FR3076775A1 - Procede d'optimisation du profil de vitesse d'un vehicule ferroviaire et dispositifs associes - Google Patents

Procede d'optimisation du profil de vitesse d'un vehicule ferroviaire et dispositifs associes Download PDF

Info

Publication number
FR3076775A1
FR3076775A1 FR1850288A FR1850288A FR3076775A1 FR 3076775 A1 FR3076775 A1 FR 3076775A1 FR 1850288 A FR1850288 A FR 1850288A FR 1850288 A FR1850288 A FR 1850288A FR 3076775 A1 FR3076775 A1 FR 3076775A1
Authority
FR
France
Prior art keywords
rail vehicle
measurement data
speed profile
speed
energy consumption
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
Application number
FR1850288A
Other languages
English (en)
Other versions
FR3076775B1 (fr
Inventor
Amira Ben Hamida
Ahmed Amrani
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.)
Institut de Recherche Technologique Systemx
Original Assignee
Institut de Recherche Technologique Systemx
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 Institut de Recherche Technologique Systemx filed Critical Institut de Recherche Technologique Systemx
Priority to FR1850288A priority Critical patent/FR3076775B1/fr
Publication of FR3076775A1 publication Critical patent/FR3076775A1/fr
Application granted granted Critical
Publication of FR3076775B1 publication Critical patent/FR3076775B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
    • B60L15/20—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed
    • B60L15/2045—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed for optimising the use of energy
    • 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
    • B60L9/00—Electric propulsion with power supply external to the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00—Indicators provided on the vehicle or train for signalling purposes
    • B61L15/0058—On-board optimisation of vehicle or vehicle train operation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00—Indicators provided on the vehicle or train for signalling purposes
    • B61L15/0072—On-board train data handling
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L25/00—Recording or indicating positions or identities of vehicles or trains or setting of track apparatus
    • B61L25/02—Indicating or recording positions or identities of vehicles or trains
    • B61L25/021—Measuring and recording of train speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L25/00—Recording or indicating positions or identities of vehicles or trains or setting of track apparatus
    • B61L25/02—Indicating or recording positions or identities of vehicles or trains
    • B61L25/025—Absolute localisation, e.g. providing geodetic coordinates
    • 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
    • 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
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/10—Vehicle control parameters
    • B60L2240/12—Speed
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/10—Vehicle control parameters
    • B60L2240/14—Acceleration
    • B60L2240/16—Acceleration longitudinal
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/62—Vehicle position
    • B60L2240/622—Vehicle position by satellite navigation
    • 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
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/42—Control modes by adaptive correction
    • 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
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self learning
    • 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
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • B60L2260/54—Energy consumption estimation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L2205/00—Communication or navigation systems for railway traffic
    • B61L2205/04—Satellite based navigation systems, e.g. global positioning system [GPS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/64—Electric machine technologies in electromobility
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

L'invention concerne un procédé d'optimisation du profil de vitesse d'un véhicule ferroviaire (30) ;comportant une étape de : - obtention de données de mesures à partir de mesures acquises relatives au véhicule ferroviaire (30), - extraction de profil de vitesse du véhicule ferroviaire (30) à partir des données de mesure, - établissement d'un modèle de consommation en énergie, l'étape d'établissement étant mise en œuvre à l'aide d'une technique d'apprentissage supervisé de type régression appliquée aux données de mesures, et - calcul d'un profil de vitesse optimisé pour un critère, le critère étant la minimisation de somme des valeurs instantanées obtenues par utilisation du modèle de consommation en énergie sur le profil de vitesse, le calcul étant mis en œuvre par utilisation d'une métaheuristique d'optimisation appliquée sur une population initiale comportant les profils de vitesse extraits.

