us e w i despr ead  concer n at   ho me  a nd  abr oad. B e ca use  the tra d iti ona l  p o w e r qu a lity  al gorith m s  w h ich  are  b a sed  o n   Nyquist  sa mp li n g   theory h a ve t h e draw b a cks o f  complic ated,  heavy c o mp utations  an d p o o r rea l -t i m e pe rforma nce  w h e n   sampli ng  an d  ana ly z i n g  co ntinu ous  massiv e  sig n a l s in  s m art  grid. T h is  pap er d i scus s ed a n  i m prov ed   reconstructi on  alg o rith m bas e d  on co mpr e s s ed sens ing  d ue to the spar sity of pow er  qua lity sign als  in  freque ncy d o m ain f o r p o w e r  qua lity a nalys i s . By usin g th e Z i gB ee w i re l e ss g a tew a y for w i reless  se nsor  netw o rks an d  ener gy  meteri n g  chi p , w e  dev elo p  a si ng le  meter  no de to  do re lative  ex peri m e n ts. In the   cond ition of th e real test-be d  and sever a l c o mpar ed ex p e r iments, pow er  qual ity info r m ation i n  the hi g h ly  compressi on r a tio has g o o d  perfor m a n ce a ccordi ng to CS R (Co m press i o n  Sampl i ng R a tio), SNR (Sig nal   to Noise R a tio) , MSE (Mean Squar ed Error)  and ERP (En e rgy Rec o very  Percentag e) , and w ill b e  w i dely   used i n  pow er  qua lity an alysis .     Ke y w ords :  co mpr e sse d sens ing (CS), pow e r  qual ity (PQ),  w i reless sens o r  netw o rks    Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion   In re cent yea r s, the  growi ng po we r q u a lity  proble m s in  singl e ph ase  po wer grid ca use   wide sp rea d   concern  at ho me an d ab ro ad. The  po wer q uality problem s mai n l y  lie in several  asp e ct s: Power lo ad in  sin g le-p ha se p o w er gri d  is b e comi ng m o re and  mo re  complicated a n d   diversifie d. Mode rn ele c trical e quipm ents,  which  are a dopte d  for the sa ke of imp r o v ing  prod uctio n  eff i cien cy, savin g  en ergy  and  de cre a si ng  p o llution  of the  enviro n me nt, are  be co min g   the main  re source of  po wer quality p r oble m s. T h e  singl e-p h a s e po wer l o a d  whi c h  ha s the   feature of n o n linea r, rich  harm oni c, impactive an d  unbal an ced  will influen ce  powe r  g r id  and  cau s e s  ne w probl em s  of power  quality .   Powe r cu st omers have  i n crea singly d e mand   of reli able   power supply .  Most  preci s i on el ect r oni cs e qui p m ent s and  p o we r  e l ectro n ics eq uipment s  whi c h  are controll e d  by comput ers a nd micropro c e s so rs   are sen s itive to the quality of power su pply.  Electro n ics equipm ents are  m o re sensitive  to  the influen ce of power system th an  electrome c h a n ical e quipm ents an d de mand for  hig h  req u ire m en ts for po we r quality. Once  the   power g r id a ppea rs p r o b l e ms, ha rm s rang from e c onomi c  losse s  to enda nge red po we r grid,  equipm ents  and pe rsonal  safety, even for the com m unity unsta ble whi c h m a y affect social   stability. Next-generation smart gri d  is  compos ed  of a great many  discrete  power  generati ng,  transmitting  and  dist ributi ng e quip m en ts. Many  pro b lems su ch as  volta g e   bi as fluctuatio n  of  regio nal po wer grid s, ha rmonic p o lluti on and in cre a sin g  of rea c tive powe r  factor are cau s e d  by  the parall e l operation of more a nd m o re small po wer g ene rati ng equip m en ts su ch a s  solar  gene rato rs,  wind tu rbin e s  an d the r m a l po wer ge nerato r s. In  orde r to e n sure th e safe  and  eco nomi c  op eration  of smart g r id a n d  ke ep the  stability and self-heali ng of  power  qualit y in   microgri d , the  re sea r ch of  power h a rm o n ic  sup p re ssi on an d rea c tive com pen sa tion is b e com i ng  more a nd mo re urgent.       2. Related Works   2.1. Introduc tion of Compress ed Sen s ing    In 2006,  Davi d L. Dono ho  et al propo se d CS  (Comp r essed S e n s in g) the o ry [8,  9], that  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  598 5 –  5998   5986 spa r se si gnal  with suita b le  recon s tru c tio n  algo rithm can be  re cove red from a v e ry sm all set  of  measurement s that fa r fe wer than  co nventional  m easure m ent  l i mited  by Nyquist  th eore m .  Acco rdi ng to CS, it can sa mple and  co mpre ss PQ  informatio n sy nch r on ou sly without any p r ior  kno w le dge. Gene rally, CS theory ba sically con s i s ts of three  steps: findi ng the sp arse st  decompo sitio n  of a signal , designi ng a pplicable  co mpre ssion re pre s entin g m a trix, which  well  approximate s  the origin al  sign al  x  in lea s t co efficient,  desig ning  co rre sp ondi ng reco nstruction  algorith m , wh ich re co nst r u c ts o r iginal  si gnal len g th in  N from ob se rved M coeffici ents.   Acco rdi ng to  the theory, if origin al sig n a l  is  sp arse o r  in transfo rm  domain th e o r iginal  sign al is  sp a r se,  usi ng a ppro p ri ate o p timization  al gorithm s  can  re con s tru c t  origin al si gn als  throug h a fe w num be r o f  sample d si gnal s an d th e numb e r  of sampl ed  si gnal s u s ed i n   recon s tru c tio n  can  be far below the  n u mbe r  of sa mpled  signal s in the alg o r ithms b a sed  on  Nyqui st theo rem. CS t heo ry is n o t the  o v erall d enial   of Nyqui st th eore m , but  u s ing  the  sp arsity  of sig nal s to  re con s truct  origin al  sign a l s th roug h fe wer sampl e d  sig nal s than  the al gorith m s  based on  Nyquist sta nda rds.   CS (Com pre s sed Se nsi n g )  theo ry ta ke  advant a ges of  the spa r sit y   of  sign als and use   suitabl e re co nstru c tion  al gorithm s to  reco nstruc t  original  signal s throug h a v e ry sm all set of  observed  val ues that far fewe r tha n  th e si gnal s limit ed by  Nyqui st theore m . Compa r ed  with  the  previou s   alg o rithm s  ba sed on  Nyq u i st sa mplin g  theorem, CS theory h a s  the foll owi ng  advantag es:   (1)  CS the o ry ’s samplin g  speed i s  fa r lo wer than  Nyq u ist’s. An d CS theory do e s  glo bal  observation s  rathe r  than local  sampli n g ; what is m o re, ea ch ob serve d  value  contain s  pa rt o f   effective info rmation  of t he  sign al. In the  mea n w hile,  CS th eory  uses d i fferent o b se rve  algorith m s e v ery time to ensure th e  observ ed v a lue s  ha s fe wer i n form ation re dun dan cy.  Comp ared  wi th the tra n sfo r m  codi ng in   spa r se b a si s,  the  coeffici e n ts’ lo catio n  i s  n o  lo nge r  so   important.  (2) In the a s pe ct of de cod e r, the d e co der  ha s high robu stn e ss to the missi n g   informatio n fo r the  rea s on  that the  impo rtance  of  ea ch  proje c tion  co efficient i s  th e same  an d t h e   lose of several coeffici ents will has fewer influence  to the reconstruction of origi n al signals.    (3) Co mbini n g co mpressio n with  sam p li ng, algo rithm s  ba se d o n   CS theo ry u s e fewe r  memory  spa c e s  and  co m puting resource s than tr a d itional samp ling algo rithm s . Applying t he  saved resources in the later processing will r educe the cost of sam p ling and transmission.  (4)  CS theo ry can reli e v e the com put ation bu rden of har d w are and le ave th e   c o mpu t a t io ns to  c o mp u t ers  in  la te r  pr oc es s  a nd a c hieve the sa me re con s tru c tive effects  of  origin al sig nal  with the tradi tional algo rith ms by  usi ng t he po we rful p a rallel p r o c e s sing a b ilities  of  comp uters while ke eping  costs lo w.   The a m ou nts of sample d  sign als  are g r eatly  redu ce d by the  appl ication s   base d  on  CS   theory, solving the  pro b l e ms i n  si gn al pr ocessin g , tran smissi on  an d  storage. And th ose   appli c ation s  d e velope rapid l y in recent years:  In the aspe ct  of spa r se rep r esentation of   signal, literature ten a nd  el even [10, 11] sho w s  that the Fourier  c oeffic i ents , wavelet  c oeffic i ents o f  smooth sig nal, total variation norm of  boun ded  vari ation fun c tion s , th e G abo r  coeffici ents  of  oscillato r  sig nal a nd  Cu rv elet coefficie n t s  of image  si gn al which  ha s  discontin uou s edg es  have  enou gh  spa r sity. Howeve r, ho w to find   or  con s tru c t orth ogon al  b a si s for  a   cl ass of sign als  in   ord e r to  get th e  best  sp arse  repre s e n tation  of   the sign als i s  the probl em n eede d to be studied furthe r.  In the aspe ct of measure m ent  matrix,  literature twel ve [ 12] point s out that u n der the  premi s e  of RIP (Re s tri c ted  Isometry Pro perty, RI P) p r incipl e, we  sh ould redu ce t he dime nsi o n s   of measu r e m ent matrix while en su re the loss  informatio n of original signal is mini mal.   No wad a ys the measure m ent matrixes  applie d in  CS theory are: Gau ssi an ra n dom matrix [10],  binary rand o m  matrix (Bo unerlli m a trix), Fourie r ran d o m matrix [11 ], Hadama r d  matrix etc.   In the aspe ct of signal  re covery  algo ri thms  whi c h  mean s recon s tru c t ori g ina l  sign al  length in N from observed  M coefficient s, literatur e t h irteen a nd fourtee n  [13, 14], point out that  typical recovery alg o rithm s  a r e BP  (B asi s  Pu rsuit, BP) alg o rit h m, interi or  point al gorith m ,   conj ugate  g r adie n t p r oj ection  algo ri thm and   iterative th re shol d alg o rit h m etc.  Other  recon s tru c tio n  algorith m s are OMP  (ortho gon al  matchin g  pursuit OMP )  algo rithm,  TV  recon s tru c tio n  algorith m  a nd other im proved algo rith ms.   ROMP (Re g u l arized O r tho gonal M a tchi ng Pursuit, ROMP) alg o rit h m is a nothe r marke d   improvem ent  algorith m  in  tradition al m a tchin g  p u rsuit  algorith m . ROMP alg o rith m is devel op e d   from traditio n a l matchi ng  pursuit alg o rit h m MP algo ri thm [16] and  OMP algo rithm [17]. RO MP  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Im proved  Re con s tru c tio n  Algorithm  Base d on Com p re ssed Sen s ing for Power… (Yi Zhong )  5987 algorith m  is  on the b a si s  of OMP algo rithm and  u s e  regul ari z atio n method to  sele ct elem e n ts  whi c h  can  sel e ct several el igible el emen ts to supp ort  set an d redu cing th e time  of power  sig n a l   recon s tru c tio n  .What i s  m o re, the  red u c ing  of ti me is at the exp e n se  of re con s tru c tion q ual ity  and shoul d know the  spa r sity at first.  