专利汇可以提供一种基于事件触发的列车自动调整控制方法专利检索,专利查询,专利分析的服务。并且本 发明 属于城市轨道交通控制技术领域,涉及一种基于事件触发的列车自动调整控制方法,所述方法通过实时在线获取列车信息,针对列车受到干扰,而偏离既定运行时刻表的情况或乘车人数偏差过大的情况,当检测到系统的状态偏差满足一定条件时,触发启动本发明所述列车自动调整控制方法,并结合已有的列车自动驾驶系统,保障列车在延误下能够正常运行,保证轨道交通系统的效率、准点率和乘车舒适性。与既有基于动态规划和MPC方法的列车调整方法相比,本发明可以减少约50%的控制量计算次数,节约状态信息传输的带宽。,下面是一种基于事件触发的列车自动调整控制方法专利的具体信息内容。
1.一种基于事件触发的列车自动调整控制方法,其特征在于,包括以下步骤:
S1:采集列车实时信息,包括:实际的到发时间、列车上的人数;
S2:根据该列车的实时信息和既定的地铁系统的已知信息,判断是否产生了延误;
S3:如果列车偏离既定时刻表则使用事件触发的列车自动控制方法进行控制,计算方法步骤包括:
S31:给定预测时域和控制时域;
S32:根据列车的实时信息和既定的地铁系统的已知信息建立地铁列车调整MPC预测控制模型,预测得到预测时域的相关信息;
S33:以最小化目标函数为优化控制目标,考虑地铁系统自动调整控制中的相关约束条件,在预测时域内建立优化控制模型;
S34:判断测量误差是否满足阈值条件,若满足,则采集地铁系统实时状态,通过优化重新计算控制量,并作用于地铁系统;否则使用上一个控制阶段得到的控制量并作用于地铁系统;
S4:重复步骤S1-S3,直到控制过程结束。
2.如权利要求1所述的基于事件触发的列车自动调整控制方法,其特征在于:步骤S32根据列车的实时信息和既定的地铁系统的已知信息建立地铁列车调整MPC预测控制模型的过程如下:
S321、模拟交通环境:
是列车i离开车站n+1的实际时间,由公式 得到,其中:i是列车标
号;n是站台标号; 是列车i离开车站n的实际时间;是列车i从车站n到车站n+1的实际运行时间; 是列车i在车站n+1的实际停站时间;
由公式 得到列车实际的区间运行时间,其中: 是列车i从车站n到车
站n+1区间既定运行时间; 是对实际的区间运行时间 的调整控制量; 是列车i从车站n到车站n+1运行中不确定事件造成的延误;
由公式 得到列车i在车站n+1实际的停站时间,其
中:Mn+1是列车在n+1站的最小停站时间; 是对实际停站时间 的调整控制量;
是列车i在站台n+1停站时不确定事件造成的列车延误;δ表示每个乘客上车或下车所造成的延误率, 表示在站台n+1上车搭乘列车i的乘客数量, 表示列车i上在站台n+1下车乘客的数量;
令 其中, 表示时间调整控制量总和, 表示:
从车站n出发后到车站n+1出发前,不确定事件造成的列车延误总和,列车i在车站n+1的实际发车时间表示为:
S322、模拟乘客流:
表示列车i从站台n+1发车时车上乘客的人数,由公式(1)得到,
其中: 表示列车i从站台n发车时车上乘客的人数, 如式(2)所示,
如式(3)所示,
其中, 表示:在列车i到达车站n+1的旅客到达率; 表示列车i上的乘客在车站n+1下车的比率; 代表在列车i到达车站n+1时对乘客人数的调整策略;
S323、建立列车运行时刻和客流调整联合模型:
在实际中,考虑到列车离开站台n+1的实际时间 受到 的影响, 进一步表示为式(4),
进一步根据式(4)对 进行整理得出式(5),
根据式(1)、(2)、(3)和(5)推导出式(6),
为了实现对于列车运行时刻和客流的联合调整,令 得到列
车运行时刻和客流调整联合模型,如式(7)所示,
其中,
表示从车站n-1出发后到车站n出发前,不确定事件造成的列车延误总和;
如式(8)所示,
如式(9)所示,
S324、对于轨道交通系统来说,列车的目标时刻表和目标乘客数量分别满足式(10)和式(11),
其中, 代表列车i预计离开车站n的时间, 代表预计的发车间隔, 代
表列车i在车站n期望的乘客数量;
根据列车离开站台的实际时间 和实际乘客数量 分别与预计的出站时间 和预计的乘客数量 之间的偏差计算控制量,为此引入偏差状态 如式(12)所示,对于具有I辆车,N个站台的地铁线路,为了便于表示,采用矩阵的表示形式,且用k表示阶段,
根据式(8)得出式(13),
根据式(9)得出式(14),
根据式(10)得出式(15),
根据式(11)得出式(16),
通过将式(13)减去式(15)得到列车离开站台的实际时间 与列车预计出站时间 的偏差,通过将式(14)减去式(16)得到实际乘客数量 与预计的乘客数量 的偏差,联立两个偏差式形成偏差的动态方程,所述地铁列车调整MPC预测控制模型用如式(17)所示的矩阵形式表示,
x(k+1)=Ax(k)+Bu(k)+Cω(k) (17)
其中, 表示列车离开站台N的实际时间与预计离开站台
时间的偏差,或实际乘客数量与目标乘客数量的偏差,
u(k)中的元素表示对列车在各站台实际发车时间的调整控
制量,以及实际搭乘旅客数量的调整控制量;
ω(k)中的元素表示对列车运行过程的干扰以及实际搭乘
旅客数量的干扰;
3.如权利要求2所述的基于事件触发的列车自动调整控制方法,其特征在于:步骤S33中所述目标函数表示为如下形式:
其中,Q和R是权重系数。
4.如权利要求3所述的基于事件触发的列车自动调整控制方法,其特征在于:步骤S33中所述相关约束条件如式(19)所示,
Ul,min≤ul(k)≤Ul,max (19)
其中,其中ul(k)表示u(k)中的第l个元素,Ul,min表示最小控制幅度;Ul,max表示最大控制幅度;
基于上述地铁列车调整MPC预测控制模型、目标函数和相关约束条件,在预测时域内形成的步骤S33中所述的优化控制模型如式(20)和式(21)所示,
5.如权利要求4所述的基于事件触发的列车自动调整控制方法,其特征在于:首先基于模型预测控制方法,采用状态反馈的方式设计控制量,在阶段k,用于列车运行时间和停站时间自动调整控制量以及乘客数量的控制量为u(k),如式(22)所示,
u(k)=F(k)x(k) (22)
其中,F(k)为控制增益。
6.如权利要求5所述的基于事件触发的列车自动调整控制方法,其特征在于:基于Matlab的LMI工具箱求解得到满足目标函数和相关约束条件的控制增益F(k),同时在干扰ω(k)作用下,系统状态满足H∞鲁棒性,如式(23)所示,
其中kf表示预测时域,j为预测的阶段数,γ代表扰动抑制等级;
计算控制增益F(k)的问题转化为:基于Matlab的LMI工具箱求解如式(24)所示,满足约束条件为线性矩阵不等式的凸优化问题
其中,Ψ(k)=X(k)-E(k)-ET(k),
Υ(k)=AE(k)+BΞ(k),
hl代表单位矩阵的第l列,θ(k)>0,G(k)>0,E(k),X
(k)和Ξ(k)均为待求解参数,I为单位矩阵,γ代表扰动抑制等级;
通过求解得到满足目标函数和相关约束条件的控制增益F(k)=Ξ(k)E-1(k),同时在干扰ω(k)作用下,系统状态满足H∞鲁棒性。
7.如权利要求6所述的基于事件触发的列车自动调整控制方法,其特征在于:根据事件触发控制的原理,用于列车运行时间和停站时间自动调整控制量以及乘客数量的控制量具体如式(25)所示,
u(k)=F(ks)x(ks),k∈[ks,ks+1) (25)
其中,ks为采样时刻,在两个采样时刻之间,控制量保持不变,从而达到节省计算开支的效果。
8.如权利要求7所述的基于事件触发的列车自动调整控制方法,其特征在于:步骤S34的具体步骤如下:
S341:在每个控制决策阶段k,计算状态偏差ξ(k),ξ(k)=x(ks)-x(k),k∈[ks,ks+1);
S342:判断状态偏差ξ(k)是否满足||ξ(k)||>κ||x(k)||,
其中
P(ks)=θ(ks)X-1(ks),Γ(ks)=A+BF(ks),Θ(ks)=P(ks)-ΓT(ks)P(ks)Γ(ks),λmin(Θ(ks))表示矩阵Θ(ks)的最小特征值,ε为控制参数,0<ε<1;
S343:若||ξ(k)||>κ||x(k)||成立,则采集当前系统的偏差状态x(k),利用LMI工具箱求解控制增益F(k),并计算控制量u(k)=F(k)x(k),同时更新采样时刻ks=k;否则,沿用上一个采样时刻的控制量来对列车运行时间、停站时间和乘客数量进行调整。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种带有路线规划功能的城乡垃圾桶智能管理系统 | 2020-05-08 | 874 |
一种面向交通流向的区域协调控制方法 | 2020-05-11 | 501 |
基于通勤模型的最优就业岗位布局选址决策系统 | 2020-05-08 | 336 |
基于城市区域的无人机飞行控制方法、无人机及系统 | 2020-05-14 | 166 |
自动驾驶高精定位与路径规划方法 | 2020-05-12 | 429 |
一种城市规划用便携式测量装置 | 2020-05-08 | 476 |
一种园林种植用松土装置 | 2020-05-14 | 866 |
一种教学用城市规划模型 | 2020-05-08 | 103 |
一种海绵城市雨水自循环结构 | 2020-05-08 | 358 |
一种螺旋式景观塔 | 2020-05-14 | 429 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。