[发明专利]面向新型供电列车的多目标优化智能运行控制预测方法

权利要求书

1.一种面向新型供电列车的多目标优化智能运行控制预测方法，其特征在于：所述方法步骤具体如下：

1)由新型供电列车的静态/动态大数据得到原始数据，再进行参数化/正则化得到标准化数据，接着对标准化数据进行归一化获得列车信息序列数据；

所述步骤1)，静态以及动态大数据具体是：

1.a)将静态线路条件数据向量P＝{p₁，p₂，p₃，p₄，p₅}，分别为坡度p₁、曲线p₂、列车位置p₃、感应线圈部署位置p₄、充电能力p₅；

将静态列车条件数据向量B＝{b₁，b₂，b₃，b₄}，分别为最大载客量b₁、车重b₂、最大加速度b₃、最大减速度b₄；

将静态储能系统条件数据向量W＝{w₁，w₂，w₃，w₄}，分别为额定容量w₁、额定电压w₂、充电电流w₃、额定输出功率w₄；

将动态运行数据向量H＝{h₁，h₂，h₃，h₄}，分别为速度h₁、牵引功率h₂、动态载客量/动态车重h₃、动态加/减速度h₄；

将动态储能系统状态数据向量Q＝{q₁，q₂，q₃，q₄}，分别为储能系统电压q₁、放电电流q₂、充电电压q₃、充电电流q₄；

2)利用列车信息序列数据中的局部数据结合实际运行时间采用列车动力学方程进行处理计算得到理想条件下的列车运行状态数据；

所述步骤2)中，具体是利用列车信息序列数据中的实际运行位置和实际运行时间采用以下公式的列车动力学方程进行处理计算得到列车实际运行的瞬时速度v，作为理想条件下的列车运行状态数据；

式中：x表示列车在线路上的实际运行位置；t(x)表示列车在位置x处的实际运行时间；T表示列车运行完全程的规定时间；V表示列车在线路上允许的最高运行速度；X表示线路全长；v表示列车实际运行的瞬时速度；f(u，v)表示牵引力函数；w(x，v)表示列车运行附加阻力函数；b(u，v)表示列车制动力函数；u表示列车输入控制序列；

3)将步骤二得到的列车运行状态数据和新型供电列车上真实测得的各个时刻牵引力一起输入到长短期记忆网络中进行训练得到基础模型，将步骤一输出的列车信息序列数据划分为多个部分，每个部分作为一个样本，将多个样本依次输入到基础模型中依次并再次进行训练得到了带有知识的基础模型；模型中利用输入的数据对列车在下一时刻t+1所需要的牵引力F_t+1进行预测，并计算下一时刻t+1的牵引力和真实的下一时刻t+1的牵引力之间的平方损失，通过采用随机梯度下降方法最小化求解平方损失激励函数，从而完成训练；

4)针对真实采集的当前时刻的新型供电列车的速度，输入到带有知识的基础模型中进行预测输出获得下一时刻的牵引力。

2.根据权利要求1所述的一种面向新型供电列车的多目标优化智能运行控制预测方法，其特征在于：所述步骤3)中的平方损失激励函数具体为：

其中，F_t+1为真实的下一时刻t+1的牵引力，为预测的下一时刻t+1的牵引力，|| ||²表示绝对值的平方。

3.根据权利要求1所述的一种面向新型供电列车的多目标优化智能运行控制预测方法，其特征在于：所述步骤4)之后，根据带有知识的基础模型的中间参数进一步解码到输出特征空间，获得预测的下一时刻的新型供电列车的速度和当前时刻至下一时刻前所消耗的能量，从而获得了时间速度的数据和时间能耗的数据：

具体采用以下公式计算获得预测的下一时刻的新型供电列车的速度：

v_n＝0

其中，k_i表示第i个样本经基础模型处理获得的计算拟合参数，N为步骤3)中的样本总数；为预测的下一时刻t+1的新型供电列车的速度，v_t为真实的当前时刻t的新型供电列车的速度，a_t为当前时刻t的新型供电列车的加速度，t_gap为相邻时刻之间的间隔值，F_t为真实的当前时刻t的列车运行的牵引力，v₀表示真实的初始时刻的新型供电列车的速度；

具体采用以下公式计算获得预测的当前时刻至下一时刻前所消耗的能量：

noise_Gaussian＝N(μ，σ²)

其中，为预测的当前时刻t至下一时刻t+1前所消耗的能量，μ、σ分别表示所有样本经基础模型处理获得的高斯噪声补偿参数的均值和方差，N(μ，σ²)表示高斯噪声补偿函数；P_t为当前时刻的列车的功率，t_gap为相邻时刻之间的间隔值，F_t为真实的当前时刻t的列车运行的牵引力，v_t为真实的当前时刻t的新型供电列车的速度。