基于中壓開關柜相電流異常點數據的故障預警方法

張 鍇 曹張保 姜靜飛

(1.蘇州市軌道交通集團有限公司運營一分公司， 215100， 蘇州； 2.上海玖道信息科技股份有限公司杭州分公司， 310012， 杭州∥第一作者，工程師)

在地鐵供電系統中，中壓開關柜起著非常重要的作用。它直接控制牽引電能和動力照明設備的供應，是保障牽引用電及照明用電安全的關鍵設備[1]。如何根據中壓開關柜的負荷情況進行預測性維修或狀態修，是當前研究的熱點課題。狀態修的核心就是對設備及其運行狀態進行綜合評估，然后制定個性化的維修策略。近年來，國內外學者對電氣設備狀態評估進行了各種研究。對于電力變壓器而言，目前提出的評估方法有模糊聚類法[2]、支持向量機[3]和神經網絡方法[4]等，其在工程實踐中均得到了很好的應用。其中，利用機器學習的K-Means方法對地鐵供電系統中壓開關柜相電流標準曲線進行仿真，能夠描述地鐵供電系統的負荷狀態[5]。

為了避免電流畸變對設備帶來的損壞，需要對電流異常點值進行研究，并探索牽引供電系統中，異常點值數據的發生條件和工況。通過對歷史異常數據進行歸納總結和對當前異常數據進行實時監測，從而實現對異常點值數據的動態管控，輔助制定設備檢修策略[6-9]。本文首先使用3σ準則對基于標準曲線的異常點進行篩選并分類，并通過對歷史數據分析，最后提出對異常點的故障預警方案和故障知識庫更新策略，從而提高設備狀態評估精確性,以實現狀態修和提高檢修效率[10-17]。

1 相電流異常點值獲取及更新

1.1 異常點值獲取

文獻[5]指出，中壓開關柜相電流的標準曲線以14 d為1個周期，通過移動平均法使曲線變得平滑，采用均值-方差方法可發現異常電流。中壓開關柜相電流標準曲線的時間和電流值I構造方法如表1所示。

表1 中壓開關柜相電流標準曲線構造方法

在對周期內不同日期下的同一時刻數據進行處理后，得到1條標準曲線，用以表達中壓開關柜相電流在不同時段的變化趨勢。

根據周期內確定的標準曲線，可對每個獨立站點進行標準曲線繪制，并基于該標準曲線獲取超高異常點值，對異常點值構造時空斑圖。具體分為3個步驟。

1) 步驟1繪制獨立的中壓開關柜相電流的標準曲線，標準曲線構造電流值Ft,n的計算式為：

Ft,n=w1It,1+w2It,2+…+wnIt,n

(1)

式中:

wn——周期內每日權重；

It,n——時刻點對應的實際電流值；

t——天數(t=1,2,…,14)；

n——1 d內測量電流值次數(n=0,1,…,287)。

將Ft,n進行連接構造最新的標準曲線。

2) 步驟2計算每個時刻點對應標準曲線的粗大異常相電流實時數據。根據3σ準則，對相電流的實際數據超出(μ±3σ)范圍的數據(其中：μ為均值；σ為標準差)，定義為值得關注的粗大異常相電流數據。針對上述標準曲線周期內的數據可以計算出μ，σ：

μt，n=Ft，n

(2)

(3)

3) 步驟3根據歷史數據與實時異常數據進行類比分析，獲取異常數據的發生頻次、時段等信息(見表2)。

表2 中壓開關柜相電流異常數據統計

通過3σ準則獲取的粗大異常數據,在統計分析基礎上，利用大數據分析手段，對設備狀態進行評估。

1.2 異常點分類

對每個站點中壓開關柜相電流異常點的情況進行分類，描述1個周期內異常點的情況：

S={S1,S2，…,S14}

(4)

式中:

S——1個周期內異常點發生的次數；

S1,…,S14——14 d周期內各天的異常點發生次數。

異常點首現表達為：

S>0&{S1,S2,…,S13}=0

(5)

其余異常點情況為：S>0。

首次出現的異常點，能反映異常數據的突發性，大概率具備偶然性，可能對設備帶來重大損害，在本文方法中，賦予更大權重。

1.3 異常點更新

連續的數據處理采用迭代方式。以2020-09-25、2020-09-26、2020-09-27連續3 d的中壓開關柜相電流標準曲線為例，其中參與標準曲線計算的日期交集為2020-09-13—2020-09-24。日期重疊說明情況如圖1所示。

注：T1為第1個周期；T2為第2個周期；T3為第3個周期。圖1 日期重疊說明Fig.1 Date overlap description

雖有日期交集，但標準曲線每日都會重新繪制，且最近日期賦予權重較大。隨著日期更迭，標準曲線迭代，異常點值會重新生成，完成數據更新，甚至出現上個周期T1是異常點的點值在新的周期T3內變成非異常點的情況。

異常點值更新的過程，首次出現的異常點數據可能表示該設備運行處于非健康狀況。這對設備狀態評估和檢修策略制定具有更高的價值。

2 異常點應用場景研究

2.1 模型應用研究

地鐵供電系統中，常見的中壓開關柜包含35 kV整流變開關柜、35 kV電力變開關柜、進線開關柜和出線開關柜。這4種開關柜都可以繪制標準曲線，并進行異常點分析，進而對開關柜進行評估。

進線開關柜為負荷側的總開關柜，該開關柜所聯接的是主變與低壓側負荷輸出，擔負著整段母線負荷。以蘇州軌道交通4號線吳江人民廣場站進線開關柜為例，對其異常點值進行應用研究。在2020-09-25得到1條35 kV進線柜的標準曲線，其覆蓋日期為2020-09-11—2020-09-24。所生成的標準曲線如圖2所示。

