一种电铁牵引负荷电能质量分布特性高斯模型分析方法与流程

本发明属于电气化铁路系统自动化
技术领域：
，具体涉及一种电铁牵引负荷电能质量分布特性高斯模型分析方法，其作为一种数据驱动方法，可用以支撑电气化铁路系统大数据平台的高级应用。
背景技术：
：电气化铁路的优良性能为世界各国所认知，我国近十年来加快了铁路电气化建设和改造的步伐，中国高铁的发展也成为举世瞩目且引领世界的特色优势产业。随着我国高速客运专线及重载货运铁路的大规模投产运行，针对电气化铁路大规模接入地区，电铁牵引负荷对电网电能质量的管理和控制，提出了新的挑战。本发明所涉及的一种电铁牵引负荷电能质量分布特性高斯模型分析方法，通过对典型高速客运铁路专线、重载货运铁路的电能质量进行测试，收集大规模电铁负荷接入后的电网电能质量监测装置中的电压有效值、电流有效值、有功功率、无功功率、视在功率、基波功率因数、全功率因数、谐波、闪变等数据，并进行数据预处理，建立电铁牵引负荷电能质量分布特性高斯混合模型，并分析不同种类电铁牵引负荷对电能质量的影响。该方法作为一种大数据处理方法，通过数据挖掘与分析，更好地服务于电气化铁路线路规划以及设备升级改造等方面。技术实现要素：本发明利用电网电能质量监测装置采集到的不同负荷下电网电压有效值、电流有效值、有功功率、无功功率、视在功率、基波功率因数、全功率因数、谐波、闪变等数据，建立大规模电铁负荷接入后电能质量分布特性高斯混合模型，实现不同负荷接入对电网电能质量影响的分析，为电气化铁路运行与线路升级改造中新线路对电网的冲击提供理论依据。为了实现上述目的，本发明采用的技术方案包括如下步骤：(1)采集电能质量监测装置中的电压有效值、电流有效值、有功功率、无功功率、视在功率、基波功率因数、全功率因数、谐波、闪变等数据，均为三相电的原始测量值，通过对此数据进行小波去噪等操作，构造原始数据集x；(2)基于上述数据特征集x，利用带有合并算子Figueiredo-Jain(F-J)算法学习高斯混合模型，得到输出模型参数，即不同负荷下电网电能质量的特征参数以及各负荷的先验概率；(3)在应用阶段，基于上述建立的改进高斯混合模型，对实时采集到的反映电铁牵引负荷电能质量分布特性的电压、电流、功率、谐波等数据进行识别和分析，获得对应的负荷类别；对于新建线路，根据其所属的负荷类型，分析其对电网电能质量的影响。在步骤(1)中，原始数据集x的构造应包括：①采集电网电能质量监测装置提供的电压有效值、电流有效值、有功功率、无功功率、视在功率、基波功率因数、全功率因数、谐波、闪变等全部数据用于分析；②将筛选出的数据进行小波去噪，得到不含离群点的数据。在步骤(2)中，基于原始数据x，建立基于改进F-J算法的GMM模型，具体如下：①训练特征集x包含n个训练样本，是一个m维的非高斯数据，由于非高斯过程可以表示为多个高斯元的组合，因此x的概率密度函数可以表示为其中K是高斯元的数量，ωi是第i个高斯元Ci的权重，(μi,σi)是Ci的均值和协方差。对于Ci，x的相应的多变量高斯密度函数是混合概率密度函数是几个高斯元的加权，其中权重ωi反映样本属于第i个高斯元的先验概率。对于混合高斯模型，密度函数的积分满足因为每个高斯元的概率密度的积分也是1，所以②假设GMM模型中的初始参数值是其中K0是初始高斯元的数量，每个高斯元的初始权重是1/K0；③计算其中p(s)(Ck(s)|xj)是在第s次迭代中第j个样本属于第k个高斯元Ck(s)的后验概率。④计算其中和分别是在第(s+1)次迭代中高斯元Ck(s+1)的均值、协方差和权重，m是样本点的维数。⑤令步骤④中的Ci(s)表示第s次迭代中具有最小权重的高斯元，是Ci(s)的权重，在此次迭代中高斯元的数量是Ks：i.如果那么就计算Ci(s)和其他高斯元的距离并记做接着将高斯元Ci(s)和距离它最近的高斯元Cj(s)合并，更新权重如下：将高斯元Cj(s)与Ci(s)合并之后，重复步骤③。ii.如果所有的那么检查两次迭代中参数的变化，如果变化大于一个特定的非常小的值，重复步骤③。iii.当所有高斯元的权重大于等于1/K0并且两次迭代之间参数的变化小于这个特定的非常小的值，迭代终止，输出最终的GMM模型参数。在步骤(3)中，对于新建线路，根据其所属的负荷类型，基于其反变换后的电网电压有效值、电流有效值、有功功率、无功功率、视在功率、基波功率因数、全功率因数、谐波、闪变等数据的特征值，分析其对电网电能质量的影响。本发明的特点在于：针对采集到的反应电铁牵引负荷电能质量数据时不同种类电铁负荷下的混合数据的特点，基于同种电铁负荷下的数据服从高斯分布的特点，利用改进高斯混合模型(GaussianMixtureModel，GMM)作为电能质量的建模工具，建立多个高斯模型，并得到不同负荷的先验概率。在建模过程中，利用基于带有合并算子Figueiredo-Jain(F-J)算法进行训练，一方面可自动调整高斯元的数目，另一方面可解决部分高斯元重叠时带来的迭代效率下降的问题。本发明具有以效果：本发明作为一种基于大数据处理方法的电铁牵引负荷电能质量分析方法，能够对电气化铁路运行中电网电能质量数据的特征进行提取与优化，实现不同负荷类型下电网电能质量的聚类分析，从而指导电气化铁路线路改建与扩建对电网电能质量的影响，实现线路改建前的理论分析，更好地未电气化铁路的规划与运行提供辅助服务。附图说明下面结合附图和具体实施方式来详细说明本发明；图1为本发明提供的基于改进高斯混合模型的电铁牵引负荷电能质量分布特性计算分析方法的流程图；图2为本发明实现的不同电铁牵引负荷下电能质量分布特征的聚类结果。具体实施方式下面结合说明书附图和实施范例对本发明的技术方案做进一步详细阐述。本发明提供了一种电铁牵引负荷电能质量分布特性高斯模型分析方法，其流程如图1所示，包括以下步骤：步骤1:本实施范例结合电铁牵引负荷对山西电网电能质量影响的监测装置中收集的15000组数据进行说明，每个数据我们选取表1中的变量作为我们的变量，主要电压有效值、电流有效值、有功功率、无功功率、视在功率、基波功率因数、全功率因数、谐波、闪变等数据，通过对此数据进行小波去噪等操作，并将小波去噪后的数据集标准化，构造原始数据集x。表1电铁牵引负荷电网电能质量监测装置监控变量序号变量名序号变量名1A相基波功率因数2B相基波功率因数3C相基波功率因数4总基波功率因数5A相电流有效值6B相电流有效值7C相电流有效值8A相有功功率9B相有功功率10C相有功功率11总有功功率12A相全功率因数13B相全功率因数14C相全功率因数15总全功率因数16A相无功功率17B相无功功率18C相无功功率19总无功功率20A相视在功率21B相视在功率22C相视在功率23A相视在功率24A相电压有效值25B相电压有效值26C相电压有效值27A相总功28B相总功29C相总功30总功31负序电流32正序电流33零序电流34负序电压35正序电压36零序电压38A相闪变39B相闪变40C相闪变41A相电流三次谐波绝对值42B相电流三次谐波绝对值43C相电流三次谐波绝对值44A相电流五次谐波绝对值45B相电流五次谐波绝对值46C相电流五次谐波绝对值47A相电流七次谐波绝对值48B相电流七次谐波绝对值49C相电流七次谐波绝对值(2)基于上述数据15000*48的原始数据集x，利用带有合并算子Figueiredo-Jain(F-J)算法学习高斯混合模型，得到输出模型参数，即不同负荷下电网电能质量的特征参数以及各负荷的先验概率，具体如下①原始样本集x包含15000个训练样本，是一个48维的非高斯数据，假设GMM模型中的初始参数值是其中K0＝8是初始高斯元的数量，每个高斯元的初始权重是1/K0＝1/8；②计算第s次迭代中第j个样本属于第k个高斯元Ck(s)的后验概率③计算在第(s+1)次迭代中高斯元Ck(s+1)的均值、协方差和权重和其中m是样本点的维数。④令步骤③中的Ci(s)表示第s次迭代中具有最小权重的高斯元，是Ci(s)的权重，如果将权重过小的高斯元与和其距离最近的高斯元合并，重复步骤②；否则，计算两次迭代中参数的变化，如果变化大于一个特定的非常小的值，重复步骤②。当所有高斯元的权重大于等于1/K0并且两次迭代之间参数的变化小于这个特定的非常小的值，迭代终止，输出最终的改进GMM模型参数，即改进GMM模型中每个每个高斯元的最终权重ω、最终均值μ和最终协方差σ，如表2所示。从表格中我们可以看出系统被分为无负荷、交直型、交直交三种不同的类型，并给出了各个类型的权重，即先验概率以及各个类型标准化后的均值和协方差。通过反变换，我们可以得到各个类型负荷发生时电网电压有效值、电流有效值、有功功率、无功功率、视在功率、基波功率因数、全功率因数、谐波、闪变等数据的特征值。图2为迭代过程中权重ω个数的变化以及各次迭代中均值和协方差的变化过程。表2电铁牵引负荷电能质量的改进GMM模型参数(3)在应用阶段，基于上述建立的改进高斯混合模型，对实时采集到的反映电铁牵引负荷电能质量分布特性的电压、电流、功率、谐波等数据进行识别和分析，获得对应的负荷类别；对于新建线路，根据其所属的负荷类型，基于其反变换后的电网电压有效值、电流有效值、有功功率、无功功率、视在功率、基波功率因数、全功率因数、谐波、闪变等数据的特征值，分析其对电网电能质量的影响。以上实施范例仅用于帮助理解本发明的核心思想，不能以此限制本发明，对于本领域的技术人员，凡事依据本发明的思想，在具体实施方式及应用范围上所作的任何改动，均应包含在本发明的保护范围之内。当前第1页1 2 3