CN112686453B - 机车能耗智能预测方法及*** - Google Patents
机车能耗智能预测方法及*** Download PDFInfo
- Publication number
- CN112686453B CN112686453B CN202011636865.9A CN202011636865A CN112686453B CN 112686453 B CN112686453 B CN 112686453B CN 202011636865 A CN202011636865 A CN 202011636865A CN 112686453 B CN112686453 B CN 112686453B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- locomotive
- bat
- running
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 118
- 230000003137 locomotive effect Effects 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000009825 accumulation Methods 0.000 claims abstract description 8
- 241000282461 Canis lupus Species 0.000 claims description 42
- 238000013528 artificial neural network Methods 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 238000002922 simulated annealing Methods 0.000 claims description 11
- 241000282421 Canidae Species 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000137 annealing Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 241000257303 Hymenoptera Species 0.000 description 8
- 230000006978 adaptation Effects 0.000 description 6
- 241000288673 Chiroptera Species 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 108010063499 Sigma Factor Proteins 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000112 colonic effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种机车能耗智能预测方法及***,综合考虑了机车稳定的行驶速度下行驶速度能耗值、行驶速度、机车行驶档位、道路坡度损耗功率以及降雨阻力、道路积水阻力,风阻能耗,积雪能耗,温度能耗等多方面因素,并且利用各种智能预测模型及优化算法进行权重融合,建立有效牵引模式转换模型来进行能耗分析和预测,保证了能耗策略选择以及实时调整指令的有效性。
Description
技术领域
本发明涉及人工智能领域,特别是一种机车能耗智能预测方法及***。
背景技术
随着轨道交通技术的飞速进步,轨道车辆自动化水平逐步提高。铁路为我国国民经济的大动脉,其主导地位也将进一步加强。铁路运输消耗能源的数量也是相当巨大。而在全球能源危机的情况下,在新型机车的应用中迫切需要发展高效节能技术以及操作技术。能耗和排放是衡量社会经济可持续发展的核心指标,对可持续交通运输***中的各种交通方式提出了要求和挑战。
在铁路运输能耗中,机车牵引所消耗的能源约占到铁路运输牵引能耗的大部分。因此,降低牵引能耗对于降低铁路能耗具有重要作用。而机车控制***是一个典型的多目标非线性的复杂控制***,需要考虑许多复杂的约束条件。面对风雨雪等自然条件,车站、随道、桥梁、曲线、坡道等线路条件以及编组、货运量等特定条件时,对机车自动控制***的持续改进,对于降低铁路运输费用,提高铁路运输行业效率,实现铁路的可持续发展具有重要意义。
机车除了固定客货运线路上的正常行驶的能耗以外,也需要考虑运载量变化带来的行驶能耗和车外环境变化带来的额外能耗的因素。传统的列车力学分析以及列车运行状态研究,基于运行状态的数据和进行外部参数融合等方面存在灵活性差、准确性低的问题,需要通过建立多目标机车节能优化模型,进一步促进铁路运输的可持续发展及节能降耗。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种机车能耗智能预测方法、***及存储介质,提高能耗预测精度。
为解决上述技术问题,本发明所采用的技术方案是:一种机车能耗智能预测方法,包括以下步骤:
1)采集机车行驶及车况数据、机车车外环境数据;所述机车行驶及车况数据包括历史驾驶数据与机车运行监控日志、机车在行驶过程中的指定时间间隔内的稳定的行驶速度能耗值、行驶速度、机车行驶档位、道路坡度损耗功率;所述机车车外环境数据包括指定时间间隔内的降雨阻力、道路积水阻力,风阻能耗,积雪能耗,温度能耗,指定区域能耗;
