基于SA-GRU的高速列车节能驾驶策略制造技术

本发明专利技术公开了基于SA

【技术实现步骤摘要】
基于SA
‑
GRU的高速列车节能驾驶策略


[0001]本专利技术属于轨道交通、神经网络
，具体涉及一种基于SA
‑
GRU的高速列车节能驾驶策略的研究。

技术介绍

[0002]近年来，我国高速铁路得到了很快的发展，高速铁路的开通运营不仅促进了我国社会经济的发展，而且作为国内中短途出行时的交通方式，可以节约在旅途中的大量时间，成为绝大多数人的最佳选择。在促进国家经济发展的同时，高速铁路在节能减排方面也产生了很好的示范效应，具体体现为：首先，它提升了铁路电气化水平，优化了铁路节能结构，实现了大面积“以电代油”，降低了对石油的依赖；其次，高速铁路技术有力的提升了铁路行业的节能减排效应，形成了绿色环保的交通大动脉。但是随着高速铁路运行里程和行车密度的增大，牵引供电系统用电量逐年增加，高铁的节能降耗成为人们关注的热点。高铁相对其他交通出行方式最显著的优势之一就是极少延误能够正点到站，这就要求在列车运行过程中进行速度的规划和控制。因此保障高速列车系统安全可靠准时的前提下，开展以降低高速列车运营能耗水平为目的的关键理论本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于SA
‑
GRU的高速列车节能驾驶策略方法，其特征在于，具体操作步骤如下：步骤1、对列车从首发站到终点站运行过程中产生的运行数据，使用插值法、卡方检验方法对运行时间、速度、车厢电气柜温度、变压器温度、驱动侧轴温度、齿轮温度、轴温、转速、风管温度以及制动手柄级位一系列单个特征进行数据预处理；步骤2、通过12种不同类别制动手柄级位将数据分为12类，并将每一类制动手柄级位映射为0
‑
11的数字作为标签，去除数量过少的类别为紧急制动手柄级位的数据，也就是标签为11的数据，对剩下的列车运行时数据，标签为0
‑
10，使用欠采样法进行构造均衡数据集操作，得到每一种类别数量相同的均衡数据集；步骤3、将步骤2中的均衡数据集进行多重特征选择，去除对制动手柄级位操作无影响或影响较小的特征，经过多重选择之后得到的均衡数据集中的数据只包含与制动手柄级位相关性大的三十四个特征，此均衡数据集将作为训练集；步骤4、将步骤3中经过多重特征选择之后的训练集中除制动手柄级位之外的数据作为SA
‑
GRU分类模型的输入，制动手柄级位作为输出，对SA
‑
GRU分类模型进行训练；步骤5、从步骤1中经过预处理之后的全部数据中根据速度变化选取一段路线作为测试集，根据数据集中所记录的由始发站到终点站的牵引用电能耗计算差值得出本段路中原有制动策略下的牵引用电能量J，并记录；然后根据初始运行时数据中的运行工况分别计算每一种标签下加速、匀速、减速所占百分比，记为p
i，0
，p
i，1
，p
i，2
；步骤6、将测试集经过多重特征选择，输入训练好的SA
‑
GRU模型得到初始制动策略B，由于只有在加速和匀速阶段会消耗电能，减速阶段不消耗电能，因此通过步骤5中的百分比以及SA
‑
GRU模型得到的策略B中每种制动手柄级位标签的数量可以得到耗能标签数量L；最后根据预测得到的初始制动策略B和由初始运行时数据计算得到的各制动手柄级位平均每秒带来的能耗增加值计算出在策略B下的牵引用电能量Q；步骤7、将步骤5和步骤6中两者的牵引用电能量进行对比分析，调整网络模型，寻求最佳节能策略。2.根据权利要求1所述的基于SA
‑
GRU的高速列车节能驾驶策略方法，其特征在于，步骤1具体如下：步骤1.1：把获取到的列车从首发站到终点站运行过程中产生的数据即运行时数据中剔除运行过程中不会发生任何变化的属性，即与列车驾驶能耗无关，不仅对分类模型训练无效，更会对模型的训练起到干扰作用的数据去除；步骤1.2：根据每一个属性与制动手柄级位的关系进行卡方检验操作，卡方检验的值表示每一个属性与制动手柄级位之间的关联性程度，将卡方值得分最高的47个特征保留；步骤1.3：对获取到的运行数据中的缺失值进行插值填补操作，使用缺失值处上下两个时间戳的值进行求均值操作，得到的值即填补作为缺失值，此时得到最终的包含47个特征的完整数据。3.根据权利要求2所述的基于SA
‑
GRU的高速列车节能驾驶策略方法，其特征在于，步骤2具体如下：步骤2.1：根据制动手柄级位将运行时数据进行分类，制动手柄级位的值是几个离散量：{EB，REL，1A，1B，2，3，4，5，6，7，8，OC}，EB为紧急制动位，用标签0表示；REL为运转位，即牵引位，用标签1表示；常用制动位1A，1B，2，3，4，5，6，7，8分别用2，3，4，5，6，7，8，9，10表示，
OC为忽略乘客激活紧急制动位，用标签11表示，由此将制动手柄级位映射为：{0，1，2，3，4，5，6，7，8，9，10，11}，共十二类；步骤2.2：对制动手柄级位为11的数据代表乘客激活紧急制动位类别剔除；使用欠采样方法，从制动手柄级位标签为1
‑
10的数据中随机抽取60组数据，共得到660条数据。4.根据权利要求3所述的基于SA
‑
GRU的高速列车节能驾驶策略方法，其特征在于，步骤3具体如下：步骤3使用多重特征选择对数据特征属性进行选择，分别使用传统特征选择方法和XGBOOST进行特征选择，其中传统特征选择方法使用方差法和互信息法，具体如下：步骤3.1：基于方差进行特征选择：对步骤1.3中的47个特征进行特征选择，留下方差大的K个特征，其中1≤K≤47；计算单个特征和制动手柄级位标签的线性回归测试的f值，调整所要选择的特征数量，根据评分标准从高到低依次进行特征选择，K值为35；步骤3.2：基于互信息的特征选择：将步骤1所述单个特征与制动手柄级位的互信息值降序排列后，选取K个特征继续操作，1≤K≤47，K值为35；步骤3.3：将步骤3.1和步骤3.2中的两个特征选择方法选择出来的特征进行合并，两者合并之后得到K1个特征属性；步骤3.4、将步骤3.3得到的K1个特征属性进行编码，每个编码对应一个特征属性，特征属性编码范围为1
‑
K1，编码0为制动手柄级位标签，使用XGBOOST在数据集上进行特征选择，将每个特征属性和制动手柄级位的相关重要性做排序，最终选出重要性高的34个特征作为最终训练集的特征属性。5.根据权利要求4所述的基于SA
‑
GRU的高速列车节能驾驶策略方法，其特征在于，步骤4具体如下：将步骤3得到的均衡数据集作为训练集输入SA
‑
GRU分类模型进行训练，所述SA
‑
GRU分类模型由三层构成：第一层为gru层，这一层使用门控机制控制输入、记忆信息，并在当前时间步做出预测；第二层是全连接层，这一层将n个(
‑
∞，+∞)实数映射为K个(
‑
∞，+∞)的实数；第三层是softmax层，将K个(
‑
∞，+∞)的实数映射为K个(0，1)的实数，同时保证它们之和为1；步骤4.1、将步骤3中得到的最终数据作为SA
‑
GRU分类模型的输入数据，其参数设定如下：输入维度input_size为35，输出维度output_size为1，隐层维度hidden_size为35，一次训练所抓取的数据样本数量batch_size为30，SA
‑
GRU的层数为2，在上述结构下的GRU中进行训练；所述GRU包括重置门、更新门、候选隐藏状态和隐藏状态；相关参数计算和更新过程如式(2)
‑
(5)：R
t
＝σ(I
t
W
ir
+H
t
‑1W
hr
+b
r
)
ꢀꢀꢀ
(2)Z
t
＝σ(I
t
W
iz
+H
t
‑1W
hz
+b
z
)<...

【专利技术属性】
技术研发人员：马维纲，鲍金花，王周恺，黑新宏，谢国，戴岳，王芝洋，刘一龙，贾乔，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：