[发明专利]一种基于小样本条件下牵引供电系统的可靠性研究方法

说明书

本发明公开了一种基于小样本条件下牵引供电系统的可靠性研究方法，应用Bootstrap法对“小样本”数据进行虚拟增广，有效改善了现有技术中相关故障数据实际样本量少，而导致对威布尔分布拟合效果差的问题。LSSVM算法较传统SVM算法，简化了计算的复杂性，提高了算法收敛精度。并结合粒子群算法易实现易、精度高、收敛快等优点。应用设计的PSO‑LSSVM算法对LSSVM模型参数进行优化，选取LSSVM的最优参数进行配置。对采用故障树分析法，BDD算法建立的牵引供电系统模型进行有效预测。得出牵引供电系统设备的可靠性以及平均失效时间，对牵引供电系统整体设备维修计划提供可靠的科学依据。

技术领域

本发明涉及铁路牵引供电领域，特别涉及一种基于小样本条件下牵引供电系统的可靠性研究方法。

背景技术

牵引供电系统是高速铁路系统的关键部分，列车的提速对牵引供电系统提出了更高的要求。常规铁路牵引供电系统集成方案(包括技术规范)已经不能满足系统安全运行的要求，牵引供电系统的可靠、安全运行对于高速客运专线而言至关重要，它直接影响到列车的安全、可靠运行。牵引供电系统由大量的接触网、电缆、变压器、断路器、隔离开关、互感器、避雷器及二次设备等组成，但是故障率发生率最高的是牵引变电所和接触网两大系统，其中设备故障包含多种因素，比如设备本身性能原因、偶然因素及共因失效等都会引起设备故障。

现行的牵引供电故障分析的理论中，一般将威布尔分布模型作为牵引供电设备的故障拟合模型，并在些基础上对系统进行可靠性分析。然而，威布尔分布是基于大样本之上的模型，需要一个较大的抽样样本作为分析的基础，作为列车牵引供电的故障分析数据，实验中因种种原因导致部分输入变量的缺失，进而故障数据可用“样本量”较小。为了解决现有技术中的局限性，需要对现有技术和方法进行改进。应用Bootstrap法对“小样本”数据进行虚拟增广，有效改善了现有技术中相关故障数据实际样本量少，而导致对威布尔分布拟合效果差的问题。LSSVM算法较传统SVM算法简化了计算的复杂性，提高了算法收敛精度。并结合PSO粒子群算法易实现易、精度高、收敛快等优点。

发明内容

为了克服现有技术中的不足，本发明提供一种基于小样本条件下牵引供电系统的可靠性研究方法，应用Bootstrap法对“小样本”数据进行虚拟增广，有效改善了现有技术中相关故障数据实际样本量少，而导致对威布尔分布拟合效果差的问题。PSO-LSSVM智能拟合算法，应用粒子群算法对LSSVM模型参数进行优化，选取LSSVM的最优参数进行配置。对采用故障树分析法，BDD算法建立的牵引供电系统模型进行有效预测。得出牵引供电系统设备的可靠性以及平均失效时间，对牵引供电系统整体设备维修计划提供可靠的科学依据。

为了达到上述发明目的，解决其技术问题所采用的技术方案如下：

一种基于小样本条件下牵引供电系统的可靠性研究方法，包括以下步骤：

步骤1：根据牵引供电系统主要设备的故障类型和故障率实际情况，在故障数据为“小样本”情况下，采用Bootstrap法，利用计算机对原始样本数据进行再抽样生成再生样本，将总体样本故障率数据作为输入；

步骤2：建立融合粒子群—最小二乘支持向量机回归算法，对所述牵引供电系统各设备进行可靠性拟合，拟合得出基于Weibull分布的特征寿命α、形状参数β的最优估计参数；

步骤3：完成K、W²拟合优度检测，根据得出最优参数对所述牵引供电系统各设备进行可靠性建模；

步骤4：将牵引供电系统根据结构和功能细分为两个子系统：牵引变电所子系统和接触网子系统；

步骤5：在对子系统或设备可靠性分析的基础上,应用故障树分析法，分别建立牵引变电所子系统和接触网子系统故障树模型，进一步建立牵引供电系统的整体可靠性模型；