一种直流支撑电容的电容值预测方法及装置制造方法及图纸

本发明专利技术实施例公开一种直流支撑电容的电容值预测方法及装置。该方法中通过预设组合神经网络模型对待测试数据进行复制得到副本数据，将待测试数据和副本数据中的一者输入至第一长短期记忆网络得到第一时间相关性特征，另一者输入至第一卷积神经网络得到第一空间相关性特征，将第一时间相关性特征输入至第二长短期记忆网络得到第二时间相关性特征，将第一空间相关性特征输入至第二卷积神经网络得到第二空间相关性特征，将第二时间相关性特征和第二空间相关性特征输入至全连接层得到直流支撑电容的电容预测值。本发明专利技术中基于预设组合神经网络模型预测得到直流支撑电容的电容预测值，能够适应轨道车辆的实时监测电容值的需要。要。要。

【技术实现步骤摘要】
一种直流支撑电容的电容值预测方法及装置


[0001]本专利技术涉及电容测量
，具体而言，涉及一种直流支撑电容的电容值预测方法及装置。

技术介绍

[0002]目前，轨道车辆的直流支撑电容是牵引系统的重要器件，需要实时测量电容值以保证轨道车辆的稳定运行。
[0003]现有的基于硬件的电容值测量方法，例如专用仪器测量法、交流阻抗计算法和双电压表法等，都需要将被测量的电容单独拆下，或者基于测试要求搭建专用测试电路，利用相关专业设备对电容的电容值进行测量。
[0004]上述将电容单独拆下的方式操作复杂，又由于轨道车辆的牵引系统十分复杂和精密，牵引系统各部分互相影响和作用，牵引系统包含的传感器种类多样，使得记录的数据复杂且海量，因此搭建类似的测试电路来测量牵引系统中的直流支撑电容的电容是非常艰难的，需要较长的时间，这使得测量成本高且测量时间长，由此可见，现有技术中的电容测量方法难以适应轨道车辆的实时监测电容值的需要。

技术实现思路

[0005]本专利技术提供了一种直流支撑电容的电容值预测方法及装置，能够适应轨道车辆的实时监测电容值的需要。具体的技术方案如下。
[0006]第一方面，本专利技术提供了一种直流支撑电容的电容值预测方法，所述方法包括：
[0007]获取待测试数据，其中，所述待测试数据中至少包括电容电压、电容电流、电网电压和电网电流；
[0008]将所述待测试数据输入至预设组合神经网络模型，通过所述预设组合神经网络模型对所述待测试数据进行复制得到副本数据，将所述待测试数据和所述副本数据中的一者输入至第一长短期记忆网络得到第一时间相关性特征，另一者输入至第一卷积神经网络得到第一空间相关性特征，将所述第一时间相关性特征输入至第二长短期记忆网络得到第二时间相关性特征，将所述第一空间相关性特征输入至第二卷积神经网络得到第二空间相关性特征，将所述第二时间相关性特征和所述第二空间相关性特征输入至全连接层得到直流支撑电容的电容预测值；
[0009]其中，所述预设组合神经网络模型包括所述第一卷积神经网络、所述第二卷积神经网络、所述第一长短期记忆网络、所述第二长短期记忆网络和所述全连接层，所述第一长短期记忆网络与所述第二长短期记忆网络连接，所述第一卷积神经网络与所述第二卷积神经网络连接，所述第二长短期记忆网络和所述第二卷积神经网络均与所述全连接层连接。
[0010]可选的，所述第一卷积神经网络包括第一卷积层、第一最大池化层和第一激活层，所述第二卷积神经网络包括第二卷积层、第二最大池化层和第二激活层，所述将另一者输入至第一卷积神经网络得到第一空间相关性特征，将所述第一空间相关性特征输入至第二
卷积神经网络得到第二空间相关性特征的步骤，包括：
[0011]将另一者输入至所述第一卷积层，得到第一卷积特征；
[0012]将所述第一卷积特征输入至所述第一最大池化层，得到第一最大池化后特征；
[0013]将所述第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征；
[0014]将所述第一空间相关性特征输入至所述第二卷积层，得到第二卷积特征；
[0015]将所述第二卷积特征输入至所述第二最大池化层，得到第二最大池化后特征；
[0016]将所述第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征。
[0017]可选的，所述将所述第二时间相关性特征和所述第二空间相关性特征输入至全连接层得到直流支撑电容的电容预测值的步骤，包括：
[0018]通过所述全连接层的预设线性函数对所述第二时间相关性特征和所述第二空间相关性特征进行回归处理，得到直流支撑电容的电容预测值。
[0019]可选的，所述第一卷积神经网络还包括第一块正则化层，所述第二卷积神经网络还包括第二块正则化层；
[0020]在所述将所述第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征的步骤之前，上述直流支撑电容的电容值预测方法还包括：
[0021]将所述第一最大池化后特征输入至所述第一块正则化层进行正则化处理，得到处理后的第一最大池化后特征，其中，所述处理后的第一最大池化后特征的波动频率位于预设波动阈值范围内；
[0022]所述将所述第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征的步骤，包括：
[0023]将处理后的第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征；
[0024]在所述将所述第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征的步骤之前，上述直流支撑电容的电容值预测方法还包括：
[0025]将所述第二最大池化后特征输入至所述第二块正则化层进行正则化处理，得到处理后的第二最大池化后特征，其中，所述处理后的第二最大池化后特征的波动频率位于所述预设波动阈值范围内；
[0026]所述将所述第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征的步骤，包括：
[0027]将处理后的第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征。
[0028]可选的，所述预设组合神经网络模型的训练过程，包括：
[0029]获取仿真数据和所述仿真数据对应的直流支撑电容的电容仿真值，其中，所述仿真数据中至少包括仿真电容电压、仿真电容电流、仿真电网电压和仿真电网电流；
[0030]对所述仿真数据进行第一预处理，得到处理后的仿真数据；
[0031]将处理后的仿真数据以及所述电容仿真值作为仿真训练数据集输入至初始组合神经网络模型中进行训练，当迭代次数达到第一预设次数时，完成训练，得到使得处理后的仿真数据与所述电容仿真值相关联的第一组合神经网络模型，其中，所述初始组合神经网络模型包括第一初始卷积神经网络、第二初始卷积神经网络、第一初始长短期记忆网络、第
二初始长短期记忆网络和初始全连接层；
[0032]获取轨道车辆牵引系统的半实物仿真平台采集的平台数据和直流支撑电容的电容值，其中，所述平台数据中至少包括电容电压、电容电流、电网电压和电网电流；
[0033]对所述平台数据进行第二预处理，得到处理后的平台数据；
[0034]将所述处理后的平台数据和所述电容值作为真实训练数据集输入至所述第一组合神经网络模型中进行训练，当迭代次数达到第二预设次数时，完成训练，得到使得所述处理后的平台数据与所述电容值相关联的预设组合神经网络模型。
[0035]可选的，所述对所述仿真数据进行第一预处理，得到处理后的仿真数据的步骤，包括：
[0036]对所述仿真数据进行重采样，得到数据频率为预设频率的重采样后数据；
[0037]对所述重采样后数据进行切片，生成预设长度的多个数据序列；
[0038]从所述多个数据序列中选择预设步长的数据作为处理后的仿真数据，其中，所述预设步长不小于电容电压的一个波长。
[0039]可选的，所述对所述平台数据进行第二预处理，得到处理后的平台数据的步骤，包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种直流支撑电容的电容值预测方法，其特征在于，所述方法包括：获取待测试数据，其中，所述待测试数据中至少包括电容电压、电容电流、电网电压和电网电流；将所述待测试数据输入至预设组合神经网络模型，通过所述预设组合神经网络模型对所述待测试数据进行复制得到副本数据，将所述待测试数据和所述副本数据中的一者输入至第一长短期记忆网络得到第一时间相关性特征，另一者输入至第一卷积神经网络得到第一空间相关性特征，将所述第一时间相关性特征输入至第二长短期记忆网络得到第二时间相关性特征，将所述第一空间相关性特征输入至第二卷积神经网络得到第二空间相关性特征，将所述第二时间相关性特征和所述第二空间相关性特征输入至全连接层得到直流支撑电容的电容预测值；其中，所述预设组合神经网络模型包括所述第一卷积神经网络、所述第二卷积神经网络、所述第一长短期记忆网络、所述第二长短期记忆网络和所述全连接层，所述第一长短期记忆网络与所述第二长短期记忆网络连接，所述第一卷积神经网络与所述第二卷积神经网络连接，所述第二长短期记忆网络和所述第二卷积神经网络均与所述全连接层连接。2.如权利要求1所述的方法，其特征在于，所述第一卷积神经网络包括第一卷积层、第一最大池化层和第一激活层，所述第二卷积神经网络包括第二卷积层、第二最大池化层和第二激活层，所述将另一者输入至第一卷积神经网络得到第一空间相关性特征，将所述第一空间相关性特征输入至第二卷积神经网络得到第二空间相关性特征的步骤，包括：将另一者输入至所述第一卷积层，得到第一卷积特征；将所述第一卷积特征输入至所述第一最大池化层，得到第一最大池化后特征；将所述第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征；将所述第一空间相关性特征输入至所述第二卷积层，得到第二卷积特征；将所述第二卷积特征输入至所述第二最大池化层，得到第二最大池化后特征；将所述第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征。3.如权利要求1或2所述的方法，其特征在于，所述将所述第二时间相关性特征和所述第二空间相关性特征输入至全连接层得到直流支撑电容的电容预测值的步骤，包括：通过所述全连接层的预设线性函数对所述第二时间相关性特征和所述第二空间相关性特征进行回归处理，得到直流支撑电容的电容预测值。4.如权利要求2或3所述的方法，其特征在于，所述第一卷积神经网络还包括第一块正则化层，所述第二卷积神经网络还包括第二块正则化层；在所述将所述第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征的步骤之前，所述方法还包括：将所述第一最大池化后特征输入至所述第一块正则化层进行正则化处理，得到处理后的第一最大池化后特征，其中，所述处理后的第一最大池化后特征的波动频率位于预设波动阈值范围内；所述将所述第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征的步骤，包括：将处理后的第一最大池化后特征输入至所述第一激活层，得到第一空间相关性特征；在所述将所述第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征
的步骤之前，所述方法还包括：将所述第二最大池化后特征输入至所述第二块正则化层进行正则化处理，得到处理后的第二最大池化后特征，其中，所述处理后的第二最大池化后特征的波动频率位于所述预设波动阈值范围内；所述将所述第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征的步骤，包括：将处理后的第二最大池化后特征输入至所述第二激活层，得到第二空间相关性特征。5.如权利要求1所述的方法，其特征在于，所述预设组合神经网络模型的训练过程，包括：获取仿真数据和所述仿真数据对应的直流支撑电容的电容仿真值，其中，所述仿真数据中至少包括仿真电容电压、仿真电容电流、仿真电网电压和仿真电网电流；对所述仿真数据进行第一预处理，得到处理后的仿...

【专利技术属性】
技术研发人员：曹虎，聂强，郭洪玮，初开麒，李鸿飞，
申请(专利权)人：中车青岛四方车辆研究所有限公司，
类型：发明
国别省市：