[发明专利]一种数据驱动的列车牵引传动系统效率的计算方法

权利要求书

1.一种数据驱动的列车牵引传动系统效率的计算方法，其特征在于，包括：

采集列车牵引传动系统的试验测试数据，构成数据集；

根据所述数据集设计神经网络模型，将所述数据集中的样本数据作为所述神经网络模型的输入数据，所述神经网络模型的输出数据为列车牵引传动系统效率；

采用有监督学习的方式，对所述神经网络模型进行训练，将训练完成后的神经网络模型作为列车牵引传动系统效率计算模型；

利用所述列车牵引传动系统效率计算模型计算出各时刻列车牵引传动系统的效率。

2.根据权利要求1所述的方法，其特征在于，所述的采集列车牵引传动系统的试验测试数据，构成数据集，包括：

采集列车牵引传动系统的试验测试数据，构成数据集，进行数据集的选择与数据预处理，所述数据集包括：不同网压下，牵引传动系统在牵引或者制动工况下的升、降速测试中的电机转速、转矩、机械功率与网侧功率，以所述数据集中的电机转速、转矩及列车所需机械功率为样本数据，牵引传动系统效率为样本标签。

3.根据权利要求2所述的方法，其特征在于，所述的根据所述数据集设计神经网络模型，将所述数据集中的样本数据作为所述神经网络模型的输入数据，所述神经网络模型的输出数据为列车牵引传动系统效率，包括：

根据所述数据集设计神经网络模型，输入的样本数据数量为神经网络的输入层神经元个数，输入层含有三个神经元，输出层含有一个神经元；

将所述电机转速、转矩及列车所需机械功率组成的样本数据作为所述神经网络模型的输入数据，神经网络模型以列车牵引传动系统效率为输出，设置所述神经网络模型的隐含层的层数及各层的神经元个数，隐含层的层数越深，隐含层中的神经元个数越多，隐含层的层数与神经元个数根据数据集大小与特点进行调整：

其中，k为隐含层神经元个数，n_i为输入层神经元个数，n_o为输出层神经元个数，N_s为训练集的样本数，a、b皆为经验常数。

4.根据权利要求3所述的方法，其特征在于，所述的采用有监督学习的方式，对所述神经网络模型进行训练，将训练完成后的神经网络模型作为列车牵引传动系统效率计算模型，包括：

采用有监督学习的方式对所述神经网络模型进行训练，将所述神经网络模型的训练过程看作一个寻优过程，通过神经网络前向传播得到损失函数，将损失函数的信息进行反向传播，利用梯度下降等优化算法进行网络内权值等参数的更新，在不断迭代的过程中完成神经网络的训练过程，将训练完成后的神经网络模型作为列车牵引传动系统效率计算模型。

5.根据权利要求4所述的方法，其特征在于，所述的利用所述列车牵引传动系统效率计算模型计算出各时刻列车牵引传动系统的效率，包括：

设定列车运行线路条件与列车参数的初始条件，以线路条件、列车参数、运行时刻表和驾驶策略作为输入，进行待分析列车的动力学分析与牵引计算，得到每时刻下待分析列车的位置、速度、牵引或者制动力及所需机械功率，构成样本数据；将所述样本数据输入到所述列车牵引传动系统效率计算模型，该列车牵引传动系统效率计算模型计算出各时刻列车牵引传动系统的效率，进而计算出列车运行过程中电功率值及能耗情况。