T h e  pr oc es s   o f  R O MP  a l go r i th m is  to  us e   reg u lari zat i on metho d  t o  process bi gge st k  inner p r od uct s  of sen s ing  matrix   and resid ual  y  and  sele ct one re quire d eleme n t from the k   inner p r o d u c ts to re con s tru c t origin al sig nal.  ROMP algo ri thm  co mbine s   the reg u la ri zation metho d   with OMP algorith m   to achi eve  the goal of se lecting m o re  element s in o ne iterat io n. ROMP alg o rit h m ca n cla s si fy elements f a st  and  sele ct more  eleme n t s in one ite r ation that  i s  the rea s o n  why RO MP can g e t faster  recon s tru c tio n  speed  tha n  OMP  algo rithm. Howe ver, RO MP  algorith m  al so ha s its o w n  dra w ba cks. T h is a r ticle  pro posed a n e w algorit hm  wh ich i s  ba sed  on ROMP al gorithm  but ca n   achi eve bette r perfo rma n ce in power qu ality analysis.     2.2. Similarity   and Thres hold Regular ized Or thog onal Matc hing Pursuit    Traditio nal  ROMP (Reg ul arized  Orth o gonal  Matchi ng Pu rsuit, ROMP ) alg o r ithm i s   based on OM P (Orthog ona l Matching P u rsuit, OMP)  algorith m  and  uses  regul ari z ation meth o d   to sel e ct  ele m ent. ROMP  algo rithm  provides a  ne w self -ada ptive algo rithm to   achi eve the  g oal  of getting faster sp eed of cl assifying ele m ents an d re duci ng the time of signal  reco nstructio n .  Reg u lari zatio n  method is  a method wh ich cl assifies  element s accordin g to the energy   level of  ele m ents.  Re gu larization  me thod i s   de scribed  a s  foll owe d : a  set   | iN A xi I    1 , 2 , ..., N IN  is the index set of  i x .Cla ssify ing all the ele m ents follo w the rule:      || 2 | | , , mn k x xm n I                                                                              ( 1 )     And cla ssifie s  index set I into several subset s 1, 2 , 3 . . . k Ik and sele cts maxi mu m   energy sub s e t   0 I in the last, that is,  0 m a x { , 1 , 2 ,... , } k II X Xk K . Regul arization met hod can   cla ssify elem ents fa st and  sele ct mo re  element s  in o ne  iteratio n which brin gs  ROMP  algo rith m  fas t er recons truc tion s p eed.  Ho wever,  ROMP algo rith m ha s its o w n sh ort c omin gs. Th e alg o rithm is u n re a s on able   that each tim e  the algo rith m can  only select on e gro up whi c h  ha s the maximu m total energ y  to   the ca ndid a te  set an d leav es oth e r g r o u p s  whi c h h a ve simila r e n e r gy with the  maximum total  energy to the  next iteratio n. ROMP al g o rithm b r ing s  a lot of red u ndant  comp u t ation whi c h i s  a   wa ste of re source s an d d e mand s for  h i gher  per fo rm ance of equi pments  whi c h lead s to m o re  equipm ent co sts. In view of the whole  iterat ive pro c ess, the tasks whi c h can  be done in o ne  iterative are  divided into  several ite r atio ns, wa stin g t he time a nd  reso urce s a n d  decre asi ng t h e   effic i enc y .  This p ape r p o ints out that  the maximum  total energy  grou p and  other g r ou ps  which a r e  simila r to m a ximum total e nergy  gro up  and h a ve  sim ilar e nergy wi th the maxim u m total e nergy  grou p sh ould  be put into the can d idate  set in the sam e  iteration.   This pa pe r prop osed ST ROMP (Simi l arity and T h re shol d Re gulari z e d  Ort hogo nal   Matchin g  Pu rsuit)  algo rith m whi c h  ba sed on  RO MP  (Regul ari z ed  Ortho gon al  Matchin g  Pu rsuit)   algorith m . STROMP alg o rit h m cha nge s the rule s of se lecting el eme n ts.   