CN112590598B - 移动充电车优化配置方法和*** - Google Patents

移动充电车优化配置方法和*** Download PDF

Info

Publication number
CN112590598B
CN112590598B CN202011453519.7A CN202011453519A CN112590598B CN 112590598 B CN112590598 B CN 112590598B CN 202011453519 A CN202011453519 A CN 202011453519A CN 112590598 B CN112590598 B CN 112590598B
Authority
CN
China
Prior art keywords
mobile charging
charging vehicle
node
vehicle
mobile
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011453519.7A
Other languages
English (en)
Other versions
CN112590598A (zh
Inventor
周开乐
刘璐
陆信辉
丁涛
杨善林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202011453519.7A priority Critical patent/CN112590598B/zh
Publication of CN112590598A publication Critical patent/CN112590598A/zh
Application granted granted Critical
Publication of CN112590598B publication Critical patent/CN112590598B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/50—Charging stations characterised by energy-storage or power-generation means
    • B60L53/53—Batteries
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/50—Charging stations characterised by energy-storage or power-generation means
    • B60L53/57—Charging stations without connection to power networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/66—Data transfer between charging stations and vehicles
    • B60L53/665—Methods related to measuring, billing or payment
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60P—VEHICLES ADAPTED FOR LOAD TRANSPORTATION OR TO TRANSPORT, TO CARRY, OR TO COMPRISE SPECIAL LOADS OR OBJECTS
    • B60P3/00—Vehicles adapted to transport, to carry or to comprise special loads or objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Strategic Management (AREA)
  • Power Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明提供一种移动充电车优化配置方法和***，涉及新能源汽车技术领域。本技术方案首先获取多组移动充电车配置数据、电动汽车充电需求信息数据和移动充电车待访问的节点信息数据；然后基于所述充电需求信息数据和所述节点信息数据获取优化调度模型，并确定所述优化调度模型的约束条件；利用所述配置数据求解所述优化调度模型，并基于求解结果确定最优配置方案。本技术方案有效解决了移动充电车优化配置问题，对灵活多变的电动汽车充电需求适应性强，能提高移动充电车运行的经济性和有效性。

Description

移动充电车优化配置方法和***
技术领域
本发明涉及新能源汽车技术领域，具体涉及一种移动充电车优化配置方法和***。
背景技术
近年来，电动汽车行业虽然发展迅猛，但是，储能电池技术的局限依旧限制了电动汽车行业的发展速度，续航里程仍然是影响电动汽车普及的重要因素之一。当前，电动汽车主要通过固定式充电站充电，但固定式充电站建设周期长、投资成本高、灵活性较差。相对于固定式充电站，移动充电车采取预先接收充电需求信息再上门服务的形式，能够更灵活的适应充电需求的各种变化。而为了更好的降低成本，实现更大收益，就需要对移动充电车进行优化。目前，对于移动充电车的优化包括了对其调度的优化和配置的优化两个方面。
现有研究对移动充电车的优化大都集中在对移动充电车优化调度问题上，并将该问题转化为带时间窗的电动汽车路径规划问题，该类研究是在移动充电车配置确定的基础上对其运行策略进行优化；而对固定式充电站的优化配置研究，大都是从固定式充电站运营商、电动汽车双方的经济性或电网的经济性出发，结合充电需求预测数据、充电历史数据、地理规划信息等，对充电站选址、定容、充电桩数量、匹配可再生能源与储能可行性等进行优化。
由此可见，目前的移动充电车优化研究更加侧重于对其运行策略的优化，并未考虑优化配置；固定式充电站由于其自身可移动性差、规模大、充电需求固定，对其优化配置的方法无法充分适应移动充电车移动性强、对储能设备体积与质量要求高、充电需求具备一定随机性等特点。综上，现有技术无法对移动充电车进行配置优化。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种移动充电车优化配置方法和***，解决了现有技术无法对移动充电车进行配置优化的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
第一方面，本发明首先提出一种移动充电车优化配置方法，所述方法包括：
获取多组移动充电车配置数据、电动汽车充电需求信息数据和移动充电车待访问的节点信息数据；
基于所述充电需求信息数据和所述节点信息数据获取优化调度模型，并确定所述优化调度模型的约束条件；
利用所述配置数据求解所述优化调度模型，并基于求解结果确定最优配置方案。
优选的，所述配置数据包括：电池容量配置数据和车队配比配置数据；所述充电需求信息数据包括：预定的充电位置、需求电量、时间窗以及充电模式数据；所述节点信息数据包括：电动汽车位置数据、中心站点位置数据和固定式充电站位置数据。
优选的，所述优化调度模型的目标函数为：
max profit＝I-C1-C2-C3-C4
其中，I表示移动充电车运营商总收入；C1表示移动充电车派遣成本；C2表示移动充电车来往固定式充电站的行驶成本；C3表示移动充电车为电动汽车充电的服务成本；C4表示移动充电车违反时间窗的惩罚成本。
优选的，所述移动充电车运营商总收入I：
移动充电车派遣成本C1：
移动充电车来往固定式充电站的行驶成本C2：
移动充电车为电动汽车充电的服务成本C3：
移动充电车违反时间窗的惩罚成本C4：
其中，n为移动充电车总数；m为电动汽车节点与中心站点节点总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j；当xi,j取值为0时表示第i辆移动充电车不访问节点j；αi,k为移动充电车i的充电服务费；k表示充电模式；RNj表示节点j的需求电量；pE为移动充电车给电动汽车充电的单位电价；xi为决策变量，当xi取值为1时表示派遣第i辆移动充电车；当xi取值为0时表示不派遣第i辆移动充电车；εi为第i辆移动充电车的派遣成本；q为固定式充电站总数；为决策变量，当/>取值为1时表示移动充电车i在访问节点j后前往固定式充电站补充电能；当/>取值为0时表示移动充电车i在访问节点j后不前往固定式充电站补充电能；di,z为移动充电车当前位置与固定式充电站z之间的距离；ωj,z为决策变量，当ωj,z取值为1时表示在固定式充电站z处补充电能；当ωj,z取值为0时表示不在固定式充电站z处补充电能；dz,j+1为固定式充电站z与节点j+1之间的距离；θ为移动充电车的单位里程能耗；pM为固定式充电站给移动充电车充电的单位电价；di,j为移动充电车i与节点j之间的距离；CM为移动充电车电池容量；TM为移动充电车在电池生命周期内总循环次数；γ为移动充电车电池的置换成本；μk为移动充电车在第k种充电服务模式下放电时对自身电池的损耗系数；内层时间窗/>为软时间窗，表示节点j期望移动充电车i到达的最佳时间区间；外层时间窗/>为硬时间窗，表示节点j可接受的移动充电车i到达的最大时间区间；/>为移动充电车i到达节点j时的时刻；/>均为决策变量，当它们的值取1时，分别表示移动充电车i在/>中某一时间区间内到达节点j；当决策变量取0时，分别表示移动充电车i未能在对应时间区间内到达；ce、cl、cmin分别为移动充电车在/> 到达节点j时的单位时间惩罚成本。
优选的，所述约束条件包括：节点的时间窗约束：
移动充电车的到达时刻约束：
移动充电车的到达时刻所处区间约束：
电动汽车接受服务约束：
移动充电车充放电量约束：
移动充电车剩余电量范围约束：
电动汽车需求电量约束：
0≤RNj≤CE
其中，分别为节点j外层时间窗的最早、最晚时间点；/> 分别为节点j内层时间窗的最早、最晚时间点；/>为移动充电车i到达节点j+1时的时刻；/>为移动充电车i到达节点j时的时刻；rk为移动充电车给电动汽车充电的第k种模式的放电功率；xi,j+1为决策变量，当xi,j+1取值为1时表示第i辆移动充电车访问节点j+1；当xi,j+1取值为0时表示第i辆移动充电车不访问节点j+1；/>为决策变量，当/>取值为1时表示移动充电车i在访问节点j后前往固定式充电站补充电能；当/>取值为0时表示移动充电车i在访问节点j后不前往固定式充电站补充电能；di,j+1为移动充电车i与节点j+1之间的距离；ωj,z为决策变量，当ωj,z取值为1时表示在固定式充电站z处补充电能；当ωj,z取值为0时表示不在固定式充电站z处补充电能；rM为移动充电车在固定式充电站的充电功率；di,z为移动充电车当前位置与固定式充电站z之间的距离；dz,j+1为固定式充电站z与节点j+1之间的距离；v为移动充电车行驶速度；RNj为节点j的需求电量；RMi,j为移动充电车i在访问节点j后，在固定式充电站补充的电量；λi,j、/>均为决策变量，当λi,j取值为1，分别表示移动充电车i在/>时间区间内到达节点j；当决策变量取0时，分别表示移动充电车i未能在对应时间区间内到达；n为移动充电车总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j，当xi,j取值为0时表示第i辆移动充电车不访问节点j；m为电动汽车节点与中心站点节点总数；q为固定式充电站总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j，当xi,j取值为0时表示第i辆移动充电车不访问节点j；di,j为移动充电车i与节点j之间的距离；θ为移动充电车的单位里程能耗；CM为移动充电车电池容量；CE表示移动充电车的电池容量。
第二方面，本发明提供了一种移动充电车优化配置***，所述***包括：
数据获取模块，用于获取多组移动充电车配置数据、电动汽车充电需求信息数据和移动充电车待访问的节点信息数据；
模型获取模块，用于基于所述充电需求信息数据和所述节点信息数据获取优化调度模型，并确定所述优化调度模型的约束条件；
配置方案确定模块，用于利用所述配置数据求解所述优化调度模型，并基于求解结果确定最优配置方案。
优选的，所述数据获取模块获取的配置数据包括：电池容量配置数据和车队配比配置数据；所述充电需求信息数据包括：预定的充电位置、需求电量、时间窗以及充电模式数据；所述节点信息数据包括：电动汽车位置数据、中心站点位置数据和固定式充电站位置数据。
优选的，所述模型获取模块构建的优化调度模型的目标函数为：
max profit＝I-C1-C2-C3-C4
其中，I表示移动充电车运营商总收入；C1表示移动充电车派遣成本；C2表示移动充电车来往固定式充电站的行驶成本；C3表示移动充电车为电动汽车充电的服务成本；C4表示移动充电车违反时间窗的惩罚成本。
优选的，所述移动充电车运营商总收入I：
移动充电车派遣成本C1：
移动充电车来往固定式充电站的行驶成本C2：
移动充电车为电动汽车充电的服务成本C3：
移动充电车违反时间窗的惩罚成本C4：
其中，n为移动充电车总数；m为电动汽车节点与中心站点节点总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j；当xi,j取值为0时表示第i辆移动充电车不访问节点j；αi,k为移动充电车i的充电服务费；k表示充电模式；RNj表示节点j的需求电量；pE为移动充电车给电动汽车充电的单位电价；xi为决策变量，当xi取值为1时表示派遣第i辆移动充电车；当xi取值为0时表示不派遣第i辆移动充电车；εi为第i辆移动充电车的派遣成本；q为固定式充电站总数；为决策变量，当/>取值为1时表示移动充电车i在访问节点j后前往固定式充电站补充电能；当/>取值为0时表示移动充电车i在访问节点j后不前往固定式充电站补充电能；di,z为移动充电车当前位置与固定式充电站z之间的距离；ωj,z为决策变量，当ωj,z取值为1时表示在固定式充电站z处补充电能；当ωj,z取值为0时表示不在固定式充电站z处补充电能；dz,j+1为固定式充电站z与节点j+1之间的距离；θ为移动充电车的单位里程能耗；pM为固定式充电站给移动充电车充电的单位电价；di,j为移动充电车i与节点j之间的距离；CM为移动充电车电池容量；TM为移动充电车在电池生命周期内总循环次数；γ为移动充电车电池的置换成本；μk为移动充电车在第k种充电服务模式下放电时对自身电池的损耗系数；内层时间窗/>为软时间窗，表示节点j期望移动充电车i到达的最佳时间区间；外层时间窗/>为硬时间窗，表示节点j可接受的移动充电车i到达的最大时间区间；/>为移动充电车i到达节点j时的时刻；/>均为决策变量，当它们的值取1时，分别表示移动充电车i在/>中某一时间区间内到达节点j；当决策变量取0时，分别表示移动充电车i未能在对应时间区间内到达；ce、cl、cmin分别为移动充电车在/> 到达节点j时的单位时间惩罚成本。
优选的，所述约束条件包括：节点的时间窗约束：
移动充电车的到达时刻约束：
移动充电车的到达时刻所处区间约束：
电动汽车接受服务约束：
移动充电车充放电量约束：
移动充电车剩余电量范围约束：
电动汽车需求电量约束：
0≤RNj≤CE
