تحلیل نقش هوش مصنوعی در مدیریت بازیابی انرژی ترمز در مترو

در سیستم های مترو، قطارهای مدرن مجهز به ترمز بازتولیدی هستند که انرژی جنبشی را به انرژی الکتریکی تبدیل می کنند، اما در صورت مدیریت نامناسب، این انرژی در مقاومت های ترمز به گرما هدر می رود. هدف پژوهش حاضر تحلیل نقش هوش مصنوعی در مدیریت بهینه انرژی ترمز بازتولیدی و کاهش هدررفت آن در شبکه های مترو است. بر اساس هدف، روش پژوهش با رویکرد تحلیلی-کاربردی و با بررسی مقالات معتبر داخلی و بین المللی انجام شده است که چهار گروه از روش های هوشمند شامل یادگیری تقویتی عمیق، یادگیری چندوظیفه ای، مدل های داده محور و الگوریتم های تکاملی را در حوزه های بهینه سازی سرعت، مدیریت ذخیره سازهای هیبریدی، زمان بندی حرکت و کنترل پست های برگشت پذیر ارزیابی کرده است. نتایج پژوهش نشان داده که مدل داده محور مبتنی بر شبکه عصبی با کاهش زمان محاسبات به ۰.۳۳ درصد شبیه سازی جریان توان، انرژی مصرفی پست ها را ۱۳ درصد کاهش می دهد. الگوریتم نرم بازیگر-نقد در سیستم های ذخیره ساز هیبریدی، مصرف انرژی را ۱۸.۵ درصد و جریان پیک را ۳۴.۶۹ درصد کاهش می دهد. چارچوب یادگیری تقویتی عمیق دو مرحله ای در بهینه سازی جدول زمانی، مصرف کلی انرژی را ۱۰ درصد پایین می آورد و مدیریت بلادرنگ پست های برگشت پذیر، صرفه جویی روزانه ۸.۳۰ درصدی را در خط ۳ مترو چینگدائو به همراه داشته است. بر اساس نتایج، پیشنهاد می شود که متروها با نصب مبدل های دوطرفه در پست های تغذیه، استفاده از سیستم های ذخیره سازی هیبریدی و پیاده سازی الگوریتم های یادگیری تقویتی، گام های عملی در جهت بهینه سازی بازیابی انرژی ترمز بردارند و مطالعات امکان سنجی اقتصادی را برای هر یک از فناوری ها انجام دهند.

کلیدواژه ها:

هوش مصنوعی ، انرژی ترمز بازتولیدی ، یادگیری تقویتی عمیق ، سیستم های ذخیره سازی انرژی ، مترو