基于数据挖掘技术在铁路电气自动化的应用研究

马超

(中国土木工程集团有限公司，北京 100003 )

0 引 言

高铁是中国工业发展极致化的表现，全面电气化运行的高铁系统，也给国内电气控制技术提出了诸多新要求。根据TB 10621— 2014《高速铁路设计规范》要求，高速铁路接触网电压级别为对地27.5 kV/50 Hz，而信号机等信号系统的信号供电网运行在市电电压等级上[1]。

本文重点分析高速铁路贯通供电回路的数据挖掘系统，结合数据挖掘技术，以确保TB 10621 —2014《高速铁路设计规范》要求下的供电可靠性和可用性保障模式，在分析多电源贯通供电回路的供电需求下，对数据挖掘技术的介入方式和算法进行优化[2]。

1 高速铁路贯通供电回路的一般模型

贯通供电回路指沿铁路沿线敷设，专供铁路系统用电的供电网络，大部分高速铁路的贯通供电回路采用10 kV电压等级，少数高速铁路供电回路UC采用35 kV电压等级。采用35 kV作为贯通供电的用电回路，则铁专变电站的密度会大幅度下降，导致其分段距离过长，一旦发生停电事故，影响范围较大，备用供电方案难以有效快速实施[3]。基于10 kV电压等级的贯通供电系统一般模型如图1所示。

图1 高速铁路贯通供电回路的一般模型

图1中，采用两列并行的贯通供电分段，其在逻辑拓扑上保持对称性，但在实际运行管理中，其中一列作为接触网供电回路，另一列作为信号网供电回路，只有在极端情况下，才会动用备用回路对另一侧进行供电。实际运行中，确保每个贯通供电分段之间存在有效隔离，只有在极端条件下，才会发生跨分段供电的情况。如引入数据挖掘技术，则需要对每个贯通供电分段的实际用电负荷和电能质量稳定性进行监测，并作出系统稳定性预警，同时对相邻的可用备用电源站的备份供电能力作出评价，以便在系统出现供电问题后，随时作出倒闸决策。

2 数据的读入与预处理

本文系统的数据读入点来自铁专电源站10 kV供电母线对贯通供电分段的主断路器数据采集点，高频采集三相电压、电流及中心点电流值。同时采集各贯通分段间隔离开关的电气位置信息，构成该贯通线路电源的原始输入数据集[4]，如图2所示。

图2 分段监控预警神经网络模块数据集

对每个贯通供电回路分段的监控任务来说，仅需要考虑本分段区间的电网运行稳定性以及相邻两个分段区间的运行稳定性。在调度过程中，需要对三个分段区间的运行稳定性给出声光预警，同时根据三个声光预警结果和两个隔离开关位置信息，给出倒闸策略[5]。

录波图数据属于线性数据，在高密度数据采集模式下，一般采用不低于200 Hz的录波图采集模式，即每个50 Hz工频周期采集4个采样点；采用2 kHz的录波图采集模式，即每个50 Hz工频周期采集40个采样点。实际数据输入过程中采用40个数据记录，输入一整个50 Hz工频周期数据。针对每个分段区间的2个供电断路器，每个断路器包含3路相线和1路中性线，中性线无须电压信号。因此实际数据采样过程包含以下录波图数据，如图3所示。

图3 数据输入模式细化图

图3共涉及13个输入项，每个输入项均包含40个实时数据。因此首先应将40个实时数据进行降维处理，形成一个双精度浮点变量(Double格式)；然后将上述两组各6个Double格式变量分别形成1个整合输入变量，该变量输出依然为Double格式数据，从而将3个Double格式数据共同输入到状态诊断神经网络中。

输入降维模块和整合输入模块，均采用3隐藏层设计，隐藏层结构如表1所示。

表1 输入相关预处理神经网络模块隐藏层结构

表1中，两层输入用神经网络的实际统计学意义，是利用六阶多项式神经网络节点的数据降维信息保存能力，充分构建输入输出数据的信息损失缓存，使用二值化节点实现数据的高反差信息展现，使用对数型节点充分放大数据的投影细节。

3 声光预警策略设计

在神经网络模块之后，建立模糊控制矩阵模块对输出数据进行解模糊，设计该声光预警的报警策略[6]，即通过模糊控制矩阵实现将一维输出数据进行二维化，分别从其数据净值和数据变化值两方面构建模糊控制矩阵，如表2所示。

表2 声光预警模糊控制矩阵结构表

表2给出0～4共5种声光报警状态，即针对1个贯通供电分段，其运行状态分为5种状态：当预警状态达到1时，认为该分段存在供电不稳定性；当系统出现0与1的状态频繁切换时，则应利用其他相关监测系统对系统运行状态问题进行全面分析，并发现响应的故障源；当预警状态达到2时，则认为系统已经出现随时跳闸风险，此时务必加强观察，随时确定电源切换倒闸窗口；但如果转入预警状态2后快速回归到1及0状态时，该系统仍存在继续加强观察而不做出倒闸的可能性；而当预警状态达到3或4且稳定数秒乃至更长时间时，则应立即进行程控倒闸，以防止发生不可控跳闸断电事故。

4 自动倒闸策略的提出

对双回路贯通供电分段来说，每1回路的供电策略树相互独立[7]，如图4所示。

图4的倒闸可用状态中，包括本地正常供电模式，本地供电不稳定时的左侧联合供电和右侧联合供电模式，以及本地电源切除后的左侧辅助供电和右侧辅助供电模式。受制于运行控制难度，极少出现三分段以上的单电源或三分段以上多电源的供电模式。因为高铁运行存在每天数小时的停车检修时间，所以一旦某区间出现运行不稳定情况，则应立即在检修时间内投入冷备用设备，以对相应问题进行全面拆检。

图4 贯通供电分段内单一回路的倒闸状态决策树

5 数据挖掘算法效能测试

5.1 对接触网异常放电故障的捕捉

接触网是高铁供电系统的核心功能实现设施，受到高速行车过程的动力学扰动，接触网可能发生绝缘子爬电、异常电弧放电和异常单相接地等诸多常见故障。这些故障在发生早期较难被系统监测发现，因此考察该系统的实际数据挖掘效果，可以判断该系统的算法效能。在SimuWorks组件的仿真环境下构建某区间接触网、信号网和贯通网逻辑模型，设定各300次上述故障，考察该监测系统做出报警的时间窗口，同时设定300次正常运行状态作为参照量[8]，可以得到表3。

表3 接触网常见故障的捕捉能力

表3中，对接触网的监测数据控制效果均可以确保在故障发生后200 ms内发现故障，且故障报警的特异性和敏感性均达到98%以上。特异性为该系统判断报警状态为0的状态占全部正常状态的比例，敏感性为该系统判断报警状态不为0时的状态占全部故障状态的比例。

5.2 对信号网潜在故障的捕捉

信号网是进行区间闭锁管理的保障性设施，在铁路基本运行理念下，两台信号机之间的空间，仅允许有1辆车驶入。当信号网供电或者信号出现问题时，该系统内的所有信号机均在备用电源下亮起红灯闭锁该区域。此时任何车辆无法通过该区间，故可导致该区域完全停运。因此，确保信号网供电的稳定性也是该系统的关键管理目标。信号网潜在故障的捕捉能力[9]如表4所示。

表4 信号网常见故障的捕捉能力

表4中，因为信号网的负载低于接触网且其负载并不是接触网的冲击负载而是持续负载，所以信号网常见故障的捕捉周期略长于接触网，但仍可保证故障发现周期在500 ms以内，且其特异性和敏感性也在98%以上。

5.3 对贯通网内在故障的捕捉

贯通网内，故障可以直接影响到接触网和信号网的运行安全，因为贯通网的本质是通用输电微网，所以，其实际故障发生类型与通用输电网络一致，包括相间异常放电和对地异常放电等。电力监控设施对此类故障的控制技术已经趋于成熟，比较该系统对贯通网的实际监控效果[10]如表5所示。

表5 贯通网常见故障的捕捉能力

表5中，贯通网常见故障的捕捉周期稳定在60 ms以内，且其特异性和敏感性均在99%以上。

6 结束语

本文数据挖掘算法，可以有效捕捉接触网放电故障、信号网潜在故障和贯通网内在故障，均达到超过98%的故障捕捉敏感性和特异性，且在故障捕捉时间的控制成果中，均实现小于1 s(1 000 ms)的故障发现时间。故该算法可以让安全管理更早介入，可以大幅度提升安全管理效能。当然，本文系统并不能独立对铁路电气自动化系统提供完整的监控功能，因此需要配合其他调度信息管理系统进行联合管控。