一种列车制动曲线分段方法、系统及列车控制方法与流程

本发明属于轨道交通领域，特别涉及一种列车制动曲线分段方法、系统及列车控制方法。

背景技术：

列车运行控制系统（简称列控系统）是保障列车安全运行，提高运输效率的重要行车装备，由车载设备和地面设备组成。列车自动防护系统（automatictrainprotection，简称atp）是列控系统的车载设备，其根据地面设备提供的线路数据、临时限速等信息，基于列车制动性能参数生成制动距离曲线。

车载系统计算列车距离曲线时，为简化计算量、提运算效率，通常对具有密集的列车制动性能参数点的列车制动曲线进行分段近似处理，即对密集的制动性能参数进行分段，现有制动曲线分段方案采用直接分段的方法，将减速度分为3~6段，这种分段方式无理论支撑，非最优分段。由于，不同类型的列车制动曲线差别较大，没有统一的列车制动曲线分段方法，因此如何进行列车制动曲线分段，使得制动距离曲线及相关制动模式曲线具有良好性能且计算高效是车载系统中的一个难题。

技术实现要素：

针对上述问题，本发明提供一种列车制动曲线分段方法，包括：

获取列车制动曲线的制动性能参数；

确定制动曲线分段优化模型，所述制动曲线分段优化模型采用基于粒子群算法的优化模型；

基于所述制动性能参数，通过所述制动曲线分段优化模型确定所述列车制动曲线的分段参数。

进一步地，确定制动曲线分段优化模型包括：

设置粒子群参数包括列车制动曲线的速度分段点；

设置目标函数为粒子对应的最大制动距离最小。

进一步地，通过所述制动曲线分段优化模型确定所述列车制动曲线的分段参数包括：

基于所述制动性能参数初始化粒子群，设置所述粒子群的每个粒子对应多个速度分段点，每个分段点对应制动性能参数中的一个速度。

进一步地，基于所述制动性能参数初始化粒子群包括：

用n-1个速度分段点将所述制动曲线划分为n段；

设置n段的制动曲线分段参数组成n-1维空间；

设置空间中分布m个参数粒子；

其中，第m个粒子的位置xm和速度vm可分别表示为

（3）

（4）

其中，0<n<n，0<m≤m，xmn表示第m个粒子的第n个速度分段点；vmn表示第m个粒子的第n个速度分段点的移动速度。

进一步地，通过所述制动曲线分段优化模型确定所述列车制动曲线的分段参数包括：

根据每段的最高速度和最小减速度反向计算粒子对应的最大制动距离。

进一步地，根据每段的最高速度和最小减速度反向计算粒子对应的最大制动距离包括：

通过每段的减速度、最高速度和最低速度计算分段制动距离，将各个分段的分段制动距离求和，得到基于一个粒子的最大制动距离。

进一步地，根据每段的最高速度和最小减速度反向计算粒子对应的最大制动距离包括：

设列车制动曲线分为n段，第n段的减速度和最高速度分别为an和vn，0<n≤n；

通过反向计算可得到列车的最大制动距离dmax

（1）

其中，vn为第n段的最高速度，vn-1为第n-1段的最高速度，当n=1时，vn-1为制动目标速度；an为第n段的减速度。

进一步地，每段的最小减速度an为该段速度的函数：

（2），

v为第n段的速度。

进一步地，通过所述制动曲线分段优化模型确定所述列车制动曲线的分段参数包括：

在粒子移动的过程中能根据经验判断自身经历的最优位置，并通过种群交流得到群体最优位置；每个粒子通过不断的向自身经历的最优位置和群体最优位置学习，更新自身位置以使得自身位置趋于最优解；第m个粒子的位置xm和速度vm更新过程如下：

（5）

（6）

vmn(t)和xmn(t)为第m个粒子第n维变量的当前速度和位置，vmn(t+1)和xmn(t+1)为第m个粒子第n维变量的更新后的速度和位置，ω为粒子的惯性权重，φ1和φ2为学习因子，r1(t)和r2(t)为[0,1]之间当前迭代中均匀分布的随机因子，pbestmn为第m个粒子当前自身经历的最优位置的第n维变量，gbestn为粒子群当前的群体最优位置的第n维变量。

本发明还提供一种列车制动控制方法，包括：

采用上述列车制动曲线分段方法计算制动过程中的速度分段参数；

根据分段参数计算制动距离曲线，用于atp控车。

本发明还提供一种列车制动曲线分段系统，包括：

获取单元，用于获取列车制动曲线的制动性能参数；

模型确定单元，用于确定制动曲线分段优化模型，所述制动曲线分段优化模型采用基于粒子群算法的优化模型；

分段执行单元，用于基于所述制动性能参数，通过所述制动曲线分段优化模型确定所述列车制动曲线的分段参数。

本发明还提供一种列车制动曲线分段系统，所述系统包括至少一个处理器以及至少一个存储器；

所述存储器存储执行列车制动曲线分段方法的计算机程序，所述处理器调用存储器中的所述计算机程序以执行上述列车制动曲线分段方法。

本发明提供的列车制动曲线分段方法、系统及列车控制方法，为列车制动曲线分段点的选取提供了一种快速的近似最优解决方案，可以用于实现任意车型、任意制动曲线、任意段数的列车制动曲线最优分段，具有很好的应用价值。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了根据本发明实施例的一种列车制动曲线分段方法流程图；

图2示出了根据本发明实施例的长客16辆编组中国标准动车组制动曲线；

图3示出了根据本发明实施例的长客16辆编组中国标准动车组制动距离曲线；

图4示出了根据本发明实施例的粒子群优化6段制动的近似前和近似后的列车制动曲线对比图；

图5示出了根据本发明实施例的粒子群优化6段制动的6段制动的近似前和近似后的制动距离曲线对比图；

图6示出了根据本发明实施例的一种列车制动曲线分段系统结构示意图；

图7示出了根据本发明实施例的另一种列车制动曲线分段系统结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提出了基于粒子群优化（particleswarmoptimization，简称pso）的列车制动曲线分段方法，通过构建制动距离目标函数，获取最优的分段参数，并通过仿真对分段方法的性能进行验证。

如图1所示，本发明实施例的列车制动曲线分段方法包括以下步骤：

步骤1：获取列车制动曲线的制动性能参数；

步骤2：确定制动曲线分段优化模型，制动曲线分段优化模型采用基于粒子群算法的优化模型；

步骤3：基于所述制动性能参数，通过制动曲线分段优化模型确定列车制动曲线的分段参数。

其中，步骤1中列车制动曲线是指获取待分段近似的列车制动曲线，即列车制动减速度曲线（如ebd或sbd等），通过本发明实施例的分段方法，对该列车控制曲线进行分段参数求解，根据最终获得的分段参数对该列车制动曲线近似分段，从而得到列车制动曲线的近似折线，并用于计算制动距离曲线，即速度-距离曲线，atp基于速度-距离曲线控车。进一步地，还可以基于该制动距离曲线计算其他的相关控制曲线。

获取列车制动曲线的制动性能参数是指获取根据列车制动曲线确定的多组速度和减速度参数，即一系列一一对应的速度和减速度的值。列车制动曲线可以看作一系列点构成的曲线，每个点对应一个速度和减速度的值。从车辆直接获取的列车制动曲线的制动性能参数（即不同速度下列车的制动减速度）通常较为密集（如1km/h~5km/h为一个速度分段间隔），在实际的计算时需要占用大量的时间。对于最高速度为350km/h的列车，1km/h进行分档，参数就有约350个，即使分档为5km/h，参数也有70多个。因此通过本发明实施例的分段方法进行约简，把几十段或上百段的参数约简成6段或更少。

不失一般性地，本发明实施例以制动的目标速度为0的制动场景为例对列车制动曲线分段过程进行说明，但目标速度为其他非0的指定速度也可以。

在步骤2中，确定制动曲线分段优化模型，本发明实施例的制动曲线分段优化模型采用基于粒子群算法的优化模型。基于粒子群算法的优化模型需要确定粒子参数设置和目标函数。本发明实施例中，设置粒子群参数为包括列车制动曲线的速度分段点的参数，设置目标函数为粒子对应的最大制动距离最小。每个粒子参数为目标函数的一个解，通过计算选择使得最大制动距离最优的粒子参数作为目标函数的最优解，即为最终确定的分段参数。由此即建立了以列车制动曲线分段点为粒子群参数，以最优制动距离min(dmax)为目标函数的制动曲线分段优化模型。

在步骤3中，通过所述制动曲线分段优化模型确定所述列车制动曲线的分段参数包括：对列车制动曲线进行分段，基于所述制动性能参数初始化粒子群，设置所述粒子群的每个粒子对应多个速度分段点，每个分段点对应制动性能参数中的一个速度。通过速度分段点将制动曲线分为若干分段（至少两段），进而能够确定每个分段曲线的最高速度和最小减速度，根据每段的最高速度和最小减速度反向计算粒子对应的最大制动距离。采用粒子群算法对粒子进行移动、计算，求解具有最优制动距离的粒子作为最优解。

下面对采用粒子群算法进行制动曲线分段的过程做示例性说明。

粒子群算法是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。假设待优化的参数可组成d维空间，空间中分布有若干个粒子。每个粒子对应着目标函数的一个解，在d维空间中以一定的矢量速度搜索目标函数的最优解。

本发明实施例中，制动曲线分段优化模型即制动距离曲线分段粒子群优化模型的目标函数为粒子对应的最大制动距离满足最小。制动距离是描述列车列车制动曲线分段最优性的关键目标。在制动计算中，通常简化制动距离为制动空走距离和有效制动距离之和，决定空走距离的两个因素是制动初速度和空走时间。由于空走时间不受制动分段的影响，因此在相同制动初速度的情况下的有效制动距离是评价列车制动曲线分段最优性的指标。

设列车制动曲线可分为n段，每段的制动减速度和最高速度分别为an和vn，0<n≤n，通过反向计算可得到列车的最大制动距离dmax。

具体地，通过每段的减速度、最高速度和最低速度（即下一减速分段的最高速度）计算分段制动距离，将各个分段的分段制动距离求和，得到基于一个粒子的最大制动距离。在计算分段参数过程中，一个粒子即一个粒子位置，粒子经过移动形成的不同位置的粒子可以视为不同粒子，即不同的分段参数解空间。

（1）

其中，vn为第n段的最高速度，vn-1为第n-1段的最高速度，当n=1时，vn-1为制动目标速度；an为第n段的减速度。不失一般性地，v0=0,vn为制动初始速度，最大取值为vmax,vmax为列车允许运行的最大速度。

基于列车制动曲线，列车制动减速度a是速度v的函数,an为第n段的减速度，为了使得每段计算的最大制动距离更精确，基于减速度和速度的关系，获取每段最小减速度，作为分段的减速度an,第n段的最小减速度an为:

（2）

v为第n段的速度。具体地，an可以从获取的制动性能参数中查询。例如，将车辆给定的密集的制动性能参数（减速度与速度的对应关系曲线点对应的参数值）分成6个速度段后，每一段里会有一个最小的减速度。

本发明实施例中采用减速度来描述速度变化，也可以采用加速来描述速度变化，加速度在制动过程中取值为负数。本申请中的减速度应做广义理解，即制动过程中的速度变化速率。

计算制动曲线分段参数时，首先对列车制动曲线进行分段，初始化分段可以采用随机分段，分段数量n根据实际需要设定，如2段、3段、6段或更多段。基于分段的列车制动曲线初始化粒子群。

设n段的制动曲线分段参数可组成n-1维空间，空间中分布有m个参数粒子，第m个粒子的位置xm和速度vm可分别表示为

（3）

（4）

其中，0<n<n，0<m≤m，xmn表示第m个粒子的第n个速度分段点，即第n维变量；vmn表示第m个粒子的第n个速度分段点的移动速度。通过速度分段点可以确定分段的最高速度和最低速度。

每个粒子均具有记忆功能，在粒子移动的过程中能根据经验判断自身经历的最优位置pbestm，并通过种群交流得到群体最优位置gbest。每个粒子通过不断的向pbestm和gbest学习，更新自身位置以使得自身位置趋于最优解。第m个粒子的位置xm和速度vm更新过程如下：

（5）

（6）

其中，vmn(t)和xmn(t)为第m个粒子第n维变量的当前速度和位置，vmn(t+1)和xmn(t+1)为第m个粒子第n维变量的更新后的速度和位置，ω为粒子的惯性权重，φ1和φ2为学习因子，r1(t)和r2(t)为[0,1]之间当前迭代中均匀分布的随机因子，pbestmn为第m个粒子当前自身经历的最优位置的第n维变量，gbestn为粒子群当前的群体最优位置的第n维变量，r1(t)和r2(t)在每次迭代中均有变化，可保证粒子群中个体的多样性。

通过迭代获得新的移动后的粒子位置，基于新的粒子位置对应的参数，即根据分段点得到的速度参数等计算该粒子对应的最大制动距离，对粒子进行评价比较，更新粒子自身经历的最优位置和群体最优位置，最终当群体最优位置几乎不再变化或迭代指定次数时，认为群体最优位置是计算得到的最优解，按照该粒子位置进行制动距离曲线计算。制动距离曲线包括紧急制动减速曲线（emergencybrakedeceleration,简称ebd）和常用制动减速曲线（servicebrakedeceleration，简称sbd），二者作为列车速度监控曲线的基本元素。进一步地，还可以基于sbd和ebd生成其他相关的制动模式曲线，包括常用制动干预曲线（servicebrakeintervention,简称sbi），常用制动干预曲线（emergencybrakeintervention,简称ebi），警告（warning，简称w）曲线，允许速度（permittedspeed,简称p）曲线。具体地，通过ebd可以计算出ebi；通过ebd和sbd可以计算sbi、w曲线或p曲线。

本发明实施例的方法能够用于生成科学的实现任意车型、任意列车制动曲线、任意段数的列车制动曲线最优分段方案，并能够采用软件进行自动分段。以长客16辆编组cr400bf型动车组（简称：cr400bf）为例，对基于粒子群优化的制动曲线分段方法性能进行分析。如图2所示，长客16辆编组中国标准动车组制动曲线，横坐标为速度（km/h），纵坐标为减速度（m/s²），列车cr400bf的含风阻湿轨紧急制动减速度是一个非单调曲线，随着车速的变化，制动减速度呈现先增加，后减小的变化特点，变化率也不断变化，图3为长客16辆编组中国标准动车组制动距离曲线。

将cr400bf精细制动减速度和速度数据代入公式（1）中，可得到不同速度下的列车制动距离如图3所示，横坐标为制动距离（km），纵坐标为速度（km/h）。其中，列车的最大制动距离，即车速从350km/h降到0km/h的制动距离为9096.5m。

根据前面的分析，精细化的制动模型虽然可得到最短的制动距离，但运算效率低，为此，采用6段的制动减速度分段为例，验证制动曲线分段优化模型的有效性。采用6个分段时需要5个速度分段点。

模型的优化目标为公式（1）所描述的制动距离dmax最小化。粒子群共有200个粒子，其参数为分段点速度，惯性权重ω为0.72894，学习因子φ1和φ2为1.49618。经过粒子群优化算法的200次迭代，可得到近似最优的6段制动减速度如图4所示，其中曲线为近似前的列车制动曲线，折线为近似后的列车制动曲线，横坐标为速度（km/m），纵坐标为制动减速度（m/s²）。根据近似前后的列车制动曲线计算制动距离曲线，得到的减速度与速度关系如图5所示，其中，内侧曲线为近似后的列车制动曲线计算的制动距离曲线，外侧曲线为近似的列车制动曲线计算的制动距离前曲线。其中，列车的最大制动距离，即车速从350km/h降到0km/h的制动距离为9454.5m，与精细化分段的近似误差为358m，相对误差为3.9%，是可以接收的误差范围，同时制动距离曲线计算的效率大大提高。

基于相同的发明构思，本发明实施例还提供一种列车制动曲线分段系统，如图6所示，系统包括：

获取单元，用于获取列车制动曲线的制动性能参数；

模型确定单元，用于确定制动曲线分段优化模型，制动曲线分段优化模型采用基于粒子群算法的优化模型；

分段执行单元，用于基于获取单元获取的制动性能参数，通过模型确定单元确定的制动曲线分段优化模型确定列车制动曲线的分段参数。

该列车制动曲线分段系统各个单元的具体实现方式可以根据本发明任意实施例方法获得，不再赘述。

在本发明的方法可以是由计算机或嵌入式程序控制的系统来实现。因此，与之相对应地，本发明的实施例中还提供了一种列车制动曲线分段系统，如图7所示，系统包括至少一个处理器以及至少一个存储器；存储器存储执行以上本发明任意实施例方法的计算机程序，处理器调用存储器中计算机程序以执行本发明任意实施例方法。

进一步地，存储器可与一个或多个处理器通信连接，存储器中存储有可被一个或多个处理器执行的指令，指令被一个或多个处理器执行，以使一个或多个处理器能够实现本发明的方法。

尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。