检索结果-南通市图书馆

检索条件"主题词=异常参数辨识"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

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

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

引用

作者：虢优湘潭大学

学位级别：硕士

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... 详细信息

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-Distributed Stochastic Neighbor Embedding,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(Firefly Algorithm,FA)算法优化的最小二乘支持向量机(Least Square Support Vector Machine,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。(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(Nonlinear Adaptive Step Firefly Algorith,NASFA)优化极限学习机(Extreme Learning Machine,ELM)结合变分模态分解(Variational Mode Decomposition,VMD)的接触网异常参数辨识方法。应用VMD技术将原始接触网数据曲线分解为一系列固有模态函数(Intrinsic Modal Function,IMF),并通过相关系数筛选IMF分量。将分解后的数据输入到NASFA优化的ELM中实现异常参数辨识。通过与遗传算法(Genetic Algorithm,GA)优化ELM以及VMD分解前的辨识方法进行对比实验,综合考虑辨识正确率、均方误差、决定系数和运算时间,结果表明基于VMD-NASFA-ELM的异常参数辨识方法性能最佳。最后通过阐述不同异常参数可能引发的具体故障,进一步突出

关键词：电气化铁路接触网异常状态检测状态感知组合赋权异常参数辨识数据驱动

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：