摘 要：整流器作为轨道交通供电系统的一部分，可将交流电转换为直流电，其运行状态与供电系统的稳定性直接相关。为提高整流器的安全运行及整个供电系统的稳定性，运用机器学习方法对其温度进行建模，能实时判断设备的运行状态及其变化趋势，对设备的异常运行状态给出有效预警。
关键词：整流器；轨道交通；机器学习；实时监测
中图分类号：TM63 文献标识码：A 文章编号：1671-2064（2018）21-0013-02
整流器（Rectifier）是一个整流装置，可将交流（AC）转化为直流（DC）。作为轨道交通供电系统的一部分，整流器的运行状态与供电系统的稳定性直接相关。传统的设备数据监测方式能满足实时性的监测需求，但该方式仅能独立展示设备特征的变化情况，无法描述特征间的相互影响关系。与此同时，该方式必须在设备状态评判指标超过阈值后才能判别设备状态的好坏。针对上述问题，本文提出一种基于机器学习的整流器状态监测方法。该方法以设备真实温度值为状态评判指标，使用机器学习方法构建设备温度模型，并使用该模型对设备状态进行实时监测与评估。
1 设备数据分析与建模
在对整流器状态进行实时监测前需要对设备历史运行数据进行分析与建模，建立设备电流、功率、环境变量等属性特征与设备真实温度间的模型。
1.1 设备数据分析
数据分析探索主要对设备的特征属性进行单变量分析与双变量分析。通过计算变量的均数、分位数、标准差等以了解变量的分布特征。通过散点图、折线图与相关系数了解目标变量与自变量、自变量与自变量之间的相关关系。
1.2 设备数据建模
本研究采用成熟度较高、应用广泛的方法，如Lasso regression、岭回归（Ridge regression）、随机森林（Random Forest）、梯度提升决策树（GBDT）等进行建模。模型的选取标准以工程化应用为目标，最终选取设备温度预测值与温度真实的残差绝对值在±2℃内准确率最高的模型。
2 设备运行状态实时监测
整流器的状态实时监测过程可分为三大流程。首先，从数据库中实时提取设备运行数据；其次，对提取的数据进行处理，并将数据传递给模型进行预测；最后，对模型的预测结果进行监测，评估设备状态。
2.1 数据提取
在对设备的运行状态进行监测时，从Hbase数据库中获取设备运行时的电流、有功功率、设备温度、环境温湿度等属性数据。
2.2 温度实时预测
由于电流变化波动较大，直接使用电流进行预测会导致预测结果波动较大。因此在进行温度预测前需要对电流数据进行平滑处理，再通过特征工程构造新特征。具体如下：
（1）采用非对称局部加权回归散点平滑法（LOWESS）對电流数据进行平滑处理。该方法将需平滑数据区间[x1， x2]映射成[-1，1]区间内的对应坐标，并将计算结果带入权值函数W（式（1）），再使用加权回归模型（式（2））得出平滑后的电流值，其中I为电流实际值。
（1）
（2）
（2）构造电流衍生变量。针对电流数据构造其衍生变量，衍生变量类型包含电流平方值、立方值、平滑电流平方值、平滑电流立方值，一段时间内的电流平方、立方累计值等。
（3）采用z-score法对变量进行数据标准化，消除数据量纲的影响。
2.3 状态实时监测
模型构建以工程化应用为目标，需实时甄别设备温度与电流是否按正常规律变化，为避免程序误报，在模型预测的基础上使用区间判断法评估设备的整体状态。具体流程与步骤如下：
（1）计算当前设备预测温度与真实温度的残差绝对值，当残差绝对值大于设定的阈值时设备状态评估程序开始启动；
（2）对后续N个数据点的残差绝对值进行统计，当其中n个数据点的残差绝对值大于阈值时，设备状态信息Tp加1；
（3）重复步骤（2），当出现连续p个区间均出现n个数据点的残差绝对值大于等于阈值（即Tp=p），则备预警信息Tw加1。若其中某一区间内残差绝对值不满足条件时，则Tp与Tw数值清零。返回步骤（1），重新开始监测模型预测结果。
3 试验结果与分析
将本方法运用于某轨道交通供电系统的整流器设备。首先，对历史数据集进行分析建模。其次，将模型部署到现场，提取设备的运行数据进行实时预测，进行设备状态监测。最终进行模型现场试验验证模型的设计功能。数据集属性，如表1所示。
3.1 数据分析结果
整流器的三相电流相关系数在均在0.95以上，因此在做电流与其他变量间的相关性分析时仅选择A相电流作为研究对象。对设备各触点数据进行分析，其中“触点2实时值”出现最高温度值的概率最大。电流、功率以及环境温湿度与设备温度的相关性均在0.6及以上。变量相关系数，如表2所示。
3.2 数据建模结果
根据数据分析结果，模型最终以A相电流、有功功率、环境温湿度及其衍生变量，共20个变量作为自变量，以设备温度作为因变量进行建模。各模型均取得了较好的预测结果，通过电流、有功功率、环境温湿度及其衍生变量能较好的预测出设备温度。
其中，岭回归模型的MSE最小，模型预测结果与温度真实值的差值在2℃内的准确度为100%。模型效果表，如表3所示。
3.3 模型现场试验验证
在理论模拟测试的基础上，进一步对模型开展试验验证，结果如图1所示。
现场环境下，尚未进行试验前整流器数据模型预测温度能较好的贴合实测温度。开展试验开始后，模型预测温度不随测点受热升高而升高，当实测温度与预测温度大于2℃并持续一定时间后，模型给出预警信息。实际试验验证了模型设计的功能性，即通过构建设备温度模型，对设备进行实时监测与评估，能有效判断设备的运行状态及变化趋势。
4 结语
本文提出了一种基于机器学习方法的整流器状态实时监测技术研究。试验结果表明，使用设备历史运行数据构建温度模型，可对设备运行状态进行实时监测，为设备状态评估提供依据。下一步工作重点将对该监测技术的进一步研究与优化，提升整流器温度模型的精准度。
参考文献
[1]国家电网生产技术部.电网设备状态检测技术应用典型案例[M].北京：中国电力出版社，2012.
[2]于松伟，杨兴山，韩连祥.城市轨道交通供电系统设计原理与应用[M].西南交通大学出版社，2007.
[3]李建民.城市轨道交通供电系统概论[M].机械工业出版社，2016.
[4]周志华.机器学习[M].清华大学出版社，2016.