基于大数据的地铁供电系统运行状态预测与维护

庞浩 PANG Hao；倪海超 NI Hai-chao；郝志升 HAO Zhi-sheng

（北京市轨道交通运营管理有限公司，北京 102600）

0 引言

作为地铁系统中的关键组成部分，地铁供电系统[1]的运行状态对整个交通网络的可靠性和效率至关重要。为了确保地铁供电系统的稳定运行，预测和维护[2]其运行状态成为一项具有挑战性的任务。传统的维护方法通常基于定期检查和维修，缺乏实时性和个体化。而大数据技术的发展为地铁供电系统的运行状态监测和维护提供了新的可能性。通过收集、处理和分析大量的实时数据，可以更准确地识别潜在问题和提前预测设备故障，从而实现对地铁供电系统更精细的管理和维护[3]。

张仁玉等[4]研究人员提出了，基于第三路市电和10kV储能系统的供电系统架构，适用于数据中心应用。该架构能够满足数据中心对供电安全和可靠性的需求，同时方便新能源和储能设备的接入。黄浩强[5]关注地铁供电系统作为地铁动力来源的电能质量问题，设计了基于数据挖掘的预警分析技术架构，包括数据收集与表征、数据预处理以及预警分析等步骤。为适应供电系统的持续发展，在预警分析过程中利用聚类分析和模糊传递闭包方法，根据实时更新的数据库在线感知电能质量指标的变化，动态设定不同预警对象的阈值。潘卫波[6]以深圳地铁5 号线工程为例，将大数据作为主要技术手段，详细探讨其在接触网供电故障分析中的具体应用。

当前，地铁供电系统中存在诸多潜在问题，如电流波动、设备故障等，这些问题可能会导致服务中断、设备损坏，甚至影响整个交通网络的正常运行。因此，本文提出了基于大数据的地铁供电系统运行状态预测与维护。首先在电流特征的基础上，分析了轨道交通结构。随后，基于大数据的方法应用于地铁供电系统，涵盖了广泛的实时和历史数据，包括电流、电压和设备运行时间等多维度信息。最后，整体预测流程涵盖了数据的收集、处理和建立预测模型等多个环节，以确保对地铁供电系统运行状态的准确预测。

1 基于电流特征的地铁供电系统

在轨道交通动力系统中，电流的波动由于不同的动力负载和故障引起，轨道交通结构如图1 所示。本文从地铁供电系统的电流出发，用于确定不同站点以及线路的峰谷情况。为后续精确识别峰谷时段奠定基础。基于电流特征发现电流数据中的异常偏离点，实现了对异常点数据的历史统计和实时提醒功能。能够有效地改善地铁运维效率，同时也增强了对设备管理的宏观把控，结合大数据技术为地铁供电系统的运行状态预测与维护提供了可靠的支持。

图1 轨道交通结构

2 基于大数据的地铁供电系统运行状态预测

2.1 预测流程

在本部分，通过收集每类电能质量指标的参数以及相关的关键因素数据来构建训练样本[7]。使用这些样本训练了若干个支持向量机模型，将其作为本文的预测模型。接下来，当有了新建城轨线路的参数时，将其输入对应分类的支持向量机模型中，从而得到新建城轨线路的电能质量预测数据。整个系统的流程如图2 所示。通过这个过程，能够更准确地预测新建城轨线路的电能质量，为系统性能的评估提供了有力的工具。

图2 大数据下地铁供电系统运行预测流程

2.2 供电系统维护建模

地铁供电系统在运行中经历了正常和故障的交替阶段，形成了一个复杂的可修复系统。通常，为了评估系统的可用性，采用仿真方式进行计算。而序贯Monte Carlo 法具备模拟非指数型分布的设备运行状态的能力，同时还考虑了检修安排、设备维修等实际工程情况，因此具有灵活性和强大的适应性。这种方法能够更真实地反映地铁供电系统在实际运行中的复杂性，使得系统性能的评估更为全面。假设系统设备符合指数分布，使用V 表示在[0，1]区间的随机变量，令F（X）满足X 的概率分布，则：

λ 指设备发生故障概率，在大数据分析下，求反函数：

由于V 和（1-V）均满足[0，1]范围内的均匀分布，则：

Ti为故障发生节点，当设备在工作状态时，λi为设备i需维护概率；若设备处于休整状态，λi表示设备i 需修复程度。

使用序贯Monte Carlo 法进行地铁供电系统的流程建模是一个多步骤的过程，流程如图3 所示。首先，输入地铁供电系统设备的故障参数。通过反函数法，能够计算出每个设备的故障时间和修复时间。接着，确定每个底事件的状态转换时刻，并在考虑系统中逻辑关系的基础上进行逻辑运算。然后，逐层上溯，一直到求得系统顶事件的状态转换时刻和状态持续时间。最后，利用这些信息计算和求取相关的可靠性评估指标。这种方法考虑了系统的复杂逻辑和各个设备的状态转换，从而更全面地评估了地铁供电系统的可靠性。

图3 维护建模流程

在处理串联系统的运行状态和时间序列时，只需在串联系统中的一个甚至多个设备发生故障时，将串联系统标记为故障状态，并记录相应的故障及修复时间，从而获取串联供电系统的故障状态时间序列。而并联系统，仅全部设备出现故障时，才会识别出故障状态。对于n/k 冗余表决系统，其中有k 个设备，当n 个及以上设备同时发生故障时，系统被视为出现故障，记录此时n/k 冗余表决系统的故障及修复时间，得出n/k 冗余表决系统故障状态时间序列。

3 地铁供电系统运行状态仿真分析

3.1 大数据预测准确性分析

为了评估基于大数据的地铁供电系统运行状态预测与维护的准确性，建立了一个综合实验环境，获取大量实时和历史的地铁供电系统数据，包括电流、电压、设备运行时间等多维度信息。使用Apache Hadoop 平台处理庞大的数据集，运用Monte Carlo 法对地铁供电系统运行状态进行预测。部署实时监测系统，以确保对电能质量和设备状态的实时感知。将基于大数据的方法与关联规则挖掘以及神经网络进行对比，准确性对比结果如表1 所示。大数据方法表现出了相对较高的预测准确性92%，表明大数据方法在应对地铁供电系统的复杂性和变化性方面具有优势。关联规则挖掘在实验中表现出84%的准确性，相对于大数据方法在地铁供电系统预测中略显不足。神经网络在89%的准确性下相对表现较好，但在此实验中未超过大数据方法。

表1 供电系统运行状态预测准确性

3.2 大数据维护可靠性分析

在地铁供电系统中，大数据技术的广泛应用为运行状态预测与维护提供了新的可能性。本实验旨在通过对大数据维护可靠性的分析，评估维护过程中的稳定性和可靠性，为提高地铁供电系统整体性能提供支持。表2 为三种方法在不同故障数量中的维护用时对比，随着故障数量的增加，各方法的耗时都呈现上升趋势。在所有故障数量情况下，大数据方法的耗时都相对较低，分别为2.2、3.5、5.1分钟，以故障数量为15 为例，大数据方法的耗时为5.1 分钟，而关联规则挖掘和神经网络的耗时分别为6.9 和7.2分钟，验证大数据方法在处理大规模故障时表现出更高的效率。

表2 三种方法在不同故障数量中的维护用时对比

4 结论

本文通过在地铁供电系统中应用基于大数据的运行状态预测与维护方法，以及对大数据维护可靠性进行分析，结果表明大数据方法在地铁供电系统运行状态预测中表现出了相对较高的准确性，达到92%。相较之下，关联规则挖掘为84%，神经网络为89%。这表明在应对地铁供电系统的复杂性和变化性方面，大数据方法具有显著的优势。通过维护用时的对比，验证了大数据方法在处理不同故障数量时相对较低的耗时。随着故障数量的增加，大数据方法的耗时仍能维持相对较低的水平，分别为2.2、3.5、5.1 分钟。而关联规则挖掘和神经网络的耗时则随故障数量的增加而上升，表现出相对较大的耗时。基于大数据的地铁供电系统运行状态预测与维护方法，为地铁供电系统的整体性能提升提供了强有力的支持，为未来的类似工程和系统提供了有益的经验。