CN102542262A

CN102542262A - 一种基于高铁运行特征工况波形库的波形识别方法

Info

Publication number: CN102542262A
Application number: CN2012100010451A
Authority: CN
Inventors: 顾伟; 王芳; 林德清
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2012-01-04
Filing date: 2012-01-04
Publication date: 2012-07-04
Anticipated expiration: 2032-01-04
Also published as: CN102542262B

Abstract

本发明公开了一种基于高铁运行特征工况波形库的波形识别方法，包括下述步骤：101.建立离线高铁的运行特征工况波形库；102.生成高铁运行中的电压和/或电流的测试波形；103.提取高铁运行中的电压和/或电流的测试波形特征量；104.检测异常数据波段；105.提取异常数据波段工况信息；106．对异常数据波段进行工况模式匹配；107.对异常数据波段和样本波形进行相似度比较；108.提取工况波形。该识别方法利用高铁特征工况波形库，对高铁实际运行中出现的异常波段进行工况模式的匹配，使得用户可以实时检测高铁运行，有利于保障高铁运行的安全性。

Description

一种基于高铁运行特征工况波形库的波形识别方法

技术领域

本发明涉及利用数据库对高铁波形进行识别方法，具体来说，涉及一种基于高铁运行特征工况波形库的波形识别方法。

背景技术

电气化铁路具有速度快、运输能力强、供电距离长、节约能源与造价、牵引性能好等优点，因而具有广阔的发展前景，是世界以及我国铁路发展的方向。然而，高速电气化铁路作为典型的单相负荷，其大量接入电网，恶化了电网电能质量水平。功率因数低、负序功率大、谐波含量丰富是电气化铁路的典型电能质量问题，同时高速铁路牵引负荷的大大增加以及负荷本身的大幅波动则使问题进一步复杂，影响程度进一步加大，同时，随着高新技术产业的发展，设备自动化水平的提高，用户对电能质量提出了比传统的机电产品更新更高的要求，基于两方面分析，研究高铁电能质量问题特点，进而提出治理措施，对于高铁的发展和电网电能质量水平的提高具有重要意义。总之，对电气化铁路电能质量问题研究主要集中在电气化铁路工况仿真、电铁监测数据分析等方面，对实际运行工况电铁录波波形研究较少。

发明内容

技术问题：本发明所要解决的技术问题是：提供一种基于高铁运行特征工况波形库的波形识别方法，该识别方法利用高铁特征工况波形库，对高铁实际运行中出现的异常波段进行工况模式的匹配，使得用户可以实时检测高铁运行，有利于保障高铁运行的安全性。

技术方案：为解决上述技术问题，本发明采用的基于高铁运行特征工况波形库的波形识别方法，该识别方法包括下述步骤：

101.建立离线高铁的运行特征工况波形库；

102.生成高铁运行中的电压和/或电流的测试波形：首先利用电能质量监测网和录波仪器采集高铁运行波形，然后对采集的运行波形进行去噪声处理，生成高铁运行中的电压和/或电流的测试波形；

103.提取高铁运行中的电压和/或电流的测试波形特征量：对步骤102生成的高铁运行中的电压和/或电流的测试波形进行特征量提取，特征量是反映测试波形周期性变化的均值或幅值，或用户交互***中用户关注的电能质量指标；

104.检测异常数据波段：对步骤103提取的测试波形特征量，依照式(1)进行异常数据波段的检测，如果式(1)成立，则以第k个周期为起始点，截取固定时间窗内的特征量，然后再依照式(1)进行后续特征量的异常数据波段的检测；如果式(1)不成立，则不存在异常数据波段，进入用户交互***，由用户交互***选择异常数据波段；

y(k+1)-y(k)＞ε 式(1)，

在式(1)中，y(k)和y(k+1)为，ε为设定阀值；

105.提取异常数据波段工况信息：记录步骤104中的固定时间窗内的起始点、结束点和幅值变化，或者用户交互***选择的异常数据波段的起始点、结束点和幅值变化；

106.对异常数据波段进行工况模式匹配：采用模糊模式判断模块，对步骤105提取的异常数据波段工况信息进行工况模式匹配；

107.对异常数据波段和样本波形进行相似度比较：首先基于步骤106工况模式匹配结果，识别出相似工况，再从步骤101建立的离线高铁的运行特征工况波形库中提取与该相似工况具有同样特征量的波形，作为样本波段；然后将步骤105提取的异常数据波段工况信息与样本波段进行相似度比较；

108.提取工况波形：依据步骤107的相似度比较结果，提取相似度最高的样本波形，并将该样本波形的工况特征提交给用户交互***。

有益效果：与现有技术相比，本发明具有以下有益效果：

(1)建立了基于离线录波数据的高铁特工况波形库。该波形库涵盖高铁实际运行工况波形特征信息，可更全面掌握高铁运行特点，有利于高铁电能质量问题的更合理解决。特别是波形库中特征事件库的不断完善，可为高铁电能质量问题的合理解决提供参考信息，供电部门亦可对高铁特征参数进行相应优化。

(2)有利于掌握测试波形中列车的运行信息。在本识别方法中，利用模糊模式识别方法和相似度识别方法对测试波形与高铁特工况波形库中的样本波形的相似度进行识别，可快速掌握测试波形中的工况信息。这样，用户可以实时检测高铁运行。尤其是通过该相似度进行识别方法，发现测试波形中的异常信息，便于对列车运行状态作出及时调整，有利于保障高铁运行的安全性。同时，该识别方法的结果可信度高，可以初步实现波形识别的智能化。

附图说明

图1是本发明的流程框图。

图2是本发明中步骤106模糊模式判断的流程框图。

图3是本发明中步骤1013建立的数据库界面图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体介绍。

如图1所示，本发明提供了一种基于高铁运行特征工况波形库的波形识别方法。文中提及的高铁是指时速在250-350km/h的高速电气化铁路，主要包括列车、牵引变电站和轨道。

该识别方法包括下述步骤：

101.建立离线高铁的运行特征工况波形库。

该步骤101通过以下步骤1011、1012和1013实现。

1011.设定表示离线高铁的运行特征工况模式的变量。该步骤1011中的离线高铁的运行特征工况模式包括高铁加速、减速、过分相、制动、上下坡、惰行，其中，用变量S₁表示加速，用变量S₂表示减速，用变量S₃表示过分相，用变量S₄表示制动，用变量S₅表示上坡，用变量S₆表示下坡，用变量S₇表示惰行。

1012.对提取的实测录波波形进行归类：首先利用电能质量监测网和录波仪器采集高铁运行的实测录波波形，再提取实测录波波形中满足步骤1011中离线高铁的运行特征工况模式的波段，并对该波段的波形进行去噪声处理，然后按照步骤1011设定的变量表示的运行特征工况模式对该波形进行工况模式的归类。

该步骤1012中提及的去噪声处理采用现有技术即可实现。本方案中优选小波变换法对波形进行去噪声处理。小波变换法主要包括以下步骤：(1)含噪信号预处理和小波变换多尺度分解，得到相应的小波分解系数(低频和高频系数)。预处理判断波形数据的完整度；选取db(英文全程：Daubechies，文中简称：db)小波作为小波基函数，并采用Mallat算法对db小波进行多尺度分解，分解层次可依据实际工程监测波形需要选取。(2)小波分解高频系数阈值处理。低频信号保持不变，高频信号选择适当阈值进行量化处理，阈值选择固定的阈值形式(从得到最小极大方差的阈值λ乘以一个系数

N为数据长度)，阈值函数选择软阈值函数(sgn(w)(|w|-λ)，|w|＞λ)，该函数中，λ为最小极大方差的阈值，w是高频信号数值。(3)小波逆变换。将进行阈值处理过的小波系数重构，得到恢复后的原始信号估计值。

1013.在数据库中，建立离线高铁特征工况波形库：首先，建立工况机车表，该表包括“机车类型”、“机车工况模式”、“工况_机车_ID”三个参数，其中，“工况_机车_ID”由“机车类型”和“机车工况模式”决定；然后，建立特征工况波形索引表，该表包括“特征波形_ID”和“工况_机车_ID”两个参数，该特征工况波形索引表中“工况_机车_ID”与工况机车表中的“工况_机车_ID”保持一致；最后，建立特征工况波形存储表，该表包括“特征波形_ID”、“电压”、“电流”和“采集时间”四个参数，步骤1012处理后的波形存储在特征工况波形存储表的“电压”、“电流”和“采集时间”中，特征工况波形存储表的“特征波形_ID”与工况机车表中“特征波形_ID”保持一致。

该数据库建立后的界面如图3所示。利用该数据库查询特征工况波形步骤为：工况机车表中“机车类型”和“机车工况模式”决定唯一的“工况_机车_ID”；利用该“工况_机车_ID”可在特征工况波形索引表中找到该模式下存储的特征波形位置，即“特征波形_ID”；再利用“特征波形_ID”在特征工况波形存储表中找到满足要求的电压、电流波形。该数据库同时存储工况信息(如机车运行状况描述等)和特征波形信息(如幅值变化，持续时间范围等)。

该步骤1013中的数据库可以采用SQL(英文全称：Structured Query Language，文中简称：SQL)数据库，也可以是DB2数据库。DB2数据库是IBM公司公布的一种分布式数据库解决方案DATABASE 2，简称DB2数据库。

102.生成高铁运行中的电压和/或电流的测试波形：首先利用电能质量监测网和录波仪器采集高铁运行波形，然后对采集的运行波形进行去噪声处理，生成高铁运行中的电压和/或电流的测试波形。

该步骤102中的去噪声处理，均利用小波变换法对波形进行去噪声处理。过程与步骤1012中的去噪声处理过程相同。

进一步，为提高识别速度，在步骤102之后，步骤103之前，对生成的测试波形进行降维处理。例如，原先的采样频率为100kHz，1秒钟数据100000个，将采样频率降低为10kHz，1秒钟数据10000个。

103.提取高铁运行中的电压和/或电流的测试波形特征量：对步骤102生成的高铁运行中的电压和/或电流的测试波形进行特征量提取，特征量是反映测试波形周期性变化的均值或幅值，或用户交互***中用户关注的电能质量指标。

为了实现快速识别，不宜操作大量粗糙原始数据，因此建立对应原始数据的特征量索引。在保留原始数据波段信息的基础上，实现数据降维操作。基于工程应用经验，提取数据时应保留数据的整周期性。用户交互***中用户关注的电能质量指标，例如，电压偏差、谐波。

y(k+1)-y(k)＞ε 式(1)，

在式(1)中，y(k)和y(k+1)为相邻周期特征量，ε为设定阀值。相邻周期特征量是指电压或电流的相邻周期特征量。ε的取值范围为小于或等于y(k)的30％。固定时间窗是指固定的时间长度的窗口。固定时间窗可随时间轴不断移动，直至波段的最后时间点。

105.提取异常数据波段工况信息：记录步骤104中的固定时间窗内的起始点、结束点和幅值变化，或者用户交互***选择的异常数据波段的起始点、结束点和幅值变化。

106.对异常数据波段进行工况模式匹配：采用模糊模式判断模块，对步骤105提取的异常数据波段工况信息进行工况模式匹配。

该步骤106中，工况模式匹配的方法是：如图2所示，首次将步骤105提取的异常数据波段工况信息用数据集合表示，然后利用式(2)，对步骤105提取的异常数据波段工况信息和步骤101建立的运行特征工况波形库中波形的工况模式，进行模糊模式距离计算，

d = \sqrt{Σ_{i = 1}^{i = n} (c_{i} - x_{i})^{2}}

式(2)，

在式(2)中，d表示模式距离，x_i表示步骤101建立的运行特征工况波形库中波形的工况模式的参数，c_i表示步骤105提取的异常数据波段的工况信息的参数，i的取值范围是1至n的整数，n表示工况模式参数个数。

将式(2)计算出的最小的模式距离d1与设定的模式相似阀值β进行比较。设定的模式相似阀值β是用户***给出的模式距离相似阀值。如果d1≤β，则计算出d1的特征工况波形库中波形的工况模式就是与异常数据波段最接近的工况模式，进入步骤108；如果d1＞β，则返回步骤104，改变截取异常数据波段的固定时间窗，再进行步骤105和步骤106的操作；如果改变截取异常数据波段的固定时间窗后，仍存在d1＞β，则进入用户交互***中待处理。

该步骤106中，高铁运行的工况模式是基于大量的特征工况波形分析。工况模式包含该模式下幅值变化、均值变化、谐波含量、持续时间等特征量。典型工况模式之间具有明显的区分度。对典型工况模式积累越多，特征事件库中工况模式种类积累越多，会使识别更精确，同时对新的波形加入特征事件库中，应分析其实际运行工况的典型性，避免造成特征事件库的冗杂。

107.对异常数据波段和样本波形进行相似度比较：首先基于步骤106工况模式匹配结果，识别出相似工况，再从步骤101建立的离线高铁的运行特征工况波形库中提取与该相似工况具有同样特征量的波形，作为样本波段；然后将步骤105提取的异常数据波段工况信息与样本波段进行相似度比较。

所述的步骤107中，相似度比较采用不等长度相似度比较方法中的动态弯曲距离(文中简称：DTW)比较方法，或者等长度比较方法中的灰色关联度方法。这些相似度比较方法均是现有技术，在语音识别领域中常常使用相似度比较。在文献为《时间序列数据挖掘相似性度量和周期模式挖掘研究》中，可查询出DTW比较方法的过程。在书名为《灰色***理论及其应用》中，可查询出灰色关联度方法的过程。本专利优选采用DTW比较方法，DTW比较方法克服了相位偏移，且计算量少，可以满足工程需要。同时，考虑数据量的大小，可采用加权相似度算法，比如提取幅值、均值特征量，则会有幅值相似度系数和均值相似度系数，采用加权操作得到更精确的相似度信息。

下面简单叙述DTW比较方法的过程：

(1)提取异常周期均值序列C¹＝{c₁，c₂，…，c_m}，模糊工况查询结果S_i工况下存储的特征波形序列C_l ²＝{c₁ ²，c₂ ²，…，c_n ²}，l＝1，2，…，L，一共有L个波形。两个比较序列的长度分别为m和n。

(2)按照周期位置排序，构造C¹和C_l ²之间的点距离矩阵矩阵A_m×n，矩阵A_m×n中的每个元素

i＝1，2，…，m，j＝1，2，…，n；其中，c_i ¹表示测试波形异常周期均值序列中的第i个值，i≤m；c_{l_j} ²表示模糊工况查询结果S_i工况下存储的第l个特征波形序列中的第j个特征波形值，j≤n。

(3)在矩阵A_m×n中，把一组相邻的矩阵的集合称为弯曲路径，记为W＝{w₁，w₂，…，w_k)，W的第k个元素w_k＝(a_ij)_k，这条路径满足下列三个条件，即：

a)max(m，n)＜k≤m+n-1；

b)w₁＝a₁₁，w_k＝a_mn；

c)对于w_k＝a_ij，w_k-1＝a_i*j*，必须满足0≤i-i^*≤1，0≤j-j^*≤1。

(4)计算最小弯曲代价DTW。

DTW算法可归结为运用动态规划思想寻找一条具有最小弯曲代价的最佳路径，即：

\{\begin{matrix} D (1,1) = a_{11} \\ D (i, j) = a_{ij} + \min {D (i - 1, j - 1), D (i, j - 1), D (i - 1, j)} \end{matrix}

其中，i＝2，3，…，m；j＝2，3，…，n；A_m×n中弯曲路径的最小累加值D(m，n)。D(m，n)值越小，说明测试波形和样本波形越接近。

上述实施例不以任何方式限定本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围之内。

Claims

1.一种基于高铁运行特征工况波形库的波形识别方法，其特征在于：该识别方法包括下述步骤：

101.建立离线高铁的运行特征工况波形库；

y(k+1)-y(k)＞ε 式(1)，

在式(1)中，y(k)和y(k+1)为，ε为设定阀值；

2.按照权利要求1所述的基于高铁运行特征工况波形库的波形识别方法，其特征在于：所述的步骤101包括以下步骤：

1011.设定表示离线高铁的运行特征工况模式的变量；

1012.对提取的实测录波波形进行归类：首先利用电能质量监测网和录波仪器采集高铁运行的实测录波波形，再提取实测录波波形中满足步骤1011中离线高铁的运行特征工况模式的波段，并对该波段的波形进行去噪声处理，然后按照步骤1011设定的变量表示的运行特征工况模式对该波形进行工况模式的归类；

3.按照权利要求2所述的基于高铁运行特征工况波形库的波形识别方法，其特征在于：所述的步骤1011中的离线高铁的运行特征工况模式包括高铁加速、减速、过分相、制动、上下坡、惰行，其中，用变量S₁表示加速，用变量S₂表示减速，用变量S₃表示过分相，用变量S₄表示制动，用变量S₅表示上坡，用变量S₆表示下坡，用变量S₇表示惰行。

4.按照权利要求2所述的基于高铁运行特征工况波形库的波形识别方法，其特征在于：所述的步骤1012和步骤102中的去噪声处理，均利用小波变换法对波形进行去噪声处理。

5.按照权利要求2所述的基于高铁运行特征工况波形库的波形识别方法，其特征在于：所述的步骤1013中，数据库是SQL，或者DB2。

6.按照权利要求1所述的基于高铁运行特征工况波形库的波形识别方法，其特征在于：在所述的步骤102之后，步骤103之前，对生成的测试波形进行降维处理。

7.按照权利要求1所述的基于高铁运行特征工况波形库的波形识别方法，其特征在于：所述的步骤106中，工况模式匹配的方法是：首次将步骤105提取的异常数据波段工况信息用数据集合表示，然后利用式(2)，对步骤105提取的异常数据波段工况信息和步骤101建立的运行特征工况波形库中波形的工况模式，进行模糊模式距离计算，

d = \sqrt{Σ_{i = 1}^{i = n} (c_{i} - x_{i})^{2}}

式(2)，

在式(2)中，d表示模式距离，x_i表示步骤101建立的运行特征工况波形库中波形的工况模式的参数，c_i表示步骤105提取的异常数据波段的工况信息的参数，i的取值范围是1至n的整数，n表示工况模式参数个数；

将式(2)计算出的最小的模式距离d1与设定的模式相似阀值β进行比较，如果d1≤β，则计算出d1的运行特征工况波形库中波形的工况模式就是与异常数据波段最接近的工况模式，进入步骤108；如果d1＞β，则返回步骤104，改变截取异常数据波段的固定时间窗，再进行步骤105和步骤106的操作；如果改变截取异常数据波段的固定时间窗后，仍存在d1＞β，则进入用户交互***中待处理。

8.按照权利要求1所述的基于高铁运行特征工况波形库的波形识别方法，其特征在于：所述的步骤107中，相似度比较采用不等长度相似度比较方法中的动态弯曲距离比较方法。