基于大數據的地鐵供電系統運行狀態預測與維護

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

（北京市軌道交通運營管理有限公司，北京 102600）

0 引言

作為地鐵系統中的關鍵組成部分，地鐵供電系統[1]的運行狀態對整個交通網絡的可靠性和效率至關重要。為了確保地鐵供電系統的穩定運行，預測和維護[2]其運行狀態成為一項具有挑戰性的任務。傳統的維護方法通常基于定期檢查和維修，缺乏實時性和個體化。而大數據技術的發展為地鐵供電系統的運行狀態監測和維護提供了新的可能性。通過收集、處理和分析大量的實時數據，可以更準確地識別潛在問題和提前預測設備故障，從而實現對地鐵供電系統更精細的管理和維護[3]。

張仁玉等[4]研究人員提出了，基于第三路市電和10kV儲能系統的供電系統架構，適用于數據中心應用。該架構能夠滿足數據中心對供電安全和可靠性的需求，同時方便新能源和儲能設備的接入。黃浩強[5]關注地鐵供電系統作為地鐵動力來源的電能質量問題，設計了基于數據挖掘的預警分析技術架構，包括數據收集與表征、數據預處理以及預警分析等步驟。為適應供電系統的持續發展，在預警分析過程中利用聚類分析和模糊傳遞閉包方法，根據實時更新的數據庫在線感知電能質量指標的變化，動態設定不同預警對象的閾值。潘衛波[6]以深圳地鐵5 號線工程為例，將大數據作為主要技術手段，詳細探討其在接觸網供電故障分析中的具體應用。

當前，地鐵供電系統中存在諸多潛在問題，如電流波動、設備故障等，這些問題可能會導致服務中斷、設備損壞，甚至影響整個交通網絡的正常運行。因此，本文提出了基于大數據的地鐵供電系統運行狀態預測與維護。首先在電流特征的基礎上，分析了軌道交通結構。隨后，基于大數據的方法應用于地鐵供電系統，涵蓋了廣泛的實時和歷史數據，包括電流、電壓和設備運行時間等多維度信息。最后，整體預測流程涵蓋了數據的收集、處理和建立預測模型等多個環節，以確保對地鐵供電系統運行狀態的準確預測。

1 基于電流特征的地鐵供電系統

在軌道交通動力系統中，電流的波動由于不同的動力負載和故障引起，軌道交通結構如圖1 所示。本文從地鐵供電系統的電流出發，用于確定不同站點以及線路的峰谷情況。為后續精確識別峰谷時段奠定基礎。基于電流特征發現電流數據中的異常偏離點，實現了對異常點數據的歷史統計和實時提醒功能。能夠有效地改善地鐵運維效率，同時也增強了對設備管理的宏觀把控，結合大數據技術為地鐵供電系統的運行狀態預測與維護提供了可靠的支持。

圖1 軌道交通結構

2 基于大數據的地鐵供電系統運行狀態預測

2.1 預測流程

在本部分，通過收集每類電能質量指標的參數以及相關的關鍵因素數據來構建訓練樣本[7]。使用這些樣本訓練了若干個支持向量機模型，將其作為本文的預測模型。接下來，當有了新建城軌線路的參數時，將其輸入對應分類的支持向量機模型中，從而得到新建城軌線路的電能質量預測數據。整個系統的流程如圖2 所示。通過這個過程，能夠更準確地預測新建城軌線路的電能質量，為系統性能的評估提供了有力的工具。

圖2 大數據下地鐵供電系統運行預測流程

2.2 供電系統維護建模

地鐵供電系統在運行中經歷了正常和故障的交替階段，形成了一個復雜的可修復系統。通常，為了評估系統的可用性，采用仿真方式進行計算。而序貫Monte Carlo 法具備模擬非指數型分布的設備運行狀態的能力，同時還考慮了檢修安排、設備維修等實際工程情況，因此具有靈活性和強大的適應性。這種方法能夠更真實地反映地鐵供電系統在實際運行中的復雜性，使得系統性能的評估更為全面。假設系統設備符合指數分布，使用V 表示在[0，1]區間的隨機變量，令F（X）滿足X 的概率分布，則：

λ 指設備發生故障概率，在大數據分析下，求反函數：

由于V 和（1-V）均滿足[0，1]范圍內的均勻分布，則：

Ti為故障發生節點，當設備在工作狀態時，λi為設備i需維護概率；若設備處于休整狀態，λi表示設備i 需修復程度。

使用序貫Monte Carlo 法進行地鐵供電系統的流程建模是一個多步驟的過程，流程如圖3 所示。首先，輸入地鐵供電系統設備的故障參數。通過反函數法，能夠計算出每個設備的故障時間和修復時間。接著，確定每個底事件的狀態轉換時刻，并在考慮系統中邏輯關系的基礎上進行邏輯運算。然后，逐層上溯，一直到求得系統頂事件的狀態轉換時刻和狀態持續時間。最后，利用這些信息計算和求取相關的可靠性評估指標。這種方法考慮了系統的復雜邏輯和各個設備的狀態轉換，從而更全面地評估了地鐵供電系統的可靠性。

圖3 維護建模流程

在處理串聯系統的運行狀態和時間序列時，只需在串聯系統中的一個甚至多個設備發生故障時，將串聯系統標記為故障狀態，并記錄相應的故障及修復時間，從而獲取串聯供電系統的故障狀態時間序列。而并聯系統，僅全部設備出現故障時，才會識別出故障狀態。對于n/k 冗余表決系統，其中有k 個設備，當n 個及以上設備同時發生故障時，系統被視為出現故障，記錄此時n/k 冗余表決系統的故障及修復時間，得出n/k 冗余表決系統故障狀態時間序列。

3 地鐵供電系統運行狀態仿真分析

3.1 大數據預測準確性分析

為了評估基于大數據的地鐵供電系統運行狀態預測與維護的準確性，建立了一個綜合實驗環境，獲取大量實時和歷史的地鐵供電系統數據，包括電流、電壓、設備運行時間等多維度信息。使用Apache Hadoop 平臺處理龐大的數據集，運用Monte Carlo 法對地鐵供電系統運行狀態進行預測。部署實時監測系統，以確保對電能質量和設備狀態的實時感知。將基于大數據的方法與關聯規則挖掘以及神經網絡進行對比，準確性對比結果如表1 所示。大數據方法表現出了相對較高的預測準確性92%，表明大數據方法在應對地鐵供電系統的復雜性和變化性方面具有優勢。關聯規則挖掘在實驗中表現出84%的準確性，相對于大數據方法在地鐵供電系統預測中略顯不足。神經網絡在89%的準確性下相對表現較好，但在此實驗中未超過大數據方法。

表1 供電系統運行狀態預測準確性

3.2 大數據維護可靠性分析

在地鐵供電系統中，大數據技術的廣泛應用為運行狀態預測與維護提供了新的可能性。本實驗旨在通過對大數據維護可靠性的分析，評估維護過程中的穩定性和可靠性，為提高地鐵供電系統整體性能提供支持。表2 為三種方法在不同故障數量中的維護用時對比，隨著故障數量的增加，各方法的耗時都呈現上升趨勢。在所有故障數量情況下，大數據方法的耗時都相對較低，分別為2.2、3.5、5.1分鐘，以故障數量為15 為例，大數據方法的耗時為5.1 分鐘，而關聯規則挖掘和神經網絡的耗時分別為6.9 和7.2分鐘，驗證大數據方法在處理大規模故障時表現出更高的效率。

表2 三種方法在不同故障數量中的維護用時對比

4 結論

本文通過在地鐵供電系統中應用基于大數據的運行狀態預測與維護方法，以及對大數據維護可靠性進行分析，結果表明大數據方法在地鐵供電系統運行狀態預測中表現出了相對較高的準確性，達到92%。相較之下，關聯規則挖掘為84%，神經網絡為89%。這表明在應對地鐵供電系統的復雜性和變化性方面，大數據方法具有顯著的優勢。通過維護用時的對比，驗證了大數據方法在處理不同故障數量時相對較低的耗時。隨著故障數量的增加，大數據方法的耗時仍能維持相對較低的水平，分別為2.2、3.5、5.1 分鐘。而關聯規則挖掘和神經網絡的耗時則隨故障數量的增加而上升，表現出相對較大的耗時。基于大數據的地鐵供電系統運行狀態預測與維護方法，為地鐵供電系統的整體性能提升提供了強有力的支持，為未來的類似工程和系統提供了有益的經驗。