(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110569726.7 (22)申请日 2021.05.25 (65)同一申请的已公布的文献号 申请公布号 CN 113343560 A (43)申请公布日 2021.09.0 3 (73)专利权人 中车青岛四方车辆 研究所有限公 司 地址 266000 山东省青岛市 市北区瑞昌路 231号 (72)发明人 曹虎　聂强　郭洪玮　初开麒　 李鸿飞　 (74)专利代理 机构 青岛清泰联信知识产权代理 有限公司 3725 6 专利代理师 李红岩(51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 111680848 A,2020.09.18 CN 110188920 A,2019.08.3 0 CN 105045952 A,2015.1 1.11 WO 2018215864 A1,2018.1 1.29 审查员 刘可欣 (54)发明名称 一种直流支撑电容的电容值预测方法及装 置 (57)摘要 本发明实施例公开一种直流支撑电容的电 容值预测方法及装置。 该方法中通过预设组合神 经网络模型对待测试数据进行复制得到副本数 据， 将待测试数据和副本数据中的一者输入至第 一长短期记忆网络得到第一时间相关性特征， 另 一者输入至第一卷积神经网络得到第一空间相 关性特征， 将第一时间相关性特征输入至第二长 短期记忆网络得到第二时间相关性特征， 将第一 空间相关性特征输入至第二卷积神经网络得到 第二空间相关性特征， 将第二时间相关性特征和 第二空间相关性特征输入至全连接层得到直流 支撑电容的电容预测值。 本发明中基于预设组合 神经网络模型预测得到直流支撑电容的电容预 测值， 能够适应轨道车辆的实时监测电容值的需 要。 权利要求书3页 说明书15页 附图2页 CN 113343560 B 2022.07.12 CN 113343560 B 1.一种直 流支撑电容的电容 值预测方法， 其特 征在于， 所述方法包括： 获取待测试数据， 其中， 所述待测试数据中至少包括电容电压、 电容电流、 电网电压和 电网电流； 将所述待测试数据输入至预设组合神经网络模型， 通过所述预设组合神经网络模型对 所述待测试数据进行复制得到副本数据， 将所述待测试数据和所述副本数据中的一者输入 至第一长短期记忆网络得到第一时间相关性特征， 另一者输入至第一卷积神经网络得到第 一空间相关性特征， 将所述第一时间相关性特征输入至第二长 短期记忆网络得到第二时间 相关性特征， 将所述第一空间相关性特征输入至第二卷积神经网络得到第二空间相关性特 征， 将所述第二时间相关性特征和所述第二空间相关性特征输入至全连接层得到直流支撑 电容的电容预测值； 其中， 所述预设组合神经网络模型包括所述第一卷积神经网络、 所述第二卷积神经网 络、 所述第一长 短期记忆网络、 所述第二长 短期记忆网络和所述全连接层， 所述第一长 短期 记忆网络与所述第二长 短期记忆网络连接， 所述第一卷积神经网络与所述第二卷积神经网 络连接， 所述第二长短期记 忆网络和所述第二卷积神经网络均 与所述全连接层连接 。 2.如权利要求1所述的方法， 其特征在于， 所述第一卷积神经网络包括第一卷积层、 第 一最大池化层和第一激活层， 所述第二卷积神经网络包括第二卷积层、 第二最大池化层和 第二激活层， 所述将另一者输入至第一卷积神经网络得到第一空间相关性特征， 将所述第 一空间相关性特 征输入至第二卷积神经网络得到第二空间相关性特 征的步骤， 包括： 将另一者输入至所述第一卷积层， 得到第一卷积特 征； 将所述第一卷积特 征输入至所述第一 最大池化层， 得到第一 最大池化后特 征； 将所述第一 最大池化后特 征输入至所述第一激活层， 得到第一空间相关性特 征； 将所述第一空间相关性特 征输入至所述第二卷积层， 得到第二卷积特 征； 将所述第二卷积特 征输入至所述第二 最大池化层， 得到第二 最大池化后特 征； 将所述第二 最大池化后特 征输入至所述第二激活层， 得到第二空间相关性特 征。 3.如权利要求1或2所述的方法， 其特征在于， 所述将所述第二时间相关性特征和所述 第二空间相关性特 征输入至全连接层得到直 流支撑电容的电容预测值的步骤， 包括： 通过所述全连接层的预设线性函数对所述第二时间相关性特征和所述第二空间相关 性特征进行回归处 理， 得到直 流支撑电容的电容预测值。 4.如权利要求2或3所述的方法， 其特征在于， 所述第一卷积神经网络还包括第一块正 则化层， 所述第二卷积神经网络还 包括第二 块正则化层； 在所述将所述第 一最大池化后特征输入至所述第 一激活层， 得到第 一空间相关性特征 的步骤之前， 所述方法还 包括： 将所述第一最大池化后特征输入至所述第 一块正则化层进行正则化处理， 得到处理后 的第一最大池化后特征， 其中， 所述处理后的第一最大池化后特征 的波动频率位于预设波 动阈值范围内； 所述将所述第 一最大池化后特征输入至所述第 一激活层， 得到第 一空间相关性特征的 步骤， 包括： 将处理后的第一 最大池化后特 征输入至所述第一激活层， 得到第一空间相关性特 征； 在所述将所述第 二最大池化后特征输入至所述第 二激活层， 得到第 二空间相关性特征权　利　要　求　书 1/3 页 2 CN 113343560 B 2的步骤之前， 所述方法还 包括： 将所述第二最大池化后特征输入至所述第 二块正则化层进行正则化处理， 得到处理后 的第二最大池化后特征， 其中， 所述处理后的第二最大池化后特征 的波动频率位于所述预 设波动阈值范围内； 所述将所述第 二最大池化后特征输入至所述第 二激活层， 得到第 二空间相关性特征的 步骤， 包括： 将处理后的第二 最大池化后特 征输入至所述第二激活层， 得到第二空间相关性特 征。 5.如权利要求1所述的方法， 其特征在于， 所述预设组合神经网络模型的训练过程， 包 括： 获取仿真数据和所述仿真数据对应的直流支撑电容的 电容仿真值， 其中， 所述仿真数 据中至少包括仿真电容电压、 仿真电容电流、 仿真电网电压和仿真电网电流； 对所述仿真数据进行第一预处 理， 得到处 理后的仿真数据； 将处理后的仿真数据以及所述电容仿真值作为仿真训练数据集输入至初始组合神经 网络模型中进 行训练， 当迭代次数达到第一预设次数时， 完成训练， 得到使得 处理后的仿真 数据与所述电容仿真值相关联的第一组合神经网络模型， 其中， 所述初始组合神经网络模 型包括第一初始卷积神经网络、 第二初始卷积神经网络、 第一初始长 短期记忆网络、 第二初 始长短期记 忆网络和初始全连接层； 获取轨道车辆牵引系统 的半实物仿真平台采集的平台数据和直流支撑电容的电容值， 其中， 所述平台数据中至少包括电容电压、 电容电流、 电网电压和电网电流； 对所述平台数据进行第二预处 理， 得到处 理后的平台数据； 将所述处理后的平台数据和所述电容值作为真实训练数据集输入至所述第一组合神 经网络模 型中进行训练， 当迭代次数达到第二预设次数时， 完成训练， 得到使得所述处理后 的平台数据与所述电容 值相关联的预设组合神经网络模型。 6.如权利要求5所述的方法， 其特征在于， 所述对所述仿真数据进行第一预处理， 得到 处理后的仿真数据的步骤， 包括： 对所述仿真数据进行重采样， 得到数据频率 为预设频率的重采样后数据； 对所述重采样后数据进行切片， 生成预设长度的多个数据 序列； 从所述多个数据序列中选择预设步长的数据作为处理后的仿真数据， 其中， 所述预设 步长不小于电容电压的一个波长 。 7.如权利要求5所述的方法， 其特征在于， 所述对所述平台数据进行第二预处理， 得到 处理后的平台数据的步骤， 包括： 删除所述平台数据中的缺失数据， 得到删除后的平台数据； 对删除后的平台数据进行切分， 得到不同工作阶段对应的平台数据； 选择至少两个工作阶段对应的平台数据作为处 理后的平台数据。 8.如权利要求1所述的方法， 其特征在于， 所述第 一长短期记忆网络和所述第 二长短期 记忆网络中的长短期记 忆网络结构的步长均为8。 9.一种直 流支撑电容的电容 值预测装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取待测试数据， 其中， 所述待测试数据中至少包括电容电压、 电容电 流、 电网电压和电网电流；权　利　要　求　书 2/3 页 3 CN 113343560 B 3