[0001] 本发明属于轨道交通牵引供电仿真技术领域，特别涉及一种基于轨道交通电力监控平台的供电潮流实时计算方法。

[0002] 轨道交通牵引供电系统是一个较为复杂的交直流混合系统，该系统中也含有地铁列车作为动态负荷运行其中，其作为列车该类负荷具有随机性、波动性较大的特性。综合上述内容，轨道交通供电系统的运行场景较为复杂，因此建立准确反映系统参数的模型需要考虑多种变量及因素。

[0003] 目前采用的普遍做法是：根据系统供电组网，构建相对应的物理模型，基于模型公式进行列车能耗、系统潮流状态计算。其中，广泛使用的牵引供电模型是回路电流模型和节点电压模型。

[0004] 常规的潮流计算首先需要得知网络的拓扑结构和参数,即导纳矩阵Y;然后依据节点的属性将其预先划分为3类节点：1）电压节点;2）负荷节点;3）平衡节点；继而列出多个方程式组成方程组并通过牛拉法(Newton‑Raphson)等求解出供电系统状态变量。在每一次迭代的过程中，把非线性方程逐次线性化，用直线（切线）代替曲线，进行反复迭代求解。如图1所示。

[0005] 现有的轨道交通牵引供电潮流计算均是基于物理模型上对实际系统的进行仿真模拟。这些经典仿真方案可很好地应对设计阶段的仿真模拟及系统配置(运行环境相对简单,因果关系或运行机理较为明确)，其步骤主要是针对具体系统运行场景基于假设、简化建立起系统运行机理推演的物理模型。

[0006] 但是，轨道交通供电系统受到到多方面的影响，诸如环境、车辆等因素。该部分内容由于比较复杂、不确定、无法建立进一步准确的系统模型，因此，在搭建模型中往往忽略对该部分内容的考虑。

[0007] 列车的负载随着线路的地型、当时的车速在不断的进行变化外，随着系统系统的运行，设备的参数也会随之变化且受到外界环境影响，系统参数也会有所不同。既有的物理仿真模型在运营过程中缺少对该部分内容的反馈，仍是保持不变；因此物理模型难以针对不确定的环境、场景进行描述和评估。

[0008] 同时，该物理模型如果较为复杂，求解速度将会较慢。在运营过程中，系统无法利用该模型进行快速计算并及时将结果反馈给运营人员。

[0009] 上述的问题的存在，将会导致在实际运营过程中，利用固有模型预知的系统状态可能与实际运行状态存在较大偏差，在电力监控系统中应用传统模型进行决策以及运营组织的过程中，将会影响运营判断与决策。

[0023] 为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施例对本发明作详细说明。

[0024] 本发明的实施例提供了一种基于轨道交通电力监控平台的供电潮流实时计算方法，如图2所示，其包括以下步骤：步骤1：实时获取列车速度、列车位置、线路坡度以及供电网络中各节点的电压、电流、功率。列车速度和列车位置从电力监控系统获取；供电网络中各节点的电压、电流和功率从电力监控平台获取。线路坡度从轨道专业资料获取，该数据一般不会有较大的变动。电力监控系统和电力监控平台是既有系统。

[0025] 步骤2：由于网络波动或是终端设备的不稳定，步骤1实时获取的部分数据可能会存在波动，如果该波动较大，超出一定阈值，则需要进行一定的数据清洗处理工作。更严重的情况，数据由于传输通道不稳定，有可能也会丢失的情况发生。对于据清洗处理不能解决的异常和缺失情况，该部分缺失、异常的数据通过供电模型进行代数运算得出。所述供电模型采用步骤3中训练好的供电网络模型。但是在供电网络模型的训练初期，一般是采集数据的时长小于1天时，由于数据量较少，此时未能形成稳定的供电网络模型，该供电模型采用传统的统计学算法多重插补暂作替代。

[0026] 上述处理好的数据保存至数据库中。

[0027] 步骤3：将数据库中存储的数据划分为训练集和测试集，然后训练神经网络模型，得到供电网络模型。

[0028] 所述神经网络模型是DNN模型，列车速度、列车位置、线路坡度、供电网络中各节点的电压和电流作为神经网络模型的输入，供电网络中各节点的功率作为神经网络模型的输出。DNN模型共分三层：输入层、隐藏层和输出层，隐藏层的当前层的每个神经元都会接入前一层每个神经元的输入信号，在每个连接过程中，来自前一层的信号被乘以一个权重，增加一个偏置，然后通过一个非线性激活函数进行非线性转变，通过简单非线性函数的多次复合，实现输入空间到输出空间的复杂映射。再利用损失函数计算预测值与真实值的误差，通过反向传播算法，将误差值反向传播至神经网络各层神经元，利用梯度下降算法对所有权重进行优化，并更新权值以最小化损失函数。

[0029] 本实施例中，采用ReLU函数作为DNN模型的激活函数，将当前层神经元的输入做非线性转换并映射到下一层神经元。对比其他传统激活函数如Sigmoid、tanh函数，ReLU函数具有网络稀疏性，可减少了参数的相互依存关系，缓解过拟合问题的发生。本专利所构建的DNN模型用于解决回归问题，损失函数采用均方误差(MSE)函数。

[0030] 神经网络模型的训练过程为：（1）数据预处理：通过去中心化和标准化算法对数据进行预处理。假设处理后数据为特征数据为Xm*5，标签数据为Ym*1。其中，特征数据X的5个特征量为X1列车电压、X2列车电流、X3列车位置、X4列车速度、X5线路坡度，标签数据Y为系统潮流状态。

[0031] （2）训练模型：将训练数据输入至DNN模型的输入层，进行前向传播，如图3所示：3 l
W24为第2层第4个神经元到第3层第2个神经元的权重，及W jk为第l−1层第k个神经l l
元到第l层第j个神经元的权重，bj为第l层第j个神经元的偏置，aj为第l层第j个神经元的l
激活值（激活函数ReLU的输出）。aj的值取决于上一层神经元的激活：
l l l‑1 l
a=σ(w a +bj)，
l l‑1 l   l  l l l‑1
其中，w a +bj 为每一层的权重输入，a 为每一层的输出。通过a =σ(w a +l *
bj)公式一层层计算网络的激活值，最终根据输入X得到对应输出Y。

[0032] 再利用损失函数（MSE）：L 2
C=1/2n∑∥y(x)−a (x)∥ ，
L
其中，n为训练样本X的总数， y=y(x)为期望的输出，L为网络的层数，a(x)为网络的输出向量。计算预测值与真实值的误差为C，利用反向传播算法更新优化当前模型中每层神经元的权重。经过不断迭代更新神经元权重，使DNN模型达到最优。

[0033] （3）模型验证及评估：采用10次分层交叉验证法验证神经网络模型，对神经网络模型进行评估。在该方法中将训练集切割为十等份。也就是相同的模型训练十次，每一次的训练都会从这十等份挑选其中九等份作为训练资料，剩下一等份未参与训练并作为验证集。利用这种方式，不同分组训练的结果进行平均来减少方差。如图4所示，具体步骤如下：
1）将所有数据集分成10份；
2）不重复地每次取其中一份做测试集，用其他九份做训练集训练模型，之后计算该模型在测试集上的lossi；
3）将10次的偏差lossi取平均得到最后的偏差loss：

[0034] 通过该参数可以对模型进行评估。

[0035] （4）调参方式：根据步骤（3）的神经网络模型的评估结果，对神经网络模型进行参数调整：增加隐藏层层数、增加隐藏层中神经元个数或调整损失函数中的惩罚系数。调整之后重复步骤（1）、（2）和（3）直到得模型评估结果满足预期。

[0036] 步骤4：利用供电网络模型进行供电潮流实时计算，得到供电系统的潮流状态以及车辆功率消耗。

[0037] 利用供电网络模型，可以输入列车的位置、线路坡度、功率等，模拟计算整个供电系统的节点电压、电流；也可以根据输入个节点电压、列车位置、线路坡度等，模拟计算各列车功率。

[0038] 在实际实施过程中，考虑到供电系统随着时间推移现场情况也存在变化，因此，可以每周自动更新一次供电网络模型，更新数据采用从更新日期往前数3个月周期内的数据，如果不足三个月，已可获取的最大数据为准。

[0039] 本发明利用车辆的速度、位置参数以及线路坡度数据，结合节点电压电流数据，通过神经网络的迭代推导出列车的消耗真实功率存入电力监控数据库，将该数据作为计算供电系统模型的输入参数依据。本发明通过电力监控系统实时采集的供电系统的各节点电压U、电流I、功率P和列车的速度、位置以及线路坡度，利用神经网络推算出供电系统模型，并且可以通过实时采集的数据对供电模型进行更新修正，符合系统实际运行状况。本发明使用神经网络计算的供电模型作为数据清洗处理的一个环节，利用原始数据叠加供电模型补全其中的数据异常以及丢失，以做到数据完整。形成闭环流程，通过不断迭代计算供电模型不断更新，对数据的补全、异常的修复准确性更高，随着处理的基础数据的准确性越高，依靠这部分数据计算的系统模型越准确。本发明不需要获取原有供电网络的拓扑结构，且通过采集数据的实时输入并反馈叠加到模型之上，是得该系统生成的供电模型更为准确接近现场实际情况。

[0040] 以上通过实施例对本发明进行了详细说明，但所述内容仅为本发明的示例性实施例，不能被认为用于限定本发明的实施范围。本发明的保护范围由权利要求书限定。凡利用本发明所述的技术方案，或本领域的技术人员在本发明技术方案的启发下，在本发明的实质和保护范围内，设计出类似的技术方案而达到上述技术效果的，或者对申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖保护范围之内。