基于改进遗传算法的高速列车节能优化研究

2021-04-07李娇杨陈光武

铁路计算机应用 2021年3期

李娇杨，陈光武

（1.兰州交通大学自动控制研究所，兰州 730070；2.甘肃省高原交通信息工程及控制重点实验室，兰州 730070）

随着我国铁路建设的不断推进，高速列车在运行中能耗问题的重要性愈发彰显。列车在运行过程中有4 种工况，能源消耗主要集中在牵引和制动这两种工况。列车运行曲线对应不同工况组合下的列车能耗，因此研究能耗最小的列车运行曲线具有重要的现实意义。

目前，众多学者对能耗优化问题进行了研究，文献[1]将列车节能问题转换为一定约束条件下的寻优问题；文献[2]利用极大值原理求解列车转换点；文献[3]提出通过划分坡道求解列车转换原则和运行位置的关系；文献[4]引入遗传算法，优化列车运行曲线的惰行距离，通过调整惰行点实现节能效果；文献[5]基于遗传算法，讨论列车运行曲线优化及晚点恢复等问题；文献[6]利用遗传算法解决列车运行调整问题；文献[7]利用遗传算法对列车运行过程中最优的组合序列进行求解。由于遗传算法的固有缺陷，一些学者开始研究针对列车节能问题的算法改进。文献[8]利用改进后变长算子的遗传算法，对城轨列车节能运行问题进行优化；文献[9]通过在算法中加入准点调整和局部搜索的引导机制对传统遗传算法进行改进。

本文在前人研究的基础上，通过建立约束条件下的列车运行模型和对遗传算法中算子的改进，增强算法的全局搜索能力和收敛能力，同时，引入自适应机制，并通过Matlab 仿真，验证了改进后算法的有效性。

1 列车运行节能模型及策略

1.1 列车运行节能模型

列车在运行过程中受到牵引力、制动力、运行阻力的共同作用[10]，根据牛顿第二定律，对运行列车进行受力分析可得，列车在正常行驶过程中的动力学方程为：

其中，v是列车当前运行速度；t是列车行驶时间；F(v)为列车在当前速度下的牵引力；B(v)为列车在当前速度下的制动力；w0(v)为列车在当前速度下的单位运行基本阻力，计算方式如式（2）所示；wf(x)为列车当前位置运行单位附加阻力；M为列车总质量；x为列车当前运行里程数。

其中，abc均为常数，一般根据运行车型来取值。

列车运行单位附加阻力wf(x) 包含单位坡道附加阻力wp(x)、单位曲线附加阻力wq(x)、单位隧道附加阻力ws(x)。由于列车长度较长，计算阻力时将其视为单一质点并不可靠，因此考虑将列车的每节车厢视为单质点，来计算列车单位附加阻力，而列车所受的总附加阻力为各个车厢所受附加阻力之和，如公式（3）所示：

其中，wp(xn)为第n节列车在x处的单位坡道附加阻力；p(xn)是该位置的坡道千分数；wq(xn)是第n节列车在x 处所受到的单位曲线附加阻力；R(xn)是第n节列车在x位置处的曲线半径；ws(xn)是第n节列车在x处的单位隧道附加阻力；Ls(xn)是第n节列车在x位置处的轨道长度。

线路附加阻力在同一位置是固定的，为方便计算，考虑提前处理线路附加阻力，并将其存储起来，后续使用时根据车头与列车各车厢相对距离判断所处区间，从而得到附加阻力。

将列车运行能耗最小作为优化目标，同时需要满足准时、定点等安全约束条件，建立列车节能运行数学模型[11]如下：

其中，E是列车从出发到终点所消耗的能量，本文只考虑列车牵引能耗；F(t)是t时刻的牵引力；v(t)是t时刻列车的速度；S是出发站到终点站的距离；T是列车总运行时间；vlim(x)是当前路段的最大速度限制。

1.2 列车运行节能策略

列车在同一路线中采取不同的运行策略，运行能耗也不同。本文将(xi,Mqi)称为工况转换点，其中，xi为列车工况切换点的位置；Mqi为对应工况。根据列车节能操纵原则[12]，列车起动时以最大牵引力起动，制动时以最大制动力停车，有利于节能。如图1 所示，列车运行工况可分为牵引（SQ）、匀速（SY）、惰性（SD）和制动（SZ ），列车以 SQ工况从 s1处加速行驶至 s2，切换成 SY工况匀速行驶至 s3，再切换为SD工况至 s4处，接着继续以 SY工况行驶，到 s5转换为SZ工况直至终点。[(s1,SQ),(s2,SY),(s3,SD),(s4,SY),(s5,SZ)]称为列车的一个操纵序列可行解。实际运行中存在着无数种工况转换点的组合，因此需要找出所有可行解中能耗最低的运行策略。

由本文设置的列车操纵序列推导出的列车运行曲线未必全符合运行条件，当出现停车位置或运行时间超过一定范围的不可行解时，则不予保留。本文停车精确度取10 m，运行时间精确度取60 s。

图1 列车工况组合

1.3 制动点设置

列车制动时按最大减速度amax制动，制动曲线从停车点开始反算。如图2 所示，当列车运行曲线与停车制动曲线相交时，可切换为制动工况，因此只要制动曲线落于SQMNL内且与x轴相交，则可满足停车精确度要求。

图2 列车停车点设置

2 改进遗传算法求解

数值法求解列车节能问题模型较复杂，而遗传算法适用于解决复杂情况的寻优问题[13]，但传统的遗传算法存在易早熟和收敛性差的问题，因此本文考虑改进算法中的遗传算子，并引入进化逆转算子。

2.1 算法概述

（1）编码

列车运行策略是由一系列上文讨论过的工况组成，将工况转换点(xi,Mqi)做为基因，运行区间内所有工况转换点的集合做为染色体。本文采用实数编码。染色体结构如图3 所示，其中l为染色体长度。

图3 染色体结构

（2）种群初始化

根据线路情况和列车运行工况设置原则，随机生成原始工况转换点位置，初始种群规模为n。本文设置初始种群规模为100。

（3）适应值计算

列车节能优化的目标函数为minE，为方便计算，取目标函数的倒数为适应度值。适应度越高的染色体越接近理想求解。

（4）收敛条件

以是否达到最大进化次数作为收敛条件，如果没有达到条件，则继续进化，否则退出。本文设置最大进化代数为200。

2.2 自适应遗传进化算子

采用轮盘赌法选择染色体以保证在进化过程中适应度较大的个体有较大的概率，进入下一代种群。

2.2.1 改进交叉算子

通常，在算法初期普遍种群适应度值较低，染色体质量较差，后期染色体适应度值和质量都会相应提升，因此，考虑将普通遗传算法中交叉算子的概率改变为随着迭代次数变化的动态值：

其中，m表示当前进化代数；M为总进化代数；Pc,max，Pc,min分别是预先设定的最大交叉概率和最小交叉概率。交叉概率随着进化代数的增加而变小，以便初期能够得到更多的新染色体，增大解空间，提高算法全局搜索能力，后期交叉概率相应减小，保证算法稳定收敛。

2.2.2 改进变异算子

实际运行中，一般加速转匀速的工况转换点不会轻易变化，只有(x2,x3,x7,x8)这类工况转换位置可以改变，而传统的变异算子随机性过强，无法保留上一代进化过程中的重要信息，因此针对这类关键基因点，考虑引入3 代评价函数来逼近搜索，得到最佳值。如图4 所示。

图4 列车转换点示意

具体操作为，记录下每个关键转换点的更新方向，称为标志位，以及更新后的适应度值。标志位前进为1，后退为-1，若当前标志位连续3 代适应度值都增加，则继续在该方向上搜索；若3 代中连续2代适应度值减小，则更新标志位方向，即从第1 代开始的位置反方向变异搜索。其他变异规则如表1 所示。

表1 3 代逼近搜索规则

变异算子通过选择染色体中某个基因进行变异，以增强算法的局部搜索能力，提高种群的多样性，防止出现早熟现象。变异概率应随着迭代次数增多而趋小，且适应度较好的个体变异概率也应较小，以保留优良特性，适应度较低个体的变异概率应较大。

其中，fitnessmax为当前种群最大适应度；fitness(Xi)为当前个体的适应度值；Pb,max为预设的最大变异概率；Pb,min为预设的最小变异概率；α为系数调节因子。

2.2.3 改进逆转算子

传统遗传算法易陷入局部搜索，且传统交叉算子的随机性易使父代的优秀基因在进化过程中消失。本文结合上述引导机制，为增大解空间，考虑引入逆转算子[14]，经逆转操作后，适应度值变大的种群参与下一代进化，适应度趋近或更低的种群则舍弃。算法初期，整体种群适应度较差，多样性较低，逆转概率可以稍大，以增大解空间；算法后期，整体适应度较高，此时逆转操作的概率应当较低以保留优良个体。逆转概率设置如下：

其中，Pr,max为预设的最大逆转概率；Pr,min为预设的最小逆转概率；β为系数调节因子。

考虑本文所设置的染色体情况，进行逆转操作时，需要对染色体进行如下处理，工况转换点中运行工况应与逆转前和其位置最相近点的工况保持一致，以防过多不可行解的出现。

3 仿真实例

为验证本文算法的有效性，选定运行线路为合福高铁（合肥—福州）中，合肥至无为的线路，仿真车型为CRH380B。列车共8 节编组，线路总长度100.59 km，限速300 km/h，在66～68 km 路段限速250 km/h，图定运行时间为1 424 s。列车参数如表2所示。列车牵引制动曲线如图5 所示。