【技术实现步骤摘要】
本专利技术涉及轨道交通设备故障预测方法，具体涉及一种基于lstm(longshort term memory)神经网络对轨道交通直流开关设备进行故障预测方法。
技术介绍
1、在轨道交通供电系统中，直流开关设备的健康状况会直接影响供配电系统安全稳定运行。一种精准、快速的对轨道交通供电系统故障进行预测的方法，可以及时发现直流开关设备的问题并进行报警，极大地降低设备故障发生的风险，有效保证了供电系统的运行。同时，通过故障预测，可以最大限度地发挥直流开关设备的剩余价值，根据预测结果适时更新设备。
2、在轨道交通电力系统故障预测领域中，lstm神经网络经过一定次数的迭代后可以达到预测效果。一般是利用lstm神经网络对历史数据作了当前时刻的预测，基于单个时间序列或少量相关因子的多维序列作预测，这样少量的相关输入训练出的lstm神经网络模型精度不是很高，而且多次训练后不稳定。
技术实现思路
1、针对现有技术中的缺陷，本专利技术采用lstm结合knn(k nearest neighbor)模型对轨道交通直流开关设备故障预测方法。根据轨道交通直流开关设备数据时序数据的故障特征来预测直流开关故障，并对故障类型进行分类。解决轨道交通供电系统无法在供电设备发生故障之前进行精准预测的技术问题，进而避免供电事故的发生。
2、本专利技术通过下述技术方案来实现：
3、本专利技术提供一种轨道交通直流开关设备故障预测方法，包括以下步骤：
4、s1，获取t时刻直流开关设备
5、s2，对直流开关设备数据进行数据清理得到数据集，对数据集进行归一化处理得到t时刻的输入参数；
6、s3，将输入参数输入到时间步长为n的直流开关设备lstm神经网络预测模型中，并输出t+n时刻的直流开关设备运行参数预测值；
7、s4，将运行参数预测值作为knn分类模型的输入值对其进行数据分类，分析t+n时刻设备是否会发生故障，若发生故障则执行步骤s5,否则返回步骤s1继续循环；
8、s5，输出直流开关设备发生故障等级。
9、其中，步骤s1中,根据轨道交通直流开关设备故障相关的时序数据中选取直流开关设备数据，以便通过lstm学习时序信号中和序列顺序有关的故障特征，并有利于knn分类，提升数据有效性及及时性。
10、直流开关设备数据可包括直流电压、电流、系统阻抗、电流变化率、电流增量等。
11、步骤s2中，直流开关设备数据清理可通过选择子集，列名重命名，删除重复值，缺失值处理，归一化处理，数据排序处理，异常值处理等来处理数据。
12、缺失值处理可使用缺失值所在列的中位数来填充缺失值。
13、归一化处理可采用min-max标准化的方法进行，将数据映射到[0,1]区间，防止数据中不同特征的量纲的不一致，影响到数据分析的结果。
14、min-max标准化包括以下步骤：
15、对于每个样本属性，设最小值和最大值，将样本属性a的一个原始值x通过min-max标准化映射成在区间[0,1]中的值xnew，其公式为：
16、
17、其中，xmin为样本属性a的最小值，xmax为样本属性a的最大值。
18、步骤s3中，lstm神经网络预测模型构建步骤为：
19、设置lstm输入维度和预测时间步长；
20、设置模型优化器以及学习速率；
21、设置隐含层神经元节点个数；
22、将所述直流开关设备运行历史数据集导入lstm神经网络中进行训练；
23、在训练中根据损失函数评估网络，并进行优化调整，得到优化后的lstm神经网络模型；
24、lstm神经网络预测模型每一层的数学关系，具体为：
25、ft＝σ(wf·[ht-1,xt]+bf)
26、it＝σ(wi·[ht-1,xt]+bi)
27、ot＝σ(wo·[ht-1,xt]+bo)
28、
29、
30、ht＝ot*tanh(ct)
31、其中，ct为该lstm单元在t时刻的状态单元；为待更新至状态单元ct的候选状态信息；ht为该lstm单元在t时刻的隐藏状态信息；ft，it，ot分别为该lstm单元在t时刻的遗忘门，输入门和输出门；wc，wf，wi，wo均为相应的权值矩阵；bc，bf，bi，bo分别为与权值矩阵一一对应的偏置项；σ和tanh为非线性激活函数。
32、步骤s4中，设备数据进行状态分类的knn模型的构建步骤可包括：
33、b1：选取所述直流开关设备历史数据中的正常运行时参数和故障时运行参数合并组成数据集；
34、b2：将所述数据集进行归一化处理，处理后的所述数据集作为knn模型训练时的输入数据；
35、b3：对构建的knn模型进行训练，选择适合的k值，优化分类模型的性能，得到优化后的knn分类模型。
36、步骤b3中的k值选择方法为：
37、将数据集按照6：4的比例，拆分出训练用的数据和验证用的数据，从选取一个较小的k值开始，不断增加k的值，然后计算验证集合的方差，最终找到一个比较合适的k值。
38、步骤s5中的故障等级，具体可分为一级故障和二级故障。
39、若为一级故障，说明直流开关设备已经处在故障边缘状态，近期需要维护检查；
40、若为二级故障时，则需要停机检修，更换故障设备。
41、本专利技术的另一方面，提供一个轨道交通直流开关设备故障预测装置，轨道交通直流开关设备故障预测装置，具体为：
42、数据获取单元，用于获取t时刻的数据，其中直流开关设备数据包括直流电压、电流、系统阻抗、电流变化率、电流增量；
43、数据处理单元，用于对直流开关设备数据进行数据清理得到数据集，对数据集进行归一化处理得到t时刻的输入参数；
44、预测单元，用于将输入参数输入到时间步长为n的直流开关设备lstm神经网络预测模型中，并输出t+n时刻的直流开关设备运行参数预测值；
45、分析单元，用于将运行参数预测值作为knn分类模型的输入值对其进行数据分类，分析t+n时刻设备是否会发生故障；
46、第一执行单元，用于在分析出t+n时刻设备不会发生故障时，执行返回数据处理单元的进行循环检测。
47、第二执行单元，用于在分析出t+n时刻设备会发生故障时，输出直流开关设备发生故障的等级。
48、本专利技术的技术效果:
49、本专利技术结合了lstm神经网络模型能够进行长时间预测和knn具有良好的非线性分类的优点。直流开关设备lstm神经网络预测模型输入维度包括：直流开关设备的直流电压、电流、系统阻抗、电流变化率、电流增量经过预处理后的数据；knn分类模型的输入维度为lstm神经网络预测模型输出的预测数据；knn模型本文档来自技高网...
【技术保护点】
1.一种轨道交通直流开关设备故障预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的轨道交通直流开关设备故障预测方法，其特征在于：
3.根据权利要求1所述的轨道交通直流开关设备故障预测方法，其特征在于：
4.根据权利要求1所述的轨道交通直流开关设备故障预测方法，其特征在于：
5.根据权利要求1所述的轨道交通直流开关设备故障预测方法，其特征在于：
6.根据权利要求1所述的轨道交通直流开关设备故障预测方法，其特征在于，
7.根据权利要求1所述的轨道交通直流开关设备故障预测方法，其特征在于，
8.根据权利要求7所述的轨道交通直流开关设备故障预测方法，其特征在于，
9.根据权利要求7所述的轨道交通直流开关设备故障预测方法，其特征在于，
10.根据权利要求1所述的轨道交通直流开关设备故障预测方法，其特征在于，
【技术特征摘要】
1.一种轨道交通直流开关设备故障预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的轨道交通直流开关设备故障预测方法，其特征在于：
3.根据权利要求1所述的轨道交通直流开关设备故障预测方法，其特征在于：
4.根据权利要求1所述的轨道交通直流开关设备故障预测方法，其特征在于：
5.根据权利要求1所述的轨道交通直流开关设备故障预测方法，其特征在于：
<...【专利技术属性】
技术研发人员：肖丹，万衡，时腾飞，唐许良，
申请(专利权)人：上海应用技术大学，
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。