Study on Energy-Saving Train Trajectory Optimization Based on Coasting Control in Metro Lines
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With increasing energy consumption in urban rail transit systems, researchers have paid significant attention to energy-saving train control. In this paper, we propose an effective train trajectory optimization method to reduce the energy consumption based on coasting control, in which coasting control regimes are added to balance running time and energy consumption. For better determining the starting points of coasting control regimes, the whole train running process is divided into several subintervals. Then, aiming to achieve energy efficiency, coasting regimes are added to the subintervals with high energy-saving effects, in which more energy consumption can be reduced with the same running time addition. Based on this, a coasting control method is proposed to generate energy-saving trajectories considering train dynamics, safety, and punctuality. In addition, the proposed method can solve the multisection energy-saving train trajectory optimization problem to obtain optimal running time schemes and related trajectories. Finally, numerical examples based on one of the Beijing metro lines are implemented to verify the effectiveness of the proposed method. The results show that, for the single-section train control problem, the proposed coasting control algorithm can achieve significant energy-saving effects compared to the practical trajectory and calculate energy-saving trajectory in shorter computation times compared to the dynamic programming method. Meanwhile, for the multisection train control problem, energy consumption can be further reduced by optimizing trajectories and running times integratedly.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle