Стаття

Отримано 27.01.2026

Доопрацьовано 03.06.2026

Прийнято 25.06.2026

Опубліковано 04.07.2026

Взято з Том 29, № 1, 2026

Сторінки 110 -121

Maslii, A., & Iakubovskyi, Ia. (2026). Prospective methods for enhancing the energy efficiency of multi-motor traction electric drive systems for rail vehicles. Transport Systems and Technologies, 29(1), 110-121. https://doi.org/10.32703/2617-9040-2026-47-9

Перспективні шляхи підвищення енергоефективності багатодвигункового тягового електроприводу рейкового рухомого складу

Артем Маслій*, Ярослав Якубовський

a.masliy@ukr.net

Актуальність дослідження зумовлена необхідністю підвищення енергоефективності багатодвигункового тягового електроприводу приміських електропоїздів шляхом зниження витрат електроенергії та втрат у тяговому обладнанні, силових перетворювачах, контактній мережі й допоміжних системах. Метою роботи було визначення найбільш доцільних технічних рішень щодо підвищення енергоефективності багатодвигункового тягового електроприводу на основі комплексного аналізу структури енергетичних втрат, типів тягових електродвигунів, методів керування та способів оптимізації режимів руху. У роботі використано метод багатокритеріального аналізу із застосуванням функції бажаності Харінгтона. У результаті дослідження встановлено, що основні резерви підвищення енергоефективності зосереджені у зменшенні втрат у тяговому електроприводі, силових перетворювачах і механічній частині привода, які формують найбільшу частку загальних енергетичних втрат електропоїзда. Визначено, що найбільш доцільним для використання у складі багатодвигункового тягового електроприводу є асинхронний тяговий двигун, оскільки він забезпечує раціональне поєднання енергоефективності, надійності, простоти експлуатаційного обслуговування та прийнятних масогабаритних показників. Порівняння методів керування асинхронним електроприводом показало перевагу векторного керування, яке забезпечує високу точність регулювання електромагнітного моменту, стійкість роботи за змінних навантажень і покращення енергетичних характеристик привода. Серед методів оптимізації режимів руху електропоїздів найбільш перспективним визначено динамічне програмування, що дає змогу формувати енергоощадні траєкторії руху з урахуванням обмежень швидкості, профілю колії та змінних умов експлуатації. Отримані результати підтверджують доцільність комплексного поєднання асинхронного тягового двигуна, векторного керування та алгоритмів динамічного програмування як основи для створення енергоефективних систем тягового електроприводу сучасного рейкового рухомого складу

асинхронний тяговий двигун; векторне керування; динамічне програмування; електропоїзд; енергетичні втрати; оптимізація режимів руху; багатокритеріальний аналіз
  1. Code of Ethics of the American Sociological Association. (2018). Retrieved from https://www.asanet.org/wp-content/uploads/asa_code_of_ethics-june2018a.pdf.
  2. Fathy Abouzeid, A., Guerrero, J.M., Endemaño, A., Muniategui, I., Ortega, D., Larrazabal, I., & Briz, F. (2020). Control strategies for induction motors in railway traction applications. Energies, 13(3), article number 700. doi: 10.3390/en13030700.
  3. Feng, X., Zhang, H., Ding, Y., Liu, Z., Peng, H., & Xu, B. (2013). A review study on traction energy saving of rail transport. Discrete Dynamics in Nature and Society, 2013, article number 156548. doi: 10.1155/2013/156548.
  4. 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. doi: 10.1016/j.enconman.2014.01.060.
  5. Goolak, S., Liubarskyi, B., Riabov, I., Lukoševičius, V., Keršys, A., & Kilikevičius, S. (2023). Analysis of the efficiency of traction drive control systems of electric locomotives with asynchronous traction motors. Energies, 16(9), article number 3689. doi: 10.3390/en16093689.
  6. Haahr, J.T., Pisinger, D., & Sabbaghian, M. (2017). A dynamic programming approach for optimizing train speed profiles with speed restrictions and passage points. Transportation Research Part B: Methodological, 99, 167-182. doi: 10.1016/j.trb.2016.12.016.
  7. Harrington, E.C. (1965). The desirability function. Industrial Quality Control, 21(10), 494-498.
  8. He, D., Zhang, L., Guo, S., Chen, Y., Shan, S., & Jian, H. (2021). Energy-efficient train trajectory optimization based on improved differential evolution algorithm and multi-particle model. Journal of Cleaner Production, 304, article number 127163. doi: 10.1016/j.jclepro.2021.127163.
  9. ICC/ESOMAR International Code on Market, Opinion and Social Research and Data Analytics. (2025). Retrieved from https://iccwbo.org/news-publications/business-solutions/iccesomar-international-code-market-opinion-social-research-data-analytics/#top.
  10. Kaleybar, H.J., Davoodi, M., Brenna, M., & Zaninelli, D. (2023). Applications of genetic algorithm and its variants in rail vehicle systems: A bibliometric analysis and comprehensive review. IEEE Access, 11, 68972-68993. doi: 10.1109/ACCESS.2023.3292790.
  11. Kouzoupis, D., Pendharkar, I., Frey, J., Diehl, M., & Corman, F. (2023). Direct multiple shooting for computationally efficient train trajectory optimization. Transportation Research Part C: Emerging Technologies, 152, article number 104170. doi: 10.1016/j.trc.2023.104170.
  12. Liebhold, A., Miyoshi, S., Nießen, N., & Koseki, T. (2023). Onboard train speed optimization for energy saving using the prediction of block clearing times under real-time rescheduling. Journal of Rail Transport Planning & Management, 26, article number 100392. doi: 10.1016/j.jrtpm.2023.100392.
  13. Liu, J., Wang, Y., Liu, Y., Li, X., Chen, F., & Lu, S. (2025). Energy-efficient train control based on energy consumption estimation model and deep reinforcement learning. Electronics, 14(24), article number 4939. doi: 10.3390/electronics14244939.
  14. Liu, R.R., & Golovitcher, I.M. (2003). Energy-efficient operation of rail vehicles. Transportation Research Part A: Policy and Practice, 37(10), 917-932. doi: 10.1016/j.tra.2003.07.001.
  15. Liubarskyi, B., Petrenko, A., Shaida, V., & Maslii, A. (2017). Analysis of optimal operating modes of the induction traction drives for establishing a control algorithm over a semiconductor transducer. Eastern-European Journal of Enterprise Technologies, 4(8(88)), 65-72. doi: 10.15587/1729-4061.2017.109179.
  16. Nategh, S., Boglietti, A., Liu, Y., Barber, D., Brammer, R., Lindberg, D., & Aglen, O. (2020). A review on different aspects of traction motor design for railway applications. IEEE Transactions on Industry Applications, 56(3), 2148-2157. doi: 10.1109/TIA.2020.2968414.
  17. Nold, M., & Corman, F. (2024). Increasing realism in modelling energy losses in railway vehicles and their impact to energy-efficient train control. Railway Engineering Science, 32, 257-285. doi: 10.1007/s40534-023-00322-4.
  18. Paul, S., Han, P.-W., Chang, J., Chun, Y.-D., & Lee, J.-G. (2022). State-of-the-art review of railway traction motors for distributed traction considering South Korean high-speed railway. Energy Reports, 8, 14623-14642. doi: 10.1016/j.egyr.2022.10.411.
  19. Peng, Y., Chen, F., Chen, F., Wu, C., Wang, Q., He, Z., & Lu, S. (2024). Energy-efficient train control: A comparative study based on permanent magnet synchronous motor and induction motor. IEEE Transactions on Vehicular Technology, 73(11), 16148-16159. doi: 10.1109/TVT.2024.3412941.
  20. Rao, Y., Sun, P.F., Wang, Q.Y., Feng, X.Y., Wang, C.R., & Wei, M. (2022). Energy-efficient train control considering the traction system efficiency. IET Intelligent Transport Systems, 16(11), 1633-1647. doi: 10.1049/itr2.12239.
  21. Riabov, I., Goolak, S., Kondratieva, L., & Overianova, L. (2023). Increasing the energy efficiency of the multi-motor traction electric drive of an electric locomotive for railway quarry transport. Engineering Science and Technology, an International Journal, 42, article number 101416. doi: 10.1016/j.jestch.2023.101416.
  22. Shynkarenko, V.I., Sablin, O.I., & Ivanov, O.P. (2016). Constructive modelling for zone of recovery energy distribution of DC traction. Science and Transport Progress, 5(65), 125-135. doi: 10.15802/stp2016/84036.
  23. Wang, D., Wu, J., Wei, Y., Chang, X., & Yin, H. (2024). Energy-saving operation in urban rail transit: A deep reinforcement learning approach with speed optimization. Travel Behaviour and Society, 36, article number 100796. doi: 10.1016/j.tbs.2024.100796.
  24. Wang, P., & Goverde, R.M.P. (2019). Multi-train trajectory optimization for energy-efficient timetabling. European Journal of Operational Research, 272(2), 621-635. doi: 10.1016/j.ejor.2018.06.034.
  25. Xing, Z., Zhang, Z., Guo, J., Qin, Y., & Jia, L. (2023). Rail train operation energy-saving optimization based on improved brute-force search. Applied Energy, 330, article number 120345. doi: 10.1016/j.apenergy.2022.120345.
  26. Yildiz, A., Arikan, O., & Keskin, K. (2023). Traction energy optimization considering comfort parameter: A case study in Istanbul metro line. Electric Power Systems Research, 218, article number 109196. doi: 10.1016/j.epsr.2023.109196.
  27. Zhang, Z., Song, H., Wang, H., Liu, L., & Dong, H. (2023). A model predictive control strategy with switching cost functions for cooperative operation of trains. Science China Information Sciences, 66, article number 172206. doi: 10.1007/s11432-022-3662-x.

https://doi.org/10.32703/2617-9040-2026-47-9