CN108508294A - 一种高铁电能质量监测系统 - Google Patents

一种高铁电能质量监测系统 Download PDF

Info

Publication number
CN108508294A
CN108508294A CN201810270350.8A CN201810270350A CN108508294A CN 108508294 A CN108508294 A CN 108508294A CN 201810270350 A CN201810270350 A CN 201810270350A CN 108508294 A CN108508294 A CN 108508294A
Authority
CN
China
Prior art keywords
power quality
quality data
vehicle
data
high ferro
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810270350.8A
Other languages
English (en)
Inventor
李健斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Li Li Power Technology Co Ltd
Original Assignee
Shenzhen Li Li Power Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Li Li Power Technology Co Ltd filed Critical Shenzhen Li Li Power Technology Co Ltd
Priority to CN201810270350.8A priority Critical patent/CN108508294A/zh
Publication of CN108508294A publication Critical patent/CN108508294A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16Spectrum analysis; Fourier analysis

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明提供了一种高铁电能质量监测系统,包括监测单元、数据预处理单元、归一化单元、聚类单元、离群点检测单元、电能质量数据库;其中数据预处理单元依据有车运行时的电能质量数据以及高铁在供电臂的运行时间,筛选出供电臂上仅有一辆车运行的电能质量数据,并对电能质量数据进行缺失补全处理和异常检测处理;聚类单元对进行归一化处理后的样本电能质量数据进行聚类,以获取不同车型的电能质量数据分类;离群点检测单元对聚类处理后的电能质量数据进行离群点检测,得到离群点集并发送到电能质量数据库中进行存储。

Description

一种高铁电能质量监测系统
技术领域
本发明涉及电能质量监测技术领域,具体涉及一种高铁电能质量监测系统。
背景技术
电气化高速铁路机车属于非线性和冲击性负荷,其给电网主要带来负序和谐波等电能质量影响;同时不同车型的机车运行时引起电网的电能质量特性不同,特别是谐波特性。这些不仅对电网中其它设备造成不利影响,而且对自身运行的稳定性和可靠性构成威胁。电气化铁道的电力机车为波动性很大的大功率单相整流负荷,而且由于列车在运行过程中的加速、惰行、制动的各种状态,以及线路坡度、弯道半径、气象条件、司机操作等因素以及供电臂上列车数量的变化,牵引负荷随机波动。因此,在进行电能计量的分析时,必须充分考虑到电力机车的负荷特性。采用不同的交-直电力机车,其产生的谐波含量不同。为了进一步研究某车型投运后的电能质量特性,评估其给电网带来的影响,有必要提出一种具有电能质量数据分析处理功能的高铁电能质量监测系统。
发明内容
针对上述问题,本发明提供一种高铁电能质量监测系统。
本发明的目的采用以下技术方案来实现:
提供了一种高铁电能质量监测系统,包括监测单元、数据预处理单元、归一化单元、聚类单元、离群点检测单元、电能质量数据库;
监测单元通过在线的电能质量监测仪获取高铁牵引站的电能质量数据;
数据预处理单元依据有车运行时的电能质量数据以及高铁在供电臂的运行时间,筛选出供电臂上仅有一辆车运行的电能质量数据,并对电能质量数据进行缺失补全处理和异常检测处理;
归一化单元针对预处理后的电能质量数据,计算出一辆高铁的运行时间和电能质量指标的统计值,将高铁在供电臂的运行时间和电能质量指标的统计值作为样本电能质量数据,并进行归一化处理;
聚类单元对进行归一化处理后的样本电能质量数据进行聚类,以获取不同车型的电能质量数据分类;
离群点检测单元对聚类处理后的电能质量数据进行离群点检测,得到离群点集并发送到电能质量数据库中进行存储。
优选地,所述高铁牵引站的电能质量数据包括电压偏差、电流、负序电流、频率偏差、有功功率、无功功率、电量、谐波、间谐波、相角、电压波动与闪变、三相不平衡度、电压暂升、电压暂降和电压短时中断。
优选地,所述仅有一辆车运行的电能质量数据包括有功功率、负序电流和相角。
优选地,所述筛选出供电臂上仅有一辆车运行时的电能质量数据,包括:
(1)当有车运行时的电能质量数据同时大于预设阀值时,则视为供电臂有车的时刻,将供电臂有车的时刻由前到后进行排序得到有车时段的时间序列;
(2)根据有车时间序列,计算出各连续有车时段的时间长度;
(3)判断各连续有车时段的时间长度与最短通行时间的大小,对连续有车时段进行划分;
(4)判断各连续有车时段的时间长度与最长通行时间的大小,将连续有车时段划分为多辆车运行的有车时段和仅有一辆车运行的有车时段,进而得出供电臂上仅有一辆车运行时的电能质量数据。
本发明的有益效果为:实现了对采集的电能质量数据的智能处理,为研究某类型高铁运行过程中给电网带来的电能质量问题提供了基础。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明一个示例性实施例的高铁电能质量监测系统的结构示意框图;
图2是本发明一个示例性实施例的数据预处理单元的结构示意框图。
附图标记:
监测单元1、数据预处理单元2、归一化单元3、聚类单元4、离群点检测单元5、电能质量数据库6、筛选模块10、缺失补全模块20、异常检测模块30。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1、图2,本实施例提供的一种高铁电能质量监测系统,包括监测单元1、数据预处理单元2、归一化单元3、聚类单元4、离群点检测单元5、电能质量数据库6;监测单元1通过在线的电能质量监测仪获取高铁牵引站的电能质量数据;数据预处理单元2依据有车运行时的电能质量数据以及高铁在供电臂的运行时间,筛选出供电臂上仅有一辆车运行的电能质量数据,并对电能质量数据进行缺失补全处理和异常检测处理;归一化单元3针对预处理后的电能质量数据,计算出一辆高铁的运行时间和电能质量指标的统计值,将高铁在供电臂的运行时间和电能质量指标的统计值作为样本电能质量数据,并进行归一化处理;聚类单元4对进行归一化处理后的样本电能质量数据进行聚类,以获取不同车型的电能质量数据分类;离群点检测单元5对聚类处理后的电能质量数据进行离群点检测,得到离群点集并发送到电能质量数据库6中进行存储。
如图2所示,所述的数据预处理单元2包括依次连接的筛选模块10、缺失补全模块20和异常检测模块30。
其中,所述高铁牵引站的电能质量数据包括电压偏差、电流、负序电流、频率偏差、有功功率、无功功率、电量、谐波、间谐波、相角、电压波动与闪变、三相不平衡度、电压暂升、电压暂降和电压短时中断。
其中,所述仅有一辆车运行的电能质量数据包括有功功率、负序电流和相角。
在一个实施例中,所述筛选出供电臂上仅有一辆车运行时的电能质量数据,包括:
(1)当有车运行时的电能质量数据同时大于预设阀值时,则视为供电臂有车的时刻,将供电臂有车的时刻由前到后进行排序得到有车时段的时间序列;
(2)根据有车时间序列,计算出各连续有车时段的时间长度;
(3)判断各连续有车时段的时间长度与最短通行时间的大小,对连续有车时段进行划分;
(4)判断各连续有车时段的时间长度与最长通行时间的大小,将连续有车时段划分为多辆车运行的有车时段和仅有一辆车运行的有车时段,进而得出供电臂上仅有一辆车运行时的电能质量数据。
本发明上述实施例实现了对采集的电能质量数据的智能处理,为研究某类型高铁运行过程中给电网带来的电能质量问题提供了基础。
在一个实施例中,所述对电能质量数据进行缺失补全处理,具体为:
对电能质量数据依采集时间顺序进行检测,将电能质量数据ac与其前一电能质量数据ac-1进行比较,计算电能质量数据ac是否满足电能质量数据合并条件,若电能质量数据ac满足电能质量数据合并条件,则将电能质量数据ac剔除,继续对下一个电能质量数据进行检测。
其中,电能质量数据合并条件为:
式中,σ为设定的变化率阈值。
本实施例对电能质量数据进行预处理,将变化率较小的电能质量数据进行剔除,能够在保障电能质量数据本身精度的前提下减少电能质量数据处理的数量,有益于节约高铁电能质量监测系统的存储空间,降低聚类单元4的计算量,提高电能质量数据聚类处理的效率。
在一个实施例中,聚类单元4对进行归一化处理后的样本电能质量数据进行聚类时,采用改进的全局K-均值聚类算法,具体包括:
(1)提取设定时间段的电能质量数据作为一个电能质量数据集,设为A;
(2)将电能质量数据集A中的电能质量数据按照从小到大进行排序,选取其中的中位数作为电能质量数据集A的聚类中心且令b=1;
(3)令b=b+1,若b>M,M为设定的迭代次数阈值,则算法终止;
(4)取前b-1次的初始聚类中心H1,H2,…,Hb-1,并取电能质量数据集中的电能质量数据ai作为第b个初始聚类中心,ai∈A,i=1,…,N,N为电能质量数据集A具有的电能质量数据量,按照下列公式计算Yi,选择使得Yi取值最大的一组聚类中心作为最优初始聚类中心:
式中,aj∈A,Yi用于测量在ai处加入一个聚类中心后聚类误差减少的量,表示aj到在H1,H2,…,Hb-1中距离最近的初始聚类中心的距离平方,λ1、λ2为设定的权重值;
(5)对最优初始聚类中心应用K-均值算法进行聚类,并保存聚类结果,记它们的初始聚类中心为Z1,Z2,…,Zb
(6)若得到的聚类结果有只包含一个电能质量数据的簇,则令此簇对应的Yi为0,转到(4);否则转到(7);
(7)令Hk=Zk,k=1,…,b,转步骤(3)。
其中,所述的K-均值算法为现有的算法,该算法通过使聚类误差最小进行簇的划分。
本实施例通过改进的全局K-均值聚类算法对数据预处理单元2预处理后的电能质量数据进行聚类处理,并创新性地提出了改进的全局K-均值聚类算法,该算法能够避免出现单独一个电能质量数据作为一个簇的情形,且利用Yi来测量在ai处加入一个聚类中心后聚类误差减少的量,优化了聚类问题的求解效率,从而使得本实施例提出的改进的全局K-均值聚类算法,相对于现有的全局K-均值聚类算法具有更优的聚类效果,并且能够适用于较大的电能质量数据集。
在一个实施例中,所述对聚类处理后的电能质量数据进行离群点检测,具体包括:
(1)对同一个簇的电能质量数据按照从小到大的顺序进行排序,获取其中的中位数amed
(2)若电能质量数据ai满足离群条件,则将该电能质量数据ai视为离群点,归入离群点集;
其中,所述的离群条件为:
式中,aT1为区间[a1,amed]的中位数,aT2为区间[amed,an]的中位数,ai∈{a1,a2,…,an},n为ai所在簇的电能质量数据数量,为电能质量数据ai到其簇的聚类中心的距离,ST为设定的距离阈值;
为设定的判断取值函数,当时,时,
在一个可选的方式中,将所述ST设定为ai所在簇内电能质量数据到聚类中心的距离的平均值。
本实施例对聚类处理后的电能质量数据进行离群点检测,从中创新性地提出了用于检测电能质量数据是否为离群点的离群条件,该离群条件根据电能质量数据与聚类中心的距离以及电能质量数据与所在簇电能质量数据集合的大小关系来判断该电能质量数据是否为离群点,由于利用中位数来判断电能质量数据与所在簇电能质量数据集合的大小关系,能够使得检测不受到簇内电能质量数据分布的限制,具备一定的鲁棒性,检测方式简单有效,为后续研究某类型高铁运行过程中给电网带来的电能质量问题提供了数据基础。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。

Claims (6)

1.一种高铁电能质量监测系统,其特征是,包括监测单元、数据预处理单元、归一化单元、聚类单元、离群点检测单元、电能质量数据库;
监测单元通过在线的电能质量监测仪获取高铁牵引站的电能质量数据;
数据预处理单元依据有车运行时的电能质量数据以及高铁在供电臂的运行时间,筛选出供电臂上仅有一辆车运行的电能质量数据,并对电能质量数据进行缺失补全处理和异常检测处理;
归一化单元针对预处理后的电能质量数据,计算出一辆高铁的运行时间和电能质量指标的统计值,将高铁在供电臂的运行时间和电能质量指标的统计值作为样本电能质量数据,并进行归一化处理;
聚类单元对进行归一化处理后的样本电能质量数据进行聚类,以获取不同车型的电能质量数据分类;
离群点检测单元对聚类处理后的电能质量数据进行离群点检测,得到离群点集并发送到电能质量数据库中进行存储。
2.根据权利要求1所述的一种高铁电能质量监测系统,其特征是,所述高铁牵引站的电能质量数据包括电压偏差、电流、负序电流、频率偏差、有功功率、无功功率、电量、谐波、间谐波、相角、电压波动与闪变、三相不平衡度、电压暂升、电压暂降和电压短时中断。
3.根据权利要求1所述的一种高铁电能质量监测系统,其特征是,所述仅有一辆车运行的电能质量数据包括有功功率、负序电流和相角。
4.根据权利要求1所述的一种高铁电能质量监测系统,其特征是,所述筛选出供电臂上仅有一辆车运行时的电能质量数据,包括:
(1)当有车运行时的电能质量数据同时大于预设阀值时,则视为供电臂有车的时刻,将供电臂有车的时刻由前到后进行排序得到有车时段的时间序列;
(2)根据有车时间序列,计算出各连续有车时段的时间长度;
(3)判断各连续有车时段的时间长度与最短通行时间的大小,对连续有车时段进行划分;
(4)判断各连续有车时段的时间长度与最长通行时间的大小,将连续有车时段划分为多辆车运行的有车时段和仅有一辆车运行的有车时段,进而得出供电臂上仅有一辆车运行时的电能质量数据。
5.根据权利要求1-4任一项所述的一种高铁电能质量监测系统,其特征是,所述对电能质量数据进行缺失补全处理,具体为:
对电能质量数据依采集时间顺序进行检测,将电能质量数据ac与其前一电能质量数据ac-1进行比较,计算电能质量数据ac是否满足电能质量数据合并条件,若电能质量数据ac满足电能质量数据合并条件,则将电能质量数据ac剔除,继续对下一个电能质量数据进行检测。
其中,电能质量数据合并条件为:
式中,σ为设定的变化率阈值。
6.根据权利要求1-4任一项所述的一种高铁电能质量监测系统,其特征是,所述对聚类处理后的电能质量数据进行离群点检测,具体包括:
(1)对同一个簇的电能质量数据按照从小到大的顺序进行排序,获取其中的中位数amed
(2)若电能质量数据ai满足离群条件,则将该电能质量数据ai视为离群点,归入离群点集;
其中,所述的离群条件为:
式中,aT1为区间[a1,amed]的中位数,aT2为区间[amed,an]的中位数,ai∈{a1,a2,…,an},n为ai所在簇的电能质量数据数量,为电能质量数据ai到其簇的聚类中心的距离,ST为设定的距离阈值;
为设定的判断取值函数,当时,时,
CN201810270350.8A 2018-03-29 2018-03-29 一种高铁电能质量监测系统 Pending CN108508294A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810270350.8A CN108508294A (zh) 2018-03-29 2018-03-29 一种高铁电能质量监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810270350.8A CN108508294A (zh) 2018-03-29 2018-03-29 一种高铁电能质量监测系统

Publications (1)

Publication Number Publication Date
CN108508294A true CN108508294A (zh) 2018-09-07

Family

ID=63379295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810270350.8A Pending CN108508294A (zh) 2018-03-29 2018-03-29 一种高铁电能质量监测系统

Country Status (1)

Country Link
CN (1) CN108508294A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108761227A (zh) * 2018-04-02 2018-11-06 深圳市益鑫智能科技有限公司 一种高铁电能质量数据处理系统
CN109298225A (zh) * 2018-09-29 2019-02-01 国网四川省电力公司电力科学研究院 一种电压量测数据异常状态自动识别模型及方法
CN110110961A (zh) * 2019-03-26 2019-08-09 国网河北省电力有限公司沧州供电分公司 电能质量数据监测方法、装置及终端设备
CN112699113A (zh) * 2021-01-12 2021-04-23 上海交通大学 时序数据流驱动的工业制造流程运行监测系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101710422A (zh) * 2009-12-11 2010-05-19 西安电子科技大学 基于全局流形原型聚类算法与分水岭算法的图像分割方法
CN103617568A (zh) * 2013-12-06 2014-03-05 国家电网公司 稳态电能质量预警机制中的异常数据判定阈值设定方法
CN103777091A (zh) * 2013-12-13 2014-05-07 国家电网公司 一种基于k均值的高铁电能质量监测数据分类方法
CN103872782A (zh) * 2014-03-31 2014-06-18 国家电网公司 一种电能质量数据综合服务系统
CN105512206A (zh) * 2015-11-27 2016-04-20 河海大学 一种基于聚类的离群点检测方法
US10139844B1 (en) * 2014-06-24 2018-11-27 Hrl Laboratories, Llc Method to suppress cascading failures in a transmission network

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101710422A (zh) * 2009-12-11 2010-05-19 西安电子科技大学 基于全局流形原型聚类算法与分水岭算法的图像分割方法
CN103617568A (zh) * 2013-12-06 2014-03-05 国家电网公司 稳态电能质量预警机制中的异常数据判定阈值设定方法
CN103777091A (zh) * 2013-12-13 2014-05-07 国家电网公司 一种基于k均值的高铁电能质量监测数据分类方法
CN103872782A (zh) * 2014-03-31 2014-06-18 国家电网公司 一种电能质量数据综合服务系统
US10139844B1 (en) * 2014-06-24 2018-11-27 Hrl Laboratories, Llc Method to suppress cascading failures in a transmission network
CN105512206A (zh) * 2015-11-27 2016-04-20 河海大学 一种基于聚类的离群点检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ARISTIDIS LIKAS等: "The global k-means clustering algorithm", 《PATTERN RECOGNITION》 *
严宇平等: "基于聚类分析的离群检测方法在电网数据质量管理中的应用研究", 《现代电子技术》 *
张忠厚: "改进的全局K 均值算法及其在啤酒系统中的应用", 《计算机系统应用》 *
赵丽: "全局K-均值聚类算法研究与改进", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
钟庆等: "电能质量监测数据中间距离法聚类分析", 《电力系统及其自动化学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108761227A (zh) * 2018-04-02 2018-11-06 深圳市益鑫智能科技有限公司 一种高铁电能质量数据处理系统
CN109298225A (zh) * 2018-09-29 2019-02-01 国网四川省电力公司电力科学研究院 一种电压量测数据异常状态自动识别模型及方法
CN109298225B (zh) * 2018-09-29 2020-10-09 国网四川省电力公司电力科学研究院 一种电压量测数据异常状态自动识别模型系统及方法
CN110110961A (zh) * 2019-03-26 2019-08-09 国网河北省电力有限公司沧州供电分公司 电能质量数据监测方法、装置及终端设备
CN112699113A (zh) * 2021-01-12 2021-04-23 上海交通大学 时序数据流驱动的工业制造流程运行监测系统

Similar Documents

Publication Publication Date Title
CN108508294A (zh) 一种高铁电能质量监测系统
CN103617568B (zh) 稳态电能质量预警机制中的异常数据判定阈值设定方法
CN102866361B (zh) 一种电池组soh在线估算方法
Zhang et al. State-of-health estimation of batteries in an energy storage system based on the actual operating parameters
CN113064939B (zh) 一种新能源车辆三电系统安全特征数据库构建方法
CN103529340B (zh) 电动汽车充电站在线监测和分析评估系统
CN103777091B (zh) 一种基于k均值的高铁电能质量监测数据分类方法
CN112345951B (zh) 一种复合电源动力系统中电池的交流阻抗测量方法
CN106774131A (zh) 一种城市轨道交通能耗测量控制系统及评价方法
CN105253024B (zh) 电动汽车续驶里程估算方法、装置及系统
CN112433169A (zh) 一种云端动力电池健康度评估系统及方法
CN108761227A (zh) 一种高铁电能质量数据处理系统
CN110488204A (zh) 一种储能元件soh-soc联合在线估计方法
CN111413589B (zh) 一种基于灰靶决策的配电网单相短路故障定位方法
CN106959422B (zh) 一种电池寿命预警装置的检测方法
CN106998086A (zh) 兆瓦级储能电站电池管理方法及其系统
CN107617582A (zh) 动力电芯梯次利用筛选成组方法
CN105160151A (zh) 一种基于模糊K-means算法的电动汽车应急供电方法
CN114744662B (zh) 一种基于多类型电动汽车的电网调峰方法及系统
CN116400241A (zh) 基于全生命周期运行数据的电池健康评估方法及装置
CN113379566A (zh) 虚拟电厂支撑系统
CN104882914A (zh) 一种多电池单体均衡方法
CN103543355A (zh) 一种测定太阳能光伏发电效率的系统
Du et al. Receding horizon control based energy management strategy for PHEB using GRU deep learning predictive model
CN110501651A (zh) 退役电池核容检测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180907

RJ01 Rejection of invention patent application after publication