CN105243430B - 列车节能运行的目标速度曲线的优化方法 - Google Patents
列车节能运行的目标速度曲线的优化方法 Download PDFInfo
- Publication number
- CN105243430B CN105243430B CN201510562691.9A CN201510562691A CN105243430B CN 105243430 B CN105243430 B CN 105243430B CN 201510562691 A CN201510562691 A CN 201510562691A CN 105243430 B CN105243430 B CN 105243430B
- Authority
- CN
- China
- Prior art keywords
- mode
- train
- velocity
- switch
- curve
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开一种列车节能运行的目标速度曲线的优化方法,包括如下步骤:S1、基于分层优化方法将优化目标分为多个模态,基于模态切换满意区域计算得到任意两个相邻的模态之间的模态切换关系;S2、根据所述模态切换关系计算得到第一匀速模态的速度值以及第一惰行模态向制动模态切换的切换点的速度值;S3、基于双向迭代法反向计算第一匀速模态向第一惰行模态切换的切换点的位置坐标;S4、得到初始目标速度曲线;S5、针对任意一个陡坡区段,基于平均速度等效法优化上述初始目标速度曲线中与该陡坡区段对应的部分;S6、基于多目标满意度优化方法优化目标速度曲线。本发明所述优化方法可以有效提高列车运行的节能性、正点性、平稳性及安全性。
Description
技术领域
本发明涉及列车运行控制技术领域。更具体地,涉及一种列车节能运行的目标速度曲线的优化方法。
背景技术
列车节能运行控制是典型的非线性、多约束、多目标的复杂时变过程,可分为控制目标速度曲线优化和目标速度跟踪控制两大环节。其中,目标速度曲线是控制系统跟踪的对象,其动态优化涉及能耗机理建模、运动学分析、智能优化等内容,现有研究主要是从数学解析、工况转换策略寻优、最优化控制等方面求解能耗目标函数最优解或近似最优解,通常对线路条件、列车编组、外界环境等约束条件进行了大量简化,求解过程复杂、运算量大,也难以适应我国复杂的路网环境。因此,具有重要理论意义和实际应用价值。
欧洲学者从上世纪六十年代开始运用经典的数学分析与最优化方法探讨列车优化控制问题。该方法建立在精确的数学模型基础之上的。而现有的列车牵引计算模型本身只是一个粗略的形式化理论,误差范围较大,且存在一定的未建模动态,计算过程中也不可避免地存在计算误差和近似简化,对于各种复杂的约束条件也不能很好地处理,使得数学分析与最优化方法的求解效果具有较大的局限性。
上世界八十年代起,随着计算智能的发展,日本学者开始运用模糊控制求解列车运行控制与节能优化问题。国内学者自1990年以来基于模糊逻辑提出了用机器语言实现优秀司机专业知识与决策过程的表达与建模,并逐步将模糊预测、两层递阶控制、智能多目标优化理论应用到了中国铁路的自动控制领域。也有学者基于遗传算法、蚁群算法、粒子群等各种计算智能的方法对列车优化控制问题开展研究。基于计算智能的优化方法对模型的依赖性比较低,靠大规模的搜索、分析、演化等方法求解在一定程度上满足要求的可行解,在程序设计中比较容易处理各种约束条件。但该类方法往往存在计算量与计算精度之间的矛盾。在工程应用中,控制策略的工程可行性要求控制级位变化频率不宜太高、变化幅度不能太大,且要考虑电气、机械系统的响应时间。而基于计算智能的优化方法在优化计算实时性和工程可行性方面较为普遍地缺乏理想的解决办法,导致理论研究成果与实际工程应用之间尚不能很好地对接。同时,我国铁路交路长、机车型号多,线路复杂,行车密度大,传统地针对特定线路和列车制订《列车操纵示意图》难以适应时代发展的需要,国外已有的节能运行控制系统也难以适应中国复杂的路网环境。
电子信息技术的不断发展推动了传感器网络、物联网、信息物理融合系统、云计算、大数据等先进技术的发展,机器智能的深度和广度可谓日新月异,特别是互联网的应用正在不断向人类生活的各个角落渗透,它必将带来一场社会生产组织模式基于网络平台的重构。在新一代智能控制系统架构下,列车节能运行控制所需要的通信和计算平台已经具备。快速、高效、适应性强的目标速度曲线的优化算法成为了制约智慧铁路发展的主要瓶颈之一。
因此,需要结合我国铁路行业背景,开展列车运行过程能耗机理与优化方法研究,突破控制目标速度曲线优化的瓶颈,提供一种满足安全性、舒适性、节能性、正点性、准确性等各种运行目标的列车节能运行的目标速度曲线的优化方法。
发明内容
本发明的一个目的在于提供一种列车节能运行的目标速度曲线的优化方法。
为达到上述目的,本发明采用下述技术方案:
列车节能运行的目标速度曲线的优化方法,该优化方法包括如下步骤:
S1、基于分层优化方法将优化目标分为多个模态,基于模态切换满意区域计算得到任意两个相邻的模态之间的模态切换关系;
S2、根据所述模态切换关系计算得到第一匀速模态的速度值以及第一惰行模态向制动模态切换的切换点的速度值;
S3、基于双向迭代法反向计算第一匀速模态向第一惰行模态切换的切换点的位置坐标;
S4、由第一匀速模态的速度值、第一惰行模态向制动模态切换的切换点的速度值、以及第一匀速模态向第一惰行模态切换的切换点的位置坐标得到初始目标速度曲线;
S5、针对任意一个陡坡区段,基于平均速度等效法优化上述初始目标速度曲线中与该陡坡区段对应的部分;
S6、基于多目标满意度优化方法优化目标速度曲线。
优选地,所述陡坡区段包括陡上坡区段和陡下坡区段;其中,所述陡上坡区段为列车运行阻力大于其最大牵引力的上坡区段;所述陡下坡区段为当列车牵引力为零时,列车在重力作用下加速前进的下坡区段。
优选地,所述双向迭代法为:当列车运行途中出现限速下降时,列车需要提前惰行减速以避免超速,此时先正向迭代,然后从限速下降点反向迭代至与正向迭代交叉,交叉点至限速下降点之间的目标速度曲线以反向迭代的结果为准。
优选地,所述优化方法在所述步骤S1之前还包括如下步骤:
S0.1、根据列车在目标区间内的计划运行时分和区间距离,分别建立列车的基本阻力模型、附加阻力模型和能耗计算模型;并且分别建立机车的控制级位与机车牵引力的关系模型、控制级位与机车制动力的关系模型、以及牵引定数对安全生产的约束关系模型;
S0.2、建立包括静态信息和动态信息的多维线路空间模型;其中,静态信息包括列车运行线路的公里标、限速、弯道、坡道、隧道和分相;动态信息包括车速、牵引力、剩余时间和目标速度值。
优选地,所述步骤S1进一步包括如下子步骤:
S1.1、基于分层优化的方法将列车运行分为加速模态、匀速模态、惰行模态及制动模态四种模态;
S1.2、根据机车的控制级位与机车牵引力的关系模型,由列车运行线路上每一个公里标对应的弯道、坡道、隧道估算得到列车运行的阻力;
S1.3、对于任意一个制动能量再生率值,利用枚举算法按照任意的惰行模态向制动模态切换的切换点计算得到该制动能量再生率值对应的二维能耗分布曲线;
S1.4、对二维能耗分布曲线的谷底区域,按照满意度隶属函数筛选出惰行模态向制动模态切换的模态切换满意区段;
S1.5、对于制动能量再生率值为0%至100%,以1%为步长,重复所述步骤S1.3至S1.4得到三维能耗分布曲面;
S1.6、根据所述三维能耗分布曲面确定与任意一个制动能量再生率值对应的第一匀速模态的速度值与制动模态起始点的速度值的关系,然后根据该制动能量再生率值对应的第一匀速模态的速度值与制动模态起始点的速度值的关系确定该制动能量再生率值对应的模态切换关系。
优选地,所述步骤S2进一步包括如下子步骤:
S2.1、根据所述模态切换关系,由所述多维线路空间模型的静态信息以及列车的牵引质量、牵引特性曲线、制动特性曲线和长度信息,离线规划得到每一个模态的运行时分和目标速度曲线配置方案;
S2.2、由所述目标速度曲线配置方案中第一匀速模态的速度值计算得到第一惰行模态向制动模态切换的切换点的速度值。
优选地,所述步骤S3进一步包括如下子步骤:
S3.1、对于进站停车的限速下降区段,从终点位置反向计算第一惰行模态向制动模态切换的切换点的位置坐标;
S3.2、利用双向迭代法反向计算第一匀速模态向第一惰行模态切换的切换点的位置坐标。
优选地,所述步骤S4进一步包括如下子步骤:
S4.1、按照第一加速模态、第一匀速模态、第一惰行模态、制动模态的顺序绘制得到初始目标速度曲线;
S4.2、当运行途中出现限速下降区段时,按照第二惰行模态、第二匀速模态、第二加速模态的顺序通过低限速区段。
优选地,所述步骤S4.2进一步包括如下子步骤:
S4.2.1、利用双向迭代法计算第二匀速模态向第二惰行模态切点的切换点的位置坐标;
S4.2.2、低限速区段的起始点为第二惰行模态向第二匀速模态切换的切换点的位置坐标;
S4.2.3、低限速区段的终点为第二匀速模态向第二加速模态切换的切换点的位置坐标;
S4.2.4、当运行速度达到第一匀速模态的速度值时,由第二加速模态切换为第一匀速模态。
优选地,所述步骤S5进一步包括如下子步骤:
S5.1、根据上述初始目标速度曲线中各点的速度值、以及由弯道和隧道引起的附加阻力的大小重新确定坡道是否属于陡坡;
S5.2、对于任意一个陡上坡区段,采用平均速度等效法确定列车动能闯破的加速点;
S5.3、对于任意一个陡下坡区段,采用平均速度等效法确定列车惰行的起始点,使得列车在该陡下坡区段的运行时分等效于匀速运行通过该陡下坡区段。
优选地,所述平均速度等效法为:确定恰当的加速点的位置,使得从加速点到匀速点需要的实际运行时间等于匀等效的速运行通过该区段需要的时间,且等效的匀速运行速度的计算公式如下:
其中,xh表示匀速点h的位置坐标;xp表示加速点p的位置坐标;th表示列车通过匀速点h的时刻,tp表示列车通过加速点p的时刻。
优选地,所述步骤S6进一步包括如下子步骤:
S6.1、针对列车运行过程中的安全性要求,基于列车加速度值构建安全性满意度函数;
S6.2、针对列车运行过程中的舒适性要求,基于列车加速度值构建舒适性满意度函数;
S6.3、针对列车运行过程的节能性要求,基于列车运行的能耗模型构建能耗满意度函数;
S6.4、针对列车运行过程对计划运行时分的满足程度,构建正点性满意度函数;
S6.5、针对列车运行过程对准确停车的要求,基于对停车点的预测构建准确性满意度函数;
S6.6、根据安全性满意度函数、舒适性满意度函数、能耗满意度函数、正点性满意度函数和准确性满意度函数协同优化该列车节能运行的目标速度曲线。
本发明的有益效果如下:
现有技术基于bang-bang控制的思想,采用PID控制算法,使列车速度在一定的范围内按锯齿波震荡。现有技术的方法造成控制器动作频繁,牵引能耗较之匀速运行也会因为速度波动多出方差项。本发明通过精确计算准确匹配牵引力,尽最大可能保持大范围的匀速运行。通过数学推理、逻辑分析及计算机仿真,准确定位各个模态之间的切换位置,实现牵引能耗的最小化。本发明的优化方法快速、高效、适应性强,为实现列车运行控制从以司机为主的半自动模式转向以机器为主的全过程智能控制模式奠定方法基础。同时,该优化方法也能用于指导新线路纵、横断面的设计,以及用于列车编组、运行图编制等其他以节能增效为目标的优化策略制定。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1为本发明实施例提供的列车节能运行的目标速度曲线的优化方法的流程图;
图2为不同制动能量再生率和不同惰行-制动切换点对应的运行能耗对比仿真三维示意图;
图3为在陡上坡区段利用平均速度等效法进行目标速度曲线局部优化的原理示意图;
图4为选择不同加速点时目标速度曲线细节对比示意图;
图5为在陡下坡区段利用平均速度等效法进行目标速度曲线局部优化的原理示意图;
图6为按照本发明进行优化后的列车节能运行的目标速度曲线的示意图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
如图1所示,本实施例提供的列车节能运行的目标速度曲线的优化方法包括如下步骤:
S1、基于分层优化方法将优化目标分为多个模态,基于模态切换满意区域计算得到任意两个相邻的模态之间的模态切换关系;
S2、根据上述模态切换关系计算得到第一匀速模态的速度值以及第一惰行模态向制动模态切换的切换点的速度值;
S3、基于双向迭代法反向计算第一匀速模态向第一惰行模态切换的切换点的位置坐标;
S4、由第一匀速模态的速度值、第一惰行模态向制动模态切换的切换点的速度值、以及第一匀速模态向第一惰行模态切换的切换点的位置坐标得到初始目标速度曲线;
S5、针对任意一个陡坡区段,基于平均速度等效法优化上述初始目标速度曲线中与该陡坡区段对应的部分;陡坡区段包括陡上坡区段和陡下坡区段;其中,陡上坡区段为列车运行阻力大于其最大牵引力的上坡区段;陡下坡区段为当使得列车牵引力为零时,列车在重力作用下加速前进的下坡区段;
S6、基于多目标满意度优化方法优化目标速度曲线。
上述步骤S3中,双向迭代法为:当列车运行途中出现限速下降时,列车需要提前惰行减速以避免超速,此时先正向迭代,然后从限速下降点反向迭代至与正向迭代交叉,交叉点至限速下降点之间的目标速度曲线以反向迭代的结果为准。
优选地,所述优化方法在上述步骤S1之前还包括如下步骤:
S0.1、根据列车在目标区间内的计划运行时分和区间距离,分别建立列车的基本阻力模型、附加阻力模型和能耗计算模型;并且分别建立机车的控制级位与机车牵引力的关系模型、控制级位与机车制动力的关系模型、以及牵引定数对安全生产的约束关系模型;
S0.2、建立包括静态信息和动态信息的多维线路空间模型;其中,静态信息包括列车运行线路的公里标、限速、弯道、坡道、隧道和分相;动态信息包括车速、牵引力、剩余时间和目标速度值。
优选地,上述步骤S1进一步包括如下子步骤:
S1.1、基于分层优化的方法将列车运行分为加速模态、匀速模态、惰行模态及制动模态四种模态;
S1.2、根据机车的控制级位与机车牵引力的关系模型,由列车运行线路上每一个公里标对应的弯道、坡道、隧道估算得到列车运行的阻力;估算列车运行的阻力时,货车的速度值为80km/h,普通客运列车的速度值为120km/h,普通动车组的速度值为200km/h,高速列车的速度值为300km/h;
S1.3、对于任意一个制动能量再生率值,利用枚举算法按照任意的惰行模态向制动模态切换的切换点计算得到该制动能量再生率值对应的二维能耗分布曲线;
S1.4、对二维能耗分布曲线的谷底区域,按照满意度隶属函数筛选出惰行模态向制动模态切换的模态切换满意区段;
S1.5、对于制动能量再生率值为0%至100%,以1%为步长,重复上述步骤S1.3至S1.4得到三维能耗分布曲面,如图2所示;
S1.6、根据上述三维能耗分布曲面确定与任意一个制动能量再生率值对应的第一匀速模态的速度值与制动模态起始点的速度值的关系,然后根据该制动能量再生率值对应的第一匀速模态的速度值与制动模态起始点的速度值的关系确定该制动能量再生率值对应的模态切换关系。
上述步骤S2进一步包括如下子步骤:
S2.1、根据步骤S1所得到的模态切换关系,由多维线路空间模型的静态信息以及列车的牵引质量、牵引特性曲线、制动特性曲线和长度信息,离线规划得到每一个模态的运行时分和目标速度曲线配置方案;
S2.2、由上述目标速度曲线配置方案中第一匀速模态的速度值计算得到第一惰行模态向制动模态切换的切换点的速度值。
优选地,上述步骤S3进一步包括如下子步骤:
S3.1、对于进站停车的限速下降区段,从终点位置反向计算第一惰行模态向制动模态切换的切换点的位置坐标;
S3.2、利用双向迭代法反向计算第一匀速模态向第一惰行模态切换的切换点的位置坐标。
上述步骤S4进一步包括如下子步骤:
S4.1、按照第一加速模态、第一匀速模态、第一惰行模态、制动模态的顺序绘制得到初始目标速度曲线;
S4.2、当运行途中出现限速下降区段时,按照第二惰行模态、第二匀速模态、第二加速模态的顺序通过低限速区段。
上述步骤S4.2进一步包括如下子步骤:
S4.2.1、利用双向迭代法计算第二匀速模态向第二惰行模态切换的切换点的位置坐标;
S4.2.2、低限速区段的起始点为第二惰行模态向第二匀速模态切换的切换点的位置坐标;
S4.2.3、低限速区段的终点为第二匀速模态向第二加速模态切换的切换点的位置坐标;
S4.2.4、当运行速度达到第一匀速模态的速度值时,由第二加速模态切换为第一匀速模态。
优选地,上述步骤S5进一步包括如下子步骤:
S5.1、根据上述初始目标速度曲线中各点的速度值、以及由弯道和隧道引起的附加阻力的大小重新确定坡道是否属于陡坡;
S5.2、如图3所示,对于任意一个陡上坡区段,采用平均速度等效法确定列车动能闯破的加速点p;
S5.3、如图5所示,对于任意一个陡下坡区段,采用平均速度等效法确定列车惰行的起始点,使得列车在该陡下坡区段的运行时分等效于匀速运行通过该陡下坡区段。
如图4所示,平均速度等效法为:确定恰当的加速点p的位置,使得从加速点p到匀速点h需要的实际运行时间等于匀等效的速运行通过该区段需要的时间,且等效的匀速运行速度的计算公式如下:
公式(1)
其中,xh表示匀速点h的位置坐标;xp表示加速点p的位置坐标;th表示列车通过匀速点h的时刻,tp表示列车通过加速点p的时刻。
上述步骤S6进一步包括如下子步骤:
S6.1、针对列车运行过程中的安全性要求,基于列车加速度值构建安全性满意度函数;
S6.2、针对列车运行过程中的舒适性要求,基于列车加速度值构建舒适性满意度函数;
S6.3、针对列车运行过程的节能性要求,基于列车运行的能耗模型构建能耗满意度函数;
S6.4、针对列车运行过程对计划运行时分的满足程度,构建正点性满意度函数;
S6.5、针对列车运行过程对准确停车的要求,基于对停车点的预测构建准确性满意度函数;
S6.6、根据安全性满意度函数、舒适性满意度函数、能耗满意度函数、正点性满意度函数和准确性满意度函数协同优化该列车节能运行的目标速度曲线。
综合考虑列车运行过程中各种模型的动态性、未建模动态的不确定性、系统干扰的随机性和控制对象的时滞性,利用计算智能在处理该类非线性、多约束、多目标有时滞的复杂时变系统方面具备的优势。应用模糊逻辑实现对于复杂目标的有效定义与描述;通过神经网络建立数学描述无法实现的映射关系;借助进化算法和群体智能算法实现可行解的全局搜索。
尽量避免停车制动以外的其他制动的使用,除了必须的加速、惰行模态外以及陡坡区段外,保证列车尽可能多地采用匀速运行,目标速度曲线的优化效果如图6所示。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (8)
1.列车节能运行的目标速度曲线的优化方法,其特征在于,该优化方法包括如下步骤:
S1、基于分层优化方法将优化目标分为多个模态,基于模态切换满意区域计算得到任意两个相邻的模态之间的模态切换关系,
其中进一步包括如下子步骤
S1.1、基于分层优化的方法将列车运行分为加速模态、匀速模态、惰行模态及制动模态四种模态,
S1.2、根据机车的控制级位与机车牵引力的关系模型,由列车运行线路上每一个公里标对应的弯道、坡道、隧道估算得到列车运行的阻力,
S1.3、对于任意一个制动能量再生率值,利用枚举算法按照任意的惰行模态向制动模态切换的切换点计算得到该制动能量再生率值对应的二维能耗分布曲线,
S1.4、对二维能耗分布曲线的谷底区域,按照满意度隶属函数筛选出惰行模态向制动模态切换的模态切换满意区段,
S1.5、对于制动能量再生率值为0%至100%,以1%为步长,重复所述步骤S1.3至S1.4,得到三维能耗分布曲面,
S1.6、根据所述三维能耗分布曲面确定与任意一个制动能量再生率值对应的第一匀速模态的速度值与制动模态起始点的速度值的关系,然后根据该制动能量再生率值对应的第一匀速模态的速度值与制动模态起始点的速度值的关系确定该制动能量再生率值对应的模态切换关系;
S2、根据所述模态切换关系计算得到第一匀速模态的速度值以及第一惰行模态向制动模态切换的切换点的速度值;
S3、基于双向迭代法反向计算第一匀速模态向第一惰行模态切换的切换点的位置坐标;
S4、由第一匀速模态的速度值、第一惰行模态向制动模态切换的切换点的速度值、以及第一匀速模态向第一惰行模态切换的切换点的位置坐标得到初始目标速度曲线;
S5、针对任意一个陡坡区段,基于平均速度等效法优化上述初始目标速度曲线中与该陡坡区段对应的部分,包括如下子步骤:
S5.1、根据上述初始目标速度曲线中各点的速度值、以及由弯道和隧道引起的附加阻力的大小重新确定坡道是否属于陡坡,
S5.2、对于任意一个陡上坡区段,采用平均速度等效法确定列车动能闯破的加速点,
S5.3、对于任意一个陡下坡区段,采用平均速度等效法确定列车惰行的起始点,使得列车在该陡下坡区段的运行时分等效于匀速运行通过该陡下坡区段;
S6、基于多目标满意度优化方法优化目标速度曲线。
2.根据权利要求1所述的列车节能运行的目标速度曲线的优化方法,其特征在于,所述陡坡区段包括陡上坡区段和陡下坡区段;其中,所述陡上坡区段为列车运行阻力大于其最大牵引力的上坡区段;所述陡下坡区段为当使得列车牵引力为零时,列车在重力作用下加速前进的下坡区段;
所述双向迭代法为:当列车运行途中出现限速下降时,列车需要提前惰行减速以避免超速,此时先正向迭代,然后从限速下降点反向迭代至与正向迭代交叉,交叉点至限速下降点之间的目标速度曲线以反向迭代的结果为准;
所述平均速度等效法为:确定恰当的加速点的位置,使得从加速点到匀速点需要的实际运行时间等于匀等效的速运行通过该区段需要的时间,且等效的匀速运行速度的计算公式如下:
其中,xh表示匀速点h的位置坐标;xp表示加速点p的位置坐标;th表示列车通过匀速点h的时刻,tp表示列车通过加速点p的时刻。
3.根据权利要求1所述的列车节能运行的目标速度曲线的优化方法,其特征在于,所述优化方法在所述步骤S1之前还包括如下步骤:
S0.1、根据列车在目标区间内的计划运行时分和区间距离,分别建立列车的基本阻力模型、附加阻力模型和能耗计算模型;并且分别建立机车的控制级位与机车牵引力的关系模型、控制级位与机车制动力的关系模型、以及牵引定数对安全生产的约束关系模型;
S0.2、建立包括静态信息和动态信息的多维线路空间模型;其中,静态信息包括列车运行线路的公里标、限速、弯道、坡道、隧道和分相;动态信息包括车速、牵引力、剩余时间和目标速度值。
4.根据权利要求3所述的列车节能运行的目标速度曲线的优化方法,其特征在于,所述步骤S2进一步包括如下子步骤:
S2.1、根据所述模态切换关系,由所述多维线路空间模型的静态信息以及列车的牵引质量、牵引特性曲线、制动特性曲线和长度信息,离线规划得到每一个模态的运行时分和目标速度曲线配置方案;
S2.2、由所述目标速度曲线配置方案中第一匀速模态的速度值计算得到第一惰行模态向制动模态切换的切换点的速度值。
5.根据权利要求1所述的列车节能运行的目标速度曲线的优化方法,其特征在于,所述步骤S3进一步包括如下子步骤:
S3.1、对于进站停车的限速下降区段,从终点位置反向计算第一惰行模态向制动模态切换的切换点的位置坐标;
S3.2、利用双向迭代法反向计算第一匀速模态向第一惰行模态切换的切换点的位置坐标。
6.根据权利要求1所述的列车节能运行的目标速度曲线的优化方法,其特征在于,所述步骤S4进一步包括如下子步骤:
S4.1、按照第一加速模态、第一匀速模态、第一惰行模态、制动模态的顺序绘制得到初始目标速度曲线;
S4.2、当运行途中出现限速下降区段时,按照第二惰行模态、第二匀速模态、第二加速模态的顺序通过低限速区段。
7.根据权利要求6所述的列车节能运行的目标速度曲线的优化方法,其特征在于,所述步骤S4.2进一步包括如下子步骤:
S4.2.1、利用双向迭代法计算第二匀速模态向第二惰行模态切换的切换点的位置坐标;
S4.2.2、低限速区段的起始点为第二惰行模态向第二匀速模态切换的切换点的位置坐标;
S4.2.3、低限速区段的终点为第二匀速模态向第二加速模态切换的切换点的位置坐标;
S4.2.4、当运行速度达到第一匀速模态的速度值时,由第二加速模态切换为第一匀速模态。
8.根据权利要求1所述的列车节能运行的目标速度曲线的优化方法,其特征在于,所述步骤S6进一步包括如下子步骤:
S6.1、针对列车运行过程中的安全性要求,基于列车加速度值构建安全性满意度函数;
S6.2、针对列车运行过程中的舒适性要求,基于列车加速度值构建舒适性满意度函数;
S6.3、针对列车运行过程的节能性要求,基于列车运行的能耗模型构建能耗满意度函数;
S6.4、针对列车运行过程对计划运行时分的满足程度,构建正点性满意度函数;
S6.5、针对列车运行过程对准确停车的要求,基于对停车点的预测构建准确性满意度函数;
S6.6、根据安全性满意度函数、舒适性满意度函数、能耗满意度函数、正点性满意度函数和准确性满意度函数协同优化该列车节能运行的目标速度曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510562691.9A CN105243430B (zh) | 2015-09-07 | 2015-09-07 | 列车节能运行的目标速度曲线的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510562691.9A CN105243430B (zh) | 2015-09-07 | 2015-09-07 | 列车节能运行的目标速度曲线的优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105243430A CN105243430A (zh) | 2016-01-13 |
CN105243430B true CN105243430B (zh) | 2018-10-09 |
Family
ID=55041067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510562691.9A Active CN105243430B (zh) | 2015-09-07 | 2015-09-07 | 列车节能运行的目标速度曲线的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105243430B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105785795B (zh) * | 2016-05-05 | 2018-11-23 | 北京交通大学 | 一种基于粒子群算法的列车运行速度曲线节能优化方法 |
CN106672032B (zh) * | 2016-12-12 | 2019-07-02 | 交控科技股份有限公司 | 一种列车运行的目标速度曲线优化方法 |
CN106777717B (zh) * | 2016-12-23 | 2020-10-30 | 南京理工大学 | 一种考虑载客量变化的ato速度命令节能优化方法 |
CN106873366B (zh) * | 2017-01-19 | 2019-11-05 | 重庆交通大学 | 为城轨列车生成ato速度控制命令的方法 |
CN107963093B (zh) * | 2017-11-30 | 2019-07-02 | 北京交通大学 | 列车运行超速防护混成监控方法 |
CN108764571B (zh) * | 2018-05-28 | 2020-04-14 | 西南交通大学 | 一种重载列车运行的多目标优化方法 |
CN109591861B (zh) * | 2018-11-29 | 2020-05-29 | 中车长春轨道客车股份有限公司 | 一种实现智能定速和节能驾驶的方法及装置 |
CN109541943B (zh) * | 2018-12-07 | 2020-04-24 | 西南交通大学 | 一种有轨电车在线优化控制方法 |
CN109649441B (zh) * | 2018-12-21 | 2021-05-11 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种列车自动驾驶节能控制方法 |
CN110641523B (zh) * | 2019-10-15 | 2021-06-29 | 大连海事大学 | 一种地铁列车实时速度监测方法及系统 |
CN110990950B (zh) * | 2019-12-04 | 2021-12-21 | 北京交通大学 | 基于混合运行模式的多目标列车节能优化方法 |
CN111267913B (zh) * | 2020-02-12 | 2022-02-01 | 卡斯柯信号有限公司 | 一种城市轨道交通列车节能运行方法 |
CN111679577B (zh) * | 2020-05-27 | 2021-11-05 | 北京交通大学 | 一种高速列车的速度跟踪控制方法和自动驾驶控制系统 |
CN112562313B (zh) * | 2020-11-02 | 2022-05-24 | 北京全路通信信号研究设计院集团有限公司 | 一种优化分段制动减速度模型的方法 |
CN113306604B (zh) * | 2021-05-26 | 2022-01-04 | 西南交通大学 | 列车车载储能设备的储能量设计方法 |
CN113401173B (zh) * | 2021-06-28 | 2023-01-20 | 通号城市轨道交通技术有限公司 | 列车运行控制方法、装置、电子设备及存储介质 |
CN114117650B (zh) * | 2022-01-26 | 2022-06-14 | 华东交通大学 | 一种重载列车多目标运行曲线优化方法及系统 |
CN115042836B (zh) * | 2022-04-28 | 2023-09-08 | 中车青岛四方车辆研究所有限公司 | 基于牵引制动融合的冲动限制控制方法及装置 |
CN114880770B (zh) * | 2022-04-29 | 2023-03-07 | 西南交通大学 | 一种基于参考深度强化学习的列车协同运行控制方法 |
CN114802362B (zh) * | 2022-05-07 | 2024-01-02 | 通号城市轨道交通技术有限公司 | 时分控制的列车节能运行方法和装置 |
CN114919632A (zh) * | 2022-06-14 | 2022-08-19 | 通号城市轨道交通技术有限公司 | 牵引计算仿真方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955135A (zh) * | 2014-05-16 | 2014-07-30 | 北京清软英泰信息技术有限公司 | 一种基于双层模式曲线的机车优化操纵序列计算方法 |
CN104401370A (zh) * | 2014-10-21 | 2015-03-11 | 北京交通大学 | 多列车协同控制的节能优化方法 |
CN104656452A (zh) * | 2015-02-04 | 2015-05-27 | 广西大学 | 一种基于矩阵离散算法的地铁列车优化控制方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AUPS241102A0 (en) * | 2002-05-20 | 2002-06-13 | Tmg International Holdings Pty Limited | System for improving timekeeping and saving energy on long-haul trains |
FR2993213B1 (fr) * | 2012-07-12 | 2015-10-23 | Commissariat Energie Atomique | Procede de gestion de l'energie consommee par un vehicule automobile et systeme mettant en œuvre un tel procede |
-
2015
- 2015-09-07 CN CN201510562691.9A patent/CN105243430B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955135A (zh) * | 2014-05-16 | 2014-07-30 | 北京清软英泰信息技术有限公司 | 一种基于双层模式曲线的机车优化操纵序列计算方法 |
CN104401370A (zh) * | 2014-10-21 | 2015-03-11 | 北京交通大学 | 多列车协同控制的节能优化方法 |
CN104656452A (zh) * | 2015-02-04 | 2015-05-27 | 广西大学 | 一种基于矩阵离散算法的地铁列车优化控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105243430A (zh) | 2016-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105243430B (zh) | 列车节能运行的目标速度曲线的优化方法 | |
Cao et al. | Application of fuzzy predictive control technology in automatic train operation | |
Liu et al. | Timetable optimization for regenerative energy utilization in subway systems | |
Zhu et al. | An eco-driving algorithm for trains through distributing energy: A Q-Learning approach | |
Liu et al. | A DQN-based intelligent control method for heavy haul trains on long steep downhill section | |
Wang et al. | A survey on optimal trajectory planning for train operations | |
Li et al. | Coordinated cruise control for high-speed train movements based on a multi-agent model | |
CN102981408B (zh) | 一种动车组运行过程建模与自适应控制方法 | |
Zhou et al. | Smart train operation algorithms based on expert knowledge and reinforcement learning | |
Yin et al. | Smart train operation algorithms based on expert knowledge and ensemble CART for the electric locomotive | |
CN106379378B (zh) | 一种离线和在线结合调整驾驶曲线的方法和系统 | |
Yang et al. | Speed tracking based energy-efficient freight train control through multi-algorithms combination | |
CN106056238B (zh) | 列车区间运行轨迹的规划方法 | |
Cheng et al. | Intelligent driving methods based on expert knowledge and online optimization for high-speed trains | |
Zhang et al. | Data-driven train operation models based on data mining and driving experience for the diesel-electric locomotive | |
Zhang et al. | An intelligent train operation method based on event-driven deep reinforcement learning | |
Bin et al. | Energy-efficient speed profile optimization for high-speed railway considering neutral sections | |
Wang et al. | Robust train speed trajectory optimization: A stochastic constrained shortest path approach | |
Cheng et al. | Intelligent driving methods based on sparse LSSVM and ensemble CART algorithms for high-speed trains | |
Meng et al. | Combining the matter-element model with the associated function of performance indices for automatic train operation algorithm | |
Jiang et al. | Learning the policy for mixed electric platoon control of automated and human-driven vehicles at signalized intersection: A random search approach | |
Chen et al. | Robust optimization of energy-saving train trajectories under passenger load uncertainty based on p-NSGA-II | |
CN106741007A (zh) | 一种地铁交通冲突预警方法 | |
Su et al. | Optimization of the speed curve for heavy-haul trains considering cyclic air braking: An MILP approach | |
CN106864483A (zh) | 基于鲁棒策略的地铁列车冲突预警方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |