CN109541943A - 一种有轨电车在线优化控制方法 - Google Patents

Abstract

本发明公开一种有轨电车在线优化控制方法，包括步骤：采集并记录有轨电车线路实际运行参数，并对参数数据进行聚类处理，获得线路参数样本；基于线路期望要求，利用神经网络训练线路参数样本，输出保证列车准时性和舒适性的调控参数；由所述调控参数，实时调整列车运行参数，同时进行能量回收制动。本发明能够在保证准时性的前提下，带来最佳的乘坐体验，大大优化了有轨电车驾驶舒适度和准时性。

Description

一种有轨电车在线优化控制方法

技术领域

本发明属于有轨电车技术领域，特别是涉及一种有轨电车在线优化控制方法。

背景技术

城市轨道交通是现阶段我国核心城市解决城市扩张和交通压力的主要方式，在众多的城市轨道交通工具中，地铁、轻轨等现代化轨道交通对城市规模和人口体量有着较高的要求，大型城市具备这样的运营能力，但对于城市圈周边的中型城市而言，往往不具备这样的条件。而中等运量的有轨电车，凭借着低造价成本、高运载效率以及环保的电力驱动等技术特点，是现代化轨道交通领域的有效补充。

在未来的城市体系中，尤其在我国大中型城市虹吸效应的特点下，更为系统和多元的城市轨道交通发展将是未来的趋势。中小城市需要有能与公交系统配合的新型轨道交通，以进一步改善城市交通问题，缓解交通压力。

目前，我国的现代有轨电车在建线路城市在20个左右，整体比重和数量依然较小，未来整体的市场机会庞大，预测在2020年全国将要建成超过2500公里的线路，远期规模超过5000公里。可以预见，在现今汽车能源紧张、环境污染等严峻问题的包围下，现代有轨电车的市场前景十分可观。

现代有轨电车是在传统有轨电车的基础上全面改造升级的一种先进的公共交通方式，在保证技术的前提下，研究也愈发的考虑到舒适度的问题，现代有轨电车多数采用流线型车身、大窗、对开门、低地板等新颖设计，旅客水平上下车非常便捷，在车厢内乘坐也较为舒适。采用了大量的隔音材料、消音器等设施，能够有效的减少噪音。当乘坐环境愈发精益时，驾驶环境是否能带给用户舒适度也不可忽视。

驾驶环境包括了列车在行驶过程中的一系列反应带给用户的乘坐体验，加速、减速、制动、惰行等列车的不同行驶情况都会带来不同的感受。现有的有轨电车驾驶控制属于半主动模式，即列车在司机关门启动后自动驾驶，而驾驶过程中主要保证的是列车的准时性，大大忽略了列车的舒适度问题；无法在保证准时性的前提下，还能够带来较好的乘坐体验。

发明内容

为了解决上述问题，本发明提出了一种有轨电车在线优化控制方法，对列车进行控制，能够在保证准时性的前提下，带来最佳的乘坐体验，大大优化了有轨电车驾驶舒适度和准时性。

为达到上述目的，本发明采用的技术方案是：一种有轨电车在线优化控制方法，包括步骤：

S100，采集并记录有轨电车线路实际运行参数，并对参数数据进行聚类处理，获得线路参数样本；

S200，基于线路期望要求，利用神经网络训练线路参数样本，输出保证列车准时性和舒适性的调控参数；

S300，由所述调控参数，实时调整列车运行参数，同时进行能量回收制动。

进一步的是，在所述步骤S200中，基于线路期望要求，利用神经网络训练线路参数样本，输出保证列车准时性和舒适性的调控参数，包括步骤：

S210，根据列车实际运行工况，搜集有轨电车线路实际运行参数作为神经网络的输入；将舒适度最佳的列车运行加速度区间a_x作为神经网络的输出的保证列车准时性和舒适性的调控参数；

S220，有轨电车线路实际运行参数进行聚类处理，将处理后的数据作为训练集样本；根据线路期望要求，确定神经网络的各项参数；

S230，对训练目标进行逻辑分析，结合输入参数以及期望值要求，利用神经网络进行训练分析，得到保证列车准时性和舒适性的加速度工作区间。

进一步的是，在所述步骤S210中，所述有轨电车线路实际运行参数包括行驶时间t_x、采样时间内的运行速度v_x、运行加速度a_mean、最大加速度a_max、最小加速度a_min、加速度方差a_var和加速度变化率k_a。

进一步的是，对所述神经网络的输入和输出进行归一化处理，归一化函数：

P为输入输出向量P(t_x，v_x，a_mean，a_max，a_min，a_var，k_a，a_x)，min(P)、max(P)分别是向量P(t_x，v_x，a_mean，a_max，a_min，a_var，k_a，a_x)的最小值和最大值；

方便数据的处理，加快神经网络收敛速度，训练结束后可以将数据反归一化到原始数据的范围。

进一步的是，在所述步骤S220中，根据线路期望要求，确定神经网络的各项参数，包括步骤：

S221，对有轨电车线路实际运行参数进行聚类处理，将处理后的数据作为训练集样本；

S222，确定神经网络的参数包括：输入层的结点个数n；隐含层的结点个数q；输入层和隐含层的权值w_1kj(k＝1,2,…,q；j＝1,2,,…,n)，阈值b_i(i＝1,2,…,n)；输出层的结点个数m；隐含层和输出层的权值w_2kj(k＝1,2,…,m；j＝1,2,…,q)，阈值为b_j(j＝1,2,…，m)；隐含层传递函数f₁(.)，输出层传递函数f₂(.)；

S223，设定样本学习结束条件：目标误差e为0.0001，最大迭代次数为1000，学习速率初始值为0.1。

进一步的是，所述隐含层的结点个数为q，计算公式为：

q＝log₂n，或

上式中，a为0-10之间的常数，输入层的结点个数n取值为7，输出层的结点个数取值为1；根据采集有轨电车实际运行反复试验，为达到最佳输出结果，确定网络训练误差最小的隐含层结点个数；

所述隐含层传递函数f₁(.)为训练误差最小的tansig传递函数，输出层传递函数f₂(.)为purelin传递函数，以适用于有轨电车输入参数训练，达到最佳输出结果以控制有轨电车优化运行。

进一步的是，在所述步骤S230中，对训练目标进行逻辑分析，结合输入参数以及期望值要求，利用神经网络进行训练分析，得到保证列车准时性和舒适性的加速度工作区间；

S231，有轨电车行驶，设置采样时间为T_S，将行驶总时间划分为n个采样时间，利用神经网络训练，将列车当前时刻t_k与采样点应该到达的时间t_k0进行对比：

若t_k＝t_k0，表示该时刻列车准时，列车当前的行驶参数a_k与期望的舒适加速度区间对比，若不满足，则系统给出调整参数指标，满足，则保持；

若t_k＞t_k0，表示列车行驶超前，给出满足舒适度的参考减速度a_k；

若t_k＜t_k0，表示列车滞后迟到，给出满足舒适度的参考加速度a_k；

由司机进行行为补偿；

S232，记录列车运行时有轨电车线路中的特殊路况，在特殊路况启动能量回收制动。

进一步的是，根据对有轨电车的运行特点分析，确定线路固定且在城市运行，道路平直，所述有轨电车线路中的特殊路况包括：上坡、下坡、进站和出站；

列车上坡时，提前减速，保证列车运行加速度在舒适度区间内，对于减速能量进行回收制动；

列车下坡时，进行在线优化速度，速度调整到合适区间时进行能量回收制动；

列车进站时，提前进行速度调整，在保证准时的情况下控制列车滑行进站同时开始进行能量回收制动；

列车出站时，列车缓慢加速。

进一步的是，根据训练目标，神经网络的计算方法为：将输入量经输入层传递给隐含层结点，经过传递函数处理后传递给输出层，输出层的实际输出与期望输出对比，若误差达不到要求，则继续进行精度调试，通过调整各层的连接权值和阈值，逐渐减小误差，直到达到训练要求；

隐含层结点的输出为：

输出层结点的输出为：

神经网络的期望值输出为t_k(k＝1,2,…,m)，时，网络实际输出与期望值输出不一致的拟合误差E，

根据拟合误差对连接权值进行修正，各层的连接权值修正量为：

其中，η为学习速率；f′₁、f′₂为传递函数f₁、f₂的导数；

将初始权值与对应的调整量相加，计算出新的权值，循环直至输出层误差平方和满足设定值为止；将输入样本与期望样本作对比，若不满足期望区间，则输出期望值，满足则保持。

进一步的是，所述期望值的样本区间根据坐姿和站姿时舒适度N计算：

坐姿舒适度N的计算公式：N＝4a_xw_c；

站姿舒适度N的计算公式：N＝12a_xw_d；

坐姿和站姿舒适度N的计算公式：N＝6a_xw_d；

其中，a_x分别表示纵向加速度，w_c、w_d分别表示纵向和垂向加速度的权重。

由于轨电车在城市行驶时道路平整，加速及制动阶段舒适性多受纵向加速度影响，因此忽略加权加速度均方根值中垂直加速度分量对舒适性的影响；而横向加速度对乘客舒适性的影响主要发生在转弯时，但有轨电车一般在平直道路上行驶时，横向减速度值很小，在计算中忽略；因此本发明采用纵向加速度a_x即列车行驶加速度结合主观感受来评价有轨电车驾驶舒适性。

采用本技术方案的有益效果：

本发明通过神经网络很好的建立了有轨电车行驶工况模型，并且能够在保证准时性的同时预测出舒适度最佳的行驶加速度；该方法利用神经网络对列车行驶参数进行在线修正，修正后的参数能够满足行驶准时性和舒适度的要求，同时保证列车储能装置合理进行能量回收制动。

本发明训练后的神经网络，能够根据实际情况，结合有轨电车舒适度标准与行驶路况，对列车速度进行实时的在线修正，保证列车准时且运行平稳舒适，同时回收制动能量；训练好的神经网络模型，可用于任何有轨电车线路，在保证准时性的同时，给出舒适最佳的驾驶方案；

本发明优化了有轨电车的舒适度性能，解决了可能产生的加速度波动大、稳定性差等问题，增加了列车乘坐的舒适感；对列车进行能量回收制动，提高能源利用率。

附图说明

图1为本发明的一种有轨电车在线优化控制方法的流程示意图；

图2为本发明实施例中神经网络的结构示意图；

图3为本发明实施例中神经网络的流程示意图；

图4为本发明实施例步骤S230中神经网络训练分析的流程示意图；

图5为本发明实施例中特殊路况启动能量回收制动的流程示意图；

图6为本发明实施例中神经网络计算方法的流程示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。

在本实施例中，参见图1所示，本发明提出了一种有轨电车在线优化控制方法，包括步骤：

S100，采集并记录有轨电车线路实际运行参数，并对参数数据进行聚类处理，获得线路参数样本；

S200，基于线路期望要求，利用神经网络训练线路参数样本，输出保证列车准时性和舒适性的调控参数；

S300，由所述调控参数，实时调整列车运行参数，同时进行能量回收制动。

作为上述实施例的优化方案，如图2和图3所示，在所述步骤S200中，基于线路期望要求，利用神经网络训练线路参数样本，输出保证列车准时性和舒适性的调控参数，包括步骤：

S210，根据列车实际运行工况，搜集有轨电车线路实际运行参数作为神经网络的输入；将舒适度最佳的列车运行加速度区间a_x作为神经网络的输出的保证列车准时性和舒适性的调控参数；

