基于目标速度约束的节能列车运行控制优化策略（2023年数维杯B题）

我们今年参加了数维杯b题，第一次参加，结果已经出来了，是二等奖。
参赛心得：
1.以前做的都是偏数据挖掘的题，但是研究生组只能做仿真这一块，所以也是第一次上手，看了不少的参考文献。基本上分工就是建模，写代码和写论文这三个部分。
2.我们组的情况是三个人什么都会一点，上午还有课，下午两点多才开始，五点左右确定的选题，时间还是比较紧的。由于时间的关系，我们就交叉着来。我主要负责的是论文的整体把握。写作的同学需要参与到建模中了解全过程，后续也需要分配大家帮助你写作（有些细节可能代码或者建模的人会更清楚）。大家在商量第一题的时候我就开始记录和写作了。然后第三题就是由负责写代码和建模的人主写。另外建模部分第二题和第三题是我建模的，代码部分我只写了第二题，我比较了解的第二题就是我全程自己写。最后我来做整体的修改以及细化。大家分工还是比较明确，感谢队友一起通宵哈哈哈哈。
3.写作全程用的latex，工具是 overleaf，可以和队友在线协同编辑。第一次用，还是很好上手的。

分享一下解题思路，直接放截图。

1 要解决的具体问题

1. 问题一：模拟一辆列车在水平轨道上从站台 A 运行至站台 B 的运行过程，获得列车到达站台 B 的最短时间。对列车的运行速度进行调整，得到在最短时间的基础上分别增加 10s、20s、50s、150s、300s 到达站台B 时的曲线（速度-距离曲线、牵引制动力-距离曲线、时间-距离曲线以及能量消耗-距离曲线）。最后，计算编写程序所需的运行时间。
2. 问题二：在问题一的基础上，综合考虑列车运行路段中坡度的变化、限度变化情况以及电机牵引/制动动态特性。设计优化方案得到能耗最低时列车的运行轨迹，并获取列车以最短时间到达站台 B、在最短运行时间上分别增加 10s、20s、50s、150s、300s 到达站台 B 总共六组曲线（速度-距离曲线、牵引制动力-距离曲线、时间-距离曲线以及能量消耗-距离曲线）。
3. 问题三：为了应对突发状况，设计列车发生突发情况时的运行过程的曲线图（速度-距离曲线、牵引制动力-距离曲线、时间-距离曲线与能量消耗-距离曲线），使得列车可以在沿时 60 秒到站的情况下，通过优化方案来同时保证耗能最小和调整速度最快 。

2 问题分析

2.1 问题一的分析

给定列车的质量、旋转部件的惯性质量因数、电机的最大牵引力、机械制动部件的最大制动力、运行速度上限和所受阻力的情况下，通过编写程序模拟一辆列车在水平轨道上从站台 A 运行至站台 B 的运行过程。需完成以下步骤：

1. 将列车运动分为三个阶段，通过列车的动力学方程和阻力方程分别建立列车运动模型，包括列车受力分析、加速度计算和运动方程的推导。
2. 通过欧拉法求解微分方程获得列车在运行过程中的速度-距离曲线、牵引制动力-距离曲线、时间-距离曲线以及能量消耗-距离曲线。
3. 利用单目标优化求解列车运行时间的最小值，建立列车运行速度调整模型得到不同时间的运行曲线。
4. 计算模型的运行时长。

2.2 问题二的分析

考虑路况信息以及电机的复杂动态过程，建立列车运动模型在给定时间下调整列车工况或者状态下的能量消耗。其思想是，在求出最短运行时间后，在运行时间的基础上增加一定的时间段得到给定的时间。主要体现在调整给定时间得到在最优求解过程中时间和能量消耗的不同占比，通过综合考量达到时间和能量消耗的最优平衡点。

2.3 问题三的分析

本问题的目标是通过优化参数，使得列车在给定时间限制下的运行时间和能耗最小化。根据问题描述，我们将整个运行过程分为两个阶段：第一个阶段是列车从起点出发到离起点 2000 米处，第二个阶段是列车从离起点2000 米处到终点。在每个阶段中，根据列车速度和阻力的变化，我们需要根据不同的工况（牵引、惰行、制动）来确定牵引力或制动力的大小。为了解决这个问题，我们可以采用差分进化算法，来找到使得运行时间和能耗最小的参数组合 。这些参数包括两个阶段的牵引速度阈值和制动速度阈值。通过不断优化这些参数，我们可以使得列车在给定时间限制下以最小的能耗完成运行 。

第三四部分为模型假设和符号说明，这里略。

5 模型的建立与求解

5.1 问题一的模型建立和求解

5.1.1 单质点列车受力模型分析

单质点列车受力模型将地铁列为单个质点，在对地铁列车进行受力分析时，简单的将所有力作用在一个质点上 ，如图所示为单质点列车在水平轨道上运行时的受力模型。

5.1.2 列车运行状态分析

5.1.3 列车运动方程的建立

5.1.4 模型求解

根据 5.1.2 和 5.1.3 的公式，通过 python 分别得到问题 1 的结果，其步骤如下：

1. 初始化参数：AB 站的距离、最大速度、列车的质量、最大牵引力、最大制动力和列车旋转部件惯性的旋转质量因数。

2. 通过欧拉法将运动过程离散化，将时间区间分成若干个小时间步长，每个间步长内，根据公式（13）（14）（15），可以通过计算合力加速度来更新物体的速度和位置。这里，每个时间步长的长度是 △t。

3. 为了得到列车运行的最短的时间，在牵引状态中，将物体受到的牵引力等于最大牵引力，而制动力为 0。在速度达到最大后，列车进入制动状态，物体受到的制动力等于最大制动力，而牵引力为 0。通过预测牵引状态和制动状态行驶的距离预测出惰性状态中列车行驶的距离。在惰性过程中，物体受到的合力等于阻力。在迭代的过程中，分别记录下列车的输出时间和速度-距离、牵引力-距离、制动力-距离以及能量消耗-距离曲线

4. 为了得到不同时间下的列车运行状态曲线，本文建立列车运行速度调整模型。该模型采用了三种单目标策略，第一种是设置可变牵引力，第二种是设置可变制动力，第三种是调整惰行状态下的目标速度。分别通过三种方案得到最终的结果。

5.1.5 模型的结果

图 5-2 是通过调整惰行状态下的目标速度得到不同时间下的列车运行状态曲线图。在列车运行的最短时间约为 197.09s。运行时间最少的情况下能量消耗是最大的，而当运行时间为 300s 时，能量消耗最小。这是因为目标速度越大，列车在同一时间内跑的距离越大，因此能量消耗最大。程序运行时间17.11s。

图 5-3 是通过调整牵引状态的最大制动力得到不同时间下的列车运行状态曲线图。当时间到达 50s 时，牵引力为 0 的情况下，由于阻力的作用，列车已经停站了。因此，这里只展现了额外时间分别为 0s，10s，20s 的曲线。同样，当时间达到 20s 时，能量消耗最小。程序的运行时间约为 22.66s。

5.2 问题二的模型建立和求解

5.2.1 单质点列车的受力分析

5.2.2 基于目标速度的控制策略

这个部分我们参考了一篇文章，它当时设置了4个k值，我们因为时间的关系就改成了两个k值。

5.2.3 列车运动方程的建立

5.2.4 模型求解

5.2.5 模型结果

50 和150的略。

5.3 问题三的模型建立和求解

5.3.1 模型建立和求解方法

问题三的建模参照问题二，只在参数的优化上有调整。列车受力分析
和运行状态这里不再赘述。

5.3.2 模型结果

六、误差分析

1、外部环境变化误差：列车运行受到多种外部因素的影响，如较高的风速会对列车施加额外的气动阻力，使列车所需的牵引力增加，或者在制动状态下需要更多的制动力才能保持目标速度或限速。列车与铁轨之间的摩擦力对于列车的加速、减速和保持速度至关重要。如果摩擦力较低，列车在惰行或制动状态下可能需要更长的时间和距离才能达到目标速度或限速。同样地，较高的摩擦力可能导致列车速度下降缓慢，或者在惰行状态下速度仍然上升。

2、模型简化误差：为了实现模型的简化和实用性，该思路中可能对列车运行过程进行了一定的简化和近似处理。这些简化可能导致对列车受力和运行状态的描述不够准确，从而影响运行控制策略的实际效果。

3、系统响应误差：实际列车和运行控制系统的响应时间也会对运行控制的准确性产生影响。例如列车的牵引力的改变和制动力的改变并不是在理想条件下的瞬时间的改变，在微观世界这是一个缓慢改变的过程，该过程会对列车的运行轨迹产生影响。
（补充一点：我们的代码使用的是python，然后发现不同的硬件条件下的结果也有略微的差别，感觉python的精度好像不如matlab，仿真建模这一块还是用matlab比较好）

参考文献

[1] 行业标准-铁道 (CN-TB). 1998-10-15. TB/T 1407-1998. 列车牵引计算规程 [S], 1998．

[2] Howlett P G, Pudney P J. Energy- efficient train control [M]. Springer,1995.

[3] 林立. 应急条件下区域城际列车开行方案研究 [D]. 兰州交通大学,2019.DOI:10.27205/d.cnki.gltec.2019.000065.

[4] 田 小 鹏, 牛 惠 民, 柴 和 天 等. 考 虑 高 低 速 列 车 灵 活 混 行 和 停站 的 运 行 图 优 化 [J/OL]. 铁 道 科 学 与 工 程 学 报:1-11[2023-05-
15].https://doi.org/10.19713/j.cnki.43-1423/u.T20230005.

[5] 兰红勇. 基于集成学习的重载列车辅助驾驶策略生成与优化研究 [D].
北京交通大学,2022.DOI:10.26944/d.cnki.gbfju.2022.000442.

[6] 王荣笙, 张琦, 闫璐等. 区域临时限速下列车运行态势在线推演研究[J]. 铁道运输与经济,2022,44(07):127-132.DOI:10.16668/j.cnki.issn.1003-
1421.2022.07.19.

[7] 许峰. 面向列车运行调整优化的高铁运行仿真系统研究 [D]. 北京交通大学,2022.DOI:10.26944/d.cnki.gbfju.2022.001002.

[8] Pellegrini P, Pesenti R, Rodriguez J. Efficient train re-routing and rescheduling: Valid inequalities and reformulation of RECIFE-MILP[J]. Transportation Research Part B: Methodological, 2019, 120(FEB.):33-48.

[9] 俞胜平, 韩忻辰, 袁志明, 崔东亮. 基于策略梯度强化学习的高铁列车动态调度方法 [J]. 控制与决策,2021,1(1):2-5.

[10] Ke L, Meng J. Network Scheduling Model of Cloud Computing based on
Particle Swarm Optimization Algorithm[J]. international journal of grid and
distributed computing, 2015,8(4):74- 78.