Resumen

Los sistemas automáticos de trenes (ATS) han atraído mucha atención en los últimos años. Un ATS fiable puede reprogramar los horarios de forma adaptativa y rápida siempre que una posible perturbación rompa el horario original. La mayoría de las investigaciones se centran en el problema de la reprogramación de horarios para minimizar el retraso global de trenes o pasajeros. Pocos se han centrado en cómo minimizar el consumo de energía cuando se producen perturbaciones. En este artículo se propone un método de reprogramación de horarios en tiempo real (RTTRM) para la optimización energética de los sistemas de metro. El método propuesto tarda poco tiempo en recalcular un nuevo horario y proporciona soluciones adecuadas para todos los trenes de la red inmediatamente después de que se produzca una perturbación aleatoria, lo que evita posibles reacciones en cadena que atenuarían la reutilización de la energía regenerativa. La característica de tiempo real y la autoadaptabilidad del método se atribuyen al uso combinado del Algoritmo Genético (GA) y la Red Neuronal Profunda (DNN). El sistema de decisión para proponer soluciones, que contiene múltiples células DNN con las mismas estructuras, se entrena mediante resultados GA. RTTRM se basa en tres modelos de redes de metro: un modelo de control, un modelo de horarios y un modelo de energía. Varios ejemplos numéricos probados en la línea 1 del metro de Shanghai (SML1) validan los efectos de ahorro energético y las características de tiempo real del método propuesto.

• Materias:Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:método, sistemas ferroviarios automáticos, red neuronal profunda, varios ejemplos numéricos, línea de metro de shanghai, efectos de ahorro de energía, múltiples células dnn, posibles reacciones en cadena, rttrm, trenes
• Keywords:method, automatic train systems, deep neural network, several numerical examples, shanghai metro line, energy saving effects, multiple dnn cells, possible chain reactions, rttrm, trains