无人驾驶列车能耗预测方法、系统及存储介质技术方案

本发明专利技术公开了一种无人驾驶列车能耗预测方法、系统及存储介质，在保证无人驾驶列车的运行过程中的安全性、舒适性、守时性等要求的基础上，将采集到的列车运行数据、车内及车站乘客数据、车外环境数据等多种参数融合来实现高可靠性、高精度的无人驾驶列车的最低牵引能耗预测。

【技术实现步骤摘要】
无人驾驶列车能耗预测方法、系统及存储介质
本专利技术涉及人工智能领域，特别是一种无人驾驶列车能耗预测方法、系统及存储介质。
技术介绍
随着轨道交通技术的不断突破和创新，轨道车辆自动化水平逐步提高。在能源消耗问题日益严重的大背景下，在新型无人驾驶列车的应用中迫切需要发展高效节能技术以及操作技术。同时发展高效环保的轨道交通系统不仅要积极应对能源危机，而且要符合未来建设绿色城市智慧城市的发展要求。如果轨道运输部门的能源消耗过高，不仅会给全国能源供应带来巨大压力，还会导致企业自身的经济利益受限，影响可持续发展。在铁路部门，交通运输部门的能源消耗占铁路能耗的80％以上，而列车牵引功耗是轨道交通系统能耗的主要方式。因此研究有效的节能列车控制方法对降低铁路能耗具有重要意义，同时促进提高停车精度和列车准时性，进而实现对列车自动控制系统的持续改进。这对于降低铁路运输费用，提高铁路运输行业效率，实现铁路的可持续发展具有重要意义。无人驾驶列车在站点之间的运行过程需要选择合适的工作条件，对于列车自身在固定轨道上的正常行驶的能耗以外，也需要考虑客流变化带本文档来自技高网...

【技术保护点】
1.一种无人驾驶列车能耗预测方法，其特征在于，包括以下步骤：/n1)采集无人驾驶列车运行数据、列车车内及车站乘客数据、列车车外环境数据；所述无人驾驶列车运行数据包括列车在行驶过程中的指定时间间隔内的稳定的行驶速度能耗值、行驶距离、道路坡度损耗功率；所述列车车内及车站乘客数据包括乘客流量，乘坐舒适性评价指数，托运行李重量，车内上座率；所述列车车外环境数据包括指定时间间隔内的降雨阻力、道路积水阻力，风阻能耗，积雪能耗，温度能耗；/n2)将所述无人驾驶列车运行数据作为DBN深度置信神经网络的输入，训练所述DBN深度置信神经网络，获得无人驾驶列车车辆行驶能耗控制预测模型；将所述列车车内及车站乘客数据作...

【技术特征摘要】
1.一种无人驾驶列车能耗预测方法，其特征在于，包括以下步骤：
1)采集无人驾驶列车运行数据、列车车内及车站乘客数据、列车车外环境数据；所述无人驾驶列车运行数据包括列车在行驶过程中的指定时间间隔内的稳定的行驶速度能耗值、行驶距离、道路坡度损耗功率；所述列车车内及车站乘客数据包括乘客流量，乘坐舒适性评价指数，托运行李重量，车内上座率；所述列车车外环境数据包括指定时间间隔内的降雨阻力、道路积水阻力，风阻能耗，积雪能耗，温度能耗；
2)将所述无人驾驶列车运行数据作为DBN深度置信神经网络的输入，训练所述DBN深度置信神经网络，获得无人驾驶列车车辆行驶能耗控制预测模型；将所述列车车内及车站乘客数据作为BILSTM深度神经网络的输入，训练所述BILSTM深度神经网络，获得无人驾驶列车客流能耗预测模型；将所述列车车外环境数据作为GRU深度神经网络的输入，训练所述GRU深度神经网络，获得无人驾驶列车环境能耗预测模型；
3)融合所述无人驾驶列车车辆行驶能耗控制预测模型、无人驾驶列车客流能耗预测模型和无人驾驶列车环境能耗预测模型，得到能耗预测模型；优选地，还包括：
4)将实时采集的无人驾驶列车运行数据、列车车内及车站乘客数据、列车车外环境数据输入所述能耗预测模型，预测列车能耗。


2.根据权利要求1所述的无人驾驶列车能耗预测方法，其特征在于，步骤2)中，所述无人驾驶列车车辆行驶能耗控制预测模型的具体训练过程包括：以所述无人驾驶列车运行数据中的列车稳定行驶能耗值，爬坡能耗值与下坡能耗值，道路坡度损耗功率以及行驶距离为DBN深度置信神经网络的输入，间隔时间T后的车辆行驶能耗为DBN深度置信神经网络的输出，利用灰狼优化算法寻找所述DBN深度置信神经网络的最佳权值和阈值，该最佳权值和阈值对应的DBN深度置信神经网络即为无人驾驶列车车辆行驶能耗控制预测模型。


3.根据权利要求2所述的无人驾驶列车能耗预测方法，其特征在于，利用灰狼优化算法寻找所述DBN深度置信神经网络的最佳权值和阈值的具体实现过程包括：
A1、在解空间内随机摆放狼群中每个灰狼的位置，设灰狼的种群数量为m,车辆行驶能耗原始数据集的特征数量为d，狼群的位置矩阵为一个m×d维的二进制矩阵，设其中第i个灰狼的位置为CGi＝(CGi1,CGi2,...CGid)，CGi1,CGi2,...CGid为狼群中各灰狼每一维度的编码；根据灰狼个体中的位置信息对DBN深度置信神经网络的输入数据集进行处理，得到新的数据集，并计算评价每个灰狼个体的适应度值fitness，以个体灰狼经过最大迭代次数itermax次迭代得到的所处的位置作为局部最优解，所述局部最优解即DBN神经网络的权值和阈值；
A2、根据适应度值从大到小依次找到并记录alpha狼、beta狼、delta狼的位置Xα、Xβ、Xδ；
A3、扰动所述alpha狼、beta狼、delta狼的位置，并将扰动后的alpha狼、beta狼、delta狼的位置与alpha狼、beta狼、delta狼的原位置进行对比，保留更接近最优解的位置；
A4、对狼群中的每个灰狼个体，使用灰狼算法计算alpha狼、beta狼、delta狼的位置，利用下式得到更新后的更接近最优解的灰狼个体的位置：






其中，表示在第t+1次迭代的过程中，第i个灰狼个体的第d维的位置取值，Xα、Xβ、Xδ分别是alpha狼、beta狼、delta狼的位置，random为[0,1]之间的随机数；
A5、根据预先设定的概率值Pa对灰狼种群的位置进行随机更新计算更新后的灰狼被猎物发现的概率r，若r>Pa，则灰狼被猎物发现，更新灰狼个体的位置；根据fitness评价更新后的位置与原始位置的好坏，保留更接近最优解的位置；否则，直接进入步骤A6；
A6、判断迭代次数是否达到最大迭代次数，如果是则停止迭代，输出根据alpha狼位置和其适应度值fitness得到的全局最优值；否则，返回步骤A2，直到找到全局最优值；所述全局最优值即所述DBN深度置信神经网络的最佳权值和阈值。


4.根据权利要求1所述的无人驾驶列车能耗预测方法，其特征在于，步骤2)中，无人驾驶列车客流能耗预测模型的获取过程包括：以所述列车车内及车站乘客数据中的乘客流量，乘坐舒适性评价指数，托运行李重量，车内上座率为BILSTM深度神经网络的输入，间隔时间T后的客流能耗值为BILSTM深度神经网络的输出，利用量子粒子群算法寻找所述BILSTM深度神经网络的最佳权值和阈值，该最佳权值和阈值对应的BILS...

【专利技术属性】
技术研发人员：刘辉，鄢光曦，李燕飞，张雷，李烨，王佳康，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43