其中，分别为节点j外层时间窗的最早、最晚时间点；/> 分别为节点j内层时间窗的最早、最晚时间点；/>为移动充电车i到达节点j+1时的时刻；/>为移动充电车i到达节点j时的时刻；rk为移动充电车给电动汽车充电的第k种模式的放电功率；xi,j+1为决策变量，当xi,j+1取值为1时表示第i辆移动充电车访问节点j+1；当xi,j+1取值为0时表示第i辆移动充电车不访问节点j+1；/>为决策变量，当/>取值为1时表示移动充电车i在访问节点j后前往固定式充电站补充电能；当/>取值为0时表示移动充电车i在访问节点j后不前往固定式充电站补充电能；di,j+1为移动充电车i与节点j+1之间的距离；ωj,z为决策变量，当ωj,z取值为1时表示在固定式充电站z处补充电能；当ωj,z取值为0时表示不在固定式充电站z处补充电能；rM为移动充电车在固定式充电站的充电功率；di,z为移动充电车当前位置与固定式充电站z之间的距离；dz,j+1为固定式充电站z与节点j+1之间的距离；v为移动充电车行驶速度；RNj为节点j的需求电量；RMi,j为移动充电车i在访问节点j后，在固定式充电站补充的电量；λi,j、/>均为决策变量，当λi,j取值为1，分别表示移动充电车i在/>时间区间内到达节点j；当决策变量取0时，分别表示移动充电车i未能在对应时间区间内到达；n为移动充电车总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j，当xi,j取值为0时表示第i辆移动充电车不访问节点j；m为电动汽车节点与中心站点节点总数；q为固定式充电站总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j，当xi,j取值为0时表示第i辆移动充电车不访问节点j；di,j为移动充电车i与节点j之间的距离；θ为移动充电车的单位里程能耗；CM为移动充电车电池容量；CE表示移动充电车的电池容量。
(三)有益效果
本发明提供了一种移动充电车优化配置方法和***。与现有技术相比，具备以下有益效果：
本发明通过获取多组移动充电车配置数据，并基于移动充电车的充电需求信息数据和节点信息数据构建移动充电车优化调度模型，然后将获取的多组移动充电车配置数据带入优化调度模型中进行运算求解，最终获取优化配置的精准数据，从而确定最优的移动充电车配置方案。本技术方案有效解决了移动充电车优化配置问题，对灵活多变的电动汽车充电需求适应性强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种移动充电车优化配置方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例通过提供一种移动充电车优化配置方法和***，解决了现有技术无法对移动充电车进行优化配置问题，实现了提高移动充电车运行经济性和有效性的目的。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
为了解决现有技术中无法对移动充电车的配置进行优化的问题，本技术方案首先获取多组移动充电车配置数据，然后根据移动充电车的总收入和各项成本构建优化调度模型，并将上述多组移动充电车配置数据代入到优化调度模型中进行优化调度，最后将优化调度模型取得最优调度结果时对应的那组移动充电车配置数据，作为移动充电车的最优配置。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例1：
第一方面，本发明首先提出一种移动充电车优化配置方法，该方法包括：
S1、获取多组移动充电车配置数据、电动汽车充电需求信息数据和移动充电车待访问的节点信息数据；
S2、基于上述充电需求信息数据和上述节点信息数据获取优化调度模型，并确定上述优化调度模型的约束条件；
S3、利用上述配置数据求解上述优化调度模型，并基于求解结果确定最优配置方案。
可见，本发明通过获取多组移动充电车配置数据，并基于移动充电车的充电需求信息数据和节点信息数据构建移动充电车优化调度模型，然后将获取的多组移动充电车配置数据带入优化调度模型中进行运算求解，最终获取优化配置的精准数据，从而确定最优的移动充电车配置方案。本技术方案有效解决了移动充电车优化配置问题，对灵活多变的电动汽车充电需求适应性强。
在本发明实施例的上述方法中，获取的配置数据包括：电池容量配置数据和车队配比配置数据；充电需求信息数据包括：预定的充电位置、需求电量、时间窗以及充电模式数据；节点信息数据包括：电动汽车位置数据、中心站点位置数据以及固定式充电站位置数据。
另外，在本发明的实施例中，为了获得移动充电车的最佳优化配置，一种较佳的处理方式是，从移动充电车运营商的总利润最大化考虑，构建优化调度模型，所述优化调度模型的目标函数为：
max profit＝I-C1-C2-C3-C4
其中，I表示移动充电车运营商总收入；C1表示移动充电车派遣成本；C2表示移动充电车来往固定式充电站的行驶成本；C3表示移动充电车为电动汽车充电的服务成本；C4表示移动充电车违反时间窗的惩罚成本。
实际中，构建优化调度模型的各项数据包括：所述移动充电车运营商总收入I：
移动充电车派遣成本C1：
移动充电车来往固定式充电站的行驶成本C2：
移动充电车为电动汽车充电的服务成本C3：
移动充电车违反时间窗的惩罚成本C4：
其中，n为移动充电车总数；m为电动汽车节点与中心站点节点总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j；当xi,j取值为0时表示第i辆移动充电车不访问节点j；αi,k为移动充电车i的充电服务费；k表示充电模式；RNj表示节点j的需求电量；pE为移动充电车给电动汽车充电的单位电价；xi为决策变量，当xi取值为1时表示派遣第i辆移动充电车；当xi取值为0时表示不派遣第i辆移动充电车；εi为第i辆移动充电车的派遣成本；q为固定式充电站总数；为决策变量，当/>取值为1时表示移动充电车i在访问节点j后前往固定式充电站补充电能；当/>取值为0时表示移动充电车i在访问节点j后不前往固定式充电站补充电能；di,z为移动充电车当前位置与固定式充电站z之间的距离；ωj,z为决策变量，当ωj,z取值为1时表示在固定式充电站z处补充电能；当ωj,z取值为0时表示不在固定式充电站z处补充电能；dz,j+1为固定式充电站z与节点j+1之间的距离；θ为移动充电车的单位里程能耗；pM为固定式充电站给移动充电车充电的单位电价；di,j为移动充电车i与节点j之间的距离；CM为移动充电车电池容量；TM为移动充电车在电池生命周期内总循环次数；γ为移动充电车电池的置换成本；μk为移动充电车在第k种充电服务模式下放电时对自身电池的损耗系数；内层时间窗/>为软时间窗，表示节点j期望移动充电车i到达的最佳时间区间；外层时间窗/>为硬时间窗，表示节点j可接受的移动充电车i到达的最大时间区间；/>为移动充电车i到达节点j时的时刻；/>均为决策变量，当它们的值取1时，分别表示移动充电车i在/>中某一时间区间内到达节点j；当决策变量取0时，分别表示移动充电车i未能在对应时间区间内到达；ce、cl、cmin分别为移动充电车在/> 到达节点j时的单位时间惩罚成本。
另外，在本发明的实施例中，为了充分考虑了移动充电车在实际运行当中可能存在的限制，以避免这些限制对优化结果造成的影响，一种较佳的处理方式是，设置的约束条件包括：所述约束条件包括：节点的时间窗约束：
移动充电车的到达时刻约束：
移动充电车的到达时刻所处区间约束：
电动汽车接受服务约束：
移动充电车充放电量约束：
移动充电车剩余电量范围约束：
电动汽车需求电量约束：
0≤RNj≤CE
其中，分别为节点j外层时间窗的最早、最晚时间点；/> 分别为节点j内层时间窗的最早、最晚时间点；/>为移动充电车i到达节点j+1时的时刻；/>为移动充电车i到达节点j时的时刻；rk为移动充电车给电动汽车充电的第k种模式的放电功率；xi,j+1为决策变量，当xi,j+1取值为1时表示第i辆移动充电车访问节点j+1；当xi,j+1取值为0时表示第i辆移动充电车不访问节点j+1；/>为决策变量，当/>取值为1时表示移动充电车i在访问节点j后前往固定式充电站补充电能；当/>取值为0时表示移动充电车i在访问节点j后不前往固定式充电站补充电能；di,j+1为移动充电车i与节点j+1之间的距离；ωj,z为决策变量，当ωj,z取值为1时表示在固定式充电站z处补充电能；当ωj,z取值为0时表示不在固定式充电站z处补充电能；rM为移动充电车在固定式充电站的充电功率；di,z为移动充电车当前位置与固定式充电站z之间的距离；dz,j+1为固定式充电站z与节点j+1之间的距离；v为移动充电车行驶速度；RNj为节点j的需求电量；RMi,j为移动充电车i在访问节点j后，在固定式充电站补充的电量；λi,j、/>均为决策变量，当λi,j取值为1，分别表示移动充电车i在/>时间区间内到达节点j；当决策变量取0时，分别表示移动充电车i未能在对应时间区间内到达；n为移动充电车总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j，当xi,j取值为0时表示第i辆移动充电车不访问节点j；m为电动汽车节点与中心站点节点总数；q为固定式充电站总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j，当xi,j取值为0时表示第i辆移动充电车不访问节点j；di,j为移动充电车i与节点j之间的距离；θ为移动充电车的单位里程能耗；CM为移动充电车电池容量；CE表示移动充电车的电池容量。
下面结合对具体步骤的解释，来详细说明本发明一个实施例的实现过程。
图1是本发明一种移动充电车优化配置方法的流程图，参见图1，移动充电车优化配置方法具体过程包括：
S1、获取多组移动充电车配置数据、电动汽车充电需求信息数据和移动充电车待访问的节点信息数据。
结合移动充电车的市场情况，从移动充电车厂商处尽可能多的获取多组移动充电车配置数据。配置数据包括电池容量配置数据和车队配比配置数据，其中电池容量配置数据表示每组移动充电车的电池容量CM，车队配比配置数据表示不同种类移动充电车的数量n1、n2、n3。其中，n1、n2、n3分别表示只能提供低功率充电服务的移动充电车数量、只能提供高功率充电服务的移动充电车数量和可提供高、低两种功率充电服务的移动充电车的数量。
获取未来24小时内电动汽车充电需求信息，电动汽车充电需求信息包括预定的充电位置LN、需求电量RN、时间窗TW以及充电模式MN。确定移动充电车待访问的节点信息，确定中心站点位置、固定式充电站位置，然后将电动汽车、中心站点转化为待访问的节点，共组成m个节点，其中，设置编号为1和编号为m的节点为中心站点，设置编号为2～m-1的节点为有充电需求的电动汽车，其中电动汽车按照其充电需求信息被获取的先后顺序分别编号为2～m-1。固定式充电站单独编号，编号为1～q。
以节点j为例，j节点预定的充电位置坐标为(LNxj,LNyj)，充电需求电量为RNj，内层时间窗为外层时间窗为/>选择的充电模式为MNj，则所有节点的充电需求信息可以表示为：
充电位置信息：
需求电量信息：
RN＝[RN1 … RNj … RNm]T
时间窗信息：
充电模式信息：
MN＝[MN1 … MNj … MNm]T。
S2、基于上述充电需求信息数据和上述节点信息数据获取优化调度模型，并确定上述优化调度模型的约束条件。
移动充电车运营商的总收入等于所收取的充电服务费和电费，模型公式可表示为：
其中，n为移动充电车总数，且满足n＝n1+n2+n3，m为电动汽车节点与中心站点节点总数；xi,j为决策移动充电车i是否访问节点j的决策变量，当xi,j取值为1时，表示第i辆移动充电车访问节点j；当xi,j取值为0时，表示第i辆移动充电车不访问节点j；αi,k为移动充电车i的充电服务费，根据移动充电车的类型和充电模式的不同，αi,k取值也不同，其中k＝1,2分别表示低功率充电模式和高功率充电模式；RNj为节点j的需求电量；pE为移动充电车给电动汽车充电的单位电价。由于移动充电车从中心站点出发，并在结束全部服务后返回中心站点，故其访问序列的起、止节点均为中心站点，中心站点无需从移动充电车充电，故当节点为中心站点时的充电需求电量为0，例如，当移动充电车访问节点1(j＝1)和节点m(j＝m)时，节点的充电需求电量为0。
移动充电车的各项成本包括：移动充电车派遣成本，该成本是派遣移动充电车的成本，包括移动充电车的使用成本和驾驶员薪资，一辆移动充电车的派遣成本使用一个固定值表示。
其中，n为移动充电车总数；xi为决策是否派遣第i辆移动充电车的决策变量，当xi取值为1时表示派遣第i辆移动充电车；当xi取值为0时表示不派遣第i辆移动充电车；εi为第i辆移动充电车的派遣成本，包括移动充电车的使用成本和驾驶员薪资，根据移动充电车类型的不同，εi取值不同，其不随运行时间、行驶距离等变动。
移动充电车来往固定式充电站的行驶成本，该成本包括从电动汽车当前位置驶至选定的固定式充电站与从固定式充电站驶至访问序列中下一节点的行驶成本。
其中，n为移动充电车总数；m为电动汽车节点与中心站点节点总数；q为固定式充电站总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j；当xi,j取值为0时表示第i辆移动充电车不访问节点j；为决策移动充电车i是否在访问节点j后前往固定式充电站补充电能的决策变量，当/>取值为1时，表示移动充电车i在访问节点j后前往固定式充电站补充电能；当/>取值为0时，表示移动充电车i在访问节点j后不前往固定式充电站补充电能；di,z为移动充电车当前位置与固定式充电站z之间的距离；ωj,z为决策移动充电车是否在访问节点j后前往固定式充电站z补充电能的决策变量，当ωj,z取值为1时，表示在固定式充电站z处补充电能；当ωj,z取值为0时，表示不在固定式充电站z处补充电能；dz,j+1为固定式充电站z与节点j+1之间的距离；θ为移动充电车的单位里程能耗；pM为固定式充电站给移动充电车充电的单位电价。
移动充电车为电动汽车充电的服务成本，该成本包括行驶至访问序列中各节点的行驶成本，为电动汽车充电的电能成本以及移动充电车电池的损失成本。
其中，n为移动充电车总数；m为电动汽车节点与中心站点节点总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j；当xi,j取值为0时表示第i辆移动充电车不访问节点j；di,j为移动充电车i与节点j之间的距离；θ为移动充电车的单位里程能耗；pM为固定式充电站给移动充电车充电的单位电价；RNj表示节点j的需求电量；CM为移动充电车电池容量；TM为移动充电车电池生命周期内总循环次数；γ为移动充电车电池的置换成本；μk为移动充电车在第k种充电服务模式下放电时对自身电池的损耗系数。
移动充电车违反时间窗的惩罚成本，该成本为移动充电车到达节点处的时间违反该节点时间窗时的惩罚成本，当移动充电车在节点软时间窗内到达时，不存在违反时间窗的惩罚成本；该成本包括早于时间窗到达的等待成本和晚于时间窗到达的迟到成本两类，在不同时间区间内到达的单位时间惩罚成本不同。
其中，内层时间窗为软时间窗，表示节点j期望移动充电车i到达的最佳时间区间；外层时间窗/>为硬时间窗，表示节点j可接受的移动充电车i到达的最大时间区间；/>为移动充电车i到达节点j时的时刻；/>为决策移动充电车i到达节点j时刻所处时间区间的决策变量，当它们的值取1时，表示移动充电车i在中某一时间区间内到达节点j；当决策变量取0时，表示移动充电车i未能在对应时间区间内到达；ce、cl、cmin分别为移动充电车在到达节点j时的单位时间惩罚成本；当移动充电车在/>到达节点时，电动汽车已取消该订单，此时，移动充电车迟到的惩罚成本为该订单的应有收入；pE为移动充电车给电动汽车充电的单位电价；αi,k为移动充电车i的充电服务费，根据移动充电车的类型和充电模式的不同，αi,k取值也不同，其中k＝1,2分别表示低功率充电模式和高功率充电模式；RNj为节点j的需求电量。
综上，移动充电车的总利润可表示为：
max profit＝I-C1-C2-C3-C4。
本技术方案最终的目的是为了获取移动充电车的总利润最大时的电池容量配置数据和不同类型车辆配比的配置数据，所以将上述公式作为优化调度模型的目标函数。
确定上述优化调度模型的目标函数的约束条件，具体包括：
节点的时间窗约束：移动充电车优化调度为日前静态优化调度，故所有访问节点的时间窗均处在未来24小时内，用公式可表示为：
其中，分别为节点j外层时间窗的最早、最晚时间点，/> 分别为节点j内层时间窗的最早、最晚时间点；当节点为中心站点时，其内、外层时间窗均为[0,24]，即且/>
移动充电车的到达时刻约束：移动充电车到达节点j+1的时刻为其到达节点j的时刻加上其为节点j服务并前往节点j+1的行驶时间，或加上先前往固定式充电站z补充电能的充电时间与由固定式充电站z前往节点j+1的行驶时间之和，用公式可表示为：
其中，为移动充电车i到达节点j+1时的时刻，/>为移动充电车i到达节点j时的时刻；RNj表示节点j的需求电量；rk为移动充电车给电动汽车充电的第k种模式的放电功率；xi,j+1为决策变量，当xi,j+1取值为1时表示第i辆移动充电车访问节点j+1；当xi,j+1取值为0时表示第i辆移动充电车不访问节点j+1；/>为决策变量，当/>取值为1时表示移动充电车i在访问节点j后前往固定式充电站补充电能；当/>取值为0时表示移动充电车i在访问节点j后不前往固定式充电站补充电能；di,j+1为移动充电车i与节点j+1之间的距离；ωj,z为决策变量，当ωj,z取值为1时表示在固定式充电站z处补充电能；当ωj,z取值为0时表示不在固定式充电站z处补充电能；rM为移动充电车在固定式充电站的充电功率；di,z为移动充电车当前位置与固定式充电站z之间的距离；dz,j+1为固定式充电站z与节点j+1之间的距离；v为移动充电车行驶速度；RMi,j为移动充电车i在访问节点j后，在固定式充电站补充的电量；rM为移动充电车在固定式充电站的充电功率。
移动充电车的到达时刻所处区间约束：移动充电车到达节点的时刻所处区间唯一，用公式表示为：
其中，λi,j、均为决策变量，当λi,j取值为1，分别表示移动充电车i在/>时间区间内到达节点j；当决策变量取0时，分别表示移动充电车i未能在对应时间区间内到达。当移动充电车在内层时间窗内到达节点j时，不违反时间窗，故没有违反时间窗的惩罚成本。
电动汽车接受服务约束：除中心节点外的所有节点均只能被一辆移动充电车服务，用公式表示为：
其中，n为移动充电车总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j，当xi,j取值为0时表示第i辆移动充电车不访问节点j；
移动充电车充放电量约束：若移动充电车在途中补充电能，则其初始电量与途中补充电量之和等于完成全部服务并返回中心站点消耗的总电量；若移动充电车未在途中补充电能，则其初始电量不少于其消耗的总电量，用公式表示为：
/>
其中，m为电动汽车节点与中心站点节点总数；q为固定式充电站总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j，当xi,j取值为0时表示第i辆移动充电车不访问节点j；RNj表示节点j的需求电量；di,j为移动充电车i与节点j之间的距离；θ为移动充电车的单位里程能耗；RMi,j为移动充电车i在访问节点j后，在固定式充电站补充的电量；ωj,z为决策变量，当ωj,z取值为1时表示在固定式充电站z处补充电能；当ωj,z取值为0时表示不在固定式充电站z处补充电能；di,z为移动充电车当前位置与固定式充电站z之间的距离；dz,j+1为固定式充电站z与节点j+1之间的距离；为决策变量，当/>取值为1时表示移动充电车i在访问节点j后前往固定式充电站补充电能；当/>取值为0时表示移动充电车i在访问节点j后不前往固定式充电站补充电能；CM为移动充电车电池容量；
移动充电车剩余电量范围约束：移动充电车电池剩余电量始终大于零且小于移动充电车的电池容量，用公式表示为：
其中，m为电动汽车节点与中心站点节点总数；q为固定式充电站总数；CM为移动充电车电池容量；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j，当xi,j取值为0时表示第i辆移动充电车不访问节点j；RNj表示节点j的需求电量；di,j为移动充电车i与节点j之间的距离；θ为移动充电车的单位里程能耗；为决策变量，当/>取值为1时表示移动充电车i在访问节点j后前往固定式充电站补充电能；当/>取值为0时表示移动充电车i在访问节点j后不前往固定式充电站补充电能；RMi,j为移动充电车i在访问节点j后，在固定式充电站补充的电量；ωj,z为决策变量，当ωj,z取值为1时表示在固定式充电站z处补充电能；当ωj,z取值为0时表示不在固定式充电站z处补充电能；di,z为移动充电车当前位置与固定式充电站z之间的距离；dz,j+1为固定式充电站z与节点j+1之间的距离；
电动汽车需求电量约束：节点处的充电需求电量大于0且小于节点处电动汽车的电池容量；中心站点的电池容量为0。
0≤RNj≤CE
其中，RNj表示节点j的需求电量；CE表示移动充电车的电池容量。
S3、利用上述配置数据求解上述优化调度模型，并基于求解结果确定最优配置方案。
将获取的各组移动充电车配置数据分别代入上述优化调度模型中，然后基于上述优化调度模型的目标函数进行优化调度，确定使得移动充电车运营商总利润最大的一组移动充电车配置数据作为最优配置方案，并将最优配置方案(包括电池容量最优配置和该车队中可提供高功率充电服务、可提供低功率充电服务，以及可提供高、低功率充电服务的移动充电车的最佳数量配比)反馈给移动充电车运营商。
实施例2：
第二方面，本发明还提出了一种移动充电车优化配置***，该***包括：
数据获取模块，用于获取多组移动充电车配置数据、电动汽车充电需求信息数据和移动充电车待访问的节点信息数据；
模型获取模块，用于基于所述充电需求信息数据和所述节点信息数据获取优化调度模型，并确定所述优化调度模型的约束条件；
配置方案确定模块，用于利用所述配置数据求解所述优化调度模型，并基于求解结果确定最优配置方案。
优选的，所述数据获取模块获取的配置数据包括：电池容量配置数据和车队配比配置数据；所述充电需求信息数据包括：预定的充电位置、需求电量、时间窗以及充电模式数据；所述节点信息数据包括：电动汽车位置数据、中心站点位置数据和固定式充电站位置数据。
优选的，所述模型获取模块构建的优化调度模型的目标函数为：
max profit＝I-C1-C2-C3-C4
其中，I表示移动充电车运营商总收入；C1表示移动充电车派遣成本；C2表示移动充电车来往固定式充电站的行驶成本；C3表示移动充电车为电动汽车充电的服务成本；C4表示移动充电车违反时间窗的惩罚成本。
优选的，所述移动充电车运营商总收入I：
移动充电车派遣成本C1：
移动充电车来往固定式充电站的行驶成本C2：
移动充电车为电动汽车充电的服务成本C3：
移动充电车违反时间窗的惩罚成本C4：
其中，n为移动充电车总数；m为电动汽车节点与中心站点节点总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j；当xi,j取值为0时表示第i辆移动充电车不访问节点j；αi,k为移动充电车i的充电服务费；k表示充电模式；RNj表示节点j的需求电量；pE为移动充电车给电动汽车充电的单位电价；xi为决策变量，当xi取值为1时表示派遣第i辆移动充电车；当xi取值为0时表示不派遣第i辆移动充电车；εi为第i辆移动充电车的派遣成本；q为固定式充电站总数；为决策变量，当/>取值为1时表示移动充电车i在访问节点j后前往固定式充电站补充电能；当/>取值为0时表示移动充电车i在访问节点j后不前往固定式充电站补充电能；di,z为移动充电车当前位置与固定式充电站z之间的距离；ωj,z为决策变量，当ωj，z取值为1时表示在固定式充电站z处补充电能；当ωj,z取值为0时表示不在固定式充电站z处补充电能；dz,j+1为固定式充电站z与节点j+1之间的距离；θ为移动充电车的单位里程能耗；pM为固定式充电站给移动充电车充电的单位电价；di,j为移动充电车i与节点j之间的距离；CM为移动充电车电池容量；TM为移动充电车在电池生命周期内总循环次数；γ为移动充电车电池的置换成本；μk为移动充电车在第k种充电服务模式下放电时对自身电池的损耗系数；内层时间窗/>为软时间窗，表示节点j期望移动充电车i到达的最佳时间区间；外层时间窗/>为硬时间窗，表示节点j可接受的移动充电车i到达的最大时间区间；/>为移动充电车i到达节点j时的时刻；/>均为决策变量，当它们的值取1时，分别表示移动充电车i在/>中某一时间区间内到达节点j；当决策变量取0时，分别表示移动充电车i未能在对应时间区间内到达；ce、cl、cmin分别为移动充电车在/> 到达节点j时的单位时间惩罚成本。
优选的，所述约束条件包括：节点的时间窗约束：
移动充电车的到达时刻约束：
移动充电车的到达时刻所处区间约束：
电动汽车接受服务约束：
移动充电车充放电量约束：
移动充电车剩余电量范围约束：
电动汽车需求电量约束：
0≤RNj≤CE
其中，分别为节点j外层时间窗的最早、最晚时间点；/> 分别为节点j内层时间窗的最早、最晚时间点；/>为移动充电车i到达节点j+1时的时刻；/>为移动充电车i到达节点j时的时刻；rk为移动充电车给电动汽车充电的第k种模式的放电功率；xi,j+1为决策变量，当xi,j+1取值为1时表示第i辆移动充电车访问节点j+1；当xi,j+1取值为0时表示第i辆移动充电车不访问节点j+1；/>为决策变量，当/>取值为1时表示移动充电车i在访问节点j后前往固定式充电站补充电能；当/>取值为0时表示移动充电车i在访问节点j后不前往固定式充电站补充电能；di,j+1为移动充电车i与节点j+1之间的距离；ωj,z为决策变量，当ωj,z取值为1时表示在固定式充电站z处补充电能；当ωj,z取值为0时表示不在固定式充电站z处补充电能；rM为移动充电车在固定式充电站的充电功率；di,z为移动充电车当前位置与固定式充电站z之间的距离；dz,j+1为固定式充电站z与节点j+1之间的距离；v为移动充电车行驶速度；RNj为节点j的需求电量；RMi,j为移动充电车i在访问节点j后，在固定式充电站补充的电量；λi,j、/>均为决策变量，当λi,j取值为1，分别表示移动充电车i在/>时间区间内到达节点j；当决策变量取0时，分别表示移动充电车i未能在对应时间区间内到达；n为移动充电车总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j，当xi,j取值为0时表示第i辆移动充电车不访问节点j；m为电动汽车节点与中心站点节点总数；q为固定式充电站总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j，当xi,j取值为0时表示第i辆移动充电车不访问节点j；di,j为移动充电车i与节点j之间的距离；θ为移动充电车的单位里程能耗；CM为移动充电车电池容量；CE表示移动充电车的电池容量。
可理解的是，本发明实施例提供的移动充电车优化配置***与上述移动充电车优化配置方法相对应，其有关内容的解释、举例、有益效果等部分可以参考移动充电车优化配置方法中的相应内容，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明获取多组移动充电车配置数据，并基于移动充电车的充电需求信息数据和节点信息数据构建移动充电车优化调度模型，然后将获取的多组移动充电车配置数据带入优化调度模型中运算求解，最终获取优化配置的精准数据，从而确定最优的移动充电车配置方案。本技术方案有效解决了移动充电车优化配置问题，对灵活多变的电动汽车充电需求适应性强；
2、本发明对移动充电车的电池容量配置和车队配比配置同时进行配置优化，不仅可以降低电池容量过高带来移动充电车的高成本，而且移动充电车数量的合理配比有效满足了电动汽车充电的不同需求；
3、本发明在对移动充电车优化调度模型进行优化调度过程中，同时设置了软时间窗和硬时间窗约束，充分考虑了移动充电车违反时间窗的惩罚成本，使优化结果更加准确。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (4)

1.一种移动充电车优化配置方法，其特征在于，所述方法包括：
获取多组移动充电车配置数据、电动汽车充电需求信息数据和移动充电车待访问的节点信息数据；所述配置数据包括：电池容量配置数据和车队配比配置数据；所述充电需求信息数据包括：预定的充电位置、需求电量、时间窗以及充电模式数据；所述节点信息数据包括：电动汽车位置数据、中心站点位置数据和固定式充电站位置数据；
基于所述充电需求信息数据和所述节点信息数据获取优化调度模型，并确定所述优化调度模型的约束条件；所述优化调度模型的目标函数为：
max profit＝I-C1-C2-C3-C4
其中，I表示移动充电车运营商总收入；C1表示移动充电车派遣成本；C2表示移动充电车来往固定式充电站的行驶成本；C3表示移动充电车为电动汽车充电的服务成本；C4表示移动充电车违反时间窗的惩罚成本；
利用所述配置数据求解所述优化调度模型，并基于求解结果确定最优配置方案；
其中，移动充电车运营商总收入I：
移动充电车派遣成本C1：
移动充电车来往固定式充电站的行驶成本C2：
移动充电车为电动汽车充电的服务成本C3：
移动充电车违反时间窗的惩罚成本C4：
其中，n为移动充电车总数；m为电动汽车节点与中心站点节点总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j；当xi,j取值为0时表示第i辆移动充电车不访问节点j；αi,k为移动充电车i的充电服务费；k表示充电模式；RNj表示节点j的需求电量；pE为移动充电车给电动汽车充电的单位电价；xi为决策变量，当xi取值为1时表示派遣第i辆移动充电车；当xi取值为0时表示不派遣第i辆移动充电车εi；为第i辆移动充电车的派遣成本；q为固定式充电站总数；为决策变量，当/>取值为1时表示移动充电车i在访问节点j后前往固定式充电站补充电能；当/>取值为0时表示移动充电车i在访问节点j后不前往固定式充电站补充电能；di,z为移动充电车当前位置与固定式充电站z之间的距离；ωj,z为决策变量，当ωj,z取值为1时表示在固定式充电站z处补充电能；当ωj,z取值为0时表示不在固定式充电站z处补充电能；dz,j+1为固定式充电站z与节点j+1之间的距离；θ为移动充电车的单位里程能耗；pM为固定式充电站给移动充电车充电的单位电价；di,j为移动充电车i与节点j之间的距离；CM为移动充电车电池容量；TM为移动充电车在电池生命周期内总循环次数；γ为移动充电车电池的置换成本；μk为移动充电车在第k种充电服务模式下放电时对自身电池的损耗系数；内层时间窗/>为软时间窗，表示节点j期望移动充电车i到达的最佳时间区间；外层时间窗/>为硬时间窗，表示节点j可接受的移动充电车i到达的最大时间区间；/>为移动充电车i到达节点j时的时刻；/>均为决策变量，当它们的值取1时，分别表示移动充电车i在/>中某一时间区间内到达节点j；当决策变量取0时，分别表示移动充电车i未能在对应时间区间内到达；ce、cl、cmin分别为移动充电车在/> 到达节点j时的单位时间惩罚成本。
2.如权利要求1所述的方法，其特征在于，所述约束条件包括：节点的时间窗约束：
移动充电车的到达时刻约束：
移动充电车的到达时刻所处区间约束：
电动汽车接受服务约束：
移动充电车充放电量约束：
移动充电车剩余电量范围约束：
电动汽车需求电量约束：
0≤RNj≤CE
其中，分别为节点j外层时间窗的最早、最晚时间点；/> 分别为节点j内层时间窗的最早、最晚时间点；/>为移动充电车i到达节点j+1时的时刻；/>为移动充电车i到达节点j时的时刻；rk为移动充电车给电动汽车充电的第k种模式的放电功率；xi,j+1为决策变量，当xi,j+1取值为1时表示第i辆移动充电车访问节点j+1；当xi,j+1取值为0时表示第i辆移动充电车不访问节点j+1；/>为决策变量，当/>取值为1时表示移动充电车i在访问节点j后前往固定式充电站补充电能；当/>取值为0时表示移动充电车i在访问节点j后不前往固定式充电站补充电能；di,j+1为移动充电车i与节点j+1之间的距离；ωj,z为决策变量，当ωj,z取值为1时表示在固定式充电站z处补充电能；当ωj,z取值为0时表示不在固定式充电站z处补充电能；rM为移动充电车在固定式充电站的充电功率；di,z为移动充电车当前位置与固定式充电站z之间的距离；dz,j+1为固定式充电站z与节点j+1之间的距离；v为移动充电车行驶速度；RNj为节点j的需求电量；RMi,j为移动充电车i在访问节点j后，在固定式充电站补充的电量；λi,j、/>均为决策变量，当λi,j取值为1，分别表示移动充电车i在/>时间区间内到达节点j；当决策变量取0时，分别表示移动充电车i未能在对应时间区间内到达；n为移动充电车总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j，当xi,j取值为0时表示第i辆移动充电车不访问节点j；m为电动汽车节点与中心站点节点总数；q为固定式充电站总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j，当xi,j取值为0时表示第i辆移动充电车不访问节点j；di,j为移动充电车i与节点j之间的距离；θ为移动充电车的单位里程能耗；CM为移动充电车电池容量；CE表示移动充电车的电池容量。
3.一种移动充电车优化配置***，其特征在于，所述***包括：
数据获取模块，用于获取多组移动充电车配置数据、电动汽车充电需求信息数据和移动充电车待访问的节点信息数据；所述配置数据包括：电池容量配置数据和车队配比配置数据；所述充电需求信息数据包括：预定的充电位置、需求电量、时间窗以及充电模式数据；所述节点信息数据包括：电动汽车位置数据、中心站点位置数据和固定式充电站位置数据；模型获取模块，用于基于所述充电需求信息数据和所述节点信息数据获取优化调度模型，并确定所述优化调度模型的约束条件；所述优化调度模型的目标函数为：
max profit＝I-C1-C2-C3-C4
其中，I表示移动充电车运营商总收入；C1表示移动充电车派遣成本；C2表示移动充电车来往固定式充电站的行驶成本；C3表示移动充电车为电动汽车充电的服务成本；C4表示移动充电车违反时间窗的惩罚成本；
配置方案确定模块，用于利用所述配置数据求解所述优化调度模型，并基于求解结果确定最优配置方案；
其中，移动充电车运营商总收入I：
移动充电车派遣成本C1：
移动充电车来往固定式充电站的行驶成本C2：
移动充电车为电动汽车充电的服务成本C3：
移动充电车违反时间窗的惩罚成本C4：
其中，n为移动充电车总数；m为电动汽车节点与中心站点节点总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j；当xi,j取值为0时表示第i辆移动充电车不访问节点j；αi,k为移动充电车i的充电服务费；k表示充电模式；RNj表示节点j的需求电量；pE为移动充电车给电动汽车充电的单位电价；xi为决策变量，当xi取值为1时表示派遣第i辆移动充电车；当xi取值为0时表示不派遣第i辆移动充电车εi；为第i辆移动充电车的派遣成本；q为固定式充电站总数；为决策变量，当/>取值为1时表示移动充电车i在访问节点j后前往固定式充电站补充电能；当/>取值为0时表示移动充电车i在访问节点j后不前往固定式充电站补充电能；di,z为移动充电车当前位置与固定式充电站z之间的距离；ωj,z为决策变量，当ωj,z取值为1时表示在固定式充电站z处补充电能；当ωj,z取值为0时表示不在固定式充电站z处补充电能；dz,j+1为固定式充电站z与节点j+1之间的距离；θ为移动充电车的单位里程能耗；pM为固定式充电站给移动充电车充电的单位电价；di,j为移动充电车i与节点j之间的距离；CM为移动充电车电池容量；TM为移动充电车在电池生命周期内总循环次数；γ为移动充电车电池的置换成本；μk为移动充电车在第k种充电服务模式下放电时对自身电池的损耗系数；内层时间窗/>为软时间窗，表示节点j期望移动充电车i到达的最佳时间区间；外层时间窗/>为硬时间窗，表示节点j可接受的移动充电车i到达的最大时间区间；/>为移动充电车i到达节点j时的时刻；/>均为决策变量，当它们的值取1时，分别表示移动充电车i在/>中某一时间区间内到达节点j；当决策变量取0时，分别表示移动充电车i未能在对应时间区间内到达；ce、cl、cmin分别为移动充电车在/> 到达节点j时的单位时间惩罚成本。
4.如权利要求3所述的***，其特征在于，所述约束条件包括：节点的时间窗约束：
移动充电车的到达时刻约束：
移动充电车的到达时刻所处区间约束：
电动汽车接受服务约束：
移动充电车充放电量约束：
移动充电车剩余电量范围约束：
电动汽车需求电量约束：
0≤RNj≤CE
其中，分别为节点j外层时间窗的最早、最晚时间点；/> 分别为节点j内层时间窗的最早、最晚时间点；/>为移动充电车i到达节点j+1时的时刻；/>为移动充电车i到达节点j时的时刻；rk为移动充电车给电动汽车充电的第k种模式的放电功率；xi,j+1为决策变量，当xi,j+1取值为1时表示第i辆移动充电车访问节点j+1；当xi,j+1取值为0时表示第i辆移动充电车不访问节点j+1；/>为决策变量，当/>取值为1时表示移动充电车i在访问节点j后前往固定式充电站补充电能；当/>取值为0时表示移动充电车i在访问节点j后不前往固定式充电站补充电能；di,j+1为移动充电车i与节点j+1之间的距离；ωj,z为决策变量，当ωj,z取值为1时表示在固定式充电站z处补充电能；当ωj,z取值为0时表示不在固定式充电站z处补充电能；rM为移动充电车在固定式充电站的充电功率；di,z为移动充电车当前位置与固定式充电站z之间的距离；dz,j+1为固定式充电站z与节点j+1之间的距离；v为移动充电车行驶速度；RNj为节点j的需求电量；RMi,j为移动充电车i在访问节点j后，在固定式充电站补充的电量；λi,j、/>均为决策变量，当λi,j取值为1，分别表示移动充电车i在时间区间内到达节点j；当决策变量取0时，分别表示移动充电车i未能在对应时间区间内到达；n为移动充电车总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j，当xi,j取值为0时表示第i辆移动充电车不访问节点j；m为电动汽车节点与中心站点节点总数；q为固定式充电站总数；xi,j为决策变量，当xi,j取值为1时表示第i辆移动充电车访问节点j，当xi,j取值为0时表示第i辆移动充电车不访问节点j；di,j为移动充电车i与节点j之间的距离；θ为移动充电车的单位里程能耗；CM为移动充电车电池容量；CE表示移动充电车的电池容量。/>
CN202011453519.7A 2020-12-11 2020-12-11 移动充电车优化配置方法和*** Active CN112590598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011453519.7A CN112590598B (zh) 2020-12-11 2020-12-11 移动充电车优化配置方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011453519.7A CN112590598B (zh) 2020-12-11 2020-12-11 移动充电车优化配置方法和***

Publications (2)

Publication Number Publication Date
CN112590598A CN112590598A (zh) 2021-04-02
CN112590598B true CN112590598B (zh) 2023-11-07

Family

ID=75192154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011453519.7A Active CN112590598B (zh) 2020-12-11 2020-12-11 移动充电车优化配置方法和***

Country Status (1)

Country Link
CN (1) CN112590598B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486504B (zh) * 2021-06-28 2022-05-27 上海电机学院 一种基于调度成本的电池管理控制方法
CN113642905B (zh) * 2021-08-18 2024-05-10 北京航空航天大学 共享电动汽车充电需求可拆分的移动并行充电方法
CN113627814B (zh) * 2021-08-18 2023-07-04 北京航空航天大学 基于电动汽车动态充电请求的移动并行充电***
CN113657768B (zh) * 2021-08-18 2024-05-14 北京航空航天大学 基于共享电动汽车随机电量需求的移动并行充电服务方法
CN113869713A (zh) * 2021-09-26 2021-12-31 国网江苏省电力有限公司经济技术研究院 一种移动充电车的优化调度方法和***
CN115456489B (zh) * 2022-11-11 2023-02-14 北京大学 混合储能***库存路径规划方法、装置及电子设备
CN115907227B (zh) * 2022-12-30 2023-07-28 天津大学 一种高速公路固定与移动充电设施双层协同优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740860A (zh) * 2018-12-12 2019-05-10 北京智行者科技有限公司 一种充电车辆选取方法
CN111047093A (zh) * 2019-12-12 2020-04-21 海南电网有限责任公司 一种电动汽车典型快充站优化运行配置方法
CN111738611A (zh) * 2020-06-29 2020-10-02 南京工程学院 一种基于Sarsa算法的移动充电桩群体智能调度方法
CN111861145A (zh) * 2020-06-29 2020-10-30 东南大学 考虑高速公路路网的服务区电动汽车充电站配置方法
CN111967698A (zh) * 2020-10-23 2020-11-20 北京国新智电新能源科技有限责任公司 基于移动充电桩调度的电动汽车充电***及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740860A (zh) * 2018-12-12 2019-05-10 北京智行者科技有限公司 一种充电车辆选取方法
CN111047093A (zh) * 2019-12-12 2020-04-21 海南电网有限责任公司 一种电动汽车典型快充站优化运行配置方法
CN111738611A (zh) * 2020-06-29 2020-10-02 南京工程学院 一种基于Sarsa算法的移动充电桩群体智能调度方法
CN111861145A (zh) * 2020-06-29 2020-10-30 东南大学 考虑高速公路路网的服务区电动汽车充电站配置方法
CN111967698A (zh) * 2020-10-23 2020-11-20 北京国新智电新能源科技有限责任公司 基于移动充电桩调度的电动汽车充电***及装置

Also Published As

Publication number Publication date
CN112590598A (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
CN112590598B (zh) 移动充电车优化配置方法和***
CN108199100B (zh) 智能交通中电动汽车长途运行充电规划方法
CN103915869B (zh) 一种基于移动设备的电动汽车智能充电***及方法
CN105140977B (zh) 基于电网调度的电动汽车换电方法和换电服务物联网
CN109177802B (zh) 一种基于无线通信的电动汽车有序充电***及其方法
CN109934391B (zh) 一种纯电动公交车辆的智能调度方法
CN105160428A (zh) 高速公路电动汽车快速充电站的规划方法
CN113283623A (zh) 兼容储能充电桩的电动运载工具电量路径规划方法
CN115100896B (zh) 一种考虑机会充电策略的电动需求响应公交调度方法
CN110549896A (zh) 一种基于强化学习的充电站选择方法
CN111775772B (zh) 车辆与电池的匹配方法、装置、***及可读存储介质
CN110232219B (zh) 一种基于数据挖掘的电动汽车可调度容量核定方法
TWI763249B (zh) 車輛與電池的匹配方法、裝置、系統及可讀存儲介質
CN114282821A (zh) 一种共享电动汽车的调度方法、***及设备
CN112507506B (zh) 基于遗传算法的共享汽车定价规划模型的多目标优化方法
CN115130779A (zh) 一种基于移动充电桩的智能调度方法
CN114444965B (zh) 一种单车场多线路电动公交车协同调度方法
CN115456180A (zh) 一种基于三链马尔科夫模型的电动汽车数量预测方法
CN109919393A (zh) 一种电动出租汽车的充电负荷预测方法
CN113183827A (zh) 一种基于人工智能的新能源电动汽车行驶智能云中控管理平台
CN117371739A (zh) 一种车辆充电管理方法、装置、电子设备及存储介质
CN116968767A (zh) 基于多维数据融合的新能源汽车充电路径规划方法及***
CN114861998A (zh) 一种基于混沌猫群算法的移动补电车调度方法及其***
CN113361792B (zh) 一种基于多元非线性回归的城市电动公交车行程能耗估计方法
CN114077972A (zh) 一种基于深度强化学习的移动充电车服务调度方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant