CN107991873A - 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法 - Google Patents

一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法 Download PDF

Info

Publication number
CN107991873A
CN107991873A CN201711307509.0A CN201711307509A CN107991873A CN 107991873 A CN107991873 A CN 107991873A CN 201711307509 A CN201711307509 A CN 201711307509A CN 107991873 A CN107991873 A CN 107991873A
Authority
CN
China
Prior art keywords
mrow
msub
data
electrical current
stray electrical
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711307509.0A
Other languages
English (en)
Other versions
CN107991873B (zh
Inventor
李威
王承涛
王禹桥
杨雪锋
范孟豹
许少毅
魏华贤
鞠锦勇
路恩
盛连超
王祥辉
王瑞林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN201711307509.0A priority Critical patent/CN107991873B/zh
Publication of CN107991873A publication Critical patent/CN107991873A/zh
Application granted granted Critical
Publication of CN107991873B publication Critical patent/CN107991873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Measurement Of Resistance Or Impedance (AREA)
  • Prevention Of Electric Corrosion (AREA)

Abstract

本发明公开了一种基于卷积神经网络及BP神经网络的地铁杂散电流泄漏等级预测方法,包括以下步骤:1、在区间内确定土壤电阻率、极化电位测量位置,收集预测模型输入数据;2、对影响杂散电流泄漏的三类影响因素:土壤电阻率、埋地管线深度、埋地管线极化电位的数据进行矩阵化处理;3、使用卷积神经网络预测模型进行单测点杂散电流泄漏等级预测;4、使用BP神经网络进行区间内杂散电流泄漏等级综合预测;5、使用基于卷积神经网络及BP神经网络的预测模型对测试数据进行预测。本发明能够通过易测数据有效预测区间内杂散电流泄漏等级,保证系统在长时间监测时的预测精度,对于直观监测杂散电流泄漏情况具有重要的实际意义。

