论文部分内容阅读
在城市轨道交通迅速发展的时代背景下,如何减少城轨交通系统的能耗吸引了越来越多的注意力,而列车牵引能耗是系统总能耗中最主要的一部分,因此很多学者提出各种方法来优化广泛应用于城轨交通的列车自动运行(Automatic Train Operation,ATO)系统。然而现有的研究中尚有一些问题没有解决,即当传统的离线优化应用于实际动态变化的列车模型时,实际运行结果与仿真结果有一定的偏差,很难得到期望的节能效果。对此,本文提出一种可以适应模型动态变化的在线节能优化算法。本文的核心内容是提出基于神经网络预测控制,并应用于在线节能优化列车自动运行。该方法是以列车运行过程中实时采集的数据为基础,在线辨识列车模型,并基于改进的预测模型进行在线滚动优化得到最优控制序列,故此方法可以充分考虑模型的变化。本文将从预测模型、滚动优化和参考曲线等几个方面详细分析预测控制应用于列车自动运行的方法。(1)以实时采集的列车数据为基础,文中采取神经网络方法在线辨识列车模型,作为预测未来状态的预测模型。详细分析比较了用于辨识的误差反向传播(Back Propagation,BP)神经网络算法和径向基(Radial Basis Function,RBF)神经网络算法,并提出了实现在线辨识的两种改进措施。(2)将滚动优化转化为求解预测时域内带约束的性能目标函数最小化问题,建立包含着准时性、舒适性和节能性的性能目标函数,分析该优化问题的结构和特性,选择适合的求解方法,求解得到控制时域内最优的控制序列。(3)给出BP神经网络和RBF神经网络辨识列车模型的仿真,分析两个网络预测模型的非线性逼近能力和预测能力,比较两个模型中更适合作为预测模型的特性。(4)分别给出本文的在线节能优化算法和传统离线节能优化算法的仿真案例,体现了两种算法的有效性。更进一步,将两种算法应用于晴天、雨天两种变化环境下的列车模型,比较两种算法在模型动态变化情况下表现出的性能。仿真结果表明,RBF神经网络的收敛速度更快,预测能力更强,更适合作为预测控制的预测模型。同时在动态模型情况下仿真比较可以证明,本文提出的在线优化对动态模型的适应性更强,可以得到更优的节能效果。