CN111667392B - 一种基于时空聚类的铁路接触网缺陷热点区域预警方法 - Google Patents

Abstract

本发明公开了一种基于时空聚类的铁路接触网缺陷热点区域预警方法，包括如下步骤：将整条线路上已发生的缺陷类型和数量进行统计，得到数据集；将缺陷类型和数量的分布情况匹配到整条线路上，再利用密度聚类，把缺陷类型和数量按照线路分布的密集程度进行聚类，得到缺陷聚类结果；根据缺陷聚类结果利用缺陷热点区域预警模型进行热点区域缺陷预测，得到缺陷预测结果；根据缺陷预测结果制定线路检修计划。通过本发明，可以实现利用时空聚类的方法直观准确地分析出各个线路不同缺陷的详细分布情况，为铁路护修人员提供合理可行的预警方案和检修建议，达到节约维修成本的目的。

Description

一种基于时空聚类的铁路接触网缺陷热点区域预警方法

技术领域

本发明涉及轨道交通领域，具体是一种基于时空聚类的铁路接触网缺陷热点区域预警方法。

背景技术

随着我国电气化铁路技术的飞速发展，高速铁路和有线电气化铁路的运行速度随之提高。而接触网是沿铁路上空架设的一种特殊的输电线路，它主要与受电弓直接接触，将网上电流传送给电力机车。在高速铁路动车的运行过程中，接触线和受电弓的相互作用决定了线路供电的可靠性和供电质量。且两者之间的相互作用依赖于受电弓和接触网的物理结构设计以及运行过程中的动态检测参数，例如拉出值、导高值、接触压力、接触温度、磨耗等等。

为了确保我国高速铁路供电系统的安全可靠性，铁路相关部门从2012年开始构建供电安全检测监测系统(6C系统)，用于高速铁路牵引供电系统关键设备的全方位检测和监测，实时掌握车辆运行状态，指导牵引供电设备养护维修计划，保障高速铁路的运输秩序，形成完整的高速铁接触网运行设备检测监测体系。

6C系统已在各个铁路局集团公司广泛使用，信息化建设逐步完善，设备缺陷检测数据、故障维修计划等信息均可通过网络完成共享。而现代化的检测监测手段极大提高了生产效率、节约了养护维修成本。目前行业存在一些问题：

问题1：目前，接触网检测监测数据主要是通过对各个检测参数的阈值判断，发现相关接触网等设备的局部缺陷，通过相关平台反馈给用户进行后续工作人员，所以，对于检测数据的利用率还是很低。如何利用好已有设备的检测数据，保证海量检测数据的发挥更好的作用成为行业研究的主要问题。

问题2：随着高速铁路施工质量的逐步提高，众多高速铁路接触网只能检测出少量或局部的有效缺陷。

问题3：由于铁路线路维修依赖人工操作，如果没有关于维护重点区域详细检修方案，那么对于整个线路检修计划来说，可能会耗费很多人力物力资源。

因此，如何利用好现有的海量缺陷数据，实现接触网热点缺陷区域预测，从而节约检修成本是本次的研究重点。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于时空聚类的铁路接触网缺陷热点区域预警方法，包括如下步骤：

步骤一：将整条线路上已发生的缺陷类型和数量进行统计，得到数据集；

步骤二：将缺陷类型和数量的分布情况匹配到整条线路上，再利用密度聚类，把缺陷类型和数量按照线路分布的密集程度进行聚类，得到缺陷聚类结果；

步骤三：根据缺陷聚类结果利用缺陷热点区域预警模型进行热点区域缺陷预测，得到缺陷预测结果；

步骤四：根据缺陷预测结果制定线路检修计划。

进一步的，所述的密度聚类采用基于密度的时空聚类算法，线路的每一个缺陷为聚类中的一个对象点，具体的聚类过程为：基于密度的时空聚类算法检查数据集中每个对象点的E邻域(时空邻域)来搜索簇，若某一对象点的E邻域(时空邻域)包含的对象点多于MinPts个，则创建一个以该对象点为核心对象的簇；然后，基于密度的时空聚类算法迭代地聚集从这些核心对象直接密度可达的对象，当没有新的对象点添加到任何簇时，结束迭代；

