原文传递
基于深度强化学习的城市轨道交通列车节能优化研究
| 论文题名： | 基于深度强化学习的城市轨道交通列车节能优化研究 |
| 关键词： | 城市轨道交通;列车牵引;能耗计算;深度强化学习 |
| 摘要： | 本文针对城市轨道交通列车牵引能耗计算问题，建立了基于深度学习的列车牵引能耗计算模型；针对列车牵引节能问题，设计了基于深度强化学习的列车区间运行时间优化方法。 论文的主要研究内容如下： （1）研究 ATO 系统，分析其工作原理和性能指标；阐述了列车属性、线路属性、驾驶策略、环境因素对列车运行能耗造成的影响，并分析了如何从这些因素的角度降低列车运行能耗。 （2）建立了基于深度学习的列车牵引能耗计算模型，通过对列车运行能耗影响因素的分析，选定了线路属性中的坡度、弯道曲率半径、驾驶策略中的列车速度和加速度，以此设计了输入向量。根据牵引能耗计算问题的特点，对模型的拓扑结构和相关参数进行了设计，对样本进行了归一化处理。使用实测的列车运行数据训练模型，实现了列车牵引功率曲线的拟合与能耗的计算，误差小于 3%，并在此基础上研究了列车各区间运行时间和牵引能耗之间的定量关系。 （3）综合考虑了轨道交通运营公司的运营成本和乘客的乘车体验，从列车牵引能耗、乘客平均乘车时间、列车到达换乘站的准时程度三个方面，设计了目标函数，通过对时刻表中的列车区间运行时间进行调节以实现节能优化。将列车全线运行过程视为整体，对问题进行马尔可夫决策过程建模，针对该模型下智能体每次需要同时在增加运行时间的区间、减少运行时间的区间这两个动作空间中选择动作这一特点，设计了双输出分支网络以及双分支版本的 DQN、VPG、A2C、PPO 强化学习算法。最后使用以上算法，基于实际地铁线路进行了优化实验，其中PPO的收敛速度最快，且优化结果最好，在乘客平均乘车时间降低、列车准时到达换乘站的同时，上下行方向的节能率分别为5.92%、6.39%，验证了模型和算法的有效性。 （4）针对上述模型，对城市轨道交通仿真优化软件进行了需求分析、框架设计和功能模块设计，并使用Python语言和PySide2框架进行了开发。 |
| 作者： | 吴承泽 |
| 专业： | 电气工程 |
| 导师： | 胡文斌 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京理工大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
