一种城市轨道交通列车节能牵引数据驱动自适应控制方法

1.本发明城市轨道交通列车控制技术领域，尤其涉及一种城市轨道交通列车节能牵引数据驱动自适应控制方法。


背景技术：

2.列车节能包含离线优化与在线跟随两部分；列车节能牵引曲线离线优化是列车运行节能优化的基础，在线跟随控制是执行节能牵引参数的关键。列车牵引曲线的在线跟随主要是推荐速度的在线跟随控制。因受到大惯量、非线性、不确定性和随机性等因素的综合影响，列车牵引曲线推荐速度的在线跟随控制难以直接通过机理建模与传统控制方法实现。
3.因列车运行环境的不确定性演变与影响列车运行控制因素的复杂耦合，依赖于受控对象数学模型或标称模型的优化控制方法，难以适应存在控制结构不断演变与控制参数不确定性的牵引曲线在线跟随过程。数据驱动控制方法，能够在受控系统输入输出数据基础上，通过控制量与量测量之间的映射关系，建立受控系统的递推控制律，实现被控对象的自适应控制。列车离线节能优化结果大都是参数组合序列，仅仅依靠列车速度的量测值并不能代离线优化的数据特征。直接通过牵引控制系统量测变量反馈控制容易引起控制目标所处运行状态偏离节能牵引曲线离线优化状态数据，容易造成控制过程运行状态数据超前或者滞后，最终导致节能牵引曲线在线跟随性能严重降低。
4.由于城市轨道交通系统节能优化存在计算复杂度高的特点，受列车运行安全规程、运行线路不确定因素与节能优化迭代效率等因素制约，城市轨道交通系统节能优化实际上是基于离线优化与在线跟踪控制相结合的方法来实现。列车节能参数离线优化结果以参数组合序列存在。现有技术实施列车节能牵引曲线在线跟随控制依赖于传感器直接测量结果，直接通过牵引控制系统量测变量反馈控制。基于直接量测数据的反馈控制依赖于传感器测量精度。因列车运行过程影响因素的复杂性，传感器测量结果或多或少存在测量精度不佳的问题。
5.因列车运行过程各组件单元发生共享关联以及各输入输出变量耦合约束，导致了列车运行过程变量之间耦合关系极其复杂，致使牵引曲线在线跟随控制系统难以通过直观的数学表达式进行描述。精确的数学模型是实现列车运行最优控制的理想方法。然而，列车实际牵引是一个存在非线性、不确定性、时变性和不完全性等因素相互影响与相互制约的复杂运动系统,难以获得精确的数学模型。因为受传动部件磨损、牵引电机性能改变、载客人数变化、运行环境变迁等不确定因素影响，各种参数的不确定性与受控模型的多变性伴随着列车综合自动控制系统感知、决策与控制的每个环节。针对列车运行过程存在复杂影响因素以及各影响因素存在复杂耦合关系，基于经典控制理论的常规算法，难以取得令人满意的自动控制效果。
6.列车节能优化曲线的在线跟随可直接通过牵引控制系统量测变量反馈控制，但是由于列车节能优化曲线大都是基于离线优化获得，并且由于影响列车能耗因素的复杂性，
仅仅依靠速度量测值而实现的节能牵引曲线在线跟随方法，并不一定能将离线优化所得的参数组合有效统一起来，容易导致节能参数的实际跟随状态偏离离线优化结果，最终降低了列车节能优化控制过程的整体效果。由于影响列车能耗因素的复杂性，仅仅依靠单一量测值实现节能牵引曲线在线跟随方法，并不一定能将离线优化所得的参数组合有效统一起来，容易导致节能参数的实际跟随状态偏离离线优化结果，甚至造成跟随控制失稳，严重时后果将无法估量。
7.目前，列车牵引曲线在线跟随主流的控制方法主要包括基于pid控制技术、模糊控制技术、模型参考控制技术与预测控制技术等。目前主流控制方法大都基于传感器量测数据直接反馈控制，未考虑数据特征的约束关系，各个存在多种局限性。基于pid控制技术的牵引曲线在线跟随，结构简单且容易实现，但是只能但目标控制且不能自适应运行环境因素的变化。模糊控制技术的牵引曲线在线跟随容易受到模糊规则制定的影响，存在控制精度低、模糊规则量化参数不能适应环境改变、不能兼顾精度控制与快速控制。基于模型参考控制的牵引曲线在线跟随依赖于列车运行过程控制模型，然而影响列车运行控制因素多且存在复杂耦合，导致了此类方法诸多局限性。基于预测控制技术的牵引曲线在线跟随依赖于过程模型与数学表达式，面临建模难的困境，并且控制过程出现模型不匹配的问题，在实际自适应控制过程存在模型构造方面的局限性。


