基于Boosting和多预测器融合的列车牵引能耗异常检测方法技术

本发明专利技术提供了一种基于Boosting和多预测器融合的列车牵引能耗异常检测方法。该方法包括：处理秒级累计的列车牵引能耗数据，形成日、周、月和年时间尺度的时序数据集；构建多种时间序列预测器，对每种时间序列预测器进行校验验证，采用Boosting算法调整各时间序列预测器的预测结果权重，形成多预测器融合模型；将待分析列车的秒级累计的列车牵引能耗数据输入到所述多预测器融合模型，根据所述多预测器融合模型的输出值判断所述待分析列车的牵引能耗状态。本发明专利技术提出的异常判断基础依托于多种时间序列预测模型及Boosting算法优化权重，所得预测值经加权及校验，符合工程现场实际能耗水平，同时便于工作人员理解使用。同时便于工作人员理解使用。同时便于工作人员理解使用。

【技术实现步骤摘要】
基于Boosting和多预测器融合的列车牵引能耗异常检测方法


[0001]本专利技术涉及列车能耗控制
，尤其涉及一种基于Boosting和多预测器融合的列车牵引能耗异常检测方法。

技术介绍

[0002]近年来，城轨系统线网规模和客运量持续增长，总体能耗不断上升，通过牵引能耗异常分析避免不必要的能量损失是实现节能减排新的途径。因此如何及时高效地发现并定位列车的能耗异常，以提高列车能耗的管理水平，实现节约能源，降低成本，成为城市轨道交通相关运营单位和众多学者关注的重点。
[0003]目前，现有技术中的列车牵引能耗异常检测方法包括：采用定期人工抄录变电所电表和车载TMS(Train Management System,铁路管理系统)数据，结合单耗阈值判断异常。采用特征标签数据结合机器学习算法，获得能耗预测值作为异常判断依据。
[0004]上述现有技术中的列车牵引能耗异常检测方法的缺点为：单耗指标和阈值法未能充分利用列车运行过程中记录的数据，单一阈值无法具有针对性的判定异常，漏报误报现象较多。将机器学习算法应用于城轨牵引能耗异常分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Boosting和多预测器融合的列车牵引能耗异常检测方法，其特征在于，包括：处理秒级累计的列车牵引能耗数据，形成日、周、月和年时间尺度的时序数据集；构建多种时间序列预测器，对每种时间序列预测器进行校验验证，采用Boosting算法调整各时间序列预测器的预测结果权重，形成多预测器融合模型；将待分析列车的秒级累计的列车牵引能耗数据输入到所述多预测器融合模型，根据所述多预测器融合模型的输出值判断所述待分析列车的牵引能耗状态。2.根据权利要求1所述的方法，其特征在于，所述的处理秒级累计的列车牵引能耗数据，形成日、周、月和年时间尺度的时序数据集，包括：梳理城轨系统从宏观到微观所包含的用电对象，该用电对象包括线路、列车和牵引辅助用电单元三级研究对象；针对所述三级研究对象，对原始秒级累计的列车牵引能耗数据作差处理，分别得到日度时间序列数据v
d
、周度时间序列数据v
w
、月度时间序列数据v
m
和年度时间序列数据v
y
。3.根据权利要求1所述的方法，其特征在于，所述的构建多种时间序列预测器，包括：构建ARIMA模型，验证时间序列稳定性，偏相关函数截尾拖尾情况选取模型阶数，验证ARIMA模型的拟合残差，输出预测结果；选择多项式阶数，构建多项式拟合模型，验证多项式拟合模型的拟合结果，优化多项式拟合模型；将时间序列分解为季节性、趋势项和节假日项，构建Prophet预测模型，选择分段点采用分段线性函数拟合趋势项，采用傅里叶级数拟合季节项，根据时间序列尺度添加节假日项，整合各分项模型并校验得到Prophet时间序列预测模型。4.根据权利要求1或者2或者3所述的方法，其特征在于，所述的对每种时间序列预测器进行校验验证，采用Boosting算法调整各时间序列预测器的预测结果权重，形成多预测器融合模型，包括：对单一时间序列预测器进行校验验证，对比分析各单一时间序列预测器的预测输出结果；以日度序列数据v
d
为例，设定相同初始权重其中n为样本数量；基于Boosting算法定义的预测器为k
m
(x
i
),各个...

【专利技术属性】
技术研发人员：荀径，张程熙，李熙，张立成，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：