轨道交通供电设备故障预测方法及装置

1.本发明涉及轨道交通电力系统故障预测领域，具体涉及一种基于lstm神经网 络模型的对轨道交通供设备进行故障预测方法。


背景技术：

2.随着我国高铁和城市轨道交通的飞速发展，列车的规模和列车运输频次不断的 提高，供电系统的故障对社会经济和人身安全的危害越来越严重，轨道交通供电系 统正面临着严峻的挑战。精准、快速的对轨道交通供电系统故障进行预测，是避免 供电系统发生故障，进而避免带来一系列严重后果的有效方法。研究可靠性高、预 测速度快的轨道交通供电设备故障预测方法对保障整个轨道交通供电系统的安全 性和经济性有着十分重要的意义。
3.前人在针对轨道交通供电系统设备故障诊断方法做了很多研究，但是并没有将 设备未来数据预测后再对设备状态进行精准分类。现有技术是结合人工智能领域中 的人工神经网络、贝叶斯网络、专家系统、数据挖掘等技术对供电系统设备进行故 障诊断。现有技术的方法是结合了人工智能技术通过归纳专家经验对已发生的故障 进行智能诊断，能够对故障数据进行高维度分类，具有较高的准确率。但是该方法 存在只能分析故障的类型以及产生的原因，并不能进行故障预测，属于先故障后诊 断的模式。


技术实现要素：

4.针对现有技术中的缺陷，本发明所要解决的技术问题是：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来避免供电事故的发生。
5.为解决上述问题，本发明通过下述技术方案来实现：
6.本发明提供轨道交通供电设备故障预测方法，包括以下步骤：
7.s1，获取t时刻的目标供电设备的供电设备数据，其中所述供电设备数据包括 电压、电流、功率和设备运行温度；
8.s2，将所述供电设备数据进行去噪处理得到无干扰元素的设备数据集，对所述 设备数据集进行标准化处理得到t时刻的输入参数；
9.s3，对所述输入参数输入到预测时间步长为n的供电设备数据lstm预测模型， 并输出t+n时刻的所述目标设备运行参数预测值；
10.s4将所述预测值作为svm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，若否，则返回步骤s1进行循环检测；
11.s5：如果是，则说明所述目标供电设备具有发生故障的可能性。
12.进一步地，所述lstm预测模型的构建步骤包括：
13.设置lstm输入维度和预测时间步长；
14.设置模型优化器以及学习速率；
15.设置隐含层神经元节点个数；
16.将所述目标设备运行历史数据集导入到lstm神经网络模型中进行训练；
17.在训练过程中对lstm模型的超参数进行不断的优化调整，得到优化后的lstm预测 模型。
18.进一步地，所述svm分类模型的构建步骤包括：
19.选取所述目标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；
20.将所述数据集进行标准化处理，处理后的所述数据集作为svm模型训练时的输入数 据；
21.对构建的svm模型进行训练，训练过程包括：调整svm的核函数，调整类别权重， 调整迭代次数参数，优化分类模型的性能，得到优化后的svm分类模型。
22.进一步地，所获取的所述目标设备数据的数值受到所述目标供电设备的类型和/或 所述目标设备在供电系统中所起的作用的影响。
23.所述步骤s2中对数据进行去噪处理采用的方法为小波去噪法。
24.所述小波去噪法的步骤包括：
25.构造函数空间，将信号分解到函数空间中进行计算，获取有用的数据；
26.重构返回原始信号，其中，数据分解和重构公式如下：
27.分解公式：a0[f(t)]＝f(t)
[0028][0029][0030]
重构公式：
[0031]
式中：t为时间序列，f(t)为原始信号，j为分解的层数，h、g为时域中的小波分解 滤波器，h、g为时域中小波重构滤波器，a
j
为信号f(t)在第j层的低频部分的小波系数， d
j
为信号f(t)在第j层的高频部分的小波系数。
[0032]
进一步地，所述步骤s2中的进行标准化处理采用离差标准化的方式进行标准处理，采 用以下公式进行建立：
[0033][0034]
其中，为样本的最小值，为样本的最大值。
[0035]
本发明的另一方面，提供一个轨道交通供电设备故障预测装置，所述轨道交通供电 设备故障预测装置包括：
[0036]
数据获取单元，用于获取t时刻的目标供电设备的供电设备数据，其中所述供电设 备数据包括电压、电流、功率和设备运行温度；
[0037]
去噪标准化单元，用于将所述供电设备数据进行去噪处理得到无干扰元素的设备数 据集，对所述设备数据集进行标准化处理得到t时刻的输入参数；
术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于 本发明的保护范围。
[0052]
如图1所示为本发明提供轨道交通供电设备故障预测方法的流程图，本发明提 供轨道交通供电设备故障预测方法包括以下步骤：
[0053]
s1，获取t时刻的目标供电设备的供电设备数据，其中所述供电设备数据包括 电压、电流、功率和设备运行温度；
[0054]
s2，将所述供电设备数据进行去噪处理得到无干扰元素的设备数据集，对所述 设备数据集进行标准化处理得到t时刻的输入参数；
[0055]
s3，对所述输入参数输入到预测时间步长为n的供电设备数据lstm预测模型， 并输出t+n时刻的所述目标设备运行参数预测值；
[0056]
s4，将所述预测值作为svm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，若否，则返回步骤s1进行循环检测。
[0057]
s5：如果是，则说明所述目标供电设备具有发生故障的可能性。
[0058]
图2为本发明结合lstm模型和svm模型对供电系统故障预测的系统流程图；图 3为神经人工神经网络的结构图，包含输入层、隐藏层以及输出层；图4为rnn模型 示意图，该模型也可以通过对前一状态的数据进行未来状态的数据预测，但是只能通过 细胞状态记忆信息，所以只能处理短期依赖问题；图5为长短期记忆模型结构示意图， 图6为长短期记忆模型内部数据处理方式模型图，lstm通过输入门、遗忘门、输出门 引入sigmoid函数并结合tanh函数，添加求和操作，减少梯度消失和梯度爆炸的可能性， 既能够处理短期依赖问题，又能够处理长期依赖问题；图7为该模型故障实际预测结果， 通过历史数据对该系统进行训练后，可以对轨道交通供电设备的状态进行准确的预测。
[0059]
在本发明的一个实施例中，进一步地，对采集的设备数据进行去噪处理是采用的小 波去噪法，该方法分为数据分解步骤与数据重构步骤，其公式为：
[0060]
分解公式：a0[f(t)]＝f(t)
[0061][0062][0063]
重构公式：
[0064]
式中：t为时间序列，f(t)为原始信号，j为分解的层数，h、g为时域中的小波分解滤波 器，h、g为时域中小波重构滤波器，a
j
为信号f(t)在第j层的低频部分的小波系数，d
j
为信号f(t)在第j层的高频部分的小波系数。
[0065]
进一步地，所述步骤s3中的对去噪后的设备数据进行规范化处理是采用以下公式进行 建立：
[0066]
[0067]
其中，为样本的最小值，为样本的最大值。
[0068]
所述的轨道交通供电设备故障预测方法，运用一种lstm预测模型与svm分类模 型相结合；所述lstm预测模型输入维度包括：目标供电设备的电压、电流、功率和温 度经过预处理后的数据；所述lstm预测模型输出维度为预测后的供电设备数据；所述 svm分类模型的输入维度为lstm预测模型输出的预测数据；所述svm模型的输出维 度为目标供电设备的状态，包括正常、维护、故障三个状态。
[0069]
本发明所采用的供电设备故障预测方法通过对目标设备未来参数的预测后进行状 态分类，评估设备未来状态。数据预处理算法将当前时刻的设备的参数数据进行预处理 后得到标准化数据；预测模型通过将当前时刻的标准化数据预处理后作为输入分析，输 出预测的下一时刻的数据；进一步，分类模型将预测模型的输出作为输入，经过对输入 数据进行状态分类，评估出目标设备未来时刻的状态，通过输出评估结果的正常、维护、 故障三个状态来对设备进行下一步的动作；如果预测设备为正常状态，则可以继续正常 运行；若为维护状态，说明设备已经处在故障边缘状态，近期需要维护检查；预测设备 状态为故障时，则需要进行停机检修，避免发生电力事故，保障人、车和供电系统的安 全。
[0070]
另一方面，本发明还提供一种轨道交通供电设备预测装置，所述轨道交通供电设备 故障预测装置包括：
[0071]
数据获取单元，用于获取t时刻的目标供电设备的供电设备数据，其中所述供电设 备数据包括电压、电流、功率和设备运行温度；
[0072]
去噪标准化单元，用于将所述供电设备数据进行去噪处理得到无干扰元素的设备数 据集，对所述设备数据集进行标准化处理得到t时刻的输入参数；
[0073]
预测单元，用于将所述输入参数输入到预测时间步长为n的供电设备数据lstm预 测模型，并输出t+n时刻的所述目标设备运行参数预测值；
[0074]
分析单元，用于将所述预测值作为svm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；
[0075]
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，执行返回所述数据处 理单元的进行循环检测。
[0076]
第二执行单元，用于在分析出t+n时刻设备会发生故障时，示出所述目标供电设备 具有发生故障的可能性。
[0077]
另一方面，本发明还提供一种轨道交通供电设备预测系统，主要包括供电设备参数 单元、供电设备数据去噪单元、供电设备数据规范化单元、供电设备数据预测单元、供 电设备数据运行状态分类单元；
[0078]
所述供电设备参数单元，用于获取供电设备结构参数信息；
[0079]
所述供电设备数据去噪单元，通过小波去噪法将设备数据中的干扰因素去掉，保证 所取数据与目标设备的高度相关性；
[0080]
所述供电设备数据规范化单元，用于对去噪后的数据进行规范化处理，避免因为数 据量纲不同影响数据分析的结果；
[0081]
所述供电设备数据预测单元，用于综合所述权利要求3中目标设备所处环境，通过 将设备运行实时数据作为输入对设备未来运行参数进行预测，得到目标设备预测数据。
数进行筛选，提取有用的信息，忽略重复性高的信息，大大减少参数的运算量。提取时 间序列中有用信息后，该模型可以分析时间序列中参数的关联关系、预测时间序列数据 的趋势，同时也克服了其他神经网络无法长时间预测的缺陷。所述的获取设备数据进行 状态分类的支持向量机(svm)模型的方法，其特征在于，svm是一种高效准确的分 类模型，通过设置不同类型的核函数，可以对不同输入维度的数据进行有效的分类，并 且可以调节其惩罚参数来调节分类模型的泛化能力。本实施例融合了多种神经网络算法， 制定了精确的步骤，最终可以预测供电设备未来是否为故障状态。另外，本发明通过融 合多维度输入数据进行模型训练，得到供电设备的预测参数数据，运用支持向量机模型 将预测的未来时刻参数数据进行设备状态分类。率先结合了长短期记忆模型能够进行长 时间预测和支持向量机具有良好的非线性分类的优点，采用系统化的设计，为轨道交通 供电系统建立了一种精准预测故障的方法，有效改善轨道交通供电系统的稳定性和安全 性，为乘客、列车、供电系统的安全提供保障。
[0102]
本发明还提供一种轨道交通供电设备预测和状态分类系统，主要包括供电设备参数 单元、供电设备数据去噪单元、供电设备数据规范化单元、供电设备数据预测单元、供 电设备数据运行状态分类单元；所述供电设备参数单元，用于获取供电设备结构参数信 息；所述供电设备数据去噪单元，通过小波去噪法将设备数据中的干扰因素去掉，保证 所取数据与目标设备的高度相关性；供电设备数据规范化单元，用于对去噪后的数据进 行规范化处理，避免因为数据量纲不同影响数据分析的结果；
[0103]
所述供电设备数据预测单元，用于综合目标设备所处环境，通过将设备运行实时数 据作为输入对设备未来运行参数进行预测，得到目标设备预测数据。
[0104]
所述供电设备数据运行状态分类单元，用于将供电设备预测数据进行状态分类，分 析得到目标设备未来的运行状态。
[0105]
本发明提供的轨道交通供电设备数据预测和状态分类系统，可以有效改善现有供电 系统故障诊断方法所存在的不足。现有的轨道交通供电系统故障诊断的方法主要是对故 障发生后产生的设备参数进行分析分类，然后将故障进行诊断。这种诊断的方式在故障 发生后，此时已经产生故障影响，不但会对线路造成大规模的延误造成经济损失，也会 危害人车安全。
[0106]
本发明还提供一种数据获取预测目标设备数据的lstm模型和对设备数据进行状 态分类的svm模型的方法，包括以下内容：
[0107]
所述获取预测目标设备数据的lstm模型的构建是由以下步骤来实现的：
[0108]
a1：设置lstm输入维度和预测时间步长；
[0109]
a2：设置模型优化器以及学习速率；
[0110]
a3：设置隐含层神经元节点个数；
[0111]
a4：将目标设备运行历史数据集导入到lstm神经网络模型中进行训练；
[0112]
a5：在训练过程中对lstm模型的超参数进行不断的优化调整，得到最优模型。
[0113]
所述步骤a4中的神经网络lstm模型采用tanh函数作为激活函数，tanh函数公式 为：
[0114]
[0115]
其中，x表示隐含层神经元输入特征向量的分量，即目标设备参数经规范化后的数 据特征；ω表示输入分量的权重；θ表示神经元的阈值。
[0116]
所述对设备数据进行状态分类的svm模型的构建是由以下步骤来实现的：
[0117]
b1：选取目标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；
[0118]
b2：将组成的数据集进行标准化处理，处理后的数据集作为svm模型训练时的输入 数据；
[0119]
b3：对构建的svm模型进行训练，在此过程中不断调整svm的核函数、类别权重、 迭代次数等参数，优化分类模型的性能，得到最优分类模型。
[0120]
所述步骤b2中的时间序列分类svm模型采用sigmoid函数作为核函数：
[0121][0122]
所述的获取预测目标设备数据的长短期记忆网络(lstm)模型的方法，其特征在于， lstm是一种循环神经网络的改进，增加了一条细胞状态的通路结构，比循环神经网络 结构更为复杂，使得lstm解决了循环神经网络不能记忆长期状态的缺点，能够有效的 通过对长期的历史状态分析来预测未来状态，使得预测结果更为准确，更加适合轨道交 通供电设备数据的预测。
[0123]
长短期记忆网络(lstm)是深度学习中能预测未知时长延时时间序列的深层网络模 型。故障预测系统需要各类传感器输入大量的参数信息，针对数据量大且数据重复率高 的特点，长短期记忆的忘记阶段以及选择记忆阶段可以对故障预测网络中输入的大量参 数进行筛选，提取有用的信息，忽略重复性高的信息，大大减少参数的运算量。提取时 间序列中有用信息后，该模型可以分析时间序列中参数的关联关系、预测时间序列数据 的趋势，同时也克服了其他神经网络无法长时间预测的缺陷。
[0124]
所述的获取设备数据进行状态分类的支持向量机(svm)模型的方法，其特征在于， svm是一种高效准确的分类模型，通过设置不同类型的核函数，可以对不同输入维度 的数据进行有效的分类，并且可以调节其惩罚参数来调节分类模型的泛化能力。
[0125]
本发明通过融合多维度输入数据进行模型训练，得到供电设备的预测参数数据，运 用支持向量机模型将预测的未来时刻参数数据进行设备状态分类。率先结合了长短期记 忆模型能够进行长时间预测和支持向量机具有良好的非线性分类的优点，采用系统化的 设计，为轨道交通供电系统建立了一种精准预测故障的方法，有效改善轨道交通供电系 统的稳定性和安全性，为乘客、列车、供电系统的安全提供保障。
[0126]
以上所述的仅为本发明具体实施方式，并不用于限制本发明，仅是对本发明的目的、 技术方案和有益效果进行了更进一步详细说明，
[0127]
凡在本发明的精神和原则之内，倘若所做任何的修改、等同替换、改进等，均应包 含在本发明的保护范围之内。
[0128]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上 述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改， 这并不影响本发明的实质内容。