✅作者简介:热爱科研的Matlab仿真开发者,擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页:Matlab科研工作室
🍊个人信条:格物致知,完整Matlab代码及仿真咨询内容私信。
🔥 内容介绍
随着全球对可持续发展的重视以及对能源高效利用的追求,电动铁路凭借其环保、高效等优势在现代交通运输体系中占据着愈发重要的地位。在电动铁路牵引系统中,再生能量的利用成为提升系统能效、降低能耗的关键环节。当列车制动时,通过再生制动技术可将列车的动能转化为电能,这些再生电能若能被准确量化并合理利用,不仅能减少列车运行对外部能源的依赖,还能显著降低运营成本,符合绿色交通发展的趋势。然而,再生能量的产生受到多种复杂因素影响,如列车运行工况、线路条件等,实现精准的量化分析面临诸多挑战。深入研究电动铁路牵引系统中再生能量的量化问题,对推动电动铁路的可持续发展具有重要的现实意义。
二、电动铁路牵引系统概述
2.1 系统构成
电动铁路牵引系统主要由牵引供电系统和电力列车两大部分组成。牵引供电系统负责从外部电力系统获取电能,并将其转换为适合电力列车使用的形式进行输送。在直流牵引系统中,牵引变电所会将三相交流电降压并整流为直流电,常见的直流供电电压等级有 DC 750V(允许波动范围为 500V - 900V)和 DC 1500V(允许波动范围为 1000V - 1800V)等,国际电工委员会(IEC)对这些电压等级予以推荐 。牵引网则由馈电线、接触网、轨道和回流线构成,其中接触网是列车获取电能的关键部件,列车通过受电器与接触网可靠滑动接触来持续获取电能 。电力列车作为牵引系统的执行单元,包含了牵引电机、控制系统以及制动系统等关键部分,这些部分协同工作,实现列车的牵引与制动操作 。
2.2 工作原理
在列车牵引阶段,牵引供电系统将电能传输给列车的牵引电机,牵引电机将电能转换为机械能,驱动列车运行。而当列车需要制动时,再生制动机制启动。此时,牵引电机转变为发电机工况,列车的动能带动电机转子旋转,切割定子绕组,从而在定子中感应出电动势,产生电能。在直流牵引系统中,这些再生电能会通过转换电器和受电弓反馈给供电触网,若供电触网中有其他相邻运行的列车,这些再生电能便可被其利用 。再生制动过程本质上是一个能量回收的过程,可将列车一部分的动能转化为电能并加以储存或利用,一般其效率约为 30% 的动能 。但在实际运行中,由于受到多种因素影响,再生能量的回收效率和实际产生量会有所波动。
三、再生能量产生原理
3.1 再生制动技术原理
再生制动是基于电机的可逆原理实现的。当列车处于制动状态时,通过电路切换,使牵引电机从电动机模式转变为发电机模式。在直流牵引系统中,若切除电源,电动机因惯性继续转动,此时往转子中通入相比正常运行时功率较小的励磁电源,从而产生磁场。该磁场随着转子的物理旋转,切割定子的绕组,进而在定子中感应出电动势 。这一电动势通过电力装置接入电网,实现能量回馈,同时在电机轴上产生与转速方向相反的反转力矩,起到制动作用 。在不同类型的电动铁路系统中,如地铁、轻轨以及干线铁路等,再生制动技术虽原理相同,但在具体应用和参数设置上会因系统特点有所差异。
3.2 能量转换过程
在列车制动初期,列车具有较大的动能,随着制动的进行,列车速度逐渐降低,动能不断减少。在这个过程中,列车的动能通过牵引电机转化为电能。以直流牵引电机为例,其能量转换过程可通过电磁感应定律和电机学原理来解释。当电机处于发电状态时,转子的机械能通过电磁感应转换为定子绕组中的电能 。这些电能一部分会在传输过程中因线路电阻等因素产生损耗,剩余部分则反馈到供电触网或被列车自身储能装置储存。在理想情况下,若不考虑能量传输损耗,列车制动过程中损失的动能应全部转化为电能,但实际中由于线路电阻、电机效率等因素,存在一定的能量损失。
四、再生能量的量化分析方法

