本文的主要作者包括 Zheng Li、Guangning Wu、Guizao Huang、Yujun Guo 和 Hongyu Zhu，他们分别来自中国西南交通大学电气工程学院。该研究已被IEEE Transactions on Transportation Electrification期刊录用发表，预计于2024年正式出版。
此项研究属于能源传输与高铁运行安全领域，特别聚焦于高速铁路接触网的结冰问题。接触网-受电弓系统是高速铁路能量供给的关键部分，由于高相对湿度、低温和大风速等复杂气象条件，其结冰问题十分普遍。结冰会引起电弧持续、接触线磨损加剧以及电弧侵蚀等问题，直接威胁高铁运行安全。
目前的研究主要围绕高速铁路接触网的结构、材料、主动控制和电流采集质量展开，但对复杂气象环境下的结冰机制和预测方法尚缺乏研究。因此，明确接触网结冰的主要影响因素、解析其演变规律并建立高效的预测模型，具有重要的理论价值和实用意义。
本文旨在通过研究接触网结冰的机制，提出一种结合数值模型与深度学习(CNN-LSTM)的结冰预测方法，以解决当前结冰检测困难、早期结冰特性不敏感以及数据样本不足等问题。此研究为接触网除冰策略选择、结冰预警及相关抗冰研究奠定了理论基础。
该研究主要分为以下步骤： 1. 基于关键物理参数如捕获率、冻结系数、碰撞系数的计算，开发了一个接触网结冰数值模型； 2. 探究风速、温度、液态水含量（LWC）以及液滴中值直径（MVD）对结冰演变特性的影响； 3. 使用卷积神经网络和长短期记忆（CNN-LSTM）模型，建立结冰预测模型。
(1) 数值模型开发与核心公式推导
接触网结冰模型通过计算冰增长过程中的碰撞、热交换与冻结行为展开。
- 开发了基于动态网格更新的数值计算方法，能动态模拟不同时间步长内结冰厚度的变化； - 采用自适应前沿推进算法生成非结构化网格，以确保模型精度； - 通过流体力学和热平衡方程，计算并补充了碰撞系数（Collision Coefficient）、捕获率（Capture Rate）和冻结系数（Freezing Coefficient）。
例如，冰密度公式及冻结厚度微分方程如下： - 冰密度公式：
[ \rho = 278 + 145 \log{10}d - 0.082(\log{10}MVD)^2 ] - 冻结厚度计算：
[ \frac{{dh}}{{dt}} = \frac{{\alpha_1 \alpha_2 \alpha_3 \cdot LWC \cdot V_p}}{{\rho}} ]
(2) 结冰参数的实验分析
为了验证结冰过程的复杂性，该模型引入不同的气象条件参数（风速Vp、液态水含量LWC、温度T、中值直径MVD）进行迭代仿真，结果显示： - 环境温度和风速是决定冰增长速率的主要变量； - LWC决定了水分吸附量，而MVD主要影响结冰质量。
模拟的接触网截面显示，转弯点处冰积累速率较高，且因设计中存在30kN张力线夹，使冰积累以锥形分布。
(3) CNN-LSTM预测模型的建立
CNN-LSTM 模型显著结合了卷积神经网络（CNN）的空间特征提取能力与长短期记忆网络（LSTM）的时间序列建模能力： - 输入变量：T、Vp、LWC和MVD。 - 过程设计：
利用数值模型生成的数据训练CNN-LSTM，采用400个迭代样本生成6000条结冰质量和厚度数据。
此算法的优点在于其对输入信号序列的内部联系建模和时间依赖的高效适应能力。评估指标如RMSE、MAPE和R²的计算方法确保了输出预测值的精确性。
与文献中的冰积累轮廓与质量进行对比分析，数值模型偏差在0.8%以内，证明了其在结冰质量与结冰形状预测中的有效性。
实验发现，在液态水含量LWC较高时，冰密度增加，冰积累厚度呈线性增长。而随温度降低至一定门槛值（如-12°C），冰量增长逐渐趋于稳定。此外，VP增大时，水滴碰撞发生率增长显著。
以置信实验中的CNN-LSTM预测为例： - 在不同气象条件下，CNN-LSTM模型实现的MAPE仅为4.88%，R²高达0.93，优于基线算法如RF（随机森林）和LSTM。
通过本研究，作者从接触网结冰的物理机制出发，首次实现了数值模型与深度学习技术的结合。该研究不但解析了接触网结冰特性及其实际应用下的演变规律，还在以下应用场景中具有显著指导意义：
本文为高速铁路接触网结冰问题提供了首个精确预测方法，并结合了深度学习与物理建模的创新性技术路径，为铁路运行的稳定性与安全性保障作出重要贡献。