基于壓縮感知的電力設(shè)備狀態(tài)感知技術(shù)

吳建濤

云南電網(wǎng)有限責(zé)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(jìn)行有效的開發(fā)，并在遠(yuǎn)遠(yuǎn)低于Nyquist 采樣率的基礎(chǔ)上，對隨機(jī)采樣的方式進(jìn)行應(yīng)用，以此來對信號的離散樣本進(jìn)行獲取。之后，在非線性重建算法的基礎(chǔ)上，來對信號進(jìn)行完美的重建。對電力設(shè)備運(yùn)行狀態(tài)監(jiān)測網(wǎng)絡(luò)進(jìn)行構(gòu)建具有重要的意義，其能夠?qū)υO(shè)備運(yùn)行故障進(jìn)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(dǎo)致數(shù)據(jù)冗余現(xiàn)象相對嚴(yán)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(jìn)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(yīng)用

2.1 應(yīng)用原理

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

第一，離線學(xué)習(xí)。從離線學(xué)習(xí)的角度來講，先在電力設(shè)備歷史運(yùn)行數(shù)據(jù)訓(xùn)練的基礎(chǔ)上，對稀疏字典進(jìn)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(jìn)行完整表達(dá)。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(jìn)行構(gòu)建，并對稀疏化采樣的最大采樣間隔進(jìn)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(jìn)行投影，以此來對投影系數(shù)進(jìn)行獲取，投影系數(shù)的分布可以對設(shè)備運(yùn)行數(shù)據(jù)特征分布進(jìn)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(yùn)行模式進(jìn)行表示，通過對設(shè)備運(yùn)行數(shù)據(jù)與標(biāo)準(zhǔn)運(yùn)行模式兩者之間的差異進(jìn)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(shí)時稀疏化采樣得以完成，將數(shù)據(jù)在稀疏字典上進(jìn)行投影，以此來對其特征分布進(jìn)行獲得。在稀疏化采樣數(shù)據(jù)下，對正交匹配追蹤算法進(jìn)行應(yīng)用，使原始數(shù)據(jù)得到有效重構(gòu)。利用聚類算法來對實(shí)時特征分布數(shù)據(jù)進(jìn)行合理化分類，并對設(shè)備當(dāng)前運(yùn)行狀態(tài)參量的運(yùn)行模式進(jìn)行獲取，對設(shè)備實(shí)施運(yùn)行狀況和標(biāo)準(zhǔn)運(yùn)行模式之間的偏差進(jìn)行計(jì)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(yīng)的故障檢測得以完成[1]。

2.2 原子數(shù)自適應(yīng)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(jìn)行訓(xùn)練，對歷史數(shù)據(jù)的稀疏變換域進(jìn)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(fù)雜電力設(shè)備狀態(tài)參量時，無法對有效字典原子數(shù)進(jìn)行采集。對KSVD 算法來講，其能夠?qū)?fù)雜信號進(jìn)行稀疏表征，但是想要對其進(jìn)行有效實(shí)現(xiàn)，KSVD 算法需要在經(jīng)驗(yàn)的前提下，對字典原子數(shù)量進(jìn)行預(yù)先設(shè)置，當(dāng)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(yán)重的影響。當(dāng)字典數(shù)量不足時，其表達(dá)能力欠缺，且特征數(shù)量不足，無法完備表征信號。當(dāng)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(fù)擔(dān)[2]。此次研究對KSVD 算法進(jìn)行一定的更新改進(jìn)，使原子數(shù)自適應(yīng)KSVD 算法得以實(shí)現(xiàn)，其優(yōu)點(diǎn)為在訓(xùn)練數(shù)據(jù)的基礎(chǔ)上，對字典原子數(shù)量進(jìn)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(jìn)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(jì)工作狀態(tài)參量的稀疏采樣數(shù)據(jù)進(jìn)行獲取，并將其在構(gòu)建完成的稀疏字典中進(jìn)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(yùn)行狀態(tài)的標(biāo)準(zhǔn)模式。對設(shè)備運(yùn)行數(shù)據(jù)和標(biāo)準(zhǔn)模式之間的差異性進(jìn)行計(jì)算，并對生理健康曲線圖進(jìn)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(yù)警的目的得以實(shí)現(xiàn)。具體方式為：對k 均值聚類算法進(jìn)行應(yīng)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(yùn)行模式進(jìn)行表示，論文對兩個信號差值的二范數(shù)進(jìn)行應(yīng)用，來對兩個信號之間的距離進(jìn)行衡量，并在相關(guān)公式下，來對歷史數(shù)據(jù)和實(shí)時數(shù)據(jù)樣本與聚類中心之間的距離來進(jìn)行合理計(jì)算，對數(shù)據(jù)樣本距離最近的聚類序號進(jìn)行選擇，并將其當(dāng)成樣本運(yùn)行模式。把每個聚類中心當(dāng)成一種標(biāo)準(zhǔn)運(yùn)行模式，把驗(yàn)證樣本和聚類中心兩者之間的最短距離進(jìn)行獲得，并將其當(dāng)成驗(yàn)證樣本和標(biāo)準(zhǔn)模式之間的偏差，對各個時間段采集的數(shù)據(jù)進(jìn)行計(jì)算，以此來對設(shè)備運(yùn)行狀態(tài)的生理曲線進(jìn)行繪制[3]。

3 實(shí)驗(yàn)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(shí)測值，來對論文內(nèi)容進(jìn)行驗(yàn)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(diǎn)數(shù)大約為12952 個。

3.1 構(gòu)建稀疏字典

訓(xùn)練數(shù)據(jù)以前一個月采樣數(shù)據(jù)為主，驗(yàn)證數(shù)據(jù)以后半個月采樣數(shù)據(jù)為主，每天訓(xùn)練樣本采樣總時長需要達(dá)到24h，采樣時間間隔為5min，采樣點(diǎn)數(shù)大約為290 個。利用原子數(shù)自適應(yīng)KSVD 算法分別對A、B 相油溫訓(xùn)練稀疏字典，以此來對最大稀疏化表征信號的稀疏字典進(jìn)行獲取。從相關(guān)結(jié)果中可知，訓(xùn)練所得字典中都含有15 個原子，每個原子對訓(xùn)練樣本中的數(shù)據(jù)變化特征進(jìn)行代表，每個原子時長與訓(xùn)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(jìn)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(dá)的完備性進(jìn)行證明，對稀疏化采樣數(shù)據(jù)進(jìn)行應(yīng)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(shí)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(jìn)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(jìn)行反映，使得原始數(shù)據(jù)的良好重構(gòu)得以實(shí)現(xiàn)，即稀疏化采樣數(shù)據(jù)能夠?qū)υ紨?shù)據(jù)特征進(jìn)行完整的表征。

3.3 故障檢測

運(yùn)行模式偏差指的是設(shè)備當(dāng)日運(yùn)行狀況與聚類分析所得的標(biāo)準(zhǔn)運(yùn)行模式之間的偏差，當(dāng)偏差遠(yuǎn)大，說明設(shè)備運(yùn)行與標(biāo)準(zhǔn)模式之間差異性越大。當(dāng)在正常情況下，運(yùn)行模式偏差需要明顯低于設(shè)定的閾值，當(dāng)其大于設(shè)定閾值時，說明異常狀況存在于設(shè)備運(yùn)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(jìn)行構(gòu)建和分析，從而能夠?qū)υO(shè)備故障進(jìn)行有效預(yù)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(yù)警精準(zhǔn)性的提升等方面具有一定的意義。