国产精品不卡在线,精品国产_亚洲人成在线高清,色亚洲一区,91激情网

近年來，電氣化鐵路車網(wǎng)匹配失穩(wěn)引起的牽引網(wǎng)電能質(zhì)量問題較多，常伴隨有各種過電壓現(xiàn)象出現(xiàn)，對(duì)電氣化鐵路的安全運(yùn)行造成了干擾。如果能第一時(shí)間對(duì)牽引網(wǎng)過電壓進(jìn)行辨識(shí)，將有利于保障牽引供電系統(tǒng)的安全可靠性。雖然牽引變電所、機(jī)車車輛都布置有相應(yīng)的電壓互感器，但尚缺乏對(duì)數(shù)據(jù)的快速采集和智能辨識(shí)技術(shù)。

目前有多種電壓檢測(cè)分析方法可以應(yīng)用于對(duì)牽引網(wǎng)過電壓類型的識(shí)別，一般包含兩個(gè)關(guān)鍵步驟：電壓信號(hào)的時(shí)頻域變換和時(shí)頻特征的提取與識(shí)別。對(duì)于電壓信號(hào)的時(shí)頻域變換，比較成熟的方法有時(shí)域法、快速傅里葉變換（fast Fourier transform, FFT）、短時(shí)傅里葉變換（short-time Fourier transform, STFT）、小波變換（wavelet transform, WT）和S變換。

時(shí)域法一般將時(shí)間序列劃分為多個(gè)區(qū)間，分析不同區(qū)間上信號(hào)的時(shí)域特性?？焖俑道锶~變換具備時(shí)間復(fù)雜度低的特點(diǎn)，但只適用于平穩(wěn)信號(hào)分析，對(duì)暫態(tài)信號(hào)的靈活性較差，且快速傅里葉變換生成的頻譜不具有時(shí)域特征，無法同時(shí)綜合分析時(shí)域和頻域。

短時(shí)傅里葉變換、小波變換和S變換都應(yīng)用了加窗分幀的思想，生成原始信號(hào)的時(shí)頻能量圖，這三者不同在于：相較于小波變換和S變換，短時(shí)傅里葉變換由于其窗函數(shù)固定，雖然具有“時(shí)間、頻率分辨率不可兼得”的缺點(diǎn)，但是計(jì)算量小。短時(shí)傅里葉變換計(jì)算量小，更適于布置在牽引變電所或機(jī)車車輛的實(shí)時(shí)在線監(jiān)測(cè)設(shè)備的終端嵌入式系統(tǒng)。

北京交通大學(xué)電氣工程學(xué)院的研究人員采用短時(shí)傅里葉變換，并針對(duì)不同頻率范圍，通過調(diào)節(jié)窗函數(shù)在時(shí)域、頻域分辨率之間作取舍，生成合適的時(shí)頻能量圖。

對(duì)于時(shí)頻特征的提取與識(shí)別，最重要的是特征參數(shù)的選擇和識(shí)別算法中閾值的設(shè)定，可以利用電路暫態(tài)分析和統(tǒng)計(jì)學(xué)方法來實(shí)現(xiàn)。但是基于特征的電壓檢測(cè)分析方法均需要人工選定特征參數(shù)和設(shè)定閾值，通常涉及復(fù)雜的電路暫態(tài)模型或統(tǒng)計(jì)學(xué)方法，且容易受到人的主觀影響，特別是當(dāng)分類任務(wù)的計(jì)算規(guī)模增大時(shí)，分類難度會(huì)大大增加。

隨著計(jì)算機(jī)性能的提升，深度學(xué)習(xí)方法被大量運(yùn)用于辨識(shí)任務(wù)中。在以往的動(dòng)車組跟車測(cè)試中，大量的牽引網(wǎng)網(wǎng)壓數(shù)據(jù)被收集，其中包含了豐富的牽引網(wǎng)過電壓數(shù)據(jù)，可以作為深度學(xué)習(xí)的數(shù)據(jù)集。卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network, CNN）是深度學(xué)習(xí)的代表算法之一。CNN在二維數(shù)據(jù)的特征提取任務(wù)中表現(xiàn)出了極佳的性能，適用于時(shí)頻能量圖這種二維數(shù)據(jù)的特征識(shí)別。視覺幾何組（visual geometry group, VGG）神經(jīng)網(wǎng)絡(luò)是一種具備小卷積核、小池化核、層數(shù)更深等特點(diǎn)的CNN，相較于其他的CNN，VGG具有高辨識(shí)率和強(qiáng)泛化性的優(yōu)勢(shì)。

科研人員針對(duì)牽引網(wǎng)過電壓的辨識(shí)問題，采用短時(shí)傅里葉變換處理牽引網(wǎng)過電壓信號(hào)，綜合分析了信號(hào)的時(shí)域和頻域特征，實(shí)現(xiàn)了對(duì)鐵磁諧振過電壓的快速識(shí)別；再利用卷積神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力挖掘時(shí)頻能量圖特征與牽引網(wǎng)過電壓信號(hào)的深層次關(guān)系，實(shí)現(xiàn)了對(duì)進(jìn)分相過電壓、出分相過電壓、斷路器開閉過電壓和高頻諧振過電壓的識(shí)別。

圖1 牽引網(wǎng)過電壓識(shí)別的整體流程

科研人員指出本研究的貢獻(xiàn)與創(chuàng)新主要有：1）考慮到短時(shí)傅里葉變換計(jì)算量小、適用于在線監(jiān)測(cè)設(shè)備的終端嵌入式系統(tǒng)，本研究采用短時(shí)傅里葉變換對(duì)牽引網(wǎng)過電壓時(shí)域信號(hào)進(jìn)行時(shí)頻域變換。并且根據(jù)牽引網(wǎng)過電壓的特點(diǎn)，針對(duì)不同頻率區(qū)間，調(diào)整短時(shí)傅里葉變換的相關(guān)參數(shù)，更全面地反映牽引網(wǎng)過電壓的時(shí)頻特性。2）本研究利用VGG神經(jīng)網(wǎng)絡(luò)分類模型，基于大量的牽引過電壓時(shí)頻能量圖樣本，實(shí)現(xiàn)了對(duì)五種常見牽引網(wǎng)過電壓的辨識(shí)，并且該方法具備較高的準(zhǔn)確度。

研究最終結(jié)果表明：

1）雖然短時(shí)傅里葉變換具有時(shí)間、頻率分辨率不可兼得的缺點(diǎn)，但在實(shí)際應(yīng)用中可以結(jié)合實(shí)際需要來調(diào)整相關(guān)參數(shù)，進(jìn)行不同頻段內(nèi)的分析，在時(shí)間、頻率分辨率之間做取舍。

2）訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)應(yīng)當(dāng)選擇合適的正則化方法，如隨機(jī)失活（保留率取0.5），能避免過擬合，提高VGG-16辨識(shí)模型的泛化能力，使測(cè)試集的準(zhǔn)確度達(dá)到90%以上。

3）本研究選用的VGG-16模型具有層數(shù)深、卷積核小的特點(diǎn)，因而收斂速度較快，通常只需要迭代20～30次即可達(dá)到較高的準(zhǔn)確度。隨著圖像識(shí)別技術(shù)的發(fā)展和計(jì)算機(jī)運(yùn)算性能的提高，基于時(shí)頻分析的電能質(zhì)量分析方法具有實(shí)際應(yīng)用意義。

4）本研究的辨識(shí)方法的局限性體現(xiàn)在兩個(gè)方面：首先，神經(jīng)網(wǎng)絡(luò)的表現(xiàn)依賴樣本集，當(dāng)樣本集存在缺陷或?qū)嶋H情況變復(fù)雜時(shí)，神經(jīng)網(wǎng)絡(luò)的性能可能下降；其次，該方法對(duì)樣本集、預(yù)處理、STFT、神經(jīng)網(wǎng)絡(luò)的各項(xiàng)參數(shù)有一定要求，并且選定的參數(shù)組合的可遷移性還有待驗(yàn)證。

本文編自2021年第10期《電氣技術(shù)》，論文標(biāo)題為“基于短時(shí)傅里葉變換和深度學(xué)習(xí)的牽引網(wǎng)過電壓辨識(shí)”，作者為賈君宜、吳命利 等。