有效
基于数据驱动预测控制的虚拟编组控制方法及系统
李子牧、张蕾、肖骁、王伟、郜春海
交控科技股份有限公司
摘要
本说明书实施例提供了一种基于数据驱动预测控制的虚拟编组控制方法及系统,其中,方法包括:通过前车的前n个周期速度、控制量以及坡度信息,通过预先训练的短时动力学模型预测前车的后m个周期的速度值,根据所述后m个周期的速度值获取预测速度序列并发送到后车,其中m、n为自然数;通过后车获取所述预测速度序列,根据所述预测速度序列确定后m个周期的编组距离,并根据所述编组距离计算后m个周期的后车目标速度,根据所述后车目标速度求解实现所述后车目标速度所需的控制量,并按照所述控制量控制后车行车。本说明书实施例能够更精确地预测前车轨迹,从而优化后车追踪性能。
1.一种基于数据驱动预测控制的虚拟编组控制方法,其特征在于,用于前车和后车组成的双车虚拟编组,所述方法具体包括:通过前车的前n个周期速度、控制量以及坡度信息,通过预先训练的短时动力学模型预测前车的后m个周期的速度值,根据所述后m个周期的速度值获取预测速度序列并发送到后车,其中m、n为自然数;通过后车获取所述预测速度序列,根据所述预测速度序列确定后m个周期的编组距离,并根据所述编组距离计算后m个周期的后车目标速度,根据所述后车目标速度求解实现所述后车目标速度所需的控制量,并按照所述控制量控制后车行车。
2.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:将前车的一段时间内的所有周期以n个周期为一组进行分组,分别将每组中n个周期的速度、控制量以及坡度信息作为短时动力学模型的输入变量,通过所述短时动力学模型以所述输入变量预测后段m个周期的速度值,将每组的输入变量和速度值作为一个样本,获取所述一段时间内的多个样本,将所述多个样本的输入变量作为所述短时动力学模型的输入向量x,将所述多个样本的速度值作为所述短时动力学模型的真值y,以监督学习方式得到x到y的映射关系,获取训练好的所述短时动力学模型。
3.根据权利要求1所述的方法,其特征在于,所述根据所述编组距离计算后m个周期的后车目标速度具体包括:根据公式1确定后m个周期的后车目标速度函数: 公式1;其中, 为前车第i周期速度, 为后车第i周期速度, 代表距离项权重, 为第i周期后车车头与前车车尾距离, 为第i周期目标编组距离, 如公式2所示: 公式2;其中, 为控制周期, 为初始距离;在一个控制周期中,前后车的初始距离 和前车后m个周期预测速度 ~ 已知,即常量,后车后m个周期速度 ~ 为求解目标,其约束为公式3和公式4: 公式3; 公式4;其中, 为列车能产生的最小加速度, 为列车能产生的最大加速度, 为考虑线路、车辆和信号因素的限速;通过求解公式1、公式3和公式4得到后m个周期的后车目标速度。
4.根据权利要求3所述的方法,其特征在于,所述根据所述后车目标速度求解实现所述后车目标速度所需的控制量具体包括:基于后车的短时动力学模型,获得控制量-短时速度的映射关系,得出以控制量u作为变量,最小化短时速度与目标速度误差的目标函数,如公式5: 公式5;其中, 为通过短时模型预测出施加控制量u情况下的后车后m个周期速度序列;基于公式5求解所述后车目标速度所需的控制量。
5.根据权利要求4所述的方法,其特征在于,所述基于公式5求解所述后车目标速度所需的控制量具体包括:步骤1,输入目标速度序列;步骤2,确定控制量u的初始值,并将最小误差初始化为无穷大;步骤3,通过短时动力学模型预测控制量u的速度序列;步骤4,计算速度序列与目标速度序列的误差;步骤5,判断所述误差是否小于当前最优值,如果判断为是,则将当前误差作为最小误差,记录对应控制量u,如果判断为否,则判断是否满足继续搜索条件,如果满足,则根据搜索规则选择下一个搜索的控制量u,返回步骤3,如果不满足,输出求解结果控制量u。
6.一种基于数据驱动预测控制的虚拟编组控制系统,其特征在于,用于前车和后车组成的双车虚拟编组,所述系统具体包括:预测模块,位于前车,用于通过前车的前n个周期速度、控制量以及坡度信息,通过预先训练的短时动力学模型预测前车的后m个周期的速度值,根据所述后m个周期的速度值获取预测速度序列并发送到后车,其中m、n为自然数;求解模块,位于后车,用于通过后车获取所述预测速度序列,根据所述预测速度序列确定后m个周期的编组距离,并根据所述编组距离计算后m个周期的后车目标速度,根据所述后车目标速度求解实现所述后车目标速度所需的控制量,并按照所述控制量控制后车行车。
7.根据权利要求6所述的系统,其特征在于,所述系统进一步包括:模型训练模块,位于前车和后车,用于将前车的一段时间内的所有周期以n个周期为一组进行分组,分别将每组中n个周期的速度、控制量以及坡度信息作为短时动力学模型的输入变量,通过所述短时动力学模型以所述输入变量预测后段m个周期的速度值,将每组的输入变量和速度值作为一个样本,获取所述一段时间内的多个样本,将所述多个样本的输入变量作为所述短时动力学模型的输入向量x,将所述多个样本的速度值作为所述短时动力学模型的真值y,以监督学习方式得到x到y的映射关系,获取训练好的所述短时动力学模型。
8.根据权利要求6所述的系统,其特征在于,所述求解模块具体用于:根据公式1确定后m个周期的后车目标速度函数: 公式1;其中, 为前车第i周期速度, 为后车第i周期速度, 代表距离项权重, 为第i周期后车车头与前车车尾距离, 为第i周期目标编组距离, 如公式2所示: 公式2;其中, 为控制周期, 为初始距离;在一个控制周期中,前后车的初始距离 和前车后m个周期预测速度 ~ 已知,即常量,后车后m个周期速度 ~ 为求解目标,其约束为公式3和公式4: 公式3; 公式4;其中, 为列车能产生的最小加速度, 为列车能产生的最大加速度, 为考虑线路、车辆和信号因素的限速;通过求解公式1、公式3和公式4得到后m个周期的后车目标速度。
9.根据权利要求8所述的系统,其特征在于,所述求解模块具体用于:基于后车的短时动力学模型,获得控制量-短时速度的映射关系,得出以控制量u作为变量,最小化短时速度与目标速度误差的目标函数,如公式5: 公式5;其中, 为通过短时模型预测出施加控制量u情况下的后车后m个周期速度序列;基于公式5求解所述后车目标速度所需的控制量。
10.根据权利要求9所述的系统,其特征在于,所述求解模块具体用于:步骤1,输入目标速度序列;步骤2,确定控制量u的初始值,并将最小误差初始化为无穷大;步骤3,通过短时动力学模型预测控制量u的速度序列;步骤4,计算速度序列与目标速度序列的误差;步骤5,判断所述误差是否小于当前最优值,如果判断为是,则将当前误差作为最小误差,记录对应控制量u,如果判断为否,则判断是否满足继续搜索条件,如果满足,则根据搜索规则选择下一个搜索的控制量u,返回步骤3,如果不满足,输出求解结果控制量u。



