一种新型电气化铁路牵引负荷预测方法技术

本发明专利技术公开了一种新型电气化铁路牵引负荷预测方法，包括以下步骤：对获取的历史数据进行特征分析和预处理，并将数据集分为训练集和测试集；采用深度学习的方法，建立基于长短期记忆(Long Short‑Term Memory,LSTM)模型；输入训练集的数据对网络进行训练，优化模型超参数；最后将测试集的数据输入到训练好的模型得到预测结果。本发明专利技术方法解决了现有统计分析模型在实际应用中难以实现的问题，并且能实现较好的牵引负荷预测结果，具有一定的工程应用价值。

【技术实现步骤摘要】
一种新型电气化铁路牵引负荷预测方法
本专利技术涉及电气化铁路牵引负荷预测领域，尤其涉及一种新型电气化铁路牵引负荷预测方法。
技术介绍
牵引负荷预测是电气化铁路安全可靠运行与经济合理规划的重要依据，对电气化铁路的高速重载化发展具有重要影响。随着牵引负荷数据量的增大，有学者提出了基于实测牵引负荷数据的来实现牵引负荷预测，目前大多采用统计分析模型，通过求解概率密度函数来获取牵引负荷分布函数。牵引负荷具有随机波动性，统计分析模型中往往将牵引负荷变化过程看作随机过程，通过求解反映随机过程分布特性的分布函数族来刻画牵引负荷变化的统计规律。但在实际应用中，由于牵引负荷空载现象频繁，牵引负荷的分布将会是一个尖峰，不利于概率密度函数的拟合，使得准确求解统计分析模型分布函数族的过程变得非常困难。丰富的牵引负荷数据为基于实测数据的牵引负荷预测研究提供了便利，但由于其剧烈的随机波动、长时间的空载工况等特性，使得现有的统计分析预测模型在实际应用中并不适用。因此，上述不足是亟需解决的问题。
技术实现思路
本专利技术的目的是提出一种新型电本文档来自技高网...

【技术保护点】
1.一种储能型电气化铁路牵引负荷功率的预测方法，其特征在于，该方法的具体步骤如下：/n步骤1：由监测系统获取相关历史数据；/n步骤2：对历史数据进行预处理和特征分析；/n步骤3：建立基于深度学习的LSTM预测模型；/n步骤4：采用训练集的数据对网络进行训练得到模型最优参数；/n步骤5：最后将测试集的数据输入到训练好的LSTM模型验证模型预测效果。/n

【技术特征摘要】
1.一种储能型电气化铁路牵引负荷功率的预测方法，其特征在于，该方法的具体步骤如下：
步骤1：由监测系统获取相关历史数据；
步骤2：对历史数据进行预处理和特征分析；
步骤3：建立基于深度学习的LSTM预测模型；
步骤4：采用训练集的数据对网络进行训练得到模型最优参数；
步骤5：最后将测试集的数据输入到训练好的LSTM模型验证模型预测效果。


2.根据权利要求1所述的一种新型电气化铁路牵引负荷预测方法的步骤，其特征在于，所述的步骤1中获取的相关历史数据为电气化铁路监测设备牵引负荷功率的时间序列等相关属性。


3.根据权利要求1所述的一种新型电气化铁路牵引负荷预测方法的步骤，其特征在于，所述的步骤2中对历史数据进行预处理和特征分析中的异常数据排除方法为...

【专利技术属性】
技术研发人员：马茜，彭伊爽，王豪，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：湖南;43