地铁变电所钢轨电位计算方法技术

本发明专利技术提供了地铁变电所钢轨电位计算方法，包括：基于地铁变电所的供电系统结构建立正常供电情况下钢轨电位的数学模型；根据数学模型获取引发钢轨电位变化的参量；建立回归模型池；参量即构成回归模型池中回归模型的输入参量，基于自适应学习的最优回归模型选择方法从回归模型池中选择并训练回归模型，得到优化好的回归模型；根据优化好的回归模型对地铁变电所钢轨电位进行计算。本发明专利技术方法通过回归模型的选择以及训练得到了优化的回归模型，由回归模型在运行数据中挖掘出供电系统输入输出之间的关系来计算电位，避开了对地铁牵引供电网络阻抗参数的直接测量与计算，得到的电位结果精确。

【技术实现步骤摘要】
地铁变电所钢轨电位计算方法
本专利技术涉及地铁牵引供电
，尤其涉及一种基于回归分析计算地铁变电所钢轨电位的方法。
技术介绍
钢轨电位水平是评估地铁牵引供电系统性能的一项重要指标，该指标的高低关系到系统回流能力和运行安全。在当今日益繁重的运行需求下，地铁行车组织频繁调整，在需要缩短发车间隔以提高运输能力时，如果无法准确地评估各变电所钢轨电位水平，尤其是最大水平，则可能导致OVPD频繁动作甚至供电分区失电等事故。在地铁牵引供电系统的仿真研究中，准确的计算和评估钢轨电位水平一直都一个具有挑战性的难题。该项工作的主要难点源于以下几个关键因素：1)钢轨接地网及杂散电流网在结构上是高度复杂的；2)钢轨的阻抗参数具有不均匀性和非线性；3)接地电阻受地下隧道及周围接地体等诸多因素影响，且很难准确测量。也就是说，即使为中压交流网络、整流机组和接触网(轨)等元件建立成熟准确的电路模型，并且在考虑变电所储能装置工作的情况下进行仿真计算，所得到的钢轨电位计算结果可能存在较大偏差。现有技术中采用的方案包括：通过建立单边供电情况下牵引回流系统等效电路，忽略杂散网的影响，建立钢轨电位的数学模型；采用电流注入法和叠加原理，分析了在多列车运行工况下，钢轨电位与牵引电流、供电距离等相关参数之间的关系；考虑了钢轨的分布参数的影响，从而建立了更为精确的电路模型，分析了钢轨阻抗等电气参数对钢轨电位的影响。针对钢轨电位的建模计算方法，传统研究始终停留在“建立等效电路、获得数学模型、进行仿真计算”，而实际上传统的等效电路法虽然能够描述供电网中各参数对于钢轨电位水平的影响，但是由于各参数的形式复杂，且实地测量难度大，这导致即使通过等效电路法建立了变电所的钢轨电位模型，然而在钢轨电位的定量计算上存在较大误差，无法在实际行车中应用。因此，亟需一种能够有效提高定量计算钢轨电位的精度、满足实际钢轨电位水平评估的误差要求的地铁变电所钢轨电位计算方法。
技术实现思路
本专利技术提供了一种地铁变电所钢轨电位计算方法，以解决现有技术问题中的缺陷。为了实现上述目的，本专利技术采取了如下技术方案。本实施例提供了一种地铁变电所钢轨电位计算方法，包括：基于地铁变电所的供电系统结构建立正常供电情况下钢轨电位的数学模型；根据所述数学模型获取引发钢轨电位变化的参量；建立回归模型池；所述的参量即构成回归模型池中回归模型的输入参量，基于自适应学习的最优回归模型选择方法从所述的回归模型池中选择并训练回归模型，得到优化好的回归模型；根据优化好的回归模型对地铁变电所钢轨电位进行计算。优选地，回归模型池包括：使用ML.NET中用于回归问题的算法作为回归模型池，对应的回归模型包括如下表1所示的9种模型：表1优选地，参量即构成回归模型池中回归模型的输入参量，基于自适应学习的最优回归模型选择方法从所述的回归模型池选择并训练回归模型，得到优化好的回归模型，具体包括：S31获取训练数据集；S32根据所述的训练数据集，依次采用所述的回归模型池中得模型进行一轮次的训练，在第一轮训练结束后，将训练得到的模型结果按照R-Squared(R平方)指标从大到小进行排序，基于权重分配的原则，确定各个回归模型在后续随机选取的概率；S33根据回归模型的选取概率选取回归模型，通过所述的训练数据集对选取的回归模型进行训练，直至回归模型的损耗函数收敛或达到给定训练时间，停止训练，得到训练后回归模型；S34当已训练模型数量达到给定值或已优化时间达到优化设定时间，则终止训练并转至步骤S35，否则返回至S33继续训练；S35对已训练的回归模型进行评价，通过评价结果排序，选取最优的回归模型。优选地，对已训练的回归模型进行评价，包括：S41采用R-Squared指标作为主评价指标，从已训练的回归模型中筛选出R-Squared指标前5的回归模型，如果排序第一的回归模型其R-Squared指标与排序靠后的回归模型相差大于一定范围阈值，采用0.01作为阈值，选取排序第一的模型为最优回归模型，否则继续执行S42；S42以排序第一模型的R-Squared指标为基准值η0，减去0.01作为最低值η1，对于前5个回归模型中，R-Squared指标落在区间[η0,η1]中的回归模型选取出来；S43采用MAE(MeanAbsoluteError，平均绝对误差)指标作为辅助评价指标，对于选取出来的回归模型，进一步比较其辅助评价指标MAE，选择MAE指标最小的模型作为最优模型，若存在同值，则按照R-Squared指标最大方法进行选择。优选地，获取训练数据集，包括：通过安装在变电所的SCADA系统获取，或者在变电所馈线开关处安装高精度电气录波仪器进行采集，所述数据集中数据的采样间隔小于或等于5s。优选地，数学模型如下式(1)所示：其中，UR为变电所与列车之间的钢轨电位，Rr，Rm分别为单位长度钢轨纵向电阻和地下导体网络电阻，x(0≤x≤L1)为钢轨电位测点与变电所的距离，It1为牵引变电所馈出给列车的馈线电流，Rg为单位长度钢轨对地过渡电阻，L1为列车与变电所的距离。优选地，根据所述数学模型获取引发钢轨电位变化的参量，包括，根据所述的数学模型得到下式(2)所示的相关数学模型，进而得到引发钢轨电位变化的参量为变电所4根馈线的电流It10，It20，It30，It40：UR＝f(It10,It20,It30,It40)(2)。优选地，直至回归模型的损耗函数收敛，包括：回归模型采用MSE(MeanSquaredError，均方误差)作为损耗函数。由上述本专利技术的地铁变电所钢轨电位计算方法提供的技术方案可以看出，本专利技术方法通过回归模型的选择以及训练得到了优化的回归模型，由回归模型在运行数据中挖掘出供电系统输入输出之间的关系来计算电位，避开了对地铁牵引供电网络阻抗参数的直接测量与计算，得到的结果精确，并且该方法的程序通过编程实现较为简单，具有独立性和复用性，能够广泛地部署至各类型变电所中。本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本实施例提供的地铁变电所钢轨电位计算方法流程示意图；图2为地铁牵引供电系统双边供电简化电路图。具体实施方式下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本
技本文档来自技高网...

【技术保护点】
1.一种地铁变电所钢轨电位计算方法，其特征在于，包括：/n基于地铁变电所的供电系统结构建立正常供电情况下钢轨电位的数学模型；/n根据所述数学模型获取引发钢轨电位变化的参量；/n建立回归模型池；/n所述的参量即构成回归模型池中回归模型的输入参量，基于自适应学习的最优回归模型选择方法从所述的回归模型池中选择并训练回归模型，得到优化好的回归模型；/n根据优化好的回归模型对地铁变电所钢轨电位进行计算。/n

【技术特征摘要】
1.一种地铁变电所钢轨电位计算方法，其特征在于，包括：
基于地铁变电所的供电系统结构建立正常供电情况下钢轨电位的数学模型；
根据所述数学模型获取引发钢轨电位变化的参量；
建立回归模型池；
所述的参量即构成回归模型池中回归模型的输入参量，基于自适应学习的最优回归模型选择方法从所述的回归模型池中选择并训练回归模型，得到优化好的回归模型；
根据优化好的回归模型对地铁变电所钢轨电位进行计算。


2.根据权利要求1所述的方法，其特征在于，所述的回归模型池包括：使用ML.NET中用于回归问题的算法作为回归模型池，对应的回归模型包括如下表1所示的9种模型：
表1








编号
回归模型


1
LbfgsPoissonRegressionTrainer


2
LightGbmRegressionTrainer


3
SdcaRegressionTrainer


4
OlsTrainer


5
OnlineGradientDescentTrainer


6
FastTreeRegressionTrainer


7
FastTreeTweedieTrainer


8
FastForestRegressionTrainer


9
GamRegressionTrainer








3.根据权利要求1所述的方法，其特征在于，所述的参量即构成回归模型池中回归模型的输入参量，基于自适应学习的最优回归模型选择方法从所述的回归模型池选择并训练回归模型，得到优化好的回归模型，具体包括：
S31获取训练数据集；
S32根据所述的训练数据集，依次采用所述的回归模型池中得模型进行一轮次的训练，在第一轮训练结束后，将训练得到的模型结果按照R-Squared(R平方)指标从大到小进行排序，基于权重分配的原则，确定各个回归模型在后续随机选取的概率；
S33根据回归模型的选取概率选取回归模型，通过所述的训练数据集对选取的回归模型进行训练，直至回归模型的损耗函数收敛或达到给定训练时间，停止训练，得到训练后回归模型；

【专利技术属性】
技术研发人员：杨少兵，张征，叶晶晶，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11