一种基于循环神经网络的接触网性能退化预测方法与流程

本发明涉及一种接触网性能退化预测方法，尤其涉及一种基于循环神经网络的接触网性能退化预测方法。

背景技术：

接触网是铁路电气化工程的主构架，是沿铁路线上空架设的向电力机车供电的特殊形式的输电线路。担负着把从牵引变电所获得的电能直接输送给电力机车使用的重要任务。因此接触网的性能和工作状态将直接影响着电气化铁道的运输能力。

目前，市面上没有较好的预测接触性能退化的手段，已有的方法存在如下的缺点：(1)预测精度不够高；(2)预测模型参数较多。

技术实现要素：

为了解决上述问题，本发明提出一种基于循环神经网络的接触网性能退化预测方法，具体的，包括以下步骤：

s1.输入弓网检测数据：弓网检测数据包括但不限于接触网接触几何参数中的导高、拉出值、压力、硬点和接触线磨耗；

s2.数据预处理：对弓网检测数据预处理，预处理方法包括但不限于滤波和数据归一化；

s3.数据特征提取：提取方法采用希尔伯特-黄变换分析法，它包括经验模态分解法和希尔伯特谱分析；具体的，先采用经验模态分解法，对弓网检测数据进行分解，再计算本征模态函数分量数据相关性，以获得更加明确的特征信息，把所有的特征归一化后串在一起，构成循环神经网络的一个n维向量的神经元输入；

s4.循环神经网络的训练和预测：根据神经元输入数据，采用长短期记忆网络进行训练，发现弓网检测数据的规律，并以此预测接触网性能退化趋势。

进一步的，步骤s3包括以下子步骤：

s31.对输入原始信号x[t]，首先找出所有极值点，然后用三次样条函数对所有的极大值点进行插值，拟合出x[t]的上包络线同理，拟合出x[t]的下包络线

s32.根据上、下包络线计算均值线：

s33.计算原始信号的偏差：

h[t]＝x[t]-m[t]；

s34.把h[t]当成原始信号x[t]，重复步骤s31、s32和s33，计算k次，如果h[t]满足公式：sd取值0.2-0.3，

则把h[t]作为本征模态函数分量；

s35.取前5个本征模态函数分量作为数据特征一部分，结合原始数据的均值和方差一起串成一个组合特征f＝[imf1，imf2，imf3，imf4，imf5，mean，var]。

进一步的，在步骤s4中，所述长短期记忆网络的训练采用基于时间的反向传播算法。

进一步的，在步骤s4中，所述长短期记忆网络包括输入层、中间层和输出层，其中输入层为3*7，中间层为120，输出层为2。

本发明的有益效果在于：

(1)预测输出识别率高，识别准确率大于93％；

(2)网络运行时间低，一次网络运行的时间低于10毫秒。

附图说明

图1是本发明的原理图；

图2是本发明的lstm网络结构图；

图3是本发明的网络结构图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。

本发明提出一种基于循环神经网络的接触网性能退化预测方法，如图1所示，包括输入弓网检测数据、数据预处理、数据特征提取，以及循环神经网络的训练和预测，具体如下：

(1)输入弓网检测数据：输入接触网接触几何参数中的导高、拉出值、压力、硬点和接触线磨耗数据。

(2)数据预处理：采用滤波和数据归一化方法对弓网检测数据进行预处理。

(3)数据特征提取：考虑到接触网几何参数数据基本都是一维信号，本发明采用希尔伯特-黄变换分析法(hht法)，它是一种新的处理非平稳信号的方法。它由经验模态分解法(emd法)和希尔伯特谱分析两部分组成，其核心是经验模态分解法。hht法是一种比傅立叶变换及小波变换等更具适应性的时频局部化分析方法，获得信号中具有实际物理意义的瞬时频率分量，进而实现高分辨率的时频分析，具有良好自适应性的特点。本发明采用emd法，对检测数据进行分解，再计算imf(intrinsicmodefunction，本征模态函数)分量数据相关性，可获得更加明确的特征信息，把所有的特征归一化后串在一起，构成循环神经网络的一个n维向量的神经元输入。

经验模态分解法(emd法)原理：

对输入原始信号x[t]，首先找出所有极值点，然后用三次样条函数对所有的极大值点进行插值，拟合出x[t]的上包络线同理，拟合出x[t]的下包络线

根据上、下包络线计算均值线：

计算原始信号的偏差：

h[t]＝x[t]-m[t]；

把h[t]当成原始信号x[t]，重复以上步骤，计算k次，如果h[t]满足公式：

sd取值0.2-0.3，

则把h[t]作为本征模态函数分量；

取前5个本征模态函数分量作为数据特征一部分，结合原始数据的均值和方差一起串成一个组合特征f＝[imf1，imf2，imf3，imf4，imf5，mean，var]。

(4)循环神经网络的训练和预测：循环神经网络(rnn)用于解决网络前后输入、输出反馈之间的关系，主要运用于时序数据分析。本发明采用lstm(longshort-termmemory，长短期记忆网络)，根据弓网历史数据，发现历史数据的规律，预测接触网性能退化趋势。

1)lstm网络

lstm是一种特殊的循环神经网络，它能够学习到长期依赖关系，和传统的神经网络主要区别为神经元的内部操作不一样，lstm采用一种如图2所示的神经元内部结构，其中x为神经元输入，x[t-1]为上一个时刻的输入，x[t]为当前时刻输入，x[t+1]为下一个时刻的输入，σ为sigmod函数，tanh()为双曲正切，h[t]为神经元的当前时刻的输出：

h[t]＝h[t-1]·sigmoid(w*(x[t-1],h[t-1]))+sigmoid(w*(x[t-1],h[t-1]))*tanh+.....多个神经元“a”串在一起，构成一层网络层。

2)lstm的训练

lsmt的训练算法采用基于时间的反向传播算法bptt(backpropagationtroughtime)，本质上是按照时间维度展开的bp算法，前向传播(forwardpropagation)就是依次按照时间的顺序计算一次，反向传播(backpropagation)就是从最后一个时间将累积的残差传递回来。

3)本发明的网络结构

本发明采用3层lstm网络构成，其中输入层为3*7，中间层为120，输出为2，网络结构如图3所示，其中x[t]为当月的几何参数特征，x[t-1]为上月的几何参数特征，x[t-2]为上上月的几何参数特征，输出y[t]为当月的性能退化等级，y[t+1]为下月的性能退化等级，等级划分为5等，值越大性能退化越严重。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。