【技术实现步骤摘要】
一种基于RNN的接触网故障趋势预测方法、设备及存储介质
本专利技术涉及接触网故障预测
，更具体地说涉及一种基于RNN的接触网故障趋势预测方法、设备及存储介质。
技术介绍
在电气化铁路中，接触网通过接触线与受电弓之间的滑动接触，为电力机车提供电能。接触网由于其结构复杂，加上恶劣的自然天气考验，易发生故障，从而对铁路安全运行造成隐患。因此，对接触网各类缺陷发生趋势进行有效预测具有重要意义。接触网缺陷预测是将定义的接触网系统缺陷统计量按时间排序，通过对接触网检测监测数据、故障数据、运行工况与外部环境等历史数据的挖掘分析，得出缺陷统计量反映出来的发展过程和变化规律，进行类推，预测下一段时间接触网系统缺陷发生率可能达到的水平。现有的接触网故障预测方法多采用移动平均、指数平滑等传统方法，都假定接触网缺陷时间序列统计量符合线性关系，但接触网缺陷信息的多层次和关联性使得其时间序列呈现非常复杂的非线性，也正由于实际场景中的接触网缺陷统计量时间序列具有大量非线性特征，传统的时间序列分析方法难以对其建立可靠稳定的预测模型。<...
【技术保护点】
1.一种基于RNN的接触网故障趋势预测方法，其特征在于，包括以下步骤：/n步骤一，采用接触网缺陷统计量样本序列训练用于接触网故障趋势预测的循环神经网络模型；/n步骤二，输入接触网缺陷统计量实际序列至训练后的所述循环神经网路模型输入层，以所述循环神经网络的输出层数据作为接触网缺陷统计量趋势序列；/n其中，步骤一包括：/n步骤11，对接触网缺陷数据按预设周期进行划分统计，得到每预设周期的接触网缺陷数据原始统计量；对所述接触网缺陷数据原始统计量进行分布变换处理，构建用于训练循环神经网络的接触网缺陷统计量样本序列；/n步骤12，按时间顺序从所述接触网缺陷统计量样本序列中选取部分数据...
【技术特征摘要】
1.一种基于RNN的接触网故障趋势预测方法，其特征在于，包括以下步骤：
步骤一，采用接触网缺陷统计量样本序列训练用于接触网故障趋势预测的循环神经网络模型；
步骤二，输入接触网缺陷统计量实际序列至训练后的所述循环神经网路模型输入层，以所述循环神经网络的输出层数据作为接触网缺陷统计量趋势序列；
其中，步骤一包括：
步骤11，对接触网缺陷数据按预设周期进行划分统计，得到每预设周期的接触网缺陷数据原始统计量；对所述接触网缺陷数据原始统计量进行分布变换处理，构建用于训练循环神经网络的接触网缺陷统计量样本序列；
步骤12，按时间顺序从所述接触网缺陷统计量样本序列中选取部分数据作为所述循环神经网络的首次训练数据；
步骤13，根据接触网缺陷的分布复杂度确定所述循环神经网络隐藏层数量；
步骤14，根据缺陷特征的时间相关性确定输入节点数；根据需要预测缺陷的步数确定输出节点数；根据柯尔莫格洛夫定理确定隐藏层神经元个数，或者根据接触网缺陷的样本数、样本噪声和样本规律的复杂程度确定隐藏层神经元个数，上述隐藏层神经元采用门控循环单元；
步骤15，采用动态变化学习效率方式对所述循环神经网络进行迭代优化；
步骤16，使用训练数据计算循环神经网络的各参数权重值，得到训练后的循环神经网络模型；
所述步骤二包括：
步骤21，对接触网缺陷统计量实际序列进行分布变换处理，并输入至训练后的循环神经网络模型；
步骤22，对所述循环神经网络的输出层数据做逆分布变换处理并将结果作为接触网缺陷统计量趋势序列。
2.如权利要求1所述的一种基于RNN的接触网故障趋势预测方法，其特征在于：步骤一还包括步骤17，即步骤16之后，若还有缺陷统计量数据未使用，则加入部分新数据重复步骤12至步骤16；若所有数据均已使用，则现有权重值为神经网络最终权重值，将神经网络最终权重值代入到神经网络模型中，进行接触网缺陷统计量趋势预测。
3.如权利要求1或2所述的一种基于RNN的接触网故障趋势预测方法，其特征在于：所述步骤11中，对所述接触网缺陷数据原始统计量进行分布变换处理，具体是指，采用min-max方法归一化待预测特征数据集；若M(t)为第t个样本数据，I(t)为第t个训练数据，则转换公式为：
；
所述步骤22中对所述循环神经网络的输出层数据做逆分布变换处理，具体是指，若O(t)表示为逆归一化之后的缺陷预测值，o(t)表示为预测值，则逆分布变换公式为：。
4.如权利要求1或2所述的一种基于RNN的接触网故障趋势预测方法，其特征在于：所述步骤12中，按时间顺序从所述接触网缺陷统计量样本序列中选取40%数据作为所述循环神经网络的首次训练数据。
5.如权利要求1所述的一种基于RNN的接触网故障趋势预测方法，其特征在于：所述步骤1...
【专利技术属性】
技术研发人员：占栋，黄瀚韬，张金鑫，钟尉，
申请(专利权)人：成都唐源电气股份有限公司，
类型：发明
国别省市：四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。