CN117829378B - 一种基于时空数据的轨道交通能耗预测方法 - Google Patents
一种基于时空数据的轨道交通能耗预测方法 Download PDFInfo
- Publication number
- CN117829378B CN117829378B CN202410239336.7A CN202410239336A CN117829378B CN 117829378 B CN117829378 B CN 117829378B CN 202410239336 A CN202410239336 A CN 202410239336A CN 117829378 B CN117829378 B CN 117829378B
- Authority
- CN
- China
- Prior art keywords
- train
- power
- energy consumption
- traction
- speed
- 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
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004146 energy storage Methods 0.000 claims description 15
- 238000004804 winding Methods 0.000 claims description 13
- 229910000831 Steel Inorganic materials 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 239000010959 steel Substances 0.000 claims description 8
- 239000003990 capacitor Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Classifications
-
- 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于时空数据的轨道交通能耗预测方法,属于轨道交通供电技术领域。本发明将供电区间划分为多个牵引支路,根据轨迹函数提取列车在牵引支路的能耗数据,生成该牵引支路的能耗预测模型,依据所有牵引支路的能耗数据确定供电区间总能耗。同时利用供电区间中各牵引支路的自耦电阻位置及列车的瞬时速度和时间等时空信息确定参数范围,将列车的速度与时间作为输入参数,将牵引区间列车能耗作为输出参数,基于支持向量机技术生成支持向量回归函数,从而确定能耗预测模型。进一步的,本发明根据列车的运行状态分配无功能耗,降低同一牵引支路内的能量回馈对能耗预测的影响。
Description
技术领域
本发明涉及能耗数据处理技术领域,尤其涉及一种基于时空数据的轨道交通能耗预测方法。
背景技术
轨道交通的能耗预测与评价在节约能源利用过程中的作用越来越重要,评价现有能耗水平及能耗预测结果及时作出策略调整,能够提高能源的利用率。申请号为CN202310175103.0的中国专利申请公开了一种轨道交通能耗分析系统及方法,该方法对能耗原始数据库中的数据进行数据填充、时间戳对齐以及数据切片处理,得到多维度能耗运行数据,再对多维度能耗运行数据进行能耗规律特征分析、能耗影响因素分析。该方法采用数学分析方法,没有考虑轨道交通设备的具体工况,预测模型的不确定性大,需要大量的样本集参与训练。
申请号为CN202211019980.0的中国专利申请公开了一种基于Boosting和多预测器融合的列车牵引能耗异常检测方法,该方法生成日、周、月和年时间尺度的时序数据集,将时间序列分解为季节性、趋势项和节假日项,构建Prophet预测模型。该方法将轨道列车的时间尺度纳入预测模型参数,可以获得更准确的预测结果。除了时间尺度,轨道列车的位置不断变化,其空间尺度也会改变列车的能耗,尤其是影响列车能量回馈设备的能耗。因此,有必要同时考虑时间尺度和空间尺度,优化轨道交通的能耗预测方法。
发明内容
为了解决上述现有技术存在的缺陷,本发明提出了一种基于时空数据的轨道交通能耗预测方法,用于预测列车在供电区间的总无功能耗。本发明根据供电区间的空间尺度确定预测模型,同时根据列车的时间尺度确定模型参数范围,预测结果可以准确反映每一供电区间的能耗状况,进而提高预测精度。进一步的,本发明根据列车的运行状态分配无功能耗,可以降低同一牵引支路内的能量回馈对预测结果的影响。
本发明的技术方案是这样实现的:
一种基于时空数据的轨道交通能耗预测方法,包括以下步骤:
步骤1:变电所、接触线和正馈线组成供电区间,在供电区间设置辅助供能设备,自耦绕组将供电区间分割为M个牵引支路,相邻自耦绕组的中点通过钢轨连接;
步骤2:列车具有驱动设备和能量回馈设备,驱动设备经能量回馈设备连接至接触线和钢轨,能量回馈设备具有一无功补偿装置;
步骤3:检测牵引支路m内接触线和辅助供能设备的输出电压和输出电流,分别计算第一功率p1m(t)和第二功率p2m(t),m=1,2,..., M;
步骤4:获取N个列车的轨迹函数,提取列车n处于牵引支路m的初始时刻t1mn和终止时刻t2mn,n=1,2,...,N;
步骤5:检测列车n的瞬时牵引力和瞬时速度,生成驱动设备在牵引支路m的第三功率p3mn (t);
步骤6:基于所述第一功率p1m (t)、第二功率p2m (t)以及第三功率p3mn (t)生成列车n的无功功率p4mn (t),根据无功功率p4mn (t)计算列车n在牵引支路m的无功能耗Qmn;
步骤7:采集列车n在初始时刻t1mn的第一速度v1mn和在终止时刻t2mn的第二速度v2mn,根据牵引支路m内多个列车的无功能耗与对应的初始时刻、终止时刻、第一速度以及第二速度建立牵引支路m的能耗预测模型Qm=f(t1m, t2m,v1m, v2m),t1m、t2m、v1m、v2m分别为初始时刻、终止时刻、第一速度、第二速度的输入变量;
步骤8:输入目标列车的轨迹函数s'(t),提取目标列车进入牵引支路m的初始时刻t'1m、离开牵引支路m的终止时刻t'2m以及进入牵引支路m的第一速度v'1m和离开牵引支路m的第二速度v'2m,基于所述能耗预测模型预测目标列车在牵引支路m的能耗Q'm,再计算目标列车在供电区间的总无功能耗Q'。
在本发明中,在步骤1中,所述辅助供能设备包括储能电容、储能电源,储能电容、储能电源经功率调节器和负荷控制器连接至牵引支路。
在本发明中,在步骤1中,变电所、接触线、自耦绕组以及正馈线组成高压回路,列车、接触线、自耦绕组以及钢轨组成低压回路。
在本发明中,在步骤2中,无功补偿装置包括制动电阻以及斩波器,驱动设备经一滤波电感连接至一受电弓,受电弓连接至接触网,制动电阻并联至驱动设备,斩波器调整制动电阻的电阻值。
在本发明中,在步骤3中,采集牵引支路m对应负荷控制器的输出电压和输出电流,计算辅助供能设备向牵引支路m输出的第二功率。
在本发明中,在步骤4中,根据自耦绕组的位置坐标确定牵引支路m的区间[s1,s2],根据位置坐标s1提取列车n的轨迹函数sn(t)的初始时刻t1mn,根据位置坐标s2提取列车n的轨迹函数sn(t)的终止时刻t2mn。
在本发明中,在步骤6中,提取列车n在牵引支路m的无功补偿装置的瞬时电压和瞬时电流,生成补偿功率p5mn(t),无功功率,k为位于牵引支路m的列车数量。
在本发明中,在步骤6中,计算列车n的设备负荷参数an(t),,列车n的无功功率,其中,wn为列车n的质量,vn为列车n的速度,/>为列车n的加速度,/>为k个列车的/>的最小值,k为位于牵引支路m的列车数量。
在本发明中,在步骤7中,以列车n的初始时刻t1mn、终止时刻t2mn、第一速度v1mn、第二速度v2mn构造归一化输入矩阵Xn,以列车n的无功能耗Qmn构造归一化输出参数yn,建立牵引支路m中k个列车的归一化样本集B,B={(X1,y1),(X2,y2),...,(Xn,yn),...,(Xk,yk)},通过该归一化样本集训练支持向量回归函数y=g (X),再通过反归一化算法得到牵引支路m的能耗预测模型。
在本发明中,在步骤7中,反归一化算法h(y)=[max(Qmn)-min(Qmn)]y+min(Qmn),max(Qmn)为k个列车的无功能耗的最大值,min(Qmn)为k个列车的无功能耗的最小值,能耗预测模型f(t1m,t2m,v1m,v2m)=h[g(X)],X为初始时刻t1m、终止时刻t2m以及第一速度v1m和第二速度v2m组成的归一化输入矩阵。
本发明实施的这种基于时空数据的轨道交通能耗预测方法,具有以下有益效果:本发明以供电区间内的牵引支路为预测对象,根据k个列车的输入参数生成该牵引支路预测模型,再结合M个牵引支路的预测数据估计列车在供电区间的总无功能耗。本发明依据轨迹函数提取列车在牵引支路的能耗数据,依据供电区间的空间尺度确定预测模型,依据列车的时间尺度确定参数范围,具有实时性和准确性,且预测结果可以准确反应供电区间的能耗状况,提高预测精度。依据列车运行状态分配能量回馈设备的无功能耗,降低同一牵引支路内的能量回馈对预测结果的影响。基于支持向量机技术生成支持向量回归函数以预测整个轨道交通能耗,保障数据的精确性。
附图说明
图1为本发明基于时空数据的轨道交通能耗预测方法的流程图;
图2为本发明的轨道交通电气连接示意图;
图3为本发明功率调节器与双向变换器的电气结构示意图;
图4为本发明的具有多个牵引支路的供电区间的示意图;
图5为本发明列车的取电示意图;
图6为本发明列车的驱动设备和能量回馈设备的示意图;
图7为本发明同一牵引支路内的两组列车能量回馈示意图;
图8为本发明提取列车第一速度和第二速度的示意图;
图9为本发明列车在不同时间的速度示意图;
图10为本发明的列车能耗拓扑图;
图11为本发明训练支持向量回归函数的流程图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点,下面结合附图和实施例,对本申请进行了描述和说明。
实施例一
参照图1至图10,本实施例公开了一种基于时空数据的轨道交通能耗预测方法。该预测方法以供电区间内的牵引支路为预测对象,根据k个列车的输入参数生成该牵引支路预测模型,再结合M个牵引支路的预测结果估计列车在供电区间的总无功能耗。该预测方法包括以下步骤。
步骤1:变电所、接触线和正馈线组成供电区间,在供电区间设置辅助供能设备,自耦绕组将供电区间分割为M个牵引支路,相邻自耦绕组的中点通过钢轨连接。如图2所示,变电所两端连接至接触线和正馈线,自耦绕阻的两端分别连接接触线和正馈线,钢轨连接至自耦绕阻的中点,列车连接至接触线和钢轨。根据变电所的位置将整个轨道交通供电区间划分为多个供电区间,在供电区间设置辅助供能设备,辅助供能设备包括储能电容、储能电源。储能电容、储能电源经功率调节器和负荷控制器连接至牵引支路。储能电源经由双向变换器连接至功率调节器。储能电源和储能电容进行辅助供电,负荷控制器和功率调节器进行功率调节和实时控制。
每个供电区间设有一功率调节器。功率调节器可以采用多组桥臂,根据投入的桥臂数量实现输出电压和功率的调节。如图3所示的采用单相全桥桥臂的功率调节器,包含四只开关器件和四个续流二极管。如图4和图5,每一供电区间设有多组自耦绕阻,自耦绕阻间隔例如10km。相邻自耦绕阻的中点通过钢轨连接,自耦绕阻的降压比为2:1。每两组自耦绕阻组成一个牵引支路,共有M个牵引支路。每一牵引支路由位于电网侧的高压回路和位于列车侧的低压回路组成。变电所、接触线、自耦绕组以及正馈线组成高压回路,列车、接触线、自耦绕组以及钢轨组成低压回路。
步骤2:列车具有驱动设备和能量回馈设备,驱动设备经能量回馈设备连接至接触线和钢轨,能量回馈设备具有一无功补偿装置。如图6,驱动设备包含变频调速器和牵引电机,无功补偿装置包括制动电阻以及斩波器。驱动设备经滤波电感连接至受电弓,受电弓连接至接触网,制动电阻并联至驱动设备,斩波器调整制动电阻的电阻值。在同一牵引支路内,正在制动状态的列车可以提供能量回馈给处于牵引状态的列车。如图7,为同一牵引支路内的两组列车能量回馈示意图。处于制动状态的列车1,其牵引电机工作在制动回馈的工况,此时牵引电机处于发电状态,将动能转换为电能通过逆变器传递到顶部的接触线上,其输出功率为正值。处于牵引状态的列车2,利用这一部分回馈到接触线的能量,并将其通过逆变器传递给牵引电机,此时牵引电机处于驱动状态。
步骤3:检测牵引支路m内接触线和辅助供能设备的输出电压和输出电流,分别计算第一功率p1m(t)和第二功率p2m(t),m=1,2,..., M。牵引支路共M个,检测其中每一牵引支路m内接触线的输出电压u1m(t)和输出电流i1m(t),计算接触线向牵引支路m输出的供电功率即第一功率p1m (t)=u1m(t)×i1m(t)。检测每一牵引支路m内辅助供能设备输出电压u2m(t)和输出电流i2m(t),负荷控制器计算辅助供能设备向牵引支路m输出的供电功率即第二功率p2m (t)=u2m(t)×i2m(t),其中,m=1,2,..., M。
步骤4:获取N个列车的轨迹函数,提取列车n处于牵引支路m的初始时刻t1mn和终止时刻t2mn,n=1,2,...,N。在本发明中,整个供电区间的运行列车数量为N,获取N个列车行驶里程和时间的函数关系即轨迹函数,其中列车n的轨迹函数sn(t)如图8。列车n位于牵引支路m中,牵引支路m左右各有一自耦绕阻,列车在行驶时连续经过两个自耦绕阻,依据两个自耦绕阻的位置坐标确定牵引支路m的区间[s1,s2],位置坐标s1为左自耦绕阻的位置坐标,位置坐标s2为右自耦绕阻的位置坐标。根据位置坐标s1提取列车n的轨迹函数sn(t)的初始时刻t1mn,根据位置坐标s2提取列车n的轨迹函数sn(t)的终止时刻t2mn,n=1,2,...,N。
步骤5:检测列车n的瞬时牵引力和瞬时速度,生成驱动设备在牵引支路m的第三功率p3mn (t)。如图9,为本发明列车在不同时间的速度示意图,列车在行驶过程中有四种不同的状态,分别为牵引、巡航、惰性、制动,在不同的时间点列车的行驶状态不同,速度也不同。利用各类传感器和雷达检测列车n在各个时间段的瞬时速度,并依据列车行驶的四种状态,可作列车n的速度与时间的关系曲线即速度-时间函数vmn(t)。通过传感器检测列车n的瞬时牵引力Fmn(t),利用瞬时牵引力Fmn(t)和瞬时速度vmn(t)生成列车n的驱动设备在牵引支路m的第三功率p3mn (t),p3mn (t)=Fmn(t)×vmn(t)。
步骤6:基于所述第一功率p1m (t)、第二功率p2m (t)以及第三功率p3mn (t)生成列车n的无功功率p4mn (t),根据无功功率p4mn (t)计算列车n在牵引支路m的无功能耗Qmn。图10为本发明的列车能耗拓扑图,列车能耗由电网能量和补偿能量所提供,再由牵引能耗和无功能耗消耗,无功能耗由电压补偿损耗及电路设备损耗构成。本发明利用能耗关系获得无功功率,从而求解无功能耗,即基于所述第一功率p1m (t)、第二功率p2m (t)以及第三功率p3mn (t)可生成列车n的无功功率p4mn (t)。在一个实施例中,利用平均分配或按比例计算两种方法求解无功功率p4mn (t),具体过程见实施例二。依据获得的无功功率p4mn (t)计算列车n在牵引支路m的无功能耗Qmn,,其中,t1mn为列车n处于牵引支路m的初始时刻,t2mn为列车n处于牵引支路m的终止时刻,n=1,2,...,k。
步骤7:采集列车n在初始时刻t1mn的第一速度v1mn和在终止时刻t2mn的第二速度v2mn,根据牵引支路m内多个列车的无功能耗与对应的初始时刻、终止时刻、第一速度以及第二速度建立牵引支路m的能耗预测模型Qm=f(t1m, t2m,v1m, v2m),t1m、t2m、v1m、v2m分别为初始时刻、终止时刻、第一速度、第二速度的输入变量。列车n行驶在牵引支路m时,初始时刻为t1mn,终止时刻为t2mn。参照图8,在速度与时间曲线中提取列车n在牵引支路m的初始时刻t1mn的瞬时速度即第一速度v1mn和终止时刻t2mn的瞬时速度即第二速度v2mn。一种优选的能耗预测模型的预测方法参照实施例三。本发明不限制能耗预测模型的创建方法,可以将该能耗预测模型拟合为四个输入变量的多次函数。
步骤8:输入目标列车的轨迹函数s'(t),提取目标列车进入牵引支路m的初始时刻t'1m、离开牵引支路m的终止时刻t'2m以及进入牵引支路m的第一速度v'1m和离开牵引支路m的第二速度v'2m,基于所述能耗预测模型预测目标列车在牵引支路m的能耗Q'm,再计算目标列车在供电区间的总无功能耗Q'。
利用获得的能耗预测模型预测目标列车在牵引支路m的能耗。具体来说,提取目标列车的行驶里程和时间的函数关系即轨迹函数s'(t),依据牵引支路m的区间[s1,s2]获得目标列车处于牵引支路m的初始时刻t'1m、终止时刻t'2m。再获取目标列车在初始时刻t'1m进入牵引支路m的第一速度v'1m和在终止时刻t'2m离开牵引支路m的第二速度v'2m。将初始时刻t'1m、终止时刻t'2m以及第一速度v'1m和第二速度v'2m代入能耗预测模型Qm=f(t1m, t2m,v1m,v2m),获得基于目标列车预测的牵引支路m的能耗Q'm,目标列车在供电区间的总无功能耗为,M为供电区间的牵引支路总数。
实施例二
由于能量回馈设备的存在,同一牵引支路内的多个列车的能耗相互影响,无功功率的分配方式影响预测结果。本发明中,基于所述第一功率p1m (t)、第二功率p2m (t)以及第三功率p3mn (t)生成列车n的无功功率p4mn (t)可采取两种预测方式。此外,还可以采用其他方法分配无功功率,本发明对此不加以限制。在一种实施例中,将牵引支路m的总无功功率平均分配给牵引支路m的每个列车。具体来说,提取列车n在牵引支路m的无功补偿装置的瞬时电压u5mn(t)和瞬时电流i5mn(t),生成补偿功率p5mn(t),p5mn(t)=u5mn(t)×i5mn(t)。无功功率,k为位于牵引支路m的列车数量。
在另一种实施例中,利用列车n的设备负荷参数与供电区间所有列车的设备负荷参数的比值分配无功功率。列车的动能大小影响无功功率,对列车的动能进行微分后再归一化处理,可以获得设备负荷参数an(t)。具体来说,列车n的设备负荷参数,wn为列车n的质量,vn为列车n的速度,/>为列车n的加速度,/>为k个列车的/>的最小值。列车n的无功功率,其中,k为位于牵引支路m的列车数量。
实施例三
以列车的初始时刻t1mn、终止时刻t2mn、第一速度v1mn、第二速度v2mn构造归一化输入矩阵Xn,以列车的无功能耗Qmn构造归一化输出参数yn,建立牵引支路m的归一化样本集B,B={(X1,y1),(X2,y2),...,(Xn,yn),...,(Xk,yk)}。已知牵引支路m的归一化样本集B,本实施例采用支持向量回归函数生成能耗预测模型。
如图11,本实施例进一步公开了一种优选的训练支持向量回归函数的流程图。从归一化样本集B中选取r个样本作为训练样本,其余k-r个样本作为测试样本。对于训练样本,选择适当核函数,利用格搜索和交叉验证的方法选定最佳参数值,如惩罚系数C、宽度系数σ2等。获得并训练支持向量回归函数y=g(X),将训练样本和测试样本代入g(X)输出拟合值,并对拟合值和实际值进行线性回归。计算相关系数以检验模型,检验成功则继续,不成功则重新选择各参数值继续求解,最终获得支持向量回归函数y=g(X)。
由于计算时输入及输出参数均为归一化后的值,因此需对支持向量回归函数进行反归一化,反归一化算法h(y)=[max(Qmn)-min(Qmn)]y+min(Qmn),max(Qmn)为牵引支路m内k个列车的无功能耗的最大值,min(Qmn)为牵引支路m内k个列车的无功能耗的最小值,n≤k。最后反解获得能耗预测模型f(t1m,t2m,v1m,v2m)= h(y)=h[g(X)]=[max(Qmn)-min(Qmn)]g(X)+min(Qmn)。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改,等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于时空数据的轨道交通能耗预测方法,其特征在于,包括以下步骤:
步骤1:变电所、接触线和正馈线组成供电区间,在供电区间设置辅助供能设备,自耦绕组将供电区间分割为M个牵引支路,相邻自耦绕组的中点通过钢轨连接;
步骤2:列车具有驱动设备和能量回馈设备,驱动设备经能量回馈设备连接至接触线和钢轨,能量回馈设备具有一无功补偿装置;
步骤3:检测牵引支路m内接触线和辅助供能设备的输出电压和输出电流,分别计算第一功率p1m(t)和第二功率p2m(t),m=1,2,..., M;
步骤4:获取N个列车的轨迹函数,提取列车n处于牵引支路m的初始时刻t1mn和终止时刻t2mn,n=1,2,...,N;
步骤5:检测列车n的瞬时牵引力和瞬时速度,生成驱动设备在牵引支路m的第三功率p3mn (t);
步骤6:基于所述第一功率p1m (t)、第二功率p2m (t)以及第三功率p3mn (t)生成列车n的无功功率p4mn (t),根据无功功率p4mn (t)计算列车n在牵引支路m的无功能耗Qmn;
步骤7:采集列车n在初始时刻t1mn的第一速度v1mn和在终止时刻t2mn的第二速度v2mn,根据牵引支路m内多个列车的无功能耗与对应的初始时刻、终止时刻、第一速度以及第二速度建立牵引支路m的能耗预测模型Qm=f(t1m, t2m,v1m, v2m),t1m、t2m、v1m、v2m分别为初始时刻、终止时刻、第一速度、第二速度的输入变量;
步骤8:输入目标列车的轨迹函数s'(t),提取目标列车进入牵引支路m的初始时刻t'1m、离开牵引支路m的终止时刻t'2m以及进入牵引支路m的第一速度v'1m和离开牵引支路m的第二速度v'2m,基于所述能耗预测模型预测目标列车在牵引支路m的能耗Q'm,再计算目标列车在供电区间的总无功能耗Q',其中,
在步骤7中,以列车n的初始时刻t1mn、终止时刻t2mn、第一速度v1mn、第二速度v2mn构造归一化输入矩阵Xn,以列车n的无功能耗Qmn构造归一化输出参数yn,建立牵引支路m中k个列车的归一化样本集B,B={(X1,y1),(X2,y2),...,(Xn,yn),...,(Xk,yk)},通过该归一化样本集训练支持向量回归函数y=g (X),再通过反归一化算法得到牵引支路m的能耗预测模型,
反归一化算法h(y)=[max(Qmn)-min(Qmn)]y+min(Qmn),max(Qmn)为k个列车的无功能耗的最大值,min(Qmn)为k个列车的无功能耗的最小值,能耗预测模型f(t1m,t2m,v1m,v2m)=h[g(X)],X为初始时刻t1m、终止时刻t2m以及第一速度v1m和第二速度v2m组成的归一化输入矩阵。
2.根据权利要求1所述的基于时空数据的轨道交通能耗预测方法,其特征在于,在步骤1中,所述辅助供能设备包括储能电容、储能电源,储能电容、储能电源经功率调节器和负荷控制器连接至牵引支路。
3.根据权利要求1所述的基于时空数据的轨道交通能耗预测方法,其特征在于,在步骤1中,变电所、接触线、自耦绕组以及正馈线组成高压回路,列车、接触线、自耦绕组以及钢轨组成低压回路。
4.根据权利要求1所述的基于时空数据的轨道交通能耗预测方法,其特征在于,在步骤2中,无功补偿装置包括制动电阻以及斩波器,驱动设备经一滤波电感连接至一受电弓,受电弓连接至接触网,制动电阻并联至驱动设备,斩波器调整制动电阻的电阻值。
5.根据权利要求2所述的基于时空数据的轨道交通能耗预测方法,其特征在于,在步骤3中,采集牵引支路m对应负荷控制器的输出电压和输出电流,计算辅助供能设备向牵引支路m输出的第二功率。
6.根据权利要求1所述的基于时空数据的轨道交通能耗预测方法,其特征在于,在步骤4中,根据自耦绕组的位置坐标确定牵引支路m的区间[s1,s2],根据位置坐标s1提取列车n的轨迹函数sn(t)的初始时刻t1mn,根据位置坐标s2提取列车n的轨迹函数sn(t)的终止时刻t2mn。
7.根据权利要求1所述的基于时空数据的轨道交通能耗预测方法,其特征在于,在步骤6中,提取列车n在牵引支路m的无功补偿装置的瞬时电压和瞬时电流,生成补偿功率p5mn(t),无功功率,k为位于牵引支路m的列车数量。
8.根据权利要求1所述的基于时空数据的轨道交通能耗预测方法,其特征在于,在步骤6中,计算列车n的设备负荷参数an(t),,列车n的无功功率,其中,wn为列车n的质量,vn为列车n的速度,/>为列车n的加速度,/>为k个列车的/>的最小值,k为位于牵引支路m的列车数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410239336.7A CN117829378B (zh) | 2024-03-04 | 2024-03-04 | 一种基于时空数据的轨道交通能耗预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410239336.7A CN117829378B (zh) | 2024-03-04 | 2024-03-04 | 一种基于时空数据的轨道交通能耗预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117829378A CN117829378A (zh) | 2024-04-05 |
CN117829378B true CN117829378B (zh) | 2024-05-14 |
Family
ID=90513735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410239336.7A Active CN117829378B (zh) | 2024-03-04 | 2024-03-04 | 一种基于时空数据的轨道交通能耗预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117829378B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390111A (zh) * | 2013-07-29 | 2013-11-13 | 北京交通大学 | 一种面向城市轨道交通单列车运行能耗的计算方法 |
CN107392400A (zh) * | 2017-09-04 | 2017-11-24 | 重庆大学 | 计及实时交通与温度的ev充电负荷时空分布预测方法 |
CN111191181A (zh) * | 2019-12-12 | 2020-05-22 | 同济大学 | 一种轨道交通多列车节能速度优化的运行能耗计算方法 |
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 |
CN114298510A (zh) * | 2021-12-19 | 2022-04-08 | 南京理工大学 | 基于nspso算法的时刻表和速度曲线优化方法 |
WO2022082835A1 (zh) * | 2020-10-23 | 2022-04-28 | 株洲中车时代电气股份有限公司 | 轨道交通牵引供电系统及其控制方法、相关组件 |
WO2022178865A1 (zh) * | 2021-02-26 | 2022-09-01 | 西门子股份公司 | 轨道交通的牵引供电系统的监控和预测方法及装置 |
CN116047363A (zh) * | 2023-04-03 | 2023-05-02 | 华东交通大学 | 一种轨道列车杂散电流的监测方法及监测系统 |
CN116227699A (zh) * | 2023-03-01 | 2023-06-06 | 兰州交通大学 | 基于牵引负荷预测的高铁长大坡道列车节能运行优化方法 |
CN116611864A (zh) * | 2023-05-24 | 2023-08-18 | 南京理工大学 | 一种基于rnn的城市轨道交通列车速度与客流量的预测方法 |
CN117477613A (zh) * | 2023-12-26 | 2024-01-30 | 中南大学 | 一种城市轨道交通车载储能系统用控制方法及系统 |
-
2024
- 2024-03-04 CN CN202410239336.7A patent/CN117829378B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390111A (zh) * | 2013-07-29 | 2013-11-13 | 北京交通大学 | 一种面向城市轨道交通单列车运行能耗的计算方法 |
CN107392400A (zh) * | 2017-09-04 | 2017-11-24 | 重庆大学 | 计及实时交通与温度的ev充电负荷时空分布预测方法 |
CN111191181A (zh) * | 2019-12-12 | 2020-05-22 | 同济大学 | 一种轨道交通多列车节能速度优化的运行能耗计算方法 |
WO2022082835A1 (zh) * | 2020-10-23 | 2022-04-28 | 株洲中车时代电气股份有限公司 | 轨道交通牵引供电系统及其控制方法、相关组件 |
WO2022178865A1 (zh) * | 2021-02-26 | 2022-09-01 | 西门子股份公司 | 轨道交通的牵引供电系统的监控和预测方法及装置 |
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 |
CN114298510A (zh) * | 2021-12-19 | 2022-04-08 | 南京理工大学 | 基于nspso算法的时刻表和速度曲线优化方法 |
CN116227699A (zh) * | 2023-03-01 | 2023-06-06 | 兰州交通大学 | 基于牵引负荷预测的高铁长大坡道列车节能运行优化方法 |
CN116047363A (zh) * | 2023-04-03 | 2023-05-02 | 华东交通大学 | 一种轨道列车杂散电流的监测方法及监测系统 |
CN116611864A (zh) * | 2023-05-24 | 2023-08-18 | 南京理工大学 | 一种基于rnn的城市轨道交通列车速度与客流量的预测方法 |
CN117477613A (zh) * | 2023-12-26 | 2024-01-30 | 中南大学 | 一种城市轨道交通车载储能系统用控制方法及系统 |
Non-Patent Citations (3)
Title |
---|
Jing Tian 等.Analysis of Rail Potential with the Influence of Multinode Power Distribution in Urban Rail Power Supply System.《 IECON 2019 - 45th Annual Conference of the IEEE Industrial Electronics Society》.2019,第5444-5449页. * |
张骄 ; 李熙 ; 谢浩 ; .基于多元线性回归模型的城市轨道交通列车牵引能耗测算分析.机械工程师.2016,(02),第 167-168页. * |
魏波 ; 胡海涛 ; 王科 ; 傅祺 ; 何正友 ; .基于实测数据和行车运行图的高铁牵引变电站负荷预测方法.电工技术学报.2020,(01),第183-192页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117829378A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102981408B (zh) | 一种动车组运行过程建模与自适应控制方法 | |
CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
CN108279350B (zh) | 城市轨道交通牵引供电动模仿真测试系统 | |
CN112528565B (zh) | 一种考虑电弧随机特性的弓网电弧建模方法和仿真回路 | |
Mao et al. | The modeling and simulation of dc traction power supply network for urban rail transit based on simulink | |
CN106953353A (zh) | 一种同步发电机最大进相能力动态评估系统 | |
CN111628494A (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN103872690A (zh) | 一种基于hht 检测法和pfc 的动态电压恢复器控制方法 | |
CN112858784A (zh) | 一种牵引供电系统-区域电网并联谐波谐振频率识别方法 | |
CN110212551A (zh) | 基于卷积神经网络的微网无功自动控制方法 | |
CN107544324B (zh) | 电流互感器标定用大电流发生装置及其控制方法 | |
CN117829378B (zh) | 一种基于时空数据的轨道交通能耗预测方法 | |
CN107516115A (zh) | 一种基于k‑中心点算法的负荷模型典型参数提取方法 | |
CN208452831U (zh) | 模拟城市轨道交通车辆的动模仿真装置和系统 | |
CN102184296B (zh) | 基于实测数据的电气化铁路冲击负荷建模方法 | |
CN109742834A (zh) | 一种电感分离式一体化车载充电拓扑及电感参数辨识方法 | |
CN116758740B (zh) | 一种基于数字孪生和信息树的智慧交通高效模拟方法 | |
Ye et al. | Fault classification of high voltage transmission line based on convolutional neural network | |
CN114838923B (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 | |
CN116611864A (zh) | 一种基于rnn的城市轨道交通列车速度与客流量的预测方法 | |
CN102708519A (zh) | 一种基于自由搜索算法的变电站优化选址方法 | |
CN110380655B (zh) | 一种直线发电机控制方法和装置 | |
Tao et al. | Modeling and energy-optimal control for freight trains based on data-driven approaches | |
CN106602945A (zh) | 一种直流有刷电机转速离散控制和显式预测控制方法 | |
CN210780109U (zh) | 一种城市轨道分布式无功补偿的系统 |
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 |