20 de noviembre de 2018
Resumen:
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.
Descriptores: Servicio de Ferrocarril, Construcción de Algoritmos, Heurística, Simulación
Cita:
A. Fernández Rodríguez (2018), Train eco-driving optimisation based on simulation models. Madrid (España).
