一种基于小样本条件下牵引供电系统的可靠性研究方法技术方案

本发明专利技术公开了一种基于小样本条件下牵引供电系统的可靠性研究方法，应用Bootstrap法对“小样本”数据进行虚拟增广，有效改善了现有技术中相关故障数据实际样本量少，而导致对威布尔分布拟合效果差的问题。LSSVM算法较传统SVM算法，简化了计算的复杂性，提高了算法收敛精度。并结合粒子群算法易实现易、精度高、收敛快等优点。应用设计的PSO‑LSSVM算法对LSSVM模型参数进行优化，选取LSSVM的最优参数进行配置。对采用故障树分析法，BDD算法建立的牵引供电系统模型进行有效预测。得出牵引供电系统设备的可靠性以及平均失效时间，对牵引供电系统整体设备维修计划提供可靠的科学依据。

【技术实现步骤摘要】
一种基于小样本条件下牵引供电系统的可靠性研究方法
本专利技术涉及铁路牵引供电领域，特别涉及一种基于小样本条件下牵引供电系统的可靠性研究方法。
技术介绍
牵引供电系统是高速铁路系统的关键部分，列车的提速对牵引供电系统提出了更高的要求。常规铁路牵引供电系统集成方案(包括技术规范)已经不能满足系统安全运行的要求，牵引供电系统的可靠、安全运行对于高速客运专线而言至关重要，它直接影响到列车的安全、可靠运行。牵引供电系统由大量的接触网、电缆、变压器、断路器、隔离开关、互感器、避雷器及二次设备等组成，但是故障率发生率最高的是牵引变电所和接触网两大系统，其中设备故障包含多种因素，比如设备本身性能原因、偶然因素及共因失效等都会引起设备故障。现行的牵引供电故障分析的理论中，一般将威布尔分布模型作为牵引供电设备的故障拟合模型，并在些基础上对系统进行可靠性分析。然而，威布尔分布是基于大样本之上的模型，需要一个较大的抽样样本作为分析的基础，作为列车牵引供电的故障分析数据，实验中因种种原因导致部分输入变量的缺失，进而故障数据可用“样本量”较小。为了解决现有技术中的本文档来自技高网...

【技术保护点】
1.一种基于小样本条件下牵引供电系统的可靠性研究方法，其特征在于，包括以下步骤：/n步骤1：根据牵引供电系统主要设备的故障类型和故障率实际情况，在故障数据为“小样本”情况下，采用Bootstrap法，利用计算机对原始样本数据进行再抽样生成再生样本，将总体样本故障率数据作为输入；/n步骤2：建立融合粒子群—最小二乘支持向量机回归算法，对所述牵引供电系统各设备进行可靠性拟合，拟合得出基于Weibull分布的特征寿命α、形状参数β的最优估计参数；/n步骤3：完成K、W

【技术特征摘要】
1.一种基于小样本条件下牵引供电系统的可靠性研究方法，其特征在于，包括以下步骤：
步骤1：根据牵引供电系统主要设备的故障类型和故障率实际情况，在故障数据为“小样本”情况下，采用Bootstrap法，利用计算机对原始样本数据进行再抽样生成再生样本，将总体样本故障率数据作为输入；
步骤2：建立融合粒子群—最小二乘支持向量机回归算法，对所述牵引供电系统各设备进行可靠性拟合，拟合得出基于Weibull分布的特征寿命α、形状参数β的最优估计参数；
步骤3：完成K、W2拟合优度检测，根据得出最优参数对所述牵引供电系统各设备进行可靠性建模；
步骤4：将牵引供电系统根据结构和功能细分为两个子系统：牵引变电所子系统和接触网子系统；
步骤5：在对子系统或设备可靠性分析的基础上,应用故障树分析法，分别建立牵引变电所子系统和接触网子系统故障树模型，进一步建立牵引供电系统的整体可靠性模型；
步骤6：结合所述牵引供电系统各设备的威布尔分布模型，对两个子系统故障树模型进行了可靠度分析，最终归纳得出了牵引供电系统整体的可靠性模型，并计算了系统的整体可靠度和平均使用寿命。


2.根据权利要求1所述的一种基于小样本条件下牵引供电系统的可靠性研究方法，其特征在于，在步骤1中，所述牵引供电系统的主要设备包括牵引变压器、隔离开关、电流互感器、接触导线、承力索和绝缘子，其中，所述接触导线在实际运行中出现故障的频率最高，对于所述接触导线及相关设备故障率可以在收集到足够数量的设备失效数据基础上，采用常用的威布尔分布方法去估计牵引供电设备的可靠性参数，在实际工作中，故障数据较少，或失效数据较多，无法满足足够数量样本量的采集，于是引入Bootstrap法对于小样本数据进行虚拟增广，从而满足分析需要：
在步骤1中，具体包括以下步骤：
步骤11：利用计算机产生[0，1]间上均匀分布的随机数S；
步骤12：令ξ＝(n-1)S，i＝floor(ξ)+1,其中floor(ξ)表示ξ向下取整；
步骤13：令x*＝xi+(ξ-i+1)(xi+1-xi),这里x*即为再生样本数据；
步骤14：重复以上步骤n次，可得到一组再抽样样本x*＝(x*1,x*2,…,x*n)。


3.根据权利要求1所述的一种基于小样本条件下牵引供电系统的可靠性研究方法，其特征在于，在步骤2中，具体包括以下步骤：
步骤21：对总体故障样本数据的故障进行归一化预处理，其公式如下：



步骤22：初始化PSO参数和LSSVM模型关键参数δ、ξ，并训练模型；
步骤23：为了评估PSO优化LSSVM模型参数的优劣，采用K折交叉验证方式，将K次均方根误差的均值作为评价参考，其计算公式如下：



其中，F为K次均方根误差的均值，y为真实值，为预测值，n为预测次数,k为迭代代数；
步骤24：判断是否满足终止迭代的条件，若否，返回步骤22继续迭代；
步骤25：迭代结束后得到LSSVM关键参数δ、ξ的最优值，将最优参数代入LSSVM中重新训练，得到基于威布尔最优拟合参数。


4.根据权利要求3所述的一种基于小样本条件下牵引供电系统的可靠性研究方法，其特征在于，步骤22中，PSO-LSSVM初始化如下：
设定学习因子C1为1.6，C2为为1.8；种群规模M为30；种群迭代代数为300；惯性权重ω为0.8，优化区间如下：0.01≤δ≤10，1≤ξ≤1000。


5.根据权利要求3所述的一种基于小样本条件下牵引供电系统的可靠性研究方法，其特征在于，步骤24中：
判断依据为当样本均方根误差的均值F最小时，对应的δ、ξ值即为最优参数。


6.根据权利要求3所述的一种基于小样本条件下牵引供电系统的可靠性研究方法，其特征在于，LSSVM是支持向量机的一种改进，它在支持...

【专利技术属性】
技术研发人员：张海刚，陈璇，刘飘，王步来，张文，解嘉懿，陈湘女，罗俊，赵德成，徐兵，储雷，童中祥，杨俊，孙平飞，王燕锋，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：上海;31