论文部分内容阅读
城市轨道交通具有运量大、安全快捷和污染小等特点,近年来快速发展,整体能耗随之迅速增长。城轨系统能耗分为牵引能耗和动力照明能耗。列车运行时的牵引能耗占总能耗比重最大,且随客流量、线路条件和驾驶策略等因素变化。排查牵引能耗异常情况是发现能耗波动原因的重要手段,而数据中的特征值和异常值能够为排查异常情况提供定量依据。在实际工作中将超过统一阈值的能耗数据判为异常值,没有考虑能耗模式的变化,易出现漏报和误报。考虑到城轨系统庞大复杂、数据管理粗放等问题,通过分析其能量流动、能耗数据和影响因素的特点,本文提出基于机器学习的异常值分析方法。主要研究内容如下。(1)扩充现有城市轨道交通能耗评价方法,提出单列车牵引电耗和牵引机组电耗两个指标,根据指标设计面向单列车和牵引机组的异常值分析框架。(2)提出城轨列车牵引能耗特征提取方法。对于单列车牵引能耗特征数据,使用随机森林算法选择重要特征,降低数据维度;对于牵引机组,从牵引能耗时间序列中提取能耗特征向量。使用北京地铁某线数据进行方法验证,预处理之后的数据用于后续异常值检测。(3)提出城轨列车牵引能耗异常值检测方法。对于单列车,使用聚类算法分析能耗模式,使用假设检验方法验证其统计学意义,针对每类能耗模式使用基于模型的异常值检测算法。对于牵引机组,使用聚类和分类算法得到能耗模式判定树,针对每类能耗模式使用基于密度的异常值检测算法。结果表明单列车站间牵引能耗具有三类模式,牵引机组能耗具有四类模式,区分能耗模式与不区分能耗模式相比更易于发现潜在异常值。(4)提出城轨列车牵引能耗异常程度分析方法。为改善异常值检测的误报漏报问题,提出基于KNN的打分算法,用来判断单列车牵引能耗异常值的异常程度,评分高的异常值需要重点关注。最后设计和开发了城轨列车牵引能耗评估软件,对所提方法进行了分析验证。本文分别分析单列车牵引能耗和牵引机组能耗的异常值,所提方法能够动态适应能耗模式变化,异常值可定位到所出现的时间和站间,异常程度评分提高了可信度。所提理论方法和应用实例,丰富了城轨系统异常值检测理论研究,为现场异常值检测和节能工作提供了决策支持。图25幅,表16个,参考文献82篇。