非侵入式轨道交通列车运行态势感知方法与装置与流程

本申请涉及轨道交通列车运行态势识别领域，具体而言，涉及一种非侵入式轨道交通列车运行态势感知方法、装置、计算机可读存储介质和处理器。

背景技术：

随着大量轨道交通线路的建设投运，轨道交通供电网络复杂程度越来越高，出现故障的可能性和故障波及的范围、造成的损失也不断扩大，严重情况下可能造成社会秩序混乱，甚至影响社会稳定，因此需要切实加强供电的安全性和可靠性。对于已投运的轨道交通线路，目前电力公司对其供电网络的监测只是实现了对变电站轨道交通供电线路以及相关电源站(开闭站)的稳态监测，缺少对负荷具体情况及其变化趋势分析，缺乏对穿越转供等高风险情况的准确快速感知手段。

轨道交通列车运行态势感知技术的核心是非侵入式负荷监测技术。非侵入式负荷监测(non-intrusiveloadmonitoring，nilm)是将用户总负荷信息分解为各用电设备的信息，进而获取用电设备能耗情况与用户用电规律等用电信息。与侵入式负荷监测相比，nilm的经济投入小，实用性强。

nilm的基本原理是在用户入户端安装智能量测装置，采集分析其量测点处的电压、电流等电气量。nilm装置量测获得的总负荷的电压、电流等电气量可视为承载电力信息的信号，包含了不同特性的负荷成分信息，通过提取这些电气量的特征信息，nilm系统就能实现负荷分解。

负荷印记(loadsignatures，ls)的概念在nilm中具有重要作用。在此ls定义为一个用电设备在运行中所体现的独特的能反映用电状态的信息，如有功的波形等。ls包含了负荷的运行特征，而这些特征由用电设备的工作条件决定，据此可将ls分为稳态、暂态、运行模式3类，其中稳态与暂态2类ls取决于设备内部的元器件特征；运行模式类ls则由设备的运行控制策略决定。ls的各种特征具有重现性，故基于ls特征可识别负荷类型及其使用状况，此即nilmd的实现原理。

目前非侵入式负荷监测的研究主要针对居民用户，将用户总负荷分解为各用电设备信息，对工商业用户很少涉及，更没有针对城市轨道交通负荷的专门研究。

列车轨道交通电流信号与居民家用电器信号存在以下区别：

1)电流在设备工作中的表现不同。由于列车存在惰行状态，其惰行状态对电流的需求远小于启动状态，当电流中掺杂地铁照明、空调等因素的情况下，其惰行状态基本无法被察觉。而家用电器的额定功率能够保证其在工作状态中的电流值是可预期的，因此对其状态的把握比地铁列车要简单。

2)电流的监测范围不同。一个相量测量装置(phasormeasurementunit，简称pmu)设备只能监测一条地铁线的一个区间段，该区间段外的电流信号不能被收集。因此其电流监测范围是开放的，会导致同一趟列车的连续运行状态分布在两个区间段内。而家用电器的电流监测范围是封闭的，每个家用电器的运行状态会完整的反映在其监测的电流信号上。

另一方面，在非侵入式负荷监测技术中，较为重要的一个步骤是负荷识别与分解。负荷识别与分解要解决的问题是，对给定的用电设备特征库及从量测数据中提取的负荷特征，辨识总负荷的成分，以实现负荷分解。

数学优化和模式识别是负荷识别及分解问题的2大类求解方法。数学优化法求解复杂，且识别精度不高，目前的主流方法大都为模式识别法。模式识别法可分为基于监督的学习和非监督学习两类。基于监督学习的负荷识别方法包括k邻近算法、神经网络法、支持向量机、adaboost方法等。基于非监督学习的负荷识别包括隐式马尔可夫模型等。

对于轨道交通负荷，挑选合适的负荷识别与分解算法需要建立在详尽分析轨道交通信号特点的基础上。轨道交通信号存在如下特点：

1)由于轨道交通的设备单一，信号特征明显，因此不需要识别出多种用电设备，重点是要把信号精确分解到每辆列车上，并识别其状态。当前的主流算法以设备识别为主，不能很好的支持负荷分解。

2)轨道交通的惰行状态依靠列车的惯性，不需要电力提供动力，因此某一时间段内的窗口数据无法反映该状态，因此对负荷识别与分解算法而言，要具备历史状态记录机制。

3)样本标签难以获取。由于轨道交通设备运行的环境复杂，安全规格要求高，所以很难为采集到的样本打上正确的标签，这也意味着监督学习的方式很难被采用。

4)设备运行约束条件多。轨道交通设备的运行不同于家用电器，其运行时的规律性强，约束多。例如同一个地铁站，同一段时间内只能容纳一辆车；同一条线路同一时刻容纳的列车数量是有上限的。这些约束与家用电器可以随意开启形成了对比。对参数复杂的模型，若增加约束条件，必将进一步增加其复杂性。

5)轨道交通状态与时间关系密切，例如在出行的峰平谷时间段，列车的负荷表现形式各有不同，这些因素会影响某些模型的前提条件，例如隐马尔可夫模型的参数不变性假设得不到满足。

以上几点决定了现有的主流算法不能很好支持非侵入式轨道交通的负荷识别与分解。

从以上分析得知，对轨道交通供电状态的非侵入式监测，不仅不能完全照搬已有技术，而且要有所创新，克服监测条件、设备条件带来的困难。城市轨道交通负荷与居民用户负荷相比具有独特的特征，需要研究新的方法以实现非侵入式轨道交通列车运行态势感知。

技术实现要素：

本申请的主要目的在于提供一种非侵入式轨道交通列车运行态势感知方法、装置、计算机可读存储介质和处理器，以解决现有技术中缺乏一种非侵入式轨道交通的负荷识别与分解的方法的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种非侵入式轨道交通列车运行态势感知方法，包括：获取量测值，所述量测值包括轨道交通电流有效值；对所述量测值进行去噪处理和标幺化处理，得到处理后的量测值；从所述处理后的量测值中提取出启停信号，所述启停信号包括启动信号和停止信号；获取列车运行规则；根据所述启停信号和所述列车运行规则，构建基于场景模拟的负荷识别和分解模型；根据所述基于场景模拟的负荷识别和分解模型，确定轨道交通列车的运行态势。

进一步地，从所述处理后的量测值中提取出所述启动信号，包括：识别出所述处理后的量测值中的爬坡段；基于所述爬坡段获取极值点集合；选取出所述极值点集合中的极大值；确定所述极大值为所述启动信号。

进一步地，从所述处理后的量测值中提取出所述停止信号，包括：计算每秒波动数，所述每秒波动数为所述处理后的量测值每秒钟电流的波动次数；计算每秒特征值，所述每秒特征值为将所述处理后的量测值的每秒波形视为一个点，根据所述每秒波动数确定的所述点的特征值；根据所述每秒特征值对所述点进行分类，类的长度为所包含点的个数；将所述类的长度满足预定要求的点集合中的第一个点作为刹车点，所述点集合的持续时间作为刹车的持续时间；根据所述刹车点和所述刹车的持续时间，确定所述停止信号。

进一步地，获取列车运行规则，包括：构建单列车的状态转移模型；构建双向多列车的状态转移模型。

进一步地，构建单列车的状态转移模型，包括：所述单列车从停止态开始，接受所述启动信号后，从所述停止态转为启动态；在经历一段启动加速的过程后，转为惰行态；接受所述停止信号后，从所述惰行态转为停止状态。

进一步地，构建双向多列车的状态转移模型，包括：从信号采集单元中获取信号；若所述信号为所述启动信号，则挑选出需要启动的列车，且将所述启动信号发送至需要启动的所述列车；所述列车接收到所述启动信号后，按照所述单列车的状态转移模型运行；若所述信号为所述停止信号，则挑选出需要停止的列车，且将所述停止信号发送至需要停止的所述列车；所述列车接收到所述停止信号后，按照所述单列车的状态转移模型运行；实时判断列车运行状态是否符合规则；在所述列车需要转换状态但未收到信号时，模拟生成信号，实现状态的强制转移。

进一步地，所述方法还包括：对所述基于场景模拟的负荷识别和分解模型进行优化；对所述基于场景模拟的负荷识别和分解模型进行优化具体包括如下步骤：在电网所辖各站点，记录双向列车在各所述站点的启动时间；综合各所述站点的记录数据，以预定时间为统计时长，统计所述统计时长下所述列车的启动数量；以所述启动数量为调整目标，对所述模型进行优化，使得所述模型输出结果在对应时段的启动数量与目标值一致。

根据本申请的另一个方面，提供了一种非侵入式轨道交通列车运行态势感知装置，包括：第一获取单元，用于获取量测值，所述量测值包括轨道交通电流有效值；处理单元，用于对所述量测值进行去噪处理和标幺化处理，得到处理后的量测值；提取单元，用于从所述处理后的量测值中提取出启停信号，所述启停信号包括启动信号和停止信号；第二获取单元，用于获取列车运行规则；构建单元，用于根据所述启停信号和所述列车运行规则，构建基于场景模拟的负荷识别和分解模型；确定单元，用于根据所述基于场景模拟的负荷识别和分解模型，确定轨道交通列车的运行态势。

根据本申请的又一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的非侵入式轨道交通列车运行态势感知方法。

根据本申请的一个方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一种所述的非侵入式轨道交通列车运行态势感知方法。

应用本申请的技术方案，通过获取包括轨道交通电流有效值的量测值，然后对量测值进行去噪处理和标幺化处理，得到处理后的量测值，再从处理后的量测值中提取出启停信号，进而根据启停信号和列车运行规则，构建基于场景模拟的负荷识别和分解模型，最后根据基于场景模拟的负荷识别和分解模型，确定轨道交通列车的运行态势，实现了对非侵入式轨道交通列车运行态势的精确确定。本方案实现了智能化地准确、快速感知轨道交通供电网络的运行状态，大幅提高供电公司对轨道交通供电网络运行的掌控能力，有助提高城市轨道交通供电的安全性和可靠性。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了根据本申请的实施例的非侵入式轨道交通列车运行态势感知方法流程图；

图2示出了根据本申请的实施例的列车启动信号爬坡特征识别过程图；

图3示出了根据本申请的实施例的列车启动信号极值特征识别过程图；

图4示出了根据本申请的实施例的列车刹车信号特征识别过程示意图；

图5示出了根据本申请的实施例的单列车状态转移模型图；

图6示出了根据本申请的实施例的双列车状态转移模型图；

图7示出了根据本申请的实施例的非侵入式轨道交通列车运行态势感知装置示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。

正如背景技术中所介绍的，现有技术中缺乏一种非侵入式轨道交通的负荷识别与分解的方法，为解决如上现有技术中缺乏一种非侵入式轨道交通的负荷识别与分解的方法的问题，本申请的实施例提供了一种非侵入式轨道交通列车运行态势感知方法、装置、计算机可读存储介质和处理器。

根据本申请的实施例，提供了一种非侵入式轨道交通列车运行态势感知方法。

图1是根据本申请实施例的非侵入式轨道交通列车运行态势感知方法的流程图。如图1所示，该方法包括以下步骤：

步骤s101，获取量测值，上述量测值包括轨道交通电流有效值；

步骤s102，对上述量测值进行去噪处理和标幺化处理，得到处理后的量测值；

步骤s103，从上述处理后的量测值中提取出启停信号，上述启停信号包括启动信号和停止信号；

步骤s104，获取列车运行规则；

步骤s105，根据上述启停信号和上述列车运行规则，构建基于场景模拟的负荷识别和分解模型；

步骤s106，根据上述基于场景模拟的负荷识别和分解模型，确定轨道交通列车的运行态势。

具体地，由于列车惰行状态下对电网影响不大，以及无明显特征可供识别，因此仅仅从处理后的量测值中提取出启动信号和停止信号，再根据启停信号和上述列车运行规则，构建基于场景模拟的负荷识别和分解模型，模型既考虑了所处的复杂环境，又满足了运行规则的约束，可以保证构建的模型的准确性。

具体地，本申请的非侵入式轨道交通列车运行态势感知方法与装置，可推广应用到电网给地铁供电的变电站和相关的地铁供电电源站，也可对电网轨道交通供电网络的调度运行提供依据和参考。

上述方案中，通过获取包括轨道交通电流有效值的量测值，然后对量测值进行去噪处理和标幺化处理，得到处理后的量测值，再从处理后的量测值中提取出启停信号，进而根据启停信号和列车运行规则，构建基于场景模拟的负荷识别和分解模型，最后根据基于场景模拟的负荷识别和分解模型，确定轨道交通列车的运行态势，实现了对非侵入式轨道交通列车运行态势的精确确定。本方案实现了智能化地准确、快速感知轨道交通供电网络的运行状态，大幅提高供电公司对轨道交通供电网络运行的掌控能力，有助提高城市轨道交通供电的安全性和可靠性。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

具体地，根据上述启停信号和上述列车运行规则，构建基于场景模拟的负荷识别和分解模型，包括：根据提取到的轨道交通启停信号，结合轨道交通运行规则和约束条件，将负荷分解到每一辆列车上，维护其历史运行状态，从而在计算机内部建立实时的轨道交通列车运行模型，用该模型反映负荷识别和分解的实时结果。该方法具有如下特点：

(1)以识别信号做主要驱动

以信号作为驱动，当收到启动信号时，在模型中建立启动列车，或者将已停止的列车转入启动状态。收到停止信号时，将模型中合适的列车转入停止状态。根据时序的信号数据，建立起模型内部列车的状态机。

(2)以运行规律做辅助决策

为了保证模型运行的准确性，还需要将列车运行规律与识别的信号结合在一起，确保模型的正确运行。列车的运行规律主要包含如下几点：1)站间运行时间；2)列车停靠时间；3)列车发车频率。

将列车运行规律参数化作为列车模拟运行的辅助决策，需要考虑如下几点因素：

1)列车运行由人操作，因此各参数不可能控制精确，参数本身具有模糊特征；

2)参数的采集不仅依赖于日内时间，例如是否早晚高峰，还要考虑是否处于节假日等因素，要建立一个以时间作为自变量，参数作为因变量的函数。

由于以上两点原因，参数在整个模型体系中始终处于辅助决策地位。

本申请的一种实施例中，从上述处理后的量测值中提取出上述启动信号，包括：识别出上述处理后的量测值中的爬坡段；基于上述爬坡段获取极值点集合；选取出上述极值点集合中的极大值；确定上述极大值为上述启动信号。

具体地，从上述处理后的量测值中提取出上述启动信号包括如下步骤：

第一个步骤是爬坡特征识别，该步骤将波形中具有爬坡趋势的段识别出来作为启动信号段；主要步骤如图2所示：

1)首先是数据输入与处理阶段，将输入的波形数据抽稀，归一化，并计算点间线段的特征值；

2)然后根据给定参数挨个找到数据中的爬坡核心段；

3)接着对每个核心段从两个方向进行扩展形成爬坡段；

4)然后对爬坡段进行检查，能合并的爬坡段合并在一起；

5)最后过滤掉不符合要求的爬坡段，形成最终的爬坡结果。

第二个步骤是波峰特征识别，也就是极值特征识别。该步骤以已提取的爬坡段为基础，进一步识别出极大值为波峰，作为启动信号的最终特征。波峰识别的主要步骤如图3所示：

1)首先将爬坡检测结果两端的点收集在一起，形成极值点集合；

2)然后对每个极值点在其周围寻找更优点替代；

3)接着对极值点进行第一次扩充，以找到爬坡识别遗漏掉的极值点；然后通过规则对极值点进行过滤，以去掉不符合要求的点；

4)再次对极值集合进行第二次扩充，弥补遗漏的极值点。

5)最后选择极值点中的极大值作为识别出的波峰点。

本申请的一种实施例中，如图4所示，从上述处理后的量测值中提取出上述停止信号，包括：首先遍历电流波形点，根据规则计算每秒波动数，上述每秒波动数为上述处理后的量测值每秒钟电流的波动次数；计算每秒特征值，上述每秒特征值为将上述处理后的量测值的每秒波形视为一个点，根据上述每秒波动数确定的上述点的特征值；根据上述每秒特征值对上述点进行分类，类的长度为所包含点的个数；将上述类的长度满足预定要求的点集合中的第一个点作为刹车点，上述点集合的持续时间作为刹车的持续时间；根据上述刹车点和上述刹车的持续时间，确定上述停止信号。

本申请的一种实施例中，可以将启动信号峰值转为启动列车的数量，停止信号转化为刹车列车的数量。将启动信号峰值转为启动列车的数量需要参考信号出现时间，即一个较高的波峰在出行低谷期间可视为几辆列车启动信号叠加，而在出行高峰期间，只可视为一辆列车的启动信号。停止信号转化为刹车列车的数量，需要考虑以下几点：

1)一段连续的刹车信号(停止信号)要根据参数划分为几个信号，这种情况出现在几辆列车的刹车信号首尾相连的时候。

2)划分后的一个信号，可能对应一辆车刹车，也可能对应几辆列车同时刹车，这种情况出现在几辆列车同时刹车，叠加在一起的信号与一辆车的刹车信号相似，很难区分开。

因此刹车信号在轨道交通态势感知中的作用并不如启动信号大，只能作为辅助参考。

本申请的一种实施例中，获取列车运行规则，包括：构建单列车的状态转移模型；构建双向多列车的状态转移模型。

本申请的一种实施例中，构建单列车的状态转移模型，包括：上述单列车从停止态开始，接受上述启动信号后，从上述停止态转为启动态；在经历一段启动加速的过程后，转为惰行态；接受上述停止信号后，从上述惰行态转为停止状态。单列车状态转移模型如图5所示，由于启动信号和停止信号的提取不能做到百分百准确，为了保证列车运行状态的正确转移，需要用规则辅助其状态判断。例如停车后很久未能收到启动信号，需要根据规则强行启动。

本申请的一种实施例中，构建双向多列车的状态转移模型，包括：如图6所示从信号采集单元中获取信号；若上述信号为上述启动信号，则挑选出需要启动的列车，且将上述启动信号发送至需要启动的上述列车；上述列车接收到上述启动信号后，按照上述单列车的状态转移模型运行；若上述信号为上述停止信号，则挑选出需要停止的列车，且将上述停止信号发送至需要停止的上述列车；上述列车接收到上述停止信号后，按照上述单列车的状态转移模型运行；实时判断列车运行状态是否符合规则；在上述列车需要转换状态但未收到信号时，模拟生成信号，实现状态的强制转移。

本申请的一种实施例中，上述方法还包括：对上述基于场景模拟的负荷识别和分解模型进行优化；对上述基于场景模拟的负荷识别和分解模型进行优化具体包括如下步骤：在电网所辖各站点，记录双向列车在各上述站点的启动时间；综合各上述站点的记录数据，以预定时间为统计时长，统计上述统计时长下上述列车的启动数量；以上述启动数量为调整目标，对上述模型进行优化，使得上述模型输出结果在对应时段的启动数量与目标值一致。

具体地，基于列车启动时间分时段统计的模型优化方法包括如下步骤：

1)在电网所辖各站点，记录双向列车在该点的启动时间；

2)综合各站点的记录数据，以15分钟为统计时长，统计该时段下列车的启动数量；

3)以该统计值为调整目标，对模型调优，使模型输出结果在对应时段的启动列车数量与目标值一致。

4)模型运行结果的启动列车数量统计特征要求与上述实测数据统计呈现出的特征相符，同时要受如下条件约束：

a.单线路的一个站点同一时刻最多只能停靠一辆车；

b.单线路相邻站间的区间段同一时刻有列车数量的上限；

c.列车运行要符合停车时间、运行时间等的约束要求。

这种以统计值作为调优目标的优化方法，规避了对启动时间和停靠时间两个点时间的依赖，进而减少了模型调优的复杂性，取得了准确性和可行性的统一。

模型调优需要考虑的因素和调整的方法：

a.调优信号识别模块的各参数；

b.调优列车运行规律参数；

c.调优列车模拟运行的算法。

根据以上模型调整依据，进一步提出模型的优化方法，具体步骤如下：

1)选取两个月的时间间隔，从早晨5:00至晚上23:45记录50个工作日的电网所辖站点的实测启动列车时间，以及电网的电流信号。

2)每天以15分钟为统计时长，统计各时段的列车启动数量。综合50个观测日的平均数据，计算其平均值作为模型调整的目标，设为s(t)，t为统计的时段，s为相应的数量。

3)以50天的电网电流信号作为模型输入，记录模型输出的每日各时段的启动列车数量，设为an(t)，n为评估日期的序号，值域为[1,50]，t为评估时段的起始时间，值域为[20,94]。

4)统计每日各时段的启动列车数量，统计值包括数量的平均值exp(t)和平均绝对百分比误差mape(t)。

不断调整模型的参数，使得上步的exp(t)接近于s(t)，以及mape(t)尽可能小。

以上为以识别信号做主要驱动，以运行规律做辅助决策，并基于实际运行数据进行调优的轨道交通列车负荷识别与分解方法。

根据获取的轨道交通电流信号，经由上述四大步骤即可实现轨道交通列车负荷的态势感知。

本申请实施例还提供了一种非侵入式轨道交通列车运行态势感知装置，需要说明的是，本申请实施例的非侵入式轨道交通列车运行态势感知装置可以用于执行本申请实施例所提供的用于非侵入式轨道交通列车运行态势感知方法。以下对本申请实施例提供的非侵入式轨道交通列车运行态势感知装置进行介绍。

图7是根据本申请实施例的非侵入式轨道交通列车运行态势感知装置的示意图。如图7所示，该装置包括：

第一获取单元10，用于获取量测值，上述量测值包括轨道交通电流有效值；

处理单元20，用于对上述量测值进行去噪处理和标幺化处理，得到处理后的量测值；

提取单元30，用于从上述处理后的量测值中提取出启停信号，上述启停信号包括启动信号和停止信号；

第二获取单元40，用于获取列车运行规则；

构建单元50，用于根据上述启停信号和上述列车运行规则，构建基于场景模拟的负荷识别和分解模型；

确定单元60，用于根据上述基于场景模拟的负荷识别和分解模型，确定轨道交通列车的运行态势。

上述方案中，第一获取单元获取包括轨道交通电流有效值的量测值，处理单元对量测值进行去噪处理和标幺化处理，得到处理后的量测值，提取单元从处理后的量测值中提取出启停信号，构建单元根据启停信号和列车运行规则，构建基于场景模拟的负荷识别和分解模型，确定单元根据基于场景模拟的负荷识别和分解模型，确定轨道交通列车的运行态势，实现了对非侵入式轨道交通列车运行态势的精确确定。

本申请的一种实施例中，提取单元包括识别模块、获取模块、选取模块和第一确定模块，识别模块用于识别出上述处理后的量测值中的爬坡段；获取模块用于基于上述爬坡段获取极值点集合；选取模块用于选取出上述极值点集合中的极大值；第一确定模块用于确定上述极大值为上述启动信号。

本申请的一种实施例中，提取单元还包括第一计算模块、第二计算模块、分类模块、处理模块和第二确定模块，第一计算模块用于计算每秒波动数，上述每秒波动数为上述处理后的量测值每秒钟电流的波动次数；第二计算模块用于计算每秒特征值，上述每秒特征值为将上述处理后的量测值的每秒波形视为一个点，根据上述每秒波动数确定的上述点的特征值；分类模块用于根据上述每秒特征值对上述点进行分类，类的长度为所包含点的个数；处理模块用于将上述类的长度满足预定要求的点集合中的第一个点作为刹车点，上述点集合的持续时间作为刹车的持续时间；第二确定模块用于根据上述刹车点和上述刹车的持续时间，确定上述停止信号。

本申请的一种实施例中，第二获取单元包括第一构建模块和第二构建模块，第一构建模块用于构建单列车的状态转移模型；第二构建模块用于构建双向多列车的状态转移模型。

本申请的一种实施例中，第一构建模块还用于上述单列车从停止态开始，接受上述启动信号后，从上述停止态转为启动态；在经历一段启动加速的过程后，转为惰行态；接受上述停止信号后，从上述惰行态转为停止状态。

本申请的一种实施例中，第二构建模块还用于从信号采集单元中获取信号；若上述信号为上述启动信号，则挑选出需要启动的列车，且将上述启动信号发送至需要启动的上述列车；上述列车接收到上述启动信号后，按照上述单列车的状态转移模型运行；若上述信号为上述停止信号，则挑选出需要停止的列车，且将上述停止信号发送至需要停止的上述列车；上述列车接收到上述停止信号后，按照上述单列车的状态转移模型运行；实时判断列车运行状态是否符合规则；在上述列车需要转换状态但未收到信号时，模拟生成信号，实现状态的强制转移。

本申请的一种实施例中，上述装置还包括优化单元，优化单元用于对上述基于场景模拟的负荷识别和分解模型进行优化；优化单元还用于在电网所辖各站点，记录双向列车在各上述站点的启动时间；综合各上述站点的记录数据，以预定时间为统计时长，统计上述统计时长下上述列车的启动数量；以上述启动数量为调整目标，对上述模型进行优化，使得上述模型输出结果在对应时段的启动数量与目标值一致。

所述非侵入式轨道交通列车运行态势感知装置包括处理器和存储器，上述第一获取单元、处理单元、提取单元、第二获取单元、构建单元和确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来精确获取非侵入式轨道交通列车运行态势。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)，存储器包括至少一个存储芯片。

本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行所述非侵入式轨道交通列车运行态势感知方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述非侵入式轨道交通列车运行态势感知方法。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：

步骤s101，获取量测值，上述量测值包括轨道交通电流有效值；

步骤s102，对上述量测值进行去噪处理和标幺化处理，得到处理后的量测值；

步骤s103，从上述处理后的量测值中提取出启停信号，上述启停信号包括启动信号和停止信号；

步骤s104，获取列车运行规则；

步骤s105，根据上述启停信号和上述列车运行规则，构建基于场景模拟的负荷识别和分解模型；

步骤s106，根据上述基于场景模拟的负荷识别和分解模型，确定轨道交通列车的运行态势。

本文中的设备可以是服务器、pc、pad、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：

步骤s101，获取量测值，上述量测值包括轨道交通电流有效值；

步骤s102，对上述量测值进行去噪处理和标幺化处理，得到处理后的量测值；

步骤s103，从上述处理后的量测值中提取出启停信号，上述启停信号包括启动信号和停止信号；

步骤s104，获取列车运行规则；

步骤s105，根据上述启停信号和上述列车运行规则，构建基于场景模拟的负荷识别和分解模型；

步骤s106，根据上述基于场景模拟的负荷识别和分解模型，确定轨道交通列车的运行态势。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：

1)、本申请的非侵入式轨道交通列车运行态势感知方法，通过获取包括轨道交通电流有效值的量测值，然后对量测值进行去噪处理和标幺化处理，得到处理后的量测值，再从处理后的量测值中提取出启停信号，进而根据启停信号和列车运行规则，构建基于场景模拟的负荷识别和分解模型，最后根据基于场景模拟的负荷识别和分解模型，确定轨道交通列车的运行态势，实现了对非侵入式轨道交通列车运行态势的精确确定。本方案实现了智能化地准确、快速感知轨道交通供电网络的运行状态，大幅提高供电公司对轨道交通供电网络运行的掌控能力，有助提高城市轨道交通供电的安全性和可靠性。

2)、本申请的非侵入式轨道交通列车运行态势感知装置，第一获取单元获取包括轨道交通电流有效值的量测值，处理单元对量测值进行去噪处理和标幺化处理，得到处理后的量测值，提取单元从处理后的量测值中提取出启停信号，构建单元根据启停信号和列车运行规则，构建基于场景模拟的负荷识别和分解模型，确定单元根据基于场景模拟的负荷识别和分解模型，确定轨道交通列车的运行态势，实现了对非侵入式轨道交通列车运行态势的精确确定。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。