一种车辆能量管理方法及其系统与流程

本发明涉及交通设备管理技术领域，尤其涉及一种车辆能量管理方法及其系统。

背景技术：

目前，为响应国家节能减排的号召，许多公司已经在城市轨道交通行业开展关于节能减排的技术研发，以期降低运营能耗，减少环境污染。国内很多城市已经先后建设并开通了地铁作为公共交通，地铁车辆均采用先进的交流传动技术，其优良的性能可使牵引电能再生率达到40％左右，节能效果十分显著。然而，由于地铁线路的行车密度等多种因素，地铁线路上在运行列车进行牵引电能再生制动时能量往往不能被完全吸收，而得不到释放的巨大能量会导致供电网的电压急剧上升，造成电压的极度不稳定。为此，地铁线路列车一般会设置斩波器和制动电阻，使不能被吸收的电能借由电阻发热而耗散掉，而地铁列车使用电气制动，尽量避免摩擦制动。

制动电阻虽使用方便，但会使列车的再生电能被白白浪费。以超级电容为存储器件非常适合地铁车辆运行时能量的脉冲型特征，能够有效“回收”被浪费的再生电能，与此同时也可大大稳定供电网的电压。

为尽可能减少给地铁列车带来额外的负担，需要综合考虑超级电容容量、重量，能量管理系统的总重量与制动电阻质量等。因此对地铁列车的能量管理策略提出了很高的要求。目前，车辆能量管理方法普遍采用基于规则的能量管理策略，其规则的设定严重依赖于策略制定人员的经验和试验标定，虽然其工程化实现容易，但存在关键控制参数的优化困难和缺乏对实际复杂多变工况的自适应等诸多不足。

技术实现要素：

本发明所要解决的技术问题是：提供一种控制更加精确的车辆能量管理方法及其系统。

为了解决上述技术问题，本发明采用的技术方案为：

一种车辆能量管理方法，包括：

采集车辆历史运行状态的历史运行数据和历史操作电流；

根据所述历史运行数据和历史操作电流建立计算模型；

获取车辆当前运行状态的当前运行数据；

采用遗传算法对所述当前运行数据进行优化求解，得到所述当前运行数据的最优解；

将所述最优解代入所述计算模型计算得到当前操作电流；

根据所述当前操作电流控制车辆的电容进行充放电。

本发明提供的另一技术方案为：

一种车辆能量管理系统，包括：

采集模块，用于采集车辆历史运行状态的历史运行数据和历史操作电流；

建立模块，用于根据所述历史运行数据和历史操作电流建立计算模型；

获取模块，用于获取车辆当前运行状态的当前运行数据；

优化模块，用于采用遗传算法对所述当前运行数据进行优化求解，得到所述当前运行数据的最优解；

计算模块，用于将所述最优解代入所述计算模型计算得到当前操作电流；

操作模块，用于根据所述当前操作电流控制车辆的电容进行充放电。

本发明的有益效果在于：通过采集大量的历史运行数据和历史操作电流建立计算模型，在建立模型时综合考虑多种数据参数，使得建立的计算模型计算得到的结果更加准确；采用遗传算法对当前运行数据进行进一步的优化，得到一个最优解，通过所述最优解代入计算模型计算得到当前操作电流的实际值来控制车辆进行充放电，使得对车辆的控制更加精确。本发明适用于地铁列车的能量管理，可以得到适用于不同时间、气候等不同条件下的最佳能量管理方法，实现对整个地铁电力系统电压的稳定控制和车辆能量的高效管理。

附图说明

图1为本发明实施例一的车辆能量管理方法的流程图；

图2为本发明实施例二的车辆能量管理方法的流程图；

图3为本发明实施例二的采用遗传算法进行优化求解的流程图；

图4为本发明的车辆能量管理系统的结构示意图；

图5为本发明实施例四的车辆能量管理系统的结构示意图。

标号说明：

1、采集模块；2、建立模块；3、获取模块；4、优化模块；5、计算模块；6、操作模块；7、优化更新模块；21、捕捉单元；22、自学习单元；23、迭代单元；24、第一计算单元；25、停止单元；231、第一迭代单元；232、第二迭代单元；401、获取单元；402、编码单元；403、第二计算单元；404、第一选取单元；405、交叉单元；406、变异单元；407、第三计算单元；408、判断单元；409、操作单元；410、第二选取单元；411、继续执行单元。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

本发明最关键的构思在于：将大量的历史运行数据和历史操作电流进行自学习建立计算模型，建模时综合考虑多种影响因素，使得到的输出参数更加准确。

请参照图1，本发明的技术方案为：

一种车辆能量管理方法，包括：

采集车辆历史运行状态的历史运行数据和历史操作电流；

根据所述历史运行数据和历史操作电流建立计算模型；

获取车辆当前运行状态的当前运行数据；

采用遗传算法对所述当前运行数据进行优化求解，得到所述当前运行数据的最优解；

将所述最优解代入所述计算模型计算得到当前操作电流；

根据所述当前操作电流控制车辆的电容进行充放电。

从上述描述可知，本发明的有益效果在于：在通过历史运行数据建立计算模型时，可以综合考虑多种影响参数，使得建立的计算模型更加准确；采用遗传算法对当前运行数据进行优化求解，利用最优解代入计算模型得到当前操作电流的实际值，使得对车辆的操作控制更加准确。本发明适用于大型车辆系统的能量管理，尤其适用于地铁列车的能量管理，可以在地铁列车不同的运行条件下得到最优的能量管理方案，既有利于提高能量利用率，又利于保护环境。

进一步的，所述“根据所述历史运行数据和历史操作电流建立计算模型”具体为根据所述历史运行数据和历史操作电流采用径向基神经网络的方法进行自学习，建立计算模型。

进一步的，所述“根据所述历史运行数据和历史操作电流采用径向基神经网络的方法进行自学习，建立计算模型”具体包括：

根据函数捕捉所述历史运行数据与历史操作电流的非线性映射关系，其中，c、r为常数；

将函数作为神经网络的学习函数进行自学习，其中，n＝8，x1表示牵引电流,x2表示电压,x3表示环境温度，x4表示电容当前容量，x5表示电容温度，x6表示三电平双向斩波器温度，x7表示车辆速度，x8表示车辆位置，wk’表示隐藏层到输出层的权重参数，wki表示从输入层到隐藏层的权重参数，m表示隐藏层神经元个数，n表示输入层神经元个数；

根据公式对学习函数中的参数进行迭代更新，η表示迭代更新的步长；

根据公式计算学习函数的误差值，其中yreal表示历史操作电流的实际值，gpredict表示通过学习函数计算得到的历史操作电流的理论值；

当所述误差值在预设范围内或迭代次数达到预设次数的上限时，停止迭代，并将当前的学习函数作为计算模型。

由上述描述可知，建立计算模型时，是通过采用径向基神经网络的方法进行自学习，可以是在线自学习，也可以是离线自学习，自学习过程可以通过自学习控制器来实现；建立计算模型时，首先需要捕捉历史运行数据与历史操作电流的非线性映射关系，然后采用一个g函数进行自学习，自学习时，需要不停地对学习函数进行迭代更新，直到误差值在预设范围内或者迭代次数达到上限时为止。

进一步的，所述“根据公式对学习函数中的参数进行迭代更新”具体为：

根据公式对输入层到隐藏层的参数进行迭代更新，其中，yi表示第i个隐藏单元的输出，wj表示第i个隐藏单元到输出单元的权重，t表示迭代时第t步的学习函数中的x1,x2,…,x8的值；

根据公式对隐藏层到输出层的参数进行迭代更新，其中，xi表示第i个输入单元的值，xk表示第k个输入单元的值，wji表示第i个输入单元到第j个隐藏单元的权重。

由上述描述可知，在迭代更新时，需要分别对输入层到隐藏层以及隐藏层到输出层进行迭代更新。

进一步的，所述“采用遗传算法对所述当前运行数据进行优化求解，得到所述当前运行数据的最优解”具体为：

获取两组以上的x1,x2,…,x8的值，得到初始群体，其中，一组x1,x2,…,x8的值为一个个体；

对所述初始群体中的各个体进行二进制编码，得到与各个体一一对应的染色体；

根据所述学习函数，计算得到各个体的适应度；

根据所述适应度，选取两个个体分别作为父代个体和母代个体；

将所述父代个体和母代个体对应的染色体进行交叉运算，得到子代染色体；

对所述子代染色体进行变异运算，得到变异后的子代染色体；

根据所述学习函数，计算得到变异后的子代染色体对应的子代个体的适应度；

判断所述子代个体的适应度与所述父代个体的适应度的差值和/或所述子代个体的适应度与所述母代个体的适应度的差值是否在预设范围内；

若是，将所述子代个体作为当前运行数据的最优解；

若否，根据所述子代个体的适应度，在所述子代个体中选取两个个体分别作为父代个体和母代个体；

继续执行所述“将所述父代个体和母代个体对应的染色体进行交叉运算，得到子代染色体”的步骤。

由上述描述可知，采用遗传算法进行优化求解，覆盖面大，利于全局择优，遗传算法同时处理群体中的多个个体，减少了陷入局部最优解的风险，使得最终得到的的最优解结果更加可靠。

进一步的，所述“根据所述当前操作电流控制车辆的电容进行充放电”之后还包括：

根据当前运行数据和当前操作电流对所述计算模型进行优化更新。

由上述描述可知，每当得到一组新的运行数据和操作电流时，都可以通过得到的数据对计算模型进行优化更新，使得计算模型越来越准确。

进一步的，所述“根据所述当前操作电流控制车辆的电容进行充放电”具体为：根据所述当前操作电流控制车辆的超级电容储能单元进行充放电。

由上述描述可知，对车辆充放电的控制即为对车辆的超级电容储能单元的充放电的控制。

请参照图4，本发明的另一技术方案为：

一种车辆能量管理系统，包括：

采集模块，用于采集车辆历史运行状态的历史运行数据和历史操作电流；

建立模块，用于根据所述历史运行数据和历史操作电流建立计算模型；

获取模块，用于获取车辆当前运行状态的当前运行数据；

优化模块，用于采用遗传算法对所述当前运行数据进行优化求解，得到所述当前运行数据的最优解；

计算模块，用于将所述最优解代入所述计算模型计算得到当前操作电流；

操作模块，用于根据所述当前操作电流控制车辆的电容进行充放电。

进一步的，所述建立模块具体用于根据所述历史运行数据采用径向基神经网络的方法进行自学习，建立计算模型。

进一步的，所述建立模块具体包括：

捕捉单元，用于根据函数捕捉所述历史运行数据与历史操作电流的非线性映射关系，其中，c、r为常数；

自学习单元，用于将函数作为神经网络的学习函数进行自学习，其中，x1表示牵引电流,x2表示电压,x3表示环境温度，x4表示电容当前容量，x5表示电容温度，x6表示三电平双向斩波器温度，x7表示车辆速度，x8表示车辆位置，wk’表示隐藏层到输出层的权重参数，wki表示从输入层到隐藏层的权重参数；

迭代单元，用于根据公式对学习函数中的参数进行迭代更新，η表示迭代更新的步长；

第一计算单元，用于根据公式计算学习函数的误差值，其中yreal表示历史操作电流的实际值，gpredict表示通过学习函数计算得到的历史操作电流的理论值；

停止单元，用于当所述误差值在预设范围内或迭代次数达到预设次数的上限时，停止迭代，并将当前的学习函数作为计算模型。

进一步的，所述迭代单元包括：

第一迭代单元，用于根据公式对输入层到隐藏层的参数进行迭代更新，其中，yi表示第i个隐藏单元的输出，wj表示第i个隐藏单元到输出单元的权重，t表示迭代时第t步的学习函数中的x1,x2,…,x8的值；

第二迭代单元，用于根据公式对隐藏层到输出层的参数进行迭代更新，其中，xi表示第i个输入单元的值，xk表示第k个输入单元的值，wji表示第i个输入单元到第j个隐藏单元的权重。

进一步的，所述优化模块具体包括：

获取单元，用于获取两组以上的x1,x2,…,x8的值，得到初始群体，其中，一组x1,x2,…,x8的值为一个个体；

编码单元，用于对所述初始群体中的各个体进行二进制编码，得到与各个体一一对应的染色体；

第二计算单元，用于根据所述学习函数，计算得到各个体的适应度；

第一选取单元，用于根据所述适应度，选取两个个体分别作为父代个体和母代个体；

交叉单元，用于将所述父代个体和母代个体对应的染色体进行交叉运算，得到子代染色体；

变异单元，用于对所述子代染色体进行变异运算，得到变异后的子代染色体；

第三计算单元，用于根据所述学习函数，计算得到变异后的子代染色体对应的子代个体的适应度；

判断单元，用于判断所述子代个体的适应度与所述父代个体的适应度的差值和/或所述子代个体的适应度与所述母代个体的适应度的差值是否在预设范围内；

操作单元，用于若是，将所述子代个体作为当前运行数据的最优解；

第二选取单元，用于若否，根据所述子代个体的适应度，在所述子代个体中选取两个个体分别作为父代个体和母代个体；

继续执行单元，用于继续执行所述“将所述父代个体和母代个体对应的染色体进行交叉运算，得到子代染色体”的步骤。

进一步的，还包括优化更新模块，用于根据当前运行数据和当前操作电流对所述计算模型进行优化更新。

进一步的，所述操作模块具体用于根据所述当前操作电流控制车辆的超级电容储能单元进行充放电。

实施例一

请参照图1，本发明的实施例一为：一种车辆能量管理方法，可用于地铁车辆的能量管理，可以在地铁列车不同的运行条件下得到最优的能量管理方案，既有利于提高能量利用率，又利于保护环境。具体包括：

s1、采集车辆在历史运行状态的历史运行数据和历史操作电流。车辆在运行时，车辆的主控制器可以通过车辆信息采集模块将车辆运行状态信息，例如接触网电压、牵引电流大小及方向、车辆速度、车辆位置、牵引制动力、时间、环境温度，以及车辆配置的三电平双向斩波器温度、电容温度以及电容容量信息等，当然还包括一些车辆的其他运行状态信息，在这里就不一一列举。所述历史操作电流为车辆电容进行充放电时的电流大小。

s2、根据所述历史运行数据和历史操作电流建立计算模型，具体为：根据所述历史运行数据和历史操作电流采用径向基神经网络的方法进行自学习，建立计算模型。在建立计算模型时，需要综合考虑多个运行数据的影响。

s3、获取车辆当前运行状态的当前运行数据。即，采集车辆在当前运行状态下的接触网电压、牵引电流大小及方向、车辆速度、车辆位置、牵引制动力、时间、环境温度，以及车辆配置的三电平双向斩波器温度、电容温度以及电容容量信息等。

s4、采用遗传算法对所述当前运行数据进行优化求解，得到所述当前运行数据的最优解。

s5、将所述最优解代入所述计算模型计算得到当前操作电流。

s6、根据所述当前操作电流控制车辆的电容进行充放电。具体为：根据所述当前操作电流车辆的控制超级电容储能单元进行充放电。在充放电之后还包括：根据当前运行数据和当前操作电流对所述计算模型进行优化更新。可以在得到一组数据之后就进行一次优化，也可以累积一定的数据之后再进行优化。

本实施例中，在通过历史运行数据历史操作电流建立计算模型时，综合考虑多种影响参数，使得建立的计算模型更加准确；采用遗传算法对当前运行数据进行优化求解，利用最优解代入计算模型得到当前操作电流，使得对车辆的操作控制更加准确。

实施例二

请参照图2及图3，本发明的实施例二为实施例一的进一步扩展，相同之处不再赘述，区别在于，步骤s2具体包括：

s21、根据函数捕捉所述历史运行数据与历史操作电流的非线性映射关系，其中，c、r为常数，在初始状态下可以分别设置为0、1，也可以根据实际情况，对c、r的值进行微调。

s22、将函数作为神经网络的学习函数进行自学习，其中，n＝8，x1表示牵引电流，x2表示电压，x3表示环境温度，x4表示电容当前容量，x5表示电容温度，x6表示三电平双向斩波器温度，x7表示车辆速度，x8表示车辆位置，wk’表示隐藏层到输出层的权重参数，wki表示从输入层到隐藏层的权重参数。本实施例中，为了避免过拟合的问题，神经网络结构中使用较为简单的单隐层神经网络，输入层的神经元个数为n，中间隐藏层的神经元个数为m，m和n均为大于0的整数。自学习过程可以是在线或者离线自学习，也可以是本地或者远程自学习，可以通过自学习控制器来实现。

s23、根据公式对学习函数中的参数进行迭代更新，η表示迭代更新的步长，可根据实际需要进行设置。

s24、根据公式计算学习函数的误差值，其中yreal表示历史操作电流的实际值，gpredict表示通过学习函数计算得到的历史操作电流的理论值，j函数实际为一个损失函数，用于判断实际值与通过计算模型计算得到的理论值的误差情况。

s25、当所述误差值在预设范围内或迭代次数达到预设次数的上限时，停止迭代，并将当前的学习函数作为计算模型。例如当迭代误差小于0.01或者迭代次数达到500次时停止迭代，也可以根据具体需要设定为其他的值。

步骤s23具体包括：

根据公式对输入层到隐藏层的参数进行迭代更新，其中，yi表示第i个隐藏单元的输出，wj表示第i个隐藏单元到输出单元的权重，t表示迭代时第t步的学习函数中的x1,x2,…,x8的值；

根据公式对隐藏层到输出层的参数进行迭代更新，其中，xi表示第i个输入单元的值，xk表示第k个输入单元的值，wji表示第i个输入单元到第j个隐藏单元的权重。

如图3所示，步骤s4具体包括：

s401、获取两组以上的x1,x2,…,x8的值，得到初始群体，其中，一组x1,x2,…,x8的值为一个个体；

s402、对所述初始群体中的各个体进行二进制编码，得到与各个体一一对应的染色体；

s403、根据所述学习函数，计算得到各个体的适应度；

s404、根据所述适应度，选取两个个体分别作为父代个体和母代个体；

s405、将所述父代个体和母代个体对应的染色体进行交叉运算，得到子代染色体；

s406、对所述子代染色体进行变异运算，得到变异后的子代染色体；

s407、根据所述学习函数，计算得到变异后的子代染色体对应的子代个体的适应度；

s408、判断所述子代个体的适应度与所述父代个体的适应度的差值和/或所述子代个体的适应度与所述母代个体的适应度的差值是否在预设范围内；

s409、若是，将所述子代个体作为当前运行数据的最优解；

s410、若否，根据所述子代个体的适应度，在所述子代个体中选取两个个体分别作为父代个体和母代个体；返回执行步骤s405。

将所述最优解代入学习函数，此时学习函数的输出值就是当前操作电流的大小，得到该电流值以后可以控制超级电容储能单元进行充放电。

本实施例中，通过采集大量的历史运行数和历史操作电流进行自学习，并建立计算模型，适用于不同条件下的最优化能量管理，实现节能环保等最优效果，针对某条地铁线路的能量管理方法可以简单移植到其他地铁线路上，以构建一个更为强大的数据系统，实现整个地铁电力系统的电压稳定控制以及能量管理效率最优化。

实施例三

本实施例为上述实施例的一具体应用场景，具体涉及一种地铁车辆能量管理方法，包括如下步骤：

车辆在地铁线路上运行时，主控制器通过信息采集模块将车辆运行状态的运行数据，如接触网电压、牵引电流大小及方向、车辆速度、车辆位置、牵引制动力等，与当前时间、环境温度、三电平双向斩波器温度、电容温度及电容当前容量信息等一起上传至本地自学习控制器或通过远程通信模块上传至远程自学习控制器，完成不同运行条件下的历史运行数据采集。

地铁车辆的能量管理方法可以转化为如式1.1所示的优化问题：

max∑u·a·δt

s.t.a＝g(x1,x2,...,xn)

u∈[u0,u1]

r∈[r0,r1]

q∈[q0,q1](1.1)

其中，函数g表示当观察到△t时间内各个状态数据x1、x2…xn的值时应该做出的操作，当n＝8时，x1表示牵引电流i，x2表示电压v，x3表示环境温度t，x4表示电容当前容量c，x5表示电容温度r，x6表示车辆速度v，x7表示三电平双向斩波器温度q，x8表示车辆位置p；a代表需要具体执行的操作，例如具体指在△t时间内的充电电流大小或者放电电流大小，为一个矢量，可用正负号表示充电过程或者放电过程；[u0,u1]表示在△t时间内允许的电压波动范围，u0代表最低电压，u1代表最高电压；[r0,r1]表示在△t时间内允许的电容温度波动范围，r0代表最低温度，r1代表最高温度；[q0,q1]表示在△t时间内允许的三电平双向斩波器温度波动范围，q0代表最低温度，q1代表最高温度。目标函数g表示的是在a、u、r和q四个约束条件下，最大化累计放电电量的总和，最终得出的a便是应采取的操作值a，也就是通过计算模型计算得到的理论值，并且a表示可执行操作范围的上限值。

进一步的，整个能量管理方法过程主要分为g函数的自学习以及优化求解两个步骤。

首先是g函数的自学习。由于输入数据(即历史运行数据)和输出数据(即历史操作电流)具有非线性映射关系，采用前馈式径向基神经网络的方法进行自学习。整个网络分为输入层、隐藏层和输出层三个层次，输入层的神经元个数为n，隐藏层的神经元个数为m，激活函数f如式1.2所示：

其中，c、r为常数，初始状态下分别设置为0和1，可以进行微调。f函数用于捕捉输入数据和输出数据的非线性映射关系。

整个神经网络的学习函数的具体表达式如式1.3所示：

其中，n＝8，x1表示牵引电流i，x2表示电压v，x3表示环境温度t，x4表示电容当前容量c，x5表示电容温度r，x6表示车辆速度v，x7表示三电平双向斩波器温度q，x8表示车辆位置p，w’k表示隐藏层到输出层的权重参数，wki表示输入层到隐藏层的权重参数。

学习函数的迭代更新公式如式1.4所示：

其中，η表示迭代更新的步长。

具体的，从输入层到隐藏层的迭代更新公式如式1.5所示：

其中，yi表示第i个隐藏单元的输出，wj表示第i个隐藏单元到输出单元的权重，t表示迭代时第t步的学习函数中的x1,x2,…,x8的值。

从隐藏层到输出层的迭代更新公式如式1.6所示：

其中，xi表示第i个输入单元的值，xk表示第k个输入单元的值，wji表示第i个输入单元到第j个隐藏单元的权重。

学习函数的损失函数如式1.7所示：

其中，yreal表示历史操作电流的实际值，gpredict表示通过学习函数计算得到的历史操作电流的理论值。损失函数j表示实际值与理论值的误差情况，即迭代误差。本实施例中，当迭代误差小于0.01或者迭代次数达到500次时，停止迭代。

然后进行优化求解，式1.1的优化问题可以简化为式1.8的优化问题：

其中，n＝8，u表示g函数中输入的电压值，r表示电容温度，q表示三电平双向斩波器温度，uα,rβ,qγ为自定义参数，分别表示电压正常值、电容温度正常值和三电平双向斩波器温度正常值，ξu,ξr,ξq为自定义参数，分别表示用于惩罚电压超过电压正常值、电容温度超过正常值以及三电平双向展博维温度超过正常值的情况，ξu,ξr,ξq的值越大惩罚越大。

对式1.8中的优化问题采用遗传算法进行，具体包括如下步骤：

获取两组以上的x1,x2,…,x8的值，得到初始群体，其中，一组x1,x2,…,x8的值为一个个体；进一步地，所述x1,x2,…,x8的值都在其对应的波动范围内。

对所述初始群体中的各个体进行二进制编码，得到与各个体一一对应的染色体；

根据所述学习函数，计算得到各个体的适应度；

根据所述适应度，选取两个个体分别作为父代个体和母代个体；

将所述父代个体和母代个体对应的染色体进行交叉运算，得到子代染色体；

对所述子代染色体进行变异运算，得到变异后的子代染色体；

根据所述学习函数，计算得到变异后的子代染色体对应的子代个体的适应度；

判断所述子代个体的适应度与所述父代个体的适应度的差值和/或所述子代个体的适应度与所述母代个体的适应度的差值是否在预设范围内，所述预设范围可以设为(-0.01，0.01)；

若是，将所述子代个体作为当前运行数据的最优解；

若否，根据所述子代个体的适应度，在所述子代个体中选取两个个体分别作为父代个体和母代个体；

继续执行所述“将所述父代个体和母代个体对应的染色体进行交叉运算，得到子代染色体”的步骤。

最后，将得到的最优解代入学习函数，此时学习函数的输出值就是当前操作电流，根据所述当前操作电流控制地铁车辆的超级电容进行充放电。

实施例四

请参照图5，本发明的实施例四为与上述实施例的方法相对应，为一种车辆能量管理系统，可应用于地铁车辆能量管理，主要包括：

一种车辆能量管理系统，包括：

采集模块1，用于采集车辆历史运行状态的历史运行数据和历史操作电流；

建立模块2，用于根据所述历史运行数据和历史操作电流建立计算模型；

获取模块3，用于获取车辆当前运行状态的当前运行数据；

优化模块4，用于采用遗传算法对所述当前运行数据进行优化求解，得到所述当前运行数据的最优解；

计算模块5，用于将所述最优解代入所述计算模型计算得到当前操作电流；

操作模块6，用于根据所述当前操作电流控制车辆的电容进行充放电。

进一步的，所述建立模块2具体用于根据所述历史运行数据采用径向基神经网络的方法进行自学习，建立计算模型。

进一步的，所述建立模块2具体包括：

捕捉单元21，用于根据函数捕捉所述历史运行数据与历史操作电流的非线性映射关系，其中，c、r为常数；

自学习单元22，用于将函数作为神经网络的学习函数进行自学习，其中，x1表示牵引电流,x2表示电压,x3表示环境温度，x4表示电容当前容量，x5表示电容温度，x6表示三电平双向斩波器温度，x7表示车辆速度，x8表示车辆位置，wk’表示隐藏层到输出层的权重参数，wki表示从输入层到隐藏层的权重参数；

迭代单元23，用于根据公式对学习函数中的参数进行迭代更新，η表示迭代更新的步长；

第一计算单元24，用于根据公式计算学习函数的误差值，其中yreal表示历史操作电流的实际值，gpredict表示通过学习函数计算得到的历史操作电流的理论值；

停止单元25，用于当所述误差值在预设范围内或迭代次数达到预设次数的上限时，停止迭代，并将当前的学习函数作为计算模型。

进一步的，所述迭代单元23包括：

第一迭代单元231，用于根据公式对输入层到隐藏层的参数进行迭代更新，其中，yi表示第i个隐藏单元的输出，wj表示第i个隐藏单元到输出单元的权重，t表示迭代时第t步的学习函数中的x1,x2,…,x8的值；

第二迭代单元232，用于根据公式对隐藏层到输出层的参数进行迭代更新，其中，xi表示第i个输入单元的值，xk表示第k个输入单元的值，wji表示第i个输入单元到第j个隐藏单元的权重。

进一步的，所述优化模块4具体包括：

获取单元401，用于获取两组以上的x1,x2,…,x8的值，得到初始群体，其中，一组x1,x2,…,x8的值为一个个体；

编码单元402，用于对所述初始群体中的各个体进行二进制编码，得到与各个体一一对应的染色体；

第二计算单元403，用于根据所述学习函数，计算得到各个体的适应度；

第一选取单元404，用于根据所述适应度，选取两个个体分别作为父代个体和母代个体；

交叉单元405，用于将所述父代个体和母代个体对应的染色体进行交叉运算，得到子代染色体；

变异单元406，用于对所述子代染色体进行变异运算，得到变异后的子代染色体；

第三计算单元407，用于根据所述学习函数，计算得到变异后的子代染色体对应的子代个体的适应度；

判断单元408，用于判断所述子代个体的适应度与所述父代个体的适应度的差值和/或所述子代个体的适应度与所述母代个体的适应度的差值是否在预设范围内；

操作单元409，用于若是，将所述子代个体作为当前运行数据的最优解；

第二选取单元410，用于若否，根据所述子代个体的适应度，在所述子代个体中选取两个个体分别作为父代个体和母代个体；

继续执行单元411，用于继续执行所述“将所述父代个体和母代个体对应的染色体进行交叉运算，得到子代染色体”的步骤。

进一步的，还包括优化更新模块7，用于根据当前运行数据和当前操作电流对所述计算模型进行优化更新。

进一步的，所述操作模块6具体用于根据所述当前操作电流控制车辆的超级电容储能单元进行充放电。

综上所述，本发明提供的一种车辆能量管理方法及其系统，可通过自学习过程离线建立计算模型，在线计算量小，安全可靠，可解决地铁车辆运行时能量管理策略的适应能力不足的问题，可实现对地铁车辆能量的最优化管理，节能环保。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。