一种基于实测大数据的轨道交通牵引负荷预测方法技术

本发明专利技术提供了一种基于实测大数据的轨道交通牵引负荷预测方法，包括以下步骤：利用轨道交通数据采集工具得到轨道交通运行实测大数据；对轨道交通运行实测大数据进行数据预处理、特征选择和特征提取，得到客流、运行图、以及轨道交通牵引负荷的时间序列数据；将时间序列数据输入GRU

【技术实现步骤摘要】
一种基于实测大数据的轨道交通牵引负荷预测方法


[0001]本专利技术属于轨道交通牵引供电
，特别涉及一种基于实测大数据的轨道交通牵引负荷预测方法。

技术介绍

[0002]模拟仿真作为牵引供电系统设计的重要组成部分，是确定牵引供电方案的重要依据。交流系统的仿真软件相对成熟，在电力系统中应用普遍。地铁直流牵引系统的仿真软件，国外公司的软件开发相关研究起步较早，目前比较成熟的商业软件包括西门子公司开发的NETMAC，IFB公司开发的OpenPowerNET，ELBAS公司开发的SINANET等，国内某些高校和研究院也根据自身需求进行了牵引供电模拟软件的搭建和开发。以上软件的研究思路，如图1所示，主要采用先建立直流系统等效电路模型，然后根据网络结果特点形成节点导纳矩阵，构建节点电压方程，通过迭代计算，得到待求值，从而完成直流供电计算，如文献1 刘炜,李群湛,李鲲鹏,郭蕾.城市轨道交通直流牵引供电系统模型及其仿真研究[J].电气应用,2009,28(07):60
‑
64。采用这种模拟方法，计算方法明确，可通过逻辑运算实现，但是每次只能仿真一种特定工况，例如指定的运行图和假定的列车牵引模式的轻载、重载等。在实际工况中，牵引网参数由于设备和安装的差异，与模型的设定参数有一定的出入，客流、运行图、列车牵引模式等也是随时变化的，因此，造成客流和运行图与直流系统之间存在某种复杂的非线性对映关系。
[0003]文献2 杨少兵,吴命利. 电气化铁道牵引变电所负荷的评估方法[P]. 北京：CN101917000A,2010
‑
12
‑
15，提出了一种电气化铁道牵引变电所负荷的计算方法，主要用于计算铁路交流制式下牵引负荷的计算。目前，在直流牵引系统仿真方面，尚未有采用基于大数据信息的智能算法解决方案。
[0004]轨道交通供电系统和综合监控的设计中，对线路的多项参数进行了收集，例如：电力监控系统、电能质量管理系统等，对交直流系统中的电压、电流进行了实时收集。这些系统基本都停留在监测层面，缺少一个综合平台对收集的大数据进行对比分析，评估供电系统的能力。对运营单位的指导意义有限。例如，文献3张振山,陈莉莉,狄颖琪,张赛桥,胡波,费洋. 一种基于大数据的轨道交通数据分析方法[P]. 江苏省：CN111144696A,2020
‑
05
‑
12，通过获取轨道交通综合监控及子系统的数据，通过神经网络或向量机完成对客流历史数据的模型训练，并对客流进行预测，没有深入到对牵引供电系统的预测和评估的层面。
[0005]随着城市的建设发展，轨道交通的客流密度逐渐增加，为了满足不同的客流需求，提高服务水平，运行图的调整时有发生，运行图调整后设备容量等能否满足要求，是否会过负荷运行，或者因为直流馈线电流过大引起保护跳闸，运营人员很难评估。

技术实现思路

[0006]本专利技术针对现有技术中存在的技术问题，提供一种基于实测大数据的轨道交通牵引负荷预测方法，以轨道交通运行的大数据为基础，采用神经网络算法，构建在一定的列车
特性与线路条件下，客流及运行图与牵引负荷的对应关系，预测未来客流与运行图下的牵引负荷，计算结果更加贴近实际情况，可帮助轨道交通运营公司，在运营过程中临时调整运行图的情况下，提前对牵引供电系统的供电能力进行评估，迅速作出决策。
[0007]本专利技术采用的技术方案是：一种基于实测大数据的轨道交通牵引负荷预测方法，包括以下步骤：步骤1：利用轨道交通数据采集工具得到轨道交通运行实测大数据，所述轨道交通运行实测大数据包括牵引负荷、客流信息、运行图、列车特性和线路数据；所述牵引负荷包括直流母线电压、直流馈线电流、整流机组功率；步骤2：对轨道交通运行实测大数据进行数据预处理、特征选择和特征提取，得到牵引负荷、客流信息、运行图、列车特性和线路数据的时间序列数据；步骤3：将牵引负荷、客流信息、运行图、列车特性和线路数据的时间序列数据输入GRU
‑
RT网络模型进行训练，得到训练好的一定列车特性与线路条件下，客流及运行图与牵引负荷的对应关系模型；GRU
‑
RT网络模型包括依次连接的输入层、循环层、全连接层和输出层，循环层采用门控循环单元；步骤4：采用步骤2相同的方法对指定列车特性、指定线路数据、指定运行图以及预估客流信息进行数据处理，得到时间序列数据并输入到训练好的对应关系模型中，进而计算获得预测牵引负荷的时间序列数据。
[0008]进一步的，数据预处理包括去噪、剔除异常数据、数据归一化处理、数据序列按照不同的时间粒度划分；利用皮尔逊相关性系数对轨道交通运行实测大数据进行相关性分析，结合互信息熵理论对轨道交通运行实测大数据进行特征选择，其中表示互信息，表示轨道交通实测数据集的特征向量，表示牵引负荷数据的特征向量，和分别代表和的边际熵，代表和的联合熵；利用分类特征变量提取的方法对轨道交通运行实测大数据进行特征提取。
[0009]进一步的，所述客流信息包括进站、出站的乘客数量；所述客流信息的时间序列数据为列车的载客率。
[0010]进一步的，时间序列数据输入给输入层，假设一段时间序列数据，在某个时刻t，有，其中是输入层到隐藏层的权重矩阵，V是隐藏层到输出层的权重矩阵，W是隐藏层上一次的值作为这一次输入的权重，表示t时刻隐藏层中的值，表示t时刻输出层中的值，表示激活函数；门控循环单元包括复位门和更新门，更新门接收当前状态和前一个隐藏状态，接收到输入信息和矩阵运算后，sigmoid函数确定神经元是否被激活；复位门接收和，其结果决定忘记多少过去的信息；当前存储器是前一个隐藏层的输入和输出的汇总，和通过更新闸门的动态控制来确定最终输出，并传送至下一个GRU单元，
表示候选隐藏层状态，表示t
‑
1时刻隐藏层中的值，GRU单元计算公式为:1时刻隐藏层中的值，GRU单元计算公式为:1时刻隐藏层中的值，GRU单元计算公式为:1时刻隐藏层中的值，GRU单元计算公式为:上述式中，和为更新门的权重；和为重置门的权重；为sigmoid函数；H为记忆门的权重；输出层输出：其中， L表示列车特性的时间序列数据，Y表示运行图的时间序列数据，K表示客流信息的时间序列数据，S表示线路数据的时间序列数据，U代表直流母线电压的时间序列数据，I表示直流馈线电流的时间序列数据，P表示整流机组功率的时间序列数据。
[0011]与现有技术相比，本专利技术所具有的有益效果是：（1）本专利技术将牵引供电模拟仿真与实际运营情况相结合，通过对实际运营大数据的收集，采用神经网络算法，构建在一定的列车特性与线路条件下，客流及运行图与牵引负荷的对应关系，预测直流母线电压、直流馈线电流和整流机组功率。
[0012]（2）本专利技术能够根据收集的客流情况信息，结合指定的运行图，进行牵引负荷计算，提前对牵引供电系统的供电能力提前进行评估。
[0013]（3）与现有技术RNN相比，RNN在处理时间序列数据时具有很好的效果，但是轨道交通数据具有长本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于实测大数据的轨道交通牵引负荷预测方法，其特征在于：包括以下步骤：步骤1：利用轨道交通数据采集工具得到轨道交通运行实测大数据，所述轨道交通运行实测大数据包括牵引负荷、客流信息、运行图、列车特性和线路数据；所述牵引负荷包括直流母线电压、直流馈线电流、整流机组功率；步骤2：对轨道交通运行实测大数据进行数据预处理、特征选择和特征提取，得到牵引负荷、客流信息、运行图、列车特性和线路数据的时间序列数据；步骤3：将牵引负荷、客流信息、运行图、列车特性和线路数据的时间序列数据输入GRU
‑
RT网络模型进行训练，得到训练好的一定列车特性与线路条件下，客流及运行图与牵引负荷的对应关系模型；GRU
‑
RT网络模型包括依次连接的输入层、循环层、全连接层和输出层，循环层采用门控循环单元；步骤4：采用步骤2相同的方法对指定列车特性、指定线路数据、指定运行图以及预估客流信息进行数据处理，得到时间序列数据并输入到训练好的对应关系模型中，进而计算获得预测牵引负荷的时间序列数据。2.如权利要求1所述的基于实测大数据的轨道交通牵引负荷预测方法，其特征在于：数据预处理包括去噪、剔除异常数据、数据归一化处理、数据序列按照不同的时间粒度划分；利用皮尔逊相关性系数对轨道交通运行实测大数据进行相关性分析，结合互信息熵理论对轨道交通运行实测大数据进行特征选择；利用分类特征变量提取的方法对轨道交通运行实测大数据进行特征提取。3.如权利要求1...

【专利技术属性】
技术研发人员：李力鹏，靳佩跃，王胜，王立天，李熙光，陈怀鑫，王世峰，李金华，苏鹏程，孙才勤，桑梓杰，
申请(专利权)人：中铁电气化勘测设计研究院有限公司，
类型：发明
国别省市：