一种列车在高海拔环境下节能运行的控制方法

本发明涉及交通运输，特别是一种列车在高海拔环境下节能运行的控制方法。

背景技术：

1、列车运行过程中，除了受到基本阻力外，还受到由坡度、弯道和隧道等产生的附加阻力的作用，我们在以节能为目标函数的自动驾驶速度曲线的计算中，以上诸多要素通常都是要进行考虑的。但在高海拔环境下，列车在运行中受到气象因素的影响也非常大，包括风速、风向和气温等，这些气象因素也会影响到列车的节能驾驶速度曲线。

2、例如，在离地面的一定高度，随着海拔升高，空气密度越来越小，风受空气的阻力变小小，风速变大。而风速、风向的变化会直接对列车产生不同的附加阻力，还会影响到列车安全和稳定运行。风向与列车运行方向相反时列车阻力增大，风向与列车运行方向相同时列车阻力减小；如果大风从列车侧面吹来，将使列车表面加大摩擦，会使车轮轮缘紧靠钢轨一侧，发生较大摩擦，同时轴承摩擦以及轮轨间的滑动也会加剧，列车越长时，这种附加阻力就越大，因此这种侧向大风对列车运行也是不利的。另一方面，海拔越高离地面越远，对流层大气得到的地面辐射越少，气温也就越低，每上升100米，气温下降0.6摄氏度，列车动力系统中润滑油的黏度会随着气温的下降而提高，动力系统的摩擦系数和摩擦阻力也就随之增加。

3、因此，在高海拔地区，如何充分考虑气象数据特别是风速、风向和温度对列车自动驾驶速度曲线的影响，高效率生成自动驾驶速度曲线，提高列车驾驶的节能性和可靠性，成为亟待解决的问题。

技术实现思路

1、针对背景技术的问题，本发明提供一种列车在高海拔环境下节能运行的控制方法，以解决列车在高海拔环境下运行的自动驾驶速度曲线更优化，生成效率更高，列车驾驶更节能的问题。

2、为实现本发明的目的，本发明提供了一种列车在高海拔环境下节能运行的控制方法，其创新点在于：包括地面列控中心，所述地面列控中心设置有离线模型训练模块；所述列车上设置有驾驶曲线模块、风力-速度误差补偿模块、温度-速度误差补偿模块、温度监测模块、ato(automatic train operation列车自动驾驶)模块和车载通信模块；列车运行线路上分布有多个风力值传感器；

3、所述风力值传感器能实时监测列车运行线路环境的风力值信息，所述风力值包括风速k和风向角α，所述风向角α为风向与列车运行反方向的夹角；地面列控中心能通过风力值传感器实时获取列车运行线路上的风力值信息，还能将获取的风力值信息发送给列车的车载通信模块；

4、将列车行驶的某个站间路段记为l路段；

5、所述控制方法包括：一)离线模型训练阶段；二)在线控制阶段；

6、所述离线模型训练阶段包括：

7、1)离线模型训练模块以无风和环境温度25℃为行驶环境条件，以列车节能运行为目标，采用遗传算法或集群智能算法生成列车在l路段行驶的自动驾驶速度曲线，将在上述无风和环境温度25℃条件下生成的自动驾驶速度曲线记为标准曲线；生成标准曲线涉及的列车受力参数根据公式一计算；

8、2)按方法一生成第一训练数据集，按方法二生成第二训练数据集；

9、3)离线模型训练模块建立第一深度学习模型和第二深度学习模型；

10、4)利用第一训练数据集对第一深度学习模型进行训练得到风力-速度误差补偿深度学习模型，其中将列车行驶距离、风速和风向作为第一深度学习模型的输入量，将列车速度误差补偿量作为第一深度学习模型的输出量；

11、利用第二训练数据集对第二深度学习模型进行训练得到温度-速度误差补偿深度学习模型，其中将列车行驶距离和温度作为第二深度学习模型的输入量，将列车速度误差补偿量作为第二深度学习模型的输出量；

12、5)地面列控中心将风力-速度误差补偿深度学习模型和温度-速度误差补偿深度学习模型发送给列车的车载通信模块；

13、6)列车的车载通信模块将风力-速度误差补偿深度学习模型和温度-速度误差补偿深度学习模型分别发送给风力-速度误差补偿模块和温度-速度误差补偿模块，风力-速度误差补偿模块对风力-速度误差补偿深度学习模型进行加载，温度-速度误差补偿模块对温度-速度误差补偿深度学习模型进行加载；

14、所述公式一为：

15、ma＝f(u,v)-g(v)-w(s,v)

16、其中，m为列车自重，a为列车加速度，f(u,v)为列车动力系统输出的作用力，与运行速度v和输入控制工况u有关；g(v)为列车受到的基本阻力，它是列车运行速度的函数；w(s,v)为列车附加阻力，其中s为线路位置参数；

17、所述方法一包括：

18、a1)离线模型训练模块采用风洞试验和数值模拟计算的方法模拟列车运行时环境的多个风力值；

19、a2)离线模型训练模块针对每一个风力值，以列车节能运行为目标，均采用遗传算法或集群智能算法生成一个列车在l路段的自动驾驶速度曲线，将针对单个风力条件生成的自动驾驶速度曲线记为一个第一对比曲线，多个风力条件对应多个第一对比曲线；生成第一对比曲线涉及的列车受力参数根据公式二确定；

20、a3)将单个第一对比曲线与所述标准曲线求差得到一个第一误差曲线，多个第一对比曲线分别与所述标准曲线求差得到多个第一误差曲线，将每个第一误差曲线均按l路段上设定的间隔距离进行离散化，得到多个第一误差数据，多个第一误差曲线所辖的多个第一误差数据组成一个第一训练数据集；

21、所述公式二包括：

22、ma＝f(u,v)-g(v)-w(s,v)-p(k,α)

23、其中，所述p(k,α)为风力给列车带来的附加阻力，与风速k和风向角α有关；

24、所述方法二包括：

25、b1)通过仿真实验获取多个环境温度值下因温度给列车动力系统带来的附加阻力值q(t)，其中t为温度值；

26、b2)离线模型训练模块针对每一个温度值条件，以列车节能运行为目标，均采用遗传算法或集群智能算法生成一个列车在l路段的自动驾驶速度曲线，将针对单个温度值条件生成的自动驾驶速度曲线记为一个第二对比曲线，多个温度值条件对应多个第二对比曲线；生成第二对比曲线涉及的列车受力参数根据公式三确定；

27、b3)将单个第二对比曲线与所述标准曲线求差得到一个第二误差曲线，多个第二对比曲线分别与所述标准曲线求差得到多个第二误差曲线，将每个第二误差曲线均按l路段上设定的间隔距离进行离散化，得到多个第二误差数据，多个第二误差曲线所辖的多个第二误差数据组成一个第二训练数据集；

28、所述公式三包括：

29、ma＝f(u,v)-g(v)-w(s,v)-q(t)

30、所述在线控制阶段包括：

31、当列车在l路段的起点站准备发车时，

32、a)驾驶曲线模块通过车载通信模块向地面列车中心发出自动驾驶速度曲线装载请求；

33、b)地面列控中心获取l路段当前的风力值，然后地面列控中心将当前的风力值和所述标准曲线发送给列车的车载通信模块；

34、c)车载通信模块将标准曲线和风力值分别传输给驾驶曲线模块和风力-速度误差补偿模块；温度-速度误差补偿模块从温度监测模块获取列车环境当前的温度值；

35、d)风力-速度误差补偿模块根据风力值通过风力-速度误差补偿深度学习模型获取第一列车速度误差补偿量；然后风力-速度误差补偿模块将第一列车速度误差补偿量传输给驾驶曲线模块；

36、温度-速度误差补偿模块根据温度值通过温度-速度误差补偿深度学习模型获取第二列车速度误差补偿量；然后温度-速度误差补偿模块将第二列车速度误差补偿量传输给驾驶曲线模块；

37、e)驾驶曲线模块利用第一列车速度误差补偿量和第二列车速度误差补偿量对标准曲线进行修正，将修正后的标准曲线记为可用自动驾驶速度曲线；然后驾驶曲线模块将可用自动驾驶速度曲线发送给ato模块；

38、f)ato模块根据收到的可用自动驾驶速度曲线控制列车运行。

39、进一步地，所述步骤a1中，风速k的取值范围为0～60m/s，所述风向角α的取值范围为0°～360°。

40、进一步地，所述步骤b1中，温度的取值范围为-40℃～60℃。

41、进一步地，所述步骤a3和步骤b3中，所述设定的间隔距离为0.1米。

42、进一步地，多个所述风力值传感器沿l路段的运行线路按5km的间距分布，风力值传感器与运行线路的横向距离为1.5m。

43、本发明的原理如下：

44、现有技术中，列车以节能为目标生成自动驾驶速度曲线的方法很多，例如遗传算法、微粒群算法和蚁群算法等，如果仅仅考虑列车运行的线路(如线路坡度、曲线和隧道等)这类固定参数，是比较容易利用上述方法获取列车自动驾驶曲线的，但是在高海拔这种特殊环境下，环境参数特别是风力和温度等参数对列车的行驶阻力影响较大，这类参数变化较快，很难提前预测和计算，而将这些环境因素造成的阻力都考虑进去，来实时生成自动驾驶速度曲线，因参数较多，计算较复杂，计算速度较慢，其时效性很难保证，列车的运行效率会大打折扣。

45、针对列车在高海拔这种特殊环境下的运行，本发明采用“两阶段双重补偿”的方法很好地解决了上述问题，具体来说：

46、首先通过离线和在线两个阶段的分工协作来解决自动驾驶速度曲线的生成时效问题。离线阶段完成两个任务，第一个任务是生成标准曲线，第二个任务则是训练误差补偿深度学习模型。标准曲线可利用现有技术中以节能运行为目标生成自动驾驶速度曲线的方法进行，其中将环境因素设定为一个标准的不变的值，列车运行的线路参数等也相对固定，主要考虑列车行驶的基本阻力和常规附加阻力，这个标准曲线离线生成备用，不占用列车实际运行的时间，且考虑了大部分可预测的因素，为后续获取实际用于列车控制的可用自动驾驶速度曲线打下基础。然后通过仿真等方法模拟环境参数，加入环境因素对列车行驶造成的阻力影响生成列车的自动驾驶速度曲线，然后与标准曲线进行对比得到误差曲线，将误差曲线通过离散化得到训练数据集来训练深度学习模型，即可得到误差补偿的深度学习模型。

47、在线阶段，只需要实时获取线路的环境参数，将其输入到误差补偿深度学习模型中即可快速获取线路标准曲线的速度误差补偿量，然后利用速度误差补偿量对标准曲线进行修正即可得到可用自动驾驶速度曲线用于列车实际驾驶控制。

48、可见，离线阶段为在线阶段做了大量的准备工作，将大量的计算放在离线阶段为在线阶段节约大量的时间，而且在线阶段并不需要实时生成自动驾驶速度曲线，只需要利用深度学习模型根据环境参数获取补偿量，然后对标准曲线进行修正即可，而深度学习模型包含的神经网络的优势就是擅长处理这种环境参数与补偿量之间的非线性映射关系，通过深度学习模型，任意连续非线性函数映射关系都可由多层神经网络以任意精度加以逼近，这个计算较完全重新生成自动驾驶速度曲线的速度更快，所以大大减少了可用自动驾驶速度曲线在线获取的时间。

49、事实上，本发明还针对风力因素和温度因素分别训练两个深度学习模型来进行补偿，一方面，使深度学习模型的输出本身更具针对性和准确性，另一方面，两个深度模型同时对不同的环境参数进行处理也进一步提高了计算效率。

50、由此可见，本发明具有如下的有益效果：通过本发明所述的方法，不仅大大提高了列车自动驾驶速度曲线获取的效率，进而提高了列车的站间运行效率，同时因为考虑了高海拔环境因素对列车运行的影响，使列车的自动驾驶速度曲线的计算更准确，列车的节能自动驾驶控制更优化。