基于压缩感知的故障评估方法、装置、设备及存储介质

专利名称：基于压缩感知的故障评估方法、装置、设备及存储介质

专利类型：发明专利

专利申请号：CN202111182502.7

专利申请（专利权）人：国网河北省电力有限公司电力科学研究院,国家电网有限公司,国网河北能源技术服务有限公司,国网电力科学研究院武汉南瑞有限责任公司,南瑞集团有限公司
权利人地址：河北省石家庄市体育南大街238号

专利发明（设计）人：胡雪凯,罗蓬,蔡玉汝,赵宇皓,范辉,李铁成

专利摘要：本发明提供一种基于压缩感知的故障评估方法、装置、设备及存储介质，其中，上述方法包括：接收来自传感器的第一时段的稀疏观测值，其中，第一时段的稀疏观测值由传感器对其在第一时段内采集变电设备的运行状态数据所形成的原始数据压缩得到；以第二时段的稀疏系数矩阵和稀疏基矩阵为初始字典，对第一时段的稀疏观测值进行数据重构，得到第一时段的稀疏系数矩阵、稀疏基矩阵，并记录重构时长，其中，第二时段为第一时段的上一个时段，重构时长为对第一时段的稀疏观测值进行数据重构所花费的时长；若第一时段的重构时长大于第二时段的重构时长，则确定变电设备存在故障。本发明可快速的评估所检测的变电设备是否存在故障。

主权利要求：
1.一种基于压缩感知的故障评估方法，其特征在于，包括：
接收来自传感器的第一时段的稀疏观测值，其中，所述第一时段的稀疏观测值由所述传感器对其在所述第一时段内采集变电设备的运行状态数据所形成的原始数据压缩得到，所述变电设备上部署至少一个传感器；
以第二时段的稀疏系数矩阵和稀疏基矩阵为初始字典，对所述第一时段的稀疏观测值进行数据重构，得到所述第一时段的稀疏系数矩阵、稀疏基矩阵，并记录重构时长，其中，所述第二时段为所述第一时段的上一个时段，所述重构时长为对所述第一时段的稀疏观测值进行数据重构所花费的时长；
若所述第一时段的重构时长大于所述第二时段的重构时长，则确定所述变电设备存在故障。
2.如权利要求1所述的基于压缩感知的故障评估方法，其特征在于，所述以第二时段的稀疏系数矩阵和稀疏基矩阵为初始字典，对所述第一时段的稀疏观测值进行数据重构，得到所述第一时段的稀疏系数矩阵、稀疏基矩阵，并记录重构时长之前，所述方法还包括：获取所述传感器第一次发送的稀疏观测值；
以预设稀疏系数矩阵和预设稀疏基矩阵为初始字典，对所述传感器第一次发送的稀疏观测值进行数据重构，得到所述传感器的第一稀疏系数矩阵和第一稀疏基矩阵，并记录第一重构时长；其中，所述第一稀疏系数矩阵和第一稀疏基矩阵用于作为下一个时段的初始字典；所述预设稀疏系数矩阵和预设稀疏基矩阵均为随机选取的。
3.如权利要求1或2所述的基于压缩感知的故障评估方法，其特征在于，所述以第二时段的稀疏系数矩阵和稀疏基矩阵为初始字典，对所述第一时段的稀疏观测值进行数据重构，得到所述第一时段的稀疏系数矩阵、稀疏基矩阵，并记录重构时长，包括：将所述第一时段的稀疏观测值和所述第二时段的稀疏系数矩阵和稀疏基矩阵，输入至预设压缩感知重构模型中，经过迭代方式求解所述预设压缩感知重构模型，得到所述第一时段的稀疏系数矩阵、稀疏基矩阵，并记录重构时长。
4.如权利要求3所述的基于压缩感知的故障评估方法，其特征在于，所述经过迭代方式求解所述预设压缩感知重构模型，包括：基于K‑SVD字典学习算法，以得到的重构数据的非零元素的个数为约束条件，迭代求解所述预设压缩感知重构模型。
5.如权利要求4所述的基于压缩感知的故障评估方法，其特征在于，所述预设压缩感知重构模型P为：其中，所述预设压缩感知重构模型P的约束条件为||x′i||≤Si；
x′i＝Ψi*Θi＝(Ψi‑1+ΔΨ′i)*(Θi‑1+ΔΘ′i)；
x′i为第一时段的稀疏观测值对应的重构数据，Ψi为第一时段的稀疏基矩阵，Ψi‑1为第二时段的稀疏基矩阵，Θi为第一时段的稀疏系数矩阵，Θi‑1为第二时段的稀疏系数矩阵，，ΔΨ′i为第一时段的稀疏基矩阵增量，ΔΘ′i为第一时段的稀疏系数矩阵增量，yi为第一时段的稀疏观测值，Φ为预设压缩观测矩阵，Si为x′i中的非零元素的个数。
6.一种基于压缩感知的故障评估装置，其特征在于，包括：
接收数据模块，用于接收来自传感器的第一时段的稀疏观测值，其中，所述第一时段的稀疏观测值由所述传感器对其在所述第一时段内采集变电设备的运行状态数据所形成的原始数据压缩得到，所述变电设备上部署至少一个传感器；
重构数据模块，用于以第二时段的稀疏系数矩阵和稀疏基矩阵为初始字典，对所述第一时段的稀疏观测值进行数据重构，得到所述第一时段的稀疏系数矩阵、稀疏基矩阵，并记录重构时长，其中，所述第二时段为所述第一时段的上一个时段，所述重构时长为对所述第一时段的稀疏观测值进行数据重构所花费的时长；
故障评估模块，用于若所述第一时段的重构时长大于所述第二时段的重构时长，则确定所述变电设备存在故障。
7.如权利要求6所述的基于压缩感知的故障评估装置，其特征在于，所述重构数据模块，还用于：获取所述传感器第一次发送的稀疏观测值；
以预设稀疏系数矩阵和预设稀疏基矩阵为初始字典，对所述传感器第一次发送的稀疏观测值进行数据重构，得到所述传感器的第一稀疏系数矩阵和第一稀疏基矩阵，并记录第一重构时长；其中，所述第一稀疏系数矩阵和第一稀疏基矩阵用于作为下一个时段的初始字典；所述预设稀疏系数矩阵和预设稀疏基矩阵均为随机选取的。
8.如权利要求6所述的基于压缩感知的故障评估装置，其特征在于，所述重构数据模块，还用于：将所述第一时段的稀疏观测值和所述第二时段的稀疏系数矩阵和稀疏基矩阵，输入至预设压缩感知重构模型中，经过迭代方式求解所述预设压缩感知重构模型，得到所述第一时段的稀疏系数矩阵、稀疏基矩阵，并记录重构时长。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。 说明书 : 基于压缩感知的故障评估方法、装置、设备及存储介质技术领域[0001] 本发明涉及变电站故障检测技术领域，尤其涉及一种基于压缩感知的故障评估方法、装置、设备及存储介质。背景技术[0002] 随着通信、图像、温度、振动、红外等传感器识别和导航定位技术的不断发展，变电站检测可以在复杂、危险的环境中实现全天候、高频次、多维度、多参量的不间断检测，从而保证电网稳定运行。变电站检测的站端采用边缘计算装置将采集到的数据在本地边缘计算层完成，而无需将数据全部上传到服务器进行处理，可以减轻服务器的压力。[0003] 由于检测数据的不断激增，对站端边缘计算装置的数据传输、数据处理和分析变电设备潜在故障的能力提出了更高的要求。压缩感知是一种基于应用数学的一种前沿的信号采集与处理的技术，通过对数据进行压缩重构，可以大幅提升边缘计算的速度。[0004] 然而，随着检测数据的成倍增长，如何快速的评估变电设备是否存在潜在故障，成为目前亟需解决的技术问题。发明内容[0005] 本发明实施例提供了一种基于压缩感知的故障评估方法、装置、设备及存储介质，以解决目前无法快速评估变电设备是否存在潜在故障的问题。[0006] 第一方面，本发明实施例提供了一种基于压缩感知的故障评估方法，包括：接收来自传感器的第一时段的稀疏观测值，其中，第一时段的稀疏观测值由传感器对其在第一时段内采集变电设备的运行状态数据所形成的原始数据压缩得到，变电设备上部署至少一个传感器；[0007] 以第二时段的稀疏系数矩阵和稀疏基矩阵为初始字典，对第一时段的稀疏观测值进行数据重构，得到第一时段的稀疏系数矩阵、稀疏基矩阵，并记录重构时长，其中，第二时段为第一时段的上一个时段，重构时长为对第一时段的稀疏观测值进行数据重构所花费的时长；[0008] 若第一时段的重构时长大于第二时段的重构时长，则确定变电设备存在故障。[0009] 在一种可能的实现方式中，以第二时段的稀疏系数矩阵和稀疏基矩阵为初始字典，对第一时段的稀疏观测值进行数据重构，得到第一时段的稀疏系数矩阵、稀疏基矩阵，并记录重构时长之前，方法还包括：[0010] 获取传感器第一次发送的稀疏观测值；[0011] 以预设稀疏系数矩阵和预设稀疏基矩阵为初始字典，对传感器第一次发送的稀疏观测值进行数据重构，得到传感器的第一稀疏系数矩阵和第一稀疏基矩阵，并记录第一重构时长；其中，第一稀疏系数矩阵和第一稀疏基矩阵用于作为下一个时段的初始字典；预设稀疏系数矩阵和预设稀疏基矩阵均为随机选取的。[0012] 在一种可能的实现方式中，以第二时段的稀疏系数矩阵和稀疏基矩阵为初始字典，对第一时段的稀疏观测值进行数据重构，得到第一时段的稀疏系数矩阵、稀疏基矩阵，并记录重构时长，包括：[0013] 将第一时段的稀疏观测值和第二时段的稀疏系数矩阵和稀疏基矩阵，输入至预设压缩感知重构模型中，经过迭代方式求解预设压缩感知重构模型，得到第一时段的稀疏系数矩阵、稀疏基矩阵，并记录重构时长。[0014] 在一种可能的实现方式中，经过迭代方式求解预设压缩感知重构模型，包括：[0015] 基于K‑SVD字典学习算法，以得到的重构数据的非零元素的个数为约束条件，迭代求解预设压缩感知重构模型。[0016] 在一种可能的实现方式中，预设压缩感知重构模型P为：[0017][0018] 其中，预设压缩感知重构模型P的约束条件为‖x′i‖≤Si；[0019] x′i＝Ψi*Θi＝(Ψi‑1+ΔΨ′i)*(Θi‑1+ΔΘ′i)；[0020] x′i为第一时段的稀疏观测值对应的重构数据，Ψi为第一时段的稀疏基矩阵，Ψi‑1为第二时段的稀疏基矩阵，Θi为第一时段的稀疏系数矩阵，Θi‑1为第二时段的稀疏系数矩阵，，ΔΨ′i为第一时段的稀疏基矩阵增量，ΔΘ′i为第一时段的稀疏系数矩阵增量，yi为第一时段的稀疏观测值，Φ为预设压缩观测矩阵，Si为x′i中的非零元素的个数。[0021] 第二方面，本发明实施例提供了一种基于压缩感知的故障评估装置，包括：接收数据模块，用于接收来自传感器的第一时段的稀疏观测值，其中，第一时段的稀疏观测值由传感器对其在第一时段内采集变电设备的运行状态数据所形成的原始数据压缩得到，变电设备上部署至少一个传感器；[0022] 重构数据模块，用于以第二时段的稀疏系数矩阵和稀疏基矩阵为初始字典，对第一时段的稀疏观测值进行数据重构，得到第一时段的稀疏系数矩阵、稀疏基矩阵，并记录重构时长，其中，第二时段为第一时段的上一个时段，重构时长为对第一时段的稀疏观测值进行数据重构所花费的时长；[0023] 故障评估模块，用于若第一时段的重构时长大于第二时段的重构时长，则确定变电设备存在故障。[0024] 在一种可能的实现方式中，重构数据模块，还用于：[0025] 获取传感器第一次发送的稀疏观测值；[0026] 以预设稀疏系数矩阵和预设稀疏基矩阵为初始字典，对传感器第一次发送的稀疏观测值进行数据重构，得到传感器的第一稀疏系数矩阵和第一稀疏基矩阵，并记录第一重构时长；其中，第一稀疏系数矩阵和第一稀疏基矩阵用于作为下一个时段的初始字典；预设稀疏系数矩阵和预设稀疏基矩阵均为随机选取的。[0027] 在一种可能的实现方式中，重构数据模块，还用于：[0028] 将第一时段的稀疏观测值和第二时段的稀疏系数矩阵和稀疏基矩阵，输入至预设压缩感知重构模型中，经过迭代方式求解预设压缩感知重构模型，得到第一时段的稀疏系数矩阵、稀疏基矩阵，并记录重构时长。[0029] 在一种可能的实现方式中，重构数据模块，还用于：[0030] 基于K‑SVD字典学习算法，以得到的重构数据的非零元素的个数为约束条件，迭代求解预设压缩感知重构模型。[0031] 在一种可能的实现方式中，预设压缩感知重构模型P为：[0032][0033] 其中，预设压缩感知重构模型P的约束条件为‖x′i‖≤Si；[0034] x′i＝Ψi*Θi＝(Ψi‑1+ΔΨ′i)*(Θi‑1+ΔΘ′i)；[0035] x′i为第一时段的稀疏观测值对应的重构数据，Ψi为第一时段的稀疏基矩阵，Ψi‑1为第二时段的稀疏基矩阵，Θi为第一时段的稀疏系数矩阵，Θi‑1为第二时段的稀疏系数矩阵，，ΔΨ′i为第一时段的稀疏基矩阵增量，ΔΘ′i为第一时段的稀疏系数矩阵增量，yi为第一时段的稀疏观测值，Φ为预设压缩观测矩阵，Si为x′i中的非零元素的个数。[0036] 第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。[0037] 第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。[0038] 本发明实施例提供一种基于压缩感知的故障评估方法、装置、设备及存储介质，首先接收来自传感器的第一时段的稀疏观测值，之后，以第二时段的稀疏系数矩阵和稀疏基矩阵为初始字典，对第一时段的稀疏观测值进行数据重构，得到第一时段的稀疏系数矩阵、稀疏基矩阵，并记录重构时长。最后，若第一时段的重构时长大于第二时段的重构时长，则确定变电设备存在故障。如此，通过对接收到的能够表征变电设备运行状态的稀疏观测值进行数据重构，根据前后时间段内的重构时长的大小关系，即可快速获取接收到的数据是否存在异常，从而可以快速的判断所检测的变电设备是否存在故障。附图说明[0039] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。[0040] 图1是本发明实施例提供的基于压缩感知的故障评估方法的实现流程图；[0041] 图2是本发明实施例提供的基于压缩感知的故障评估装置的结构示意图；[0042] 图3是本发明实施例提供的电子设备的示意图。具体实施方式[0043] 以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。[0044] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。[0045] 如背景技术中所描述的，通过压缩感知可以大幅提升边缘计算的速度，但是如何将压缩感知应用到变电设备的检测，从而快速的评估变电设备是否存在潜在故障，成为目前亟需解决的技术问题。[0046] 为了解决现有技术问题，本发明实施例提供了一种基于压缩感知的故障评估方法、装置、设备及存储介质。下面首先对本发明实施例所提供的基于压缩感知的故障评估方法进行介绍。[0047] 基于压缩感知的故障评估方法的执行主体，可以是基于压缩感知的故障评估装置，该基于压缩感知的故障评估装置可以是具有处理器和存储器的电子设备，例如移动电子设备或者非移动电子设备。本发明实施例不作具体限定。[0048] 参见图1，其示出了本发明实施例提供的基于压缩感知的故障评估方法的实现流程图，详述如下：[0049] 步骤S110、接收来自传感器的第一时段的稀疏观测值。[0050] 目前变电站采用了多传感器对变电设备的运行状态进行监测，对变电设备可能存在的缺陷和故障做到有据可循，及时的对缺陷和故障进行预防处理。对变电设备进行多传感数据的采集，数据通过有线或者无线的方式传输到边缘计算装置中的基于压缩感知的故障评估装置，传感器对接收到的数据进行分类压缩处理，并且以时间为尺度，形成单一传感数据的稀疏观测值。[0051] 此稀疏观测值是在预设间隔时间段T内的传感器将接收到的变电设备的运行状态数据形成的原始数据按照压缩观测矩阵进行压缩得到的。[0052] 其中，第一时段的稀疏观测值可以由传感器对其在第一时段内采集变电设备的运行状态数据所形成的原始数据压缩得到。[0053] 在一些实施例中，变电设备上可以部署至少一个传感器。在预设时间段内，向基于压缩感知的故障评估装置发送其接收到的稀疏观测值。[0054] 具体的，第一时段为任意一个预设时间间隔。[0055] 下面以任意一个时段T内的数据为例，给出一种接收到的第一时段的稀疏观测值，具体如下：[0056] 以某一类型传感器接收到的变电设备运行状态数据形成的原始数据为基础，在某一时刻t，传感器提取T＝[t‑Δt，t+Δt]时段的原始数据，将时间和原始数据作为矩阵的两个维度，形成原始数据矩阵，对该时间段的原始数据矩阵进行压缩稀疏，得到稀疏观测值y，则稀疏观测值y可由预设压缩观测矩阵与原始信号x的乘积来表示，即为：y＝Φ*x。本发明中采用的预设压缩观测矩阵为高斯矩阵，也可以根据需求选择其他矩阵。[0057] 传感器只需要将稀疏观测值发送到基于压缩感知的故障评估装置即可，无需传输庞大的原始数据，从而可以减小数据传输的带宽、传输时间和占用的存储空间。[0058] 步骤S120、以第二时段的稀疏系数矩阵和稀疏基矩阵为初始字典，对第一时段的稀疏观测值进行数据重构，得到第一时段的稀疏系数矩阵、稀疏基矩阵，并记录重构时长。[0059] 在接收到第一时段的稀疏观测值后，需要对接收到的稀疏观测值进行重构，才能得到重构后的数据。[0060] 在一些实施例中，第二时段是第一时段的上一个时段，和第一时段具有相同的预设时间间隔。采用相同的预设时间间隔，传感器发送的稀疏观测值的数量也是相同的，可以更准确的记录重构时长，从而确保变电设备故障评估的准确性。[0061] 在一些实施例中，重构时长为对第一时段的稀疏观测值进行数据重构所花费的时长。由于采用相同的预设时间间隔，因此重构的数据量是相同的，可以利用同一变电设备由同一传感器检测的数据在时间上有一定的连续性和关联性，利用前一段数据的稀疏基矩阵和稀疏系数矩阵评估后一段时间的数据，通过计算数据重构的时间长短来判断数据是否存在缺陷和突变。[0062] 在一些实施例中，在获取传感器第一次发送的稀疏观测值后，以预设稀疏系数矩阵和预设稀疏基矩阵为初始字典，对传感器第一次发送的稀疏观测值进行数据重构，得到传感器的第一稀疏系数矩阵和第一稀疏基矩阵，并记录第一重构时长。其中，上述第一稀疏系数矩阵和第一稀疏基矩阵可以用于作为下一个时段的初始字典。上述的预设稀疏系数矩阵和预设稀疏基矩阵均可以随机选取。通过采用传感器第一次发送的稀疏观测值即变电设备的正常数据为训练样本，经过数据重构过程即可得到第一稀疏系数矩阵及第一稀疏基矩阵，并且以此第一稀疏系数矩阵及第一稀疏基矩阵为下一个时间段的初始字典，进一步对下一个时间段的稀疏观测值进行数据重构。以此类推，后续的对后一时段的稀疏观测值进行数据重构的过程中，均是以其上一时段的稀疏系数矩阵和稀疏基矩阵为初始字典，进行数据重构。[0063] 在一些实施例中，首先需要将第一时段的稀疏观测值和第二时段的稀疏系数矩阵和稀疏基矩阵，输入至预设压缩感知重构模型中，然后经过迭代方式求解预设压缩感知重构模型，即可得到第一时段的稀疏系数矩阵、稀疏基矩阵，并记录重构时长。[0064] 可选的，可以基于K‑SVD字典学习算法，以得到的重构数据的非零元素的个数为约束条件，迭代求解预设压缩感知重构模型，从而得到稀疏系数矩阵和稀疏基矩阵。[0065] 具体的，预设压缩感知重构模型P为：[0066][0067] x′i＝Ψi*Θi＝(Ψi‑1+ΔΨ′i)*(Θi‑1+ΔΘ′i)；[0068] x′i为第一时段的稀疏观测值对应的重构数据，Ψi为第一时段的稀疏基矩阵，Ψi‑1为第二时段的稀疏基矩阵，Θi为第一时段的稀疏系数矩阵，Θi‑1为第二时段的稀疏系数矩阵，，ΔΨ′i为第一时段的稀疏基矩阵增量，ΔΘ′i为第一时段的稀疏系数矩阵增量，yi为第一时段的稀疏观测值，Φ为预设压缩观测矩阵，Si为x′i中的非零元素的个数。[0069] 步骤S130、若第一时段的重构时长大于第二时段的重构时长，则确定变电设备存在故障。[0070] 变电设备故障评估过程中，一方面如果变电设备的数据没有大的突变，其数据压缩和重构的时间会减少，从而减少处理时间。另一方面如果变电设备的数据存在突变，其数据压缩和重构的时间较正常数据的压缩和重构过程就会增加，这样就能初步的判定数据存在异常。如果重构时间比上一时段的重构时间大，那么即可快速的评估出变电设备存在一定的缺陷，需要及时维护和检修，本发明通过引入压缩和重构所用的时间作为判断的依据，能快速的获取数据是否存在突变，便于数据的筛查，传输、存储。[0071] 下面以任意一个时段T内的数据为例，给出一种基于压缩感知的故障评估方法，具体如下：[0072] 第一次接收到的第一预设时间间隔T内的稀疏观测值为y1，通过K‑SVD字典学习方法对稀疏观测值y1进行数据重构。可以通过迭代求取[0073][0074] 从而得到第一稀疏系数矩阵和第一稀疏基矩阵。[0075] 首先随机选取任意的稀疏基矩阵以及稀疏系数矩阵，以T时间段的稀疏观测值y1为样本，通过此预设压缩感知重构模型使得稀疏观测值y1与重构数据x′1之间的误差最小化。由于此凸优化问题有无穷多个解，因此以||x′1||≤S1约束条件确定唯一最稀疏解。其中S1表示迭代次数，也是重构信号中非零元素的个数。[0076] 通过对预设压缩感知重构模型多次迭代得到唯一最优解，得到重构后的稀疏基矩阵和稀疏系数矩阵，分别记为Ψ1和Θ1，那么重构后的数据记为x′1＝Ψ1*Θ1，并记录数据重构过程中所需要花费的时长t1。[0077] 下一个时段T的数据重构过程中以上一个时段T得到的第一稀疏基矩阵以及第一稀疏系数矩阵为初始字典，稀疏观测值为y2，重构后的数据可表示为x′2＝Ψ2*Θ2,那么第二稀疏基矩阵和第二稀疏系数矩阵可分别表示为Ψ2＝Ψ1+ΔΨ′2，Θ2＝Θ1+ΔΘ′2,然后通过预设压缩感知重构模型进行多次迭代求取最优解。可以表示为：[0078][0079] 通过在约束条件下的多次迭代求取最优解，可以得到ΔΨ′2和ΔΘ′2值，并计算此过程中所花费的时长t2。当t2≤t1时，则可以确定本段时间内的变电设备的运行状态数据与前一段时间内的变电设备的运行状态数据基本一致，没有大的变化，说明变电设备没有异常。且通过利用上一时段的第一稀疏基矩阵以及第一稀疏系数矩阵还可以提高重构效率。[0080] 以此类推，第K个时段的数据重构表示为x′k＝Ψk*Θk，其稀疏基矩阵和稀疏系数矩阵可分别表示为Ψk＝Ψk‑1+ΔΨ′k，Θk＝Θk‑1+ΔΘ′k,然后通过预设压缩感知重构模型的多次迭代求取最优解，表示为[0081][0082] 通过在约束条件下多次迭代求取最优解，得到ΔΨ′k和ΔΘ′k值，并记录此重构过程中所花费的时间tk，当tk≤tk‑1时，则可以确定第k段时段的变电设备的运行状态数据与第k‑1时段的变电设备的运行状态数据基本一致，没有大的变化，说明数据没有异常。当tk>tk‑1时，则可以确定第k段时段的变电设备的运行状态数据与第k‑1时段的变电设备的运行状态数据有较大的变化，可判定第k时段的传感数据存在突变，变电设备存在一定的缺陷和故障，那么边缘计算装置中的基于压缩感知的故障评估装置将抽取同时间段内的传感数据，进行分析和处理，及时的反馈分析结果，并将分析结果反馈到云端，便于巡检责任人及时处理。[0083] 在本发明实施例中，首先接收来自传感器的第一时段的稀疏观测值，之后，以第二时段的稀疏系数矩阵和稀疏基矩阵为初始字典，对第一时段的稀疏观测值进行数据重构，得到第一时段的稀疏系数矩阵、稀疏基矩阵，并记录重构时长。最后，若第一时段的重构时长大于第二时段的重构时长，则确定变电设备存在故障。如此，通过对接收到的表征变电设备运行状态的稀疏观测值进行数据重构，根据前后时间段内的重构时长的大小关系，即可快速获取接收到的数据是否存在异常，从而可以快速的评估所检测的变电设备是否存在故障。[0084] 应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。[0085] 基于上述实施例提供的基于压缩感知的故障评估方法，相应地，本发明还提供了应用于该基于压缩感知的故障评估方法的基于压缩感知的故障评估装置的具体实现方式。请参见以下实施例。[0086] 如图2所示，提供了一种基于压缩感知的故障评估装置200，该装置包括：[0087] 接收数据模块210，用于接收来自传感器的第一时段的稀疏观测值，其中，第一时段的稀疏观测值由传感器对其在第一时段内采集变电设备的运行状态数据所形成的原始数据压缩得到，变电设备上部署至少一个传感器；[0088] 重构数据模块220，用于以第二时段的稀疏系数矩阵和稀疏基矩阵为初始字典，对第一时段的稀疏观测值进行数据重构，得到第一时段的稀疏系数矩阵、稀疏基矩阵，并记录重构时长，其中，第二时段为第一时段的上一个时段，重构时长为对第一时段的稀疏观测值进行数据重构所花费的时长；[0089] 故障评估模块230，用于若第一时段的重构时长大于第二时段的重构时长，则确定变电设备存在故障。[0090] 在一种可能的实现方式中，重构数据模块220，还用于：[0091] 获取传感器第一次发送的稀疏观测值；[0092] 以预设稀疏系数矩阵和预设稀疏基矩阵为初始字典，对传感器第一次发送的稀疏观测值进行数据重构，得到传感器的第一稀疏系数矩阵和第一稀疏基矩阵，并记录第一重构时长；其中，第一稀疏系数矩阵和第一稀疏基矩阵用于作为下一个时段的初始字典；预设稀疏系数矩阵和预设稀疏基矩阵均为随机选取的。[0093] 在一种可能的实现方式中，重构数据模块220，还用于：[0094] 将第一时段的稀疏观测值和第二时段的稀疏系数矩阵和稀疏基矩阵，输入至预设压缩感知重构模型中，经过迭代方式求解预设压缩感知重构模型，得到第一时段的稀疏系数矩阵、稀疏基矩阵，并记录重构时长。[0095] 在一种可能的实现方式中，重构数据模块220，还用于：[0096] 基于K‑SVD字典学习算法，以得到的重构数据的非零元素的个数为约束条件，迭代求解预设压缩感知重构模型。[0097] 在一种可能的实现方式中，预设压缩感知重构模型P为：[0098][0099] 其中，预设压缩感知重构模型P的约束条件为‖x′i‖≤Si；[0100] x′i＝Ψi*Θi＝(Ψi‑1+ΔΨ′i)*(Θi‑1+ΔΘ′i)；[0101] x′i为第一时段的稀疏观测值对应的重构数据，Ψi为第一时段的稀疏基矩阵，Ψi‑1为第二时段的稀疏基矩阵，Θi为第一时段的稀疏系数矩阵，Θi‑1为第二时段的稀疏系数矩阵，，ΔΨ′i为第一时段的稀疏基矩阵增量，ΔΘ′i为第一时段的稀疏系数矩阵增量，yi为第一时段的稀疏观测值，Φ为预设压缩观测矩阵，Si为x′i中的非零元素的个数。[0102] 图3是本发明实施例提供的电子设备的示意图。如图3所示，该实施例的电子设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个基于压缩感知的故障评估方法实施例中的步骤，例如图1所示的步骤110至步骤130。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块的功能，例如图2所示模块210至230的功能。[0103] 示例性的，所述计算机程序32可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述电子设备3中的执行过程。例如，所述计算机程序32可以被分割成图2所示的模块210至230。[0104] 所述电子设备3可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是电子设备3的示例，并不构成对电子设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。[0105] 所称处理器30可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field‑ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。[0106] 所述存储器31可以是所述电子设备3的内部存储单元，例如电子设备3的硬盘或内存。所述存储器31也可以是所述电子设备3的外部存储设备，例如所述电子设备3上配备的插接式硬盘，智能存储卡(SmartMediaCard，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(FlashCard)等。进一步地，所述存储器31还可以既包括所述电子设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。[0107] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。[0108] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。[0109] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。[0110] 在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。[0111] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。[0112] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。[0113] 所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个基于压缩感知的故障评估方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read‑OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。[0114] 以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

专利地区：河北

专利申请日期：2021-10-11

专利公开日期：2024-11-29

专利公告号：CN113869448B