CN113159265B - 基于svm-蚁群算法的牵引负荷参数辨识方法及系统 - Google Patents

Abstract

基于SVM‑蚁群算法的牵引负荷参数辨识方法及系统。辨识方法包括如下步骤：1、采集相关历史数据；2、确定牵引负荷待辨识的参数范围并对其进行网格化划分；3、进行群蚁算法参数预辨识，得到所有预辨识的参数组以及其对应的误差值f；4、将所得的参数组作为SVM训练的输入值，进行SVM的训练，得到SVM模型；5、实时采集数据，使用训练完成的SVM模型进行参数辨识，并根据输出结果进行参数组重选或使用改进后的蚁群算法进行系数调整，得到最终的参数辨识结果。该方法适用于牵引负荷建模，优化了蚁群算法随机范围不可控的问题，提高参数辨识精度，使参数辨识的结果更加准确。

Description

基于SVM-蚁群算法的牵引负荷参数辨识方法及系统

技术领域

本发明属于牵引供电系统、电网技术领域，具体涉及基于SVM-蚁群算法的牵引负荷参数辨别方法及系统。

背景技术

牵引供电系统与电网的相互作用日益引起人们的重视，研究这类问题往往需要对包含牵引供电系统在内的整个电力系统进行更精细化的仿真分析，这对牵引负荷建模提出了更高要求。目前，牵引负荷建模方法主要有三种：一是恒定电流源或功率源模型，不考虑牵引负荷的波动性，常用于电力系统确定性仿真；二是基于列车牵引计算和运行图的动态模型，考虑了线路状况、列车运行特性及运输组织方式等因素，能较准确地模拟牵引负荷过程；三是基于大量实测数据的概率模型，从数据中挖掘规律并采用概率函数建模，能刻画牵引负荷在复杂因素影响下的统计特征。第三种方法应用简便、运行效率高，且在负荷统计特征上更接近实际情况，所以目前被广泛应用于分析牵引负荷对电力系统的影响。在使用概率模型对牵引负荷进行描述的时候，首先需要根据得到的实测数据对概率模型进行参数辨识，然后使用辨识得到的参数对牵引负荷进行描述。在负荷参数辨识中，智能算法的选取与优化会影响辨识过程的速度与辨识结果的准确性，因此对负荷参数辨识智能算法进行研究具有实际意义。

目前负荷参数辨识取得一定进展。例如，《基于趋势变化分段的电力负荷组合预测方法》(《华北电力大学学报(自然科学版)》,2019:1-8，张军,马宏忠) 提出了一种基于负荷趋势变化不同分段进行负荷参数辨识的方法，结合了四种智能算法进行参数辨识，参数辨识的结果由四种方法加权产生，最后得到了精度较高的预测结果，但是该方法过于复杂。《基于实测数据的高速动车组谐波分布特性与概率模型研究》(《铁道学报》,2010,32(03):33-38，杨少兵,吴命利)提出了一种分段拟合电流曲线的方法，对曲线各个分段采用不同的拟合函数进行拟合，该方法简单易行，但是需要手动设置分段区间。《电气化铁道牵引馈线负荷概率模型》(《铁道学报》，2011,33(05):38-42.，杨少兵,吴命利)提出了一种基于模拟退火算法的牵引馈线负荷参数辨识方法，该算法可以比较准确地估计牵引馈线的有功和无功水平，但是该算法容易陷入一个局部范围的搜索中，使得只可能得到一个局部最优解。《基于改进蚁群算法的客运专线电力负荷建模与参数辨识》 (《中国电机工程学报》，2015,35(07):1578-1585，杨少兵,吴命利)提出了一种基于改进蚁群算法的客运专线电力负荷参数辨识方法，该算法使用了轮盘赌法作为参数的选取方法，充分利用了轮盘赌法的随机性使得寻优算法不至于陷入局部最优，但是该算法其并没有充分利用之前的蚁群寻优失败的数据，从而更好地找出最优参数所在的区间。

发明内容

为解决现有技术存在的上述技术问题，本发明提出了一种利用SVM(支持向量机)指导的蚁群算法来进行牵引负荷的参数辨识。针对传统蚁群算法进行负荷参数识别时未利用蚁群寻优反馈数据的问题,仅使用轮盘赌法选择下一组参数，本发明首先进行蚁群算法参数预辨识，得到蚁群寻优反馈数据对SVM进行训练，然后使用训练完成的SVM模型来帮助蚁群寻找优化的方向，并且设置了阈值来调整寻优方向的宽度。本发明优化了轮盘赌法作为参数选取方法导致的随机范围不可控问题，使蚁群寻优可以在一个可控的范围内逼近全局最优解。

本发明采用如下的技术方案：

本发明公开了一种基于SVM-蚁群算法的牵引负荷参数辨识方法，其特征在于，所述牵引负荷参数辨识方法包括如下步骤：

步骤1，采集牵引变电所的实测全日负荷历史功率数据、牵引机车历史功率数据、同一采样时刻在所述供电区间内运行通过的运行机车数量历史数据；

步骤2，确定牵引负荷待辨识的参数范围并对其进行网格化划分；

步骤3，进行蚁群算法参数预辨识，得到所有预辨识的参数组以及其对应的误差值f；

步骤4，将步骤3所得的参数组作为SVM训练的输入值，进行SVM的训练，得到SVM模型；

步骤5，实时采集数据，使用训练完成的SVM模型进行参数辨识，并根据输出结果进行参数组重选或使用改进后的蚁群算法进行系数调整，根据误差值f得到最终的参数辨识结果，输出辨识结果。

牵引变电所的实测全日负荷功率采集点数不低于预设值；牵引机车功率是指机车在目标线路上运行时的取流功率；运行机车车辆数据指目标供电区间在同一采样时刻下所运行的机车数量。

在步骤2中，待辨识参数为参数μ、σ、n、p，其中μ为牵引机车取流功率正态分布随机变量X的期望值，σ为所述正态分布随机变量X的方差，n为车辆数量的二项分布随机变量Y中同一采样时刻在所述供电区间内运行通过的最大运行机车数量，p是所述车辆数量的二项分布随机变量Y中一辆机车在同一采样时刻下运行在所述电区域内出现的概率。

在步骤2中，μ参数的取值范围的下界为实测牵引机车取流功率的范围的下界，μ参数的取值范围的上界为实测牵引机车取流功率的范围的上界；

σ参数的取值范围通过以下方法确定：

统计机车功率的概率密度，确定其概率大于概率密度阈值所处功率区间，计算其与两边功率边界的距离，取最大值作为σ参数的上界，其下界为0；

n参数范围的上界为供电区间内同一采样时刻内通过的机车运行机车车辆数的两倍，下界为运行机车车辆数；

p参数范围的上下界为供电区间同一采样时刻通过车辆数的均值与n参数上下界的比值。

在步骤2中，设变量x为待辨识参数组(μ、σ、n、p)中的任意参数，对于每一变量x，都存在x∈[x_min,x_max]；将该变量的范围均匀地划分为D格，则每格的宽度为Δx＝(x_max-x_min)/D，每格的中心节点取值为：

其中，x_i为每格中心节点的取值，i为节点编号。

步骤301：采用轮盘赌法选择新的一组(μ、σ、n、p)参数组，并得到新的正态分布随机变量X和二项分布随机变量Y的分布；

步骤302：使用蒙特卡洛法对步骤301所得到的X和Y进行多次抽样，得到仿真负荷功率数据；

步骤303：计算步骤302得到的仿真负荷功率概率密度，并求出其与实测负荷功率概率密度的差值作为误差值f；

步骤304:重复步骤301至303直至收敛至蚁群循环最大次数，得到所有预辨识的(μ、σ、n、p)参数组以及相对应误差值f。

在步骤303中，所述误差值的计算方法为:

其中，M为实测数据个数，y_k为第k个数据的概率密度值，l_Σ为抽样样本总数，l_k为落入(x_k-Δp,x_k+Δp)区间的样本数，x_k为第k个数据的有功功率，Δp 为功率概率密度函数的统计区间长度。

步骤4中，设定阈值ε，将误差f大于ε的预辨识参数组标记为0，误差f 小于ε的预辨识参数组标记为1，并将带标记的参数组输入SVM进行训练，将对应参数组的标记作为向量机训练时的输出样本。

SVM的核函数选用高斯核函数：

其中，x_i表示待分类数据，l_j∈Rⁿ表示第j个标记点，f_j表示x_i在高斯核函数下与标记点l_j相互作用的数值，σ是核函数的宽度参数；

采用的高斯核函数进行分类的SVM需满足以下约束条件：

s.t.w^Tf⁽ⁱ⁾≥0 if y_i＝1

w^Tf⁽ⁱ⁾＜0 if y_i＝0

其中，f⁽ⁱ⁾＝(f₁,f₂,……，f_n)表示数据点x_i与各个标记点f_n之间的核函数值向量，n为总的标记点个数，w为各个标记点的分类权重向量，w_j为支持向量各维度的权重。

步骤5包括以下内容：

步骤501：设定内循环与外循环的个数；

步骤502：确定参数范围并对每个参数进行网格式划分；

步骤503：根据参数组范围以及轮盘赌法选择参数组，并输入SVM进行预测；

步骤504：若预测结果为0，则返回步骤502重新使用轮盘赌法选择参数组；若预测结果为1，则进入步骤505；

步骤505：使用步骤503中的参数组计算牵引机车取流功率正态分布随机变量X与供电区间内同一采样时刻内运行的车辆数量的二项分布随机变量Y的值；

步骤506：使用蒙特卡洛法对这两个变量进行多次抽样并统计其概率密度，将其与实测负荷功率概率密度的差值作为蚁群算法的误差值，并进行蚁群算法信息素矩阵的更新；

判断蚁群循环次数是否达到其最大值，达到则进入步骤507，否则返回步骤 503；

步骤507：更新内循环个数并判定是否达到设定的内循环数个数，如达到则进入508，否则对参数组的辨识范围重新进行网格式划分并进入步骤503；

步骤508：更新外循环个数，如达到收敛条件或达到最大外循环次数，则输出最终的辨识结果；如果收敛条件或最大外循环次数皆没有达到，则恢复至更新前的参数组范围以及网格式划分状态，返回步骤503。

在步骤502中，每进行一次循环，则对网格的宽度△x进行缩小，具体缩小的步骤如下式所示：

其中，x_opt为经过多次循环后信息素最高的节点，α∈(0,1)为收缩系数，表示范围收缩的快慢，

为第N次循环后的参数范围的下界，

为第N次循环后的参数范围的上界。

步骤506中的蚁群算法信息素矩阵为：

其中，m表示当前蚂蚁编号，i为列序号，j为行序号，Q为信息素强度，ρ为信息素挥发系数，

为第m次蚁群循环后信息素矩阵第i列第j行的信息素值。

为第m次蚁群循环后信息素矩阵第i列第j行的信息素值得增量。

本发明还公开了一种牵引负荷参数辨识系统，包括数据采集模块、参数预处理模块、参数组预辨识模块、模型训练模块、参数组辨识模块，其特征在于：

所述数据采集模块采集牵引变电所的实测全日负荷历史功率数据、牵引机车历史功率数据、同一采样时刻在所述供电区间内运行通过的最大运行机车数量历史数据；

所述参数预处理模块确定所需辨识参数的上下界，并对每一参数的范围进行网格式划分；

所述参数组预辨识模块对参数组预处理模块后的参数进行蚁群算法参数预辨识，得到所有预辨识的参数组以及其对应的误差值f；

所述模型训练模块将参数组预辨识模块得到的参数输入至SVM内进行模型训练，得到训练后的SVM模型；

所述参数组辨识模块将实时采集到的数据输入至SVM后，根据输出结果进行参数组重选或使用改进后的蚁群算法进行系数调整，得到最终的参数辨识结果，输出辨识结果。

相对于现有技术，本发明具有以下有益的技术效果。

传统蚁群算法进行负荷参数识别时并未利用蚁群寻优的反馈数据，仅使用轮盘赌法选择下一组参数，导致最终的参数辨识结果可能存在较大误差。本发明提出了一种利用SVM指导的蚁群算法来进行牵引负荷的参数辨识。先进行蚁群算法参数预辨识，利用预辨识得到的蚁群寻优反馈数据对SVM进行训练，然后使用训练完成的SVM模型反过来指导蚁群寻优的方向，并且设置了阈值来调整寻优方向的宽度。本发明优化了轮盘赌法作为参数选取方法导致的随即范围不可控问题，使蚁群寻优可以在一个可控的范围内逼近全局最优解。

附图说明

图1为本发明基于SVM-蚁群算法的牵引负荷参数辨识方法流程示意图；

图2(a)变电所1参数辨识结果仿真结果与实测值对比图；

图2(b)变电所2参数辨识结果仿真结果与实测值对比图；

图2(c)变电所3参数辨识结果仿真结果与实测值对比图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例，都属于本发明的保护范围。

蚁群算法选择下一组参数的方式是轮盘赌法，该方法存在的一个问题是对于下一组参数的选择具有较大的随机性。尽管蚁群算法通过信息素的方式来记录历史寻优数据对于接下来的参数选择概率的影响，但由于进行了参数范围收缩，使得一开始的初始参数对于之后的参数范围有着极大的影响。不合适的初始参数可能会导致所有选择出的参数组都具有较大的误差，而最终选择出的最优参数组只是这些具有较大误差参数组中最小的一个。由于很难去确定什么样的初始参数才是一个比较好的初始参数，并且考虑到基于误差的指导函数不依赖于初始参数的选择，本发明通过增加一个基于误差的指导函数来解决这一问题。构建以参数组为自变量、误差为因变量的连续函数，对误差值设定一个合适的阈值，认为在这个阈值以下的误差是可以接受的，而在这个阈值以上的误差是不能接受的，将上述问题转变为一个分类问题，本发明使用SVM作为分类器。

针对蚁群算法随机范围不可控的问题，本发明提出了一种新的参数辨识方法，即SVM-蚁群算法，该方法使用SVM对蚁群算法进行了寻优指导，使得算法能够将随机性控制在一个更为合理的范围内。

采用基于SVM-蚁群算法的牵引负荷参数辨识方法，其流程如图1所示，具体步骤如下：

步骤1，选取一个牵引变电所，采集其全日负荷功率历史数据，牵引机车历史功率数据，及同一采样时刻在所述供电区间内运行通过的运行机车数量历史数据。这里的同一采样时刻指得是从运行机车的头部进入所述供电区间到运行机车的头部离开所述供电区间的时间段。

所述牵引变电所的实测全日负荷功率采集点数不低于预设值；所述牵引机车功率是指机车在目标线路上运行时的取流功率；所述运行机车车辆数据指目标供电区间在同一采样时刻下所运行的机车数量。

步骤2，确定牵引负荷待辨识的参数范围并对其进行网格化划分。

在步骤2中，所述待辨识参数为参数μ、σ、n、p，其中μ为牵引机车取流功率正态分布随机变量X的期望值，σ为所述正态分布随机变量X的方差，n为车辆数量的二项分布随机变量Y中同一采样时刻在所述供电区间内运行通过的最大运行机车数量，p是车辆数量的二项分布随机变量Y中一辆机车在同一采样时刻下运行在所述电区域内出现的概率。

在步骤2中，μ参数的取值范围的下界为实测牵引机车取流功率的范围的下界，μ参数的取值范围的上界为实测牵引机车取流功率的范围的上界；

σ参数的取值范围通过以下方法确定：

统计机车功率的概率密度，确定概率大于概率密度阈值所处功率区间，计算其与两边功率边界的距离，取最大值作为σ参数的上界，其下界为0；

在本实施例中，概率密度阈值为95％。

n参数范围的上界为供电区间内同一采样时刻内通过的机车最大运行机车车辆数的两倍，下界为最大运行机车车辆数；

p参数范围的上下界为供电区间同一采样时刻通过车辆数的均值与n参数上下界的比值。

进一步地，初始化算法各个参数，设定阈值ε，包括：

若输入数据的最大功率值为p_max，同一采样时刻最大运行车辆为n_max辆，可设μ的初值为p_max/2，寻优范围为(0，p_max)，设σ的初值为p_max/3，寻优范围为(0，p_max/6)，设n的取值范围为(0，n_max)，初始值为n_max/2，设p的取值范围为(0，1)，初始值为0.5。对于阈值ε的选择应当综合考虑实际的算例情况，通过观察SVM的正负样本的数量在总体样本中的占比，从而设置合理的阈值ε。

进一步地，初始化解空间矩阵，包括：

设变量x为待辨识参数组(μ、σ、n、p)中的任意参数，对于每一变量x，都存在x∈[x_min,x_max]；将该变量的范围均匀地划分为D格，则每格的宽度为Δx＝(x_max-x_min)/D，每格的中心节点取值为：

其中，x_i为每格中心节点的取值，i为节点编号。

步骤3，进行蚁群算法参数预辨识，得到所有预辨识的参数组以及其对应的误差值f；

步骤301：采用轮盘赌法选择新的一组(μ、σ、n、p)参数组，并得到新的正态分布随机变量X和二项分布随机变量Y的分布；

步骤302：使用蒙特卡洛法对步骤301所得到的X和Y进行多次抽样，得到仿真负荷功率数据；

步骤303：计算步骤302得到的仿真负荷功率概率密度，并求出其与实测负荷功率概率密度的差值作为误差值f；

步骤303中，所述误差值的计算方法为:

其中，M为实测数据个数，y_k为第k个数据的概率密度值，l_Σ为抽样样本总数，l_k为落入(x_k-Δp,x_k+Δp)区间的样本数，x_k为第k个数据的有功功率，Δp 为功率概率密度函数的统计区间长度。

步骤304:重复步骤301至303直至收敛至蚁群循环最大次数，得到所有预辨识的(μ、σ、n、p)参数组以及相对应误差值f。

步骤4，将步骤3所得的参数组作为SVM训练的输入值，进行SVM的训练，得到SVM模型；

步骤4中，设定阈值ε，将误差f大于ε的预辨识参数组标记为0，误差f 小于ε的预辨识参数组标记为1，并将带标记的参数组输入SVM进行训练，将对应参数组的标记作为向量机训练时的输出样本。

进一步地，SVM的核函数选用高斯核函数，如下所示：

其中，x_i表示待分类数据，l_j∈Rⁿ表示第j个标记点，f_j表示x_i在高斯核函数下与标记点l_j相互作用的数值，σ是核函数的宽度参数；

具体地，采用高斯核函数进行分类的SVM需满足以下约束：

s.t.w^Tf⁽ⁱ⁾≥0 if y_i＝1

w^Tf⁽ⁱ⁾＜0 if y_i＝0

其中，f⁽ⁱ⁾＝(f₁,f₂,……，f_n)表示数据点x_i与各个标记点f_n之间的核函数值向量，n为总的标记点个数，w为各个标记点的分类权重向量，w_j为支持向量各维度的权重。

步骤5：实时采集数据，使用训练完成的SVM模型进行参数辨识，并根据输出结果进行参数组重选或使用改进后的蚁群算法进行系数调整，根据误差值f 得到最终的参数辨识结果，输出辨识结果。

步骤5包括以下内容：

步骤501：设定内循环与外循环的个数；

步骤502：确定参数范围并对每个参数进行网格式划分；

步骤503：根据参数组范围以及轮盘赌法选择参数组，并输入SVM进行预测；

步骤504：若预测结果为0，则返回步骤502重新使用轮盘赌法选择参数组；若预测结果为1，则进入步骤505；

步骤505：使用步骤503中的参数组计算牵引机车取流功率正态分布随机变量X与供电区间内同一采样时刻内运行的车辆数量的二项分布随机变量Y的值；

步骤506：使用蒙特卡洛法对这两个变量进行多次抽样并统计其概率密度，将其与实测负荷功率概率密度的差值作为蚁群算法的误差值，并进行蚁群算法信息素矩阵的更新；

在步骤502中，每进行一定的循环次数，对于网格的宽度△x进行一定的缩小，具体缩小的步骤如下式所示：

其中，x_opt为经过多次循环后信息素最高的节点，α∈(0,1)为收缩系数，表示范围收缩的快慢，

为第N次循环后的参数范围的下界，

为第N此循环后的参数范围的上界。

在步骤506中，信息素矩阵的更新公式如下所示：

其中，m表示当前蚂蚁编号，i为列序号，j为行序号，Q为信息素强度，ρ为信息素挥发系数，

为第m次蚁群循环后信息素矩阵第i列第j行的信息素值，

为第m次蚁群循环后信息素矩阵第i列第j行的信息素值得增量。

转移概率向量的更新公式如下所示：

其中，G为每个参数变量的可选节点数。

判断蚁群循环次数是否达到其最大值，达到则进入步骤507，否则返回步骤 503；

步骤507：更新内循环个数并判定是否达到设定的内循环数个数，如达到则进入508，否则对参数组的辨识范围重新进行网格式划分并进入步骤503；

步骤508：更新外循环个数，如达到收敛条件或达到最大外循环次数，则输出最终的辨识结果；如果收敛条件或最大外循环次数皆没有达到，则恢复至更新前的参数组范围以及网格式划分状态，返回步骤503。

本发明还公开了一种牵引负荷参数辨识系统，包括数据采集模块、参数预处理模块、参数组预辨识模块、模型训练模块、参数组辨识模块，其特征在于：

数据采集模块采集牵引变电所的实测全日负荷历史功率数据、牵引机车历史功率数据、同一采样时刻在所述供电区间内运行通过的最大运行机车数量历史数据；

参数预处理模块确定所需辨识参数的上下界，并对每一参数的范围进行网格式划分；

参数组预辨识模块对参数组预处理模块后的参数进行蚁群算法参数预辨识，得到所有预辨识的参数组以及其对应的误差值f；

模型训练模块将参数组预辨识模块得到的参数输入至SVM内进行模型训练，得到训练后的SVM模型；

参数组辨识模块将实时采集到的数据输入至SVM后，根据输出结果进行参数组重选或使用改进后的蚁群算法进行系数调整，根据误差值f得到最终的参数辨识结果，输出辨识结果。

表1为蚁群算法直接参数辨识与使用SVM优化的蚁群算法参数辨识结果对比，其对应的对比图如图2(a)、2(b)与2(c)所示。

表1

Claims (12)

1.一种基于SVM-蚁群算法的牵引负荷参数辨识方法，其特征在于，所述牵引负荷参数辨识方法包括如下步骤：

步骤1，采集牵引变电所的实测全日负荷历史功率数据、牵引机车历史功率数据、同一采样时刻在供电区间内运行通过的运行机车数量历史数据；

步骤2，确定牵引负荷待辨识的参数范围并对其进行网格化划分，牵引负荷待辨识的参数为参数μ、σ、n、p，其中μ为牵引机车取流功率正态分布随机变量X的期望值，σ为所述正态分布随机变量X的方差，n为车辆数量的二项分布随机变量Y中同一采样时刻在所述供电区间内运行通过的最大运行机车数量，p是所述车辆数量的二项分布随机变量Y中一辆机车在同一采样时刻下运行在所述供电区间内出现的概率；

步骤3，进行蚁群算法参数预辨识，得到所有预辨识的参数组以及其对应的误差值f，具体包括：

步骤301：采用轮盘赌法选择新的一组(μ、σ、n、p)参数组，并得到新的正态分布随机变量X和二项分布随机变量Y的分布；

步骤302：使用蒙特卡洛法对步骤301所得到的X和Y进行多次抽样，得到仿真负荷功率数据；

步骤303：计算步骤302得到的仿真负荷功率概率密度，并求出其与实测负荷功率概率密度的差值作为误差值f；

步骤304:重复步骤301至303直至收敛至蚁群循环最大次数，得到所有预辨识的(μ、σ、n、p)参数组以及相对应误差值f；

步骤4，将步骤3所得的参数组作为SVM训练的输入值，进行SVM的训练，得到SVM模型；

步骤5，实时采集数据，使用训练完成的SVM模型进行参数辨识，并根据输出结果进行参数组重选或使用改进后的蚁群算法进行系数调整，根据误差值f得到最终的参数辨识结果，输出辨识结果。

2.根据权利要求1所述的牵引负荷参数辨识方法，其特征在于：

所述牵引变电所的实测全日负荷功率采集点数不低于预设值；所述牵引机车历史功率是指机车在目标线路上运行时的取流功率；所述运行机车数量历史数据指目标供电区间在同一采样时刻下所运行的机车数量。

3.根据权利要求2所述的牵引负荷参数辨识方法，其特征在于：在所述步骤2中，μ参数的取值范围的下界为实测牵引机车取流功率的范围的下界，μ参数的取值范围的上界为实测牵引机车取流功率的范围的上界；

σ参数的取值范围通过以下方法确定：

统计机车功率的概率密度，确定其概率大于概率密度阈值所处功率区间，计算其与两边功率边界的距离，取最大值作为σ参数的上界，其下界为0；

n参数范围的上界为供电区间内同一采样时刻内通过的机车运行机车车辆数的两倍，下界为运行机车车辆数；

p参数范围的上下界为供电区间同一采样时刻通过车辆数的均值与n参数上下界的比值。

4.根据权利要求3所述的牵引负荷参数辨识方法，其特征在于：

在所述步骤2中，设变量x为待辨识参数组(μ、σ、n、p)中的任意参数，对于每一变量x，都存在x∈[x_min,x_max]；将该变量的范围均匀地划分为D格，则每格的宽度为Δx＝(x_max-x_min)/D，每格的中心节点取值为：

其中，x_i为每格中心节点的取值，i为节点编号。

5.根据权利要求4所述的牵引负荷参数辨识方法，其特征在于：

在步骤303中，所述误差值的计算方法为:

其中，M为实测数据个数，y_k为第k个数据的概率密度值，l_Σ为抽样样本总数，l_k为落入(x_k-Δp,x_k+Δp)区间的样本数，x_k为第k个数据的有功功率，Δp为功率概率密度函数的统计区间长度。

6.根据权利要求5所述的牵引负荷参数辨识方法，其特征在于：

所述步骤4中，设定阈值ε，将误差f大于ε的预辨识参数组标记为0，误差f小于ε的预辨识参数组标记为1，并将带标记的参数组输入SVM进行训练，将对应参数组的标记作为向量机训练时的输出样本。

7.根据权利要求6所述的牵引负荷参数辨识方法，其特征在于：

所述SVM的核函数选用高斯核函数：

其中，x_i表示待分类数据，l_j∈Rⁿ表示第j个标记点，f_j表示x_i在高斯核函数下与标记点l_j相互作用的数值，σ是核函数的宽度参数。

8.根据权利要求7所述的牵引负荷参数辨识方法，其特征在于：

采用的高斯核函数进行分类的SVM需满足以下约束条件：

s.t.w^Tf⁽ⁱ⁾≥0if y_i＝1

w^Tf⁽ⁱ⁾＜0if y_i＝0

其中，f⁽ⁱ⁾＝(f₁,f₂,……，f_n)表示数据点x_i与各个标记点f_n之间的核函数值向量，n为总的标记点个数，w为各个标记点的分类权重向量，w_j为支持向量各维度的权重。

9.根据权利要求8所述的牵引负荷参数辨识方法，其特征在于：

所述步骤5包括以下内容：

步骤501：设定内循环与外循环的个数；

步骤502：确定参数范围并对每个参数进行网格式划分；

步骤503：根据参数组范围以及轮盘赌法选择参数组，并输入SVM进行预测；

步骤504：若预测结果为0，则返回步骤502重新使用轮盘赌法选择参数组；若预测结果为1，则进入步骤505；

步骤505：使用步骤503中的参数组计算牵引机车取流功率正态分布随机变量X与供电区间内同一采样时刻内运行的车辆数量的二项分布随机变量Y的值；

步骤506：使用蒙特卡洛法对这两个变量进行多次抽样并统计其概率密度，将其与实测负荷功率概率密度的差值作为蚁群算法的误差值，并进行蚁群算法信息素矩阵的更新；

判断蚁群循环次数是否达到其最大值，达到则进入步骤507，否则返回步骤503；

步骤507：更新内循环个数并判定是否达到设定的内循环数个数，如达到则进入508，否则对参数组的辨识范围重新进行网格式划分并进入步骤503；

步骤508：更新外循环个数，如达到收敛条件或达到最大外循环次数，则输出最终的辨识结果；如果收敛条件或最大外循环次数皆没有达到，则恢复至更新前的参数组范围以及网格式划分状态，返回步骤503。

10.根据权利要求9所述的牵引负荷参数辨识方法，其特征在于：

在所述步骤502中，每进行一次循环，则对网格的宽度△x进行缩小，具体缩小的步骤如下式所示：

其中，X_opt为经过多次循环后信息素最高的节点，α∈(0,1)为收缩系数，表示范围收缩的快慢，

为第N次循环后的参数范围的下界，

为第N次循环后的参数范围的上界。

11.根据权利要求10所述的牵引负荷参数辨识方法，其特征在于：

所述步骤506中的蚁群算法信息素矩阵为：

其中，m表示当前蚂蚁编号，i为列序号，j为行序号，Q为信息素强度，ρ为信息素挥发系数，

为第m次蚁群循环后信息素矩阵第i列第j行的信息素值。

为第m次蚁群循环后信息素矩阵第i列第j行的信息素值得增量。

12.一种利用权利要求1-11任一一项权利要求所述的牵引负荷参数辨识系统，包括数据采集模块、参数预处理模块、参数组预辨识模块、模型训练模块、参数组辨识模块，其特征在于：

所述数据采集模块采集牵引变电所的实测全日负荷历史功率数据、牵引机车历史功率数据、同一采样时刻在所述供电区间内运行通过的最大运行机车数量历史数据；

所述参数预处理模块确定所需辨识参数的上下界，并对每一参数的范围进行网格式划分；

所述参数组预辨识模块对参数组预处理模块后的参数进行蚁群算法参数预辨识，得到所有预辨识的参数组以及其对应的误差值f；

所述模型训练模块将参数组预辨识模块得到的参数输入至SVM内进行模型训练，得到训练后的SVM模型；

所述参数组辨识模块将实时采集到的数据输入至SVM后，根据输出结果进行参数组重选或使用改进后的蚁群算法进行系数调整，得到最终的参数辨识结果，输出辨识结果。

Images