本發(fā)明屬于列車運(yùn)行控制技術(shù)領(lǐng)域，特別是一種基于Pareto多目標(biāo)遺傳算法的列車定時(shí)節(jié)能運(yùn)行方法。

背景技術(shù)：

近年來(lái)，隨著我國(guó)社會(huì)經(jīng)濟(jì)的快速發(fā)展和城市化進(jìn)度的不斷推進(jìn)，城市地鐵發(fā)展也相當(dāng)迅速，由此帶來(lái)的城市軌道交通能耗也越來(lái)越大。如何在滿足列車準(zhǔn)點(diǎn)運(yùn)行的基礎(chǔ)上，更加有效地提高能源利用率，降低運(yùn)營(yíng)成本，對(duì)我國(guó)的鐵路事業(yè)發(fā)展有重大意義。

列車節(jié)能運(yùn)行控制是一個(gè)典型的多目標(biāo)多約束的優(yōu)化控制問題，很難確立精確的數(shù)學(xué)模型來(lái)描述列車運(yùn)行過程。傳統(tǒng)的數(shù)學(xué)方法，如數(shù)值解析法、最優(yōu)控制理論等，難以獲取到模型的精確解，即使采用迭代方法也只能求得模型的近似解，且容易陷入局部最優(yōu)。目前處理列車節(jié)能多目標(biāo)多約束優(yōu)化問題的方法，主要是通過多個(gè)優(yōu)化目標(biāo)加權(quán)，將多目標(biāo)轉(zhuǎn)化為單目標(biāo)進(jìn)行優(yōu)化，然而這類方法在加權(quán)系數(shù)上需要依靠大量的經(jīng)驗(yàn)積累，且容易造成局部?jī)?yōu)化，只能得到一組解，且優(yōu)化速度慢。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提出一種基于Pareto多目標(biāo)遺傳算法的列車定時(shí)節(jié)能運(yùn)行方法，優(yōu)化速度塊，精度高。

為了解決上述技術(shù)問題，本發(fā)明提供一種基于Pareto多目標(biāo)遺傳算法的列車定時(shí)節(jié)能運(yùn)行方法，步驟如下：

步驟1：設(shè)置列車運(yùn)行的線路數(shù)據(jù)、列車參數(shù)以及Pareto多目標(biāo)遺傳算法基本參數(shù)；

步驟2：以列車牽引能耗和區(qū)間旅行時(shí)間為優(yōu)化目標(biāo)，建立列車運(yùn)行的定時(shí)節(jié)能優(yōu)化模型，并利用Pareto多目標(biāo)遺傳算法求解該列車運(yùn)行的定時(shí)節(jié)能優(yōu)化模型，得到一組列車運(yùn)行策略的非支配解集；列車運(yùn)行的定時(shí)節(jié)能優(yōu)化模型為：

式中，E為列車能耗值，F(xiàn)為牽引力，B為制動(dòng)力，s為列車當(dāng)前運(yùn)行的公里標(biāo)，S₀、S_p分別為列車起止點(diǎn)公里標(biāo)，T為實(shí)際運(yùn)行時(shí)間，T_r為約定運(yùn)行時(shí)間，ΔT運(yùn)行時(shí)間誤差，t當(dāng)前運(yùn)行時(shí)間，f為阻力，ΔS為實(shí)際停車位置與預(yù)定停車位置的距離差值的最大值，v(S₀)為列車在起點(diǎn)公里標(biāo)的速度，v(S_p)為列車在止點(diǎn)公里標(biāo)的速度，a為加速度，a_max為最大加速度，v為速度，v_max為最大速度；

步驟3：根據(jù)設(shè)定的列車區(qū)間旅行時(shí)間，在Pareto前沿的非支配解集中選擇最優(yōu)工況轉(zhuǎn)折點(diǎn)矩陣，并提取該工況轉(zhuǎn)折點(diǎn)矩陣對(duì)應(yīng)的速度、時(shí)間、能耗、位移數(shù)據(jù)，繪制定時(shí)節(jié)能速度優(yōu)化曲線和能耗曲線，完成對(duì)列車定時(shí)節(jié)能運(yùn)行的優(yōu)化。

進(jìn)一步，步驟1中，線路數(shù)據(jù)包括坡道起止公里標(biāo)及對(duì)應(yīng)坡度i、曲線段起止公里標(biāo)及對(duì)應(yīng)曲率C、限速段起止公里標(biāo)及對(duì)應(yīng)限速V_T，列車參數(shù)包括列車的編組方式、長(zhǎng)度L、載荷等級(jí)AW、戴維斯方程系數(shù)(a,b,c)、最大加速度a_max、最大速度v_max、牽引特性曲線F(v)和制動(dòng)特性曲線B(v)，Pareto多目標(biāo)遺傳算法基本參數(shù)包括選擇算子、交叉算子、變異算子、最大進(jìn)化代數(shù)、種群大小和適應(yīng)度函數(shù)。

進(jìn)一步，步驟2中，求解該優(yōu)化模型的過程包括如下子步驟：

3.1、初始種群P，種群個(gè)體數(shù)為N，對(duì)于初始種群中每個(gè)個(gè)體將列車運(yùn)行區(qū)間依照運(yùn)行工況不同進(jìn)行離散化，得到對(duì)應(yīng)的列車運(yùn)行工況轉(zhuǎn)折點(diǎn)矩陣X＝[x₁,x₂,x₃,...x_i...,x_N]，其中種群中每個(gè)個(gè)體x_i＝[S₀,D₁,D₂,D₃,S_p]對(duì)應(yīng)列車運(yùn)行工況轉(zhuǎn)折點(diǎn)矩陣，其中，i＝1,2,....,N，S₀、D₁、D₂、D₃、S_p分別為起點(diǎn)、巡航開始點(diǎn)、惰行開始點(diǎn)、制動(dòng)開始點(diǎn)、終點(diǎn)的公里標(biāo)；

3.2、根據(jù)種群中每個(gè)個(gè)體x_i對(duì)應(yīng)的列車運(yùn)行工況轉(zhuǎn)折點(diǎn)矩陣，計(jì)算出每個(gè)個(gè)體x_i對(duì)應(yīng)的牽引能耗E(x_i)和運(yùn)行時(shí)間T(x_i)，對(duì)于未能安全進(jìn)站和超速行駛的駕駛策論個(gè)體x_i，將其牽引能耗E(x_i)和運(yùn)行時(shí)間T(x_i)極大化，使之成為不合理解并在遺傳操作過程中被淘汰掉，從而分別得到每個(gè)個(gè)體x_i的能耗適應(yīng)度值f_E(x₁,x₂,...x_i,...x_N)和運(yùn)行時(shí)間適應(yīng)度值f_T(x₁,x₂,...x_i,...x_N)，然后根據(jù)每個(gè)個(gè)體x_i的能耗適應(yīng)度值和運(yùn)行時(shí)間適應(yīng)度值進(jìn)行快速非支配排序，并通過根據(jù)二進(jìn)制錦標(biāo)賽法從種群P中選擇個(gè)體進(jìn)行交叉和變異操作，產(chǎn)生子代種群Q；

3.3、從第二代開始，將父代種群P與子代種群Q合并，并進(jìn)行快速非支配排序，同時(shí)對(duì)每個(gè)非支配層中的個(gè)體進(jìn)行擁擠度計(jì)算，根據(jù)非支配關(guān)系以及個(gè)體的擁擠度選取合適的個(gè)體組成下一代父代種群P，種群個(gè)體數(shù)為N；

3.4、通過遺傳算法的基本操作產(chǎn)生新的子代種群，依此類推，直到滿足結(jié)束條件，停止遺傳操作，并保存Pareto前沿的非支配解集。

進(jìn)一步，將種群中每個(gè)個(gè)體x_i對(duì)應(yīng)的列車運(yùn)行工況轉(zhuǎn)折點(diǎn)矩陣，代入列車牽引能耗計(jì)算模型中計(jì)算出每個(gè)個(gè)體x_i對(duì)應(yīng)的牽引能耗E(x_i)和運(yùn)行時(shí)間T(x_i)；

所述列車牽引能耗計(jì)算模型為：根據(jù)列車運(yùn)行區(qū)段工況轉(zhuǎn)折點(diǎn)，分區(qū)間進(jìn)行列車的牽引能耗計(jì)算，其中在每個(gè)仿真步長(zhǎng)內(nèi)，首先根據(jù)列車前一個(gè)仿真步長(zhǎng)運(yùn)行至的公里標(biāo)S(t)得到對(duì)應(yīng)該仿真步長(zhǎng)內(nèi)列車的坡度i、曲率C，并根據(jù)前一個(gè)仿真步長(zhǎng)列車的速度v(t)、能耗E(t)，求出該仿真步長(zhǎng)內(nèi)列車的牽引力F(v)、制動(dòng)力B(v)和阻力參數(shù)f，根據(jù)列車的工況和受力分析，求出當(dāng)前時(shí)間t列車的加速度a(t)、牽引功率P(t)，進(jìn)而求出下一個(gè)仿真步長(zhǎng)內(nèi)的速度v(t+Δt)、公里標(biāo)S(t+Δt)、牽引功率P(t+Δt)，以及牽引能耗E(t+Δt)，Δt為方針步長(zhǎng)時(shí)間。

本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)在于，本發(fā)明基于Pareto多目標(biāo)遺傳算法的列車定時(shí)節(jié)能運(yùn)行方法，在搜索過程中不易陷入局部最優(yōu)，進(jìn)化結(jié)果不局限于單值解,非常適合求解復(fù)雜的多目標(biāo)問題；通過選擇、交叉、變異操作來(lái)表現(xiàn)復(fù)雜現(xiàn)象,充分利用適應(yīng)值函數(shù)而不需要其它先驗(yàn)知識(shí),能夠快速解決傳統(tǒng)方法難以解決的問題。

附圖說明

圖1是本發(fā)明中基于Pareto多目標(biāo)遺傳算法的列車定時(shí)節(jié)能運(yùn)行方法流程簡(jiǎn)圖。

圖2是本發(fā)明中基于Pareto多目標(biāo)遺傳算法的列車定時(shí)節(jié)能運(yùn)行方法的流程詳圖。

圖3是本發(fā)明中多目標(biāo)Pareto前沿的非支配最優(yōu)解集示意圖。

圖4是本發(fā)明中基于Pareto多目標(biāo)遺傳算法每代個(gè)體最優(yōu)個(gè)體目標(biāo)函數(shù)值變化圖。

圖5是本發(fā)明中最優(yōu)列車定時(shí)節(jié)能運(yùn)行速度曲線圖。

圖6是本發(fā)明中最優(yōu)列車定時(shí)節(jié)能運(yùn)行能耗曲線圖。

具體實(shí)施方式

容易理解，依據(jù)本發(fā)明的技術(shù)方案，在不變更本發(fā)明的實(shí)質(zhì)精神的情況下，本領(lǐng)域的一般技術(shù)人員可以想象出本發(fā)明基于Pareto多目標(biāo)遺傳算法的列車定時(shí)節(jié)能運(yùn)行方法的多種實(shí)施方式。因此，以下具體實(shí)施方式和附圖僅是對(duì)本發(fā)明的技術(shù)方案的示例性說明，而不應(yīng)當(dāng)視為本發(fā)明的全部或者視為對(duì)本發(fā)明技術(shù)方案的限制或限定。

結(jié)合圖1～5，基于Pareto多目標(biāo)遺傳算法的列車定時(shí)節(jié)能運(yùn)行方法，包括以下步驟：

步驟1：設(shè)置列車運(yùn)行的線路數(shù)據(jù)、列車參數(shù)以及Pareto多目標(biāo)遺傳算法基本參數(shù)。線路數(shù)據(jù)包括坡道起止公里標(biāo)及對(duì)應(yīng)坡度i、曲線段起止公里標(biāo)及對(duì)應(yīng)曲率C、限速段起止公里標(biāo)及對(duì)應(yīng)限速V_T，列車參數(shù)包括列車的編組方式、長(zhǎng)度L、載荷等級(jí)AW、戴維斯方程系數(shù)(a,b,c)、最大加速度a_max、最大速度v_max、牽引特性曲線F(v)和制動(dòng)特性曲線B(v)，Pareto多目標(biāo)遺傳算法基本參數(shù)包括選擇算子、交叉算子、變異算子、最大進(jìn)化代數(shù)、種群大小和適應(yīng)度函數(shù)；

步驟2：構(gòu)建列車運(yùn)行能耗計(jì)算模型。根據(jù)列車運(yùn)行區(qū)段工況轉(zhuǎn)折點(diǎn)，分區(qū)間進(jìn)行列車的牽引能耗計(jì)算，其中在每個(gè)仿真步長(zhǎng)內(nèi)，首先根據(jù)列車前一個(gè)仿真步長(zhǎng)運(yùn)行至的公里標(biāo)S(t)得到對(duì)應(yīng)該仿真步長(zhǎng)內(nèi)列車的坡度i、曲率C，并根據(jù)前一個(gè)仿真步長(zhǎng)列車的速度v(t)、能耗E(t)，求出該仿真步長(zhǎng)內(nèi)列車的牽引力F(v)、制動(dòng)力B(v)和阻力參數(shù)f，根據(jù)列車的工況和受力分析，求出列車的加速度參數(shù)a(t)、牽引功率P(t)，進(jìn)而求出后一個(gè)仿真步長(zhǎng)內(nèi)的速度v(t+Δt)、公里標(biāo)S(t+Δt)、牽引功率P(t+Δt)，以及能耗參數(shù)E(t+Δt)；Δt為方針步長(zhǎng)時(shí)間。

步驟3：以列車牽引能耗和區(qū)間旅行時(shí)間為優(yōu)化目標(biāo)，建立列車運(yùn)行的定時(shí)節(jié)能優(yōu)化模型，并利用Pareto多目標(biāo)遺傳算法求解該優(yōu)化模型，得到一組列車運(yùn)行策略的非支配解集；列車運(yùn)行的定時(shí)節(jié)能優(yōu)化模型為：

式中，E為列車能耗值，F(xiàn)為牽引力，B為制動(dòng)力，T為實(shí)際運(yùn)行時(shí)間，T_r為約定運(yùn)行時(shí)間，f為阻力，S₀、S_p分別為起止點(diǎn)公里標(biāo)，ΔS為實(shí)際停車位置與預(yù)定停車位置的距離差值的最大值

求解該優(yōu)化模型的過程包括如下子步驟：

3.1、初始種群P，種群個(gè)體數(shù)為N，對(duì)于初始種群中每個(gè)個(gè)體將列車運(yùn)行區(qū)間依照運(yùn)行工況不同進(jìn)行離散化，得到對(duì)應(yīng)的列車運(yùn)行工況轉(zhuǎn)折點(diǎn)矩陣X＝[x₁,x₂,x₃,...x_i...,x_N]，其中種群中每個(gè)個(gè)體x_i＝[S₀,D₁,D₂,D₃,S_p](i＝1,2,....,N)對(duì)應(yīng)列車運(yùn)行工況轉(zhuǎn)折點(diǎn)矩陣，其中，S₀、D₁、D₂、D₃、S_p分別為起點(diǎn)、巡航開始點(diǎn)、惰行開始點(diǎn)、制動(dòng)開始點(diǎn)、終點(diǎn)的公里標(biāo)；

3.2、將種群中每個(gè)個(gè)體x_i對(duì)應(yīng)的列車運(yùn)行工況轉(zhuǎn)折點(diǎn)矩陣x_i，代入列車牽引能耗計(jì)算模型中，計(jì)算出每個(gè)個(gè)體x_i對(duì)應(yīng)的牽引能耗E(x_i)和運(yùn)行時(shí)間T(x_i)，對(duì)于未能安全進(jìn)站和超速行駛的駕駛策論個(gè)體x_i，將其牽引能耗E(x_i)和運(yùn)行時(shí)間T(x_i)極大化，使之成為不合理解并在遺傳操作過程中被淘汰掉，從而分別得到每個(gè)個(gè)體x_i的能耗適應(yīng)度值f_E(x₁,x₂,...x_i,...x_N)和運(yùn)行時(shí)間適應(yīng)度值f_T(x₁,x₂,...x_i,...x_N)，然后根據(jù)每個(gè)個(gè)體x_i的能耗適應(yīng)度值和運(yùn)行時(shí)間適應(yīng)度值進(jìn)行快速非支配排序，并通過根據(jù)二進(jìn)制錦標(biāo)賽法從種群P中選擇個(gè)體進(jìn)行交叉和變異操作，產(chǎn)生子代種群Q；

3.3、從第二代開始，將父代種群P與子代種群Q合并，并進(jìn)行快速非支配排序，同時(shí)對(duì)每個(gè)非支配層中的個(gè)體進(jìn)行擁擠度計(jì)算，根據(jù)非支配關(guān)系以及個(gè)體的擁擠度選取合適的個(gè)體組成下一代父代種群P，種群個(gè)體數(shù)為N；

3.4、通過遺傳算法的基本操作產(chǎn)生新的子代種群，依此類推，直到滿足結(jié)束條件，停止遺傳操作，并保存Pareto前沿的非支配解集。

步驟4：根據(jù)設(shè)定的列車區(qū)間旅行時(shí)間，在Pareto前沿的非支配解集中選擇最優(yōu)工況轉(zhuǎn)折點(diǎn)矩陣，并提取該工況轉(zhuǎn)折點(diǎn)矩陣對(duì)應(yīng)的速度、時(shí)間、能耗、位移數(shù)據(jù)，繪制定時(shí)節(jié)能速度優(yōu)化曲線和能耗曲線，完成對(duì)列車定時(shí)節(jié)能運(yùn)行的優(yōu)化。