CN116165473B - 一种列车牵引传动系统的网侧过流故障实时溯源方法 - Google Patents
一种列车牵引传动系统的网侧过流故障实时溯源方法 Download PDFInfo
- Publication number
- CN116165473B CN116165473B CN202310459566.XA CN202310459566A CN116165473B CN 116165473 B CN116165473 B CN 116165473B CN 202310459566 A CN202310459566 A CN 202310459566A CN 116165473 B CN116165473 B CN 116165473B
- Authority
- CN
- China
- Prior art keywords
- fault
- time sequence
- network side
- side overcurrent
- electrical parameter
- 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
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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16528—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values using digital techniques or performing arithmetic operations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16533—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application
- G01R19/16538—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies
- G01R19/16547—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies voltage or current in AC supplies
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/005—Testing of electric installations on transport means
- G01R31/008—Testing of electric installations on transport means on air- or spacecraft, railway rolling stock or sea-going vessels
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Maintenance And Management Of Digital Transmission (AREA)
Abstract
本发明提出一种列车牵引传动系统的网侧过流故障实时溯源方法,涉及网侧过流故障溯源的技术领域,首先对网侧过流故障相关的电参数信号的历史案例数据建立不同故障原因对应的第一故障时序模式;其次对第一故障时序模式中的每维电参数时间序列进行变分模态分解,得到高区分度的第二故障时序模式,并通过第二故障时序模式中每维电参数序列的特征指标提取,构建第二故障时序特征模式;进一步离线训练构建的网侧过流故障溯源模型,并调用离线训练好的网侧过流故障溯源模型,对在线预处理好的参数故障数据进行诊断,保证了网侧过流故障溯源模型的有效性,有效地提高了网侧过流故障实时诊断准确度,提高了故障检修效率。
Description
技术领域
本发明涉及网侧过流故障溯源的技术领域,特别涉及一种列车牵引传动系统的网侧过流故障实时溯源方法。
背景技术
高速列车的动力核心一般为AC-DC-AC牵引传动系统,包含整流器,逆变器,变压器等模块。列车在运行过程中,牵引传动系统很容易受到励磁涌流,温度,湿度,静电等原因的影响,导致其在运行过程中易处于不正常工况,影响列车正常使用。而牵引传动系统网侧过流便是对列车运行影响较大的一类异常工况,网侧过流会导致供电网络的主断路器跳闸保护,使列车丧失动力。
目前,列车在运行过程遇到网侧过流的异常工况时,往往需要列车员进行停车检查,对网侧过流故障进行人工溯源,无法做到实时诊断,大大降低了列车在实际运行中的可用性;同时,在网侧过流故障发生时,监测信号从正常到故障保护这一非平稳过程的时序特征表征故障模式难以表征,限制了牵引传动系统网侧过流故障诊断方法的发展,因此,研究牵引传动系统网侧过流故障诊断方法具有重要意义。现阶段对于牵引传动系统网侧过流故障诊断方法主要针对系统模块中具体部件的诊断,例如现有专利文献中公开了一种IGBT故障识别方法,包括针对变流器各个正常状态、各类故障状态的电三相流信号进行采样,组成数据集;利用算法寻优变分模态分解的模态分解个数K和惩罚因子α最优参数组合;参数优化后对各个电流信号进行分解,每种状态得到若干模态分量ImF;将构成特征向量输入到分类器中进行故障识别,但列车的牵引传动系统包含了复杂的部件耦合关系,该方法是通过优化特征参数提取,仅对系统模块中具体部件IGBT的故障类型做出识别,未充分考虑部件IGBT与其他部件之间的耦合关系,直接将方法使用于网侧过流的诊断容易导致网侧过流故障出现误诊断且难以溯源,无法针对网侧过流故障诊断指定差异化保护。
