CN114298385A - 考虑客流影响和再生制动能利用的地铁列车延误调整方法 - Google Patents

Abstract

本发明公开了一种考虑客流影响和再生制动能利用的地铁列车延误调整方法，步骤为考虑到列车发生延误后，客流因素对于停站时间调整上限的约束性，建立了基于LSTM的客流预测模型；考虑到延误列车调整过程中再生制动能的吸收利用，建立了直流牵引网能耗计算模型；通过模拟乘客上下车的过程建立了停站时间模型；然后结合上述子模型建立了地铁列车延误调整模型，把调整过程中变电站能耗变化量最低作为优化目标，使用基于中心‑离散学习的粒子群算法CDPSO对该模型设计了求解流程；最后使用实际地铁线路数据进行仿真验证。本发明方法科学、可靠、高效，为地铁列车延误调整提供了数据和理论支持，具有较高的使用价值与应用前景。

Description

考虑客流影响和再生制动能利用的地铁列车延误调整方法

技术领域

本发明属于地铁运营系统中的信号控制技术领域，具体涉及一种考虑客流影响和再生制动能利用的地铁列车延误调整方法。

背景技术

伴随着地铁运营系统的快速发展，其规模在不断的扩大，地铁网络的密度也在不断地扩大，导致的结果则是列车间的行车间隔在不断地缩小，列车的开行密度随之增加，无形之中给地铁的运营部门带来了很大的压力，一个小小的失误就可能会导致列车的延误。若列车延误后不及时进行调整，将对地铁运营系统带来很大影响。因此，应采取措施进行延误列车的运行调整，使其尽快恢复正点运行。

当列车的延误程度较轻时，通过地铁列车ATS系统对延误列车在后续站点的到发时刻的调整即可恢复至正常运行状态。当列车发生延误后，首先要保证站台乘客的正常出行需求，然后在此基础上考虑如何调整，使得调整过程中能耗上升值最低。

发明内容

本发明的目的在于提供一种科学、可靠、高效的考虑客流影响和再生制动能利用的地铁列车延误调整方法。

实现本发明目的的技术解决方案为：一种考虑客流影响和再生制动能利用的地铁列车延误调整方法，包括以下步骤：

步骤1，建立基于LSTM的客流预测模型：首先对客流数据进行预处理，然后训练构建好的LSTM网络层模型，最后采用训练好的LSTM网络层模型预测得到客流数据；

步骤2，分别对地铁列车、牵引变电所、牵引网进行建模，最终构建起一个时变的直流牵引网能耗计算模型，用于计算一段时间内的变电站能耗；

步骤3，在步骤1得到预测的客流数据之后，通过模拟乘客上下车的过程建立停站时间模型；

步骤4，建立列车延误调整模型，包括延误列车编号、延误的站台名、延误的时长、后行区间运行时间和站台停靠时间的调整量；

步骤5，把调整过程中变电站能耗变化量最低作为优化目标，使用基于中心-离散学习的粒子群算法求解列车延误调整模型中的各调制量，最后使用实际地铁线路数据进行仿真验证。

本发明与现有技术相比，其显著优点是：(1)考虑到列车延误调整过程中动态客流对于停站时间调整上限的约束，以及再生制动能的吸收利用，构建了时变的直流牵引网能耗计算模型，用于计算一段时间内的变电站能耗；(2)使用基于中心-离散学习的粒子群算法对延误列车调整模型设计求解流程，解决了传统粒子群算法容易陷入局部最优的问题，使用线性递减惯性权重，为地铁列车延误调整提供了数据和理论支持，具有较高的使用价值与应用前景。

