久久88香港三级台湾三级中文-久久91-久久91精品国产91久-久久91精品国产91久久-久久91精品国产91久久户

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)，對電氣化鐵路的安全運行造成了干擾。如果能第一時間對牽引網(wǎng)過電壓進行辨識，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、機車車輛都布置有相應(yīng)的電壓互感器，但尚缺乏對數(shù)據(jù)的快速采集和智能辨識技術(shù)。

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

時域法一般將時間序列劃分為多個區(qū)間，分析不同區(qū)間上信號的時域特性。快速傅里葉變換具備時間復雜度低的特點，但只適用于平穩(wěn)信號分析，對暫態(tài)信號的靈活性較差，且快速傅里葉變換生成的頻譜不具有時域特征，無法同時綜合分析時域和頻域。

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

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

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

隨著計算機性能的提升，深度學習方法被大量運用于辨識任務(wù)中。在以往的動車組跟車測試中，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)，可以作為深度學習的數(shù)據(jù)集。卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network, CNN）是深度學習的代表算法之一。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，適用于時頻能量圖這種二維數(shù)據(jù)的特征識別。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)更深等特點的CNN，相較于其他的CNN，VGG具有高辨識率和強泛化性的優(yōu)勢。

科研人員針對牽引網(wǎng)過電壓的辨識問題，采用短時傅里葉變換處理牽引網(wǎng)過電壓信號，綜合分析了信號的時域和頻域特征，實現(xiàn)了對鐵磁諧振過電壓的快速識別；再利用卷積神經(jīng)網(wǎng)絡(luò)的自學習能力挖掘時頻能量圖特征與牽引網(wǎng)過電壓信號的深層次關(guān)系，實現(xiàn)了對進分相過電壓、出分相過電壓、斷路器開閉過電壓和高頻諧振過電壓的識別。

圖1 牽引網(wǎng)過電壓識別的整體流程

科研人員指出本研究的貢獻與創(chuàng)新主要有：1）考慮到短時傅里葉變換計算量小、適用于在線監(jiān)測設(shè)備的終端嵌入式系統(tǒng)，本研究采用短時傅里葉變換對牽引網(wǎng)過電壓時域信號進行時頻域變換。并且根據(jù)牽引網(wǎng)過電壓的特點，針對不同頻率區(qū)間，調(diào)整短時傅里葉變換的相關(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頻能量圖樣本，實現(xiàn)了對五種常見牽引網(wǎng)過電壓的辨識，并且該方法具備較高的準確度。

研究最終結(jié)果表明：

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

2）訓練神經(jīng)網(wǎng)絡(luò)時應(yīng)當選擇合適的正則化方法，如隨機失活（保留率取0.5），能避免過擬合，提高VGG-16辨識模型的泛化能力，使測試集的準確度達到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，因而收斂速度較快，通常只需要迭代20～30次即可達到較高的準確度。隨著圖像識別技術(shù)的發(fā)展和計算機運算性能的提高，基于時頻分析的電能質(zhì)量分析方法具有實際應(yīng)用意義。

4）本研究的辨識方法的局限性體現(xiàn)在兩個方面：首先，神經(jīng)網(wǎng)絡(luò)的表現(xiàn)依賴樣本集，當樣本集存在缺陷或?qū)嶋H情況變復雜時，神經(jīng)網(wǎng)絡(luò)的性能可能下降；其次，該方法對樣本集、預處理、STFT、神經(jīng)網(wǎng)絡(luò)的各項參數(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證。

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