基于壓縮感知和貪婪算法的配網(wǎng)現(xiàn)場作業(yè)數(shù)據(jù)壓縮重構(gòu)方法

摘 要：隨著配電網(wǎng)的快速發(fā)展，配網(wǎng)作業(yè)人身安全智能監(jiān)護(hù)愈發(fā)成為配網(wǎng)生產(chǎn)經(jīng)營一線的迫切需求。為解決配網(wǎng)現(xiàn)場違章行為智能預(yù)警系統(tǒng)的數(shù)據(jù)傳輸問題，提出一種基于壓縮感知和貪婪算法的配網(wǎng)現(xiàn)場作業(yè)數(shù)據(jù)壓縮重構(gòu)方法。首先，分析了配網(wǎng)現(xiàn)場作業(yè)場景下數(shù)據(jù)的多源、異構(gòu)特征；其次，在邊緣側(cè)構(gòu)建觀測矩陣，采用壓縮感知技術(shù)對(duì)圖像和視頻流數(shù)據(jù)進(jìn)行采樣和壓縮，并傳輸至云端；再次，在云端使用K-SVD字典學(xué)習(xí)算法得到合適的稀疏變換基，采用基于正則正交匹配追蹤的貪婪算法實(shí)現(xiàn)數(shù)據(jù)重構(gòu)，計(jì)算復(fù)雜度較低，迭代速度較快，保證數(shù)據(jù)傳輸?shù)臅r(shí)效性。最后，算例驗(yàn)證了所提方法可以有效實(shí)現(xiàn)配網(wǎng)現(xiàn)場圖像和視頻流違章數(shù)據(jù)的壓縮與重構(gòu)。

關(guān)鍵詞：配電網(wǎng)；違章預(yù)警；壓縮感知；云邊協(xié)同；字典學(xué)習(xí)；貪婪算法

DOI：10.15938/j.jhust.2024.06.015

中圖分類號(hào)： TM76

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1007-2683（2024）06-0150-09

A Data Compression and Reconstruction Method for Distribution Network

Field Operation Based on Compressed Sensing and Greedy Algorithm

TANG Lijun1， YANG Yingchun1， ZHAO Xu1， HAN Tianxi1， YAO Linpeng2

（1.Yunnan Electric Power Research Institute， Kunming 650217， China;

2.Department of Electrical Engineering， Shanghai Jiao Tong University， Shanghai 200240， China）

Abstract：With the rapid development of distribution network， intelligent monitoring of personal safety of distribution network operations has become an urgent demand for the production and operation of distribution network. In order to solve the data transmission problem of the intelligent early warning system of illegal behavior in the distribution network， a data compression and reconstruction method for the distribution network field operation based on compressed sensing and greedy algorithm is proposed. Firstly， the multi-source and heterogeneous characteristics of data in the field operation scenario of distribution network are analyzed. Secondly， the observation matrix is constructed on the edge side， and the image and video stream data are sampled and compressed by compressed sensing technology， and transmitted to the cloud. Thirdly， the K-SVD dictionary learning algorithm is used in the cloud to obtain a suitable sparse transformation base， and the greedy algorithm based on regular orthogonal matching tracking is used to realize data reconstruction， which has low computational complexity and fast iteration speed to ensure the timeliness of data transmission. Finally， the proposed method can effectively compress and reconstruct the illegal data of the live image and video stream of the distribution network.

Keywords：distribution grid; violation warning; compressed sensing; cloud-edge collaboration; dictionary learning; greedy algorithm

收稿日期： 2023-06-16

基金項(xiàng)目： 國家重點(diǎn)研發(fā)計(jì)劃（2018YFB2100100）； 云南電網(wǎng)公司科技項(xiàng)目（YNKJXM20210196）.

作者簡介：

唐立軍（1985—），男，碩士；

楊迎春（1976—），男，碩士.

通信作者：

姚林朋（1981—），男，博士，研究員，E-mail：346969964@qq.com.

0 引 言

近年來，隨著云計(jì)算、大數(shù)據(jù)、物聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)、人工智能等技術(shù)不斷被引入到配電網(wǎng)研究與生產(chǎn)的各個(gè)領(lǐng)域，配網(wǎng)的智能性和安全性得到了顯著提升［1-5］。計(jì)算機(jī)視覺技術(shù)和人工智能技術(shù)被應(yīng)用于配網(wǎng)現(xiàn)場違章行為智能預(yù)警領(lǐng)域，為配網(wǎng)作業(yè)提供全過程的智能監(jiān)護(hù)支持，提升配網(wǎng)作業(yè)的安全生產(chǎn)管理水平，并減少人身傷害和財(cái)產(chǎn)損失［6-7］。配網(wǎng)現(xiàn)場違章行為智能預(yù)警是指在配網(wǎng)作業(yè)現(xiàn)場布置傳感器和攝像頭，實(shí)時(shí)采集作業(yè)人員的數(shù)據(jù)信息，由智能預(yù)警系統(tǒng)分析操作安全隱患并提前發(fā)出告警，防患于未然。

