一种基于Pareto多目标遗传算法的列车定时节能运行方法技术

本发明专利技术提出一种基于Pareto多目标遗传算法的列车定时节能运行方法。通过设置列车运行的线路数据和列车参数，建立列车运行能耗计算模型，以列车牵引能耗和区间旅行时间为优化目标，建立列车运行的定时节能优化模型，并利用Pareto多目标遗传算法求解优化模型，得到一组列车运行策略的非支配解集，根据设定的列车区间旅行时间，选择准时且最节能的列车运行策略，并得到相应的速度曲线和能耗曲线。本发明专利技术有效地提高列车定时节能优化的精度，优化速度快，并具有最优解搜索范围广的优点，降低了列车能耗，并提高了列车运行的准时性。

【技术实现步骤摘要】

本专利技术属于列车运行控制
，特别是一种基于Pareto多目标遗传算法的列车定时节能运行方法。
技术介绍
近年来，随着我国社会经济的快速发展和城市化进度的不断推进，城市地铁发展也相当迅速，由此带来的城市轨道交通能耗也越来越大。如何在满足列车准点运行的基础上，更加有效地提高能源利用率，降低运营成本，对我国的铁路事业发展有重大意义。列车节能运行控制是一个典型的多目标多约束的优化控制问题，很难确立精确的数学模型来描述列车运行过程。传统的数学方法，如数值解析法、最优控制理论等，难以获取到模型的精确解，即使采用迭代方法也只能求得模型的近似解，且容易陷入局部最优。目前处理列车节能多目标多约束优化问题的方法，主要是通过多个优化目标加权，将多目标转化为单目标进行优化，然而这类方法在加权系数上需要依靠大量的经验积累，且容易造成局部优化，只能得到一组解，且优化速度慢。
技术实现思路
本专利技术的目的在于提出一种基于Pareto多目标遗传算法的列车定时节能运行方法，优化速度块，精度高。为了解决上述技术问题，本专利技术提供一种基于Pareto多目标遗传算法的列车定时节能运行方法，步骤如下：步骤1：设置列车运行的线路数据、列车参数以及Pareto多目标遗传算法基本参数；步骤2：以列车牵引能耗和区间旅行时间为优化目标，建立列车运行的定时节能优化模型，并利用Pareto多目标遗传算法求解该列车运行的定时节能优化模型，得到一组列车运行策略的非支配解集；列车运行的定时节能优化模型为：式中，E为列车能耗值，F为牵引力，B为制动力，s为列车当前运行的公里标，S0、Sp分别为列车起止点公里标，T为实际运行时间，Tr为约定运行时间，ΔT运行时间误差，t当前运行时间，f为阻力，ΔS为实际停车位置与预定停车位置的距离差值的最大值，v(S0)为列车在起点公里标的速度，v(Sp)为列车在止点公里标的速度，a为加速度，amax为最大加速度，v为速度，vmax为最大速度；步骤3：根据设定的列车区间旅行时间，在Pareto前沿的非支配解集中选择最优工况转折点矩阵，并提取该工况转折点矩阵对应的速度、时间、能耗、位移数据，绘制定时节能速度优化曲线和能耗曲线，完成对列车定时节能运行的优化。进一步，步骤1中，线路数据包括坡道起止公里标及对应坡度i、曲线段起止公里标及对应曲率C、限速段起止公里标及对应限速VT，列车参数包括列车的编组方式、长度L、载荷等级AW、戴维斯方程系数(a,b,c)、最大加速度amax、最大速度vmax、牵引特性曲线F(v)和制动特性曲线B(v)，Pareto多目标遗传算法基本参数包括选择算子、交叉算子、变异算子、最大进化代数、种群大小和适应度函数。进一步，步骤2中，求解该优化模型的过程包括如下子步骤：3.1、初始种群P，种群个体数为N，对于初始种群中每个个体将列车运行区间依照运行工况不同进行离散化，得到对应的列车运行工况转折点矩阵X＝[x1,x2,x3,...xi...,xN]，其中种群中每个个体xi＝[S0,D1,D2,D3,Sp]对应列车运行工况转折点矩阵，其中，i＝1,2,....,N，S0、D1、D2、D3、Sp分别为起点、巡航开始点、惰行开始点、制动开始点、终点的公里标；3.2、根据种群中每个个体xi对应的列车运行工况转折点矩阵，计算出每个个体xi对应的牵引能耗E(xi)和运行时间T(xi)，对于未能安全进站和超速行驶的驾驶策论个体xi，将其牵引能耗E(xi)和运行时间T(xi)极大化，使之成为不合理解并在遗传操作过程中被淘汰掉，从而分别得到每个个体xi的能耗适应度值fE(x1,x2,...xi,...xN)和运行时间适应度值fT(x1,x2,...xi,...xN)，然后根据每个个体xi的能耗适应度值和运行时间适应度值进行快速非支配排序，并通过根据二进制锦标赛法从种群P中选择个体进行交叉和变异操作，产生子代种群Q；3.3、从第二代开始，将父代种群P与子代种群Q合并，并进行快速非支配排序，同时对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度选取合适的个体组成下一代父代种群P，种群个体数为N；3.4、通过遗传算法的基本操作产生新的子代种群，依此类推，直到满足结束条件，停止遗传操作，并保存Pareto前沿的非支配解集。进一步，将种群中每个个体xi对应的列车运行工况转折点矩阵，代入列车牵引能耗计算模型中计算出每个个体xi对应的牵引能耗E(xi)和运行时间T(xi)；所述列车牵引能耗计算模型为：根据列车运行区段工况转折点，分区间进行列车的牵引能耗计算，其中在每个仿真步长内，首先根据列车前一个仿真步长运行至的公里标S(t)得到对应该仿真步长内列车的坡度i、曲率C，并根据前一个仿真步长列车的速度v(t)、能耗E(t)，求出该仿真步长内列车的牵引力F(v)、制动力B(v)和阻力参数f，根据列车的工况和受力分析，求出当前时间t列车的加速度a(t)、牵引功率P(t)，进而求出下一个仿真步长内的速度v(t+Δt)、公里标S(t+Δt)、牵引功率P(t+Δt)，以及牵引能耗E(t+Δt)，Δt为方针步长时间。本专利技术与现有技术相比，其显著优点在于，本专利技术基于Pareto多目标遗传算法的列车定时节能运行方法，在搜索过程中不易陷入局部最优，进化结果不局限于单值解,非常适合求解复杂的多目标问题；通过选择、交叉、变异操作来表现复杂现象,充分利用适应值函数而不需要其它先验知识,能够快速解决传统方法难以解决的问题。附图说明图1是本专利技术中基于Pareto多目标遗传算法的列车定时节能运行方法流程简图。图2是本专利技术中基于Pareto多目标遗传算法的列车定时节能运行方法的流程详图。图3是本专利技术中多目标Pareto前沿的非支配最优解集示意图。图4是本专利技术中基于Pareto多目标遗传算法每代个体最优个体目标函数值变化图。图5是本专利技术中最优列车定时节能运行速度曲线图。图6是本专利技术中最优列车定时节能运行能耗曲线图。具体实施方式容易理解，依据本专利技术的技术方案，在不变更本专利技术的实质精神的情况下，本领域的一般技术人员可以想象出本专利技术基于Pareto多目标遗传算法的列车定时节能运行方法的多种实施方式。因此，以下具体实施方式和附图仅是对本专利技术的技术方案的示例性说明，而不应当视为本专利技术的全部或者视为对本专利技术技术方案的限制或限定。结合图1～5，基于Pareto多目标遗传算法的列车定时节能运行方法，包括以下步骤：步骤1：设置列车运行的线路数据、列车参数以及Pareto多目标遗传算法基本参数。线路数据包括坡道起止公里标及对应坡度i、曲线段起止公里标及对应曲率C、限速段起止公里标及对应限速VT，列车参数包括列车的编组方式、长度L、载荷等级AW、戴维斯方程系数(a,b,c)、最大加速度amax、最大速度vmax、牵引特性曲线F(v)和制动特性曲线B(v)，Pareto多目标遗传算法基本参数包括选择算子、交叉算子、变异算子、最大进化代数、种群大小和适应度函数；步骤2：构建列车运行能耗计算模型。根据列车运行区段工况转折点，分区间进行列车的牵引能耗计算，其中在每个仿真步长内，首先根据列车前一个仿真步长运行至的公里标S(t)得到对应该仿真步长内列车的坡度i、曲率C，并根据前一个仿真步长列本文档来自技高网...

【技术保护点】
一种基于Pareto多目标遗传算法的列车定时节能运行方法，其特征在于，步骤1：设置列车运行的线路数据、列车参数以及Pareto多目标遗传算法基本参数；步骤2：以列车牵引能耗和区间旅行时间为优化目标，建立列车运行的定时节能优化模型，并利用Pareto多目标遗传算法求解该列车运行的定时节能优化模型，得到一组列车运行策略的非支配解集；列车运行的定时节能优化模型为：min E=∫S0Sp(F-B)dsminΔT=T-Tr]]>s.tMdsdt=F-f-Bv(S0)=0,v(Sp)=0,a≤amax,v≤vmax;|s-sp|≤ΔS;]]>式中，E为列车能耗值，F为牵引力，B为制动力，s为列车当前运行的公里标，S0、Sp分别为列车起止点公里标，T为实际运行时间，Tr为约定运行时间，ΔT运行时间误差，t当前运行时间，f为阻力，ΔS为实际停车位置与预定停车位置的距离差值的最大值，v(S0)为列车在起点公里标的速度，v(Sp)为列车在止点公里标的速度，a为加速度，amax为最大加速度，v为速度，vmax为最大速度；步骤3：根据设定的列车区间旅行时间，在Pareto前沿的非支配解集中选择最优工况转折点矩阵，并提取该工况转折点矩阵对应的速度、时间、能耗、位移数据，绘制定时节能速度优化曲线和能耗曲线，完成对列车定时节能运行的优化。...

【技术特征摘要】
1.一种基于Pareto多目标遗传算法的列车定时节能运行方法，其特征在于，步骤1：设置列车运行的线路数据、列车参数以及Pareto多目标遗传算法基本参数；步骤2：以列车牵引能耗和区间旅行时间为优化目标，建立列车运行的定时节能优化模型，并利用Pareto多目标遗传算法求解该列车运行的定时节能优化模型，得到一组列车运行策略的非支配解集；列车运行的定时节能优化模型为：minE=∫S0Sp(F-B)dsminΔT=T-Tr]]>s.tMdsdt=F-f-Bv(S0)=0,v(Sp)=0,a≤amax,v≤vmax;|s-sp|≤ΔS;]]>式中，E为列车能耗值，F为牵引力，B为制动力，s为列车当前运行的公里标，S0、Sp分别为列车起止点公里标，T为实际运行时间，Tr为约定运行时间，ΔT运行时间误差，t当前运行时间，f为阻力，ΔS为实际停车位置与预定停车位置的距离差值的最大值，v(S0)为列车在起点公里标的速度，v(Sp)为列车在止点公里标的速度，a为加速度，amax为最大加速度，v为速度，vmax为最大速度；步骤3：根据设定的列车区间旅行时间，在Pareto前沿的非支配解集中选择最优工况转折点矩阵，并提取该工况转折点矩阵对应的速度、时间、能耗、位移数据，绘制定时节能速度优化曲线和能耗曲线，完成对列车定时节能运行的优化。2.如权利要求1所述基于Pareto多目标遗传算法的列车定时节能运行方法，其特征在于，步骤1中，线路数据包括坡道起止公里标及对应坡度i、曲线段起止公里标及对应曲率C、限速段起止公里标及对应限速VT，列车参数包括列车的编组方式、长度L、载荷等级AW、戴维斯方程系数(a,b,c)、最大加速度amax、最大速度vmax、牵引特性曲线F(v)和制动特性曲线B(v)，Pareto多目标遗传算法基本参数包括选择算子、交叉算子、变异算子、最大进化代数、种群大小和适应度函数。3.如权利要求1所述基于Pareto多目标遗传算法的列车定时节能运行方法，其特征在于，步骤2中，求解该优化模型的过程包括如下子步骤：3.1、初始种群P，种群个体数为N，对于初始种群中每个个体将列车运行区间依照运行工况不同进行离散化，得到对应的列车运行工况转...

【专利技术属性】
技术研发人员：张永，桂行东，杨志，陈叶健，周翔翔，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32