基于大数据的轨道交通供电设备运维管理系统的设计与实现

林勇，徐钦伟，谭冠岗，吴子杰

（1.广州地铁集团公司，广东 广州 510330；2.华南理工大学电力学院，广东 广州 510640）

0 引言

轨道交通是当前城市经济发展的重要基础设施之一，因其在解决大城市交通拥堵、提高环境质量、调整城市区域结构和产业布局以及拉动城市社会经济持续发展和合理布局的突出作用，在新时期得到了巨大的发展。而轨道交通作为一个设备资产密集型行业，其巨大的规模对应的是海量的设备，如何更科学高效确保这些设备正常可靠的运行，对轨道交通安全、高效运营具有重大意义。

目前，针对如此巨量的设备，受制于以往的信息化程度和技术局限，地铁行业内常用的管理方式存在以下不足：① 对故障预见性不足，往往只能采用计划性维修或事后维修模式，通常导致维修工作缺少针对性，效率较低；② 海量设备带来的大量有价值数据未被采集和有效利用，潜力巨大的数据在眼前，却得不到应有价值的发挥。此外，线网的扩大带来设备管理工作量大幅度提升，人工等成本上升也带来设备管理的成本不断攀升。这些因素都亟待建立一个更科学高效的设备及数据管理系统。

为了解决以上问题，如设备的实际情况“不可视”问题（状态变化趋势未及时反映，无法预见故障，识别故障）、针对性高效维修问题（何时该修、哪里该修、哪个隐患最紧急无法确定）、管理成本问题（普遍例行式的检查、维修，带来人力、设备资源浪费）和数据浪费问题（规模扩大和信息化带来的大量数据未被采集利用），提高设备运维管理工作的效率，有效集成管理和分析利用轨道交通的大数据，实现设备运维管理工作信息化、可视化、智能化，设计并实现了基于大数据的城市轨道交通供电设备运维管理系统[1-3]。系统以设备状态数据平台为核心，采用“在线+带电+实时”状态量采集方式，并利用海量数据，多方式、多维度对供电系统设备的可靠性状态进行分析和研究，不仅可对供变电系统设备进行实时运行状态的评估，亦可实现供电设备服役寿命和故障率的预测[4]。在保证城市轨道交通供电系统可靠运行的基础上，系统可以对不同状态的供电设备提出适用于其实际运行状态的维修策略，能有效的优化城市轨道交通供电系统设备的维修管理工作，减少其维护和检修成本，改善目前的计划检修模式，进而促进城市地铁供变电系统全生命周期成本的大幅降低。

1 城市轨道交通供电系统

城市轨道交通供电系统是由电力系统经高压输电网、主变电所降压、配电网络和牵引变电所降压、换流（转换为直流电）等环节，向城市轨道快速交通线路运行的动车组输送电力的全部供电系统。以图1所示轨道交通牵引变电站设备系统图为例，城轨供电系统的主要设备有110 kV/35 kV/0.4 kV/1500 V电缆，110 kV/35（10） kV/400 V断路器（开关柜、配电柜），1500 V直流开关柜，110 kV油式变压器，整流变压器，整流器等电力电子装置，接触网等设备。大部分牵引变电站都是类似的系统架构和设备组成。

图1 轨道交通牵引变电站设备系统Fig.1 The metro power supply system

基于大数据的城市轨道交通供电设备运维管理系统的目的就是针对大量的上述设备进行科学高效的管理，有效的利用其数量的优势，形成大数据系统，提供更精确、可靠的运维服务。

2 大数据系统设计

基于大数据的城市轨道交通供电设备运维管理系统分为在线数据采集、数据集成管理和数据分析利用三个部分，如图2所示。系统通过带电监测、在线监测和离线监测等手段采集轨道交通供电设备的全面数据，结合已有的变电所PSCADA、LMIS和其他数据系统，形成实时数据库和离线数据库，共同构成供电设备的全生命周期数据。对这些数据形成的大数据进行分析利用，通过实时报警和趋势分析进行故障实时预警，通过状态评估系统预估设备寿命、故障率并进行故障统计和维修指导，结合BIM（Building Information Management）系统进行可视的模拟维修指导，并进一步通过内网、外网或移动终端进行远程服务，实时的为现场运维监控人员提供科学的参考[5]。

