CN110658818B - 面向新型供电列车的多目标优化智能运行控制预测方法 - Google Patents

面向新型供电列车的多目标优化智能运行控制预测方法 Download PDF

Info

Publication number
CN110658818B
CN110658818B CN201910934799.4A CN201910934799A CN110658818B CN 110658818 B CN110658818 B CN 110658818B CN 201910934799 A CN201910934799 A CN 201910934799A CN 110658818 B CN110658818 B CN 110658818B
Authority
CN
China
Prior art keywords
train
data
power supply
time
novel power
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
Application number
CN201910934799.4A
Other languages
English (en)
Other versions
CN110658818A (zh
Inventor
王志伟
李明
宋明黎
余娜
胡文涛
江大伟
陈珂
陈刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910934799.4A priority Critical patent/CN110658818B/zh
Publication of CN110658818A publication Critical patent/CN110658818A/zh
Application granted granted Critical
Publication of CN110658818B publication Critical patent/CN110658818B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明公开了一种面向新型供电列车的多目标优化智能运行控制预测方法。由新型供电列车的静态动态大数据得到原始数据，参数化/正则化和归一化获得列车信息序列数据；利用列车信息序列数据中的局部数据得到理想条件下的列车运行状态数据；输入到长短期记忆网络中进行训练得到基础模型，将列车信息序列数据划分为多个部分，依次输入到基础模型中依次并再次进行训练得到了带有知识的基础模型；建立平方损失训练；真实采集的速度输入到带有知识的基础模型中进行预测输出获得下一时刻的牵引力。本发明不依赖大量数据，降低了训练数据量，得到符合现实列车运行数据分布的模型，提高了模型准确率并方便直接用于现实应用。

Description

面向新型供电列车的多目标优化智能运行控制预测方法
技术领域
本发明涉及了计算机深度学习领域中的工控运行预测回归方法，尤其是涉及了一种面向新型供电列车的多目标优化智能运行控制预测方法。
背景技术
面向多目标优化的列车运行控制模型技术新颖，涉及的参数多、关联关系复杂，传统的基于机理和专家知识的建模方式难以应对。为此，需要采用数据驱动的机器学习方法来构建相关模型。
列车运行控制直接影响到列车运行过程中的能量消耗，为了保证列车的正常运行，在求解面向多目标优化的列车运行控制策略过程中，需要将列车供电系统参数作为输入数据，通过深度神经网络计算出经过优化的列车运行控制策略。
通过上述分析，发现列车运行的优化若直接使用大数据深度学习的方法进行建模，则总是存在未定数据。
因此，新型供电列车运行控制的参数多、关联关系复杂，可用数据少，难以直接构建模型。传统的基于机理和专家知识建模的方法建模时间长，成本代价高，模型准确率不支持直接用于实际场景。
发明内容
为了解决背景技术中存在的技术问题，本发明提出了一种面向新型供电列车的多目标优化智能运行控制预测方法，采用基于经验建模和数据驱动建模相结合，通过多次迭代进行优化建模构建相关模型，解决了新型供电列车运行控制模型参数多、关联关系复杂、可用数据少和难以直接构建模型的技术问题，也解决了建模时间长、成本代价高、模型准确率不支持于实际场景的问题，获得了突出显著的预测效果。
本发明所采用的技术方案是：
本发明神经网络模型进行了二次优化，提取出经验知识和列车运行约束条件，解决了由于模型训练依赖数据从而不好训练模型的困难，并提高了模型预测的准确性，能实现节能的目的。
所述方法步骤具体如下：
1)由新型供电列车的静态/动态大数据得到原始数据，再进行参数化/正则化得到标准化数据，接着对标准化数据进行归一化获得列车信息序列数据，从而提高模型准确性；
静态大数据是包括新型供电列车的线路条件、列车条件、储能系统条件等方面的数据。动态大数据是包括新型供电列车的行驶运行数据、储能系统状态等方面的数据。
2)利用列车信息序列数据中的局部数据结合实际运行时间采用列车动力学方程进行处理计算得到理想条件下的列车运行状态数据；
通过上述步骤，把参数化和正则化后的数据映射到了一个隐空间，并得到列车在理想条件下的列车运行状态数据，数据中包含了列车运行的相关特征。
3)将步骤二得到的列车运行状态数据和新型供电列车上真实测得的各个时刻牵引力一起输入到长短期记忆网络中进行训练得到基础模型，即将列车实际运行的瞬时速度为预测量v和新型供电列车上真实测得的各个时刻牵引力一起输入；将步骤一输出的列车信息序列数据划分为多个部分，每个部分作为一个样本，将多个样本依次输入到基础模型中依次并再次进行训练得到了带有知识的基础模型；模型中利用输入的数据对列车在下一时刻t+1所需要的牵引力Ft+1进行预测，并计算下一时刻t+1的牵引力和真实的下一时刻t+1的牵引力之间的平方损失，通过采用随机梯度下降方法最小化求解平方损失激励函数，从而完成训练；
所述的带有知识的基础模型包含列车运行过程的特征和理想约束条件。
4)针对真实采集的当前时刻的新型供电列车的速度，输入到带有知识的基础模型中进行预测输出获得下一时刻的牵引力。
所述步骤1)，静态以及动态大数据具体是：
1.a)将静态线路条件数据向量P＝{p1,p2,p3,p4,p5}，分别为坡度p1、曲线p2、列车位置p3、感应线圈部署位置p4、充电能力p5；
将静态列车条件数据向量B＝{b1,b2,b3,b4}，分别为最大载客量b1、车重b2、最大加速度b3、最大减速度b4；
将静态储能系统条件数据向量W＝{w1,w2,w3,w4}，分别为额定容量w1、额定电压w2、充电电流w3、额定输出功率w4；
将动态运行数据向量H＝{h1,h2,h3,h4}，分别为速度h1、牵引功率h2、动态载客量(动态车重)h3、动态加/减速度h4；
将动态储能系统状态数据向量Q＝{q1,q2,q3,q4}，分别为储能系统电压q1、放电电流q2、充电电压q3、充电电流q4。
所述步骤2)中，具体是利用列车信息序列数据中的实际运行位置和实际运行时间采用以下公式的列车动力学方程进行处理计算得到列车实际运行的瞬时速度v，作为理想条件下的列车运行状态数据；
Figure BDA0002221286640000031
式中：x表示列车在线路上的实际运行位置；t(x)表示列车在位置x处的实际运行时间；T表示列车运行完全程的规定时间；V表示列车在线路上允许的最高运行速度；X表示线路全长；v表示列车实际运行的瞬时速度；f(u,v)表示牵引力函数，与列车输入控制序列和运行速度有关；w(x,v)表示列车运行附加阻力函数，与列车运行速度和列车运行位置有关；b(u,v)表示列车制动力函数，与列车输入控制序列和运行速度有关；u表示列车输入控制序列，为随时间变化的值序列，具体范围值为[-1～1]，其中某一时刻下‘-1’表示最大制动，‘0’表示惰行，“1”表示最大牵引，(-1，0)为部分制动，(0,1)为部分牵引。
所述步骤3)中的平方损失激励函数
Figure BDA0002221286640000032
具体为：
Figure BDA0002221286640000033
其中，Ft+1为真实的下一时刻t+1的牵引力，
Figure BDA0002221286640000034
为预测的下一时刻t+1的牵引力，‖‖2表示绝对值的平方。
所述步骤4)之后，根据带有知识的基础模型的中间参数进一步解码到输出特征空间，获得预测的下一时刻的新型供电列车的速度和当前时刻至下一时刻前所消耗的能量，从而获得了时间速度的数据和时间能耗的数据。
具体采用以下公式计算获得预测的下一时刻的新型供电列车的速度：
v0＝0
Figure BDA0002221286640000035
Figure BDA0002221286640000036
其中，ki表示第i个样本经基础模型处理获得的计算拟合参数，N为步骤3)中的样本总数；
Figure BDA0002221286640000037
为预测的下一时刻t+1的新型供电列车的速度，vt为真实的当前时刻t的新型供电列车的速度，at为当前时刻t的新型供电列车的加速度，tgap为相邻时刻之间的间隔值，Ft为真实的当前时刻t的列车运行的牵引力，v0表示真实的初始时刻的新型供电列车的速度；
具体采用以下公式计算获得预测的当前时刻至下一时刻前所消耗的能量：
Figure BDA0002221286640000041
noiseGaussian＝N(μ,σ2)
其中，
Figure BDA0002221286640000042
为预测的当前时刻t至下一时刻t+1前所消耗的能量，μ、σ分别表示所有样本经基础模型处理获得的高斯噪声补偿参数的均值和方差，N(μ,σ2)表示高斯噪声补偿函数；Pt为当前时刻的列车的功率，tgap为相邻时刻之间的间隔值，Ft为真实的当前时刻t的列车运行的牵引力，vt为真实的当前时刻t的新型供电列车的速度。
本发明输入和输出可以很好地映射到同一空间，并在空间中数据分布会接近，预测力到输出和真实力到输出也会非常接近，能获得准确的时间速度的数据和时间能耗的数据。通过长短期记忆网络作为基础的带有知识的基础模型二次训练处理后，可很好地将空间特征映射到连续空间上，从而很好地进行预测。
本发明中，真实的牵引力等真实的数据均通过安装在新型供电列车上的传感器的检测信号或者驱动器本身的反馈信号直接获得。
本发明首先通过结合深度学习的方法，抽取出列车运行的基本特征和约束条件，得到长短期记忆网络基础模型，再利用真实列车运行数据再次训练基础模型，得到符合现实列车运行数据分布的模型。
本发明方法步骤中，长短期记忆网络的采用主要是为了解决序列相关的问题。对于普通的全连接神经网络来说，每次都单独的对一个输入进行训练，而每个输入之间是没有关系的，但是对于某些任务需要考虑输入之间的相关关系，如牵引力的预测中，输入是一个时间序列，采用长短期记忆网络的结构来构建牵引力预测模型，可捕获数据中的长短期依赖关系，可捕获序列输入的上下文信息，而不会依靠当前输入来得到输出结果。
本发明具有到有益效果是：
本发明方法结合了深度学习和统计学习，利用传统的基于经验和机理的建模方法，通过对列车运行控制进行简化，绕过了列车运行控制尚未确定的问题，并用长短期记忆网络提取并学习了经验知识，降低了训练数据量，提高了模型预测的准确性。
与传统的方法相比，本发明不依赖大量数据，提高了模型准确率并方便直接用于现实应用。
附图说明
图1是本发明方法的逻辑结构图；
图2是长短期记忆网络基础模型结构图；
图3是实施例基于真实数据做的列车时间速度预测实验结果图；
图4是实施例基于真实数据做的列车时间能耗预测实验结果图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示，本发明实施例及其实施工作过程如下：
1)由新型供电列车的静态/动态大数据得到原始数据，再进行参数化/正则化得到标准化数据，接着对标准化数据进行归一化获得列车信息序列数据；
静态以及动态大数据具体是：
1.a)静态线路条件数据向量P＝{p1,p2,p3,p4,p5}，分别为坡度p1、曲线p2、列车位置p3、感应线圈部署位置p4、充电能力p5；
将静态列车条件数据向量B＝{b1,b2,b3,b4}，分别为最大载客量b1、车重b2、最大加速度b3、最大减速度b4；
将静态储能系统条件数据向量W＝{w1,w2,w3,w4}，分别为额定容量w1、额定电压w2、充电电流w3、额定输出功率w4；
将动态运行数据向量H＝{h1,h2,h3,h4}，分别为速度h1、牵引功率h2、动态载客量(动态车重)h3、动态加/减速度h4；
将动态储能系统状态数据向量Q＝{q1,q2,q3,q4}，分别为储能系统电压q1、放电电流q2、充电电压q3、充电电流q4。
2)利用列车信息序列数据中的实际运行位置和实际运行时间采用以下公式的列车动力学方程进行处理计算得到列车实际运行的瞬时速度v，作为理想条件下的列车运行状态数据；
Figure BDA0002221286640000051
式中：x表示列车在线路上的实际运行位置；t(x)表示列车在位置x处的实际运行时间；T表示列车运行完全程的规定时间；V表示列车在线路上允许的最高运行速度；X表示线路全长；v表示列车实际运行的瞬时速度；f(u,v)表示牵引力函数，与列车输入控制序列和运行速度有关；w(x,v)表示列车运行附加阻力函数，与列车运行速度和列车运行位置有关；b(u,v)表示列车制动力函数，与列车输入控制序列和运行速度有关；u表示列车输入控制序列，为随时间变化的值序列，具体范围值为[-1～1]，其中某一时刻下‘-1’表示最大制动，‘0’表示惰行，“1”表示最大牵引，(-1，0)为部分制动，(0,1)为部分牵引。在该实验中x的具体范围值为[0～1660],T为133，V为780，X为1669.463。
3)将步骤二得到的列车运行状态数据和新型供电列车上真实测得的各个时刻牵引力一起输入到长短期记忆网络中进行训练得到基础模型，即将列车实际运行的瞬时速度为预测量v和新型供电列车上真实测得的各个时刻牵引力一起输入；例如t时刻，列车牵引力为5090，瞬时速度0,输入到长短期记忆网络中；t+1时刻，列车牵引力为5090，瞬时速度为13,输入到长短期记忆网络中。图2为长短期记忆网络结构。将步骤一输出的列车信息序列数据划分为多个部分，每个部分作为一个样本，将多个样本依次输入到基础模型中依次并再次进行训练得到了带有知识的基础模型；模型中利用输入的数据对列车在下一时刻t+1所需要的牵引力Ft+1进行预测，并计算下一时刻t+1的牵引力和真实的下一时刻t+1的牵引力之间的平方损失，通过采用随机梯度下降方法最小化求解平方损失激励函数，从而完成训练；
平方损失激励函数
Figure BDA0002221286640000061
具体为：
Figure BDA0002221286640000062
其中，Ft+1为真实的下一时刻t+1的牵引力，
Figure BDA0002221286640000063
为预测的下一时刻t+1的牵引力，‖‖2表示绝对值的平方。例如t+1时刻下Ft+1的值5090，
Figure BDA0002221286640000064
的值为3420。
4)针对真实采集的当前时刻的新型供电列车的速度，输入到带有知识的基础模型中进行预测输出获得下一时刻的牵引力。例如t时刻，列车速度为13，预测下一时刻的牵引力。
5)根据带有知识的基础模型的中间参数进一步解码到输出特征空间，获得预测的下一时刻的新型供电列车的速度和当前时刻至下一时刻前所消耗的能量，从而获得了时间速度的数据和时间能耗的数据。图3和图4表示基于真实数据做的列车时间速度预测实验结果，从图中可看出列车通过模型优化后，能耗降低6.3％，速度更加平缓，旅客舒适性更高。
具体采用以下公式计算获得预测的下一时刻的新型供电列车的速度：
v0＝0
Figure BDA0002221286640000065
Figure BDA0002221286640000071
其中，ki表示第i个样本经基础模型处理获得的计算拟合参数，N为步骤3)中的样本总数；
Figure BDA0002221286640000072
为预测的下一时刻t+1的新型供电列车的速度，vt为真实的当前时刻t的新型供电列车的速度，at为当前时刻t的新型供电列车的加速度，tgap为相邻时刻之间的间隔值，Ft为真实的当前时刻t的列车运行的牵引力，v0表示真实的初始时刻的新型供电列车的速度。
具体采用以下公式计算获得预测的当前时刻至下一时刻前所消耗的能量：
Figure BDA0002221286640000073
nosiseGaussian＝N(μ,σ2)
其中，
Figure BDA0002221286640000074
为预测的当前时刻t至下一时刻t+1前所消耗的能量，μ、σ分别表示所有样本经基础模型处理获得的高斯噪声补偿参数的均值和方差，N(μ,σ2)表示高斯噪声补偿函数；Pt为当前时刻的列车的功率，tgap为相邻时刻之间的间隔值，Ft为真实的当前时刻t的列车运行的牵引力，vt为真实的当前时刻t的新型供电列车的速度。
本发明充分利用了专家经验，不依赖大量数据，降低了训练数据量，利用长短期记忆网络，得到符合现实列车运行数据分布的模型，提高了模型准确率并方便直接用于现实应用。

Claims (3)

1.一种面向新型供电列车的多目标优化智能运行控制预测方法，其特征在于：所述方法步骤具体如下：
1)由新型供电列车的静态/动态大数据得到原始数据，再进行参数化/正则化得到标准化数据，接着对标准化数据进行归一化获得列车信息序列数据；
所述步骤1)，静态以及动态大数据具体是：
1.a)将静态线路条件数据向量P＝{p1，p2，p3，p4，p5}，分别为坡度p1、曲线p2、列车位置p3、感应线圈部署位置p4、充电能力p5；
将静态列车条件数据向量B＝{b1，b2，b3，b4}，分别为最大载客量b1、车重b2、最大加速度b3、最大减速度b4；
将静态储能系统条件数据向量W＝{w1，w2，w3，w4}，分别为额定容量w1、额定电压w2、充电电流w3、额定输出功率w4；
将动态运行数据向量H＝{h1，h2，h3，h4}，分别为速度h1、牵引功率h2、动态载客量/动态车重h3、动态加/减速度h4；
将动态储能系统状态数据向量Q＝{q1，q2，q3，q4}，分别为储能系统电压q1、放电电流q2、充电电压q3、充电电流q4；
2)利用列车信息序列数据中的局部数据结合实际运行时间采用列车动力学方程进行处理计算得到理想条件下的列车运行状态数据；
所述步骤2)中，具体是利用列车信息序列数据中的实际运行位置和实际运行时间采用以下公式的列车动力学方程进行处理计算得到列车实际运行的瞬时速度v，作为理想条件下的列车运行状态数据；
Figure FDA0002528297710000011
式中：x表示列车在线路上的实际运行位置；t(x)表示列车在位置x处的实际运行时间；T表示列车运行完全程的规定时间；V表示列车在线路上允许的最高运行速度；X表示线路全长；v表示列车实际运行的瞬时速度；f(u，v)表示牵引力函数；w(x，v)表示列车运行附加阻力函数；b(u，v)表示列车制动力函数；u表示列车输入控制序列；
3)将步骤二得到的列车运行状态数据和新型供电列车上真实测得的各个时刻牵引力一起输入到长短期记忆网络中进行训练得到基础模型，将步骤一输出的列车信息序列数据划分为多个部分，每个部分作为一个样本，将多个样本依次输入到基础模型中依次并再次进行训练得到了带有知识的基础模型；模型中利用输入的数据对列车在下一时刻t+1所需要的牵引力Ft+1进行预测，并计算下一时刻t+1的牵引力和真实的下一时刻t+1的牵引力之间的平方损失，通过采用随机梯度下降方法最小化求解平方损失激励函数，从而完成训练；
4)针对真实采集的当前时刻的新型供电列车的速度，输入到带有知识的基础模型中进行预测输出获得下一时刻的牵引力。
2.根据权利要求1所述的一种面向新型供电列车的多目标优化智能运行控制预测方法，其特征在于：所述步骤3)中的平方损失激励函数
Figure FDA0002528297710000021
具体为：
Figure FDA0002528297710000022
其中，Ft+1为真实的下一时刻t+1的牵引力，
Figure FDA0002528297710000023
为预测的下一时刻t+1的牵引力，|| ||2表示绝对值的平方。
3.根据权利要求1所述的一种面向新型供电列车的多目标优化智能运行控制预测方法，其特征在于：所述步骤4)之后，根据带有知识的基础模型的中间参数进一步解码到输出特征空间，获得预测的下一时刻的新型供电列车的速度和当前时刻至下一时刻前所消耗的能量，从而获得了时间速度的数据和时间能耗的数据：
具体采用以下公式计算获得预测的下一时刻的新型供电列车的速度：
vn＝0
Figure FDA0002528297710000024
Figure FDA0002528297710000025
其中，ki表示第i个样本经基础模型处理获得的计算拟合参数，N为步骤3)中的样本总数；
Figure FDA0002528297710000026
为预测的下一时刻t+1的新型供电列车的速度，vt为真实的当前时刻t的新型供电列车的速度，at为当前时刻t的新型供电列车的加速度，tgap为相邻时刻之间的间隔值，Ft为真实的当前时刻t的列车运行的牵引力，v0表示真实的初始时刻的新型供电列车的速度；
具体采用以下公式计算获得预测的当前时刻至下一时刻前所消耗的能量：
Figure FDA0002528297710000027
noiseGaussian＝N(μ，σ2)
其中，
Figure FDA0002528297710000031
为预测的当前时刻t至下一时刻t+1前所消耗的能量，μ、σ分别表示所有样本经基础模型处理获得的高斯噪声补偿参数的均值和方差，N(μ，σ2)表示高斯噪声补偿函数；Pt为当前时刻的列车的功率，tgap为相邻时刻之间的间隔值，Ft为真实的当前时刻t的列车运行的牵引力，vt为真实的当前时刻t的新型供电列车的速度。
CN201910934799.4A 2019-09-29 2019-09-29 面向新型供电列车的多目标优化智能运行控制预测方法 Active CN110658818B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910934799.4A CN110658818B (zh) 2019-09-29 2019-09-29 面向新型供电列车的多目标优化智能运行控制预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910934799.4A CN110658818B (zh) 2019-09-29 2019-09-29 面向新型供电列车的多目标优化智能运行控制预测方法

Publications (2)

Publication Number Publication Date
CN110658818A CN110658818A (zh) 2020-01-07
CN110658818B true CN110658818B (zh) 2020-08-21

Family

ID=69038401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910934799.4A Active CN110658818B (zh) 2019-09-29 2019-09-29 面向新型供电列车的多目标优化智能运行控制预测方法

Country Status (1)

Country Link
CN (1) CN110658818B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183728B (zh) * 2020-09-29 2021-07-20 上海松鼠课堂人工智能科技有限公司 基于深度学习的学习策略生成方法和系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106952161A (zh) * 2017-03-31 2017-07-14 洪志令 一种基于长短期记忆深度学习网络的股票近期走势预测方法
CN108983788A (zh) * 2018-08-15 2018-12-11 上海海事大学 基于大数据挖掘的无人驾驶环卫车智能控制系统及方法
CN109204390A (zh) * 2018-09-29 2019-01-15 交控科技股份有限公司 一种基于深度学习的列车控制方法
KR101951595B1 (ko) * 2018-05-18 2019-02-22 한양대학교 산학협력단 모듈형 순환 신경망 구조 기반 차량 경로 예측 시스템 및 방법
CN109508812A (zh) * 2018-10-09 2019-03-22 南京航空航天大学 一种基于深度记忆网络的航空器航迹预测方法
CN109783843A (zh) * 2018-12-05 2019-05-21 交控科技股份有限公司 基于lstm的仿真系统车辆动力学模型速度预测方法
CN109814523A (zh) * 2018-12-04 2019-05-28 合肥工业大学 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法
CN110210174A (zh) * 2019-06-21 2019-09-06 西南交通大学 一种基于多层lstm的动车组轴箱轴承温度预测方法
CN110262251A (zh) * 2019-07-11 2019-09-20 电子科技大学 基于lstm神经网络的飞控系统数据预测及辅助诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106952161A (zh) * 2017-03-31 2017-07-14 洪志令 一种基于长短期记忆深度学习网络的股票近期走势预测方法
KR101951595B1 (ko) * 2018-05-18 2019-02-22 한양대학교 산학협력단 모듈형 순환 신경망 구조 기반 차량 경로 예측 시스템 및 방법
CN108983788A (zh) * 2018-08-15 2018-12-11 上海海事大学 基于大数据挖掘的无人驾驶环卫车智能控制系统及方法
CN109204390A (zh) * 2018-09-29 2019-01-15 交控科技股份有限公司 一种基于深度学习的列车控制方法
CN109508812A (zh) * 2018-10-09 2019-03-22 南京航空航天大学 一种基于深度记忆网络的航空器航迹预测方法
CN109814523A (zh) * 2018-12-04 2019-05-28 合肥工业大学 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法
CN109783843A (zh) * 2018-12-05 2019-05-21 交控科技股份有限公司 基于lstm的仿真系统车辆动力学模型速度预测方法
CN110210174A (zh) * 2019-06-21 2019-09-06 西南交通大学 一种基于多层lstm的动车组轴箱轴承温度预测方法
CN110262251A (zh) * 2019-07-11 2019-09-20 电子科技大学 基于lstm神经网络的飞控系统数据预测及辅助诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LLR: Learning learning rates by LSTM for training neural networks;Changyong Yu 等;《Neurocomputing》;20200204;第1-10页 *
基于LSTM长短期记忆网络的超短期风速预测;魏昱洲;《电子测量与仪器学报》;20190215;第64-71页 *
基于循环神经网络的数据库查询开销预测;毕里缘 等;《软件学报》;20171206;第799-810页 *

Also Published As

Publication number Publication date
CN110658818A (zh) 2020-01-07

Similar Documents

Publication Publication Date Title
CN110223517B (zh) 基于时空相关性的短时交通流量预测方法
CN109910909B (zh) 一种多车运动状态的汽车轨迹网联交互式预测方法
CN111284489B (zh) 智能网联汽车随机预测巡航控制系统
CN107909179B (zh) 一种插电式混合动力车辆行驶工况的预测模型构建方法及车辆能量管理方法
CN108520155B (zh) 基于神经网络的车辆行为模拟方法
Yin et al. Data-driven models for train control dynamics in high-speed railways: LAG-LSTM for train trajectory prediction
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN109242169B (zh) 一种面向电力大客户的短期负荷预测方法
CN110837915B (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN113362598A (zh) 一种高速公路服务区车流量预测方法
CN107862877A (zh) 一种城市交通信号模糊控制方法
CN112198799B (zh) 一种基于深度学习的高速列车停车控制方法及系统
CN111783943A (zh) 一种基于lstm神经网络的驾驶员制动强度预测方法
CN110658818B (zh) 面向新型供电列车的多目标优化智能运行控制预测方法
CN115730635A (zh) 一种电动汽车负荷预测方法
CN116311921A (zh) 一种基于多空间尺度时空Transformer的交通速度预测方法
Nie et al. Eco-Co-Optimization strategy for connected and automated fuel cell hybrid vehicles in dynamic urban traffic settings
George et al. Driving Range Estimation of Electric Vehicles using Deep Learning
CN114596726A (zh) 基于可解释时空注意力机制的停车泊位预测方法
CN112927507A (zh) 一种基于LSTM-Attention的交通流量预测方法
CN116611864A (zh) 一种基于rnn的城市轨道交通列车速度与客流量的预测方法
CN114278727B (zh) 极限工况下的车辆自动换挡控制方法、系统、介质及设备
CN113890112B (zh) 一种基于多场景并行学习的电网前瞻调度方法
CN112967420B (zh) 一种基于区间二型的重载列车运行过程监控方法及系统
CN115907000A (zh) 一种用于电力系统最优潮流预测的小样本学习方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant