Efficient Railway Traffic Operation

Abstract

La conducción eficiente (eco-driving) y el diseño de la operación, incluyendo sistemas de recuperación de energía como el frenado regenerativo, son técnicas clave para mejorar la eficiencia en los sistemas ferroviarios. Estas estrategias, combinadas con modelos avanzados de optimización, han demostrado un gran potencial en diversos escenarios ferroviarios, como se destaca en los estudios presentados a continuación. La primera parte del estudio de investigación posiciona la conducción eficiente como un pilar fundamental para la reducción del consumo energético en el sector ferroviario y como una herramienta vital para avanzar en los Objetivos de Desarrollo Sostenible en el ámbito del transporte. Sin embargo, su aplicación en escenarios reales se ve frecuentemente afectada por incertidumbres derivadas de factores climatológicos, que a menudo son ignoradas en los modelos de optimización de la conducción de trenes. Este trabajo presenta un modelo de eco-driving desarrollado para generar consignas de conducción eficientes teniendo en cuenta dichas incertidumbres climatológicas, como la temperatura, presión y viento. Estas incertidumbres se modelan mediante números borrosos (lógica borrosa), y el problema de optimización se resuelve utilizando un Algoritmo Genético con parámetros borrosos, junto con un simulador ferroviario. Aplicado a un escenario realista de Alta Velocidad en España, el modelo demuestra que los ahorros energéticos pueden aumentar del 29.76 % al 34.70 % cuando se consideran los factores climatológicos en condiciones de verano. Además, se observa una variación del 5.31 % en el consumo energético entre los escenarios de verano e invierno, cumpliendo en ambos casos con las restricciones de puntualidad. Este modelo proporciona a los operadores una herramienta eficaz para estimar y optimizar mejor el consumo energético, adaptando las consignas de conducción a las condiciones climáticas predominantes. La segunda parte de la tesis aborda la operación ferroviaria metropolitana. Este tipo de sistema, ampliamente utilizado en grandes ciudades, representa un alto consumo de energía y es un objetivo prometedor para la implementación de técnicas de eficiencia energética. Este trabajo integra tres estrategias principales: eco-driving, diseño de horarios y frenado regenerativo, en un modelo basado en simulación para optimizar la operación minimizando el consumo de energía. Además, el modelo incorpora el material rodante necesario para cubrir la demanda del servicio, dado su impacto significativo en los costes operativos. Las consignas de conducción eficientes se desarrollan utilizando el algoritmo MOPSO (Multi-Objective Particle Swarm Optimisation), y la optimización del horario se logra considerando el modelo propuesto de regeneración de energía y el número de trenes requeridos para el servicio periódico. Aplicado a la red de Metro de Madrid, el modelo alcanza ahorros energéticos de hasta el 24.79 % en comparación con el tiempo de ciclo más rápido, cumpliendo además con criterios operativos como los márgenes de tiempo para la recuperación de retrasos. El estudio demuestra además que el algoritmo GLMO-NSGA-III (Grouped and Linked Mutation Operator – Nondominated Sorting Genetic Algorithm III) es el más eficaz para el diseño de horarios en este contexto. En conjunto, estos estudios ilustran los beneficios de combinar técnicas de conducción eficiente, planificación operativa y regeneración de energía en los sistemas ferroviarios, desde redes de alta velocidad hasta líneas metropolitanas, maximizando la eficiencia energética y fomentando la sostenibilidad.

Eco-driving and operation design, including energy recovery systems such as regenerative braking, are key techniques for improving efficiency in railway systems. These strategies, combined with advanced optimisation models, have demonstrated significant potential in several railway scenarios, as highlighted in the following studies. The first part of the research study positions eco-driving as a cornerstone of energy reduction in the railway sector and a vital tool for advancing the Sustainable Development Goals in transportation. However, its application in real-world scenarios is often impacted by uncertainties arising from climatological factors, which are frequently disregarded in train driving optimisation models. This work introduces an eco-driving model developed to generate efficient driving commands while accounting for climatological uncertainties, such as temperature, pressure and wind. These uncertainties are modelled using fuzzy numbers, and the optimisation problem is solved with a Genetic Algorithm employing fuzzy parameters, utilising an accurate railway simulator. Applied to a realistic high-speed railway scenario in Spain, the model demonstrates that energy savings can increase from 29.76% to 34.70% when climatological factors are considered for the summer scenario. Moreover, an energy variation of 5.31% is observed between summer and winter scenarios, while punctuality constraints are fully satisfied. This model provides operators with an effective tool to better estimate and optimise energy consumption by adapting driving commands to prevailing climate conditions. The following part of the thesis addresses metropolitan railway operation. This type of system, so widely used in large cities, is a significant energy consumer and a promising target for the implementation of energy efficiency techniques. This work integrates three main strategies: eco-driving, timetable design and regenerative braking, into a simulation-based model to optimise operation while minimising energy consumption. Additionally, the model incorporates the rolling stock required to meet service demand, given its substantial impact on operational costs. Efficient driving commands are developed using a MOPSO (Multi-Objective Particle Swarm Optimisation) algorithm and timetable optimisation is achieved by considering the proposed energy regeneration model and the number of trains required for periodic service. Applied to the Madrid Underground, the model achieves energy savings of up to 24.79% compared to the fastest cycle time, while adhering to operational criteria such as time margins for delay recovery. The study further demonstrates that the GLMO-NSGA-III (Grouped and Linked Mutation Operator – Nondominated Sorting Genetic Algorithm III) algorithm is the most effective for timetable design in this context. Together, these studies illustrate the significant benefits of combining eco-driving, operational planning, and energy regeneration techniques in railway systems, ranging from high-speed networks to metropolitan lines, maximizing energy efficiency and enhancing sustainability.