一种基于免疫算法的地铁列车运行参数优化方法与流程

本发明涉及一种地铁多列车节能优化方法，具体涉及一种基于免疫算法的地铁列车再生制动能量利用与时刻表优化方法。
背景技术：
：地铁以其方便快捷、舒适安全、正点率高等优点，成为人们重要的出行方式，对缓解城市交通压力发挥着重要作用。与此同时，地铁是城市公共交通中最大的耗能单位，研究地铁列车的节能优化对节约运行成本，促进城市交通的健康绿色发展具有重要意义。地铁线路站间距离短，列车运行过程中，需要频繁牵引与制动，当列车再生制动时，若相邻列车处于牵引加速状态，则再生制动能量将反馈到接触网供相邻列车使用。相邻两列车加速与制动的同步时间(重叠时间)受发车间隔、停站时间、站间运行时间等因素影响，若两车间距过大，同一供电区段内至多只有一辆列车运行，再生制动能量无法被相邻列车使用，此时为避免牵引网压过大，该部分能量被车载电阻吸收。目前，针对地铁多列车节能优化操纵方法的研究主要集中在列车节能控制与再生制动领域，而综合考虑列车再生制动能量利用与时刻表设计的方法较少。技术实现要素：本发明针对现有技术的不足，提供一种基于免疫算法的地铁列车运行参数优化方法。本发明为解决地铁多列车节能优化问题采用以下技术方案：一种基于免疫算法的地铁列车运行参数优化方法，包括以下步骤：步骤1：将地铁线路上运行的列车相邻的两辆列车划为一个单元，包括先行列车与追踪列车，将列车的站间运行过程划分为牵引加速阶段、匀速阶段、惰行阶段和再生制动阶段四个阶段，根据实际线路条件以及列车运行过程中的牵引力与阻力情况，建立总能耗方程及其约束条件；步骤2：根据浓度免疫算法调整单元中两辆列车的运行参数，以使得总能耗最小，具体步骤如下：(1)将总能耗方程及其约束条件作为浓度免疫算法的抗原，并设置抗体规模P、最大迭代次数N、交叉概率PC和变异概率Pm；(2)随机产生初始抗体群A；(3)计算抗体群A中各个抗体的亲和度，(4)保留抗体群A中亲和度较大的抗体，构成抗体群B，(5)引入基于浓度的抗体繁殖策略，计算抗体群B中各个抗体的浓度Nk与期望繁殖率Ek，其中α为常数，选择期望繁殖率高的抗体进行复制操作，产生抗体群C；(6)对抗体群C的个体进行交叉和变异操作，产生抗体群D；(7)计算抗体群D中各个抗体的亲和度，选取n个亲和度高的抗体代替C中亲和度低的抗体，形成抗体群E；(8)判断是否满足终止条件，若满足终止条件，输出当前抗体，即为能耗函数的最优解，否则重复步骤(3)～(7)；所述终止条件为达到最大迭代次数或抗体群E中抗体的最大亲和度趋于恒定。所述总能耗方程及其约束条件建立方法如下：①列车牵引加速阶段能耗Qq：Qq=Σi=12Σj=1m-1∫0ti,jqMi·ai,jq·12·ai,jq·tdt=12·Σi=12Σj=1m-1∫0ti,jqMi·(ai,jq)2·tdt]]>ai,jq=Fi,jq-fa-fbMi]]>fa＝2.43+0.0275v+0.0078v2fb=Mig(θ+0.6R)]]>式中，为列车i在j至(j+1)站间的牵引加速度，为列车i在j至(j+1)站间的牵引加速时间，Mi列车i的质量，为列车加速运行牵引力，fa为列车基本阻力，v为列车速度，fb为列车附加阻力，g为重力加速度，θ为坡道坡度，R为弯道半径，②列车匀速运行阶段能耗Qy：Qy=Σi=12Σj=1m-1∫0ti,jyFi,jy·vi,jdt]]>式中，vi，j为列车i在j至(j+1)站间的匀速运行速度，为列车i在j至(j+1)站间的匀速运行牵引力，为列车i在j至(j+1)站间匀速运行时间；③惰行阶段列车凭惯性前行，仅受阻力影响，仅有车载辅助设备用电，列车能耗忽略不计，设列车i在j至(j+1)站间惰行时间为④列车再生制动阶段回收的能量Qz：Qz=∫0TcMi·az·(vz-12·az·t)dt]]>式中，vz为加速与制动重叠时的制动初速度，az为加速与制动重叠时的制动加速度，根据计划时刻表并结合列车站间运行的操纵工况，求出同一供电区段内的相邻两列车再生制动与启动加速的重叠总时间Tc，相邻两列车牵引加速与再生制动同步发生的情况为：先行列车制动-追踪列车牵引，追踪列车制动-先行列车牵引，重叠时间分别为Tc1与Tc2，则两列车在整条线路中加速与再生制动重叠总时间Tc：m为车站总数，ρ(j，j+1)为j与(j+1)站是否位于同一供电区间的判定系数，⑤总能耗Q方程：minQ=f(ti,jq,ti,jy,ti,jd,ti,jz,Tp,Tf,ai,jq,ai,jz,vi,j,az,vz,Fi,jq,Fi,jy)=Qq+Qy-Qz]]>约束条件：式中，Tp为停站时间，Tpmin为最小停站时间，Tpmax为最大停站时间，T为列车i在j到(j+1)站间的运行时间，β为时间裕度，Tf为发车间隔时间，Tzmin为最小追踪间隔。根据亲和度函数Fk＝-Q+c计算抗体的亲和度，式中，Q为总能耗方程，c为常数。所述抗体群中任一抗体与现有技术相比较，本发明具备的有益效果：已有的研究成果在制定列车时刻表时未能全面考虑发车间隔、停站时间与站间运行时间等因素，或者未将时刻表设计与站间操纵策略的优化相结合，导致列车再生制动能量利用不高，列车能耗较大。本发明通过亲和度与浓度双重机制精准识别可行解，与传统群集智能算法相比，计算速度快，求解精度高，在满足列车安全性、舒适性、正点运行以及列车限速的前提下，有效降低了列车总能耗。从多车节能角度，分析再生制动能量利用情况，建立多车能耗模型，以最大限度降低列车运行能耗以及提高再生制动能量利用率为目标，通过引入浓度免疫算法，并结合时间裕度思想，调整列车运行时间、停站时间以及发车间隔等时间要素，适度优化列车操纵工况，设计出具有鲁棒性的节能时刻表，从而增加相邻列车加速与制动的重叠时间，充分利用再生制动能量，有效降低了列车运行总能耗，为列车的行车调度与节能驾驶提供理论指导。附图说明图1为免疫算法求解列车能耗流程图。图2为优化前列车运行图。图3为优化后列车运行图。具体实施方式下面结合具体实施方式对本发明进行详细说明。实施例1(一)工况参数本实施例采用南宁地铁一号线运行数据，模拟上行线路中火车站至民族广场站4站3区间内实际线路的两列车运行情况。针对客流高峰期，火车站-朝阳广场站、朝阳广场站-新民路站、新民路站-民族广场站分别以AW3、AW3、AW2工况进行模拟，AW3工况对应列车质量M1＝344380kg，AW2工况对应列车质量M2＝307300kg。AW3与AW2工况下，列车分别以恒定的最大牵引力386kN、346kN启动加速，再生制动过程中最大电制动力均恒定为335kN，列车限速为80km/h。优化前，发车间隔时间Tf为150s，两列车按照表1所述工况参数和表2所示计划时刻表运行，先行列车与追踪列车速度-时间曲线如图2所示。表1表2(二)优化方法一种基于免疫算法的地铁列车运行参数优化方法，包括以下步骤：步骤1：将地铁线路上运行的列车相邻的两辆列车划为一个单元，包括先行列车与追踪列车，将列车的站间运行过程划分为牵引加速阶段、匀速阶段、惰行阶段和再生制动阶段四个阶段，根据实际线路条件以及列车运行过程中的牵引力与阻力情况，建立总能耗方程及其约束条件；所述总能耗方程及其约束条件建立方法如下：①列车牵引加速阶段能耗Qq：Qq=Σi=12Σj=1m-1∫0ti,jqMi·ai,jq·12·ai,jq·tdt=12·Σi=12Σj=1m-1∫0ti,jqMi·(ai,jq)2·tdt]]>ai,jq=Fi,jq-fa-fbMi]]>fa＝2.43+0.0275v+0.0078v2fb=Mig(θ+0.6R)]]>式中，为列车i在j至(j+1)站间的牵引加速度，为列车i在j至(j+1)站间的牵引加速时间，Mi列车i的质量，为列车加速运行牵引力，fa为列车基本阻力，v为列车速度，fb为列车附加阻力，g为重力加速度，θ为坡道坡度，R为弯道半径，②列车匀速运行阶段能耗Qy：Qy=Σi=12Σj=1m-1∫0ti,jyFi,jy·vi,jdt]]>式中，vi，j为列车i在j至(j+1)站间的匀速运行速度，为列车i在j至(j+1)站间的匀速运行牵引力，为列车i在j至(j+1)站间匀速运行时间；③惰行阶段列车凭惯性前行，仅受阻力影响，仅有车载辅助设备用电，列车能耗忽略不计，设列车i在j至(j+1)站间惰行时间为④列车再生制动阶段回收的能量Qz：Qz=∫0TcMi·az·(vz-12·az·t)dt]]>式中，vz为加速与制动重叠时的制动初速度，az为加速与制动重叠时的制动加速度，根据计划时刻表并结合列车站间运行的操纵工况，求出同一供电区段内的相邻两列车再生制动与启动加速的重叠总时间Tc，相邻两列车牵引加速与再生制动同步发生的情况为：先行列车制动-追踪列车牵引，追踪列车制动-先行列车牵引，重叠时间分别为Tc1与Tc2，则两列车在整条线路中加速与再生制动重叠总时间Tc：m为车站总数，ρ(j，j+1)为j与(j+1)站是否位于同一供电区间的判定系数，⑤总能耗Q方程：minQ=f(ti,jq,ti,jy,ti,jd,ti,jz,Tp,Tf,ai,jq,ai,jz,vi,j,az,vz,Fi,jq,Fi,jy)=Qq+Qy-Qz]]>约束条件：式中，Tp为停站时间，Tpmin为最小停站时间，Tpmax为最大停站时间，客流高峰期Tp经验值为[20，50]s，T为列车i在j到(j+1)站间的运行时间，β为时间裕度(取5％)，Tf为发车间隔时间，Tzmin为最小追踪间隔。步骤2：将重叠时间达到最大值时对应的时间参数与速度参数以及列车最大牵引力、最大制动力、列车质量等参数代入能耗方程，求得两列车在同一供电区间内运行的最低能耗。根据浓度免疫算法调整单元中两辆列车的运行参数，调整列车时刻表中发车间隔Tf、停站时间Tp，使重叠时间取得最大值，以使得总能耗最小，具体步骤如下：(1)将总能耗方程及其约束条件作为浓度免疫算法的抗原，并设置抗体规模P＝50，最大迭代次数N＝200，交叉概率PC＝0.8，变异概率Pm＝0.2；(2)随机产生初始抗体群A；(3)计算抗体群A中各个抗体的亲和度，(4)保留抗体群A中亲和度较大的抗体，构成抗体群B，(5)引入基于浓度的抗体繁殖策略，计算抗体群B中各个抗体的浓度Nk与期望繁殖率Ek，其中α为常数，选择期望繁殖率高的抗体进行复制操作，产生抗体群C；(6)对抗体群C的个体进行交叉和变异操作，产生抗体群D；(7)计算抗体群D中各个抗体的亲和度，选取n个亲和度高的抗体代替C中亲和度低的抗体，形成抗体群E；(8)判断是否满足终止条件，若满足终止条件，输出当前抗体，即为能耗函数的最优解，否则重复步骤(3)～(7)；所述终止条件为达到最大迭代次数或抗体群E中抗体的最大亲和度趋于恒定。抗体即能耗方程的可行解，抗体亲和度即待优化的能耗方程函数值，抗体浓度Nk即与抗体相似的抗体数量。(三)优化结果采用浓度免疫算法，在约束条件限制范围内搜索多车能耗模型的可行解，最终寻找出再生制动能量利用最大化的节能时刻表，如表2所示，与站间操纵策略，并绘制先行列车与追踪列车节能运行曲线，如图3所示。优化后，发车间隔时间Tf调整为143s。表3表4对比表3与表4数据，火车站、朝阳广场站、新民路站与民族广场站在满足列车作业时间的基础上停站时间取整后调整为35s、27s、26s、28s。列车实际到站时间符合设定的时间裕度范围，满足正点率要求。由表4数据可知，再生制动能量利用率提高11.4％，站间运行总能耗降低16.9％。针对其他具体案例，若调整发车间隔Tf、停站时间Tp不能使重叠时间达到最大值，则进一步调整列车牵引加速时间、匀速时间、惰行时间与再生制动时间等时间参数，并相应调整列车匀速速度等速度参数，使重叠时间的目标函数取得最大值。当前第1页1 2 3