CN113147841A - 一种轨道车辆的能力管理及节能辅助驾驶方法及相关装置 - Google Patents
一种轨道车辆的能力管理及节能辅助驾驶方法及相关装置 Download PDFInfo
- Publication number
- CN113147841A CN113147841A CN202110523564.3A CN202110523564A CN113147841A CN 113147841 A CN113147841 A CN 113147841A CN 202110523564 A CN202110523564 A CN 202110523564A CN 113147841 A CN113147841 A CN 113147841A
- Authority
- CN
- China
- Prior art keywords
- rail vehicle
- train
- speed limit
- parameters
- representing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005265 energy consumption Methods 0.000 claims abstract description 37
- 239000002245 particle Substances 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 46
- 230000001133 acceleration Effects 0.000 claims description 31
- 230000003068 static effect Effects 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 5
- 238000007726 management method Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 7
- 238000005303 weighing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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 vehicle train, e.g. braking curve calculation
Abstract
本申请公开了一种轨道车辆的能力管理及节能辅助驾驶方法及相关装置,其中,所述轨道车辆的能力管理及节能辅助驾驶方法在初始化基本参数和、将所述轨道车辆的待运行线路划分为多个区间以及初始化各个区间的决策变量后,基于多目标粒子群算法,利用所述基本参数和各个所述区间的决策变量求解所述轨道车辆的自动驾驶曲线,实现了轨道车辆自动驾驶曲线的自动生成,提高了对轨道车辆运行控制的自动化和智能化水平,减轻轨道车辆驾驶员劳动强度。同时在多目标粒子群算法中,可将最低牵引能耗和轨道车辆运行时间等多个目标作为求解目标进行求解,可实现提升车辆经济性指标的目的。
Description
技术领域
本申请涉及轨道车辆技术领域,更具体地说,涉及一种轨道车辆的能力 管理及节能辅助驾驶方法及相关装置。
背景技术
目前我国铁路系统中高速和普速列车大多采用由列车驾驶员在车载安全 设备监督和防护下驾驶列车的人工驾驶控制模式,随着路网规模扩大、运行 间隔缩短、运行速度提高、铁路运能增大,列车能耗问题逐渐凸显,列车驾 驶员工作强度日益增加。现行人工驾驶模式难以满足对列车运行控制系统自 动化、智能化水平的需求。
发明内容
为解决上述技术问题,本申请提供了一种轨道车辆的能力管理及节能辅 助驾驶方法及相关装置,以基于多目标粒子群算法实现自动驾驶曲线的规划 功能,提高对轨道车辆运行控制的自动化、智能化水平。
为实现上述技术目的,本申请实施例提供了如下技术方案:
一种轨道车辆的能力管理及节能辅助驾驶方法,包括:
初始化基本参数;
将所述轨道车辆的待运行线路划分为多个区间;
初始化各个所述区间的决策变量;
基于多目标粒子群算法,利用所述基本参数和各个所述区间的决策变量 求解所述轨道车辆的自动驾驶曲线。
可选的,所述将所述轨道车辆的待运行线路划分为多个区间包括:
将所述轨道车辆的待运行线路离散化为多个等长的小区段,并记录每个 小区段的坡度,以获得坡度离散化合集;
根据所述轨道车辆的待运行线路的静态限速,将所述轨道车辆的待运行 线路离散化为多个等长的小区段,并记录每个小区段的静态限速值,以获得 限速离散化合集。
可选的,所述初始化各个所述区间的决策变量包括:
根据所述坡度离散化合集和所述限速离散化合集,建立距离约束条件、 限制速度约束条件和加速度约束条件;
所述距离约束条件包括:0<s<S,其中,s表示所述轨道车辆在小区段中 运行过程中任意时刻的运行距离,S表示小区段的总长度;
所述限制速度约束条件包括:0≤vi<vlim,其中,vi表示轨道车辆在小 区段中任意一个位置的速度,vlim表示小区段的静态限速值;
所述加速度约束条件包括:amin≤ai≤amax,其中,ai表示轨道车辆 在加速度,amin和amax分别表示列车的最小制动加速度和最大牵引加速度。
可选的,所述初始化基本参数包括:
初始化列车参数、线路参数、运行参数和算法相关参数;
其中,所述列车参数至少包括:列车型号、编组情况、列车质量、列车 牵引和制动系数;
所述线路参数至少包括:线路长度、坡度、曲度和限速情况;
所述运行参数至少包括:列车区间运行时间;
所述算法相关参数至少包括:粒子维数、种群个数和惯性因子。
可选的,所述基于多目标粒子群算法,利用所述基本参数和各个所述区 间的决策变量求解所述轨道车辆的自动驾驶曲线包括:
对多目标粒子群算法的种群进行初始化,以获得满足列车操纵序列要求 的列车操纵序列集合;
根据列车运行控制模型,依据能耗适应度函数、运行时间的适应度函数、 停车精确度的适应度函数以及限速的适应度评价,从所述列车操控序列集合 中筛选非劣解;
对筛选获得的非劣解进行个体极值更新和群体极值更新,以获得帕累托 最优解;
依据所述帕累托最优解,生成所述轨道车辆的自动驾驶曲线。
其中,F(·)为优化目标函数,ci表示所述决策变量,fe(ci)和ft(ci)分别表 示优化模型的能耗和时间目标变量,s.t.表示遵从的约束条件,vl表示初始时 刻的轨道车辆的速度,vn表示停止时刻的轨道车辆的速度。
可选的,所述能耗适应度函数包括:
所述运行时间的适应度函数包括:
所述停车精确度的适应度函数包括:
Sa=S-Si;其中,Sa表示停车精度,Si表示轨道车辆实际停车位置,S 表示目标停车点;
所述限速的适应度评价包括:对所述列车操纵序列集合进行筛选,剔除 不满足静态限速值要求的列车操纵序列。
一种轨道车辆的能力管理及节能辅助驾驶系统,包括:
参数初始化模块,用于初始化基本参数;
区间划分模块,用于将所述轨道车辆的待运行线路划分为多个区间;
变量初始化模块,用于初始化各个所述区间的决策变量;
曲线求解模块,用于基于多目标粒子群算法,利用所述基本参数和各个 所述区间的决策变量求解所述轨道车辆的自动驾驶曲线。
可选的,所述区间划分模块具体用于将所述轨道车辆的待运行线路离散 化为多个等长的小区段,并记录每个小区段的坡度,以获得坡度离散化合集;
根据所述轨道车辆的待运行线路的静态限速,将所述轨道车辆的待运行 线路离散化为多个等长的小区段,并记录每个小区段的静态限速值,以获得 限速离散化合集。
可选的,所述变量初始化模块具体用于,根据所述坡度离散化合集和所 述限速离散化合集,建立距离约束条件、限制速度约束条件和加速度约束条 件;
所述距离约束条件包括:0<s<S,其中,s表示所述轨道车辆在小区段中 运行过程中任意时刻的运行距离,S表示小区段的总长度;
所述限制速度约束条件包括:0≤vi<vlim,其中,vi表示轨道车辆在小 区段中任意一个位置的速度,vlim表示小区段的静态限速值;
所述加速度约束条件包括:amin≤ai≤amax,其中,ai表示轨道车辆 在加速度,amin和amax分别表示列车的最小制动加速度和最大牵引加速度。
可选的,所述参数初始化模块具体用于,初始化列车参数、线路参数、 运行参数和算法相关参数;
其中,所述列车参数至少包括:列车型号、编组情况、列车质量、列车 牵引和制动系数;
所述线路参数至少包括:线路长度、坡度、曲度和限速情况;
所述运行参数至少包括:列车区间运行时间;
所述算法相关参数至少包括:粒子维数、种群个数和惯性因子。
可选的,所述曲线求解模块具体用于,对多目标粒子群算法的种群进行 初始化,以获得满足列车操纵序列要求的列车操纵序列集合;
根据列车运行控制模型,依据能耗适应度函数、运行时间的适应度函数、 停车精确度的适应度函数以及限速的适应度评价,从所述列车操控序列集合 中筛选非劣解;
对筛选获得的非劣解进行个体极值更新和群体极值更新,以获得帕累托 最优解;
依据所述帕累托最优解,生成所述轨道车辆的自动驾驶曲线。
其中,F(·)为优化目标函数,ci表示所述决策变量,fe(ci)和ft(ci)分别表 示优化模型的能耗和时间目标变量,s.t.表示遵从的约束条件,v1表示初始时 刻的轨道车辆的速度,vn表示停止时刻的轨道车辆的速度。
可选的,所述能耗适应度函数包括:
所述运行时间的适应度函数包括:
所述停车精确度的适应度函数包括:
Sa=S-Si;其中,Sa表示停车精度,Si表示轨道车辆实际停车位置,S 表示目标停车点;
所述限速的适应度评价包括:对所述列车操纵序列集合进行筛选,剔除 不满足静态限速值要求的列车操纵序列。
一种轨道车辆的能力管理及节能辅助驾驶系统,包括:存储器和处理器;
所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,所 述程序代码用于执行上述任一项所述的轨道车辆的能力管理及节能辅助驾驶 方法。
一种存储介质,所述存储介质上存储有程序代码,所述程序代码被执行 时实现上述任一项所述的轨道车辆的能力管理及节能辅助驾驶方法。
从上述技术方案可以看出,本申请实施例提供了一种轨道车辆的能力管 理及节能辅助驾驶方法及相关装置,其中,所述轨道车辆的能力管理及节能 辅助驾驶方法在初始化基本参数和、将所述轨道车辆的待运行线路划分为多 个区间以及初始化各个区间的决策变量后,基于多目标粒子群算法,利用所 述基本参数和各个所述区间的决策变量求解所述轨道车辆的自动驾驶曲线, 实现了轨道车辆自动驾驶曲线的自动生成,提高了对轨道车辆运行控制的自 动化和智能化水平,减轻轨道车辆驾驶员劳动强度。
同时在多目标粒子群算法中,可将最低牵引能耗和轨道车辆运行时间等 多个目标作为求解目标进行求解,可实现提升车辆经济性指标的目的。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实 施例或现有技术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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请的一个实施例提供的一种轨道车辆的能力管理及节能辅助 驾驶方法的流程示意图;
图2为本申请的一个实施例提供的在目标空间中,非支配解和支配解整体 的分布情况示意图;
图3为本申请的一个实施例提供的一种轨道车辆的能力管理及节能辅助 驾驶系统的结构示意图;
图4为本申请的一个实施例提供的一种具体应用系统的结构示意图;
图5为图4所示系统的外观示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而 不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请实施例提供了一种轨道车辆的能力管理及节能辅助驾驶方法,如 图1所示,包括:
S101:初始化基本参数;
S102:将所述轨道车辆的待运行线路划分为多个区间;
S103:初始化各个所述区间的决策变量;
S104:基于多目标粒子群算法,利用所述基本参数和各个所述区间的决 策变量求解所述轨道车辆的自动驾驶曲线。
多目标优化问题(Multi-objective Optimization Problem,MOP)也可以被 称作多属性优化问题或者多准则优化问题。在一般情况下,一个多目标优化 问题包括:n个决策变量,m个目标函数以及k个约束条件,MOP的数学 描述如下:
minf(x)=(f1(x),f2(x),…,fm(x))x∈Ω (1)
s.t.h(x)=(h1(x),h2(x),…,hk(x))≤0 (2);
式(1)中,x表示决策向量,Ω表示n维的决策空间,f(x)表示目标向 量,h(x)代表约束条件。除此之外,多目标问题描述有以下几个重要的定 义:
定义1:可行解(Feasible Solution):
h(x)=(h1(x),h2(x),…,hk(x))≤0 (3);
称满足式(3)中约束条件的决策变量x∈Ω为可行解。
定义2:可行解集(Feasible Solution Set):在决策空间Ω中,称由所有 的可行解x构成的集合为可行解集,用Xρ表示,Xρ∈X。
定义3:帕累托支配(帕累托Dominance):
对于可行解集Xρ中任一两个可行解x、y,当满足式(4)条件时,成为x 支配y,记作x<y。
定义4:帕累托最优解集(帕累托Dominance Set):
如果满足式(5),即决策向量x不被任何决策空间中的向量支配,那么x 是一个帕累托最优解,所有的帕累托最优解的集合共同构成了帕累托最优解 集。
定义5:帕累托前沿(或称帕累托前端)(帕累托Front)
ρf*={f(x)|x∈ρ*} (6);
式(6)表示帕累托最优解集在目标空间中的映射行车了帕累托前沿。
考虑优化两个目标的优化问题,求解目标函数的最小化,参考图2,图2 体现了在目标空间中,非支配解和支配解整体的分布情况。
图2中,实线表示的是帕累托前沿,实心圆点A、B在帕累托前沿上,因 此都是最优解,是非支配解;空心点C,D,E虽然在搜索空间的范围内, 但是并不位于帕累托前沿上,因此它们不是最优解,处于被支配的关系,是 劣于帕累托前沿上的解。
相较于单目标优化问题,多目标优化问题要复杂的多,因为后者需要同 时优化多个目标。当改良其中的某一个目标时,很有可能会造成其他的目标 变差,因此要考虑各个目标之间的关系并加以权衡。一般情况下,一个多目 标的优化问题并不会像单目标优化问题那样存在着一个绝对的最优解,多目 标优化问题的求解结果一般是一组帕累托最优解的集合。解决实际问题时, 应当结合实际问题的情况以及决策者的选择偏好,在最优解集中选择一些合 适的解作为求解的问题最优解。因此对于一个多目标寻优问题来说,在求解过程中最重要的是解出尽可能多的,分布比较均匀的帕累托最优解。
与基本粒子群算法相比,多目标粒子群算法不仅能够很好的继承基本粒 子群算法简单、快速收敛的优点,而且还解决了多目标进化算法收敛速度慢, 易于陷入局部最优解的问题,因此在本实施例中,基于多目标粒子群算法, 利用所述基本参数和各个所述区间的决策变量求解所述轨道车辆的自动驾驶 曲线。
下面对本申请实施例提供的轨道车辆的能力管理及节能辅助驾驶方法的 各个步骤的具体可行执行方式进行描述。
可选的,在本申请的一个实施例中,所述初始化基本参数包括:
初始化列车参数、线路参数、运行参数和算法相关参数;
其中,所述列车参数至少包括:列车型号、编组情况、列车质量、列车 牵引和制动系数;
所述线路参数至少包括:线路长度、坡度、曲度和限速情况;
所述运行参数至少包括:列车区间运行时间;
所述算法相关参数至少包括:粒子维数、种群个数和惯性因子。
列车参数描述:
列车参数包括很多方面,其中与本文研究对象相关的参数主要包括:列 车编组方式、车体长度、车辆自重、定员和超员情况下的载客量以及列车的 牵引和制动特性等参数。下面将给出部分参数。
1)列车车型包括:带司机室的拖车TC、带受电弓拖车TP、两端动车M、 中间动车M1。这四类车型自重分别为:1M
TC车:约重33吨;
TP车:约重33吨;
M车:约重35吨;
M1车:约重35吨。
2)乘客人均重量按照60Kg/人计算。
3)列车的最大加速度为;1m/s2
4)列车的最大减速度为;1m/s2
其他列车参数在具体的案例分析中将结合具体的情况给出。
可选的,所述将所述轨道车辆的待运行线路划分为多个区间包括:
将所述轨道车辆的待运行线路离散化为多个等长的小区段,并记录每个 小区段的坡度,以获得坡度离散化合集;
根据所述轨道车辆的待运行线路的静态限速,将所述轨道车辆的待运行 线路离散化为多个等长的小区段,并记录每个小区段的静态限速值,以获得 限速离散化合集。
在进行运行线路设计和施工中,为了满足规划等需要,线路情况往往比 较复杂,就某一区间而言,可能存在多个坡度不同的坡道,曲率不同的弯道 等情况。同时,受到环境、土建条件等限制,线路存在一定的静态限速。求 解对象受到线路参数的影响,为方便求解,先将部分参数进行离散化处理。
1)线路坡度离散化:将某一区间作为研究对象,区间长度是固定的,根 据线路数据可知整个区间包括多个坡度不同的坡道,坡道长度和坡度已知。 在进行离散化处理时,将整个轨道区段划分为n个等长的的小区段,则坡度 离散化可表示为合集G={g1,g2,...,gn};
2)静态限速离散化:对于一个固定的列车运行区间,由于土建条件等因 素的限制,线路存在着一定的静态限速,列车在运行过程中一定不能超过该 静态限速的值,线路不同位置对应的静态限速值已知,同样将线路划分为n个 等长的小区段,则静态限速离散化可表示为合集V={v1,v2,...,vm}。
可选的,所述初始化各个所述区间的决策变量包括:
根据所述坡度离散化合集和所述限速离散化合集,建立距离约束条件、 限制速度约束条件和加速度约束条件;
所述距离约束条件包括:0<s<S,其中,s表示所述轨道车辆在小区段中 运行过程中任意时刻的运行距离,S表示小区段的总长度;
所述限制速度约束条件包括:0≤vi<vlim,其中,vi表示轨道车辆在小 区段中任意一个位置的速度,vlim表示小区段的静态限速值;
所述加速度约束条件包括:amin≤ai≤amax,其中,ai表示轨道车辆 在加速度,amin和amax分别表示列车的最小制动加速度和最大牵引加速度。
可选的,所述基于多目标粒子群算法,利用所述基本参数和各个所述区 间的决策变量求解所述轨道车辆的自动驾驶曲线包括:
对多目标粒子群算法的种群进行初始化,以获得满足列车操纵序列要求 的列车操纵序列集合;
根据列车运行控制模型,依据能耗适应度函数、运行时间的适应度函数、 停车精确度的适应度函数以及限速的适应度评价,从所述列车操控序列集合 中筛选非劣解;
对筛选获得的非劣解进行个体极值更新和群体极值更新,以获得帕累托 最优解;
依据所述帕累托最优解,生成所述轨道车辆的自动驾驶曲线。
其中,F(·)为优化目标函数,ci表示所述决策变量,fe(ci)和ft(ci)分别表 示优化模型的能耗和时间目标变量,s.t.表示遵从的约束条件,v1表示初始时 刻的轨道车辆的速度,vn表示停止时刻的轨道车辆的速度。
所述能耗适应度函数包括:
在能耗适应度评价时,将轨道车辆在整个待运行线路的牵引能耗作为代 表列车牵引能耗的评价指标,即fe=E。
所述运行时间的适应度函数包括:
在运行时间的适应度评价时,基于函数ft=T0-T进行评价,其中,T0表示轨道车辆时刻表运行时间,ft表示轨道车辆在区间运行的准点率评价指 标。
所述停车精确度的适应度函数包括:
Sa=S-Si;其中,Sa表示停车精度,Si表示轨道车辆实际停车位置,S 表示目标停车点;
所述限速的适应度评价包括:对所述列车操纵序列集合进行筛选,剔除 不满足静态限速值要求的列车操纵序列。
下面对本申请实施例提供的轨道车辆的能力管理及节能辅助驾驶系统进 行描述,下文描述的轨道车辆的能力管理及节能辅助驾驶系统可与上文描述 的轨道车辆的能力管理及节能辅助驾驶方法相互对应参照。
相应的,本申请实施例还提供了一种轨道车辆的能力管理及节能辅助驾 驶系统,如图3所示,所述轨道车辆的能力管理及节能辅助驾驶系统包括:
参数初始化模块100,用于初始化基本参数;
区间划分模块200,用于将所述轨道车辆的待运行线路划分为多个区间;
变量初始化模块300,用于初始化各个所述区间的决策变量;
曲线求解模块400,用于基于多目标粒子群算法,利用所述基本参数和各 个所述区间的决策变量求解所述轨道车辆的自动驾驶曲线。
参考图4,图4示出了轨道车辆的能力管理及节能辅助驾驶系统应用于轨 道车辆时的场景示意图。
在图4中,HMI(Human Machine Interface)表示人机交互单元,WTD (WirelessTransmission Device)表示车载信息无线传输设备,CCU(Center Control Unit)表示中央控制单元,EDAS(Energy Drive Advice System)主机 即为集成有本申请实施例提供的轨道车辆的能力管理及节能辅助驾驶系统的 设备,HMI、WTD、CCU和EDAS通过以太网交换机建立通信连接,通过MVB (Multifunction Vehicle Bus,多功能车辆总线)与轨道车辆的其他设备建立通 信连接。
参考图5,图5示出了图4所示的系统的外观示意图。
可选的,所述区间划分模块200具体用于将所述轨道车辆的待运行线路 离散化为多个等长的小区段,并记录每个小区段的坡度,以获得坡度离散化 合集;
根据所述轨道车辆的待运行线路的静态限速,将所述轨道车辆的待运行 线路离散化为多个等长的小区段,并记录每个小区段的静态限速值,以获得 限速离散化合集。
可选的,所述变量初始化模块300具体用于,根据所述坡度离散化合集 和所述限速离散化合集,建立距离约束条件、限制速度约束条件和加速度约 束条件;
所述距离约束条件包括:0<s<S,其中,s表示所述轨道车辆在小区段中 运行过程中任意时刻的运行距离,S表示小区段的总长度;
所述限制速度约束条件包括:0≤vi<vlim,其中,vi表示轨道车辆在小 区段中任意一个位置的速度,vlim表示小区段的静态限速值;
所述加速度约束条件包括:amin≤ai≤amax,其中,ai表示轨道车辆 在加速度,amin和amax分别表示列车的最小制动加速度和最大牵引加速度。
可选的,所述参数初始化模块100具体用于,初始化列车参数、线路参 数、运行参数和算法相关参数;
其中,所述列车参数至少包括:列车型号、编组情况、列车质量、列车 牵引和制动系数;
所述线路参数至少包括:线路长度、坡度、曲度和限速情况;
所述运行参数至少包括:列车区间运行时间;
所述算法相关参数至少包括:粒子维数、种群个数和惯性因子。
可选的,所述曲线求解模块400具体用于,对多目标粒子群算法的种群 进行初始化,以获得满足列车操纵序列要求的列车操纵序列集合;
根据列车运行控制模型,依据能耗适应度函数、运行时间的适应度函数、 停车精确度的适应度函数以及限速的适应度评价,从所述列车操控序列集合 中筛选非劣解;
对筛选获得的非劣解进行个体极值更新和群体极值更新,以获得帕累托 最优解;
依据所述帕累托最优解,生成所述轨道车辆的自动驾驶曲线。
其中,F(·)为优化目标函数,ci表示所述决策变量,fe(ci)和ft(ci)分别表 示优化模型的能耗和时间目标变量,s.t.表示遵从的约束条件,v1表示初始时 刻的轨道车辆的速度,vn表示停止时刻的轨道车辆的速度。
可选的,所述能耗适应度函数包括:
所述运行时间的适应度函数包括:
所述停车精确度的适应度函数包括:
Sa=S-Si;其中,Sa表示停车精度,Si表示轨道车辆实际停车位置,S 表示目标停车点;
所述限速的适应度评价包括:对所述列车操纵序列集合进行筛选,剔除 不满足静态限速值要求的列车操纵序列。
相应的,本申请实施例还提供了一种轨道车辆的能力管理及节能辅助驾 驶系统,包括:存储器和处理器;
所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,所 述程序代码用于执行上述任一实施例所述的轨道车辆的能力管理及节能辅助 驾驶方法。
相应的,本申请实施例还提供了一种存储介质,所述存储介质上存储有 程序代码,所述程序代码被执行时实现上述任一实施例所述的轨道车辆的能 力管理及节能辅助驾驶方法。
综上所述,本申请实施例提供了一种轨道车辆的能力管理及节能辅助驾 驶方法及相关装置,其中,所述轨道车辆的能力管理及节能辅助驾驶方法在 初始化基本参数和、将所述轨道车辆的待运行线路划分为多个区间以及初始 化各个区间的决策变量后,基于多目标粒子群算法,利用所述基本参数和各 个所述区间的决策变量求解所述轨道车辆的自动驾驶曲线,实现了轨道车辆 自动驾驶曲线的自动生成,提高了对轨道车辆运行控制的自动化和智能化水 平,减轻轨道车辆驾驶员劳动强度。
同时在多目标粒子群算法中,可将最低牵引能耗和轨道车辆运行时间等 多个目标作为求解目标进行求解,可实现提升车辆经济性指标的目的。
本说明书中各实施例中记载的特征可以相互替换或者组合,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。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用 本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易 见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下, 在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例, 而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (16)
1.一种轨道车辆的能力管理及节能辅助驾驶方法,其特征在于,包括:
初始化基本参数;
将所述轨道车辆的待运行线路划分为多个区间;
初始化各个所述区间的决策变量;
基于多目标粒子群算法,利用所述基本参数和各个所述区间的决策变量求解所述轨道车辆的自动驾驶曲线。
2.根据权利要求1所述的方法,其特征在于,所述将所述轨道车辆的待运行线路划分为多个区间包括:
将所述轨道车辆的待运行线路离散化为多个等长的小区段,并记录每个小区段的坡度,以获得坡度离散化合集;
根据所述轨道车辆的待运行线路的静态限速,将所述轨道车辆的待运行线路离散化为多个等长的小区段,并记录每个小区段的静态限速值,以获得限速离散化合集。
3.根据权利要求2所述的方法,其特征在于,所述初始化各个所述区间的决策变量包括:
根据所述坡度离散化合集和所述限速离散化合集,建立距离约束条件、限制速度约束条件和加速度约束条件;
所述距离约束条件包括:0<s<S,其中,s表示所述轨道车辆在小区段中运行过程中任意时刻的运行距离,S表示小区段的总长度;
所述限制速度约束条件包括:0≤vi≤vlim,其中,vi表示轨道车辆在小区段中任意一个位置的速度,vlim表示小区段的静态限速值;
所述加速度约束条件包括:amin≤ai≤amax,其中,ai表示轨道车辆在加速度,amin和amax分别表示列车的最小制动加速度和最大牵引加速度。
4.根据权利要求3所述的方法,其特征在于,所述初始化基本参数包括:
初始化列车参数、线路参数、运行参数和算法相关参数;
其中,所述列车参数至少包括:列车型号、编组情况、列车质量、列车牵引和制动系数;
所述线路参数至少包括:线路长度、坡度、曲度和限速情况;
所述运行参数至少包括:列车区间运行时间;
所述算法相关参数至少包括:粒子维数、种群个数和惯性因子。
5.根据权利要求4所述的方法,其特征在于,所述基于多目标粒子群算法,利用所述基本参数和各个所述区间的决策变量求解所述轨道车辆的自动驾驶曲线包括:
对多目标粒子群算法的种群进行初始化,以获得满足列车操纵序列要求的列车操纵序列集合;
根据列车运行控制模型,依据能耗适应度函数、运行时间的适应度函数、停车精确度的适应度函数以及限速的适应度评价,从所述列车操控序列集合中筛选非劣解;
对筛选获得的非劣解进行个体极值更新和群体极值更新,以获得帕累托最优解;
依据所述帕累托最优解,生成所述轨道车辆的自动驾驶曲线。
8.一种轨道车辆的能力管理及节能辅助驾驶系统,其特征在于,包括:
参数初始化模块,用于初始化基本参数;
区间划分模块,用于将所述轨道车辆的待运行线路划分为多个区间;
变量初始化模块,用于初始化各个所述区间的决策变量;
曲线求解模块,用于基于多目标粒子群算法,利用所述基本参数和各个所述区间的决策变量求解所述轨道车辆的自动驾驶曲线。
9.根据权利要求8所述的系统,其特征在于,所述区间划分模块具体用于将所述轨道车辆的待运行线路离散化为多个等长的小区段,并记录每个小区段的坡度,以获得坡度离散化合集;
根据所述轨道车辆的待运行线路的静态限速,将所述轨道车辆的待运行线路离散化为多个等长的小区段,并记录每个小区段的静态限速值,以获得限速离散化合集。
10.根据权利要求9所述的系统,其特征在于,所述变量初始化模块具体用于,根据所述坡度离散化合集和所述限速离散化合集,建立距离约束条件、限制速度约束条件和加速度约束条件;
所述距离约束条件包括:0<s<S,其中,s表示所述轨道车辆在小区段中运行过程中任意时刻的运行距离,S表示小区段的总长度;
所述限制速度约束条件包括:0≤vi<vlim,其中,vi表示轨道车辆在小区段中任意一个位置的速度,vlim表示小区段的静态限速值;
所述加速度约束条件包括:amin≤ai≤amax,其中,ai表示轨道车辆在加速度,amin和amax分别表示列车的最小制动加速度和最大牵引加速度。
11.根据权利要求10所述的系统,其特征在于,所述参数初始化模块具体用于,初始化列车参数、线路参数、运行参数和算法相关参数;
其中,所述列车参数至少包括:列车型号、编组情况、列车质量、列车牵引和制动系数;
所述线路参数至少包括:线路长度、坡度、曲度和限速情况;
所述运行参数至少包括:列车区间运行时间;
所述算法相关参数至少包括:粒子维数、种群个数和惯性因子。
12.根据权利要求11所述的系统,其特征在于,所述曲线求解模块具体用于,对多目标粒子群算法的种群进行初始化,以获得满足列车操纵序列要求的列车操纵序列集合;
根据列车运行控制模型,依据能耗适应度函数、运行时间的适应度函数、停车精确度的适应度函数以及限速的适应度评价,从所述列车操控序列集合中筛选非劣解;
对筛选获得的非劣解进行个体极值更新和群体极值更新,以获得帕累托最优解;
依据所述帕累托最优解,生成所述轨道车辆的自动驾驶曲线。
15.一种轨道车辆的能力管理及节能辅助驾驶系统,其特征在于,包括:存储器和处理器;
所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,所述程序代码用于执行权利要求1-7任一项所述的轨道车辆的能力管理及节能辅助驾驶方法。
16.一种存储介质,其特征在于,所述存储介质上存储有程序代码,所述程序代码被执行时实现权利要求1-7任一项所述的轨道车辆的能力管理及节能辅助驾驶方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110523564.3A CN113147841A (zh) | 2021-05-13 | 2021-05-13 | 一种轨道车辆的能力管理及节能辅助驾驶方法及相关装置 |
PCT/CN2021/132068 WO2022237115A1 (zh) | 2021-05-13 | 2021-11-22 | 一种轨道车辆的能力管理及节能辅助驾驶方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110523564.3A CN113147841A (zh) | 2021-05-13 | 2021-05-13 | 一种轨道车辆的能力管理及节能辅助驾驶方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113147841A true CN113147841A (zh) | 2021-07-23 |
Family
ID=76875274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110523564.3A Pending CN113147841A (zh) | 2021-05-13 | 2021-05-13 | 一种轨道车辆的能力管理及节能辅助驾驶方法及相关装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113147841A (zh) |
WO (1) | WO2022237115A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113997915A (zh) * | 2021-11-26 | 2022-02-01 | 北京大象科技有限公司 | 基于大数据的列车自动驾驶ato精确停车控制方法 |
CN114379617A (zh) * | 2022-02-23 | 2022-04-22 | 苏州知时节交通科技有限公司 | 一种列车节能控制方法 |
WO2022237115A1 (zh) * | 2021-05-13 | 2022-11-17 | 中车长春轨道客车股份有限公司 | 一种轨道车辆的能力管理及节能辅助驾驶方法及相关装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777752A (zh) * | 2016-12-30 | 2017-05-31 | 华东交通大学 | 一种高速列车追踪运行曲线优化设定方法 |
CN109591861A (zh) * | 2018-11-29 | 2019-04-09 | 中车长春轨道客车股份有限公司 | 一种实现智能定速和节能驾驶的方法及装置 |
CN110539780A (zh) * | 2018-11-27 | 2019-12-06 | 中车长春轨道客车股份有限公司 | 列车行驶提示方法及装置 |
CN110990950A (zh) * | 2019-12-04 | 2020-04-10 | 北京交通大学 | 基于混合运行模式的多目标列车节能优化方法 |
CN111976693A (zh) * | 2020-07-28 | 2020-11-24 | 中车长春轨道客车股份有限公司 | 一种高速轨道列车制动力优化分配方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766484B (zh) * | 2015-03-23 | 2017-11-14 | 南京邮电大学 | 基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法 |
CN105930937B (zh) * | 2016-05-07 | 2019-05-31 | 浙江大学 | 一种考虑地铁快慢线的列车运行调度一体化优化方法 |
WO2017218112A1 (en) * | 2016-06-13 | 2017-12-21 | Siemens Industry, Inc. | Method and system for train route optimization |
US10345812B2 (en) * | 2017-01-10 | 2019-07-09 | GM Global Technology Operations LLC | Methods and apparatus for optimizing a trajectory for an autonomous vehicle |
CN109625028B (zh) * | 2018-10-26 | 2020-09-29 | 北京全路通信信号研究设计院集团有限公司 | 一种列车进站或出站时空路径规划方法及装置 |
CN110187639B (zh) * | 2019-06-27 | 2021-05-11 | 吉林大学 | 一种基于参数决策框架的轨迹规划控制方法 |
CN110428161B (zh) * | 2019-07-25 | 2020-06-02 | 北京航空航天大学 | 一种基于端边云架构的无人驾驶矿车云智能调度方法 |
CN110568760B (zh) * | 2019-10-08 | 2021-07-02 | 吉林大学 | 适用于换道及车道保持的参数化学习决策控制系统及方法 |
CN110749333B (zh) * | 2019-11-07 | 2022-02-22 | 中南大学 | 基于多目标优化的无人驾驶车辆运动规划方法 |
CN113147841A (zh) * | 2021-05-13 | 2021-07-23 | 中车长春轨道客车股份有限公司 | 一种轨道车辆的能力管理及节能辅助驾驶方法及相关装置 |
-
2021
- 2021-05-13 CN CN202110523564.3A patent/CN113147841A/zh active Pending
- 2021-11-22 WO PCT/CN2021/132068 patent/WO2022237115A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777752A (zh) * | 2016-12-30 | 2017-05-31 | 华东交通大学 | 一种高速列车追踪运行曲线优化设定方法 |
CN110539780A (zh) * | 2018-11-27 | 2019-12-06 | 中车长春轨道客车股份有限公司 | 列车行驶提示方法及装置 |
CN109591861A (zh) * | 2018-11-29 | 2019-04-09 | 中车长春轨道客车股份有限公司 | 一种实现智能定速和节能驾驶的方法及装置 |
CN110990950A (zh) * | 2019-12-04 | 2020-04-10 | 北京交通大学 | 基于混合运行模式的多目标列车节能优化方法 |
CN111976693A (zh) * | 2020-07-28 | 2020-11-24 | 中车长春轨道客车股份有限公司 | 一种高速轨道列车制动力优化分配方法 |
Non-Patent Citations (1)
Title |
---|
李玲玉: "基于粒子群算法的城市轨道交通列车节能优化研究", 《中国优秀硕士学位论文全文数据库程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022237115A1 (zh) * | 2021-05-13 | 2022-11-17 | 中车长春轨道客车股份有限公司 | 一种轨道车辆的能力管理及节能辅助驾驶方法及相关装置 |
CN113997915A (zh) * | 2021-11-26 | 2022-02-01 | 北京大象科技有限公司 | 基于大数据的列车自动驾驶ato精确停车控制方法 |
CN113997915B (zh) * | 2021-11-26 | 2022-06-24 | 北京大象科技有限公司 | 基于大数据的列车自动驾驶ato精确停车控制方法 |
CN114379617A (zh) * | 2022-02-23 | 2022-04-22 | 苏州知时节交通科技有限公司 | 一种列车节能控制方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022237115A1 (zh) | 2022-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113147841A (zh) | 一种轨道车辆的能力管理及节能辅助驾驶方法及相关装置 | |
Zhang et al. | Energy management strategies of connected HEVs and PHEVs: Recent progress and outlook | |
WO2021136130A1 (zh) | 一种轨迹规划方法及装置 | |
CN112389427B (zh) | 车辆轨迹优化方法、装置、电子设备和存储介质 | |
CN110450825B (zh) | 城市轨道交通列车运行控制方法 | |
CN106740846B (zh) | 一种双模式切换的电动汽车自适应巡航控制方法 | |
CN105711586B (zh) | 一种基于前向车辆驾驶人驾驶行为的前向避撞系统及避撞算法 | |
Nie et al. | Real-time dynamic predictive cruise control for enhancing eco-driving of electric vehicles, considering traffic constraints and signal phase and timing (SPaT) information, using artificial-neural-network-based energy consumption model | |
CN109910890B (zh) | 一种基于道路地形信息的卡车预测节能系统及控制方法 | |
US8660723B2 (en) | Method for determining run-curves for vehicles in real-time subject to dynamic travel time and speed limit constraint | |
CN106990714A (zh) | 基于深度学习的适配控制方法与装置 | |
CN104925050B (zh) | 基于行驶模式能量消耗的行驶分割 | |
CN106056238B (zh) | 列车区间运行轨迹的规划方法 | |
CN113788021A (zh) | 一种结合前车速度预测的自适应跟车巡航控制方法 | |
Wang et al. | Intelligent operation of heavy haul train with data imbalance: A machine learning method | |
CN112307564A (zh) | 列车ato目标运行速度曲线优化方法及装置 | |
KR102528317B1 (ko) | 차량 제어용 컨트롤러, 시스템 및 방법 | |
CN205573939U (zh) | 一种基于前向车辆驾驶人驾驶行为的前向避撞系统 | |
CN112660130A (zh) | 基于智能网联信息的新能源汽车滑行控制系统、方法及新能源汽车 | |
CN110304066A (zh) | 自动驾驶模式下的路线选择方法、系统、设备及存储介质 | |
CN114265398A (zh) | 自动驾驶车辆轨迹规划方法、装置、电子设备及存储介质 | |
CN114580302A (zh) | 基于最大熵强化学习的自动驾驶汽车决策规划方法 | |
CN112977412A (zh) | 一种车辆控制方法、装置、设备及计算机存储介质 | |
CN113492892A (zh) | 虚拟编组列车追踪控制方法、装置、电子设备及可读存储介质 | |
CN114585548A (zh) | 在使用关于第二交通工具的轨迹信息的情况下基于mpc确定第一交通工具的轨迹 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210723 |