图2 大数据系统架构图Fig.2 The structure of the big data system

2.1 在线数据采集系统

合理、有效的在线设备状态信息监测系统是及时发现和评估设备运行问题的重要前提。城市轨道交通供电设备复杂，高、中、低压各等级设备众多，交流、直流混合，运行负荷波动大，常运行于以高湿为代表的恶劣环境，且有牵引整流产生的谐波，此外，还包含直流牵引系统特殊设备，针对这些问题，需对不同设备的原理量身定做相应的在线监测装置。

针对不同类别轨道交通供电设备的原理，设计并定制了如下在线监测装置：

（1） 110 kV油变监测：油色谱监测（变压器在线油色谱分析装置，9种成分：甲烷、乙烷、乙炔、乙烯、氢气、氧气、氮气、一氧化碳、二氧化碳）；铁芯（含夹件）电流（采用变压器铁芯及夹件安装电流传感器）；微水（集成中在线油色谱分析装置中的微水传感器）；局放（采用高频HF传感器来监测局放信号）等。

（2） 110 kV GIS监测：SF6气体监测（采用微水密度传感器、带温度测量的智能压力变送器监测SF6气体微水、温度、压力）；断路器机械特性监测（监测分合闸线圈二次回路电流）；避雷器泄漏电流、放电次数（采用避雷器监测传感器监测避雷器接地线中总泄露电流大小）；局放监测（采用高频HF、超高频UHF、超声波AE传感器来监测局放信号）；110KV 互感器局放（采用高频HF、超高频UHF传感器来监测互感器局放信号）；环境温湿度（室内环境温湿度监测）等。

（3）中低压交直流开关监测：断路器（33 kV C-GIS、DC1500 V直流开关柜）机械特性监测（监测分合闸线圈二次回路电流）；局放（33 kV C-GIS、AC 380 V开关柜）（地电波TEV传感器来监测局放信号）；SF6气体压力监测（33 kV C-GIS）；温度监测（DC1500 V直流开关柜、AC380 V开关柜）（光纤温度监测）；直流设备（DC1500 V直流开关柜）框架绝缘监测（采用在直流设备框架单点接地线穿心安装电流传感器来监测泄漏电流）；环境温湿度等。

（4）干式变压器监测：局放监测；空载电流监测（输入侧加高精度CT测量空载电流）；环境温湿度；振动监测（运行声音监测）等。

（5）整流柜监测：温度监测（对桥臂、电缆接头进行温度监测）。

（6）电缆监测：局放监测；温度监测（采用光纤实时监测电缆温度，电缆全线每隔一段距离布置一个测温点）。

（7）接触网监测：温度监测（采用光纤对绝缘子发热情况实时监测，间接反映绝缘子泄漏电流）；接触网绝缘监测（通过直流馈线空载时的泄漏电流监测，反映馈线电缆和接触网的绝缘情况）。

以上监测装置可实时全面的采集轨道交通供电系统设备的状态信息，为及时发现设备运行中的异常情况和评估设备运行状态提供了有力支撑。

2.2 数据集成管理系统

在轨道交通供电系统的实际运行过程中，不仅可产生海量的在线的设备状态信息数据，也会产生众多的变电所运行数据（PSCADA），设备出厂、维修记录数据（LIMIS）和一些特殊的偶然的事件数据。有效的集成管理这些海量数据是运用大数据进行故障预测、状态评估，提升轨道交通供电设备运维管理水平的重要前提。因此，建立B-SCADA实时数据库系统对供电系统数据进行管理[6-7]。

B-SCADA实时数据库系统（以下简称B-SCADA）是以实时数据库为核心的企业数据信息应用和分析解决方案，B-SCADA可以提供数据采集、实时数据服务，并支持海量历史数据存储和检索，生产现场图形组态和WEB方式发布图形系统。

企业可以通过系统提供的数据访问接口和API对数据进行调用和深入的分析挖掘。

系统采用类似旋转门的分段压缩方式，压缩精度可配置。高效的历史数据索引和使用LZO实时压缩TCP数据报文，使得B-SCADA实时库是目前最快的实时库。在100 M网络上，标签服务秒可提供28万个标签属性记录服务，数据服务每秒可提供100万条历史数据记录服务。内置历史缓存和历史预读为多客户并发历史服务提供优异的检索和查询统计性能。

B-SCADA实时库具有极高的数据可靠性。它支持实时库的冗余、实时备份、数据灾难恢复功能。

整个系统可分为数据采集、实时数据库、数据应用三部分：

（1）数据采集

B-SCADA中的数据采集驱动rdbdac，支持下传控制命令。将从现场网络采集的数据写入实时数据库。为了后续便于扩充特殊协议的设备，系统采用了动态加载驱动的方式。与2.1所述的在线数据采集系统相衔接。

（2）实时数据库

实时数据库负责数据实时和历史服务。采用基于TCP协议的应用层协议，使用类似旋转门的分段压缩和LZO实时压缩传输，极大的节约网络流量资源。索引机制和PI实时库类似，检索效率和历史数据的规模基本无关。

（3）数据应用

数据应用主要是本系统提供的图形组态软件。包括组态软件pvedit（Process View Edit），运 行 客 户 端 pvrun（Process View Run） 和WEB图形运行客户端pviectrl（Process View IE Control）。其中组态软件基于图形动作触发机制，支持脚本、标准控件、OCX控件、PV插件、实时/历史趋势曲线、棒图、饼图、XY_PLOT曲线。也可采用脚本或者使用PV插件扩充复杂的专用数据分析界面。通过这些软件功能，将针对实时数据库的数据挖掘和分析研究结果进行展示，使得信息可视化，更直接的被感知利用。

B-SCADA系统的具体架构如图3所示。现场采集的数据通过MODBUS等设备经过现场网络传至现场数据服务器进行处理，结合实时库、备份库，通过图形客户端、IE客户端、第三方应用等方式，为现场或远程运维人员提供服务支持。

图3 B-SCADA系统架构图Fig.3 The structure of B-SCADA

结合数据采集和数据集成部分，最终形成的轨道交通供电设备数据管理系统的数据流向图如图4所示。一个变电站内的全部在线或离线运行状态数据（如断路器示波系统、油气监测系统、光纤测温系统、LIMS系统等），经由不同的途径（如API、Modbus、IEC104、UDP等）写入在线或离线数据库，最终将所有车站的状态信息数据库进行集成，形成城市轨道交通供电设备状态信息的大数据库，以便于后续的数据研究利用。

图4 供电系统数据流向图Fig.4 The flow diagram of power system data

2.3 数据综合分析系统

为了使经由各种途径搜集而来的数据，更好的服务于地铁供电系统管理工作，需依据设备机理模型、统计模型及数据驱动模型对城市轨道交通供电系统搜集的海量数据进行研究分析，使得设备的状态信息数据真正的“可感”、“可视”、“可用”，从而实现精准的故障预警、故障定位功能，进一步指导设备基于可靠性的维修工作，并亦通过寿命预测和故障率推算为设备的资产管理工作提供参考[8-11]。

数据综合分析系统的基本功能如下：

（1）实时故障预警

当牵引供电设备正常工作时，安装在设备上的监测装置所测量的指标应处于一个合理的范围区间。因此，可以对大部分监测装置取得的数据设立一个科学的阀值，当监测装置取得的数据超过阀值时，系统进行在线实时预警。

（2）多维信息状态诊断

针对某些重要设备如变压器、GIS，在其上通过多种不同方式布设了众多的指标监测装置，这些指标信息共同反应了设备的实时运行状态。采用多指标综合评估、专家系统、人工神经网络等方式，全面利用这些指标，可对重要设备的实时运行状态进行更准确的判断，指导现在及将来一段时间内的运维检修决策[12-15]。

此外，系统可以通过基于大数据驱动的机器学习模型，分析学习现场的海量多维监测数据，更快速精准的发现异常的实时数据，更有效的指引工作人员进行发现和巡视现场设备的异常状态。

（3）寿命预估

通过大数据系统，可以完整的积累一个设备从投运到现在的全部运行状态数据，通过这些数据可以进行更准确的寿命老化/损耗分析，从而可以更精确的推算设备的预期服役寿命及故障率，指导设备的采购及退役管理等资产管理工作。

（4）BIM系统

通过BIM（Building Information Management）对供电设备进行建模，将供电设备整体分解为各个零部件，并通过动态展示，指导现场工作人员的维修。

3 系统实施

系统在广州地铁嘉禾望岗牵引供电所得到了实施。全所对局放监测系统、光纤测温系统、油气监测系统、室内温湿度监测系统、直流母排漏电电流监测、主所PSCADA系统、牵引所PSCADA系统进行数据集成，共采集7701个数据点，模拟量4004个，开关量3697个，并统合了LIMS设备维修系统、设备出厂资料、例行诊断性实验等数据。系统现场实际情况如图5所示。各系统的画面可在同一监控室进行监控。

图5 系统现场图Fig.5 The figure at the crime scene

各子系统的详细界面如图6所示。图（a）为系统管理层界面，当某一站的某个设备发生异常时，监控人员会在从此地铁线路管理界面得到提示，并可以逐步从某一地铁线路、地铁站、地铁。图（b）为状态评估界面，利用各种方式采集的数据经过模型计算后得到的可靠性结果会在此展示。图（c）为在线监测系统界面，可通过此了解到各在线监测装置的实时具体数据。图（d）为BIM界面，可进行具体设备拆解，并对故障点快速定位。

图6 各子系统界面Fig.6 Subsystem interface

为了使得新一代的地铁变电所运行管理系统更加的完善和智能，系统计划后续在实现一次设备状态监测和状态修的基础上，拓展二次设备的状态监测，接入设备维修管理系统、能源管理系统，预留与机电设备监测接口，使得对变电设备的信息搜集更全面，并依据深度学习、强化学习等大数据处理方法，使得系统可以随着数据的积累自发的优化完善。

4 结语

随着在线监测技术、信息化技术和大数据技术的日益发展，如何使这些技术更有效的为地铁公司服务是一个受到高度重视的问题。地铁设备大数据运维管理系统的应用，能有效利用这些技术在线实时的监测轨道交通供电设备的状态，实现精准的异常预警和故障预测，有效的提升了地铁交通系统供电设备的管理水平，使得现场设备的运行维护更加实时、准确，众多设备的资产管理更加的经济高效。

[1] 刘世栋, 李炳林, 王瑶. 智能电力IMS网络架构及实现技术研究[J]. 电力信息与通信技术, 2015, 13(11): 25-30.LIU Shi-dong, LI Bing-lin, WANG Yao. Research on architecture and implementation of intelligent power IMS network[J]. The Journal of Electric Power Information and Communication Technology, 2015, 13(11): 25-30.

[2] 黎建辉, 沈志宏, 孟小峰. 科学大数据管理: 概念、技术与系统[J]. 计算机研究与发展, 2017, 54(2): 235-247.LI Jian-hui, SHEN Zhi-bong, MENG Xiao-feng. Scientific Big Data Management: Concepts, Technologies and System[J]. Journal of Computer Research and Development, 2017, 54(2): 235-247.

[3] 钱彬, 林燕. 地铁设备维修管理系统及其运营管理功能[J]. 精密制造与自动化, 2012(2): 38-40．QIAN Bin, LIN Yan. Maintenance management system of subway equipment and its operation and management function[J]. Precise Manufacturing & Automation, 2012(2):38-40．

[4] NORMAN D A. The Design of Everyday Things[J]. Design of Everyday Things, 1988, 26(4): 166.

[5] 向宇. 设备备件管理及预防性维护管理系统设计与实现[D]. 西安: 电子科技大学, 2015.XIANG Yu. Design and realization of spare parts management[D]. Xi An: University of Electronic Science and Technology of China, 2015.

[6] 周杰. 基于CAN总线煤矿带式输送机运行状态监控系统设计[J]. 新型工业化, 2017, 7(6): 57-61.ZHOU Jie. Design Monitoring System of Coal Mine Belt Conveyor Operation State Based on CAN Bus [J]. The Journal of New Industrialization,2017, 7(6): 57-61.

[7] 邹谊, 汤汉伊, 李锐, 等. 基于IMS行政交换网的国家电网财务数据集中管理系统的设计与实现[J]. 新型工业化, 2017, 7(4): 49-54.ZOU Yi , TANG Han-yi , LI Rui , et al. Design and Implementation of Financial Data Management System Based on IMS in Administrative Exchange Network[J]. The Journal of Electric Power Information and Communication Technology,2017, 7(4): 49-54.

[8] 李清锋, 孔明茹, 黄英来. 基于高可用云计算的中国智慧林业大数据系统探究[J]. 世界林业研究, 2017(6): 63-68.LI Qing-feng, KONG Ming-ru, HUANG Ying-lai. Research on System for China’s Intelligent Forestry with Big Data Based on High Availability Cloud Computing[J]. World Forestry Research, 2017(6): 63-68.

[9] WANG Y P, GE J H, SHAO J P, et al. Research for Data Exchange Technology of Heterogeneous Database Based on XML[J]. Key Engineering Materials, 2009(392-394): 903-907.

[10] SCHEURWEGS E, LUYCKX K, LUYTEN L, et al. Data integration of structured and unstructured sources for assigning clinical codes to patient stays[J]. Journal of the American Medical Informatics Association Jamia, 2016, 23(e1): e11-e19.

[11] CHO S E, PRAK H W. Government organizations’ innovative use of the internet: the case of the twitter activity of South Korea′s Ministry for Food ,Agriculture,Forestry and Fisheries[J]. Scientometrics, 2011, 90(1): 9-23.

[12] 张晗, 常安, 王奇, 等. 基于多源信息的变压器状态评价方案研究与应用[J]. 高压电器, 2016(2): 19-27.ZHANG Han, CHANG An, WANG Qi, et al. Research and Application of Transformer Condition Evaluation Model Based on Multi-source Information[J]. High Voltage Apparatus, 2016(2): 19-27.

[13] 李宇, 张国钢, 耿英三. 基于模糊理论的高压断路器状态评估研究[J]. 高压电器, 2007, 43(4): 274-277.LI Yu, ZHANG Guo-gang, GEN Ying-san. The Condition Assessment Method for HV Circuit Breakers Based on Fuzzy Theory[J]. High Voltage Apparatus, 2007, 43(4): 274-277.

[14] 黄山山, 祝唯, 王亚东, 等. 基于负载率和健康状态的高压XLPE电缆可靠性评估模型[J]. 电测与仪表, 2017, 54(24): 42-49.HUANG Shan-shan, ZHU Wei, WANG Ya-dong, et al. Development of high voltage XLPE cable reliability assessment model based on load rate and health status.[J]. Electrical Measurement&Instrumentation, 2017, 54(24): 42-49.

[15] 林勇,徐钦炜,张俊强,等. 基于ECP的轨道交通直流牵引供电系统开关状态评价算法[J]. 电力系统保护与控制, 2018, V46(5): 16-24.LIN Yong, XU Qinwei, ZHANG Junqiang, et al. Status evaluation algorithm of DC traction power supply system switchgear based on ECP for rail transit[J]. Power System Protection and Control, 2018, V46(5): 16-24.