Resumen

En este artículo, proponemos un enfoque de optimización dispersa para maximizar la utilización de la energía regenerativa producida por el frenado de los trenes, con el fin de conseguir una planificación energética eficiente en los sistemas de metro. Introduciendo la función de cardinalidad y el cuadrado de la función de norma euclidiana como función objetivo, el modelo de optimización dispersa resultante puede caracterizar adecuadamente la utilización de la energía regenerativa. Se diseña un método de multiplicadores de dirección alterna en dos etapas para resolver eficientemente la contrapartida de relajación convexa del problema original NP-difícil y, a continuación, producir un horario de trenes energéticamente eficiente. El enfoque resultante se aplica a la línea Yizhuang del metro de Pekín con diferentes instancias de servicio como caso de estudio. También se lleva a cabo una comparación con el enfoque de programa lineal de dos pasos existente, lo que ilustra la eficacia de nuestro modelo de optimización dispersa propuesto en términos de tasa de ahorro de energía y la eficiencia de nuestro algoritmo de optimización numérica en términos de tiempo de cálculo.

• Materias:Planificación de la producción Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Production planning Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:modelo de optimización dispersa, energía regenerativa, línea yizhuang del metro de pekín, función de norma euclidiana, contrapartida de relajación convexa, tasa de ahorro de energía, enfoque de programa lineal, sistemas ferroviarios de metro, algoritmo de optimización numérica, enfoque de optimización dispersa
• Keywords:sparse optimization model, regenerative energy, beijing metro yizhuang line, euclidean norm function, convex relaxation counterpart, energy saving rate, linear program approach, metro railway systems, numerical optimization algorithm, sparse optimization approach