CN113486965A - 一种车网电气耦合数据的异常辨识模型的训练方法 - Google Patents
一种车网电气耦合数据的异常辨识模型的训练方法 Download PDFInfo
- Publication number
- CN113486965A CN113486965A CN202110796202.1A CN202110796202A CN113486965A CN 113486965 A CN113486965 A CN 113486965A CN 202110796202 A CN202110796202 A CN 202110796202A CN 113486965 A CN113486965 A CN 113486965A
- Authority
- CN
- China
- Prior art keywords
- data
- training data
- abnormal
- training
- vehicle network
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (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的训练方法,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;异常辨识模型包括用于提取低层次特征的特征提取单元和用于提取高层次特征的残差块单元。可对电压数据或电流数据进行标注,并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,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的训练方法。
背景技术
电气化铁路领域,电力机车、动车组等与牵引供电系统之间存在复杂的车网电气耦合关系,关乎电气化铁路运营的安全性、可靠性、稳定性等。车网电气耦合关系恶化导致的异常类型繁多,不同异常类型在电气化铁路运营的不同方面造成不利影响,威胁列车的安全稳定运行、造成经济损失等等。
目前,车网耦合异常主要依靠有经验的技术人员进行人工辨识,显然无法处理庞大的监测数据量,车网耦合异常往往最终导致电气事故的发生;此外,由于故障录波保存信息有限,会大大增加分析故障的难度。针对该问题,实时监测车网电气耦合状态,及时发现异常状况、保存记录异常状态波形并及时预警,是避免电气事故、分析异常原因的重要前提。
传统的车网电气耦合异常识别方法往往只针对某种单个车网电气耦合异常,而实际中车网电气耦合关系受地理环境和气象条件变化的影响,单类型识别方法显然无法适应实际中多异常类型频发的情况。此外,这种基于模型驱动的识别方法往往需要对异常类型进行机理分析,而每种异常类型的发生机理并不相同,并且,对于未被定义的异常类型,分析其发生机理显然是十分困难的,这也给建立车网电气耦合异常识别体系带来了很大困难。
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的训练方法,用以解决传统的基于模型驱动的车网电气耦合异常识别方法无法适应实际中多异常类型频发的情况。
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的训练方法,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;异常辨识模型包括用于提取低层次特征的特征提取单元和用于提取高层次特征的残差块单元。
上述技术方案中,可对电压数据或电流数据进行标注,并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,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;
根据归一化的数据集,获取训练数据集;其中,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,数据预处理,包括三部分内容:数据格式统一、数据尺寸统一、数据标准化处理。其中,数据格式统一将监测设备记录的数据格式转换为便于网络模型读取的数据格式;数据尺寸统一指将格式转换后的电压数据和电流数据,以固定的时间单位格式分割成数据集,为后续网络模型处理做准备;数据标准化,鉴于车网电压数据以及车网电流数据的特点差异,采用不同方法对车网数据进行预处理。对于相对平稳的车网电压数据,其数据处理方式如下:
对于随车况变化的车网电流数据处理方式如下:
人工标注,对处理后的车网电压数据或电流数据进行人工标注,构成车网电气耦合数据集:电压正常数据集、电压异常数据集;或,电流正常数据集、电流异常数据集。
在一些可选的实施方式中,训练数据集的训练数据为电压数据时,异常状态包括电压振荡状态和/或过电压状态;
训练数据集的训练数据为电流数据时,异常状态包括应涌流状态、励磁涌流状态、接地短路状态和电流冲击状态中的至少一种。
上述技术方案中,对训练数据的标注可进行进一步细分,正常数据包括电力机车/动车组不同车况条件下的电压数据及其对应的电流数据,例如过分相、加速运行、减速运行、惰性、空载等;异常电压数据包括电高次谐波谐振、低频振荡、电压振荡以及过电压等电压异常现象;异常电流数据主要包括大电流冲击,例如励磁涌流、和应涌流、短路等。
