CN113442731B - 基于再生制动能量的智能列车控制方法、装置及电子设备 - Google Patents
基于再生制动能量的智能列车控制方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113442731B CN113442731B CN202111008835.8A CN202111008835A CN113442731B CN 113442731 B CN113442731 B CN 113442731B CN 202111008835 A CN202111008835 A CN 202111008835A CN 113442731 B CN113442731 B CN 113442731B
- Authority
- CN
- China
- Prior art keywords
- energy
- long
- power
- trains
- traction
- 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
Links
- 230000001172 regenerating effect Effects 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005265 energy consumption Methods 0.000 claims description 105
- 238000010521 absorption reaction Methods 0.000 claims description 77
- 238000012549 training Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008929 regeneration Effects 0.000 claims description 13
- 238000011069 regeneration method Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000005192 partition Methods 0.000 description 10
- 238000004146 energy storage Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L7/00—Electrodynamic brake systems for vehicles in general
- B60L7/10—Dynamic electric regenerative braking
- B60L7/18—Controlling the braking effect
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61H—BRAKES OR OTHER RETARDING DEVICES SPECIALLY ADAPTED FOR RAIL VEHICLES; ARRANGEMENT OR DISPOSITION THEREOF IN RAIL VEHICLES
- B61H11/00—Applications or arrangements of braking or retarding apparatus not otherwise provided for; Combinations of apparatus of different kinds or types
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
- B61L23/08—Control, warning or like safety means along the route or between vehicles or trains for controlling traffic in one direction only
- B61L23/14—Control, warning or like safety means along the route or between vehicles or trains for controlling traffic in one direction only automatically operated
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2200/00—Type of vehicles
- B60L2200/26—Rail vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供一种基于再生制动能量的智能列车控制方法、装置及电子设备,基于再生制动能量的智能列车控制方法包括:获取供电分区在目标时刻的长牵引列车数量和长牵引列车速度,以及长制动列车数量和长制动列车速度;基于所述长牵引列车数量和所述长牵引列车速度,以及所述长制动列车数量和所述长制动列车速度,得到再生制动能量裕量;基于所述再生制动能量裕量,对满足发车条件的列车,提示发车。本发明提供的基于再生制动能量的智能列车控制方法、装置及电子设备,用以解决现有技术中列车自动控制系统的总体节能效果不理想的缺陷,提高列车自动控制系统的总体节能效果。
Description
技术领域
本发明涉及智能控制技术领域,尤其涉及一种基于再生制动能量的智能列车控制方法、装置及电子设备。
背景技术
随着轨道交通及高速铁路的发展,线路长度增长及列车密度增加,轨道交通系统牵引能耗规模快速增长,如何有效降低轨道交通牵引能耗是摆在各大城市面前亟待解决的问题。
为了有效降低轨道交通牵引能耗,可以通过列车自动控制系统(Automatic traincontrol,ATC)优化控车算法与策略,合理利用线路上的弯道、坡道资源,智能化地延长惰行时间,减少制动的同时,降低牵引能耗。采用该种方案,列车自动控制系统陷入局部信息孤岛状态,最终导致一个城市或者一个地区的列车自动控制系统的总体节能效果不理想,尤其对于大城市早晚高峰时段,几乎没有节能效果。
发明内容
本发明提供一种基于再生制动能量的智能列车控制方法、装置及电子设备,用以解决现有技术中列车自动控制系统的总体节能效果不理想的缺陷,提高列车自动控制系统的总体节能效果。
本发明提供一种基于再生制动能量的智能列车控制方法,包括:
获取供电分区在目标时刻的长牵引列车数量和长牵引列车速度,以及长制动列车数量和长制动列车速度;
基于所述长牵引列车数量和所述长牵引列车速度,以及所述长制动列车数量和所述长制动列车速度,得到再生制动能量裕量;
基于所述再生制动能量裕量,对满足发车条件的列车,提示发车。
根据本发明提供的基于再生制动能量的智能列车控制方法,所述基于所述长牵引列车数量和所述长牵引列车速度,以及所述长制动列车数量和所述长制动列车速度,得到再生制动能量裕量,包括:
基于所述目标时刻的长牵引列车数量和长牵引列车速度,得到所述目标时刻对应的总牵引能耗功率;
基于所述目标时刻的长制动列车数量和长制动列车速度,得到所述目标时刻对应的总再生能量功率;
基于所述目标时刻对应的总牵引能耗功率和总再生能量功率,得到所述再生制动能量裕量。
根据本发明提供的基于再生制动能量的智能列车控制方法,所述基于所述目标时刻的长牵引列车数量和长牵引列车速度,得到所述目标时刻对应的总牵引能耗功率,包括:
基于如下公式,计算所述目标时刻的总牵引能耗功率:
其中,Pt为所述目标时刻的总牵引能耗功率,v1i为第i辆长牵引列车在所述目标时刻的速度,m为同一供电分区的长牵引列车的数量,参数a1i、b1i、c1i基于第i辆长牵引列车的历史耗电功率以及历史速度得到。
根据本发明提供的基于再生制动能量的智能列车控制方法,所述基于所述目标时刻的长制动列车数量和长制动列车速度,得到所述目标时刻对应的总再生能量功率,包括:
基于如下公式,计算所述目标时刻的总再生功率:
其中,Qt为所述目标时刻的总再生功率,v2i为第i辆长制动列车在所述目标时刻的速度,n为同一供电分区的长制动列车的数量,参数a2i、b2i、c2i基于第i辆长制动列车的历史再生功率以及历史速度得到。
根据本发明提供的基于再生制动能量的智能列车控制方法,所述基于所述目标时刻对应的总牵引能耗功率和总再生能量功率,得到所述再生制动能量裕量,包括:
将所述目标时刻对应的总牵引能耗功率和总再生能量功率输入至匹配模型,得到吸能装置的吸能功率;
在所述吸能功率大于目标能量配置量的情况下,确定存在再生制动能量裕量,且基于所述吸能功率与所述目标能量配置量的差值,得到所述再生制动能量裕量;
其中,所述匹配模型通过如下步骤得到:
获取历史时间段多个时刻的总牵引能耗功率、总再生能量功率以及所述吸能装置的吸能功率;
基于所述历史时间段多个时刻的总牵引能耗功率、总再生能量功率以及所述吸能装置的吸能功率,得到训练集、验证集和测试集;
基于所述训练集、验证集和测试集对XGBoost算法模型进行训练,得到所述匹配模型。
根据本发明提供的基于再生制动能量的智能列车控制方法,所述基于所述历史时间段多个时刻的总牵引能耗功率、总再生能量功率以及所述吸能装置的吸能功率,得到训练集、验证集和测试集,包括:
将所述历史时间段分为多个时间子区间,基于相同比例从每个时间子区间中抽取数个时刻,并获取所述数个时刻的总牵引能耗功率、总再生能量功率以及所述吸能装置的吸能功率;
基于所述数个时刻的总牵引能耗功率、总再生能量功率以及所述吸能装置的吸能功率,得到训练集、验证集和测试集。
本发明还提供一种基于再生制动能量的智能列车控制装置,包括:
获取模块,用于获取供电分区在目标时刻的长牵引列车数量和长牵引列车速度,以及长制动列车数量和长制动列车速度;
计算模块,用于基于所述长牵引列车数量和所述长牵引列车速度,以及所述长制动列车数量和所述长制动列车速度,得到再生制动能量裕量;
提示模块,用于基于所述再生制动能量裕量,对满足发车条件的列车,提示发车。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于再生制动能量的智能列车控制方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于再生制动能量的智能列车控制方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于再生制动能量的智能列车控制方法的步骤。
本发明提供的基于再生制动能量的智能列车控制方法、装置及电子设备,通过获取供电分区在目标时刻的长牵引列车数量和长牵引列车速度,以及长制动列车数量和长制动列车速度;基于长牵引列车数量和长牵引列车速度,以及长制动列车数量和长制动列车速度,得到再生制动能量裕量;在还存在再生制动能量裕量之后,为了避免再生制动能量裕量被浪费,可以基于再生制动能量裕量,对满足发车条件的列车,提示发车,列车发车进入长牵引状态,可以充分利用再生制动能量裕量,避免再生制动能量裕量被浪费,解决现有技术中列车自动控制系统的总体节能效果不理想的缺陷,提高列车自动控制系统的总体节能效果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的基于再生制动能量的智能列车控制方法的流程示意图之一;
图2是本发明提供的基于再生制动能量的智能列车控制方法的流程示意图之二;
图3是本发明提供的基于再生制动能量的智能列车控制装置的原理框图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图4描述本发明的基于再生制动能量的智能列车控制方法、装置及电子设备。
如图1所示,本发明提供的一种基于再生制动能量的智能列车控制方法包括:
步骤110、获取供电分区在目标时刻的长牵引列车数量和长牵引列车速度,以及长制动列车数量和长制动列车速度。
可以理解的是,供电分区为电气交通系统对供电所划分的相互隔断的区段。再生制动亦称反馈制动,再生制动在制动工况将电动机切换成发电机运转,利用车的惯性带动电动机转子旋转而产生反转力矩,将一部分的动能或势能转化为电能并加以储存或利用。
目标时刻可以是列车处于工作状态的当前时刻。
列车分为长牵引列车和长制动列车。长牵引列车为牵引状态持续5秒以上的列车,在持续5秒以上的牵引状态下,列车速度从零增长到列车最大速度(即:区间顶棚速度)。长制动列车为制动状态持续5秒以上的列车,在持续5秒以上的制动状态下,列车速度从最大速度逐渐降速行驶至站台终点。
ATC(Automatic train control,列车自动控制系统)中的ATP子系统(AutomaticTrain Protection,列车自动保护子系统)或者ATO子系统(Automatic Train Control,列车自动控制子系统)既有功能包括实时(每500ms为频率)上报控制信息至ATS子系统(Automatic Train Supervision,列车自动监控子系统),上报的控制信息包括时间、车组号、列车速度以及列车位置等。ATO子系统既有功能还包括实时控制列车的牵引制动。
ATP子系统或者ATO子系统在既有功能的基础上,增加对“长制动”、“长牵引”、“非长制动长牵引”功能的预测识别功能(时间可定制,一般按照5S以上),并将该状态信息通过车地无线网络上传到ATS子系统(每500ms为频率)。
具备“长制动”、“长牵引”识别能力的ATO子系统,能够排除短时间牵引制动工况对整个再生制动能量利用的干扰。
车载TCMS(Train Control and Management System,列车控制和管理系统)的数据记录中以每500ms为单位,记录了实时车速、牵引能耗、再生能量、辅助能耗。
列车的牵引能耗由三大部分构成:
牵引能耗:
牵引列车加速,消耗在全列各动车上的牵引能耗的总和。该部分也是列控节能的主要降低的耗能部分。
影响牵引能耗的主要因素包括线路因素(坡道、弯道、道岔、风洞)、运力因素(高峰、平峰)、车辆因素(车重、目前平衡、车轮平整度)等等。
辅助能耗:
辅助能耗指的是除了列车牵引系统以及再生制动系统之外的各类辅助设备能耗,包括交流负载能耗与直流负载能耗两大部分。交流负载能耗包括通风机、压缩机等感性负载,电加热器等电阻性负载;直流负载能耗包括各个控制器单元、直流照明、信号灯、列车广播等直流负载提供电源及为本单元蓄电池充电。
影响辅助能耗的主要因素包括季节因素(夏季空调能耗增大、冬季加热器能耗增大)、光照因素(地上线路白天照明能耗减少)等等。
再生制动能量:
列车高速电制动,将动能转化为电能反馈回电网的能量。该部分能量的反馈会电网之后,如果恰好能够被同一供电分区内的其他牵引车辆再利用,而不是以吸能电阻消耗掉,将会有效降低能耗。
影响再生制动的主要因素包括电网传输系统与地面储能装置的能量转化率、地面供电分区划分合理性以及地面储能装置能量存储能力、高峰时特定运行图的在各个供电分区内的再生能量利用率、平峰时同一供电分区多车间协同利用再生能量的利用率等。
ATS子系统实时记录各车的数据主要包括以下信息:时间、车组号、速度、位置、长牵引制动状态、牵引能耗、再生能耗、辅助能耗等(每500ms为频率)。
步骤120、基于长牵引列车数量和长牵引列车速度,以及长制动列车数量和长制动列车速度,得到再生制动能量裕量。
可以理解的是,长牵引列车会消耗电能,其所消耗的电能与车速相关,长牵引列车可以再生电能,其所再生的电能与车速相关。ATC中的ATS子系统与供电系统、再生制动系统接口,累计供电系统与再生制动系统能耗大数据,得到再生制动能量裕量,再生制动能量裕量也即是再生制动反馈能量的裕量。
进一步,按照供电分区对供电系统能耗信息进行数据清洗与筛选,结合不同时段内再生制动系统的储能状态数据与供电系统能耗数据,采用XGBoost机器学习算法,找到当前线路当前吸能储能装置配置条件下,各个供电分区的长制动列车的总再生功率与长牵引列车的总耗电功率之间的实时匹配模型。
步骤130、基于再生制动能量裕量,对满足发车条件的列车,提示发车。
可以理解的是,当存在再生制动能量裕量的时候,对满足发车条件的列车提示发车。
在列车发车后就进入长牵引状态,进而利用再生制动能量裕量。列车驾驶员或者列车自动驾驶系统可以根据列车发车提示执行发车操作,利用再生制动能量裕量。
ATS子系统综合各个供电分区内各列车反馈的长制动状态信息、长牵引状态信息,实时计算各个供电分区内的长制动列车数和长牵引列车数,并计算当前供电分区是否还具备再生制动能量的裕量。如果存在裕量,将向特定供电分区内的各类车广播再生制动能量裕量提示信息,再生制动能量裕量提示信息包括有裕量提示或者无裕量提示。
车载ATO子系统接收到ATS子系统广播的再生制动能量裕量提示信息,结合自身的状态判断是否处于站台停准停稳状态,按需命令车载HMI(即:人机界面)闪烁再生制动能量裕量提示图标。
列车处于有人驾驶模式下,车载HMI闪烁的再生制动能量裕量提示图标,提示司机列车所处的当前供电分区内存在再生制动能量裕量,在具备发车条件的情况下,推荐尽快发车。
在无人驾驶模式下,车载ATO子系统在具备发车条件的情况下,综合既定运行计划的发车时间,结合自身的时分预测算法,智能决定发车时机。
对于有人驾驶模式下的列车,车载HMI上闪烁的再生制动能量裕量提示图标用于提示司机列车所处的当前供电分区内存在再生制动能量裕量,如果当前站已经完成乘客乘降、开关车门等操作,可以尽快发车,借由再生制动的能量完成列车出站长牵引过程,长牵引过程持续5秒以上。
对于无人驾驶模式下的列车,车载ATO子系统结合时分预测功能,时分预测功能即:根据前方到下一站的区间线路信息,预测不同控制策略下的运行时间的功能,结合ATS子系统下发的运行计划信息,当前站停时间信息,综合计算发车时机。
在一些实施例中,基于长牵引列车数量和长牵引列车速度,以及长制动列车数量和长制动列车速度,得到再生制动能量裕量,包括:
基于目标时刻的长牵引列车数量和长牵引列车速度,得到目标时刻对应的总牵引能耗功率;
基于目标时刻的长制动列车数量和长制动列车速度,得到目标时刻对应的总再生能量功率;
基于目标时刻对应的总牵引能耗功率和总再生能量功率,得到再生制动能量裕量。
在一些实施例中,基于目标时刻的长牵引列车数量和长牵引列车速度,得到目标时刻对应的总牵引能耗功率,包括:
基于如下公式,计算目标时刻t的总牵引能耗功率:
其中,Pt为目标时刻t的总牵引能耗功率,v1i为第i辆长牵引列车在目标时刻t的速度,m为同一供电分区的长牵引列车的数量,参数a1i、b1i、c1i基于第i辆长牵引列车的历史耗电功率以及历史速度得到。
p(v1i)为第i辆长牵引列车的耗电功率,也即是第i辆列车在长牵引状态下的耗电功率。
在一些实施例中,基于目标时刻的长制动列车数量和长制动列车速度,得到目标时刻对应的总再生能量功率,包括:
基于如下公式,计算目标时刻t的总再生功率:
其中,Qt为目标时刻t的总再生功率,v2i为第i辆长制动列车在目标时刻t的速度,n为同一供电分区的长制动列车的数量,参数a2i、b2i、c2i基于第i辆长制动列车的历史再生功率以及历史速度得到。
q(v2i)为第i辆长制动列车的再生功率,也即是第i辆列车在长制动状态下的再生功率。
由于ATC自动驾驶列车从站台零速到区间顶棚速度的控制过程以及从区间高速开始制动到站台去停准停稳的控制过程具有一致性,且呈现线性规律,建立列车速度的耗电功率函数与再生功率函数模型如上。
其中,车速的精度0.1km/h,p(v1i)与q(v2i)的精度0.01kwh。选取全年车载TCMS的数据(若全线列车不同批次牵引制动机构结构不同,需要按批次分别筛选汇总),用长牵引状态截取全部数据,辨识a1i、b1i、c1i参数;同理,用长制动状态截取数据,辨识a2i、b2i、c2i参数。
在一些实施例中,基于目标时刻对应的总牵引能耗功率和总再生能量功率,得到再生制动能量裕量,包括:
将目标时刻对应的总牵引能耗功率和总再生能量功率输入至匹配模型,得到吸能装置的吸能功率。
需要说明的是吸能装置是用于存储再生制动能量的,当吸能装置中存在再生制动能量裕量的时候,可以通过列车发车来利用该裕量。
在吸能功率大于目标能量配置量的情况下,确定存在再生制动能量裕量,且基于吸能功率与目标能量配置量的差值,得到再生制动能量裕量。
其中,匹配模型通过如下步骤得到:
获取历史时间段多个时刻的总牵引能耗功率、总再生能量功率以及吸能装置的吸能功率;
基于历史时间段多个时刻的总牵引能耗功率、总再生能量功率以及吸能装置的吸能功率,得到训练集、验证集和测试集;
基于训练集、验证集和测试集对XGBoost算法模型进行训练,得到匹配模型。
需要说明的是,对于目标时刻t,该供电区域内的Pt与Qt往往作用到电网并不是实时响应的,能量的传递往往需要通过变流器、直流母线、网压变化、吸能装置网压检测、吸能装置最终响应等各个环节和路径,因此能量因传输路径会产生损耗,对应到吸能装置也存在时间上的延迟。但同一供电分区内的能量损耗以及延迟存在一致性,所以供电分区为划分,建立各个供电分区自有的神经网络训练模型,即匹配模型。
在训练XGBoost算法模型时,分析常用吸能储能装置响应时间总体不会超过5s,那么将时间按照500ms分别记为t1、t2…t10,对应的总牵引能耗功率(即:供电系统能耗数据)与总再生能量功率(即:储能状态数据)作为模型的输入,以吸能装置t10时刻的吸能功率作为输出。
XGBoost算法模型如下:
迭代模型:gbtree;
损失函数:Multi:Softmax;
学习率:0.1;
树的深度:6;
正则化参数:2。
在一些实施例中,基于历史时间段多个时刻的总牵引能耗功率、总再生能量功率以及吸能装置的吸能功率,得到训练集、验证集和测试集,包括:
将历史时间段分为多个时间子区间,基于相同比例从每个时间子区间中抽取数个时刻,并获取数个时刻的总牵引能耗功率、总再生能量功率以及吸能装置的吸能功率;
基于数个时刻的总牵引能耗功率、总再生能量功率以及吸能装置的吸能功率,得到训练集、验证集和测试集。
可以理解的是,在一些实施例中,收集一个时间段的大数据,例如月度大数据,包括车载数据、供电数据、吸能数据三部分:
车载数据包括以下信息:时间、车组号、列车速度、列车位置、长牵引制动状态、牵引能耗、再生能量、辅助能耗。
需要说明的是,基于长牵引制动状态以及列车位置,可以计算得到得到列车的能耗或者再生能量,再结合列车记录的牵引能耗、再生能量以及辅助能耗,可以计算出上述的参数a1i、b1i、c1i,以及a2i、b2i、c2i,进而可以确定上述的长牵引列车的总耗电功率以及长牵引列车的总再生功率。
供电数据,也即是牵引降压变电所数据,牵引降压变电所数据包括以下信息:时间、有功电量、无功电量、所属供电分区、报警信息。
需要说明的是,基于牵引降压变电所数据,可以确定牵引降压变电所存在异常报警时段的数据。
吸能数据,也即是吸能装置实时能量数据,吸能装置实时能量数据包括以下信息:时间、正向有功电能、反向有功电能、所属供电分区、报警信息。
可以理解的是,基于吸能装置实时能量数据,可以得到吸能装置的输出功率。
在获取了车载数据、供电数据、吸能数据后,对该数据的处理流程如下:
(1)首先完成车载数据、供电数据、吸能数据等三部分数据的时间对齐与500ms线性平均。
(2)接着以时间为唯一匹配标识,按照供电分区分类汇总。
(3)删除吸能装置容量低于第一目标值(例如10%)和高于第二目标值(例如90%)的数据,该部分数据往往因装置预热以及容量报警等原因与电网能量的关联性差。
(4)删除牵引降压变电所存在异常报警时段的数据,最后得到有效数据。
(5)按照7:1:2的比例,将有效数据分成训练集、验证集与测试集。需对全天各个时段等比例抽取,取保各数据集中高峰时段、平峰时段的总体分布一致。同时需要确保各集合数据的“长牵引”、“长制动”的连续性。
(6)训练集中取连续10个时刻的数据输入、第10个时刻的输出,并结合XGBoost算法模型进行训练;然后剔除做旧周期的数据,新增下一时刻的数据形成行的连续10个时刻的输入以及新的输出进行循环训练。
训练后结合各个集中站的模型,部署于ATS子系统中,每500ms汇总各车的实施数据计算各个供电分区的总牵引能耗功率与总再生能量功率,并输入给该供电分区的匹配模型。当匹配模型给出吸能装置的吸能功率大约一定配置量的时候(一般定为1列车牵引所需要的功率),向该区域列车发送再生能量裕度信息。
在一些实施例中,基于再生制动能量的智能列车控制方法还包括:
在列车处于自动驾驶模式,且列车满足发车条件的情况下,基于列车发车提示控制列车发车。
在一些实施例中,基于再生制动能量的智能列车控制方法还包括:
在基于再生制动能量裕量,对满足发车条件的列车,提示发车之后,获取该再生制动能量裕量的能量利用情况,并基于再生制动能量裕量的能量利用情况,优化列车运行图。
需要说明的是,ATS子系统根据全线各次再生制动能量裕量提示的匹配信息大数据,不断精细化各个供电分区内的长制动列车的总再生能量功率与长牵引列车的总牵引能耗功率之间的实时匹配模型,并按照一定的学习梯度,动态优化列车运行图。
给出再生制动能量裕量提示后,最终是否能够有效的利用,最终提升了多少再生制定的能耗利用率,最终均需要经过ATS子系统统计历次执行信息的大数据,综合评估。
这种评估具有很大的意义,例如某一时段某一特定站台待发列车,即使早早获悉了再生制动能量裕量提示信息,常态下也不能及时利用(如该时段内该站客流量大,拥挤导致往往多次关门等等),那么该时段内该站随然理论上具备运行优化空间,但实质上也不应进行优化。
基于综合评估,有地放失地针对性地优化运行图,才能实质性地更科学地提升运行计划的节能特征。ATS子系统可根据各地不同的运营需求,设定学习更新运行图的频率(每半年或者每年等),实质性地降低轨道交通牵引能耗。
具备基于再生制动能量裕量利用大数据的ATS子系统运行图优化功能,相比于之前的运行图调整策略更加有效、更加务实。通过月度自动训练不断优化模型的仿真度,能够有效地应对车载、供电设施、吸能储能设备老化因素导致的性能下降等情况。
在一实施例中,基于再生制动能量的智能列车控制方法的具体步骤如图2所示,在发出再生制动能量裕量提示后,还要判断列车是否处于无人自动驾驶模式,根据模式的不同选择不同的发车策略。
在一些实施例中,A市地铁B线路先后经历了历次设备新增与升级,具备丰富的线路特征场景,例如大弯道与大坡道叠加、同时具备地上线与地下线。
为了能够评估当前地铁B线路再生制动能量的利用率,需要利用车载数据与地面数据进行综合分析估算。从地面全年角度估算估再生能量再利用率,估算平均每车公里能耗10.4 kwh,相较于车载在忽略再生能量时的指标每车公里能耗13.5 kwh,可估算再生制动大约有每车公里3.1 kwh得到了再利用,占再生制动能量的56.2%。消耗的牵引能量通过电制动回馈电网,所以A市地铁B线路夏季牵引能耗在净占比约为76%。冬季列车的供暖系统将导致列车的辅助能耗较夏季提高,所以牵引能耗的占比将会降低。例如,地铁B线路在夏季的列车能耗占比分别为牵引能耗占比58%,再生能量占比29%,辅助能耗占比13%。
统计常规工作日地铁B线路各站牵引日用能耗,以2020年8月14日为例,早晚高峰能耗占全日能耗的49%以上,其中,早高峰7-9点牵引用电量占全天用电量的26%;晚高峰17-19点牵引用电量占全天用电量的23%。
地铁B线路全线日车载能耗大约21.8万度。按照牵引能耗降低5%,综合牵引能耗占比,估算直接经济价值每月10万元以上。
综上所述,通过数据汇总分析,再生能量的占比较大,总量占牵引能耗的50%左右,再生能量目前的利用率仅为56.2%,如果再生能耗利用率提高5%,总能耗将相应降低2.7%。可见有效地利用再生制动的能耗,将是非常有力的节能手段。
然而再生能耗的再利用涉及很多复杂的因素,例如电网传输系统与地面储能装置的自身能量转化率、地面供电分区划分合理性以及多车间协同利用再生能耗的策略、高峰时段计划调整余量不足以支撑再利用等等复杂因素。
通过ATO子系统与ATS子系统协同,当有同一供电分区内的再生制动能量可供其他列车牵引时,车载系统向司机进行声光提示,实现车载再生裕量提示功能,将有效提高平峰时的再生能量利用率,有效降低列车牵引能耗。
本发明提供的基于再生制动能量的智能列车控制方法具备能耗信息大数据综合分析计算能力的ATS子系统,能够针对特定线路的配置情况计算出各个供电分区长制动列车的总再生能量功率、长牵引列车的总牵引耗电功率的实时匹配状态,计算再生制动能量裕量,无需浪费大量人工统计分析工作。
本发明建立的匹配模型,能够自动辨识并适应因不同供电分区配盖范围不同、供电设备系统配置不同、吸能储能装置配置不同从而造成的再生功率折算率不同、牵引耗电功率率不同、吸能响应延时不同等情况,在轨道交通领域具有一定的普适性。
下面对本发明提供的基于再生制动能量的智能列车控制装置进行描述,下文描述的基于再生制动能量的智能列车控制装置与上文描述的基于再生制动能量的智能列车控制方法可相互对应参照。
如图3所示,本发明提供的基于再生制动能量的智能列车控制装置300包括:获取模块310、计算模块320和提示模块330。
获取模块310用于获取供电分区在目标时刻的长牵引列车数量和长牵引列车速度,以及长制动列车数量和长制动列车速度。
计算模块320用于基于长牵引列车数量和长牵引列车速度,以及长制动列车数量和长制动列车速度,得到再生制动能量裕量。
提示模块330用于基于再生制动能量裕量,对满足发车条件的列车,提示发车。
在一些实施例中,计算模块320包括:第一计算单元、第二计算单元和第三计算单元。
第一计算单元用于基于目标时刻的长牵引列车数量和长牵引列车速度,得到目标时刻对应的总牵引能耗功率;
第二计算单元用于基于目标时刻的长制动列车数量和长制动列车速度,得到目标时刻对应的总再生能量功率;
第三计算单元用于基于目标时刻对应的总牵引能耗功率和总再生能量功率,得到再生制动能量裕量。
进一步,第一计算单元用于基于如下公式,计算目标时刻t的总牵引能耗功率:
其中,Pt为目标时刻t的总牵引能耗功率,v1i为第i辆长牵引列车在目标时刻t的速度,m为同一供电分区的长牵引列车的数量,参数a1i、b1i、c1i基于第i辆长牵引列车的历史耗电功率以及历史速度得到。
第二计算单元基于如下公式,计算目标时刻t的总再生功率:
其中,Qt为目标时刻t的总再生功率,v2i为第i辆长制动列车在目标时刻t的速度,n为同一供电分区的长制动列车的数量,参数a2i、b2i、c2i基于第i辆长制动列车的历史再生功率以及历史速度得到。
在一些实施例中,第三计算单元包括:吸能功率计算单元和裕量计算单元。
吸能功率计算单元用于将目标时刻对应的总牵引能耗功率和总再生能量功率输入至匹配模型,得到吸能装置的吸能功率。
裕量计算单元用于在吸能功率大于目标能量配置量的情况下,确定存在再生制动能量裕量,且基于吸能功率与目标能量配置量的差值,得到再生制动能量裕量。
其中,匹配模型通过如下步骤得到:
获取历史时间段多个时刻的总牵引能耗功率、总再生能量功率以及吸能装置的吸能功率;
基于历史时间段多个时刻的总牵引能耗功率、总再生能量功率以及吸能装置的吸能功率,得到训练集、验证集和测试集;
基于训练集、验证集和测试集对XGBoost算法模型进行训练,得到匹配模型。
进一步,基于历史时间段多个时刻的总牵引能耗功率、总再生能量功率以及吸能装置的吸能功率,得到训练集、验证集和测试集,包括:
将历史时间段分为多个时间子区间,基于相同比例从每个时间子区间中抽取数个时刻,并获取数个时刻的总牵引能耗功率、总再生能量功率以及吸能装置的吸能功率;
基于数个时刻的总牵引能耗功率、总再生能量功率以及吸能装置的吸能功率,得到训练集、验证集和测试集。
在一些实施例中,基于再生制动能量的智能列车控制装置300还包括:发车控制模块。
发车控制模块用于在列车处于自动驾驶模式,且列车满足发车条件的情况下,基于列车发车提示控制列车发车。
在一些实施例中,基于再生制动能量的智能列车控制装置300还包括:运行图优化模块。
运行图优化模块用于在基于再生制动能量裕量,对满足发车条件的列车,提示发车之后,获取该再生制动能量裕量的能量利用情况,并基于再生制动能量裕量的能量利用情况,优化列车运行图。
下面对本发明提供的电子设备及存储介质进行描述,下文描述的电子设备及存储介质与上文描述的基于再生制动能量的智能列车控制方法可相互对应参照。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行基于再生制动能量的智能列车控制方法,该方法包括:
步骤110、获取供电分区在目标时刻的长牵引列车数量和长牵引列车速度,以及长制动列车数量和长制动列车速度;
步骤120、基于长牵引列车数量和长牵引列车速度,以及长制动列车数量和长制动列车速度,得到再生制动能量裕量;
步骤130、基于再生制动能量裕量,对满足发车条件的列车,提示发车。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于再生制动能量的智能列车控制方法,该方法包括:
步骤110、获取供电分区在目标时刻的长牵引列车数量和长牵引列车速度,以及长制动列车数量和长制动列车速度;
步骤120、基于长牵引列车数量和长牵引列车速度,以及长制动列车数量和长制动列车速度,得到再生制动能量裕量;
步骤130、基于再生制动能量裕量,对满足发车条件的列车,提示发车。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于再生制动能量的智能列车控制方法,该方法包括:
步骤110、获取供电分区在目标时刻的长牵引列车数量和长牵引列车速度,以及长制动列车数量和长制动列车速度;
步骤120、基于长牵引列车数量和长牵引列车速度,以及长制动列车数量和长制动列车速度,得到再生制动能量裕量;
步骤130、基于再生制动能量裕量,对满足发车条件的列车,提示发车。
以上所描述的装置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的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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计算机可读存储介质中,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于再生制动能量的智能列车控制方法,其特征在于,包括:
获取供电分区在目标时刻的长牵引列车数量和长牵引列车速度,以及长制动列车数量和长制动列车速度;其中,所述目标时刻为列车处于工作状态的当前时刻;
基于所述长牵引列车数量和所述长牵引列车速度,以及所述长制动列车数量和所述长制动列车速度,得到再生制动能量裕量;
基于所述再生制动能量裕量,对满足发车条件的列车,提示发车。
2.根据权利要求1所述的基于再生制动能量的智能列车控制方法,其特征在于,所述基于所述长牵引列车数量和所述长牵引列车速度,以及所述长制动列车数量和所述长制动列车速度,得到再生制动能量裕量,包括:
基于所述目标时刻的长牵引列车数量和长牵引列车速度,得到所述目标时刻对应的总牵引能耗功率;
基于所述目标时刻的长制动列车数量和长制动列车速度,得到所述目标时刻对应的总再生能量功率;
基于所述目标时刻对应的总牵引能耗功率和总再生能量功率,得到所述再生制动能量裕量。
5.根据权利要求2所述的基于再生制动能量的智能列车控制方法,其特征在于,所述基于所述目标时刻对应的总牵引能耗功率和总再生能量功率,得到所述再生制动能量裕量,包括:
将所述目标时刻对应的总牵引能耗功率和总再生能量功率输入至匹配模型,得到吸能装置的吸能功率;
在所述吸能功率大于目标能量配置量的情况下,确定存在再生制动能量裕量,且基于所述吸能功率与所述目标能量配置量的差值,得到所述再生制动能量裕量;
其中,所述匹配模型通过如下步骤得到:
获取历史时间段多个时刻的总牵引能耗功率、总再生能量功率以及所述吸能装置的吸能功率;
基于所述历史时间段多个时刻的总牵引能耗功率、总再生能量功率以及所述吸能装置的吸能功率,得到训练集、验证集和测试集;
基于所述训练集、验证集和测试集对XGBoost算法模型进行训练,得到所述匹配模型。
6.根据权利要求5所述的基于再生制动能量的智能列车控制方法,其特征在于,所述基于所述历史时间段多个时刻的总牵引能耗功率、总再生能量功率以及所述吸能装置的吸能功率,得到训练集、验证集和测试集,包括:
将所述历史时间段分为多个时间子区间,基于相同比例从每个时间子区间中抽取数个时刻,并获取所述数个时刻的总牵引能耗功率、总再生能量功率以及所述吸能装置的吸能功率;
基于所述数个时刻的总牵引能耗功率、总再生能量功率以及所述吸能装置的吸能功率,得到训练集、验证集和测试集。
7.一种基于再生制动能量的智能列车控制装置,其特征在于,包括:
获取模块,用于获取供电分区在目标时刻的长牵引列车数量和长牵引列车速度,以及长制动列车数量和长制动列车速度;其中,所述目标时刻为列车处于工作状态的当前时刻;
计算模块,用于基于所述长牵引列车数量和所述长牵引列车速度,以及所述长制动列车数量和所述长制动列车速度,得到再生制动能量裕量;
提示模块,用于基于所述再生制动能量裕量,对满足发车条件的列车,提示发车。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,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至6任一项所述基于再生制动能量的智能列车控制方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于再生制动能量的智能列车控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111008835.8A CN113442731B (zh) | 2021-08-31 | 2021-08-31 | 基于再生制动能量的智能列车控制方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111008835.8A CN113442731B (zh) | 2021-08-31 | 2021-08-31 | 基于再生制动能量的智能列车控制方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113442731A CN113442731A (zh) | 2021-09-28 |
CN113442731B true CN113442731B (zh) | 2021-12-07 |
Family
ID=77819184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111008835.8A Active CN113442731B (zh) | 2021-08-31 | 2021-08-31 | 基于再生制动能量的智能列车控制方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113442731B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114132368B (zh) * | 2021-11-23 | 2022-12-20 | 交控科技股份有限公司 | 一种车辆控制方法、装置、设备及可读存储介质 |
CN114954572B (zh) * | 2022-06-14 | 2024-04-19 | 通号城市轨道交通技术有限公司 | 基于牵引耗能统计的列车自动调度方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102358191A (zh) * | 2011-08-05 | 2012-02-22 | 惠州市标顶空压技术有限公司 | 新型城市轨道交通再生电能回收系统 |
FR2987589A1 (fr) * | 2012-03-05 | 2013-09-06 | Alstom Transport Sa | Reseau ferroviaire electrique et procede d'echange d'energie associe. |
CN103738367A (zh) * | 2013-12-27 | 2014-04-23 | 北京交控科技有限公司 | 轨道交通计划运行图优化方法 |
CN104582997A (zh) * | 2012-08-14 | 2015-04-29 | 三菱电机株式会社 | 列车信息管理装置及设备控制方法 |
CN104986190A (zh) * | 2015-06-30 | 2015-10-21 | 北京交通大学 | 轨道列车的再生能量的利用方法和系统 |
CN110239600A (zh) * | 2019-06-04 | 2019-09-17 | 北京交通大学 | 面向再生制动能量利用的列车运行控制方法及系统 |
CN111806241A (zh) * | 2020-06-28 | 2020-10-23 | 同济大学 | 一种轨道交通列车再生电能回收空间确定方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3150419B1 (en) * | 2015-09-30 | 2021-06-23 | Mitsubishi Electric R&D Centre Europe B.V. | Method and a system for reducing the energy consumption of railway systems |
CN106809023B (zh) * | 2016-09-21 | 2018-01-23 | 比亚迪股份有限公司 | 列车的制动回收系统和方法及列车 |
CN106828547B (zh) * | 2017-03-06 | 2019-02-15 | 北京交通大学 | 一种面向再生制动能量利用的列车调度方法及系统 |
CN108116455B (zh) * | 2017-12-07 | 2020-05-08 | 交控科技股份有限公司 | 城市轨道交通综合节能系统及基于该系统的综合节能方法 |
CN108725519A (zh) * | 2018-01-26 | 2018-11-02 | 中车工业研究院有限公司 | 一种降低运行能耗的列车运行图优化方法 |
CN111191181B (zh) * | 2019-12-12 | 2023-04-28 | 同济大学 | 一种轨道交通多列车节能速度优化的运行能耗计算方法 |
CN112124372B (zh) * | 2020-08-28 | 2021-07-23 | 北京交通大学 | 一种利用列车停车时间优化再生制动控制的节能方法 |
-
2021
- 2021-08-31 CN CN202111008835.8A patent/CN113442731B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102358191A (zh) * | 2011-08-05 | 2012-02-22 | 惠州市标顶空压技术有限公司 | 新型城市轨道交通再生电能回收系统 |
FR2987589A1 (fr) * | 2012-03-05 | 2013-09-06 | Alstom Transport Sa | Reseau ferroviaire electrique et procede d'echange d'energie associe. |
CN104582997A (zh) * | 2012-08-14 | 2015-04-29 | 三菱电机株式会社 | 列车信息管理装置及设备控制方法 |
CN103738367A (zh) * | 2013-12-27 | 2014-04-23 | 北京交控科技有限公司 | 轨道交通计划运行图优化方法 |
CN104986190A (zh) * | 2015-06-30 | 2015-10-21 | 北京交通大学 | 轨道列车的再生能量的利用方法和系统 |
CN110239600A (zh) * | 2019-06-04 | 2019-09-17 | 北京交通大学 | 面向再生制动能量利用的列车运行控制方法及系统 |
CN111806241A (zh) * | 2020-06-28 | 2020-10-23 | 同济大学 | 一种轨道交通列车再生电能回收空间确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113442731A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108116455B (zh) | 城市轨道交通综合节能系统及基于该系统的综合节能方法 | |
Qin et al. | Numerical analysis of electric bus fast charging strategies for demand charge reduction | |
US11708098B2 (en) | Method and device for optimizing target operation speed curve in ATO of train | |
CN113442731B (zh) | 基于再生制动能量的智能列车控制方法、装置及电子设备 | |
CN111452669B (zh) | 公交智能充电的系统和方法及介质 | |
CN109278812B (zh) | 一种动车组应急运行司机指导方法 | |
CN106828547B (zh) | 一种面向再生制动能量利用的列车调度方法及系统 | |
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 | |
CN111400662B (zh) | 一种考虑电动汽车充电需求的空间负荷预测方法 | |
CN102055217A (zh) | 电动汽车有序充电控制方法及系统 | |
CN112319557A (zh) | 一种晚点条件下地铁列车的运行调整方法及系统 | |
CN103448758A (zh) | 一种准时及节能的列车自动调整方法及系统 | |
CN104170208A (zh) | 铁道电力管理装置、铁道电力管理方法及铁道电力管理程序 | |
CN104401370A (zh) | 多列车协同控制的节能优化方法 | |
CN107818383A (zh) | 一种混合动力列车能量管理策略的优化方法及系统 | |
CN110232219B (zh) | 一种基于数据挖掘的电动汽车可调度容量核定方法 | |
CN113269372A (zh) | 一种考虑用户意愿的集群电动汽车可调度容量预测评估方法 | |
CN109398426B (zh) | 一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法 | |
Ghaviha et al. | Speed profile optimization of an electric train with on-board energy storage and continuous tractive effort | |
CN114282821A (zh) | 一种共享电动汽车的调度方法、系统及设备 | |
CN110033155A (zh) | 行驶能量分配系统、行驶能量分配方法及行驶能量分配程序 | |
CN113619408B (zh) | 基于储能装置的供电控制方法、装置、终端及存储介质 | |
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 | |
Jingwei et al. | Charging load forecasting for electric vehicles based on fuzzy inference | |
Sengor et al. | Smart railway station energy management considering regenerative braking and ESS |
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 |