先说个结论2025年金地杯E题这种“高效铁路牵引供电系统能耗优化”的题目属于典型的工程优化类赛题比纯数据挖掘题更吃物理机理和建模功底。很多人一看“牵引供电”“AT供电”“再生制动”这些词就头大觉得这是电气工程专业的专属题自己碰不了。其实这类题的核心就两件事把能耗算清楚把优化目标和解空间建模建明白。只要掌握了关键的能量流动关系和优化算法套路非电气专业的队伍一样能拿奖。这篇文章我会从题目拆解、模型建立、算法选型、代码实现到论文写作把整套思路完整走一遍。内容主要针对E题“高速铁路牵引供电系统能耗优化”但里面的建模方法、代码框架放到其他工程优化题里也能直接套用。适合正在准备金地杯、国赛或者其他数学建模竞赛的同学参考也适合对轨道交通能耗优化感兴趣的技术人员快速入门。1. 题目到底在考什么先看清能耗优化的全貌1.1 高速铁路牵引供电系统的能量流动框架很多队伍拿到题后直接跳到“优化算法”结果模型建得不对后面全是白算。我建议第一步先把系统的能量流动图画清楚。高铁牵引供电系统最典型的能量路径是这样的外部电网送入牵引变电所经过变压器降压后通过接触网给动车组供电列车上的牵引电机把电能转成机械能驱动列车一部分能量以动能的形式在车轨之间流转列车制动时电机会转为发电机工况把动能转成电能回馈到接触网上这部分就是再生制动能量。模型里要同时考虑三个能量去向第一部分被本车或其他正在牵引的列车直接利用第二部分馈回电网也被称为回馈电能第三部分消耗在供电线路阻抗和变压器阻抗上变成热量。能耗优化的本质就是让前两部分的利用率最大化第三部分的损耗最小化。这个能量流动关系决定了你要算哪些量、建哪些子模型。1.2 这类题通常分成几个问题层次根据近几年的命题风格这类题一般不会只让你算一个总量而是按“从物理到工程”的逻辑层层递进。第一问往往是让你根据给定的线路参数和列车运行数据计算单列车的牵引能耗和再生制动能量这是整个模型的底座。第二问会上升到运行层面比如优化列车驾驶策略速度曲线或者优化列车运行图从而降低总能耗。第三问则更综合可能让你考虑加装储能装置或者优化牵引变电所间的协同调度在系统层面进一步削峰填谷。看清楚这个层次非常重要。第一问考物理机理第二问考优化建模第三问考系统协同每一问的技术栈都不一样。很多队伍第一问就陷入过度精细的仿真第二问来不及做优化第三问只能硬套一个粒子群算法上去导致整体逻辑断裂。我的建议是无论题目怎么问都用“能耗计算模型 优化决策变量 评价指标”这个三段式去套每一步都明确自己在做什么。2. 能耗计算模型先把每一焦耳电能都算明白2.1 列车受力分析与牵引能耗计算列车能耗计算的起点是牛顿第二定律。列车上运行方向的受力包括牵引力、制动力、基本运行阻力、坡道附加阻力、曲线附加阻力和隧道附加阻力建模前要对这些力做归一化处理。用公式来表达就是[ m(1\gamma)a F_t - F_b - R_b - R_g - R_r - R_t ]其中m是列车质量γ是回转质量系数通常取0.06到0.1之间a是加速度F_t是牵引力F_b是制动力R_b是基本运行阻力R_g是坡道阻力R_r是曲线阻力R_t是隧道阻力。基本阻力通常用戴维斯公式拟合为速度的二次函数例如R_b A Bv Cv²不同车型的A、B、C参数会直接给在题目附件里。有这条受力方程后牵引能耗的计算就顺利成章了把整个运行区间按时间或者距离离散成很多小区间在每个区段读取牵引力、速度和时间步长累加F_t × v × Δt最后除以牵引传动系统的综合效率就是列车的输入电功率。这里有个很多初学者容易犯的错误——直接用F_t × s距离去算能量没考虑效率也没区分做功和能耗结果算出来的数值明显偏大。实际工程中电机的效率、变流器的效率和齿轮传动效率都是分开算的竞赛时如果题目没有给详细的效率曲线就用一个固定的综合效率比如0.88到0.92之间代替并在论文里注明假设。2.2 再生制动能量与供电网络损耗再生制动能量计算是这道题的拿分点之一。列车制动时牵引电机作为发电机运行把动能转为电能回馈到接触网。理论上制动力做的功就是可回收的机械能量再乘上制动发电效率就得到回馈到网侧的电能。但实际能利用多少取决于列车所在供电臂上是否有其他列车正在取电也取决于接触网电压能否抬升到回馈允许的范围——如果整个供电臂上都没有负载再生能量无处消化电压就会升高列车只能把多余的能量用制动电阻消耗掉。供电网络损耗则需要做一个简单的潮流计算。牵引供电网络可以简化为包含电源牵引变电所和负荷列车的电路模型损耗主要的来源有线路电阻损耗和变压器铜耗计算方式就是I²R。如果题目给的是线路单位阻抗和长度你需要根据列车位置求接触网电流分布如果懒得做全网潮流也可以用平均电流法做估算。竞赛题一般不会要求做特别精确的潮流但你要在论文里说清楚你简化到哪一步别做“上来就一阶等效电路到底”的粗暴处理。2.3 储能装置建模的关键参数如果第三问涉及储能超级电容、电池或飞轮建模时重点抓住四个参数容量kWh、最大充放电功率kW、充放电效率和荷电状态SOC约束。储能装置的成本要按容量和功率分开计价因为超级电容的大功率特性好但能量密度低电池则相反这个差异本身就是优化模型里的一对矛盾。在数学建模的层面储能模型往往写成一个离散时间的差分方程SOC_{t1} SOC_t P_c × Δt × η_c充电时或者SOC_{t1} SOC_t - P_d × Δt / η_d放电时。决策变量就是每个时间步的充放电功率约束条件是SOC始终在0.2到0.9之间充放电功率不超过额定值还要保证终态SOC和初态SOC一致周期运行假设。有了这个差分模型你才能把“储能容量怎么配置”“充放电策略怎么制定”写成可以求解的优化问题。3. 建模思路从简化基线到系统优化3.1 建议的赛题问题分析逻辑拿到E题以后第一件事不是急着建优化模型而是先把原始数据逐项读一遍。线路数据分段长度、坡度曲线半径、隧道位置、列车数据自重、载重、牵引特性曲线、制动特性曲线、阻力系数、运行数据速度-时间曲线、区间运行时分、追发间隔这三类数据基本是每问都绕不开的。把这些数据整理成统一的DataFrame或者结构体之后先写一个脚本把基础的牵引能耗算出来跟题里给的参考值做一次比对。对得上说明理解正确后面再往上加优化模型才靠谱。3.2 第一类问题单列车能耗计算与验证如果是计算单列车从A站到B站的能耗直接用第2节说的受力分析和能耗累加法即可。实操时我建议按“距离步长”而不是“时间步长”来离散因为线路坡度、限速都是按里程给出的按距离切分跟数据对得更齐。伪代码如下把区间分成N段每段长度Δs根据该段的坡度和限速确定允许速度再用牵引/制动/惰行的三段式策略模拟列车运行累计得到牵引能耗、再生制动能量和区间运行时分。算完之后一定要做两个交叉验证一是对比运行时分是否与已知时刻表相符误差超过5%说明速度曲线设置有问题二是对比平均吨公里能耗是否和题目给的参考值同一量级如果差了几十倍大概率是单位制写错了kW和kWh分不清可是竞赛重灾区。这类验证步骤写进论文里会显得你们团队特别像工程师。3.3 第二类问题驾驶策略或运行图优化第二问的常见优化目标有两个一是给定运行时分约束下最小化牵引能耗二是同时考虑再生制动利用率的运行图优化。对于前一种决策变量是列车的速度曲线离散后每个区段的控制模式可以用动态规划做也可以用遗传算法搜一条节能速度曲线。经典的做法是把限速和坡度信息编码成一个个子区间每个子区间决策是“全力牵引”“巡航”“惰行”“制动”中的哪一种目标函数是总能耗最小约束是始末速度为零、全程运行时分等于规定值。如果题目要求优化运行图问题就变成一个包含多个列车的时间窗口分配问题。同一供电臂上多列车同时牵引会加深网压降落和能耗而一列车制动时如果能“碰上”另一列车牵引再生能量就能被直接吸收。所以调整发车间隔和站停时分能明显改变整个供电系统的净能耗。这个问题的整数变量较多建议先用一个简单的模拟模块算每次调整的系统能耗变化再用手动或启发式算法寻优别一上来就摆一大堆整数规划。3.4 第三类问题储能配置与系统协同优化第三问如果是储能配置决策变量包括储能位置通常是牵引变电所母线或供电臂关键节点、储能容量和额定功率。双层的优化框架很常见——外层用遗传算法搜索容量和位置组合内层用线性规划或规则策略求解每个候选方案下的充放电运行策略外层目标可以设为全系统年均总成本最低能耗费用加设备投资折旧和维护费用。这样做的好处是内外层各司其职问题规模不至于爆炸。如果题目最后还让你写建议书或者做政策分析记得把优化结果折算成“每列车每公里的能耗降幅”和“投资回收期”。这两个指标是评卷老师最容易留下印象的亮点也能体现你的模型不只是在数学上优雅而且有工程落地价值。我见过很多队伍把储能容量优化到小数点后好几位却完全没算造价回收期这就很可惜因为工程题的加分项恰恰是这种实用意义。4. 代码实现从零搭起能耗优化主流程4.1 用Python搭牵引计算与数据读取骨架整道题的代码建议统一用Python Pandas NumPy来做因为数据处理、模型求解、出图都能在一个环境里搞定。第一步是写一个读取线路数据和列车数据的函数把题目附件里的坡度、限速、隧道、车型参数整理成统一的数据结构。线路数据切分后合并成表就行关键是要保证“里程列”能严格对齐否则后续离散化一定会出错。下面这段是我常用的线路数据读取与预处理代码骨架import pandas as pd import numpy as np def load_track_data(csv_path): # 假设CSV包含: mileage, grade, curve_radius, tunnel_flag, speed_limit df pd.read_csv(csv_path) df df.sort_values(mileage).reset_index(dropTrue) # 曲线阻力简化项半径不为0时按600/radius折算附加阻力 df[curve_res] np.where(df[curve_radius] 0, 600 / df[curve_radius], 0) df[tunnel_res] np.where(df[tunnel_flag] 1, 0.00065, 0) return df def load_train_params(xlsx_path): # 返回质量、回转系数、基本阻力参数A/B/C、效率等 params pd.read_excel(xlsx_path, index_col0).squeeze(columns) return { mass: params[mass], # 单位t rotary: params[rotary], A: params[A], B: params[B], C: params[C], eff: params[eff], # 牵引传动综合效率 Pmax: params[Pmax], # 最大牵引功率kW }注意这里把曲线阻力用了一个简化公式处理。不同的题目附件会给不同的阻力系数和阻力公式一切以题目给定的为准。如果题目没给我一般会直接搜索轨道交通列车运行阻力经验公式把出处写进论文附录评卷时显得有理有据。4.2 牵引能耗计算的核心函数实现接下来写列车运行仿真。为了稳定性和可调试性我建议用固定时间步长比如0.5s或1s做数值积分。每一步根据当前速度判断能否用最大牵引力、是否进入限速区以及是否需要制动来满足停车位置。下面是一个简化的仿真帧函数def train_step(state, track_seg, train, mode, dt): v state[speed] # 当前速度 m/s pos state[position] # 当前位置 m # 计算基本阻力 N R train[A] train[B] * v train[C] * v**2 # 坡道阻力 N, mass为t, grade为千分数 Rg train[mass] * 9.8 * track_seg[grade] / 1000 Rr train[mass] * 9.8 * track_seg[curve_res] Rt train[mass] * 9.8 * track_seg[tunnel_res] resist R Rg Rr Rt m_eff train[mass] * 1000 * (1 train[rotary]) # 有效质量 kg if mode traction: # 最大牵引力受速度限制这里用简单恒功率近似 F min(train[Pmax] * 1000 / max(v, 0.1), 300000) a (F - resist) / m_eff energy F * v * dt # 机械功 J elif mode brake: a (-train[brake_force] - resist) / m_eff # 再生制动能量 min(回收能力, 动能变化) # 这里做后处理先只更新状态 else: # coast a -resist / m_eff ...这里必须提醒一句上面的代码只是示意实际竞赛中牵引力建议直接从列车牵引特性曲线插值得到别用恒功率公式硬算。很多题目附件里会给出“速度-最大牵引力”对照表你直接用np.interp做插值既准确又省事。再生制动能量建议在整段仿真结束后通过动能变化量乘以回收效率来统计不要在每个时间步里硬算瞬时功率因为制动过程中牵引力曲线往往是非线性的硬算容易出振荡数值。4.3 用遗传算法优化速度曲线的完整示例第二问如果选择遗传算法优化驾驶策略代码结构可以分成三块编码与解码、目标函数、遗传算子。我习惯把一个完整区间切成若干个子区间比如40到60个决策变量是每个子区间的控制模式编码0惰行1牵引2制动外加一个巡航速度系数做实数编码。目标函数是总能耗最小约束用罚函数处理运行时分偏差。下面是一个精简版的遗传算法主循环整体思路可以直接照用到很多题里def fitness(individual, track_data, train, target_time): speed_curve, energy, total_time run_simulation(individual, track_data, train) # 运行时分越接近目标越优能耗越低越优 time_penalty ((total_time - target_time) / target_time) ** 2 return energy * (1 10 * time_penalty) # 罚函数法 def genetic_algorithm(...): pop init_population(pop_size50) for gen in range(max_gen): scores [fitness(ind) for ind in pop] # 选择、交叉、变异 selected selection(pop, scores) new_pop crossover_and_mutate(selected) pop new_pop return best_individual(pop)说句实在话遗传算法的调参并不复杂种群大小50到100就够交叉概率0.8左右变异概率0.1左右。关键是解码后每个个体都要调用一次完整的运行仿真如果仿真步长设得太密整个寻优过程会非常慢。我强烈建议优化阶段先用较大步长比如1s或更粗跑等得到满意解后再用更小步长精算一次能耗作为论文中的最终结果。4.4 多列车供电臂仿真与储能优化框架到了第三问代码的重点会从单车仿真切换到供电臂的多车潮流计算。多车仿真时每列车都有自己的运行图位置你要在每个时间步汇总所有列车的牵引功率和再生功率再考虑接触网线损和变压器容量限制。只要题目给的是单个供电臂的简化数据用“功率平衡法”就够了——牵引总功率加上线损减去再生利用部分就是系统从变电站吸取的总功率。储能优化我建议写成内外两层循环。外层枚举候选储能位置和容量遗传算法或网格搜索都行内层用一个简单的规则控制器管理储能充放电再生能量高于阈值时充电牵引功率高于阈值时放电同时盯紧SOC边界。用规则控制器而不是优化求解器是因为内层一旦嵌入线性规划整个外层遗传算法就要迭代成千上万次求解时间会拖到怀疑人生。先把规则控制器的结果跑出来确认某个容量等级有效果再对最有潜力的几个方案用线性规划精算一遍效率和精度都能兼顾。5. 常见坑与实战排错手记5.1 数据单位与物理量纲的坑这类题里埋在数据预处理阶段的坑比模型里多得多。速度单位经常在km/h和m/s之间来回切换坡度单位有千分率也有百分比功率有kW和MW混用的能量kW·h和J混用的。我见过一个队伍直接拿km/h的速度去算了动能结果再生制动能量是负数折腾了大半天才发现是单位问题。建议从读入数据开始就建立一套统一的国际单位转换函数比如把速度统一转成m/s坡度统一转成千分率功率统一转成kW并把转换后的表先输出一份检查和调试用。5.2 运行时分约束没法满足优化驾驶策略时最常见的现象是遗传算法搜出来的速度曲线能耗很低但跑一遍发现实际运行时分跟题目要求差了一两分钟。这往往是因为编码时把巡航速度上下限设得太自由导致算法把所有区段都变成了惰行。解决办法是做一个自适应罚函数运行时分偏短就提高巡航速度下限偏长就降低巡航速度上限。更省事的做法是固定运行时分不变只优化各阶段的“牵引-惰行-制动转换点”这样运行时分会自动落在目标附近优化负担也小很多。5.3 储能优化结果不理想如果储能方案优化后系统节能率只有1%甚至为负不要急着加更多约束先检查再生制动能量本身有多少可回收。问题往往出在单车运行图的设置上列车制动太短或者和其他列车牵引时间段完全错开储能装置根本没有足够的“货源”可存。可以先画一张全天的牵引功率和再生功率时间序列图盲区一目了然。只有先保证再生制动能量有足够的富余度储能优化才有发挥空间这个逻辑顺序千万别搞反。5.4 论文中图和表的处理论文插图不是随便截个Pyplot的默认样式就行的。评卷老师每天看几百份论文最烦的就是坐标轴没写单位、曲线没有图例、同一张图里用了三四种风格。我习惯用一套固定的论文绘图模板全局统一字体、字号和配色曲线粗细保持一致图上直接标出关键转折点这样给评委的第一印象就比大批默认配色的论文高一大截。表格也一样所有仿真结果必须带上相对基准方案的降幅百分比别只丢一堆绝对数值。6. 复盘总结几件值得记住的事比赛结束之后我再回头看这类题最大的感受是它其实不要求你懂多少电气工程知识而是考察你把一个物理过程“数学化”的能力。能量流动关系看清楚了优化建模就顺了反过来如果第一问仿真和验证做得扎实后面几问不管题目怎么变你都有一条清晰的主线可以穿起来。另外想多说一句关于团队分工的建议这类工程优化题的分工最好是一个主攻仿真建模、一个主攻优化算法、一个主攻论文和图表质量三线并行再合并。比赛时间就72小时千万别三个人对着同一段代码改那是最浪费时间的操作。要是你们队对这类题感兴趣赛前可以提前把本文提到的牵引计算骨架、遗传算法库、绘图模板各练一遍比赛时直接复用能节省出至少五六个小时来写论文。