Train eco-driving optimisation based on simulation models

Abstract

La conducción económica se considera una medida clave para reducir el consumo de energía de los sistemas ferroviarios. La conducción económica consiste en encontrar la marcha del tren que requiere el mínimo consumo de energía sin degradar los tiempos de recorrido comercial o la comodidad del pasajero. La investigación presentada en esta tesis desarrolla modelos de optimización para el cálculo de la conducción económica de trenes basada en la simulación detallada y realista del movimiento del tren. Los modelos propuestos investigan las técnicas de Inteligencia Computacional Inspiradas por la Naturaleza debido a su idoneidad para utilizar resultados de simulación realista de trenes. Se han considerado los casos de líneas metropolitanas y de larga distancia. Los trenes metropolitanos generalmente están equipados con el sistema de operación automática del tren (ATO), que conducen el tren automáticamente de acuerdo con un perfil de velocidad definido por varios comandos de conducción. Durante la operación, un sistema de regulación de tráfico selecciona los perfiles de velocidad que los trenes deben realizar de un conjunto preprogramado. Por lo tanto, el problema es encontrar las combinaciones de comandos de conducción que producen los perfiles de velocidad óptimos y seleccionar a partir de ellos el conjunto preprogramado de marchas. En esta tesis, se aplican y se comparan los algoritmos MOPSO (Optimización de enjambre de partículas multiobjetivo) y NSGA-II (Algoritmo genético de ordenación no dominado II) para el diseño óptimo de los perfiles de velocidad ATO basado en la simulación precisa del ATO y el movimiento del tren. El problema se plantea como un problema de optimización multiobjetivo en el que los objetivos son la minimización del consumo de energía y el tiempo de recorrido. Por lo tanto, el resultado es el conjunto de perfiles de velocidad no dominados, es decir, el frente de Pareto. La evaluación de los resultados obtenidos con ambos algoritmos se ha llevado a cabo utilizando varias métricas que los comparan en términos de cantidad de soluciones proporcionadas, diversidad de soluciones y distancia al óptimo real. Los resultados muestran que MOPSO supera a NSGA-II en todas las métricas. Más tarde, se estudian las incertidumbres en la operación del tren y se propone un método para diseñar perfiles de velocidad ATO robustos y eficientes. La primera etapa del método es el cálculo del frente de Pareto óptimo para los perfiles de velocidad ATO que son robustos a los cambios en la carga de pasajeros del tren. Se propone una técnica basada en la conservación de la forma de los perfiles de velocidad (robustez del patrón) y se compara con la técnica de optimización robusta. Ambos procedimientos están incluidos en MOPSO. Los resultados han demostrado que la robustez del patrón es más restrictiva y significativa que la técnica de optimización robusta. Luego, el conjunto de perfiles de velocidad a programar en el equipo ATO se selecciona del frente de Pareto robusto por medio de un modelo de optimización cuyo objetivo es la minimización del consumo de energía. Este modelo tiene en cuenta la información estadística sobre los retrasos en la línea y se resuelve mediante un algoritmo PSO. Usando este modelo, se pueden obtener ahorros de energía adicionales entre 3% y 14%. La siguiente parte de la tesis está dedicada a los ferrocarriles de larga distancia, en particular, a las líneas de alta velocidad. En comparación con los trenes metropolitanos, los trenes de alta velocidad normalmente se conducen manualmente y la distancia entre estaciones es larga. En la mayoría de los trabajos de la literatura, la conducción económica se ha aplicado offline para el diseño de servicios comerciales. Sin embargo, los beneficios de una conducción eficiente también se pueden aplicar online en la etapa de regulación, por ejemplo, para recuperar retrasos en el tren. El problema de la regulación del tren se define en esta tesis como un modelo de optimización dinámico multiobjetivo para aprovechar en tiempo real los resultados proporcionados por la simulación detallada del tren. El objetivo del modelo de optimización es encontrar el frente de Pareto de los posibles perfiles de velocidad y actualizarlo durante el viaje en tren. El modelo calcula continuamente un conjunto de perfiles de velocidad óptimos y, cuando es necesario, uno de ellos se utiliza para sustituir la conducción nominal. El nuevo perfil de velocidad es eficiente desde el punto de vista energético en las condiciones cambiantes del problema. DNSGA-II (Dynamic NSGA-II) y DMOPSO (Dynamic MOPSO) se aplican para resolver este problema. El rendimiento de los algoritmos dinámicos se ha analizado en un caso de estudio y los resultados muestran que los algoritmos dinámicos rastrean más rápidamente los cambios del frente de Pareto que sus versiones estáticas. Además, DMOPSO presenta mejores resultados de convergencia que DNSGA-II. Los algoritmos elegidos se han comparado con la típica estrategia de recuperación de retraso de los conductores y muestran que DMOPSO proporciona un 7,8% de ahorro de energía. Las incertidumbres relacionadas con el funcionamiento de los trenes de alta velocidad se incluyen más adelante en el modelo anterior. Estas incertidumbres están asociadas con la ejecución manual de los parámetros de conducción y con las posibles perturbaciones de tráfico futuras que podrían dar lugar a nuevos retrasos. Por lo tanto, se propone un nuevo algoritmo, que incluye la incertidumbre en la conducción manual mediante números difusos. Además, un objetivo recién definido, el riesgo de retraso en la llegada, se introduce en el modelo de optimización como un tercer objetivo. El riesgo de retraso en la llegada mide la sensibilidad de los perfiles de velocidad a llegar retrasado a la próxima estación debido a las perturbaciones del tráfico. El uso de este algoritmo proporciona ahorro de energía y, además, permite a los operadores ferroviarios equilibrar el consumo de energía y el riesgo de retrasos en la llegada. De esta forma, se mejora el rendimiento energético del sistema sin degradar la calidad del servicio. La parte final de la tesis estudia el problema de la conducción económica teniendo en cuenta las características del ATO sobre ERTMS. El ATO sobre ERTMS es un sistema interoperable que tiene como objetivo llevar los beneficios de los sistemas ATO, que se han experimentado en líneas metropolitanas, a servicios de larga distancia equipados con ERTMS. ERTMS es un sistema de señalización estandarizado desarrollado para garantizar la interoperabilidad de los trenes europeos y mejorar la seguridad y la capacidad. De acuerdo con la nueva especificación de ATO sobre ERTMS, el equipo a bordo es el encargado de generar el perfil de velocidad para cumplir con el horario. La información del horario se proporciona al equipo de a bordo por medio de puntos de tiempo. Los puntos de tiempo definen las posiciones en la vía y la hora de salida / llegada / paso objetivo para estos puntos. En comparación con el problema típico de conducción económica, los algoritmos que necesita el sistema ATO de a bordo deben ser capaces de generar perfiles de velocidad que no solo cumplan con el tiempo de ejecución objetivo, sino que también cumplan con los tiempos intermedios minimizando el consumo de energía. Esto introduce nuevas restricciones para el problema de optimización del perfil de velocidad. Se ha seleccionado el algoritmo DE (Evolución Diferencia) y se ha definido una función de fitness para manejar las nuevas restricciones en el problema. El rendimiento del algoritmo DE se ha comparado con el GA (Algoritmo genético). Los resultados han demostrado que el GA no encuentra soluciones factibles en este problema difícil de resolver. Por el contrario, el algoritmo DE propuesto ha demostrado su capacidad para encontrar perfiles de velocidad que cumplan todos los tiempos objetivo. Además de encontrar soluciones factibles, el algoritmo es capaz de encontrar cuál tiene el menor consumo de energía.

Eco-driving is considered a key measure to reduce the energy consumption of railway systems. Eco-driving consists in finding the speed profile that requires the minimum energy consumption without degrading commercial running times or passenger comfort. The research presented in this thesis develops optimisation models for the calculation of train eco-driving based on detailed and realistic simulation of the train movement. The models proposed investigate Nature Inspired Computational Intelligence techniques because of their suitability to use realistic train simulation results. The cases of metropolitan and long-distance lines are differentiated. Metropolitan trains are typically equipped with Automatic Train Operation system (ATO), which drives the train automatically according to a speed profile defined by several driving commands. During the operation, a traffic regulation system selects the speed profiles that the trains must perform from a pre-programmed set. Therefore, the problem is to find the combinations of driving commands that produce the optimal speed profiles and to select from them the pre-programmed set of speed profiles. In this thesis, MOPSO (Multi-Objective Particle Swarm Optimisation) and NSGA-II (Non-dominated Sorting Genetic Algorithm II) algorithms for the optimal design of the ATO speed profiles are applied and compared based on the accurate simulation of the ATO and train motion. The problem is stated as a multi-objective optimisation problem where the objectives are the minimisation of energy consumption and running time. Therefore, the result is the set of non-dominated speed profiles, i.e. the Pareto front. The assessment of the results obtained with both algorithms has been carried out using several metrics that compare them in terms of number of solutions provided, diversity of solutions and distance to the real optimum. The results show that MOPSO outperforms NSGA-II in all the metrics. Later, the uncertainties in the train operation are studied and a method to design robust and efficient ATO speed profiles is proposed. The first stage of the method is the calculation of the optimal Pareto front for ATO speed profiles that are robust to changes in train load. A technique based on the conservation of the shape of the speed profiles (pattern robustness) is proposed and compared with robust optimisation technique. Both procedures are included in MOPSO. The results have showed that the pattern-robustness is more restrictive and meaningful than the robust optimisation technique. Then, the set of speed profiles to be programmed in the ATO equipment are selected from the robust Pareto front by means of an optimisation model whose aim is the energy consumption minimisation. This model takes into account the statistical information about delays in the line and is solved using a PSO algorithm. Using this model, additional energy savings between 3% and 14% can be obtained. The following part of the thesis is dedicated to long-distance railways, in particular, to high-speed lines. Compared to metropolitan trains, high-speed trains are typically manually driven and the journeys between stations are long-distance travels. In most of the works of the literature, eco-driving has been applied offline in the design of commercial services. However, the benefits of the efficient driving can also be applied on-line in the regulation stage, for instance, to recover train delays. The train regulation problem is stated in this thesis as a dynamic multi-objective optimisation model to take advantage in real time of accurate results provided by detailed train simulation. The aim of the optimisation model is to find the Pareto front of the possible speed profiles and update it during the train travel. It continuously calculates a set of optimal speed profiles and, when necessary, one of them is used to substitute the nominal driving. The new speed profile is energy efficient under the changing conditions of the problem. DNSGA-II (Dynamic NSGA-II) and DMOPSO (Dynamic MOPSO) are applied to solve this problem. The performance of the dynamic algorithms has been analysed in a case study and the results show that dynamic algorithms are faster tracking the Pareto front changes than their static versions. Furthermore, DMOPSO presents better convergence results than DNSGA-II. In addition, the chosen algorithms have been compared with the typical delay recovery strategy of drivers showing that DMOPSO provides 7.8% of energy savings. The uncertainties related to high-speed trains operation are later included in the previous model. These uncertainties are associated with the manual execution of the driving parameters and with the possible future traffic disturbances that could lead to new delays. Thus, a new algorithm is proposed, including the uncertainty in manual driving by means of fuzzy numbers. Furthermore, a newly defined objective, the risk of delay in arrival, is introduced in the optimisation model as a third objective. The risk of delay in arrival measures the sensitivity of speed profiles to arrive delayed to the next station because of traffic disturbances. The use of this algorithm provides energy savings and, in addition, it permits railway operators to balance energy consumption and risk of delays in arrival. This way, the energy performance of the system is improved without degrading the quality of the service. The final part of the thesis studies the eco-driving problem taking into account the ATO over ERTMS features. ATO over ERTMS is an interoperable system that aims to bring the ATO benefits observed in metropolitan lines to long-distance services equipped with ERTMS. ERTMS is a standardized signalling system developed to ensure interoperability of European trains and to improve safety, capacity. According to the new specification of the ATO over ERTMS, the on-board equipment is in charge of generating the speed profile to fulfil the timetable. Timetable information is provided to the on-board equipment by means of timing points. Timing points define positions in the track and the target departure/arriving/passing time for these points. Compared with the typical eco-driving problem, the algorithms needed by the on-board ATO system must be capable of generating speed profiles that not only meet a target running time, but also meet intermediate timing points minimising the energy consumption. This introduces new constraints to the speed profile optimisation problem. DE (Differential Evolution) algorithm is selected and a fitness function has been defined to handle the new constraints in the problem. The performance of the DE algorithm has been compared with the well-known GA (Genetic Algorithm). The results have shown that the GA does not find feasible solutions in this difficult-to-solve problem. Contrary, the DE algorithm proposed has demonstrated its capacity to find speed profiles that meet all the target times. Apart from finding feasible solutions, the algorithm is capable of finding which one has the lowest energy consumption.