Description

Procédé d’optimisation du profil de vitesse d’un véhicule ferroviaire et dispositifs associés
La présente invention concerne un procédé d’optimisation du profil de vitesse d’un véhicule ferroviaire. La présente invention se rapporte également à un produit programme d’ordinateur, un support lisible d’informations et une installation ferroviaire associés.
Dans le domaine ferroviaire, de multiples contraintes souvent contradictoires sont à prendre en compte. En particulier, la sécurité et la durabilité sont deux impératifs à considérer. D’autres critères sont également souhaités comme une consommation d'énergie la plus réduite possible. Il est donc souhaitable de diminuer la consommation d’énergie d’un véhicule ferroviaire en garantissant la sécurité ainsi qu’une durabilité acceptable.
Par ailleurs, il est connu que la consommation en énergie électrique des véhicules ferroviaires, notamment des trains urbains, provient de plusieurs systèmes. D’une part, le système de traction du véhicule ferroviaire consomme de l’énergie et d’autre part, la ventilation, la climatisation et l’éclairage sont également des systèmes consommateurs d’énergie.
Néanmoins, en pratique, la majeure partie de la consommation en énergie du véhicule ferroviaire provient du système de traction. Comme la consommation du système de traction dépend de la stratégie de conduite du véhicule ferroviaire, une bonne stratégie permet d’une part de minimiser la consommation d’énergie du véhicule ferroviaire et d’autre part d’être facile à mettre en œuvre puisqu’aucune modification de l’infrastructure ferroviaire n’est impliquée.
Il existe donc un besoin pour un procédé d’optimisation du profil de vitesse d’un véhicule ferroviaire permettant d’obtenir un profil de vitesse optimal qui minimise la consommation de l’énergie tout en garantissant le respect des contraintes spécifiques au domaine ferroviaire, comme la sécurité.
Pour cela la présente description porte sur un procédé d’optimisation du profil de vitesse d’un véhicule ferroviaire, le procédé comportant au moins une étape d’obtention de données de mesures à partir de mesures acquises, les mesures acquises étant relatives au véhicule ferroviaire, une étape d’extraction de profil de vitesse du véhicule ferroviaire à partir des données de mesure, une étape d’établissement d’un modèle de consommation en énergie, le modèle en consommation en énergie étant une fonction propre à associer à un instant donné à des données de mesures et à un profil de vitesse du véhicule ferroviaire une consommation en énergie du véhicule ferroviaire, l’étape d’établissement étant mise en œuvre à l’aide d’une technique d’apprentissage supervisé de type régression appliquée aux données de mesures. Le procédé comporte aussi une étape de calcul d’au moins un profil de vitesse optimisé pour au moins un critère, l’au moins un critère étant la minimisation de somme des valeurs instantanées obtenues par utilisation du modèle de consommation en énergie sur le profil de vitesse, le calcul étant mis en oeuvre par utilisation d’une métaheuristique d’optimisation appliquée sur une population initiale comportant les profils de vitesse extraits.
Selon des modes de réalisation particuliers, le procédé présente une ou plusieurs des caractéristiques suivantes, prise(s) isolément ou selon toutes les combinaisons techniquement possibles :
- la technique d’apprentissage supervisé de type régression est un apprentissage de forêt aléatoire.
- la métaheuristique d’optimisation est un algorithme génétique.
- le véhicule ferroviaire comporte un système de traction et dans lequel, à l’étape de prise de mesures, les mesures comportent au moins la tension d’alimentation du système de traction du véhicule ferroviaire, le courant d’alimentation du système de traction du véhicule ferroviaire, la vitesse du véhicule ferroviaire et la position du véhicule ferroviaire.
- une technique d’apprentissage supervisée de type régression est appliquée sur des données de mesure obtenues à des instants ultérieurs à l’instant donné.
- une étape de traitement des mesures prises lors de l’étape de prise de mesures pour obtenir des données de mesures.
- la technique d’apprentissage supervisé de type régression utilise comme données de mesure, la vitesse du véhicule ferroviaire, l’accélération du véhicule ferroviaire et la dérivée temporelle de l’accélération du véhicule ferroviaire.
- le procédé comporte une étape d’affichage du profil de vitesse optimisé à un opérateur pour validation.
- le procédé comporte, en outre, une étape d’application du profil de vitesse optimisé à un véhicule ferroviaire.
La description décrit également un produit programme d’ordinateur comportant un support lisible d’informations, sur lequel est mémorisé un programme d’ordinateur comprenant des instructions de programme, le programme d’ordinateur étant chargeable sur une unité de traitement de données et adapté pour entraîner la mise en oeuvre d’un procédé décrit tel que précédemment lorsque le programme d’ordinateur est mis en oeuvre sur l’unité de traitement des données.
La description concerne aussi un support lisible d’informations comportant des instructions de programme formant un programme d’ordinateur, le programme d’ordinateur étant chargeable sur une unité de traitement de données et adapté pour entraîner la mise en œuvre d’un procédé tel que défini ci-dessus lorsque le programme d’ordinateur est mis en œuvre sur l’unité de traitement des données.
La description propose également une installation ferroviaire comportant au moins un véhicule ferroviaire, des capteurs et un calculateur, l’installation ferroviaire étant propre à mettre en œuvre un procédé d’optimisation du profil de vitesse du véhicule ferroviaire, le procédé comportant au moins une étape d’acquisition de mesures relatives au véhicule ferroviaire par les capteurs, une étape d’obtention de données de mesures à partir des mesures acquises, une étape d’extraction de profils de vitesse du véhicule ferroviaire à partir des données de mesure, une étape d’établissement d’un modèle de consommation en énergie, le modèle en consommation en énergie étant une fonction propre à associer à un instant donné à des données de mesures et à un profil de vitesse du véhicule ferroviaire une consommation en énergie du véhicule ferroviaire, l’étape d’établissement étant mise en œuvre à l’aide d’une technique d’apprentissage supervisé de type régression appliquée aux données de mesures. Le procédé comporte en outre une étape de calcul d’au moins un profil de vitesse optimisé pour au moins un critère, l’au moins un critère étant la minimisation de somme des valeurs instantanées obtenues par utilisation du modèle de consommation en énergie sur le profil de vitesse, le calcul étant mis en œuvre par utilisation d’une métaheuristique d’optimisation appliquée sur une population initiale comportant les profils de vitesse extraits.
Des caractéristiques et avantages de l’invention apparaîtront à la lecture de la description qui va suivre, donnée uniquement à titre d’exemple non limitatif, et faite en référence aux dessins annexés, sur lesquels :
- la figure 1 est une représentation schématique d’un système et d’un produit programme d’ordinateur dont l’interaction permet de mettre en œuvre un procédé d’optimisation du profil de vitesse d’un véhicule ferroviaire,
- la figure 2 est un diagramme illustrant un exemple de mise en œuvre d’un procédé d’optimisation du profil de vitesse d’un véhicule ferroviaire,
- la figure 3 est un graphe présentant l’évolution temporelle de la puissance de traction instantanée mesurée en watts (courbe C1) et de la puissance de traction instantanée (courbe C2) estimée par un modèle d’estimation pendant 330 secondes,
- la figure 4 est un graphe présentant divers profils de vitesse mesurées d’un véhicule ferroviaire, et
- la figure 5 est un graphe présentant un profil de vitesse optimisé (courbe C4) avec l’enveloppe des vitesses maximums mesurées (courbe C3).
Un système 10 et un produit programme d’ordinateur 12 sont représentés à la figure 1. L’interaction du produit programme d’ordinateur 12 avec le système 10 permet de mettre en oeuvre un procédé d’optimisation du profil de vitesse d’un véhicule ferroviaire.
Le système 10 est un ordinateur.
Plus généralement, le système 10 est un calculateur électronique propre à manipuler et/ou transformer des données représentées comme des quantités électroniques ou physiques dans des registres du système 10 et/ou des mémoires en d’autres données similaires correspondant à des données physiques dans des mémoires, des registres ou d’autres types de dispositifs d’affichage, de transmission ou de mémorisation.
Le système 10 comporte un processeur 14 comprenant une unité de traitement de données 16, des mémoires 18 et un lecteur 20 de support d’informations. Le système 10 comprend également un clavier 22 et une unité d’affichage 24.
Le produit programme d’ordinateur 12 comporte un support lisible d’informations.
Un support lisible d’informations est un support lisible par le système 10, usuellement par l’unité de traitement de données 16. Le support lisible d’informations est un médium adapté à mémoriser des instructions électroniques et capable d’être couplé à un bus d’un système informatique.
A titre d’exemple, le support lisible d’informations est une disquette ou disque souple (de la dénomination anglaise de « floppy disk »), un disque optique, un CD-ROM, un disque magnéto-optique, une mémoire ROM, une mémoire RAM, une mémoire EPROM, une mémoire EEPROM, une carte magnétique ou une carte optique.
Sur le support lisible d’informations est mémorisé un programme d’ordinateur comprenant des instructions de programme.
Le programme d’ordinateur est chargeable sur l’unité de traitement de données 16 et est adapté pour entraîner la mise en oeuvre d’un procédé d’optimisation du profil de vitesse d’un véhicule ferroviaire lorsque le programme d’ordinateur est mis en oeuvre sur l’unité de traitement des données 16.
Le fonctionnement du système 10 en interaction avec le produit programme d’ordinateur 12 est maintenant décrit en référence à la figure 2 qui illustre schématiquement sous forme d’un diagramme un exemple de mise en oeuvre d’un procédé d’optimisation du profil de vitesse d’un véhicule ferroviaire.
Un véhicule ferroviaire est, par exemple, un métro, un train ou un tramway.
Pour la suite, à titre d’exemple, comme visible sur la figure 2, le véhicule ferroviaire est un train 30. Le procédé d’optimisation sera donc illustré pour le train 30, l’extension à d’autres types de véhicule ferroviaire étant immédiate.
Le train 30 est alimenté en électricité par l’intermédiaire d’un pantographe qui frotte une caténaire d’alimentation. La caténaire est alimentée en haute tension, c’est-àdire typiquement une tension contenue d’une valeur nominale supérieure ou égale à 600 Vdc. Par le terme « caténaire », il est entendu aussi bien des fils aériens suspendus audessus des voies de chemin de fer et permettant d’alimenter le train qu’un troisième rail au sol s’étendant le long des voies de chemin de fer et sur lequel frotte un patin, de manière à alimenter le train en énergie électrique. La caténaire permet en particulier d’alimenter le système de traction du train 30.
Il est entendu par l’expression « profil de vitesse », l’évolution de la vitesse du train 30 le long d’une trajectoire suivie par le train 30.
Usuellement, le profil de vitesse est mesuré entre deux stations dans lesquelles le train 30 effectue un arrêt. Un profil de vitesse est donc obtenu en fonctionnement du train 30 par mesure de l’évolution temporelle de la vitesse dudit train 30.
Comme schématisé par le rectangle 32, le procédé vise à obtenir un profil de vitesse optimisé pour au moins critère, l’au moins un critère étant la minimisation de la consommation en énergie. De fait, le profil de vitesse vérifie également des contraintes de sécurité relatives au train 30. Des exemples de critères sont donnés dans ce qui suit.
Ainsi qu’illustré par la flèche 34, le procédé comporte, en outre, une étape d’application du profil de vitesse optimisé au train 30, ce qui permet d’obtenir un train 30 ayant une consommation en énergie réduite et respectant les contraintes de sécurité relatives au train 30.
En variante, le procédé comporte, en outre, une étape d’affichage du profil de vitesse à un opérateur pour validation de sorte que le profil de vitesse effectivement suivi par le train 30 peut être modifié par l’opérateur si besoin.
Il est maintenant décrit comment le profil de vitesse optimisé est obtenu.
Le procédé comporte une étape d’obtention de données de mesure, une étape d’extraction de profils de vitesse, une étape d’apprentissage et une étape de calcul.
Lors de l’étape d’obtention des données de mesure, il est fourni des grandeurs physiques mesurées comme illustré schématiquement par le rectangle 36 et la flèche 38.
Pour cela, des capteurs acquièrent des grandeurs physiques lors d’un trajet suivi par le train 30.
Les capteurs sont des capteurs embarqués ou des capteurs situés dans l’installation ferroviaire dans laquelle le train 30 circule.
Parmi les grandeurs physiques mesurées, les capteurs mesurent au moins la tension d’alimentation du système de traction du train 30, le courant d’alimentation du système de traction du train 30, la vitesse du train 30 et la position du train 30.
A titre d’exemple, la tension d’alimentation et le courant d’alimentation sont obtenus à l’aide de capteurs électriques embarqués sur le train 30, la vitesse du train 30 est obtenue par des capteurs de vitesse situés dans les roues du train 30 et la position du train 30 est obtenue à l’aide d’un système GPS, le sigle GPS signifiant « global positioning System >> qui signifie littéralement système de positionnement global.
En variante, la vitesse est obtenue à l’aide du système GPS.
D’autres grandeurs physiques sont également mesurées dans l’exemple décrit, à savoir la masse des passagers que le train 30 transporte et l’accélération du train 30.
Les grandeurs physiques mesurées sont obtenues à intervalles réguliers. Un intervalle de mesure peut ainsi est défini, l’intervalle de mesure étant constant et correspondant au temps écoulé entre deux instants de mesures d’une grandeur physique.
Les données mesurées sont, par exemple, acquises toutes les secondes puis transmises à des mémoires pour mémorisation.
Comme illustré par le rectangle 40, l’étape d’obtention des données de mesure comporte, en outre, un traitement des grandeurs physiques mesurées par les capteurs.
Le traitement vise à compenser le fait que les grandeurs physiques mesurées collectées sont susceptibles de contenir des erreurs et des incohérences. En effet, la mesure et la transmission des grandeurs physiques mesurées peuvent être perturbées par la présence de haute tension avec des variations brusques et des mouvements de train 30 suivant la topographie du trajet (par exemple, présence de tunnels ou de ponts).
Le traitement comporte la mise en oeuvre d’une pluralité d’opérations.
Quelques exemples d’opérations sont exposés dans ce qui suit, le traitement comprenant la mise en oeuvre d’une ou plusieurs de ces opérations.
Une première opération est la gestion des mesures manquantes, par exemple par déduction d’une mesure manquante à partir des autres mesures de la grandeur physique considérée.
Une deuxième opération est la suppression des mesures non pertinentes. Typiquement, des mesures relatives à un autre véhicule ferroviaire ne sont pas à prendre en compte.
Une troisième opération est la suppression des mesures aberrantes.
Selon l’exemple de la figure 2, le traitement vise également à obtenir des données de mesure complémentaires à partir des grandeurs physiques mesurées.
Par exemple, il est calculé la puissance électrique de traction à partir de la tension et du courant mesurés et la secousse subi par les passagers en utilisant l’accélération et la vitesse mesurées.
A l’issue de l’étape d’obtention, il est obtenu des données de mesure comme schématiquement illustré par le rectangle 42.
L’étape d’extraction est alors mise en oeuvre comme le montre sur la figure 2 le cylindre 44.
L’étape d’extraction permet d’extraire des données de mesure une pluralité de profils de vitesse du train 30. Ce sont des profils de vitesse mesurés.
Pour cela, lors de l’étape d’extraction, il est extrait parmi les mesures celles qui correspondent au même trajet. De fait, en suivant la position du train 30, l’évolution de la position doit correspondre au trajet physique.
Il est ainsi obtenu une pluralité de profils de vitesse comme illustré sur la figure 4, la figure 4 étant un graphe présentant divers profils de vitesse mesurée sur un tramway (évolution de la vitesse en fonction du temps). Sur le graphe, les unités sont arbitraires.
A l’issue de l’étape d’extraction, il est ainsi obtenu un ensemble de profils de vitesse extraits qui correspondent chacun à profil de vitesse mesuré.
En parallèle de la mise en oeuvre de l’étape d’extraction, il est mis en oeuvre une étape d’apprentissage d’un modèle de consommation en énergie comme illustré schématiquement par le rectangle 46.
Par définition, le modèle de consommation en énergie est une fonction propre à associer à un profil de vitesse du train 30 une consommation en énergie du train 30. Le modèle de consommation en énergie donne la valeur à un instant de mesure spécifique de sorte que la consommation en énergie est la somme de chaque valeur obtenu par ledit modèle à chaque instant de mesure.
Dans la suite de la description, le modèle de consommation en énergie est noté modèle M.
Le modèle M est obtenu à l’aide d’un apprentissage supervisé de type régression appliqué aux données de mesures.
Plus exactement, le modèle est d’abord entraîné sur une partie des données de mesures servant de base d’entraînement et puis testé sur une autre partie des données de mesures servant de base de test.
Dans l’exemple décrit, l'ensemble de données de mesure est conséquent puisqu’il comprend plus de 150000 données. La base d’entraînement correspond à 70% des données de mesure alors que la base de test représente 30% des données de mesure.
L’apprentissage supervisé de type régression est un apprentissage supervisé pour une grandeur continue. L’apprentissage supervisé de type régression est, par exemple, un apprentissage de forêt aléatoire, un arbre de décision, réseau de neurones artificiels ou séparateurs à vaste marge.
Dans l’exemple décrit, l’apprentissage de forêt aléatoire a été utilisé. Cette technique est aussi appelée forêts d'arbres décisionnels ou dénommée selon le terme anglais de « random forest ».
L’apprentissage de forêt aléatoire est une technique d'apprentissage d'ensemble basé sur la prédiction moyenne de différents arbres de décision. Chaque arbre est ajusté sur une partie des données de mesures. L’ajustement est mis en œuvre à l'aide de deux méthodes d'échantillonnage. Le premier échantillonnage est un échantillonnage aléatoire avec remplacement des observations, également connu sous le nom de méthode d’agrégation bootstrap ou méthode des sacs. Le deuxième échantillonnage est une sélection aléatoire de caractéristiques. Il est ainsi obtenu une prédiction par vote majoritaire sur les deux échantillonnages réalisés, l’arbre étant celui qui est le plus probable.
A titre d’exemple particulier, le modèle M est appris pour estimer la puissance de traction à chaque instant de mesure, ici à chaque seconde, la puissance de traction du train 30 étant considérée comme égale à la consommation en énergie du train 30.
En outre, les données de mesures (attributs dans le vocabulaire utilisé pour les techniques d’apprentissage de type forêt aléatoire) sont la vitesse du train 30, le rendement énergétique du train 30, l’accélération du train 30, les secousses et le gradient. Les secousses sont définies comme égales au taux de variation temporelle de l'accélération et le gradient est la pente de la voie (liée à la pente du terrain).
Pour améliorer la détermination du modèle M, dans l’exemple décrit, les données de mesure sont utilisées à plusieurs instants de mesure distincts conformément aux croix présentes dans le tableau 1 suivant, dans lequel chaque instant est indicée à l’aide d’une variable i.
Attributs/lnstants i-4 i-3 i-2 i-1 i 1+1 I+2 I+3 I+4
Vitesse X X X X X X X X X
Accélération X X X X X X X X X
Secousse X X X X X
Rendement énergétique X X X X X
Gradient X
Tableau 1 ; Ensemble des attributs utilisés pour estimer la puissance de traction à un instant de mesure indicé i
Il convient alors d’évaluer la qualité de l’estimation donnée par le modèle M en référence à la figure 3 qui compare la puissance de traction instantanée mesurée en watts et la puissance de traction instantanée estimée par le modèle M pendant 330 secondes.
Il est à noter que, selon le type de l'attribut cible, il est utilisé soit une régression soit une classification. De fait, la régression est utilisée lorsque l’attribut cible prend des valeurs continues tandis que la classification est utilisée lorsque l’attribut cible a des valeurs discrètes. Dans le cas présent, la régression est utilisée puisque la traction est une variable continue.
Ainsi, pour évaluer le modèle M, la qualité de la consommation estimée est évaluée en utilisant l'erreur quadratique moyenne entre la consommation estimée à l’aide du modèle M et la consommation réelle mesurée.
A l’issue de l’étape d’apprentissage, il est ainsi obtenu un modèle M permettant d’obtenir la consommation en énergie du train 30 à partir de données de mesure et d’un profil de vitesse donné. Pour la suite, comme les données de mesure utilisées dans le modèle M sont connues avant de démarrer le train 30 ou au moins fixées, par abus de langage, il est considéré que la seule variable du modèle M est le profil de vitesse du train 30. Le modèle M est donc un estimateur de la performance énergétique d’un profil de vitesse.
Lors de l’étape de calcul, il est mis en œuvre un calcul pour obtenir au moins un profil de vitesse optimisé selon au moins un critère. L’étape de calcul est illustrée par l’encadré 48.
Le calcul consiste à la mise en œuvre d’une métaheuristique d’optimisation.
Une métaheuristique d’optimisation est une technique d’optimisation visant à résoudre des problèmes d’optimisation difficile (souvent issus des domaines de la recherche opérationnelle, de l'ingénierie ou de l'intelligence artificielle) pour lesquels on ne connaît pas de méthode classique plus efficace.
La métaheuristique d’optimisation est, par exemple, un algorithme génétique, un algorithme de colonies de fourmis, un algorithme de recherche avec tabous ou une technique de recuit.
Dans ce cas, un algorithme génétique a été utilisé.
De manière générale, un algorithme génétique est une approche métaheuristique inspirée par le processus de sélection naturelle. Un algorithme génétique suit un processus stochastique itératif afin de trouver des solutions exactes ou de haute qualité en s'appuyant sur des opérateurs bio-inspirés tels que la mutation, le croisement et la sélection.
L’algorithme génétique est appliqué sur une population initiale de profil de vitesse comme l’indique le rectangle 50 pour obtenir une population finale de profils de vitesse optimisé comme l’indique le rectangle 32.
L’algorithme génétique comporte un ensemble d’opérations illustrées respectivement par les rectangles 52, 54, 56, 58 et 60, à savoir une opération d’évaluation, de sélection, de croisement, de mutation et de test.
Comme schématisé par la flèche 62, la population initiale comporte au moins les profils de vitesse extraits à l’étape d’extraction.
En outre, la population initiale comporte des profils de vitesse générés aléatoirement.
La proportion de profils aléatoires est réglable. Toutefois, en pratique, il est préférable d’utiliser une proportion de profils aléatoires de 50%.Lors de l’étape d’évaluation, il est évalué la qualité de chaque individu de la population initiale par rapport à au moins un critère, un critère étant la valeur obtenue à l’aide du modèle M comme l’indique schématiquement la flèche 64. Plus précisément, le critère est l’évaluation de la consommation totale du profil de vitesse, c’est-à-dire la somme des valeurs obtenues à chaque instant par application du modèle M.
D’autres critères sont utilisés pour s’assurer que les profils de vitesse respectent les limites physiques du train 30, les objectifs opérationnels ainsi que la sécurité et le confort des passagers. Par exemple, un critère est la limitation de la vitesse sur certaines parties du trajet suivi par le train 30, une limitation de l’accélération maximale ou une limitation de la secousse.
En pratique, si un critère est indispensable à respecter pour le bon fonctionnement du train 30, il peut être évalué de manière binaire pour écarter les profils de vitesse inappropriés.
L’ensemble des critères est pondéré pour obtenir un score d’évaluation. La pondération dépend de l’importance du critère.
Dans un exemple plus simple de mise en œuvre, le score d’évaluation est uniquement l’évaluation de la consommation totale du profil de vitesse.
L’objectif de l’étape de calcul est d’obtenir une population finale contenant un ou plusieurs individus avec un score optimal ou très proche de l’optimal.
Pour cela, les opérations génétiques de sélection, de croisement, de mutation sont mises en œuvre pour obtenir de nouvelles populations de manière itérative, les itérations étant arrêtées lorsque le score d’évaluation de la population ainsi obtenu évolue peu. Par exemple, si la différence entre le score d’évaluation obtenu pour le meilleur individu (meilleur au sens du score d’évaluation le plus haut) de la population à l’itération précédente et le score d’évaluation obtenu pour le meilleur individu de la population actuelle est inférieure à un seuil prédéfini, il est déterminé que la population actuelle correspond à la population optimale.
Alternativement, le nombre d’itérations est fixé ou le temps de mise en œuvre de l’algorithme génétique est fixé à un temps prédéterminé.
L’opération de sélection est une sélection des profils de vitesse ou individus présentant les scores d’évaluation les plus élevées.
L’opération de croisement est une opération consistant à prendre plus d'un parent et à en produire un enfant.
Dans l’exemple illustré, l’opération de croisement génère un nouveau profil en combinant deux profils existants sélectionnés en utilisant la méthode du tournoi. La première partie du nouveau profil généré est extraite d'un premier profil parent et la deuxième partie est extraite d’un deuxième profil parent. La position de jonction entre les deux parties est sélectionnée de manière aléatoire. Si la valeur de la vitesse à la jonction ne respecte pas les critères de sécurité, une autre valeur est choisie au hasard dans la liste des valeurs acceptables.
L'opération de mutation modifie une ou plusieurs valeurs de vitesse d'un individu.Plusieurs mutations différentes peuvent être utilisées seules ou en combinaison lors de l’opération de mutation. Chaque mutation est appliquée à une position sélectionnée aléatoirement ou toutes les positions à partir d’une position sélectionnée aléatoirement.
Selon une première mutation, une valeur de vitesse est modifiée aléatoirement.
Selon une deuxième mutation, une valeur de vitesse est remplacée par la valeur minimale ou la valeur maximale de vitesse autorisée.
Selon une variante, la sélection de la vitesse maximale est favorisée lorsque le profil de vitesse correspond à un temps de parcours dépassant la durée maximale autorisée.
Selon une troisième mutation, la valeur de vitesse est remplacée par la valeur de vitesse de l’instant précédent.
A l’issue de l’étape de calcul, il est ainsi obtenu une population finale d’au moins un profil de vitesse qui est optimisé au sens du score d’évaluation, c’est-à-dire minimisant la somme des valeurs obtenues à l’aide du modèle M appliqué audit profil de vitesse.
Le procédé permet ainsi d’obtenir rapidement un profil de vitesse optimisé pour le train 30.
Notamment, le demandeur a montré que l’emploi d’un apprentissage de forêt aléatoire est plus efficace qu’un apprentissage effectué par des réseaux neuronaux probabilistes ou des arbres de décision. Les résultats de la comparaison des trois techniques en régression sur les mêmes données de mesures est montrée sur le tableau 2 suivant :
Technique utilisée Réseaux neuronaux probabilistes Arbre de décision Forêt aléatoire
Erreur quadratique moyenne 54000 48308 33157
Tableau 2 : Évaluation des algorithmes d'apprentissage automatique
Les résultats montrent que la technique de forêt aléatoire permet d’obtenir de meilleurs résultats que les deux autres techniques.
Par ailleurs, dans l’exemple proposé, la régression est effectuée en se basant sur des attributs à plusieurs instants distincts comme présenté sur le tableau 1, à la fois des instants antérieurs à l’instant d’estimation et des instants postérieurs. Comme le montre le tableau 3, l’erreur quadratique moyenne est diminuée, ce qui signifie que la qualité de l'estimation de la puissance de traction est améliorée.
Attributs d’entrée Erreur quadratique moyenne
les attributs à l’instant d’évaluation 58070
les attributs à l’instant d’évaluation et ceux des quatre dernières secondes 53217
les attributs à l’instant d’évaluation et ceux des quatre dernières secondes ainsi que ceux des quatre secondes ultérieures 33157
Tableau 3 : Evaluation de l'impact de la sélection des attributs pour la technique de forêt aléatoire
Il a également été procédé par le demandeur à un test expérimental pour une trajectoire de 530 mètres de long. Chaque profil de vitesse est alors discrétisé en 69 intervalles de taille égale. Les critères utilisées en plus de minimiser la consommation, étaient de limiter la valeur de secousse à 0,3 m.s3, la valeur maximale d’accélération est égale à 1 m.2 et que la valeur du temps de parcours du train 30 soit inférieure ou égale à 106 secondes.
Le tableau 4 montre les résultats obtenus par mise en œuvre du procédé précédemment décrit ainsi que leur évaluation en comparant entre le profil optimisé et un ensemble de profils de vitesse extraits de mesures réelles, l'énergie de traction en wattheures (Wh) et le temps en secondes (s) ainsi que le respect des contraintes relatives à la secousse et à l’accélération :
Profil Energie de traction (Wh) Temps (s) Contraintes satisfaites ?
Profil optimisé 679 105 Oui
Profil initial réel 1 793 105 Oui
Profil initial réel 2 813 105 Oui
Profil initial réel 3 733 111 Non
Profil initial réel 4 745 119 Non
Tableau 4. Comparaison des performances de profils de vitesse
Le profil optimisé (voir courbe C4) est également représenté sur la figure 5 en comparaison avec l'enveloppe (voir courbe C3) obtenue par sélection des vitesses maximales pour chaque profil initial réel.
Le tableau 4 montre que le profil optimisé permet de réduire la consommation d'énergie de 14% par rapport à l'utilisation du meilleur profil de vitesse extrait des données mesurées.
Comme expliqué précédemment, la partie la plus importante de l'énergie du véhicule ferroviaire est consommée par le système de traction. L'énergie de traction dépend principalement du comportement de conduite. L’utilisation d’un profil de vitesse optimisée permet donc d’améliorer la consommation énergétique du véhicule ferroviaire.
En outre, le procédé est rapide à mettre en œuvre, ce qui permet d’envisager une mise en œuvre en temps réel.
De fait, l'utilisation d'un modèle M piloté par les données rend le procédé potentiellement automatisable après une première phase de mise en place.
L’utilisation d'une population initiale composée de profils de bonne qualité non seulement accélère le processus de convergence, mais donne également la possibilité d'arrêter le procédé d'optimisation à tout moment avec l'assurance d’obtenir un bon profil de vitesse.
En outre, le modèle M est plus facile à obtenir qu’un modèle physique de simulation du comportement du véhicule ferroviaire basé en particulier sur le principe fondamental de la dynamique. En effet, la mise au point d’un modèle physique implique des connaissances spécialisées spécifiques, De plus, le modèle physique est difficile à mettre à jour. Au contraire, un modèle obtenu par des données de mesure présente une précision du modèle qui s’améliore notamment avec la qualité et la quantité des données de mesure collectées.
De plus, le modèle M s'adapte automatiquement à l'évolution du matériel roulant et de l'infrastructure. En effet, la consommation de chaque train évolue en vieillissant et après mises à jour de maintenance ; le profil de vitesse proposé sera adapté en conséquence à chaque train. Sur la base de cette approche, il est d’ailleurs possible de construire des modèles même pour des types de train inconnus, ce qui est particulièrement utile pour les opérateurs lors de la gestion de différents trains sur la même ligne. De plus, l’approche est facilement adaptable à tous les types de systèmes ferroviaires tels que les métros, les trains de banlieue et les lignes à grande vitesse.
D’autres modes de réalisation correspondant à une combinaison techniquement possible des modes de réalisation précédemment décrits sont également envisageables.

Claims (12)

  1. REVENDICATIONS
    1. -Procédé d’optimisation du profil de vitesse d’un véhicule ferroviaire (30), le procédé comportant au moins une étape de :
    - obtention de données de mesures à partir de mesures acquises, les mesures acquises étant relatives au véhicule ferroviaire (30),
    - extraction de profil de vitesse du véhicule ferroviaire (30) à partir des données de mesure,
    - établissement d’un modèle de consommation en énergie, le modèle en consommation en énergie étant une fonction propre à associer à un instant donné à des données de mesures et à un profil de vitesse du véhicule ferroviaire (30) une consommation en énergie du véhicule ferroviaire (30), l’étape d’établissement étant mise en oeuvre à l’aide d’une technique d’apprentissage supervisé de type régression appliquée aux données de mesures, et
    - calcul d’au moins un profil de vitesse optimisé pour au moins un critère, l’au moins un critère étant la minimisation de somme des valeurs instantanées obtenues par utilisation du modèle de consommation en énergie sur le profil de vitesse, le calcul étant mis en oeuvre par utilisation d’une métaheuristique d’optimisation appliquée sur une population initiale comportant les profils de vitesse extraits.
  2. 2. - Procédé selon la revendication 1, dans lequel la technique d’apprentissage supervisé de type régression est un apprentissage de forêt aléatoire.
  3. 3. - Procédé selon la revendication 1 ou 2, dans lequel la métaheuristique d’optimisation est un algorithme génétique.
  4. 4. - Procédé selon l’une quelconque des revendications 1 à 3, dans lequel, le véhicule ferroviaire comporte un système de traction et dans lequel, à l’étape de prise de mesures, les mesures comportent au moins la tension d’alimentation du système de traction du véhicule ferroviaire (30), le courant d’alimentation du système de traction du véhicule ferroviaire (30), la vitesse du véhicule ferroviaire (30) et la position du véhicule ferroviaire (30).
  5. 5. - Procédé selon l’une quelconque des revendications 1 à 4, dans lequel une technique d’apprentissage supervisée de type régression est appliquée sur des données de mesure obtenues à des instants ultérieurs à l’instant donné.
  6. 6. - Procédé selon l’une quelconque des revendications 1 à 5, dans lequel le procédé comporte, en outre, une étape de traitement des mesures prises lors de l’étape de prise de mesures pour obtenir des données de mesures.
  7. 7. - Procédé selon l’une quelconque des revendications 1 à 6, dans lequel la technique d’apprentissage supervisé de type régression utilise comme données de mesure, la vitesse du véhicule ferroviaire (30), l’accélération du véhicule ferroviaire (30) et la dérivée temporelle de l’accélération du véhicule ferroviaire (30).
  8. 8. - Procédé selon l’une quelconque des revendications 1 à 7, dans lequel le procédé comporte, en outre, une étape d’affichage du profil de vitesse optimisé à un opérateur pour validation.
  9. 9. - Procédé selon l’une quelconque des revendications 1 à 8, dans lequel le procédé comporte, en outre, une étape d’application du profil de vitesse optimisé à un véhicule ferroviaire (30).
  10. 10. - Produit programme d’ordinateur (12) comportant un support lisible d’informations, sur lequel est mémorisé un programme d’ordinateur comprenant des instructions de programme, le programme d’ordinateur étant chargeable sur une unité de traitement de données (16) et adapté pour entraîner la mise en oeuvre d’un procédé selon l’une quelconque des revendications 1 à 9 lorsque le programme d’ordinateur est mis en oeuvre sur l’unité de traitement des données (16).
  11. 11. - Support lisible d’informations comportant des instructions de programme formant un programme d’ordinateur, le programme d’ordinateur étant chargeable sur une unité de traitement de données (16) et adapté pour entraîner la mise en oeuvre d’un procédé selon l’une quelconque des revendications 1 à 9 lorsque le programme d’ordinateur est mis en oeuvre sur l’unité de traitement des données (16).
  12. 12. - Installation ferroviaire comportant au moins un véhicule ferroviaire (30), des capteurs et un calculateur, l’installation ferroviaire étant propre à mettre en oeuvre un procédé d’optimisation du profil de vitesse du véhicule ferroviaire (30), le procédé comportant au moins une étape de :
    - acquisition de mesures relatives au véhicule ferroviaire (30) par les capteurs,
    - obtention de données de mesures à partir des mesures acquises,
    - extraction de profils de vitesse du véhicule ferroviaire (30) à partir des données de mesure,
    - établissement d’un modèle de consommation en énergie, le modèle en
    5 consommation en énergie étant une fonction propre à associer à un instant donné à des données de mesures et à un profil de vitesse du véhicule ferroviaire (30) une consommation en énergie du véhicule ferroviaire (30), l’étape d’établissement étant mise en oeuvre à l’aide d’une technique d’apprentissage supervisé de type régression appliquée aux données de mesures, et
    10 - calcul d’au moins un profil de vitesse optimisé pour au moins un critère, l’au moins un critère étant la minimisation de somme des valeurs instantanées obtenues par utilisation du modèle de consommation en énergie sur le profil de vitesse, le calcul étant mis en oeuvre par utilisation d’une métaheuristique d’optimisation appliquée sur une population initiale comportant les profils de vitesse extraits.
FR1850288A 2018-01-15 2018-01-15 Procede d'optimisation du profil de vitesse d'un vehicule ferroviaire et dispositifs associes Active FR3076775B1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR1850288A FR3076775B1 (fr) 2018-01-15 2018-01-15 Procede d'optimisation du profil de vitesse d'un vehicule ferroviaire et dispositifs associes

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1850288 2018-01-15
FR1850288A FR3076775B1 (fr) 2018-01-15 2018-01-15 Procede d'optimisation du profil de vitesse d'un vehicule ferroviaire et dispositifs associes

Publications (2)

Publication Number Publication Date
FR3076775A1 true FR3076775A1 (fr) 2019-07-19
FR3076775B1 FR3076775B1 (fr) 2022-06-03

Family

ID=61224202

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1850288A Active FR3076775B1 (fr) 2018-01-15 2018-01-15 Procede d'optimisation du profil de vitesse d'un vehicule ferroviaire et dispositifs associes

Country Status (1)

Country Link
FR (1) FR3076775B1 (fr)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110641523A (zh) * 2019-10-15 2020-01-03 大连海事大学 一种地铁列车实时速度监测方法及系统
CN110834548A (zh) * 2019-11-11 2020-02-25 常熟理工学院 一种顺序选择遗传算法的分布式驱动汽车能效优化方法
EP3854624A1 (fr) * 2020-01-27 2021-07-28 ALSTOM Transport Technologies Procédé, et système, de mesure du comportement énergétique d'un réseau de transport, programme d'ordinateur associé
CN113306604A (zh) * 2021-05-26 2021-08-27 西南交通大学 列车车载储能设备的储能量设计方法
CN113370995A (zh) * 2021-07-01 2021-09-10 广州小鹏自动驾驶科技有限公司 速度曲线的处理方法、装置、电动汽车及电子设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIA FENG1,2,*, XIA-MIAO LI1, MEI-QUAN XIE1 AND LI-PING GAO3: "A Neural Network Model for Calculating Metro Traction EnergyConsumption", 2016 INTERNATIONAL CONFERENCE ON POWER, ENERGY ENGINEERING AND MANAGEMENT (PEEM 2016), 31 December 2016 (2016-12-31), XP002784568 *
MOON-HO KANG: "A GA-based Algorithm for Creating an Energy-Optimum Train Speed Trajectory", JOURNAL OF INTERNATIONAL COUNCIL ON ELECTRICAL ENGINEERING, 10 September 2014 (2014-09-10), XP002784567 *
PABLO MARTÍNEZ FERNÁNDEZA, CARLA GARCÍA ROMÁNA, RICARDO INSA FRANCOA: "Modelling electric trains energy consumption using NeuralNetworks", XII CONFERENCE ON TRANSPORT ENGINEERING, CIT 2016, 7-9 JUNE 2016, VALENCIA, SPAIN, 9 June 2016 (2016-06-09), XP002784569 *
PENGLING WANG ET AL: "Optimization analysis on the energy saving control for trains with adaptive genetic algorithm", SYSTEMS AND INFORMATICS (ICSAI), 2012 INTERNATIONAL CONFERENCE ON, IEEE, 19 May 2012 (2012-05-19), pages 439 - 443, XP032193131, ISBN: 978-1-4673-0198-5, DOI: 10.1109/ICSAI.2012.6223653 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110641523A (zh) * 2019-10-15 2020-01-03 大连海事大学 一种地铁列车实时速度监测方法及系统
CN110641523B (zh) * 2019-10-15 2021-06-29 大连海事大学 一种地铁列车实时速度监测方法及系统
CN110834548A (zh) * 2019-11-11 2020-02-25 常熟理工学院 一种顺序选择遗传算法的分布式驱动汽车能效优化方法
CN110834548B (zh) * 2019-11-11 2021-04-06 常熟理工学院 一种顺序选择遗传算法的分布式驱动汽车能效优化方法
EP3854624A1 (fr) * 2020-01-27 2021-07-28 ALSTOM Transport Technologies Procédé, et système, de mesure du comportement énergétique d'un réseau de transport, programme d'ordinateur associé
FR3106679A1 (fr) * 2020-01-27 2021-07-30 Alstom Transport Technologies Procédé, et système, de mesure du comportement énergétique d’un réseau de transport, programme d’ordinateur associé
CN113306604A (zh) * 2021-05-26 2021-08-27 西南交通大学 列车车载储能设备的储能量设计方法
CN113306604B (zh) * 2021-05-26 2022-01-04 西南交通大学 列车车载储能设备的储能量设计方法
CN113370995A (zh) * 2021-07-01 2021-09-10 广州小鹏自动驾驶科技有限公司 速度曲线的处理方法、装置、电动汽车及电子设备
CN113370995B (zh) * 2021-07-01 2024-01-09 广州小鹏自动驾驶科技有限公司 速度曲线的处理方法、装置、电动汽车及电子设备

Also Published As

Publication number Publication date
FR3076775B1 (fr) 2022-06-03

Similar Documents

Publication Publication Date Title
FR3076775A1 (fr) Procede d'optimisation du profil de vitesse d'un vehicule ferroviaire et dispositifs associes
US11343643B2 (en) Using telematics data to identify a type of a trip
CN108444486B (zh) 一种导航路线排序方法和装置
CN110836675B (zh) 一种基于决策树的自动驾驶搜索决策方法
EP4075408A1 (fr) Procédé de détermination de la quantité d'émission polluantes émises par un véhicule sur un brin d'un réseau routier
Reich et al. Survey of ETA prediction methods in public transport networks
CN113140114A (zh) 一种基于行程时间估计的车辆出行路径重构方法
Ayman et al. Data-driven prediction and optimization of energy use for transit fleets of electric and ICE vehicles
Jia et al. A microscopic model of vehicle co₂ emissions based on deep learning—A spatiotemporal analysis of taxicabs in Wuhan, China
Sadeghian et al. A stepwise methodology for transport mode detection in GPS tracking data
Schettini et al. Demand-driven timetabling for a metro corridor using a short-turning acceleration strategy
Vijayalakshmi et al. Multivariate Congestion Prediction using Stacked LSTM Autoencoder based Bidirectional LSTM Model.
Quek et al. Analysis and Simulation of Intervention Strategies against Bus Bunching by means of an Empirical Agent‐Based Model
Pender et al. A stochastic model for electric scooter systems
CN111160594B (zh) 一种到达时间的预估方法、装置及存储介质
CN116777042A (zh) 一种基于区块链与联邦学习融合的交通流预测方法
CN108830509B (zh) 一种巡游出租车运力规模动态调整方法
Zhou et al. Urban link travel time estimation based on low frequency probe vehicle data
Manibardo et al. Change detection and adaptation strategies for long-term estimation of pedestrian flows
EP4375619A2 (fr) Procede de determination d'un mode de transport d'un trajet parcouru par au moins un utilisateur
Naumov et al. Using Clustering Algorithms to Identify Recreational Trips within a Bike-Sharing System
Fei et al. Optimizing the Composite Cost Involved in Road Motor‐Transporting Trucks by Taking into Account Traffic Condition
Gallo et al. Network-wide public transport occupancy prediction framework with multiple line interactions
Asa'ad Hourly Demand Prediction of Shared Mobility Ridership
Quek et al. Research Article Analysis and Simulation of Intervention Strategies against Bus Bunching by means of an Empirical Agent-Based Model

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

EXTE Extension to a french territory

Extension state: PF

PLSC Publication of the preliminary search report

Effective date: 20190719

PLFP Fee payment

Year of fee payment: 3

PLFP Fee payment

Year of fee payment: 4

PLFP Fee payment

Year of fee payment: 5

PLFP Fee payment

Year of fee payment: 6

PLFP Fee payment

Year of fee payment: 7