CN115222160A - 一种基于实测大数据的轨道交通牵引负荷预测方法 - Google Patents

一种基于实测大数据的轨道交通牵引负荷预测方法 Download PDF

Info

Publication number
CN115222160A
CN115222160A CN202211125230.1A CN202211125230A CN115222160A CN 115222160 A CN115222160 A CN 115222160A CN 202211125230 A CN202211125230 A CN 202211125230A CN 115222160 A CN115222160 A CN 115222160A
Authority
CN
China
Prior art keywords
data
rail transit
traction load
time
passenger flow
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
CN202211125230.1A
Other languages
English (en)
Other versions
CN115222160B (zh
Inventor
李力鹏
靳佩跃
王胜
王立天
李熙光
陈怀鑫
王世峰
李金华
苏鹏程
孙才勤
桑梓杰
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.)
China Railway Electrification Survey Design and Research Institute Co Ltd
Original Assignee
China Railway Electrification Survey Design and Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Railway Electrification Survey Design and Research Institute Co Ltd filed Critical China Railway Electrification Survey Design and Research Institute Co Ltd
Priority to CN202211125230.1A priority Critical patent/CN115222160B/zh
Publication of CN115222160A publication Critical patent/CN115222160A/zh
Application granted granted Critical
Publication of CN115222160B publication Critical patent/CN115222160B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明提供了一种基于实测大数据的轨道交通牵引负荷预测方法，包括以下步骤：利用轨道交通数据采集工具得到轨道交通运行实测大数据；对轨道交通运行实测大数据进行数据预处理、特征选择和特征提取，得到客流、运行图、以及轨道交通牵引负荷的时间序列数据；将时间序列数据输入GRU‑RT网络模型进行训练，得到一定列车特性与线路条件下，客流及运行图与牵引负荷的对应关系模型；对指定客流及运行图数据，经过数据处理，得到时间序列数据并输入到训练好的对应关系模型中，进而计算获得预测牵引负荷的时间序列数据。本发明以轨道交通运行的大数据为基础，预测未来客流与运行图下的牵引负荷，计算结果更加贴近实际情况。

Description

一种基于实测大数据的轨道交通牵引负荷预测方法
技术领域
本发明属于轨道交通牵引供电技术领域，特别涉及一种基于实测大数据的轨道交通牵引负荷预测方法。
背景技术
模拟仿真作为牵引供电系统设计的重要组成部分，是确定牵引供电方案的重要依据。交流系统的仿真软件相对成熟，在电力系统中应用普遍。地铁直流牵引系统的仿真软件，国外公司的软件开发相关研究起步较早，目前比较成熟的商业软件包括西门子公司开发的NETMAC，IFB公司开发的OpenPowerNET，ELBAS公司开发的SINANET等，国内某些高校和研究院也根据自身需求进行了牵引供电模拟软件的搭建和开发。以上软件的研究思路，如图1所示，主要采用先建立直流系统等效电路模型，然后根据网络结果特点形成节点导纳矩阵，构建节点电压方程，通过迭代计算，得到待求值，从而完成直流供电计算，如文献1 刘炜,李群湛,李鲲鹏,郭蕾.城市轨道交通直流牵引供电系统模型及其仿真研究[J].电气应用,2009,28(07):60-64。采用这种模拟方法，计算方法明确，可通过逻辑运算实现，但是每次只能仿真一种特定工况，例如指定的运行图和假定的列车牵引模式的轻载、重载等。在实际工况中，牵引网参数由于设备和安装的差异，与模型的设定参数有一定的出入，客流、运行图、列车牵引模式等也是随时变化的，因此，造成客流和运行图与直流系统之间存在某种复杂的非线性对映关系。
文献2 杨少兵,吴命利. 电气化铁道牵引变电所负荷的评估方法[P]. 北京：CN101917000A,2010-12-15，提出了一种电气化铁道牵引变电所负荷的计算方法，主要用于计算铁路交流制式下牵引负荷的计算。目前，在直流牵引系统仿真方面，尚未有采用基于大数据信息的智能算法解决方案。
轨道交通供电系统和综合监控的设计中，对线路的多项参数进行了收集，例如：电力监控系统、电能质量管理系统等，对交直流系统中的电压、电流进行了实时收集。这些系统基本都停留在监测层面，缺少一个综合平台对收集的大数据进行对比分析，评估供电系统的能力。对运营单位的指导意义有限。例如，文献3张振山,陈莉莉,狄颖琪,张赛桥,胡波,费洋. 一种基于大数据的轨道交通数据分析方法[P]. 江苏省：CN111144696A,2020-05-12，通过获取轨道交通综合监控及子系统的数据，通过神经网络或向量机完成对客流历史数据的模型训练，并对客流进行预测，没有深入到对牵引供电系统的预测和评估的层面。
随着城市的建设发展，轨道交通的客流密度逐渐增加，为了满足不同的客流需求，提高服务水平，运行图的调整时有发生，运行图调整后设备容量等能否满足要求，是否会过负荷运行，或者因为直流馈线电流过大引起保护跳闸，运营人员很难评估。
发明内容
本发明针对现有技术中存在的技术问题，提供一种基于实测大数据的轨道交通牵引负荷预测方法，以轨道交通运行的大数据为基础，采用神经网络算法，构建在一定的列车特性与线路条件下，客流及运行图与牵引负荷的对应关系，预测未来客流与运行图下的牵引负荷，计算结果更加贴近实际情况，可帮助轨道交通运营公司，在运营过程中临时调整运行图的情况下，提前对牵引供电系统的供电能力进行评估，迅速作出决策。
本发明采用的技术方案是：一种基于实测大数据的轨道交通牵引负荷预测方法，包括以下步骤：
步骤1：利用轨道交通数据采集工具得到轨道交通运行实测大数据，所述轨道交通运行实测大数据包括牵引负荷、客流信息、运行图、列车特性和线路数据；所述牵引负荷包括直流母线电压、直流馈线电流、整流机组功率；
步骤2：对轨道交通运行实测大数据进行数据预处理、特征选择和特征提取，得到牵引负荷、客流信息、运行图、列车特性和线路数据的时间序列数据；
步骤3：将牵引负荷、客流信息、运行图、列车特性和线路数据的时间序列数据输入GRU-RT网络模型进行训练，得到训练好的一定列车特性与线路条件下，客流及运行图与牵引负荷的对应关系模型；GRU-RT网络模型包括依次连接的输入层、循环层、全连接层和输出层，循环层采用门控循环单元；
步骤4：采用步骤2相同的方法对指定列车特性、指定线路数据、指定运行图以及预估客流信息进行数据处理，得到时间序列数据并输入到训练好的对应关系模型中，进而计算获得预测牵引负荷的时间序列数据。
进一步的，数据预处理包括去噪、剔除异常数据、数据归一化处理、数据序列按照不同的时间粒度划分；
利用皮尔逊相关性系数对轨道交通运行实测大数据进行相关性分析，结合互信息熵理论
Figure 496929DEST_PATH_IMAGE001
对轨道交通运行实测大数据进行特征选择，其中
Figure 7545DEST_PATH_IMAGE002
表示互信息，
Figure 882222DEST_PATH_IMAGE003
表示轨道交通实测数据集
Figure 870907DEST_PATH_IMAGE004
的特征向量，
Figure 216438DEST_PATH_IMAGE005
表示牵引负荷数据的特征向量，
Figure 130911DEST_PATH_IMAGE006
和
Figure 866786DEST_PATH_IMAGE007
分别代表
Figure 659161DEST_PATH_IMAGE003
和
Figure 796881DEST_PATH_IMAGE005
的边际熵，
Figure 649300DEST_PATH_IMAGE008
代表
Figure 606891DEST_PATH_IMAGE003
和
Figure 937379DEST_PATH_IMAGE005
的联合熵；
利用分类特征变量提取的方法对轨道交通运行实测大数据进行特征提取。
进一步的，所述客流信息包括进站、出站的乘客数量；所述客流信息的时间序列数据为列车的载客率。
进一步的，时间序列数据输入给输入层，假设一段时间序列数据
Figure 195185DEST_PATH_IMAGE009
，在某个时刻t，有
Figure 719969DEST_PATH_IMAGE010
，其中
Figure 430436DEST_PATH_IMAGE011
是输入层到隐藏层的权重矩阵，V是隐藏层到输出层的权重矩阵，W是隐藏层上一次的值作为这一次输入的权重，
Figure 299035DEST_PATH_IMAGE012
表示t时刻隐藏层中的值，
Figure 411348DEST_PATH_IMAGE013
表示t时刻输出层中的值，
Figure 339989DEST_PATH_IMAGE014
表示激活函数；
门控循环单元包括复位门
Figure 803332DEST_PATH_IMAGE015
和更新门
Figure 350988DEST_PATH_IMAGE016
，更新门接收当前状态
Figure 442440DEST_PATH_IMAGE017
和前一个隐藏状态
Figure 948508DEST_PATH_IMAGE018
，接收到输入信息和矩阵运算后，sigmoid函数确定神经元是否被激活；复位门
Figure 991157DEST_PATH_IMAGE015
接收
Figure 342504DEST_PATH_IMAGE017
和
Figure 288463DEST_PATH_IMAGE018
，其结果决定忘记多少过去的信息；当前存储器是前一个隐藏层的输入和输出的汇总，
Figure 699853DEST_PATH_IMAGE019
和
Figure 872208DEST_PATH_IMAGE018
通过更新闸门的动态控制来确定最终输出
Figure 886301DEST_PATH_IMAGE020
，并传送至下一个GRU单元，
Figure 827712DEST_PATH_IMAGE019
表示候选隐藏层状态，
Figure 534637DEST_PATH_IMAGE018
表示t-1时刻隐藏层中的值，GRU单元计算公式为:
Figure 194288DEST_PATH_IMAGE021
Figure 513536DEST_PATH_IMAGE022
Figure 43875DEST_PATH_IMAGE023
Figure 921701DEST_PATH_IMAGE024
上述式中，
Figure 68649DEST_PATH_IMAGE025
和
Figure 565489DEST_PATH_IMAGE026
为更新门的权重；
Figure 340547DEST_PATH_IMAGE027
和
Figure 999061DEST_PATH_IMAGE028
为重置门的权重；
Figure 757939DEST_PATH_IMAGE029
为sigmoid函数；H为记忆门的权重；
输出层输出：
Figure 792891DEST_PATH_IMAGE030
其中， L表示列车特性的时间序列数据，Y表示运行图的时间序列数据，K表示客流信息的时间序列数据，S表示线路数据的时间序列数据，U代表直流母线电压的时间序列数据，I表示直流馈线电流的时间序列数据，P表示整流机组功率的时间序列数据。
与现有技术相比，本发明所具有的有益效果是：
（1）本发明将牵引供电模拟仿真与实际运营情况相结合，通过对实际运营大数据的收集，采用神经网络算法，构建在一定的列车特性与线路条件下，客流及运行图与牵引负荷的对应关系，预测直流母线电压、直流馈线电流和整流机组功率。
（2）本发明能够根据收集的客流情况信息，结合指定的运行图，进行牵引负荷计算，提前对牵引供电系统的供电能力提前进行评估。
（3）与现有技术RNN相比，RNN在处理时间序列数据时具有很好的效果，但是轨道交通数据具有长时间依赖，时间跨度较大的特点，采用RNN容易出现梯度消失或者梯度爆炸的问题，导致模型结果与实际数据误差较大，形成错误的对应关系。长短期记忆（Long short-term memory, LSTM）是一种特殊的RNN，能解决普通RNN对长序列时间数据训练过程中的梯度消失和梯度爆炸问题，并且LSTM能够在更长的序列中有更好的表现，但是其需要设置较多的参数，训练效率不高，不能很好的并行化处理数据。本发明中的GRU-RT网络模型是针对轨道交通自身特点提出的LSTM的改进版，相比LSTM更容易进行训练，能够很大程度上提高训练效率，并且也解决了由于轨道交通数据长期依赖，时间跨度大，所导致的梯度消失或者梯度爆炸问题。
附图说明
图1为现有技术的基于节点电压法的牵引供电系统仿真原理图；
图2为本发明实施例的流程图；
图3为本发明实施例的运行图样例图；
图4为本发明实施例的GRU-RT网络模型的结构示意图。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施例对本发明作详细说明。
本发明的实施例提供了一种基于实测大数据的轨道交通牵引负荷预测方法，如图2所示，其包括以下步骤：
步骤1：利用轨道交通数据采集工具得到轨道交通运行实测大数据，所述轨道交通运行实测大数据包括牵引负荷、客流信息、运行图、列车特性和线路数据。
所述牵引负荷包括直流母线电压、直流馈线电流、整流机组功率。ISCS系统（综合监控系统）采集直流母线电压、馈线电流及整流机组功率的实测数据。实测数据的样例如表1所示。
表1 牵引负荷实测数据样例表
Figure 186570DEST_PATH_IMAGE031
AFC系统（自动售票检票系统）采集客流信息的实际情况。所述客流信息包括进站、出站的乘客数量，用于估算列车的负载状态，即列车的载客率，样例如表2所示。
表2 列车的载客率样例表
行驶区间 时间 载客率
xxx-xxx 19:24:00 20%
xxx-xxx 19:26:00 33%
xxx-xxx 19:28:00 40%
xxx-xxx 19:30:00 67%
运行图的样例如图3所示。
目前已使用的列车的列车特性的样例如表3所示。
表3 列车特性的样例表
Figure 15986DEST_PATH_IMAGE032
线路数据为目前已使用的某条线路的数据，样例如表4所示。
表4 线路数据样例表
Figure 137525DEST_PATH_IMAGE033
步骤2：对轨道交通运行实测大数据进行数据预处理、特征选择和特征提取，得到牵引负荷、客流信息、运行图、列车特性和线路数据的时间序列数据。利用分类特征变量提取的方法对轨道交通运行实测大数据进行特征提取。利用皮尔逊相关性系数对轨道交通运行实测大数据进行相关性分析，结合互信息熵理论
Figure 100802DEST_PATH_IMAGE001
对轨道交通运行实测大数据进行特征选择，其中
Figure 460239DEST_PATH_IMAGE002
表示互信息，
Figure 850769DEST_PATH_IMAGE003
表示轨道交通实测数据集
Figure 194026DEST_PATH_IMAGE004
的特征向量，
Figure 960994DEST_PATH_IMAGE005
表示牵引负荷数据的特征向量，
Figure 440517DEST_PATH_IMAGE006
和
Figure 503413DEST_PATH_IMAGE007
分别代表
Figure 130703DEST_PATH_IMAGE003
和
Figure 435783DEST_PATH_IMAGE005
的边际熵，
Figure 769812DEST_PATH_IMAGE008
代表
Figure 643090DEST_PATH_IMAGE003
和
Figure 819994DEST_PATH_IMAGE005
的联合熵。数据预处理包括去噪、剔除同站进出、进站出站有误等异常数据、数据归一化处理、数据序列按照不同的时间粒度划分。所述客流信息的时间序列数据为列车的载客率。
步骤3：将牵引负荷、客流信息、运行图、列车特性和线路数据的时间序列数据输入GRU-RT网络模型进行训练，得到训练好的一定列车特性与线路条件下，客流及运行图与牵引负荷的对应关系模型。
如图4所示，GRU-RT网络模型包括依次连接的输入层、循环层、全连接层和输出层，循环层采用门控循环单元。
时间序列数据输入给输入层，假设一段时间序列数据
Figure 538551DEST_PATH_IMAGE009
，在某个时刻t，有
Figure 615835DEST_PATH_IMAGE010
，其中
Figure 394435DEST_PATH_IMAGE011
是输入层到隐藏层的权重矩阵，V是隐藏层到输出层的权重矩阵，W是隐藏层上一次的值作为这一次输入的权重，
Figure 324214DEST_PATH_IMAGE012
表示t时刻隐藏层中的值，
Figure 846462DEST_PATH_IMAGE013
表示t时刻输出层中的值，
Figure 279717DEST_PATH_IMAGE014
表示激活函数；
门控循环单元包括复位门
Figure 557115DEST_PATH_IMAGE015
和更新门
Figure 318398DEST_PATH_IMAGE016
，更新门接收当前状态
Figure 270435DEST_PATH_IMAGE017
和前一个隐藏状态
Figure 292618DEST_PATH_IMAGE018
，接收到输入信息和矩阵运算后，sigmoid函数确定神经元是否被激活；复位门
Figure 740917DEST_PATH_IMAGE015
接收
Figure 520654DEST_PATH_IMAGE017
和
Figure 93628DEST_PATH_IMAGE018
，其结果决定忘记多少过去的信息；当前存储器是前一个隐藏层的输入和输出的汇总，
Figure 704738DEST_PATH_IMAGE019
表示候选隐藏层状态，
Figure 261621DEST_PATH_IMAGE018
表示t-1时刻隐藏层中的值，
Figure 122130DEST_PATH_IMAGE019
和
Figure 383347DEST_PATH_IMAGE018
通过更新闸门的动态控制来确定最终输出
Figure 255488DEST_PATH_IMAGE020
，并传送至下一个GRU单元，GRU单元计算公式为:
Figure 609371DEST_PATH_IMAGE021
Figure 426018DEST_PATH_IMAGE022
Figure 631871DEST_PATH_IMAGE023
Figure 951994DEST_PATH_IMAGE024
上述式中，
Figure 444155DEST_PATH_IMAGE025
和
Figure 512212DEST_PATH_IMAGE026
为更新门的权重；
Figure 521756DEST_PATH_IMAGE027
和
Figure 493123DEST_PATH_IMAGE028
为重置门的权重；
Figure 421765DEST_PATH_IMAGE029
为sigmoid函数；H为记忆门的权重；
输出层输出：
Figure 885107DEST_PATH_IMAGE030
其中， L表示列车特性的时间序列数据，Y表示运行图的时间序列数据，K表示客流信息的时间序列数据，S表示线路数据的时间序列数据， U代表直流母线电压的时间序列数据，I表示直流馈线电流的时间序列数据，P表示整流机组功率的时间序列数据。
GRU-RT网络模型通过大量的数据进行深度学习，构建在一定的列车特性与线路条件下，客流及运行图与牵引负荷的对应关系。此对应关系是基于大量实际样本数据得出，系统拥有自主学习能力，随着实测数据样本的积累，不断优化和调整这种对应关系。
步骤4：指定列车、线路和运行图，并预测列车各行驶区间的客流信息，得到指定列车特性、指定线路数据、指定运行图以及预估客流信息。采用步骤2相同的方法对指定列车特性、指定线路数据、指定运行图以及预估客流信息进行数据预处理、特征选择和特征提取，得到预估客流信息、指定运行图、指定列车特性和指定线路数据的时间序列数据；并输入到步骤3训练好的指定列车特性与指定线路条件下的客流及运行图与牵引负荷的对应关系模型中，计算得到预测牵引负荷的时间序列数据，即预测的直流母线电压、直流馈线电流、整流机组功率的时间序列数据。
以上通过实施例对本发明进行了详细说明，但所述内容仅为本发明的示例性实施例，不能被认为用于限定本发明的实施范围。本发明的保护范围由权利要求书限定。凡利用本发明所述的技术方案，或本领域的技术人员在本发明技术方案的启发下，在本发明的实质和保护范围内，设计出类似的技术方案而达到上述技术效果的，或者对申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖保护范围之内。

