基于数据挖掘的地铁供电系统电能质量预警分析研究与架构设计

黄浩强

（广州地铁集团有限公司）

0 引言

随着地铁的迅速发展和运行约束条件越发严苛，地铁供电系统作为地铁的动力来源，其供电质量对地铁设备稳定可靠运行意义重大。因此，对地铁供电电能质量进行有效准确的分析、评估和预警尤为关键［1，2］。

近年来，地铁公司对地铁供电系统设立了大量的电能质量监测点，通过部署的电能质量监测设备自动不间断获取多时间维度、多空间维度的电能质量数据［3］。在这种冲击下，传统电能质量预警分析方法暴露了种种局限性［4-6］：一方面电能质量大数据呈现低密度、高价值的特点，如何能够从海量数据中快速高效地提取有用隐含信息成为了亟需解决的问题；另一方面，由于数据在不断更新，恒定不变的告警阈值设定方法无法满足持续发展的地铁供电系统的需要。

为了解决上述问题，本文针对现场运行需要和当前所用方法的不足，基于已有数据挖掘方法，设计了适应地铁供电系统运行需要的电能质量预警分析技术架构：从数据采集与表征、数据预处理和预警分析三个过程解决大数据处理的难点，并有效得到供电系统电能质量情况，以便提前采取措施。

1 地铁供电系统电能质量问题

地铁供电系统是地铁的动力来源，为地铁列车和其他用电设备提供电能，其系统结构包括外部供电部分和内部供电部分，如图1所示［7］。外部供电部分以主变电所为核心，负责连接城市电网和内部供电部分。内部供电部分包括牵引供电系统和照明系统，牵引供电系统包括牵引变电所和牵引网，主要通过降压整流方式提供牵引地铁机车所需电能，而照明系统负责给车站照明、电梯、空调、变频器、UPS电源等提供电能。目前我国地铁供电系统采用110／35kV集中供电方式运行。图1显示该供电方式下主变电所从城市电网110kV引入两回电源，按照地铁设计规范要求，其中至少有一回电源为专线。

图1 集中式地铁供电系统

地铁供电系统谐波来源于牵引整流机组和动力照明系统。其中，牵引整流机组一般采用24脉波整流技术将输入的AC35kV整流为DC1500V，并通过馈线提供牵引机车电能。参考文献［2］的分析表明，整流机组网侧输入电流谐波为（24k±1）次特征次谐波，主要含有23次、25次谐波，而整流侧谐波含量较小。此外，机车运行的不规律性，使得有功无功随机波动，引起电压波动和闪变、电压偏差等问题。同时机车起动时带来大功率异步电动机的接入，负荷有功冲击较大，也会引起频率偏差等问题。这些电能质量问题会影响设备使用寿命，甚至影响整个供电系统运行。因此需要重视供电系统电能质量数据实时变化，快速有效地从海量测点数据中提取关键信息。

2 电能质量分析与预警技术架构设计

2.1 技术架构

基于数据挖掘技术，对地铁供电系统电能质量进行分析与预警操作，其整体技术架构如图2所示。

图2 技术架构

2.2 实施步骤

2.2.1 数据收集与表征

在数据收集与表征环节中，首先需要标准化数据表征。设Y＝｛y1，y2，…，yn｝是待分类对象集合，其中yi是第i个待分类对象，其特征具体包括m个指标，即表示为：

在实际采集过程中不同指标取值范围各不相同，为了增强数据可比性及有效性，需要将数据标准化处理，一般采用以下方法：

2.2.2 数据预处理

数据预处理主要负责处理采集或存储过程中存在的问题数据。根据运行经验显示，问题数据主要包括数据重复、数据丢失及数据异常等三种情况。在确定了数据问题后，针对具体问题采取不同的处理方式：①当判别为数据重复问题时，将重复的数据进行删除。②当判别为数据丢失问题时，则针对缺失情况进行处理：当缺失一个数值时，用前一时刻和后一时刻数据的平均值进行填补；当缺失大于一个数值时，则连续选取缺失值前段时间的采样值和后段时间采样值用作拟合处理，最后获得该缺失段的数值。③当判别为数据异常时，针对数据采集间隔不一致、某数据时有时无的情况，则需根据其他时刻正常监测数据进行填补。

2.2.3 预警分析

预警分析环节进一步分为两块内容，即动态阈值设定和在线预警分析，下面分别展开描述。

（1）动态阈值设定

首先根据历史数据建立模糊矩阵。基于欧式距离方法，通过采用两指标之间的距离反映指标的相似程度，并以相似系数u表征：

其中，α是随机数，保证相似系数在［0，1］范围内；d（yi，yj）为两个对象yi和yj的差异度，计算公式如下所示：

根据上述各相似系数的计算，可获得相似矩阵Un×m。参考文献［8］，本文采用模糊传递闭包法将上述矩阵U转化为模糊等价矩阵t（U），满足条件：U⊆t（U），［t（U）］2⊆t（U）；∀U⊆S，S2⊆S，则t（U）⊆S。同时，存在一个最小自然数l≤n，使得t（U）＝Ul，且对一切大于l的自然数k，均有Ul＝Uk。基于此获得模糊等价矩阵t（U）后，t（U）元素从大到小排列而成集合Ω。并从该集合中选择适当的λ值，根据λ截集方法确定样本分类个数。为了避免人工确认λ值的局限性，本文引入统计量F来确定最优λ值。设λ值下的分类数目为r，其中第q类样本数目为nq，该类样本集合为Yq，则统计量F为：

由于统计量F反映类间样本差异度，当差异越大，样本分类效果越好，分类结果合理。因此在实际应用中从F较大者中选取，进而确定λ值，并最终确定分类数目。进一步地，根据分类的情况，第q类第k个指标阈值可按照式（9）设定：

（2）在线预警分析

在读入实时数据库存放的数据后，首先应根据该数据录入时期及录入地点判断当前地铁供电系统的运行时期（高峰时期、低谷时期、节假日时期等）以及管辖范围。根据判别结果读取该时期同一地区不同预警对象的阈值，并将读取的数据与该阈值进行比较，如式（10）所示：

根据计算的E值，判断该数据对应的供电系统电能质量预警级别，并根据级别情况判断是否告警。

3 算例分析

以我国某地区地铁供电系统24台110／35kV变压器为预警对象，选取变压器电压总谐波畸变率数据进行分析，共收集24台变压器A相出线连续一周的数据（数据采集时间间隔为1s）。

对上述收集的数据进行模糊聚类分析，可获得动态聚类图如图3所示。

图3 动态聚类结果

图3 中可见，当λ越大时，类别总数越多，特别是当λ＝1.0时类别总数为24，与变压器总台数相等，无法实现有效的聚类分析；随着λ减小时，类别总数开始减少。当λ取不同值时，利用式（7）和（8）计算当前分类结果的统计量F，选取F较大者确定最优λ值，即λ＝0.9339。分类结果如表1所示。

表1 分类情况

（续）

对上述不同类型的变压器进行阈值设置：取每类各变压器A相电压总谐波畸变率95%概率值的平均值。基于图2所示的在线预警分析环节，表2列出了第一类变压器电能质量的预警结果。

表2 第一类主变电能质量预警结果

从表中监测数据中可以看出，若采用阈值恒定的国家电能质量标准（35kV电压总谐波畸变率上限值为5%），当前监测时段内的第一类变压器均不会触发警告。但从表2中看出，根据本文方法设置的阈值比标准值小，更贴近变压器实际运行情况，其中4、9、10、19、22、23、24号变压器均触发警告，能提前告警运行人员加强对这些变压器的注意。

4 结束语

针对地铁供电系统运行过程中出线的电能质量问题，本文基于数据挖掘技术，设计了供电系统电能质量预警分析架构，具体包括数据收集和表征、数据预处理和预警分析等过程。为了适应地铁持续发展需要，本文在实时更新的数据库基础上，利用聚类分析和模糊传递闭包方法动态设定电能质量阈值，为后续系统运行维护、检修计划的制定、设备更新等提供重要判据。