CN108647813A - 一种基于弹复力调整的高速列车动态间隔节能优化方法 - Google Patents

Abstract

本发明公开一种基于弹复力调整的高速列车动态间隔节能优化方法。所述方法主要包括列车群出发前，根据各列车行车计划，利用多种群并行多智能体协同优化算法进行离线协同优化，计算列车群最优行车策略组合；计算列车群运行过程的弹复力集合，判断是否触发在线协同调整；获取列车群当前运行状态信息，应用多种群并行多智能体协同优化算法进行在线协同优化，为剩余区间计算列车群在线协同优化策略组合。该方法能够实时评估列车群运行状态并自适应地对列车群进行在线节能优化运行。

Description

一种基于弹复力调整的高速列车动态间隔节能优化方法

技术领域

本发明涉及高速列车运行信号控制技术领域，尤其涉及一种基于弹性调整的高速列车动态间隔节能优化方法。

背景技术

近年来，我国高速铁路取得了跨越式发展，铁路客运专线不断延伸，列车开行数量不断增加，时速350公里的中国标准动车组复兴号也顺利通车。截至2018年3月，我国高铁运营里程已达到2.5万公里，占全世界高铁运营总里程的60％以上，稳居全球第一。预计到2025年，我国高速铁路通车里程将至3.8万公里，建成“八纵八横”的高铁网。在高速铁路快速发展的大背景下，高速列车节能运行优化问题已成为建设集约型社会必须解决的重要课题之一。高速铁路的建设和发展对国家综合实力和发展水平的提升具有重要意义。从整体上降低高速列车群的能源消耗才能满足能源可持续发展的要求，同时也是践行“一带一路”倡议的坚实有力的技术支撑。

随着弹复力思想的发展，越来越多的国外学者逐渐将弹复力应用到交通运输工程领域研究中，评估并衡量系统的鲁棒性，当扰动或偏差出现时，系统能够能够恢复到正常状态。列车运行过程中的弹复力集合计算，衡量列车群在运行期间受到线路因素、人为因素、临时限速等产生的偏离既定规划目标影响因子，作为列车群运行过程中系统整体性能指标之一，同时也作为后续多列车实时协同优化算法的触发机制。

高速列车运行过程纷繁复杂，是一个受线路条件、临时限速等诸多因素制约的非线性问题。不同的运行操纵序列对列车能耗、安全、准点等方面的影响也不同。目前关于列车节能优化的研究主要集中在单车方面，忽略了列车之间的相互影响。尽管目前高速铁路发展迅速，创新技术的集成化运用程度越来越高，但随着高铁行车密度日益增加，仅对单列车实现节能优化研究已经不再满足。因此，开展对高速列车群节能运行协同优化的研究具有非常重要的意义。

目前，现有技术中还没有针对基于弹性调整的高速列车动态间隔节能优化方法进行深入研究。

发明内容

本发明目的在于提供一种基于弹性调整的高速列车动态间隔节能优化方法，以实现高效率地对高速列车群的运行轨迹进行动态规划。

为了实现上述目的，本发明采取了如下技术方案：

一种基于弹复力调整的高速列车动态间隔节能优化方法，包括：

S1：列车群出发前，根据列车群行车计划，利用多种群并行多智能体差分进化算法进行离线协同优化，计算该列车群最优行车策略组合；

S2：计算该列车群运行过程的弹复力集合，依据所述弹复力集合评估是否触发在线协同优化操作；

S3：列车群出发，并且触发在线协同优化操作后，获取该列车群当前运行状态信息，利用多种群并行多智能体差分进化算法进行在线协同优化，在剩余行车区间在线协同优化所述最优行车策略组合；

S4：根据所述最优行车策略组合，控制所述列车群的运行。

进一步地，在所述S1中列车群出发前，建立列车运行多目标优化模型，用于对列车群进行节能协同优化，具体包括：

s.t.v∈X_v

其中X_v为

其中，

n表示列车数量，v_cr表示列车巡航速度，v_br表示列车制动初速度；

E_i表示第i列列车的运行总能耗；

ΔT_i表示第i列列车到达终点的实际时间与计划时间偏差；

X_v表示约束条件；

x_ij∈[s_j,s_j+1]表示在第i列列车在第j个区间内列车的位置；

v_ij表示在第i列列车在第j个区间内列车的速度；

R_i表示高速列车运行过程的弹复力；

M表示列车的质量；

γ表示列车回转质量系数；

F(v_ij)和B(v_ij)分别表示列车在速度为v_ij时的最大牵引力和最大常用制动力，由列车的牵引/制动特性确定；

W(x_j)，r(v_j,x_j)分别表示列车运行过程的线路附加阻力和基本阻力；

u_j,f,u_j,b∈[0,1]分别表示牵引和制动系数，牵引和制动系数与列车运行工况存在如下关系：

进一步地，所述S2中的弹复力集合为：

其中：

R_i表示后行车与前行车之间的弹复力；

Δx_i(t)表示t时刻下后行车与前行车之间的实时距离；

L_i(t)表示移动闭塞下可接受的前后车的安全追踪距离；

L表示移动闭塞下前后车的安全追踪距离；

ΔL_a表示距离裕度；

Δt表示实际运行过程中与既定目标出现的时间偏差；

ΔT_a表示时间裕度；

根据设定弹复力评估指标，评估列车外界干扰对高速列车群运行系统产生的偏差，从而判断是否需要对列车群进行在线协同优化调整；所述弹复力集合用于评估高速列车群运行系统受到扰动恢复到稳定状态的能力。

进一步地，所述S2中的在线协同优化操作，包括：

列车牵引力计算：

列车制动力计算：

基本阻力的计算：

r₁＝w₁+w₂v+w₃v²

附加阻力的计算：

r₂＝M·g·α

其中：F表示列车输出力，v表示列车速度，f_m表示恒力矩区力矩大小，P_max表示恒功区输出功率大小，r₁表示基本阻力，r₂表示附加阻力，w₁、w₂和w₃表示列车的戴维斯参数，M表示列车质量，g，α分别表示重力加速度及附加阻力参数。

进一步地，所述S3中的利用多种群并行多智能体差分进化算法进行在线协同优化，在剩余行车区间在线协同优化所述最优行车策略组合，具体为：

列车群出发后，结合列车运行状态对列车群进行实时弹复力评估，弹复力评估结果作为在线协同优化操作的触发时机，利用多种群并行多智能体差分进化算法进行在线协同优化，为列车运行剩余区间计算列车群在线协同优化策略组合。

进一步地，所述利用多种群并行多智能体差分进化算法进行在线协同优化，包括：

获取列车群当前运行状态信息，计算列车运行剩余区间，初始化各种群信息，对列车群进行多目标规划，通过模糊协同查找，计算出满足设定时间和设定安全距离约束列车群最优行车策略组合。

由上述本发明提供的技术方案可以看出，本发明通过离线协同优化为列车群规划最优行车策略组合，利用多智能体信息交互模型实现列车运行状态自主感知与共享他知，采用弹复力集合对列车运行过程进行实时评估，当评估结果触发在线协同调整算法时，采用多种群并行多智能体差分进化算法进行在线协同优化，为列车运行剩余区间计算计算列车群在线协同优化策略组合，直至列车群到达目标终点站。该方法能够从时间和空间维度综合评估列车运行过程的实际偏差问题，并通过多目标优化模型对列车群进行节能协同优化，从而在保障安全和准点的基础上降低高速列车运行能耗。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的一种基于弹性调整的高速列车动态间隔节能优化方法的实现原理示意图；

图2为本发明实施例提供的多智能体列车信息交互模型示意图；

图3为本发明实施例提供的基于弹复力的高速列车运行状态评估模型示意图；

图4为本发明实施例提供的高速列车群节能运行一体化结构示意图；

图5为本发明实施例提供的多种群并行多智能体差分进化算法流程示意图。

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元件。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/或组件，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、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

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，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

实施例

传统的列车节能优化研究，主要集中对于单列车的离线优化，未考虑列车之间的相互影响，不能对列车运行状态信息进行合理评估并进行在线协同优化。弹复力综合考虑了系统运行过程中的内外部影响，评估衡量系统的鲁棒性，当扰动或偏差出现时，系统能够恢复到正常状态的能力。

针对高速列车小间隔、大密度的实际运行需求，以列车群为整体研究对象，本发明实施例提供了一种基于弹性调整的高速列车动态间隔节能优化方法，综合列车群在运行期间的线路因素、人为因素、临时限速等因素产生的与既定规划目标的偏离，采用弹复力进行合理评估，实现列车群节能协同优化运行，如图1所示：具体包括如下的处理步骤：

步骤1：列车群出发前离线协同优化，包括：

首先，建立列车运行多目标优化模型，根据各列车行车计划(包括车站数，中间区间长度，计划运行时间，列车区间限速等)利用多种群并行多智能体差分进化算法进行离线协同优化，计算列车群最优行车策略组合。

多种群并行多智能体差分进化算法是在差分进化算法基础上进行了扩展得到的。多种群并行多智能体差分进化算法流程如附图5所示，将每列列车视为一个Agent，列车Agent先单独进化，生成各自Pareto最优解集，基于协同选择的思想，模糊查找各列车最优行车策略组合。其中每个Agent的进化都是基于差分进化算法，通过初始化种群，变异、交叉、选择等步骤，求解各列车Agent对应区间的Pareto解集。最后采用协同选择方法模糊查找出列车群最优行车策略组合。

所述列车运行多目标优化模型，用于对列车群进行节能协同优化，具体包括：

s.t.v∈X_v

其中X_v为

其中，

n表示列车数量，v_cr表示列车巡航速度，v_br表示列车制动初速度；

E_i表示第i列列车的运行总能耗；

ΔT_i表示第i列列车到达终点的实际时间与计划时间偏差；

X_v表示约束条件；

x_ij∈[s_j,s_j+1]表示在第i列列车在第j个区间内列车的位置；

v_ij表示在第i列列车在第j个区间内列车的速度；

R_i表示高速列车运行过程的弹复力；

M表示列车的质量；

γ表示列车回转质量系数；

F(v_ij)和B(v_ij)分别表示列车在速度为v_ij时的最大牵引力和最大常用制动力，由列车的牵引/制动特性确定；

W(x_j)，r(v_j,x_j)分别表示列车运行过程的线路附加阻力和基本阻力；

u_j,f,u_j,b∈[0,1]分别表示牵引和制动系数，牵引和制动系数与列车运行工况存在如下关系：

步骤2：获取列车群当前运行状态信息，包括：

高速列车的卫星定位导航系统等车载设备实时采集列车的运行状态信息(包括列车当前运行速度、位置、运行时间、操纵工况等必要信息)。如附图2，建立多智能体列车信息交互模型，实现列车运行状态信息自主感知与信息共享。铁路高速列车运行过程中，每列列车作为一个Agent，列车Agent之间是“认识”的，列车Agent结合轨旁设备和先进的GNSS定位技术可以实现局部列车运行状态局部自主感知；同时结合无线传输技术，列车Agent与其他列车Agent实现实时状态信息共享。

步骤3：列车运行过程中，计算弹复力集合，包括：

所述的建立弹复力评估模型，从时间和空间维度对列车群运行状态偏差进行合理评估，包括：

在基于多智能体的列车信息交互模型的基础上，获取列车群实时运行状态信息，并将其与列车原计划运行信息比较计算，将列车实际运行过程中的时间偏差和追踪距离以弹复力集合的形式描述出来，如图3所示。根据模拟的列车运行过程的干扰因素，结合列车运行状态信息，采用弹复力集合评估干扰因素对列车群运行系统造成的偏差。弹复力集合：

根据弹复力评估指标，可用来评估线路等外界干扰对高速列车群运行系统产生的偏差，从而判断是否需要对列车群进行在线协同优化调整。所述弹复力集合则可用来评估系统受到扰动恢复到稳定状态的能力。当所有R_i∈(0,1)时，无需对高速列车群运行策略进行调整；否则，任意一个R_i不满足(0,1)，则触发列车群在线协同优化算法，为列车群剩余区间重新规划操纵策略。因此，基于弹复力的高速列车运行状态评估模型也作为高速列车运行过程中协同优化算法的触发时机。

所述列车运行优化过程的动力学计算过程描述为：

列车(CRH380AL)牵引力计算：

列车(CRH380AL)制动力计算：

基本阻力的计算公式：

r₁＝w₁+w₂v+w₃v²

附加阻力的计算公式：

r₂＝M·g·α

其中：F表示列车输出力，v表示列车速度，f_m表示恒力矩区力矩大小(520kN)，P_max表示恒功区输出功率大小(20440kW)，r₁表示基本阻力，r₂表示附加阻力，w₁、w₂和w₃表示列车的戴维斯参数，M表示列车质量，g，α分别表示重力加速度，附加阻力参数。

步骤4：列车群出发后，结合列车运行状态对列车群进行实时弹复力评估，弹复力评估结果作为在线协同优化操作的触发时机，利用多种群并行多智能体差分进化算法进行在线协同优化，为列车运行剩余区间计算列车群在线协同优化策略组合。具体为：

将每列列车视为一个Agent，获取列车群当前运行状态信息，计算各列车运行剩余区间。每列列车按照“最大牵引-巡航-惰行-最大制动”的节能操纵策略进行优化。初始化各种群信息，通过变异、交叉、选择等步骤，获得各列车Pareto解集，通过模糊协同查找，计算出满足设定时间和安全距离约束列车群最优行车策略组合。

在本实施例中，如图4、图5所示，所述多种群并行多智能体差分进化算法优化过程具体如下：

步骤1：初始化算法参数。列车Agent单独进化，根据各列车运行(剩余)区间长度、(剩余)计划运行时间，将列车运行过程离散化，以Δt为采样时间，将Δt内列车运行近似为匀加速或匀减速运行。这样，巧妙地将连续区间最优化问题转换为可实现的离散采样时间最优化问题。

步骤2：初始化种群。为每个列车Agent初始化种群，每个种群个体为

种群指的是优化算法中，一辆列车的状态信息的初始种群，多种群指多辆列车进行协同优化时的多个初始种群；

步骤3：个体评价。计算每个个体种群适应度。

步骤4：变异操作。在种群中随机地选择三个个体，进行差分缩放计算，得到变异后种群。

步骤5：交叉操作。对种群中每个个体执行变异操作，用于选择遗传到下一代的变异基因。

步骤6：选择操作。对当代个体和试验个体的适应度进行比较、选择操作。

步骤7：生成Pareto解集。选择能耗时间均更优的个体保留下来，保留优秀个体，淘汰劣者。

步骤8：判断迭代次数是否达到设定值，若达到，结束优化过程，输出Pareto解集，转步骤9；若未达到最大，则返回步骤3，继续进行下一代优化。

步骤9：对各列车生成的Pareto解集进行模糊协同查找，输出各列车满足设定时间和安全距离约束的的速度-距离曲线。

重复执行上述规划过程，直至所述列车到达运行目标站点，结束基于弹复力调整的多目标规划过程。

综上所述，本发明实施例通过首先对列车群进行离线协同优化，通过多智能体列车信息交互模型实现列车运行状态信息自主感知与信息共享；根据模拟的列车运行过程的干扰因素，结合列车运行状态信息，采用弹复力集合评估干扰因素对列车群运行系统造成的偏差。利用多种群并行多智能体差分进化算法进行在线协同优化，为剩余区间计算列车群在线协同优化策略组合。该方法能够有效地对列车群运行动态过程进行合理评估，实现基于弹复力调整的高速列车群节能协同优化方法，以保证列车运行安全、高效、舒适，同时提高能源效益，实现列车运行的均衡优化。

综上所述，本发明实施例通过离线协同优化为列车群规划最优行车策略组合，利用多智能体信息交互模型实现列车运行状态自主感知与共享他知，采用弹复力集合对列车运行过程进行实时评估，当评估结果触发在线协同调整算法时，采用多种群并行多智能体差分进化算法进行在线协同优化，为列车运行剩余区间计算计算列车群在线协同优化策略组合，直至列车群到达目标终点站。该方法能够从时间和空间维度综合评估列车运行过程的实际偏差问题，并通过多目标优化模型对列车群进行节能协同优化，从而在保障安全和准点的基础上降低高速列车运行能耗。

本发明方法适用于单向轨道上多列车在多站间节能运行轨迹规划。对于复杂条件下的交通，可以通过修改优化算法来实现。可用于车载ATO(自动驾驶系统)或驾驶辅助系统中进行在线运行轨迹规划，具有计算量小、实时性能好的特点。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

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 (6)

1.一种基于弹复力调整的高速列车动态间隔节能优化方法，其特征在于，包括：

S1：列车群出发前，根据列车群行车计划，利用多种群并行多智能体差分进化算法进行离线协同优化，计算该列车群最优行车策略组合；

S2：计算该列车群运行过程的弹复力集合，依据所述弹复力集合评估是否触发在线协同优化操作；

S3：列车群出发，并且触发在线协同优化操作后，获取该列车群当前运行状态信息，利用多种群并行多智能体差分进化算法进行在线协同优化，在剩余行车区间在线协同优化所述最优行车策略组合；

S4：根据所述最优行车策略组合，控制所述列车群的运行。

2.根据权利要求1所述的高速列车动态间隔节能优化方法，其特征在于，在所述S1中列车群出发前，建立列车运行多目标优化模型，用于对列车群进行节能协同优化，具体包括：

s.t.v∈X_v

其中X_v为

其中，

n表示列车数量，v_cr表示列车巡航速度，v_br表示列车制动初速度；

E_i表示第i列列车的运行总能耗；

ΔT_i表示第i列列车到达终点的实际时间与计划时间偏差；

X_v表示约束条件；

x_ij∈[s_j,s_j+1]表示在第i列列车在第j个区间内列车的位置；

v_ij表示在第i列列车在第j个区间内列车的速度；

R_i表示高速列车运行过程的弹复力；

M表示列车的质量；

γ表示列车回转质量系数；

F(v_ij)和B(v_ij)分别表示列车在速度为v_ij时的最大牵引力和最大常用制动力，由列车的牵引/制动特性确定；

W(x_j)，r(v_j,x_j)分别表示列车运行过程的线路附加阻力和基本阻力；

u_j,f,u_j,b∈[0,1]分别表示牵引和制动系数，牵引和制动系数与列车运行工况存在如下关系：

3.根据权利要求2所述的高速列车动态间隔节能优化方法，其特征在于，所述S2中的弹复力集合为：

其中：

R_i表示后行车与前行车之间的弹复力；

Δx_i(t)表示t时刻下后行车与前行车之间的实时距离；

L_i(t)表示移动闭塞下可接受的前后车的安全追踪距离；

L表示移动闭塞下前后车的安全追踪距离；

ΔL_a表示距离裕度；

Δt表示实际运行过程中与既定目标出现的时间偏差；

ΔT_a表示时间裕度；

根据设定弹复力评估指标，评估列车外界干扰对高速列车群运行系统产生的偏差，从而判断是否需要对列车群进行在线协同优化调整；所述弹复力集合用于评估高速列车群运行系统受到扰动恢复到稳定状态的能力。

4.根据权利要求3所述的高速列车动态间隔节能优化方法，其特征在于，所述S2中的在线协同优化操作，包括：

列车牵引力计算：

列车制动力计算：

基本阻力的计算：

r₁＝w₁+w₂v+w₃v²

附加阻力的计算：

r₂＝M·g·α

其中：F表示列车输出力，v表示列车速度，f_m表示恒力矩区力矩大小，P_max表示恒功区输出功率大小，r₁表示基本阻力，r₂表示附加阻力，w₁、w₂和w₃表示列车的戴维斯参数，M表示列车质量，g，α分别表示重力加速度及附加阻力参数。

5.根据权利要求4所述的高速列车动态间隔节能优化方法，其特征在于，

所述S3中的利用多种群并行多智能体差分进化算法进行在线协同优化，在剩余行车区间在线协同优化所述最优行车策略组合，具体为：

列车群出发后，结合列车运行状态对列车群进行实时弹复力评估，弹复力评估结果作为在线协同优化操作的触发时机，利用多种群并行多智能体差分进化算法进行在线协同优化，为列车运行剩余区间计算列车群在线协同优化策略组合。

6.根据权利要求5所述的高速列车动态间隔节能优化方法，其特征在于，所述利用多种群并行多智能体差分进化算法进行在线协同优化，包括：

获取列车群当前运行状态信息，计算列车运行剩余区间，初始化各种群信息，对列车群进行多目标规划，通过模糊协同查找，计算出满足设定时间和设定安全距离约束列车群最优行车策略组合。