基于数据驱动预测控制的虚拟编组控制方法及系统

技术领域

本文件涉及模型预测控制技术领域，尤其涉及一种基于数据驱动预测控制的虚拟编组控制方法及系统。

背景技术

随着城轨交通的快速发展和运输需求的不断提高，对列控系统的运行能力提出更高的要求，基于移动闭塞的运行方式成为影响列车运行间隔的核心因素，为进一步提高运行效率，突破闭塞区间限制成为必须解决的问题。其发展方向之一可以从列车运行编组方式的角度考虑，应用先进的列车编组方式来提升轨道交通的运输效率，缩短列车之间的发车时间间隔,提高列车的运输能力，因而达到满足交通运量需求和国民经济发展需要的目的。

为此，虚拟编组的概念被提出。如图1所示，虚拟编组技术通过车与车直接无线通信，后车获取前车的运行状态控制后车的运行，从而通过无线通信实现多列车以相同速度、极小间隔的列车协同运行方式。通过这种方式，将传统的物理车钩联挂变成了无线通信联挂。虚拟编组的提出突破原有闭塞区间的限制，进一步缩短列车安全防护距离，且列车调整更加灵活，进一步提高了运行效率。

虚拟编组概念的提出，也对列车控制方法提出了新的挑战：虚拟编队运行时，跟随列车的运行轨迹需动态生成并实时调整，诸如PID等传统控制方式难以达到良好的控制效果，故有许多针对虚拟编组的控制方法被提出，其中常用的一种便是模型预测控制（ModelPredict Control, MPC）方法。

MPC还可以称之为滚动时域控制（Moving Horizon Control, MHC）是一种先进的过程控制方法，用于满足一系列约束条件下的过程进行控制。自 20 世纪 80 年代以来，它一直被用于化工厂和炼油厂的流程工业。MPC 具有能够显示处理系统强约束的优势，使得其广泛的应用在各种工业控制中。在现有技术中，如图2所示，y

(1) 模型预测：测量系统当前的状态，将测量所得的状态信息作为系统的初始状态，通过建立的系统模型，预测有限时域内系统的状态。

(2) 优化求解：设计目标函数，根据预测所获得的状态，基于目标函数的建立优化问题，通过优化求解方式得到系统当前状态的控制序列。

(3) 执行：将优化求解的控制序列的第一项元素施加于控制对象，在下一个采样周期重复步骤(1)。

目前针对虚拟编组提出的MPC方法中，通常更注重优化求解部分的算法，模型部分基本是简单的运动学模型或者简化的列车动力学模型，导致在预测精确度上有一定欠缺，且无法跟随列车运行时的性能的变化而调整，进而影响到最终控制的效果。

发明内容

本发明的目的在于提供一种基于数据驱动预测控制的虚拟编组控制方法及系统，旨在解决现有技术中的上述问题。

本发明提供一种基于数据驱动预测控制的虚拟编组控制方法，用于前车和后车组成的双车虚拟编组，包括：

通过前车的前n个周期速度、控制量以及坡度信息，通过预先训练的短时动力学模型预测前车的后m个周期的速度值，根据所述后m个周期的速度值获取预测速度序列并发送到后车，其中m、n为自然数；

通过后车获取所述预测速度序列，根据所述预测速度序列确定后m个周期的编组距离，并根据所述编组距离计算后m个周期的后车目标速度，根据所述后车目标速度求解实现所述后车目标速度所需的控制量，并按照所述控制量控制后车行车。

本发明提供一种基于数据驱动预测控制的虚拟编组控制系统，用于前车和后车组成的双车虚拟编组，包括：

预测模块，位于前车，用于通过前车的前n个周期速度、控制量以及坡度信息，通过预先训练的短时动力学模型预测前车的后m个周期的速度值，根据所述后m个周期的速度值获取预测速度序列并发送到后车，其中m、n为自然数；

求解模块，位于后车，用于通过后车获取所述预测速度序列，根据所述预测速度序列确定后m个周期的编组距离，并根据所述编组距离计算后m个周期的后车目标速度，根据所述后车目标速度求解实现所述后车目标速度所需的控制量，并按照所述控制量控制后车行车。

采用本发明实施例，能够更精确地预测前车轨迹，从而优化后车追踪性能。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是现有技术中的虚拟编组示意图；

图2是现有技术中的MPC处理的流程图；

图3是本发明实施例的基于数据驱动预测控制的虚拟编组控制方法的流程图；

图4是本发明实施例的基于数据驱动预测控制的虚拟编组控制方法详细处理的流程图；

图5是本发明实施例的使用搜索算法求解控制量的示意图；

图6是本发明实施例的基于数据驱动预测控制的虚拟编组控制系统的示意图。

具体实施方式

为了解决现有技术中的问题，本发明实施例通过数据驱动方式建立虚拟编组前车的短期动力学模型，编组运行时前车据此预测短期速度曲线并发送给编组后车，编组后车根据前车预测速度曲线计算控制级位，实现对速度及间距的追踪。相较现有模型预测控制方法，本方法实施例的技术方案基于机器学习方式，通过数据驱动建立模型，以更精确地预测前车轨迹，从而优化后车追踪性能。

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。

方法实施例

根据本发明实施例，提供了一种基于数据驱动预测控制的虚拟编组控制方法，用于前车和后车组成的双车虚拟编组，图3是本发明实施例的基于数据驱动预测控制的虚拟编组控制方法的流程图，如图3所示，根据本发明实施例的基于数据驱动预测控制的虚拟编组控制方法具体包括：

步骤S301，通过前车的前n个周期速度、控制量以及坡度信息，通过预先训练的短时动力学模型预测前车的后m个周期的速度值，根据所述后m个周期的速度值获取预测速度序列并发送到后车，其中m、n为自然数；

在本发明实施例中，将前车的一段时间内的所有周期以n个周期为一组进行分组，分别将每组中n个周期的速度、控制量以及坡度信息作为短时动力学模型的输入变量，通过所述短时动力学模型以所述输入变量预测后段m个周期的速度值，将每组的输入变量和速度值作为一个样本，获取所述一段时间内的多个样本，将所述多个样本的输入变量作为所述短时动力学模型的输入向量x，将所述多个样本的速度值作为所述短时动力学模型的真值y，以监督学习方式得到x到y的映射关系，获取训练好的所述短时动力学模型。也就是说，本发明实施例通过机器学习方法，构建有自学习能力的列车短期动力学模型，并以此模型进行虚拟编组列车的模型预测控制。

在本发明实施例中，通过前车的控制器追踪本车目标速度并根据本车目标速度计算控制量，基于所述控制量行车，并记录列车本周期速度；

步骤S302，通过后车获取所述预测速度序列，根据所述预测速度序列确定后m个周期的编组距离，并根据所述编组距离计算后m个周期的后车目标速度，根据所述后车目标速度求解实现所述后车目标速度所需的控制量，并按照所述控制量控制后车行车。

其中，根据所述预测速度序列确定后m个周期的编组距离具体包括：非虚拟编组行车情况下，通常通过紧急制动“撞软墙”的防护模型，根据前后双车速度，确定列车行车距离最小值（计算双车各在自速度下进行紧急制动过程中，前后车位移差值的最小值，若该值小于0则以该值绝对值为最小行车距离，若该值大于等于0则最小行车距离为0）。虚拟编组运行中，由于前后车速度趋于一致的特性，可以认定后车速度与前车速度差值小于某偏差，从而可以以前车速度加该偏差作为后车速度带入模型，从而计算某前车速度下的编组距离。

其中，根据所述编组距离计算后m个周期的后车目标速度具体包括：

根据公式1确定后m个周期的后车目标速度函数：

公式1；

其中，

公式2；

其中，

在一个控制周期中，前后车的初始距离

公式3；

公式4；

其中，

通过求解公式1、公式3和公式4得到后m个周期的后车目标速度。

求解实现所述后车目标速度所需的控制量具体包括：

基于后车的短时动力学模型，获得控制量-短时速度的映射关系，得出以控制量u作为变量，最小化短时速度与目标速度误差的目标函数，如公式5：

公式5；

其中，

基于公式5求解所述后车目标速度所需的控制量，基本流程如图5，具体包括如下处理：

步骤1，输入目标速度序列；

步骤2，确定控制量u的初始值，并将最小误差初始化为无穷大；

步骤3，通过短时动力学模型预测控制量u的速度序列；

步骤4，计算速度序列与目标速度序列的误差；

步骤5，判断所述误差是否小于当前最优值，如果判断为是，则将当前误差作为最小误差，记录对应控制量u，如果判断为否，则判断是否满足继续搜索条件，如果满足，则根据搜索规则选择下一个搜索的控制量u，返回步骤3，如果不满足，输出求解结果控制量u。

以下结合附图，对本发明实施例的上述技术方案进行详细说明。

本发明实施例针对目前实施可能性较大的双车虚拟编组设计，其中编组前车只需按照运营计划规定的方式运行，以保证计划的准确性，而虚拟编组的距离控制等由编组后车保障。如图4所示，算法总体流程依然采用MPC的预测-求解-执行三步骤，其中预测部分为预测编组前车的运动状态（短时速度序列），由编组前车进行；求解部分计算后车需要执行的控制量，由编组后车进行。这种设计方式有两方面的考虑，其一是预测列车运动状态需要大量的数据，若将这些数据发送给后车处理会加大列车通信的负担，其二是编组后车需要进行求解步骤，计算量较大，因此应尽可能减少后车其他的运算工作。

一、短时动力学模型的建立：

建立准确的速度预测模型是实施有效控制的重要前提。列车速度预测通常有两种方式，其一是根据列车历史的运行信息，统计出一条列车在该区间的运行速度-时间曲线，此方法对于列车在区间内运行方式高度一致时效果较好，且计算量较小，但在列车运行方式发生变化，如设置临时限速，调整行车时间等情况下，无法保证预测效果；其二是通过结合环境信息，列车状态，控制量序列等信息，输入一个模拟列车动力学的模型，从而推演出未来短时内的列车运行状态，此方法不受列车在区间运行方式变化的影响，适用于各种情况，但预测时间范围较短（基本取决于列车的控制延迟），且模型的建立有一定难度，计算量也会更大。考虑到编组运行环境的灵活性，以及后续控制对速度序列长度的需求不强，故本发明实时采用第二种预测方式。

①变量选择：

应当尽量贴近现实的物理规律，考虑实际情况下哪些因素会在物理范围影响到列车运行速度，避免受诸如控制策略，线路限速，驾驶习惯等人为定义因素的影响。根据上述考虑，本发明实施例选定一定时间窗范围（n周期）内的列车速度，控制量（分为牵引控制量和制动控制量）以及坡度作为模型的输入变量。

②数据采集：

不论是自动驾驶或是人工驾驶，不论在任何区间，只要是完整记录了一段时间内速度、坡度、控制量信息的该辆列车的运行数据（如果同型号列车动力学表现差异在可接受范围内，则不需限定该车辆，只要同型号车辆即可）都可以采集作为数据集供模型进行学习。通常来说，对于自动驾驶的列车，ATO日志能够自动记录上述数据，不需要额外进行采集，若希望从非自动列车采集数据则需要额外安装采集设备。

③模型建立：

短时动力学模型可以选择神经网络模型，时间序列模型，决策树系列模型等，本发明实施例并不限定使用某种特定的机器学习模型。若模型需要以n个周期的变量预测后m周期的速度，则将前车的一段时间内的所有周期以n个周期为一组进行分组，分别将每组中n个周期的速度、控制量以及坡度信息作为短时动力学模型的输入变量，通过所述短时动力学模型以所述输入变量预测后段m个周期的速度值，将每组的输入变量和速度值作为一个样本，获取所述一段时间内的多个样本，将所述多个样本的输入变量作为所述短时动力学模型的输入向量x，将所述多个样本的速度值作为所述短时动力学模型的真值y，以监督学习方式得到x到y的映射关系，获取训练好的所述短时动力学模型。

此外，虽然虚拟编组控制时只有编组前车和需要使用该模型进行速度预测，但对于虚拟编组后车，同样需要建立一个速度预测模型，一是因为折返后编组前后车关系会变，二是在后续的控制量求解中也需要借助后车的模型。

二、计算后车目标速度：

虚拟编组的追踪目标是使两辆列车尽可能表现得如同一辆列车，即各时刻下：①前车车尾与后车车头间距趋近于0；②两车速度趋于相同。考虑到某些场景下两目标无法同时达到最优（如：前后车因为干扰导致间隔拉大，此时后车需要速度超过前车以补偿拉开的间距），故可通过赋予权重方式将两目标合并为单一优化目标，考虑m周期情况，即：

公式1；

其中，

公式2；

为控制周期。

在一个控制周期中，前后车的初始距离

其中

不难看出上述优化问题为有约束的多元二次规划问题，已有成熟解决算法，此处不再赘述。

三、控制量求解

控制最终的目标是计算得到编组后车需要下发的控制量u，由于已经得出了后车的目标速度，故此处可以使用多种控制算法进行求解，为了减少额外的控制器设计及调优工作，此处可以借助后车的短时动力学模型，获得控制量-短时速度的映射关系，从而得出以控制量u作为变量，最小化短时速度与目标速度误差的优化问题，如下式：

其中

由于短时动力学模型通常为非线性模型，故此优化问题无法通过二次规划等方式求解，可以使用搜索算法，如模拟退火，人工鱼群等进行求解。

如图5所示，具体包括如下处理：首先输入目标速度序列，选择控制量初始值u，将最小误差初始化为无穷大；通过动力学模型预测u控制量的速度序列，计算速度序列与目标速度的误差；判断误差是否小于当前最优值，如果小于，则记当前误差为最小误差，并记录对应控制量，否则，判断是否继续满足继续搜索的条件，如果满足，则根据搜索规则选择下一个搜索的u值，返回通过动力学模型预测u控制量的速度序列的步骤，如果不满足，则输出求解结果即记录的对应控制量。

综上所述，本发明实施例通过数据驱动方式建立虚拟编组前车的短期动力学模型，编组运行时前车据此预测短期速度曲线并发送给编组后车，编组后车根据前车预测速度曲线计算控制级位，实现对速度及间距的追踪。相较现有模型预测控制方法，本方法实施例的技术方案基于机器学习方式，通过数据驱动建立模型，以更精确地预测前车轨迹，从而优化后车追踪性能。

系统实施例

根据本发明的实施例，提供了一种基于数据驱动预测控制的虚拟编组控制系统，用于前车和后车组成的双车虚拟编组，图6是本发明实施例的基于数据驱动预测控制的虚拟编组控制系统的示意图，如图6所述，根据本发明实施例的基于数据驱动预测控制的虚拟编组控制系统具体包括：

预测模块60，位于前车，用于通过前车的前n个周期速度、控制量以及坡度信息，通过预先训练的短时动力学模型预测前车的后m个周期的速度值，根据所述后m个周期的速度值获取预测速度序列并发送到后车，其中m、n为自然数；

求解模块62，位于后车，用于通过后车获取所述预测速度序列，根据所述预测速度序列确定后m个周期的编组距离，并根据所述编组距离计算后m个周期的后车目标速度，根据所述后车目标速度求解实现所述后车目标速度所需的控制量，并按照所述控制量控制后车行车。所述求解模块62具体用于：

根据公式1确定后m个周期的后车目标速度函数：

公式1；

其中，

公式2；

其中，

在一个控制周期中，前后车的初始距离

公式3；

公式4；

其中，

通过求解公式1、公式3和公式4得到后m个周期的后车目标速度。

其中，求解实现所述后车目标速度所需的控制量具体包括：

基于后车的短时动力学模型，获得控制量-短时速度的映射关系，得出以控制量u作为变量，最小化短时速度与目标速度误差的目标函数，如公式5：

公式5；

其中，

基于公式5求解所述后车目标速度所需的控制量。具体包括如下处理：

步骤1，输入目标速度序列；

步骤2，确定控制量u的初始值，并将最小误差初始化为无穷大；

步骤3，通过短时动力学模型预测控制量u的速度序列；

步骤4，计算速度序列与目标速度序列的误差；

步骤5，判断所述误差是否小于当前最优值，如果判断为是，则将当前误差作为最小误差，记录对应控制量u，如果判断为否，则判断是否满足继续搜索条件，如果满足，则根据搜索规则选择下一个搜索的控制量u，返回步骤3，如果不满足，输出求解结果控制量u。

上述系统还可以进一步包括：

模型训练模块，位于前车和后车，用于将前车的一段时间内的所有周期以n个周期为一组进行分组，分别将每组中n个周期的速度、控制量以及坡度信息作为短时动力学模型的输入变量，通过所述短时动力学模型以所述输入变量预测后段m个周期的速度值，将每组的输入变量和速度值作为一个样本，获取所述一段时间内的多个样本，将所述多个样本的输入变量作为所述短时动力学模型的输入向量x，将所述多个样本的速度值作为所述短时动力学模型的真值y，以监督学习方式得到x到y的映射关系，获取训练好的所述短时动力学模型。

本发明实施例是与上述方法实施例对应的系统实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。