دانلود مقاله ISI انگلیسی شماره 91092
ترجمه فارسی عنوان مقاله

برآورد قدرت الکتریکی در زمان واقعی برای مدیریت انرژی خطوط مترو اتوماتیک

عنوان انگلیسی
Real time electrical power estimation for the energy management of automatic metro lines
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
91092 2017 21 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Mathematics and Computers in Simulation, Volume 131, January 2017, Pages 3-20

ترجمه کلمات کلیدی
خطوط مترو اتوماتیک، بهینه سازی مصرف انرژی، الگوریتم ژنتیک، بهبود ترمیم ترمیمی، شبکه های عصبی مصنوعی،
کلمات کلیدی انگلیسی
Automatic metro lines; Energy consumption optimisation; Genetic algorithm; Regenerative braking recovery; Artificial neural network;
ترجمه چکیده
در این مقاله قصد ارائه روش شناسی برای به حداکثر رساندن استفاده از انرژی ترمزی بازسازی در خطوط اتوماتیک مترو برای مدیریت انرژی آفلاین و زمان واقعی است. ابتدا تکنیک های بهینه سازی برای برنامه ریزی جدول زمانی کارآمد انرژی را توصیف می کند، در حالی که با توجه به حالت عملیاتی بدون نوسان، به عنوان مهم ترین مورد عملیات مربوط می شود. تأثیر گذار و مدیریت زمان خاموش شدن در بازیابی ترمز بازآفرینی به ویژه با تابع تناسب چند معیاره مورد بررسی قرار می گیرد. سپس، تکنیک های حل تکرار برای اندازه گیری دقیق انتقال انرژی بین قطار ها معرفی می شود. برآوردگر عصبی مصرف انرژی قطار نیز برای رفع نیازهای زمان واقعی پیشنهاد شده است. نتایج شبیه سازی براساس آزمایشات انجام شده در خط متروی تورینو در معرض ارزیابی عملکرد این برآوردگر قرار دارند.
پیش نمایش مقاله
پیش نمایش مقاله  برآورد قدرت الکتریکی در زمان واقعی برای مدیریت انرژی خطوط مترو اتوماتیک

چکیده انگلیسی

This paper intends to present a methodology to maximise reuse of regenerative braking energy in automatic metro lines for both offline and real time energy management. It first describes optimisation techniques for scheduling energy efficient timetables, while considering a no-fluctuation operating mode, as it corresponds to the most dominant operating case. Impact of headway and dwell time management on regenerative braking recovery are especially examined with a multi-criteria fitness function. Then, iterative solving techniques are introduced to precisely quantify energy transfers between trains. A neural estimator of trains power consumption is also proposed to meet real time requirements. Simulation results based on experiments conducted on Torino metro line are exposed to evaluate the performance of this estimator.