基于數據挖掘技術在鐵路電氣自動化的應用研究

馬超

(中國土木工程集團有限公司，北京 100003 )

0 引 言

高鐵是中國工業發展極致化的表現，全面電氣化運行的高鐵系統，也給國內電氣控制技術提出了諸多新要求。根據TB 10621— 2014《高速鐵路設計規范》要求，高速鐵路接觸網電壓級別為對地27.5 kV/50 Hz，而信號機等信號系統的信號供電網運行在市電電壓等級上[1]。

本文重點分析高速鐵路貫通供電回路的數據挖掘系統，結合數據挖掘技術，以確保TB 10621 —2014《高速鐵路設計規范》要求下的供電可靠性和可用性保障模式，在分析多電源貫通供電回路的供電需求下，對數據挖掘技術的介入方式和算法進行優化[2]。

1 高速鐵路貫通供電回路的一般模型

貫通供電回路指沿鐵路沿線敷設，專供鐵路系統用電的供電網絡，大部分高速鐵路的貫通供電回路采用10 kV電壓等級，少數高速鐵路供電回路UC采用35 kV電壓等級。采用35 kV作為貫通供電的用電回路，則鐵專變電站的密度會大幅度下降，導致其分段距離過長，一旦發生停電事故，影響范圍較大，備用供電方案難以有效快速實施[3]。基于10 kV電壓等級的貫通供電系統一般模型如圖1所示。

圖1 高速鐵路貫通供電回路的一般模型

圖1中，采用兩列并行的貫通供電分段，其在邏輯拓撲上保持對稱性，但在實際運行管理中，其中一列作為接觸網供電回路，另一列作為信號網供電回路，只有在極端情況下，才會動用備用回路對另一側進行供電。實際運行中，確保每個貫通供電分段之間存在有效隔離，只有在極端條件下，才會發生跨分段供電的情況。如引入數據挖掘技術，則需要對每個貫通供電分段的實際用電負荷和電能質量穩定性進行監測，并作出系統穩定性預警，同時對相鄰的可用備用電源站的備份供電能力作出評價，以便在系統出現供電問題后，隨時作出倒閘決策。

2 數據的讀入與預處理

本文系統的數據讀入點來自鐵專電源站10 kV供電母線對貫通供電分段的主斷路器數據采集點，高頻采集三相電壓、電流及中心點電流值。同時采集各貫通分段間隔離開關的電氣位置信息，構成該貫通線路電源的原始輸入數據集[4]，如圖2所示。

圖2 分段監控預警神經網絡模塊數據集

對每個貫通供電回路分段的監控任務來說，僅需要考慮本分段區間的電網運行穩定性以及相鄰兩個分段區間的運行穩定性。在調度過程中，需要對三個分段區間的運行穩定性給出聲光預警，同時根據三個聲光預警結果和兩個隔離開關位置信息，給出倒閘策略[5]。

錄波圖數據屬于線性數據，在高密度數據采集模式下，一般采用不低于200 Hz的錄波圖采集模式，即每個50 Hz工頻周期采集4個采樣點；采用2 kHz的錄波圖采集模式，即每個50 Hz工頻周期采集40個采樣點。實際數據輸入過程中采用40個數據記錄，輸入一整個50 Hz工頻周期數據。針對每個分段區間的2個供電斷路器，每個斷路器包含3路相線和1路中性線，中性線無須電壓信號。因此實際數據采樣過程包含以下錄波圖數據，如圖3所示。

圖3 數據輸入模式細化圖

圖3共涉及13個輸入項，每個輸入項均包含40個實時數據。因此首先應將40個實時數據進行降維處理，形成一個雙精度浮點變量(Double格式)；然后將上述兩組各6個Double格式變量分別形成1個整合輸入變量，該變量輸出依然為Double格式數據，從而將3個Double格式數據共同輸入到狀態診斷神經網絡中。

輸入降維模塊和整合輸入模塊，均采用3隱藏層設計，隱藏層結構如表1所示。

表1 輸入相關預處理神經網絡模塊隱藏層結構

表1中，兩層輸入用神經網絡的實際統計學意義，是利用六階多項式神經網絡節點的數據降維信息保存能力，充分構建輸入輸出數據的信息損失緩存，使用二值化節點實現數據的高反差信息展現，使用對數型節點充分放大數據的投影細節。

3 聲光預警策略設計

在神經網絡模塊之后，建立模糊控制矩陣模塊對輸出數據進行解模糊，設計該聲光預警的報警策略[6]，即通過模糊控制矩陣實現將一維輸出數據進行二維化，分別從其數據凈值和數據變化值兩方面構建模糊控制矩陣，如表2所示。

表2 聲光預警模糊控制矩陣結構表

表2給出0～4共5種聲光報警狀態，即針對1個貫通供電分段，其運行狀態分為5種狀態：當預警狀態達到1時，認為該分段存在供電不穩定性；當系統出現0與1的狀態頻繁切換時，則應利用其他相關監測系統對系統運行狀態問題進行全面分析，并發現響應的故障源；當預警狀態達到2時，則認為系統已經出現隨時跳閘風險，此時務必加強觀察，隨時確定電源切換倒閘窗口；但如果轉入預警狀態2后快速回歸到1及0狀態時，該系統仍存在繼續加強觀察而不做出倒閘的可能性；而當預警狀態達到3或4且穩定數秒乃至更長時間時，則應立即進行程控倒閘，以防止發生不可控跳閘斷電事故。

4 自動倒閘策略的提出

對雙回路貫通供電分段來說，每1回路的供電策略樹相互獨立[7]，如圖4所示。

圖4的倒閘可用狀態中，包括本地正常供電模式，本地供電不穩定時的左側聯合供電和右側聯合供電模式，以及本地電源切除后的左側輔助供電和右側輔助供電模式。受制于運行控制難度，極少出現三分段以上的單電源或三分段以上多電源的供電模式。因為高鐵運行存在每天數小時的停車檢修時間，所以一旦某區間出現運行不穩定情況，則應立即在檢修時間內投入冷備用設備，以對相應問題進行全面拆檢。

圖4 貫通供電分段內單一回路的倒閘狀態決策樹

5 數據挖掘算法效能測試

5.1 對接觸網異常放電故障的捕捉

接觸網是高鐵供電系統的核心功能實現設施，受到高速行車過程的動力學擾動，接觸網可能發生絕緣子爬電、異常電弧放電和異常單相接地等諸多常見故障。這些故障在發生早期較難被系統監測發現，因此考察該系統的實際數據挖掘效果，可以判斷該系統的算法效能。在SimuWorks組件的仿真環境下構建某區間接觸網、信號網和貫通網邏輯模型，設定各300次上述故障，考察該監測系統做出報警的時間窗口，同時設定300次正常運行狀態作為參照量[8]，可以得到表3。

表3 接觸網常見故障的捕捉能力

表3中，對接觸網的監測數據控制效果均可以確保在故障發生后200 ms內發現故障，且故障報警的特異性和敏感性均達到98%以上。特異性為該系統判斷報警狀態為0的狀態占全部正常狀態的比例，敏感性為該系統判斷報警狀態不為0時的狀態占全部故障狀態的比例。

5.2 對信號網潛在故障的捕捉

信號網是進行區間閉鎖管理的保障性設施，在鐵路基本運行理念下，兩臺信號機之間的空間，僅允許有1輛車駛入。當信號網供電或者信號出現問題時，該系統內的所有信號機均在備用電源下亮起紅燈閉鎖該區域。此時任何車輛無法通過該區間，故可導致該區域完全停運。因此，確保信號網供電的穩定性也是該系統的關鍵管理目標。信號網潛在故障的捕捉能力[9]如表4所示。

表4 信號網常見故障的捕捉能力

表4中，因為信號網的負載低于接觸網且其負載并不是接觸網的沖擊負載而是持續負載，所以信號網常見故障的捕捉周期略長于接觸網，但仍可保證故障發現周期在500 ms以內，且其特異性和敏感性也在98%以上。

5.3 對貫通網內在故障的捕捉

貫通網內，故障可以直接影響到接觸網和信號網的運行安全，因為貫通網的本質是通用輸電微網，所以，其實際故障發生類型與通用輸電網絡一致，包括相間異常放電和對地異常放電等。電力監控設施對此類故障的控制技術已經趨于成熟，比較該系統對貫通網的實際監控效果[10]如表5所示。

表5 貫通網常見故障的捕捉能力

表5中，貫通網常見故障的捕捉周期穩定在60 ms以內，且其特異性和敏感性均在99%以上。

6 結束語

本文數據挖掘算法，可以有效捕捉接觸網放電故障、信號網潛在故障和貫通網內在故障，均達到超過98%的故障捕捉敏感性和特異性，且在故障捕捉時間的控制成果中，均實現小于1 s(1 000 ms)的故障發現時間。故該算法可以讓安全管理更早介入，可以大幅度提升安全管理效能。當然，本文系統并不能獨立對鐵路電氣自動化系統提供完整的監控功能，因此需要配合其他調度信息管理系統進行聯合管控。