Estudio y optimización del consumo energético del ferrocarril mediante redes neuronales y algoritmos heurísticos

Abstract

[ES] El transporte es una actividad fundamental en las sociedades modernas, pero también es uno de los sectores que más contribuye al consumo energético y a las emisiones. El ferrocarril es uno de los medios de transporte más eficientes, pero todavía existe un margen de mejorar para reducir su consumo energético y aumentar su sostenibilidad. Uno de los modos más efectivos para lograr esto, especialmente en ferrocarriles de ámbito urbano, es mediante la optimización de marchas. Existen muchos estudios que afrontan este problema a través de la simulación y el uso de algoritmos que identifican perfiles de conducción eficiente bajo múltiples escenarios. En este contexto, el propósito de la tesis doctoral es contribuir al conocimiento de las herramientas empleadas para estudiar el consumo energético en el ferrocarril de ámbito urbano, centrándose por un lado en estudiar el posible uso de redes neuronales como instrumento de simulación, y por otro lado llevando a cabo una comparativa sistemática de algunos de los algoritmos meta-heurísticos de optimización más usados. Para ello, se ha desarrollado un simulador de marchas combinado con una red neuronal, el cual parte de una serie de comandos que representan la salida del sistema ATO, y calcula el correspondiente perfil de velocidad, tiempo de viaje y consumo energético. El simulador ha sido validado con datos reales medidos en la red de metro de Valencia, con un error medio del 2,87% en la estimación de tiempo y del 3,62% en la estimación de la energía. Mediante este simulador se han calculado más de 5.800 combinaciones de comandos ATO para 32 tramos de la red de metro de Valencia (considerando ambos sentidos de circulación) y se han calculado los frentes de Pareto reales para cada caso. A partir de aquí, se han aplicado cinco algoritmos meta-heurísticos (NSGA-II, MOPSO, SPEA-II, MOEA-D y MOACOr) para obtener conjuntos de soluciones no-dominadas en cada uno de los 64 casos de estudio, y se ha evaluado el grado de convergencia, regularidad y diversidad de cada conjunto de soluciones con una serie de métricas, aplicando un análisis estadístico para detectar diferencias significativas. Se ha observado que los cinco algoritmos ofrecen resultados similares en términos de convergencia y regularidad, pero que el algoritmo MOPSO destaca significativamente en términos de diversidad (y, en menor medida, el algoritmo SPEA-II), siendo el algoritmo más habitual (NSGA-II) el que peor resultados presenta en este sentido. Estos resultados pretenden ofrecer una cierta guía para escoger algoritmos más efectivos en futuros estudios de optimización de marchas ferroviarias.

[CA] El transport és una activitat fonamental en les societats modernes, però també és un dels sectors que més contribueix al consum energètic i a les emissions. El ferrocarril és un dels mitjans de transport més eficients, però encara hi ha marge per a reduir el seu consum energètic i augmentar la seua sostenibilitat. Un dels modes més efectius per a fer això, especialment en ferrocarrils d'àmbit urbà, es mitjançant l'optimització de marxes. N'hi ha molts estudis que afronten aquest problema mitjançant la simulació i l'ús d'algoritmes que identifiquen perfils de conducció eficient baix múltiples escenaris. En aquest context, el propòsit d'aquesta tesi doctoral és contribuir al coneixement de les eines utilitzades per a estudiar el consum energètic en el ferrocarril d'àmbit urbà, centrant-se, per una banda, en estudiar l'ús de xarxes neuronals com a instrument de simulació, i per altra fent una comparació sistemàtica d'alguns dels algoritmes meta-heurístics més utilitzats. Per a fer això, s'ha desenvolupat un simulador de marxes combinat amb una xarxa neuronal que, partint d'uns comandaments que representen l'eixida del sistema ATO, calcula el corresponent perfil de velocitats, temps de viatge i consum energètic. El simulador ha estat validat amb dades reals mesurades en la xarxa de metro de València, amb un error mitjà del 2,8% en l'estimació del temps i del 3,62% en l'estimació de l'energia. Mitjançant aquest simulador s'han calculat més de 5.800 combinacions de comandaments ATO per a 32 trams de la xarxa de metro de València (considerant ambdós sentits de circulació), i s'han calculat els fronts de Pareto reials per a cada cas. A partir d'ací, s'han aplicat cinc algoritmes meta-heurístics (NSGA-II, MOPSO, SPEA-II, MOEA-D i MOACOr) per a obtindre conjunts de solucions no-dominades en cadascú dels 64 casos d'estudi, i s'ha avaluat el grau de convergència, regularitat i diversitat de cada conjunt de solucions amb una sèrie de mètriques, aplicant un anàlisi estadístic per a detectar diferències significatives. S'ha observat que els cinc algoritmes ofereixen resultats similars pel que fa a convergència i regularitat, però que l'algoritme MOPSO destaca significativament pel que fa a diversitat (i, en menor grau, l'algoritme SPEA-II), mentre que l'algoritme més habitual (NSGA-II) és el que dona pitjor resultats en aquest sentit. Aquestos resultats pretenen oferir una mena de guia per a escollir algoritmes més efectius en futurs estudis d'optimització de marxes ferroviàries.

[EN] Transport is one of the most fundamental activities of modern societies, but it is also one of the sectors with higher energy consumption and associated emissions. Railways are one of the most efficient transport means, but there is still margin to reduce their energy consumption and to improve their sustainability. One of the most effective ways to do so, particularly in urban railways, is to optimise speed profiles. Several studies focus on this problem by using simulation and algorithms to identify efficient speed profiles under different scenarios. In this context, the main objective of this doctoral thesis is to contribute to the knowledge regarding tools used to study railways energy consumption in urban railways. The thesis focuses, on the one hand, on studying the potential use of neural networks as simulation tools. On the other hand, the thesis carries out a systematic comparison between a few of the most used meta-heuristic optimisation algorithms. Hence, a driving simulator combined with a neural network has been developed. This simulator takes a set of commands, which represent the output of the ATO system, and calculates the corresponding speed profile, travel time and energy consumed. The simulator has been validated using real data measured in the Valencia metro network, with an average error of 2.87% (time estimation) and 3.62% (energy estimation). Using this simulator, more than 5,800 combinations of ATO commands have been simulated in 32 inter-station stretches selected from the Valencia metro network (considering both directions of travel) and the corresponding real Pareto fronts have been calculated. Afterwards, five meta-heuristic algorithms (NSGA-II, MOPSO, SPEA-II, MOEA-D and MOACOr) have been used to obtain sets of non-dominated solutions for each of the 64 case studies. The convergence, regularity and diversity of these solution sets have been then evaluated through a series of metrics, applying statistical analysis to determine whether any difference found was significant. The results show that all five algorithms perform similarly in terms of convergence and regularity, but that MOPSO performs significantly better in terms of diversity (and, to a lesser extent, SPEA-II), while the most common algorithm (NSGA-II) yields poorer results. These conclusions aim to offer a guide to choose more effective algorithms for future railways optimisation studies.