CN114444798A - 一种基于时空分布技术的接触网运维方法和装置 - Google Patents
一种基于时空分布技术的接触网运维方法和装置 Download PDFInfo
- Publication number
- CN114444798A CN114444798A CN202210098588.3A CN202210098588A CN114444798A CN 114444798 A CN114444798 A CN 114444798A CN 202210098588 A CN202210098588 A CN 202210098588A CN 114444798 A CN114444798 A CN 114444798A
- Authority
- CN
- China
- Prior art keywords
- nest
- contact
- bird
- prediction model
- contact 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005516 engineering process Methods 0.000 title claims abstract description 14
- 235000005770 birds nest Nutrition 0.000 claims abstract description 104
- 235000005765 wild carrot Nutrition 0.000 claims abstract description 104
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000002265 prevention Effects 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000001364 causal effect Effects 0.000 claims description 6
- 230000006378 damage Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 241000728173 Sarima Species 0.000 claims 4
- 230000001932 seasonal effect Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 5
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 244000000626 Daucus carota Species 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时空分布技术的接触网运维方法和装置，方法包括获取接触网鸟窝历史数据和接触网鸟窝发生致因因素的历史数据；基于获取的历史数据，构建得到接触网鸟窝时间分布预测模型，并利用所述时间分布预测模型进行接触网鸟窝时间分布预测；基于获取的历史数据，训练得到接触网鸟窝致因因素权重预测模型，并利用所述接触网鸟窝致因因素权重预测模型进行接触网鸟窝空间分布预测；根据接触网鸟窝时间分布预测结果和接触网鸟窝空间分布预测结果，确定并输出接触网故障预防和检修策略。本发明从时间、空间两个维度分别对接触网鸟窝分布进行精准预测，从而为接触网故障预测与维护提供更加全面可靠的数据支撑。
Description
技术领域
本发明属于接触网故障预防、数据挖掘技术领域，具体涉及一种基于时空分布技术的接触网运维方法和装置。
背景技术
导致接触网发生故障的因素有很多，目前考虑较多的主要包括两种因素：一是天气因素，二是人为破坏因素。因此在接触网故障诊断预测过程中也主要考虑这两类因素。
而鸟类活动易引发接触网输电线路短路、跳闸、机械补偿装置卡滞失灵等问题，形成对电气化铁路的运输干扰，严重影响电气化铁路的供电安全。接触网鸟害的主要体现形式为鸟类在接触网系统上搭建鸟窝。为减少鸟窝引发的跳闸和设备故障，各供电段投入的人力物力逐年递增。
目前，现有接触网故障预测技术中并未考虑鸟类活动对接触网故障的影响，从而导致接触网故障预测的可靠性和准确性降低，无法为相关运维部门提供更加全面可靠的数据支撑和技术支撑。
发明内容
针对上述问题，本发明提供了一种基于时空分布技术的接触网运维方法。本发明从时间、空间两个维度分别对接触网鸟窝分布进行精准预测，从而为接触网故障预测与维护提供更加全面可靠的数据支撑。
本发明通过下述技术方案实现：
一种基于时空分布技术的接触网运维方法，包括：
获取接触网鸟窝历史数据和接触网鸟窝发生致因因素的历史数据；
基于获取的历史数据，构建得到接触网鸟窝时间分布预测模型，并利用所述时间分布预测模型进行接触网鸟窝时间分布预测；
基于获取的历史数据，训练得到接触网鸟窝致因因素权重预测模型，并利用所述接触网鸟窝致因因素权重预测模型进行接触网鸟窝空间分布预测；
根据接触网鸟窝时间分布预测结果和接触网鸟窝空间分布预测结果，确定并输出接触网故障预防和检修策略。
优选的，本发明的接触网鸟窝时间分布预测模型构建过程具体包括：
获取接触网鸟窝发生时间序列；
对所述时间序列进行零均值化处理；
计算所述时间序列自相关系数和偏自相关系数；
基于所述时间序列及其自相关系数和偏自相关系数，构建SARIMA模型；
确定接触网鸟窝时间分布预测模型的参数，从而得到接触网鸟窝时间分布预测模型。
优选的，本发明的利用所述接触网鸟窝时间分布预测模型进行接触网鸟窝时间分布预测，包括：
通过接触网鸟窝时间序列数据，利用所述接触网鸟窝时间分布预测模型，求解回归系数，从而对未来一段时期内的接触网鸟窝数量进行预测。
优选的，本发明在获取接触网鸟窝发生时间序列步骤之后，对所述时间序列进行零均值化处理步骤之前还包括：
判断所述时间序列是否平稳，如果是，则对所述时间序列进行零均值化处理，否则对所述时间序列d次差分处理后，再进行零均值化处理。
优选的，本发明的确定接触网鸟窝时间分布预测模型的参数，包括：
估计得到所述SARIMA模型中的参数；
利用AIC检验所述参数，并得到检验不同参数组下所述SARIMA模型中的AIC值；
获取最小的AIC值对应的参数组，作为接触网鸟窝时间分布预测模型参数。
优选的，本发明的利用AIC检验所述参数，包括：
如果检验通过，则确定接触网鸟窝时间分布预测模型参数；
如果检验不通过，则返回“基于所述时间序列及其自相关系数和偏自相关系数，构建SARIMA模型”步骤。
优选的，本发明的接触网鸟窝致因因素权重预测模型训练过程具体包括：
获取接触网鸟窝数量与致因因素的历史数据并进行归一化处理，从而得到训练数据集；
初始化BP神经网络模型结构及变量，并根据所述训练数据集训练所述初始化后的BP神经网络模型，从而得到接触网鸟窝致因因素权重预测模型。
优选的，本发明的利用所述接触网鸟窝致因因素权重预测模型进行接触网鸟窝空间分布预测，包括：
利用所述接触网鸟窝致因因素权重预测模型，获取锚段的致因因素测量数据，从而得到各致因因素对应的权重向量；
根据所述各致因因素对应的权重向量，对接触网鸟窝空间分布进行预测。
优选的，本发明的根据所述各致因因素对应的权重向量，对接触网鸟窝空间分布进行预测，包括：
计算全线路所有锚段鸟窝风险度；
根据所述线路所有锚段鸟窝风险度，确定锚段高发区域。
优选的，本发明的根据所述训练数据集训练所述初始化后的BP神经网络模型，从而得到接触网鸟窝致因因素权重预测模型，包括：
随机选取第k个锚段的归一化致因因素数据，以及对应期望输出；
计算隐藏层各神经元的输入和输出；
通过反向传播更新致因因素权重值，并计算全局误差；
判定所述接触网鸟窝致因因素权重预测模型是否收敛；
如果收敛，则停止训练；否则，选取下一个训练样本和对应的期望输出，继续下一轮学习，直至所述接触网鸟窝致因因素权重预测模型收敛。
优选的，本发明的根据接触网鸟窝时间分布预测结果和接触网鸟窝空间分布预测结果，确定并输出接触网故障预防和检修策略，包括：
将全线路每个锚段的鸟窝风险度归一化处理；
计算每个锚段在每个月内的预计鸟窝数量；
根据所述每个锚段在每个月内的预计鸟窝数量结合鸟窝时间分布和空间分布，确定接触网鸟害高风险，并制定相应的预防策略。
第二方面，本发明提出了一种基于时空分布技术的接触网运维装置，包括数据获取模块、时间分布预测模块、空间分布预测模块和预防和检修模块；
其中，所述数据获取模块用于获取接触网鸟窝历史数据和接触网鸟窝发生致因因素的历史数据；
所述时间分布预测模块基于获取的历史数据，构建得到接触网鸟窝时间分布预测模型，并利用所述时间分布预测模型进行接触网鸟窝时间分布预测；
所述空间分布预测模块基于获取的历史数据，训练得到接触网鸟窝致因因素权重预测模型，并利用所述接触网鸟窝致因因素权重预测模型进行接触网鸟窝空间分布预测；
所述预防和检修模块根据接触网鸟窝时间分布预测结果和接触网鸟窝空间分布预测结果，确定并输出接触网故障预防和检修策略。
本发明具有如下的优点和有益效果：
1、本发明充分考虑可能影响鸟类在接触网筑巢的内部、外部因素，将BP神经网络应用于学习接触网鸟窝空间分布特征、将SARIMA模型用于学习接触网鸟窝时间分布规律，从而实现从时间、空间两个维度分别对接触网鸟窝分布进行精准预测，为接触网故障预防提供更加全面有效的数据支撑。
2、本发明的模型结构简单、功能易于实现，且时间尺度精准至月，空间尺度细至锚段，实际可操作性强。较现有维修方式而言节省人力物力，以更小的资源消耗降低接触鸟窝风险，可显著提高铁路运营部门的检修效率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明实施例的方法流程示意图。
图2为本发明实施例的SARIMA训练预测流程示意图。
图3为本发明实施例的接触网鸟窝空间分布预测流程示意图。
图4为本发明实施例的计算机设备示意图。
图5为本发明实施例的装置原理框图。
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明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
本实施例提出了一种基于时空分布技术的接触网运维方法。如图1所示，本实施例的方法包括：
步骤S1，获取接触网鸟窝历史数据和接触网鸟窝发生致因因素的历史数据。
步骤S2，基于获取的历史数据，构建得到接触网鸟窝时间分布预测模型，并利用所述时间分布预测模型进行接触网鸟窝时间分布预测。
步骤S3，基于获取的历史数据，训练得到接触网鸟窝致因因素权重预测模型，并利用所述接触网鸟窝致因因素权重预测模型进行接触网鸟窝空间分布预测。
步骤S4，根据接触网鸟窝时间分布预测结果和接触网鸟窝空间分布预测结果，确定并输出接触网故障预防和检修策略。
接触网鸟窝的发生具有延续性，运用历史鸟窝数据进行统计分析，可以得到鸟窝缺陷的发生规律。将每月全线路接触网鸟窝的缺陷数量记为X(t)，由于接触网系统是露天架设，鸟窝发生率除受到外部环境等季节性因素的影响之外，还会受到随机因素的影响。另一方面，接触网零部件会随着时间推移发生老化、损耗，鸟窝的发生率长期看会呈现缓慢上升的趋势。
因此本实施例采用季节性差分自回归滑动平均模型(SARIMA)，根据接触网鸟窝缺陷在历史月份中的发生数量(即接触网鸟窝数量时间序列)来预测未来一段时间内接触网鸟害的发生数量。具体如图2所示，本实施例步骤2中的接触网鸟窝时间分布预测模型构建过程具体包括：
步骤S21，获取接触网鸟窝发生时间序列。
步骤S22，判断该时间序列是否平稳，如果是，则进行后续步骤，否则，对时间序列进行d次差分处理。
步骤S23，对时间序列进行零均值化处理。
步骤S24，计算时间序列自相关系数(ACF)和偏自相关系数(PACF)。
步骤S25，基于时间序列及其自相关系数和偏自相关系数，构建SARIMA模型。
自回归滑动模型(ARIMA)可表示为：
其中，p为自回归阶数，q为滑动阶数，xt为t月时接触网鸟窝数量值，
为t-i月的接触网鸟窝数量对应的系数，εt为t月的扰动项，θi为第i期扰动项系数。在应用上述模型前，需做d阶差分使时间序列平稳。则ARIMA模型可表示为：
其中，φp(L)为自回归系数多项式，θq(L)为滑动平均多项式，
表示进行d阶差分。
SARIMA模式是在ARIMA基础上增加了季节性因素。对季节的周期性因素拟合一个ARIMA模型，再类比用差分后周期为s的季节时间序列建立一般的ARIMA模型，综合形式为：
其中，ΦP(Ls)表示P阶季节自回归系数多项式，ΘQ(Ls)为Q阶季节移动平均，ut为移除季节因素的时间序列。把式(2)带入(3)中的ut，可得完整SARIMA模型，形式如下：
其中，D表示对季节项的操作，d表示对非季节项的操作，参数p,q,P,Q都是通过时间序列自相关系数(ACF)和偏相关系数(PACF)的值决定的，即通过目视辨别自相关系数和偏相关系数的截尾性来确定阶数p,q,P,Q的值。
步骤S26，估计模型中的参数。本实施例通过迭代现有数据得到模型中的参数，可以采用现有迭代方式，此处不再赘述。
步骤S27，进行AIC检验，如果检验通过，则得到接触网鸟窝时间预测模型，否则返回步骤S25继续训练。
本实施例利用AIC准则验证不同参数组下模型的AIC值，取最小的AIC值对应的参数组作为最终模型参数，从而得到接触网鸟窝时间预测模型。其中，AIC检测标准如下：
Akaike信息标准用于评估复杂度和拟合程度
AIC＝2k-2ln L (5)
其中k是模型参数，L是最大似然函数。
接触网鸟窝缺陷的月度统计量具有以“年”为周期的特征，故季节周期s＝12。带入已有接触网鸟窝时间序列数据，利用最小二乘法求解回归系数，并对未来两月的接触网鸟窝数量值进行预测。
接触网上发生鸟类筑巢的风险与接触网结构、气象、生态环境、巡视作业强度等致因因素紧密相关。接触网鸟窝发生的致因因素及其取值类型如表1所示：
表1接触网鸟窝致因因素
| 序号 | 致因因素 | 取值类型 | 备注 |
| 1 | 温度 | float | 单位：摄氏度。 |
| 2 | 相对湿度 | float | 单位：％ |
| 3 | 水源 | bool | 直线距离1km内是否有湖泊、河流等水源 |
| 4 | 跳线肩架数量 | int | 锚段内跳线肩架与线形成三角区个数 |
| 5 | 棘轮补偿装置数量 | int | 锚段内棘轮补偿装置数量 |
| 6 | 格构式钢柱数量 | int | 锚段内格构式钢柱数量 |
| 7 | 驱鸟器数量 | int | 锚段内驱鸟器数量 |
| 8 | 计划巡视次数 | int | 下月内覆盖该锚段的巡视作业次数 |
本实施例将上述致因因素作为神经网络的输入，通过BP神经网络学习各个致因因素的影响权重，进而计算线路各个锚段在未来一段时间的鸟窝发生风险度。如图3所示，本实施例的训练得到接触网鸟窝致因因素权重预测模型，并利用所述接触网鸟窝致因因素权重预测模型进行接触网鸟窝空间分布预测，具体包括：
步骤S31，获取接触网鸟窝数量与致因因素的历史数据并对其进行归一化处理，从而得到训练数据集。
本实施例对历史数据中第i类致因因素，Q(t)为第t个样本数据，Ti(t)为第t个训练数据，采用min-max归一化处理：
步骤S32，初始化BP神经网络模型结构及变量。
本实施例中，由于接触网鸟窝致因因素为8类，则输入层和输出层均为8个神经元，设隐藏层有p个神经元。则：
隐藏层输入向量：hi＝(hi1,hi2,hi3...,hip)
隐藏层输出向量：ho＝(ho1,ho2,ho3...,hop)
输出层输入向量：yi＝(yi1,yi2,yi3...,yi8)
输出层输出向量：yo＝(yo1,yo2,yo3...,yo8)
期望输出向量：d＝(d1,d2,d3...,d8)
激活函数：f＝sigmoid(·)
输入层与隐藏层的连接权重wih，隐藏层与输出层的连接权重who，隐藏层神经元阈值bh，输出层神经元阈值bo，历史锚段数据个数k＝1,2,3...m。给各连接权重分别赋(-1，1)区间内的随机数，设定误差阈值ε与最大学习次数M。
步骤S33，采用训练数据集训练初始化后的BP神经网络模型，从而得到接触网鸟窝致因因素权重预测模型。
本实施例中，模型训练过程包括：
A、随机选取第k个锚段的归一化致因因素数据，以及对应期望输出；
B、计算隐藏层各神经元的输入和输出；
C、通过反向传播更新致因因素权重值，并计算全局误差；
D、判断模型是否收敛；
如果收敛，则停止训练；
否则，选取下一个训练样本及对应的期望输出，继续下一轮学习，直至模型收敛。
优选的，本实施例的模型训练过程具体如下：
(1)随机选取第k个锚段的归一化致因因素数据及对应期望输出：
x＝(T1(k),T2(k),...T8(k))
d＝(d1(k),d2(k),...d8(k))
(2)计算隐藏层各神经元的输入、输出：
hi＝wih·x+bh (7)
hoi＝f(hi(i)),i＝1,2,3,...,8 (8)
yi＝who·hi+bo (9)
yoi＝f(yi(i)),i＝1,2,3,...,8 (10)
误差函数：
(3)通过反向传播更新权重值：
who N和who N表示第N次训练时的权重，μ取值0.05。
(4)计算全局误差：
(5)判断模型是否收敛
判断BP神经网络误差是否满足要求。当误差小于预设精度ε或者学习次数达到M时，停止训练；否则，选取下一个训练样本及对应的期望输出，进入下一轮学习过程中。
步骤S34，将锚段的致因因素测量值输入到接触网鸟窝致因因素权重预测模型中，得到各项致因因素对应的权重向量。
步骤S35，根据各项致因因素对应的权重向量，对接触网鸟窝空间分布进行预测。
本实施例中设
是各项致因对应的权重向量，即BP神经网络学习结果。
根据各项致因因素对应的权重向量，对接触网鸟窝空间分布进行预测，包括：
步骤S351，计算线路所有锚段鸟窝风险度。
具体锚段鸟窝风险度计算公式如下：
其中，R是锚段鸟窝风险度，
是致因因素的权重向量，
是致因因素向量。
步骤S352，根据计算出的线路所有锚段鸟窝风险度，确定锚段高发区域。
优选的，本实施例可以选取鸟窝风险度排名前五位或十位的锚段为鸟窝发高发区域。
本实施例的步骤4具体包括：
本实施例根据接触网鸟窝时间分布预测和接触网空间分布预测结果，制定针对性预防和维修计划，从而实现接触网维修从现有的视情况维修过度到状态维修，具体实现方式如下：
步骤S41，将全线路每个锚段的鸟窝风险度归一化处理。
根据接触网鸟窝空间分布预测模型计算全线路所有锚段在未来两月的风险度列表R1＝[R11,R12,...,R1n]，R2＝[R21,R22,...,R2n]，对以上列表中每个锚段的风险度按下式归一化：
其中，Ri表示未来i月的风险度列表，Rij表示未来i月中第j个锚段的风险度，
为未来i月中第j个锚段归一化后的风险度。则全线路所有锚段在未来两月的归一化风险度列表
步骤S42，计算每个锚段在每个月内的预计鸟窝数量。
由鸟窝时间分布预测模型可知未来两个月内全线路鸟窝总量分别为C1，C2。未来i月中第j个锚段的预计鸟窝数量由下式计算：
Nij＝Ci·Rij (17)
未来两月中每个锚段的鸟窝数量分别为N1＝[N11,N12,...,N1n]和N2＝[N21,N22,...,N2n]。
步骤S43，制定预防和维修计划。
具体包括，根据每个锚段在每个月内的预计鸟窝数量，结合鸟窝时间分布和空间分布，确定接触网鸟害高风险，并制定相应的预防策略。
优选的，本实施例通过联合统计N1和N2中数量排名前五的锚段区域和时间标记为接触网鸟害高风险，并制定相应的检修策略，例如，保证上述锚段在对应时间的巡视频率，做到有的放矢；同时降低预计鸟窝数量低于2的锚段的巡视频率，以节省人力物力。
本实施例还提出了一种计算机设备，用于执行本实施例的上述方法。
具体如图4所示，计算机设备包括处理器、内存储器和系统总线；内存储器和处理器在内的各种设备组件连接到系统总线上。处理器是一个用来通过计算机系统中基本的算术和逻辑运算来执行计算机程序指令的硬件。内存储器是一个用于临时或永久性存储计算程序或数据(例如，程序状态信息)的物理设备。系统总线可以为以下几种类型的总线结构中的任意一种，包括存储器总线或存储控制器、外设总线和局部总线。处理器和内存储器可以通过系统总线进行数据通信。其中内存储器包括只读存储器(ROM)或闪存(图中未示出)，以及随机存取存储器(RAM)，RAM通常是指加载了操作系统和计算机程序的主存储器。
计算机设备一般包括一个外存储设备。外存储设备可以从多种计算机可读介质中选择，计算机可读介质是指可以通过计算机设备访问的任何可利用的介质，包括移动的和固定的两种介质。例如，计算机可读介质包括但不限于，闪速存储器(微型SD卡)，CD-ROM，数字通用光盘(DVD)或其它光盘存储、磁带盒、磁带、磁盘存储或其它磁存储设备，或者可用于存储所需信息并可由计算机设备访问的任何其它介质。
计算机设备可在网络环境中与一个或者多个网络终端进行逻辑连接。网络终端可以是个人电脑、服务器、路由器、智能电话、平板电脑或者其它公共网络节点。计算机设备通过网络接口(局域网LAN接口)与网络终端相连接。局域网(LAN)是指在有限区域内，例如家庭、学校、计算机实验室、或者使用网络媒体的办公楼，互联组成的计算机网络。WiFi和双绞线布线以太网是最常用的构建局域网的两种技术。
应当指出的是，其它包括比计算机设备更多或更少的子系统的计算机系统也能适用于发明。
如上面详细描述的，适用于本实施例的计算机设备能执行基于时空分布技术的接触网运维方法的指定操作。计算机设备通过处理器运行在计算机可读介质中的软件指令的形式来执行这些操作。这些软件指令可以从存储设备或者通过局域网接口从另一设备读入到存储器中。存储在存储器中的软件指令使得处理器执行上述的群成员信息的处理方法。此外，通过硬件电路或者硬件电路结合软件指令也能同样实现本发明。因此，实现本实施例并不限于任何特定硬件电路和软件的组合。
实施例2
