[发明专利]机车能耗智能预测方法及系统

说明书

本发明公开了一种机车能耗智能预测方法及系统，综合考虑了机车稳定的行驶速度下行驶速度能耗值、行驶速度、机车行驶档位、道路坡度损耗功率以及降雨阻力、道路积水阻力，风阻能耗，积雪能耗，温度能耗等多方面因素，并且利用各种智能预测模型及优化算法进行权重融合，建立有效牵引模式转换模型来进行能耗分析和预测，保证了能耗策略选择以及实时调整指令的有效性。

技术领域

本发明涉及人工智能领域，特别是一种机车能耗智能预测方法及系统。

背景技术

随着轨道交通技术的飞速进步，轨道车辆自动化水平逐步提高。铁路为我国国民经济的大动脉，其主导地位也将进一步加强。铁路运输消耗能源的数量也是相当巨大。而在全球能源危机的情况下，在新型机车的应用中迫切需要发展高效节能技术以及操作技术。能耗和排放是衡量社会经济可持续发展的核心指标，对可持续交通运输系统中的各种交通方式提出了要求和挑战。

在铁路运输能耗中，机车牵引所消耗的能源约占到铁路运输牵引能耗的大部分。因此，降低牵引能耗对于降低铁路能耗具有重要作用。而机车控制系统是一个典型的多目标非线性的复杂控制系统，需要考虑许多复杂的约束条件。面对风雨雪等自然条件，车站、随道、桥梁、曲线、坡道等线路条件以及编组、货运量等特定条件时，对机车自动控制系统的持续改进，对于降低铁路运输费用，提高铁路运输行业效率，实现铁路的可持续发展具有重要意义。

机车除了固定客货运线路上的正常行驶的能耗以外，也需要考虑运载量变化带来的行驶能耗和车外环境变化带来的额外能耗的因素。传统的列车力学分析以及列车运行状态研究，基于运行状态的数据和进行外部参数融合等方面存在灵活性差、准确性低的问题，需要通过建立多目标机车节能优化模型，进一步促进铁路运输的可持续发展及节能降耗。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种机车能耗智能预测方法、系统及存储介质，提高能耗预测精度。

为解决上述技术问题，本发明所采用的技术方案是：一种机车能耗智能预测方法，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预测模型、机车环境能耗预测模型，得到能耗预测模型。

在充分考虑到机车运行期间的各项人机环结合的影响因素的基础上，将采集到的多种参数融合来实现高精度的最低牵引能耗智能预测及优化过程，可以有效的解决机车的节能优化问题，减少排放及污染等，提高能耗预测精度。

还包括：

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。本发明的能耗预测模型为多目标机车节能优化模型，灵活性好、准确性高。

步骤2)中，所述机车车辆行驶能耗控制智能预测模型的具体训练过程包括：以所述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、道路坡度损耗功率为RBF神经网络的输入，间隔时间T后的机车车辆行驶能耗为RBF神经网络的输出，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，该最佳权值和阈值对应的RBF神经网络即为机车车辆行驶能耗控制智能预测模型。该方法可以让整个神经网络按照最大概率来生成训练数据，同时结合优化算法的应用能有效提取数据特征并提高预测精度。