基于CAPSO-BPNN的铁路信号运行状态预警方法研究

喻喜平



基于CAPSO-BPNN的铁路信号运行状态预警方法研究

喻喜平

武汉铁路职业技术学院, 湖北 武汉 430205

为提高铁路信号运行状态预警的准确率，克服BPNN模型存在收敛速度慢和局部最优的缺点及其性能易受网络的初始权值、阈值等参数选择的影响，本文提出一种基于CAPSO-BPNN的铁路信号运行状态预警模型。结果表明，与PSO-BPNN和BPNN相比较，CAPSO-BPNN模型具有更高的预警准确率和更优的性能，为铁路信号运行状态预警提供了新的方法和途径。

铁路信号; 云自适应粒子群优化算法; BP神经网络; 运行状态

随着我国高铁建设的迅猛发展，中国成为高铁在建规模最大、运营里程最长和运营速度最快的国家。随着高铁规模的扩大和信息技术的发展，铁路信号监测设备功能由单一化向复杂化和综合化转变，成为保障列车安全和安全调度和指挥的重要手段[1]，因此对铁路信号进行运行状态评价和预警具有重要意义。为提高铁路信号运行状态预警的准确率，提出一种基于云自适应粒子群优化(Cloud adaptive particle swarm optimization, CAPSO)算法改进BP神经网络(Back propagation neural network, BPNN)的铁路信号运行状态预警模型。

1 铁路信号运行状态评价

1.1 综合评价指标体系

铁路信号监测对象主要包括轨道电路、信号机、信号电缆、电源屏以及转撤机等[2]。每一类设备的状态评价通过在线实时信息和离线录入信息二者相结合方式进行[3]。在线实时收集铁路信号监测对象的实时信息，能够及时掌握铁路信号监测对象的运行状况和工况环境；离线信息主要包括铁路信号监测对象的巡检记录和历史数据，通过离线信息能够掌握铁路信号监测对象的历史健康状态，通过在线实时信息和离线录入信息二者相结合方式可以更准确的评价铁路信号监测对象的运行状态。铁路信号监测对象综合状态评价指标体系如图1所示。

图1 综合状态评价指标体系

1.2 综合评价方法

由于铁路信号监测对象综合状态评价指标体系中的部分评价指标具有不确定性和模糊性[4]，因此文中运用多层次模糊综合评价法对铁路信号监测对象的运行状态进行评价，具体评价步骤为：

1.2.1 建立评价指标体系建立铁路信号监测对象运行状态的评价指标体系为因素集：

={1,…,U,…,U} (1)

式中，为一级因素集，其中U={U1,U2,…,U}，=1,2,…,为二级因素集，并且存在U∩U=(¹)的集合关系。

1.2.2 构造判断矩阵运用层次分析(Analytic hierarchy process, AHP)法和标度1-9法确定各项指标的权重[5-7]。

1.2.4 建立评价集假设评价等级集为={1,2,…,V}，将铁路信号监测对象各指标状态量分为4种状态，分别为正常、注意、异常和严重，这时=4，其中1=80，2=60，3=40，4=20。

式中，b(=1,2,…,)为评判对象对评价集中第个元素的隶属度。

2 基于CAPSO-BP铁路信号运行状态预警模型

2.1 云自适应粒子群优化算法

式中，1，2为控制系数。

2.2 CAPSO-BPNN学习算法

BP神经网络[10]是一种单向传播的多层前向的误差反向传播的神经网络，其训练算法是基于梯度的，存在收敛速度慢和局部最优的缺点，同时网络的初始权值、阈值等参数选择影响BPNN模型的性能，因此，为提高BPNN模型的性能，运用CAPSO对BPNN的初始权值和阈值进行优化选择。基于CAPSO-BPNN的学习算法步骤如下：

（1）确定BPNN的结构：BPNN的输入层神经元个数，隐含层神经元个数，输出层神经元个数，网络误差=0.001及相关参数；

（2）CAPSO算法参数初始化：种群的规模，最大迭代次数，学习因子1和2，惯性权重，控制系数1、2；

（3）初始化粒子的位置和速度，将权值和阈值映射为CAPSO算法的粒子，输入训练样本，根据适应度函数计算每个粒子的适应度；

（4）判断CAPSO算法的终止条件：当训练误差<最大误差或当前迭代次数>最大迭代次数，输出最优结果，即全局最优粒子对应BPNN网络的权值和阈值，此次参数建立一个最优BPNN网络。反之，更新CAPSO粒子的速度和位置，返回步骤（3）。

3 实证分析

3.1 数据来源

为了验证CAPSO-BPNN进行铁路信号运行状态预警的有效性和可靠性，选择某铁路段2016年1月~2017年8月的历史在线监测数据和离线巡检数据为研究对象。铁路信号运行状态预警分析之前，首先，根据铁路信号运行状态评价指标体系建立多层次模糊综合评价模型；之后，根据不同指标的权重系数和评价基准值，计算出铁路信号最终的状态评价得分；最后，根据铁路信号运行状态评价标准，计算每次评价对应的状态。铁路信号运行状态评价标准如表1所示。为了更加直观地预报不同类型铁路信号的警情，将铁路信号分为优良、正常、注意和异常四个运行状态，并分别用横线、竖线、右斜线和左斜线表示。

表1 铁路信号运行状态评价标准

图 3 运行状态评价图

图 4 运行状态预警图

根据铁路运行状态数据，每月评价1次，一共得到20个月的20次运行状态评价分值和状态，具体如图3所示。如图3中以评价序号1为例，其评价分值57.19，其表示2016年1月铁路信号运行状态综合评价得分为57.19，根据表1铁路信号运行状态评价标准可知，铁路信号所对应的运行状态为注意状态。

3.2 评价指标

为了衡量不同铁路信号运行状态预警模型的好坏，选择希尔不等系数(Hill inequality coefficient, TIC)和平均绝对百分比误差(Mean absolute percent error, MAPE)作为评价指标，二者公式如下：

式中，为数据序号；为数据总数；X，X分别为实际状态和预测状态的评价分值。其中，TIC主要用来衡量预警状态的变化趋势和实际状态的一致性，而MAPE主要用来衡量状态预警的准确率。

3.3 结果分析

表 2 不同模型的运行状态预警效果统计

由图4运行状态预警图可知，与PSO-BPNN和BPNN相比较，CAPSO-BPNN的预警曲线与铁路信号实际状态曲线的一致性更高。由表2不同模型的运行状态预警效果统计可知，TIC和MAPE评价指标上，CAPSO-BPNN模型的MAPE和TIC分别为4.5961和0.0235，均低于PSO-BPNN模型的6.7441和0.0367和BPNN模型的8.5372和0.0454，从而说明CAPSO-BPNN具有更高的预警准确率。综上所述，本文提出的CAPSO-BPNN模型具有更高的预警准确率和更优的模型性能，为铁路信号运行状态预警提供了新的方法和途径。

[1] 刘大为,郭进,王小敏,等.中国铁路信号系统智能监测技术[J].西南交通大学学报,2014,49(5):904-912

[2] 徐击水,张子蓬,王淑青,等.基于GNBR算法的BP网络对绝缘子运行状态预测研究[J].电网与清洁能源,2013,29(6):6-9

[3] 袁腾飞,史同广,李美玲.基于GPS数据的公交运行状态判别算法研究[J].道路交通与安全,2015,15(2):23-27

[4] 宋顶利,张昕,于复兴.分布式优化Apriori算法的交通运行状态数据分析模型[J].科技通报,2016,32(10):202-206

[5] 彭志科,何永勇,卢青,等.自适应数字滤波算法应用于旋转机械运行状态辨识的研究[J].机械工程学报,2001,37(9):49-52

[6] 霍富强,王鹏,龚晓伟,等.基于分区分层前推回代算法的光伏阵列运行状态评估方法[J].电力系统保护与控制,2016, 44(15):11-16

[7] 周伟,秦世引,万百五.高速铁路列车运行调整的状态空间模型及算法[J].西北纺织工学院学报,1997,11(3):210-215

[8] 褚红燕,沈世斌.基于概率模型算法的设备运行状态分析[J].南京师范大学学报:工程技术版,2005,5(4):34-37

[9] 张光卫,何锐,刘禹,等.基于云模型的进化算法[J].计算机学报,2008,31(7):1082-1091

[10] 吴米佳,卢锦玲.基于改进粒子群算法与支持向量机的变压器状态评估[J].电力科学与工程,2011,27(3):27-31

Study on the Precautionary Method for Railway Signal Running State Based on CAPSO-BPNN

YU Xi-ping

430205

In order to improve the precautionary accuracy for railway signal running state and overcome disadvantages of slow convergence speed and local optimization in BPNN model, and its performance was easily affected by the initial weight value and threshold value and so on, this paper proposed a precautionary model based on CAPSO-BPNN for railway signal running state. The results showed that the CAPSO-BPNN model had higher accuracy and better performance than PSO-BPNN and BPNN, which provided new method and approach for forewarning of the operating state of railway signals.

Railway signal;cloud adaptive particle swarm optimization (CAPSO); BP neural network (BPNN); running state

TP391.1

A

1000-2324(2019)02-0281-04

10.3969/j.issn.1000-2324.2019.02.024

2018-04-23

2018-05-14

喻喜平(1968-),女,硕士,副教授,研究方向:轨道交通通信信号技术. E-mail:yuxiping1968@163.com