CN110533242B - 列车互联互通跨线运行下的节能优化方法 - Google Patents

列车互联互通跨线运行下的节能优化方法 Download PDF

Info

Publication number
CN110533242B
CN110533242B CN201910792076.5A CN201910792076A CN110533242B CN 110533242 B CN110533242 B CN 110533242B CN 201910792076 A CN201910792076 A CN 201910792076A CN 110533242 B CN110533242 B CN 110533242B
Authority
CN
China
Prior art keywords
train
line
energy
time
local
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
CN201910792076.5A
Other languages
English (en)
Other versions
CN110533242A (zh
Inventor
黄友能
胡荷蕾
董姣
俞花珍
王悉
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201910792076.5A priority Critical patent/CN110533242B/zh
Publication of CN110533242A publication Critical patent/CN110533242A/zh
Application granted granted Critical
Publication of CN110533242B publication Critical patent/CN110533242B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/20—Trackside control of safe travel of vehicle or train, e.g. braking curve calculation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/40—Handling position reports or trackside vehicle data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Mechanical Engineering (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明提供了一种列车互联互通跨线运行下的节能优化方法。该方法包括：根据本线列车与跨线列车的牵引特性曲线分别得到本线列车与跨线列车的牵引过程，建立本线列车与跨线列车在不同牵引过程下的驾驶策略节能优化模型；利用遗传算法求解驾驶策略节能优化模型得到最节能驾驶策略，基于最节能驾驶策略获取本线列车和跨线列车的运行时间与运行能耗之间的关系，建立轨道列车互联互通线路时刻表的节能优化模型；采用粒子群算法求解轨道列车互联互通线路时刻表的节能优化模型，得到使列车总运行能耗最小的节能优化方案。本发明能够在安全高效完成跨线运行的前提下，协调本线线路与跨线线路相互制约的关系，提高再生制动能量的利用率，达到节能目的。

Description

列车互联互通跨线运行下的节能优化方法
技术领域
本发明涉及城市轨道交通节能优化技术领域，尤其涉及一种列车互联互通跨线运行下的节能优化方法。
背景技术
随着我国越来越多城市的轨道交通线路迈入网络化运营，不同线路列车跨线运行已成为网络化运营的一个主要特征，为此，2018年中国城市轨道交通协会技术装备专业委员会发布了《城市轨道交通基于通信的列车运行控制系统(CBTC)互联互通系统规范》，同时，在重庆地铁，由中国城市轨道交通协会牵头，开展了重庆互联互通国家示范工程项目，目前已进入到试运行阶段。
城市轨道交通迅速发展的同时，耗能大这一问题日益突出。在目前城市轨道交通节能优化的方法中，主要针对的是既有单线运行线路，不需要考虑不同线路给节能优化带来的影响；而面向互联互通的城市轨道列车可以在不同厂商设备的线路或网络中安全运行，实现不同线路之间的跨线运行，这对互联互通跨线运行下的节能优化方法提出了更高的要求。为了降低跨线运行下列车的总运行能耗，需要有效的节能方法对列车的运行策略及线路时刻表进行优化。
目前，现有技术中在单线运行线路下通常从以下两方面对城市轨道列车进行节能优化：
1、优化列车的节能驾驶策略，考虑了运行时间、线路坡度、线路限速以及工况转换约束对列车驾驶策略的影响，以列车在站间运行能耗最小为优化目标，建立列车的节能驾驶策略优化模型。
2、优化单线线路的节能时刻表，考虑了再生制动能量的利用以及本线路运行需求的约束对时刻表的影响，以列车在多站间运行的总能耗最小为优化目标，建立线路的时刻表节能优化模型。
上述现有技术中的在单线运行线路下对城市轨道列车进行节能优化的方法的缺点为：该方法不适用于互联互通跨线运行下城市轨道列车的节能优化，主要因为下面的三点原因：
1、只考虑了本线路内相同性能列车，以及相同线路参数对节能优化的影响；而没有考虑本线线路与跨线线路中不同性能列车及不同线路参数对驾驶策略优化的影响。
2、只考虑了本线线路内再生制动能量的利用情况，而没有考虑本线线路与跨线线路之间再生制动能量不能相互利用的情况。
3、只协调了本线列车的时刻表，而没有考虑本线线路与跨线线路之间相互影响、相互制约的约束关系对各线路时刻表优化带来的影响。
发明内容
本发明提供了一种列车互联互通跨线运行下的节能优化方法，以克服现有技术的缺点。
为了实现上述目的，本发明采取了如下技术方案。
一种列车互联互通跨线运行下的节能优化方法，包括：
根据本线列车与跨线列车的牵引特性曲线分别得到本线列车与跨线列车的牵引过程，建立本线列车与跨线列车在不同牵引过程下的驾驶策略节能优化模型；
利用遗传算法求解所述本线列车与跨线列车在不同牵引过程下的驾驶策略节能优化模型得到最节能驾驶策略，基于所述最节能驾驶策略获取本线列车和跨线列车的运行时间与运行能耗之间的关系；
基于所述本线列车和跨线列车的运行时间与运行能耗之间的关系，建立轨道列车互联互通线路时刻表的节能优化模型；
采用粒子群算法求解所述轨道列车互联互通线路时刻表的节能优化模型，得到使列车总运行能耗最小的节能优化方案。
优选地，所述的根据本线列车与跨线列车的牵引特性曲线分别得到本线列车与跨线列车的牵引过程，包括：
根据本线线路与跨线线路不同厂家提供的牵引特性曲线，获取列车在最大牵引力以及运行阻力的变化情况；由此得到列车在平直轨道上只受基本阻力和最大牵引力作用下的牵引过程；
获取本线线路与跨线线路对应的设定分段速度范围内的最大加速度值，将所述最大加速度值变换为速度-最大牵引加速度曲线上已知的离散点；
当列车的运行速度vx处于(v1，v2)速度范围之间，设所述速度-最大牵引加速度曲线上速度v1对应加速度值a1，速度v2对应加速度值a2，则列车牵引计算中所述列车的运行速度vx对应的最大牵引加速度ax为：
Figure BDA0002179816320000031
根据本线列车与跨线列车的的基本阻力、列车的速度与最大牵引加速度之间的对应关系，分别获得本线列车与跨线列车在平直轨道上只受基本阻力和最大牵引力作用下的牵引过程。
优选地，所述的建立本线列车与跨线列车在不同牵引过程下的驾驶策略节能优化模型，包括：
将列车运行线路根据坡度及限速信息进行等距离散化，每个区段只允许存在一种工况，将列车的每个区段中的工况组成一组工况序列C＝{C1，C2，C3，...，CN}；以由工况序列C决定的列车运行能耗EO＝{EO1，EO2，EO3，...，EON}最小为优化目标，考虑到运行时间约束、到站速度约束和线路限速约束，以及本线列车与跨线列车在各速度区段具有不同牵引加速度的约束条件，建立的本线列车与跨线列车在不同牵引过程下的驾驶策略节能优化模型如下：
目标函数为：
min obj＝EO(C)
约束条件为：
Figure BDA0002179816320000041
其中，TO(C)表示工况序列C对应的运行时间，TP表示计划运行时间，Vlimit表示线路限速，ax表示各速度阶段的加速度值，ai1表示本线列车在该速度阶段的最大加速度值，ai2表示跨线列车在该速度阶段的最大加速度值。
优选地，所述的方法还包括：
列车运行能耗是各区段能耗的总和，由区段的运行工况决定，运行工况包括牵引工况、惰性工况和制动工况，本线列车和跨线列车运行工况的能耗计算如下：
牵引工况：
Figure BDA0002179816320000042
惰行工况：
Figure BDA0002179816320000051
制动工况：
Figure BDA0002179816320000052
其中，far表示本线列车或者跨线列车的基本阻力，fp表示坡度阻力，M表示列车的质量，vi-1为该区段的入口速度，vi为该区段的出口速度，Ti为列车在该区段的运行时间。
优选地，所述的利用遗传算法求解所述本线列车与跨线列车在不同牵引过程下的驾驶策略节能优化模型得到最节能驾驶策略，包括：
步骤S41：导入列车的线路坡度信息、限速信息以及站台位置信息；设置遗传算法的种群大小、种群个数、最大遗传代数、交叉率、变异率和代沟参数；输入列车质量以及计划运行时间；
步骤S42：将离散化线路得到的一组工况序列看作一个染色体，各个区段的工况看作染色体上各个位置的基因；
步骤S43：随机生成一组数字用于初始化工况序列；
步骤S44：根据上述能耗计算方法得到该工况序列对应的目标函数值；
步骤S45：目标函数值满足所述驾驶策略节能优化模型的约束条件且能耗小的个体有较大的概率，经过选择、交叉、变异生成下一代子种群；
步骤S46：判断是否达到最大遗传代数；
步骤S47：保留目标函数值最小的工况序列，将目标函数值最小的工况序列转换为列车的最节能驾驶策略。
优选地，所述的基于所述最节能驾驶策略获取本线列车和跨线列车的运行时间与运行能耗之间的关系，包括：
根据列车的停站时间的可调整范围得到运行时间的可调范围，在该可调范围内求解各步长下运行时间对应的最节能驾驶策略；首先得到同站间本线列车和跨线列车的运行时间与运行能耗的关系；其次在不同站间根据时间步长调整运行时间，分别得到本线列车和跨线列车在不同站间运行时间与运行能耗的关系。
优选地，所述的基于所述本线列车和跨线列车的运行时间与运行能耗之间的关系，建立轨道列车互联互通线路时刻表的节能优化模型，包括：
设A线列车TrainAi经过n个站间的总计划运营时间为TtotalA，B线列车TrainBi经过n个站间的总计划运营时间为TtotalB，跨线列车TrainAB经过n个站间的总计划运营时间为TtotalAB，A线列车对应的运行时间为TAi，停站时间为DAi，运行能耗为EAi；B线列车对应的运行时间为TBi，停站时间为DBi，运行能耗为EBi；跨线列车对应的运行时间为TABi，停站时间为DABi，运行能耗为EABi，它们之间关系如下所示：
Figure BDA0002179816320000061
定义线路中运行列车的加速时间序列为Tacc＝{Tacc1，Tacc2，Tacc3，...}，制动时间序列为Tbra＝{Tbra1，Tbra2，Tbra3，...}，以及发车时间序列为Tdep＝{Tdep1，Tdep2，Tdep3，...}，加速时间序列与制动时间序列的重叠时间Toverlap决定了再生制动能量Er的利用情况，它们与运行时间的关系如下所示：
Figure BDA0002179816320000071
其中，B为列车制动力，f为列车运行阻力，
Figure BDA0002179816320000072
为再生制动能量传递损耗系数；
以A、B线列车及跨线列车总运行能耗最小为优化目标，考虑A线列车发车间隔TdepA不大于A线运行高峰时发车间隔TAmin的约束；A线列车发车间隔不小于A线站台区段追踪间隔TstaA的约束；B线列车发车间隔TdepB不大于B线运行高峰时发车间隔TBmin的约束；B线列车发车间隔不小于B线站台区段追踪间隔TstaB的约束；跨线列车与A线列车出清道岔的间隔TtraAB不小于跨线的安全间隔Tsafe的约束；A线列车的停站时间需在停站时间的调整范围内的约束；B线列车的停站时间需在停站时间的调整范围内的约束；建立列车的互联互通线路时刻表的节能优化模型如下：
目标函数为：
Figure BDA0002179816320000073
约束条件为：
Figure BDA0002179816320000074
优选地，所述的采用粒子群算法求解所述轨道列车互联互通线路时刻表的节能优化模型，得到使列车总运行能耗最小的节能优化方案，包括：
步骤S61：设置粒子群算法的参数，该参数包括粒子数目、最大迭代次数、加速度因子、惯性因子和约束因子；输入A、B线列车以及跨线列车的总计划运营时间；
步骤S62：粒子的位置信息由发车时刻序列、A线列车运行时间、B线列车运行时间以及跨线列车运行时间组成，在满足所述轨道列车互联互通线路时刻表的节能优化模型中的约束条件的前提下，初始化粒子的位置和速度信息；
步骤S63：根据所述列车的互联互通线路时刻表的节能优化模型中的目标函数以及约束条件，计算粒子的适应度值；
步骤S64：比较粒子的适应度值，更新个体最优位置和种群最优位置；
步骤S65：判断是否达到最大迭代次数，如果是，执行步骤S67；否则，执行步骤S66；
步骤S66：没有达到迭代次数，继续对粒子的位置和速度进行更新；
步骤S67：已达到输出群体极值，输出使列车总运行能耗最小的节能优化方案。
由上述本发明的实施例提供的技术方案可以看出，本发明提供的列车互联互通跨线运行下的节能优化方法不需要改造硬件设备，且能够有效降低牵引能耗，从而降低城市轨道交通的运营成本。能够在安全高效完成跨线运行的前提下，协调本线线路与跨线线路相互制约的关系，提高再生制动能量的利用率，达到节能目的。
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是本发明实施例提供的一种列车互联互通跨线运行过程示意图；
图2是本发明实施例提供的一种城市轨道互联互通跨线运行下的节能方法流程图；
图3是本发明实施例提供的一种本线列车与跨线列车牵引过程；
图4是本发明实施例提供的一种采用遗传算法求解上述本线列车与跨线列车在不同牵引过程下的驾驶策略节能优化模型的流程图；
图5是本发明实施例提供的一种本发明的跨线列车与本线列车追踪示意图；
图6是本发明实施例提供的一种本发明采用粒子群算法优化互联互通线路时刻表的流程图。
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。
本发明对跨线过程作以下描述：
本线线路运行着前行列车与后行列车，跨线线路运行着前行列车、跨线列车与后行列车，跨线列车通过过轨道岔插入本线前行列车与后行列车中，完成跨线后，本线线路运行着前行列车、跨线列车与后行列车，跨线线路只运行着前行列车与后行列车。如图1是本发明实施例提供的一种列车互联互通跨线运行过程示意图。
(a)VOBC1(本线线路前行列车)、VOBC3(本线线路后行列车)属于线路A；
(b)VOBC2(跨线线路前行列车)、VOBC4(跨线列车)、VOBC6(跨线线路后行列车)属于线路B；
(c)VOBC2、VOBC4、VOBC6从B线站1出发运行在线路B；
(d)VOBC1、VOBC3从A线站1出发运行在线路A；
(e)VOBC2和VOBC6在到达跨线站后继续在B线运行至B线站2；
(f)VOBC4到达跨线站后，通过跨线道岔运行至A线站2。
本发明基于上述互联互通跨线运行过程提供了一种节能优化方法，如图2是本发明实施例提供的一种城市轨道互联互通跨线运行下的节能方法的处理流程图，具体实施步骤如下。
步骤S21，根据本线列车与跨线列车的牵引特性曲线分别确定本线列车与跨线列车的牵引过程。
本线线路与跨线线路提供了以10km/h分段速度范围内的最大加速度值，将上述最大加速度值变换为速度-最大牵引加速度曲线上已知的离散点；在此基础上，对离散点进行分段线性处理，得出列车牵引计算中的各个速度对应具体的最大牵引加速度。
当列车的运行速度vx处于(v1，v2)速度范围之间，设所述速度-最大牵引加速度曲线上速度v1对应加速度值a1，速度v2对应加速度值a2。用线性插值的方法计算出该速度vx对应的最大牵引加速度，此时的最大牵引加速度ax为：
Figure BDA0002179816320000111
其中，(v1，a1)和(v2，a2)是分段速度范围内的速度-最大牵引加速度曲线上已知的两点，(vx，ax)位于两点之间。
结合基本阻力与速度关系，分别获得列车在平直轨道上只受基本阻力和最大牵引力作用下的牵引过程。图3是本发明实施例提供的一种本线列车与跨线列车牵引过程示意图。
步骤S22，建立本线列车与跨线列车在不同牵引过程下的驾驶策略节能优化模型。
将列车运行线路根据坡度及限速信息进行等距离散化，每个区段只允许存在一种工况并由其组成一组工况序列；以列车运行能耗最小为优化目标，考虑到本线列车与跨线列车在各速度区段具有不同牵引加速度等约束条件，建立列车驾驶策略的节能优化模型。具体实施过程为：
将列车运行线路根据坡度及限速信息进行等距离散化L＝{L1，L2，L3，...，LN}，每个区段只允许存在一种工况并由其组成一组工况序列C＝{C1，C2，C3，...，CN}；以由工况序列决定的列车运行能耗EO＝{EO1，EO2，EO3，...，EON}最小为优化目标，考虑到运行时间约束、到站速度约束、线路限速约束，以及本线列车与跨线列车在各速度区段具有不同牵引加速度的约束条件，建立列车驾驶策略的节能优化模型。
目标函数为：
min obj＝Eo(C)
约束条件为：
Figure BDA0002179816320000121
其中，TO(C)表示该工况序列对应的运行时间，TP表示计划运行时间，Vlimit表示线路限速，ax表示各速度阶段的加速度值，ai1表示本线列车在该速度阶段的最大加速度值，ai2表示跨线列车在该速度阶段的最大加速度值。
列车运行能耗是各区段能耗的总和，由区段的运行工况决定，运行工况包括牵引工况、惰性工况和制动工况，本线列车和跨线列车运行工况的能耗计算如下所示。
牵引工况：
Figure BDA0002179816320000122
惰行工况：
Figure BDA0002179816320000131
制动工况：
Figure BDA0002179816320000132
其中，far表示本线列车或者跨线列车的基本阻力，fp表示坡度阻力，M表示列车的质量，vi-1为该区段的入口速度，vi为该区段的出口速度，Ti为列车在该区段的运行时间。
步骤S23，利用遗传算法求解所述本线列车与跨线列车在不同牵引过程下的驾驶策略节能优化模型得到最节能驾驶策略。
将离散化线路得到的一组工况序列看作一个染色体，各个区段的工况看作染色体上各个位置的基因。随机生成一组数字用于初始化工况序列，根据该工况序列计算列车运行能耗，得到优化模型中的目标函数值。采用遗传算法迭代计算保留最优个体，最后转换为列车的节能驾驶策略。
图4是本发明实施例提供的一种采用遗传算法求解上述本线列车与跨线列车在不同牵引过程下的驾驶策略节能优化模型的流程图，包括如下的处理过程：
步骤S41：导入线路坡度信息、限速信息以及站台位置信息；设置遗传算法的种群大小、种群个数、最大遗传代数、交叉率、变异率和代沟参数；输入列车质量以及计划运行时间。
步骤S42：将离散化线路得到的一组工况序列看作一个染色体，各个区段的工况看作染色体上各个位置的基因。
步骤S43：随机生成一组数字用于初始化工况序列；
步骤S44：根据上述能耗计算方法得到该工况序列对应的目标函数值。
步骤S45：目标函数值较小即满足约束条件且能耗小的个体有较大的概率经过选择、交叉、变异生成下一代子种群。
步骤S46：判断是否达到最大遗传代数；
步骤S47：保留目标函数值最小的工况序列，将其转换为列车的最节能驾驶策略。
步骤S24，基于所述最节能驾驶策略获取本线列车和跨线列车的运行时间与运行能耗之间的关系。
根据列车的停站时间的可调整范围得到运行时间的可调范围，在该可调范围内求解各步长下运行时间对应的最节能驾驶策略；首先得到同站间本线列车和跨线列车的运行时间与运行能耗的关系；其次在不同站间根据时间步长调整运行时间，分别得到本线列车和跨线列车在不同站间运行时间与运行能耗的关系。
步骤S25，基于所述本线列车和跨线列车的运行时间与运行能耗之间的关系，建立轨道列车互联互通线路时刻表的节能优化模型。
在获取列车运行能耗与运行时间关系的基础上，以跨线列车和本线列车总运行能耗最小作为优化目标；综合考虑跨线列车的驶入计划与本线线路列车的运行计划相互影响、相互制约的关系，以及跨线列车与本线列车之间再生制动能量的利用，建立互联互通线路的时刻表优化模型。具体实施过程如下：
设A线列车TrainAi经过n个站间的总计划运营时间为TtotalA，B线列车TrainBi经过n个站间的总计划运营时间为TtotalB，跨线列车TrainAB经过n个站间的总计划运营时间为TtotalAB。A线列车对应的运行时间为TAi，停站时间为DAi，运行能耗为EAi；B线列车对应的运行时间为TBi，停站时间为DBi，运行能耗为EBi；跨线列车对应的运行时间为TABi，停站时间为DABi，运行能耗为EABi。它们之间关系如下所示：
Figure BDA0002179816320000151
定义线路中运行列车的加速时间序列为Tacc＝{Tacc1，Tacc2，Tacc3，...}，制动时间序列为Tbra＝{Tbra1，Tbra2，Tbra3，...}，以及发车时间序列为Tdep＝{Tdep1，Tdep2，Tdep3，...}。加速时间序列与制动时间序列的重叠时间Toverlap决定了再生制动能量Er的利用情况。它们与运行时间的关系如下所示：
Figure BDA0002179816320000152
其中，B为列车制动力，f为列车运行阻力，
Figure BDA0002179816320000153
为再生制动能量传递损耗系数，与两车间的距离有关。
以A、B线列车及跨线列车总运行能耗最小为优化目标，考虑A线列车发车间隔TdepA不大于A线运行高峰时发车间隔TAmin的约束；A线列车发车间隔不小于A线站台区段追踪间隔TstaA的约束；B线列车发车间隔TdepB不大于B线运行高峰时发车间隔TBmin的约束；B线列车发车间隔不小于B线站台区段追踪间隔TstaB的约束；跨线列车与A线列车出清道岔的间隔TtraAB不小于跨线的安全间隔Tsafe的约束；A线列车的停站时间需在停站时间的调整范围内的约束；B线列车的停站时间需在停站时间的调整范围内的约束；建立列车的互联互通线路时刻表的节能优化模型。
目标函数为：
Figure BDA0002179816320000161
约束条件为：
Figure BDA0002179816320000162
优选地，图5是本发明的跨线列车与本线列车追踪示意图，Tsafe是跨线列车应在道岔出清时与本线列车保证的安全追踪间隔，计算过程如下所示：
Tsafe＝Topra+Tsig+Tt
其中，Topra为列车从跨线站出发到车尾出清过轨道岔的运行时间；Tsig为信号系统反应处理时间；Tt为过轨道岔转换时间。
步骤6，采用粒子群算法求解所述轨道列车互联互通线路时刻表的节能优化模型，得到使列车总运行能耗最小的节能优化方案。
粒子的位置信息由发车时刻序列及列车运行时间组成。初始化粒子的位置和速度信息，并根据随机生成的粒子位置计算粒子的目标函数值。采用粒子群算法迭代计算保留最优个体，最终输出时刻表节能优化方案。
图6是本发明实施例提供的一种采用粒子群算法优化互联互通线路时刻表的流程图，具体实施过程如下：
步骤S61：设置算法参数包括粒子数目、最大迭代次数、加速度因子、惯性因子和约束因子；输入A、B线列车以及跨线列车的总计划运营时间。
步骤S62：粒子的位置信息由发车时刻序列、A线列车运行时间、B线列车运行时间以及跨线列车运行时间组成，在满足所述轨道列车互联互通线路时刻表的节能优化模型中发车间隔约束条件的前提下，初始化粒子的位置和速度信息。
步骤S63：根据所述列车的互联互通线路时刻表的节能优化模型中的目标函数以及约束条件，利用随机生成的粒子位置计算粒子的适应度值。当粒子位置不能满足约束条件时，增大粒子的适应度值，使其在迭代过程中被淘汰。
步骤S64：比较粒子的适应度值更新个体最优位置和种群最优位置。
步骤S65：判断是否达到最大迭代次数，如果是，执行步骤S67；否则，执行步骤S66；
步骤S66：没有达到迭代次数，继续对粒子的位置和速度进行更新；
步骤S67：已达到输出群体极值，确定时刻表最节能优化方案，输出使列车总运行能耗最小的节能优化方案。
综上所述，本发明提供的列车互联互通跨线运行下的节能优化方法不需要改造硬件设备，且能够有效降低牵引能耗，从而降低城市轨道交通的运营成本。能够在安全高效完成跨线运行的前提下，协调本线线路与跨线线路相互制约的关系，提高再生制动能量的利用率，达到节能目的。
本发明的方法建立了本线列车与跨线列车在不同牵引过程下的节能优化模型，以及互联互通跨线线路时刻表优化模型；分别采用了遗传算法以及粒子群算法求解得到了节能优化结果。
本发明的方法能够保证在安全高效完成跨线过程的前提下，提高再生制动能量的利用率，降低本线列车与跨线列车运行的总能耗。协调了本线线路与跨线线路之间相互影响、相互制约的关系，得到了使互联互通线路最节能的优化方案。
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。
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。
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 (7)

1.一种列车互联互通跨线运行下的节能优化方法，其特征在于，包括：
根据本线列车与跨线列车的牵引特性曲线分别得到本线列车与跨线列车的牵引过程，建立本线列车与跨线列车在不同牵引过程下的驾驶策略节能优化模型；
利用遗传算法求解所述本线列车与跨线列车在不同牵引过程下的驾驶策略节能优化模型得到最节能驾驶策略，基于所述最节能驾驶策略获取本线列车和跨线列车的运行时间与运行能耗之间的关系；
基于所述本线列车和跨线列车的运行时间与运行能耗之间的关系，建立轨道列车互联互通线路时刻表的节能优化模型；
采用粒子群算法求解所述轨道列车互联互通线路时刻表的节能优化模型，得到使列车总运行能耗最小的节能优化方案；
所述的基于所述本线列车和跨线列车的运行时间与运行能耗之间的关系，建立轨道列车互联互通线路时刻表的节能优化模型，包括：
设A线列车TrainAi经过n个站间的总计划运营时间为TtotalA，B线列车TrainBi经过n个站间的总计划运营时间为TtotalB，跨线列车TrainAB经过n个站间的总计划运营时间为TtotalAB，A线列车对应的运行时间为TAi，停站时间为DAi，运行能耗为EAi；B线列车对应的运行时间为TBi，停站时间为DBi，运行能耗为EBi；跨线列车对应的运行时间为TABi，停站时间为DABi，运行能耗为EABi，它们之间关系如下所示：
Figure FDA0003482859640000011
定义线路中运行列车的加速时间序列为Tacc＝{Tacc1，Tacc2，Tacc3，...}，制动时间序列为Tbra＝{Tbra1，Tbra2，Tbra3，...}，以及发车时间序列为Tdep＝{Tdep1，Tdep2，Tdep3，...}，加速时间序列与制动时间序列的重叠时间Toverlap决定了再生制动能量Er的利用情况，它们与运行时间的关系如下所示：
Figure FDA0003482859640000021
其中；B为列车制动力，f为列车运行阻力，
Figure FDA0003482859640000022
为再生制动能量传递损耗系数，M表示列车的质量；
以A、B线列车及跨线列车总运行能耗最小为优化目标，考虑A线列车发车间隔TdepA不大于A线运行高峰时发车间隔TAmin的约束；A线列车发车间隔不小于A线站台区段追踪间隔TstaA的约束；B线列车发车间隔TdepB不大于B线运行高峰时发车间隔TBmin的约束；B线列车发车间隔不小于B线站台区段追踪间隔TstaB的约束；跨线列车与A线列车出清道岔的间隔TtraAB不小于跨线的安全间隔Tsafe的约束；A线列车的停站时间需在停站时间的调整范围内的约束；B线列车的停站时间需在停站时间的调整范围内的约束；建立列车的互联互通线路时刻表的节能优化模型如下：
目标函数为：
Figure FDA0003482859640000023
约束条件为：
Figure FDA0003482859640000024
Figure FDA0003482859640000032
2.根据权利要求1所述的方法，其特征在于，所述的根据本线列车与跨线列车的牵引特性曲线分别得到本线列车与跨线列车的牵引过程，包括：
根据本线线路与跨线线路不同厂家提供的牵引特性曲线，获取列车在最大牵引力以及运行阻力的变化情况；由此得到列车在平直轨道上只受基本阻力和最大牵引力作用下的牵引过程；
获取本线线路与跨线线路对应的设定分段速度范围内的最大加速度值，将所述最大加速度值变换为速度-最大牵引加速度曲线上已知的离散点；
当列车的运行速度vx处于(v1，v2)速度范围之间，设所述速度-最大牵引加速度曲线上速度v1对应加速度值a1，速度v2对应加速度值a2，则列车牵引计算中所述列车的运行速度vx对应的最大牵引加速度ax为：
Figure FDA0003482859640000031
根据本线列车与跨线列车的基本阻力、列车的速度与最大牵引加速度之间的对应关系，分别获得本线列车与跨线列车在平直轨道上只受基本阻力和最大牵引力作用下的牵引过程。
3.根据权利要求2所述的方法，其特征在于，所述的建立本线列车与跨线列车在不同牵引过程下的驾驶策略节能优化模型，包括：
将列车运行线路根据坡度及限速信息进行等距离散化，每个区段只允许存在一种工况，将列车的每个区段中的工况组成一组工况序列C＝{C1，C2，C3，...，CN}；以由工况序列C决定的列车运行能耗EO＝{EO1，EO2，EO3，...，EON}最小为优化目标，考虑到运行时间约束、到站速度约束和线路限速约束，以及本线列车与跨线列车在各速度区段具有不同牵引加速度的约束条件，建立的本线列车与跨线列车在不同牵引过程下的驾驶策略节能优化模型如下：
目标函数为：
min obj＝EO(C)
约束条件为：
Figure FDA0003482859640000041
其中，TO(C)表示工况序列C对应的运行时间，TP表示计划运行时间，Vlimit表示线路限速，ax表示各速度阶段的加速度值，ai1表示本线列车在该速度阶段的最大加速度值，ai2表示跨线列车在该速度阶段的最大加速度值。
4.根据权利要求3所述的方法，其特征在于，所述的方法还包括：
列车运行能耗是各区段能耗的总和，由区段的运行工况决定，运行工况包括牵引工况、惰性工况和制动工况，本线列车和跨线列车运行工况的能耗计算如下：
牵引工况：
Figure FDA0003482859640000042
惰行工况：
Figure FDA0003482859640000043
制动工况：
Figure FDA0003482859640000051
其中，far表示本线列车或者跨线列车的基本阻力，fp表示坡度阻力，vi-1为该区段的入口速度，vi为该区段的出口速度，Ti为列车在该区段的运行时间。
5.根据权利要求4所述的方法，其特征在于，所述的利用遗传算法求解所述本线列车与跨线列车在不同牵引过程下的驾驶策略节能优化模型得到最节能驾驶策略，包括：
步骤S41：导入列车的线路坡度信息、限速信息以及站台位置信息；设置遗传算法的种群大小、种群个数、最大遗传代数、交叉率、变异率和代沟参数；输入列车质量以及计划运行时间；
步骤S42：将离散化线路得到的一组工况序列看作一个染色体，各个区段的工况看作染色体上各个位置的基因；
步骤S43：随机生成一组数字用于初始化工况序列；
步骤S44：根据上述能耗计算方法得到该工况序列对应的目标函数值；
步骤S45：目标函数值满足所述驾驶策略节能优化模型的约束条件，且能耗小的个体有较大的概率，经过选择、交叉、变异生成下一代子种群；
步骤S46：判断是否达到最大遗传代数；
步骤S47：保留目标函数值最小的工况序列，将目标函数值最小的工况序列转换为列车的最节能驾驶策略。
6.根据权利要求5所述的方法，其特征在于，所述的基于所述最节能驾驶策略获取本线列车和跨线列车的运行时间与运行能耗之间的关系，包括：
根据列车的停站时间的可调整范围得到运行时间的可调范围，在该可调范围内求解各步长下运行时间对应的最节能驾驶策略；首先得到同站间本线列车和跨线列车的运行时间与运行能耗的关系；其次在不同站间根据时间步长调整运行时间，分别得到本线列车和跨线列车在不同站间运行时间与运行能耗的关系。
7.根据权利要求1所述的方法，其特征在于，所述的采用粒子群算法求解所述轨道列车互联互通线路时刻表的节能优化模型，得到使列车总运行能耗最小的节能优化方案，包括：
步骤S61：设置粒子群算法的参数，该参数包括粒子数目、最大迭代次数、加速度因子、惯性因子和约束因子；输入A、B线列车以及跨线列车的总计划运营时间；
步骤S62：粒子的位置信息由发车时刻序列、A线列车运行时间、B线列车运行时间以及跨线列车运行时间组成，在满足所述轨道列车互联互通线路时刻表的节能优化模型中的约束条件的前提下，初始化粒子的位置和速度信息；
步骤S63：根据所述列车的互联互通线路时刻表的节能优化模型中的目标函数以及约束条件，计算粒子的适应度值；
步骤S64：比较粒子的适应度值，更新个体最优位置和种群最优位置；
步骤S65：判断是否达到最大迭代次数，如果是，执行步骤S67；否则，执行步骤S66；
步骤S66：没有达到迭代次数，继续对粒子的位置和速度进行更新；
步骤S67：已达到输出群体极值，输出使列车总运行能耗最小的节能优化方案。
CN201910792076.5A 2019-08-26 2019-08-26 列车互联互通跨线运行下的节能优化方法 Active CN110533242B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910792076.5A CN110533242B (zh) 2019-08-26 2019-08-26 列车互联互通跨线运行下的节能优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910792076.5A CN110533242B (zh) 2019-08-26 2019-08-26 列车互联互通跨线运行下的节能优化方法

Publications (2)

Publication Number Publication Date
CN110533242A CN110533242A (zh) 2019-12-03
CN110533242B true CN110533242B (zh) 2022-03-18

Family

ID=68664283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910792076.5A Active CN110533242B (zh) 2019-08-26 2019-08-26 列车互联互通跨线运行下的节能优化方法

Country Status (1)

Country Link
CN (1) CN110533242B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325462A (zh) * 2020-02-18 2020-06-23 中国铁道科学研究院集团有限公司 动车组辅助驾驶方法及系统
CN111791923B (zh) * 2020-05-21 2021-06-29 北京交通大学 一种面向节能的单线铁路列车调度方法及系统
WO2022051922A1 (zh) * 2020-09-09 2022-03-17 中车株洲电力机车研究所有限公司 列车自动驾驶节能控制方法、相关设备及可读存储介质
CN113221317A (zh) * 2021-03-25 2021-08-06 中车株洲电力机车研究所有限公司 城轨列车全线节能运行曲线优化方法、系统、介质及设备
CN113135127A (zh) * 2021-05-28 2021-07-20 南昌智能新能源汽车研究院 一种汽车电动座椅姿态协同运动路径规划方法
CN113449436B (zh) * 2021-07-22 2022-03-25 中铁二院工程集团有限责任公司 一种复杂运营环境下机车牵引特性曲线获取方法
CN113734175B (zh) * 2021-07-30 2023-06-23 中汽研（天津）汽车工程研究院有限公司 一种变时条件下两交叉口间节能驾驶策略实时寻优方法
CN114379617A (zh) * 2022-02-23 2022-04-22 苏州知时节交通科技有限公司 一种列车节能控制方法
CN114559985A (zh) * 2022-03-21 2022-05-31 天津津航计算技术研究所 一种列车安全制动曲线模型的列车限速确定方法
CN116279695B (zh) * 2023-05-15 2023-08-01 卡斯柯信号(北京)有限公司 确定互联互通系统的安全性能方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101360641A (zh) * 2006-10-02 2009-02-04 通用电气公司 用于优化运行在多交叉铁路网上的多个轨道车辆的参数的系统和方法
CN106428118A (zh) * 2016-10-19 2017-02-22 北京交通大学 一种城市轨道交通中列车跨线运行的切换方法及系统
WO2018027304A1 (en) * 2016-08-12 2018-02-15 Hatch Ltd. System and method for optimizing a rail system
CN109977553A (zh) * 2019-03-28 2019-07-05 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101360641A (zh) * 2006-10-02 2009-02-04 通用电气公司 用于优化运行在多交叉铁路网上的多个轨道车辆的参数的系统和方法
WO2018027304A1 (en) * 2016-08-12 2018-02-15 Hatch Ltd. System and method for optimizing a rail system
CN106428118A (zh) * 2016-10-19 2017-02-22 北京交通大学 一种城市轨道交通中列车跨线运行的切换方法及系统
CN109977553A (zh) * 2019-03-28 2019-07-05 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"面向城轨互联互通的列车节能优化研究";胡荷蕾;《中国优秀硕博士学位论文全文数据库（硕士）工程科技辑》;20210315;全文 *
Huazhen Yu ; Youneng Huang ; Mingzhu Wang."Research on Operating Strategy Based on Particle Swarm Optimization for Heavy Haul Train on Long Down-Slope".《2018 21st International Conference on Intelligent Transportation Systems (ITSC)》.2018, *

Also Published As

Publication number Publication date
CN110533242A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110533242B (zh) 列车互联互通跨线运行下的节能优化方法
ShangGuan et al. Multiobjective optimization for train speed trajectory in CTCS high-speed railway with hybrid evolutionary algorithm
Zhou et al. Integrated optimization on train control and timetable to minimize net energy consumption of metro lines
Li et al. An energy-efficient scheduling and speed control approach for metro rail operations
Zhang et al. Energy consumption optimization of train operation for railway systems: Algorithm development and real-world case study
Kuppusamy et al. Deep learning based energy efficient optimal timetable rescheduling model for intelligent metro transportation systems
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
CN111516735A (zh) 虚拟重联小编组列车自动驾驶的控制系统及其控制方法
Xing et al. Energy consumption optimization of tramway operation based on improved PSO algorithm
CN112084636A (zh) 一种多列车协同控制方法和装置
Li et al. Dynamic trajectory optimization design for railway driver advisory system
CN106379378B (zh) 一种离线和在线结合调整驾驶曲线的方法和系统
CN110782079A (zh) 基于停站方案节能的高速铁路列车运行图的调整方法
CN109615135A (zh) 一种基于动态规划算法的列车运行优化方法
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
CN114834503A (zh) 基于弹性追踪模型的虚拟编组列车控制方法
CN114580290A (zh) 一种能耗和舒适度联合优化的高速列车组协同控制方法及系统
CN108985662A (zh) 一种基于并联式免疫粒子群算法的列车运行优化方法
CN106740998B (zh) 城市轨道交通cbtc系统车载ato节能操控方法
CN111523235A (zh) 一种快慢车组合条件下节能坡优化方法
CN112562363B (zh) 一种基于v2i的交叉口交通信号优化方法
CN111688760B (zh) 一种通过陡坡路段的列车快速节能优化方法及装置
Wang et al. Optimal trajectory planning for trains under a moving block signaling system
Allen et al. Application of regenerative braking with optimized speed profiles for sustainable train operation

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