Оперативное нормирование энергоресурсов на тягу поездов с использованием метода искусственных нейронных сетей

Задача ресурсосбережения является актуальной для всех транспортных компаний, и поисками путей её решения занимаются многие мировые сообщества учёных и инженеров. Мировые железнодорожные компании и особенно такие крупные, как «Российские железные дороги», являются большими потребителями энергоресурсов, поэтому экономия этих ресурсов – целевая задача при снижении операционных затрат. Одним из способов достижения поставленной цели может быть применение системы оптимального нормирования энергии на тягу каждого поезда – система оперативного нормирования. Этот способ основывается на моделировании процесса движения за счёт применения метода теории оптимального управления – динамического программирования. В современных условиях развития техники и технологий стала возможна разработка таких систем оперативного нормирования, наделённых важными свой ствами: высокая производительность, многозадачность, точность решения, простота использования и обслуживания. Эти требования накладывают определённые ограничения на архитектуру системы оперативного нормирования. Типовая архитектура системы должна строиться вокруг централизованного узла, который будет выступать в роли решателя и хранилища, узлы для ввода и вывода информации могут быть географически разделены. Метод динамического программирования может быть усовершенствован за счёт использования его в процессе обучения искусственных нейросетей, которые будут формировать не только априорные оценки расхода энергии на тягу, но и апостериорную оценку управления поездом (машинистом или системой автоведения). Также использование искусственных нейросетей позволит непрерывно совершенствовать метод за счёт обучения на накопленном объёме данных реальных поездок, что позволит уточнять нормы расхода энергоресурсов и в дальнейшем качественно планировать затраты. Прототип системы оперативного нормирования разработан на кафедре «Тяговый подвижной состав» Российской открытой академии транспорта Российского университета транспорта, и полученные на нём результаты позволяют утверждать, что выбранный подход к решению проблемы энергосбережения выбран верно.

транспорт, железная дорога, тяговые расчёты, оптимизация тяговых расчётов, нормирование расходов энергоресурсов на тягу поездов, искусственные нейронные сети, автоматические системы управления транспортными средствами, тяговые свой ства локомотива, регулирования сил тяги и торможения

1. Энергетическая стратегия холдинга «Российские железные дороги» на период до 2025 года и на перспективу до 2030 года. [Электронный ресурс]: http://www.rzd-expo.ru/innovation/resource_saving/energeticheskay_efektivnost/enstrat2030.pdf. Доступ 19.12.2019.

2. Huang, Jin; Deng, Yangdong; Yang, Qinwen; Sun, Jiaguang. An Energy- Efficient Train Control Framework for Smart Railway Transportation. IEEE Transactions on Computers, 2015, Vol. 65, Iss. 5, pp. 1407–1417. DOI: 10.1109/TC.2015.2500565.

3. Cismaru, D. C., Drighiciu, M. A., Nicola, D. A. SIMULINK Model for Study of Energy Efficient Train Control. Proceedings 12th International Conference on Applied and Theoretical Electricity, 2014. DOI: 10.1109/ICATE.2014.6972685.

4. Miyatake, M., Ko, H. Optimization of Train Speed Profile for Minimum Energy Consumption. IEEJ Transactions on Electrical and Electronic Engineering, May 2010, Vol. 5, Iss. 3, pp. 263–269. DOI: 10.1002/tee.20528.

5. Lu, Shaofeng; Hillmansen, S.; Ho, Tin; Roberts, C. Single- Train Trajectory Optimization. IEEE Transactions on Intelligent Transportation Systems, Junе 2013, Vol. 14, Iss. 2, pp. 743–750. DOI: 10.1109/TITS.2012.2234118.

6. Su, Shuai; Tang, Tao; Roberts, C. A Cooperative Train Control Model for Energy Saving. IEEE Transactions on Intelligent Transportation Systems, April 2015, Vol. 16, Iss. 2, pp. 622–631. DOI: 10.1109/ICIRT.2013.6696259.

7. Yang, Li; Lidén, T.; Leander, P. Achieving energyefficiency and on-time performance with Driver Advisory Systems. IEEE International Conference on Intelligent Rail Transportation Proceedings, August 2013, pp. 13–18. DOI: 10.1109/ICIRT.2013.6696260.

8. Истомин С. Г. Определение непроизводительных потерь электроэнергии электроподвижным составом с использованием бортовых информационноизмерительных комплексов учёта электроэнергии // Вестник РГУПС. – Ростов-на- Дону. – 2015. – № 2 (58). – С. 19–24.

9. Мугинштейн Л. А. Современная методология технического нормирования расхода топливноэнергетических ресурсов локомотивами на тягу поездов. – М.: ВМГ-Принт, 2014. – 144 с.

10. Черемисин В. Т., Ушаков С. Ю., Истомин С. Г. Контроль нерационального использования электрической энергии на тягу поездов с применением бортовых информационно-измерительных комплексов учёта электроэнергии // Известия Транссиба. – 2015. – № 1 (21). – С. 69–74.

11. Юренко К. И. Принцип максимума Л. С. Понтрягина в задаче оптимального управления движением поезда // Вестник ВЭлНИИ. – 2018. – № 1–2(79). – C. 147–161.

12. Юренко К. И. Расчёт энергооптимальных режимов движения перспективного подвижного состава методом динамического программирования // Известия вузов. Электромеханика. – 2013. – № 3. – С. 78–82.

13. Юренко К. И., Фандеев Е. И. Принципы построения и имитационное моделирование систем автоведения электроподвижного состава // Известия ЮФУ. Технические науки. – 2016. – №08. – С. 88–102.

14. Правила тяговых расчётов для поездной работы. Нормативное производственно-практическое издание. Утверждены распоряжением ОАО «РЖД» № 867р от 12.05.2016 г. – М.: ОАО «РЖД», 2016. – 515 с.

15. Капустин М. Ю., Малахов С. В. К вопросу об унификации и стандартизации локомотивных микропроцессорных систем // Локомотивы. Электрический транспорт. XXI век: Т. 2: Материалы VI Международной научно-техн. конференции, Санкт-Петербург, 13–15 ноября 2018 г. – СПб.: ПГУПС, 2018. – С. 67–74.