CN112896244A - 基于目标速度曲线跟踪的列车站间运行控制方法及装置 - Google Patents
基于目标速度曲线跟踪的列车站间运行控制方法及装置 Download PDFInfo
- Publication number
- CN112896244A CN112896244A CN202110197062.6A CN202110197062A CN112896244A CN 112896244 A CN112896244 A CN 112896244A CN 202110197062 A CN202110197062 A CN 202110197062A CN 112896244 A CN112896244 A CN 112896244A
- Authority
- CN
- China
- Prior art keywords
- train
- station
- target speed
- optimization
- speed curve
- 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
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
- B61L27/04—Automatic systems, e.g. controlled by train; Change-over to manual control
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明涉及一种基于目标速度曲线跟踪的列车站间运行控制方法及装置,其中方法包括:步骤S1:列车在从车站出发之前,向车站请求发送配置信息和约束条件,其中所述约束条件包括列车性能参数和线路信息;步骤S2:接收由车站发送的配置信息和约束条件,并输入优化模型:步骤S3:采用基于Pareto优化的NSGA‑II求解算法求解优化模型,得到最优目标速度曲线;步骤S4:按照所述最优目标速度曲线控制列车运行。与现有技术相比,本发明将列车站间运行的行为优化模型及基于Pareto优化的NSGA‑II求解算法与列车最优目标速度曲线的计算过程分离开来,增加了列车站间运行的行为优化模型及基于Pareto优化的NSGA‑II求解算法的一般适用性,适用于任意列车和任意站间线路。
Description
技术领域
本发明涉及列车运行控制领域,尤其是涉及一种基于目标速度曲线跟踪的列车站间运行控制方法及装置。
背景技术
轨道交通系统的能源消耗巨大,节约能源并提高能源利用效率,关乎轨道交通系统的可持续发展,一直受到国家和行业部门的重视。
轨道交通系统的运营具有很强的计划性和组织性,与此同时,列车在复杂环境中运行需要根据实际情况及时做出行为调整。为了保证轨道交通系统运营的计划性和组织性,一般事先确定列车站间运行的最优目标速度曲线,然后列车在站间运行时将该目标速度曲线作为参照,对自身行为进行控制,使列车在允许的误差范围内严格按照该目标速度曲线运行,列车运行的能耗、运行时间、停站精度等参数也相应地确定下来,从而为行车组织的计划性和组织性创造了前提条件。
目前,多采用垂直线图解法,依据列车单位合力曲线,并假定在一定速度间隔内列车单位合力为常数,引入计算机来绘制列车速度与运行距离的关系曲线,然后再根据曲线,用垂直线法回执运行时分与列车运行距离的关系曲线,从而得到列车站间运行的时间。列车站间运行的行为控制一般用作为参照,一旦列车在站间线路某个位置的速度超出允许的误差范围,即通过调整列车行为,使得正常情况下列车始终严格按照该目标速度曲线运行。近年,引入遗传算法、蚁群算法等生物智能算法求解列车站间运行目标速度曲线优化问题,然后将得到的最优的列车目标速度曲线,结合列车参数的自适应修正,用于列车区间行为的控制,形成了列车站间运行的一系列智能控制算法,极大地推动了列车运行控制技术的发展。
铁路和城市轨道交通系统具有很强的计划性和组织性,列车一般必须遵照预先编制好的列车运行图或列车时刻表运行。但是,当列车运行线路上行车状况发生变化,列车原先遵循的站间行为目标速度曲线将无法适应新的情况,列车站间行为必然需要进行适当调整,特别是在线路因自然灾害、设备故障、行车事故中断正常运行,而当线路需要恢复正常行车秩序时,列车应当按照新的目标速度曲线,以尽快恢复按列车运行图或列车时刻表运行。但是既有的优化控制方法无法实现上述目的,需要人工介入或者采用另一套紧急情况下预案的控制方案。
发明内容
本发明的目的就是为了提供一种基于目标速度曲线跟踪的列车站间运行控制方法及装置,将列车站间运行的行为优化模型及基于Pareto优化的NSGA-II求解算法与列车最优目标速度曲线的计算过程分离开来,增加了列车站间运行的行为优化模型及基于Pareto优化的NSGA-II求解算法的一般适用性,适用于任意列车和任意站间线路。
本发明的目的可以通过以下技术方案来实现:
一种基于目标速度曲线跟踪的列车站间运行控制方法,包括:
步骤S1:列车在从车站出发之前,向车站请求发送配置信息和约束条件,其中所述约束条件包括列车性能参数和线路信息;
步骤S2:接收由车站发送的配置信息和约束条件,并输入优化模型:
s.t.列车性能参数:{m,M,P,vmax_train,Mf},
线路信息:{L,S(Si,Se,p),C(C0,Ce,c),V(Li,Le),vmax_route}
其中:J为优化目标,E(v(t))为列车运行能耗,T(v(t))为列车运行时间,为配置信息,α和β为决策变量,不同时为零,D为列车停车的精确度,m为列车质量,f(v(t))为列车运行阻力,v(t)为t时刻列车的速度,s为t时刻列车行驶的距离,L为站间距,Ptrain为列车实际停车点,P0为指定列车停车点,M为列车牵引阶段加速运行的恒力矩常数,P为列车牵引阶段加速运行的恒功率常数,vmax_train为列车的最大运行速度,Mf为列车制动阶段的恒力矩,S(Si,Se,p)为坡道参数的集合,Si为坡道起点,Se为坡道终点,p为坡道坡度,C(C0,Ce,c)为弯道参数的集合,C0为弯道地点,Ce为弯道终点,c为弯道曲率,V(Li,Le)为线路限速速度,Li为限速区段起点,Le为限速区段终点,vmax_route为线路允许的最大列车运行速度;
步骤S3:采用基于Pareto优化的NSGA-II求解算法求解优化模型,得到最优目标速度曲线;
步骤S4:按照所述最优目标速度曲线控制列车运行。
所述步骤S4具体包括:
步骤S41:强得到的最优目标速度曲线发送至车站;
步骤S42:在接收到车站的确认指令后,控制列车启动;
步骤S43:列车运行过程中,按预配置的采样周期实时获取自身在当前位置处的运行速度,并与所述最优目标速度曲线对比,根据对比结果控制列车的运行。
所述根据对比结果控制列车的运行具体包括:
策略1:|v(s)-V(s)|<δ时,列车保持当前速度运行,其中,δ为预配置的误差阈值,v(s)为采集到的列车在当前位置s处运行速度,V(s)为根据所述最优目标速度曲线得到的当前位置s处的期望速度;
策略2:v(s)-V(s)<-δ时,以列车速度调整的平稳性和快捷性为依据,按照预配置的规则确定加速度调整因子λ的取值,然后控制单元驱动列车传动机构,使列车以加速运行,以缩小与期望速度的差距,其中,T为采样周期;
所述预配置的规则具体为:当列车加速度小于设定阈值时,加速度调整因子取大于1,反之,则取小于1。
所述配置信息的确定具体包括:
当列车站间行为控制为能耗、快捷性和停车精确度的综合优化过程时,α=1且β=1;
当列车站间行为控制为能耗和停车精确度的综合优化过程,而忽略快捷性时,α=1且β=0;
当受包括自然灾害、设备故障、行车事故在内突发事件导致当前列车时刻表所规定的行车秩序遭到破坏时,α=0且β=1。
所述步骤S3具体包括:
步骤S31:初始化列车性能参数、线路参数和算法参数;
步骤S32:运用基于Pareto优化的NSGA-II求解算法,依次计算、生成以列车停车精确度D、列车运行能耗E(v(t))、列车运行时间T(v(t))为优化目标的Pareto解集;
步骤S33:在Pareto解集中,选取(αE(v(t))2+(βT(v(t))2+D2最小的解作为最优解,与此相应的V-S曲线即为列车站间运行的最优目标速度曲线。
所述算法参数包括种群规模,选择算子,交叉算子,变异算子,拥挤距离,总迭代次数和优化目标初始值,其中,所述选择算子设定为α,变异算子设定为β。
所述步骤S32具体包括:
步骤S321:将站间运行线路均匀划分为n+1个微小区间,始发站编号为0,到站编号为n+1,中间共有n个均匀分布的位置点可用于列车在站间运行过程中进行工况的转换;
步骤S322:以列车停车的精确度D为优化目标,在约束条件下对n+1个微小区间的列车工况进行随机设置,然后运用基于Pareto优化的NSGA-II求解算法,计算、生成Pareto解集1;
步骤S323:选择Pareto解集1中列车停车精确度D最高的最优解、(αE(v(t))2+(βT(v(t))2+D2最小的最优解和拥挤距离最大的最优解进入下一代,以列车运行能耗E(v(t))为优化目标,在约束条件下对n+1个微小区间的列车工况进行随机设置,然后运用基于Pareto优化的NSGA-II求解算法,计算、生成Pareto解集2;
步骤S324:选择Pareto解集2中列车运行能耗E(v(t))最高的最优解、(αE(v(t))2+(βT(v(t))2+D2最小的最优解和拥挤距离最大的最优解进入下一代,以列车运行时间T(v(t))为优化目标,在约束条件下对n+1个微小区间的列车工况进行随机设置,然后运用基于Pareto优化的NSGA-II求解算法,计算、生成Pareto解集3;
步骤S325:在Pareto解集3中选取E(v(t))、T(v(t))、D均最小或(αE(v(t))2+(βT(v(t))2+D2最小的解作为最优解,与此相应的V-S曲线即为所求最优的列车目标速度曲线。
一种基于目标速度曲线跟踪的列车站间运行控制装置,包括存储器、控制器、数据收发器,以及存储于存储器中并由所述处理器执行的程序,其特征在于,所述处理器执行所述程序时实现如上述的方法。
所述数据收发器为无线数据收发器。
与现有技术相比,本发明具有以下有益效果:
1)将列车站间运行的行为优化模型及基于Pareto优化的NSGA-II求解算法与列车最优目标速度曲线的计算过程分离开来,增加了列车站间运行的行为优化模型及基于Pareto优化的NSGA-II求解算法的一般适用性,适用于任意列车和任意站间线路。
2)列车站间运行最优目标速度曲线的计算,由列车自行完成,所需站间线路信息须向车站请求,车站查证允许后,方能获得由车站发送的由列车所请求的相关线路信息和列车站间行为指导信息,其中列车站间行为指导信息作为列车站间运行行为优化的决策变量,从而使得列车可以根据当前所运行线路的具体行车状况来具体计算、确定最优的目标速度曲线。上述通信和计算过程由专设无线数据通信装置和目标速度曲线生成单元分别完成,增强了列车的自主智能,符合我国乃至世界轨道交通系统列控技术的发展趋势。
附图说明
图1为基于Pareto优化的NSGA-II求解算法示意图;
图2为一种新的基于目标速度曲线跟踪的列车站间运行行为优化控制示意图;
图3为基于目标速度曲线的列车行为控制框图;
图4为基于目标速度曲线跟踪的列车站间运行行为优化的控制过程示意图(δ为微小正数,即列车跟踪目标速度曲线的允许误差);
图5为列车速度-距离曲线与列车运行能耗情况;
图6为列车站间运行多目标优化速度曲线。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。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。
一种基于目标速度曲线跟踪的列车站间运行控制方法,如图4所示,包括:
步骤S1:列车在从车站出发之前,向车站请求发送配置信息和约束条件,其中约束条件包括列车性能参数和线路信息;
步骤S2:接收由车站发送的配置信息和约束条件,并输入优化模型:
s.t.列车性能参数:{m,M,P,vmax_train,Mf},
线路信息:{L,S(Si,Se,p),C(C0,Ce,c),V(Li,Le),vmax_route}
其中:J为优化目标,E(v(t))为列车运行能耗,T(v(t))为列车运行时间,为配置信息,α和β为决策变量,不同时为零,D为列车停车的精确度,m为列车质量,f(v(t))为列车运行阻力,v(t)为t时刻列车的速度,s为t时刻列车行驶的距离,L为站间距,Ptrain为列车实际停车点,P0为指定列车停车点,M为列车牵引阶段加速运行的恒力矩常数,P为列车牵引阶段加速运行的恒功率常数,vmax_train为列车的最大运行速度,Mf为列车制动阶段的恒力矩,S(Si,Se,p)为坡道参数的集合,Si为坡道起点位置,Se为坡道终点位置,p为坡道坡度,C(C0,Ce,c)为弯道参数的集合,C0为弯道地点位置,Ce为弯道终点位置,c为弯道曲率,V(Li,Le)为线路限速速度,Li为限速区段起点位置,Le为限速区段终点位置,vmax_route为线路允许的最大列车运行速度;
步骤S3:采用基于Pareto优化的NSGA-II求解算法求解优化模型,得到最优目标速度曲线;
步骤S4:按照最优目标速度曲线控制列车运行。
步骤S4具体包括:
步骤S41:强得到的最优目标速度曲线发送至车站;
步骤S42:在接收到车站的确认指令后,控制列车启动;
步骤S43:列车运行过程中,按预配置的采样周期实时获取自身在当前位置处的运行速度,并与最优目标速度曲线对比,根据对比结果控制列车的运行。
根据对比结果控制列车的运行具体包括:
策略1:|v(s)-V(s)|<δ时,列车保持当前速度运行,其中,δ为预配置的误差阈值,取微小正数,v(s)为采集到的列车在当前位置s处的运行速度,V(s)为根据最优目标速度曲线得到的当前位置s处的期望速度;
策略2:v(s)-V(s)<-δ时,以列车速度调整的平稳性和快捷性为依据,按照预配置的规则确定加速度调整因子λ的取值,然后控制单元驱动列车传动机构,使列车以加速运行,以缩小与期望速度的差距,其中,T为采样周期;
预配置的规则具体为:当列车加速度小于设定阈值时,加速度调整因子取大于1,反之,则取小于1。具体的,如图3所示,a(s)为列车在当前时刻所处位置s处应采取的加速度,v0为当前采样周期内列车的初速度(即上一采样周期的末速度),v(s)为当前采样周期内列车在当前位置s邻域内的末速度,s0、s为采样周期内列车的初始位置和最后位置,T为采样周期,λ为加速度调整因子,λ>0且λ的取值以列车速度调整的平稳性和快捷性为依据,用以避免过大或过小的问题,当列车加速度a(s)过小,取加速度调整因子λ>1,当列车加速度a过大,则取加速度调整因子λ<1。根据图3,令v0=v(s),采取迭代算法就可以计算得到下一采样周期列车的加速度、速度和位置。
配置信息的确定具体包括:
当列车站间行为控制为能耗、快捷性和停车精确度的综合优化过程时,α=1且β=1;
当列车站间行为控制为能耗和停车精确度的综合优化过程,而忽略快捷性时,α=1且β=0;
当受包括自然灾害、设备故障、行车事故在内突发事件导致当前列车时刻表所规定的行车秩序遭到破坏时,α=0且β=1。
步骤S3具体包括:
步骤S31:初始化列车性能参数、线路参数和算法参数;
步骤S32:运用基于Pareto优化的NSGA-II求解算法,依次计算、生成以列车停车精确度D、列车运行能耗E(v(t))、列车运行时间T(v(t))为优化目标的Pareto解集;
步骤S33:在Pareto解集中,选取(αE(v(t))2+(βT(v(t))2+D2最小的解作为最优解,与此相应的V-S曲线即为列车站间运行的最优目标速度曲线。
算法参数包括种群规模,种群规模N,选择算子,交叉算子,变异算子γ,拥挤距离Lk(0<k<N-1),总迭代次数G,优化目标初始值J0,选择算子设定为α,变异算子设定为β。
步骤S32具体包括:
步骤S321:将站间运行线路均匀划分为n+1个微小区间,始发站编号为0,到站编号为n+1,中间共有n个均匀分布的位置点可用于列车在站间运行过程中进行工况的转换;
将列车工况细分为恒力矩加速运行、恒功率加速运行,匀速运行、惰行、制动等5种工况,对列车运行工况进行编码采取实数编码。其中:列车从车站出发,加速运行阶段未达到线路规定的最大运行速度,除非出于安全原因,列车不得采取惰行或制动工况;列车制动阶段,不得采用加速和匀速运行工况。
如图1所示,步骤S322:以列车停车的精确度D为优化目标,在约束条件下对n+1个微小区间的列车工况进行随机设置,然后运用基于Pareto优化的NSGA-II求解算法,计算、生成Pareto解集1;
步骤S323:选择Pareto解集1中列车停车精确度D最高的最优解、(αE(v(t))2+(βT(v(t))2+D2最小的最优解和拥挤距离最大的最优解进入下一代,以列车运行能耗E(v(t))为优化目标,在约束条件下对n+1个微小区间的列车工况进行随机设置,然后运用基于Pareto优化的NSGA-II求解算法,计算、生成Pareto解集2;
步骤S324:选择Pareto解集2中列车运行能耗E(v(t))最高的最优解、(αE(v(t))2+(βT(v(t))2+D2最小的最优解和拥挤距离最大的最优解进入下一代,以列车运行时间T(v(t))为优化目标,在约束条件下对n+1个微小区间的列车工况进行随机设置,然后运用基于Pareto优化的NSGA-II求解算法,计算、生成Pareto解集3;
步骤S325:在Pareto解集3中选取E(v(t))、T(v(t))、D均最小或(αE(v(t))2+(βT(v(t))2+D2最小的解作为最优解,与此相应的V-S曲线即为所求最优的列车目标速度曲线。
一种基于目标速度曲线跟踪的列车站间运行控制装置,包括存储器、控制器、数据收发器,以及存储于存储器中并由处理器执行的程序,其特征在于,处理器执行程序时实现如上述的方法。数据收发器为无线数据收发器。具体的,如图2所示为装置的核心部分,即列车的目标速度曲线生成单元,根据从车站收到的站间线路信息、列车载运货物重量或旅客人数的动态变化信息、列车站间行为指导信息及自身性能参数,将列车站间行为指导信息作为列车行为优化的决策变量,调用目标速度曲线生成代码,该代码运用建立的优化模型和建立的一种基于Pareto优化的NSGA-II求解算法,将列车站间行为指导信息代入,进行列车站间行为的优化求解,计算、生成列车站间运行的最优目标速度曲线,并经列车无线数据通信装置与车站进行确认。
下面以某地铁8号线DKZ15型列车运行于育知路站到平西府站间线路为例进行试验,某地铁地铁8号线育知路站到平西府站间距为1985.71m,最大允许速度80km/h,计划运行时间140s±30s,
本实施例中,DKZ15型列车取得车站确认,在得到车站发车允许(即车站开放发车信号)后,从车站出发,以上述计算、生成的列车站间运行的最优目标速度曲线为参照,每个采样周期列车采集当前位置s和速度信息v(s),车载控制计算机根据列车当前位置s,与目标速度曲线生成单元进行通信,根据目标速度曲线生成单元所生成的最优目标速度曲线,从目标速度曲线生成单元获取当前位置列车的期望速度V(s),车载控制计算机对当前位置的列车实际速度v(s)和期望速度V(s)进行比较分析,然后向控制单元发出指令,驱动列车传动执行机构对速度进行控制,使得列车在允许的误差范围内严格按照最优的目标速度曲线运行,从而实现节能、快速运行,并在下一站指定位置精确定点停车。图5为列车速度-距离曲线与列车运行能耗情况,图6为列车站间运行多目标优化速度曲线。
取δ=1.0km/h,λ=1,DKZ15型列车性能参数及线路限速等信息见附表1-3所示。
表1 DKZ15型列车参数
表2 某地铁8号线育知路至平西府线路坡度
表3 某8号线育知路至平西府线路限速信息
Claims (10)
1.一种基于目标速度曲线跟踪的列车站间运行控制方法,其特征在于,包括:
步骤S1:列车在从车站出发之前,向车站请求发送配置信息和约束条件,其中所述约束条件包括列车性能参数和线路信息;
步骤S2:接收由车站发送的配置信息和约束条件,并输入优化模型:
s.t.列车性能参数:{m,M,P,vmax_train,Mf},
线路信息:{L,S(Si,Se,p),C(C0,Ce,c),V(Li,Le),vmax_route}
其中:J为优化目标,E(v(t))为列车运行能耗,T(v(t))为列车运行时间,为配置信息,α和β为决策变量,不同时为零,D为列车停车的精确度,m为列车质量,f(v(t))为列车运行阻力,v(t)为t时刻列车的速度,s为t时刻列车行驶的距离,L为站间距,Ptrain为列车实际停车点,P0为指定列车停车点,M为列车牵引阶段加速运行的恒力矩常数,P为列车牵引阶段加速运行的恒功率常数,vmax_train为列车的最大运行速度,Mf为列车制动阶段的恒力矩,S(Si,Se,p)为坡道参数的集合,Si为坡道起点,Se为坡道终点,p为坡道坡度,C(C0,Ce,c)为弯道参数的集合,C0为弯道地点,Ce为弯道终点,c为弯道曲率,V(Li,Le)为线路限速速度,Li为限速区段起点,Le为限速区段终点,vmax_route为线路允许的最大列车运行速度;
步骤S3:采用基于Pareto优化的NSGA-II求解算法求解优化模型,得到最优目标速度曲线;
步骤S4:按照所述最优目标速度曲线控制列车运行。
2.根据权利要求1所述的一种基于目标速度曲线跟踪的列车站间运行控制方法,其特征在于,所述步骤S4具体包括:
步骤S41:强得到的最优目标速度曲线发送至车站;
步骤S42:在接收到车站的确认指令后,控制列车启动;
步骤S43:列车运行过程中,按预配置的采样周期实时获取自身在当前位置处的运行速度,并与所述最优目标速度曲线对比,根据对比结果控制列车的运行。
3.根据权利要求1所述的一种基于目标速度曲线跟踪的列车站间运行控制方法,其特征在于,所述根据对比结果控制列车的运行具体包括:
策略1:|v(s)-V(s)|<δ时,列车保持当前速度运行,其中,δ为预配置的误差阈值,v(s)为采集到的列车在当前位置s处运行速度,V(s)为根据所述最优目标速度曲线得到的当前位置s处的期望速度;
策略2:v(s)-V(s)<-δ时,以列车速度调整的平稳性和快捷性为依据,按照预配置的规则确定加速度调整因子λ的取值,然后控制单元驱动列车传动机构,使列车以加速运行,以缩小与期望速度的差距,其中,T为采样周期;
4.根据权利要求3所述的一种基于目标速度曲线跟踪的列车站间运行控制方法,其特征在于,所述预配置的规则具体为:当列车加速度小于设定阈值时,加速度调整因子取大于1,反之,则取小于1。
5.根据权利要求1所述的一种基于目标速度曲线跟踪的列车站间运行控制方法,其特征在于,所述配置信息的确定具体包括:
当列车站间行为控制为能耗、快捷性和停车精确度的综合优化过程时,α=1且β=1;
当列车站间行为控制为能耗和停车精确度的综合优化过程,而忽略快捷性时,α=1且β=0;
当受包括自然灾害、设备故障、行车事故在内突发事件导致当前列车时刻表所规定的行车秩序遭到破坏时,α=0且β=1。
6.根据权利要求1所述的一种基于目标速度曲线跟踪的列车站间运行控制方法,其特征在于,所述步骤S3具体包括:
步骤S31:初始化列车性能参数、线路参数和算法参数;
步骤S32:运用基于Pareto优化的NSGA-II求解算法,依次计算、生成以列车停车精确度D、列车运行能耗E(v(t))、列车运行时间T(v(t))为优化目标的Pareto解集;
步骤S33:在Pareto解集中,选取(αE(v(t))2+(βT(v(t))2+D2最小的解作为最优解,与此相应的V-S曲线即为列车站间运行的最优目标速度曲线。
7.根据权利要求6所述的一种基于目标速度曲线跟踪的列车站间运行控制方法,其特征在于,所述算法参数包括种群规模,选择算子,交叉算子,变异算子,拥挤距离,总迭代次数和优化目标初始值,其中,所述选择算子设定为α,变异算子设定为β。
8.根据权利要求7所述的一种基于目标速度曲线跟踪的列车站间运行控制方法,其特征在于,所述步骤S32具体包括:
步骤S321:将站间运行线路均匀划分为n+1个微小区间,始发站编号为0,到站编号为n+1,中间共有n个均匀分布的位置点可用于列车在站间运行过程中进行工况的转换;
步骤S322:以列车停车的精确度D为优化目标,在约束条件下对n+1个微小区间的列车工况进行随机设置,然后运用基于Pareto优化的NSGA-II求解算法,计算、生成Pareto解集1;
步骤S323:选择Pareto解集1中列车停车精确度D最高的最优解、(αE(v(t))2+(βT(v(t))2+D2最小的最优解和拥挤距离最大的最优解进入下一代,以列车运行能耗E(v(t))为优化目标,在约束条件下对n+1个微小区间的列车工况进行随机设置,然后运用基于Pareto优化的NSGA-II求解算法,计算、生成Pareto解集2;
步骤S324:选择Pareto解集2中列车运行能耗E(v(t))最高的最优解、(αE(v(t))2+(βT(v(t))2+D2最小的最优解和拥挤距离最大的最优解进入下一代,以列车运行时间T(v(t))为优化目标,在约束条件下对n+1个微小区间的列车工况进行随机设置,然后运用基于Pareto优化的NSGA-II求解算法,计算、生成Pareto解集3;
步骤S325:在Pareto解集3中选取E(v(t))、T(v(t))、D均最小或(αE(v(t))2+(βT(v(t))2+D2最小的解作为最优解,与此相应的V-S曲线即为所求最优的列车目标速度曲线。
9.一种基于目标速度曲线跟踪的列车站间运行控制装置,包括存储器、控制器、数据收发器,以及存储于存储器中并由所述处理器执行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。
10.根据权利要求9所述的装置,其特征在于,所述数据收发器为无线数据收发器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110197062.6A CN112896244B (zh) | 2021-02-22 | 2021-02-22 | 基于目标速度曲线跟踪的列车站间运行控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110197062.6A CN112896244B (zh) | 2021-02-22 | 2021-02-22 | 基于目标速度曲线跟踪的列车站间运行控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112896244A true CN112896244A (zh) | 2021-06-04 |
CN112896244B CN112896244B (zh) | 2022-07-19 |
Family
ID=76124316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110197062.6A Active CN112896244B (zh) | 2021-02-22 | 2021-02-22 | 基于目标速度曲线跟踪的列车站间运行控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112896244B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409591A (zh) * | 2021-06-23 | 2021-09-17 | 广州小鹏自动驾驶科技有限公司 | 弯道限速方法、车载终端、车辆以及计算机可读存储介质 |
CN114954541A (zh) * | 2022-04-29 | 2022-08-30 | 中车工业研究院有限公司 | 车辆的功率分配和跟踪速度的协同方法及装置 |
CN115366952A (zh) * | 2022-10-24 | 2022-11-22 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种铁路车站的接发车进路时机开放方法 |
CN117034459A (zh) * | 2023-08-18 | 2023-11-10 | 华东交通大学 | 基于改进蜣螂优化算法的磁浮列车运行优化方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003229097A1 (en) * | 2002-05-20 | 2003-12-02 | Tmg Rail Technology Pty Limited | System for improving timekeeping and saving energy on long-haul trains |
CN104881527A (zh) * | 2015-05-13 | 2015-09-02 | 南京理工大学 | 城市轨道交通列车ato速度命令优化方法 |
CN107368920A (zh) * | 2017-07-01 | 2017-11-21 | 南京理工大学 | 一种非高峰时段多列车运行节能优化方法 |
CN108657232A (zh) * | 2018-05-18 | 2018-10-16 | 重庆交通大学 | 一种城轨列车的多目标控制方法 |
CN108674452A (zh) * | 2018-05-18 | 2018-10-19 | 重庆交通大学 | 一种移动闭塞下的高铁列车群多目标控制方法 |
CN109858154A (zh) * | 2019-01-31 | 2019-06-07 | 广州地铁设计研究院股份有限公司 | 一种基于多目标优化的列车节能运行方法 |
CN110990950A (zh) * | 2019-12-04 | 2020-04-10 | 北京交通大学 | 基于混合运行模式的多目标列车节能优化方法 |
CN111460633A (zh) * | 2020-03-19 | 2020-07-28 | 南京理工大学 | 一种基于多目标粒子群算法的列车节能运行方法 |
-
2021
- 2021-02-22 CN CN202110197062.6A patent/CN112896244B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003229097A1 (en) * | 2002-05-20 | 2003-12-02 | Tmg Rail Technology Pty Limited | System for improving timekeeping and saving energy on long-haul trains |
CN104881527A (zh) * | 2015-05-13 | 2015-09-02 | 南京理工大学 | 城市轨道交通列车ato速度命令优化方法 |
CN107368920A (zh) * | 2017-07-01 | 2017-11-21 | 南京理工大学 | 一种非高峰时段多列车运行节能优化方法 |
CN108657232A (zh) * | 2018-05-18 | 2018-10-16 | 重庆交通大学 | 一种城轨列车的多目标控制方法 |
CN108674452A (zh) * | 2018-05-18 | 2018-10-19 | 重庆交通大学 | 一种移动闭塞下的高铁列车群多目标控制方法 |
CN109858154A (zh) * | 2019-01-31 | 2019-06-07 | 广州地铁设计研究院股份有限公司 | 一种基于多目标优化的列车节能运行方法 |
CN110990950A (zh) * | 2019-12-04 | 2020-04-10 | 北京交通大学 | 基于混合运行模式的多目标列车节能优化方法 |
CN111460633A (zh) * | 2020-03-19 | 2020-07-28 | 南京理工大学 | 一种基于多目标粒子群算法的列车节能运行方法 |
Non-Patent Citations (1)
Title |
---|
桂行东: "基于Pareto多目标遗传算法的列车节能运行方法研究", 《中国优秀博硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409591A (zh) * | 2021-06-23 | 2021-09-17 | 广州小鹏自动驾驶科技有限公司 | 弯道限速方法、车载终端、车辆以及计算机可读存储介质 |
CN114954541A (zh) * | 2022-04-29 | 2022-08-30 | 中车工业研究院有限公司 | 车辆的功率分配和跟踪速度的协同方法及装置 |
CN114954541B (zh) * | 2022-04-29 | 2023-08-18 | 中车工业研究院有限公司 | 车辆的功率分配和跟踪速度的协同方法及装置 |
CN115366952A (zh) * | 2022-10-24 | 2022-11-22 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种铁路车站的接发车进路时机开放方法 |
CN117034459A (zh) * | 2023-08-18 | 2023-11-10 | 华东交通大学 | 基于改进蜣螂优化算法的磁浮列车运行优化方法及系统 |
CN117034459B (zh) * | 2023-08-18 | 2024-05-31 | 华东交通大学 | 基于改进蜣螂优化算法的磁浮列车运行优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112896244B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112896244B (zh) | 基于目标速度曲线跟踪的列车站间运行控制方法及装置 | |
CN110497943B (zh) | 一种基于强化学习的城轨列车节能运行策略在线优化方法 | |
Yin et al. | Intelligent train operation algorithms for subway by expert system and reinforcement learning | |
ShangGuan et al. | Multiobjective optimization for train speed trajectory in CTCS high-speed railway with hybrid evolutionary algorithm | |
Yin et al. | Efficient real-time train operation algorithms with uncertain passenger demands | |
Carvajal-Carreño et al. | Fuzzy train tracking algorithm for the energy efficient operation of CBTC equipped metro lines | |
CN103235843B (zh) | 一种城市轨道交通列车运行优化控制模拟方法和系统 | |
CN106991832A (zh) | 用于监视机动车的方法和设备以及相应的机动车、停车场 | |
CN104228887B (zh) | 一种列车自动运行等级实时调整的方法及系统 | |
CN109693688B (zh) | 预设性能的列车自动驾驶控制系统及控制方法 | |
CN103863364A (zh) | 一种基于调度信号的货运机车自动操纵实时优化控制系统 | |
CN104986190A (zh) | 轨道列车的再生能量的利用方法和系统 | |
CN104881527A (zh) | 城市轨道交通列车ato速度命令优化方法 | |
CN112590738B (zh) | 兼容不同代际车辆的ato停车控制方法 | |
CN113415322A (zh) | 一种基于q学习的高速列车运行调整方法与系统 | |
CN113401173B (zh) | 列车运行控制方法、装置、电子设备及存储介质 | |
Zhang et al. | An AI based high-speed railway automatic train operation system analysis and design | |
CN114880770B (zh) | 一种基于参考深度强化学习的列车协同运行控制方法 | |
CN112744270B (zh) | 一种基于状态辨识的列车快速精确停车方法 | |
CN112977545B (zh) | 一种列车及其驾驶控制方法和系统 | |
CN113879360A (zh) | 列车控制系统和列车 | |
US11926356B1 (en) | Method and device for multi-train operation trend deduction | |
Caramia et al. | Automatic train operation systems: A survey on algorithm and performance index | |
Yin et al. | Balise arrangement optimization for train station parking via expert knowledge and genetic algorithm | |
CN114475659B (zh) | 一种信息处理方法、装置、设备以及存储介质 |
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 |