[发明专利]一种针对风速报警解除前的高速铁路运行状态调度方法

说明书

本发明公开了一种针对风速报警解除前的高速铁路运行状态调度方法，包括基于深度学习的风速特征预测及依靠混合整数规划的决策方法。本发明通过对铁道周围分布的风速监测仪器获取的历史风速进行分析，训练基于长短时记忆神经网络的深度学习模型，实现对短时未来的风速均值及方差情况的预测；之后，基于预测值及高铁风速限行规章制度，本发明对已有的风速报警是否存在取消或降级的可能进行估计，根据估计结果判断对新调度决策计算的启动与否。本发明可以在大风干扰即将结束后提前进行列车速度调整的计算，相对于扰动真正停止后再进行规划的方法，缩短了一定的响应时间。

技术领域

本发明涉及风速预测及高速铁路列车调度技术领域，尤其涉及一种针对风速报警解除前的高速铁路运行状态调度方法。

背景技术

高速铁路具有运输能力强、速度快、经济效率高等特点，在交通运输系统中正日益扮演着越来越重要的角色。现实运行中，尽管高铁技术已经较为成熟，防灾系统较为完善，但常年发生的天气扰动对高铁运行仍有较大影响，而其中，每年因大风干扰造成的延误事件是最多的。由于高速列车的车体轻、速度快，运行时产生的升浮力和俯仰力矩大，对测风影响较为敏感，在大风中运行有着极高风险。为了防止此类灾害的发生，我国在修建高速铁路的过程中，于沿线设立多个监测点，对风速数据进行实时采集监控，另外，我国还设计了相关限速方案，对于各个风力等级有着明确的区间限速要求，以此来保障高铁的安全行驶。

高速铁路运行图是高铁在运行过程中的调度指南，其规定了各种列车占用区间的次序，列车在每个车站的到达、出发或通过时刻，列车在各区间的运行时间，列车在车站的停站时间等，是高速铁路运输工作的综合计划，是行车组织的基础，高速铁路运行图通过混合整数规划模型产生。实际运行中，高铁在有自然扰动情况下通常会偏离运行图，以降速、停车等方式避免扰动带来列车倾覆等后果，而当扰动警报停止时，调度员的人工响应或自动考虑新轨道状况的调度计算方案通常需一定的响应时间，因此列车往往会继续按照之前的减速、停车等调度指令，加大对运行图的偏离。本发明提出了对可能的风速报警解除情况进行提前预测，之后提前启动调度计算的方案，来降低列车的响应时间，减少进一步对原有运行图的偏离。

发明内容

本发明的目的是依靠深度学习对风速情况的预测以及混合整数优化对列车运行速度的调整，提供一种具有更高实时性的大风扰动恢复响应方案。

本发明的目的是通过以下技术方案实现的：一种针对风速报警解除前的高速铁路运行状态调度方法，该方法包括以下步骤：

步骤1：通过高铁系统现有的环境监测系统，采集各监测点处风速数据，储存长时期历史数据作为训练集，数据粒度为秒级；

步骤2：对于监测点，其采集的前一天历史数据，以长度为3610s的时间窗口，每次10s的滑动速度，对数据进行分段，每段数据中前3600s的风速数据作为输入值，后10s风速数据的均值及方差作为输出值，将此合起来作为训练集输入到神经网络模型中对模型参数进行训练；

步骤3：通过步骤2训练好的模型对各监测点实时采集的风速数据进行处理，每10s输出对下10s风速的均值及方差的预测值；

步骤4：使用步骤3中产生的风速的均值及方差拟合正态分布函数，据此依照高铁风速报警的要求(譬如风速在20m/s到25m/s时限速200km/h，风速在25m/s到30m/s时限速120km/h)，得出下10s限速情况降级或取消的概率；

步骤5：对于步骤4得出的最大概率的限速情况，若其概率值大于95％，则立即启动高铁混合整数规划模型的计算，生成一组调节当前全线路各列车恢复到原有运行图的速度调节方案；

步骤6：10s后，若确实产生步骤4中预测的报警降级或取消状态，则执行步骤5的计算结果对列车运行进行恢复。

进一步地，所述步骤2中的神经网络模型使用双层长短时记忆神经元网络及一层全连接组成。