一种城市轨道交通能源智能管理系统

技术领域

本发明涉及轨道交通技术领域，更具体地，涉及一种城市轨道交通能源智 能管理系统。

背景技术

城市轨道交通具有线路长、规模大、设施多，用能设备布局分散等特点， 为能源数据采集及管理带来了一定难度。目前，部分城市建设时设置了能源管 理系统，这些系统基本上硬件都是由设置于高、中、低压配电柜内的电能表计、 站级通信管理机、中央级的能管中心以及通信通道构成，其中中央级能管中心 主要由数据服务器、能管工作站、网络设备等构成，系统主要实现对轨道交通 电能分类、分项的采集、整理、统计、分析以及存储等功能，部分城市在能管 系统中预留了水、燃气、燃油数据的接入条件，系统主要是为了代替传统的人 工抄表，在增加数据采集量的同时，降低人员工作量。但尚无法实现对具体设 备/系统的动态节能管理。

发明内容

针对现有技术的至少一个缺陷或改进需求，本发明提供了一种城市轨道交 通能源智能管理系统，可以实现对轨道交通的能耗监测、分析、诊断和节能控 制。

为实现上述目的，本发明提供了一种城市轨道交通能源智能管理系统，包 括智能监测子系统、智能管理子系统和智能控制子系统；

所述智能监测子系统用于获取现场数据采集设备的监测信息并进行监测、 能耗统计分析和可视化展示，并将监测信息和处理信息发送给所述智能管理子 系统和所述智能控制子系统；

所述智能管理子系统用于将接收信息导入到预先存储的能耗指标体系和能 耗诊断模型，输出能耗指标分析结果和能耗诊断结果并发送给所述智能控制子 系统；

所述智能控制子系统用于将接收信息导入预先存储的节能控制模型，输出 控制指令给现场执行设备。

进一步地，所述智能监测子系统、所述智能管理子系统和所述智能控制子 系统均基于布置在车站级和中央级的监控工作站、操作工作站、数据服务器和 应用服务器实现。

进一步地，所述智能管理子系统包括能耗指标分析子模块，所述能耗指标 分析子模块包括：

线路级能耗分析子模块，用于实现基于客运周转量的能耗分析、基于运营 里程的能耗分析、基于车站面积的能耗分析、基于正线公里指标的能耗分析、 基于线路用电总量指标能耗分析、基于线路级设备能效的能耗分析。

车站级能耗分析子模块，用于基于车站面积的能耗分析、基于客流的能耗 分析、基于车站用电总量指标的能耗分析、基于车站级设备能效的能耗分析；

牵引级能耗分析子模块，用于基于客运周转量的能耗分析、基于运营里程 的能耗分析、基于列车用电总量指标的能耗分析、基于牵引级设备能效的能耗 分析。

进一步地，所述智能控制子系统包括牵引馈电智能控制子系统、通风空调 智能控制子系统和照明智能控制子系统。

进一步地，所述牵引馈电智能控制子系统包括自动闭环调节模块，所述自 动闭环调节模块用于当判断某一台或几台牵引所装置所在牵引变电所处的直流 牵引网电压值超过设定的协同吸收电压阈值时，协调控制装置检索该牵引变电 所及其相邻牵引变电所装置的运行状态，如果检索到的装置有剩余容量可用时， 控制下调该检索到的装置的启动电压阈值，直到其启动电压阈值达到下限或该 牵引变电所处的直流牵引网电压下降到协同吸收电压阈值以内。

进一步地，所述牵引馈电智能控制子系统包括以运行图为驱动的分析控制 模块。

进一步地，所述通风空调智能控制子系统包括冷负荷预测模型，所述冷负 荷预测模型用于通过获取不同时间各车站内人员数量、各车站的室外温度以及 各采样时间点各车站对应的总冷负荷实际值，确定以车站内人员为变量的冷负 荷函数以及以室外温湿度为变量的冷负荷函数的表达形式，从而实现基于各车 站内人员数量、各车站的室外温度的总冷负荷预测值，按总冷负荷预测值给各 车站提供冷负荷。

