CN113283550A - 一种车网电气耦合数据的异常辨识模型训练方法 - Google Patents
一种车网电气耦合数据的异常辨识模型训练方法 Download PDFInfo
- Publication number
- CN113283550A CN113283550A CN202110827993.XA CN202110827993A CN113283550A CN 113283550 A CN113283550 A CN 113283550A CN 202110827993 A CN202110827993 A CN 202110827993A CN 113283550 A CN113283550 A CN 113283550A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- vehicle network
- abnormal
- voltage
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请提供一种车网电气耦合数据的异常辨识模型训练方法,包括:获取车网电气耦合的训练数据集;训练数据集包括有标注的异常数据;将训练数据集输入事先建立的异常辨识模型进行训练,得到训练后的异常辨识模型;异常辨识模型包括电压特征提取子模型、电流特征提取子模型以及特征融合模块。将标注有异常数据的训练数据集输入异常辨识模型并完成训练,得到基于数据驱动的车网电气耦合异常辨识模型,根据信号本身的波形辨识车网电气耦合异常数据,利用深度学习的优势高效处理海量的车网电气监测数据,且融合了电压异常识别与电流异常识别,在识别单异常类型的同时具备识别复合异常类型的能力,能够实时监测车网电气耦合状态,满足了实际工程需求。
Description
技术领域
本申请涉及电力系统运行分析技术领域,具体而言,涉及一种车网电气耦合数据的异常辨识模型训练方法。
背景技术
电气化铁路作为我国的重要基础设施,其中电力机车和动车组与牵引供电系统之间的电气耦合构成复杂的车网电气耦合关系。车网电气耦合关系恶化导致的谐波谐振、网压振荡等车网电气耦合异常会威胁电力机车和动车组的安全可靠运行,给电气化铁路的正常运营造成了经济损失。目前,车网耦合异常主要依靠人工辨识,无法处理庞大的监测数据量,往往无法及时发现车网电气耦合异常,等到事故发生后再对数据进行分析,针对这一问题,有必要高效地对车网电气监测数据进行分析,实时监测车网电气耦合状态,评估当下的列车健康服役状态,及时发现车网电气耦合异常以避免电气异常造成更大的电气事故。
传统的车网电气耦合异常辨识方法主要基于模型驱动,需要分析每种车网电气耦合异常的机理,根据每种异常类型的波形表现或其他显著特征设计特定的识别方法,这意味着每种车网电气耦合异常类型都需要一个特定的识别方法,由多种识别方法构建的识别体系会增加识别体系的复杂程度,还可能存在数据格式不统一等问题,并且由于需要对异常类型进行机理分析,传统的模型驱动算法无法识别潜在的未知扰动,同时,由于电力机车和动车组的运行工况受地理环境和气象条件影响,难以建立精确的车网模型,模型精确程度将直接影响车网电气耦合异常辨识的准确度。
发明内容
本申请实施例的目的在于提供一种车网电气耦合数据的异常辨识模型训练方法,用以解决传统的车网电气耦合异常辨识模型,由于难以建立精确的车网模型,并且模型精确度低导致车网电气耦合异常辨识的准确度低的问题。
本申请实施例提供的一种车网电气耦合数据的异常辨识模型训练方法,包括:
获取车网电气耦合的训练数据集;训练数据集包括有标注的异常数据;
将训练数据集输入事先建立的异常辨识模型进行训练,得到训练后的异常辨识模型;异常辨识模型包括电压特征提取子模型、电流特征提取子模型以及特征融合模块。
上述技术方案中,将标注有异常数据的训练数据集输入异常辨识模型并完成训练,得到基于数据驱动的车网电气耦合异常辨识模型,根据信号本身的波形辨识车网电气耦合异常数据,利用深度学习的优势高效处理海量的车网电气监测数据,且融合了电压异常识别与电流异常识别,在识别单异常类型的同时具备识别复合异常类型的能力,能够实时监测车网电气耦合状态,满足了实际工程需求。
在一些可选的实施方式中,训练数据集的获取方式,包括:
根据不同的车网电气异常产生机理搭建不同的车网电气耦合异常模型,根据不同的车网电气耦合异常模型采集不同类型的车网电气耦合异常数据并作为样本数据;
采集实际电气化铁路中的监测数据,得到在不同地理环境条件以及不同气象条件下的车网电气耦合数据并作为样本数据;
对样本数据进行预处理,得到训练数据集。
上述技术方案中,样本数据的获取包括两个方面:一方面,基于仿真软件(如MATLAB平台)根据不同的车网电气异常产生机理搭建不同的车网电气耦合异常模型,并得到不同类型的车网电气耦合异常数据,包括高次谐波谐振、低频振荡等电压振荡现象以及过电压现象,和应涌流、励磁涌流、接地短路等电流冲击现象。另一方面,采集实际电气化铁路中的监测数据,包括地面牵引变电所的车网电气监测数据以及电力机车/动车组上的监测数据,得到在不同地理环境条件以及不同气象条件下的车网电气耦合数据。
在一些可选的实施方式中,对样本数据进行预处理,得到训练数据集,包括:
对样本数据,以固定的时间间隔划分得到数据集;
对数据集中数据做标准化处理,得到归一化的数据集;
对归一化的数据集,获取训练数据集;其中所述训练数据集包括标注有正常状态的正常数据以及标注有异常状态的异常数据。
上述技术方案中,对样本数据的预处理,首先需要对车网电压电流数据进行数据格式转换,并对离散的监测数据进行等时间长度分割;鉴于车网电压数据以及车网电流数据的特点差异,并综合实际保护需求以及车网数据识别难度,采用不同方法对车网数据进行预处理。电压数据和电流数据标准化处理形式如下:
分别对处理后的车网电压数据和车网电流进行人工标注,将其中的正常数据标注为正常状态,将异常数据标注为异常状态,得到训练数据集。
在一些可选的实施方式中,正常状态包括列车加速状态、列车减速状态、列车惰行状态和列车驶出供电臂状态中至少一种,异常状态包括电压振荡状态、过电压状态、应涌流状态、励磁涌流状态和接地短路状态中至少一种。
上述技术方案中,对训练数据的标注可进行进一步细分,如将标注为正常状态的训练数据进一步标注为列车加速状态、列车减速状态、列车惰行状态或列车驶出供电臂状态等,将标注为异常状态的训练数据进一步标注为电压振荡状态、过电压状态、应涌流状态、励磁涌流状态或接地短路状态等。
在一些可选的实施方式中,训练数据集的训练数据包括同时间的电压数据和电流数据;
将训练数据集输入事先建立的异常辨识模型进行训练,包括:
将电压数据输入电压特征提取子模型,得到电压数据的时序特征;将电流数据输入电流特征提取子模型,得到电流数据的时序特征;将电压数据的时序特征和电流数据的时序特征输入特征融合模块进行融合,得到综合特征;
根据综合特征,进行车网电气耦合数据的分类辨识;
通过计算损失、计算梯度以及反向传播更新网络参数,得到训练后的异常辨识模型;其中,异常辨识模型的损失函数为交叉熵损失函数。
上述技术方案中,将训练数据中的电压数据和电流数据分别输入电压特征提取模块和电流特征提取模块,分别得到电压数据的时序特征和电流数据的时序特征并,利用flatten层融合电压特征提取子模型提取的电压信号特征和电流特征提取子模型提取的电流信号特征,之后接全连接层完成辨识,通过计算损失、计算梯度以及反向传播更新网络参数,异常辨识模型自动提取车网耦合电压电流信号(电压数据和电流数据)中的特征并建立信号与标签(标注的状态)的映射关系。
在一些可选的实施方式中,在将电压数据输入电压特征提取子模型之前,还包括:
对电压数据进行下采样处理,初步提取电压数据的有效特征。
上述技术方案中,在将电压数据输入电压特征提取子模型之前,先利用池化层最大池化方式对预处理后的电压时域信号(电压数据)和电流时域信号(电流数据)进行下采样处理,滤除大量的无效信息并突出有效信息。
在一些可选的实施方式中,将电压数据输入电压特征提取子模型,得到电压数据的时序特征,包括:
电压数据输入第一卷积神经网络模块,得到电压数据的特征图;
利用第一长短期记忆神经网络处理电压数据的特征图,得到电压数据的时序特征。
上述技术方案中,电压特征提取子模型由第一卷积神经网络模块和第一长短期记忆网络模块构成。第一卷积神经网络模块包括若干个特征提取单元堆叠,每个特征提取单元包含卷积层、池化层以及标准化层,在激活函数的选择上,采用ReLu函数处理平稳对称的电压时域信号以增加网络稀疏程度缓解过拟合问题;之后利用第一长短期记忆网络模块提取特征图的时序特征。
在一些可选的实施方式中,第一卷积神经网络模块包括至少一个特征提取单元,该特征提取单元包括卷积层、激活层、池化层和标准化层中的至少一个,激活层选取ReLu函数作为激活函数。
上述技术方案中,卷积层是特征提取的重要环节,采用多个小尺寸的卷积核响应信号的局部特征,设定较小的卷积核步幅遍历整个特征图以进一步捕捉信号特征;采用激活函数ReLu处理特征图,将非线性特性引入网络中;之后利用池化层压缩输出特征图进一步筛选特征;标准化层将特征图分布调整到中心区域以避免梯度消失;经过特征提取单元的堆叠,电压信号的高层次特征不断从低层次特征中提取出来。
在一些可选的实施方式中,将电流数据输入电流特征提取子模型,得到电流数据的时序特征,包括:
电流数据输入第二卷积神经网络模块,得到电流数据的特征图;
利用第二长短期记忆神经网络处理电流数据的特征图,得到电流数据的时序特征。
上述技术方案中,电流特征提取子模型由第二卷积神经网络模块和第二长短期记忆网络模块构成。若干个特征提取单元堆叠构成卷积神经网络模块,每个特征提取单元包含卷积层、池化层以及标准化层,选择tanh函数作为激活函数处理存在非对称情况的电流时域信号;之后利用第二长短期记忆网络模块提取特征图的时序特征。
在一些可选的实施方式中,第二卷积神经网络模块包括至少一个特征提取单元,该特征提取单元包括卷积层、激活层、池化层和标准化层中的至少一个,激活层选取tanh函数作为激活函数。
上述技术方案中,卷积层是特征提取的重要环节,采用多个小尺寸的卷积核响应信号的局部特征,设定较小的卷积核步幅遍历整个特征图以进一步捕捉信号特征;采用激活函数tanh处理特征图,将非线性特性引入网络中;之后利用池化层压缩输出特征图进一步筛选特征;标准化层将特征图分布调整到中心区域以避免梯度消失;经过特征提取单元的堆叠,电流信号的高层次特征不断从低层次特征中提取出来。
在一些可选的实施方式中,还包括:
利用训练后的异常辨识模型对待测数据进行辨识,识别出异常数据。
上述技术方案中,将待识别的车网电气耦合数据进行格式转换,并以固定时间间隔划分电压电流数据,得到固定尺寸的预测数据集。利用训练后的车网电气耦合异常辨识模型对预测数据集进行处理,计算得到待测数据属于不同类型状态的得分,取最高得分的状态类型作为待测数据的辨识结果。
本申请实施例提供的一种电子设备,包括:处理器和存储器,所述存储器存储有所述处理器可执行的机器可读指令,所述机器可读指令被所述处理器执行时执行如以上任一所述的方法。
本申请实施例提供的一种存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如以上任一所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为一种车网电气耦合数据的异常辨识模型训练方法的步骤流程图;
图2为预处理的步骤流程图;
图3为本发明实施的异常辨识模型训练方法的工作流程图;
图4为电压特征提取子模型的一种可能的结构示意图;
图5为电流特征提取子模型的一种可能的结构示意图;
图6为一种车网电气耦合异常辨识方法的步骤流程图;
图7为异常辨识模型的工作流程图;
图8为特征提取单元的一种可能的结构示意图;
图9为一种对实际监测数据进行预测的流程图;
图10为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
本申请实施例的一种车网电气耦合数据的异常辨识模型训练方法,得到基于数据驱动的车网电气耦合异常辨识模型,根据信号本身的波形辨识车网电气耦合异常数据,能够实时监测车网电气耦合状态,满足了实际工程需求。
请参照图1,图1为一种车网电气耦合数据的异常辨识模型训练方法的步骤流程图,包括:
步骤100、获取车网电气耦合的训练数据集;训练数据集包括有标注的异常数据;
具体的,训练数据集的获取方式,包括:
步骤110、获取车网电气耦合数据的样本数据。
其中,获取车网电气耦合数据的样本数据需要获得数量上足够、波形特征齐全的车网电气耦合正常数据及异常数据,样本数据包括同时间的电压数据和电流数据。样本数据的获取包括两个方面:一方面,基于仿真软件(如MATLAB平台)根据不同的车网电气异常产生机理搭建不同的车网电气耦合异常模型,并得到不同类型的车网电气耦合异常数据,包括高次谐波谐振、低频振荡等电压振荡现象以及过电压现象,和应涌流、励磁涌流、接地短路等电流冲击现象。另一方面,采集实际电气化铁路中的监测数据,包括地面牵引变电所的车网电气监测数据以及电力机车/动车组上的监测数据,得到在不同地理环境条件以及不同气象条件下的车网电气耦合数据。
步骤120、对样本数据进行预处理,得到训练数据集。
请参照图2,图2为预处理的步骤流程图,预处理的流程具体包括:
步骤121、对样本数据,以固定的时间间隔划分得到数据集;
步骤122、对样本数据做标准化处理,得到归一化的数据;
需明确的是,在本发明实施例中,可以先实施步骤121再实施步骤122,也可以先实施步骤122再实施步骤121。
由于样本数据包括同时间的电压数据和电流数据,因此,训练数据集的训练数据同样包括同时间的电压数据和电流数据。在实际应用本发明实施例的预处理流程时,首先需要对车网电压电流数据进行数据格式转换,将原始格式的数据转换为能够被异常辨识网络读取的数据类型。步骤121,在格式转换后,对离散的监测得到的样本数据进行等时间长度分割。实施步骤122时,鉴于车网电压数据以及车网电流数据的特点差异,并综合实际保护需求以及车网数据识别难度,采用不同方法对车网数据进行预处理。电压数据和电流数据标准化处理形式如下:
步骤123、对归一化的数据集,将其中的正常数据标注为正常状态,将异常数据标注为异常状态,得到训练数据集。
在步骤123分别对处理后的车网电压数据和车网电流进行人工标注。本发明实施例中,至少对异常数据进行标注,在只对异常数据标注为异常状态的情形,未标注的训练数据可以为正常状态的数据也可以为无法识别出状态的数据。
在另一些实施例中,对训练数据的标注可进行进一步细分,如将标注为正常状态的训练数据进一步标注为列车加速状态、列车减速状态、列车惰行状态或列车驶出供电臂状态等,将标注为异常状态的训练数据进一步标注为电压振荡状态、过电压状态、应涌流状态、励磁涌流状态或接地短路状态等。
步骤200、将训练数据集输入事先建立的异常辨识模型进行训练,得到训练后的异常辨识模型;异常辨识模型包括电压特征提取子模型、电流特征提取子模型以及特征融合模块。
具体的,请参照图3,图3为本发明实施的异常辨识模型训练方法的工作流程图,训练过程具体包括:
步骤210、将电压数据输入电压特征提取子模型,得到电压数据的时序特征;将电流数据输入电流特征提取子模型,得到电流数据的时序特征;
步骤220、将电压数据的时序特征和电流数据的时序特征输入特征融合模块进行融合,得到综合特征;
步骤230、根据综合特征,进行车网电气耦合数据的分类辨识;
步骤240、通过计算损失、计算梯度以及反向传播更新网络参数,得到训练后的异常辨识模型;其中,异常辨识模型的损失函数为交叉熵损失函数。
本发明实施例中,将训练数据中的电压数据和电流数据分别输入电压特征提取模块和电流特征提取模块,分别得到电压数据的时序特征和电流数据的时序特征并,利用flatten层融合电压特征提取子模型提取的电压信号特征和电流特征提取子模型提取的电流信号特征,之后接全连接层完成辨识,通过计算损失、计算梯度以及反向传播更新网络参数,异常辨识模型自动提取车网耦合电压电流信号(电压数据和电流数据)中的特征并建立信号与标签(标注的状态)的映射关系。
在步骤200之前,即在将电压数据输入电压特征提取子模型之前,还包括:对电压数据进行下采样处理,初步提取电压数据的有效特征。例如,利用池化层最大池化方式对预处理后的电压时域信号(电压数据)和电流时域信号(电流数据)进行下采样处理,滤除大量的无效信息并突出有效信息。
请参照图4,图4为电压特征提取子模型的一种可能的结构示意图,将电压数据输入电压特征提取子模型,得到电压数据的时序特征,包括:
步骤211、电压数据输入第一卷积神经网络模块,得到电压数据的特征图。
其中,电压特征提取子模型由第一卷积神经网络模块和第一长短期记忆网络模块构成。第一卷积神经网络模块包括若干个特征提取单元堆叠,每个特征提取单元包含卷积层、池化层以及标准化层,在激活函数的选择上,采用ReLu函数处理平稳对称的电压时域信号以增加网络稀疏程度缓解过拟合问题。卷积层是特征提取的重要环节,采用多个小尺寸的卷积核响应信号的局部特征,设定较小的卷积核步幅遍历整个特征图以进一步捕捉信号特征;采用激活函数ReLu处理特征图,将非线性特性引入网络中;之后利用池化层压缩输出特征图进一步筛选特征;标准化层将特征图分布调整到中心区域以避免梯度消失;经过特征提取单元的堆叠,电压信号的高层次特征不断从低层次特征中提取出来。
步骤212、利用第一长短期记忆神经网络处理电压数据的特征图,得到电压数据的时序特征。
其中,第一长短期记忆神经网络模块具有线性处理单元和长短期记忆神经元单元。
请参照图5,图5为电流特征提取子模型的一种可能的结构示意图,将电流数据输入电流特征提取子模型,得到电流数据的时序特征,包括:
步骤213、电流数据输入第二卷积神经网络模块,得到电流数据的特征图;
电流特征提取子模型由第二卷积神经网络模块和第二长短期记忆网络模块构成。若干个特征提取单元堆叠构成卷积神经网络模块,每个特征提取单元包含卷积层、池化层以及标准化层,选择tanh函数作为激活函数处理存在非对称情况的电流时域信号;之后利用第二长短期记忆网络模块提取特征图的时序特征。同样的,卷积层是特征提取的重要环节,采用多个小尺寸的卷积核响应信号的局部特征,设定较小的卷积核步幅遍历整个特征图以进一步捕捉信号特征;采用激活函数tanh处理特征图,将非线性特性引入网络中;之后利用池化层压缩输出特征图进一步筛选特征;标准化层将特征图分布调整到中心区域以避免梯度消失;经过特征提取单元的堆叠,电流信号的高层次特征不断从低层次特征中提取出来。
步骤214、利用第二长短期记忆神经网络处理电流数据的特征图,得到电流数据的时序特征。
其中,第二长短期记忆神经网络模块具有线性处理单元和长短期记忆神经元单元。
请参照图6,图6为一种车网电气耦合异常辨识方法的步骤流程图,包括:
步骤310、获取车网电压电流数据并进行预处理;
步骤310中,本实施例中的数据获取来源于牵引变电所27.5kV侧、电力机车和动车组27.5kV侧以及车网仿真模型。这些数据包括数量足够、波形特征齐全的列车加速、减速、惰行、驶出供电臂等车网电气耦合正常数据,以及低频振荡、谐波谐振、励磁涌流、接地短路四种车网电气耦合异常数据。为适应电气化铁路中的暂态、稳态、准稳态等过程数据,本实施例中设定采样频率为25600Hz,单个样本时间长度为1s。为增加数据的读取效率以及处理效率,对数据进行格式转换并对数据做标准化处理,同时,对每个样本人工标注以完成后续网络模型的监督学习。
步骤320、构建包含电压特征提取子模型以及电流特征提取子模型的车网电气耦合异常辨识模型;
步骤330、采用实测及仿真的车网电压电流数据训练模型;
步骤340、利用训练后的车网电气耦合异常辨识模型对待辨识的车网电压电流数据进行辨识。
请参照图7,图7为异常辨识模型的工作流程图,包括电压特征提取子模型和电流特征提取子模型以及特征融合模块,每个特征提取子模型包含卷积神经网络模块以及长短期记忆神经网络模块。
电压特征提取子模型:预处理后的车网电压数据首先进入最大池化层进行下采样处理,滤除信号中大量的干扰信息,突出信号中的有效信息;输入进入卷积神经网络模块,卷积神经网络模块由若干个特征提取单元组成,特征提取单元的构成如图8所示,每个特征提取单元包括卷积层、最大池化层以及标准化层,其中,卷积层是特征提取的重要环节,采用多个小尺寸的卷积核响应信号的局部特征,设定较小的卷积核步幅遍历整个特征图以进一步捕捉信号特征;采用激活函数ReLu处理特征图,将非线性特性引入网络中;之后利用池化层压缩输出特征图进一步筛选特征;标准化层将特征图分布调整到中心区域以避免梯度消失;经过特征提取单元的堆叠,电压信号的高层次特征不断从低层次特征中提取出来,之后利用长短期记忆进一步处理特征图,得到时序特征。
电流特征提取子模型:预处理后的车网电流数据进入最大池化层进行下采样处理,滤除无关信息,突出有效信息;输入进入包含若干个特征提取单元的卷积神经网络模块,每个特征提取单元包含卷积层、池化层和标准化层,卷积层以多个小尺寸小步幅的卷积核提取信号特征,池化层配合卷积层突出有效特征,标准化层调整特征图分布;随着特征提取单元的堆叠,信号的高层次特征被逐步提取,之后利用长短期记忆网络进一步处理特征图,得到时序特征。
特征融合模块:利用Flatten层将来自不同特征提取子模型的特征一维化并融合合并得到综合的信号特征,根据提取得到的综合特征对车网电气耦合信号进行辨识和分类。
构建完成车网电气耦合异常辨识模型后,通过车网电气耦合训练集对网络模型进行训练:训练过程包括模型的前向传播计算以及反向传播更改模型参数,前向传播计算输入的车网电压电流信号在不同分类结果中的得分数,并与人工标注的标签进行比对,计算误差将通过反向传播传回网络模型,更新网络参数,通过大量训练建立车网电气耦合信号与不同车网电气耦合状态的映射关系。
经训练完成的模型可以应用于大量车网电气耦合监测数据的辨识中,为了高效批处理这些待辨识数据,需要将其进行格式转换、以1s的时间间隔分割、归一化操作以匹配车网电气耦合异常辨识模型的输入尺寸要求。
图9展示了一种对实际监测数据进行预测的流程图,网络计算每个样本属于正常数据、低频振荡、励磁涌流、谐波谐振、接地短路五种类型的得分值,最高得分对应的类型即为样本信号的类型。在实际预测中,网络模型只进行前向传播,不更新网络参数,能够迅速处理电气化铁路中大量的监测数据,及时发现电气化铁路中的车网电气耦合异常现象以避免由此可能造成的电气事故。
请参照图10,图10为本申请实施例提供的一种电子设备1的结构示意图,本申请提供一种电子设备1,包括:处理器11和存储器12,处理器11和存储器12通过通信总线13和/或其他形式的连接机构(未标出)互连并相互通讯,存储器12存储有处理器11可执行的计算机程序,当计算设备运行时,处理器11执行该计算机程序,以执行时执行上述实施例的任一可选的实现方式中的方法。
本申请实施例提供一种存储介质,所述计算机程序被处理器执行时,执行上述实施例的任一可选的实现方式中的方法。其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random AccessMemory, 简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory, 简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead Only Memory, 简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-Only Memory, 简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种车网电气耦合数据的异常辨识模型训练方法,其特征在于,包括:
获取车网电气耦合的训练数据集;所述训练数据集包括有标注的异常数据;
将所述训练数据集输入事先建立的异常辨识模型进行训练,得到训练后的异常辨识模型;所述异常辨识模型包括电压特征提取子模型、电流特征提取子模型以及特征融合模块。
2.如权利要求1所述的车网电气耦合数据的异常辨识模型训练方法,其特征在于,所述训练数据集的获取方式,包括:
根据事先搭建好的不同的车网电气耦合异常模型,采集不同类型的车网电气耦合异常数据并作为样本数据;
采集实际电气化铁路中的监测数据,得到在不同地理环境条件以及不同气象条件下的车网电气耦合数据并作为样本数据;
对所述样本数据进行预处理,得到所述训练数据集。
3.如权利要求2所述的车网电气耦合数据的异常辨识模型训练方法,其特征在于,所述对所述样本数据进行预处理,得到所述训练数据集,包括:
对所述样本数据,以固定的时间间隔划分得到数据集;
对所述数据集中数据做标准化处理,得到归一化的数据集;
根据归一化的数据集,获取所述训练数据集;其中,所述训练数据集包括标注有正常状态的正常数据,以及标注有异常状态的异常数据。
4.如权利要求3所述的车网电气耦合数据的异常辨识模型训练方法,其特征在于,所述正常状态包括列车加速状态、列车减速状态、列车惰行状态和列车驶出供电臂状态中至少一种,所述异常状态包括电压振荡状态、过电压状态、应涌流状态、励磁涌流状态和接地短路状态中至少一种。
5.如权利要求1所述的车网电气耦合数据的异常辨识模型训练方法,其特征在于,所述训练数据集的训练数据包括同时间的电压数据和电流数据;
所述将所述训练数据集输入事先建立的异常辨识模型进行训练,包括:
将所述电压数据输入所述电压特征提取子模型,得到所述电压数据的时序特征;将所述电流数据输入所述电流特征提取子模型,得到所述电流数据的时序特征;
将所述电压数据的时序特征和所述电流数据的时序特征输入所述特征融合模块进行融合,得到综合特征;
根据所述综合特征,进行车网电气耦合数据的分类辨识;
通过计算损失、计算梯度以及反向传播更新网络参数,得到训练后的异常辨识模型;其中,所述异常辨识模型的损失函数为交叉熵损失函数。
6.如权利要求5所述的车网电气耦合数据的异常辨识模型训练方法,其特征在于,在将所述电压数据输入所述电压特征提取子模型之前,还包括:
对所述电压数据进行下采样处理,初步提取所述电压数据的有效特征。
7.如权利要求5所述的车网电气耦合数据的异常辨识模型训练方法,其特征在于,所述将所述电压数据输入所述电压特征提取子模型,得到所述电压数据的时序特征,包括:
所述电压数据输入第一卷积神经网络模块,得到电压数据的特征图;
利用第一长短期记忆神经网络处理所述电压数据的特征图,得到所述电压数据的时序特征。
8.如权利要求7所述的车网电气耦合数据的异常辨识模型训练方法,其特征在于,所述第一卷积神经网络模块包括至少一个特征提取单元,所述特征提取单元包括卷积层、激活层、池化层和标准化层中的至少一个,所述激活层选取ReLu函数作为激活函数。
9.如权利要求5所述的车网电气耦合数据的异常辨识模型训练方法,其特征在于,所述将所述电流数据输入所述电流特征提取子模型,得到所述电流数据的时序特征,包括:
所述电流数据输入第二卷积神经网络模块,得到所述电流数据的特征图;
利用第二长短期记忆神经网络处理所述电流数据的特征图,得到所述电流数据的时序特征。
10.如权利要求9所述的车网电气耦合数据的异常辨识模型训练方法,其特征在于,所述第二卷积神经网络包括至少一个特征提取单元,所述特征提取单元包括卷积层、激活层、池化层和标准化层中的至少一个,所述激活层选取tanh函数作为激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110827993.XA CN113283550A (zh) | 2021-07-22 | 2021-07-22 | 一种车网电气耦合数据的异常辨识模型训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110827993.XA CN113283550A (zh) | 2021-07-22 | 2021-07-22 | 一种车网电气耦合数据的异常辨识模型训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113283550A true CN113283550A (zh) | 2021-08-20 |
Family
ID=77286951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110827993.XA Pending CN113283550A (zh) | 2021-07-22 | 2021-07-22 | 一种车网电气耦合数据的异常辨识模型训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283550A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116106672A (zh) * | 2023-04-13 | 2023-05-12 | 西南交通大学 | 一种基于数据驱动与工程知识的车网谐振检测方法及装置 |
CN116628619A (zh) * | 2023-07-26 | 2023-08-22 | 西南交通大学 | 一种基于车网耦合的未知异常电气现象辨识方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874064A (zh) * | 2020-01-17 | 2020-03-10 | 西南交通大学 | 一种高速铁路牵引网-多车耦合系统半实物仿真实验系统 |
-
2021
- 2021-07-22 CN CN202110827993.XA patent/CN113283550A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874064A (zh) * | 2020-01-17 | 2020-03-10 | 西南交通大学 | 一种高速铁路牵引网-多车耦合系统半实物仿真实验系统 |
Non-Patent Citations (4)
Title |
---|
周福林等: "电气化铁路车网电气耦合异常辨识", 《中国电机工程学报》 * |
周福林等: "车网耦合作用下励磁涌流对机车变流器电流频谱的影响", 《电力自动化设备》 * |
曹梦舟等: "基于卷积-长短期记忆网络的电能质量扰动分类", 《电力系统保护与控制》 * |
钟凯: "车网电气耦合的状态评估研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116106672A (zh) * | 2023-04-13 | 2023-05-12 | 西南交通大学 | 一种基于数据驱动与工程知识的车网谐振检测方法及装置 |
CN116106672B (zh) * | 2023-04-13 | 2023-08-18 | 西南交通大学 | 一种基于数据驱动与工程知识的车网谐振检测方法及装置 |
CN116628619A (zh) * | 2023-07-26 | 2023-08-22 | 西南交通大学 | 一种基于车网耦合的未知异常电气现象辨识方法 |
CN116628619B (zh) * | 2023-07-26 | 2023-10-20 | 西南交通大学 | 一种基于车网耦合的未知异常电气现象辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949715A (zh) | 一种基于svm的轨道交通故障诊断方法 | |
CN113283550A (zh) | 一种车网电气耦合数据的异常辨识模型训练方法 | |
CN113884961B (zh) | Soc校准方法、建模方法、建模装置、计算机设备及介质 | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN111044570A (zh) | 电力设备的缺陷识别及预警方法、装置及计算机设备 | |
CN111199257A (zh) | 高铁行车设备故障诊断方法及装置 | |
CN110728300A (zh) | 基于道岔动作电流曲线识别故障类型的方法及系统 | |
CN112766618B (zh) | 异常预测方法及装置 | |
CN114723285A (zh) | 一种电网设备安全性评估预测方法 | |
CN110362907A (zh) | 基于ssd神经网络输电线路目标缺陷识别与诊断方法 | |
CN112163496A (zh) | 一种基于语义分割的嵌入式终端水库水位预警方法 | |
CN114298175A (zh) | 基于边缘计算的电力设备状态监测与故障预警方法及系统 | |
CN110046663A (zh) | 一种复杂机电系统故障临界态辨识方法 | |
CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
CN112560997A (zh) | 故障识别模型训练方法、故障识别方法及相关装置 | |
CN113869721A (zh) | 一种变电设备健康状态分类方法及装置 | |
CN112308148A (zh) | 缺陷类别识别、孪生神经网络训练方法、装置及存储介质 | |
CN115905959A (zh) | 基于缺陷因子的电力断路器关联性故障分析方法及装置 | |
CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
CN113012107A (zh) | 电网缺陷检测方法及系统 | |
CN112348170A (zh) | 一种道岔转辙机故障诊断方法及系统 | |
CN113486965A (zh) | 一种车网电气耦合数据的异常辨识模型的训练方法 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210820 |
|
RJ01 | Rejection of invention patent application after publication |