基于自回归及深度学习模型判断接触网异常的方法技术

基于自回归及深度学习模型判断接触网异常的方法，包括6个步骤。本发明专利技术采用经验理论公式、传统预测方法、深度学习方法这三种不同的预测方法进行数据预测，再用实测数据与三种预测方法所获得的预测数据分别绘制曲线，再将所得B值的预测曲线与实测曲线进行拟合对比。当实测曲线与预测曲线的拟合度低于某一阈值时，即判断接触网存在异常、反之正常。本发明专利技术不需要人为巡检，综合利用理论公式、差分整合移动平均自回归模型、卷积神经网络深度学习模型各自的优势，对接触网补偿装置B值进行预测，能在接触网存在异常时第一时间了解到具体情况，从而为制定相关措施，保证铁路安全运行起到了有利技术支撑。基于上述，本发明专利技术具有好的应用前景。景。景。

【技术实现步骤摘要】
基于自回归及深度学习模型判断接触网异常的方法


[0001]本专利技术涉及高速铁路接触网监测方法
，特别是一种基于自回归及深度学习模型判断接触网异常的方法。

技术介绍

[0002]在铁路牵引供电系统中，接触网是非常重要的组成部分，接触网是一种特殊形式的供电线路，它用于保证对电力机车提供可靠的电能。接触网沿铁路露天设置，一旦发生重大设备事故将中断行车，特别是在繁忙的线路发生范围较大的接触网故障时，不仅造成一定的经济损失，而且会产生安全事故。铁路运输对于接触网的要求越来越高，而电气化铁路接触网分布于室外环境甚至崇山峻岭和桥梁隧道中，接触网巡检和维护难以完全依靠人工方式完成，同时，由于接触网故障的影响因子具有多样性和高复杂性，对于铁路接触网的异常进行分析和预测显得尤为必要。
[0003]现有技术中，受到技术限制，还无一种可有效对铁路牵引供电接触网异常进行预测的方法，因此目前仍然依靠人为方式巡检，不但会给相关人员带来不便，不利于提高工作效率，且也增加了运营部门的人工费用支出，重要的是受到巡检人员责任心以及技能的限制，有可能供电接触网发生异常时工作人员没有巡到，对铁路的安全运行存在较大隐患。

