Стаття

Отримано 28.07.2025

Доопрацьовано 03.11.2025

Прийнято 29.12.2025

Взято з Том 28, № 2, 2025

Сторінки 7 -20

Liashenko, V., & Yatsko, S. (2025). Study of influence of imprecision of primary information on energy consumption of rolling stock. The National Transport University Bulletin: A Scientific and Technical Journal, 28(2), 7-20. https://doi.org/10.32703/2617-9040-2025-46-1

Оцінка впливу неточностей первинної інформації на енергоспоживання рухомого складу

Вадим Ляшенко Сергій Яцько

Енергоефективність  систем  міського  залізничного  транспорту  є  критично важливим показником, оскільки споживання енергії на тягу зазвичай становить 40-60% від загального  енергоспоживання  транспортної  системи.  У  цьому  дослідженні  розглядається чутливість  енергоспоживання  до  відхилень  від  номінальних  умов  при  реалізації  попередньо розрахованих оптимізованих траєкторій руху електрорухомого складу, розглядаючи рухомий склад з режимами роботи, типовими для приміських та міських перевезень. Для визначення глобальнооптимальних  стратегій  керування,  які  мінімізують  споживання  енергії  при дотриманні  експлуатаційних  обмежень,  в  дослідженні  використовується  динамічне програмування на основі принципу оптимальності Беллмана. Оптимізаційна модель розділяє ділянку колії на дискретні сегменти і використовує метод зворотного проходу для встановлення оптимальних  законів  управління,  створюючи  траєкторії  швидкості  як  функції  поточних координат поїзда на заданих поздовжніх профілях перегонів. Компроміс між енергією та часом представлений невизначеним множником Лагранжа для забезпечення дотримання графікового часу руху по перегону. Аналіз чутливості виконується шляхом моделювання неточностей в оцінках  поточних  координат  поїзда  та  варіацій  його  пасажирського  навантаження. Моделювання системи прицільного гальмування було реалізовано таким чином, щоб забезпечити точність  зупинки  у  випадку  неточності  вимірювань.  Моделювання  проводилося  з використанням  трьох  типових  профілів  перегонів,  характерних,  в  першу  чергу,  для метрополітенів;для  порівняння  моделювання  також  проводилося  на  умовній  ділянці  з незначним  постійним  ухилом.  Методика  дослідження  дозволяє  кількісно  оцінити  ступінь перевитрат  енергії,  які  можуть  бути  спричинені  відхиленнями  в  завантаженні  поїздів пасажирами  та  похибками  в  оцінці  положення  рухомого  складу  (±25  метрів),  що  надає інформацію для оцінки ефективності попередньо розрахованих оптимізованих траєкторій в реальних умовах експлуатації

оптимізація траєкторій руху; міський залізничний транспорт; енергоефективність; динамічне програмування
  1. Lu, S., Hillmansen, S., Ho, T. K., & Roberts, C. (2013). Single-train trajectory optimization. IEEE Transactions on Intelligent Transportation Systems, 14(2), 743-750. https://doi.org/10.1109/TITS.2012.2234118.
  2. Bellman, R. (1957). Dynamic programming. Princeton University Press.
  3. Ichikawa, S., & Miyatake, M. (2019). Energy efficient train trajectory in the railway system with moving block signaling scheme. IEEJ Journal of Industry applications, 8(4), 586-591. https://doi.org/10.1541/ieejjia.8.586.
  4. Ghaviha, N., Bohlin, M., Holmberg, C., Dahlquist, E., Skoglund, R., & Jonasson, D. (2017). A driver advisory system with dynamic losses for passenger electric multiple units. Transportation Research Part C: Emerging Technologies, 85, 111–130. https://doi.org/10.1016/j.trc.2017.09.010.
  5. González-Gil, A., Palacin, R., Batty, P., & Powell, J. P. (2014). A systems approach to reduce urban rail energy consumption. Energy Conversion and Management, 80, 509-524. https://doi.org/10.1016/j.enconman.2014.01.060.
  6. Sanchis, I. V., & Zuriaga, P. S. (2016). An energy-efficient metro speed profiles for energy savings: application to the Valencia metro. Transportation research procedia, 18, 226-233. https://doi.org/10.1016/j.trpro.2016.12.031.
  7. Yang, X., Li, X., Ning, B., & Tang, T. (2015). A survey on energy-efficient train operation for urban rail transit. IEEE Transactions on Intelligent Transportation Systems, 17(1), 2-13. https://doi.org/10.1109/TITS.2015.2447507.
  8. Ichikawa, K. (1968). Application of optimization theory for bounded state variable problems to the operation of train. Bulletin of JSME, 11(47), 857–865. https://doi.org/10.1299/jsme1958.11.857.
  9. Howlett, P. G., & Pudney, P. J. (1995). Energy-efficient train control. Springer. https://doi.org/10.1007/978-1-4471-30840.
  10. Khmelnitsky, E. (2000). On an optimal control problem of train operation. IEEE transactions on automatic control, 45(7), 1257-1266. https://doi.org/10.1109/9.867018.
  11. Heineken, W., Richter, M., & Birth-Reichert, T. (2023). Energy-efficient train driving based on optimal control theory. Energies, 16(18), 6712. https://doi.org/10.3390/en16186712.
  12. Tan, Z., Lu, S., Bao, K., Zhang, S., Wu, C., Yang, J., & Xue, F. (2018). Adaptive partial train speed trajectory optimization. Energies, 11(12), 3302. https://doi.org/10.3390/en11123302.
  13. Su, S., Tang, T., Chen, L., & Liu, B. (2015). Energy-efficient train control in urban rail transit systems. Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, 229(4), 446-454. https://doi.org/10.1177/0954409713515648.
  14. Huang, Y., Yang, L., Tang, T., Gao, Z., Cao, F., & Li, K. (2018). Train speed profile optimization with on-board energy storage devices: A dynamic programming based approach. Computers & Industrial Engineering, 126, 149-164. https://goi.org/10.1016/j.cie.2018.09.024.
  15. Gao, H., Zhang, Y., & Guo, J. (2020). A novel dynamic programming approach for optimizing driving strategy of subway trains. In MATEC Web of Conferences (Vol. 325, p. 01002). EDP Sciences. https://goi.org/10.1051/matecconf/202032501002.
  16. Byun, Y. S., & Jeong, R. G. (2022). Optimization of driving speed of electric train using dynamic programming based on multi-weighted cost function. Applied Sciences, 12(24), 12857. https://doi.org/10.3390/app122412857.
  17. Wang, P., Trivella, A., Goverde, R. M., & Corman, F. (2020). Train trajectory optimization for improved on-time arrival under parametric uncertainty. Transportation Research Part C: Emerging Technologies, 119, 102680. https://goi.org/10.1016/j.trc.2020.102680.
  18. Zhao, N., Roberts, C., Hillmansen, S., & Nicholson, G. (2015). A multiple train trajectory optimization to minimize energy consumption and delay. IEEE Transactions on Intelligent Transportation Systems, 16(5), 2363-2372. https://doi.org/10.1109/TITS.2014.2388356.
  19. Scheepmaker, G. M., & Goverde, R. M. (2015). The interplay between energy-efficient train control and scheduled running time supplements. Journal of Rail Transport Planning & Management, 5(4), 225-239. https://doi.org/10.1016/j.jrtpm.2015.10.003.
  20. Gupta, S. D., Tobin, J. K., & Pavel, L. (2016). A two-step linear programming model for energy-efficient timetables in metro railway networks. Transportation Research Part B: Methodological, 93, 57-74. https://doi.org/10.1016/j.trb.2016.07.003.
  21. Ye, H., & Liu, R. (2016). A multiphase optimal control method for multi-train control and scheduling on railway lines. Transportation Research Part B: Methodological, 93, 377-393. https://doi.org/10.1016/j.trb.2016.08.002.
  22. Wang, P., & Goverde, R. M. P. (2019). Multi-train trajectory optimization for energy-efficient timetabling. European Journal of Operational Research, 272(2), 621-635. https://doi.org/10.1016/j.ejor.2018.06.034. 
  23. Liu, H., Zhou, M., Guo, X., Zhang, Z., Ning, B., & Tang, T. (2018). Timetable optimization for regenerative energy utilization in subway systems. IEEE Transactions on Intelligent Transportation Systems, 20(9), 3247-3257. https://doi.org/10.1109/TITS.2018.2873145.
  24. Brenna, M., Foiadelli, F., & Longo, M. (2016). Application of genetic algorithms for driverless subway train energy optimization. International Journal of Vehicular Technology, 2016(1), 8073523. https://doi.org/10.1155/2016/8073523.
  25. Fernández-Rodríguez, A., Cucala, A. P., & Fernández-Cardador, A. (2020). An eco-driving algorithm for interoperable automatic train operation. Applied Sciences, 10(21), 7705. https://doi.org/10.3390/app10217705.
  26. Trivella, A., Wang, P., & Corman, F. (2021). The impact of wind on energy-efficient train control. EURO Journal on Transportation and Logistics, 10, 100013. https://doi.org/10.1016/j.ejtl.2020.100013.
  27. Chen, X., Li, K., Zhang, L., & Tian, Z. (2022). Robust optimization of energy-saving train trajectories under passenger load uncertainty based on p-NSGA-II. IEEE Transactions on Transportation Electrification, 9(1), 1826-1844. https://doi.org/10.1109/TTE.2022.3194698.
  28. Kustovska O. (2005). Methodology of Systematic Approach And Scientific Research: Lecture Course. Ekonomichna Dumka. [in Ukrainian].
  29. Liashenko, V., Yatsko, S., & Vaschenko, Y., & Khvorost, M. (2023). Simulation of the system of provision of target braking of rolling stock. Information and Control Systems on Railway Transport, 28(2), 63-73. https://doi.org/10.18664/ikszt.v28i2.283285.
  30. Liashenko, V. M., Ustenko, O. V., & Yatsko, S. I. (2025). Study of the power consumption of electric rolling stock operating with repeated short-time traction cycles on different gradients. Collection of Scientific Works of the Ukrainian State University of Railway Transport, 211, 63–73. https://doi.org/10.18664/1994-7852.211.2025.327149. [in Ukrainian].

https://doi.org/10.32703/2617-9040-2025-46-1