发明内容
为解决在现有牵引传动系统网侧过流故障时,无法精准实时溯源,导致网侧过流故障诊断无法制定差异化保护,检修效率低的问题,本发明提出了一种列车牵引传动系统的网侧过流故障实时溯源方法,有效地提高了网侧过流故障实时诊断准确度,提高了故障检修效率。
为了达到上述技术效果,本发明的技术方案如下:
S1.选择与列车牵引传动系统的网侧过流故障相关的电参数信号的历史案例数据;
S2.对电参数信号的历史案例数据进行离线预处理,得到与引起网侧过流故障的m类故障原因对应的m种包含多维电参数时间序列的第一故障时序模式,其中m表示正整数;
S3.对m种第一故障时序模式中的每维电参数时间序列进行变分模态分解,得到若干个区分度最高的模态分量,并合成新的电参数时间序列,将新的电参数时间序列重构为m种高区分度的包含多维电参数时间序列的第二故障时序模式;
S4.提取所述第二故障时序模式中的每维电参数时间序列的特征指标,将m种第二故障时序模式转化为对应的m种第二故障时序特征模式;
S5.通过离线学习历史第二故障时序特征模式的数据样本,训练构建的网侧过流故障溯源模型,得到离线训练好的网侧过流故障溯源模型;
S6.在线采集电参数故障数据,对电参数故障数据进行在线预处理;
S7.调用离线训练好的网侧过流故障溯源模型,对在线预处理好的电参数故障数据进行诊断,得到网侧过流故障诊断结果。
优选地,S1所述电参数信号的历史案例数据从列车控制中心监测到的列车运行故障数据中获取,所述电参数信号的历史案例数据包括网侧电压信号和网侧电流信号。
优选地,S2所述对电参数信号的历史案例数据进行离线预处理,具体包括:
S21.获取引起网侧过流故障的m类故障原因的有效数据段;
S22.通过工况分割,将电参数信号的历史案例数据中的从异常到保护的数据段转换为用于表征故障原因的第一故障时序模式;
S23.基于m类故障原因,对所述第一故障时序模式进行分类,得到与m类故障原因对应的m种第一故障时序模式。
优选地,S3所述对m种第一故障时序模式中的每维电参数时间序列进行变分模态分解,具体包括:
S31.将m种第一故障时序模式中的每维电参数时间序列分解为k个具有中心频率的有限带宽的模态分量,其中k表示正整数,以各模态分量的估计带宽之和最小为目标函数,以所有模态分量之和与第一故障时序模式相等的约束为约束条件,构建约束变分问题;
S32.对约束变分问题进行优化求解,每类故障原因得到优化后的k个模态分量;
S33.对不同故障原因分解出的k个模态分量之间进行相关系数计算,具体计算公式为:
其中,表示所选故障序列的模态分量,/>表示不同于/>的另一类故障序列的模态分量,/>表示/>和/>之间的相关系数,/>表示所选的第q个模态分量,/>表示不同于/>的另一类故障序列的第q个模态分量,/>表示所选模态分量的平均值,/>表示不同于/>的另一模态分量的均值,/>;
S34.将相关系数小于系数阈值的两个模态分量记为低关联性序列,将低关联性序列的模态分量作为区分度最高的模态分量,得到若干个区分度最高的模态分量,合成新的电参数时间序列,将新的电参数时间序列进行重构,得到m种高区分度的第二故障时序模式;
S35.保存在S33与S34中选用的模态分量分解个数与模态分量的选择参数,供网侧过流故障溯源模型在线诊断调用。
优选地,S4所述提取所述第二故障时序模式中的每维电参数时间序列的特征指标,具体包括:
S41.设m种第二故障时序模式中的每维电参数时间序列的滑动窗口个数均为L,其中L为正整数;
S42.在L个滑动窗口的每一个滑动窗口中,利用滑窗算法计算m种第二故障时序模式的时序特征向量。
优选地,S4所述第二故障时序特征模式的具体表达式为:
其中,表示第m类故障原因对应的第二故障时序特征模式,/>表示第L个滑动窗口的第Q维特征向量,Q表示正整数。
优选地,S5所述的网侧过流故障溯源模型为隐马尔科夫-高斯混合模型,对所述隐马尔科夫-高斯混合模型离线训练,具体包括:
S51.利用所述历史第二故障时序特征模式组成时序特征模式数据集,将时序特征模式数据集划分为训练集和测试集;
S52.将训练集中的第二故障时序特征模式输入构建的隐马尔科夫模型,输出训练集中的时序特征模式的概率分布函数,对概率分布函数进行求解,得到高斯混合模型需要训练的网络参数(Π,A,B);其中Π表示初始概率矩阵,A表示转移概率矩阵,B表示观测概率矩阵;
S53.对高斯混合模型需要训练的网络参数(Π,A,B)进行重估优化,直至高斯混合模型需要训练的网络参数达到训练阈值,马尔科夫-高斯混合模型离线训练结束;
S54.利用测试集测试离线训练好的网侧过流故障溯源模型的有效性,得到测试好的网侧过流故障溯源模型。
优选地,S52所述对高斯混合模型需要训练的网络参数(Π,A,B)进行重估优化,重估优化网络参数Π的具体表达式为:
其中,表示第K+1次迭代的网络参数Π,i表示观测序列的状态,/>表示观测序列在t时刻时处于状态i的概率,K表示迭代次数;
重估优化网络参数A的具体表达式为:
其中,表示第K+1次迭代的网络参数A,j表示不同于i的另一类观测序列的状态,T表示总时刻,t表示总时刻T中的某一时刻,/>表示观测序列在t时刻处于状态i的概率,/>表示观测序列在t时刻处于状态i在t+1时刻转移到状态j的概率;
重估优化网络参数B的具体表达式为:
其中,表示第K+1次迭代的网络参数B,/>表示观测集合中元素的个数,表示t时刻的观测序列,/>表示观测集合中的第/>个元素,/>表示观测序列在t时刻处于状态j的概率。
优选地,S54所述利用测试集测试离线训练好的网侧过流故障溯源模型的有效性,具体包括:
将测试集输入训练好的网侧过流故障溯源模型,计算训练好的网侧过流故障溯源模型的诊断准确率,具体计算公式如下:
其中,表示网侧过流故障样本的总数,/>表示网侧过流故障溯源模型输出的故障类型,/>表示真实的网侧过流故障类型,/>表示/>或/>的输出,表示网侧过流故障溯源模型的输出为/>且/>为真实的网侧过流故障溯源类型的数量;将诊断准确率最高的网侧过流故障溯源模型记为测试好的网侧过流故障溯源模型。
优选地,S6所述对电参数故障数据进行在线预处理,具体包括:
S61.通过工况分割,将电参数故障数据转换为从异常到保护的用于表征故障原因的第三故障时序模式,对所述第三故障时序模式进行分类,得到与m类故障原因对应的第三故障时序模式;
S62.对第三故障时序模式中的每维电参数时间序列进行变分模态分解,得到若干个区分度最高的模态分量,调用保存的模态分量的选择参数,合成新的电参数时间序列,基于新的电参数时间序列,构建第四故障时序模式;
S63.提取所述第四故障时序模式的特征指标,将第四故障时序模式转化对应的第四故障时序特征模式。
与现有技术相比,本发明技术方案的有益效果是:
本发明提出一种列车牵引传动系统的网侧过流故障溯源方法,首先对网侧过流故障相关的电参数信号的历史案例数据建立不同故障原因对应的包含多维电参数时间序列的第一故障时序模式;然后对第一故障时序模式中的每维电参数时间序列进行变分模态分解,得到高区分度的第二故障时序模式,通过特征指标提取,建立第二故障时序模式对应的第二故障时序特征模式,提升了对不同故障原因的区分度,降低了特征指标的提取难度,降低了在有效时序特征指标提取方面对专家知识的依赖;进一步通过离线学习历史第二故障时序特征模式的数据样本,训练构建的网侧过流故障溯源模型,并调用离线训练好的网侧过流故障溯源模型,对在线预处理好的参数故障数据进行诊断,保证了诊网侧过流故障溯源模型的有效性,有效地提高了网侧过流故障实时诊断准确度,提高了故障检修效率。
附图说明
图1表示本发明实施例中提出的一种列车牵引传动系统的网侧过流故障实时溯源方法的步骤示意图;
图2表示本发明实施例中提出的一种列车牵引传动系统的网侧过流故障实时溯源方法的流程示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好地说明本实施例,附图某些部位会有省略、放大或缩小,并不代表实际尺寸,“上”“下”等部位方向的描述非对本专利的限制;
对于本领域技术人员来说,附图中某些公知内容说明可能省略是可以理解的;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,本实施例提出了一种用于列车牵引传动系统的网侧过流故障溯源方法,包括以下步骤:
S1.选择与列车牵引传动系统的网侧过流故障相关的电参数信号的历史案例数据;
在步骤S1中,所述电参数信号的历史案例数据从列车控制中心监测到的列车运行故障数据中获取;当列车发生网侧过流故障后,列车牵引传动控制系统将在网侧过流故障点前后对监测信号进行采集,然后根据网侧过流机理对列车牵引传动控制系统的电路进行分析,分析得到不同原因引起网侧过流故障时,与列车牵引传动系统的网侧过流故障相关的电参数信号的历史案例数据包括网侧电压信号和网侧电流信号。
S2.对电参数信号的历史案例数据进行离线预处理,得到与引起网侧过流故障的m类故障原因对应的m种包含多维电参数时间序列的第一故障时序模式,其中m表示正整数;
在步骤S2中,参见图2,取m=4,对电参数信号的历史案例数据进行离线预处理,具体包括:
S21.获取引起网侧过流故障的4类故障原因的有效数据段;
在步骤S21中,引起网侧过流故障的4类故障原因是根据工程经验和和专家知识进行分类得到,工程经验即日常维运中发现的规律,专家知识即对该规律进行分析总结形成系统性的知识。结合工程经验和和专家知识对牵引传动系统网侧过流故障进行分析,发现在发生网侧过流故障时,电参数中电压和电流参数的变化最为明显,故选取电压和电流参数作为诊断列车网侧过流故障的标准;其中引起网侧过流故障的4类故障原因分别为:牵引变压器故障,牵引变流器故障、励磁涌流和弓网接触不良;
S22.通过工况分割,将电参数信号的历史案例数据中的从异常到保护的数据段转换为用于表征故障原因的第一故障时序模式;
在步骤S22中,根据牵引控制系统保护机理,即一旦列车牵引传动系统发生网侧过流故障,列车牵引传动系统中的主断路器会在一段时间内跳闸,切断电路,从而保护列车牵引传动系统,此时网侧电压信号和网侧电流信号作为牵引传动系统从异常到保护的第一故障时序模式,直至将所有包含网侧电压信号和网侧电流信号的样本数据转换为第一故障时序模式;
S23.基于4类故障原因,对所述第一故障时序模式进行分类,得到与4类故障原因对应的4种第一故障时序模式。
在步骤S23中,每一类故障原因导致的网侧过流故障相关的电参数信号均对应有一种第一故障时序模式;
S3.对4种第一故障时序模式中的每维电参数时间序列进行变分模态分解,得到若干个区分度最高的模态分量,并合成新的电参数时间序列,将新的电参数时间序列重构为4种高区分度的包含多维电参数时间序列的第二故障时序模式;
S4.提取所述第二故障时序模式中的每维电参数时间序列的特征指标,将4种第二故障时序模式转化为对应的4种第二故障时序特征模式;
S5.通过离线学习历史第二故障时序特征模式的数据样本,训练构建的网侧过流故障溯源模型,得到离线训练好的网侧过流故障溯源模型;
S6.在线采集电参数故障数据,对电参数故障数据进行在线预处理;
在步骤S6中,所述对电参数故障数据进行在线预处理,具体包括:
S61.通过工况分割,将电参数故障数据转换为从异常到保护的用于表征故障原因的第三故障时序模式,对所述第三故障时序模式进行分类,得到与4类故障原因对应的第三故障时序模式;
S62.对第三故障时序模式中的每维电参数时间序列进行变分模态分解,得到若干个区分度最高的模态分量,调用保存的模态分量的选择参数,合成新的电参数时间序列,基于新的电参数时间序列,构建第四故障时序模式;
S63.提取所述第四故障时序模式的特征指标,将第四故障时序模式转化对应的第四故障时序特征模式。
S7.调用离线训练好的网侧过流故障溯源模型,对在线预处理好的电参数故障数据进行诊断,得到网侧过流故障诊断结果。
在本实施例中,首先与列车牵引传动系统的网侧过流故障相关的电参数信号的历史案例数据进行工况分割,提取出与每种故障原因对应的从网侧过流到主断路器保护前的多维电参数时间序列,并分别构建每种故障原因对应的多维电参数时间序列组成的第一故障时序模式;其次对第一故障时序模式中的每维电参数时间序列进行变分模态分解,选择区分度大的子序列,合成新的电参数时间序列,再构建每个故障类型对应的由新的多维电参数序列组成的第二故障时序模式,然后提取第二故障时序模式中每维电参数序列的特征指标,构建每个第二故障时序模式对应的第二故障时序特征模式,进一步离线训练构建的网侧过流故障溯源模型,并调用离线训练好的网侧过流故障溯源模型,对在线预处理好的参数故障数据进行诊断,保证了网侧过流故障溯源模型的有效性,有效地提高了网侧过流故障实时诊断准确度,提高了检修效率。
实施例2
参见图1及图2,步骤S3所述对4种第一故障时序模式中的每维电参数时间序列进行变分模态分解,具体包括:
S31.将4种第一故障时序模式中的每维电参数时间序列分解为k个具有中心频率的有限带宽的模态分量,其中k表示正整数,以各模态分量的估计带宽之和最小为目标函数,以所有模态分量之和与第一故障时序模式相等的约束为约束条件,构建约束变分问题;
在步骤S31中,约束变分问题的表达式为:
其中,表示各模态分量函数,/>表示各模态的中心频率,/>表示狄拉克函数,/>表示卷积运算符号,f表示原序列。
S32.对约束变分问题进行优化求解,每类故障原因得到优化后的k个模态分量;
在步骤S32中,对约束变分问题进行优化求解,具体求解过程为:
S321.引入拉格朗日乘法算子λ,将约束变分问题转变为非约束变分问题,得到增广拉格朗日表达式为:
其中,α表示二次惩罚因子,用于降低原序列种噪声的干扰;表示各模态分量函数,/>表示各模态的中心频率,/>表示狄拉克函数,t为在此处为其的自变量,/>表示卷积运算符号,f表示原序列,/>表示对t求偏导,j在此处的含义为复数。
S322.利用交替方向因子迭代算法结合傅里叶等距变换优化得到各模态分量和中心频率,并通过拉格朗日增广函数求解最优模态分量及中心频率;
S33.对不同故障原因分解出的k个模态分量之间进行相关系数计算,具体计算公式为:
其中,表示所选故障序列的模态分量,/>表示不同于/>的另一类故障序列的模态分量,/>表示/>和/>之间的相关系数,/>表示所选的第q个模态分量,/>表示不同于/>的另一类故障序列的第q个模态分量,/>表示所选模态分量的平均值,/>表示不同于/>的另一模态分量的均值,/>;
在步骤S33中,两个模态分量为不同故障原因分解得到;
S34.将相关系数小于系数阈值的两个模态分量记为低关联性序列,将低关联性序列的模态分量作为区分度最高的模态分量,得到若干个区分度最高的模态分量,合成新的电参数时间序列,将新的电参数时间序列进行重构,得到4种高区分度的第二故障时序模式;
在步骤S34中,定义系数阈值为0.3,将相关系数小于0.3的两个模态分量记为低关联性序列,选择分解出的若干个模态分量中最易区分四种故障原因的模态分量进行重构,得到区分度最高的4种第二故障时序模式。
步骤S4所述提取所述第二故障时序模式中的每维电参数时间序列的特征指标,具体包括:
S41.设4种第二故障时序模式中的每维电参数时间序列的滑动窗口个数均为L,其中L为正整数;
S42.在L个滑动窗口的每一个滑动窗口中,利用滑窗算法计算4种第二故障时序模式的时序特征向量。
在步骤S42中,时序特征向量包括所截长度电压最大值、所截长度电流最大值/>、电压波形在所截长度中的方差/>、电流波形在所截长度中的方差/>、所截长度的电压高峰值持续时间Thu和所截长度的电流高峰值持续时间Thi;
所截长度电压最大值Umax的计算表达式为:
其中,表示每一个滑动窗口所包含的采样点数,x d表示以d时刻开始的滑动窗口内的第一个电压采样点,此处的d含义仅为序号;x d+1表示以d时刻开始的滑窗内的第二个电压采样点,以此类推。
电压波形在所截长度中的方差的计算表达式为:
此处的p表示求和符号的序号,p的取值范围为[d,Ns+d],x p表示第p个电压采样点,一个滑动窗口共有Ns个采样点,表示从第d个电压采样点开始的滑动窗口内的电压采样点的平均值
所截长度电流最大值的计算表达式为:
y e表示从e时刻开始的滑动窗口内的第一个电流采样点,此处的e含义仅表示序号;y e+1表示以e时刻开始的滑窗内的第二个电流采样点,以此类推,Max函数表示最大值函数,其含义表示取自变量中的最大值。
电流波形在所截长度中的方差的计算表达式为:
此处的o为求和符号的序号,o的取值范围为[e,Ns+e],y o表示第o个电流采样点,一个滑动窗口共有Ns个采样点,表示从e时刻开始的滑动窗口内的电流采样点的平均值
所截长度的电压高峰值持续时间Thu的计算表达式为:
其中,T threshondu表示的高峰值判定值,Ts表示采样每个点所需要的时间。X d表示电压滑动窗口内的第d个采样点。ɛ为单位阶跃函数,当函数内的自变量大于0时,输出为1,否则输出为0.
所截长度的电流高峰值持续时间Thi的计算表达式为:
其中,Tthreshondi表示电流的高峰值判定值。Ts表示采样每个点所需要的时间。y e表示电压滑动窗口内的第e个采样点。ɛ为单位阶跃函数,当函数内的自变量大于0时,输出为1,否则输出为0。
步骤S4所述第二故障时序特征模式的具体表达式为:
其中,表示第m类故障原因对应的第二故障时序特征模式,/>表示第L个滑动窗口的第Q维特征向量,Q表示正整数。
实施例3
参见图1,S5所述的网侧过流故障溯源模型为隐马尔科夫-高斯混合模型,对所述隐马尔科夫-高斯混合模型离线训练,具体包括:
S51.利用所述历史第二故障时序特征模式组成时序特征模式数据集,将时序特征模式数据集划分为训练集和测试集;
S52.将训练集中的第二故障时序特征模式输入构建的隐马尔科夫模型,输出训练集中的时序特征模式的概率分布函数,对概率分布函数进行求解,得到高斯混合模型需要训练的网络参数(Π,A,B);其中Π表示初始概率矩阵,A表示转移概率矩阵,B表示观测概率矩阵;
在步骤S52中,构建马尔科夫模型的具体步骤为:
S521:利用K-means算法对初始概率分布矩阵进行计算,随机初始化M个质心C;X矩阵包含了N s个6维时序特征向量,计算各时序特征向量与质心的欧氏距离,具体计算公式为:
其中,X i表示特征向量,C j表示随机初始化出来的质心,G为求和符号中的一变量,式中表示序号,取值范围为[1,M]。
S522:依次比较每一个对象到每一个聚类中心的距离,将对象分配到距离最近的聚类中心Ct的簇中,类簇中心就是类簇内所有对象在各个维度的均值:S l为类簇,具体分配如下公式:
S523:在K-means算法对模型进行初始化后得到初始参数θ,即概率分布函数;并利用EM算法进行进一步计算,写出似然函数:
其中,x R表示样本集,p(x R;θ)表示在参数θ下抽到x R的概率,z表示隐变量,Rr为抽取的样本数,该式得出的L(θ)表示在参数θ下抽到Rr个样本的联合概率。
S524:根据当前参数推断隐变量分布,并计算对数似然:
其中zR表示该情况下的隐变量,θ F表示迭代更新的参数,F在此处表示标记序号。
S525:寻找参数最大化期望似然:
S526:重复S524和S525直至收敛到局部最优解,将局部最优解的参数作为高斯混合模型需要训练的初始的网络参数(Π,A,B);
S53.对高斯混合模型需要训练的网络参数(Π,A,B)进行重估优化,直至高斯混合模型需要训练的网络参数达到训练阈值,马尔科夫-高斯混合模型离线训练结束;其中Π表示初始概率矩阵,包含初始情况下为某一状态的概率;A表示转移概率矩阵,包含着序列的隐藏状态相互转移的概率;B表示观测概率矩阵,包含在某一状态下输出某一序列的概率;
在步骤S53中,训练集包括长度为Mm的观测序列O= (O 1 , O 2 , … , O Mm)、所有可能的观测集合V = {v1, v2, … , vl}和状态集合S={S 1 ,S 2 ,…,S N};
利用Baum-Wench算法对高斯混合模型需要训练的网络参数(Π,A,B)进行重估优化,重估优化网络参数Π的具体公式为:
其中,表示第K+1次迭代的网络参数Π,i表示观测序列的状态,/>表示观测序列在t时刻时处于状态i的概率,K表示迭代次数;
重估优化网络参数A的具体公式为:
其中,表示第K+1次迭代的网络参数A,j表示不同于i的另一类观测序列的状态,T表示总时刻,t表示总时刻T中的某一时刻,/>表示观测序列在t时刻处于状态i的概率,/>表示观测序列在t时刻处于状态i在t+1时刻转移到状态j的概率;
重估优化网络参数B的具体公式为:
其中,表示第K+1次迭代的网络参数B,/>表示观测集合中元素的个数,表示t时刻的观测序列,/>表示观测集合中的第/>个元素,/>表示观测序列在t时刻处于状态j的概率;在计算bj时同样使用的是拉格朗日乘子法,其约束条件为,只有在Ot=v l时,bj(Ot)对bj(k)求偏导才不为0;
γ t (i)的计算表达式如下:
a t(i)被称为前向概率,表示在t时刻时存在部分为O 1 ,O 2 ,…,O t的观测序列并且其处于状态Si的概率;βt(i)被称为后向概率,表示在状态Si到S N结束时,输出的观测序列为O t+1 , O t+2 ,…,O T的概率;N表示状态集合中的元素数量;j表示变量;
δ t (i,j)的计算表达式如下:
a ij表示转移概率,表示从状态i转移到状态j的概率,βt+1(j)表示在状态Sj到S N结束时,输出的观测序列为O t+2 , O t+3 ,…,O T的概率;bj(Ot+1)表示处于状态j时,输出序列为Ot+1的概率,βt(i)表示在状态Si到S N结束时,输出的观测序列为O t+1 , O t+2 ,…,O T的概率。
判断训练好的网络参数(Π,A,B)是否达到训练阈值,训练阈值为网络参数输出的最大值,若是,则马尔科夫-高斯混合模型训练结束;否则,继续对网络参数(Π,A,B)进行重估优化,直至高斯混合模型需要训练的网络参数达到最大值,结束马尔科夫-高斯混合模型训练。
S54.利用测试集测试离线训练好的网侧过流故障溯源模型的有效性,得到测试好的网侧过流故障溯源模型。
在步骤S54中,所述利用测试集测试离线训练好的网侧过流故障溯源模型的有效性,具体包括:
将测试集输入训练好的网侧过流故障溯源模型,计算训练好的网侧过流故障溯源模型的诊断准确率,具体计算公式如下:
其中,表示网侧过流故障样本的总数,/>表示网侧过流故障溯源模型输出的故障类型,/>表示真实的网侧过流故障类型,/>表示/>或/>的输出,表示网侧过流故障溯源模型的输出为/>且/>为真实的网侧过流故障溯源类型的数量;将诊断准确率最高的网侧过流故障溯源模型记为测试好的网侧过流故障溯源模型。
显然,本发明的上述实施例仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种列车牵引传动系统的网侧过流故障实时溯源方法,其特征在于,包括以下步骤:
S1.选择与列车牵引传动系统的网侧过流故障相关的电参数信号的历史案例数据;
S2.对电参数信号的历史案例数据进行离线预处理,得到与引起网侧过流故障的m类故障原因对应的m种包含多维电参数时间序列的第一故障时序模式,其中m表示正整数,所述故障原因包括有牵引变压器故障,牵引变流器故障、励磁涌流和弓网接触不良;
S3.对m种第一故障时序模式中的每维电参数时间序列进行变分模态分解,得到若干个区分度最高的模态分量,并合成新的电参数时间序列,将新的电参数时间序列重构为m种高区分度的包含多维电参数时间序列的第二故障时序模式;具体包括:
S31.将m种第一故障时序模式中的每维电参数时间序列分解为k个具有中心频率的有限带宽的模态分量,其中k表示正整数,以各模态分量的估计带宽之和最小为目标函数,以所有模态分量之和与第一故障时序模式相等的约束为约束条件,构建约束变分问题;
S32.对约束变分问题进行优化求解,每类故障原因得到优化后的k个模态分量;
S33.对不同故障原因分解出的k个模态分量之间进行相关系数计算,具体计算公式为:
其中,xZ表示所选故障序列的模态分量,yZ表示不同于xZ的另一类故障序列的模态分量,rxyZ(xZ,yZ)表示xZ和yZ之间的相关系数,xZq表示所选的第q个模态分量,yZq表示不同于xZq的另一类故障序列的第q个模态分量,表示所选模态分量的平均值,/>表示不同于/>的另一模态分量的均值,q=1,2,3,…,k;
S34.将相关系数小于系数阈值的两个模态分量记为低关联性序列,将低关联性序列的模态分量作为区分度最高的模态分量,得到若干个区分度最高的模态分量,合成新的电参数时间序列,将新的电参数时间序列进行重构,得到m种高区分度的第二故障时序模式;
S35.保存在S33与S34中选用的模态分量分解个数与模态分量的选择参数,供网侧过流故障溯源模型在线诊断调用;
S4.提取所述第二故障时序模式中的每维电参数时间序列的特征指标,将m种第二故障时序模式转化为对应的m种第二故障时序特征模式;
S5.通过离线学习历史第二故障时序特征模式的数据样本,训练构建的网侧过流故障溯源模型,得到离线训练好的网侧过流故障溯源模型;
S6.在线采集电参数故障数据,对电参数故障数据进行在线预处理;
S7.调用离线训练好的网侧过流故障溯源模型,对在线预处理好的电参数故障数据进行诊断,得到网侧过流故障诊断结果。
2.根据权利要求1所述的列车牵引传动系统的网侧过流故障实时溯源方法,其特征在于,S1所述电参数信号的历史案例数据从列车控制中心监测到的列车运行故障数据中获取,所述电参数信号的历史案例数据包括网侧电压信号和网侧电流信号。
3.根据权利要求2所述的列车牵引传动系统的网侧过流故障实时溯源方法,其特征在于,S2所述对电参数信号的历史案例数据进行离线预处理,具体包括:
S21.获取引起网侧过流故障的m类故障原因的有效数据段;
S22.通过工况分割,将电参数信号的历史案例数据中的从异常到保护的数据段转换为用于表征故障原因的第一故障时序模式;
S23.基于m类故障原因,对所述第一故障时序模式进行分类,得到与m类故障原因对应的m种第一故障时序模式。
4.根据权利要求3所述的列车牵引传动系统的网侧过流故障实时溯源方法,其特征在于,S4所述提取所述第二故障时序模式中的每维电参数时间序列的特征指标,具体包括:
S41.设m种第二故障时序模式中的每维电参数时间序列的滑动窗口个数均为L,其中L为正整数;
S42.在L个滑动窗口的每一个滑动窗口中,利用滑窗算法计算m种第二故障时序模式的时序特征向量。
5.根据权利要求4所述的列车牵引传动系统的网侧过流故障实时溯源方法,其特征在于,S4所述第二故障时序特征模式的具体表达式为:
其中,Fm表示第m类故障原因对应的第二故障时序特征模式,JLQ表示第L个滑动窗口的第Q维特征向量,Q表示正整数。
6.根据权利要求5所述的列车牵引传动系统的网侧过流故障实时溯源方法,其特征在于,S5所述的网侧过流故障溯源模型为隐马尔科夫-高斯混合模型,对所述隐马尔科夫-高斯混合模型离线训练,具体包括:
S51.利用所述历史第二故障时序特征模式组成时序特征模式数据集,将时序特征模式数据集划分为训练集和测试集;
S52.将训练集中的第二故障时序特征模式输入构建的隐马尔科夫模型,输出训练集中的时序特征模式的概率分布函数,对概率分布函数进行求解,得到高斯混合模型需要训练的网络参数(Π,A,B);其中Π表示初始概率矩阵,A表示转移概率矩阵,B表示观测概率矩阵;
S53.对高斯混合模型需要训练的网络参数(Π,A,B)进行重估优化,直至高斯混合模型需要训练的网络参数达到训练阈值,马尔科夫-高斯混合模型离线训练结束;
S54.利用测试集测试离线训练好的网侧过流故障溯源模型的有效性,得到测试好的网侧过流故障溯源模型。
7.根据权利要求6所述的列车牵引传动系统的网侧过流故障实时溯源方法,其特征在于,S52所述对高斯混合模型需要训练的网络参数(Π,A,B)进行重估优化,重估优化网络参数Π的具体表达式为:
其中,表示第K+1次迭代的网络参数Π,i表示观测序列的状态,/>表示观测序列在t时刻时处于状态i的概率,K表示迭代次数;
重估优化网络参数A的具体表达式为:
其中,表示第K+1次迭代的网络参数A,j表示不同于i的另一类观测序列的状态,T表示总时刻,t表示总时刻T中的某一时刻,/>表示观测序列在t时刻处于状态i的概率,表示观测序列在t时刻处于状态i在t+1时刻转移到状态j的概率;
重估优化网络参数B的具体表达式为:
其中,表示第K+1次迭代的网络参数B,l表示观测集合中元素的个数,Ot表示t时刻的观测序列,vl表示观测集合中的第l个元素,/>表示观测序列在t时刻处于状态j的概率。
8.根据权利要求7所述的列车牵引传动系统的网侧过流故障实时溯源方法,其特征在于,S54所述利用测试集测试离线训练好的网侧过流故障溯源模型的有效性,具体包括:
将测试集输入训练好的网侧过流故障溯源模型,计算训练好的网侧过流故障溯源模型的诊断准确率,具体计算公式如下:
其中,Nf表示网侧过流故障样本的总数,Fjud表示网侧过流故障溯源模型输出的故障类型,FR表示真实的网侧过流故障类型,FI表示Fjud或FR的输出,Num(Fjud=FI|FR=FI)表示网侧过流故障溯源模型的输出为FI且FI为真实的网侧过流故障溯源类型的数量;将诊断准确率最高的网侧过流故障溯源模型记为测试好的网侧过流故障溯源模型。
9.根据权利要求8所述的列车牵引传动系统的网侧过流故障实时溯源方法,其特征在于,S6所述对电参数故障数据进行在线预处理,具体包括:
S61.通过工况分割,将电参数故障数据转换为从异常到保护的用于表征故障原因的第三故障时序模式,对所述第三故障时序模式进行分类,得到与m类故障原因对应的第三故障时序模式;
S62.对第三故障时序模式中的每维电参数时间序列进行变分模态分解,得到若干个区分度最高的模态分量,调用保存的模态分量的选择参数,合成新的电参数时间序列,基于新的电参数时间序列,构建第四故障时序模式;
S63.提取所述第四故障时序模式的特征指标,将第四故障时序模式转化对应的第四故障时序特征模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310459566.XA CN116165473B (zh) | 2023-04-26 | 2023-04-26 | 一种列车牵引传动系统的网侧过流故障实时溯源方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310459566.XA CN116165473B (zh) | 2023-04-26 | 2023-04-26 | 一种列车牵引传动系统的网侧过流故障实时溯源方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116165473A CN116165473A (zh) | 2023-05-26 |
CN116165473B true CN116165473B (zh) | 2023-07-18 |
Family
ID=86414918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310459566.XA Active CN116165473B (zh) | 2023-04-26 | 2023-04-26 | 一种列车牵引传动系统的网侧过流故障实时溯源方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116165473B (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109471436A (zh) * | 2018-11-09 | 2019-03-15 | 上海理工大学 | 基于混合高斯-隐马尔科夫模型的换道模型参数优化方法 |
CN109633247B (zh) * | 2019-01-16 | 2024-02-27 | 中车青岛四方机车车辆股份有限公司 | 一种过流故障诊断系统、方法及列车 |
CN110133442A (zh) * | 2019-05-30 | 2019-08-16 | 中车青岛四方机车车辆股份有限公司 | 一种轨道车辆特高压过流故障检测装置及方法 |
CN113933757B (zh) * | 2020-06-29 | 2022-09-16 | 株洲中车时代电气股份有限公司 | 一种牵引变压器过流诊断保护装置及方法 |
CN114004268A (zh) * | 2020-07-28 | 2022-02-01 | 株洲中车时代电气股份有限公司 | 一种牵引系统故障的在线诊断方法及装置 |
CN112733603A (zh) * | 2020-12-11 | 2021-04-30 | 江苏大学 | 一种基于改进vmd与svm的变频涡旋压缩机故障诊断方法 |
AU2021104319A4 (en) * | 2021-07-20 | 2022-04-14 | Sara Zerdani | A system for traction inverter fault detection and a method thereof |
CN216486129U (zh) * | 2021-11-26 | 2022-05-10 | 青岛四方庞巴迪铁路运输设备有限公司 | 一种牵引变压器二次绕组过电流故障控制系统 |
CN114608826A (zh) * | 2022-03-16 | 2022-06-10 | 合肥工业大学 | 轴承故障诊断模型的训练方法、诊断方法及诊断装置 |
CN115659255A (zh) * | 2022-10-14 | 2023-01-31 | 桂林海威科技股份有限公司 | 一种基于时频域建模与特征选择的路灯故障诊断方法 |
CN115758258B (zh) * | 2022-11-22 | 2023-12-12 | 西南交通大学 | 一种基于振动信号和领域知识的牵引变压器故障诊断方法 |
-
2023
- 2023-04-26 CN CN202310459566.XA patent/CN116165473B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116165473A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
CN111598166B (zh) | 基于主分量分析和Softmax函数的单相接地故障分类方法和系统 | |
CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及系统 | |
CN109031103B (zh) | 一种交流接触器性能退化与状态评估方法 | |
CN105932774A (zh) | 基于ica算法的智能变电站设备状态预警方法 | |
CN107085764A (zh) | 一种基于改进dfhmm模型的负荷分解方法及装置 | |
CN113639993B (zh) | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 | |
CN115481657A (zh) | 一种基于电信号的风力发电机组通信滑环故障诊断方法 | |
CN116089857A (zh) | 一种基于ceemdan-dbn的变压器故障识别方法 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN111949707A (zh) | 一种基于影场的隐马尔可夫模型的非侵入式负荷分解方法 | |
CN113702767B (zh) | 基于小波滑窗能量的孤岛直流微电网故障诊断方法 | |
CN113627685B (zh) | 一种考虑风电上网负荷限制的风力发电机功率预测方法 | |
CN116165473B (zh) | 一种列车牵引传动系统的网侧过流故障实时溯源方法 | |
CN111999591A (zh) | 一种配电网一次设备异常状态的识别方法 | |
CN117272230A (zh) | 一种基于多任务学习模型的非侵入式负荷监测方法和系统 | |
CN115983507B (zh) | 送端源电网断面宽频振荡风险预测方法及系统 | |
CN113033678A (zh) | 一种基于自适应对抗网络的锂电池组故障诊断方法 | |
CN111898446A (zh) | 基于多算法归一化分析的单相接地故障研判方法 | |
CN113496440B (zh) | 一种用户异常用电检测方法及系统 | |
CN111521905A (zh) | 一种基于多维数据故障度智能融合的电网故障诊断方法 | |
CN115659133A (zh) | 一种风电变流器故障诊断方法 | |
CN114779010A (zh) | 基于对称差分能量算子和神经网络的故障行波检测方法 | |
CN114707789A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法和系统 | |
CN114755529A (zh) | 一种基于深度学习的多特征融合单相接地故障类型辨识方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |