CN107180282B - 一种高峰时段多列车节能优化方法 - Google Patents

一种高峰时段多列车节能优化方法 Download PDF

Info

Publication number
CN107180282B
CN107180282B CN201710528487.4A CN201710528487A CN107180282B CN 107180282 B CN107180282 B CN 107180282B CN 201710528487 A CN201710528487 A CN 201710528487A CN 107180282 B CN107180282 B CN 107180282B
Authority
CN
China
Prior art keywords
train
population
time
energy
individual
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
Application number
CN201710528487.4A
Other languages
English (en)
Other versions
CN107180282A (zh
Inventor
邢宗义
裴卫卫
陈叶建
吴波
白良留
胡雪冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201710528487.4A priority Critical patent/CN107180282B/zh
Publication of CN107180282A publication Critical patent/CN107180282A/zh
Application granted granted Critical
Publication of CN107180282B publication Critical patent/CN107180282B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明公开了一种高峰时段多列车节能优化方法。方法为：首先，通过设置列车运行的线路数据、列车参数、运营数据及与遗传算法相关的基本参数，建立高峰时段多列车节能优化模型，并根据基本数据求解重叠时间适应度值和总运行时间适应度值；然后，通过Pareto多目标遗传算法的选择、交叉和变异操作产生新的子代种群，并依此类推，直到产生满足结束条件；最后，在Pareto非支配解集中，按制定的节能和准时的相对优先级别选择停站时间矩阵作为全局最优解，求出优化后的时刻表，最终完成高峰时段多列车节能优化模型的求解。本发明能够最高效率地利用再生制动能量，减少牵引能耗。

Description

一种高峰时段多列车节能优化方法
技术领域
本发明属于列车运行控制技术领域，特别是一种高峰时段多列车节能优化方法。
背景技术
近年来，随着国民经济快速持续发展、城市化进程的快速推进以及我国城市轨道交通的快速发展及多条线路的开通运行，城市轨道交通能耗也越来越大。因此，城市轨道交通的节能对我国环境保护和能源节约具有重大意义。
目前国内外对再生制动能量的研究主要有三种方向，第一种研究方向是安装车载或地面能量吸收装置，包括蓄电池、飞轮、超级电容等设备，以储存列车再生制动产生的能量，供牵引状态的列车使用。第二种研究方向是对逆变回馈装置的设计与研制。第三种研究方向是通过优化时刻表，使同一个牵引区间运行的相邻列车牵引和再生制动过程相重叠，以提高系统再生制动能量的利用效率，降低牵引区间总能量。从运营角度上看，储能装置和逆变回馈装置的设计、制造以及安装维护成本比较高，相比前者，优化时刻表是一种既经济又具有实际应用价值的研究方向。
发明内容
本发明的目的在于提供一种高峰时段多列车节能优化方法，通过优化时刻表，使同一个牵引区间运行的相邻列车牵引和再生制动过程相重叠，以提高系统再生制动能量的利用效率，降低牵引区间总能量。
实现本发明目的的技术解决方案为：一种高峰时段多列车节能优化方法，包括以下步骤：
步骤1，初始化多列车优化运行的基本数据以及仿真时间；基本数据包括线路数据、列车数据、运营数据以及与遗传算法相关的基本参数；
步骤2，以列车牵引能耗和区间旅行时间为优化目标，建立高峰时段多列车节能优化模型；
步骤3，利用Pareto多目标遗传算法，求解高峰时段多列车节能优化模型，得到一组列车运行策略的非支配解集；
步骤4，提取全局最优解，求出优化后的时刻表，完成高峰时段多列车节能优化模型的求解。
进一步地，步骤1中所述的线路数据包括车站配置、坡度、曲率半径和临时限速数据；所述的列车数据包括列车型号、车长、编组方式、载荷情况、牵引特性曲线和制动特性曲线；所述的运营数据包括各站停站时间、发车间隔、单位小时发车对数和区间运行时间；所述的与遗传算法相关的基本参数包括选择算子、交叉算子、变异算子、最大进化代数、种群大小和适应度函数。
进一步地，步骤2中所述的以列车牵引能耗和区间旅行时间为优化目标，建立高峰时段多列车节能优化模型，具体如下：
与重叠时间相关的目标函数f1(x)为
Figure BDA0001338891350000021
与列车总运行时间相关的目标函数f2(x)为
Figure BDA0001338891350000022
与总运行时间相关的约束条件g1(x)为
Figure BDA0001338891350000023
与停站时间相关的约束条件g2(x)为
ldi≤g2(x)＝dn≤udi (4)
与发车间隔相关的约束条件g3(x)为
lh≤g3(x)＝hi(5)
式中：M为牵引供电区间的总数；N为单向高峰时段单位小时发出的列车总数；hi为列车i的发车间隔；dn为列车在车站n的停站时间；dk为列车在车站k的停站时间，Tj为列车在区间j的运行时间；ldi、udi分别为最小停站时间和最大停站时间值；lh为最小发车间隔时间。
进一步地，步骤3所述利用Pareto多目标遗传算法，求解高峰时段多列车节能优化模型，得到一组列车运行策略的非支配解集，具体如下：
步骤3.1、初始化种群P，种群大小为N，种群中每个个体对应一组停站时间矩阵xi＝[d1,d2,...dj,...,dK]，K表示车站数；各站的停站时间采用整数编码，列车在上下行同一车站的停站时间相同；
步骤3.2、首先根据种群中每个个体对应的停站时间染色体编码矩阵xi和发车间隔时间hi，计算出种群中每个个体对应的时刻表，进而求出每辆列车在所有供电区间的重叠时间，最终求出仿真时间段内重叠时间适应度值f1(x)及总运行时间f2(x)，然后对种群中每个个体的节能指标f1(x)和准时指标f2(x)适应度值进行非支配排序，确定种群中每个个体的非支配序值，接着对非支配层中的每个个体进行拥挤度计算，确定种群中非支配次序关系以及个体的拥挤度，最后根据种群中非支配次序关系以及个体的拥挤度，通过锦标赛法从种群P中随机选择个体进行交叉和变异操作，产生子代种群Q；
步骤3.3、从第二代开始，首先将父代种群P与子代种群Q合并，形成新种群R，种群大小为2N，然后进行非支配排序，确定种群中每个个体的非支配序值，最后对非支配层中的每个个体进行拥挤度计算，根据非支配次序关系以及个体的拥挤度选取合适的个体组成下一代父代种群P，保持种群个体数为N；
步骤3.4、循环步骤3.2～3.3直至达到最大迭代次数，停止遗传操作并保存得到Pareto最优的非支配解集。
进一步地，步骤4中所述的提取全局最优解，求出优化后的时刻表，完成高峰时段多列车节能优化模型的求解，具体为：在Pareto非支配解集中按制定的节能和准时的相对优先级别选择最合适的停站时间矩阵作为全局最优解，求出优化后的时刻表，完成高峰时段多列车节能优化模型的求解。
本发明与现有技术相比，其显著优点为：(1)基于Pareto多目标遗传算法的高峰时段多列车节能优化运行方法，在搜索过程中不易陷入局部最优，进化结果不局限于单值解，非常适合求解复杂的多目标问题；(2)通过选择、交叉、变异操作来表现复杂现象，充分利用适应值函数而不需要其它先验知识，提高系统再生制动能量的利用效率，降低牵引区间总能量。
附图说明
图1是本发明高峰时段多列车节能优化方法的流程图。
图2是本发明Pareto多目标遗传算法的流程图。
图3是本发明中7:00-8:00列车运行图。
图4是本发明中优化前后每列车重叠时间对比图。
具体实施方式
结合图1，本发明高峰时段多列车节能优化方法，包括以下步骤：
步骤1，初始化多列车优化运行的基本数据以及仿真时间；基本数据包括线路数据、列车数据、运营数据以及与遗传算法相关的基本参数；
步骤2，以列车牵引能耗和区间旅行时间为优化目标，建立高峰时段多列车节能优化模型；
步骤3，利用Pareto多目标遗传算法，求解高峰时段多列车节能优化模型，得到一组列车运行策略的非支配解集；
步骤4，提取全局最优解，求出优化后的时刻表，完成高峰时段多列车节能优化模型的求解。
进一步地，步骤1中所述的线路数据包括车站配置、坡度、曲率半径和临时限速数据；所述的列车数据包括列车型号、车长、编组方式、载荷情况、牵引特性曲线和制动特性曲线；所述的运营数据包括各站停站时间、发车间隔、单位小时发车对数和区间运行时间；所述的与遗传算法相关的基本参数包括选择算子、交叉算子、变异算子、最大进化代数、种群大小和适应度函数。
进一步地，步骤2中所述的以列车牵引能耗和区间旅行时间为优化目标，建立高峰时段多列车节能优化模型，具体如下：
与重叠时间相关的目标函数f1(x)为
Figure BDA0001338891350000041
与列车总运行时间相关的目标函数f2(x)为
Figure BDA0001338891350000042
与总运行时间相关的约束条件g1(x)为
Figure BDA0001338891350000051
与停站时间相关的约束条件g2(x)为
ldi≤g2(x)＝dn≤udi (4)
与发车间隔相关的约束条件g3(x)为
lh≤g3(x)＝hi (5)
式中：M为牵引供电区间的总数；N为单向高峰时段单位小时发出的列车总数；hi为列车i的发车间隔；dn为列车在车站n的停站时间；dk为列车在车站k的停站时间，Tj为列车在区间j的运行时间；ldi、udi分别为最小停站时间和最大停站时间值；lh为最小发车间隔时间。
进一步地，步骤3所述利用Pareto多目标遗传算法，求解高峰时段多列车节能优化模型，得到一组列车运行策略的非支配解集，结合图2，具体如下：
步骤3.1、初始化种群P，种群大小为N，种群中每个个体对应一组停站时间矩阵xi＝[d1,d2,...dj,...,dK]，K表示车站数；各站的停站时间采用整数编码，列车在上下行同一车站的停站时间相同；
步骤3.2、首先根据种群中每个个体对应的停站时间染色体编码矩阵xi和发车间隔时间hi，计算出种群中每个个体对应的时刻表，进而求出每辆列车在所有供电区间的重叠时间，最终求出仿真时间段内重叠时间适应度值f1(x)及总运行时间f2(x)，然后对种群中每个个体的节能指标f1(x)和准时指标f2(x)适应度值进行非支配排序，确定种群中每个个体的非支配序值，接着对非支配层中的每个个体进行拥挤度计算，确定种群中非支配次序关系以及个体的拥挤度，最后根据种群中非支配次序关系以及个体的拥挤度，通过锦标赛法从种群P中随机选择个体进行交叉和变异操作，产生子代种群Q；
步骤3.3、从第二代开始，首先将父代种群P与子代种群Q合并，形成新种群R，种群大小为2N，然后进行非支配排序，确定种群中每个个体的非支配序值，最后对非支配层中的每个个体进行拥挤度计算，根据非支配次序关系以及个体的拥挤度选取合适的个体组成下一代父代种群P，保持种群个体数为N；
步骤3.4、循环步骤3.2～3.3直至达到最大迭代次数，停止遗传操作并保存得到Pareto最优的非支配解集。
进一步地，步骤4中所述的提取全局最优解，求出优化后的时刻表，完成高峰时段多列车节能优化模型的求解，具体为：在Pareto非支配解集中按制定的节能和准时的相对优先级别选择最合适的停站时间矩阵作为全局最优解，求出优化后的时刻表，完成高峰时段多列车节能优化模型的求解。
实施例1
结合图1～4，一种高峰时段多列车节能优化方法，包括以下步骤：
步骤1，以广州地铁七号线广州南站至大学城南站(上行方向)数据进行仿真分析，选择的高峰时段为：初期7:00至8:00。按照牵引配电站供电范围划分，将供电范围分为6段，即广州南站-谢村站、谢村站-钟村站、钟村站-鹤庄站、鹤庄站-官堂站以及官堂站-南村站。初始化多列车优化运行的基本数据以及仿真时间，基本数据主要包括线路数据、列车数据、运营数据以及与遗传算法相关的基本参数，其中，线路数据包括车站配置、坡度、曲率半径和临时限速数据；列车数据包括列车型号、车长、编组方式、载荷情况、牵引特性曲线和制动特性曲线；运营数据包括各站停站时间、发车间隔、单位小时发车对数和区间运行时间；与遗传算法相关的基本参数包括选择算子、交叉算子、变异算子、最大进化代数、种群大小和适应度函数；
步骤2，以列车牵引能耗和区间旅行时间为优化目标，建立高峰时段多列车节能优化模型，高峰时段多列车节能优化模型为：
与重叠时间相关的目标函数f1(x)为
Figure BDA0001338891350000061
与列车总运行时间相关的目标函数f2(x)为
Figure BDA0001338891350000062
与总运行时间相关的约束条件g1(x)为
Figure BDA0001338891350000071
与停站时间相关的约束条件g2(x)为
ldi≤g2(x)＝dn≤udi (4)
与发车间隔相关的约束条件g3(x)为
lh≤g3(x)＝hi (5)
式中：M为牵引供电区间的总数；N为单向高峰时段单位小时发出的列车总数；hi为列车i的发车间隔；dn为列车在车站n的停站时间；dk为列车在车站K的停站时间，Tj为列车在区间j的运行时间；ldi、udi分别为最小停站时间和最大停站时间值；lh为最小发车间隔时间；
步骤3，利用Pareto多目标遗传算法求解高峰时段多列车节能优化模型，得到一组列车运行策略的非支配解集；
求解该优化模型的过程包括如下子步骤：
3.1初始化种群P，种群大小为N，种群中每个个体对应一组停站时间矩阵xi＝[d1,d2,...dj,...,dK]，K表示车站数，各站的停站时间采用整数编码，列车在上下行同一车站的停站时间相同；
3.2首先根据种群中每个个体对应的停站时间染色体编码矩阵xi和发车间隔时间hi，计算出种群中每个个体对应的时刻表；进而求得每辆列车在所有供电区间的重叠时间，最终求得仿真时间段内重叠时间适应度值f1(x)及总运行时间f2(x)，对种群中每个个体的节能指标f1(x)和准时指标f2(x)适应度值进行非支配排序，确定种群中每个个体的非支配序值，然后对非支配层中的每个个体进行拥挤度计算，确定种群中非支配次序关系以及个体的拥挤度，根据种群中非支配次序关系以及个体的拥挤度，通过锦标赛法从种群P中随机选择个体进行交叉和变异操作，产生子代种群Q；
3.3从第二代开始，首先将父代种群P与子代种群Q合并，形成新种群R，种群大小为2N，其次进行非支配排序，确定种群中每个个体的非支配序值，然后对非支配层中的每个个体进行拥挤度计算，根据非支配次序关系以及个体的拥挤度选取合适的个体组成下一代父代种群P，保持种群个体数为N；
3.4通过遗传算法的选择、交叉和变异操作产生新的子代种群，依此类推，直到满足结束条件，停止遗传操作，并保存Pareto前沿的非支配解集；
步骤4，提取全局最优解，在Pareto非支配解集中按制定的节能和准时的相对重要性选择最合适的停站时间矩阵作为全局最优解，然后求出优化后的时刻表，完成高峰时段多列车节能优化模型的求解，得到7:00至8:00优化后的列车运行图，如图3所示，以及随着发车间隔的增加，优化前后平均每列车的重叠时间都相应减少，而发车间隔较小时重叠时间的优化相比发车间隔较大时重叠时间的优化效果更趋于稳定，如图4所示。

Claims (4)

1.一种高峰时段多列车节能优化方法，其特征在于，包括以下步骤：
步骤1，初始化多列车优化运行的基本数据以及仿真时间；基本数据包括线路数据、列车数据、运营数据以及与遗传算法相关的基本参数；
步骤2，以列车牵引能耗和区间旅行时间为优化目标，建立高峰时段多列车节能优化模型，具体如下：
与重叠时间相关的目标函数f1(x)为
Figure FDA0002538618570000011
与列车总运行时间相关的目标函数f2(x)为
Figure FDA0002538618570000012
与总运行时间相关的约束条件g1(x)为
Figure FDA0002538618570000013
与停站时间相关的约束条件g2(x)为
ldi≤g2(x)＝dn≤udi (4)
与发车间隔相关的约束条件g3(x)为
lh≤g3(x)＝hi (5)
式中：M为牵引供电区间的总数；N为单向高峰时段单位小时发出的列车总数；hi为列车i的发车间隔；dn为列车在车站n的停站时间；dk为列车在车站k的停站时间，Tj为列车在区间j的运行时间；ldi、udi分别为最小停站时间和最大停站时间值；lh为最小发车间隔时间；
步骤3，利用Pareto多目标遗传算法，求解高峰时段多列车节能优化模型，得到一组列车运行策略的非支配解集；
步骤4，提取全局最优解，求出优化后的时刻表，完成高峰时段多列车节能优化模型的求解。
2.根据权利要求1所述的高峰时段多列车节能优化方法，其特征在于，步骤1中所述的线路数据包括车站配置、坡度、曲率半径和临时限速数据；所述的列车数据包括列车型号、车长、编组方式、载荷情况、牵引特性曲线和制动特性曲线；所述的运营数据包括各站停站时间、发车间隔、单位小时发车对数和区间运行时间；所述的与遗传算法相关的基本参数包括选择算子、交叉算子、变异算子、最大进化代数、种群大小和适应度函数。
3.根据权利要求1所述的高峰时段多列车节能优化方法，其特征在于，步骤3所述利用Pareto多目标遗传算法，求解高峰时段多列车节能优化模型，得到一组列车运行策略的非支配解集，具体如下：
步骤3.1、初始化种群P，种群大小为N，种群中每个个体对应一组停站时间矩阵xi＝[d1,d2,...dj,...,dK]，K表示车站数；各站的停站时间采用整数编码，列车在上下行同一车站的停站时间相同；
步骤3.2、首先根据种群中每个个体对应的停站时间染色体编码矩阵xi和发车间隔时间hi，计算出种群中每个个体对应的时刻表，进而求出每辆列车在所有供电区间的重叠时间，最终求出仿真时间段内重叠时间适应度值f1(x)及总运行时间f2(x)，然后对种群中每个个体的节能指标f1(x)和准时指标f2(x)适应度值进行非支配排序，确定种群中每个个体的非支配序值，接着对非支配层中的每个个体进行拥挤度计算，确定种群中非支配次序关系以及个体的拥挤度，最后根据种群中非支配次序关系以及个体的拥挤度，通过锦标赛法从种群P中随机选择个体进行交叉和变异操作，产生子代种群Q；
步骤3.3、从第二代开始，首先将父代种群P与子代种群Q合并，形成新种群R，种群大小为2N，然后进行非支配排序，确定种群中每个个体的非支配序值，最后对非支配层中的每个个体进行拥挤度计算，根据非支配次序关系以及个体的拥挤度选取合适的个体组成下一代父代种群P，保持种群个体数为N；
步骤3.4、循环步骤3.2～3.3直至达到最大迭代次数，停止遗传操作并保存得到Pareto最优的非支配解集。
4.根据权利要求1所述的高峰时段多列车节能优化方法，其特征在于，步骤4中所述的提取全局最优解，求出优化后的时刻表，完成高峰时段多列车节能优化模型的求解，具体为：在Pareto非支配解集中按制定的节能和准时的相对优先级别选择最合适的停站时间矩阵作为全局最优解，求出优化后的时刻表，完成高峰时段多列车节能优化模型的求解。
CN201710528487.4A 2017-07-01 2017-07-01 一种高峰时段多列车节能优化方法 Active CN107180282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710528487.4A CN107180282B (zh) 2017-07-01 2017-07-01 一种高峰时段多列车节能优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710528487.4A CN107180282B (zh) 2017-07-01 2017-07-01 一种高峰时段多列车节能优化方法

Publications (2)

Publication Number Publication Date
CN107180282A CN107180282A (zh) 2017-09-19
CN107180282B true CN107180282B (zh) 2020-08-25

Family

ID=59844498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710528487.4A Active CN107180282B (zh) 2017-07-01 2017-07-01 一种高峰时段多列车节能优化方法

Country Status (1)

Country Link
CN (1) CN107180282B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107958316B (zh) * 2018-01-17 2020-12-01 深圳技术大学 一种轨道交通线路的列车停站优化方法及系统
CN108510127B (zh) * 2018-04-11 2021-05-18 北京交通大学 基于再生能利用的城轨列车运行过程优化方法
CN108711201B (zh) * 2018-04-20 2020-10-16 中国神华能源股份有限公司 处理机车能耗数据的方法、系统及服务器
CN108674452B (zh) * 2018-05-18 2020-04-03 重庆交通大学 一种移动闭塞下的高铁列车群多目标控制方法
CN109583125B (zh) * 2018-12-14 2023-05-09 南京工程学院 一种提高地铁列车再生制动能利用率的优化方法
CN109858154A (zh) * 2019-01-31 2019-06-07 广州地铁设计研究院股份有限公司 一种基于多目标优化的列车节能运行方法
CN109977553B (zh) * 2019-03-28 2022-07-05 广西大学 一种基于改进遗传算法的地铁列车节能优化方法
CN112124372B (zh) * 2020-08-28 2021-07-23 北京交通大学 一种利用列车停车时间优化再生制动控制的节能方法
CN112215413A (zh) * 2020-09-28 2021-01-12 通号城市轨道交通技术有限公司 运行图优化方法、装置及可读存储介质
CN113065239B (zh) * 2021-03-19 2023-10-27 北京工业大学 一种基于基于自适应大邻域搜索算法的城轨列车时刻表节能优化方法
CN114228765B (zh) * 2021-12-21 2023-05-05 西南交通大学 一种基于时刻表调整的车载储能设备配置方法
CN114792070B (zh) * 2022-05-12 2023-02-03 北京化工大学 一种基于混合智能算法的地铁安全防撞时刻表优化方法
CN116384596B (zh) * 2023-06-05 2023-08-25 交控科技股份有限公司 列车时刻表优化方法、装置、电子设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503804A (zh) * 2016-10-11 2017-03-15 南京理工大学 一种基于Pareto多目标遗传算法的列车定时节能运行方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120044703A (ko) * 2010-10-28 2012-05-08 목포대학교산학협력단 무선 센서 및 액터 네트워크의 주문형 라우팅 방법
CN202032708U (zh) * 2011-03-18 2011-11-09 上海科泰运输制冷设备有限公司 一种轨道交通列车空调机组新风量控制装置
CN103448758B (zh) * 2013-08-21 2016-04-13 中国铁道科学研究院 一种准时及节能的列车自动调整方法及系统
CN104881527B (zh) * 2015-05-13 2018-06-12 南京理工大学 城市轨道交通列车ato速度命令优化方法
CN105930937B (zh) * 2016-05-07 2019-05-31 浙江大学 一种考虑地铁快慢线的列车运行调度一体化优化方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503804A (zh) * 2016-10-11 2017-03-15 南京理工大学 一种基于Pareto多目标遗传算法的列车定时节能运行方法

Also Published As

Publication number Publication date
CN107180282A (zh) 2017-09-19

Similar Documents

Publication Publication Date Title
CN107180282B (zh) 一种高峰时段多列车节能优化方法
CN107368920B (zh) 一种非高峰时段多列车运行节能优化方法
CN109840641B (zh) 一种列车多区间运行曲线快速优化方法
CN102360401B (zh) 一种基于遗传算法的城市轨道交通节能运行图设计方法
CN109449973B (zh) 一种含光伏和储能的轨道交通供电系统能量优化方法
Li et al. Layout planning of electrical vehicle charging stations based on genetic algorithm
CN109858154A (zh) 一种基于多目标优化的列车节能运行方法
CN109615135A (zh) 一种基于动态规划算法的列车运行优化方法
CN111114596B (zh) 一种考虑网损的多列车速度曲线协同优化方法
CN108596667B (zh) 一种基于车联网的电动汽车实时充电电价计算方法
CN102495934B (zh) 基于粒子群算法的轨道交通牵引功率平衡运行图设计方法
CN109815523A (zh) 基于分解的列车运行多目标差分进化算法
CN109583125B (zh) 一种提高地铁列车再生制动能利用率的优化方法
CN107919675B (zh) 综合考虑车主和运营商利益的充电站负荷调度模型
CN107221965A (zh) 一种基于分布式设计的日前计划计算方法
CN114357693A (zh) 一种考虑源-网-桩的电动汽车充电决策优化策略
CN115239021A (zh) 一种城市轨道交通大小交路列车开行方案优化方法
CN112633596B (zh) 地铁列车速度曲线和区间运行时间的一体化优化方法
CN109376437A (zh) 一种基于多目标遗传算法的新能源车载储能优化控制方法
Wan et al. A prediction method for EV charging load based on fuzzy inference algorithm
CN105608501A (zh) 一种优化新能源建设与并网时序的中长期电网规划方法
CN116108948A (zh) 一种配电网风光及v2g充电站选址定容优化方法
CN110323737A (zh) 一种电动汽车充电优化调度方法
Liu et al. An optimization method for train driving trajectory in urban rail systems
Yao et al. Optimization of Ato Operation Process of Urban Rail Train Based on Sa-Abc Algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Xing Zongyi

Inventor after: Pei Weiwei

Inventor after: Chen Yejian

Inventor after: Wu Bo

Inventor after: Bai Liangliu

Inventor after: Hu Xuebing

Inventor before: Pei Weiwei

Inventor before: Chen Yejian

Inventor before: Wu Bo

Inventor before: Bai Liangliu

Inventor before: Hu Xuebing

Inventor before: Xing Zongyi

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant