论文部分内容阅读
地铁以其准时、安全、舒适、环保和运量大等优点在城市公共交通中占据着不可替代的地位。现如今,地铁路网的加速建设和出行需求的日益增长使得运营企业的能源消耗和运营成本不断增长,列车牵引能耗占运营总能耗的绝大组成部分,所以如何有效地降低列车牵引能耗是降低运营总能耗的关键,也是节省运营成本的有力措施。精准高效地预测地铁列车牵引能耗有助于企业有序地编制运营组织模式,更能合理地评价用能效率,进而减少牵引能耗、节省企业成本;再者,优化列车节能时刻表也是降低运营能耗和运营成本的有效手段,列车时刻表作为运营调度工作的重要指南,其在区间的运行时间、运行速度与列车操纵模式密切相关,所以优化列车运行速度和能耗进而可以优化节能的列车时刻表。本文针对数据驱动的地铁列车节能时刻表优化问题,分析地铁能耗影响因素、节能原则与措施,基于线路实际运营数据,运用机器学习技术和优化建模两种方法,从地铁运能评估和节能时刻表优化两个方面提出节能有效策略。详细地,本文的主要贡献有:(1)构建基于机器学习的列车牵引能耗预测模型。地铁能耗影响因素繁多,传统的仿真或数学回归方法对能耗影响因素考虑不全面或者难以保证预测效果。鉴于此,提出基于机器学习的列车牵引能耗预测方法,运用支持向量回归(SVR)和随机森林回归(RFR)两种机器学习方法建立能耗预测模型。选取6种能耗影响因素,分别从单个因素和多个因素对能耗的影响机理进行数据可视化分析;遍历寻求两个模型的最优参数组合,以北京地铁昌平线运营数据为例进行验证,结果表明,SVR和RFR都有较高的预测精度。最后,用RFR模型对选取的6种影响因素进行了因素的重要度排序,为运输企业用能评估、节能策略提出有力侧重和参考。(2)构建能耗和运营成本最小化的节能时刻表模型。考虑乘客质量和列车运行速度对牵引能耗的影响,以列车的运行速度、发车频率、列车容量等为约束条件,建立了选择合理速度曲线的0-1混合整数非线性规划(MINLP)的节能时刻表模型。为便于求解,设计了与模型相适应的线性化方法,将非线性的目标函数和部分约束条件处理为混合整数线性化模型(MILP)。从运输企业运营成本角度考虑,又建立了考虑成本的节能时刻表模型。以北京地铁昌平线实际运行数据和AFC系统数据为例,运用成熟优化求解器Gurobi对两个模型进行验证,结果表明,考虑能耗的节能时刻表模型比最大能耗节省35%的能耗,考虑成本的节能时刻表模型比最大成本节省6.6%的成本,还减少了列车开行对数和乘客旅行时间。