CN114528773A - 基于大数据分析的轨道交通杂散电流波形预测系统及方法 - Google Patents

基于大数据分析的轨道交通杂散电流波形预测系统及方法 Download PDF

Info

Publication number
CN114528773A
CN114528773A CN202210435426.4A CN202210435426A CN114528773A CN 114528773 A CN114528773 A CN 114528773A CN 202210435426 A CN202210435426 A CN 202210435426A CN 114528773 A CN114528773 A CN 114528773A
Authority
CN
China
Prior art keywords
stray current
data
traffic
waveform
current waveform
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.)
Granted
Application number
CN202210435426.4A
Other languages
English (en)
Other versions
CN114528773B (zh
Inventor
童涛
徐碧川
李唐兵
周银彪
王鹏
童超
曾磊磊
万华
胡睿智
周友武
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.)
State Grid Jiangxi Electric Power Co ltd
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
State Grid Jiangxi Electric Power Co ltd
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power 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 State Grid Jiangxi Electric Power Co ltd, State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical State Grid Jiangxi Electric Power Co ltd
Priority to CN202210435426.4A priority Critical patent/CN114528773B/zh
Publication of CN114528773A publication Critical patent/CN114528773A/zh
Application granted granted Critical
Publication of CN114528773B publication Critical patent/CN114528773B/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
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • 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
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于大数据分析的轨道交通杂散电流波形预测系统及方法，该方法通过轨道交通杂散电流分析大数据库收集轨道交通的杂散电流历史波形数据、轨道交通历史运行数据、非交通类历史数据和非交通类短期预测数据，对收集到的数据进行分类归集，通过人工智能技术预测短期轨道交通运行数据；对杂散电流历史波形数据预处理形成杂散电流波形特征数据集，并输入XGBoost模型训练，将短期轨道交通运行数据和非交通类短期预测数据输入训练后的XGBoost模型，实现对未来时刻轨道交通的杂散电流波形进行预测，再将预测后的波形特征数据集作为测试集，检验和修正XGBoost模型，保证XGBoost模型预测的精准度。

Description

基于大数据分析的轨道交通杂散电流波形预测系统及方法
技术领域
本发明属于电流波形大数据预测领域，具体涉及基于大数据分析的轨道交通杂散电流波形预测系统及方法。
背景技术
轨道交通对城市交通的疏解和人员运送的作用越来越明显。然而轨道交通常采用直流供电牵引模式，在轨道交通运行期间电流通过轨道回流，部分电流杂散入地，并侵入城市电网和地下管网系统，给电网和管网的运行造成危害。因此，对轨道交通在电网和管网接地位置的杂散电流历史电流数据进行收集，并进行杂散电流短期预测，对电网和管网运行安全具有重要意义。
申请号为202011633135.3的中国发明专利“一种地铁杂散电流引起的变压器直流偏磁地电位计算方法”，提出了利用杂散电流动态分布模型对三维大地电阻率模型，计算地表的大地电位并输出计算杂散电流结果。申请号为202011151504.5的中国发明专利“一种轨道交通与变压器直流偏磁关联性分析方法”提出了一种轨道交通杂散电流和变压器直流偏磁间支持度和置信度的计算和关联规则。
现有技术主要仅对典型杂散电流模型进行仿真计算，然而杂散电流受众多因素影响，现有技术未对轨道交通运行数据进行有效利用和分析，无法针对杂散电流波形进行有效预测。
发明内容
本发明的目的在于提供基于大数据分析的轨道交通杂散电流波形预测系统及方法，可以克服现有技术的中无法对短期轨道交通的杂散电流波形进行有效预测的缺点。
为实现上述目的，本发明采取的技术方案为：基于大数据分析的轨道交通杂散电流波形预测方法，步骤如下：
步骤一、构建轨道交通杂散电流分析大数据库，收集轨道交通的杂散电流历史波形数据、轨道交通历史运行数据、非交通类历史数据和非交通类短期预测数据；
步骤二、对轨道交通历史运行数据和非交通类历史数据进行分类和归集形成杂散电流影响因素数据集；根据杂散电流影响因素数据集，应用人工智能技术预测短期轨道交通运行数据，对杂散电流历史波形数据预处理形成杂散电流波形特征数据集；
步骤三、构建用于杂散电流波形预测的XGBoost模型，以杂散电流波形特征数据集作为训练数据集，将训练数据集输入XGBoost模型进行训练；
步骤四、把步骤二所得的短期轨道交通运行数据输入XGBoost模型，访问轨道交通杂散电流大数据库，提取非交通类短期预测数据，并导入XGBoost模型；通过训练后的XGBoost模型对测时间的轨道交通的杂散电流波形进行预测；
步骤五、预测完成后，测量预测时间的杂散电流波形实测数据，将预测时间的杂散电流波形实测数据预处理，形成实测杂散电流波形特征数据集，并将实测杂散电流波形特征数据集作为测试集，用于检验和修正训练后的XGBoost模型。
进一步的，步骤一中，所述轨道交通杂散电流分析大数据库内部分为杂散电流数据采集区、交通运行状态监测区、数据处理区三个工作区：杂散电流数据采集区连接安装在受杂散电流侵扰的电力系统和管网系统接地位置的电流传感器，获取接地位置杂散电流历史波形；交通运行状态监测区通过接入地铁生产运行数据网和短期天气数值预报系统，收集轨道交通历史运行数据、非交通类历史数据和非交通类短期预测数据，轨道交通历史运行数据包括列车位置、列车运行速度和载客量，非交通类历史数据包括时间、季节和天气的历史数据，非交通类短期预测数据包括时间、季节和天气的短期预测数据。
进一步的，列车位置的特征参数l en 表示为：
Figure 5199DEST_PATH_IMAGE001
，其中 ρ0为土壤电阻率，d 1为正方向最近一趟列车至杂散电流测量位置的直线距离、d 2为反方向最 近一趟列车至杂散电流测量位置的直线距离，t 1为正方向最近地铁列车发车间隔、t 2为反方 向最近地铁列车发车间隔，d eq 为同方向相邻两列车平均距离，K l 为电流回流系数；
载客量的特征参数p表示为：
Figure 10064DEST_PATH_IMAGE002
，其中N为地铁站数量，p h 为第h个地铁站进出站人数差的绝对值，d h 为第h个地铁站至杂散电流测量位置的距离，rat h 为第h个地铁站乘客分流比；列车运行速度为瞬时速度，列车运行速度与其所处位置一一对应， 根据列车位置直接获取列车运行速度v:
Figure 713578DEST_PATH_IMAGE003
，其中Ψ v 为列车运行速度函数，根据地铁 生产运行数据网的地铁运行计划获取，s为列车距始发站的距离。
进一步的，步骤二中，基于数据聚类原理对轨道交通历史运行数据和非交通类历史数据进行分类和归集，按不同属性分类和归集形成杂散电流影响因素数据集INF；INF=[INF 1,INF 2,…,INF i ,…,INF z ]；其中INF i 表示杂散电流影响因素数据集的第i个元素，i=1~z，z为杂散电流影响因素数据集INF的元素总数量；杂散电流影响因素数据集为包括列车位置、载客量、列车运行速度、时间、季节、天气公共交通影响因素的时间序列数据子集，应用人工智能技术反演推算不同时间序列数据子集加权特征值，并预测当天不同时刻短期轨道交通运行数据，短期轨道交通运行数据包括轨道交通的列车位置、载客量和列车运行速度。
进一步的，在轨道交通历史运行数据进行分类和归集时，对非交通类数据按属性进行分类，属性类别包括有时间属性、天气属性和季节属性；时间属性类别包括作息日、峰谷期；作息日按客流量规律分为工作日、周末、团聚假日、旅游假日进行分类，团聚假日包括春节、清明、端午、中秋假日，旅游假日包括劳动节、国庆节假日；工作日按峰谷期分为高峰期和平时段，高峰期指工作日7：00-9：00和17：00-19：00，平时段指工作日其他时刻；天气属性类别包括晴、阴、雨、雪、大风五类天气分类，并以当地气象数据为依据；季节属性类别包括春秋、夏、冬三类天气分类，春秋为2-4月和9-10月，夏为5-8月，冬为1月、11月、12月。
进一步的，所述步骤二中对杂散电流历史波形数据进行预处理，通过杂散电流历 史波形数据与杂散电流影响因素数据集映射形成杂散电流波形特征数据集x sub；x sub= [x sub1,x sub2,…,x subk ,…,x subn ]，杂散电流波形特征包括平均值、变化率、加权值、突变量和 扭曲系数的特征参数，其中x subk 表示第k个杂散电流波形特征数据集元素，k=1~n，n为杂散 电流波形特征数据集x sub的元素总数量；杂散电流波形特征数据集x sub与杂散电流影响因素 数据集INF映射关系为：
Figure 665354DEST_PATH_IMAGE004
，其中t 0为 列车启动阶段持续时间，s k 为第k个杂散电流波形特征数据集元素的调差系数，e为自然对 数，t为列车运行时间。
进一步的，步骤三中，对XGBoost模型进行参数初始化，将杂散电流波形特征数据集x sub导入XGBoost模型进行训练，利用交互检验函数，计算每次迭代的误差值依次确定最佳决策树的最大深度、迭代次数、收缩步长不分裂分值和复杂度惩罚系数。
步骤四中，把步骤二得到的短期轨道交通运行数据输入训练后的XGBoost模型，访 问轨道交通杂散电流大数据库，提取预测时间t j 的非交通类短期预测数据，并导入XGBoost 模型；输出所涉及区域的杂散电流波形特征数据集x sub，绘出预测时间t j 的预测电流波形I stray (t j )为：
Figure 669082DEST_PATH_IMAGE005
；其中，M（k,t j ）为电流反演 矩阵中第k个杂散电流波形特征数据集元素在预测时间t j 时对应的数据元素，x subk （t j ）为第k个杂散电流波形特征数据集元素关于预测时间t j 的函数。
进一步的，步骤五中，预测完成后，测量预测时间t j 的杂散电流波形实测数据，对 杂散电流波形实测数据预处理，形成实测杂散电流波形特征数据集，并将实测杂散电流波 形特征数据集作为测试集输入训练后的XGBoost模型，得到杂散电流波形真实的平均值、变 化率、加权值、突变量和扭曲系数的特征参数，并与预测的杂散电流波形的特征参数做比 较，对训练后的XGBoost模型进行修正，第k个杂散电流波形特征数据集元素的修正系数MI （k）为：
Figure 313690DEST_PATH_IMAGE006
；其中I stray (t j )为预测电流波形，I meas (t j )为实测电流波形，T为列车在两个站点之间的平均运行时间。
基于大数据分析的轨道交通杂散电流波形预测系统，包括轨道交通杂散电流分析大数据库和杂散电流波形预测模块，轨道交通杂散电流分析大数据库内设置有杂散电流数据采集区、交通运行状态监测区和数据处理区三个工作区；杂散电流数据采集区连接安装在受杂散电流侵扰的电力系统和管网系统接地位置的电流传感器，获取接地位置杂散电流历史波形；交通运行状态监测区通过接入地铁生产运行数据网和短期天气数值预报系统，收集轨道交通历史运行数据、非交通类历史数据和非交通类短期预测数据；杂散电流波形预测模块内置有XGBoost模型，数据处理区对杂散电流数据采集区和交通运行状态监测区所采集的数据进行处理，并输入至杂散电流波形预测模块内对XGBoost模型训练，应用人工智能技术预测轨道交通运行的短期轨道交通运行数据，并将短期轨道交通运行数据导入训练后的XGBoost模型内，通过训练后的XGBoost模型对预测时间的轨道交通的杂散电流波形进行预测，预测完成后，测量预测时间的杂散电流波形实测数据，对预测时间的杂散电流波形实测数据预处理，形成实测杂散电流波形特征数据集，并将实测杂散电流波形特征数据集作为测试集，用于检验和修正训练后的XGBoost模型。
与现有技术相比，本发明具有如下有益效果：本发明根据杂散电流受众多因素影响的原因，构建轨道交通杂散电流分析大数据库，收集并分析轨道交通历史运行和杂散电流监测数据，充分的考虑了列车运行过程中轨道交通列车位置、载客量、列车运行速度、节假日客流量、天气情况和季节等因素，大大的提高了预测的准确性，克服了现有技术的中无法对短期轨道交通的杂散电流波形进行有效预测的缺点，再将预测后的波形特征数据集作为测试集，检验和修正XGBoost模型，保证后期XGBoost模型预测的精准度。
附图说明
图1为本发明的方法流程图。
图2为本发明所述基于大数据分析的轨道交通杂散电流波形预测系统的示意图。
具体实施方式
参照图1，基于大数据分析的轨道交通杂散电流波形预测方法，其特征是，步骤如下：
步骤一、构建轨道交通杂散电流分析大数据库，收集轨道交通的杂散电流历史波形数据、轨道交通历史运行数据、非交通类历史数据和非交通类短期预测数据；
进一步的，所述轨道交通杂散电流分析大数据库内部分为杂散电流数据采集区、交通运行状态监测区、数据处理区三个工作区：杂散电流数据采集区连接安装在受杂散电流侵扰的电力系统和管网系统接地位置的电流传感器，获取接地位置杂散电流历史波形；交通运行状态监测区通过接入地铁生产运行数据网和短期天气数值预报系统，收集轨道交通历史运行数据、非交通类历史数据和非交通类短期预测数据，轨道交通历史运行数据包括列车位置、列车运行速度和载客量，非交通类历史数据包括时间、季节和天气的历史数据，非交通类短期预测数据包括时间、季节和天气的短期预测数据。
步骤二、对轨道交通历史运行数据和非交通类历史数据进行分类和归集形成杂散电流影响因素数据集；根据杂散电流影响因素数据集，应用人工智能技术预测短期轨道交通运行数据，对杂散电流历史波形数据预处理形成杂散电流波形特征数据集；
进一步的，列车位置的特征参数l en 表示为：
Figure 770079DEST_PATH_IMAGE007
，其 中，ρ0为土壤电阻率，d 1为正方向最近一趟列车至杂散电流测量位置的直线距离、d 2为反方 向最近一趟列车至杂散电流测量位置的直线距离，t 1为正方向最近地铁列车发车间隔、t 2为 反方向最近地铁列车发车间隔，d eq 为同方向相邻两列车平均距离，K l 为电流回流系数；
载客量的特征参数p表示为：
Figure 791124DEST_PATH_IMAGE002
，其中N为地铁站数量，p h 为第h个地铁站进出站人数差的绝对值，d h 为第h个地铁站至杂散电流测量位置的距离，rat h 为第h个地铁站乘客分流比；列车运行速度为瞬时速度，列车运行速度与其所处位置一一对应， 根据列车位置直接获取列车运行速度v:
Figure 383780DEST_PATH_IMAGE003
，其中Ψ v 为列车运行速度函数，根据地铁 生产运行数据网的地铁运行计划获取，s为列车距始发站的距离。
进一步的，基于数据聚类原理对轨道交通历史运行数据和非交通类历史数据进行分类和归集，按不同属性分类和归集形成杂散电流影响因素数据集INF；INF=[INF 1,INF 2,…,INF i ,…,INF z ]；其中INF i 表示杂散电流影响因素数据集的第i个元素，i=1~z，z为杂散电流影响因素数据集INF的元素总数量；杂散电流影响因素数据集为包括列车位置、载客量、列车运行速度、时间、季节、天气公共交通影响因素的时间序列数据子集，应用人工智能技术反演推算不同时间序列数据子集加权特征值，并预测当天不同时刻短期轨道交通运行数据，短期轨道交通运行数据包括轨道交通的列车位置、载客量和列车运行速度。
进一步的，在轨道交通历史运行数据进行分类和归集时，对非交通类数据按属性进行分类，属性类别包括有时间属性、天气属性和季节属性；时间属性类别包括作息日、峰谷期；作息日按客流量规律分为工作日、周末、团聚假日、旅游假日进行分类，团聚假日包括春节、清明、端午、中秋假日，旅游假日包括劳动节、国庆节假日；工作日按峰谷期分为高峰期和平时段，高峰期指工作日7：00-9：00和17：00-19：00，平时段指工作日其他时刻；天气属性类别包括晴、阴、雨、雪、大风五类天气分类，并以当地气象数据为依据；季节属性类别包括春秋、夏、冬三类天气分类，春秋为2-4月和9-10月，夏为5-8月，冬为1月、11月、12月。
进一步的，所述步骤二中对杂散电流历史波形数据进行预处理，通过杂散电流历 史波形数据与杂散电流影响因素数据集映射形成杂散电流波形特征数据集x sub；x sub= [x sub1,x sub2,…,x subk ,…,x subn ]，杂散电流波形特征包括平均值、变化率、加权值、突变量和 扭曲系数的特征参数，其中x subk 表示第k个杂散电流波形特征数据集元素，k=1~n，n为杂散 电流波形特征数据集x sub的元素总数量；杂散电流波形特征数据集x sub与杂散电流影响因素 数据集INF映射关系为：
Figure 199289DEST_PATH_IMAGE008
，其中t 0为 列车启动阶段持续时间，s k 为第k个杂散电流波形特征数据集元素的调差系数，e为自然对 数，t为列车运行时间。
步骤三、构建用于杂散电流波形预测的XGBoost模型，以杂散电流波形特征数据集作为训练数据集，将训练数据集输入XGBoost模型进行训练；
进一步的，对XGBoost模型进行参数初始化，将杂散电流波形特征数据集x sub导入XGBoost模型进行训练，利用交互检验函数，计算每次迭代的误差值依次确定最佳决策树的最大深度、迭代次数、收缩步长不分裂分值和复杂度惩罚系数。
步骤四、把步骤二所得的短期轨道交通运行数据输入XGBoost模型，访问轨道交通杂散电流大数据库，提取非交通类短期预测数据，并导入XGBoost模型；通过训练后的XGBoost模型对预测时间的轨道交通的杂散电流波形进行预测。
进一步的，把步骤二得到的短期轨道交通运行数据输入训练后的XGBoost模型，访 问轨道交通杂散电流大数据库，提取预测时间t j 的非交通类短期预测数据，并导入XGBoost 模型；输出所涉及区域的杂散电流波形特征数据集x sub，绘出预测时间t j 的预测电流波形I stray (t j )为：
Figure 346237DEST_PATH_IMAGE005
；其中M（k,t j ）为电流反演 矩阵中第k个杂散电流波形特征数据集元素在预测时间t j 时对应的数据元素，x subk （t j ）为第k个杂散电流波形特征数据集元素关于预测时间t j 的函数。
步骤五、预测完成后，测量预测时间的杂散电流波形实测数据，将预测时间的杂散电流波形实测数据预处理，形成实测杂散电流波形特征数据集，并将实测杂散电流波形特征数据集作为测试集，用于检验和修正训练后的XGBoost模型。
进一步的，预测完成后，测量预测时间t j 的杂散电流波形实测数据，对杂散电流波 形实测数据预处理，形成实测杂散电流波形特征数据集，并将实测杂散电流波形特征数据 集作为测试集输入训练后的XGBoost模型，得到杂散电流波形真实的平均值、变化率、加权 值、突变量和扭曲系数的特征参数，并与预测的杂散电流波形的特征参数做比较，对训练后 的XGBoost模型进行修正，第k个杂散电流波形特征数据集元素的修正系数MI（k）为：
Figure 905394DEST_PATH_IMAGE006
；其中I stray (t j )为预测电流波形，I meas (t j )为实 测电流波形，T为列车在两个站点之间的平均运行时间。
参照图2，基于大数据分析的轨道交通杂散电流波形预测系统，其包括轨道交通杂散电流分析大数据库和杂散电流波形预测模块，轨道交通杂散电流分析大数据库内设置有杂散电流数据采集区、交通运行状态监测区和数据处理区三个工作区；杂散电流数据采集区连接安装在受杂散电流侵扰的电力系统和管网系统接地位置的电流传感器，获取接地位置杂散电流历史波形；交通运行状态监测区通过接入地铁生产运行数据网和短期天气数值预报系统，收集轨道交通历史运行数据、非交通类历史数据和非交通类短期预测数据；杂散电流波形预测模块内置有XGBoost模型，数据处理区对杂散电流数据采集区和交通运行状态监测区所采集的数据进行处理，并输入至杂散电流波形预测模块内对XGBoost模型训练，应用人工智能技术预测轨道交通运行的短期轨道交通运行数据，并将短期轨道交通运行数据导入训练后的XGBoost模型内，通过训练后的XGBoost模型对预测时间的轨道交通的杂散电流波形进行预测，预测完成后，测量预测时间的杂散电流波形实测数据，对预测时间的杂散电流波形实测数据预处理，形成实测杂散电流波形特征数据集，并将实测杂散电流波形特征数据集作为测试集，用于检验和修正训练后的XGBoost模型。
本发明根据杂散电流受众多因素影响的原因，构建轨道交通杂散电流分析大数据库，收集并分析轨道交通历史运行和杂散电流监测数据，充分的考虑了列车运行过程中轨道交通列车位置、载客量、列车运行速度、节假日客流量、天气情况和季节等因素，大大的提高了预测的准确性，克服了现有技术的中无法对短期轨道交通的杂散电流波形进行有效预测的缺点，并且在预测完成后，再将测量预测时间的杂散电流波形实测数据，将测量预测时间的杂散电流波形实测数据预处理，形成实测杂散电流波形特征数据集，并将实测杂散电流波形特征数据集作为测试集，用于检验和修正训练后的XGBoost模型，保证XGBoost模型在后期预测的准确性。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各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。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 (10)

1.基于大数据分析的轨道交通杂散电流波形预测方法，其特征是，步骤如下：
步骤一、构建轨道交通杂散电流分析大数据库，收集轨道交通的杂散电流历史波形数据、轨道交通历史运行数据、非交通类历史数据和非交通类短期预测数据；
步骤二、对轨道交通历史运行数据和非交通类历史数据进行分类和归集形成杂散电流影响因素数据集；根据杂散电流影响因素数据集，应用人工智能技术预测短期轨道交通运行数据，对杂散电流历史波形数据预处理形成杂散电流波形特征数据集；
步骤三、构建用于杂散电流波形预测的XGBoost模型，以杂散电流波形特征数据集作为训练数据集，将训练数据集输入XGBoost模型进行训练；
步骤四、把步骤二所得的短期轨道交通运行数据输入XGBoost模型，访问轨道交通杂散电流大数据库，提取非交通类短期预测数据，并导入XGBoost模型；通过训练后的XGBoost模型对预测时间的轨道交通的杂散电流波形进行预测；
步骤五、预测完成后，测量预测时间的杂散电流波形实测数据，将预测时间的杂散电流波形实测数据预处理，形成实测杂散电流波形特征数据集，并将实测杂散电流波形特征数据集作为测试集，用于检验和修正训练后的XGBoost模型。
2.根据权利要求1所述的基于大数据分析的轨道交通杂散电流波形预测方法，其特征是：步骤一中，所述轨道交通杂散电流分析大数据库内部分为杂散电流数据采集区、交通运行状态监测区、数据处理区三个工作区：杂散电流数据采集区连接安装在受杂散电流侵扰的电力系统和管网系统接地位置的电流传感器，获取接地位置杂散电流历史波形；交通运行状态监测区通过接入地铁生产运行数据网和短期天气数值预报系统，收集轨道交通历史运行数据、非交通类历史数据和非交通类短期预测数据，轨道交通历史运行数据包括列车位置、列车运行速度和载客量，非交通类历史数据包括时间、季节和天气的历史数据，非交通类短期预测数据包括时间、季节和天气的短期预测数据。
3.根据权利要求2所述的基于大数据分析的轨道交通杂散电流波形预测方法，其特征 是：列车位置的特征参数l en 表示为：
Figure 406283DEST_PATH_IMAGE001
，其中ρ0 为土壤电阻率，d 1为正方向最近一趟列车至杂散电流测量位置的直线距离、d 2为反方向最近 一趟列车至杂散电流测量位置的直线距离，t 1为正方向最近地铁列车发车间隔、t 2 为反方向 最近地铁列车发车间隔，d eq 为同方向相邻两列车平均距离，K l 为电流回流系数；
载客量的特征参数p表示为：
Figure 16256DEST_PATH_IMAGE002
，其中N为地铁站数量，p h 为第h个地 铁站进出站人数差的绝对值，d h 为第h个地铁站至杂散电流测量位置的距离，rat h 为第h个地 铁站乘客分流比；列车运行速度为瞬时速度，列车运行速度与其所处位置一一对应，根据列 车位置直接获取列车运行速度v:
Figure 248654DEST_PATH_IMAGE003
，其中Ψ v 为列车运行速度函数，根据地铁 生产运行数据网的地铁运行计划获取，s为列车距始发站的距离。
4.根据权利要求3所述的基于大数据分析的轨道交通杂散电流波形预测方法，其特征是：步骤二中，基于数据聚类原理对轨道交通历史运行数据和非交通类历史数据进行分类和归集，按不同属性分类和归集形成杂散电流影响因素数据集INF；INF=[INF 1,INF 2,…,INF i ,…,INF z ]；其中INF i 表示杂散电流影响因素数据集的第i个元素，i=1~z，z为杂散电流影响因素数据集INF的元素总数量；杂散电流影响因素数据集为包括列车位置、载客量、列车运行速度、时间、季节、天气公共交通影响因素的时间序列数据子集，应用人工智能技术反演推算不同时间序列数据子集加权特征值，并预测当天不同时刻短期轨道交通运行数据，短期轨道交通运行数据包括轨道交通的列车位置、载客量和列车运行速度。
5.根据权利要求4所述的基于大数据分析的轨道交通杂散电流波形预测方法，其特征是：在轨道交通历史运行数据进行分类和归集时，对非交通类数据按属性进行分类，属性类别包括有时间属性、天气属性和季节属性。
6.根据权利要求5所述的基于大数据分析的轨道交通杂散电流波形预测方法，其特征 是：所述步骤二中对杂散电流历史波形数据进行预处理，通过杂散电流历史波形数据与杂 散电流影响因素数据集映射形成杂散电流波形特征数据集x sub；x sub=[x sub1,x sub2,…,x subk ,…,x subn ]，杂散电流波形特征包括平均值、变化率、加权值、突变量和扭曲系数的特征 参数，其中x subk 表示第k个杂散电流波形特征数据集元素，k=1~n，n为杂散电流波形特征数 据集x sub的元素总数量；杂散电流波形特征数据集x sub与杂散电流影响因素数据集INF映射 关系为：
Figure 817038DEST_PATH_IMAGE004
，其中t 0为列车启动阶段持续时间，s k 为第k 个杂散电流波形特征数据集元素的调差系数，e为自然对数，t为列车运行时间。
7.根据权利要求6所述的基于大数据分析的轨道交通杂散电流波形预测方法，其特征是：步骤三中，对XGBoost模型进行参数初始化，将杂散电流波形特征数据集x sub导入XGBoost模型进行训练，利用交互检验函数，计算每次迭代的误差值，依次确定最佳决策树的最大深度、迭代次数、收缩步长不分裂分值和复杂度惩罚系数。
8.根据权利要求7所述的基于大数据分析的轨道交通杂散电流波形预测方法，其特征 是：步骤四中，把步骤二得到的短期轨道交通运行数据输入训练后的XGBoost模型，访问轨 道交通杂散电流大数据库，提取预测时间t j 的非交通类短期预测数据，并导入XGBoost模 型；输出所涉及区域的杂散电流波形特征数据集x sub，绘出预测时间t j 的预测电流波形I stray (t j )为：
Figure 298835DEST_PATH_IMAGE005
；其中M（k,t j ）为电流反演矩阵 中第k个杂散电流波形特征数据集元素在预测时间t j 时对应的数据元素，x subk （t j ）为第k个 杂散电流波形特征数据集元素关于预测时间t j 的函数。
9.根据权利要求8所述的基于大数据分析的轨道交通杂散电流波形预测方法，其特征 是：步骤五中，预测完成后，测量预测时间t j 的杂散电流波形实测数据，对杂散电流波形实 测数据预处理，形成实测杂散电流波形特征数据集，并将实测杂散电流波形特征数据集作 为测试集输入训练后的XGBoost模型，得到杂散电流波形真实的平均值、变化率、加权值、突 变量和扭曲系数的特征参数，并与预测的杂散电流波形的特征参数做比较，对训练后的 XGBoost模型进行修正，第k个杂散电流波形特征数据集元素的修正系数MI（k）为：
Figure 712499DEST_PATH_IMAGE006
；其中I stray (t j )为预测电流波形，I meas (t j )为实测电流波形，T 为列车在两个站点之间的平均运行时间。
10.基于大数据分析的轨道交通杂散电流波形预测系统，其特征是：包括轨道交通杂散电流分析大数据库和杂散电流波形预测模块，轨道交通杂散电流分析大数据库内设置有杂散电流数据采集区、交通运行状态监测区和数据处理区三个工作区；杂散电流数据采集区连接安装在受杂散电流侵扰的电力系统和管网系统接地位置的电流传感器，获取接地位置杂散电流历史波形；交通运行状态监测区通过接入地铁生产运行数据网和短期天气数值预报系统，收集轨道交通历史运行数据、非交通类历史数据和非交通类短期预测数据；杂散电流波形预测模块内置有XGBoost模型，数据处理区对杂散电流数据采集区和交通运行状态监测区所采集的数据进行处理，并输入至杂散电流波形预测模块内对XGBoost模型训练，应用人工智能技术预测轨道交通运行的短期轨道交通运行数据，并将短期轨道交通运行数据导入训练后的XGBoost模型内，通过训练后的XGBoost模型对预测时间的轨道交通的杂散电流波形进行预测，预测完成后，测量预测时间的杂散电流波形实测数据，对预测时间的杂散电流波形实测数据预处理，形成实测杂散电流波形特征数据集，并将实测杂散电流波形特征数据集作为测试集，用于检验和修正训练后的XGBoost模型。
CN202210435426.4A 2022-04-24 2022-04-24 基于大数据分析的轨道交通杂散电流波形预测系统及方法 Active CN114528773B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210435426.4A CN114528773B (zh) 2022-04-24 2022-04-24 基于大数据分析的轨道交通杂散电流波形预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210435426.4A CN114528773B (zh) 2022-04-24 2022-04-24 基于大数据分析的轨道交通杂散电流波形预测系统及方法

Publications (2)

Publication Number Publication Date
CN114528773A true CN114528773A (zh) 2022-05-24
CN114528773B CN114528773B (zh) 2022-09-02

Family

ID=81628178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210435426.4A Active CN114528773B (zh) 2022-04-24 2022-04-24 基于大数据分析的轨道交通杂散电流波形预测系统及方法

Country Status (1)

Country Link
CN (1) CN114528773B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115935162A (zh) * 2022-11-29 2023-04-07 重庆市机电设计研究院有限公司 杂散电流在线评估工作系统
CN117686769A (zh) * 2023-12-12 2024-03-12 国网湖北省电力有限公司电力科学研究院 一种多源直流分量智能化溯源方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050127891A1 (en) * 2003-11-07 2005-06-16 Korea Electro Technology Research Institute Apparatus with storage for measuring stray currents from subway rails and power lines
KR20090047279A (ko) * 2007-11-07 2009-05-12 한국전기연구원 지하철 주변 누설전류 저감용 분산형 외부전원 시스템 및그의 동작방법
CN105842528A (zh) * 2016-05-23 2016-08-10 南京大全自动化科技有限公司 一种地铁杂散电流采集装置
CN107991873A (zh) * 2017-12-11 2018-05-04 中国矿业大学 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法
CN108827867A (zh) * 2018-04-23 2018-11-16 中国矿业大学 一种基于数据挖掘技术的地铁杂散电流腐蚀特征信息的提取方法
CN109142908A (zh) * 2018-06-29 2019-01-04 中电普瑞电力工程有限公司 一种杂散电流对变电站接地点电位影响的计算方法及系统
CN110749541A (zh) * 2019-09-28 2020-02-04 徐州中矿传动轨道科技有限公司 地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法
WO2020158527A1 (ja) * 2019-01-30 2020-08-06 株式会社日立製作所 迷走電流推定システム、迷走電流推定方法、および迷走電流推定プログラム
CN111638396A (zh) * 2020-06-02 2020-09-08 安徽大学 一种基于Boost的土壤杂散电流电位监测方法
CN112330050A (zh) * 2020-11-20 2021-02-05 国网辽宁省电力有限公司营口供电公司 一种基于双层XGBoost考虑多特征的电力系统负荷预测方法
CN112415300A (zh) * 2020-10-25 2021-02-26 国网湖北省电力有限公司电力科学研究院 一种轨道交通与变压器直流偏磁关联性分析方法
CN112485503A (zh) * 2020-10-21 2021-03-12 天津大学 一种基于大数据处理的杂散电流测量系统及方法
CN112506982A (zh) * 2020-09-10 2021-03-16 泰豪软件股份有限公司 一种线路和配变的最大负载预测的方法
CN112765761A (zh) * 2020-11-18 2021-05-07 广州地铁设计研究院股份有限公司 一种轨道交通杂散电流泄露量计算方法
CN112883597A (zh) * 2020-12-31 2021-06-01 国网上海市电力公司 一种地铁杂散电流引起的变压器直流偏磁地电位计算方法
CN113205207A (zh) * 2021-04-19 2021-08-03 深圳供电局有限公司 一种基于XGBoost算法的用电短期负荷波动预测方法及系统
CN114117832A (zh) * 2022-01-27 2022-03-01 国网江西省电力有限公司电力科学研究院 一种轨道交通动态杂散电流分布的分析方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050127891A1 (en) * 2003-11-07 2005-06-16 Korea Electro Technology Research Institute Apparatus with storage for measuring stray currents from subway rails and power lines
KR20090047279A (ko) * 2007-11-07 2009-05-12 한국전기연구원 지하철 주변 누설전류 저감용 분산형 외부전원 시스템 및그의 동작방법
CN105842528A (zh) * 2016-05-23 2016-08-10 南京大全自动化科技有限公司 一种地铁杂散电流采集装置
CN107991873A (zh) * 2017-12-11 2018-05-04 中国矿业大学 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法
CN108827867A (zh) * 2018-04-23 2018-11-16 中国矿业大学 一种基于数据挖掘技术的地铁杂散电流腐蚀特征信息的提取方法
CN109142908A (zh) * 2018-06-29 2019-01-04 中电普瑞电力工程有限公司 一种杂散电流对变电站接地点电位影响的计算方法及系统
WO2020158527A1 (ja) * 2019-01-30 2020-08-06 株式会社日立製作所 迷走電流推定システム、迷走電流推定方法、および迷走電流推定プログラム
CN110749541A (zh) * 2019-09-28 2020-02-04 徐州中矿传动轨道科技有限公司 地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法
CN111638396A (zh) * 2020-06-02 2020-09-08 安徽大学 一种基于Boost的土壤杂散电流电位监测方法
CN112506982A (zh) * 2020-09-10 2021-03-16 泰豪软件股份有限公司 一种线路和配变的最大负载预测的方法
CN112485503A (zh) * 2020-10-21 2021-03-12 天津大学 一种基于大数据处理的杂散电流测量系统及方法
CN112415300A (zh) * 2020-10-25 2021-02-26 国网湖北省电力有限公司电力科学研究院 一种轨道交通与变压器直流偏磁关联性分析方法
CN112765761A (zh) * 2020-11-18 2021-05-07 广州地铁设计研究院股份有限公司 一种轨道交通杂散电流泄露量计算方法
CN112330050A (zh) * 2020-11-20 2021-02-05 国网辽宁省电力有限公司营口供电公司 一种基于双层XGBoost考虑多特征的电力系统负荷预测方法
CN112883597A (zh) * 2020-12-31 2021-06-01 国网上海市电力公司 一种地铁杂散电流引起的变压器直流偏磁地电位计算方法
CN113205207A (zh) * 2021-04-19 2021-08-03 深圳供电局有限公司 一种基于XGBoost算法的用电短期负荷波动预测方法及系统
CN114117832A (zh) * 2022-01-27 2022-03-01 国网江西省电力有限公司电力科学研究院 一种轨道交通动态杂散电流分布的分析方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JIANGWEN TANG 等: "Research on the Intelligent Monitoring System and the Prediction Model of the Stray Current in Rail Traffic", 《2021 3RD INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND ADVANCED MANUFACTURE (AIAM)》 *
张梦莉: "城市轨道交通杂散电流腐蚀机理及腐蚀预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *
张航远: "基于大数据的油气田地面管线寿命分析与研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *
蔡智超等: "考虑地铁车辆牵引因素下杂散电流的规律研究", 《电工电能新技术》 *
钟乾等: "轨道交通杂散电流分布数学模型的研究进展", 《煤气与热力》 *
陈超等: "轨交杂散电流监测与腐蚀预测", 《电器与能效管理技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115935162A (zh) * 2022-11-29 2023-04-07 重庆市机电设计研究院有限公司 杂散电流在线评估工作系统
CN117686769A (zh) * 2023-12-12 2024-03-12 国网湖北省电力有限公司电力科学研究院 一种多源直流分量智能化溯源方法

Also Published As

Publication number Publication date
CN114528773B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN114528773B (zh) 基于大数据分析的轨道交通杂散电流波形预测系统及方法
CN107248283B (zh) 一种考虑路段关键度的城市区域路网运行状态评价方法
CN110598290B (zh) 考虑气候变化的流域未来水电发电能力预测方法和系统
CN114049765B (zh) 基于自动车辆号牌识别数据的城市路网车流od估计方法
CN107153737B (zh) 基于力学-经验法的路面最佳轴载周期确定方法
CN102682601B (zh) 基于优化svm的高速公路交通事件检测方法
CN108388962B (zh) 一种风电功率预测系统及方法
CN107563566B (zh) 一种基于支持向量机的公交站间运行时间区间预测方法
CN102411729B (zh) 基于自适应线性逻辑网络的风电功率预测方法
CN109165693B (zh) 一种适用于露、霜和结冰的天气现象的自动判识方法
CN109726867B (zh) 一种基于多模式集合的高分辨率电力气象预报方法
CN113593220B (zh) 一种基于宏观基本图的路网承载力估计方法
CN113987912A (zh) 一种基于地理信息的污染物在线监测系统
CN104537052B (zh) 基于小波分析模极大值算法的交通出行换乘点识别方法
WO2021244472A1 (zh) 一种高铁沿线气象灾害发生风险分析方法
CN106600060A (zh) 基于相似日晴朗系数修正的太阳辐照量预测方法
CN109003128A (zh) 基于改进的随机森林公共自行车站点需求量预测方法
CN112183625A (zh) 一种基于深度学习的pm2.5高精度时空预测方法
CN105678406A (zh) 一种基于云模型的短期负荷预测方法
CN111199298A (zh) 基于神经网络的洪水预报方法与系统
CN117238126A (zh) 一种连续流道路场景下的交通事故风险评估方法
CN116205136A (zh) 基于径流滞后信息的大尺度流域深度学习洪水预报方法
CN105354763A (zh) 风电机组来流风速测量方法及装置
CN110070720A (zh) 提高交叉口占道施工区通行能力模型拟合度的计算方法
CN111091223A (zh) 一种基于物联网智能感知技术的配变短期负荷预测方法

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
CB02 Change of applicant information

Address after: 330096 No. 88, Minqiang Road, private science and Technology Park, Qingshanhu District, Nanchang City, Jiangxi Province

Applicant after: STATE GRID JIANGXI ELECTRIC POWER COMPANY LIMITED Research Institute

Applicant after: STATE GRID CORPORATION OF CHINA

Applicant after: STATE GRID JIANGXI ELECTRIC POWER Co.,Ltd.

Address before: 330096 No.88 Minqiang Road, private science and Technology Park, high tech Zone, Nanchang City, Jiangxi Province

Applicant before: STATE GRID JIANGXI ELECTRIC POWER COMPANY LIMITED Research Institute

Applicant before: STATE GRID CORPORATION OF CHINA

Applicant before: STATE GRID JIANGXI ELECTRIC POWER Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant