[发明专利]非侵入式轨道交通列车运行态势感知方法与装置

说明书

本申请提供了一种非侵入式轨道交通列车运行态势感知方法与装置。该方法包括：获取量测值，量测值包括轨道交通电流有效值；对量测值进行去噪处理和标幺化处理，得到处理后的量测值；从处理后的量测值中提取出启停信号，启停信号包括启动信号和停止信号；获取列车运行规则；根据启停信号和列车运行规则，构建基于场景模拟的负荷识别和分解模型；根据基于场景模拟的负荷识别和分解模型，确定轨道交通列车的运行态势。实现了对非侵入式轨道交通列车运行态势的精确确定。

技术领域

本申请涉及轨道交通列车运行态势识别领域，具体而言，涉及一种非侵入式轨道交通列车运行态势感知方法、装置、计算机可读存储介质和处理器。

背景技术

随着大量轨道交通线路的建设投运，轨道交通供电网络复杂程度越来越高，出现故障的可能性和故障波及的范围、造成的损失也不断扩大，严重情况下可能造成社会秩序混乱，甚至影响社会稳定，因此需要切实加强供电的安全性和可靠性。对于已投运的轨道交通线路，目前电力公司对其供电网络的监测只是实现了对变电站轨道交通供电线路以及相关电源站(开闭站)的稳态监测，缺少对负荷具体情况及其变化趋势分析，缺乏对穿越转供等高风险情况的准确快速感知手段。

轨道交通列车运行态势感知技术的核心是非侵入式负荷监测技术。非侵入式负荷监测(non-intrusive load monitoring，NILM)是将用户总负荷信息分解为各用电设备的信息，进而获取用电设备能耗情况与用户用电规律等用电信息。与侵入式负荷监测相比，NILM的经济投入小，实用性强。

NILM的基本原理是在用户入户端安装智能量测装置，采集分析其量测点处的电压、电流等电气量。NILM装置量测获得的总负荷的电压、电流等电气量可视为承载电力信息的信号，包含了不同特性的负荷成分信息，通过提取这些电气量的特征信息，NILM系统就能实现负荷分解。

负荷印记(load signatures，LS)的概念在NILM中具有重要作用。在此LS定义为一个用电设备在运行中所体现的独特的能反映用电状态的信息，如有功的波形等。LS包含了负荷的运行特征，而这些特征由用电设备的工作条件决定，据此可将LS分为稳态、暂态、运行模式3类，其中稳态与暂态2类LS取决于设备内部的元器件特征；运行模式类LS则由设备的运行控制策略决定。LS的各种特征具有重现性，故基于LS特征可识别负荷类型及其使用状况，此即NILMD的实现原理。

目前非侵入式负荷监测的研究主要针对居民用户，将用户总负荷分解为各用电设备信息，对工商业用户很少涉及，更没有针对城市轨道交通负荷的专门研究。

列车轨道交通电流信号与居民家用电器信号存在以下区别：

1)电流在设备工作中的表现不同。由于列车存在惰行状态，其惰行状态对电流的需求远小于启动状态，当电流中掺杂地铁照明、空调等因素的情况下，其惰行状态基本无法被察觉。而家用电器的额定功率能够保证其在工作状态中的电流值是可预期的，因此对其状态的把握比地铁列车要简单。

2)电流的监测范围不同。一个相量测量装置(Phasor Measurement Unit，简称PMU)设备只能监测一条地铁线的一个区间段，该区间段外的电流信号不能被收集。因此其电流监测范围是开放的，会导致同一趟列车的连续运行状态分布在两个区间段内。而家用电器的电流监测范围是封闭的，每个家用电器的运行状态会完整的反映在其监测的电流信号上。

另一方面，在非侵入式负荷监测技术中，较为重要的一个步骤是负荷识别与分解。负荷识别与分解要解决的问题是，对给定的用电设备特征库及从量测数据中提取的负荷特征，辨识总负荷的成分，以实现负荷分解。

数学优化和模式识别是负荷识别及分解问题的2大类求解方法。数学优化法求解复杂，且识别精度不高，目前的主流方法大都为模式识别法。模式识别法可分为基于监督的学习和非监督学习两类。基于监督学习的负荷识别方法包括K邻近算法、神经网络法、支持向量机、Adaboost方法等。基于非监督学习的负荷识别包括隐式马尔可夫模型等。