Constrained optimization under uncertainty of the driver’s command for energy saving of high-speed trains using computational stochastic nonlinear dynamics and statistics - TEL - Thèses en ligne
Thèse Année : 2022

Constrained optimization under uncertainty of the driver’s command for energy saving of high-speed trains using computational stochastic nonlinear dynamics and statistics

Optimisation sous contraintes et incertitudes de la commande du conducteur pour réduire la consommation énergétique des trains à grande vitesse à l'aide de la dynamique stochastique non linéaire et des statistiques

Résumé

The railway world is undergoing major changes. The advent of new technologies allows us to rethink the train system, but also face new challenges. The autonomous train is a significant advance in the field, but one must not forget all the ecological constraints that are now accentuated by the increase in energy costs. These issues raise a question: how can one make a train run autonomously while reducing its energy consumption? Several ideas can be explored to answer this question. This thesis work focuses on the optimization of the driver's command to limit the energy consumption of the trains. This problem is difficult to solve mainly because of the complexity of the railway system, the large amplitude of uncertainties attributed to the different model parameters, likewise, the importance of the constraints in the optimization problem. This thesis work is based on these three axes. Firstly, the train is a complex system whose dynamic behavior can be difficult to predict. The construction of a rigid body model allows for describing the elements constituting the train and all their interactions, but it is expensive to solve for long journeys. For this reason, the longitudinal dynamics is often preferred when it is sufficient. The energy consumed by the train must carefully be estimated as it constitutes a key element of this work.The second point focuses on the identification of the model parameters. This covers both models describing the dynamics and the energy consumption. But all trains do not behave in the same way. Therefore, the use of the probabilistic framework allows us to depict all these behaviors as much as is possible. The use of the Bayesian inference on a set of measurements performed on commercial trains brings the model closer to physical reality.Finally, the optimization problem is complex to solve. The optimization variables and the search domain must be carefully defined with respect to the physical framework. A set of constraints ensures safety, punctuality, as well as passenger comfort. The cost function must be close to the industrial objective. However, all these quantities are random variables. For this reason, a robust strategy has been set up to be able to take into account all the uncertainty related to the train system. The optimal solutions obtained are compared with measurements from commercial trains
Le monde ferroviaire est en pleine mutation. L'avènement de nouvelles technologies permet de repenser le système du train mais aussi de faire face à de nouveaux enjeux. Le train autonome est une avancée notable dans le domaine mais elle ne doit pas oublier l'ensemble des contraintes écologiques qui sont aujourd'hui accentuées par l'augmentation des coûts de l'énergie. Ces problématiques soulèvent une question: comment faire rouler un train de façon autonome tout en réduisant sa consommation énergétique ? Plusieurs pistes peuvent être explorées pour répondre à cette interrogation. Ce travail de thèse se penche sur l'optimisation de la commande du conducteur pour économiser l'énergie consommée par les trains. Ce problème est difficile à résoudre à cause de la complexité du système ferroviaire, de la grande amplitude d'incertitudes attribuée aux différentes grandeurs du modèle, ou encore de l'importance des contraintes dans le problème d'optimisation. Ce travail de thèse s'articule autour de ces trois axes. Dans un premier temps, le train est un système complexe dont le comportement dynamique peut s'avérer difficile à prévoir. La construction d'un modèle de corps rigides permet de représenter les éléments constituant le train et l'ensemble de leurs interactions mais celui-ci est coûteux à résoudre pour des trajets de grandes distances. Pour cette raison, la dynamique longitudinale est souvent privilégiée lorsque celle-ci est suffisante. L'énergie consommée par le train doit être estimée avec attention comme elle constitue un élément clé de cette recherche. Le deuxième point se focalise sur l'identification des paramètres du modèle. Ceux-ci couvent à la fois des grandeurs décrivant la dynamique, mais aussi la consommation énergétique. Mais les trains ne se comportent pas tous de la même façon. Aussi, l'utilisation du cadre probabiliste permet de représenter autant que possible l'ensemble de ces comportements. L'utilisation de l'inférence Bayésienne sur un ensemble de mesure réalisée sur des trains commerciaux rapproche le modèle de la réalité physique. Enfin, le problème d'optimisation est complexe à résoudre. Les variables d'optimisation ainsi que le domaine de recherche doivent être définis avec attention pour respecter le cadre physique. Un ensemble de contraintes assure la sécurité, la ponctualité et le confort des passagers. La fonction coût doit s'approcher de l'objectif industriel. Cependant, toutes ces grandeurs sont des variables aléatoires. Pour cette raison, une stratégie robuste a été mise en place pour être capable de tenir compte de l'ensemble des incertitudes liées au système. Les solutions optimales obtenues sont comparées avec des mesures de trains commerciaux
Fichier principal
Vignette du fichier
TH2022UEFL2033.pdf (5.99 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04048697 , version 1 (28-03-2023)

Identifiants

  • HAL Id : tel-04048697 , version 1

Citer

Julien Nespoulous. Constrained optimization under uncertainty of the driver’s command for energy saving of high-speed trains using computational stochastic nonlinear dynamics and statistics. Mechanical engineering [physics.class-ph]. Université Gustave Eiffel, 2022. English. ⟨NNT : 2022UEFL2033⟩. ⟨tel-04048697⟩
92 Consultations
41 Téléchargements

Partager

More