現(xiàn)場作業(yè)數(shù)據(jù)的高效壓縮與準(zhǔn)確重構(gòu)是違章智能預(yù)警系統(tǒng)實(shí)時(shí)性的基礎(chǔ)，由于現(xiàn)場作業(yè)數(shù)據(jù)包含大量傳感器和攝像頭數(shù)據(jù)，具有多源、異構(gòu)的特征。傳統(tǒng)數(shù)據(jù)采樣方法大多建立在香農(nóng)采樣定理的基礎(chǔ)上，例如基于小波系數(shù)或經(jīng)驗(yàn)?zāi)B(tài)分解的數(shù)據(jù)壓縮方法，先對(duì)配網(wǎng)現(xiàn)場作業(yè)數(shù)據(jù)進(jìn)行高頻采集和A/D轉(zhuǎn)換，再進(jìn)行數(shù)據(jù)的壓縮。隨著采集-壓縮-存儲(chǔ)-傳輸-重構(gòu)-識(shí)別過程的不斷循環(huán)，系統(tǒng)將積累海量的采集數(shù)據(jù)，處理時(shí)間加長，制約系統(tǒng)的時(shí)效性［8］。

壓縮感知（compressed sensing， CS）理論突破了香農(nóng)采樣定理的限制，是信號(hào)處理領(lǐng)域特別是圖像和視頻處理領(lǐng)域的研究熱點(diǎn)［9-10］。CS理論針對(duì)可以稀疏表示的信號(hào)，在采樣時(shí)壓縮數(shù)據(jù)，可以通過少量的觀測向量實(shí)現(xiàn)對(duì)原始信號(hào)的高精度重構(gòu)，有效解決了數(shù)據(jù)量大的采樣難題［11］。隨著CS理論的逐漸完善，其已在圖像處理領(lǐng)域廣泛應(yīng)用，在電力系統(tǒng)中剛剛起步。文［12］針對(duì)電能質(zhì)量擾動(dòng)信號(hào)壓縮重構(gòu)時(shí)的頻譜泄露問題，在進(jìn)行DFT稀疏分析的基礎(chǔ)上，提出一種頻譜泄露免疫重構(gòu)算法，以頻譜能量差作為SAMP算法的迭代終止條件。文［13］針對(duì)電能質(zhì)量擾動(dòng)信號(hào)，以傅立葉基作為壓縮感知中的過完備字典，以高斯隨機(jī)矩陣作為觀測矩陣，選取OMP算法作為重構(gòu)算法，對(duì)信號(hào)進(jìn)行壓縮與重構(gòu)，但該文僅驗(yàn)證了所提算法的有效性，并未對(duì)不同算法的效果開展對(duì)比。文［14］考慮到電能質(zhì)量數(shù)據(jù)諧波污染劃分困難的難題，提出一種基于分布式壓縮感知和邊緣計(jì)算的電能質(zhì)量數(shù)據(jù)壓縮存儲(chǔ)方法，以K-SVD字典學(xué)習(xí)算法實(shí)現(xiàn)信號(hào)的稀疏表示，以高斯隨機(jī)矩陣作為觀測矩陣，選取改進(jìn)的DCS-SOMP聯(lián)合重構(gòu)算法進(jìn)行信號(hào)重構(gòu)。以上文獻(xiàn)根據(jù)電能質(zhì)量數(shù)據(jù)類型單一的特點(diǎn)，在電能質(zhì)量數(shù)據(jù)頻譜泄露、諧波污染劃分困難等方面開展研究，相關(guān)方法針對(duì)性強(qiáng)。

本文提出一種基于壓縮感知和貪婪算法的配網(wǎng)現(xiàn)場作業(yè)數(shù)據(jù)壓縮重構(gòu)方法，論文的創(chuàng)新點(diǎn)在于：①將壓縮感知算法首次應(yīng)用于具有多源、異構(gòu)特征的配網(wǎng)現(xiàn)場作業(yè)數(shù)據(jù)場景下，應(yīng)用場景和電能質(zhì)量數(shù)據(jù)不同；②采用K-SVD字典學(xué)習(xí)進(jìn)行稀疏變換，用基于正則正交匹配追蹤的貪婪算法實(shí)現(xiàn)數(shù)據(jù)重構(gòu)，計(jì)算復(fù)雜度較低，迭代速度較快，保證了智能預(yù)警系統(tǒng)時(shí)效性；③采用云邊協(xié)同設(shè)計(jì)理念，在邊緣側(cè)布置邊緣算力，擴(kuò)展AI智能模塊，采用CS技術(shù)對(duì)圖像視頻等信號(hào)進(jìn)行采樣、壓縮、存儲(chǔ)和傳輸，而在云端融合多個(gè)信息系統(tǒng)的數(shù)據(jù)，部署統(tǒng)一的違章智能預(yù)警系統(tǒng)，覆蓋多個(gè)配網(wǎng)臺(tái)區(qū)，實(shí)現(xiàn)數(shù)據(jù)重構(gòu)、分析和智能預(yù)警。

1 多源、異構(gòu)的配網(wǎng)現(xiàn)場作業(yè)數(shù)據(jù)

基于配網(wǎng)現(xiàn)場采集的數(shù)據(jù)流和信號(hào)處理技術(shù)，構(gòu)建作業(yè)行為的業(yè)務(wù)模型，分析違章行為要素，實(shí)現(xiàn)作業(yè)違章數(shù)據(jù)歸因，從而打造配網(wǎng)作業(yè)預(yù)警監(jiān)護(hù)體系，為配網(wǎng)運(yùn)維人員保駕護(hù)航。因此，配網(wǎng)現(xiàn)場作業(yè)數(shù)據(jù)是預(yù)警系統(tǒng)的基石。首先需要分析配網(wǎng)作業(yè)的影響因素，如圖1所示。

配網(wǎng)作業(yè)影響因素眾多，主要有以下幾類：作業(yè)背景、作業(yè)區(qū)域、作業(yè)人員、作業(yè)工具和作業(yè)對(duì)象設(shè)備等。從中提取出業(yè)務(wù)特征標(biāo)簽，共分為3類：

1）現(xiàn)場管控類：包括安全帽佩戴、現(xiàn)場勘察記錄、唱票復(fù)誦等。

2）作業(yè)描述類：包括工作牌、操作票、安全距離、作業(yè)工具等。

3）現(xiàn)場操作類：包括停電、驗(yàn)電、接地、項(xiàng)目操作順序、清理工具等。

從業(yè)務(wù)特征標(biāo)簽中優(yōu)選業(yè)務(wù)特征，分析行為要素的邏輯關(guān)系，區(qū)分違章類別，構(gòu)建違章行為代碼庫，對(duì)違章行為數(shù)據(jù)開展數(shù)據(jù)歸因，包括平穩(wěn)性檢驗(yàn)、協(xié)整檢驗(yàn)、格蘭杰檢驗(yàn)、時(shí)頻分析、聚類分析、特征量化等。

其中，違章行為數(shù)據(jù)主要來自傳感器和攝像頭采集的圖像視頻，包括感應(yīng)電壓、工器具速度、工器具加速度、圖像數(shù)據(jù)、視頻數(shù)據(jù)等，數(shù)據(jù)面涵蓋人體部位或工器具的姿態(tài)、人體部位或工器具的動(dòng)作、對(duì)象的空間位置等特征。由于采集設(shè)備來自多個(gè)廠商，使用場景和參數(shù)不同，信號(hào)普遍具備多源、異構(gòu)特征。有些特征反映違章行為的特性，用于同類作業(yè)不同人員的橫向比較；還有些特征反映違章行為的局部狀況，用于同類作業(yè)相同人員在不同時(shí)間的縱向比較；此外，還有一些特征用于連續(xù)操作和交叉作業(yè)的分析計(jì)算。

違章行為特征采集方式如圖2所示。對(duì)于人體部位或工器具的姿態(tài)，可以采用加速度傳感器進(jìn)行檢測，首先根據(jù)三維加速度矢量的各個(gè)分量來判斷當(dāng)前姿態(tài)相對(duì)于參考姿態(tài)的改變，然后根據(jù)加速度矢量的變化率來區(qū)分由于變速運(yùn)動(dòng)產(chǎn)生的加速度和由于姿態(tài)（重力）產(chǎn)生的加速度。而對(duì)于人體部位或工器具的動(dòng)作，特別是緊急情況下的劇烈動(dòng)作，也可以采用加速度傳感器進(jìn)行檢測，根據(jù)加速度短期內(nèi)的變化率來進(jìn)行判斷。這些數(shù)據(jù)呈現(xiàn)出多源、異構(gòu)的特征，在采集和壓縮時(shí)要考慮每類數(shù)據(jù)的特性差異。

2 壓縮感知

壓縮感知［15-17］，也被稱為壓縮采樣，是一種基于利用信號(hào)的稀疏特性，實(shí)現(xiàn)高效壓縮數(shù)據(jù)的方法，廣泛應(yīng)用于圖像處理、計(jì)算機(jī)視覺、電子工程等領(lǐng)域。相比傳統(tǒng)壓縮算法，壓縮感知力求采集盡量少的數(shù)據(jù)，來重構(gòu)和還原出盡量多的信息。壓縮感知主要包括：稀疏變換、構(gòu)建觀測矩陣和信號(hào)重構(gòu)，其實(shí)現(xiàn)過程如圖3所示。

2.1 稀疏變換

設(shè)N×1維信號(hào)X本身或在某個(gè)變換域中是稀疏的，則數(shù)學(xué)上可以表示為：

X=ψθ（1）

式中：ψ表示一個(gè)特定的變換基，θ表示稀疏度為K（K≤N）的N×1維列向量。

將θ投影到一個(gè)與變換基ψ不相關(guān)的、維度為M×N（M≤N）的觀測矩陣O上，從而得到M×1維觀測集合y，即：

y=Oθ=OψTX=AcsX（2）

式中：ψT為ψ的轉(zhuǎn)置矩陣；Acs為傳感矩陣。當(dāng)觀測矩陣O與變換基ψ不相關(guān)時(shí)，式（2）一定存在確定解，可以轉(zhuǎn)化為求解下式的非線性最優(yōu)化問題，得到信號(hào)X的精確重構(gòu)：

min‖θ‖0s.t.y=Oθ（3）

式中：‖θ‖0表示θ的0范數(shù)。

2.2 配電網(wǎng)現(xiàn)場作業(yè)場景下壓縮感知的難點(diǎn)

采用壓縮感知方法處理數(shù)據(jù)的前提是數(shù)據(jù)本身或者在某個(gè)變換域上具備稀疏性［18］，即數(shù)據(jù)序列中絕大多數(shù)值為零或者缺失；時(shí)域上的信號(hào)通常不是稀疏的，但是在合適的稀疏基下就可以稀疏表示。而配網(wǎng)現(xiàn)場作業(yè)采集的數(shù)據(jù)流包含大量圖像、視頻等數(shù)據(jù)，視頻監(jiān)控系統(tǒng)來自多個(gè)廠商，數(shù)據(jù)具有多源、異構(gòu)特征，很多數(shù)據(jù)在時(shí)域上沒有稀疏性，彼此間也無法共用相同的基實(shí)現(xiàn)稀疏變換，因此找到適合各類數(shù)據(jù)的稀疏表示是決定壓縮感知效果的關(guān)鍵，也是難點(diǎn)。

