Python 单周期傅里叶窗口优化。我的代码效率很低

你好

编辑： 我想要的：从电力系统（PS）上的任何电流/电压波形中，我想要过滤的50Hz（基本）RMS值大小（以及它们的角度）。根据设备的不同，测量的电流包含从100Hz到1250Hz的所有谐波。人们无法使用含有这些谐波的波进行分析和计算，因为误差太大（取决于设备），以致PS保护设备计算出的量不正确。附加的信号还涉及许多其他频率分量

我的目标：PS保护继电器非常特殊，可以在很短的时间内计算出20毫秒的窗口。我不想得到这个。我正在使用外部记录技术，测试继电器所看到的是真实的，它们工作正常。因此，我需要做他们所做的，只保持50Hz值，没有任何谐波和直流电

重要预期结果：给定信号中可能存在的任何频率分量，我希望看到任何给定谐波的幅值（150250-基波的三次谐波幅值和五次谐波）以及直流的幅值。这将告诉我什么类型的PS设备可能注入这些频率。重要的是，我提供了一个频率，答案是该频率的向量，只有过滤掉所有其他值。 基本频率的RMS与RMS的差异系数为4000A（仅50Hz）和4500A（包括其他频率）

该代码计算给定频率的单周期傅里叶值（RMS）。我想有时被称为傅里叶滤波器？我将其用于电力系统50Hz/0Hz/150Hz模拟分析。（答案经过测试，是正确的基本RMS值。（）

对于一个大样本，代码非常慢。对于55000个数据点，它需要12秒。对于3个电压和3个电流，这非常慢。我每天查看100个记录

如何增强它？有哪些Python提示和技巧/库附加我的列表/数组。 （也可以随意重写或使用代码）。我使用代码在给定时间从信号中提取特定值。（这就像从电力系统分析专用程序中读取值一样） 编辑：根据我加载和使用文件的方式，代码可以粘贴文件：

粘贴的代码在附加文件的情况下运行平稳 问候

编辑：请在此处找到测试csvfile和COMTRADE测试文件： CSV:

COMTRADE

前言 正如我在之前的评论中所说：

您的代码主要依赖于带有大量索引和 标量操作。您已经导入了

numpy

，因此应该 矢量化的优点

这个答案是你解决问题的开始

轻质MCVE 首先，我们为MCVE创建一个试验信号：

import numpy as np

# Synthetic signal sampler: 5s sampled as 400 Hz
fs = 400 # Hz
t = 5    # s
t = np.linspace(0, t, fs*t+1)

# Synthetic Signal: Amplitude is about 325V @50Hz
A = 325 # V
f = 50  # Hz
y = A*np.sin(2*f*np.pi*t) # V

然后，我们可以使用通常的公式计算该信号的频率：

# Actual definition of RMS:
yrms = np.sqrt(np.mean(y**2)) # 229.75 V

或者，我们也可以使用（在

numpy.fft

中实现）计算它：

我们可以找到最后一个公式的工作原理，这是有效的，因为傅里叶变换确实节约了能量

两种版本都使用矢量化函数，不需要拆分实部和虚部来执行计算，然后重新组合成复数

MCVE：窗口化 我怀疑您想将此函数用作RMS值即将更改的长期时间序列的窗口。然后，我们可以使用提供时间序列商品的

pandas

库来解决此问题

import pandas as pd

我们封装了RMS函数：

def rms(y):
    Y = 2*np.fft.rfft(y)/y.size
    return np.sqrt(np.real(Y[0]**2 + np.sum(Y[1:]*np.conj(Y[1:]))/2))

我们生成一个阻尼信号（可变RMS）

我们将试验信号包装到数据帧中，以利用

滚动

或

重采样

方法：

df = pd.DataFrame(y, index=t*pd.Timedelta('1s'), columns=['signal'])

信号的滚动RMS为：

df['rms'] = df.rolling(int(fs/f)).agg(rms)

周期性采样的RMS为：

df['signal'].resample('1s').agg(rms)

后者返回：

00:00:00    2.187840e+02
00:00:01    1.979639e+02
00:00:02    1.791252e+02
00:00:03    1.620792e+02
00:00:04    1.466553e+02

信号调节 为了满足您只保留基波（50 Hz）的需要，一个简单的解决方案可以是线性（去除常数和线性趋势），然后是带通滤波器

我们生成具有其他频率和线性趋势的合成信号：

y = np.exp(-0.1*t)*A*(np.sin(2*f*np.pi*t) \
     + 0.2*np.sin(8*f*np.pi*t) + 0.1*np.sin(16*f*np.pi*t)) \
     + A/20*t + A/100

然后我们调节信号：

from scipy import signal
yd = signal.detrend(y, type='linear')
filt = signal.butter(5, [40,60], btype='band', fs=fs, output='sos', analog=False)
yfilt = signal.sosfilt(filt, yd)

从图形上看，它导致：

---

在RMS计算之前，它将恢复应用信号调节。

欢迎使用，您可以发布一个合成数据集（或生成它的函数）吗以及关于什么是输入和预期输出的详细信息。另外，您是否可以再描述一下您打算执行的操作。使用数学或post参考来确定您的目标的操作定义。干杯，感谢您更新您的帖子。不幸的是，您提供的其他信息没有这么有用。获得输入是一件好事d点，但这是不够的。考虑一下，我们需要重现您的问题，并清楚地了解您的目标。我们缺少的是：如何加载数据，如何将数据提供给函数，最重要的是：预期输出是什么。如果没有这些信息，将很难调查您的问题。P租借考虑阅读，使你的文章符合标准。这样说，你的代码主要依赖于一个带有很多索引和标量运算的for循环。你已经导入了<代码> NoMPy < /Cord>。所以你应该利用矢量化。这将是一个很好的改进起点。nt应用于您的输入和预期输出，我相信我们会找到一种方法来提高性能，以获得更好的响应。我已经给出了我的缩短但有效的代码。对于精确的操作，它应该可以工作。感谢您的更新，我们接近MCVE。我假设一个以50 Hz为中心的带通滤波器就足够了。我喜欢你的建议！我只需要把我的头绕在它周围。使用rfft…我非常喜欢这个主意。再见

00:00:00    2.187840e+02
00:00:01    1.979639e+02
00:00:02    1.791252e+02
00:00:03    1.620792e+02
00:00:04    1.466553e+02

y = np.exp(-0.1*t)*A*(np.sin(2*f*np.pi*t) \
     + 0.2*np.sin(8*f*np.pi*t) + 0.1*np.sin(16*f*np.pi*t)) \
     + A/20*t + A/100

from scipy import signal
yd = signal.detrend(y, type='linear')
filt = signal.butter(5, [40,60], btype='band', fs=fs, output='sos', analog=False)
yfilt = signal.sosfilt(filt, yd)