一种基于自适应A-Star算法的铁路机车优化操纵方法

摘要

本发明公开了一种基于自适应A-Star算法的铁路机车优化操纵方法，包括以下步骤：步骤1、准备当前机车车辆参数、线路数据和司机驾驶操纵历史数据，并进行数据预处理；步骤2、基于机车牵引计算模型，搭建列车运行A-Star算法机车操纵序列优化计算单元并预留基本估价函数调整接口；步骤3、基于列车动能变化、速度变化、能耗特性与司机驾驶历史数据信息针对预留的第一估价函数进行修正；步骤4、以列车准点和能耗最少为多目标优化目标，构建基于NSGA-II算法的自适应A-Star算法；步骤5、定义优化计算迭代终止条件，计算列车运行速度曲线，完成铁路机车优化操纵方法。本发明铁路机车优化操纵序列计算过程中部分优化参数可以自适应调整，能够适应机车、线路等条件的变化，对机车运行状态达到更好的预测效果。

主权项

1.一种基于自适应A-Star算法的铁路机车优化操纵方法，其特征在于：包括以下步骤：步骤1、准备当前机车车辆参数、线路数据和司机驾驶操纵历史数据，并进行数据预处理；该步骤中，所需机车车辆参数由当前优化目标机型给定；所需线路数据从线路数据库中根据具体运行区间提取；所需司机驾驶历史数据从司机实际驾驶操纵曲线中选取；步骤2、基于机车牵引计算模型，搭建列车运行A-Star算法机车操纵序列优化计算单元并预留基本估价函数调整接口，其具体包括以下步骤：1)、定义并实现机车优化操纵序列计算方法的基本计算单元，将求解整段线路满足能耗最少和准时性最佳的操纵序列分解为一系列连续的、同构的子问题，迭代搜索各子问题的最佳解，综合各子问题的解形成全局的最终解。2)、定义列车运行A-Star算法的第一估价函数，h(x)=|T₀+h(T)-T_limit|+E₀+h（E）其中：对剩余路程能耗的估价函数：h(E)表示能耗估计值，h(s)代表剩余路段长度，Δs代表一个单位步长，而ΔE代表现有档位单位步长的能耗；E₀为已经行驶的路程的确定的能耗值，T₀为已经行驶的路程的确定的时间消耗值；对剩余路程时间的估价函数：h(T)表示剩余路程时间估计值，h(s)代表剩余路段长度，v是当前速度；E=E₀+h(E)T=|T₀+h(T)-T_limit|其中，E为估计的全局能耗，T为估计的全局时间偏差，T_limit为全局的计划时间；所述第一估价函数构成估价函数的基本估价函数，其函数形式及相关参数预留作为后续自适应计算时的调整接口；3)、将上述基本计算单元定义和第一估价函数应用到A-Star算法中，构建列车运行A-Star算法机车操纵序列优化计算单元；步骤3、基于列车动能变化、速度变化、能耗特性与司机驾驶历史数据信息针对步骤2中预留的第一估价函数进行修正，其包括：1）结合动能变化和司机驾驶历史数据统计，修正后的剩余路程能耗的估价函数为$h\left(E\right)=H\left(E\right)+{\alpha }_E\times \Delta \left(\frac{1}{2}{\mathrm{mv}}^2\right)$其中，(E)是利用司机历史驾驶数据对剩余路段所需能耗的估计值，m是列车的重量，v是列车的速度，代表动能的变化，α_E表示平衡两部分估计值之间关系的线性系数；2）基于速度变化，修后的时间估价函数为$h\left(T\right)=\frac{h\left(s\right)}{v_{\mathrm{avg}}}+{\alpha }_T\times \frac{v_{\mathrm{avg}}-v}{a}$其中，h(T)表示对剩余路段所需时间的估计值，是符合时间限制的平均速度,s为线路总长，T_limit表示准点要求的时间，代表从当前速度变化到平均速度所需要的时间,a是列车当前的加速度，α_T是用来平衡两部分关系的系数；3）基于修正后的两个变量估价函数的基础上，获得整体优化搜索的第二估价函数：h(x)=α_total*|T₀+h(T)-T_limit|+E₀+h(E)，其中：|T₀+h(T)-T_limit|表示时间差，E₀+h(E)表示能耗，α_total表示用来平衡两个部分的系数，E₀为已经行驶的路程的确定的能耗值，T₀为已经行驶的路程的确定的时间消耗值；步骤4、以列车准点和能耗最少为多目标优化目标，构建基于NSGA-II算法的自适应A-Star算法，从而优化调整步骤3中的估价函数中的系数α_E,α_T,α_total；步骤5、定义优化计算迭代终止条件，计算列车运行速度曲线，完成铁路机车优化操纵方法。