地铁列车速度曲线和区间运行时间的一体化优化方法技术

本发明专利技术公开了一种地铁列车速度曲线和区间运行时间的一体化优化方法，该方法步骤如下：建立基本数据模块；建立列车运行仿真模块；建立仿真优化模块，采用遗传算法NSGA‑II对列车ATO速度命令进行优化，求得均匀分布的Pareto解集，从而确定最优的列车ATO速度命令集以及最优速度命令下的区间运行能耗与运行时间的关系曲线，采用深度强化学习(DQN)算法综合考虑全线能耗、服务水平以及运营管理要求，通过调整各个区间的运行时间，从而达到在不影响服务水平、满足运营管理要求的前提下降低全线的运行能耗。本发明专利技术方法为工程项目中列车的运行规划提供数据和理论支撑，具有较高的使用价值和应用前景。

【技术实现步骤摘要】
地铁列车速度曲线和区间运行时间的一体化优化方法
本专利技术涉及城市轨道交通
，特别是一种地铁列车速度曲线和区间运行时间的一体化优化方法。
技术介绍
随着城市轨道交通的快速发展，地铁列车已经成为人们主要的出行交通工具。虽然按同等运能比较，轨道交通能耗比其他形式交通方式小，但由于其大运量的特点，使得总耗电量相当大，是耗能大户，具有较大的节能潜力。通过调整单区间的速度曲线、调整各个区间的运行时间以达到降低地铁列车能耗的效果，已经成为轨道交通领域研究的热点。现有的地铁列车的节能策略的研究仍存在一定的问题，存在以下不足：(1)现有的地铁列车节能策略大多只考虑单区间的速度的优化，或者是多区间的运行时间的调整，并未将两者进行一体化的调整；(2)现有多区间的运行时间的调整多采用遍历或者动态规划等算法，当站点较多或者调整精度要求较高时，容易出现维度灾难的问题；(3)现有的多区间运行时间的调整大多只考虑能耗的降低，而很少考虑地铁公司的运营管理要求以及服务水平，导致得出的优化方案缺乏实用价值。
技术实现思路
本专利技术的目的在于提供一种地铁列车速度曲线和区间运行时间的一体化优化方法，在不影响服务水平、满足运营管理要求的前提下降低全线的运行能耗。实现本专利技术目的的技术解决方案为：一种地铁列车速度曲线和区间运行时间的一体化优化方法，包括以下步骤：步骤1，建立数据模块，包括线路数据模块、列车参数模块、ATO参数模块、地铁运营数据模块、优化参数模块；步骤2，基于数据模块，建立列车运行仿真模块，包括车载ATO模型、地铁列车力学模型、列车状态更新计算模型和列车运行能耗计算模型；步骤3，基于数据模块，建立基于遗传算法NSGA-II的单区间速度曲线优化模块，确定最优的列车ATO的速度命令以及最优速度命令下的区间运行能耗与运行时间的关系曲线；步骤4，基于步骤1的数据模块以及步骤3确定的最优速度命令下的区间运行能耗与运行时间的关系曲线，采用深度强化学习算法确定最优各区间运行时间。本专利技术与现有技术相比，其显著优点是：(1)从一体化优化的角度出发，对区间速度曲线和各个区间列车运行时间进行综合优化；(2)将遗传算法NSGA-II应用于区间速度曲线优化，采用快速非支配排序算法、拥挤距离和拥挤度比较算子以及精英和适应度共享策略，使得最终设计得到的列车速度曲线优化方案达到非支配标准的要求同时NSGA-II求解得到均匀分布的Pareto解集；在此基础上，将DQN算法应用于各区间运行时间优化中，采用经验回放来训练强化学习过程，设置目标网络来单独处理时间偏差算法中的TD偏差，提高DQN算法的收敛性和稳定性；(3)在区间运行时间优化的过程中，综合考虑了全线能耗、服务水平以及运营管理要求，更具实际应用价值。附图说明图1是本专利技术地铁列车速度曲线和区间运行时间的一体化优化方法的结构图。图2是本专利技术中基于遗传算法NSGA-II的单区间速度曲线优化模块的流程图。图3是本专利技术中基于深度强化学习(DQN)的多区间运行时间优化模块的流程图。具体实施方式以下结合附图和具体实施方式对本专利技术做进一步详细描述。结合图1，本专利技术现代地铁列车速度曲线和区间运行时间的一体化优化方法，包括以下步骤：步骤1，建立基本数据模块；所述的基本数据模块包括线路数据模块、列车参数模块、ATO参数模块、地铁运营数据模块、优化参数模块，该五个模块均为数据输入模块，为列车运行仿真模块和仿真优化模块提供初始参数，其中：线路数据模块，分为车站数据、坡道数据、弯道数据、限速数据；列车参数模块，提供列车运行的基本运行参数，包括列车编组、列车车重、基本阻力参数、逆变器效率、牵引制动特性；ATO参数模块，配置ATO系统的基本特征量，包括最大牵引加速度、最大制动加速度、最大冲击极限、最大运行速度；地铁运营数据模块，提供列车每个运行区间的车载乘客数量、列车原始的时刻表和中转站数据；优化参数模块，提供遗传算法NSGA-II的优化参数设置，包括种群数、进化代数、实数编码变量个数、随机因子、交叉因子、变异因子、交叉概率、实数变异概率；提供深度强化学习(DQN)算法的参数设置，包括神经网络层数、每层神经元个数、奖励函数各个组成部分的比重。步骤2，建立列车运行仿真模块；所述建立列车运行仿真模块，包括车载ATO模型、地铁列车力学模型、列车状态更新计算模型和列车运行能耗计算模型，其中：车载ATO模型：计算当前列车加速度，实现列车工况保持或转移，并将加速度值传递给地铁列车力学模型；地铁列车力学模型：根据车载ATO模型提供的加速度数据，进行列车牵引或制动力的计算，并将牵引或制动力值传递给列车运行能耗计算模型和列车状态更新计算模型；列车状态更新计算模型：根据地铁列车力学模型提供的数据，进行动力学运算，确定列车当前速度、运行距离和运行时间，并将计算结果传递给车载ATO模型；列车运行能耗计算模型：根据地铁列车力学模型提供的数据，计算出列车的区间运行时间和牵引能耗。步骤3，所述将列车ATO速度命令作为优化对象，列车区间运行时间和区间运行能耗作为优化目标构成一个多目标优化问题，其中列车ATO速度命令包括ATO控制模式Mode、牵引加速度ap、制动减速度ab、惰行起始速度vcs、惰行终止速度即巡航速度vce和惰行点位置sc，采用遗传算法NSGA-II对列车ATO速度命令进行优化，求得均匀分布的Pareto解集，建立基于遗传算法NSGA-II的单区间速度曲线优化模块，确定最优的列车ATO的速度命令以及最优速度命令下的区间运行能耗与运行时间的关系曲线，如图2所示，具体步骤如下：(1)编码：采用实数编码，编码的对象为列车的速度命令，包括ATO控制模式Mode、牵引加速度ap、制动减速度ab、惰行起始速度vcs、惰行终止速度即巡航速度vce和惰行点位置sc；(2)确定种群数量：根据区间长度确定种群大小和迭代代数；(3)设置种群适应度方程：min{FE(X),FT(X)}，其中FE(X)为列车区间运行能耗、FT(X)为列车区间运行时间，X为ATO速度命令对应的个体的染色体，区间运行时间和区间运行能耗可由列车运行仿真模块计算所得；(4)计算父种群个体适应度值：由步骤2所述的列车运行仿真模块计算父种群个体适应度值；(5)遗传操作：遗传操作包括选择、交叉和变异，选择操作采用锦标赛选择算子，交叉操作采用模拟二进制交叉，变异操作采用多项式变异，产生子种群；(6)计算子种群个体适应度值：由步骤2所述的列车运行仿真模块计算子种群个体适应度值，步骤(4)和步骤(6)中所述个体适应度值计算步骤包括：(a)取种群中第i个个体并解码该个体对应的ATO速度命令，i初始值为0；(b)将个体染色体解码的ATO速度命令传递给列车运行仿真模块；(c)进行列车运行仿真：列车运行仿真模块进行运行仿真，依据列车运行状态信息计算个本文档来自技高网...

【技术保护点】
1.一种地铁列车速度曲线和区间运行时间的一体化优化方法，其特征在于，包括以下步骤：/n步骤1，建立数据模块，包括线路数据模块、列车参数模块、ATO参数模块、地铁运营数据模块、优化参数模块；/n步骤2，基于数据模块，建立列车运行仿真模块，包括车载ATO模型、地铁列车力学模型、列车状态更新计算模型和列车运行能耗计算模型；/n步骤3，基于数据模块，建立基于遗传算法NSGA-II的单区间速度曲线优化模块，确定最优的列车ATO的速度命令以及最优速度命令下的区间运行能耗与运行时间的关系曲线；/n步骤4，基于步骤1的数据模块以及步骤3确定的最优速度命令下的区间运行能耗与运行时间的关系曲线，采用深度强化学习算法确定最优各区间运行时间。/n

【技术特征摘要】
1.一种地铁列车速度曲线和区间运行时间的一体化优化方法，其特征在于，包括以下步骤：
步骤1，建立数据模块，包括线路数据模块、列车参数模块、ATO参数模块、地铁运营数据模块、优化参数模块；
步骤2，基于数据模块，建立列车运行仿真模块，包括车载ATO模型、地铁列车力学模型、列车状态更新计算模型和列车运行能耗计算模型；
步骤3，基于数据模块，建立基于遗传算法NSGA-II的单区间速度曲线优化模块，确定最优的列车ATO的速度命令以及最优速度命令下的区间运行能耗与运行时间的关系曲线；
步骤4，基于步骤1的数据模块以及步骤3确定的最优速度命令下的区间运行能耗与运行时间的关系曲线，采用深度强化学习算法确定最优各区间运行时间。


2.根据权利要求1所述的地铁列车速度曲线和区间运行时间的一体化优化方法，其特征在于，所述步骤1中：
线路数据模块包括车站数据、坡道数据、弯道数据和限速数据；
列车参数模块，包括列车编组、列车车重、基本阻力参数、逆变器效率和牵引制动特性；
ATO参数模块，配置ATO系统的基本特征量，包括最大牵引加速度、最大制动加速度、最大冲击极限和最大运行速度；
地铁运营数据模块，包括列车每个运行区间的车载乘客数量、列车原始的时刻表和中转站数据；
优化参数模块，提供遗传算法NSGA-II的优化参数设置，包括种群数、进化代数、实数编码变量个数、随机因子、交叉因子、变异因子、交叉概率和实数变异概率；提供深度强化学习算法的参数设置，包括神经网络层数、每层神经元个数和奖励函数各个组成部分的比重。


3.根据权利要求2所述的地铁列车速度曲线和区间运行时间的一体化优化方法，其特征在于，所述步骤3具体如下：
(1)采用实数编码对列车ATO的速度命令编码；
(2)根据区间长度确定种群大小和迭代代数；
(3)设置种群适应度方程：min{FE(X),FT(X)}，其中FE(X)为列车区间运行能耗、FT(X)为列车区间运行时间，X为列车ATO速度命令对应的个体的染色体，FE(X)、FE(X)由列车运行仿真模块计算所得；
(4)由步骤2所述的列车运行仿真模块计算父种群个体适应度值；
(5)遗传操作产生子种群：遗传操作包括选择操作、交叉操作和变异操作，选择操作采用锦标赛选择算子，交叉操作采用模拟二进制交叉，变异操作采用多项式变异，产生子种群；
(6)由步骤2所述的列车运行仿真模块计算子种群个体适应度值；
(7)产父种群与子种群共同参与竞争，采用精英和适应度值共享策略，得到下一代父种群；
(8)判断迭代代数是否达到设置的最大迭代代数，若达到则结束并进入(9)，若未到达则返回(5)；
(9)输出最优的列车ATO速度命令集以及最优速度命令下的区间运行能耗与运行时间的关系曲线，采用非支配标准、能耗灵敏度标准和时间均匀分布标准，选择最优的列车ATO速度命令。


4.根据权利要求3所述的地铁列车速度曲线和区间运行时间的一体化优化方法，其特征在于，所述步骤(1)中列车ATO的速度命令包括：ATO控制模式Mode、牵引加速度ap、制动减速度ab、惰行起始速度vcs、惰行终止速度即巡航速度vce和惰行点位置sc；
所述步骤(2)中根据区间长度确定种群大小和迭代代数，具体为：当区间长度小于600m，种群大小设置为60；当区间长度大于600m且小于1000m，种群大小设置为80；当区间长度大于1000m，种群大小设置为100；迭代代数均设为100。


5.根据权利要求3所述的地铁列车速度曲线和区间运行时间的一体化优化方法，其特征在于，所述步骤(4)和步骤(6)中个体适应度值的计算步骤包括：
(a)取种群中第i个个体并解码该个体对应的列车ATO速度命令，i初始值为0；
(b)将第i个个体染色体解码的列车ATO速度命令传递给列车运行仿真模块；
(c)列车运行仿真模块进行仿真，依据列车运行状态信息计算当前个体适应度值；
(d)保存个体适应度值：个体适应度1为列车区间运行时间优化评价函数值，个体适应度2为列车区间运行能耗优化评价函数值；
(e)判读当前个体是否是种群中的最后一个个体：若是最后一个个体，则计算结束；否则，i＝i+1，跳转至(a)。


6.根据权利要求3所述的地铁列车速度曲线和区间运行时间的一体化优化方法，其特征在于，所述步骤(7)中采用精英和适应度值共享策略，得到下一代父种群，具体为：将父种群与该父种群产生的子种群组合，共同竞争产生下一代父种群...

【专利技术属性】
技术研发人员：周巡，胡文斌，张雨，吴承泽，孙泽洲，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32