[发明专利]一种车网电气耦合数据的异常辨识模型的训练方法

权利要求书

1.一种车网电气耦合数据的异常辨识模型的训练方法，其特征在于，包括：

获取车网电气耦合的训练数据集；所述训练数据集包括有标注的异常数据；

将所述训练数据集输入事先建立的异常辨识模型进行训练，得到训练后的异常辨识模型；所述异常辨识模型包括用于提取低层次特征的特征提取单元和用于提取高层次特征的残差块单元。

2.如权利要求1所述的方法，其特征在于，所述训练数据集的获取方式，包括：

根据事先搭建好的不同的车网电气耦合异常模型，采集不同类型的车网电气耦合异常数据并作为样本数据；

采集实际电气化铁路中的监测数据，得到在不同地理环境条件以及不同气象条件下的车网电气耦合数据并作为样本数据；

对所述样本数据进行预处理，得到所述训练数据集。

3.如权利要求2所述的方法，其特征在于，所述对所述样本数据进行预处理，得到所述训练数据集，包括：

对所述样本数据，以固定的时间间隔划分得到数据集；

对所述数据集中数据做标准化处理，得到归一化的数据集；

根据归一化的数据集，获取所述训练数据集；其中，所述训练数据集包括标注有正常状态的正常数据，以及标注有异常状态的异常数据。

4.如权利要求3所述的方法，其特征在于，

所述训练数据集的训练数据为电压数据时，所述异常状态包括电压振荡状态和/或过电压状态；

所述训练数据集的训练数据为电流数据时，所述异常状态包括应涌流状态、励磁涌流状态、接地短路状态和电流冲击状态中的至少一种。

5.如权利要求4所述的方法，其特征在于，所述将所述训练数据集输入事先建立的异常辨识模型进行训练，得到训练后的异常辨识模型，包括：

将所述训练数据输入特征提取单元，初步提取所述训练数据中的低层次特征，得到第一特征图；

将第一特征图输入残差块单元，提取所述训练数据中的高层次特征，得到第二特征图；

根据第二特征图，进行车网电气耦合数据的分类辨识；

通过计算损失、计算梯度以及反向传播更新网络参数，得到训练后的异常辨识模型；其中，所述异常辨识模型的损失函数为交叉熵损失函数。

6.如权利要求5所述的方法，其特征在于，所述将所述训练数据输入特征提取单元之前，还包括：

对所述训练数据进行下采样处理，初步提取所述训练数据的有效特征。

7.如权利要求5所述的方法，其特征在于，所述特征提取单元包括至少一个特征提取模块，所述特征提取模块包括卷积层、池化层、标准化层和激活层中的至少一个；

所述将所述训练数据输入特征提取单元，初步提取所述训练数据中的低层次特征，得到第一特征图，包括：

通过卷积层提取所述训练数据中的特征信息；

在卷积操作后，采用池化层对所述训练数据滤除冗余信息，突出特征信息；

利用标准化层将特征图移动到中心区域；

利用激活层赋予网络非线性特性，所述训练数据为电压数据时，所述激活层采用ReLu函数作为激活函数；所述训练数据为电流数据时，所述激活层采用tanh函数作为激活函数。

8.如权利要求5所述的方法，其特征在于，所述残差块单元包括至少一个残差块，所述残差块包括第一卷积层、标准化层、激活层和第二卷积层中的至少一个；

所述将第一特征图输入残差块单元，提取所述训练数据中的高层次特征，得到第二特征图，包括：

利用第一卷积层，对第一特征图进行特征提取；

利用标准化层，将特征提取后的第一特征图进行标准化；

利用第二卷积层，将标准化后的第一特征图进行特征提取，得到第三特征图；

将第三特征图与第一特征图相加得到第二特征图。

9.如权利要求1所述的方法，其特征在于，所述异常辨识模型还包括全连接单元，所述全连接单元包括至少一个全连接层。

10.如权利要求1-9任一所述的方法，其特征在于，还包括：

利用训练后的异常辨识模型对待测数据进行辨识，识别出异常数据。