欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2016112522073
申请人: 华东交通大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种高速列车追踪运行曲线优化设定方法,其特征在于,包括以下步骤:步骤一:建立基于回声状态网络的高速列车速度预测模型;建立高速列车追踪模型;建立线路特征模型;

步骤二:运用采集的实际运行数据,训练步骤一建立的基于回声状态网络的高速列车速度预测模型参数;

步骤三:基于训练好的高速列车速度预测模型和随机生成N组控制序列集{cli},得到对应的运行曲线集{vsi};

步骤四:实时采集限速、速度和位置数据,求解高速列车追踪模型可得:D、Lm、Ln;

步骤五:判断D-Ln<ε是否成立;D为前、后车之间的实际追踪间隔,Ln为前、后车间隔距离阈值,ε是一个充分小的正实数;如果成立跳至步骤七,否则跳至步骤六;

步骤六:调整后车的限速为:V(l)=v1(l),V(l)是高速列车运行的ATP限速;

步骤七:基于线路特征模型,建立高速列车追踪运行曲线多目标设定模型,得到运行曲线Pareto解集;

步骤八:依据设定方法评估模型的运营效率指标,从Pareto解集中筛选得到一组最优解vsx;

步骤九:使用运营稳定性指标评估vsx;

步骤十:判断vsx是否满足稳定性要求,如果满足,则结束,否则跳至步骤三继续执行。

2.根据权利要求1所述的高速列车追踪运行曲线优化设定方法,其特征在于,步骤一中,所述高速列车速度预测模型描述如下:Y(t+1)=v(t+1),U(t+1)=[v(t);v(t-1);v(t-3);cl(t+1)]       (3)式中,U、X、Y分别为外部输入、内部神经元状态、网络输出矩阵/向量,Win、W、Wout分别为输入权值、内部神经元连接权值、输出权值矩阵/向量;v(t+1)为高速列车当前时刻的运行速度,cl(t+1)∈{-1,0,1}为当前时刻的列车手柄级位,“-1、0、1”分别表示高速列车制动、惰行、牵引工况。

3.根据权利要求1所述的高速列车追踪运行曲线优化设定方法,其特征在于,步骤一中,所述建立高速列车追踪模型的方法为:给出最小安全间隔距离Lm和判断后车运行状态是否受到前车影响的间隔距离阈值Ln,如下所示:Ln=Lm+L1,D=d1-d2        (5)式中,la和lb分别是两车最小停车间距和列车车身长度;c1和c2分别是前车和后车的减速度,L1和L2是前车的紧急制动距离和后车的常用制动距离;v1和v2是前车和后车的速度;

ew1、ev1和ew2、ev2分别是前车和后车的定位、运行速度的测量误差;D为前、后车之间的实际追踪间隔,d1和d2是前、后车的位置;D≤Ln时,后车的运行状态受到前车运行状态的影响。

4.根据权利要求1所述的高速列车追踪运行曲线优化设定方法,其特征在于,步骤一中,所述建立线路特征模型为:wa=wr(pr,lr)+wc(rc,lc)+wt(v,lt)       (6)式中,(pr,lr),(rc,lc)和(v,lt)分别表示(坡度,坡道长度),(曲率,曲线长度)和(列车速度,隧道长度);在空气阻力和自身重力的共同作用下,高速列车在分相区间内的运行速度特征可描述为:式中,g·sin(pr)为重力加速度g在平行于坡道方向上的分量。

5.根据权利要求1所述的高速列车追踪运行曲线优化设定方法,其特征在于,所述步骤七中,建立高速列车追踪运行曲线多目标设定模型的方法为:给出安全、节能和舒适度量指标,以及模型约束为:A1安全

将D作为速度约束,则安全评价指标可表示为:

式中,D为高速列车实际间隔距离,v和V(l)分别是高速列车运行速度和ATP限速;在高速列车追踪运行过程中,当v即将超过V(l)的时候,车载ATP系统会对列车自动实施紧急制动,所以V(l)-v>0始终成立;ε是一个充分小的正实数;fs越小,则列车追踪运行过程发生安全事故的风险越小;

A2节能

将整个追踪过程分成有限个充分小的区段,高速列车在每个区段内的牵引能耗可表示为:Ei=F(vi)ΔSiM        (11)式中,ΔSj=vj·Δt,vj∈v,Δt为采样周期,M是列车质量,F(vi)是高速列车牵引力,是速度vi的函数;

整个区间内的总牵引能耗为:

A3舒适

通过对加速度变化量和加速度变化率采用加权系数法求得舒适度评价指标,如下所示:fc=ω1|a|+ω2|r|            (14)式中,a是加速度,a>0表示加速,a<0表示减速,r是加速度变化率,ω1和ω2是加权系数;由于高速列车自身强大的惯性,r对舒适度的影响相对a较小,将加权系数设定为ω1=

0.8和ω2=0.2;

A4算法收敛性约束

采用的多目标粒子群优化算法作为一种高效的随机优化算法,收敛性条件是其基本约束之一;

该算法搜索机制可表示为:

式中,xj(n)为第j个粒子的位置,pbj(n)和gb(n)分别表示该粒子最佳位置和种群最佳位置, 和 是加速度系数,r1和r2是[0,1]内均匀分布的随机数,ω是动态权重,nmax是最大迭代次数;

令x*为粒子最优位置,则pbj(n)和gb(n)可变换为:式中,dpj(n)和dg(n)分别表示pbj(n)和gb(n)到x*的欧氏距离;

由于算法收敛性与粒子的位置密切相关,而与粒子的搜索速度几乎无关,将式(16)代入式(15)消去vj(n+1)可得:对式(17)求期望可得:

*

式中,r1和r2是均匀分布,则有E(r1)=E(r2)=1/2,X=E(x)是Pareto解集中心位置的期望, 和X都是常数;

基于式(18),优化结果全局收敛可表示为:

基于式(18)和(19),可得算法收敛的充分条件为:由上可得本设定方法收敛的充分条件为:

基于以上A1-A3中评价指标,将A4中的收敛性条件作为模型约束条件,建立高速列车追踪运行曲线设定模型如式(22)-(23)所示:min f(vsi)={fs(vsi),fe(vsi),fc(vsi),fcg(vsi)}   (22)式中,f(vsi)是综合评价函数,vsi是高速列车追踪运行“速度-里程”曲线,ξ是给定的准点裕量;式(23)中:①是准点约束,②是限速和安全约束,③是算法收敛条件约束;求解该速度曲线设定模型,得到最优运行曲线的Pareto解集。

6.根据权利要求1所述的高速列车追踪运行曲线优化设定方法,其特征在于,步骤八中,所述依据设定方法评估模型的评估方法为:将运营效率和稳定性作为从Pareto解集中得到一组最优解的筛选指标;

(1)运营效率:

将时间段Ts内通过某站间区间的高速列车理论数量Nt定义为运营效率,如下所示:式中,Nt∈R+,ti为第i列通过该区间的高速列车所需的站间运行时间;在此设定,按照设定的最优运行曲线运行的高速列车: k的计算式为ΔSj=vj·Δt,vj∈v,L0为站间距离,Δt为采样周期,ρ为给定的停车精度;由式可知,在满足高速铁路多目标运行要求的前提下,ti越小则运营效率越高;

(2)运营稳定性:

将后续列车运行时间ti对前车晚点时间td的恢复能力定义为运营稳定性,如下所示:式中,T0为运营时刻表中给定的站间运营时间,λ为稳定系数;λ>0表示稳定,且在一定范围内,λ越大则运营稳定性越好;λ<0则表示不稳定。