基于混合系统模型预测控制的列车自动驾驶策略

本文研究多优化目标和多约束条件下的动车组列车自动驾驶ATO控制问题。通过分段线性化列车运行阻力,引入列车运行状态整数变量,建立了动车组混合整数列车运行模型。提出基于混合系统模型预测控制HMPC的列车自动驾驶策略,并应用输入分块化技术和显式模型预测控制,降低算法的计算量,以提高硬件实现的可行性。前者通过固定一定时间段内的控制量,对输入序列进行分块化,降低控制器的自由度;后者通过离线设计和在线综合的方法减少算法的在线计算时间。最后利用Matlab仿真软件环境下的MPT 3.0扩展工具箱对所提控制策略进行数值仿真。结果表明:该控制器能在列车运行安全约束下,合理分配动车组各车厢的牵引力和制动力,保障列车准时及节能高效地运行,同时所提出的改进算法能有效降低计算量。     

列车节能控制的优化分析

为研究列车节能控制问题，采用带有非线性约束的微分方程描述列车运行过程，用牵引力积分形式描述节能优化目标，并将最大值原理应用于模型求解。在确保安全运行、满足线路限速约束、机车性能约束和运行时间约束的条件下，充分利用线路坡道，以能量消耗最小为控制目标，得到列车优化控制的策略。针对由于模型奇异性而使控制策略还不能确定出列车所有工况转换点的问题，结合列车操纵经验给出列车节能控制算法。在列车运行仿真平台上验证了优化控制方法与算法的正确性。     

基于实数遗传算法的列车优化操纵曲线研究

列车优化操纵是列车节能控制的关键问题，以列车运行动力学方程和牵引计算理论为基础，结合列车运行过程中的要求，构建以能耗、时分误差、限速等为目标的列车节能控制模型，采用实数遗传算法，通过Visual Basic编程对此问题进行求解。在已知列车编组的条件下，以DF4型内燃机车牵引客车、空气制动和燃油量曲线为基础，得到给定运行时间、距离条件下的优化操纵曲线，从而对司机操纵给出指导性意见。     

一种考虑能量管理的混合动力列车节能运行综合优化方法

研究一种采用接触网与车载电池的双源混合动力动车组列车,提出了一种运行控制策略与能量管理的综合优化方法。以全局等效能耗最小为目标,首先描述了混合动力列车功率流模型,列车运动学模型和车载电池模型,构建了速度曲线和能量管理综合优化模型。针对列车运行过程具有空间分段、状态量连续、约束有差异的特点,将综合优化模型转化为多阶段混合动力列车运行策略与能量管理综合优化模型,引入自适应伪谱法进行求解。最后通过一段混合供电制式线路进行仿真验证,结果表明,此算法能够根据列车运行需求和约束限制计算出列车优化速度曲线、车载电池充放电时机与电流大小,实现2种供电制式的混合运行,提高整车的电能利用效率,从而达到节能的目的。     

基于小生境粒子群算法的ATO运行过程优化研究

针对自动驾驶(ATO)列车的低能耗、高准时和高舒适度问题,以列车运行过程中的安全性及其列车动力学模型为约束条件,建立列车运行过程的多目标优化模型,提出粒子群算法与小生境技术相结合的求解算法。该求解算法首先计算随机生成的粒子间欧式距离的平均值,确定小生境半径,划分小生境种群;采用共享机制对更新后的小生境群体进行调节,提高粒子的适应度值;最后通过迭代求出最优解。通过对选取线路的仿真模拟,验证该算法在降低ATO列车的运行能耗、提高列车运行过程的准时性与舒适性方面的有效性。     

基于粒子群优化的ATO控制策略

传统列车自动驾驶(ATO)控制策略通过提高对目标速度的追踪精度来精确控制工况切换频繁,能耗较大且无法进行全局优化。直接控制列车驾驶的全局ATO控制策略能较好解决传统控制策略的缺陷。列车在自动运行过程中依据不同的全局控制策略,能耗、运行时间误差、停站误差等评价指标均产生变化。由于评价指标存在内部矛盾,不存在所有指标均最优的控制策略。本文提出1种基于动态邻居和广义学习策略的粒子群(ADPSO)优化全局控制策略的算法。该算法通过挖掘线路信息和列车运行信息指导优化过程,以获得在列车安全运行的前提下,满足一定能耗、运行时间误差和停站误差要求的全局ATO控制策略。仿真研究结果表明与其他两种优化算法相比,该算法具有更好的性能。     

基于人工蜂群算法的高速列车运行节能优化研究

合理的列车操纵方式能在很大程度上降低列车运行过程中的能耗,为了有效降低高速列车运行能耗,从研究高速列车的操纵方式入手,首先建立列车牵引计算模型和列车运行能耗计算模型,其次通过对比人工蜂群算法(ABC算法)和粒子群算法(PSO算法)的优化性能证明ABC算法优于PSO算法,提出了在满足运行速度、运行时间以及运行区间等约束条件下,采用ABC算法与操纵工况序列相结合的方法来优化计算确定高速列车操纵工况关键转换点最优位置和速度。最后通过对选取线路的MATLAB仿真模拟,验算了ABC算法在降低列车运行能耗方面的有效性。研究表明,经过ABC算法优化后的结果均能满足优化操纵方式的基本操纵策略且达到了良好的优化效果,能较好地解决列车节能操纵优化问题。     

基于FAPSO的地铁列车节能运行优化研究

以地铁列车节能、准点运行为研究目标,在充分考虑实际运行线路条件下,构建满足约束条件下的多质点列车运行能耗模型,并在此基础上,将萤火虫算子引入到标准粒子群算法中,构建一种包含萤火虫算子的粒子群优化算法(FAPSO),进而提出基于FAPSO算法的双层结构一体化优化控制方法。上层结构优化通过使用FAPSO算法对获得的总冗余时间进行分配,进而得出各站间最佳运行时间,优化列车运行时刻表;下层结构优化在上层结构优化所得站间最佳运行时间下,对不同运行策略下列车运行能耗进行比较,进而优化整条线路的列车运行策略。最终,获得列车站间节能、准点运行的最优驾驶方案。以广州地铁站间线路为例,通过MATLAB进行实例仿真,仿真结果表明,经双层结构一体化优化后列车运行能耗降低10.8%,且满足列车准点运行的要求。     

基于遗传优化算法的城市轨道交通多列车运行节能计算方法

针对地铁列车多列车节能问题,提出一种基于遗传优化算法的多列车运行节能计算方法。分析多列车运行过程中制动能量传递使用过程;建立以能耗最少、旅行时间准点为目标,以全天列车运行对数、高/低峰行车对数为约束的多列车运行节能模型;采用遗传算法获得各站最优的停站时间和发车间隔序列,并计算出全线能耗、列车能耗和线路损耗。同时,以我国某地铁线路4个区间组成的短线进行多列车节能仿真,优化得到各站的停站时间和发车间隔时间。     

基于遗传算法的列车自动驾驶过程优化研究

针对列车自动驾驶系统（ATO）控制的目标复杂多样和环境变量不稳定等问题,在对列车的运行过程进行研究的基础上,建立了列车运行过程的多目标优化模型,并用遗传算法对列车的目标曲线进行优化,同时加入精英统治保持模型的高适应度,提高了运算速度,得到列车运行的最优控制策略。仿真结果表明,该系统在兼顾列车运行的准时性、停车精度、能耗及舒适性等多目标的情况下,使列车运行的各项性能指标都有所提高。     

基于KH算法的高速列车ATO控制策略优化研究

针对传统高速列车自动驾驶(ATO)控制策略优化时简化线路参数、列车牵引计算采用单质点模型等问题,将列车通过牵引供电分相区断电惰行纳入运行工况,建立动车组多质点模型。在满足列车运行图固定运行时间条件下,以能耗、准点性、停车准确性及舒适性为指标建立高速列车ATO控制策略优化模型。利用磷虾群(KH)算法对高速列车ATO控制策略进行优化。以兰新高速铁路某区间线路数据为例,仿真测试表明KH算法可以在较少的迭代次数下获得较粒子群算法更优的ATO控制策略,且列车过分相区断电惰行会对优化结果产生影响,验证了所提算法在优化高速列车ATO控制策略中的优越性及将列车过分相区断电惰行纳入运行工况的合理性。     

基于改进MH算法的高铁ATO运行操纵多目标优化研究

在高速列车运行过程中,运行环境变化将对ATO提出更高的计算要求,ATO既要满足实时计算又要满足运行操纵多目标优化。针对该问题提出一种改进MH算法计算列车运行操纵序列。在原有MH算法基础上,对算法计算频率与寻优目标函数进行改进,提出随机惯性权重粒子群算法与司机驾驶逻辑相结合的方式计算运行操纵序列,通过选取合理的计算间隔时间使得算法性能最佳。以武广高铁85km线路仿真高铁自动驾驶,改进MH算法中随机惯性权重粒子群算法的收敛速度优于原算法。仿真结果表明:改进MH算法在列车运行准点性和停车精度方面得到提升,为ATO在线计算提供思路。     

线性自抗扰控制算法在ATO系统中的应用研究

针对列车运行系统快速、稳定、精确等要求,将线性自抗扰控制（LADRC）算法应用于ATO系统的速度控制,并采用粒子群优化（PSO）算法对LADRC算法进行优化,提高LADRC控制器的参数整定效率。仿真 结果表明,该算法较传统的PID控制算法,能够有效提高速度控制的快速性和精度,改善乘客舒适度。     

CIPSO算法在城市有轨电车控制策略中的应用研究

在保证电车安全的前提下,轨道交通中的城市有轨电车控制策略优化问题实质上是多目标优化问题,主要是针对节能、正点、停靠准确和乘客舒适度优化等方面的复杂问题,以电车运动学方程为基础,针对粒子群优化算法在离散优化问题中处理不佳,容易陷入局部最优的问题,采用混沌Tent映射初始化粒子群,建立其多目标优化模型。而后采用免疫接种和免疫选择的方法提高PSO优化算法的优化能力,对模型进行求解。以广州市海珠区环岛新型有轨电车试验段数据为对象进行实例仿真,结果表明,混沌免疫微粒群优化算法较传统微粒群优化算法可获得更好的控制策略,能更有效的解决电车运行多目标优化问题。     

基于改进LS-SVM算法的列车通信网络时延预测方法

由于通信网络诱导时延的存在会对列车牵引制动系统造成影响,因此对时延精准预测并实现补偿十分重要。提出了一种基于改进粒子群(PSO)算法优化的最小二乘法支持向量机(LS-SVM)算法对列车通信网络时延进行预测,搭建了列车网络控制系统半实物平台,使数据通过多功能车辆总线(MVB)进行传输,分别改变车辆控制单元(VCU)特征周期及负端口数量大小,以获取大量不同特性的时延数据。将数据分组后利用改进的PSO算法优化LS-SVM算法进行预测仿真。仿真结果表明,与传统的LS-SVM算法及Elman神经网络算法的预测方法相比,所提出的方法在列车通信网络的时延预测方面具有更好的快速性和准确性。     

一种货运列车节能优化方法研究

研究了一种货运列车节能优化方法。首先以列车运行时间为约束,建立列车节能运行优化模型。设计了一种基于极大值原理的动态规划算法,在满足运行时间约束下,实现列车最优节能运行操纵策略优化。本算法仅仅对速度进行离散化处理,相比其他方法需对位置和速度进行双重离散,避免因网格划分引起的速度轨迹波动,同时提高了计算效率。此外,该算法将考虑电分相对操纵的限制,便于工程应用。最后,利用HXD1型电力机车牵引的货运列车与朔黄铁路西柏坡至肃宁段验证了文中所述的优化方法的有效性。     

基于粒子群算法的隐式广义预测在ATO中的应用

由于列车运行速度的不断提高,对列车自动驾驶(Automatic Train Operation,ATO)系统提出更高的要求。针对隐式广义预测(Implicit Generalized Predictive Control,IGPC)控制器在ATO中难以获得最优预测控制输入的问题,运用一种基于粒子群优化(Particle Swarm Optimization,PSO)的IGPC算法对ATO系统进行控制。为更进一步提高PSO算法的寻优能力,对基本PSO算法进行改进,从而有效提高系统的寻优精度和速度。并对有约束情况下的CRH2型车进行仿真验证,仿真结果显示PSO-IGPC比单纯IGPC对ATO的控制效果更优。     

基于改进的粒子群算法的地铁时刻表调整方法研究及实现

为应对突发状况下地铁列车的晚点问题,尽快消除与既定时刻表的偏移时间,采用Visual Studio 2012和SQL Server 12.0数据库搭建时刻表系统,同时建立列车运行动态调整模型,选择改进的粒子群优化算法对模型进行求解,得出消除偏离时间的最优解,完成列车的动态调整仿真。仿真结果表明,该方法通过自动调整多辆列车的站间运行时间和停站时间,能有效地消除晚点时间,恢复列车正常运行。     

城市轨道交通列车运行过程的多目标优化研究

为了使城市轨道交通列车运行曲线能更好地为司机提供驾驶指导,进一步保证列车高效运行,在前人研究的基础上,建立包含巡航模式的列车运行过程优化模型。在建模过程中综合考虑列车运行过程的时间、能耗、乘坐舒适度、精确停车等多个性能指标,并使用差分进化算法对建立的模型进行求解。由于传统的差分进化算法存在许多不足,采用一种具有自适应参数调整策略的改进差分进化算法。通过调整算法的变异因子和交叉因子,增加了种群的多样性、扩大了全局搜索区域,避免了局部最优解,同时在后期也加快了收敛速度。通过对所选线路的仿真优化,使各优化性能指标达到了整体相对最优,验证了模型与算法的有效性。