Description

一种基于卷积神经网络及BP神经网络的地铁杂散电流泄漏等 级预测方法
技术领域
本发明涉及一种地铁杂散电流泄漏等级预测方法,特别是一种基于卷积神经网络及BP神经网络的地铁杂散电流泄漏等级预测方法。
背景技术
随着经济的快速增长及我国城市化进程的加快,城轨交通在城市公共交通中的骨干作用日益凸显。地铁直流牵引系统是城市轨道交通的主力军,对于缓解城市交通拥堵、促进社会发展具有极其重要的意义。杂散电流作为地铁直流牵引系统运营过程中的负面影响之一,对于系统内外的埋地金属管线、地下混凝土结构会产生电化学腐蚀,缩短相关设备的使用寿命、威胁系统运营和人身安全。因此,地铁正常运行时加强监测和有效判断杂散电流的腐蚀状况是非常必要的,在有杂散电流腐蚀趋势发生时,应该采取积极有效的防治方法进行防护,以避免造成灾难性的后果。
杂散电流监测目前主要通过埋地管线及金属结构的极化电位进行间接判断。对于杂散电流泄漏情况来说,直接进行监测可以通过测量区间内杂散电流泄漏等级的大小来进行,但由于在实际工程测量机车取流电流、牵引变电所回流电流难度大、测量精度不高,且测量时需要对现有直流牵引供电系统进行改造,因而一般不选择区间内的泄漏总量作为杂散电流监测的主要参数。
发明内容
本发明的目的是提供一种基于卷积神经网络及BP神经网络的地铁杂散电流泄漏等级预测方法,本测量方法测量方便,在测量过程中无需对现有系统进行改造,保证系统在长时间监测时的预测精度。
为了达到上述目的,本发明所采用的技术方案为:
一种基于卷积神经网络及BP神经网络的地铁杂散电流泄漏等级预测方法,按如下步骤进行:
步骤1:在区间内等间距设置3个样本参数测量点,在测量点进行埋地管线极化电位和土壤电阻率的监测以及埋地管线深度的测量,埋地管线极化电位、土壤电阻率及区间内杂散电流泄漏总量同步进行测量,所述测量点分别为X1,X2,X3,所述3个测量点分别位于区间中部、一侧牵引变电所附近及另一侧牵引变电所附近。
步骤2:获取一组杂散电流泄漏等级预测的训练样本,所述训练样本是由土壤电阻率数据集ρ={ρ123},埋地管线极化电位数据集v={v1,v2,v3},埋地管线深度数据集d={d1,d2,d3},区间内杂散电流泄漏总量I={I1,I2,I3,…,Ii,…,In}组成,ρ1表示第1个测点的土壤电阻率数据,并有ρ1={ρ1 12 13 1,…,ρj 1,…ρm 1},ρj 1表示在第1个测点处的第j时刻土壤电阻率数据,ρ2与ρ3以此类推;v1表示第1个测点的埋地管线极化电位数据,并有v1={v1 1,v2 1,v3 1,…,vj 1,…vm 1},vj 1表示在第1个测点处的第j时刻埋地管线极化电位数据,v2与v3以此类推;d1表示第1个测点的埋地管线数据,并有d1={d1 1,d2 1,d3 1,…,dj 1,…dm 1},dj 1表示在第1个测点处的第j时刻埋地管线深度数据,d2与d3以此类推;Ii表示第i时刻:区间内杂散电流泄漏总量数据。测试样本从训练样本中进行选取。
步骤3:根据杂散电流泄漏等级预测精度需求设计卷积神经网络拓扑结构,该结构包括3个卷积层,3个采样层,1个输入层和1一个输出层,卷积核大小为5×5,输入层矩阵大小为60×60,卷积层c1、c2、c3分别包含5、20、30个输出特征矩阵,下采样层S1、S2、S3分别包含5、10、20个输出矩阵,采样层采样比例为2,为了保证训练过程中的非线性,在各采样层间加入的激活函数为sigmoid函数。
步骤4:对训练样本各个影响参数的数据集进行矩阵化处理,根据输入矩阵的大小,以3600个数据为一组,对同一测点,分别从ρi,vi,di中依次取出3600个数据{ρ1 i2 i3 i,…,ρj i,…ρ3600 i},{v1 i,v2 i,v3 i,…,vj i,…v3600 i},{d1 i,d2 i,d3 i,…,dj i,…d3600 i},放入三个矩阵,形成一组训练样本Si,1={ρi,1,vi 1,di 1},如图3所示。以此类推,完成对整个数据集的矩阵化处理,形成三个测量位置全部Nsample个训练样本S1={S1,1,S1,2,…,S1,p1,…,S1,q1},S2={S2,1,S2,2,…,S2,p1,…,S2,q1},S3={S3,1,S3,2,…,S3,p1,…,S3,q1},并有S1,p={ρp1 1,vp1 1,dp1 1},S2,p={ρp1 2,vp1 2,dp1 2},S3,p={ρp1 3,vp1 3,dp1 3}。测试样本S1’,S2’,S3’的矩阵化处理方法与训练样本相同,并有S1 ={S1,1 ,S1,2 ,…,S1,p2 ,…,S1,q2 },S2 ={S2,1 ,S2,2 ,…,S2,p2 ,…,S2,q2’},S3’={S3,1’,S3,2’,…,S3,p2’,…,S3,q2’},S1,p’={ρp2 1’,vp2 1’,dp2 1’},S2,p ={ρp2 2’,vp2 2’,dp2 2’},S3,p ={ρp2 3’,vp2 3’,dp2 3’}。
步骤5:设置卷积神经网络输出计算方法,由于土壤电阻率、埋地管线深度为杂散电流泄漏的次要影响因素,而埋地管线极化电位为杂散电流泄漏的主要影响因素。以一侧牵引变电所附近的训练样本数据为例,进行特征矩阵组合计算时进行如下处理:
Ic 1为一侧牵引变电所附近的泄漏电流等级,b1,1,b1,2分别为卷积神经网络中对应埋地管线深度和土壤电阻率的偏置系数,α1,i为一侧牵引变电所附近训练样本所对应的卷积神经网络权重,C(·)为卷积操作,f(·)为激活函数。
如图4、图5所示,步骤6:设置卷积神经网络及BP神经网络的结构参数,利用训练样本分别对三个测量点处的训练样本进行卷积神经网络训练。设置改变一次权值所需训练样本的数目Nbatchsize,训练次数Ntrain,打乱原有训练样本的序列,并分别从三类训练样本中选出Nsample/Nbatchsize个训练样本{S1,l,…,S1,k…,S1,h},{S2,l,…,S2,k…,S2,h},{S3,l,…,S3,k…,S3,h}进行卷积运算和特征提取,在当前的网络权值和网络输入下计算网络的输出,即三个不同位置下的杂散电流泄漏等级预测值。将三个不同位置下的杂散电流泄漏等级作为BP神经网络的输入量,进行BP神经网络训练。BP神经网络的输出为:
Io为整个神经网络的输出值,即区间内杂散电流的泄漏等级预测值,Ic 1,Ic 2,Ic 3分别为根据测量点数据所预测的区间内杂散电流泄漏等级,β1,β2,β3分别为三个位置下杂散电流泄漏等级预测值所对应的权重,θ为神经单元阈值,f(·)为激活函数。
步骤7:根据输出通过对应的样本标签使用BP神经网络算法得到误差对卷积神经网络权值的导数对卷积神经网络权值、偏置系数、BP神经网络权值进行更新。将步骤5~步骤7循环Ntrain次,最终完成整个神经网络的训练。
步骤8:将测试样本带入训练完成的神经网络,进行卷积运算和特征提取过程,完成区间内杂散电流泄漏等级的预测。
其中,本发明的过程分为7个步骤:1)测试点设置→2)获取训练样本→3)卷积神经网络拓扑结构设计→4)数据集的矩阵化处理→5)三个位置下的卷积神经网络输出计算→6)BP神经网络输出计算→7)神经网络权重、偏置系数更新→8)测试样本测试。
与现有的地铁杂散电流泄漏等级预测方法相比:本发明通过设计基于卷积神经网络及BP神经网络的智能学习算法,能够有效预测区间内杂散电流泄漏等级,且所使用的参数和测量方法与现有杂散电流监测系统能够进行很好的融合,有效解决了杂散电流泄漏总量直接测量价格难度大、精度低的问题,避免了在测量过程中对现有系统的改造,以减小对日常运营的影响,本发明所设计的预测方法在大数据量下的智能学习具有明显的优势,能够保证系统在长时间监测时的预测精度。
附图说明
图1为本发明方法中区间内测量点设置及训练样本参数采集系统示意图,
图2为卷积神经网络拓扑结构示意图,
图3为基于卷积神经网络及BP神经网络地铁杂散电流泄漏等级预测方法中训练样本数据的矩阵化过程示意图,
图4为基于卷积神经网络及BP神经网络地铁杂散电流泄漏等级预测方法的训练流程图,
图5为基于卷积神经网络及BP神经网络地铁杂散电流泄漏等级预测方法的测试流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示,本发明采用的技术方案是:一种基于卷积神经网络及BP神经网络的地铁杂散电流泄漏等级预测方法,该方法包括以下步骤:
步骤1:在区间内设置3个样本参数测量点,如图1所示,在测量点进行埋地管线极化电位和土壤电阻率的监测以及埋地管线深度的测量;埋地管线极化电位、土壤电阻率及区间内杂散电流泄漏总量同步进行测量;所述测量点分别为X1,X2,X3,所述3个测量点分别位于区间中部、一侧牵引变电所附近及另一侧牵引变电所附近;为保证能够在长时间内对区间内杂散电流泄漏等级进行预测分析,所述埋地管线极化电位的测量使用长效硫酸铜参比电极进行;所述土壤电阻率的测量使用土壤电阻率测试仪进行;所述埋地管线深度信息通过地铁运营公司或油气管线公司处获取;所述区间内杂散电流泄漏总量通过测量同一时刻的机车取流电流和牵引变电所回流电流获得,两者之差即可认为是区间内杂散电流泄漏总量;所述土壤电阻率、埋地管线极化电位及杂散电流泄漏总量均同步进行测试,并通过杂散电流监测装置上传至杂散电流监测管理系统进行后续的数据处理和预测分析。
步骤2:获取一组杂散电流泄漏等级预测的训练样本,所述训练样本是由土壤电阻率数据集ρ={ρ123},埋地管线极化电位数据集v={v1,v2,v3},埋地管线深度数据集d={d1,d2,d3},区间内杂散电流泄漏总量I={I1,I2,I3,…,Ii,…,In}组成,ρ1表示第1个测点的土壤电阻率数据,并有ρ1={ρ1 12 13 1,…,ρj 1,…ρm 1},ρj 1表示在第1个测点处的第j时刻土壤电阻率数据,ρ2与ρ3以此类推;v1表示第1个测点的埋地管线极化电位数据,并有v1={v1 1,v2 1,v3 1,…,vj 1,…vm 1},vj 1表示在第1个测点处的第j时刻埋地管线极化电位数据,v2与v3以此类推;d1表示第1个测点的埋地管线数据,并有d1={d1 1,d2 1,d3 1,…,dj 1,…dm 1},dj 1表示在第1个测点处的第j时刻埋地管线深度数据,d2与d3以此类推;Ii表示第i时刻:区间内杂散电流泄漏总量数据。测试样本从训练样本中进行选取。
步骤3:根据杂散电流泄漏等级预测精度需求设计卷积神经网络拓扑结构,该结构包括3个卷积层,3个采样层,1个输入层和1一个输出层,卷积核大小为5×5,输入层矩阵大小为60×60,卷积层c1、c2、c3分别包含5、20、30个输出特征矩阵,下采样层S1、S2、S3分别包含5、10、20个输出矩阵,采样层采样比例为2,为了保证训练过程中的非线性,在各采样层间加入的激活函数为sigmoid函数,如图2所示。
步骤4:对训练样本各影响参数的数据集进行矩阵化处理,根据输入矩阵的大小,以3600个数据为一组,对同一测点,分别从ρi,vi,di中依次取出3600个数据{ρ1 i2 i3 i,…,ρj i,…ρ3600 i},{v1 i,v2 i,v3 i,…,vj i,…v3600 i},{d1 i,d2 i,d3 i,…,dj i,…d3600 i},放入三个矩阵,形成一组训练样本Si,1={ρi,1,vi 1,di 1},如图3所示。以此类推,完成对整个数据集的矩阵化处理,形成三个测量位置全部Nsample个训练样本S1={S1,1,S1,2,…,S1,p1,…,S1,q1},S2={S2,1,S2,2,…,S2,p1,…,S2,q1},S3={S3,1,S3,2,…,S3,p1,…,S3,q1},并有S1,p={ρp1 1,vp1 1,dp1 1},S2,p={ρp1 2,vp1 2,dp1 2},S3,p={ρp1 3,vp1 3,dp1 3}。测试样本S1’,S2’,S3’的矩阵化处理方法与训练样本相同,并有S1’={S1,1’,S1,2’,…,S1,p2’,…,S1,q2’},S2’={S2,1’,S2,2’,…,S2,p2’,…,S2,q2’},S3’={S3,1’,S3,2’,…,S3,p2’,…,S3,q2’},S1,p’={ρp2 1’,vp2 1’,dp2 1’},S2,p’={ρp2 2’,vp2 2’,dp2 2’},S3,p ={ρp2 3’,vp2 3’,dp2 3’}。
步骤5:设置卷积神经网络输出计算方法,由于土壤电阻率、埋地管线深度为杂散电流泄漏的次要影响因素,而埋地管线极化电位为杂散电流泄漏的主要影响因素。以一侧牵引变电所附近的训练样本数据为例,另一侧牵引变电所附近及区间中部的训练样本数据处理方法与一侧牵引变电所附近的处理方法相同,进行特征矩阵组合时进行如下处理:
Ic 1为一侧牵引变电所附近的泄漏电流等级,b1,1,b1,2分别为卷积神经网络中对应埋地管线深度和土壤电阻率的偏置系数,α1,i为一侧牵引变电所附近训练样本所对应的卷积神经网络权重,C(·)为卷积操作,f(·)为激活函数。
步骤6:设置卷积神经网络及BP神经网络的结构参数,利用训练样本分别对三个测量点处的训练样本进行卷积神经网络训练。设置改变一次权值所需训练样本的数目Nbatchsize,训练次数Ntrain,打乱原有训练样本的序列,并分别从三类训练样本中选出Nsample/Nbatchsize个训练样本{S1,l,…,S1,k…,S1,h},{S2,l,…,S2,k…,S2,h},{S3,l,…,S3,k…,S3,h}进行卷积运算和特征提取,在当前的网络权值和网络输入下计算网络的输出,即三个不同位置下的杂散电流泄漏等级预测值。
以训练样本S1,k,S2,k,S3,k为例,输出值计算过程为:
首先判断所在层类型,若为卷积层,则进行卷积运算:
Ic,k 1,Ic,k 2,Ic,k 3分别为三个测量点数据所对应卷积层的输出,bc 1,bc 2,bc 3分别为三个测量点数据所对应卷积层的偏置系数。
若为下采样层,则进行特征提取:
D(·)表示特征提取过程,γd 1,γd 1,γd 1分别为三个测量点数据所对应下采样层的权重,Id,k 1,Id,k 2,Id,k 3分别为三个测量点数据所对应下采样层的输出,bd 1,bd 2,bd 3分别为三个测量点数据所对应下采样层的偏置系数。
循环至神经网络最大层数后,进行特征矩阵组合:
If,k 1,If,k 2,If,k 3分别为三个测量点数据所对应特征矩阵组合结果,α1,i2,i3,i分别为三个测量点数据所对应泄漏电流的权重,b1,1,b2,1,b3,1分别为三个测量点管线埋地深度的偏置系数,b1,i’,b2,i’,b3,i’分别为三个测量点土壤电阻率的偏置系数。
将三个不同位置下的杂散电流泄漏等级作为BP神经网络的输入量,进行BP神经网络训练。
BP神经网络的输出为:
Io为整个神经网络的输出值,即区间内杂散电流的泄漏等级预测值,Ic 1,Ic 2,Ic 3分别为根据测量点数据所预测的区间内杂散电流泄漏等级,β1,β2,β3分别为三个位置下杂散电流泄漏等级预测值所对应的权重,θ为神经单元阈值,f(·)为激活函数。
步骤7:根据输出通过对应的样本标签使用BP神经网络算法得到误差对卷积神经网络权值的导数对卷积神经网络权值α1,i,α2,i,α3,i、偏置系数b1,1,b1,i’,b2,1,b2,i’,b3,1,b3,i’、BP神经网络权值β1,β2,β3进行更新。将步骤5~步骤7循环Ntrain次,最终完成整个神经网络的训练。
步骤8:将测试样本带入训练完成的神经网络,以测试样本S1,k‘,S2,k’,S3,k’为例,输出值计算过程为:
首先判断所在层类型,若为卷积层,则进行卷积运算:
Ic,k 1’,Ic,k 2’,Ic,k 3’分别为三个测量点数据所对应卷积层的输出。
若为下采样层,则进行特征提取:
Id,k 1’,Id,k 2’,Id,k 3’分别为三个测量点数据所对应下采样层的输出。
循环至神经网络最大层数后,进行特征图组合:
If,k 1’,If,k 2’,If,k 3’分别为三个测量点数据所对应特征矩阵组合结果。
将三个不同位置下杂散电流泄漏等级输入BP神经网络,进行BP神经网络训练。BP神经网络的输出为:
至此,完成区间内杂散电流泄漏等级的预测,神经网络模型训练初始训练一次后,后续预测可跳过步骤6~步骤7,在监测数据矩阵化处理后直接利用预测模型进行分析。
本发明利用了智能算法的特点,首先根据卷积神经网络预测区间内三个典型位置的杂散电流泄漏等级,将三个结果作为三个不同的输入变量带入BP神经网络,对区间内杂散电流泄漏总量等级进行最终预测,该方法能够融入现有地铁杂散电流综合监控系统,解决了杂散电流泄漏总量测量难度大、精度低的问题,避免了在测量过程中对现有系统的改造以减小对日常运营的影响,实现了对于地铁杂散电流泄漏情况的有效预测。

Claims (1)

1.一种基于卷积神经网络及BP神经网络的地铁杂散电流泄漏等级预测方法,其特征在于,包括以下步骤:
步骤1:在区间内等间距设置3个样本参数测量点,在测量点进行埋地管线极化电位和土壤电阻率的监测以及埋地管线深度的测量,埋地管线极化电位、土壤电阻率及区间内杂散电流泄漏总量同步进行测量,所述测量点分别为X1,X2,X3,所述3个测量点分别位于区间中部、一侧牵引变电所附近及另一侧牵引变电所附近;
步骤2:获取一组杂散电流泄漏等级预测的训练样本,所述训练样本是由土壤电阻率数据集ρ={ρ123},埋地管线极化电位数据集v={v1,v2,v3},埋地管线深度数据集d={d1,d2,d3},区间内杂散电流泄漏总量I={I1,I2,I3,…,Ii,…,In}组成,ρ1表示第1个测点的土壤电阻率数据,并有ρ1={ρ1 12 13 1,…,ρj 1,…ρm 1},ρj 1表示在第1个测点处的第j时刻土壤电阻率数据,ρ2与ρ3以此类推;v1表示第1个测点的埋地管线极化电位数据,并有v1={v1 1,v2 1,v3 1,…,vj 1,…vm 1},vj 1表示在第1个测点处的第j时刻埋地管线极化电位数据,v2与v3以此类推;d1表示第1个测点的埋地管线数据,并有d1={d1 1,d2 1,d3 1,…,dj 1,…dm 1},dj 1表示在第1个测点处的第j时刻埋地管线深度数据,d2与d3以此类推;Ii表示第i时刻:区间内杂散电流泄漏总量数据;测试样本从训练样本中进行选取;
步骤3:根据杂散电流,该结构包括3个卷积层,3个下采样层,1个输入层和1一个输出层,卷积核大小为5×5,输入层矩阵大小为60×60,卷积层c1、c2、c3分别包含5、20、30个输出特征矩阵,下采样层S1、S2、S3分别包含5、10、20个输出矩阵,采样层采样比例为2,为了保证训练过程中的非线性,在各采样层间加入激活函数;
步骤4:对训练样本各影响参数的数据集进行矩阵化处理,根据输入矩阵的大小,以3600个数据为一组,对同一测点,分别从ρi,vi,di中依次取出3600个数据{ρ1 i2 i3 i,…,ρj i,…ρ3600 i},{v1 i,v2 i,v3 i,…,vj i,…v3600 i},{d1 i,d2 i,d3 i,…,dj i,…d3600 i},放入三个矩阵,形成一组训练样本Si,1={ρi, 1,vi 1,di 1},以此类推,完成对整个数据集的矩阵化处理,形成三个测量位置全部Nsample个训练样本S1={S1,1,S1,2,…,S1,p1,…,S1,q1},S2={S2,1,S2,2,…,S2,p1,…,S2,q1},S3={S3,1,S3,2,…,S3,p1,…,S3,q1},并有S1,p={ρp1 1,vp1 1,dp1 1},S2,p={ρp1 2,vp1 2,dp1 2},S3,p={ρp1 3,vp1 3,dp1 3};测试样本S1’,S2’,S3’的矩阵化处理方法与训练样本相同,并有S1’={S1,1’,S1,2’,…,S1,p2’,…,S1,q2’},S2’={S2,1’,S2,2’,…,S2,p2’,…,S2,q2’},S3’={S3,1’,S3,2’,…,S3,p2’,…,S3,q2’},S1,p’={ρp2 1’,vp2 1’,dp2 1’},S2,p’={ρp2 2’,vp2 2’,dp2 2’},S3,p’={ρp2 3’,vp2 3’,dp2 3’};
步骤5:设置卷积神经网络输出计算方法,由于土壤电阻率、埋地管线深度为杂散电流泄漏的次要影响因素,而埋地管线极化电位为杂散电流泄漏的主要影响因素;以一侧牵引变电所附近的训练样本数据为例,进行特征矩阵组合计算时进行如下处理:
<mrow> <msubsup> <mi>I</mi> <mi>c</mi> <mn>1</mn> </msubsup> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>&amp;alpha;</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <mi>C</mi> <mo>(</mo> <msub> <mi>v</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mo>)</mo> <mo>+</mo> <msub> <mi>b</mi> <mrow> <mn>1</mn> <mo>,</mo> <mn>1</mn> </mrow> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>d</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>b</mi> <mrow> <mn>1</mn> <mo>,</mo> <mn>2</mn> </mrow> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>&amp;rho;</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow>
Ic 1为一侧牵引变电所附近的泄漏电流等级,b1,1,b1,2分别为卷积神经网络中对应埋地管线深度和土壤电阻率的偏置系数,α1,i为一侧牵引变电所附近训练样本所对应的卷积神经网络权重,C(·)为卷积操作,f(·)为激活函数;
步骤6:设置卷积神经网络及BP神经网络的结构参数,利用训练样本分别对三个测量点处的训练样本进行卷积神经网络训练;设置改变一次权值所需训练样本的数目Nbatchsize,训练次数Ntrain,打乱原有训练样本的序列,并分别从三类训练样本中选出Nsample/Nbatchsize个训练样本{S1,l,…,S1,k…,S1,h},{S2,l,…,S2,k…,S2,h},{S3,l,…,S3,k…,S3,h}进行卷积运算和特征提取,在当前的网络权值和网络输入下计算网络的输出,即三个不同位置下的杂散电流泄漏等级预测值;将三个不同位置下的杂散电流泄漏等级作为BP神经网络的输入量,进行BP神经网络训练;BP神经网络的输出为:
<mrow> <msub> <mi>I</mi> <mi>o</mi> </msub> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>&amp;beta;</mi> <mn>1</mn> </msub> <mo>&amp;CenterDot;</mo> <msubsup> <mi>I</mi> <mi>c</mi> <mn>1</mn> </msubsup> <mo>+</mo> <msub> <mi>&amp;beta;</mi> <mn>2</mn> </msub> <mo>&amp;CenterDot;</mo> <msubsup> <mi>I</mi> <mi>c</mi> <mn>2</mn> </msubsup> <mo>+</mo> <msub> <mi>&amp;beta;</mi> <mn>3</mn> </msub> <mo>&amp;CenterDot;</mo> <msubsup> <mi>I</mi> <mi>c</mi> <mn>3</mn> </msubsup> <mo>-</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> </mrow>
Io为整个神经网络的输出值,即区间内杂散电流的泄漏等级预测值,Ic 1,Ic 2,Ic 3分别为根据测量点数据所预测的区间内杂散电流泄漏等级,β123分别为三个位置下杂散电流泄漏等级预测值所对应的权重,θ为神经单元阈值,f(·)为激活函数;
步骤7:根据输出通过对应的样本标签使用BP神经网络算法得到误差对卷积神经网络权值的导数对卷积神经网络权值、偏置系数、BP神经网络权值进行更新;将步骤5~步骤7循环Ntrain次,最终完成整个神经网络的训练;
步骤8:将测试样本带入训练完成的神经网络,进行卷积运算和特征提取过程,完成区间内杂散电流泄漏等级的预测。
CN201711307509.0A 2017-12-11 2017-12-11 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法 Active CN107991873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711307509.0A CN107991873B (zh) 2017-12-11 2017-12-11 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711307509.0A CN107991873B (zh) 2017-12-11 2017-12-11 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法

Publications (2)

Publication Number Publication Date
CN107991873A true CN107991873A (zh) 2018-05-04
CN107991873B CN107991873B (zh) 2020-09-29

Family

ID=62035671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711307509.0A Active CN107991873B (zh) 2017-12-11 2017-12-11 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法

Country Status (1)

Country Link
CN (1) CN107991873B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108562782A (zh) * 2018-07-17 2018-09-21 国网湖南省电力有限公司 一种杂散电流的获取方法及杂散电流的检测系统
CN109142908A (zh) * 2018-06-29 2019-01-04 中电普瑞电力工程有限公司 一种杂散电流对变电站接地点电位影响的计算方法及系统
CN109255490A (zh) * 2018-09-28 2019-01-22 西安建筑科技大学 一种基于kpca-bas-grnn的埋地管道外腐蚀速率预测方法
CN109559302A (zh) * 2018-11-23 2019-04-02 北京市新技术应用研究所 基于卷积神经网络的管道视频缺陷检测方法
CN110093610A (zh) * 2019-06-04 2019-08-06 西南石油大学 一种埋地管道的极化电位获取方法
CN110195823A (zh) * 2019-07-16 2019-09-03 重庆科技学院 一种基于深度神经网络的管道微泄露检测方法
CN110197218A (zh) * 2019-05-24 2019-09-03 绍兴达道生涯教育信息咨询有限公司 基于多源卷积神经网络的雷雨大风等级预测分类方法
CN110222844A (zh) * 2019-05-30 2019-09-10 西安交通大学 一种基于人工神经网络的压缩机性能预测方法
CN110749541A (zh) * 2019-09-28 2020-02-04 徐州中矿传动轨道科技有限公司 地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法
CN111027224A (zh) * 2019-12-19 2020-04-17 西安工程大学 一种基于bp神经网络的过渡电阻预测方法
CN111487184A (zh) * 2020-04-11 2020-08-04 华东交通大学 一种模拟地铁列车杂散电流泄漏及腐蚀的实验平台
CN113609640A (zh) * 2021-06-29 2021-11-05 中国矿业大学 一种受地铁杂散电流腐蚀影响的埋地管线剩余寿命预测方法
CN114154414A (zh) * 2021-11-30 2022-03-08 徐州中矿传动轨道科技有限公司 基于云计算的地铁杂散电流泄漏高风险区间识别方法、系统及存储介质
CN114528773A (zh) * 2022-04-24 2022-05-24 国网江西省电力有限公司电力科学研究院 基于大数据分析的轨道交通杂散电流波形预测系统及方法
CN114662624A (zh) * 2022-05-25 2022-06-24 浙江大学 基于可再训练孪生网络的非侵入式负荷识别方法及系统
CN114900126A (zh) * 2022-07-13 2022-08-12 江苏福明太阳能有限公司 太阳能电池组件的接地测试设备及其接地测试方法
CN115935162A (zh) * 2022-11-29 2023-04-07 重庆市机电设计研究院有限公司 杂散电流在线评估工作系统
CN116047363A (zh) * 2023-04-03 2023-05-02 华东交通大学 一种轨道列车杂散电流的监测方法及监测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050044062A (ko) * 2003-11-07 2005-05-12 한국전기연구원 지하철과 전력선의 누설전류 측정을 위한 저장형 데이터계측장치
EP1730492A1 (en) * 2004-03-01 2006-12-13 MetriCorr ApS A method and a system of diagnosing corrosion risk of a pipe or a pipeline in soil
CN106676541A (zh) * 2017-01-09 2017-05-17 国网浙江省电力公司电力科学研究院 一种金属管道杂散电流腐蚀防护方法
CN106971160A (zh) * 2017-03-23 2017-07-21 西京学院 基于深度卷积神经网络和病害图像的冬枣病害识别方法
CN106991374A (zh) * 2017-03-07 2017-07-28 中国矿业大学 基于卷积神经网络和随机森林的手写数字识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050044062A (ko) * 2003-11-07 2005-05-12 한국전기연구원 지하철과 전력선의 누설전류 측정을 위한 저장형 데이터계측장치
EP1730492A1 (en) * 2004-03-01 2006-12-13 MetriCorr ApS A method and a system of diagnosing corrosion risk of a pipe or a pipeline in soil
CN106676541A (zh) * 2017-01-09 2017-05-17 国网浙江省电力公司电力科学研究院 一种金属管道杂散电流腐蚀防护方法
CN106991374A (zh) * 2017-03-07 2017-07-28 中国矿业大学 基于卷积神经网络和随机森林的手写数字识别方法
CN106971160A (zh) * 2017-03-23 2017-07-21 西京学院 基于深度卷积神经网络和病害图像的冬枣病害识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CAO, A. LIN等: "BP neural network predictive model for stray current density of a buried metallic pipeline", 《ANTI-CORROSION METHODS AND MATERIALS》 *
XU SHAO-YI等: "Novel predictive model for metallic structure corrosion status in presence of stray current in DC mass transit systems", 《JOURNAL OF CENTRAL SOUTH UNIVERSITY》 *
ZHIGUANGCHEN等: "Experiment research of dynamic stray current interference on buried gas pipeline from urban rail transit", 《JOURNAL OF NATURAL GAS SCIENCE AND ENGINEERING》 *
李威等: "用BP模型预测地铁杂散电流腐蚀危险性", 《腐蚀科学与防护技术》 *

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109142908A (zh) * 2018-06-29 2019-01-04 中电普瑞电力工程有限公司 一种杂散电流对变电站接地点电位影响的计算方法及系统
CN109142908B (zh) * 2018-06-29 2023-07-18 中电普瑞电力工程有限公司 一种杂散电流对变电站接地点电位影响的计算方法及系统
CN108562782B (zh) * 2018-07-17 2020-06-16 国网湖南省电力有限公司 一种杂散电流的获取方法及杂散电流的检测系统
CN108562782A (zh) * 2018-07-17 2018-09-21 国网湖南省电力有限公司 一种杂散电流的获取方法及杂散电流的检测系统
CN109255490A (zh) * 2018-09-28 2019-01-22 西安建筑科技大学 一种基于kpca-bas-grnn的埋地管道外腐蚀速率预测方法
CN109255490B (zh) * 2018-09-28 2022-03-22 西安建筑科技大学 一种基于kpca-bas-grnn的埋地管道外腐蚀速率预测方法
CN109559302A (zh) * 2018-11-23 2019-04-02 北京市新技术应用研究所 基于卷积神经网络的管道视频缺陷检测方法
CN110197218A (zh) * 2019-05-24 2019-09-03 绍兴达道生涯教育信息咨询有限公司 基于多源卷积神经网络的雷雨大风等级预测分类方法
CN110197218B (zh) * 2019-05-24 2021-02-12 绍兴达道生涯教育信息咨询有限公司 基于多源卷积神经网络的雷雨大风等级预测分类方法
CN110222844A (zh) * 2019-05-30 2019-09-10 西安交通大学 一种基于人工神经网络的压缩机性能预测方法
CN110093610A (zh) * 2019-06-04 2019-08-06 西南石油大学 一种埋地管道的极化电位获取方法
CN110195823A (zh) * 2019-07-16 2019-09-03 重庆科技学院 一种基于深度神经网络的管道微泄露检测方法
CN110749541A (zh) * 2019-09-28 2020-02-04 徐州中矿传动轨道科技有限公司 地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法
CN110749541B (zh) * 2019-09-28 2024-04-26 徐州中矿传动轨道科技有限公司 地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法
CN111027224A (zh) * 2019-12-19 2020-04-17 西安工程大学 一种基于bp神经网络的过渡电阻预测方法
CN111027224B (zh) * 2019-12-19 2023-03-28 西安工程大学 一种基于bp神经网络的过渡电阻预测方法
CN111487184A (zh) * 2020-04-11 2020-08-04 华东交通大学 一种模拟地铁列车杂散电流泄漏及腐蚀的实验平台
CN113609640A (zh) * 2021-06-29 2021-11-05 中国矿业大学 一种受地铁杂散电流腐蚀影响的埋地管线剩余寿命预测方法
CN113609640B (zh) * 2021-06-29 2023-09-29 中国矿业大学 一种受地铁杂散电流腐蚀影响的埋地管线剩余寿命预测方法
CN114154414A (zh) * 2021-11-30 2022-03-08 徐州中矿传动轨道科技有限公司 基于云计算的地铁杂散电流泄漏高风险区间识别方法、系统及存储介质
CN114154414B (zh) * 2021-11-30 2024-04-16 徐州中矿传动轨道科技有限公司 基于云计算的地铁杂散电流泄漏高风险区间识别方法、系统及存储介质
CN114528773B (zh) * 2022-04-24 2022-09-02 国网江西省电力有限公司电力科学研究院 基于大数据分析的轨道交通杂散电流波形预测系统及方法
CN114528773A (zh) * 2022-04-24 2022-05-24 国网江西省电力有限公司电力科学研究院 基于大数据分析的轨道交通杂散电流波形预测系统及方法
CN114662624B (zh) * 2022-05-25 2022-09-13 浙江大学 基于可再训练孪生网络的非侵入式负荷识别方法及系统
CN114662624A (zh) * 2022-05-25 2022-06-24 浙江大学 基于可再训练孪生网络的非侵入式负荷识别方法及系统
CN114900126B (zh) * 2022-07-13 2022-11-04 江苏福明太阳能有限公司 太阳能电池组件的接地测试设备及其接地测试方法
CN114900126A (zh) * 2022-07-13 2022-08-12 江苏福明太阳能有限公司 太阳能电池组件的接地测试设备及其接地测试方法
CN115935162A (zh) * 2022-11-29 2023-04-07 重庆市机电设计研究院有限公司 杂散电流在线评估工作系统
CN116047363A (zh) * 2023-04-03 2023-05-02 华东交通大学 一种轨道列车杂散电流的监测方法及监测系统
CN116047363B (zh) * 2023-04-03 2023-08-18 华东交通大学 一种轨道列车杂散电流的监测方法及监测系统

Also Published As

Publication number Publication date
CN107991873B (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
CN107991873A (zh) 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法
Liu et al. A hybrid runoff generation modelling framework based on spatial combination of three runoff generation schemes for semi-humid and semi-arid watersheds
CN103136539B (zh) 接地网腐蚀速率等级预测方法
CN103793853B (zh) 基于双向贝叶斯网络的架空输电线路运行状态评估方法
Rumbayan et al. Mapping of solar energy potential in Indonesia using artificial neural network and geographical information system
CN103400044B (zh) 一种改进的水环境安全评价分析方法
Wang et al. Dynamic simulation patterns and spatiotemporal analysis of land-use/land-cover changes in the Wuhan metropolitan area, China
CN103606266B (zh) 基于数据包络分析的路网交通改善方案效率评估方法
CN101477146A (zh) 杂散电流测试仪及杂散电流分析方法
CN107832950A (zh) 一种基于改进区间模糊评价的配电网投资成效评价方法
CN204177718U (zh) 评价交流杂散电流干扰下油气管线腐蚀的电化学测试系统
CN106651189A (zh) 一种基于多层复合规则的变压器状态评价方法
CN103163064B (zh) 一种变电站接地网腐蚀速率的模糊预测方法
CN109857831A (zh) 一种基于大数据技术的电力设备画像标签体系建设方法
CN106548272A (zh) 一种电动汽车快充设施综合性能的评价方法
CN105911476A (zh) 一种基于数据挖掘的电池储能系统soc预测方法
CN107516168A (zh) 一种生态环境质量综合评价方法
CN106407581A (zh) 一种地铁隧道施工诱发地表沉降的智能预测方法
CN106600004A (zh) 一种公路网路面技术健康状况评估方法
CN104599193A (zh) 一种基于规则库的配电网单相接地故障定位方法
CN105930974A (zh) 一种城市综合管廊建设区位分析方法
CN103617447B (zh) 智能变电站的评价系统及评价方法
CN114498634B (zh) 一种基于电表数据的电动汽车充电负荷预测方法
CN106570594A (zh) 一种基于tmbp的相似日光伏发电短期预测方法
Wang et al. Predictive model for corrosion hazard of buried metallic structure caused by stray current in the subway

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant