基于数据驱动的电气化铁路接触网状态感知与异常参数辨识研究.pdf

摘要

随着电力行业的进步，我国对电气化铁路的建设越来越大，而电气化铁路

正常运行，离不开牵引供电系统。接触网是铁路牵引供电系统中特有的供电网

络，在铁路牵引供电系统中起着传递电力的作用。接触网的结构组成与架空输

电线路有相似之处又有所区别。接触网有特定的电压等级，其工作环境比架空

输电线路更加恶劣，故障后无备用线路可以启用，将直接导致事故的发生。因

此，对电气化铁路接触网进行状态感知与异常参数辨识研究，对确保铁路运输

安全有效运行的工程意义与社会意义重大。本文以电气化铁路接触网为研究对

象，重点研究接触网的参数故障，利用接触网的检测数据，针对当前接触网状

态感知体系包含的指标不够全面、接触网的异常参数难以辨识等问题，本人所

做工作如下：

（1）总结触网状态感知与异常参数辨识的研究现状。首先广泛阅读了本研

究方向的国内外相关文献，从近年我国电气化铁路的发展情况入手，阐述接触

网状态感知与异常参数辨识的研究意义；然后分别回顾了接触网异常参数辨识

与接触网状态感知的研究现状；最后阐述了本人在研究中所做工作并以流程图

的形式展示了本文的章节逻辑结构。

（2）概述电气化铁路接触网状态感知与异常参数辨识的基本方法，并复

现了两篇经典论文。首先对电气化铁路接触网进行简要介绍，让读者对接触网

产生一个初步的感性认知；接着，分别从赋权与综合评价两个步骤综合梳理了

接触网状态感知的常见方法；然后，分别阐述了基于神经网络、图像识别以及

统计学的接触网异常参数辨识方法；最后，复现了接触网状态感知与异常参数

辨识经典论文各一篇，便于与本人论文在4、5章所提出的方法进行对比，以体

现本文所提方法的优越性。

（3）提出一种基于TSNE与FA-LSSVM的接触网异常状态检测方法。电

气化铁路接触网纵横千里，正常数据与异常数据混叠在一起，难以区分正常异

常数据。针对此问题，提出一种基于机器学习中的分类模型结合群智能算法作

为优化手段的接触网异常状态检测方法。该方法首先采用T分布随机领域嵌入

（T-DistributedStochasticNeighborEmbedding，TSNE）降维法将原始检测数据

降至低维，以减少数据处理工作量，提高数据处理速度；接着采用萤火虫算法

（FireflyAlgorithm，FA）算法优化的最小二乘支持向量机（LeastSquare

SupportVectorMachine，LSSVM）对降维后的数据进行正常或异常的检测；最

后通过对比试验表明本章提出的方法能很好的兼顾数据处理运算时间与检测精

度，具有一定的工程实际意义。

I

（4）提出一种基于Grey-TOPSIS与正态云模型的接触网状态感知方法。现

有的电气化铁路接触网状态感知方法忽略了一些接触网指标，在对感知指标赋

权上大都是人为设定主客观权重比例，在评分过程中考虑的角度不够全面。基

于上述不足，构建了一个指标更完整的接触网状态感知体系。该感知体系首先

采用模糊层次分析法和改进CRITIC法得到主客观权重，并采用最小二乘组合赋

权得到组合权重，消除了人为疏失误差的影响，准确表现了接触网不同指标的

不同重要程度；随后用灰色优劣距离法（Grey-TOPSIS）对各感知对象进行加

权评分，充分而全面地反映了各感知对象的优劣程度；接着用正态云模型处理

评分值，得到每个感知对象在各个状态的隶属度，综合考虑了指标的模糊性和

隶属度的随机性；最后利用最大隶属度原则确定各感知对象的状态等级，并通

过加权平均原则验证感知结果的合理性，进一步验证了感知的准确度。验证分

析结果表明，本章构建的电气化铁路接触网感知系统误判的可能性小，为接触

网的维护与检修提供了参考，具有工程实际意义。

（5）提出一种VMD结合NASFA-ELM的接触网异常参数辨识方法。接触

网作为电气化铁路牵引供电系统中的关键部分，长期裸露在室外，故障发生率

很高，发生故障后将影响旅客出行与货物运输。基于上述问题，提出一种基于

非线性自适应步长萤火虫算法（NonlinearAdaptiveStepFireflyAlgorith，NASFA）

优化极限学习机（ExtremeLearningMachine，ELM）结合变分模态分解

（VariationalModeDecomposition，VM