CN114179861A - 用于列车的编队运行控制方法、装置及存储介质 - Google Patents
用于列车的编队运行控制方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114179861A CN114179861A CN202111581227.6A CN202111581227A CN114179861A CN 114179861 A CN114179861 A CN 114179861A CN 202111581227 A CN202111581227 A CN 202111581227A CN 114179861 A CN114179861 A CN 114179861A
- Authority
- CN
- China
- Prior art keywords
- train
- formation
- target physical
- information
- trains
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000005457 optimization Methods 0.000 claims description 24
- 230000001133 acceleration Effects 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 18
- 238000003062 neural network model Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61B—RAILWAY SYSTEMS; EQUIPMENT THEREFOR NOT OTHERWISE PROVIDED FOR
- B61B1/00—General arrangement of stations, platforms, or sidings; Railway networks; Rail vehicle marshalling systems
- B61B1/005—Rail vehicle marshalling systems; Rail freight terminals
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本申请实施例提供一种用于列车的编队运行控制方法、装置及存储介质,其中,所述方法包括:根据列车的运行状态信息,确定多个列车形成的列车编队的运行工况信息;获取所述列车编队中的相邻列车之间的运行状态偏差信息;根据所述运行工况信息和运行状态偏差信息,对所述列车编队的多个目标物理量分别对应的权重系数进行优化调整;根据优化调整后的多个目标物理量分别对应的权重系数,确定每个目标物理量对应的期望数值;根据每个目标物理量对应的期望数值,控制所述列车编队中每个列车的运行。
Description
技术领域
本申请涉及列车运行控制技术领域,例如涉及一种用于列车的编队运行控制方法、装置及存储介质。
背景技术
列车编队运行是指车车之间通信,通过先进的控制手段使得车车之间形成速度趋同,保持较短间距协同运行,形成虚拟连挂的状态。为了根据运营需求,灵活完成高效的动态编队与解编以及平稳协同编队运行等多场景任务,现有的一种基于分布式的地铁列车虚拟编队运行控制方法,包括:S31:建立地铁列车动态运行模型;S32:设计预测控制算法,设定预测控制时域,在设定预测控制时域内,根据地铁列车动态运行模型、控制系统约束和控制目标,以各地铁列车的位置及运行速度为状态变量,以各编队列车的控制力为控制变量,分别对编队内领导列车和跟随列车形成优化控制问题,实现编队内列车的分布式控制;S33:基于序列二次规划算法,求解各列车优化控制问题,得出编队内每个列车控制力,并将其作用于列车运行控制系统。
在实现本申请实施例的过程中,发现相关技术中至少存在如下问题:
采用模型预测控制对编队列车协同运行进行研究,往往只针对如何形成编队,即如何使得多车达到速度趋同的状态,控制目标最终保持稳定速度,导致其在优化控制考虑速度、距离、舒适性等多目标时,多采用固定的权重系数,使得其难以应对实际工程中复杂工况下多目标优化的权衡问题。
发明内容
为了解决上述技术缺陷之一,本申请实施例中提供了一种用于列车的编队运行控制方法、装置及存储介质,以应对列车编队在不同工况以及不同列车运行状态下的多目标优化的权衡问题。
根据本申请实施例的第一个方面,提供了一种用于列车的编队运行控制方法,包括:
根据列车的运行状态信息,确定多个列车形成的列车编队的运行工况信息;
获取所述列车编队中的相邻列车之间的运行状态偏差信息;
根据所述运行工况信息和运行状态偏差信息,对所述列车编队的多个目标物理量分别对应的权重系数进行优化调整;
根据优化调整后的多个目标物理量分别对应的权重系数,确定每个目标物理量对应的期望数值;
根据每个目标物理量对应的期望数值,控制所述列车编队中每个列车的运行。
根据本申请实施例的第二个方面,提供了一种用于列车的编队运行控制装置,包括:
工况识别模块,被配置为根据列车的运行状态信息,确定多个列车形成的列车编队的运行工况信息;
偏差计算模块,被配置为获取所述列车编队中的相邻列车之间的运行状态偏差信息;
权重优化模块,被配置为根据所述运行工况信息和运行状态偏差信息,对所述列车编队的多个目标物理量分别对应的权重系数进行优化调整;
预测控制模块,被配置为根据优化调整后的多个目标物理量分别对应的权重系数,确定每个目标物理量对应的期望数值;
列车控制模块,被配置为根据每个目标物理量对应的期望数值,控制所述列车编队中每个列车的运行。
根据本申请实施例的第三个方面,提供了一种用于列车的编队运行控制装置,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如本申请所述的用于列车的编队运行控制方法。
根据本申请实施例的第四个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行以实现如权利要求1至7任一项所述的用于列车的编队运行控制方法
采用本申请实施例中提供的用于列车的编队运行控制方法、装置和存储介质,可以实现以下技术效果:
通过列车的运行状态信息,以确定列车编队的运行工况信息,从而应对实际工程中工况复杂多变的问题,同时,利用列车编队的运行工况信息和运行状态偏差信息,对多个目标物理量分别对应的权重系数进行优化调整,实现了实时可变的多目标权重系数,从而能够充分应对列车编队在不同工况、不同编队列车的运行状态下多目标优化的权衡问题,优化了列车编队运行控制效果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请实施例提供的一个用于列车的编队运行控制方法的示意图;
图2是本申请实施例提供的另一个用于列车的编队运行控制方法的示意图;
图3是本申请实施例提供的一个神经网络模型的应用示意图;
图4是本申请实施例提供的另一个用于列车的编队运行控制方法的示意图;
图5是本申请实施例提供的另一个用于列车的编队运行控制方法的示意图;
图6是本申请实施例提供的另一个用于列车的编队运行控制方法的示意图;
图7是本申请实施例提供的一模型预测控制流程图;
图8是本申请实施例提供的另一个用于列车的编队运行控制方法的示意图;
图9是本申请实施例提供的另一个用于列车的编队运行控制方法的示意图;
图10是本申请实施例提供的一个模型预测控制权重优化的流程图;
图11是本申请实施例提供的一个用于列车的编队运行控制装置的示意图;
图12是本申请实施例提供的另一个用于列车的编队运行控制装置的示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
目前,随着经济的发展和工业化水平的不断提高,大城市人口的增长,随之带来的交通拥堵问题已是大城市的通病。城市轨道交通作为城市公共交通的重要组成部分,因为其运量大、准时高效和节能环保等优点近几年来迅速发展。但城市轨道交通目前仍然存在运力不足、运量需求时空不配等问题,学术界和工业界提出列车编队运行的概念,用来缓解上述问题。
在实现本申请的过程中,发明人发现,现有的列车编队运行无法满足实际工程中复杂多变的工况,并且在计算时采用固定的权重系数,难以处理复杂工况下多目标优化的权衡问题。
针对上述问题,结合图1所示,本申请实施例中提供了一种用于列车的编队运行控制方法,包括:
步骤101:根据列车的运行状态信息,确定多个列车形成的列车编队的运行工况信息。
在本申请的实施例中,本申请通过采集列车编队中每个列车的运行状态信息,利用神经网络模型或深度学习等方式,对列车编队所处的运行工况和未来一段时间的工况进行预测,以确定列车编队的运行工况信息。
步骤102:获取所述列车编队中的相邻列车之间的运行状态偏差信息。
在本申请的实施例中,根据列车编队中后行列车与先行列车之间的跟随状态,获取所述列车编队中的相邻列车之间的运行状态偏差信息,例如距离偏差、速度偏差和时间偏差等。
步骤103:根据所述运行工况信息和运行状态偏差信息,对所述列车编队的多个目标物理量分别对应的权重系数进行优化调整。
在本申请的实施例中,本申请根据步骤101中得到的列车编队的运行工况信息,以及据步骤102中得到的列车编队中的相邻列车之间的运行状态偏差信息,通过权重系数实时优化调整的方式,所述列车编队的多个目标物理量分别对应的权重系数进行优化调整,以得到多个目标物理量分别对应的权重系数。
步骤104:根据优化调整后的多个目标物理量分别对应的权重系数,确定每个目标物理量对应的期望数值。
在本申请的实施例中,本申请根据列车编队的控制目标并结合步骤103中得到的多个目标物理量分别对应的权重系数,通过模型预测控制方法,在线求解需要优化控制的多个目标物理量,得到每个目标物理量对应的期望数值。
步骤105:根据每个目标物理量对应的期望数值,控制所述列车编队中每个列车的运行。
在本申请的实施例中,列车编队中的列车根据步骤104中得到每个目标物理量对应的期望数值,通过列车控制系统实现对列车编队中每个列车的运行控制,从而实现对整个列车编队的运行控制。
采用本申请实施例提供的用于列车的编队运行控制方法,通过列车的运行状态信息,以确定列车编队的运行工况信息,从而应对实际工程中工况复杂多变的问题,同时,利用列车编队的运行工况信息和运行状态偏差信息,对多个目标物理量分别对应的权重系数进行优化调整,实现了实时可变的多目标权重系数,从而能够充分应对列车编队在不同工况、不同编队列车的运行状态下多目标优化的权衡问题,优化了列车编队运行控制效果。
可选地,结合图2所示,所述根据列车的运行状态信息,确定多个列车形成的列车编队的运行工况信息,包括:
步骤201:实时采集所述列车编队中的每个列车的运行状态信息。
在本申请的实施例中,本申请通过车载传感器实时采集每个列车的运行状态的相关物理量,通过滤波预处理传感器得到的信号信息,再通过预设的算法计算得到每个列车当前的运行状态信息,其中,运行状态信息主要包括当前时刻列车的运行速度信息、加速度信息和所在位置信息等信息。
步骤202:在相邻列车之间建立车车通信,以使得列车编队中后行列车实时接收前行列车的运行状态信息。
在本申请的实施例中,本申请通过基于长期演进(Long Term Evolution,LTE)网络或者5G网络等通信方式,使得后行列车与前行列车建立车车通信,并实时接收前行列车的运行状态信息,主要包括前行列车在当前时刻的运行速度、加速度和位置等信息,即前行列车同样通过传感器采集数据以及数据处理之后得到运行状态信息并发送给后行列车。
步骤203:将每个列车的运行状态信息输入至预设的工况识别模型中,获取所述工况识别模型输出的列车编队的运行工况信息。
在本申请的实施例中,本申请将每个列车的运行状态信息输入至工况识别和预测模块,该工况识别和预测模块将运行状态信息分为训练集、验证集和测试集,并通过神经网络模型或者机器学习等方法,拟合出工况识别模型,识别编队列车所处运行工况和预测未来一段时间工况。其中,结合图3所示,以基于反向传播(Back Propagation)的工况识别神经网络模型为例,该工况识别神经网络模型包括输入层、两个隐含层和输出层,输入的前行列车状态信息包括领航列车速度、加速度、位置信息,后行列车状态信息包括跟随列车速度、加速度、位置信息,选择合适的隐含层、节点数量和激活函数,输出为加速工况、巡航工况、制动工况和精确停车工况。此外,通过传感器采样的列车的运行状态信息并与工况识别神经网络模型的预测值不断进行比较、反馈和校正,以调整工况识别神经网络模型的训练集,从而提高模型预测的精度。
这样,本申请通过聚类的方法对编队列车进行聚类分析,采用神经网络模型或者机器学习等方法,拟合出工况识别模型,识别编队列车所处运行工况和预测未来一段时间工况,从而将工况因素充分考虑到列车编队的实际运行中。
可选地,结合图4所示,所述获取所述列车编队中的相邻列车之间的运行状态偏差信息,包括:
步骤401:根据每个列车跟随前行列车的跟随策略,确定每个列车与前行列车之间的期望跟随间隔,以及每个列车的期望跟随速度。
在本申请的实施例中,本申请首先确定后行列车跟随前行列车的跟随策略,列车编队的跟随策略一般包括固定时间间隔跟随策略、固定空间间隔跟随策略和非线性跟随策略。其中,以常用的固定时间间隔跟随策略为例,两车之间的期望跟随间隔为:
Si,des(t)=hvi(t)+sm;
式中,si,des表示t时刻编队达到平衡状态时后行列车与前行列车保持的期望距离,h为固定时间间隔常数,v(t)为t时刻后行列车的运行速度,sm是考虑列车测速测距误差预留的安全裕量。
同时,后行列车的期望跟随速度一般为前行列车的速度,即:
vdes(t)=vi-1(t);
式中,vdes(t)为t时刻后行列车的期望运行速度,vi-1(t)为前行列车的运行速度。
步骤402:根据每个列车与前行列车之间的期望跟随间隔和每个列车当前的所在位置,计算出每个列车与前行列车之间的跟随偏差。
在本申请的实施例中,通过如下公式计算每个列车与前行列车之间的跟随偏差:
Δsi(t)=si-1(t)-si(t)-li-si,des(t);
式中,Δsi(t)表示后行列车在t时刻与前行列车的跟随偏差距离,si(t)表示后行列车在t时刻的所在位置,li表示后行列车的长度,si,des表示t时刻编队达到平衡状态时后行列车与前行列车保持的期望距离。
步骤403:根据每个列车期望跟随速度和每个列车当前的运行速度,计算出每个列车与前行列车之间的速度偏差。
在本申请的实施例中,通过如下公式计算每个列车与前行列车之间的速度偏差:
Δvi(t)=vi-1(t)-vi(t);
式中,Δvi(t)表示后行车在t时刻与前行列车的偏差速度,vi(t)表示后行车在t时刻的速度,vi-1(t)表示前行车在t时刻的速度。
这样,能跟好地通过跟随策略计算出相邻列车之间的偏差,为后续的模型预测控制方法停供可靠的保证。
可选地,结合图5所示,所述根据所述运行工况信息和运行状态偏差信息,对所述列车编队的多个目标物理量分别对应的权重系数进行优化调整,包括:
步骤501:根据所述运行工况信息和运行状态偏差信息,确定所述列车编队的多个目标物理量与对应的权重系数之间的映射关系。
步骤502:根据每个目标物理量对应的量化值,通过所述映射关系优化调整每个目标物理量对应的权重系数。
在本申请的实施例中,本申请通过对权重系数实时优化调整,以确定当前采样时刻模型预测控制方法优化后的目标权重系数,其中,权重系数的优化方式可以根据权重系数与误差状态的关系分为线性映射、非线性映射和模糊逻辑等方法实现,以非线性映射方法为例,通过优化目标物理量的量化值与权重系数建立非线性的映射关系:
(Γ1,Г2,Г3,...)=f(χ1,χ2,χ3,...);
式中,Γ1,Γ2,Γ3,...表示不同优化目标对应的权重系数,χ1,χ2,χ3,...表示不同优化目标物理量对应的量化值。
具体而言,以优化速度和追踪间隔目标为例,优化目标物理量的量化值与权重系数建立非线性的映射关系如下
Δv=||v(t)-vdes(t)||/wv;
Δs=||s(t)-sdes(t)||/ws;
式中Γv、Γs表示速度和追踪间隔优化目标对应的权重系数,||v(t)-vdes(t)||和||s(t)-sdes(t)||表示速度误差和追踪间隔误差的绝对值,wv、ws对误差绝对值进行适当放缩。
这样,能更好地根据不同的工况,对目标物理量的权重系数进行实时的优化调整,以应对不同的实际列车运行工况。
可选地,结合图6所示,所述根据优化调整后的多个目标物理量分别对应的权重系数,确定每个目标物理量对应的期望数值,包括:
步骤601:通过离散动态预测模型,构建包含多个目标物理量的列车动力学模型。
在本申请的实施例中,本申请的列车动力学模型可以是:
式中k表示采样时刻;si(k)表示列车i在采样时刻k的当前位置(m);vi(k)表示列车i在采样时刻k的当前速度(m/s);ai(k)表示列车i在采样时刻k牵引/制动系统产生的加速度(m/s2);ui(k)表示列车i在采样时刻k牵引/制动系统指令输出的加速度(m/s2);wi(k)表示列车i在采样时刻k基本阻力产生的加速度(m/s2);gi(k)表示列车i在采样时刻k附加阻力产生的加速度(m/s2)。
步骤602:确定所述列车编队中的每个列车对应的安全约束条件。
在本申请的实施例中,列车在运行过程中,需要满足一定的安全约束条件,首先,列车在线路上运行要满足线路的限制速度要求和运行速度的物理要求,即:
0≤vi(t)≤vlim(si(t));
式中,vlim(si(t))表示列车i在t时刻所处位置的线路限速值。
列车的牵引制动加速度要满足列车的实际牵引制动性能,即:
Umin≤ui(t)≤Umax;
式中,Umin和Umax分别表示列车制动最大加速度和列车牵引最大加速度。列车的加速度冲击率要满足列车实际性能,即:
Jmin≤ji(t)≤Jmax;
式中Jmin和Jmax分别表示列车最小加速度冲击率和最大加速度冲击率。
列车编队内部的列车之间的距离要保证大于静止时所需要的安全间隔,即:
si(t)-si-1(t)-li-sm≥0;
式中li表示列车i的车长,sm是列车静止时需要的安全裕量。
步骤603:根据所述列车动力学模型和安全约束条件,计算出包含多个目标物理量的最优控制序列。
在本申请的实施例中,结合图7所示,本申请采用模型预测控制方法,根据列车动力学模型、安全约束条件和目标物理量,求解多个目标物理量的最优控制序列,具体方法包括:对列车状态检测参数进行识别,其中,状态检测参数包括速度、加速度、时间、位置和线路参数等;通过模型预测控制器对状态检测参数进行优化求解,输出控制率;根据控制率控制列车动力学部分(即列车编队)。例如,本申请的需要进行优化的多个目标物理量的最优控制序列可以是:
式中α,β,γ分别表示对间距误差、速度误差和舒适性优化目标权重系数;式中M表示预测步长;Δsi(k),Δvi(k),Δui(k)分别表示间距误差、速度误差和控制率差值,udes表示最优解控制序列。
这样,通过模型预测控制方法引入可变实时权重优化调整,从而实现根据不同工况和不同状态信息对权重系数进行优化调整。
可选地,结合图8所示,所述根据每个目标物理量对应的期望数值,控制所述列车编队中每个列车的运行,包括:
步骤801:获取所述最优控制序列中每个目标物理量对应的首个数值,作为每个目标物理量对应的期望数值。
步骤802:根据每个目标物理量对应的期望数值,调整所述列车编队中每个列车应施加的牵引力或制动力。
在本申请的实施例中,本申请将通过模型预测控制方法进行最优解得到的最优控制序列中,将每个目标物理量对应的首个数值下发给被控列车,以使得被控列车根据每个目标物理量对应的期望数值,例如计算得到的期望加速度、期望列车间隔或期速度,通过车辆控制系统得出其应施加的牵引力或制动力,从而控制列车运行,进而最终实现列车编队的整体运行控制。
这样,即保证了编队后车既能够以较高的效率跟踪前车运行,又能够使得后行列车不与前行列车发生碰撞。
可选地,结合图9所示,本申请实施例中提供了一种用于列车的编队运行控制方法,包括:
步骤901:根据列车的运行状态信息,确定多个列车形成的列车编队的运行工况信息。
步骤902:获取所述列车编队中的相邻列车之间的运行状态偏差信息。
步骤903:根据所述运行工况信息和运行状态偏差信息,对所述列车编队的多个目标物理量分别对应的权重系数进行优化调整。
步骤904:根据优化调整后的多个目标物理量分别对应的权重系数,确定每个目标物理量对应的期望数值。
步骤905:根据每个目标物理量对应的期望数值,控制所述列车编队中每个列车的运行。
在本申请的实施例中,步骤901至步骤905的内容与步骤101至步骤105的内容完全相同,可参见本说明书上述的具体描述,本申请在此不再赘述。
步骤906:判断所述列车编队在当前控制周期结束后是否停止运行;若是,则控制过程结束;若否,则在下一制周期内,重新执行步骤901至步骤905,直至列车编队结束运行。
在本申请的实施例中,结合图10所示,本申请的基础逻辑控制流程包括:获取列车编队中的第一车辆的运行状态信息和第二车辆的运行状态信息,其中,第一车辆和第二车辆为一列车编队中的任意两个相邻的车辆,即第一车辆与第二车辆相邻且第一车辆位于所述第二车辆之后;根据运行状态信息进行工况识别和预测,从而对多个目标物理量的权重系数进行实时优化调整,同时,通过跟随策略计算出第一车辆和第二车辆之间的运行状态偏差信息;然后,根据优化调整后的权重系数和运行状态偏差信息,通模型预测控制器进行时域滚动优化、动力学模型计算和反馈校正,从而通过输出控制率的方式控制被控列车。与此同时,待到下一个控制周期,重复步骤901到步骤905的内容,从而完成多目标权重实时调整的列车编队的模型预测控制。
结合图11所示,本申请实施例提供一种用于列车的编队运行控制装置,包括:
工况识别模块1101,被配置为根据列车的运行状态信息,确定多个列车形成的列车编队的运行工况信息;
偏差计算模块1102,被配置为获取所述列车编队中的相邻列车之间的运行状态偏差信息;
权重优化模块1103,被配置为根据所述运行工况信息和运行状态偏差信息,对所述列车编队的多个目标物理量分别对应的权重系数进行优化调整;
预测控制模块1104,被配置为根据优化调整后的多个目标物理量分别对应的权重系数,确定每个目标物理量对应的期望数值;
列车控制模块1105,被配置为根据每个目标物理量对应的期望数值,控制所述列车编队中每个列车的运行。
可选地,所述工况识别模块1101,具体被配置为:
实时采集所述列车编队中的每个列车的运行状态信息,其中,所述运行状态信息包括当前时刻列车的运行速度信息、加速度信息和所在位置信息;
在相邻列车之间建立车车通信,以使得列车编队中后行列车实时接收前行列车的运行状态信息;
将每个列车的运行状态信息输入至预设的工况识别模型中,获取所述工况识别模型输出的列车编队的运行工况信息。
可选地,所述偏差计算模块1102,具体被配置为:
根据每个列车跟随前行列车的跟随策略,确定每个列车与前行列车之间的期望跟随间隔,以及每个列车的期望跟随速度;
根据每个列车与前行列车之间的期望跟随间隔和每个列车当前的所在位置,计算出每个列车与前行列车之间的跟随偏差;
根据每个列车期望跟随速度和每个列车当前的运行速度,计算出每个列车与前行列车之间的速度偏差。
可选地,所述权重优化模块1103,具体被配置为:
根据所述运行工况信息和运行状态偏差信息,确定所述列车编队的多个目标物理量与对应的权重系数之间的映射关系;其中,所述映射关系包括线性映射关系、非线性映射关系和模糊逻辑;
根据每个目标物理量对应的量化值,通过所述映射关系优化调整每个目标物理量对应的权重系数。
可选地,所述预测控制模块1104,具体被配置为:
通过离散动态预测模型,构建包含多个目标物理量的列车动力学模型;
确定所述列车编队中的每个列车对应的安全约束条件;
根据所述列车动力学模型和安全约束条件,计算出包含多个目标物理量的最优控制序列。
可选地,所述列车控制模块1105,具体被配置为:
获取所述最优控制序列中每个目标物理量对应的首个数值,作为每个目标物理量对应的期望数值;
根据每个目标物理量对应的期望数值,调整所述列车编队中每个列车应施加的牵引力或制动力。
可选地,所述装置还包括,循环控制模块,被配置为:
判断所述列车编队在当前控制周期结束后是否停止运行;
若是,则控制过程结束;
若否,则在下一制周期内,重新根据列车的运行状态信息,确定多个列车形成的列车编队的运行工况信息;获取所述列车编队中的相邻列车之间的运行状态偏差信息;根据所述运行工况信息和运行状态偏差信息,对所述列车编队的多个目标物理量分别对应的权重系数进行优化调整;根据优化调整后的多个目标物理量分别对应的权重系数,确定每个目标物理量对应的期望数值;根据每个目标物理量对应的期望数值,控制所述列车编队中每个列车的运行。
采用本申请实施例提供的用于列车的编队运行控制装置,通过列车的运行状态信息,以确定列车编队的运行工况信息,从而应对实际工程中工况复杂多变的问题,同时,利用列车编队的运行工况信息和运行状态偏差信息,对多个目标物理量分别对应的权重系数进行优化调整,实现了实时可变的多目标权重系数,从而能够充分应对列车编队在不同工况、不同编队列车的运行状态下多目标优化的权衡问题,优化了列车编队运行控制效果。
结合图12所示,本申请实施例提供一种用于列车的编队运行控制装置,包括处理器(processor)120和存储器(memory)121。可选地,该装置还可以包括通信接口(Communication Interface)122和总线123。其中,处理器120、通信接口122、存储器121可以通过总线123完成相互间的通信。通信接口122可以用于信息传输。处理器120可以调用存储器121中的逻辑指令,以执行上述实施例的用于列车的编队运行控制方法。
此外,上述的存储器121中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器121作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本申请实施例中的方法对应的程序指令/模块。处理器120通过运行存储在存储器121中的程序指令/模块,从而执行功能应用以及数据处理,即实现上述实施例中用于列车的编队运行控制方法。
存储器121可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器121可以包括高速随机存取存储器,还可以包括非易失性存储器。
本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行以实现本申请所述的用于列车的编队运行控制方法。
上述的存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本申请中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接或可以互相通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种用于列车的编队运行控制方法,其特征在于,包括:
根据列车的运行状态信息,确定多个列车形成的列车编队的运行工况信息;
获取所述列车编队中的相邻列车之间的运行状态偏差信息;
根据所述运行工况信息和运行状态偏差信息,对所述列车编队的多个目标物理量分别对应的权重系数进行优化调整;
根据优化调整后的多个目标物理量分别对应的权重系数,确定每个目标物理量对应的期望数值;
根据每个目标物理量对应的期望数值,控制所述列车编队中每个列车的运行。
2.根据权利要求1所述的方法,其特征在于,所述根据列车的运行状态信息,确定多个列车形成的列车编队的运行工况信息,包括:
实时采集所述列车编队中的每个列车的运行状态信息,其中,所述运行状态信息包括当前时刻列车的运行速度信息、加速度信息和所在位置信息;
在相邻列车之间建立车车通信,以使得列车编队中后行列车实时接收前行列车的运行状态信息;
将每个列车的运行状态信息输入至预设的工况识别模型中,获取所述工况识别模型输出的列车编队的运行工况信息。
3.根据权利要求1所述的方法,其特征在于,所述获取所述列车编队中的相邻列车之间的运行状态偏差信息,包括:
根据每个列车跟随前行列车的跟随策略,确定每个列车与前行列车之间的期望跟随间隔,以及每个列车的期望跟随速度;
根据每个列车与前行列车之间的期望跟随间隔和每个列车当前的所在位置,计算出每个列车与前行列车之间的跟随偏差;
根据每个列车期望跟随速度和每个列车当前的运行速度,计算出每个列车与前行列车之间的速度偏差。
4.根据权利要求1所述的方法,其特征在于,所述根据所述运行工况信息和运行状态偏差信息,对所述列车编队的多个目标物理量分别对应的权重系数进行优化调整,包括:
根据所述运行工况信息和运行状态偏差信息,确定所述列车编队的多个目标物理量与对应的权重系数之间的映射关系;其中,所述映射关系包括线性映射关系、非线性映射关系和模糊逻辑;
根据每个目标物理量对应的量化值,通过所述映射关系优化调整每个目标物理量对应的权重系数。
5.根据权利要求1所述的方法,其特征在于,所述根据优化调整后的多个目标物理量分别对应的权重系数,确定每个目标物理量对应的期望数值,包括:
通过离散动态预测模型,构建包含多个目标物理量的列车动力学模型;
确定所述列车编队中的每个列车对应的安全约束条件;
根据所述列车动力学模型和安全约束条件,计算出包含多个目标物理量的最优控制序列。
6.根据权利要求5所述的方法,其特征在于,所述根据每个目标物理量对应的期望数值,控制所述列车编队中每个列车的运行,包括:
获取所述最优控制序列中每个目标物理量对应的首个数值,作为每个目标物理量对应的期望数值;
根据每个目标物理量对应的期望数值,调整所述列车编队中每个列车应施加的牵引力或制动力。
7.根据权利要求1至6任一项所述的方法,其特征在于,还包括:
判断所述列车编队在当前控制周期结束后是否停止运行;
若是,则控制过程结束;
若否,则在下一制周期内,重新根据列车的运行状态信息,确定多个列车形成的列车编队的运行工况信息;获取所述列车编队中的相邻列车之间的运行状态偏差信息;根据所述运行工况信息和运行状态偏差信息,对所述列车编队的多个目标物理量分别对应的权重系数进行优化调整;根据优化调整后的多个目标物理量分别对应的权重系数,确定每个目标物理量对应的期望数值;根据每个目标物理量对应的期望数值,控制所述列车编队中每个列车的运行。
8.一种用于列车的编队运行控制装置,其特征在于,包括:
工况识别模块,被配置为根据列车的运行状态信息,确定多个列车形成的列车编队的运行工况信息;
偏差计算模块,被配置为获取所述列车编队中的相邻列车之间的运行状态偏差信息;
权重优化模块,被配置为根据所述运行工况信息和运行状态偏差信息,对所述列车编队的多个目标物理量分别对应的权重系数进行优化调整;
预测控制模块,被配置为根据优化调整后的多个目标物理量分别对应的权重系数,确定每个目标物理量对应的期望数值;
列车控制模块,被配置为根据每个目标物理量对应的期望数值,控制所述列车编队中每个列车的运行。
9.一种用于列车的编队运行控制装置,其特征在于,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如权利要求1至7任一项所述的用于列车的编队运行控制方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行以实现如权利要求1至7任一项所述的用于列车的编队运行控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111581227.6A CN114179861A (zh) | 2021-12-22 | 2021-12-22 | 用于列车的编队运行控制方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111581227.6A CN114179861A (zh) | 2021-12-22 | 2021-12-22 | 用于列车的编队运行控制方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114179861A true CN114179861A (zh) | 2022-03-15 |
Family
ID=80544712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111581227.6A Pending CN114179861A (zh) | 2021-12-22 | 2021-12-22 | 用于列车的编队运行控制方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114179861A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115071784A (zh) * | 2022-06-22 | 2022-09-20 | 长沙理工大学 | 一种多列车分布式协同巡航控制方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106476806A (zh) * | 2016-10-26 | 2017-03-08 | 上海理工大学 | 基于交通信息的协同式自适应巡航系统算法 |
CN107585180A (zh) * | 2017-08-16 | 2018-01-16 | 交控科技股份有限公司 | 车载ato基于多目标自调整驾驶策略的方法及装置 |
CN109649441A (zh) * | 2018-12-21 | 2019-04-19 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种列车自动驾驶节能控制方法 |
CN112668848A (zh) * | 2020-12-18 | 2021-04-16 | 北京交通大学 | 基于工况分析的现代有轨电车混合储能系统能量管理方法 |
US20210192958A1 (en) * | 2019-12-24 | 2021-06-24 | Beijing Tusen Zhitu Technology Co., Ltd. | Vehicle control method for platooning, vehicle mounted apparatus and vehicle |
CN113060188A (zh) * | 2021-04-12 | 2021-07-02 | 北京交通大学 | 一种高速列车编队在途追踪运行协同优化方法 |
CN113320576A (zh) * | 2021-06-10 | 2021-08-31 | 交控科技股份有限公司 | 虚拟编组列车编队的停车控制方法、装置及存储介质 |
CN113552801A (zh) * | 2021-07-08 | 2021-10-26 | 北京交通大学 | 一种基于分布式的地铁列车虚拟编队运行控制方法 |
-
2021
- 2021-12-22 CN CN202111581227.6A patent/CN114179861A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106476806A (zh) * | 2016-10-26 | 2017-03-08 | 上海理工大学 | 基于交通信息的协同式自适应巡航系统算法 |
CN107585180A (zh) * | 2017-08-16 | 2018-01-16 | 交控科技股份有限公司 | 车载ato基于多目标自调整驾驶策略的方法及装置 |
CN109649441A (zh) * | 2018-12-21 | 2019-04-19 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种列车自动驾驶节能控制方法 |
US20210192958A1 (en) * | 2019-12-24 | 2021-06-24 | Beijing Tusen Zhitu Technology Co., Ltd. | Vehicle control method for platooning, vehicle mounted apparatus and vehicle |
CN112668848A (zh) * | 2020-12-18 | 2021-04-16 | 北京交通大学 | 基于工况分析的现代有轨电车混合储能系统能量管理方法 |
CN113060188A (zh) * | 2021-04-12 | 2021-07-02 | 北京交通大学 | 一种高速列车编队在途追踪运行协同优化方法 |
CN113320576A (zh) * | 2021-06-10 | 2021-08-31 | 交控科技股份有限公司 | 虚拟编组列车编队的停车控制方法、装置及存储介质 |
CN113552801A (zh) * | 2021-07-08 | 2021-10-26 | 北京交通大学 | 一种基于分布式的地铁列车虚拟编队运行控制方法 |
Non-Patent Citations (1)
Title |
---|
JING XUN, ETC: "An Overspeed Protection Mechanism for Virtual Coupling in Railway", 《IEEE.ACCESS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115071784A (zh) * | 2022-06-22 | 2022-09-20 | 长沙理工大学 | 一种多列车分布式协同巡航控制方法及系统 |
CN115071784B (zh) * | 2022-06-22 | 2023-12-01 | 长沙理工大学 | 一种多列车分布式协同巡航控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108153145B (zh) | 一种基于pid和滤波算法的列车速度自动控制方法 | |
CN111267831A (zh) | 一种混合动力车辆智能变时域模型预测能量管理方法 | |
CN104881527B (zh) | 城市轨道交通列车ato速度命令优化方法 | |
CN107182206A (zh) | 车辆自动驾驶的速度规划方法、装置及计算装置 | |
US8660723B2 (en) | Method for determining run-curves for vehicles in real-time subject to dynamic travel time and speed limit constraint | |
CN109204390B (zh) | 一种基于深度学习的列车控制方法 | |
CN106056238B (zh) | 列车区间运行轨迹的规划方法 | |
CN114707364B (zh) | 一种匝道车辆汇流仿真方法、装置、设备及可读存储介质 | |
CN115392111B (zh) | 一种列车追踪控制方法、设备、存储介质 | |
Marzbanrad et al. | Self-tuning control algorithm design for vehicle adaptive cruise control system through real-time estimation of vehicle parameters and road grade | |
CN107284452A (zh) | 融合智能通讯信息的混合动力汽车未来工况预测系统 | |
CN113515038B (zh) | 一种车辆换道方法、装置、设备及可读存储介质 | |
CN113419533A (zh) | 一种基于通信延迟的智能车队纵向跟随控制方法 | |
CN112208581B (zh) | Ato控车方法、装置、电子设备及存储介质 | |
CN114179861A (zh) | 用于列车的编队运行控制方法、装置及存储介质 | |
CN110879595A (zh) | 一种基于深度强化学习的无人矿卡循迹控制系统及方法 | |
CN112580251A (zh) | 基于交通信息和模型预测控制的混动汽车能量管理方法 | |
CN115520188A (zh) | 节能型车辆速度规划方法、系统、电子设备、存储介质 | |
CN112124310B (zh) | 一种车辆的路径变换方法和装置 | |
CN114818135A (zh) | 列车运行曲线离线优化方法、设备、存储介质 | |
CN113391553B (zh) | 具有执行器饱和的异构cacc系统的自适应最优控制方法 | |
CN114644018A (zh) | 一种基于博弈论的自动驾驶车辆人车交互决策规划方法 | |
Kim et al. | Identifying suitable car-following models to simulate automated vehicles on highways | |
CN117252318A (zh) | 一种智能网联汽车群机协同拼车调度方法及系统 | |
CN109686086A (zh) | 模糊控制网络的训练、生成路口建议速度的方法及装置 |
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: 20220315 |