阅读提示：本文约 1800 字
导语
当新能源、储能系统与电气化铁路深度融合，轨道交通能源系统正在从传统供电模式迈向 “网-源-储-车”协同供能的新阶段。然而，新能源出力波动、电力机车负荷冲击以及多主体能量交互复杂性，也给实时能量管理带来了巨大挑战。
针对这一问题，西南交通大学牵引供电系统团队提出了一种基于多主体依互与在线学习的图神经网络能量超前管控方法，让系统不仅能够 “看见当下”，更能够 “超前管控下一步”，实现新能源、储能与电力机车之间的高效协同供能。
研究背景
在“双碳”目标和交通强国战略背景下，将新能源和储能系统接入既有牵引供电系统，构建“网-源-储-车”协同供能系统，是推动轨道交通绿色低碳发展的重要途径。然而，随着新能源和储能系统接入，新能源出力的波动性与不确定性、电力机车牵引和制动状态的频繁切换以及牵引负荷的冲击性，使新能源、储能和电力机车等多主体之间的能量流动更加复杂，给系统实时能量管控带来了新的挑战。
图1 “网-源-储-车”协同供能系统
论文所解决的问题及意义
现有能量管理方法中，基于规则的策略响应速度快，但依赖人工经验，适应性不足；基于优化的策略管控精度较高，但存在计算复杂、实时性受限等问题。同时，目前实际工程中的控制滞后时间较长。对于功率快速变化的电力机车而言，当控制指令作用于系统时，系统运行状态可能已经发生改变，从而造成管控策略与实际能量需求不匹配。
图2 能量超前管控策略示意图
针对上述问题，本文提出能量超前管控方法：利用当前时刻多主体运行数据预测下一时刻系统运行工况和功率需求，并提前完成新能源与储能的能量分配，将传统“实时采集—实时决策”的被动响应模式转变为“状态预测—超前决策”的主动管控模式。
图3 能量管控流程
论文方法及创新点
为准确描述新能源、储能和电力机车之间复杂的能量交互关系，本文构建了多主体运行工况转移网络，将系统运行状态及其能量交互过程映射为图结构，实现对多主体协同运行特性的有效表征。
图4 多主体运行工况转移网络图
2、 融合图卷积与注意力机制实现能量超前管控
本文构建融合图卷积网络与多头注意力机制的图神经网络模型，充分挖掘多主体间的空间关联与时序演化规律，实现运行工况预测与能量管控协同优化。
图5 三层图卷积层结构示意图
3、在线学习提升模型适应性与鲁棒性
为适应新能源出力波动和运行工况变化，本文提出在线学习策略，使模型能够根据最新运行数据持续学习和优化，从而保持稳定、高效的能量管控性能。
图6 在线学习策略
4、结果分析与试验验证
结果显示，光伏系统与储能系统形成良好的协同供能机制。光伏发电不仅能够满足列车牵引需求，还可将富余能量存储于储能系统，实现新能源能量的灵活调配和高效利用。
结论
1）构建的多主体依互的图神经网络拓扑，揭示了各主体内部及不同主体之间的工况转移特性。
2）依据图神经网络拓扑结构，利用图卷积网络和多头注意力机制提取时空特征信息，建立了多层级的特征提取网络结构，实现了能量实时高效超前管控。
3）通过实时采集实际运行数据，动态更新邻接矩阵和增加特性信息，实现图神经网络模型的在线自主更新学习，确保能量管控结果实时且最优。
团队介绍
西南交通大学智能牵引供电系统团队由中国工程院院士高仕斌教授领衔，面向国家“交通强国”战略需求，长期从事牵引供电系统智能运维、新能源接入牵引供电系统、综合能源系统稳定运行及电力系统安全控制等领域研究。
团队承担国家及省部级科研项目50余项，获国家科技进步奖二等奖4项、中国铁道协会科技进步特等奖等省部级一等奖11项。先后研发高铁供电保护—控制—调度一体化系统、高速弓网安全检测—诊断—维修成套装备、卷铁心节能牵引变压器及“网-源-储-车”协同供能系统等重大装备。
高仕斌
中国工程院院士，西南交通大学首席教授、博士生导师，高速铁路供电技术与装备专家。
韦晓广
副研究员，硕士生导师，研究方向为电力系统安全分析，能量管理等。
富嘉兴
硕士研究生，研究方向为轨道交通节能技术，能量管理等。
本工作成果发表在2026年第12期《电工技术学报》，论文标题为"基于多主体依互与在线学习的图神经网络“网-源-储-车"。本课题为国家自然科学基金资助项目。
引用本文
富嘉兴, 韦晓广, 高仕斌, 罗嘉明, 米佳雨, 凌玮泽. 基于多主体依互与在线学习的图神经网络“网-源-储-车”协同供能系统能量超前管控方法[J]. 电工技术学报, 2026, 41(12): 4246-4267. Fu Jiaxing, Wei Xiaoguang, Gao Shibin, Luo Jiaming, Mi Jiayu, Ling Weize. “Grid-Source-Storage-Train” Collaborative Energy Supply System Energy Overrun Control Method Based on Multi-Subject Dependency and Online Learning-Based Graph Neural Network. Transactions of China Electrotechnical Society, 2026, 41(12): 4246-4267.
热门跟贴