CN112734097B - 无人驾驶列车能耗预测方法、***及存储介质 - Google Patents
无人驾驶列车能耗预测方法、***及存储介质 Download PDFInfo
- Publication number
- CN112734097B CN112734097B CN202011639921.4A CN202011639921A CN112734097B CN 112734097 B CN112734097 B CN 112734097B CN 202011639921 A CN202011639921 A CN 202011639921A CN 112734097 B CN112734097 B CN 112734097B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- train
- value
- neural network
- wolf
- 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 188
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 29
- 239000002245 particle Substances 0.000 claims description 128
- 238000013528 artificial neural network Methods 0.000 claims description 82
- 241000282461 Canis lupus Species 0.000 claims description 74
- 238000004422 calculation algorithm Methods 0.000 claims description 60
- 241000282421 Canidae Species 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 36
- 238000005457 optimization Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010845 search algorithm Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000009194 climbing Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000002028 premature Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000003094 perturbing effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 12
- 230000002068 genetic effect Effects 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 210000000349 chromosome Anatomy 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000013524 data verification Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 241000208422 Rhododendron Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003071 parasitic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011897 real-time detection Methods 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
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种无人驾驶列车能耗预测方法、***及存储介质,在保证无人驾驶列车的运行过程中的安全性、舒适性、守时性等要求的基础上,将采集到的列车运行数据、车内及车站乘客数据、车外环境数据等多种参数融合来实现高可靠性、高精度的无人驾驶列车的最低牵引能耗预测。
Description
技术领域
本发明涉及人工智能领域,特别是一种无人驾驶列车能耗预测方法、***及存储介质。
背景技术
随着轨道交通技术的不断突破和创新,轨道车辆自动化水平逐步提高。在能源消耗问题日益严重的大背景下,在新型无人驾驶列车的应用中迫切需要发展高效节能技术以及操作技术。同时发展高效环保的轨道交通***不仅要积极应对能源危机,而且要符合未来建设绿色城市智慧城市的发展要求。如果轨道运输部门的能源消耗过高,不仅会给全国能源供应带来巨大压力,还会导致企业自身的经济利益受限,影响可持续发展。
在铁路部门,交通运输部门的能源消耗占铁路能耗的80%以上,而列车牵引功耗是轨道交通***能耗的主要方式。因此研究有效的节能列车控制方法对降低铁路能耗具有重要意义,同时促进提高停车精度和列车准时性,进而实现对列车自动控制***的持续改进。这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。
无人驾驶列车在站点之间的运行过程需要选择合适的工作条件,对于列车自身在固定轨道上的正常行驶的能耗以外,也需要考虑客流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。因此在无人驾驶列车运行期间,可以根据大数据的运行经验和线路条件灵活选择运行条件的数量。CN102360401B专利提出了一种基于遗传算法的城市轨道交通节能调度方法,CN106740998A提出了一种通过车载ATO寻找速度切换点来实现节能运行的方法,虽然通过调整停站时间或转换点来实现节能,但忽略了城市轨道交通车辆内外影响因素以及在整条线路上运行的情况。
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,提供一种无人驾驶列车能耗预测方法、***及存储介质,在保证无人驾驶列车的运行过程中的安全性、舒适性、守时性等要求的基础上,将采集到的列车运行数据、车内及车站乘客数据、车外环境数据等多种参数融合来实现高可靠性、高精度的无人驾驶列车的最低牵引能耗预测。
为解决上述技术问题,本发明所采用的技术方案是:一种无人驾驶列车能耗预测方法,包括以下步骤:
1)采集无人驾驶列车运行数据、列车车内及车站乘客数据、列车车外环境数据;所述无人驾驶列车运行数据包括列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、行驶距离、道路坡度损耗功率;所述列车车内及车站乘客数据包括乘客流量,乘坐舒适性评价指数,托运行李重量,车内上座率;所述列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;
2)将所述无人驾驶列车运行数据作为DBN深度置信神经网络的输入,训练所述DBN深度置信神经网络,获得无人驾驶列车车辆行驶能耗控制预测模型;将所述列车车内及车站乘客数据作为BILSTM深度神经网络的输入,训练所述BILSTM深度神经网络,获得无人驾驶列车客流能耗预测模型;将所述列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,获得无人驾驶列车环境能耗预测模型;
3)融合所述无人驾驶列车车辆行驶能耗控制预测模型、无人驾驶列车客流能耗预测模型和无人驾驶列车环境能耗预测模型,得到能耗预测模型;
4)将实时采集的无人驾驶列车运行数据、列车车内及车站乘客数据、列车车外环境数据输入所述能耗预测模型,预测列车能耗。
以上步骤充分考虑到无人驾驶列车运行期间的各项人机环结合的影响因素,将采集到的多种参数融合来实现高可靠性、高精度的最低牵引能耗预测及优化过程,可以有效的解决无人驾驶列车的节能优化问题。
步骤2)中,所述无人驾驶列车车辆行驶能耗控制预测模型的具体训练过程包括:以所述无人驾驶列车运行数据中的列车稳定行驶能耗值,爬坡能耗值与下坡能耗值,道路坡度损耗功率以及行驶距离为DBN深度置信神经网络的输入,间隔时间T后的车辆行驶能耗为DBN深度置信神经网络的输出,利用灰狼优化算法寻找所述DBN深度置信神经网络的最佳权值和阈值,该最佳权值和阈值对应的DBN深度置信神经网络即为无人驾驶列车车辆行驶能耗控制预测模型。
此模型主要针对无人驾驶列车车辆行驶能耗中的不同历史数据进行预测,DBN深度置信神经网络通过训练其神经元间的权重,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。
本发明利用灰狼优化算法寻找所述DBN深度置信神经网络的最佳权值和阈值的具体实现过程包括:
A1、在解空间内随机摆放狼群中每个灰狼的位置,设灰狼的种群数量为m,车辆行驶能耗原始数据集的特征数量为d,狼群的位置矩阵为一个m×d维的二进制矩阵,设其中第i个灰狼的位置记为CGi=(CGi1,CGi2,...CGid),CGi1,CGi2,...CGid为狼群中各灰狼每一维度的编码;根据灰狼个体中的位置信息对DBN深度置信神经网络的输入数据集进行处理,得到新的数据集,并计算评价每个灰狼个体的适应度值fitness,以个体灰狼经过最大迭代次数itermax次迭代得到的所处的位置作为局部最优解,所述局部最优解即DBN神经网络的权值和阈值;
A2、根据适应度值从大到小依次找到并记录alpha狼、beta狼、delta狼的位置Xα、Xβ、Xδ;
A3、扰动所述alpha狼、beta狼、delta狼的位置,并将扰动后的alpha狼、beta狼、delta狼的位置与alpha狼、beta狼、delta狼的原位置进行对比,保留更接近最优解的位置,利用后续迭代过程逐步接近最优解;
A4、对狼群中的每个灰狼个体,使用灰狼算法计算alpha狼、beta狼、delta狼的位置,利用下式得到更新后的更接近最优解的灰狼个体的位置:
其中,表示在第t+1次迭代的过程中,第i个灰狼个体的第d维的位置取值,Xα、Xβ、Xδ分别是alpha狼、beta狼、delta狼的位置,random为[0,1]之间的随机数;
A5、根据预先设定的概率值Pa对灰狼种群的位置进行随机更新计算更新后的灰狼被猎物发现的概率r,若r>Pa,则灰狼被猎物发现,更新灰狼个体的位置;根据fitness评价更新后的位置与原始位置的好坏,保留更接近最优解的位置,进入步骤A6;否则,直接进入步骤A6;
A6、判断迭代次数是否达到最大迭代次数,如果是则停止迭代,输出根据alpha狼位置和其适应度值fitness得到的全局最优值;否则,返回步骤A2,直到找到全局最优值;所述全局最优值即所述DBN深度置信神经网络的最佳权值和阈值。
有效地克服了人工神经网络学习速度慢,存在局部极小点的固有缺陷。在迭代过程中制对种群进行位置的更新,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,无人驾驶列车客流能耗预测模型的获取过程包括:以所述列车车内及车站乘客数据中的乘客流量,乘坐舒适性评价指数,托运行李重量,车内上座率为BILSTM深度神经网络的输入,间隔时间T后的客流能耗值为BILSTM深度神经网络的输出,利用量子粒子群算法寻找所述BILSTM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BILSTM深度神经网络即为无人驾驶列车客流能耗预测模型。
此模型主要针对无人驾驶列车车辆客流能耗中的不同历史数据进行预测,BILSTM深度神经网络相对于单向LSTM神经网络更通过可以更好的捕捉双向传递的信息,这样增强了对客流数据特征提取的有效性,同时结合优化算法的应用进一步提高预测精度。
利用量子粒子群算法寻找所述BILSTM深度神经网络的最佳权值和阈值的具体实现过程包括:
B1、以量子粒子群中每个量子粒子个体的位置向量作为所述BILSTM深度神经网络的权值和阈值,将量子粒子种群个体的位置向量参数初始化为[-1,1]的随机数;初始化量子粒子群算法的输入参数;
B2、设定适应度函数,确定初始最优量子粒子个***置向量和迭代次数;将量子粒子个***置向量对应的权值和阈值代入基于BILSTM深度网络的无人驾驶列车客流能耗预测模型中,并利用量子粒子个***置向量确定的基于BILSTM深度网络的无人驾驶列车客流能耗预测模型确定识别向量标签的种类,,利用量子粒子个***置确定列车车内及车站乘客数据中的乘客流量、乘坐舒适性评价指数、托运行李重量、车内上座率的权重计算结果;
B3、若量子粒子群群体适应度方差小于早熟收敛判断阈值,则对量子粒子群中适应度最差粒子和群体极值粒子进行变异,并以当前适应度最好的粒子作为全局最优量子粒子个体,即种群的极值;
B4、当迭代次数大于精英种群迭代次数时,则通过种群间的信息共享,提取各种群的极值组建精英种群,转入步骤B6,否则转入步骤B6;
B5、各粒子群粒子通过对比个体极值和全局极值来更新位置参数,即重新计算并比较每个粒子的适应度值,如果适应度值优于当前的个体极值,则更新个体极值;比较全局极值粒子,如果存在粒子适应度值优于当前的群体极值,则更新全局极值粒子,迭代次数加1,转入步骤B3;所述全局极值粒子为包括精英种群在内的所有粒子个体中进化得到的极值;
B6、精英种群按B3-B5步骤继续迭代进化,判断是否满足最大迭代次数,若满足则结束,否则,将迭代次数加1,转入步骤B3,直到找到全局最优值,所述全局最优值即BILSTM深度神经网络的最佳权值和阈值。
量子粒子群算法是粒子群算法的改进算法,有效的解决了粒子群算法全局收敛性能不足的问题,使得例子可以在整个可行解的空间中搜索,从而寻找全局最优解,提升了算法的全局收敛性和搜索能力。
步骤2)中,所述无人驾驶列车环境能耗预测模型的获取过程包括:以所述列车车外环境数据中的无人驾驶列车运行期间降雨阻力能耗、道路积水阻力能耗,风阻能耗,积水能耗数据为GRU深度神经网络的输入,间隔时间T后的列车环境能耗值为GRU深度神经网络的输出,利用混合粒子群算法和万有引力搜索算法寻找所述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深度神经网络即为无人驾驶列车客流能耗预测模型。
GRU算法相比于LSTM更容易进行训练而且提高了运算速度,在大量无人驾驶列车环境数据的处理中能够快速达到训练要求同时保留各种重要数据特征,输出预测结果便于进行优化训练。
步骤3)中,能耗预测模型的表达式为:/>其中,/>分别为无人驾驶列车车辆行驶能耗控制预测模型的预测结果、无人驾驶列车客流能耗预测模型的预测结果、无人驾驶列车环境能耗预测模型的预测结果;w1、w2、w3为权重系数。融合后的模型可以进一步提高预测精度。
利用混合粒子群算法和万有引力搜索算法寻找所述GRU深度神经网络的最佳权值和阈值的具体实现过程包括:
C1、初始化PSOGSA引力搜索算法与粒子群算法的输入参数;
C2、将粒子个体的位置向量作为所述GRU深度神经网络的权值和阈值,将每个粒子的个体极值设置为当前位置,将预测值和实际值的均方差MSE的倒数作为适应度函数,利用适应度函数计算每个粒子的适应度值,取适应度值最高的粒子对应的个体极值作为最初的全局极值;依次将粒子个***置向量对应的参数值代入基于GRU深度网络的无人驾驶列车环境能耗预测模型中,并利用量子粒子个***置确定的列车降雨阻力能耗、道路积水阻力能耗,风阻能耗,积水能耗的权重计算结果,并由此计算得出环境能耗之和;
C3、按照C2设定的适应度函数,即预测值和实际值的均方差MSE的倒数,计算每次迭代后每个粒子的适应度值;
C4、比较单个粒子的适应度值与其个体极值的适应度值,如果单个粒子的适应度值更优,则更新个体极值,否则保留原值;
C5、更新引力系数和粒子的惯性质量,基于每个粒子的适应度值计算速度和加速度来更新每个粒子位置;
C6、利用GSA优化算法计算出粒子位置和适应度的全局最优值;
C7、判断是否满足终止条件,若满足则退出,否则,转入步骤C3,直到找到全局最优值,所述全局最优值即所述GRU深度神经网络的最佳权值和阈值。
混合粒子群算法和万有引力搜索算法是粒子群算法的改进算法,利用万有引力搜索算法的全局寻优能力和粒子群算法能够为粒子增加记忆性和社会信息交换能力的特点提高了混合算法的寻优能力,同时也有效克服了算法停滞的缺点。
本发明还提供了一种无人驾驶列车能耗预测***,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本发明所述方法的步骤。
本发明还提供了一种计算机存储介质,其存储有程序;所述程序被配置或编程为用于执行本发明所述方法的步骤。
与现有技术相比,本发明所具有的有益效果为:
1、本发明在无人驾驶车辆在普通行驶能耗以外,兼顾列车内外多种复杂环境下的能耗情况,实现了无人驾驶列车影响参数综合计算和预测,将列车实时检测数据与乘客数据以及外部环境影响有机结合,为无人驾驶车辆节能研发领域提供了更加完备的考虑因素。
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,进行人机环融合建设,在实际的列车运行经验的基础上,充分考虑各子***要素,提出了人、机、环匹配条件和标准建立了多目标无人驾驶列车节能优化模型。同时通过收集的数据选择不同的节能调控策略,提出了综合检测措施和控制方案。在基于人员,车辆和环境参数的基础上采用节能优化模式运行无人驾驶列车,可以节省列车的运行成本,以最大程度地提高无人驾驶列车的便利性和节能效益。
3、本发明综合考虑了无人驾驶列车稳定的行驶速度下速度能耗值,行驶距离,道路坡度损耗功率,车内载重及舒适性耗能以及积雪积水风力等多方面因素,并且利用各种预测模型及优化算法进行加权融合,建立基于参数的牵引能耗模型来进行能耗分析和预测,保证了能耗策略选择以及能耗实时调整指令的有效性。实现了无人驾驶列车能耗多目标优化的配置和无人驾驶列车行驶路线的最低能耗,进而整个城市轨道交通网络的能耗可以减少。
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:无人驾驶列车人机环参数信号采集
本步骤包括列车运行数据采集、车内及车站乘客数据采集和内外环境数据采集,具体内容如下:
1)无人驾驶列车运行数据采集
通过无人驾驶列车车载设备和轨旁设备等采集所述训练数据包括无人驾驶列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、行驶距离、道路坡度损耗功率。
无人驾驶列车的实时行驶速度和间隔时间T内行驶距离可由车载设备获得。道路坡度损耗功率计算是利用安装在车底的水平仪收集的车身偏移角度信息结合车辆行驶速度计算得出。由无人驾驶列车在间隔时间T内的爬坡因子对时间进行积分获得。
2)无人驾驶列车车内及车站乘客数据采集
通过无人驾驶列车车载设备和车站固定设备等采集所述训练数据包括乘客流量,乘坐舒适性评价指数,托运行李重量,车内上座率等。舒适性评价由温度传感器测得温度数据及列车通风量融合计算得出,其余由载重传感器得出列车载重数据。
3)无人驾驶列车车外环境数据采集
