基于機器學習的整流器狀態(tài)實時監(jiān)測技術研究

銀星茜 盛健 彭曼 王亞東

摘 要：整流器作為軌道交通供電系統(tǒng)的一部分，可將交流電轉(zhuǎn)換為直流電，其運行狀態(tài)與供電系統(tǒng)的穩(wěn)定性直接相關。為提高整流器的安全運行及整個供電系統(tǒng)的穩(wěn)定性，運用機器學習方法對其溫度進行建模，能實時判斷設備的運行狀態(tài)及其變化趨勢，對設備的異常運行狀態(tài)給出有效預警。

關鍵詞：整流器；軌道交通；機器學習；實時監(jiān)測

中圖分類號：TM63 文獻標識碼：A 文章編號：1671-2064（2018）21-0013-02

整流器（Rectifier）是一個整流裝置，可將交流（AC）轉(zhuǎn)化為直流（DC）。作為軌道交通供電系統(tǒng)的一部分，整流器的運行狀態(tài)與供電系統(tǒng)的穩(wěn)定性直接相關。傳統(tǒng)的設備數(shù)據(jù)監(jiān)測方式能滿足實時性的監(jiān)測需求，但該方式僅能獨立展示設備特征的變化情況，無法描述特征間的相互影響關系。與此同時，該方式必須在設備狀態(tài)評判指標超過閾值后才能判別設備狀態(tài)的好壞。針對上述問題，本文提出一種基于機器學習的整流器狀態(tài)監(jiān)測方法。該方法以設備真實溫度值為狀態(tài)評判指標，使用機器學習方法構建設備溫度模型，并使用該模型對設備狀態(tài)進行實時監(jiān)測與評估。

1 設備數(shù)據(jù)分析與建模

在對整流器狀態(tài)進行實時監(jiān)測前需要對設備歷史運行數(shù)據(jù)進行分析與建模，建立設備電流、功率、環(huán)境變量等屬性特征與設備真實溫度間的模型。

1.1 設備數(shù)據(jù)分析

數(shù)據(jù)分析探索主要對設備的特征屬性進行單變量分析與雙變量分析。通過計算變量的均數(shù)、分位數(shù)、標準差等以了解變量的分布特征。通過散點圖、折線圖與相關系數(shù)了解目標變量與自變量、自變量與自變量之間的相關關系。

1.2 設備數(shù)據(jù)建模

本研究采用成熟度較高、應用廣泛的方法，如Lasso regression、嶺回歸（Ridge regression）、隨機森林（Random Forest）、梯度提升決策樹（GBDT）等進行建模。模型的選取標準以工程化應用為目標，最終選取設備溫度預測值與溫度真實的殘差絕對值在±2℃內(nèi)準確率最高的模型。

2 設備運行狀態(tài)實時監(jiān)測

整流器的狀態(tài)實時監(jiān)測過程可分為三大流程。首先，從數(shù)據(jù)庫中實時提取設備運行數(shù)據(jù)；其次，對提取的數(shù)據(jù)進行處理，并將數(shù)據(jù)傳遞給模型進行預測；最后，對模型的預測結(jié)果進行監(jiān)測，評估設備狀態(tài)。

2.1 數(shù)據(jù)提取

在對設備的運行狀態(tài)進行監(jiān)測時，從Hbase數(shù)據(jù)庫中獲取設備運行時的電流、有功功率、設備溫度、環(huán)境溫濕度等屬性數(shù)據(jù)。

2.2 溫度實時預測

由于電流變化波動較大，直接使用電流進行預測會導致預測結(jié)果波動較大。因此在進行溫度預測前需要對電流數(shù)據(jù)進行平滑處理，再通過特征工程構造新特征。具體如下：

（1）采用非對稱局部加權回歸散點平滑法（LOWESS）對電流數(shù)據(jù)進行平滑處理。該方法將需平滑數(shù)據(jù)區(qū)間[x1， x2]映射成[-1，1]區(qū)間內(nèi)的對應坐標，并將計算結(jié)果帶入權值函數(shù)W（式（1）），再使用加權回歸模型（式（2））得出平滑后的電流值，其中I為電流實際值。

（1）

（2）

（2）構造電流衍生變量。針對電流數(shù)據(jù)構造其衍生變量，衍生變量類型包含電流平方值、立方值、平滑電流平方值、平滑電流立方值，一段時間內(nèi)的電流平方、立方累計值等。

（3）采用z-score法對變量進行數(shù)據(jù)標準化，消除數(shù)據(jù)量綱的影響。

2.3 狀態(tài)實時監(jiān)測

模型構建以工程化應用為目標，需實時甄別設備溫度與電流是否按正常規(guī)律變化，為避免程序誤報，在模型預測的基礎上使用區(qū)間判斷法評估設備的整體狀態(tài)。具體流程與步驟如下：

（1）計算當前設備預測溫度與真實溫度的殘差絕對值，當殘差絕對值大于設定的閾值時設備狀態(tài)評估程序開始啟動；

（2）對后續(xù)N個數(shù)據(jù)點的殘差絕對值進行統(tǒng)計，當其中n個數(shù)據(jù)點的殘差絕對值大于閾值時，設備狀態(tài)信息Tp加1；

（3）重復步驟（2），當出現(xiàn)連續(xù)p個區(qū)間均出現(xiàn)n個數(shù)據(jù)點的殘差絕對值大于等于閾值（即Tp=p），則備預警信息Tw加1。若其中某一區(qū)間內(nèi)殘差絕對值不滿足條件時，則Tp與Tw數(shù)值清零。返回步驟（1），重新開始監(jiān)測模型預測結(jié)果。

3 試驗結(jié)果與分析

將本方法運用于某軌道交通供電系統(tǒng)的整流器設備。首先，對歷史數(shù)據(jù)集進行分析建模。其次，將模型部署到現(xiàn)場，提取設備的運行數(shù)據(jù)進行實時預測，進行設備狀態(tài)監(jiān)測。最終進行模型現(xiàn)場試驗驗證模型的設計功能。數(shù)據(jù)集屬性，如表1所示。

3.1 數(shù)據(jù)分析結(jié)果

整流器的三相電流相關系數(shù)在均在0.95以上，因此在做電流與其他變量間的相關性分析時僅選擇A相電流作為研究對象。對設備各觸點數(shù)據(jù)進行分析，其中“觸點2實時值”出現(xiàn)最高溫度值的概率最大。電流、功率以及環(huán)境溫濕度與設備溫度的相關性均在0.6及以上。變量相關系數(shù)，如表2所示。

3.2 數(shù)據(jù)建模結(jié)果

根據(jù)數(shù)據(jù)分析結(jié)果，模型最終以A相電流、有功功率、環(huán)境溫濕度及其衍生變量，共20個變量作為自變量，以設備溫度作為因變量進行建模。各模型均取得了較好的預測結(jié)果，通過電流、有功功率、環(huán)境溫濕度及其衍生變量能較好的預測出設備溫度。

其中，嶺回歸模型的MSE最小，模型預測結(jié)果與溫度真實值的差值在2℃內(nèi)的準確度為100%。模型效果表，如表3所示。

3.3 模型現(xiàn)場試驗驗證

在理論模擬測試的基礎上，進一步對模型開展試驗驗證，結(jié)果如圖1所示。

現(xiàn)場環(huán)境下，尚未進行試驗前整流器數(shù)據(jù)模型預測溫度能較好的貼合實測溫度。開展試驗開始后，模型預測溫度不隨測點受熱升高而升高，當實測溫度與預測溫度大于2℃并持續(xù)一定時間后，模型給出預警信息。實際試驗驗證了模型設計的功能性，即通過構建設備溫度模型，對設備進行實時監(jiān)測與評估，能有效判斷設備的運行狀態(tài)及變化趨勢。

4 結(jié)語

本文提出了一種基于機器學習方法的整流器狀態(tài)實時監(jiān)測技術研究。試驗結(jié)果表明，使用設備歷史運行數(shù)據(jù)構建溫度模型，可對設備運行狀態(tài)進行實時監(jiān)測，為設備狀態(tài)評估提供依據(jù)。下一步工作重點將對該監(jiān)測技術的進一步研究與優(yōu)化，提升整流器溫度模型的精準度。

參考文獻

[1]國家電網(wǎng)生產(chǎn)技術部.電網(wǎng)設備狀態(tài)檢測技術應用典型案例[M].北京：中國電力出版社，2012.

[2]于松偉，楊興山，韓連祥.城市軌道交通供電系統(tǒng)設計原理與應用[M].西南交通大學出版社，2007.

[3]李建民.城市軌道交通供電系統(tǒng)概論[M].機械工業(yè)出版社，2016.

[4]周志華.機器學習[M].清華大學出版社，2016.