2)将所述机车行驶及车况数据作为RBF神经网络的输入,训练所述RBF神经网络,获得机车车辆行驶能耗控制预测模型;将所述机车车外环境数据作为GRU深度神经网络的输入,训练所述GRU深度神经网络,获得机车环境能耗预测模型;
3)融合所述机车车辆行驶能耗控制预测模型、机车环境能耗预测模型,得到能耗预测模型。
在充分考虑到机车运行期间的各项人机环结合的影响因素的基础上,将采集到的多种参数融合来实现高精度的最低牵引能耗智能预测及优化过程,可以有效的解决机车的节能优化问题,减少排放及污染等,提高能耗预测精度。
还包括:
4)将实时采集的机车行驶及车况数据、机车车外环境数据输入所述能耗预测模型,智能预测机车能耗。本发明的能耗预测模型为多目标机车节能优化模型,灵活性好、准确性高。
步骤2)中,所述机车车辆行驶能耗控制智能预测模型的具体训练过程包括:以所述历史驾驶数据与机车运行监控日志、机车在行驶过程中的指定时间间隔内的稳定的行驶速度能耗值、行驶速度、机车行驶档位、道路坡度损耗功率为RBF神经网络的输入,间隔时间T后的机车车辆行驶能耗为RBF神经网络的输出,利用狼群-模拟退火算法寻找所述RBF神经网络的最佳权值和阈值,该最佳权值和阈值对应的RBF神经网络即为机车车辆行驶能耗控制智能预测模型。该方法可以让整个神经网络按照最大概率来生成训练数据,同时结合优化算法的应用能有效提取数据特征并提高预测精度。
利用狼群-模拟退火算法寻找所述RBF神经网络的最佳权值和阈值的具体实现过程包括:
A1、设定第一适应度函数,并确定初始最优头狼位置和迭代次数t;初始化模拟退火算法循环迭代次数t2;依次将个体狼位置对应的参数值输入RBF神经网络,RBF神经网络对应所述参数值的输出作为初始值,利用个体狼位置确定智能机车耗能参数的权重计算结果,将计算结果和实际能耗值的均方差MSE的倒数作为第二适应度函数;利用第二适应度函数计算每个个体狼位置的适应度,以最大适应度对应的个体狼位置作为初始最优头狼位置;
A2、以个体狼的第二适应度函数相对初始值更新狼群位置参数,获得更新后的最优头狼位置;
A3、判断是否到达优化精度要求或达到最大迭代次数,若否,则令t的值加1,转至步骤A4;若是,转至步骤A7;
A4、对本次迭代中的最优头狼个体进行模拟退火操作,在得到的最优头狼位置bi邻域内随机选择新的位置bj,并计算bi与bj的适应度之差Δf=f(bi)-f(bj),计算选择概率P=exp(-Δf/Ti),Ti为当前温度;如果P>random[0,1),则将当前头狼位置由bi替换为bj,并以bj作为下次寻优的开始,否则以bi开始下一次寻优;
A5、t2的值加1,返回步骤A4;
A6、若t2<Lmax,转至步骤A5;否则,转至步骤A4;Lmax为最大退火循环次数;
A7、当达到最大搜索精度或最大迭代次数时,输出最新的头狼位置,将该最新的头狼的位置向量作为所述RBF神经网络的最佳权值和阈值;若未达到最大搜索精度或最大迭代次数,则将t的值加1,返回步骤A3。
上述过程有效地克服了神经网络学习速度慢、存在局部极小点的固有缺陷。在启发式算法迭代过程中对狼群进行位置的更新,使算法避免入局部最优,提升了算法的寻优精度和收敛速度。
步骤2)中,所述机车环境能耗智能预测模型的获取过程包括:以所述降雨阻力、道路积水阻力,风阻能耗,积雪能耗,温度能耗,指定区域能耗为GRU深度神经网络的输入,间隔时间T后的机车环境能耗为GRU深度神经网络的输出,利用蝙蝠算法寻找所述GRU深度神经网络的最佳权值和阈值,该最佳权值和阈值对应的GRU深度神经网络即为机车环境能耗智能预测模型。有效避免局部极值问题,提高了模型整体运算速度和精度。
利用蝙蝠算法寻找所述GRU深度神经网络的最佳权值和阈值的具体实现过程包括:
B1、初始化蝙蝠的频率、速度和位置,在[fmin,fmax]区间内随机生成个体蝙蝠发出的频率,在搜索空间中[vmin,vmax]和[Xmin,Xmax]区间内随机初始化蝙蝠的速度和位置;初始化蝙蝠i的脉冲速率和响度;
B2、利用下式更新蝙蝠i的速度vid(t)和位置xid(t):;
其中,vid(t)、vid(t+1)分别为第t、t+1代(即第t、t+1次迭代)蝙蝠i的第d维速度;xid(t)、xid(t+1)分别为第t、t+1代蝙蝠i的第d维位置;w为惯性权重;θ,β分别为搜索过程前期、后期搜索的切换系数,cj是加速常数,k是0到1之间的随机数,nid(t)为当前蝙蝠i第d维的中值导向加速度,aid(t)为当前蝙蝠i第d维的动力加速度,pjd(t)为第t代蝙蝠j的个体最优蝙蝠第d维位置;
B3、设第t次迭代蝙蝠i的脉冲速率为ri(t),rand是在(0,1)区间内的随机数,如果有rand>ri(t),从当前个体蝙蝠位置xid(t)中任选一个位置X1进行局部搜索,获得新解X2=X1+ρAi(t),ρ为[-1,1]区间的随机系数,Ai(t)为蝙蝠i在第t次迭代中的平均响度;
B4、根据所述新解计算目标函数的适应值,如果满足条件rand<Ai(t),则以B3中新解X2更新蝙蝠i的个体最优蝙蝠位置pi;
B5、判断是否达到最大迭代次数或者达到最大搜索精度,若否,迭代次数加1,并利用下式更新脉冲速率ri(t)和响度Ai(t):Ai(t+1)=σAi(t),ri(t+1)=ri(t)[1-exp(-h(t+1))],转到步骤B4;若是,,则输出个体最优蝙蝠位置,该个体最优蝙蝠位置即为GRU深度神经网络的最佳权值和阈值;其中,Ai(t+1)为蝙蝠i在第t+1次迭代中的响度;ri(t+1)为蝙蝠i在第t+1次迭代的脉冲速率;σ为响度衰弱因子,σ为[0,1]区间的常量;h为脉冲频度增加系数,h为大于0的常量。
上述过程结合局部最优和全局最优都达到更优的分类精度和较好的稳定性.能够有效避免局部极值,解决这类具有多个局部极小点的多模态问题.