圖2 開關柜相電流標準曲線圖Fig.2 Standard curve chart of voltage switchgear phase current

根據生成的標準曲線，得到該周期內A、B、C三相電流出現異常點值情況，如表3所示。

從表3中可得出結論：

1) 蘇州軌道交通4號線吳江人民廣場站中壓開關柜相電流標準曲線周期內發生的異常數據僅17條min級數據，沒有發生異常點。驗證了3σ準則對于實際異常情況驗證的可靠性與可用性。

2) 即使數據發生大波動，IA、IB、IC相電流近似相等。超高異常數據發生時，三相電流不平衡度依然控制在允許值范圍內。驗證了模型對設備狀態修提供的安全性。

3) 本案例中2020-09-19T15:05出現了IA、IB異常數據，但IC并未出現異常數據。即同一時刻會出現A、B、C三相中任一相電流有超高異常數據的情況，其余相并未出現超高異常數據。這種情況發生后，后續狀態恢復正常，表明了系統設備的抗擾動能力，也驗證了模型的魯棒性。

表3 異常相電流數據

2.2 時空斑圖分析研究

地鐵運行具有日常規律性與季節規律性，探究異常點值發生的時間及頻次尤為重要。異常電流數據的時空斑圖也能反應軌道交通運行的實際情況。對異常點值進行頻次分析，能夠總結異常點發生規律，以蘇州軌道交通4號線吳江人民廣場站2020-03-09—2020-10-09的數據進行分析，異常點值時空斑圖如圖3所示。

通過對異常點時空斑圖分析研究，得知：

1) 圖3 a)中，異常點值在高負荷狀態下，即列車正常運行載客時段(05:00—21:00)，相電流異常點值要遠大于非高負荷狀態。

2) 圖3 b)中，異常點在正常運行載客時段并未出現高頻次異常點，而在22:00—23:30的時段內，異常點發生頻次較高；這是一個有趣的現象，很可能反映列車進入車輛段時間不規律帶來的異常點值增加。

a) 異常點時間分布

b) 異常點頻次分布

c) 異常點月度分布圖3 開關柜相電流異常點時空斑圖Fig.3 Spatiotemporal patterns of abnormal points

3) 圖3 c)中，2020年3月份的異常點密度要大于其他月份，很可能是由于疫情期間，特殊社會活動現象導致地鐵供電運維數據呈現較大差異。

時空斑圖分析研究是將異常點放到不同時間和空間維度去探討異常關注模型應用的合理性與正確性。通過對實際數據時空斑圖分析研究，可以發現異常點關注模型的應用與實際情況能較好貼合，利于對設備進行狀態評估。

3 故障預警

3.1 基于異常點的故障預警方法

基于異常點數據進行預警，就是綜合時空斑圖的分析結果，對異常點值進行的綜合利用。根據異常點值時空斑圖，可以實現對非高頻次發生時段的異常點值和首次出現的異常點值進行單點預警。綜合頻率與首次出現的異常情形，能夠及時對突發情況進行預警，方便運維人員進行重點關注。通過對異常點值的精細化處理和對預警方式進行級別設定，可以從數據層面上反映告警信息在業務上的嚴重等級。

中壓開關柜相電流超高異常點的預警告警判定流程如圖4所示。

圖4 中壓開關柜相電流超高異常點的預警告警判定流程

圖4中，預警告警判定流程可以根據具體需要對周期內異常點發生情況進行設定，如設定周期內發生異常點的數量閾值告警及異常點的閾值觸發告警等。根據預警流程內容觸發預警告警，提醒運維工作人員及時采取行動。

異常值預警的內容，不僅包含了電流畸變的情形，同時也包含了三相電流不平衡的情況，甚至還反映了線路短路的情形。通過監控相電流異常值，能夠實現對突發情況的及時了解并采取相應動作，以保護地鐵供電設備。

每個站點的超高異常點觸發相應規則進行預警告警，運維人員可以根據異常優先級及時高效地對設備制定檢修計劃。

3.2 更新故障知識庫

故障知識庫能夠根據故障特點，及時提供解決方案，給運維人員帶來工作便利。在設備采購中，中壓開關柜型號通常比較一致，因此可以對同種型號做共性處理。針對異常點引起的預警告警以及引發維修排查的故障，需要及時進行記錄，并完成上傳和更新故障預警規則池，以保證運維人員能夠更精準管控設備，實現設備的動態運維管理。故障知識庫建立流程圖如圖5所示。

圖5 更新故障知識庫流程Fig.5 Process of updating fault knowledge base

根據故障發生特點及人工上傳故障數據內容，動態調整預警池規則，并將規則組合成故障特征庫的特征值。當預警內容滿足故障特征庫匹配內容時，則將故障知識庫已有方案推送給運維人員。

4 結語

本文從中壓開關柜相電流超高異常點出發，根據異常點出現情況特點，對異常點數據進行分類，并結合長周期數據進行時空斑圖分析，提出了基于異常點的故障預警方法以及更新故障知識庫的方法。工作人員可以根據主動設定的關注優先級對重點設備或者突發事件進行及時關注，并根據符合故障特征庫匹配的內容引出故障知識庫的檢修方案。

通過發現超高異常點能很好地實現對設備的宏觀管控，基于異常點的預警方法能夠很好地起到事前反饋控制作用，但是由于地鐵實際運行中有多維因素帶來設備擾動，異常點預警告警方法中也會有較多無效預警。因此增強事前反饋能力，豐富故障知識庫，繼續深入挖掘標準曲線系列工作，能帶來更好的智能化運維。