附图说明

图1是本发明考虑客流影响和再生制动能利用的地铁列车延误调整方法的原理图。

具体实施方式

结合图1，本发明一种考虑客流影响和再生制动能利用的地铁列车延误调整方法，包括以下步骤：

步骤1，建立基于LSTM的客流预测模型：首先对客流数据进行预处理，然后训练构建好的LSTM网络层模型，最后采用训练好的LSTM网络层模型预测得到客流数据；

步骤2，分别对地铁列车、牵引变电所、牵引网进行建模，最终构建起一个时变的直流牵引网能耗计算模型，用于计算一段时间内的变电站能耗；

步骤3，在步骤1得到预测的客流数据之后，通过模拟乘客上下车的过程建立停站时间模型；

步骤4，建立列车延误调整模型，包括延误列车编号、延误的站台名、延误的时长、后行区间运行时间和站台停靠时间的调整量；

步骤5，把调整过程中变电站能耗变化量最低作为优化目标，使用基于中心-离散学习的粒子群算法求解列车延误调整模型中的各调制量，最后使用实际地铁线路数据进行仿真验证。

进一步地，步骤1所述的步骤LSTM客流预测模型包括：对客流数据进行预处理，然后训练构建好的LSTM网络层模型，接着输出模型，最后预测得到客流数据。

进一步地，步骤2所述的的时变的直流牵引网能耗计算模型，具体如下：

(2.1)通过对列车、牵引变电所、牵引网等进行建模，最终构建起一个时变的电网络模型；

(2.2)将一个时间段的实测数据作为输入导入直流牵引网能耗计算模型进行计算，得到能耗值结果，与实际能耗值作比较，若偏差大于设定阈值，调整相关参数直至偏差在设定阈值范围内。

进一步地，步骤3所述在步骤1得到预测的客流数据之后，通过模拟乘客上下车的过程建立停站时间模型，具体如下：

(3.1)下车时段的时间模型

乘客下车所需要的时间和下车的人数近似成线性关系，数学模型如下：

T_a(y_a)＝A₁*y_a+A₂

式中，y_a是所有要下车的乘客中在下车时段下车的那部分人数；T_a(y_a)是下车时段耗费的时长；A₁、A₂是下车时段的模型参数。

(3.2)上下车混行时段的时间模型

这个时候上车的乘客与下车的乘客混在一起，持续时长是4秒。

(3)上车时段的时间模型

当列车上乘客下车完毕后，上下行混行时段结束，站台上的乘客排成两队上车；此时由于车上还有空座，乘客上车的速度较快，在座位被占完之后，速度则会减慢，最后上车的乘客会因为受到列车的关门提醒而加快速度，因此上车时段分为三个小时段；

依据上述分析，得到如下式所示的分段模型：

式中，f(x)是上车时段上车人数达到x时需要耗费的上车时间；N是各个车门处靠前的希望能抢到座位的乘客的数量；P是车厢内乘客密度达到临界密度时的车门处平均人数；C₁、C₂、C₃、C₄、D₁、D₂、E₁、E₂、E₃均为上车时段的时间模型参数。

进一步地，步骤4所述的建立列车延误调整模型，包括延误列车编号、延误的站台名、延误的时长、后行区间运行时间和站台停靠时间的调整量，具体如下：

(4.1)判断列车实际到站时刻

和计划到站时刻

是否相同，即列车是否延误，如果延误，做差得到延误时长t_delay，并且记录下来延误列车的编号、延误站台名以及延误时长；

(4.2)判断延误时长t_delay是否大于列车追踪冗余时间T_trackmin，如果t_delay≤T_trackmin，当前列车的延误影响不会波及到后续运行列车，反之，如果t_delay＞T_trackmin，则后车运行受影响，产生连带延误，依据列车间安全追踪间隔得到后车延误信息，记录延误列车号、延误站点及延误时间；

(4.3)依据上述判断得出的延误列车调整方案，得到时间调整量的序列{Δt₁,Δt₂,...,Δt_n}。

进一步地，步骤5所述的把调整过程中变电站能耗变化量最低作为优化目标，使用基于中心-离散学习的粒子群算法求解列车延误调整模型中的各调制量，最后使用实际地铁线路数据进行仿真验证，具体如下：

(5.1)粒子编码方式使用实数编码，编码对象是列车延误后的调整方案；

(5.2)按照列车延误时长、列车在后面经过的区间运行时间的调整量上限、列车在后面经过的站台停靠时间的调整量上限确定粒子的维度，粒子中存放的是列车在后面运行区间和站台的调整值；

(5.3)确定粒子群群体数目、迭代次数、惯性权重ω、精英学习控制因子c；

(5.4)设置适应度函数：把调整过程中变电站能耗变化量最低作为适应度值函数，由时变电网络潮流计算得到，具体形式如下：

上式中，E_{sub_total}是线路中变电站能耗总值；

为第j个变电站的能耗，j＝1,2,...,N_sub，N_sub为线路中变电站的个数；

为t时刻第j个变电站的输出功率；Δt为仿真步长；

为t时刻第j个变电站的端电压；

为t时刻第j个变电站的支路电流；

为t时刻第j个变电站在接触网端的节点电压；

为t时刻第j个变电站在走行轨端的节点电压；

为t时刻第j个变电站在接触网端的节点注入电流；

为t时刻第j个变电站在走行轨端的节点注入电流；

(5.5)初始化相关参数；

(5.6)初始化粒子的位置，计算粒子的适应度值；

(5.7)线性化更新惯性权重ω；

(5.8)确定全局最优粒子，交替使用下述公式更新粒子速度和位置：

上式中，ω是粒子的惯性权重，c是精英学习控制因子，r是[0,1]之间满足随机均匀分布的小数；

是种群中排名靠前的L个个体的局部历史最优位置的算术平均值，γ_i(j)是粒子i在第j维度要学习的个体对应的编号。

(5.9)计算粒子适应度值，判断粒子是否收敛或者是否满足次数，若满足则进去步骤(10)，若不满足则返回步骤(5.6)；

(5.10)输出列车延误后的最优调整方法：后面区间运行时间的调整量、站台停靠时间的调整量。

进一步地，步骤(5.1)中的编码对象是列车延误后的调整方案，具体是：对列车的调整策略使用实数编码的方式，把延误列车后面经过的区间运行时间调整量和站台停靠时长调整量作为实数编码值，粒子的每个维度表示后面经过的区间或站台的时间调整量。

进一步地，步骤(5.2)中按照列车延误时长、列车在后面经过的区间运行时间的调整量上限、列车在后面经过的站台停靠时间的调整量上限确定粒子的维度，具体如下：

其中h是粒子的维度，t_delay是延误时长，T_Reds、T_Redr分别为列车后续区间运行冗余时间和停站冗余时间。

进一步地，步骤(5.3)中确定粒子群群体数目、迭代次数、惯性权重ω、精英学习控制因子c，具体是：粒子群数目设为25，迭代次数设为50，惯性权重ω设为0.9，精英学习控制因子c设为2。

进一步地，步骤(5.9)中粒子适应度值的计算步骤包括：

(a)取种群中第i个微粒并解码该个体对应的列车调整策略，i初始值为0；

(b)将微粒解码的运行调整方法导入列车延误调整模型；

(c)进行列车延误调整仿真，按照运行方法计算个体的适应度值；

(d)保存粒子的个体适应度值；

(e)判读当前粒子是否是群体中的最后一个粒子：如果是则计算结束；否则，i＝i+1，跳转至(a)。

以下结合附图和具体实施方式对本发明做进一步详细描述。

实施例

结合图1，本发明考虑客流影响和再生制动能利用的地铁列车延误调整方法，包括以下步骤：

步骤1，建立基本的数据模块：

包括线路数据、站台数据、变电站数据、计划运行时刻表、区间运行功率数据、预测得到的站台客流数据、列车的发车间隔等。

步骤2，建立停站时间模型，具体如下：

(1)下车时段的时间模型

乘客下车所需要的时间和下车的人数近似成线性关系，数学模型如下：

T_a(y_a)＝A₁*y_a+A₂

式中，y_a是所有要下车的乘客中在下车时段下车的那部分人数；T_a(y_a)是下车时段耗费的时长；A₁、A₂是下车时段的模型参数。

(2)上下车混行时段的时间模型

这个时候上车的乘客与下车的乘客混在一起，持续时长大约是4s。

(3)上车时段的时间模型

当列车上乘客下车完毕后，上下行混行时段结束，站台上的乘客排成两队迅速上车。此时由于车上还有空座，乘客上车的速度较快，在座位被占完之后，速度则会减慢，最后上车的乘客会因为受到列车的关门提醒而加快速度。因此此时段又可以分为三个小时段。

依据上述的分析，能够得到如下式所示的分段模型：

在上式中，f(x)是上车时段上车人数达到x时需要耗费的上车时间；N是各个车门处靠前的希望能抢到座位的乘客的数量；P是车厢内乘客密度达到某一临界密度时的车门处平均人数；C₁、C₂、C₃、C₄、D₁、D₂、E₁、E₂、E₃都是上车时段模型的参数。

步骤3，建立时变的直流牵引网能耗计算模型，具体如下：

(1)通过对列车、牵引变电所、牵引网等进行建模，最终构建起一个时变的电网络模型；

(2)将某个时间段的实测数据作为输入导入程序进行计算，得到能耗值结果，与实际能耗值作比较，若偏差较大，通过调整相关参数，减少计算结果的偏差。

步骤5，建立延误列车调整模型，具体如下：

(1)判断列车实际到站时刻

和计划到站时刻

是否相同，即列车是否延误，如果延误，做差得到延误时长t_delay，并且记录下来延误列车的编号、延误站台名以及延误时长。

(2)判断延误时长t_delay是否大于列车追踪冗余时间T_trackmin，如果t_delay＜T_trackmin，当前列车的延误影响不会波及到后续运行列车，反之，如果t_delay＞T_trackmin，则后车运行受影响，产生连带延误，依据列车间安全追踪间隔能够得到后车延误信息，记录延误列车号、延误站点及延误时间；

(3)依据上述判断得出的延误列车调整方案得到时间调整量的序列{Δt₁,Δt₂,...,Δt_n}。

步骤6，把调整过程中变电站能耗变化量最低作为优化目标，使用基于中心-离散学习的粒子群算法对延误列车调整模型设计求解流程，最后使用实际地铁线路数据进行仿真验证，具体如下：

(1)粒子编码方式使用实数编码，编码对象是列车延误后的调整方案；

(2)按照列车延误时长、列车在后面经过的区间运行时间的调整量上限、列车在后面经过的站台停靠时间的调整量上限确定粒子的维度，粒子中存放的是列车在后面运行区间和站台的调整值；

(3)确定粒子群种群数目、迭代次数、惯性权重ω、精英学习控制因子c；

(4)设置适应度函数：把调整过程中变电站能耗变化量最低作为适应度值函数，由时变电网络潮流计算得到，具体形式如下：

上式中，E_{sub_total}是线路中变电站能耗总值；

为第j个变电站的能耗，j＝1,2,...,N_sub，N_sub为线路中变电站的个数；

为t时刻第j个变电站的输出功率；Δt为仿真步长；

为t时刻第j个变电站的端电压；

为t时刻第j个变电站的支路电流；

为t时刻第j个变电站在接触网端的节点电压；

为t时刻第j个变电站在走行轨端的节点电压；

为t时刻第j个变电站在接触网端的节点注入电流；

为t时刻第j个变电站在走行轨端的节点注入电流。

(5)初始化相关参数；

(6)初始化粒子的位置，计算粒子的适应度值；

(7)线性化更新惯性权重ω；

(8)确定全局最优粒子，交替使用下述公式更新粒子速度和位置：

上式中，ω是粒子的惯性权重。c是”精英学习控制因子”，r是[0,1]之间满足随机均匀分布的小数。

是种群中排名靠前的L个个体的局部历史最优位置的算术平均值，γ_i(j)是粒子i在第j维度要学习的个体对应的编号。

(9)计算粒子适应度值，判断粒子是否收敛或者是否满足次数，若满足则进去步骤(10)，若不满足则返回步骤(6)；

(10)输出列车延误后的最优调整方法：后面区间运行时间的调整量、站台停靠时间的调整量。

本发明使用基于中心-离散学习的粒子群算法对延误列车调整模型设计求解流程，解决了传统粒子群算法容易陷入局部最优的问题，使用线性递减惯性权重，为地铁列车延误调整提供了数据和理论支持，具有较高的使用价值与应用前景。

Claims (9)

1.一种考虑客流影响和再生制动能利用的地铁列车延误调整方法，其特征在于，包括以下步骤：

步骤1，建立基于LSTM的客流预测模型：首先对客流数据进行预处理，然后训练构建好的LSTM网络层模型，最后采用训练好的LSTM网络层模型预测得到客流数据；

步骤2，分别对地铁列车、牵引变电所、牵引网进行建模，最终构建起一个时变的直流牵引网能耗计算模型，用于计算一段时间内的变电站能耗；

步骤3，在步骤1得到预测的客流数据之后，通过模拟乘客上下车的过程建立停站时间模型；

步骤4，建立列车延误调整模型，包括延误列车编号、延误的站台名、延误的时长、后行区间运行时间和站台停靠时间的调整量；

步骤5，把调整过程中变电站能耗变化量最低作为优化目标，使用基于中心-离散学习的粒子群算法求解列车延误调整模型中的各调制量，最后使用实际地铁线路数据进行仿真验证。

2.根据权利要求1所述的考虑客流影响和再生制动能利用的地铁列车延误调整方法，其特征在于，步骤2所述的时变的直流牵引网能耗计算模型，具体如下：

将一个时间段的实测数据作为输入导入直流牵引网能耗计算模型进行计算，得到能耗值结果，与实际能耗值作比较，若偏差大于设定阈值，调整相关参数直至偏差在设定阈值范围内。

3.根据权利要求1所述的考虑客流影响和再生制动能利用的地铁列车延误调整方法，其特征在于，步骤3所述在步骤1得到预测的客流数据之后，通过模拟乘客上下车的过程建立停站时间模型，具体如下：

(3.1)下车时段的时间模型

乘客下车所需要的时间和下车的人数近似成线性关系，数学模型如下：

T_a(y_a)＝A₁*y_a+A₂

式中，y_a是所有要下车的乘客中在下车时段下车的那部分人数；T_a(y_a)是下车时段耗费的时长；A₁、A₂是下车时段的模型参数；

(3.2)上下车混行时段的时间模型

这个时候上车的乘客与下车的乘客混在一起，持续时长是4秒；

(3.3)上车时段的时间模型

当列车上乘客下车完毕后，上下行混行时段结束，站台上的乘客排成两队上车；此时由于车上还有空座，乘客上车的速度较快，在座位被占完之后，速度则会减慢，最后上车的乘客会因为受到列车的关门提醒而加快速度，因此上车时段分为三个小时段；

依据上述分析，得到如下式所示的分段模型：

式中，f(x)是上车时段上车人数达到x时需要耗费的上车时间；N是各个车门处靠前的希望能抢到座位的乘客的数量；P是车厢内乘客密度达到临界密度时的车门处平均人数；C₁、C₂、C₃、C₄、D₁、D₂、E₁、E₂、E₃均为上车时段的时间模型参数。

4.根据权利要求1所述的考虑客流影响和再生制动能利用的地铁列车延误调整方法，其特征在于，步骤4所述的建立列车延误调整模型，包括延误列车编号、延误的站台名、延误的时长、后行区间运行时间和站台停靠时间的调整量，具体如下：

(4.1)判断列车实际到站时刻

和计划到站时刻

是否相同，即列车是否延误，如果延误，做差得到延误时长t_delay，并且记录下来延误列车的编号、延误站台名以及延误时长；

(4.2)判断延误时长t_delay是否大于列车追踪冗余时间T_trackmin，如果t_delay≤T_trackmin，当前列车的延误影响不会波及到后续运行列车，反之，如果t_delay＞T_trackmin，则后车运行受影响，产生连带延误，依据列车间安全追踪间隔得到后车延误信息，记录延误列车号、延误站点及延误时间；

(4.3)依据上述判断得出的延误列车调整方案，得到时间调整量的序列{Δt₁,Δt₂,...,Δt_n}。

5.根据权利要求1所述的考虑客流影响和再生制动能利用的地铁列车延误调整方法，其特征在于，步骤5所述的把调整过程中变电站能耗变化量最低作为优化目标，使用基于中心-离散学习的粒子群算法求解列车延误调整模型中的各调制量，最后使用实际地铁线路数据进行仿真验证，具体如下：

(5.1)粒子编码方式使用实数编码，编码对象是列车延误后的调整方案；

(5.2)按照列车延误时长、列车在后面经过的区间运行时间的调整量上限、列车在后面经过的站台停靠时间的调整量上限确定粒子的维度，粒子中存放的是列车在后面运行区间和站台的调整值；

(5.3)确定粒子群群体数目、迭代次数、惯性权重ω、精英学习控制因子c；

(5.4)设置适应度函数：把调整过程中变电站能耗变化量最低作为适应度值函数，由时变电网络潮流计算得到，具体形式如下：

上式中，E_{sub_total}是线路中变电站能耗总值；

为第j个变电站的能耗，j＝1,2,...,N_sub，N_sub为线路中变电站的个数；

为t时刻第j个变电站的输出功率；Δt为仿真步长；

为t时刻第j个变电站的端电压；

为t时刻第j个变电站的支路电流；

为t时刻第j个变电站在接触网端的节点电压；

为t时刻第j个变电站在走行轨端的节点电压；

为t时刻第j个变电站在接触网端的节点注入电流；

为t时刻第j个变电站在走行轨端的节点注入电流；

(5.5)初始化相关参数；

(5.6)初始化粒子的位置，计算粒子的适应度值；

(5.7)线性化更新惯性权重ω；

(5.8)确定全局最优粒子，交替使用下述公式更新粒子速度和位置：

上式中，ω是粒子的惯性权重，c是精英学习控制因子，r是[0,1]之间满足随机均匀分布的小数；

是种群中排名靠前的L个个体的局部历史最优位置的算术平均值，γ_i(j)是粒子i在第j维度要学习的个体对应的编号；

(5.9)计算粒子适应度值，判断粒子是否收敛或者是否满足次数，若满足则进去步骤(10)，若不满足则返回步骤(5.6)；

(5.10)输出列车延误后的最优调整方法：后面区间运行时间的调整量、站台停靠时间的调整量。

6.根据权利要求5所述的考虑客流影响和再生制动能利用的地铁列车延误调整方法，其特征在于，步骤(5.1)中的编码对象是列车延误后的调整方案，具体是：

对列车的调整策略使用实数编码的方式，把延误列车后面经过的区间运行时间调整量和站台停靠时长调整量作为实数编码值，粒子的每个维度表示后面经过的区间或站台的时间调整量。

7.根据权利要求5所述的考虑客流影响和再生制动能利用的地铁列车延误调整方法，其特征在于，步骤(5.2)中按照列车延误时长、列车在后面经过的区间运行时间的调整量上限、列车在后面经过的站台停靠时间的调整量上限确定粒子的维度，具体如下：

其中h是粒子的维度，t_delay是延误时长，T_Reds、T_Redr分别为列车后续区间运行冗余时间和停站冗余时间。

8.根据权利要求5所述的考虑客流影响和再生制动能利用的地铁列车延误调整方法，其特征在于，步骤(5.3)中确定粒子群群体数目、迭代次数、惯性权重ω、精英学习控制因子c，具体是：粒子群数目设为25，迭代次数设为50，惯性权重ω设为0.9，精英学习控制因子c设为2。

9.根据权利要求5所述的考虑客流影响和再生制动能利用的地铁列车延误调整方法，其特征在于，步骤(5.9)中粒子适应度值的计算步骤包括：

(a)取种群中第i个微粒并解码该个体对应的列车调整策略，i初始值为0；

(b)将微粒解码的运行调整方法导入列车延误调整模型；

(c)进行列车延误调整仿真，按照运行方法计算个体的适应度值；

(d)保存粒子的个体适应度值；

(e)判读当前粒子是否是群体中的最后一个粒子：如果是则计算结束；否则，i＝i+1，跳转至(a)。

Images