基于和声搜索算法的轨道交通供电系统故障定位

韩咏钊 周小舟 张 俞 朱宇凡 邹德旋

（江苏师范大学 电气工程及自动化学院，江苏 徐州221116）

铁路作为一种可持续发展的陆上交通工具，有着成本低、能耗小、运输能力大等特点。而我国地大物博、人口繁多并且资源散布不平衡，这些特点决定了铁路在综合交通运输体系中的主导地位，是国民经济的大动脉，同时也是推动国民经济更好发展的基础设施。随着物联网时代的到来，我国的铁路运输业也迎来了新的发展前景，在铁路网高速持续的发展下，至2019年我国铁路固定资产投资完成了8029 亿元，全国铁路营业里程达到了13.9 万公里以上，其中电气化里程达到了10.0 万公里，电气化率为71.9%。中国在高速铁路运营里程、列车运行速度在建规模上一直领先于世界，成为了世界上最大的国家。

在如此大规模发展和快速运用的推动下，安全性、可靠性和可维修性一直都是国家和铁路集团对地面轨道电路设备的三大要求。而轨道电路作为室外三大件（道岔、轨道电路、信号机）之一，是列控系统中应用范围最广、使用时间最长的关键安全设备之一，其主要组成设备包括信息发送设备、钢轨传输和信息接收设备；基本原理为信息发送设备以两根钢轨作为导体将信息传输至接收设备，用以监视列车的占用及通知列车信息。所以轨道电路在我国铁路中被大规模的采用，它的工作性能直接影响行车安全和运输效率，一旦其出现故障，不但影响行车、降低运输效率，严重时甚至会致使安全事故的发生，危及人员的生命安全。在电气化铁路站场中，截止目前已有超九成的车站采用了25Hz 相敏轨道电路，其高稳定性的工作系统、较强的抗干扰能力和相对简单的维修处理，使其成为了电气化铁路站场的首选。

但是，如何对这些轨道电路进行维护、维修，使它们可以安全、高效、可靠地工作却也是一大问题。目前25Hz 相敏轨道电路的故障诊断存在效率低、准确性不高。我国之前普遍依靠维修人员的工作经验进行判断与故障定位，但随着铁路行业的高速发展，列车的运行速度不断提高，运行间隙也逐渐变小，之前的维修方案已经不能满足需要了，虽然近年很多部门采用了计划维修的办法，即采用周期性跟换或检修设备的状态，但这一方法还是受到了既有经验的束缚，可能会导致维修过度，造成不必要的损失。因此，为了缩短设备的维修时间，快速、准确地定位故障原因，及时地进行维修尤为重要，有必要建立一种智能化的故障诊断方式，快速、准确地发现设备故障原因，提高维修效率[1]。

为了解决复杂的轨道电路故障诊断问题, 将遗传算法引入到轨道电路的故障诊断领域, 从而弥补了目前检测方法的不足[2]；还可利用粒子群支持向量机理论建立更为有效的轨道电路故障诊断模型，实现多种故障的诊断[3]；2010 年提出组合模型的25Hz 相敏轨道电路故障诊断方法, 克服了单项诊断方法的信息单一和诊断片面等不足, 提高了故障诊断精度[4]。2010 年，国外提出了一种新的补偿电容诊断方法：Dempster-Shafer 证据融合理论和人工神经网络相结合[5]。国外还提出了一种基于RCM的维修理念。2018 年，我国针对传统25Hz 相敏轨道电路故障诊断网络求解时收敛速度慢、诊断精度不高的问题，提出了智能蝙蝠算法(BA)与模糊逻辑理论(FS)、神经网络(NN)相融合的BA-FNN 模型，对25Hz 相敏轨道电路进行故障诊断。考虑到轨道电路特征参数的不确定性、模糊性,运用模糊逻辑理论对轨道电路特征参数进行模糊化预处理[6]。2019 年，提出了一种新的图像检测方法, 通过获取模拟线路瓷质悬式绝缘子的红外运行图像,对红外图像进行去噪处理，将红外图像中的绝缘子串区域和背景区域进行有效地分割有效提取了目标区域。找出明显能反应劣化绝缘子的红外图像特性, 在此基础上将是否含有零值绝缘子定为输出向量, 通过深度学习训练得到零值绝缘子识别模型没, 然后选择合适的实验数据利用识别模型对其进行检测分析[7]。本文将对25Hz 相敏轨道电路的故障定位采用和声搜索算法进行模型的建立研究，并进行轨道交通单端和多端供电系统故障定位的模拟。

1 和声搜索算法原理

和声搜索算法是韩国学者Z.W.Geem 等人提出的一种新型元启发式全局搜索算法[8]，该算法是模仿人类音乐演奏过程中，乐师通过对和声的音调不断调整，将更优的和声替换掉最差的和声，直到创作出和谐的给人以美感的和声的过程，也就是和声搜索算法的最优化过程。

和声搜索算法就是受到上述过程的启发，把对和声好坏的评价标准类比于目标函数的函数值，把乐器类比于优化问题中的一个决策变量，把各个乐器奏出的音符的和声类比于优化问题的一个解向量，将乐器在可演奏的范围随机奏出的HMS 组和声作为初始和声放入和声记忆库内，以和声记忆库取值概率HMCR 在和声记忆库内取出一组解，或者以1-HMCR 的概率在和声记忆库外可能的范围内取出一组解。然后对取出来的该组解以微调概率PAR 进行微调，若新解优于和声记忆库中的最差解，则用新解替换掉最差解，否则，保持原有和声记忆库不变。不断迭代，直到达到最大迭代次数Tmax。下面详细介绍该算法的步骤。

1.1 初始化变量

HMS——和声库大小（Harmony Memory Size），根据实际问题中解变量的范围构造相应的解空间，并以此产生随机的和声记忆库，算法运算前需要先指定这个记忆库的大小；

HMCR——记忆库取值概率（Harmony Memory Considering Rate），为每次从记忆库中取出一组解的概率；

PAR——微调概率（Pitch Adjusting Rate），对从记忆库中取出的该组解变量进行微调的概率；

bw——微调带宽，对该组解进行微调的调整幅度；

Tmax——调整过程重复的次数。

1.2 确定解空间

每个变量都有自己的定义域，N 对应着变量数，H 表示变量的上限，L 表示变量的下限，所有变量的取值范围就构成了一个解空间。

1.3 初始化和声记忆库

根据和声库大小和解空间容量随机产生初始化和声记忆库。

1.4 产生新解

1.4.1 先在[0,1]之间产生一个随机数rand，并与初始化后的HMCR 数值进行比较；

1.4.2 若rand＜HMCR，在初始化后的HM（和声记忆库）选取一组变量，否则就在初始化的解空间中选取一组变量；

1.4.3 若该组变量是从记忆库中得到的，即对该组变量进行微调；

1.4.4 在[0,1] 之间产生一个随机数rand，并与初始化后的PAR 数值进行比较；

1.4.5 若rand＜PAR，即将该组变量以微调带宽bw 进行微调，并得到一组新解，否则不进行微调。

1.5 更新解变量

计算上述得到的新解并与和声库中的最差解进行比较，若优于最差解，即用新解代替差解。直到完成所有迭代，停止运算。

和声搜索算法具有控制参数少，步骤简单，易于实施的特点，且能针对一些优化问题给出具体的优化方案，因此是一种高效的优化算法。

2 和声搜索算法在轨道交通供电系统中的应用原理

轨道交通供电系统发生某个部位发生故障时，位于各开关处的检测装置可检测到故障电流的流经（检测装置取1 表示流过故障电流，检测装置取0 表示未流过故障电流），将检测得到的电流值与期望的电流值进行比较后，形成0-1 离散的故障报警编码信息向上级传递，分析并确认故障区段。

而适应度函数则是根据接收到的检测装置的电流信息来分析各区段的状态。构造如下所示适应度函数[9]：

Fit（SB）——和声记忆库中每个和声向量对应的目标函数；

SB——供电系统中各区段的状态，是由6 个区段状态组成的行向量，取值为1 表示区段处于故障状态，取值为0 表示区段处于正常状态；

aij——第j 个检测装置测定的状态信息，取值为1 表示第j个检测装置有过电流流经，取值为0 表示第j 个检测装置没有过电流流经；i 表示所设和声的总组数，即HMS 的大小；

aij（SB）——根据逻辑式推得的各检测装置的期望状态；

N——检测装置的数量；

N'——区段的数量。

和声搜索算法主要通过和声记忆库考虑、基音调整和随机化步骤对问题解进行逐步调整。该算法每次迭代只更新一次和声向量，通过多次迭代最终找到最优解。公式(3)中的Fit（SB）被作为和声搜索算法的目标函数，其值越低，和声搜索算法所得到的检测结果就越精确，反之亦然。

2.1轨道交通单端供电系统

图1 轨道交通单端供电系统

根据轨道交通供电系统的原理，对图1 进行分析。图中圆圈内的数字代表回馈线区段的编号（下式中用bm表示对应区段的状态信息），各个检测装置期望状态函数aij（SB）由其后续的各个区 段 确 定，分 别 表 示 为ai1（SB）=b1||b2||b3||b4||b5||b6，ai2（SB）=b2||b3||b4||b5||b6，ai3（SB）=b2||b3||b4||b5||b6，ai4（SB）=b3，ai5（SB）=b4，ai6（SB）=b6和ai7（SB）=b5。

利用MATLAB 编写基于和声搜索算法的轨道交通供电系统故障定位程序。假设接触网区段④和⑤发生短路故障，分别进行接收到的故障信息正常以及故障信息存在畸变两种情况的运算。为了避免由于种群随机产生而造成的偶然性，每种情况进行了100 次的程序运行。表1 为故障信息完整及故障信息存在畸变时得到的定位结果。

表1 单端供电系统故障定位结果1

为了避免误差，下面再次选择了两种假设。

针对接触网区段③和④发生短路故障以及区段④和⑥发生故障，分别进行接收故障信息正常及接受故障信息存在畸变两种情况的运算。故障信息完整及故障信息存在畸变时的定位结果如表2、表3 所示。

表2 单端供电系统故障定位结果2

图2 轨道交通多端供电系统

表3 单端供电系统故障定位结果2

根据以上故障运算结果，对于故障信息完备情况，和声搜索算法能收敛到问题的最优解，对于少数故障信息缺失，也能准确定位出故障区段，与实际相符。

2.2 轨道交通多端供电系统

对于多端供电系统，我们可以把它拆分成多个单端供电系统分别来考虑，每次运算只假设由一个电源供电，该电源向全网供电的流出方向即为正方向，将所有单端结果集中分析即可定位出故障区段。

与单端供电系统不同的是，多端供电系统需要考虑到故障电流aij的方向，当存在故障电流且方向与所设电流正方向一致时，取值为1，当不存在故障电流或存在故障电流但故障电流方向与所设电流正方向不一致时，取值为0。

设计28 个开关，18 个区段，根据上述过程，建立和声记忆库（HM），HMS=100：

其中，bin指第i 组第n 个区段的状态（n=1，2，3…18）,bin=0指区段正常，bin=1 指区段故障。

令和声记忆库取值概率HMCR=0.9；音调微调概率PAR=0.3；微调带宽bw=0.01；迭代次数Tmax=200。

假设A 端供电，网络的正方向即为由A 指向B、C、D，当故障区段为⑥和⑨时，故障过流信息为：1 1 1 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0。

将Fnew与记忆库中最差的Fit（SB）比较，判断是否优于最差的Fit（SB），若优于则将Bnew替代Bi，劣于则保留Bi，从而得到最新的记忆库。

根据初始化设置的迭代次数，重复迭代100 次，得到适应度最小值，那么该适应度对应的解空间得到的区段状态就是故障区段的状态。

经过100 次迭代计算后，发现得到的适应度的值总是非负的且值趋向于0。而适应度函数是区分群体中个体好坏的标准。这就表明，最终运算得到的解，是我们所期望的“好”解，也即最优解。

图3 适应度函数曲线

同理，在假定B、C、C 端供电时，也可以列出上述的各检测装置期望状态函数和适应度函数。仿真结果如下。

将拆分后的单端供电的故障定位结果综合在一起，得到故障区段为⑥和⑨，与实际情况相符。

2.3 仿真结果分析

综合轨道交通单端供电系统和多端供电系统的仿真结果，不难发现，和声搜索算法收敛速度快，可以对轨道交通供电系统故障区段进行快速而准确的定位。

当输入位发生畸变时，随着迭代次数的增加，最后仍然可以计算出正确的定位结果，这说明了该算法具有较高的容错性。

表4 多端供电系统你故障定位结果

3 结论

本文基于和声搜索算法的基本原理，提出了针对轨道交通供电系统故障定位的仿真模型。并且对复杂的轨道交通多端供电系统进行拆分，繁而化简，分别讨论单端供电情况下的仿真结果，再进行综合，定位出最终的故障区段。该算法计算速度快，容错性高，且运用实例证明了该算法的有效性。