CN103824129B - 一种基于动态阈值的高铁电能质量异常状态预警方法 - Google Patents

Abstract

本发明涉及一种基于动态阈值的高铁电能质量异常状态预警方法，包括以下步骤：1）建立高铁电能质量预警指标体系；2）历史电能质量数据及其对应牵引负荷量的采集；3）建立高铁牵引站电能质量异常状态预警“参考数据库”；4）在线监测预警时电能质量预警指标异常状态检测；5）高铁牵引站电能质量异常状态预警。本发明方法利用历史电能质量监测数据，对实时监测的高铁牵引站电能质量异常状态做出预警，可使供用电双方了解高铁牵引站电能质量异常状态，提前发现电能质量潜在隐患，提高电网运行可靠性和经济性，为电网的安全运行提供保障。

Description

一种基于动态阈值的高铁电能质量异常状态预警方法

技术领域

本发明涉及的是一种电能质量分析领域，具体涉及一种用于电力系统及电力用户的电能质量监控方法，即基于动态阈值的高铁电能质量异常状态预警方法。

背景技术

电能质量是与电力系统安全经济运行相关的、能够对用户正常生产工艺过程及产品质量产生影响的电力供应技术指标的描述，它涉及电压电流波形形状、幅值及其频率三大基本要素。由此可以看出电能质量对电网及电力负荷安全稳定运行的重要性。

电气化铁路具有速度快、运输能力强、供电距离长、节约能源与造价、牵引性能好等优点，因而具有广阔的发展前景，是世界以及我国铁路发展的方向。尤其是近些年，国家对高速电气化铁路的大力支持，高铁的建设规模及覆盖范围正不断扩大，高铁负荷的比例也逐年增加。然而，高速电气化铁路作为典型的单相负荷，其大量接入电网，恶化了电网电能质量水平，降低了电网供电的安全可靠性。电铁牵引负荷是移动的、幅值变化大而又频繁的特殊负荷，属于典型的日波动负荷，具有短时冲击特性。引起这种日波动的原因与线路条件、机车类型、机车操纵方式和速度、牵引重量等多种因素有关，而这些影响因素又具有随机性的特性，因此电铁牵引负荷不同于一般的持续电力负荷。功率因素低、负序功率大、谐波含量丰富是电气化铁路的典型电能质量问题，而高铁牵引负荷的大大增加以使得这些问题进一步复杂，影响程度进一步加大；另外，随着高新技术产业的发展，设备自动化水平的提高，用户对电能质量提出了比传统的机电产品更新更高的要求。

目前，我国高速列车动车组有CRH1、CRH2、CRH3、CRH5等，采用交直交技术。对于高铁牵引站的负荷特性而言，短期内每年同一天的运行的机车及机车运行数基本不变，区别只是每天的客流量不同。因此正常运行情况下，同一高铁牵引站可以用牵引负荷量的变化表征每天负荷运行状况和负荷量，而电能质量的变化与负荷的运行状况和负荷量紧密相连，这就为高铁牵引站PCC点电能质量参考输数据库的建立以及高铁牵引站PCC点电能质量异常状态预警奠定了基础；而目前对电气化铁路电能质量问题研究主要集中在电气化铁路工况仿真、电铁监测数据分析等方面，对高铁电能质量异常状态预警技术的研究较为薄弱。因此，一种合理可行的高铁电能质量异常状态预警方法，不仅可以提前发现电网中潜移恶化的电能质量问题，还可以为电网的安全运行提供保障，充分发挥电能质量监控平台的作用。

发明内容

为解决现有技术上的不足，本发明目的是提供了一种可使供用电双方了解高铁牵引站电能质量异常状态，提前发现电能质量潜在隐患，提高电网运行可靠性和经济性的基于动态阈值的高铁电能质量异常状态预警方法。

为实现上述目的，本发明的技术方案如下：

一种基于动态阈值的高铁电能质量异常状态预警方法，包括下述步骤：

（1）建立高铁电能质量预警指标体系；

（2）采集历史数据采集：采集高铁牵引站侧的历史电能质量指标监测数据及对应的牵引负荷量，建立历史电能质量指标监测数据与牵引负荷量的对应关系表；

（3）建立高铁牵引站的电能质量异常状态预警参考数据库；

首先以所述步骤（2）中采集的牵引负荷量为基准，对历史电能质量监测日进行分组划分，得到监测日分组；

然后在监测日分组的基础上建立牵引负荷量与历史电能质量监测日数据的对应关系表，即为高铁牵引站的电能质量异常状态预警参考数据库；

（4）在线监测高铁电能质量，采用基于时间序列的异常数据挖掘算法计算各电能质量预警指标的监测数据偏度与峰度乘积的最大值和日平均值，然后根据步骤（3）建立的对应关系表检测出在线监测电能质量指标的异常状态；

（5）采用动态时间弯曲（dynamic time warping，DTW）距离算法对在线监测电能质量指标的异常状态进行预警。

本发明方法的所述步骤（1）中，建立高铁电能质量预警指标体系的具体步骤为：

（1a）分析高铁牵引负荷的运行特性及其运行工况变化引起的电能质量变化的特点，结合电能质量标准，得到能反映高铁牵引负荷运行特性的电能质量指标；

（1b）根据反映高铁牵引负荷运行特性的电能质量指标，以及电能质量标准，构成高铁电能质量预警指标体系，所述指标体系包含以下电能质量指标中的一种或多种：电压闪变、谐波、电压谐波总畸变率、电压偏差、电压三相不平衡、频率偏差、负序电流。

本发明方法中的步骤（2）的具体流程为：

（2a）数据采集条件设定：数据采集条件设定为牵引站高速列车运行正常、牵引网及并网点区域运行正常，以及电网设备运行正常；

（2b）根据所述步骤（1）建立的高铁电能质量预警指标体系和步骤（2a）设定的数据采集条件，至少连续12个月每天对各指标进行电能质量监测数据采集，同时采集牵引站的牵引负荷量；

（2c）根据各电能质量指标的分类，将电能质量监测数据按照监测日存入电能质量指标历史监测数据库；同时将历史监测日牵引负荷量按照与各电能质量指标的对应关系存入牵引负荷历史监测数据库；

（2d）在步骤（2c）的基础上，建立历史监测日的电能质量指标监测数据与牵引负荷量的对应关系，形成对应关系表，记作第一对应关系表。

本发明方法中步骤（3）的具体流程为：

（3a）对每个电能质量预警指标，以监测日排序中的第一个监测日的牵引负荷量为基准，将满足式（1）的监测日归为一组，构成一个历史牵引负荷量集合及其对应的监测日集合；

式中，S₁为监测日排序中的第一个监测日的牵引负荷量，S为监测日排序中任意监测日的负荷量，ε为根据供用电双方要求设置的分类判断阈值；

（3b）判断是否所有的监测日都进行归类，若是，则转入步骤（3d），若否，则转入步骤（3c）；

（3c）将没有归入监测日集合的监测日，按照监测采样顺序重新排序后返回步骤（3a）；

（3d）建立历史牵引负荷量集合与历史监测日集合的对应关系，形成的对应关系表称为第二对应关系表，作为监测日分组；

（3e）基于时间序列的异常数据挖掘算法，计算第二对应关系表中的每个监测日中，各电能质量预警指标监测数据每个滑动窗口的偏度与峰度的乘积，然后计算每个监测日分组中的偏度与峰度乘积最大值，以及每个监测日分组中偏度与峰度乘积日平均值的最大值；

（3f）根据牵引负荷量集合与其对应监测日集合偏度与峰度的对应关系，

构成第三对应关系表；

（3g）对第三对应关系表中的每组对应关系，以各个电能质量预警指标的偏度与峰度乘积日平均值的最大值为基准，将满足式（2）的历史监测日归为一类，形成一个历史监测日子集合，称为第一监测日子集合；

式中，P_{mean_max}为该组对应关系中一个电能质量指标下的监测数据偏度与峰度乘积日平均值的最大值，P为该组对应关系中一个电能质量指标下的任意偏度与峰度乘积的日平均值，λ_1为根据供用电双方要求设置的分类判断阈值；

（3h）对第三对应关系表中的每组对应关系，以各个电能质量预警指标的监测日偏度与峰度乘积最大值为基准，将满足式（3）的历史监测日归为一类，形成一个历史监测日子集合，称为“第二监测日子集合”；

式中，P_max为该组对应关系一个电能质量指标下的所有监测数据偏度与峰度乘积的最大值，P为该组对应关系一个电能质量指标下的任意监测日的数据偏度与峰度乘积的最大值，λ_2为根据供用电双方要求设置的分类判断阈值；

（3k）对第三对应关系表中的每组对应关系，将同时满足式（2）和式（3）的历史监测日归为一类，形成一个历史监测日子集合，称为第三监测日子集合，将所述第二对应关系表、第三对应关系表、第一监测日子集合、第二监测日子集合、第三监测日子集合作为高铁牵引站的电能质量异常状态预警参考数据库。

本发明方法中步骤4）的具体方法为：

（4a）高铁电能质量在线监测预警时，采用基于时间序列的异常数据挖掘算法计算各电能质量指标监测数据每个滑动窗口的偏度与峰度乘积，并求取各电能质量预警指标监测数据偏度与峰度乘积的最大值及日平均值；

（4b）根据在线监测的高铁牵引站当天的牵引负荷量，从第二对应关系表中查询与该天牵引负荷量相匹配的历史电能质量监测日分组；

（4c）根据步骤（4b）得到的历史电能质量监测日分组，查询第三对应关系表，得到上述历史电能质量监测日分组对应电能质量预警指标数据的偏度与峰度乘积的最大值与日平均值的最大值；

（4d）在各电能质量预警指标下，分别将在线监测数据偏度与峰度乘积的最大值和日平均值，与历史电能质量监测日分组的偏度与峰度乘积的最大值与日平均值进行比较，若历史数据的偏度与峰度乘积的最大值大于或等于在线监测数据的偏度与峰度乘积的最大值，且历史数据的偏度与峰度乘积日平均值也大于或等于在线监测的数据的偏度与峰度乘积日平均值，则判定该天该电能质量预警指标数据正常，否则判定异常。

本发明方法中步骤5）的具体流程为：

（5a）记在线监测电能质量指标的异常状态的监测数据为“测试时间序列”，历史电能质量监测日中该电能质量预警指标监测日子集合为“参考时间序列”；

（5b）设置高铁电能质量异常状态预警等级阈值；

（5c）基于动态时间弯曲距离算法对测试时间序列和其相对应的参考时间序列进行相似度分析；

（5d）根据相似度分析结果，结合步骤5b中的预警等级阈值，对测试时间序列做出预警，即对高铁在线电能质量预警指标做出预警。

有益效果：与现有技术相比，本发明具有以下优点：

（1）有利于掌握高铁运行的异常运行状况，提前发现牵引站电能质量潜在隐患。每种负荷都有其电能质量特性，电能质量预警意在提前发现电网电能质量潜在隐患，不应简单的以国标限值为标准对其产生的电能质量状态进行预警，而应结合负荷运行特性进行电能质量异常状态预警。本发明根据高速电气化铁路的运行特性及其产生的电能质量问题，结合我国电能质量标准，以高铁牵引站及区域电网正常运行状态为基准，对出现的电能质量异常状态进行预警，从而掌握高铁的运行状态，提前发现高铁牵引站及区域电网电能质量的异常状况。

（2）有利于提高电能质量异常状态预警的准确度。在对电能质量指标预警阈值设置方面，在高铁实际运行中，本发明根据各电能质量指标每天监测数据偏度与峰度乘积的最大值及平均值的不同，以牵引站牵引负荷量为基准，从“参考数据库”查询与之相匹配的预警阈值，从而根据高铁实际运行工况的不同实现各电能质量预警指标阈值的动态变化，有效提对高电能质量异常状态预警的准确性。

（3）有利于供用电双方掌握区域电网未来一段时间内电能质量状况，提高高铁牵引站及区域电网安全稳定运行的可靠性。本发明基于时间序列异常挖掘算法和动态弯曲距离相似度算法，在高铁电能质量预警指标体系及参考数据库的基础上，对高铁前一站在线运行中的出现电能质量异常状态进行预警。这样供用电双方，可及时了解当前区域电网的电能质量状况，及时调整优化高铁的运行工况，合理安排自身的运行/生产计划，避免电能质量进一步恶化，提高电网运行的安全可靠性，减少不必要的经济损失。

附图说明

图1为本发明方法的流程图。

图2为本发明方法中建立高铁牵引站的电能质量异常状态预警“参考数据库”流程图。

图3为本发明方法中高铁在线电能质量预警时，电能质量预警指标异常状态判断流程图。

图4为对高铁在线监测的异常电能质量指标进行电能质量异常状态预警的流程图。

具体实施方式

下面结合附图，对本发明的技术方案做进一步的说明。本发明的一种基于动态阈值的高铁电能质量异常状态预警方法，流程如图1-图4所示。流程步骤为：

1）建立高铁电能质量预警指标体系。首先，分析高铁牵引负荷的运行特性及其运行工况变化引起的电能质量变化的特点，高速电气化铁路是典型的冲击性负荷，负序功率大、谐波含量丰富、功率因数低是其三个主要特征；同时，牵引负荷的剧烈波动则使问题更加复杂，尤其是在多个列车同时加速或减速过程中，会产生大量的谐波、负序电流、反向功率、冲击电流等，对电网电能质量影响很大。基于以上分析，结合电能质量标准，筛选出能反映高铁牵引负荷运行特性的电能质量指标；根据筛选出的反映高铁牵引负荷运行特性的电能质量指标以及我国电能质量标准，构成高铁电能质量预警指标体系；所述指标体系包含以下电能质量指标中的一种或多种：电压闪变、谐波、电压谐波总畸变率、电压偏差、电压三相不平衡、频率偏差、负序电流；其中负序电流没有国家标准，但其是高铁牵引负荷运行时产生的主要电能质量问题，因此将其放入高铁电能质量预警指标体系；

我国电能质量标准体系：

GB/T12326-2008《电能质量电压波动和闪变》

GB/T15945-2008《电能质量电力系统频率偏差》

GB/T14549-1993《电能质量公用电网谐波》

GB/T18481-2001《电能质量暂时过电压和瞬态过电压》

GB/T15543-2008《电能质量三相电压不平衡》

GB/T12325-2008《电能质量供电电压偏差》

2）采集高铁牵引站侧的历史电能质量指标监测数据及对应的牵引负荷量，建立历史电能质量指标监测数据与牵引负荷量的对应关系表。

21）数据采集条件设定：数据采集条件设定为牵引站高速列车运行正常、牵引网及并网点区域运行正常，以及电网设备运行正常；

22）为保证采集的电能质量指标数据能够全面反映高铁牵引站及高速列车正常运行时的电能质量特性，根据所建立的高铁电能质量预警指标体系，对各电能质量预警指标至少连续12个月同步每天进行数据监测采集，由于不同类型的电能质量预警指标的采样频率不同，要建立不同电能质量指标的历史监测数据库，将监测采集的各电能质量预警指标监测数据按照监测日分类依次存入到相应的数据库，构成“电能质量指标历史监测数据库”；

23）根据不同电能质量趋势预警指标采样频率的不同，采集与各电能质量指标数据监测日对应的牵引站牵引负荷量并将历史监测日牵引负荷量，同时建立与电能质量预警指标监测数据相关联牵引负荷量数据库，将牵引负荷量按照与各电能质量指标的对应关系存入“牵引负荷历史监测数据库”，

24）在步骤22）和步骤23）的基础上，建立历史电能质量指标监测数据与牵引负荷量的对应关系表，记作“第一对应关系表”；

3）根据步骤2）中采集的数据，建立高铁牵引站电能质量异常状态预警“参考数据库”。

31）对每个电能质量预警指标，以监测日排序中的第一个监测日的牵引负荷量为基准，将满足式（1）的监测日归为一组，构成一个历史牵引负荷量集合及其对应的监测日集合，其中式（1）中阈值ε根据供用电双方要求进行设置以达到准确分类的目的，建议设置ε为0.1；

32）判断是否所有的监测日都进行归类，若是，则转入步骤34），若否，则转入步骤33）；

33）将没有归入监测日集合的监测日，按照监测采样顺序重新排序后返回步骤31）；

34）建立历史牵引负荷量集合与历史监测日集合的对应关系，形成的对应关系表称为“第二对应关系表”，作为监测日分组；

35）基于时间序列的异常数据挖掘算法，计算第二对应关系表中的每个监测日中，各电能质量预警指标监测数据每个滑动窗口的偏度与峰度的乘积，然后计算每个监测日分组中的偏度与峰度乘积最大值，以及每个监测日分组中偏度与峰度乘积日平均值的最大值；

36）在步骤35）的基础上，对所有高铁电能质量预警指标，根据牵引负荷量集合与其对应监测日集合偏度与峰度的对应关系，构成“第二对应关系表”；

37）为保证高铁同一电能质量特性下监测数据的多样性，提高预警结果的准确度，对第三对应关系表中的每组对应关系，以各个电能质量预警指标的偏度与峰度乘积日平均值的最大值为基准，将满足式（2）的历史监测日归为一类，形成一个历史监测日子集合，称为“第一监测日子集合”，其中式（2）中阈值λ_1根据供用电双方的要求进行设置，以达到准确分类的目的，建议值为0.05；

38）为保证高铁同一电能质量特性下监测数据的多样性，提高预警结果的准确度，对第二对应关系表中的每组对应关系，，以各个电能质量预警指标的监测日偏度与峰度乘积最大值为基准，将满足式（3）的历史监测日归为一类，形成一个历史监测日子集合，称为“第二监测日子集合”，其中式（3）中阈值λ_2根据供用电双方的要求进行设置，以达到准确分类的目的，建议值为0.05；

39）对第三对应关系表中的每组对应关系，将同时满足式（2）和式（3）的历史监测日归为一类，形成一个历史监测日子集合，称为“第三监测日子集合”，将所述第二对应关系表、第三对应关系表、第一监测日子集合、第二监测日子集合、第三监测日子集合作为高铁牵引站的电能质量异常状态预警“参考数据库”；

同时，对于剩余的不满足步骤37）、步骤38）和步骤39）的每组各个电能质量预警指标历史监测日，统一归为一类；为节省存储空间，建议将这些监测日电能质量预警指标监测数据及其对应的牵引负荷量放入备份数据库中。

步骤35）中基于时间序列的异常数据挖掘算法具体步骤为：

时间序列异常数据挖掘算法有很多，本发明采用能同时处理高斯信号与非高斯信号的基于高阶统计量的异常数据挖掘算法，以充分挖掘数据信息，提高预警结果的准确度。

异常检测算法是基于每个滑动窗口的偏度和峰度的乘积给出预警，偏度g₁和峰度g₂的计算公式如下：

其中：分别代表样本x(n)的期望平均值以及标准差，N为样本长度；

对高铁电能质量预警指标而言，样本即为各高铁电能质量预警指标的监测数据，样本长度即为各电能质量预警指标的每天监测数据的个数。

具体算法流程如下：

（Ⅰ）确定滑动窗口的长度W；对不同的高铁电能质量预警指标，应根据其类型和特性的不同，或根据供用电双方的要求设置每个电能质量预警指标的滑动窗口长度；

（Ⅱ）对各个电能质量预警指标，滑动窗口从每个预警指标当天第一个数据开始，每滑动一次，窗口向后移动一个数值，分别计算统计值g_1,j、g_2,j；

（Ⅲ）利用正态分布的区间估计当随机变量X处于的概率大于q，该公式推导出如下两个区间：

其中：a=1-q；q为置信概率，一般取值为0.95；

当g_1,j、g_2,j分别处于这两个区间时，则g₁、g₂等于期望值，g₁、g₂的期望值分别为0和-6/(N-1)；

（Ⅳ）重复第（Ⅱ）步，滑动到下一个窗口，计算两个统计值，这样就得到所有窗口的统计值；

（Ⅴ）计算每个窗口的偏度乘以峰度。由于经过第（Ⅲ）步后，偏度的期望值为0，所以只要期望值为0，则乘积为0；

（Ⅵ）完成步骤（Ⅴ）之后，计算高铁各电能质量预警指标每个监测日数据所有滑动窗口偏度与峰度乘积的最大值及平均值。

4）高铁电能质量在线监测预警时，对各电能质量预警指标异常状态判断。

41）高铁电能质量在线监测预警时，采用基于时间序列的异常数据挖掘算法计算各电能质量指标监测数据每个滑动窗口的偏度与峰度乘积，并求取各电能质量预警指标监测数据偏度与峰度乘积的最大值及平均值（记为特征量_1）；

42）根据在线监测的高铁牵引站当天的牵引负荷量，查询第一对应关系表，从该对应表中查询与该天牵引负荷量相匹配的历史电能质量监测日分组；

43）根据步骤42），查询第二对应关系表，得到上述历史电能质量监测日分组对应电能质量预警指标数据的偏度与峰度乘积的最大值与平均值的最大值（记为特征量_2）；

44）分别比较高铁电能质量在线预警时，各电能质量预警指标监测数据偏度与峰度乘积的最大值和日平均值与历史电能质量监测日分组对应的电能质量预警指标数据的偏度与峰度乘积的最大值与平均值的最大值的大小，若满足式（8）或式（9）中的任何一个，即其中之一大于历史监测数据对应电能质量指标的偏度与峰度乘积的最大值或平均值的最大值，则判定该天该电能质量预警指标数据异常；否则，判定该天该电能质量预警指标数据正常；

则判定改天该电能质量预警指标数据异常；

K_{mean_new}>Kmean_max_past (8)

K_{max_new}>K_{max_past} (9)

式中，K_{mean_new}为高铁在线预警时，电能质量预警指标预警监测数据偏度与峰度乘积的平均值，K_{mean_max_past}为对应的历史电能质量监测日集合该电能质量预警指标偏度与峰度乘积的平均值的最大值；K_{max_new}为高铁在线预警时，电能质量预警指标预警监测数据偏度与峰度乘积的最大值，K_{max_past}为对应的历史电能质量监测日分组该电能质量预警指标偏度与峰度乘积的最大值；

步骤41）中和基于时间序列的异常数据挖掘算法与步骤35）中的方法相同，可参考步骤35）中该方法的具体的实施步骤。

5）高铁电能质量在线监测预警时，对于各电能质量预警指标的异常状态检测。

51）选择异常电能质量预警指标，记高铁在线预警时异常电能质量预警指标监测数据为“测试时间序列”（T），历史电能质量监测日中该电能质量预警指标“监测日子集合”（第一监测日子集合或第二监测日子集合或第三监测日子集合）为“参考时间序列”（R）；

52）根据高铁电能质量在线预警时，各电能质量预警指标监测数据偏度与峰度乘积的最大值和日平均值与历史电能质量监测日分组对应的电能质量预警指标数据的偏度与峰度乘积的最大值与日平均值的最大值的大小关系，对“测试时间序列”与“参考时间序列”进行匹配分析，即在步骤4）的基础上：若“测试时间序列”的偏度与峰度的乘积只满足式（8），则对历史电能质量监测日中该电能质量预警指标“第一监测日子集合”中所有监测日的各个采样时刻的数据进行求和平均，得到“第一监测日子集合”中该电能质量预警指标平均监测数据，记为“参考时间序列1”（R_1）；若“测试时间序列”的偏度与峰度的乘积只满足式（9），则对历史电能质量监测日中该电能质量预警指标“第二监测日子集合”中所有监测日的各个采样时刻的数据进行求和平均，得到“第二监测日子集合”中该电能质量预警指标平均监测数据，记为“参考时间序列2”（R_2）；若“测试时间序列”的偏度与峰度的乘积既满足式（8），又满足式（9），则对历史电能质量监测日中该电能质量预警指标“第三监测日子集合”中所有监测日的各个采样时刻的数据进行求和平均，得到“第三监测日子集合”中该电能质量预警指标平均监测数据，记为“参考时间序列3”（R_3）；

53）设置高铁电能质量异常状态预警等级阈值：若“测试时间序列”（T）与“参考时间序列”（R）（参考时间序列_1或参考时间序列_2或参考时间序列_3）的匹配相似度满足式（10），则给出1级预警；若“测试时间序列”与“参考时间序列”的匹配相似度满足式（11），则给出2级预警；若“测试时间序列”与“参考时间序列”的匹配相似度满足式（12），则给出3级预警；若“测试时间序列”与“参考时间序列”的匹配相似度满足式（13），则给出4级预警；其中，四级预警最为严重，一级预警最轻；

60%＜S_{T_R}≤80% (10)

40%＜S_{T_R}≤60% (11)

30%＜S_{T_R}≤40% (12)

S_{T_R}≤30% (13)

由于算法本身不能做到100%的准确度，加上一些其他外界因素对电能质量监测数据的影响，对于相似度大于80%的，认为“测试时间序列”与“参考时间序列”基本相似，即“测试时间序列”合格，高铁牵引站该天该电能质量预警指标监测数据正常；

同时，对不同的电能质量预警指标，预警等级阈值的设定以及预警等级的划分，根据电能质量指标的特性的不同或供用电双方的要求的不同进行适当调整，以保证预警结果的正确性；

54）对在线监测的高铁各电能质量预警指标，采用能有效处理时间序列偏移或振幅差异等沿时间轴上变形问题的动态时间弯曲（dynamic time warping，DTW）距离算法对“测试时间序列”与其相应的“参考时间序列”进行相似度分析；

55）根据相似度分析结果，结合步骤52）中的预警等级阈值，对“测试时间序列”做出相应的预警，即对高铁牵引站在线预警当天各电能质量预警指标做出预警。

步骤54）中DTW算法的具体方法为：

（A）取两数据维数分别为m和n的时间序列T和R，即：T=(t₁，t₂，…，t_n)^T，R=(r₁，r₂，…，r_n)^T，其中T定义为测试时间序列，R定义为样本时间序列，对高铁电能质量预警指标而言，T和R分别代表电能质量预警指标监测数据“测试时间序列”和该指标匹配的历史监测日子集合平均监测数据“参考时间序列”。

然后，将T和R按照相应的时间序列的位置排序，进而构造时间序列距离矩阵A_m×n，即：

其中，A中元素表示时间序列点t_i和r_j之间的欧氏距离。

（B）对于时间序列距离矩阵A_m×n，将每一组相邻元素组成的集合称为弯曲路径，标记为W=(w₁，w₂，…，w_m’)。弯曲路径W中的第k个元素w_k=(a_ij)_k，且此路径满足如下条件，即：

a）有界性：max{m,n}≤k≤m+n-1；

b）临界条件：w₁=a₁₁，w_m=a_mn；

c）连续性与单调性：对于w_k=a_ij，w_k-1=a_i′j′，一定满足0≤i-i′≤1，0≤j-j′≤1。

（C）计算时间序列T与R的最小弯曲路径，用式（15）表示：

式中，i=2，3，…，m；j=2，3，…，n；A_m×n中弯曲路径最小累加值为D(m,n)。

（D）根据步骤（A）和（B）计算高铁在线预警时各电能质量预警指标“测试时间序列”R与其对应匹配的“参考时间序列”T的最小弯曲距离D(m,n)；

（E）将最小加权弯曲距离D(m,n)用式（16）进行变换，s(T，R)表示时间序列T与R之间的变换相似度，取值范围为[0，100%]，其取值越大说明最小加权弯曲距离D(m,n)越小，时间序列T与R之间的相似度越大，即在线监测预警时，电能质量预警指标的异常度越小；

通过上述实施例可得，其采用上述基于动态阈值的高铁电能质量异常状态预警方法，有利于掌握高铁运行的异常运行状况，提前发现牵引站电能质量潜在隐患。每种负荷都有其电能质量特性，电能质量预警意在提前发现电网电能质量潜在隐患，不应简单的以国标限值为标准对其产生的电能质量状态进行预警，而应结合负荷运行特性进行电能质量异常状态预警。本发明根据高速电气化铁路的运行特性及其产生的电能质量问题，结合我国电能质量标准，以高铁牵引站及区域电网正常运行状态为基准，对出现的电能质量异常状态进行预警，从而掌握高铁的运行状态，提前发现高铁牵引站及区域电网电能质量的异常状况。

此外，有利于提高电能质量异常状态预警的准确度。在对电能质量指标预警阈值设置方面，在高铁实际运行中，本发明根据各电能质量指标每天监测数据偏度与峰度乘积的最大值及平均值的不同，以牵引站牵引负荷量为基准，从“参考数据库”查询与之相匹配的预警阈值，从而根据高铁实际运行工况的不同实现各电能质量预警指标阈值的动态变化，有效提对高电能质量异常状态预警的准确性。

而且，有利于供用电双方掌握区域电网未来一段时间内电能质量状况，提高高铁牵引站及区域电网安全稳定运行的可靠性。本发明基于时间序列异常挖掘算法和动态弯曲距离相似度算法，在高铁电能质量预警指标体系及参考数据库的基础上，对高铁前一站在线运行中的出现电能质量异常状态进行预警。这样供用电双方，可及时了解当前区域电网的电能质量状况，及时调整优化高铁的运行工况，合理安排自身的运行/生产计划，避免电能质量进一步恶化，提高电网运行的安全可靠性，减少不必要的经济损失。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种基于动态阈值的高铁电能质量异常状态预警方法，其特征在于，其包括下述步骤：

(1)建立高铁电能质量预警指标体系；

(2)采集历史数据：采集高铁牵引站侧的历史电能质量指标监测数据及对应的牵引负荷量，建立历史电能质量指标监测数据与牵引负荷量的对应关系表；

(3)建立高铁牵引站的电能质量异常状态预警参考数据库；

首先以所述步骤(2)中采集的牵引负荷量为基准，对历史电能质量监测日进行分组划分，得到监测日分组；

然后在监测日分组的基础上建立牵引负荷量与历史电能质量监测日数据的对应关系表，即为高铁牵引站的电能质量异常状态预警参考数据库；

(4)在线监测高铁电能质量，采用基于时间序列的异常数据挖掘算法计算各电能质量预警指标的监测数据偏度与峰度乘积的最大值和日平均值，然后根据步骤(3)建立的对应关系表检测出在线监测电能质量指标的异常状态；

(5)采用动态时间弯曲距离算法对在线监测电能质量指标的异常状态进行预警；

步骤(3)的具体流程为：

(3a)对每个电能质量预警指标，以监测日排序中的第一个监测日的牵引负荷量为基准，将满足式(1)的监测日归为一组，构成一个历史牵引负荷量集合及其对应的监测日集合；

$\left|\frac{S-S_1}{S_1}\right|\≤\mathrm{\ϵ}---\left(1\right)$

式中，S₁为监测日排序中的第一个监测日的牵引负荷量，S为监测日排序中任意监测日的负荷量，ε为根据供用电双方要求设置的分类判断阈值；

(3b)判断是否所有的监测日都进行归类，若是，则转入步骤(3d)，若否，则转入步骤(3c)；

(3c)将没有归入监测日集合的监测日，按照监测采样顺序重新排序后返回步骤(3a)；

(3d)建立历史牵引负荷量集合与历史监测日集合的对应关系，形成的对应关系表称为第二对应关系表，作为监测日分组；

(3e)基于时间序列的异常数据挖掘算法，计算第二对应关系表中的每个监测日中，各电能质量预警指标监测数据每个滑动窗口的偏度与峰度的乘积，然后计算每个监测日分组中的偏度与峰度乘积最大值，以及每个监测日分组中偏度与峰度乘积日平均值的最大值；

(3f)根据牵引负荷量集合与其对应监测日集合偏度与峰度的对应关系，构成第三对应关系表；

(3g)对第三对应关系表中的每组对应关系，以各个电能质量预警指标的偏度与峰度乘积日平均值的最大值为基准，将满足式(2)的历史监测日归为一类，形成一个历史监测日子集合，称为第一监测日子集合；

$\frac{P_{mean\_max}-P}{P_{mean\_max}}\≤\mathrm{\λ}\_1---\left(2\right)$

式中，P_{mean_max}为该组对应关系中一个电能质量指标下的监测数据偏度与峰度乘积日平均值的最大值，P为该组对应关系中一个电能质量指标下的任意偏度与峰度乘积的日平均值，λ_1为根据供用电双方要求设置的分类判断阈值；

(3h)对第三对应关系表中的每组对应关系，以各个电能质量预警指标的监测日偏度与峰度乘积最大值为基准，将满足式(3)的历史监测日归为一类，形成一个历史监测日子集合，称为“第二监测日子集合”；

$\frac{P_{max}-P}{P_{max}}\≤\mathrm{\λ}\_2---\left(3\right)$

式中，P_max为该组对应关系一个电能质量指标下的所有监测数据偏度与峰度乘积的最大值，P为该组对应关系一个电能质量指标下的任意监测日的数据偏度与峰度乘积的最大值，λ_2为根据供用电双方要求设置的分类判断阈值；

(3k)对第三对应关系表中的每组对应关系，将同时满足式(2)和式(3)的历史监测日归为一类，形成一个历史监测日子集合，称为第三监测日子集合，将所述第二对应关系表、第三对应关系表、第一监测日子集合、第二监测日子集合、第三监测日子集合作为高铁牵引站的电能质量异常状态预警参考数据库；

所述步骤(4)的具体方法为：

(4a)高铁电能质量在线监测预警时，采用基于时间序列的异常数据挖掘算法计算各电能质量指标监测数据每个滑动窗口的偏度与峰度乘积，并求取各电能质量预警指标监测数据偏度与峰度乘积的最大值及日平均值；

(4b)根据在线监测的高铁牵引站当天的牵引负荷量，从第二对应关系表中查询与该天牵引负荷量相匹配的历史电能质量监测日分组；

(4c)根据步骤(4b)得到的历史电能质量监测日分组，查询第三对应关系表，得到上述历史电能质量监测日分组对应电能质量预警指标数据的偏度与峰度乘积的最大值与日平均值的最大值；

(4d)在各电能质量预警指标下，分别将在线监测数据偏度与峰度乘积的最大值和日平均值，与历史电能质量监测日分组的偏度与峰度乘积的最大值与日平均值进行比较，若历史数据的偏度与峰度乘积的最大值大于或等于在线监测数据的偏度与峰度乘积的最大值，且历史数据的偏度与峰度乘积日平均值也大于或等于在线监测的数据的偏度与峰度乘积日平均值，则判定该天该电能质量预警指标数据正常，否则判定异常。

2.根据权利要求1所述的一种基于动态阈值的高铁电能质量异常状态预警方法，其特征在于，所述步骤(1)中，建立高铁电能质量预警指标体系的具体步骤为：

(1a)分析高铁牵引负荷的运行特性及其运行工况变化引起的电能质量变化的特点，结合电能质量标准，得到能反映高铁牵引负荷运行特性的电能质量指标；

(1b)根据反映高铁牵引负荷运行特性的电能质量指标，以及电能质量标准，构成高铁电能质量预警指标体系，所述指标体系包含以下电能质量指标中的一种或多种：电压闪变、谐波、电压谐波总畸变率、电压偏差、电压三相不平衡、频率偏差、负序电流。

3.根据权利要求1所述的一种基于动态阈值的高铁电能质量异常状态预警方法，其特征在于，所述步骤(2)的具体流程为：

(2a)数据采集条件设定：数据采集条件设定为牵引站高速列车运行正常、牵引网及并网点区域运行正常，以及电网设备运行正常；

(2b)根据所述步骤(1)建立的高铁电能质量预警指标体系和步骤(2a)设定的数据采集条件，至少连续12个月每天对各指标进行电能质量监测数据采集，同时采集牵引站的牵引负荷量；

(2c)根据各电能质量指标的分类，将电能质量监测数据按照监测日存入电能质量指标历史监测数据库；同时将历史监测日牵引负荷量按照与各电能质量指标的对应关系存入牵引负荷历史监测数据库；

(2d)在步骤(2c)的基础上，建立历史监测日的电能质量指标监测数据与牵引负荷量的对应关系，形成对应关系表，记作第一对应关系表。

4.根据权利要求1所述的一种基于动态阈值的高铁电能质量异常状态预警方法，其特征在于，所述基于时间序列的异常数据挖掘算法是基于每个滑动窗口的偏度和峰度的乘积用来检测数据是否异常，所述偏度g₁和峰度g₂的计算公式如下：

$g_1=\frac{k_3}{k_2^{3/2}}=\frac{N\·\underset{n=1}{\overset{N}{\Σ}}{\left(x\right(n)-\hat{m})}^3}{(N-1)\·(N-2)\·{\left(\widehat{\mathrm{\σ}}\right)}^3}---\left(4\right)$

$g_2=\frac{k_4}{k_2^2}=\frac{N\·(N+1)\·\underset{n=1}{\overset{N}{\Σ}}{\left(x\right(n)-\hat{m})}^4}{(N-1)\·(N-2)\·(N-3){\left(\widehat{\mathrm{\σ}}\right)}^4}-\frac{3\·{(N-1)}^2}{(N-2)\·(N-3)}---\left(5\right)$

其中：分别代表样本x(n)的期望平均值以及标准差，N为样本长度；

对高铁电能质量预警指标而言，样本即为各高铁电能质量预警指标的监测数据，样本长度即为各电能质量预警指标的每天监测数据的个数。

5.根据权利要求4所述的一种基于动态阈值的高铁电能质量异常状态预警方法，其特征在于，所述基于时间序列的异常数据挖掘算法的具体算法流程如下：

(Ⅰ)确定滑动窗口的长度W；对不同的高铁电能质量预警指标，应根据其类型和特性的不同，或根据供用电双方的要求设置每个电能质量预警指标的滑动窗口长度；

(Ⅱ)对各个电能质量预警指标，滑动窗口从每个预警指标当天第一个数据开始，每滑动一次，窗口向后移动一个数值，分别计算统计值g_1,j、g_2,j；

(Ⅲ)利用正态分布的区间估计当随机变量X处于的概率大于q，该公式推导出如下两个区间：

$\{E\left(g_1\right)-\frac{\sqrt{\mathrm{var}\left(g_1\right)}}{\sqrt{a}},E\left(g_1\right)+\frac{\sqrt{\mathrm{var}\left(g_1\right)}}{\sqrt{a}}\}---\left(6\right)$

$\{E\left(g_2\right)-\frac{\sqrt{\mathrm{var}\left(g_2\right)}}{\sqrt{a}},E\left(g_2\right)+\frac{\sqrt{\mathrm{var}\left(g_2\right)}}{\sqrt{a}}\}---\left(7\right)$

其中：a＝1-q；q为置信概率；

当g_1,j、g_2,j分别处于这两个区间时，则g₁、g₂等于期望值，所述g₁、g₂的期望值分别为0和-6/(N-1)；

(Ⅳ)重复第(Ⅱ)步，滑动到下一个窗口，计算两个统计值，得到所有窗口的统计值；

(Ⅴ)计算每个窗口的偏度乘以峰度；

(Ⅵ)完成步骤(Ⅴ)之后，计算高铁各电能质量预警指标每个监测日数据所有滑动窗口偏度与峰度乘积的最大值及平均值。

6.根据权利要求1所述的一种基于动态阈值的高铁电能质量异常状态预警方法，其特征在于，所述动态时间弯曲距离算法的具体步骤如下：

(A)取两数据维数分别为m和n的时间序列T和R，即：T＝(t₁，t₂，…，t_n)^T，R＝(r₁，r₂，…，r_n)^T，其中T定义为测试时间序列，R定义为样本时间序列，对高铁电能质量预警指标而言，T和R分别代表电能质量预警指标监测数据测试时间序列和该指标匹配的历史监测日子集合平均监测数据参考时间序列；

然后，将T和R按照相应的时间序列的位置排序，进而构造时间序列距离矩阵A_m×n，即：

其中，A_m×n中元素表示时间序列点t_i和r_j之间的欧氏距离；

(B)对于时间序列距离矩阵A_m×n，将每一组相邻元素组成的集合称为弯曲路径，标记为W＝(w₁，w₂，…，w_m’)；弯曲路径W中的第k个元素w_k＝(a_ij)_k，且此路径满足如下条件，即：

a)有界性：max{m,n}≤k≤m+n-1；

b)临界条件：w₁＝a₁₁，w_m＝a_mn；

c)连续性与单调性：对于w_k＝a_ij，w_k-1＝a_i′j′，且满足0≤i-i′≤1，0≤j-j′≤1；

(C)计算时间序列T与R的最小弯曲路径θ_DTW(T,R)，用公式如下：

$\begin{array}{c}{\mathrm{\&theta;}}_{DTW}(T,R)=\min \left(\frac{1}{K}\sqrt{\underset{k=1}{\overset{K}{\&Sigma;}}{w}_k}\right)\\ =\left\{\begin{array}{c}D(<>,<>)=0,\\ D(i,<>)=D(<>,j)=\mathrm{\&infin;},\\ D(1,1)=a_{11},\\ D(i,j)=a_{ij}+\min \{D(i-1,j-1),D(i,j-1),D(i-1,j)\}\end{array}\right.\end{array}---\left(15\right)$

式中，i＝2，3，…，m；j＝2，3，…，n；A_m×n中弯曲路径最小累加值为D(m,n)；

(D)根据步骤(A)和(B)计算高铁在线预警时各电能质量预警指标测试时间序列R与其对应匹配的参考时间序列T的最小弯曲距离D(m,n)；

(E)将最小加权弯曲距离D(m,n)用式(16)进行变换；S(T，R)表示时间序列T与R之间的变换相似度，取值范围为[0，100％]，所述S(T，R)取值越大则最小加权弯曲距离D(m,n)越小，时间序列T与R之间的相似度越大，即在线监测预警时，电能质量预警指标的异常度越小；

$S(T,R)=\frac{10}{10+D(m,n)}\&times;100\%---\left(16\right).$