技术实现思路

[0004]为了克服现有铁路牵引供电异常判断是依靠人为方式巡检存在如背景所述弊端，本专利技术提供了一种不需要人为巡检，综合利用理论公式、差分整合移动平均自回归模型、卷积神经网络深度学习模型各自的优势，对接触网补偿装置B值进行预测，能在接触网存在异常时第一时间了解到具体情况，从而为制定相关措施，保证铁路安全运行起到了有利技术支撑的基于自回归及深度学习模型判断接触网异常的方法。
[0005]本专利技术解决其技术问题所采用的技术方案是：基于自回归及深度学习模型判断接触网异常的方法，其特征在于包括以下步骤：步骤1：建立接触网补偿装置B值理论公式计算模型，通过计算获取一个周期内的B值时间序列数据；步骤2：建立差分自回归移动平均预测模型，通过该模型获取步骤1相同周期内的B值时间序列数据；步骤3：建立卷积神经网络预测模型，通过该深度学习模型获取步骤1相同周期内的B值时间序列数据；步骤4：通过实际测量，得到步骤1的相同周期内的B值实际数据；步骤5：通过步骤1到步骤4得到的四组独立的B值时间序列数据，分别是步骤1得到的理论公式计算所得的B值数据，步骤2和步骤3得到的预测B值数据，步骤4得到的实际测量的B值数据，对4组离散的B值数据分别建立数学模型，并将四组数据连接形成4条独立的拟合曲线；步骤6：对步骤5形成的4条独立B值拟合曲线进行拟合度判定，判断实际B值曲线与预测B值曲线的拟合度是否低于某一阈值，如果是，则判断接触网异常，如果否，则判断接触网正常。
[0006]进一步地，所述步骤1中包括如下分步骤，（1）：测量及获取相关参数，所需参数包
括以下数据，设计所采取的最高温度、设计的接触网补偿装置的最小B值、某时间点的环境温度、补偿滑轮的传动比、补偿装置到中心锚结的距离、接触线或承力索的线膨胀系数；（2）：计算接触网补偿装置B值；（3）：以某一时间点的环境温度作为初始状态，每隔一段固定时间测量一次环境温度的数据；（4）：逐个计算获得时间序列的理论B值数据；（5）：数据清洗；（6）：绘制理论B值数据与时间序列的散点图。
[0007]进一步地，所述步骤1的（2）中，采用的理论公式为：Bx=Bmin+n*L*α*（tmax
‑
tx），式中，t
max
是设计所采取的最高温度，B
min
是设计的接触网补偿装置的最小B值，t
x 是某时间点的环境温度，n是补偿滑轮的传动比，L是补偿装置到中心锚结的距离，α是接触线或承力索的线膨胀系数。
[0008]进一步地，所述步骤2中包括如下分步骤，（1）：建立差分自回归移动平均ARIMA预测模型；（2） B值历史数据准备；（3）：对步骤（2）中准备的B值历史数据进行平稳化处理；（4）：对步骤（3）中经过平稳化处理的B值时间序列数据进行单位根检验，判断序列是否存在单位根，如果否，则平稳性判断通过，跳转到步骤（5），如果是，则平稳性判断不通过，跳转回到步骤（3）；（5）：对历史B值数据分割，具体按照训练集和测试集占比75%和25%的分配比例进行分配；（6）：对（1）模型中的参数求得p，q的值；（7）：基于步骤（6）的数据，对模型进行评估；（8）：根据（7）的RMSE均方根误差指标对模型误差进行评估，得到相应的经过校验评估的ARIMA模型；（9）：利用步骤1中（3）中的时间序列，获得基于ARIMA模型的时间序列的预测B值数据；（10）：利用步骤（9）得到的预测B值数据，重复进行步骤1中（5）和步骤1（6）的工作，绘制ARIMA模型的预测B值数据与时间序列的散点图。
[0009]进一步地，所述步骤3中包括如下分步骤，（1）：建立卷积神经网络CNN预测模型；（2）：B值影响因素的选择；（3）：对步骤（2）中的影响因子数据进行标准化处理；（4）：确定模型原则；（5）：基于（4）的模型原则，将包含特征变量及B值目标数据的数据集按照时间顺序划分为训练集与测试集，其量值分别占数据总集的70%与30%；（6）：设置训练及测试集输入步长；（7）：完成模型训练；（8）：根据模型（7）所得的数据，重复进行步骤1中（5）和步骤1中（6）的工作，绘制CNN模型的预测B值数据与时间序列的散点图。
[0010]进一步地，所述步骤4中包括如下分步骤，（1）：获得步骤1的相同周期内的一组时间序列B值实际数据：（2）：绘制实际测量B值数据与时间序列的散点图。
[0011]进一步地，所述步骤5中包括如下分步骤，（1）：绘制拟合曲线1；（2）：绘制拟合曲线2；（3）：绘制成拟合曲线3；（4）绘制拟合曲线5；（5）：将步骤（1）到步骤（4）得到的条独立的拟合曲线汇总到同一坐标系中。
[0012]进一步地，所述步骤6中包括如下分步骤，（1）： 将步骤5.中（5）得到的4条同一坐标系中的拟合曲线进行拟合度判定；（2）：建立拟合度判定模型；（3）：确定均方根误差公式；（4）：判断拟合曲线1、拟合曲线2、拟合曲线3这3条预测曲线自身的拟合度，RMSE值越小，说明了两条曲线的偏差越小，即误差的实际情况越好；（5）：将拟合曲线4与拟合曲线1、拟合曲线2、拟合曲线3采用步骤（3）的数据，逐一进行拟合度判定，判断接触网是否存在异常。
[0013]本专利技术有益效果是：本专利技术采用经验理论公式、传统预测方法、深度学习方法这三种不同的预测方法进行数据预测，再用实测数据与三种预测方法所获得的预测数据分别绘制曲线，再将所得B值的预测曲线与实测曲线进行拟合对比。当实测曲线与预测曲线的拟合度低于某一阈值时，即判断接触网存在异常、反之正常。本专利技术不需要人为巡检，综合利用
理论公式、差分整合移动平均自回归模型、卷积神经网络深度学习模型各自的优势，对接触网补偿装置B值进行预测，能在接触网存在异常时第一时间了解到具体情况，从而为制定相关措施，保证铁路安全运行起到了有利技术支撑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自回归及深度学习模型判断接触网异常的方法，其特征在于包括以下步骤：步骤1：建立接触网补偿装置B值理论公式计算模型，通过计算获取一个周期内的B值时间序列数据；步骤2：建立差分自回归移动平均预测模型，通过该模型获取步骤1相同周期内的B值时间序列数据；步骤3：建立卷积神经网络预测模型，通过该深度学习模型获取步骤1相同周期内的B值时间序列数据；步骤4：通过实际测量，得到步骤1的相同周期内的B值实际数据；步骤5：通过步骤1到步骤4得到的四组独立的B值时间序列数据，分别是步骤1得到的理论公式计算所得的B值数据，步骤2和步骤3得到的预测B值数据，步骤4得到的实际测量的B值数据，对4组离散的B值数据分别建立数学模型，并将四组数据连接形成4条独立的拟合曲线；步骤6：对步骤5形成的4条独立B值拟合曲线进行拟合度判定，判断实际B值曲线与预测B值曲线的拟合度是否低于某一阈值，如果是，则判断接触网异常，如果否，则判断接触网正常。2.根据权利要求1所述的基于自回归及深度学习模型判断接触网异常的方法，其特征在于，步骤1中包括如下分步骤，（1）：测量及获取相关参数，所需参数包括以下数据，设计所采取的最高温度、设计的接触网补偿装置的最小B值、某时间点的环境温度、补偿滑轮的传动比、补偿装置到中心锚结的距离、接触线或承力索的线膨胀系数；（2）：计算接触网补偿装置B值；（3）：以某一时间点的环境温度作为初始状态，每隔一段固定时间测量一次环境温度的数据；（4）：逐个计算获得时间序列的理论B值数据；（5）：数据清洗；（6）：绘制理论B值数据与时间序列的散点图。3.根据权利要求2所述的基于自回归及深度学习模型判断接触网异常的方法，其特征在于，步骤1的（2）中，采用的理论公式为：Bx=Bmin+n*L*α*（tmax
‑
tx），式中，t
max
是设计所采取的最高温度，B
min是
设计的接触网补偿装置的最小B值，t
x是
某时间点的环境温度，n是补偿滑轮的传动比，L是补偿装置到中心锚结的距离，α是接触线或承力索的线膨胀系数。4.根据权利要求1所述的基于自回归及深度学习模型判断接触网异常的方法，其特征在于，步骤2中包括如下分步骤，（1）：建立差分自回归移动平均ARIMA预测模型；（2） B值历史数据准备；（3）：对步骤（2）中准备的B值历史数据进行平稳化处理；（4）：对步骤（3）中经过平稳化处理的B值时间序列数据进行单位根检验，判断序列是否存在单位根，如果否，则平稳性判...

【专利技术属性】
技术研发人员：尹磊，李朝阳，冉惟可，贺毅，肖琨，王志强，杨佳，李路，邓云川，唐伟，陈科，刘涛，高保，王尧，代文平，何成太，余沿沿，朱明凯，
申请(专利权)人：成都迪威思拓科技有限公司，
类型：发明
国别省市：