CN115993507B - 一种电气化铁道牵引供电系统的故障测距方法 - Google Patents
一种电气化铁道牵引供电系统的故障测距方法 Download PDFInfo
- Publication number
- CN115993507B CN115993507B CN202310291509.5A CN202310291509A CN115993507B CN 115993507 B CN115993507 B CN 115993507B CN 202310291509 A CN202310291509 A CN 202310291509A CN 115993507 B CN115993507 B CN 115993507B
- Authority
- CN
- China
- Prior art keywords
- fault
- feature
- vector
- power supply
- matrix
- 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.)
- Active
Links
- 238000000691 measurement method Methods 0.000 title claims description 5
- 238000004088 simulation Methods 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 66
- 239000013598 vector Substances 0.000 claims description 343
- 239000011159 matrix material Substances 0.000 claims description 110
- 238000000605 extraction Methods 0.000 claims description 30
- 230000004927 fusion Effects 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 18
- 230000004043 responsiveness Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 40
- 238000009826 distribution Methods 0.000 abstract description 25
- 238000012423 maintenance Methods 0.000 abstract description 14
- 238000013135 deep learning Methods 0.000 abstract description 12
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000005065 mining Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Locating Faults (AREA)
Abstract
本申请涉及故障测距分析技术领域，其具体地公开了一种电气化铁道牵引供电系统的故障测距方法，其利用基于深度学习的人工智能检测技术，来挖掘出多组故障仿真数据中供电臂的各个开关的空间拓扑特征和所述供电臂的各个开关模拟量的隐含关联特征间的关联性特征分布信息以此建立对比分析库。这样，在故障发生时，可以根据故障报告中的故障参数特征来与所述对比分析库进行特征对比，从而以两者的特征相似度来进行故障类型和故障点的判断，以达到运维及相关工作人员快速定位故障的目的。
Description
技术领域
本申请涉及故障测距分析技术领域，且更为具体地，涉及一种电气化铁道牵引供电系统的故障测距方法。
背景技术
随着电气化铁路的飞速发展，保障电气化铁路安全对铁路运输安全可靠运行有着非常重要的意义。由于牵引供电系统故障跳闸，中断供电时有发生，因此铁路对快速定位故障点、消除故障点及迅速恢复供电具有迫切的需求。
当前的故障测距分析基于人为或者故障测距装置进行故障判断，此过程中可能会有由于各开关位置上送不正确、定值配置不正确、运行方式不够全面等多种因素导致故障定位不够准确，故障巡检时间较长，耗费大量人力物力财力。
因此，期望一种优化的电气化铁道牵引供电系统的故障测距方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种电气化铁道牵引供电系统的故障测距方法，其利用基于深度学习的人工智能检测技术，来挖掘出多组故障仿真数据中供电臂的各个开关的空间拓扑特征和所述供电臂的各个开关模拟量的隐含关联特征间的关联性特征分布信息以此建立对比分析库。这样，在故障发生时，可以根据故障报告中的故障参数特征来与所述对比分析库进行特征对比，从而以两者的特征相似度来进行故障类型和故障点的判断，以达到运维及相关工作人员快速定位故障的目的。
根据本申请的一个方面，提供了一种电气化铁道牵引供电系统的故障测距方法，其包括：
获取多组故障仿真数据，其中，所述各组故障仿真数据包括故障标签以及与所述故障标签对应的供电臂的各个开关的位置信号和模拟量；
基于所述供电臂的各个开关的位置信号，构造所述供电臂的各个开关之间的空间拓扑矩阵；
将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵；
对所述多组故障仿真数据进行处理以得到多个空间拓扑开关模拟量全局特征矩阵；
获取故障报告，并将所述故障报告中的故障参数排列为故障参数输入向量；
将所述故障参数输入向量通过故障参数特征提取器以得到故障参数关联特征向量；
将所述故障参数关联特征向量与所述空间拓扑特征矩阵进行相乘以得到故障查询特征向量；
将所述故障查询特征向量分别与所述各个空间拓扑开关模拟量全局特征矩阵进行相乘以得到多个分类特征向量；
基于所述故障查询特征向量，对所述多个分类特征向量中各个分类特征向量进行特征响应性优化以得到多个优化后分类特征向量；
将所述多个优化后分类特征向量通过分类器以得到多个概率值；以及
将所述多个概率值中最大概率值对应的故障标签，确定为故障测距结果。
在上述电气化铁道牵引供电系统的故障测距方法中，所述各个开关的模拟量包括变电所、AT所、分区所的上下行T线、F线电流，以及，所述AT所和所述分区所的吸上电流。
在上述电气化铁道牵引供电系统的故障测距方法中，将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵，包括：使用所述卷积神经网络模型的各层分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述空间拓扑特征矩阵，所述卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。
在上述电气化铁道牵引供电系统的故障测距方法中，对所述多组故障仿真数据进行处理以得到多个空间拓扑开关模拟量全局特征矩阵，包括：将所述各组故障仿真数据中的与所述故障标签对应的供电臂的各个开关的模拟量排列为输入向量后通过多尺度邻域特征提取模块以得到多个开关模拟量特征向量；将所述多个开关模拟量特征向量二维排列为开关模拟量全局特征矩阵；以及，将所述空间拓扑特征矩阵和所述开关模拟量全局特征矩阵通过图神经网络模型以得到所述空间拓扑开关模拟量全局特征矩阵。
在上述电气化铁道牵引供电系统的故障测距方法中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
在上述电气化铁道牵引供电系统的故障测距方法中，将所述各组故障仿真数据中的与所述故障标签对应的供电臂的各个开关的模拟量排列为输入向量后通过多尺度邻域特征提取模块以得到多个开关模拟量特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述输入向量进行一维卷积编码以得到第一尺度开关模拟量特征向量；其中，所述公式为：
其中，a为第一卷积核在x方向上的宽度、
为第一卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述输入向量，
表示对所述输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述输入向量进行一维卷积编码以得到第二尺度开关模拟量特征向量；其中，所述公式为：
其中，b为第二卷积核在x方向上的宽度、
为第二卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述输入向量，
表示对所述输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度开关模拟量特征向量和所述第二尺度开关模拟量特征向量进行级联以得到所述开关模拟量特征向量。
在上述电气化铁道牵引供电系统的故障测距方法中，将所述故障参数输入向量通过故障参数特征提取器以得到故障参数关联特征向量，包括：使用所述故障参数特征提取器的第一卷积层以如下公式对所述故障参数输入向量进行一维卷积编码以得到第一故障参数特征向量；其中，所述公式为：
其中，c为第一卷积核在y方向上的宽度、
为第一卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，l为第一卷积核的尺寸，Y表示所述故障参数输入向量，
表示对所述故障参数输入向量进行一维卷积编码；使用所述故障参数特征提取器的第二卷积层以如下公式对所述故障参数输入向量进行一维卷积编码以得到第二故障参数特征向量；其中，所述公式为：
其中，
为第二卷积核在y方向上的宽度、
为第二卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，n为第二卷积核的尺寸，Y表示所述故障参数输入向量，
表示所述第二故障参数特征向量；以及，使用所述故障参数特征提取器的融合层将所述第一故障参数特征向量和所述第二故障参数特征向量进行级联以得到所述故障参数关联特征向量。
在上述电气化铁道牵引供电系统的故障测距方法中，将所述故障参数关联特征向量与所述空间拓扑特征矩阵进行相乘以得到故障查询特征向量，包括：以如下公式将所述故障参数关联特征向量与所述空间拓扑特征矩阵进行相乘以得到故障查询特征向量；其中，所述公式为：
其中
表示所述故障参数关联特征向量，
表示所述空间拓扑特征矩阵，
表示所述故障查询特征向量，
表示矩阵相乘。
在上述电气化铁道牵引供电系统的故障测距方法中，基于所述故障查询特征向量，对所述多个分类特征向量中各个分类特征向量进行特征响应性优化以得到多个优化后分类特征向量，包括：以如下公式计算所述故障查询特征向量和所述分类特征向量的非相干稀疏响应式融合以得到所述优化后分类特征向量；其中，所述公式为：
其中
和
分别表示所述故障查询特征向量、所述分类特征向量和所述优化后分类特征向量，
分别表示向量的一范数和二范数，
为向量的长度，
分别表示向量乘积和向量点乘，且所有向量均为行向量形式。
在上述电气化铁道牵引供电系统的故障测距方法中，将所述多个优化后分类特征向量通过分类器以得到多个概率值，包括：将所述优化后分类特征向量输入所述分类器的Softmax分类函数以得到所述优化后分类特征向量归属于各个分类标签的初始概率值；以及，将最大初始概率值确定为所述优化后分类特征向量的概率值。
根据本申请的另一方面，提供了一种电气化铁道牵引供电系统的故障测距系统，包括：
数据采集模块，用于获取多组故障仿真数据，其中，所述各组故障仿真数据包括故障标签以及与所述故障标签对应的供电臂的各个开关的位置信号和模拟量；
拓扑关系构造模块，用于基于所述供电臂的各个开关的位置信号，构造所述供电臂的各个开关之间的空间拓扑矩阵；
拓扑特征提取模块，用于将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵；
分析库构建模块，用于对所述多组故障仿真数据进行处理以得到多个空间拓扑开关模拟量全局特征矩阵；
故障输入模块，用于获取故障报告，并将所述故障报告中的故障参数排列为故障参数输入向量；
故障特征刻画模块，用于将所述故障参数输入向量通过故障参数特征提取器以得到故障参数关联特征向量；
查询预备模块，用于将所述故障参数关联特征向量与所述空间拓扑特征矩阵进行相乘以得到故障查询特征向量；
查询与搜索模块，用于将所述故障查询特征向量分别与所述各个空间拓扑开关模拟量全局特征矩阵进行相乘以得到多个分类特征向量；
特征响应性优化模块，用于基于所述故障查询特征向量，对所述多个分类特征向量中各个分类特征向量进行特征响应性优化以得到多个优化后分类特征向量；
查询结果划分模块，用于将所述多个优化后分类特征向量通过分类器以得到多个概率值；以及
测距结果生成模块，用于将所述多个概率值中最大概率值对应的故障标签，确定为故障测距结果。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的电气化铁道牵引供电系统的故障测距方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的电气化铁道牵引供电系统的故障测距方法。
与现有技术相比，本申请提供的一种电气化铁道牵引供电系统的故障测距方法，其利用基于深度学习的人工智能检测技术，来挖掘出多组故障仿真数据中供电臂的各个开关的空间拓扑特征和所述供电臂的各个开关模拟量的隐含关联特征间的关联性特征分布信息以此建立对比分析库。这样，在故障发生时，可以根据故障报告中的故障参数特征来与所述对比分析库进行特征对比，从而以两者的特征相似度来进行故障类型和故障点的判断，以达到运维及相关工作人员快速定位故障的目的。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的电气化铁道牵引供电系统的故障测距方法的流程图。
图2为根据本申请实施例的电气化铁道牵引供电系统的故障测距方法的架构图。
图3为根据本申请实施例中的供电臂主接线图。
图4为根据本申请实施例的电气化铁道牵引供电系统的故障测距方法中对所述多组故障仿真数据进行处理以得到多个空间拓扑开关模拟量全局特征矩阵的流程图。
图5为根据本申请实施例的电气化铁道牵引供电系统的故障测距系统的框图。
图6为根据本申请实施例的电子设备的框图。
实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上所述，当前的故障测距分析基于人为或者故障测距装置进行故障判断，此过程中可能会有由于各开关位置上送不正确、定值配置不正确、运行方式不够全面等多种因素导致故障定位不够准确，故障巡检时间较长，耗费大量人力物力财力。因此，期望一种优化的电气化铁道牵引供电系统的故障测距方案。
具体地，在本申请的技术方案中，提出了一种电气化铁道牵引供电系统的故障测距方法，其能够在牵引系统发生故障时，根据调度端所采集到的故障报告信息（如电流电压大小、方向等参数）以及一次设备参数及遥信状态来自动计算出与接近该故障报告参数的故障点及故障类型，达到运维及相关工作人员快速定位故障的目的。
相应地，考虑到在实际进行牵引供电系统的故障测距时，应基于多组故障仿真数据建立对比分析库，这样，当线路上有实际故障发生时，可以根据故障报告中的故障参数特征来与所述对比分析库进行特征对比，从而以两者的特征相似度来进行故障类型和故障点的判断，以达到运维及相关工作人员快速定位故障的目的。但是，由于在实际进行对比分析库的构建时，发现故障仿真数据主要由各个故障类型组成，并且所述各个故障类型中都包含有供电臂的各个开关的位置信号和模拟量数据，其中，所述各个开关的位置信号间具有着空间上的位置拓扑关联，且所述各个开关的模拟量数据中的各个参数间也都具有着关联性关系，这给所述对比分析库的建立带来了困难。在此过程中，难点在于如何挖掘出所述供电臂的各个开关的空间拓扑特征和所述供电臂的各个开关模拟量的隐含关联特征间的关联性特征分布信息，以此来准确地构建所述对比分析库，以在故障发生时对于故障类型和故障点进行准确地判断，以达到运维及相关工作人员快速定位故障的目的。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述供电臂的各个开关的空间拓扑特征和所述供电臂的各个开关模拟量的隐含关联特征间的关联性特征分布信息提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并挖掘所述供电臂的各个开关的空间拓扑特征和所述供电臂的各个开关模拟量的隐含关联特征间的关联性特征分布信息。
具体地，在本申请的技术方案中，首先，获取多组故障仿真数据，其中，所述各组故障仿真数据包括故障标签以及与所述故障标签对应的供电臂的各个开关的位置信号和模拟量。特别地，这里，所述各个开关的模拟量包括变电所、AT所、分区所的上下行T线、F线电流，以及，所述AT所和所述分区所的吸上电流。接着，对于所述多组故障仿真数据的供电臂的各个开关的位置信号来说，由于所述各组故障仿真数据中的所述供电臂的各个开关的位置信号具有空间位置不变性，因此，可以基于所述供电臂的各个开关的位置信号，构造所述供电臂的各个开关之间的空间拓扑矩阵。
然后，为了能够提取出所述供电臂的各个开关的位置信号间的空间位置拓扑关联特征，进一步将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型中进行特征提取，以提取出所述供电臂的各个开关的位置信号间的空间拓扑特征信息，从而得到空间拓扑特征矩阵。
进一步地，对于所述多组故障仿真数据来说，其中的各组故障标签对应的供电臂的各个开关的模拟量间都具有着关联关系，而且所述供电臂的各个开关的模拟量间在不同类别的开关模拟量跨度下具有不同的关联特征信息。因此，在本申请的技术方案中，为了能够准确地进行所述各组故障仿真数据的关于所述供电臂的各个开关模拟量的关联特征提取，进一步对所述多组故障仿真数据进行处理以得到多个空间拓扑开关模拟量全局特征矩阵。
具体地，针对于各组故障仿真数据来说，将所述各组故障仿真数据中的与所述故障标签对应的供电臂的各个开关的模拟量排列为输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述供电臂的各个开关的模拟量间在不同类别的开关模拟量跨度下的多尺度邻域关联特征分布信息，从而得到多个开关模拟量特征向量。接着，再将所述多个开关模拟量特征向量二维排列，以此来整合在所述各组故障仿真数据下关于所述供电臂的各个开关的模拟量间全局的多尺度关联特征信息，以得到开关模拟量全局特征矩阵。
然后，以所述多个开关模拟量特征向量中的各个开关模拟量特征向量作为节点的特征表示，而以所述空间拓扑特征矩阵作为节点与节点之间的边的特征表示，将由所述多个开关模拟量特征向量经二维排列得到的开关模拟量全局特征矩阵和所述开关模拟量全局特征矩阵通过图神经网络以得到空间拓扑开关模拟量全局特征矩阵。具体地，所述图神经网络通过可学习的神经网络参数对所述空间拓扑特征矩阵和所述开关模拟量全局特征矩阵进行图结构数据编码以得到包含不规则的空间拓扑关联特征和所述供电臂的各个开关的模拟量间的多尺度关联特征信息的所述空间拓扑开关模拟量全局特征矩阵。这样，再将单一故障仿真数据下的所述空间拓扑开关模拟量全局特征矩阵应用于所述各组故障仿真数据中就能够得到多个空间拓扑开关模拟量全局特征矩阵，以此来构建基于所述各组故障仿真数据的高维隐含特征整合的对比分析库。
当线路上有实际故障发生时，获取故障报告，并将所述故障报告中的故障参数排列为故障参数输入向量。接着，考虑到由于所述故障报告中的故障参数间具有着关联性的关系，且这种关联关系在不同的故障参数数据类型下具有着不同程度的关联信息。因此，为了能够充分地提取出这种关联性来对于故障进行准确地位置定位和类型判断，在本申请的技术方案中，进一步将所述故障参数输入向量通过故障参数特征提取器中进行特征提取，以得到故障参数关联特征向量。特别地，这里，所述故障参数特征提取器为多尺度邻域特征提取模块，使用所述多尺度邻域特征提取模块对于所述故障参数输入向量进行特征挖掘，能够提取出所述故障报告中的故障参数在不同故障数据类型跨度下的多尺度邻域关联特征分布信息，从而得到故障参数关联特征向量。
然后，考虑到由于所述故障报告中不仅存在有故障的故障参数数据，还具有各个开关的位置信息，而由于所述各个开关的位置信息具有空间拓扑关联特征的不变性，因此，将所述故障参数关联特征向量与所述空间拓扑特征矩阵进行相乘，以此来融合所述故障数据间的多尺度关联特征和所述故障的空间位置拓扑特征信息来作为故障查询特征向量，从而得到该所述故障报告中关于故障类型的隐含特征信息。
进一步地，在获得所述对比分析库和包含有所述故障报告中关于故障类型的隐含特征信息的所述故障查询特征向量后，将所述故障查询特征向量分别与所述各个空间拓扑开关模拟量全局特征矩阵进行相乘，以将所述故障报告中关于故障类型的隐含特征分布信息映射到所述对比分析库的高维空间中，以此基于所述故障报告中的故障参数关联特征与所述对比分析库中的高维隐含特征进行特征对比查询，从而得到多个分类特征向量。
接着，将所述多个分类特征向量通过分类器以得到多个概率值，并将所述多个概率值中最大概率值对应的故障标签，确定为故障测距结果。也就是说，以所述故障报告中的故障参数关联特征来与所述对比分析库的高维隐含特征进行特征对比，从而以两者的特征相似度来进行故障类型和故障点的判断，以达到运维及相关工作人员快速定位故障的目的。
特别地，在本申请的技术方案中，在将所述故障查询特征向量分别与所述各个空间拓扑开关模拟量全局特征矩阵进行相乘得到多个分类特征向量时，如果将所述故障查询特征向量作为源向量，则所述分类特征向量是所述源向量相对于所述空间拓扑开关模拟量全局特征矩阵表达的开关模拟量关联特征的空间拓扑表示的响应向量，因此，如果能够增强所述分类特征向量相对于所述故障查询特征向量的响应性融合，则可以提升作为所述分类特征向量的分类结果的准确性。
基于此，本申请的申请人计算所述分类特征向量，例如记为
相对于所述故障查询特征向量，例如记为
的非相干稀疏响应式融合以优化所述分类特征向量，例如优化后的分类特征向量记为
，表示为：
其中
和
表示向量的一范数和二范数，
为向量的长度，
和
分别表示向量乘积和向量点乘，且所有向量均为行向量形式。
这里，所述非相干稀疏响应融合在以初始响应向量作为特征域间响应性融合的真实性分布（ground-truth distribution）的情况下，通过一范数表示的向量差异的模糊性位分布响应性，以及基于差分向量的模约束的真实差分嵌入响应性，来获得向量之间的非相干稀疏性融合表示，以提取特征向量融合后的概率分布描述度的响应关系，从而提升作为非相干稀疏响应式融合优化的所述分类特征向量
对于具有响应关系的源向量和响应向量的融合表达效果。这样，就可以提升优化后的所述分类特征向量
