CN111443718B - 基于预报误差法的高速列车状态反馈预测控制方法及系统 - Google Patents

基于预报误差法的高速列车状态反馈预测控制方法及系统 Download PDF

Info

Publication number
CN111443718B
CN111443718B CN202010331363.9A CN202010331363A CN111443718B CN 111443718 B CN111443718 B CN 111443718B CN 202010331363 A CN202010331363 A CN 202010331363A CN 111443718 B CN111443718 B CN 111443718B
Authority
CN
China
Prior art keywords
speed
train
moment
matrix
model
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
CN202010331363.9A
Other languages
English (en)
Other versions
CN111443718A (zh
Inventor
杨辉
童英赫
付雅婷
李中奇
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.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
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 East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202010331363.9A priority Critical patent/CN111443718B/zh
Publication of CN111443718A publication Critical patent/CN111443718A/zh
Priority to US17/153,478 priority patent/US12030541B2/en
Application granted granted Critical
Publication of CN111443718B publication Critical patent/CN111443718B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00—Indicators provided on the vehicle or train for signalling purposes
    • B61L15/0062—On-board target speed calculation or supervision
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/04—Automatic systems, e.g. controlled by train; Change-over to manual control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00—Indicators provided on the vehicle or train for signalling purposes
    • B61L15/0072—On-board train data handling
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L25/00—Recording or indicating positions or identities of vehicles or trains or setting of track apparatus
    • B61L25/02—Indicating or recording positions or identities of vehicles or trains
    • B61L25/021—Measuring and recording of train speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/20—Trackside control of safe travel of vehicle or train, e.g. braking curve calculation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/40—Handling position reports or trackside vehicle data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/60—Testing or simulation
    • 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
    • G05D1/60—Intended control result
    • G05D1/65—Following a desired speed profile
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L2201/00—Control methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于预报误差法的高速列车状态反馈预测控制方法及系统。该方法包括：获取高速列车的速度预测模型
Figure DDA0002465057330000011
根据所述速度预测模型预测k时刻以及k+p时刻列车的预测速度；获取k时刻列车的实际速度输出值；根据k时刻列车的预测速度以及k时刻列车的实际速度输出值确定k时刻的速度预测误差；根据k时刻的速度预测误差，对k+p时刻列车的预测速度进行修正，得到修正后的列车预测速度；以修正后的列车预测速度为给定速度
Figure DDA0002465057330000012
根据
Figure DDA0002465057330000013
计算k时刻列车的控制力uk，在k时刻到k+p时刻，基于所述控制力uk，向所述列车施加控制力。本发明适应性强、计算简便，且能够实现列车速度的高精度跟踪。

Description

基于预报误差法的高速列车状态反馈预测控制方法及系统
技术领域
本发明涉及高速列车速度跟踪控制领域，特别是涉及一种基于预报误差法的高速列车状态反馈预测控制方法及系统。
背景技术
中国高铁已经进入快速发展时期，高速列车在现代交通中占据一个非常重要的地位。然而，高速列车在行驶过程中具有高度非线性、复杂动力学特性、不确定性等特点，运行过程中的情况非常繁杂，使得准确建立高速列车模型非常困难。为了使高速列车安全正点行驶，需要用更好的控制高速列车行驶过程。所以，高速列车的建模和控制成为当今研究的重点和方向。
对于高速列车运行过程建模，通常根据高速列车动力学特性构建高速列车运动方程，从而得到高速列车运行过程系统模型。然而，高速列车随着运行速度越来越快，受到的空气阻力逐渐增大，与相关设备的耦合关系逐渐加强，高速列车快速行驶中的高度非线性和不确定性很难用传统的动力学方程描述。随着人工神经网络的发展，有人提出了采用神经网络对高速列车进行建模，但是神经网络训练需要大量实际数据，增加时间成本，并有可能陷入局部最优。
对于高速列车运行过程控制，常常采用经典的PID控制算法，但是PID控制算法在参数的选取上依靠人为调节，不适合高速列车复杂过程控制。发展过程中，有人提出使用广义预测控制实现高速列车速度跟踪控制，但是广义预测控制算法计算繁琐复杂，在实时响应的高速列车控制系统中表现不佳。有人把高速列车的自动停车控制和模糊控制相结合，但是模糊控制中模糊规则以及隶属函数凭借经验得出，在高速列车运行过程中难以控制和计算。
发明内容
本发明的目的是提供一种基于预报误差法的高速列车状态反馈预测控制方法及系统，适应性强、计算简便，且能够实现列车速度的高精度跟踪。
为实现上述目的，本发明提供了如下方案：
一种基于预报误差法的高速列车状态反馈预测控制方法，包括：
获取高速列车的速度预测模型
Figure BDA0002465057310000021
其中，A、B、C分别为高速列车的第一系统矩阵、第二系统矩阵、第三系统矩阵，
Figure BDA0002465057310000022
为k+p时刻列车的预测速度，p为预测时域，xk为k时刻列车的状态向量，uk+p-i为k+p-i时刻列车的控制力；其中，所述状态向量为与列车相关参数有关的状态矩阵；
根据所述速度预测模型预测k时刻以及k+p时刻列车的预测速度
Figure BDA0002465057310000023
和
Figure BDA0002465057310000024
获取k时刻列车的实际速度输出值yk；
根据k时刻列车的预测速度
Figure BDA0002465057310000025
以及k时刻列车的实际速度输出值yk确定k时刻的速度预测误差；
根据k时刻的速度预测误差，对k+p时刻列车的预测速度
Figure BDA0002465057310000026
进行修正，得到修正后的列车预测速度
Figure BDA0002465057310000027
以修正后的列车预测速度
Figure BDA0002465057310000028
为给定速度
Figure BDA0002465057310000029
根据
Figure BDA00024650573100000210
计算k时刻列车的控制力uk，其中，K＝CAp，
Figure BDA00024650573100000211
在k时刻到k+p时刻，基于所述控制力uk，向所述列车施加控制力。
可选的，在所述获取高速列车的速度预测模型之前，还包括：
获取高速列车的系统模型
Figure BDA00024650573100000212
其中，xk+1、xk分别为k+1、k时刻的状态向量，uk为k时刻列车的控制力，yk为k时刻列车的速度，A、B、C、D分别为高速列车的第一系统矩阵、第二系统矩阵、第三系统矩阵和第四系统矩阵，γk,ωk分别为k时刻的第一噪声向量和第二噪声向量；
根据所述高速列车的系统模型确定所述高速列车的速度预测模型。
可选的，在所述获取高速列车的系统模型之前，还包括：
构建高速列车的系统模型
Figure BDA0002465057310000031
其中，αk为过程噪声，βk为输出噪声；
获取高速列车运行过程中的真实数据参数uk,yk；
基于所述高速列车的系统模型以及所述真实数据参数，求解所述系统模型中的第一系统矩阵A、第二系统矩阵B、第三系统矩阵C和第四系统矩阵D。
可选的，在所述获取高速列车的系统模型之后，以及在所述根据所述高速列车的系统模型确定所述高速列车的速度预测模型之前，还包括：
构建高速列车的系统模型
Figure BDA0002465057310000032
其中，ek为可测量噪声，K0为卡尔曼滤波增益矩阵；
获取高速列车运行过程中的真实数据参数uk,yk；
基于所述高速列车的系统模型以及所述真实数据参数，求解所述系统模型中的第一系统矩阵A、第二系统矩阵B、第三系统矩阵C、第四系统矩阵D以及卡尔曼滤波增益矩阵K0。
本发明还提供了一种基于预报误差法的高速列车状态反馈预测控制系统，包括：
速度预测模型获取模块，用于获取高速列车的速度预测模型
Figure BDA0002465057310000033
其中，A、B、C分别为高速列车的第一系统矩阵、第二系统矩阵、第三系统矩阵，
Figure BDA0002465057310000034
为k+p时刻列车的预测速度，p为预测时域，xk为k时刻列车的状态向量，uk+p-i为k+p-i时刻列车的控制力；其中，所述状态向量为与列车相关参数有关的状态矩阵；
速度预测模块，用于根据所述速度预测模型预测k时刻以及k+p时刻列车的预测速度
Figure BDA0002465057310000035
和
Figure BDA0002465057310000036
实际速度获取模块，用于获取k时刻列车的实际速度输出值yk；
预测速度修正模块，用于根据k时刻列车的预测速度
Figure BDA0002465057310000037
以及k时刻列车的实际速度输出值yk确定k时刻的速度预测误差；并根据k时刻的速度预测误差，对k+p时刻列车的预测速度
Figure BDA0002465057310000041
进行修正，得到修正后的列车预测速度
Figure BDA0002465057310000042
控制力确定模块，用于以修正后的列车预测速度
Figure BDA0002465057310000043
为给定速度
Figure BDA0002465057310000044
根据
Figure BDA0002465057310000045
计算k时刻列车的控制力uk，其中，K＝CAp，
Figure BDA0002465057310000046
控制模块，用于在k时刻到k+p时刻，基于所述控制力uk，向所述列车施加控制力。
可选的，所述系统还包括：
高速列车系统模型获取模块，用于获取高速列车的系统模型
Figure BDA0002465057310000047
其中，xk+1、xk分别为k+1、k时刻的状态向量，uk为k时刻列车的控制力，yk为k时刻列车的速度，A、B、C、D分别为高速列车的第一系统矩阵、第二系统矩阵、第三系统矩阵和第四系统矩阵，γk,ωk分别为k时刻的第一噪声向量和第二噪声向量；
速度预测模型确定模块，用于根据所述高速列车的系统模型确定所述高速列车的速度预测模型。
可选的，所述系统还包括：
高速列车系统模型构建模块，用于构建高速列车的系统模型
Figure BDA0002465057310000048
其中，αk为过程噪声，βk为输出噪声；
实际参数数据获取模块，用于获取高速列车运行过程中的真实数据参数uk,yk；
系统矩阵求解模块，用于基于所述高速列车的系统模型以及所述真实数据参数，求解所述系统模型中的第一系统矩阵A、第二系统矩阵B、第三系统矩阵C和第四系统矩阵D。
可选的，所述系统还包括：
高速列车系统模型构建模块，用于构建高速列车的系统模型
Figure BDA0002465057310000051
其中，ek为可测量噪声，K0为卡尔曼滤波增益矩阵；
实际参数数据获取模块，用于获取高速列车运行过程中的真实数据参数uk,yk；
系统矩阵求解模块，用于基于所述高速列车的系统模型以及所述真实数据参数，求解所述系统模型中的第一系统矩阵A、第二系统矩阵B、第三系统矩阵C、第四系统矩阵D以及卡尔曼滤波增益矩阵K0。
根据本发明提供的具体实施例，本发明公开了以下技术效果：在本发明提供的基于预报误差法的高速列车状态反馈预测控制方法及系统中，高速列车系统模型不需要数据概率分布的先验知识，能够适应多种情况下的辨识问题，在复杂多变的环境下具有更高的模型精度；整个预测控制方法及系统采用状态变量作为反馈，增强了控制系统的抗噪声能力，提高了跟踪精度。而且，预测模型为事先确定的模型，在控制时只需把输入数据代入即可，计算过程简单快捷。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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1提供的基于预报误差法的高速列车状态反馈预测控制方法流程图；
图2为本发明实施例1基于预报误差法的高速列车状态反馈预测控制的原理框图；
图3为本发明实施例1中检验数据的输出误差分布曲线图；
图4为本发明实施例1中建模数据加入噪声后，检验数据的输出误差分布曲线图；
图5为本发明实施例1中高速列车真实数据的速度跟踪曲线图；
图6为本发明实施例1中高速列车真实数据的速度跟踪误差曲线图；
图7为本发明实施例1中控制过程加入噪声后，高速列车真实数据的速度跟踪曲线图；
图8为本发明实施例1中控制过程加入噪声后，高速列车真实数据的速度跟踪误差曲线图。
图9为本发明实施例2提供的基于预报误差法的高速列车状态反馈预测控制系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例1提供的基于预报误差法的高速列车状态反馈预测控制方法流程图，如图1所示，该方法包括以下步骤：
步骤101：获取高速列车的速度预测模型
Figure BDA0002465057310000061
其中，A、B、C分别为高速列车的第一系统矩阵、第二系统矩阵、第三系统矩阵，
Figure BDA0002465057310000062
为k+p时刻列车的预测速度，p为预测时域，xk为k时刻列车的状态向量，uk+p-i为k+p-i时刻列车的控制力；其中，所述状态向量为与列车相关参数(列车、接触网和铁轨的样式，材料和结构等)有关的状态矩阵；
步骤102：根据所述速度预测模型预测k时刻以及k+p时刻列车的预测速度
Figure BDA0002465057310000063
和
Figure BDA0002465057310000064
步骤103：获取k时刻列车的实际速度输出值yk；
步骤104：根据k时刻列车的预测速度
Figure BDA0002465057310000065
以及k时刻列车的实际速度输出值yk确定k时刻的速度预测误差；
步骤105：根据k时刻的速度预测误差，对k+p时刻列车的预测速度
Figure BDA0002465057310000066
进行修正，得到修正后的列车预测速度
Figure BDA0002465057310000067
步骤106：以修正后的列车预测速度
Figure BDA0002465057310000071
为给定速度
Figure BDA0002465057310000072
根据
Figure BDA0002465057310000073
计算k时刻列车的控制力uk，其中，K＝CAp，
Figure BDA0002465057310000074
步骤107：在k时刻到k+p时刻，基于所述控制力uk，向所述列车施加控制力。
在实施例中，原理框图如图2所示，列车速度值yk在下一个p时刻的预测值：
Figure BDA0002465057310000075
式中，p是速度yk选取的预测时域，A、B、C为已知的矩阵，来自于高速列车系统模型
Figure BDA0002465057310000076
其中，xk+1、xk分别为k+1、k时刻的状态向量，uk为k时刻列车的控制力，yk为k时刻列车的速度，A、B、C、D分别为高速列车的第一系统矩阵、第二系统矩阵、第三系统矩阵和第四系统矩阵，λk,ωk分别为k时刻的第一噪声向量和第二噪声向量，其中，第一噪声向量和第二噪声向量为根据需要自行设定的向量。矩阵A、B、C为基于该高速列车系统模型以及列车运行过程中真实数据参数uk,yk以及设定数据λk,ωk求取得到。
作为一种实施方式，采用实际输出yk和预测输出
Figure BDA0002465057310000077
的差值，作为k时刻的速度预测误差。
采用k时刻的速度预测误差对下一个p时刻的速度预测值进行反馈修正，作为一种实施方式，可以采用公式
Figure BDA0002465057310000078
进行反馈修正，其中：
Figure BDA0002465057310000079
作为一种实施方式，采用状态反馈单值预测控制算法，控制时域L＝1，仅在k时刻控制力会进行调整，之后保持这个控制力，即：uk+i＝uk，i＞0，使反馈修正后的速度预测值等于给定速度
Figure BDA00024650573100000710
则有
Figure BDA00024650573100000711
控制律为：
Figure BDA00024650573100000712
式中：K＝CAp，
Figure BDA0002465057310000081
作为一种可选的实施方式，本实施例提供的方法在步骤101之前还包括：
获取高速列车的系统模型
Figure BDA0002465057310000082
其中，xk+1、xk分别为k+1、k时刻的状态向量，uk为k时刻列车的控制力，yk为k时刻列车的速度，A、B、C、D分别为高速列车的第一系统矩阵、第二系统矩阵、第三系统矩阵和第四系统矩阵，γk,ωk分别为k时刻的第一噪声向量和第二噪声向量；
根据所述高速列车的系统模型确定所述高速列车的速度预测模型。
作为一种可选的实施方式，本实施例提供的方法在获取高速列车的系统模型
Figure BDA0002465057310000083
之前还包括：
构建高速列车的系统模型
Figure BDA0002465057310000084
其中，αk为过程噪声，βk为输出噪声，αk和βk为根据需要自行设定的噪声向量，x0为根据实际情况设定的状态向量；
获取高速列车运行过程中的真实数据参数uk,yk；
基于所述高速列车的系统模型以及所述真实数据参数，求解所述系统模型中的第一系统矩阵A、第二系统矩阵B、第三系统矩阵C和第四系统矩阵D。此时，高速列车的系统模型
Figure BDA0002465057310000085
为
Figure BDA0002465057310000086
在另一实施方式中，在获取高速列车的系统模型
Figure BDA0002465057310000087
之前还包括：
构建高速列车的系统模型
Figure BDA0002465057310000088
ek∈Rl为可测量噪声，K0∈Rn×l为卡尔曼滤波增益矩阵，x0为根据实际情况设定的状态向量；
获取高速列车运行过程中的真实数据参数uk,yk；
基于所述高速列车的系统模型以及所述真实数据参数，求解所述系统模型中的第一系统矩阵A、第二系统矩阵B、第三系统矩阵C、第四系统矩阵D以及卡尔曼滤波增益矩阵K0。此时，速度预测模型为基于卡尔曼滤波后的系统模型确定的模型，A、B、C以及K0为基于卡尔曼滤波中的噪声向量ek以及列车运行过程中真实数据参数uk,yk求取得到。此时，高速列车的系统模型
Figure BDA0002465057310000091
为
Figure BDA0002465057310000092
系统模型的具体构建过程如下：
1)假设高速列车运行区间内坡道和弯道的长度远远大于高速列车长度，所以可以将整列高速列车视为一个质点，通过动力学特性构建高速列车运动方程，然后得到高速列车速度与控制力的方程：
Figure BDA0002465057310000093
式中，y为运行速度，t为时间，c为加速度系数，u为高速列车的牵引力或制动力，c0为滚动机械阻力系数，c1为其他机械阻力系数，c2为空气阻力系数。
2)基于预报误差法建立高速列车运行过程模型。本发明根据动车组运行过程，建立高速列车运行过程状态空间模型，状态空间模型是一种由状态空间分析法对动态系统所建立的一种数学模型，其中的状态变量可以很好的描述系统内部动态特性。下式是状态空间模型所表示的高速列车模型方程：
Figure BDA0002465057310000094
式中：下标k为列车采样时间；yk∈R，表示列车速度；uk∈R，表示列车的控制力；状态向量xk∈Rn，与高速列车的相关参数(列车、接触网和铁轨的样式，材料和结构等)有关；h(·)∈Rn、g(·)∈R为非线性向量函数；γk∈Rn、ωk∈R是随机的不可测噪声向量，可根据情况自行设定。
式(2)能够精确的描述高速列车的动态行为特性，但是非线性向量函数计算复杂，求解困难。因此，借助局部建模思想，将式(2)在其平衡工作点(x0,u0)近似的看为线性系统，转化成式(3)描述的状态空间模型：
Figure BDA0002465057310000101
其中，A∈Rn×n，B∈Rn×1，C∈R1×n，D∈R为高速列车的系统矩阵，αk∈Rn×1，βk∈R分别为过程噪声和输出噪声。
假设状态空间模型为式(3)，将卡尔曼滤波引入上述模型中，可以转化为另一种形式：
Figure BDA0002465057310000102
其中，ek∈Rl为可测量噪声，K0∈Rn×l为卡尔曼滤波增益矩阵。
3)将ek用yk，xk，uk表示，之后代入到(4)中的状态方程里去，得：
Figure BDA0002465057310000103
即：
Figure BDA0002465057310000107
其中：
Figure BDA0002465057310000108
φk＝[uk yk]T。
由式(4)迭代后得到输出矩阵方程：
Figure BDA0002465057310000104
式中：下标f表示未来时刻；
Figure BDA0002465057310000105
为广义能观性矩阵：
Figure BDA0002465057310000106
根据高速列车运行过程的输入输出数据，可以得到未来时刻的Hankel矩阵Uf和Yf：
Figure BDA0002465057310000111
Hf和Gf为Toeplitz矩阵：
Figure BDA0002465057310000112
输入矩阵Uf还可以表示为：
Figure BDA0002465057310000113
同理，可得输出矩阵Yf和噪声矩阵μf：
Figure BDA0002465057310000114
状态矩阵Xk为：
Xk＝[xk xk+1 … xk+N-1] (13)
对式(6)中状态方程迭代p步，得：
Figure BDA0002465057310000115
式中：
Figure BDA0002465057310000116
将式(14)扩展得：
Figure BDA0002465057310000117
式(14)中当p的数值很大时，
Figure BDA0002465057310000118
将式(15)代入式(7)中：
Figure BDA0002465057310000121
式中：
Figure BDA0002465057310000122
Φp(k)＝[φk-1 φk-2 … φk-p]T.
将式(15)两边同时在Uf的正交方向投影，消去HfUf，再乘
Figure BDA0002465057310000123
假设μf与
Figure BDA0002465057310000124
不相关，
Figure BDA0002465057310000125
所以式(16)可化为：
Figure BDA0002465057310000126
对
Figure BDA0002465057310000127
进行SVD分解，得：
Figure BDA0002465057310000128
为求得广义能观性矩阵，假设
Figure BDA0002465057310000129
得到
Figure BDA00024650573100001210
矩阵的值后，接着得出状态矩阵的预估值，即：
Figure BDA00024650573100001211
式(4)化为一个最小二乘求解问题，即：
Figure BDA00024650573100001212
通过式(21)计算系统矩阵的初始估计值。
因为算法在开环状态下，运算过程中不考虑直接馈入矩阵D，即D＝0.所以可以得到y的估计值为：
Figure BDA00024650573100001213
误差的预估值为：
Figure BDA0002465057310000131
选择误差准则：
Figure BDA0002465057310000132
即系统辨识转化为：
Figure BDA0002465057310000133
通过式(25)极小化预报误差准则函数计算出系统矩阵参数的最终估计值。
本发明提供的模型利用高速列车行驶实测数据，完成对高速列车系统的建模。预报误差法不需要数据概率分布的先验知识，能够适应多种情况下的辨识问题，该方法得到的列车系统模型在复杂多变的环境下具有更高的模型精度。在控制上，整个预测控制系统采用状态变量作为反馈，增强了控制系统的抗噪声能力，提高了控制系统的稳定性，能够提高跟踪精度，并且在噪声干扰下有着更好的跟踪效果。
下面对本发明提供的方法进行验证
基于列车特性曲线，得到高速列车运行的真实输入输出数据2000组。其中，把1500组输入输出样本作为建模数据，将另500组数据作为检验数据来验证模型的准确性。
建模方面，利用高速列车运行过程的真实数据1500组进行建模，得到其状态空间模型系统矩阵参数。为验证模型的准确性，将另500组数据用于检验数据对模型进行检验，得到其模型误差曲线，如图3。
如图3所示，模型误差曲线的范围：-0.4～0.4km/h，保持在一个很小的范围内，并且波动平稳，符合高速列车的运行过程需求。
但是，高速列车在实际运行过程中，测得的数据不是完全精确的，发送与接收会受到噪声干扰，所以，考虑实际运行情况，给输入输出数据加上噪声，再次进行仿真，并得到其模型误差曲线，如图4。
如图4所示，模型误差曲线的范围：-2～2km/h，依旧能保持在一个较小的范围内，误差波动没有较大起伏，说明符合高速列车复杂环境下运行过程需求。
控制方面，基于上述辨识的状态空间模型，采用状态反馈预测控制对高速列车运行过程进行速度跟踪控制，参考轨迹选用高速列车运行过程的真实数据4693组，得到其速度跟踪曲线，如图5所示，实线曲线为参考轨迹，虚线曲线为速度跟踪。
图5可以看出，高速列车的状态反馈预测控制方法，在高速列车列车运行全过程中都具有不错的跟踪精度。得到的速度跟踪曲线与目标参考轨迹在整个运行过程中几乎贴合，能够非常精确的跟踪参考轨迹，说明该方法具有高精度的跟踪性能。从图6可以看出整个运行过程下速度跟踪的具体误差，在此期间能够将误差的数值保持在一个很小的区间内，并且在大部分区间波动平稳，可以高精度跟踪目标速度曲线。
然而，高速列车在运行过程中，速度越来越快，周边环境复杂多变，高速列车不可抗力的受到许多噪声干扰，所以考虑在控制中，加入噪声，再次进行仿真，得到其速度跟踪曲线，如图7所示，实线曲线为参考轨迹，虚线曲线为速度跟踪。
图7可以看出，在噪声干扰的情况下，还是能够将追踪误差保持在一个很好的区间范围内，说明本文控制方法在高速列车实际运行过程中复杂多变的环境下，具有较强的适应性以及抗干扰能力。图8为误差曲线图，可以看出，加入噪声后，依然能保持良好的控制精度，误差波动相对稳定，波动幅度较小，说明该方法具有一定的抗干扰能力。
图9为本发明实施例2提供的基于预报误差法的高速列车状态反馈预测控制系统结构图，如图9所示，该系统包括：
速度预测模型获取模块901，用于获取高速列车的速度预测模型
Figure BDA0002465057310000141
其中，A、B、C分别为高速列车的第一系统矩阵、第二系统矩阵、第三系统矩阵，
Figure BDA0002465057310000142
为k+p时刻列车的预测速度，p为预测时域，xk为k时刻列车的状态向量，uk+p-i为k+p-i时刻列车的控制力；其中，所述状态向量为与列车相关参数有关的状态矩阵；
速度预测模块902，用于根据所述速度预测模型预测k时刻以及k+p时刻列车的预测速度
Figure BDA0002465057310000143
和
Figure BDA0002465057310000144
实际速度获取模块903，用于获取k时刻列车的实际速度输出值yk；
预测速度修正模块904，用于根据k时刻列车的预测速度
Figure BDA0002465057310000151
以及k时刻列车的实际速度输出值yk确定k时刻的速度预测误差；并根据k时刻的速度预测误差，对k+p时刻列车的预测速度
Figure BDA0002465057310000152
进行修正，得到修正后的列车预测速度
Figure BDA0002465057310000153
控制力确定模块905，用于以修正后的列车预测速度
Figure BDA0002465057310000154
为给定速度
Figure BDA0002465057310000155
根据
Figure BDA0002465057310000156
计算k时刻列车的控制力uk，其中，K＝CAp，
Figure BDA0002465057310000157
控制模块906，用于在k时刻到k+p时刻，基于所述控制力uk，向所述列车施加控制力。
作为一个可选的实施方式，所述系统还包括：
高速列车系统模型获取模块，用于获取高速列车的系统模型
Figure BDA0002465057310000158
其中，xk+1、xk分别为k+1、k时刻的状态向量，uk为k时刻列车的控制力，yk为k时刻列车的速度，A、B、C、D分别为高速列车的第一系统矩阵、第二系统矩阵、第三系统矩阵和第四系统矩阵，γk,ωk分别为k时刻的第一噪声向量和第二噪声向量；
速度预测模型确定模块，用于根据所述高速列车的系统模型确定所述高速列车的速度预测模型。
作为一个可选的实施方式，所述系统还包括：
高速列车系统模型构建模块，用于构建高速列车的系统模型
Figure BDA0002465057310000159
其中，αk为过程噪声，βk为输出噪声；
实际参数数据获取模块，用于获取高速列车运行过程中的真实数据参数uk,yk；
系统矩阵求解模块，用于基于所述高速列车的系统模型以及所述真实数据参数，求解所述系统模型中的第一系统矩阵A、第二系统矩阵B、第三系统矩阵C和第四系统矩阵D。
在另一可选的实施方式中，所述系统还包括：
高速列车系统模型构建模块，用于构建高速列车的系统模型
Figure BDA0002465057310000161
其中，ek为可测量噪声，K0为卡尔曼滤波增益矩阵；
实际参数数据获取模块，用于获取高速列车运行过程中的真实数据参数uk,yk；
系统矩阵求解模块，用于基于所述高速列车的系统模型以及所述真实数据参数，求解所述系统模型中的第一系统矩阵A、第二系统矩阵B、第三系统矩阵C、第四系统矩阵D以及卡尔曼滤波增益矩阵K0。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于预报误差法的高速列车状态反馈预测控制方法，其特征在于：包括：
获取高速列车的速度预测模型
Figure FDA0002465057300000011
其中，A、B、C分别为高速列车的第一系统矩阵、第二系统矩阵、第三系统矩阵，
Figure FDA0002465057300000012
为k+p时刻列车的预测速度，p为预测时域，xk为k时刻列车的状态向量，uk+p-i为k+p-i时刻列车的控制力；其中，所述状态向量为与列车相关参数有关的状态矩阵；
根据所述速度预测模型预测k时刻以及k+p时刻列车的预测速度
Figure FDA00024650573000000112
和
Figure FDA0002465057300000013
获取k时刻列车的实际速度输出值yk；
根据k时刻列车的预测速度
Figure FDA0002465057300000014
以及k时刻列车的实际速度输出值yk确定k时刻的速度预测误差；
根据k时刻的速度预测误差，对k+p时刻列车的预测速度
Figure FDA0002465057300000015
进行修正，得到修正后的列车预测速度
Figure FDA0002465057300000016
以修正后的列车预测速度
Figure FDA0002465057300000017
为给定速度
Figure FDA0002465057300000018
根据
Figure FDA0002465057300000019
计算k时刻列车的控制力uk，其中，K＝CAp，
Figure FDA00024650573000000110
在k时刻到k+p时刻，基于所述控制力uk，向所述列车施加控制力。
2.根据权利要求1所述的基于预报误差法的高速列车状态反馈预测控制方法，其特征在于：在所述获取高速列车的速度预测模型之前，还包括：
获取高速列车的系统模型
Figure FDA00024650573000000111
其中，xk+1、xk分别为k+1、k时刻的状态向量，uk为k时刻列车的控制力，yk为k时刻列车的速度，A、B、C、D分别为高速列车的第一系统矩阵、第二系统矩阵、第三系统矩阵和第四系统矩阵，γk,ωk分别为k时刻的第一噪声向量和第二噪声向量；
根据所述高速列车的系统模型确定所述高速列车的速度预测模型。
3.根据权利要求2所述的基于预报误差法的高速列车状态反馈预测控制方法，其特征在于：在所述获取高速列车的系统模型之前，还包括：
构建高速列车的系统模型
Figure FDA0002465057300000021
其中，αk为过程噪声，βk为输出噪声；
获取高速列车运行过程中的真实数据参数uk,yk；
基于所述高速列车的系统模型以及所述真实数据参数，求解所述系统模型中的第一系统矩阵A、第二系统矩阵B、第三系统矩阵C和第四系统矩阵D。
4.根据权利要求2所述的基于预报误差法的高速列车状态反馈预测控制方法，其特征在于：在所述获取高速列车的系统模型之后，以及在所述根据所述高速列车的系统模型确定所述高速列车的速度预测模型之前，还包括：
构建高速列车的系统模型
Figure FDA0002465057300000022
其中，ek为可测量噪声，K0为卡尔曼滤波增益矩阵；
获取高速列车运行过程中的真实数据参数uk,yk；
基于所述高速列车的系统模型以及所述真实数据参数，求解所述系统模型中的第一系统矩阵A、第二系统矩阵B、第三系统矩阵C、第四系统矩阵D以及卡尔曼滤波增益矩阵K0。
5.一种基于预报误差法的高速列车状态反馈预测控制系统，其特征在于：包括：
速度预测模型获取模块，用于获取高速列车的速度预测模型
Figure FDA0002465057300000023
其中，A、B、C分别为高速列车的第一系统矩阵、第二系统矩阵、第三系统矩阵，
Figure FDA0002465057300000024
为k+p时刻列车的预测速度，p为预测时域，xk为k时刻列车的状态向量，uk+p-i为k+p-i时刻列车的控制力；其中，所述状态向量为与列车相关参数有关的状态矩阵；
速度预测模块，用于根据所述速度预测模型预测k时刻以及k+p时刻列车的预测速度
Figure FDA0002465057300000031
和
Figure FDA0002465057300000032
实际速度获取模块，用于获取k时刻列车的实际速度输出值yk；
预测速度修正模块，用于根据k时刻列车的预测速度
Figure FDA0002465057300000033
以及k时刻列车的实际速度输出值yk确定k时刻的速度预测误差；并根据k时刻的速度预测误差，对k+p时刻列车的预测速度
Figure FDA0002465057300000034
进行修正，得到修正后的列车预测速度
Figure FDA0002465057300000035
控制力确定模块，用于以修正后的列车预测速度
Figure FDA0002465057300000036
为给定速度
Figure FDA0002465057300000037
根据
Figure FDA0002465057300000038
计算k时刻列车的控制力uk，其中，K＝CAp，
Figure FDA0002465057300000039
控制模块，用于在k时刻到k+p时刻，基于所述控制力uk，向所述列车施加控制力。
6.根据权利要求5所述的基于预报误差法的高速列车状态反馈预测控制系统，其特征在于：所述系统还包括：
高速列车系统模型获取模块，用于获取高速列车的系统模型
Figure FDA00024650573000000310
其中，xk+1、xk分别为k+1、k时刻的状态向量，uk为k时刻列车的控制力，yk为k时刻列车的速度，A、B、C、D分别为高速列车的第一系统矩阵、第二系统矩阵、第三系统矩阵和第四系统矩阵，γk,ωk分别为k时刻的第一噪声向量和第二噪声向量；
速度预测模型确定模块，用于根据所述高速列车的系统模型确定所述高速列车的速度预测模型。
7.根据权利要求6所述的基于预报误差法的高速列车状态反馈预测控制系统，其特征在于：所述系统还包括：
高速列车系统模型构建模块，用于构建高速列车的系统模型
Figure FDA00024650573000000311
其中，αk为过程噪声，βk为输出噪声；
实际参数数据获取模块，用于获取高速列车运行过程中的真实数据参数uk,yk；
系统矩阵求解模块，用于基于所述高速列车的系统模型以及所述真实数据参数，求解所述系统模型中的第一系统矩阵A、第二系统矩阵B、第三系统矩阵C和第四系统矩阵D。
8.根据权利要求6所述的基于预报误差法的高速列车状态反馈预测控制系统，其特征在于：所述系统还包括：
高速列车系统模型构建模块，用于构建高速列车的系统模型
Figure FDA0002465057300000041
其中，ek为可测量噪声，K0为卡尔曼滤波增益矩阵；
实际参数数据获取模块，用于获取高速列车运行过程中的真实数据参数uk,yk；
系统矩阵求解模块，用于基于所述高速列车的系统模型以及所述真实数据参数，求解所述系统模型中的第一系统矩阵A、第二系统矩阵B、第三系统矩阵C、第四系统矩阵D以及卡尔曼滤波增益矩阵K0。
CN202010331363.9A 2020-04-24 2020-04-24 基于预报误差法的高速列车状态反馈预测控制方法及系统 Active CN111443718B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010331363.9A CN111443718B (zh) 2020-04-24 2020-04-24 基于预报误差法的高速列车状态反馈预测控制方法及系统
US17/153,478 US12030541B2 (en) 2020-04-24 2021-01-20 Method and system for state feedback predictive control of high-speed train based on forecast error

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010331363.9A CN111443718B (zh) 2020-04-24 2020-04-24 基于预报误差法的高速列车状态反馈预测控制方法及系统

Publications (2)

Publication Number Publication Date
CN111443718A CN111443718A (zh) 2020-07-24
CN111443718B true CN111443718B (zh) 2022-07-26

Family

ID=71650386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010331363.9A Active CN111443718B (zh) 2020-04-24 2020-04-24 基于预报误差法的高速列车状态反馈预测控制方法及系统

Country Status (1)

Country Link
CN (1) CN111443718B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113791611B (zh) * 2021-08-16 2024-03-05 北京航空航天大学 一种车辆在干扰下的实时跟踪迭代学习控制系统及方法
CN114326646B (zh) * 2022-01-10 2022-08-12 北京交通大学 一种高速列车有限时间自适应协调控制方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103019267B (zh) * 2012-12-10 2016-06-22 华东交通大学 高速列车anfis建模与运行速度预测控制方法
CN103246200B (zh) * 2013-04-17 2016-01-13 华东交通大学 一种基于分布式模型的动车组同步跟踪控制方法
CN108873691A (zh) * 2017-11-13 2018-11-23 华东交通大学 高速列车广义预测调优控制方法

Also Published As

Publication number Publication date
US20210331727A1 (en) 2021-10-28
CN111443718A (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
CN111985093B (zh) 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法
CN108155648B (zh) 基于自适应h无穷扩展卡尔曼滤波的状态估计方法
CN111618864B (zh) 基于自适应神经网络的机器人模型预测控制方法
CN111443718B (zh) 基于预报误差法的高速列车状态反馈预测控制方法及系统
Yan et al. Quantized super-twisting algorithm based sliding mode control
CN111581832A (zh) 一种基于ARMA模型修正的改进灰色Elman神经网络气垫船运动预报方法
Han et al. Self-organizing radial basis function neural network using accelerated second-order learning algorithm
CN112115419A (zh) 系统状态估计方法、系统状态估计装置
CN113341726A (zh) 一种多质点车辆队列行驶系统的迭代学习控制方法
CN106383443B (zh) 抗干扰控制方法及系统
CN111913175A (zh) 一种传感器短暂失效下带补偿机制的水面目标跟踪方法
CN114970341B (zh) 基于机器学习的低轨卫星轨道预报精度提升模型建立方法
CN112486024A (zh) 一种基于多质点模型的高速列车自适应控制方法及系统
CN115981162A (zh) 一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法
CN114329347B (zh) 一种电能表计量误差预测方法、装置及存储介质
CN109062040A (zh) 基于系统嵌套优化的预测pid方法
CN114567288B (zh) 基于变分贝叶斯的分布协同非线性系统状态估计方法
CN108759846B (zh) 自适应扩展卡尔曼滤波噪声模型建立方法
Ling et al. ANFIS modeling and Direct ANFIS Inverse control of an Electro-Hydraulic Actuator system
CN105677936B (zh) 机电复合传动系统需求转矩的自适应递归多步预测方法
Zulfi et al. The development rainfall forecasting using Kalman filter
US12030541B2 (en) Method and system for state feedback predictive control of high-speed train based on forecast error
RADBAKHSH et al. Physics-informed neural network for analyzing elastic beam behavior
Seung et al. Experiments on state and unmeasured-parameter estimation of two degree-of-freedom system for precise control based on JAUKF
CN113485273B (zh) 一种动态系统时延计算方法及系统

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