五、影响再生能量的因素
5.1 列车运行工况
列车的运行工况对再生能量的产生有着显著影响。列车的运行速度是关键因素之一,一般来说,列车制动前的速度越高,其具有的动能就越大,在制动过程中可回收的再生能量也就越多。例如,高速运行的干线铁路列车在制动时产生的再生能量通常要高于城市地铁列车 。此外,列车的加速度和减速度也会影响再生能量。频繁的启动和制动会导致列车动能的频繁转换,在这个过程中,若再生制动系统能够及时有效地工作,可产生较多的再生能量,但同时也会增加系统的损耗 。列车的载重情况同样不可忽视,载重越大,列车的惯性越大,制动时需要消耗更多能量,相应地可回收的再生能量也会增加 。
5.2 线路条件
线路条件包括线路坡度、曲线半径等,对再生能量产生重要影响。在线路坡度方面,当列车处于下坡运行时,列车的势能会转化为动能,使得列车速度增加,此时若进行制动,不仅要消耗列车自身原有的动能,还要消耗因下坡增加的动能,因此可回收的再生能量会显著增加 。相反,在上坡路段,列车需要消耗更多能量来克服重力,再生能量产生较少甚至可能不存在 。曲线半径对再生能量也有影响,较小的曲线半径会使列车运行阻力增大,在制动时列车动能的减少速度加快,可能导致再生制动系统无法充分发挥作用,从而减少再生能量的产生 。不同类型的线路,如城市轨道交通线路和干线铁路线路,由于其设计标准和运行要求不同,再生能量的产生情况也会有较大差异。
六、再生能量的利用与优化
6.1 现有利用方式
目前,电动铁路牵引系统中再生能量的利用方式主要有两种。一种是将再生能量反馈到供电触网,供相邻运行的列车使用。在直流牵引系统中,当列车制动产生再生电能时,若供电触网中有其他列车处于牵引状态,这些再生电能可直接传输给牵引列车,实现能量的共享 。例如,在城市地铁系统中,由于列车运行密度较大,相邻列车之间的距离较短,再生能量反馈到供电触网后,很容易被其他列车利用,从而提高了能量的利用效率 。另一种方式是在列车上安装储能装置,如超级电容器或电池,将再生能量储存起来,在列车需要时再释放使用 。这种方式适用于一些再生能量难以被及时利用的场景,如在一些运行间隔较大的铁路线路上,通过储能装置可实现再生能量的 “错峰” 利用 。
6.2 优化措施
为了提高再生能量的利用效率,可以采取一系列优化措施。在系统层面,可以通过优化列车运行时刻表,使列车的制动和牵引过程更好地匹配,增加再生能量被相邻列车利用的机会 。例如,合理安排列车的发车时间和运行间隔,避免出现大量列车同时制动或同时牵引的情况,从而提高供电触网中再生能量的利用率 。在技术层面,改进再生制动系统的控制策略,提高其能量转换效率。采用先进的电力电子技术,降低再生制动系统在能量转换过程中的损耗 。同时,研发高效的储能装置,提高列车自身对再生能量的储存和利用能力 。例如,采用新型的超级电容器,其具有充放电速度快、循环寿命长等优点,能够更好地适应列车再生能量的快速充放电需求 。此外,还可以通过智能电网技术,实现对再生能量的实时监测和调度,进一步优化再生能量的利用。
七、结论
电动铁路牵引系统中的再生能量量化分析对于提高系统能效、实现可持续发展具有重要意义。通过对电动铁路牵引系统构成及工作原理的了解,明确了再生能量产生的基础。基于列车动力学模型计算和实测法等量化分析方法,能够较为准确地评估再生能量。列车运行工况和线路条件等多种因素显著影响再生能量的产生。当前,再生能量主要通过反馈供电触网和车载储能装置两种方式加以利用,并且可通过优化列车运行时刻表、改进再生制动系统控制策略等措施提升利用效率。未来,随着技术的不断进步,如新型储能材料和智能控制算法的发展,有望进一步提高再生能量的量化精度和利用水平,推动电动铁路牵引系统向更加高效、绿色的方向发展。在实际工程应用中,应综合考虑系统的各种因素,制定合理的再生能量利用方案,以充分发挥电动铁路在能源利用和环境保护方面的优势。
⛳️ 运行结果




🔗 参考文献
[1] 张民.再生制动工况下高速铁路牵引供电系统谐波与负序分析[D].西南交通大学,2012.DOI:10.7666/d.y2109408.
[2] 冯东.高速列车同步牵引系统仿真研究[D].浙江大学,2012.
[3] 郭跃进,丁璨,游海川,等.考虑制动能量转移的复杂电气化铁路牵引用光伏发电系统综合能量管理策略[J].电工材料, 2024(2):54-58.
📣 部分代码
🎈 部分理论引用网络文献,若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真,助力科研梦:
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划(EVRP)、 双层车辆路径规划(2E-VRP)、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
1098

被折叠的 条评论
为什么被折叠?



