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】
本专利技术涉及列车控制,尤其涉及一种列车运行行为预测方法、装置、设备及存储介质。
技术介绍
1、在高速列车大功率操纵过程中,由于运行环境复杂多变以及列车动力学特性等因素影响,列车运行速度在不同的时间和不同的路段上都存在一定的时滞特性。为了更精细地描述列车运行过程,对列车进行更加精准的控制,对列车操纵过程时滞特性进行建模具有重要理论和现实意义。
2、现有技术中,通常利用机理建模方法,构建高速列车对应的动力学模型。由于列车运行环境复杂多变,现有的建模方式存在一定的局限性,无法准确描述列车运行过程的实际动态行为。
技术实现思路
1、本专利技术提供了一种列车运行行为预测方法、装置、设备及存储介质,提高了高速列车大功率操纵过程的速度预测精度,实现了对高速列车进行速度跟踪,满足了高速列车大功率操纵过程的运营需求。
2、根据本专利技术的一方面,提供了一种列车运行行为预测方法,所述方法包括:
3、获取目标列车运行过程中的牵引级位和制动级位,将所述牵引级位和制动级位分别转换为对应的牵引序列和制动序列;
4、根据所述牵引序列、制动序列以及与所述目标列车中控制系统对应的时滞原因,构建与所述目标列车匹配的运行时滞模型;
5、采用所述运行时滞模型以及减法聚类算法,对目标列车的初始运行策略进行优化,得到目标编码策略;
6、采用分数阶最小二乘算法,对所述运行时滞模型中的时变参数进行辨识处理,并使用处理后的运行时滞模型对目标列车的运行速度进行
7、可选的,在采用分数阶最小二乘算法,对所述运行时滞模型中的时变参数进行辨识处理之前,还包括:
8、获取目标列车对应的非线性运行数据;
9、根据所述非线性运行数据,建立与所述目标列车对应的离散化的grünwald-letnikov分数阶模型。
10、可选的,所述运行时滞模型表示为:
11、
12、其中,v表示目标列车运行速度;t表示运行时间;m表示目标列车总质量;f(v),b(v)分别表示最大牵引力和最大制动力;kf,kb分别表示牵引控制系数和制动控制系数;cf,cb分别表示牵引级位和制动级位;s∈[0,x0]表示目标列车位置;x0表示距离;wj表示坡道阻力、隧道附加空气阻力以及曲线附加阻力之和;w表示列车基本阻力;a,b,c分别表示外部空气阻力系数、机械阻力系数以及滚动机械阻力系数;v(t-τ)表示时变速度延迟。
13、可选的,所述牵引级位为满功率牵引的百分比;将所述牵引级位和制动级位分别转换为对应的牵引序列和制动序列,包括:
14、获取预先构建的牵引级位转换表以及制动级位转换表;
15、分别根据所述牵引级位转换表以及制动级位转换表,将当前牵引级位和制动级位转换为分数阶牵引序列和制动序列。
16、可选的,采用所述运行时滞模型以及减法聚类算法,对目标列车的初始运行策略进行优化,得到目标编码策略,包括:
17、采用所述运行时滞模型以及减法聚类算法,在目标列车的多个初始运行策略中确定满足收敛条件的聚类中心;
18、根据所述聚类中心,对多个初始运行策略进行工序编码,并根据编码结果对目标列车大功率操纵过程中的惰行工况进行筛选,得到操纵策略组;
19、根据所述聚类中心,将每组操纵策略与走行距离进行关联,并对每个级位下的走行距离进行累加,得到目标编码策略。
20、可选的,采用所述运行时滞模型以及减法聚类算法,在目标列车的多个初始运行策略中确定满足收敛条件的聚类中心,包括:
21、采用所述运行时滞模型以及减法聚类算法,对目标列车的多个初始运行策略进行编码,并对编码结果进行dbi(davies-bouldin)指标分析;
22、根据分析结果,确定满足收敛条件的聚类中心。
23、根据本专利技术的另一方面,提供了一种列车运行行为预测装置,所述装置包括:
24、序列转换模块,用于获取目标列车运行过程中的牵引级位和制动级位,将所述牵引级位和制动级位分别转换为对应的牵引序列和制动序列;
25、时滞模型构建模块,用于根据所述牵引序列、制动序列以及与所述目标列车中控制系统对应的时滞原因,构建与所述目标列车匹配的运行时滞模型;
26、策略优化模块,用于采用所述运行时滞模型以及减法聚类算法,对目标列车的初始运行策略进行优化,得到目标编码策略;
27、速度预测模块,用于采用分数阶最小二乘算法,对所述运行时滞模型中的时变参数进行辨识处理,并使用处理后的运行时滞模型对目标列车的运行速度进行预测。
28、根据本专利技术的另一方面,提供了一种电子设备,所述电子设备包括:
29、至少一个处理器;以及
30、与所述至少一个处理器通信连接的存储器;其中,
31、所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本专利技术任一实施例所述的列车运行行为预测方法。
32、根据本专利技术的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的列车运行行为预测方法。
33、本专利技术实施例提供的技术方案,通过获取目标列车运行过程中的牵引级位和制动级位,将所述牵引级位和制动级位分别转换为对应的牵引序列和制动序列,根据所述牵引序列、制动序列以及与所述目标列车中控制系统对应的时滞原因,构建与所述目标列车匹配的运行时滞模型,采用所述运行时滞模型以及减法聚类算法,对目标列车的初始运行策略进行优化,得到目标编码策略,采用分数阶最小二乘算法,对所述运行时滞模型中的时变参数进行辨识处理,并使用处理后的运行时滞模型对目标列车的运行速度进行预测的技术手段,可以提供一种高速列车机理特性和数据驱动联合建模方法,提高了高速列车大功率操纵过程的速度预测精度,实现了对高速列车进行速度跟踪,满足了高速列车大功率操纵过程的运营需求。
34、应当理解,本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征,也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种列车运行行为预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,在采用分数阶最小二乘算法,对所述运行时滞模型中的时变参数进行辨识处理之前,还包括:
3.根据权利要求1所述的方法,其特征在于,所述运行时滞模型表示为:
4.根据权利要求1所述的方法,其特征在于,所述牵引级位为满功率牵引的百分比;将所述牵引级位和制动级位分别转换为对应的牵引序列和制动序列,包括:
5.根据权利要求1所述的方法,其特征在于,采用所述运行时滞模型以及减法聚类算法,对目标列车的初始运行策略进行优化,得到目标编码策略,包括:
6.根据权利要求1所述的方法,其特征在于,采用所述运行时滞模型以及减法聚类算法,在目标列车的多个初始运行策略中确定满足收敛条件的聚类中心,包括:
7.一种列车运行行为预测装置,其特征在于,所述装置包括:
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
9.一种电子设备,其特征在于,所述电子设备包括:
10.一种计算机可读存储介质,其特征
...【技术特征摘要】
1.一种列车运行行为预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,在采用分数阶最小二乘算法,对所述运行时滞模型中的时变参数进行辨识处理之前,还包括:
3.根据权利要求1所述的方法,其特征在于,所述运行时滞模型表示为:
4.根据权利要求1所述的方法,其特征在于,所述牵引级位为满功率牵引的百分比;将所述牵引级位和制动级位分别转换为对应的牵引序列和制动序列,包括:
5.根据权利要求1所述的方法,其特征在于,采用所述运行时滞模型以及减法聚类算法,对目标列车的初始运行策略进行优化,得到目...
【专利技术属性】
技术研发人员:张坤鹏,严斐,杨辉,刘岭,岳朝鹏,江明,安春兰,刘鸿恩,
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。