電力牽引貨運列車節能運行研究(一)：目標速度曲線優化

楊 杰，賈利民，盧少鋒，李卓玥

(1.北京交通大學 軌道交通控制與安全國家重點實驗室，北京 100044；2.江西理工大學 電氣工程與自動化學院，江西 贛州 341000；3.西交利物浦大學 電氣與電子工程系，江蘇 蘇州 215123)

貨運鐵路作為我國交通運輸體系的重要組成部分，具有運量大、成本低、污染小、連續性強的特點，對國民經濟發展起著重要的基礎性、支撐性和服務性的作用。目前，我國鐵路運輸總里程已經突破12萬km。軌道交通在帶來便捷、高效運輸服務的同時，也帶來了巨大的能源消耗。2014年我國國家鐵路能源消耗折算標準煤高達1 653萬t[1]。在能源、交通擁堵、空氣污染備受關注的今天，大力發展鐵路貨運及其節能運行越來越重要。

列車節能運行控制是典型的非線性、多約束、多目標的復雜時變過程，可分為控制目標速度曲線優化和目標速度跟蹤控制兩大環節。其中，目標速度曲線是控制系統跟蹤的對象，其動態優化涉及能耗機理建模、運動學分析、智能優化等內容。目標速度跟蹤控制主要是針對列車運行控制的時滯性、非線性和干擾的隨機性，設計安全穩定性好、魯棒性強、自適應范圍大的智能控制系統。該領域國內外相關研究所采用的方法樹狀圖如圖1所示。

圖1 列車節能運行控制國內外研究方法樹狀圖

Sidelnikov最早提出了運用動態規劃方法求解水平軌道無限速條件下的列車運行模型[2]。1982年，南澳大學在Milroy的倡導下成立了交通控制小組SCG(Scheduling and Control Group)，30多年來，該團隊的Howlett、程家興、Benjamin、Pudney、Xuan、Albrecht等專家與學者基于極大值原理證明了加速、勻速、惰行、制動模態的存在，并基于理想的平直道給出了惰行-制動模態切換點的速度值與勻速模態速度值之間的數學關系[3-8]。

目標速度曲線優化領域單篇引用率最高的兩篇文章分別來自Khmelnitsky[9]和Rongfang Liu & Golovitcher[10]，兩篇文章都是基于極大值原理解決任意坡道、任意限速變化、運行阻力與列車所處位置有關的問題。文獻[9]以動能為變量建立節能操縱模型，提出了數值求解算法。該方法基于極大值原理確定最優速度曲線應該包含的基本模態，通過對勻速值的迭代來唯一確定速度曲線。該方法的難度在于如何才能快速找準勻速值或拉格朗日乘子。文獻[10]通過構建共軛方程和互補松弛條件方程來幫助分析Hamiltonian方程。作者詳細歸納了不同控制模態出現的條件，分析了各種限速突變的場景，探討了控制模態的轉換條件，提出了模態轉換點的數值求解方法。但作者提出了當列車處于陡下坡時為了維持速度恒定而存在部分制動(Partial Braking)模態，本文并不贊同。因為即使在陡下坡出現列車重力在下坡方向上的分量大于運行阻力的情況時，也可以通過提前惰行而保持整個區段的通過時間相對穩定，充分利用了列車勢能，減少了牽引時間，節約能耗。

文獻[11,12]針對列車節能運行中的制動能量回饋與管理問題，用動態規劃和非線性優化等方法來搜索列車運行狀態點背后的能耗信息，求解能源管理的優化策略，并對多種列車速度曲線優化算法進行了對比分析，同時建議運用復合算法來提高系統的魯棒性。文獻[13]用非線性約束下的運動方程對列車運行過程進行描述，將極大值與司機駕駛經驗相結合，對由牽引力積分構建的能耗目標函數進行模型求解。在再生制動受到越來越多關注的背景下，文獻[14,15]系統研究了電機能量轉換效率、接觸網饋電損耗、車載超級電容能量存儲等問題，以系統的電流和電壓為變量，利用梯度下降法和逐步二次規劃對理想平直道上的列車節能運行進行速度曲線優化研究。迭代算法可以在數學模型的基礎上以迭代的方式進行仿真與搜索計算，該方法具有比較理想的計算效率。但在較為復雜的工程應用背景下，往往需要以工程化的方式對問題進行簡化處理，這些簡化也勢必會影響計算的精度。

當限速、坡道等約束條件比較復雜，傳統的最優控制理論不適用的時候，許多學者采用了智能計算對可行操縱策略進行搜索。文獻[16]針對列車的最佳惰行問題，綜合考慮列車的正點性、舒適性、節能性，采用遺傳算法來進行多目標尋優，在列車發車前得到惰行控制表。文獻[17]在深入研究不同遺傳算法特性的基礎上，采用常規的遺傳算法來搜索地鐵列車單個惰行點的最優方案，運用分層遺傳算法解決具有多個惰行點的惰行策略優化問題。文獻[18,19]綜合運用了遺傳算法和粒子群算法的搜索功能，以及模糊邏輯對目標特性的合理描述，對高速列車的列車時刻表優化和節能駕駛統籌考慮，以模糊線性規劃對時刻表優化及司機的響應進行建模，以遺傳算法進行方案尋優。遺傳算法不需要對約束條件和優化對象進行精確的數學建模，但搜索的隨機性大，最優性無法保證，在搜索精度要求較高的時候計算量會很大。更重要的是，運用遺傳算法得到的運行方案往往控制級位變化頻率和幅度都較大，而列車操縱則要求控制手柄位的變化要盡可能的小，以保證列車的運行平穩，降低列車機械、電氣系統的損耗。

文獻[20-22]對列車節能運行以及與運行圖聯合優化等進行了研究。

1 問題描述

現有研究成果顯示，列車節能運行包括如圖2所示的最大加速、勻速、惰行、最大制動四個模態[5]。圍繞這四個模態對其切換點的求解，特別是惰行模態的起始點與結束點的關系，國內外學者進行了大量卓有成效的研究工作。

圖2 四階段理論示意圖

對于理想的平直道，問題的關鍵在于準確地找到兩個速度值：一是勻速模態的速度值Vh，二是惰行模態向制動模態切換的制動起始點的速度值Vb。根據計劃運行時分和運行距離，采用勻速值-制動點的二維窮舉法可以求出理想平直道的最優目標速度曲線。固定運行時分下，不同Vh與Vb的速度曲線對比如圖3所示。

圖3 理想平直道上基于Vh-Vb二維窮舉策略示意圖

二維窮舉法雖然能夠比較出能耗最低的目標速度曲線，如圖3中的紅色曲線，但是運算量較大，在實際線路條件下難以適用。目前比較常用的方法是運用最優控制、演化算法以及一些混合智能算法來尋求速度曲線或者部分區間的滿意解。

以極大值原理為典型代表的最優控制方法是建立在精確的數學模型基礎之上的。而現有模型誤差范圍較大，且存在一定的未建模動態，對于各種復雜的約束條件也不能很好地處理。基于智能計算的優化方法對模型的依賴性比較低，靠大規模的搜索與比較尋找可行解，且通過程序設計比較容易處理各種約束條件。但該類方法往往存在計算量與計算精度之間的矛盾。同時，控制策略的工程可行性要求控制級位變化頻率不宜太高，變化幅度不能太大，且要考慮電氣、機械系統的響應時間。況且，我國鐵路交路長、機車型號多、線路復雜、行車密度大，國外已有的節能運行控制系統難以適應中國復雜的路網環境。

本文結合我國鐵路行業的特殊背景，聚焦貨運列車節能操縱的基礎理論，旨在突破工程角度最優的目標速度曲線優化核心算法，完善列車節能運行控制相關理論，為實現貨運列車的運行控制，從以司機為主的半自動模式轉向以機器為主的全過程智能控制模式奠定理論基礎。

2 全要素能耗機理集總模型

受研究方法的限制，現有研究在對列車節能運行進行建模時通常只對列車運動方程和主要的運行約束進行建模，本文采用迭代法展開設計，比較容易處理各種復雜約束。因此，本文將系統介紹所用到的模型。其中，有些部分難免會與已有文獻類似，稍顯拖沓冗長，但本著嚴謹細致的原則，本文逐一整理列出。

設獨立變量t∈[0,T]?R，狀態變量x=x(t)∈[0,S]?R,v=v(x)∈[0,V]?R滿足方程

( 1 )

( 2 )

式中：t為時間；x為位移；v為速度。(x,v)∈[0,S]×(0,V]?R2。以電力機車為例，控制級位可視為連續可調的，即u∈U?[-q,p]?R，p和q是最大牽引和制動控制級位。

( 3 )

在不考慮再生制動時，牽引能耗函數f:[-q,p]?R為u∈[0,p]區間的連續單調增函數，[-q,0]內f(u)=0。當考慮再生制動時，f在整個[-q,p]區間單調遞增，且f(0)=0。

2.1 列車運行受力分析

列車在運行過程中受力比較復雜，總體來看，主要是機車牽引力f、制動力b0和運行阻力w。牽引力f和制動力b0不同時出現。運行阻力w又分為基本阻力w0和附加阻力wj。wj又可分為坡道附加阻力ij、曲線附加阻力wr和隧道空氣附加阻力ws。

列車運行基本阻力可以描述為

ω0=ρa+ρb·v+ρc·v2

( 4 )

式中：ρa為基準阻力參數；ρb為滾動阻力參數；ρc為空氣阻力參數。

列車運行附加阻力可以描述為

( 5 )

式中：ij為列車的坡道附加阻力；α為曲線中心角；Lc為列車長度；Ls為隧道長度；ρr和ρt分別為彎道和隧道阻力參數。

制動力：電力機車常用的制動方式可以分為空氣制動、電力制動和聯合制動。電力制動可以參考機車制動特性圖進行擬合、插值。采用空氣制動時的制動力可以描述為

( 6 )

式中：Kb為換算閘瓦壓力；?h為換算制動系數；M為總質量；φh為換算摩擦系數；?hc為常用制動換算制動率，?hc=?h·βc，βc為常用制動系數。

2.2 列車運動方程分析

理想狀態下單質點列車運動方程可以簡單離散化描述為

ci=f(vi,ui)-ω0(vi)-b0(vi,ui)-ωij

( 7 )

式中：ci為時間步長i內列車所受到的合力；vi為列車的運行速度；ui為此時的控制級位。

2.3 運行約束分析

安全性約束：列車在起動和制動過程中的安全性主要取決于列車起動加速度的大小及其變化率，加速度或其斜率過大必然導致列車縱向沖動過大，引起斷鉤、運輸物資的損壞等。

精確性約束：列車的正點性體現了列車通過區間所耗費的時間對運行圖的滿足程度。準確停車體現列車位移對運行距離的滿足程度。

動、靜態限速：動、靜態限速可以描述為

0≤vi≤vlim

( 8 )

( 9 )

(10)

除了上述約束外，列車運行還會受到環境狀況、天氣條件、列車狀態等方面因素的影響，包括風速、雨雪天氣、氣溫、線路信號制式、黏著系數、軌道平順度、牽引定數、編組方式，以及不同列車之間機車牽引特性、基準阻力參數、滾動阻力參數、空氣阻力參數、換算摩擦系數、電機效率等參數的不一致性等。限于篇幅，本文暫不作討論。

2.4 先驗知識分析

此處，先驗知識指的是一些業內具有共識的重要理論基礎和司機人工駕駛所形成的經驗知識。優秀司機的駕駛與決策行為(即人類智能)有許多值得機器智能研究學習與效仿的地方。例如，《鐵路機車操作規則》中關于司機駕駛的“起車穩、加速快、防止空轉”等原則。還比如司機在發車前對行程的規劃，是先從宏觀上大致預估途中運行的勻速值，再考慮線路條件等細節信息進行調整。這些都是本文算法設計中有所借鑒的先驗知識。

另外，SCG最重要的成果之一是給出了在不考慮再生制動的情況下，列車最優惰行的數學模型。

(11)

式中：ψ(v)=v2r′(v)，φ(v)=v·r(v)，r(v)=a+b·v+c·v2。有了這個模型，圖3所示的理想平直道的問題只要找到恰當的Vh即可唯一對應一條滿足時間約束的、包含了最大加速、勻速、惰行、制動四個模態的最優速度曲線。這個理想化的最優速度曲線正是我們求解復雜條件下目標速度曲線的基礎。

2.5 四種模態下的能耗計算模型

2.5.1 牽引模態

新型電力機車的牽引系統經過設計，除了速度極低的情況以外，電機效率基本恒定。因此，在第i個時間步長內列車牽引力做功可以表示為

(12)

(13)

2.5.2 勻速模態

在列車運行過程中盡量保持勻速行駛是一種被廣泛認可的節能駕駛策略。同時，勻速模態是牽引、惰行及制動模態的紐帶。新型電力機車的逆變系統采用了VVVF技術，理論上車速和牽引力連續可調。在勻速模態下有

fh(vi,ui)=ω0(vi)+ωj

(14)

2.5.3 惰行模態

列車在惰行模態下牽引系統和制動系統均不做功，列車靠慣性滑行。其間，列車動能克服阻力做功。合理地運用惰行可以有效減少牽引力做功。但過多地在低速段采用惰行則會浪費寶貴的運行時分，從而導致全局總能耗的增加。

eci=fc(vi,ui)=0

(15)

2.5.4 制動模態

如前文所述，列車的制動方式分空氣制動、電力制動和聯合制動等多種類型。新型電力機車均能夠采用再生制動的方式將動能轉化為電能回饋電網。再生制動時的制動力需要按照前文所述的制動特性計算。再生制動的能量回饋可以表示為

eri=pr·fbr(vi,ui)·vi·Δt

(16)

式中：pr為再生制動的能量再生率(向電網回饋的制動發電量與列車動能損失量之間的比例)。

3 能耗敏感度分析

3.1 計劃運行時分對運行能耗的影響

對于給定的區間距離，計劃運行時分不同，則相應的運行策略和速度曲線是不同的。圖4為20 km理想平直道上，不同計劃運行時分所對應的最優速度曲線簇。其中，勻速值Vh與制動起始點速度值Vb的關系按照式(11)進行約束。

圖4 不同計劃運行時分的等距離速度曲線簇

算例1簡要步驟

步驟1根據給定的區間距離，求解節能運行最短運行時分及其對應的速度曲線，即勻速運行距離為0，列車由加速模態直接轉入惰行模態。

步驟2將計劃運行時分以100 s為步長遞增，直到Vh不再明顯變化為止。

步驟3匯總顯示各步驟的速度曲線。

同樣，對于給定的區間距離，計劃運行時分不同，則相應的運行能耗也是不同的。對圖4所示的速度曲線簇重新以1 s為步長遞增，進行能耗計算。圖5為相應的計劃運行時分-能耗關系圖。其中，能耗計算按照式(12)～式(16)計算，且暫時不計入再生制動的能量回饋。

圖5 固定線路條件下計劃運行時分-能耗關系圖

3.2 惰行點對能耗的影響

如前文所述，理想條件下列車節能運行的最優惰行關系是可以求解的。而利用仿真分析的方法可以更為直觀地展現不同惰行策略對能耗值的影響。圖6為20 km理想平直道上，計劃運行時分為2 400 s所對應的惰行-能耗關系圖。與3.1節相同，暫時不計入再生制動的能量回饋。

圖6 非再生制動情況下惰行點對能耗的影響

算例2.1簡要步驟

步驟1根據給定的區間距離，按式(11)給出的最優惰行關系，求解勻速模態速度值Vh和Vb。

步驟2設pcb=0，按照式(17)計算Vb′，將Vb′作為惰行起始速度進行速度曲線仿真，并計算相應的能耗值。

Vb′=Vh-pcb(Vh-Vb)

(17)

步驟3將pcb以1%為步長遞增，直到Vb′=0(即一直惰行到速度為0)。

步驟4匯總顯示各步驟的能耗值。

由步驟2可知，當pcb=100%時Vb′=Vb，即符合式(11)的最優惰行關系，全局能耗最低。這在圖6中也得到了印證。同時，在95%≤pcb≤105%的區段內，各點能耗值是極其接近的(特別是在98%≤pcb≤102%的區段內，能耗值是完全相同的)，本文將95%≤pcb≤105%稱為最優切換區域。

算例2.2

在算例2.1中未計入再生制動的能量回饋。即圖6是pr=0的特例。下面將pr以0.1為步長進行遞增，可以得到如圖7所示的二維曲線簇，該二維曲線簇反映了再生率對最優惰行點的影響。

圖7 不同再生率情況下惰行點對能耗的影響

由圖7可以發現，隨著再生率的增加，提前進入制動模態可以產生一部分能量回饋，從而使得最優惰行關系發生變化，即減少惰行模態的范圍，惰行-制動模態切換點的速度值提高。同時，最優惰行關系的變化隨再生率的增加呈現一定的規律性，可以進行近似線性化。線性化后的最優惰行點為

Vb″=Vh-(1-0.4·Pr)·(Vh-Vb)

(18)

最優切換區段的寬度為

Δpcb=±(5+5·Pr)

(19)

3.3 能耗敏感度對比分析

通過對3.1節、3.2節的對比分析可以發現如下特征：

(1)以圖7中pr=0.5對應的能耗曲線為例，在曲線的谷底區段，能耗值是非常接近的，在80%≤pcb≤90%的區段內能耗變化小于0.5 kW·h，不足能耗總量0.06%。特別是在84%≤pcb≤88%的區段內，能耗值基本上是完全相等的。

(2)在1 600～1 800 s之間，運行能耗的差值約為50 kW·h，相當于運行時間每增加1 s，能耗可以減少0.25 kW·h。

(3)由前兩條可以發現，對于運行時間的控制是速度曲線優化的關鍵。優化過程中，在保證充分利用計劃運行時分的前提下，惰行-制動切換點可以根據機車機械系統、電子系統的響應時間、優化計算的運算代價等情況，在最優切換區段內靈活調整。

最優切換區段：為了便于程序對運行時間的精確控制，將能耗曲線的谷底區段以能耗最低點為中心，用隸屬函數按照一定的隸屬度篩選出的能耗最接近最小值的區段稱為最優切換區段。例如圖7中近似線性化后的最優切換區段隸屬度為99.94%。

4 目標速度曲線優化

基于前文中所述的數學模型和能耗敏感度的分析，本文提出一種新的目標速度曲線優化方法，如圖8所示。首先，基于理想平直道介紹模態切換點和勻速值Vh的求解；其次，針對含緩坡的線路證明勻速運行的最優性，論證其模態切換點的求解；最后，針對含陡坡的線路介紹基于等效勻速法的速度曲線優化方法。

圖8 標速度曲線優化整體思路

4.1 平直道

平直道上列車的最優運行策略已經被證明存在且唯一存在[3,5]，但該方法十分復雜。下面，本文僅針對平直道來簡化文獻[5]對最優惰行關系的證明。

引入協態變量構建Hamiltonian函數

H(x,v,α,β,u)=-f(u)+αv+βF(x,v,u)

(20)

按照文獻[5]可以得到

(21)

設常數A滿足

(22)

(23)

對于平直道(g(x)=0)，將式(22)代入Hamiltonian函數有

(24)

伴隨方程為

(25)

將Hamiltonian函數轉化為

(26)

由Pontryagin極大值原理可知，只有在能夠保證Hamiltonian函數取極大值，控制策略才是最優策略。將上式分為五種情況進行討論。

(27)

因此，工況轉換的鏈接條件是

v=Aβ

(28)

此時列車處于勻速運行模態，牽引力等于運行阻力。結合式(25)和式(27)，對等式兩邊進行求導后可得

(29)

式中：φ(v)=v·r(v)。

同時，由式(25)也可以得到α等于某常量C。所以有

φ′(v)=A·α=A·C

(30)

因φ(v)在有效區間內是凸函數，則在勻速運行時(v=Vh)有

(31)

因為Hamiltonian函數在最優策略中應是常數，即μ=H(t)。將式(28)和式(29)代入式(24)有

(32)

其中，ψ(v)=v2r′(v)。

假設列車的惰行運行區間為t∈[a,b]，即列車從a點以Vh=v(a)開始惰行，直到b點以Vb=v(b)開始制動，且g(x)=0，則有D(a,b)=0。由式(21)可得

(33)

對a,b兩點的Hamiltonian函數值進行計算，由式(29)、式(32)可得

(34)

所以可得勻速區間速度值Vh與制動點速度值Vb的關系為

(35)

將式(32)代入式(35)，則式(11)得證。

如本文第1章“問題描述”中所述，有了式(11)，對于給定的計劃運行時分和區間距離，按照最大加速、勻速、惰行、制動的模態順序，則可以唯一確定勻速模態速度值Vh，從而確定理想平直道上最優速度曲線，如圖3中紅色曲線所示。

確定Vh值的方法可以用積分計算的方法，也可以用迭代的方法。積分計算的方法計算效率較高，但僅適用于簡單線路，本文采用迭代法進行搜索。簡要步驟如下：

步驟1設初始速度Vh0=S/T，以1 km/h為步長遞增，按加速、勻速、惰行、制動的模態順序繪制速度曲線。

步驟2判斷步驟1中的速度曲線所耗計劃運行時分是否大于S，是則跳出，否則返回步驟1。

步驟3退回跳出前的Vhi，將遞增步長改為0.1 km/h，重復上述循環。

步驟4退回跳出前的Vhii，將遞增步長改為0.01 km/h，重復上述循環。

步驟5退回跳出前的Vhiii，將遞增步長改為0.001 km/h，重復上述循環。

步驟6程序跳出，輸出Vh=Vhiii。

上述方法輸出的Vh在數學上并不是絕對的精確，但對于實際的軌道交通系統，該精度已經足以滿足硬件系統對精度的需要，且計算速度較快。該方法還可以無限細化，滿足更高的精度需要。

4.2 含緩坡的線路

本文中所謂的陡坡包含陡上坡和陡下坡。陡上坡是指列車在特定的線路條件和運行速度下，運行阻力大于機車最大牽引力的上坡區段；陡下坡是指重力在下坡方向的分量大于列車運行基本阻力，即使列車采用惰行也會出現速度上升的下坡區段。相應地，緩坡則是指坡度值介于陡上坡和陡下坡之間，列車通過調節機車牽引力既可以保持勻速運行的坡道區段。

4.2.1 緩坡區段勻速運行的最優性

假設有等重量的列車1和2，分別以相同的速度運行在線路1和線路2上。若列車1勻速通過緩坡區段AB時，列車2勻速通過等距離的平直區段A′B′，線路1和線路2在其他區段的線路條件和列車運行狀況均完全相同，示意圖如圖9所示。

圖9 平直道與緩坡區段對比示意圖

對列車1和列車2的運行能耗分別進行計算有

E1=F1(x)·(x2-x1)=(ω0+ωj)·(x2-x1)

(36)

E2=F2(x)·(x2-x1)=(ω0)·(x2-x1)

(37)

因為兩列列車的重量和運行速度均相同，所以基本阻力是完全相同的。況且新型電力機車的驅動系統經過特殊設計，除速度極低的工況以外，系統效率是基本穩定的，所以有

ΔE=E1-E2=ωj·(x2-x1)=MgΔh

(38)

而對于具有海拔高度差的兩點，ΔE=MgΔh是克服重力做功的值，也是列車1和列車2運行能耗差值的最小值。那么，既然列車2在平直道上勻速運行是最優的運行策略，所以列車1在緩坡區段勻速運行也是最優運行策略。

4.2.2 含有緩坡線路模態切換點的確定

與4.2.1同理，對含有緩坡區段的線路，若采用與平直道完全相同的開行方案(含加速、勻速、惰行及制動在內的全部操縱序列)，則運行能耗差值為ΔE=MgΔh，即運行能耗差值的最小值。所以，對于驅動系統效率相對穩定的電力機車，在含有緩坡區段的線路上的最優勻速點、惰行點、制動點的求解與平直道完全相同。

綜上所述，對含有緩坡的線路，保持與圖3中紅色曲線相同特征的速度曲線仍是最優速度曲線。

4.3 含陡坡和限速變化的線路

4.3.1 最短運行時間速度曲線

最短運行時間速度曲線是列車在特定線路環境下按最短運行時分策略運行所能達到的運行速度曲線，是給定條件下列車實際運行的速度上限。最短運行時間速度曲線在無限速的情況下含有加速、制動兩個模態；在有限速的情況下含有加速、勻速、制動三個模態，如圖10所示。在策略優化過程中以此作為策略優化的上邊界條件可以有效篩除無效控制級位，簡化計算。對應的運行時間是該車在該線路條件下的最短運行時分。計劃運行時分大于最短運行時分是軌道交通系統運行圖編制的基本原則，更是列車節能運行的基本前提。

圖10 最短運行時間速度曲線示意圖

值得一提的是對于限速比較復雜的線路條件，往往會在低限速區段的起始點，即由惰行轉入勻速模態的切換點存在速度誤差(裕量)與計算速度的矛盾關系。本文提出了雙向迭代的方法，可以有效消除速度誤差。

雙向迭代法簡要步驟如下：

步驟1正向迭代，直到低限速區段的起始點。

步驟2從低限速區段的起點反向迭代，遞推上一步長的理想速度，直到與正向迭代速度曲線交叉。

步驟3交叉點即為模態切換點，交叉點之前的速度曲線以正向迭代的為準，交叉點之后的速度曲線以反向迭代的速度曲線為準。

4.3.2 速度基線

速度基線是根據運行圖給定的運行時間和距離對行程做出的宏觀時間、速度配置方案。該方案暫時不考慮具體線路細節和機車牽引力范圍，僅按理想平直道確定勻速模態下的速度值和各個模態轉換點的速度值，作為運行時間按距離分配的宏觀原則。本文初步設計了單質點列車速度基線規劃算法，示意圖如圖11中虛線所示。

圖11 速度基線示意圖

4.3.3 陡坡區段的處理

速度基線在絕大部分情況下是比較理想的運行策略。但是，如圖11中8～10 km處的陡上坡區段，坡道附加阻力較大，即使列車采用最大牽引力也無法維持勻速運行。本文將采用平均速度等效的方法對該類陡坡區間進行處理。

平均速度等效法：如圖12所示，圖形下方的紅線表示軌道的海拔高度，中間的斜坡代表軌道的坡度。策略求解的上下邊界：綠線(速度)中間曲線段上方的虛線表示在過了坡以后速度剛好降到勻速值的策略上界；下方的虛線表示策略下界，即完全不采用動能闖坡，僅依靠機車最大牽引力回到坡前速度。平均速度等效法從策略下界出發，以變步長法向上界方向遞推，直到滿足式(39)，即從坡前加速點p到恢復勻速模態點h所消耗的運行時間等于勻速通過該區段所消耗的時間。在運行距離與運行時間的關系方面達到等效勻速的效果。

(39)

式中：xh表示勻速點h的位置坐標；xp表示加速點p的位置坐標；th表示列車通過勻速點h的時刻；tp表示列車通過加速點p的時刻。

圖12 平均速度等效法運行策略求解示意圖(陡上坡)

圖12中介于策略上界與策略下界之間的黑色實線即為平均速度等效速度曲線。

同理，在陡下坡區段，重力除了克服阻力外，會使列車出現加速惰行的情況。此時需要找到滿足式(39)的提前惰行起始點，即達到等效勻速通過該區段的效果。

算例3用上述方法對某含有緩上坡、緩下坡、陡上坡和陡下坡的實驗線路進行速度曲線全局優化，結果如圖13所示。

圖13 基于平均速度等效法的運行策略尋優仿真

該算法使得區段耗時等效于勻速通過該區段所需要的時間，在給定的時間約束下，按照方差最小的原理，速度波動越小，式( 4 )中二次方項的值最小，阻力做功也就最小。通過軟件仿真可以證實，平均速度等效法可以使得全局能耗值處于能耗谷底的最低區域。更重要的是，區間耗時的固定使得全局優化不需要調整時間配置和Vh值，為全局優化帶來了便利，提高了計算效率。圖13在普通臺式辦公電腦的Matlab 2012運行環境下僅需要大約3 s即可完成仿真計算。

5 對比分析

對于圖13中的相同線路條件，本文采用德國漢諾威大學的專業仿真軟件Dynamis 2.0進行對比仿真，結果如圖14所示。

圖14 采用Dynamis2.0軟件進行的對比仿真

由圖14可知，在15 km和26.7 km處出現了最大制動力制動。按照節能運行的常識可知，列車通常只有在以停車為目的的低速狀態下才會使用制動。圖13給出的策略更加合理。

算例4本文提出的算法經過稍加調整，加入舒適性約束后，可以移植到城軌列車的速度曲線優化中。

圖15為算法調整后與文獻[11,12]中采用的GA、DP、PSO三種算法進行對比分析的仿真效果。

圖15 對比仿真效果圖

從上述仿真結果進行對比可以看出，城軌列車的線路條件相對更為簡單，優化起來也相對比較容易。圖15(d)中針對150 min、175 min、200 min、225 min、250 min五種計劃運行時分分別繪制了相應的速度曲線。該方法能夠靈活適應各種限速、坡道、彎道、隧道，在中間運行區段不存在演化算法方法難以避免的速度隨機波動的情況，盡可能多地保持了勻速運行，僅在停車前使用了制動。列車僅需在模態切換點調整控制級位，相鄰兩次控制級位調整之間間隔較長，為電氣、機械系統的執行響應提供了充裕的時間，也為控制系統跟蹤目標曲線留足了牽引力平滑調整裕量，有效保障了算法的工程可行性。

6 結論與展望

本文圍繞以電力機車牽引的貨運列車的節能運行，針對控制目標速度曲線優化算法的工程應用瓶頸，從平直道的運行策略切入控制目標速度曲線優化的實質，簡化了運行模態切換點的求解和證明過程；證明了在含有緩坡線路條件下的最優策略與平直道相同；簡要介紹了針對陡坡區段的平均速度等效優化算法，并在Matlab軟件環境下進行了算法仿真驗證。本文所述方法將數學推導、先驗知識、邏輯分析充分結合，迭代仿真可以有效處理各種復雜線路條件及運行約束，算法對于列車電氣、機械系統的響應特性能夠予以兼顧。仿真結果顯示，速度曲線盡可能多地保持了勻速運行，節能效果理想，計算效率較高，為在線優化奠定了良好的基礎。

參考文獻：

[1]中國國家鐵路局. 2014年鐵道統計公報[R]. 2015.

[2]SIDELNIKOV V. Computation of Optimal Controls of a Railroad Locomotive[J]. Proceedings of State Railway Research Institute, 1965,6(2): 52-58.

[3]MILROY I P. Aspect of Automatic Train Control [D]. Loughborough: Loughborough University, 1980.

[4]HOWLETT P G, PUDNEY P J. Energy-efficient Train Control [M]. Springer-Verlag London Limited, 1995.

[5]HOWLETT P G. The Optimal Control of a Train [J]. Annals of Operations Research, 2000, 98:65-87.

[6]CHENG J X, HOWLETT P G. A Note on the Calculation of Optimal Strategies for the Minimization of Fuel Consumption in the Control of Trains [J]. IEEE Transactions on Automatic Control, 1993,38(11):1 730-1 734.

[7]WU X. Analysis of Necessary Conditions for the Optimal Control of a Train [D]. Australia: University of South Australia, 1997.

[8]ALBRECHT A R, et al. Energy-efficient Train Control: From Local Convexity to Global Optimization and Uniqueness [J]. Automatica, 2013,49(10):72-78.

[9]KHMELNITSKY E. On an Optimal Control Problem of Train Operation [J]. IEEE Transactions on Automatic Control, 2000,45(7):1 257-1 266.

[10]LIU R, et al. Energy-efficient Operation of Rail Vehicles[J]. Transportation Research Part A Policy & Practice, 2003,37(10): 917-931.

[11]LU S F. Optimising Power Management Strategies for Railway Traction Systems[D]. Birmingham: University of Birmingham, 2011.

[12]LU S F, et al. Single-Train Trajectory Optimization[J]. IEEE Transactions on Intelligent Transportation, 2013,14(2):43-50.

[13]朱金陵, 李會超, 王青元, 等. 列車節能控制的優化分析[J]. 中國鐵道科學, 2008, 29(2): 104-108.

ZHU Jinling,LI Huichao,WANG Qingyuan, et al. Optimization Analysis on the Energy Saving Control for Trains [J]. China Railway Science, 2008, 29(2): 104-108.

[14]MIYATAKE M, MATSUDA K. Energy Saving Speed and Charge/discharge Control of a Railway Vehicle with On-board Energy Storage by Means of an Optimization Model [J]. IEEJ Transactions on Electrical and Electronic Engineering, 2009,4(6):771-778.

[15]MIYATAKE M, KO H. Optimization of Train Speed Profile for Minimum Energy Consumption [J]. IEEJ Transactions on Electrical and Electronic Engineering, 2010,5(5):263-269.

[16]CHANG C S, SIM S S. Optimising Train Movements Through Coast Control Using Genetic Algorithms [J]. Electric Power Applications,1997,144(1):65-73.

[17]WONG K K, HO T K. Dynamic Coast Control of Train Movement with Genetic Algorithm[J]. International Journal of Systems Science, 2004,35(13):835-846.

[18]CUCALA A P, et al. Fuzzy Optimal Schedule of High Speed Train Operation to Minimize Energy Consumption with Uncertain Delays and Driver's Behavioral [J]. Electric Power Applications, 2012,25(2): 1 548-1 557.

[19]María Domíngueza, et al. Multi Objective Particle Swarm Optimization Algorithm for the Design of Efficient ATO Speed Profiles in Metro Lines [J]. Engineering Applications of Artificial Intelligence, 2014,29(7): 43-53.

[20]JIA L M, ZHANG X D. Distributed Intelligent Railway Traffic Control: a Fuzzy-decisionmaking-based Approach[J]. Engineering Applications of Artificial Intelligence, 1994, 7(3): 311-319.

[21]丁勇,毛保華,劉海東,等. 定時約束條件下列車節能操縱的仿真算法研究[J]. 系統仿真學報,2004,16(10):2 241-2 244.

DING Yong, MAO Baohua, LIU Haidong, et al. An Algorithm for Energy-efficient Train Operation Simulation With Fixed Running Time [J]. Journal of System Simulation,2004,16(10):2 241-2 244.

[22]LI X, et al. An Energy-efficient Scheduling and Speed Control Approach for Metro Rail Operations[J]. Transportation Research Part B: Methodological,2014,64(4):73-89.