本实施例提出了一种基于时空分布技术的接触网运维装置。如图5所示，包括数据获取模块、时间分布预测模块、空间分布预测模块、预防和检修模块。
其中，数据获取模块用于获取接触网鸟窝历史数据和接触网鸟窝发生致因因素的历史数据。
时间分布预测模块基于获取的历史数据，构建得到接触网鸟窝时间分布预测模型，并利用所述时间分布预测模型进行接触网鸟窝时间分布预测。
空间分布预测模块基于获取的历史数据，训练得到接触网鸟窝致因因素权重预测模型，并利用所述接触网鸟窝致因因素权重预测模型进行接触网鸟窝空间分布预测。
预防和检修模块根据接触网鸟窝时间分布预测结果和接触网鸟窝空间分布预测结果，确定并输出接触网故障预防和检修策略。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种基于时空分布技术的接触网运维方法，其特征在于，包括：
获取接触网鸟窝历史数据和接触网鸟窝发生致因因素的历史数据；
基于获取的历史数据，构建得到接触网鸟窝时间分布预测模型，并利用所述时间分布预测模型进行接触网鸟窝时间分布预测；
基于获取的历史数据，训练得到接触网鸟窝致因因素权重预测模型，并利用所述接触网鸟窝致因因素权重预测模型进行接触网鸟窝空间分布预测；
根据接触网鸟窝时间分布预测结果和接触网鸟窝空间分布预测结果，确定并输出接触网故障预防和检修策略。
2.根据权利要求1所述的接触网运维方法，其特征在于，所述接触网鸟窝时间分布预测模型构建过程具体包括：
获取接触网鸟窝发生时间序列；
对所述时间序列进行零均值化处理；
计算所述时间序列自相关系数和偏自相关系数；
基于所述时间序列及其自相关系数和偏自相关系数，构建SARIMA模型；
确定接触网鸟窝时间分布预测模型的参数，从而得到接触网鸟窝时间分布预测模型。
3.根据权利要求2所述的接触网运维方法，其特征在于，所述利用所述接触网鸟窝时间分布预测模型进行接触网鸟窝时间分布预测，包括：
通过接触网鸟窝时间序列数据，利用所述接触网鸟窝时间分布预测模型，求解回归系数，从而对未来一段时期内的接触网鸟窝数量进行预测。
4.根据权利要求2所述的接触网运维方法，其特征在于，在获取接触网鸟窝发生时间序列步骤之后，对所述时间序列进行零均值化处理步骤之前还包括：
判断所述时间序列是否平稳，如果是，则对所述时间序列进行零均值化处理，否则对所述时间序列d次差分处理后，再进行零均值化处理。
5.根据权利要求2所述的接触网运维方法，其特征在于，所述确定接触网鸟窝时间分布预测模型的参数，包括：
估计得到所述SARIMA模型中的参数；
利用AIC检验所述参数，并得到检验不同参数组下所述SARIMA模型中的AIC值；
获取最小的AIC值对应的参数组，作为接触网鸟窝时间分布预测模型参数。
6.根据权利要求5所述的接触网运维方法，其特征在于，利用AIC检验所述参数，包括：
如果检验通过，则确定接触网鸟窝时间分布预测模型参数；
如果检验不通过，则返回“基于所述时间序列及其自相关系数和偏自相关系数，构建SARIMA模型”步骤。
7.根据权利要求1所述的接触网运维方法，其特征在于，所述接触网鸟窝致因因素权重预测模型训练过程具体包括：
获取接触网鸟窝数量与致因因素的历史数据并进行归一化处理，从而得到训练数据集；
初始化BP神经网络模型结构及变量，并根据所述训练数据集训练所述初始化后的BP神经网络模型，从而得到接触网鸟窝致因因素权重预测模型。
8.根据权利要求7所述的接触网运维方法，其特征在于，利用所述接触网鸟窝致因因素权重预测模型进行接触网鸟窝空间分布预测，包括：
利用所述接触网鸟窝致因因素权重预测模型，获取锚段的致因因素测量数据，从而得到各致因因素对应的权重向量；
根据所述各致因因素对应的权重向量，对接触网鸟窝空间分布进行预测。
9.根据所述权利要求8所述的接触网运维方法，其特征在于，所述根据所述各致因因素对应的权重向量，对接触网鸟窝空间分布进行预测，包括：
计算全线路所有锚段鸟窝风险度；
根据所述线路所有锚段鸟窝风险度，确定锚段高发区域。
10.根据权利要求7所述的接触网运维方法，其特征在于，所述根据所述训练数据集训练所述初始化后的BP神经网络模型，从而得到接触网鸟窝致因因素权重预测模型，包括：
随机选取第k个锚段的归一化致因因素数据，以及对应期望输出；
计算隐藏层各神经元的输入和输出；
通过反向传播更新致因因素权重值，并计算全局误差；
判定所述接触网鸟窝致因因素权重预测模型是否收敛；
