铁路是我国的重大基础设施,我国已成为电气化铁路第一运营大国。在铁路中,以负序为主的电能质量问题一直备受关注,牵引负荷的峰值功率是造成这类问题的重要原因之一,同时牵引负荷的峰值功率对于铁路的经济效益也有着重要的影响。本文围绕牵引负荷峰值功率过大的问题,在电气化铁路系统中引入超级电容储能对牵引负荷进行削峰填谷,以降低牵引负荷的最大需量和提高电气化铁路牵引变压器的容量利用率,从而达到提高铁路部门经济效益的目的。本文在查阅过大量相关文献的基础上对储能装置的削峰控制策略展开深入研究,提出了基于牵引负荷预测的新型储能系统控制策略,旨在改善牵引负荷削峰效果。本文的主要研究内容和创新点如下:本文的储能削峰控制策略是在牵引负荷预测的基础上提出的,因此首先对牵引负荷预测技术展开研究。为克服现有牵引负荷预测方法的缺陷,在深入分析牵引负荷特性的基础上本文结合深度学习思想,建立了基于LSTM的牵引负荷预测模型。首先研究了LSTM算法的原理以及其用于牵引负荷预测建模适用性的分析,提出了基于LSTM算法的牵引负荷预测模型框架和预测流程图,最后在python的Keras框架下验证了所提出的LSTM的牵引负荷预测模型的有效性。为进一步提高电气化铁路牵引负荷的预测精度,兼顾牵引负荷预测模型的训练效率,建立了基于CNN-TCN联合模型的牵引负荷预测模型。首先研究了CNN算法以及TCN算法的原理及其用于牵引负荷预测建模适用性的分析,根据CNN、TCN的网络结构分析,将CNN用于牵引负荷局部特征提取,TCN用于牵引负荷预测,提出了基于CNN-TCN的牵引负荷预测模型。最后在python的Keras框架下验证了该模型较基于LSTM的牵引负荷预测模型具有更优异的性能,其预测精度更高,所需训练时间更少。在牵引负荷预测的基础上,针对当前常规电气化铁路储能削峰控制策略存在的问题,本文提出了一种基于牵引负荷预测的新型电气化铁路储能系统控制策略。该策略基于牵引负荷预测数据,将储能装置的SOC进行区间划分,并结合牵引负荷功率确定储能的充放电模型。最后以牵引负荷削峰效果最好为目标建立了优化模型,利用动态自适应粒子群优化算法,得到储能削峰填谷当前时刻的充放电功率大小。最后在MATLAB平台中验证了本文所提方案的有效性及优越性。