CN115221982A - 牵引供电运维方法、装置、终端及存储介质 - Google Patents

牵引供电运维方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN115221982A
CN115221982A CN202211147190.0A CN202211147190A CN115221982A CN 115221982 A CN115221982 A CN 115221982A CN 202211147190 A CN202211147190 A CN 202211147190A CN 115221982 A CN115221982 A CN 115221982A
Authority
CN
China
Prior art keywords
monitoring data
matrix
nodes
traction power
monitoring
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
CN202211147190.0A
Other languages
English (en)
Other versions
CN115221982B (zh
Inventor
刘懿德
谭子航
田行军
冯国杰
冯文钊
刘潇雨
王子豪
李占华
徐朝政
贡佳琪
王楠清
刘洋洋
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.)
Shijiazhuang Tiedao University
Original Assignee
Shijiazhuang Tiedao University
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 Shijiazhuang Tiedao University filed Critical Shijiazhuang Tiedao University
Priority to CN202211147190.0A priority Critical patent/CN115221982B/zh
Publication of CN115221982A publication Critical patent/CN115221982A/zh
Application granted granted Critical
Publication of CN115221982B publication Critical patent/CN115221982B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及牵引供电系统诊断技术领域，尤其涉及一种牵引供电运维方法、装置、终端及存储介质，本发明方法首先获取多个监测数据集；然后，根据所述多个监测数据集获取多个序列；接着，将多个序列按照预定的顺序，构建成特征矩阵，并对所述特征矩阵进行融合，获得融合矩阵；最后，将所述融合矩阵输入到诊断模型中，获取牵引供电系统的多个目标点的健康状态。本发明实施方式中，将监测数据集进行序列化，提取到了那些随时间变化的特征，这些特征作为诊断的依据，可以发现通过常规手段不能发现的设备亚健康状态，还将序列进行融合，基于融合的数据，送入诊断模型诊断，可以降低输入到模型中的数据量，从而减小模型的复杂程度，减少模型的运算量。

Description

牵引供电运维方法、装置、终端及存储介质
技术领域
本发明涉及牵引供电系统诊断技术领域，尤其涉及一种牵引供电运维方法、装置、终端及存储介质。
背景技术
地铁的设计和运维是复杂的系统工程，其可靠性的影响因素涉及到多个方面，其中机电系统及关键部件的健康状态维护与保持能力是评价地铁技术水平的重要内容。近年来，得益于智能化和信息技术的快速发展，人们对故障和异常事件的响应也由传统的被动反应开始向主动预防转变，智能诊断和故障预测技术在地铁的运营维护中得到了快速发展。在由周期性维护向基于状态维护模式转变的大背景下，突破地铁系统及关键部件健康监测、在线故障诊断、预测及健康管理技术，是提升地铁安全保障能力、降低运维成本、提高运营效率的重要途径，也是智能地铁组持续发展的主流趋势。
综合运用城市轨道运维产生的实时数据和历史数据，提取智能诊断模型，对供电设备运行状态进行监控和预测，是建立城市轨道智能诊断和故障预测系统的思路和方法。
现有技术中，智慧运维技术在轨道交通领域的相关研究刚刚起步，其正在逐渐成为人们研究的热点，且有了初步的应用。不过对于大数据、数据融合、智能决策等技术的研究还很少，智能化水平不够，需要更多的基础理论研究作为支撑，对机电系统尤其是牵引供电系统的健康诊断、异常监测以及寿命预测方面，始终缺乏较好的技术手段。
基于此，需要开发设计出一种牵引供电运维方法。
发明内容
本发明实施方式提供了一种牵引供电运维方法、装置、终端及存储介质，用于解决现有技术中对监测大数据利用较少，缺乏通过对牵引供电系统健康诊断发现早期异常的问题。
第一方面，本发明实施方式提供了一种牵引供电运维方法，包括：
基于多个目标监测点获取多个监测数据集，其中，监测数据集包括按照时间顺序获取的多个监测数据，监测数据表征影响牵引供电系统正常运行的因素；
根据所述多个监测数据集，获取多个序列，其中，所述多个序列与所述多个监测数据集相对应，序列表征所述监测数据集中多个监测数据随时间变化的特征；
将所述多个序列按照预定的顺序，构建成特征矩阵，并对所述特征矩阵进行融合，获得融合矩阵；
将所述融合矩阵输入到诊断模型中，获取牵引供电系统的多个目标点的健康状态，其中，目标点为牵引供电系统中的运行维护节点。
在一种可能实现的方式中，在所述基于多个目标监测点获取多个监测数据集之前，根据因素数据集与牵引供电系统的多个目标点健康状态的关联性，确定所要获取的监测数据，包括：
获取多个因素数据集和多个状态集，其中，因素集中包括从监测点获取的多个历史监测数据，状态集中包括从目标点获取的多个历史健康状态，所述多个历史监测数据和所述多个历史健康状态基于相同的多个时间节点获取；
对于每个因素集，执行如下步骤：
根据因素集、所述多个状态集以及第一公式，获取多个关联因子，其中，关联因子表征因素集与状态集的关联性，所述第一公式为：
Figure 523625DEST_PATH_IMAGE001
式中，
Figure 826430DEST_PATH_IMAGE002
为第
Figure 42648DEST_PATH_IMAGE003
个关联因子，
Figure 659574DEST_PATH_IMAGE004
为因素集的第
Figure 182697DEST_PATH_IMAGE005
个历史监测数据，
Figure 594087DEST_PATH_IMAGE006
为第
Figure 828759DEST_PATH_IMAGE007
个状 态集的第
Figure 249376DEST_PATH_IMAGE005
个历史健康状态，
Figure 128470DEST_PATH_IMAGE008
为因素集中历史监测数据的总数量；
从所述多个关联因子中，选取值最大的因子，作为代表因子；
若所述代表因子超过阈值，则将获取因素集中多个历史监测数据的监测点作为目标监测点。
在一种可能实现的方式中，所述根据所述多个监测数据集，获取多个序列，包括：
获取基本频率，其中，基本频率表征将检测数据集进行频率化的基本频率；
对于每个监测数据集，执行如下步骤：
根据监测数据集、基本频率以及第二公式，获取序列，其中，所述第二公式为：
Figure 241920DEST_PATH_IMAGE009
式中，
Figure 901571DEST_PATH_IMAGE010
为序列中的第
Figure 922617DEST_PATH_IMAGE011
个元素，表征对应第
Figure 984114DEST_PATH_IMAGE011
频率的系数；
Figure 940569DEST_PATH_IMAGE012
为序列中的第
Figure 821937DEST_PATH_IMAGE011
个元素的第一分量，
Figure 849936DEST_PATH_IMAGE013
为序列中的第
Figure 828256DEST_PATH_IMAGE011
个元素的第二分量，
Figure 17929DEST_PATH_IMAGE014
为监测数据集中第
Figure 589856DEST_PATH_IMAGE005
个监测 数据，
Figure 890387DEST_PATH_IMAGE015
为监测数据集中监测数据的总数量，
Figure 723214DEST_PATH_IMAGE016
为第一频率函数，
Figure 349367DEST_PATH_IMAGE017
为第二 频率函数，
Figure 205328DEST_PATH_IMAGE018
为基本频率的周期，
Figure DEST_PATH_IMAGE019
为第
Figure 480189DEST_PATH_IMAGE005
个监测数据的采样时间。
在一种可能实现的方式中，所述根据所述多个监测数据集，获取多个序列，包括：
获取基本频率，其中，基本频率表征将检测数据集进行频率化的基本频率；
对于每个监测数据集，执行如下步骤：
根据监测数据集、基本频率以及第三公式，获取序列，其中，所述第三公式为：
Figure 433102DEST_PATH_IMAGE020
式中，
Figure 964577DEST_PATH_IMAGE010
为序列中的第
Figure 573413DEST_PATH_IMAGE011
个元素，表征对应第
Figure 153430DEST_PATH_IMAGE011
频率的系数；
Figure 898532DEST_PATH_IMAGE014
为监测数据集中 第
Figure 663226DEST_PATH_IMAGE005
个监测数据，
Figure 493779DEST_PATH_IMAGE015
为监测数据集中监测数据的总数量，
Figure 877486DEST_PATH_IMAGE021
为自然常数，
Figure 742674DEST_PATH_IMAGE003
为虚数单位，
Figure 678269DEST_PATH_IMAGE022
为 圆周率，
Figure 996118DEST_PATH_IMAGE023
为监测数据集采样持续时长。
在一种可能实现的方式中，所述将所述多个序列按照预定的顺序，构建成特征矩阵，并对所述特征矩阵进行融合，获得融合矩阵，包括：
将所述多个序列作为特征矩阵的列，按照预定的顺序排列，构成特征矩阵；
获取中间矩阵、融合矩阵以及多个核矩阵，其中，核矩阵表征多个目标点产生异常时基于目标监测点获取的特征矩阵，所述中间矩阵与所述核矩阵同型，所述融合矩阵为空矩阵；
按照以下步骤，获取特征核：
从所述特征矩阵中的预定位置获取数据块，放入所述中间矩阵中；
特征核获取步骤：计算所述中间矩阵与所述多个核矩阵的内积，获得多个特征核；
按照预定的顺序，将所述多个特征核加入到所述融合矩阵中；
若所述中间矩阵获取数据块的位置不是所述特征矩阵的最后的位置，则按照预定的顺序从所述特征矩阵中获取数据块，放入到所述中间矩阵中，并跳转至所述特征核获取步骤。
在一种可能实现的方式中，所述诊断模型基于人工神经网络建立初始模型，所述初始模型经训练后作为所述诊断模型，所述初始模型包括：输入层、隐含层以及输出层，其中，所述输入层的输入节点数量与所述融合矩阵的元素数量相同，所述输出层的输出节点数量与所述多个目标点的数量相同，所述将所述融合矩阵输入到诊断模型中，获取牵引供电系统的多个目标点的健康状态，包括：
按照预定的顺序从所述融合矩阵中获取多个输入元素；
将所述多个输入元素输入到所述诊断模型的输入节点中；
通过所述诊断模型的多个节点获取所述诊断模型的多个输出，其中，所述多个输出表征所述多个目标点的健康状态；
对于所述初始模型的训练包括：
获取多个样本矩阵，其中，样本矩阵包括输入样本和标签，所述输入样本用于表征多个目标监测点监测数据随时间变化的特征，所述标签用于标识所述输入样本对应的多个目标点的健康状态；
将所述多个样本矩阵输入到所述初始模型中，获取所述初始模型的输出；
根据所述初始模型的输出与所述多个样本矩阵的标签的偏差，通过反向传播算法，调整所述初始模型的参数，直至所述初始模型的输出与所述多个样本矩阵的标签的偏差小于阈值；
固定所述初始模型的参数，将所述初始模型作为所述诊断模型。
在一种可能实现的方式中，所述初始模型的隐含层包括多个前向传播节点和多个反向传播节点；
所述输出层的输出节点接受所述多个前向传播节点的输出；
所述多个反向传播节点的数量与所述输入层的输入节点的数量相同，所述多个反向传播节点接受所述输出层的输出节点的输出，所述多个前向传播节点接受所述输入层的输入节点的输出以及所述多个反向传播节点的输出；
其中，所述反向传播节点的激活函数为：
Figure 917938DEST_PATH_IMAGE024
式中，
Figure 903211DEST_PATH_IMAGE025
为第
Figure 947391DEST_PATH_IMAGE026
个反向传播节点的激活函数，
Figure 549273DEST_PATH_IMAGE027
为输出节点的输出的集合，
Figure 337101DEST_PATH_IMAGE021
为自然常数，
Figure 176881DEST_PATH_IMAGE028
为输出层的输出节点的总数量，
Figure 828180DEST_PATH_IMAGE029
为输出层的第
Figure 120621DEST_PATH_IMAGE030
个输出节点的反向传 播权重，
Figure 508877DEST_PATH_IMAGE031
为输出层的第
Figure 203163DEST_PATH_IMAGE030
个输出节点的输出，
Figure 526828DEST_PATH_IMAGE032
为第
Figure 40986DEST_PATH_IMAGE026
个反向传播节点的偏置常数。
第二方面，本发明实施方式提供了一种牵引供电运维装置，包括：
用于实现如上第一方面或第一方面的任一种可能的实现方式，包括：
监测数据获取模块，用于基于多个目标监测点获取多个监测数据集，其中，监测数据集包括按照时间顺序获取的多个监测数据，监测数据表征影响牵引供电系统正常运行的因素；
监测数据序列化模块，用于根据所述多个监测数据集，获取多个序列，其中，所述多个序列与所述多个监测数据集相对应，序列表征所述监测数据集中多个监测数据随时间变化的特征；
融合模块，用于将所述多个序列按照预定的顺序，构建成特征矩阵，并对所述特征矩阵进行融合，获得融合矩阵；
以及，
健康评价模块，用于将所述融合矩阵输入到诊断模型中，获取牵引供电系统的多个目标点的健康状态，其中，目标点为牵引供电系统中的运行维护节点。
第三方面，本发明实施方式提供了一种终端，包括存储器以及处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施方式提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施方式与现有技术相比存在的有益效果是：
本发明实施方式公开了一种牵引供电运维方法，其首先基于多个目标监测点获取多个监测数据集，其中，监测数据集包括按照时间顺序获取的多个监测数据，监测数据表征影响牵引供电系统正常运行的因素；然后，根据所述多个监测数据集，获取多个序列，其中，所述多个序列与所述多个监测数据集相对应，序列表征所述监测数据集中多个监测数据随时间变化的特征；接着，将所述多个序列按照预定的顺序，构建成特征矩阵，并对所述特征矩阵进行融合，获得融合矩阵；最后，将所述融合矩阵输入到诊断模型中，获取牵引供电系统的多个目标点的健康状态，其中，目标点为牵引供电系统中的运行维护节点。本发明实施方式中，将监测数据集进行序列化，提取到了那些随时间变化的特征，这些特征作为诊断的依据，可以发现通过常规手段不能发现的设备亚健康状态。本发明实施方式中还将序列进行融合，基于融合的数据，送入诊断模型诊断，可以降低输入到模型中的数据量，从而减小模型的复杂程度，减少模型的运算量。
附图说明
为了更清楚地说明本发明实施方式中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施方式提供的牵引供电运维方法的流程图；
图2是本发明实施方式提供的将特征矩阵进行融合获得融合矩阵的过程示意图；
图3是本发明实施方式提供的初始模型的功能框图；
图4是本发明实施方式提供的牵引供电运维装置功能框图；
图5是本发明实施方式提供的终端功能框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施方式。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施方式中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施方式来进行说明。
下面对本发明的实施例作详细说明，本实例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
图1为本发明实施方式提供的牵引供电运维方法的流程图。
如图1所示，其示出了本发明实施方式提供的牵引供电运维方法的实现流程图，详述如下：
在步骤101中，基于多个目标监测点获取多个监测数据集，其中，监测数据集包括按照时间顺序获取的多个监测数据，监测数据表征影响牵引供电系统正常运行的因素。
在一些实施方式中，在所述步骤101步骤之前，根据因素数据集与牵引供电系统的多个目标点健康状态的关联性，确定所要获取的监测数据，包括：
获取多个因素数据集和多个状态集，其中，因素集中包括从监测点获取的多个历史监测数据，状态集中包括从目标点获取的多个历史健康状态，所述多个历史监测数据和所述多个历史健康状态基于相同的多个时间节点获取；
对于每个因素集，执行如下步骤：
根据因素集、所述多个状态集以及第一公式，获取多个关联因子，其中，关联因子表征因素集与状态集的关联性，所述第一公式为：
Figure 232933DEST_PATH_IMAGE001
式中，
Figure 781726DEST_PATH_IMAGE002
为第
Figure 604189DEST_PATH_IMAGE003
个关联因子，
Figure 543326DEST_PATH_IMAGE004
为因素集的第
Figure 476647DEST_PATH_IMAGE005
个历史监测数据，
Figure 942263DEST_PATH_IMAGE006
为第
Figure 935627DEST_PATH_IMAGE007
个状 态集的第
Figure 424377DEST_PATH_IMAGE005
个历史健康状态，
Figure 99072DEST_PATH_IMAGE008
为因素集中历史监测数据的总数量；
从所述多个关联因子中，选取值最大的因子，作为代表因子；
若所述代表因子超过阈值，则将获取因素集中多个历史监测数据的监测点作为目标监测点。
示例性地，本发明实施方式中，采用通过多个目标监测点的数据集，作为输入，诊断牵引供电系统中多个目标点的健康状态。
例如，在一个应用场景中牵引供电系统变压器的温度、一次侧电流、二次侧电流这些作为目标监测点，从这些监测点，先后获取的数据，整理后获得的即为监测数据集，例如，变压器的温度每隔10分钟采集一次，那么24小时就可以采集1440个温度数据，这些温度数据整理成集合，就构成了温度数据集。
将多个数据集进行处理后，就可以送入诊断模型诊断诸如上述变压器作为目标点的健康状态。
上述健康状态是指变压器是处于完好、异常或者故障的状态，而对于异常和故障，在一些应用场景中，还给出了异常或故障代码，例如，绝缘油成分异常代码为0x00FE，超温故障代码为0x000A，当将多个数据集输入到诊断模型后，会从诊断模型中对应变压器诊断的输出节点中输出上述代码，作为评价系统运行状态的指示。
事实上，现有技术中，对于影响目标点健康状态的因素，通常是根据人的经验确定的，这在确定影响牵引供电系统正常运行的因素方面，存在不足，例如，有些因素影响诸如房屋结构影响上述场景中变压器的温度，根据人的经验，很可能被忽略掉。
本发明实施方式中提供了一种确定影响目标点健康状态的因素的方式，简而言之，就是根据因素与目标点之间的关联性，确定这个监测点能否作为目标监测点，获取监测数据。
具体来说，就是获取因素数据集和目标点的状态集，这两个集基于同一时间段获取，具备时间上的统一性，然后，根据如下公式获取关联性：
Figure 356878DEST_PATH_IMAGE001
式中，
Figure 317881DEST_PATH_IMAGE002
为第
Figure 559506DEST_PATH_IMAGE003
个关联因子，
Figure 834630DEST_PATH_IMAGE004
为因素集的第
Figure 383161DEST_PATH_IMAGE005
个历史监测数据，
Figure 718327DEST_PATH_IMAGE006
为第
Figure 978407DEST_PATH_IMAGE007
个状 态集的第
Figure 57222DEST_PATH_IMAGE005
个历史健康状态，
Figure 961724DEST_PATH_IMAGE008
为因素集中历史监测数据的总数量；
上述公式在应用中，就每个因素集，分别与多个目标点的状态集进行运算，获取关联因子，如果因素集能与多个目标点的其中一个状态集关联上，就将这个因素集对应的监测点作为目标监测点。
上述确定目标监测点的方法，相比凭人的经验的方法，更科学，且减少了那些与目标点状态无关因素的输入，也提高了诊断输出的准确性。
在步骤102中，根据所述多个监测数据集，获取多个序列，其中，所述多个序列与所述多个监测数据集相对应，序列表征所述监测数据集中多个监测数据随时间变化的特征。
在一些实施方式中，步骤102包括：
获取基本频率，其中，基本频率表征将检测数据集进行频率化的基本频率；
对于每个监测数据集，执行如下步骤：
根据监测数据集、基本频率以及第二公式，获取序列，其中，所述第二公式为：
Figure 467791DEST_PATH_IMAGE009
式中，
Figure 418430DEST_PATH_IMAGE010
为序列中的第
Figure 97673DEST_PATH_IMAGE011
个元素，表征对应第
Figure 184578DEST_PATH_IMAGE011
频率的系数；
Figure 799230DEST_PATH_IMAGE012
为序列中的第
Figure 971585DEST_PATH_IMAGE011
个元素的第一分量，
Figure 454519DEST_PATH_IMAGE013
为序列中的第
Figure 661509DEST_PATH_IMAGE011
个元素的第二分量，
Figure 509380DEST_PATH_IMAGE014
为监测数据集中第
Figure 106714DEST_PATH_IMAGE005
个监测 数据，
Figure 65443DEST_PATH_IMAGE015
为监测数据集中监测数据的总数量，
Figure 189257DEST_PATH_IMAGE016
为第一频率函数，
Figure 208028DEST_PATH_IMAGE017
为第二 频率函数，
Figure 354976DEST_PATH_IMAGE018
为基本频率的周期，
Figure 553614DEST_PATH_IMAGE019
为第
Figure 469617DEST_PATH_IMAGE005
个监测数据的采样时间。
在一些实施方式中，步骤102包括：
获取基本频率，其中，基本频率表征将检测数据集进行频率化的基本频率；
对于每个监测数据集，执行如下步骤：
根据监测数据集、基本频率以及第三公式，获取序列，其中，所述第三公式为：
Figure 721607DEST_PATH_IMAGE020
式中，
Figure 355851DEST_PATH_IMAGE010
为序列中的第
Figure 656382DEST_PATH_IMAGE011
个元素，表征对应第
Figure 630154DEST_PATH_IMAGE011
频率的系数；
Figure 990728DEST_PATH_IMAGE014
为监测数据集中 第
Figure 909006DEST_PATH_IMAGE005
个监测数据，
Figure 13228DEST_PATH_IMAGE015
为监测数据集中监测数据的总数量，
Figure 169403DEST_PATH_IMAGE021
为自然常数，
Figure 638562DEST_PATH_IMAGE003
为虚数单位，
Figure 981818DEST_PATH_IMAGE022
为 圆周率，
Figure 686469DEST_PATH_IMAGE023
为监测数据集采样持续时长。
示例性地，人们总是期望从数据中挖掘出一些点，例如，上述变压器的应用场景中变压器的温度超限值、二次电流超限值等等，但是，如果仅以这些作为诊断的关键点，往往是目标点发生了较为严重的异常或者故障，应当立即采取措施。
显然，这种方式与我们使用诊断模型的初衷相悖，能确定目标点的故障状态，却不能发现一些早期的、不影响设备运行的异常，即亚健康点。本发明实施方式中，采用提取数据集中的一些奇异的点，作为分析的入口点，正所谓“事出蹊跷必有妖”，这种情况类似生活中，如果某位同学成绩稳定在班级前三名，如果这位同学成绩出现了较快的下降，例如，成绩在短期内下滑到班级第八名，尽管成绩还不错，但是，这里肯定说明这位同学最近一段时间发生了一些影响学习的情况，应当着手采取措施。
上述为步骤102的基本构思。
具体而言，序列的获取上，本发明实施方式提供了两种可能：
第一种方案中，首先获取基本频率，基本频率一般较低，而其它频率则为该基本频率的整数倍，下面会结合公式说明基本频率和其它频率的应用。
然后，将每个监测数据集，根据下式提取序列：
Figure 431571DEST_PATH_IMAGE009
式中，
Figure 71631DEST_PATH_IMAGE010
为序列中的第
Figure 167763DEST_PATH_IMAGE011
个元素，表征对应第
Figure 613788DEST_PATH_IMAGE011
频率的系数；
Figure 275713DEST_PATH_IMAGE012
为序列中的第
Figure 148991DEST_PATH_IMAGE011
个元素的第一分量，
Figure 738996DEST_PATH_IMAGE013
为序列中的第
Figure 988712DEST_PATH_IMAGE011
个元素的第二分量，
Figure 708406DEST_PATH_IMAGE014
为监测数据集中第
Figure 814902DEST_PATH_IMAGE005
个监测 数据，
Figure 620047DEST_PATH_IMAGE015
为监测数据集中监测数据的总数量，
Figure 345558DEST_PATH_IMAGE016
为第一频率函数，
Figure 185338DEST_PATH_IMAGE017
为第二 频率函数，
Figure 400419DEST_PATH_IMAGE018
为基本频率的周期，
Figure 755177DEST_PATH_IMAGE019
为第
Figure 81116DEST_PATH_IMAGE005
个监测数据的采样时间。
第二种方案中，首先获取基本频率，如同第一种方案，基本频率一般较低，而其它频率则为该基本频率的整数倍，下面会结合公式说明基本频率和其它频率的应用。
然后，将每个监测数据集，根据下式提取序列：
Figure 447506DEST_PATH_IMAGE020
式中，
Figure 99067DEST_PATH_IMAGE010
为序列中的第
Figure 675542DEST_PATH_IMAGE011
个元素，表征对应第
Figure 70751DEST_PATH_IMAGE011
频率的系数；
Figure 291648DEST_PATH_IMAGE014
为监测数据集中 第
Figure 114111DEST_PATH_IMAGE005
个监测数据，
Figure 115565DEST_PATH_IMAGE015
为监测数据集中监测数据的总数量，
Figure 111203DEST_PATH_IMAGE021
为自然常数，
Figure 514502DEST_PATH_IMAGE003
为虚数单位，
Figure 507866DEST_PATH_IMAGE022
为 圆周率，
Figure 432834DEST_PATH_IMAGE023
为监测数据集采样持续时长。
上述两种技术方案中，实现了对监测数据集的序列化，其提取了多个序列随时间变化的特征，以利于找到数据集中的那些奇异点。
在步骤103中，将所述多个序列按照预定的顺序，构建成特征矩阵，并对所述特征矩阵进行融合，获得融合矩阵。
在一些实施方式中，步骤103包括：
将所述多个序列作为特征矩阵的列，按照预定的顺序排列，构成特征矩阵；
获取中间矩阵、融合矩阵以及多个核矩阵，其中，核矩阵表征多个目标点产生异常时基于目标监测点获取的特征矩阵，所述中间矩阵与所述核矩阵同型，所述融合矩阵为空矩阵；
按照以下步骤，获取特征核：
从所述特征矩阵中的预定位置获取数据块，放入所述中间矩阵中；
特征核获取步骤：计算所述中间矩阵与所述多个核矩阵的内积，获得多个特征核；
按照预定的顺序，将所述多个特征核加入到所述融合矩阵中；
若所述中间矩阵获取数据块的位置不是所述特征矩阵的最后的位置，则按照预定的顺序从所述特征矩阵中获取数据块，放入到所述中间矩阵中，并跳转至所述特征核获取步骤。
将多个序列按照预定的顺序排列，就获得了特征矩阵，一种排列方式是将多个序列作为列，依次排列获得特征矩阵。
如图2所示，该图示出了从特征矩阵中提取融合矩阵的一些步骤。图中特征矩阵201每次从其中提取出一部分列，将这些列填充入中间矩阵202，中间矩阵再和多个核矩阵203进行内积操作，就获得了内积的结果，内积结果按照预定的顺序填充入事先准备好的一个空矩阵中，然后，移动从特征矩阵201提取列的位置，再提取一部分列，填充入中间矩阵202，再次进行内积操作，如此往复，就获得了一个融合矩阵。
融合矩阵的特点是将较为庞大的特征矩阵，再次进行压缩，缩小为一个较小的矩阵，同时保留了那些序列化后的奇异点的特征，为送入模型中计算，打下了准备，减小了模型的复杂程度，减少了计算量。
在步骤104中，将所述融合矩阵输入到诊断模型中，获取牵引供电系统的多个目标点的健康状态，其中，目标点为牵引供电系统中的运行维护节点。
在一些实施方式中，所述诊断模型基于人工神经网络建立初始模型，所述初始模型经训练后作为所述诊断模型，所述初始模型包括：输入层、隐含层以及输出层，其中，所述输入层的输入节点数量与所述融合矩阵的元素数量相同，所述输出层的输出节点数量与所述多个目标点的数量相同，步骤104包括：
按照预定的顺序从所述融合矩阵中获取多个输入元素；
将所述多个输入元素输入到所述诊断模型的输入节点中；
通过所述诊断模型的多个节点获取所述诊断模型的多个输出，其中，所述多个输出表征所述多个目标点的健康状态；
对于所述初始模型的训练包括：
获取多个样本矩阵，其中，样本矩阵包括输入样本和标签，所述输入样本用于表征多个目标监测点监测数据随时间变化的特征，所述标签用于标识所述输入样本对应的多个目标点的健康状态；
将所述多个样本矩阵输入到所述初始模型中，获取所述初始模型的输出；
根据所述初始模型的输出与所述多个样本矩阵的标签的偏差，通过反向传播算法，调整所述初始模型的参数，直至所述初始模型的输出与所述多个样本矩阵的标签的偏差小于阈值；
固定所述初始模型的参数，将所述初始模型作为所述诊断模型。
在一些实施方式中，所述初始模型的隐含层包括多个前向传播节点和多个反向传播节点；
所述输出层的输出节点接受所述多个前向传播节点的输出；
所述多个反向传播节点的数量与所述输入层的输入节点的数量相同，所述多个反向传播节点接受所述输出层的输出节点的输出，所述多个前向传播节点接受所述输入层的输入节点的输出以及所述多个反向传播节点的输出；
其中，所述反向传播节点的激活函数为：
Figure 904267DEST_PATH_IMAGE024
式中，
Figure 224390DEST_PATH_IMAGE025
为第
Figure 388655DEST_PATH_IMAGE026
个反向传播节点的激活函数，
Figure 302384DEST_PATH_IMAGE027
为输出节点的输出的集合，
Figure 577508DEST_PATH_IMAGE021
为自然常数，
Figure 752137DEST_PATH_IMAGE028
为输出层的输出节点的总数量，
Figure 821725DEST_PATH_IMAGE029
为输出层的第
Figure 550646DEST_PATH_IMAGE030
个输出节点的反向传 播权重，
Figure 301564DEST_PATH_IMAGE031
为输出层的第
Figure 533963DEST_PATH_IMAGE030
个输出节点的输出，
Figure 102347DEST_PATH_IMAGE032
为第
Figure 787407DEST_PATH_IMAGE026
个反向传播节点的偏置常数。
示例性地，如图3所示，该图中示出了本发明实施方式提供的初始模型的结构图。
图中的模型基于BP神经网络模型进行改进获得，如我们所知，BP神经网络模型包括有输入层301、隐含层和输出层303，本发明实施方式中输入层301的多个节点与融合矩阵中的元素数量相同，用于一一对应的输入融合矩阵的元素。
输出层303用于输出多个目标点的健康状态，输出层的输出节点的数量与多个目标点的数量相同。
初始模型经过训练后，就可以作为诊断模型，训练的具体步骤而言，就是获得多个训练样本矩阵，这些样本矩包括有输入样本和标签，输入样本的获取方法如上述过程所述，标签则是与输入样本原始数据同期的目标点的健康状态。
将上述多个样本矩阵的输入样本输入到初始模型中，会获得多个输出，多个输出与多个样本矩阵的标签的偏差作为依据，通过反向传播算法，调整初始模型的参数，然后，再次输入多个样本矩阵的输入样本，并通过偏差调整初始模型的参数，通过上述迭代过程，初始模型的输出结果会逐步逼近与样本矩阵的标签，当输出结果与样本矩阵的标签的偏差小于阈值时，此时认为训练完成，固定初始模型的参数，将初始模型作为诊断模型。
如图3所示，此外，对于模型的结构上，一个重要的需要声明的点是，本发明实施方式中，对现有技术中BP神经网络的改进是，设有多个前向传播节点302和多个反向传播节点304，这些多个前向传播节点302和多个反向传播节点304构成了该初始模型的隐含层。
其中，多个前向传播节点302为接受输入层301的输入，向输出层303输出结果。而反向传播层接收输出层303的结果，经过处理后，再次送入到多个前向传播节点302中，成为下一个处理时序的处理输入。需要说明的是，图中多个反向传播节点304是将本次时序运算的结果，与输入层301下个时序的输出一同送入下一次时序的多个前向传播节点302，限于图幅的表达，下个时序中输入层301并未示出。
本发明牵引供电运维方法实施方式，其首先基于多个目标监测点获取多个监测数据集，其中，监测数据集包括按照时间顺序获取的多个监测数据，监测数据表征影响牵引供电系统正常运行的因素；然后，根据所述多个监测数据集，获取多个序列，其中，所述多个序列与所述多个监测数据集相对应，序列表征所述监测数据集中多个监测数据随时间变化的特征；接着，将所述多个序列按照预定的顺序，构建成特征矩阵，并对所述特征矩阵进行融合，获得融合矩阵；最后，将所述融合矩阵输入到诊断模型中，获取牵引供电系统的多个目标点的健康状态，其中，目标点为牵引供电系统中的运行维护节点。本发明实施方式中，将监测数据集进行序列化，提取到了那些随时间变化的特征，这些特征作为诊断的依据，可以发现通过常规手段不能发现的设备亚健康状态。本发明实施方式中还将序列进行融合，基于融合的数据，送入诊断模型诊断，可以降低输入到模型中的数据量，从而减小模型的复杂程度，减少模型的运算量。
应理解，上述实施方式中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施方式的实施过程构成任何限定。
以下为本发明的装置实施方式，对于其中未详尽描述的细节，可以参考上述对应的方法实施方式。
图4是本发明实施方式提供的牵引供电运维装置功能框图，参照图4，牵引供电运维装置4包括：监测数据获取模块401、监测数据序列化模块402、融合模块403以及健康评价模块404，其中：
监测数据获取模块401，用于基于多个目标监测点获取多个监测数据集，其中，监测数据集包括按照时间顺序获取的多个监测数据，监测数据表征影响牵引供电系统正常运行的因素；
监测数据序列化模块402，用于根据所述多个监测数据集，获取多个序列，其中，所述多个序列与所述多个监测数据集相对应，序列表征所述监测数据集中多个监测数据随时间变化的特征；
融合模块403，用于将所述多个序列按照预定的顺序，构建成特征矩阵，并对所述特征矩阵进行融合，获得融合矩阵；
健康评价模块404，用于将所述融合矩阵输入到诊断模型中，获取牵引供电系统的多个目标点的健康状态，其中，目标点为牵引供电系统中的运行维护节点。
图5是本发明实施方式提供的终端的功能框图。如图5所示，该实施方式的终端5包括：处理器500和存储器501，所述存储器501中存储有可在所述处理器500上运行的计算机程序502。所述处理器500执行所述计算机程序502时实现上述各个牵引供电运维方法及实施方式中的步骤，例如图1所示的步骤101至步骤104。
示例性的，所述计算机程序502可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器501中，并由所述处理器500执行，以完成本发明。
所述终端5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端5可包括，但不仅限于，处理器500、存储器501。本领域技术人员可以理解，图5仅仅是终端5的示例，并不构成对终端5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端5还可以包括输入输出设备、网络接入设备、总线等。
所称处理器500可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器501可以是所述终端5的内部存储单元，例如终端5的硬盘或内存。所述存储器501也可以是所述终端5的外部存储设备，例如所述终端5上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器501还可以既包括所述终端5的内部存储单元也包括外部存储设备。所述存储器501用于存储所述计算机程序502以及所述终端5所需的其他程序和数据。所述存储器501还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施方式中的对应过程，在此不再赘述。
在上述实施方式中，对各个实施方式的描述都各有侧重，某个实施方式中没有详述或记载的部分，可以参见其它实施方式的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施方式描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施方式中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施方式仅仅是示意性的，例如，所述模块或单元的划分，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，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述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方式方案的目的。
另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施方式方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法及装置实施方式的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。
以上所述实施方式仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施方式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：其依然可以对前述各实施方式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各实施方式技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种牵引供电运维方法，其特征在于，包括：
基于多个目标监测点获取多个监测数据集，其中，监测数据集包括按照时间顺序获取的多个监测数据，监测数据表征影响牵引供电系统正常运行的因素；
根据所述多个监测数据集，获取多个序列，其中，所述多个序列与所述多个监测数据集相对应，序列表征所述监测数据集中多个监测数据随时间变化的特征；
将所述多个序列按照预定的顺序，构建成特征矩阵，并对所述特征矩阵进行融合，获得融合矩阵；
将所述融合矩阵输入到诊断模型中，获取牵引供电系统的多个目标点的健康状态，其中，目标点为牵引供电系统中的运行维护节点。
2.根据权利要求1所述的牵引供电运维方法，其特征在于，在所述基于多个目标监测点获取多个监测数据集之前，根据因素数据集与牵引供电系统的多个目标点健康状态的关联性，确定所要获取的监测数据，包括：
获取多个因素数据集和多个状态集，其中，因素集中包括从监测点获取的多个历史监测数据，状态集中包括从目标点获取的多个历史健康状态，所述多个历史监测数据和所述多个历史健康状态基于相同的多个时间节点获取；
对于每个因素集，执行如下步骤：
根据因素集、所述多个状态集以及第一公式，获取多个关联因子，其中，关联因子表征因素集与状态集的关联性，所述第一公式为：
Figure 390081DEST_PATH_IMAGE001
式中，
Figure 476986DEST_PATH_IMAGE002
为第
Figure 91638DEST_PATH_IMAGE003
个关联因子，
Figure 263993DEST_PATH_IMAGE004
为因素集的第
Figure 684610DEST_PATH_IMAGE005
个历史监测数据，
Figure 953917DEST_PATH_IMAGE006
为第
Figure 801788DEST_PATH_IMAGE007
个状态集 的第
Figure 921095DEST_PATH_IMAGE005
个历史健康状态，
Figure 879824DEST_PATH_IMAGE008
为因素集中历史监测数据的总数量；
从所述多个关联因子中，选取值最大的因子，作为代表因子；
若所述代表因子超过阈值，则将获取因素集中多个历史监测数据的监测点作为目标监测点。
3.根据权利要求1所述的牵引供电运维方法，其特征在于，所述根据所述多个监测数据集，获取多个序列，包括：
获取基本频率，其中，基本频率表征将检测数据集进行频率化的基本频率；
对于每个监测数据集，执行如下步骤：
根据监测数据集、基本频率以及第二公式，获取序列，其中，所述第二公式为：
Figure 738058DEST_PATH_IMAGE009
式中，
Figure 756830DEST_PATH_IMAGE010
为序列中的第
Figure 841461DEST_PATH_IMAGE011
个元素，表征对应第
Figure 869459DEST_PATH_IMAGE011
频率的系数；
Figure 785463DEST_PATH_IMAGE012
为序列中的第
Figure 771873DEST_PATH_IMAGE011
个元 素的第一分量，
Figure 406117DEST_PATH_IMAGE013
为序列中的第
Figure 644331DEST_PATH_IMAGE011
个元素的第二分量，
Figure 680421DEST_PATH_IMAGE014
为监测数据集中第
Figure 837732DEST_PATH_IMAGE005
个监测数 据，
Figure 224851DEST_PATH_IMAGE015
为监测数据集中监测数据的总数量，
Figure 329074DEST_PATH_IMAGE016
为第一频率函数，
Figure 891773DEST_PATH_IMAGE017
为第二频 率函数，
Figure 423249DEST_PATH_IMAGE018
为基本频率的周期，
Figure 828822DEST_PATH_IMAGE019
为第
Figure 736735DEST_PATH_IMAGE005
个监测数据的采样时间。
4.根据权利要求1所述的牵引供电运维方法，其特征在于，所述根据所述多个监测数据集，获取多个序列，包括：
获取基本频率，其中，基本频率表征将检测数据集进行频率化的基本频率；
对于每个监测数据集，执行如下步骤：
根据监测数据集、基本频率以及第三公式，获取序列，其中，所述第三公式为：
Figure 747417DEST_PATH_IMAGE020
式中，
Figure 886012DEST_PATH_IMAGE010
为序列中的第
Figure 716564DEST_PATH_IMAGE011
个元素，表征对应第
Figure 224906DEST_PATH_IMAGE011
频率的系数；
Figure 824515DEST_PATH_IMAGE014
为监测数据集中第
Figure 635476DEST_PATH_IMAGE005
个 监测数据，
Figure 218904DEST_PATH_IMAGE015
为监测数据集中监测数据的总数量，
Figure 203041DEST_PATH_IMAGE021
为自然常数，
Figure 985052DEST_PATH_IMAGE003
为虚数单位，
Figure 29231DEST_PATH_IMAGE022
为圆周 率，
Figure 772059DEST_PATH_IMAGE023
为监测数据集采样持续时长。
5.根据权利要求1所述的牵引供电运维方法，其特征在于，所述将所述多个序列按照预定的顺序，构建成特征矩阵，并对所述特征矩阵进行融合，获得融合矩阵，包括：
将所述多个序列作为特征矩阵的列，按照预定的顺序排列，构成特征矩阵；
获取中间矩阵、融合矩阵以及多个核矩阵，其中，核矩阵表征多个目标点产生异常时基于目标监测点获取的特征矩阵，所述中间矩阵与所述核矩阵同型，所述融合矩阵为空矩阵；
按照以下步骤，获取特征核：
从所述特征矩阵中的预定位置获取数据块，放入所述中间矩阵中；
特征核获取步骤：计算所述中间矩阵与所述多个核矩阵的内积，获得多个特征核；
按照预定的顺序，将所述多个特征核加入到所述融合矩阵中；
若所述中间矩阵获取数据块的位置不是所述特征矩阵的最后的位置，则按照预定的顺序从所述特征矩阵中获取数据块，放入到所述中间矩阵中，并跳转至所述特征核获取步骤。
6.根据权利要求1-5任一项所述的牵引供电运维方法，其特征在于，所述诊断模型基于人工神经网络建立初始模型，所述初始模型经训练后作为所述诊断模型，所述初始模型包括：输入层、隐含层以及输出层，其中，所述输入层的输入节点数量与所述融合矩阵的元素数量相同，所述输出层的输出节点数量与所述多个目标点的数量相同，所述将所述融合矩阵输入到诊断模型中，获取牵引供电系统的多个目标点的健康状态，包括：
按照预定的顺序从所述融合矩阵中获取多个输入元素；
将所述多个输入元素输入到所述诊断模型的输入节点中；
通过所述诊断模型的多个节点获取所述诊断模型的多个输出，其中，所述多个输出表征所述多个目标点的健康状态；
对于所述初始模型的训练包括：
获取多个样本矩阵，其中，样本矩阵包括输入样本和标签，所述输入样本用于表征多个目标监测点监测数据随时间变化的特征，所述标签用于标识所述输入样本对应的多个目标点的健康状态；
将所述多个样本矩阵输入到所述初始模型中，获取所述初始模型的输出；
根据所述初始模型的输出与所述多个样本矩阵的标签的偏差，通过反向传播算法，调整所述初始模型的参数，直至所述初始模型的输出与所述多个样本矩阵的标签的偏差小于阈值；
固定所述初始模型的参数，将所述初始模型作为所述诊断模型。
7.根据权利要求6所述的牵引供电运维方法，其特征在于，所述初始模型的隐含层包括多个前向传播节点和多个反向传播节点；
所述输出层的输出节点接受所述多个前向传播节点的输出；
所述多个反向传播节点的数量与所述输入层的输入节点的数量相同，所述多个反向传播节点接受所述输出层的输出节点的输出，所述多个前向传播节点接受所述输入层的输入节点的输出以及所述多个反向传播节点的输出；
其中，所述反向传播节点的激活函数为：
Figure 825466DEST_PATH_IMAGE024
式中，
Figure 196404DEST_PATH_IMAGE025
为第
Figure 677064DEST_PATH_IMAGE026
个反向传播节点的激活函数，
Figure 703926DEST_PATH_IMAGE027
为输出节点的输出的集合，
Figure 233128DEST_PATH_IMAGE021
为自 然常数，
Figure 661835DEST_PATH_IMAGE028
为输出层的输出节点的总数量，
Figure 110134DEST_PATH_IMAGE029
为输出层的第
Figure 889871DEST_PATH_IMAGE030
个输出节点的反向传播权 重，
Figure 455719DEST_PATH_IMAGE031
为输出层的第
Figure 738933DEST_PATH_IMAGE030
个输出节点的输出，
Figure 623712DEST_PATH_IMAGE032
为第
Figure 625166DEST_PATH_IMAGE026
个反向传播节点的偏置常数。
8.一种牵引供电运维装置，其特征在于，用于实现如权利要求1-7任一项所述的牵引供电运维方法，包括：
监测数据获取模块，用于基于多个目标监测点获取多个监测数据集，其中，监测数据集包括按照时间顺序获取的多个监测数据，监测数据表征影响牵引供电系统正常运行的因素；
监测数据序列化模块，用于根据所述多个监测数据集，获取多个序列，其中，所述多个序列与所述多个监测数据集相对应，序列表征所述监测数据集中多个监测数据随时间变化的特征；
融合模块，用于将所述多个序列按照预定的顺序，构建成特征矩阵，并对所述特征矩阵进行融合，获得融合矩阵；
以及，
健康评价模块，用于将所述融合矩阵输入到诊断模型中，获取牵引供电系统的多个目标点的健康状态，其中，目标点为牵引供电系统中的运行维护节点。
9.一种终端，包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
CN202211147190.0A 2022-09-21 2022-09-21 牵引供电运维方法、装置、终端及存储介质 Active CN115221982B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211147190.0A CN115221982B (zh) 2022-09-21 2022-09-21 牵引供电运维方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211147190.0A CN115221982B (zh) 2022-09-21 2022-09-21 牵引供电运维方法、装置、终端及存储介质

Publications (2)

Publication Number Publication Date
CN115221982A true CN115221982A (zh) 2022-10-21
CN115221982B CN115221982B (zh) 2022-12-09

Family

ID=83617342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211147190.0A Active CN115221982B (zh) 2022-09-21 2022-09-21 牵引供电运维方法、装置、终端及存储介质

Country Status (1)

Country Link
CN (1) CN115221982B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115792476A (zh) * 2023-02-06 2023-03-14 石家庄科林电气股份有限公司 充电桩整流模块异常预警方法、装置、终端及存储介质
CN117648670A (zh) * 2024-01-24 2024-03-05 润泰救援装备科技河北有限公司 救援数据融合方法、电子设备、存储介质及救援消防车

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102608452A (zh) * 2012-02-24 2012-07-25 安徽建筑工业学院 高速列车设备状态及电能质量监测系统与方法
CN109921414A (zh) * 2019-03-13 2019-06-21 华北电力大学 一种基于深度学习融合模型的电力系统暂态稳定评估方法
CN111650453A (zh) * 2020-05-25 2020-09-11 武汉大学 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统
CN112198857A (zh) * 2020-12-08 2021-01-08 浙江中自庆安新能源技术有限公司 一种基于监测数据的工业设备控制优化方法及系统
CN112200237A (zh) * 2020-10-05 2021-01-08 武汉理工大学 一种结构健康监测系统时序监测数据异常诊断方法
CN113392888A (zh) * 2021-06-04 2021-09-14 广东福德电子有限公司 轨道交通牵引电机故障识别方法、存储介质、电子设备
WO2022178865A1 (zh) * 2021-02-26 2022-09-01 西门子股份公司 轨道交通的牵引供电系统的监控和预测方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102608452A (zh) * 2012-02-24 2012-07-25 安徽建筑工业学院 高速列车设备状态及电能质量监测系统与方法
CN109921414A (zh) * 2019-03-13 2019-06-21 华北电力大学 一种基于深度学习融合模型的电力系统暂态稳定评估方法
CN111650453A (zh) * 2020-05-25 2020-09-11 武汉大学 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统
US20210365342A1 (en) * 2020-05-25 2021-11-25 Wuhan University Method and system for power equipment diagnosis based on windowed feature and hilbert visualization
CN112200237A (zh) * 2020-10-05 2021-01-08 武汉理工大学 一种结构健康监测系统时序监测数据异常诊断方法
CN112198857A (zh) * 2020-12-08 2021-01-08 浙江中自庆安新能源技术有限公司 一种基于监测数据的工业设备控制优化方法及系统
WO2022178865A1 (zh) * 2021-02-26 2022-09-01 西门子股份公司 轨道交通的牵引供电系统的监控和预测方法及装置
CN113392888A (zh) * 2021-06-04 2021-09-14 广东福德电子有限公司 轨道交通牵引电机故障识别方法、存储介质、电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何秋泠: "浅析高速铁路牵引供电系统健康状态综合评估方法", 《电气时代》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115792476A (zh) * 2023-02-06 2023-03-14 石家庄科林电气股份有限公司 充电桩整流模块异常预警方法、装置、终端及存储介质
CN117648670A (zh) * 2024-01-24 2024-03-05 润泰救援装备科技河北有限公司 救援数据融合方法、电子设备、存储介质及救援消防车
CN117648670B (zh) * 2024-01-24 2024-04-12 润泰救援装备科技河北有限公司 救援数据融合方法、电子设备、存储介质及救援消防车

Also Published As

Publication number Publication date
CN115221982B (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN115221982B (zh) 牵引供电运维方法、装置、终端及存储介质
CN109889538B (zh) 用户异常行为检测方法及系统
CN109800995A (zh) 一种电网设备故障识别方法及系统
CN109634820A (zh) 一种云端移动端协同的故障预警方法、相关设备及系统
CN113657622B (zh) 电力设备多维状态数据融合方法、装置、终端及存储介质
CN112365361A (zh) 一种基于规则库的电力计量数据质量体检方法
CN117526561A (zh) 基于数字孪生的变电站设备异常监控和预警方法及系统
CN114021188A (zh) 一种联邦学习协议交互安全验证方法、装置及电子设备
CN116644984A (zh) 电力光通信网络可靠性评估方法、装置、设备及存储介质
CN116582349A (zh) 基于网络攻击图的攻击路径预测模型生成方法及装置
Fu et al. Lithium-ion battery SOH prediction based on VMD-PE and improved DBO optimized temporal convolutional network model
CN117857375A (zh) 一种基于ai云化的网络异常状态监测诊断方法
CN117093952A (zh) 基于电力设备运行状态的智能控制方法及系统
CN111654417A (zh) 评估方法及装置、存储介质、处理器、列车
CN114202110B (zh) 一种基于rf-xgboost的业务故障预测方法及装置
CN115250182A (zh) 一种防止区块链单链数据被篡改的方法及系统
CN114548762A (zh) 基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统
Lian et al. Critical meter identification and network embedding based attack detection for power systems against false data injection attacks
WO2024138968A1 (zh) 基站故障诊断方法及装置
Nguyen et al. Data-driven models for individual and group decision making
CN114462925B (zh) 库存异常资产识别方法、装置及终端设备
CN118316190B (zh) 基于物联网的电力系统监测系统
CN118746740A (zh) 基于混合模型与功率循环试验的变换器用igbt器件剩余寿命评估方法和相关装置
Peng et al. Crucial Interaction Elements Detection for 5G Core Network based on the Complex Network Model
CN118539417A (zh) 基于边缘计算的配电设备故障分析方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant