[发明专利]基于生物地理算法的地铁列车节能运行优化方法与系统

权利要求书

1.一种地铁列车节能运行优化算法，其特征在于该方法利用生物地理算法将列车运行的两个独立的阶段结合起来，采用生物地理算法完成多目标高维度的优化问题。在第一阶段，将列车电机自身特性、线路坡度和弯道限速考虑在内，完成列车实际运行的真实性；在第二阶段，将实际上下车的人流量考虑在内，在保证人流安全上下车的同时，完成列车的优化运行。用生物地理算法将两个独立的阶段结合起来优化，弥补了传统智能算法对于高维度多目标问题的不足之处，同时使列车达到更好的节能效果。

2.根据权利1要求的一种地铁列车节能运行优化算法，其特征在于列车电机自身的牵引特性决定着列车在运行过程中能量的利用效率，线路坡度和弯道限速决定着列车实际过程的真实性和有效性，使列车运行过程更接近实际。列车停站过程中，根据实际的上下车人流量完成列车的停站，在保证安全的同时，提高对时间的利用率，使列车高效运行。具体如下：

在第一阶段内，以工况转换点的个数和位置作为变量，并且以列车列车电机自身特性、线路、坡度和弯道限速等条件作为参考依据和约束条件进行优化，优化模型的目标函数为：

MinW=a|Ts-TiTi|·d+b|E(Ti)Es-E(Ti)|+c|Ss-SiSi|·e---(1)]]>

式中，T_i为区间i时刻表要求的列车运行时间，单位为s；T_s为优化后列车实际运行时间，单位为s；E(T_i)为列车实际运行能耗，单位为kw·h；E_s为优化后列车运行能耗，单位为kw·h；S_i为站间的列车运行的实际距离，单位为m；S_S为优化后的列车运行距离，单位为m，a为列车运行时间的权重，b为列车运行能耗的权重，c为列车运行距离的权重，a+b+c＝1。d为列车运行晚点的惩罚因子，e为列车运行距离差距的惩罚因子，a、b和c的取值根据实际问题的需求而设定，它们的取值取决于对运行时间的准点要求，运行能耗的最小要求和运行距离的精度要求。

速度曲线优化模型的约束条件

T_s≤T_i(2)

D₁≥l_coast(3)

D_i-1≤D_i(4)

v₀＝0，v_n＝0，0≤v_i≤v_max(5)

a=vt2-vt-122·Δs=aF+ag+af---(6)]]>

a_i≤a_max(7)

(2)式表示列车站间实际运行时间不能大于给定标准时间；(3)式表示列车首次进行惰行运行必须遵守的约束，D₁表示第一次惰行的位置，l_coast表示列车从启动到开始惰行所必须的最短距离；(4)式表示列车惰行转换点的位置约束；(5)式表示列车在运行过程中速度不能超过最大速度，v₀表示列车运行的初始速度，v_n表示列车运行的末速度，v_i表示列车当前运行的初速度，v_max表示列车运行的最大速度；(6)式中a_F表示机车牵引力产生的加速度，a_g表示坡度阻力产生的加速度，a_f表示基本阻力产生的加速度，Δs表示列车运行的距离；v_i-1表示列车当前运行的末速度。(7)中a_i表示列车加速度，a_max表示最大加速度。参考列车运行的相关参数设定，列车启动最大加速度为0.56m/s²，制动最大加速度为-1m/s²。其中时间的单位为s，距离的单位为m，速度的单位为km/h，加速度的单位为m/s²。

用{s₀,s₁,s₂,…s_N-1}表示一条线路上区间内的各个工况转换点的位置，优化维度为N，BBO算法的具体优化过程如下：

Step 1设置BBO算法参数；从区间1开始；

Step 2根据列车站间运行的线路长度，生成多个N维的指数向量，即为工况转换点的个数，其中N为偶数；

Step 3生成初始栖息地种群，任意选取栖息地的H_i指数向量X_i进行初始化。

Step 4计算每个栖息地的适宜度，针对不同适宜度H_i，将栖息地从好到次进行排列；

Step 5通过比较，判断是否为所需的最优结果，如果是最优结果，则输出值，流程结束。否则继续步骤Step 6；

Step 6计算每个栖息地的迁移率和突变率，进行迁移和突变操作，重新计算栖息地的适宜度H_i，返回步骤Step 4；

Step 7若每个维度优化完成，则结束；若还有维度没有优化完成则，返回步骤Step 2进行下一个区间优化。

通过对站间列车运行的工况转换点个数和位置的不断优化，将每次更新后的数据进行比较分析，根据系统所需的能耗值，实现系统的不断优化。

在第二阶段内以每辆列车在每个站点的停站时间增量组成矩阵时刻表为变量，并且以实际上下车的人流量为参考依据和约束条件，优化模型的目标函数为：

minΣi=1nE(Ti)---(8)]]>

式中，E(T_i)表示列车运行区间的总能耗，单位为kw·h；T_i为第i辆列车运行的时间。

发明考虑安全指标和能耗指标，以获得最佳的节能目标。因此基本约束条件的设置如下：

(1)对于部分客流量较大的站点，停站时间只增不减，即t_i，j≥0，i表示第i辆列车，j表示第j个站点，单位为s；

(2)同一时间，进站列车的能耗全部被出站列车吸收利用，即E_制＝E_牵，单位为kw·h；

(3)列车运行周期的总时间变化限定在一定合理时间内；

(4)列车运行过程中，不考虑能量以各种方式的损耗；

(5)列车的运行最小间距不能小于ΔS,单位为m。

地铁线路由n辆车并联，m个站台组成，则可形成一个m×n的时间分配矩阵，i表示优化的第几代栖息地，一共mxn个元素。每个元素表示一辆列车在一个站点的停站时间的修正量，运用BBO算法时，将这个矩阵看成对应列车运行能耗的一组解。每一组解对应着一个优化方案，即列车停站时间修正量表。

BBO算法优化的步骤如下：

Step 1设置算法参数，参数初始化；

Step 2生成初始栖息地维度，即停站时间修正量初始矩阵X₀，先根据约束条件进行有效性筛选；

Step 3计算每个栖息地的适宜度H_i，针对不同适宜度H_i，将栖息地从好到次进行排列；

Step 4通过比较，判断是否为所需的最优结果，如果是最优结果，则输出值，流程结束。否则继续步骤Step 5；

Step 5计算每个栖息地的迁移率和突变率，进行迁移和突变操作，重新计算栖息地的适宜度H_i，返回步骤Step 3。

不断将更新的时刻表数据读出，通过对每次迭代后的数据的判断比较分析，根据所需要的系统的能耗值，实现系统的不断优化。