在一些可选的实施方式中,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,包括:
将训练数据输入特征提取单元,初步提取训练数据中的低层次特征,得到第一特征图;
将第一特征图输入残差块单元,提取训练数据中的高层次特征,得到第二特征图;
根据第二特征图,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,采用特征提取单元对电压数据进行初步的特征提取,得到低层次特征,之后,为避免深层神经网络的梯度消失问题,采用残差块单元逐步提取特征图的高层次特征,利用高层次特征进行车网电气耦合数据的分类辨识。根据带标签的正常电压数据和异常电压数据训练电压异常识别网络,通过计算损失、计算梯度、反向传播、更新参数,建立电压信号与标签之间的非线性映射关系。
在一些可选的实施方式中,将训练数据输入特征提取单元之前,还包括:
对训练数据进行下采样处理,初步提取训练数据的有效特征。
在一些可选的实施方式中,特征提取单元包括至少一个特征提取模块,特征提取模块包括卷积层、池化层、标准化层和激活层中的至少一个;
将训练数据输入特征提取单元,初步提取训练数据中的低层次特征,得到第一特征图,包括:
通过卷积层提取训练数据中的特征信息;
在卷积操作后,采用池化层对训练数据滤除冗余信息,突出特征信息;
利用标准化层将特征图移动到中心区域;
利用激活层赋予网络非线性特性,训练数据为电压数据时,激活层采用ReLu函数作为激活函数;训练数据为电流数据时,激活层采用tanh函数作为激活函数。
上述技术方案中,构建特征提取模块对数据进行处理,调整数据尺寸,特征提取模块包括卷积层、池化层、标准化层和激活层,卷积层一方面提取数据中的特征信息,另一方面将数据尺寸调整为[数据批处理数,通道数,信号序列长度],在卷积操作后,采用池化层对数据进行进一步处理,滤除冗余信息,突出特征信息,数据尺寸中的信号序列信息减少;标准化层主要将特征图移动到中心区域,在训练过程中可以加速网络收敛;激活层赋予网络非线性特性,由此构成一个特征提取模块,采用特征提取模块堆叠的方式初步提取信号中的低层次特征。
在一些可选的实施方式中,残差块单元包括至少一个残差块,残差块包括第一卷积层、标准化层、激活层和第二卷积层中的至少一个;
将第一特征图输入残差块单元,提取训练数据中的高层次特征,得到第二特征图,包括:
利用第一卷积层,对第一特征图进行特征提取;
利用标准化层,将特征提取后的第一特征图进行标准化;
利用第二卷积层,将标准化后的第一特征图进行特征提取,得到第三特征图;
将第三特征图与第一特征图相加得到第二特征图。
上述技术方案中,构建残差块单元,由若干个残差块堆叠构成,残差块中,输入特征图首先进入第一卷积层,经过特征提取后进入标准化层,之后进入第二卷积层,最终,第二卷积层输出的特征图与残差块输入特征图相加得到最终的输出特征图以缓解深层次网络梯度消失的问题,残差块提取特征过程中,特征图的信号序列尺寸保持不变,经过多个残差块堆叠,逐步从信号中提取得到高层次的特征。
在一些可选的实施方式中,异常辨识模型还包括全连接单元,全连接单元包括至少一个全连接层。
上述技术方案中,采用若干层全连接层对提取得到的高层次特征进一步选择,最后一层全连接层输出预测结果。
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,通过深度学习中的残差神经网络建立车网电气耦合数据的异常辨识模型,利用深度学习的优势高效处理海量的车网电气监测数据,在电气化铁路车网电气异常识别领域计算速度快、效率高、实施成本低,具有较强的应用性和推广性。
本申请实施例提供的一种电子设备,包括:处理器和存储器,存储器存储有处理器可执行的机器可读指令,机器可读指令被处理器执行时执行如以上任一的方法。
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的训练方法步骤流程图;
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为特征提取单元的一种可能的结构示意图;
图5为残差块单元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为本申请实施例提供的电压异常辨识模型的工作流程图;
图8为本申请实施例提供的电流异常辨识模型的工作流程图;
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的训练方法,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的训练方法步骤流程图,包括:
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;
步骤100中训练数据集的获取方式,包括:
110、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。
即,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。
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:
121、对样本数据,以固定的时间间隔划分得到数据集;
122、对数据集中数据做标准化处理,得到归一化的数据集;
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。
123、根据归一化的数据集,获取训练数据集;其中,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。
即,数据预处理,包括三部分内容:数据格式统一、数据尺寸统一、数据标准化处理。其中,数据格式统一将监测设备记录的数据格式转换为便于网络模型读取的数据格式;数据尺寸统一指将格式转换后的电压数据和电流数据,以固定的时间单位格式分割成数据集,为后续网络模型处理做准备;数据标准化,鉴于车网电压数据以及车网电流数据的特点差异,采用不同方法对车网数据进行预处理。对于相对平稳的车网电压数据,其数据处理方式如下:
对于随车况变化的车网电流数据处理方式如下:
人工标注,对处理后的车网电压数据或电流数据进行人工标注,构成车网电气耦合数据集:电压正常数据集、电压异常数据集;或,电流正常数据集、电流异常数据集。
在另一些实施例中,训练数据集的训练数据为电压数据时,异常状态包括电压振荡状态和/或过电压状态;训练数据集的训练数据为电流数据时,异常状态包括应涌流状态、励磁涌流状态、接地短路状态和电流冲击状态中的至少一种。
具体的,对训练数据的标注可进行进一步细分,正常数据包括电力机车/动车组不同车况条件下的电压数据及其对应的电流数据,例如过分相、加速运行、减速运行、惰性、空载等;异常电压数据包括电高次谐波谐振、低频振荡、电压振荡以及过电压等电压异常现象;异常电流数据主要包括大电流冲击,例如励磁涌流、和应涌流、短路等。
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;异常辨识模型包括用于提取低层次特征的特征提取单元和用于提取高层次特征的残差块单元。
本发明实施例中,可对电压数据或电流数据进行标注,并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,能够实时监测车网电气耦合状态,满足了实际工程需求。
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:
210、将训练数据输入特征提取单元,初步提取训练数据中的低层次特征,得到第一特征图;
220、将第一特征图输入残差块单元,提取训练数据中的高层次特征,得到第二特征图;
230、根据第二特征图,进行车网电气耦合数据的分类辨识;
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,采用特征提取单元对电压数据进行初步的特征提取,得到低层次特征,之后,为避免深层神经网络的梯度消失问题,采用残差块单元逐步提取特征图的高层次特征,利用高层次特征进行车网电气耦合数据的分类辨识。根据带标签的正常电压数据和异常电压数据训练电压异常识别网络,通过计算损失、计算梯度、反向传播、更新参数,建立电压信号与标签之间的非线性映射关系。
在步骤200之前,即在将电压数据输入特征提取单元之前,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)或电流时域信号(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为特征提取单元的一种可能的结构示意图,特征提取单元包括至少一个特征提取模块,特征提取模块包括卷积层、池化层、标准化层和激活层中的至少一个;
因此,将训练数据输入特征提取单元,初步提取训练数据中的低层次特征,得到第一特征图,包括:
211、通过卷积层提取训练数据中的特征信息;
212、在卷积操作后,采用池化层对训练数据滤除冗余信息,突出特征信息;
213、利用标准化层将特征图移动到中心区域;
214、利用激活层赋予网络非线性特性,训练数据为电压数据时,激活层采用ReLu函数作为激活函数;训练数据为电流数据时,激活层采用tanh函数作为激活函数。
本申请实施例中构建特征提取模块对数据进行处理,调整数据尺寸,特征提取模块包括卷积层、池化层、标准化层和激活层,卷积层一方面提取数据中的特征信息,另一方面将数据尺寸调整为[数据批处理数,通道数,信号序列长度],在卷积操作后,采用池化层对数据进行进一步处理,滤除冗余信息,突出特征信息,数据尺寸中的信号序列信息减少;标准化层主要将特征图移动到中心区域,在训练过程中可以加速网络收敛;激活层赋予网络非线性特性,由此构成一个特征提取模块,采用特征提取模块堆叠的方式初步提取信号中的低层次特征。
请参照图5,图5为残差块单元的一种可能的结构示意图,残差块单元包括至少一个残差块,残差块包括第一卷积层、标准化层、激活层和第二卷积层中的至少一个;
因此,将第一特征图输入残差块单元,提取训练数据中的高层次特征,得到第二特征图,包括:
221、利用第一卷积层,对第一特征图进行特征提取;
222、利用标准化层,将特征提取后的第一特征图进行标准化;
223、利用第二卷积层,将标准化后的第一特征图进行特征提取,得到第三特征图;
224、将第三特征图与第一特征图相加得到第二特征图。
本申请实施例中构建残差块单元,由若干个残差块堆叠构成,残差块中,输入特征图首先进入第一卷积层,经过特征提取后进入标准化层,之后进入第二卷积层,最终,第二卷积层输出的特征图与残差块输入特征图相加得到最终的输出特征图以缓解深层次网络梯度消失的问题,残差块提取特征过程中,特征图的信号序列尺寸保持不变,经过多个残差块堆叠,逐步从信号中提取得到高层次的特征。
异常辨识模型还包括全连接单元,全连接单元包括至少一个全连接层,采用若干层全连接层对提取得到的高层次特征进一步选择,最后一层全连接层输出预测结果。
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,该方法属于监督学习方式,具体包括:
310、获取同时间的车网电压数据以及车网电流数据,根据车网数据特点分别对电压电流数据进行预处理。
实际中获取数量上、不同车况下的正常电压数据和正常电流数据是容易的,但获取数量上、种类上足够的异常电压数据和异常电流数据是困难的,为了构造有效的训练数据集,需要通过仿真模拟得到足够数量、种类的异常电压数据以及异常电流数据。
实测数据来源于地面牵引变电所以及电力机车/动车组,分别对实测数据和仿真数据进行处理:统一格式,包括将记录的监测数据以及仿真得到的数据进行格式转换成易于网络模型读取处理的二进制数据格式;统一数据尺寸,包括将实测数据和仿真数据以固定时间长度进行分割得到数据集,鉴于电气化铁路中出现的准稳态、暂态以及瞬态异常现象,将固定时间长度设为1s,此外,鉴于电气化铁路中谐波谐振中的高次谐波信号,采样频率应满足奈奎斯特采样定理,采样频率设置为25600Hz,至此,每个电压数据和电流数据的尺寸为1*25600;数据预处理:考虑到神经网络更擅于处理[-1,1]之间的数据,对数据进行标准化处理,且鉴于电气化铁路中电压数据较稳定而电流数据受车况影响严重,采用不同的标准化处理电压数据和电流数据:
之后,对得到的电压数据以及电流数据进行人工标注,最终构造车网电气耦合电压数据集:电压正常数据集、电压异常数据集,以及电流数据集:电流正常数据集、电流异常数据集。
320、基于深度学习中的神经网络分别建立车网电气耦合电压异常辨识模型和车网电气耦合电流异常辨识模型。
构建车网电气耦合电压异常辨识模型及电流异常辨识模型。
电压异常辨识模型中,首先建立下采样层滤除数据中的冗余信息,将数据尺寸由1*25600转换至1*1600或者更小的数据尺寸;其次,构建特征提取模块对数据进行处理,调整数据尺寸,特征提取模块包括卷积层、池化层、标准化层和激活层,卷积层一方面提取数据中的特征信息,另一方面将数据尺寸调整为[数据批处理数,通道数,信号序列长度],在卷积操作后,采用池化层对数据进行进一步处理,滤除冗余信息,突出特征信息,数据尺寸中的信号序列信息减少;标准化层主要将特征图移动到中心区域,在训练过程中可以加速网络收敛;激活层赋予网络非线性特性,由此构成一个特征提取模块,采用特征提取模块堆叠的方式初步提取信号中的低层次特征;之后,构建残差神经网络(残差块单元),由若干个残差块堆叠构成,残差块中,输入特征图首先进入第一卷积层,经过特征提取后进入标准化层,之后进入第二卷积层,最终,第二卷积层输出的特征图与残差块输入特征图相加得到最终的输出特征图以缓解深层次网络梯度消失的问题,残差块提取特征过程中,特征图的信号序列尺寸保持不变,经过多个残差块堆叠,逐步从信号中提取得到高层次的特征;最后,采用若干个全连接层对特征进一步处理和筛选,最后一层全连接层输出判断结果,电压异常辨识模型如图7所示。
类似地,构建电流异常辨识模型如图8所示,首先利用下采样层滤除数据中的冗余信息,压缩数据尺寸;其次,构建特征提取模块对数据进行处理,调整数据尺寸,特征提取模块包括卷积层、池化层、标准化层和激活层;之后,构建残差神经网络,多个残差块堆叠逐步从信号中提取得到高层次的特征;最后,采用若干个全连接层对特征进一步处理和筛选,最终输出判断结果。
330、采用仿真数据、实测电力机车/动车组数据以及实测牵引变电所监测数据分别对电压异常辨识模型和电流异常辨识模型进行训练。
利用获得的电压数据集训练电压异常辨识模型,电流数据集训练电流异常辨识模型,图7和图8中以低频振荡信号为例,训练过程中,网络模型的前向传播会计算得到输出结果,计算输出结果与真实标签的误差,计算梯度并完成网络的反向传播,更新网络参数,经过大量训练以建立电压信号与电压真实标签、电流信号与电流信号标签的非线性映射关系,由此建立车网电气耦合电压异常辨识模型以及电流异常辨识模型。
340、利用训练后的电压异常辨识模型和电流异常辨识模型处理待识别电气化铁路中的车网数据。
请参照图9,图9为一种对实际监测数据进行预测的流程图,利用获得的电压异常辨识模型以及电流异常辨识模型进行工程应用,包括:监测数据预处理,经监测设备记录的数据需要通过数据格式转换、数据尺寸统一以及数据标准化操作,该操作与构造训练集的方法相同;结果预测,在应用阶段,网络不再进行反向传播,网络权重不再进行变化,只进行前向传播,网络模型能够快速输出预测结果。车网电气耦合数据包括电压数据以及对应的电流数据,将处理后的电压数据和电流数据分别输入电压异常辨识模型和电流异常辨识模型,分别得到同一时刻的电压预测结果和电流预测结果,即同一时刻的车网电气耦合状态由两个预测结果共同决定。
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的训练方法,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用于提取低层次特征的特征提取单元和用于提取高层次特征的残差块单元。
2.如权利要求1所述的方法,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所述的方法,其特征在于,
所述训练数据集的训练数据为电压数据时,所述异常状态包括电压振荡状态和/或过电压状态;
所述训练数据集的训练数据为电流数据时,所述异常状态包括应涌流状态、励磁涌流状态、接地短路状态和电流冲击状态中的至少一种。
5.如权利要求4所述的方法,其特征在于,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,得到训练后的异常辨识模型,包括:
将所述训练数据输入特征提取单元,初步提取所述训练数据中的低层次特征,得到第一特征图;
将第一特征图输入残差块单元,提取所述训练数据中的高层次特征,得到第二特征图;
根据第二特征图,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所述的方法,其特征在于,所述将所述训练数据输入特征提取单元之前,还包括:
对所述训练数据进行下采样处理,初步提取所述训练数据的有效特征。
7.如权利要求5所述的方法,其特征在于,所述特征提取单元包括至少一个特征提取模块,所述特征提取模块包括卷积层、池化层、标准化层和激活层中的至少一个;
所述将所述训练数据输入特征提取单元,初步提取所述训练数据中的低层次特征,得到第一特征图,包括:
通过卷积层提取所述训练数据中的特征信息;
在卷积操作后,采用池化层对所述训练数据滤除冗余信息,突出特征信息;
利用标准化层将特征图移动到中心区域;
利用激活层赋予网络非线性特性,所述训练数据为电压数据时,所述激活层采用ReLu函数作为激活函数;所述训练数据为电流数据时,所述激活层采用tanh函数作为激活函数。
8.如权利要求5所述的方法,其特征在于,所述残差块单元包括至少一个残差块,所述残差块包括第一卷积层、标准化层、激活层和第二卷积层中的至少一个;
所述将第一特征图输入残差块单元,提取所述训练数据中的高层次特征,得到第二特征图,包括:
利用第一卷积层,对第一特征图进行特征提取;
利用标准化层,将特征提取后的第一特征图进行标准化;
利用第二卷积层,将标准化后的第一特征图进行特征提取,得到第三特征图;
将第三特征图与第一特征图相加得到第二特征图。
9.如权利要求1所述的方法,其特征在于,所述异常辨识模型还包括全连接单元,所述全连接单元包括至少一个全连接层。
10.如权利要求1-9任一所述的方法,其特征在于,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110796202.1A CN113486965A (zh) | 2021-07-14 | 2021-07-14 | 一种车网电气耦合数据的异常辨识模型的训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110796202.1A CN113486965A (zh) | 2021-07-14 | 2021-07-14 | 一种车网电气耦合数据的异常辨识模型的训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113486965A true CN113486965A (zh) | 2021-10-08 |
Family
ID=77939522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110796202.1A Pending CN113486965A (zh) | 2021-07-14 | 2021-07-14 | 一种车网电气耦合数据的异常辨识模型的训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486965A (zh) |
Cited By (1)
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110488607A (zh) * | 2019-08-13 | 2019-11-22 | 湘潭大学 | 一种基于卷积残差网络和迁移学习对车刀磨损的识别方法 |
CN110728195A (zh) * | 2019-09-18 | 2020-01-24 | 武汉大学 | 基于yolo算法的电能质量扰动检测方法 |
CN110929847A (zh) * | 2019-11-15 | 2020-03-27 | 国网浙江省电力有限公司电力科学研究院 | 一种基于深度卷积神经网络的换流变压器故障诊断方法 |
US20200375500A1 (en) * | 2018-02-23 | 2020-12-03 | Loma Linda University | Systems and methods for detection and correction of abnormal movements |
CN112200038A (zh) * | 2020-09-29 | 2021-01-08 | 国网四川省电力公司经济技术研究院 | 一种基于cnn的电力系统振荡类型的快速辨识方法 |
CN112418202A (zh) * | 2021-01-11 | 2021-02-26 | 上海恒能泰企业管理有限公司 | 一种基于MaskRCNN的变电设备异常识别定位方法及系统 |
CN112560968A (zh) * | 2020-12-21 | 2021-03-26 | 齐鲁工业大学 | 一种基于卷积和残差网络的her2图像分类方法及系统 |
-
2021
- 2021-07-14 CN CN202110796202.1A patent/CN113486965A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200375500A1 (en) * | 2018-02-23 | 2020-12-03 | Loma Linda University | Systems and methods for detection and correction of abnormal movements |
CN110488607A (zh) * | 2019-08-13 | 2019-11-22 | 湘潭大学 | 一种基于卷积残差网络和迁移学习对车刀磨损的识别方法 |
CN110728195A (zh) * | 2019-09-18 | 2020-01-24 | 武汉大学 | 基于yolo算法的电能质量扰动检测方法 |
CN110929847A (zh) * | 2019-11-15 | 2020-03-27 | 国网浙江省电力有限公司电力科学研究院 | 一种基于深度卷积神经网络的换流变压器故障诊断方法 |
CN112200038A (zh) * | 2020-09-29 | 2021-01-08 | 国网四川省电力公司经济技术研究院 | 一种基于cnn的电力系统振荡类型的快速辨识方法 |
CN112560968A (zh) * | 2020-12-21 | 2021-03-26 | 齐鲁工业大学 | 一种基于卷积和残差网络的her2图像分类方法及系统 |
CN112418202A (zh) * | 2021-01-11 | 2021-02-26 | 上海恒能泰企业管理有限公司 | 一种基于MaskRCNN的变电设备异常识别定位方法及系统 |
Non-Patent Citations (2)
Title |
---|
HUIQIAO REN等: "Real-Time Automatic Anomaly Detection Approach Designed for Electrified Railway Power System", 《2021 THE 7TH INTERNATIONAL CONFERENCE ON MECHATRONICS AND ROBOTICS ENGINEERING》 * |
孙鹏: "风电机组状态异常辨识广义模型与运行风险评估方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105196877A (zh) | 电动汽车高压电系统健康状态诊断预警电路及方法 | |
US20210157308A1 (en) | Fault signal recovery system and method | |
CN113283550A (zh) | 一种车网电气耦合数据的异常辨识模型训练方法 | |
CN113486965A (zh) | 一种车网电气耦合数据的异常辨识模型的训练方法 | |
CN112766618A (zh) | 异常预测方法及装置 | |
CN114839492A (zh) | 一种基于mobilenetv3的gis局部放电类型识别方法及装置 | |
CN114548154A (zh) | 一种重要厂用水泵智能诊断的方法及装置 | |
CN114091549A (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
CN113297033A (zh) | 基于云端监测数据的车辆电控系统健康评估方法和系统 | |
CN110888011B (zh) | 一种基于测试性建模的原位测试方法及测试装置 | |
CN116243103A (zh) | 基于多源数据的输变电设备状态智能感知预警方法 | |
CN116541748A (zh) | 基于人工智能技术的电网故障诊断方法和系统 | |
CN113033889B (zh) | 高压输电线路故障预测方法、装置及终端设备 | |
CN110133501A (zh) | 一种基于专家系统引导的电力机车写极永磁同步牵引系统 | |
CN115840881A (zh) | 空气数据处理方法、装置及相关设备 | |
CN112287953A (zh) | 一种用于gis绝缘缺陷类别识别的方法及系统 | |
CN115906350A (zh) | 一种微电网故障定位和诊断方法 | |
CN113591586A (zh) | 一种基于5g的输电线路覆冰厚度计算方法及系统 | |
CN203786198U (zh) | 一种客运机车dc600v直供电车载检测装置 | |
CN114757455B (zh) | 一种基于伺服电机时序数据的地沟台车异常预测方法及系统 | |
CN111371405A (zh) | 一种光伏电站故障检测系统及机器学习故障检测方法 | |
CN108226662B (zh) | 一种机载计算机故障预测方法 | |
CN117074840B (zh) | 直流充电桩在线测试系统 | |
Sun et al. | Transmission Line Fault Diagnosis Method Based on Improved Multiple SVM Model |
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 |