多重神经网络在轨道交通电力电缆故障分析上的应用

张 辉

（无锡学院，江苏 无锡 214000）

城市轨道交通是现代城市公共交通运输中一种重要的组织方式，其运量大、准点、环保等优点得到了广泛的认可和追捧。数据显示，全国超过30个城市开始兴建地铁工程，电力系统的故障率是影响地铁运营的关键因素之一。一旦电力系统出现故障，将导致列车无法正常运行，给城市交通和社会带来极大的不便。因此，运营单位应该非常重视电力系统的安全性，并采取有效的措施预防故障。在实际运营中，定期维护和检修电力系统、制定科学的故障排查和处理措施、加强对电力系统相关人员的培训等都是提高电力系统安全稳定运行的关键措施。只有通过有效的管理和科学的维护保养，才能确保电力系统的正常运行，进一步保障城市轨道交通的安全、便捷和高效运行[1]。

地铁通信系统是保障地铁正常有效运行的关键系统，可保障地铁的运行安全和有效性。目前，主要采用专用数字集群通信系统。在国内，TETRA是主流的通信系统之一，其具有行车调度、防灾调度、车辆段值班调度、停车场值班调度和维修调度等五个子系统，还具有指挥调度、数据传输和电话服务的功能。如北京地铁运营单位在一号线上采用TETRA通信系统，确保了地铁运行的顺畅和安全[2]。随着LTE-M技术在运营商网络建设中逐渐成熟，以其抗干扰能力和在高速移动状态下的稳定性逐渐受到重视和青睐[3]。在铁路交通领域，GSM-R是专门为铁路通信设计的综合专用数字移动通信系统，能满足铁路通信的特殊需求，包括高速行车和车站信号控制等[4,5]。这些技术的应用，为地铁通信系统的安全性和效率提升提供了有力保障，也为地铁通信系统的发展提供了更广阔的空间和更好的保障。

1 轨道交通电力电缆故障原因及分类

1.1 短路（低阻）故障

一般情况下是指电缆单相或多相对地绝缘电阻或者不同线芯之间的绝缘电阻低于几百欧姆的故障。常见的有单相低阻接地、两相短路接地和三相短路接地等。与高阻故障的区别就是识别起来比较方便，用低压脉冲法即可检测出低阻反射波。

图1 电缆故障示意图

1.2 开路故障

开路故障是在电缆各相不导电性都正常运作的时候，电缆单相或多相导体开路或者金属护层断裂的故障，也就是电缆终端部分的电压失常，抑或是存在电压，却并没有足够的带负载性能。开路故障通常都会和电阻接地状况同时出现。当A相时，电缆网络可以被视为出现开路故障。

1.3 高阻故障

高阻故障出现的频次通常远高于低阻故障，大约占总电缆故障总数的80%。其通常体现在电缆单相或多相对地绝缘电阻或者不同线芯之间绝缘电阻低于正常值但高于几百欧姆的状态。对于高阻故障，业界通常建议使用脉冲电流法或脉冲电压法对电缆展开全面测试。

1.4 闪络性故障

相对于高阻故障，电缆绝缘电阻阻值非常高，在进行电缆耐压试验时发现，当电压超过某一数值时，就会造成绝缘击穿，该故障被称之为闪络性故障。这类故障是高阻故障的极端形式，并不常见，偶尔会出现在预防性试验中，常用脉冲电流法或脉冲电压法中的冲闪方式进行测距。但由于这类故障常常是封闭性的，查找起来会有一些困难。

1.5 电缆主绝缘的特殊故障

这类故障常常发生在大范围进水而受潮的电缆、中间接头较多的低压电缆和因加工不良或被烧焦而导致铜屏蔽层或电缆护层发生破损的电缆上。在用脉冲法测试故障时，会碰到没有反射脉冲波的现象，所以常采用电桥法测距。

1.6 单芯高压电缆护层故障

这类故障是由于电缆金属护层与大地间没进行很好的绝缘引起的，两者之间除了金属相外，就只有大地，而且大地的衰减系数非常大，要是使用脉冲法来测距，会影响测距效果，不会达到预期的标准，因而选取电桥法来测试这类故障。

综上所述，针对不同的故障类型所采用的测试方法也不尽相同，如表1所示。

表1 电缆故障分类及测试方法选择

2 基于多重神经网络的轨道交通电力电缆故障诊断方法

轨道交通电力电缆故障诊断是轨道交通维护保养中的重要问题。传统的故障诊断方法采用浅层模型，存在欠拟合问题，难以提高诊断准确性。深度自编码网络作为一种无监督学习方法，能够利用大量无标签数据进行预训练，从而提高模型的泛化能力和鲁棒性。同时，将CNN与LSTM网络相结合，可以提高特征的提取能力和时间序列建模能力。为了进一步提高准确性，对传统LSTM网络的门结构进行改进，形成具有多级门控的LSTM网络，从而更加精细地控制信息的传递和遗忘。这种方法已经被应用于实际的轨道交通电力电缆故障诊断中，取得了不错的效果。因此，这种方法具有很大的应用潜力，可以提高轨道交通维护保养的效率和质量。故而本文将CNN与LSTM网络相结合，并对传统LSTM网络的门结构进行改进，使用两级遗忘门和两级输入门替代原有的遗忘门与输入门，形成具有多级门控的LSTM网络，将其与CNN相结合，建立改进的CNN-LSTM模型，提出了一种新型轨道交通电力电缆故障诊断方法，具体结构如图2所示。

图2 CNN-LSTM轨道交通电力电缆故障诊断模型的流程图

CNN-LSTM模型是指先利用CNN模型提取原始轨道交通电力电缆电信号序列的特征，然后在此基础上，利用LSTM模型提取出对应信息的时间特征并进行异常检测和故障分类。

3 轨道交通电力电缆的故障诊断实验

3.1 数据采集

下面对轨道交通电力电缆线路的短路故障诊断进行模型仿真验证，模拟单相接地短路故障、两相相间短路故障、两相接地短路故障和三相短路故障这四种故障。为了使实验在不同故障状态下具有可比性，实验过程中将仿真系统的基本参数，如采样频率、故障发生时间、故障持续时间等设为固定值。

继而构造样本集，输入数据要包含轨道交通电力电缆的各个故障特征，而输出数据就是对应轨道交通电力电缆的状态参数。将提取出来的故障特征向量作为BP神经网络的输入数据，输出数据即为待训练网络的期望输出，本文采取二进制编码对输出层故障类型进行表示。

相关研究表明，神经网络的分类精度与样本数据量的大小有很大的关系，足够的样本数据量会在一定程度上提高分类精度。但是过多的数据量会导致神经网络的学习与训练速度不尽如人意；而过少的数据量会导致网络训练不够充分从而降低神经网络的分类精度，进而会错误判断轨道交通电力电缆线路故障类型。本次实验频率是2kHz，在每种故障类型下设置不同的故障相、不同的故障距离，总共选取了800组数据样本，其中80%用作训练样本，20%用作测试样本。

3.2 实验与分析

CNN和LSTM神经网络及粒子群初始参数设置完成后，按照多重神经网络算法流程，在Matlab环境下进行仿真实验，将训练好的多重神经网络对160组测试数据进行测试实验，诊断误差曲线如图3所示。

图3 多重神经网络诊断误差曲线

可以看出，多重神经网络的故障诊断模型对于测试样本的诊断最大误差达到了0.5486，平均误差达到了0.1795；对于160组测试样本的测试，正确率达到了92.5%，但是对于AB相接地短路故障和BC相间短路故障的准确率只有85%，因此基于多重神经网络的轨道交通电力电缆故障诊断模型还有待改进。

4 结束语

随着城市轨道网络规模的不断扩大，轨道交通电力电缆被大量使用，但是在电缆施工和运行过程中存在一些不规范操作造成地埋电缆故障，需要及时加以排除，因此本文基于CNN和LSTM构建多重轨道交通电力电缆故障类型诊断模型。本章首先介绍了神经网络的基本理论，分析了其局限性，并针对这些局限性总结了一些神经网络常用的优化方法，为城市轨道交通电力电缆故障定位和分析提供参考。■