一种地铁杂散电流影响因素贡献度分析方法

摘要

本发明公开了一种地铁杂散电流影响因素贡献度分析方法，包括以下步骤：S1：获取地铁在各影响因素下杂散电流的变化数据，并构建影响因素矩阵和杂散电流矩阵；S2：构建BP神经网络训练模型；S3：最新影响因素矩阵，并根据最新影响因素矩阵生成最新杂散电流矩阵；S4：根据最新杂散电流矩阵，计算各影响因素的MIV值，并根据计算各影响因素的MIV值计算对应的贡献度，完成地铁杂散电流影响因素贡献度分析。本发明提供了一种基于MIV‑BP神经网络的杂散电流影响因素贡献度分析，用于探究各个影响因素对杂散电流的贡献程度。

说明书

技术领域

本发明属于杂散电流影响因素分析技术领域，具体涉及一种地铁杂散电流影响因素贡献度分析方法。

背景技术

随着地铁高密度且大规模的紧密运行，再加上钢轨与地无法完全绝缘，因此部分电流无法回流至牵引所，而是泄露进入大地，这部分电流便是杂散电流。泄露的杂散电流可能会使埋地的金属结构发生电化学腐蚀，倘若流入接地变压器，可能使其中性点出现直流分量，导致无法正常工作。因此研究杂散电流的关键影响因素对于减少电化学腐蚀以及直流偏磁的治理与抑制至关重要。

BP神经网络是一种信号前向传播、误差方向传播的多层前馈神经网络，具有良好的多维函数映射能力。该神经网络可仅通过自身数据的训练，学习某种规则，在给定输入值时得到最接近期望输出值的结果。BP神经网络具有良好的自适应能力与泛化能力，在网络模型的训练中具有较多应用。

平均影响值MIV(mean impact value)能够用来反映神经网络模型中各参数权重的变化情况，可以用来评价各影响因素的相关性。该值的大小可反映参量对于输出的影响程度，正负可以反映方向(正代表正相关，负代表负相关)。

发明内容

本发明的目的是为了解决杂散电流产生的诸多危害的问题，提出了一种地铁杂散电流影响因素贡献度分析方法。

本发明的技术方案是：一种地铁杂散电流影响因素贡献度分析方法包括以下步骤：

S1：获取地铁在各影响因素下杂散电流的变化数据，并构建影响因素矩阵和杂散电流矩阵；

S2：将影响因素矩阵作为输入量，将杂散电流矩阵作为输出量，构建BP神经网络训练模型；

S3：利用BP神经网络训练模型生成最新影响因素矩阵，并根据最新影响因素矩阵生成最新杂散电流矩阵；

S4：根据最新杂散电流矩阵，计算各影响因素的MIV值，并根据计算各影响因素的MIV值计算对应的贡献度，完成地铁杂散电流影响因素贡献度分析。

进一步地，步骤S1中，根据各影响因素，利用CDEGS接地软件对杂散电流进行仿真，得到影响因素矩阵P与杂散电流矩阵A；

其中，影响因素包括列车牵引电流、供电区间长度、钢轨纵向电阻、轨地过渡电阻、土壤电阻率、列车数量、列车运行工况和供电方式；

影响因素矩阵P的表达式为P＝[X

进一步地，步骤S2中，输入量和输出量的映射关系output的表达式为：

output＝net(X

式中，net(·)表示神经网络模型，X

构建BP神经网络学习模型过程包括以下步骤：将获取的P矩阵和A矩阵进行归一化处理，给定计算精度为e及最大学习次数M，构建BP神经网络学习模型。

进行归一化的计算公式为：

式中，X

进一步地，步骤S3中，最新影响因素矩阵包括第一最新影响因素矩阵X

其中，第一最新影响因素矩阵X

进一步地，步骤S3中，最新杂散电流矩阵包括第一最新杂散电流矩阵Y

进一步地，步骤S4中，第i个影响因素的MIV值MIV

式中，n表示影响因素的个数，Y

进一步地，步骤S4中，第i个影响因素的贡献度的计算公式为：

式中，n表示影响因素的个数，MIV

本发明的有益效果是：

(1)本发明提供了一种基于MIV-BP神经网络的杂散电流影响因素贡献度分析，用于探究各个影响因素对杂散电流的贡献程度，判明关键性影响因素，可以实现对杂散电流影响因素的关键性分析，确定对杂散电流贡献度最大的某几个影响因素；

(2)通过BP神经网络进行模型训练，输入为影响因素矩阵，输出为杂散电流矩阵，可以获得输入与输出的对应关系，有利于筛选关键因素；

(3)利用MIV进行MIV值与贡献度的计算，由此获得对杂散电流量值贡献度最大的某几个影响因素；

(4)该杂散电流影响因素贡献度分析方法可为杂散电流的抑制与治理提供理论支撑。

附图说明

图1为地铁杂散电流影响因素贡献度分析方法的流程图。

具体实施方式

下面结合附图对本发明的实施例作进一步的说明。

如图1所示，本发明提供了一种地铁杂散电流影响因素贡献度分析方法，包括以下步骤：

S1：获取地铁在各影响因素下杂散电流的变化数据，并构建影响因素矩阵和杂散电流矩阵；

S2：将影响因素矩阵作为输入量，将杂散电流矩阵作为输出量，构建BP神经网络训练模型；

S3：利用BP神经网络训练模型生成最新影响因素矩阵，并根据最新影响因素矩阵生成最新杂散电流矩阵；

S4：根据最新杂散电流矩阵，计算各影响因素的MIV值，并根据计算各影响因素的MIV值计算对应的贡献度，完成地铁杂散电流影响因素贡献度分析。

在本发明实施例中，步骤S1中，根据各影响因素，利用CDEGS接地软件对杂散电流进行仿真，得到影响因素矩阵P与杂散电流矩阵A；

其中，影响因素包括列车牵引电流、供电区间长度、钢轨纵向电阻、轨地过渡电阻、土壤电阻率、列车数量、列车运行工况和供电方式；

影响因素矩阵P的表达式为P＝[X

在本发明实施例中，步骤S2中，输入量和输出量的映射关系output的表达式为：

output＝net(X

式中，net(·)表示神经网络模型，X

在本发明实施例中，步骤S3中，最新影响因素矩阵包括第一最新影响因素矩阵X

其中，第一最新影响因素矩阵X

在本发明实施例中，步骤S3中，最新杂散电流矩阵包括第一最新杂散电流矩阵Y

在本发明实施例中，步骤S4中，第i个影响因素的MIV值MIV

式中，n表示影响因素的个数，Y

在本发明实施例中，步骤S4中，第i个影响因素的贡献度的计算公式为：

式中，n表示影响因素的个数，MIV

本发明的工作原理及过程为：首先，利用CDEGS接地软件获得各影响因素下杂散电流的变化数据，其次，将影响因素矩阵作为输入量，杂散电流矩阵为输出量，构建BP神经网络训练模型，获得输入与输出的对应关系，最后，利用MIV算法量化筛选各影响因素对杂散电流的贡献度。通过对关键影响因素的研究，有利于后续杂散电流的抑制与治理。

本发明的有益效果为：

(1)本发明提供了一种基于MIV-BP神经网络的杂散电流影响因素贡献度分析，用于探究各个影响因素对杂散电流的贡献程度，判明关键性影响因素，可以实现对杂散电流影响因素的关键性分析，确定对杂散电流贡献度最大的某几个影响因素；

(2)通过BP神经网络进行模型训练，输入为影响因素矩阵，输出为杂散电流矩阵，可以获得输入与输出的对应关系，有利于筛选关键因素；

(3)利用MIV进行MIV值与贡献度的计算，由此获得对杂散电流量值贡献度最大的某几个影响因素；

(4)该杂散电流影响因素贡献度分析方法可为杂散电流的抑制与治理提供理论支撑。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。