所述能耗预测模型表达式为:
其中,为机车车辆行驶能耗控制智能预测模型输出的预测结果;/>为智能机车环境能耗预测模型输出的预测结果;w1、w2为权重系数,w1、w2通过蚁群-帝国竞争算法确定。基于蚁群-帝国竞争算法在机车负载任务转换执行时间、执行成本和提高***的负载均衡的控制中能有效提高效率,达到较好节能水平。
本发明还提供了一种机车能耗智能预测方法,其包括计算机设备;所述计算机设备被配置或编程为用于执行上述方法的步骤。
与现有技术相比,本发明所具有的有益效果为:
1、本发明在机车在普通行驶能耗以外,兼顾列车内外多种影响因素下的能耗情况,可以极大地提高能耗预测精度,为机车节能研发领域提供了更加充分的技术准备。
2、本发明在传统的列车力学分析以及列车运行状态研究以外,在实际机车运行经验的基础上,充分考虑各子***要素,提出建立机车节能优化模型。并且通过***采集的数据选择有效的节能调控策略,提出了能源综合检测措施和控制方案,进一步提高能耗智能预测精度。
3、本发明综合考虑了机车稳定的行驶速度下行驶速度能耗值、行驶速度、机车行驶档位、道路坡度损耗功率以及降雨阻力、道路积水阻力,风阻能耗,积雪能耗,温度能耗等多方面因素,并且利用各种预测模型及优化算法进行权重融合,建立有效牵引模式转换模型来进行能耗分析和预测,保证了能耗策略选择以及实时调整指令的有效性。
附图说明
图1为本发明实施例原理框图。
具体实施方式
如图1,本发明实施例主要包括以下步骤:
步骤1:机车人机环参数信号采集
本步骤包括智能机车行驶及车况数据采集和内外环境数据采集,具体内容如下:
1)智能机车行驶及车况数据采集
通过智能机车车载设备和轨旁设备等采集所述训练数据包括历史驾驶数据与机车运行监控日志、机车在行驶过程中的指定时间间隔内的稳定的行驶速度能耗值、行驶速度、机车行驶档位、道路坡度损耗功率。由车载设备可获得机车的实时行驶速度和间隔时间内行驶距离。所述道路坡度损耗功率计算是利用安装在车底的水平仪,感知到车身方向和水平方向的夹角,计算指定间隔时间内机车的道路坡道损耗功率。由机车在间隔时间内的爬坡因子对时间进行积分获得。
2)机车车外环境数据采集
通过机车车载设备和铁路监测站点等采集所述训练数据包括指定时间间隔内的降雨阻力、道路积水阻力,风阻能耗,积雪能耗,温度能耗,指定区域能耗等。
所述车身降雨阻力计算模块利用设置在机车身表面的力敏传感器采集。将每个车身表面的每个力敏传感器的测量数据的均值数据融合获得车身表面间隔时间T内的降雨阻力。所述道路积水阻力利用车载摄像头采集道路积水图像,配合轨旁红外检测仪采集积水信息结合车辆过水阻力计算积水能耗。所述风阻能耗是结合轨旁测风站及其辅助测风站实时采集风速数据,获得铁道沿线的风速样本集合,由间隔时间T内的相对风速累加获得。所述路面积雪产生的能耗是利用图像采集装置获取路面图像,通过红外图像和参考图像进行测量后得到深度图像,利用三维重建方法对重建后的三维信息进行识别与特征提取获得。所述温度能耗值由机车在间隔时间内车内温度与车外温度的差值累加获得。所述指定区域能耗是指机车在隧道或站台库内环境敏感或有特定排放要求的区域等。
步骤2:机车人机环参数信号传输及预处理
在根据机车的各种特征如编组信息、载重、车长、轻重车辆数等在整车上设置无线传输装置,用以连接车载数据采集模块,车外数据采集模块和站台数据处理中心,实现采集数据储存和不同模块的数据传输,可采用无线网络进行传输。
在机车驾驶室上设置一个中心计算机,构成数据处理模型接收来自监控范围采集的关键数据,如当前线路的坡度信息、限速信息、以及前后两端线路的坡度,以及当前位置及速度,换挡位等多个特征。分别进行数据预处理和模型训练,并实时输出模型训练结果。同时人机交互端用于接收站台数据中心发送的指令并显示于交互端口指导列车下一步运行。同时,将原始数据划分为训练集,验证集与测试集。充分训练神经网络并准确测试模型的性能,利用优化算法对多类别数据进行进一步集成处理,提高预测性能。
步骤3:机车人机环参数信息处理模型
步骤3.1:训练机车行驶能耗控制智能预测模型
训练整车行驶能耗采用RBF神经网络对历史数据进行训练。模型的输入为采集到的机车行驶及车况历史数据与当前数据。所述RBF神经网络输入层包含12个节点,输出层节点个数为1,训练过程中的最大迭代次数设置为500,训练学习率为0.2。基于RBF神经网络预测对上述输入参数各采用采用狼群-模拟退火算法(WA-SA)进行集成寻优获得的列车运行能耗值的权重过程如下:
A1:初始化狼群并设置狼群参数;狼群规模的取值范围为[10,2000],步长因子的取值范围为[1000,2000],探狼比例因子的取值范围为[4,10],最大游走次数的取值范围为[5,20],距离判定因子的取值范围为[100,500],最大奔袭次数的取值范围为[5,20],更新比例因子的取值范围为[2,20],最大迭代次数的取值范围为[200,2000],最大搜索精度的取值范围为[0.01,0.1];设定模拟退火算法的退火初始温度为100、退火速率为退火迭代次数t2=1,当前温度下最大退火循环次数为Lmax=10;
A2:设定适应度函数,并确定初始最优头狼位置和迭代次数t,t=1;依次将个体狼位置对应的参数值带入,并利用个体狼位置确定的机车耗能参数的权重计算结果,将计算结果和实际值的均方差MSE的倒数作为第二适应度函数f2(x),f2(x)=1/MSE;利用第二适应度函数计算每个个体狼位置的适应度,以最大适应度对应的个体狼位置作为初始最优头狼位置
A3:依次对所有个体狼进行游走行为、奔袭行为、围攻行为,按照个体狼的适应度函数更新狼群,获得更新后的最优头狼位置;
A4:判断是否到达优化精度要求或最大迭代次数,若没有到达,令t=t+1转至步骤A5,若到达,转至步骤A7;
A5:对本次迭代中的最优头狼个体进行模拟退火操作,在得到的最优头狼位置bi邻域内随机选择新的位置bj并计算两者适应度之差Δf=f(bi)-f(bj),计算选择概率P=exp(-Δf/Ti),Ti为当前温度;如果P>random[0,1),则将当前头狼位置由bi替换为bj,并以bj作为下次寻优的开始,否则以bi开始下一次寻优;
A6:令t2=t2+1,按照进行降温退火,若t2<Lmax,转至步骤A5,否则,转至步骤A3;
A7:当达到最大搜索精度或最大迭代次数时,输出最新的头狼对应的基于RBF神经网络的耗能预测模型的最优权重并集成预测结果,否则,令t=t+1,返回步骤A3,继续下一次迭代。
步骤3.2:训练机车环境能耗智能预测模型
采用GRU深度神经网络对历史数据进行训练。模型的输入为通过机车车载设备和铁路监测站点等采集所述训练数据如指定时间间隔内的降雨阻力、道路积水阻力,风阻能耗,积雪能耗,温度能耗等列车稳定行驶能耗值,爬坡与下坡能耗值,损耗功率以及行驶距离历史数据与当前数据。其中基于GRU深度网络的对上述输入参数的预测采用多形态作用力蝙蝠算法(MFBA)进行集成寻优获得的列车客流能耗值参数的权重过程如下:
B1:初始化蝙蝠的频率、速度和位置并设置参数,即个体蝙蝠发出的频率在[fmin,fmax]区间内随机生成,在搜索空间中[vmin,vmax]和[Xmin,Xmax]区间内随机初始化蝙蝠的速度和位置;初始化脉冲速率ri和响度Ai,计算蝙蝠的适应值,计算蝙蝠i(i=1,2,3…n)的个体最优蝙蝠和全局最优蝙蝠gbest
B2:分别计算是存放比当前蝙蝠i适应值好的个体最优蝙蝠的集合B(i)和比当前蝙蝠i适应值差的个体最优蝙蝠的集合C(i)对当前蝙蝠i的引力和斥力,利用MFBA算法的速度和位置更新公式更新蝙蝠i的速度vi(t)和位置xi(t),式中w为惯性权重,θ,β为前后期搜索的切换系数,cj是加速常数,rand是0到1之间的随机数,pjd(t)为第t代蝙蝠j的个体最优蝙蝠第d维位置
B3:产生一个随机数rand,如果rand>ri(t),从当前个体最优解集中任选一个解X1则可进行局部搜索求得一个新解X2=X1+ρA(t),ρ为[-1,1]区间的随机系数,A(t)为所有蝙蝠在t次迭代中的平均响度。
B4:根据新解计算目标函数的适应值。如果满足条件rand<Ai且F(xi)<F(pi),则接受并更新蝙蝠i的个体最优蝙蝠位置pi和全局最优蝙蝠pgbest以及脉冲速率ri(t)和响度Ai(t)。
B5:判断前期搜索是否结束,若算法前期停滞次数小于算法能接受的最大停滞次数则返回步骤B2继续前期搜索;反之,则执行步骤B6进行后期搜索,t=t+1。
B6:在后期搜索中分别计算蝙蝠的动力加速度aid(t)和中值导向加速度nid(t),并根据上式更新蝙蝠的速度和位置。
B7:判断是否达到最大迭代次数或者达到最大搜索精度,若是,则从更新后的蝙蝠个体中依据适应度值选出全局最优蝙蝠个体,输出全局最优蝙蝠个体对应的基于GRU深度网络的机车环境能耗智能预测模型的最佳权重并集成预测结果。否则,令t=t+1,转到步骤B4继续下一次迭代
步骤4:基于车辆行驶及环境能耗预测结果的机车能耗智能调整
在综合机车行驶能耗及环境能耗等方面信息之后,机车智能车载中心计算机及站台数据中心输出实时能耗信息,结合实际行驶工况如中心节能调整指令,切换动力方式,列车运行位置等因素,及时根据已有的预测结果和线路实时状态指导机车,采用到基于蚁群-帝国竞争算法(ACO-ICA)使得融合后的算法优势互补,从而有效的提高整体算法的性能。
步骤3中两种深度网络用于完成不同类型能耗序列的预测,与传统的浅层神经网络不同,深层神经网络具有更强的学习和建模能力。在机车运行过程中,主要运行阶段为加速阶段,匀速阶段,惰行阶段和制动阶段。机车智能节能控制的实现即是在运行期间基于内外参数影响带来的能耗完成转换指令,调整列车运行状态或动力方式(内燃-蓄电池)。蚁群-帝国竞争算法ACO-ICA是用以进行工况转换点的计算,最终的预测结果是通过对两种深度网络的预测结果进行综合获得的,模型集合是通过设置这些深度网络的预测结果的权重系数wi来实现的。集成以上各种能耗,确定最优能耗位置即确定各个阶段转换的位置。
智能机车节能运行策略模型的算法步骤如下:
C1:读取基本仿真数据并计算相应的参数。读取相应的线路信息,动力***信息,列车参数,天气情况,列车的重量,阻力系数和平均坡度(通过坡度等效策略计算的坡度)计算路段阻力,并将变量离散化。采用蚁群-帝国竞争算法(ACO-ICA)(见史振华.基于ACO-ICA的云计算任务的调度研究[J].科技通报,2019,35(05):138-143.)对两种优化后的神经网络的预测值权重进行训练寻优。
C2:初始化种群。随机生成多个初始种群,设置种群数目、初始种群个体数目,初始化种群完成后,将蚂蚁个体分别设置为个体最优,代入到帝国算法中,每一个帝国包含一个帝国蚂蚁和多个殖民蚂蚁,保留最终剩余的帝国的适应度取值作为最优权重系数wi。
C3:继续挑选帝国蚂蚁以划分帝国。第i个蚂蚁对应个体所需要的费用为Costi,从所有的蚂蚁个体中挑选出适应值最小的蚂蚁个体成为帝国蚂蚁,而将剩余的N个蚂蚁的个体变成殖民地蚂蚁个体,最后根据每个蚂蚁的费用来处理帝国蚂蚁个体中执行费用的大小对应殖民地蚂蚁个数,Cn是第n个***国家的适应度值的标准化值,pn是第n个***国家的适应度值。
Cn=max(Costi)-Costn
C4:帝国竞争。帝国的实力通常使用费用来作为衡定标准,主要是由帝国的执行费用与殖民地的蚂蚁个体的平均执行费用之和组成。TCn代表第n个帝国的总适应度值,ρ为[0,1]之间的参数,表示殖民地中的蚂蚁个体代价平均值在帝国中的重要程度。
TCn=Cost(empern)+ρ×mean[Cost(colonies)]
C5:帝国灭亡。经过迭代,实力弱小的帝国就逐渐失去所有的殖民蚂蚁个体,最终灭亡,算法选择最终帝国的适应度取值代表最佳节能解决方案作为优化问题的全局最优解.
C6:根据蚁群-帝国竞争算法(ACO-ICA)得出的结果集成机车车辆行驶能耗及环境能耗信息生成节能解决方案,根据C5中得到的最终帝国的适应度取值集成机车车辆行驶能耗以及环境能耗信息生成节能解决方案,下式中wi是2种深度网络的权重系数即最终帝国的适应度取值,是每个深度网络的预测结果。
将该结果反馈至机车智能车载中心计算机及站台数据中心输出实时行车状态及动力转换指令,从而有效控制机车牵引力能耗量,达到环境友好型的排放指标。而且ACO-ICA相比于传统的ICA算法,不容易过早陷入局部最优,并且针对于机车不同的实际运行环境,综合集成耗信息,在任务执行时间,执行成本等方面具有一定的优越性。
Claims (5)
1.一种机车能耗智能预测方法,其特征在于,包括以下步骤:
1)采集机车行驶及车况数据、机车车外环境数据;所述机车行驶及车况数据包括历史驾驶数据与机车运行监控日志、机车在行驶过程中的指定时间间隔内的稳定的行驶速度能耗值、行驶速度、机车行驶档位、道路坡度损耗功率;所述机车车外环境数据包括指定时间间隔内的降雨阻力、道路积水阻力,风阻能耗,积雪能耗,温度能耗,指定区域能耗;
2)将所述机车行驶及车况数据作为RBF神经网络的输入,训练所述RBF神经网络,获得机车车辆行驶能耗控制智能预测模型;将所述机车车外环境数据作为GRU深度神经网络的输入,训练所述GRU深度神经网络,获得智能机车环境能耗预测模型;
3)融合所述机车车辆行驶能耗控制智能预测模型、机车环境能耗智能预测模型,得到能耗预测模型;
4)将实时采集的机车行驶及车况数据、机车车外环境数据输入所述能耗预测模型,智能预测机车能耗;
利用狼群-模拟退火算法寻找所述RBF神经网络的最佳权值和阈值的具体实现过程包括:
A1、设定第一适应度函数,并确定初始最优头狼位置和迭代次数t;初始化模拟退火算法循环迭代次数t2;依次将个体狼位置对应的参数值输入RBF神经网络,RBF神经网络对应所述参数值的输出作为初始值,利用个体狼位置确定智能机车耗能参数的权重计算结果,将计算结果和实际能耗值的均方差MSE的倒数作为第二适应度函数;利用第二适应度函数计算每个个体狼位置的适应度,以最大适应度对应的个体狼位置作为初始最优头狼位置;
A2、以个体狼的第二适应度函数相对初始值更新狼群位置参数,获得更新后的最优头狼位置;
A3、判断是否到达优化精度要求或达到最大迭代次数,若否,则令t的值加1,转至步骤A4;若是,转至步骤A7;
A4、对本次迭代中的最优头狼个体进行模拟退火操作,在得到的最优头狼位置bi邻域内随机选择新的位置bj,并计算bi与bj的适应度之差Δf=f(bi)-f(bj),计算选择概率P=exp(-Δf/Ti),Ti为当前温度;如果P>random[0,1),则将当前头狼位置由bi替换为bj,进入步骤A5;否则,重复步骤A4;
A5、t2的值加1,返回步骤A4;
A6、若t2<Lmax,转至步骤A5;否则,转至步骤A7;其中,Lmax为最大退火迭代次数;
A7、当达到最大搜索精度或最大迭代次数时,输出最新的头狼位置向量,将该最新的头狼位置向量作为所述RBF神经网络的最佳权值和阈值;
若未达到最大搜索精度或最大迭代次数,则将t的值加1,返回步骤A3;
利用蝙蝠算法寻找所述GRU深度神经网络的最佳权值和阈值的具体实现过程包括:
B1、初始化蝙蝠的频率、速度和位置,在[fmin,fmax]区间内随机生成个体蝙蝠发出的频率,在搜索空间中[vmin,vmax]和[Xmin,Xmax]区间内随机初始化蝙蝠的速度和位置;初始化蝙蝠i的脉冲速率和响度;
B2、利用下式更新蝙蝠i的速度vid(t)和位置xid(t):
其中,vid(t)、vid(t+1)分别为第t、t+1代蝙蝠i的第d维速度;xid(t)、xid(t+1)分别为第t、t+1代蝙蝠i的第d维位置;w为惯性权重;θ,β分别为前期搜索、后期搜索的切换系数,cj是常数,k是0到1之间的随机数,nid(t)为当前蝙蝠i第d维的中值导向加速度,aid(t)为当前蝙蝠i第d维的动力加速度,pjd(t)为第t代蝙蝠j的个体最优蝙蝠第d维位置;
B3、设第t次迭代蝙蝠i的脉冲速率为ri(t),rand是在(0,1)区间内的随机数,如果有rand>ri(t),从当前个体蝙蝠位置xid(t)中任选一个位置X1进行局部搜索,获得新解X2=X1+ρAi(t),ρ为[-1,1]区间的随机系数,Ai(t)为蝙蝠i在第t次迭代中的平均响度;
B4、根据所述新解计算目标函数的适应值,如果满足条件rand<Ai(t),则以B3中新解X2更新蝙蝠i的个体最优蝙蝠位置pi;
B5、判断是否达到最大迭代次数或者达到最大搜索精度,若否,迭代次数加1,并利用下式更新脉冲速率ri(t)和响度Ai(t):Ai(t+1)=σAi(t),ri(t+1)=ri(t)[1-exp(-h(t+1))],转到步骤B4;若是,则输出个体最优蝙蝠位置,该个体最优蝙蝠位置即为GRU深度神经网络的最佳权值和阈值;其中,Ai(t+1)为蝙蝠i在第t+1次迭代中的响度;ri(t+1)为蝙蝠i在第t+1次迭代的脉冲速率;σ为响度衰弱因子,且σ为[0,1]区间的常量;h为脉冲频度增加系数,且h为大于0的常量。
2.根据权利要求1所述的机车能耗智能预测方法,其特征在于,步骤2)中,所述机车车辆行驶能耗控制智能预测模型的具体训练过程包括:以所述历史驾驶数据与机车运行监控日志、机车在行驶过程中的指定时间间隔内的稳定的行驶速度能耗值、行驶速度、机车行驶档位、道路坡度损耗功率为RBF神经网络的输入,间隔时间T后的机车车辆行驶能耗为RBF神经网络的输出,利用狼群-模拟退火算法寻找所述RBF神经网络的最佳权值和阈值,该最佳权值和阈值对应的RBF神经网络即为机车车辆行驶能耗控制智能预测模型。
3.根据权利要求1所述的机车能耗智能预测方法,其特征在于,步骤2)中,所述机车环境能耗预测模型的获取过程包括:以所述降雨阻力、道路积水阻力,风阻能耗,积雪能耗,温度能耗,指定区域能耗为GRU深度神经网络的输入,间隔时间T后的机车环境能耗为GRU深度神经网络的输出,利用蝙蝠算法寻找所述GRU深度神经网络的最佳权值和阈值,该最佳权值和阈值对应的GRU深度神经网络即为机车环境能耗智能预测模型。
4.根据权利要求1~3之一所述的机车能耗智能预测方法,其特征在于,所述能耗预测模型表达式为:
其中,为机车车辆行驶能耗控制智能预测模型输出的预测结果;/>为机车环境能耗智能预测模型输出的预测结果;w1、w2为权重系数,w1、w2通过蚁群-帝国竞争算法确定。
5.一种的机车能耗智能预测***,其特征在于,包括计算机设备;所述计算机设备被配置或编程为用于执行权利要求1~4之一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011636865.9A CN112686453B (zh) | 2020-12-31 | 2020-12-31 | 机车能耗智能预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011636865.9A CN112686453B (zh) | 2020-12-31 | 2020-12-31 | 机车能耗智能预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112686453A CN112686453A (zh) | 2021-04-20 |
CN112686453B true CN112686453B (zh) | 2023-09-01 |
Family
ID=75456592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011636865.9A Active CN112686453B (zh) | 2020-12-31 | 2020-12-31 | 机车能耗智能预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686453B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113515794B (zh) * | 2021-06-04 | 2023-04-07 | 上海中科深江电动车辆有限公司 | 影响增程器发电功率的路面阻力能耗预测评估方法、装置、处理器及其计算机可读存储介质 |
CN113361792B (zh) * | 2021-06-21 | 2022-10-21 | 吉林大学 | 一种基于多元非线性回归的城市电动公交车行程能耗估计方法 |
CN114019291B (zh) * | 2021-08-06 | 2022-08-26 | 吉林大学 | 一种表征电动汽车能耗指标的方法及*** |
CN113688517B (zh) * | 2021-08-20 | 2023-11-14 | 浙江大学 | 一种茶园诱虫板失效时间预测方法及*** |
CN115619060B (zh) * | 2022-10-26 | 2023-12-05 | 中南大学 | 一种基于离散区间工况选择的列车节能运行优化方法 |
CN116522498B (zh) * | 2023-04-28 | 2024-02-02 | 重庆大学 | 增程式电动车能耗和排放协同优化方法和增程式电动车控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777527A (zh) * | 2016-11-24 | 2017-05-31 | 上海市特种设备监督检验技术研究院 | 基于神经网络模型的起重机小车运行能耗分析方法 |
CN108510129A (zh) * | 2018-04-12 | 2018-09-07 | 中南大学 | 一种无人驾驶车辆实时电量智慧预测方法及装置 |
CN108510130A (zh) * | 2018-04-12 | 2018-09-07 | 中南大学 | 一种智能无人驾驶车辆极限里程智能多源评估方法及装置 |
CN108510737A (zh) * | 2018-04-12 | 2018-09-07 | 中南大学 | 一种融合风环境的无人驾驶车辆电源实时监控方法及装置 |
-
2020
- 2020-12-31 CN CN202011636865.9A patent/CN112686453B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777527A (zh) * | 2016-11-24 | 2017-05-31 | 上海市特种设备监督检验技术研究院 | 基于神经网络模型的起重机小车运行能耗分析方法 |
CN108510129A (zh) * | 2018-04-12 | 2018-09-07 | 中南大学 | 一种无人驾驶车辆实时电量智慧预测方法及装置 |
CN108510130A (zh) * | 2018-04-12 | 2018-09-07 | 中南大学 | 一种智能无人驾驶车辆极限里程智能多源评估方法及装置 |
CN108510737A (zh) * | 2018-04-12 | 2018-09-07 | 中南大学 | 一种融合风环境的无人驾驶车辆电源实时监控方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112686453A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112686453B (zh) | 机车能耗智能预测方法及*** | |
CN114241778B (zh) | 高速公路网联车协同匝道汇入多目标优化控制方法和*** | |
Wang et al. | Hybrid electric vehicle energy management with computer vision and deep reinforcement learning | |
CN106777752B (zh) | 一种高速列车追踪运行曲线优化设定方法 | |
Chen et al. | An intelligent path planning scheme of autonomous vehicles platoon using deep reinforcement learning on network edge | |
WO2021114742A1 (zh) | 一种混合动力电动汽车综合预测能量管理方法 | |
CN102981408B (zh) | 一种动车组运行过程建模与自适应控制方法 | |
CN103914985B (zh) | 一种混合动力客车未来车速轨迹预测方法 | |
Nie et al. | Real-time dynamic predictive cruise control for enhancing eco-driving of electric vehicles, considering traffic constraints and signal phase and timing (SPaT) information, using artificial-neural-network-based energy consumption model | |
CN112307564A (zh) | 列车ato目标运行速度曲线优化方法及装置 | |
CN110992695B (zh) | 基于冲突消解的车辆城市交叉口通行决策多目标优化方法 | |
CN107346460A (zh) | 基于智能网联***下前车运行信息的未来工况预测方法 | |
CN106710215B (zh) | 瓶颈上游车道级交通状态预测***及实现方法 | |
CN108647813B (zh) | 一种基于弹复力调整的高速列车动态间隔节能优化方法 | |
CN112734097A (zh) | 无人驾驶列车能耗预测方法、***及存储介质 | |
CN111160639B (zh) | 基于用户出行时空分布特性的电动汽车充电负荷预测方法 | |
CN107909815A (zh) | 一种基于自适应卡尔曼滤波的车辆速度预测方法 | |
CN106056238B (zh) | 列车区间运行轨迹的规划方法 | |
CN112507464A (zh) | 基于改进多目标灰狼算法的货运列车运行曲线优化方法 | |
CN114202316A (zh) | 基于深度强化学习的城市轨道交通列车时刻表优化方法 | |
CN116187161A (zh) | 一种智能网联环境下混合动力客车智能能量管理方法及*** | |
Skarka | Reducing the energy consumption of electric vehicles | |
CN109493449A (zh) | 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法 | |
CN115534929A (zh) | 基于多元信息融合的插电式混合动力汽车能量管理方法 | |
CN113821966A (zh) | 高速磁浮列车运行节能优化方法、***及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |