一种面向轨道交通的能耗影响因素的分析方法与流程

本发明涉及轨道交通电能能耗分析领域，特别涉及一种面向轨道交通的能耗影响因素的分析方法。

背景技术：

城市轨道交通具有运量大、快捷舒适、安全、准点、保护环境、节约能源、占地少等特点，已经成为各大中型城市解决道路交通拥堵问题的主要手段。随着我国社会经济的飞速发展及城市化进程的日益推进，我国城市轨道交通建设的规模不断扩大，城市轨道交通对城市电网的电能质量及暂态过程影响已日渐显现。

城市轨道交通供电系统负责为电动列车提供牵引电力，并为各种运营设备提供动力照明电源，是城市电网的用电大户。同时城市轨道交通能耗成本约占全部运营成本的30％～48％，因而应在保证牵引供电系统安全和优质运行的前提下，降低能耗才能降低运营成本，目前还没有提出轨道交通的能耗的的影响因素的评价体系及其分析方法。

技术实现要素：

为了解决上述问题，本发明提供了一种面向轨道交通的能耗影响因素的分析方法，具体技术方案如下：

1、一种面向轨道交通的能耗影响因素的分析方法，其特征在于：采用灰色关联分析法对各个要素进行灰色关联度分析，具体步骤如下：

(1)原始数据处理：采用将原始数据减去原始数据的平均值然后再除以原始数据的标准差的方法对原始数据进行无量纲化处理；

(2)计算关联系数：首先确定分析序列，设因变量数据构成参考序列x'0，各自变量数据构成比较序列xi'(i＝1,2,3…n)，n个数据序列形成矩阵如式①所示：

式中，xi'表示主元素，矩阵①中的第1行代表分析的样本数据，列代表主元素，矩阵本身表示一个主因素；

(3)对变量序列进行无量纲化：采用式②对变量序列进行无量纲化，

xij为主元素i的第j个指标的无量纲化结果；xi'j为主元素i的第j个原始数据指标对应于原始数据指标的平均值，st(xi'j)为对应于原始数据指标的标准差；

无量纲化处理后，各因素序列形成矩阵如式③所示：

对于每个主因素，选择最优样本数据作为参考序列，与其关联度越大表示与耗电量越相关；假设第i个主元素为xi＝(xi(1)，xi(1)，xi(2)…xi(n))^t，i＝1,2,3…n；④

构造最优样本：

x0＝(x0(1)，x0(1)，x0(2)…x0(n))^t；⑤

(4)求绝对差值矩阵、最大差值和最小差值：计算式③中矩阵的第一列与其余各列对应值的绝对差值，形成绝对差值矩阵如式⑦所示：

式中，δ0i(k)＝|x0(k)-xi(k)|，(i＝1,2,…n，k＝1,2,…n)；⑧

绝对差值矩阵中最大值和最小值，即为最大差值和最小差值：

(5)计算关联系数：对式⑦的绝对差值矩阵中数据作如下式⑩0的变换得到关联系数矩阵如式所示：

其中，ρ为分辩系数，取值范围为(0，1)，关联系数ξ0i(k)是不超过1的正数，绝对差值δ0i(k)越小，关联系数ξ0i(k)就越大，ξ0i(k)反映第i个比较序列xi与参考序列x0在第k期的关联程度；

(6)计算关联度：用比较序列xi与参考数列x0的各个时期的关联系数之平均值来定量反映这两个数列的关联程度，其计算公式为：

式中，r0i(k)为第k个比较数列xi与参考数列x0的关联度。

进一步，轨道交通的能耗影响因素包括时间要素、区域要素、车站要素、线路节能破、车辆要素、设备要素、季节要素；

所述时间要素包括施工期、调试期、初期、近期和远期；

所述区域要素包括市区和郊区；

所述车站要素包括高架站、地面站和地下站；

所述线路节能坡采用比例包括高比例、中比例和低比例；所述高比例的取值范围为大于等于85％且小于等于95％；所述中比例的取值范围为大于等于60％且小于85％；所述低比例的取值范围为小于60％；

所述车辆要素包括a型车、b型车、c型车；

所述设备要素包括牵引供电系统、通风与空调系统、屏蔽门系统、照明系统、给排水系统、自动扶梯系统、弱电系统、车辆基地设备；

所述季节要素包括春季、夏季、秋季和冬季。

本发明提供了一种面向轨道交通的能耗影响因素及其分析方法，确定了轨道交通的能耗评价体系，并采用灰色关联度法分析各个要素对轨道交通的能耗的影响，填补了轨道交通的能耗分析方法上的空缺，具有重要的社会意义。

说明书附图

图1是本发明的关联度柱状图。

具体实施方式

为了更好的理解本发明，下面结合附图和具体实施例对本发明作进一步说明：

轨道交通的能耗影响因素包括时间要素、区域要素、车站要素、线路节能破、车辆要素、设备要素、季节要素：

所述时间要素，包括施工期、调试期、初期、近期和远期；轨道交通施工过程中，通常有部分线路在完成阶段建设目标后即开始运营，这表明运营长度对轨道交通网络总能耗将产生直接的影响。

所述区域要素，包括市区和郊区；市区人员流动性大，市区轨道交通的载客量明显高于郊区，载客量的多少对于电梯、空调等设施的能耗会产生影响。

所述车站要素，包括高架站、地面站和地下站；不同的线路，站内耗电会有较大差距，特别在使用空调的季节，地下和地面的能耗明显高于高架。

所述线路节能坡，采用比例包括高、中和低；高比例的取值范围为大于等于85％且小于等于95％；中比例的取值范围为大于等于60％且小于85％；低比例的取值范围为小于60％；

所述车辆要素，包括a型车、b型车、c型车等。

所述设备要素，牵引供电系统、通风与空调系统、屏蔽门系统、照明系统、给排水系统、自动扶梯系统、弱电系统、车辆基地设备；不同型号的列车采用不同的节能型设施，不同类型的车站(地上、地下)根据运行的实际情况采用不同的节能措施，都可以达到节能的目的。

所述季节要素，包括春季、夏季、秋季和冬季；随着夏季的到来，地铁总能耗有明显的上升，季节因素对能耗的变化有极其明显的影响。

一种面向轨道交通的能耗影响因素的分析方法是采用灰色关联分析法对各个要素进行灰色关联度分析，所述关联度，是事物之间、因素之间关联性大小的量度。它定量地描述了事物或因素之间相互变化的情况，即变化的大小、方向与速度等的相对性。如果事物或因素变化的态势基本一致，则可以认为它们之间的关联度较大，反之，关联度较小。对事物或因素之间的这种关联关系，虽然用回归、相关等统计分析方法也可以做出一定程度的回答，但往往要求数据量较大、数据的分布特征也要求比较明显。而且对于多因素非典型分布特征的现象，回归相关分析的难度常常很大。相对来说，灰色关联度分析法所需数据较少，对数据的要求较低，原理简单，易于理解和掌握，对上述不足有所克服和弥补。具体包括以下步骤：(1)原始数据处理：采用将原始数据减去原始数据的平均值然后再除以原始数据的标准差的方法对原始数据进行无量纲化处理；

(2)计算关联系数：首先确定分析序列，设因变量数据构成参考序列x'0，各自变量数据构成比较序列xi'(i＝1,2,3…n)，n个数据序列形成矩阵如式①)所示：

式中，xi'表示主元素，矩阵①中的第1行代表分析的样本数据，列代表主元素，矩阵本身表示一个主因素；

(3)对变量序列进行无量纲化：采用式②对变量序列进行无量纲化，

xij为主元素i的第j个指标的无量纲化结果；xi'j为主元素i的第j个原始数据指标对应于原始数据指标的平均值，st(xi'j)为对应于原始数据指标的标准差；

无量纲化处理后，各因素序列形成矩阵如式③所示：

对于每个主因素，选择最优样本数据作为参考序列，与其关联度越大表示与耗电量越相关。假设第i个主元素为xi＝(xi(1)，xi(1)，xi(2)…xi(n))^t，i＝1,2…,3…n；④

构造最优样本：

x0＝(x0(1)，x0(1)，x0(2)…x0(n))^t；⑤

(4)求绝对差值矩阵、最大差值和最小差值：计算式③中矩阵的第一列与其余各列对应值的绝对差值，形成绝对差值矩阵如式⑦所示：

式中，δ0i(k)＝|x0(k)-xi(k)|，(i＝1,2,…n，k＝1,2,…n)；⑧

绝对差值矩阵中最大值和最小值，即为最大差值和最小差值：

(5)计算关联系数：对式⑦的绝对差值矩阵中数据作如下式⑩的变换得到关联系数矩阵如式所示：

其中，ρ为分辩系数，取值范围为(0，1)，关联系数ξ0i(k)是不超过1的正数，绝对差值δ0i(k)越小，关联系数ξ0i(k)就越大，ξ0i(k)反映第i个比较序列xi与参考序列x0在第k期的关联程度；

(6)计算关联度：用比较序列xi与参考数列x0的各个时期的关联系数之平均值来定量反映这两个数列的关联程度，其计算公式为：

式中，r0i(k)为第k个比较数列xi与参考数列x0的关联度。

按照上述方法计算得到面向轨道交通的各能耗影响因素对轨道交通能耗的贡献值的相关度如表1所示，其柱状图如图1所示，列车在调试期的能耗对轨道交通的能耗贡献值的相关度最大，而市区载客量比较大，因此市区的能耗对轨道交通的能耗贡献值的相关度更大；地下站的能耗对轨道交通的能耗贡献值的相关度最大，特别在使用空调的季节；线路节能坡，采用比例越高，其能对轨道交通的能耗贡献值的相关度越小；c型车的能耗对轨道交通的能耗贡献值的相关度更大，主要是因为其普及率更高；列车的运行主要在于牵引供电系统的正常运行，由灰色关联分析法可知牵引供电系统的能耗对轨道交通的能耗贡献值的相关度更大；随着夏季的到来，地铁总能耗有明显的上升，夏季的能耗对轨道交通的能耗贡献值的相关度更大，可见季节因素对能耗的变化有极其明显的影响。

表1面向轨道交通的各能耗影响因素对轨道交通能耗的贡献值的相关度

本发明不局限于以上所述的具体实施方式，以上所述仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。