CN114138870A - 基于动态电流采集的供电臂列车负荷特征获取方法 - Google Patents

基于动态电流采集的供电臂列车负荷特征获取方法 Download PDF

Info

Publication number
CN114138870A
CN114138870A CN202111475710.6A CN202111475710A CN114138870A CN 114138870 A CN114138870 A CN 114138870A CN 202111475710 A CN202111475710 A CN 202111475710A CN 114138870 A CN114138870 A CN 114138870A
Authority
CN
China
Prior art keywords
train
data
power supply
supply arm
load
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111475710.6A
Other languages
English (en)
Inventor
纪泳
李亚楠
李卫民
李白云
谷禹涵
李红庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Science And Technology Institute Of Daqin Railway Co ltd
Chengdu Jiaoda Guangmang Technology Co ltd
Original Assignee
Science And Technology Institute Of Daqin Railway Co ltd
Chengdu Jiaoda Guangmang Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Science And Technology Institute Of Daqin Railway Co ltd, Chengdu Jiaoda Guangmang Technology Co ltd filed Critical Science And Technology Institute Of Daqin Railway Co ltd
Priority to CN202111475710.6A priority Critical patent/CN114138870A/zh
Publication of CN114138870A publication Critical patent/CN114138870A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供基于动态电流采集的供电臂列车负荷特征获取方法，方法步骤如下，通过采集装置获取同一供电区供电臂对应时段的列车取流数据；将列车取流数据与列车规格参数特征数据进行匹配，获得负荷匹配数据；将累积的负荷匹配数据经过非线性拟合的机器学习训练，获取列车通过供电臂时的负荷特征数据预测模型；本申请通过监测牵引变电所里供电臂的电流负荷，将列车运行取流特征和列车规格参数进行比对，自动分析列车负荷特性模型并以此作为列车开行计划的参考指标，进而起到列车限流，能耗削峰的作用。

Description

基于动态电流采集的供电臂列车负荷特征获取方法
技术领域
本发明涉及电气化铁路牵引供电技术领域，具体而言，涉及基于动态电流采集的供电臂列车负荷特征获取方法。
背景技术
列车牵引功率高、牵引电流大，牵引供电***负荷波动变化大；长期以来铁路供电能力核定、电能监测管理及趋势分析等方面的建设都比较薄弱，在运输组织、计划编制过程中考虑供电能力较少；因此，非常有必要开展铁路牵引供电能力、负载能耗等方面的研究。
然而，当前综合自动化***来普遍存在负荷监测采样时间间隔较长，无法针对列车启动、匀速、制动等各种不同工况的负荷特征进行分析；且由于电量数据、***运行数据等方面数据采集不完整，不同车型运行负荷特性等数据方面的融合分析不够等多种原因，铁路供电能力核定、电能监测管理及趋势分析等方面的建设依然比较薄弱。
综合上述问题，本发明期望提出针对铁路牵引供电***中供电臂来监测列车电流负荷特征的***，通过监测牵引变电所里供电臂的电流负荷，将列车运行的取流特征和列车型号规格参数进行比对，自动分析列车负荷特性模型并以此作为列车开行计划的参考指标，进而起到列车限流，能耗削峰的作用。
发明内容
本发明的目的在于提供基于动态电流采集的供电臂列车负荷特征获取方法，其通过监测牵引变电所里供电臂的电流负荷，将列车运行的取流特征和列车型号规格参数进行比对，自动分析列车负荷特性模型并以此作为列车开行计划的参考指标，进而起到列车限流，能耗削峰的作用。
本发明的实施例通过以下技术方案实现：
第一方面，提供基于动态电流采集的供电臂列车负荷特征获取方法，包括如下步骤，
S1.通过采集装置获取同一供电区供电臂对应时段的列车取流数据；
S2.将所述列车取流数据与列车规格参数特征数据进行匹配，获得负荷匹配数据；
S3.将累积的所述负荷匹配数据经过非线性拟合的机器学习训练，获取列车通过供电臂时的负荷特征数据预测模型。
进一步的，步骤S1之前还包括，在变电所供电臂侧的每路进线与馈线上均设置单独的数据采集装置。
进一步的，所述S1中的列车取流数据包括供电臂的电流、电压、有功功率和无功功率，所述列车取流数据均通过相关的网关设备传输至时序数据库进行存储。
进一步的，所述列车取流数据的获取具体为，从调度***中获取列车通过被采集数据供电臂的时间节点，再根据对应的时间节点获取时序数据库中对应的取流数据。
进一步的，所述列车取流数据为时序数据。
进一步的，所述S2具体为选取列车取流数据，再根据所述列车取流数据对应的列车在调度***中获取列车参数，所述列车参数包括列车型号、列车编组长度、速度等级、列车自身轴重；最后将列车取流数据与列车参数进行匹配获得负荷匹配数据。
进一步的，所述S3具体为，将负荷匹配数据以列车信号进行分类，获取多个同一车型的负荷匹配数据集合，再将负荷匹配数据集合中的列车取流数据输入得到神经网络中进行训练获取神经网络最后时间片的隐藏层状态；将列车参数经独热编码后通过稠密嵌入输出稠密向量，最后将所述稠密向量和隐藏层状态进行结合，获取基于列车规格参数的负荷特征数据预测模型。
第二方面，提供基于动态电流采集的供电臂列车负荷特征获取***，包括采集装置、模型训练单元、数据获取单元以及数据存储单元，所述采集装置、数据获取单元、模型训练单元均与所述数据存储单元连接；
所述采集装置用于供电臂的电流、电压、有功功率和无功功率，所述采集装置采集的数据均以时序数据的方式存储在所述数据存储单元中；
所述数据获取单元用于获取存储于调度***中的列车通过供电臂的时间节点，再根据时间节点在所述数据存储单元中获取相应的取流数据；同时还用于获取存储于调度***中的列车参数数据；最后还用于将获取的取流数据以及列车参数数据作为一个匹配数据组存储于所述数据存储单元中；
所述模型训练单元通过从数据存储单元中获取同一车型的所有取流数据以及列车参数数据的匹配数据组，再将所述匹配数据组中的取流数据通过神经网络获取最后时间片的隐藏层状态，并将列车参数经独热编码后作为稠密向量，最后将所述稠密向量和隐藏层状态进行结合，获取基于列车规格参数的负荷特征数据预测模型。
第三方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述的基于动态电流采集的供电臂列车负荷特征获取方法。
第四方面，提供一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上述的基于动态电流采集的供电臂列车负荷特征获取方法。
本发明实施例的技术方案至少具有如下优点和有益效果：
通过监测牵引变电所里供电臂的电流负荷，将列车运行的取流特征和列车规格参数进行比对，自动分析列车负荷特性模型并以此作为列车开行计划的参考指标，进而起到列车限流，能耗削峰的作用。
附图说明
图1为本发明基于动态电流采集的供电臂列车负荷特征获取方法的流程示意图；
图2为本发明基于动态电流采集的供电臂列车负荷特征获取方法中独热编码的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
目前运营部门对牵引供电***的运行情况的监测一般通过各类牵引变电所亭设置的综合自动化***来完成；该***能在变电所内查询电流电压的历史峰值、历史需量等表计数据，但缺乏结合实际数据综合分析列车负荷特征的方法，因此对于列车的开行计划的规划只能采取更保守的方式进行。
基于以上问题，本申请提供基于动态电流采集的供电臂列车负荷特征获取方法，如图1所示，包括如下步骤，
S1.通过采集装置获取同一供电区供电臂对应时段的列车取流数据，其中，列车取流数据包括供电臂的电流、电压、有功功率和无功功率，所述列车取流数据均通过相关的网关设备传输至时序数据库进行存储。
另有别于传统的供电臂数据采集方式，本申请中在变电所供电臂侧的每路进线与馈线上均设置单独的数据采集装置。
其中，列车取流数据的获取具体为，从调度***中获取列车通过被采集数据供电臂的时间节点，再根据对应的时间节点获取时序数据库中对应的取流数据；需要说明的是，列车取流数据为时序数据，以便于后续与对应的列车进行匹配。
S2.将所述列车取流数据与列车规格参数特征数据进行匹配，获得负荷匹配数据；具体为选取列车取流数据，再根据所述列车取流数据对应的列车在调度***中获取列车参数，所述列车参数包括列车型号、列车编组长度、速度等级、列车自身轴重；最后将列车取流数据与列车参数进行匹配获得负荷匹配数据。
可以理解的是，列车参数还可以包括载货重量以及载客人数，引入更多的参考维度，对于后续的预测模型的训练能够获取更有效的负荷数据，一是便于制定列车开行计划，二是可以对载物的重量以及载人的数量进行提前规划。
S3.将累积的所述负荷匹配数据经过非线性拟合的机器学习训练，获取列车通过供电臂时的负荷特征数据预测模型；具体为，将负荷匹配数据以列车信号进行分类，获取多个同一车型的负荷匹配数据集合，再将负荷匹配数据集合中的列车取流数据输入得到神经网络中进行训练获取神经网络最后时间片的隐藏层状态。
本申请中神经网络采用的LSTM网络，需要说明的是，采用RNN网络同样可以实现本申请的方案，不过效果会比LSTM网络稍逊色些。
其次如图2所示，将列车参数进行独热编码，在将独热编码数据通过稠密嵌入输出稠密向量，最后将所述稠密向量和隐藏层状态进行结合，获取基于列车规格参数的负荷特征数据预测模型；其中采用点积的方式进行结合。
在运用本申请所训练的预测模型时，仅需输入相应的列车参数数据，即可通过本申请的模型模拟出列车通过对应的供电臂时的负荷特征曲线，从而获得对应的负荷数据，如列车满负荷运行电流、满负荷运行电压、满负荷运行时长、恒功率运行电流、恒功率运行电压、恒功率运行时长等；进而通过上述负荷数据与对应供电臂的在计划开行时间的负荷能力进行对比，若计划开行时间的供电臂满足列车运行条件，则允许列车进路通过，若不满足，则可提示调度人员调整同一供电臂内列车的启动时刻或列车间的追踪间隔，进而降低负荷峰值，保障列车开行计划顺利。
本申请还提供基于动态电流采集的供电臂列车负荷特征获取***，包括采集装置、模型训练单元、数据获取单元以及数据存储单元，所述采集装置、数据获取单元、模型训练单元均与所述数据存储单元连接；
所述采集装置用于供电臂的电流、电压、有功功率和无功功率，所述采集装置采集的数据均以时序数据的方式存储在所述数据存储单元中；
所述数据获取单元用于获取存储于调度***中的列车通过供电臂的时间节点，再根据时间节点在所述数据存储单元中获取相应的取流数据；同时还用于获取存储于调度***中的列车参数数据；最后还用于将获取的取流数据以及列车参数数据作为一个匹配数据组存储于所述数据存储单元中；
所述模型训练单元通过从数据存储单元中获取同一车型的所有取流数据以及列车参数数据的匹配数据组，再将所述匹配数据组中的取流数据通过神经网络获取最后时间片的隐藏层状态，并将列车参数经独热编码后作为稠密向量，最后将所述稠密向量和隐藏层状态进行结合，获取基于列车规格参数的负荷特征数据预测模型。
本申请还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述的基于动态电流采集的供电臂列车负荷特征获取方法。
本申请还提供一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上述的基于动态电流采集的供电臂列车负荷特征获取方法。
通过监测牵引变电所里供电臂的电流负荷，将列车运行的取流特征和列车规格参数进行比对，自动分析列车负荷特性模型并以此作为列车开行计划的参考指标，进而起到列车限流，能耗削峰的作用。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于动态电流采集的供电臂列车负荷特征获取方法，其特征在于，包括如下步骤，
S1.通过采集装置获取同一供电区供电臂对应时段的列车取流数据；
S2.将所述列车取流数据与列车规格参数特征数据进行匹配，获得负荷匹配数据；
S3.将累积的所述负荷匹配数据经过非线性拟合的机器学习训练，获取列车通过供电臂时的负荷特征数据预测模型。
2.根据权利要求1所述的基于动态电流采集的供电臂列车负荷特征获取方法，其特征在于，步骤S1之前还包括，在变电所供电臂侧的每路进线与馈线上均设置单独的数据采集装置。
3.根据权利要求1所述的基于动态电流采集的供电臂列车负荷特征获取方法，其特征在于，所述S1中的列车取流数据包括供电臂的电流、电压、有功功率和无功功率，所述列车取流数据均通过相关的网关设备传输至时序数据库进行存储。
4.根据权利要求3所述的基于动态电流采集的供电臂列车负荷特征获取方法，其特征在于，所述列车取流数据的获取具体为，从调度***中获取列车通过被采集数据供电臂的时间节点，再根据对应的时间节点获取时序数据库中对应的取流数据。
5.根据权利要求1所述的基于动态电流采集的供电臂列车负荷特征获取方法，其特征在于，所述S2具体为选取列车取流数据，再根据所述列车取流数据对应的列车在调度***中获取列车参数，所述列车参数包括列车型号、列车编组长度、速度等级、列车自身轴重；最后将列车取流数据与列车参数进行匹配获得负荷匹配数据。
6.根据权利要求5所述的基于动态电流采集的供电臂列车负荷特征获取方法，其特征在于，所述S3具体为，将负荷匹配数据以列车信号进行分类，获取多个同一车型的负荷匹配数据集合，再将负荷匹配数据集合中的列车取流数据输入得到神经网络中进行训练获取神经网络最后时间片的隐藏层状态；将列车参数经独热编码后通过稠密嵌入输出稠密向量，最后将所述稠密向量和隐藏层状态进行结合，获取基于列车规格参数的负荷特征数据预测模型。
7.根据权利要求3所述的基于动态电流采集的供电臂列车负荷特征获取方法，其特征在于，所述列车取流数据为时序数据。
8.基于动态电流采集的供电臂列车负荷特征获取***，其特征在于，包括采集装置、模型训练单元、数据获取单元以及数据存储单元，所述采集装置、数据获取单元、模型训练单元均与所述数据存储单元连接；
所述采集装置用于供电臂的电流、电压、有功功率和无功功率，所述采集装置采集的数据均以时序数据的方式存储在所述数据存储单元中；
所述数据获取单元用于获取存储于调度***中的列车通过供电臂的时间节点，再根据时间节点在所述数据存储单元中获取相应的取流数据；同时还用于获取存储于调度***中的列车参数数据；最后还用于将获取的取流数据以及列车参数数据作为一个匹配数据组存储于所述数据存储单元中；
所述模型训练单元通过从数据存储单元中获取同一车型的所有取流数据以及列车参数数据的匹配数据组，再将所述匹配数据组中的取流数据通过神经网络获取最后时间片的隐藏层状态，并将列车参数经独热编码后作为稠密向量，最后将所述稠密向量和隐藏层状态进行结合，获取基于列车规格参数的负荷特征数据预测模型。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的基于动态电流采集的供电臂列车负荷特征获取方法。
10.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于动态电流采集的供电臂列车负荷特征获取方法。
CN202111475710.6A 2021-12-06 2021-12-06 基于动态电流采集的供电臂列车负荷特征获取方法 Pending CN114138870A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111475710.6A CN114138870A (zh) 2021-12-06 2021-12-06 基于动态电流采集的供电臂列车负荷特征获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111475710.6A CN114138870A (zh) 2021-12-06 2021-12-06 基于动态电流采集的供电臂列车负荷特征获取方法

Publications (1)

Publication Number Publication Date
CN114138870A true CN114138870A (zh) 2022-03-04

Family

ID=80383957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111475710.6A Pending CN114138870A (zh) 2021-12-06 2021-12-06 基于动态电流采集的供电臂列车负荷特征获取方法

Country Status (1)

Country Link
CN (1) CN114138870A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115062731A (zh) * 2022-08-16 2022-09-16 广州地铁设计研究院股份有限公司 一种基于集成学习的地铁列车牵引能耗异常监测方法
CN115222160A (zh) * 2022-09-16 2022-10-21 中铁电气化勘测设计研究院有限公司 一种基于实测大数据的轨道交通牵引负荷预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115062731A (zh) * 2022-08-16 2022-09-16 广州地铁设计研究院股份有限公司 一种基于集成学习的地铁列车牵引能耗异常监测方法
CN115062731B (zh) * 2022-08-16 2022-11-15 广州地铁设计研究院股份有限公司 一种基于集成学习的地铁列车牵引能耗异常监测方法
CN115222160A (zh) * 2022-09-16 2022-10-21 中铁电气化勘测设计研究院有限公司 一种基于实测大数据的轨道交通牵引负荷预测方法
CN115222160B (zh) * 2022-09-16 2023-01-10 中铁电气化勘测设计研究院有限公司 一种基于实测大数据的轨道交通牵引负荷预测方法

Similar Documents

Publication Publication Date Title
CN103487749B (zh) 高压断路器机械状态在线监测诊断***及方法
CN114138870A (zh) 基于动态电流采集的供电臂列车负荷特征获取方法
CN103324980B (zh) 一种风电场风速预测方法
CN111738462B (zh) 电力计量装置故障抢修主动服务预警方法
CN105930955A (zh) 基于深度学习的充电网络运行态势分析方法及装置
CN104022552B (zh) 一种用于电动汽车充电控制的智能检测方法
CN103714348A (zh) 一种基于决策树的轨道交通故障诊断方法和***
CN105719048A (zh) 一种基于主成分分析法及熵权法的中压配电网运行状态模糊综合评价方法
CN105574593B (zh) 基于云计算和大数据的轨道状态静态检控***及方法
CN103699698A (zh) 一种基于改进贝叶斯的轨道交通故障识别方法及***
CN115170000A (zh) 一种基于电能表通信模块的远程监测方法及***
Abrahamsson et al. Fast estimation of relations between aggregated train power system data and traffic performance
CN105572492A (zh) 一种城轨列车辅助逆变器故障诊断装置
CN105447646A (zh) 一种配电***健康指数评估方法
CN110910026A (zh) 一种跨省输电线路线损智能管理与决策方法及***
CN114091549A (zh) 一种基于深度残差网络的设备故障诊断方法
CN115965125A (zh) 一种基于深度学习的电力负荷预测方法
CN106899014A (zh) 一种基于波形分解的电气化铁路负荷的建模预测方法
CN106529842A (zh) 电网中的调控操作量化评估***及方法
CN112816052B (zh) 列车车室振动监测方法、振动信号特征库建立及应用方法
CN106741018B (zh) 一种基于网络演化的列车开行控制方法与***
CN108490292B (zh) 一种列车行车区间在线监测方法及***
CN105572493A (zh) 一种车载-地面辅助逆变器远程故障诊断***
CN115222160A (zh) 一种基于实测大数据的轨道交通牵引负荷预测方法
Lin et al. Maintenance decision-making model based on POMDP for traction power supply equipment and its application

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination