高速铁路多列车运行态势推演方法
2025-06-25 17:07阅读：
引用本文
王荣笙,
袁志明, 闫璐, 吕宜生, 丁舒忻. 高速铁路多列车运行态势推演方法.
自动化学报, 2025, 51(5):
1067−1079 doi:
10.16383/j.aas.c240623
Wang Rong-Sheng, Yuan Zhi-Ming, Yan Lu,
Lv Yi-Sheng, Ding Shu-Xin. Deductive approach of multi-train
operation situation for high-speed railway. Acta Automatica Sinica,
2025, 51(5): 1067−1079 doi: 10.16383/j.aas.c240623
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c240623
关键词
高速铁路，多列车运行态势，列车运行调整，列车速度曲线优化，高速铁路调度控制一体化
摘要
多列车运行态势是列车调度员和司机分别调整运行图和列车驾驶策略的关键信息和重要依据, 表征各列车在未来运行各位置处的速度、加速度、通过时刻等信息. 然而, 由于高铁信号系统的交互信息利用率较低,
列车调度员和司机只能凭经验推演多列车运行态势, 基于此给出的运行图和列车驾驶策略的自动化程度较低,
影响铁路运营效率.
为此, 针对多列车运行态势推演问题, 构建多列车运行态势推演系统架构及模型.
以单列车运行态势的离线推演和在线推演方法为基础, 提出多列车运行态势微观推演方法,
以及基于虚拟编队模式的多列车运行态势宏观实时推演方法. 仿真结果表明, 微观推演方法能在 420 s 内计算多列车超速防护曲线和运行图调整的安全下界.
宏观推演方法针对任意临时限速场景, 都能在 7 s 内为列车调度员和司机分别实时提供列车运行调整方案和辅助驾驶策略, 有效降低铁路人员的工作强度, 提升高铁运营效率和应急处置能力.
文章导读
作为高铁系统的大脑和神经中枢[1−2], 调度指挥系统和列控系统(Chinese train control
system, CTCS)相互协作, 负责指挥、监督和控制列车的安全有序运行.
以日班计划为蓝本,
列车调度员通过调度指挥系统获取车、机、工、电、辆等现场动态演变信息, 凭经验调整运行图. 司机根据列车调度员下达的列车运行调整方案,
在列控系统计算速度控制曲线的约束下, 凭经验调整列车驾驶策略. 列车调度员和司机相互沟通协作, 保证列车安全高效运行. 其中, 多列车运行态势是用于列车运行调整方案和列车驾驶策略决策的关键信息.
多列车运行态势信息是指在多列车追踪条件下, 列车在未来运行各位置处的通过时刻、加速度、速度和牵引能耗等[3]. 根据多列车运行态势信息可直接预测列车实际区间的运行时间, 以及列车在未来停站车站的到站时刻,
并根据多列车运行态势信息中位置、速度和通过时刻的变量组合, 制定最终的列车运行决策方案, 包括列车运行调整方案和列车驾驶策略,
后者也可通过列车目标速度曲线的形式进行表征. 当出现极端天气、异物侵限和线路设备故障等突发事件时,
列车调度员需要及时下达区域临时限速或者区域封锁的调度命令. 此时, 列车调度员和司机均需要根据多维强耦合、非线性时变的设备在途信息, 尽可能准确地预测未来的多列车运行态势.
然而, 一方面, 列车调度员和司机疲于应对实时突发的设备在途信息,
只能粗略推演多列车运行态势和预测列车在短时间内的连带晚点[4], 导致最终的列车运行决策方案缺乏一定的科学合理性.
另一方面,
目前的列车运行调整方案和列车驾驶策略仍以人工经验的被动式调整方法为主,
尚未利用调度指挥系统和列控系统的交互信息主动推演多列车运行态势, 列车运行决策方案的自动化程度有待提高.
因此, 有效利用高铁信号系统的交互信息,
研究多列车运行态势推演方法,
提高列车运行决策方案的自动化和数字化程度, 对于提升高铁运营效率和推进智能高铁建设具有重要意义.
多列车运行态势推演的难点在于: 在考虑每列列车准点、舒适、节能等指标的条件下[5−8], 如何能安全合理地保持多列车追踪距离和多列车追踪间隔时间, 同时保证多列车运行态势信息推演的可行性和实时性.
国内外学者针对多列车运行态势推演问题, 通常采用最优控制[9−12]、运筹学模型[13−14]等理论方法, 计算各列车在运行各位置处的速度、通过时刻等信息.
例如,
Ye等[9]和文献[10−12]构建多相位最优控制模型, 采用伪谱法求解多列车运行态势信息,
实现时刻表的节能优化调整.
Luan等[13−14]基于闭塞时间模型建立混合整数非线性规划模型,
通过线性化方法求解各列车在各闭塞分区的运行态势信息, 优化生成节能运行图. Rao等[15−16]调整后行追踪列车运行态势, 尽可能避免不必要的制动和停车, 达到减少列车延误和降低牵引能耗的效果.
蔡伯根等[17]、上官伟等[18]和宋鸿宇等[19]针对移动闭塞制式下的多列车运行态势推演问题,
采用弹性调整策略或者列车编队方式, 提升线路运能, 减小列车延误和降低列车牵引能耗.
针对相邻两列车在车站的多列车运行态势推演问题[20−21], 彭其渊等[22]、鲁工圆等[23]采用区间速度控制的方法压缩到站间隔时间,
提升车站的接车作业效率及通过能力. 最新研究方面, 部分学者采用深度学习、强化学习等人工智能方法,
实现多列车运行态势的在线推演.
Wang等[24]结合深度学习和后退步控制方法, 提出多列车运行态势的优化与跟踪控制策略,
有效平衡节能与准点到达的需求.
Wang等[25]提出节能最大熵深度强化学习的多列车运行态势求解方法,
通过在北京亦庄线验证了所提出方法能有效降低列车牵引能耗和提升乘客舒适度. Zhang 等[26]针对现有深度强化学习方法的奖励函数设计、动作选择等难点, 提出基于边界约束和预评估强化学习的多列车运行态势推演方法, 提升奖励函数表征的准确率和智能体学习的效率.
针对多列车运行态势推演问题, 现有理论方法距离实际应用始终存在一定差距,
主要有以下三个原因: 1)
多列车运行态势推演问题本身存在多层次、强耦合、非线性的列车运行时空约束, 模型构建难度较大; 2) 构建的多列车运行态势模型通常采用线性化方法处理约束[13−14], 能从本质上揭示多列车运行态势机理,
但求解难度较大且难以保证应用的实时性;
3) 现有理论方法难以提取高铁信号系统的关键交互信息, 求解的列车运行决策方案难以应用到高铁实际运营.
因此, 本文针对现有理论方法求解多列车运行态势信息存在的局限性, 采取数据驱动的方式, 提取、解耦和挖掘高铁信号系统的关键交互信息,
提出多列车运行态势推演系统架构、模型及推演方法, 分别为列车调度员和司机计算实时性更强、推演精度更准确、方案可行性更强的列车运行调整方案和列车驾驶策略,
减轻列车调度员和司机的工作强度,
提升高铁运营效率和应急处置能力.
本文主要创新点如下: 1) 与现有理论方法求解问题的思路有所差异,
所提方法首先提取和挖掘实际高铁信号系统的关键信息, 解耦强耦合、非线性的列车运行时空约束,
构建应用可行性更高的多列车运行态势推演的系统架构和模型; 2) 分析多列车运行安全紧追踪条件和区域临时限速对多列车运行态势的影响机理
