CN113343560B - 一种直流支撑电容的电容值预测方法及装置 - Google Patents

一种直流支撑电容的电容值预测方法及装置 Download PDF

Info

Publication number
CN113343560B
CN113343560B CN202110569726.7A CN202110569726A CN113343560B CN 113343560 B CN113343560 B CN 113343560B CN 202110569726 A CN202110569726 A CN 202110569726A CN 113343560 B CN113343560 B CN 113343560B
Authority
CN
China
Prior art keywords
data
neural network
inputting
layer
capacitance
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.)
Active
Application number
CN202110569726.7A
Other languages
English (en)
Other versions
CN113343560A (zh
Inventor
曹虎
聂强
郭洪玮
初开麒
李鸿飞
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.)
CRRC Qingdao Sifang Rolling Stock Research Institute Co Ltd
Original Assignee
CRRC Qingdao Sifang Rolling Stock Research Institute Co Ltd
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 CRRC Qingdao Sifang Rolling Stock Research Institute Co Ltd filed Critical CRRC Qingdao Sifang Rolling Stock Research Institute Co Ltd
Priority to CN202110569726.7A priority Critical patent/CN113343560B/zh
Publication of CN113343560A publication Critical patent/CN113343560A/zh
Application granted granted Critical
Publication of CN113343560B publication Critical patent/CN113343560B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Fixed Capacitors And Capacitor Manufacturing Machines (AREA)

Abstract

本发明实施例公开一种直流支撑电容的电容值预测方法及装置。该方法中通过预设组合神经网络模型对待测试数据进行复制得到副本数据，将待测试数据和副本数据中的一者输入至第一长短期记忆网络得到第一时间相关性特征，另一者输入至第一卷积神经网络得到第一空间相关性特征，将第一时间相关性特征输入至第二长短期记忆网络得到第二时间相关性特征，将第一空间相关性特征输入至第二卷积神经网络得到第二空间相关性特征，将第二时间相关性特征和第二空间相关性特征输入至全连接层得到直流支撑电容的电容预测值。本发明中基于预设组合神经网络模型预测得到直流支撑电容的电容预测值，能够适应轨道车辆的实时监测电容值的需要。

Description

一种直流支撑电容的电容值预测方法及装置
技术领域
本发明涉及电容测量技术领域，具体而言，涉及一种直流支撑电容的电容值预测方法及装置。
背景技术
目前，轨道车辆的直流支撑电容是牵引系统的重要器件，需要实时测量电容值以保证轨道车辆的稳定运行。
现有的基于硬件的电容值测量方法，例如专用仪器测量法、交流阻抗计算法和双电压表法等，都需要将被测量的电容单独拆下，或者基于测试要求搭建专用测试电路，利用相关专业设备对电容的电容值进行测量。
上述将电容单独拆下的方式操作复杂，又由于轨道车辆的牵引系统十分复杂和精密，牵引系统各部分互相影响和作用，牵引系统包含的传感器种类多样，使得记录的数据复杂且海量，因此搭建类似的测试电路来测量牵引系统中的直流支撑电容的电容是非常艰难的，需要较长的时间，这使得测量成本高且测量时间长，由此可见，现有技术中的电容测量方法难以适应轨道车辆的实时监测电容值的需要。
发明内容
本发明提供了一种直流支撑电容的电容值预测方法及装置，能够适应轨道车辆的实时监测电容值的需要。具体的技术方案如下。
第一方面，本发明提供了一种直流支撑电容的电容值预测方法，所述方法包括：
获取待测试数据，其中，所述待测试数据中至少包括电容电压、电容电流、电网电压和电网电流；
将所述待测试数据输入至预设组合神经网络模型，通过所述预设组合神经网络模型对所述待测试数据进行复制得到副本数据，将所述待测试数据和所述副本数据中的一者输入至第一长短期记忆网络得到第一时间相关性特征，另一者输入至第一卷积神经网络得到第一空间相关性特征，将所述第一时间相关性特征输入至第二长短期记忆网络得到第二时间相关性特征，将所述第一空间相关性特征输入至第二卷积神经网络得到第二空间相关性特征，将所述第二时间相关性特征和所述第二空间相关性特征输入至全连接层得到直流支撑电容的电容预测值；
其中，所述预设组合神经网络模型包括所述第一卷积神经网络、所述第二卷积神经网络、所述第一长短期记忆网络、所述第二长短期记忆网络和所述全连接层，所述第一长短期记忆网络与所述第二长短期记忆网络连接，所述第一卷积神经网络与所述第二卷积神经网络连接，所述第二长短期记忆网络和所述第二卷积神经网络均与所述全连接层连接。
可选的，所述第一卷积神经网络包括第一卷积层、第一最大池化层和第一激活层，所述第二卷积神经网络包括第二卷积层、第二最大池化层和第二激活层，所述将另一者输入至第一卷积神经网络得到第一空间相关性特征，将所述第一空间相关性特征输入至第二卷积神经网络得到第二空间相关性特征的步骤，包括：
将另一者输入至所述第一卷积层，得到第一卷积特征；
将所述第一卷积特征输入至所述第一最大池化层，得到第一最大池化后特征；
将所述第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征；
将所述第一空间相关性特征输入至所述第二卷积层，得到第二卷积特征；
将所述第二卷积特征输入至所述第二最大池化层，得到第二最大池化后特征；
将所述第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征。
可选的，所述将所述第二时间相关性特征和所述第二空间相关性特征输入至全连接层得到直流支撑电容的电容预测值的步骤，包括：
通过所述全连接层的预设线性函数对所述第二时间相关性特征和所述第二空间相关性特征进行回归处理，得到直流支撑电容的电容预测值。
可选的，所述第一卷积神经网络还包括第一块正则化层，所述第二卷积神经网络还包括第二块正则化层；
在所述将所述第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征的步骤之前，上述直流支撑电容的电容值预测方法还包括：
将所述第一最大池化后特征输入至所述第一块正则化层进行正则化处理，得到处理后的第一最大池化后特征，其中，所述处理后的第一最大池化后特征的波动频率位于预设波动阈值范围内；
所述将所述第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征的步骤，包括：
将处理后的第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征；
在所述将所述第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征的步骤之前，上述直流支撑电容的电容值预测方法还包括：
将所述第二最大池化后特征输入至所述第二块正则化层进行正则化处理，得到处理后的第二最大池化后特征，其中，所述处理后的第二最大池化后特征的波动频率位于所述预设波动阈值范围内；
所述将所述第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征的步骤，包括：
将处理后的第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征。
可选的，所述预设组合神经网络模型的训练过程，包括：
获取仿真数据和所述仿真数据对应的直流支撑电容的电容仿真值，其中，所述仿真数据中至少包括仿真电容电压、仿真电容电流、仿真电网电压和仿真电网电流；
对所述仿真数据进行第一预处理，得到处理后的仿真数据；
将处理后的仿真数据以及所述电容仿真值作为仿真训练数据集输入至初始组合神经网络模型中进行训练，当迭代次数达到第一预设次数时，完成训练，得到使得处理后的仿真数据与所述电容仿真值相关联的第一组合神经网络模型，其中，所述初始组合神经网络模型包括第一初始卷积神经网络、第二初始卷积神经网络、第一初始长短期记忆网络、第二初始长短期记忆网络和初始全连接层；
获取轨道车辆牵引系统的半实物仿真平台采集的平台数据和直流支撑电容的电容值，其中，所述平台数据中至少包括电容电压、电容电流、电网电压和电网电流；
对所述平台数据进行第二预处理，得到处理后的平台数据；
将所述处理后的平台数据和所述电容值作为真实训练数据集输入至所述第一组合神经网络模型中进行训练，当迭代次数达到第二预设次数时，完成训练，得到使得所述处理后的平台数据与所述电容值相关联的预设组合神经网络模型。
可选的，所述对所述仿真数据进行第一预处理，得到处理后的仿真数据的步骤，包括：
对所述仿真数据进行重采样，得到数据频率为预设频率的重采样后数据；
对所述重采样后数据进行切片，生成预设长度的多个数据序列；
从所述多个数据序列中选择预设步长的数据作为处理后的仿真数据，其中，所述预设步长不小于电容电压的一个波长。
可选的，所述对所述平台数据进行第二预处理，得到处理后的平台数据的步骤，包括：
删除所述平台数据中的缺失数据，得到删除后的平台数据；
对删除后的平台数据进行切分，得到不同工作阶段对应的平台数据；
选择至少两个工作阶段对应的平台数据作为处理后的平台数据。
可选的，所述第一长短期记忆网络和所述第二长短期记忆网络中的长短期记忆网络结构的步长均为8。
第二方面，本发明提供了一种直流支撑电容的电容值预测装置，所述装置包括：
获取模块，用于获取待测试数据，其中，所述待测试数据中至少包括电容电压、电容电流、电网电压和电网电流；
预测模块，用于将所述待测试数据输入至预设组合神经网络模型，通过所述预设组合神经网络模型对所述待测试数据进行复制得到副本数据，将所述待测试数据和所述副本数据中的一者输入至第一长短期记忆网络得到第一时间相关性特征，另一者输入至第一卷积神经网络得到第一空间相关性特征，将所述第一时间相关性特征输入至第二长短期记忆网络得到第二时间相关性特征，将所述第一空间相关性特征输入至第二卷积神经网络得到第二空间相关性特征，将所述第二时间相关性特征和所述第二空间相关性特征输入至全连接层得到直流支撑电容的电容预测值；
其中，所述预设组合神经网络模型包括所述第一卷积神经网络、所述第二卷积神经网络、所述第一长短期记忆网络、所述第二长短期记忆网络和所述全连接层，所述第一长短期记忆网络与所述第二长短期记忆网络连接，所述第一卷积神经网络与所述第二卷积神经网络连接，所述第二长短期记忆网络和所述第二卷积神经网络均与所述全连接层连接。
可选的，所述第一卷积神经网络包括第一卷积层、第一最大池化层和第一激活层，所述第二卷积神经网络包括第二卷积层、第二最大池化层和第二激活层，所述预测模块，包括：
第一卷积子模块，用于将另一者输入至所述第一卷积层，得到第一卷积特征；
第一最大池化子模块，用于将所述第一卷积特征输入至所述第一最大池化层，得到第一最大池化后特征；
第一激活子模块，用于将所述第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征；
第二卷积子模块，用于将所述第一空间相关性特征输入至所述第二卷积层，得到第二卷积特征；
第二最大池化子模块，用于将所述第二卷积特征输入至所述第二最大池化层，得到第二最大池化后特征；
第二激活子模块，用于将所述第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征。
可选的，所述预测模块，具体用于：
通过所述全连接层的预设线性函数对所述第二时间相关性特征和所述第二空间相关性特征进行回归处理，得到直流支撑电容的电容预测值。
可选的，所述第一卷积神经网络还包括第一块正则化层，所述第二卷积神经网络还包括第二块正则化层；
上述直流支撑电容的电容值预测装置，还包括：
第一正则处理模块，用于在所述将所述第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征之前，将所述第一最大池化后特征输入至所述第一块正则化层进行正则化处理，得到处理后的第一最大池化后特征，其中，所述处理后的第一最大池化后特征的波动频率位于预设波动阈值范围内；
所述第一激活子模块，具体用于：
将处理后的第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征；
上述直流支撑电容的电容值预测装置，还包括：
第二正则处理模块，用于在所述将所述第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征之前，将所述第二最大池化后特征输入至所述第二块正则化层进行正则化处理，得到处理后的第二最大池化后特征，其中，所述处理后的第二最大池化后特征的波动频率位于所述预设波动阈值范围内；
所述第二激活子模块，具体用于：
将处理后的第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征。
可选的，上述直流支撑电容的电容值预测装置，还包括训练模块，所述训练模块用于训练所述预设组合神经网络模型，所述训练模块，包括：
第一获取子模块，用于获取仿真数据和所述仿真数据对应的直流支撑电容的电容仿真值，其中，所述仿真数据中至少包括仿真电容电压、仿真电容电流、仿真电网电压和仿真电网电流；
第一预处理子模块，用于对所述仿真数据进行第一预处理，得到处理后的仿真数据；
第一训练子模块，用于将处理后的仿真数据以及所述电容仿真值作为仿真训练数据集输入至初始组合神经网络模型中进行训练，当迭代次数达到第一预设次数时，完成训练，得到使得处理后的仿真数据与所述电容仿真值相关联的第一组合神经网络模型，其中，所述初始组合神经网络模型包括第一初始卷积神经网络、第二初始卷积神经网络、第一初始长短期记忆网络、第二初始长短期记忆网络和初始全连接层；
第二获取子模块，用于获取轨道车辆牵引系统的半实物仿真平台采集的平台数据和直流支撑电容的电容值，其中，所述平台数据中至少包括电容电压、电容电流、电网电压和电网电流；
第二预处理子模块，用于对所述平台数据进行第二预处理，得到处理后的平台数据；
第二训练子模块，用于将所述处理后的平台数据和所述电容值作为真实训练数据集输入至所述第一组合神经网络模型中进行训练，当迭代次数达到第二预设次数时，完成训练，得到使得所述处理后的平台数据与所述电容值相关联的预设组合神经网络模型。
可选的，所述第一预处理子模块，包括：
重采样单元，用于对所述仿真数据进行重采样，得到数据频率为预设频率的重采样后数据；
切片单元，用于对所述重采样后数据进行切片，生成预设长度的多个数据序列；
处理单元，用于从所述多个数据序列中选择预设步长的数据作为处理后的仿真数据，其中，所述预设步长不小于电容电压的一个波长。
可选的，所述第二预处理子模块，包括：
删除单元，用于删除所述平台数据中的缺失数据，得到删除后的平台数据；
切分单元，用于对删除后的平台数据进行切分，得到不同工作阶段对应的平台数据；
选择单元，用于选择至少两个工作阶段对应的平台数据作为处理后的平台数据。
可选的，所述第一长短期记忆网络和所述第二长短期记忆网络中的长短期记忆网络结构的步长均为8。
由上述内容可知，本发明实施例提供的直流支撑电容的电容值预测方法，可以获取待测试数据，其中，待测试数据中至少包括电容电压、电容电流、电网电压和电网电流；将待测试数据输入至预设组合神经网络模型，通过预设组合神经网络模型对待测试数据进行复制得到副本数据，将待测试数据和副本数据中的一者输入至第一长短期记忆网络得到第一时间相关性特征，另一者输入至第一卷积神经网络得到第一空间相关性特征，将第一时间相关性特征输入至第二长短期记忆网络得到第二时间相关性特征，将第一空间相关性特征输入至第二卷积神经网络得到第二空间相关性特征，将第二时间相关性特征和第二空间相关性特征输入至全连接层得到直流支撑电容的电容预测值；其中，预设组合神经网络模型包括第一卷积神经网络、第二卷积神经网络、第一长短期记忆网络、第二长短期记忆网络和全连接层，第一长短期记忆网络与第二长短期记忆网络连接，第一卷积神经网络与第二卷积神经网络连接，第二长短期记忆网络和第二卷积神经网络均与全连接层连接。本发明中基于预设组合神经网络模型对待测试数据进行预测得到直流支撑电容的电容预测值，无需将电容牵引系统中单独拆下，也无需搭建测试电路，即可实现实时电容值的测量，能够适应轨道车辆的实时监测电容值的需要。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
本发明实施例的创新点包括：
1、本发明中基于预设组合神经网络模型对待测试数据进行预测得到直流支撑电容的电容预测值，无需将电容牵引系统中单独拆下，也无需搭建测试电路，即可实现实时电容值的测量，能够适应轨道车辆的实时监测电容值的需要。
2、本发明中基于预设组合神经网络模型对待测试数据进行预测得到直流支撑电容的电容预测值，提供了一种可以测量电容值的方式，达到测量电容值的目的。
3、本发明中可以有效地预测轨道车辆的牵引系统中直流电容的实时准确的电容值，对于支撑轨道车辆的牵引系统以及核心功率元器件进行可靠运行，以及评估设备老化程度和潜在故障风险，减小运营维护成本，具有很强的现实意义。
4、通过设置正则化层的方式，对数据进行正则化处理，使得第一初始卷积神经网络中的每一层都可以接收到相同分布的数据，减少了偏离值对特征提取的影响，同时后层网络受到的影响也会减小。并且，由于偏离值的减少，网络的收敛速度会明显加快，使用较少的训练周期就可以获得较好的训练效果。
5、由于处理后的仿真数据的数据频率为预设频率，而预设频率是本申请的发明人实验得出的既可以满足计算精度的要求，又可以降低模型的计算量的数据频率，因此，在使用处理后的仿真数据进行模型训练时，既可以满足计算精度的要求，又可以降低模型的计算量，提升了计算效率。
6、通过进行正则化处理可以将数据的波动缩小到同一个范围内，即预设波动阈值范围内，减少了数据波动对电容值预测的影响，使得预测结果具有较强的可信度和实用价值。
7、由于本发明实施例提供的预设组合神经网络模型采用的是并联的形式，因此，相比于串联的形式，可以显著减少网络的层数，并且在硬件条件允许的情况下可以提高运算的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍。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为本发明实施例提供的直流支撑电容的电容值预测方法的一种流程示意图；
图2为本发明实施例提供的预设组合神经网络模型的结构示意图；
图3为本发明实施例提供的直流支撑电容的电容值预测装置的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明实施例及附图中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、网络、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本发明实施例公开了一种直流支撑电容的电容值预测方法及装置，能够适应轨道车辆的实时监测电容值的需要。下面对本发明实施例进行详细说明。
图1为本发明实施例提供的直流支撑电容的电容值预测方法的一种流程示意图。该方法应用于电子设备。该方法具体包括以下步骤。
S110：获取待测试数据，其中，待测试数据中至少包括电容电压、电容电流、电网电压和电网电流。
为了进行直流支撑电容的电容值预测，需要获取待测试数据。由于经过发明人的研究发现电容电压、电容电流、电网电压和电网电流与电容值相关性较高，因此，待测试数据中至少包括电容电压、电容电流、电网电压和电网电流。
待测试数据可以为待测试数据集中的任一数据，为了适应轨道车辆的实时监测电容值的需要，待测试数据可以为轨道车辆运行过程中的实时数据。
S120：将待测试数据输入至预设组合神经网络模型，通过预设组合神经网络模型对待测试数据进行复制得到副本数据，将待测试数据和副本数据中的一者输入至第一长短期记忆网络得到第一时间相关性特征，另一者输入至第一卷积神经网络得到第一空间相关性特征，将第一时间相关性特征输入至第二长短期记忆网络得到第二时间相关性特征，将第一空间相关性特征输入至第二卷积神经网络得到第二空间相关性特征，将第二时间相关性特征和第二空间相关性特征输入至全连接层得到直流支撑电容的电容预测值，其中，预设组合神经网络模型包括第一卷积神经网络、第二卷积神经网络、第一长短期记忆网络、第二长短期记忆网络和全连接层，第一长短期记忆网络与第二长短期记忆网络连接，第一卷积神经网络与第二卷积神经网络连接，第二长短期记忆网络和第二卷积神经网络均与全连接层连接。
在获取了待测试数据后，即可将待测试数据输入至预设组合神经网络模型中进行电容值预测。
图2为本发明实施例提供的预设组合神经网络模型的结构示意图，参见图2，本发明实施例提供的预设组合神经网络模型包括第一卷积神经网络、第二卷积神经网络、第一长短期记忆网络、第二长短期记忆网络和全连接层，第一长短期记忆网络与第二长短期记忆网络连接，第一卷积神经网络与第二卷积神经网络连接，第二长短期记忆网络和第二卷积神经网络均与全连接层连接。
待测试数据输入至预设组合神经网络模型后，通过预设组合神经网络模型对待测试数据进行复制得到副本数据，将待测试数据和副本数据中的一者输入至第一长短期记忆网络得到第一时间相关性特征，另一者输入至第一卷积神经网络得到第一空间相关性特征，将第一时间相关性特征输入至第二长短期记忆网络得到第二时间相关性特征，将第一空间相关性特征输入至第二卷积神经网络得到第二空间相关性特征，将第二时间相关性特征和第二空间相关性特征输入至全连接层得到直流支撑电容的电容预测值，其中，时间相关性特征为与时间有关联的特征，空间相关性特征为与空间有关联的特征。
示例性的，一者为待测试数据，则另一者为副本数据。第一长短期记忆网络和第二长短期记忆网络中的长短期记忆网络结构的步长均为8。
由于本发明实施例提供的预设组合神经网络模型采用的是并联的形式，因此，相比于串联的形式，可以显著减少网络的层数，并且在硬件条件允许的情况下可以提高运算的效率。
继续参见图2，第一卷积神经网络可以包括第一卷积层、第一最大池化层和第一激活层，第二卷积神经网络包括第二卷积层、第二最大池化层和第二激活层。
上述将另一者输入至第一卷积神经网络得到第一空间相关性特征，将第一空间相关性特征输入至第二卷积神经网络得到第二空间相关性特征，可以包括：
将另一者输入至第一卷积层，得到第一卷积特征；
将第一卷积特征输入至第一最大池化层，得到第一最大池化后特征；
将第一最大池化后特征输入至第一激活层，得到第一空间相关性特征；
将第一空间相关性特征输入至第二卷积层，得到第二卷积特征；
将第二卷积特征输入至第二最大池化层，得到第二最大池化后特征；
将第二最大池化后特征输入至第二激活层，得到第二空间相关性特征。
具体的，将另一者输入至第一卷积层进行卷积操作，得到第一卷积特征，将第一卷积特征输入至第一最大池化层进行最大池化操作，得到第一最大池化后特征，将第一最大池化后特征输入至第一激活层进行激活操作，得到第一空间相关性特征，然后将将第一空间相关性特征输入至第二卷积层进行卷积操作，得到第二卷积特征，将第二卷积特征输入至第二最大池化层进行最大池化操作，得到第二最大池化后特征，将第二最大池化后特征输入至第二激活层进行激活操作，得到第二空间相关性特征。
由此，另一者通过两个卷积神经网络的计算得到第二空间相关性特征。
上述将第二时间相关性特征和第二空间相关性特征输入至全连接层得到直流支撑电容的电容预测值，可以包括：
通过全连接层的预设线性函数对第二时间相关性特征和第二空间相关性特征进行回归处理，得到直流支撑电容的电容预测值。
将全连接层的激活函数设置为预设线性函数，通过预设线性函数对第二时间相关性特征和第二空间相关性特征进行回归处理，得到直流支撑电容的电容预测值。
上述第一卷积神经网络还可以包括第一块正则化层，第一块正则化层位于第一最大池化层和第一激活层之间，上述第二卷积神经网络还可以包括第二块正则化层，第二块正则化层位于第二最大池化层和第二激活层之间。
上述在将第一最大池化后特征输入至第一激活层，得到第一空间相关性特征之前，上述方法还可以包括：
将第一最大池化后特征输入至第一块正则化层进行正则化处理，得到处理后的第一最大池化后特征，其中，处理后的第一最大池化后特征的波动频率位于预设波动阈值范围内；
将第一最大池化后特征输入至第一激活层，得到第一空间相关性特征，可以包括：
将处理后的第一最大池化后特征输入至第一激活层，得到第一空间相关性特征；
在将第二最大池化后特征输入至第二激活层，得到第二空间相关性特征之前，上述方法还包括：
将第二最大池化后特征输入至第二块正则化层进行正则化处理，得到处理后的第二最大池化后特征，其中，处理后的第二最大池化后特征的波动频率位于预设波动阈值范围内；
将第二最大池化后特征输入至第二激活层，得到第二空间相关性特征，可以包括：
将处理后的第二最大池化后特征输入至第二激活层，得到第二空间相关性特征。
也就是说，在进行最大池化处理后，先将第一最大池化后特征输入至第一块正则化层进行正则化处理，得到处理后的第一最大池化后特征，然后将处理后的第一最大池化后特征输入至第一激活层，得到第一空间相关性特征。在进行最大池化处理后，先将第二最大池化后特征输入至第二块正则化层进行正则化处理，得到处理后的第二最大池化后特征，然后将处理后的第二最大池化后特征输入至第二激活层，得到第二空间相关性特征，其中，预设波动阈值范围可以为[0，1]。
由此，通过进行正则化处理可以将数据的波动缩小到同一个范围内，即预设波动阈值范围内，减少了数据波动对电容值预测的影响，使得预测结果具有较强的可信度和实用价值。
下面对本发明实施例提供的预设组合神经网络模型的训练过程进行介绍：
预设组合神经网络模型的训练过程，可以包括：
获取仿真数据和仿真数据对应的直流支撑电容的电容仿真值，其中，仿真数据中至少包括仿真电容电压、仿真电容电流、仿真电网电压和仿真电网电流；
对仿真数据进行第一预处理，得到处理后的仿真数据；
将处理后的仿真数据以及电容仿真值作为仿真训练数据集输入至初始组合神经网络模型中进行训练，当迭代次数达到第一预设次数时，完成训练，得到使得处理后的仿真数据与电容仿真值相关联的第一组合神经网络模型，其中，初始组合神经网络模型包括第一初始卷积神经网络、第二初始卷积神经网络、第一初始长短期记忆网络、第二初始长短期记忆网络和初始全连接层；
获取轨道车辆牵引系统的半实物仿真平台采集的平台数据和直流支撑电容的电容值，其中，平台数据中至少包括电容电压、电容电流、电网电压和电网电流；
对平台数据进行第二预处理，得到处理后的平台数据；
将处理后的平台数据和电容值作为真实训练数据集输入至第一组合神经网络模型中进行训练，当迭代次数达到第二预设次数时，完成训练，得到使得处理后的平台数据与电容值相关联的预设组合神经网络模型。
在本发明实施例中，进行模型训练的数据包括两种：一种为仿真数据，另一种为真实数据。下面先对仿真数据进行介绍，后续再对真实数据进行介绍。
为了减少模型的计算规模，发明人通过多次预实验，控制变量找出与直流支撑电容的电容值最相关的数据维度。发明人在实验中发现，与直流支撑电容的容值相关性最高的数据维度是电容电压和电容电流，其次是电网电压和电网电流，三相逆变器的3路电流与电容的容值关系最小。因此，仿真数据中至少包括仿真电容电压、仿真电容电流、仿真电网电压和仿真电网电流。
示例性的，仿真数据可以为基于MATLAB生成的仿真数据，其中，MATLAB为matrix&laboratory两个词的组合，意为矩阵工厂或者矩阵实验室。
在获取了仿真数据后，还需要获取与仿真数据对应的直流支撑电容的电容仿真值。无论是仿真数据还是真实数据都不能直接用于模型的训练，需要对两者进行预处理，因此，需要对仿真数据进行第一预处理，得到处理后的仿真数据。
其中，对仿真数据进行第一预处理，得到处理后的仿真数据，可以包括：
对仿真数据进行重采样，得到数据频率为预设频率的重采样后数据；
对重采样后数据进行切片，生成预设长度的多个数据序列；
从多个数据序列中选择预设步长的数据作为处理后的仿真数据，其中，预设步长不小于电容电压的一个波长。
由于所获取的仿真数据可能是不同采样频率的数据，如果数据是高频率则计算精度高，但计算量大，如果数据是低频率则计算精度低，但计算量低，两者都不是最优的状态，因此，本申请的发明人通过对不同采样频率的数据进行神经网络模型预实验，根据模型输出的效果确定出了最佳采样频率即预设频率，该预设频率既可以满足计算精度的要求，又可以降低模型的计算量，然后对仿真数据进行重采样，得到数据频率为预设频率的重采样后数据，由此，统一了数据频率。
由于轨道车辆的牵引系统中的传感器每秒可产生高达7×106条数据，类似的，仿真数据的数量也巨大。因此，为了进一步减轻预设组合神经网络模型的计算压力，对重采样后数据进行切片，生成预设长度的多个数据序列。
然后从多个数据序列中选择预设步长的数据作为处理后的仿真数据，为了保证模型训练的准确性，所选择的数据需要保留原始时间序列数据也就是仿真数据的整体特征，因此需要合理的确定所选择的预设步长的长度，具体的，预设步长不小于电容电压的一个波长，当然，也可以设置预设步长不小于电容电流的一个波长，这都是可以的。
由此，通过对仿真数据进行重采样以及切片的方式得到处理后的仿真数据。
由于处理后的仿真数据的数据频率为预设频率，而预设频率是本申请的发明人实验得出的既可以满足计算精度的要求，又可以降低模型的计算量的数据频率，因此，在使用处理后的仿真数据进行模型训练时，既可以满足计算精度的要求，又可以降低模型的计算量，提升了计算效率。
在得到处理后的仿真数据后，将处理后的仿真数据以及电容仿真值作为仿真训练数据集输入至初始组合神经网络模型中进行训练，当迭代次数达到第一预设次数时，完成训练，得到使得处理后的仿真数据与电容仿真值相关联的第一组合神经网络模型，其中，初始组合神经网络模型包括第一初始卷积神经网络、第二初始卷积神经网络、第一初始长短期记忆网络、第二初始长短期记忆网络和初始全连接层。
具体的，第一初始卷积神经网络可以包括第一初始卷积层、第一初始最大池化层和第一初始激活层，第二卷积神经网络包括第二初始卷积层、第二初始最大池化层和第二初始激活层。
示例性的，第一初始卷积层和第二初始卷积层所采用的优化器均为自适应矩阵估计优化器。
Adam(自适应矩阵估计，Adaptive Moment Estimation)优化器可以模型训练过程中的梯度下降过程进行优化。Adam优化器结合自适应梯度AdaGrad(Adaptive Gradient)和RMSProp(Root Mean Sqaure Prop)两种优化算法的优点，以梯度的一阶矩估计(FirstMoment Estimation)和二阶矩估计(SecondMoment Estimation)，即梯度的均值和方差为参考对第一初始卷积神经网络的步长进行更新。
Adam优化器实现较为简单，计算开销低，内存占用少。Adam优化器的参数更新过程不受梯度变换的影响，可以在有限的范围内进行第一初始卷积神经网络的步长的更新，对于初始学习率的设定较为友好。与此同时，Adam优化器还能够在训练过程中自动调整学习速率，能够较好地适应数据规模大的计算要求。此外，Adam优化器能够有效地对不稳定目标函数进行适应，对于梯度稀疏和梯度噪声问题都有较好的表现。
无论是仿真数据还是真实数据在不同维度上的波动范围差异都很大。由于系统运行要求和电容自身特性的原因，对于电网电压和电容电流等数据指标，其波动范围一般在很小的区间内振荡，而电容电压则会在不断充放电的过程中产生数千伏的波动。
这种数据波动特点在网络模型的训练过程中的反映是：由于不同维度的数据输入的分布不同，在前向传播中输入数据与权重矩阵相乘时，那些分布较大的数据维度会产生许多偏离较大的值。在不断向前传播的过程中，每一层的偏离值都会对后面的层产生影响，偏离会越来越明显。而这种偏差在经过激活函数的时候，会直接进入激活函数的饱和区间，导致激活函数对偏离值的特征不敏感，在反向传播过程中则会造成梯度扩散的问题，导致模型需要更多的训练周期来抵消这种偏离，使收敛速度严重减慢，甚至不收敛。
为了解决上述问题，在第一初始最大池化层和第一初始激活层之间设置第一初始正则化层，在第二初始最大池化层和第二初始激活层之间设置第二初始正则化层，通过第一初始正则化层和第二初始正则化层对数据进行正则化处理，使得数据的波动缩小到同一个范围内，即预设波动阈值范围内，其中，预设波动阈值范围可以为[0，1]。
由此，通过设置正则化层的方式，对数据进行正则化处理，使得第一初始卷积神经网络中的每一层都可以接收到相同分布的数据，减少了偏离值对特征提取的影响，同时后层网络受到的影响也会减小。并且，由于偏离值的减少，网络的收敛速度会明显加快，使用较少的训练周期就可以获得较好的训练效果。
在得到第一组合神经网络模型后，获取轨道车辆牵引系统的半实物仿真平台采集的平台数据和直流支撑电容的电容值，其中，平台数据中至少包括电容电压、电容电流、电网电压和电网电流，此处的平台数据就是真实数据而不是仿真数据。
由于无论是仿真数据还是真实数据都不能直接用于模型的训练，需要对两者进行预处理，因此，需要对真实数据也就是平台数据进行第二预处理，得到处理后的平台数据。
其中，对平台数据进行第二预处理，得到处理后的平台数据，可以包括：
删除平台数据中的缺失数据，得到删除后的平台数据；
对删除后的平台数据进行切分，得到不同工作阶段对应的平台数据；
选择至少两个工作阶段对应的平台数据作为处理后的平台数据。
由于平台数据的总数据量足够丰富，也足够体现出数据特征，因此对于缺失数据可以直接删除，即删除平台数据中的缺失数据，得到删除后的平台数据。
由于轨道车辆是具有不同工作阶段的，例如：起步阶段，加速阶段，匀速阶段，减速阶段，停机阶段，因此，轨道电车的牵引系统在不同工作阶段会得到不同的平台数据，为了研究不同工作阶段得到的平台数据对模型训练效果的影响，需要对删除后的平台数据进行切分，得到不同工作阶段对应的平台数据，这样可以减少不同工作阶段的平台数据的特征相互干扰的影响。
为了研究不同工作阶段得到的平台数据对模型训练效果的影响，可以选择至少两个工作阶段对应的平台数据作为处理后的平台数据。
在得到处理后的平台数据后，将处理后的平台数据和电容值作为真实训练数据集输入至第一组合神经网络模型中进行训练，当迭代次数达到第二预设次数时，完成训练，得到使得处理后的平台数据与电容值相关联的预设组合神经网络模型。
由此，通过仿真数据与真实数据即平台数据完成对模型的训练，得到预设组合神经网络模型。
由上述内容可知，本实施例可以获取待测试数据，其中，待测试数据中至少包括电容电压、电容电流、电网电压和电网电流；将待测试数据输入至预设组合神经网络模型，通过预设组合神经网络模型对待测试数据进行复制得到副本数据，将待测试数据和副本数据中的一者输入至第一长短期记忆网络得到第一时间相关性特征，另一者输入至第一卷积神经网络得到第一空间相关性特征，将第一时间相关性特征输入至第二长短期记忆网络得到第二时间相关性特征，将第一空间相关性特征输入至第二卷积神经网络得到第二空间相关性特征，将第二时间相关性特征和第二空间相关性特征输入至全连接层得到直流支撑电容的电容预测值；其中，预设组合神经网络模型包括第一卷积神经网络、第二卷积神经网络、第一长短期记忆网络、第二长短期记忆网络和全连接层，第一长短期记忆网络与第二长短期记忆网络连接，第一卷积神经网络与第二卷积神经网络连接，第二长短期记忆网络和第二卷积神经网络均与全连接层连接。本发明中基于预设组合神经网络模型对待测试数据进行预测得到直流支撑电容的电容预测值，无需将电容牵引系统中单独拆下，也无需搭建测试电路，即可实现实时电容值的测量，能够适应轨道车辆的实时监测电容值的需要。
并且，现有技术中采用物理公式计算电容值时，所使用的实际传感器记录的电压或者电流存在波纹，导致所使用的实际传感器记录的数据存在质量问题，在通过物理公式和所记录的数据进行计算时会产生波动和误差，而这种波动和误差是非常大的，导致计算得到的电容值与真实的电容值相差甚远，起不到测量电容值的作用，而本发明中基于预设组合神经网络模型对待测试数据进行预测得到直流支撑电容的电容预测值，提供了一种可以测量电容值的方式，达到测量电容值的目的。
以及，本发明中可以有效地预测轨道车辆的牵引系统中直流电容的实时准确的电容值，对于支撑轨道车辆的牵引系统以及核心功率元器件进行可靠运行，以及评估设备老化程度和潜在故障风险，减小运营维护成本，具有很强的现实意义。
本申请的发明人研究发现基于仿真数据对初始组合神经网络模型进行训练和测试，最终训练集正确率均值为95.41％，测试集正确率达到88.51％。通过训练好的预设组合神经网络模型对未知电容值的数据进行验证，最大绝对误差仅为0.1mF，最大相对误差仅为1.1％，最大全寿命误差仅为2％，由此反映出预设组合神经网络模型通过学习具备了对直流支撑电容的电容值进行预测的能力，能够满足实际使用要求，为直流支撑电容以及强电功率器件的健康状态评估和预测提供了新的手段。
相应于上述方法实施例，本发明实施例提供了一种直流支撑电容的电容值预测装置，如图3所示，所述装置可以包括：
获取模块301，用于获取待测试数据，其中，所述待测试数据中至少包括电容电压、电容电流、电网电压和电网电流；
预测模块302，用于将所述待测试数据输入至预设组合神经网络模型，通过所述预设组合神经网络模型对所述待测试数据进行复制得到副本数据，将所述待测试数据和所述副本数据中的一者输入至第一长短期记忆网络得到第一时间相关性特征，另一者输入至第一卷积神经网络得到第一空间相关性特征，将所述第一时间相关性特征输入至第二长短期记忆网络得到第二时间相关性特征，将所述第一空间相关性特征输入至第二卷积神经网络得到第二空间相关性特征，将所述第二时间相关性特征和所述第二空间相关性特征输入至全连接层得到直流支撑电容的电容预测值；
其中，所述预设组合神经网络模型包括所述第一卷积神经网络、所述第二卷积神经网络、所述第一长短期记忆网络、所述第二长短期记忆网络和所述全连接层，所述第一长短期记忆网络与所述第二长短期记忆网络连接，所述第一卷积神经网络与所述第二卷积神经网络连接，所述第二长短期记忆网络和所述第二卷积神经网络均与所述全连接层连接。
本实施例提供的一种直流支撑电容的电容值预测装置，可以获取待测试数据，其中，待测试数据中至少包括电容电压、电容电流、电网电压和电网电流；将待测试数据输入至预设组合神经网络模型，通过预设组合神经网络模型对待测试数据进行复制得到副本数据，将待测试数据和副本数据中的一者输入至第一长短期记忆网络得到第一时间相关性特征，另一者输入至第一卷积神经网络得到第一空间相关性特征，将第一时间相关性特征输入至第二长短期记忆网络得到第二时间相关性特征，将第一空间相关性特征输入至第二卷积神经网络得到第二空间相关性特征，将第二时间相关性特征和第二空间相关性特征输入至全连接层得到直流支撑电容的电容预测值；其中，预设组合神经网络模型包括第一卷积神经网络、第二卷积神经网络、第一长短期记忆网络、第二长短期记忆网络和全连接层，第一长短期记忆网络与第二长短期记忆网络连接，第一卷积神经网络与第二卷积神经网络连接，第二长短期记忆网络和第二卷积神经网络均与全连接层连接。本发明中基于预设组合神经网络模型对待测试数据进行预测得到直流支撑电容的电容预测值，无需将电容牵引系统中单独拆下，也无需搭建测试电路，即可实现实时电容值的测量，能够适应轨道车辆的实时监测电容值的需要。
在一种实现方式中，所述第一卷积神经网络包括第一卷积层、第一最大池化层和第一激活层，所述第二卷积神经网络包括第二卷积层、第二最大池化层和第二激活层，所述预测模块302，可以包括：
第一卷积子模块，用于将另一者输入至所述第一卷积层，得到第一卷积特征；
第一最大池化子模块，用于将所述第一卷积特征输入至所述第一最大池化层，得到第一最大池化后特征；
第一激活子模块，用于将所述第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征；
第二卷积子模块，用于将所述第一空间相关性特征输入至所述第二卷积层，得到第二卷积特征；
第二最大池化子模块，用于将所述第二卷积特征输入至所述第二最大池化层，得到第二最大池化后特征；
第二激活子模块，用于将所述第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征。
在一种实现方式中，所述预测模块302，可以具体用于：
通过所述全连接层的预设线性函数对所述第二时间相关性特征和所述第二空间相关性特征进行回归处理，得到直流支撑电容的电容预测值。
在一种实现方式中，所述第一卷积神经网络还包括第一块正则化层，所述第二卷积神经网络还包括第二块正则化层；
上述直流支撑电容的电容值预测装置，还可以包括：
第一正则处理模块，用于在所述将所述第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征之前，将所述第一最大池化后特征输入至所述第一块正则化层进行正则化处理，得到处理后的第一最大池化后特征，其中，所述处理后的第一最大池化后特征的波动频率位于预设波动阈值范围内；
所述第一激活子模块，可以具体用于：
将处理后的第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征；
上述直流支撑电容的电容值预测装置，还可以包括：
第二正则处理模块，用于在所述将所述第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征之前，将所述第二最大池化后特征输入至所述第二块正则化层进行正则化处理，得到处理后的第二最大池化后特征，其中，所述处理后的第二最大池化后特征的波动频率位于所述预设波动阈值范围内；
所述第二激活子模块，可以具体用于：
将处理后的第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征。
在一种实现方式中，上述直流支撑电容的电容值预测装置，还可以包括训练模块，所述训练模块用于训练所述预设组合神经网络模型，所述训练模块，可以包括：
第一获取子模块，用于获取仿真数据和所述仿真数据对应的直流支撑电容的电容仿真值，其中，所述仿真数据中至少包括仿真电容电压、仿真电容电流、仿真电网电压和仿真电网电流；
第一预处理子模块，用于对所述仿真数据进行第一预处理，得到处理后的仿真数据；
第一训练子模块，用于将处理后的仿真数据以及所述电容仿真值作为仿真训练数据集输入至初始组合神经网络模型中进行训练，当迭代次数达到第一预设次数时，完成训练，得到使得处理后的仿真数据与所述电容仿真值相关联的第一组合神经网络模型，其中，所述初始组合神经网络模型包括第一初始卷积神经网络、第二初始卷积神经网络、第一初始长短期记忆网络、第二初始长短期记忆网络和初始全连接层；
第二获取子模块，用于获取轨道车辆牵引系统的半实物仿真平台采集的平台数据和直流支撑电容的电容值，其中，所述平台数据中至少包括电容电压、电容电流、电网电压和电网电流；
第二预处理子模块，用于对所述平台数据进行第二预处理，得到处理后的平台数据；
第二训练子模块，用于将所述处理后的平台数据和所述电容值作为真实训练数据集输入至所述第一组合神经网络模型中进行训练，当迭代次数达到第二预设次数时，完成训练，得到使得所述处理后的平台数据与所述电容值相关联的预设组合神经网络模型。
在一种实现方式中，所述第一预处理子模块，可以包括：
重采样单元，用于对所述仿真数据进行重采样，得到数据频率为预设频率的重采样后数据；
切片单元，用于对所述重采样后数据进行切片，生成预设长度的多个数据序列；
处理单元，用于从所述多个数据序列中选择预设步长的数据作为处理后的仿真数据，其中，所述预设步长不小于电容电压的一个波长。
在一种实现方式中，所述第二预处理子模块，可以包括：
删除单元，用于删除所述平台数据中的缺失数据，得到删除后的平台数据；
切分单元，用于对删除后的平台数据进行切分，得到不同工作阶段对应的平台数据；
选择单元，用于选择至少两个工作阶段对应的平台数据作为处理后的平台数据。
在一种实现方式中，所述第一长短期记忆网络和所述第二长短期记忆网络中的长短期记忆网络结构的步长均为8。
上述装置实施例与方法实施例相对应，与该方法实施例具有同样的技术效果，具体说明参见方法实施例。装置实施例是基于方法实施例得到的，具体的说明可以参见方法实施例部分，此处不再赘述。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (10)

1.一种直流支撑电容的电容值预测方法，其特征在于，所述方法包括：
获取待测试数据，其中，所述待测试数据中至少包括电容电压、电容电流、电网电压和电网电流；
将所述待测试数据输入至预设组合神经网络模型，通过所述预设组合神经网络模型对所述待测试数据进行复制得到副本数据，将所述待测试数据和所述副本数据中的一者输入至第一长短期记忆网络得到第一时间相关性特征，另一者输入至第一卷积神经网络得到第一空间相关性特征，将所述第一时间相关性特征输入至第二长短期记忆网络得到第二时间相关性特征，将所述第一空间相关性特征输入至第二卷积神经网络得到第二空间相关性特征，将所述第二时间相关性特征和所述第二空间相关性特征输入至全连接层得到直流支撑电容的电容预测值；
其中，所述预设组合神经网络模型包括所述第一卷积神经网络、所述第二卷积神经网络、所述第一长短期记忆网络、所述第二长短期记忆网络和所述全连接层，所述第一长短期记忆网络与所述第二长短期记忆网络连接，所述第一卷积神经网络与所述第二卷积神经网络连接，所述第二长短期记忆网络和所述第二卷积神经网络均与所述全连接层连接。
2.如权利要求1所述的方法，其特征在于，所述第一卷积神经网络包括第一卷积层、第一最大池化层和第一激活层，所述第二卷积神经网络包括第二卷积层、第二最大池化层和第二激活层，所述将另一者输入至第一卷积神经网络得到第一空间相关性特征，将所述第一空间相关性特征输入至第二卷积神经网络得到第二空间相关性特征的步骤，包括：
将另一者输入至所述第一卷积层，得到第一卷积特征；
将所述第一卷积特征输入至所述第一最大池化层，得到第一最大池化后特征；
将所述第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征；
将所述第一空间相关性特征输入至所述第二卷积层，得到第二卷积特征；
将所述第二卷积特征输入至所述第二最大池化层，得到第二最大池化后特征；
将所述第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征。
3.如权利要求1或2所述的方法，其特征在于，所述将所述第二时间相关性特征和所述第二空间相关性特征输入至全连接层得到直流支撑电容的电容预测值的步骤，包括：
通过所述全连接层的预设线性函数对所述第二时间相关性特征和所述第二空间相关性特征进行回归处理，得到直流支撑电容的电容预测值。
4.如权利要求2或3所述的方法，其特征在于，所述第一卷积神经网络还包括第一块正则化层，所述第二卷积神经网络还包括第二块正则化层；
在所述将所述第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征的步骤之前，所述方法还包括：
将所述第一最大池化后特征输入至所述第一块正则化层进行正则化处理，得到处理后的第一最大池化后特征，其中，所述处理后的第一最大池化后特征的波动频率位于预设波动阈值范围内；
所述将所述第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征的步骤，包括：
将处理后的第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征；
在所述将所述第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征的步骤之前，所述方法还包括：
将所述第二最大池化后特征输入至所述第二块正则化层进行正则化处理，得到处理后的第二最大池化后特征，其中，所述处理后的第二最大池化后特征的波动频率位于所述预设波动阈值范围内；
所述将所述第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征的步骤，包括：
将处理后的第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征。
5.如权利要求1所述的方法，其特征在于，所述预设组合神经网络模型的训练过程，包括：
获取仿真数据和所述仿真数据对应的直流支撑电容的电容仿真值，其中，所述仿真数据中至少包括仿真电容电压、仿真电容电流、仿真电网电压和仿真电网电流；
对所述仿真数据进行第一预处理，得到处理后的仿真数据；
将处理后的仿真数据以及所述电容仿真值作为仿真训练数据集输入至初始组合神经网络模型中进行训练，当迭代次数达到第一预设次数时，完成训练，得到使得处理后的仿真数据与所述电容仿真值相关联的第一组合神经网络模型，其中，所述初始组合神经网络模型包括第一初始卷积神经网络、第二初始卷积神经网络、第一初始长短期记忆网络、第二初始长短期记忆网络和初始全连接层；
获取轨道车辆牵引系统的半实物仿真平台采集的平台数据和直流支撑电容的电容值，其中，所述平台数据中至少包括电容电压、电容电流、电网电压和电网电流；
对所述平台数据进行第二预处理，得到处理后的平台数据；
将所述处理后的平台数据和所述电容值作为真实训练数据集输入至所述第一组合神经网络模型中进行训练，当迭代次数达到第二预设次数时，完成训练，得到使得所述处理后的平台数据与所述电容值相关联的预设组合神经网络模型。
6.如权利要求5所述的方法，其特征在于，所述对所述仿真数据进行第一预处理，得到处理后的仿真数据的步骤，包括：
对所述仿真数据进行重采样，得到数据频率为预设频率的重采样后数据；
对所述重采样后数据进行切片，生成预设长度的多个数据序列；
从所述多个数据序列中选择预设步长的数据作为处理后的仿真数据，其中，所述预设步长不小于电容电压的一个波长。
7.如权利要求5所述的方法，其特征在于，所述对所述平台数据进行第二预处理，得到处理后的平台数据的步骤，包括：
删除所述平台数据中的缺失数据，得到删除后的平台数据；
对删除后的平台数据进行切分，得到不同工作阶段对应的平台数据；
选择至少两个工作阶段对应的平台数据作为处理后的平台数据。
8.如权利要求1所述的方法，其特征在于，所述第一长短期记忆网络和所述第二长短期记忆网络中的长短期记忆网络结构的步长均为8。
9.一种直流支撑电容的电容值预测装置，其特征在于，所述装置包括：
获取模块，用于获取待测试数据，其中，所述待测试数据中至少包括电容电压、电容电流、电网电压和电网电流；
预测模块，用于将所述待测试数据输入至预设组合神经网络模型，通过所述预设组合神经网络模型对所述待测试数据进行复制得到副本数据，将所述待测试数据和所述副本数据中的一者输入至第一长短期记忆网络得到第一时间相关性特征，另一者输入至第一卷积神经网络得到第一空间相关性特征，将所述第一时间相关性特征输入至第二长短期记忆网络得到第二时间相关性特征，将所述第一空间相关性特征输入至第二卷积神经网络得到第二空间相关性特征，将所述第二时间相关性特征和所述第二空间相关性特征输入至全连接层得到直流支撑电容的电容预测值；
其中，所述预设组合神经网络模型包括所述第一卷积神经网络、所述第二卷积神经网络、所述第一长短期记忆网络、所述第二长短期记忆网络和所述全连接层，所述第一长短期记忆网络与所述第二长短期记忆网络连接，所述第一卷积神经网络与所述第二卷积神经网络连接，所述第二长短期记忆网络和所述第二卷积神经网络均与所述全连接层连接。
10.如权利要求9所述的装置，其特征在于，所述第一卷积神经网络包括第一卷积层、第一最大池化层和第一激活层，所述第二卷积神经网络包括第二卷积层、第二最大池化层和第二激活层，所述预测模块，包括：
第一卷积子模块，用于将另一者输入至所述第一卷积层，得到第一卷积特征；
第一最大池化子模块，用于将所述第一卷积特征输入至所述第一最大池化层，得到第一最大池化后特征；
第一激活子模块，用于将所述第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征；
第二卷积子模块，用于将所述第一空间相关性特征输入至所述第二卷积层，得到第二卷积特征；
第二最大池化子模块，用于将所述第二卷积特征输入至所述第二最大池化层，得到第二最大池化后特征；
第二激活子模块，用于将所述第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征。
CN202110569726.7A 2021-05-25 2021-05-25 一种直流支撑电容的电容值预测方法及装置 Active CN113343560B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110569726.7A CN113343560B (zh) 2021-05-25 2021-05-25 一种直流支撑电容的电容值预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110569726.7A CN113343560B (zh) 2021-05-25 2021-05-25 一种直流支撑电容的电容值预测方法及装置

Publications (2)

Publication Number Publication Date
CN113343560A CN113343560A (zh) 2021-09-03
CN113343560B true CN113343560B (zh) 2022-07-12

Family

ID=77471166

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110569726.7A Active CN113343560B (zh) 2021-05-25 2021-05-25 一种直流支撑电容的电容值预测方法及装置

Country Status (1)

Country Link
CN (1) CN113343560B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105045952A (zh) * 2015-05-29 2015-11-11 许继电气股份有限公司 模块化多电平换流器多维度建模方法与仿真方法
WO2018215864A1 (ja) * 2017-05-22 2018-11-29 株式会社半導体エネルギー研究所 充電制御システム、及び充電制御装置
CN110188920A (zh) * 2019-04-26 2019-08-30 华中科技大学 一种锂电池剩余寿命预测方法
CN111680848A (zh) * 2020-07-27 2020-09-18 中南大学 基于预测模型融合的电池寿命预测方法及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105045952A (zh) * 2015-05-29 2015-11-11 许继电气股份有限公司 模块化多电平换流器多维度建模方法与仿真方法
WO2018215864A1 (ja) * 2017-05-22 2018-11-29 株式会社半導体エネルギー研究所 充電制御システム、及び充電制御装置
CN110188920A (zh) * 2019-04-26 2019-08-30 华中科技大学 一种锂电池剩余寿命预测方法
CN111680848A (zh) * 2020-07-27 2020-09-18 中南大学 基于预测模型融合的电池寿命预测方法及存储介质

Also Published As

Publication number Publication date
CN113343560A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
JP5944291B2 (ja) バッテリのパラメータ等推定装置およびその推定方法
CN113609955B (zh) 一种基于深度学习和数字孪生的三相逆变器参数辨识方法
CN110190600B (zh) 一种基于ami量测近邻回归的三相配电网拓扑辨识方法
CN110705456A (zh) 一种基于迁移学习的微型电机异常检测方法
CN111239549A (zh) 一种基于离散小波变换的配电故障快速定位方法
CN111308260B (zh) 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法
CN111426905B (zh) 一种配电网同母线变关系异常诊断方法、装置及系统
CN110610226A (zh) 一种发电机故障预测方法及装置
CN113203464A (zh) 一种动态车载称重系统的传感器故障检测方法
CN111398814A (zh) 一种软启动器控制的电机故障检测与智能快速诊断方法
CN113866614A (zh) 一种多场景用户侧低压直流开关电弧故障诊断方法及装置
CN113343560B (zh) 一种直流支撑电容的电容值预测方法及装置
CN113740671A (zh) 一种基于vmd和elm的故障电弧识别方法
CN113514743A (zh) 一种基于多维特征的gis局部放电模式识别系统构建方法
CN108334822B (zh) 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法
CN115313329A (zh) 一种用于快速行波保护的频带范围选取方法及相关装置
CN112729531B (zh) 配电变压器设备故障研判方法及系统
CN115409245A (zh) 电力系统的预测辅助状态估计方法、装置、设备及介质
CN111062538B (zh) 空间负荷预测中确定元胞负荷合理最大值的ceemd方法
Deng et al. A fractional hilbert transform order optimization algorithm based DE for bearing health monitoring
CN111126659A (zh) 一种电力负荷预测方法及系统
CN114384321A (zh) 一种配电网谐波状态分段估计方法及系统
CN114034375B (zh) 一种特高压输电线路噪声测量系统及方法
CN112964963B (zh) 基于ca-wmm的混合直流线路故障测距方法及系统
CN117538760B (zh) 一种铅酸蓄电池参数辨识方法及相关装置

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