基于SBSS与CNN的750 kV变压器与尖板放电混叠信号的声纹识别

包艳艳; 杨广泽; 陈伟; 冯婷娜

doi:10.3969/j.issn.0258-2724.20230177

基于SBSS与CNN的750 kV变压器与尖板放电混叠信号的声纹识别

doi: 10.3969/j.issn.0258-2724.20230177

包艳艳^{1, 2,},
杨广泽³,
陈伟¹,
冯婷娜⁴

1.
兰州理工大学电气工程与信息工程学院，甘肃兰州 730050
2.
国网甘肃省电力公司电力科学研究院，甘肃兰州 730070
3.
国网山东省电力公司泰安供电公司，山东泰安 271000
4.
国网新疆电力有限公司哈密供电公司，新疆哈密 839000

详细信息

作者简介:
包艳艳（1990—），女，博士研究生，工程师，研究方向为输变电设备状态评估、诊断，E-mail：1076453621@qq.com

中图分类号: TM85
计量
- 文章访问数: 62
- HTML全文浏览量: 24
- PDF下载量: 7
- 被引次数: 0
出版历程
- 收稿日期: 2023-04-21
- 修回日期: 2023-11-16
- 网络出版日期: 2025-01-13

Voiceprint Recognition of 750 kV Transformer and Pin-Plate Discharge Aliasing Signals Based on Sparse Representation Theory and Convolutional Neural Network

1.
College of Electrical and Information Engineering, Lanzhou University of Technology, Lanzhou 730050, China
2.
State Grid Gansu Electric Power Research Institute, Lanzhou 730070, China
3.
Tai’an Power Supply Company, State Grid Shandong Electric Power Company, Tai’an 271000, China
4.
Hami Power Supply Company of State Grid Xinjiang Electric Power Co., Ltd., Hami 839000, China

摘要

摘要:
变压器绝缘水平和健康状态对电网的安全稳定至关重要，为研究750 kV变压器内部存在放电故障时，箱体外采集的可听声信号中可能混杂有电晕声、鸟鸣等其他干扰信号的工程实际问题，提出一种基于稀疏表示理论（SBSS）与卷积神经网络（CNN）的750 kV变压器与尖板放电混叠信号的声纹识别方法. 首先，采集武胜750 kV变电站变压器正常运行声信号作为背景声，构建针-板放电模型得到放电声信号和现场常见干扰声作为前景声，通过添加不同信噪比的前景声到背景声中构造混叠声信号；然后，利用基于稀疏表示理论的盲分离算法实现目标前景声纹图谱和冗余背景声纹图谱的分离；最后，对CNN模型超参数进行优化，以提高模型对分离后的各类前景声纹谱图的分类性能. 研究结果表明：通过盲源分离算法可以剔除冗余背景声干扰，使神经网络聚焦于前景声的分类识别；本文方法可实现混叠声信号中前景声纹的分离，分离后，CNN、支持向量机（SVM）和反向传播神经网络（BPNN）的识别准确率分别提高7.6%、17.2%和14.3%.
- 局部放电 /
- 时频谱图 /
- 稀疏表示 /
- 盲分离 /
- 卷积神经网络 /
- 深度学习
Abstract:
Transformer insulation level and health state are crucial to the safety and stability of the power grid. In order to study the practical engineering problem that the audible acoustic signals collected outside the box may be mixed with other interference signals, such as corona sound and bird song when there is a discharge fault inside the 750 kV transformer, a voiceprint recognition of 750 kV transformer and pin-plate discharge aliasing signals based on sparse representation theory (SBSS) and convolutional neural network (CNN) was proposed. Firstly, the normal operation sound signal of Wusheng 750 kV Substation was collected as the background sound, and the discharge sound signal and the common interference sound in the field were used as the foreground sound by constructing the pin-plate discharge model. The aliasing sound signal was constructed by adding the foreground sound with different signal-to-noise ratios to the background sound. Secondly, the blind separation algorithm based on SBSS was used to realize the separation of target foreground and redundant background voiceprint spectra. Finally, the hyperparameters of the CNN model were optimized to improve the classification performance of the model on the separated various types of foreground voiceprint spectra. The results show that the blind source separation algorithm can eliminate the redundant background sound interference so that the neural network can focus on the classification and recognition of foreground sound. The proposed method can separate foreground voiceprint in the aliasing sound signals, and the recognition accuracies of the CNN, the support vector machine (SVM), and the back-propagation neural network (BPNN) after separation are improved by 7.6%, 17.2%, and 14.3%, respectively.
- partial discharge /
- time-frequency spectrum /
- sparse representation /
- blind separation /
- convolutional neural network /
- deep learning

HTML全文

随着出行需求的不断增长和出行选择日渐向快捷、舒适方向发展，私家车或网约车使用率提高，造成交通拥堵^[1]，同时也导致公共交通特别是公交车的使用率逐渐下降. 因此，如何最大程度地发挥公共交通的优势，并满足各类灵活出行需求，是迫切需要深入研究的问题^[2-3].

公交车接驳大型轨道交通线路或站点不仅可以解决乘客的“最后一公里”问题，还能够维持公交车一定的运力. 在公交车接驳轨道交通时刻表编制方面，Wang等^[4]提出了一种公交接驳地铁发车时刻表和车辆调度一体化优化模型；窦雪萍等^[5]构建了公交接驳轨道交通时刻表并与车队规模联合的优化模型，以减少乘客排队等待出行成本与公交企业运营成本；Xiong等^[6]提出了关于社区班车与地铁服务协同优化的研究问题，使用遗传算法和Frank-Wolfe算法相结合的混合算法进行求解，得出最优同步调度方案；Liu等^[7]针对因轨道交通网络中断而导致大量乘客滞留的问题，构建了公交接驳轨道交通时刻表优化模型，并提出相关接运方案；Chen等^[8]为应对轨道交通中断问题，将快速和短途路线合并，提出时变需求下的公交桥接路线和时刻表综合优化框架.

由于地铁辐射范围越来越广，一些公交车线路因需求量变化导致改道或停运，还有少数公交车线路出于各方面原因与地铁线路保持较高程度的重合. 如果能够充分利用这部分公交车特性，在满足原有公交车出行需求的同时服务有短途出行需求的地铁乘客，无需开设新接驳线路，具有高效率低成本的特性. 可变线路公交（flex-route transit, FRT）^[9]的特点恰好可以满足上述需求，在与地铁重合的线路和站点中既能服务原有公交出行需求，又能在固定站点间改变线路，接送有短途出行需求的地铁乘客. 在可变线路公交时刻表编制方面，赵展轮^[10]结合可变线路式公交双重特性，构建车辆发车间隔模型和发车时间窗宽度确定方法；姚尹杰^[11]从发车时刻等方面对需求响应公交进行系统设计，综合考虑乘客上下车站点时空约束、车辆不可逆行约束等条件，构建了通道型需求响应公交时刻表与路径规划协同优化模型.

综上所述，由于可变线路公交基于乘客预约出行需求进行运行组织，因此运行方案设计需要与站点和线路同步调整. 目前针对可变线路公交运行周期、发车间隔和车辆配置与接驳站点、线路同步优化的研究相对较少，特别是考虑不同时空属性下的灵活出行特征（乘客类型及预约时空维度信息）和接驳站点处时间衔接的影响，因此有待进一步研究和探索. 乘客搭乘地铁和短途出行时会考虑地铁的到站、发车时间，以安排自己的出行计划. 为有效提供接驳服务，需要将可变线路公交与地铁的运营组织方案相配合. 目前，国内大部分城市的公交行车计划仍然依靠人工编制^[12]，因此需要在考虑运营需求的前提下，提出一种智能化公交行车计划编制方法.

1. 时刻表编制模型与方法

针对接驳地铁站点“最后一公里”出行需求，本研究建立了可变线路公交协同地铁运行时刻表编制模型，编制最优化的可变线路公交时刻表，以高效完成接驳服务，提高公交系统服务水平.

1.1 发车时间间隔

由于可变线路公交具有服务合乘的特点和车辆运行不确定性，既要考虑固定站点的发车间隔和发车时刻，也要考虑站点间灵活接送乘客时的松弛服务时间，因此，传统固定线路公交时刻表编制方式^[13-14]和发车频率计算方法^[15]并不完全适用于服务灵活出行需求的接驳可变线路公交. 本节提出了一种基于地铁时刻表、乘客预约需求和发车时间窗约束的可变线路公交车接驳地铁发车时间间隔计算方法.

在长（L）*宽（W）服务区域内存在I类乘客：地铁站出站（O）、站外/线外到达需求点（D）和II类乘客：站外/线外出发需求点（O）、地铁站进站（D），如图1所示，现存的常规公交转变成可变线路公交，完成乘客在站点和基准线外之间的需求的接驳服务.

图 1 可变线路公交接驳地铁短途出行乘客示意图

Figure 1. Schematic of FRT picking up/dropping off urban rail transit short-distance passengers

下载: 全尺寸图片幻灯片

地铁换乘接驳可变线路公交和接驳可变线路公交换乘地铁2种情况，最佳换乘的情况分别为：地铁换乘接驳可变线路公交的乘客抵达公交站台时，可变线路公交车辆恰好在站；接驳可变线路公交换乘地铁的乘客到达地铁站台时，地铁恰好在站，具体换乘过程用时空图表示，如图2所示. 图中：R_Ta、R_Td分别为地铁到站和发车时间；ε为乘客进出地铁站换乘所需时间，min；t_p、t_d分别为上、下可变线路公交时刻；t_a,k、t_b,k分别为可变线路公交班次k在固定站点的到达、发车时间；P_p,k、P_d,k分别为可变线路公交班次k理想时在固定站点接上、送达乘客时刻；K为接驳可变线路公交车辆发车次数集合，k∈K.

图 2 地铁与接驳可变线路公交换乘时空图

Figure 2. Transfer time-space of urban rail transit and feeder FRT

下载: 全尺寸图片幻灯片

左侧乘客从地铁换乘可变线路公交时，需要在R_Ta时刻完成下车，经过换乘时间ε在t_p时刻（t_b,k时刻前）到达接驳站公交点. 右侧乘客自可变线路公交换乘地铁需要在t_d时刻或之前到接驳站，经过换乘时间ε在R_Td时刻或之前到达地铁站点进行换乘.

乘客从地铁换乘可变线路公交时如果过早到达公交站，需要等待一定时间才能被服务；若乘客晚到公交站点，若上一班次被安排服务该乘客，车辆需等待乘客到达站点后接上乘客再发车，这一延误同样也记为等待时间成本. 乘客从可变线路公交换乘地铁时如果早到换乘地铁站则不记为延误；若实际到达时刻晚于预计到达时刻则乘客只能乘坐下一班次地铁，这一晚到延误记为晚到时间成本.

1.1.1 目标函数

接驳地铁可变线路公交时刻表编制模型的目标函数为系统成本U最小化，如式（1）所示.

$\text{min}U={\lambda }_{1}{U}_{{\mathrm{W}}} + {\lambda }_{2}{U}_{{\mathrm{L}}} + {\lambda }_{3}{U}_{{\mathrm{F}}} + {\lambda }_{4}{U}_{{\mathrm{O}}},$

(1)

式中：系统成本包括乘客/可变线路公交车辆等待时间成本U_W、乘客乘坐可变线路公交晚到时间成本U_L、换乘失败成本U_F和企业运营成本U_O，λ₁、λ₂、λ₃和λ₄为权重系数.

等待时间涉及车辆发车间隔和排班，故定义为式（2）；晚到时间成本根据上述规则定义为式（3）；换乘过程中换乘失败成本与换乘失败乘客人数有关，见式（4）；企业运营成本取决于车辆班次的运行时间成本，见式（5）.

${U}_{{\mathrm{W}}}={\theta }_{{\mathrm{W}}}{\sum }_{q\in {Q}_{\mathrm{I}}}{\sum }_{k\in K}{y}_{q,k}\left|{P}_{{\mathrm{p}},q,k}-{t}_{{\mathrm{p}},q}\right|,$

(2)

${U}_{{\mathrm{L}}}=\left\{\begin{array}{l}0,\quad{P}_{{\mathrm{d}},q,k}\leqslant {t}_{{\mathrm{d}},q},\\ {\theta }_{{\mathrm{L}}}{\displaystyle\sum }_{q\in {Q}_{\text{II}}}{\displaystyle\sum }_{k\in K}{y}_{q,k}({P}_{{\mathrm{d}},q,k}-{t}_{{\mathrm{d}},q}),\quad{P}_{{\mathrm{d}},q,k} > {t}_{{\mathrm{d}},q},\end{array}\right.$

(3)

${U}_{{\mathrm{F}}}={\theta }_{{\mathrm{F}}}({q}_{\mathrm{m}}-{\sum }_{k\in K}{q}_{k}),$

(4)

${U}_{{\mathrm{O}}}={\theta }_{{\mathrm{O}}}{\sum }_{\alpha \in S}{\sum }_{\beta \in S}{\sum }_{k\in K}{x}_{\alpha \beta ,k}{d}_{\alpha \beta ,k}/v ,$

(5)

式中：θ_W为地铁换乘可变线路公交的乘客或可变线路公交车辆在公交站的等待时间成本单位值，元/min；θ_L为可变线路公交换乘地铁的乘客乘坐车辆晚到公交站的时间成本单位值，元/min；θ_F为换乘失败（乘客未被服务）成本的单位转换值（人数转换为时间成本），元/min；θ_O为车辆/企业运营成本的单位值，元/min；Q_I、Q_II分别为I、II类乘客的集合；Q为所有乘客（需求）集合，Q=Q_I∪Q_II，q∈Q，q_m为服务区域内总乘客数量；q_k为实际乘坐可变线路公交班次k的乘客数量；R_C为研究区域内接驳站的集合，R_C={r₁, r₂,…, r_n}，r_n为研究区域内接驳站的数量；R_N为接驳可变线路公交车辆需要经过的临时站点（灵活需求点）集合；S为所有站点的集合，S = R_C∪R_N；P_p,q,k、P_d,q,k分别为可变线路公交班次k接上、送达乘客q的时间；t_p,q为地铁换乘可变线路公交的乘客q到达公交车站的时间；t_d,q为可变线路公交换乘地铁的乘客q预定到达公交车站的时间； d_αβ,k为可变线路公交班次k行驶自站点α至站点β的Manhattan距离，km；v为可变线路公交车辆行驶速度，千米/小时；x_αβ,k为0-1变量，可变线路公交班次k经过弧（α, β）时取1，否则取0；y_q,k为0-1变量，乘客q乘坐可变线路公交班次k时取1，否则取0.

1.1.2 约束条件

式（6）和式（7）表示班次k在运行过程中都必须从可变线路公交首站（第1个接驳站）出发，最后到达末站（最后1个接驳站），同时，站点最多只能被访问一次，即被访问的站点只能有一次到达和一次出发.

$\sum _{\alpha \in S}{x}_{\alpha \beta ,k}=1,\quad\forall \beta \in S\backslash \left\{{r}_{1}\right\},\; k\in K,$

(6)

$\sum _{\beta \in S}{x}_{\alpha \beta ,k}=1,\quad \forall \alpha \in S\backslash \left\{{r}_{\mathrm{n}}\right\},\; k\in K.$

(7)

式（8）表示当x_αβ,k= 1时，班次k车辆到达站点β的时间将不早于从站点α出发的时间加上两站之间的行驶时间，当x_αβ,k = 0时，此约束无效.

$\begin{split} &{t}_{{\mathrm{a}},\beta ,k}\geqslant {t}_{{\mathrm{b}},\alpha ,k} + {x}_{\alpha \beta ,k}{d}_{\alpha \beta ,k}/v-M(1-{x}_{\alpha \beta ,k}),\\ &\quad\forall (\alpha ,\beta )\in S,\;k\in K, \end{split}$

(8)

式中：t_a,β,k、t_b,α,k分别为可变线路公交班次k在站点β和α的到达、发车时间，M为一个足够大的数.

式（9）确保班次k在非接驳站的发车时间等于车辆到达非接驳站的时间加上停车服务时间. 类似地，式（10）确保班次k在接驳站的发车时间等于车辆在接驳站的到达时间加上服务时间.

${t}_{{\mathrm{b}},\alpha ,k}={t}_{{\mathrm{a}},\alpha ,k} + {t}_{{\mathrm{rn}}},\quad \forall \alpha \in R_{\mathrm{N}},\; k\in K,$

(9)

${t}_{{\mathrm{b}},\alpha ,k}={t}_{{\mathrm{a}},\alpha ,k} + {t}_{{\mathrm{r}}},\quad \forall \alpha \in RC\backslash \left\{{r}_{1},{r}_{\mathrm{n}}\right\},\; k\in K,$

(10)

式中：t_rn为可变线路公交在临时站点（灵活需求点）的服务时间，t_r为在接驳站的停靠时间.

式（11）表示消除使其他点不相交的所有循环，确保在最优解中不包含无意义的子循环

${\sum }_{\alpha \in \psi }{\sum }_{\alpha \in \psi }{x}_{\alpha \beta ,k}\leqslant \left|\psi \right|-1,\; \forall \psi \subseteq S,\; \psi \ne \varnothing ,\; k\in K,$

(11)

式中：ψ为集合S除空集外的真子集.

式（12）表示每个乘客最多被服务一次.

${\sum }_{k\in K}{y}_{q,k}\leqslant 1,\quad \forall q\in Q.$

(12)

式（13）和（14）用于判断换乘乘客能否顺利完成换乘，换乘成功（使用接驳可变线路公交）y_q,k则取1，反之为0.

$M\left({y}_{q,k}-1\right)\leqslant \left|{P}_{{\mathrm{p}},q,k}-{t}_{{\mathrm{p}},q}\right| < M{y}_{q,k},\quad \forall q\in {Q}_{\mathrm{I}},\;k\in K,$

(13)

$M\left({y}_{q,k}-1\right)\leqslant \left|{P}_{{\mathrm{d}},q,k}-{t}_{{\mathrm{d}},q}\right| < M{y}_{q,k},\quad \forall q\in {Q}_{\text{II}},\;k\in K.$

(14)

当换乘乘客q乘坐可变线路公交班次k的等待时间或晚到时间大于τ时为1，否则为0，如式（15）、（16）所示.

$M\left({{\textit{z}}}_{q,k}-1\right)\leqslant \left|{P}_{{\mathrm{p}},q,k}-{t}_{{\mathrm{p}},q}\right|-\tau < M{{\textit{z}}}_{q,k},\quad \forall q\in {Q}_{\mathrm{I}},\;k\in K,$

(15)

$M\left({{\textit{z}}}_{q,k}-1\right)\leqslant \left|{P}_{{\mathrm{d}},q,k}-{t}_{{\mathrm{d}},q}\right|-\tau < M{{\textit{z}}}_{q,k},\quad \forall q\in {Q}_{\text{II}},\;k\in K,$

(16)

式中：τ为乘客最大可容忍等待或晚到时间， min；z_q,k为0-1变量.

式（17）、（18）表示乘客下车时刻要大于上车时刻加上接驳站点或临时站点的服务时间.

${P}_{{\mathrm{p}},q,k} + {t}_{{\mathrm{r}}} < {P}_{{\mathrm{d}},q,k},\quad \forall q\in {Q}_{\mathrm{I}},\;k\in K,$

(17)

${P}_{{\mathrm{p}},q,k} + {t}_{{\mathrm{rn}}} < {P}_{{\mathrm{d}},q,k},\quad \forall q\in {Q}_{\text{II}},\;k\in K.$

(18)

式（19）表示可变线路公交运行中的发车间隔受时间区间约束.

${H}_{\mathrm{m}\mathrm{i}\mathrm{n}}\leqslant H\leqslant {H}_{\mathrm{m}\mathrm{a}\mathrm{x}},\quad \forall H\in {{N}}^{ + },$

(19)

式中：H_min、H_max分别为车辆发车间隔下、上限，min；H为可变线路公交运营周期内发车间隔，min.

运营周期内发车班次次数由下式（20）得到.

${k}_{m}=\frac{h}{H},\quad \forall h\in {{N}}^{ + },H|h$

(20)

式中：h为可变线路公交运营周期，分钟；k_m为运营周期内发车班次次数，次.

通过相关标准及经验确定发车间隔的上下限以及潜在的最优发车间隔（如：5 min、10 min），再根据上述提出的模型依次计算和对比不同发车间隔的各项系统成本，从而确定出最优发车间隔和发车班次.

1.2 站点发车时间

由于需求的不确定性和不均匀性，分配和制定站点之间的松弛时间（制定车辆运行时刻表时额外分配给服务灵活需求点的时间，其值等于系统所分配的运行周期时间减去车辆沿基准路线的直接行驶时间）和发车时间并不是简单的求平均值，要根据实际需求来进行合理的规划. 对于每个班次车辆来说，车辆到站和发车时间受各个接驳站之间的松弛时间影响，根据车辆行驶时间、车辆在每个临时站点和每个接驳站的服务时间可计算得到车辆每班次单程的运行周期时间，见式（21）.

$\begin{split} &{\varsigma }_{k}\geqslant {\sum }_{\alpha \in S}{\sum }_{\beta \in S}\frac{{x}_{\alpha \beta ,k}\times {d}_{\alpha \beta ,k}}{v} + {q}_{i,k}{t}_{{\mathrm{rn}}} + \left({r}_{\mathrm{m}}-2\right){t}_{{\mathrm{r}}},\\ &\quad\forall i\in RC\backslash \left\{{r}_{\mathrm{n}}\right\},k\in K, \end{split}$

(21)

式中：ς_k为可变线路公交班次k运行周期，min；q_i,k为可变线路公交班次k在接驳站r_i与r_{i + 1}之间的临时站点上、下车乘客的数量.

式（22）表示运行周期减去车辆沿基准线行驶的时间即为总松弛时间；式（23）表示各个接驳站区间的松弛时间之和，即各班次车辆完整运行的总松弛时间. 各个区间内的松弛时间主要由区间内车辆所需服务的临时站点数来分配和确定，不再受不同区间的服务区域大小的影响，如式（24）.

${L}_{k}={\varsigma }_{k}-\sum _{i\in RC\backslash \left\{{r}_{\mathrm{n}}\right\}}{d}_{r,i,k}/v,\quad \forall k\in K,$

(22)

${L}_{k}=\sum _{i\in RC\backslash \left\{{r}_{\mathrm{n}}\right\}}{L}_{i,k},\quad \forall k\in K,$

(23)

${L}_{i,k}=\frac{{q}_{i,k}}{\displaystyle\sum _{i\in RC\backslash \left\{{r}_{\mathrm{n}}\right\}}{q}_{i,k}}{L}_{k},\quad \forall i\in RC\backslash \left\{{r}_{\mathrm{n}}\right\},\;k\in K,$

(24)

式中：L_k为可变线路公交班次k运行周期内总的松弛时间，min；L_i,k为可变线路公交班次k在接驳站r_i与r_{i + 1}之间分配的松弛时间，min；d_r,i,k为班次k沿基准线路行驶时在接驳站r_i与r_{i + 1}之间的行驶距离，km.

各个接驳站的发车时间通常由前一个接驳站的发车时间和2个接驳站间的行程时间和松弛时间共同决定，见式（25）.

${\xi }_{i,k}={\xi }_{i-1,k} + {L}_{i-1,k} + \frac{{d}_{r,i-1,k}}{v},\quad \forall i\in RC\backslash \{{r}_{1},{r}_{\mathrm{n}}\},\;k\in K,$

(25)

式中：ξ_i,k为可变线路公交班次k在接驳站r_i的发车时间.

2. 算法设计

在编制接驳可变线路公交时刻表时，可以将问题细分为“发车间隔设置算法设计”“班次设置算法设计”和“发车时间设置算法设计”3个子问题.

2.1 发车间隔设置阶段

设置发车间隔时需要考虑公交时刻表的特性，制定合理高效的方案. 具体求解算法伪代码如表1所示.

表 1 发车间隔设置算法设计

Table 1. Algorithm design of departure interval setting

步骤	指令
输入	发车间隔下限H_min，发车间隔上限H_max，发车间隔H_ν，其中：H_ν = H_min,$\cdots $, H_max，ν = 1, 2, $\cdots $, n
步骤	取初始H₁ = H_min，令H* = H₁，计算当前U（H₁），令U（H） = U（H₁）
循环	当ν < n时，执行步骤1、2
步骤1	在上述基础上，获取新的H_{ν + 1}，判断是否满足约束，若H_{ν + 1}不满足约束，则重复步骤1
步骤2	计算H_{ν + 1}下的U（H_{ν + 1}），若U（H_{ν + 1}） < U（H），则接受H_{ν + 1}作为新的最优发车间隔，H* = H_{ν + 1}，否则保留原来的H*
步骤3	若满足终止条件H_n = H_max，则输出H和U（H*），结束程序，否则返回步骤1.
输出	最优发车间隔H，最优系统成本U（H*）

下载: 导出CSV

| 显示表格

2.2 班次设置阶段

每个不同的发车间隔对应了不同的乘客分配和可变线路公交车辆班次设置，通过对分配和设置后的具体接驳情况和班次安排计算得到系统成本，因此，这一部分也需要设计相应算法进行求解. 乘客分配和班次设置决定每个班次具体服务哪些乘客，可以运用遗传算法求解，在乘客分配和车辆班次设置的时候，尝试将被拒绝的乘客重新安排回运行班次，从而提高解的质量，具体求解算法伪代码如表2所示.

表 2 班次设置算法设计

Table 2. Algorithm design of shift setting

步骤	指令
输入	种群规模，交叉概率，变异概率，最大迭代数I_max
步骤0	输入运营参数，设置种群数量、交叉、变异概率，最大迭代次数I_max，初始化种群迭代次数I_n = 0
循环	当I_n < I_max时，执行步骤1～8
步骤1	编码：染色体采用由0-1变量构成的矩阵体现乘客分配和班次设置的二维关系，并假设存在一个新的虚拟班次存放被拒绝的乘客
步骤2	适应度函数：当完成运营周期内一次完整班次设置之后，计算染色体对应的适应度
步骤3	染色体更新：1）在每个乘客和班次完成分配和设置后，将被拒绝乘客的信息反馈给染色体，对相应的基因进行更改，实现染色体的更新；2）尝试将被拒绝的乘客重新安排回接驳可变线路公交中，提高染色体质量，跳出局部最优
步骤4	选择：精英保留策略和锦标赛法
步骤5	交叉：选用单点交叉方式
步骤6	变异：选用单点变异方式
步骤7	种群适应度更新并记录最优解
步骤8	迭代次数更新，I_n = I_n + 1
步骤9	算法终止条件：I_n ≥ I_max
输出	最优解u，最优系统成本U

下载: 导出CSV

| 显示表格

2.3 发车时间设置阶段

乘客分配和班次设置后需要对各班次的路径进行规划可求出系统成本U，同时路径规划后才能求解得到接驳可变线路公交系统的运行周期时间、松弛时间和站点发车时间. 站点发车时间主要指固定站点的发车时间，为避免过高的拒绝率或过长的延误时间，需要考虑整体运行周期，对每个运行区间分配合适的松弛时间. 具体求解算法如表3所示.

表 3 发车时间设置算法设计

Table 3. Algorithm design of departure time setting

步骤	指令
输入	初始运行站点、线路，出行需求信息，乘客分配情况，车辆班次情况，初始车辆状态
步骤0	输入出行需求行程时间分布和接驳可变线路公交线路运营各项参数
步骤1	将乘客起终点在各分配的车辆班次中依次插入
步骤2	判断约束，若乘客起点或终点的插入会导致可变线路公交违背接驳站的时间约束，则拒绝请求
步骤3	被拒绝乘客重新安排，明确班次的选择顺序，分别将乘客实际上、下车时间与预计/预约上、下车时间比较，时间成本越小，班次排序越靠前，乘客优先尝试插入到该班次中，不再尝试安排到其他班次；
步骤4	计算得到各班次的运行周期时间，松弛时间和固定站点发车时间；
步骤5	编制接驳地铁的可变线路公交时刻表.
输出	最优各班次车辆运行路径，运行周期时间，松弛时间，接驳站发车时间

下载: 导出CSV

| 显示表格

3. 案例研究

3.1 案例描述

本文选取南京市地铁2号线和公交5路作为研究对象，根据流量、线路、时刻表等运营数据验证模型及算法，布局走向如图3所示. 图中蓝色实线为南京市地铁2号线，红色实线为南京市公交5路，位于鼓楼区、秦淮区和栖霞区的交界处，承担着通勤、科研教育、旅游休闲等出行需求.

图 3 南京市地铁2号线和公交5路运行线路图

Figure 3. Operation route of metro line 2 and bus line 5 of Nanjing

下载: 全尺寸图片幻灯片

线路周围POI点非常多，如图4所示，图中紫色小点为各类型POI点，吸引着大量乘客出行往返，地铁和公交承担着高水平的出行需求服务. 乘客出行乘坐地铁后大概率要到达某个POI点，同样地，乘客乘坐地铁前会从某个POI点出发. 本文主要解决地铁乘客“最后一公里”出行问题，因此筛选得到线路和站点附近的POI点（潜在出行需求点），在图中显示，下述出行需求集合会在这部分POI点中随机生成，同时考虑线路和车辆可达性，形成可供可变线路公交接驳的潜在出行需求集合.

图 4 线路附近POI点

Figure 4. POI location around route

下载: 全尺寸图片幻灯片

公交车辆行驶速度和乘客出行需求水平在一天中是分时段变化的，具体随时间段变化情况如图5所示. 在高峰期时，出行需求水平较高，同时由于道路拥堵严重，公交车辆行驶速度较低；在平峰时段，出行需求较少，道路较为通畅，公交车辆行驶速度随之提高. 各时段出行需求从乘客出行需求集合中随机选取，用作系统仿真分析数据基础.

图 5 车辆行驶速度和乘客出行需求水平随时间段变化情况

Figure 5. Change trend of bus driving speed and passenger travel demand level with time period

下载: 全尺寸图片幻灯片

南京公交5路站点和线路与地铁2号线新街口-马群段高度重合，可将5路常规公交转换为可变线路公交，在保证原有公交定点定线乘客出行需求的同时接驳服务地铁乘客短途出行需求. 将重合度较高的地铁-公交站点作为接驳可变线路公交的固定站点，包括新街口-新街口东站、大行宫-大行宫东站、西安门•浦发银行-西安门站、明故宫-明故宫东站、下马坊-小卫街站、孝陵卫-孝陵卫站、钟灵街-钟灵街站、马群-马群站. 5路公交转变为可变线路公交后，无站外需求时按照原始线路（基准线）运行，如有站外需求点，包括站外到地铁乘车或地铁站下车到站外需求点，可变线路公交可以偏离基准线到站外需求点接、送乘客，方便各类型乘客的出行.

对系统进行仿真分析时，由于系统道路沿线路网较为复杂，因此根据前面章节的相关描述，将系统抽象为一个LW的服务区域，可变线路公交在服务区域内接驳乘客出行. L为接驳站两端间的路线长度，考虑到“最后一公里”短途出行的目的，将服务区域宽度W设为1公里. 接驳站相应位置信息如表4所示.

表 4 固定站点地铁运行时刻表

Table 4. Urban rail transit running timetable data of fixed stations

编号	接驳站（地铁-公交）	固定站点相对位置	始发时间	末班时间
r₁	新街口（东）	0	06：11	23：33
r₂	大行宫（东）	1.00	06：13	23：35
r₃	西安门•浦发银行	2.00	06：15	23：37
r₄	明故宫（东）	3.40	06：17	23：40
r₅	下马坊-小卫街	6.20	06：21	23：44
r₆	孝陵卫	7.20	06：23	23：46
r₇	钟灵街	8.30	06：25	23：48
r₈	马群	11.00	06：00	23：52

下载: 导出CSV

| 显示表格

接驳地铁的可变线路公交需要配合地铁运行时刻表才能更好地完成乘客接送服务，地铁到站/发车时刻表目前有始发时间和末班时间数据，如表4所示，具体运行周期（如1天）内的详细时刻表未被公布. 因此本文根据现有信息和相关运行规则，合理推算服务周期内的地铁到/发站时刻表，并依此仿真生成短途出行需求的时空信息，接驳可变线路公交根据出行需求时空信息合理编制运行时刻表，制定切实可行的发车和运行计划.

研究系统中相关参数参考^[6,13-15]. θ_W、θ_L和θ_O都设为1 元/min，考虑到公共交通的公益性，尽可能地满足出行需求，减少拒绝率，因此将θ_F设为15 元/min^[15]，H_min为3 min, H_max为30 min，ε为3 min，τ为5 min，t_r、t_rn分别为1 min和0.3 min. 与相关研究^[14,15]类似，应用直线运动来再现真实的道路网络.

本节基于Matlab R2021a平台，通过编程对模型进行求解. 对于每一次的仿真模拟实验，遗传算法的参数设置如下：染色体种群规模为80，发生交叉行为的概率为0.9，发生变异的概率为0.1，最大迭代次数为500次.

3.2 案例分析

根据系统相关参数值、车辆行程速度和乘客各时段需求时空数据，可得到不同需求水平下不同车速所对应的最优发车间隔，如表5所示. 这里的车辆发车间隔主要是针对转变后的可变线路公交车，并非原始5路公交车全部按照这一发车间隔和方案运营.

表 5 不同需求水平下不同车速所对应的最优发车间隔

Table 5. Optimal departure interval corresponding to different driving speeds under different demand levels

需求/（人·h⁻¹）	发车间隔H/（分钟）
需求/（人·h⁻¹）	v=20千米/ 小时	v=30千米/ 小时	v=40千米/ 小时
10	30	30	30
20	30	30	30
30	20	20	30
40	15	20	20
50	12	15	15
60	10	12	15

下载: 导出CSV

| 显示表格

根据系统中车辆行程时间和乘客需求随时间的变化情况，可得到运营周期内不同时段下接驳地铁可变线路公交发车时间间隔的变化情况，如表6所示.

表 6 不同时段下接驳地铁可变线路公交发车时间间隔

Table 6. Departure time interval of feeder FRT at different periods

时段	V/（km·h⁻¹）	需求/（人·h⁻¹）	H /min
7：00-8：59	20	60	10
9：00-10：59	40	40	20
11：00-12：59	30	50	15
13：00-14：59	30	50	15
15：00-16：59	40	30	30
17：00-18：59	20	60	10
19：00-20：59	30	20	30

下载: 导出CSV

| 显示表格

在计算系统成本时，默认各项时间成本的权重系数都为1，若重视乘客等待和晚到时间成本，增加其相应的权重，如设置等待时间成本、晚到时间成本、换乘失败成本和企业运营成本的权重系数比为2∶2∶1∶1，最优发车间隔随之发生变化，如图6所示.

图 6 发车间隔变化对比

Figure 6. Comparison of departure interval changes

下载: 全尺寸图片幻灯片

从图6可以看出，若重视乘客等待和晚到时间成本，相应权重系数增大后，最优发车间隔则发生改变，需要减小发车间隔，增加发车频率，降低乘客相关出行时间成本的同时得到最优系统运行成本.

根据表6，在早晚高峰时段（7：00-8：59、17：00-18：59），出行需求较大的同时车辆行驶速度缓慢，因此，发车时间间隔相应缩短；当出行需求较低车速较快时，发车间隔时间可以相应增大，也能满足乘客出行需求. 同时，计算得到各运行周期内的系统运行成本U、各运行周期内的平均车辆运行时间ς_k、各运行周期内的发车次数和所需车辆数，如表7所示. 其中，所需车辆数是根据每趟班车单程运行时间确定的，因本文主要对接驳系统和方法进行研究和验证，计算单程时刻表即可，假设回程所需时间与去程相等，从而计算各运行周期内所需总车辆数.

表 7 系统各运行时段的仿真结果

Table 7. Simulation results of each operating period of system

时段	H/min	U/元	平均ς_k/min	发车次数 /次	车辆数 /辆
7：00-8：59	10	801.22	53.71	12	11
9：00-10：59	20	279.18	33.73	6	4
11：00-12：59	15	430.76	42.17	8	6
13：00-14：59	15	493.44	43.48	8	6
15：00-16：59	30	192.75	35.12	4	3
17：00-18：59	10	895.30	57.99	12	11
19：00-20：59	30	210.46	41.27	4	3

下载: 导出CSV

| 显示表格

从表7中可以发现，车辆在早晚高峰时段运行因受制于行程速度限制以及高出行需求水平，其单程运行周期较长，导致在这2个时段内的运营费用相对较高. 为满足出行需求和发车时间间隔要求，需要在这2个时段内配置更多的车辆. 相比之下，在平峰时段，随着需求量减少和车辆行驶速度增加，较少车辆即可满足出行需求，系统总成本相应降低. 因此，在实际运营中，应根据不同时段行程速度和乘客需求的变化，设定不同的发车时间间隔，不仅有助于满足不同时段乘客出行需求，还能有效控制接驳地铁可变线路公交系统运营成本，从而实现更好的运营效果.

若重视乘客等待和晚到时间成本，运行周期内的平均车辆运行时间和系统运行成本也会随之发生变化，如图7、8所示.

图 7 运行周期内平均车辆运行时间变化

Figure 7. Changes of average vehicle running time during the operating cycle

下载: 全尺寸图片幻灯片

图 8 系统运行成本变化对比

Figure 8. Comparison of system operating cost changes

下载: 全尺寸图片幻灯片

从图7可以看出，重视乘客出行时间则系统发车间隔减小，运行周期内车辆数随之增加，使得各个班次车辆接送乘客平均数减少，对应的平均运行距离减少，因此，运行周期内平均车辆运行时间相应减少.

图8中常规系统运行成本指默认权重值情况下系统的总运行成本，与表7一致；常规发车间隔重视乘客系统运行成本指重视乘客时间成本情况下原发车间隔时的系统运行成本；重视乘客系统运行成本指发车间隔和平均车辆运行时间相应减少时的系统运行成本. 可以看出，当乘客权重系数增大时常规情况下的系统运行成本随之增大，此时降低发车间隔，增大发车频率，增加运行车辆数则可以更大程度上降低乘客等待和晚到时间，使系统总成本相应减少. 由于车辆数增加，相应的运营成本也随着增高，所以系统运行成本不会有大幅度的降低.

4. 结　论

1）分析了部分使用地铁出行乘客的“最后一公里”出行需求特征和换乘行为特征，分析了公交车和地铁的运行组织特征和衔接特征，提出一种将常规公交转变为可变线路公交接驳地铁的策略，在不需要开设新接驳线路的前提下可以同时服务原有公交车出行需求乘客和有短途出行需求的地铁乘客.

2）针对可变线路公交区别于常规定点定线公交的运行特征，以公共交通运行数据和服务范围内POI数据为基础，综合考虑了乘客出行成本和公交系统车辆运营成本，构建可变线路公交运行时刻表编制方法和接驳地铁的路径规划与运行时刻表编制协同优化模型与算法.

3）以实际路网中地铁和公交系统为例，分析研究了车辆运行速度与出行需求水平对系统各项指标的影响，并分析不同时间成本侧重情况下对系统发车间隔、车辆运行时间、运行成本等指标的影响，结果表明在运行周期内适当增加发车频率可以有效降低乘客出行时间成本同时不会过多增加系统运营成本，并编制车辆行车时刻表. 可为企业实际运营提供一定的参考，对具有短途出行需求的地铁乘客经济、便捷出行和公交系统低成本、高效性、公益性具有一定的促进意义.

4）在本文给出的时刻表构建方法和案例分析的基础上，进一步扩大协同服务网络规模、引入不同车辆车型组合是开展后续相关研究的重要方向.

致谢：合肥大学城市轨道交通安全与应急管理重点实验室开放课题（2024GD0007）.

图 1 声纹时频谱图绘制流程

Figure 1. Voiceprint time-frequency spectrum drawing process

下载: 全尺寸图片幻灯片

图 2 稀疏表示模型

Figure 2. SBSS model

下载: 全尺寸图片幻灯片

图 3 变压器声纹谱图稀疏盲分离方法流程

Figure 3. Process of sparse blind separation method for transformer voiceprint spectra

下载: 全尺寸图片幻灯片

图 4 基于SBSS和CNN的声纹识别系统示意

Figure 4. Voiceprint recognition system based on SBSS and CNN

下载: 全尺寸图片幻灯片

图 5 放电模型设计图

Figure 5. Design drawings of discharge models

下载: 全尺寸图片幻灯片

图 6 模拟放电实验接线图

Figure 6. Wiring diagram for simulated discharge experiment

下载: 全尺寸图片幻灯片

图 7 随机混叠示意

Figure 7. Random aliasing

下载: 全尺寸图片幻灯片

图 8 混叠及分离声纹谱图

Figure 8. Aliasing and separated voiceprint spectra

下载: 全尺寸图片幻灯片

图 9 不同批尺寸识别准确率对比

Figure 9. Comparison of recognition accuracies of different batch sizes

下载: 全尺寸图片幻灯片

图 10 不同学习率识别准确率对比

Figure 10. Comparison of recognition accuracies of different learning rates

下载: 全尺寸图片幻灯片

图 11 不同优化器识别准确率对比

Figure 11. Comparison of recognition accuracies of different optimizers

下载: 全尺寸图片幻灯片

表 1 声纹样本

Table 1. Voiceprint samples

前景声	背景声	混叠信号	样本数/个	时长/s
放电声	武胜变	放电声 + 武胜变	135	2
说话声	武胜变	说话声 + 武胜变	135	2
鸟鸣声	武胜变	鸟鸣声 + 武胜变	135	2

下载: 导出CSV

表 2 分离背景与参考谱图声纹相似度对比

Table 2. Voiceprint similarity comparison of separated background and reference spectra

谱图类型	放电声	说话声	鸟鸣声
谱图相似度	0.87	0.89	0.87

下载: 导出CSV

表 3 CNN网络结构参数

Table 3. Parameters of CNN structure

结构层	通道数/个	核尺寸	激活函数/池化类型
输入层	1
卷积层	16	5 × 5	ReLU
池化层	16	3 × 3	Max Pooling
卷积层	32	5 × 5	ReLU
池化层	32	3 × 3	Max Pooling
卷积层	64	5 × 5	ReLU
池化层	64	3 × 3	Max Pooling
卷积层	128	5 × 5	ReLU
全连接层	1024		Softmax
输出层	3

下载: 导出CSV

表 4 不同方法的声纹识别准确率对比

Table 4. Comparison of voiceprint recognition effects of different methods %

谱图类型	CNN	SVM	BP
混叠声纹谱	91.43	65.71	43.81
前景声纹谱	99.05	82.86	58.10

下载: 导出CSV

参考文献(32)

[1]	吴广宁,周芃,高波,等. 不同水分含量油浸纸板沿面放电发展过程及特性[J]. 西南交通大学学报,2020,55(3): 552-560. WU Guangning, ZHOU Peng, GAO Bo, et al. Discharge development and characteristics of oil-immersed pressboard surface with different moisture contents[J]. Journal of Southwest Jiaotong University, 2020, 55(3): 552-560.
[2]	贾亚飞,朱永利,王刘旺,等. 基于VMD和多尺度熵的变压器内绝缘局部放电信号特征提取及分类[J]. 电工技术学报,2016,31(19): 208-217. JIA Yafei, ZHU Yongli, WANG Liuwang, et al. Feature extraction and classification on partial discharge signals of power transformers based on VMD and multiscale entropy[J]. Transactions of China Electrotechnical Society, 2016, 31(19): 208-217.
[3]	律方成,牛雷雷,王胜辉,等. 基于紫外成像和改进YOLOv3的瓷悬式绝缘子放电严重程度评估[J]. 高电压技术,2021,47(2): 377-386. LÜ Fangcheng, NIU Leilei, WANG Shenghui, et al. Discharge severity assessment of porcelain suspension insulators based on UV images and improved YOLOv3[J]. High Voltage Engineering, 2021, 47(2): 377-386.
[4]	郭蕾,曹伟东,白龙雷,等. 乙丙橡胶电缆终端气隙局部放电过程及特征提取[J]. 西南交通大学学报,2021,56(5): 1011-1019,1028. GUO Lei, CAO Weidong, BAI Longlei, et al. Partial discharge process and feature extraction of air gap in EPR cable terminal[J]. Journal of Southwest Jiaotong University, 2021, 56(5): 1011-1019,1028.
[5]	高佳程,朱永利,贾亚飞,等. 基于改进SVDD算法与马氏距离的未知局部放电类型的识别[J]. 电工技术学报,2018,33(15): 3510-3517. GAO Jiacheng, ZHU Yongli, JIA Yafei, et al. Pattern recognition of unknown types of partial discharge based on improved SVDD algorithm and mahalanobis distance[J]. Transactions of China Electrotechnical Society, 2018, 33(15): 3510-3517.
[6]	从建力,王源,徐舟,等. 振噪融合的地铁钢轨波磨快速测量方法[J]. 西南交通大学学报,2023,58(3): 677-684. CONG Jianli, WANG Yuan, XU Zhou, et al. Rail corrugation measurement method based on vibration-noise fusion in metro system[J]. Journal of Southwest Jiaotong University, 2023, 58(3):677-684.
[7]	卜秀孟,王力东,黎清蓉,等. 高速磁浮车-桥耦合振动控制参数影响分析[J]. 西南交通大学学报,2024,59(04): 848-857,866. BU Xiumeng, WANG Lidong, LI Qingrong, et al. Influence analysis of vibration control parameters for high-speed maglev train-bridge coupling[J]. Journal of Southwest Jiaotong University, 2024, 59(04):848-857,866.
[8]	刘伟,赵春发,娄会彬,等. 基于虚拟激励法的磁浮车桥耦合系统随机振动分析[J]. 西南交通大学学报,2024,59(4): 823-831. LIU Wei, ZHAO Chunfa, LOU Huibin, et al. Stochastic vibration analysis of maglev train-bridge coupling system based on pseudo excitation method[J]. Journal of Southwest Jiaotong University, 2024, 59(4):823-831.
[9]	张重远,罗世豪,岳浩天,等. 基于Mel时频谱-卷积神经网络的变压器铁芯声纹模式识别方法[J]. 高电压技术,2020,46(2): 413-423. ZHANG Zhongyuan, LUO Shihao, YUE Haotian, et al. Pattern recognition of acoustic signals of transformer core based on Mel-spectrum and CNN[J]. High Voltage Engineering, 2020, 46(2): 413-423.
[10]	张瑞琪. 基于声学信号的变压器放电故障诊断方法研究[D]. 武汉:华中科技大学,2018.
[11]	游颖敏,王景芹,舒亮,等. 基于音频特征的交流接触器电寿命预测方法[J]. 电工技术学报,2021,36(9): 1986-1998. YOU Yingmin, WANG Jingqi SHU Liang, et al. The method of electrical life prediction considering the audio characteristics of AC contactor[J]. Transactions of China Electrotechnical Society, 2021, 36(9): 1986-1998.
[12]	金潇. 基于声信号的配电变压器故障诊断方法研究[D]. 武汉:武汉大学,2017.
[13]	武立平,吴强,丰遥,等. 基于振动信号SVM分类的变压器状态识别[J]. 高压电器,2019,55(11): 232-238. WU Liping, WU Qiang, FENG Yao, et al. State recognition of transformer based on SVM classification of vibration signals[J]. High Voltage Apparatus, 2019, 55(11): 232-238.
[14]	符凯. 基于HHT的非平稳信号特征提取方法及应用研究[D]. 重庆:重庆大学,2015.
[15]	孙玉伟,罗林根,陈敬德,等. 含噪背景下基于盲源分离与NSVDD的断路器机械故障诊断方法[J]. 高电压技术,2022,48(3): 1104-1113. SUN Yuwei, LUO Lingen, CHEN Jingde, et al. Mechanical fault diagnosis method of circuit breaker based on blind source separation and NSVDD under noisy background[J]. High Voltage Engineering, 2022, 48(3): 1104-1113.
[16]	周东旭,王丰华,党晓婧,等. 基于稀疏表示理论的特高压交流变压器声信号盲分离研究[J]. 电网技术,2020,44(8): 3139-3148. ZHOU Dongxu, WANG Fenghua, DANG Xiaojing, et al. Blind separation of UHV power transformer acoustic signal preprocessing based on sparse representation theory[J]. Power System Technology, 2020, 44(8): 3139-3148.
[17]	孙玉伟,罗林根,陈敬德,等. 基于声音特征与改进稀疏表示分类的断路器机械故障诊断方法[J]. 电网技术,2022,44(3): 1214-1222. SUN Yuwei, LUO Lingen, CHEN Jingde, et al. Mechanical fault diagnosis method of circuit breaker based on sound characteristics and improved sparse representation classification[J]. Power System Technology, 2022, 44(3): 1214-1222.
[18]	周东旭,王丰华,党晓婧,等. 基于压缩观测与判别字典学习的干式变压器声纹识别[J]. 中国电机工程学报,2020,40(19): 6380-6390. ZHOU Dongxu, WANG Fenghua, DANG Xiaojing, et al. Dry type transformer voiceprint recognition based on compressed observation and discrimination dictionary learning[J]. Proceedings of the CSEE, 2020, 40(19): 6380-6390.
[19]	刘云鹏,王博闻,岳浩天,等. 基于50 Hz倍频倒谱系数与门控循环单元的变压器偏磁声纹识别[J]. 中国电机工程学报,2020,40(14): 4681-4694,4746. LIU Yunpeng, WANG Bowen, YUE Haotian, et al. Identification of transformer bias voiceprint based on 50 Hz frequency multiplication cepstrum coefficients and gated recurrent Unit[J]. Proceedings of the CSEE, 2020, 40(14): 4681-4694,4746.
[20]	CAO J W, CAO M, WANG J Z, et al. Urban noise recognition with convolutional neural network[J]. Multimedia Tools and Applications, 2019, 78(20): 29021-29041. doi: 10.1007/s11042-018-6295-8
[21]	ALAMIR M A. A novel acoustic scene classification model using the late fusion of convolutional neural networks and different ensemble classifiers[J]. Applied Acoustics, 2021, 175: 107829.1-107829.8.
[22]	陈晓雷,孙永峰,李策,等. 基于卷积神经网络和双向长短期记忆的稳定抗噪声滚动轴承故障诊断[J]. 吉林大学学报(工学版),2022,52(2): 296-309. CHEN Xiaolei, SUN Yongfeng, LI Ce, et al. Stable anti-noise fault diagnosis of rolling bearing based on CNN-BiLSTM[J]. Journal of Jilin University (Engineering and Technology Edition), 2022, 52(2): 296-309.
[23]	朱煜峰,许永鹏,陈孝信,等. 基于卷积神经网络的直流XLPE电缆局部放电模式识别技术[J]. 电工技术学报,2020,35(3): 659-668. Zhu Yufeng, Xu Yongpeng, Chen Xiaoxin, et al. Pattern recognition of partial discharges in DC XLPE cables based on convolutional neural network[J]. Transactions of China Electrotechnical Society, 2020, 35(3): 659-668.
[24]	万晓琪,宋辉,罗林根,等. 卷积神经网络在局部放电图像模式识别中的应用[J]. 电网技术,2019,43(6): 2219-2226. WAN Xiaoqi, SONG Hui, LUO Lingen, et al. Application of convolutional neural networks in pattern recognition of partial discharge image[J]. Power System Technology, 2019, 43(6): 2219-2226.
[25]	IEC. IEC 60651-1979, Sound Level Meters. IEC, Geneva, Switzerland, 1979.
[26]	中国电器工业协会. 电力变压器第10部分:声级测定:GB/T 1094.10—2003[S]. 北京:中国标准出版社,2004.
[27]	范文杰,张志斌,夏昌杰,等. 多手段测量下的油纸绝缘针板电极局部放电的演化规律分析[J]. 高电压技术,2022,48(3): 914-927. FAN Wenjie, ZHANG Zhibin, XIA Changjie, et al. Evolution law of partial discharge of oil-paper insulated needle-plate electrode based on multi-method measurement[J]. High Voltage Engineering, 2022, 48(3): 914-927.
[28]	程养春,张振亮. 基于随机森林的变压器多源局部放电诊断[J]. 中国电机工程学报,2018,38(17): 5246-5256,5322. CHENG Yangchun, ZHANG Zhenliang. Multi-source partial discharge diagnosis of transformer based on random forest[J]. Proceedings of the CSEE, 2018, 38(17): 5246-5256,5322.
[29]	潘宁. 复杂电磁环境下时频混叠信号的识别与分离[D]. 郑州:郑州大学,2021.
[30]	纪德洋,金锋,冬雷,等. 基于皮尔逊相关系数的光伏电站数据修复[J]. 中国电机工程学报,2022,42(4): 1514-1523. JI Deyang, JIN Feng, DONG Lei, et al. Data repairing of photovoltaic power plant based on Pearson correlation coefficient[J]. Proceedings of the CSEE, 2022, 42(4): 1514-1523.
[31]	杨秋玉,阮江军,黄道春,等. 基于振动信号时频图像识别的高压断路器分闸缓冲器状态评估[J]. 电工技术学报,2019,34(19): 4048-4057. YANG Qiuyu, RUAN Jiangjun, HUANG Daochun, et al. Opening damper condition evaluation based on vibration time-frequency images for high-voltage circuit breakers[J]. Transactions of China Electrotechnical Society, 2019, 34(19): 4048-4057.
[32]	LUO Y, MESGARANI N. Conv-TasNet: surpassing ideal time-frequency magnitude masking for speech separation[J]. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 2019, 27(8): 1256-1266. doi: 10.1109/TASLP.2019.2915167

施引文献

附加材料(0)

访问统计

点击查看大图

图(11) / 表(4)

计量

文章访问数: 62
HTML全文浏览量: 24
PDF下载量: 7
被引次数: 0

1. 时刻表编制模型与方法
1.1 发车时间间隔
1.2 站点发车时间
2. 算法设计
2.1 发车间隔设置阶段
2.2 班次设置阶段
2.3 发车时间设置阶段
3. 案例研究
3.1 案例描述
3.2 案例分析
4. 结　论

基于SBSS与CNN的750 kV变压器与尖板放电混叠信号的声纹识别

doi: 10.3969/j.issn.0258-2724.20230177

作者简介: 包艳艳（1990—），女，博士研究生，工程师，研究方向为输变电设备状态评估、诊断，E-mail：1076453621@qq.com

计量

出版历程

Voiceprint Recognition of 750 kV Transformer and Pin-Plate Discharge Aliasing Signals Based on Sparse Representation Theory and Convolutional Neural Network

1. 时刻表编制模型与方法

1.1 发车时间间隔

1.1.1 目标函数

1.1.2 约束条件

1.2 站点发车时间

2. 算法设计

2.1 发车间隔设置阶段

2.2 班次设置阶段

2.3 发车时间设置阶段

3. 案例研究

3.1 案例描述

3.2 案例分析

4. 结 论

计量

出版历程

目录

1. 时刻表编制模型与方法

1.1 发车时间间隔

1.2 站点发车时间

2. 算法设计

2.1 发车间隔设置阶段

2.2 班次设置阶段

2.3 发车时间设置阶段

3. 案例研究

3.1 案例描述

3.2 案例分析

4. 结 论

作者简介:
包艳艳（1990—），女，博士研究生，工程师，研究方向为输变电设备状态评估、诊断，E-mail：1076453621@qq.com

4. 结　论

4. 结　论