一种货运铁路调度与列控协同方法和系统与流程

本发明涉及轨道交通通信领域，具体涉及一种货运铁路调度与列控协同方法和系统。

背景技术：

1、货运铁路的日常运营工作可以分为三个层级：计划系统、调度系统和控制系统。计划系统负责编制一段时期内的计划运行图，制定列车运行、机车运用、施工等作业计划；调度系统根据计划运行图对系统内车站、区间、列车、机车的协调、配置与运用；控制系统负责办理进路、开放信号机和控制列车运行。调度系统和列控系统需要实时交互信息，调度员通过调度系统向列控系统发送运行计划、调度指令、列车进路信息、临时限速命令等信息，列控系统向调度系统汇报进路、信号机、区段状态、列车位置、速度等，相互配合完成运输任务。

2、实际线网列车运行环境复杂多变，除具有一般系统的普遍特点以外，还具有如下特殊性：(1)高复杂性。货运铁路列车运行环境复杂，影响列车运行的条件和内部干扰因素众多，调度指挥和列车运行依赖调度和司机对环境信息、列车性能的掌控，对突发事件的处置和反应能力因人而异，导致列车运行的稳定性、均一性差。运控系统从固定闭塞发展到移动闭塞后，列车运行密度大、间隔小、列车间运行耦合性强，列车的控制效果不好对系统的高效准点运行会产生很大影响。例如，会造成货运列车计划外停车，除了增加起停车附加时分外，还会造成机车能耗的增加。(2)高动态性。在内外部因素的作用下，货运列车运行过程经常与既有计划发生偏移，调度与列车运行状态一直处于动态变化中。现阶段，调度员无法掌握细粒度的列车状态信息(如速度、位置、列车车型、牵引制动特性)，据此制定的阶段调整计划精细度不足；同时，调度员对列控系统内部状态获取途径有限，如列车通信故障、列车降级等，不能在第一时间对处理办法进行有效决策，不利于调度和司机在车、线、网不同层域间的信息协同，降低了对突发事件响应速度。(3)高耦合性。货运铁路路网复杂，干扰因素多，车车、车线、线站间列车运行耦合性强，列车晚点在路网中的传播过程复杂，调度员调整决策困难。

3、其中，对向列车的会让是货运铁路调度指挥和列控系统处理的一项重要任务。对向会让列车到达车站接入股道停车后，通过列车才可以通过会让车站。为提高通过能力，通常会让过程非常紧凑。

4、请参阅图2，为对向列车会让示意图，实际运输组织过程中，该列车会让需要多个岗位的人员及调度和列控系统的协调配合：调度指挥人员通过ctc系统(调度集中系统)制定会让计划，并下达给车站轨旁列控系统办理进路，列控系统为列车计算行车授权，车载系统根据授权和线路数据计算速度曲线。还要将计划通知司机，由司机驾驶列车在车载系统的防护下完成会让。通常调度员需要根据列车运行过程反复调整多次计划，列控系统要多次办理进路和计算授权，司机则要根据计划和前方信号调整相应的驾驶策略。如果衔接不好，会导致通过货运列车非必要降速或者机外停车等故障发生。

5、因此，迫切需要研究调度指挥与列车运行控制协同优化方法和技术，而形成一种高效、安全、全新的铁路调度指挥与行车控制协同系统。目前对货运铁路的调度和列车协同优化研究较少。

技术实现思路

1、本发明提出一种解决货运铁路复杂路网、时变环境下调度与列控系统协同优化的框架，解决该问题的建模、决策和优化控制等问题，并设计了改进的双深度q网络的列车目标速度曲线优化方法对模型进行求解，借助计算试验对各类运营场景和突发事件进行“推演预测”，作为实际调度指挥和列车驾驶的参考，通过对计算模拟结果加入分析和利用，实现管理与控制协同优化。

2、一种货运铁路调度与列控协同方法，包含以下步骤：

3、s1、对货运铁路线路的包括基础数据、调度指挥数据和列车运行数据进行特征提取，构建系统模型；

4、s2、获取列控生产系统中的各类数据，结合实际运输生产计划，在构建的系统模型中对列车运行过程和调度指挥策略进行模拟，实时推演在各设定场景的所述系统模型的优化解决策略；

5、s3、对所述优化解决策略进行评估；

6、s4、将评估中满足要求的优化解决策略应用到列控生产系统中，引导实际的运输生产。

7、进一步地，所述步骤s1的系统模型包含：基础数据模型、调度系统模型、列控系统模型和列车驾驶模型。

8、进一步地，所述步骤s2中的各类数据包含了列车运行过程中的各类突发事件。

9、进一步地，所述步骤s2中的优化解决策略是适用于设定场景的列车速度曲线和调度调整计划。

10、进一步地，所述步骤s2包括采用q网络算法设定通过列车和会让列车的运行环境，对通过列车和会让列车的会让过程进行模拟，并建立马尔可夫决策过程；

11、所述运行环境包括线路静态数据、通过列车和会让列车的运行计划，通过列车的运行位置、速度以及运行时间，会让列车的位置、速度和运行时间。

12、进一步地，所述会让运行过程表示为会让列车在k-1站至k站的运行过程以及通过列车在k+1站至k的运行过程。

13、进一步地，将k-1站至k站区间、k+1站至k站区间根据固定限速分成不同的子区间，从每个子区间处计算会让列车或者通过列车的最大牵引速度和最大制动速度；

14、根据会让列车或者通过列车当前状态的速度，计算得到下一状态的运行速度以及上一状态的运行速度，在不超过对应子区间的限速的前提下，根据下一状态的运行速度获得最大牵引速度，以及根据上一状态的运行速度获得最大制动速度，将最大牵引速度和最大制动速度二者的较小值作为最短运行时间速度值。

15、进一步地，会让列车到达k站的时间为：为会让列车在k-1站的发车时间，为会让列车在k站的到达时间，为会让列车的子区间长度，w为会让列车经过的子区间数，为会让列车最短运行时间速度值；

16、通过列车到达k站的时间为：为通过列车在k+1站的发车时间，为通过列车在k站的到达时间，为通过列车的子区间长度，z为通过列车经过的子区间数，为通过列车最短运行时间速度值。

17、进一步地，优化的目标函数为总会让时间最短：且to为通过列车办理进路和开放信号的时间。

18、进一步地，若需要会让过程运行平稳，少发生突然加速和减速的情况，优化的目标函数为加速度变化率最小：其中和分别是会让列车子区间的长度和通过列车子区间的长度，是会让列车在子区间终点位置的加速度，是会让列车在子区间起点位置的加速度，是通过列车在子区间终点位置的加速度，是通过列车在子区间起点位置的加速度，ti是会让列车在子区间运行时间，tj是通过列车在子区间运行时间。

19、进一步地，所述步骤s2采用q网络算法对会让列车运行过程优化包含以下步骤：

20、s21、初始化逼近网络参数θ，令目标网络参数θ-为θ；

21、s22、会让列车运行状态由确定，为子区间长度，为会让列车速度，dn为通过列车到停车点距离，为通过列车速度，为目标函数的加权值，以ε的概率随机选择工况动作以1-ε的概率选择当前最优状态

22、s23、执行工况动作根据会让列车运行环境得到下一个状态和奖励值

23、s24、从经验回放区中随机抽取若干个根据梯度下降算法更新网络参数θ；

24、s25、经过指定步数更新网络参数θ-为θ，达到迭代次数退出，否则返回s21。

25、本发明还提出了一种货运铁路调度与列控协同系统，用于实现所述的调度与列控协同方法，包含以下步骤：

26、感知学习模块，用于获取货运铁路线路基础数据、调度指挥数据和列车运行数据特征进行提取，构建可计算、可重构的系统模型；

27、协同优化模块，用于获取生产系统中的各类数据，结合实际运输生产计划，对生产环境中列车运行过程和调度指挥策略进行模拟，实时推演系统模型的优化解决策略；

28、策略评估模块，对协同优化模块生成的优化解决策略进行测试和评估；

29、若策略评估模块，将满足预定义的目标的优化解决策略推送给生产系统，进行执行。

30、进一步地，所述系统模型包含：基础数据模型、调度系统模型、列控系统模型和列车驾驶模型。

31、进一步地，所述各类数据来自于随机产生各类突发事件。

32、进一步地，所述优化解决策略包括：列车速度曲线和调度调整计划。

33、本发明具有以下有益效果：

34、1、打破调度系统和列控系统信息壁垒，有效提高货运铁路运输效率。

35、2、建立了货运铁路列车会让模型，对通过列车和会让列车的运行过程、计划到达时间进行详细描述。该模型可以准确描述通过列车和会让列车组在运行至会让站过程中的协同过程，为优化会让作业奠定基础。

36、3、考虑对向列车速度和位置，对双深度q网络的计算方法进行改进，优点在于计算列车曲线和输出工况时，考虑会让列车的速度和到会让点的距离，可以从调度计划的角度同时对两列车的运行过程进行协同控制优化。