[发明专利]机车能耗智能预测方法及系统

权利要求书

1.一种机车能耗智能预测方法，其特征在于，包括以下步骤：

1)采集机车行驶及车况数据、机车车外环境数据；所述机车行驶及车况数据包括历史驾驶数据与机车运行监控日志、机车在行驶过程中的指定时间间隔内的稳定的行驶速度能耗值、行驶速度、机车行驶档位、道路坡度损耗功率；所述机车车外环境数据包括指定时间间隔内的降雨阻力、道路积水阻力，风阻能耗，积雪能耗，温度能耗，指定区域能耗；

2)将所述机车行驶及车况数据作为RBF神经网络的输入，训练所述RBF神经网络，获得机车车辆行驶能耗控制智能预测模型；将所述机车车外环境数据作为GRU深度神经网络的输入，训练所述GRU深度神经网络，获得智能机车环境能耗预测模型；

3)融合所述机车车辆行驶能耗控制智能预测模型、机车环境能耗智能预测模型，得到能耗预测模型；

4)将实时采集的机车行驶及车况数据、机车车外环境数据输入所述能耗预测模型，智能预测机车能耗；

利用狼群-模拟退火算法寻找所述RBF神经网络的最佳权值和阈值的具体实现过程包括：

A1、设定第一适应度函数，并确定初始最优头狼位置和迭代次数t；初始化模拟退火算法循环迭代次数t2；依次将个体狼位置对应的参数值输入RBF神经网络，RBF神经网络对应所述参数值的输出作为初始值，利用个体狼位置确定智能机车耗能参数的权重计算结果，将计算结果和实际能耗值的均方差MSE的倒数作为第二适应度函数；利用第二适应度函数计算每个个体狼位置的适应度，以最大适应度对应的个体狼位置作为初始最优头狼位置；

A2、以个体狼的第二适应度函数相对初始值更新狼群位置参数，获得更新后的最优头狼位置；

A3、判断是否到达优化精度要求或达到最大迭代次数，若否，则令t的值加1，转至步骤A4；若是，转至步骤A7；

A4、对本次迭代中的最优头狼个体进行模拟退火操作，在得到的最优头狼位置b_i邻域内随机选择新的位置b_j，并计算b_i与b_j的适应度之差Δf＝f(b_i)-f(b_j)，计算选择概率P＝exp(-Δf/Ti)，Ti为当前温度；如果P＞random[0，1)，则将当前头狼位置由b_i替换为b_j，进入步骤A5；否则，重复步骤A4；

A5、t2的值加1，返回步骤A4；

A6、若t2＜L_max，转至步骤A5；否则，转至步骤A7；其中，L_max为最大退火迭代次数；

A7、当达到最大搜索精度或最大迭代次数时，输出最新的头狼位置向量，将该最新的头狼位置向量作为所述RBF神经网络的最佳权值和阈值；

若未达到最大搜索精度或最大迭代次数，则将t的值加1，返回步骤A3；

利用蝙蝠算法寻找所述GRU深度神经网络的最佳权值和阈值的具体实现过程包括：

B1、初始化蝙蝠的频率、速度和位置，在[f_min,f_max]区间内随机生成个体蝙蝠发出的频率，在搜索空间中[v_min,v_max]和[X_min,X_max]区间内随机初始化蝙蝠的速度和位置；初始化蝙蝠i的脉冲速率和响度；

B2、利用下式更新蝙蝠i的速度v_id(t)和位置x_id(t)：

其中，v_id(t)、v_id(t+1)分别为第t、t+1代蝙蝠i的第d维速度；x_id(t)、x_id(t+1)分别为第t、t+1代蝙蝠i的第d维位置；w为惯性权重；θ,β分别为前期搜索、后期搜索的切换系数，c_j是常数，k是0到1之间的随机数，n_id(t)为当前蝙蝠i第d维的中值导向加速度，a_id(t)为当前蝙蝠i第d维的动力加速度，p_jd(t)为第t代蝙蝠j的个体最优蝙蝠第d维位置；

B3、设第t次迭代蝙蝠i的脉冲速率为r_i(t)，rand是在(0,1)区间内的随机数,如果有rand＞r_i(t)，从当前个体蝙蝠位置x_id(t)中任选一个位置X₁进行局部搜索，获得新解X₂＝X₁+ρA_i(t),ρ为[-1,1]区间的随机系数,A_i(t)为蝙蝠i在第t次迭代中的平均响度；

B4、根据所述新解计算目标函数的适应值，如果满足条件rand＜A_i(t)，则以B3中新解X₂更新蝙蝠i的个体最优蝙蝠位置p_i；

B5、判断是否达到最大迭代次数或者达到最大搜索精度，若否，迭代次数加1，并利用下式更新脉冲速率r_i(t)和响度A_i(t)：A_i(t+1)＝σA_i(t)，r_i(t+1)＝r_i(t)[1-exp(-h(t+1))]，转到步骤B4；若是，则输出个体最优蝙蝠位置，该个体最优蝙蝠位置即为GRU深度神经网络的最佳权值和阈值；其中，A_i(t+1)为蝙蝠i在第t+1次迭代中的响度；r_i(t+1)为蝙蝠i在第t+1次迭代的脉冲速率；σ为响度衰弱因子，且σ为[0,1]区间的常量；h为脉冲频度增加系数，且h为大于0的常量。