一种基于时变参数辨识的列车运行控制优化方法与流程

1.本发明涉及轨道交通技术领域，尤其是一种基于时变参数辨识的列车运行控制优化方法。


背景技术：

2.由于在节能、缓解交通拥挤等方面的优异表现，城市轨道交通在各大城市发展迅猛。截至2020年底，中国内地共计44座城市开通了城轨交通运营线路，共有233条，运营里程达7545.5公里。2020全年轨道交通线路新增加39条，运营里程新增1240多公里，和2019年相比，提高了20.1％。城市轨道交通领域的发展带领着铁路建设行业、城轨列车设计制造行业、信号设备供应商的飞速发展，轨道交通行业的科技手段研究一直在进行，以实现更优的轨道交通目标。
3.列车运行可以看成一个不断变化的过程，列车的运行数据也是随时间不断增加的，并且过程中也会存在随机变化的噪声干扰，所以列车运行系统可以看成一个时变的系统。对于传统的列车运行模型，每次有新的列车数据产生，就需要将所有的数据重新计算一遍，这样耗费了很大的时间成本，并不是很实用。现有技术较为依赖于一些理想的假设以及经验公式参数，建立的还是简单的单质点的模型，而列车的实际参数也确实难以获取，导致在实际的处理中不得不对实际列车参数、线路参数等进行简化。因此，需要采取一种能够对时变参数进行辨识方法，构建列车的运行模型，实现列车运行控制的优化。


技术实现要素：

4.本技术人针对上述现有技术中这些缺点，提供一种合理有效的基于时变参数辨识的列车运行控制优化方法，能够实现列车运行参数的在线辨识，通过不断的迭代更新信息，可以很好的跟踪环境变化，具有更低的预测误差，能够实现列车控制的优化。
5.本发明所采用的技术方案如下：
6.一种基于时变参数辨识的列车运行控制优化方法，包括以下步骤：
7.步骤s1，通过列车运行过程中车载设备的记载，确定输入输出数据，分析列车需要辨识的时变参数，建立基本列车模型，具体包括：
8.建立列车纵向动力学方程的公式(1)，即：
[0009][0010]
其中，ε为加速度系数，这里的α0、α1、α2都是时变参数；
[0011]
对公式(1)进行差分变换，并引入实际环境中的随机干扰噪声δ(k)，得到差分方程的公式(2)为：
[0012]
y(k)＝a1(k)
·
x(k-1)2 a2(k)
·
x(k-1) b1(k)
·
u(k-1) b2(k) δ(k)
ꢀꢀꢀ
(2)；
[0013]
其中，x(k)为列车的真实速度，u(k)列车受到的牵引/制动力，a1、a2、b1、b2都是需要辨识的时变参数，k为时间；y(k)为有噪声时的实际测量的列车速度，它是列车系统输出的真实速度x(k)与随机干扰噪声δ(k)的和，即：
[0014]
y(k)＝x(k) δ(k)
ꢀꢀꢀ
(3)；
[0015]
令
[0016]
θ(k)＝[a1(k)、a2(k)、b1(k)、b2(k)]
t
ꢀꢀꢀ
(4)；
[0017][0018]
得到：
[0019][0020][0021]
其中，θ(k)为参数向量，为信息向量。定义为根据前k组数据计算得出的参数估计值，那么第k次测量时的预测误差ε(k)为：
[0022][0023]
于是，系统的实际输出与模型的估计输出差值的平方和，即准则函数为：
[0024][0025]
公式(9)根据列车运行过程中不断采集到的新的数据，进行输入输出的计算，从而更新列车参数的估计值，具体的计算公式如下：
[0026][0027]
其中，k(k)为卡尔曼增益，p(k)为误差的协方差矩阵，λ为遗忘因子；
[0028]
步骤s2，通过针对实际采集数据的辅助模型处理，得到基于辅助模型的列车运行模型，具体包括：
[0029]
建立一个输出误差模型：
[0030][0031]
建立辅助模型为：
[0032][0033]
其中，xa(k)为辅助模型的输出，为信息向量的估计值，为参数向量的估计值；所以有如下关系：
[0034][0035][0036]
通过上述的辅助模型，信息向量的估计值为作为辅助系统的信息向量，参数向量的估计值为作为辅助系统的参数向量，从而得到基于辅助模型的列车运行模型为：
[0037][0038]
步骤s3，采用步骤s2得到的列车运行模型，应用到列车控制系统中，对列车运行进行优化控制。
[0039]
本发明的有益效果如下：
[0040]
本发明通过列车运行过程中车载设备的记载，确定输入输出数据，从而建立模型结构。然后，指定初始值构建信息向量，以实际的输出数据为目标，用实际值减去模型计算的值算出残差。在运行过程中，不断加入新数据，将残差带入参数递推的公式中，对上一轮的参数进行更新，如此开始不断的迭代，达到参数的更新。递推的实现是基于不断增加的数据，每次只需要进行一次的参数估计，然后依据新的数据进行不断的迭代更新，这样可以很好的实现列车运行参数的在线辨识。
[0041]
本发明基于数据驱动的参数辨识，由于忽略系统内部结构，从实际输入输出数据出发，考虑到实际列车运行环境的多变，通过不断的迭代更新信息，并以遗忘因子加速历史数据的衰减，可以很好的跟踪环境变化，实现对时变参数的辨识，具有更低的预测误差，能够实现列车控制的优化。
附图说明
[0042]
图1为本发明的步骤示意图。
具体实施方式
[0043]
下面结合附图，说明本发明的具体实施方式。
[0044]
本发明所述的基于时变参数辨识的列车运行控制优化方法，从参数辨识的角度构建列车的运行模型，并考虑到列车运行的动态过程，采用一种时变参数的辨识方法，完成对列车时变参数的辨识。本发明对城轨列车的运行进行参数辨识，主要依据的是列车行驶过程中采集的大量实时的运行数据以及列车的动力学方程知识，来确定一组参数值。这里的输入主要是列车的牵引/制动力，输出为列车的运行速度，从而通过确定出来的参数可以对未知的过程进行预测。
[0045]
参照如图1所示，本发明所述的基于时变参数辨识的列车运行控制优化方法，包括以下步骤：
[0046]
步骤s1，通过列车运行过程中车载设备的记载，确定输入输出数据，分析列车需要辨识的时变参数，建立基本列车模型。具体包括：
[0047]
建立列车纵向动力学方程的公式(1)，即：
[0048][0049]
其中，ε为加速度系数，这里的α0、α1、α2都是时变参数。u(t)为列车在t时刻受到的牵引/制动力，v(t)为列车在t时刻的速度。
[0050]
对于列车的参数辨识，一般都需要将模型转化成差分形式，对基于列车动力学方程的公式(1)进行差分变换，并引入实际环境中的随机干扰噪声δ(k)，得到差分方程的公式(2)为：
[0051]
y(k)＝a1(k)
·
x(k-1)2 a2(k)
·
x(k-1) b1(k)
·
u(k-1) b2(k) δ(k)
ꢀꢀꢀ
(2)；
[0052]
其中，x(k)为列车的真实速度，u(k)列车受到的牵引/制动力，a1、a2、b1、b2都是需要辨识的时变参数，k为时间。这里y(k)为有噪声时的实际测量的列车速度，它是列车系统输出的真实速度x(k)与随机干扰噪声δ(k)的和，即：
[0053]
y(k)＝x(k) δ(k)
ꢀꢀꢀ
(3)；
[0054]
令
[0055]
θ(k)＝[a1(k)、a2(k)、b1(k)、b2(k)]
t
ꢀꢀꢀꢀ
(4)；
[0056][0057]
得到：
[0058][0059][0060]
其中，θ(k)为参数向量，为信息向量。定义为根据前k组数据计算得出的参数估计值，那么第k次测量时的预测误差ε(k)为：
[0061][0062]
于是，系统的实际输出与模型的估计输出差值的平方和，即准则函数j(θ)为：
[0063][0064]
公式(9)根据列车运行过程中不断采集到的新的数据，进行输入输出的计算，从而更新列车参数的估计值，具体的计算公式如下：
[0065][0066]
其中，k(k)为卡尔曼增益，p(k)为误差的协方差矩阵，λ为遗忘因子。
[0067]
步骤s2，通过针对实际采集数据的辅助模型处理，得到基于辅助模型的列车运行模型。具体包括：
[0068]
建立一个输出误差模型：
[0069][0070]
建立辅助模型为：
[0071][0072]
其中，xa(k)为辅助模型的输出，信息向量的估计值为参数向量的估计值为
所以有如下关系：
[0073][0074][0075]
通过上述的辅助模型，信息向量的估计值为作为辅助系统的信息向量，参数向量的估计值作为辅助系统的参数向量，从而得到基于辅助模型的列车运行模型为：
[0076][0077]
步骤s3，采用步骤s2得到的列车运行模型，应用到列车控制系统中，对列车运行进行优化控制。
[0078]
本发明通过列车运行过程中车载设备的记载，确定输入输出数据，从而建立模型结构。然后，指定初始值构建信息向量，以实际的输出数据为目标，用实际值减去模型计算的值算出残差。在运行过程中，不断加入新数据，将残差带入参数递推的公式中，对上一轮的参数进行更新，如此开始不断的迭代，达到参数的更新。
[0079]
递推的实现是基于不断增加的数据，系统当前时刻的参数估计来自于上一时刻的参数估计加上一定的修正项：也就是说每次只需要进行一次的参数估计，然后依据新的数据进行不断的迭代更新，这样可以很好的实现列车运行参数的在线辨识。
[0080]
本发明基于数据驱动的参数辨识，由于忽略系统内部结构，从实际输入输出数据出发，考虑到实际列车运行环境的多变，通过不断的迭代更新信息，并以遗忘因子加速历史数据的衰减，可以很好的跟踪环境变化，实现对时变参数的辨识，具有更低的预测误差，实现更优控制效果。
[0081]
以上描述是对本发明的解释，不是对发明的限定，在不违背本发明精神的情况下，本发明可以作任何形式的修改。