The th re shol d pa ram e ter is a , ene rgy i s   E , ene rgy  correlation  is  M and avera ge  energy co rrel a tion is  S :    2 1 1 N i i Ex N                                                                                            (2)    Whe r e  i x  is the member of  set  | 1 , 2 , 3 ... i A xi N , N  is the total numbe r of se t A .       1 , 2 , 3 ... ii ME E i P                                                                             (3)  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  598 5 –  5998   5988  1 2 1 (, ) 1 p j j SE E p                                                                               (4)    Whe r e  i E  is the energy of different vecto r i J .  Use regul ari z ation meth od  to cla s sify inner  p r odu ct s of  sign al resid ual a nd  sen s in g   matrix into several  group s 12 3 , , ... , p JJ J J by energy.  Calculate  the energy   12 1 2 , ,.. . ( ... ) p p EE E E E E  of 12 3 , , ... , p JJ J J therefo r e  all the g r o u p s   whi c h e n e r gy are  ab ove  1 * aE  and  the  ene rgy correlatio n  ( 2 , 3 , 4 ... ) i Mi p  is a bove t he ave r ag e e nergy  co rrela t ion  S   are sele cted to the can d ida t e set in the same iteratio n.        Figure 1.   Flow Ch art of V o ltage/Cu rrent Signal Co mpressed Sen s in g      The ste p s of  STROMP alg o rithm are as  follows:  Inputs: Sen s ing sig nal y , sensin g matrix ,  spa r sit y   k  and threshold  coe fficient  a   In this  way, th e g r oup s whi c h  wo uld  be  selecte d  in  several ite r atio ns befo r e  are  select e d   in one iteratio n, redu cing th e iteration  tim e s an d avoidi ng unn ecessary step s.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Im proved  Re con s tru c tio n  Algorithm  Base d on Com p re ssed Sen s ing for Power… (Yi Zhong )  5989 Initialization:  Re sidu al r0 = y, support se t  0 F  = , iterator t = 1.  Step 1:  Use regula r i z ation meth od  to sele ct  k la rge s t elem ent s of inn e r  pro duct of  re sidu al and  sen s in g m a tri x  by ab sol u te value.  Ma rk the  g r ou p  12 3 , , ... , p JJ J J  from larges t to  s m alles t   by  energy and th e energy of  12 3 , , ... , p JJ J J  i s :      12 1 2 , ,.. . ( ... ) p p EE E E E E  .    Step 2:  Us e  S  and  1 * aE  to cla ssify the  grou p  12 3 , , ... , p JJ J J  which  mean s that  the gro u p s   whi c h e n e r gy  are  ab ove  1 * aE  and the  en ergy co rrelatio n  M  betwee n  t he g r ou p an d  1 E  is   above averag e energy  co rrelation  S  are selec t ed into the c a ndidate s e t  J .  Step 3:   Cal c ulate the  recon s tru c tio n  sign als by the lea s t squ a r e metho d :   2 ar g m i n t tx F X yx , and updatin g resi dual.       t tF t ry x .    Step 4:  if  2 nk ,then upd ate the numbe r of cycles  1 tt  and go to step 1  or exit the loop.  Output: t F x y  ;  The ra nge of  the threshol d coeffici ent (0 ,1 ] a ,  in the re sea r ch sta ge of this pa per fo r  power qu ality, the reco nstruction effe ct will  be be st when the thre shold value a i s  0.6.  Acco rdi ng to  the STROMP  (Similarity a nd Threshold  Regul ari z ed  Orthog onal M a tchin g   Pursuit) algo rithm, the flow of the reco nstruction al go ri thm is sh own  in Figure 1:      3. Experiment and Per f o r mance Anal y s is   3.1. Rese arc h  Criteria a n d Platform Design   There is no  unified  stand ard i n  po we r qualit y ge ne rally an d IEC definition fo r power  quality is th at power qu ality is the  physi cal  cha r acte ri stics o f  powe r   sup p ly device’ s  no t   disturbing  an d interru p ting  user’ s   usin g  ele c tr icity un der  no rmal worki ng co nditi on.  Mea s u r in g  the voltage  current a nd  p o we r in   singl e ph ase p o wer  grid  in  re al time i s   hel p to  study  a n d   analyze the chara c te risti c s of power q u a lity.  In stable con d ition of linea r load, voltag e  and current  signal s a r e b o th sine  wave forms in   50Hz theo reti cally. But in  unsta ble con d ition of  nonl inear lo ad, they are affect ed disto r ted  by  some in du ctances, capa citan c e s , or other no nline a r facto r s. PQ Harmoni cs have N* 50 Hz  freque ncy  affected  si gnal s [15]. Voltag e an d  curre n t sig nal s m a inly con s ist  of pe riodi c  or  qua sipe riodi c signal s in p r acti cal  condi tion, and it exists a lot of information  redu nda ncy i n   perio ds o r  bet wee n  peri o d s .  We  will i n tro duce  several  pe rform a n c e  indexe s :  CS R  (Compression Sam p ling  Ratio ) ,  SNR  (Signal  to Noise Ratio), MSE (Mean Sq u a red Error), a nd ERP (En e rgy Recove ry  Percentag e) to obje c tively appraise the  reco nstructe d results of PQ sign als.     100% c N CS R N                                                                                          (5)      2 1 2 1 () 10 l g ˆ () () N i N i fi SNR fi fi                                                                               (6)  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  598 5 –  5998   5990  2 1 2 1 ˆ () () 10 0% () N i N i fi fi MS E fi                                                                         (7)     2 1 2 1 ˆ () () N i N i f i ES P f i                                                                                                (8)    Whe r e  N  is tot a l sa mpling   numbe r of  original  sign als,   c N  is the  re se rved sa mple  numbe r of   sign als after  spa r se sa mpl i ng, and  ˆ () f i  is the recon s tru c t ed sig nal.   Based  on the o retical re se a r ch  purpo se s ment ioned  a bove, we e s tablish a set o f  smart  meter test-be d  with CS measure m ent. In Figure 2,  this  tes t -bed platform c o ns is ts  of three  wirel e ss n o d e s a s  smart  meters, ZigB ee wi rele ss  g a teway, Ethe rnet ro uter a nd termin al d a ta   serve r  PC. For a singl e meter nod e, energy meteri ng  chip ADE78 7 8  measure s  a ll information  of  singl e-p h a s e load with  inte rnal hardware  si gnal ci rcu i t and o b tain s voltage/curre n t value, a c tive  power, re acti ve powe r , ap pare n t po wer and etc. It transmit s  sam p ling data to  STM32 sy ste m   with SPI interface. STM32  system reali z es PQ  data storage with  m u lti-tasking o peratin g  sy stem  (uC-OS ). In ZigBee wi rele ss network, th e mea s ur i ng  node tran smits all of PQ informatio n to PC  serve r . And we ca n co nfigure n ode’ s chargi ng settings onlin e with  infrared rem o te controller.  Its  LCD display sho w s PQ pa ramete rs  real -time dynami c ally.          Figure 2.   Smart Meter  T e st-bed  with CS  Measurement       In orde r to comp are the perform an ces  of MP algorithm, OM P algorithm,  ROMP  algorith m  an d STROMP  algorith m , we  do a lot of  contrast exp e rime nts whi c h is  sho w  form  Figure 3 to Figure 1 4  and t he perfo rma n c e ind e xes i s  sho w  in Tabl e 1.      T abl e 1.   Stati s tic a l  Rec o very Parameters  of Compre ssing V o lta ge/ Curre n t Data  from Dif f erent   R e c o ns tr uc tion  Alg o r ith m   MP algorithm   SNR(dB)  MSE ( % )  ERP ( % )   voltage of load 1  27.8448  4.0528   97.0766   current of load  1   21.2720  8.6377   99.0027   voltage of load 2  26.8008  4.5704   97.3575   current of load  2   11.6741  26.0794   98.2753   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Im proved  Re con s tru c tio n  Algorithm  Base d on Com p re ssed Sen s ing for Power… (Yi Zhong )  5991 OMP algorithm   SNR(dB)  MSE ( % )  ERP ( % )   voltage of load 1  33.7290  2.0585   99.5871   current of load  1   21.7750  8.1518   99.2397   voltage of load 2  36.1172  1.5636   99.0415   current of load  2   19.4868  106087   99.6135     ROMP algorithm  SNR(dB)  MSE( % )   ERP( % )   voltage of load 1  37.2835   1.5902   99.9720   current of load  1   28.9687   3.5610   100.5346   voltage of load 2  35.9712   1.6672   99.8083   current of load  2   27.7210   4.1110   99.6759     STROMP algorit hm  SNR(dB)  MSE( % )   ERP( % )   voltage of load 1  43.0996   0.6999   100.1646   current of load  1   38.3961   1.2028   100.2397   voltage of load 2  42.0181   0.7927   99.9847   current of load  2   37.2896   1.3662   99.9020         (a)       (b)     (c )     (d)     Figure 3.   V o ltage Recovery Signal and Origin al Sign al Comp ari s o n  throug h Dif f erent  Algo rith ms  in Load 1: (a ) is MP  algorit hm, (b) i s  OM P  algorithm, (c) i s  ROMP  a l gorithm a nd    (d) i s  STPOM P  algorithm       Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  598 5 –  5998   5992   (a)     (b)       (c )     (d)     Figure 4.   The  FFT  Comp arison of V o ltag e Re covery S i gnal an d Ori g inal Signal t h rou gh Dif f e r ent  Algorithm s in Load 1: (a ) is  MP  algorithm , (b) is OMP   algorith m , (c) is RO MP  alg o rithm an d (d )  is STPOMP  a l gorithm         (a)     (b)       (c )     (d)     Figure 5 .  The  Recover Error of V o ltage  Re covery Sig nal and O r igi nal Signal through  Dif f eren t  Algorithm s in Load 1: (a ) is  MP  algorithm , (b) is OMP   algorith m , (c) is RO MP  alg o rithm an d d is  STPOMP  algorithm  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Im proved  Re con s tru c tio n  Algorithm  Base d on Com p re ssed Sen s ing for Power… (Yi Zhong )  5993   (a)     (b)       (c )     (d)     Figure 6 .  Current Re cove ry Signal and Origin al Sign al Comp ari s o n  throug h Dif f erent  Algo rith ms  in Load 1: (a ) is MP  algorit hm, (b) i s  OM P  algorit hm, (c) i s  ROMP  a l gorithm a nd (d) is STPOM P   algorith m         (a)     (b)       (c )     (d)     Figure 7.  The  FFT  Comp arison of Curre n t Recovery Signal and O r iginal Signal t h rou gh Dif f e r ent  Algorithm s in Load 1: (a ) is  MP  algorithm , (b) is OMP   algorith m , (c) is RO MP  alg o rithm an d (d )  is STPOMP  a l gorithm.   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  598 5 –  5998   5994   (a)     (b)       (c )     (d)     Figure 8.   The  Recover Error of Cu rre nt Re covery Sig nal and O r igi nal Signal through  Dif f eren t  Algorithm s in Load 1: (a ) is  MP  algorithm , (b) is OMP   algorith m , (c) is RO MP  alg o rithm an d (d )  is STPOMP  a l gorithm         (a)     (b)       (c )     (d)     Figure 9. V o ltage Recovery Signal and Origin al Sign al Comp ari s o n  throug h Dif f erent  Algo rith ms  in Load 2: (a ) is MP  algorit hm, (b) i s  OM P  algor ithm, (c) i s  ROMP  a l gorithm a nd  d is STPOMP   algorith m   Evaluation Warning : The document was created with Spire.PDF for Python.