劉建威，常柱剛，鄧海波，于鵬

基于改進(jìn)遺傳算法的城軌列車(chē)節(jié)能運(yùn)行模型

劉建威1, 2，常柱剛2，鄧海波2，于鵬2

(1. 中南大學(xué) 土木工程學(xué)院，湖南 長(zhǎng)沙 410075；2.長(zhǎng)沙市規(guī)劃設(shè)計(jì)院有限責(zé)任公司，湖南 長(zhǎng)沙 410007)

為有效減少城軌列車(chē)牽引能耗，以列車(chē)動(dòng)力學(xué)理論為基礎(chǔ)，以列車(chē)運(yùn)行時(shí)分為約束條件，利用改進(jìn)后的遺傳算法，建立單列車(chē)節(jié)能運(yùn)行控制模型；通過(guò)對(duì)城軌列車(chē)進(jìn)行合理分組，將再生制動(dòng)能量利用轉(zhuǎn)化為制動(dòng)列車(chē)和組內(nèi)其他加速列車(chē)的時(shí)間重疊問(wèn)題，通過(guò)改進(jìn)遺傳算法對(duì)組內(nèi)列車(chē)的工況序列進(jìn)行搜索尋優(yōu)，建立多列車(chē)節(jié)能運(yùn)行調(diào)度方案；以某14站地鐵線數(shù)據(jù)為例，采用MATLAB仿真求解100列車(chē)的運(yùn)行控制方案。仿真結(jié)果表明：該模型可在復(fù)雜線路條件下使得城軌列車(chē)準(zhǔn)時(shí)準(zhǔn)點(diǎn)停站，在保證不同班次列車(chē)間運(yùn)行互不干擾的同時(shí)相互利用其再生制動(dòng)能量，被利用的再生能量可使總能耗節(jié)約17.06%。

城市軌道交通；定時(shí)限速約束；再生制動(dòng)；改進(jìn)遺傳算法；退回重算；列車(chē)分組

城市軌道交通系統(tǒng)能耗中的牽引制動(dòng)能耗占軌道交通系統(tǒng)總能耗的40%左右[1?2]。實(shí)際運(yùn)行過(guò)程中，各站點(diǎn)之間每條-曲線則對(duì)應(yīng)著列車(chē)在不同線路上特定的運(yùn)行工況及能量消耗[3]。列車(chē)再生制動(dòng)的能量可供同軌道上的列車(chē)牽引利用以減少總體耗能[4]。既有文獻(xiàn)對(duì)考慮再生能量的城軌列車(chē)牽引優(yōu)化研究較少。本文基于列車(chē)動(dòng)力學(xué)理論，選取列車(chē)運(yùn)行時(shí)刻為約束條件，以列車(chē)牽引耗能為目標(biāo)函數(shù)，采用改進(jìn)后的遺傳算法，分別建立列車(chē)運(yùn)行仿真計(jì)算模型、單列車(chē)節(jié)能運(yùn)行控制模型和考慮再生制動(dòng)的多列車(chē)節(jié)能運(yùn)行調(diào)度方案，采用MATLAB編程求解；以某14站地鐵線數(shù)據(jù)為例，設(shè)計(jì)100列車(chē)的運(yùn)行控制方案，有效地降低了列車(chē)牽引能耗，驗(yàn)證了本文模型的節(jié)能效果。

1 單列車(chē)節(jié)能運(yùn)行控制模型

首先，建立列車(chē)運(yùn)行仿真模型以求解列車(chē)在2個(gè)站點(diǎn)間的能耗。該仿真模型以減少牽引能耗為目標(biāo)，并應(yīng)滿(mǎn)足列車(chē)控制的運(yùn)行時(shí)刻(站點(diǎn)間規(guī)定運(yùn)行時(shí)間)、速度限制(線路最大限制速度)、邊界條件(到達(dá)站點(diǎn)處速度為0)和控制變量(工況及工況轉(zhuǎn)換要求)等約束條件要求。依據(jù)列車(chē)運(yùn)行仿真模型即可編寫(xiě)程序模擬列車(chē)在2站點(diǎn)間的運(yùn)行過(guò)程，求解列車(chē)優(yōu)化控制工況，確定相應(yīng)的節(jié)能控制方案。由于列車(chē)能耗模型需要依賴(lài)已確定的工況轉(zhuǎn)換序列和工況轉(zhuǎn)換點(diǎn)位置[5]，限于轉(zhuǎn)換點(diǎn)搜索過(guò)程的復(fù)雜性，傳統(tǒng)方法難于建立精確的搜索模型[5?7]，本文對(duì)傳統(tǒng)遺傳算法進(jìn)行改進(jìn)(若完成規(guī)定迭代次數(shù)后無(wú)可行解則增加染色體基因數(shù)目重新迭代)，構(gòu)建單列車(chē)節(jié)能運(yùn)行控制模型，并以列車(chē)牽引耗能為目標(biāo)函數(shù)，實(shí)現(xiàn)列車(chē)最優(yōu)-曲線的求解。模型的計(jì)算流程如圖1。

1.1 單列車(chē)運(yùn)行仿真模型

將城軌列車(chē)作為單一質(zhì)點(diǎn)[1]，列車(chē)從起始點(diǎn)出發(fā)，初速度0=0，給定工況轉(zhuǎn)換序列(包括轉(zhuǎn)換點(diǎn)位置)和線路參數(shù)(包括坡度和曲率)使列車(chē)運(yùn)行距離后到達(dá)終點(diǎn)站停車(chē)(v=0)，所用時(shí)間為，求這一行駛區(qū)間中每一時(shí)刻列車(chē)的瞬時(shí)速度、空間位置及受力情況等參數(shù)和列車(chē)能耗。定義列車(chē)運(yùn)行控制集合如下：

其中：1,2,…,表示不同級(jí)位的列車(chē)牽引；0表示列車(chē)惰行；?1表示列車(chē)制動(dòng)。

研究表明[8?10]，采用圖2的列車(chē)操縱過(guò)程較 節(jié)能。

設(shè)定牽引加速度百分比的數(shù)值以模擬機(jī)車(chē)在不同牽引控制級(jí)位下的牽引力狀況，為制動(dòng)加速度百分比，為工況控制序列，為控制變量(∈)，表示對(duì)應(yīng)的列車(chē)牽引力，為對(duì)應(yīng)的列車(chē)制動(dòng)力，為列車(chē)運(yùn)行總阻力。考慮到列車(chē)在惰行及制動(dòng)過(guò)程中不需提供牽引力，在牽引及惰行過(guò)程中不需要制動(dòng)力得到：

設(shè)牽引計(jì)算時(shí)間步長(zhǎng)為Δ，則線路可被分為段(/Δ)。用表示每一時(shí)間步長(zhǎng)所對(duì)應(yīng)的線路(=1,2,…,)，v?1表示該時(shí)間步長(zhǎng)的初速度，v表示該時(shí)間步長(zhǎng)的末速度，t表示截止步長(zhǎng)一共耗費(fèi)的時(shí)間，s表示截止步長(zhǎng)一共行進(jìn)的距離，列車(chē)在每個(gè)時(shí)間步長(zhǎng)內(nèi)所受外力合力為定值。得到單列車(chē)節(jié)能運(yùn)行優(yōu)化控制模型的基本形式如下。

其中：

vmax表示列車(chē)運(yùn)行線路上各區(qū)間的限速；jk表示第k個(gè)時(shí)間步長(zhǎng)的控制工況；jk+1表示第k+1個(gè)時(shí)間步長(zhǎng)的控制工況。目標(biāo)函數(shù)的決策變量為工況轉(zhuǎn)換點(diǎn)的位置，是在運(yùn)算過(guò)程中控制模型根據(jù)列車(chē)的當(dāng)前工況、運(yùn)行時(shí)刻、空間位置、瞬時(shí)速度及受力情況來(lái)判斷下一步長(zhǎng)應(yīng)采用的工況，由工況轉(zhuǎn)換約束規(guī)則及遺傳算法搜索決定。

圖2 工況控制策略示意圖

1.2 合力突變點(diǎn)的處理

根據(jù)既有文獻(xiàn)假設(shè)[11]，列車(chē)所受牽引力或制動(dòng)力在經(jīng)過(guò)工況轉(zhuǎn)換點(diǎn)時(shí)將發(fā)生突變。若在計(jì)算過(guò)程中仍按假設(shè)中合力不變進(jìn)行計(jì)算則會(huì)產(chǎn)生較大誤差。本文提出基于變更步長(zhǎng)的退回重算方法：如圖3(a)，Δs表示時(shí)間步長(zhǎng)所對(duì)應(yīng)的列車(chē)線路距離，s?1表示步長(zhǎng)起始點(diǎn)的距離，s表示步長(zhǎng)終止點(diǎn)的距離，表示列車(chē)合力變化點(diǎn)位置。

圖3 基于變更步長(zhǎng)的退回重算原理

得到步長(zhǎng)兩端點(diǎn)距合力突變點(diǎn)的最短距 離為：

1.3 列車(chē)進(jìn)站制動(dòng)過(guò)程

圖4 列車(chē)制動(dòng)過(guò)程v-t曲線示意

以制動(dòng)工況起點(diǎn)處制動(dòng)力為最大制動(dòng)能力，經(jīng)考慮坡度和阻力等因素折減后，可認(rèn)為列車(chē)在人為控制其制動(dòng)力的條件下，可以維持一個(gè)最大的減速度max作勻減速運(yùn)動(dòng)；同樣，也可在不超過(guò)該最大減速度的任意下作勻減速運(yùn)動(dòng)。

1.4 改進(jìn)遺傳算法設(shè)計(jì)

1.4.1 算法引入

列車(chē)運(yùn)行控制方案包括一系列工況，各工況可映射為遺傳算法的染色體，工況序列表則對(duì)應(yīng)種群。一個(gè)列車(chē)運(yùn)行過(guò)程控制方案的一個(gè)解用遺傳算法的一個(gè)個(gè)體表示。

圖5 列車(chē)工況轉(zhuǎn)換示意圖

如圖5，每個(gè)工況轉(zhuǎn)換點(diǎn)的位置即是一個(gè)基因，列車(chē)工況轉(zhuǎn)換過(guò)程可映射為一個(gè)含有4個(gè)基因的染色體，表1為各工況轉(zhuǎn)換點(diǎn)位置(采用二進(jìn)制編碼)。

表1 工況轉(zhuǎn)換點(diǎn)與生物遺傳概念對(duì)應(yīng)關(guān)系

牽引計(jì)算時(shí)，若1次“牽引?惰行?制動(dòng)”的仿真過(guò)程無(wú)法搜索到符合約束條件的可行解，則直接在制動(dòng)過(guò)程前增加一個(gè)或多個(gè)“牽引?惰行”過(guò)程，這實(shí)際上增加了染色體的長(zhǎng)度。

1.4.2 算法設(shè)計(jì)

通過(guò)前面對(duì)遺傳算法的改進(jìn)和分析，得到了本文算法的計(jì)算流程：首先，其初始種群生成[12]、選擇運(yùn)算[13?14]和變異運(yùn)算過(guò)程同傳統(tǒng)遺傳算法；其次，考慮到列車(chē)運(yùn)行控制工況的先后順序，各工況轉(zhuǎn)換位置受到空間邊界和時(shí)間約束，故交叉操作的同時(shí)應(yīng)判斷各基因是否有效；最后，利用列車(chē)運(yùn)行仿真模型及其約束條件判斷是否為有效解，若沒(méi)有搜索出有效解，則增加染色體基因。

2 多列車(chē)節(jié)能運(yùn)行調(diào)度方案

制定多列車(chē)節(jié)能運(yùn)行調(diào)度方案，要同時(shí)考慮約束條件下單輛列車(chē)在運(yùn)行過(guò)程中消耗的能量，及供電區(qū)段內(nèi)再生能量的利用情況。如圖6，列車(chē)制動(dòng)時(shí)產(chǎn)生的能量reg可供同區(qū)段內(nèi)牽引狀態(tài)的列車(chē)?yán)脧亩鴾p少耗能。

圖6 再生能量利用示意圖

根據(jù)文獻(xiàn)[11]，再生能量可按下式計(jì)算：

其中：mech表示制動(dòng)前后的機(jī)械能變化量；f表示基本阻力和附加阻力消耗的能量。

再生能量被利用的部分可按下式計(jì)算：

其中：brake表示第+1輛列車(chē)的制動(dòng)時(shí)長(zhǎng)；overlap表示brake與第輛列車(chē)加速時(shí)間的重合部分。

由于運(yùn)行過(guò)程計(jì)算復(fù)雜，且城軌列車(chē)每日開(kāi)行多達(dá)上百趟班次，要同時(shí)進(jìn)行全局最優(yōu)搜索幾乎是不可能的[7]。因此，本文以單列車(chē)節(jié)能優(yōu)化控制模型為基礎(chǔ)，對(duì)列車(chē)進(jìn)行合理編組，構(gòu)建多列車(chē)節(jié)能運(yùn)行調(diào)度方案模型。具體思路如圖7。

2.1 列車(chē)分組方案

為使相鄰列車(chē)的制動(dòng)和牽引過(guò)程盡可能重合以達(dá)到節(jié)能目的，可根據(jù)線路情況將列車(chē)進(jìn)行分組?？紤]按兩兩分組共分為G組，每一組組內(nèi)2列列車(chē)的發(fā)車(chē)間隔h應(yīng)在滿(mǎn)足速度限制的前提下盡量控制在列車(chē)站點(diǎn)間運(yùn)行時(shí)間以?xún)?nèi)，以保證2車(chē)牽引和制動(dòng)時(shí)間盡可能重合，各組之間的發(fā)車(chē)間隔h須能滿(mǎn)足規(guī)定的發(fā)車(chē)間隔總時(shí)間這一約束條件。將多列車(chē)的節(jié)能優(yōu)化問(wèn)題分解為考慮再生能量利用的2列車(chē)工況序列搜索尋優(yōu)問(wèn)題，實(shí)現(xiàn)對(duì)再生能的優(yōu)化利用。

圖7 多列車(chē)節(jié)能運(yùn)行調(diào)度方案流程圖

2.2 列車(chē)開(kāi)行方案

為避免追尾，后車(chē)速度應(yīng)在限制速度lim以 下[15]，則2列車(chē)間最小間距為：

其中：B是列車(chē)最大制動(dòng)加速度。

可得以下限制條件：

根據(jù)列車(chē)運(yùn)行-圖和最短停站時(shí)間min，可反算出滿(mǎn)足該條件下2列車(chē)N+1和N的最小時(shí)間間隔min，即對(duì)發(fā)車(chē)間隔有：

對(duì)于首末班車(chē)發(fā)車(chē)時(shí)間間隔0有：

因此，的可行域?yàn)椋?/p>

目標(biāo)函數(shù)：

其中：

目標(biāo)函數(shù)的決策變量為組內(nèi)發(fā)車(chē)間隔h和組間發(fā)車(chē)間隔h，式中E等式各參數(shù)含義見(jiàn)文獻(xiàn)[11]。

3 案例分析

3.1 基本信息

以一條全長(zhǎng)22.9 km，擁有14個(gè)車(chē)站的地鐵線路為例，考慮100輛列車(chē)以時(shí)間間隔={1,…,99}(各分量的取值范圍為2~11 min)依次從A1站出發(fā)途經(jīng)各站到達(dá)A14站，各站停站時(shí)間最少30 s，最多45 s，要求首末班車(chē)的發(fā)車(chē)時(shí)間間隔為0= 63 780 s，且每輛車(chē)首末站間的總開(kāi)行時(shí)間均為定值 2 078 s。

3.2 基于牽引能耗的2站點(diǎn)間單列車(chē)節(jié)能運(yùn)行分析

將列車(chē)參數(shù)及A6-A7站點(diǎn)間線路參數(shù)輸入列車(chē)運(yùn)行仿真模型，取時(shí)間步長(zhǎng)Δ=1 s，得到收斂效果較好的遺傳算法基礎(chǔ)參數(shù)，如表2所示。

表2 遺傳算法基本參數(shù)設(shè)定

依據(jù)節(jié)能策略，A6-A7站點(diǎn)的初始工況序列設(shè)為“牽引?惰行?制動(dòng)”。考慮不同牽引級(jí)位下的牽引力傳輸效率，計(jì)算得對(duì)應(yīng)的最優(yōu)-曲線如圖8，可見(jiàn)列車(chē)在運(yùn)行過(guò)程中的工況轉(zhuǎn)換序列按“牽引?惰行?制動(dòng)”操作是可行的。對(duì)比可知，在牽引力傳輸效率=0.8的情況下得到列車(chē)最優(yōu)運(yùn)行能耗，為7.467 2 kW?h對(duì)應(yīng)的牽引?惰行工況轉(zhuǎn)換點(diǎn)為140 m，惰行?制動(dòng)工況轉(zhuǎn)換點(diǎn)為1 067 m。

考慮到實(shí)際情況及模型的通用性，進(jìn)一步計(jì)算了二次牽引下(即“牽引?惰行?牽引?惰行?制動(dòng)”工況轉(zhuǎn)換序列)列車(chē)能耗與列車(chē)-曲線如圖9。對(duì)比圖8與圖9可知，本案例1次牽引的最優(yōu)解比2次牽引最優(yōu)解能耗值低，為城軌列車(chē)站點(diǎn)間距離普遍較短導(dǎo)致。因此本文統(tǒng)一采用1次牽引工況序列。

圖8 不同牽引級(jí)位下采用1次牽引最優(yōu)V-S曲線

3.3 基于再生制動(dòng)的多列車(chē)全線開(kāi)行調(diào)度方案

根據(jù)3.2節(jié)所述單列車(chē)節(jié)能運(yùn)行控制模型，可得出A1~A14站間的單列車(chē)全程運(yùn)行最優(yōu)圖如圖10，并以此作為所有列車(chē)的運(yùn)行圖。采用2.1所述方案對(duì)列車(chē)進(jìn)行兩兩分組如圖11(圖中同顏色的豎粗線表示2列車(chē)為同一組，圓弧線代表單列車(chē)全程運(yùn)行圖，h為列車(chē)的組內(nèi)發(fā)車(chē)間隔，h為組間發(fā)車(chē)間隔)，在2.2節(jié)的約束條件下以列車(chē)運(yùn)行總耗能為目標(biāo)函數(shù)，采用遺傳算法進(jìn)行優(yōu)化求解，并從若干可行解中進(jìn)一步比選出最優(yōu)解，進(jìn)而得到多列車(chē)全線開(kāi)行調(diào)度方案。得到最優(yōu)的運(yùn)行時(shí)間間隔為：

計(jì)算得被利用的再生能量可使總能耗節(jié)約17.06%，100列列車(chē)的最終能耗為9 115.94 kW?h。

圖9 不同牽引級(jí)位下采用2次牽引最優(yōu)V-S曲線

圖10 單列車(chē)的全程運(yùn)行最優(yōu)V-t圖

圖11 多列車(chē)出行分組安排

4 結(jié)論

1) 結(jié)合列車(chē)牽引計(jì)算理論設(shè)計(jì)以時(shí)間為步長(zhǎng)的城軌列車(chē)運(yùn)行仿真模型，并針對(duì)步長(zhǎng)中可能出現(xiàn)的合力突變點(diǎn)提出退回重算策略；通過(guò)將列車(chē)運(yùn)行過(guò)程分解為工況序列且將工況序列映射為染色體，使基于變長(zhǎng)染色體的改進(jìn)遺傳算法融入列車(chē)仿真模型的求解過(guò)程，構(gòu)建單列車(chē)節(jié)能運(yùn)行控制模型。

2) 基于再生能量利用原理、列車(chē)運(yùn)行時(shí)分限制以及單列車(chē)節(jié)能運(yùn)行模型，對(duì)城軌列車(chē)兩兩分組，將多列車(chē)的節(jié)能優(yōu)化問(wèn)題分解為小組內(nèi)列車(chē)的工況序列搜索尋優(yōu)問(wèn)題。

3) 以某14站地鐵線數(shù)據(jù)為例，基于單列車(chē)的牽引耗能分析，得出城軌列車(chē)2站點(diǎn)間采用1次牽引的普遍比2次牽引更節(jié)能，進(jìn)一步求解出單列車(chē)全程運(yùn)行最優(yōu)圖，最終得出100列的全線開(kāi)行調(diào)度方案；被利用的再生能量可使總能耗節(jié)約17.06%

4) 模型可在復(fù)雜線路條件下使城軌列車(chē)準(zhǔn)時(shí)準(zhǔn)點(diǎn)停站，保證不同班次列車(chē)間運(yùn)行互不干擾的同時(shí)相互利用其再生制動(dòng)能量，有效降低列車(chē)運(yùn)行能耗，可供相關(guān)案例作為參考。

[1] 顧添慧. 城市軌道交通列控系統(tǒng)牽引制動(dòng)的計(jì)算和研究[D]. 北京: 北京交通大學(xué), 2011.GU Tianhui. Research and caculation on rail transit line braking traction control system[D]. Beijing: Beijing Jiaotong University, 2011.

[2] 喻李葵, 沈杰, 蘇博, 等. 牽引策略對(duì)動(dòng)車(chē)組運(yùn)行能耗的影響[J]. 中南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2017, 48(1): 262?269.YU Likui, SHEN Jie, SU Bo, et al. Impact of traction strategy on traction energy consumption of CRH[J]. Journal of Central South University (Science and Technology), 2017, 48(1): 262?269.

[3] 李佳杰, 柏赟, 邱宇, 等. 現(xiàn)代有軌電車(chē)時(shí)刻表與操縱節(jié)能協(xié)同優(yōu)化[J]. 鐵道科學(xué)與工程學(xué)報(bào), 2017, 14(7): 1552?1558.LI Jiajie, BAI Yun, QIU Yu, et al. Coordinated optimization of modern tram control and timetable for energy saving[J]. Journal of Railway Science and Engineering, 2017, 14(7): 1552?1558.

[4] 荀徑, 唐濤, 宋曉美, 等. 再生制動(dòng)條件下的城軌列車(chē)節(jié)能駕駛綜合模型[J]. 中國(guó)鐵道科學(xué), 2015, 36(1): 104?110.XUN Jing, TANG Tao, SONG Xiaomei, et al. Comprehensive model for energy-saving train operation of urban mass transit under regenerative brake[J]. China Railway Science, 2015, 36(1): 104?110.

[5] Fukuhara T, Imai T. Evaluation method of train operation control under gales considering temporal fluctuations of wind velocity[J]. Quarterly Report of RTRI, 2007, 48(3): 148?152.

[6] Ramos G, Leal A F, Ri?os M A, et al. Grounding model in multi-train dc traction systems[J]. IEEE Latin America Transactions, 2014, 12(2): 169?175.

[7] 余進(jìn), 何正友, 錢(qián)清泉. 基于微粒群算法的多目標(biāo)列車(chē)運(yùn)行過(guò)程優(yōu)化[J]. 西南交通大學(xué)學(xué)報(bào), 2010, 45(1): 70?75.YU Jin, HE Zhengyou, QIAN Qingquan. Multi-objective train operation optimization based on particle swarm algorithm[J]. Journal of Southwest Jiaotong University, 2010, 45(1): 70?75.

[8] 周艷芳, 周磊山, 樂(lè)逸祥. 城市軌道網(wǎng)絡(luò)換乘站列車(chē)銜接同步協(xié)調(diào)優(yōu)化研究[J]. 鐵道學(xué)報(bào), 2011, 33(3): 9?16.ZHOU Yanfang, ZHOU Leishan, YUE Yixiang. Synchronized and coordinated train connecting optimization for transfer stations of urban rail networks[J]. Journal of the China Railway Society, 2011, 33(3): 9?16.

[9] SONG Q, SONG Y D, CAI W. Adaptive back stepping control of train systems with traction/braking dynamics and uncertain resistive forces[J]. Vehicle System Dynamics, 2011, 49(9): 1441?1454.

[10] LUO H, XU H, ZHANG W, et al. Adaptive robust control designed for automatic train operation with guaranteed tracking performance[J]. Sensors & Transducers, 2014, 176(8): 249?256.

[11] 唐海川. 城市軌道交通多列車(chē)運(yùn)行節(jié)能優(yōu)化控制[D]. 成都: 西南交通大學(xué), 2015.TANG Haichuan. Energy-efficient multi-train control in metro transit system[D]. Chengdu: Southwest Jiaotong University, 2015.

[12] WANG S X, ZHANG C Y, JIN L L. A hybrid genetic algorithm for flexible job-shop scheduling problem[J]. Advanced Materials Research, 2013, 889/890(11): 1179? 1184.

[13] ZHOU Y, ZHOU L, WANG Y, et al. Application of multiple-population genetic algorithm in optimizing the train-set circulation plan problem[J]. Complexity, 2017, 2017(7): 1?14.

[14] LI Y, XIN C, WU J, et al. A study of attribute weighted SVM based on Genetic Algorithm[J]. Hebei Gongye Daxue Xuebao, 2012, 41(5): 103?106.

[15] 張永紅. 城市軌道交通列車(chē)運(yùn)行圖緩沖時(shí)間優(yōu)化方法研究[D]. 長(zhǎng)沙: 中南大學(xué), 2013.ZHANG Yonghong. The study on buffer time optimization method of train operation diagram in urban rail transit[D]. Changsha: Central South University, 2013.

Energy-saving operation model for urban rail train based on improved genetic algorithm

LIU Jianwei1,2, CHANG Zhugang2, DENG Haibo2, YU Peng2

(1. School of Civil Engineering, Central South University, Changsha 410075, China;2. Changsha Planning & Design Institute Co., Ltd, Changsha 410007, China)

To reduce the traction energy consumption of urban rail train, the improved genetic algorithm was used for the energy-saving operation control model of single train based on the theory of train dynamics and the constraint condition of train schedule. By grouping the trains reasonably, the regenerative braking energy utilization was transformed into the time overlap between the braking train and other accelerated trains in the group. The improved genetic algorithm was used to search the optimal operating conditions of trains in the group and the energy-saving operation scheduling plan of multiple trains was established. Taking the data of a 14-station subway line as an example, the operation control scheme of 100 train was solved by MATLAB simulation. Simulation results indicate this model can make the urban rail train stop on time in the complex line condition; the schedules of different trains will not be obstructed each other and meanwhile the regenerative brake energy can be utilized interavailability; the regenerative utilized energy can save 17.06% total energy consumption.

urban rail transit; definite time and limited speed; regenerative brake; improved genetic algorithms; return and recalculation; train grouping

U268.6；U268.43

A

1672 ? 7029(2019)11? 2881 ? 08

10.19713/j.cnki.43?1423/u.2019.11.030

2019?03?04

國(guó)家自然科學(xué)基金資助項(xiàng)目(50708117)

劉建威(1979?)，男，湖南雙峰人，高級(jí)工程師，博士，從事城市道路與軌道交通研究；E?mail：27362631@qq.com

(編輯 陽(yáng)麗霞)