进一步地，所属现场数据采集设备包括分级设置的电能表计、分布设置的 传感器、用能设备自带监控单元。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得 下列有益效果：通过智能监测子系统、智能管理子系统和智能控制子系统三个 功能模块的互相协作，可以实现对能耗进行监测、能耗统计分析、可视化展示、 能耗指标分析、能耗诊断和智能节能控制，可以提高能源利用率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需使 用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些 实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可 以根据这些附图获得其他的附图。

图1是本发明实施例的能源智能管理系统三大子系统示意图；

图2是本发明实施例的能源智能管理系统三大子系统功能示意图；

图3是本发明实施例的能源智能管理系统中央级构成示意图；

图4是本发明实施例的能源智能管理系统的车站级及现场设备示意图；

图5是本发明实施例的能源智能管理系统的线路能馈协调控制系统原理图；

图6是本发明实施例的能源智能管理系统的多台逆变装置协调控制的控制 逻辑图；

图7是本发明实施例的能源智能管理系统的运行图简化示意图；

图8是本发明实施例的能源智能管理系统的列车运行过程划分示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、 “第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包 括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了 一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤 或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些 过程、方法、产品或设备固有的其他步骤或单元。

此外，为了避免使技术人员对本发明的理解模糊，可能不详细地描述或示 出公知的或广泛使用的技术、元件、结构和处理。尽管附图表示本发明的示例 性实施例，但是附图不必按照比例绘制，并且特定的特征可被放大或省略，以 便更好地示出和解释本发明。

如图1和图2所示，本发明实施例的一种城市轨道交通能源智能管理系统， 包括智能监测子系统、智能管理子系统和智能控制子系统。

智能监测子系统用于获取现场数据采集设备的监测信息并进行监测、能耗 统计分析和可视化展示，并将监测信息和处理信息发送给智能管理子系统和所 述智能控制子系统。

智能管理子系统用于将接收信息导入到预先存储的能耗指标体系和能耗诊 断模型，输出能耗指标分析结果和能耗诊断结果并发送给所述智能控制子系统。

智能控制子系统用于将接收信息导入预先存储的节能控制模型，输出控制 指令给现场执行设备。

进一步地，即城市轨道交通智能能源管理系统硬件平台由中央级、车站级、 现场设备以及联系三者的通信通道构成。

中央级、车站级分别包括监控工作站、操作员工作站、数据服务器、应用 服务器以及局域网组网设备等。智能监测子系统、智能管理子系统和智能控制 子系统的各项功能基于布置在车站级和中央级的监控工作站、操作工作站、数 据服务器和应用服务器实现。

如图3所示，城市轨道交通智能能源管理系统的中央级由监控工作站、操 作员工作站、数据服务器、应用服务器以及局域网设备组网等构成，并通过地 铁的通信主干网与车站级能源管理系统进行数据交换。

如图4所示，城市轨道交通智能能源管理系统的车站级由监控工作站、操 作员工作站、数据服务器、应用服务器以及局域网设备组网等构成，并通过地 铁的通信主干网与中央级能源管理系统进行数据交换；通过分布在站内的局域 网络或现场总线网络与用能设备、各种传感器进行数据交换；通过通信接口与 BAS、AFC等系统接口，获取地铁车站设备运行、环境及人员相关信息。

现场设备包括现场数据采集系统和现场执行设备。

现场数据采集系统包括分级设置的电能表计、分布设置的传感器(采集压 力/温度/湿度/照度/人流/气体等)、用能设备自带监控单元、通信网络等。

现场执行设备包括用能设备就近安装的各种控制器、通信网络等。

进一步地，智能管理子系统包括能耗指标分析子模块，能耗指标分析子模 块包括三个模块：线路级能耗分析子模块、车站级能耗分析子模块、牵引级能 耗分析子模块，分别从三个等级实现能耗管理。

线路级能耗分析子模块，用于实现基于客运周转量的能耗分析、基于运营 里程的能耗分析、基于车站面积的能耗分析、基于正线公里指标的能耗分析、 基于线路用电总量指标能耗分析、基于线路级设备能效的能耗分析。

车站级能耗分析子模块，用于基于车站面积的能耗分析、基于客流的能耗 分析、基于车站用电总量指标的能耗分析、基于车站级设备能效的能耗分析。

牵引级能耗分析子模块，用于基于客运周转量的能耗分析、基于运营里程 的能耗分析、基于列车用电总量指标的能耗分析、基于牵引级设备能效的能耗 分析。

进一步地，智能控制子系统包括牵引馈电智能控制子系统、通风空调智能 控制子系统和照明智能控制子系统。

进一步地，牵引馈电智能控制子系统可以实现基于自动闭环调节、开环调 节、多机协同无功补偿、以运行图为驱动的分析控制等功能。以上功能可以根 据需要进行任意组合、删减、添加。

下面具体对其中的自动闭环调节、以运行图为驱动的分析控制具体说明其 控制原理。

牵引馈电智能控制子系统包括自动闭环调节模块。通过采集全线各个牵引 变电所逆变回馈装置或双向变流装置的工作状态和实时电气量，根据各个装置 的运行状态、剩余容量、牵引变电所的直流网压、交流电网功率因素等信息， 对各牵引变电所的装置运行状态、运行参数进行动态调节，以实现对直流牵引 网网压的优化控制，具有以下功能：

如图5所示，自动闭环调节模块包括多台逆变装置协调控制功能，通过高 速信道与全线路所有逆变装置进行通信，采集各个牵引所装置所在直流牵引网 的电压值、交流母线电压值以及逆变装置运行状态、启动阈值和输出功率值， 同时下发各个牵引所装置的启动电压阈值。

当某一台或几台牵引所装置所在牵引变电所处的直流牵引网电压值超过设 定的协同吸收电压阈值时，协调控制装置检索该牵引变电所及其相邻牵引变电 所(检索数量可设定，一般为相邻四个所)装置的运行状态，如果检索到的装 置有剩余容量可用时(未处于逆变吸收状态或者吸收功率未达到额定功率时)， 协调控制器下调该检索到的装置的启动电压阈值，直到其启动电压阈值达到下 限，或该牵引变电所处的直流牵引网电压下降到协同吸收电压阈值以内。当该 牵引变电所所在直流牵引网压恢复到协同吸收电压阈值后，线路协调控制装置 能够自动退出协调控制，恢复下调阈值的逆变装置的值为初始设定阈值。

多台逆变装置协调控制算法逻辑图如图6所示。

牵引馈电智能控制子系统还包括以运行图为驱动的分析控制模块。

下面具体说明以运行图为驱动的分析控制模块的优选实现方法。

(1)构建运行图模型

运行图是表示列车在区间运行、在车站到发通停时刻的图解。根据运营部 门行车组织提供的列车时刻表，可绘制基于行车计划的运行图，根据列车实际 到发时刻，可得到运营阶段的实迹运行图。运行图简化模型如图7所示。图7 中，k为区间号；D

运行图简化模型可用T

T

S

式中，i∈M，k∈L

(2)构建考虑惰行控制系数的列车定时节能控制模型

(2.1)列车运行过程划分

研究表明，在列车制动降速前采用惰行工况是有效的节能操作，而最优惰 行点的求解是节能控制的关键。以列车i在区间k的运行过程为例，为求解最优 惰行点，引入目标速度v

在阶段划分过程中，阶段I为列车速度由0加速运行至v

为保证安全运行，根据工程经验τ

考虑v

(2.2)目标函数

定时层的目标是列车i在第k个区间以τ

f

列车i在区间k以τ

其中：

A＝μ

B＝f

C＝v

式中，μ

列车i在区间k以τ

选择在满足式(3.1.2-4)定时目标的多组组合变量(τ

f

(2.3)约束条件

为求解上述目标函数，需满足运行图中各列车在各车站到发时间、起停车 速度、位置等边界条件约束；为保证安全运行，需满足线路限速、乘客舒适度 指标约束。

(1)边界约束

①到发时间约束

|T

式中，δ

②起停车速度、位置约束

列车i在区间k的起点k1和终点k2通过b

若b

若b

若b

若b

式中，x

(2)线路限速约束

0≤v

式中，v

(3)乘客舒适度指标约束

列车运行过程中，加速度变化过大或工况切换过于频繁都会影响乘客舒适 度。本文以加速度变化率作为评价乘客舒适度指标。

式中，Δa

(3)构建直流牵引供电系统模型

直流牵引供电系统主要由牵引网、储能装置、列车、整流机组等组成。考 虑到潮流算法的求解效率和计算精度，牵引网采用三层地网模型，整流机组采 用恒压源-内阻模型、列车采用功率源模型、再生制动能量利用装置基于外特性 建模。

还原多列车运行轨迹得到时刻t各列车的位置x

式中，G

式中，U

(4)模型求解及潮流计算

考虑惰行控制系数，以τ

Step1：加载列车、线路及运行图数据；

Step2：初始化仿真条件：令i＝1，k＝1，τ

Step3：利用v

Step4：计算T

Step5：若T

①初始化v

②计算当目标速度为v

③保存列车区间运行记录R

Step6：令τ

Step7：令k++，若k

Step8：令i++，若i>M，则转入Step9；反之令k＝1，若T

Step9：根据各列车优化后的运行记录，还原多列车具有电气信息的运行轨 迹。

Step10：初始化迭代次数r、电压收敛精度ε、变电所状态W，仿真起止时 间及仿真时长T，直流侧供电系统节点导纳矩阵G；

Step11：读取当前时刻t下各列车的位置及功率信息；

Step12：进行t时刻直流牵引供电系统潮流计算，更新各节点电压U、节点 电流I；

Step13：判断是否满足|U

Step14：判断牵引所状态W是否需要调整，若W不合理，则调整后返回Step13， 否则令t＝t+1，转入Step15；

Step15：若t

其中λ

进一步地，通风空调智能控制子系统可以实现基础控制策略的控制、深度 节能优化控制。其中深度节能优化控制中也包括多种策略。以上功能可以根据 需要进行任意组合、删减、添加。

下面具体对其中的冷负荷预测模型具体说明其控制原理。

通风空调智能控制子系统包括冷负荷预测模型。冷负荷预测模型作为系统 冷源能耗模型的基础，是实现能效最优化控制的基本条件之一，为冷源系统的 运行提供初始预测值，并且在运行过程中，冷负荷预测模型能够根据能耗值和 冷量大小，运用智能模糊控制方法，不断对冷负荷值进行修正，为系统冷源能 效模型寻找最优状态点提供基础条件。通过通风空调系统的运行工况数据建立 起冷负荷预测模型，为系统的初始运行提供冷负荷预测值，并在运行过程中根 据能耗和制冷量之间的关系不断修正。

除去电气、照明等固定参数信息，总负荷预测值主要以人员、室外温湿度 为变量的函数关系式，可简化为下式所示：

Q

式中，Q

通过采集不同时间各车站内人员数量、各车站的室外温度以及各采样时间 点各车站对应的总冷负荷实际值，采用基于深度学习的神经网络模型等方法确 定函数f(p)、f(t，d)的表达形式，从而实现基于各车站内人员数量、各车站 的室外温度的总冷负荷预测值，按总冷负荷预测值给各车站提供冷负荷。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述 实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特 征的组合不存在矛盾，都应当认为是本说明书记载的范围。

本领域的技术人员容易理解，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。