一种轨道交通系统功率预测方法、系统、芯片及设备

本发明属于轨道交通负荷预测，具体涉及一种轨道交通系统功率预测方法、系统、芯片及设备。

背景技术：

1、不可再生资源枯竭和环境污染问题日益突出，能源产业发展面临新挑战，电气化铁路作为电网最大的单体负荷，具有功率高、波动强、能耗高等特性，如何优化其供用能结构，推进节能减排力度，是促进其生态可持续发展的一大挑战。

2、为实现轨道交通系统节能减排，高速动车组在制动过程中普遍优先采用再生制动方式，即列车组制动减少的动能转换为电能，再反馈到供电系统中，运行过程中有功功率的正与负分别代表列车组消耗电能与返送再生制动能量两种情况。此外，我国风、光等可再生能源丰富，轨道交通基础设施和沿线空间有充足的可再生能源开发利用的空间资源。充分利用可再生能源，构建清洁、绿色、高弹性的“源-网-车-储”新型轨道交通能源体系，实现轨道交通与可再生能源的一体化发展，推动能源和轨道交通系统的供需革命，势在必行。

3、相比于传统轨道交通系统，由于再生制动能量、新能源以及储能等多元负荷的存在，使得新型轨道交通能源体系具有一定波动性和随机性，为轨道交通系统中再生能量的充分利用、节能降耗、系统优化调度运行、电能质量评估和牵引变压器容量校核等多方面带来难题。然而研究列车组的典型牵引用电/产电特性，实现牵引变电所内能耗和再生制动能量的功率精确预测，可此为提供重要帮助。因此，有必要分析不同列车组能耗和再生制动能量在轨道交通牵引供电系统中的消耗与产出分布情况，进而对列车组典型功率过程进行精细化建模，实现对轨道交通系统总体功率过程的短期精确预测。

技术实现思路

1、本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种轨道交通系统功率预测方法、系统、芯片及设备，用于解决具有一定规律性的轨道交通系统短期内牵引负荷、列车再生制动能量以及接入新能源波动导致的系统功率预测难的技术问题，实现多种运行情况下列车组的典型功率过程检测、分类与建模，以及轨道交通系统总体功率过程的短期精确预测。

2、本发明采用以下技术方案：

3、一种轨道交通系统功率预测方法，包括以下步骤：

4、s1、基于滑动窗算法，使用阶跃检测和自适应变点检测牵引变电所内的动车组功率运行过程的起始点和结束点，并提取出各段运行过程的动态功率过程数据；

5、s2、参照运行过程的实际特征，对步骤s1提取出的各段运行过程的动态功率过程数据进行分类保存；

6、s3、针对步骤s2得到的动态功率过程数据，基于长短期记忆神经网络深度学习模型实现序列回归，建立各类动态功率过程数据的模型；

7、s4、根据列车运行图信息，利用步骤s3得到的各类动态功率过程数据的模型对轨道交通系统的总功率过程进行预测。

8、具体的，步骤s1具体为：

9、s101、确定滑动窗两侧窗口长度为n，阶跃检测阈值控制系数α，测量运行空载工况下窗口内的平均功率和s0，设置阶跃检测阈值αs0，变点检测阈值s1，设计过程检测的阶跃检测和变点检测滑动窗；

10、s102、从窗口起点第1个数据点开始，设置窗口功率序列s＝{p1,…,pn+1,…,p2n+1}；

11、s103、对窗口内功率序列进行求和，若窗口功率和ssum≥αs0，则窗口功率发生阶跃，即检测到过程开始，当窗口起点为xstart时，事件起始点为xstart+n；

12、s104、对起点为xstart的滑动窗{xi}设定自适应分界点xk，将其分为c0类{x1，x2,...，xk}和c1类{xk+1，xk+2,...，x2n}；

13、s105、若c0类和c1类的均值距离满足|μ0-μ1|≥s1，则该时刻是准确的变点，将过程起始点xstart+n更新为xk；若不满足，则该点不是过程起点，继续滑动窗口；

14、s106、确定过程的精确起始点xk后，滑动窗口直至ssum＜αs0，检测到过程结束，当该窗口起点为xend时事件起始点为xend-n，并记录过程总长度l；

15、s107、设置事件长度阈值s2，若l≥s2则将过程记录在功率过程数据库中，若不满足则认为是较高功率的波动过程，不计入数据库。

16、进一步的，步骤s104中，自适应分界点xk的选取满足使同类内部的方差和最小，类间方差和最大，具体如下：

17、

18、其中，pr(xi|c0)和pr(xi|c1)分别表示某一样本xi属于c0类和c1类的概率，μ0和μ1分别表示c0类和c1类的均值。

19、具体的，步骤s2具体为：

20、s201、选取动态功率数据的峰值xmax、均值均方根xrms、标准差xstd和事件长度xt，以及运行过程的耗电量w和再生电量w-作为特征量；

21、s202、基于特征量对功率过程数据库中的每个过程进行特征量计算和标准化处理；

22、s203、建立所有过程的标准化特征量矩阵，对两两过程的特征量之间进行相似度计算，得到第i个运行过程和第j个运行过程的特征相似度rij；

23、s204、设定特征分类阈值r0，若rij>r0则认为第i个运行过程和第j个运行过程为同一类型，相同类型的运行过程的功率数据划分为一类进行存储。

24、进一步的，步骤s203中，第i个运行过程和第j个运行过程的特征相似度rij计算如下为：

25、

26、其中，xik,xjk分别为第i个运行过程和第j个运行过程的第k个特征量。

27、具体的，步骤s3具体为：

28、s301、对功率过程数据库进行标准化处理，并将数据库内所有过程首尾连接成一维时序功率数据；

29、s302、将一维时序功率数据改成n+1维，每组错开一个时间步；

30、s303、划分训练集和测试集，生成训练和测试数据；

31、s304、将训练集和测试集中的n+1维数据设置成n维输入，1维输出，即用前n步预测第n+1步；

32、s305、设定序列输出模式、设置隐含层层数、每层隐含层神经元的个数作为长短期记忆神经网络的构成参数，平均绝对误差作为损失误差，输入训练集数据，使用adam优化算法训练长短期记忆神经网络；

33、s306、使用训练好的长短期记忆神经网络对测试集进行单步初始预测；

34、s307、将原测试集的后n-1组与一维预测结果改成的n维数据拼接，形成与原测试集大小相同的新测试集；

35、s308、重复步骤s307，使用训练好的长短期记忆神经网络进行一个平均过程周期的递归多步预测，得到一个周期的对应类列车组运行功率过程模型。

36、具体的，步骤s4具体为：

37、s401、整合行车运行图中的信息，包括车次信息、车站数、运行过程、时刻表、编组、运行方向和车型；

38、s402、确定每个列车运行过程进入牵引变电所的时间与类别，以及预测时段内的功率过程总数与类别数量；

39、s403、按进入区间时间的先后顺序，叠加时间段相应类别的列车组功率过程模型，按行车运行图时间序列进行叠加后的总过程作为对应时段内轨道交通系统的总体功率过程。

40、第二方面，本发明实施例提供了一种轨道交通系统功率预测系统，包括：

41、提取模块，基于滑动窗算法，使用阶跃检测和自适应变点检测牵引变电所内的动车组功率运行过程的起始点和结束点，并提取出各段运行过程的动态功率过程数据；

42、分类模块，参照运行过程的实际特征，对提取模块提取出的各段运行过程的动态功率过程数据进行分类保存；

43、回归模块，针对分类模块得到的动态功率过程数据，基于长短期记忆神经网络深度学习模型实现序列回归，建立各类动态功率过程数据的模型；

44、预测模块，根据列车运行图信息，利用回归模块得到的各类动态功率过程数据的模型对轨道交通系统的总功率过程进行预测。

45、第三方面，一种芯片，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述轨道交通系统功率预测方法的步骤。

46、第四方面，本发明实施例提供了一种电子设备，包括芯片，所述芯片被执行时实现上述轨道交通系统功率预测方法的步骤。

47、与现有技术相比，本发明至少具有以下有益效果：

48、本发明一种轨道交通系统功率预测方法，阶跃检测和自适应变点检测相结合的滑动窗功率过程检测方法可以在保持算法实现难度较低的情况下，减功率中突变噪声和数据采样传感器误差带来的影响，提高过程检测算法的鲁棒性；采用基于实测数据的建模方法，依据轨道交通功率过程的规律性数据特征进行过程检测、分类与建模，仅需参考行车历史功率数据和行车运行图的信息，而无需对各动车组进行具体牵引模型的数学建模和计算，即可实现较高精度的轨道交通系统功率预测。本发明的短期功率过程预测方法，同时能有效预测轨道交通系统短期牵引负荷以及再生制动反馈能量的功率时序情况，还可以对系统内短期动态功率指标和能耗指标进行精确评估，实现对轨道交通系统实时运行功率情况的预测与掌控。

49、进一步的，步骤s1描述轨道交通系统功率预测系统的提取模块，采用一种基于滑动窗的自适应变点过程检测机制，具体包含两次过程检测：一是通过计算滑动窗功率序列过程前后的稳态功率阶跃差值，基本确定过程起始点与终点的位置；二是通过计算自适应归类类间的均值之差，判断滑动窗内功率突变点，精准确定过程起始点的位置。采用两次双重检测过程起始点的原因在于，一次阶跃检测判定过程始末的规则比较简单，算法的实现难度低，但容易受到功率中的突变噪声和数据采样传感器误差的影响，算法的鲁棒性不强，容易误检。因此加入第二次检测，通过检测功率序列统计参数的变化来判断和定位过程始末，从而将过程检测问题转换为一种统计学判断假设问题进行求解。

50、进一步的，步骤s2描述轨道交通系统功率预测系统分类模块，采用一种基于特征相似度的列车组典型运行动态功率过程分类方法，根据运行功率过程的数据特征，选取合适的特征量进行计算并提取，依据特征量的相似程度进行典型过程的分类。通过选取适量可以充分表示功率过程实际特征的数字特征量，可避免对功率过程数据库中所有数据点进行一一计算或比对，极大降低了计算的难度和复杂度。

51、进一步的，步骤s3描述轨道交通系统功率预测系统回归模块，采用基于长短期记忆神经网络的递归多步预测方法，将单维数据输入增改成多维输入。实现在不增加数据规模的情况下大幅增加训练次数，有利于提高神经网络模型建立和回归预测的精确度。

52、进一步的，步骤s4描述轨道交通系统功率预测系统预测模块，采用基于行车运行图的轨道交通系统功率预测方法，考虑轨道交通系统运行具有一定规律性，结合其行车运行图信息，将不同典型运行过程的列车组功率过程在行车时刻进行有序组合。充分参考列车运行的较强规律性，基本严格按照行车运行图进行，且通过前三个步骤已可以保证轨道交通系统功率预测的精确性，在实现短期预测的同时大大降低了计算难度。

53、可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

54、综上所述，本发明考虑负荷轨道交通系统的动车组功率特性，提出了对列车典型运行过程的提取、分类与回归方法，从而进一步提出了结合列车运行图的轨道交通系统运行过程功率预测方法。在计算复杂度较低情况下，仍能实现对轨道交通系统短期时序功率、牵引负荷、再生制动反馈能量、能耗等多项数据特征的精确预测。

55、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。