一种基于BP神经网络的过渡电阻预测方法技术

本发明专利技术公开一种基于BP神经网络的过渡电阻预测方法，具体步骤为：步骤1，收集地铁的原始数据作为数据集，所述原始数据为地铁的极化电压，轨构电压，偏移量，自然本体和过渡电阻测量值五种数据；步骤2，对所述数据集中的数据进行预处理；之后将所述预处理数据集分为训练集和测试集；步骤3，构建基于BP神经网络的过渡电阻预测模型；步骤4，采用所述训练集对基于BP神经网络的过渡电阻预测模型进行训练；步骤5，从测试集中选出一组数据，用训练好的所述基于BP神经网络的过渡电阻预测模型对训练集进行测试，得出过渡电阻的预测值。本发明专利技术解决了现有技术中存在的测量过渡电阻较为繁琐且难以预测的问题。

A prediction method of transition resistance based on BP neural network

【技术实现步骤摘要】
一种基于BP神经网络的过渡电阻预测方法
本专利技术属于机器学习
，涉及一种基于BP神经网络的过渡电阻预测方法。
技术介绍
随着我国经济的持续发展，城镇化基础设施建设也越来越快，市民在出行的便捷性与快速性需求大幅上升，而其中城市轨道交通建设就显得尤为重要。城市地铁因为其方便出行的特点，已经成为市民出行的首选，地铁直流牵引系统对城市经济发展，缓解交通拥堵起着十分重要的作用。地铁直流牵引系统在运行中会产生一种有害的杂散电流，杂散电流会对系统周围的埋线、通信管线、金属管道产生一种有害的化学电腐蚀，可能会造成元器件的损耗或者造成严重的安全事故，因此对杂散电流的监测十分重要，在事故发生前进行有效的措施，以防止后果严重的安全事故。在理想的情况下，地铁系统中行走轨与大地是完全绝缘的，在这种情况下不需要考虑杂散电流，但是在实际使用中，行走轨与大地之间做不到理想情况下的完全绝缘。因此在地铁运行时会有一定数量的牵引回流通过轨道流入地下，即就是所说的杂散电流。限制城市地铁轨道交通的杂散电流，目前最主流且根本的方法是尽可能的提高地铁走行轨与大地之间的过渡值。杂散电流防护中不能忽略的一个重要因素就是过渡电阻值，现有两种钢轨的过渡电阻值测量方法：(1)正线钢轨过渡电阻测试方法：城市轨道正线钢轨过渡电阻测试方法根据国标GB/T28026.2-2011和欧标EN50122-2:2010的介绍，地铁系统区域内正线单位长度钢轨过渡电阻:ΔU＝Uon-Uoff(2)I为区间中间点注入电流；IRA、IRB为轨道左右两侧流出的电流；URS为中间注入点钢轨对杂散电流收集网电压；URAS、URBS为两端钢轨对杂散电流收集网电压；L为测试区间长度；Uon、Uoff分别为注入和不注入电流时测得的电压；GRS为测试区段钢轨的电导。(2)出入线碎石道床过渡电阻测试方法：对于出入线碎石道床过渡电阻的测试方法，欧标EN50122-2:2010在EN50122-2:1998的基础上有细微的改动。EN50122-2:1998中电压表负极距钢轨距离要求大于等于20m，EN50122-2:2010将原要求改为大于等于30m。我国的碎石道床处一般增设单向导通装置，测量过程中应该将其解除避免对测量的影响。区间内碎石道床过渡电阻RRE为:URE为钢轨对地电压；I为测试点注入电流；L为咽喉处绝缘节到库前绝缘节的距离。综合国内外文献来看，影响杂散电流的因素众多，而轨地过渡电阻在很大程度上影响杂散电流，而通过工程人员实地测量过渡电阻过于繁琐不便，且地铁沿线因地形不同，轨道过渡电阻可能会不均匀，更加增加了测量难度，因而现有技术中存在的测量过渡电阻较为繁琐且难以预测的问题。
技术实现思路
本专利技术的目的是提供一种基于BP神经网络的过渡电阻预测方法，本专利技术解决了现有技术中存在的测量过渡电阻较为繁琐且难以预测的问题。本专利技术所采用的技术方案是，一种基于BP神经网络的过渡电阻预测方法，具体步骤为：步骤1，收集地铁的原始数据作为数据集，所述原始数据为地铁的极化电压，轨构电压，偏移量，自然本体和过渡电阻测量值五种数据，其中偏移量为极化电压值减去自然本体值；步骤2，对所述数据集中的数据进行预处理，得到预处理数据集，所述预处理数据集为除去无效测量的数据；之后将所述预处理数据集分为训练集和测试集；步骤3，构建基于BP神经网络的过渡电阻预测模型；步骤4，采用所述训练集对基于BP神经网络的过渡电阻预测模型进行训练；步骤5，从测试集中选出一组数据，用训练好的所述基于BP神经网络的过渡电阻预测模型对训练集进行测试，输入地铁的极化电压，轨构电压，偏移量，自然本体四种数据，得出过渡电阻的预测值。本专利技术的特点还在于，预处理的具体步骤为：步骤2.1，数据删除：除去原始数据中无效或错误测量的部分；步骤2.2，数据删除后，进行数据补全：根据多重插补法对正确的数据进行补全。数据补全中，只对缺失值不超过15％的数据，超过15％的数据直接去除。测试集与训练集的比例为3:7。基于BP神经网络的过渡电阻预测模型包括输入层、隐藏层和输出层，所述输入层神经元个数为4，所述输出层神经元个数为1。隐藏层神经元的个数为4。基于BP神经网络的过渡电阻预测模型的激励函数为sigmold函数。基于BP神经网络的过渡电阻预测模型采用反相传播算法进行模型的误差计算与权值更新。本专利技术的有益效果是在地铁过渡电阻实际测量中，因其过渡电阻是缓慢变化的，人员需要频繁实地测量，造成不便。且有时因为路线原因，地铁轨道的过渡电阻是不均匀变化的，更是增加了测量的要求与难度。本专利技术通过用BP网络算法对实验数据进行分析，利用算法对过渡电阻进行预测，最终获取地铁的过渡电阻值预测。可以实现地铁过渡电阻值的在线预测。附图说明图1是本专利技术一种基于BP神经网络的过渡电阻预测方法的流程图；图2为本专利技术一种基于BP神经网络的过渡电阻预测方法中基于BP神经网络的过渡电阻预测模型的结构图；图3是本专利技术一种基于BP神经网络的过渡电阻预测方法中实例与其他预测方法对比图；具体实施方式下面结合附图和具体实施方式对本专利技术进行详细说明。本专利技术一种基于BP神经网络的过渡电阻预测方法，其特征在于，具体步骤为：步骤1，收集地铁的原始数据作为数据集，所述原始数据为地铁的极化电压，轨构电压，偏移量，自然本体和过渡电阻测量值五种数据；步骤2，对所述数据集中的数据进行预处理步骤，得到预处理数据集，所述预处理数据集为除去无效测量的数据；之后将所述预处理数据集分为训练集和测试集；测试集与训练集的比例为3:7。步骤3，构建基于BP神经网络的过渡电阻预测模型；步骤4，采用所述训练集对基于BP神经网络的过渡电阻预测模型进行训练；步骤5，从测试集中选出一组数据，用训练好的所述基于BP神经网络的过渡电阻预测模型对训练集进行测试，得出过渡电阻的预测值，得出过渡电阻的预测值。其中步骤2中预处理的具体步骤为：步骤2.1，数据删除：除去原始数据中无效或错误测量的部分；步骤2.2，数据删除后，进行数据补全：根据多重插补法对正确的数据进行补全；数据补全时，只对缺失值不超过15％的数据，超过15％的数据直接去除。其中步骤3中基于BP神经网络的过渡电阻预测模型包括输入层、隐藏层和输出层，所述输入层神经元个数为4，即分别对应极化电压，轨构电压，偏移量，自然本体；所述输出层神经元个数为1，对应过渡电阻预测值；其中输入层神经元、隐含层神经元个数、输出层神经元个数分别为ni、n和n0，n的数值由ni和n0由决定，公式为：其中a是0～10的常数，根据公式和预测精确性的考虑，本文设计的BP神经网络的隐层神经元的数量为4。基于BP神经网络的过渡电阻预测模型的激励函数为sigmold函数本文档来自技高网...

【技术保护点】
1.一种基于BP神经网络的过渡电阻预测方法，其特征在于，具体步骤为：/n步骤1，收集地铁的原始数据作为数据集，所述原始数据为地铁的极化电压，轨构电压，偏移量，自然本体和过渡电阻测量值五种数据；/n步骤2，对所述数据集中的数据进行预处理，得到预处理数据集，所述预处理数据集为除去无效测量的数据；之后将所述预处理数据集分为训练集和测试集；/n步骤3，构建基于BP神经网络的过渡电阻预测模型；/n步骤4，采用所述训练集对基于BP神经网络的过渡电阻预测模型进行训练；/n步骤5，从测试集中选出一组数据，用训练好的所述基于BP神经网络的过渡电阻预测模型对训练集进行测试，输入地铁的极化电压，轨构电压，偏移量，自然本体四种数据，得出过渡电阻的预测值。/n

【技术特征摘要】
1.一种基于BP神经网络的过渡电阻预测方法，其特征在于，具体步骤为：
步骤1，收集地铁的原始数据作为数据集，所述原始数据为地铁的极化电压，轨构电压，偏移量，自然本体和过渡电阻测量值五种数据；
步骤2，对所述数据集中的数据进行预处理，得到预处理数据集，所述预处理数据集为除去无效测量的数据；之后将所述预处理数据集分为训练集和测试集；
步骤3，构建基于BP神经网络的过渡电阻预测模型；
步骤4，采用所述训练集对基于BP神经网络的过渡电阻预测模型进行训练；
步骤5，从测试集中选出一组数据，用训练好的所述基于BP神经网络的过渡电阻预测模型对训练集进行测试，输入地铁的极化电压，轨构电压，偏移量，自然本体四种数据，得出过渡电阻的预测值。


2.如权利要求1所述的一种基于BP神经网络的过渡电阻预测方法，其特征在于，所述预处理的具体步骤为：
步骤2.1，数据删除：除去原始数据中无效或错误测量的部分；
步骤2.2，数据删除后，进行数据补全：根据多重插补法对正确的数据进行补全。

【专利技术属性】
技术研发人员：孟昭亮，张泽涛，杨锐，高勇，杨媛，史丹，白英志，吕亚茹，李静宇，胡梦阳，董志伟，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西;61