CN106056238A - 列车区间运行轨迹的规划方法 - Google Patents

Abstract

本发明实施例提供了一种列车区间运行轨迹的规划方法。所述一种列车区间运行轨迹的规划方法，包括：在列车出发前，获取列车的当前行程的期望总运行时长；根据列车的总运行时长与最优行车策略之间的对应关系，获取所述期望总运行时长对应的当前最优行车策略；所述最优行车策略包含巡航速度、惰行点以及制动初速度；根据所述当前最优行车策略，控制所述列车的运行。本发明能够实现自动地对高速列车的运行轨迹进行规划。

Description

列车区间运行轨迹的规划方法

技术领域

本发明涉及列车运行信号的控制技术领域，尤其涉及一种列车区间运行轨迹的规划方法。

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，具有不可替代的优势，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，同时也是未来国家经济建设的重要领域之一。

就当前新技术的发展，结合我国铁路运输面临的特殊要求和形势，必须加强轨道交通相关基础理论和关键技术的研究，才能确保我国铁路运输的健康有序发展，满足国家对铁路运输系统建设和运营的要求。

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，相应的总运行时长必然延长，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，现有技术中还没有针对高速列车运行轨迹的自适应模糊规划方法进行深入研究。

发明内容

本发明的实施例提供了一种列车区间运行轨迹的规划方法，能够实现高效率地对高速列车的运行轨迹进行规划。

为了实现上述目的，本发明采取了如下技术方案：

一种列车区间运行轨迹的规划方法，包括：

在列车出发前，获取列车的当前行程的期望总运行时长；

根据列车的总运行时长与最优行车策略之间的对应关系，获取所述期望总运行时长对应的当前最优行车策略；所述最优行车策略包含巡航速度、惰行点以及制动初速度；

根据所述当前最优行车策略，控制所述列车的运行。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例提供了一种列车区间运行轨迹自适应模糊规划方法，在列车出发前，获取列车的当前行程的期望总运行时长；根据列车的总运行时长与最优行车策略之间的对应关系，获取所述期望总运行时长对应的当前最优行车策略；所述最优行车策略包含巡航速度、惰行点以及制动初速度；根据所述当前最优行车策略，控制所述列车的运行。因此，在既定的线路约束条件下，能够自动对列车运行进行规划，采用能耗最少的行车策略。

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列车区间运行轨迹的规划方法的处理流程图；

图2为本发明实施例提供的一种基于Pareto解集的高速列车区间运行轨迹自适应模糊规划方法的处理流程图；

图3为本发明实施例提供的一种基于Pareto解集的高速列车区间运行轨迹自适应模糊规划方法的速度曲线的决策变量示意图；

图4为本发明实施例提供的一种基于Pareto解集的高速列车区间运行轨迹自适应模糊规划方法的速度曲线的Pareto前端示意图；

图5为本发明实施例提供的一种基于Pareto解集的高速列车区间运行轨迹自适应模糊规划方法的Pareto前端中速度曲线的区别示意图；

图6为本发明实施例提供的一种基于Pareto解集的高速列车区间运行轨迹自适应模糊规划方法的自适应模糊控制系统的基本原理示意图。

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。

如图1所示，为本发明所述的一种列车区间运行轨迹的规划方法，包括：

步骤11，在列车出发前，获取列车的当前行程的期望总运行时长；

步骤12，根据列车的总运行时长与最优行车策略之间的对应关系，获取所述期望总运行时长对应的当前最优行车策略；所述最优行车策略为列车根据所述总运行时长行驶时能耗最少的行车策略；所述最优行车策略包含巡航速度、惰行点以及制动初速度；

步骤13，根据所述当前最优行车策略，控制所述列车的运行。

所述的方法，还包括：

步骤14，当所述列车转换为巡航工况后，判断所述列车是否为“早点”或“晚点”状态；

步骤15，如果为“早点”或“晚点”状态，则对所述列车的当前惰行点进行调整。

所述对所述列车的当前惰行点进行调整的步骤包括：

利用模糊控制理论对惰行点进行调整；其中，模糊控制系统采用两输入单输出的二维模糊控制器，其输入变量为实际已行驶时长相对于到达当前位置的期望行驶时长的时间误差t以及误差变化量tc，输出变量为惰行点的调整量Δx；

t,tc和Δx所对应的语言变量分别T,TC,ΔX；语言变量论域均设置为离散型论域；T,TC,ΔX在论域上的模糊子集分别为A_i,B_j,C_l；所有语言变量均为采用三角形隶属函数；采用加权平均法解模糊；建立模糊推理规则；所述二维模糊控制器的模糊规则为：

if T is A_i and TC is B_j

then ΔX is C_l

其中，T,TC,ΔX分别是t,tc和Δx的语言变量；A_i,B_j,C_l是T,TC和ΔX的相应的模糊集；

通过模糊控制系统获得惰行点的修正量之后，利用新的惰行点操纵列车。

所述的方法，还包括：

步骤16，当所述列车转换为惰行工况状态后，根据所述列车的当前速度和当前位置信息，利用动力学理论，为列车计算新的制动初速度，使得所述列车在所述当前行程的目标点的速度为0。

所述为列车计算新的制动初速度，使得所述列车在所述当前行程的目标点的速度为0的步骤为：

$\left\{\begin{array}{c}M\·v\frac{dv}{ds}=f\left(v\right)-r_1-r_2\\ \frac{dt}{ds}=\frac{1}{v}\\ v\left(S_0\right)=0\\ v\≤v_r\end{array}\right.;$

其中，M表示列车质量，v表示列车的当前速度，s表示列车已行驶距离；f(v)表示列车输出力，r₁表示基本阻力，r₂表示附加阻力，S₀表示当前行程的区间距离，v_r表示列车的限制速度，t表示列车已行驶时长。

所述在列车出发前，获取列车的当前行程的期望总运行时长的步骤之前，所述方法还包括：

步骤10，建立列车的总运行时长与行车策略之间的对应关系。

步骤10包括：

步骤101，建立列车运行过程中的总运行时长和能耗的计算模型；

步骤102，根据所述总运行时长和能耗的计算模型、总运行时长和能耗的目标函数，利用混合进化算法，计算高速列车的总运行时长和对应的能耗的Pareto解集，从而建立列车的总运行时长与最佳行车策略之间的对应关系；所述最佳行车策略为所述总运行时长对应的至少一个行车策略中能耗最少的行车策略，所述行车策略包括：巡航速度v₀，惰行点c_o，制动初速度v_b。

步骤101具体为：

$\left\{\begin{array}{c}M\·v\frac{dv}{ds}=f\left(v\right)-r_1-r_2\\ \frac{dt}{ds}=\frac{1}{v}\\ J\left(x\right)=M\underset{0}{\overset{s_1}{\∫}}\max \{0,f\left(v\right)\}ds-\mathrm{\σ}M\underset{0}{\overset{s_2}{\∫}}max\{0,f\left(v\right)\}ds\\ T\left(x\right)=\underset{0}{\overset{s_0}{\∫}}\frac{1}{v}ds\end{array}\right.;$

其中，M表示列车质量，v表示列车速度，f(v)表示列车输出力，r₁表示基本阻力，r₂表示附加阻力，J(x)表示能耗，σ表示再生制动反馈能量的效率，T(x)表示列车的总运行时长，t表示列车的已行驶时间，S₁表示列车牵引和巡航的总距离，S₂表示制动总距离，S₀表示行程的区间距离，s表示列车已行驶距离。

在牵引工况下：

$f\left(v\right)=\left\{\begin{array}{cc}-0.285v+300,& 0<v\&le;119km/h\\ 31500/v,& 119km/h<v\&le;v_r\end{array}\right.$

在再生制动工况下：

$f\left(v\right)=\left\{\begin{array}{cc}-0.285v+300,& 0<v\&le;119km/h\\ 28800/v,& 119km/h<v\&le;v_r\end{array}\right.$

基本阻力的计算公式：

r₁＝w₁+w₂v+w₃v²

附加阻力的计算公式：

r₂＝g·M·p

其中：f(v)表示列车输出力，v表示列车速度，r₁表示基本阻力，r₂表示附加阻力，w₁、w₂和w₃表示列车的戴维斯参数，M表示列车质量，g，p分别表示重力加速度，行程的平均坡度，v_r表示列车的限制速度。

所述总运行时长和能耗的目标函数为：

$\left\{\begin{array}{c}{\mathrm{\&Phi;}}_J\left(x\right)=\frac{J\left(x\right)-J_{min}}{J_{max}-J_{\min }}\\ {\mathrm{\&Phi;}}_T\left(x\right)=\frac{T\left(x\right)-T_{\min }}{T_{\max }-T_{min}}\\ \min \{{\mathrm{\&Phi;}}_J\left(x\right),{\mathrm{\&Phi;}}_T\left(x\right)\}\end{array}\right.$

其中，Φ_J(x)表示能耗的目标函数，Φ_T(x)表示总运行时长的目标函数，J_max，J_min，T_max，T_min分别表示所有可行速度轨迹的最大能耗，最小能耗，最大总运行时长，最小总运行时长。

所述利用混合进化算法，计算高速列车的总运行时长和对应的能耗的Pareto解集的步骤包括：

基于差分进化算法和模拟退火算法的混合进化算法，当前个体x_k,m经过差分进化的变异、交叉过程生成试验个体u_k,m后，在进行选择过程时，引入模拟退火算法；根据Pareto最优理论，对当前个体x_k,m和试验个体u_k,m进行选择操作；如果试验个体优于当前个体，则将u_k,m作为下一代；否则，计算当前个体和试验个体的能耗函数值之差ΔE；将所述能耗函数值之差ΔE，代入模拟退火算法的概率公式，计算概率；如果概率p>rand(0,1)，则选择试验个体u_k,m作为下一代，否则选择当前个体x_k,m作为下一代；

所述概率公式为：

$p=e^{\frac{\mathrm{\&Delta;}E}{kT}};$

其中，T为初始温度，k为小于1的常数，e为自然指数。

以下描述本发明的实施例。

本发明实施例提供了一种基于Pareto解集的高速列车区间运行轨迹自适应模糊规划方法。该方法主要包括：高速列车运行建模；利用混合进化算法计算高速列车速度曲线的Pareto解集；根据高速列车的实际运行状态，利用自适应模糊控制系统实时调整列车行车策略。本发明实施例首先对高速列车运行进行建模，然后，利用混合进化算法离线计算高速列车总运行时长-能耗的Pareto前端。在高速列车牵引运行和巡航运行过程中，根据列车的实际运行状态，利用自适应模糊控制系统对列车运行状态进行调整，生成最优列车运行策略，用于指导高速列车运行控制，通过调整列车惰行点和制动初速度以改善列车早点或晚点状态，以达到守时性要求和节约能源的目的。

实施例1：

本发明的实施例提供了一种基于Pareto解集的高速列车区间运行轨迹自适应模糊规划方法，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Pareto解集的高速列车区间运行轨迹自适应模糊规划方法，包括：

高速列车运行状态建模；

将高速列车运行速度距离曲线优化问题转为求Pareto最优解问题，利用混合进化算法计算高速列车速度曲线的Pareto解集；

根据高速列车的实际运行状态，利用自适应模糊控制系统对列车运行状态进行调整，生成最优列车运行策略，用于指导高速列车运行控制。

优选地，所述的高速列车运行建模，包括：

结合高速列车的运行特征，建立高速列车的受力模型、总运行时长模型和能耗模型。

高速列车整体受力的计算方法如下：

$M\&CenterDot;v\frac{dv}{ds}=f\left(v\right)-r_1-r_2$

高速列车总运行时长的计算方法如下：

$T\left(x\right)=\underset{0}{\overset{s_0}{\&Integral;}}\frac{1}{v}ds$

高速列车能耗的计算方法如下：

$J\left(x\right)=M\underset{0}{\overset{s_1}{\&Integral;}}max\{0,f\left(v\right)\}ds-\mathrm{\&sigma;}M\underset{0}{\overset{s_2}{\&Integral;}}max\{0,f\left(v\right)\}ds$

其中M表示列车质量，v表示列车速度，f(v)表示列车输出力，r₁表示基本阻力，r₂表示附加阻力，J(x)表示能耗，σ表示再生制动反馈能量的效率，T(x)表示列车的总运行时长，t表示列车的已行驶时间，S₁表示列车牵引和巡航的总距离，S₂表示制动总距离，S₀表示行程的区间距离，s表示列车已行驶距离。

优选地，所述的方法还包括：

高速列车输出力f(v)、基本阻力r₁和附加阻力r₂的计算，计算公式如下：

高速列车输出力的计算公式：

在牵引工况下：

$f\left(v\right)=\left\{\begin{array}{cc}-0.285v+300,& 0<v\&le;119km/h\\ 31500/v,& 119km/h<v\&le;v_r\end{array}\right.$

在再生制动工况下：

$f\left(v\right)=\left\{\begin{array}{cc}-0.285v+300,& 0<v\&le;119km/h\\ 28800/v,& 119km/h<v\&le;v_r\end{array}\right.$

高速列车基本阻力的计算公式：

r₁＝w₁+w₂v+w₃v²

高速列车附加阻力的计算公式：

r₂＝g·M·p

v_r表示列车速度限制，w₁、w₂和w₃表示列车的戴维斯参数，g，p分别表示重力加速度，行程的平均坡度。

优选地，所述的利用混合进化算法计算高速列车速度曲线的Pareto解集，包括：

高速列车速度曲线的决策变量包括巡航速度(v₀)，惰行点(c_o)，制动初速度(v_b)。当列车进入一个区间后，使用牵引(FT)达到巡航速度v_o，然后将保持巡航速度运行一段距离，直到到达惰行点c_o，惰行至制动初速度v_b后，采用再生制动到达目的地。

根据所设定的目标函数利用混合进化算法计算高速列车总运行时长—能耗的Pareto解集，Pareto解集对应的目标函数为：

$\left\{\begin{array}{c}{\mathrm{\&Phi;}}_J\left(x\right)=\frac{J\left(x\right)-J_{min}}{J_{max}-J_{\min }}\\ {\mathrm{\&Phi;}}_T\left(x\right)=\frac{T\left(x\right)-T_{\min }}{T_{\max }-T_{\min }}\\ \min \{{\mathrm{\&Phi;}}_J\left(x\right),{\mathrm{\&Phi;}}_T\left(x\right)\}\end{array}\right.$

其中Φ_J(x)表示能耗目标函数，Φ_T(x)表示总运行时长目标函数，J_max，J_min，T_max，T_min分别表示所有可行速度轨迹的最大能耗，最小能耗，最大总运行时长，最小总运行时长。

优选地，所述根据高速列车的实际运行状态，利用自适应模糊控制系统实时调整列车行车策略，包括：

自适应模糊预测控制系统，主要包括两部分：惰行点调整模块和制动初速度调整模块。

惰行点调整模块主要利用模糊控制系统理论，由经验总结的语言信息构造初始的模糊系统；根据列车运行过程中获得的数据信息(列车位置和运行速度)对模糊系统的输出参数(惰行点)进行调整,最终得到能够同时利用经验和现场实际数据信息的自适应模糊系统,该方法能够最大可能地去处掉主观因素的影响,可以得到较满意的效果。

制动初速度调整模块是为了得到列车修正后惰行点所对应的制动初速度值，保证列车达到精确停车的目的。

优选地，所述的方法还包括：

列车在出发前，根据时刻表的期望总运行时长从Pareto前端中选择出最优行车策略，行车策略包含巡航速度，惰行点，制动初速度这三个信息。

列车一旦转换为巡航工况，立刻启用自适应模糊预测控制系统算法，开始判断是否出现了“早点”或“晚点”状态，如果出现了“早点”或“晚点”状态，则利用自适应控制系统的惰行点调整模块选择新的惰行点。

当列车转换为惰行工况后，立刻启用自适应控制系统的制动初速度调整模块，根据列车的实时速度和位置信息，为列车计算最优制动初速度，以保证列车在目标点的速度为0。

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对高速列车运行进行建模，然后利用混合进化算法生成高速列车速度曲线的Pareto前端，在列车的实际运行过程中，再根据列车的实际运行状态，通过自适应模糊控制系统调整列车行车策略。该方法能够克服列车运行过程中存在不确定性因素，使得离线优化所得到的最优行车策略不再“最优”，导致列车出现早点或晚点状态的问题，通过自适应模糊控制系统实现冗余总运行时长的最大化利用，实时调整列车行车策略，从而降低高速列车运行能耗并达到守时性要求。

实施例2：

本发明实施例提供了一种基于Pareto解集的高速列车区间运行轨迹自适应模糊规划方法，该方法的具体处理流程如图2所示，包括如下的处理步骤：

步骤1：高速列车运行状态的建模。

对高速列车运行进行建模的目的在于计算列车运行过程中的总运行时长和能耗。具体的计算过程可以描述为：

$\left\{\begin{array}{c}M\&CenterDot;v\frac{dv}{ds}=f\left(v\right)-r_1-r_2\\ \frac{dt}{ds}=\frac{1}{v}\\ J\left(x\right)=M\underset{0}{\overset{s_1}{\&Integral;}}\max \{0,f\left(v\right)\}ds-\mathrm{\&sigma;}M\underset{0}{\overset{s_2}{\&Integral;}}max\{0,f\left(v\right)\}ds\\ T\left(x\right)=\underset{0}{\overset{s_0}{\&Integral;}}\frac{1}{v}ds\end{array}\right.$

在牵引工况下：

$f\left(v\right)=\left\{\begin{array}{cc}-0.285v+300,& 0<v\&le;119km/h\\ 31500/v,& 119km/h<v\&le;v_r\end{array}\right.$

在再生制动工况下：

$f\left(v\right)=\left\{\begin{array}{cc}-0.285v+300,& 0<v\&le;119km/h\\ 28800/v,& 119km/h<v\&le;v_r\end{array}\right.$

基本阻力的计算公式：

r₁＝w₁+w₂v+w₃v²

附加阻力的计算公式：

r₂＝g·M·p

其中，M表示列车质量，v表示列车速度，f(v)表示列车输出力，r₁表示基本阻力，r₂表示附加阻力，J(x)表示能耗，σ表示再生制动反馈能量的效率，T(x)表示列车的总运行时长，t表示列车的已行驶时间，S₁表示列车牵引和巡航的总距离，S₂表示制动总距离，S₀表示行程的区间距离，s表示列车已行驶距离。w₁、w₂和w₃表示列车的戴维斯参数，g，p分别表示重力加速度，行程的平均坡度。

根据具体列车信息、线路信息，就能够得到高速列车的总运行时长和能耗的计算模型。

步骤2：利用混合进化算法计算高速列车速度曲线的Pareto解集；

高速列车速度曲线的决策变量包括巡航速度(v₀)，惰行点(c_o)，制动初速度(v_b)。当列车进入一个区间后，使用牵引(FT)达到巡航速度v_o，然后将保持巡航速度运行一段距离，直到到达惰行点，如c_o,0，c_o,1或c_o,2，惰行至制动初速度后，采用再生制动到达目的地，如图3所示。因此，每条速度曲线由决策变量构成的多维向量x＝(v₀,c₀,v_b)所决定。

在步骤1中已经得到高速列车总运行时长和能耗的计算模型，再根据所设定的目标函数以及速度曲线的决策变量，利用混合进化算法计算高速列车总运行时长—能耗的Pareto解集，如图4所示。由于列车运行过程中均采用充分牵引和再生制动，所以这些速度曲线的区别在于巡航速度、惰行点和制动初速度不同，如图5所示。

所设定的目标函数为：

$\left\{\begin{array}{c}{\mathrm{\&Phi;}}_J\left(x\right)=\frac{J\left(x\right)-J_{min}}{J_{max}-J_{\min }}\\ {\mathrm{\&Phi;}}_T\left(x\right)=\frac{T\left(x\right)-T_{\min }}{T_{\max }-T_{min}}\\ \min \{{\mathrm{\&Phi;}}_J\left(x\right),{\mathrm{\&Phi;}}_T\left(x\right)\}\end{array}\right.$

其中，Φ_J(x)表示能耗的目标函数，Φ_T(x)表示总运行时长的目标函数，J_max，J_min，T_max，T_min分别表示所有可行速度轨迹的最大能耗，最小能耗，最大总运行时长，最小总运行时长。

基于差分进化算法和模拟退火算法的混合进化算法，当前个体x_k,m经过差分进化的变异、交叉过程生成试验个体u_k,m后，在进行选择过程时，引入模拟退火算法；根据Pareto最优理论，对当前个体x_k,m和试验个体u_k,m进行选择操作；如果试验个体优于当前个体，则将u_k,m作为下一代；否则，计算当前个体和试验个体的能耗函数值之差ΔE；将所述能耗函数值之差ΔE，代入模拟退火算法的概率公式，计算概率；如果概率p>rand(0,1)，则选择试验个体u_k,m作为下一代，否则选择当前个体x_k,m作为下一代；概率公式为：

