基于控制图的有轨电车系统能耗分析方法与流程

文档序号:15462658发布日期:2018-09-18 18:32阅读:160来源:国知局

本发明属于电车系统能耗分析技术领域,尤其涉及一种基于控制图的有轨电车系统能耗分析方法。



背景技术:

随着我国城镇化率的不断提高,城市的交通压力也逐渐突显,为缓解这一压力,地铁、有轨电车等公共交通工具逐渐占据了城市交通的主导,但由于地铁的建设周期较长,投资成本较高,因而当前我国地铁建设仅局限于少数大城市,中型城市交通拥堵和“出行难”的问题仍然难以解决。有轨电车因其无污染,运行安全及对城市市容影响小等诸多优点逐渐成为大中型城市的一种交通工具,并且,有轨电车的建设周期短,投资成本低,因而各地对有轨电车的投资建设也呈不断增加的趋势。

有轨电车在运行过程中会产生能耗,而合理有效的有轨电车能耗分析方法能够更好地对各项能耗数据波动情况进行监测,实现对能耗异常数据识别、找出影响能耗的相关因素为有轨电车系统节能提供辅助决策。现有的有轨电车系统能耗分析多采用通过对数据进行回归分析的方式建立数学模型,以预测有轨电车能耗的特点和趋势。这些方法虽然能得到有轨电车能耗的一定规律并给出一些节能建议,但由于在建立数学模型时仅对各能耗影响因素独立进行分析而缺乏对影响因素相关性的研究和分析,因此无法得到能耗数据之间的潜在关系,难以对数据进行深度分析,同时也缺少对能耗模式分类和能耗异常数据识别的分析与研究。



技术实现要素:

本发明的目的在于提供一种基于控制图的有轨电车系统能耗分析方法,旨在解决上述背景技术中现有的有轨电车系统能耗分析方法在建立数学模型时仅对各能耗影响因素独立进行分析,缺乏对影响因素相关性的研究分析,无法得到能耗数据之间的潜在关系,难以对数据进行深度分析,同时也缺少对能耗模式分类和能耗异常数据识别分析的问题。

本发明是这样实现的,一种基于控制图的有轨电车系统能耗分析方法,包括以下步骤:

(1)将有轨电车系统的能耗分成车辆能耗、车站能耗、配供电区间能耗以及其他能耗四大部分,所述车辆能耗包括电车牵引能耗、电车空调能耗、电车信号设备能耗,所述车站能耗包括车站照明能耗、车站信号系统能耗、车站售票系统能耗,所述配供电区间能耗包括输电线路损耗、变压器损耗、无功/谐波损耗,所述其他能耗包括车场能耗、转撤机能耗、区间信号系统能耗;

(2)采集步骤(1)中有轨电车系统的能耗数据,利用控制图法对其进行分析,选用的控制图为计量型数据控制图中的X-Rs控制图;其中,X为单值控制图,使用的数据为采集的能耗数据;Rs为移动极差控制图,所使用的移动极差为相邻两能耗数据差值的绝对值,所述X和Rs控制图中均包含上控制限(UCL)、下控制限(LCL)和中心线(CL),其中,

X控制图的UCL、LCL和中心线CL由式(1)求得:

式中,μ为能耗数据的均值,为移动极差的均值;

Rs控制图的UCL、LCL和中心线CL由式(2)求得:

由于能耗数据始终为非负数,因此在求解Rs控制图时,其下控制限应满足式(3):

式(2)、(3)中,为移动极差的均值,为移动极差的标准差;

(3)通过分析能耗数据和能耗数据的移动极差值分别在X控制图与和Rs控制图中与中心线及上、下限的位置关系与波动特点,并结合控制图出现失控情况的判断规则定量判断所述能耗数据的波动是否处于正常水平,控制图出现失控情况的判断规则如下:

规则1:控制图中有一点落在上控制限或下控制限以外;

规则2:控制图中出现连续9个点处于上控制限与中心线区间或下控制限与中心线区间;

规则3:控制图中连续6个点单调递增或单调递减。

所判断的能耗数据若处于正常水平,利用灰关联法对能耗数据的各项影响因素关联度进行分析,为有轨电车节能提供参考和指导;若处于异常水平,使用离群点分析法对数据出现异常的原因进行分析,指导采取相应的处理措施以剔除异常数据,然后再进行X-Rs控制图分析进一步判断能耗数据的波动是否处于正常水平,依次循环,直至能耗数据的波动处于正常水平,再利用灰关联法对能耗数据的各项影响因素关联度进行分析;

优选地,所述步骤(3)中,灰关联法对能耗数据关联度分析的步骤为:

①将影响因素作为指标收集原始数据,得到原始数据组成的矩阵如下:

其中m为指标的个数,X'j=(x'j(1),x'j(2),…,x'j(m))为影响能耗的第j种外界因素的数值,j=2,3,…,n,X1'=(x1'(1),x1'(2),…,x1'(m))为需要进行关联度分析的系统各部分能耗数据;

②选择原始数据的第一行(x1'(1),x'2(1),…,x'n(1))作为参考值,使用式(4)对原始数据进行无量纲化,

得到数据矩阵为:

③从无量纲化的矩阵中选择第一列作为参考数据列,即所选参考数据列记为:X1=(x1(1),x1(2),…,x1(m));

④逐个计算每个被评价对象指标序列与参考序列对应元素的绝对差值,即|x1(k)-xi(k)|,k=1,…,m;i=1,…,n,n为每个影响外部因素数据的个数;

⑤得到差值的最大值与最小值

⑥由式(5)分别计算每个被评价对象指标序列与参考序列对应元素的关联系数ξi(k):

式中,ρ为分辨系数,在(0,1)内取值;

⑦根据式(6)对各评价对象指标序列分别计算其个指标与参考序列对应元素的关联系数的均值ri,以反映各影响因素与能耗数据的关联度;

⑧对各关联度大小进行排序,以得到各外界影响因素对能耗数据的影响程度。

优选地,所述灰关联法对能耗数据关联度分析的步骤为⑥中,ρ=0.5。

相比于现有技术的缺点和不足,本发明具有以下有益效果:

本发明通过分析储能式有轨电车系统的能耗组成,并结合有轨电车的能耗数据特点提出了多种数据挖掘方法,本发明通过控制图理论对有轨电车系统能耗数据的波动情况进行监测分析,可快速识别异常的能耗数据,通过灰关联算法对各能耗影响因素之间的相关性分析,将各能耗数据之间建立关系,能够实现对难以对数据进行深度分析,能耗异常数据识别,能耗影响因素分析以及未来能耗情况的预测,为有轨电车系统采取节能措施提供了参考。

附图说明

图1是本发明实施例提供的一种基于控制图的有轨电车系统能耗数据分析流程示意图。

图2是本发明实施例提供的有轨电车车辆能耗控制图。

图3是本发明实施例提供的2017年10月广州市工作日期间车辆能耗数据控制图。

图4是本发明实施例提供的2017年10月广州市假期车辆能耗数据控制图。

图5是本发明实施例提供的2017年10月广州市有轨电车车站能耗数据控制图。

图6是本发明实施例提供的2017年10月广州市有轨电车配供电区间能耗数据控制图.

图7是本发明实施例提供的2017年10月广州市有轨电车其他能耗数据控制图。

图8是本发明实施例提供的2017年10月广州市外界因素与有轨电车各能耗关联度图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。

1、有轨电车系统的能耗分成车辆能耗、车站能耗、配供电区间能耗以及其他能耗四大部分,所述车辆能耗包括电车牵引能耗、电车空调能耗、电车信号设备能耗,所述车站能耗包括车站照明能耗、车站信号系统能耗、车站售票系统能耗,所述配供电区间能耗包括输电线路损耗、变压器损耗、无功/谐波损耗,所述其他能耗包括车场能耗、转撤机能耗、区间信号系统能耗;其中,有轨电车配供电产生的损耗与其他损耗中转辙机能耗和区间信号系统能耗随着有轨电车系统的建成保持相对固定,而有轨电车能耗和车站能耗受到客流量、时间、季节、温度等因素影响较大,为了更好地分析能耗数据波动情况以及不同能耗数据之间相互关联情况,需要选择运用多种数据挖掘方法对各项能耗数据进行分析。

2、采集有轨电车系统的能耗数据,利用控制图法对其进行分析能耗数据的波动情况,控制图法是应用于质量管理中的分析方法,该方法是利用样本数据来分析判断过程是否处于稳定状态的有效工具,按照用途可分为分析用控制图和控制用控制图,按照数据类型又可将控制分为计量型控制图和技术型控制图。其中,使用于计量型数据的控制图分类具体如表1所示:

表1计量值控制图分类

对于有轨电车系统能耗数据而言,由于每个时间点只能采集一个数据,因此,选用计量型数据控制图中的X-Rs控制图;其中,X为单值控制图,使用的数据为采集的能耗数据;Rs为移动极差控制图,所使用的移动极差为相邻两能耗数据差值的绝对值,所述X和Rs控制图中均包含上控制限(UCL)、下控制限(LCL)和中心线(CL),其中,

X控制图的UCL、LCL和中心线CL由式(1)求得:

式中,μ为能耗数据的均值,为移动极差的均值;

Rs控制图的UCL、LCL和中心线CL由式(2)求得:

由于能耗数据始终为非负数,因此在求解Rs控制图时,其下控制限应满足式(3):

式(2)、(3)中,为移动极差的均值,为移动极差的标准差;

3、能耗数据分析流程示意图如图1所示,通过分析能耗数据和能耗数据的移动极差值分别在X控制图与和Rs控制图中与中心线及上、下限的位置关系与波动特点,并结合控制图出现失控情况的判断规则定量判断所述能耗数据的波动是否处于正常水平,控制图出现失控情况的判断规则如下:

规则1:控制图中有一点落在上控制限或下控制限以外;

规则2:控制图中出现连续9个点处于上控制限与中心线区间或下控制限与中心线区间;

规则3:控制图中连续6个点单调递增或单调递减。

所判断的能耗数据若处于正常水平,利用灰关联法对能耗数据的各项影响因素关联度进行分析,为有轨电车节能提供参考和指导;若处于异常水平,使用离群点分析法对数据出现异常的原因进行分析,指导采取相应的处理措施以剔除异常数据,然后再进行X-Rs控制图分析进一步判断能耗数据的波动是否处于正常水平,依次循环,直至能耗数据的波动处于正常水平,再利用灰关联法对能耗数据的各项影响因素关联度进行分析;

当能耗数据出现异常时,对于能耗数据而言,异常点可能由于有轨电车系统某个设备发生故障或失灵而造成,也可能是能耗数据采集装置出现问题所导致,还可能因为大型节假日乘客数量激增而产生。但由于有轨电车系统能耗数据之间存在一定的相关性,如乘客的增加将会增加车站,车辆等能耗,而因车站或车辆设备出现故障而导致能耗数据出现异常,仅会影响单个车站或车辆的能耗数据等,因此也可利用灰关联分析法分析能耗数据之间的相关关系以帮助分析异常数据产生原因,从而指导采取相应措施。

4、对于能耗数据的波动处于正常水平的情况,进行灰关联法对能耗数据关联度分析:

(1)将影响因素作为指标收集原始数据,得到原始数据组成的矩阵如下:

其中m为指标的个数,X'j=(x'j(1),x'j(2),…,x'j(m))为影响能耗的第j种外界因素的数值,j=2,3,…,n,X1'=(x1'(1),x1'(2),…,x1'(m))为需要进行关联度分析的系统各部分能耗数据;

(2)选择原始数据的第一行(x1'(1),x'2(1),…,x'n(1))作为参考值,使用式(4)对原始数据进行无量纲化,

得到数据矩阵为:

(3)从无量纲化的矩阵中选择第一列作为参考数据列,即所选参考数据列记为:X1=(x1(1),x1(2),…,x1(m));

(4)个计算每个被评价对象指标序列与参考序列对应元素的绝对差值,即|x1(k)-xi(k)|,k=1,…,m;i=1,…,n,n为每个影响外部因素数据的个数;

(5)得到差值的最大值与最小值

(6)由式(5)分别计算每个被评价对象指标序列与参考序列对应元素的关联系数ξi(k):

式中,ρ为分辨系数,在(0,1)内取值,此处ρ优选0.5。

(7)根据式(6)对各评价对象指标序列分别计算其个指标与参考序列对应元素的关联系数的均值ri,以反映各影响因素与能耗数据的关联度;

(8)对各关联度大小进行排序,以得到各外界影响因素对能耗数据的影响程度。

5、上述有轨电车系统能耗数据分析算法有效性的验证

5.1采集已经开通运营的广州市有轨电车系统能耗数据,由于每年10月份中既包括国家重大节假日,也有正常双休日及正常工作日,因此,能耗数据采集的时间为2017年10月,采集的具体能耗数据如表2所示:

表2 2017年10月广州市有轨电车系统能耗数据

5.2有轨电车系统能耗数据控制图

由表2的能耗数据结合式(1)-(3),求得车辆能耗单值控制图中心线和上、下控制限分别为:UCLV=3318.53,CLV=2679.24,LCLV=2039.95。车辆能耗移动极差控制图中心线和上、下控制限为:UCLm=785.17,CLm=240.33,LCLm=0。绘制有轨电车车辆能耗控制图如图2所示,图2中(a)为单值控制图,(b)为移动极差控制图。由图2(a)可以看到,2017年广州市十一黄金周期间以及正常双休日与正常工作日能耗数据之间出现较大波动,在假期和工作日间内波动相对较小,所有车辆能耗数据均处于控制范围内。但由图2(b)可以看到,10月7日,10月16日,10月21日以及10月30日移动极差值均超出控制限,其原因在于假期与正常工作日之间产生了较大的波动而导致。

因此将2017年10月广州市车辆能耗数据分为正常工作日和假期两类分别进行分析,得到工作日期间车辆能耗单值控制图中心线和上、下控制限为:UCLw=2620.67,CLw=2322.12,LCLw=2023.57,工作日期间车辆能耗移动差值控制图中心线和上、下控制限为:UCLwm=366.68,CLwm=112.24,LCLwm=0,工作日期间车辆能耗数据控制图如图3所示,图3中(a)为单值控制图,(b)为移动极差控制图;假期车辆能耗单值控制图中心线和上、下控制限为:UCLh=1194.25,CLh=1115.14,LCLh=1036.03,假期车辆能耗移动差值控制图中心线和上、下控制限为:UCLhm=97.16,CLhm=29.74,LCLhm=0,假期车辆能耗数据控制图如图4所示,图4中(a)为单值控制图,(b)为移动极差控制图。

由图3和图4可以看出,通过将能耗数据分为工作日及假期两类得到的各控制图中所有数据均在控制限内,需要说明的是图3与图4横向数据均不再表示天数而仅表示序号。

同理,根据采集的能耗数据绘制车站能耗数据控制图(图5所述),配供电区间能耗数据控制图(图6所述)及其他能耗数据控制图(图7所示),图5-7中(a)均为单值控制图,(b)均为移动极差控制图。由图5-7可以看出,全月车站能耗,配供电区间能耗以及其他能耗数据均在控制限范围中,未出现异常数据,也说明了这三类能耗数据受节假日影响较小。

5.3有轨电车系统能耗影响因素分析

由表2能耗数据及式(4)-(7)求得外界因素与各能耗数据关联度结果如图8所示。由图8(a)可以看出车辆能耗受旅客周转量影响最大,同时也受运营里程与当日温度影响较大,与其他因素相比日最高温度对车辆能耗影响最小。对于车站能耗而言,当日最高温度,平均温度以及运营里程对其影响程度相差不多,虽然车辆运营里程不会直接影响车站能耗,但由于车辆能耗与车站能耗之间存在一定的相互关联造成车站能耗受运营里程较大的影响,对于配供电区间线路损耗和其他能耗也有类似规律。

5.4有轨电车系统总能耗与各部分能耗关系分析

利用灰关联分析法对总能耗与各部分能耗关联度进行分析,得到总能耗与各部分能耗关联度如表3所示:

表3总能耗与各能耗关联度

由表3可以看出,总能耗与线路损耗关联度最大,其次是其他能耗和车站能耗,与车辆能耗关联度最小,各部分能耗与总能耗关联度之间相差不大。同时,从节能角度而言,采取措施尽可能减少线路产生的损耗可以帮助降低有轨电车系统的总能耗。

以上所述仅为本发明的较佳实施例而已,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。

当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1