的分类结果的准确性。这样，能够准确地构建对比分析库，以在故障发生时得到准确地故障测距结果，便于运维及相关工作人员快速定位故障。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图1为根据本申请实施例的电气化铁道牵引供电系统的故障测距方法的流程图。如图1所示，根据本申请实施例的电气化铁道牵引供电系统的故障测距方法，包括：S110，获取多组故障仿真数据，其中，所述各组故障仿真数据包括故障标签以及与所述故障标签对应的供电臂的各个开关的位置信号和模拟量；S120，基于所述供电臂的各个开关的位置信号，构造所述供电臂的各个开关之间的空间拓扑矩阵；S130，将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵；S140，对所述多组故障仿真数据进行处理以得到多个空间拓扑开关模拟量全局特征矩阵；S150，获取故障报告，并将所述故障报告中的故障参数排列为故障参数输入向量；S160，将所述故障参数输入向量通过故障参数特征提取器以得到故障参数关联特征向量；S170，将所述故障参数关联特征向量与所述空间拓扑特征矩阵进行相乘以得到故障查询特征向量；S180，将所述故障查询特征向量分别与所述各个空间拓扑开关模拟量全局特征矩阵进行相乘以得到多个分类特征向量；S190，基于所述故障查询特征向量，对所述多个分类特征向量中各个分类特征向量进行特征响应性优化以得到多个优化后分类特征向量；S200，将所述多个优化后分类特征向量通过分类器以得到多个概率值；以及，S210，将所述多个概率值中最大概率值对应的故障标签，确定为故障测距结果。
图2为根据本申请实施例的电气化铁道牵引供电系统的故障测距方法的架构图。如图2所示，在该架构中，首先，获取多组故障仿真数据，其中，所述各组故障仿真数据包括故障标签以及与所述故障标签对应的供电臂的各个开关的位置信号和模拟量；接着，基于所述供电臂的各个开关的位置信号，构造所述供电臂的各个开关之间的空间拓扑矩阵；然后，将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵；继而，对所述多组故障仿真数据进行处理以得到多个空间拓扑开关模拟量全局特征矩阵，同时，获取故障报告，并将所述故障报告中的故障参数排列为故障参数输入向量；接着，将所述故障参数输入向量通过故障参数特征提取器以得到故障参数关联特征向量；然后，将所述故障参数关联特征向量与所述空间拓扑特征矩阵进行相乘以得到故障查询特征向量；继而，将所述故障查询特征向量分别与所述各个空间拓扑开关模拟量全局特征矩阵进行相乘以得到多个分类特征向量；再基于所述故障查询特征向量，对所述多个分类特征向量中各个分类特征向量进行特征响应性优化以得到多个优化后分类特征向量；进而，将所述多个优化后分类特征向量通过分类器以得到多个概率值；最后，将所述多个概率值中最大概率值对应的故障标签，确定为故障测距结果。
如上所述，当前的故障测距分析基于人为或者故障测距装置进行故障判断，此过程中可能会有由于各开关位置上送不正确、定值配置不正确、运行方式不够全面等多种因素导致故障定位不够准确，故障巡检时间较长，耗费大量人力物力财力。因此，期望一种优化的电气化铁道牵引供电系统的故障测距方案。
在本申请的一个具体实施例中，在铁路供电段继电保护处建立基于加权欧式距离的牵引供电故障反演系统。具体地，在系统中按照所管辖区域的搭建所有一次设备的模型，并录入所有设备参数，如变压器阻抗、馈线长度、馈线阻抗、系统阻抗等等。在本申请的技术方案中，遵循调度安全网络原则，调度开放网络接口至该系统，从调度端获取各一次设备参数及故障信息（如故障测距装置中的各支路故障电流电压等）。本方法以已搭建的主接线图模型为基础，故障发生时的各二次设备的故障参数为依据，加以加权欧式距离算法自动反推故障类型及故障点，为用户查找故障点节省人力物力。其中加权欧式距离算法的故障测距原理及方案如下（以一个供电臂三个所为例）：
图3为根据本申请实施例中的供电臂主接线图。如图3所示，本系统会采集供电臂的所有开关位置信号，如变电所的上下行断路器位置信号，AT所及分区所的上下行断路器、并联隔开、AT自耦变压器开关的位置信号，同时采集该供电臂的所有模拟量，如变电所、AT所、分区所的上下行T线、F线电流及AT所和分区所的吸上电流。
运用ATP对系统进行仿真计算，考虑各种不同的故障条件，如故障行别、故障距离、故障类型、运行方式。故障行别分为下行故障和上行故障；故障距离是以50m为单位递变进行故障点设置，并包含供电线＋供电臂整个供电范围；故障类型包含T故障、F故障、TF故障类型；运行方式由图3的开关位置决定，根据不同开关所处的分合位进行区分运行方式，囊括供电臂的所有运行方式。
首先针对每条目标线路的主接线图，仿真每个故障点、故障类型、运行方式下的故障量输出值，输出参数排列同保护装置中故障报告中参数格式，将所有仿真输出以一维数组的形式存储到对比分析库。
当线路上有实际故障发生时，获取故障报告中的故障参数，形成一维数组，与上述对比分析库进行比对。本文提出采用加权欧式距离度量实际发送的故障参数与仿真故障参数的相似度。
因为故障信息包含不同指标和量纲，如电流电压大小、方向等参数。所以在使用欧式距离之前，必须对故障信息进行归一化，避免计算的相似度结果偏离实际的情况。由于数据不太符合正态分布，所以本文采用最大最小归一化将原始数据转换到[0-1]的范围，归一化公式如下：
其中
为样本数据的最大值，
为样本数据的最小值。归一化后，就可采用欧式距离进行相似度度量。
欧氏距离是最常见的两点之间或多点之间的距离表示法，又称之为欧几里得度量，它定义于欧几里得空间中，如点
和
之间的距离为：
由于故障信息中不同属性对于最后判定结果的重要程度不同，所以需要对欧式距离进行改进，增加权重参数以突出不同属性的作用。加权欧式距离的公式如下：
其中，
为各属性权重，依据故障测距经验赋值。
与故障信息相似度呈正比，
越小，证明仿真数据与实际故障数据越相似，反之亦然。
以加权欧式距离算法选出最接近实际故障参数的一组仿真数据，仿真数据对应的故障类型、故障距离、故障行别即可认为是实际故障的类型、距离、行别，从而达到定位故障的目的。
在本申请的另一个具体实施例中，提出了一种电气化铁道牵引供电系统的故障测距方法，其能够在牵引系统发生故障时，根据调度端所采集到的故障报告信息（如电流电压大小、方向等参数）以及一次设备参数及遥信状态来自动计算出与接近该故障报告参数的故障点及故障类型，达到运维及相关工作人员快速定位故障的目的。
相应地，考虑到在实际进行牵引供电系统的故障测距时，应基于多组故障仿真数据建立对比分析库，这样，当线路上有实际故障发生时，可以根据故障报告中的故障参数特征来与所述对比分析库进行特征对比，从而以两者的特征相似度来进行故障类型和故障点的判断，以达到运维及相关工作人员快速定位故障的目的。但是，由于在实际进行对比分析库的构建时，发现故障仿真数据主要由各个故障类型组成，并且所述各个故障类型中都包含有供电臂的各个开关的位置信号和模拟量数据，其中，所述各个开关的位置信号间具有着空间上的位置拓扑关联，且所述各个开关的模拟量数据中的各个参数间也都具有着关联性关系，这给所述对比分析库的建立带来了困难。在此过程中，难点在于如何挖掘出所述供电臂的各个开关的空间拓扑特征和所述供电臂的各个开关模拟量的隐含关联特征间的关联性特征分布信息，以此来准确地构建所述对比分析库，以在故障发生时对于故障类型和故障点进行准确地判断，以达到运维及相关工作人员快速定位故障的目的。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述供电臂的各个开关的空间拓扑特征和所述供电臂的各个开关模拟量的隐含关联特征间的关联性特征分布信息提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并挖掘所述供电臂的各个开关的空间拓扑特征和所述供电臂的各个开关模拟量的隐含关联特征间的关联性特征分布信息。
在步骤S110中，获取多组故障仿真数据，其中，所述各组故障仿真数据包括故障标签以及与所述故障标签对应的供电臂的各个开关的位置信号和模拟量。特别地，这里，所述各个开关的模拟量包括变电所、AT所、分区所的上下行T线、F线电流，以及，所述AT所和所述分区所的吸上电流。
在步骤S120中，基于所述供电臂的各个开关的位置信号，构造所述供电臂的各个开关之间的空间拓扑矩阵。对于所述多组故障仿真数据的供电臂的各个开关的位置信号来说，由于所述各组故障仿真数据中的所述供电臂的各个开关的位置信号具有空间位置不变性，因此，可以基于所述供电臂的各个开关的位置信号，构造所述供电臂的各个开关之间的空间拓扑矩阵。
在步骤S130中，将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵。为了能够提取出所述供电臂的各个开关的位置信号间的空间位置拓扑关联特征，进一步将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型中进行特征提取，以提取出所述供电臂的各个开关的位置信号间的空间拓扑特征信息，从而得到空间拓扑特征矩阵。
具体地，在本申请实施例中，将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵的编码过程，包括：使用所述卷积神经网络模型的各层分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述空间拓扑特征矩阵，所述卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。
在步骤S140中，对所述多组故障仿真数据进行处理以得到多个空间拓扑开关模拟量全局特征矩阵。对于所述多组故障仿真数据来说，其中的各组故障标签对应的供电臂的各个开关的模拟量间都具有着关联关系，而且所述供电臂的各个开关的模拟量间在不同类别的开关模拟量跨度下具有不同的关联特征信息。因此，在本申请的技术方案中，为了能够准确地进行所述各组故障仿真数据的关于所述供电臂的各个开关模拟量的关联特征提取，进一步对所述多组故障仿真数据进行处理以得到多个空间拓扑开关模拟量全局特征矩阵。
具体地，针对于各组故障仿真数据来说，将所述各组故障仿真数据中的与所述故障标签对应的供电臂的各个开关的模拟量排列为输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述供电臂的各个开关的模拟量间在不同类别的开关模拟量跨度下的多尺度邻域关联特征分布信息，从而得到多个开关模拟量特征向量。其中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。在本申请实施例中，将所述各组故障仿真数据中的与所述故障标签对应的供电臂的各个开关的模拟量排列为输入向量后通过多尺度邻域特征提取模块以得到多个开关模拟量特征向量的编码过程，包括：首先，使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述输入向量进行一维卷积编码以得到第一尺度开关模拟量特征向量；其中，所述公式为：
其中，a为第一卷积核在x方向上的宽度、
为第一卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述输入向量，
表示对所述输入向量进行一维卷积编码；接着，使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述输入向量进行一维卷积编码以得到第二尺度开关模拟量特征向量；其中，所述公式为：
其中，b为第二卷积核在x方向上的宽度、
为第二卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述输入向量，
表示对所述输入向量进行一维卷积编码；然后，使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度开关模拟量特征向量和所述第二尺度开关模拟量特征向量进行级联以得到所述开关模拟量特征向量。
接着，再将所述多个开关模拟量特征向量二维排列，以此来整合在所述各组故障仿真数据下关于所述供电臂的各个开关的模拟量间全局的多尺度关联特征信息，以得到开关模拟量全局特征矩阵。
然后，以所述多个开关模拟量特征向量中的各个开关模拟量特征向量作为节点的特征表示，而以所述空间拓扑特征矩阵作为节点与节点之间的边的特征表示，将由所述多个开关模拟量特征向量经二维排列得到的开关模拟量全局特征矩阵和所述开关模拟量全局特征矩阵通过图神经网络以得到空间拓扑开关模拟量全局特征矩阵。具体地，所述图神经网络通过可学习的神经网络参数对所述空间拓扑特征矩阵和所述开关模拟量全局特征矩阵进行图结构数据编码以得到包含不规则的空间拓扑关联特征和所述供电臂的各个开关的模拟量间的多尺度关联特征信息的所述空间拓扑开关模拟量全局特征矩阵。这样，再将单一故障仿真数据下的所述空间拓扑开关模拟量全局特征矩阵应用于所述各组故障仿真数据中就能够得到多个空间拓扑开关模拟量全局特征矩阵，以此来构建基于所述各组故障仿真数据的高维隐含特征整合的对比分析库。
图4为根据本申请实施例的电气化铁道牵引供电系统的故障测距方法中对所述多组故障仿真数据进行处理以得到多个空间拓扑开关模拟量全局特征矩阵的流程图。如图4所示，对所述多组故障仿真数据进行处理以得到多个空间拓扑开关模拟量全局特征矩阵，包括：S310，将所述各组故障仿真数据中的与所述故障标签对应的供电臂的各个开关的模拟量排列为输入向量后通过多尺度邻域特征提取模块以得到多个开关模拟量特征向量；S320，将所述多个开关模拟量特征向量二维排列为开关模拟量全局特征矩阵；以及，S330，将所述空间拓扑特征矩阵和所述开关模拟量全局特征矩阵通过图神经网络模型以得到所述空间拓扑开关模拟量全局特征矩阵。
在步骤S150中，获取故障报告，并将所述故障报告中的故障参数排列为故障参数输入向量。也就是，在所述电气化铁道牵引供电系统的故障测距方法的实际运行过程中，当线路上有实际故障发生时，获取故障报告，并将所述故障报告中的故障参数排列为故障参数输入向量。
在步骤S160中，将所述故障参数输入向量通过故障参数特征提取器以得到故障参数关联特征向量。考虑到由于所述故障报告中的故障参数间具有着关联性的关系，且这种关联关系在不同的故障参数数据类型下具有着不同程度的关联信息。因此，为了能够充分地提取出这种关联性来对于故障进行准确地位置定位和类型判断，在本申请的技术方案中，进一步将所述故障参数输入向量通过故障参数特征提取器中进行特征提取，以得到故障参数关联特征向量。特别地，这里，所述故障参数特征提取器为多尺度邻域特征提取模块，使用所述多尺度邻域特征提取模块对于所述故障参数输入向量进行特征挖掘，能够提取出所述故障报告中的故障参数在不同故障数据类型跨度下的多尺度邻域关联特征分布信息，从而得到故障参数关联特征向量。
具体地，在本申请实施例中，将所述故障参数输入向量通过故障参数特征提取器以得到故障参数关联特征向量的编码过程，包括：首先，使用所述故障参数特征提取器的第一卷积层以如下公式对所述故障参数输入向量进行一维卷积编码以得到第一故障参数特征向量；其中，所述公式为：
其中，c为第一卷积核在y方向上的宽度、
为第一卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，l为第一卷积核的尺寸，Y表示所述故障参数输入向量，
表示对所述故障参数输入向量进行一维卷积编码；接着，使用所述故障参数特征提取器的第二卷积层以如下公式对所述故障参数输入向量进行一维卷积编码以得到第二故障参数特征向量；其中，所述公式为：
其中，
为第二卷积核在y方向上的宽度、
为第二卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，n为第二卷积核的尺寸，Y表示所述故障参数输入向量，
表示所述第二故障参数特征向量；然后，使用所述故障参数特征提取器的融合层将所述第一故障参数特征向量和所述第二故障参数特征向量进行级联以得到所述故障参数关联特征向量。
在步骤S170中，将所述故障参数关联特征向量与所述空间拓扑特征矩阵进行相乘以得到故障查询特征向量。考虑到由于所述故障报告中不仅存在有故障的故障参数数据，还具有各个开关的位置信息，而由于所述各个开关的位置信息具有空间拓扑关联特征的不变性，因此，将所述故障参数关联特征向量与所述空间拓扑特征矩阵进行相乘，以此来融合所述故障数据间的多尺度关联特征和所述故障的空间位置拓扑特征信息来作为故障查询特征向量，从而得到该所述故障报告中关于故障类型的隐含特征信息。
具体地，在本申请实施例中，以如下公式将所述故障参数关联特征向量与所述空间拓扑特征矩阵进行相乘以得到故障查询特征向量；其中，所述公式为：
其中
表示所述故障参数关联特征向量，
表示所述空间拓扑特征矩阵，
表示所述故障查询特征向量，
表示矩阵相乘。
在步骤S180中，将所述故障查询特征向量分别与所述各个空间拓扑开关模拟量全局特征矩阵进行相乘以得到多个分类特征向量。在获得所述对比分析库和包含有所述故障报告中关于故障类型的隐含特征信息的所述故障查询特征向量后，将所述故障查询特征向量分别与所述各个空间拓扑开关模拟量全局特征矩阵进行相乘，以将所述故障报告中关于故障类型的隐含特征分布信息映射到所述对比分析库的高维空间中，以此基于所述故障报告中的故障参数关联特征与所述对比分析库中的高维隐含特征进行特征对比查询，从而得到多个分类特征向量。
在步骤S190中，基于所述故障查询特征向量，对所述多个分类特征向量中各个分类特征向量进行特征响应性优化以得到多个优化后分类特征向量。特别地，在本申请的技术方案中，在将所述故障查询特征向量分别与所述各个空间拓扑开关模拟量全局特征矩阵进行相乘得到多个分类特征向量时，如果将所述故障查询特征向量作为源向量，则所述分类特征向量是所述源向量相对于所述空间拓扑开关模拟量全局特征矩阵表达的开关模拟量关联特征的空间拓扑表示的响应向量，因此，如果能够增强所述分类特征向量相对于所述故障查询特征向量的响应性融合，则可以提升作为所述分类特征向量的分类结果的准确性。
基于此，本申请的申请人计算所述分类特征向量，例如记为
相对于所述故障查询特征向量，例如记为
的非相干稀疏响应式融合以优化所述分类特征向量，例如优化后的分类特征向量记为
，表示为：
其中
、
和
分别表示所述故障查询特征向量、所述分类特征向量和所述优化后分类特征向量，
和
分别表示向量的一范数和二范数，
为向量的长度，
和
分别表示向量乘积和向量点乘，且所有向量均为行向量形式。
这里，所述非相干稀疏响应融合在以初始响应向量作为特征域间响应性融合的真实性分布（ground-truth distribution）的情况下，通过一范数表示的向量差异的模糊性位分布响应性，以及基于差分向量的模约束的真实差分嵌入响应性，来获得向量之间的非相干稀疏性融合表示，以提取特征向量融合后的概率分布描述度的响应关系，从而提升作为非相干稀疏响应式融合优化的所述分类特征向量
对于具有响应关系的源向量和响应向量的融合表达效果。这样，就可以提升优化后的所述分类特征向量
的分类结果的准确性。这样，能够准确地构建对比分析库，以在故障发生时得到准确地故障测距结果，便于运维及相关工作人员快速定位故障。
在步骤S200中，将所述多个优化后分类特征向量通过分类器以得到多个概率值。也就是说，以所述故障报告中的故障参数关联特征来与所述对比分析库的高维隐含特征进行特征对比。
具体地，在本申请实施例中，将所述多个优化后分类特征向量通过分类器以得到多个概率值的编码过程，包括：首先，将所述优化后分类特征向量输入所述分类器的Softmax分类函数以得到所述优化后分类特征向量归属于各个分类标签的初始概率值；然后，将最大初始概率值确定为所述优化后分类特征向量的概率值。
在步骤S210中，将所述多个概率值中最大概率值对应的故障标签，确定为故障测距结果。也就是，将所述多个优化后分类特征向量对应的多个概率值中最大值对应的故障标签确定为故障测距结果。这样，以所述故障报告中的故障参数关联特征与所述对比分析库的高维隐含特征之间的特征相似度来进行故障类型和故障点的判断，以达到运维及相关工作人员快速定位故障的目的。
综上，基于本申请实施例的电气化铁道牵引供电系统的故障测距方法被阐明，其利用基于深度学习的人工智能检测技术，来挖掘出多组故障仿真数据中供电臂的各个开关的空间拓扑特征和所述供电臂的各个开关模拟量的隐含关联特征间的关联性特征分布信息以此建立对比分析库。这样，在故障发生时，可以根据故障报告中的故障参数特征来与所述对比分析库进行特征对比，从而以两者的特征相似度来进行故障类型和故障点的判断，以达到运维及相关工作人员快速定位故障的目的。
示例性系统
图5为根据本申请实施例的电气化铁道牵引供电系统的故障测距系统的框图。如图5所示，根据本申请实施例的电气化铁道牵引供电系统的故障测距系统100，包括：数据采集模块110，用于获取多组故障仿真数据，其中，所述各组故障仿真数据包括故障标签以及与所述故障标签对应的供电臂的各个开关的位置信号和模拟量；拓扑关系构造模块120，用于基于所述供电臂的各个开关的位置信号，构造所述供电臂的各个开关之间的空间拓扑矩阵；拓扑特征提取模块130，用于将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵；分析库构建模块140，用于对所述多组故障仿真数据进行处理以得到多个空间拓扑开关模拟量全局特征矩阵；故障输入模块150，用于获取故障报告，并将所述故障报告中的故障参数排列为故障参数输入向量；故障特征刻画模块160，用于将所述故障参数输入向量通过故障参数特征提取器以得到故障参数关联特征向量；查询预备模块170，用于将所述故障参数关联特征向量与所述空间拓扑特征矩阵进行相乘以得到故障查询特征向量；查询与搜索模块180，用于将所述故障查询特征向量分别与所述各个空间拓扑开关模拟量全局特征矩阵进行相乘以得到多个分类特征向量；特征响应性优化模块190，用于基于所述故障查询特征向量，对所述多个分类特征向量中各个分类特征向量进行特征响应性优化以得到多个优化后分类特征向量；查询结果划分模块200，用于将所述多个优化后分类特征向量通过分类器以得到多个概率值；以及，测距结果生成模块210，用于将所述多个概率值中最大概率值对应的故障标签，确定为故障测距结果。
这里，本领域技术人员可以理解，上述电气化铁道牵引供电系统的故障测距系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的电气化铁道牵引供电系统的故障测距方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的电气化铁道牵引供电系统的故障测距系统 100可以实现在各种终端设备中，例如用于电气化铁道牵引供电系统的故障测距的服务器等。在一个示例中，根据本申请实施例的电气化铁道牵引供电系统的故障测距系统 100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该电气化铁道牵引供电系统的故障测距系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该电气化铁道牵引供电系统的故障测距系统 100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该电气化铁道牵引供电系统的故障测距系统 100与该终端设备也可以是分立的设备，并且该电气化铁道牵引供电系统的故障测距系统 100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图6来描述根据本申请实施例的电子设备。图6为根据本申请实施例的电子设备的框图。如图6所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的电气化铁道牵引供电系统的故障测距方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如故障仿真数据、故障报告等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括故障测距结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的电气化铁道牵引供电系统的故障测距方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的电气化铁道牵引供电系统的故障测距方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种电气化铁道牵引供电系统的故障测距方法，其特征在于，包括：
获取多组故障仿真数据，其中，所述各组故障仿真数据包括故障标签以及与所述故障标签对应的供电臂的各个开关的位置信号和模拟量；
基于所述供电臂的各个开关的位置信号，构造所述供电臂的各个开关之间的空间拓扑矩阵；
将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵；
对所述多组故障仿真数据进行处理以得到多个空间拓扑开关模拟量全局特征矩阵；
获取故障报告，并将所述故障报告中的故障参数排列为故障参数输入向量；
将所述故障参数输入向量通过故障参数特征提取器以得到故障参数关联特征向量；
将所述故障参数关联特征向量与所述空间拓扑特征矩阵进行相乘以得到故障查询特征向量；
将所述故障查询特征向量分别与所述各个空间拓扑开关模拟量全局特征矩阵进行相乘以得到多个分类特征向量；
基于所述故障查询特征向量，对所述多个分类特征向量中各个分类特征向量进行特征响应性优化以得到多个优化后分类特征向量；
将所述多个优化后分类特征向量通过分类器以得到多个概率值；以及将所述多个概率值中最大概率值对应的故障标签，确定为故障测距结果。
2.根据权利要求1所述的电气化铁道牵引供电系统的故障测距方法，其特征在于，所述各个开关的模拟量包括变电所、AT所、分区所的上下行T线、F线电流，以及，所述AT所和所述分区所的吸上电流。
3.根据权利要求2所述的电气化铁道牵引供电系统的故障测距方法，其特征在于，将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵，包括：
使用所述卷积神经网络模型的各层分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述卷积神经网络模型的最后一层的输出为所述空间拓扑特征矩阵，所述卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。
4.根据权利要求3所述的电气化铁道牵引供电系统的故障测距方法，其特征在于，对所述多组故障仿真数据进行处理以得到多个空间拓扑开关模拟量全局特征矩阵，包括：
将所述各组故障仿真数据中的与所述故障标签对应的供电臂的各个开关的模拟量排列为输入向量后通过多尺度邻域特征提取模块以得到多个开关模拟量特征向量；
将所述多个开关模拟量特征向量二维排列为开关模拟量全局特征矩阵；以及将所述空间拓扑特征矩阵和所述开关模拟量全局特征矩阵通过图神经网络模型以得到所述空间拓扑开关模拟量全局特征矩阵。
5.根据权利要求4所述的电气化铁道牵引供电系统的故障测距方法，其特征在于，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
6.根据权利要求5所述的电气化铁道牵引供电系统的故障测距方法，其特征在于，将所述各组故障仿真数据中的与所述故障标签对应的供电臂的各个开关的模拟量排列为输入向量后通过多尺度邻域特征提取模块以得到多个开关模拟量特征向量，包括：
使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述输入向量进行一维卷积编码以得到第一尺度开关模拟量特征向量；
其中，所述公式为：
使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述输入向量进行一维卷积编码以得到第二尺度开关模拟量特征向量；
其中，所述公式为：
7.根据权利要求6所述的电气化铁道牵引供电系统的故障测距方法，其特征在于，将所述故障参数输入向量通过故障参数特征提取器以得到故障参数关联特征向量，包括：
使用所述故障参数特征提取器的第一卷积层以如下公式对所述故障参数输入向量进行一维卷积编码以得到第一故障参数特征向量；
其中，所述公式为：
使用所述故障参数特征提取器的第二卷积层以如下公式对所述故障参数输入向量进行一维卷积编码以得到第二故障参数特征向量；
其中，所述公式为：
8.根据权利要求7所述的电气化铁道牵引供电系统的故障测距方法，其特征在于，将所述故障参数关联特征向量与所述空间拓扑特征矩阵进行相乘以得到故障查询特征向量，包括：
以如下公式将所述故障参数关联特征向量与所述空间拓扑特征矩阵进行相乘以得到故障查询特征向量；
其中，所述公式为：
其中
表示所述故障参数关联特征向量，
表示所述空间拓扑特征矩阵，
表示所述故障查询特征向量，
表示矩阵相乘。
9.根据权利要求8所述的电气化铁道牵引供电系统的故障测距方法，其特征在于，基于所述故障查询特征向量，对所述多个分类特征向量中各个分类特征向量进行特征响应性优化以得到多个优化后分类特征向量，包括：
以如下公式计算所述故障查询特征向量和所述分类特征向量的非相干稀疏响应式融合以得到所述优化后分类特征向量；
其中，所述公式为：
10.根据权利要求9所述的电气化铁道牵引供电系统的故障测距方法，其特征在于，将所述多个优化后分类特征向量通过分类器以得到多个概率值，包括：
将所述优化后分类特征向量输入所述分类器的Softmax分类函数以得到所述优化后分类特征向量归属于各个分类标签的初始概率值；以及
将最大初始概率值确定为所述优化后分类特征向量的概率值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310291509.5A CN115993507B (zh) | 2023-03-23 | 2023-03-23 | 一种电气化铁道牵引供电系统的故障测距方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310291509.5A CN115993507B (zh) | 2023-03-23 | 2023-03-23 | 一种电气化铁道牵引供电系统的故障测距方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115993507A CN115993507A (zh) | 2023-04-21 |
| CN115993507B true CN115993507B (zh) | 2023-05-30 |
Family
ID=85993876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310291509.5A Active CN115993507B (zh) | 2023-03-23 | 2023-03-23 | 一种电气化铁道牵引供电系统的故障测距方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115993507B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201327523Y (zh) * | 2008-11-07 | 2009-10-14 | 成都交大许继电气有限责任公司 | 高速电气化铁路全并联at供电方式故障测距装置 |
| CN206740904U (zh) * | 2016-11-29 | 2017-12-12 | 成都交大运达电气有限公司 | 基于gps校时的精准高铁故障测距分析系统 |
| CN107947356A (zh) * | 2016-10-12 | 2018-04-20 | 成都交大运达电气有限公司 | 电气化铁路数字化牵引变电所自动化系统 |
| CN112213570A (zh) * | 2019-07-10 | 2021-01-12 | 株洲中车时代电气股份有限公司 | 一种故障诊断规则库的生成方法及其故障诊断方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH073450B2 (ja) * | 1984-02-22 | 1995-01-18 | 財団法人鉄道総合技術研究所 | 直流電鉄き電回路の故障点標定方法 |
| EP3379273B1 (de) * | 2017-03-22 | 2019-09-18 | Siemens Aktiengesellschaft | Verfahren, einrichtung und system zum ermitteln des fehlerortes eines fehlers auf einer leitung eines elektrischen energieversorgungsnetzes |
| CN107797027B (zh) * | 2017-10-16 | 2019-02-26 | 西南交通大学 | 一种电气化铁路at牵引网故障定位方法 |
| CN107871170A (zh) * | 2017-11-29 | 2018-04-03 | 中国铁路总公司 | 电气化铁路智能牵引供电系统架构技术 |
| CN108959732B (zh) * | 2018-06-15 | 2019-09-27 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
| CN110514924B (zh) * | 2019-08-12 | 2021-04-27 | 武汉大学 | 深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法 |
| CN110969194B (zh) * | 2019-11-21 | 2023-12-19 | 国网辽宁省电力有限公司电力科学研究院 | 基于改进型卷积神经网络的电缆早期故障定位方法 |
| US11220999B1 (en) * | 2020-09-02 | 2022-01-11 | Palo Alto Research Center Incorporated | Deep hybrid convolutional neural network for fault diagnosis of wind turbine gearboxes |
| CN114966320A (zh) * | 2022-05-27 | 2022-08-30 | 华东交通大学 | 一种基于深度学习的单端故障行波测距新算法 |
| CN115266159A (zh) * | 2022-08-01 | 2022-11-01 | 浙江师范大学 | 列车牵引系统的故障诊断方法及其系统 |
-
2023
- 2023-03-23 CN CN202310291509.5A patent/CN115993507B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201327523Y (zh) * | 2008-11-07 | 2009-10-14 | 成都交大许继电气有限责任公司 | 高速电气化铁路全并联at供电方式故障测距装置 |
| CN107947356A (zh) * | 2016-10-12 | 2018-04-20 | 成都交大运达电气有限公司 | 电气化铁路数字化牵引变电所自动化系统 |
| CN206740904U (zh) * | 2016-11-29 | 2017-12-12 | 成都交大运达电气有限公司 | 基于gps校时的精准高铁故障测距分析系统 |
| CN112213570A (zh) * | 2019-07-10 | 2021-01-12 | 株洲中车时代电气股份有限公司 | 一种故障诊断规则库的生成方法及其故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115993507A (zh) | 2023-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116247824B (zh) | 电力设备的控制方法及其系统 | |
| CN110580292A (zh) | 一种文本标签生成方法、装置和计算机可读存储介质 | |
| CN115834433B (zh) | 基于物联网技术的数据处理方法及系统 | |
| CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
| Zhu et al. | Networked time series shapelet learning for power system transient stability assessment | |
| CN115456789B (zh) | 基于交易模式识别的异常交易检测方法及其系统 | |
| WO2020088338A1 (zh) | 一种建立识别模型的方法及装置 | |
| CN116245513A (zh) | 基于规则库的自动化运维系统及其方法 | |
| CN117077075A (zh) | 用于环境保护的水质监测系统及其方法 | |
| CN115471216B (zh) | 智慧实验室管理平台的数据管理方法 | |
| Han et al. | Research on quality problems management of electric power equipment based on knowledge–data fusion method | |
| CN118378198B (zh) | 一种输电线路污闪故障预测方法及系统 | |
| CN115114448A (zh) | 智能多模态融合用电检查方法、装置、系统、设备及介质 | |
| Yuan et al. | Multisource data fusion outage location in distribution systems via probabilistic graphical models | |
| CN117633592B (zh) | 一种新能源电站智能监盘系统 | |
| Tian et al. | An event knowledge graph system for the operation and maintenance of power equipment | |
| Xing et al. | Multimodal Mutual Neural Network for Health Assessment of Power Transformer | |
| CN115993507B (zh) | 一种电气化铁道牵引供电系统的故障测距方法 | |
| CN117332330A (zh) | 基于多源数据图融合模型的变压器故障评估方法及系统 | |
| CN116629211B (zh) | 基于人工智能的写作方法及系统 | |
| CN116663499A (zh) | 智能化工业数据处理的方法及系统 | |
| CN116124448A (zh) | 用于风电齿轮箱的故障诊断系统及其方法 | |
| CN116467485A (zh) | 一种视频图像检索构建系统及其方法 | |
| CN113537607B (zh) | 停电预测方法 | |
| CN113344915B (zh) | 一种输电线路关键部件缺陷检测方法及系统 |
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 |