其中的E邻域为形成簇的时空邻域，E邻域为给定对象的空间距离阈值为半径，2倍时间距离阈值为高构成的圆柱体区域，MinPts为形成一个簇的最小核心对象个数。

进一步的，所述的缺陷热点区域预警模型采用时空聚类ST-DBSCAN算法，将平面的聚类变换为三维的时空聚类，具体实现过程如下：

步骤1：建立一个三维的时空数据库，库中时空对象的经度为x，纬度为y，时间为t，一个时空对象对应一个对象点P_i＝{id_i,x_i,y_i,t_i}，i,(1≤i≤n)表示时空对象序号，所有的对象点组成对象集合D_P；

步骤2：选取任意对象点P_i，P_i∈D_P，判断是否属于现有簇中，若该点已有归属簇，则选取下一个对象点P_i+1，否则进入步骤3；

步骤3：判断对象点P_i是否为时空核心对象，若为时空核心对象则进入步骤4，否则返回步骤2，重新选择新的对象点；

步骤4：搜索时空核心对象点P_i的所有时空相邻对象点Q_i，若Q_i不属于任何现有簇，则将Q_i放入新簇中，否则不进行操作；

步骤5：判断步骤4中放入的对象点Q_i是否为新簇中的时空核心对象，若不是核心对象，则将其标记为边缘时空对象，若是核心对象则重复步骤4；

步骤6：重复上述步骤2到步骤5的操作，直到D_P中所有对象都属于某个簇，或为时空孤立点；

步骤7：将上述得到的所有簇标签存放到新建数据的对应字段中。

进一步的，所述的ST-DBSCAN算法阈值的设定包括如下步骤：

步骤1：分别计算两两时空对象在时间维度下的时间距离大小值和在空间维度下的空间距离大小值；

步骤2：分别计算所得的时间距离大小值中各值出现的频数和空间距离大小值中各值出现的频数；

步骤3：步骤2中所得的频数对应纵坐标，距离大小值对应横坐标，分别得到对应的时空对象距离频数柱状图，柱状图中最大距离频数值所对应的点，该点的距离大小值即为该维度下的阈值，即时间阈值和空间阈值；

步骤4：计算时空对象量阈值minPts，计算公式如下：

minPts＝ln(|D_P|)

其中，|D_P|表示时空对象的总数目。

进一步的，所述的空间距离大小值计算采用如下公司：

设两个时空对象点P₁＝{id_P1,x₁,y₁,t₁}和P₂＝{id_P2,x₂,y₂,t₂}，则两者间的空间距离ΔS和时间间距ΔT的计算公式如下：

ΔT＝|t₂-t₁|。

本发明的有益效果是：(1)根据接触网缺陷数据资源，从经、纬度和时间三个维度设定阈值，将时间、空间、线路发生的缺陷数量三者作为核心参数，聚类出线路的缺陷热点分布情况；

(2)根据缺陷热点区域分布情况，预测未来某段时间内缺陷爆发的高频区，从而给出合理可行的线路预警方案和线路检修建议。

附图说明

图1为一种基于时空聚类的铁路接触网缺陷热点区域预警方法得原理图；

图2为ST-SBSCAN的定义示意图；

图3为ST-DBSCAN算法实现基本流程示意图；

图4为单条线路缺陷热点区域分布图；

图5为多条线路关于燃弧缺陷聚类结果示意图；

图6为西成客运专线聚类结果分析示意图；

图7为成渝客运专线聚类结果分析示意图；

图8为沪蓉线聚类结果分析示意图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，本发明提供了一种基于时空聚类的铁路接触网缺陷热点区域预警方法，包括如下步骤：

步骤一：将整条线路上已发生的缺陷类型和数量进行统计，得到数据集；

步骤二：将缺陷类型和数量的分布情况匹配到整条线路上，再利用密度聚类，把缺陷类型和数量按照线路分布的密集程度进行聚类，得到缺陷聚类结果；

步骤三：根据缺陷聚类结果利用缺陷热点区域预警模型进行热点区域缺陷预测，得到缺陷预测结果；

步骤四：根据缺陷预测结果制定线路检修计划。

密度聚类采用基于密度的时空聚类算法，线路的每一个缺陷为聚类中的一个对象点，具体的聚类过程为：基于密度的时空聚类算法检查数据集中每个对象点的E邻域来搜索簇，若某一对象点的E邻域包含的对象点多于MinPts个，则创建一个以该对象点为核心对象的簇；然后，基于密度的时空聚类算法迭代地聚集从这些核心对象直接密度可达的对象，当没有新的对象点添加到任何簇时，结束迭代；

其中的E邻域为形成簇的时空邻域，E邻域为给定对象的空间距离阈值为半径，2倍时间距离阈值为高构成的圆柱体区域，MinPts为形成一个簇的最小核心对象个数。

缺陷热点区域预警模型采用时空聚类ST-DBSCAN算法，包括如下过程：

步骤1：建立一个三维的时空数据库，库中时空对象的经度为x，纬度为y，时间为t，一个时空对象对应一个对象点P_i＝{id_i,x_i,y_i,t_i}，i,(1≤i≤n)表示时空对象序号，所有的对象点组成对象集合D_P；

步骤2：选取任意对象点P_i，P_i∈D_P，判断是否属于现有簇中，若该点已有归属簇，则选取下一个对象点P_i+1，否则进入步骤3；

步骤3：判断对象点P_i是否为时空核心对象，若为时空核心对象则进入步骤4，否则返回步骤2，重新选择新的对象点；

步骤4：搜索时空核心对象点P_i的所有时空相邻对象点Q_i，若Q_i不属于任何现有簇，则将Q_i放入新簇中，否则不进行操作；

步骤5：判断步骤4中放入的对象点Q_i是否为新簇中的时空核心对象，若不是核心对象，则将其标记为边缘时空对象，若是核心对象则重复步骤4；

步骤6：重复上述步骤2到步骤5的操作，直到D_P中所有对象都属于某个簇，或为时空孤立点；

步骤7：将上述得到的所有簇标签存放到新建数据的对应字段中。

ST-DBSCAN算法阈值的设定包括如下步骤：

步骤1：分别计算两两时空对象在时间维度下的时间距离大小值和在空间维度下的空间距离大小值；

步骤2：分别计算所得的时间距离大小值中各值出现的频数和空间距离大小值中各值出现的频数；

步骤3：步骤2中所得的频数对应纵坐标，距离大小值对应横坐标，分别得到对应的时空对象距离频数柱状图，柱状图中最大距离频数值所对应的点，该点的距离大小值即为该维度下的阈值，即时间阈值和空间阈值；

步骤4：计算时空对象量阈值minPts，计算公式如下：

minPts＝ln(|D_P|)

其中，|D_P|表示时空对象的总数目。

时空聚类ST-DBSCAN算法如下所示：

时空对象P：任意一个具有时空位置数据的事物都可称为时空对象，表示为P＝{id_P,x,y,t}，其中x和y表示该时空对象的平面位置数据，t是时间数据。

时空相邻点：对一个时空对象P₁来说，如果有时空对象P₂和P₁之间的空间距离(欧式距离)ΔS和时间间距ΔT满足式子(2.1)，则称P₂是P₁的时空相邻点。

其中，sptial_threshold为空间距离阈值，temporal_threshold为时间距离阈值。

时空邻域(E邻域)：给定一个时空对象P₁，以P₁为圆柱中心，空间距离阈值sptial_threshold为底面半径，2倍时间距离阈值temporal_threshold为高构成的圆柱体即为P₁的时空邻域，如图2所示。

时空直接密度可达：假设存在两个时空对象P₃和P₄，如果P₄在P₃的时空邻域内，且P₃为时空核心对象，则称P₃到P₄时空直接密度可达。

时空核心对象：若在时空对象P的时空邻域内，与P时空直接密度可达的时空对象个数大于等于时空对象量阈值minPts，则称P为时空核心对象。

时空密度可达：假设存在n个时空对象P₁,P₂,…,P_n，任意选取对象P_i，(1≤i≤n)，设P_i到P_i+1时空直接密度可达，则称P₁到P_n时空密度可达。

时空密度相连：假设存在三个时空对象P₁₁，P₁₂，P₁₃，如果P₁₁和P₁₃分别从P₁₂时空密度可达，则称P₁₁，P₁₃时空密度相连。

时空独立点：即噪声点，因不满足条件而最终无法归类到任何一簇的时空对象。

设两个时空对象点P₁＝{id_P1,x₁,y₁,t₁}和P₂＝{id_P2,x₂,y₂,t₂}，则两者间的空间距离ΔS和时间间距ΔT的计算公式如下：

ΔT＝|t₂-t₁|

在实际预测模型中，采用时空对象数据的平面位置为缺陷发生的实际地理位置，即x和y代表地理位置的经、纬度，所以，以上两个时空对象的地理空间距离计算公式为：

ΔS＝|Distance((x₂,y₂),-(x₁,y₁))|

＝R×arcos[cos(y₁)×cos(y₂)cos(x₂-x₁)+sin(y₁)×sin(y₂)]

其中，R为地球赤道半径。

具体的预警模型采用采用时空聚类ST-DBSCAN算法，算法实现步骤简述如下：

步骤1：建立一个三维的时空数据库，库中时空对象的经度为x，纬度为y，时间为t，则一条时空对象数据为一个对象点P_i＝{id_i,x_i,y_i,t_i}，i,(1≤i≤n)表示时空对象序号，组成对象集合D_P；

步骤2：选取任意对象点P_i，(P_i∈D_P)，判读其是否属于现有簇中，如果该点已有归属簇，那么就选取下一个对象点P_i+1，否则进行下一步操作；

步骤3：判断对象点P_i是否为时空核心对象，是核心对象则进行下一步操作，否则就返回步骤2，重新选择新的对象点；

步骤4：搜索时空核心对象点P_i的所有时空相邻对象点Q_i，如果Q_i不属于任何已经存在的簇，那么就将Q_i放入新簇中，反之Q_i已有归属簇则不进行操作；

步骤5：判断步骤4中放入的对象点Q_i是否为新簇中的时空核心对象，如果不是核心对象，则将其标记为边缘时空对象不再进行下步操作，如果是核心对象则重复步骤4；

步骤6：重复上述步骤2到步骤5的操作，直到D_P中所有对象都属于某个簇，或为时空孤立点；

步骤7：将上述得到的所有簇标签存放到新建数据的对应字段中。

ST-DBSCAN算法阈值的设定：

通过绘制时空对象距离频数柱状图来查找时间与空间阈值，方便设定尽可能满足需求的阈值，具体步骤如下：

步骤1：计算时空对象事务集中两两时空对象在时间维度(或空间维度)下的时间(或空间)距离大小值；

步骤2：计算上步所得的各个距离大小值出现的频数；

步骤3：将上步所得的频数值对应纵坐标，距离大小值对应横坐标，绘制出时空对象距离频数柱状图，找出柱状图中最大距离频数值所对应的点，该点的时间(或空间)距离大小值便可作为该维度下的阈值，即时间阈值temporal_threshold(或空间阈值sptial_threshold)；

步骤4：计算时空对象量阈值minPts，计算公式如下：

minPts＝ln(|D_P|) (2.5)

其中，|D_P|表示时空对象的总数目。

具体的实施例，如图4所示的单条线路缺陷热点区域分布图，红色的为缺陷热点聚集区域，黑色点代表缺陷区域分散点，为了能够进一步分析不同线路的热点区域分布情况，将不同线路上的缺陷热点用不同颜色的点表示出来，如图5所示，在本次聚类结果的三维直观图中，X坐标表示地理纬度，Y为经度，Z为时间轴(分为12个月份)。在时间Z轴的值取小数表示形式，其中整数部分代表月份，小数部分表示具体日期，比如在时间轴上的值3.10则表示3月10日这天。

图中黑色点表示缺陷热点分散点，蓝色点集群表示西成客专线上的缺陷热点簇，黄色点集群表示成渝客专线上的缺陷热点簇，绿色点集群表示沪蓉线上的缺陷热点簇，红色点集群表示其他线上的缺陷热点簇。

聚类结果分析，如图6西成客运专线聚类结果分析.图7成渝客运专线聚类结果分析；图8沪蓉线聚类结果分析。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (3)

1.一种基于时空聚类的铁路接触网缺陷热点区域预警方法，其特征在于，包括如下步骤：

步骤一：将整条线路上已发生的缺陷类型和数量进行统计，得到数据集；

步骤二：将缺陷类型和数量的分布情况匹配到整条线路上，再利用密度聚类，把缺陷类型和数量按照线路分布的密集程度进行聚类，得到缺陷聚类结果；

步骤三：根据缺陷聚类结果利用缺陷热点区域预警模型进行热点区域缺陷预测，得到缺陷预测结果；

步骤四：根据缺陷预测结果制定线路检修计划；

所述的密度聚类采用基于密度的时空聚类算法，线路的每一个缺陷为聚类中的一个对象点，具体的聚类过程为：基于密度的时空聚类算法检查数据集中每个对象点的E邻域来搜索簇，若某一对象点的E邻域包含的对象点多于MinPts个，则创建一个以该对象点为核心对象的簇；然后，基于密度的时空聚类算法迭代地聚集从这些核心对象直接密度可达的对象，当没有新的对象点添加到任何簇时，结束迭代；

其中的E邻域为形成簇的时空邻域，E邻域为给定对象的空间距离阈值为半径，2倍时间距离阈值为高构成的圆柱体区域，MinPts为形成一个簇的最小核心对象个数；

所述的缺陷热点区域预警模型采用时空聚类ST-DBSCAN算法，将平面的聚类变换为三维的时空聚类，具体实现过程如下：

步骤1：建立一个三维的时空数据库，库中时空对象的经度为x，纬度为y，时间为t，一个时空对象对应一个对象点P_i＝{id_i,x_i,y_i,t_i}，i,(1≤i≤n)表示时空对象序号，所有的对象点组成对象集合D_P；

步骤2：选取任意对象点P_i，P_i∈D_P，判断是否属于现有簇中，若该点已有归属簇，则选取下一个对象点P_i+1，否则进入步骤3；

步骤3：判断对象点P_i是否为时空核心对象，若为时空核心对象则进入步骤4，否则返回步骤2，重新选择新的对象点；

步骤4：搜索时空核心对象点P_i的所有时空相邻对象点Q_i，若Q_i不属于任何现有簇，则将Q_i放入新簇中，否则不进行操作；

步骤5：判断步骤4中放入的对象点Q_i是否为新簇中的时空核心对象，若不是核心对象，则将其标记为边缘时空对象，若是核心对象则重复步骤4；

步骤6：重复上述步骤2到步骤5的操作，直到D_P中所有对象都属于某个簇，或为时空孤立点；

步骤7：将上述得到的所有簇标签存放到新建数据的对应字段中。

2.根据权利要求1所述的一种基于时空聚类的铁路接触网缺陷热点区域预警方法，其特征在于，所述的ST-DBSCAN算法阈值的设定包括如下步骤：

步骤1：分别计算两两时空对象在时间维度下的时间距离大小值和在空间维度下的空间距离大小值；

步骤2：分别计算所得的时间距离大小值中各值出现的频数和空间距离大小值中各值出现的频数；

步骤3：步骤2中所得的频数对应纵坐标，距离大小值对应横坐标，分别得到对应的时空对象距离频数柱状图，柱状图中最大距离频数值所对应的点，该点的距离大小值即为该维度下的阈值，即时间阈值和空间阈值；

步骤4：计算时空对象量阈值minPts，计算公式如下：

minPts＝ln(D_P)

其中，D_P表示时空对象的总数目。

3.根据权利要求2所述的一种基于时空聚类的铁路接触网缺陷热点区域预警方法，其特征在于，所述的空间距离大小值计算采用如下公式：

设两个时空对象点

和/>

则两者间的空间距离ΔS和时间间距ΔT的计算公式如下：

ΔT＝t₂-t₁。

Images