CN104731096A - 基于滚动优化的列车区间运行轨迹规划方法 - Google Patents

Abstract

本发明实施例提供了一种基于滚动优化的列车区间运行轨迹规划方法。该方法主要包括：计算列车运行的实时基本阻力系数；计算出列车的动态限速；计算出列车的自适应优化目标权值；基于实时基本阻力系数、动态限速和自适应优化目标权值，利用免疫差分进化算法计算出设定时间窗范围内的每个采样时刻的列车的最优操纵控制指令序列。本发明实施例通过首先采集列车的实时运动状态信息及实时输出力矩，采用滚动规划方式在每个采样时刻以一定时间窗范围内进行高速列车区间运行轨迹的局部最优化计算直至到达目标站点，能够对列车基本运行阻力系数进行精确估计，通过自适应优化目标权值分配机制实现冗余运行时间的最大化利用，从而降低高速列车运行能耗。

Description

基于滚动优化的列车区间运行轨迹规划方法

技术领域

本发明涉及高速列车运行信号控制技术领域，尤其涉及一种基于滚动优化的列车区间运行轨迹规划方法。

背景技术

铁路运输在我国旅客、货物运输的发展历程中，长期处于重要的骨干地位，其优势不可替代，对国民经济发展和社会进步具有重大的贡献和意义。基于社会经济发展的需要，随着科学技术的不断创新和发展，高速铁路以其运输能力大、安全舒适、节能环保和全天候运输等优势，为越来越多的国家所重视，成为世界铁路发展的重要趋势和交通运输现代化的重要标志之一。截止2012年，我国有1.3万公里客运专线及城际铁路投入运营，已构成“四横四纵”高速铁路网的基本结构。高速铁路的建设和发展对国家综合实力和发展水平的提升具有重要意义。

高速列车运行轨迹规划是一个需要同时满足安全、节能、正点等要求的多目标优化过程，该过程中各个目标之间是相互制约与影响的。若以列车运行过程中的能耗最小为优化控制目标，则需要列车尽可能多的釆用惰行方式以减少牵引过程产生的能耗，而列车惰行距离越长，相应的运行时间必然延长，无法保证准时性。因此，高速列车运行轨迹规划需要在既定的线路约束条件下，从众多可行的运行轨迹中选择一种可以保证列车运行安全、舒适、准点，同时具有较高的能源效益的操纵策略，其本质即为约束多目标优化问题。

目前，现有技术中还没有一种高效率的高速列车运行轨迹的实时规划方法。

发明内容

本发明的实施例提供了一种基于滚动优化的列车区间运行轨迹规划方法，以实现高效率地对高速列车的运行轨迹进行规划。

一种基于滚动优化的列车区间运行轨迹规划方法，包括：

计算列车运行的实时基本阻力系数；

计算出所述列车的动态限速；

计算出所述列车的自适应优化目标权值；

基于所述实时基本阻力系数、动态限速和自适应优化目标权值，利用免疫差分进化算法计算出设定时间窗范围内的每个采样时刻的所述列车的最优操纵控制指令序列。

优选地，所述的计算列车运行的实时基本阻力系数，包括：

车载设备采集列车的实时运动状态信息，该实时运动状态信息包括位置、速度、加速度及时间信息，动力系统获取列车的实时输出力矩；

所述列车运行的实时基本阻力系数r＝(r₁ r₂ r₃)的计算方法如下：

$\left\{\begin{array}{c}r=\left(\begin{array}{ccc}{r}_1& r_2& r_3\end{array}\right)\\ z=\left(\begin{array}{ccc}1& v& v^2\end{array}\right)\\ Q=F(v,u)-\mathrm{Ma}-R_2\left(s\right)\\ r\·\left(\begin{array}{ccc}{z}_1& z_2& z_3\end{array}\right)=\left(\begin{array}{ccc}{Q}_1& Q_2& Q_3\end{array}\right)\end{array}\right.$

其中：s为采集得到的列车实时位置，v为实时速度，a为实时加速度，u为列车实时控制指令，F(v,u)为列车实时输出力矩，M为列车质量，R₂为列车运行附加阻力。

优选地，所述的计算出所述列车的动态限速，包括：

利用车载通信设备接收前行列车的运行状态信息及调度、限速信息，结合列车自身运动状态信息在每个采样时刻计算出列车的当前动态限速。

当前动态限速的计算方法如下：

计算前行列车作用下当前采样时刻的列车限速

$\left\{\begin{array}{c}{L}_b\left(v_k\right)=\frac{v_k^2}{2a_s}\\ L_{\mathrm{tr}}^{*}\left(v_k\right)=L_b\left(v_k\right)+L_s+L\\ v_{\max }^{*}\left(k\right):\left\{\max \left(v_k\right)\right|s_k^{*}-s_k\≥L_{\mathrm{tr}}^{*}\left(v_k\right)\}\end{array}\right.$

计算前方临时限速作用下当前采样时刻的列车限速v'_max(k)：

$\left\{\begin{array}{c}{L}_b\left(v_k\right)=\frac{{\left(v_r^{\′}\right)}^2-v_k^2}{2a_s}\\ L_{\mathrm{tr}}^{\′}\left(v_k\right)=L_b\left(v_k\right)+L\\ v_{\max }^{\′}\left(k\right):\left\{\max \left(v_k\right)\right|s^{\′}-s_k\≥L_{\mathrm{tr}}^{\′}\left(v_k\right)\}\end{array}\right.$

确定当前时刻的动态限速值v_max(k)：

$v_{\max }\left(k\right)=\min \{v_{\max }^{*}\left(k\right),v_{\max }^{\′}\left(k\right)\}$

其中，v_k、s_k为采样时刻k的列车速度、位置，a_s为列车常用制动减速度，L_s为列车追踪安全距离，为前行列车在采样时刻k的位置，L为列车车身长度，v′_r为临时限速值，s'为前方临时限速起始位置。

优选地，所述的计算出所述列车的自适应优化目标权值，包括：

根据列车实时位置、时间信息与运行图数据的比较结果，在每个采样周期内计算出包括准点目标权值、能耗目标权值的自适应优化目标权值；

所述自适应分配优化目标权值计算方法如下：

计算采样时刻k的运行时间与运行图计划时间之间的偏差ΔT^*(k)：

ΔT^*(k)＝t(s_k)-t^*(s_k)

计算并更新当前采样时刻k的准点目标权值ω_T与能耗目标权值ω_E：

${\mathrm{\&omega;}}_T=\left\{\begin{array}{cc}0,& \mathrm{\&Delta;}{T}^{*}\left(k\right)\&le;-\mathrm{\&Delta;}{T}_0;\\ 0.5+\frac{\mathrm{\&Delta;}{T}^{*}\left(k\right)}{2\mathrm{\&Delta;}{T}_0},& -\mathrm{\&Delta;}{T}_0<\mathrm{\&Delta;}{T}^{*}\left(k\right)<\mathrm{\&Delta;T};\\ 1,& \mathrm{\&Delta;}{T}^{*}\left(k\right)\&GreaterEqual;-\mathrm{\&Delta;}{T}_0.\end{array}\right.$

ω_E＝1-ω_T

其中，t(s_k)为采样时刻k的实际运行时间，t^*(s_k)为运行图计划的列车在s_k处的运行时间，ΔT₀为可接受的列车运行晚点时间。

优选地，所述的方法还包括：

根据初始化的操纵控制指令序列u_k计算出列车运行能耗函数φ_E(u_k)、准点度函数φ_T(u_k)，计算公式如下：

$\left\{\begin{array}{c}{E}_N\left(u_k\right)=\underset{j}{\overset{N}{\mathrm{\&Sigma;}}}\max \{0,F({\stackrel{\&OverBar;}{v}}_{k,j},u_j)\}(s_{k+j}-s_{k+j-1})+\mathrm{\&eta;}\underset{j}{\overset{N}{\mathrm{\&Sigma;}}}\min \{0,F({\stackrel{\&OverBar;}{v}}_{k,j},u_j)\}(s_{k+j}-s_{k+j-1})\\ E\left(u_k\right)=E_N\left(u_k\right)+E(k-1)\\ {\mathrm{\&phi;}}_E\left(u_k\right)=\frac{E\left(u_k\right)-E_{\min }\left(u_k\right)}{E_{\max }\left(u_k\right)-E_{\min }\left(u_k\right)}\end{array}\right.$

$\left\{\begin{array}{c}\mathrm{\&Delta;T}\left(u_k\right)=t\left(s_{k+N}\right)-t^{*}\left(s_{k+N}\right)\\ T\left(u_k\right)=\left\{\begin{array}{cc}{e}^{\mathrm{\&Delta;T}\left(u_k\right)/\mathrm{\&Delta;}{T}_0},& -\mathrm{\&Delta;}{T}_0<\mathrm{\&Delta;T}\left(u_k\right)<\mathrm{\&Delta;}{T}_0\\ {(e+{\mathrm{\&sigma;}}_T)}^{\mathrm{\&Delta;T}\left(u_k\right)/\mathrm{\&Delta;}{T}_0},& \mathrm{otherwise}\end{array}\right.\\ {\mathrm{\&phi;}}_T\left(u_k\right)=\frac{T\left(u_k\right)-T_{\min }\left(u_k\right)}{T_{\max }\left(u_k\right)-T_{\min }\left(u_k\right)}\end{array}\right.$

其中，u为操纵控制指令，F为列车实时输出力矩，为采样时刻k+j-1与k+j之间的列车平均运行速度，s_k+j、s_k+j-1为采样时刻k通过u_k得到的k+j、k+j-1时刻的列车推算位置，η为再生能量回收率，E(k-1)为采样时刻k之前已消耗的能量，E_min、E_max为当前采样时刻所有可行控制序列对应的最小与最大能耗，t(s_k+N)、t^*(s_k+N)分别为推算位置s^k+N对应的实际运行时间与运行图计划时间，ΔT₀为可接受的列车运行晚点时间，σ^T为晚点惩罚因子，T_min、T_max为当前采样时刻所有可行控制序列对应的最小与最大T(u_k)取值。

优选地，所述的基于所述实时基本阻力系数、动态限速和自适应优化目标权值，应用滚动规划方法计算出设定时间窗范围内的所述列车的最优运行轨迹及其对应的控制序列，包括：

在设定的时间窗范围内，在每个采样时刻k利用免疫差分进化算法计算出列车的最优操纵控制指令序列 $u_k={[u_k^{*},u_{k+1}^{*},\&CenterDot;\&CenterDot;\&CenterDot;,u_{k+N-2}^{*},u_{k+N-1}^{*}]}^T;$

所述最优操纵控制指令序列u_k对应的最终优化目标函数为：

其中，φ_N(u_k)为最终优化目标函数，φ_f(u_k)为每个规划采样周期内结束位置的约束函数，x_f为结束位置的约束状态，且有：

通过求解上述方程组，得到最优操纵控制指令序列 $u_k={[u_k^{*},u_{k+1}^{*},\&CenterDot;\&CenterDot;\&CenterDot;,u_{k+N-2}^{*},u_{k+N-1}^{*}]}^T;$

将得到的最优操纵控制指令序列u_k中第一个操纵指令作用于列车。

优选地，所述的方法还包括：

利用当前采样时刻的操纵指令及列车状态，推算出设定时间窗范围内的下一采样时刻的初始状态，计算出设定时间窗范围内的下一采样时刻的最优操纵控制指令序列u_k，将所述最优操纵控制指令序列u_k中第一个操纵指令作用于列车；

重复执行上述规划过程，直至所述列车到达运行目标站点，结束滚动规划过程。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例通过首先采集列车的实时运动状态信息(位置、速度、加速度及时间信息)及实时输出力矩，利用通信设备接收调度命令与前行列车实时位置、速度信息，之后采用滚动规划方式在每个采样时刻以一定时间窗范围内进行高速列车区间运行轨迹的局部最优化计算直至到达目标站点。该方法能够克服无法对列车基本运行阻力系数进行精确估计的问题，并通过自适应优化目标权值分配机制实现冗余运行时间的最大化利用，从而降低高速列车运行能耗。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的一种基于滚动优化的列车区间运行轨迹规划方法的实现原理示意图；

图2为本发明实施例一提供的一种基于滚动优化的列车区间运行轨迹规划方法的处理流程图；

图3为本发明实施例三提供的一种基于滚动优化的列车区间运行轨迹规划方法的应用场景示意图；

图4为本发明实施例三提供的一种列车1在区间运行过程中的优化目标权值ω_T的变化过程示意图；

图5(a)为本发明实施例三提供的一种按照本发明算法计算的列车1运行能耗累加过程示意图；

图5(b)为本发明实施例三提供的一种按照本发明算法计算的列车1准点度变化过程示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

实施例一

本发明实施例提供了一种基于滚动优化的高速列车区间运行轨迹规划方法，该方法建立在状态空间推演的基础上,该方法的具体处理流程如图1所示，包括如下的处理步骤：

步骤S110:计算列车运行的实时基本阻力系数。

首先，高速列车的卫星定位导航系统等车载设备采集列车的实时运动状态信息，该实时运动状态信息包括位置、速度、加速度及时间信息，将上述实时运动状态信息传输给车载控制系统。由动力系统获取列车的实时输出力矩，将该实时输出力矩传输给车载控制系统。

所述列车运行实时基本阻力系数r＝(r₁ r₂ r₃)的计算过程描述为：

$\left\{\begin{array}{c}r=\left(\begin{array}{ccc}{r}_1& r_2& r_3\end{array}\right)\\ z=\left(\begin{array}{ccc}1& v& v^2\end{array}\right)\\ Q=F(v,u)-\mathrm{Ma}-R_2\left(s\right)\\ r\&CenterDot;\left(\begin{array}{ccc}{z}_1& z_2& z_3\end{array}\right)=\left(\begin{array}{ccc}{Q}_1& Q_2& Q_3\end{array}\right)\end{array}\right.$

其中：s为采集得到的列车实时位置，v为实时速度，a为实时加速度，u为列车实时控制指令，F(v,u)为列车实时输出力矩，M为列车质量，R₂为列车运行附加阻力，R₂根据列车实时位置结合线路参数计算得到。实际实施过程中，首先选取3个测量速度信息(v₁ v₂ v₃)及其对应的位置、加速度信息，根据(v₁ v₂ v₃)计算出(z₁ z₂ z₃)，根据上述(v₁ v₂ v₃)对应的位置、加速度信息计算得到(Q₁ Q₂ Q₃)。最后，根据(z₁ z₂ z₃)和(Q₁ Q₂ Q₃)进一步求解得到(r₁ r₂ r₃)。

车载控制系统根据采集得到的运行状态信息、输出力矩，以10分钟为采样周期，在每个采样周期内选择三组运行状态信息、输出力矩数据计算出列车运行的实时基本阻力系数。

步骤S120:计算出列车的动态限速和自适应优化目标权值。

利用车载通信设备接收前行列车的运行状态信息及调度、限速信息，结合列车自身运动状态信息在每个采样时刻计算出列车的当前动态限速。

当前动态限速的计算包括如下步骤：

步骤1：计算前行列车作用下当前采样时刻的列车限速

$\left\{\begin{array}{c}{L}_b\left(v_k\right)=\frac{v_k^2}{2a_s}\\ L_{\mathrm{tr}}^{*}\left(v_k\right)=L_b\left(v_k\right)+L_s+L\\ v_{\max }^{*}\left(k\right):\left\{\max \left(v_k\right)\right|s_k^{*}-s_k\&GreaterEqual;L_{\mathrm{tr}}^{*}\left(v_k\right)\}\end{array}\right.$

步骤2：计算前方临时限速作用下当前采样时刻的列车限速v'_max(k)：

$\left\{\begin{array}{c}{L}_b\left(v_k\right)=\frac{{\left(v_r^{\&prime;}\right)}^2-v_k^2}{2a_s}\\ L_{\mathrm{tr}}^{\&prime;}\left(v_k\right)=L_b\left(v_k\right)+L\\ v_{\max }^{\&prime;}\left(k\right):\left\{\max \left(v_k\right)\right|s^{\&prime;}-s_k\&GreaterEqual;L_{\mathrm{tr}}^{\&prime;}\left(v_k\right)\}\end{array}\right.$

步骤3：确定当前时刻的动态限速值v_max(k)：

$v_{\max }\left(k\right)=\min \{v_{\max }^{*}\left(k\right),v_{\max }^{\&prime;}\left(k\right)\}$

其中：v_k、s_k为采样时刻k的列车速度、位置，a_s为列车常用制动减速度，L_s为列车追踪安全距离，为前行列车在采样时刻k的位置，L为列车车身长度，v′_r为临时限速值，s'为前方临时限速起始位置。

车载控制系统根据列车实时位置、时间信息与运行图数据的比较结果，以2分钟为采样周期，在每个采样周期内计算出包括能耗、准点度在内的自适应优化目标权值。

所述自适应分配优化目标权值计算包括如下步骤：

步骤1：计算采样时刻k的运行时间与运行图计划时间之间的偏差ΔT^*(k)：

ΔT^*(k)＝t(s_k)-t^*(s_k)

步骤2：计算并更新当前采样时刻k的准点目标权值ω_T与能耗目标权值ω_E：

${\mathrm{\&omega;}}_T=\left\{\begin{array}{cc}0,& \mathrm{\&Delta;}{T}^{*}\left(k\right)\&le;-\mathrm{\&Delta;}{T}_0;\\ 0.5+\frac{\mathrm{\&Delta;}{T}^{*}\left(k\right)}{2\mathrm{\&Delta;}{T}_0},& -\mathrm{\&Delta;}{T}_0<\mathrm{\&Delta;}{T}^{*}\left(k\right)<\mathrm{\&Delta;T};\\ 1,& \mathrm{\&Delta;}{T}^{*}\left(k\right)\&GreaterEqual;-\mathrm{\&Delta;}{T}_0.\end{array}\right.$

ω_E＝1-ω_T

其中:t(s_k)为采样时刻k的实际运行时间，t^*(s_k)为运行图计划的列车在s_k处的运行时间，ΔT₀为可接受的列车运行晚点时间。

步骤S130:根据初始化的操纵控制指令序列u_k计算出列车运行能耗函数φ_E(u_k)、准点度函数φ_T(u_k)，计算公式如下：

$\left\{\begin{array}{c}{E}_N\left(u_k\right)=\underset{j}{\overset{N}{\mathrm{\&Sigma;}}}\max \{0,F({\stackrel{\&OverBar;}{v}}_{k,j},u_j)\}(s_{k+j}-s_{k+j-1})+\mathrm{\&eta;}\underset{j}{\overset{N}{\mathrm{\&Sigma;}}}\min \{0,F({\stackrel{\&OverBar;}{v}}_{k,j},u_j)\}(s_{k+j}-s_{k+j-1})\\ E\left(u_k\right)=E_N\left(u_k\right)+E(k-1)\\ {\mathrm{\&phi;}}_E\left(u_k\right)=\frac{E\left(u_k\right)-E_{\min }\left(u_k\right)}{E_{\max }\left(u_k\right)-E_{\min }\left(u_k\right)}\end{array}\right.$

$\left\{\begin{array}{c}\mathrm{\&Delta;T}\left(u_k\right)=t\left(s_{k+N}\right)-t^{*}\left(s_{k+N}\right)\\ T\left(u_k\right)=\left\{\begin{array}{cc}{e}^{\mathrm{\&Delta;T}\left(u_k\right)/\mathrm{\&Delta;}{T}_0},& -\mathrm{\&Delta;}{T}_0<\mathrm{\&Delta;T}\left(u_k\right)<\mathrm{\&Delta;}{T}_0\\ {(e+{\mathrm{\&sigma;}}_T)}^{\mathrm{\&Delta;T}\left(u_k\right)/\mathrm{\&Delta;}{T}_0},& \mathrm{otherwise}\end{array}\right.\\ {\mathrm{\&phi;}}_T\left(u_k\right)=\frac{T\left(u_k\right)-T_{\min }\left(u_k\right)}{T_{\max }\left(u_k\right)-T_{\min }\left(u_k\right)}\end{array}\right.$

其中：初始化的操纵控制指令序列u_k根据列车的牵引力等初始条件而设定的，F为列车实时输出力矩，为采样时刻k+j-1与k+j之间的列车平均运行速度，s_k+j、s_k+j-1为采样时刻k通过u_k得到的k+j、k+j-1时刻的列车推算位置，η为再生能量回收率，E(k-1)为采样时刻k之前已消耗的能量，E_min、E_max为当前采样时刻所有可行控制序列对应的最小与最大能耗，t(s_k+N)、t^*(s_k+N)分别为推算位置s_k+N对应的实际运行时间与运行图计划时间，ΔT₀为可接受的列车运行晚点时间，σ_T为晚点惩罚因子，T_min、T_max为当前采样时刻所有可行控制序列对应的最小与最大T(u_k)取值。

步骤S140:基于所述实时基本阻力系数、动态限速和自适应优化目标权值，应用滚动规划思想利用免疫差分进化算法计算出设定时间窗范围内的每个采样时刻的所述列车的最优操纵控制指令序列。

滚动规划模块在每个采样时刻更新相应的优化参数并进行一次优化计算，以确定当前采样时刻的最优操纵控制指令序列 $u_k={[u_k^{*},u_{k+1}^{*},\&CenterDot;\&CenterDot;\&CenterDot;,u_{k+N-2}^{*},u_{k+N-1}^{*}]}^T,$ 上述最优操纵控制指令序列u_k中的每个操纵控制指令u代表一个牵引控制级别。不同采样时刻之间可以间隔1秒或者2秒。

以列车的操纵控制指令u为决策变量，列车运行能耗、准点度为优化目标，采样间隔为1秒，时间窗范围为N＝15，在每个采样时刻k利用免疫差分进化算法计算时间窗范围内的最优运行轨迹及其对应的最优操纵控制指令序列 $u_k={[u_k^{*},u_{k+1}^{*},\&CenterDot;\&CenterDot;\&CenterDot;,u_{k+N-2}^{*},u_{k+N-1}^{*}]}^T.$

上述最优操纵控制指令序列u_k对应的最终优化目标函数为：

其中，φ_N(u_k)为最终优化目标函数，φ_f(u_k)为每个规划采样周期内结束位置的约束函数，x_f为结束位置的约束状态，且有：

通过求解上述方程组，得到最优操纵控制指令序列 $u_k={[u_k^{*},u_{k+1}^{*},\&CenterDot;\&CenterDot;\&CenterDot;,u_{k+N-2}^{*},u_{k+N-1}^{*}]}^T.$

将得到的最优操纵控制指令序列u_k中第一个操纵指令作用于列车。

步骤S150:利用当前采样时刻的操纵指令及列车状态，推算出设定时间窗范围内的下一采样时刻的初始状态，计算出设定时间窗范围内的下一采样时刻的最优操纵控制指令序列u_k，将所述最优操纵控制指令序列u_k中第一个操纵指令作用于列车；

重复执行上述规划过程，直至所述列车到达运行目标站点，结束滚动规划过程。

列车状态变量为x＝(s,v)，状态空间方程为：

x_k+1k＝Ax_k+Bu_k+C

$A=\left(\begin{array}{cc}1& 0\\ 1& 1\end{array}\right),B=\left(\begin{array}{c}F(v_k,u_k)/2M\\ F(v_k,u_k)/M\end{array}\right)$

$C=\left(\begin{array}{c}-R_1\left(v_k\right)-R_2\left(s_k\right)\\ -2R_1\left(v_k\right)-2R_2\left(s_k\right)\end{array}\right)/2M$

其中，R₁为列车基本运行阻力，且有R₂为列车运行附加阻力。

上述免疫差分进化算法包括：初始化免疫抗体种群，计算抗体间亲和度并更新抗体种群，据抗体密度进行抗体促进与抑制操作；执行差分进化过程，包括变异、交叉及选择操作；判断是否结束进化计算过程。

实施例二

该实施例提供的一种基于滚动优化的列车区间运行轨迹规划方法的应用场景示意图如图3所示，本发明实施例所模拟的是移动闭塞条件下单向轨道上两列列车的追踪运行，后车由某区间的起始车站按运行图计划时分准点出发，其中后车的运行轨迹规划过程为：对所述高速列车区间运行轨迹滚动规划方法初始化数据后，在第一个采样时刻，列车首先测定自己的当前位置及时间信息。然后，通过车载通信设备获取列车与前行追踪目标的距离即追踪距离，追踪目标可以是前车或限速变换点，也可以是前方站点。在该追踪距离以及列车刹车距离的基础上，根据动态限速计算过程，计算列车当前时刻的动态限速，并结合初始化优化目标权值(ω_E＝ω_T＝0.5)及基本阻力系数推算N＝15范围内的最优轨迹。以上便是列车在一个采样时刻内的运行轨迹规划过程。在运行开始后每隔2分钟，所述自适应优化目标权值计算模块根据实时信息计算优化目标权值分配，所述基本阻力计算模块则每隔10分钟根据采集得到的信息计算更新后的基本阻力系数。当后行追踪列车未到达下一目标站点时，采样时刻增加1重新进行新一轮的运行轨迹规划过程。

如图3所示，列车1参考列车2的位置，列车2参考车站乙的位置，列车行驶方向为由车站甲向车站乙，即列车1相对于列车2为追踪列车，列车2相对于车站乙为追踪列车。以列车1为例，具体的运行轨迹规划过程为：

第一步，列车1和列车2通过自身的车载设备读取计划运行图、列车自身特性数据(列车质量、牵引/制动性能等)及临时限速命令等，并确定列车当前位置及时间；

第二步，列车2按运行图计划时分由车站甲出发，列车2在区间运行过程中严格按照运行图计划的位置、时间状态运行；

第三步，列车1在满足运行间隔时间要求后，将采样时刻置为k＝1，通过通信设备获取列车2实时状态信息，完成第一次轨迹规划后由车站甲出发追踪列车2运行；

第四步，列车1进入区间运行后，采样周期性执行所述基本阻力系数计算模块、所述自适应优化目标权值计算模块中的计算过程，并在每个采样时刻执行所述动态限速计算模块、所述滚动规划模块中的计算过程，直至到达车站乙。

以上算法及过程，可以用一些常用的计算机语言去实现，例如，C#语言、C++语言以及Matlab语言等。

本实施例中，假设列车的质量为420吨，最大牵引力为239kN，最大电制动力为234kN。

根据上述各数据并通过本发明方法可以得出以下实验结果：

当运行图计划的列车区间行驶时间大于最小运行时间时，可以得到优化的运行轨迹，该轨迹在保证列车准时到达目的地的同时，实现高速列车的节能运行。如图4所示为列车1在区间运行过程中的优化目标权值ω_T的变化过程，由图4可知，高速列车在区间运行过程中通过调整准点度目标权值，实现冗余运行时间的最大化利用，以达到节能目标。进一步地，图5(a)和图5(b)分别显示了按照本发明算法计算的列车1运行能耗累加过程及准点度变化过程。

本发明方法适用于单向双列车的高速铁路系统中的列车运行轨迹规划。对于复杂条件下的交通，可以通过修改优化算法来实现。

综上所述，本发明实施例通过首先采集列车的实时运动状态信息(位置、速度、加速度及时间信息)及实时输出力矩，利用通信设备接收调度命令与前行列车实时位置、速度信息，之后采用滚动规划方式在每个采样时刻以一定时间窗范围内进行高速列车区间运行轨迹的局部最优化计算直至到达目标站点。该方法能够克服无法对列车基本运行阻力系数进行精确估计的问题，并通过自适应优化目标权值分配机制实现冗余运行时间的最大化利用，从而降低高速列车运行能耗。

本发明实施例提供了一种基于滚动优化的高速列车区间运行轨迹规划方法，在既定的线路约束条件下，利用滚动方式确定每个采样时刻的最优操纵控制指令，以保证列车运行安全、舒适、准点，同时具有较高的能源效益，实现列车运行的均衡优化。

本发明实施例可用于车载ATO(自动驾驶系统)或驾驶辅助系统中进行在线运行轨迹规划，具有计算量小、实时性能好的特点。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于滚动优化的列车区间运行轨迹规划方法，其特征在于，包括：

计算列车运行的实时基本阻力系数；

计算出所述列车的动态限速；

计算出所述列车的自适应优化目标权值；

基于所述实时基本阻力系数、动态限速和自适应优化目标权值，利用免疫差分进化算法计算出设定时间窗范围内的每个采样时刻的所述列车的最优操纵控制指令序列。

2.根据权利要求1所述的基于滚动优化的列车区间运行轨迹规划方法，其特征在于，所述的计算列车运行的实时基本阻力系数，包括：

车载设备采集列车的实时运动状态信息，该实时运动状态信息包括位置、速度、加速度及时间信息，动力系统获取列车的实时输出力矩；

所述列车运行的实时基本阻力系数r＝(r₁ r₂ r₃)的计算方法如下：

$\left\{\begin{array}{c}r=\left(\begin{array}{ccc}{r}_1& r_2& r_3\end{array}\right)\\ z=\left(\begin{array}{ccc}1& v& v^2\end{array}\right)\\ Q=F(v,u)-\mathrm{Ma}-R_2\left(s\right)\\ r\&CenterDot;\left(\begin{array}{ccc}{z}_1& z_2& z_3\end{array}\right)=\left(\begin{array}{ccc}{Q}_1& Q_2& Q_3\end{array}\right)\end{array}\right.$

其中：s为采集得到的列车实时位置，v为实时速度，a为实时加速度，u为列车实时控制指令，F(v,u)为列车实时输出力矩，M为列车质量，R₂为列车运行附加阻力。

3.根据权利要求1所述的基于滚动优化的列车区间运行轨迹规划方法，其特征在于，所述的计算出所述列车的动态限速，包括：

利用车载通信设备接收前行列车的运行状态信息及调度、限速信息，结合列车自身运动状态信息在每个采样时刻计算出列车的当前动态限速。

当前动态限速的计算方法如下：

计算前行列车作用下当前采样时刻的列车限速

$\left\{\begin{array}{c}{L}_b\left(v_k\right)=\frac{v_k^2}{2a_s}\\ L_{\mathrm{tr}}^{*}\left(v_k\right)=L_b\left(v_k\right)+L_s+L\\ v_{\max }^{*}\left(k\right):\left\{\max \left(v_k\right)\right|s_k^{*}-s_k\&GreaterEqual;L_{\mathrm{tr}}^{*}\left(v_k\right)\}\end{array}\right.$

计算前方临时限速作用下当前采样时刻的列车限速v'_max(k)：

$\left\{\begin{array}{c}{L}_b\left(v_k\right)=\frac{{\left(v_r^{\&prime;}\right)}^2-v_k^2}{2a_s}\\ L_{\mathrm{tr}}^{\&prime;}\left(v_k\right)=L_b\left(v_k\right)+L\\ v_{\max }^{\&prime;}\left(k\right):\left\{\max \left(v_k\right)\right|s^{\&prime;}-s_k\&GreaterEqual;L_{\mathrm{tr}}^{\&prime;}\left(v_k\right)\}\end{array}\right.$

确定当前时刻的动态限速值v_max(k)：

$v_{\max }\left(k\right)=\min \{v_{\max }^{*}\left(k\right),v_{\max }^{\&prime;}\left(k\right)\}$

其中，v_k、s_k为采样时刻k的列车速度、位置，a_s为列车常用制动减速度，L_s为列车追踪安全距离，为前行列车在采样时刻k的位置，L为列车车身长度，v′_r为临时限速值，s'为前方临时限速起始位置。

4.根据权利要求1所述的基于滚动优化的列车区间运行轨迹规划方法，其特征在于，所述的计算出所述列车的自适应优化目标权值，包括：

根据列车实时位置、时间信息与运行图数据的比较结果，在每个采样周期内计算出包括准点目标权值、能耗目标权值的自适应优化目标权值；

所述自适应分配优化目标权值计算方法如下：

计算采样时刻k的运行时间与运行图计划时间之间的偏差ΔT^*(k)：

ΔT^*(k)＝t(s_k)-t^*(s_k)

计算并更新当前采样时刻k的准点目标权值ω_T与能耗目标权值ω_E：

${\mathrm{\&omega;}}_T=\left\{\begin{array}{cc}0,& {\mathrm{\&Delta;T}}^{*}\left(k\right)\&le;-\mathrm{\&Delta;}{T}_0;\\ 0.5+\frac{\mathrm{\&Delta;}{T}^{*}\left(k\right)}{2\mathrm{\&Delta;}{T}_0},& -\mathrm{\&Delta;}{T}_0<\mathrm{\&Delta;}{T}^{*}\left(k\right)<\mathrm{\&Delta;T};\\ 1,& {\mathrm{\&Delta;T}}^{*}\left(k\right)\&GreaterEqual;-\mathrm{\&Delta;}{T}_0.\end{array}\right.$

ω_E＝1-ω_T

其中，t(s_k)为采样时刻k的实际运行时间，t^*(s_k)为运行图计划的列车在s_k处的运行时间，ΔT₀为可接受的列车运行晚点时间。

5.根据权利要求4所述的基于滚动优化的列车区间运行轨迹规划方法，其特征在于，所述的方法还包括：

根据初始化的操纵控制指令序列u_k计算出列车运行能耗函数φ_E(u_k)、准点度函数φ_T(u_k)，计算公式如下：

$\left\{\begin{array}{c}{E}_N\left(u_k\right)=\underset{j}{\overset{N}{\mathrm{\&Sigma;}}}\max \{0,F({\stackrel{\&OverBar;}{v}}_{k,j},u_j)\}(s_{k+j}-s_{k+j-1})+\mathrm{\&eta;}\underset{j}{\overset{N}{\mathrm{\&Sigma;}}}\min \{0,F({\stackrel{\&OverBar;}{v}}_{k,j},u_j)\}(s_{k+j}-s_{k+j-1})\\ E\left(u_k\right)=E_N\left(u_k\right)+E(k-1)\\ {\mathrm{\&phi;}}_E\left(u_k\right)=\frac{E\left(u_k\right)-E_{\min }\left(u_k\right)}{E_{\max }\left(u_k\right)-E_{\min }\left(u_k\right)}\end{array}\right.$

$\left\{\begin{array}{c}\mathrm{\&Delta;T}\left(u_k\right)=t\left(s_{k+N}\right)-t^{*}\left(s_{k+N}\right)\\ T\left(u_k\right)=\left\{\begin{array}{cc}{e}^{\mathrm{\&Delta;T}\left(u_k\right)/\mathrm{\&Delta;}{T}_0},& -\mathrm{\&Delta;}{T}_0<\mathrm{\&Delta;T}\left(u_k\right)<\mathrm{\&Delta;}{T}_0\\ {(e+{\mathrm{\&sigma;}}_T)}^{\mathrm{\&Delta;T}\left(u_k\right)/\mathrm{\&Delta;}{T}_0},& \mathrm{otherwise}\end{array}\right.\\ {\mathrm{\&phi;}}_T\left(u_k\right)=\frac{T\left(u_k\right)-T_{\min }\left(u_k\right)}{T_{\max }\left(u_k\right)-T_{\min }\left(u_k\right)}\end{array}\right.$

其中，u为操纵控制指令，F为列车实时输出力矩，为采样时刻k+j-1与k+j之间的列车平均运行速度，s_k+j、s_k+j-1为采样时刻k通过u_k得到的k+j、k+j-1时刻的列车推算位置，η为再生能量回收率，E(k-1)为采样时刻k之前已消耗的能量，E_min、E_max为当前采样时刻所有可行控制序列对应的最小与最大能耗，t(s_k+N)、t^*(s_k+N)分别为推算位置s_k+N对应的实际运行时间与运行图计划时间，ΔT₀为可接受的列车运行晚点时间，σ_T为晚点惩罚因子，T_min、T_max为当前采样时刻所有可行控制序列对应的最小与最大T(u_k)取值。

6.根据权利要求1至5任一项所述的基于滚动优化的列车区间运行轨迹规划方法，其特征在于，所述的基于所述实时基本阻力系数、动态限速和自适应优化目标权值，利用免疫差分进化算法计算出设定时间窗范围内的每个采样时刻的所述列车的最优操纵控制指令序列，包括：

在设定的时间窗范围内，在每个采样时刻k利用免疫差分进化算法计算出列车的最优操纵控制指令序列

所述最优操纵控制指令序列u_k对应的最终优化目标函数为：

其中，φ_N(u_k)为最终优化目标函数，φ_f(u_k)为每个规划采样周期内结束位置的约束函数，x_f为结束位置的约束状态，且有：

通过求解上述方程组，得到最优操纵控制指令序列

$u_k={[u_k^{*},u_{k+1}^{*},...,u_{k+N-2}^{*},u_{k+N-1}^{*}]}^T;$

将得到的最优操纵控制指令序列u_k中第一个操纵指令作用于列车。

7.根据权利要求6所述的基于滚动优化的列车区间运行轨迹规划方法，其特征在于，所述的方法还包括：

利用当前采样时刻的操纵指令及列车状态，推算出设定时间窗范围内的下一采样时刻的初始状态，计算出设定时间窗范围内的下一采样时刻的最优操纵控制指令序列u_k，将所述最优操纵控制指令序列u_k中第一个操纵指令作用于列车；

重复执行上述规划过程，直至所述列车到达运行目标站点，结束滚动规划过程。