基于学习模型预测控制的铁路虚拟耦合
最优化与控制
2025-07-04 v1
摘要
本文旨在提出一种基于学习模型预测控制（LMPC）的铁路虚拟耦合新型智能列车控制系统。虚拟耦合是一种新兴的铁路技术，通过缩短列车间距来提高线路容量，而 LMPC 是一种基于优化的控制器，融合了人工智能方法以提高控制策略。通过将过去经验的数据纳入优化问题，LMPC 能够学习未建模的动力学并在满足约束条件的同时提高系统性能。本文开发的 LMPC 在能源消耗方面进行了仿真比较，与不具备学习能力的通用 MPC 进行了对比。仿真分为两个主要实际应用场景：仅对后续列车（follower）应用 LMPC，以及对后续列车和列车队的第一前车（leader）都应用 LMPC。在每个场景下，LMPC 分别针对 metro、regional 和 high-speed 三种铁路类别进行独立测试。结果表明，在所有仿真情形下，LMPC 都能降低能源消耗，同时保持速度和行驶时间约不变。该效果在具有频繁速度变化的铁路应用（如地铁系统）中尤为明显，高速铁路则效果较小。未来研究将探讨使用真实数据代替仿真数据的影响。
引用
@article{arxiv.2507.02383,
title = {A learning model predictive control for virtual coupling in railroads},
author = {Miguel A. Vaquero-Serrano and Francesco Borrelli and Jesus Felez},
journal= {arXiv preprint arXiv:2507.02383},
year = {2025}
}
备注
16 pages