$p\left(\mathrm{\&Delta;}E\right)=e^{\frac{\mathrm{\&Delta;}E}{kt}}$

步骤3：根据高速列车的实际运行状态，利用自适应模糊控制系统实时调整列车行车策略。

列车在运行过程中，可能由于不确定性因素，使得离线优化所得到的最优行车策略不再“最优”，导致列车出现早点或晚点状态。根据高速列车的实际运行状态，利用自适应模糊控制系统实时调整列车行车策略，如图6所示，自适应模糊预测控制系统，主要包括两部分：惰行点调整模块和制动初速度调整模块。

惰行点调整模块：主要利用模糊控制系统理论，由经验总结的语言信息构造初始的模糊系统；根据列车运行过程中获得的数据信息(列车位置和运行速度)对模糊系统的输出参数(惰行点)进行调整，最终得到能够同时利用经验和现场实际数据信息的自适应模糊系统，该方法能够最大可能地去处掉主观因素的影响，以得到较满意的效果。

制动初速度调整模块：是为了得到列车修正后的惰行点所对应的制动初速度值，保证列车达到精确停车的目的，如图3所示。

惰行点调整模块具体为：在每个采样时刻，对列车出发前选择出的惰行点x(k)进行修正。利用模糊控制理论对惰行点进行调整；其中，模糊控制系统采用两输入单输出的二维模糊控制器，其输入变量为实际已行驶时长相对于到达当前位置点的期望行驶时长的时间误差t以及误差变化量tc，输出变量为惰行点的调整量Δx；

t,tc和Δx所对应的语言变量分别T,TC,ΔX；语言变量论域均设置为离散型论域；T,TC,ΔX在论域上的模糊子集分别为A_i,B_j,C_l；所有语言变量均为采用三角形隶属函数；采用加权平均法解模糊；对于列车的整个运行过程，

惰行路程越长，列车总的旅行时间会增加，能耗减少，根据专家经验建立模糊推理规则；模糊控制器的模糊规则可以表示为：

if T is A_i and TC is B_j

then ΔX is C_l

其中，T,TC,ΔX分别是t,tc和Δx的语言变量；A_i,B_j,C_l是T,TC和ΔX的相应的模糊集；

通过模糊控制系统获得惰行点的修正量之后,则利用新的惰行点操纵列车。

具体控制过程为：

列车在出发前，根据时刻表的期望总运行时长从Pareto前端中选择出最优行车策略，行车策略包含巡航速度、惰行点、制动初速度这三个信息。

列车一旦转换为巡航工况，立刻启用自适应模糊预测控制系统算法，开始判断是否出现了“早点”或“晚点”状态；如果出现了“早点”或“晚点”状态，则利用自适应控制系统的惰行点调整模块选择新的惰行点。

当列车转换为惰行工况后，立刻启用自适应控制系统的制动初速度调整模块，根据列车的实时速度和位置信息，利用以下计算模型为列车计算最优制动初速度，以保证列车在目标点的速度为0。

$\left\{\begin{array}{c}M\&CenterDot;v\frac{dv}{ds}=f\left(v\right)-r_1-r_2\\ \frac{dt}{ds}=\frac{1}{v}\\ v\left(S_0\right)=0\\ v\&le;v_r\end{array}\right.$

为了司机有足够的反应时间根据最优行车策略操纵列车，根据以下条件终止自适应控制系统算法，不再对惰行点和制动初速度进行调整。

s_t≤c_o-s′

v_t≥v_b+v′

其中，s_t表示列车当前所处位置，c_o表示目标惰行点的位置，s'表示列车当前所处位置与目标惰行点之间的距离；v_t表示列车当前速度，v_b表示列车目标制动初速度，v'表示当前速度和目标制动初速度之间的差值。

根据上述各模型并通过本发明方法可以得出以下实验结果：

当实际总运行时长大于或小于期望总运行时长时，通过自适应模糊控制系统，可以调整列车的行车策略，实现高速列车的节能运行，并达到守时性要求，实现了冗余总运行时长的最大化利用，以达到节能目标。

本发明方法适用于单向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。

本发明具有以下实施例：

综上所述，本发明实施例通过首先对高速列车运行进行建模，然后利用混合进化算法生成高速列车速度曲线的Pareto前端。在列车的实际运行过程中，再根据列车的实际运行状态，通过自适应模糊控制系统，调整列车行车策略。该方法能够克服列车运行过程中存在不确定性因素，使得离线优化所得到的最优行车策略不再“最优”，导致列车出现早点或晚点状态的问题，通过自适应模糊控制系统实现冗余总运行时长的最大化利用，实时调整列车行车策略，从而降低高速列车运行能耗并达到守时性要求。

本发明实施例提供了一种基于Pareto解集的高速列车区间运行轨迹自适应模糊规划方法，在既定的线路约束条件下，根据列车的实际运行状态，利用自适应模糊控制系统实时调整列车行车策略，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。

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 (10)

1.一种列车区间运行轨迹的规划方法，其特征在于，包括：

在列车出发前，获取列车的当前行程的期望总运行时长；

根据列车的总运行时长与最优行车策略之间的对应关系，获取所述期望总运行时长对应的当前最优行车策略；所述最优行车策略为列车根据所述总运行时长行驶时能耗最少的行车策略；所述最优行车策略包含巡航速度、惰行点以及制动初速度；

根据所述当前最优行车策略，控制所述列车的运行。

2.根据权利要求1所述的方法，其特征在于，还包括：

当所述列车转换为巡航工况后，判断所述列车是否为“早点”或“晚点”状态；

如果为“早点”或“晚点”状态，则对所述列车的当前惰行点进行调整。

3.根据权利要求2所述的方法，其特征在于，所述对所述列车的当前惰行点进行调整的步骤包括：

利用模糊控制理论对惰行点进行调整；其中，模糊控制系统采用两输入单输出的二维模糊控制器，其输入变量为实际已行驶时长相对于到达当前位置的期望行驶时长的时间误差t以及误差变化量tc，输出变量为惰行点的调整量Δx；

t,tc和Δx所对应的语言变量分别T,TC,ΔX；语言变量论域均设置为离散型论域；T,TC,ΔX在论域上的模糊子集分别为A_i,B_j,C_l；所有语言变量均为采用三角形隶属函数；采用加权平均法解模糊；建立模糊推理规则；所述二维模糊控制器的模糊规则为：

if T is A_i and TC is B_j

thenΔX is C_l

其中，T,TC,ΔX分别是t,tc和Δx的语言变量；A_i,B_j,C_l是T,TC和ΔX的相应的模糊集；

通过模糊控制系统获得惰行点的修正量之后，利用新的惰行点操纵列车。

4.根据权利要求1所述的方法，其特征在于，还包括：

当所述列车转换为惰行工况状态后，根据所述列车的当前速度和当前位置信息，利用动力学理论，为列车计算新的制动初速度，使得所述列车在所述当前行程的目标点的速度为0。

5.根据权利要求4所述的方法，其特征在于，所述为列车计算新的制动初速度，使得所述列车在所述当前行程的目标点的速度为0的步骤为：

$\left\{\begin{array}{c}M\&CenterDot;v\frac{dv}{ds}=f\left(v\right)-r_1-r_2\\ \frac{dt}{ds}=\frac{1}{v}\\ v\left(S_0\right)=0\\ v\&le;v_r\end{array}\right.;$

其中，M表示列车质量，v表示列车的当前速度，s表示列车已行驶距离；f(v)表示列车输出力，r₁表示基本阻力，r₂表示附加阻力，S₀表示当前行程的区间距离，v_r表示列车的限制速度，t表示列车已行驶时长。

6.根据权利要求1所述的方法，其特征在于，所述在列车出发前，获取列车的当前行程的期望总运行时长的步骤之前，所述方法还包括：

建立列车的总运行时长与行车策略之间的对应关系。

7.根据权利要求6所述的方法，其特征在于，所述建立列车的总运行时长与行车策略之间的对应关系的步骤包括：

建立列车运行过程中的总运行时长和能耗的计算模型；

根据所述总运行时长和能耗的计算模型、总运行时长和能耗的目标函数，利用混合进化算法，计算高速列车的总运行时长和对应的能耗的Pareto解集，从而建立列车的总运行时长与最佳行车策略之间的对应关系；所述最佳行车策略为所述总运行时长对应的至少一个行车策略中能耗最少的行车策略，所述行车策略包括：巡航速度v₀，惰行点c_o，制动初速度v_b。

8.根据权利要求7所述的方法，其特征在于，

所述建立列车运行过程中的总运行时长和能耗的计算模型具体为：

$\left\{\begin{array}{c}M\&CenterDot;v\frac{dv}{ds}=f\left(v\right)-r_1-r_2\\ \frac{dt}{ds}=\frac{1}{v}\\ J\left(x\right)=M\underset{0}{\overset{s_1}{\&Integral;}}\max \{0,f(v\left)\right\}ds-\mathrm{\&sigma;}M\underset{0}{\overset{s_2}{\&Integral;}}max\{0,f(v\left)\right\}ds\\ T\left(x\right)=\underset{0}{\overset{s_0}{\&Integral;}}\frac{1}{v}ds\end{array}\right.;$

其中，M表示列车质量，v表示列车速度，f(v)表示列车输出力，r₁表示基本阻力，r₂表示附加阻力，J(x)表示能耗，σ表示再生制动反馈能量的效率，T(x)表示列车的总运行时长，t表示列车的已行驶时间，S₁表示列车牵引和巡航的总距离，S₂表示制动总距离，S₀表示行程的区间距离，s表示列车已行驶距离；

在牵引工况下：

$f\left(v\right)=\left\{\begin{array}{cc}-0.285v+300,& 0<v\&le;119km/h\\ 31500/v,& 119km/h<v\&le;v_r\end{array}\right.$

在再生制动工况下：

$f\left(v\right)=\left\{\begin{array}{cc}-0.285v+300,& 0<v\&le;119km/h\\ 28800/v,& 119km/h<v\&le;v_r\end{array}\right.$

基本阻力的计算公式：

r₁＝w₁+w₂v+w₃v²

附加阻力的计算公式：

r₂＝g·M·p

其中：f(v)表示列车输出力，v表示列车速度，r₁表示基本阻力，r₂表示附加阻力，w₁、w₂和w₃表示列车的戴维斯参数，M表示列车质量，g，p分别表示重力加速度，行程的平均坡度，v_r表示列车的限制速度。

9.根据权利要求7所述的方法，其特征在于，

所述总运行时长和能耗的目标函数为：

$\left\{\begin{array}{c}{\mathrm{\&Phi;}}_J\left(x\right)=\frac{J\left(x\right)-J_{min}}{J_{max}-J_{\min }}\\ {\mathrm{\&Phi;}}_T\left(x\right)=\frac{T\left(x\right)-T_{\min }}{T_{\max }-T_{min}}\\ \min \{{\mathrm{\&Phi;}}_J\left(x\right),{\mathrm{\&Phi;}}_T\left(x\right)\}\end{array}\right.$

其中，Φ_J(x)表示能耗的目标函数，Φ_T(x)表示总运行时长的目标函数，J_max，J_min，T_max，T_min分别表示所有可行速度轨迹的最大能耗，最小能耗，最大总运行时长，最小总运行时长。

10.根据权利要求6所述的方法，其特征在于，所述利用混合进化算法，计算高速列车的总运行时长和对应的能耗的Pareto解集的步骤包括：

基于差分进化算法和模拟退火算法的混合进化算法，当前个体x_k,m经过差分进化的变异、交叉过程生成试验个体u_k,m后，在进行选择过程时，引入模拟退火算法；根据Pareto最优理论，对当前个体x_k,m和试验个体u_k,m进行选择操作；如果试验个体优于当前个体，则将u_k,m作为下一代；否则，计算当前个体和试验个体的能耗函数值之差ΔE；将所述能耗函数值之差ΔE，代入模拟退火算法的概率公式，计算概率；如果概率p>rand(0,1)，则选择试验个体u_k,m作为下一代，否则选择当前个体x_k,m作为下一代；

所述概率公式为：

$p=e^{\frac{\mathrm{\&Delta;}E}{kT}};$

其中，T为初始温度，k为小于1的常数，e为自然指数。