藺紅生，王 烈

（中國(guó)鐵道科學(xué)研究院集團(tuán)有限公司 科學(xué)技術(shù)信息研究所，北京 100081)

鐵路是典型的節(jié)能環(huán)保綠色交通工具，但同時(shí)也是能源消耗大戶(hù)，鐵路節(jié)能減排無(wú)論是對(duì)于經(jīng)濟(jì)效益還是對(duì)于生態(tài)環(huán)境保護(hù)都顯得尤為重要。根據(jù)中國(guó)國(guó)家鐵路集團(tuán)有限公司2021年統(tǒng)計(jì)公報(bào)，國(guó)家鐵路營(yíng)業(yè)里程13.1萬(wàn)km，其中電化率75.4%；國(guó)家鐵路機(jī)車(chē)擁有量為2.09萬(wàn)臺(tái)，其中內(nèi)燃機(jī)車(chē)0.74萬(wàn)臺(tái)，占比35.4%，電力機(jī)車(chē)1.35萬(wàn)臺(tái)，占比64.6%；國(guó)家鐵路能源消耗折算標(biāo)準(zhǔn)煤1 580.74萬(wàn)t。在鐵路運(yùn)輸總能耗中，機(jī)車(chē)牽引能耗占比最大，約為全國(guó)鐵路總能耗的60% ～ 70%[1]，特別是高速鐵路，機(jī)車(chē)牽引能耗占到總能耗的70% ～ 85%以上[2]。因此，研究分析電力機(jī)車(chē)牽引能耗信息，對(duì)于提高機(jī)車(chē)能耗管理水平具有重要現(xiàn)實(shí)意義。

1 電力機(jī)車(chē)能耗采集現(xiàn)狀及存在問(wèn)題

目前，鐵路機(jī)車(chē)能源消耗原始數(shù)據(jù)來(lái)源于機(jī)車(chē)乘務(wù)員出勤時(shí)填記的“司機(jī)報(bào)單”?！八緳C(jī)報(bào)單”是統(tǒng)計(jì)機(jī)車(chē)、車(chē)輛運(yùn)用效率和機(jī)車(chē)能源消耗情況，考核機(jī)車(chē)乘務(wù)員工作量的原始單據(jù)，是編制各種機(jī)車(chē)統(tǒng)計(jì)報(bào)表的主要依據(jù)[3]。

我國(guó)鐵路機(jī)車(chē)能耗統(tǒng)計(jì)是基于人工抄表(或電子報(bào)單)的事后統(tǒng)計(jì)，缺乏分機(jī)車(chē)、線(xiàn)路、牽引質(zhì)量等運(yùn)輸特征的能耗信息分析，存在數(shù)據(jù)時(shí)效性不強(qiáng)、精細(xì)化程度較低、統(tǒng)計(jì)結(jié)果誤差較大等問(wèn)題[4]，造成統(tǒng)計(jì)報(bào)表無(wú)法直接反映機(jī)車(chē)擔(dān)當(dāng)交路的能源消耗情況和日常機(jī)車(chē)消耗出現(xiàn)的異常情況，不利于機(jī)車(chē)能耗的精細(xì)化管理。

隨著電氣化鐵路的高速發(fā)展，特別是車(chē)載智能電表的普及和使用，從信息源點(diǎn)著手，由人工采集(司機(jī)報(bào)單)轉(zhuǎn)變?yōu)檐?chē)載設(shè)備的自動(dòng)連續(xù)采集，利用大數(shù)據(jù)分析手段實(shí)現(xiàn)機(jī)車(chē)能耗的精細(xì)化應(yīng)用與管理已經(jīng)具備條件。車(chē)載設(shè)備采集和記錄了海量的機(jī)車(chē)運(yùn)行數(shù)據(jù)、狀態(tài)數(shù)據(jù)、安全數(shù)據(jù)及能耗數(shù)據(jù)，對(duì)這些海量數(shù)據(jù)進(jìn)行關(guān)聯(lián)和深入分析，深度挖掘數(shù)據(jù)背后的價(jià)值，提供按照機(jī)車(chē)、線(xiàn)路(區(qū)段)、牽引質(zhì)量等更加細(xì)化的能耗信息，是管理決策所必需的。

2 電力機(jī)車(chē)牽引能耗數(shù)據(jù)挖掘分析框架

機(jī)車(chē)牽引能耗不僅受牽引機(jī)型、交路任務(wù)(列車(chē)種類(lèi)與運(yùn)行路徑)、牽引質(zhì)量、運(yùn)輸組織及氣候條件等客觀因素的影響，同時(shí)司機(jī)操縱水平和操作技能對(duì)能耗也存在較大影響，同列車(chē)、同區(qū)段、同機(jī)型牽引，不同的司機(jī)操縱，能耗也有很大差別，因此通過(guò)優(yōu)化司機(jī)操縱是一種有效的節(jié)能降耗手段。機(jī)車(chē)牽引能耗是實(shí)時(shí)動(dòng)態(tài)變化的，是各種因素共同作用的結(jié)果，對(duì)機(jī)車(chē)能耗信息進(jìn)行深度挖掘，分析不同運(yùn)輸條件下能耗變化成因，是促進(jìn)節(jié)支降耗、精細(xì)化管理的重要措施。

針對(duì)上述問(wèn)題，結(jié)合機(jī)車(chē)能耗分析應(yīng)用需求，從機(jī)車(chē)能耗信息采集源點(diǎn)著手，利用現(xiàn)有車(chē)載監(jiān)測(cè)設(shè)備對(duì)能耗信息進(jìn)行采集和傳輸，融合并關(guān)聯(lián)智能電表數(shù)據(jù)、列車(chē)運(yùn)行數(shù)據(jù)、線(xiàn)路基礎(chǔ)信息等多源異構(gòu)數(shù)據(jù)，運(yùn)用專(zhuān)業(yè)的數(shù)據(jù)挖掘技術(shù)，構(gòu)建面向運(yùn)輸生產(chǎn)過(guò)程和運(yùn)輸產(chǎn)品的電力機(jī)車(chē)牽引能耗分析框架。系統(tǒng)總體架構(gòu)設(shè)計(jì)遵循分層設(shè)計(jì)的思想[5]，按照功能劃分成不同的層次，由數(shù)據(jù)預(yù)處理層、數(shù)據(jù)存儲(chǔ)層、數(shù)據(jù)挖掘分析層、用戶(hù)交互層4部分組成。電力機(jī)車(chē)牽引能耗數(shù)據(jù)挖掘分析框架如圖1所示。

圖1 電力機(jī)車(chē)牽引能耗數(shù)據(jù)挖掘分析框架Fig.1 Data mining and analysis framework for traction energy consumption of electric locomotives

（1）數(shù)據(jù)預(yù)處理層。根據(jù)數(shù)據(jù)挖掘分析需求，制定數(shù)據(jù)采集標(biāo)準(zhǔn)和流程，對(duì)來(lái)源不同的智能電表數(shù)據(jù)(正向有功和反向有功等)，列車(chē)運(yùn)行監(jiān)控裝置(LKJ)的列車(chē)運(yùn)行數(shù)據(jù)(運(yùn)行速度、機(jī)車(chē)號(hào)、車(chē)次、司機(jī)號(hào)、車(chē)站號(hào)、公里標(biāo)、進(jìn)出站、編組、牽引質(zhì)量等)，列車(chē)控制與監(jiān)視系統(tǒng)(TCMS)的車(chē)載微機(jī)數(shù)據(jù)(司機(jī)操縱、手柄級(jí)位等)及線(xiàn)路基礎(chǔ)數(shù)據(jù)(線(xiàn)路號(hào)、坡度、區(qū)間等)等進(jìn)行統(tǒng)一采集，通過(guò)車(chē)載4G/5G設(shè)備進(jìn)行數(shù)據(jù)實(shí)時(shí)傳輸或在機(jī)車(chē)入庫(kù)之后以無(wú)線(xiàn)局域網(wǎng)(WLAN)的方式進(jìn)行數(shù)據(jù)轉(zhuǎn)儲(chǔ)。由于車(chē)載裝備采集數(shù)據(jù)存在數(shù)據(jù)不完整、缺失、不一致等問(wèn)題，需要基于大數(shù)據(jù)的預(yù)處理技術(shù)進(jìn)行數(shù)據(jù)清洗、數(shù)據(jù)篩選和數(shù)據(jù)歸并，對(duì)不同來(lái)源的數(shù)據(jù)進(jìn)行關(guān)聯(lián)和匹配。對(duì)于不同的數(shù)據(jù)包括異常值、重復(fù)值、缺失值等需要采用相對(duì)應(yīng)的預(yù)處理方法。異常值通常是由車(chē)載設(shè)備損壞或者記錄錯(cuò)誤造成的，在數(shù)據(jù)預(yù)處理過(guò)程中需要盡可能剔除這種異常的數(shù)據(jù)。重復(fù)值是由于列車(chē)處于靜止?fàn)顟B(tài)，機(jī)車(chē)能耗、速度、里程等重復(fù)記錄，按照記錄時(shí)間、列車(chē)進(jìn)出站等進(jìn)行數(shù)據(jù)辨析和篩選。缺失值通常由于部分車(chē)載記錄設(shè)備故障或傳輸問(wèn)題導(dǎo)致，可使用平均值、中位數(shù)、眾數(shù)等填充缺失值，或者使用預(yù)測(cè)值、線(xiàn)性插值等方法進(jìn)行填充。通過(guò)數(shù)據(jù)預(yù)處理，達(dá)到數(shù)據(jù)的一致性、準(zhǔn)確性和完整性，提高機(jī)車(chē)能耗數(shù)據(jù)分析的精確度。

（2）數(shù)據(jù)存儲(chǔ)層。數(shù)據(jù)倉(cāng)庫(kù)是前端查詢(xún)和數(shù)據(jù)分析的基礎(chǔ)，關(guān)鍵在于機(jī)車(chē)能耗數(shù)據(jù)的存儲(chǔ)和管理。針對(duì)現(xiàn)有各業(yè)務(wù)系統(tǒng)的數(shù)據(jù)，進(jìn)行數(shù)據(jù)抽取、清洗、轉(zhuǎn)換，并有效集成裝載到數(shù)據(jù)倉(cāng)庫(kù)中，按照業(yè)務(wù)主題進(jìn)行組織，對(duì)海量機(jī)車(chē)能耗數(shù)據(jù)進(jìn)行存儲(chǔ)和快速檢索，為能耗數(shù)據(jù)挖掘分析提供支撐。

（3）數(shù)據(jù)挖掘分析層。數(shù)據(jù)挖掘分析是針對(duì)不同的分析需求，建立不同的模型算法進(jìn)行數(shù)據(jù)挖掘。根據(jù)數(shù)據(jù)挖掘主題和目標(biāo)，從海量機(jī)車(chē)能耗數(shù)據(jù)中通過(guò)建立合適的挖掘模型算法(數(shù)理統(tǒng)計(jì)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、專(zhuān)家系統(tǒng)等)，挖掘出數(shù)據(jù)之間的內(nèi)在聯(lián)系和潛在規(guī)律，生成數(shù)據(jù)多維分析表，揭示出數(shù)據(jù)之間隱藏的關(guān)系、模式或趨勢(shì)。

（4）用戶(hù)交互層。根據(jù)用戶(hù)輸入，返回分析挖掘結(jié)果，生成不同角度、不同形式的報(bào)告或圖表，以簡(jiǎn)單明了、圖形化的方式呈現(xiàn)給終端用戶(hù)，提供分時(shí)間、線(xiàn)路、區(qū)間、司機(jī)、機(jī)型等不同指標(biāo)維度的機(jī)車(chē)能耗和單耗數(shù)據(jù)測(cè)算和分析結(jié)果展現(xiàn)，為機(jī)車(chē)操縱提供數(shù)據(jù)支撐和參考依據(jù)，同時(shí)還可以實(shí)時(shí)監(jiān)測(cè)機(jī)車(chē)能耗數(shù)據(jù)并對(duì)異常狀態(tài)進(jìn)行預(yù)警和提醒。

電力機(jī)車(chē)牽引能耗數(shù)據(jù)挖掘分析框架重點(diǎn)解決了能耗統(tǒng)計(jì)信息采集源點(diǎn)與生產(chǎn)運(yùn)營(yíng)過(guò)程聯(lián)系不夠緊密、不及時(shí)等問(wèn)題，將能耗數(shù)據(jù)與運(yùn)輸生產(chǎn)信息進(jìn)行關(guān)聯(lián)整合，提出系統(tǒng)解決方案和方法手段，構(gòu)建能耗動(dòng)態(tài)變化與影響因素間完整的邏輯鏈條，可以實(shí)現(xiàn)分線(xiàn)路、車(chē)次、站間、司機(jī)等多維度單耗區(qū)間分布測(cè)算，以及單耗、總能耗預(yù)測(cè)，為能耗精細(xì)化分析奠定了基礎(chǔ)。在電力機(jī)車(chē)牽引能耗數(shù)據(jù)挖掘分析框架的基礎(chǔ)上，進(jìn)一步可以創(chuàng)建具有能耗數(shù)據(jù)導(dǎo)入、處理、分析、查詢(xún)、預(yù)警等功能的機(jī)車(chē)能耗大數(shù)據(jù)分析挖掘平臺(tái)，涵蓋數(shù)據(jù)采集、預(yù)處理、建模、查詢(xún)分析到數(shù)據(jù)可視化的全過(guò)程，實(shí)現(xiàn)分機(jī)型、車(chē)次、區(qū)段、線(xiàn)路、司機(jī)等的機(jī)車(chē)能耗查詢(xún)對(duì)比分析，進(jìn)一步提升能耗科學(xué)管理水平，促進(jìn)節(jié)支降耗、降本增效。

3 案例分析

以京滬線(xiàn)(北京—上海) HXD1D型電力機(jī)車(chē)擔(dān)當(dāng)?shù)穆每土熊?chē)作為實(shí)例，對(duì)機(jī)車(chē)牽引能耗進(jìn)行分析測(cè)算。列車(chē)自北京站始發(fā)，經(jīng)停天津、滄州、德州、徐州等站，終到上海站，研究區(qū)段范圍為北京—徐州段，線(xiàn)路全長(zhǎng)814 km；時(shí)間范圍從2020年1月到2020年6月，合計(jì)118趟列車(chē)的運(yùn)營(yíng)數(shù)據(jù)。北京—徐州段分站間機(jī)車(chē)單耗數(shù)據(jù)情況如表1所示。實(shí)例測(cè)算將機(jī)車(chē)能耗數(shù)據(jù)分析細(xì)化到任意停站之間，并與司機(jī)操縱、牽引質(zhì)量、列車(chē)速度等進(jìn)行關(guān)聯(lián)分析，從平均值、極差、標(biāo)準(zhǔn)差、離散系數(shù)等角度對(duì)能耗數(shù)據(jù)進(jìn)行深度挖掘，便于發(fā)現(xiàn)問(wèn)題及時(shí)預(yù)警糾偏，進(jìn)一步提高能耗分析精度，為司機(jī)操縱和節(jié)支降耗提供數(shù)據(jù)參考。

3.1 機(jī)車(chē)能耗數(shù)據(jù)總體情況分析

根據(jù)表1，北京—徐州段機(jī)車(chē)平均單耗163.39 kW·h/ (萬(wàn)t·km)，最小值146.57 kW·h/ (萬(wàn)t·km)，最大值198.70 kW·h/ (萬(wàn)t·km)，極差52.13 kW·h/ (萬(wàn)t·km)，相對(duì)極差達(dá)到31.9%。機(jī)車(chē)單耗在均值以上列車(chē)趟數(shù)占比44.92%，其中單耗在均值5%以上列車(chē)趟數(shù)占比14.41%，單耗在均值0 ～ 5%之間列車(chē)趟數(shù)占比30.51%。北京—天津區(qū)間的離散系數(shù)最大，為8.34%，極差也最大，為70.27 kW·h/ (萬(wàn)t·km)，波動(dòng)幅度最大，具有較大的節(jié)支降耗空間。北京—徐州機(jī)車(chē)單耗分布圖如圖2所示。機(jī)車(chē)單耗離散系數(shù)、極差對(duì)比圖如圖3所示。

表1 北京—徐州段分站間機(jī)車(chē)單耗數(shù)據(jù)情況 kW · h / (萬(wàn)t · km)Tab.1 Locomotive energy consumption for intervals between Beijing and Xuzhou

圖3 機(jī)車(chē)單耗離散系數(shù)、極差對(duì)比圖Fig.3 Comparison of coefficients of variation and ranges of locomotive energy consumption

通過(guò)上述分析可以得出京滬線(xiàn)北京—徐州段的機(jī)車(chē)單耗分布區(qū)間、機(jī)車(chē)單耗超出平均值的占比以及機(jī)車(chē)單耗在線(xiàn)路區(qū)段的波動(dòng)幅度大小，對(duì)該線(xiàn)路區(qū)間機(jī)車(chē)單耗指標(biāo)和重點(diǎn)降耗區(qū)段的目標(biāo)設(shè)定有重要參考意義，可以為能耗管理工作精細(xì)化奠定基礎(chǔ)。

3.2 機(jī)車(chē)能耗按月、分編組、分司機(jī)均值分析

機(jī)車(chē)單耗按月均值對(duì)比如圖4所示，機(jī)車(chē)單耗按編組均值對(duì)比如圖5所示，機(jī)車(chē)單耗分司機(jī)均值對(duì)比如圖6所示。從圖4—圖6可知，2020年5月機(jī)車(chē)單耗均值均高于其他月份，其中北京—徐州區(qū)間2020年5月均值最大，單耗均值174.14 kW·h/ (萬(wàn)t·km)，2020年2月均值最小，單耗均值158.05 kW·h/ (萬(wàn)t·km)，極差16.09 kW·h/ (萬(wàn)t·km)。12輛編組單耗均值明顯高于14輛、16輛及18輛編組的單耗均值。其中北京—徐州區(qū)間12輛編組均值最大，單耗均值177.88 kW·h/ (萬(wàn)t·km)，16輛編組均值最小，單耗均值158.23 kW·h/ (萬(wàn)t·km)，極差19.65 kW·h/ (萬(wàn)t·km)。司機(jī)05單耗均值均高于其他司機(jī)均值，其中北京—徐州區(qū)間司機(jī)05均值最大，單耗均值172.39 kW·h/ (萬(wàn)t·km)，司機(jī)01均值最小，單耗均值157.60 kW·h/ (萬(wàn)t·km)，極差14.79 kW·h/ (萬(wàn)t·km)。

圖4 機(jī)車(chē)單耗按月均值對(duì)比Fig.4 Comparison of monthly average locomotive energy consumption

圖5 機(jī)車(chē)單耗按編組均值對(duì)比Fig.5 Comparison of average locomotive energy consumption by marshaling

圖6 機(jī)車(chē)單耗分司機(jī)均值對(duì)比Fig.6 Comparison of average locomotive energy consumption by drivers

通過(guò)機(jī)車(chē)單耗按月歷史均值、分編組均值及分司機(jī)均值的對(duì)比分析，使機(jī)車(chē)能耗管理精確到各個(gè)運(yùn)行區(qū)間、編組和不同司機(jī)，對(duì)機(jī)車(chē)單耗在該線(xiàn)路區(qū)段的季節(jié)性變化、運(yùn)輸生產(chǎn)過(guò)程中的編組計(jì)劃及司機(jī)的考核評(píng)價(jià)、規(guī)范操縱提供重要的參考依據(jù)。

3.3 司機(jī)操縱對(duì)機(jī)車(chē)能耗的影響分析

機(jī)車(chē)單耗分司機(jī)離散系數(shù)對(duì)比如圖7所示，機(jī)車(chē)單耗分司機(jī)箱線(xiàn)圖如圖8所示。從圖7、圖8可知，司機(jī)05離散系數(shù)明顯高于其他司機(jī)，波動(dòng)幅度最大。機(jī)車(chē)單耗與司機(jī)操縱關(guān)系密切，單耗影響在3% ～ 5%，最大可達(dá)8%左右。我國(guó)鐵路規(guī)模大、里程長(zhǎng)，不同地區(qū)或線(xiàn)路之間的運(yùn)輸情況各異，列車(chē)司機(jī)操縱水平不一，并且在進(jìn)行操縱時(shí)存在一定的自主空間，牽引能耗存在很大的節(jié)省空間[6]。篩選出優(yōu)秀司機(jī)節(jié)能、平穩(wěn)的記錄數(shù)據(jù)，建立深度學(xué)習(xí)模型，固化手柄級(jí)位和優(yōu)化操縱曲線(xiàn)，在滿(mǎn)足安全、準(zhǔn)點(diǎn)、舒適等多目標(biāo)條件的約束下，使列車(chē)能耗最低。通過(guò)線(xiàn)下培訓(xùn)和線(xiàn)上實(shí)時(shí)提醒的方式規(guī)范司機(jī)操縱，并可在輔助駕駛、自動(dòng)駕駛方面進(jìn)行深入探索和研究。

圖7 機(jī)車(chē)單耗分司機(jī)離散系數(shù)對(duì)比Fig.7 Comparison of coefficients of variation of locomotive energy consumption by drivers

圖8 機(jī)車(chē)單耗分司機(jī)箱線(xiàn)圖Fig.8 Boxplot of locomotive energy consumption by drivers

3.4 牽引質(zhì)量對(duì)機(jī)車(chē)能耗的影響分析

機(jī)車(chē)能耗與牽引質(zhì)量曲線(xiàn)擬合圖如圖9所示，北京—徐州段機(jī)車(chē)能耗預(yù)測(cè)情況如表2所示。將北京—徐州段的12輛、14輛、16輛、18輛編組的機(jī)車(chē)能耗與牽引質(zhì)量進(jìn)行曲線(xiàn)擬合，得到擬合式：y = 0.019 6 x2- 23.017 x + 16 439，R2達(dá)到0.999 8， R2是趨勢(shì)線(xiàn)擬合程度的指標(biāo)，它的數(shù)值大小直接反映趨勢(shì)線(xiàn)的估計(jì)值與對(duì)應(yīng)的實(shí)際數(shù)據(jù)之間的擬合程度，擬合程度越高，趨勢(shì)線(xiàn)的可靠性就越高。同時(shí)利用趨勢(shì)線(xiàn)對(duì)13輛、15輛、17輛、19輛編組的機(jī)車(chē)能耗進(jìn)行數(shù)據(jù)預(yù)測(cè)，與實(shí)際值進(jìn)行比較，誤差均在±4%以?xún)?nèi)，取得較好的預(yù)測(cè)結(jié)果。

圖9 機(jī)車(chē)能耗與牽引質(zhì)量曲線(xiàn)擬合圖Fig.9 Curve fitting diagram of locomotive energy consumption and traction weight

表2 北京—徐州段機(jī)車(chē)能耗預(yù)測(cè)情況Tab.2 Prediction of locomotive energy consumption between Beijing to Xuzhou

3.5 列車(chē)速度對(duì)機(jī)車(chē)能耗的影響分析

機(jī)車(chē)瞬時(shí)能耗速度曲線(xiàn)圖如圖10所示。選取機(jī)車(chē)單耗波動(dòng)幅度最大的司機(jī)05，對(duì)同一線(xiàn)路、同一區(qū)間、同一車(chē)次不同日期的能耗速度曲線(xiàn)進(jìn)行對(duì)比，其中2020年5月3日北京—徐州區(qū)間的單耗為198.70 kW·h/ (萬(wàn)t·km)，2020年5月28日 北京—徐州區(qū)間的單耗156.72 kW·h/ (萬(wàn)t·km)，前者比后者高出27%，可見(jiàn)列車(chē)的頻繁加速/制動(dòng)對(duì)能耗影響較大，并且列車(chē)在加速段的瞬時(shí)能耗明顯高于勻速段的能耗[7]。機(jī)車(chē)運(yùn)行能耗影響因素由大到小依次為起停次數(shù)、牽引質(zhì)量和編組數(shù)量[8]，因此應(yīng)盡量避免列車(chē)在運(yùn)行過(guò)程中不必要的起停，按限速、達(dá)速、恒速運(yùn)行。

圖10 機(jī)車(chē)瞬時(shí)能耗速度曲線(xiàn)圖Fig.10 Speed curve of instantaneous locomotive energy consumption

4 結(jié)束語(yǔ)

從機(jī)車(chē)能耗信息采集源點(diǎn)著手，利用車(chē)載監(jiān)測(cè)設(shè)備對(duì)能耗信息進(jìn)行采集和傳輸，結(jié)合機(jī)車(chē)能耗分析應(yīng)用需求，構(gòu)建電力機(jī)車(chē)牽引能耗數(shù)據(jù)挖掘分析框架，通過(guò)對(duì)京滬線(xiàn)旅客列車(chē)機(jī)車(chē)能耗數(shù)據(jù)的整理、統(tǒng)計(jì)和分析，完成分線(xiàn)路、車(chē)次、站間、編組、司機(jī)等多維度單耗區(qū)間分布特征研究和測(cè)算，實(shí)現(xiàn)了對(duì)能耗數(shù)據(jù)的深度挖掘，滿(mǎn)足了機(jī)車(chē)能耗管理和運(yùn)營(yíng)的信息需求。隨著車(chē)載智能裝備的不斷完善，實(shí)時(shí)監(jiān)測(cè)機(jī)車(chē)能耗數(shù)據(jù)狀態(tài)，基于機(jī)車(chē)能耗分析框架，研發(fā)機(jī)車(chē)能耗大數(shù)據(jù)分析平臺(tái)，引入深度學(xué)習(xí)、專(zhuān)家系統(tǒng)等技術(shù)，通過(guò)大數(shù)據(jù)計(jì)算分機(jī)型、分線(xiàn)路、分區(qū)間機(jī)車(chē)能耗標(biāo)準(zhǔn)值區(qū)間，依托計(jì)算結(jié)果開(kāi)展司機(jī)操縱評(píng)價(jià)、列車(chē)平穩(wěn)操縱、輔助/自動(dòng)駕駛等方面的應(yīng)用，為機(jī)車(chē)能耗總量預(yù)測(cè)、單耗分析、規(guī)范操縱、預(yù)算編制、清算結(jié)算等提供數(shù)據(jù)和平臺(tái)支撐，為機(jī)車(chē)能耗管理提供更加精細(xì)化的服務(wù)，不斷提高機(jī)車(chē)運(yùn)用效率和運(yùn)輸服務(wù)質(zhì)量。