一種電鐵牽引負荷電能質量分布特性高斯模型分析方法與流程

本發明屬于電氣化鐵路系統自動化
技術領域：
，具體涉及一種電鐵牽引負荷電能質量分布特性高斯模型分析方法，其作為一種數據驅動方法，可用以支撐電氣化鐵路系統大數據平臺的高級應用。
背景技術：
：電氣化鐵路的優良性能為世界各國所認知，我國近十年來加快了鐵路電氣化建設和改造的步伐，中國高鐵的發展也成為舉世矚目且引領世界的特色優勢產業。隨著我國高速客運專線及重載貨運鐵路的大規模投產運行，針對電氣化鐵路大規模接入地區，電鐵牽引負荷對電網電能質量的管理和控制，提出了新的挑戰。本發明所涉及的一種電鐵牽引負荷電能質量分布特性高斯模型分析方法，通過對典型高速客運鐵路專線、重載貨運鐵路的電能質量進行測試，收集大規模電鐵負荷接入后的電網電能質量監測裝置中的電壓有效值、電流有效值、有功功率、無功功率、視在功率、基波功率因數、全功率因數、諧波、閃變等數據，并進行數據預處理，建立電鐵牽引負荷電能質量分布特性高斯混合模型，并分析不同種類電鐵牽引負荷對電能質量的影響。該方法作為一種大數據處理方法，通過數據挖掘與分析，更好地服務于電氣化鐵路線路規劃以及設備升級改造等方面。技術實現要素：本發明利用電網電能質量監測裝置采集到的不同負荷下電網電壓有效值、電流有效值、有功功率、無功功率、視在功率、基波功率因數、全功率因數、諧波、閃變等數據，建立大規模電鐵負荷接入后電能質量分布特性高斯混合模型，實現不同負荷接入對電網電能質量影響的分析，為電氣化鐵路運行與線路升級改造中新線路對電網的沖擊提供理論依據。為了實現上述目的，本發明采用的技術方案包括如下步驟：(1)采集電能質量監測裝置中的電壓有效值、電流有效值、有功功率、無功功率、視在功率、基波功率因數、全功率因數、諧波、閃變等數據，均為三相電的原始測量值，通過對此數據進行小波去噪等操作，構造原始數據集x；(2)基于上述數據特征集x，利用帶有合并算子Figueiredo-Jain(F-J)算法學習高斯混合模型，得到輸出模型參數，即不同負荷下電網電能質量的特征參數以及各負荷的先驗概率；(3)在應用階段，基于上述建立的改進高斯混合模型，對實時采集到的反映電鐵牽引負荷電能質量分布特性的電壓、電流、功率、諧波等數據進行識別和分析，獲得對應的負荷類別；對于新建線路，根據其所屬的負荷類型，分析其對電網電能質量的影響。在步驟(1)中，原始數據集x的構造應包括：①采集電網電能質量監測裝置提供的電壓有效值、電流有效值、有功功率、無功功率、視在功率、基波功率因數、全功率因數、諧波、閃變等全部數據用于分析；②將篩選出的數據進行小波去噪，得到不含離群點的數據。在步驟(2)中，基于原始數據x，建立基于改進F-J算法的GMM模型，具體如下：①訓練特征集x包含n個訓練樣本，是一個m維的非高斯數據，由于非高斯過程可以表示為多個高斯元的組合，因此x的概率密度函數可以表示為其中K是高斯元的數量，ωi是第i個高斯元Ci的權重，(μi,σi)是Ci的均值和協方差。對于Ci，x的相應的多變量高斯密度函數是混合概率密度函數是幾個高斯元的加權，其中權重ωi反映樣本屬于第i個高斯元的先驗概率。對于混合高斯模型，密度函數的積分滿足因為每個高斯元的概率密度的積分也是1，所以②假設GMM模型中的初始參數值是其中K0是初始高斯元的數量，每個高斯元的初始權重是1/K0；③計算其中p(s)(Ck(s)|xj)是在第s次迭代中第j個樣本屬于第k個高斯元Ck(s)的后驗概率。④計算其中和分別是在第(s+1)次迭代中高斯元Ck(s+1)的均值、協方差和權重，m是樣本點的維數。⑤令步驟④中的Ci(s)表示第s次迭代中具有最小權重的高斯元，是Ci(s)的權重，在此次迭代中高斯元的數量是Ks：i.如果那么就計算Ci(s)和其他高斯元的距離并記做接著將高斯元Ci(s)和距離它最近的高斯元Cj(s)合并，更新權重如下：將高斯元Cj(s)與Ci(s)合并之后，重復步驟③。ii.如果所有的那么檢查兩次迭代中參數的變化，如果變化大于一個特定的非常小的值，重復步驟③。iii.當所有高斯元的權重大于等于1/K0并且兩次迭代之間參數的變化小于這個特定的非常小的值，迭代終止，輸出最終的GMM模型參數。在步驟(3)中，對于新建線路，根據其所屬的負荷類型，基于其反變換后的電網電壓有效值、電流有效值、有功功率、無功功率、視在功率、基波功率因數、全功率因數、諧波、閃變等數據的特征值，分析其對電網電能質量的影響。本發明的特點在于：針對采集到的反應電鐵牽引負荷電能質量數據時不同種類電鐵負荷下的混合數據的特點，基于同種電鐵負荷下的數據服從高斯分布的特點，利用改進高斯混合模型(GaussianMixtureModel，GMM)作為電能質量的建模工具，建立多個高斯模型，并得到不同負荷的先驗概率。在建模過程中，利用基于帶有合并算子Figueiredo-Jain(F-J)算法進行訓練，一方面可自動調整高斯元的數目，另一方面可解決部分高斯元重疊時帶來的迭代效率下降的問題。本發明具有以效果：本發明作為一種基于大數據處理方法的電鐵牽引負荷電能質量分析方法，能夠對電氣化鐵路運行中電網電能質量數據的特征進行提取與優化，實現不同負荷類型下電網電能質量的聚類分析，從而指導電氣化鐵路線路改建與擴建對電網電能質量的影響，實現線路改建前的理論分析，更好地未電氣化鐵路的規劃與運行提供輔助服務。附圖說明下面結合附圖和具體實施方式來詳細說明本發明；圖1為本發明提供的基于改進高斯混合模型的電鐵牽引負荷電能質量分布特性計算分析方法的流程圖；圖2為本發明實現的不同電鐵牽引負荷下電能質量分布特征的聚類結果。具體實施方式下面結合說明書附圖和實施范例對本發明的技術方案做進一步詳細闡述。本發明提供了一種電鐵牽引負荷電能質量分布特性高斯模型分析方法，其流程如圖1所示，包括以下步驟：步驟1:本實施范例結合電鐵牽引負荷對山西電網電能質量影響的監測裝置中收集的15000組數據進行說明，每個數據我們選取表1中的變量作為我們的變量，主要電壓有效值、電流有效值、有功功率、無功功率、視在功率、基波功率因數、全功率因數、諧波、閃變等數據，通過對此數據進行小波去噪等操作，并將小波去噪后的數據集標準化，構造原始數據集x。表1電鐵牽引負荷電網電能質量監測裝置監控變量序號變量名序號變量名1A相基波功率因數2B相基波功率因數3C相基波功率因數4總基波功率因數5A相電流有效值6B相電流有效值7C相電流有效值8A相有功功率9B相有功功率10C相有功功率11總有功功率12A相全功率因數13B相全功率因數14C相全功率因數15總全功率因數16A相無功功率17B相無功功率18C相無功功率19總無功功率20A相視在功率21B相視在功率22C相視在功率23A相視在功率24A相電壓有效值25B相電壓有效值26C相電壓有效值27A相總功28B相總功29C相總功30總功31負序電流32正序電流33零序電流34負序電壓35正序電壓36零序電壓38A相閃變39B相閃變40C相閃變41A相電流三次諧波絕對值42B相電流三次諧波絕對值43C相電流三次諧波絕對值44A相電流五次諧波絕對值45B相電流五次諧波絕對值46C相電流五次諧波絕對值47A相電流七次諧波絕對值48B相電流七次諧波絕對值49C相電流七次諧波絕對值(2)基于上述數據15000*48的原始數據集x，利用帶有合并算子Figueiredo-Jain(F-J)算法學習高斯混合模型，得到輸出模型參數，即不同負荷下電網電能質量的特征參數以及各負荷的先驗概率，具體如下①原始樣本集x包含15000個訓練樣本，是一個48維的非高斯數據，假設GMM模型中的初始參數值是其中K0＝8是初始高斯元的數量，每個高斯元的初始權重是1/K0＝1/8；②計算第s次迭代中第j個樣本屬于第k個高斯元Ck(s)的后驗概率③計算在第(s+1)次迭代中高斯元Ck(s+1)的均值、協方差和權重和其中m是樣本點的維數。④令步驟③中的Ci(s)表示第s次迭代中具有最小權重的高斯元，是Ci(s)的權重，如果將權重過小的高斯元與和其距離最近的高斯元合并，重復步驟②；否則，計算兩次迭代中參數的變化，如果變化大于一個特定的非常小的值，重復步驟②。當所有高斯元的權重大于等于1/K0并且兩次迭代之間參數的變化小于這個特定的非常小的值，迭代終止，輸出最終的改進GMM模型參數，即改進GMM模型中每個每個高斯元的最終權重ω、最終均值μ和最終協方差σ，如表2所示。從表格中我們可以看出系統被分為無負荷、交直型、交直交三種不同的類型，并給出了各個類型的權重，即先驗概率以及各個類型標準化后的均值和協方差。通過反變換，我們可以得到各個類型負荷發生時電網電壓有效值、電流有效值、有功功率、無功功率、視在功率、基波功率因數、全功率因數、諧波、閃變等數據的特征值。圖2為迭代過程中權重ω個數的變化以及各次迭代中均值和協方差的變化過程。表2電鐵牽引負荷電能質量的改進GMM模型參數(3)在應用階段，基于上述建立的改進高斯混合模型，對實時采集到的反映電鐵牽引負荷電能質量分布特性的電壓、電流、功率、諧波等數據進行識別和分析，獲得對應的負荷類別；對于新建線路，根據其所屬的負荷類型，基于其反變換后的電網電壓有效值、電流有效值、有功功率、無功功率、視在功率、基波功率因數、全功率因數、諧波、閃變等數據的特征值，分析其對電網電能質量的影響。以上實施范例僅用于幫助理解本發明的核心思想，不能以此限制本發明，對于本領域的技術人員，凡事依據本發明的思想，在具體實施方式及應用范圍上所作的任何改動，均應包含在本發明的保護范圍之內。當前第1頁1 2 3