CN113591301B - 一种城市轨道交通列车运行参数优化算法 - Google Patents

Abstract

本发明公开了一种城市轨道交通列车运行参数优化算法，属于城市轨道交通列车节能优化技术领域，所述方法包括将列车视作为一条质量带，建立多质点牵引能耗模型，采用改进的差分进化算法优化列车运行的关键控制参数，以使牵引能耗最小化。多质点列车运行能量消耗模型，充分地考虑了坡道、弯道和隧道等线路环境。将列车视作为质量带，按照列车实际每辆车所在的线路位置来分析并计算其受力情况，同时，开发的改进差分进化算法，根据相互约束关系在优化过程中动态分配决策变量的范围，并致力于寻找该决策变量在每一次进化中的最优值，增强传统进化算法的全局寻优能力和性能，降低了列车运行的能耗，为列车节能驾驶提供了理论基础和工程应用指导。

Description

一种城市轨道交通列车运行参数优化算法

技术领域

本发明涉及城市轨道交通列车节能优化技术领域，尤其涉及一种城市轨道交通列车运行参数优化算法。

背景技术

随着社会出行需求的日益增加，城市轨道交通列车由于其高效性和便利性得到了越来越多城市的青睐。与此同时，伴随着城市轨道交通线路的逐年增加，其能量消耗也日益增大。因此，研究城市轨道交通列车节能优化方法对降低能量消耗，实现城市交通可持续发展具有重要的理论意义和工程应用价值。

城市轨道交通线路环境复杂，目前研究所建立的城市轨道交通列车能耗模型多为单质点模型，此类模型忽略了列车在弯道和坡道衔接处的受力渐变过程，与列车实际的运行状况存在一定的误差。另一方面，城市轨道交通列车运行轨迹优化问题是一个典型的非线性优化问题，其决策变量间具有严格的约束条件，目前的优化算法主要根据经验值来确定决策变量的初始范围，容易陷入局部最优解，无法取得较为理想的近似最优解。

发明内容

本发明的目的在于提供一种城市轨道交通列车运行参数优化算法，解决本背景技术中提到的技术问题，解决城市轨道交通列车节能优化问题。

为了实现上述目的，本发明采用的技术方案如下：

一种城市轨道交通列车运行参数优化算法，所述方法包括如下步骤：

步骤1：根据四阶段操纵策略，将列车在站间的运行过程划分为牵引阶段、巡航阶段、惰性阶段和制动阶段，将列车视作为一条质量带，根据列车实际每辆车所在的线路位置来分析并计算其受力情况，建立多质点牵引能耗模型；

步骤2：采用改进的差分进化算法优化列车运行的关键控制参数，以使牵引能耗最小化。

进一步地，所述步骤1中建立多质点牵引能耗模型的具体过程为：

设定列车运行时的基本阻力为F_basic，列车动车的重量为M_mo，拖车重量为M_tr和列车速度v的函数为：F_basic(M_mo,M_tr,v)＝A+B·v+C·v²，式中A,B和C为经验系数，根据实际经验确定，其根据列车类型和线路情况的变化而变化，列车运行时的附加阻力F_add为：F_add＝(f_ramp+f_curve+f_tunnel)·M_total·g，式中，M_total为列车总负载，g为重力加速度，f_ranp为坡道阻力，f_curve为弯道阻力，F_tunnel为隧道阻力，三种附加阻力的计算方式分别为： 式中，L_train为列车的总长度，κ_i为列车所在的坡道的千分位数，l_ri为列车所占坡道的长度，l_ci为列车所占弯道的长度，R_i为列车所在弯道的弯道半径，l_ti为列车所占隧道的长度；

列车在整个运行过程中的牵引力F_tr为：F_tr(M_mo,M_tr,v)＝F_tr,t∪F_tr,c，列车的总牵引能耗E_tr为：式中，T为站间运行时间，则列车牵引能耗模型为：

式中，V_lim为区间限速，ΔT为运行时间误差，ξ_t为可允许时间误差，ΔS为运行距离误差，ξ_s为可允许距离误差。

进一步地，所述步骤2中优化列车运行的关键控制参数的具体过程为：

步骤2.1：选择列车运行的关键控制参数牵引力使用系数α、制动力使用系数β、巡航速度v_cr、惰性点S_co和制动点S_br作为决策变量，将列车牵引能耗作为改进差分进化算法的适应度值，设置种群规模P、最大进化次数G、变异因子Pm和交叉Pc；

步骤2.2：种群初始化，实际问题的决策变量为5个，根据决策变量间的约束关系，选择与其余决策变量具有严格约束关系的惰性点S_co作为基因优化过程的待优化基因信息，其余4个决策变量作为初始种群个体的基因信息；

步骤2.3：种群个体基因优化，针对每个种群个体进行基因优化和补充；

步骤2.4：从基因优化后的新种群内中选取最优的个体作为变异过程中的基向量，对种群个体进行差分变异操作，产生新种群；

步骤2.5：从基因优化后的新种群内中选取最优的个体作为交叉过程中的目标向量，对步骤2.4产生的种群个体进行交叉操作，产生新种群；

步骤2.6：计算新种群个体的适应度值，选取最优适应度值的个体为进化后的最优个体；

步骤2.7：判断是否满足优化的终止条件，即进化次数是否达到设置的最大次数或者适应度值是否满足要求，若满足终止条件，进化停止，输出最优个体的目标函数值及其对应的决策变量值，若不满足终止条件，剔除补充的基因信息。

进一步地，所述步骤2.3的具体过程为：

步骤2.3.1：将决策变量的取值范围按照一定的步长划分为j个节点，每个节点所对应的基因信息为惰行点的取值；

步骤2.3.2：将初始种群个体按照节点数量进行复制，并将每个节点所对应的基因信息补充至个体中；

步骤2.3.3：计算复制后的每个种群的适应度值，选取最优适应度值的个体为目标个体，其相邻个体的基因信息作为最优补充基因取值范围的上下限，在此区间内，采用二分迭代法，通过计算适应度值来确定最优补充基因的取值；

步骤2.3.4：将通过变异二分法找到的最优补充基因信息补充至初始种群个体中，得到基因优化后的新种群。

本发明由于采用了上述技术方案，具有以下有益效果：

本发明建立的多质点列车运行能量消耗模型，充分地考虑了坡道、弯道和隧道等线路环境，将列车视作为质量带，按照列车实际每辆车所在的线路位置来分析并计算其受力情况，与以往研究成果中常用的单质点模型相比，其更接近列车真实的运行环境，同时，开发的改进差分进化算法，能够根据相互约束关系在优化过程中动态分配决策变量的范围，并致力于寻找该决策变量在每一次进化中的最优值，增强了传统进化算法的全局寻优能力和性能，有效地降低了列车运行的能耗，为列车节能驾驶提供了理论基础和工程应用指导。

附图说明

图1是本发明方法流程图；

图2是本发明四阶段操纵策略示意图；

图3是本发明多质点列车模型在不同的弯道和坡道衔接处的受力情况图；

图4是本发明优化前后的列车运行轨迹对比图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。

如图1-4所示，一种城市轨道交通列车运行参数优化算法，首先建立多质点列车能耗模型，然后根据改进差分进化算法得到牵引能耗最小运行参数，具体如下：选择列车关键的运行参数作为决策变量，将列车牵引能耗作为算法的适应度值，设置算法参数；种群初始化，根据相互约束关系分离决策变量，确定待优化基因信息；采用变异二分法对初始种群进行基因优化，生成新种群；对新种群进行变异和交叉操作，计算新种群个体的适应度；判断是否满足优化终止条件。本发明涉及到的方法具有较强的全局寻优能力和稳定性，可以有效地降低列车的牵引能耗。

具体实施过程：

根据四阶段操纵策略，将列车在站间的运行过程划分为牵引阶段、巡航阶段、惰性阶段和制动阶段。考虑到列车在站间复杂的运行环境，将列车视作为一条质量带，根据列车实际每辆车所在的线路位置来分析并计算其受力情况，建立多质点列车牵引能耗方程及其约束条件为：

式中，V_lim为区间限速，ΔT为运行时间误差，ξ_t为可允许时间误差，ΔS为运行距离误差，ξ_s为可允许距离误差。

采用南宁地铁一号线运行数据进行仿真验证，模拟上行方向中民族大学站至民族广场站10站9区间实际线路的列车运行状况。

下表为相关的列车运行参数

表1列车运行参数

在优化过程的初始阶段，以民族大学站至清川站为例，其余3个关键控制参数初始范围的确定过程为：

巡航速度的上限为区间限速，其值是80km/h，下限为列车实际运行中的站间平均旅行速度，其值是64.67km/h；制动点的上限为站间运行距离，其值是2014.14m，下限是根据巡航速度的大小确定的，列车从制动点到站台的制动过程可以被视作为列车从站台加速至制动点的加速过程，则制动点的下限为上限减去加速距离，此值也是惰性点的上限；惰性点的下限也是根据巡航速度确定的，列车从站台加速至巡航速度时所行使的距离为惰性点的下限，其余站间各控制参数的初始范围可根据上述原理确定。

采用所提出的改进差分进化算法进行优化，过程如下：

(1)选择列车运行的关键控制参数牵引力使用系数α、制动力使用系数β、巡航速度v_cr、惰性点S_co和制动点S_br作为决策变量。将列车牵引能耗E_tr作为改进差分进化算法的适应度值，设置种群规模P＝50，最大进化次数G＝100，变异因子Pm＝0.5，交叉因子Pc＝0.8。

(2)种群初始化，实际问题的决策变量为5个，根据决策变量间的约束关系，选择与其余决策变量具有严格约束关系的惰性点S_co作为基因优化过程的待优化基因信息，其余4个决策变量作为初始种群个体的基因信息。

(3)种群个体基因优化，针对每个种群个体进行基因优化和补充。具体步骤如下：

(3.1)将决策变量的取值范围按照一定的步长划分为j个节点，每个节点所对应的基因信息为惰行点的取值，节点数根据惰性点的取值范围来确定，以步长2m进行划分。

(3.2)将初始种群个体按照节点数量进行复制，并将每个节点所对应的基因信息补充至个体中。

(3.3)计算复制后的每个种群的适应度值，选取最优适应度值的个体为目标个体，其相邻个体的基因信息作为最优补充基因取值范围的上下限。在此区间内，采用二分迭代法，通过计算适应度值来确定最优补充基因的取值。

(3.4)将通过变异二分法找到的最优补充基因信息补充至初始种群个体中，得到基因优化后的新种群。

(4)从基因优化后的新种群内中选取最优的个体作为变异过程中的基向量，对种群个体进行差分变异操作，产生新种群。

(5)从基因优化后的新种群内中选取最优的个体作为交叉过程中的目标向量，对(4)产生的种群个体进行交叉操作，产生新种群。

(6)计算新种群个体的适应度值，选取最优适应度值的个体为进化后的最优个体。

(7)判断是否满足优化的终止条件，即进化次数是否达到设置的最大次数或者适应度值是否满足要求。若满足终止条件，进化停止，输出最优个体的目标函数值及其对应的决策变量值。若不满足终止条件，剔除补充的基因信息，跳转至步骤(3)。

优化结果如下表所示

表2优化结果

数据格式：原始数据/优化后的数据(差值＝优化后的数据-原始数据)

采用改进的差分进化算法优化列车运行轨迹后，共节约了30.13％的牵引能耗，优化前后的列车运行轨迹如图4所示。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种城市轨道交通列车运行参数优化算法，其特征在于：所述方法包括如下步骤：

步骤1：根据四阶段操纵策略，将列车在站间的运行过程划分为牵引阶段、巡航阶段、惰性阶段和制动阶段，将列车视作为一条质量带，根据列车实际每辆车所在的线路位置来分析并计算其受力情况，建立多质点牵引能耗模型；

步骤2：采用改进的差分进化算法优化列车运行的关键控制参数，以使牵引能耗最小化；

所述步骤1中建立多质点牵引能耗模型的具体过程为：

设定列车运行时的基本阻力为F_basic，列车动车的重量为M_mo，拖车重量为M_tr和列车速度v的函数为：F_basic(M_mo,M_tr,v)＝A+B·v+C·v²，式中A,B和C为经验系数，根据实际经验确定，其根据列车类型和线路情况的变化而变化，列车运行时的附加阻力F_add为：F_add＝(f_ramp+f_curve+f_tunnel)·M_total·g，式中，M_total为列车总负载，g为重力加速度，f_ramp为坡道阻力，f_curve为弯道阻力，F_tunnel为隧道阻力，三种附加阻力的计算方式分别为： 式中，L_train为列车的总长度，κ_i为列车所在的坡道的千分位数，l_ri为列车所占坡道的长度，l_ci为列车所占弯道的长度，R_i为列车所在弯道的弯道半径，l_ti为列车所占隧道的长度；

列车在整个运行过程中的牵引力F_tr为：F_tr(M_mo,M_tr,v)＝F_tr,t∪F_tr,c，列车的总牵引能耗E_tr为：式中，T为站间运行时间，则列车牵引能耗模型为：

min E_tr

式中，V_lim为区间限速，ΔT为运行时间误差，ξ_t为可允许时间误差，ΔS为运行距离误差，ξ_s为可允许距离误差；

所述步骤2中优化列车运行的关键控制参数的具体过程为：

步骤2.1：选择列车运行的关键控制参数牵引力使用系数α、制动力使用系数β、巡航速度v_cr、惰性点S_co和制动点S_br作为决策变量，将列车牵引能耗作为改进差分进化算法的适应度值，设置种群规模P、最大进化次数G、变异因子Pm和交叉Pc；

步骤2.2：种群初始化，实际问题的决策变量为5个，根据决策变量间的约束关系，选择与其余决策变量具有严格约束关系的惰性点S_co作为基因优化过程的待优化基因信息，其余4个决策变量作为初始种群个体的基因信息；

步骤2.3：种群个体基因优化，针对每个种群个体进行基因优化和补充；

步骤2.4：从基因优化后的新种群内中选取最优的个体作为变异过程中的基向量，对种群个体进行差分变异操作，产生新种群；

步骤2.5：从基因优化后的新种群内中选取最优的个体作为交叉过程中的目标向量，对步骤2.4产生的种群个体进行交叉操作，产生新种群；

步骤2.6：计算新种群个体的适应度值，选取最优适应度值的个体为进化后的最优个体；

步骤2.7：判断是否满足优化的终止条件，即进化次数是否达到设置的最大次数或者适应度值是否满足要求，若满足终止条件，进化停止，输出最优个体的目标函数值及其对应的决策变量值，若不满足终止条件，剔除补充的基因信息；

所述步骤2.3的具体过程为：

步骤2.3.1：将决策变量的取值范围按照一定的步长划分为j个节点，每个节点所对应的基因信息为惰行点的取值；

步骤2.3.2：将初始种群个体按照节点数量进行复制，并将每个节点所对应的基因信息补充至个体中；

步骤2.3.3：计算复制后的每个种群的适应度值，选取最优适应度值的个体为目标个体，其相邻个体的基因信息作为最优补充基因取值范围的上下限，在此区间内，采用二分迭代法，通过计算适应度值来确定最优补充基因的取值；

步骤2.3.4：将通过变异二分法找到的最优补充基因信息补充至初始种群个体中，得到基因优化后的新种群。