CN113821966A - 高速磁浮列车运行节能优化方法、系统及存储介质 - Google Patents
高速磁浮列车运行节能优化方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113821966A CN113821966A CN202011540634.8A CN202011540634A CN113821966A CN 113821966 A CN113821966 A CN 113821966A CN 202011540634 A CN202011540634 A CN 202011540634A CN 113821966 A CN113821966 A CN 113821966A
- Authority
- CN
- China
- Prior art keywords
- train
- interval
- firefly
- individual
- speed
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 title claims description 36
- 241000254158 Lampyridae Species 0.000 claims description 55
- 238000005265 energy consumption Methods 0.000 claims description 43
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 11
- 230000008447 perception Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 2
- 238000004134 energy conservation Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 description 8
- 230000009467 reduction Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000005339 levitation Methods 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种高速磁浮列车运行节能优化方法、系统及存储介质,首先根据高速磁浮列车运行过程设计列车牵引计算模型,构造能耗、时间、停车点、平稳性四项节能性能指标量化函数,建立列车运行曲线多目标优化模型,然后采用萤火虫算法对列车节能优化问题进行求解。本方法能够依据区间内线路坡度、速度限制、列车牵引特性、制动特性等信息,快速搜索出不同计划运行时间条件下的节能运行曲线,同时满足高速磁浮列车行驶的节能性、准时性、安全性和平稳性要求,按照本方法搜索出的运行曲线指导列车运行可以有效降低列车能耗。
Description
技术领域
本发明涉及高速磁浮列车节能技术领域,特别是一种高速磁浮列车运行节能优化方法、系统及存储介质。
背景技术
至2019年末,我国高速铁路运营里程超过3.5万公里,约占全球高速铁路线路长度的70%,随着速度的增高,运行能耗也将越来越大,其中高速铁路系统80%左右的能量消耗都与列车运行相关。与此同时,高速磁浮列车运行速度将达到600km/h,减少列车高速运行能耗成为了绿色发展的必要趋势。
高速磁浮列车节能是一个极具现实意义又十分庞杂的问题,目前的研究大多使用动态规划、遗传算法等传统算法进行问题的求解,基于经典力学分析构建运动学模型,对列车进行受力分析,通过减少列车的不必要做功来降低列车牵引能耗,达到减少列车能量消耗的目的。然而动态规划方法在求解复杂线路时会遇到维数爆炸、难以求解的情况,遗传算法及其相应的改进算法存在参数和步骤多、问题规模对求解过程影响较大等问题。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种高速磁浮列车运行节能优化方法,优化列车运行曲线降低列车运行能耗。
为解决上述技术问题,本发明所采用的技术方案是:一种高速磁浮列车运行节能优化方法,包括以下步骤:
S1、建立列车运行曲线多目标优化模型:
fe=min{E,ΔT,ΔS,G};
其中,fe为列车运行曲线优化模型的目标函数;E为列车运行总能耗;ΔT为时间偏差值;ΔS为停车位置偏差值;G为列车平稳性指标值;v为列车运行速度;m为列车质量;f(v)为列车受到的单位牵引力;w(s)为列车在位置s受到的单位阻力;b(v)为列车受到的单位制动力;si为每一个时间步长内列车的行驶距离;S为列车最终的停车位置;v(0)为列车在初始位置时的行驶速度;v(S)为列车在最终停车位置时的行驶速度;t(0)为列车行驶到初始位置时所花费的时间,取值为0;t(S)为列车行驶到停车位置时所花费的时间;vmax为运行线路的限速值;T0为列车图定运行时间;
列车运行节能优化以优化能耗为目的,本发明方法在考虑能耗降低的同时,考量了运行时间、限速等约束条件,在牵引计算基础上求解符合要求的操纵方案。多目标的考量使得计算得出的结果更符合现场作业的情况与列车乘客的需求。
S2、利用所述列车运行曲线多目标优化模型计算得到最优的列车运行曲线和对应的电能消耗量。
S2中,列车运行曲线多目标优化模型的具体求解过程包括:
1)初始化萤火虫种群,即根据线路数据与列车数据生成初始驾驶策略;
3)根据所述个体适应度值完成个体荧光素值更新,对萤火虫个体之间进行亮度比较,荧光素值更大的个体亮度更高,所对应的解性能更优,能够将附近的其他个体吸引过来,进行寻优搜索;个体荧光素值更新的公式如下:li(t+1)=(1-ρ)·li(t)+γ·Q(t+1);其中,li(t+1)为第t+1代萤火虫个体i的亮度值;ρ为荧光素值挥发系数;li(t)为第t代萤火虫个体i的亮度值;γ为荧光素值的增强系数;Q(t+1)为第t+1代萤火虫个体i的适应度值;
4)利用下式更新萤火虫位置和感知半径,实现萤火虫种群合并与替换:
其中,xi(t+1)为萤火虫个体i移动后的位置;xi(t)为萤火虫个体i移动前的位置;
1)判断是否达到最大迭代次数,若未达到,转到步骤2),否则,终止算法,输出序列S=[s1,s2…,sn-1]和参数E,所述序列S=[s1,s2…,sn-1]和参数E分别表示列车运行曲线及列车运行曲线对应的电能消耗值,结束。
将列车运行过程中的平均加速度变化作为优化性能的指标之一,可以保证列车运行过程中的平稳性,优化旅客的乘坐体验。
其中,μf为列车牵引时电能转化为机械能的效率;F(v)为列车输出的牵引力;s0为列车输出牵引力的路程区间;B(v)为列车输出的制动力;μb为列车制动时机械能转化为电能的效率;s1为列车输出制动力的路程区间;A为单位时间内的辅助能耗;T为列车实际运行时间。
列车运行能耗是列车运行节能优化的主要性能指标,将列车运行能耗分为牵引能耗、非牵引能耗和再生制动能耗三部分,牵引能耗以列车在每种工况下输出的牵引力对路程的积分表示,非牵引列车能耗以时间为单位进行计算,最后扣除反馈至牵引供电系统的再生制动能量便得到列车运行过程中的能耗E,降低列车运行能耗是进行运行优化的主要目标。所述初始驾驶策略的具体生成过程包括:
A)确定区间[s0,s1]:已知列车运行起点为s0=0,初速度为v0=0,且自列车运行开始第一个工况固定为牵引工况,根据当前工况与运行速度可求出列车合力,进而求出瞬时加速度at,再根据瞬时加速度求出时间步长内的位置转移量与速度转移量,同时设置工况最短持续时间为T1秒,工况转换点s1存在的区间为列车在T1秒内行驶的距离和加速到线路限制速度所行驶的距离,即s1∈[smmin,smax],其中区间下限为t(smmin)=T1,区间上限为v(smax)=vmax,在区间内随机取点即确定区间[s0,s1]。其中T1为工况最短持续时间;smin为列车为了满足最短工况持续时间所行驶到的位置;smax为列车加速到线路限制速度所行驶的距离;t(smin)为大于等于最短工况持续时间的实际运行时间;v(smax)为行驶到区间终点位置时的列车速度;vmax为区间线路限制速度;
B)当确定工况u1、工况转换位置s1后,根据所述列车运行曲线多目标优化模型计算区间内能量指标、停车与时间指标、平稳性指标;
C)确定区间[s1,s2]:已知区间[s0,s1]列车工况u1为牵引工况,如果u2为牵引工况,则工况转换点s2∈[smin,smax],其中区间下限smin=s1,区间上限smax为列车加速到线路限制速度所行驶的距离;如果u2为巡航工况或者惰行工况,则工况转换点位置的区间下限smin为列车在该工况下行驶T1秒所行驶的距离,区间上限smax为列车巡航或惰行到该位置进行最大制动能够保证精准停车所行驶的距离;
D)在确定第二个区间[s1,s2]的位置以及运行工况之后,根据所述列车运行曲线多目标优化模型计算区间内能量指标、停车与时间指标、平稳性指标,并将区间[s1,s2]内的能量消耗、运行时间、行驶距离与区间[s0,s1]内的能量消耗、运行时间、行驶距离对应相加;
E)根据区间[s1,s2]进行下一区间以及后续区间的列车运行工况确定以及工况转换位置确定,并进行相应性能指标的确定,确定方式与区间[s1,s2]的确定方式相同,当确定到最后一个区间时,区间工况固定为制动,列车最终停车位置根据制动工况进行计算得到,即得到列车实际停车位置。
完成目标问题数学模型的建立,结合对列车运行模型的分析,要完成对模型的求解,首先确定要求解的对象,包括工况序列和位置序列,本发明使用分区间计算方法进行牵引计算与目标评价,可以将列车节能优化问题与智能算法有效结合起来。
本发明还提供了一种高速磁浮列车运行节能优化系统,包括计算机设备;所述计算机设备被配置或编程为用于执行上述方法的步骤。
作为一个发明构思,本发明还提供一种计算机存储介质,其存储有程序;所述程序被配置或编程为用于执行上述方法的步骤。
与现有技术相比,本发明所具有的有益效果为:
(1)本发明采用了易于实现、优化性能较好的群体智能算法进行问题的求解,不受问题连续性和可微性要求的限制,具有较好的通用性,在列车运行曲线优化问题当中,萤火虫算法凭借可以处理连续搜索空间的特点,能够在给定的搜索空间内寻找最优解或者次优解;
(2)本发明建立了考虑运行能耗、运行时间、停车精度以及旅客舒适度的多目标列车运行曲线优化模型,通过对目标函数进行迭代求解得到列车运行的推荐速度曲线,高速磁浮列车按照该曲线进行自动驾驶能够达到较好的节能性、准时性、安全性和平稳性;本发明的方案不仅适用于磁浮列车,同时可以推广到常规高速列车等领域。
附图说明
图1为本发明中实施例基于萤火虫算法的高速磁浮列车运行节能优化方法的步骤示意图;
图2为应用于列车运行节能优化问题的萤火虫算法原理图;
图3为列车运行过程示意图。
具体实施方式
结合图1~2,本发明实施例基于萤火虫算法的高速磁浮列车运行节能优化方法,包括以下步骤:
步骤1、初始化高速磁浮列车运行曲线优化相关的基本数据;
步骤1涉及的基本数据包括线路参数、运营数据以及与萤火虫算法相关的基本参数;
所述线路参数包括:计划停车位置、线路坡度数据、线路速度限制;
所述运营数据包括:计划运行时间;
所述与算法有关的基本参数包括:荧光素值挥发系数、个体亮度值、荧光素值增强系数、感知半径的最大值、感知半径缩放系数。
步骤2、建立对应的列车运行曲线多目标优化模型,如下所示:
fe=min{E,ΔT,ΔS,G} (1)
式(1)中:fe为列车运行曲线优化模型的目标函数;E为列车运行总能耗(kWh);
ΔT为时间偏差值(s),是计划运行时间T0与实际运行时间T的差值;ΔS为停车位置偏差值(m),是计划停车位置S0与实际停车位置S的差值;G为列车平稳性指标值,规定允许最大值为1;
步骤2中的优化模型对应约束条件包括0≤si≤S,i=1,2,…,n s1=0,sn=S,其中i表示区间的各个部分,同时规定v(0)=v(S)=0,v(si)≤vmax,即列车在区间开始和结束时的速度规定为0,区间内最高速度不得超过区间运行线路速度限制vmax,约束条件t(S)=T0,0≤t(si)≤T0则要求列车在区间运行的总时间不得超过计划运行时间;
步骤2中优化模型的各项节能性能指标量化函数具体包括能耗指标、时间与停车指标、平稳性指标,以这几种指标对列车运行过程进行综合评价:
(1)能耗指标
高速磁浮铁路列车运行所消耗的能量按用途可以分为牵引能耗和非牵引能耗,列车运行能耗计算公式如下:
式(2)中:E为列车运行总能耗(kWh);μf为列车牵引时电能转化为机械能的效率;S0为列车输出牵引力的路程区间(km);μb为列车制动时机械能转化为电能的效率;S1为列车输出制动力的路程区间(km);A为单位时间内的辅助能耗(kWh/h);T为列车实际运行时间(s);
(2)时间与停车指标
列车在线路上按照固定行车计划运行,列车运行时间误差与停车位置误差计算公式如下:
ΔT=|T-T0| (3)
ΔS=|S-S0| (4)
式(3)中:ΔT为时间偏差值(s);T为实际运行时间(s);T0为图定运行时间(s);
式(4)中ΔS为停车位置偏差值(m);S为实际停车位置(m);S0为计划停车位置(m);
(3)平稳性指标
列车运行过程中激烈的速度变化会和乘客的惯性产生反应,为乘客带来不舒适的乘坐体验,高速磁浮列车平均加速度G值的计算方式如下:
步骤3、使用萤火虫算法,结合多目标优化模型对列车运行能耗进行求解,进行运行曲线优化;
所述步骤3包括以下子步骤:
步骤3.1:算法参数初始化,根据线路数据与列车数据等生成初始驾驶策略,该过程即为萤火虫种群初始化,其中初始驾驶策略的生成方法如下:
列车运行曲线优化问题可以转化为在满足速度、坡度等多种约束条件的限制下,求解从出发点s0行驶到目的地sn的最优操纵方案,优劣的评判由性能指标模型确定,方案内容具体包括工况转换点序列S=[s1,s2…,sn-1]以及工况序列U=[u1,u2,…,un],在求解过程中重点需要明确区间的选择以及运行工况的选择,具体求解步骤如下:
步骤3.1.1:确定区间[s0,s1],已知列车运行起点为s0=0,初速度为v0=0,且自列车运行开始第一个工况固定为牵引工况,根据当前工况与运行速度可求出列车合力,进而求出瞬时加速度a,再根据加速度求出时间步长内的位置转移量与速度转移量,同时,在列车实际运行过程当中并不会过于频繁地进行工况转换,故设置工况最短持续时间为3秒,工况转换点s1存在的区间为列车在3秒内行驶的距离和加速到线路限制速度所行驶的距离,即s1∈[smin,smax],其中区间下限为t(smin)=3,区间上限为v(smax)=vmax,在区间内随机取点即可确定区间[s0,s1];
步骤3.1.2:计算区间[s0,s1]性能指标,当确定工况u1、工况转换位置s1后即可根据步骤2所述性能指标计算方法进行区间内能量指标、停车与时间指标、平稳性指标的计算;
步骤3.1.3:确定区间[s1,s2],完成第一区间的位置确定与性能指标计算后需要进行下一相邻区间的工况以及工况转换位置的确定,该区间受到上一区间的工况的约束,已知上一区间列车工况u1为牵引工况,根据工况转换原则可知区间[s1,s2]的工况可能为牵引工况、巡航工况或惰行工况,如果u2为牵引工况,则不用考虑工况最小持续时间,工况转换点s2∈[smin,smax],其中区间下限smin=s1,区间上限smax为列车加速到线路限制速度所行驶的距离;如果u2为巡航工况或者惰行工况,则工况转换点位置的区间下限smin为列车在该工况下行驶3秒所行驶的距离,区间上限smax为列车巡航或惰行到该位置进行最大制动能够保证精准停车所行驶的距离;
步骤3.1.4:计算区间[s1,s2]性能指标,在确定第二个区间的位置以及运行工况之后,依旧需要根据步骤2性能指标进行区间内能量指标、停车与时间指标、平稳性指标的计算,并将能量消耗、运行时间、行驶距离与上一区间的数据进行累加;
步骤3.1.5:根据区间[s1,s2]进行下一区间以及后续区间的列车运行工况确定以及工况转换位置确定,并进行相应性能指标的确定,当确定到最后一个区间时,区间工况固定为制动,列车最终停车位置根据制动工况进行计算得到,即列车实际停车位置;
步骤3.2:计算个体的适应度值,计算公式如下:
式(6)中k1、k2、k3、k4为各项指标对应权重系数,根据实际需求进行调整;E为列车运行总能耗(kWh);ΔT为时间偏差值(s);ΔS为停车位置偏差值(m);G为列车平稳性指标值;
步骤3.3:完成荧光素值更新,进行亮度比较,荧光素值更新公式如下:
li(t+1)=(1-ρ)·li(t)+γ·Q(t+1) (7)
式(7)中li(t+1)为第t+1代萤火虫个体i的亮度值;ρ为荧光素值挥发系数;li(t)为第t代萤火虫个体i的亮度值;γ为荧光素值的增强系数;Q(t+1)为第t+1代萤火虫个体i的适应度值,与目标函数值对应;
步骤3.4:更新萤火虫位置和感知半径,实现种群合并与替换,更新公式如下:
式(8)中xi(t+1)为萤火虫个体i移动后的位置;xi(t)为萤火虫个体i移动前的位置;s为萤火虫个体移动步长;||xj(t)-xi(t)||为萤火虫个体i与萤火虫个体j之间的笛卡尔距离;式(9)中为萤火虫个体i移动后的感知半径;rs为种群中感知半径的最大值;为萤火虫个体i移动前的感知半径;β为感知半径缩放系数;ni为萤火虫个体感知范围内规定的优秀个体数;|Ni(t)|为萤火虫个体感知范围内实际的优秀个体数;
步骤3.5:判断算法是否完成最大迭代次数,若未完成,转到步骤3.2,否则,终止算法,输出最优解对应的工况序列U以及工况转换点序列S。
步骤4、提取最优解,得到一组如附图3所示包括牵引、制动、巡航与惰行工况,符合高速磁浮列车行驶的节能性、准时性、安全性和平稳性要求的列车运行曲线,并得到对应的电能消耗量。
Claims (7)
1.一种高速磁浮列车运行节能优化方法,其特征在于,包括以下步骤:
S1、建立列车运行曲线多目标优化模型:
fe=min{E,ΔT,ΔS,G};
其中,fe为列车运行曲线优化模型的目标函数;E为列车运行总能耗;ΔT为时间偏差值;ΔS为停车位置偏差值;G为列车平稳性指标值;v为列车运行速度;m为列车质量;f(v)为列车受到的单位牵引力;w(s)为列车在位置s受到的单位阻力;b(v)为列车受到的单位制动力;si为每一个时间步长内列车的行驶距离;S为列车最终的停车位置;v(0)为列车在初始位置时的行驶速度;v(S)为列车在最终停车位置时的行驶速度;t(0)为列车行驶到初始位置时所花费的时间;t(S)为列车行驶到停车位置时所花费的时间;vmax为运行线路的限速值;T0为列车图定运行时间;
S2、利用所述列车运行曲线多目标优化模型计算得到最优的列车运行曲线和对应的电能消耗量。
2.根据权利要求1所述的高速磁浮列车运行节能优化方法,其特征在于,S2中,列车运行曲线多目标优化模型的具体求解过程包括:
1)初始化萤火虫种群,即根据线路数据与列车数据生成初始驾驶策略;
3)根据所述个体适应度值完成个体荧光素值更新,对萤火虫个体之间进行亮度比较,根据亮度更新个体荧光素值;个体荧光素值更新的公式如下:li(t+1)=(1-ρ)·li(t)+γ·Q(t+1);其中,li(t+1)为第t+1代萤火虫个体i的亮度值;ρ为荧光素值挥发系数;li(t)为第t代萤火虫个体i的亮度值;γ为荧光素值的增强系数;Q(t+1)为第t+1代萤火虫个体i的适应度值;
4)利用下式更新萤火虫位置和感知半径,实现萤火虫种群合并与替换:
其中,xi(t+1)为萤火虫个体i移动后的位置;xi(t)为萤火虫个体i移动前的位置;σ为萤火虫个体移动步长;||xj(t)-xi(t)||为萤火虫个体i与萤火虫个体j之间的笛卡尔距离;为萤火虫个体i移动后的感知半径;rs为种群中感知半径的最大值;为萤火虫个体i移动前的感知半径;β为感知半径缩放系数;ni为萤火虫个体感知范围内规定的优秀个体数;|Ni(t)|为萤火虫个体感知范围内实际的优秀个体数;
5)判断是否达到最大迭代次数,若未达到,转到步骤2),否则,输出荧光素值最大的萤火虫个体对应的序列S=[s1,s2…,sn-1]和参数E,所述序列S=[s1,s2…,sn-1]和参数E分别表示列车运行曲线及列车运行曲线对应的电能消耗值,结束。
5.根据权利要求2~4之一所述的高速磁浮列车运行节能优化方法,其特征在于,所述初始驾驶策略由工况转换点序列S=[s1,s2…,sn-1]描述,具体生成过程包括:
A)确定区间[s0,s1]:已知列车运行起点为s0=0,初速度为v0=0,且自列车运行开始第一个工况固定为牵引工况,根据当前工况与运行速度可求出列车合力,进而求出瞬时加速度at,再根据瞬时加速度求出时间步长内的位置转移量与速度转移量,同时设置工况最短持续时间为T1秒,工况转换点s1存在的区间为列车在T1秒内行驶的距离和加速到线路限制速度所行驶的距离,即s1∈[smin,smax],其中区间下限为t(smin)=T1,区间上限为v(smax)=vmax,在区间内随机取点即确定区间[s0,s1],T1为工况最短持续时间;smin为列车为了满足最短工况持续时间所行驶到的位置;smax为列车加速到线路限制速度所行驶的距离;t(smin)为大于等于最短工况持续时间的实际运行时间;v(smax)为行驶到区间终点位置时的列车速度;vmax为区间线路限制速度。
B)当确定工况u1、工况转换位置s1后,根据所述列车运行曲线多目标优化模型计算区间内能量指标、停车与时间指标、平稳性指标;
C)确定区间[s1,s2]:已知区间[s0,s1]列车工况u1为牵引工况,如果u2为牵引工况,则工况转换点s2∈[smin,smax],其中区间下限smin=s1,区间上限smax为列车加速到线路限制速度所行驶的距离;如果u2为巡航工况或者惰行工况,则工况转换点位置的区间下限smin为列车在该工况下行驶T1秒所行驶的距离,区间上限smax为列车巡航或惰行到该位置进行最大制动能够保证精准停车所行驶的距离;
D)在确定第二个区间[s1,s2]的位置以及运行工况之后,根据所述列车运行曲线多目标优化模型计算区间内能量指标、停车与时间指标、平稳性指标,并将区间[s1,s2]内的能量消耗、运行时间、行驶距离与区间[s0,s1]内的能量消耗、运行时间、行驶距离对应相加;
