CN109783890A - 基于钩缓装置模型的重载列车运行曲线多目标优化方法 - Google Patents

Abstract

本发明公开了基于钩缓装置模型的重载列车运行曲线多目标优化方法，结合重载列车运行线路约束条件，建立列车运行过程动态纵向动力学模型与钩缓装置模型，运用多目标遗传算法建立列车优化操纵模型，同时考虑到遗传算法的早熟现象，采用自适应算法动态调整遗传算法参数，自适应与遗传算法相结合的自适应遗传算法可以在保持种群多样性的同时，保证了遗传算法的收敛性，获得一条列车运行优化曲线。对于复杂的非线性重载列车运行过程，建立列车运行过程动态纵向动力学模型与钩缓装置模型，运用多目标遗传算法建立列车优化操纵模型，优化列车运行曲线，实现列车安全、正点、节能运行。

Description

基于钩缓装置模型的重载列车运行曲线多目标优化方法

技术领域

本发明涉及重载列车运行过程建模与运行曲线优化方法，属重载列车运行过程监测与自动控制技术领域。

背景技术

重载列车具有运量大、速度快、能耗小、成本低、全天候的优势，在运送大宗货物上显示出高效率、低成本的巨大优势。然而随着牵引重量的不断增加，重载列车开行方式也随之变化，重载列车的运输安全问题逐渐突显，制动失灵、车辆断钩等问题不断发生，严重制约着重载铁路运输的发展。

列车不超速运行，车钩不断钩是列车安全运行最基本的要求，同时重载列车运行还需要满足正点与节能的需要。通过分析列车的运行过程，优化司机行车的运行曲线、操作方法，不仅能保证列车运行安全、列车准时到站，还可以优化列车运行过程、降低列车能耗、提高铁路运输效率与效益，实现铁路运输绿色发展。

针对重载列车运行曲线的优化，国外最早开始以动态规划法优化在平直道上运行列车的运行曲线，国内最早的研究是采用全局寻优和局部优化仿真的方法，研究了重载列车节能操纵。近年来，研究多是建立多质点的列车运行模型，针对安全、正点、节能等多目标进行曲线优化。但多数研究在研究重载列车多目标运行优化时，安全性只考虑了速度的限制，没有考虑到车钩力是否超过限制，同时也没有结合到实际运行线路中存在的分相点进行研究。

发明内容

本发明的目的是，针对重载列车实际运行线路，结合列车实际运行操作规范，建立列车运行过程动态纵向动力学模型与钩缓装置模型，运用多目标自适应遗传算法来研究列车运行最优工况序列，优化列车运行曲线，实现列车安全、正点、节能运行。

本发明的技术方案是：

一种重载列车运行过程建模与运行曲线优化方法，结合重载列车运行线路约束条件，建立列车运行过程动态纵向动力学模型与钩缓装置模型，运用多目标遗传算法建立列车优化操纵模型，同时考虑到遗传算法的早熟现象，采用自适应算法动态调整遗传算法参数，自适应与遗传算法相结合的自适应遗传算法可以在保持种群多样性的同时，保证了遗传算法的收敛性，获得一条列车运行优化曲线。

所述的重载列车运行过程建模与运行曲线优化方法，所述建立重载列车运行过程动态纵向动力学模型方法为：

分析重载列车运行过程中动力学模型，对单节车辆纵向动力学受力进行分析，其运动过程动力学模型可表示为：

式中，m_i为车辆的质量；为车辆的加速度；F_T为牵引力，F_D为电制动力；F_CL为前车钩力；F_CR为后车钩力；F_B为空气制动力；F_W为车辆运行基本阻力；F_Wc为曲线阻力；F_Wr为坡道阻力。

所述的重载列车运行过程建模与运行曲线优化方法，所述建立车钩缓冲器装置模型方法为：

车钩力用下式描述：

式中，F_C为车钩力；f_u为加载时缓冲器的阻抗力；f_l为卸载时缓冲器的阻抗力；f₃为缓冲器阻抗力的均值；Δv为相邻两车的速度之差；Δx为相邻两车的运行距离之差；v_e为缓冲器转换速度。

所述的重载列车运行过程建模与运行曲线优化方法，所述建立多目标自适应遗传算法为：

(1)结合重载列车运行线路条件，定义列车运行速度曲线的编码与染色体，根据列车运行优化模型定义目标适应度函数；随机生成N个满足目标适应度函数的初始种群；将初始种群代入目标适应度函数中，根据目标适应度函数计算当前群体中各个种群的适应度；

A.列车的运行安全性评价模型：

其中种群中列车运行最大拉钩力的平均值按下式计算：

种群中列车运行最大压钩力的平均值按下式计算：

列车第j次运行过程中车钩力值大于车钩力额定最大值γ系数的次数F_NUM按下式计算：

种群中列车运行过程中车钩力值较大次数的平均值按下式计算：

其中Fi_coupler为列车第i时刻运行的车钩力值，F_UMAX为列车运行时车钩力额定最大值，γ为比列系数，取值范围为0.75～1；F_MAX为列车第j次运行过程中出现的最大拉钩力值，F_MIN为列车第j次运行过程中出现的最大压钩力值的绝对值，N为种群规模,k₁,k₂,k₃是权重系数，满足k₁+k₂+k₃＝1；

B.列车的运行节能性评价模型：

Q＝Q_y+Q₀

其中牵引运行耗电量Q_y按下式计算：

惰行、制动及停站耗电量Q₀按下式计算：

其中U_w为机车受电弓处网压，t_y为机车牵引运行时间，t₀为机车惰行、空气制动及停站时间，I_p为机车牵引用电有功电流，I_p0为机车惰行、制动及停站时用电有功电流；

C.列车的运行正点性评价模型：

其中T_U为列车运行图的规定时间，T_i为列车每个区间的运行时间，一共有n个区间；

通过上述分析，以列车的安全、节能与正点运行为多目标优化问题的模型即重载列车的目标适应度函数为：

其中N为种群规模，w₁,w₂,w₃是权重系数，满足w₁+w₂+w₃＝1；

(2)按照遗传策略，运用选择、交叉和变异算子作用于群体，形成下一代种群；

(3)不断地寻优进化，根据每一次迭代中所有个体的适应度的大小，自适应地调整选择、交叉和变异参数，最终得到目标函数中适应度最高的一个个体，将其作为问题的最优解或满意解并输出，终止计算，最终获得一条列车运行优化曲线。

综上所述，对于复杂的非线性重载列车运行过程，建立列车运行过程动态纵向动力学模型与钩缓装置模型，运用多目标遗传算法建立列车优化操纵模型，优化列车运行曲线，实现列车安全、正点、节能运行。

本发明与现有技术比较的有益效果是，在研究重载列车多目标运行优化时，结合列车运行操纵规范，建立列车运行动态纵向动力学模型与钩缓装置模型，从列车运行车钩安全、正点、节能等多目标优化运行曲线。本发明针对重载列车实际运行线路，结合列车操作限制，使用多目标遗传算法来研究运行最优工况序列，同时考虑到遗传算法的早熟现象，本文采用自适应算法动态调整遗传算法参数，自适应与遗传算法相结合的自适应遗传算法可以在保持种群多样性的同时，保证了遗传算法的收敛性，获得全局最优解。本技术方案简单实用，优化了重载列车运行曲线，实现重载列车安全、正点、节能运行。

本发明适用于重载列车运行过程在线监测和自动控制。

附图说明

图1为重载列车运行过程中动力学模型；

图2为钩缓装置的特性曲线；

图3为实验区段线路坡道数据；

图4为实验区段实际运行结果；

图5为多目标优化策略运行结果；

图6为多目标优化策略遗传算法适应度；

具体实施方式

以下结合具体实施例，对本发明进行详细说明。

本发明基于多目标自适应遗传算法对重载列车运行过程优化步骤为：

1、分析重载列车运行过程中动力学模型，如图1所示，对单节车辆纵向动力学受力进行分析，其运动过程动力学模型可表示为：

式中，m_i为车辆的质量；为车辆的加速度；F_T为牵引力，F_D为电制动力；F_CL为前车钩力；F_CR为后车钩力；F_B为空气制动力；F_W为车辆运行基本阻力；F_Wc为曲线阻力；F_Wr为坡道阻力。

2、建立车钩缓冲器装置模型。在动力学仿真中常用缓冲器落锤与冲车实验所得特性曲线来进行计算。将试验过程中所采集的同一时刻缓冲器的位移与车钩力的数值绘制在一张图表上，即得到钩缓装置的特性曲线如图2所示。利用特性曲线，可以找出缓冲器的位移与阻抗力之间的关系，因此车钩力可以用式(2)描述：

式中，F_C为车钩力；f_u为加载时缓冲器的阻抗力；f_l为卸载时缓冲器的阻抗力；f₃为缓冲器阻抗力的均值；Δv为相邻两车的速度之差；Δx为相邻两车的运行距离之差；v_e为缓冲器转换速度。

3、结合重载列车运行线路条件，定义列车运行速度曲线的编码与染色体，根据列车运行优化模型定义目标适应度函数；随机生成N个满足目标适应度函数的初始种群；将初始种群代入目标适应度函数中，根据目标适应度函数计算当前群体中各个种群的适应度。

(1)列车运行过程中的车钩力值应小于铁道科学研究院建议值：最大车钩力≤1000kN(列车正常运行工况)，最大车钩力≤2250kN(列车紧急制动工况)。列车的运行安全性评价模型：

其中种群中列车运行最大拉钩力的平均值按式(4)计算：

种群中列车运行最大压钩力的平均值按式(5)计算：

列车第j次运行过程中车钩力值大于车钩力额定最大值γ系数的次数F_NUM按式(6)计算：

种群中列车运行过程中车钩力值较大次数的平均值按式(7)计算：

其中Fi_coupler为列车第i时刻运行的车钩力值，F_UMAX为列车运行时车钩力额定最大值，γ为比列系数，取值范围为0.75～1；F_MAX为列车第j次运行过程中出现的最大拉钩力值，F_MIN为列车第j次运行过程中出现的最大压钩力值的绝对值，N为种群规模,k₁,k₂,k₃是权重系数，满足k₁+k₂+k₃＝1。

(2)列车的节能运行评价指标要求列车在安全运行、正点的情况下，以能耗最少或较少的操纵方法运行。列车的运行节能性评价模型：

Q＝Q_y+Q₀ (8)

其中牵引运行耗电量Q_y按式(9)计算：

惰行、制动及停站耗电量Q₀按式(10)计算：

其中U_w为机车受电弓处网压，t_y为机车牵引运行时间，t₀为机车惰行、空气制动及停站时间，I_p为机车牵引用电有功电流，I_p0为机车惰行、制动及停站时用电有功电流。

(3)列车的正点运行评价指标是指列车的运行时间与列车运行图规定的时间之差，在一定范围内越小越好。列车的运行正点性评价模型：

其中T_U为列车运行图的规定时间，T_i为列车每个区间的运行时间，一共有n个区间。

通过上述分析，以列车的安全、节能与正点运行为多目标优化问题的模型即重载列车的目标适应度函数为：

其中N为种群规模，w₁,w₂,w₃是权重系数，满足w₁+w₂+w₃＝1。

4、按照遗传策略，运用选择、交叉和变异算子作用于群体，形成下一代种群；

(1)选择运算：对初始群体执行选择操作，优良的个体被大量复制，劣质的个体少量复制甚至将其淘汰；

(2)交叉运算：种群中的两个个体以一定的概率随机的在某些基因位中进行基因交换；

(3)变异运算：某一染色体上的基因一定的概率随机的进行突变。

5、不断地寻优进化，根据每一次迭代中所有个体的适应度的大小，自适应地调整选择、交叉和变异参数，最终得到目标函数中适应度最高的一个个体，将其作为问题的最优解或满意解并输出，终止计算。

本发明实施选用大秦重载线路的HXD1型重载列车为实验验证对象，列车从湖东二厂站(公里标25km)处出发，运行37.7km，在公里标62.7km处，列车速度处于在70km/h左右，结束运行实验。实验区段的线路数据如图3所示，最大坡道坡度达到10‰，最小曲线半径为800米。

按照太原铁路局湖东机务段的重载机车司机的运行数据，重载机车在实验区段的实际运行结果如图4所示。实验区段的实际运行时间为2355s，功耗为3273.74kW。

多目标优化策略即是在列车运行时，包含安全、节能与正点等运行优化目标的目标函数的适应度达到最高。基于多目标优化策略，优化后的运行效果如图5所示，遗传算法适应度曲线如图6所示，运行的数据如表1所示。

表1多目标优化策略运行的数据

重载列车的多目标优化策略需要考虑安全性、节能性与正点性等运行优化指标，要求列车运行曲线的目标函数的适应度达到最高。从图5、图6以及表1中可以看出，经过100代的进化次数，多目标优化策略遗传算法的适应度从0.869进化到了0.813。多目标优化的驾驶策略是在公里标25km～31km的上坡阶段，采用牵引与惰行工况交替，牵引工况为主的操纵方式，使列车的运行速度保持在60km/h左右；而在31km～43km的上坡阶段，采用牵引与惰行工况交替，惰行工况为主操纵方式的降低列车运行速度；在43km～45km的下坡阶段，采用制动与惰行工况交替的操纵方式继续降低列车运行速度；在45km～48km的下坡阶段，采用惰行工况为主的操纵方式提升列车运行速度；在48km～62.7km的下坡阶段，采用惰行与制动工况交替的操纵方式维持列车运行速度在70km/h左右运行。经过多次的列车操纵方式转化，是列车运行曲线达到多目标优化目标，目标函数的适应度达到最高。

多目标优化策略下的运行曲线的运行时间是2399.2s，消耗的能量为2637.5kW，安全系数中最大拉钩力为822.3kN，最大拉钩力为-528.5kN。而在相同的线路情况下，实际的运行曲线，需要运行2355s，与运行时刻表规定时间相差45s，能量消耗为3273.74kW，这无论是节能性，还是正点性都差于多目标优化策略下的运行曲线。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (4)

1.一种重载列车运行过程建模与运行曲线优化方法，其特征是：结合重载列车运行线路约束条件，建立列车运行过程动态纵向动力学模型与钩缓装置模型，运用多目标遗传算法建立列车优化操纵模型，同时考虑到遗传算法的早熟现象，采用自适应算法动态调整遗传算法参数，自适应与遗传算法相结合的自适应遗传算法可以在保持种群多样性的同时，保证了遗传算法的收敛性，获得一条列车运行优化曲线。

2.根据权利要求1所述的重载列车运行过程建模与运行曲线优化方法，其特征是，所述建立重载列车运行过程动态纵向动力学模型方法为：

分析重载列车运行过程中动力学模型，对单节车辆纵向动力学受力进行分析，其运动过程动力学模型可表示为：

式中，m_i为车辆的质量；为车辆的加速度；F_T为牵引力，F_D为电制动力；F_CL为前车钩力；F_CR为后车钩力；F_B为空气制动力；F_W为车辆运行基本阻力；F_Wc为曲线阻力；F_Wr为坡道阻力。

3.根据权利要求1所述的重载列车运行过程建模与运行曲线优化方法，其特征是，所述建立车钩缓冲器装置模型方法为：

车钩力用下式描述：

式中，F_C为车钩力；f_u为加载时缓冲器的阻抗力；f_l为卸载时缓冲器的阻抗力；f₃为缓冲器阻抗力的均值；Δv为相邻两车的速度之差；Δx为相邻两车的运行距离之差；v_e为缓冲器转换速度。

4.根据权利要求1所述的重载列车运行过程建模与运行曲线优化方法，其特征是，所述建立多目标自适应遗传算法为：

(1)结合重载列车运行线路条件，定义列车运行速度曲线的编码与染色体，根据列车运行优化模型定义目标适应度函数；随机生成N个满足目标适应度函数的初始种群；将初始种群代入目标适应度函数中，根据目标适应度函数计算当前群体中各个种群的适应度；

A.列车的运行安全性评价模型：

其中种群中列车运行最大拉钩力的平均值按下式计算：

种群中列车运行最大压钩力的平均值按下式计算：

列车第j次运行过程中车钩力值大于车钩力额定最大值γ系数的次数F_NUM按下式计算：

种群中列车运行过程中车钩力值较大次数的平均值按下式计算：

其中Fi_coupler为列车第i时刻运行的车钩力值，F_UMAX为列车运行时车钩力额定最大值，γ为比列系数，取值范围为0.75～1；F_MAX为列车第j次运行过程中出现的最大拉钩力值，F_MIN为列车第j次运行过程中出现的最大压钩力值的绝对值，N为种群规模,k₁,k₂,k₃是权重系数，满足k₁+k₂+k₃＝1；

B.列车的运行节能性评价模型：

Q＝Q_y+Q₀

其中牵引运行耗电量Q_y按下式计算：

惰行、制动及停站耗电量Q₀按下式计算：

其中U_w为机车受电弓处网压，t_y为机车牵引运行时间，t₀为机车惰行、空气制动及停站时间，I_p为机车牵引用电有功电流，I_p0为机车惰行、制动及停站时用电有功电流；

C.列车的运行正点性评价模型：

其中T_U为列车运行图的规定时间，T_i为列车每个区间的运行时间，一共有n个区间；

通过上述分析，以列车的安全、节能与正点运行为多目标优化问题的模型即重载列车的目标适应度函数为：

其中N为种群规模，w₁,w₂,w₃是权重系数，满足w₁+w₂+w₃＝1；

(2)按照遗传策略，运用选择、交叉和变异算子作用于群体，形成下一代种群；

(3)不断地寻优进化，根据每一次迭代中所有个体的适应度的大小，自适应地调整选择、交叉和变异参数，最终得到目标函数中适应度最高的一个个体，将其作为问题的最优解或满意解并输出，终止计算，最终获得一条列车运行优化曲线。