一种车网电气耦合数据的异常辨识模型的训练方法技术

本申请提供一种车网电气耦合数据的异常辨识模型的训练方法，包括：获取车网电气耦合的训练数据集；训练数据集包括有标注的异常数据；将训练数据集输入事先建立的异常辨识模型进行训练，得到训练后的异常辨识模型；异常辨识模型包括用于提取低层次特征的特征提取单元和用于提取高层次特征的残差块单元。可对电压数据或电流数据进行标注，并将标注有异常数据的训练数据集输入异常辨识模型并完成训练，得到基于数据驱动的车网电气耦合异常辨识模型，根据信号本身的波形辨识车网电气耦合异常数据，能够实时监测车网电气耦合状态，满足了实际工程需求。实际工程需求。实际工程需求。

【技术实现步骤摘要】
一种车网电气耦合数据的异常辨识模型的训练方法


[0001]本申请涉及电力系统运行分析
，具体而言，涉及一种车网电气耦合数据的异常辨识模型的训练方法。

技术介绍

[0002]电气化铁路领域，电力机车、动车组等与牵引供电系统之间存在复杂的车网电气耦合关系，关乎电气化铁路运营的安全性、可靠性、稳定性等。车网电气耦合关系恶化导致的异常类型繁多，不同异常类型在电气化铁路运营的不同方面造成不利影响，威胁列车的安全稳定运行、造成经济损失等等。
[0003]目前，车网耦合异常主要依靠有经验的技术人员进行人工辨识，显然无法处理庞大的监测数据量，车网耦合异常往往最终导致电气事故的发生；此外，由于故障录波保存信息有限，会大大增加分析故障的难度。针对该问题，实时监测车网电气耦合状态，及时发现异常状况、保存记录异常状态波形并及时预警，是避免电气事故、分析异常原因的重要前提。
[0004]传统的车网电气耦合异常识别方法往往只针对某种单个车网电气耦合异常，而实际中车网电气耦合关系受地理环境和气象条件变化的影响，单类型识别方法显然无法适应实际中多异常类型频发的情况。此外，这种基于模型驱动的识别方法往往需要对异常类型进行机理分析，而每种异常类型的发生机理并不相同，并且，对于未被定义的异常类型，分析其发生机理显然是十分困难的，这也给建立车网电气耦合异常识别体系带来了很大困难。

技术实现思路

[0005]本申请实施例的目的在于提供一种车网电气耦合数据的异常辨识模型的训练方法，用以解决传统的基于模型驱动的车网电气耦合异常识别方法无法适应实际中多异常类型频发的情况。
[0006]本申请实施例提供的一种车网电气耦合数据的异常辨识模型的训练方法，包括：
[0007]获取车网电气耦合的训练数据集；训练数据集包括有标注的异常数据；
[0008]将训练数据集输入事先建立的异常辨识模型进行训练，得到训练后的异常辨识模型；异常辨识模型包括用于提取低层次特征的特征提取单元和用于提取高层次特征的残差块单元。
[0009]上述技术方案中，可对电压数据或电流数据进行标注，并将标注有异常数据的训练数据集输入异常辨识模型并完成训练，得到基于数据驱动的车网电气耦合异常辨识模型，根据信号本身的波形辨识车网电气耦合异常数据，能够实时监测车网电气耦合状态，满足了实际工程需求。
[0010]在一些可选的实施方式中，训练数据集的获取方式，包括：
[0011]根据事先搭建好的不同的车网电气耦合异常模型，采集不同类型的车网电气耦合
异常数据并作为样本数据；
[0012]采集实际电气化铁路中的监测数据，得到在不同地理环境条件以及不同气象条件下的车网电气耦合数据并作为样本数据；
[0013]对样本数据进行预处理，得到训练数据集。
[0014]上述技术方案中，样本数据的获取包括两个方面：一方面，基于仿真软件(如MATLAB平台)根据不同的车网电气异常产生机理搭建不同的车网电气耦合异常模型，并得到不同类型的车网电气耦合异常数据，包括高次谐波谐振、低频振荡等电压振荡现象以及过电压现象，和应涌流、励磁涌流、接地短路等电流冲击现象。另一方面，采集实际电气化铁路中的监测数据，包括地面牵引变电所的车网电气监测数据以及电力机车/动车组上的监测数据，得到在不同地理环境条件以及不同气象条件下的车网电气耦合数据。
[0015]在一些可选的实施方式中，对样本数据进行预处理，得到训练数据集，包括：
[0016]对样本数据，以固定的时间间隔划分得到数据集；
[0017]对数据集中数据做标准化处理，得到归一化的数据集；
[0018]根据归一化的数据集，获取训练数据集；其中，训练数据集包括标注有正常状态的正常数据，以及标注有异常状态的异常数据。
[0019]上述技术方案中，数据预处理，包括三部分内容：数据格式统一、数据尺寸统一、数据标准化处理。其中，数据格式统一将监测设备记录的数据格式转换为便于网络模型读取的数据格式；数据尺寸统一指将格式转换后的电压数据和电流数据，以固定的时间单位格式分割成数据集，为后续网络模型处理做准备；数据标准化，鉴于车网电压数据以及车网电流数据的特点差异，采用不同方法对车网数据进行预处理。对于相对平稳的车网电压数据，其数据处理方式如下：
[0020][0021]对于随车况变化的车网电流数据处理方式如下：
[0022][0023]人工标注，对处理后的车网电压数据或电流数据进行人工标注，构成车网电气耦合数据集：电压正常数据集、电压异常数据集；或，电流正常数据集、电流异常数据集。
[0024]在一些可选的实施方式中，训练数据集的训练数据为电压数据时，异常状态包括电压振荡状态和/或过电压状态；
[0025]训练数据集的训练数据为电流数据时，异常状态包括应涌流状态、励磁涌流状态、接地短路状态和电流冲击状态中的至少一种。
[0026]上述技术方案中，对训练数据的标注可进行进一步细分，正常数据包括电力机车/动车组不同车况条件下的电压数据及其对应的电流数据，例如过分相、加速运行、减速运行、惰性、空载等；异常电压数据包括电高次谐波谐振、低频振荡、电压振荡以及过电压等电压异常现象；异常电流数据主要包括大电流冲击，例如励磁涌流、和应涌流、短路等。
[0027]在一些可选的实施方式中，将训练数据集输入事先建立的异常辨识模型进行训练，得到训练后的异常辨识模型，包括：
[0028]将训练数据输入特征提取单元，初步提取训练数据中的低层次特征，得到第一特
征图；
[0029]将第一特征图输入残差块单元，提取训练数据中的高层次特征，得到第二特征图；
[0030]根据第二特征图，进行车网电气耦合数据的分类辨识；
[0031]通过计算损失、计算梯度以及反向传播更新网络参数，得到训练后的异常辨识模型；其中，异常辨识模型的损失函数为交叉熵损失函数。
[0032]上述技术方案中，采用特征提取单元对电压数据进行初步的特征提取，得到低层次特征，之后，为避免深层神经网络的梯度消失问题，采用残差块单元逐步提取特征图的高层次特征，利用高层次特征进行车网电气耦合数据的分类辨识。根据带标签的正常电压数据和异常电压数据训练电压异常识别网络，通过计算损失、计算梯度、反向传播、更新参数，建立电压信号与标签之间的非线性映射关系。
[0033]在一些可选的实施方式中，将训练数据输入特征提取单元之前，还包括：
[0034]对训练数据进行下采样处理，初步提取训练数据的有效特征。
[0035]在一些可选的实施方式中，特征提取单元包括至少一个特征提取模块，特征提取模块包括卷积层、池化层、标准化层和激活层中的至少一个；
[0036]将训练数据输入特征提取单元，初步提取训练数据中的低层次特征，得到第一特征图，包括：
[0037]通过卷积层提取训练数据中的特征信息；
[0038]在卷积操作后，采用池化层对训练数据滤除冗余信息，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车网电气耦合数据的异常辨识模型的训练方法，其特征在于，包括：获取车网电气耦合的训练数据集；所述训练数据集包括有标注的异常数据；将所述训练数据集输入事先建立的异常辨识模型进行训练，得到训练后的异常辨识模型；所述异常辨识模型包括用于提取低层次特征的特征提取单元和用于提取高层次特征的残差块单元。2.如权利要求1所述的方法，其特征在于，所述训练数据集的获取方式，包括：根据事先搭建好的不同的车网电气耦合异常模型，采集不同类型的车网电气耦合异常数据并作为样本数据；采集实际电气化铁路中的监测数据，得到在不同地理环境条件以及不同气象条件下的车网电气耦合数据并作为样本数据；对所述样本数据进行预处理，得到所述训练数据集。3.如权利要求2所述的方法，其特征在于，所述对所述样本数据进行预处理，得到所述训练数据集，包括：对所述样本数据，以固定的时间间隔划分得到数据集；对所述数据集中数据做标准化处理，得到归一化的数据集；根据归一化的数据集，获取所述训练数据集；其中，所述训练数据集包括标注有正常状态的正常数据，以及标注有异常状态的异常数据。4.如权利要求3所述的方法，其特征在于，所述训练数据集的训练数据为电压数据时，所述异常状态包括电压振荡状态和/或过电压状态；所述训练数据集的训练数据为电流数据时，所述异常状态包括应涌流状态、励磁涌流状态、接地短路状态和电流冲击状态中的至少一种。5.如权利要求4所述的方法，其特征在于，所述将所述训练数据集输入事先建立的异常辨识模型进行训练，得到训练后的异常辨识模型，包括：将所述训练数据输入特征提取单元，初步提取所述训练数据中的低层次特征，得到第一特征图；将第一特征图输入残差块单元，提取所述训练数据中的高层次特征，得到第二特征图；根据第二特征图，进行车网电气耦合数据的分类辨识；通过计算损失...

【专利技术属性】
技术研发人员：周福林，刘飞帆，杨瑞轩，杨涛，王乾，熊进飞，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：