（文章來源：電氣新科技）

根據《中長期鐵路網規劃》方針，預計2020年，中國高速鐵路運營總里程將達到3萬km。隨著運營里程的快速增長，其能耗問題日顯突出。據鐵路總公司統計，2017年我國鐵路消耗總電能達620.33億kWh，占全國總用電量的1%~1.5%，是最大的單體負荷。其中，高速鐵路牽引能耗為208.84億kWh，占比33.67%。

此外，為了實現電力系統經濟調度，國家電網公司要求鐵路部門對牽引變電站購買的電量進行精確的預測，預測所需的電量將以直購電形式進行交易結算，若預測誤差大于10%，國家電網公司將對超過的電量按高于直購電價的價格進行交易結算，使得電費支出增加，運營成本增大。

因此，研究高鐵牽引變電站牽引負荷特性，實現其能耗的精確預測，可為節能降耗、牽引供電系統優化調度運行、電能質量評估和牽引變壓器容量校核等提供幫助，具有重要的研究意義。牽引供電系統能耗預測的關鍵在于建立準確的牽引負荷模型。圍繞牽引負荷建模方法，國內外學者主要開展了三個方面的研究：①基于仿真軟件的建模方法；②基于牽引計算的動態建模方法；③基于實測數據的數值建模。

其中，通過仿真軟件的建模方法基于Simulink 、PSCAD等仿真平臺，根據動車組的拓撲結構和電氣環節搭建了完整的仿真模型。該模型可有效地刻畫牽引負荷在不同工況下的視在功率、諧波輸出水平等負荷特性，可用于揭示牽引供電系統諸如能耗影響因素、諧波諧振等規律性特征。然而，在仿真建模過程中往往對系統結構進行了一定的簡化，仿真條件比較理想，使得仿真結果很難與實際結果一致。

有學者結合牽引計算基本理論和行車運行圖提供的信息，建立了整個系統的動態負荷模型，該模型具有較高的仿真精度。然而，在計算過程中需要大量的動車組和線路等的參數，造成計算量大、仿真時間長。

隨著測量技術和數據處理方法的發展，基于實測數據的數值建模方法越來越受到研究者們的青睞。該方法結合大量的實測數據，利用概率統計和擬合等方法建立了牽引負荷概率模型。該模型可有效地表征牽引負荷的概率統計特性，實現整個系統能耗的概率評估。但是不能精確地刻畫牽引負荷的實時動態特性。如何結合牽引負荷實測數據，準確地模擬動車組在區間運行過程中的動態負荷過程，有待進一步探討。

有學者探討了基于事件窗的非侵入式負荷監測（Non-Intrusive Load Monitoring, NILM）方法，通過提取用電設備的完整工作過程，實現各個用電設備的負荷識別和能耗評估。類比NILM，牽引負荷動態預測的實質就是將不同運行過程的動車組負荷根據運行時間有機地疊加起來。

西南交通大學電氣工程學院、中國鐵路成都局集團有限公司供電部的研究人員，結合高速動車組在牽引變電站供電區間的運行特性和負荷實測數據，借鑒非侵入式負荷監測研究方法，歸納了動車組在區間的典型運行過程。應用基于滑動窗的事件檢測算法，實現了典型負荷過程的自動檢測與識別并建立了典型運行過程的動態負荷模型。圖1給出了高鐵牽引變電站負荷建模的流程。

結合行車運行圖提供的信息，提出了基于行車運行圖的高鐵牽引變電站負荷預測方法，主要得到如下結論：

1）所提出的牽引變電站負荷預測方法能準確評估動車組在區間運行時負荷的動態特性和統計特性，單列動車組的負荷動態波動擬合優度高于0.9，能耗統計誤差為0.57%。還可實現不同行車運行圖下高鐵牽引變電站動態負荷及耗電量的預測。2）所提出的牽引變電站負荷預測方法只需要牽引變電站的測試數據和行車運行圖，而無需潮流計算等復雜過程，具有運算量小、評估速度快等優勢。

在典型負荷過程的提取上，借鑒非侵入式負荷監測的方法，采用了滑動窗的事件檢測方法對其進行自動檢測，但在如何利用智能算法實現典型工況的自適應提取方面，還有待進一步深入研究。此外，基于實測數據建模方法的局限在于所建立的模型通用性較差，下一步可結合線路條件、運行工況等，同時考慮更多的偶發性因素，建立普適性更強的動車組動態模型。
（責任編輯：fqj）