新建电气化铁路牵引负荷预测

为了评估新建电气化铁路对电网电能质量的影响,提出了一种基于实测数据的牵引负荷统计预测方法.该方法基于大量的牵引负荷实测数据,在统计分析其分布特征的基础上,选择带电有效系数、最大值、方差和偏度系数作为描述牵引负荷概率分布的主要特征量;应用模糊C均值聚类法,将42组牵引负荷实测数据分成10类,根据铁路设计部门提供的牵引负荷特征值,判断新建电气化铁路牵引负荷归属10类概率模型特征库中的某一类,进而可知其概率分布,采用蒙特卡洛抽样,即可获得新建电气化铁路牵引变电所馈线电流的预测数据;用均方差指标对拟合曲线进行误差校验,误差均在0.1以内,证实了方法的有效性.

灰色模型在牵引负荷预测中的应用

将灰色模型引入到牵引负荷预测中,对国内电气化铁路牵引负荷进行了预测分析,结果表明利用灰色模型方法分析具有较高的预测精度。

基于EEMD-CBAM-BiLSTM的牵引负荷超短期预测

针对电气化铁路牵引负荷难以预测的问题,构建了一种由集合经验模态分解(EEMD)、改进型卷积块注意力模块(CBAM)和双向长短期神经网络(BiLSTM)组合成的EEMD-CBAM-BILSTM预测方法,有效地降低了牵引负荷超短期预测误差与计算成本。首先,通过EEMD将牵引负荷数据分解为多个稳定、有规律的时序模态函数,突出负荷数据的时序特征;其次,将分解后的各分量整体通入由卷积神经网络(CNN)和改进型CBAM组成的特征提取模块提取全局时序特征;最后,利用贝叶斯优化(BO)搜寻BiLSTM最优参数,并将全局特征通入优化后的神经网络进行超短期时序预测。仿真算例表明,该文所提预测框架在各预测步长下均能很好地把握牵引负荷变化趋势,显著提升了牵引负荷预测的精度。