一种基于实测大数据的轨道交通牵引负荷预测方法

摘要

本发明提供了一种基于实测大数据的轨道交通牵引负荷预测方法，包括以下步骤：利用轨道交通数据采集工具得到轨道交通运行实测大数据；对轨道交通运行实测大数据进行数据预处理、特征选择和特征提取，得到客流、运行图、以及轨道交通牵引负荷的时间序列数据；将时间序列数据输入GRU‑RT网络模型进行训练，得到一定列车特性与线路条件下，客流及运行图与牵引负荷的对应关系模型；对指定客流及运行图数据，经过数据处理，得到时间序列数据并输入到训练好的对应关系模型中，进而计算获得预测牵引负荷的时间序列数据。本发明以轨道交通运行的大数据为基础，预测未来客流与运行图下的牵引负荷，计算结果更加贴近实际情况。

权利要求

1.一种基于实测大数据的轨道交通牵引负荷预测方法，其特征在于：包括以下步骤：步骤1：利用轨道交通数据采集工具得到轨道交通运行实测大数据，所述轨道交通运行实测大数据包括牵引负荷、客流信息、运行图、列车特性和线路数据；所述牵引负荷包括直流母线电压、直流馈线电流、整流机组功率；

步骤2：对轨道交通运行实测大数据进行数据预处理、特征选择和特征提取，得到牵引负荷、客流信息、运行图、列车特性和线路数据的时间序列数据；

步骤3：将牵引负荷、客流信息、运行图、列车特性和线路数据的时间序列数据输入GRU‑RT网络模型进行训练，得到训练好的一定列车特性与线路条件下，客流及运行图与牵引负荷的对应关系模型；GRU‑RT网络模型包括依次连接的输入层、循环层、全连接层和输出层，循环层采用门控循环单元；

时间序列数据输入给输入层，假设一段时间序列数据 ，在某个时

刻t，有 ，其中 是输入层到隐藏层的权重矩阵，V是隐藏层到输出

层的权重矩阵，W是隐藏层上一次的值作为这一次输入的权重， 表示t时刻隐藏层中的值， 表示t时刻输出层中的值， 表示激活函数；

门控循环单元包括复位门 和更新门 ，更新门接收当前状态 和前一个隐藏状态，接收到输入信息和矩阵运算后，sigmoid函数确定神经元是否被激活；复位门 接收 和 ，其结果决定忘记多少过去的信息；当前存储器是前一个隐藏层的输入和输出的汇总， 和 通过更新闸门的动态控制来确定最终输出 ，并传送至下一个GRU单元， 表示候选隐藏层状态， 表示t‑1时刻隐藏层中的值，GRU单元计算公式为:上述式中， 和 为更新门的权重； 和 为重置门的权重； 为sigmoid函数；H为记忆门的权重；

输出层输出：

其中， L表示列车特性的时间序列数据，Y表示运行图的时间序列数据，K表示客流信息的时间序列数据，S表示线路数据的时间序列数据，U代表直流母线电压的时间序列数据，I表示直流馈线电流的时间序列数据，P表示整流机组功率的时间序列数据；

步骤4：采用步骤2相同的方法对指定列车特性、指定线路数据、指定运行图以及预估客流信息进行数据处理，得到时间序列数据并输入到训练好的对应关系模型中，进而计算获得预测牵引负荷的时间序列数据。

2.如权利要求1所述的基于实测大数据的轨道交通牵引负荷预测方法，其特征在于：数据预处理包括去噪、剔除异常数据、数据归一化处理、数据序列按照不同的时间粒度划分；

利用皮尔逊相关性系数对轨道交通运行实测大数据进行相关性分析，结合互信息熵理论对轨道交通运行实测大数据进行特征选择；

利用分类特征变量提取的方法对轨道交通运行实测大数据进行特征提取。

3.如权利要求1所述的基于实测大数据的轨道交通牵引负荷预测方法，其特征在于：所述客流信息包括进站、出站的乘客数量；所述客流信息的时间序列数据为列车的载客率。

说明书

一种基于实测大数据的轨道交通牵引负荷预测方法

技术领域

[0001] 本发明属于轨道交通牵引供电技术领域，特别涉及一种基于实测大数据的轨道交通牵引负荷预测方法。

背景技术

[0002] 模拟仿真作为牵引供电系统设计的重要组成部分，是确定牵引供电方案的重要依据。交流系统的仿真软件相对成熟，在电力系统中应用普遍。地铁直流牵引系统的仿真软件，国外公司的软件开发相关研究起步较早，目前比较成熟的商业软件包括西门子公司开发的NETMAC，IFB公司开发的OpenPowerNET，ELBAS公司开发的SINANET等，国内某些高校和研究院也根据自身需求进行了牵引供电模拟软件的搭建和开发。以上软件的研究思路，如图1所示，主要采用先建立直流系统等效电路模型，然后根据网络结果特点形成节点导纳矩阵，构建节点电压方程，通过迭代计算，得到待求值，从而完成直流供电计算，如文献1 刘炜,李群湛,李鲲鹏,郭蕾.城市轨道交通直流牵引供电系统模型及其仿真研究[J].电气应用,2009,28(07):60‑64。采用这种模拟方法，计算方法明确，可通过逻辑运算实现，但是每次只能仿真一种特定工况，例如指定的运行图和假定的列车牵引模式的轻载、重载等。在实际工况中，牵引网参数由于设备和安装的差异，与模型的设定参数有一定的出入，客流、运行图、列车牵引模式等也是随时变化的，因此，造成客流和运行图与直流系统之间存在某种复杂的非线性对映关系。

[0003] 文献2 杨少兵,吴命利. 电气化铁道牵引变电所负荷的评估方法[P]. 北京：CN101917000A,2010‑12‑15，提出了一种电气化铁道牵引变电所负荷的计算方法，主要用于计算铁路交流制式下牵引负荷的计算。目前，在直流牵引系统仿真方面，尚未有采用基于大数据信息的智能算法解决方案。

[0004] 轨道交通供电系统和综合监控的设计中，对线路的多项参数进行了收集，例如：电力监控系统、电能质量管理系统等，对交直流系统中的电压、电流进行了实时收集。这些系统基本都停留在监测层面，缺少一个综合平台对收集的大数据进行对比分析，评估供电系统的能力。对运营单位的指导意义有限。例如，文献3张振山,陈莉莉,狄颖琪,张赛桥,胡波,费洋. 一种基于大数据的轨道交通数据分析方法[P]. 江苏省：CN111144696A,2020‑05‑12，通过获取轨道交通综合监控及子系统的数据，通过神经网络或向量机完成对客流历史数据的模型训练，并对客流进行预测，没有深入到对牵引供电系统的预测和评估的层面。

[0005] 随着城市的建设发展，轨道交通的客流密度逐渐增加，为了满足不同的客流需求，提高服务水平，运行图的调整时有发生，运行图调整后设备容量等能否满足要求，是否会过负荷运行，或者因为直流馈线电流过大引起保护跳闸，运营人员很难评估。

发明内容

[0006] 本发明针对现有技术中存在的技术问题，提供一种基于实测大数据的轨道交通牵引负荷预测方法，以轨道交通运行的大数据为基础，采用神经网络算法，构建在一定的列车特性与线路条件下，客流及运行图与牵引负荷的对应关系，预测未来客流与运行图下的牵引负荷，计算结果更加贴近实际情况，可帮助轨道交通运营公司，在运营过程中临时调整运行图的情况下，提前对牵引供电系统的供电能力进行评估，迅速作出决策。

[0007] 本发明采用的技术方案是：一种基于实测大数据的轨道交通牵引负荷预测方法，包括以下步骤：

[0008] 步骤1：利用轨道交通数据采集工具得到轨道交通运行实测大数据，所述轨道交通运行实测大数据包括牵引负荷、客流信息、运行图、列车特性和线路数据；所述牵引负荷包括直流母线电压、直流馈线电流、整流机组功率；

[0009] 步骤2：对轨道交通运行实测大数据进行数据预处理、特征选择和特征提取，得到牵引负荷、客流信息、运行图、列车特性和线路数据的时间序列数据；

[0010] 步骤3：将牵引负荷、客流信息、运行图、列车特性和线路数据的时间序列数据输入GRU‑RT网络模型进行训练，得到训练好的一定列车特性与线路条件下，客流及运行图与牵引负荷的对应关系模型；GRU‑RT网络模型包括依次连接的输入层、循环层、全连接层和输出层，循环层采用门控循环单元；

[0011] 步骤4：采用步骤2相同的方法对指定列车特性、指定线路数据、指定运行图以及预估客流信息进行数据处理，得到时间序列数据并输入到训练好的对应关系模型中，进而计算获得预测牵引负荷的时间序列数据。

[0012] 进一步的，数据预处理包括去噪、剔除异常数据、数据归一化处理、数据序列按照不同的时间粒度划分；

[0013] 利用皮尔逊相关性系数对轨道交通运行实测大数据进行相关性分析，结合互信息熵理论 对轨道交通运行实测大数据进行特征选择，其中 表示互信息， 表示轨道交通实测数据集 的特征向量， 表示牵引负荷数据的特征向量， 和 分别代表 和 的边际熵， 代表 和 的联合熵；

[0014] 利用分类特征变量提取的方法对轨道交通运行实测大数据进行特征提取。

[0015] 进一步的，所述客流信息包括进站、出站的乘客数量；所述客流信息的时间序列数据为列车的载客率。

[0016] 进一步的，时间序列数据输入给输入层，假设一段时间序列数据，在某个时刻t，有 ，其中 是输入层到隐藏层的权重矩阵，V是隐藏层到输出层的权重矩阵，W是隐藏层上一次的值作为这一次输入的权重， 表示t时刻隐藏层中的值， 表示t时刻输出层中的值， 表示激活函数；

[0017] 门控循环单元包括复位门 和更新门 ，更新门接收当前状态 和前一个隐藏状态 ，接收到输入信息和矩阵运算后，sigmoid函数确定神经元是否被激活；复位门接收 和 ，其结果决定忘记多少过去的信息；当前存储器是前一个隐藏层的输入和输出的汇总， 和 通过更新闸门的动态控制来确定最终输出 ，并传送至下一个GRU单元， 表示候选隐藏层状态， 表示t‑1时刻隐藏层中的值，GRU单元计算公式为:

[0018]

[0019]

[0020]

[0021]

[0022] 上述式中， 和 为更新门的权重； 和 为重置门的权重； 为sigmoid函数；H为记忆门的权重；

[0023] 输出层输出：

[0024] 其中， L表示列车特性的时间序列数据，Y表示运行图的时间序列数据，K表示客流信息的时间序列数据，S表示线路数据的时间序列数据，U代表直流母线电压的时间序列数据，I表示直流馈线电流的时间序列数据，P表示整流机组功率的时间序列数据。

[0025] 与现有技术相比，本发明所具有的有益效果是：

[0026] （1）本发明将牵引供电模拟仿真与实际运营情况相结合，通过对实际运营大数据的收集，采用神经网络算法，构建在一定的列车特性与线路条件下，客流及运行图与牵引负荷的对应关系，预测直流母线电压、直流馈线电流和整流机组功率。

[0027] （2）本发明能够根据收集的客流情况信息，结合指定的运行图，进行牵引负荷计算，提前对牵引供电系统的供电能力提前进行评估。

[0028] （3）与现有技术RNN相比，RNN在处理时间序列数据时具有很好的效果，但是轨道交通数据具有长时间依赖，时间跨度较大的特点，采用RNN容易出现梯度消失或者梯度爆炸的问题，导致模型结果与实际数据误差较大，形成错误的对应关系。长短期记忆（Long short‑term memory, LSTM）是一种特殊的RNN，能解决普通RNN对长序列时间数据训练过程中的梯度消失和梯度爆炸问题，并且LSTM能够在更长的序列中有更好的表现，但是其需要设置较多的参数，训练效率不高，不能很好的并行化处理数据。本发明中的GRU‑RT网络模型是针对轨道交通自身特点提出的LSTM的改进版，相比LSTM更容易进行训练，能够很大程度上提高训练效率，并且也解决了由于轨道交通数据长期依赖，时间跨度大，所导致的梯度消失或者梯度爆炸问题。

附图说明

[0029] 图1为现有技术的基于节点电压法的牵引供电系统仿真原理图；

[0030] 图2为本发明实施例的流程图；

[0031] 图3为本发明实施例的运行图样例图；

[0032] 图4为本发明实施例的GRU‑RT网络模型的结构示意图。

具体实施方式

[0033] 为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施例对本发明作详细说明。

[0034] 本发明的实施例提供了一种基于实测大数据的轨道交通牵引负荷预测方法，如图2所示，其包括以下步骤：

[0035] 步骤1：利用轨道交通数据采集工具得到轨道交通运行实测大数据，所述轨道交通运行实测大数据包括牵引负荷、客流信息、运行图、列车特性和线路数据。

[0036] 所述牵引负荷包括直流母线电压、直流馈线电流、整流机组功率。ISCS系统（综合监控系统）采集直流母线电压、馈线电流及整流机组功率的实测数据。实测数据的样例如表1所示。

[0037] 表1 牵引负荷实测数据样例表

[0038]

[0039] AFC系统（自动售票检票系统）采集客流信息的实际情况。所述客流信息包括进站、出站的乘客数量，用于估算列车的负载状态，即列车的载客率，样例如表2所示。

[0040] 表2 列车的载客率样例表

[0041]行驶区间 时间 载客率
xxx‑xxx 19:24:00 20%
xxx‑xxx 19:26:00 33%
xxx‑xxx 19:28:00 40%
xxx‑xxx 19:30:00 67%

[0042] 运行图的样例如图3所示。

[0043] 目前已使用的列车的列车特性的样例如表3所示。

[0044] 表3 列车特性的样例表

[0045]

[0046] 线路数据为目前已使用的某条线路的数据，样例如表4所示。

[0047] 表4 线路数据样例表

[0048]

[0049] 步骤2：对轨道交通运行实测大数据进行数据预处理、特征选择和特征提取，得到牵引负荷、客流信息、运行图、列车特性和线路数据的时间序列数据。利用分类特征变量提取的方法对轨道交通运行实测大数据进行特征提取。利用皮尔逊相关性系数对轨道交通运行实测大数据进行相关性分析，结合互信息熵理论对轨道交通运行实测大数据进行特征选择，其
中 表示互信息， 表示轨道交通实测数据集 的特征向量， 表示牵引负荷数据的特征向量， 和 分别代表 和 的边际熵， 代表 和 的联合熵。数据预处
理包括去噪、剔除同站进出、进站出站有误等异常数据、数据归一化处理、数据序列按照不同的时间粒度划分。所述客流信息的时间序列数据为列车的载客率。

[0050] 步骤3：将牵引负荷、客流信息、运行图、列车特性和线路数据的时间序列数据输入GRU‑RT网络模型进行训练，得到训练好的一定列车特性与线路条件下，客流及运行图与牵引负荷的对应关系模型。

[0051] 如图4所示，GRU‑RT网络模型包括依次连接的输入层、循环层、全连接层和输出层，循环层采用门控循环单元。

[0052] 时间序列数据输入给输入层，假设一段时间序列数据 ，在某个时刻t，有 ，其中 是输入层到隐藏层的权重矩阵，V是隐藏
层到输出层的权重矩阵，W是隐藏层上一次的值作为这一次输入的权重， 表示t时刻隐藏层中的值， 表示t时刻输出层中的值， 表示激活函数；

[0053] 门控循环单元包括复位门 和更新门 ，更新门接收当前状态 和前一个隐藏状态 ，接收到输入信息和矩阵运算后，sigmoid函数确定神经元是否被激活；复位门接收 和 ，其结果决定忘记多少过去的信息；当前存储器是前一个隐藏层的输入和输出的汇总， 表示候选隐藏层状态， 表示t‑1时刻隐藏层中的值， 和 通过更新闸门的动态控制来确定最终输出 ，并传送至下一个GRU单元，GRU单元计算公式为:

[0054]

[0055]

[0056]

[0057]

[0058] 上述式中， 和 为更新门的权重； 和 为重置门的权重； 为sigmoid函数；H为记忆门的权重；

[0059] 输出层输出：

[0060] 其中， L表示列车特性的时间序列数据，Y表示运行图的时间序列数据，K表示客流信息的时间序列数据，S表示线路数据的时间序列数据， U代表直流母线电压的时间序列数据，I表示直流馈线电流的时间序列数据，P表示整流机组功率的时间序列数据。

[0061] GRU‑RT网络模型通过大量的数据进行深度学习，构建在一定的列车特性与线路条件下，客流及运行图与牵引负荷的对应关系。此对应关系是基于大量实际样本数据得出，系统拥有自主学习能力，随着实测数据样本的积累，不断优化和调整这种对应关系。

[0062] 步骤4：指定列车、线路和运行图，并预测列车各行驶区间的客流信息，得到指定列车特性、指定线路数据、指定运行图以及预估客流信息。采用步骤2相同的方法对指定列车特性、指定线路数据、指定运行图以及预估客流信息进行数据预处理、特征选择和特征提取，得到预估客流信息、指定运行图、指定列车特性和指定线路数据的时间序列数据；并输入到步骤3训练好的指定列车特性与指定线路条件下的客流及运行图与牵引负荷的对应关系模型中，计算得到预测牵引负荷的时间序列数据，即预测的直流母线电压、直流馈线电流、整流机组功率的时间序列数据。

[0063] 以上通过实施例对本发明进行了详细说明，但所述内容仅为本发明的示例性实施例，不能被认为用于限定本发明的实施范围。本发明的保护范围由权利要求书限定。凡利用本发明所述的技术方案，或本领域的技术人员在本发明技术方案的启发下，在本发明的实质和保护范围内，设计出类似的技术方案而达到上述技术效果的，或者对申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖保护范围之内。