捷運系統建設可以解決日益嚴重的交通問題，但其投資成本極為昂貴，如何在捷運系統正常營運後，規劃最佳的營運成本，使其支出為最少，將是捷運系統是否能有效經營的關鍵。由於列車用電其耗電量約佔捷運總耗電量約75 %，因此為達到電聯車行駛時，應該於何時滑行，使消耗電能降到最少，是相當重要的因素，另一方面，因為降低電能消耗亦降低電聯車的滑行速度，造成旅客完成旅程時間相對拉長，無法為旅客帶來省時的目的，因此兩者互相衝突，所以如何達成節省電能消耗及增進旅客完成站間旅程的便捷性，為捷運系統規劃電聯車營運成本的重要課題。
本文規劃電聯車最佳滑行速度時，首先模擬電聯車運行於各站間的速度曲線，求出列車運行完成站間旅程時間、能量消耗之值，並推估高雄捷運紅橘線的逐年旅運量，考慮乘客時間價值所致的旅客路段旅行時間成本與電費成本的加總訂為社會成本目標函數，根據此目標函數，當社會成本支出為最少時，即各站距所對應的最佳滑行速度，並建立類神經網路學習的資料。
最後以高雄捷運紅橘線為模擬對象，根據預測出尖峰時刻逐年班距、站間旅運量及乘客時間價值做為規劃的條件，以類神經網路演算法做計算，推導出各站間的最佳滑行速度，以達節省電費成本與增進旅客完成站間旅程的便捷性。

The Mass Rapid Transit (MRT) systems have been built in many metropolitans to solve the public transportation problem such as traffic congestion. With such high investment cost, it is important to design a proper operation strategy to reduce the operational cost which achieving the system performance. With less ridership as compared to Taipei MRT system, the minimization of social cost which consists of energy consumption and the traveling time to complete the journey, has been investigated for Kaohsiung MRT (KMRT) system. By this way, the optimal coasting speed between train stations is solved according to the ridership and distance between the
stations.
The artificial neural network (ANN) has proposed in this
thesis to determine the optimal coasting speed of the train set. The energy consumption and the traveling time to complete the journey between stations with various riderships are calculated by exactly the train performance simulation to generate the training data set. The objective function is defined by considering the energy consumption and the traveling time cost of passengers. By performing the ANN training, the ANN model is therefore obtained, which can be used to solve the optimal coasting speed of train sets. To demonstrate the effectiveness of the proposed ANN model, the forecasting of annual ridership for both Orange Line and Red Line of KMRT
system is used. The optimal coasting speed and the corresponding profile of power consumption have been solved
to minimize the social cost of MRT systems operation.

目 錄
中文摘要 i
英文摘要 iii
目錄............................................................................................................v
圖目錄 viii
表目錄 xi
第一章 緒論 1
1.1 前言 1
1.2 研究動機與目的 2
1.3 論文內容概要 4
第二章 捷運供電系統 5
2.1 前言 5
2.2 電聯車架構 5
2.3 捷運供電系統 7
2.3.1 主變電站（BSS） 7
2.3.2 牽引動力變電站（TSS） 9
2.3.3 車站變電站（SSS） 11
2.4 高雄捷運路網簡介 13
第三章 大眾捷運系統最佳滑行速度規劃 15
3.1 前言 15
3.2 最佳滑行速度學習資料架構 16
3.3 速度曲線模擬原理 17
3.3.1 速度曲線模擬理論 17
3.3.2 速度曲線模擬計算流程 20
3.4 速度曲線模擬數學模型 21
3.4.1 電聯車運動方程式 22
3.4.2 電聯車煞車力 25
3.4.3 電聯車行駛阻力計算 26
3.4.4 電聯車牽引作用力計算 29
3.4.5 電聯車電能消耗計算 32
3.4.6 電聯車運轉狀態與計算範例 33
3.5 速度曲線模擬結果 35
3.5.1 忽略速限行駛速度曲線模擬結果 35
3.5.2 考慮速限行駛速度曲線模擬結果 39
3.6 目標函數訂定 43
3.6.1 電費計算 43
3.6.2 捷運路網學習資料逐年載客量推估 44
3.6.3 社會成本計算 45
3.7 建立載客量逐年增加之最佳滑行速度學習資料 47
3.7.1 忽略速限行駛最佳滑行速度學習資料 47
3.7.2 考慮速限行駛最佳滑行速度學習資料 54
第四章 類神經網路規劃捷運系統最佳滑行速度 60
4.1 前言 60
4.2 類神經網路演算法則 60
4.2.1 類神經網路架構 60
4.2.2 類神經網路學習法則 62
4.3 高雄捷運紅線、橘線路網站距與速限簡介 67
4.4 高雄捷運紅橘線逐年旅運量推估 70
4.5 逐年尖峰時段班距計算 73
4.6 應用類神經網路於滑行速度最佳規劃 78
4.6.1 忽略速限行駛逐年滑行速度最佳規劃 80
4.6.2 考慮速限行駛速度對滑行速度最佳規劃之影響 83
第五章 結論與未來研究方向 93
5.1 結論 93
5.2 未來研究方向 94
參考文獻 95

參考文獻

[1] 陳秀貞，民間參與交通建設補貼問題之研究：以大眾捷運系統為例，國立交通大學碩士論文，民國九十一年。

[2] 何湘麟，直流牽引動力分析，捷運技術，第六期，民國八十一年。

[3] 莊慧仁，捷運供電系統規劃與諧波改善策略，國立中山大學博士論文，民國九十一年。

[4] 陳俊宇，應用動態規劃法及免疫演算法於捷運路網牽引動力變電站擴充規劃，國立中山大學碩士論文，民國九十四年。

[5] 蔡仁旭，都市地區尖峰時段實施大貨車指定車道之系統規劃與最佳化研究，逢甲大學碩士論文，民國九十一年。

[6] 柯玉芳，考慮社會效益的機場跑道時間帶數目分配模式，國立台灣海洋大學碩士論文，民國九十年。

[7] 曾乙申，捷運與輕軌供電系統模擬軟體開發計畫結案報告，財團法人中華顧問工程司研究發展計畫成果報告，民國九十年。

[8] 李治綱、丁國樑、黃哲旭，高雄橘線列車運行之模擬研究，運輸學刊，第10卷，第2期，頁119-134，民國八十六年。

[9] 高雄捷運公司－電聯車特性計算。

[10] 高雄捷運公司－運量估算說明。

[11] 高雄捷運公司－列車運行計劃、紅橘線列車運行模擬技術報告。

[12] 高雄捷運公司－http://www.krtco.com.tw

[13] 高雄捷運公司－高雄都會區大眾捷運系統紅橘線路網建設案-營運策略與理念。

[14] 類神經網路－MATLAB的應用，羅華強 編著，高立出版
2005.07。

[15] 類神經網路模式應用與實作，葉怡成 編著，儒林出版社 2004.09。

[16] 應用類神經網路，葉怡成 編著，儒林出版社 2004.07。

[17] MATLAB 7.x程式開發與應用技巧，李顯宏 編著，文魁出版社
2005.04。

[18] MATLAB程式設計與應用，張智星 著，清蔚科技 2000.02。

[19] MATLAB程式設計基礎篇，鄭錦聰 編著，全華科技 2002.08。

[20] Power and Traction Subsystem Running Maintenance Manual, AEG Westinghouse Transportation Systems Inc., Pittsburgh, July 1992.

[21] 台灣電力公司－電價表。

[22] EMM, User Manual for the Transportation System Energy Management Model, Rail System Center of Carnegie-Mellon University, Pittsburgh, July 1986.

[23] C.S. Chen, H.J. Chuang, and J.L. Chen, “Analysis of Dynamic Load Behavior for Electrified Mass Rapid Transit Systems,”1999 IEEE/IAS, Annual Meeting, Phoenix, Oct. 3-7, 1999, pp. 992-998.

[24] Davis, W.J., “The Tractive Resistance of Electric Locomotive and Cars,” General Electric Review, Vol. XXXIX, No. 10, pp. 685-707, Oct. 1926.

[25] Richard A. Uher, Program Manual for the Rail System Train Operations Model (TOM Version 2.0), Dec. 1997.

[26] Richard A. Uher, Users Manual for the Transportation System Energy Management Model (Sixth Edition), July 1986.

[27] Kikuchi, S., “A Simulation Model of Train Travel on a Rail Transit Line,” Journal of Advanced Transportation, Vol. 25, No. 2, pp. 211-224, 1991.

[28] MTRAIN User’s Manual, Version 91A, Hyland Joy & Wardrop Pty. Ltd., Australia, Feb. (1992).

[29] C.S. Chang, S.S. Sim, “Optimising Train Movement Through Coast Control Using Genetic Algorithms,” IEE Proc.-Electr., Power Appl., Vol. 144, No. 1, January 1997.

[30] K.K. Wong, T.K. Ho, “Coast Control for Mass Rapid Transit Railways with Searching Methods,” IEE Proc.-Electr., Power Appl., Vol. 151, No. 3, May 2004.

[31] Haykin, S., Neural Network: A Comprehensive Foundation, 1998.

[32] Hagan, M.T.; Menhaj, M.B. “Training Feedforward Networks with The Marquardt Algorithm,” IEEE Transaction on Neural Networks, 1994, pp. 989-993.