技术实现要素：

8.本发明的目的在于提供一种城市轨道交通列车节能牵引数据驱动自适应控制方法，可以解决节能牵引曲线在线跟随难以获取精确数学模型、无法自适应运行环境变化、稳态误差大与跟随性能低、不能兼顾控制精度低和快速控制等问题。
9.为实现上述目的，本发明的一种城市轨道交通列车节能牵引数据驱动自适应控制方法，包括以下步骤：
10.步骤s1，采集传感器在线测量的城市轨道交通列车运行状态数据。获取历史运载统计信息数据，获得牵引节能离线优化结果；
11.步骤s2，将步骤s1所获得的城市轨道交通列车运行状态数据和历史运载统计信息数据作为核极限学习机的基础数据集，将节能牵引曲线过程状态与数据映射到高维空间，从高维空间获取控制目标的数据特征向量，基于核极限学习机自编码器原理对城市轨道交通列车运行数据进行尺度变换构建量测数据特征模型；
12.步骤s3，根据步骤s1所得的传感器在线测量的城市轨道交通列车运行状态数据、牵引节能离线优化结果与步骤s2所得的量测数据特征模型，获取离线优化结果数据特征向量与在线量测数据特征向量；
13.步骤s4，以步骤s2所获得的量测数据特征模型为基础，基于量测数据特征模型与无模型自适应控制建立城市轨道交通列车节能曲线在线跟随递推自适应控制律；
14.步骤s5，以步骤s3获得的数据特征向量的控制与转移为主线，将无模型自适应控制原理应用于节能牵引曲线的数据特征跟随控制过程，获取基于数据特征控制的节能牵引曲线在线跟随自适应控制律；
15.步骤s6，根据步骤s5所获得的节能牵引曲线在线跟随自适应控制律和步骤s3所获得的数据特征向量，获取节能牵引曲线在线跟随的过程控制量；
16.步骤s7，对步骤s6所获得的过程控制量实施限幅反馈输出，基于限幅反馈再输出策略抑制和迭代修正过程控制量，以满足实际设备的承受能力。
17.进一步的，在步骤s1中，城市轨道交通列车运行状态数据包括：列车运行加速度、列车运行速度、列车实际运行距离测量、列车牵引电机输入功率、列车牵引电机的电相角和列车牵引转矩；历史运载统计信息数据包括：历史运载数据、历史运行时惯量数据；牵引节能离线优化结果是工况转换点参数，包括列车运行距离、列车加速度、列车速度。
18.进一步的，步骤s2中，构建量测数据特征模型的方法为：
19.将步骤s1所获得的城市轨道交通列车运行状态数据和历史运载统计信息作为核极限学习机的基础数据集其中列车运行数据的原始数据向量记为xi＝[x
k1
,x
k2
,...,x
kn
]
t
∈rn，列车历史运行的数据向量经尺度变换后所得的向量记为yk＝[y
k1
,y
k2
,...,y
km
]
t
∈rm；
[0020]
将核极限学习机自编码器原理应用于量测数据特征模型的建模过程，将列车原始运行数据的原始数据向量x作为核极限学习机的输入，编码函数e(
·
)将向量x编码为向量y，解码函数d(
·
)向量y解码为向量使复现x，从而实现列车数据尺度变换与数据特征的抽取；列车运行数据尺度变换与数据特征抽取过程的数学描述如下。
[0021]
hβ＝y
[0022][0023][0024][0025][0026]
hh
t
(i,j)＝k(xi,xj)
[0027][0028][0029]
表示量测数据特征向量；βi为隐含层第i个神经元的连接权值，g(wi,bi,xk)为对应第i个神经元的激活函数，wi为权重向量，bi为偏置项；h
+
表示极限学习机隐含层输出矩阵h的广义逆矩阵；k(x,y)表示机器学习方法的核函数。
[0030]
进一步的，步骤s4中，基于量测数据特征模型与无模型自适应控制建立城市轨道
交通列车节能曲线在线跟随递推自适应控制律的方法为：
[0031]
将无模型自适应控制原理应用于在线跟随递推控制律构建过程；根据无模型自适应控制原理，城市轨道交通列车节能牵引曲线的在线跟随控制过程的数学描述式如下。
[0032]
v(k+1)＝f(v(k),
…
,v(k-nv),u(k),
…
,u(k-nu))
[0033]
v(k+1)＝v(k)+φ(k)δu(k)
[0034]
δu(k)＝u(k)-u(k-1)
[0035]
v(k)∈rn和u(k)∈rm分别表示列车在第k时刻的目标特征向量与过程控制向量；nu和nv两个正整数，表示系统阶数；f(
·
)是一个非线性函数；φ(k)是一个与列车节能曲线在线跟随过程输入输出数据有关且时变性很强的约束控制矩阵，亦被称为伪偏导矩阵；向量δu(k)表示列车在第k时刻过程控制参数序列的增量；根据无模型自适应控制原理，本发明建立如下的目标控制优化准则：
[0036][0037]
l(u(k))表示关于第k时刻过程控制向量u(k)的优化目标函数；v
*
(k+1)表示第k+1时刻的期望数据特征；和θ是优化目标的权重；t表示采集控制周期；将v(k+1)＝v(k)+φ(k)δu(k)与δu(k)＝u(k)-u(k-1)带入优化准则函数l(u(k))，对u(k)求偏导并令其等于0，则过程控制向量u(k)的递推关系如下：
[0038][0039]
ρ表示控制过程的迭代步长因子，适当调整其取值可以改善控制系统的响应速度；在过程控制量递推计算式中，φ(k)的取值关系到整个控制效果，根据控制系统输入与输出数据在线估算而得；为了估算矩阵φ(k)，基于无模型自适应控制原理，本发明以列车速度跟随偏差在紧邻采集控制周期差值的最小化为主线，以伪偏导矩阵的估算值逼近其真实值为约束，构建一个关于φ(k)的优化准则函数，具体形式如下：
[0040][0041]
l(φ(k))是一个关于伪偏导矩阵φ(k)的优化目标函数；μ是优化目标权重；将优化目标函数对φ(k)求偏导并令其等于0，则伪偏导矩阵的估算矩阵的递推计算式如下所示：
[0042][0043]
σ是迭代步长控制因子；δv(k-1)表示k-1时刻列车实际运行速度的变化量；将伪偏导矩阵的辨识过程与过程控制量相结合，引入一个常数ε以稳定过程控制，则基于数据特征的城市轨道列车节能曲线在线跟随自适应控制的完整递推控制律如下：
[0044][0045][0046]
进一步的，步骤s7中，对步骤s6所获得的过程控制量实施限幅反馈输出，基于限幅反馈再输出策略抑制和迭代修正过程控制量的方法为：
[0047]
当递推自适应控制律计算结果超过设备承受极限时，将限幅输出的信息反馈到过程控制量递推计算式，再运用递推控制律计算输出，确保控制算法输出的过程控制量限制在设备所能承受的范围内，并且将限幅输出数据融合到过程控制律，以便下一个控制周期进行迭代计算时能够感知上一个时刻的限幅输出信息。
[0048]
与现有技术相比，本发明具有如下有益效果：
[0049]
(1)本发明以节能牵引参数数据特征控制与转移代替直接量测特征控制，避免了在线直接量测反馈控制无法兼顾离线优化各数据分量的问题，提高了节能参数在线跟随控制的整体效果；
[0050]
(2)本发明基于深度数据驱动获取节能牵引曲线在线跟随自适应控制律，有效解决基于机理建模难以实现节能牵引曲线在线跟随控制的难题；
[0051]
(3)本发明不依赖于被控对象的精确数学模型，避免了基于模型参考控制与预测控制技术因建模难与模型不匹配而导致控制失效的问题；
[0052]
(4)本发明将节能参数数据特征与无模型自适应控制相结合，避免了模糊控制模糊规则参数无法学习列车运行环境变化与pid控制难以自适应列车运行环境不断演变等问题；
[0053]
(5)本发明引入限幅反馈再输出策略，限幅输出的同时将限幅信息反馈到控制律，不但有效解决实际设备无法承受过程控制量的问题，而且提高了自适应控制律的稳定性。
附图说明
[0054]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
[0055]
图1为本发明的城市轨道交通列车节能牵引数据驱动自适应控制方法的流程图；
[0056]
图2为建量测数据特征模型的网络图；
[0057]
图3为建量测数据特征模型的结构图；
[0058]
图4为基于量测数据特征模型的无模型自适应控制框图；
[0059]
图5为过程控制量限幅反馈再输出实施流程；
[0060]
图6为列车节能牵引曲线的在线跟随控制实施流程；
[0061]
图7为本发明的速度跟随控制效果图。
具体实施方式
[0062]
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
[0063]
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
[0064]
实施例1
[0065]
请参见图1，一种城市轨道交通列车节能牵引数据驱动自适应控制方法，包括以下步骤：
[0066]
步骤s1，采集传感器在线测量的城市轨道交通列车运行状态数据。获取历史运载统计信息数据，获得牵引节能离线优化结果；
[0067]
其中，城市轨道交通列车运行状态数据包括：列车运行加速度、列车运行速度、列车实际运行距离测量、列车牵引电机输入功率、列车牵引电机的电相角和列车牵引转矩；历史运载统计信息数据包括：历史运载数据、历史运行时惯量数据；牵引节能离线优化结果是工况转换点参数，包括列车运行距离、列车加速度、列车速度；
[0068]
采集城市轨道交通列车运行状态数据与获取历史运载统计信息列车加速度是改变列车运行速度的直接控制量，也是离线优化的主要状态参数；不管是离线优化过程还是在线跟随过程，列车加速度均是节能牵引曲线参数特征空间的重要组成部分；列车运行距离既是离线优化的主要参数，又是牵引曲线在线跟随过程中影响控制状态与制约控制参数取值的主要因素之一；列车速度量测值虽然与推荐值相同，但运行距离不同，其数据特征也不相同；牵引力、牵引转矩与电机驱动电流等是列车实际运行过程改变加速度的主导变量，其历史数据特征在量测数据特征模型中的融合将有助于改善过程控制量的合理取值；列车惯量对节能牵引曲线推荐速度在线跟随控制过程的响应速度具有影响，列车惯量主要取决于列车车身重量与结构，但是实际运载也对列车惯量有一定影响；历史运载数据的量化数据的融入，有助于量测数据特征模型计算出更能反应实际运载环境的数据特征；对于同一线路上的同一趟列车，列车加速度大小制约了列车速度的变化趋势。运行线路路况信息反作用于过程控制量，将运行线路路况反馈信息进行量化并将其纳入量测数据特征模型，以提高过程控制律适应运行线路环境变化的能力
[0069]
步骤s2，将步骤s1所获得的城市轨道交通列车运行状态数据和历史运载统计信息数据作为核极限学习机的基础数据集，将节能牵引曲线过程状态与数据映射到高维空间，从高维空间获取控制目标的数据特征向量，基于核极限学习机自编码器原理对城市轨道交通列车运行数据进行尺度变换构建量测数据特征模型，量测数据特征模型的网络图如图2所示，量测数据特征模型的结构图如图3所示；
[0070]
其中，构建量测数据特征模型的方法为：
[0071]
将步骤s1所获得的城市轨道交通列车运行状态数据和历史运载统计信息数据作
为核极限学习机的基础数据集其中列车运行数据的原始数据向量记为xi＝[x
k1
,x
k2
,...,x
kn
]
t
∈rn，列车历史运行的数据向量经尺度变换后所得的向量记为yk＝[y
k1
,y
k2
,...,y
km
]
t
∈rm；
[0072]
将核极限学习机自编码器原理应用于量测数据特征模型的建模过程，将列车原始运行数据的原始数据向量x作为核极限学习机的输入，编码函数e(
·
)将向量x编码为向量y，解码函数d(
·
)向量y解码为向量使复现x，从而实现列车数据尺度变换与数据特征的抽取；列车运行数据尺度变换与数据特征抽取过程的数学描述如下。
[0073]
hβ＝y
[0074][0075][0076][0077][0078]
hh
t
(i,j)＝k(xi,xj)
[0079][0080][0081]
表示量测数据特征向量；βi为隐含层第i个神经元的连接权值，g(wi,bi,xk)为对应第i个神经元的激活函数，wi为权重向量，bi为偏置项；h
