CN108510127B - 基于再生能利用的城轨列车运行过程优化方法 - Google Patents
基于再生能利用的城轨列车运行过程优化方法 Download PDFInfo
- Publication number
- CN108510127B CN108510127B CN201810322495.8A CN201810322495A CN108510127B CN 108510127 B CN108510127 B CN 108510127B CN 201810322495 A CN201810322495 A CN 201810322495A CN 108510127 B CN108510127 B CN 108510127B
- Authority
- CN
- China
- Prior art keywords
- train
- running
- time
- interval
- traction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000005457 optimization Methods 0.000 title claims abstract description 51
- 230000001172 regenerating effect Effects 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000012163 sequencing technique Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 210000000349 chromosome Anatomy 0.000 claims description 34
- 238000005265 energy consumption Methods 0.000 claims description 29
- 238000011069 regeneration method Methods 0.000 claims description 29
- 230000008929 regeneration Effects 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 108090000623 proteins and genes Proteins 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000002485 combustion reaction Methods 0.000 claims 1
- 238000012821 model calculation Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N3/123—DNA computing
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供了一种基于再生能利用的城轨列车运行过程优化方法,涉及城轨列车运行控制技术领域,该方法首先构建站间列车运行工况序列集合;然后计算所述列车运行工况序列的排序指标值,对所述运行工况序列集合进行排序;最后构建列车运行优化模型,将所述排序指标值作为所述列车运行优化模型的决策变量,计算求解所述列车运行优化模型,得到列车运行过程的优化方案。本发明使得同一供电区间内一辆牵引列车可以在一个牵引时间段的不同子时间段内使用不同制动列车提供的再生能;将列车运行工况序列作为模型计算的唯一变量,将工况序列在集合中的标号代入模型进行计算,降低了模型的复杂度,该发明对城轨列车的再生能利用具有较大实用价值和推广意义。
Description
技术领域
本发明涉及城轨列车运行控制技术领域,具体涉及一种基于再生能利用的城轨列车运行过程优化方法。
背景技术
城市轨道交通由于运营时间长、发车频率高的特性,维持其日常运营需要巨大的能量。其中,除提供给线路中设备设施的能量外,列车的运行能耗也占其中一大部分。根据目前对城市轨道交通能耗数据的分析,列车运行的牵引能耗在总能耗中所占比重超过了50%。因此,通过减少维持列车牵引所需提供的能量来降低列车运行的总能耗,是降低城市轨道交通运营成本的一个较为有效的手段。
为减少维持列车牵引所需提供的能量,除了对列车运行工况进行组合优化以直接减少列车牵引所需能耗外,还存在一种再生能利用方法。该方法主要是以其他车制动时产生的再生能作为某列车牵引的一部分能耗,使得由变电站提供的维持该车牵引所需的能量减少。对再生能的利用主要是直接利用和间接利用两种方式,由于间接利用所需的储能装置所需数量多、成本较高,目前研究更多地集中在对再生能的直接利用上,主要是提高不同列车牵引、制动的时间重叠率来更多地对再生能进行利用。
然而,目前对列车再生能的利用方式均为一列车的制动再生能传输给一牵引列车使用,在某时段同一供电区间的制动列车多于牵引列车时,使用该方法可能会造成一部分列车再生能的浪费。此外,在已研究的通过优化列车运行过程来提高再生能利用率的模型中,用到的变量包括区间的列车运行过程和整体路网的列车运行规划两部分,模型复杂度较高。
发明内容
本发明的目的在于提供一种能够使同一辆牵引列车在同一牵引时间段内使用多个制动列车的再生能的列车运行优化方法,以解决上述背景技术中的再生能利用方式单一,模型计算复杂度高的技术问题。
为了实现上述目的,本发明采取了如下技术方案:
本发明提供的一种基于再生能利用的城轨列车运行过程优化方法,包括如下步骤:
步骤S110:构建车站区间列车运行工况序列集合;
步骤S120:计算所述列车运行工况序列的排序指标值,对所述运行工况序列集合进行排序;
步骤S130:以“牵引-制动”一对多关系的再生能利用方式为原则,以所述列车运行工况序列为决策变量来构建列车运行过程优化模型。
步骤S140:结合序列排序值,根据基于双层种群的嵌套式迭代遗传算法对所述列车运行过程优化模型进行计算,得到列车运行过程的优化方案。
进一步的,所述构建站间列车运行工况序列集合包括:
根据车站区间的列车限速类型,确定所述车站区间内的限速子区间个数,以及列车在该车站区间内首次牵引和末次制动分别所处的限速子区间;
确定列车在所述限速子区间内的运行参数;
结合所述运行参数确定列车在所述限速子区间内最长、最短运行时间所对应的运行轨迹及同距离同时间的运行轨迹转换公式;
对列车在所述限速子区间的运行时间进行修正,将列车在限速子区间内的工况始末速度离散化为整数,结合所述运行轨迹转换公式求解得到所述列车运行工况序列集合。
进一步的,将车站区间以区间长度或限速个数为标准划分为多个限速子区间,列车在车站区间运行时,在单一所述限速子区间内的运行工况不会重复出现,列车在车站区间始端和末端的速度均为0,列车在除所述车站区间始端和末端以外的任一点的速度均大于0。
进一步的,所述结合所述运行参数确定列车在所述限速子区间内最长、最短运行时间所对应的运行轨迹及同距离同时间的运行轨迹转换公式包括:
当列车在所述限速子区间的运行时间为tk时,存在两条运行轨迹,所述两条运行轨迹的运行工况数量为m,n(1≤m≤n≤4),运行工况对应的加速度和末端速度分别为aki,a′kj,vki,v′kj(i∈[1,m],j∈[1,n]),则由列车在该子区间的初始速度和末端速度不变即vk0=v′k0,vkn=v′km,可得到给定运行距离和运行时间tk条件下列车在所述限速子区间的运行过程如下所示,
进一步的,对列车在所述限速子区间的运行时间进行修正包括:
其中,tkmin,tkmax分别为第k个限速子区间的最小运行时间和最大运行时间。
进一步的,所述将列车在车站区间的运行速度离散化为整数,结合所述运行轨迹转换公式求解得到所述列车运行工况序列集合包括:
将列车在限速子区间内的工况始末速度按需求离散化为整数,结合列车区间运行时间的取值范围可得到列车在车站区间内运行轨迹,即列车的区间运行工况序列;所有运行工况序列组成一个有限集合X,记为 Xq∈X={X1,X2,…,Xυ},其中,Xq为第q辆列车的运行工况序列,υ为第q辆列车在该车站区间的运行工况序列个数。
进一步的,所述计算所述列车运行工况序列的排序指标值,对所述运行工况序列集合进行排序包括:以总牵引时间内列车所使用的他车再生能Et和总制动时间内列车产生的被他车使用的再生能Eb作为排序指标,以代表不确定性的区间数作为排序指标的值来进行计算,得到列车运行工况序列的排序值;其中,
确定总牵引时间内列车所使用的他车再生能Et的初始取值范围,
其中,n为列车运行工况序列中的牵引工况次数;为第k大的单位牵引时间能耗;为第k大单位牵引时间能耗所对应的列车牵引能耗;为第k大单位牵引时间能耗所对应的列车牵引时间;为列车单位牵引时间内所使用的他车再生制动能量;而μk为判断与大小的参数,当时μk的值为 0,否则该参数取值为1;
采用TOPSIS法来进行排序,以更客观的熵权法来分配指标的权重,以同时考虑期望值与宽的EW-型几何距离来计算排序指标区间数与理想区间数之间的距离,之后以两指标对应的贴近度作为横、纵坐标的值来计算其与坐标原点的距离,即为列车运行工况序列的排序值O(i)。
进一步的,所述以“牵引-制动”一对多关系的再生能利用方式为原则,以所述列车运行工况序列为决策变量来构建列车运行过程优化模型包括:
基于列车制动再生能的流向构建列车再生能流动网络,
其中,pti表示牵引列车,pbj表示制动列车,再生能流动情况为
(pbj,pti)flow∈{0,1}; (8)
以列车运行工况序列作为变量,结合式(7),构建基于再生能利用的城轨列车运行过程优化模型。
进一步的,所述以“牵引-制动”一对多关系的再生能利用方式为原则,以所述列车运行工况序列为决策变量来构建列车运行过程优化模型还包括:
(1)确定所述列车运行过程优化模型目标函数;
城轨路网列车运行总能耗降低率为ψE=(E0-E)/E0,
(2)确定优化模型决策变量;
(3)确定优化模型相关约束;
其中,为列车在原车站区间运行时间基础上的最大波动值;为列车在车站区间内的原运行时间;为列车在线路l上的原旅行时间;ηh为发车间隔变化率可波动的最大值;为描述某一时期客流量的参数,客流量越大则该值越大,模型中该参数的值仅为0.5和1,高峰期时平峰期时 为乘客平均质量;为单个车厢定员标准;Nc为列车拖车数量;为列车在区间内运行时承载的客流数量波动值;为列车在区间内运行时所承载客流总质量的波动值。
进一步的,所述结合序列排序值,根据基于双层种群的嵌套式迭代遗传算法对所述列车运行过程优化模型进行计算,得到列车运行过程的优化方案包括:
步骤S141:算法参数初始化,输入序列排序值计算基因各取值概率;
步骤S142:生成满足所述列车运行过程优化模型目标函数相关约束的上层染色体种群;
步骤S143:计算各染色体对应的下层染色体长度;
步骤S144:生成满足式(7)的下层染色体种群;
步骤S145:以所述列车运行过程优化模型目标函数为适应度,对下层染色体迭代n次,每次迭代都储存/更新最优解及其对应最优染色体;
步骤S146:判断是否达到上层染色体迭代总次数m,若未达到,则上层染色体迭代一次并转到步骤S143;若达到,则输出最优解及其对应最优染色体。该算法为列车运行过程优化模型的求解算法,求解后可得到列车在区间的运行过程(以工况序列表征)和路网的整体运行过程(以发车间隔为表征),再生能流动情况则是“牵引-制动”一对多关系在优化模型中的表征。
本发明有益效果:本发明提出一种牵引列车和制动列车的一对多关系的再生能利用方式,使得同一供电区间内一辆牵引列车可以在一个牵引时间段的不同子时间段内使用不同制动列车提供的再生能;其次提出列车运行工况序列构建规则,得到区间对应的运行工况序列解集,以各序列在解集中标号作为优化模型的决策变量,将区间运行过程的所有变量缩减为序列标号这唯一的变量,可降低模型的复杂度,该发明对城轨列车的再生能利用具有较大的实用价值和推广意义。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的基于再生能利用的城轨列车运行过程优化方法流程图。
图2为本发明实施例所述的列车在不同限速子区间的运行轨迹示意图。
图4为本发明实施例所述的列车在供电区间的再生能流动网络示意图。
图5为本发明实施例所述的基于双层种群的嵌套式迭代遗传算法流程图。
图6为本发明实施例所述的北京地铁亦庄线各区间限速情况示意图。
图7为本发明实施例所述的“宋家庄-肖村”区间对应列车运行工况序列排序值分布情况示意图。
图8为本发明实施例所述的排序值最大的列车运行轨迹示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的模块。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或模块,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、模块和/或它们的组。
需要说明的是,在本发明所述的实施例中,除非另有明确的规定和限定,术语“连接”、“固定”等应做广义理解,可以是固定连接,也可以是可拆卸连接,或成一体,可以是机械连接,也可以是电连接,可以是直接连接,也可以是通过中间媒介间接连接,可以是两个元件内部的连通,或两个元件的相互作用关系,除非具有明确的限定。对于本领域技术人员而言,可以根据具体情况理解上述术语在本发明实施例中的具体含义。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语 (包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明,且实施例并不构成对本发明实施例的限定。
本领域普通技术人员应当理解的是,附图只是一个实施例的示意图,附图中的部件或装置并不一定是实施本发明所必须的。
实施例一
如图1所示,本发明实施例一提供了基于再生能利用的城轨列车运行过程优化方法,该方法包括下述步骤:
步骤一:提出基于不同限速类型的城轨列车运行工况序列的构建规则;针对不同限速类型的车站区间,提出列车运行工况序列的构建规则,得到区间对应的列车运行工况序列集合,具体如下:
1.1、根据区间限速类型,判断列车在区间内的首次牵引和末次制动是否处于同一限速子区间以及是否存在不包含首次牵引和末次制动的子区间;
列车在“1-限速”区间内的首次牵引和末次制动处于同一限速子区间;而在“2-限速”和“m-限速”区间中,列车的首次牵引与末次制动均分别处于第一个子区间和最后一个子区间,且在“m-限速”区间中列车存在超出2个的子区间。
1.2、给出列车在区间运行的约束条件:(1)列车在区间所使用的所有运行工况所对应的运行距离(或运行时间)的加和即为区间的长度(或区间运行时间);(2)列车在区间始末端速度为0,在相邻限速子区间交界处的速度不会发生跳转即;(3)列车牵引、制动的加速度存在最大最小的约束。
并推导得到列车运行相同距离且使用时间一样时的运行轨迹转换公式,具体如下:
当列车在子区间的运行时间为tk时,若存在两条及以上运行轨迹,假设其中两轨迹的工况数量为m,n(1≤m≤n≤4),工况对应的加速度和末端速度分别为aki,a′kj,vki,v′kj(i∈[1,m],j∈[1,n]),则由列车在该子区间的初始速度和末端速度不变即vk0=v′k0,vkn=v′km,可得到给定运行距离和运行时间tk条件下列车在子区间的运行过程如下所示。
其中,tkmin,tkmax分别为第k个限速子区间的最大、最小运行时间。
1.5、将速度v按需求离散化为整数,结合列车区间运行时间的取值范围可得到所有符合要求的列车区间运行轨迹即列车的区间运行工况序列。所有运行工况序列组成一个有限集合X,记为Xq∈X={X1,X2,…,Xυ}。其中,Xq为第q个列车运行工况序列,υ为列车在该区间可能的运行工况序列个数。
步骤二:基于再生能的城轨列车运行工况序列排序指标计算方法;通过对城轨列车运行时的再生能进行分析,结合区间数理论,提取总牵引时间内列车所使用的他车再生能Et和总制动时间内列车产生的被他车使用的再生能 Eb作为区间列车运行工况序列的排序指标进行计算,并使用基于熵权的 TOPSIS法来进行排序:
2.1、确定总牵引时间内列车所使用的他车再生能Et的初始取值范围。
其中,n为列车运行工况序列中的牵引工况次数;为第k大的单位牵引时间能耗;为第k大单位牵引时间能耗所对应的列车牵引能耗;为第k大单位牵引时间能耗所对应的列车牵引时间;为列车单位牵引时间内所使用的他车再生制动能量;而μk为判断与大小的参数,当时μk的值为 0,否则该参数取值为1。
2.5、采用TOPSIS法来进行排序,以更客观的熵权法来分配指标的权重,以同时考虑期望值与宽的EW-型几何距离来计算排序指标区间数与理想区间数之间的距离,之后以两指标对应的贴近度作为横、纵坐标的值来计算其与坐标原点的距离,即为列车运行工况序列的排序值O(i)。
步骤三:提出“牵引-制动”一对多关系的再生能利用方式,构建基于再生能利用的城轨列车运行过程优化模型,并设计基于双层种群的迭代式遗传算法进行求解。
3.1、提出“牵引-制动”的一对多关系,得到城轨路网列车再生能有效利用量的优化方法。
“牵引-制动”一对多关系,即同一供电区间内一辆牵引列车可以在一个牵引时间段的不同子时间段内使用不同制动列车提供的再生能。以牵引列车为灰点pti,制动列车为白点pbj,列车制动再生能的可能流向作为边,构建列车再生能流动网络,如图4所示。可能流向即指两车牵引、制动时间段存在重叠时间,其参数为白点pbj再生能向灰点pti流动的实际情况(pbj,pti)flow∈{0,1},其值取1表示白点pbj再生能向灰点pti流动。此外,列车一次制动所产生的再生能只能流向一辆牵引列车,即表示为
3.2、以列车运行工况序列作为变量之一,结合3.1中再生能利用方式,构建基于再生能利用的城轨列车运行过程优化模型,具体步骤如下:
(1)确定优化模型目标函数。1)城轨路网列车运行总能耗降低率ψE=(E0-E)/E0;2)城轨路网列车再生能利用提升率其中,E 为城轨路网列车运行总能耗;E0为现有城轨路网列车运行总能耗;ηu为城轨路网列车再生能利用率;为现有城轨路网列车再生能利用率。
(3)确定优化模型相关约束。
其中,为列车在原区间运行时间基础上的最大波动值;为列车在区间内的原运行时间;为列车在线路l上的原旅行时间;ηh为发车间隔变化率可波动的最大值;为描述某一时期客流量的参数,客流量越大则该值越大,模型中该参数的值仅为0.5和1,高峰期时平峰期时 为乘客平均质量;为单个车厢定员标准;Nc为列车拖车数量;为列车在区间内运行时承载的客流数量波动值;为列车在区间内运行时所承载客流总质量的波动值。
3.3、以区间列车运行工况序列排序值为基础设计基因取值概率,在此基础上设计基于双层种群的嵌套式迭代遗传算法,如图5所示。算法参数如表1 所示。
表1算法参数
城轨列车运行工况序列的构建规则基于以下两条假设:(1)列车在单一限速子区间内的运行工况不能重复出现;(2)列车在某区间运行时,除初始进入区间和末端离开区间时的速度为0,其在区间内任一点的速度均大于0。
该发明构建的城轨列车运行过程优化模型的特征包括:
(1)以列车运行工况序列作为模型决策变量之一,只需取区间对应的列车运行工况序列解集中的标号即可得知区间具体运行过程,降低了优化模型的复杂度;
(2)提出了“牵引-制动”一对多的再生能利用方式,即同一供电区间内一辆牵引列车可以在一个牵引时间段的不同子时间段内使用不同制动列车提供的再生能,以便在制动列车比牵引列车多的情况下能减少再生能的浪费。
为求解模型,设计了一种基于双层种群的嵌套式迭代遗传算法,上层的染色体称之为主染色体,每个主染色体拥有相同数量的伴随染色体作为其下层染色体,具体流程如图5所示,其算法特性如下:
(1)主染色体和伴随染色体迭代的时间维度不同;
(2)伴随染色体的长度由其对应的主染色体决定,主染色体的每一次迭代都会刷新伴随染色体的基因数量;
(3)只有同一主染色体的伴随染色体可以交叉变异并产生新的伴随染色体;
(4)此算法主要用于解决“决策变量A的数目由决策变量B决定”类型的优化模型。
该算法以区间列车运行工况序列的排序值作为生成上层染色体种群时主染色体部分基因的取值概率,可在算法初始阶段得到较好的可行解,提高算法的效率。
实施例二
本发明实施例二提供了一种城轨列车在区间列车运行工况序列求解与排序仿真方法,如图6所示,选取图6中区间1(即“宋家庄-肖村”)作为研究对象,令最大牵引、制动加速度分别为atmax=1m/s2,abmax=-1m/s2,区间运行时间最大波动值为则由原区间运行时间可得,列车在该区间的运行时间取值范围为tr∈[180,200]。根据列车运行工况序列构建规则使用matlab进行仿真,得到1287个解,其中部分解的排序值如下表2所示。所得到的排序值多数相差不大,除27个排序值小于0.6外,几乎所有列车运行工况的排序值均处于[0.6113,0.8152]范围内。甚至从表中可看到,存在部分列车运行工况序列排序值相等的情况。这是由于在多限速区间中各运行工况组合的复杂性导致的,这种复杂性使得“两个不同的列车运行工况序列产生/消耗的能量相同”存在可能性。
表2部分解的排序值
以两排序指标的贴近度为横纵坐标作图,可得到所有解在贴近度空间的分布情况如下图7所示。从图中能明显看出,解分布的区域较为集中,除离群的少数几个解外,可将解所在区域大致分为三块,区域1: x∈[0.2,0.4],y∈[0.6,0.8],区域2:x,y∈[0.4,0.6]和区域3:x∈[0.6,0.8],y∈[0.2,0.4]。其中,区域1和3的解数量相差不大,而区域2的解数量能明显看出比其他两区域的解数量更多。由于图中坐标为无量纲的贴近度,这说明在解出的所有列车运行工况序列中,有更多序列属于牵引、制动能量较为平衡的情况,而区域1、3中指标相差较大的情况即对应的是牵引、制动能量不平衡的列车运行工况序列。由于本文假设的列车利用他车或被他车利用能量时,其所对应的时间与列车牵引、制动时间在任一点重叠的可能性是相同的,而除部分情况外列车所受阻力做功的耗能量占总牵引能比重不大,因此列车运行工况序列的两指标也应不会差距太大。这很好的解释了区域2中解数量比区域1、3中解数量更多的现象。
在上述所有解中,选择排序值最大的解O=0.8152,该列车运行工况序列所对应的排序指标贴近度为区间运行时间为186s,将其具体情况输出可得下图8。从图中可看出,该列车运行工况序列组合得到的运行曲线较为平缓,在区间运行时间的约束条件下,列车并未以最大牵引、制动加速度运行。
实施例三
本发明实施例三提供一种城轨列车在区间列车运行工况序列求解与排序仿真方法,选取北京地铁7、9、10号线和亦庄线来进行仿真,同时以一个供电区间覆盖2-3个站间来进行划分,可得此案例中共3个换乘站、87个非换乘站、90个区间以及34个供电区间。
从各角度来对仿真结果进行对比分析,可得到表3~5。从表中可得到,该发明大致降低了11.97%~12.27%的列车运行总能耗,提高了7.32%~9.37%的再生能利用率,且以排序值为基础设计基因取值概率的方法在一定程度上提高了算法的效率。
表3基于线路限速情况的不同时期仿真结果(单位:kW·h)
表4基于再生能利用方式的不同时期仿真结果(单位:kW·h)
表5基于算法基因取值概率的不同时期仿真结果(单位:kW·h)
注:最优迭代次数的三个数字,第一个指的是算法的最优迭代次数,而第二、三个数字即为换算得到的上、下层迭代次数。
综上所述,本发明实施例通过以列车运行工况序列作为优化模型的变量,只用一个变量即可表示列车在区间的整个运行过程,降低了模型的复杂度;其次结合代表不确定性的区间数理论,提出了区间列车运行工况序列的排序指标计算方法,提高了模型求解算法的效率;最后提出了“牵引-制动”一对多的再生能利用方式,在制动列车比牵引列车多的情况下能减少再生能的浪费,提高列车再生能利用率。经过仿真与验证,结果表明此方法具有较高的实用价值。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (2)
1.一种基于再生能利用的城轨列车运行过程优化方法,其特征在于,包括如下步骤:
步骤S110:构建车站区间列车运行工况序列集合;包括:根据车站区间的列车限速类型,确定列车在该车站区间内首次牵引和末次制动分别所处的限速子区间;对列车在所述限速子区间的运行时间进行修正,将列车在限速子区间内的工况始末速度离散化为整数,求解得到所述列车运行工况序列集合;具体包括:
将车站区间以区间长度或限速个数为标准划分为多个限速子区间,列车在车站区间运行时,在单一所述限速子区间内的运行工况不会重复出现,列车在车站区间始端和末端的速度均为0,列车在除所述车站区间始端和末端以外的任一点的速度均大于0;
根据车站区间的列车限速类型,确定所述车站区间内的限速子区间个数,以及列车在该车站区间内首次牵引和末次制动分别所处的限速子区间;
确定列车在所述限速子区间内的运行参数;
结合所述运行参数确定列车在所述限速子区间内最长、最短运行时间所对应的运行轨迹及同距离同时间的运行轨迹转换公式,具体包括:
当列车在所述限速子区间的运行时间为tk时,存在两条运行轨迹,所述两条运行轨迹的运行工况数量为m,n(1≤m≤n≤4),运行工况对应的加速度和末端速度分别为aki,a′kj,vki,v′kj(i∈[1,m],j∈[1,n]),则由列车在该子区间的初始速度和末端速度不变即vk0=v′k0,vkn=v′km,可得到给定运行距离和运行时间tk条件下列车在所述限速子区间的运行过程如下所示,
对列车在所述限速子区间的运行时间进行修正,将列车在限速子区间内的工况始末速度离散化为整数,结合所述运行轨迹转换公式求解得到所述列车运行工况序列集合;
所述的对列车在所述限速子区间的运行时间进行修正包括:
其中,tkmin,tkmax分别为第k个限速子区间的最小运行时间和最大运行时间;
所述的将列车在车站区间的运行速度离散化为整数,结合所述运行轨迹转换公式求解得到所述列车运行工况序列集合包括:
将列车在限速子区间内的工况始末速度按需求离散化为整数,结合列车区间运行时间的取值范围可得到列车在车站区间内运行轨迹,即列车的区间运行工况序列;所有运行工况序列组成一个有限集合X,记为Xq∈X={X1,X2,…,Xυ},其中,Xq为第q辆列车的运行工况序列,υ为第q辆列车在该车站区间的运行工况序列个数;
步骤S120:计算所述列车运行工况序列的排序指标值,对所述运行工况序列集合进行排序;包括:
以总牵引时间内列车所使用的他车再生能Et和总制动时间内列车产生的被他车使用的再生能Eb作为排序指标,以代表不确定性的区间数作为排序指标的值来进行计算,得到列车运行工况序列的排序值;其中,
确定总牵引时间内列车所使用的他车再生能Et的初始取值范围,
其中,n为列车运行工况序列中的牵引工况次数;为第k大的单位牵引时间能耗;为第k大单位牵引时间能耗所对应的列车牵引能耗;为第k大单位牵引时间能耗所对应的列车牵引时间;为列车单位牵引时间内所使用的他车再生制动能量;而μk为判断与大小的参数,当时μk的值为0,否则该参数取值为1;
采用TOPSIS法来进行排序,以更客观的熵权法来分配指标的权重,以同时考虑期望值与宽的EW-型几何距离来计算排序指标区间数与理想区间数之间的距离,之后以两指标对应的贴近度作为横、纵坐标的值来计算其与坐标原点的距离,即为列车运行工况序列的排序值O(i);
步骤S130:以“牵引-制动”一对多关系的再生能利用方式为原则,以所述列车运行工况序列为决策变量来构建列车运行过程优化模型;包括:基于列车制动再生能的流向构建列车再生能流动网络,以列车运行工况序列作为变量,结合列车再生能流动网络,构建基于再生能利用的城轨列车运行过程优化模型;具体包括:
基于列车制动再生能的流向构建列车再生能流动网络,
其中,pti表示牵引列车,pbj表示制动列车,再生能流动情况为
(pbj,pti)flow∈{0,1};
以列车运行工况序列作为变量,结合式(7),构建基于再生能利用的城轨列车运行过程优化模型;
确定所述列车运行过程优化模型目标函数,城轨路网列车运行总能耗降低率为ψE=(E0-E)/E0,城轨路网列车再生能利用提升率其中,E为城轨路网列车运行总能耗,E0为现有城轨路网列车运行总能耗,ηu为城轨路网列车再生能利用率,为现有城轨路网列车再生能利用率;
确定优化模型相关约束,列车区间运行时间为:
其中,为列车在原车站区间运行时间基础上的最大波动值,为列车在车站区间内的原运行时间,为列车在线路l上的原旅行时间,ηh为发车间隔变化率可波动的最大值,为描述某一时期客流量的参数,客流量越大则该值越大,模型中该参数的值仅为0.5和1,高峰期时平峰期时 为乘客平均质量,为单个车厢定员标准,Nc为列车拖车数量,为列车在区间内运行时承载的客流数量波动值,为列车在区间内运行时所承载客流总质量的波动值;
步骤S140:结合序列排序值,根据基于双层种群的嵌套式迭代遗传算法对所述列车运行过程优化模型进行计算,得到列车运行过程的优化方案。
2.根据权利要求1所述的基于再生能利用的城轨列车运行过程优化方法,其特征在于,所述结合序列排序值,根据基于双层种群的嵌套式迭代遗传算法对所述列车运行过程优化模型进行计算,得到列车运行过程的优化方案包括:
步骤S141:算法参数初始化,输入序列排序值计算基因各取值概率;
步骤S142:生成满足所述列车运行过程优化模型目标函数相关约束的上层染色体种群;
步骤S143:计算各染色体对应的下层染色体长度;
步骤S144:生成满足式(7)的下层染色体种群;
步骤S145:以所述列车运行过程优化模型目标函数为适应度,对下层染色体迭代n次,每次迭代都储存/更新最优解及其对应最优染色体;
步骤S146:判断是否达到上层染色体迭代总次数m,若未达到,则上层染色体迭代一次并转到步骤S143;若达到,则输出最优解及其对应最优染色体;
其中,所述最优解包括列车在区间的运行过程和路网的整体运行过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810322495.8A CN108510127B (zh) | 2018-04-11 | 2018-04-11 | 基于再生能利用的城轨列车运行过程优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810322495.8A CN108510127B (zh) | 2018-04-11 | 2018-04-11 | 基于再生能利用的城轨列车运行过程优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108510127A CN108510127A (zh) | 2018-09-07 |
CN108510127B true CN108510127B (zh) | 2021-05-18 |
Family
ID=63381697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810322495.8A Active CN108510127B (zh) | 2018-04-11 | 2018-04-11 | 基于再生能利用的城轨列车运行过程优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108510127B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109398426B (zh) * | 2018-09-19 | 2020-06-16 | 中南大学 | 一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法 |
CN110738369A (zh) * | 2019-10-15 | 2020-01-31 | 西南交通大学 | 一种城市轨道交通列车的运行速度优化方法 |
CN111191819B (zh) * | 2019-12-12 | 2023-07-07 | 同济大学 | 一种轨道交通多列车速度曲线轨迹协调优化方法 |
CN111332125B (zh) * | 2019-12-18 | 2021-10-29 | 北京理工大学 | 改进车辆制动能量回收控制方法、装置、车辆及存储介质 |
CN111625933B (zh) * | 2020-04-29 | 2022-09-20 | 南京理工大学 | 基于多目标人工蜂群算法的牵引变电站节能方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103738367A (zh) * | 2013-12-27 | 2014-04-23 | 北京交控科技有限公司 | 轨道交通计划运行图优化方法 |
CN103963805A (zh) * | 2014-04-25 | 2014-08-06 | 北京交通大学 | 一种城市轨道交通列车运行的节能方法 |
CN104260759A (zh) * | 2014-10-08 | 2015-01-07 | 北京交通大学 | 一种城市轨道交通节能优化方法及系统 |
CN104986190A (zh) * | 2015-06-30 | 2015-10-21 | 北京交通大学 | 轨道列车的再生能量的利用方法和系统 |
CN106651009A (zh) * | 2016-11-23 | 2017-05-10 | 北京交通大学 | 城市轨道交通任意多车协作的节能优化控制方法 |
CN106828547A (zh) * | 2017-03-06 | 2017-06-13 | 北京交通大学 | 一种面向再生制动能量利用的列车调度方法及系统 |
CN107180282A (zh) * | 2017-07-01 | 2017-09-19 | 南京理工大学 | 一种高峰时段多列车节能优化方法 |
-
2018
- 2018-04-11 CN CN201810322495.8A patent/CN108510127B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103738367A (zh) * | 2013-12-27 | 2014-04-23 | 北京交控科技有限公司 | 轨道交通计划运行图优化方法 |
CN103963805A (zh) * | 2014-04-25 | 2014-08-06 | 北京交通大学 | 一种城市轨道交通列车运行的节能方法 |
CN104260759A (zh) * | 2014-10-08 | 2015-01-07 | 北京交通大学 | 一种城市轨道交通节能优化方法及系统 |
CN104986190A (zh) * | 2015-06-30 | 2015-10-21 | 北京交通大学 | 轨道列车的再生能量的利用方法和系统 |
CN106651009A (zh) * | 2016-11-23 | 2017-05-10 | 北京交通大学 | 城市轨道交通任意多车协作的节能优化控制方法 |
CN106828547A (zh) * | 2017-03-06 | 2017-06-13 | 北京交通大学 | 一种面向再生制动能量利用的列车调度方法及系统 |
CN107180282A (zh) * | 2017-07-01 | 2017-09-19 | 南京理工大学 | 一种高峰时段多列车节能优化方法 |
Non-Patent Citations (2)
Title |
---|
"城市轨道交通列车多编组运输组织技术研究";戎亚萍;《中国博士学位论文全文数据库 工程科技II辑》;20171115(第11期);全文 * |
"面向节能的城市轨道交通列车运行图优化》;杨欣;《中国博士学位论文全文数据库 工程科技II辑》;20170615(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108510127A (zh) | 2018-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510127B (zh) | 基于再生能利用的城轨列车运行过程优化方法 | |
Zhao et al. | An integrated metro operation optimization to minimize energy consumption | |
Li et al. | An energy-efficient scheduling and speed control approach for metro rail operations | |
Zhou et al. | Integrated optimization on train control and timetable to minimize net energy consumption of metro lines | |
CN109815536B (zh) | 城市轨道交通节能时刻表和运行曲线优化方法 | |
CN109815523B (zh) | 基于分解的列车运行多目标差分进化算法 | |
CN103847749B (zh) | 一种双层多目标优化铁路机车操纵序列生成方法 | |
CN110287564B (zh) | 一种基于遗传算法的中速磁浮节能运行图优化方法 | |
Ning et al. | A synergistic energy-efficient planning approach for urban rail transit operations | |
Fernández-Rodríguez et al. | Balancing energy consumption and risk of delay in high speed trains: A three-objective real-time eco-driving algorithm with fuzzy parameters | |
CN109583125B (zh) | 一种提高地铁列车再生制动能利用率的优化方法 | |
CN113361150A (zh) | 一种城市列车运行多目标优化方法及系统 | |
CN107704975A (zh) | 基于生物地理算法的地铁列车节能运行优化方法与系统 | |
CN112633598A (zh) | 城市轨道交通列车速度曲线与时刻表综合节能优化方法 | |
CN109783890A (zh) | 基于钩缓装置模型的重载列车运行曲线多目标优化方法 | |
Zhang et al. | Data-driven train operation models based on data mining and driving experience for the diesel-electric locomotive | |
CN108725519A (zh) | 一种降低运行能耗的列车运行图优化方法 | |
Falvo et al. | Energy saving in metro-transit systems: Impact of braking energy management | |
Ahmadi et al. | Energy saving in metro systems: Simultaneous optimization of stationary energy storage systems and speed profiles | |
Fernández-Rodríguez et al. | A multi-objective algorithm for train driving energy reduction with multiple time targets | |
Hamid et al. | Investigation into train positioning systems for saving energy with optimised train trajectories | |
CN109398426A (zh) | 一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法 | |
Chuang et al. | Design of optimal coasting speed for saving social cost in mass rapid transit systems | |
CN114298510A (zh) | 基于nspso算法的时刻表和速度曲线优化方法 | |
Zhang et al. | Pareto multi-objective optimization of metro train energy-saving operation using improved NSGA-II algorithms |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200904 Address after: 100044 Beijing city Haidian District Xizhimen Shangyuan Village No. 3 Applicant after: Beijing Jiaotong University Applicant after: CRRC CHANGCHUN RAILWAY VEHICLES Co.,Ltd. Address before: 100044 Beijing city Haidian District Xizhimen Shangyuan Village No. 3 Applicant before: Beijing Jiaotong University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |