CN103847749B - 一种双层多目标优化铁路机车操纵序列生成方法 - Google Patents

Abstract

发明公开了一种双层多目标优化铁路机车操纵序列生成方法，其特征在于：步骤1、准备当前铁路机车车辆参数、线路数据和司机驾驶操纵历史数据，并进行数据预处理。步骤2、基于线路数据预处理得到的等效加算坡度，并将全线路定义为不同类型的子段，步骤3、基于步骤2分段结果确定操纵方法，并构建包含牵引计算模型的底层多目标计算模型；步骤4、基于底层多目标计算模型提供的输出，构建上层多目标计算优化模型。步骤5、结合上层优化计算模型和底层优化计算模型，完成铁路机车优化操纵方法。该优化方法运行的时间大大缩短，可以应用于离线优化和距离不长的在线优化。

Description

一种双层多目标优化铁路机车操纵序列生成方法

技术领域

本发明涉及一种双层多目标铁路机车优化操纵序列生成方法，属于铁路机车控制技术领域。

背景技术

随着能源问题的日益突出，在保证列车安全、准点的运行条件下，如何减少能耗、降低运营成本已经成为铁路部门十分关心的大事，因此节能控制研究也就具有重要意义。在已知列车编组、运行时间、运行距离的情况下存在着许多不同的操纵方法，也会直接导致不同的能耗，寻找优化的操纵方法也因此成为一个重要课题。

档位与动力和能耗都有直接的关联。在实际驾驶过程中，列车司机通过控制离散的档位来达到控制铁路机车行驶速度，在保证不超过限速的前提下尽可能保证准点的需求。

因为涉及到的很多关系是非线性的（铁路机车牵引力与档位、速度的关系曲线、铁路机车制动力与档位、速度的关系曲线、能耗与档位的关系曲线等等），改变局部的若干档位对于列车行驶的时间和能耗的影响是难以预测的（必须要通过复杂的计算过程来模拟实现），因此有必要应用优化算法来为档位操纵的方法提供方向性的指引。

为了实现档位操纵的优化，现有技术中通常按照以下序列计算方法：

实际驾驶中，列车司机根据经验和操纵指导书的指引来进行档位控制。通常情况下，司机总是在固定的线路上进行驾驶，相应的档位序列（方法）也是固定的，并不会动态地根据路况、铁路机车的参数变化进行调整。这样的方法以安全（不超过限速）为第一目标，能耗的节省效果有限，同时不具有通用性和理论基础（不同司机的在同一线路的方法多有不同，而同一司机在某一线路的方法很难迁移到别的线路上）。

基于遗传算法的优化操纵序列生成方法以列车牵引计算为出发点，建立多目标的列车节能控制模型，采用实数编码的遗传算法，根据遗传算法计算所得的适应度值的大小决定能耗曲线是否能继续参与迭代。在满足迭代函数后，得到适应度最大的操纵曲线，也就是铁路机车优化操纵序列。这个方法的主要问题有两个：一是在不引入领域知识的情况下搜索的空间太大，得到优化解需要的时间太长，不能满足在线实时计算的需求，甚至对于较长或是较为复杂的路段，离线计算的时间代价也不能满足要求（优化50km长的路段就需要1小时以上的时间）。

通用电气公司2007年1月18日申请的，授权公告号为CN101374714B的专利公开了一种“用于列车的行程优化系统及方法”，该专利实现了在外界因素变化下向司机提供既满足驾驶安全要求又能达到节能效果的操纵方法，但是由于该专利的技术方案是将在时域中的动态优化控制问题转化为具有多个决定变量的等效静态数学编程问题，对于实际中的线路操纵方法求解问题而言，等效问题的个数会达到上千个之多，对嵌入式设备的计算能力要求较高难以直接实现，因此需要使用简化的列车模型，从而效果并不如直接使用精确的列车模型的效果好。

北京交通大学2008年1月22日申请的，授权公开号为CN101214819B的专利专利公开了一种“内燃牵引铁路机车优化操纵的方法和指导装置”，该专利提供了一种能实现列车安全、平稳、准时、节能地行驶的，适用于国内各主要型号内燃铁路机车的列车优化操纵方法和指导装置，但是该专利的技术方案由于对两个重要的分支“节能算法”和“节时算法”的设计过于主观，并没有足够的理论支撑，并不能保证最优的效果。

基于单层遗传算法的优化操纵序列生成方法以列车牵引计算为出发点，建立多目标的的列车节能控制模型，采用实数编码的遗传算法，根据遗传算法计算所得的适应度值的大小决定能耗曲线是否能继续参与迭代。在满足迭代函数后，得到适应度最大的操纵曲线，也就是铁路机车优化操纵序列。这个方法的主要问题有两个：一是在不引入领域知识的情况下搜索的空间太大，得到优化解需要的时间太长，不能满足在线实时计算的需求，甚至对于较长或是较为复杂的路段，离线计算的时间代价也不能满足要求（优化5km长的路段就需要1小时以上的时间）；二是固定步长的分段方式忽略了路况的影响，单一步长同一档位的设计与领域知识相悖，难以得到理想的优化操纵序列。

发明内容

本发明提出一种双层多目标机车优化操纵序列计算方法，在局部为特定路段搜索出特定最优的档位序列，在全局上通过输入、输出速度分配方案的调整进一步逼近了能耗最少、准时性最佳的目标，从而达到了铁路机车操纵的节能优化。

本发明解决其技术问题所采用的技术方案是提供一种双层多目标优化铁路机车操纵序列生成方法，其特征在于：

步骤1、准备当前铁路机车车辆参数、线路数据和司机驾驶操纵历史数据，并进行数据预处理；

该步骤中，所需铁路机车车辆参数由当前优化目标机型给定；所需线路数据从线路数据库中根据具体运行区间提取；所需司机驾驶历史数据从现有的司机实际驾驶操纵曲线中选取；

步骤2、基于线路数据预处理得到的等效计算坡度，并将全线路定义为不同类型的子段，其中：

定义：长度>=1km并且坡度>=1‰的坡道为上坡段；

定义：长度>=1km并且坡度<=-1‰的坡道为下坡段；

定义：坡度介于1‰和-1‰之间的路段为缓坡段；

定义：多个连续的、长度小于1km的路段为波浪段；

步骤3、基于步骤2分段结果确定操纵方法，并构建包含牵引计算模型的底层多目标计算模型；

步骤4、基于底层多目标计算模型提供的输出，构建上层多目标计算优化模型；

步骤5、结合上层优化计算模型和底层优化计算模型，定义优化计算迭代终止条件，获得铁路机车操纵的档位序列，进一步计算得到列车运行速度曲线，完成铁路机车优化操纵方法。

与现有技术相比，本发明的积极效果是：

(1)双层优化方法在分段和设计操纵方法时，结合了领域知识，学习了司机的历史驾驶数据，与固定步长分段相比更有针对性，更合理，在对比评价的过程中也获得了更好的节能效果；

(2)双层优化方法一方面利用了领域知识，另一方面又利用了优化方法，既保证了通用性，又保证了计算求解的效率，在司机驾驶经验与完全的优化求解中找到了平衡点。

(3)双层优化方法通过将复杂的全线路档位序列求解问题分解成各个分段的操作方法参数搜索子问题，并利用输入、输出速度分配方案来统一各个子问题，大大缩减了解空间的范围，从而减少了优化所需的计算时间，保证可以应用与离线优化和距离不长的在线优化；

(4)双层优化方法使用了精确的牵引计算模型，确保优化所得的档位序列能够直接应用于机车的实际驾驶，避免了使用简单模型带来的弊端。

附图说明

本发明将通过例子并参照附图的方式进行说明，其中：

图1是双层多目标铁路机车优化操纵序列生成方法的流程图；

图2是双层多目标铁路机车优化操纵序列生成方法两层NSGA-II算法交互的框架图；

图3是双层多目标铁路机车优化操纵序列生成方法与司机实际驾驶的速度曲线对比图。

具体实施方式

以下将结合附图1-3对本发明具体实施方式进行详细说明。

如图1所示，本发明提供了一种双层多目标铁路机车优化操纵序列生成方法，包括以下的步骤：

步骤1、准备当前铁路机车参数、线路数据和司机驾驶操纵历史数据，并进行数据预处理。

该步骤中，所需铁路机车参数由当前优化目标机型给定；所需线路数据从线路数据库中根据具体运行区间提取；所需司机驾驶历史数据从现有的、运行条件相同或相近下的、相对节能的司机实际驾驶操纵曲线中选取。

所述当前铁路机车参数获取时，为了便于与司机实际驾驶数据相比较，铁路机车参数选取时与所参照的司机实际驾驶数据中的参数尽量一致。所需准备的铁路机车参数包括：

1、机车长度、机车重量、机车Davis系数

2、车辆牵引列车总重量、牵引列车总长度、车辆Davis系数

3、铁路机车牵引特性曲线，即铁路机车各牵引档位不同速度时对应的牵引力

4、铁路机车制动特性曲线，即铁路机车各制动档位不同速度时对应的制动力

5、铁路机车能耗曲线，即铁路机车牵引、惰行、制动等各档位单位时间的能耗

所述线路数据获取时，根据当前车次运行线路段需求提取相应车站间的线路信息，所需的线路数据及其相关属性信息如表1所示：

表1

所述司机驾驶历史数据提取时，根据司机驾驶统计能耗选取相对节能驾驶的司机驾驶记录，所需准备的给定铁路机车给定线路的司机驾驶历史数据主要包括：

1、铁路机车长度、载重等相关参数；

2、给定线路上的临时限速等信息；

3、司机实际操纵过程中的档位、运行速度等信息；

所述数据预处理即对上述三类数据进行简单处理，方便后续计算过程，减少可能计算错误。本发明需要对上述三类数据进行以下预处理：

1、铁路机车参数预处理：按照列车牵引计算规程国家标准换算铁路机车各参数单位。

2、线路数据预处理：计算线路附加阻力等效加算坡度：按照列车牵引计算规程国家标准将曲线附加阻力、隧道附加阻力等内容转化为以千分度为计量单位的加算坡度，并将原始坡道数据和等效曲线附加阻力、隧道附加阻力加算坡度数据合并，得到完整连续的附加阻力等效加算坡度。

3、司机实际驾驶数据预处理：提取司机实际驾驶过程中的档位和时间信息，根据铁路机车单位能耗值计算司机实际驾驶过程中的计算能耗E_cal，用于后续节能驾驶优化效果的对比。其中，设ΔE_i为i步长时单位能耗，ΔT_i为i步长时的时间长，则计算能耗Ecal计算方式如下：

$E_j=\underset{i=1}{\overset{h}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{E}_i\mathrm{\&Delta;}{T}_1$

步骤2、基于线路数据预处理得到的等效计算坡度，将全线路定义为不同类型的子段。

传统的铁路机车优化操纵序列生成方法中，多是以固定步长作为搜索的单元，并假设在固定步长内采用同一档位。这样的假设便于实现，但忽视了线路间的关联关系。无论是根据司机实际驾驶的历史数据，还是根据仿真模拟的测试结果，都可以推断出，铁路机车在坡度相近的连续路段时，是有统一的驾驶方法的；不同坡度分布的连续长路段，驾驶的方法则大相径庭。基于此，有必要先将一条完整的、较长的线路，定义为若干个典型路段的集合，并为集合中每种典型路段设计有针对性的驾驶方法。根据等效坡道的长度和坡度值，可以将原来的整条线路定义为连续的多个分段：

对于长度>=1km并且坡度>=1‰的坡道，铁路机车行驶时需要使用更多的牵引档位来保证速度不至于过低，应该归属于同一类，这里将它们定义为上坡段；

对于长度>=1km并且坡度<=-1‰的坡道，铁路机车行驶时需要使用更多的惰行甚至是制动档位来保证速度不超过限速，应该归属于同一类，这里将它们定义为下坡段；

对于坡度介于1‰和-1‰之间的路段，铁路机车行驶时最节能的方案往往是通过选择合适的档位保证铁路机车在原有的速度上匀速行驶，应该归属于同一类，这里将它们定义为缓坡段；

对于多个连续的、长度小于1km的路段，很难有固定的节能的档位序列方法，因此需要根据实际情况动态调整，应该归属于同一类，这里将它们定义为波浪段。

根据这样的定义方法，一段较长的完整的线路被定义为多个连续的较短的分段的组合。在实际的仿真模拟和优化计算的过程中，会根据分段的效果来进行相应的修正，使其更符合实际需求。

步骤3、基于分段结果确定操纵方法，并构建包含牵引计算模型的底层多目标计算模型。

根据步骤2所述定义方法获得的分段结果，为每种分段设计有针对性的操纵方法，该步骤中，将操纵方法描述为特定的操作序列，包含如下的步骤：

1、根据司机的历史驾驶数据，获得典型分段内部的司机实际操纵档位序列；

2、进行数据清理，筛掉持续时间过短的档位，并将物理意义相近的档位合并成一种操作。例如，牵引的5-8档都可以认为是加速，可以合并成“加速”操作。将步骤1中获得的档位序列基于这样的合并规则转化为操作序列

3、从满足同样的前后衔接分段的同样分段中的大量的操作序列中，根据关联规则，利用aprior-all等序列挖掘算法筛选出满足符合最低支持度和信任度的操作序列，以评价最高的操作序列作为典型分段的最终操纵方法。最终获得的操纵方法如表2所示：

表2

所述铁路机车牵引计算模型，包括铁路机车牵引力F、制动力B和列车总阻力W的计算，及基于牛顿定律的运动学计算关系。该过程考虑铁路机车牵引、惰行和制动的作用原理和计算方式，以及铁路机车在行驶过程中受到的基本阻力和附加阻力，分析得到铁路机车在行驶过程中的总的受力，演算得到铁路机车在行驶过程中的加速度等参数，从而建立起铁路机车的牵引计算模型，根据铁路机车牵引计算模型来计算给定距离下铁路机车行驶时间或给定时间下铁路机车行驶距离。

司机在车辆行驶过程中通过控制档位来控制铁路机车的作用力。档位共分为3类，牵引、惰行和制动。当档位位于牵引档位时，铁路机车提供的作用力F起牵引作用（与行驶方向相同）；当档位位于惰行档位时，铁路机车不提供作用力；当档位位于制动档位时，铁路机车提供的作用力B起制动作用（与行驶方向相反）。

低牵引档位对应较小的牵引力，高牵引档位对应较大的牵引力。与此同时，同样的档位在铁路机车速度不同时牵引力也不同，随着速度上升，铁路机车提供的牵引力相应下降。

制动档位和牵引档位类似，低制动档位对应较小的制动力，高制动档位对应较大的制动力。同样的制动档位在铁路机车速度不同时提供的制动力也不同，随着速度上升，铁路机车提供的制动力相应下降。

在进行铁路机车操纵序列计算的过程中，具体的档位、速度和牵引/制动力的关系，会先根据专家经验和实验数据获得牵引/制动曲线，然后在实际计算中根据具体数值查表获得对应作用力大小。

列车在行驶的过程中，除了有铁路机车提供的牵引力/制动力，还会受到阻力的影响。列车阻力按产生的原因，分为基本阻力、附加阻力和起动阻力。三种阻力的数量均与铁路机车、列车的总重成正比。

基本阻力是指列车运行中的固有阻力，包括摩擦阻力和空气阻力。世界各国计算铁路机车单位基本阻力的公式，不论牵引运行或惰力运行，普遍采用以运行速度为变量的函数形式：

w_o=a+b×v+c×v²

w_o为列车运行单位基本阻力，单位为N/t；为列车运行速度，单位为km/h；系数a、b、c由试验确定。

附加阻力是指列车在特定条件下运行时除基本阻力外增加的那部分阻力，包括坡道附加阻力、曲线附加阻力和隧道内空气附加阻力，可以根据线路数据和计算公式进行计算。

其中坡道附加阻力的公式为

w_i=i，其中w_i为单位坡道阻力，i为坡道坡度千分数。

曲线附加阻力的公式为

w_r=600/R，其中w_r为单位曲线阻力，R为曲线半径。

隧道附加阻力的公式为

w_s=0.13×L_s，其中w_s为单位隧道阻力，L_s为隧道长度。

起动阻力是指列车从静态向动态转变所产生的阻力，在进行优化操纵序列计算时可暂不考虑。

因此列车阻力的和W的计算公式为

W=w_o+w_i+w_r+w_s

综合考虑上述作用力，列车所受合力C计算如下：

C=F-W-B

通过合力C，列车运动学关系可以按照牛顿定律求解如下：

$a=\frac{C}{m}$

其中，是列车加速度，是列车总质量，并可进而根据加速度值计算给定距离下铁路机车行驶时间或给定时间下铁路机车行驶距离，用于更新铁路机车行驶的速度、时间、运行距离等信息，并按照预处理中能耗统计方式统计运行时间与单位能耗的对应关系来更新铁路机车行驶的总的能耗。

底层多目标计算模型以牵引计算模型和操纵方法为基础，采用NSGA-II算法来计算铁路机车在特定分段、特定操纵方法和特定输入输出速度的限定下，能达到最短时间和最少能耗的档位选择和比例分配的档位序列。底层多目标计算模型在给定分段、操纵方法和输入输出速度的情况下，利用NSGA-II方法搜索操纵方法中每种操作的具体档位选择和在整个操纵方法中所占的比例，利用牵引计算模型计算具体行驶过程，以达到时间最少、能耗最少并且和输出速度的差值最小的目标；对于给定路段j，j=1，2，...，p，j为分段标识，p为总段数，则底层多目标计算模型表达式如下：

$\min E_j=\underset{i=1}{\overset{h_j}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{E}_i\mathrm{\&Delta;}{T}_i,\mathrm{\&Delta;}{H}_j=\mathrm{abs}(T_j-\underset{i=1}{\overset{h_j}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{T}_i),\mathrm{\&Delta;}{v}_{{\mathrm{end}}_j}=v\left(h_j\right)-\mathrm{vs}\left(h_j\right)$

v_start(j)=v_s(j-1)

verd(j)=v_s(j)

其中，i=1，2，...，h_j为第j分段内的步长标识，h_j为第j分段内的总步长数，Ej为该段总能耗，△E_i为i步长时单位能耗，△T_i为i步长时的时间长，△H_j为机车到达终点时的时间误差，T_j为该段计划运行时间，△v_endj为到达该段终点时的速度误差，v(h)为该段终点时的速度，v_s(h)的终点时计划速度，abs()表示求绝对值；v_start(j)为第j段时的起始速度，当j=1时v_start(j)取机车初始起始速度，vend(j)为第j段时的终止速度，v_s(j)为第j段的计划终止速度；v(i)为步长i时的机车速度，v_lim(i)为步长i时的限速。

首先对NSGA-II算法的工作原理作简要的说明。NSGA-II算法的主体循环部分包含如下的步骤：

1）随机初始化开始种群P₀。并对P₀进行非支配排序，初始化每个个体的rank值

2）设定循环计数变量t=0

3）通过二进制锦标赛法从P_t选择个体，并进行交叉和变异操作，产生新一代种群Q_t

4）通过合并Pt和Q_t产生出组合种群R_t=P_t∪Q_t

5）对P_t进行非支配排序，并通过排挤和精英保留方法选出N个个体，组成新一代种群P_t+1

6）跳转到步骤3，并循环，直至满足结束条件

种群P₀中每个个体都包含搜索变量。应用到双层多目标铁路机车优化操纵序列生成方法中的底层多目标计算模型中，即搜索每个分段内部的档位选择和时间分配比例，以“惰行-牵引”的操纵序列为例，在NSGA-II算法中对应的搜索变量就是[惰行的档位g₁惰行的时间分配比例t₁牵引的档位g₂牵引的时间分配比例t₂]

非支配排序的过程则是对种群中每个个体进行多目标的评价，根据评价和非支配排序算法进行排位。应用到双层多目标铁路机车优化操纵序列生成方法中的底层多目标计算模型中，对应的评价标准包括（对当前子段采取当前的档位选择和时间分配比例之后）行驶完当前分段所需要的时间、能耗以及实际输出速度与设定的输出速度的差别。

经过初始化-非支配排序-交叉变异-生成新种群的多次迭代并达到结束条件后，就可以获取到当前分段的“最佳”档位选择和时间分配比例（优化算法在给定限制下能搜索到的最佳）。

步骤4、基于底层多目标计算模型提供的输出，构建上层多目标计算优化模型。

整个优化操纵序列计算的最终目标是完整线路的能耗降低和准时性提高，而在优化搜索每个字段内部的参数时，需要一个桥梁连接字段内部的结果和全局的优化目标，因此选取每个分段内部的输入速度、输出速度作为变量来变相控制每个分段内部的时间和能耗分配，并连接不同分段内部方法（速度可以衔接的子方法自然是可以无缝连接的）。具体的速度分配方案也需要一种优化方法来搜索，这里选取的仍然是NSGA-II方法。

上层多目标计算模型在给定线路和其对应的分段方式以及操纵方法的基础上，为其中每一个分段分配输入、输出速度，并由底层多目标计算模型返回其对应的时间消耗和能耗，统计获得总的时间消耗和能耗。通过评价一种速度分配方案的时间消耗和能耗，利用NSGA-II方法搜索得到最优的时间分配方案；其表达式如下：

$\min E_{\mathrm{total}}=\underset{j=1}{\overset{p}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{E}_{\mathrm{dj}}\mathrm{\&Delta;}{T}_{\mathrm{dj}},{\mathrm{\&Delta;T}}_{\mathrm{total}}=\mathrm{abs}(T_{\mathrm{total}}-\underset{j=1}{\overset{p}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{T}_{\mathrm{dj}})$

v_start(j)=vs(j-1)

v_end(j)=v_s(j)

其中，j=1，2，...，p，j为分段标识，p为总段数，E_total为总能耗，ΔE_dj为第j段时能耗，ΔT_dj为第j段时的时间长，ΔT_total为机车到达终点时的时间误差，T_total为计划总运行时间；v_start(j)为第j段时的起始速度，当j=1时v_start(j)取机车初始起始速度，v_end(j)为第j段时的终止速度，v_s(j)为第j段的计划终止速度。

上层多目标优化计算模型中的每个个体在NSGA-II算法中对应的搜索变量为分段间的输入输出速度。以“牡丹江中场-哈南六场”的线路为例，前5个分段的初始种群中的一个个体的衔接速度分配可以如表3所示：

表3

1段与2段之间	2段与3段之间	3段与4段之间	4段与5段之间
				30km/h	50km/h	50km/h	60km/h

上层优化算法以这样的输入输出速度向量作为搜索向量，以全局的能耗和准时性作为目标向量，应用NSGA-II算法迭代搜索最优的输入输出速度分配方案。

步骤5、结合上层优化计算模型和底层优化计算模型，定义优化计算迭代终止条件，获得铁路机车操纵的档位序列，进一步计算得到列车运行速度曲线，完成铁路机车优化操纵方法。

上层多目标优化计算模型和下层多目标优化计算模型以图2的结构进行数据交互，协作搜索多目标条件下的最优档位序列。其中，上层模型搜索最优的速度分配方案，而在评价每种速度分配方案时，将每个子段对应的输入输出速度传递给下层模型，由下层模型计算在这样的输入输出速度限制下能够达到的，满足最少运行时间、最少能耗和输出速度差值绝对值最小的，档位选择和比例分配方案，也就是每个子段的完整档位序列。

下层模型获得最优的档位选择和比例分配方案以后，将其对应的时间消耗和能耗反馈给上层模型。上层模型将所有子段的能耗和时间消耗结果统计汇总，获得这种速度分配方案的总的时间消耗和能耗，从而能够对这种速度分配方案进行评价和非支配排序。

将上述过程应用与当前铁路机车优化操纵序列的求解，定义迭代次数的阈值和迭代优化百分比的阈值作为迭代的终止条件，计算获得当前铁路机车在给定路段上的最优的速度分配方案，以及对应的速度分配方案在每个子段上的最优的档位选择和比例分配方案，从而进一步得到完整的档位操作序列，用于铁路机车优化操纵。

应用示例

以下结合具体的算例，对本发明所述的方法进行详细说明。该实施例中，首先按照步骤1的内容和形式，以某和谐铁路机车的参数作为铁路机车参数输入，以某给定货运路段线路数据作为线路数据输入，并从原始的线路数据中计算得到等效坡道数据。

按照步骤2中的说明将给定货运路段分成了7段，再根据前后路段连接关系为每段指定了针对性的操纵方法，如表4所示：

基于步骤3-5构建的双层多目标铁路机车优化操纵序列方法，得到的上层多目标计算模型的最优个体的速度分配方案如表5所示：

表4

序号	起始公里标	终止公里标	操纵方法
				1	15030	19100	牵引-惰行
2	19100	23800	惰行-牵引
				3	23800	25500	惰行-牵引
4	25500	29200	牵引-惰行-牵引
				5	29200	32900	牵引-惰行-牵引
6	32900	44800	牵引-惰行
				7	44800	62300	牵引-牵引-惰行

表5

分段序号	输入速度（km/h）	输出速度（km/h）
			1	35.00	41.68
2	41.68	46.41
			3	46.411	46.71
4	46.71	49.86
			5	49.86	49.41
6	49.41	47.19
			7	47.19	46.09

基于底层多目标计算模型计算每个分段内部的档位选择和比例分配方案，从而得到具体的档位序列。依据牵引计算模型，进一步计算得到铁路机车的速度曲线，并将之与司机实际驾驶的速度曲线对比，如图3所示。从图上可以看出，优化得到的速度曲线有与司机驾驶的速度曲线近似的趋势，说明双层多目标铁路机车优化操纵序列生成方法得到的档位序列和对应的速度曲线与实际的领域知识相契合。

Claims (2)

1.一种双层多目标优化铁路机车操纵序列生成方法，其特征在于：

步骤1、准备当前铁路机车车辆参数、线路数据和司机驾驶操纵历史数据，并进行数据预处理；

该步骤中，所需铁路机车车辆参数由当前优化目标机型给定；所需线路数据从线路数据库中根据具体运行区间提取；所需司机驾驶操纵历史数据从现有的司机实际驾驶操纵曲线中选取；

步骤2、基于线路数据预处理得到的等效计算坡度，并将全线路定义为不同类型的子段，其中：

定义：长度>＝1km并且坡度>＝1‰的坡道为上坡段；

定义：长度>＝1km并且坡度<＝-1‰的坡道为下坡段；

定义：坡度介于1‰和-1‰之间的路段为缓坡段；

定义：多个连续的、长度小于1km的路段为波浪段；

步骤3、基于步骤2分段结果确定操纵方法，并构建包含牵引计算模型的底层多目标计算模型；

步骤4、基于底层多目标计算模型提供的输出，构建上层多目标计算优化模型；

步骤5、结合上层多目标计算优化模型和底层多目标计算模型，定义优化计算迭代终止条件，获得铁路机车操纵的档位序列，进一步计算得到列车运行速度曲线，完成铁路机车优化操纵方法。

2.根据权利要求1所述的双层多目标优化铁路机车操纵序列生成方法，其特征在于：步骤4中：

上层多目标计算优化模型在给定线路和其对应的分段方式的基础上，表达式如下：

$\begin{array}{cc}\min & E_{total}=\underset{j=1}{\overset{p}{\&Sigma;}}{\mathrm{\&Delta;E}}_{dj}{\mathrm{\&Delta;T}}_{dj},{\mathrm{\&Delta;T}}_{total}=abs(T_{total}-\underset{j=1}{\overset{p}{\&Sigma;}}{\mathrm{\&Delta;T}}_{dj})\end{array}$

v_start(j)＝v_s(j-1)

v_end(j)＝v_s(j)

其中，j＝1，2，...，p，j为分段标识，p为总段数，E_total为总能耗，ΔE_dj为第j段时能耗，ΔT_dj为第j段时的时间长，ΔT_total为机车到达终点时的时间误差，T_total为计划总运行时间；v_start(j)为第j段时的起始速度，当j＝1时v_start(j)取机车初始起始速度，v_end(j)为第j段时的终止速度，v_s(j)为第j段的计划终止速度。