CN116888030A - 列车运行优化方法及装置 - Google Patents
列车运行优化方法及装置 Download PDFInfo
- Publication number
- CN116888030A CN116888030A CN202180093314.9A CN202180093314A CN116888030A CN 116888030 A CN116888030 A CN 116888030A CN 202180093314 A CN202180093314 A CN 202180093314A CN 116888030 A CN116888030 A CN 116888030A
- Authority
- CN
- China
- Prior art keywords
- train
- model
- virtual scene
- current
- optimization 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000009471 action Effects 0.000 claims abstract description 42
- 230000002787 reinforcement Effects 0.000 claims abstract description 10
- 238000004088 simulation Methods 0.000 claims description 34
- 230000001133 acceleration Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 abstract description 28
- 238000010586 diagram Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
一种列车运行优化方法,包括:获得列车的牵引供电系统的虚拟场景模型,虚拟场景模型与牵引供电系统的运行场景相对应(21);建立运行优化模型,运行优化模型用于根据虚拟场景模型中的每辆列车的列车状态确定对应的列车动作,列车动作用于更新每辆列车的列车状态(22);以及利用强化学习,迭代地根据虚拟场景模型在更新的列车状态下的仿真功率调整运行优化模型的模型参数,以训练运行优化模型(23)。在该方法中,不仅地理信息、列车阻力、列车功率特性等与能耗有关的因素更接近实际情形,而且从整个牵引供电系统的能耗出发,而不仅仅考虑单辆列车的牵引能耗,使得运行优化更加全面和准确。
Description
本公开内容涉及轨道交通的技术领域,更具体地说,涉及列车运行优化方法、装置、计算设备、计算机可读存储介质和程序产品。
在轨道交通线路中,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。出于经济和环保的目的,需要尽可能降低牵引供电系统的能耗,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。另外,目前普遍采用预先计算的列车运行图来控制列车在轨道交通线路中的运行。列车运行图通常包括列车停站时间、列车数量、列车间隔时间和运行方向及区间,其用于控制列车运行的时间、位置和速度。
为了降低列车运行时牵引供电系统的能耗,工程师通常需要在特定的地理信息、速度限制和/或列车运动特征等条件下,根据经验来调整列车运行图,从而达到最小牵引能耗的优化结果。目前,通常认为列车以“滑行模式”行驶能够实现最小牵引能耗。参考图1(a),图1(a)示出了现有技术中列车在理想情况下以滑行模式行驶的示意图。在图1(a)中,一辆列车在距离为S
A的两个站台之间的行驶分为四个阶段:0-S
1为加速阶段,在该阶段,列车在牵引力作用下以最大加速度持续加速,直至最大速度V
1;S
1-S
2为匀速行驶阶段,在该阶段,列车在牵引力作用下以最大速度V
1匀速行驶;S
2-S
3为滑行阶段,在该阶段,列车在无牵引力的情况下滑行,受阻力作用而减速到V
2;S
3-S
A为减速阶段,在该阶段,列车以最大减速度减速,直至速度为0。图1(b)示出了现有技术中在叠加了速度限制的情况下列车以滑行模式行驶的示意图。相比于图1(a),图1(b)中则考虑了轨道交通线路上的一些速度限制。
发明内容
现有技术的运行优化方法在理想情况(如不考虑上下坡的地理信息、线性的列车阻力、线性的列车功率特性等)或在最多考虑了速度限制的情况下实现。事实上,列车阻力(如摩擦阻力、滚动阻力、滑动阻力、振动阻力、空气阻力等)随着行驶速度的不同而发生非线性的变化,在一些特定条件下(如坡道和隧道等),还会产生非线性的附加阻力,这些都导致了列车在运行时受到的阻力是非线性的。另外,列车的牵引特性和制动特性也是非线性的。这些非线性的因素导致现有技术的运行优化方法并不能得到具有最小牵引能耗的最优列车运行图。不仅如此,现有技术的运行优化方法还未考虑传导能耗(如导线损耗)和列车制动产生的再生能量。也就是说,现有技术的运行优化方法仅从最小化单辆列车的牵引能耗的角度出发,而并未考虑整个牵引供电系统的能耗。
本公开内容的第一实施例提出了一种列车运行优化方法。包括:获得列车的牵引供电系统的虚拟场景模型,虚拟场景模型与牵引供电系统的运行场景相对应;建立运行优化模型,运行优化模型用于根据虚拟场景模型中的每辆列车的列车状态确定对应的列车动作,列车动作用于更新每辆列车的列车状态;以及利用强化学习,迭代地根据虚拟场景模型在更新的列车状态下的仿真功率调整运行优化模型的模型参数,以训练运行优化模型。
在该实施例中,虚拟场景模型中的地理信息、列车阻力、列车功率特性等与能耗有关的因素更接近实际情形。而且,该方法从整个牵引供电系统的能耗出发,包括传导能耗、列车制动产生的再生能量等,而不仅仅考虑单辆列车的牵引能耗,使得运行优化更加全面和准确。这使得即使在复杂运行场景下,也能利用虚拟场景模型进行运行优化模型的训练,从而得到具有最小能耗的最优列车运行图。此外,通过强化学习能够实现自学习的模型训练,极少依赖于人工经验。
本公开内容的第二实施例提出了一种列车运行优化装置,包括:场景模型获得单元,其被配置为获得列车的牵引供电系统的虚拟场景模型,虚拟场景模型与牵引供电系统的运行场景相对应;优化模型建立单元,其被配置为建立运行优化模型,运行优化模型用于根据虚拟场景模型中的每辆列车的列车状态确定对应的列车动作,列车动作用于更新每辆列车的列车状态;以及优化模型训练单元,其被配置为迭代地根据虚拟场景模型在更新的列车状 态下的仿真功率调整运行优化模型的模型参数,以训练运行优化模型。
在该实施例中,虚拟场景模型中的地理信息、列车阻力、列车功率特性等与能耗有关的因素更接近实际情形。而且,该方法从整个牵引供电系统的能耗出发,包括传导能耗、列车制动产生的再生能量等,而不仅仅考虑单辆列车的牵引能耗,使得运行优化更加全面和准确。这使得即使在复杂运行场景下,也能利用虚拟场景模型进行运行优化模型的训练,从而得到具有最小能耗的最优列车运行图。此外,通过强化学习能够实现自学习的模型训练,极少依赖于人工经验。
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。
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(a)示出了现有技术中列车在理想情况下以滑行模式行驶的示意图;
图1(b)示出了现有技术中在叠加了速度限制的情况下列车以滑行模式行驶的示意图;
图2示出了根据本公开内容的一个实施例的列车运行优化方法的流程图;
图3示出了图2的实施例中训练运行优化模型的流程图;
图4示出了图2的实施例中计算虚拟场景模型的当前仿真功率的流程 图;
图5(a)示出了根据图2的实施例的一个示例性虚拟场景模型在当前时刻的网络拓扑结构;
图5(b)示出了图5(a)中的示例性虚拟场景模型在下一时刻的网络拓扑结构;
图6示出了根据本公开内容的一个实施例的列车运行优化系统的示意方框图;
图7示出了根据本公开内容的一个实施例的列车运行优化装置的示意方框图;以及
图8示出了根据本公开内容的一个实施例的用于列车运行优化的计算设备的示意方框图。
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。
下面根据一个实施例来说明本公开内容。图2示出了根据本公开内容的一个实施例的列车运行优化方法的流程图。参考图2,方法200从步骤21开始。在步骤21中,获得列车的牵引供电系统的虚拟场景模型,虚拟场景模型与牵引供电系统的运行场景相对应。如上所述,轨道交通线路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(如坡度信息)、牵引变电所的数量和位置等;而其它一些参数或配置可以发生变化,如列车的间隔时间、载客率、列车数量、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。因此,对于牵引供电系统而言,可以有许多不同的运行场景。每个虚拟场景模型模拟一个特定的运行场景下的牵引供电系统。可以预先为牵引供电系统建立与目标运行场景对应的虚拟场景模型。每次建立的虚拟场景模型可以被保存在数据库中。随着数据库中的虚拟场景模型不断地扩充和累积,在后续需要时,可以从数据库中查找所需要的虚拟场景模型。
接下来,在步骤22中,建立运行优化模型,该运行优化模型用于根据虚拟场景模型中的每辆列车的列车状态确定对应的列车动作,列车动作用于更新每辆列车的列车状态。列车状态可以包括列车的位置和速度,列车动作可以包括列车的加速度。在本实施例中,利用强化学习来训练运行优化模型。运行优化模型可以以基于值、基于策略梯度或两者结合的方式来根据虚拟场景模型中的每辆列车的列车状态选择对应的列车动作。在本实施例中,运行优化模型包括深度神经网络。可以根据需要设计深度神经网络的结构,以实现端到端的训练。可以使用任何适当的连续或离散的深度强化学习方法,例如DQN或DDPG等。
最后,在步骤23中,利用强化学习,迭代地根据虚拟场景模型在更新的列车状态下的仿真功率调整运行优化模型的模型参数,以训练运行优化模型。由于期望使牵引供电系统在某个运行场景下(如特定的载客率、列车间隔时间等)的能耗最小,因此可以利用与该运行场景对应的虚拟场景模型的 仿真能耗来训练运行优化模型。模型的训练过程是运行优化模型与虚拟场景模型的不断交互过程。在训练过程中,利用运行优化模型更新虚拟场景模型中的每辆列车的列车状态,对该列车状态下的虚拟场景模型进行仿真以得到仿真功率,再根据仿真功率调整运行优化模型的模型参数。调整后的运行优化模型再次用于更新虚拟场景模型中的每辆列车的列车状态,对再次更新的列车状态下的虚拟场景模型进行仿真以得到新的仿真功率,继续根据该仿真功率调整运行优化模型的模型参数。如此不断迭代地进行上述过程,最终使得运行优化模型得以收敛。
下面参考图3具体说明上述训练过程。图3示出了图2的实施例中训练运行优化模型的流程图。在图3中,步骤23包括子步骤231-子步骤235。在子步骤231中,利用运行优化模型,为虚拟场景模型中的每辆列车确定与其前一列车状态相对应的列车动作。最初,将虚拟场景模型中的每辆列车的初始列车状态输入运行优化模型。运行优化模型的输出为各列车的一组初始列车动作。之后,每次利用运行优化模型确定与输入的列车状态对应的列车动作。在子步骤232中,根据每辆列车的前一列车状态和所确定的列车动作,将每辆列车的前一列车状态更新为当前列车状态,并提供给运行优化模型和虚拟场景模型。在本实施例中,列车状态包括列车的位置和速度,列车动作包括列车的加速度。可以通过以下公式(1)-(2)来计算每辆列车的当前列车状态。
v
tj=v
tj-1+Δt×a
tj-1 (1)
在上述公式(1)-(2)中,v
tj和s
tj分别表示在t
j时刻的列车速度和列车位置,即当前列车状态。s
tj-1和v
tj-1分别表示在t
j时刻的前一时刻t
j-1的列车速度和列车位置,即前一列车状态。a
tj-1表示运行优化模型输出的与前一列车状态对应的列车加速度。应当指出,列车加速度可以为正或者为负,也可以为0。当加速度为正时,表示该列车在加速行驶;当加速度为负时,表示该列车在减速行驶;当加速度为0时,表示该列车在匀速行驶。计算得到的当前列车状态一方面被反馈给运行优化模型用于下一列车状态的更新,另一方面被提供给虚拟场景模型进行仿真功率计算。
在子步骤233中,根据每辆列车的当前列车状态,计算虚拟场景模型的当前仿真功率。如前所述,虚拟场景模型能在最大程度上体现整个牵引供电系统在实际运行场景下的情形。因此,虚拟场景模型中所有牵引变电所的入口功率之和即为该虚拟场景模型在当前列车状态下的仿真功率。
下面参考图4来说明计算虚拟场景模型的当前仿真功率的过程。在图4中,子步骤233进一步包括子步骤2331-2333。在子步骤2331中,将虚拟场景模型在当前列车状态下的网络拓扑结构转换为等效电路,等效电路的电源包括虚拟场景模型中的至少一个牵引变电所。由于虚拟场景模型包括牵引供电系统在对应运行场景下的所有信息,包括但不限于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,因此能够根据这些信息及列车的列车状态将虚拟场景模型在每个时刻的网络拓扑结构转换为等效电路。应当指出,由于列车位置在每个时刻都会发生变化,因此网络拓扑结构及其等效电路的电路结构和参数也同样会发生变化。在子步骤2332中,利用节点电压法计算该至少一个牵引变电所中的每个牵引变电所的入口功率。在将网络拓扑结构转换为等效电路之后,利用节点电压法列出非线性方程组,并通过牛顿迭代法求解该线性方程组,得到等效电路中各节点电压和各支路电流,最终计算得到每个牵引变电所入口处的总电流和电压。将每个牵引变电所入口处的电流和电压相乘便得到t
j时刻的入口功率,即P
TPSitj,其中TPS
i表示第i个牵引变电所。在子步骤2333中,将所计算的每个牵引变电所的入口功率相加,得到虚拟场景模型的当前仿真功率,即
图5(a)示出了一个示例性虚拟场景模型在当前时刻的网络拓扑结构。图5(b)示出了该示例性虚拟场景模型在下一时刻的网络拓扑结构。在图5(a)示出的网络拓扑结构500中,列车521-523在上行方向(图中向右)运行,列车524-526在下行方向(图中向左)运行。在当前时刻,列车521-522及524-525在牵引力作用下加速行驶,而列车523和526制动减速,且加速度值彼此不同。从图5(b)示出的网络拓扑结构501中可以看到,在下一时刻,列车521-526的位置都发生了变化。受到导线阻抗、地理信息、列车牵引特性等因素的影响,网络拓扑结构500和501的等效电路也同样发生变化。以网络拓扑结构500为例,两个牵引变电所510和511分别通过导线541-544 为上行方向的接触线531和下行方向的接触线532供电。上行方向的回流轨533通过导线551和553连接至牵引变电所510和511,下行方向的回流轨534通过导线552和554连接至牵引变电所510和511,从而构成了电流回路。在将网络拓扑结构500转换为等效电路时,牵引变电所510和511被等效为电源,列车521-526被等效为功率元件,接触线、回流轨和导线在该等效电路中产生阻抗。列车521-526的运行状态确定了其在等效电路中的牵引功率或制动功率。它们在牵引加速时消耗功率,而在制动减速时提供功率。可以根据以下公式(3)或(4)来计算牵引功率或制动功率:
P
train=η×F×V (3)
P
train=v
train×i
train (4)
在上述公式(3)和(4)中,P
train为列车521-526的牵引功率或制动功率。在公式(3)中,V为列车速度,F为根据列车的牵引特征曲线或制动特征曲线在该列车速度下的牵引力或制动力,η为对应的转换效率。在公式(4)中,v
train为跨列车521-526的电压,i
train为流过列车521-526的电流。由于牵引变电所510和511都向接触线531和532供电,因此需要计算这两个牵引变电所510和511的入口A
1和A
2处的功率。之后将这两个入口A
1和A
2处的功率相加,便得到虚拟场景模型在该网络拓扑结构下的仿真功率。
回到图3,子步骤234包括利用设定的奖惩函数,根据当前仿真功率和当前列车状态计算奖励值并提供给运行优化模型。当通过运行优化模型得到的列车动作使虚拟场景模型的仿真结果靠近优化目标时,给予运行优化模型正奖励,反之则给予负奖励。在本实施例中,根据当前的列车运行状况与预设的列车运行状况之间的比较结果以及仿真功率来设定奖惩函数。列车运行状况包括以下各项中的任意一项或多项:速度、运行时间和到站时间。可以基于当前列车状态来生成当前的列车运行状况。以下公式(5)示出了奖惩函数的一个示例。
从公式(5)中可以看出,仿真功率
与t
j时刻的奖励值R
tj成反比。也就是说,仿真功率越小,奖励值R
tj越大,反之亦然。预设的列车运行状况包括沿线的列车速度限制、站台之间的运行时间限制以及到站时间限制。当列车在t
j时刻的速度违反速度限制或列车在站台之间的运行时间违反运行时间限制时,奖励值R
tj为负常数;当列车在正确的时间停靠在目标站台时,奖励值R
tj为正常数。应当指出,上述公式(5)仅仅为奖励函数的一个简单示例,本领域技术人员应当理解,可以根据其它附加的一个或多个优化目标来设置奖励函数。如果同时存在多个优化目标,可以为多个优化目标设计不同的评分函数,并以不同的权重将各评分函数组合在一起形成最终的奖励函数。将计算得到的奖励值提供给运行优化模型。
之后,在子步骤235中,根据奖励值调整运行优化模型的模型参数。如前所述,子步骤232中得到的当前列车状态被反馈给运行优化模型,作为下一次迭代时输入运行优化模型的列车状态。在下一次迭代中,在子步骤231中,利用调整后的运行优化模型确定列车动作,之后继续执行子步骤232-235。迭代地执行上述步骤231-235直至运行优化模型收敛。通过运行优化模型不断地更新列车动作来更新虚拟场景模型中的列车状态,从而实现运行优化模型与虚拟场景模型不断迭代训练,使得运行优化模型学习到最优的列车驾驶模式以及列车运行图。
在上述实施例中,虚拟场景模型中的地理信息、列车阻力、列车功率特性等与能耗有关的因素更接近实际情形。而且,该方法从整个牵引供电系统的能耗出发,包括传导能耗、列车制动产生的再生能量,而不仅仅考虑单辆列车的牵引能耗,使得运行优化更加全面和准确。这使得即使在复杂运行场景下,也能利用虚拟场景模型进行运行优化模型的训练,从而得到具有最小能耗的最优列车运行图。此外,通过强化学习能够实现自学习的模型训练,极少依赖于人工经验。
在依据本公开内容的一个实施例之中,步骤21进一步包括:收集与虚拟场景模型有关的原始数据;按照预设规则对原始数据进行数据处理,以作为建模数据;以及基于建模数据建立虚拟场景模型。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,例如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。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。
原始数据通常来自不同的数据源,例如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之类的离线数据以及从牵引供电系统中的数据采集设备接收的数据之类的在线数据。这些数据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。可以按照预设规则(如格式转换规则),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。
图6示出了根据本公开内容的一个实施例的列车运行优化系统的示意方框图。在训练运行优化模型之后,便可以对在对应运行场景下实际运行的多辆列车进行控制。图6中的列车运行优化系统600包括中央控制模块601和运行优化模块602。中央控制器601经由通信模块(图6中未示出)与各列车的车载通信模块进行通信。运行优化模块602使用经过上述步骤训练的运行优化模型实时地输出各列车在每个时刻的加速度值列表。具体来说,在自动驾驶控制的过程中,各列车实时地通过车载摄像头感测其自身在环境中的位置和速度,即列车状态,并经由车载通信模块发送给中央控制器601。中央控制器601在接收到各列车的列车状态后,将其发送给运行优化模块 602。运行优化模块602利用训练好的运行优化模型,根据各列车的列车状态输出对应加速度值。之后,运行优化模块602将各列车的加速度值返回给中央控制器601。中央控制器601经由通信模块将加速度值发送给对应列车的车载控制模块,从而实现列车速度控制。
图7示出了根据本公开内容的一个实施例的列车运行优化装置的示意方框图。图7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7,装置700包括场景模型获得单元701、优化模型建立单元702和优化模型训练单元703。场景模型获得单元701被配置为获得列车的牵引供电系统的虚拟场景模型,虚拟场景模型与牵引供电系统的运行场景相对应。优化模型建立单元702被配置为建立运行优化模型,运行优化模型用于根据虚拟场景模型中的每辆列车的列车状态确定对应的列车动作,列车动作用于更新每辆列车的列车状态。优化模型训练单元703被配置为迭代地根据虚拟场景模型在更新的列车状态下的仿真功率调整运行优化模型的模型参数,以训练运行优化模型。
可选地,在依据本公开内容的一个实施例之中,优化模型训练单元703进一步包括列车动作确定单元、列车状态更新单元、仿真功率计算单元、奖励值计算单元和模型参数调整单元(图7中未示出)。列车动作确定单元被配置为利用运行优化模型,为虚拟场景模型中的每辆列车确定与其前一列车状态相对应的列车动作。列车状态更新单元被配置为根据每辆列车的前一列车状态和所确定的列车动作,将每辆列车的前一列车状态更新为当前列车状态。仿真功率计算单元被配置为根据每辆列车的当前列车状态,计算虚拟场景模型的当前仿真功率。奖励值计算单元被配置为利用设定的奖惩函数,根据当前仿真功率和当前列车状态计算奖励值并提供给运行优化模型。模型参数调整单元被配置为根据奖励值调整运行优化模型的模型参数。
可选地,在依据本公开内容的一个实施例之中,当前列车状态用于生成当前的列车运行状况,奖惩函数根据当前的列车运行状况与预设的列车运行状况之间的比较结果以及仿真功率来设定,仿真功率与奖励值成反比,并且,列车运行状况包括以下各项中的任意一项或多项:速度、运行时间和到站时间。
可选地,在依据本公开内容的一个实施例之中,仿真功率计算单元被 进一步配置为:将虚拟场景模型在当前列车状态下的网络拓扑结构转换为等效电路,等效电路的电源包括虚拟场景模型中的至少一个牵引变电所;利用节点电压法计算至少一个牵引变电所中的每个牵引变电所的入口功率;以及将所计算的每个牵引变电所的入口功率相加,得到虚拟场景模型的所述当前仿真功率。
可选地,在依据本公开内容的一个实施例之中,列车状态包括列车的位置和速度,列车动作包括列车的加速度。
可选地,在依据本公开内容的一个实施例之中,运行优化模型包括深度神经网络。
可选地,在依据本公开内容的一个实施例之中,运行优化装置700进一步包括列车运行控制单元(图7中未示出)。列车运行控制单元被配置为利用训练好的运行优化模型,对在运行场景下实际运行的每辆列车进行控制。
可选地,在依据本公开内容的一个实施例之中,列车运行控制单元被进一步配置为迭代地执行以下步骤:接收实际运行的每辆列车的当前列车状态;利用训练好的运行优化模型,根据当前列车状态为每辆列车确定对应的列车动作;以及将所确定的列车动作发送给对应列车。
可选地,在依据本公开内容的一个实施例之中,场景模型获得单元被进一步配置为:收集与虚拟场景模型有关的原始数据;按照预设规则对原始数据进行数据处理,以作为建模数据;以及基于建模数据建立虚拟场景模型。
图8示出了根据本公开内容的一个实施例的用于列车运行优化的计算设备的示意方框图。从图8中可以看出,用于轨道交通的运行优化的计算设备800包括中央处理单元(CPU)801(例如处理器)以及与中央处理单元(CPU)801耦合的存储器802。存储器802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)801和存储器802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801还可以包括连接至I/O接口的多个部件(图8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801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 (21)
- 列车运行优化方法,包括:获得列车的牵引供电系统的虚拟场景模型,所述虚拟场景模型与所述牵引供电系统的运行场景相对应;建立运行优化模型,所述运行优化模型用于根据所述虚拟场景模型中的每辆列车的列车状态确定对应的列车动作,所述列车动作用于更新所述每辆列车的列车状态;以及利用强化学习,迭代地根据所述虚拟场景模型在更新的列车状态下的仿真功率调整所述运行优化模型的模型参数,以训练所述运行优化模型。
- 根据权利要求1所述的方法,其中,利用强化学习,迭代地根据所述虚拟场景模型在更新的列车状态下的仿真功率调整所述运行优化模型的模型参数,以训练所述运行优化模型进一步包括:迭代地执行以下步骤直至所述运行优化模型收敛:利用所述运行优化模型,为所述虚拟场景模型中的所述每辆列车确定与其前一列车状态相对应的列车动作;根据所述每辆列车的所述前一列车状态和所确定的列车动作,将所述每辆列车的所述前一列车状态更新为当前列车状态,并提供给所述运行优化模型和所述虚拟场景模型;根据所述每辆列车的所述当前列车状态,计算所述虚拟场景模型的当前仿真功率;利用设定的奖惩函数,根据所述当前仿真功率和所述当前列车状态计算奖励值并提供给所述运行优化模型;以及根据所述奖励值调整所述运行优化模型的模型参数。
- 根据权利要求2所述的方法,其中,所述当前列车状态用于生成当前的列车运行状况,所述奖惩函数根据所述当前的列车运行状况与预设的列车运行状况之间的比较结果以及所述仿真功率来设定,所述仿真功率与所述奖励值成反比,并且,所述列车运行状况包括以下各项中的任意一项或多项: 速度、运行时间和到站时间。
- 根据权利要求2所述的方法,其中,根据所述每辆列车的所述当前列车状态,计算所述虚拟场景模型的当前仿真功率进一步包括:将所述虚拟场景模型在所述当前列车状态下的网络拓扑结构转换为等效电路,所述等效电路的电源包括所述虚拟场景模型中的至少一个牵引变电所;利用节点电压法计算所述至少一个牵引变电所中的每个牵引变电所的入口功率;以及将所计算的所述每个牵引变电所的入口功率相加,得到所述虚拟场景模型的所述当前仿真功率。
- 根据权利要求2所述的方法,其中,所述列车状态包括列车的位置和速度,所述列车动作包括列车的加速度。
- 根据权利要求1所述的方法,其中,所述运行优化模型包括深度神经网络。
- 根据权利要求1所述的方法,进一步包括:利用训练好的运行优化模型,对在所述运行场景下实际运行的每辆列车进行控制。
- 根据权利要求7所述的方法,其中,利用训练好的运行优化模型,对在所述运行场景下实际运行的每辆列车进行控制进一步包括:迭代地执行以下步骤:接收所述实际运行的每辆列车的当前列车状态;利用训练好的运行优化模型,根据所述当前列车状态为所述每辆列车确定对应的列车动作;以及将所确定的列车动作发送给对应列车。
- 根据权利要求1所述的方法,其中,获得轨道交通的牵引供电系统 的虚拟场景模型进一步包括:收集与所述虚拟场景模型有关的原始数据;按照预设规则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虚拟场景模型。
- 列车运行优化装置,包括:场景模型获得单元,其被配置为获得列车的牵引供电系统的虚拟场景模型,所述虚拟场景模型与所述牵引供电系统的运行场景相对应;优化模型建立单元,其被配置为建立运行优化模型,所述运行优化模型用于根据所述虚拟场景模型中的每辆列车的列车状态确定对应的列车动作,所述列车动作用于更新所述每辆列车的列车状态;以及优化模型训练单元,其被配置为迭代地根据所述虚拟场景模型在更新的列车状态下的仿真功率调整所述运行优化模型的模型参数,以训练所述运行优化模型。
- 根据权利要求10所述的装置,其中,所述优化模型训练单元进一步包括:列车动作确定单元,其被配置为利用所述运行优化模型,为所述虚拟场景模型中的所述每辆列车确定与其前一列车状态相对应的列车动作;列车状态更新单元,其被配置为根据所述每辆列车的所述前一列车状态和所确定的列车动作,将所述每辆列车的所述前一列车状态更新为当前列车状态;仿真功率计算单元,其被配置为根据所述每辆列车的所述当前列车状态,计算所述虚拟场景模型的当前仿真功率;奖励值计算单元,其被配置为利用设定的奖惩函数,根据所述当前仿真功率和所述当前列车状态计算奖励值并提供给所述运行优化模型;以及模型参数调整单元,其被配置为根据所述奖励值调整所述运行优化模型的模型参数。
- 根据权利要求11所述的装置,其中,所述当前列车状态用于生成 当前的列车运行状况,所述奖惩函数根据所述当前的列车运行状况与预设的列车运行状况之间的比较结果以及所述仿真功率来设定,所述仿真功率与所述奖励值成反比,并且,所述列车运行状况包括以下各项中的任意一项或多项:速度、运行时间和到站时间。
- 根据权利要求11所述的装置,其中,所述仿真功率计算单元被进一步配置为:将所述虚拟场景模型在所述当前列车状态下的网络拓扑结构转换为等效电路,所述等效电路的电源包括所述虚拟场景模型中的至少一个牵引变电所;利用节点电压法计算所述至少一个牵引变电所中的每个牵引变电所的入口功率;以及将所计算的所述每个牵引变电所的入口功率相加,得到所述虚拟场景模型的所述当前仿真功率。
- 根据权利要求11所述的装置,其中,所述列车状态包括列车的位置和速度,所述列车动作包括列车的加速度。
- 根据权利要求10所述的装置,其中,其中,所述运行优化模型包括深度神经网络。
- 根据权利要求10所述的装置,进一步包括列车运行控制单元,其被配置为:利用训练好的运行优化模型,对在所述运行场景下实际运行的每辆列车进行控制。
- 根据权利要求16所述的装置,其中,所述列车运行控制单元被进一步配置为迭代地执行以下步骤:接收所述实际运行的每辆列车的当前列车状态;利用训练好的运行优化模型,根据所述当前列车状态为所述每辆列车确定对应的列车动作;以及将所确定的列车动作发送给对应列车。
- 根据权利要求10所述的装置,其中,所述场景模型获得单元被进一步配置为:收集与所述虚拟场景模型有关的原始数据;按照预设规则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虚拟场景模型。
- 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1-9中任一项所述的方法。
- 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1-9中任一项所述的方法。
- 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1-9中任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/084680 WO2022205175A1 (zh) | 2021-03-31 | 2021-03-31 | 列车运行优化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116888030A true CN116888030A (zh) | 2023-10-13 |
Family
ID=83457708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180093314.9A Pending CN116888030A (zh) | 2021-03-31 | 2021-03-31 | 列车运行优化方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116888030A (zh) |
WO (1) | WO2022205175A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117682429B (zh) * | 2024-02-01 | 2024-04-05 | 华芯(嘉兴)智能装备有限公司 | 一种物料控制系统的天车搬运指令调度方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8670890B2 (en) * | 2012-07-09 | 2014-03-11 | General Electric Company | Method and system for timetable optimization utilizing energy consumption factors |
CN106651009B (zh) * | 2016-11-23 | 2020-02-11 | 北京交通大学 | 城市轨道交通任意多车协作的节能优化控制方法 |
CN106774275B (zh) * | 2017-01-16 | 2019-11-19 | 湖南中车时代通信信号有限公司 | 可视化列车运行监控装置的控制功能的测试系统和方法 |
CN110562301B (zh) * | 2019-08-16 | 2020-12-01 | 北京交通大学 | 基于q学习的地铁列车节能驾驶曲线计算方法 |
CN110497943B (zh) * | 2019-09-03 | 2020-07-14 | 西南交通大学 | 一种基于强化学习的城轨列车节能运行策略在线优化方法 |
CN112116156B (zh) * | 2020-09-18 | 2023-02-03 | 中南大学 | 基于深度强化学习的混动列车的能量管理方法及系统 |
-
2021
- 2021-03-31 CN CN202180093314.9A patent/CN116888030A/zh active Pending
- 2021-03-31 WO PCT/CN2021/084680 patent/WO2022205175A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2022205175A1 (zh) | 2022-10-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Joint optimization of high-speed train timetables and speed profiles: A unified modeling approach using space-time-speed grid networks | |
Li et al. | An energy-efficient scheduling and speed control approach for metro rail operations | |
CN112700639B (zh) | 一种基于联邦学习与数字孪生的智能交通路径规划方法 | |
AU2017201725B2 (en) | Train driving assistant system | |
Dai et al. | Quality-of-experience-oriented autonomous intersection control in vehicular networks | |
CN108791367B (zh) | 列车的节能操纵方法 | |
Chen et al. | Optimization of an MRT train schedule: reducing maximum traction power by using genetic algorithms | |
WO2022178865A1 (zh) | 轨道交通的牵引供电系统的监控和预测方法及装置 | |
CN111169513B (zh) | 面向乘客舒适性的多自动驾驶列车分布式协同控制方法 | |
KR101770594B1 (ko) | 열차의 실시간 속도 최적화 시스템 및 이를 이용한 열차의 실시간 속도 최적화 방법 | |
EP3219572B2 (en) | Method of providing a driving recommendation to a driver of a train and train driver advisory system | |
Li et al. | Dynamic trajectory optimization design for railway driver advisory system | |
CN116888030A (zh) | 列车运行优化方法及装置 | |
Powell et al. | A comparison of modelled and real-life driving profiles for the simulation of railway vehicle operation | |
CN115049156B (zh) | 一种交通线网运行图衔接优化方法、电子设备及存储介质 | |
He et al. | Energy-efficient receding horizon trajectory planning of high-speed trains using real-time traffic information | |
CN111688760B (zh) | 一种通过陡坡路段的列车快速节能优化方法及装置 | |
WO2019017007A1 (ja) | 列車運転支援装置、列車運転支援システム、及び列車運転支援方法 | |
Cha et al. | Discrete event simulation of Maglev transport considering traffic waves | |
CN115437377A (zh) | 自动驾驶速度规划方法、电子设备、车辆及存储介质 | |
CN115352502A (zh) | 一种列车运行方案调整方法、装置、电子设备及存储介质 | |
Chen et al. | Optimal cooperative eco-driving of multi-train with tlet comprehensive system | |
US11608048B2 (en) | Intelligent engine activation planner | |
CN114692266A (zh) | 一种基于高斯伪谱法的节能坡优化方法 | |
Bertoni | Ecological cooperative adaptive cruise control for autonomous electric vehicles |
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 |