电气化铁路牵引供电运行状态检测与故障识别 　　

　　（中国铁路呼和浩特局集团有限公司，内蒙古 呼和浩特 010050）

       摘 要：为实时检测牵引供电系统运行状态并提高故障识别的精确性，本文介绍了一种电气化铁路牵引供电运行状态检测与故障识别方法。

　　首先介绍了 AT 牵引供电系统的基本构造，然后搭建了一种牵引供电系统检测系统，针对典型的四种牵引供电故障，运用信号滤波和插值对其进行处理，通过故障分析，提取待测信号的峰度、偏度和信号斜率作为特征值，输入 BP 神经实现故障的识别。通过现场实验测试，各故障识别良好，平均识别率高达 86%，具有较好的实际应用价值。

　　关键词：牵引供电；运行状态检测；信号处理；BP 神经网络引言随着我国电气化铁路事业的快速发展，铁路运行速度和运输能力大大提升，对铁路安全稳定运输提出新的要求。牵引供电系统担负着为列车提供牵引能源的作用，其重要性不言而喻，其运行状态的好坏直接影响着铁路的运营的安全性和可靠性[1-2] 。因此，需要对牵引供电系统的运行状态进行检测，并能够对故障进行识别和预警，这对于列车的安全运营具有重要的意义。

　　AT 牵引供电系统为常用的三大牵引供电方式之一，其通过并联自耦变压器形成 AT 供电方式，具有传输能力强、牵引压损低、供电质量优良和对附加导线载流能力要求较低等特点，能够较好满足当前铁路牵引负荷的要求。近年来，国内外学者就 AT 牵引供电系统的运行状态检测展开研究，主要侧重于两个方面：（1）检测系统的设计，其中运行状态检测的覆盖范围、实时性和精准性是其仍需改善的问题，（2）另一方面为故障类型的识别，文献[8]和[9]应用通过信号处理方法，提取故障信号的时频域信息作为故障特征，采用支持向量机对其进行识别，但这些研究多应用于电力系统，对于牵引供电系统的研究较少，且其精确度也有待提高。

　　为解决上述问题，本文介绍了一种电气化铁路牵引供电运行状态检测与故障识别方法。首先介绍了 AT 牵引供电系统的基本构造，然后搭建了一种牵引供电系统检测系统，针对典型的四种牵引供电故障，运用信号滤波和插值对其进行处理，通过故障分析，提取待测信号的峰度、偏度和信号斜率作为特征值，输入 BP 神经实现故障的识别。

　　1.牵引供电系统

　　AT 牵引供电系统主要包括以下几个部分：主牵引变电站、AT 所、正馈线、放电器、接触线等。其中主牵引变电所将电力系统所供的 110kV转变为单相 55kV 交流电压，AT 所主要通过自耦变压器，其两端将正馈线和接触线连接，中性点处连接有放电器，放电器末端接至钢轨。

　　保护线通过与刚轨并联，由横连接线实现钢轨、保护线和变压器中性点的连接。设置保护线的目的在于发生短路时，能够为短路电流提供较好的导流通路，同时利于提高继电保护装置动作的精准性，进而提高牵引供电系统的安全可靠性。其结构如图 1 所示。

　　图 1 AT 牵引供电系统基本构造

　　2.牵引供电运行状态检测系统

　　2.1 检测系统简介

　　牵引供电运行状态检测系统主要有四部分组成：信号数据采集系统、波形显示系统、运行监视系统和故障判别系统。

　　2.2 检测系统组成

　　数据采集系统：通过两个内存存储运行状态数据，内存 1 存放高频带阈值，内存 2 存放低频不带阈值。

　　波形显示系统：可以将牵引供电系统运行状态波形展示，能够展示馈线电流大小。若牵引供电系统发生故障，可将故障前后运行数据录波，并将其展示，包含有故障时刻馈线电流和电压，方便运维检修人员查看。

　　运行监视系统：能够实时展示牵引供电系统的运行情况，并设置阈值，实现运行数据越限提示。

　　故障判别系统：故障判别通过本文设计的故障识别算法实现牵引系统故障类型的判别。整个算法包含信号滤波、信号处理、特征提取和类型识别等。

　　3.牵引供电系统故障识别

　　针对 AT 牵引供电系统常见的 T-R、F-R、T-F、异相短路故障，本文设计了一套牵引供电系统故障识别方法。基本流程图如图 3 所示，首先，通过牵引供电系统检测系统获得牵引供电系统运行状态信号，为提高信号的质量，运行信号处理数据对其处理，通过计算偏度等值作为特征输入 BP 神经网络，最终实现故障的识别。

　　图 2 故障识别流程图

　　3.1 信号处理

　　（1）基于小波包的信号滤波

　　小波分析方法通过对信号进行时频分析，在信号处理、模式识别、数据压缩等领域应用广泛，相比传统小波变换方法，其能够进行全频域的信号分解，具有较强的信号分析能力，本文采用小波包分析方法对信号进行滤波处理，具体步骤如下：

　　步骤 1：滤波器选择共轭正交滤波器；

　　步骤 2：确定分解尺度 S，若原始信号 f 采样频率为 fs，长度，分解尺度应小于 N。

　　步骤 3：结合先验知识及各序列起始频率，确定频域段；步骤 4：对待测信号进行小波包分解，分别获低通滤波结果和高通滤波结果。

　　步骤 5：根据新的序列重构信号。

　　（2）信号插值

　　电气化铁路牵引供电系统正常运行时，所截取的两段信号的数据长度一致，而当存在故障时，截取的两段波形数据长度相差较大，通常故障信号的数据长度较少，为此，需采用信号插值的方法对信号进行数据补偿。

　　Hermite 插值是指不仅需在给定点求解已知函数值，还需求解该点处的微商值，来使得插值函数尽可能贴近被插函数。能够较好应用于牵引供电系统故障信号的插值。

　　3.3 特征提取

　　当完成原始信号的信号处理后，需对各故障信号故障特征进行分析，从各信号波形角度来提取信号特征，本文将信号的偏度和峰度作为特征值。

　　偏度：是用于衡量信号数据分布的不对称性，其评估指标为偏度系数，通过式（1）来求解：

　　（1）

　　式中，n 为待测信号的数据长度，为待测信号的均值，s3 为待测样本标准差的三次方。

　　偏度系数能够反映信号数据的非对称性分布程度，当偏度系数为零时，表示信号数据的分布为对称的，当偏度系数的绝对值大于 1 时，该信号数据呈高度偏态分布，当其绝对值在 0.5 与 1 之间时，信号数据呈中等偏态分布，偏度系数越小，表明其偏斜程度越低。

　　峰度：是用于衡量信号数据的平峰和尖峰程度，其评估指标为峰度系数，计算公式如式（2）所示：

　　（2）

　　式中，n 为待测信号的数据长度，为待测信号的均值，s4 为待测样本标准差的四次方。

　　峰度系数能够对信号数据的陡峭程度作定量分析，当峰度系数等于零时，表明该信号数据呈标准正态分布，当峰度系数大于零时，信号数据呈尖峰分布，信号数据分布相对较为集中，当峰度系数小于零时，信号数据呈扁平分布，数据分布较为离散。

　　3.3 基于 BP 神经网络故障识别

　　为将提取的故障特征向量用于故障识别，需要选用合适的识别器，来实现特征向量与故障类型间的映射，人工神经网络具有较好的非线性信息处理能力，能够较好应用于故障识别领域，其中 BP 神经网络应用最为广泛。该网络为一种多层的前馈神经网络，由输入层、隐含层和输出层等三部分组成。图 3 为 BP 神经网络拓扑图，其训练的中心思想是将输入信号向前传递，再根据预测误差来反向传播，进而调整和改进网络中的参数。输入层的节点数为特征向量的维度，隐含层为通过式(3)实现输入层到隐含层的映射。输出层为隐含层通过式(4)实现输出层的映射。

　　图 3 BP 神经网络拓扑图

　　(3)

　　式(3)中，l 为隐含层节点数，f 为隐含层间激活函数，本文选用了sigmoid 函数。

　　根据式(3)，由隐含层输出值 H、输出层阈值 b 和连接权重 w jk ，计算输出层输出值；(4)BP 神经网络的参数设置如下：输入层为 2 维特征向量，中间层节点经多次试验选取为 25 个，选用 S 型传递函数(logsig)，输出层为 K 维向量，即 K 类信号的训练输出，选用线性传递函数(purelin)。采用均方误差(MSE)作为 BP 神经网络的性能评价函数，训练次数(Epoch)设置为1000 次。

　　3.4 结果分析

　　本文通过牵引供电运行状态检测系统采集到的 100 组 T-R（故障1）、F-R（故障 2）、T-F（故障 3）、异相短路（故障 4）四类故障数据，其中将 50 组作为训练数据，剩余 50 组作为测试数据。采用本文设计牵引供电故障识别算法对其进行测试，获得表 1 结果，BP 神经网络收敛曲线图如图 3 所示。

　　图 3 中的横线和曲线分别为目标曲线和训练曲线，横纵坐标分别为迭代次数和训练精度。从中可以看出，在迭代次数为 100 时，BP 算法收敛并达到能正确预测的误差值。

　　图 3 BP 神经网络训练收敛曲线图

　　表 1 故障识别结果

　　故障类型

　　测试样

　　本总数

　　判别正确数  错识数  识别率

　　正常状态(0 0 01)  6  6  0  100%

　　故障 1(0 01 0)  13  10  3  76.9%

　　故障 2(0 011)  10  8  2  80%

　　故障 3(01 0 0)  11  10  1  90.9%

　　故障 4(01 01)  10  9  1  95%

　　总计  50  43  7  86%

　　注*：（）各状态对应下的神经网络输出值

　　表 1 为故障识别结果，可以看出该状态识别系统能够较好地识别牵引供电系统所处运行状态，整体故障识别准确率为 86%，能够为电气化铁路的运营提供良好的参考。

　　4 结论

　　为及时掌握牵引供电系统的运行状态，本文介绍了一种电气化铁路牵引供电运行状态检测与故障识别方法。通过搭建牵引供电系统运行状态检测系统，针对典型的四种牵引供电故障，运用信号滤波和插值对其进行处理，通过故障分析，提取待测信号的峰度、偏度和信号斜率作为特征值，输入 BP 神经实现故障的识别。通过实际数据测试，该系统能够较好识别 T-R、F-R、T-F、异相短路、正常等五种状态，故障识别准确性达到 86%，同时识别算法具有良好的收敛性。

　　参考文献

　　[1]李宏科.高速铁路牵引供电系统 6c 检测的应用与展望[J].中国新通信，2016，(13)：96.

　　[2]武宁.基于数据挖掘的电气化铁路接触网可靠性评估[J].电气应用，2019，38(6)：50-54.

　　[3]秦晓宇.基于动静态检测参数的高速铁路接触网性能退化评估[D].成都：西南交通大学，2017.

　　[4]黄艺丹.接触网几何参数的非接触检测系统研究[D].成都：西南交通大学，2006..

　　[5]李大为.德国接触网动态接触压力检测及其缺陷判别技术浅析[J].铁道标准设计，2005，(8)：101-102.

　　[6]李辉，李钢，安林，等.基于电压比较的牵引供电系统异相短路保护[J].电气化铁道，2011.

　　[7]姚永.高速铁路供电运行状态检测系统的研究[J].郑铁科技，2014(1)：

　　2-5.

　　[8]朱作慧.青岛地铁 11 号线牵引供电系统安全风险识别与评价研究[D].2020.

　　[9]占栋，于龙，肖建，等.接触网几何参数高速动态视觉测量方法研究[J].仪器仪表学报，2014，(8)：1852-1859.

　　[10]蔡潇，陈仕龙，毕贵红.基于 MEEMD 与概率神经网络的贯通式同相牵引直接供电系统故障识别[J].电力科学与工程，2020，036(001)：

　　62-69.

　　[11]吴威.供电安全检测监测系统(6C 系统)运用与管理[J].城市建设理论研究(电子版)，2014(21).

　　[12]黄钰淇.贯通式同相牵引供电系统故障识别研究[D].2017.