S220，有轨电车线路实际运行参数进行聚类处理，将处理后的数据作为训练集样本；根据线路期望要求，确定神经网络的各项参数；

S230，对训练目标进行逻辑分析，结合输入参数以及期望值要求，利用神经网络进行训练分析，得到保证列车准时性和舒适性的加速度工作区间。

其中，在所述步骤S210中，所述有轨电车线路实际运行参数包括行驶时间t_x、采样时间内的运行速度v_x、运行加速度a_mean、最大加速度a_max、最小加速度a_min、加速度方差a_var和加速度变化率k_a。

对所述神经网络的输入和输出进行归一化处理，归一化函数：

P为输入输出向量P(t_x，v_x，a_mean，a_max，a_min，a_var，k_a，a_x)，min(P)、max(P)分别是向量P(t_x，v_x，a_mean，a_max，a_min，a_var，k_a，a_x)的最小值和最大值；

方便数据的处理，加快神经网络收敛速度，训练结束后可以将数据反归一化到原始数据的范围。

其中，在所述步骤S220中，根据线路期望要求，确定神经网络的各项参数，包括步骤：

S221，对有轨电车线路实际运行参数进行聚类处理，将处理后的数据作为训练集样本；

S222，确定神经网络的参数包括：输入层的结点个数n；隐含层的结点个数q；输入层和隐含层的权值w_1kj(k＝1,2,…,q；j＝1,2,,…,n)，阈值b_i(i＝1,2,…,n)；输出层的结点个数m；隐含层和输出层的权值w_2kj(k＝1,2,…,m；j＝1,2,…,q)，阈值为b_j(j＝1,2,…，m)；隐含层传递函数f₁(.)，输出层传递函数f₂(.)；

S223，设定样本学习结束条件：目标误差e为0.0001，最大迭代次数为1000，学习速率初始值为0.1。

所述隐含层的结点个数为q，计算公式为：

q＝log₂n，或

上式中，a为0-10之间的常数，输入层的结点个数n取值为7，输出层的结点个数取值为1；根据采集有轨电车实际运行反复试验，为达到最佳输出结果，确定网络训练误差最小的隐含层结点个数；

所述隐含层传递函数f₁(.)为训练误差最小的tansig传递函数，输出层传递函数f₂(.)为purelin传递函数，以适用于有轨电车输入参数训练，达到最佳输出结果以控制有轨电车优化运行。

其中，在所述步骤S230中，对训练目标进行逻辑分析，结合输入参数以及期望值要求，利用神经网络进行训练分析，得到保证列车准时性和舒适性的加速度工作区间；

S231，如图4所示，有轨电车行驶，设置采样时间为T_S，将行驶总时间划分为n个采样时间，利用神经网络训练，将列车当前时刻t_k与采样点应该到达的时间t_k0进行对比：

若t_k＝t_k0，表示该时刻列车准时，列车当前的行驶参数a_k与期望的舒适加速度区间对比，若不满足，则系统给出调整参数指标，满足，则保持；

若t_k＞t_k0，表示列车行驶超前，给出满足舒适度的参考减速度a_k；

若t_k＜t_k0，表示列车滞后迟到，给出满足舒适度的参考加速度a_k；

由司机进行行为补偿；

S232，如图5所示，记录列车运行时有轨电车线路中的特殊路况，在特殊路况启动能量回收制动。

根据对有轨电车的运行特点分析，确定线路固定且在城市运行，道路平直，所述有轨电车线路中的特殊路况包括：上坡、下坡、进站和出站；

列车上坡时，提前减速，保证列车运行加速度在舒适度区间内，对于减速能量进行回收制动；

列车下坡时，进行在线优化速度，速度调整到合适区间时进行能量回收制动；

列车进站时，提前进行速度调整，在保证准时的情况下控制列车滑行进站同时开始进行能量回收制动；

列车出站时，列车缓慢加速。

作为上述实施例的优化方案，如图6所示，根据训练目标，神经网络的计算方法为：将输入量经输入层传递给隐含层结点，经过传递函数处理后传递给输出层，输出层的实际输出与期望输出对比，若误差达不到要求，则继续进行精度调试，通过调整各层的连接权值和阈值，逐渐减小误差，直到达到训练要求；

隐含层结点的输出为：

输出层结点的输出为：

神经网络的期望值输出为t_k(k＝1,2,…,m)，时，网络实际输出与期望值输出不一致的拟合误差E，

根据拟合误差对连接权值进行修正，各层的连接权值修正量为：

其中，η为学习速率；f′₁、f′₂为传递函数f₁、f₂的导数；

将初始权值与对应的调整量相加，计算出新的权值，循环直至输出层误差平方和满足设定值为止；将输入样本与期望样本作对比，若不满足期望区间，则输出期望值，满足则保持。

作为上述实施例的优化方案，所述期望值的样本区间根据坐姿和站姿时舒适度N计算：

坐姿舒适度N的计算公式：N＝4a_xw_c；

站姿舒适度N的计算公式：N＝12a_xw_d；

坐姿和站姿舒适度N的计算公式：N＝6a_xw_d；

其中，a_x分别表示纵向加速度，w_c、w_d分别表示纵向和垂向加速度的权重。

由于轨电车在城市行驶时道路平整，加速及制动阶段舒适性多受纵向加速度影响，因此忽略加权加速度均方根值中垂直加速度分量对舒适性的影响；而横向加速度对乘客舒适性的影响主要发生在转弯时，但有轨电车一般在平直道路上行驶时，横向减速度值很小，在计算中忽略；因此本发明采用纵向加速度a_x即列车行驶加速度结合主观感受来评价有轨电车驾驶舒适性。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种有轨电车在线优化控制方法，其特征在于，包括步骤：

S100，采集并记录有轨电车线路实际运行参数，并对参数数据进行聚类处理，获得线路参数样本；

S200，基于线路期望要求，利用神经网络训练线路参数样本，输出保证列车准时性和舒适性的调控参数；

S300，由所述调控参数，实时调整列车运行参数，同时进行能量回收制动。

2.根据权利要求1所述的一种有轨电车在线优化控制方法，其特征在于，在所述步骤S200中，基于线路期望要求，利用神经网络训练线路参数样本，输出保证列车准时性和舒适性的调控参数，包括步骤：

S210，根据列车实际运行工况，搜集有轨电车线路实际运行参数作为神经网络的输入；将舒适度最佳的列车运行加速度区间a_x作为神经网络的输出的保证列车准时性和舒适性的调控参数；

S220，有轨电车线路实际运行参数进行聚类处理，将处理后的数据作为训练集样本；根据线路期望要求，确定神经网络的各项参数；

S230，对训练目标进行逻辑分析，结合输入参数以及期望值要求，利用神经网络进行训练分析，得到保证列车准时性和舒适性的加速度区间。

3.根据权利要求2所述的一种有轨电车在线优化控制方法，其特征在于，在所述步骤S210中，所述有轨电车线路实际运行参数包括行驶时间t_x、采样时间内的运行速度v_x、运行加速度a_mean、最大加速度a_max、最小加速度a_min、加速度方差a_var和加速度变化率k_a。

4.根据权利要求3所述的一种有轨电车在线优化控制方法，其特征在于，对所述神经网络的输入和输出进行归一化处理，归一化函数：

其中，P为输入输出向量P(t_x，v_x，a_mean，a_max，a_min，a_var，k_a，a_x)，min(P)、max(P)分别是向量P(t_x，v_x，a_mean，a_max，a_min，a_var，k_a，a_x)的最小值和最大值。

5.根据权利要求4所述的一种有轨电车在线优化控制方法，其特征在于，在所述步骤S220中，根据线路期望要求，确定神经网络的各项参数，包括步骤：

S221，对有轨电车线路实际运行参数进行聚类处理，将处理后的数据作为训练集样本；

S222，确定神经网络的参数包括：输入层的结点个数n；隐含层的结点个数q；输入层和隐含层的权值w_1kj(k＝1,2,…,q；j＝1,2,,…,n)，阈值b_i(i＝1,2,…,n)；输出层的结点个数m；隐含层和输出层的权值w_2kj(k＝1,2,…,m；j＝1,2,…,q)，阈值b_j(j＝1,2,…，m)；隐含层传递函数f₁(.)，输出层传递函数f₂(.)；

S223，设定样本学习结束条件：目标误差e为0.0001，最大迭代次数为1000，学习速率初始值为0.1。

6.根据权利要求5所述的一种有轨电车在线优化控制方法，其特征在于，所述隐含层的结点个数为q，计算公式为：

q＝log₂n，或

上式中，a为0-10之间的常数，输入层的结点个数n取值为7，输出层的结点个数取值为1；

所述隐含层传递函数f₁(.)为训练误差最小的tansig传递函数，输出层传递函数f₂(.)为purelin传递函数。

7.根据权利要求6所述的一种有轨电车在线优化控制方法，其特征在于，在所述步骤S230中，对训练目标进行逻辑分析，结合输入参数以及期望值要求，利用神经网络进行训练分析，得到保证列车准时性和舒适性的加速度工作区间；

S231，有轨电车行驶，设置采样时间为T_S，将行驶总时间划分为n个采样时间，利用神经网络训练，将列车当前时刻t_k与采样点应该到达的时间t_k0进行对比：

若t_k＝t_k0，表示该时刻列车准时，列车当前的行驶参数a_k与期望的舒适加速度区间对比，若不满足则系统给出调整参数指标，满足则保持；

若t_k＞t_k0，表示列车行驶超前，给出满足舒适度的参考减速度a_k；

若t_k＜t_k0，表示列车滞后迟到，给出满足舒适度的参考加速度a_k；

由司机进行行为补偿；

S232，记录列车运行时有轨电车线路中的特殊路况，在特殊路况启动能量回收制动。

8.根据权利要求7所述的一种有轨电车在线优化控制方法，其特征在于，所述有轨电车线路中的特殊路况包括：上坡、下坡、进站和出站；

列车上坡时，提前减速，保证列车运行加速度在舒适度区间内，对于减速能量进行回收制动；

列车下坡时，进行在线优化速度，速度调整到合适区间时进行能量回收制动；

列车进站时，提前进行速度调整，在保证准时的情况下控制列车滑行进站同时开始进行能量回收制动；

列车出站时，列车缓慢加速。

9.根据权利要求7或8所述的一种有轨电车在线优化控制方法，其特征在于，根据训练目标，神经网络的计算方法为：将输入量经输入层传递给隐含层结点，经过传递函数处理后传递给输出层，输出层的实际输出与期望输出对比，若误差达不到要求，则继续进行精度调试，通过调整各层的连接权值和阈值，逐渐减小误差，直到达到训练要求；

隐含层结点的输出为：

输出层结点的输出为：

神经网络的期望值输出为t_k(k＝1,2,…,m)，时，网络实际输出与期望值输出不一致的拟合误差E，

根据拟合误差对连接权值进行修正，各层的连接权值修正量为：

其中，η为学习速率；f₁'、f₂'为传递函数f₁、f₂的导数；

将初始权值与对应的调整量相加，计算出新的权值，循环直至输出层误差平方和满足设定值为止；将输入样本与期望样本作对比，若不满足期望区间，则输出期望值，满足则保持。

10.根据权利要求9所述的一种有轨电车在线优化控制方法，其特征在于，所述期望值的样本区间根据坐姿和站姿时舒适度N计算：

坐姿舒适度N的计算公式：N＝4a_xw_c；

站姿舒适度N的计算公式：N＝12a_xw_d；

坐姿和站姿舒适度N的计算公式：N＝6a_xw_d；

其中，a_x分别表示纵向加速度，w_c、w_d分别表示纵向和垂向加速度的权重。