(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111626652.2 (22)申请日 2021.12.28 (71)申请人 西安理工大 学 地址 710048 陕西省西安市碑林区金花 南 路5号 (72)发明人 马维纲　鲍金花　王周恺　黑新宏　 谢国　戴岳　王芝洋　刘一龙　 贾乔　 (74)专利代理 机构 西安弘理专利事务所 61214 专利代理师 王丹 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/26(2012.01) (54)发明名称 基于SA-GRU的高速列车节能驾驶策略 (57)摘要 本发明公开了基于SA ‑GRU的高速列车节能 驾驶策略， 首先需要将初始运行时数据进行预处 理， 然后将处理后的数据根据制动手柄级位进行 分类， 采用欠采样法对数据集进行随机采样， 得 到均衡数据集， 经过多重特征选择去除均衡数据 集中的冗余特征得到训练集， 最后将经过多重特 征选择之后的训练集输入SA ‑GRU分类模型中对 分类模型进行训练。 测试集选择一条包含所有制 动手柄级位的路线， 将数据进行和训练集一样的 处理后， 输入训练好的模型对其制动手柄级位进 行预测， 经过反复训练以及优化， 最终得到节能 策略。 在今后的列车驾驶中可以使用本发明中的 策略， 不仅达到了节能的效果， 而且成本低， 符合 国家对高速列车节能驾驶的要求。 权利要求书4页 说明书9页 附图3页 CN 114510993 A 2022.05.17 CN 114510993 A 1.基于SA ‑GRU的高速列车节能驾驶策略方法， 其特 征在于， 具体操作步骤如下： 步骤1、 对列车从首发站到终点站运行过程中产生的运行数据， 使用插值法、 卡方检验 方法对运行时间、 速度、 车厢电气柜温度、 变压器温度、 驱动侧轴温度、 齿轮温度、 轴温、 转 速、 风管温度以及制动手柄级位 一系列单个特 征进行数据预处 理； 步骤2、 通过12种不同类别制动 手柄级位将数据分为12类， 并将每一类制动 手柄级位映 射为0‑11的数字作为标签， 去除数量过少的类别为紧急制动手柄级位的数据， 也就是标签 为11的数据， 对剩下的列车运行时数据， 标签为0 ‑10， 使用欠采样法进 行构造均衡数据集操 作， 得到每一种类别数量相同的均衡数据集； 步骤3、 将步骤2中的均衡数据集进行多重特征选择， 去除对制动手柄级位操作无影响 或影响较小的特征， 经过多重选择之后得到的均衡数据集中的数据只包含与制动手柄级位 相关性大的三十四个特 征， 此均衡数据集将作为训练集； 步骤4、 将步骤3 中经过多重特征选择之后的训练集中除制动手柄级位之外的数据作为 SA‑GRU分类模型的输入， 制动手柄级位作为输出， 对SA ‑GRU分类模型进行训练； 步骤5、 从步骤1中经过预处理之后的全部数据中根据速度变化选取一段路线作为测试 集， 根据数据集中所记录的由始发站到终点站的牵引用电能耗计算差值得出本段路中原有 制动策略下的牵引用电能量 J， 并记录； 然后根据初始运行时数据中的运行工况分别计算每 一种标签下加速、 匀速、 减速所占百分比， 记为pi， 0， pi， 1， pi， 2； 步骤6、 将测试集经过多重特征选择， 输入训练好的SA ‑GRU模型得到初始制动策略B， 由 于只有在加速和匀速阶段会消耗电能， 减速阶段不消耗电能， 因此通过步骤5中的百分比以 及SA‑GRU模型得到的策略B中每种制动手柄级位标签的数量可以得到耗能标签数量L； 最后 根据预测得到的初始制动策略B和由初始运行时数据计算得到的各制动手柄级位平均每秒 带来的能耗增 加值计算出在策略B下的牵引用电能量 Q； 步骤7、 将步骤5和步骤6中两者的牵引用电能量进行对比分析， 调整网络模型， 寻求最 佳节能策略。 2.根据权利 要求1所述的基于SA ‑GRU的高速列车节能驾驶策略方法， 其特征在于， 步骤 1具体如下： 步骤1.1： 把获取到的列车从首发站到终点站运行过程中产生的数据即运行时数据中 剔除运行过程中不会发生任何变化的属 性， 即与列车驾驶能耗无关， 不仅对分类模型训练 无效， 更会 对模型的训练起到 干扰作用的数据去除； 步骤1.2： 根据每一个属性与制动手柄级位的关系进行卡方检验操作， 卡方检验的值表 示每一个属性与制动手柄级位之间的关联性 程度， 将卡方值得分最高的47个特 征保留； 步骤1.3： 对获取到的运行数据中的缺失值进行插值填补操作， 使用缺失值处上下两个 时间戳的值进行求均值操作， 得到的值即填补作为缺失值， 此时得到最终的包含47个特征 的完整数据。 3.根据权利 要求2所述的基于SA ‑GRU的高速列车节能驾驶策略方法， 其特征在于， 步骤 2具体如下： 步骤2.1： 根据制动手柄级位将运行时数据进行分类， 制动手柄级位的值是几个离散 量： {EB， REL， 1A， 1B， 2， 3， 4， 5， 6， 7， 8， OC}， EB为紧急制动位， 用标签0表示； REL为运转位， 即 牵引位， 用标签1表示； 常用制动位1A， 1B， 2， 3， 4， 5， 6， 7， 8分别用2， 3， 4， 5， 6， 7， 8， 9， 10表示，权　利　要　求　书 1/4 页 2 CN 114510993 A 2OC为忽略乘客激活紧急制动位， 用标签11表示， 由此将制动手柄级位映射为： {0， 1， 2， 3， 4， 5， 6， 7， 8， 9， 10， 1 1}， 共十二类； 步骤2.2： 对制动 手柄级位为11的数据代表乘客激活紧急制动位类别剔除； 使用欠采样 方法， 从制动手柄级位标签为1 ‑10的数据中随机抽取6 0组数据， 共得到 660条数据。 4.根据权利 要求3所述的基于SA ‑GRU的高速列车节能驾驶策略方法， 其特征在于， 步骤 3具体如下： 步骤3使用多重特征选择对数据特征属性进行选择， 分别使用传统特征选择方法和 XGBOOST进行特征选择， 其中传统特 征选择方法使用方差法和互信息法， 具体如下： 步骤3.1： 基于方差进行特征选择： 对步骤1.3中的47个特征进行特征选择， 留下方差大 的K个特征， 其中1≤K≤47； 计算单个特征和制动手柄级位标签的线性回归测试的f值， 调整 所要选择的特 征数量， 根据评分标准从高到低依次进行 特征选择， K值 为35； 步骤3.2： 基于互信息的特征选择： 将步骤1所述单个特征与制动手柄级位的互信息值 降序排列后， 选取 K个特征继续操作， 1≤K≤47， K值 为35； 步骤3.3： 将步骤3.1和步骤3.2中的两个特征选择方法选择出来的特征进行合并， 两者 合并之后得到K1个特 征属性； 步骤3.4、 将步骤3.3得到的K1个特征属性进行编码， 每个编码对应一个特征属性， 特征 属性编码范围为1 ‑K1， 编码0为制动手柄级位标签， 使用XGBOOST在数据集上进行特征选择， 将每个特征属性和制动手柄级位的相关重要性做 排序， 最终选出重要性高的34个特征作为 最终训练集的特 征属性。 5.根据权利 要求4所述的基于SA ‑GRU的高速列车节能驾驶策略方法， 其特征在于， 步骤 4具体如下： 将步骤3得到 的均衡数据集作为训练集输入SA ‑GRU分类模型进行训练， 所述SA ‑GRU分 类模型由三层构成： 第一层为gru层， 这一层使用门控机制控制输入、 记忆信息， 并在当前时 间步做出预测； 第二层是全连接层， 这一层将n个( ‑∞， +∞)实数映射为K个( ‑∞， +∞)的实 数； 第三层是softmax层， 将K个( ‑∞， +∞)的实数映射为K个(0， 1)的实数， 同时保证它们之 和为1； 步骤4.1、 将步骤3中得到的最终数据作为SA ‑GRU分类模型的输入数据， 其参数设定如 下： 输入维度input _size为35， 输 出维度output _size为1， 隐层维度hidden_siz e为35， 一次 训练所抓取的数据样本数量batch_size为30， SA ‑GRU的层数为2， 在上述结构下的GRU中进 行训练； 所述GRU包括重 置门、 更新门、 候选隐藏状态和隐藏状态； 相关参数计算和更新过程如式(2) ‑(5)： Rt＝σ(ItWir+Ht‑1Whr+br)   (2) Zt＝σ(ItWiz+Ht‑1Whz+bz)   (3) 其中， 隐藏单元个数为h， 时间步t的输入为It∈RI×d， I×d表示输入向量维度， 上一个时 间步t‑1的隐藏状态为Ht‑1∈RI×h， Wir， Wiz， Wih∈Rd×h和Whr， Whz， Whh∈Rh×h表示权重参数矩阵，权　利　要　求　书 2/4 页 3 CN 114510993 A 3