CN109992843A - 一种基于运行等级的城市轨道交通列车运行图构建方法 - Google Patents
一种基于运行等级的城市轨道交通列车运行图构建方法 Download PDFInfo
- Publication number
- CN109992843A CN109992843A CN201910188758.5A CN201910188758A CN109992843A CN 109992843 A CN109992843 A CN 109992843A CN 201910188758 A CN201910188758 A CN 201910188758A CN 109992843 A CN109992843 A CN 109992843A
- Authority
- CN
- China
- Prior art keywords
- train
- time
- operation class
- section
- redundancy
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于运行等级的城市轨道交通列车运行图构建方法,方法为:首先建立列车牵引能耗计算模型和人工神经网络模型;然后根据折返作业时间的压缩程度,将全线运行时间划分为不同的运行等级,并计算各运行等级的区间最短运行时间,得到各运行等级下全线冗余时间;接着基于列车牵引能耗计算模型和人工神经网络模型,进行各运行等级下冗余时间分配;最后将冗余时间分配结果输入到ATS系统,编制新的列车运行图。本发明能够实现城市轨道交通列车的综合节能降耗和运营智能优化管理的目标,并且方法简单,易于推广实施。
Description
技术领域
本发明涉及城市轨道交通牵引节能技术领域,特别是一种基于运行等级的城市轨道交通列车运行图构建方法。
背景技术
城市轨道交通具有运量大、单位能耗低、准点率高等优点,是资源节约型、环境友好型的交通方式,正获得越来越多大城市的青睐。实际运营中,列车运行图的编制方法主要包括以下几种:(1)人工编制方法:依靠人工经验,利用Excel与AutoCAD等软件完成。这种方法工作量较大,难以适应城轨列车随客流需求、技术设备、运输组织方法的变化而调整的需要;(2)列控系统编制:ATS系统嵌入了列车运行图编制功能模块,只需输入特定的线路和车辆信息,即可生成相应列车运行图。这两种编图方法只是将车辆资源尽可能分配到运行线路上,没有考虑列车的运行能耗,无法满足国家节能减排的要求。
发明内容
本发明的目的在于提供一种能够实现综合节能降耗和运营智能优化管理的目标、易于推广实施的城市轨道交通列车运行图构建方法。
实现本发明目的的技术解决方案为:一种基于运行等级的城市轨道交通列车运行图构建方法,包括以下步骤:
步骤1:对列车运行过程进行受力分析,建立列车牵引能耗计算模型;
步骤2:根据列车运行影响因素,建立人工神经网络模型;
步骤3:根据折返作业时间的压缩程度,将全线运行时间划分为不同的运行等级;
步骤4:计算各运行等级的区间最短运行时间,得到各运行等级下全线冗余时间;
步骤5:基于步骤1的列车牵引能耗计算模型和步骤2的人工神经网络模型,进行各运行等级下冗余时间的分配;
步骤6:将步骤5中得到的冗余时间分配结果输入到ATS系统,编制新的列车运行图。
进一步地,步骤1所述的对列车运行过程进行受力分析,建立列车牵引能耗计算模型,具体如下:
步骤1.1:根据列车质量m和当前加速度a,计算列车当前所受合力F合:
F合=m×a
步骤1.2:根据列车当前速度和当前线路条件,计算列车运行阻力F阻:
F阻=Fv+Fp+Fw
其中,Fv为列车基本阻力,Fp为列车坡道阻力,Fw为列车弯道阻力;
步骤1.3:根据当前电机牵引力和列车速度,计算轮周功率Pjc:
Pjc=(F合+F阻)×v
步骤1.4:根据轮周功率计算电机牵引功率Pmotor:
其中,Egear为齿轮箱效率,Emotor为电机效率,Ause为使用动轴数,dcnum为动车数量,Aunuse为损失动轴数;
步骤1.5:根据电机牵引功率计算列车牵引能耗Eused:
其中,deltaT为仿真步长。
进一步地,步骤2所述的根据列车运行影响因素,建立人工神经网络模型,具体如下:
列车运行影响因素包括区间长度、区段限速、坡道条件、弯道条件和区间运行时间;人工神经网络模型输入层节点数为5,对应列车运行影响因素,隐含层为双层结构,每层节点数为10,输出层节点数为1,对应列车速度参数。
进一步地,步骤3所述的根据折返作业时间的压缩程度,将全线运行时间划分为不同的运行等级,具体如下:
列车运行时刻表编制时设置有折返作业时间裕量,根据列车运行时刻表的折返作业时间裕量,将全线运行时间划分为不同的运行等级。
进一步地,步骤4所述的计算各运行等级的区间最短运行时间,得到各运行等级下全线冗余时间,具体如下:
各运行等级的区间最短运行时间,是列车ATO以最大牵引-巡航-最大制动模式运行时,各运行等级的区间的运行时间。
进一步地,步骤5所述的基于步骤1的列车牵引能耗计算模型和步骤2的人工神经网络模型,进行各运行等级下冗余时间的分配,具体如下:
步骤5.1:确定各运行等级下的全线运行时间T和冗余时间Tr,初始化各运行等级的区间最短运行时间Tmin(j)和最长运行时间Tmax(j);
步骤5.2:计算各区间最短运行时间Tmin(j)下的列车牵引电耗;
步骤5.3:将冗余时间平均分为n份,n为线路区间数量,每一次分配的冗余时间为ΔT,
步骤5.4:将一份冗余时间ΔT分配到全线所有区间,利用人工神经网络模型计算该时间对应的列车运行速度曲线,然后将列车运行速度曲线输入到列车牵引能耗计算模型中,计算区间列车牵引电耗和节能效果ΔE;
步骤5.5:比较冗余时间分配前后各区间的节能效果ΔE,将冗余时间ΔT分配至节能效果ΔE最大的区间,并更新该区间的运行时间为Ti=Ti+ΔT;
步骤5.6:如果第i个区间的运行时间达到最长运行时间Tmax(i),则不再向该区间分配冗余时间;
步骤5.7:如果冗余时间已全部分配完成,即则算法结束;否则,跳转至步骤5.4。
进一步地,步骤6所述的将步骤5中得到的冗余时间分配结果输入到ATS系统,编制新的列车运行图,具体如下:
将步骤5中得到的冗余时间分配结果输入到ATS系统,计算各区间的计划运行时间,然后在列车时刻表编辑工作站上进行列车时刻表编辑,并下载到中心服务器和本地服务器,运营开始前自动装载列车时刻表。
本发明与现有技术相比,其显著优点在于:(1)能够对列车计划时刻表进行优化调整,在满足乘客需求的前提下实现列车运行节能的目的;(2)能够有效节约城市轨道交通系统的能耗,方法简单,通过ATS时刻表编辑工作站即可投入实际运用,易于推广实施。
附图说明
图1为本发明基于运行等级的城市轨道交通列车运行图构建方法的流程示意图。
图2为本发明中列车运行等级设计方法的流程示意图。
图3为本发明中进行各运行等级下冗余时间的分配的流程示意图。
图4为本发明实施例中运行等级对应的列车运行图。
具体实施方式
以下结合附图和具体实施例对本发明进行进一步详细说明。
结合图1,本发明一种基于运行等级的城市轨道交通列车运行图构建方法,包括以下步骤:
步骤1:对列车运行过程进行受力分析,建立列车牵引能耗计算模型,具体如下:
列车运行过程受力分析包括列车运行阻力分析和电机牵引力分析,列车牵引能耗计算模型由列车力学模型结合牵引供电计算模型得到。
结合图2,建立列车牵引能耗计算模型,包括以下步骤:
步骤1.1:根据列车质量m和当前加速度a,计算列车当前所受合力:
F合=m×a
步骤1.2:根据列车当前速度和当前线路条件,计算列车运行阻力:
F阻=Fv+Fp+Fw
其中,Fv为列车基本阻力,Fp为列车坡道阻力,Fw为列车弯道阻力;
步骤1.3:根据当前电机牵引力和列车速度,计算轮周功率:
Pjc=(F合+F阻)×v
步骤1.4:根据轮周功率计算电机牵引功率:
其中,Egear为齿轮箱效率,Emotor为电机效率,Ause为使用动轴数,dcnum为动车数量,Aunuse为损失动轴数;
步骤1.5:根据电机牵引功率计算列车牵引能耗:
其中,deltaT为仿真步长。
步骤2:根据列车运行影响因素,建立人工神经网络模型,具体如下:
列车运行影响因素包括区间长度、区段限速、坡道条件、弯道条件、区间运行时间;人工神经网络模型输入层节点数为5,对应列车运行影响因素,隐含层为双层结构,每层节点数为10,输出层节点数为1,对应列车速度参数。
步骤3:根据折返作业时间的压缩程度,将全线运行时间划分为不同的运行等级,具体如下:
由于列车运行时刻表编制时设置有较大的折返作业时间裕量,根据列车运行时刻表的折返作业时间裕量,将全线运行时间划分为不同的运行等级。
步骤4:计算各运行等级的区间最短运行时间,得到各运行等级下全线冗余时间,具体如下:
各运行等级的区间最短运行时间,是列车ATO以最大牵引-巡航-最大制动模式运行时,各运行等级区间的运行时间。
步骤5:基于步骤1的列车牵引能耗计算模型和步骤2的人工神经网络模型,进行各运行等级下冗余时间的分配,具体如下:
结合图3,冗余时间分配的过程,包括以下步骤:
步骤5.1:确定各运行等级下的全线运行时间T和冗余时间Tr,初始化各运行等级的区间的最短运行时间Tmin(j)和最长运行时间Tmax(j);
步骤5.2:计算各区间最短运行时间Tmin(j)下的列车牵引电耗;
步骤5.3:将冗余时间平均分为n份,n为线路区间数量,每一次分配的冗余时间为ΔT,
步骤5.4:将一份冗余时间ΔT分配到全线所有区间,利用人工神经网络模型计算该时间对应的列车运行速度曲线,然后将列车运行速度曲线输入到列车牵引能耗计算模型中,计算区间列车牵引电耗和节能效果ΔE;
步骤5.5:比较冗余时间分配前后各区间的节能效果ΔE,将冗余时间ΔT分配至节能效果ΔE最大的区间,并更新该区间的运行时间为Ti=Ti+ΔT;
步骤5.6:如果第i个区间的运行时间达到最长运行时间Tmax(i),则不再向该区间分配冗余时间;
步骤5.7:如果冗余时间已全部分配完成,即则算法结束;否则,跳转至步骤5.4。
步骤6:将步骤5中得到的冗余时间分配结果输入到ATS系统,编制新的列车运行图,具体如下:
将步骤5中得到的冗余时间分配结果输入到ATS系统,计算各区间的计划运行时间,然后在列车时刻表编辑工作站上进行列车时刻表编辑,并下载到中心服务器和本地服务器,运营开始前自动装载列车时刻表。
实施例1
本发明的实施例为南京地铁三号线采用本方法设计的列车运行图。
结合图4,为仿真平台输出的南京地铁三号线的列车运行图。能源管理系统表计数据显示,线网牵引电耗降低了3.74%,达到了良好的节能效果,并且方法简单,易于推广实施到全国地铁系统,达到综合节能降耗、运营智能优化管理的目标。
Claims (7)
1.一种基于运行等级的城市轨道交通列车运行图构建方法,其特征在于,包括以下步骤:
步骤1:对列车运行过程进行受力分析,建立列车牵引能耗计算模型;
步骤2:根据列车运行影响因素,建立人工神经网络模型;
步骤3:根据折返作业时间的压缩程度,将全线运行时间划分为不同的运行等级;
步骤4:计算各运行等级的区间最短运行时间,得到各运行等级下全线冗余时间;
步骤5:基于步骤1的列车牵引能耗计算模型和步骤2的人工神经网络模型,进行各运行等级下冗余时间的分配;
步骤6:将步骤5中得到的冗余时间分配结果输入到ATS系统,编制新的列车运行图。
2.根据权利要求1所述的基于运行等级的城市轨道交通列车运行图构建方法,其特征在于,步骤1所述的对列车运行过程进行受力分析,建立列车牵引能耗计算模型,具体如下:
步骤1.1:根据列车质量m和当前加速度a,计算列车当前所受合力F合:
F合=m×a
步骤1.2:根据列车当前速度和当前线路条件,计算列车运行阻力F阻:
F阻=Fv+Fp+Fw
其中,Fv为列车基本阻力,Fp为列车坡道阻力,Fw为列车弯道阻力;
步骤1.3:根据当前电机牵引力和列车速度,计算轮周功率Pjc:
Pjc=(F合+F阻)×v
步骤1.4:根据轮周功率计算电机牵引功率Pmotor:
其中,Egear为齿轮箱效率,Emotor为电机效率,Ause为使用动轴数,dcnum为动车数量,Aunuse为损失动轴数;
步骤1.5:根据电机牵引功率计算列车牵引能耗Eused:
其中,deltaT为仿真步长。
3.根据权利要求1所述的基于运行等级的城市轨道交通列车运行图构建方法,其特征在于,步骤2所述的根据列车运行影响因素,建立人工神经网络模型,具体如下:
列车运行影响因素包括区间长度、区段限速、坡道条件、弯道条件和区间运行时间;人工神经网络模型输入层节点数为5,对应列车运行影响因素,隐含层为双层结构,每层节点数为10,输出层节点数为1,对应列车速度参数。
4.根据权利要求1所述的基于运行等级的城市轨道交通列车运行图构建方法,其特征在于,步骤3所述的根据折返作业时间的压缩程度,将全线运行时间划分为不同的运行等级,具体如下:
列车运行时刻表编制时设置有折返作业时间裕量,根据列车运行时刻表的折返作业时间裕量,将全线运行时间划分为不同的运行等级。
5.根据权利要求1所述的基于运行等级的城市轨道交通列车运行图构建方法,其特征在于,步骤4所述的计算各运行等级的区间最短运行时间,得到各运行等级下全线冗余时间,具体如下:
各运行等级的区间最短运行时间,是列车ATO以最大牵引-巡航-最大制动模式运行时,各运行等级的区间的运行时间。
6.根据权利要求1所述的基于运行等级的城市轨道交通列车运行图构建方法,其特征在于,步骤5所述的基于步骤1的列车牵引能耗计算模型和步骤2的人工神经网络模型,进行各运行等级下冗余时间的分配,具体如下:
步骤5.1:确定各运行等级下的全线运行时间T和冗余时间Tr,初始化各运行等级的区间最短运行时间Tmin(j)和最长运行时间Tmax(j);
步骤5.2:计算各区间最短运行时间Tmin(j)下的列车牵引电耗;
步骤5.3:将冗余时间平均分为n份,n为线路区间数量,每一次分配的冗余时间为ΔT,
步骤5.4:将一份冗余时间ΔT分配到全线所有区间,利用人工神经网络模型计算该时间对应的列车运行速度曲线,然后将列车运行速度曲线输入到列车牵引能耗计算模型中,计算区间列车牵引电耗和节能效果ΔE;
步骤5.5:比较冗余时间分配前后各区间的节能效果ΔE,将冗余时间ΔT分配至节能效果ΔE最大的区间,并更新该区间的运行时间为Ti=Ti+ΔT;
步骤5.6:如果第i个区间的运行时间达到最长运行时间Tmax(i),则不再向该区间分配冗余时间;
步骤5.7:如果冗余时间已全部分配完成,即则算法结束;否则,跳转至步骤5.4。
7.根据权利要求1所述的基于运行等级的城市轨道交通列车运行图构建方法,其特征在于,步骤6所述的将步骤5中得到的冗余时间分配结果输入到ATS系统,编制新的列车运行图,具体如下:
将步骤5中得到的冗余时间分配结果输入到ATS系统,计算各区间的计划运行时间,然后在列车时刻表编辑工作站上进行列车时刻表编辑,并下载到中心服务器和本地服务器,运营开始前自动装载列车时刻表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910188758.5A CN109992843B (zh) | 2019-03-13 | 2019-03-13 | 一种基于运行等级的城市轨道交通列车运行图构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910188758.5A CN109992843B (zh) | 2019-03-13 | 2019-03-13 | 一种基于运行等级的城市轨道交通列车运行图构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109992843A true CN109992843A (zh) | 2019-07-09 |
CN109992843B CN109992843B (zh) | 2022-09-13 |
Family
ID=67130561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910188758.5A Active CN109992843B (zh) | 2019-03-13 | 2019-03-13 | 一种基于运行等级的城市轨道交通列车运行图构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109992843B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883322A (zh) * | 2021-03-10 | 2021-06-01 | 资阳中车电力机车有限公司 | 一种齿轨列车粘着与齿轨动力分配计算方法 |
CN112906299A (zh) * | 2021-02-05 | 2021-06-04 | 北京交通大学 | 城轨供电系统的数字孪生仿真的数据计算方法、系统 |
CN113971472A (zh) * | 2020-07-23 | 2022-01-25 | 南京理工大学 | 一种基于动态规划和时间分配的列车运行节能方法 |
CN113987930A (zh) * | 2021-10-25 | 2022-01-28 | 南京理工大学 | 一种城轨再生制动能量逆变回馈系统的优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110276527A1 (en) * | 2010-12-15 | 2011-11-10 | Scientific Conservation, Inc. | Balance point determination |
CN107704950A (zh) * | 2017-09-14 | 2018-02-16 | 北京交通大学 | 一种基于出行需求与系统节能的城轨列车运行图优化方法 |
-
2019
- 2019-03-13 CN CN201910188758.5A patent/CN109992843B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110276527A1 (en) * | 2010-12-15 | 2011-11-10 | Scientific Conservation, Inc. | Balance point determination |
CN107704950A (zh) * | 2017-09-14 | 2018-02-16 | 北京交通大学 | 一种基于出行需求与系统节能的城轨列车运行图优化方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113971472A (zh) * | 2020-07-23 | 2022-01-25 | 南京理工大学 | 一种基于动态规划和时间分配的列车运行节能方法 |
CN112906299A (zh) * | 2021-02-05 | 2021-06-04 | 北京交通大学 | 城轨供电系统的数字孪生仿真的数据计算方法、系统 |
CN112906299B (zh) * | 2021-02-05 | 2023-10-13 | 北京交通大学 | 城轨供电系统的数字孪生仿真的数据计算方法、系统 |
CN112883322A (zh) * | 2021-03-10 | 2021-06-01 | 资阳中车电力机车有限公司 | 一种齿轨列车粘着与齿轨动力分配计算方法 |
CN112883322B (zh) * | 2021-03-10 | 2022-09-27 | 资阳中车电力机车有限公司 | 一种齿轨列车粘着与齿轨动力分配计算方法 |
CN113987930A (zh) * | 2021-10-25 | 2022-01-28 | 南京理工大学 | 一种城轨再生制动能量逆变回馈系统的优化方法 |
CN113987930B (zh) * | 2021-10-25 | 2022-05-17 | 南京理工大学 | 一种城轨再生制动能量逆变回馈系统的优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109992843B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109992843A (zh) | 一种基于运行等级的城市轨道交通列车运行图构建方法 | |
CN108437806B (zh) | 城市轨道交通再生制动能量回收装置的配置系统及方法 | |
Wang et al. | Electric train energy consumption modeling | |
CN106055852B (zh) | 一种地铁列车运行与牵引供电系统耦合仿真建模方法 | |
CN105460048B (zh) | 城轨交通优化操纵与行车调度综合节能控制方法及装置 | |
CN105930937B (zh) | 一种考虑地铁快慢线的列车运行调度一体化优化方法 | |
CN106774131A (zh) | 一种城市轨道交通能耗测量控制系统及评价方法 | |
CN105835912A (zh) | 城市轨道交通运行仿真系统及方法 | |
CN107067110A (zh) | 车‑路‑网模式下电动汽车充电负荷时空预测方法 | |
CN109615135A (zh) | 一种基于动态规划算法的列车运行优化方法 | |
CN107704950A (zh) | 一种基于出行需求与系统节能的城轨列车运行图优化方法 | |
CN103021221A (zh) | 地铁列车虚拟司机驾驶行为仿真系统及仿真方法 | |
CN102360401A (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 | |
CN104015732B (zh) | 一种破解城市交通拥堵世界难题的轿车高铁快运系统 | |
CN104401370A (zh) | 多列车协同控制的节能优化方法 | |
CN104866925A (zh) | 一种基于ats调整功能的列车时刻表优化方法 | |
CN109760721A (zh) | 一种列车区间运行实时调整系统及方法 | |
CN105427605A (zh) | 一种考虑交通方式转移的公交专用道设置效益计算方法 | |
US9561811B2 (en) | Railroad control system having onboard management | |
CN114047765B (zh) | 一种面向虚拟编组的多列车自适应巡航控制方法和系统 | |
CN109109913B (zh) | 一种用于轨道交通系统能效行车组织的信息处理方法 | |
CN208452831U (zh) | 模拟城市轨道交通车辆的动模仿真装置和系统 | |
CN105459851B (zh) | 一种提高电力机车电效率的控制方法 | |
CN107832865A (zh) | 一种基于置地式储能装置的地铁列车运行节能计算方法 | |
CN106056909A (zh) | 一种中小城市快速公交阈值确定方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |