[发明专利]一种基于循环神经网络的接触网性能退化预测方法

说明书

本发明公开了一种基于循环神经网络的接触网性能退化预测方法，包括以下步骤：1)输入弓网检测数据；2)对弓网检测数据进行预处理；3)采用希尔伯特‑黄变换分析法提取数据特征；4)循环神经网络的训练和预测：根据神经元输入数据，采用长短期记忆网络进行训练，发现弓网检测数据的规律，并以此预测接触网性能退化趋势。本发明利用长短期记忆人工神经网络来预测接触网性能退化情况，其预测输出识别率高，且网络运行时间低。

技术领域

本发明涉及一种接触网性能退化预测方法，尤其涉及一种基于循环神经网络 的接触网性能退化预测方法。

背景技术

接触网是铁路电气化工程的主构架，是沿铁路线上空架设的向电力机车供电 的特殊形式的输电线路。担负着把从牵引变电所获得的电能直接输送给电力机车 使用的重要任务。因此接触网的性能和工作状态将直接影响着电气化铁道的运输 能力。

目前，市面上没有较好的预测接触性能退化的手段，已有的方法存在如下的 缺点：(1)预测精度不够高；(2)预测模型参数较多。

发明内容

为了解决上述问题，本发明提出一种基于循环神经网络的接触网性能退化预 测方法，具体的，包括以下步骤：

S1.输入弓网检测数据：弓网检测数据包括但不限于接触网接触几何参数中 的导高、拉出值、压力、硬点和接触线磨耗；

S2.数据预处理：对弓网检测数据预处理，预处理方法包括但不限于滤波和 数据归一化；

S3.数据特征提取：提取方法采用希尔伯特-黄变换分析法，它包括经验模 态分解法和希尔伯特谱分析；具体的，先采用经验模态分解法，对弓网检测数据 进行分解，再计算本征模态函数分量数据相关性，以获得更加明确的特征信息， 把所有的特征归一化后串在一起，构成循环神经网络的一个N维向量的神经元输 入；

S4.循环神经网络的训练和预测：根据神经元输入数据，采用长短期记忆网 络进行训练，发现弓网检测数据的规律，并以此预测接触网性能退化趋势。

进一步的，步骤S3包括以下子步骤：

S31.对输入原始信号X[t]，首先找出所有极值点，然后用三次样条函数对 所有的极大值点进行插值，拟合出X[t]的上包络线同理，拟合出X[t] 的下包络线

S32.根据上、下包络线计算均值线：

S33.计算原始信号的偏差：

H[t]＝X[t]-M[t]；

S34.把H[t]当成原始信号X[t]，重复步骤S31、S32和S33，计算K次，如果 H[t]满足公式：S_D取值0.2-0.3，

则把H[t]作为本征模态函数分量；

S35.取前5个本征模态函数分量作为数据特征一部分，结合原始数据的均值 和方差一起串成一个组合特征F＝[IMF₁，IMF₂，IMF₃，IMF₄，IMF₅，mean，var]。

进一步的，在步骤S4中，所述长短期记忆网络的训练采用基于时间的反向传 播算法。

进一步的，在步骤S4中，所述长短期记忆网络包括输入层、中间层和输出层， 其中输入层为3*7，中间层为120，输出层为2。

本发明的有益效果在于：

(1)预测输出识别率高，识别准确率大于93％；

(2)网络运行时间低，一次网络运行的时间低于10毫秒。

附图说明