吳建濤

云南電網(wǎng)有限責任公司昭通供電局，中國·云南 昭通 657000

1 引言

壓縮感知指的是全新采樣理論之一，其對信號的稀疏特性進行有效的開發(fā)，并在遠遠低于Nyquist 采樣率的基礎(chǔ)上，對隨機采樣的方式進行應用，以此來對信號的離散樣本進行獲取。之后，在非線性重建算法的基礎(chǔ)上，來對信號進行完美的重建。對電力設(shè)備運行狀態(tài)監(jiān)測網(wǎng)絡(luò)進行構(gòu)建具有重要的意義，其能夠?qū)υO(shè)備運行故障進行及時的發(fā)現(xiàn)，但由于人們對設(shè)備狀態(tài)參量過度追求，從而導致數(shù)據(jù)冗余現(xiàn)象相對嚴重。因此，需要在壓縮感知的基礎(chǔ)上對電力設(shè)備狀態(tài)感知技術(shù)進行引入。

2 壓縮感知技術(shù)在電力設(shè)備狀態(tài)感知中的應用

2.1 應用原理

在電力設(shè)備狀態(tài)感知中，壓縮感知應用原理和實現(xiàn)過程中所包含的內(nèi)容有：

第一，離線學習。從離線學習的角度來講，先在電力設(shè)備歷史運行數(shù)據(jù)訓練的基礎(chǔ)上，對稀疏字典進行有效獲得，即利用稀疏字典中的少量原子，來對歷史數(shù)據(jù)的特征進行完整表達。之后，在稀疏字典數(shù)據(jù)分布特征的前提下，對符合RIP 判決條件的觀測矩陣進行構(gòu)建，并對稀疏化采樣的最大采樣間隔進行獲取。把觀測矩陣壓縮所獲取的數(shù)據(jù)向稀疏字典中進行投影，以此來對投影系數(shù)進行獲取，投影系數(shù)的分布可以對設(shè)備運行數(shù)據(jù)特征分布進行充分體現(xiàn)。對歷史數(shù)據(jù)的投影系數(shù)完成模式聚類，每一類能夠?qū)﹄娏υO(shè)備的運行模式進行表示，通過對設(shè)備運行數(shù)據(jù)與標準運行模式兩者之間的差異進行分析，能夠獲得偏差與時間變化狀況圖，即生理健康曲線圖。

第二，在線監(jiān)測。在觀測矩陣提供的最大稀疏化采樣間隔基礎(chǔ)上，使待測信號的實時稀疏化采樣得以完成，將數(shù)據(jù)在稀疏字典上進行投影，以此來對其特征分布進行獲得。在稀疏化采樣數(shù)據(jù)下，對正交匹配追蹤算法進行應用，使原始數(shù)據(jù)得到有效重構(gòu)。利用聚類算法來對實時特征分布數(shù)據(jù)進行合理化分類，并對設(shè)備當前運行狀態(tài)參量的運行模式進行獲取，對設(shè)備實施運行狀況和標準運行模式之間的偏差進行計算，使得生理健康曲線圖得到有效更新，全面分析該生理曲線，從而使相應的故障檢測得以完成[1]。

2.2 原子數(shù)自適應的KSVD 算法

構(gòu)建稀疏字典的方法有兩種：一種是傅里葉字典、小波字典等正交基字典；另一種是在歷史數(shù)據(jù)基礎(chǔ)上對稀疏字典進行訓練，對歷史數(shù)據(jù)的稀疏變換域進行獲得，其主要涉及的是k-奇異值分解算法（KSVD）。對傅里葉或小波字典來講，其在頻域或小波變換域上完成稀疏表征信號相對適宜，在監(jiān)測復雜電力設(shè)備狀態(tài)參量時，無法對有效字典原子數(shù)進行采集。對KSVD 算法來講，其能夠?qū)碗s信號進行稀疏表征，但是想要對其進行有效實現(xiàn)，KSVD 算法需要在經(jīng)驗的前提下，對字典原子數(shù)量進行預先設(shè)置，當設(shè)置缺乏合理性時，就會使字典與觀測矩陣之間出現(xiàn)嚴重的影響。當字典數(shù)量不足時，其表達能力欠缺，且特征數(shù)量不足，無法完備表征信號。當字典數(shù)量相對較多時，對稀疏字典數(shù)據(jù)分布狀況下構(gòu)建的觀測矩陣來講，其無法得到最大壓縮比，并且字典原子數(shù)相對冗余，從而使存儲或傳輸字典的系統(tǒng)具有較大的負擔[2]。此次研究對KSVD 算法進行一定的更新改進，使原子數(shù)自適應KSVD 算法得以實現(xiàn)，其優(yōu)點為在訓練數(shù)據(jù)的基礎(chǔ)上，對字典原子數(shù)量進行自動化的調(diào)整，這樣可以對維度適宜且最大稀疏度的稀疏字典進行獲得。

2.3 設(shè)備狀態(tài)生理曲線的建立與故障診斷

對設(shè)備設(shè)計工作狀態(tài)參量的稀疏采樣數(shù)據(jù)進行獲取，并將其在構(gòu)建完成的稀疏字典中進行投影，在聚類方法的輔助下，來完成投影系數(shù)模式識別工作，從而獲得不同時刻設(shè)備運行狀態(tài)的標準模式。對設(shè)備運行數(shù)據(jù)和標準模式之間的差異性進行計算，并對生理健康曲線圖進行繪制，這樣可以及時發(fā)現(xiàn)設(shè)備的異常狀況，使設(shè)備故障預警的目的得以實現(xiàn)。具體方式為：對k 均值聚類算法進行應用，劃分歷史數(shù)據(jù)的字典投影系數(shù)，使其成為多個種類，每個種類對一種電力設(shè)備運行模式進行表示，論文對兩個信號差值的二范數(shù)進行應用，來對兩個信號之間的距離進行衡量，并在相關(guān)公式下，來對歷史數(shù)據(jù)和實時數(shù)據(jù)樣本與聚類中心之間的距離來進行合理計算，對數(shù)據(jù)樣本距離最近的聚類序號進行選擇，并將其當成樣本運行模式。把每個聚類中心當成一種標準運行模式，把驗證樣本和聚類中心兩者之間的最短距離進行獲得，并將其當成驗證樣本和標準模式之間的偏差，對各個時間段采集的數(shù)據(jù)進行計算，以此來對設(shè)備運行狀態(tài)的生理曲線進行繪制[3]。

3 實驗結(jié)果與分析

論文采用的檢測數(shù)據(jù)為某500kV 變電站電抗器A 相與B 相的油溫實測值，來對論文內(nèi)容進行驗證。兩個參量數(shù)據(jù)采集時間長度大約為一個半月，采樣時間間隔為5min，每個參量采樣點數(shù)大約為12952 個。

3.1 構(gòu)建稀疏字典

訓練數(shù)據(jù)以前一個月采樣數(shù)據(jù)為主，驗證數(shù)據(jù)以后半個月采樣數(shù)據(jù)為主，每天訓練樣本采樣總時長需要達到24h，采樣時間間隔為5min，采樣點數(shù)大約為290 個。利用原子數(shù)自適應KSVD 算法分別對A、B 相油溫訓練稀疏字典，以此來對最大稀疏化表征信號的稀疏字典進行獲取。從相關(guān)結(jié)果中可知，訓練所得字典中都含有15 個原子，每個原子對訓練樣本中的數(shù)據(jù)變化特征進行代表，每個原子時長與訓練樣本長度保持一致性。

3.2 數(shù)據(jù)重構(gòu)效果

在相關(guān)指示下，對油溫進行稀疏化采樣，想要使稀疏化采樣數(shù)據(jù)能夠?qū)υ紨?shù)據(jù)特征表達的完備性進行證明，對稀疏化采樣數(shù)據(jù)進行應用，并在OMP 算法的基礎(chǔ)上，使得原始數(shù)據(jù)集重構(gòu)得以實現(xiàn)。但須注意的是，要對重構(gòu)信號和原始信號之間的差異性進行比較。從相關(guān)比較結(jié)果中可知，重構(gòu)圖能夠?qū)υ紨?shù)據(jù)變化趨勢進行反映，使得原始數(shù)據(jù)的良好重構(gòu)得以實現(xiàn)，即稀疏化采樣數(shù)據(jù)能夠?qū)υ紨?shù)據(jù)特征進行完整的表征。

3.3 故障檢測

運行模式偏差指的是設(shè)備當日運行狀況與聚類分析所得的標準運行模式之間的偏差，當偏差遠大，說明設(shè)備運行與標準模式之間差異性越大。當在正常情況下，運行模式偏差需要明顯低于設(shè)定的閾值，當其大于設(shè)定閾值時，說明異常狀況存在于設(shè)備運行之中，如設(shè)備停電檢查所致或注油前未遵守相關(guān)規(guī)定的排氣所致。

4 結(jié)語

從論文的論述中可知，基于壓縮感知的電力設(shè)備狀態(tài)感知技術(shù)，可以在設(shè)備狀態(tài)信息得到完整保存的基礎(chǔ)上，來對生理曲線進行構(gòu)建和分析，從而能夠?qū)υO(shè)備故障進行有效預警。簡言之，論文研究對電力設(shè)備狀態(tài)參量采集過程中的數(shù)據(jù)冗余現(xiàn)象以及設(shè)備故障預警精準性的提升等方面具有一定的意義。