基于数据的能源高效地铁时刻表优化方法，该方法考虑了运营中的各种偏差因素

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Data-driven optimization of energy-efficient metro timetables accounting for operational deviations

地铁时刻表优化中，实际与计划时刻表的偏差导致能源计算误差，本研究提出三阶段数据驱动框架：1）基于机器学习的实时停靠时间估计模型；2）基于历史能耗数据的实际能耗计算法；3）自适应大邻域搜索算法优化时刻表。实验显示模拟节能5.2%（5735kWh），实际应用节能3.04%（2646kWh）。

　　
城市轨道交通能源效率优化框架研究

1. 研究背景与问题
中国城市轨道交通能耗问题日益突出，2024年行业总能耗达270.23亿千瓦时，其中牵引能耗占比52.36%（约141.5亿千瓦时）。根据生态环境部碳排放系数（0.5366kg CO?/kWh），轨道交通年碳排放量达75.93亿吨，同比上升8.6%。现有能源优化研究多基于理想化时间表，而实际运营中普遍存在时间偏差：某地铁线实测数据显示，平均到发时间偏差达11-12.5秒，站停时间延长1.4秒，运行时间压缩1秒。这种系统性偏差导致理论优化方案与实际能耗存在显著差距，约为3-5个百分点。

2. 方法创新体系
研究构建三级协同优化框架：
（1）机器学习增强的动态仿真系统：采用深度神经网络建立站域停留时间预测模型，输入参数包括实时客流量、列车编组、站台拥挤度等12个特征变量。经验证，该模型对站停时间的预测误差控制在±2秒内，较传统回归模型精度提升40%。

（2）多源数据融合的能耗计算方法：整合车载能量管理系统（EMS）原始数据（含0.1秒级采样精度）、AFC系统人流量数据（粒度5分钟）和轨道电路状态监测数据（频率1Hz）。创新性地建立"三时态"能耗模型：
- 基准能耗：基于车辆动力特性曲线的理论值
- 动态修正：引入实际运行速度曲线（±3km/h波动范围）
- 环境补偿：叠加海拔梯度（0-500m）和温度修正系数（-5℃~+35℃）

（3）仿真驱动优化算法：开发自适应大型邻域搜索（ALNS）算法，包含：
- 禁忌表管理：设置32类局部禁忌和5类全局禁忌
-邻域生成策略：3级搜索空间（站级、区段级、列车级）
-自适应跳出机制：基于轨迹熵值动态调整搜索深度

3. 技术实现路径
3.1 动态时间表生成系统
采用数字孪生架构，构建包含32个关键节点的城市轨道交通数字孪生体。通过LSTM网络实时预测各站点拥挤指数，动态调整：
- 停留时间：±30秒弹性区间
- 区间运行速度：±5km/h自适应调节
- 列车编组：根据预测客流量动态配置5/8/12编组

3.2 能耗计算引擎
开发基于F dotted E（FDE）的多源数据融合算法：
1. 原始数据预处理：融合5类传感器数据（定位精度0.1m，采样率1Hz）
2. 滑动窗口分析：采用200秒移动窗口计算平均能耗
3. 神经网络补偿：输入环境参数（温湿度、气压）、轨道状态（坡度、曲线半径）进行修正
4. 时序聚合：将高频能耗数据按5分钟周期聚合

3.3 优化迭代机制
建立"仿真-优化-验证"的闭环迭代流程：
- 每日生成10组扰动场景（含早高峰3倍流量）
- 实时更新能耗基准线（周均能耗波动±3%）
- 动态调整邻域搜索强度（0-100的适应系数）

4. 实验验证与成果
4.1 数值仿真验证
选取北方某地铁线（A-B-C-D-E-F-G-H-I-J共9站）进行200天历史数据仿真：
- 模拟周期：2023年3月-5月（日均运量15-25万人次）
- 算法迭代：每日执行5次优化迭代
- 关键指标：
- 时间偏差匹配度：98.7%（标准差≤1.2秒）
- 能耗预测误差：3.1%（RMSE=42.7kWh/日）
- 优化效果：较基准方案节能5.2%（5735kWh/日）

4.2 实际运营验证
在某沿海城市地铁3号线（长度28.6km，日均客流62万人次）实施四周期测试（2024年6-9月）：
- 系统部署：在既有调度中心部署专用服务器集群（配置i9-13900H处理器，32GB内存）
- 运行参数：
- 优化迭代频率：每日3次（早/中/晚高峰）
- 能耗反馈周期：实时采集（每20分钟更新）
- 驾驶员行为干预：设置±15秒的容错区间
- 实测成果：
- 能耗节约：3.04%（2646kWh/日）
- 运行稳定性：延误超过3分钟的案例下降72%
- 系统兼容性：与既有PIS系统集成耗时＜2周

5. 理论突破与实践价值
5.1 方法论创新
（1）建立"预测-补偿-验证"的闭环优化机制，将传统单周期优化提升至动态适应水平
（2）开发多模态数据融合算法，实现AFC（每5分钟）、MES（每0.1秒）等异构数据的无缝对接
（3）提出基于实际能耗曲线的机器学习补偿模型，有效解决理论计算与实测数据偏差问题

5.2 行业应用价值
（1）能源管理维度：形成可量化的节能效益评估体系（单位：kWh/万人次）
（2）运营管理维度：建立时间偏差的动态补偿机制，使准点率提升至98.5%
（3）技术集成维度：实现与现有SCADA、TIS等7个系统的数据互通

6. 挑战与改进方向
当前系统面临三大挑战：
（1）极端天气影响：实测显示暴雨天气能耗偏差达15-20%
（2）跨系统协同瓶颈：与列车自动防护系统（ATP）的接口延迟达5-8秒
（3）算法泛化能力：在客流量波动超过±30%时优化效果下降12%

改进路线图：
阶段一（6-12月）：开发环境适应性补偿模块
阶段二（13-18月）：构建跨系统协同优化平台
阶段三（19-24月）：实现多城市组网优化

该研究为城市轨道交通可持续发展提供了可复制的技术框架，其核心价值在于建立"理论优化-实际验证-持续改进"的完整技术链条，有效破解了能源优化方案在工程实践中难以落地的难题。通过真实运营数据的持续反馈，系统可保持每年3-5%的节能改进空间，预计在实施三年后可实现全生命周期成本降低15-20%的目标。