【技术实现步骤摘要】
一种电气化铁道牵引供电系统的故障测距方法
[0001]本申请涉及故障测距分析
，且更为具体地，涉及一种电气化铁道牵引供电系统的故障测距方法。
技术介绍
[0002]随着电气化铁路的飞速发展，保障电气化铁路安全对铁路运输安全可靠运行有着非常重要的意义。由于牵引供电系统故障跳闸，中断供电时有发生，因此铁路对快速定位故障点、消除故障点及迅速恢复供电具有迫切的需求。
[0003]当前的故障测距分析基于人为或者故障测距装置进行故障判断，此过程中可能会有由于各开关位置上送不正确、定值配置不正确、运行方式不够全面等多种因素导致故障定位不够准确，故障巡检时间较长，耗费大量人力物力财力。
[0004]因此，期望一种优化的电气化铁道牵引供电系统的故障测距方案。
技术实现思路
[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种电气化铁道牵引供电系统的故障测距方法，其利用基于深度学习的人工智能检测技术，来挖掘出多组故障仿真数据中供电臂的各个开关的空间拓扑特征和所述供电臂的各个开关模拟量的隐...
【技术保护点】
【技术特征摘要】
1.一种电气化铁道牵引供电系统的故障测距方法，其特征在于，包括：获取多组故障仿真数据，其中，所述各组故障仿真数据包括故障标签以及与所述故障标签对应的供电臂的各个开关的位置信号和模拟量；基于所述供电臂的各个开关的位置信号，构造所述供电臂的各个开关之间的空间拓扑矩阵；将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵；对所述多组故障仿真数据进行处理以得到多个空间拓扑开关模拟量全局特征矩阵；获取故障报告，并将所述故障报告中的故障参数排列为故障参数输入向量；将所述故障参数输入向量通过故障参数特征提取器以得到故障参数关联特征向量；将所述故障参数关联特征向量与所述空间拓扑特征矩阵进行相乘以得到故障查询特征向量；将所述故障查询特征向量分别与所述各个空间拓扑开关模拟量全局特征矩阵进行相乘以得到多个分类特征向量；基于所述故障查询特征向量，对所述多个分类特征向量中各个分类特征向量进行特征响应性优化以得到多个优化后分类特征向量；将所述多个优化后分类特征向量通过分类器以得到多个概率值；以及将所述多个概率值中最大概率值对应的故障标签，确定为故障测距结果。2.根据权利要求1所述的电气化铁道牵引供电系统的故障测距方法，其特征在于，所述各个开关的模拟量包括变电所、AT所、分区所的上下行T线、F线电流，以及，所述AT所和所述分区所的吸上电流。3.根据权利要求2所述的电气化铁道牵引供电系统的故障测距方法，其特征在于，将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵，包括：使用所述卷积神经网络模型的各层分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述空间拓扑特征矩阵，所述卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。4.根据权利要求3所述的电气化铁道牵引供电系统的故障测距方法，其特征在于，对所述多组故障仿真数据进行处理以得到多个空间拓扑开关模拟量全局特征矩阵，包括：将所述各组故障仿真数据中的与所述故障标签对应的供电臂的各个开关的模拟量排列为输入向量后通过多尺度邻域特征提取模块以得到多个开关模拟量特征向量；将所述多个开关模拟量特征向量二维排列为开关模拟量全局特征矩阵；以及将所述空间拓扑特征矩阵和所述开关模拟量全局特征矩阵通过图神经网络模型以得到所述空间拓扑开关模拟量全局特征矩阵。5.根据权利要求4所述的电气化铁道牵引供电系统的故障测距方法，其特征在于，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷
积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。6.根据权利要求5所述的电气化铁道牵引供电系统的故障测距方法，其特征在于，将所述各组故障仿真数据中的与所述故障标签对应的供电臂的各个开关的模拟量排列为输入向量后通过多尺度邻域特征提取模块以得到多个开关模拟量特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述输入向量进行一维卷积编码以得到第一尺度开关模拟量特征向量；其中，所述公式为：其中，a...
【专利技术属性】
技术研发人员：何顺江，张雷，林伟，冯李逍，陈德明，罗杨，
申请(专利权)人：成都交大运达电气有限公司，
类型：发明
国别省市：
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。