CN112249043A - 一种列车动力分配方法及装置 - Google Patents

Abstract

本发明涉及一种列车动力分配方法及装置，以及一种计算机可读存储介质。该方法包括：根据所述列车的行驶规划曲线、行驶线路信息及各所述动车的车辆状态，以最小纵向冲击为目标，将列车总动力分配到各所述动车；根据各所述动车的多个动力单元的状态，以最佳变流器系统状态为目标，将分配到本动车的给定动力进一步分配到本动车的各所述动力单元；以及根据各所述动力单元的轮轨粘着状态，最大化地执行分配到本动力单元的给定动力。本发明能够根据列车各编组的动力学状态对各编组车辆的动力分配进行异步协同优化，从而实现列车的最大牵引发挥、最小纵向冲击、最佳变流器系统状态等多目标的牵引优化控制。

Description

一种列车动力分配方法及装置

技术领域

本发明涉及轮轨式列车的动力分配技术，尤其涉及一种列车动力分配方法，以及一种列车动力分配装置。

背景技术

牵引力与电制动力控制是列车控制的核心功能之一，其控制性能直接影响着列车运行的安全性和可靠性。受限于传统的人工驾驶方式，目前多动力单元列车的动力分配通常采用同步均分的方式，即司机通过控制手柄给定列车总需求动力，再由列车控制系统按照平均分配的方式将列车总需求动力下发为每个动力单元的给定力矩。

然而，列车动力发挥受制于轮轨间物理粘着系数。随着列车牵引吨位、编组长度的不断加大，列车的动力分布也更多地呈现为分散式，而且前序动力单元的轮对自清扫作用会改善后续动力单元的轨面状态。因此，各动力单元所处的轮轨粘着条件会呈现出较大的差异性。在这种条件下，现有的同步均分式动力给定模式不仅会增加粘着条件较差机车的空转频率、降低其牵引发挥平稳性，还会限制粘着条件较好的机车牵引发挥效率。

此外，大编组列车在连续弯道或坡道运行时，列车编组呈多变起伏曲线分布，处于不同坡道、弯道上的动力单元实际所需动力各不相同。例如：为了使列车纵向冲击相对最小(即使各车辆之间的车钩力最小)，可能需要向处于上坡道的动力单元提供牵引力，而向处于下坡道的动力单元提供电制动力。随着列车编组长度与运行速度的不断提升，列车动力分配对列车动力学状态的影响越来越大。在一些极端工况下，采用的动力同步均分方式会导致动力协同不佳，从而引起车钩力剧增，甚至导致车钩断裂的严重事故。

为了克服现有技术的上述缺陷，本领域亟需一种列车动力的分配技术，用于根据列车各编组的动力学状态对各编组车辆的动力分配进行异步协同优化，从而实现列车的最大牵引发挥、最小纵向冲击、最佳变流器系统状态等多目标的牵引优化控制。

发明内容

以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之前序。

为了克服现有技术的上述缺陷，本发明提供了一种列车动力分配方法、一种列车动力分配装置，以及一种计算机可读存储介质，用于根据列车各编组的动力学状态对各编组车辆的动力分配进行异步协同优化，从而实现列车的最大牵引发挥、最小纵向冲击、最佳变流器系统状态等多目标的牵引优化控制。

在本发明提供的上述列车动力分配方法中，所述列车包括多节车辆。所述多节车辆分为动车和拖车。所述列车动力分配方法包括：根据所述列车的行驶规划曲线、行驶线路信息及各所述动车的车辆状态，以最小纵向冲击为目标，将列车总动力分配到各所述动车；根据各所述动车的多个动力单元的状态，以最佳变流器系统状态为目标，将分配到本动车的给定动力进一步分配到本动车的各所述动力单元；以及根据各所述动力单元的轮轨粘着状态，最大化地执行分配到本动力单元的给定动力。

优选地，在本发明的一些实施例中，所述行驶规划曲线可以包括规划速度曲线及规划动力曲线，用于指示所述列车在行驶线路的各时刻的列车速度及列车总动力。所述行驶线路信息可以包括所述列车在当前时刻的坡道坡度及曲线半径。各所述动车的车辆状态可以包括各所述动车反馈的动车最大允许动力。将所述列车总动力分配到各所述动车的步骤可以包括：以列车总动力分配方案为求解对象，根据所述行驶规划曲线、所述行驶线路信息及各所述动车的车辆状态，对所述列车的纵向冲击进行量化建模，其中，所述列车总动力分配方案指示分配到各所述动车的动力；以及对构建的纵向冲击量化模型进行最优化求解，以获取最小纵向冲击对应的列车总动力分配方案。

优选地，在本发明的一些实施例中，对所述列车的纵向冲击进行量化建模的步骤可以包括：根据所述行驶规划曲线、所述行驶线路信息及各所述动车的车辆状态，计算各所述车辆之间的车钩力及车钩力冲量；以及根据各所述车辆之间的最大车钩力及最大车钩力冲量量化所述列车的纵向冲击，以构建所述纵向冲击量化模型。

可选地，在本发明的一些实施例中，对所述纵向冲击量化模型进行最优化求解的步骤可以包括：采用控制变量参数化方法或群体智能算法，在各所述动车的单周期动力最大允许变化量的范围内，对所述列车总动力分配方案进行最优化求解，其中，所述动车的单周期动力最大允许变化量由所述动车的车辆速度和/或变流器系统状态决定。

可选地，在本发明的一些实施例中，所述列车动力分配方法还可以包括：先根据列车的动力单周期最大允许变化量，对所述规划动力曲线的各时刻的列车总动力进行限幅滤波处理，其中，所述列车的动力单周期最大允许变化量由列车速度、列车网压和/或行驶线路条件决定；以及再根据所述限幅滤波处理后的规划动力曲线，对所述列车的纵向冲击进行量化建模。

优选地，在本发明的一些实施例中，所述列车动力分配方法还可以包括：根据各所述动车的动车最大允许动力计算对应时刻的列车最大允许动力；响应于所述列车最大允许动力小于所述限幅滤波处理后的规划动力曲线的对应时刻的列车总动力，将由各所述动车的动车最大允许动力构成的列车动力分配方案代入所述纵向冲击量化模型，以计算对应的列车冲击量化值；响应于所述列车冲击量化值小于量化门槛值，根据各所述动车的动车最大允许动力分配所述列车总动力，其中，所述量化门槛值是根据列车运行安全评估得到的最大允许纵向冲击量化值决定；以及响应于所述列车冲击量化值大于或等于所述量化门槛值，逐步减小所述对应时刻的列车总动力，直到所述列车冲击量化值小于所述量化门槛值。

可选地，在本发明的一些实施例中，所述动车的车辆状态可以包括本动车的各所述动力单元反馈的轮轨粘着状态系数、单元最大允许动力、电机综合转速和/或电机综合温度。将分配到本动车的给定动力进一步分配到本动车的各所述动力单元的步骤可以包括：响应于本动车的动车最大允许动力大于或等于分配到本动车的给定动力，以动车动力分配方案为求解对象，根据本动车的所述车辆状态对变流器系统状态进行量化建模，其中，所述动车动力分配方案指示分配到本动车的各所述动力单元的动力，所述动车最大允许动力是根据各所述动力单元的单元最大允许动力计算；以及在本动车的各所述动力单元的单周期动力最大允许变化量的范围内，对构建的系统状态量化模型进行最优化求解，以获取最佳变流器系统状态对应的动车动力分配方案，其中，所述动力单元的单周期动力最大允许变化量由所述动车的车辆速度和/或变流器系统状态决定。

优选地，在本发明的一些实施例中，将分配到本动车的给定动力进一步分配到本动车的各所述动力单元的步骤还可以包括：响应于本动车的动车最大允许动力小于分配到本动车的给定动力，以动车动力分配方案为求解对象，根据本动车的动力发挥目标函数及变流器状态目标函数，对本动车的动力发挥及变流器系统状态进行综合的量化建模，其中，所述动力发挥目标函数指示分配到本动车的各所述动力单元的动力之和，所述变流器状态目标函数指示变流器系统状态的量化值；在本动车的各所述动力单元的单周期动力最大允许变化量的范围内，对构建的综合量化模型进行最优化求解，以获取最优综合情况对应的最优集前沿面；以及根据最低牵引力限制准则、最低变流器状态限制准则及牵引力发挥与变流器状态优先级，从所述最优集前沿面的多个动车动力分配方案中选取对应的最优解。

可选地，在本发明的一些实施例中，将分配到本动车的给定动力进一步分配到本动车的各所述动力单元的步骤还可以包括：响应于分配到本动车的给定动力小于动力门槛值，将分配到本动车的给定动力集中分配到本动车的部分动力单元，其中，所述动力门槛值是根据本动车的各所述动力单元的能量效率决定。

可选地，在本发明的一些实施例中，最大化地执行分配到本动力单元的给定动力的步骤可以包括：根据轮对的蠕滑速度及轮对加速度指标，计算本动力单元的轮轨粘着状态系数；响应于所述轮轨粘着状态系数指示所述轮对无空转滑行趋势，将分配到本动力单元的给定动力作为粘着给定力下发到逆变控制器；响应于所述轮轨粘着状态系数指示所述轮对有空转滑行趋势或已发生空转滑行，根据所述动力单元的有效轮径、轮对转动惯量、轮对速度及电机实际发挥力计算轮对粘着力，并将所述轮对粘着力作为粘着给定力下发到所述逆变控制器；以及以所述逆变控制器控制本动力单元的牵引电机执行所述粘着给定力。

优选地，在本发明的一些实施例中，所述列车动力分配方法还可以包括：将本动力单元的所述轮轨粘着状态系数反馈到对应动车的车辆级控制器，以用于组成所述对应动车的车辆状态；响应于所述轮轨粘着状态系数指示所述轮对无空转滑行趋势，根据本动力单元轴端当前转速下的最大允许动力、前一时刻的给定动力及所述轮轨粘着状态系数计算当前时刻的轮对粘着力，并将所述当前时刻的轮对粘着力反馈到所述车辆级控制器，以用于组成所述对应动车的车辆状态；以及响应于所述轮轨粘着状态系数指示所述轮对有空转滑行趋势或已发生空转滑行，选取一个完整空转滑行控制周期内所述轮对粘着力的最大值反馈到所述车辆级控制器，以用于组成所述对应动车的车辆状态。

可选地，在本发明的一些实施例中，最大化地执行分配到本动力单元的给定动力的步骤还可以包括：采集本动力单元的牵引电机的温度、电流、电压及转速，以判定本动力单元的牵引逆变状态；响应于所述牵引逆变状态良好，控制所述牵引电机执行所述粘着给定力；以及响应于所述牵引逆变状态不佳，根据所述牵引逆变状态对所述牵引电机的功率进行限制并计算对应的限功动力，对所述粘着给定力与所述限功动力进行比较，以控制牵引电机执行其中的较小值。

优选地，在本发明的一些实施例中，所述动力单元可以包括至少一根控制轴。每根控制轴对应至少一台牵引电机。所述动力分配方法还可以包括：对各所述牵引电机的转速取平均值以作为所述动力单元的电机综合转速，将所述电机综合转速反馈到对应动车的车辆级控制器，以用于组成所述对应动车的车辆状态；对各所述牵引电机的温度取平均值以作为所述动力单元的电机综合温度，将所述电机综合温度反馈到所述车辆级控制器，以用于组成所述对应动车的车辆状态；以及将所述粘着给定力与所述限功动力中的较小值作为所述动力单元的单元最大允许动力，并将所述单元最大允许动力反馈到所述车辆级控制器，以用于组成所述对应动车的车辆状态。

可选地，在本发明的一些实施例中，所述列车动力分配方法还可以包括：从所述列车的自动驾驶系统获取所述行驶规划曲线；从列车运行监控记录装置获取所述行驶线路信息；以及从各所述动车的车辆级控制器获取各所述动车的车辆状态，其中，各所述车辆状态分别由对应动车的多个动力单元反馈到所述车辆级控制器的单元状态组合而成。

根据本发明的另一方面，本文还提供了一种列车动力分配装置。

在本发明提供的上述列车动力分配装置中，所述列车包括多节车辆。所述多节车辆分为动车和拖车。所述列车动力分配装置包括存储器及处理器。所述处理器连接所述存储器，并配置用于实施上述任意一个实施例所提供的列车动力分配方法。

根据本发明的另一方面，本文还提供了一种计算机可读存储介质。

本发明提供的上述计算机可读存储介质，其上存储有计算机指令。所述计算机指令被处理器执行时，可以实施上述任意一个实施例所提供的列车动力分配方法。

附图说明

在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。

图1示出了根据本发明的一些实施例提供的列车动力分配方法的流程示意图。

图2示出了根据本发明的一些实施例提供的列车纵向受力的示意图。

图3示出了根据本发明的一些实施例提供的最优集前沿面的示意图。

图4示出了根据本发明的一些实施例提供的最佳粘着点的示意图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合优选实施例一起介绍，但这并不代表此发明的特征仅限于该实施方式。恰恰相反，结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解，以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外，为了避免混乱或模糊本发明的重点，有些具体细节将在描述中被省略。

如上所述，现有的同步均分式动力给定模式不仅会增加粘着条件较差机车的空转频率、降低其牵引发挥平稳性，还会限制粘着条件较好的机车牵引发挥效率。为了克服现有技术的上述缺陷，本发明提供了一种列车动力分配方法、一种列车动力分配装置，以及一种计算机可读存储介质。本发明能够基于列车各动力单元的动力学状态、轮轨状态及变流器状态等综合约束，进行列车动力(此处动力含牵引力、电制动力，后文均采用动力表称牵引力、电制动力)的异步协同优化，从而实现自动驾驶列车的最大牵引发挥、最小纵向冲击、最佳变流器系统状态等多目标牵引优化控制。

在一些非限制性的实施例中，上述列车动力分配方法可以由一种列车动力分配装置来自动实施。具体来说，该列车动力分配装置可以包括存储器及处理器。该存储器可以包括计算机可读存储介质，其上存储有计算机指令。该处理器可以连接该存储器，并配置用于执行该存储器上存储的计算机指令以实施上述列车动力分配方法。

以下将结合一些利用上述列车动力分配装置实施上述列车动力分配方法的实施例来描述本发明的主要发明构思。本领域的技术人员可以理解，这些列车动力分配方法的实施方式只是一些非限制性的实施例，旨在清楚地展示本发明的主要发明构思，并提供一些便于公众实施的具体方案，而非用于限制本发明的保护范围。

请参考图1，图1示出了根据本发明的一些实施例提供的列车动力分配方法的流程示意图。

如图1所示，本发明提供的上述列车动力分配方法可以包括步骤：根据列车的行驶规划曲线、行驶线路信息及各动车的车辆状态，执行列车级动力协同控制。

在本发明的一些实施例中，上述列车级动力协同控制可以由列车级动力协同控制器实施。该列车级动力协同控制器可以由列车动力分配装置的处理器实现，与列车的自动驾驶系统主机同处于列车的第一控制层次，主要用于根据自动驾驶系统输入的规划曲线、列车运行监控记录装置(LKJ)输入的线路信息及各动车反馈的车辆状态，预测列车的纵向动力学状态，从而以最小纵向冲击为目标，将列车总动力最优化的分配到各动车。

具体来说，列车级动力协同控制器可以首先从列车的自动驾驶系统获取其规划的行驶规划曲线，从列车运行监控记录装置(LKJ)获取当前时刻的行驶线路信息，并从各动车的车辆级控制器获取各动车的车辆状态，以作为列车级动力协同控制的输入信息。在一些实施例中，行驶规划曲线可以包括规划速度曲线V_train＝{v_train(t)v_train(t+1)…v_train(t+n)}及规划动力曲线F_train＝{F_train(t)F_train(t+1)…F_train(t+n)}。该规划速度曲线V_train可以包括多个元素，每个元素指示列车在行驶线路的对应时刻的列车速度。该规划动力曲线F_train可以包括多个元素，每个元素指示列车在行驶线路的对应时刻的列车总动力。在一些实施例中，行驶线路信息可以包括列车在当前时刻的坡道坡度i、坡道长度l_i、曲线半径R及曲线长度l_r。在一些实施例中，各动车的车辆状态可以包括各动车的车辆级控制器反馈的动车最大允许动力F_limit＝{F_{M1_limit}…F_{Mn_limit}…F_{Mlast_limit}}。该动车最大允许动力F_limit包括多个元素，每个元素指示一节动车的动车最大允许动力(例如：F_{M1_limit})。该一节动车的动车最大允许动力F_{M1_limit}，可以通过对动车M1的多个动力单元反馈到其车辆级控制器的多个单元最大允许动力F_{uj_limit}之和来计算。

之后，列车级动力协同控制器可以根据上述输入信息执行列车级动力协同控制，将列车总动力异步协同地分配到列车的各动车，以解决现有机车动力同步分布方法在大编组、复杂曲线等恶劣工况下易造成动力发挥受限的问题。

在一些优选的实施例中，为防止列车的纵向冲击及电网冲击过大，列车级动力协同控制器可以首先对接收的规划动力曲线F_train进行限幅滤波处理：

式中：

为滤波处理后t时刻的列车规划动力；f_dec为列车动力单周期最大允许下降量，由系统控制列车性能决定，可为固定值亦可为与列车速度、列车网压、线路条件等实时状态有关的函数输出值；f_ris为列车动力单周期最大允许上升量，由系统控制列车性能决定，可为固定值亦可为与列车速度、列车网压、线路条件等实时状态有关的函数输出值。通过设置f_dec和f_ris来限制整车的牵引力变化及牵引逆变单元的功率变化，可以有效地降低每个控制周期之间的牵引力变化量及牵引功率变化量，从而起到降低列车的纵向冲击及电网冲击的效果。

请参考图2，图2示出了根据本发明的一些实施例提供的列车纵向受力的示意图。

如图2所示，在本发明的一些实施例中，列车可以包括多节车辆，分为动车和拖车。M为动车标识，T为拖车标识，动车和拖车可以采用连续编号形式进行编号(即M1、T2……Tn-1、Mn、Tn+1……)。

在一些实施例中，列车级动力协同控制器可以将列车总动力分配方案F_set＝{F_{M1_set}…F_{Mn_set}…F_{Mlast_set}}作为求解对象，根据限幅滤波处理后的规划动力曲线

规划速度曲线V_train、列车在当前时刻的坡道坡度i、坡道长度l_i、曲线半径R、曲线长度l_r及各动车的动车最大允许动力F_limit，对列车的纵向冲击进行量化建模：

在上述公式(2)指示的纵向冲击量化模型中，

为各车辆之间的最大车钩力；

为各车辆之间的最大车钩力冲量；K_P,K_I分别是最大车钩力与最大车钩力冲量的可调增益。

指示列车纵向冲击的量化值，量化值越小，列车的纵向冲击也越小。函数min J[F_set(t)]用于计算能够使

取得最小值的列车总动力分配方案F_set。该列车总动力分配方案F_set包括多个元素，每个元素指示分配到一节动车的动力。

进一步地，Mk,Tk中得M为动车标识；T为拖车标识；k为车辆编号；Mlast为动车的最大编号。

为车钩的钩缓模型，其输入量为车钩力的历史序列，而其输出量为车钩增量的预测值。f_k(t)＝f_i+f_r+M_k(a_k+b_kv+c_kv²)为车辆阻力，其中，f_i＝M_ki_k为坡道阻力；f_r＝M_k(600/R_k)为曲线阻力；i_k为k车所处线路的坡道坡度；R_k为k车所处线路曲线半径。在一些实施例中，i_k和R_k可以根据列车在当前时刻的坡道坡度i、坡道长度l_i、曲线半径R、曲线长度l_r及每节车辆的长度计算获得。M_k(a+bv+cv²)为k车的运行阻力，其中，M_k为k车质量；动力车辆的阻力系数(a_M,b_M,c_M)由离线辨识得到；拖车采用平均拖车阻力系数(a_T,b_T,c_T)由递推最小二乘法在线辨识得到。a_Mk(t)为动力车辆在t时刻的瞬时加速度，通过轮轴速度传感器信号经数值处理得到。a_Tk(t)为拖车参考加速度。在一些实施例中，a_Tk(t)可以通过拖车的速度传感器信号经数值处理得到。可选地，在另一些实施例中，a_Tk(t)可以采用列车参考加速度，由列车参考速度经数值微分处理得到。

在一些实施例中，拖车的平均拖车阻力系数(a_T,b_T,c_T)可以根据如下稳态模型，通过递推最小二乘法在线参数辨识得到：

式中：M_Tall为总拖车质量，即列车的牵引载荷。在使用递推最小二乘在线参数辨识时，可以选取：

θ＝[a_T,b_T,c_T] (5)

式中：θ为递推最小二乘在线参数辨识的辨识参数；Φ为列车的当前状态量。

本领域的技术人员可以理解，上述基于最大车钩力

及最大车钩力冲量

来构建纵向冲击量化模型的方案，只是本发明提供的一种非限制性的案例，旨在清楚地展示本发明的主要构思，并提供一种便于公众实施的具体方案，而非用于限制本发明的保护范围。可选地，在另一些实施例中，本领域的技术人员也可以基于本发明的构思，采用速度、加速度以及加速度微分等指标来替代上述最大车钩力

及最大车钩力冲量

以构建对应的纵向冲击量化模型，从而同样达到量化列车纵向冲击的效果。

在建立纵向冲击量化模型之后，列车级动力协同控制器可以采用控制变量参数化方法(Control Variable Parameterization，CVP)或群体智能算法(例如：PSO粒子群算法、TLBO教与学算法)，在列车总动力分配方案F_set的可行解域中对构建的纵向冲击量化模型进行最优化求解，以获取最小纵向冲击对应的列车总动力分配方案F_set。列车总动力分配方案F_set的可行解域为F_{k_set}(t)≤F_{k_limit}(t)&F_{k_set}(t-1)-f_{vk_dec}≤F_{k_set}(t)≤F_{k_set}(t-1)+f_{vk_ris}，其中，k为动力车辆编号；f_{vk_dec}为动力车辆k的单周期动力最大允许下降量，由车辆牵引变流性能和列车冲击率限制决定，可为固定值亦可为与车辆速度、变流器状态等实时状态有关的函数输出值；f_{vk_ris}为动力车辆k的单周期动力最大允许上升量，由车辆牵引变流性能和列车冲击率限制决定，可为固定值亦可为与车辆速度、变流器状态等实时状态有关的函数输出值。

本领域的技术人员可以理解，上述控制变量参数化方法及群体智能算法只是本发明提供的一种非限制性的案例，旨在清楚地展示本发明的主要构思，并提供一种便于公众实施的具体方案，而非用于限制本发明的保护范围。可选地，在另一些实施例中，本领域的技术人员也可以基于本发明的构思，采用神经网络、深度学习等其他算法对纵向冲击量化模型进行最优化求解，以同样计算获得最小纵向冲击对应的列车总动力分配方案F_set。

优选地，在本发明的一些实施例中，列车级动力协同控制器可以进一步根据各动车的动车最大允许动力计算对应时刻的列车最大允许动力，并将该列车最大允许动力与限幅滤波处理后的规划动力曲线的对应时刻的列车总动力

进行对比，以判断两者的大小。若

则列车级动力协同控制器可以判断自动驾驶系统给定的列车总动力

未超过列车最大允许动力的限制，上述列车总动力分配方案F_set可以实现。

反之，若

则列车级动力协同控制器可以判断自动驾驶系统给定的列车总动力

超过列车最大允许动力的限制，上述列车总动力分配方案F_set无法实现。此时，列车级动力协同控制器需要将由各动车的动车最大允许动力构成的列车动力分配方案F_limit代入上述纵向冲击量化模型，以计算对应的列车冲击量化值J[F_limit(t)]。之后，列车级动力协同控制器可以根据该列车冲击量化值J[F_limit(t)]与预设的量化门槛值J_limit的大小。该量化门槛值J_limit可以根据列车运行安全评估得到的最大允许纵向冲击量化值决定，主要用于保障列车的安全运行。若J[F_limit(t)]<J_limit，则说明列车动力分配方案F_limit符合列车运行安全评估的要求，列车级动力协同控制器可以根据各动车的动车最大允许动力F_limit分配列车总动力。

反之，若J[F_limit(t)]≥J_limit，则说明列车动力分配方案F_limit不符合列车运行安全评估的要求。列车级动力协同控制器需要按预设的固定增量为步长逐步减少

直到

此时，列车级动力协同控制器可以求得可行解，使得列车冲击量化值小于量化门槛值，即J[F_limit(t)]<J_limit。在一些实施例中，列车级动力协同控制器可以将减少后的

反馈至列车的自动驾驶系统，从而由自动驾驶系统将根据反馈的

实时修正动力设定曲线

如图1所示，本发明提供的上述列车动力分配方法还可以包括步骤：根据各动车的多个动力单元的状态，执行车辆级动力分配控制。

在本发明的一些实施例中，上述车辆级动力分配控制可以由车辆级动力分配控制器实施。该车辆级动力分配控制器可以由列车动力分配装置的处理器实现，配置于各动车的车辆网络或逻辑控制层次(即第二控制层次)。该车辆级动力分配控制器主要用于根据各动力单元的轮轨粘着状态、各动力牵引变流系统的效率与温升，以及各动力单元健康状态，以最佳变流器系统状态为目标，将列车级动力协同层分配的给定动力最优化的分配到本动车各动力单元。

具体来说，车辆级动力分配控制器可以首先获取本动车的各动力单元反馈的动力单元状态，以组成本动车的车辆状态。在一些实施例中，动车的车辆状态可以包括本动车的各动力单元的轮轨粘着状态系数α＝[α_u1,...,α_uj,...,α_uN]、单元最大允许动力F_{u_limit}＝[F_{u1_limit},...,F_{uj_limit},...,F_{uN_limit}]、电机综合转速ω＝[ω_u1,...,ω_uj,...,ω_uN]和/或电机综合温度T＝[T_u1,...,T_uj,...,T_uN]。该轮轨粘着状态系数α包括多个元素，每个元素指示本动车的一个动力单元的轮轨粘着状态系数。该单元最大允许动力F_{u_limit}包括多个元素，每个元素指示本动车的一个动力单元的单元最大允许动力。该电机综合转速ω包括多个元素，每个元素指示本动车的一个动力单元的电机综合转速。该电机综合温度T包括多个元素，每个元素指示本动车的一个动力单元的电机综合温度。在一些实施例中，车辆级动力分配控制器可以对单元最大允许动力F_{u_limit}中的各元素求和，以计算本动车的动车最大允许动力F_{Mk_limit}，即：

式中：N为本动力车辆的动力单元个数，F_uj为动力单元j反馈的单元最大允许动力。

之后，车辆级动力分配控制器可以根据本动车的上述车辆状态，以及列车级动力协同层分配到本动车的给定动力F_{Mk_set}，制定本动车的动车动力分配方案F_{u_set}＝{F_{u1_set}…F_{uk_set}…F_{uN_set}}。该动车动力分配方案F_{u_set}包括多个元素，每个元素指示分配到本动车的一个动力单元的给定动力。

在一些实施例中，车辆级动力分配控制器可以根据给定动力F_{Mk_set}与动车最大允许动力F_{Mk_limit}的大小关系，选择合适的分配方案来进行车辆级动力分配控制。

具体来说，若本动车的动车最大允许动力大于或等于分配到本动车的给定动力(即F_{Mk_limit}≥F_{Mk_set})，车辆级动力分配控制器可以判断给定动力F_{Mk_set}并未超过动车最大允许动力F_{Mk_limit}的限制，本动力车辆可以完全发挥出列车级动力协同控制器下发的给定动力F_{Mk_set}。此时，车辆级动力分配控制器无需考虑动力的最大发挥，仅以变流器最佳状态为目标，根据本动车的车辆状态对变流器系统状态进行量化建模：

在上述公式(8)指示的系统状态量化模型中，η_tol为车辆总效率；K_eff为效率指标可调权重增益；ΔT_tol为系统总温升；K_T为温升指标可调权重增益；S_tol为系统噪声；K_SIL为系统噪声可调权重增益；β_adh为车辆粘着状态，指标越小表示越容易发生空转滑行；K_adh为车辆粘着状态可调权重增益。K_effη_tol+K_T/ΔT_tol+K_SIL/S_tol+K_adhβ_adh为变流器系统状态的量化值，量化值越大，变流器的系统状态就越好。函数max J[F_{u_set}(t)]用于计算能够使K_effη_tol+K_T/ΔT_tol+K_SIL/S_tol+K_adhβ_adh取得最大值的动车动力分配方案F_{u_set}。

进一步地，η_uj为动力单元j的预测效率；r_uj为动力单元j的有效轮径。Model_eff为动力单元效率预测模型，为机理模型或基于试验数据的经验模型。Model_Tep为动力单元的温升预测模型，为机理模型或基于试验数据的经验模型。Model_SIL为动力单元的噪声预测模型，为机理模型或基于试验数据的经验模型。

本领域的技术人员可以理解，上述基于轮轨粘着状态系数α、单元最大允许动力F_{u_limit}、电机综合转速ω和电机综合温度T来构建系统状态量化模型的方案，只是本发明提供的一种非限制性的案例，旨在清楚地展示本发明的主要构思，并提供一种便于公众实施的具体方案，而非用于限制本发明的保护范围。可选地，在另一些实施例中，本领域的技术人员也可以基于本发明的构思，采用变流器寿命指标、轮对磨耗指标等变流器状态指标来量化变流器的系统状态，以构建对应的系统状态量化模型。

在建立系统状态量化模型之后，车辆级动力分配控制器可以采用控制变量参数化方法(Control Variable Parameterization，CVP)或群体智能算法(例如：PSO粒子群算法、TLBO教与学算法)，在动车动力分配方案F_{u_set}的可行解域中对构建的系统状态量化模型进行最优化求解，以获取最佳变流器系统状态对应的动车动力分配方案F_{u_set}。动车动力分配方案F_{u_set}的可行解域为F_{uj_set}(t)≤F_{uj_limit}(t)&F_{uj_set}(t-1)-f_{uj_dec}≤F_{uj_set}(t)≤F_{uj_set}(t-1)+f_{uj_ris}，其中，f_{uj_dec}为动力单元j的单周期下降量限幅，由动力单元性能以及车辆冲击率限制决定，可为固定值亦可为与车辆速度、变流器状态等实时状态有关的函数输出值；f_{uj_ris}为动力单元j的单周期上升量限幅，由车辆牵引变流性能决定，可为固定值亦可为与车辆速度、变流器状态等实时状态有关的函数输出值。

可选地，在另一些实施例中，本领域的技术人员也可以基于本发明的构思，采用神经网络、深度学习等其他算法对上述系统状态量化模型进行最优化求解，以同样计算获得最佳变流器系统状态对应的动车动力分配方案F_{u_set}。

反之，若本动车的动车最大允许动力小于分配到本动车的给定动力(即F_{Mk_limit}＜F_{Mk_set})，车辆级动力分配控制器可以判断给定动力F_{Mk_set}超过动车最大允许动力F_{Mk_limit}的限制，本动车无法满足列车级动力协同控制器下发的给定动力F_{Mk_set}。此时，车辆级动力分配控制器需要同时考虑最大动力发挥与变流器最佳状态两个优化目标，根据本动车的动力发挥目标函数及变流器状态目标函数，对本动车的动力发挥及变流器系统状态进行综合的量化建模：

在上述公式(9)指示的综合量化模型中：f₁(t)为动力发挥目标函数，指示分配到本动车的各动力单元的给定动力之和。f₂(t)为变流器状态目标函数，指示变流器系统状态的量化值。[f₁(t),f₂(t)]指示动力发挥与变流器状态的综合量化值，量化值越大，综合状态就越佳。函数max f(t)用于计算能够使[f₁(t),f₂(t)]取得最大值的动车动力分配方案F_{u_set}。

在建立综合量化模型之后，车辆级动力分配控制器可以采用群体智能算法(例如：PSO粒子群算法、TLBO教与学算法)，在动车动力分配方案F_{u_set}的可行解域中对构建的系统状态量化模型进行最优化求解，以获取最佳综合状态对应的Pareto最优集前沿面。如上所述，动车动力分配方案F_{u_set}的可行解域为F_{uj_set}(t)≤F_{uj_limit}(t)&F_{uj_set}(t-1)-f_{uj_dec}≤F_{uj_set}(t)≤F_{uj_set}(t-1)+f_{uj_ris}。

请参考图3，图3示出了根据本发明的一些实施例提供的最优集前沿面的示意图。

如图3所示，最佳综合状态对应的Pareto最优集前沿面可以包括多个数据点。每个数据点可以指示最佳综合状态对应的一个动车动力分配方案F_{u_set}。车辆级动力分配控制器可以预设的根据最低牵引力限制准则、最低变流器状态限制准则及牵引力发挥与变流器状态优先级，进一步从Pareto最优集前沿面的多个动车动力分配方案中选取一个满足条件的最优解F_{u_set}，以实施车辆级动力分配控制。

可选地，在另一些实施例中，本领域的技术人员也可以基于本发明的构思，采用神经网络、深度学习等其他算法对上述综合量化模型进行最优化求解，以同样计算获得最佳综合状态对应的Pareto最优集前沿面，进而选取一个满足条件的最优解F_{u_set}，以实施上述车辆级动力分配控制。

在一些优选的实施例中，车辆级动力分配控制器可以进一步根据分配到本动车的给定动力F_{Mk_set}及预设的动力门槛值F_{Mk_th}，判断是否需要进行切轴控制以提高整车效率。具体来说，动力门槛值F_{Mk_th}可以由本动车的各动力单元的能量效率决定，用于指示能够使本动车的各动力单元高效运行的最低动力之和。若F_{Mk_set}<F_{Mk_th}，则说明分配到本动车的给定动力较小，车辆级动力分配控制器可以通过切轴控制，将给定动力F_{Mk_set}集中分配到少数动力单元的动力轴，以减少动车整体励磁功率消耗，从而提高整车效率。

如图1所示，本发明提供的上述列车动力分配方法还可以包括步骤：根据各动力单元的轮轨粘着状态，最大化地执行分配到本动力单元的给定动力。

在本发明的一些实施例中，动力单元的动力执行及观测可以由粘着利用控制模块和牵引逆变控制模块配合实施，主要用于最大化发挥当前动力单元的物理粘着，并根据轮对的加速度、蠕滑速度状态将各动力单元的轮轨状态及最大允许动力，实时反馈至车辆级动力分配控制器以作为其决策依据。该粘着利用控制模块和牵引逆变控制模块可以配置于动力单元级动力执行及观测控制层(即第三控制层次)。该层控制所处层次取决于所控制动力车辆的最小控制单元。例如：在架控车辆中，该层控制所处的层次为转向架单元；在轴控车辆中，该层控制所处的层次为各动力轴。

上述动力单元级动力执行及观测控制层的主要输入信号包括车辆级动力分配控制器下发到本控制单元的动力指令F_{uj_set}，而其主要输出信号为轮轨粘着状态系数α_uj、最大动力发挥能力F_{uj_limit}、电机综合转速ω_uj及电机综合温度T_uj。如上所述，车辆级动力分配控制器可以根据本动车的各动力单元反馈的动力单元状态α_uj、F_{uj_limit}、ω_uj、T_uj，组成本动车的车辆状态α＝[α_u1,...,α_uj,...,α_uN]、F_{u_limit}＝[F_{u1_limit},...,F_{uj_limit},...,F_{uN_limit}]、ω＝[ω_u1,...,ω_uj,...,ω_uN]、T＝[T_u1,...,T_uj,...,T_uN]。

具体来说，上述粘着利用控制模块可以实时观测轮对的蠕滑速度及轮对加速度情况，以计算本动力单元的轮轨粘着状态系数：

α_uj＝Adh_Judge(v_{uj_creep}(t),a_{uj_adh}(t)) (10)

式中：α_uj为轮轨粘着状态为归一化系数，取值范围为[-1 1]；Adh_Judge()为粘着状态判断函数，可以通过模糊规则表来实现；v_{uj_creep}(t)为蠕滑速度，指示轮对速度与列车参考速度的差值；a_{uj_adh}(t)为轮对加速度指标，指示轮对加速度与列车参考加速度的差值。

本领域的技术人员可以理解，上述通过模糊规则表来实现的粘着状态判断函数Adh_Judge()只是本发明提供的一种非限制性的案例，旨在清楚地展示本发明的主要构思，并提供一种便于公众实施的具体方案，而非用于限制本发明的保护范围。可选地，在另一些实施例中，本领域的技术人员也可以基于本发明的构思，使用机理/经验公式、专家规则系统、状态机等策略来实现该粘着状态判断函数Adh_Judge()的计算功能。

在上述公式(10)中，α_uj的0值为空转滑行的临界点，α_uj＜0表示有空转滑行趋势或已发生空转滑行，α_uj＞0表示蠕滑速度和加速度均在正常范围内暂未出现空转滑行趋势。粘着利用控制模块可以根据轮轨粘着状态系数α_uj的取值，判定对应动力单元的轮对空转滑行状态。

当α_uj＞0时，粘着利用控制模块可以判断本动力单元的轮对无空转滑行趋势，可以完全发挥出给定动力值。此时，粘着利用控制模块可以直接将分配到本动力单元的给定动力F_{uj_set}作为粘着给定力F_adh，并下发到后端的逆变控制器。

在一些实施例中，粘着利用控制模块可以采用下式计算当前时刻t的轮对粘着力观测反馈：

F_{uj_adh}(t)＝F_{uj_set}(t-1)+α_uj(F_max-F_{uj_set}(t-1)) (12)

式中：F_{uj_set}(t-1)为前一时刻的给定动力；α_uj为轮轨粘着状态系数；F_max为动力单元轴端当前转速下的最大允许动力。之后，粘着利用控制模块可以将计算获得的轮对粘着力F_{uj_adh}反馈到本动车的车辆级控制器，以用于组成本动车的车辆状态。

反之，当α_uj＜0时，粘着利用控制模块可以判断本动力单元的轮对有空转滑行趋势或已发生空转滑行。此时，粘着利用控制模块可以通过最优蠕滑控制、模糊控制、相位法控制以及滑模变控制等粘着优化控制策略，适当调整下发给逆变控制的粘着给定力F_adh，以将轮对的轮轨粘着状态控制其最佳粘着点附近。

请参考图4，图4示出了根据本发明的一些实施例提供的最佳粘着点的示意图。

如图4所示，列车可以存储有多条蠕滑率与粘着系数的关系曲线。该关系曲线的横坐标为蠕滑率，指示蠕滑速度v_{uj_creep}(t)与列车参考速度的比值。该关系曲线的纵坐标为粘着系数，指示轮轨粘着力与轴重的比值。每条关系曲线指示一种路况下粘着系数随蠕滑率的变化情况，其最高点即为该路况下的最佳粘着点。粘着利用控制模块可以根据动车当前的具体路况，调用对应的关系曲线以查询该路况下的最佳蠕滑率，从而计算对应的轮对粘着力F_{uj_adh}：

式中：J为轮对转动惯量；v_{uj_w}为轮对速度；r_uj为有效轮径；F_m为电机实际发挥力。一般情况下，计算获得的轮对粘着力F_{uj_adh}小于分配到本动力单元的给定动力F_{uj_set}。粘着利用控制模块可以将轮对粘着力F_{uj_adh}作为粘着给定力F_adh下发到逆变控制器。

在一些实施例中，粘着利用控制模块可以选取一个完整空转滑行控制周期内轮对粘着力F_{uj_adh}的最大值，反馈到本动车的车辆级动力分配控制器以用于组成本动车的车辆状态。

在一些实施例中，若控制车辆的最小动力单元包括多根控制轴(即控制轴数大于1)，粘着利用控制模块可以同时观测所有轮对的粘着状态和粘着力，并取其中最小值作为本动力单元反馈的粘着状态与粘着力。

如上所述，动力单元的动力执行及观测控制层还可以包括牵引逆变控制模块。该牵引逆变控制模块的主要功能是将牵引电机实际发挥力矩控制到粘着给定力F_adh，并实时采集牵引电机的温度T_uj、电流、电压与转速ω_uj，以判定本动力单元的牵引逆变状态。

若牵引电机的温度T_uj、电流、电压与转速ω_uj指示当前牵引逆变状态良好，则牵引逆变控制模块可以判断无需进行功率限制，从而控制牵引电机执行粘着利用控制模块下发的粘着给定力F_adh。反之，若牵引电机的温度T_uj、电流、电压与转速ω_uj指示当前牵引逆变状态不佳，则牵引逆变控制模块需要根据牵引逆变状态对牵引电机的功率进行限制，并计算限制后的功率对应的限功动力F_{uj_inv}。之后，牵引逆变控制模块可以对下发的粘着给定力F_adh与计算获得的限功动力F_{uj_inv}进行比较，控制牵引电机执行其中的较小值。

对于本动力单元反馈给车辆级动力分配控制器的综合电机温度T_uj，若本动力单元为单轴控制，则牵引逆变控制模块可以直接反馈该动力轴的牵引电机温度T_uj。若动力单元的控制轴数大于1，则牵引逆变控制模块可以同时采集所有牵引电机的温度，并反馈其平均值以作为综合电机温度T_uj。

对于本动力单元反馈给车辆级动力分配控制器的综合电机转速ω_uj，若本动力单元为单轴控制，则牵引逆变控制模块可以直接反馈该动力轴的牵引电机转速ω_uj。若动力单元的控制轴数大于1，则牵引逆变控制模块可以同时采集所有牵引电机的转速，并反馈其平均值以作为综合电机转速ω_uj。

对于本动力单元反馈给车辆级动力分配控制器的单元最大允许动力F_{uj_limit}，牵引逆变控制模块可以采用如下公式计算粘着给定力F_adh与限功动力F_{uj_inv}中的较小值：

F_{uj_limit}＝min(F_{uj_inv},F_adh) (13)

牵引逆变控制模块可以将粘着给定力F_adh与限功动力F_{uj_inv}中的较小值反馈到车辆级动力分配控制，以作为本动力单元的单元最大允许动力F_{uj_limit}。

综上所述，本发明提供的上述列车动力分配方法可以基于现有列车-车辆-动力单元的控制层次，构建三层控制器进行列车动力智能协同分配。通过车辆之间、动力单元之间的差异化智能分配，本发明可以实现自动驾驶列车的最大牵引发挥、最小纵向冲击、最佳变流器系统状态(效率、温升)等多目标牵引优化控制，从而解决现有机车动力同步分布方法在长大编组、复杂曲线等恶劣工况下易造成动力发挥受限、列车纵向冲击等问题。

尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。

本领域技术人员将可理解，信息、信号和数据可使用各种不同技术和技艺中的任何技术和技艺来表示。例如，以上描述通篇引述的数据、指令、命令、信息、信号、位(比特)、码元、和码片可由电压、电流、电磁波、磁场或磁粒子、光场或光学粒子、或其任何组合来表示。

本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。

尽管上述的实施例所述的控制器可以通过软件与硬件的组合来实现的。但是可以理解，这些控制器也可以单独在软件或硬件中加以实施。对于硬件实施而言，这些控制器可在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、用于执行上述功能的其它电子装置或上述装置的选择组合来加以实施。对软件实施而言，这些控制器可以通过在通用芯片上运行的诸如程序模块(procedures)和函数模块(functions)等独立的软件模块来加以实施，其中每一个模块可以执行一个或多个本文中描述的功能和操作。

提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。

Claims (16)

1.一种列车动力分配方法，其特征在于，所述列车包括多节车辆，所述多节车辆分为动车和拖车，所述列车动力分配方法包括：

根据所述列车的行驶规划曲线、行驶线路信息及各所述动车的车辆状态，以最小纵向冲击为目标，将列车总动力分配到各所述动车；

根据各所述动车的多个动力单元的状态，以最佳变流器系统状态为目标，将分配到本动车的给定动力进一步分配到本动车的各所述动力单元；以及

根据各所述动力单元的轮轨粘着状态，最大化地执行分配到本动力单元的给定动力。

2.如权利要求1所述的列车动力分配方法，其特征在于，所述行驶规划曲线包括规划速度曲线及规划动力曲线，用于指示所述列车在行驶线路的各时刻的列车速度及列车总动力，所述行驶线路信息包括所述列车在当前时刻的坡道坡度及曲线半径，各所述动车的车辆状态包括各所述动车反馈的动车最大允许动力，将所述列车总动力分配到各所述动车的步骤包括：

以列车总动力分配方案为求解对象，根据所述行驶规划曲线、所述行驶线路信息及各所述动车的车辆状态，对所述列车的纵向冲击进行量化建模，其中，所述列车总动力分配方案指示分配到各所述动车的动力；以及

对构建的纵向冲击量化模型进行最优化求解，以获取最小纵向冲击对应的列车总动力分配方案。

3.如权利要求2所述的列车动力分配方法，其特征在于，对所述列车的纵向冲击进行量化建模的步骤包括：

根据所述行驶规划曲线、所述行驶线路信息及各所述动车的车辆状态，计算各所述车辆之间的车钩力及车钩力冲量；以及

根据各所述车辆之间的最大车钩力及最大车钩力冲量量化所述列车的纵向冲击，以构建所述纵向冲击量化模型。

4.如权利要求2所述的列车动力分配方法，其特征在于，对所述纵向冲击量化模型进行最优化求解的步骤包括：

采用控制变量参数化方法或群体智能算法，在各所述动车的单周期动力最大允许变化量的范围内，对所述列车总动力分配方案进行最优化求解，其中，所述动车的单周期动力最大允许变化量由所述动车的车辆速度和/或变流器系统状态决定。

5.如权利要求2所述的列车动力分配方法，其特征在于，还包括：

先根据列车的动力单周期最大允许变化量，对所述规划动力曲线的各时刻的列车总动力进行限幅滤波处理，其中，所述列车的动力单周期最大允许变化量由列车速度、列车网压和/或行驶线路条件决定；以及

再根据所述限幅滤波处理后的规划动力曲线，对所述列车的纵向冲击进行量化建模。

6.如权利要求5所述的列车动力分配方法，其特征在于，还包括：

根据各所述动车的动车最大允许动力计算对应时刻的列车最大允许动力；

响应于所述列车最大允许动力小于所述限幅滤波处理后的规划动力曲线的对应时刻的列车总动力，将由各所述动车的动车最大允许动力构成的列车动力分配方案代入所述纵向冲击量化模型，以计算对应的列车冲击量化值；

响应于所述列车冲击量化值小于量化门槛值，根据各所述动车的动车最大允许动力分配所述列车总动力，其中，所述量化门槛值是根据列车运行安全评估得到的最大允许纵向冲击量化值决定；以及

响应于所述列车冲击量化值大于或等于所述量化门槛值，逐步减小所述对应时刻的列车总动力，直到所述列车冲击量化值小于所述量化门槛值。

7.如权利要求1所述的列车动力分配方法，其特征在于，所述动车的车辆状态包括本动车的各所述动力单元反馈的轮轨粘着状态系数、单元最大允许动力、电机综合转速和/或电机综合温度，将分配到本动车的给定动力进一步分配到本动车的各所述动力单元的步骤包括：

响应于本动车的动车最大允许动力大于或等于分配到本动车的给定动力，以动车动力分配方案为求解对象，根据本动车的所述车辆状态对变流器系统状态进行量化建模，其中，所述动车动力分配方案指示分配到本动车的各所述动力单元的动力，所述动车最大允许动力是根据各所述动力单元的单元最大允许动力计算；以及

在本动车的各所述动力单元的单周期动力最大允许变化量的范围内，对构建的系统状态量化模型进行最优化求解，以获取最佳变流器系统状态对应的动车动力分配方案，其中，所述动力单元的单周期动力最大允许变化量由所述动车的车辆速度和/或变流器系统状态决定。

8.如权利要求7所述的列车动力分配方法，其特征在于，将分配到本动车的给定动力进一步分配到本动车的各所述动力单元的步骤还包括：

响应于本动车的动车最大允许动力小于分配到本动车的给定动力，以动车动力分配方案为求解对象，根据本动车的动力发挥目标函数及变流器状态目标函数，对本动车的动力发挥及变流器系统状态进行综合的量化建模，其中，所述动力发挥目标函数指示分配到本动车的各所述动力单元的动力之和，所述变流器状态目标函数指示变流器系统状态的量化值；

在本动车的各所述动力单元的单周期动力最大允许变化量的范围内，对构建的综合量化模型进行最优化求解，以获取最优综合情况对应的最优集前沿面；以及

根据最低牵引力限制准则、最低变流器状态限制准则及牵引力发挥与变流器状态优先级，从所述最优集前沿面的多个动车动力分配方案中选取对应的最优解。

9.如权利要求7所述的列车动力分配方法，其特征在于，将分配到本动车的给定动力进一步分配到本动车的各所述动力单元的步骤还包括：

响应于分配到本动车的给定动力小于动力门槛值，将分配到本动车的给定动力集中分配到本动车的部分动力单元，其中，所述动力门槛值是根据本动车的各所述动力单元的能量效率决定。

10.如权利要求1所述的列车动力分配方法，其特征在于，最大化地执行分配到本动力单元的给定动力的步骤包括：

根据轮对的蠕滑速度及轮对加速度指标，计算本动力单元的轮轨粘着状态系数；

响应于所述轮轨粘着状态系数指示所述轮对无空转滑行趋势，将分配到本动力单元的给定动力作为粘着给定力下发到逆变控制器；

响应于所述轮轨粘着状态系数指示所述轮对有空转滑行趋势或已发生空转滑行，根据所述动力单元的有效轮径、轮对转动惯量、轮对速度及电机实际发挥力计算轮对粘着力，并将所述轮对粘着力作为粘着给定力下发到所述逆变控制器；以及

以所述逆变控制器控制本动力单元的牵引电机执行所述粘着给定力。

11.如权利要求10所述的列车动力分配方法，其特征在于，还包括：

将本动力单元的所述轮轨粘着状态系数反馈到对应动车的车辆级控制器，以用于组成所述对应动车的车辆状态；

响应于所述轮轨粘着状态系数指示所述轮对无空转滑行趋势，根据本动力单元轴端当前转速下的最大允许动力、前一时刻的给定动力及所述轮轨粘着状态系数计算当前时刻的轮对粘着力，并将所述当前时刻的轮对粘着力反馈到所述车辆级控制器，以用于组成所述对应动车的车辆状态；以及

响应于所述轮轨粘着状态系数指示所述轮对有空转滑行趋势或已发生空转滑行，选取一个完整空转滑行控制周期内所述轮对粘着力的最大值反馈到所述车辆级控制器，以用于组成所述对应动车的车辆状态。

12.如权利要求10所述的列车动力分配方法，其特征在于，最大化地执行分配到本动力单元的给定动力的步骤还包括：

采集本动力单元的牵引电机的温度、电流、电压及转速，以判定本动力单元的牵引逆变状态；

响应于所述牵引逆变状态良好，控制所述牵引电机执行所述粘着给定力；以及

响应于所述牵引逆变状态不佳，根据所述牵引逆变状态对所述牵引电机的功率进行限制并计算对应的限功动力，对所述粘着给定力与所述限功动力进行比较，以控制牵引电机执行其中的较小值。

13.如权利要求12所述的列车动力分配方法，其特征在于，所述动力单元包括至少一根控制轴，所述动力分配方法还包括：

对各所述牵引电机的转速取平均值以作为所述动力单元的电机综合转速，将所述电机综合转速反馈到对应动车的车辆级控制器，以用于组成所述对应动车的车辆状态；

对各所述牵引电机的温度取平均值以作为所述动力单元的电机综合温度，将所述电机综合温度反馈到所述车辆级控制器，以用于组成所述对应动车的车辆状态；以及

将所述粘着给定力与所述限功动力中的较小值作为所述动力单元的单元最大允许动力，并将所述单元最大允许动力反馈到所述车辆级控制器，以用于组成所述对应动车的车辆状态。

14.如权利要求1所述的列车动力分配方法，其特征在于，还包括：

从所述列车的自动驾驶系统获取所述行驶规划曲线；

从列车运行监控记录装置获取所述行驶线路信息；以及

从各所述动车的车辆级控制器获取各所述动车的车辆状态，其中，各所述车辆状态分别由对应动车的多个动力单元反馈到所述车辆级控制器的单元状态组合而成。

15.一种列车动力分配装置，其特征在于，所述列车包括多节车辆，所述多节车辆分为动车和拖车，所述列车动力分配装置包括存储器及处理器，所述处理器连接所述存储器，并配置用于实施如权利要求1～14中任一项所述的列车动力分配方法。

16.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时，实施如权利要求1～14中任一项所述的列车动力分配方法。

Images