近年来，电气化铁路车网匹配失稳引起的牵引网电能质量问题较多，常伴随有各种过电压现象出现，对电气化铁路的安全运行造成了干扰。如果能第一时间对牵引网过电压进行辨识，将有利于保障牵引供电系统的安全可靠性。虽然牵引变电所、机车车辆都布置有相应的电压互感器，但尚缺乏对数据的快速采集和智能辨识技术。

目前有多种电压检测分析方法可以应用于对牵引网过电压类型的识别，一般包含两个关键步骤：电压信号的时频域变换和时频特征的提取与识别。对于电压信号的时频域变换，比较成熟的方法有时域法、快速傅里叶变换（fast Fourier transform, FFT）、短时傅里叶变换（short-time Fourier transform, STFT）、小波变换（wavelet transform, WT）和S变换。

时域法一般将时间序列划分为多个区间，分析不同区间上信号的时域特性。快速傅里叶变换具备时间复杂度低的特点，但只适用于平稳信号分析，对暂态信号的灵活性较差，且快速傅里叶变换生成的频谱不具有时域特征，无法同时综合分析时域和频域。

短时傅里叶变换、小波变换和S变换都应用了加窗分帧的思想，生成原始信号的时频能量图，这三者不同在于：相较于小波变换和S变换，短时傅里叶变换由于其窗函数固定，虽然具有“时间、频率分辨率不可兼得”的缺点，但是计算量小。短时傅里叶变换计算量小，更适于布置在牵引变电所或机车车辆的实时在线监测设备的终端嵌入式系统。

北京交通大学电气工程学院的研究人员采用短时傅里叶变换，并针对不同频率范围，通过调节窗函数在时域、频域分辨率之间作取舍，生成合适的时频能量图。

对于时频特征的提取与识别，最重要的是特征参数的选择和识别算法中阈值的设定，可以利用电路暂态分析和统计学方法来实现。但是基于特征的电压检测分析方法均需要人工选定特征参数和设定阈值，通常涉及复杂的电路暂态模型或统计学方法，且容易受到人的主观影响，特别是当分类任务的计算规模增大时，分类难度会大大增加。

随着计算机性能的提升，深度学习方法被大量运用于辨识任务中。在以往的动车组跟车测试中，大量的牵引网网压数据被收集，其中包含了丰富的牵引网过电压数据，可以作为深度学习的数据集。卷积神经网络（convolutional neural network, CNN）是深度学习的代表算法之一。CNN在二维数据的特征提取任务中表现出了极佳的性能，适用于时频能量图这种二维数据的特征识别。视觉几何组（visual geometry group, VGG）神经网络是一种具备小卷积核、小池化核、层数更深等特点的CNN，相较于其他的CNN，VGG具有高辨识率和强泛化性的优势。

科研人员针对牵引网过电压的辨识问题，采用短时傅里叶变换处理牵引网过电压信号，综合分析了信号的时域和频域特征，实现了对铁磁谐振过电压的快速识别；再利用卷积神经网络的自学习能力挖掘时频能量图特征与牵引网过电压信号的深层次关系，实现了对进分相过电压、出分相过电压、断路器开闭过电压和高频谐振过电压的识别。

图1 牵引网过电压识别的整体流程

科研人员指出本研究的贡献与创新主要有：1）考虑到短时傅里叶变换计算量小、适用于在线监测设备的终端嵌入式系统，本研究采用短时傅里叶变换对牵引网过电压时域信号进行时频域变换。并且根据牵引网过电压的特点，针对不同频率区间，调整短时傅里叶变换的相关参数，更全面地反映牵引网过电压的时频特性。2）本研究利用VGG神经网络分类模型，基于大量的牵引过电压时频能量图样本，实现了对五种常见牵引网过电压的辨识，并且该方法具备较高的准确度。

研究最终结果表明：

1）虽然短时傅里叶变换具有时间、频率分辨率不可兼得的缺点，但在实际应用中可以结合实际需要来调整相关参数，进行不同频段内的分析，在时间、频率分辨率之间做取舍。

2）训练神经网络时应当选择合适的正则化方法，如随机失活（保留率取0.5），能避免过拟合，提高VGG-16辨识模型的泛化能力，使测试集的准确度达到90%以上。

3）本研究选用的VGG-16模型具有层数深、卷积核小的特点，因而收敛速度较快，通常只需要迭代20～30次即可达到较高的准确度。随着图像识别技术的发展和计算机运算性能的提高，基于时频分析的电能质量分析方法具有实际应用意义。

4）本研究的辨识方法的局限性体现在两个方面：首先，神经网络的表现依赖样本集，当样本集存在缺陷或实际情况变复杂时，神经网络的性能可能下降；其次，该方法对样本集、预处理、STFT、神经网络的各项参数有一定要求，并且选定的参数组合的可迁移性还有待验证。

本文编自2021年第10期《电气技术》，论文标题为“基于短时傅里叶变换和深度学习的牵引网过电压辨识”，作者为贾君宜、吴命利 等。