关于铁路电力箱变超温误报警改良方法的研究

关于铁路电力箱变超温误报警改良方法的研究

杨乃赞

中国铁路上海局集团有限公司徐州供电段 江苏省徐州市 221000

摘要：目前，暴露在室外的铁路电力箱变因天气及室外温度的影响，常出现超温误报警情况，而根据要求，每次电力箱变产生超温报警后，工作人员必须到达现场查看检修，因此电力箱变超温误报警情况极大地浪费铁路的人力物力。针对这一问题，本文提出了一种通过对于诸如温度，光照强度，空气湿度，风速等多种气象因素的实时监测，利用支持向量机（Support Vector Machine，SVM）的技术手段，通过大数据聚类分析铁路电力箱变工作过程中的温度状态异常与否的方法。

关键词：铁路电力箱变 超温误报警 大数据分析 支持向量机

1. 背景介绍

近年来，随着我国铁路的飞速发展，高速铁路线的急剧增长，对于铁路电力设备运行过程中各项技术指标的精准性要求随之大大提高。而在现有铁路设备的运行过程中，铁路电力箱式变压器的温度检测报警系统受到外部环境（诸如天气、气温等）的影响，经常产生超温误报警情况，已然达不到铁路电力设备日益增长的精确性要求。同时，根据铁路行业的工作要求，每次电力箱变产生超温报警后，铁路电力工作人员必须及时到达现场对报警设备进行查看检修，因此铁路电力箱变的超温误报警会对人力物力产生极大的浪费，目前这种情况急需改善。

而随着计算机技术的快速发展，对于铁路电力箱变运行温度的预警工作可以借助计算机分析变得更加智能。其中，支持向量机（Support Vector Machine，SVM）则成为一种有效地分析监测报警的技术手段。支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器，在诸多模式识别任务中得到广泛运用，也越来越多地被应用在工程方面的故障诊断和系统检测预警方面。周前飞等人[1]在《基于支持向量机的电梯制动器智能监测预警系统》一文中通过检测电梯制动器运行的各种参数，对于制动器可能出现的故障进行了分类预测；南开大学的匡增晟等人[2]提出了基于支持向量机的一种故障诊断方法，并投入到了实际生产运用；山东大学谷新平等人[3]采用SVM算法对车辆行驶过程中的变道行为进行识别，得到了良好的实验结果。

本文将针对在铁路实际运行过程中这一问题，研究支持向量机这一高效，智能，精确的手段在铁路电力箱变温度监测报警技术中的应用，以代替现有的简单温度传感器进行系统的监测与超温的预警。

2. 原理介绍

支持向量机（SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，在诸多模式识别任务中得到广泛运用。

给定数据样本 ，其中， ，代表两种分类结果（可以理解为“是”与“否”）。SVM分类学习的最基本思想就是基于样本训练集D在样本空间中找到一个划分超平面，将不同类别的样本分开（图1）。

图 1

在样本空间中，划分超平面可通过如下线性方程来描述：

（公式1）

其中 为法向量，决定了超平面的方向；b为位移项，决定了超平面与原点之间的距离。将超平面记为（ω，b），样本空间中任意点x到超平面的距离可写为：

（公式2）

为ω的L2范数， 。当x退化为二维向量[x1，x2]时，公式2为：

（公式3）

便是我们熟悉的点到直线的距离公式。

假设超平面（ω，b）能将样本正确分类，即对于（xi，yi）∈D,若yi=+1，则 ；若yi=-1，则 。令

（公式4）

距离超平面最近的几个训练样本点使得公式4中等号成立，他们被称为支持向量，两个异类的支持向量到超平面的距离之和为：

（公式5）

它被称为间隔。欲找到具有“最大间隔”的划分超平面，就是要找到满足公式4中约束参数ω和b，使得 最大，即:

（公式6）

为了最大化间隔，仅需最大化 ，这等价于最小化 。于是公式6可重写为：

（公式6）

这就是支持向量机（Support Vector Machine,SVM）的基本型。方程可以采用拉格朗日乘子法求解。然而在现实任务中，原始样本空间内可能并不存在一个能正确划分两类样本的超平面。对于这样的问题可将样本从原始空间映射到一个更高维的特征空间，使得样本在这个特征空间内线性可分。

3. 问题分析

现有的铁路电力箱变超温报警系统大多采用箱变内部装设单一温度传感器的方法，采集箱变内部温度，从而得到设备的运行温度，此方法最大的缺陷即无法判断外部环境及温度对箱体内部温度产生的影响。铁路电力箱变的超温误报警多发生在夏季，当外部气温较高或阳光直射箱体时，箱体内部的温度会有所升高，传感器采集到的温度往往就会超出报警值，而此时设备的运行温度仍在正常的温度值范围内，这种情况下产生的超温报警就是误报警。因此，如果希望设计一种较为智能的超温预警系统，我们需要在现有的基础上增加部分传感器，检测变压箱周围其他气象参数。

假设各传感器测量了变压箱周围气温、空气湿度、光照强度等d个气象参数。记测量的气象参数组成的向量为 。接下来，为了形成一套预警系统，我们首先需要根据报警正确与否（可以将报警发生时变压箱故障记为+1，误报警记为-1）对采集多组改良过后的传感器的测量数据进行标注，进而能够得到数据样本空间 。在此基础上，利用SVM分类学习能力从该数据样本中训练出超平面（ω，b），这样在采集到新的数据 以后，可以将数据代入分类器进行计算，从而对设备故障与否进行判断。

4. 总结展望

对于铁路电力箱变的日常运行来说，将简单的温度传感器改进为以支持向量机为基础、利用大数据分析的技术手段，能够极大地提高温度采集、监测以及预警的精确性。另外，随着系统采集数据的日益增长，数据库的分析将更加精确，从而有效地避免铁路电力箱变的超温误报警动作，减少铁路系统人力、物力资源的浪费，使得铁路设备运行更加高效、精准，符合高速铁路发展要求，同时更是响应“交通强国，铁路先行”的政策号召。

参考文献

[1] 周前飞,丁树庆,冯月贵, 等.基于支持向量机的电梯制动器智能监测预警系统[J].中国特种设备安全,2018,34(5):22-27.

[2]匡增晟,张喆,邵秀丽, 等.基于支持向量机和余弦相似度的故障诊断方法[J].数据挖掘,2020,10(02):136-142.

[3]谷新平,韩云鹏,于俊甫.基于决策机理与支持向量机的车辆换道决策模型[J].哈尔滨工业大学学报, 2020,52(7):111-121；