CN106777717A - 一种考虑载客量变化的ato速度命令节能优化方法 - Google Patents

Abstract

本发明公开了一种考虑载客量变化的ATO速度命令节能优化方法，包括以下步骤：建立列车运行仿真模型；分析载客量变化对ATO速度命令的影响，进行ATO速度命令鲁棒性优化设计；在满足ATO速度命令鲁棒性要求的基础上，建立基于多目标遗传算法NSGA‑II的以列车运行时间和运行能耗为优化目标的ATO速度命令多目标优化模型，对ATO速度命令进行优化，最终得到对载客量变化鲁棒性较强的节能ATO速度命令集。本发明方法可以得到具有鲁棒性的节能ATO速度命令，保证了乘客舒适度，减少了列车运行过程中存在安全隐患的风险，同时兼顾了列车运行的牵引节能。

Description

一种考虑载客量变化的ATO速度命令节能优化方法

技术领域

本发明涉及城市轨道交通技术领域，特别是一种考虑载客量变化的ATO(自动列车运行装置，Automatic Train Operation)速度命令节能优化方法。

背景技术

城市轨道交通与其他交通方式相比具有高效节能的优点，但是由于运量庞大，城市轨道交通的能源消耗总量依然是一个很大的数目，运营成本很高。而其中列车的牵引能耗占了很大的比重，约有总能源消耗的50％，因此如何降低列车的牵引耗能，进而有效降低城市轨道交通的运营成本，成为了人们研究的热点。目前的研究中，合理的设计列车的ATO速度命令实现列车的牵引节能成为了一个重点研究方向：依据列车的牵引特性，线路的坡道、弯道等参数，优化列车区间运行过程，离线设计列车节能ATO速度命令，只要列车运行时正确的跟踪ATO速度命令，就可以尽可能减少能量消耗，达到牵引节能的目的。

然而，对于列车节能ATO速度命令的研究多只关注列车牵引能耗，而忽略了一些其他的影响因素，其中最典型的是载客量。就同一区间而言，列车在高峰时期和低峰时期的载客量存在很大的差别：在高峰时期，由于客流量较大，可能出现列车满载，甚至出现超载的情况；而在低峰时期，载客量可能不足满载时的10％，甚至在某些区段会出现空载的现象。乘客数量的巨大差异会引起列车总体质量上的巨大的变化，而对于车载ATO系统而言，列车是其控制对象，在给定ATO速度命令参数后，当控制对象的状态发生变化时，必然会影响ATO系统控制的控制精度，甚至会影响列车区间内的运行时间和运行模式，影响乘客舒适度，并且存在安全隐患。

发明内容

本发明的目的在于提供一种鲁棒性较强的考虑载客量变化的ATO速度命令节能优化方法，从而保证乘客舒适度，减少列车运行过程中存在安全隐患的风险，同时兼顾列车运行的牵引节能。

实现本发明目的的技术解决方案为：一种考虑载客量变化的ATO速度命令节能优化方法，包括以下步骤：

步骤1，建立列车运行仿真模型；

步骤2，分析载客量变化对ATO速度曲线的影响，进行ATO速度命令鲁棒性优化设计；

步骤3，在满足ATO速度命令鲁棒性要求的基础上，建立基于多目标遗传算法NSGA-II的ATO速度命令优化模型，以列车运行时间和运行能耗为优化目标对ATO速度命令进行优化，最终得到的节能ATO速度命令集对载客量变化具有鲁棒性。

本发明与现有技术相比，其显著优点是：(1)在设计ATO速度命令时考虑了列车载客量变化，使设计的ATO速度命令对于载客量的变化鲁棒性较强，满足乘客的舒适度要求，提高列车运行的安全系数；(2)在满足ATO速度命令鲁棒性要求的基础上，将遗传算法NSGA-II应用于ATO速度命令设计，采用精英策略，使得最终设计得到的ATO速度命令在满足舒适与安全的要求的基础上，兼顾运行过程中的牵引节能；(3)较高的可行性：该方案在实施的时候只对ATO设备配置参数进行修改即可，不需进行其他的复杂操作；(4)较好的灵活性：优化得到的是ATO速度命令集合，可以根据运行过程中的实际需要进行灵活选择，从而能够有效的保障服务质量；(5)较低的成本：仅需要对ATO实际运行的能耗做测试分析，不需要添加额外的昂贵设备。

附图说明

图1是本发明考虑载客量变化的ATO速度命令节能优化方法的结构示意图。

图2是本发明中列车运行仿真模型结构示意图。

图3是本发明中NSGA-II求解ATO速度命令集的流程示意图。

具体实施方式

以下结合附图和具体实施方式对本发明做进一步详细描述。

结合图1，本发明考虑载客量变化的ATO速度命令节能优化方法，包括以下步骤：

步骤1，建立列车运行仿真模型；

结合图2，所述列车运行仿真模型包括数据输入模块、列车自动运行计算模块、列车牵引制动计算模块、列车动态计算模块和能耗仿真计算模块，其中：

数据输入模块，包括三个子模块，分别为ATO参数模块，线路数据模块和列车数据模块；ATO参数模块提供ATO速度命令和速度调节算法参数，线路数据模块提供线路站点位置列表和坡道弯道列表数据，列车数据模块提供区间最短运行时间数据和列车运行的基本运行参数，所述基本运行参数包括列车编组、载客量、基本阻力参数、逆变器效率、牵引制动特性；

列车自动运行计算模块，依据列车当前运行状态、ATO参数与线路数据，计算当前运行状态下的列车加速度，实现列车工况的保持与转换；

列车牵引制动计算模块，根据列车加速度、线路数据与列车数据，计算列车牵引力和制动力；

列车动态计算模块，根据牵引力和制动力大小、列车加速度及列车运行动力学方程，计算列车下一步运行状态；

能耗仿真计算模块，依据列车各部分模块提供的数据，计算列车当前的牵引能耗。

步骤2，分析载客量变化对ATO速度曲线的影响，对ATO速度命令的鲁棒性进行优化；

所述ATO速度命令鲁棒性优化是，在考虑载客量变化对ATO速度曲线影响的情况下，找到对载客量变化具有强鲁棒性的ATO速度命令，即当列车载客量发生变化时，ATO速度曲线对应的运行模式不发生变化，运行时间变化保持在1％以内，满足行车安全和乘客舒适度要求。其优化模型包括ATO速度命令时间鲁棒优化模型和ATO速度命令运行模式鲁棒性优化模型，其中ATO速度命令时间鲁棒优化模型为：

minf(X)＝min{f_E(X),f_T(X)}

subject to X∈S

其中，X为ATO速度命令对应的个体的染色体，S为决策空间，f_E(X)为列车区间运行能耗，f_T(X)为列车区间运行时间，为满载下的目标函数向量，为空载下的目标函数向量，f(X)为平均载客量下的目标函数向量；

运行模式鲁棒性优化模型为：

minf(X)＝min{f_E(X),f_T(X)}

subject to X∈S

P_max(X)＝＝P_min(X)＝＝P(X)

其中，P_max(X)、P_min(X)和P(X)分别为满载、空载和平均载客量时列车运行模式。

步骤3，在满足ATO速度命令鲁棒性要求的基础上，建立基于多目标遗传算法NSGA-II的ATO速度命令优化模型，以列车运行时间和运行能耗为优化目标对ATO速度命令进行优化，最终得到的节能ATO速度命令集对载客量变化具有鲁棒性，如图3所示，具体步骤如下：

(1)编码：以ATO速度命令为编码对象，采用实数编码的方式进行编码；所述编码的对象ATO速度命令包括ATO控制模式Mode、牵引加速度a_p、制动减速度a_b、惰行起始速度v_cs、惰行终止速度即巡航速度v_ce和惰行点位置s_c。

(2)初始化：初始化父代种群中所有染色体，设定种群中个体数量和迭代代数，具体为：当区间长度小于1500m，种群数量设置为50；当区间长度大于1500m且小于2500m，种群数量设置为80；当区间长度大于2500m，种群数量设置为100；迭代代数均设为100。

(3)计算父代种群适应度值：依据适应度方程计算种群中各个个体的适应度值，适应度方程如下：

min{f₁＝f_E(X)+1000δ₁+1000δ₂,f₂＝f_T(X)+1000δ₁+1000δ₂}

其中，f_E(X)为列车区间运行能耗、f_T(X)为列车区间运行时间，X为ATO速度命令对应的个体的染色体，δ₁和δ₂分别为关于时间鲁棒性和运行模式鲁棒性的惩罚因子；

(4)遗传操作：对父代种群中的个体进行选择、交叉和变异，产生子代种群。

(5)计算子代种群适应度值：依据(3)中所述适应度方程计算子代种群的适应度值。

步骤(3)和步骤(5)中所述适应度值计算步骤包括：

(a)取种群中第i个个体并计算该个体对应的ATO速度命令，i初始值为0，将ATO速度命令作为个体的染色体；

(b)设定ATO速度命令的各参数初始值，取值范围由列车ATO系统确定；

(c)进行列车运行仿真：调用列车运行仿真模型进行仿真，由其中的能耗计算模块和列车动态计算模块计算当前速度命令下不同载客量的列车运行能耗和时间，并判断不同载客量下列车的运行时间和模式是否满足鲁棒性要求，若满足，惩罚因子取0，否则取1，得到当前个体的适应度值；

(d)保存个体的适应度值：个体的适应度1表示运行能耗，个体的适应度2表示运行时间，适应度值越大，适应度越低；

(e)判读当前个体是否是种群中的最后一个个体：若是最后一个个体，则计算结束；否则，i＝i+1，跳转至(a)。

(6)产生下一代父种群：采用精英策略，原父代种群与子代种群竞争得到下一代父代种群，具体为：将父种群与该父种群产生的子代种群组合，共同竞争产生下一代父种群，确保父代中的优良个体进入下一代，最优个体不会丢失；

(7)判断迭代是否结束：判断迭代代数是否达到最大迭代代数，若到达则结束并输出结果，若未到达则返回(3)。

实施例1

现以城市轨道交通中某地铁线路的某个区间为例，其考虑载客量变化的节能ATO速度命令的设计步骤如下：

首先，输入初始数据，包括ATO参数、线路数据和列车数据，确定仿真区间；

其次，进入考虑载客量变化的节能ATO速度命令设计模块，具体步骤包括：

步骤一：初始化，以实数编码方式，以ATO速度命令为编码对象，在满足约束条件的情况下对父代种群进行初始化；并根据区间长度确定种群大小：当区间长度小于1500m，种群大小设置为50；当区间长度大于1500m且小于2500m，种群大小设置为80；当区间长度小大于2500m，种群大小设置为100；迭代代数设为100；ATO速度命令编码约束条件为：

Mode＝M_i+p M_i,p＝0,1,2

a_p＝a_pl+m·Δa_p m＝0,1,2,…,M

a_b＝a_bl+n·Δa_b n＝0,1,2,…,N

v_cs＝v_csl+k·Δv_cs k＝0,1,2,…,K

v_ce＝v_cel+j·Δv_ce j＝0,1,2,…,J

s_c＝s_cl+l·Δs_c l＝0,1,2,…,L

v_cs≤v_ce

式中，M_i为初始控制模式，a_pl和a_bl分别表示启动牵引加速度和制动减速度最小值；Δa_p和Δa_p分别为牵引和制动加速度增量；v_csl和v_cel分别表示惰行起始速度和惰行终止速度最小值；Δv_cs和Δv_ce为惰行起始速度增量和惰行终止速度增量；s_cl表示惰行点位置最小值，Δs_c为惰行点位置增量；M、N、K、J、L分别为牵引加速度、制动减速度、惰行起始速度、惰行终止速度(巡航速度)和惰行点位置增量的上限值；

步骤二：设置种群的适应度方程，在满足鲁棒性要求的基础上，以能耗和时间作为优化对象。其数学模型为：

min{f₁＝f_E(X)+1000δ₁+1000δ₂,f₂＝f_T(X)+1000δ₁+1000δ₂}

计算种群中

各个个体的适应度值，其中f_E(X)为列车区间运行能耗、f_T(X)为列车区间运行时间，X为ATO速度命令对应的个体的染色体，δ₁和δ₂分别为关于时间鲁棒性和运行模式鲁棒性的惩罚因子；计算父代种群的适应度值；

步骤三：对父代种群中的个体进行选择、交叉和变异，产生子代种群。

步骤四：依据适应度方程计算子代种群的适应度值。

步骤五：采用精英策略，原父代种群与子代种群竞争得到下一代父代种群，这样可以确保父代中优秀的个体得以保留，加快算法的收敛速度；

步骤六：判断迭代是否结束，若迭代代数达到最大迭代代数，则结束并输出结果，若未到达则返回步骤二；

步骤六输出的结果即为对于负载变化鲁棒性较强的ATO速度命令集。

综上所述，本发明方法可以得到对于负载变化鲁棒性较强的ATO速度命令集，使得当列车载客量发生变化时，ATO速度曲线的运行模式不发生变化，运行时间变化保持在1％以内，能够满足乘客舒适度的要求，减少存在安全隐患的风险，并且兼顾了列车的牵引节能。

Claims (8)

1.一种考虑载客量变化的ATO速度命令节能优化方法，其特征在于，包括以下步骤：

步骤1，建立列车运行仿真模型；

步骤2，分析载客量变化对ATO速度曲线的影响，对ATO速度命令的鲁棒性进行优化；

步骤3，在满足ATO速度命令鲁棒性要求的基础上，建立基于多目标遗传算法NSGA-II的ATO速度命令优化模型，以列车运行时间和运行能耗为优化目标对ATO速度命令进行优化，最终得到的节能ATO速度命令集对载客量变化具有鲁棒性。

2.根据权利要求1所述的考虑载客量变化的ATO速度命令节能优化方法，其特征在于，步骤1所述列车运行仿真模型包括数据输入模块、列车自动运行计算模块、列车牵引制动计算模块、列车动态计算模块和能耗仿真计算模块，其中：

数据输入模块，包括三个子模块，分别为ATO参数模块，线路数据模块和列车数据模块；ATO参数模块提供ATO速度命令和速度调节算法参数，线路数据模块提供线路站点位置列表和坡道弯道列表数据，列车数据模块提供区间最短运行时间数据和列车运行的基本运行参数，所述基本运行参数包括列车编组、载客量、基本阻力参数、逆变器效率、牵引制动特性；

列车自动运行计算模块，依据列车当前运行状态、ATO参数与线路数据，计算当前运行状态下的列车加速度，实现列车工况的保持与转换；

列车牵引制动计算模块，根据列车加速度、线路数据与列车数据，计算列车牵引力和制动力；

列车动态计算模块，根据牵引力和制动力大小、列车加速度及列车运行动力学方程，计算列车下一步运行状态；

能耗仿真计算模块，依据列车各部分模块提供的数据，计算列车当前的牵引能耗。

3.根据权利要求1所述的考虑载客量变化的ATO速度命令节能优化方法，其特征在于，步骤2所述对ATO速度命令的鲁棒性进行优化，具体为：在考虑载客量变化对ATO速度曲线影响的情况下，找到对载客量变化具有鲁棒性的ATO速度命令，即当列车载客量发生变化时，ATO速度曲线对应的运行模式不发生变化，运行时间变化保持在1％以内，优化模型包括ATO速度命令时间鲁棒优化模型和ATO速度命令运行模式鲁棒性优化模型，其中ATO速度命令时间鲁棒优化模型为：

minf(X)＝min{f_E(X),f_T(X)}

subject to X∈S

$\frac{|f_{max}^p\left(X\right)-f\left(X\right)|}{f\left(X\right)}\≤\mathrm{\η}$

$\frac{|f_{min}^p\left(X\right)-f\left(X\right)|}{f\left(X\right)}\≤\mathrm{\η}$

其中，X为ATO速度命令对应的个体的染色体，S为决策空间，f_E(X)为列车区间运行能耗，f_T(X)为列车区间运行时间，为满载下的目标函数向量，为空载下的目标函数向量，f(X)为平均载客量下的目标函数向量；

运行模式鲁棒性优化模型为：

minf(X)＝min{f_E(X),f_T(X)}

subject to X∈S

P_max(X)＝＝P_min(X)＝＝P(X)

其中，P_max(X)、P_min(X)和P(X)分别为满载、空载和平均载客量时列车运行模式。

4.根据权利要求1所述的考虑载客量变化的ATO速度命令节能优化方法，其特征在于，步骤3所述在满足ATO速度命令鲁棒性要求的基础上，建立基于多目标遗传算法NSGA-II的以列车运行时间和运行能耗为优化目标的ATO速度命令多目标优化模型，对ATO速度命令进行优化，最终得到的节能ATO速度命令集对载客量变化具有鲁棒性，步骤如下：

(1)编码：以ATO速度命令为编码对象，采用实数编码的方式进行编码；

(2)初始化：初始化父代种群中所有个体，设定种群中个体数量和迭代代数；

(3)计算父代种群适应度值：依据适应度方程计算种群中各个个体的适应度值，适应度方程如下：

min{f₁＝f_E(X)+1000δ₁+1000δ₂,f₂＝f_T(X)+1000δ₁+1000δ₂}

其中，f_E(X)为列车区间运行能耗、f_T(X)为列车区间运行时间，X为ATO速度命令对应的个体的染色体，δ₁和δ₂分别为关于时间鲁棒性和运行模式鲁棒性的惩罚因子；

(4)遗传操作：对父代种群中的个体进行选择、交叉和变异，产生子代种群；

(5)计算子代种群适应度值：依据(3)中所述适应度方程计算子代种群的适应度值；

(6)产生下一代父种群：采用精英策略，原父代种群与子代种群竞争得到下一代父代种群；

(7)判断迭代是否结束：判断迭代代数是否达到最大迭代代数，若到达则结束并输出结果，若未到达则返回(3)。

5.根据权利要求4所述的考虑载客量变化的ATO速度命令节能优化方法，其特征在于，步骤(1)中所述编码的对象ATO速度命令包括ATO控制模式Mode、牵引加速度a_p、制动减速度a_b、惰行起始速度v_cs、惰行终止速度即巡航速度v_ce和惰行点位置s_c。

6.根据权利要求4所述的考虑载客量变化的ATO速度命令节能优化方法，其特征在于，步骤(2)中所述设定种群中个体数量和迭代代数，具体为：当区间长度小于1500m，种群数量设置为50；当区间长度大于1500m且小于2500m，种群数量设置为80；当区间长度大于2500m，种群数量设置为100；迭代代数均设为100。

7.根据权利要求4所述的考虑载客量变化的ATO速度命令节能优化方法，其特征在于，步骤(3)和步骤(5)中所述适应度值计算步骤包括：

(a)取种群中第i个个体并计算该个体对应的ATO速度命令，i初始值为0，将ATO速度命令作为个体的染色体；

(b)设定ATO速度命令的各参数初始值，取值范围由列车ATO系统确定；

(c)进行列车运行仿真：调用列车运行仿真模型进行仿真，由其中的能耗计算模块和列车动态计算模块计算当前速度命令下不同载客量的列车运行能耗和时间，并判断不同载客量下列车的运行时间和模式是否满足鲁棒性要求，若满足，惩罚因子取0，否则取1，得到当前个体的适应度值；

(d)保存个体的适应度值：个体的适应度1表示运行能耗，个体的适应度2表示运行时间，适应度值越大，适应度越低；

(e)判读当前个体是否是种群中的最后一个个体：若是最后一个个体，则计算结束；否则，i＝i+1，跳转至(a)。

8.根据权利要求1所述的考虑载客量变化的ATO速度命令节能优化方法，其特征在于，步骤(6)中所述采用精英策略，原父代种群与子代种群竞争得到下一代父代种群，具体为：将父种群与该父种群产生的子代种群组合，共同竞争产生下一代父种群，确保父代中的优良个体进入下一代，最优个体不会丢失。