【技術實現步驟摘要】
本專利技術涉及一種列車干擾的異常值檢測方法、裝置及存儲介質，屬于異常值檢測。
技術介紹
1、列車當瞬時風速達到臨界傾覆風速時，列車在1-2s內就會發生脫軌或傾覆，因此秒級風速的數據質量對保證高鐵在大風環境下的安全運行十分重要。然而，鐵路附近背景風場會受到列車經過的干擾，且高鐵沿線超聲波測風儀自帶的時變檢查等基本質量控制功能和氣象領域分鐘級質量控制均不能刻畫秒級列車干擾的特征。因此，對高鐵背景風場風速采集后的存儲的數據進行拓展性質量控制迫在眉睫。然而查閱相干的資料，并未有相關的資料。
2、由于高鐵沿線氣象站安裝位置較為特殊，會受到列車干擾，且現有超聲波測風儀具備的基本質量控制功能以及氣象領域分鐘級時距均值質量控制算法，均不能較好地滿足高鐵秒級風速預測研究的需求，因此需要對秒級風速監測數據進行拓展性質量控制研究。
3、本專利技術基于以下調研：高鐵列車會推動周圍的空氣形成一股風(列車風)，可能會帶來一些危害和潛在風險，特別是對乘客安全和周圍環境影響。高鐵背景風場的秒級風速數據能夠考察列車風對周圍環境風速的影響，因此對高鐵背景風場風速采集的質量控制研究迫在眉睫。
4、調研顯示，該工作存在以下幾個需要解決的問題：
5、問題一：利用傳統方法對秒級風速質量控制有一定效果，但是未考慮秒級風速時距帶來的幅值變化，主要因為秒級預測誤差往往有較大的預測誤差，時距風速之間的幅值大小影響模型預測效果。列車運行產生的列車風會使背景風場和秒級風速的改變。列車低速運行時，將產生微小的列車風，對背景風場造成微弱的影
6、問題二：利用單一人工智能算法對秒級風速質量控制有一定效果，但是非線性建模能力弱，未考慮風速時距波動特征，因此，選取的模型需要具備處理風速序列非線性波動趨勢的能力與深入的風速特征挖掘能力。
技術實現思路
1、本專利技術的目的在于克服現有技術中的不足，提供一種列車干擾的異常值檢測方法、裝置及存儲介質，不僅提高了最佳時距的風速輸入模型檢測列車干擾的準確性，還提高了低風速背景風場中明顯列車干擾的準確率和風速監測數據預測預警的可預測性，為高鐵沿線風速預測預警研究提供高質量的數據集。
2、為達到上述目的，本專利技術是采用下述技術方案實現的：
3、第一方面，本專利技術提供了一種列車干擾的異常值檢測方法，包括：
4、獲取具有典型地理環境特征的不同站點的歷史秒級風速監測數據；
5、將歷史秒級風速監測數據輸入波動熵模型we，得到歷史秒級風速監測數據的最佳時距；
6、將經過波動熵模型處理后得到的最佳時距作為模型輸入卷積神經網絡cnn，對最佳時距進行數據特征提取；
7、將提取到的數據特征傳輸到門控循環單元gru進行單步預測，得到秒級高風速和低風速段的預測值和相應的預測殘差；
8、將預測殘差與設定的殘差閾值進行對比，進行列車干擾的檢測；
9、若通過預測殘差檢測為列車干擾，則利用cnn-gru的雙向協同預測值將對應位置的列車干擾進行訂正；否則重復以上步驟直至結束。
10、進一步的，所述方法還包括：對所述歷史秒級風速監測數據進行預處理，具體包括：
11、選取一端歷史秒級風速監測數據，并對其進行差分操作，得到秒級風速差分序列；對風速差分序列從大到小進行排序，得到同時將位置索引按照最終的差分序列的排序進行排列，得到和位置索引差分序列d＝(d1,d2,d3,…dn-1)，對其進行歸一化操作，得到歸一化后的位置索引差分序列
12、進一步的，所述波動熵模型的計算公式如下：
13、
14、其中，w是求得的波動熵結果，是位置索引差分序列的求和，為歸一化后的位置索引差分序列；
15、其中，的計算公式如下所示：
16、
17、其中，di為位置索引差分序列。
18、進一步的，卷積神經網絡cnn的計算由卷積操作和池化操作組成；
19、卷積操作的計算公式如下所示：
20、
21、其中，k為卷積核層數，c為卷積核總層數，為卷積核權重，表示偏置項；
22、池化操作的計算方法如下所示：
23、
24、式中，l為池化層層數，j為池化核數量，w為池化區域，al為卷積層輸出結果。
25、進一步的，所述門控循環單元gru的計算方法如下所示：
26、
27、式中，xt為t時刻的風速信號，ht-1為t-1時刻隱藏層狀態，rt表示更新門信息，zt表示重置門信息，wr為重置門權重，wz為更新門權重，表征重置信息,σ為sigmoid激活函數。
28、第二方面，本專利技術提供一種列車干擾的異常值檢測裝置，包括：
29、數據獲取模塊，用于獲取具有典型地理環境特征的不同站點的歷史秒級風速監測數據；
30、最佳時距獲取模塊，用于將歷史秒級風速監測數據輸入波動熵模型we，得到歷史秒級風速監測數據的最佳時距；
31、特征提取模塊，用于將經過波動熵模型處理后得到的最佳時距作為模型輸入卷積神經網絡cnn，對最佳時距進行數據特征提取；
32、單步預測模塊，用于將提取到的數據特征傳輸到門控循環單元gru進行單步預測，得到秒級高風速和低風速段的預測值和相應的預測殘差；
33、檢測模塊，用于將預測殘差與設定的殘差閾值進行對比，進行列車干擾的檢測；
34、修正模塊，用于通過預測殘差檢測為列車干擾時，利用cnn-gru的雙向協同預測值將對應位置的列車干擾進行訂正。
35、進一步的，所述裝置還包括：預處理模塊，用于對所述歷史秒級風速監測數據進行預處理，具體包括：
36、選取一端歷史秒級風速監測數據，并對其進行差分操作，得到秒級風速差分序列；對風速差分序列從大到小進行排序，得到同時將位置索引按照最終的差分序列的排序進行排列，得到和位置索引差分序列d＝(d1,d2,d3,…dn-1)，對其進行歸一化操作，得到歸一化后的位置索引差分序列
37、所述最佳時距獲取模塊中，波動熵模型的計算公式如下：
38、
39、其中，w是求得的波動熵結果，是位置索引差分序列的求和，為歸一化后的位置索引差分序列；
40、其中，的計算公式如下所示：
41、
42、其中，di為位置索引差分序列。
43、進一步的，所述特征提取模塊中，卷積神經網絡cnn的計算由卷積操作和池化操作組成；
44、卷積操作的計算公式如下所示：
45、
46、其中，k為卷積核層數，c為卷積核總層數，為卷積核權重，表示偏置項；
47、池化操作的計算方法本文檔來自技高網...
【技術保護點】
1.一種列車干擾的異常值檢測方法，其特征在于，包括：
2.根據權利要求1所述的列車干擾的異常值檢測方法，其特征在于，所述方法還包括：對所述歷史秒級風速監測數據進行預處理，具體包括：
3.根據權利要求2所述的列車干擾的異常值檢測方法，其特征在于，所述波動熵模型的計算公式如下：
4.根據權利要求1所述的列車干擾的異常值檢測方法，其特征在于，卷積神經網絡CNN的計算由卷積操作和池化操作組成；
5.根據權利要求1所述的列車干擾的異常值檢測方法，其特征在于，所述門控循環單元GRU的計算方法如下所示：
6.一種列車干擾的異常值檢測裝置，其特征在于，包括：
7.根據權利要求6所述的列車干擾的異常值檢測裝置，其特征在于，所述裝置還包括：預處理模塊，用于對所述歷史秒級風速監測數據進行預處理，具體包括：
8.根據權利要求6所述的列車干擾的異常值檢測裝置，其特征在于，所述特征提取模塊中，卷積神經網絡CNN的計算由卷積操作和池化操作組成；
9.一種電子設備，其特征在于：包括處理器及存儲介質；
10
...【技術特征摘要】
1.一種列車干擾的異常值檢測方法，其特征在于，包括：
2.根據權利要求1所述的列車干擾的異常值檢測方法，其特征在于，所述方法還包括：對所述歷史秒級風速監測數據進行預處理，具體包括：
3.根據權利要求2所述的列車干擾的異常值檢測方法，其特征在于，所述波動熵模型的計算公式如下：
4.根據權利要求1所述的列車干擾的異常值檢測方法，其特征在于，卷積神經網絡cnn的計算由卷積操作和池化操作組成；
5.根據權利要求1所述的列車干擾的異常值檢測方法，其特征在于，所述門控循環單元gru的計算方法如下所示：
6...
【專利技術屬性】
技術研發人員：熊雄，陳家駿，王翼虎，葉小嶺，
申請(專利權)人：南京信息工程大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。