通过无人驾驶列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,温度能耗等。
车身降雨阻力计算模块利用设置在无人驾驶列车身表面的力敏传感器采集的数据融合获得车身表面间隔时间T内的降雨阻力。
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节合车辆穿水阻力计算积水能耗。
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。
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三角测量得到深度图像,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。
温度能耗值由无人驾驶车辆在间隔时间T内车内温度与车外温度的差值累加获得;
步骤2:无人驾驶列车人机环参数信号传输及预处理
在无人驾驶列车每个车厢设置无线传输装置,用来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。
在每列无人驾驶列车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,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。
同时通过剔除错误信息、补充缺失值、设计标签等方法预处理原始数据。保证原始数据的有效性与多样性。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:无人驾驶列车人机环参数信息处理模型
步骤3.1:训练无人驾驶列车车辆行驶能耗控制预测模型
训练无人驾驶列车能耗采用DBN深度置信神经网络对历史数据进行训练。模型的输入为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。采集无人驾驶列车车辆行驶能耗时间序列各2000条,将获取的数据划分为训练集,验证集和测试集。基于DBN深度置信神经网络预测对上述输入参数各采用融合杜鹃搜索的灰狼优化(CS-GWO)算法进行集成寻优获得的无人驾驶列车运行能耗值的权重过程如下:
A1:获取无人驾驶列车车辆行驶能耗历史数据
能耗历史数据包括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。加载无人驾驶列车行驶数据集,对训练数据预清洗。
A2:以历史行驶数据验证集中的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作为输入数据,间隔时间T后的能耗作为输出数据,所述基于DBN神经网络的无人驾驶车辆能耗预测模型中DBN神经网络的权值和阈值采用融合杜鹃搜索的灰狼优化(CS-GWO)算法进行训练寻优。
设定算法最大迭代次数m,设定灰狼种群规模size,设置狼群被发现的概率Pa;设置数据集的维度n。
A3:在解空间内随机摆放狼群中每个灰狼的位置,设灰狼的种群数量为m,车辆行驶能耗原始数据集的特征数量为d,狼群的位置矩阵为一个m×d维的二进制矩阵,设其中第i个灰狼的位置记为CGi=(CGi1,CGi2,...CGid),CGi1,CGi2,...CGid为狼群中各灰狼每一维度的编码;根据灰狼个体中的位置信息对DBN深度置信神经网络的输入数据集进行处理,得到新的数据集,并计算评价每个灰狼个体的适应度值fitness,以个体灰狼经过最大迭代次数itermax次迭代得到的所处的位置作为局部最优解,所述局部最优解即DBN神经网络的权值和阈值;
A4:根据适应度值从大到小依次找到并记录alpha狼、beta狼、delta狼的位置Xα、Xβ、Xδ。
A5:通过下式对步骤4中alpha狼、beta狼、delta狼的位置进行扰动,此时灰狼的取值为十进制数
其中,xi(t+1)为第i个鸟巢更新后的位置,α为控制步长的变量,L(λ)为代表莱维分布随机数,如下式
L*u=t-λ,1<i≤n
再使用以下公示将其映射为二进制得到更新后的灰狼位置。将扰动后的位置与原始位置进行对比,保留更逼近猎物的位置。
式中,表示对于第i个寄生巢的第d维分量在算法进行到第i代的取值,random为[0,1]之间的随机数;通过映射将寄生巢的下一代取值转化为0或1,实现十进制数到二进制取值的转换
A6:对狼群中的每个灰狼个体,使用GWO算法更新公式计算alpha狼、beta狼、delta狼的位置Xα、Xβ、Xδ,此时它们的取值为十进制数,使用下式得到更新后灰狼的位置。
表示在第t+1次迭代的过程中,第i个灰狼个体的第d维的取值,random为[0,1]之间的随机数,通过转换将灰狼的个体取值映射到[0,1]中,以此来表示他们取0或1的概率,得到灰狼个体每一维更新后的二进制值。
A7:计算更新后的灰狼被猎物发现的概率Pa,若r>Pa,则灰狼被猎物发现,更新灰狼个体的位置。根据fitness评价更新后的位置与原始位置的好坏,保留更接近猎物最优解较好的位置。否则,直接进入下一步。
A8:更新记录alpha狼、beta狼、delta狼的位置。判断算法迭代次数是否达到最大迭代次数max如果是则算法停止迭代,输出根据alpha狼位置和其适应度值fitness得到的全局最优值;否则,再次执行A5,直到找到全局最优值,输出所述DBN神经网络的最佳权值和阈值。
A9:将无人驾驶历史行驶数据训练集的数据输入到上述DBN神经网络中进行训练,输出预测结果并用测试集对模型性能行进评估。
步骤3.2:训练无人驾驶列车客流能耗预测模型
采用BILSTM深度神经网络对无人驾驶列车客流历史数据进行训练,BILSTM是双向长短期存储器的缩写,在结构上由前向LSTM和后向LSTM组成。BILSTM可以连接两个具有不同方向的隐藏层以进行输出,这意味着它同时包含正向和反向数据。输出层可以通过结构获取输入数据中的过去和将来的信息。BILSTM深度神经网络能够有效分析具有长期和短期依赖性的时间序列数据。
通过无人驾驶列车车载设备和车站固定设备等采集所述训练数据包括乘客流量,乘坐舒适性评价指数,托运行李重量,车内上座率。采集无人驾驶列车客流能耗时间序列2000条,将获取的数据划分为训练集,验证集和测试集。基于BILSTM深度神经网络对上述输入参数的预测各采用量子粒子群算法进行集成寻优的过程如下:
B1:获取无人驾驶列车客流能耗历史数据
加载无人驾驶列车客流能耗数据集,对训练数据预清洗。以历史客流能耗数据验证集中的乘客流量,乘坐舒适性评价指数,托运行李重量,车内上座率作为输入数据,间隔时间T后的能耗作为输出数据所述基于BILSTM神经网络的无人驾驶车辆客流能耗预测模型中BILSTM神经网络的权值和阈值采用量子粒子群算法进行训练寻优。
B2:以量子粒子群中每个量子粒子个体的位置向量作为所述BILSTM神经网络的权值和阈值,将量子粒子种群个体的位置向量参数初始化为[-1,1]的随机数;量子粒子群种群的个数的取值范围为[10,100],量子粒子群的粒子个数的取值范围为[3,60],最大迭代次数的取值范围为[200,1200],组建精英种群的迭代次数的取值范围为[20,200],早熟收敛判断阈值的取值范围为[0.02,0.5],种群最差粒子变异比例的取值范围为[1%,5%];
B3:设定适应度函数,确定初始最优量子粒子个***置向量和迭代次数t,t=1依次将量子粒子个***置向量对应的参数值带入,并利用量子粒子个***置确定的各列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;
B4:计算每个量子粒子群的群体适应度方差,进行早熟收敛判断;
若量子粒子群群体适应度方差小于早熟收敛判断阈值γ,则对量子粒子群中δ%的适应度最差粒子和群体极值粒子进行变异,并以当前适应度最好的粒子作为全局最优量子粒子个体;
B5:判断是否组建精英种群;当迭代次数大于精英种群迭代次数时,则通过种群间的信息共享,提取各种群的极值组建精英种群,转入步骤B9,否则转入步骤B6;
B6:更新各种群粒子参数;
B7:重新计算并比较每个粒子的适应度值,如果优于当前的个体极值,则更新个体极值;比较全局极值粒子,如果存在粒子适应度值优于当前的群体极值,则更新全局极值粒子,令t=t+1,转入步骤B4;
B8:精英种群继续进化;
B9:判断是否满足最大迭代次数,若满足则退出,否则,令t=t+1,转入步骤B4,直到找到全局最优值,输出对应的BILSTM深度网络的客流能耗预测模型的最佳权值和阈值。
B10:将无人驾驶客流能耗数据训练集的数据输入到上述BILSTM神经网络中进行训练,输出预测结果并用测试集对模型性能行进评估。
步骤3.3:训练无人驾驶列车环境能耗预测模型
采用基于GRU深度神经网络的自然环境导致的耗能预测,模型的输入为无人驾驶列车运行期间降雨阻力能耗、道路积水阻力能耗,风阻能耗,积水能耗数据。采集无人驾驶列车环境能耗时间序列2000条,将获取的数据划分为训练集,验证集和测试集。模型的各参数预测结果的权重采用混合粒子群算法和万有引力搜索算法(PSOGSA)进行优化选择获得的过程如下:
C1:获取无人驾驶列车环境能耗历史数据
加载无人驾驶列车客流能耗数据集,对训练数据预清洗。以所述历史客流能耗数据验证集中的降雨阻力能耗、道路积水阻力能耗,风阻能耗,积水能耗作为输入数据,间隔时间T后的能耗作为输出数据所述基于GRU神经网络的无人驾驶车辆环境能耗预测模型中GRU神经网络的权值和阈值采用采用混合粒子群算法和万有引力搜索算法进行训练寻优。
C2:初始化PSOGSA粒子群算法的输入参数,种群规模设置为N=50,最大迭代次数设置为T=1000,函数维度设置为d=30,惯性权重设置为w=0.9,加速因子为c1=0.5,c2=1.5;PSOGSA的计算公式如下所示:
Vi(t+1)=w×Vi(t)+d1×rand×aci(t)+d2×rand×(gbest-Xi(t))
Xi(t+1)=Xi(t)+Vi(t+1)
上式中,Vi表示速度,Xi(t)是第i个粒子的当前位置,t是迭代次数,惯性权重是权重,d1和d2是加速度系数,rand是[0,1]之间的随机变量,aci(t)是第i个粒子在t次迭代中的加速度,gbest是当前最佳解决方案,Vi是第i个粒子的速度.
C3:计算适应度值,将粒子个体的位置向量作为所述GRU神经网络的权值和阈值,将每个粒子的个体极值设置为当前位置,利用适应度函数计算每个粒子的适应度值,取适应度好的粒子对应的个体极值作为最初的全局极值。依次将粒子个***置向量对应的参数值带入,并利用量子粒子个***置确定的各列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作为适应度函数
C4:按照粒子的适应度函数计算每次迭代后每个粒子的适应度值;
C5:将每个粒子的适应度值与其个体极值的适应度值作比较,如果更优的话,则更新个体极值,否则保留原值;
C6:更新引力系数和粒子的惯性质量,计算速度和加速度来更新粒子位置
C7:利用算出粒子位置和适应度的全局最优值
C8:判断是否满足终止条件,若满足则退出,否则,转入步骤C4,直到找到全局最优值,输出对应的GRU深度网络的环境能耗预测模型的最优最佳权值和阈值。
C9:将无人驾驶环境能耗数据训练集的数据输入到上述GRU神经网络中进行训练,输出预测结果并用测试集对模型性能行进评估。
步骤4:无人驾驶列车能耗调整
在得出无人驾驶列车车辆行驶能耗、客流能耗以及环境能耗等方面信息之后,无人驾驶列车车载中心计算机及站台数据中心输出实时能耗信息,综合比较列车无人驾驶中定义影响专家策略的行驶工况如中心节能调整指令,中心发车间隔,水平线路条件,垂直线路条件,车辆制动方式,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列车下一步运行,采用基于多种群遗传算法MPGA超出仅靠单个群体进行遗传进化的框架,引入多个种群同时进行优化搜索。
步骤3中三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。多种群遗传算法用于整合三种深度网络的预测结果。最终的预测结果是通过对三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来实现的。此外,多种深度学习方法的集成可以有效地提高模型的适应性和鲁棒性。
在无人驾驶列车运行过程中,主要运行阶段为加速阶段,巡航阶段,惰行阶段和制动阶段。无人驾驶列车节能控制的实现即是在列车运行期间基于实时人机环参数影响带来的无人驾驶列车车辆行驶能耗、客流能耗以及环境能耗完成转换指令,调整列车运行状态。多种群遗传算法MPGA是用以进行工况转换点的计算,集成以上各种能耗预测值,来反馈中心以确定最优能耗位置即确定各个阶段转换的位置。
求解无人驾驶列车节能运行策略模型的算法步骤如下:
D1:读取基本仿真数据并计算相应的参数。读取相应的无人驾驶列车车辆行驶能耗、客流能耗以及环境能耗预测值。采用多种群遗传算法MPGA(吕卉,周聪,邹娟,郑金华.基于多种群进化的遗传算法[J].计算机工程与应用,2010,46(28):57-60.)对三种优化后的神经网络的预测值权重进行训练寻优。
D2:随机生成多个初始种群,设置种群数目、初始种群个体数目、个体长度,初始种群P(t)生成,以精华种群中染色体所代表的位置为最优权重系数。根据已有信息展开划分为各个种群:
P(t)={P1(t),P2(t),P3(t)} (1)
D3:控制参数的确定。根据无人驾驶列车的不同运行条件离散初始种群中的个体,取不同的控制参数来保证各种群的差异进化。主要控制参数为交叉概率Pc和变异概率Pb,其值维持了算法全局搜索和局部搜索的均衡,计算公式如下
Pco,Pbo分别为初始交叉概率和变异概率;G为种群数目;c,b为交叉、变异操作的区间长度;frand为产生随机数的函数。Pc一般在[0.7,0.9]区间内随机产生,Pb一般在[0.001,0.05]区间内随机产生,以多种群遗传算法中最佳染色体作为人机环能耗集成权重。
D4:对各个种群采用遗传算法进行优化,将染色体在各个种群之间转移,并从优化后的种群中分别择优选取最佳染色体,加入到精英种群中,使精英种群包含的不仅是局部最优解,而且是全局最优解。
D5:根据精英保留策略选择精英个体,并产生新的种群。MPGA依据精华种群来决定算法终止并提取全局最优解。将优化后的结果与优化前的结果进行比较,并选择最佳权重系数作为优化问题的全局最优解。
D6:根据多种群遗传算法MPGA得出的结果集成无人驾驶列车车辆行驶能耗、客流能耗以及环境能耗信息生成节能解决方案,下式中wi是三种深度网络的权重系数,是每个深度网络的预测结果。
将运算结果反馈至无人驾驶列车车载中心计算机及站台数据中心输出实时行车状态转换指令,从而有效控制无人驾驶列车牵引力能耗值。MPGA相比于传统的遗传算法,不容易陷入局部最优,并且针对于无人驾驶列车不同的实际运行环境,综合集成无人驾驶列车车辆行驶能耗、客流能耗以及环境能耗信息,不仅实现各个数据特征最优解的自适应调整,而且也实现了相关性的特征的整体寻优,增强最优解的可靠性。
Claims (6)
1.一种无人驾驶列车能耗预测方法,其特征在于,包括以下步骤:
1)采集无人驾驶列车运行数据、列车车内及车站乘客数据、列车车外环境数据;所述无人驾驶列车运行数据包括列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、行驶距离、道路坡度损耗功率;所述列车车内及车站乘客数据包括乘客流量,乘坐舒适性评价指数,托运行李重量,车内上座率;所述列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;
2)将所述无人驾驶列车运行数据作为DBN深度置信神经网络的输入,训练所述DBN深度置信神经网络,获得无人驾驶列车车辆行驶能耗控制预测模型;将所述列车车内及车站乘客数据作为BILSTM深度神经网络的输入,训练所述BILSTM深度神经网络,获得无人驾驶列车客流能耗预测模型;将所述列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,获得无人驾驶列车环境能耗预测模型;
3)融合所述无人驾驶列车车辆行驶能耗控制预测模型、无人驾驶列车客流能耗预测模型和无人驾驶列车环境能耗预测模型,得到能耗预测模型;
优选地,还包括:
4)将实时采集的无人驾驶列车运行数据、列车车内及车站乘客数据、列车车外环境数据输入所述能耗预测模型,预测列车能耗;
步骤2)中,所述无人驾驶列车车辆行驶能耗控制预测模型的具体训练过程包括:以所述无人驾驶列车运行数据中的列车稳定行驶能耗值,爬坡能耗值与下坡能耗值,道路坡度损耗功率以及行驶距离为DBN深度置信神经网络的输入,间隔时间T后的车辆行驶能耗为DBN深度置信神经网络的输出,利用灰狼优化算法寻找所述DBN深度置信神经网络的最佳权值和阈值,该最佳权值和阈值对应的DBN深度置信神经网络即为无人驾驶列车车辆行驶能耗控制预测模型;
利用灰狼优化算法寻找所述DBN深度置信神经网络的最佳权值和阈值的具体实现过程包括:
A1、在解空间内随机摆放狼群中每个灰狼的位置,设灰狼的种群数量为m,车辆行驶能耗原始数据集的特征数量为d,狼群的位置矩阵为一个m×d维的二进制矩阵,设其中第i个灰狼的位置为CGi=(CGi1,CGi2,...CGid),CGi1,CGi2,...CGid为狼群中各灰狼每一维度的编码;根据灰狼个体中的位置信息对DBN深度置信神经网络的输入数据集进行处理,得到新的数据集,并计算评价每个灰狼个体的适应度值fitness,以个体灰狼经过最大迭代次数itermax次迭代得到的所处的位置作为局部最优解,所述局部最优解即DBN神经网络的权值和阈值;
A2、根据适应度值从大到小依次找到并记录alpha狼、beta狼、delta狼的位置Xα、Xβ、Xδ;
A3、扰动所述alpha狼、beta狼、delta狼的位置,并将扰动后的alpha狼、beta狼、delta狼的位置与alpha狼、beta狼、delta狼的原位置进行对比,保留更接近最优解的位置;
A4、对狼群中的每个灰狼个体,使用灰狼算法计算alpha狼、beta狼、delta狼的位置,利用下式得到更新后的更接近最优解的灰狼个体的位置:
其中,表示在第t+1次迭代的过程中,第i个灰狼个体的第d维的位置取值,Xα、Xβ、Xδ分别是alpha狼、beta狼、delta狼的位置,random为[0,1]之间的随机数;
A5、根据预先设定的概率值Pa对灰狼种群的位置进行随机更新计算更新后的灰狼被猎物发现的概率r,若r>Pa,则灰狼被猎物发现,更新灰狼个体的位置;根据fitness评价更新后的位置与原始位置的好坏,保留更接近最优解的位置;否则,直接进入步骤A6;
A6、判断迭代次数是否达到最大迭代次数,如果是则停止迭代,输出根据alpha狼位置和其适应度值fitness得到的全局最优值;否则,返回步骤A2,直到找到全局最优值;所述全局最优值即所述DBN深度置信神经网络的最佳权值和阈值;
步骤2)中,所述无人驾驶列车环境能耗预测模型的获取过程包括:以所述列车车外环境数据中的无人驾驶列车运行期间降雨阻力能耗、道路积水阻力能耗,风阻能耗,积水能耗数据为GRU深度神经网络的输入,间隔时间T后的列车环境能耗值为GRU深度神经网络的输出,利用混合粒子群算法和万有引力搜索算法寻找所述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深度神经网络即为无人驾驶列车客流能耗预测模型;
利用混合粒子群算法和万有引力搜索算法寻找所述GRU深度神经网络的最佳权值和阈值的具体实现过程包括:
C1、初始化PSOGSA引力搜索算法与粒子群算法的输入参数;
C2、将粒子个体的位置向量作为所述GRU深度神经网络的权值和阈值,将每个粒子的个体极值设置为当前位置,将预测值和实际值的均方差MSE的倒数作为适应度函数,利用适应度函数计算每个粒子的适应度值,取适应度值最高的粒子对应的个体极值作为最初的全局极值;依次将粒子个***置向量对应的参数值代入基于GRU深度网络的无人驾驶列车环境能耗预测模型中进行迭代;
C3、按照C2设定的适应度函数,计算每次迭代后每个粒子的适应度值;
C4、比较单个粒子的适应度值与其个体极值的适应度值,如果单个粒子的适应度值更优,则更新个体极值,否则保留原值;
C5、更新引力系数和粒子的惯性质量,基于每个粒子的适应度值计算速度和加速度来更新每个粒子位置;
C6、利用GSA优化算法计算出粒子位置和适应度的全局最优值;
C7、判断是否满足终止条件,若满足则退出,否则,转入步骤C3,直到找到全局最优值,所述全局最优值即所述GRU深度神经网络的最佳权值和阈值。
2.根据权利要求1所述的无人驾驶列车能耗预测方法,其特征在于,步骤2)中,无人驾驶列车客流能耗预测模型的获取过程包括:以所述列车车内及车站乘客数据中的乘客流量,乘坐舒适性评价指数,托运行李重量,车内上座率为BILSTM深度神经网络的输入,间隔时间T后的客流能耗值为BILSTM深度神经网络的输出,利用量子粒子群算法寻找所述BILSTM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BILSTM深度神经网络即为无人驾驶列车客流能耗预测模型。
3.根据权利要求2所述的无人驾驶列车能耗预测方法,其特征在于,利用量子粒子群算法寻找所述BILSTM深度神经网络的最佳权值和阈值的具体实现过程包括:
B1、以量子粒子群中每个量子粒子个体的位置向量作为所述BILSTM深度神经网络的权值和阈值,将量子粒子种群个体的位置向量参数初始化为[-1,1]的随机数;初始化量子粒子群算法的输入参数;
B2、设定适应度函数,将预测值和实际值的均方差MSE的倒数作为适应度函数,确定初始最优量子粒子个***置向量和迭代次数;将量子粒子个***置向量对应的权值和阈值代入基于BILSTM深度网络的无人驾驶列车客流能耗预测模型中,并利用量子粒子个***置向量确定的基于BILSTM深度网络的无人驾驶列车客流能耗预测模型确定识别向量标签的种类,利用量子粒子个***置确定列车车内及车站乘客数据中的乘客流量、乘坐舒适性评价指数、托运行李重量、车内上座率的权重计算结果并由此计算得出客流能耗之和;
B3、若量子粒子群群体适应度方差小于早熟收敛判断阈值,则对量子粒子群中的适应度最差粒子和群体极值粒子进行变异,并以当前适应度最好的粒子作为全局最优量子粒子个体,即种群的极值;
B4、当迭代次数大于精英种群迭代次数时,则通过种群间的信息共享,提取各种群的极值组建精英种群,转入步骤B6,否则转入步骤B6;
B5、各粒子群粒子通过对比个体极值和全局极值来更新位置参数,即重新计算并比较每个粒子的适应度值,如果适应度值优于当前的个体极值,则更新个体极值;比较全局极值粒子,如果存在粒子适应度值优于当前的群体极值,则更新全局极值粒子,迭代次数加1,转入步骤B3;所述全局极值粒子为包括精英种群在内的所有粒子个体中进化得到的极值;
B6、重复步骤B3~B5,判断是否满足最大迭代次数,若满足则结束,否则,将迭代次数加1,转入步骤B3,直到找到全局最优值,所述全局最优值即BILSTM深度神经网络的最佳权值和阈值。
4.根据权利要求1~3之一所述的无人驾驶列车能耗预测方法,其特征在于,步骤3)中,能耗预测模型的表达式为:
其中,/>分别为无人驾驶列车车辆行驶能耗控制预测模型的预测结果、无人驾驶列车客流能耗预测模型的预测结果、无人驾驶列车环境能耗预测模型的预测结果;w1、w2、w3为权重系数。
5.一种无人驾驶列车能耗预测***,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1~3之一所述方法的步骤。
6.一种计算机存储介质,其特征在于,其存储有程序;所述程序被配置或编程为用于执行权利要求1~3之一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011639921.4A CN112734097B (zh) | 2020-12-31 | 2020-12-31 | 无人驾驶列车能耗预测方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011639921.4A CN112734097B (zh) | 2020-12-31 | 2020-12-31 | 无人驾驶列车能耗预测方法、***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734097A CN112734097A (zh) | 2021-04-30 |
CN112734097B true CN112734097B (zh) | 2023-09-05 |
Family
ID=75608917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011639921.4A Active CN112734097B (zh) | 2020-12-31 | 2020-12-31 | 无人驾驶列车能耗预测方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734097B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113822473B (zh) * | 2021-09-03 | 2023-12-26 | 浙江中控信息产业股份有限公司 | 一种基于多维数据的牵引力能耗合理区间预测方法 |
CN113687242A (zh) * | 2021-09-29 | 2021-11-23 | 温州大学 | 基于ga算法优化改进gru神经网络的锂离子电池soh估计方法 |
CN113997915B (zh) * | 2021-11-26 | 2022-06-24 | 北京大象科技有限公司 | 基于大数据的列车自动驾驶ato精确停车控制方法 |
CN114545280B (zh) * | 2022-02-24 | 2022-11-15 | 苏州市职业大学 | 一种基于寻优算法的新能源汽车锂电池寿命预测方法 |
CN117195484B (zh) * | 2023-08-08 | 2024-05-03 | 广东贝能达交通设备有限公司 | 一种轨道交通管理方法及*** |
CN117408720B (zh) * | 2023-11-14 | 2024-05-07 | 武汉亿量科技有限公司 | 一种电销外呼被投诉标记预防方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108572648A (zh) * | 2018-04-24 | 2018-09-25 | 中南大学 | 一种无人驾驶车辆电源多源融合预测方法及*** |
CN108846571A (zh) * | 2018-06-08 | 2018-11-20 | 福州大学 | 一种网联化电动汽车宏观能量消耗估计方法 |
CN110852498A (zh) * | 2019-10-31 | 2020-02-28 | 西安交通大学 | 一种基于gru神经网络预测数据中心能耗效率值pue的方法 |
CN111356620A (zh) * | 2017-08-24 | 2020-06-30 | 图森有限公司 | 用于自主车辆控制以最小化能量成本的***和方法 |
-
2020
- 2020-12-31 CN CN202011639921.4A patent/CN112734097B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111356620A (zh) * | 2017-08-24 | 2020-06-30 | 图森有限公司 | 用于自主车辆控制以最小化能量成本的***和方法 |
CN108572648A (zh) * | 2018-04-24 | 2018-09-25 | 中南大学 | 一种无人驾驶车辆电源多源融合预测方法及*** |
CN108846571A (zh) * | 2018-06-08 | 2018-11-20 | 福州大学 | 一种网联化电动汽车宏观能量消耗估计方法 |
CN110852498A (zh) * | 2019-10-31 | 2020-02-28 | 西安交通大学 | 一种基于gru神经网络预测数据中心能耗效率值pue的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112734097A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112734097B (zh) | 无人驾驶列车能耗预测方法、***及存储介质 | |
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 | |
CN113222387B (zh) | 面向氢燃料车辆的多目标调度与协同优化方法 | |
CN112686453B (zh) | 机车能耗智能预测方法及*** | |
Guo et al. | A novel energy consumption prediction model with combination of road information and driving style of BEVs | |
CN108510737B (zh) | 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 | |
CN112230675B (zh) | 在协同搜救中考虑运行环境和性能的无人机任务分配方法 | |
CN110299011A (zh) | 一种基于收费数据的高速公路任意断面的交通流预测方法 | |
CN115063978B (zh) | 一种基于数字孪生的公交到站时间预测方法 | |
CN103280100A (zh) | 融合智能调度数据的公交ic卡乘客换乘站点判断方法 | |
CN110220725A (zh) | 一种基于深度学习与bp集成的地铁车轮健康状态预测方法 | |
CN110288212A (zh) | 基于改进的mopso的电动出租车新建充电站选址方法 | |
CN111063204B (zh) | 一种基于收费站流量的高速公路车速预测模型训练方法 | |
Valera et al. | Driving cycle and road grade on-board predictions for the optimal energy management in EV-PHEVs | |
CN114492919A (zh) | 一种基于交通流量的电动汽车充电负荷预测***及方法 | |
CN112734094B (zh) | 一种智慧城市智轨车辆故障基因预测方法及*** | |
CN114510778A (zh) | 基于混合智能优化lstm的轨道不平顺预测方法 | |
CN115907076A (zh) | 一种山地城市充电负荷概率预测***及方法 | |
CN108510130B (zh) | 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 | |
CN116341706A (zh) | 基于综合能源感知的城市移动负荷概率预测***与方法 | |
Reich et al. | Survey of ETA prediction methods in public transport networks | |
CN116523093A (zh) | 基于随机源荷预测的能源***的网格需求感知***及方法 | |
Grubwinkler et al. | A modular and dynamic approach to predict the energy consumption of electric vehicles | |
Kim et al. | A machine learning method for ev range prediction with updates on route information and traffic conditions | |
CN114498632A (zh) | 基于新能源和充电设施的配电台区负荷预测方法及装置 |
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 |