+
表示极限学习机隐含层输出矩阵h的广义逆矩阵；k(x,y)表示机器学习方法的核函数。
[0082]
步骤s3，根据步骤s1所得的传感器在线测量的城市轨道交通列车运行状态数据、牵引节能离线优化结果与步骤s2所得的量测数据特征模型，获取离线优化结果数据特征向量与在线量测数据特征向量；
[0083]
其中，牵引节能离线优化结果指的是工况转换点参数，包括对应点上的列车运行距离、列车加速度、列车速度；数据特征向量是包含列车运行距离、列车加速度、列车速度、历史牵引功率、历史输入电压、线路信息、线路弯道、坡道、牵引变电站和历史运载量等信息的特征向量，是对列车运行距离、列车加速度、列车速度、线路信息等综合处理之后所获得代表原始数据的特征信息，因为是一个向量，所以被称为特征向量。
[0084]
步骤s4，以步骤s2所获得的量测数据特征模型为基础，基于量测数据特征模型与
无模型自适应控制建立城市轨道交通列车节能曲线在线跟随递推自适应控制律；其中，基于量测数据特征模型的无模型自适应控制框图如图4所示；
[0085]
其中，基于量测数据特征模型与无模型自适应控制建立城市轨道交通列车节能曲线在线跟随递推自适应控制律的方法为：
[0086]
将无模型自适应控制原理应用于在线跟随递推控制律构建过程；根据无模型自适应控制原理，城市轨道交通列车节能牵引曲线的在线跟随控制过程的数学描述式如下。
[0087]
v(k+1)＝f(v(k),
…
,v(k-nv),u(k),
…
,u(k-nu))
[0088]
v(k+1)＝v(k)+φ(k)δu(k)
[0089]
δu(k)＝u(k)-u(k-1)
[0090]
v(k)∈rn和u(k)∈rm分别表示列车在第k时刻的目标特征向量与过程控制向量；nu和nv两个正整数，表示系统阶数；f(
·
)是一个非线性函数；φ(k)是一个与列车节能曲线在线跟随过程输入输出数据有关且时变性很强的约束控制矩阵，亦被称为伪偏导矩阵；向量δu(k)表示列车在第k时刻过程控制参数序列的增量；根据无模型自适应控制原理，本发明建立如下的目标控制优化准则：
[0091][0092]
l(u(k))表示关于第k时刻过程控制向量u(k)的优化目标函数；v
*
(k+1)表示第k+1时刻的期望数据特征；和θ是优化目标的权重；t表示采集控制周期；将v(k+1)＝v(k)+φ(k)δu(k)与δu(k)＝u(k)-u(k-1)带入优化准则函数l(u(k))，对u(k)求偏导并令其等于0，则过程控制向量u(k)的递推关系如下：
[0093][0094]
ρ表示控制过程的迭代步长因子，适当调整其取值可以改善控制系统的响应速度；在过程控制量递推计算式中，φ(k)的取值关系到整个控制效果，根据控制系统输入与输出数据在线估算而得；为了估算矩阵φ(k)，基于无模型自适应控制原理，本发明以列车速度跟随偏差在紧邻采集控制周期差值的最小化为主线，以伪偏导矩阵的估算值逼近其真实值为约束，构建一个关于φ(k)的优化准则函数，具体形式如下：
[0095][0096]
l(φ(k))是一个关于伪偏导矩阵φ(k)的优化目标函数；μ是优化目标权重；将优化目标函数对φ(k)求偏导并令其等于0，则伪偏导矩阵的估算矩阵的递推计算式如下所示：
[0097][0098]
σ是迭代步长控制因子；δv(k-1)表示k-1时刻列车实际运行速度的变化量；将伪偏导矩阵的辨识过程与过程控制量相结合，引入一个常数ε以稳定过程控制，则基于数据特征的城市轨道列车节能曲线在线跟随自适应控制的完整递推控制律如下：
[0099][0100][0101]
步骤s5，以步骤s3获得的数据特征向量的控制与转移为主线，将无模型自适应控制原理应用于节能牵引曲线的数据特征跟随控制过程，获取基于数据特征控制的节能牵引曲线在线跟随自适应控制律；
[0102]
步骤s6，根据步骤s5所获得的节能牵引曲线在线跟随自适应控制律和步骤s3所获得的数据特征向量，获取节能牵引曲线在线跟随的过程控制量；
[0103]
步骤s7，对步骤s6所获得的过程控制量实施限幅反馈输出，基于限幅反馈再输出策略抑制和迭代修正过程控制量，以满足实际设备的承受能力；
[0104]
请参见图5，对步骤s6所获得的过程控制量实施限幅反馈输出，基于限幅反馈再输出策略抑制和迭代修正过程控制量的方法为：
[0105]
当递推自适应控制律计算结果超过设备承受极限时，将限幅输出的信息反馈到过程控制量递推计算式，再运用递推控制律计算输出，确保控制算法输出的过程控制量限制在设备所能承受的范围内，并且将限幅输出数据融合到过程控制律，以便下一个控制周期进行迭代计算时能够感知上一个时刻的限幅输出信息。
[0106]
最终的列车节能牵引曲线的在线跟随控制实施流程如图6所示，本发明实现的速度跟随控制效果如图7所示。
[0107]
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

技术特征：
1.一种城市轨道交通列车节能牵引数据驱动自适应控制方法，其特征在于，包括以下步骤：步骤s1，采集传感器在线测量的城市轨道交通列车运行状态数据。获取历史运载统计信息数据，获得牵引节能离线优化结果；步骤s2，将步骤s1所获得的城市轨道交通列车运行状态数据和历史运载统计信息数据作为核极限学习机的基础数据集，将节能牵引曲线过程状态与数据映射到高维空间，从高维空间获取控制目标的数据特征向量，基于核极限学习机自编码器原理对城市轨道交通列车运行数据进行尺度变换构建量测数据特征模型；步骤s3，根据步骤s1所得的传感器在线测量的城市轨道交通列车运行状态数据、牵引节能离线优化结果与步骤s2所得的量测数据特征模型，获取离线优化结果数据特征向量与在线量测数据特征向量；步骤s4，以步骤s2所获得的量测数据特征模型为基础，基于量测数据特征模型与无模型自适应控制建立城市轨道交通列车节能曲线在线跟随递推自适应控制律；步骤s5，以步骤s3获得的数据特征向量的控制与转移为主线，将无模型自适应控制原理应用于节能牵引曲线的数据特征跟随控制过程，获取基于数据特征控制的节能牵引曲线在线跟随自适应控制律；步骤s6，根据步骤s5所获得的节能牵引曲线在线跟随自适应控制律和步骤s3所获得的数据特征向量，获取节能牵引曲线在线跟随的过程控制量；步骤s7，对步骤s6所获得的过程控制量实施限幅反馈输出，基于限幅反馈再输出策略抑制和迭代修正过程控制量，以满足实际设备的承受能力。2.按照权利要求1所述的城市轨道交通列车节能牵引数据驱动自适应控制方法，其特征在于，在步骤s1中，城市轨道交通列车运行状态数据包括：列车运行加速度、列车运行速度、列车实际运行距离测量、列车牵引电机输入功率、列车牵引电机的电相角和列车牵引转矩；历史运载统计信息数据包括：历史运载数据、历史运行时惯量数据；牵引节能离线优化结果是工况转换点参数，包括列车运行距离、列车加速度、列车速度。3.按照权利要求1所述的城市轨道交通列车节能牵引数据驱动自适应控制方法，其特征在于，步骤s2中，构建量测数据特征模型的方法为：将步骤s1所获得的城市轨道交通列车运行状态数据和历史运载统计信息作为核极限学习机的基础数据集其中列车运行数据的原始数据向量记为x
i
＝[x
k1
,x
k2
,...,x
kn
]
t
∈r
n
，列车历史运行的数据向量经尺度变换后所得的向量记为y
k
＝[y
k1
,y
k2
,...,y
km
]
t
∈r
m
；将核极限学习机自编码器原理应用于量测数据特征模型的建模过程，将列车原始运行数据的原始数据向量x作为核极限学习机的输入，编码函数e(
·
)将向量x编码为向量y，解码函数d(
·
)向量y解码为向量使复现x，从而实现列车数据尺度变换与数据特征的抽取；列车运行数据尺度变换与数据特征抽取过程的数学描述如下。hβ＝y
hh
t
(i,j)＝k(x
i
,x
j
)))表示量测数据特征向量；β
i
为隐含层第i个神经元的连接权值，g(w
i
,b
i
,x
k
)为对应第i个神经元的激活函数，w
i
为权重向量，b
i
为偏置项；h
+
表示极限学习机隐含层输出矩阵h的广义逆矩阵；k(x,y)表示机器学习方法的核函数。4.按照权利要求1所述的城市轨道交通列车节能牵引数据驱动自适应控制方法，其特征在于，步骤s4中，基于量测数据特征模型与无模型自适应控制建立城市轨道交通列车节能曲线在线跟随递推自适应控制律的方法为：将无模型自适应控制原理应用于在线跟随递推控制律构建过程；根据无模型自适应控制原理，城市轨道交通列车节能牵引曲线的在线跟随控制过程的数学描述式如下。v(k+1)＝f(v(k),
…
,v(k-n
v
),u(k),
…
,u(k-n
u
))v(k+1)＝v(k)+φ(k)δu(k)δu(k)＝u(k)-u(k-1)v(k)∈r
n
和u(k)∈r
m
分别表示列车在第k时刻的目标特征向量与过程控制向量；n
u
和n
v
两个正整数，表示系统阶数；f(
·
)是一个非线性函数；φ(k)是一个与列车节能曲线在线跟随过程输入输出数据有关且时变性很强的约束控制矩阵，亦被称为伪偏导矩阵；向量δu(k)表示列车在第k时刻过程控制参数序列的增量；根据无模型自适应控制原理，本发明建立如下的目标控制优化准则：l(u(k))表示关于第k时刻过程控制向量u(k)的优化目标函数；v
*
(k+1)表示第k+1时刻的期望数据特征；和θ是优化目标的权重；t表示采集控制周期；将v(k+1)＝v(k)+φ(k)δu(k)与δu(k)＝u(k)-u(k-1)带入优化准则函数l(u(k))，对u(k)求偏导并令其等于0，则过
程控制向量u(k)的递推关系如下：ρ表示控制过程的迭代步长因子，适当调整其取值可以改善控制系统的响应速度；在过程控制量递推计算式中，φ(k)的取值关系到整个控制效果，根据控制系统输入与输出数据在线估算而得；为了估算矩阵φ(k)，基于无模型自适应控制原理，本发明以列车速度跟随偏差在紧邻采集控制周期差值的最小化为主线，以伪偏导矩阵的估算值逼近其真实值为约束，构建一个关于φ(k)的优化准则函数，具体形式如下：l(φ(k))是一个关于伪偏导矩阵φ(k)的优化目标函数；μ是优化目标权重；将优化目标函数对φ(k)求偏导并令其等于0，则伪偏导矩阵的估算矩阵的递推计算式如下所示：σ是迭代步长控制因子；δv(k-1)表示k-1时刻列车实际运行速度的变化量；将伪偏导矩阵的辨识过程与过程控制量相结合，引入一个常数ε以稳定过程控制，则基于数据特征的城市轨道列车节能曲线在线跟随自适应控制的完整递推控制律如下：城市轨道列车节能曲线在线跟随自适应控制的完整递推控制律如下：5.按照权利要求1所述的城市轨道交通列车节能牵引数据驱动自适应控制方法，其特征在于，在步骤s7中，对步骤s6所获得的过程控制量实施限幅反馈输出，基于限幅反馈再输出策略抑制和迭代修正过程控制量的方法为：当递推自适应控制律计算结果超过设备承受极限时，将限幅输出的信息反馈到过程控制量递推计算式，再运用递推控制律计算输出，确保控制算法输出的过程控制量限制在设备所能承受的范围内，并且将限幅输出数据融合到过程控制律，以便下一个控制周期进行迭代计算时能够感知上一个时刻的限幅输出信息。

技术总结
本发明公开了一种城市轨道交通列车节能牵引数据驱动自适应控制方法，先基于核极限学习机自编码器原理对城市轨道交通列车运行数据进行尺度变换构建量测数据特征模型，再获取离线优化结果数据特征向量与在线量测数据特征向量，基于量测数据特征模型与无模型自适应控制建立列车节能曲线在线跟随递推自适应控制律，然后获取基于数据特征控制的节能牵引曲线在线跟随自适应控制律，最后再获取节能牵引曲线在线跟随的过程控制量。本发明将核极限学习机与无模型自适应控制引入节能牵引曲线在线跟随过程，以数据特征控制与转移为主线，基于深度数据驱动获取节能牵引曲线在线跟随自适应控制律，从整体上提高了节能牵引曲线在线跟随的稳定性、自适应性与控制精度。自适应性与控制精度。自适应性与控制精度。


技术研发人员：陆冠成 贺德强
受保护的技术使用者：广西大学
技术研发日：2023.04.10
技术公布日：2023/7/21