Claims (4)

1.一种基于实测大数据的轨道交通牵引负荷预测方法，其特征在于：包括以下步骤：
步骤1：利用轨道交通数据采集工具得到轨道交通运行实测大数据，所述轨道交通运行实测大数据包括牵引负荷、客流信息、运行图、列车特性和线路数据；所述牵引负荷包括直流母线电压、直流馈线电流、整流机组功率；
步骤2：对轨道交通运行实测大数据进行数据预处理、特征选择和特征提取，得到牵引负荷、客流信息、运行图、列车特性和线路数据的时间序列数据；
步骤3：将牵引负荷、客流信息、运行图、列车特性和线路数据的时间序列数据输入GRU-RT网络模型进行训练，得到训练好的一定列车特性与线路条件下，客流及运行图与牵引负荷的对应关系模型；GRU-RT网络模型包括依次连接的输入层、循环层、全连接层和输出层，循环层采用门控循环单元；
步骤4：采用步骤2相同的方法对指定列车特性、指定线路数据、指定运行图以及预估客流信息进行数据处理，得到时间序列数据并输入到训练好的对应关系模型中，进而计算获得预测牵引负荷的时间序列数据。
2.如权利要求1所述的基于实测大数据的轨道交通牵引负荷预测方法，其特征在于：数据预处理包括去噪、剔除异常数据、数据归一化处理、数据序列按照不同的时间粒度划分；
利用皮尔逊相关性系数对轨道交通运行实测大数据进行相关性分析，结合互信息熵理论对轨道交通运行实测大数据进行特征选择；
利用分类特征变量提取的方法对轨道交通运行实测大数据进行特征提取。
3.如权利要求1所述的基于实测大数据的轨道交通牵引负荷预测方法，其特征在于：所述客流信息包括进站、出站的乘客数量；所述客流信息的时间序列数据为列车的载客率。
4.如权利要求1所述的基于实测大数据的轨道交通牵引负荷预测方法，其特征在于：时间序列数据输入给输入层，假设一段时间序列数据
Figure 81309DEST_PATH_IMAGE001
，在某个时刻t，有
Figure 545788DEST_PATH_IMAGE002
，其中
Figure 745825DEST_PATH_IMAGE003
是输入层到隐藏层的权重矩阵，V是隐藏层到输出层的权重矩阵，W是隐藏层上一次的值作为这一次输入的权重，
Figure 67085DEST_PATH_IMAGE004
表示t时刻隐藏层中的值，
Figure 352573DEST_PATH_IMAGE005
表示t时刻输出层中的值，
Figure 886323DEST_PATH_IMAGE006
表示激活函数；
门控循环单元包括复位门
Figure 737604DEST_PATH_IMAGE007
和更新门
Figure 433028DEST_PATH_IMAGE008
，更新门接收当前状态
Figure 205812DEST_PATH_IMAGE009
和前一个隐藏状态
Figure 808831DEST_PATH_IMAGE010
，接收到输入信息和矩阵运算后，sigmoid函数确定神经元是否被激活；复位门
Figure 983461DEST_PATH_IMAGE007
接收
Figure 584206DEST_PATH_IMAGE009
和
Figure 844286DEST_PATH_IMAGE010
，其结果决定忘记多少过去的信息；当前存储器是前一个隐藏层的输入和输出的汇总，
Figure 250997DEST_PATH_IMAGE011
和
Figure 280133DEST_PATH_IMAGE010
通过更新闸门的动态控制来确定最终输出
Figure 317359DEST_PATH_IMAGE012
，并传送至下一个GRU单元，
Figure 629234DEST_PATH_IMAGE011
表示候选隐藏层状态，
Figure 839635DEST_PATH_IMAGE010
表示t-1时刻隐藏层中的值，GRU单元计算公式为:
Figure 723278DEST_PATH_IMAGE013
Figure 931405DEST_PATH_IMAGE014
Figure 697236DEST_PATH_IMAGE015
Figure 649011DEST_PATH_IMAGE016
上述式中，
Figure 387160DEST_PATH_IMAGE017
和
Figure 31768DEST_PATH_IMAGE018
为更新门的权重；
Figure 284895DEST_PATH_IMAGE019
和
Figure 40361DEST_PATH_IMAGE020
为重置门的权重；
Figure 367438DEST_PATH_IMAGE021
为sigmoid函数；H为记忆门的权重；
输出层输出：
Figure 182947DEST_PATH_IMAGE022
其中， L表示列车特性的时间序列数据，Y表示运行图的时间序列数据，K表示客流信息的时间序列数据，S表示线路数据的时间序列数据，U代表直流母线电压的时间序列数据，I表示直流馈线电流的时间序列数据，P表示整流机组功率的时间序列数据。
CN202211125230.1A 2022-09-16 2022-09-16 一种基于实测大数据的轨道交通牵引负荷预测方法 Active CN115222160B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211125230.1A CN115222160B (zh) 2022-09-16 2022-09-16 一种基于实测大数据的轨道交通牵引负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211125230.1A CN115222160B (zh) 2022-09-16 2022-09-16 一种基于实测大数据的轨道交通牵引负荷预测方法

Publications (2)

Publication Number Publication Date
CN115222160A true CN115222160A (zh) 2022-10-21
CN115222160B CN115222160B (zh) 2023-01-10

Family

ID=83617193

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211125230.1A Active CN115222160B (zh) 2022-09-16 2022-09-16 一种基于实测大数据的轨道交通牵引负荷预测方法

Country Status (1)

Country Link
CN (1) CN115222160B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252311A (zh) * 2023-11-16 2023-12-19 华南理工大学 一种基于改进lstm网络的轨道交通客流预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122310A (zh) * 2011-02-01 2011-07-13 浙江大学 一种基于列车运行图的牵引负荷建模方法
CN112101653A (zh) * 2020-09-10 2020-12-18 湘潭大学 一种新型电气化铁路牵引负荷预测方法
CN114138870A (zh) * 2021-12-06 2022-03-04 成都交大光芒科技股份有限公司 基于动态电流采集的供电臂列车负荷特征获取方法
US20220196459A1 (en) * 2020-12-22 2022-06-23 Dibi (Chongqing) Intelligent Technology Research Institute Co., Ltd. Real-time vehicle overload detection method based on convolutional neural network

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122310A (zh) * 2011-02-01 2011-07-13 浙江大学 一种基于列车运行图的牵引负荷建模方法
CN112101653A (zh) * 2020-09-10 2020-12-18 湘潭大学 一种新型电气化铁路牵引负荷预测方法
US20220196459A1 (en) * 2020-12-22 2022-06-23 Dibi (Chongqing) Intelligent Technology Research Institute Co., Ltd. Real-time vehicle overload detection method based on convolutional neural network
CN114138870A (zh) * 2021-12-06 2022-03-04 成都交大光芒科技股份有限公司 基于动态电流采集的供电臂列车负荷特征获取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李昱: "基于高速列车取流特性的牵引变电所负荷电流预测及应用", 《中国铁路》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252311A (zh) * 2023-11-16 2023-12-19 华南理工大学 一种基于改进lstm网络的轨道交通客流预测方法
CN117252311B (zh) * 2023-11-16 2024-03-15 华南理工大学 一种基于改进lstm网络的轨道交通客流预测方法

Also Published As

Publication number Publication date
CN115222160B (zh) 2023-01-10

Similar Documents

Publication Publication Date Title
CN112051481B (zh) 一种基于lstm的交直流混联电网故障区域诊断方法和系统
CN109871976B (zh) 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法
Chen et al. Fault detection and diagnosis for railway track circuits using neuro-fuzzy systems
WO2015158198A1 (zh) 一种基于神经网络自学习的故障识别方法及系统
CN105512448A (zh) 一种配电网健康指数的评估方法
CN110209999A (zh) 一种车载设备故障趋势预测方法
CN113610188B (zh) 弓网接触力非区段异常识别方法及装置
CN111880044A (zh) 一种含分布式电源配电网在线故障定位方法
CN105825271A (zh) 基于证据推理的卫星故障诊断与预测方法
CN113466597A (zh) 一种轨道交通供电系统设备状态智能检测方法
CN115222160B (zh) 一种基于实测大数据的轨道交通牵引负荷预测方法
CN114325395A (zh) 一种电池状态的确定方法及装置
CN115201627B (zh) 基于皮尔森相关系数与小波包分解的线路接地故障定位法
CN115146739A (zh) 基于堆叠时间序列网络的电力变压器故障诊断方法
CN114091549A (zh) 一种基于深度残差网络的设备故障诊断方法
Wang et al. Electric vehicle charging load clustering and load forecasting based on long short term memory neural network
CN114021758A (zh) 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置
CN111611747B (zh) 一种用于混合储能系统的在线状态估计方法及装置
CN116611864A (zh) 一种基于rnn的城市轨道交通列车速度与客流量的预测方法
CN112651176A (zh) 一种基于ga-bp算法的屏蔽门电机输出力预测方法
Qu et al. Remaining Useful Life Prediction of High-Speed Railroad Contact Network Based on Stacking Integrated Attention-LSTM-CNN Deep Learning
Tao et al. Modeling and energy-optimal control for freight trains based on data-driven approaches
Yuan et al. Integrative design of an emergency resource predicting-scheduling-repairing method for rail track faults
CN113139601B (zh) 一种基于lstm和注意力机制的道岔故障检测方法
He et al. Evaluation and prediction of train communication network performance

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