CN112084715A - 地铁变电所钢轨电位计算方法 - Google Patents
地铁变电所钢轨电位计算方法 Download PDFInfo
- Publication number
- CN112084715A CN112084715A CN202010961505.XA CN202010961505A CN112084715A CN 112084715 A CN112084715 A CN 112084715A CN 202010961505 A CN202010961505 A CN 202010961505A CN 112084715 A CN112084715 A CN 112084715A
- Authority
- CN
- China
- Prior art keywords
- regression model
- model
- regression
- potential
- substation
- 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
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 50
- 239000010959 steel Substances 0.000 title claims abstract description 50
- 238000004364 calculation method Methods 0.000 title abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000013178 mathematical model Methods 0.000 claims abstract description 20
- 230000001939 inductive effect Effects 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000010187 selection method Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 10
- 239000004020 conductor Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010992 reflux Methods 0.000 description 2
- 230000008929 regeneration Effects 0.000 description 2
- 238000011069 regeneration method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了地铁变电所钢轨电位计算方法,包括:基于地铁变电所的供电系统结构建立正常供电情况下钢轨电位的数学模型;根据数学模型获取引发钢轨电位变化的参量;建立回归模型池;参量即构成回归模型池中回归模型的输入参量,基于自适应学习的最优回归模型选择方法从回归模型池中选择并训练回归模型,得到优化好的回归模型;根据优化好的回归模型对地铁变电所钢轨电位进行计算。本发明方法通过回归模型的选择以及训练得到了优化的回归模型,由回归模型在运行数据中挖掘出供电系统输入输出之间的关系来计算电位,避开了对地铁牵引供电网络阻抗参数的直接测量与计算,得到的电位结果精确。
Description
技术领域
本发明涉及地铁牵引供电技术领域,尤其涉及一种基于回归分析计算地铁变电所钢轨电位的方法。
背景技术
钢轨电位水平是评估地铁牵引供电系统性能的一项重要指标,该指标的高低关系到系统回流能力和运行安全。在当今日益繁重的运行需求下,地铁行车组织频繁调整,在需要缩短发车间隔以提高运输能力时,如果无法准确地评估各变电所钢轨电位水平,尤其是最大水平,则可能导致OVPD频繁动作甚至供电分区失电等事故。
在地铁牵引供电系统的仿真研究中,准确的计算和评估钢轨电位水平一直都一个具有挑战性的难题。该项工作的主要难点源于以下几个关键因素:1)钢轨接地网及杂散电流网在结构上是高度复杂的;2)钢轨的阻抗参数具有不均匀性和非线性;3)接地电阻受地下隧道及周围接地体等诸多因素影响,且很难准确测量。也就是说,即使为中压交流网络、整流机组和接触网(轨)等元件建立成熟准确的电路模型,并且在考虑变电所储能装置工作的情况下进行仿真计算,所得到的钢轨电位计算结果可能存在较大偏差。现有技术中采用的方案包括:通过建立单边供电情况下牵引回流系统等效电路,忽略杂散网的影响,建立钢轨电位的数学模型;采用电流注入法和叠加原理,分析了在多列车运行工况下,钢轨电位与牵引电流、供电距离等相关参数之间的关系;考虑了钢轨的分布参数的影响,从而建立了更为精确的电路模型,分析了钢轨阻抗等电气参数对钢轨电位的影响。针对钢轨电位的建模计算方法,传统研究始终停留在“建立等效电路、获得数学模型、进行仿真计算”,而实际上传统的等效电路法虽然能够描述供电网中各参数对于钢轨电位水平的影响,但是由于各参数的形式复杂,且实地测量难度大,这导致即使通过等效电路法建立了变电所的钢轨电位模型,然而在钢轨电位的定量计算上存在较大误差,无法在实际行车中应用。
因此,亟需一种能够有效提高定量计算钢轨电位的精度、满足实际钢轨电位水平评估的误差要求的地铁变电所钢轨电位计算方法。
发明内容
本发明提供了一种地铁变电所钢轨电位计算方法,以解决现有技术问题中的缺陷。
为了实现上述目的,本发明采取了如下技术方案。
本实施例提供了一种地铁变电所钢轨电位计算方法,包括:
基于地铁变电所的供电系统结构建立正常供电情况下钢轨电位的数学模型;
根据所述数学模型获取引发钢轨电位变化的参量;
建立回归模型池;
所述的参量即构成回归模型池中回归模型的输入参量,基于自适应学习的最优回归模型选择方法从所述的回归模型池中选择并训练回归模型,得到优化好的回归模型;
根据优化好的回归模型对地铁变电所钢轨电位进行计算。
优选地,回归模型池包括:使用ML.NET中用于回归问题的算法作为回归模型池,对应的回归模型包括如下表1所示的9种模型:
表1
优选地,参量即构成回归模型池中回归模型的输入参量,基于自适应学习的最优回归模型选择方法从所述的回归模型池选择并训练回归模型,得到优化好的回归模型,具体包括:
S31获取训练数据集;
S32根据所述的训练数据集,依次采用所述的回归模型池中得模型进行一轮次的训练,在第一轮训练结束后,将训练得到的模型结果按照R-Squared(R平方)指标从大到小进行排序,基于权重分配的原则,确定各个回归模型在后续随机选取的概率;
S33根据回归模型的选取概率选取回归模型,通过所述的训练数据集对选取的回归模型进行训练,直至回归模型的损耗函数收敛或达到给定训练时间,停止训练,得到训练后回归模型;
S34当已训练模型数量达到给定值或已优化时间达到优化设定时间,则终止训练并转至步骤S35,否则返回至S33继续训练;
S35对已训练的回归模型进行评价,通过评价结果排序,选取最优的回归模型。
优选地,对已训练的回归模型进行评价,包括:
S41采用R-Squared指标作为主评价指标,从已训练的回归模型中筛选出R-Squared指标前5的回归模型,如果排序第一的回归模型其R-Squared指标与排序靠后的回归模型相差大于一定范围阈值,采用0.01作为阈值,选取排序第一的模型为最优回归模型,否则继续执行S42;
S42以排序第一模型的R-Squared指标为基准值η0,减去0.01作为最低值η1,对于前5个回归模型中,R-Squared指标落在区间[η0,η1]中的回归模型选取出来;
S43采用MAE(Mean Absolute Error,平均绝对误差)指标作为辅助评价指标,对于选取出来的回归模型,进一步比较其辅助评价指标MAE,选择MAE指标最小的模型作为最优模型,若存在同值,则按照R-Squared指标最大方法进行选择。
优选地,获取训练数据集,包括:通过安装在变电所的SCADA系统获取,或者在变电所馈线开关处安装高精度电气录波仪器进行采集,所述数据集中数据的采样间隔小于或等于5s。
优选地,数学模型如下式(1)所示:
其中,UR为变电所与列车之间的钢轨电位,Rr,Rm分别为单位长度钢轨纵向电阻和地下导体网络电阻,x(0≤x≤L1)为钢轨电位测点与变电所的距离,It1为牵引变电所馈出给列车的馈线电流,Rg为单位长度钢轨对地过渡电阻,L1为列车与变电所的距离。
优选地,根据所述数学模型获取引发钢轨电位变化的参量,包括,根据所述的数学模型得到下式(2)所示的相关数学模型,进而得到引发钢轨电位变化的参量为变电所4根馈线的电流It10,It20,It30,It40:
UR=f(It10,It20,It30,It40) (2)。
优选地,直至回归模型的损耗函数收敛,包括:回归模型采用MSE(Mean SquaredError,均方误差)作为损耗函数。
由上述本发明的地铁变电所钢轨电位计算方法提供的技术方案可以看出,本发明方法通过回归模型的选择以及训练得到了优化的回归模型,由回归模型在运行数据中挖掘出供电系统输入输出之间的关系来计算电位,避开了对地铁牵引供电网络阻抗参数的直接测量与计算,得到的结果精确,并且该方法的程序通过编程实现较为简单,具有独立性和复用性,能够广泛地部署至各类型变电所中。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要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为本实施例提供的地铁变电所钢轨电位计算方法流程示意图;
图2为地铁牵引供电系统双边供电简化电路图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
实施例
图1为本实施例提供的地铁变电所钢轨电位计算方法流程示意图,参照图1,该方法包括:
S1基于地铁变电所的供电系统结构建立正常供电情况下钢轨电位的数学模型。
针对背景技术中分析的网络参数的复杂性导致传统电路定量计算困难的问题,本实施例分析了钢轨电位的实质关系式,给出回归建模法如何避开参数的影响,并建立钢轨电位的非线性模型。
图2为地铁牵引供电系统双边供电简化电路图,参照图2,左侧变电所与列车之间的钢轨电位UR分布的数学模型如下式(1)所示:
其中,UR为变电所与列车之间的钢轨电位,Rr,Rm分别为单位长度钢轨纵向电阻和地下导体网络电阻,x(0≤x≤L1)为钢轨电位测点与变电所的距离,It1为牵引变电所馈出给列车的馈线电流,Rg为单位长度钢轨对地过渡电阻,L1为列车与变电所的距离。
S2根据所述数学模型获取引发钢轨电位变化的参量。
当列车位置L1确定时,钢轨上任意一点的钢轨电位也是确定的,其主要影响因素为It1,也就是变电所馈出电流的大小。即L1和x确定时,钢轨电位表达式为:
UR=kIt1 (2)
其中,k为与网络阻抗参数、列车位置和钢轨电位测点相关的参数。
上式(2)描述的为单车负荷时的钢轨电位关系,而实际上,线路上通常有多列车运行,根据叠加定理可以推知,在多列车运行情况下,对于给定一点的钢轨电位为:
其中,ki(i=1,2,…,n)为与网络的阻抗参数和列车位置相关的参数,It,i为变电所馈出给第i列车的负荷电流。
因此,由式(3)可知,考虑钢轨及地下结构参数均匀时,钢轨上任意一点的钢轨电位大小,主要与变电所的馈出电流大小有关。但实际上,由于各处地下结构的参数存在一定的差异性,各列车的位置也受实际运营影响较大,这都致使参数k具有高度的复杂性和不确定性。因此,即使式(3)足以反映影响相关参数对钢轨电位影响关系,但在定量计算时,也难以评估所得结果的准确性。然而,参数的非线性一般影响钢轨电位的量值,式(3)所隐含的钢轨电位变化的规律性依旧适用于非线性情况。
而对于式(3)中的It,i,实际上是变电所各根馈线电流的组合,即
It,i=It10+It20+It30+It40 (4)
其中,It10,It20,It30,It40为变电所4根馈线的电流。
基于上述分析,结合式(3)和式(4),得到下式(2)所示的相关数学模型,进而得到引发钢轨电位变化的参量为变电所4根馈线的电流It10,It20,It30,It40:
UR=f(It10,It20,It30,It40) (2)
由于f中各变量的系数与网络的阻抗参数有紧密关系,其获取难度较高。因此,基于数据挖掘理论,根据现有的数据拟合出其关联关系,便可以获得用于定量计算钢轨电位的非线性模型。
S3建立回归模型池。
回归模型池包括:使用ML.NET中用于回归问题的算法作为回归模型池,对应的回归模型包括如下表1所示的9种模型:
表1
编号 | 回归模型 |
1 | LbfgsPoissonRegressionTrainer |
2 | LightGbmRegressionTrainer |
3 | SdcaRegressionTrainer |
4 | OlsTrainer |
5 | OnlineGradientDescentTrainer |
6 | FastTreeRegressionTrainer |
7 | FastTreeTweedieTrainer |
8 | FastForestRegressionTrainer |
9 | GamRegressionTrainer |
需要说明的是,回归模型池中各个模型所表征的仅为该回归模型的名称,每一个模型在被选取后,都将根据输入数据的结构确定一套训练超参数,从而确定唯一的一个回归模型。因此,在后续训练中,通过不断地从模型池中选取模型,并适当地调整其训练超参数,从而达到最优选取地目的。
S4参量即构成回归模型池中回归模型的输入参量,基于自适应学习的最优回归模型选择方法从所述的回归模型池中选择并训练回归模型,得到优化好的回归模型。
具体包括:
S41获取训练数据集。
通过安装在变电所的SCADA系统获取,或者在变电所馈线开关处安装高精度电气录波仪器进行采集,数据集中数据的采样间隔小于或等于5s。
S42根据所述的训练数据集,依次采用所述的回归模型池中得模型进行一轮次的训练,在第一轮训练结束后,将训练得到的模型结果按照R-Squared(R平方)指标从大到小进行排序,基于权重分配的原则,确定各个回归模型在后续随机选取的概率。
为保证尽可能地选择最优的模型,依次采用9个模型进行一轮次的训练,在第一轮训练结束后,将9个训练得到的模型结果按照R-Squared指标从大到小进行排序,基于权重分配的原则,确定各个模型在后续随机选取的概率,例如,第一轮Sdca RegressionTrainer的R-Squared指标为0.8,9个模型的R-Squared指标总和为5.8,那么下一次SdcaRegressionTrainer模型的选取概率为13.79%。
S43根据回归模型的选取概率选取回归模型,通过训练数据集对选取的回归模型进行训练,直至回归模型的损耗函数收敛或达到给定训练时间,停止训练,得到训练后回归模型。
示意性地,本实施例中模型损耗函数的迭代变化值不超过1%时为收敛,给定训练时间为5秒。
示意性地,本实施例的回归模型采用MSE(Mean Squared Error,均方误差)作为损耗函数。
S44当已训练模型数量达到给定值或已优化时间达到设定优化时间,则终止训练并转至步骤S45,否则返回至S43继续训练。
一般地,对于训练集数据大小在0-10MB之间,模型数量的给定值可为10-100之间,设定优化时间为10-100秒;对于训练集数据大小在10MB-100MB之间,模型数量的给定值为100-500之间,设定优化时间为10-30分钟。
示意性地,本实施例中训练数据集大小为33.4MB,采用200作为模型数量的给定值,采用30分钟作为设定优化时间。
S45对已训练的回归模型进行评价,通过评价结果排序,选取最优的回归模型。
采用R-Squared指标作为主评价指标,能直观地反映模型与数据集之间的吻合程度;采用MAE指标作为辅助评价指标,该指标主要体现平均情况下,某一时刻钢轨电位结果数值上的差异。
具体包括如下内容:
S451采用R-Squared指标作为主评价指标,从已训练的回归模型中筛选出R-Squared指标前5的回归模型,如果排序第一的回归模型其R-Squared指标与排序靠后的回归模型相差大于一定范围阈值,采用0.01作为阈值,选取排序第一的模型为最优回归模型,否则继续执行S42;
S452以排序第一模型的R-Squared指标为基准值η0,减去0.01作为最低值η1,对于前5个回归模型中,R-Squared指标落在区间[η0,η1]中的回归模型选取出来;
S453采用MAE(Mean Absolute Error,平均绝对误差)指标作为辅助评价指标,对于选取出来的回归模型,进一步比较其辅助评价指标MAE,选择MAE指标最小的模型作为最优模型,若存在同值,则按照R-Squared指标最大方法进行选择。
S5根据优化好的回归模型对地铁变电所钢轨电位进行计算。
以下为采用本实施例方法与现有技术方法对比的算例:
通过安装在变电所的计量或录波装置,对地铁运营期间该变电所牵引供电系统的直流母线电压、馈线电流、再生装置支路电流以及钢轨电位进行测试录波,持续时间包含一个运营日,该运营日最好同时存在低峰客流期和高峰客流期,以更准确地进行建模。对采集的录波数据进行整理归纳,为建模的基础数据集文件。表2为北京地铁昌平线沙河高教园牵引所的单日录波数据统计信息,后续采用该数据集对沙河高教园的钢轨电位进行回归建模并给出实际应用效果。
表2
测试中,不仅采集了馈线的电流值,同时采集了直流母线电压和再生装置支路的电流值,其中直流母线电压与实际负荷相关,再生装置支路的电流与列车制动工况相关,因此实际建模中这两个因素也将作为输入特征进行建模。
根据本实施例的最优回归模型选择流程,将上述数据作为训练数据集输入至程序中,得到R-Squared指标前5的模型,这些模型的评价结果如表3所示。
表3
注:回归模型名表示的是该回归模型训练时所采用的回归模型,而实际上对于同一个回归模型而言,在采用不同的超参数进行训练时,对于相同的数据集而言也将可能获得不同的评价结果。
根据表3模型的评价结果,以及结合最优模型的选择方法,得到评价结果中最优的回归模型为序号1所给出的FastTree,通过查看该模型的详细训练结果信息,得到其训练的超参数分别为:NumberOfLeaves=122,MinimumExampleCountPerLeaf=50,NumberOfTrees=500,LearningRate=0.0799,Shrinkage=0.8。将最优回归模型导出为文件用于后续在模型使用程序中进行使用。
为了验证模型在地铁实际运营中应用的准确性,按照相同方式对沙河高教园变电所进行测试数据的录波采集,并截取其中560s发车间隔的数据作为测试数据集。在传统仿真软件中(采用等效电路法作为理论基础的软件),设定发车间隔为560秒,进行仿真计算,将仿真结果中回归模型所需的输入结果导出成文件,并将其载入至回归模型使用程序中进行钢轨电位的计算。将软件仿真得到的钢轨电位结果和回归模型输出的结果与测试集的钢轨电位结果进行对比,对比结果如表4所示。
表4
从表4的结果中可以看出,采用等效电路法所编写的仿真软件,对于钢轨电位的定量计算,与实际测试结果存在较大偏差,尤其是最为关键的最大值指标,二者存在接近50%的误差。而采用回归模型所计算得到的钢轨电位结果,与实际测试的结果较为吻合,尤其是最大值和平均值部分,其误差足以满足实际行车运营需要。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种地铁变电所钢轨电位计算方法,其特征在于,包括:
基于地铁变电所的供电系统结构建立正常供电情况下钢轨电位的数学模型;
根据所述数学模型获取引发钢轨电位变化的参量;
建立回归模型池;
所述的参量即构成回归模型池中回归模型的输入参量,基于自适应学习的最优回归模型选择方法从所述的回归模型池中选择并训练回归模型,得到优化好的回归模型;
根据优化好的回归模型对地铁变电所钢轨电位进行计算。
2.根据权利要求1所述的方法,其特征在于,所述的回归模型池包括:使用ML.NET中用于回归问题的算法作为回归模型池,对应的回归模型包括如下表1所示的9种模型:
表1
3.根据权利要求1所述的方法,其特征在于,所述的参量即构成回归模型池中回归模型的输入参量,基于自适应学习的最优回归模型选择方法从所述的回归模型池选择并训练回归模型,得到优化好的回归模型,具体包括:
S31获取训练数据集;
S32根据所述的训练数据集,依次采用所述的回归模型池中得模型进行一轮次的训练,在第一轮训练结束后,将训练得到的模型结果按照R-Squared(R平方)指标从大到小进行排序,基于权重分配的原则,确定各个回归模型在后续随机选取的概率;
S33根据回归模型的选取概率选取回归模型,通过所述的训练数据集对选取的回归模型进行训练,直至回归模型的损耗函数收敛或达到给定训练时间,停止训练,得到训练后回归模型;
S34当已训练模型数量达到给定值或已优化时间达到优化设定时间,则终止训练并转至步骤S35,否则返回至S33继续训练;
S35对已训练的回归模型进行评价,通过评价结果排序,选取最优的回归模型。
4.根据权利要求3所述的方法,其特征在于,所述的对已训练的回归模型进行评价,包括:
S41采用R-Squared指标作为主评价指标,从已训练的回归模型中筛选出R-Squared指标前5的回归模型,如果排序第一的回归模型其R-Squared指标与排序靠后的回归模型相差大于一定范围阈值,采用0.01作为阈值,选取排序第一的模型为最优回归模型,否则继续执行S42;
S42以排序第一模型的R-Squared指标为基准值η0,减去0.01作为最低值η1,对于前5个回归模型中,R-Squared指标落在区间[η0,η1]中的回归模型选取出来;
S43采用MAE(Mean Absolute Error,平均绝对误差)指标作为辅助评价指标,对于选取出来的回归模型,进一步比较其辅助评价指标MAE,选择MAE指标最小的模型作为最优模型,若存在同值,则按照R-Squared指标最大方法进行选择。
5.根据权利要求1所述的方法,其特征在于,所述的获取训练数据集,包括:通过安装在变电所的SCADA系统获取,或者在变电所馈线开关处安装高精度电气录波仪器进行采集,所述数据集中数据的采样间隔小于或等于5s。
7.根据权利要求6所述的方法,其特征在于,所述的根据所述数学模型获取引发钢轨电位变化的参量,包括,根据所述的数学模型得到下式(2)所示的相关数学模型,进而得到引发钢轨电位变化的参量为变电所4根馈线的电流It10,It20,It30,It40:
UR=f(It10,It20,It30,It40) (2)。
8.根据权利要求1所述的方法,其特征在于,所述的直至回归模型的损耗函数收敛,包括:回归模型采用MSE(Mean Squared Error,均方误差)作为损耗函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010961505.XA CN112084715B (zh) | 2020-09-14 | 2020-09-14 | 地铁变电所钢轨电位计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010961505.XA CN112084715B (zh) | 2020-09-14 | 2020-09-14 | 地铁变电所钢轨电位计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112084715A true CN112084715A (zh) | 2020-12-15 |
CN112084715B CN112084715B (zh) | 2024-06-18 |
Family
ID=73737880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010961505.XA Active CN112084715B (zh) | 2020-09-14 | 2020-09-14 | 地铁变电所钢轨电位计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084715B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112960015A (zh) * | 2021-02-05 | 2021-06-15 | 北京交通大学 | 一种基于数字孪生技术的钢轨电位限制方法和装置 |
CN115290984A (zh) * | 2022-08-16 | 2022-11-04 | 西南交通大学 | 一种地铁钢轨电位限制装置等效电阻测算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3287312A1 (de) * | 2016-08-23 | 2018-02-28 | Witt IndustrieElektronik GmbH | Abbauen einer potentialdifferenz zwischen masseanschlüssen / erdungssystemen eines bahnnetzes |
CN108153708A (zh) * | 2017-12-19 | 2018-06-12 | 西南交通大学 | 一种影响钢轨电位电流分布的计算方法 |
-
2020
- 2020-09-14 CN CN202010961505.XA patent/CN112084715B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3287312A1 (de) * | 2016-08-23 | 2018-02-28 | Witt IndustrieElektronik GmbH | Abbauen einer potentialdifferenz zwischen masseanschlüssen / erdungssystemen eines bahnnetzes |
CN108153708A (zh) * | 2017-12-19 | 2018-06-12 | 西南交通大学 | 一种影响钢轨电位电流分布的计算方法 |
Non-Patent Citations (3)
Title |
---|
裴伟;曾之煜;: "地铁钢轨电位研究", 电气化铁道, no. 02 * |
闫明富;李夏青;王奎鹃;: "地铁钢轨电位和杂散电流分布研究及仿真", 北京石油化工学院学报, no. 01 * |
雷栋;董安平;张雪原;吴广宁;王万岗;: "重载电气化铁道钢轨电位的测试与分析", 铁道学报, no. 05 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112960015A (zh) * | 2021-02-05 | 2021-06-15 | 北京交通大学 | 一种基于数字孪生技术的钢轨电位限制方法和装置 |
CN112960015B (zh) * | 2021-02-05 | 2022-05-06 | 北京交通大学 | 一种基于数字孪生技术的钢轨电位限制方法和装置 |
CN115290984A (zh) * | 2022-08-16 | 2022-11-04 | 西南交通大学 | 一种地铁钢轨电位限制装置等效电阻测算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112084715B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308571B (zh) | 配电线路线变关系检测方法 | |
CN112084715A (zh) | 地铁变电所钢轨电位计算方法 | |
CN107132762B (zh) | 基于预想故障集自动筛选的在线静态安全评估方法 | |
DE102017103617A1 (de) | Verfahren zur Abschätzung des Alterungszustands eines Batteriesystems | |
CN103646167A (zh) | 一种基于遥测数据的卫星异常状态检测系统 | |
DE102016107271A1 (de) | Ladesystem und Verfahren zum Betreiben eines Ladesystems | |
CN105893757A (zh) | 一种用于电压暂降严重程度的综合评估方法 | |
CN101227092B (zh) | 一种配电网络中的谐波源识别方法 | |
CN106019026A (zh) | 一种基于波形匹配的谐波电压责任的划分方法 | |
CN110045317B (zh) | 一种互感器计量误差在线检测方法及系统 | |
CN111413589B (zh) | 一种基于灰靶决策的配电网单相短路故障定位方法 | |
CN104407273B (zh) | 计及监测可信度的电能质量扰动源定位方法 | |
CN106208043B (zh) | 一种中低压配电网关键耗能环节辨识方法 | |
CN101349731A (zh) | 一种电压稳定性实时评估方法 | |
CN112415273B (zh) | 一种双回非全线平行输电线路零序参数精确测量方法 | |
CN105048473B (zh) | 变电站自动电压控制中低压无功设备电压灵敏度统计方法 | |
CN104732340B (zh) | 一种基于年度时标的规划电网辅助决策方法 | |
CN114997566A (zh) | 考虑节点连通度损失的电网阻塞风险评估方法及系统 | |
CN105071388B (zh) | 一种基于极大似然估计的配电网状态估计方法 | |
CN103985062B (zh) | 一种配电网主设备状态检修综合评价方法 | |
CN106651168A (zh) | 一种评估电铁对电网影响的方法及装置 | |
DE102017200548B4 (de) | Verfahren zur Ermittlung einer aktuellen Kennlinie für einen ein Kraftfahrzeug versorgenden elektrochemischen Energiespeicher, Kraftfahrzeug und Server | |
CN101894190B (zh) | 牵引变电站谐波发射水平估计方法 | |
CN103745065A (zh) | 一种确定电气化铁路多谐波源叠加后电流的方法 | |
CN107944631B (zh) | 一种基于向量序优化的配电网分布式电源规划方法 |
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 |