基于状态预测和群体智能的再生能任务预分配方法及系统

1.本发明涉及城市轨道交通列车运行控制技术领域，具体涉及一种基于状态预测和群体智能的再生能任务预分配方法及系统。


背景技术：

2.近年来，随着城市轨道交通的快速发展，城市轨道交通系统能耗也不断攀升，节能减排压力随之增大，其中牵引系统能耗约占总能耗的80％，降低牵引系统能耗是城市轨道交通系统节能减排的关键。城市轨道交通列车启停频繁，同一时刻在同一供电分区存在多个列车制动、牵引的场景，需要根据原始运行图，对牵引和制动列车进行任务预分配，将牵引和制动列车分场景匹配构成列车群，输出带有运行图匹配关系的运行方案，明确能量利用的对象，为进一步优化调整群内再生能最大化利用打下基础。
3.在城市轨道交通智能驾驶、综合调度、考虑牵引供电系统的背景下，车车之间的耦合不仅体现在时空关系，还需要从能量利用维度来考虑车车耦合关系，而目前的列车能量匹配大多无法明确精确的对象。


技术实现要素：

4.本发明的目的在于提供一种实现了对城市轨道交通系统中列车能量交互层面的准确匹配，明确匹配对象，有效输出列车能量精细化匹配方案，并在匹配过程中，将列车运行分为不同场景，输出不同的匹配方案，从而提高分群匹配的效率的基于状态预测和群体智能的再生能任务预分配方法及系统，以解决上述背景中的至少一个技术问题。
5.为了实现上述目的，本发明采取了如下技术方案：
6.一方面，本发明提供一种基于状态预测和群体智能的再生能任务预分配方法，包括：
7.根据城市轨道交通系统列车再生能产生和利用机理，构建不降低运行效率且保障列车运行安全的再生能最大化利用模型；
8.根据列车运行场景和运行图，基于再生能最大化利用模型，确定每一时刻所有匹配列车对，跟踪所有列车运行状态；
9.在固定供电分区和利用模式的基础上，根据匹配列车状态对全线列车进行分群；
10.根据分群结果进行基于实际运营的列车再生能最大化利用任务预分配。
11.优选的，构建不降低运行效率且保障列车运行安全的再生能最大化利用模型，包括：
12.在以供电分区为区分的前提下，构建城市轨道交通系统中列车运行的所有场景，包括同一方向、上下行、同一站间、相邻站间四种模式；
13.明确城市轨道交通系统中列车再生能的产生和利用机理，包括牵引和制动时能量流动方向；
14.保证不降低列车运行效率的约束不变，包括首末班发车时间、上线列车数、列车全
周转时间；
15.构建基于重叠时间的牵引和制动列车的再生能最大化利用模型，包括制动开始时间与牵引结束时间的重叠、制动结束时间与牵引开始时间的重叠。
16.优选的，确定每一时刻所有匹配列车对，跟踪所有列车运行状态，包括：
17.基于列车的运行场景、实际运行图以及再生能最大化利用利用模型，判断得到牵引列车和制动列车的匹配情况；
18.遍历得到运行图中每一个时刻的牵引列车和制动列车的匹配情况；
19.跟踪每一个时刻牵引和制动列车的状态，以及列车在下一个时刻的状态变化趋势。
20.优选的，根据匹配列车状态对全线列车进行分群，包括：
21.在同一供电分区内，利用供电、线路信息及根据匹配列车的状态，对固定供电分区内的列车进行分群；
22.在固定供电分区分群的基础上，计算制动列车产生的再生能，计算牵引列车牵引需要的能量，如果同一供电分区内牵引列车牵引过程需要利用制动列车产生的再生能，则基于利用模式对列车进行配对分群；
23.在利用模式分群的基础上，基于列车状态遍历得到运行图中每一个时刻的牵引列车和制动列车发生匹配的列车群，输出每一时刻列车分群结果。
24.优选的，利用模式包括上下行同一站间、上下行相邻站间、同处于上行或下行；运行图中每一个时刻的牵引列车和制动列车发生匹配的列车群，包括一辆制动列车匹配一辆牵引列车、一辆制动列车匹配多辆牵引列车、多辆制动列车匹配一辆牵引列车、多辆制动列车匹配多辆牵引列车的情况。
25.优选的，根据分群结果进行基于实际运营的列车再生能最大化利用任务预分配，包括：根据牵引和制动列车再生能的产生利用和分群情况，进行再生能利用任务预分配；输出带有牵引制动运行图匹配关系的运行方案。
26.第二方面，本发明提供一种基于状态预测和群体智能的再生能任务预分配系统，包括：
27.构建模块，用于根据城市轨道交通系统列车再生能产生和利用机理，构建不降低运行效率且保障列车运行安全的再生能最大化利用模型；
28.确定模块，用于根据列车运行场景和运行图，基于再生能最大化利用模型，确定每一时刻所有匹配列车对，跟踪所有列车运行状态；
29.分群模块，用于在固定供电分区和利用模式的基础上，根据匹配列车状态对全线列车进行分群；
30.分配模块，用于根据分群结果进行基于实际运营的列车再生能最大化利用任务预分配。
31.第三方面，本发明提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的基于状态预测和群体智能的再生能任务预分配方法。
32.第四方面，本发明提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述
程序指令执行如上所述的基于状态预测和群体智能的再生能任务预分配方法。
33.第五方面，本发明提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于状态预测和群体智能的再生能任务预分配方法。
34.本发明有益效果：在基于固定供电分区的直接法和基于利用模式的配对法的基础上，利用供电、线路等静态信息和列车运行等动态信息，分场景将线路上的列车分为若干个匹配效果更好的小群，在原始运行图的基础上输出带有牵引制动匹配关系的运行方案，为进一步协同控制列车最大化利用再生能奠定基础；依托于实际运行数据、再生能最大化利用模型、状态预测的优化分群，能够取得较理想的结果。
附图说明
35.为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
36.图1为本发明实施例所述的基于状态预测和群体智能的再生能任务预分配方法的流程图。
37.图2为本发明实施例所述的列车在同一供电分区内可能发生的运行场景示意图。
38.图3为本发明实施例所述的城市轨道交通牵引和制动列车匹配重叠时间示意图。
39.图4为本发明实施例所述的基于固定供电分区的直接分群结果示意图。
40.图5为本发明实施例所述的基于利用模式的配对分群结果示意图。
41.图6为本发明实施例所述的基于状态预测的优化分群结果示意图。
42.图7为本发明实施例所述的列车群的再生能利用任务预分配示意图。
具体实施方式
43.下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
44.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
45.还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
46.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
47.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特
点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
48.为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
49.本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
50.实施例1
51.本实施例1提供了一种基于状态预测和群体智能的再生能任务预分配系统，包括：
52.构建模块，用于根据城市轨道交通系统列车再生能产生和利用机理，构建不降低运行效率且保障列车运行安全的再生能最大化利用模型；
53.确定模块，用于根据列车运行场景和运行图，基于再生能最大化利用模型，确定每一时刻所有匹配列车对，跟踪所有列车运行状态；
54.分群模块，用于在固定供电分区和利用模式的基础上，根据匹配列车状态对全线列车进行分群；
55.分配模块，用于根据分群结果进行基于实际运营的列车再生能最大化利用任务预分配。
56.本实施例1中，利用上述的系统，实现了基于状态预测和群体智能的再生能任务预分配方法，包括：
57.利用构建模块根据城市轨道交通系统列车再生能产生和利用机理，构建不降低运行效率且保障列车运行安全的再生能最大化利用模型；
58.利用确定模块，根据列车运行场景和运行图，基于再生能最大化利用模型，确定每一时刻所有匹配列车对，跟踪所有列车运行状态；
59.利用分群模块在固定供电分区和利用模式的基础上，根据匹配列车状态对全线列车进行分群；
60.最后，利用分配模块根据分群结果进行基于实际运营的列车再生能最大化利用任务预分配。
61.构建不降低运行效率且保障列车运行安全的再生能最大化利用模型，包括：
62.在以供电分区为区分的前提下，构建城市轨道交通系统中列车运行的所有场景，包括同一方向、上下行、同一站间、相邻站间四种模式；
63.明确城市轨道交通系统中列车再生能的产生和利用机理，包括牵引和制动时能量流动方向；
64.保证不降低列车运行效率的约束不变，包括首末班发车时间、上线列车数、列车全周转时间；
65.构建基于重叠时间的牵引和制动列车的再生能最大化利用模型，包括制动开始时间与牵引结束时间的重叠、制动结束时间与牵引开始时间的重叠。
66.确定每一时刻所有匹配列车对，跟踪所有列车运行状态，包括：
67.基于列车的运行场景、实际运行图以及再生能最大化利用利用模型，判断得到牵
引列车和制动列车的匹配情况；
68.遍历得到运行图中每一个时刻的牵引列车和制动列车的匹配情况；
69.跟踪每一个时刻牵引和制动列车的状态，以及列车在下一个时刻的状态变化趋势。
70.根据匹配列车状态对全线列车进行分群，包括：
71.在同一供电分区内，利用供电、线路信息及根据匹配列车的状态，对固定供电分区内的列车进行分群；
72.在固定供电分区分群的基础上，计算制动列车产生的再生能，计算牵引列车牵引需要的能量，如果同一供电分区内牵引列车牵引过程需要利用制动列车产生的再生能，则基于利用模式对列车进行配对分群；
73.在利用模式分群的基础上，基于列车状态遍历得到运行图中每一个时刻的牵引列车和制动列车发生匹配的列车群，输出每一时刻列车分群结果。
74.利用模式包括上下行同一站间、上下行相邻站间、同处于上行或下行；运行图中每一个时刻的牵引列车和制动列车发生匹配的列车群，包括一辆制动列车匹配一辆牵引列车、一辆制动列车匹配多辆牵引列车、多辆制动列车匹配一辆牵引列车、多辆制动列车匹配多辆牵引列车的情况。
75.根据分群结果进行基于实际运营的列车再生能最大化利用任务预分配，包括：根据牵引和制动列车再生能的产生利用和分群情况，进行再生能利用任务预分配；输出带有牵引制动运行图匹配关系的运行方案。
76.实施例2
77.本实施例2中，提供了一种基于状态预测和群体智能的再生能利用任务预分配方法，总体框图如图1所示，包括以下步骤：
78.步骤1：根据城市轨道交通系统列车再生能产生和利用机理，构建不降低运行效率且保障列车运行安全的再生能最大化利用模型。
79.步骤1的具体步骤如下：
80.步骤101：在以供电分区为区分的前提下，构建城市轨道交通系统中列车运行的所有场景，包括牵引列车i和制动列车j分别在同一方向、上下行、同一站间、相邻站间等四种模式，如图2所示；
81.模式1：上下行同一站间；
82.模式2：上下行相邻站间；
83.模式3：同处于上行；
84.模式4：同处于下行；
85.步骤102：明确城市轨道交通系统中列车再生能的产生和利用机理，包括牵引和制动时能量流动方向，牵引列车i吸收制动列车j产生的再生制动能；
86.步骤103：保证对列车的时间调整不降低整体运行效率，包括首末班发车时间、上线列车数、列车全周转时间等影响列车运行效率的约束不变；
87.步骤104：构建基于重叠时间的牵引和制动列车的再生能最大化利用模型，包括制动开始时间与牵引结束时间的重叠、制动结束时间与牵引开始时间的重叠，得到列车匹配的时间t
match
，如图3所示：
[0088][0089][0090]
为出站列车的牵引结束时刻，为进站列车的制动开始时刻。
[0091]
为进站列车的制动结束时刻，为出站列车的牵引开始时刻。
[0092]
步骤2：根据列车运行场景和重叠时间确定每一时刻所有匹配列车对m＝{m
t
,t＝1,2,...,n}，跟踪所有列车运行状态。
[0093]
步骤2的具体步骤如下：
[0094]
步骤201：基于列车的运行场景、实际运行图以及再生能最大化利用的重叠时间模型，判断得到牵引列车和制动列车的匹配情况m
t
(i,j)；
[0095]
步骤202：以秒级为单位，遍历得到运行图中每一个时刻的牵引和制动列车的匹配情况m
t
(i,j)；
[0096]
步骤203：跟踪每一个时刻t牵引列车i和制动列车j的状态，以及列车在下一个时刻t+1的状态变化趋势。
[0097]
步骤3：根据供电、线路和列车状态对列车进行分群，输出列车的分群结果。如图4、5、6所示。
[0098]
步骤3的具体步骤如下：
[0099]
步骤301：在同一供电分区内，利用供电、线路信息及根据匹配列车的状态，对固定供电分区内的列车进行分群，边界固定，群中列车数量随运行间隔压缩而增加，是一种基本分群方法，如图4所示；
[0100]
步骤302：在固定供电分区分群的基础上，计算制动列车j产生的再生能，计算牵引列车i牵引需要的能量，如果同一供电分区内牵引列车i牵引过程需要利用制动列车j产生的再生能，则基于利用模式对列车进行配对分群m
t
(i,j)，在供电分区的大群里形成基于不同模式重叠时间的小群，群的数量更多，群内列车数量较少，其中利用模式包括上下行同一站间、上下行相邻站间、同处于上行或下行，是一种进阶分群方法，如图5所示；
[0101]
步骤303：在利用模式分群的基础上，基于列车状态遍历得到运行图中每一个时刻的牵引列车i和制动列车j发生匹配的列车群，形成匹配效果更好的小群，输出每一时刻列车分群结果，是一种最优分群方法，适用于再生能最大化利用模型的求解，如图6所示。定义群内列车匹配状态变量g：
[0102]
g＝1：一辆制动列车匹配一辆牵引列车；
[0103]
g＝2：一辆制动列车匹配多辆牵引列车；
[0104]
g＝3：多辆制动列车匹配一辆牵引列车；
[0105]
g＝4：多辆制动列车匹配多辆牵引列车；
[0106]
步骤4：根据分群结果进行列车再生能最大化利用任务预分配，输出带有运行图匹配关系的运行方案，明确协作对象，为下一步再生能利用做准备。如图7所示。
[0107]
步骤4的具体步骤如下：
[0108]
步骤401：根据牵引和制动列车再生能的产生利用和分群情况，进行再生能利用任务预分配，输出带有运行图匹配关系的运行方案，包括牵引制动的类型、牵引车次号i、制动车次号j、列车匹配发生时的位置n、列车发生匹配时的时间t
match
；
[0109]
步骤402：明确再生能利用任务预分配的牵引和制动列车对象，为进一步协同控制列车运行最大化利用再生能奠定基础。
[0110]
实施例3
[0111]
本发明实施例3提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行基于状态预测和群体智能的再生能任务预分配方法，该方法包括如下流程步骤：
[0112]
根据城市轨道交通系统列车再生能产生和利用机理，构建不降低运行效率且保障列车运行安全的再生能最大化利用模型；
[0113]
根据列车运行场景和运行图，基于再生能最大化利用模型，确定每一时刻所有匹配列车对，跟踪所有列车运行状态；
[0114]
在固定供电分区和利用模式的基础上，根据匹配列车状态对全线列车进行分群；
[0115]
根据分群结果进行基于实际运营的列车再生能最大化利用任务预分配。
[0116]
实施例4
[0117]
本发明实施例4提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现基于状态预测和群体智能的再生能任务预分配方法，该方法包括如下流程步骤：
[0118]
根据城市轨道交通系统列车再生能产生和利用机理，构建不降低运行效率且保障列车运行安全的再生能最大化利用模型；
[0119]
根据列车运行场景和运行图，基于再生能最大化利用模型，确定每一时刻所有匹配列车对，跟踪所有列车运行状态；
[0120]
在固定供电分区和利用模式的基础上，根据匹配列车状态对全线列车进行分群；
[0121]
根据分群结果进行基于实际运营的列车再生能最大化利用任务预分配。
[0122]
实施例5
[0123]
本发明实施例5提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行基于状态预测和群体智能的再生能任务预分配方法，该方法包括如下步骤：
[0124]
根据城市轨道交通系统列车再生能产生和利用机理，构建不降低运行效率且保障列车运行安全的再生能最大化利用模型；
[0125]
根据列车运行场景和运行图，基于再生能最大化利用模型，确定每一时刻所有匹配列车对，跟踪所有列车运行状态；
[0126]
在固定供电分区和利用模式的基础上，根据匹配列车状态对全线列车进行分群；
[0127]
根据分群结果进行基于实际运营的列车再生能最大化利用任务预分配。
[0128]
综上所述，本发明实施例所述的基于状态预测和群体智能的再生能任务预分配方法及系统，使用基于状态预测的优化法对全线列车进行分群；进行基于实际运营的列车再生能最大化利用任务预分配。根据列车运行状况对全线列车分群并提前获知制动列车的位置，明确协作范围进行再生能利用任务分配和列车协同控制，即利用供电、线路等静态信息和列车运行等动态信息，基于不同的利用模式，将线路上的列车分为若干个小群，输出有牵引制动运行图匹配关系的运行方案，为进一步协同控制列车运行最大化利用再生能奠定基
础，从而提高城市轨道交通系统中再生制动能量的利用率，减少城市轨道交通系统能耗。
[0129]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0130]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0131]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0132]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0133]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于状态预测和群体智能的再生能任务预分配方法，其特征在于，包括：根据城市轨道交通系统列车再生能产生和利用机理，构建不降低运行效率且保障列车运行安全的再生能最大化利用模型；根据列车运行场景和运行图，基于再生能最大化利用模型，确定每一时刻所有匹配列车对，跟踪所有列车运行状态；在固定供电分区和利用模式的基础上，根据匹配列车状态对全线列车进行分群；根据分群结果进行基于实际运营的列车再生能最大化利用任务预分配。2.根据权利要求1所述的基于状态预测和群体智能的再生能任务预分配方法，其特征在于，构建不降低运行效率且保障列车运行安全的再生能最大化利用模型，包括：在以供电分区为区分的前提下，构建城市轨道交通系统中列车运行的所有场景，包括同一方向、上下行、同一站间、相邻站间四种模式；明确城市轨道交通系统中列车再生能的产生和利用机理，包括牵引和制动时能量流动方向；保证不降低列车运行效率的约束不变，包括首末班发车时间、上线列车数、列车全周转时间；构建基于重叠时间的牵引和制动列车的再生能最大化利用模型，包括制动开始时间与牵引结束时间的重叠、制动结束时间与牵引开始时间的重叠。3.根据权利要求2所述的基于状态预测和群体智能的再生能任务预分配方法，其特征在于，确定每一时刻所有匹配列车对，跟踪所有列车运行状态，包括：基于列车的运行场景、实际运行图以及再生能最大化利用利用模型，判断得到牵引列车和制动列车的匹配情况；遍历得到运行图中每一个时刻的牵引列车和制动列车的匹配情况；跟踪每一个时刻牵引和制动列车的状态，以及列车在下一个时刻的状态变化趋势。4.根据权利要求3所述的基于状态预测和群体智能的再生能任务预分配方法，其特征在于，根据匹配列车状态对全线列车进行分群，包括：在同一供电分区内，利用供电、线路信息及根据匹配列车的状态，对固定供电分区内的列车进行分群；在固定供电分区分群的基础上，计算制动列车产生的再生能，计算牵引列车牵引需要的能量，如果同一供电分区内牵引列车牵引过程需要利用制动列车产生的再生能，则基于利用模式对列车进行配对分群；在利用模式分群的基础上，基于列车状态遍历得到运行图中每一个时刻的牵引列车和制动列车发生匹配的列车群，输出每一时刻列车分群结果。5.根据权利要求4所述的基于状态预测和群体智能的再生能任务预分配方法，其特征在于，利用模式包括上下行同一站间、上下行相邻站间、同处于上行或下行；运行图中每一个时刻的牵引列车和制动列车发生匹配的列车群，包括一辆制动列车匹配一辆牵引列车、一辆制动列车匹配多辆牵引列车、多辆制动列车匹配一辆牵引列车、多辆制动列车匹配多辆牵引列车的情况。6.根据权利要求5所述的基于状态预测和群体智能的再生能任务预分配方法，其特征在于，根据分群结果进行基于实际运营的列车再生能最大化利用任务预分配，包括：根据牵
引和制动列车再生能的产生利用和分群情况，进行再生能利用任务预分配；输出带有牵引制动运行图匹配关系的运行方案。7.一种基于状态预测和群体智能的再生能任务预分配系统，其特征在于，包括：构建模块，用于根据城市轨道交通系统列车再生能产生和利用机理，构建不降低运行效率且保障列车运行安全的再生能最大化利用模型；确定模块，用于根据列车运行场景和运行图，基于再生能最大化利用模型，确定每一时刻所有匹配列车对，跟踪所有列车运行状态；分群模块，用于在固定供电分区和利用模式的基础上，根据匹配列车状态对全线列车进行分群；分配模块，用于根据分群结果进行基于实际运营的列车再生能最大化利用任务预分配。8.一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求1-6任一项所述的基于状态预测和群体智能的再生能任务预分配方法。9.一种电子设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求1-6任一项所述的基于状态预测和群体智能的再生能任务预分配方法。10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的基于状态预测和群体智能的再生能任务预分配方法。

技术总结
本发明提供一种基于状态预测和群体智能的再生能任务预分配方法及系统，属于城市轨道交通列车运行技术领域，根据城市轨道交通系统列车再生能产生和利用机理，构建不降低运行效率且保障列车运行安全的再生能最大化利用模型；根据列车运行场景和运行图，基于再生能最大化利用模型，确定每一时刻所有匹配列车对，跟踪所有列车运行状态；在固定供电分区和利用模式的基础上，根据匹配列车状态对全线列车进行分群；根据分群结果进行基于实际运营的列车再生能最大化利用任务预分配。本发明实现了对城市轨道交通系统中列车能量交互层面的准确匹配，列车能量匹配精细化，并在匹配过程中，针对列车运行不同场景输出不同的匹配方案，提高了分群匹配效率。了分群匹配效率。了分群匹配效率。


技术研发人员：荀径 刘浩 曹江 杨中平 林飞 李艳艳
受保护的技术使用者：北京交通大学
技术研发日：2022.11.23
技术公布日：2023/4/4