买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜西安理工大学申请的专利基于SA-GRU的高速列车节能驾驶策略获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114510993B 。

龙图腾网通过国家知识产权局官网在2025-04-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111626652.2，技术领域涉及：G06F18/241；该发明授权基于SA-GRU的高速列车节能驾驶策略是由马维纲;鲍金花;王周恺;黑新宏;谢国;戴岳;王芝洋;刘一龙;贾乔设计研发完成，并于2021-12-28向国家知识产权局提交的专利申请。

本基于SA-GRU的高速列车节能驾驶策略在说明书摘要公布了：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。

本发明授权基于SA-GRU的高速列车节能驾驶策略在权利要求书中公布了：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_size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，在上述参数设定下的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： 2 3 4 5其中，隐藏单元个数为，时间步的输入为，表示输入向量维度，上一个时间步的隐藏状态为，，，和，，表示权重参数矩阵，，，是偏差参数，表示sigmoid激活函数，表示做按元素乘法，，，，分别表示重置门、更新门、候选隐藏状态和隐藏状态的输出；步骤4.2、将步骤3选出的34个特征经过双向GRU处理作为全连接层的输入，用表示，全连接层使用ReLu作为激活函数，并且加入dropout机制，在训练过程中，为了防止过拟合，将全连接层中的神经网络单元按照0.5的概率将其暂时从网络中丢弃，使其不工作，避免模型过度学习某些特征，具体如式6： 6将视为第类特征的权重，即每维特征的重要程度对最终分数的影响程度，为偏置项，通过对特征加权求和得到每个类别的分数；值中有0.5的概率被丢弃，不会被继续传输；步骤4.3、最后通过分类器获得不同制动手柄级位标签的概率分布，具体如式7： 7其中，为全连接层的输入，为权重，为偏置项，的计算方式如式8,式9： 8拆成每个标签类别对应的概率如下： 9概率最大的表示的标签类别即为接下来要进行的制动操作；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，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；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，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下的牵引用电能量；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；步骤7.1、由步骤5和步骤6可以得到初始运行时数据中测试集的电能耗，即，经过SA-GRU分类模型制定出的操作策略下能耗为，二者的关系有如下两种： 步骤7.2、若能耗关系为，则将策略判定为初始节能策略；在实际运行过程中，需将列车加速达到接近限速，再执行初始节能策略，若列车速度变为0为止还未能到达终点站，则增加列车的匀速运行时间，使高速列车在速度变为0时刚好等于测试路线长度，这么做的目的是为了满足实际情况中列车的准点性；步骤7.3、若能耗关系为，要通过调整训练次数，batch_size以及利用模拟退火算法对学习率进行调整，以此达到能耗关系为，以此得到节能策略；所述模拟退火算法将学习率以每50次训练缩小0.1的趋势对模型进行训练。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。