牽引網過電壓嚴重影響電氣化鐵路正常執行，對牽引網過電壓進行型別辨識有利於提高牽引供電系統的可靠性。針對牽引網過電壓的非線性和不穩定性，北京交通大學電氣工程學院的研究人員賈君宜、吳命利、宋可薦、王琪，在2021年第10期《電氣技術》上撰文，利用短時傅立葉變換將過電壓時域波形轉化為二維的時頻圖；先透過區域性特徵提取和設定閾值，實現對鐵磁諧振過電壓的快速識別；再利用卷積神經網路的自學習能力挖掘時頻圖特徵與牽引網過電壓訊號的深層次關係，實現對機車進出分相、斷路器開閉操作過電壓和高頻諧振過電壓的識別。實驗結果表明，該方法的準確度在90%以上。
近年來，電氣化鐵路車網匹配失穩引起的牽引網電能質量問題較多，常伴隨有各種過電壓現象出現，對電氣化鐵路的安全執行造成了干擾。如果能第一時間對牽引網過電壓進行辨識，將有利於保障牽引供電系統的安全可靠性。雖然牽引變電所、機車車輛都佈置有相應的電壓互感器，但尚缺乏對資料的快速採集和智慧辨識技術。
目前有多種電壓檢測分析方法可以應用於對牽引網過電壓型別的識別，一般包含兩個關鍵步驟：電壓訊號的時頻域變換和時頻特徵的提取與識別。對於電壓訊號的時頻域變換，比較成熟的方法有時域法、快速傅立葉變換（fast Fourier transform, FFT）、短時傅立葉變換（short-time Fourier transform, STFT）、小波變換（wavelet transform, WT）和S變換。
時域法一般將時間序列劃分為多個區間，分析不同區間上訊號的時域特性。快速傅立葉變換具備時間複雜度低的特點，但只適用於平穩訊號分析，對暫態訊號的靈活性較差，且快速傅立葉變換生成的頻譜不具有時域特徵，無法同時綜合分析時域和頻域。
短時傅立葉變換、小波變換和S變換都應用了加窗分幀的思想，生成原始訊號的時頻能量圖，這三者不同在於：相較於小波變換和S變換，短時傅立葉變換由於其窗函式固定，雖然具有“時間、頻率解析度不可兼得”的缺點，但是計算量小。短時傅立葉變換計算量小，更適於佈置在牽引變電所或機車車輛的實時線上監測裝置的終端嵌入式系統。
北京交通大學電氣工程學院的研究人員採用短時傅立葉變換，並針對不同頻率範圍，透過調節窗函式在時域、頻域解析度之間作取捨，生成合適的時頻能量圖。
對於時頻特徵的提取與識別，最重要的是特徵引數的選擇和識別演算法中閾值的設定，可以利用電路暫態分析和統計學方法來實現。但是基於特徵的電壓檢測分析方法均需要人工選定特徵引數和設定閾值，通常涉及複雜的電路暫態模型或統計學方法，且容易受到人的主觀影響，特別是當分類任務的計算規模增大時，分類難度會大大增加。
隨著計算機效能的提升，深度學習方法被大量運用於辨識任務中。在以往的動車組跟車測試中，大量的牽引網網壓資料被收集，其中包含了豐富的牽引網過電壓資料，可以作為深度學習的資料集。卷積神經網路（convolutional neural network, CNN）是深度學習的代表演算法之一。CNN在二維資料的特徵提取任務中表現出了極佳的效能，適用於時頻能量圖這種二維資料的特徵識別。視覺幾何組（visual geometry group, VGG）神經網路是一種具備小卷積核、小池化核、層數更深等特點的CNN，相較於其他的CNN，VGG具有高辨識率和強泛化性的優勢。
科研人員針對牽引網過電壓的辨識問題，採用短時傅立葉變換處理牽引網過電壓訊號，綜合分析了訊號的時域和頻域特徵，實現了對鐵磁諧振過電壓的快速識別；再利用卷積神經網路的自學習能力挖掘時頻能量圖特徵與牽引網過電壓訊號的深層次關係，實現了對進分相過電壓、出分相過電壓、斷路器開閉過電壓和高頻諧振過電壓的識別。
圖1 牽引網過電壓識別的整體流程
科研人員指出本研究的貢獻與創新主要有：1）考慮到短時傅立葉變換計算量小、適用於線上監測裝置的終端嵌入式系統，本研究採用短時傅立葉變換對牽引網過電壓時域訊號進行時頻域變換。並且根據牽引網過電壓的特點，針對不同頻率區間，調整短時傅立葉變換的相關引數，更全面地反映牽引網過電壓的時頻特性。2）本研究利用VGG神經網路分類模型，基於大量的牽引過電壓時頻能量圖樣本，實現了對五種常見牽引網過電壓的辨識，並且該方法具備較高的準確度。
研究最終結果表明：
1）雖然短時傅立葉變換具有時間、頻率解析度不可兼得的缺點，但在實際應用中可以結合實際需要來調整相關引數，進行不同頻段內的分析，在時間、頻率解析度之間做取捨。
2）訓練神經網路時應當選擇合適的正則化方法，如隨機失活（保留率取0.5），能避免過擬合，提高VGG-16辨識模型的泛化能力，使測試集的準確度達到90%以上。
3）本研究選用的VGG-16模型具有層數深、卷積核小的特點，因而收斂速度較快，通常只需要迭代20～30次即可達到較高的準確度。隨著影象識別技術的發展和計算機運算效能的提高，基於時頻分析的電能質量分析方法具有實際應用意義。
4）本研究的辨識方法的侷限性體現在兩個方面：首先，神經網路的表現依賴樣本集，當樣本集存在缺陷或實際情況變複雜時，神經網路的效能可能下降；其次，該方法對樣本集、預處理、STFT、神經網路的各項引數有一定要求，並且選定的引數組合的可遷移性還有待驗證。
本文編自2021年第10期《電氣技術》，論文標題為“基於短時傅立葉變換和深度學習的牽引網過電壓辨識”，作者為賈君宜、吳命利 等。
