Energy crisis and environmental pollution have become urgent challenges worldwide, especially in the field of railway transport. As a significant energy consumer, the electric railway system faces significant energy wastage and carbon emission problems. In the context of the global response to climate change, improving the efficiency of railway energy use and reducing carbon emissions are key to achieving green and sustainable development. With the development of artificial intelligence and machine learning technologies, AI/ML-based energy management methods are gradually becoming effective tools for optimizing energy consumption in electric railway systems. These methods can enhance the energy use efficiency of trains in terms of feedback braking, speed control, energy storage and interaction with the grid through intelligent prediction, optimization algorithms and system dynamic modelling. This paper reviews traditional and emerging EMS approaches, analyses their applications and challenges in integrating renewables, ESS and grids. Then we evaluate their benefits in high power systems, energy hubs and electric vehicle charging facilities, and introduce their performance in managing the complex non- linear behavior of railway systems. Subsequently, by combing and summarizing more than 120 relevant papers, this paper introduces the application of various machine learning methods such as reinforcement learning, neural networks, and supervised learning in electric railway systems, and explores how to use these technologies to optimize energy management strategies and improve efficiency and sustainability of the system. Finally, this paper proposes future research directions to provide new solutions for the optimization of electrified railway systems.

La crisi energetica e l'inquinamento ambientale sono diventati sfide urgenti in tutto il mondo, soprattutto nel campo del trasporto ferroviario. In quanto importante consumatore di energia, il sistema ferroviario elettrico deve affrontare notevoli sprechi di energia e problemi di emissioni di carbonio. Nel contesto della risposta globale al cambiamento climatico, migliorare l'efficienza dell'uso dell'energia ferroviaria e ridurre le emissioni di carbonio sono fondamentali per raggiungere uno sviluppo verde e sostenibile. Con lo sviluppo dell'intelligenza artificiale e delle tecnologie di apprendimento automatico, i metodi di gestione dell'energia basati su AI/ML stanno gradualmente diventando strumenti efficaci per ottimizzare il consumo di energia nei sistemi ferroviari elettrici. Questi metodi possono migliorare l'efficienza dell'uso dell'energia dei treni in termini di frenata di feedback, controllo della velocità, accumulo di energia e interazione con la rete attraverso previsioni intelligenti, algoritmi di ottimizzazione e modellazione dinamica del sistema. Questo documento esamina gli approcci EMS tradizionali ed emergenti, analizza le loro applicazioni e le sfide nell'integrazione di energie rinnovabili, ESS e reti. Quindi valutiamo i loro vantaggi nei sistemi ad alta potenza, negli hub energetici e nelle strutture di ricarica dei veicoli elettrici e introduciamo le loro prestazioni nella gestione del complesso comportamento non lineare dei sistemi ferroviari. Successivamente, combinando e riassumendo più di 120 documenti pertinenti, questo documento introduce l'applicazione di vari metodi di apprendimento automatico come l'apprendimento per rinforzo, le reti neurali e l'apprendimento supervisionato nei sistemi ferroviari elettrici, ed esplora come utilizzare queste tecnologie per ottimizzare le strategie di gestione dell'energia e migliorare l'efficienza e la sostenibilità del sistema. Infine, questo documento propone future direzioni di ricerca per fornire nuove soluzioni per l'ottimizzazione dei sistemi ferroviari elettrificati.

Energy management systems in electric railway systems using machine learning

Guo, Jingwen
2024/2025

Abstract

Energy crisis and environmental pollution have become urgent challenges worldwide, especially in the field of railway transport. As a significant energy consumer, the electric railway system faces significant energy wastage and carbon emission problems. In the context of the global response to climate change, improving the efficiency of railway energy use and reducing carbon emissions are key to achieving green and sustainable development. With the development of artificial intelligence and machine learning technologies, AI/ML-based energy management methods are gradually becoming effective tools for optimizing energy consumption in electric railway systems. These methods can enhance the energy use efficiency of trains in terms of feedback braking, speed control, energy storage and interaction with the grid through intelligent prediction, optimization algorithms and system dynamic modelling. This paper reviews traditional and emerging EMS approaches, analyses their applications and challenges in integrating renewables, ESS and grids. Then we evaluate their benefits in high power systems, energy hubs and electric vehicle charging facilities, and introduce their performance in managing the complex non- linear behavior of railway systems. Subsequently, by combing and summarizing more than 120 relevant papers, this paper introduces the application of various machine learning methods such as reinforcement learning, neural networks, and supervised learning in electric railway systems, and explores how to use these technologies to optimize energy management strategies and improve efficiency and sustainability of the system. Finally, this paper proposes future research directions to provide new solutions for the optimization of electrified railway systems.
ING - Scuola di Ingegneria Industriale e dell'Informazione
3-apr-2025
2024/2025
La crisi energetica e l'inquinamento ambientale sono diventati sfide urgenti in tutto il mondo, soprattutto nel campo del trasporto ferroviario. In quanto importante consumatore di energia, il sistema ferroviario elettrico deve affrontare notevoli sprechi di energia e problemi di emissioni di carbonio. Nel contesto della risposta globale al cambiamento climatico, migliorare l'efficienza dell'uso dell'energia ferroviaria e ridurre le emissioni di carbonio sono fondamentali per raggiungere uno sviluppo verde e sostenibile. Con lo sviluppo dell'intelligenza artificiale e delle tecnologie di apprendimento automatico, i metodi di gestione dell'energia basati su AI/ML stanno gradualmente diventando strumenti efficaci per ottimizzare il consumo di energia nei sistemi ferroviari elettrici. Questi metodi possono migliorare l'efficienza dell'uso dell'energia dei treni in termini di frenata di feedback, controllo della velocità, accumulo di energia e interazione con la rete attraverso previsioni intelligenti, algoritmi di ottimizzazione e modellazione dinamica del sistema. Questo documento esamina gli approcci EMS tradizionali ed emergenti, analizza le loro applicazioni e le sfide nell'integrazione di energie rinnovabili, ESS e reti. Quindi valutiamo i loro vantaggi nei sistemi ad alta potenza, negli hub energetici e nelle strutture di ricarica dei veicoli elettrici e introduciamo le loro prestazioni nella gestione del complesso comportamento non lineare dei sistemi ferroviari. Successivamente, combinando e riassumendo più di 120 documenti pertinenti, questo documento introduce l'applicazione di vari metodi di apprendimento automatico come l'apprendimento per rinforzo, le reti neurali e l'apprendimento supervisionato nei sistemi ferroviari elettrici, ed esplora come utilizzare queste tecnologie per ottimizzare le strategie di gestione dell'energia e migliorare l'efficienza e la sostenibilità del sistema. Infine, questo documento propone future direzioni di ricerca per fornire nuove soluzioni per l'ottimizzazione dei sistemi ferroviari elettrificati.
File allegati
File Dimensione Formato  
2025_04_Jingwen Guo.pdf

non accessibile

Dimensione 8.09 MB
Formato Adobe PDF
8.09 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/235225