本文主要聚焦電力系統(tǒng)中圖像和視頻監(jiān)控類進(jìn)行具體研究和實(shí)驗(yàn)，其他數(shù)據(jù)如加速度傳感器、WIFI傳感器、壓力傳感器等采集的數(shù)據(jù)由于慢采集或缺乏耦合性，較難進(jìn)行稀疏變換。

2.3 基于K-SVD字典學(xué)習(xí)的稀疏變換

為解決配電網(wǎng)現(xiàn)場作業(yè)場景下壓縮感知面臨的數(shù)據(jù)稀疏表示的難點(diǎn)，本文采用基于K-SVD字典學(xué)習(xí)［19-20］的稀疏變換方法。雖然現(xiàn)實(shí)采集的多數(shù)信號(hào)并不稀疏，但是在某個(gè)變換域上可以做到稀疏分解。K-SVD字典學(xué)習(xí)算法是一種對(duì)信號(hào)稀疏分解的方法，能夠適應(yīng)數(shù)據(jù)特點(diǎn)，對(duì)數(shù)據(jù)進(jìn)行稀疏表示，并提升重構(gòu)后的信噪比。

K-SVD字典學(xué)習(xí)算法主要包括2個(gè)部分：稀疏分解部分和字典更新部分。根據(jù)原始樣本數(shù)據(jù)Y選定一個(gè)初始稀疏字典D∈Rn×n，D含有n個(gè)原子di，滿足：

di∈{d1，d2，…，dn}（4）

則有：

Y=DS（5）

式中：S為稀疏表示系數(shù)，代表樣本Y在字典D上的稀疏表示。

當(dāng)S稀疏度最大時(shí)，所含非零元素最少，字典D最優(yōu)，樣本Y最能表現(xiàn)出稀疏分解。字典求解問題可以表示為

argmin‖Y－DS‖2Fs.t.i，‖sTi‖0≤T0（6）

式中：向量sTi為稀疏系數(shù)S的行向量；T0為向量sTi中非零元素個(gè)數(shù)的最大閾值。字典D和稀疏系數(shù)S是2個(gè)自變量，要求解式（6）目標(biāo)函數(shù)最小時(shí)D和S的值，通常固定一個(gè)變量求解另一個(gè)，不斷交替迭代進(jìn)行。字典D通過最小二乘法逐列更新，稀疏系數(shù)S通過正交匹配追蹤法進(jìn)行。根據(jù)K-SVD字典學(xué)習(xí)算法，就可以實(shí)現(xiàn)樣本Y在字典D上的稀疏表示，解決樣本Y的數(shù)據(jù)稀疏問題。

配網(wǎng)現(xiàn)場作業(yè)場景下圖像和視頻流數(shù)據(jù)在時(shí)域、頻域的特點(diǎn)差異較大，不能共用稀疏變換基，因此在模型訓(xùn)練時(shí)要根據(jù)歷史數(shù)據(jù)集迭代出各類指標(biāo)的稀疏變換基，訓(xùn)練出不同指標(biāo)特有的稀疏冗余字典，從而解決配網(wǎng)現(xiàn)場作業(yè)場景下使用壓縮感知的數(shù)據(jù)稀疏問題。

2.4 構(gòu)建觀測矩陣

觀測矩陣可以在降維映射時(shí)保留原信號(hào)的重要信息，結(jié)合測量值重構(gòu)信號(hào)。觀測矩陣的性能直接影響到重構(gòu)誤差的大小。觀測矩陣需要滿足如下3個(gè)條件［21］：

1）由觀測矩陣的列向量組成的矩陣需具有獨(dú)立性和隨機(jī)性；

2）由觀測矩陣構(gòu)成的子矩陣的最小奇異值需大于一個(gè)恒定的數(shù)值；

3）滿足稀疏性的解是滿足1-范數(shù)最小的向量。

由于高斯矩陣、伯努利矩陣等隨機(jī)矩陣與所有固定基的稀疏變換矩陣都具有較好的非相關(guān)性，學(xué)術(shù)界通常選取隨機(jī)矩陣作為通用的觀測矩陣，并且無需對(duì)觀測信號(hào)作出先驗(yàn)假設(shè)［22］。其中高斯矩陣需要的觀測值數(shù)目最少，本文選取高斯矩陣作為觀測矩陣。

2.5 信號(hào)重構(gòu)

傳統(tǒng)信號(hào)重構(gòu)方法是基于優(yōu)化的方法，其本質(zhì)是求解欠定方程組問題，通?？梢苑譃?類：

1）基于l0的貪婪算法，通過貪婪算法逼近局部最優(yōu)解。常見的有匹配追蹤法、迭代硬閾值法等。

2）基于l1的凸優(yōu)化算法，例如基追蹤算法、投影梯度法等。

3）其他算法，例如融合貪婪算法和最優(yōu)化算法的貝葉斯追蹤算法等。

重構(gòu)算法的選取要在應(yīng)用領(lǐng)域的大背景下，綜合考慮精度和速度，降低計(jì)算復(fù)雜度，使用更少的觀測矩陣恢復(fù)原始信號(hào)。

2.6 基于正則正交匹配追蹤的貪婪算法

在信號(hào)重構(gòu)時(shí)，貪婪算法包括元素選取和系數(shù)更新2個(gè)步驟，算法迭代時(shí)從觀測信號(hào)的支撐集中選取最優(yōu)原子，在不斷逼近信號(hào)的同時(shí)減少殘差［23］。

匹配追蹤算法是典型的貪婪算法，從初始空白模型對(duì)信號(hào)進(jìn)行逼近，迭代時(shí)將殘余信號(hào)在字典原子向量的空間中進(jìn)行正交投影，根據(jù)參與信號(hào)和各個(gè)原子內(nèi)積大小選取最優(yōu)原子。正交匹配追蹤算法是對(duì)匹配追蹤算法的改進(jìn)，將所有選出的原子展開成子空間，將殘余信號(hào)投影到子空間，保證殘余信號(hào)和子空間正交，避免了同一原子被反復(fù)選擇的情況，提高了收斂速度。但正交匹配追蹤算法一次只選擇一個(gè)原子，為提升重構(gòu)速度，正則正交匹配追蹤算法在選擇原子時(shí)引入了閾值盤踞，每次選擇多個(gè)原子，從而適應(yīng)高維信號(hào)的重構(gòu)。其算法過程描述如下：

1）初始化：設(shè)殘差值r0=y，信號(hào)稀疏度為K，迭代計(jì)數(shù)k=1，索引集J和Ω為空集；

2）計(jì)算相關(guān)系數(shù)u

u={un|un=|〈rk－1，an〉|，n=1，2，…，N|}（7）

式中：an為傳感矩陣Acs的列矢量；

3）從u中選取K個(gè)最大值對(duì)應(yīng)的索引位置，存入索引集J中；

4）使用正則化方法做二次篩選，將J中索引值對(duì)應(yīng)原子的相關(guān)系數(shù)分組，即：

|u（i）|≤2|u（j）|（8）

式中：i，j∈J，選擇能量最大的一組相關(guān)系數(shù)對(duì)應(yīng)的原子索引值存入J0，令索引集Ω=Ω∪J0；

5）采用最小二乘法進(jìn)行信號(hào)逼近和殘差更新，即：

Xk=argminx‖y－AΩX‖2（9）

rk=y－AΩXk（10）

6）令k=k+1，重復(fù)步驟2）～5），直到|Ω|≥2K；

7）返回重構(gòu)信號(hào)p=xk。

3 基于壓縮感知和貪婪算法的配網(wǎng)現(xiàn)場作業(yè)數(shù)據(jù)壓縮重構(gòu)方法

本文提出一種基于壓縮感知和貪婪算法的配網(wǎng)現(xiàn)場作業(yè)數(shù)據(jù)壓縮重構(gòu)方法，其算法流程如圖4所示，步驟如下：

1）在采樣端（邊緣端）對(duì)配網(wǎng)現(xiàn)場作業(yè)的圖像視頻信號(hào)進(jìn)行采樣，在采樣時(shí)自帶配電作業(yè)場景標(biāo)簽，按場景主要分為新設(shè)備投運(yùn)、巡視工作、搶修工作、線路運(yùn)方調(diào)整、預(yù)防性試驗(yàn)5類，基本涵蓋了主流的現(xiàn)場倒閘操作場景；分場景采樣有利于提取特定場景下不同信號(hào)的前后關(guān)聯(lián)關(guān)系，為違章預(yù)警提供數(shù)據(jù)支撐。采樣數(shù)據(jù)傳輸?shù)皆贫?，在云端?xùn)練各類場景下的模型；

2）在云端建立K-SVD字典學(xué)習(xí)模型，根據(jù)歷史數(shù)據(jù)集迭代出各類指標(biāo)的稀疏變換基，獲取不同指標(biāo)獨(dú)有的稀疏冗余字典，解決配網(wǎng)現(xiàn)場作業(yè)場景下使用壓縮感知的數(shù)據(jù)稀疏難題；

3）在采樣端（邊緣端）使用觀測矩陣，通過攝像頭采樣圖像視頻數(shù)據(jù)，根據(jù)壓縮感知理論，只需要在采樣端保存與稀疏變換基對(duì)應(yīng)的觀測矩陣數(shù)據(jù)，實(shí)現(xiàn)數(shù)據(jù)邊采集邊壓縮，將數(shù)據(jù)上送至云端；

4）在云端基于正則正交匹配追蹤的貪婪算法進(jìn)行信號(hào)重構(gòu)，重構(gòu)后的信號(hào)供違章智能預(yù)警系統(tǒng)使用。

4 算例分析

4.1 分析指標(biāo)

本文選取2個(gè)指標(biāo)來分別評(píng)價(jià)圖像視頻數(shù)據(jù)經(jīng)壓縮和重構(gòu)后的準(zhǔn)確性。均方根誤差（root mean square error， RMSE）用來評(píng)估重構(gòu)值和實(shí)際值的偏差，RMSE越大，則偏差值越大，重構(gòu)的數(shù)據(jù)越不準(zhǔn)確。其公式為

SRMSE=1N∑Ni=1（X^i－Xi）2（11）

式中：N為樣本個(gè)數(shù)；X^i為重構(gòu)值；Xi為真實(shí)值。

峰值信噪比（peak signal-to-noise ratio， PSNR）表示信號(hào)最大可能功率和影響它的表征精度的破壞噪聲功率的比率，通常使用常用對(duì)數(shù)分貝單位，常用于信號(hào)壓縮重建效果的評(píng)價(jià)。PSNR越大，圖像視頻重建質(zhì)量越高。其公式為：

SPSNR=10lg（SMAX2I/SMSE）（12）

式中：SMAXI為圖像點(diǎn)顏色的最大數(shù)值，以采樣點(diǎn)8位為例，圖像點(diǎn)顏色的最大數(shù)值為255；SMSE為均方誤差（mean square error， MSE），設(shè)2個(gè)m×n單色圖像I和K，若互為噪聲近似，則有：

SMSE=1mn∑m－1i=0∑n－1j=0［I（i，j）－K（i，j）］2（13）

4.2 數(shù)據(jù)重構(gòu)性能分析

本文選取2022年下半年某市配網(wǎng)現(xiàn)場作業(yè)攝像頭采集的圖像和視頻流數(shù)據(jù)作為算例數(shù)據(jù)，其云邊協(xié)同結(jié)構(gòu)如圖5所示。選取7月到11月的現(xiàn)場作業(yè)數(shù)據(jù)作為訓(xùn)練集，12月數(shù)據(jù)作為測試集；現(xiàn)場作業(yè)數(shù)據(jù)在采集時(shí)就自帶配電作業(yè)場景標(biāo)簽，算法在仿真訓(xùn)練和測試時(shí)按照?qǐng)鼍胺譃?組：配電場景I：新設(shè)備投運(yùn)；配電場景II：巡視工作；配電場景III：搶修工作；配電場景IV：線路運(yùn)方調(diào)整；配電場景V：預(yù)防性試驗(yàn)。這5組基本涵蓋了主流的現(xiàn)場倒閘操作場景，分別統(tǒng)計(jì)和分析仿真結(jié)果。在配網(wǎng)現(xiàn)場作業(yè)附近就地布置邊緣算力，擴(kuò)展AI智能模塊，攝像頭采集的數(shù)據(jù)送到邊緣側(cè)，在邊緣側(cè)壓縮后再由邊緣側(cè)經(jīng)過通道傳輸?shù)皆贫?，在云端開展數(shù)據(jù)重構(gòu)和違章預(yù)警。

首先評(píng)價(jià)基于正則正交匹配追蹤（regularized orthogonal matching pursuit， ROMP）的貪婪算法的性能，與快速迭代閾值收縮算法（fast iterative shrinkage-thresholding algorithm， FISTA）、正交匹配追蹤（orthogonal matching pursuit， OMP）、廣義正交匹配追蹤（generalized OMP， GOMP）、壓縮采樣匹配追蹤（compressive sampling MP， CoSaMP）等典型算法比較。檢測結(jié)果如圖6～10所示。分析檢測結(jié)果可知，ROMP算法在5個(gè)配電場景的信號(hào)重構(gòu)RMSE精度上均優(yōu)于其他算法，在圖像數(shù)據(jù)和視頻流數(shù)據(jù)2類數(shù)據(jù)上均表現(xiàn)出精度優(yōu)勢，例如在場景I的2類數(shù)據(jù)中，ROMP的RMSE分別為0.12、0.17，滿足信號(hào)重構(gòu)的精度要求，且均優(yōu)于其余4種算法。

表1為5類算法的PSNR對(duì)比結(jié)果。由表1可知，ROMP算法在5個(gè)配電場景的信號(hào)重構(gòu)PSNR表現(xiàn)普遍優(yōu)于其他4種算法，峰值信噪比維持在80以上，滿足信號(hào)重構(gòu)對(duì)信噪比的要求；而FISTA表現(xiàn)最差，在5個(gè)配電場景的各類數(shù)據(jù)中低于60；OMP、GOMP、CoSaMP表現(xiàn)介于FISTA和ROMP之間。

4.3 壓縮比對(duì)數(shù)據(jù)重構(gòu)性能的影響

對(duì)配電場景I數(shù)據(jù)在不同壓縮比下5種算法的重構(gòu)RMSE和PSNR指標(biāo)進(jìn)行測試，結(jié)果如圖11和12所示。

由圖11和12可見，壓縮比為0.1時(shí)各算法的精度最差，壓縮比為0.9時(shí)各算法的精度最高；本文提出的ROMP重構(gòu)算法的RMSE在各壓縮比下明顯小于其他4種算法，PSNR在各壓縮比下明顯大于其他4種算法，驗(yàn)證了本文算法在數(shù)據(jù)重構(gòu)精度上的有效性。對(duì)配電場景II到V數(shù)據(jù)進(jìn)行驗(yàn)證也得到了相同的結(jié)論。

5 結(jié) 論

配網(wǎng)生產(chǎn)作業(yè)違章預(yù)警關(guān)系到配網(wǎng)工作人員的人身安全和配網(wǎng)設(shè)備安全，云邊協(xié)同的違章預(yù)警系統(tǒng)依賴現(xiàn)場采集數(shù)據(jù)的壓縮和重構(gòu)過程。本文提出一種基于壓縮感知和貪婪算法的配網(wǎng)現(xiàn)場作業(yè)數(shù)據(jù)壓縮重構(gòu)方法，在云端使用K-SVD字典學(xué)習(xí)算法建立稀疏冗余字典，在邊緣側(cè)構(gòu)建觀測矩陣，實(shí)現(xiàn)數(shù)據(jù)邊采集邊壓縮，將數(shù)據(jù)上送至云端，在云端基于正則正交匹配追蹤的貪婪算法進(jìn)行信號(hào)重構(gòu)，重構(gòu)后的信號(hào)供違章智能預(yù)警系統(tǒng)使用。算例表明本文方法可以有效實(shí)現(xiàn)圖像和視頻流信號(hào)的數(shù)據(jù)壓縮與重構(gòu)，為類似工程實(shí)踐提供借鑒思路。

參 考 文 獻(xiàn)：

［1］ 謝清玉， 張耀坤， 李經(jīng)緯. 面向智能電網(wǎng)的電力大數(shù)據(jù)關(guān)鍵技術(shù)應(yīng)用［J］. 電網(wǎng)與清潔能源，2021，37（12）：39.

XIE Qingyu， ZHANG Yaokun， LI Jingwei. Application of Key Technologies of Power Big Data in Smart Grids［J］. Power System and Clean Energy，2021，37（12）：39.

［2］ 李鵬， 王瑞， 冀浩然， 等．低碳化智能配電網(wǎng)規(guī)劃研究與展望［J］. 電力系統(tǒng)自動(dòng)化， 2021， 45（24）： 10.

LI Peng， WANG Rui， JI Haoran， et al. Research and Prospect of Planning for Low-Carbon Smart Distribution Network［J］. Automation of Electric Power Systems， 2021， 45（24）： 10.

［3］ 胡丹爾， 彭勇剛， 韋巍， 等. 多時(shí)間尺度的配電網(wǎng)深度強(qiáng)化學(xué)習(xí)無功優(yōu)化策略［J］. 中國電機(jī)工程學(xué)報(bào)， 2022， 42（14）： 5034.

HU Daner， PENG Yonggang， WEI Wei， et al. Multi-timescale Deep Reinforcement Learning for Reactive Power Optimization of Distribution Network［J］. Proceedings of the CSEE， 2022， 42（14）： 5034.

［4］ 何維國， 王賽一， 許唐云， 等. 城市韌性配電網(wǎng)建設(shè)與發(fā)展路徑［J］. 電網(wǎng)技術(shù)， 2022， 46（2）： 680.

HE Weiguo， WANG Saiyi， XU Tangyun， et al. Construction and Development Path of the Urban Resilient Distribution Network［J］. Power System Technology， 2022， 46（2）： 680.

［5］ 朱彥名， 徐瀟源， 嚴(yán)正， 等.面向電力物聯(lián)網(wǎng)的含可再生能源配電網(wǎng)運(yùn)行展望［J］. 電力系統(tǒng)保護(hù)與控制， 2022， 50（2）： 176.

ZHU Yanming， XU Xiaoyuan， YAN Zheng， et al. Prospect of Renewable Energy Integrated Distribution Network Operation in the Power Internet of Things［J］. Power System Protection and Control， 2022， 50（2）： 176.

［6］ 姚宗強(qiáng)， 陳宏利， 閆文虎， 等. 基于視頻圖像的電力基建施工違章行為自動(dòng)識(shí)別系統(tǒng)設(shè)計(jì)［J］. 自動(dòng)化與儀器儀表， 2021， 257（3）： 143.

YAO Zongqiang， CHEN Hongli， YAN Wenhu， et al. Design of Automatic Identification System Based on Video Images for Electrical Infrastructure Construction Violations［J］. Automation and Instrumentation， 2021， 257（3）： 143.

［7］ 繆通， 李捷， 和振芳， 等．AR 基于嶺回歸的電力生產(chǎn)嚴(yán)重違章產(chǎn)生因素的影響程度分析［J］．云南電力技術(shù)， 2020， 50（2）： 170.

MIAO Tong， LI Jie， HE Zhenfang， et al. Analysis of Influence Degree of Serious Violations in Electric Power Production Based on Ridge Regression［J］. Yunnan Electric Power， 2020， 50（2）： 170.

［8］ 于華楠， 杜瑤， 馬聰聰. 電力系統(tǒng)信號(hào)與數(shù)據(jù)的壓縮傳感技術(shù)綜述［J］. 儀器儀表學(xué)報(bào)， 2017， 38（8）： 1943.

Yu Huanan， Du Yao， Ma Congcong. Survey of compressed sensing technology for signal and data of power system［J］. Chinese Journal of Scientific Instrument， 2017， 38（8）： 1943.

［9］ 楊欣宇， 李愛萍， 段利國， 等. 基于字典學(xué)習(xí)和壓縮感知的WSN數(shù)據(jù)壓縮［J］. 計(jì)算機(jī)工程與設(shè)計(jì)， 2022， 43（9）： 2448.

YANG Xinyu， LI Aiping， DUAN Liguo， et al. WSN Data Compression Based on Dictionary Learning and Compressed Sensing［J］. Computer Engineering and Design， 2022， 43（9）： 2448.

［10］周云， 胡錦楠， 趙瑜， 等. 基于卡爾曼濾波改進(jìn)壓縮感知算法的車輛目標(biāo)跟蹤［J］. 湖南大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2023， 50（1）： 11.

ZHOU Yun， HU Jinnan， ZHAO Yu， et al. Vehicle Target Tracking Based on Kalman Filtering Improved Compressed Sensing Algorithm［J］. Journal of Hunan University（Natural Sciences）， 2023， 50（1）： 11.

［11］王茁， 黨姜婷， 李育亮， 等. 圖像壓縮感知理論研究綜述［J］. 機(jī)械制造與自動(dòng)化， 2019， 48（1）： 112.

WANG Zhuo， DANG Jiangting， LI Yuliang， et al. Research on image compressed sensing［J］. Machine Building amp; Automation， 2019， 48（1）： 112.

［12］劉嫣， 湯偉， 劉寶泉. 基于壓縮感知的電能質(zhì)量擾動(dòng)數(shù)據(jù)稀疏分析與改進(jìn)重構(gòu)算法［J］. 電工技術(shù)學(xué)報(bào)， 2018， 33（15）： 3461.

Liu， Yan， Tang Wei， Liu Baoquan. Data Sparse Analysis and Improved Reconstruction Algorithm of Power Quality Disturbance Based on Compressed Sensing［J］. Transactions of China Electrotechnical Society， 2018， 33（15）： 3461.

［13］于華楠， 代芳琳， 蘇天愷. 基于壓縮感知的三相電能質(zhì)量擾動(dòng)信號(hào)壓縮及分類新方法［J］， 吉林大學(xué)學(xué)報(bào)：工學(xué)版， 2016， 46（3）： 964.

Yu Huanan， Dai Fanglin， Su Tiankai. New Compression and Classification Method of Three Phase Power Quality Disturbance Signal Based on Compressed Sensing［J］. Journal of Jilin University： Engineering and Technology Edition， 2016， 46（3）： 964.

［14］王鶴， 李石強(qiáng)， 于華楠，等. 基于分布式壓縮感知和邊緣計(jì)算的配電網(wǎng)電能質(zhì)量數(shù)據(jù)壓縮存儲(chǔ)方法［J］. 電工技術(shù)學(xué)報(bào)， 2020， 35（21）： 4553.

Wang He， Li Shiqiang， Yu Huanan， et al. Compression Acquisition Method for Power Quality Data of Distribution Network Based on Distributed Compressed Sensing and Edge Computing［J］. Transactions of China Electrotechnical Society， 2020， 35（21）： 4553.

［15］孫毅， 許鵬， 武昕， 等. 面向用電側(cè)電能質(zhì)量監(jiān)測的時(shí)空壓縮感知方法［J］. 電網(wǎng)技術(shù)， 2015， 39（8）： 2351.

SUN Yi， XU Peng， WU Xin， et al. A Power Quality Monitoring Oriented Time-Space Compressed Sensing Method［J］. Power System Technology， 2015， 39（8）： 2351.

［16］楊挺， 武金成， 袁博. 諧波和間諧波檢測的壓縮感知恢復(fù)算法［J］. 中國電機(jī)工程學(xué)報(bào)， 2015， 35（21）： 5475.

YANG Ting， WU Jincheng， YUAN Bo. The Restoration Algorithm of Compressed Sensing to Detect Harmonic and Inter-harmonic［J］. Proceedings of the CSEE， 2015， 35（21）： 5475.

［17］任東升， 侯進(jìn)， 黨輝， 等. 壓縮感知算法在陣列測向中的相干信號(hào)分辨［J］. 計(jì)算機(jī)應(yīng)用研究， 2023， 40（4）： 1165.

REN Dongsheng， HOU Jin， DANG Hui， et al. Coherent Signal Resolution in Array Direction Finding Using Compressed Sensing Algorithm［J］. Application Research of Computers， 2023， 40（4）： 1165.

［18］陳志同， 徐晉， 李國杰， 等. 基于變分模態(tài)分解和壓縮感知的電力系統(tǒng)寬頻振蕩監(jiān)測方法［J］. 電力系統(tǒng)保護(hù)與控制， 2022， 50（23）： 63.

CHEN Zhitong， XU Jin， LI Guojie， et al. Monitoring Method of Power System Wide-Band Oscillation Based on Variational Mode Decomposition and Compressive Sensing［J］. Power System Protection and Control， 2022， 50（23）： 63.

［19］李佳雨， 朱樹先. 基于K奇異值分解的多級(jí)圖像去噪算法［J］. 計(jì)算機(jī)應(yīng)用與軟件， 2023， 40（1）： 248.

LI Jiali， ZHU Shuxian. Multi-stage Image Denoising Algorithm Based on K-SVD［J］. Computer Applications and Software， 2023， 40（1）： 248.

［20］鄢化彪， 胡超， 黃綠娥. 基于小波變換和K-SVD的應(yīng)急廣播語音壓縮方法［J］. 計(jì)算機(jī)應(yīng)用研究， 2022， 39（11）： 3417.

YAN Huabiao， HU Chao， HUANG Lyu′e. Emergency broadcast speech compression based on wavelet transform and K-SVD［J］. Application Research of Computers， 2022， 39（11）： 3417.

［21］D Donoho．Compressed sensing［J］. IEEE Trans. on Information Theory， 2006， 52（4）： 1289.

［22］張登銀. 視頻壓縮感知與超分辨率重構(gòu)算法研究［D］. 南京：南京郵電大學(xué)， 2022.

［23］白志亮， 陳世利， 賈樂成， 等. 基于貪婪算法的汽輪機(jī)葉輪相控陣信號(hào)壓縮感知［J］. 機(jī)械工程學(xué)報(bào)， 2018， 54（18）： 33.

BAI Zhiliang， CHEN Shili， JIA Lecheng， et al. Compressed Sensing of Ultrasonic Phased Array Signal in Turbine Disc Rims Inspection Based on Greedy Algorithms［J］. Journal of Mechanical Engineering， 2018， 54（18）： 33.

（編輯：溫澤宇）