一种基于稳态图像特征的接触网负荷识别方法技术

本发明专利技术公开了一种基于稳态图像特征的接触网负荷识别方法，包括：获取列车负荷事件的稳态负荷信号，并进行预处理得到对应的原始V‑I曲线图；对原始V‑I曲线图二值化处理，得到二值化V‑I曲线图；从二值化V‑I曲线图中提取5种图形特征，并构建特征向量；利用特征向量构建训练样本，再针对每种负荷类型，均利用训练样本并采用AdaBoost算法训练弱分类器，并集成得到与负荷类型对应的AdaBoost二分类器；将待识别列车负荷事件的特征向量输入至所有AdaBoost二分类器中，将最大输出值所对应的负荷类型作为待识别运行事件的负荷类型。本发明专利技术方法在计算上操作简单，对负荷运行事件的识别速度快，而且识别准确率高。

A Method of Catenary Load Recognition Based on Steady-state Image Feature

【技术实现步骤摘要】
一种基于稳态图像特征的接触网负荷识别方法
本专利技术涉及接触网电力负荷监测领域，具体是指一种基于稳态图像特征的接触网负荷识别方法。
技术介绍
高速铁路接触网电力负荷监测能将用电功率监测细化到总负荷内部每辆列车的功率，从而实现对铁路网上列车运行状态的监测，可望为铁路公司以及乘客带来多方面效益。对调度人员而言，对铁路网上各辆列车运行的状态进行监测，既可以清晰的掌握当前轨道网络上的列车运行数量以及运行状况，又可以监测接触网是否处于健康的运行状态，如若有故障发生，可以第一时间进行调度作业，减小铁路公司的损失。对维修人员而言，能及时快速、准确定位故障发生的车辆，并对故障类型进行初步诊断。对于供电段而言，可以通过这些数据分析接触网负荷的发展趋势，进行电力系统调度和补偿，以提高供电质量。对于乘客而言，故障的及时发现和排除，能给其提供一个安全系数更高的铁路网络，保障其人身安全。各型号列车运行时，会在接触网上产生不同的电力负荷，接触网上的主要负荷便是由各型号列车运行时产生的负荷组成。本专利技术中，定义这类负荷为列车负荷事件。高速铁路接触网电力负荷监测系统，以高速铁路接触网总线采集到的电压电流数据作为原始数据，通过事件检测模块检测是否有列车启动或者停止，事件分类模块判断是哪种型号列车，数据后处理模块对该列车的运行状态进行评估，可以实现对铁路网上各列车运行状态进行监测。事件分类模块作为其中的重要模块之一，其对列车型号进行判断的运行效率及检测准确度，对于高速铁路接触网电力负荷监测系统的最终实现起着尤为关键的作用。
技术实现思路
基于列车型号进行判断的运行效率及检测准确度的重要性，本专利技术提出一种基于稳态图像特征的接触网负荷识别方法，有着较好的负荷事件分类精度，误检事件的数量少，进而保证了对铁路网上列车内部的运行细节检测的准确度。为实现上述技术目的，本专利技术采用如下技术方案：一种基于稳态图像特征的接触网负荷识别方法，包括以下步骤：步骤1，列车负荷事件的稳态负荷信号获取及数据预处理；步骤1.1，获取列车历史负荷事件的稳态负荷信号，已知历史负荷事件的类型，且稳态负荷信号为包括Num1个稳态运行周期的电压值和电流值，每个稳态运行周期包括Num2个样本点；步骤1.2，以电压为纵坐标、电流为横坐标，为稳态负荷信号绘制V-I曲线，得到与稳态负荷信号对应的原始V-I曲线图；步骤2，原始V-I曲线图二值化处理；将步骤1得到的原始V-I曲线图分割为N×N的网格图，并依次判断网格图中的各网格是否被稳态负荷信号的V-I曲线穿过，若是则赋值为1，否则赋值为0，得到二值化V-I曲线图；步骤3，二值化V-I曲线图特征提取；从步骤2得到的二值化V-I曲线图中提取以下5个图形特征：图形欧拉数、图形面积、图形周长、图形膨胀后面积改变率、图形连通区域数量，并将得到的5个图形特征构建负荷事件的特征向量；步骤4，构建训练样本集；按步骤1-3获取n个历史负荷事件的特征向量xi,i＝1,2,…,n，构建n个训练样本(xi,yi)，所有训练样本构成训练样本集；其中，yi表示相应历史负荷事件的类别标号；步骤5，针对每种负荷类型，均按以下步骤训练相应的AdaBoost二分类器，用于负责识别相应的负荷类型；步骤5.1，确定正负训练样本；按照负责识别的负荷类型，从训练样本集中选取训练样本作为正训练样本，其余训练样本作为负训练样本，所述正训练样本的类别标号yi＝1，所述负训练样本的类别标号yi＝-1；步骤5.2，训练弱分类器；给定M个SVM模型，设定迭代次数t＝1,2,...,T，利用训练样本集并采用AdaBoost算法对M个SVM模型进行迭代训练，得到M个弱分类器fm(xi)以及相应的权重am，m＝1,2,…,M；步骤5.3，将步骤5.2训练得到的M个弱分类器按以下公式集成，得到AdaBoost二分类器：步骤5，对列车负荷事件进行识别；获取待识别列车负荷事件的稳态负荷信号，按步骤1-3获取其特征向量，并输入至步骤5得到的每个AdaBoost二分类器中，每个AdaBoost二分类器均根据特征向量进行二分类；最终，将所有AdaBoost二分类器的最大输出值所对应的负荷类型，作为待识别运行事件的负荷类型。本方案通过获取列车负荷事件的稳态负荷信号，构建相应的二值化VI曲线图，并从中提取5个特征以构成负荷事件的特征向量，从而作为训练数据对分类模型进行训练，得到负荷运行事件的多分类器。其中提取图形特征，在计算上操作简单，得到的图形特征在后续处理过程无需要用到傅里叶变换等手段，将其组成的特征向量输入至多分类器中即可得到负荷类型，即是说可得知当前的负荷事件是由哪种型号的列车产生的，计算速度快，节省了计算资源，同时图形特征具有极高的分辨度，可以精确区分各种不同型号列车的负荷事件。同时，在准确得知当前负荷事件是由哪种型号的列车产后的之后，进而可以实现数据后处理模块对该型号列车的运行状态进行评估，保证对铁路网上各型号列车内部的运行细节检测的准确度。通过为N×N的网格图赋值,构建二值化VI曲线图，该网格划分密度N可以根据实际计算资源进行调整，提高识别系统的泛用性，适应不同客户的个性化要求。此处，分类模型采用AdaBoost_SVM集成多分类器，相比于单独的SVM等其他传统的分类器，具体更高精度的分类性能，且不用担心出现过度拟合的问题。进一步地，步骤2的具体过程为：步骤2.1，获取稳态负荷信号中每个样本点的电压值vk和电流值ik，k＝1,...,K表示样本点的编号，K＝Num1*Num2；步骤2.2，确定最大电压值vmax、最小电压值vmin、最大电流值imax和最小电流值imin：vmax＝maxvk，imax＝maxik，vmin＝minvk，imin＝minik；步骤2.3，确定网格图中各网格的划分边界；给定一个N×N的网格图，每个网格在纵坐标轴上的宽度△v和在横坐标轴上的宽度△i分别为：则网格图中的所有网格在纵坐标轴上的起始坐标点构成集合A，在横坐标轴上的起始坐标点构成集合B：A＝{vmin,vmin+△v,vmin+2△v,...,vmin+(N-2)·△v,vmax}，B＝{imin,imin+△i,imin+2△i,...,imin+(N-2)·△i,imax}；其中，第i行j列的网格范围，在纵坐标轴上为：[Ai，Ai+△v]，在横坐标轴上为：[Bj，Bj+△i]，Ai、Bj分别为集合A、B中的第i个元素和第j个元素；步骤2.4，网格矩阵赋值；建立一个N×N矩阵，与N×N的网格图对应；从左上角第一个网格开始，遍历所有样本点的电压值和电流值，判断是否存在样本点的电压值和电流值落在当前网格范围，若有则将当前网格所对应的矩阵元素置1，否则置0；依次遍历所有网格，将最终得到的N×N矩阵作为二值化V-I曲线图。进一步地，所述图形欧拉数E是指，二值化V-I曲线图中的连接体数与孔洞数之差；所述图形面积S是指，二值化V-I曲线图中闭合的环形曲线以及其内部总共所占的的像素点数量；所述图形周长L是指，二值化V-I曲线图中像素值为1的像素点数量；所述图形膨胀后面积改变率P的计算公式为：其中S表示当前二值化V-I曲线图的图形面积，S1表示当前二值化V-I曲线图在膨胀操作后的图形面积；所述图形连通区域数量NUM，是指二本文档来自技高网...

【技术保护点】
1.一种基于稳态图像特征的接触网负荷识别方法，其特征在于，包括以下步骤：步骤1，列车负荷事件的稳态负荷信号获取及数据预处理；步骤1.1，获取列车历史负荷事件的稳态负荷信号，已知历史负荷事件的类型，且稳态负荷信号为包括Num1个稳态运行周期的电压值和电流值，每个稳态运行周期包括Num2个样本点；步骤1.2，以电压为纵坐标、电流为横坐标，为稳态负荷信号绘制V‑I曲线，得到与稳态负荷信号对应的原始V‑I曲线图；步骤2，原始V‑I曲线图二值化处理；将步骤1得到的原始V‑I曲线图分割为N×N的网格图，并依次判断网格图中的各网格是否被稳态负荷信号的V‑I曲线穿过，若是则赋值为1，否则赋值为0，得到二值化V‑I曲线图；步骤3，二值化V‑I曲线图特征提取；从步骤2得到的二值化V‑I曲线图中提取以下5个图形特征：图形欧拉数、图形面积、图形周长、图形膨胀后面积改变率、图形连通区域数量，并将得到的5个图形特征构建负荷事件的特征向量；步骤4，构建训练样本集；按步骤1‑3获取n个历史负荷事件的特征向量xi,i＝1,2,…,n，构建n个训练样本(xi,yi)，所有训练样本构成训练样本集；其中，yi表示相应历史负荷事件的类别标号；步骤5，针对每种负荷类型，均按以下步骤训练相应的AdaBoost二分类器，用于负责识别相应的负荷类型；步骤5.1，确定正负训练样本；按照负责识别的负荷类型，从训练样本集中选取训练样本作为正训练样本，其余训练样本作为负训练样本，所述正训练样本的类别标号yi＝1，所述负训练样本的类别标号yi＝‑1；步骤5.2，训练弱分类器；给定M个SVM模型，设定迭代次数t＝1,2,...,T，利用训练样本集并采用AdaBoost算法对M个SVM模型进行迭代训练，得到M个弱分类器fm(xi)以及相应的权重am，m＝1,2,…,M；步骤5.3，将步骤5.2训练得到的M个弱分类器按以下公式集成，得到AdaBoost二分类器：...

【技术特征摘要】
1.一种基于稳态图像特征的接触网负荷识别方法，其特征在于，包括以下步骤：步骤1，列车负荷事件的稳态负荷信号获取及数据预处理；步骤1.1，获取列车历史负荷事件的稳态负荷信号，已知历史负荷事件的类型，且稳态负荷信号为包括Num1个稳态运行周期的电压值和电流值，每个稳态运行周期包括Num2个样本点；步骤1.2，以电压为纵坐标、电流为横坐标，为稳态负荷信号绘制V-I曲线，得到与稳态负荷信号对应的原始V-I曲线图；步骤2，原始V-I曲线图二值化处理；将步骤1得到的原始V-I曲线图分割为N×N的网格图，并依次判断网格图中的各网格是否被稳态负荷信号的V-I曲线穿过，若是则赋值为1，否则赋值为0，得到二值化V-I曲线图；步骤3，二值化V-I曲线图特征提取；从步骤2得到的二值化V-I曲线图中提取以下5个图形特征：图形欧拉数、图形面积、图形周长、图形膨胀后面积改变率、图形连通区域数量，并将得到的5个图形特征构建负荷事件的特征向量；步骤4，构建训练样本集；按步骤1-3获取n个历史负荷事件的特征向量xi,i＝1,2,…,n，构建n个训练样本(xi,yi)，所有训练样本构成训练样本集；其中，yi表示相应历史负荷事件的类别标号；步骤5，针对每种负荷类型，均按以下步骤训练相应的AdaBoost二分类器，用于负责识别相应的负荷类型；步骤5.1，确定正负训练样本；按照负责识别的负荷类型，从训练样本集中选取训练样本作为正训练样本，其余训练样本作为负训练样本，所述正训练样本的类别标号yi＝1，所述负训练样本的类别标号yi＝-1；步骤5.2，训练弱分类器；给定M个SVM模型，设定迭代次数t＝1,2,...,T，利用训练样本集并采用AdaBoost算法对M个SVM模型进行迭代训练，得到M个弱分类器fm(xi)以及相应的权重am，m＝1,2,…,M；步骤5.3，将步骤5.2训练得到的M个弱分类器按以下公式集成，得到AdaBoost二分类器：步骤5，对列车负荷事件进行识别；获取待识别列车负荷事件的稳态负荷信号，按步骤1-3获取其特征向量，并输入至步骤5得到的每个AdaBoost二分类器中，每个AdaBoost二分类器均根据特征向量进行二分类；最终，将所有AdaBoost二分类器的最大输出值所对应的负荷类型，作为待识别运行事件的负荷类型。2.根据权利要求1所述的方法，其特征在于，步骤2的具体过程为：步骤2.1，获取稳态负荷信号中每个样本点的电压值vk和电流值ik，k＝1,...,K表示样本点的编号，K＝Num1*Num2；步骤2.2，确定最大电压值vmax、最小电压值vmin、最大电流值imax和最小电流值imin：vmax＝maxvk，imax＝maxik，vmin＝minvk，imin...

【专利技术属性】
技术研发人员：刘辉，董书勤，吴海平，杨睿，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43