CN103955135B - 一种基于双层模式曲线的机车优化操纵序列计算方法 - Google Patents
一种基于双层模式曲线的机车优化操纵序列计算方法 Download PDFInfo
- Publication number
- CN103955135B CN103955135B CN201410209160.7A CN201410209160A CN103955135B CN 103955135 B CN103955135 B CN 103955135B CN 201410209160 A CN201410209160 A CN 201410209160A CN 103955135 B CN103955135 B CN 103955135B
- Authority
- CN
- China
- Prior art keywords
- section
- locomotive
- curve
- gradient
- circuit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000009472 formulation Methods 0.000 title claims abstract description 18
- 239000000203 mixture Substances 0.000 title claims abstract description 18
- 238000000205 computational method Methods 0.000 title claims abstract description 13
- 230000003137 locomotive effect Effects 0.000 claims abstract description 156
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000011218 segmentation Effects 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 11
- 238000005265 energy consumption Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000007423 decrease Effects 0.000 claims description 9
- 230000002153 concerted effect Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 5
- 238000013459 approach Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 12
- 238000011160 research Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000000137 annealing Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000009967 tasteless effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于双层模式曲线的机车优化操纵序列计算方法,其特征在于,双层模式曲线中的上层模式曲线进行给定路线路全路段机车运行时间分配模式曲线学习,下层模式曲线进行各个区段内对机车运行速度模式曲线的学习。再利用从优秀司机操纵数据中提取的模式曲线来求解机车优化操纵序列。本发明的方法避免了对全局进行搜索,提升了算法效率,降低了计算复杂度。随着对越来越多的数据加入学习使用和对数据更加细致的筛选处理,本发明计算方法能更加逼近一个更优解,可重复利用性高,能够在不同线路上多次运行,不需要更改算法本身的策略。
Description
技术领域
本发明涉及一种基于双层模式曲线的机车优化操纵序列计算方法,属于机车车辆控制技术领域。
背景技术
机车优化操纵,是指在保证机车准点、安全行驶的前提下,研究在既定的列车构造环境和运营条件下的优化操纵问题,合理安排机车的档位序列,达到节能的优化效果。
该类研究按技术方法也可划分为两类,即基于动力学原理的节能理论研究和基于专家系统的节能运行仿真实验研究。理论研究方面,众多学者通过构建列车运行过程及能耗模型,应用多种优化算法如自适应计算过程与遗传算法相结合,或依据最大值原理采用解析法进行求解。南澳大学SCG研究所的Benjamin等(1989)针对离散型控制模式的机车操纵实际情况,提出了用能耗模型描述列车节能运行控制问题,假定每一控制级位对应一个单位能耗常数(惰行和制动控制的单位能耗为零),且能耗和功率成正比,同时假定在列车最后制动之前有一个惰行阶段,该模型求解较为复杂,程家兴、Howlett等学者近年来致力于算法设计与模型求解Howlett等学者(1993)提出将列车优化操纵问题表示为有限约束条件下的工况变换点优化问题,并研究了在平直坡道列车速度控制上下限和制动初速的计算与优化控制问题。Howlett等(1996)研究了分段常数坡度模型,连续变化坡度模型(1997)以及带限速的分段常数坡度模型(1999)。程家兴等(1999,2002)、程锦松等(1999)分别应用模拟退火算法与动态罚函数法、自适应计算过程与遗传算法相结合、调整转换速度的二维牛顿迭代方法、龙格-库塔法与欧拉法及遗传算法、并行遗传算法等方法求解列车节能控制的模型。Xuan(2006)在其博士论文中根据线路坡道组合情况,从理论角度探讨了列车优化操纵的必要条件,重点分析了大起伏坡道条件下的列车优化操纵策略,并采用无味卡尔曼滤波(UKF)方法对列车运行阻力方程进行了参数标定。Howlett等(2009)采用新的局部寻优方法求解了长大起伏坡道下的列车节能运行控制工况转换关键点,为长大货物列车的在线操纵优化提供了指导。
上述研究大多采用了数值求解的方法,主要侧重理论研究,对列车操纵优化做了较全面的定性和定量分析,诸多先进优化算法在数值求解中都得到了应用,但是因其变量较多、变量搜索空间较大,用于计算机车优化操纵序列的优化算法需要对全局进行搜索,搜索时间长,搜索结果具有不确定性,在复杂运行环境下列车控制实时优化的应用中很难得到实现。
发明内容
本发明的发明目的是提供一种简单,高效的基于双层模式曲线的机车优化操纵序列计算方法,能够实现机车的实时优化操纵。
本发明具体的技术方案是一种基于双层模式曲线的机车优化操纵序列计算方法,其特征在于,双层模式曲线中的上层模式曲线进行给定路线路全路段机车运行时间分配模式曲线学习,以获得任一区段机车运行时间百分比与机车质量、机车运行总时间、该区段的坡道类型、该区段的长度和该区段的加算坡度之间的函数关系,下层模式曲线进行各个区段内对机车运行速度模式曲线的学习,以获得区段内各个分段点的速度与上层模式曲线得到的该区段时间分配的百分比,该区段的长度、该区段的加算坡度,机车质量和机车运行总时间之间的函数关系,包括以下步骤:
1)采集给定线路机车运行数据和线路数据,运行数据指的是在该线路上驾驶机车的优秀司机的行驶数据,并根据加算坡度的大小和机车运行情况对给定线路进行分段,
2)按线路分段得到的区段从采集的运行数据中分别提取上层运行数据和下层运行数据,即全局运行数据和区段运行数据,
全局运行数据包括机车质量M、运行总时间T、区段的坡道类型S、区段的长度L、区段的加算坡度G、优秀司机驾驶机车在区段中运行的时间占运行总时间T的百分比α,
区段运行数据包括机车质量M、运行总时间T、区段的坡道类型S、区段的长度L、区段的加算坡度G、优秀司机驾驶机车在区段中运行的时间占运行总时间T的百分比α,优秀司机驾驶机车在区段中运行的速度曲线,
3)进行给定线路全路段机车运行时间分配模式曲线学习
设α区段为机车运行的线路分段中任一个区段时间分配的百分比,该区段的长度为L区段、加算坡度为G区段,运行的机车质量为M,线路内机车运行的总时间T,则设
对步骤2)中得到的上层运行数据按上式(I)进行多元非线性回归,将得到的拟合曲线与优秀司机驾驶机车的数据的区段时间分配的百分比的平均值进行比较,以拟合效果最佳的曲线的i的取值及此时系数βi1,βi2,βi3,βi4,βi0的取值确定该区段机车运行时间分配的百分比曲线,最终得到全路段机车运行时间分配模式曲线,
4)对各区段内机车运行速度分配模式曲线学习
将给定线路中的任一个区段分为p等分,设V区段k为该区段中第k个等分点的机车运行速度,1≤k≤p,入坡初始速度为V区段0,入坡初始速度指的是进入该区段时的速度,设α区段为机车运行的该区段时间分配的百分比,该区段的长度为L区段、加算坡度为G区段,运行的机车质量为M,线路内机车运行的总时间T,则有,
对步骤2)中得到的下层运行数据按上式(II)进行多元非线性回归,将得到的拟合曲线与优秀司机驾驶机车的数据的平均值进行比较,以拟合效果最佳的曲线的j的取值及此时系数ρj1,ρj2,ρj3,ρj4,ρj5,ρj6,ρj7,ρj0的取值确定区段中一个等分段机车运行的速度模式曲线,同样能够得到每一个等分段的速度模式曲线,将各等分段的速度模式曲线之间用平滑曲线连接,最终得到区段的速度模式曲线,
5)对需进行优化的线路,按以下步骤进行处理,
5.1)优化线路是步骤1)中采集到的线路数据的子集,利用步骤1)中获得的线路数据,我们可以依据加算坡度的大小对线路进行分段;
5.2)对需要优化的线路进行分段后,得到分段后的区段坡道长度和区段的加算坡度,以及机车运行总时间、机车质量和机车进入需要优化的线路的初始速度一起作为已知条件,利用步骤3)得到的全路段机车运行时间分配模式曲线获得各区段的的时间分配比例,
5.3)利用步骤4)得到的区段的速度模式曲线获得第一等分段的优化速度曲线,然后将第一等分段的优化速度曲线中的出段速度作为第二等分段的初始速度,依次计算出整条需要优化的线路的速度曲线,
6)利用步骤5)得到的各区段的时间分配比例和各区段内的速度曲线计算机车的档位操作序列。
更进一步地,步骤6)中所述的计算机车的档位操作序列的方法是,
采用以下机车运行物理模型进行计算,
上式(III)中,S为运行距离,T为调度运行时间,x为列车当前运行位置,x∈[0,S],v=v(x)为列车当前运行速度,p(x)表示机车牵引功率,M为列车牵引总重,ω0(v)为速度为v时的列车单位运行基本阻力,r为列车管减压量,vo为制动初速度,bb(r,v,v0)为制动单位合力,θ(s)为距离列车头部s处的列车质量密度函数,g(x-s)表示距离列车头部s处的线路附加阻力,Le为列车长度,表示加权单位附加阻力,t表示列车运行时刻,
基于上述物理模型,机车操纵档位一次性反求实现过程如下:
已知列车牵引总重M,通过线路数据得出列车单位运行基本阻力ω0(v)和加权附加阻力
利用步骤5.3)中得到的速度曲线,得到v(x)和
然后,分牵引档位和制动档位分别反求:如果当前为牵引档位时,令bb(r,v,v0)=0,利用上式(III)反求出机车牵引功率p(x),通过现有的牵引档位和牵引功率的对应关系得到p(x)对应的牵引档位,如果当前为制动档位,令p(x)为0,利用上式(III)反求出制动单位合力bb(r,v,v0),通过现有的制动档位和制动单位合力的对应关系得到当前的制动档位。
更进一步地,所述的优秀司机确定方法如下:
a.提取采集的机车运行数据中所有司机驾驶数据;
b.求取所有司机在同类负载时驾驶能耗的平均值;
c.所用能耗低于平均值的司机为优秀司机。
更进一步地,其特征在于,所述的根据加算坡度的大小和机车运行情况对线路进行分段的方法是,将线路分为陡上坡、陡下坡、缓上坡、缓下坡和平坡,其中,陡上坡表示以机车最大牵引力运行,仍然无法使得机车达到加速运行的效果;陡下坡表示以机车最大制动力运行,仍然无法使得机车达到减速运行的效果;缓上坡表示非陡上坡情况下的上坡路段;缓下坡表示非陡下坡情况下的下坡路段;平坡表示加算坡度小于一定数值的路段。
更进一步地,其特征在于,所述的加算坡度由线路实际坡度、隧道加算坡度和曲线加算坡度共同叠加组成。
更进一步地,其特征在于,
所述的曲线加算坡度Pc按下式(IV)计算:
Pc=600*Lc/(Rc*Lcars)......(IV)
在上式(IV)中,Lc表示曲线的长度,Rc表示曲线半径,Lcars表示列车的总长度。
所述的隧道的加算坡度Pt按下式(V)计算:
Pt=0.00013*Lt......(V)
在上式(V)中,Pt表示隧道的加算坡度,Lt表示隧道的长度。
采用上述技术方案后的有益效果是,本发明的方法中利用从优秀司机操纵数据中提取的模式曲线来求解机车优化操纵序列,避免了对全局进行搜索,提升了算法效率,降低了计算复杂度。算法通过学习和提取优秀司机的驾驶速度曲线和运行时间特征,对机车在不同坡度分段上(上坡、下坡、陡上坡、陡下坡、平坡等)的机车操纵的速度模式曲线和时间分配模式曲线进行了拟合提取,满足了各线路特征参数连续变化的需求,结果可靠性较高。随着对越来越多的数据加入学习使用和对数据更加细致的筛选处理,算法能更加逼近一个更优解,算法效果还有很好的提升空间。算法可重复利用性高,能够在不同线路上多次运行,不需要更改算法本身的策略。
附图说明
图1为本发明方法的步骤流程图
图2为得到全局优化时间分配模式曲线而进行回归计算的数据结构示意图
图3为得到区段内速度模式曲线而进行回归计算的数据结构示意图
图4为最终得到的优化速度曲线与实际优秀司机数据曲线的比较图
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,一种基于双层模式曲线的机车优化操纵序列计算方法,其特征在于,双层模式曲线中的上层模式曲线进行给定路线路全路段机车运行时间分配模式曲线学习,以获得任一区段机车运行时间百分比与机车质量、机车运行总时间、该区段的坡道类型、该区段的长度和该区段的加算坡度之间的函数关系,下层模式曲线进行各个区段内对机车运行速度模式曲线的学习,以获得区段内各个分段点的速度与上层模式曲线得到的该区段时间分配的百分比,该区段的长度、该区段的加算坡度,机车质量和机车运行总时间之间的函数关系,包括以下步骤:
1)采集给定线路机车运行数据和线路数据,并根据加算坡度的大小和机车运行情况对给定线路进行分段。
所述的优秀司机确定方法如下:
a.提取采集的机车运行数据中所有司机驾驶数据;
b.求取所有司机在同类负载时驾驶能耗的平均值;
c.所用能耗低于平均值的司机为优秀司机。
运行数据指的是在该线路上驾驶机车的优秀司机的行驶数据,主要包括:机车运行速度曲线,牵引制动档位变化情况,机车运行时间信息,机车的载重和长度等。
线路数据主要包括:线路的坡度信息,曲线信息,所经过的隧道和桥梁信息,线路限速信息等。
比如,可以针对某铁路路局现有司机的行驶数据和对应线路数据进行处理,其中司机的行驶数据由机车上的LKJ列车运行监控装置导出,线路数据由路局实时维护的当前线路数据为准。
根据加算坡度的大小和机车运行情况对给定线路进行分段的方式如下:
a.计算线路加算坡度。我们提取的线路数据包括线路上的坡道,曲线,隧道以及线路的限速信息。线路上机车的运行的阻力除了摩擦阻力和空气阻力之外,还有因为线路原因的附加阻力,这些阻力和具体的线路有关,包括坡道附加阻力,曲线附加阻力和隧道附加阻力。基于此,我们可以将这些附加阻力用一个相当的坡道附加阻力代替,这个相当的坡道就称为加算坡道。加算坡道的坡度称为加算坡度。
根据铁路机车行驶的线路信息,如线路实际坡度,曲线,隧道等获得加算坡度。该部分为现有技术。
所述的加算坡度由线路实际坡度、隧道加算坡度和曲线加算坡度共同叠加组成。
所述的曲线加算坡度Pc按下式(IV)计算:
Pc=600*Lc/(Rc*Lcars)......(IV)
在上式(IV)中,Lc表示曲线的长度,Rc表示曲线半径,Lcars表示列车的总长度。
所述的隧道的加算坡度Pt按下式(V)计算:
Pt=0.00013*Lt......(V)
在上式(V)中,Pt表示隧道的加算坡度,Lt表示隧道的长度。
b.分段处理。将线路分为陡上坡、陡下坡、缓上坡、缓下坡和平坡,其中,陡上坡表示以机车最大牵引力运行,仍然无法使得机车达到加速运行的效果;陡下坡表示以机车最大制动力运行,仍然无法使得机车达到减速运行的效果;缓上坡表示非陡上坡情况下的上坡路段;缓下坡表示非陡下坡情况下的下坡路段;平坡表示加算坡度小于一定数值的路段。其中,我们对小的分段进行合并操作:连续多段相同类型的坡段可合成为一个大的连续坡段,加算坡度取其平均加算坡度值。计算各分段参数的平均加算坡度、总长度作为后续参数提取用。
2)按线路分段得到的区段从采集的运行数据中分别提取上层运行数据和下层运行数据,即全局运行数据和区段运行数据。
全局运行数据包括机车质量M、运行总时间T、区段的坡道类型S、区段的长度L、区段的加算坡度G、优秀司机驾驶机车在区段中运行的时间占运行总时间T的百分比α。
区段运行数据包括机车质量M、运行总时间T、区段的坡道类型S、区段的长度L、区段的加算坡度G、优秀司机驾驶机车在区段中运行的时间占运行总时间T的百分比α,优秀司机驾驶机车在区段中运行的速度曲线。
3)进行给定线路全路段机车运行时间分配模式曲线学习
设α区段为机车运行的线路分段中任一个区段时间分配的百分比,该区段的长度为L区段、加算坡度为G区段,运行的机车质量为M,线路内机车运行的总时间T,则设
对步骤2)中得到的上层运行数据按上式(I)进行多元非线性回归,将得到的拟合曲线与优秀司机驾驶机车的数据的区段时间分配的百分比的平均值进行比较,以拟合效果最佳的曲线的i的取值及此时系数βi1,βi2,βi3,βi4,βi0的取值确定该区段机车运行时间分配的百分比曲线,最终得到全路段机车运行时间分配模式曲线。
该模型是一个次数为奇数的模型,考虑到偶次项为对称图形,不能拟合真实的数据情况,因此对偶次项忽略。经过多次尝试,n的值通常情况下不会超过3,因为更高次项会使得某些参数,比如车重M对时间分配的影响过大而忽略掉其他参数,如加算坡度对时间分配的影响。根据实际路段,通过对比不同n的值得到最后的优化效果,我们可以确定n的值。也就是说,以实际路段和具体的司机驾驶数据进行回归时,其n的值有一个最佳取值。利用现有技术matlab中的regress工具可以得到全局状态下各个区段时间分配百分比与各个参数之间的函数关系。
4)对各区段内机车运行速度分配模式曲线学习
将给定线路中的任一个区段分为p等分,设V区段k为该区段中第k个等分点的机车运行速度,1≤k≤p,入坡初始速度为V区段0,入坡初始速度指的是进入该区段时的速度,设α区段为机车运行的该区段时间分配的百分比,该区段的长度为L区段、加算坡度为G区段,运行的机车质量为M,线路内机车运行的总时间T,则有,
对步骤2)中得到的下层运行数据按上式(II)进行多元非线性回归,将得到的拟合曲线与优秀司机驾驶机车的数据的平均值进行比较,以拟合效果最佳的曲线的j的取值及此时系数ρj1,ρj2,ρj3,ρj4,ρj5,ρj6,ρj7,ρj0的取值确定区段中一个等分段机车运行的速度模式曲线,同样能够得到每一个等分段的速度模式曲线,将各等分段的速度模式曲线之间用平滑曲线连接,最终得到区段的速度模式曲线。
同步骤3)中的模型类似,本步骤中的模型也是一个次数为奇数的模型,根据对实际区段进行的分段,我们可以得到一个最佳的n的值。利用现有技术matlab中的regress工具可以得到全局状态下各个区段内速度曲线与各个参数之间的函数关系。
5)对需进行优化的线路,按以下步骤进行处理,
5.1)优化线路是步骤1)中采集到的线路数据的子集,利用步骤1)中获得的线路数据,我们可以依据加算坡度的大小对线路进行分段;
5.2)对需要优化的线路进行分段后,得到分段后的区段坡道长度和区段的加算坡度,以及机车运行总时间、机车质量和机车进入需要优化的线路的初始速度一起作为已知条件,利用步骤3)得到的全路段机车运行时间分配模式曲线获得各区段的的时间分配比例,
5.3)利用步骤4)得到的区段的速度模式曲线获得第一等分段的优化速度曲线,然后将第一等分段的优化速度曲线中的出段速度作为第二等分段的初始速度,依次计算出整条需要优化的线路的速度曲线,
6)利用步骤5)得到的各区段的时间分配比例和各区段内的速度曲线计算机车的档位操作序列。
步骤6)中所述的计算机车的档位操作序列的方法是,
采用以下机车运行物理模型进行计算,
上式(III)中,S为运行距离,T为调度运行时间,x为列车当前运行位置,x∈[0,S],v=v(x)为列车当前运行速度,p(x)表示机车牵引功率,M为列车牵引总重,ω0(v)为速度为v时的列车单位运行基本阻力,r为列车管减压量,vo为制动初速度,bb(r,v,v0)为制动单位合力,θ(s)为距离列车头部s处的列车质量密度函数,g(x-s)表示距离列车头部s处的线路附加阻力,Le为列车长度,表示加权单位附加阻力,t表示列车运行时刻,
基于上述物理模型,机车操纵档位一次性反求实现过程如下:
已知列车牵引总重M,通过线路数据得出列车单位运行基本阻力ω0(v)和加权附加阻力
利用步骤5.3)中得到的速度曲线,得到v(x)和
然后,分牵引档位和制动档位分别反求:如果当前为牵引档位时,令bb(r,v,v0)=0,利用上式(III)反求出机车牵引功率p(x),通过现有的牵引档位和牵引功率的对应关系得到p(x)对应的牵引档位,如果当前为制动档位,令p(x)为0,利用上式(III)反求出制动单位合力bb(r,v,v0),通过现有的制动档位和制动单位合力的对应关系得到当前的制动档位。
以下为一个具体的算例。
a.首先按照本发明方法的步骤1)的内容和形式,以某和谐铁路机车的参数作为机车参数输入,以某给定货运路段的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分段数据,然后按照步骤二中的方法提取上下两层运行信息所需要的数据,上层数据结构如图2所示,下层数据结构如图3所示。
b.按照步骤三,对给定路段机车运行时间进行分配,得到的时间分配结果,这里通过对比优化选择n值,我们能够得出当n=2时,也就是最高次项为3次时,拟合效果较好。
c.按照步骤四,我们对各区段内机车运行速度曲线进行学习,得到各个区段内速度曲线的分配结果。同样通过对比优化选择结果,我们能够得到当n=2时,拟合效果较好。
d.对于需优化的线路,根据机车牵引计算原理和机车特性对各段内机车操纵档位进行一次性反求实现。最终得到的优化速度曲线与实际优秀司机数据曲线的比较图如图4所示。其中浅色线条为优秀司机驾驶数据曲线,而深色数据为双层模式曲线优化得到的曲线。从图中我们看出,优化得到的曲线与司机实际驾驶的速度曲线近似的趋势,说明双层模式曲线机车优化操纵方法得到的档位序列和对应的速度曲线与实际领域中的优秀水平相契合,在某些地段可能更优于优秀司机的驾驶水平。
Claims (6)
1.一种基于双层模式曲线的机车优化操纵序列计算方法,其特征在于,双层模式曲线中的上层模式曲线进行给定线路全路段机车运行时间分配模式曲线学习,以获得任一区段机车运行时间百分比与机车质量、机车运行总时间、该区段的坡道类型、该区段的长度和该区段的加算坡度之间的函数关系,下层模式曲线进行各个区段内对机车运行速度模式曲线的学习,以获得区段内各个分段点的速度与上层模式曲线得到的该区段时间分配的百分比,该区段的长度、该区段的加算坡度,机车质量和机车运行总时间之间的函数关系,包括以下步骤:
1)采集多条线路机车运行数据和线路数据,运行数据指的是在该线路上驾驶机车的优秀司机的行驶数据,并根据加算坡度的大小和机车运行情况对给定线路进行分段,
2)按线路分段得到的区段从采集的运行数据中分别提取上层运行数据和下层运行数据,即全局运行数据和区段运行数据,
全局运行数据包括机车质量、运行总时间、区段的坡道类型、区段的长度、区段的加算坡度、优秀司机驾驶机车在区段中运行的时间占运行总时间T的百分比,
区段运行数据包括机车质量、运行总时间、区段的坡道类型、区段的长度、区段的加算坡度、优秀司机驾驶机车在区段中运行的时间占运行总时间T的百分比,优秀司机驾驶机车在区段中运行的速度曲线,
3)进行给定线路全路段机车运行时间分配模式曲线学习
设α区段为机车运行的线路分段中任一个区段时间分配的百分比,该区段的长度为L区段、加算坡度为G区段,运行的机车质量为M,线路内机车运行的总时间T,则设
对步骤2)中得到的上层运行数据按上式(I)进行多元非线性回归,将得到的拟合曲线与优秀司机驾驶机车的数据的区段时间分配的百分比的平均值进行比较,以拟合效果最佳的曲线的n的取值及此时系数βi1,βi2,βi3,βi4,βi0的取值确定该区段机车运行时间分配的百分比曲线,最终得到全路段机车运行时间分配模式曲线,
4)对各区段内机车运行速度分配模式曲线学习
将给定线路中的任一个区段分为p等分,设V区段k为该区段中第k个等分点的机车运行速度,1≤k≤p,入坡初始速度为V区段0,入坡初始速度指的是进入该区段时的速度,设α区段为机车运行的该区段时间分配的百分比,该区段的长度为L区段、加算坡度为G区段,运行的机车质量为M,线路内机车运行的总时间T,则有,
对步骤2)中得到的下层运行数据按上式(II)进行多元非线性回归,将得到的拟合曲线与优秀司机驾驶机车的数据的平均值进行比较,以拟合效果最佳的曲线的m的取值及此时系数ρj1,ρj2,ρj3,ρj4,ρj5,ρj6,ρj7,ρj0的取值确定区段中一个等分段机车运行的速度模式曲线,同样能够得到每一个等分段的速度模式曲线,将各等分段的速度模式曲线之间用平滑曲线连接,最终得到区段的速度模式曲线,
5)对需进行优化的线路,按以下步骤进行处理,
5.1)优化线路是步骤1)中采集到的线路数据的子集,利用步骤1)中获得的线路数据,我们可以依据加算坡度的大小对线路进行分段;
5.2)对需要优化的线路进行分段后,得到分段后的区段坡道长度和区段的加算坡度,以及机车运行总时间、机车质量和机车进入需要优化的线路的初始速度一起作为已知条件,利用步骤3)得到的全路段机车运行时间分配模式曲线获得各区段的时间分配比例,
5.3)利用步骤4)得到的区段的速度模式曲线获得第一等分段的优化速度曲线,然后将第一等分段的优化速度曲线中的出段速度作为第二等分段的初始速度,依次计算出整条需要优化的线路的速度曲线,
6)利用步骤5)得到的各区段的时间分配比例和各区段内的速度曲线计算机车的档位操作序列。
2.根据权利要求1所述的一种基于双层模式曲线的机车优化操纵序列计算方法,其特征在于,步骤6)中所述的计算机车的档位操作序列的方法是,
采用以下机车运行物理模型进行计算,
上式(III)中,S为运行距离,T为运行总时间,x为列车当前运行位置,x∈[0,S],v=v(x)为列车当前运行速度,p(x)表示机车牵引功率,M为机车质量,ω0(v)为速度为v时的列车单位运行基本阻力,r为列车管减压量,vo为制动初速度,bb(r,v,v0)为制动单位合力,θ(s)为距离列车头部s处的列车质量密度函数,g(x-s)表示距离列车头部s处的线路附加阻力,Le为列车长度,表示加权单位附加阻力,t表示列车运行时刻,
基于上述物理模型,机车操纵档位一次性反求实现过程如下:
已知机车质量M,通过线路数据得出列车单位运行基本阻力ω0(v)和加权单位附加阻力
利用步骤5.3)中得到的速度曲线,得到v(x)和
然后,分牵引档位和制动档位分别反求:如果当前为牵引档位时,令bb(r,v,v0)=0,利用上式(III)反求出机车牵引功率p(x),通过现有的牵引档位和牵引功率的对应关系得到p(x)对应的牵引档位,如果当前为制动档位,令p(x)为0,利用上式(III)反求出制动单位合力bb(r,v,v0),通过现有的制动档位和制动单位合力的对应关系得到当前的制动档位。
3.根据权利要求1所述的一种基于双层模式曲线的机车优化操纵序列计算方法,其特征在于,所述的优秀司机确定方法如下:
a.提取采集的机车运行数据中所有司机驾驶数据;
b.求取所有司机在同类负载时驾驶能耗的平均值;
c.所用能耗低于平均值的司机为优秀司机。
4.根据权利要求1所述的一种基于双层模式曲线的机车优化操纵序列计算方法,其特征在于,所述的根据加算坡度的大小和机车运行情况对给定线路进行分段的方法是,将线路分为陡上坡、陡下坡、缓上坡、缓下坡和平坡,其中,陡上坡表示以机车最大牵引力运行,仍然无法使得机车达到加速运行的效果;陡下坡表示以机车最大制动力运行,仍然无法使得机车达到减速运行的效果;缓上坡表示非陡上坡情况下的上坡路段;缓下坡表示非陡下坡情况下的下坡路段;平坡表示加算坡度小于一定数值的路段。
5.根据权利要求4所述的一种基于双层模式曲线的机车优化操纵序列计算方法,其特征在于,所述的加算坡度由线路实际坡度、隧道加算坡度和曲线加算坡度共同叠加组成。
6.根据权利要求5所述的一种基于双层模式曲线的机车优化操纵序列计算方法,其特征在于,
所述的曲线加算坡度Pc按下式(IV)计算:
Pc=600*Lc/(Rc*Lcars)……(IV)
在上式(IV)中,Lc表示曲线的长度,Rc表示曲线半径,Lcars表示列车的总长度,
所述的隧道加算坡度Pt按下式(V)计算:
Pt=0.00013*Lt……(V)
在上式(V)中,Pt表示隧道加算坡度,Lt表示隧道的长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410209160.7A CN103955135B (zh) | 2014-05-16 | 2014-05-16 | 一种基于双层模式曲线的机车优化操纵序列计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410209160.7A CN103955135B (zh) | 2014-05-16 | 2014-05-16 | 一种基于双层模式曲线的机车优化操纵序列计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103955135A CN103955135A (zh) | 2014-07-30 |
CN103955135B true CN103955135B (zh) | 2016-08-24 |
Family
ID=51332420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410209160.7A Active CN103955135B (zh) | 2014-05-16 | 2014-05-16 | 一种基于双层模式曲线的机车优化操纵序列计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103955135B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243430B (zh) * | 2015-09-07 | 2018-10-09 | 北京交通大学 | 列车节能运行的目标速度曲线的优化方法 |
CN105365851A (zh) * | 2015-12-15 | 2016-03-02 | 中车大连机车研究所有限公司 | 智能机车司机控制装置 |
JP6609237B2 (ja) * | 2016-11-17 | 2019-11-20 | 株式会社デンソー | 衝突判定装置、及び衝突判定方法 |
CN106647269B (zh) * | 2016-12-21 | 2019-05-14 | 清华大学 | 一种机车智能操纵优化计算方法 |
CN106844949B (zh) * | 2017-01-18 | 2020-01-10 | 清华大学 | 一种用于实现机车节能操纵的双向lstm模型的训练方法 |
CN106934461B (zh) * | 2017-03-13 | 2020-04-14 | 清华大学 | 一种基于furia的机车智能操纵优化规则归纳方法 |
CN111469888B (zh) * | 2020-04-20 | 2022-06-07 | 中车株洲电力机车研究所有限公司 | 一种列车ato快速目标曲线规划方法及系统 |
CN113268879A (zh) * | 2021-05-31 | 2021-08-17 | 深圳市大数据研究院 | 列车操纵优化方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5828979A (en) * | 1994-09-01 | 1998-10-27 | Harris Corporation | Automatic train control system and method |
CN101214819A (zh) * | 2008-01-22 | 2008-07-09 | 北京交通大学 | 内燃牵引机车优化操纵的方法和指导装置 |
CN101495929A (zh) * | 2006-12-08 | 2009-07-29 | 通用电气公司 | 用列车/轨道数据库增加进行旅程优化的方法、系统和计算机软件代码 |
CN103235843A (zh) * | 2013-04-03 | 2013-08-07 | 北京交通大学 | 一种城市轨道交通列车运行优化控制模拟方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104169908B (zh) * | 2012-05-17 | 2017-03-22 | 纽约气闸公司 | 列车控制系统 |
-
2014
- 2014-05-16 CN CN201410209160.7A patent/CN103955135B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5828979A (en) * | 1994-09-01 | 1998-10-27 | Harris Corporation | Automatic train control system and method |
CN101495929A (zh) * | 2006-12-08 | 2009-07-29 | 通用电气公司 | 用列车/轨道数据库增加进行旅程优化的方法、系统和计算机软件代码 |
CN101214819A (zh) * | 2008-01-22 | 2008-07-09 | 北京交通大学 | 内燃牵引机车优化操纵的方法和指导装置 |
CN103235843A (zh) * | 2013-04-03 | 2013-08-07 | 北京交通大学 | 一种城市轨道交通列车运行优化控制模拟方法和系统 |
Non-Patent Citations (4)
Title |
---|
列车优化操纵原则及其优化操纵策略的数学描述;冯晓云 等;《机车电传动》;20010710;13-16 * |
列车优化操纵速度模式曲线生成的智能计算研究;金炜东 等;《铁道学报》;19981031;第20卷(第05期);47-52 * |
列车运行节能操纵优化方法研究;付印平 等;《科学技术与工程》;20090331;第09卷(第05期);1337-1340 * |
基于遗传算法的列车优化操纵曲线研究;李波 等;《系统仿真技术》;20071031;第03卷(第04期);191-196 * |
Also Published As
Publication number | Publication date |
---|---|
CN103955135A (zh) | 2014-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103955135B (zh) | 一种基于双层模式曲线的机车优化操纵序列计算方法 | |
Liu et al. | Energy-efficient operation of rail vehicles | |
CN109835375B (zh) | 基于人工智能技术的高速铁路列车自动驾驶系统 | |
Wang et al. | A survey on optimal trajectory planning for train operations | |
CN105243430B (zh) | 列车节能运行的目标速度曲线的优化方法 | |
CN101214819B (zh) | 内燃牵引机车优化操纵的方法和指导装置 | |
CN103847749B (zh) | 一种双层多目标优化铁路机车操纵序列生成方法 | |
CN105460048B (zh) | 城轨交通优化操纵与行车调度综合节能控制方法及装置 | |
CN101372235B (zh) | 列车定位停止自动控制装置 | |
CN103226801B (zh) | 基于多用户配流模型的空港集疏运交通量确定方法 | |
CN110084397B (zh) | 一种地铁直达线路规划方法 | |
CN108932356A (zh) | 一种考虑列车晚点因素的ato速度命令节能优化方法 | |
CN106056238B (zh) | 列车区间运行轨迹的规划方法 | |
CN106777717A (zh) | 一种考虑载客量变化的ato速度命令节能优化方法 | |
CN109398426B (zh) | 一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法 | |
Zhang et al. | Data-driven train operation models based on data mining and driving experience for the diesel-electric locomotive | |
Xing et al. | Rail train operation energy-saving optimization based on improved brute-force search | |
CN112198799B (zh) | 一种基于深度学习的高速列车停车控制方法及系统 | |
CN106355905A (zh) | 一种基于卡口数据的高架信号控制方法 | |
CN111591324B (zh) | 基于灰狼优化算法的重载列车能耗优化方法 | |
CN114818349A (zh) | 基于时空网络客流状态估计的节能运行图优化分析方法 | |
CN106740998B (zh) | 城市轨道交通cbtc系统车载ato节能操控方法 | |
CN109101672B (zh) | 轨道交通系统列车运行能效研究方法 | |
Yin et al. | Balise arrangement optimization for train station parking via expert knowledge and genetic algorithm | |
Zhang et al. | A flexible and robust train operation model based on expert knowledge and online adjustment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 100084 Beijing city Tsinghua University Haidian District Huaye building area four three Applicant after: BEIJING THSOFT INFORMATION TECHNOLOGY CO., LTD. Applicant after: Tsinghua University Address before: 100084 Beijing city Tsinghua University Haidian District Huaye building area four three Applicant before: T H Soft Information Technology Co., Ltd. Applicant before: Tsinghua University |
|
COR | Change of bibliographic data | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |