CN116324639A - 轨道交通的牵引供电系统的监控和预测方法及装置 - Google Patents

轨道交通的牵引供电系统的监控和预测方法及装置 Download PDF

Info

Publication number
CN116324639A
CN116324639A CN202180069163.3A CN202180069163A CN116324639A CN 116324639 A CN116324639 A CN 116324639A CN 202180069163 A CN202180069163 A CN 202180069163A CN 116324639 A CN116324639 A CN 116324639A
Authority
CN
China
Prior art keywords
virtual scene
power supply
data
supply system
model
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
Application number
CN202180069163.3A
Other languages
English (en)
Inventor
杜峰
吴剑强
朱义鹏
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.)
Siemens AG
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of CN116324639A publication Critical patent/CN116324639A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本公开内容的实施例公开了一种轨道交通的牵引供电系统的监控和预测方法，包括：确定轨道交通的牵引供电系统的至少一个运行场景；基于至少一个运行场景，获取牵引供电系统的对应的至少一个虚拟场景模型的仿真电气数据；以及利用所述仿真电气数据对所述至少一个虚拟场景模型进行分析和/或优化，以对所述牵引供电系统进行监控和预测。利用与运行场景对应的牵引供电系统的虚拟场景模型不仅能在牵引供电系统的当前运行场景下监控其状态，而且还能模拟牵引供电系统的其它运行场景下的情形，预测其在其它运行场景下的状态，从而能够为轨道交通的运营方提供运营和维护建议。

Description

轨道交通的牵引供电系统的监控和预测方法及装置 技术领域
本公开内容涉及轨道交通的技术领域，更具体地说，涉及轨道交通的牵引供电系统的监控和预测方法、装置、计算设备、计算机可读存储介质和程序产品。
背景技术
由于城镇化的快速发展和城市人口的逐步上升，城市轨道交通(如轻轨、地铁、城际列车等)因其效率高、乘客的承载能力强且对环境影响小等因素而逐步成为城镇居民的重要交通工具。目前，城市轨道交通通常采用电力驱动的轨道列车，它们以电能作为牵引动力，从自身配备的受电弓或集电靴从列车外部获得电能。受电弓或集电靴连接到沿轨道架设的接触线或接触轨，而接触线或接触轨的电能来自于在轨道交通沿线按照一定的距离间隔建造的牵引变电所。牵引变电所的容量大小和站位设置与线路设计、列车型式、车流密度、列车编组、列车速度等很多因素有关。因此，轨道交通的整个牵引供电系统包括列车、供电网络、车站、环境等多个组成部分。随着城市轨道交通的逐渐发展，需要对轨道交通的牵引供电系统进行运营和维护。
牵引供电系统的运营和维护通常需考虑三个方面。第一是安全性，主要体现在：轨电位不能过高，否则会带来人员安全隐患，即人员安全性；接触线电位需处于列车运行的安全电位区间内，即列车安全性；牵引变电所中整流器的负荷率不能过高，即设备安全性。第二是能耗，即整条轨道交通线路在单位时间(如高峰小时、一昼夜或一年)内所消耗的总电量，出于经济和环保的目的，需要尽可能降低能耗。第三是运输能力，即整条轨道交通线路在单位时间(如高峰小时、一昼夜或一年)内所能运送的乘客总人次。这三个方面通常是相互制约的关系，因此需要彼此平衡。
目前，通常使用具有智能边缘设备的高密度分布式监控系统来实现轨道 交通的牵引供电系统的运营和维护。具体地，除了通常在牵引变电所的入口和出口、接触线、轨道的部分位置已布设的传感器以外，还需在其它感兴趣的测量位置布设额外的传感器，从而加大传感器密度来采集尽可能多的数据并进行分析，以监控牵引供电系统的状态。
发明内容
现有技术中的高密度分布式监控系统需要增加大量传感器、线缆和电源，因此成本高昂，而严酷的工作环境也会影响数据通信的可靠性。此外，在现实情况中，有些感兴趣的测量位置由于地理环境之类的实际原因而难以布设传感器和线缆，或者需要花费较高的成本。并且，某些影响能耗的因素，如隧道因子、轨道磨损量等，也无法通过传感器测量到实际数值，导致该系统对轨道交通的牵引供电系统的状态监控并不全面。更重要的是，该系统仅适合于轨道交通的牵引供电系统的当前状态的监控，而难以预测或模拟其在其它运行场景下(如某个牵引变电所中的整流器发生故障、列车间隔时间缩短等等)的情形。
本公开内容的第一实施例提出了一种轨道交通的牵引供电系统的监控和预测方法，包括：确定轨道交通的牵引供电系统的至少一个运行场景；基于所述至少一个运行场景，获取所述牵引供电系统的对应的至少一个虚拟场景模型的仿真电气数据；以及利用所述仿真电气数据对所述至少一个虚拟场景模型进行分析和/或优化，以对所述牵引供电系统进行监控和预测。
在该实施例中，利用与运行场景对应的牵引供电系统的虚拟场景模型不仅能在牵引供电系统的当前运行场景下监控其状态，而且还能模拟牵引供电系统的其它运行场景下的情形，预测其在其它运行场景下的状态，从而能够为轨道交通的运营方提供运营和维护建议，在安全性、能耗和运输能力三个方面找到平衡。在本公开内容的实施例中，无需在实际的牵引供电系统中增设额外的传感器和布线，显著降低了时间和经济成本。另外，通过使用虚拟场景模型，还能引入牵引供电系统中无法或不便测量的一些参数，因此使得牵引供电系统的监控和预测更为全面和准确。
本公开内容的第二实施例提出了一种轨道交通的牵引供电系统的监控和预测装置，包括：场景确定单元，其被配置为确定轨道交通的牵引供电系 统的至少一个运行场景；仿真数据获取单元，其被配置为获取所述牵引供电系统的对应的至少一个虚拟场景模型的仿真电气数据；以及分析优化单元，其被配置为利用所述仿真电气数据对所述至少一个虚拟场景模型进行分析和/或优化，以对所述牵引供电系统进行监控和预测。
在该实施例中，利用与运行场景对应的牵引供电系统的虚拟场景模型不仅能在牵引供电系统的当前运行场景下监控其状态，而且还能模拟牵引供电系统的其它运行场景下的情形，预测其在其它运行场景下的状态，从而能够为轨道交通的运营方提供运营和维护建议，在安全性、能耗和运输能力三个方面找到平衡。在本公开内容的实施例中，无需在实际的牵引供电系统中增设额外的传感器和布线，显著降低了时间和经济成本。另外，通过使用虚拟场景模型，还能引入牵引供电系统中无法或不便测量的一些参数，因此使得牵引供电系统的监控和预测更为全面和准确。
本公开内容的第三实施例提出了一种计算设备，该计算设备包括：处理器；以及存储器，其用于存储计算机可执行指令，当计算机可执行指令被执行时使得处理器执行第一实施例中的方法。
本公开内容的第四实施例提出了一种计算机可读存储介质，该计算机可读存储介质具有存储在其上的计算机可执行指令，计算机可执行指令用于执行第一实施例的方法。
本公开内容的第五实施例提出了一种计算机程序产品，该计算机程序产品被有形地存储在计算机可读存储介质上，并且包括计算机可执行指令，计算机可执行指令在被执行时使至少一个处理器执行第一实施例的方法。
附图说明
结合附图并参考以下详细说明，本公开内容的各实施例的特征、优点及其他方面将变得更加明显，在此以示例性而非限制性的方式示出了本公开内容的若干实施例，在附图中：
图1示出了根据本公开内容的一个实施例的轨道交通的牵引供电系统的监控和预测方法的流程图；
图2示出了图1的实施例中利用深度强化学习训练深度神经网络模型的示意图；
图3示出了根据本公开内容的一个实施例的轨道交通的牵引供电系统的监控和预测系统的示意方框图；
图4示出了图3的实施例中客户端设备的显示界面的示意方框图；
图5示出了根据本公开内容的一个实施例的轨道交通的牵引供电系统的监控和预测装置的示意方框图；以及
图6示出了根据本公开内容的一个实施例的轨道交通的用于牵引供电系统的监控和预测的计算设备的示意方框图。
具体实施方式
以下参考附图详细描述本公开内容的各个示例性实施例。虽然以下所描述的示例性方法、装置包括在其它组件当中的硬件上执行的软件和/或固件，但是应当注意，这些示例仅仅是说明性的，而不应看作是限制性的。例如，考虑在硬件中独占地、在软件中独占地、或在硬件和软件的任何组合中可以实施任何或所有硬件、软件和固件组件。因此，虽然以下已经描述了示例性的方法和装置，但是本领域的技术人员应容易理解，所提供的示例并不用于限制用于实现这些方法和装置的方式。
此外，附图中的流程图和框图示出了根据本公开内容的各个实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
本文所使用的术语“包括”、“包含”及类似术语是开放性的术语，即“包括/包含但不限于”，表示还可以包括其他内容。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”等等。
图1示出了根据本公开内容的一个实施例的轨道交通的牵引供电系统的监控和预测方法。在本实施例中，图1的方法可以通过与客户端设备通信 的服务器来执行。客户端设备的用户可以以web方式或通过应用程序，经由用户接口(如用户界面)选择牵引供电系统的一个或多个运行场景，并针对该一个或多个运行场景实施虚拟场景模型的生成、仿真、分析和/或优化。在服务器处，根据用户对运行场景的选择实现对应的功能。在另一个实施例中，图1的方法也可以通过与用户直接交互的设备来执行。
参考图1，首先，方法100从步骤101开始。在步骤101中，确定轨道交通的牵引供电系统的至少一个运行场景。如上所述，轨道交通的整个牵引供电系统包括列车、供电网络、车站、环境等多个组成部分，每个组成部分都具有其特定的参数或配置。一些参数或配置在轨道交通线路建成时便已固定，如列车最大加速度、长度、自重、最大负载、每个车站和隧道的地理信息、牵引变电所的数量和位置等；而其它一些参数或配置在进行运营和维护时可能会发生变化，如列车的间隔时间、载客率、牵引变电所中的整流器是否正常工作等等。运行场景是指牵引供电系统在一组参数或配置下运行的情形。例如，在其它参数或配置不发生变化的情况下，90秒和160秒的列车间隔时间是两个不同的运行场景，50％和80％的列车载客率也是两个不同的运行场景。运行场景可以由用户(如技术人员或管理人员)经由用户接口进行选择。
接下来，在步骤102中，基于至少一个运行场景，获取牵引供电系统的对应的至少一个虚拟场景模型的仿真电气数据。当步骤101中所确定的运行场景为多个时，需要分别获取与多个运行场景中的每个相对应的虚拟场景模型的仿真电气数据。在本实施例中，每次建立的虚拟场景模型都被保存在数据库中。随着数据库中的虚拟场景模型不断地扩充和累积，因此可以从数据库中查找所需要的虚拟场景模型。当数据库中不存在与所确定的运行场景相对应的虚拟场景模型时，需要生成该虚拟场景模型。此外，有些虚拟场景模型在先前已进行了仿真，并且仿真电气数据被保存在数据库中，因此可直接从数据库中获取这些虚拟场景模型的仿真电气数据。然而，当数据库中不存在虚拟场景模型的仿真电气数据时，需要进行虚拟场景模型的仿真。
最后，在步骤103中，利用仿真电气数据对至少一个虚拟场景模型进行分析和/或优化，以对牵引供电系统进行监控和预测。每个虚拟场景模型能够模拟一个特定的运行场景下的牵引供电系统。因此，当虚拟场景模型所对应 的运行场景为牵引供电系统的当前运行场景时，仿真电气数据可用于监控牵引供电系统的当前状态；当虚拟场景模型所对应的运行场景为牵引供电系统的预测运行场景时，仿真电气数据可用于预测牵引供电系统的未来状态。预测运行场景可以包括改变列车间隔时间和/或列车载客率、某个牵引变电所中的整流器发生故障等难以在现实中模拟的运行场景。
利用与运行场景对应的牵引供电系统的虚拟场景模型不仅能在牵引供电系统的当前运行场景下监控其状态，而且还能模拟牵引供电系统的其它运行场景下的情形，预测其在其它运行场景下的状态，从而能够为轨道交通的运营方提供运营和维护建议，在安全性、能耗和运输能力三个方面找到平衡。在本公开内容的实施例中，无需在实际的牵引供电系统中增设额外的传感器和布线，显著降低了时间和经济成本。另外，通过使用虚拟场景模型，还能引入牵引供电系统中无法或不便测量的一些参数，因此使得牵引供电系统的监控和预测更为全面和准确。
在依据本公开内容的一个实施例之中，步骤102进一步包括：生成牵引供电系统的至少一个虚拟场景模型；以及对至少一个虚拟场景模型中的每个虚拟场景模型进行仿真，以得到每个虚拟场景模型的仿真电气数据。生成虚拟场景模型可以是直接建立该虚拟场景模型或者在相关联或相似的虚拟场景模型的基础上进行修改。因此，可以将所确定的运行场景与数据库中保存的虚拟场景模型所对应的运行场景进行比较，判断数据库是否存在相关联或相似的虚拟场景模型，并在数据库中存在相关联或相似的虚拟场景模型时使用该虚拟场景模型。例如，所确定的运行场景为90秒的列车间隔时间，当数据库中已保存160秒的列车间隔时间且其它参数相同的虚拟场景模型时，将该虚拟场景模型的列车间隔时间修改为90秒即可。通过这样的方式，能在很大程度上缩短模型生成时间。然而，当数据库中不存在相关联或相似的虚拟场景模型时，需要重新建立与所确定的运行场景对应的虚拟场景模型。
在依据本公开内容的一个实施例之中，生成牵引供电系统的至少一个虚拟场景模型进一步包括：收集与至少一个虚拟场景模型有关的原始数据；对离线数据和在线数据进行数据处理，以作为建模数据；以及基于建模数据建立至少一个虚拟场景模型。原始数据包括牵引供电系统的离线数据和在线数据，并且包括以下各项中的至少一项：牵引供电系统的供电网络参数、列车 参数、运行线路和地理信息、附加载荷参数、以及列车调度信息。离线数据包括从各个不同数据库收集的数据以及由用户经由用户接口输入的数据。数据库例如可以为用于存储牵引供电系统的设计数据的数据库、用于存储牵引供电系统的历史运行数据的数据库等等。在线数据包括从牵引供电系统中的数据采集设备接收的数据，例如从设置在牵引变电所的出口处的数据采集设备(如传感器)接收的实际电压输出值。使用从数据采集设备接收的数据能使得虚拟场景模型与实际的牵引供电系统更为接近。用户输入的数据可以为在实际的牵引供电系统中无法或不便测量的数据，例如专家经验值或理论计算值。通过收集包括离线数据和在线数据的原始数据，能够通过虚拟场景模型更全面和准确地描述整个牵引供电系统，从而更加准确地实现对牵引供电系统的状态监控和预测。
如本领域技术人员能够理解的，原始数据包括为牵引供电系统建立虚拟场景模型所需的所有相关数据。供电网络包括牵引变电所、接触线和回流轨等部件。因此，供电网络参数包括但不限于整流器参数(如短路电流、导线类型、负载损耗、耦合因数等)、断路器参数(如连接关系、额定绝缘电压、额定冲击耐受电压等)、以及接触线和回流轨参数(如送电距离、导线类型、导线阻抗、内径、外径、电阻率、磨损、温度系数、接头类型、馈电点等)。列车参数包括但不限于最大加速度、列车等级、长度、自重、旋转质量、最大负载、最大速度、逆变器参数、电机参数等。运行线路和地理信息包括但不限于运行方向、车站数量和物理坐标、编组排列、隧道因子、线路地形信息(如梯度数值)等。附加载荷参数包括但不限于车载设备(如通风照明设备、显示设备)参数、站台设备(如电梯、通风照明设备、通信设备)参数等。列车调度信息包括但不限于列车间隔时间、在每个车站的停靠站时间等。本领域技术人员能够理解，以上仅列出了为牵引供电系统建立虚拟场景模型所需的部分数据，它们仅用于示例而不是限制的目的。
由于原始数据来自不同的数据源，因此它们通常具有不同的形式，如照片、表格、文字等。因此，在收集原始数据之后，需要将具有不同格式的这些原始数据转换为目标格式，并进行数据过滤之类的处理，作为建模数据。可以使用本领域中任何已知的数据处理技术来对这些原始数据进行处理。之后，基于建模数据建立至少一个虚拟场景模型。所建立的虚拟场景模型可以 是平面模型，也可以是三维模型。当虚拟场景模型为三维模型时，由于在模型中考虑了诸如列车在行驶时受到的气流影响之类的因素，因此能得到更准确的仿真结果。
可以由用户经由用户接口对仿真进行配置。例如，当同时为一个运行场景建立了三维和平面虚拟场景模型时，可以由用户选择其中之一或两者进行仿真。又例如，可以由用户选择需生成的仿真电气数据，如每个牵引变电所的能耗。再例如，可以由用户选择需显示的仿真电气数据。在仿真的过程中，根据列车的调度信息，将虚拟场景模型在每个时刻的网络拓扑转换为等效的电源模型，通过潮流计算并在时间上累加来获得虚拟场景模型的仿真电气数据。仿真电气数据例如包括随距离变化的最高和最低轨电位、随距离变化的最高和最低接触线电位、每个牵引变电所的电流电压和整流器的负荷率、能量流、以及虚拟场景模型在仿真时间内的总能耗、总损耗等等。本领域技术人员应当理解，以上列出的部分仿真电气数据仅用于示例而不是限制的目的。
在依据本公开内容的一个实施例之中，步骤103进一步包括：针对至少一个虚拟场景模型中的单个虚拟场景模型，将其仿真电气数据与预设的阈值进行比较；以及根据比较结果对单个虚拟场景模型进行分析。在该实施例中，分析单个虚拟场景模型。预设的阈值可以是行业标准数据、由用户经由用户接口输入的数据和/或由牵引供电系统中的数据采集设备采集到的实际数据。分析的内容和结果取决于仿真电气数据和阈值的具体类型。为了便于说明，以下列出了将仿真电气数据与预设的阈值进行比较，并根据比较结果得到对单个虚拟场景模型的分析结果的若干示例。
将仿真电气数据与数据采集设备采集到的实际数据进行比较，能够判断虚拟场景模型的建模是否准确。如果仿真电气数据与实际数据之间的差值较大(如在某阈值范围以外)，则根据该比较结果能够得出该虚拟场景模型不够准确、需要对其建模数据进行修正的分析结果；否则，根据该比较结果得出该虚拟场景模型是准确的分析结果。
将仿真电气数据与行业标准数据或用户输入数据进行比较，能够实现牵引供电系统在对应的运行场景下的状态监控和预测。例如，当所关心的仿真电气数据包括轨电位、接触线电位和每个牵引变电所中整流器的负荷率时，预设的阈值可以是用户输入的专家经验值和/或行业标准值：如轨电位不能超 过135V、接触线电位处于1350V与1800V之间、每个牵引变电所中整流器的负荷率不能超过80％。将对单个虚拟场景模型仿真得到的轨电位、接触线电位和每个牵引变电所中整流器的负荷率分别与上述阈值进行比较。如果其中任何一个仿真电气数据超过阈值或位于阈值范围之外时，则根据该比较结果能够得出牵引供电系统在该运行场景下存在安全性问题的分析结果；否则，根据该比较结果得出牵引供电系统在该运行场景下能安全运行的分析结果。举例来说，在某个牵引变电所中的整流器发生故障的运行场景中，分析结果表示牵引供电系统在该运行场景下是否存在安全性问题。又例如，当所关心的仿真电气数据为总能耗时，预设的阈值可以是用户输入的专家经验值和/或行业标准值：如目标能耗110MWh。将对单个虚拟场景模型仿真得到的总能耗与该目标能耗进行比较。如果总能耗超过目标能耗，则根据该比较结果能够得出牵引供电系统在该运行场景下运行时不满足能耗要求的分析结果；否则，根据该比较结果得出牵引供电系统在该运行场景下运行时能满足能耗要求的分析结果。举例来说，在列车间隔时间缩短的运行场景中，分析结果表示牵引供电系统在该运行场景下的总能耗是否会超过牵引变电所能提供的最大总能耗或者最大计划总能耗。本领域技术人员应当理解，以上描述仅用于示例而不是限制的目的。通过利用仿真电气数据对单个虚拟场景模型进行分析，能够监控或预测牵引供电系统在对应运行场景下的状态，从而指导用户做出运营和维护决策。
在依据本公开内容的一个实施例之中，步骤103进一步包括：针对至少一个虚拟场景模型中的多个虚拟场景模型，按照预设的规则，基于多个虚拟场景模型的仿真电气数据分析多个虚拟场景模型之间的关系。在该实施例中，分析多个虚拟场景之间的关系。多个虚拟场景模型可以具有一定关联性，例如，这些虚拟场景模型的区别仅在于列车间隔时间和/或列车载客率不同，而其它参数是相同的。预设的规则可以根据不同的分析目标来设定。为了便于说明，以下列出了基于多个虚拟场景模型的仿真电气数据分析多个虚拟场景模型之间的关系的若干示例。
在一些情形下，期望获知列车间隔时间对牵引供电系统的总能耗的影响情况。对于区别仅在于列车间隔时间不同(如90秒、120秒、160秒和180秒等)的多个虚拟场景模型，比较它们的总能耗，可以确定总能耗会急剧增 加的列车间隔时间。在一些情形下，期望获知列车载客率对牵引供电系统的总能耗的影响情况。类似地，对于区别仅在于列车载客率不同(如50％、60％、70％和80％等)的多个虚拟场景模型，比较它们的总能耗，可以确定总能耗会急剧增加的列车载客率。在另一些情形下，多个虚拟场景模型的区别可以是列车间隔时间和列车载客率均不同。
在一些情形下，期望获知不同运行场景在安全性、运输能力和能耗三个方面的总体情况，从而发现最佳的运行场景。对于待分析的多个虚拟场景模型中的每个，利用各自的建模数据和仿真电气结果，通过下式计算其综合评分S：
S＝f(f 1(U 1,U 2,R 11,R 12,R 21,…),f 2(N 1,P,N 2),A) (1)
其中，f 1(U 1,U 2,R)用于计算安全性，其数值越高表示安全性越高，U 1为仿真得到的轨电位，U 2为仿真得到的接触线电位，R 11,R 12,R 21等等为仿真得到的各牵引变电所中整流器的负荷率；f 2(N 1,P,N 2)用于计算运输量，其数值越高表示运输能力越高，N 1为每车满载人数，P为列车的负载率，N 2为仿真时间内的总车次，可通过列车间隔时间计算得到；A表示仿真得到的总能耗，其数值越高表示总能耗越高。安全性越高，运输量越高，而总能耗越低时，综合评分S越高。可以对多个虚拟场景模型的综合评分S进行比较，从而得到综合评分S最高的一个虚拟场景模型。本领域技术人员应当理解，以上描述仅用于示例而不是限制的目的。通过利用仿真电气数据对多个虚拟场景模型进行分析，能够比较牵引供电系统在不同运行场景下的状态，从而指导用户做出运营和维护决策。
在依据本公开内容的一个实施例之中，步骤103进一步包括：使用经训练的深度神经网络模型，为至少一个虚拟场景模型生成列车运行数据，其中，深度神经网络模型通过深度强化学习算法进行训练，并且，将仿真电气数据作为深度强化学习算法中奖励函数的输入，来调整深度神经网络模型的模型参数。在该实施例中，优化虚拟场景模型的列车运行数据。列车运行数据包括列车驾驶模式和列车运行图。列车驾驶模式包括各列车在不同位置的加速度值列表。列车运行图包括列车停站时间、列车数量、列车间隔时间和运行方向及区间。
下面参照图2来说明通过深度强化学习算法训练深度神经网络模型的 过程。如图2中示出的，深度神经网络模型201的输入为虚拟场景模型中各列车的初始状态(如初始位置和速度)，输出为各列车的一组加速度值。在框202中，根据各列车的加速度值计算各列车的下一时刻的位置和速度。将计算得到的位置和速度反馈给深度神经网络模型201，并提供给虚拟场景模型和奖励函数205。在框203中，更新虚拟场景模型中各列车的位置和速度。在框204中，根据更新的各列车的位置和速度对虚拟场景模型进行仿真，并得到总能耗，提供给奖励函数205作为其另一个输入。根据到站速度、到站时间、站点间距和总能耗四个约束条件来设置奖励函数。当列车在预设时刻到达目标站点且到站速度为零时，奖励函数205的输出表示正奖励，否则表示负奖励。同时，总能耗越小，奖励函数205的输出表示正奖励越大，否则表示正奖励越小。奖励函数205将其输出提供给深度神经网络模型201。深度神经网络模型201根据奖励函数205的输出调整其模型参数。接下来，深度神经网络模型201根据输入的各列车位置和速度来输出各列车的下一组加速度值。在框202中，再次根据各列车的加速度值计算各列车的下一时刻的位置和速度。在训练过程中，循环反复地执行上述过程，直到深度神经网络模型201收敛。训练好深度神经网络模型201之后，便可以用于生成各列车在不同位置的加速度值列表。通过该加速度值列表，可以为虚拟场景模型生成列车运行数据。在其它实施例中，该加速度值列表还可用于列车的自动驾驶控制。通过将仿真总能耗作为奖励函数的输入并以此调整深度神经网络模型的模型参数，能够使所需能耗最小化，从而大幅节省成本。
图3示出了根据本公开内容的一个实施例的轨道交通的牵引供电系统的监控和预测系统的示意方框图。如图3中示出的，系统300包括安装在客户端设备上的应用程序31和安装在服务器上的监控和预测软件32。由轨道交通运营方的用户(如技术人员或管理人员)使用应用程序31来对轨道交通的牵引供电系统进行监控和预测，从而实现牵引供电系统的运营和维护。经由客户端设备的用户界面接收用户的输入或者向用户显示信息。图4示出了图3的实施例中客户端设备的显示界面的示意方框图。如图4中示出的，显示界面400上示出建模401、仿真402、分析403、优化404、管理405五个选项按钮。可以根据不同的人员角色显示上述选项按钮中的一些或全部。例如，对于技术人员显示上述全部选项按钮，而对于管理人员只显示分析403、 优化404和管理405三个选项按钮。在图3中，应用程序31包括用户交互模块310和结果显示模块311。当用户在显示界面400上选择一个选项按钮时，用户交互模块310经由显示界面400提示用户需确定运行场景，在选择某些选项时，还需输入数据(如建模时需输入的专家经验值、仿真时需输入的仿真配置、分析时需输入的专家经验值和/或行业标准值等等)。用户交互模块310接收用户的输入信息，并将用户的输入信息发送给监控和预测软件32。监控和预测软件32根据接收到的输入信息实现相应的功能。监控和预测软件32包括场景确定模块320、数据查询模块321、模型生成模块322、模型仿真模块323、模型分析模块324和模型优化模块325。
下面通过一个具体应用场景描述监控和预测软件32所执行的动作。对于一条已建成的轨道交通线路，用户期望获知在其它参数保持不变的情况下，在安全性、运输能力和能耗三个方面达到最佳水平的列车间隔时间。因此，需要对牵引供电系统在不同列车间隔时间下的运行进行仿真，并确定最佳的列车间隔时间。首先，用户经由显示界面400选择分析403的选项按钮，并选择或输入该轨道交通线路的牵引供电系统的三个运行场景：列车间隔时间分别为90秒、120秒和160秒。监控和预测软件32中的场景确定模块320根据接收到的输入信息确定上述运行场景。数据查询模块321根据所确定的运行场景，从数据库中查找是否存在对应的虚拟场景模型及其仿真电气数据。当不存在时，模型生成模块322需生成对应的虚拟场景模型。如前所述，可以直接建立与上述三个运行场景相对应的虚拟场景模型，也可以在相关联或相似的虚拟场景模型的基础上进行修改。如果直接建立虚拟场景模型，模型生成模块322从不同的数据源收集相关原始数据，对它们进行数据处理后作为建模数据，并基于建模数据建立虚拟场景模型。在生成模型之后，模型仿真模块323对上述三个虚拟场景模型分别进行仿真，并得到轨电位、接触线电位、各牵引变电所中整流器的负荷率、以及总能耗等仿真电气数据。之后，模型分析模块324使用上述三个虚拟场景模型的建模数据和这些仿真电气数据，根据上述公式(1)分别计算得出上述三个虚拟场景模型的综合评分S 1、S 2和S 3，并将综合评分最高的虚拟场景模型的列车间隔时间(如120秒)作为推荐间隔时间发送给结果显示模块311。结果显示模块311经由显示界面400向用户显示该推荐间隔时间。本领域技术人员应当理解，以上描述仅用 于示例而不是限制的目的，监控和预测系统300可以在许多其它应用场景下使用。在其它一些应用场景下，模型优化模块325通过经训练的深度神经网络模型为与特定运行场景相对应的虚拟场景模型生成列车运行数据。如前所述，通过深度强化学习算法来训练该深度神经网络模型。在训练过程中，由深度神经网络模型输出的列车加速度值被用于更新虚拟场景模型中的列车状态和深度神经网络模型自身的输入，并且将对虚拟场景模型仿真得到的总能耗作为奖励函数的输入，从而调整深度神经网络模型的模型参数。
在上述实施例中，利用与运行场景对应的牵引供电系统的虚拟场景模型不仅能在牵引供电系统的当前运行场景下监控其状态，而且还能模拟牵引供电系统的其它运行场景下的情形，预测其在其它运行场景下的状态，从而能够为轨道交通的运营方提供运营和维护建议，在安全性、能耗和运输能力三个方面找到平衡。在本公开内容的实施例中，无需在实际的牵引供电系统中增设额外的传感器和布线，显著降低了时间和经济成本。另外，通过使用虚拟场景模型，还能引入牵引供电系统中无法或不便测量的一些参数，因此使得牵引供电系统的监控和预测更为全面和准确。
图5示出了根据本公开内容的一个实施例的轨道交通的牵引供电系统的监控和预测装置。图5中的各单元可以利用软件、硬件(例如集成电路、FPGA等)或者软硬件结合的方式来实现。参照图5，装置500包括场景确定单元501、仿真数据获取单元502和分析优化单元503。场景确定单元501被配置为确定轨道交通的牵引供电系统的至少一个运行场景。仿真数据获取单元502被配置为获取牵引供电系统的对应的至少一个虚拟场景模型的仿真电气数据。分析优化单元503被配置为利用仿真电气数据对至少一个虚拟场景模型进行分析和/或优化，以对牵引供电系统进行监控和预测。
可选地，在依据本公开内容的一个实施例之中，仿真数据获取单元502进一步包括模型生成单元和模型仿真单元(图5中未示出)。模型生成单元被配置为生成牵引供电系统的至少一个虚拟场景模型。模型仿真单元被配置为对至少一个虚拟场景模型中的每个虚拟场景模型进行仿真，以得到每个虚拟场景模型的仿真电气数据。
可选地，在依据本公开内容的一个实施例之中，模型生成单元进一步包括数据收集单元、数据处理单元和模型建立单元(图5中未示出)。数据收 集单元被配置为收集与至少一个虚拟场景模型有关的原始数据。数据处理单元被配置为对原始数据进行数据处理，以作为建模数据。模型生成单元被配置为基于建模数据建立至少一个虚拟场景模型。
可选地，在依据本公开内容的一个实施例之中，原始数据包括牵引供电系统的离线数据和在线数据，并且包括以下各项中的至少一项：牵引供电系统的供电网络参数、列车参数、运行线路和地理信息、附加载荷参数、以及列车调度信息。
可选地，在依据本公开内容的一个实施例之中，分析优化单元503被进一步配置为：针对至少一个虚拟场景模型中的单个虚拟场景模型，将其仿真电气数据与预设的阈值进行比较；以及根据比较结果对单个虚拟场景模型进行分析。
可选地，在依据本公开内容的一个实施例之中，分析优化单元503被进一步配置为：针对至少一个虚拟场景模型中的多个虚拟场景模型，按照预设的规则，基于所述多个虚拟场景模型的仿真电气数据分析所述多个虚拟场景模型之间的关系。
可选地，在依据本公开内容的一个实施例之中，仿真电气数据包括以下各项中的至少一项：轨电位、接触线电位、每个牵引变电所中整流器的负荷率、以及总能耗。
可选地，在依据本公开内容的一个实施例之中，分析优化单元503被进一步配置为：使用经训练的深度神经网络模型，为至少一个虚拟场景模型生成列车运行数据，其中，深度神经网络模型通过深度强化学习算法进行训练，并且，仿真电气数据作为深度强化学习算法中奖励函数的输入来调整深度神经网络模型的模型参数。
图6示出了根据本公开内容的一个实施例的用于轨道交通的牵引供电系统的监控和预测的计算设备的示意方框图。从图6中可以看出，用于运营和维护轨道交通的牵引供电系统的计算设备601包括中央处理单元(CPU)601(例如处理器)以及与中央处理单元(CPU)601耦合的存储器602。存储器602用于存储计算机可执行指令，当计算机可执行指令被执行时使得中央处理单元(CPU)601执行以上实施例中的方法。中央处理单元(CPU)601和存储器602通过总线彼此相连，输入/输出(I/O)接口也连接至总线。 计算设备601还可以包括连接至I/O接口的多个部件(图6中未示出)，包括但不限于：输入单元，例如键盘、鼠标等；输出单元，例如各种类型的显示器、扬声器等；存储单元，例如磁盘、光盘等；以及通信单元，例如网卡、调制解调器、无线通信收发机等。通信单元允许该计算设备601通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
此外，替代地，上述方法能够通过计算机可读存储介质来实现。计算机可读存储介质上载有用于执行本公开内容的各个实施例的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
因此，在另一个实施例中，本公开内容提出了一种计算机可读存储介质，该计算机可读存储介质具有存储在其上的计算机可执行指令，计算机可执行指令用于执行本公开内容的各个实施例中的方法。
在另一个实施例中，本公开内容提出了一种计算机程序产品，该计算机程序产品被有形地存储在计算机可读存储介质上，并且包括计算机可执行指令，该计算机可执行指令在被执行时使至少一个处理器执行本公开内容的各个实施例中的方法。
一般而言，本公开内容的各个示例实施例可以在硬件或专用电路、软件、固件、逻辑，或其任何组合中实施。某些方面可以在硬件中实施，而其他方面可以在可以由控制器、微处理器或其他计算设备执行的固件或软件中实施。当本公开内容的实施例的各方面被图示或描述为框图、流程图或使用某些其 他图形表示时，将理解此处描述的方框、装置、系统、技术或方法可以作为非限制性的示例在硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备，或其某些组合中实施。
用于执行本公开内容的各个实施例的计算机可读程序指令或者计算机程序产品也能够存储在云端，在需要调用时，用户能够通过移动互联网、固网或者其他网络访问存储在云端上的用于执行本公开内容的一个实施例的计算机可读程序指令，从而实施依据本公开内容的各个实施例所公开内容的技术方案。
虽然已经参考若干具体实施例描述了本公开内容的实施例，但是应当理解，本公开内容的实施例并不限于所公开内容的具体实施例。本公开内容的实施例旨在涵盖在所附权利要求的精神和范围内所包括的各种修改和等同布置。权利要求的范围符合最宽泛的解释，从而包含所有这样的修改及等同结构和功能。

Claims (19)

  1. 轨道交通的牵引供电系统的监控和预测方法，包括：
    确定所述轨道交通的所述牵引供电系统的至少一个运行场景；
    基于所述至少一个运行场景，获取所述牵引供电系统的对应的至少一个虚拟场景模型的仿真电气数据；以及
    利用所述仿真电气数据对所述至少一个虚拟场景模型进行分析和/或优化，以对所述牵引供电系统进行监控和预测。
  2. 根据权利要求1所述的方法，其中，获取所述牵引供电系统的对应的至少一个虚拟场景模型的仿真电气数据进一步包括：
    生成所述牵引供电系统的所述至少一个虚拟场景模型；以及
    对所述至少一个虚拟场景模型中的每个虚拟场景模型进行仿真，以得到所述每个虚拟场景模型的仿真电气数据。
  3. 根据权利要求2所述的方法，其中，生成所述牵引供电系统的所述至少一个虚拟场景模型进一步包括：
    收集与所述至少一个虚拟场景模型有关的原始数据；
    对所述原始数据进行数据处理，以作为建模数据；以及
    基于所述建模数据建立所述至少一个虚拟场景模型。
  4. 根据权利要求3所述的方法，其中，所述原始数据包括所述牵引供电系统的离线数据和在线数据，并且包括以下各项中的至少一项：所述牵引供电系统的供电网络参数、列车参数、运行线路和地理信息、附加载荷参数、以及列车调度信息。
  5. 根据权利要求1所述的方法，其中，利用所述仿真电气数据对所述至少一个虚拟场景模型进行分析和/或优化进一步包括：
    针对所述至少一个虚拟场景模型中的单个虚拟场景模型，将其仿真电气数据与预设的阈值进行比较；以及
    根据比较结果对所述单个虚拟场景模型进行分析。
  6. 根据权利要求1所述的方法，其中，利用所述仿真电气数据对所述至少一个虚拟场景模型进行分析和/或优化进一步包括：
    针对所述至少一个虚拟场景模型中的多个虚拟场景模型，按照预设的规则，基于所述多个虚拟场景模型的仿真电气数据分析所述多个虚拟场景模型之间的关系。
  7. 根据权利要求5或6所述的方法，其中，所述仿真电气数据包括以下各项中的至少一项：轨电位、接触线电位、每个牵引变电所中整流器的负荷率、以及总能耗。
  8. 根据权利要求1所述的方法，其中，利用所述仿真电气数据对所述至少一个虚拟场景模型进行分析和/或优化进一步包括：
    使用经训练的深度神经网络模型，为所述至少一个虚拟场景模型生成列车运行数据，其中，所述深度神经网络模型通过深度强化学习算法进行训练，并且，将所述仿真电气数据作为所述深度强化学习算法中奖励函数的输入，来调整所述深度神经网络模型的模型参数。
  9. 轨道交通的牵引供电系统的监控和预测装置，包括：
    场景确定单元，其被配置为确定所述轨道交通的所述牵引供电系统的至少一个运行场景；
    仿真数据获取单元，其被配置为获取所述牵引供电系统的对应的至少一个虚拟场景模型的仿真电气数据；以及
    分析优化单元，其被配置为利用所述仿真电气数据对所述至少一个虚拟场景模型进行分析和/或优化，以对所述牵引供电系统进行监控和预测。
  10. 根据权利要求9所述的装置，其中，所述仿真数据获取单元进一步包括：
    模型生成单元，其被配置为生成所述牵引供电系统的所述至少一个虚拟 场景模型；以及
    模型仿真单元，其被配置为对所述至少一个虚拟场景模型中的每个虚拟场景模型进行仿真，以得到所述每个虚拟场景模型的仿真电气数据。
  11. 根据权利要求10所述的装置，其中，所述模型生成单元进一步包括：
    数据收集单元，其被配置为收集与所述至少一个虚拟场景模型有关的原始数据；
    数据处理单元，其被配置为对所述原始数据进行数据处理，以作为建模数据；以及
    模型建立单元，其被配置为基于所述建模数据建立所述至少一个虚拟场景模型。
  12. 根据权利要求11所述的装置，其中，所述原始数据包括所述牵引供电系统的离线数据和在线数据，并且包括以下各项中的至少一项：所述牵引供电系统的供电网络参数、列车参数、运行线路和地理信息、附加载荷参数、以及列车调度信息。
  13. 根据权利要求9所述的装置，其中，所述分析优化单元被进一步配置为：
    针对所述至少一个虚拟场景模型中的单个虚拟场景模型，将其仿真电气数据与预设的阈值进行比较；以及
    根据比较结果对所述单个虚拟场景模型进行分析。
  14. 根据权利要求9所述的装置，其中，所述分析优化单元被进一步配置为：
    针对所述至少一个虚拟场景模型中的多个虚拟场景模型，按照预设的规则，基于所述多个虚拟场景模型的仿真电气数据分析所述多个虚拟场景模型之间的关系。
  15. 根据权利要求13或14所述的装置，其中，所述仿真电气数据包括以下各项中的至少一项：轨电位、接触线电位、每个牵引变电所中整流器的负荷率、以及总能耗。
  16. 根据权利要求9所述的装置，其中，所述分析优化单元被进一步配置为：
    使用经训练的深度神经网络模型，为所述至少一个虚拟场景模型生成列车运行数据，其中，所述深度神经网络模型通过深度强化学习算法进行训练，并且，将所述仿真电气数据作为所述深度强化学习算法中奖励函数的输入，来调整所述深度神经网络模型的模型参数。
  17. 计算设备，包括：
    处理器；以及
    存储器，其用于存储计算机可执行指令，当所述计算机可执行指令被执行时使得所述处理器执行根据权利要求1-8中任一项所述的方法。
  18. 计算机可读存储介质，所述计算机可读存储介质具有存储在其上的计算机可执行指令，所述计算机可执行指令用于执行根据权利要求1-8中任一项所述的方法。
  19. 计算机程序产品，所述计算机程序产品被有形地存储在计算机可读存储介质上，并且包括计算机可执行指令，所述计算机可执行指令在被执行时使至少一个处理器执行根据权利要求1-8中任一项所述的方法。
CN202180069163.3A 2021-02-26 2021-02-26 轨道交通的牵引供电系统的监控和预测方法及装置 Pending CN116324639A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2021/078261 WO2022178865A1 (zh) 2021-02-26 2021-02-26 轨道交通的牵引供电系统的监控和预测方法及装置

Publications (1)

Publication Number Publication Date
CN116324639A true CN116324639A (zh) 2023-06-23

Family

ID=83047620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180069163.3A Pending CN116324639A (zh) 2021-02-26 2021-02-26 轨道交通的牵引供电系统的监控和预测方法及装置

Country Status (2)

Country Link
CN (1) CN116324639A (zh)
WO (1) WO2022178865A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115221982B (zh) * 2022-09-21 2022-12-09 石家庄铁道大学 牵引供电运维方法、装置、终端及存储介质
CN116933609B (zh) * 2023-09-15 2023-12-12 中铁电气化局集团有限公司 一种同相牵引供电电缆供电回路导接施工仿真方法及系统
CN117350102A (zh) * 2023-09-20 2024-01-05 国网上海市电力公司 一种地铁电力系统治理方法、装置、设备及可读存储介质
CN117829378B (zh) * 2024-03-04 2024-05-14 华东交通大学 一种基于时空数据的轨道交通能耗预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08322137A (ja) * 1995-05-25 1996-12-03 Mitsubishi Electric Corp 過電流保護装置
CN107526858B (zh) * 2016-11-07 2023-12-22 北京交通大学 基于pscad/emtdc的电铁牵引供电系统仿真平台
CN110389570A (zh) * 2018-04-19 2019-10-29 株洲中车时代电气股份有限公司 一种机车牵引系统故障诊断装置及方法
CN110928214A (zh) * 2019-11-07 2020-03-27 中铁电气化局集团有限公司 一种基于智能化模拟的列车牵引供电能耗计算系统及方法
CN111638656B (zh) * 2020-06-08 2023-09-19 中车株洲电力机车研究所有限公司 一种直流牵引供电系统的运行状态解算方法及仿真模拟系统
CN112140945B (zh) * 2020-10-10 2022-04-22 中车青岛四方机车车辆股份有限公司 一种动车组牵引供电系统的仿真建模系统及方法

Also Published As

Publication number Publication date
WO2022178865A1 (zh) 2022-09-01

Similar Documents

Publication Publication Date Title
CN116324639A (zh) 轨道交通的牵引供电系统的监控和预测方法及装置
EP3608850A1 (en) Energy management device, model management method and computer program
EP3611675A1 (en) Method and device for determining a configuration for deployment of a public transportation system
JP2019018755A (ja) 異常検知装置、異常検知方法およびコンピュータプログラム
CN112926666A (zh) 一种轨道交通故障诊断方法
CN106447107B (zh) 一种基于飞机结构健康监控的维修方法
US20230139003A1 (en) Systems and methods for managing velocity profiles
CN113177377A (zh) 一种基于数字孪生的智慧城市轨道交通线网管理系统
CN110843870A (zh) 一种非正常事件下高铁路网图定能力保持方法
CN105278400A (zh) 生成符合噪声消减限制的飞机离场剖面
CN110826228B (zh) 一种地区电网运行品质极限评估方法
CN111348535B (zh) 轨道交通车站中使用的扶梯的健康状态监测系统及方法
CN116700296A (zh) 基于深度学习的自主充电无人电动车智能规划方法及系统
CN108263400B (zh) 高铁列车运行速度控制方法、装置、存储介质及高铁列车
JP2023175992A (ja) エネルギー供給システムおよび情報処理装置
JP6222841B2 (ja) 運行管理装置、列車制御方法及びプログラム
US20230159069A1 (en) System and method for coordination of acceleration values of locomotives in a train consist
US20170039306A1 (en) Traffic System Optimization Device
Zhou et al. The landing safety prediction model by integrating pattern recognition and Markov chain with flight data
WO2022205175A1 (zh) 列车运行优化方法及装置
CN115796651A (zh) 基于多模态数据的客站设备智能化评价方法、装置和设备
CN111857015B (zh) 输变电云端智能控制器
CN113869545A (zh) 预测无人驾驶有轨电车的耗电量的方法和系统
CN113788053B (zh) 一种高铁列车调度模拟实训方法和系统
CN111897655B (zh) 一种输变电云端智能控制器

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