[发明专利]基于机器学习的列车牵引能耗计算方法

说明书

本发明实施例提供了一种基于机器学习的列车牵引能耗计算方法。该方法包括：建立离散化的列车牵引能耗计算模型；对既有数据进行选择，处理，形成离散化的数据集；将数据集划分为训练集与测试集，利用训练集训练标定随机森林回归与支持向量机回归机器学习算法的最优参数，并用测试集验证其用于计算牵引能耗的效果。利用机器学习算法随机森林回归与支持向量机回归的新方法计算列车牵引速度曲线的能耗，其中随机森林回归同时可以得到曲线某位移处的速度的重要度排序。机器学习方法计算列车牵引能耗，计算过程简单，计算精度高，计算成本低。

技术领域

本发明涉及列车牵引能源计算技术领域，尤其涉及一种基于机器学习的列车牵引能耗计算方法。

背景技术

现阶段，世界大城市解决交通拥堵问题的主要措施是导向发展公共交通，作为城市公共交通的主干的城市轨道交通得以大力发展。城市轨道交通运营里程的不断增加，随之而来的是运营能源消耗的不断攀升，相对应的碳排放量也急剧上升，国家以及环保部门对此也极为重视；能源消耗的成本亦愈来愈大，能源消耗的基数的变大，也对节约能源提出了更高的要求。

城市轨道交通系统节能涉及很多方面，其中能源消耗占比过半是列车的牵引过程，因此对列车牵引的优化节能也成为了节能的基础性工作。牵引过程主要表现是速度曲线，传统研究中对于列车牵引能源计算是通过车辆生产厂家对列车的牵引特性进行大量的实验得出的经验公式，用于后续计算列车运行的能源消耗。然而，在现场的应用过程，列车的实际能耗往往与理论计算存在着一定的误差。

目前，现有技术中还没有一种有效的计算列车牵引能耗的方法。

发明内容

本发明的实施例提供了一种基于机器学习的列车牵引能耗计算方法，以克服现有技术的缺点。

为了实现上述目的，本发明采取了如下技术方案。

一种基于机器学习的列车牵引能耗计算方法，包括：

建立机器学习计算列车牵引能耗的数据驱动模型；

收集列车运行状态数据，对所述列车运行状态数据进行降维、标准化处理，得到处理后的数据；

利用处理后的数据训练随机森林回归机器学习算法，并对训练好的随机森林回归机器学习算法进行验证；

利用处理后的数据训练支持向量机回归机器学习算法，并对训练好的支持向量机回归机器学习算法进行验证；

基于任意区间的列车运行曲线数据，利用所述训练好的随机森林回归机器学习算法与支持向量机回归机器学习算法分别求解所述列车牵引能耗的数据驱动模型，获取列车牵引能耗数据。

进一步地，所述的建立机器学习计算列车牵引能耗的数据驱动模型，包括：

在原始的列车运行速度曲线中获取小时间单位间隔▽t内每个速度点之间列车的运行状态为匀加速的过程；

将所述原始的列车运行速度曲线离散为一系列不同位移处的速度数据点{v₁-s₁},{v₂-s₂}.......,{v_i-s_i},.....{v_n-s_n}，{v_i-s_i}为速度-位移点；