《基于聚类分析法对我国高速铁路网供电系统缺陷进行空间分布》
该文是聚类和高速铁路方面有关硕士学位论文范文和供电系统相关专升本毕业论文范文.
摘 要：高速铁路网的主要供电设备接触网,是沿钢轨上空呈“之”字形架设的特殊输电系统.对高速电气化铁路接触网,缺陷的检测显得是十分重要,随着检测设备的不断更新,缺陷检测准确度逐渐提高,数据量越来越大,研究缺陷检测数据显得尤为重要.本文主要利用数据挖掘技术中的聚类分析法,将缺陷数据按照线路分布的密集程度进行聚类,然后将聚类结果进行可视化,并且通过分析聚类结果数据,给出合理可行的缺陷预警方案和线路检修建议.为了验证方案的可行性,选取沈阳铁路局的部分缺陷检测数据作为本次方案的测试样本.经过数据预处理和方案测试发现：吊弦类缺陷聚类高发区域占比约为78%,一二级燃弧类缺陷聚类高发区域占比约为71%,高发时段为4-9月.实验结果表明不同类型的缺陷热点区域分布的时段与区域不同.
关键词：接触网;缺陷;数据挖掘;聚类分析法
中图分类号：BT
文献标识码：Adoi：10.19311/j.cnki.1672-3198.2020.19.093
0 引言
作为铁路运输牵引供电系统的重要组成部分的接触网,其动态设备质量情况直接影响到牵引供电的质量,对接触网运行状态的实时监测是保证铁路安全运输的重要手段.如今,接触网动态监测设备（6C系统）能够完成接触网的各项数据检测,所有基础数据和报警数据均被收集入库长期存放,随着时间的推移,数据库中的检测基础数据和缺陷数据越来越多,但对数据资源的利用率不是很高.目前,国内主流方向都是关于如何提高线路设备缺陷识别或者机车运行异常检测准确度作研究和测试,设计出了针对不同零部件的缺陷识别方法,效果显著.随着大数据时代的到来,为了让现有的检测数据的作用不再局限于传统的数据统计层面,本文利用数据挖掘技术对燃弧、吊弦缺陷进行了深入研究.
数据挖掘作为当今智能系统理论技术的重要组成部分,它包括了人工智能、神经网络、模式识别、数理统计等先进技术,从大量数据中通过相关算法搜索隐藏于其中的有价值和隐秘信息的过程.本文就是通过数据挖掘技术从大量接触网的检测数据中寻找数据间的特性,全方位分析检测的数据,做出归纳性的推理,从中挖掘出潜在的模式,争取为铁路局的检修计划提供切实可行的建议.首先,本文对检测的原始数据进行预处理,为数据挖掘过程做好前提准备;然后,利用聚类算法模型把预处理后的数据进行分析计算;最后,将聚类结果进行可视化,并给出预警方案.
1 高速铁路网供电系统缺陷检测现状
随着我国国民经济的日益发展,我国在新的历史背景下提出了新时代交通强国战略,国家提出2020-2035基本建成交通强国,2035-2050全面建成交通强国,高速铁路作为公共交通中的重要组成部分,也面临着新的规划建设任务;我国规划在2030年,高铁线网由原来的四横四纵形成八横八纵,整个高铁路网达到4.5万公里.
但随着高铁线网的高速度高密度运行的同时,接触网的安全可靠运行是整个电气化铁路安全可靠运行的关键.当前国内接触网的检修模式采取周期修与状态修相结合的方式组织作业,其作业主体仍以车间及工班为最小作业单元.该种作业模式安全风险点多、作业效率低、占用人力物力资源大、个人素质要求高、作业效果差强人意,已经不能满足铁路快速发展的需要.
目前,接触网检测监测数据主要是通过对各个检测参数的阈值判断,发现相关接触网等设备的局部缺陷,通过相关平台反馈给用户进行后续工作,所以,对于检测数据的利用率还是很低.如何利用并发挥好已有设备检测数据的价值,成为整个铁路行业的主题.
且随着高速铁路施工质量的逐步提高,众多高速铁路接触网只能检测出少量或局部的有效缺陷.在铁路维修作业中过度依赖人工操作,如果对维护区域没有主次之分,那么对于整个线路检修计划来说,必定会耗费很多人力物力等资源.因此,如何利用好现有的海量缺陷检测数据,实现接触网热点缺陷区域预测,从而节约检修成本是本次的研究重点.2012年,田国保利用数据挖掘技术及回归分析找到了接触网动态参数间的关系,通过实践找了设备运行的规律.
2 基于聚类分析的算法实现原理
数据挖掘又称为数据库中的知识发现（Knowledge Discover in Database,KDD）,是目前人工智能和数据库领域研究的热点问题,所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的且具有潜在价值的信息的过程.而时空聚类算法分析主要是从具有时间和位置信息的数据库中发现具有相似特征的时空实体（即时空簇）,也是基于传统的聚类分析从空间域到时空域的进一步扩展.目前,时空聚类在全球气候变化、公共卫生安全、地震检测分析以及犯罪热点分析等领域具有重要应用价值,有助于更好地发现和分析地理现象发展变化的趋势、规律与本质特征.现有的时空聚类方法主要包括时空扫描统计方法、基于密度的方法以及基于时空距离的方法.
本文主要采用ST-DBSCAN时空聚类算法实现高速铁路网供电系统热点缺陷区域信息挖掘.ST-DBSCAN算法中有三个参数：minPts、eps、delta_t.其中minPts表示形成簇的最小点个数,eps表示形成簇的时空点距离,delta_t表示形成簇的最大时间.ST-DBSCAN算法的基本思想是：通过循环判断时空核心对象c以eps为半径,delta_t时间差内点的个数是否大于等于minPts,如果大于则形成簇,反之则对下一个时空对象进行聚类,直到所有的时空对象都归在某个簇中,或被标记为时空孤立点,则聚类结束.
利用ST-DBSCAN算法模型進行线路缺陷高危爆发区域信息挖掘的过程中,涉及三个重要的阈值参数,即空间距离阈值sptial_threshold、时间距离阈值temporal_threshold和时空对象量阈值minPts,这三个参数主要根据实际业务需求进行筛选设置.
言而总之，上文是一篇关于供电系统方面的聚类和高速铁路论文题目、论文提纲、聚类和高速铁路论文开题报告、文献综述、参考文献的相关大学硕士和本科毕业论文.
聚类和高速铁路引用文献:
[1] 聚类和高速铁路专升本论文范文 关于聚类和高速铁路相关论文例文8000字
[2] 高速铁路论文范文 高速铁路类毕业论文范文2万字
[3] 高速铁路论文范文 高速铁路类学年毕业论文范文2000字
