CN114154414A - 基于云计算的地铁杂散电流泄漏高风险区间识别方法、***及存储介质 - Google Patents

基于云计算的地铁杂散电流泄漏高风险区间识别方法、***及存储介质 Download PDF

Info

Publication number
CN114154414A
CN114154414A CN202111442178.8A CN202111442178A CN114154414A CN 114154414 A CN114154414 A CN 114154414A CN 202111442178 A CN202111442178 A CN 202111442178A CN 114154414 A CN114154414 A CN 114154414A
Authority
CN
China
Prior art keywords
data
interval
current
subway
average
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.)
Granted
Application number
CN202111442178.8A
Other languages
English (en)
Other versions
CN114154414B (zh
Inventor
王禹桥
王承涛
程润良
杨雪锋
李允彩
徐引
李威
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.)
Xuzhou Zhongkuang Transmission Track Technology Co ltd
Original Assignee
Xuzhou Zhongkuang Transmission Track 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 Xuzhou Zhongkuang Transmission Track Technology Co ltd filed Critical Xuzhou Zhongkuang Transmission Track Technology Co ltd
Priority to CN202111442178.8A priority Critical patent/CN114154414B/zh
Publication of CN114154414A publication Critical patent/CN114154414A/zh
Application granted granted Critical
Publication of CN114154414B publication Critical patent/CN114154414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q50/06—Energy or water supply
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Abstract

本发明提供一种基于云计算的地铁杂散电流泄漏高风险区间识别方法、城市全域杂散电流腐蚀监测***及计算机可读存储介质，城市全域杂散电流腐蚀监测***包括腐蚀监测模块、全线数据接收模块、全域数据汇总模块、智能学习算法模块、云计算模块及本地处理器，本发明基于杂散电流腐蚀监测***获取全线监测数据，利用全线监测数据建立多监测位置的泄漏高风险区间智能识别模型，基于智能识别模型的并行云计算结果，能够实现全线的杂散电流泄漏高风险区域智能准确定位。本发明的区间定位方法简单易行，识别方法智能且准确高效，解决了杂散电流泄漏定位难以在地铁全线范围内实现的问题。

Description

基于云计算的地铁杂散电流泄漏高风险区间识别方法、*** 及存储介质
技术领域
本发明涉及一种杂散电流泄漏高风险区间识别方法，特别是一种基于云计算的地铁杂散电流泄漏高风险区间识别方法、城市全域杂散电流腐蚀监测***及计算机可读存储介质。
背景技术
杂散电流泄漏是一种严重影响地铁***运营安全及周边埋地结构可靠性的危害现象。地铁杂散电流主要来源于钢轨对地绝缘性能的下降，但同时也可能来自于轨道电位限制器的接地动作等其他因素，解决杂散电流泄漏问题的重要措施之一就是杂散电流泄漏区域的准确定位。对于地铁整条线路来说，***组成复杂；对于线路周围环境来说，包含了大量的埋地金属结构。以上因素都造成了杂散电流泄漏来源、传导路径和分布规律复杂多变，使得泄漏区域定位仍是杂散电流研究和工程实践过程中亟待解决的重要问题。
由于杂散电流的泄漏路径不仅仅局限于单一牵引区间内部，因此相较于单一区间的泄漏定位，全线杂散电流泄漏定位能够提供更为丰富的定位信息，更具备一般的工程实践意义。针对地铁全线的杂散电流泄漏定位问题，目前尚无具体有效的解决方法。单一区间内的泄漏定位方法因其计算量和计算方法的限制，又较难应用于全线的工况。
发明内容
为了实现杂散电流泄漏在地铁全线的准确区域定位。本发明提出了一种基于云计算的地铁杂散电流泄漏高风险区间识别方法，利用云计算模块高效处理大数据背景下基于多个测量位置的多个识别模型，借助智能学习算法处理高度非线性问题的显著优势，并利用全域数据汇总模块不断累积运行数据，最终实现地铁全线内杂散电流泄漏区间的准确识别，从而为有针对性治理杂散电流问题提供技术支撑。
根据本发明的一个实施例，提供了一种基于云计算的地铁杂散电流泄漏高风险区间识别方法，包括以下步骤：
(1)选取地铁某一线路中若干牵引区间S1至Sn，在设定的运营周期内T＝[t1,t2,…,tq]，测量S1至Sn区间的主体结构极化电位P＝{{[P1,1(t1),P1,1(t2),…,P1,1(tq)],[P1,2(t1),P1,2(t2),…,P1,2(tq)],…,[P1,m(t1),P1,m(t2),…,P1,m(tq)]},{[P2,1(t1),P2,1(t2),…,P2,1(tq)],[P2,2(t1),P2,2(t2),…,P2,2(tq)],…,[P2,m(t1),P2,m(t2),…,P2,m(tq)]},…,{[Pn,1(t1),Pn,1(t2),…,Pn,1(tq)],[Pn,2(t1),Pn,2(t2),…,Pn,2(tq)],…,[Pn,m(t1),Pn,m(t2),…,Pn,m(tq)]}}，测量S1至Sn区间车站附近区域轨道电位V＝{{[V1,1(t1),V1,1(t2),…,V1,1(tq)],[V1,2(t1),V1,2(t2),…,V1,2(tq)],…,[V1,m(t1),V1,m(t2),…,V1,m(tq)]},{[V2,1(t1),V2,1(t2),…,V2,1(tq)],[V2,2(t1),V2,2(t2),…,V2,2(tq)],…,[V2,m(t1),V2,m(t2),…,V2,m(tq)]},…,{[Vn,1(t1),Vn,1(t2),…,Vn,1(tq)],[Vn,2(t1),Vn,2(t2),…,Vn,2(tq)],…,[Vn,m(t1),Vn,m(t2),…,Vn,m(tq)]}}，通过地铁既有***获取S1至Sn区间馈线柜回流电流Ik＝{[Ik,1(t1),Ik,1(t2),…,Ik,1(tq)],[Ik,2(t1),Ik,2(t2),…,Ik,2(tq)],…,[Ik,n(t1),Ik,n(t2),…,Ik,n(tq)]}，测量S1至Sn区间回流柜排流电流Id＝{[Id,1(t1),Id,1(t2),…,Id,1(tq)],[Id,2(t1),Id,2(t2),…,Id,2(tq)],…,[Id,n(t1),Id,n(t2),…,Id,n(tq)]}，通过地铁既有***获取S1至Sn区间OVPD接地电流Ig＝{[Ig,1(t1),Ig,1(t2),…,Ig,1(tq)],[Ig,2(t1),Ig,2(t2),…,Ig,2(tq)],[Ig,n(t1),Ig,n(t2),…,Ig,n(tq)]}
(2)分别计算设定一段时间内不同测量位置的平均极化电位
Figure BDA0003383849320000021
和平均轨道电位
Figure BDA0003383849320000022
Figure BDA0003383849320000023
Figure BDA0003383849320000024
Figure BDA0003383849320000025
Figure BDA0003383849320000026
(3)分别计算设定一段时间内平均馈线柜回流电流
Figure BDA0003383849320000027
平均回流柜排流电流
Figure BDA0003383849320000028
和平均OVPD接地电流
Figure BDA00033838493200000216
Figure BDA00033838493200000210
Figure BDA00033838493200000211
Figure BDA00033838493200000212
Figure BDA00033838493200000213
Figure BDA00033838493200000214
Figure BDA00033838493200000215
(4)根据平均极化电位、平均轨道电位、平均回流电流、平均排流电流、平均接地电流构建泄漏高风险区间识别训练数据集，训练数据集包括：基于测量位置1的训练数据集D1、基于测量位置2的训练数据集D2、直至基于测量位置m的训练数据集Dm，训练数据集Di的组成为i为1至m中任一数字：
区间S1至Sn测量位置i的平均极化电位：
Figure BDA0003383849320000031
区间S1至Sn测量位置i的平均轨道电位：
Figure BDA0003383849320000032
区间S1至Sn的平均回流电流：
Figure BDA0003383849320000033
区间S1至Sn的平均排流电流：
Figure BDA0003383849320000034
区间S1至Sn的平均接地电流：
Figure BDA0003383849320000035
(5)基于数据集D1至Dm，分别构建无监督自组织映射网络N1至Nm，网络通过n×1的向量形式进行输出，具体为：
若S1至Sn中Si区间为高风险区间，则输出向量第i位为1，其他位为0；
(6)在云计算模块中对N1至Nm进行训练和测试，构建基于网络N1至Nm的杂散电流泄漏高风险区间识别模型f1至fm。
(7)根据识别模型f1至fm计算识别结果，判断全线内的杂散电流泄漏高风险区间。
进一步的，在步骤(7)之后，还包括
根据不同的设定一段时间内的测试结果，将极化电位、轨道电位、回流电流、排流电流和接地电流的测试数据汇总并重新在云计算模块中进行网络训练，更新识别模型。
本发明的另一实施例还提供一种城市全域杂散电流腐蚀监测***，该***包括：
腐蚀监测模块，用于监测地铁全线钢筋混凝土结构极化电位数据、各牵引区间排流数据和轨道电位数据，包括：布置于地铁各条线路全线隧道钢筋混凝土结构中的参比电极、位于回流柜的排流监测装置、杂散电流腐蚀传感器、数据传输装置、光电转换器、转接器，
全线数据接收模块，包括：区间1数据接收模块、区间2数据接收模块直至区间n数据接收模块，用于接收单条地铁线路全线腐蚀监测数据，并对腐蚀数据进行初始化处理，包括数据归一化和正则化，布置于线路控制室的上位机***，并通过光纤电缆与全线各腐蚀监测模块通信，
全域数据汇总模块，用于汇总城市全域的地铁线路腐蚀监测数据并接收云计算模块计算结果同时上传至综合监控网络，包括并形成极化电位分布数据云图，布置于全域地铁控制室的上位机***，与各线路数据接收模块通信，
智能学习算法模块，用于泄漏高风险区间识别，通过智能学习算法建立各输入参数与泄漏高风险区间的映射关系，实现地铁全线杂散电流泄漏高风险区间智能识别，
云计算模块，用于接收初始化后的全域杂散电流腐蚀监测数据，根据智能学习算法为基础，完成影响泄漏高风险区间智能识别模型的训练、验证和测试过程，并根据后续的在线传输数据实时识别泄漏高风险区间，并将计算结果返回至全域数据汇总模块；
本地处理器，用于处理所述全线数据接收模块接收到的参数，并在执行存储器中存储的计算机程序时实现步骤(1)至步骤(4)的数据预处理部分。
本发明的另一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种基于云计算的地铁杂散电流泄漏高风险区间识别方法。
有益效果：与现有杂散电流泄漏定位方法相比，本发明基于杂散电流腐蚀监测***获取全线监测数据，利用全线监测数据建立多监测位置的泄漏高风险区间智能识别模型，基于智能识别模型的并行云计算结果，能够实现全线的杂散电流泄漏高风险区域智能准确定位。本发明的区间定位方法简单易行，识别方法智能且准确高效，解决了杂散电流泄漏定位难以在地铁全线范围内实现的问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明所使用的腐蚀监测***模块组成图。
图2为本发明中极化电位测试示意图。
图3为本发明中轨道电位测试示意图。
图4为本发明中所使用的智能识别模型初次建立流程图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
请参见图1至图4，本发明实施例提供一种城市全域杂散电流腐蚀监测***，该***包括：
腐蚀监测模块，用于监测地铁全线钢筋混凝土结构极化电位数据、各牵引区间排流数据和轨道电位数据，包括：布置于地铁各条线路全线隧道钢筋混凝土结构中的参比电极、位于回流柜的排流监测装置、杂散电流腐蚀传感器、数据传输装置、光电转换器、转接器。杂散电流腐蚀传感器用于接收极化电位测量数据并进行初步处理。
全线数据接收模块，包括：区间1数据接收模块、区间2数据接收模块直至区间n数据接收模块，用于接收单条地铁线路全线腐蚀监测数据，并对腐蚀数据进行初始化处理，包括数据归一化和正则化，布置于线路控制室的上位机***，并通过光纤电缆与全线各腐蚀监测模块通信，每个区间的数据接收模块包括PSCADA交换机、通信管理机、光电转换机、光电转换器、以太网交换机。
全域数据汇总模块，用于汇总城市全域的地铁线路腐蚀监测数据并接收云计算模块计算结果同时上传至综合监控网络，包括并形成极化电位分布数据云图，布置于全域地铁控制室的上位机***，与各线路数据接收模块通信，
智能学习算法模块，用于泄漏高风险区间识别，通过智能学习算法建立各输入参数与泄漏高风险区间的映射关系，实现地铁全线杂散电流泄漏高风险区间智能识别，
云计算模块，用于接收初始化后的全域杂散电流腐蚀监测数据，根据智能学习算法为基础，完成影响泄漏高风险区间智能识别模型的训练、验证和测试过程，并根据后续的在线传输数据实时识别泄漏高风险区间，并将计算结果返回至全域数据汇总模块；
本地处理器，用于处理所述全线数据接收模块接收到的参数，并在执行存储器中存储的计算机程序时实现如下基于云计算的地铁杂散电流泄漏高风险区间识别方法中步骤(1)至步骤(4)的数据预处理部分。
城市全域杂散电流腐蚀监测***中结构钢筋极化电位测试如图2所示，是通过杂散电流智能传感器1-1、接地端子1-2、参比电极1-3和智能监测装置1-4实现的。参比电极1-3使用长效铜/硫酸铜参比电极，参比电极每隔200m间隔布置，预埋置于隧道主体结构钢筋附近。智能监测装置1-4汇集区间内参比电极测量的极化电位信号并传送至区间的数据接收模块。
城市全域杂散电流腐蚀监测***中结构钢筋轨道测试如图3所示，是通过电压电流变换器2-1、电流电压变换器2-2、采集卡2-3、轨电位智能监测装置2-4实现的。采用大间距步点(每200m一点)，利用计算机自动数据采集***自动采集记录1、2、3、……m各点对地电压。选取结构钢筋作为各个测点共同的基准地电位。在轨道电位测试过程中使用非接触式传感器，不会对钢轨造成结构破坏，测试设备在使用时不会对钢轨的基本性能造成负面影响且测试设备安装均在夜间地铁***停止运营时进行。故上述实施措施在搭建、测试过程中均不会对地铁***的日常运行造成影响。
城市全域杂散电流腐蚀监测***中的全域数据汇总模块需要留有与地铁既有***的数据接口，用于获取馈线柜回流电流数据和轨电位限制器的电流数据。
本发明实施例还提供一种基于云计算的地铁杂散电流泄漏高风险区间识别方法，基于城市全域杂散电流腐蚀监测***和地铁既有***所获取的数据，采用基于云计算的地铁全线杂散电流泄漏高风险区间识别方法，识别模型初次建立流程如图4所示，包括以下步骤：
(1)选取地铁某一线路中若干牵引区间S1至Sn，在设定的运营周期内T＝[t1,t2,…,tq]，测量S1至Sn区间的主体结构极化电位P＝{{[P1,1(t1),P1,1(t2),…,P1,1(tq)],[P1,2(t1),P1,2(t2),…,P1,2(tq)],…,[P1,m(t1),P1,m(t2),…,P1,m(tq)]},{[P2,1(t1),P2,1(t2),…,P2,1(tq)],[P2,2(t1),P2,2(t2),…,P2,2(tq)],…,[P2,m(t1),P2,m(t2),…,P2,m(tq)]},…,{[Pn,1(t1),Pn,1(t2),…,Pn,1(tq)],[Pn,2(t1),Pn,2(t2),…,Pn,2(tq)],…,[Pn,m(t1),Pn,m(t2),…,Pn,m(tq)]}}，测量S1至Sn区间车站附近区域轨道电位V＝{{[V1,1(t1),V1,1(t2),…,V1,1(tq)],[V1,2(t1),V1,2(t2),…,V1,2(tq)],…,[V1,m(t1),V1,m(t2),…,V1,m(tq)]},{[V2,1(t1),V2,1(t2),…,V2,1(tq)],[V2,2(t1),V2,2(t2),…,V2,2(tq)],…,[V2,m(t1),V2,m(t2),…,V2,m(tq)]},…,{[Vn,1(t1),Vn,1(t2),…,Vn,1(tq)],[Vn,2(t1),Vn,2(t2),…,Vn,2(tq)],…,[Vn,m(t1),Vn,m(t2),…,Vn,m(tq)]}}，通过地铁既有***获取S1至Sn区间馈线柜回流电流Ik＝{[Ik,1(t1),Ik,1(t2),…,Ik,1(tq)],[Ik,2(t1),Ik,2(t2),…,Ik,2(tq)],…,[Ik,n(t1),Ik,n(t2),…,Ik,n(tq)]}，测量S1至Sn区间回流柜排流电流Id＝{[Id,1(t1),Id,1(t2),…,Id,1(tq)],[Id,2(t1),Id,2(t2),…,Id,2(tq)],…,[Id,n(t1),Id,n(t2),…,Id,n(tq)]}，通过地铁既有***获取S1至Sn区间OVPD接地电流Ig＝{[Ig,1(t1),Ig,1(t2),…,Ig,1(tq)],[Ig,2(t1),Ig,2(t2),…,Ig,2(tq)],[Ig,n(t1),Ig,n(t2),…,Ig,n(tq)]}
(2)分别计算设定一段时间内不同测量位置的平均极化电位
Figure BDA0003383849320000061
和平均轨道电位
Figure BDA0003383849320000062
Figure BDA0003383849320000063
Figure BDA0003383849320000071
Figure BDA0003383849320000072
Figure BDA0003383849320000073
(3)分别计算设定一段时间内平均馈线柜回流电流
Figure BDA0003383849320000074
平均回流柜排流电流
Figure BDA0003383849320000075
和平均OVPD接地电流
Figure BDA0003383849320000076
Figure BDA0003383849320000077
Figure BDA0003383849320000078
Figure BDA0003383849320000079
Figure BDA00033838493200000710
Figure BDA00033838493200000711
Figure BDA00033838493200000712
(4)根据平均极化电位、平均轨道电位、平均回流电流、平均排流电流、平均接地电流构建泄漏高风险区间识别训练数据集，训练数据集包括：基于测量位置1的训练数据集D1、基于测量位置2的训练数据集D2、直至基于测量位置m的训练数据集Dm，训练数据集Di的组成为i为1至m中任一数字：
区间S1至Sn测量位置i的平均极化电位：
Figure BDA00033838493200000713
区间S1至Sn测量位置i的平均轨道电位：
Figure BDA00033838493200000714
区间S1至Sn的平均回流电流：
Figure BDA00033838493200000715
区间S1至Sn的平均排流电流：
Figure BDA00033838493200000716
区间S1至Sn的平均接地电流：
Figure BDA00033838493200000717
(5)基于数据集D1至Dm，分别构建无监督自组织映射网络N1至Nm，网络通过n×1的向量形式进行输出，
若S1至Sn中Si区间为高风险区间，则输出向量第i位为1，其他位为0；具体为：
S1为高风险区间，则输出为：[1,0,…,0,…,0]
S2为高风险区间，则输出为：[0,1,…,0,…,0]
…
Si为高风险区间，则输出为：[0,0,…,1,…,0]
…
Sn为高风险区间，则输出为：[0,0,…,0,…,1]。
(6)在云计算模块中对N1至Nm进行训练和测试，构建基于网络N1至Nm的杂散电流泄漏高风险区间识别模型f1至fm。
本发明所采用的云计算平台为Hadoop云计算平台，在Hadoop平台中进行网络N1,N2,N3,…,Ni,…,Nm的训练步骤如下：
①从Hadoop平台的分布式文件***读取随机分割后的训练集，即m个不同的训练子集，得到m个云计算集群中的并行Map函数，每一个Map函数均对应自组织映射网络。
②分别对m个Map函数进行训练，输出Map函数操作后的结果，建立基于不同训练集的识别模型。
③通过MapReduce框架中Shuffle阶段传输到Reduce阶段，计算不同识别模型的预测值权重，最终计算出预测值为：
Output＝F(ω1f1+ω2f2+...+ωifi+...+ωmfm)。
(7)根据识别模型f1至fm计算识别结果，判断全线内的杂散电流泄漏高风险区间。
(8)根据不同的设定一段时间内的测试结果，将极化电位、轨道电位、回流电流、排流电流和接地电流的测试数据汇总并重新在云计算模块中进行网络训练，更新识别模型。
可以理解，在一些实施例中，步骤(8)还可以省略。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种基于云计算的地铁杂散电流泄漏高风险区间识别方法。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于云计算的地铁杂散电流泄漏高风险区间识别方法，其特征在于，包括以下步骤：
(1)选取地铁某一线路中若干牵引区间S1至Sn，在设定的运营周期内T＝[t1,t2,…,tq]，测量S1至Sn区间的主体结构极化电位P＝{{[P1,1(t1),P1,1(t2),…,P1,1(tq)],[P1,2(t1),P1,2(t2),…,P1,2(tq)],…,[P1,m(t1),P1,m(t2),…,P1,m(tq)]},{[P2,1(t1),P2,1(t2),…,P2,1(tq)],[P2,2(t1),P2,2(t2),…,P2,2(tq)],…,[P2,m(t1),P2,m(t2),…,P2,m(tq)]},…,{[Pn,1(t1),Pn,1(t2),…,Pn,1(tq)],[Pn,2(t1),Pn,2(t2),…,Pn,2(tq)],…,[Pn,m(t1),Pn,m(t2),…,Pn,m(tq)]}}，测量S1至Sn区间车站附近区域轨道电位V＝{{[V1,1(t1),V1,1(t2),…,V1,1(tq)],[V1,2(t1),V1,2(t2),…,V1,2(tq)],…,[V1,m(t1),V1,m(t2),…,V1,m(tq)]},{[V2,1(t1),V2,1(t2),…,V2,1(tq)],[V2,2(t1),V2,2(t2),…,V2,2(tq)],…,[V2,m(t1),V2,m(t2),…,V2,m(tq)]},…,{[Vn,1(t1),Vn,1(t2),…,Vn,1(tq)],[Vn,2(t1),Vn,2(t2),…,Vn,2(tq)],…,[Vn,m(t1),Vn,m(t2),…,Vn,m(tq)]}}，通过地铁既有***获取S1至Sn区间馈线柜回流电流Ik＝{[Ik,1(t1),Ik,1(t2),…,Ik,1(tq)],[Ik,2(t1),Ik,2(t2),…,Ik,2(tq)],…,[Ik,n(t1),Ik,n(t2),…,Ik,n(tq)]}，测量S1至Sn区间回流柜排流电流Id＝{[Id,1(t1),Id,1(t2),…,Id,1(tq)],[Id,2(t1),Id,2(t2),…,Id,2(tq)],…,[Id,n(t1),Id,n(t2),…,Id,n(tq)]}，通过地铁既有***获取S1至Sn区间OVPD接地电流Ig＝{[Ig,1(t1),Ig,1(t2),…,Ig,1(tq)],[Ig,2(t1),Ig,2(t2),…,Ig,2(tq)],[Ig,n(t1),Ig,n(t2),…,Ig,n(tq)]}
(2)分别计算设定一段时间内不同测量位置的平均极化电位
Figure FDA0003383849310000011
和平均轨道电位
Figure FDA0003383849310000012
Figure FDA0003383849310000013
Figure FDA0003383849310000014
Figure FDA0003383849310000015
Figure FDA0003383849310000016
(3)分别计算设定一段时间内平均馈线柜回流电流
Figure FDA0003383849310000017
平均回流柜排流电流
Figure FDA0003383849310000018
和平均OVPD接地电流
Figure FDA0003383849310000019
Figure FDA00033838493100000110
Figure FDA00033838493100000111
Figure FDA00033838493100000112
Figure FDA00033838493100000113
Figure FDA00033838493100000114
Figure FDA0003383849310000021
(4)根据平均极化电位、平均轨道电位、平均回流电流、平均排流电流、平均接地电流构建泄漏高风险区间识别训练数据集，训练数据集包括：基于测量位置1的训练数据集D1、基于测量位置2的训练数据集D2、直至基于测量位置m的训练数据集Dm，训练数据集Di的组成为i为1至m中任一数字：
区间S1至Sn测量位置i的平均极化电位：
Figure FDA0003383849310000022
区间S1至Sn测量位置i的平均轨道电位：
Figure FDA0003383849310000023
区间S1至Sn的平均回流电流：
Figure FDA0003383849310000024
区间S1至Sn的平均排流电流：
Figure FDA0003383849310000025
区间S1至Sn的平均接地电流：
Figure FDA0003383849310000026
(5)基于数据集D1至Dm，分别构建无监督自组织映射网络N1至Nm，网络通过n×1的向量形式进行输出，具体为：
若S1至Sn中Si区间为高风险区间，则输出向量第i位为1，其他位为0；
(6)在云计算模块中对N1至Nm进行训练和测试，构建基于网络N1至Nm的杂散电流泄漏高风险区间识别模型f1至fm；
(7)根据识别模型f1至fm计算识别结果，判断全线内的杂散电流泄漏高风险区间。
2.根据权利要求1所述的一种基于云计算的地铁杂散电流泄漏高风险区间识别方法，其特征在于，在步骤(7)之后，还包括
根据不同的设定一段时间内的测试结果，将极化电位、轨道电位、回流电流、排流电流和接地电流的测试数据汇总并重新在云计算模块中进行网络训练，更新识别模型。
3.一种城市全域杂散电流腐蚀监测***，其特征在于，该***包括：
腐蚀监测模块，用于监测地铁全线钢筋混凝土结构极化电位数据、各牵引区间排流数据和轨道电位数据，包括：布置于地铁各条线路全线隧道钢筋混凝土结构中的参比电极、位于回流柜的排流监测装置、杂散电流腐蚀传感器、数据传输装置、光电转换器、转接器，
全线数据接收模块，包括：区间1数据接收模块、区间2数据接收模块直至区间n数据接收模块，用于接收单条地铁线路全线腐蚀监测数据，并对腐蚀数据进行初始化处理，包括数据归一化和正则化，布置于线路控制室的上位机***，并通过光纤电缆与全线各腐蚀监测模块通信，
全域数据汇总模块，用于汇总城市全域的地铁线路腐蚀监测数据并接收云计算模块计算结果同时上传至综合监控网络，包括并形成极化电位分布数据云图，布置于全域地铁控制室的上位机***，与各线路数据接收模块通信，
智能学习算法模块，用于泄漏高风险区间识别，通过智能学习算法建立各输入参数与泄漏高风险区间的映射关系，实现地铁全线杂散电流泄漏高风险区间智能识别，
云计算模块，用于接收初始化后的全域杂散电流腐蚀监测数据，根据智能学习算法为基础，完成影响泄漏高风险区间智能识别模型的训练、验证和测试过程，并根据后续的在线传输数据实时识别泄漏高风险区间，并将计算结果返回至全域数据汇总模块；
本地处理器，用于处理所述全线数据接收模块接收到的参数，并在执行存储器中存储的计算机程序时实现如权利要求1所述的基于云计算的地铁杂散电流泄漏高风险区间识别方法中步骤(1)至步骤(4)的数据预处理部分。
4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2中任一项所述的一种基于云计算的地铁杂散电流泄漏高风险区间识别方法。
CN202111442178.8A 2021-11-30 2021-11-30 基于云计算的地铁杂散电流泄漏高风险区间识别方法、***及存储介质 Active CN114154414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111442178.8A CN114154414B (zh) 2021-11-30 2021-11-30 基于云计算的地铁杂散电流泄漏高风险区间识别方法、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111442178.8A CN114154414B (zh) 2021-11-30 2021-11-30 基于云计算的地铁杂散电流泄漏高风险区间识别方法、***及存储介质

Publications (2)

Publication Number Publication Date
CN114154414A true CN114154414A (zh) 2022-03-08
CN114154414B CN114154414B (zh) 2024-04-16

Family

ID=80455129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111442178.8A Active CN114154414B (zh) 2021-11-30 2021-11-30 基于云计算的地铁杂散电流泄漏高风险区间识别方法、***及存储介质

Country Status (1)

Country Link
CN (1) CN114154414B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115096806A (zh) * 2022-06-21 2022-09-23 徐州中矿传动轨道科技有限公司 隧道钢混结构杂散电流腐蚀高风险区域识别方法及***
CN115935162A (zh) * 2022-11-29 2023-04-07 重庆市机电设计研究院有限公司 杂散电流在线评估工作***

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2614347Y (zh) * 2003-04-11 2004-05-05 中国矿业大学 地铁杂散电流腐蚀在线监测装置
CN102175597A (zh) * 2011-01-21 2011-09-07 中国矿业大学 地铁杂散电流腐蚀在线监测***的在线监测方法
CN102692885A (zh) * 2012-05-15 2012-09-26 西安理工大学 一种杂散电流监测排流控制方法
CN107991873A (zh) * 2017-12-11 2018-05-04 中国矿业大学 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法
CN108562782A (zh) * 2018-07-17 2018-09-21 国网湖南省电力有限公司 一种杂散电流的获取方法及杂散电流的检测***
CN110927498A (zh) * 2019-12-09 2020-03-27 南京地铁建设有限责任公司 一种杂散电流监测及防护***与方法
US20200408850A1 (en) * 2018-11-19 2020-12-31 China University Of Mining And Technology Method for detecting insulation damage location in reflux rail of subway/coal mine and transition resistance thereof
CN113030658A (zh) * 2021-03-03 2021-06-25 珠海南自电气***工程有限公司 一种杂散电流综合监测***

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2614347Y (zh) * 2003-04-11 2004-05-05 中国矿业大学 地铁杂散电流腐蚀在线监测装置
CN102175597A (zh) * 2011-01-21 2011-09-07 中国矿业大学 地铁杂散电流腐蚀在线监测***的在线监测方法
CN102692885A (zh) * 2012-05-15 2012-09-26 西安理工大学 一种杂散电流监测排流控制方法
CN107991873A (zh) * 2017-12-11 2018-05-04 中国矿业大学 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法
CN108562782A (zh) * 2018-07-17 2018-09-21 国网湖南省电力有限公司 一种杂散电流的获取方法及杂散电流的检测***
US20200408850A1 (en) * 2018-11-19 2020-12-31 China University Of Mining And Technology Method for detecting insulation damage location in reflux rail of subway/coal mine and transition resistance thereof
CN110927498A (zh) * 2019-12-09 2020-03-27 南京地铁建设有限责任公司 一种杂散电流监测及防护***与方法
CN113030658A (zh) * 2021-03-03 2021-06-25 珠海南自电气***工程有限公司 一种杂散电流综合监测***

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115096806A (zh) * 2022-06-21 2022-09-23 徐州中矿传动轨道科技有限公司 隧道钢混结构杂散电流腐蚀高风险区域识别方法及***
CN115096806B (zh) * 2022-06-21 2024-04-12 徐州中矿传动轨道科技有限公司 隧道钢混结构杂散电流腐蚀高风险区域识别方法及***
CN115935162A (zh) * 2022-11-29 2023-04-07 重庆市机电设计研究院有限公司 杂散电流在线评估工作***

Also Published As

Publication number Publication date
CN114154414B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN114154414B (zh) 基于云计算的地铁杂散电流泄漏高风险区间识别方法、***及存储介质
CN106654987A (zh) 电力线路多机器人协作巡检方法
CN110826895B (zh) 一种台区拓扑识别方法
CN105574593B (zh) 基于云计算和大数据的轨道状态静态检控***及方法
CN107909512A (zh) 一种结合电网运行方式的设备运行数据匹配和扩展方法
CN111080105A (zh) 基于电压时序数据的台区户变关系识别方法及***
CN105279612A (zh) 一种基于泊松分布的输电线路跳闸风险评估方法
CN115170000A (zh) 一种基于电能表通信模块的远程监测方法及***
CN109857782A (zh) 一种测井数据采集处理***
CN110223411A (zh) 一种公共饮水机巡检***及方法
CN108681625A (zh) 基于大数据技术的变压器短期过载能力智能评估***
CN108414016A (zh) 一种基于大数据技术的污水管网监测***
CN111146866A (zh) 一种输电通道控制方法
CN107611940B (zh) 一种基于历史数据分析的配电网异常监测方法与***
CN107025500B (zh) 主动配电网量测设备关键部署位置的识别方法
CN117951847A (zh) 一种利用边缘计算网关实现用电量计算的方法及***
CN105574619A (zh) 一种太阳能光伏发电出力预测***及预测方法
CN108540093A (zh) 基于波动法大数据采集的分布式光伏电站监测预警***
CN116247801A (zh) 一种基于物联网的配电设备群监测***
CN106128101B (zh) 交通流量短时预测结果的可视化装置
CN104993483A (zh) 一种基于实时潮流的输电通道动态辨识方法
CN114169118B (zh) 考虑分布式电源出力相关性的配电网拓扑结构辨识方法
CN110310048A (zh) 一种配网规划全过程评估方法及装置
CN111857015B (zh) 输变电云端智能控制器
CN115222160A (zh) 一种基于实测大数据的轨道交通牵引负荷预测方法

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
GR01 Patent grant
GR01 Patent grant