考虑银杉蓄电池寿命的储能电车多性向目标在线驾驶策略优化
发布时间：2026-06-26 17:27:49 点击： 次
与传统架空接触网或第三轨供电办法比较，装备锂离子电池的储能式有轨电车因其轨道敷设灵敏、再生制动能量利用率高级优势得以快速开展。但是，该车型或许面对昂扬的锂离子电池运维本钱及再生制动能量办理难题。电池因为退化导致的替换本钱电池因而，本文提出一种多性向优化办法用于有轨电车驾驭战略，以下降运转能耗并延伸电池寿数。该办法将优化问题描绘为二阶锥规划（SOCP），并选用内点快速求解算法，然后实时获取理论最优速度轨道。这一特性使得该办法可以在线应用。为验证所提办法的有用性和鲁棒性，咱们在实践运转工况下进行模仿。模仿结果表明：相较于单一节能方针的优化办法，所提出的多性向优化办法可将电池寿数延伸40%，然后使全生命周期总本钱下降6.54%。此外，这种在线优化驾驭战略办法能有用应对有轨电车实践运转中的突发状况，确保运营安全、准点到站和精确停车。最终经过硬件在环（HIL）测验进一步验证了所提办法的有用性。
优化列车速度曲线的首要办法包含解析法、数学规划法、智能优化算法[3]以及根据强化学习(RL)的办法。解析法一般根据最优操控理论，选用庞特里亚金极大值原理求解问题[4,5]。该办法可在简略线路上快速取得最优解，但在处理含限速区段及线路斜度频频改变的复杂线路时存在求解困难[2]。数学规划办法经过将最优驾驭战略问题表述为数学问题，有用应对这一复杂情境。因而部分学者选用数学规划办法处理速度轨道优化问题。这些办法包含动态规划（DP）[6][7]、二次规划（QP）[8]、序列二次规划（SQP）[9]、混合整数线性规划（MILP）[10][11]以及伪谱法[[12][13][14]]。动态规划（DP）将生态驾驭问题表述为一个多阶段决策进程，该办法能确保取得大局最优解[15]。但是，该算法或许面对维度灾祸问题，即其核算时刻会跟着维度的添加呈指数级添加[16,17]。Wang等[10]对比了混合整数线性规划（MILP）办法与伪谱法的功能。结果表明：伪谱法尽管核算耗时较长，但能完成更高的节能率；比较之下，MILP办法节能率较低，但核算时刻更短。此外，各类智能优化算法已得到广泛开展，包含粒子群算法（PSO）[18]、遗传算法（GA）[19]和蚁群算法（ACO）[20]。运用这些算法处理有轨电车驾驭战略问题无需进行数学改换或模型简化，具有操作便捷、求解速度快的特点。但是受算法固有特性限制[3]，此类办法无法确保解的大局最优性与收敛性。自问世以来，强化学习已明显提高机器人操控与车辆自动驾驭功能。其中，深度强化学习（DRL）已成为混合动力车辆生态驾驭[21]及智能能量办理战略[[22], [23], [24]]规划的核心办法。现有生态驾驭DRL研讨首要在车辆巡航形式或多车跟驰形式下进行，因而仅适用于特定车辆行驶场景，无法满意轨道交通全工况运转需求。
上述文献均根据固定运转参数的有轨电车速度轨道离线优化。要完成在线应用，有轨电车ATO体系需存储离线优化的速度轨道。但实践运营中或许存在时刻表调整、线路暂时限速等工况改变[18]，此刻若ATO仍按离线确定的参阅轨道运转，将难以确保电车的可驾驭性。因而，有轨电车节能驾驭需求选用能在线更新速度轨道的优化办法。
钟等人[25]提出了一种模型猜测操控（MPC）办法，经过移动猜测窗口在线求解最优速度轨道。该办法的施行需求一条参阅速度轨道进行盯梢。但是，此处运用的参阅轨道未考虑外部扰动，仅根据离线获取的参阅轨道，这或许导致能量效率的损失。为处理这一问题，Farooqi等人[26]提出了一种收缩时域模型猜测操控（SHMPC）。该操控器无需依靠参阅轨道。相反，该体系会核算从当时方位到结尾方位的有轨电车速度序列。跟着列车挨近结尾站，这一核算进程会以递减的猜测周期重复进行。尽管初始阶段因猜测规模较长仍存在较高核算量，但其随时刻推移逐渐下降。为减轻核算担负，Yazhemsky等人[27]将有轨电车最优操控问题构建为凸二阶锥规划问题，然后完成实时求解。Zhuang等人[28]将地铁节能驾驭问题构建为凸优化问题，并提出序列二次规划(SQP)算法，完成在线求解凸规划。值得注意的是，问题表述的凸性确保了处理方案的大局最优性。因而，应用凸规划办法完成有轨电车节能驾驭的在线优化是一种高效且鲁棒的办法。
但是，当时大都节能驾驭战略仅着眼于下降能耗或满意准点到达约束，在生成速度轨道时并未考虑电池寿数要素。为此，本文提出一种考虑电池寿数的有轨电车在线节能驾驭办法，其首要奉献可概括如下：
引言
现代有轨电车体系是城市公共交通的重要组成部分，近年来在全球规模内得到了明显开展。储能式有轨电车凭仗安全性高、本钱低及与城市景象协调性好等优势，逐渐成为缓解公共交通压力的重要手段。跟着有轨电车运用率的提高，其体系运转能耗也随之添加。因而，完成节能降耗对有轨电车运营至关重要。优化有轨电车速度曲线（即节能驾驭[1,2]）是一种行之有用的处理方案。节能驾驭指依据车辆功能、线路环境等要素优化速度曲线，然后确保列车安全、平稳、高效地运转。优化列车速度曲线的首要办法包含解析法、数学规划法、智能优化算法[3]以及根据强化学习(RL)的办法。解析法一般根据最优操控理论，选用庞特里亚金极大值原理求解问题[4,5]。该办法可在简略线路上快速取得最优解，但在处理含限速区段及线路斜度频频改变的复杂线路时存在求解困难[2]。数学规划办法经过将最优驾驭战略问题表述为数学问题，有用应对这一复杂情境。因而部分学者选用数学规划办法处理速度轨道优化问题。这些办法包含动态规划（DP）[6][7]、二次规划（QP）[8]、序列二次规划（SQP）[9]、混合整数线性规划（MILP）[10][11]以及伪谱法[[12][13][14]]。动态规划（DP）将生态驾驭问题表述为一个多阶段决策进程，该办法能确保取得大局最优解[15]。但是，该算法或许面对维度灾祸问题，即其核算时刻会跟着维度的添加呈指数级添加[16,17]。Wang等[10]对比了混合整数线性规划（MILP）办法与伪谱法的功能。结果表明：伪谱法尽管核算耗时较长，但能完成更高的节能率；比较之下，MILP办法节能率较低，但核算时刻更短。此外，各类智能优化算法已得到广泛开展，包含粒子群算法（PSO）[18]、遗传算法（GA）[19]和蚁群算法（ACO）[20]。运用这些算法处理有轨电车驾驭战略问题无需进行数学改换或模型简化，具有操作便捷、求解速度快的特点。但是受算法固有特性限制[3]，此类办法无法确保解的大局最优性与收敛性。自问世以来，强化学习已明显提高机器人操控与车辆自动驾驭功能。其中，深度强化学习（DRL）已成为混合动力车辆生态驾驭[21]及智能能量办理战略[[22], [23], [24]]规划的核心办法。现有生态驾驭DRL研讨首要在车辆巡航形式或多车跟驰形式下进行，因而仅适用于特定车辆行驶场景，无法满意轨道交通全工况运转需求。
上述文献均根据固定运转参数的有轨电车速度轨道离线优化。要完成在线应用，有轨电车ATO体系需存储离线优化的速度轨道。但实践运营中或许存在时刻表调整、线路暂时限速等工况改变[18]，此刻若ATO仍按离线确定的参阅轨道运转，将难以确保电车的可驾驭性。因而，有轨电车节能驾驭需求选用能在线更新速度轨道的优化办法。
钟等人[25]提出了一种模型猜测操控（MPC）办法，经过移动猜测窗口在线求解最优速度轨道。该办法的施行需求一条参阅速度轨道进行盯梢。但是，此处运用的参阅轨道未考虑外部扰动，仅根据离线获取的参阅轨道，这或许导致能量效率的损失。为处理这一问题，Farooqi等人[26]提出了一种收缩时域模型猜测操控（SHMPC）。该操控器无需依靠参阅轨道。相反，该体系会核算从当时方位到结尾方位的有轨电车速度序列。跟着列车挨近结尾站，这一核算进程会以递减的猜测周期重复进行。尽管初始阶段因猜测规模较长仍存在较高核算量，但其随时刻推移逐渐下降。为减轻核算担负，Yazhemsky等人[27]将有轨电车最优操控问题构建为凸二阶锥规划问题，然后完成实时求解。Zhuang等人[28]将地铁节能驾驭问题构建为凸优化问题，并提出序列二次规划(SQP)算法，完成在线求解凸规划。值得注意的是，问题表述的凸性确保了处理方案的大局最优性。因而，应用凸规划办法完成有轨电车节能驾驭的在线优化是一种高效且鲁棒的办法。
但是，当时大都节能驾驭战略仅着眼于下降能耗或满意准点到达约束，在生成速度轨道时并未考虑电池寿数要素。为此，本文提出一种考虑电池寿数的有轨电车在线节能驾驭办法，其首要奉献可概括如下：
- ♦
构建了有轨电车多性向优化驾驭战略模型，旨在下降运转能耗并延伸电池寿数。 - ♦
提出了二阶锥规划（SOCP）办法，该办法能经过老练的内部点算法快速获取理论最优解。 - ♦
与传统聚焦节能的优化比较，考虑电池寿数的多性向方针优化能有用提高电池运用寿数并明显下降替换本钱，一起仅轻微添加运转能耗。