CN115860339B - 基于大数据分析的轨道交通能耗管理方法及装置 - Google Patents

基于大数据分析的轨道交通能耗管理方法及装置 Download PDF

Info

Publication number
CN115860339B
CN115860339B CN202310128845.8A CN202310128845A CN115860339B CN 115860339 B CN115860339 B CN 115860339B CN 202310128845 A CN202310128845 A CN 202310128845A CN 115860339 B CN115860339 B CN 115860339B
Authority
CN
China
Prior art keywords
data information
energy consumption
representing
train
time
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
CN202310128845.8A
Other languages
English (en)
Other versions
CN115860339A (zh
Inventor
杨存哲
唐永建
陈怀军
刘东东
吴泽松
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.)
Tianjin Jin Railway Huihai Technology Development Co ltd
Original Assignee
Tianjin Jin Railway Huihai Technology Development Co ltd
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 Tianjin Jin Railway Huihai Technology Development Co ltd filed Critical Tianjin Jin Railway Huihai Technology Development Co ltd
Priority to CN202310128845.8A priority Critical patent/CN115860339B/zh
Publication of CN115860339A publication Critical patent/CN115860339A/zh
Application granted granted Critical
Publication of CN115860339B publication Critical patent/CN115860339B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本申请涉及一种基于大数据分析的轨道交通能耗管理方法及相关组件，所述方法包括：获取第一数据信息，所述第一数据信息包括不同时间内的客流量；获取所述第一数据信息对应的第二数据信息，所述第二数据信息包括列车运行数据；拟合所述第一数据信息和第二数据信息，得到第三数据信息；基于所述第三数据信息构建轨道交通能耗综合分析模型，利用所述轨道交通能耗综合分析模型对轨道交通能耗进行管理。本申请能够通过大数据准确地对轨道交通能耗进行评估，降低了管理难度，提高了轨道交通运行的可靠性。

Description

基于大数据分析的轨道交通能耗管理方法及装置
技术领域
本申请涉及交通管理的技术领域，特别是涉及一种基于大数据分析的轨道交通能耗管理方法及装置。
背景技术
近年来，我国城市轨道交通步入快速发展阶段，成为了公共设施中最大的能量消耗系统之一，给城市的供电系统带来极大的负载压力。在地铁列车运行的基础设施(包括线路环境、线路站间距、线路坡道弯道、牵引供电系统等硬件设施)建成且列车运行图等运营管理确定的情况下，利用计算机仿真技术可优化列车操纵方法，即在满足列车安全、准点和舒适性要求的同时，通过合理运用节能运行原理并优化列车的操纵模型，可达到列车节能操纵的目的，与此同时，如何准确测量计算列车单位能耗的问题，也越来越受到各车辆运营公司的关注。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确测量列车单位能耗的基于大数据分析的轨道交通能耗管理方法及装置。
一方面，提供一种基于大数据分析的轨道交通能耗管理方法，所述方法包括：
步骤A：获取第一数据信息，所述第一数据信息包括不同时间内的客流量；
步骤B：获取所述第一数据信息对应的第二数据信息，所述第二数据信息包括列车运行数据；
步骤C：拟合所述第一数据信息和第二数据信息，得到第三数据信息；
步骤D：基于所述第三数据信息构建轨道交通能耗综合分析模型，利用所述轨道交通能耗综合分析模型对轨道交通能耗进行管理。
在其中一个实施例中，还包括：获取所述第一数据信息的过程包括：基于基站定位策略获取移动终端的世界坐标；对所述移动终端的世界坐标进行数据清理；计算数据清理后的所述世界坐标到目标坐标的速度值；若所述速度值大于第一预设值，判断所述移动终端对应的用户为有效乘车用户；若所述速度值小于或等于第一预设值，判断所述移动终端对应的用户为无效乘车用户；将所述有效乘车用户的数量与用户数量修正系数进行累加得到所述不同时间内的客流量。
在其中一个实施例中，还包括：获取所述第二数据信息的过程包括：基于列车网络系统数据库提取列车每天运行过程中与能耗相关的运行数据信息，所述运行数据信息包括以下至少一项：列车车辆的电压、电流、速度及力矩；利用均值策略对所述运行数据信息进行去噪处理；将去噪处理后的运行数据信息根据时间段进行分类存储，得到所述第二数据信息。
在其中一个实施例中，还包括：拟合所述第一数据信息和第二数据信息，得到第三数据信息包括：输入所述第一数据信息和第二数据信息；采用多线程选择多个拟合函数对所述第一数据信息和第二数据信息进行拟合，得到多个拟合结果；计算每个所述拟合结果所对应的拟合度并进行排序；选取拟合度最高所对应的拟合结果作为所述第三数据信息。
在其中一个实施例中，还包括：所述轨道交通能耗综合分析模型包括经济性目标和可靠性目标，所述经济性目标包括：
Figure SMS_1
其中，
Figure SMS_2
表示运营成本，m表示所涉及的列车运行时所载的客流数量，n表示时间编号，i表示储能列车车厢编号，
Figure SMS_3
表示列车运行时所需消耗的费用系数，N表示储能列车车厢总数，
Figure SMS_4
表示编号为i储能列车车厢的牵引能耗，
Figure SMS_5
表示购电成本，
Figure SMS_6
表示修正系数；
所述可靠性目标包括：
Figure SMS_7
其中，
Figure SMS_8
表示
Figure SMS_9
时间段发生状态转移的概率，
Figure SMS_10
表示列车车厢k处于状态h的概率随时间变化的函数，t表示时间，
Figure SMS_11
表示列车车厢k首次处于状态h时的功率输出，s表示不同客流量对应的列车运行时的速度，
Figure SMS_12
表示时间步长。
在其中一个实施例中，还包括：所述轨道交通的综合能耗计算公式包括：
Figure SMS_13
其中，A表示综合能耗值，
Figure SMS_14
表示客流量为B时的能耗值，
Figure SMS_15
表示列车种类系数，
Figure SMS_16
表示修正系数，
Figure SMS_17
表示时间修正系数，
Figure SMS_18
表示获取目标坐标所处的时间值，
Figure SMS_19
表示获取世界坐标所处的时间值，
Figure SMS_20
表示列车标准能耗曲线中b时刻的标准客流量。
在其中一个实施例中，还包括：利用所述轨道交通能耗综合分析模型对轨道交通能耗进行管理包括：当所述综合能耗值大于第二预设值时，向终端发送预警信号并对列车运行时间及轨迹进行适应性调整。
另一方面，提供了一种基于大数据分析的轨道交通能耗管理装置，所述装置包括：
第一采集模块，用于获取第一数据信息，所述第一数据信息包括不同时间内的客流量；
第二采集模块，用于获取所述第一数据信息对应的第二数据信息，所述第二数据信息包括列车运行数据；
数据处理模块，用于预处理并拟合所述第一数据信息和第二数据信息，得到第三数据信息；
能耗管理模块，用于基于所述第三数据信息构建轨道交通能耗综合分析模型，利用所述轨道交通能耗综合分析模型对轨道交通能耗进行管理。
再一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
步骤A：获取第一数据信息，所述第一数据信息包括不同时间内的客流量；
步骤B：获取所述第一数据信息对应的第二数据信息，所述第二数据信息包括列车运行数据；
步骤C：拟合所述第一数据信息和第二数据信息，得到第三数据信息；
步骤D：基于所述第三数据信息构建轨道交通能耗综合分析模型，利用所述轨道交通能耗综合分析模型对轨道交通能耗进行管理。
又一方面，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时实现以下步骤：
步骤A：获取第一数据信息，所述第一数据信息包括不同时间内的客流量；
步骤B：获取所述第一数据信息对应的第二数据信息，所述第二数据信息包括列车运行数据；
步骤C：拟合所述第一数据信息和第二数据信息，得到第三数据信息；
步骤D：基于所述第三数据信息构建轨道交通能耗综合分析模型，利用所述轨道交通能耗综合分析模型对轨道交通能耗进行管理。
上述基于大数据分析的轨道交通能耗管理方法及装置，所述方法包括：获取第一数据信息，所述第一数据信息包括不同时间内的客流量；获取所述第一数据信息对应的第二数据信息，所述第二数据信息包括列车运行数据；拟合所述第一数据信息和第二数据信息，得到第三数据信息；基于所述第三数据信息构建轨道交通能耗综合分析模型，利用所述轨道交通能耗综合分析模型对轨道交通能耗进行管理，本申请能够通过大数据准确地对轨道交通能耗进行评估，降低了管理难度，提高了轨道交通运行的可靠性。
附图说明
图1为一个实施例中基于大数据分析的轨道交通能耗管理方法的应用环境图；
图2为一个实施例中基于大数据分析的轨道交通能耗管理方法的流程示意图；
图3为一个实施例中基于大数据分析的轨道交通能耗管理装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，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。
应当理解，在本申请的描述中，除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
还应当理解，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
需要注意的是，术语“S1”、“S2”等仅用于步骤的描述目的，并非特别指称次序或顺位的意思，亦非用以限定本申请，其仅仅是为了方便描述本申请的方法，而不能理解为指示步骤的先后顺序。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
本申请提供的基于大数据分析的轨道交通能耗管理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与设置于服务器104上的数据处理平台进行通信，其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
实施例1
在一个实施例中，如图2所示，提供了一种基于大数据分析的轨道交通能耗管理方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
S1：获取第一数据信息，所述第一数据信息包括不同时间内的客流量。
需要说明的是，获取所述第一数据信息的过程包括：
基于基站定位策略获取移动终端的世界坐标，其中，所述基站定位策略为移动终端所应用的数据卡自带的定位坐标，如移动卡、联通卡等，本实施例中所采用的移动终端可以是手机、ipad等；
对所述移动终端的世界坐标进行数据清理，本实施例对所有数据进行筛选，将明显错误的数据进行删除处理，如经纬度为0或不在统计城市所在范围内的数据，进一步的，将距离列车行车路线直线距离超过固定值的世界坐标进行删除处理，从而得到数据处理后的世界坐标；
计算数据清理后的所述世界坐标到目标坐标的速度值，示例性的，世界坐标为移动终端用户上车的位置，目标坐标为移动终端用户下车的位置，计算移动用户从该点到另一点的速度值，用于判断列车周围的目标用户是否为有效乘车用户，其中，有效乘车用户指的是真实乘坐该列车的移动终端用户；
若所述速度值大于第一预设值，判断所述移动终端对应的用户为有效乘车用户；
若所述速度值小于或等于第一预设值，判断所述移动终端对应的用户为无效乘车用户；
将所述有效乘车用户的数量与用户数量修正系数进行累加得到所述不同时间内的客流量，其中，上述的用户数量修正系数指的是基于历史数据统计出的未带手机或其他可以定位的移动终端的乘客数量的平均值。
S2：获取所述第一数据信息对应的第二数据信息，所述第二数据信息包括列车运行数据。
需要说明的是，获取所述第二数据信息的过程包括：
基于列车网络系统数据库提取列车每天运行过程中与能耗相关的运行数据信息，所述运行数据信息包括以下至少一项：列车车辆的电压、电流、速度及力矩，其中，所述的运行数据信息为客流量统计时间内客流量对应的运行数据信息；
利用均值策略对所述运行数据信息进行去噪处理，具体为：
将数据按从小到大进行排序X1，X2…Xn；
假设Xi为异常点，则计算平均值avg；
计算算数平均值和标准差的估计量s；
计算统计量Gi=|Xi-avg|/s；
将Gi与预设值进行比较，若小于或等于则认为不是异常值，若大于，就认为这个点是异常值。
将去噪处理后的运行数据信息根据时间段进行分类存储，得到所述第二数据信息，本实施例所述的分类为按时间进行分类，示例性的，双休日为一类，工作日为一类，中秋节等法定节假日为一类，以及其他需要进行分类的日期。
S3：拟合所述第一数据信息和第二数据信息，得到第三数据信息。
需要说明的是，该步骤具体包括：
输入所述第一数据信息和第二数据信息；
采用多线程选择多个拟合函数对所述第一数据信息和第二数据信息进行拟合，得到多个拟合结果，其中，拟合函数可以包括：线性拟合函数、多项式拟合函数、指数拟合函数和对数拟合函数；
计算每个所述拟合结果所对应的拟合度并进行排序；
选取拟合度最高所对应的拟合结果作为所述第三数据信息。
其中，该步骤将第一数据信息和第二数据信息进行拟合是为了后续构建轨道交通能耗综合分析模型时能够快速准确地调取第一数据信息对应的第二数据信息或者第二数据信息对应的第一数据信息。
S4：基于所述第三数据信息构建轨道交通能耗综合分析模型，利用所述轨道交通能耗综合分析模型对轨道交通能耗进行管理。
需要说明的是，所述轨道交通能耗综合分析模型包括经济性目标和可靠性目标，其中，下述的公式中的字符均仅取数值，具体的：
所述经济性目标包括：
Figure SMS_21
其中，
Figure SMS_22
表示运营成本，m表示所涉及的列车运行时所载的客流数量，n表示时间编号，i表示储能列车车厢编号，
Figure SMS_23
表示列车运行时所需消耗的费用系数，N表示储能列车车厢总数，
Figure SMS_24
表示编号为i储能列车车厢的牵引能耗，
Figure SMS_25
表示购电成本，
Figure SMS_26
表示修正系数；
所述可靠性目标包括：
Figure SMS_27
其中，
Figure SMS_28
表示
Figure SMS_29
时间段发生状态转移的概率，
Figure SMS_30
表示列车车厢k处于状态h的概率随时间变化的函数，t表示时间，
Figure SMS_31
表示列车车厢k首次处于状态h时的功率输出，s表示不同客流量对应的列车运行时的速度，
Figure SMS_32
表示时间步长。
进一步的，所述轨道交通的综合能耗计算公式包括：
Figure SMS_33
其中，A表示综合能耗值，
Figure SMS_34
表示客流量为B时的能耗值，
Figure SMS_35
表示列车种类系数，
Figure SMS_36
表示修正系数，
Figure SMS_37
表示时间修正系数，
Figure SMS_38
表示获取目标坐标所处的时间值，
Figure SMS_39
表示获取世界坐标所处的时间值，
Figure SMS_40
表示列车标准能耗曲线中b时刻的标准客流量。
更进一步的，利用所述轨道交通能耗综合分析模型对轨道交通能耗进行管理包括：
当所述综合能耗值大于第二预设值时，向终端发送预警信号，列车管理员接收到预警信号后对列车运行时间及轨迹进行适应性调整。
上述基于大数据分析的轨道交通能耗管理方法中，所述方法包括：获取第一数据信息，所述第一数据信息包括不同时间内的客流量；获取所述第一数据信息对应的第二数据信息，所述第二数据信息包括列车运行数据；拟合所述第一数据信息和第二数据信息，得到第三数据信息；基于所述第三数据信息构建轨道交通能耗综合分析模型，利用所述轨道交通能耗综合分析模型对轨道交通能耗进行管理，本申请能够通过大数据准确地对轨道交通能耗进行评估，降低了管理难度，提高了轨道交通运行的可靠性。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例2
在一个实施例中，如图3所示，提供了一种基于大数据分析的轨道交通能耗管理装置，包括：第一采集模块、第二采集模块、数据处理模块和能耗管理模块，其中：
第一采集模块，用于获取第一数据信息，所述第一数据信息包括不同时间内的客流量；
第二采集模块，用于获取所述第一数据信息对应的第二数据信息，所述第二数据信息包括列车运行数据；
数据处理模块，用于预处理并拟合所述第一数据信息和第二数据信息，得到第三数据信息；
能耗管理模块，用于基于所述第三数据信息构建轨道交通能耗综合分析模型，利用所述轨道交通能耗综合分析模型对轨道交通能耗进行管理。
作为一种较优的实施方式，本发明实施例中，所述第一采集模块具体用于：
基于基站定位策略获取移动终端的世界坐标；
对所述移动终端的世界坐标进行数据清理；
计算数据清理后的所述世界坐标到目标坐标的速度值；
若所述速度值大于第一预设值，判断所述移动终端对应的用户为有效乘车用户；
若所述速度值小于或等于第一预设值，判断所述移动终端对应的用户为无效乘车用户；
将所述有效乘车用户的数量与用户数量修正系数进行累加得到所述不同时间内的客流量。
作为一种较优的实施方式，本发明实施例中，所述第二采集模块具体用于：
基于列车网络系统数据库提取列车每天运行过程中与能耗相关的运行数据信息，所述运行数据信息包括以下至少一项：列车车辆的电压、电流、速度及力矩；
利用均值策略对所述运行数据信息进行去噪处理；
将去噪处理后的运行数据信息根据时间段进行分类存储，得到所述第二数据信息。
作为一种较优的实施方式，本发明实施例中，所述数据处理模块具体用于：
输入所述第一数据信息和第二数据信息；
采用多线程选择多个拟合函数对所述第一数据信息和第二数据信息进行拟合，得到多个拟合结果；
计算每个所述拟合结果所对应的拟合度并进行排序；
选取拟合度最高所对应的拟合结果作为所述第三数据信息。
作为一种较优的实施方式，本发明实施例中，所述能耗管理模块具体用于：
构建经济性目标和可靠性目标，其中，所述经济性目标包括：
Figure SMS_41
其中，
Figure SMS_42
表示运营成本，m表示所涉及的列车运行时所载的客流数量，n表示时间编号，i表示储能列车车厢编号，
Figure SMS_43
表示列车运行时所需消耗的费用系数，N表示储能列车车厢总数，
Figure SMS_44
表示编号为i储能列车车厢的牵引能耗，
Figure SMS_45
表示购电成本，
Figure SMS_46
表示修正系数；
所述可靠性目标包括：
Figure SMS_47
其中，
Figure SMS_48
表示
Figure SMS_49
时间段发生状态转移的概率，
Figure SMS_50
表示列车车厢k处于状态h的概率随时间变化的函数，t表示时间，
Figure SMS_51
表示列车车厢k首次处于状态h时的功率输出，s表示不同客流量对应的列车运行时的速度，
Figure SMS_52
表示时间步长；
所述轨道交通的综合能耗计算公式包括：
Figure SMS_53
其中，A表示综合能耗值，
Figure SMS_54
表示客流量为B时的能耗值，
Figure SMS_55
表示列车种类系数，
Figure SMS_56
表示修正系数，
Figure SMS_57
表示时间修正系数，
Figure SMS_58
表示获取目标坐标所处的时间值，
Figure SMS_59
表示获取世界坐标所处的时间值，
Figure SMS_60
表示列车标准能耗曲线中b时刻的标准客流量。
作为一种较优的实施方式，本发明实施例中，所述能耗管理模块具体还用于：
当所述综合能耗值大于第二预设值时，向终端发送预警信号并对列车运行时间及轨迹进行适应性调整。
关于基于大数据分析的轨道交通能耗管理装置的具体限定可以参见上文中对于基于大数据分析的轨道交通能耗管理方法的限定，在此不再赘述。上述基于大数据分析的轨道交通能耗管理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
实施例3
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于大数据分析的轨道交通能耗管理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
S1：获取第一数据信息，所述第一数据信息包括不同时间内的客流量；
S2：获取所述第一数据信息对应的第二数据信息，所述第二数据信息包括列车运行数据；
S3：拟合所述第一数据信息和第二数据信息，得到第三数据信息；
S4：基于所述第三数据信息构建轨道交通能耗综合分析模型，利用所述轨道交通能耗综合分析模型对轨道交通能耗进行管理。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于基站定位策略获取移动终端的世界坐标；
对所述移动终端的世界坐标进行数据清理；
计算数据清理后的所述世界坐标到目标坐标的速度值；
若所述速度值大于第一预设值，判断所述移动终端对应的用户为有效乘车用户；
若所述速度值小于或等于第一预设值，判断所述移动终端对应的用户为无效乘车用户；
将所述有效乘车用户的数量与用户数量修正系数进行累加得到所述不同时间内的客流量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于列车网络系统数据库提取列车每天运行过程中与能耗相关的运行数据信息，所述运行数据信息包括以下至少一项：列车车辆的电压、电流、速度及力矩；
利用均值策略对所述运行数据信息进行去噪处理；
将去噪处理后的运行数据信息根据时间段进行分类存储，得到所述第二数据信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
输入所述第一数据信息和第二数据信息；
采用多线程选择多个拟合函数对所述第一数据信息和第二数据信息进行拟合，得到多个拟合结果；
计算每个所述拟合结果所对应的拟合度并进行排序；
选取拟合度最高所对应的拟合结果作为所述第三数据信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
构建经济性目标和可靠性目标，所述经济性目标包括：
Figure SMS_61
其中，
Figure SMS_62
表示运营成本，m表示所涉及的列车运行时所载的客流数量，n表示时间编号，i表示储能列车车厢编号，
Figure SMS_63
表示列车运行时所需消耗的费用系数，N表示储能列车车厢总数，
Figure SMS_64
表示编号为i储能列车车厢的牵引能耗，
Figure SMS_65
表示购电成本，
Figure SMS_66
表示修正系数；
所述可靠性目标包括：
Figure SMS_67
其中，
Figure SMS_68
表示
Figure SMS_69
时间段发生状态转移的概率，
Figure SMS_70
表示列车车厢k处于状态h的概率随时间变化的函数，t表示时间，
Figure SMS_71
表示列车车厢k首次处于状态h时的功率输出，s表示不同客流量对应的列车运行时的速度，
Figure SMS_72
表示时间步长；
所述轨道交通的综合能耗计算公式包括：
Figure SMS_73
其中，A表示综合能耗值，
Figure SMS_74
表示客流量为B时的能耗值，
Figure SMS_75
表示列车种类系数，
Figure SMS_76
表示修正系数，
Figure SMS_77
表示时间修正系数，
Figure SMS_78
表示获取目标坐标所处的时间值，
Figure SMS_79
表示获取世界坐标所处的时间值，
Figure SMS_80
表示列车标准能耗曲线中b时刻的标准客流量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
当所述综合能耗值大于第二预设值时，向终端发送预警信号并对列车运行时间及轨迹进行适应性调整。
实施例4
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
S1：获取第一数据信息，所述第一数据信息包括不同时间内的客流量；
S2：获取所述第一数据信息对应的第二数据信息，所述第二数据信息包括列车运行数据；
S3：拟合所述第一数据信息和第二数据信息，得到第三数据信息；
S4：基于所述第三数据信息构建轨道交通能耗综合分析模型，利用所述轨道交通能耗综合分析模型对轨道交通能耗进行管理。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于基站定位策略获取移动终端的世界坐标；
对所述移动终端的世界坐标进行数据清理；
计算数据清理后的所述世界坐标到目标坐标的速度值；
若所述速度值大于第一预设值，判断所述移动终端对应的用户为有效乘车用户；
若所述速度值小于或等于第一预设值，判断所述移动终端对应的用户为无效乘车用户；
将所述有效乘车用户的数量与用户数量修正系数进行累加得到所述不同时间内的客流量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于列车网络系统数据库提取列车每天运行过程中与能耗相关的运行数据信息，所述运行数据信息包括以下至少一项：列车车辆的电压、电流、速度及力矩；
利用均值策略对所述运行数据信息进行去噪处理；
将去噪处理后的运行数据信息根据时间段进行分类存储，得到所述第二数据信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
输入所述第一数据信息和第二数据信息；
采用多线程选择多个拟合函数对所述第一数据信息和第二数据信息进行拟合，得到多个拟合结果；
计算每个所述拟合结果所对应的拟合度并进行排序；
选取拟合度最高所对应的拟合结果作为所述第三数据信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
构建经济性目标和可靠性目标，其中，所述经济性目标包括：
Figure SMS_81
其中，
Figure SMS_82
表示运营成本，m表示所涉及的列车运行时所载的客流数量，n表示时间编号，i表示储能列车车厢编号，
Figure SMS_83
表示列车运行时所需消耗的费用系数，N表示储能列车车厢总数，
Figure SMS_84
表示编号为i储能列车车厢的牵引能耗，
Figure SMS_85
表示购电成本，
Figure SMS_86
表示修正系数；
所述可靠性目标包括：
Figure SMS_87
其中，
Figure SMS_88
表示
Figure SMS_89
时间段发生状态转移的概率，
Figure SMS_90
表示列车车厢k处于状态h的概率随时间变化的函数，t表示时间，
Figure SMS_91
表示列车车厢k首次处于状态h时的功率输出，s表示不同客流量对应的列车运行时的速度，
Figure SMS_92
表示时间步长；
所述轨道交通的综合能耗计算公式包括：
Figure SMS_93
其中，A表示综合能耗值，
Figure SMS_94
表示客流量为B时的能耗值，
Figure SMS_95
表示列车种类系数，
Figure SMS_96
表示修正系数，
Figure SMS_97
表示时间修正系数，
Figure SMS_98
表示获取目标坐标所处的时间值，
Figure SMS_99
表示获取世界坐标所处的时间值，
Figure SMS_100
表示列车标准能耗曲线中b时刻的标准客流量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
当所述综合能耗值大于第二预设值时，向终端发送预警信号并对列车运行时间及轨迹进行适应性调整。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）、直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于大数据分析的轨道交通能耗管理方法，其特征在于，所述方法包括：
获取第一数据信息，所述第一数据信息包括不同时间内的客流量；
获取所述第一数据信息对应的第二数据信息，所述第二数据信息包括列车运行数据；
拟合所述第一数据信息和第二数据信息，得到第三数据信息；
基于所述第三数据信息构建轨道交通能耗综合分析模型，利用所述轨道交通能耗综合分析模型对轨道交通能耗进行管理；
其中，所述轨道交通能耗综合分析模型包括经济性目标和可靠性目标，所述经济性目标包括：
Figure QLYQS_1
其中，
Figure QLYQS_2
表示运营成本，m表示所涉及的列车运行时所载的客流数量，n表示时间编号，i表示储能列车车厢编号，
Figure QLYQS_3
表示列车运行时所需消耗的费用系数，N表示储能列车车厢总数，
Figure QLYQS_4
表示编号为i储能列车车厢的牵引能耗，
Figure QLYQS_5
表示购电成本，
Figure QLYQS_6
表示修正系数；
所述可靠性目标包括：
Figure QLYQS_7
其中，
Figure QLYQS_8
表示
Figure QLYQS_9
时间段发生状态转移的概率，
Figure QLYQS_10
表示列车车厢k处于状态h的概率随时间变化的函数，t表示时间，
Figure QLYQS_11
表示列车车厢k首次处于状态h时的功率输出，s表示不同客流量对应的列车运行时的速度，
Figure QLYQS_12
表示时间步长；
轨道交通的综合能耗计算公式包括：
Figure QLYQS_13
其中，A表示综合能耗值，
Figure QLYQS_14
表示客流量为B时的能耗值，
Figure QLYQS_15
表示列车种类系数，
Figure QLYQS_16
表示修正系数，
Figure QLYQS_17
表示时间修正系数，
Figure QLYQS_18
表示获取目标坐标所处的时间值，
Figure QLYQS_19
表示获取世界坐标所处的时间值，
Figure QLYQS_20
表示列车标准能耗曲线中b时刻的标准客流量。
2.根据权利要求1所述的基于大数据分析的轨道交通能耗管理方法，其特征在于，获取所述第一数据信息的过程包括：
基于基站定位策略获取移动终端的世界坐标；
对所述移动终端的世界坐标进行数据清理；
计算数据清理后的所述世界坐标到目标坐标的速度值；
若所述速度值大于第一预设值，判断所述移动终端对应的用户为有效乘车用户；
若所述速度值小于或等于第一预设值，判断所述移动终端对应的用户为无效乘车用户；
将所述有效乘车用户的数量与用户数量修正系数进行累加得到所述不同时间内的客流量。
3.根据权利要求2所述的基于大数据分析的轨道交通能耗管理方法，其特征在于，获取所述第二数据信息的过程包括：
基于列车网络系统数据库提取列车每天运行过程中与能耗相关的运行数据信息，所述运行数据信息包括以下至少一项：列车车辆的电压、电流、速度及力矩；
利用均值策略对所述运行数据信息进行去噪处理；
将去噪处理后的运行数据信息根据时间段进行分类存储，得到所述第二数据信息。
4.根据权利要求3所述的基于大数据分析的轨道交通能耗管理方法，其特征在于，拟合所述第一数据信息和第二数据信息，得到第三数据信息包括：
输入所述第一数据信息和第二数据信息；
采用多线程选择多个拟合函数对所述第一数据信息和第二数据信息进行拟合，得到多个拟合结果；
计算每个所述拟合结果所对应的拟合度并进行排序；
选取拟合度最高所对应的拟合结果作为所述第三数据信息。
5.根据权利要求4所述的基于大数据分析的轨道交通能耗管理方法，其特征在于，利用所述轨道交通能耗综合分析模型对轨道交通能耗进行管理包括：
当所述综合能耗值大于第二预设值时，向终端发送预警信号并对列车运行时间及轨迹进行适应性调整。
6.一种基于大数据分析的轨道交通能耗管理装置，其特征在于，所述装置包括：
第一采集模块，用于获取第一数据信息，所述第一数据信息包括不同时间内的客流量；
第二采集模块，用于获取所述第一数据信息对应的第二数据信息，所述第二数据信息包括列车运行数据；
数据处理模块，用于预处理并拟合所述第一数据信息和第二数据信息，得到第三数据信息；
能耗管理模块，用于基于所述第三数据信息构建轨道交通能耗综合分析模型，利用所述轨道交通能耗综合分析模型对轨道交通能耗进行管理；
其中，所述轨道交通能耗综合分析模型包括经济性目标和可靠性目标，所述经济性目标包括：
Figure QLYQS_21
其中，
Figure QLYQS_22
表示运营成本，m表示所涉及的列车运行时所载的客流数量，n表示时间编号，i表示储能列车车厢编号，
Figure QLYQS_23
表示列车运行时所需消耗的费用系数，N表示储能列车车厢总数，
Figure QLYQS_24
表示编号为i储能列车车厢的牵引能耗，
Figure QLYQS_25
表示购电成本，
Figure QLYQS_26
表示修正系数；
所述可靠性目标包括：
Figure QLYQS_27
其中，
Figure QLYQS_28
表示
Figure QLYQS_29
时间段发生状态转移的概率，
Figure QLYQS_30
表示列车车厢k处于状态h的概率随时间变化的函数，t表示时间，
Figure QLYQS_31
表示列车车厢k首次处于状态h时的功率输出，s表示不同客流量对应的列车运行时的速度，
Figure QLYQS_32
表示时间步长；
轨道交通的综合能耗计算公式包括：
Figure QLYQS_33
其中，A表示综合能耗值，
Figure QLYQS_34
表示客流量为B时的能耗值，
Figure QLYQS_35
表示列车种类系数，
Figure QLYQS_36
表示修正系数，
Figure QLYQS_37
表示时间修正系数，
Figure QLYQS_38
表示获取目标坐标所处的时间值，
Figure QLYQS_39
表示获取世界坐标所处的时间值，
Figure QLYQS_40
表示列车标准能耗曲线中b时刻的标准客流量。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202310128845.8A 2023-02-17 2023-02-17 基于大数据分析的轨道交通能耗管理方法及装置 Active CN115860339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310128845.8A CN115860339B (zh) 2023-02-17 2023-02-17 基于大数据分析的轨道交通能耗管理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310128845.8A CN115860339B (zh) 2023-02-17 2023-02-17 基于大数据分析的轨道交通能耗管理方法及装置

Publications (2)

Publication Number Publication Date
CN115860339A CN115860339A (zh) 2023-03-28
CN115860339B true CN115860339B (zh) 2023-05-05

Family

ID=85658314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310128845.8A Active CN115860339B (zh) 2023-02-17 2023-02-17 基于大数据分析的轨道交通能耗管理方法及装置

Country Status (1)

Country Link
CN (1) CN115860339B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101376344A (zh) * 2008-09-28 2009-03-04 东南大学 地铁供电系统的多目标综合控制节能方法
CN102030022A (zh) * 2009-09-27 2011-04-27 深圳达实智能股份有限公司 轨道交通管理装置和方法
CN106774131A (zh) * 2017-01-05 2017-05-31 河南机电职业学院 一种城市轨道交通能耗测量控制系统及评价方法
CN107239874A (zh) * 2017-04-26 2017-10-10 广西电网有限责任公司电力科学研究院 一种面向轨道交通的电能质量及节能分析系统
CN107704975A (zh) * 2017-06-30 2018-02-16 湖南工业大学 基于生物地理算法的地铁列车节能运行优化方法与系统
CN108116455A (zh) * 2017-12-07 2018-06-05 交控科技股份有限公司 城市轨道交通综合节能系统及基于该系统的综合节能方法
CN112556103A (zh) * 2020-12-07 2021-03-26 上海电科智能系统股份有限公司 一种基于负荷预测的大系统节能控制方式及系统
CN112866951A (zh) * 2020-12-30 2021-05-28 南京理工大学 基于wsn框架的轨道交通能耗数采集系统
CN114202316A (zh) * 2021-12-17 2022-03-18 南京理工大学 基于深度强化学习的城市轨道交通列车时刻表优化方法
CN114248818A (zh) * 2022-01-13 2022-03-29 南京融才交通科技研究院有限公司 一种基于轨道交通的智能化信息化运输监管方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114818349A (zh) * 2022-05-07 2022-07-29 南京熙昶能源科技有限公司 基于时空网络客流状态估计的节能运行图优化分析方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101376344A (zh) * 2008-09-28 2009-03-04 东南大学 地铁供电系统的多目标综合控制节能方法
CN102030022A (zh) * 2009-09-27 2011-04-27 深圳达实智能股份有限公司 轨道交通管理装置和方法
CN106774131A (zh) * 2017-01-05 2017-05-31 河南机电职业学院 一种城市轨道交通能耗测量控制系统及评价方法
CN107239874A (zh) * 2017-04-26 2017-10-10 广西电网有限责任公司电力科学研究院 一种面向轨道交通的电能质量及节能分析系统
CN107704975A (zh) * 2017-06-30 2018-02-16 湖南工业大学 基于生物地理算法的地铁列车节能运行优化方法与系统
CN108116455A (zh) * 2017-12-07 2018-06-05 交控科技股份有限公司 城市轨道交通综合节能系统及基于该系统的综合节能方法
CN112556103A (zh) * 2020-12-07 2021-03-26 上海电科智能系统股份有限公司 一种基于负荷预测的大系统节能控制方式及系统
CN112866951A (zh) * 2020-12-30 2021-05-28 南京理工大学 基于wsn框架的轨道交通能耗数采集系统
CN114202316A (zh) * 2021-12-17 2022-03-18 南京理工大学 基于深度强化学习的城市轨道交通列车时刻表优化方法
CN114248818A (zh) * 2022-01-13 2022-03-29 南京融才交通科技研究院有限公司 一种基于轨道交通的智能化信息化运输监管方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"夏热冬冷地区城市轨道交通环控能耗指标分析研究";朱培根等;《绿色轨道》;全文 *

Also Published As

Publication number Publication date
CN115860339A (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
US11244402B2 (en) Prediction algorithm based attribute data processing
US10769722B1 (en) Heuristic credit risk assessment engine
Wang et al. Sustainable transportation network design with stochastic demands and chance constraints
WO2021179818A1 (zh) 行驶状态识别方法、装置、终端及存储介质
CN104715285A (zh) 处理订单的方法和设备
US20230072086A1 (en) Heuristic credit risk assessment engine
CN113298408A (zh) 一种企业税务风险监控分析系统及方法
CN116050947A (zh) 车辆调度效果的评价方法、装置、计算机设备和存储介质
CN115860339B (zh) 基于大数据分析的轨道交通能耗管理方法及装置
CN109711743A (zh) 一种施工隧道车辆出勤的考核方法、计算机装置以及计算机可读存储介质
CN117037482A (zh) 道路交通运行状态实时感知方法、系统、设备及存储介质
CN111639973A (zh) 基于多元融合大数据的公交客流od推导方法及装置
CN115830870A (zh) 收费站数据处理方法、装置、计算机设备和存储介质
CN113783841B (zh) 工业物联网入侵检测网络架构构建方法、装置、设备及存储介质
CN110838243B (zh) 车位数据处理方法、装置和计算机可读存储介质
CN113850500A (zh) 基于de-bp神经网络的物流风险预警方法、装置及电子设备
CN111242186B (zh) 确定运行线路的方法、装置及计算设备
CN111523766B (zh) 驾驶风险评估方法、装置、电子设备及可读存储介质
CN114660468A (zh) 一种退役电池荷电状态预测方法、装置及电子设备
CN110648208B (zh) 群组识别方法、装置和电子设备
CN115238195B (zh) 目标对象的确定方法、装置、设备、介质和产品
CN114495491A (zh) 跨线出行路线确定方法、装置、计算机设备及介质
US20240232923A1 (en) Information processing method
CN117036053A (zh) 续保行为预测模型的训练方法、续保行为预测方法及产品
CN117909895A (zh) 车辆管理方法、装置、计算机设备和存储介质

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