[发明专利]一种基于卷积神经网络及BP神经网络的地铁杂散电流泄漏等级预测方法

摘要

本发明公开了一种基于卷积神经网络及BP神经网络的地铁杂散电流泄漏等级预测方法，包括以下步骤：1、在区间内确定土壤电阻率、极化电位测量位置，收集预测模型输入数据；2、对影响杂散电流泄漏的三类影响因素：土壤电阻率、埋地管线深度、埋地管线极化电位的数据进行矩阵化处理；3、使用卷积神经网络预测模型进行单测点杂散电流泄漏等级预测；4、使用BP神经网络进行区间内杂散电流泄漏等级综合预测；5、使用基于卷积神经网络及BP神经网络的预测模型对测试数据进行预测。本发明能够通过易测数据有效预测区间内杂散电流泄漏等级，保证系统在长时间监测时的预测精度，对于直观监测杂散电流泄漏情况具有重要的实际意义。

主权项

一种基于卷积神经网络及BP神经网络的地铁杂散电流泄漏等级预测方法，其特征在于，包括以下步骤：步骤1：在区间内等间距设置3个样本参数测量点，在测量点进行埋地管线极化电位和土壤电阻率的监测以及埋地管线深度的测量，埋地管线极化电位、土壤电阻率及区间内杂散电流泄漏总量同步进行测量，所述测量点分别为X1,X2,X3，所述3个测量点分别位于区间中部、一侧牵引变电所附近及另一侧牵引变电所附近；步骤2：获取一组杂散电流泄漏等级预测的训练样本，所述训练样本是由土壤电阻率数据集ρ＝{ρ1,ρ2,ρ3}，埋地管线极化电位数据集v＝{v1,v2,v3}，埋地管线深度数据集d＝{d1,d2,d3}，区间内杂散电流泄漏总量I＝{I1,I2,I3,…,Ii,…,In}组成，ρ1表示第1个测点的土壤电阻率数据，并有ρ1＝{ρ11,ρ21,ρ31,…,ρj1,…ρm1}，ρj1表示在第1个测点处的第j时刻土壤电阻率数据，ρ2与ρ3以此类推；v1表示第1个测点的埋地管线极化电位数据，并有v1＝{v11,v21,v31,…,vj1,…vm1}，vj1表示在第1个测点处的第j时刻埋地管线极化电位数据，v2与v3以此类推；d1表示第1个测点的埋地管线数据，并有d1＝{d11,d21,d31,…,dj1,…dm1}，dj1表示在第1个测点处的第j时刻埋地管线深度数据，d2与d3以此类推；Ii表示第i时刻:区间内杂散电流泄漏总量数据；测试样本从训练样本中进行选取；步骤3：根据杂散电流，该结构包括3个卷积层，3个下采样层，1个输入层和1一个输出层，卷积核大小为5×5，输入层矩阵大小为60×60，卷积层c1、c2、c3分别包含5、20、30个输出特征矩阵，下采样层S1、S2、S3分别包含5、10、20个输出矩阵，采样层采样比例为2，为了保证训练过程中的非线性，在各采样层间加入激活函数；步骤4：对训练样本各影响参数的数据集进行矩阵化处理，根据输入矩阵的大小，以3600个数据为一组，对同一测点，分别从ρi,vi,di中依次取出3600个数据{ρ1i,ρ2i,ρ3i,…,ρji,…ρ3600i}，{v1i,v2i,v3i,…,vji,…v3600i}，{d1i,d2i,d3i,…,dji,…d3600i}，放入三个矩阵，形成一组训练样本Si,1＝{ρi,1,vi1,di1}，以此类推，完成对整个数据集的矩阵化处理，形成三个测量位置全部Nsample个训练样本S1＝{S1,1,S1,2,…,S1,p1,…,S1,q1}，S2＝{S2,1,S2,2,…,S2,p1,…,S2,q1}，S3＝{S3,1,S3,2,…,S3,p1,…,S3,q1}，并有S1,p＝{ρp11,vp11,dp11}，S2,p＝{ρp12,vp12,dp12}，S3,p＝{ρp13,vp13,dp13}；测试样本S1’,S2’,S3’的矩阵化处理方法与训练样本相同，并有S1’＝{S1,1’,S1,2’,…,S1,p2’,…,S1,q2’}，S2’＝{S2,1’,S2,2’,…,S2,p2’,…,S2,q2’}，S3’＝{S3,1’,S3,2’,…,S3,p2’,…,S3,q2’}，S1,p’＝{ρp21’,vp21’,dp21’}，S2,p’＝{ρp22’,vp22’,dp22’}，S3,p’＝{ρp23’,vp23’,dp23’}；步骤5：设置卷积神经网络输出计算方法，由于土壤电阻率、埋地管线深度为杂散电流泄漏的次要影响因素，而埋地管线极化电位为杂散电流泄漏的主要影响因素；以一侧牵引变电所附近的训练样本数据为例，进行特征矩阵组合计算时进行如下处理：Ic1=f(Σi=1Nα1,i·C(v1,i)+b1,1·d1,i+b1,2·ρ1,i)]]>Ic1为一侧牵引变电所附近的泄漏电流等级，b1,1,b1,2分别为卷积神经网络中对应埋地管线深度和土壤电阻率的偏置系数，α1,i为一侧牵引变电所附近训练样本所对应的卷积神经网络权重，C(·)为卷积操作，f(·)为激活函数；步骤6：设置卷积神经网络及BP神经网络的结构参数，利用训练样本分别对三个测量点处的训练样本进行卷积神经网络训练；设置改变一次权值所需训练样本的数目Nbatchsize，训练次数Ntrain，打乱原有训练样本的序列，并分别从三类训练样本中选出Nsample/Nbatchsize个训练样本{S1,l,…,S1,k…,S1,h}，{S2,l,…,S2,k…,S2,h}，{S3,l,…,S3,k…,S3,h}进行卷积运算和特征提取，在当前的网络权值和网络输入下计算网络的输出，即三个不同位置下的杂散电流泄漏等级预测值；将三个不同位置下的杂散电流泄漏等级作为BP神经网络的输入量，进行BP神经网络训练；BP神经网络的输出为：Io=f(β1·Ic1+β2·Ic2+β3·Ic3-θ)]]>Io为整个神经网络的输出值，即区间内杂散电流的泄漏等级预测值，Ic1,Ic2,Ic3分别为根据测量点数据所预测的区间内杂散电流泄漏等级，β1,β2,β3分别为三个位置下杂散电流泄漏等级预测值所对应的权重，θ为神经单元阈值，f(·)为激活函数；步骤7：根据输出通过对应的样本标签使用BP神经网络算法得到误差对卷积神经网络权值的导数对卷积神经网络权值、偏置系数、BP神经网络权值进行更新；将步骤5～步骤7循环Ntrain次，最终完成整个神经网络的训练；步骤8：将测试样本带入训练完成的神经网络，进行卷积运算和特征提取过程，完成区间内杂散电流泄漏等级的预测。