如果收敛，则停止训练；否则，选取下一个训练样本和对应的期望输出，继续下一轮学习，直至所述接触网鸟窝致因因素权重预测模型收敛。
11.根据权利要求1所述的接触网运维方法，其特征在于，根据接触网鸟窝时间分布预测结果和接触网鸟窝空间分布预测结果，确定并输出接触网故障预防和检修策略，包括：
将全线路每个锚段的鸟窝风险度归一化处理；
计算每个锚段在每个月内的预计鸟窝数量；
根据所述每个锚段在每个月内的预计鸟窝数量，结合鸟窝时间分布和空间分布，确定接触网鸟害高风险，并制定相应的预防策略。
12.一种基于时空分布技术的接触网运维装置，其特征在于，包括数据获取模块、时间分布预测模块、空间分布预测模块和预防和检修模块；
其中，所述数据获取模块用于获取接触网鸟窝历史数据和接触网鸟窝发生致因因素的历史数据；
所述时间分布预测模块基于获取的历史数据，构建得到接触网鸟窝时间分布预测模型，并利用所述时间分布预测模型进行接触网鸟窝时间分布预测；
所述空间分布预测模块基于获取的历史数据，训练得到接触网鸟窝致因因素权重预测模型，并利用所述接触网鸟窝致因因素权重预测模型进行接触网鸟窝空间分布预测；
所述预防和检修模块根据接触网鸟窝时间分布预测结果和接触网鸟窝空间分布预测结果，确定并输出接触网故障预防和检修策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210098588.3A CN114444798A (zh) | 2022-01-27 | 2022-01-27 | 一种基于时空分布技术的接触网运维方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210098588.3A CN114444798A (zh) | 2022-01-27 | 2022-01-27 | 一种基于时空分布技术的接触网运维方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114444798A true CN114444798A (zh) | 2022-05-06 |
Family
ID=81370187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210098588.3A Pending CN114444798A (zh) | 2022-01-27 | 2022-01-27 | 一种基于时空分布技术的接触网运维方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114444798A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114970904A (zh) * | 2022-07-26 | 2022-08-30 | 中铁电气化勘测设计研究院有限公司 | 一种基于缺陷处理的接触网运营维修资源数字化调整方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 |
| CN111860947A (zh) * | 2020-06-11 | 2020-10-30 | 广东电网有限责任公司 | 一种基于bp神经网络的输电杆塔鸟害发生概率预测方法 |
-
2022
- 2022-01-27 CN CN202210098588.3A patent/CN114444798A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 |
| CN111860947A (zh) * | 2020-06-11 | 2020-10-30 | 广东电网有限责任公司 | 一种基于bp神经网络的输电杆塔鸟害发生概率预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 20210712: "基于高效用序列模式挖掘的接触网故障预测模型", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, 12 July 2021 (2021-07-12), pages 033 - 186 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114970904A (zh) * | 2022-07-26 | 2022-08-30 | 中铁电气化勘测设计研究院有限公司 | 一种基于缺陷处理的接触网运营维修资源数字化调整方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aizpurua et al. | Adaptive power transformer lifetime predictions through machine learning and uncertainty modeling in nuclear power plants | |
| CN107153874B (zh) | 水质预测方法及系统 | |
| CN111310968A (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
| CN105740991B (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
| CN113283588B (zh) | 一种基于深度学习的近岸单点海浪浪高预报方法 | |
| Juszczyk et al. | Forecasting of sports fields construction costs aided by ensembles of neural networks | |
| CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
| CN114297036B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
| CN111932024B (zh) | 一种能源负荷预测方法、装置、计算机设备及存储介质 | |
| CN110795780A (zh) | 一种基于XGBoost算法的斜拉桥有限元修正方法 | |
| Mathew et al. | Regression kernel for prognostics with support vector machines | |
| CN116187203A (zh) | 一种流域水质预测方法、系统、电子设备及存储介质 | |
| Protalinsky et al. | Identification of the actual state and entity availability forecasting in power engineering using neural-network technologies | |
| CN114862032A (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
| CN114444798A (zh) | 一种基于时空分布技术的接触网运维方法和装置 | |
| CN113782113B (zh) | 一种基于深度残差网络下的变压器油中气体故障识别方法 | |
| Sukanda et al. | Wave forecast using bidirectional GRU and GRU method case study in Pangandaran, Indonesia | |
| CN117371608A (zh) | 基于深度学习的猪舍多点位温湿度预测方法及系统 | |
| CN113158448A (zh) | 一种船舶系统设备阈值的自适应计算方法 | |
| CN117454324A (zh) | 风速风向仪故障预警方法、系统、电子设备及存储介质 | |
| Lin et al. | Hpt-rl: Calibrating power system models based on hierarchical parameter tuning and reinforcement learning | |
| CN117076887A (zh) | 一种泵站机组运行状态预测和健康评估方法及系统 | |
| Aizpurua et al. | Probabilistic power transformer condition monitoring in smart grids |
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 |