System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及磁浮列车运行控制,特别是涉及一种中低速磁浮列车速度预测方法、系统、设备及介质。
技术介绍
1、磁浮列车作为一种新型的现代高科技轨道交通工具,是未来城市轨道交通的重要发展方向。同时中低速磁浮列车特别适用于城市、城郊、城际和旅游景区的连接,在城市轨道交通领域得到了广泛的关注。磁浮列车机理模型参数难获取,运行工况复杂,建立精准的磁浮列车模型是一项极具挑战的研究方向。
2、磁浮列车运行过程包含牵引和制动,其中制动部分由电制动,电液混合制动和液压制动这三个部分组成。尤其中低速磁浮列车在电液混合制动和液压制动这两个部分参数难确定,故难以利用机理模型的方法实现对磁浮列车的精准控制。
技术实现思路
1、本专利技术的目的是提供一种中低速磁浮列车速度预测方法、系统、设备及介质,能够基于数据驱动构建模型,实现对磁浮列车的精准控制。
2、为实现上述目的,本专利技术提供了如下方案:
3、一种中低速磁浮列车速度预测方法,包括:
4、获取中低速磁浮列车的实际运行数据;
5、对所述实际运行数据进行单位统一化和受力计算,得到当前时刻下所述中低速磁浮列车的速度和受力;
6、利用所述速度、所述受力和改进的pso方法,对lstm模型的隐含层节点个数和学习率进行参数寻优,并根据优化参数后的lstm模型进行中低速磁浮列车速度预测。
7、可选地,所述获取中低速磁浮列车的实际运行数据,具体包括:
8、每隔0.2秒对目标磁
9、可选地,所述对所述实际运行数据进行单位统一化和受力计算,得到当前时刻下所述中低速磁浮列车的速度和受力,具体包括:
10、首先,对所述实际运行数据进行单位统一化处理,得到单位统一的位置信息、速度信息和加速度信息;
11、然后,利用磁浮列车的动力学公式并结合车辆信息进行受力计算,得到磁浮列车不同位置的大小;所述动力学公式为:
12、
13、其中,w为磁浮列车运行基本阻力,wm为磁阻力,wa为空气动力学阻力,wc为集电器阻力,f为磁浮列车在运行过程中的受力,q为附加阻力,qi为坡道附加阻力;qr为曲线附加阻力;f阻为总阻力;m为列车质量;a为加速度。
14、可选地,所述利用所述速度、所述受力和改进的pso方法,对lstm模型的隐含层节点个数和学习率进行参数寻优,具体包括:
15、以当前时刻的力与速度作为模型的输入,以下一时刻的速度作为模型的输出,构建lstm模型;
16、利用改进的pso方法对所述lstm模型的隐含层节点个数和学习率进行寻优,若达到最大迭代次数,则将所述最大迭代次数对应的参数作为最优参数赋予lstm模型进行训练,输出预测值;否则返回上一步继续迭代,直到满足最大迭代次数。
17、可选地,所述以当前时刻的力与速度作为模型的输入,以下一时刻的速度作为模型的输出,构建lstm模型,具体包括:
18、t+1时刻的运动学方程如下式所示:
19、v(t+1)=v(t)+a(t)δt
20、将加速度的表达式代入到运动学方程中,得到列车在受力作用下的动力学模型:
21、
22、其中,δt为时间间隔;f为磁浮列车在运行过程中的受力;f阻为总阻力;m为列车质量;a为加速度;v为速度;
23、在将数据输入到模型中之前,先对数据进行归一化处理:
24、
25、其中,x为原始数据,xn为处理后数据,xmin为数据最小值,xmax为数据最大值。
26、可选地,所述利用改进的pso方法对所述lstm模型的隐含层节点个数和学习率进行寻优,具体包括:
27、步骤1:初始化粒子群参数,确定种群粒子数量、维度、学习因子、惯性权重以及最大迭代次数,并限定变量的取值范围;
28、步骤2:将所述lstm模型的输入层由列车当前时刻的速度和力这两个变量作为网络输入来确定,输出层为下一时刻的速度这一个变量确定,学习率和隐含层节点个数由pso寻优确定;
29、步骤3:适应度函数的确定:适应度函数由lstm模型实际值与预测值的均方误差来确定;
30、
31、其中,n为数据样本总数,为真实值,yt为预测值;
32、步骤4:粒子寻优更替;更新速度和位置,直到达到预定的迭代次数,粒子不断寻优更替达到最优参数,并将此时的最优参数组合输入到lstm模型中;所述最优参数组合包括学习率和隐含层节点个数;
33、速度和位置的更新公式如下式所示:
34、vldk+1=wvldk+c1r1(pbestld-xldk)+c2r2(gbestd-xldk)
35、xldk+1=xldk+vldk+1
36、其中,w为惯性权重,d=1,2,3,k,d,d表示粒子的维度,r1和r2为[0,1]范围内的随机数,vldk为k时刻第个粒子的速度,c1和c2为学习因子,gbestd为整个粒子群全局最优位置在维度d上的取值,pbestld为第l个体最优位置在维度d上的取值,xldk为k时刻第l个粒子的位置;
37、将粒子群算法更新公式中的惯性权重的取值改进为随粒子适应度值的变化而变化,改进后权重和学习因子的表达式分别为如下式所示:
38、
39、
40、式中,wmax为设定的最大惯性值,wmin为设定的最小惯性值,w为惯性权重,f为当前适应度值,fmin为最小适应度值,fave为平均适应度值,cmax为设定的最大学习因子,cmin为设定的最小学习因子,i为当前迭代次数,t为总迭代次数。
41、本专利技术还提供了一种中低速磁浮列车速度预测系统,包括:
42、数据采集模块,用于获取磁浮列车的实际运行数据;
43、单位统一和受力计算模块,用于对所述实际运行数据进行单位统一化和受力计算,得到当前时刻下所述磁浮列车的速度和受力;
44、模型构建及速度预测模块,用于利用所述速度、所述受力和改进的pso方法,对lstm模型的隐含层节点个数和学习率进行参数寻优,并根据优化参数后的lstm模型进行磁浮列车速度预测。
45、本专利技术还提供了一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据上述的低速磁浮列车速度预测方法。
46、本专利技术还提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的中低速磁浮列车速度预测方法。
47、根据本专利技术提供的具体实施例,本专利技术公开了以下技术效果:
48、本专利技术公开了一种中低速磁浮列车速度预测方法、系统、设备及介质,所述方法包括获取磁浮列车的实际运行本文档来自技高网...
【技术保护点】
1.一种中低速磁浮列车速度预测方法,其特征在于,包括:
2.根据权利要求1所述的中低速磁浮列车速度预测方法,其特征在于,所述获取中低速磁浮列车的实际运行数据,具体包括:
3.根据权利要求1所述的中低速磁浮列车速度预测方法,其特征在于,所述对所述实际运行数据进行单位统一化和受力计算,得到当前时刻下所述中低速磁浮列车的速度和受力,具体包括:
4.根据权利要求1所述的中低速磁浮列车速度预测方法,其特征在于,所述利用所述速度、所述受力和改进的PSO方法,对LSTM模型的隐含层节点个数和学习率进行参数寻优,具体包括:
5.根据权利要求4所述的中低速磁浮列车速度预测方法,其特征在于,所述以当前时刻的力与速度作为模型的输入,以下一时刻的速度作为模型的输出,构建LSTM模型,具体包括:
6.根据权利要求4所述的中低速磁浮列车速度预测方法,其特征在于,所述利用改进的PSO方法对所述LSTM模型的隐含层节点个数和学习率进行寻优,具体包括:
7.一种中低速磁浮列车速度预测系统,其特征在于,包括:
8.一种电子设备,其特
9.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的中低速磁浮列车速度预测方法。
...【技术特征摘要】
1.一种中低速磁浮列车速度预测方法,其特征在于,包括:
2.根据权利要求1所述的中低速磁浮列车速度预测方法,其特征在于,所述获取中低速磁浮列车的实际运行数据,具体包括:
3.根据权利要求1所述的中低速磁浮列车速度预测方法,其特征在于,所述对所述实际运行数据进行单位统一化和受力计算,得到当前时刻下所述中低速磁浮列车的速度和受力,具体包括:
4.根据权利要求1所述的中低速磁浮列车速度预测方法,其特征在于,所述利用所述速度、所述受力和改进的pso方法,对lstm模型的隐含层节点个数和学习率进行参数寻优,具体包括:
5.根据权利要求4所述的中低速磁浮列车速度预测方法,其特征在于,所述以当前时刻的力与速度作为模型的输...
【专利技术属性】
技术研发人员:周艳丽,吴越,陆荣秀,崔俊锋,徐硕,董帅强,欧阳瑞祺,杨洛郡,王祺,杨辉,
申请(专利权)人:华东交通大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。