CN112633598A - 城市轨道交通列车速度曲线与时刻表综合节能优化方法 - Google Patents

城市轨道交通列车速度曲线与时刻表综合节能优化方法 Download PDF

Info

Publication number
CN112633598A
CN112633598A CN202011630646.XA CN202011630646A CN112633598A CN 112633598 A CN112633598 A CN 112633598A CN 202011630646 A CN202011630646 A CN 202011630646A CN 112633598 A CN112633598 A CN 112633598A
Authority
CN
China
Prior art keywords
train
time
energy
station
particles
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.)
Withdrawn
Application number
CN202011630646.XA
Other languages
English (en)
Inventor
柏亚东
胡文斌
余轩
宫明利
曹鑫
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202011630646.XA priority Critical patent/CN112633598A/zh
Publication of CN112633598A publication Critical patent/CN112633598A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06N3/004—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明公开了一种城市轨道交通列车速度曲线与时刻表综合节能优化方法，该方法包括：基于列车运行过程受力分析，建立列车区间运行牵引能耗计算模型；以区间运行牵引能耗和区间运行时间为优化目标，建立基于Pareto多目标粒子群算法的单列车速度曲线优化模型；建立可供节能时刻表分析计算的数据模块；以全线路列车牵引总能耗最小化为目标，建立基于粒子群算法的时刻表优化模型，获取节能区间运行时间及停站时间分配方案；输出节能优化结果，确定全线列车节能最优调整策略。本发明方法能在满足乘客舒适度、列车安全运行与正常运营调度的条件下，最大化降低全线列车的总牵引能耗，具有较高的使用价值与应用前景。

Description

城市轨道交通列车速度曲线与时刻表综合节能优化方法
技术领域
本发明涉及城市轨道交通技术领域，特别是一种城市轨道交通列车速度曲线与时刻表综合节能优化方法。
背景技术
随着我国经济的迅速发展和城市人口规模的持续扩张，城市轨道交通需求量迅猛增长。城市轨道交通具有安全、高效、便捷等优点，大力发展轨道交通可以有效缓解道路交通负担、节约社会资源及减少交通拥堵问题。然而，城市轨道交通由于运量庞大，其能源消耗总量居高不下，运营成本很高。其中，列车牵引能耗约占总能耗的50％，占据较大比重，因此，如何有效降低列车牵引能耗成为了当下的重点研究问题。
降低列车牵引能耗主要从以下三个方面考虑：
1)从线路角度优化：尽量考虑设计节能坡，使势能和动能相互转换。
2)从改进设备角度优化：优化车身材料以减少列车重量、减少线网能量传递损耗、安装储能装置将再生制动能量存储利用等。
3)从运营角度优化：在保证运行安全和服务水平的条件下优化列车速度曲线、调整时刻表，降低列车牵引能耗，提高再生制动能量利用效率。
上述三个方面中，1)对已建成并运营的城市轨道交通系统并不适用；2)受到技术条件和成本的限制，短期内很难实现；3)相比之下，只需要对城市轨道交通系统的运营进行简单调整就能降低列车牵引能耗，易于实现且成本较低。所以，如何从运营角度去优化列车速度曲线、调整时刻表以有效降低列车牵引能耗是现在城市轨道交通技术领域亟待解决的一项重大难题。
发明内容
本发明的目的在于提供一种城市轨道交通列车速度曲线与时刻表综合节能优化方法，该方法在满足乘客舒适度、列车安全运行与正常运营调度的条件下，最大化降低全线列车的总牵引能耗。
实现本发明目的的技术解决方案为：一种城市轨道交通列车速度曲线与时刻表综合节能优化方法，包括以下步骤：
步骤1，基于列车运行过程受力分析，建立列车区间运行牵引能耗计算模型；
步骤2，以区间运行牵引能耗和区间运行时间为优化目标，建立基于Pareto多目标粒子群算法的单列车速度曲线优化模型；
步骤3，建立可供节能时刻表分析计算的数据模块；
步骤4，以全线路列车牵引总能耗最小化为目标，建立基于粒子群算法的时刻表优化模型，获取节能区间运行时间及停站时间分配方案；
步骤5，输出节能优化结果，确定全线列车节能最优调整策略。
本发明与现有技术相比，其显著优点是：(1)本发明综合考虑了单列车节能运行与多列车节能运行，即结合单列车速度曲线节能优化方法与提高多列车再生制动能量利用的时刻表调整策略，充分考虑了列车实际牵引所需能量与再生制动能量的回馈利用，最大化降低了全线列车的总牵引净能耗；(2)本发明从城市轨道交通系统的运营角度出发，在原运营计划基础上只是做了微小调整，即可实现降耗节能，简单易行；(3)本发明无需投入额外设备，成本低廉；(4)适用性强，本发明对列车的速度曲线与运营时刻表调整满足乘客舒适度指标、列车安全运行指标、列车运营调度指标等；(5)本发明所设计的节能优化方法基于粒子群优化算法，其优化速度快，有效地提高了计算效率。
附图说明
图1是本发明中列车速度曲线与时刻表综合节能优化方法总体示意图。
图2是本发明中基于Pareto多目标粒子群算法的单列车速度曲线优化模型求解流程图。
图3是本发明中基于粒子群算法的时刻表优化模型求解流程图。
具体实施方式
以下结合附图和具体实施例对本发明进行详细说明，使能更好地理解本发明的功能和特点。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
结合图1，本发明实施例的一种城市轨道交通列车速度曲线与时刻表综合节能优化方法，包括以下步骤：
步骤1，基于列车运行过程受力分析，建立列车区间运行牵引能耗计算模型；
由列车动力学模型结合牵引供电计算模型可以得到列车区间运行牵引能耗计算模型，具体包括以下子步骤：
(1)计算列车当前状态下所受合力：Fc＝m·a，其中，Fc表示列车所受合力，m表示列车质量，a表示当前状态下的加速度；
(2)根据列车当前状态下的速度以及线路条件，计算列车受到的运行阻力：Fr＝Fv+Fp+Fw，其中，Fr表示列车受到的运行阻力，Fv表示列车基本阻力，且Fv＝Av2+Bv+C，v表示列车运行速度，A、B、C是由具体列车型号确定的三个常数，Fp表示列车坡道阻力，且Fp＝m·g·i，m表示列车质量，g为重力加速度，i为线路坡道的坡度千分数，Fw表示列车弯道阻力，且
Figure BDA0002876277790000031
R表示线路弯道半径；
(3)计算列车当前状态所受牵引力Ft＝Fc+Fr及轮周功率Pjc＝Ft·v，其中，Ft表示列车牵引力，Fc表示列车所受合力，Fr表示列车受到的运行阻力，Pjc表示列车轮周功率，v表示列车运行速度；
(4)计算电机牵引功率：
Figure BDA0002876277790000032
其中，Pmotor表示电机牵引功率，ηgear表示齿轮箱效率，ηmotor表示电机效率，Ause表示使用动轴数，Ntrack表示动车数量，Aunuse表示损失动轴数；
(5)根据设定的仿真步长，计算牵引能耗：
Figure BDA0002876277790000033
其中，Et_pre表示前一仿真时刻列车牵引能耗，Et为当前仿真时刻列车牵引能耗，Δt表示仿真步长。
步骤2，以区间运行牵引能耗和区间运行时间为优化目标，建立基于Pareto多目标粒子群算法的单列车速度曲线优化模型；
结合图2所示的基于Pareto多目标粒子群算法的单列车速度曲线优化模型求解流程图，步骤2具体包括以下子步骤：
(1)基本仿真数据输入。基本仿真数据包括线路站点位置数据、坡道弯道数据、区间最短运行时间数据、列车属性数据及Pareto多目标粒子群算法相关参数，其中，列车属性数据包含列车编组、载客量、基本阻力参数、逆变器效率、牵引制动特性；
其中，区间最短运行时间指的是列车以最大牵引-巡航-最大制动模式运行时，各区间的运行时间；
(2)粒子编码，采用实数编码，编码对象为列车对应运行区间的运行工况转换点；
(3)确定优化目标函数及约束条件。其中，具体目标函数形式如下：
minf(x)＝min{fE(x)，fT(x)}
式中，fE(x)为能耗指标函数，即列车区间运行牵引能耗，fT(x)为时间指标函数，即区间运行时间，x＝[x1，x2，…，xl]为l个决策控制变量，对应于列车的l个运行工况转换点；
为确保列车安全正常运行，以安全指标、精准停车指标、舒适度指标等的规定值或规定变化范围为约束条件；
(4)种群初始化：将进化代数t赋值为1；将粒子的初始速度、位置、个体非支配等级和个体被支配数目等参数均设为0；将所有粒子的个体最优值和全局最优值初始化为0；初始种群中所有粒子对应运行区间按运行工况不同进行离散，得到对应的列车运行工况转换点矩阵X＝[x1，x2，…xi…，xN]，其中N为种群大小，种群中每个粒子个体xi对应一个列车运行工况转换点矩阵；本实施例中，种群大小N设置为50；
(5)初始化种群中所有粒子的位置参数：通过随机函数生成随机数，将第一代种群中所有粒子的位置初值设为生成的随机值；
(6)求解当前种群中所有粒子的能耗指标fE(x)和时间指标fT(x)适应度值：将种群中每个粒子个体对应的列车运行工况转换点矩阵xi进行步骤1所述的区间运行牵引能耗计算，计算出每个粒子对应的能耗指标fE(x)和时间指标fT(x)。对于安全指标和精准停车指标不满足的粒子xi，将其能耗指标和时间指标极大化，使之成为劣解，进而得到种群的能耗指标适应度值矩阵fE(x1,x2，…xi…,xN)和时间指标适应度值矩阵fT(x1,x2,…xi…,xN)；
(7)基于Pareto支配理论计算当前种群中粒子的非支配等级，将非支配等级为0的粒子全部存入局部最优容器，并保存为当代最优解；
(8)根据Pareto支配关系选择个体最优值作为个体最优粒子；
(9)更新外部存储库中的解：将局部最优容器中的解并入外部存储库中；进行非支配等级排序和拥挤距离计算，计算外部存储库中粒子的非支配等级和拥挤距离；按照计算结果更新粒子的非支配等级和拥挤距离；其中，外部存储库存储最终的寻优结果；
(10)将外部存储库中计算得出的拥挤距离最大的粒子设为全局最优粒子；
(11)判断迭代是否满足跳出循环的条件：t＝t+1，判断是否达到设置的最大迭代代数，若到达则结束并进入(13)，若未到达则进入(12)；
(12)更新所有粒子的速度和位置参数，继续产生下一代子种群，并进入(6)；
Figure BDA0002876277790000051
Figure BDA0002876277790000052
其中，
Figure BDA0002876277790000053
表示第i代中第d个粒子的位置，
Figure BDA0002876277790000054
表示第i代中第d个粒子的速度，
Figure BDA0002876277790000055
表示第d个粒子在前i代中的最优适应度值，gbesti表示当前迭代次数下的全局最优适应度值，ω是惯性权重，c1和c2分别为自我学习因子及社会学习因子，分别表示对个体最优和全局最优的学习程度，一般为常数，rand1和rand2是在[0,1]之间产生的随机数；本实施例中，最大迭代代数设置为50，惯性权重ω设置为0.9、自我学习因子c1设置为2、社会学习因子c2设置为2。
(13)输出优化计算结果，包括每一代粒子所对应的运行工况转换点矩阵、牵引能耗值与区间运行时间，并根据最终优化得到的Pareto前沿非支配最优解集中每一组解所对应的列车运行工况点转换矩阵，求得列车在不同区间运行时间下的节能速度曲线。
步骤3，建立可供节能时刻表分析计算的数据模块；
可供节能时刻表分析计算的数据模块包括列车运行数据模块、轨道线路数据模块和运营时刻表数据模块。其中，列车运行数据模块包括列车在各区间运行时产生的时间-功率数据，可由步骤2中优化所得到的各区间在不同运行时间下的节能速度曲线计算得到。轨道线路数据模块包括接触网单位阻抗、轨道单位阻抗、牵引变电站位置、牵引变电站特性参数、车站位置、供电分区等数据信息。运营时刻表数据提供开行列车在各个站点的到发时刻，包括列车编组、在线列车数、备用列车数、各列车始发站与始发时间等。
步骤4，以全线路列车牵引总能耗最小化为目标，建立基于粒子群算法的时刻表优化模型，获取节能区间运行时间及停站时间分配方案；
结合图3所示的基于粒子群算法的时刻表优化模型求解流程图，步骤4具体包括以下子步骤：
(1)导入步骤3中可供节能时刻表分析计算的数据模块及粒子群算法基本参数；
(2)粒子编码与粒子维度设计：采用实数编码，依次将每个站点的停站时间与每个站间的运行时间调整量Δt作为粒子的维度输入，设n为起始站台到终点站台所包含的站台个数，则对应的运行区间数为n-1，粒子的维度数则为4n-2(包括上下行)，则粒子编码形式可表示为：x＝[Δt1，Δt2,…,Δti,…,Δt4n-2]。
(3)设置适应度函数与相关约束条件：适应度函数具体形式如下，
Figure BDA0002876277790000061
式中，T_start为仿真开始时间，T_end为仿真结束时间，m为所有在线变电站数量，Pi(x)(t)为在相应停站时间与站间运行时间调整量x＝[Δt1,Δt2,…,Δti,…,Δt4n-2]下仿真时刻t时变电站的功率,Δt为仿真步长。
为保证行车安全和乘客满意度，时刻表优化调整方案制定时需要设置以下约束条件：
(a)周转时间约束：不改变周转时间的前提下，优化站间运行时间和停站时间，具体约束形式如下：
Figure BDA0002876277790000062
式中，N为站台个数，xn为列车在n站的停站时间，tr(n,n+1)为列车在n至n+1站的运行时间，tz、tz′为列车在两端折返站的折返时间，Tzup、Tzdown为上、下行周转时间。
(b)站间运行时间约束：包括单个站间的运行时间约束及所有站间总运行时间约束，具体形式如下：
Figure BDA0002876277790000071
其中，
Figure BDA0002876277790000072
和
Figure BDA0002876277790000073
为n至n+1站间的运行时间上下限值，
Figure BDA0002876277790000074
和
Figure BDA0002876277790000075
为上行所有站间总运行时间的上下限值，
Figure BDA0002876277790000076
和
Figure BDA0002876277790000077
为下行所有站间总运行时间的上下限值；本实施例中，单个站间的运行时间上下限值设置为计划运行时间±10s，上行与下行所有站间总运行时间的上下限值均设置为计划上行与下行总运行时间±60s；
(c)停站时间约束：包括单个车站的停站时间约束及所有车站总停站时间约束，具体形式如下：
Figure BDA0002876277790000078
其中，
Figure BDA0002876277790000079
和
Figure BDA00028762777900000710
为n站的停站时间上下限值，
Figure BDA00028762777900000711
和
Figure BDA00028762777900000712
为上行所有车站总停站时间的上下限值，
Figure BDA00028762777900000713
和
Figure BDA00028762777900000714
为下行所有车站总停站时间的上下限值；本实施例中，单个车站的停站时间上下限值设置为计划停站时间±10s，上行与下行所有车站总停站时间的上下限值均设置为计划上行与下行总停站时间±60s；
(d)发车间隔约束：为防止发车间隔的变化改变列车数量，本模型采用原有时刻表发车间隔。
(e)整数约束：为简化计算，对各变量设置取整数的要求，在原有时刻表约束范围内以1s为步长调整。
tr(n，n+1)，xn∈Z
(4)设置初始参数：种群规模Size，迭代次数Maxgen，惯性权重ω、自我学习因子c1、社会学习因子c2；本实施例中，种群规模Size设置为30，迭代次数Maxgen设置为50，惯性权重ω设置为0.9、自我学习因子c1设置为2、社会学习因子c2设置为2。
(5)根据原时刻表方案，初始化站间运行时间和停站时间调整量，即初始化粒子位置，生成初始种群；
(6)根据粒子的时刻表调整方案，计算种群内粒子适应度值，对不满足约束条件要求的粒子附上惩罚值，并返回最终适应度值；
(7)判断粒子是否满足最大迭代次数，若满足则进入步骤(9)，若不满足则进入步骤(8)；
(8)更新所有粒子的速度和位置参数，继续产生下一代子种群，并进入步骤(6)；
(9)输出最优解，即各站点停站时间与各站间运行时间的最优调整量(包括上下行)
步骤5，输出节能优化结果，确定全线列车节能最优调整策略；
其中，全线列车节能最优调整策略包括列车节能运营时刻表及其对应的节能速度曲线。
综上所述，本发明方法采用软件仿真的方式，从城市轨道交通运营角度出发，在满足乘客舒适度指标、列车安全运行指标、列车运营调度指标等条件下，对列车时刻表及运行速度曲线做微小调整，大幅度降低了全线列车牵引总能耗，具有较高的使用价值与应用前景。

Claims (10)

1.一种城市轨道交通列车速度曲线与时刻表综合节能优化方法，其特征在于，包括以下步骤：
步骤1，基于列车运行过程受力分析，建立列车区间运行牵引能耗计算模型；
步骤2，以区间运行牵引能耗和区间运行时间为优化目标，建立基于Pareto多目标粒子群算法的单列车速度曲线优化模型；
步骤3，建立可供节能时刻表分析计算的数据模块；
步骤4，以全线路列车牵引总能耗最小化为目标，建立基于粒子群算法的时刻表优化模型，获取节能区间运行时间及停站时间分配方案；
步骤5，输出节能优化结果，确定全线列车节能最优调整策略。
2.根据权利要求1所述的城市轨道交通列车速度曲线与时刻表综合节能优化方法，其特征在于，步骤1所述的列车运行过程受力包括列车所受的合力、牵引力及运行阻力。
3.根据权利要求1所述的城市轨道交通列车速度曲线与时刻表综合节能优化方法，其特征在于，步骤1所述的列车区间运行牵引能耗计算模型为：
Figure FDA0002876277780000011
其中，Et_pre表示前一仿真时刻列车牵引能耗，Et为当前仿真时刻列车牵引能耗，Δt表示仿真步长，Pmotor表示电机牵引功率。
4.根据权利要求1所述的城市轨道交通列车速度曲线与时刻表综合节能优化方法，其特征在于，所述步骤2具体如下：
(1)输入仿真数据，仿真数据包括线路站点位置数据、坡道弯道数据、区间最短运行时间数据、列车属性数据及Pareto多目标粒子群算法相关参数，其中，列车属性数据包含列车编组、载客量、基本阻力参数、逆变器效率和牵引制动特性；
(2)粒子编码，采用实数编码，编码对象为列车对应运行区间的运行工况转换点；
(3)确定优化目标函数及约束条件，其中，具体目标函数如下：
minf(x)＝min{fE(x)，fT(x)}
式中，fE(x)为能耗指标函数，fT(x)为时间指标函数，x＝[x1，x2，…，xl]为l个决策控制变量，对应于列车的l个运行工况转换点；
所述目标函数以安全指标、精准停车指标、舒适度指标的规定值或规定变化范围为约束条件；
(4)种群初始化：将进化代数t赋值为1；将粒子的初始速度、位置、个体非支配等级和个体被支配数目均设为0；将所有粒子的个体最优值和全局最优值初始化为0；初始种群中所有粒子对应运行区间按运行工况不同进行离散，得到对应的列车运行工况转换点矩阵X＝[x1，x2，…xi…，xN]，其中N为种群大小，种群中每个粒子个体xi对应一个列车运行工况转换点矩阵；
(5)初始化种群中所有粒子的位置参数：通过随机函数生成随机数，将第一代种群中所有粒子的位置初值设为生成的随机数；
(6)求解当前种群中所有粒子的能耗指标函数fE(x)和时间指标函数fT(x)适应度值：对种群中每个粒子个体对应的列车运行工况转换点矩阵xi建立步骤1所述的区间运行牵引能耗计算模型，计算出每个粒子对应的能耗指标fE(x)和时间指标fT(x)；对于安全指标和精准停车指标不满足的粒子xi，将其能耗指标和时间指标极大化，使之成为劣解，进而得到种群的能耗指标适应度值矩阵fE(x1，x2，…xi…，xN)和时间指标适应度值矩阵fT(x1，x2，…xi…，xN)；
(7)计算当前种群中粒子的非支配等级，将非支配等级为0的粒子全部存入局部最优容器，并保存为当代最优解；
(8)根据Pareto支配关系选择个体最优值作为个体最优粒子；
(9)更新外部存储库中的解：将局部最优容器中的解并入外部存储库中；进行非支配等级排序和拥挤距离计算，计算外部存储库中粒子的非支配等级和拥挤距离；按照计算结果更新粒子的非支配等级和拥挤距离；其中，外部存储库存储最终的寻优结果；
(10)将外部存储库中计算得出的拥挤距离最大的粒子设为全局最优粒子；
(11)判断迭代是否满足跳出循环的条件：判断是否达到设置的最大迭代代数，若到达则结束并进入(13)，若未到达则进入(12)；
(12)更新所有粒子的速度和位置参数，继续产生下一代子种群，并进入(6)；
Figure FDA0002876277780000021
Figure FDA0002876277780000022
其中，
Figure FDA0002876277780000031
表示第i代中第d个粒子的位置，Vid表示第i代中第d个粒子的速度，
Figure FDA0002876277780000032
表示第d个粒子在前i代中的最优适应度值，gbesti表示当前迭代次数下的全局最优适应度值，ω是惯性权重，c1和c2为学习因子，分别表示对个体最优和全局最优的学习程度，一般为常数，rand1和rand2是在[0,1]之间产生的随机数；
(13)输出优化计算结果，包括每一代粒子所对应的运行工况转换点矩阵、牵引能耗值与区间运行时间，并根据最终优化得到的Pareto前沿非支配最优解集中每一组解所对应的列车运行工况点转换矩阵，求得列车在不同区间运行时间下的节能速度曲线。
5.根据权利要求4所述的城市轨道交通列车速度曲线与时刻表综合节能优化方法，其特征在于，所述最大迭代代数设置为50，惯性权重ω设置为0.9、自我学习因子c1设置为2、社会学习因子c2设置为2。
6.根据权利要求4所述的城市轨道交通列车速度曲线与时刻表综合节能优化方法，其特征在于，步骤3所述的可供节能时刻表分析计算的数据模块包括列车运行数据模块、轨道线路数据模块和运营时刻表数据模块；其中，列车运行数据模块包括列车在各区间运行时产生的时间-功率数据，由步骤2中优化所得到的各区间在不同运行时间下的节能速度曲线计算得到；轨道线路数据模块包括接触网单位阻抗、轨道单位阻抗、牵引变电站位置、牵引变电站特性参数、车站位置和供电分区；运营时刻表数据模块提供开行列车在各个站点的到发时刻，包括列车编组、在线列车数、备用列车数、各列车始发站与始发时间。
7.根据权利要求6所述的城市轨道交通列车速度曲线与时刻表综合节能优化方法，其特征在于，步骤4所述的以全线路列车牵引总能耗最小化为目标，建立基于粒子群算法的时刻表优化模型，具体如下：
(1)导入步骤3中运营时刻表数据模块及粒子群算法基本参数；
(2)粒子编码与粒子维度设计：采用实数编码，依次将每个站点的停站时间与每个站间的运行时间调整量Δt作为粒子的维度输入，设n为起始站台到终点站台所包含的站台个数，则对应的运行区间数为n-1，粒子的维度数则为4n-2，则粒子编码形式可表示为：x＝[Δt1，Δt2,…,Δti,…,Δt4n-2]；
(3)设置适应度函数与相关约束条件：适应度函数具体形式如下：
Figure FDA0002876277780000041
式中，T_start为仿真开始时间，T_end为仿真结束时间，m为所有在线变电站数量，Pi(x)(t)为在相应停站时间与站间运行时间调整量x＝[Δt1,Δt2,…，Δti，…，Δt4n-2]下仿真时刻t时变电站的功率，Δt为仿真步长；
约束条件为：
(a)周转时间约束：不改变周转时间的前提下，优化站间运行时间和停站时间，具体约束形式如下：
Figure FDA0002876277780000042
式中，N为站台个数，xn为列车在n站的停站时间，tr(n，n+1)为列车在n至n+1站的运行时间，tz、tz′为列车在两端折返站的折返时间，Tzup、Tzdown为上、下行周转时间；
(b)站间运行时间约束：包括单个站间的运行时间约束及所有站间总运行时间约束，具体形式如下：
Figure FDA0002876277780000043
其中，
Figure FDA0002876277780000044
和
Figure FDA0002876277780000045
为n至n+1站间的运行时间上下限值，
Figure FDA0002876277780000046
和
Figure FDA0002876277780000047
为上行所有站间总运行时间的上下限值，
Figure FDA0002876277780000048
和
Figure FDA0002876277780000049
为下行所有站间总运行时间的上下限值；
(c)停站时间约束：包括单个车站的停站时间约束及所有车站总停站时间约束，具体形式如下：
Figure FDA0002876277780000051
其中，
Figure FDA0002876277780000052
和
Figure FDA0002876277780000053
为n站的停站时间上下限值，
Figure FDA0002876277780000054
和
Figure FDA0002876277780000055
为上行所有车站总停站时间的上下限值，
Figure FDA0002876277780000056
和
Figure FDA0002876277780000057
为下行所有车站总停站时间的上下限值；
(d)发车间隔约束：本模型采用原有时刻表发车间隔约束；
(e)整数约束：对各变量设置取整数的要求，在原有时刻表约束范围内以1s为步长调整，
tr(n，n+1)，xn∈Z
(4)设置初始参数：种群规模Size，迭代次数Maxgen，惯性权重ω、自我学习因子c1、社会学习因子c2；
(5)根据原时刻表方案，初始化站间运行时间和停站时间调整量，即初始化粒子位置，生成初始种群；
(6)根据粒子的时刻表调整方案，计算种群内粒子适应度值，对不满足约束条件要求的粒子附上惩罚值，并返回最终适应度值；
(7)判断粒子是否满足最大迭代次数，若满足则进入步骤(9)，若不满足则进入步骤(8)；
(8)更新所有粒子的速度和位置参数，继续产生下一代子种群，并进入步骤(6)；
(9)输出最优解，即各站点停站时间与各站间运行时间的最优调整量。
8.根据权利要求7所述的城市轨道交通列车速度曲线与时刻表综合节能优化方法，其特征在于，所述约束条件中n至n+1站间的运行时间上下限值
Figure FDA0002876277780000058
和
Figure FDA0002876277780000059
为±10s，上行所有站间总运行时间的上下限值
Figure FDA00028762777800000510
和
Figure FDA00028762777800000511
为±60s；停站时间上下限值，
Figure FDA00028762777800000512
和
Figure FDA00028762777800000513
为±10s，上行所有车站总停站时间的上下限值
Figure FDA00028762777800000514
和
Figure FDA00028762777800000515
为±60s。
9.根据权利要求7所述的城市轨道交通列车速度曲线与时刻表综合节能优化方法，其特征在于，所述种群规模Size设置为30，迭代次数Maxgen设置为50，惯性权重ω设置为0.9，自我学习因子c1设置为2，社会学习因子c2设置为2。
10.根据权利要求1所述的城市轨道交通列车速度曲线与时刻表综合节能优化方法，其特征在于，步骤5所述的全线列车节能最优调整策略包括列车节能运营时刻表及其对应的节能速度曲线。
CN202011630646.XA 2020-12-30 2020-12-30 城市轨道交通列车速度曲线与时刻表综合节能优化方法 Withdrawn CN112633598A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011630646.XA CN112633598A (zh) 2020-12-30 2020-12-30 城市轨道交通列车速度曲线与时刻表综合节能优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011630646.XA CN112633598A (zh) 2020-12-30 2020-12-30 城市轨道交通列车速度曲线与时刻表综合节能优化方法

Publications (1)

Publication Number Publication Date
CN112633598A true CN112633598A (zh) 2021-04-09

Family

ID=75290308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011630646.XA Withdrawn CN112633598A (zh) 2020-12-30 2020-12-30 城市轨道交通列车速度曲线与时刻表综合节能优化方法

Country Status (1)

Country Link
CN (1) CN112633598A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326574A (zh) * 2021-06-30 2021-08-31 南京信息工程大学 一种考虑列车精准停车因素的ato速度命令节能优化方法
CN113361150A (zh) * 2021-08-11 2021-09-07 华东交通大学 一种城市列车运行多目标优化方法及系统
CN113743828A (zh) * 2021-09-23 2021-12-03 西南交通大学 一种城市轨道交通运行调度方法及系统
CN113815685A (zh) * 2021-11-02 2021-12-21 西南交通大学 一种列车全程最优目标速度计算方法
CN114202316A (zh) * 2021-12-17 2022-03-18 南京理工大学 基于深度强化学习的城市轨道交通列车时刻表优化方法
CN114298510A (zh) * 2021-12-19 2022-04-08 南京理工大学 基于nspso算法的时刻表和速度曲线优化方法
CN114475728A (zh) * 2022-01-07 2022-05-13 通号城市轨道交通技术有限公司 再生能利用方法、装置及电子设备
CN114655282A (zh) * 2022-03-11 2022-06-24 北京工业大学 一种列车运行方案优化方法及系统
CN114781799A (zh) * 2022-03-21 2022-07-22 中铁第四勘察设计院集团有限公司 一种城市轨道交通能源智能管理系统
CN115455795A (zh) * 2022-09-19 2022-12-09 大连海事大学 一种考虑运营稳定性的公交车生态驾驶诱导方法
CN115848458A (zh) * 2022-11-15 2023-03-28 北京市地铁运营有限公司 基于广义四阶段最优策略的延误场景节能时刻表优化方法
CN115879797A (zh) * 2022-11-29 2023-03-31 北京城建设计发展集团股份有限公司 城市轨道交通线路设计低碳优化综合评估方法
CN116995641A (zh) * 2023-09-26 2023-11-03 北京交通大学 一种应用于轨道交通储能的能量管理架构及方法
CN118195062A (zh) * 2024-03-01 2024-06-14 西南交通大学 一种基于载客量的快慢车节能运行图优化方法及相关装置

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326574A (zh) * 2021-06-30 2021-08-31 南京信息工程大学 一种考虑列车精准停车因素的ato速度命令节能优化方法
CN113361150A (zh) * 2021-08-11 2021-09-07 华东交通大学 一种城市列车运行多目标优化方法及系统
CN113361150B (zh) * 2021-08-11 2021-12-24 华东交通大学 一种城市列车运行多目标优化方法及系统
CN113743828A (zh) * 2021-09-23 2021-12-03 西南交通大学 一种城市轨道交通运行调度方法及系统
CN113743828B (zh) * 2021-09-23 2023-04-07 西南交通大学 一种城市轨道交通运行调度方法及系统
CN113815685A (zh) * 2021-11-02 2021-12-21 西南交通大学 一种列车全程最优目标速度计算方法
CN114202316A (zh) * 2021-12-17 2022-03-18 南京理工大学 基于深度强化学习的城市轨道交通列车时刻表优化方法
CN114298510A (zh) * 2021-12-19 2022-04-08 南京理工大学 基于nspso算法的时刻表和速度曲线优化方法
CN114475728A (zh) * 2022-01-07 2022-05-13 通号城市轨道交通技术有限公司 再生能利用方法、装置及电子设备
CN114475728B (zh) * 2022-01-07 2024-04-05 通号城市轨道交通技术有限公司 再生能利用方法、装置及电子设备
CN114655282A (zh) * 2022-03-11 2022-06-24 北京工业大学 一种列车运行方案优化方法及系统
CN114655282B (zh) * 2022-03-11 2024-05-14 北京工业大学 一种列车运行方案优化方法及系统
CN114781799A (zh) * 2022-03-21 2022-07-22 中铁第四勘察设计院集团有限公司 一种城市轨道交通能源智能管理系统
CN115455795A (zh) * 2022-09-19 2022-12-09 大连海事大学 一种考虑运营稳定性的公交车生态驾驶诱导方法
CN115455795B (zh) * 2022-09-19 2023-04-07 大连海事大学 一种考虑运营稳定性的公交车生态驾驶诱导方法
CN115848458A (zh) * 2022-11-15 2023-03-28 北京市地铁运营有限公司 基于广义四阶段最优策略的延误场景节能时刻表优化方法
CN115879797B (zh) * 2022-11-29 2023-06-27 北京城建设计发展集团股份有限公司 城市轨道交通线路设计低碳优化综合评估方法
CN115879797A (zh) * 2022-11-29 2023-03-31 北京城建设计发展集团股份有限公司 城市轨道交通线路设计低碳优化综合评估方法
CN116995641A (zh) * 2023-09-26 2023-11-03 北京交通大学 一种应用于轨道交通储能的能量管理架构及方法
CN116995641B (zh) * 2023-09-26 2023-12-22 北京交通大学 一种应用于轨道交通储能的能量管理架构及方法
CN118195062A (zh) * 2024-03-01 2024-06-14 西南交通大学 一种基于载客量的快慢车节能运行图优化方法及相关装置

Similar Documents

Publication Publication Date Title
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
Song et al. A novel dual speed-curve optimization based approach for energy-saving operation of high-speed trains
Zhou et al. Integrated optimization on train control and timetable to minimize net energy consumption of metro lines
Gu et al. Energy-efficient train operation in urban rail transit using real-time traffic information
CN114298510A (zh) 基于nspso算法的时刻表和速度曲线优化方法
CN107368920B (zh) 一种非高峰时段多列车运行节能优化方法
WO2023174187A1 (zh) 一种电动公交协调优化调度方法
TW201418087A (zh) 軌道列車節省電能運行控制方法
CN112633596B (zh) 地铁列车速度曲线和区间运行时间的一体化优化方法
CN114386310A (zh) 一种时空客流网络分布下地铁列车节能时刻表优化方法
CN106777717A (zh) 一种考虑载客量变化的ato速度命令节能优化方法
CN111680413B (zh) 基于双层算法的有轨电车定时节能运行优化方法及其系统
CN114580290B (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
Ghaviha et al. Speed profile optimization of an electric train with on-board energy storage and continuous tractive effort
CN109376437A (zh) 一种基于多目标遗传算法的新能源车载储能优化控制方法
CN114239201A (zh) 基于机会约束规划的电动公交线路动态无线充电设施布设方法
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
Chuang et al. Design of optimal coasting speed for saving social cost in mass rapid transit systems
Xiao et al. Joint optimization of speed and voltage trajectories for hybrid electric trams
Zhang et al. Pareto multi-objective optimization of metro train energy-saving operation using improved NSGA-II algorithms
Yildiz et al. Traction energy optimization considering comfort parameter: A case study in Istanbul metro line
He et al. Expansion planning of electric vehicle charging stations considering the benefits of peak‐regulation frequency modulation
Schenker et al. Optimization model for operation of battery multiple units on partly electrified railway lines
Calderaro et al. Deterministic vs heuristic algorithms for eco-driving application in metro network
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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210409

WW01 Invention patent application withdrawn after publication