E)对于第二个区间[s1,s2]的下一区间以及后续区间,重复执行步骤C)和步骤D),确定每个区间列车运行工况以及工况转换位置,当确定到最后一个区间时,区间工况固定为制动,列车最终停车位置根据制动工况进行计算得到,即得到列车实际停车位置。
6.一种高速磁浮列车运行节能优化系统,其特征在于,包括计算机设备;所述计算机设备被配置或编程为用于执行权利要求1~5之一所述方法的步骤。
7.一种计算机存储介质,其特征在于,其存储有程序;所述程序被配置或编程为用于执行权利要求1~5之一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011540634.8A CN113821966A (zh) | 2020-12-23 | 2020-12-23 | 高速磁浮列车运行节能优化方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011540634.8A CN113821966A (zh) | 2020-12-23 | 2020-12-23 | 高速磁浮列车运行节能优化方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113821966A true CN113821966A (zh) | 2021-12-21 |
Family
ID=78924902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011540634.8A Pending CN113821966A (zh) | 2020-12-23 | 2020-12-23 | 高速磁浮列车运行节能优化方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113821966A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114117650A (zh) * | 2022-01-26 | 2022-03-01 | 华东交通大学 | 一种重载列车多目标运行曲线优化方法及系统 |
CN114889677A (zh) * | 2022-06-02 | 2022-08-12 | 中车青岛四方机车车辆股份有限公司 | 一种磁浮分区划分方式确定方法、装置、介质 |
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 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110361207A (zh) * | 2019-07-25 | 2019-10-22 | 中南大学 | 一种智能列车走行部在线状态预测系统及其方法 |
-
2020
- 2020-12-23 CN CN202011540634.8A patent/CN113821966A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110361207A (zh) * | 2019-07-25 | 2019-10-22 | 中南大学 | 一种智能列车走行部在线状态预测系统及其方法 |
Non-Patent Citations (3)
Title |
---|
孟建军: "城轨列车多目标优化控制算法研究与仿真", 《系统仿真学报 》, vol. 29, no. 3, 8 March 2017 (2017-03-08), pages 581 - 588 * |
熊超彬: "基于GSO算法的列车运行节能操纵优化研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, vol. 2014, no. 9, 15 September 2014 (2014-09-15), pages 033 - 234 * |
马晓娜: "采用萤火虫算法的高速列车节能运行优化", 《华侨大学学报(自然科学版)》, vol. 40, no. 4, 17 July 2019 (2019-07-17), pages 452 - 456 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114117650A (zh) * | 2022-01-26 | 2022-03-01 | 华东交通大学 | 一种重载列车多目标运行曲线优化方法及系统 |
CN114889677A (zh) * | 2022-06-02 | 2022-08-12 | 中车青岛四方机车车辆股份有限公司 | 一种磁浮分区划分方式确定方法、装置、介质 |
CN114889677B (zh) * | 2022-06-02 | 2024-03-15 | 中车青岛四方机车车辆股份有限公司 | 一种磁浮分区划分方式确定方法、装置、介质 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111791887B (zh) | 一种基于分层式车速规划的车辆节能驾驶方法 | |
CN110936824B (zh) | 一种基于自适应动态规划的电动汽车双电机控制方法 | |
CN109978350A (zh) | 一种基于工况分解动态规划算法的地铁列车节能优化方法 | |
WO2022142540A1 (zh) | 基于智能网联信息的新能源汽车滑行控制系统、方法及新能源汽车 | |
CN106056238B (zh) | 列车区间运行轨迹的规划方法 | |
CN113821966A (zh) | 高速磁浮列车运行节能优化方法、系统及存储介质 | |
CN104656452B (zh) | 一种基于矩阵离散的地铁列车优化控制方法及装置 | |
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 | |
CN112507464A (zh) | 基于改进多目标灰狼算法的货运列车运行曲线优化方法 | |
CN113561793B (zh) | 一种动态约束的智能燃料电池汽车能量管理策略 | |
CN116946107B (zh) | 一种能量轨迹跟随下的混动系统模式决策与功率分配方法 | |
Zhang et al. | Optimal eco-driving control of autonomous and electric trucks in adaptation to highway topography: Energy minimization and battery life extension | |
CN114148325B (zh) | 重型混合动力商用车预见性能量管理方法 | |
CN115805840A (zh) | 一种增程式电动装载机能耗控制方法及系统 | |
CN115221717A (zh) | 一种减少重载列车纵向冲动的运行曲线滚动优化方法 | |
CN113276829B (zh) | 一种基于工况预测的车辆行驶节能优化变权重方法 | |
CN111591324B (zh) | 基于灰狼优化算法的重载列车能耗优化方法 | |
Chen et al. | A survey of control algorithm for automatic train operation | |
CN112464453B (zh) | 一种考虑列车动态响应过程的运行速度曲线规划仿真方法 | |
CN117273371A (zh) | 基于虚拟耦合的重载列车群组运行轨迹优化方法及系统 | |
Schenker et al. | Optimization model for operation of battery multiple units on partly electrified railway lines | |
Yu et al. | Research on operating strategy based on particle swarm optimization for heavy haul train on long down-slope | |
Allen et al. | Application of regenerative braking with optimized speed profiles for sustainable train operation | |
CN111598311B (zh) | 一种新型列车运行速度曲线智能优化方法 | |
CN114692266A (zh) | 一种基于高斯伪谱法的节能坡优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |