一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法技术

本发明专利技术公开了一种在保证列车准点到站情况下的考虑列车最优节能的自动驾驶的实现方法，应用于铁路节能驾驶策略的确定及牵引计算。基于列车起终点间确定的时间(定时条件)，结合蚁群算法建立了综合考虑列车运动的力学模型特征与运动学特征的牵引计算模型，在此基础上将列车运行时间离散，在每个时间段内根据当前列车运行的工况条件及线路条件，以列车运行节能为目标，通过蚁群算法的计算自动选择工况，从而实现最优节能的自动驾驶。

An Energy-saving Driving Strategy Optimization Method Based on Discrete Ant Colony Algorithms under Timing Conditions

The invention discloses an automatic driving method considering the optimal energy-saving of trains under the condition of guaranteeing the punctual arrival of trains, which is applied to the determination of energy-saving driving strategy and traction calculation of railways. Based on the fixed time (timing condition) between the start and end of the train, a traction calculation model considering the mechanical and kinematic characteristics of the train motion is established by combining ant colony algorithm. On this basis, the running time of the train is discretized. In each time period, according to the working conditions and line conditions of the current train operation, the energy-saving of the train operation is taken as the goal, and the ant colony algorithm is adopted. Calculate the automatic selection of working conditions, so as to achieve the optimal energy-saving automatic driving.

【技术实现步骤摘要】
一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法
本专利技术涉及铁路牵引计算领域，特别是一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法。
技术介绍
依据铁路的主要技术标准及评价体系，铁路运输中的能耗支出对于评价铁路运营的经济指标具有重大影响。在列车运行中采取合理有效的操纵方式来降低机车牵引能耗(该项能耗在铁路运输总能中占比60％-70％)，对于降低铁路运输能耗作用显著。对列车节能的研究，都需要保证列车运行的安全性、稳定性与到站的准点性，而现存方法对于列车到站的准点率均存在一定误差，这对现在高速运转的列车运输系统是一个很大的弊端，同时影响列车的运输效率，加大调度工作量。随着智能优化算法的创新与发展，应用相关算法进行列车节能驾驶策略优化。现有技术中对该问题的优化通常是运用数值解析、模型改进、智能算法等方法进行，在不同的线路条件下通过算法择优选择运行工况，取得了很好的节能效果。如文献[1]：AhmadiS,DastfanA,AssiliM.Energysavinginmetrosystems:Simultaneousoptimizationofstationaryenergystoragesystemsandspeedprofiles.2018.SaeedAhmadi等人利用遗传算法优化列车运行速度曲线，同时合理应用列车电力网络中的能量储存系统以有效利用再生制动能量，两者的同时运用大幅降低了地铁网络中的输入能量，取得了较好的节能效果。然而，对于列车节能驾驶操纵的研究还存在一些问题，如现存方法算法在复杂线路条件下、司机的驾驶经验不足时会降低节能效果，且列车到站的准点率均存在一定误差。
技术实现思路
本专利技术提供了一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法。其目的在于，克服现有技术的不足，优化复杂线路条件下和司机驾驶经验不足时的列车节能驾驶策略的稳定性，同时降低列车到站准点率的误差。所述的定时条件下基于离散蚁群算法的一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法，首先将列车区间运行时间作为算法运行变量，建立模型时综合考虑列车运动的力学模型特征与运动学特征，在此基础上将列车运行时间离散，等分成若干时间段，以列车运行节能为目标，在每个时间段内根据当前列车运行的工况条件及线路条件由蚁群算法进行工况自动选择，从而实现最优节能的自动驾驶。所述的离散蚁群算法模型为：蚁群算法中的蚂蚁在运动过程中，根据启发函数与信息素累积量来确定状态转移概率，即每个时间间隔内操纵工况的选择概率，如下式所示：其中，allowedk＝{C-tabuk}为当前可选工况，这里的tabuk为蚂蚁的禁忌表，用来记录与工况转换规则相关的工况转换约束；GKi表示当前时间段内可选的工况模式α为信息启发式因子；β为期望启发式因子；ρ表示信息素挥发系数，则(1-ρ)表示信息素残留系数，为了防止信息的无限累积，ρ的取值范围为：为t时刻的启发函数：当剩余运行距离过小时，需要减小速度来追踪剩余运行距离，这时即在每一个时间间隔内以能耗最小工况的能耗倒数作为启发函数；当剩余运行距离过大时，需要增大速度来追踪剩余运行距离，这时即在每一个n时间间隔内以消耗单位能量所走行的运行距离为启发函数。为t时刻蚂蚁k产生的信息素，它的累积在蚁群算法中起到了正反馈的作用。结合本专利技术模型的目标函数，信息素增量的计算公式如下：其中，表示本次循环中的信息素增量，初始时刻表示第k只蚂蚁在循环t次的信息量；Q表示信息素强度；EBestsolution表示第k只蚂蚁在本次循环中所消耗的总能量。节能驾驶策略寻优方法，具体包括以下步骤：步骤1：将列车在区间里的运行时间进行离散化处理：设时间间隔为ti∈{t1,t2,…,tn}，其中即每个时间间隔ti均相等。其中，T为列车在区间的运行总时间，n为划分时间间隔的数目，每个ti代表一个时间。离散的时间间隔大小根据列车工况转换原则来确定：列车由牵引工况转换至制动工况或反向转换时，要预留一定的惰行时间(经验参数)满足其转换原则，本专利技术给定工况转换时间最小为3s。在前述离散时间的基础上，本模型将整个区间的运行时间整体分为三部分：第一部分为牵引加速出坡部分，该部分工况为牵引工况；第二部分为调速节能部分，该部分列车在给定线路条件下将采用牵引、惰行、制动工况组合的方式运行来调节列车运行速度；第三部分为进站停车部分，该部分采用惰行加制动工况，使用最大制动加速度进站停车。步骤2：建立节能优化目标函数：得到离散化之后的时间间隔之后，每个时间间隔内在满足限制条件下有三种可选工况：{牵引工况，惰行工况，制动工况}，不同时间间隔在不同工况下能耗进行累加，得到列车在整个区间运行的总能耗：其中，Eenergy为列车在整个区间运行的总能耗，单位为千瓦时(kWh)；为列车在ti时间间隔内速度为vi时对应工况的能耗，单位为千瓦时(kWh)；n为区间运行时间的离散数量。步骤3：设定列车操纵工况转换原则的约束条件、运动学及边界的约束条件。(1)列车操纵工况转换原则约束经过时间的离散化处理，结合本模型确定的列车操纵工况转换原则如下：(a)牵引工况可直接转为惰行工况，不可直接转为制动工况；(b)惰行工况可直接转为牵引、制动工况；(c)制动工况可直接转为惰行工况，不可直接转为牵引工况；(2)运动学约束(a)距离约束：列车在每个时间间隔内的行驶距离总和等于区间长度L＝∑Si(6)其中，L为区间距离，单位为米(m)；Si为列车在每个时间间隔内的运行距离，单位为米(m)；(b)速度约束：当前速度应当满足限速要求0≤vi≤vimax(7)其中，vimax为分段函数，即列车在行驶中要满足在当前坡段的限速要求，如下：(3)边界条件其中，v(0)为列车运行的起点速度，x(0)为列车运行的终点位置。步骤4：运行距离追踪列车所要追踪的距离为剩余运行距离，即区间长度减去列车当前已经走行过的距离：SΔ＝L-∑Si(10)其中，L为区间距离，单位为m；Si为列车在第i个时间间隔内走行的距离，单位为m；SΔ为列车当前的剩余运行距离，单位为m。剩余平均速度即为剩余运行距离与剩余运行时间的比值，如下式所示：其中，vΔ为剩余平均速度；TΔ为剩余运行时间，运行总时间减去已运行时间为保证列车到达区间终点时停车位置准确(满足精度误差)，当vi<vΔ时，增大速度来追踪剩余运行距离；当vi>vΔ时，减小速度来追踪剩余运行距离，同时在合理范围内保证里工况运行的连续性。其中，vi表示列车当前实际的运行速度，vΔ表示剩余平均速度。步骤5：构建可行解蚁群算法中的蚂蚁在运动过程中，根据启发函数与信息素累积量来确定状态转移概率，即每个时间间隔内操纵工况的选择概率，如下式所示：其中，allowedk为当前可选工况；α为信息启发式因子，β为期望启发式因子。假设{a1,a2,a3}为当前时间间隔内三个待选工况，由于工况转换原则的限制，三种工况不会都有机会被选择，即根据当前工况的不同，候选集内待选工况有所不用，下式即为候选集的表达式：根据信息素的积累、启发函数、当前运行速度大小、当前工况以及对剩余运行距离的追踪，确定每个时间间隔内的可供选择的工况模式，采用这些工况，根据该区间的线路情况，可计算得到相应的速度时间曲线(可行解)。本文档来自技高网...

【技术保护点】
1.一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法，其特征在于，基于列车起终点间给定的时间这一条件，以列车运行节能为目标，结合蚁群算法建立了综合考虑列车的力学特征与运动学特征的列车区间运行时分的计算模型，通过将列车运行时间离散，等分成若干时间段，在每个时间段内根据当前列车运行的工况条件及线路条件，利用蚁群算法自动选择工况及各工况的持续时间，从而获得了节能驾驶的操纵方法及相应的运行速度时间曲线。所述的利用离散蚁群算法选择工况方法为：蚁群算法中的蚂蚁在运动过程中，根据启发函数与信息素累积量来确定状态转移概率，即时间间隔ti(i＝1,2,...,n)内操纵工况的选择概率，如下式所示：

【技术特征摘要】
1.一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法，其特征在于，基于列车起终点间给定的时间这一条件，以列车运行节能为目标，结合蚁群算法建立了综合考虑列车的力学特征与运动学特征的列车区间运行时分的计算模型，通过将列车运行时间离散，等分成若干时间段，在每个时间段内根据当前列车运行的工况条件及线路条件，利用蚁群算法自动选择工况及各工况的持续时间，从而获得了节能驾驶的操纵方法及相应的运行速度时间曲线。所述的利用离散蚁群算法选择工况方法为：蚁群算法中的蚂蚁在运动过程中，根据启发函数与信息素累积量来确定状态转移概率，即时间间隔ti(i＝1,2,...,n)内操纵工况的选择概率，如下式所示：其中，allowedk＝{C-tabuk}为当前可选工况，这里的tabuk为蚂蚁k的禁忌表，用来记录与工况转换规则相关的工况转换约束；GKi表示当前时间段i内可选的工况模式；α为信息启发式因子，β为期望启发式因子；ρ表示信息素挥发系数，(1-ρ)表示信息素残留系数，为了防止信息的无限累积，ρ的取值范围为：为时刻t的启发函数：当剩余运行距离(距离下一车站的距离)过小时，需要减小速度来追踪剩余运行距离，这时即在每一个时间间隔内以能耗最小工况的能耗倒数作为启发函数；当剩余运行距离过大时，需要增大速度来追踪剩余运行距离，这时即在每一个时间间隔内以消耗单位能量所走行的运行距离为启发函数；为第t次循环中蚂蚁k在ti段采用工况GKi产生的信息素，它的累积在蚁群算法中起到了正反馈的作用；结合本发明模型的目标函数，其信息素增量的计算公式如下：其中，表示第t次循环中的信息素增量，初始时刻表示第k只蚂蚁在第t次循环中散布在(ti，GKi)上的信息量；Q表示信息素强度；EBestsolution表示采用第k只蚂蚁所确定的列车操纵模式列车走完该区间所消耗的能量。2.根据权利要求1所述的定时条件下基于离散蚁群算法的工况选择策略(节能驾驶策略)选择方法，其特征在于建立离散的选择模型，包括以下步骤：步骤1：将列车在区间里的运行时间进行离散化处理：设时间间隔为ti∈{t1,t2,……,tn}，其中即每个时间间隔ti均相等；其中，T为列车在区间的运行总时间，n为划分时间间隔的数目；离散的时间间隔大小根据列车工况转换原则来确定：列车由牵引工况转换至制动工况或反向转换时，要预留一定的惰行时间(经验参数)满足其转换原则，本发明给定工况转换时间最小为3s；在前述离散时间的基础上，本模型将整个区间的运行时间整体分为三部分：第一部分为牵引加速出坡部分，该部分工况为牵引工况；第二部分为调速节能部分，该部分列车在给定线路条件下将采用牵引、惰行、制动工况组合的方式运行来调节列车运行速度；第三部分为进站停车部分，该部分采用惰行加制动工况，使用最大制动加速度进站停车；步骤2：建立节能优化目标函数，得到离散化之后的时间间隔之后，每个时间间隔内在满足限制条件下有三种可选工况：牵引工况、惰行工况、制动工况，累加不同时间间隔内的能耗，得到列车在整个区间运行过程中的总能耗：其中，Eenergy为列车在整个区间运行的总能耗，单位为千瓦时(kWh)；为列车在时间间隔ti内速度为vi时对应工况的能耗，单位为千瓦时(kWh)；n为区间运行时间离散后的分段数；步骤3：设定列车操纵工况转换原则的约束条件、运动学及边界的约束条件；(1)列车操纵工况转换原则约束时间的离散化处理后，本模型所确定的列车操纵工况转换原则如下：(a)牵引工况可直接转为惰行工况，但不可直接转为制动工况；(b)惰行工况可直接转为牵引、制动工况；(c)制动工况可直接转为惰行工况，不可直接转为牵引工况；(2)运动学约束(a)距离约束：列车在每个时间间隔内的行驶距离总和等于区间长度L＝∑Si(6)其中，L为区间距离，单位为米(m)；Si为列车在每个时间间隔内的运行距离，单位为米(m)；(b)速度约束：当前速度应当满足限速要求0≤vi≤vimax(7)其中，vimax为分段函数，即列车在行驶中要满足在当前坡段的限速要求，如下：(3)边界条件其中，v(0)为列车运行的起点速度，x(0)为列车运行的起点位置；步骤4：运行距离追踪法列车所要追踪的距离为剩余运行距离，即区间长度减去列车当前已经走行过的距离：SΔ＝L-∑Si(10)其中，L为区间距离，单位为m；Si为列车在第i个时间间隔内走行的距离，单位为m；SΔ为列车当前的剩余运行距离，单位为m；剩余平均速度定义为剩余运行距离与剩余运行时间的比值，如下式所示：其中，vΔ为剩余平均速度；TΔ为剩余运行时间，运行总时间减去已运行时间，为保证列车到达区间终点时停车位置准确(满足精度误差)，当vi<vΔ时，增大速度来追踪剩余运行距离，当vi>vΔ时，减小速度来追踪剩余运行距离；其中，vi表示列车当前实际的运行速度，vΔ表示剩余平均速度；步骤5：构建可行解蚁群算法中的蚂蚁在运动过程中，根据启发函数与信息素累积量来确定状态转移概率，即每个时间间隔内操纵工况的选择概率，如下式所示：其中，allowedk为当前可选工况；α为信息启发式因子，β为期望启发式因子；假设{a1,a2,a3}为当前时间间隔内三个待选工况，由于工况转换原则的限制，三种工况并不总是会被选择，即当前工况所确定的候选集内待选工况有所不同，下式即为候选集的表达式：根据信息素的积累、启发函数、当前运行速度大小、当前工况以及对剩余运行距离的追踪，确定每个时间间隔内的可供选择的工况模式，采用这些工况，根据该区间的线路情况，可计算得到相应的速度时间曲线(可行解)；步骤6：停站位置约束及违约处理列车运行于一个区间内，这个区间距离是确定的，此为计算约束条件：ΔS＝|L-∑Si|(14)其中，ΔS为运行距离误差，单位为m；L为区间长度，单位为m；∑Si为实际运行距离，单位为m；由于迭代过程是个从前往后的计算过程，因此，此违约总是存在的，需要进行违约修复；(1)第一步违约修复当计算距离误差ΔS不满足精度要求时，其结果要么过大，要么过小：(a)∑Si>L当计算距离过大时，找到在上坡段中牵引运行速度最高的点，若该点之前的上一个时间间隔内为牵引工况，后一个时间间隔内为惰行工况，则将工况序列中对应的该时间间隔的牵引工况转换为惰行工况；违约修复时总是修改速度较大的工况转折点，而不修改速度低的工况转换点，这是因为如果修改速度低的转换点可能使得当列车恢复牵引运行时，从低速度开始的加速过程将会消耗更多的牵引能耗；这种情形下，首先找出牵引时间间隔分区中速度最大的分区，然后在这些分区中再找位于上坡道上的分区，在这些上坡道里搜索最大坡度的分区，该分区随后的工况转换点即为所需要修改的工况转折点；本次修复的两种可能的结果，a)修复后误差ΔS满足停车精度要求，此时停止修复，输出最优结果；b)设此时修复的时间间隔为ti，且再次修复后此时停止修复转第...

【专利技术属性】
技术研发人员：缪鹍，曹宇，李琛，段海兰，王超超，王志强，况卫，冯倩，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43