CN114742340A - 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法 - Google Patents

一种大规模路网中智能网联共享电动车充电站的优化布设求解方法 Download PDF

Info

Publication number
CN114742340A
CN114742340A CN202210054494.6A CN202210054494A CN114742340A CN 114742340 A CN114742340 A CN 114742340A CN 202210054494 A CN202210054494 A CN 202210054494A CN 114742340 A CN114742340 A CN 114742340A
Authority
CN
China
Prior art keywords
electric vehicle
charging
stage
time
point
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.)
Pending
Application number
CN202210054494.6A
Other languages
English (en)
Inventor
尚夏
戴钰超
章立辉
王亦兵
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210054494.6A priority Critical patent/CN114742340A/zh
Publication of CN114742340A publication Critical patent/CN114742340A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Genetics & Genomics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Physiology (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明属于智能交通技术领域，公开了一种大规模路网中智能网联共享电动车充电站的优化布设求解方法，1：建立一套以***运行总成本最小化为目标的充电站布设混合整数线性规划模型；2：结合时间窗口滚动的分阶段动态规划方法与遗传算法求解所建模型；本发明上层运用遗传算法，生成包含若干个体的初始种群，其中每个个体代表一种充电站布设方案。根据下层问题提供的个体适应度评价值，对每一代种群进行选择、杂交、变异等遗传进化操作，并经重***后，形成新一代种群。如此迭代进化，直到种群中个体适应度的最小值达到收敛为止。通过时间阶段不断滚动的方法来将原大规模问题在时间维度进行拆分，高维度降为低维度，从而有效地对原问题进行了求解。

Description

一种大规模路网中智能网联共享电动车充电站的优化布设求 解方法
技术领域
本发明属于智能交通技术领域，尤其涉及一种大规模路网中智能网联共 享电动车充电站的优化布设求解方法。
背景技术
从***的角度，车辆的智能网联共享有望极大地改善交通出行，如，可 以减少车辆平均保有率，缓解交通拥挤，扩大交通服务的人口覆盖面，提高 了车辆利用率，降低了土地占用率等；从出行者的角度，车辆的网联共享可 以减少人们购买车辆的资金成本和维护车辆的费用，但是同样能享到类似于 私家车的出行舒适水平，对于里程较短的出行者来说，与拥有私家车相比， 汽车共享是一种成本更低的选择，同时也比公交服务更灵活。因此，智能网 联车辆共享具有显著的社会效益。
另一方面，电动化是汽车进化的重要方向。然而，电动汽车的推广应用 受到了诸多限制，如有限的行驶里程、不足的充电设施、较长的充电时间和 较高的前期购买成本等。充电设施短缺和布局不合理问题，是制约电动汽车 快速发展的重要因素之一。在智能网联共享***中，每辆电动车都需要不间 断地完成连续的出行服务，在此过程中将不断消耗电量，因此充电设施的布 设问题显得尤为重要。在智能网联共享交通***中，如何优化布设充电设施 需要提前研究。不同的智能网联共享车队的规模、不同的共享电动车行程规 划等将对应不同的电量消耗过程，因此在优化未来充电站的网络布局和充电 桩容量时应综合考虑这些因素。
在我国，一般的城市路网规模都很大，交通网络节点多，乘客出行需求 量大，这导致充电站优化问题的维度过高规模过大，计算机求解布设方案时 需耗费大量的内存和时间，很难用现有的商业求解器直接求解，因此需要开 发适用于大规模路网的有效求解方法。
发明内容
本发明目的在于提供一种大规模路网中智能网联共享电动车充电站的优 化布设求解方法,以解决充电站优化问题的维度过高规模过大，计算机求解布 设方案时需耗费大量的内存和时间，很难用现有的商业求解器直接求解的技 术问题。
为解决上述技术问题，本发明的一种大规模路网中智能网联共享电动车 充电站的优化布设求解方法的具体技术方案如下：
一种大规模路网中智能网联共享电动车充电站的优化布设求解方法，包 括如下步骤：
C1：建立一套以***运行总成本最小化为目标的充电站布设混合整数线性 规划模型(MILP)；
C2：结合时间窗口滚动的分阶段动态规划方法与遗传算法求解所建模型； 上层运用遗传算法，生成包含若干个体的初始种群，其中每个个体代表一 种充电站布设方案；根据下层问题提供的个体适应度评价值，对每一代种 群进行选择、杂交、变异的遗传进化操作，并经重***后，形成新一代种 群；如此迭代进化，直到种群中个体适应度的最小值达到收敛为止；适应 度值最小的个体所代表的充电站布设方案即为最优布局；
下层运用时间窗口滚动的分阶段动态规划方法，在个体布设方案给定后求 解混合整数线性规划模型(MILP)，从而获得各个体的适应度；在每个个 体方案下，将模型(MILP)涵盖的时间段分成多个小阶段，同时将大规模 的乘客出行数据按照各时间阶段分成若干小份数据；在每一个阶段内，根 据路网当前各车辆状态和该阶段内的乘客出行需求信息，求解规模缩小后 的混合整数线性规划模型(MILP)，各阶段求解结束后，相应地更新车辆 路径调度和充电决策，以及所有车辆所处的状态信息，作为下一个阶段求 解的初始值；以此类推，通过时间阶段不断滚动的方法来将原大规模问题 在时间维度进行拆分，高维度降为低维度；计算获得的各阶段目标函数值 相加得到每个种群个体的适应度值，该值即为此个体所代表的充电站布局 策略的总成本；
C3：大规模路网求解方法总结。
进一步地，所述混合整数线性规划模型(MILP)包括交通网络模块、目标 函数模块、电动车接送客路径模块、行程时间模块、电动车排队等待时间 模块、电动车电量模块和充电站模块的搭建；
C1.1：交通网络模块的搭建：用参数O表示电动车的可选出发点、P表示 所有乘客上车点的集合，D表示所有乘客下车点的集合，U表示所有充 电站备选点编号的集合，
Figure BDA0003475634620000031
表示n号充电站备选点所能安装的最大充电 桩数；Vmax表示最多允许投放在网络中的电动汽车数；Cmax表示允许在路网 中建立充电站数量限制；Cn表示n号充电站备选点所有备选充电桩的集合； Qmax表示投放路网中充电桩的数量限制；C表示所有充电站充电桩备选点 集合；T表示电动车的返回点，其为虚拟终点，到其它各节点的距离为0； N表示所有节点的集合；V表示所有备选电动车的集合，建立物理交通路 网的数字化模型；
C1.2：目标函数模块的搭建：通过参数ct、cw、ce、cq、cf、cr、tij、
Figure BDA0003475634620000032
Figure BDA0003475634620000033
ai、E、
Figure BDA0003475634620000034
rj计算各个阶段的总成本之和的最小化值；即 电动车的行驶时间成本、自动驾驶电动车和充电桩的使用成本、电动车在 充电站的充电费用、电动车在充电站的等待时间成本、因无法准时到达节 点而产生的惩罚成本之和的最小化值，其中，ct表示电动车行驶单位时间 的时间成本；cw表示因电动车延误而导致乘客在上车点等待的单位等待时 间惩罚成本；ce表示每单位电量的能耗成本；cq表示电动车在充电桩排队 的单位排队时间成本；cf表示每辆电动车的购买和使用成本；cr表示每个 充电桩的建设和使用成本；tij表示从节点i∈N到节点j∈N的行驶时间；
Figure BDA0003475634620000041
表示电动车v∈V实际到达节点i∈N处的时间；
Figure BDA0003475634620000042
表示电动车v∈V在充电桩 i∈C开始充电的时间；
Figure BDA0003475634620000043
表示电动车v∈V从乘客上车点i∈P出发的时间；ai表示乘客到达上车点i∈P的时间；E表示电动车的最大电量；
Figure BDA0003475634620000044
表示电 动车v∈V到达节点i∈N处时的电量；
Figure BDA0003475634620000045
表示0-1变量，如果电动车v∈V直 接从节点i∈N到达节点j∈N，等于1；否则，等于0；rj表示0-1变量， 若在充电桩备选点j∈C安装充电桩，等于1；否则，等于0。
C1.3：电动车接送客路径模块的搭建：通过公式计算约束生成共享电动车 的接送客路径，使车辆按照规定路径规则来完成各阶段的接送客任务：在 每个阶段，电动车v从出发点O出发，前往乘客上车点P接乘客，并将其 运送到对应的乘客下车点D；若电动车v电量不足以完成接下来的接送客 任务，则前往充电桩C进行充电，然后再前往其他乘客上车点P接客，依 次类推；当电动车v完成了该阶段所有接送客需求时，将停留在乘客下车 点D，指引电动车v返回虚拟终点T表示电动车v结束此阶段的接送客任务； 电动车v在此阶段最后停留的乘客下车点D即为下一阶段的出发点O；
C1.4:行程时间模块的搭建：通过参数g、v_start、v0_charged、s0、c0、 y0_charged、计算自动驾驶电动汽车在各节点的行程时间；其中g表示充 电桩的充电效率，即单位时间的充电量；v_start表示跟踪记录每一阶段 前所有电动车离开出发点的出发时间，初始化所有电动车的v_start＝0；v0_charged表示记录每一阶段内每一次充电的电动车编号，初始化其为空集； s0表示记录每一阶段内电动车v0_charged在充电桩开始充电的时间，初始 化其为空集；c0表示记录每一阶段内电动车v0_charged充电时对应的充电桩 编号，初始化其为空集；y0_charged表示记录每一阶段内电动车v0_charged到 达充电桩时的电量，初始化其为空集；
C1.5：电动车排队等待时间模块的搭建：通过C1.1-C1.4所述参数以及参 数
Figure BDA0003475634620000051
和
Figure BDA0003475634620000052
计算电动车在各充电站的排队等待时间；其中
Figure BDA0003475634620000053
为0-1 变量；
C1.6：电动车电量模块的搭建：通过C1.1-C1.4所述参数以及参数 v_energy、dij、h描述共享电动车在运行过程中的电量消耗及充电情况， 其中，v_energy表示跟踪记录每一阶段前所有电动车在出发点时的电量， 初始化所有电动车的v_energy＝E，dij表示节点i∈N和节点j∈N之间的 最短距离，h表示电动车的电量消耗率，即单位时间电动车消耗的电量； C1.7：充电站模块的搭建：通过参数
Figure BDA0003475634620000054
决定共享电动车在充电桩的充 电情况。
进一步地，所述步骤C2包括如下步骤：
C2.1：个体编码；
C2.2：使用进化操作进行迭代。
进一步地，其特征在于，所述步骤C2.1包括如下步骤：使用二进制编码规 则对每个个体随机进行编码，0表示不建充电站或充电桩，1表示建充电站 或充电桩，表示是否建立充电站的变量Zn和表示是否安装充电桩的变量rj的值将由产生的个体编码值决定。
进一步地，所述步骤C2.2对每一代种群进行选择、杂交、变异的遗传进 化操作，并经重***后，形成新一代种群，如此迭代进化，直到种群中个 体适应度的最小值达到收敛为止，该适应度值最小的个体所代表的充电站 布局方案即为最优布局。
进一步地，所述步骤3包括如下具体步骤：
C3.1：初始化；
C3.2：个体编码；
C3.2：定义评价函数，计算每个个体的适应度值；
C3.4：使用遗传算法进行族群迭代；
C3.5：得到最优充电站布设方案。
进一步地，所述C3.1包括如下具体步骤：
C3.1.1：导入研究路网：
获得路网中m个小时所有的乘客出行需求OD对及其出发时间，电动车出 发点或返回点，所有充电站备选点等节点和各节点之间的最短路径，计算 得到所有充电站的布局方案；
C3.1.2：拆分阶段：
将m小时分成s个阶段，每个阶段的时间为t秒，将所有乘客出行需求 OD对及其出发时间按照乘客出发时间所在的时间阶段进行拆分，共分成s 份；
C3.1.3：初始化充电站布设方案：
随机生成一套初始的充电站布设方案。
进一步地，所述C3.2包括如下具体步骤：
C3.2.1：充电站布局的编码：
对初始充电站布局方案进行编码；
C3.2.2：充电桩布设的编码：
根据初始充电站布局情况，对初始充电桩的布设进行编码。
进一步地，所述C3.3采用建立的以总成本最小化为目标的混合整数线性 规划模型作为每个个体适应度的评价函数，包括如下具体步骤：
初始种群中每个个体u，循环执行下列步骤：
C3.3.1：初始化相关集合；初始化集合v_origin,v_start,v_energy, v_terminal,v0_charged，s0，c0，y0_charged；建立集合cost来记录充电 站布局方案u下电动车完成所有乘客接送客需求任务的总成本，并初始化 cost＝0；
C3.3.2：计算电动车分阶段接送客的目标函数值；
拆分后s个阶段中的每个阶段为k，循环执行下列步骤：
C3.3.2.1：搭建交通网络；导入第k阶段的乘客出行需求OD对以及更新 后的v_origin集合，按照1.1节交通路网搭建规则构建集合O,P,D,C,T,N 中各节点集合，并更新所搭建交通路网各节点的最短路径；
C3.3.2.2：实施阶段优化；求解该阶段的混合整数线性规划模型(MILP)， 得到该阶段k最优的车辆接送客路径策略、电动车规模、充电策略以及目 标函数值k_cost，更新cost＝cost+k_cost；
C3.3.2.3：获取阶段k运行车辆的信息；获取阶段k运行的车辆，运行车 辆的起点，运行车辆的终点，运行车辆到达终点的电量，运行车辆到达终 点的时间，以及运行车辆充过电的充电桩，将相应信息分别导入集合v0, v0_origin,v0_destin,y0_destin,tao0_destin,c0_used中；
C3.3.2.4：更新所有电动车的出发点；将阶段k运行车辆的终点作为下一 阶段k+1运行车辆的出发点，更新到集合v_origin中；
C3.3.2.5：更新所有电动车在出发点的能量；将阶段k运行车辆到达终点 的电量作为下一阶段k+1运行车辆的初始电量；
C3.3.2.6：更新电动车的出发时间；先将下一阶段k+1所有车辆的出发时 间v_start更新为t·(k+1)，再将运行车辆到达终点的时间tao0_destin与 t·(k+1)作比较；如果tao0_destin＞t·(k+1)：将阶段k运行车辆v0到达终点的 时间tao0_destin更新到下一阶段k+1运行车辆v0的出发时间v_start中；否则， v_start保持不变；
C3.3.2.7：将在阶段k内结束充电的电动车记录剔除；将电动车在充电桩 c0_used结束充电的时间s0+(E-y0)/g与阶段k+1的开始时间t·(k+1)作比 较：如果s0+(E-y0)/g＜t·(k+1)：删除电动车在v0_charged，s0，c0，y0_charged 中的所有记录；否则保留这些记录；
C3.3.3：计算电动车分阶段接送客的目标函数值；
C3.3.3.1：更新交通网络；导入更新后的v_origin集合，按照交通路网 搭建规则构建集合O,C,T,N中各节点集合，并更新所搭建交通路网各节点 的最短路径；
C3.3.3.2：进行优化；计算运营电动车前往返回点的最优路径和充电策略 以及最优目标函数值t_cost，更新cost＝cost+t_cost，此cost值即为个 体u对应的适应度值；
其中：
v_origin表示跟踪记录所有电动车在每一阶段前所处的出发点编号；
v_terminal表示记录所有电动车执行完所有乘客出行需求任务后最终返 回的返回点，其等于导入路网中提供的所有电动车的出发点；
v0表示记录在每一阶段内运行的所有车辆；
v0_origin表示记录在每一阶段内运行的所有车辆的起点；
v0_destin表示记录在每一阶段内运行的所有车辆的终点；
y0_destin表示记录每一阶段内所有运行车辆到达终点的电量；
tao0_destin表示记录每一阶段内所有运行车辆到达终点的时间；
c0_used表示记录每一阶段内所有运行车辆充过电的充电桩。
进一步地，所述C3.4设定种群的迭代次数gen，从第二代开始迭代，包 括如下具体步骤：
C3.4.1：进行配种选择；在父代种群p中选取具有最佳适应度的w个个体， 复制个体一份，供交叉使用；
C3.4.2：进行交叉进化；采用均匀交叉的方式对选出的个体两两进行交叉， 对于被改变的个体，删除其适应度；
C3.4.3：进行变异进化；采用乱序突变的方式对经交叉后的个体进行变异。
对于被改变的个体，重新计算其适应度；
C3.4.4：进行重***：选取配种后代中适应度最好的w个个体，***父代 中，剔除编码相同的个体，将得到的结果作为进行下一次迭代的父代种群；
所述C3.5具体步骤为：若经迭代后种群中个体适应度的最小值收敛，则 可认为末代种群中适应度最小的个体编码即为最佳布设方案，并将此布设 方案输出，若种群中个体适应度的最小值仍未达到收敛，则重复C3.5直 至达到收敛为止。
本发明的一种大规模路网中智能网联共享电动车充电站的优化布设求解 方法具有以下优点：本发明建立的混合整数线性规划模型在大型交通路网中 规模过大，计算机在处理时需耗费大量的内存和时间，很难用现有的求解器 直接求解。本发明结合时间窗口滚动的分阶段动态规划方法与遗传算法，开 发一套双层结构的求解方法来求解该大规模模型。上层运用遗传算法，生成 包含若干个体的初始种群，其中每个个体代表一种充电站布设方案。根据下 层问题提供的个体适应度评价值，对每一代种群进行选择、杂交、变异等遗传进化操作，并经重***后，形成新一代种群。如此迭代进化，直到种群中 个体适应度的最小值达到收敛为止。适应度值最小的个体所代表的充电站布 设方案即为最优布局。下层运用时间窗口滚动的分阶段动态规划方法，在个 体布设方案给定后求解混合整数线性规划模型，从而获得各个体的适应度。 在每个个体方案下，将模型涵盖的时间段(通常为一天或半天)分成多个小 阶段，在每一个阶段内，根据路网当前各车辆状态和该阶段内的乘客出行需 求信息，求解规模缩小后的混合整数线性规划模型。各阶段求解结束后，相 应地更新车辆路径调度和充电决策，以及所有车辆所处的状态信息，作为下 一个阶段求解的初始值。以此类推，通过时间阶段不断滚动的方法来将原大 规模问题在时间维度进行拆分，高维度降为低维度，从而有效地对原问题进 行了求解。
附图说明
图1自动驾驶共享电动车接送客全程路径规则示意图；
图2不符合实际排队充电情况的情形示意图；
图3自动驾驶共享电动车分阶段接送客路径规则示意图；
图4芝加哥路网拓扑结构以及电动车出发点和充电站备选点布局情况示 意图；
图5种群适应度最小值的迭代收敛情况示意图；
图6电动车完成300个出行需求接送客任务时芝加哥路网充电站最优布 局示意图。
具体实施方式
为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法做进一步 详细的描述。
本发明的一种大规模路网中智能网联共享电动车充电站的优化布设求解 方法，首先建立一套以***运行总成本最小化为目标的充电站布设混合整数 线性规划模型(MILP)，然后结合时间窗口滚动的分阶段动态规划方法与遗 传算法，开发一套双层结构的求解方法来求解所建模型。
在该求解方法中，上层运用遗传算法，生成包含若干个体的初始种群， 其中每个个体代表一种充电站布设方案。根据下层问题提供的个体适应度评 价值，对每一代种群进行选择、杂交、变异等遗传进化操作，并经重***后， 形成新一代种群。如此迭代进化，直到种群中个体适应度的最小值达到收敛 为止。适应度值最小的个体所代表的充电站布设方案即为最优布局。
下层运用时间窗口滚动的分阶段动态规划方法，在个体布设方案给定后 求解混合整数线性规划模型(MILP)，从而获得各个体的适应度。在每个个 体方案下，将模型(MILP)涵盖的时间段(通常为一天或半天)分成多个小 阶段，同时将大规模的乘客出行数据按照各时间阶段分成若干小份数据。在 每一个阶段内，根据路网当前各车辆状态和该阶段内的乘客出行需求信息， 求解规模缩小后的混合整数线性规划模型(MILP)。各阶段求解结束后，相 应地更新车辆路径调度和充电决策，以及所有车辆所处的状态信息，作为下 一个阶段求解的初始值。以此类推，通过时间阶段不断滚动的方法来将原大 规模问题在时间维度进行拆分，高维度降为低维度。计算获得的各阶段目标 函数值相加得到每个种群个体的适应度值，该值即为此个体所代表的充电站 布局策略的总成本。
本方法的实现步骤如下：
1个体充电站布局方案的适应度评价函数—混合整数线性规划模型 (MILP)
1.1共享电动车分阶段接送客模型
1.1.1交通网络搭建
通过以下设置，实现物理交通路网的数字化：
O：电动车的可选出发点，O＝{1,2,3,...,σ}；
P：所有乘客上车点的集合，设共有δ个上车点，则 P＝{σ+1,σ+2,σ+3,...,σ+δ}；
D：所有乘客下车点的集合，D＝{σ+δ+1,σ+δ+2,σ+δ+3,...,σ+2δ}；
U：所有充电站备选点编号的集合，设共有n个充电站备选点，则 U＝{1,2,...,n}；
Figure BDA0003475634620000121
n号充电站备选点所能安装的最大充电桩数；
Vmax：最多允许投放在网络中的电动汽车数；
Cmax：允许在路网中建立充电站数量限制；
Cn：n号充电站备选点所有备选充电桩的集合，例如
Figure BDA0003475634620000122
Qmax：投放路网中充电桩的数量限制；
C：所有充电站充电桩备选点集合
C＝C1∪C2∪.....∪Cn＝{σ+2δ+1,σ+2δ+2,σ+2δ+3,...,σ+2δ+Qmax}；
T：电动车的返回点，T＝{σ+2δ+Qmax+1}。其为虚拟终点，到其它各 节点的距离为0；
N：所有节点的集合，即N＝O∪P∪D∪C∪T；
V：所有备选电动车的集合，V＝{1,2,3,...,Vmax}。
1.1.2目标函数
通过以下表达式实现各个阶段的总成本之和(包括电动车的行驶时间成 本，自动驾驶电动车和充电桩的使用成本，电动车在充电站的充电费用，电 动车在充电站的等待时间成本，因无法准时到达节点而产生的惩罚成本)最 小化：
Figure BDA0003475634620000131
式中ct：电动车行驶单位时间的时间成本；
cw：因电动车延误而导致乘客在上车点等待的单位等待时间惩罚成本；
ce：每单位电量的能耗成本；
cq：电动车在充电桩排队的单位排队时间成本；
cf：每辆电动车的购买和使用成本；
cr：每个充电桩的建设和使用成本；
tij：从节点i∈N到节点j∈N的行驶时间；
Figure BDA0003475634620000132
电动车v∈V实际到达节点i∈N处的时间；
Figure BDA0003475634620000133
电动车v∈V在充电桩i∈C开始充电的时间；
Figure BDA0003475634620000134
电动车v∈V从乘客上车点i∈P出发的时间；
ai：乘客到达上车点i∈P的时间；
E：电动车的最大电量；
Figure BDA0003475634620000135
电动车v∈V到达节点i∈N处时的电量：
Figure BDA0003475634620000136
0-1变量，如果电动车v∈V直接从节点i∈N到达节点j∈N，等于1； 否则，等于0。
rj：0-1变量，若在充电桩备选点j∈C安装充电桩，等于1；否则，等 于0。
Figure BDA0003475634620000141
为电动车行驶时间成本，
Figure BDA0003475634620000142
为电动车在充电站 的排队时间成本，
Figure BDA0003475634620000143
为因电动车延误而导致乘客在上车点的等待 时间惩罚成本，
Figure BDA0003475634620000144
为电动车的充电电量成本，
Figure BDA0003475634620000145
为在 路网中运行的车辆使用成本，
Figure BDA0003475634620000146
为路网中充电桩的使用成本。
1.1.3共享电动车接送客行程约束
通过下述约束生成共享电动车的接送客路径，使车辆按照图1所示的路 径规则来完成各阶段的接送客任务：在每个阶段，电动车v从出发点O出发， 前往乘客上车点P接乘客，并将其运送到对应的乘客下车点D。若电动车v电 量不足以完成接下来的接送客任务，则前往充电桩C进行充电，然后再前往 其他乘客上车点P接客，依次类推。当电动车v完成了该阶段所有接送客需 求时，将停留在乘客下车点D，指引电动车v返回虚拟终点T表示电动车v结 束此阶段的接送客任务。电动车v在此阶段最后停留的乘客下车点D即为下 一阶段的出发点O。
Figure BDA0003475634620000147
Figure BDA0003475634620000148
Figure BDA0003475634620000149
Figure BDA00034756346200001410
Figure BDA0003475634620000151
Figure BDA0003475634620000152
Figure BDA0003475634620000153
Figure BDA0003475634620000154
Figure BDA0003475634620000155
Figure BDA0003475634620000156
Figure BDA0003475634620000157
Figure BDA0003475634620000158
Figure BDA0003475634620000159
式中，M表示足够大的数。θv为0-1变量，若电动车v∈V执行接送客任 务，等于1；否则，等于0。
式(2)-(4)表示从乘客上车点i∈P出发的电动车接下来只能前往和该上 车点i对应的乘客下车点i+δ∈D；从乘客下车点i∈D出发的电动车接下来只 能前往充电桩、电动车返回点或其他乘客上车点。以上各点只能由一辆电动 车访问。
式(5)表示从充电桩i∈C出发的电动车接下来只能前往乘客上车点j∈P 或电动车返回点j∈T。该约束阻止了从充电桩i∈C出发的电动车前往电动车 出发点j∈O、乘客下车点j∈D和其它充电桩j∈C。
式(6)表示从电动车出发点i∈O出发的电动车接下来只能前往乘客上车 点j∈P或充电桩j∈C。该约束阻止了从电动车出发点i∈O出发的电动车前 往其它电动车出发点j∈O、乘客下车点j∈D和电动车返回点j∈T。
式(7)表示从电动车出发点i∈O出发的电动车v接下来最多只能前往一 个乘客上车点j∈P或充电桩j∈C。该约束确保了同一编号的电动车v只能从 一个电动车出发点O出发，且投放到路网的车辆数大于0小于等于Vmax。当 新阶段开始时，如果电动车的电量不足以直接去执行新的接送客任务，式(6)- 式(7)可使电动车从出发点i∈O前往充电桩j∈C进行充电。
式(8)表示只能有一辆电动车v从每个电动车出发点O出发。由于每个阶 段都需要对车辆所处的位置和状态等信息进行更新，式(8)使得每一个电动车 出发点O的编号对应于一辆不同的电动车，成为其唯一索引，当更换电动车 出发点O相同编号所对应的地理空间节点、电量以及出发时间等信息时，即 可完成对该编号所对应的电动车的信息更新。
式(7)-式(8)使得模型可以通过控制电动车出发点O的数量来确定投放 到路网中的电动车的最优车队规模。如果有多辆车位于同一个地理空间上的 节点，可以给这个节点赋值多个不同的编号作为不同的电动车出发点，从而 确保一个电动车出发点对应于一辆电动车。在各个阶段执行接送客任务的电 动车数量不同，电动车v在某阶段可能在执行接送客任务，但在另一阶段可 能未被分配任务而处于待客状态。
式(9)表示电动车到达电动车返回点T后，不再前往其他任一点执行任 务。
式(10)表示若一辆电动车到达乘客上车点P、乘客下车点D或充电桩C 时，这辆车也必须从这个乘客上车点P、乘客下车点D或充电桩C离开。
式(11)-式(14)确保电动车一定能从电动车出发点O出发，并最终返回 到电动车返回点T，避免了电动车路径有冗余循环。若电动车v执行了将乘 客从上车点i运送到下车点i+δ的任务，则该电动车一定从出发点O出发 (θv＝1)。若电动车v不执行任何接送客任务，则该电动车将停靠在出发点O (θv＝0)。
1.1.4行程时间计算
通过下述约束计算自动驾驶电动汽车在各节点的行程时间：
Figure BDA0003475634620000171
Figure BDA0003475634620000172
Figure BDA0003475634620000173
Figure BDA0003475634620000174
Figure BDA0003475634620000175
Figure BDA0003475634620000176
Figure BDA0003475634620000177
Figure BDA0003475634620000178
Figure BDA0003475634620000179
Figure BDA00034756346200001710
Figure BDA00034756346200001711
式中：
g：充电桩的充电效率，即单位时间的充电量。
v_start：跟踪记录每一阶段前所有电动车离开出发点的出发时间，初 始化所有电动车的v_start＝0。
v0_charged：记录每一阶段内每一次充电的电动车编号，初始化其为空集；
s0：记录每一阶段内电动车v0_charged在充电桩开始充电的时间，初始化 其为空集；
c0：记录每一阶段内电动车v0_charged充电时对应的充电桩编号，初始化 其为空集；
y0_charged：记录每一阶段内电动车v0_charged到达充电桩时的电量，初始 化其为空集。
式(15)规定了电动车在各个阶段从电动车起点O出发的时间。
式(16)-式(17)表示从电动车出发点i∈O或乘客下车点i∈D出发的电动 车v，到达下一个节点j∈N的时间
Figure BDA0003475634620000181
等于电动车v到达i的时间
Figure BDA0003475634620000182
加上i、j之 间的行驶时间tij。
式(18)表示电动车v从乘客上车点i∈P出发的时间
Figure BDA0003475634620000183
必须晚于乘客到达 上车点i∈P的时间ai。
式(19)表示电动车v从乘客上车点i∈P出发的时间
Figure BDA0003475634620000184
必须晚于电动车v 到达乘客上车点i∈P的时间
Figure BDA0003475634620000185
式(20)-式(21)表示从乘客上车点i∈P出发的电动车，到达下一个节点 j∈N的时间
Figure BDA0003475634620000186
等于电动车v从乘客上车点i∈P出发的时间
Figure BDA0003475634620000187
加上i、j之间的 行驶时间tij。
由式(18)-式(21)可以计算得到乘客在上车点i∈P等待电动车v发车的 时间等于
Figure BDA0003475634620000188
式(22)表示电动车v在充电桩i∈C开始充电的时间
Figure BDA0003475634620000191
必须晚于电动车v 到达充电桩i∈C的时间
Figure BDA0003475634620000192
式(23)-式(24)表示从充电桩i∈C出发的电动车v，到达下一个节点j∈N 的时间
Figure BDA0003475634620000193
等于电动车v在充电桩i∈C开始充电的时间
Figure BDA0003475634620000194
电动车在充电桩 i∈C进行充电的时间
Figure BDA0003475634620000195
以及i、j之间的行驶时间tij之和。
式(25)表示若新阶段开始时仍有之前阶段的电动车在充电桩
Figure BDA0003475634620000196
充电， 则新阶段电动车v在充电桩
Figure BDA0003475634620000197
开始充电的时间必须晚于之前各阶段内在 该充电桩充电的电动车结束充电的时间。
1.1.5电动车排队等待时间计算
通过下述约束来计算电动车在各充电站的排队等待时间：
Figure BDA0003475634620000198
Figure BDA0003475634620000199
Figure BDA00034756346200001910
Figure BDA00034756346200001911
Figure BDA00034756346200001912
Figure BDA00034756346200001913
Figure BDA00034756346200001914
Figure RE-GDA00036451389700001915
式中：
Figure BDA0003475634620000201
为0-1变量。若电动车u∈V早于电动车v∈V到达充电站n∈U，等于1； 否则，等于0；
Figure BDA0003475634620000202
Figure BDA0003475634620000203
为0-1变量。若电动车u∈V早于电动车v∈V到达充电桩i∈C，等于1； 否则，等于0。
式(26)-式(29)表示，若u车早于v车到达充电桩i∈C，则v车在该充电桩 开始充电的时间必须晚于u车在该充电桩结束充电的时间
Figure BDA0003475634620000204
反之若u 车晚于v车到达充电桩i∈C，则v车开始充电的时间必须早于u车结束充电的 时间
Figure BDA0003475634620000205
约束(30)-(33)阻止如图2所示情况的发生。式(30)-(33)表示，若u车 早于v车到达充电站
Figure BDA0003475634620000206
则u车在充电站n∈U的充电桩j∈Cn开始充 电的时间
Figure BDA0003475634620000207
也必须早于v车在充电站n∈U的充电桩i∈Cn开始充电的时间
Figure BDA0003475634620000208
反之若u车晚于v车到达充电站
Figure BDA0003475634620000209
则u车在充电站n∈U的充电桩 j∈Cn开始充电的时间
Figure BDA00034756346200002010
也必须晚于v车在该充电站充电桩i∈Cn开始充电的 时间
Figure BDA00034756346200002011
根据式(26)-式(33)，可以得到电动车v在充电站的排队时间为
Figure BDA00034756346200002012
Figure BDA00034756346200002013
1.1.6电动车电量计算
通过下述约束来描述共享电动车在运行过程中的电量消耗及充电情况：
Figure RE-GDA00036451389700002014
Figure RE-GDA00036451389700002015
Figure BDA0003475634620000212
Figure BDA0003475634620000213
Figure BDA0003475634620000214
式中：
v_energy：跟踪记录每一阶段前所有电动车在出发点时的电量，初始化 所有电动车的v_energy＝E。
dij：节点i∈N和节点j∈N之间的最短距离。
h：电动车的电量消耗率，即单位时间电动车消耗的电量。
式(34)-式(35)表示从出发点i∈O、乘客上车点i∈P或乘客下车点i∈D 出发的电动车v，到达下一个节点j∈N的电量
Figure BDA0003475634620000215
等于i点的电量
Figure BDA0003475634620000216
减去电动 车在ij之间行驶而消耗的电量。
式(36)表示电动车将在充电桩i∈C充满电。由于目标函数式(1)将最小 化电动车在充电桩进行充电的电量成本，所以式(36)和目标函数将一起确保 从充电桩i∈C出发的电动车v，到达下一个节点j∈N的电量
Figure BDA0003475634620000217
等于电动车的 最大电量E减去电动车在ij之间行驶而消耗的电量。
式(37)表示电动车v到达各乘客终点i∈D时的电量须足以支撑其继续前 往任意充电桩j∈C充电。考虑到各阶段电动车在结束所有接送客任务后，将 停留在最后一次接送客任务的乘客下车点，而该点又是下一阶段的电动车出 发点，所以应确保电动车在该点的电量足以支持车辆在下一阶段继续执行任 务。
式(38)表示各阶段电动车在起点O出发时的电量。
1.1.7充电站选择决定
通过下述约束来决定共享电动车在充电桩的充电情况：
Figure BDA0003475634620000221
式(39)用来判断电动车是否前往充电桩j∈C充电。
1.2前后两阶段信息的衔接与更新
完成一个阶段的优化后滚动到下一阶段继续进行优化，在这过程中需要 将上一阶段优化得到的车辆路径调度和充电决策等信息更新到下一阶段中。 且上一阶段运行结束后的车辆位置、电量等信息将作为下一阶段求解的初始 值。如图3所示，在上一阶段通过设置虚拟返回点T来记录该阶段投入运营 的电动车在完成接送客任务后停留在的乘客下车点i∈D的位置编号、到达时 间
Figure BDA0003475634620000222
和电量
Figure BDA0003475634620000223
在下一阶段设置虚拟出发点O，将上一阶段电动车在完成接 送客任务后停留在的乘客下车点i∈D的位置编号、到达时间
Figure BDA0003475634620000224
和电量
Figure BDA0003475634620000225
信息 传递给虚拟出发点O。
2求解充电站布设方案的遗传算法
2.1个体编码
使用二进制编码规则对每个个体随机进行编码，0表示不建充电站(桩)， 1表示建充电站(桩)。表示是否建立充电站的变量Zn和表示是否安装充电 桩的变量rj的值将由产生的个体编码值决定。二进制编码规则使得生成的个 体在满足式(40)-式(41)的同时能解决以下两个问题：1).在哪几个节点布置 充电站；2)决定修建充电站的节点应该安装多少个充电桩。
Figure BDA0003475634620000231
Figure BDA0003475634620000232
式中：
Zn为0-1变量。n处若建立充电站，等于1；否则，等于0，
Figure BDA0003475634620000233
式(40)表示只有在备选点n∈U处建充电站，才会在n处内部安装充电桩。
式(41)表示在充电站n修建充电桩的数量不超过设定的最大值
Figure BDA0003475634620000234
例如，假设共有3个充电站备选点，则[1,0,1]代表在第1、3号节点建 充电站，在第2号节点不建充电站，Zn的值分别为1,0,1。如果某节点不布 置充电站，则该节点也不布置充电桩，所以[[1,1,1],[0,0,0],[1,0,1]]表示 在1号节点安装3个充电桩，2号节点不建站建桩，3号节点安装2个充电桩， rj的值分别为1,1,1,0,0,0,1,0,1，
对于个体的编码还需要满足下面式(42)、式(43)两个约束，从而对安装 充电站和充电桩的总数进行限制，防止算法在探寻最优解时无边界。
Figure BDA0003475634620000235
Figure BDA0003475634620000236
式(42)表示在所有充电站备选点建立充电站的数量不能超过Cmax。
式(43)表示在所有充电站修建充电桩的数量不能超过Qmax。
对于所有违反约束的解个体将分配为一极大值，通过这样操作，在后续 的选择、杂交和变异操作中，此不可行解就会被筛选掉。
2.2使用进化操作进行迭代
对每一代种群进行选择、杂交、变异等遗传进化操作，并经重***后， 形成新一代种群。如此迭代进化，直到种群中个体适应度的最小值达到收敛 为止。该适应度值最小的个体所代表的充电站布局方案即为最优布局。
3大规模路网求解方法总结
总结在大规模路网中优化布设智能网联共享电动车充电站的求解方法， 如下：
Figure BDA0003475634620000241
Figure BDA0003475634620000251
Figure BDA0003475634620000261
Figure BDA0003475634620000271
Figure BDA0003475634620000281
其中：
v_origin：跟踪记录所有电动车在每一阶段前所处的出发点编号；
v_terminal：记录所有电动车执行完所有乘客出行需求任务后最终返回 的返回点，其等于导入路网中提供的所有电动车的出发点；
v0：记录在每一阶段内运行的所有车辆；
v0_origin：记录在每一阶段内运行的所有车辆的起点；
v0_destin：记录在每一阶段内运行的所有车辆的终点；
y0_destin：记录每一阶段内所有运行车辆到达终点的电量；
tao0_destin：记录每一阶段内所有运行车辆到达终点的时间；
c0_used：记录每一阶段内所有运行车辆充过电的充电桩。
实施例：
对具有933个节点、2967条路段和300个乘客出行需求的芝加哥路网进 行求解。路网各节点的编号、经纬度坐标、路段长度以及乘客出行需求OD 对等信息参见Github网站上Transportation Networks栏目提供的数据。
在路网中投放20辆智能网联共享电动车，选取20个节点作为电动车的 出发点/返回点，选取10个节点作为电动车充电站的备选点。选取充电站备 选点及电动车出发点/返回点的编号和坐标分别如表1和2所示。路网拓扑结 构和电动车出发点/返回点、充电站备选点的布局情况如图4所示，其中三角 形代表电动车出发点/返回点，圆点代表充电站备选点，圆点旁的数字代表此 充电站备选点对应于表1中的编号。规定路网中最多能建立的充电站数量Cmax＝8，每个充电站最多能安装的充电桩数量Rmax＝3，在所有充电站安装充电桩的数量不超过Qmax＝30。
表1芝加哥路网电动车充电站备选点的编号及坐标
Figure BDA0003475634620000291
表2芝加哥路网电动车的出发点/返回点的编号及坐标
Figure BDA0003475634620000292
Figure BDA0003475634620000301
设定每个阶段时长为60个时间单位，将300个出行需求按照乘客到达上 车点时间ai划分到各个阶段中。设定所有电动车的速度为5，设定单位行驶 时间的时间成本ct＝1，单位电量的能耗成本ce＝1，每辆电动车使用成本cf＝100，单位延误时间惩罚成本cp＝2，单位排队时间成本cq＝2，上车点单位等 待时间惩罚成本cw＝2，每个充电站的建设安装成本cs＝80，每个充电桩的使 用成本cr＝10，充电效率g＝10，电量消耗效率h＝10，电动车电池最大电量E ＝500。设定每代种群内均有10个个体，种群迭代进化次数为50，交叉和变 异的几率均为90％。使用基于python API的DEAP进化算法工具箱搭建遗传 算法框架进行种群迭代进化，使用Gurobi运筹优化软件的对偶单纯形法 (Dual Simplex)求解器求解评价函数的最小值。
求解结果，随着种群迭代次数的增加，每代种群所有个体适应度的最小 值、平均值、最大值和标准差如表3所示，个体适应度值的收敛情况如图5 所示。可以发现，当达到第9代时，种群个体适应度的最小值即达到收敛， 此收敛个体的编码为[[0,0,0],[1,1,1],[1,0,1],[0,0,0],[0,0, 0],[0,0,0],[1,0,1],[1,0,1],[1,0,1],[0,0,0]]，即总共 建立4个充电站：编号为569的充电站安装3个充电桩，编号为892、786、 584的充电站均安装2个充电桩。充电站的最优布设方案如图6所示，圆点 代表的是在路网中进行修建的充电站，圆点旁的数字代表此充电站对应于表 1中的编号。同时求得此充电站布设方案的总成本为127389.2。
表3种群个体适应度值随迭代次数的变化情况
Figure BDA0003475634620000311
Figure BDA0003475634620000321
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉 的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行 各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例 进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此， 本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范 围内的实施例都属于本发明所保护的范围内。

Claims (10)

1.一种大规模路网中智能网联共享电动车充电站的优化布设求解方法，其特征在于，包括如下步骤：
C1：建立一套以***运行总成本最小化为目标的充电站布设混合整数线性规划模型(MILP)；
C2：结合时间窗口滚动的分阶段动态规划方法与遗传算法求解所建模型；上层运用遗传算法，生成包含若干个体的初始种群，其中每个个体代表一种充电站布设方案；根据下层问题提供的个体适应度评价值，对每一代种群进行选择、杂交、变异的遗传进化操作，并经重***后，形成新一代种群；如此迭代进化，直到种群中个体适应度的最小值达到收敛为止；适应度值最小的个体所代表的充电站布设方案即为最优布局；
下层运用时间窗口滚动的分阶段动态规划方法，在个体布设方案给定后求解混合整数线性规划模型(MILP)，从而获得各个体的适应度；在每个个体方案下，将模型(MILP)涵盖的时间段分成多个小阶段，同时将大规模的乘客出行数据按照各时间阶段分成若干小份数据；在每一个阶段内，根据路网当前各车辆状态和该阶段内的乘客出行需求信息，求解规模缩小后的混合整数线性规划模型(MILP)，各阶段求解结束后，相应地更新车辆路径调度和充电决策，以及所有车辆所处的状态信息，作为下一个阶段求解的初始值；以此类推，通过时间阶段不断滚动的方法来将原大规模问题在时间维度进行拆分，高维度降为低维度；计算获得的各阶段目标函数值相加得到每个种群个体的适应度值，该值即为此个体所代表的充电站布局策略的总成本；
C3：大规模路网求解方法总结。
2.根据权利要求1所述的大规模路网中智能网联共享电动车充电站的优化布设求解方法，其特征在于，所述混合整数线性规划模型(MILP)包括交通网络模块、目标函数模块、电动车接送客路径模块、行程时间模块、电动车排队等待时间模块、电动车电量模块和充电站模块的搭建；
C1.1：交通网络模块的搭建：用参数O表示电动车的可选出发点、P表示所有乘客上车点的集合，D表示所有乘客下车点的集合，U表示所有充电站备选点编号的集合，
Figure FDA0003475634610000021
表示n号充电站备选点所能安装的最大充电桩数；Vmax表示最多允许投放在网络中的电动汽车数；Cmax表示允许在路网中建立充电站数量限制；Cn表示n号充电站备选点所有备选充电桩的集合；Qmax表示投放路网中充电桩的数量限制；C表示所有充电站充电桩备选点集合；T表示电动车的返回点，其为虚拟终点，到其它各节点的距离为0；N表示所有节点的集合；V表示所有备选电动车的集合，建立物理交通路网的数字化模型；
C1.2：目标函数模块的搭建：通过参数ct、cw、ce、cq、cf、cr、tij、
Figure FDA0003475634610000022
Figure FDA0003475634610000023
ai、E、
Figure FDA0003475634610000024
rj计算各个阶段的总成本之和的最小化值；即电动车的行驶时间成本、自动驾驶电动车和充电桩的使用成本、电动车在充电站的充电费用、电动车在充电站的等待时间成本、因无法准时到达节点而产生的惩罚成本之和的最小化值，其中，ct表示电动车行驶单位时间的时间成本；cw表示因电动车延误而导致乘客在上车点等待的单位等待时间惩罚成本；ce表示每单位电量的能耗成本；cq表示电动车在充电桩排队的单位排队时间成本；cf表示每辆电动车的购买和使用成本；cr表示每个充电桩的建设和使用成本；tij表示从节点i∈N到节点j∈N的行驶时间；
Figure FDA0003475634610000025
表示电动车v∈V实际到达节点i∈N处的时间；
Figure FDA0003475634610000026
表示电动车v∈V在充电桩i∈C开始充电的时间；
Figure FDA0003475634610000027
表示电动车v∈V从乘客上车点i∈P出发的时间；ai表示乘客到达上车点i∈P的时间；E表示电动车的最大电量；
Figure FDA0003475634610000031
表示电动车v∈V到达节点i∈N处时的电量；
Figure FDA0003475634610000032
表示0-1变量，如果电动车v∈V直接从节点i∈N到达节点j∈N，等于1；否则，等于0；rj表示0-1变量，若在充电桩备选点j∈C安装充电桩，等于1；否则，等于0；
C1.3：电动车接送客路径模块的搭建：通过公式计算约束生成共享电动车的接送客路径，使车辆按照规定路径规则来完成各阶段的接送客任务：在每个阶段，电动车v从出发点O出发，前往乘客上车点P接乘客，并将其运送到对应的乘客下车点D；若电动车v电量不足以完成接下来的接送客任务，则前往充电桩C进行充电，然后再前往其他乘客上车点P接客，依次类推；当电动车v完成了该阶段所有接送客需求时，将停留在乘客下车点D，指引电动车v返回虚拟终点T表示电动车v结束此阶段的接送客任务；电动车v在此阶段最后停留的乘客下车点D即为下一阶段的出发点O；
C1.4：行程时间模块的搭建：通过参数g、v_start、v0_charged、s0、c0、y0_charged、计算自动驾驶电动汽车在各节点的行程时间；其中g表示充电桩的充电效率，即单位时间的充电量；v_start表示跟踪记录每一阶段前所有电动车离开出发点的出发时间，初始化所有电动车的v_start＝0；v0_charged表示记录每一阶段内每一次充电的电动车编号，初始化其为空集；s0表示记录每一阶段内电动车v0_charged在充电桩开始充电的时间，初始化其为空集；c0表示记录每一阶段内电动车v0_charged充电时对应的充电桩编号，初始化其为空集；y0_charged表示记录每一阶段内电动车v0_charged到达充电桩时的电量，初始化其为空集；
C1.5：电动车排队等待时间模块的搭建：通过C1.1-C1.4所述参数以及参数
Figure FDA0003475634610000033
和
Figure FDA0003475634610000034
计算电动车在各充电站的排队等待时间；其中
Figure FDA0003475634610000035
为0-1变量；
C1.6：电动车电量模块的搭建：通过C1.1-C1.4所述参数以及参数v_energy、dij、h描述共享电动车在运行过程中的电量消耗及充电情况，其中，v_energy表示跟踪记录每一阶段前所有电动车在出发点时的电量，初始化所有电动车的v_energy＝E，dij表示节点i∈N和节点j∈N之间的最短距离，h表示电动车的电量消耗率，即单位时间电动车消耗的电量；
C1.7：充电站模块的搭建：通过参数
Figure FDA0003475634610000041
决定共享电动车在充电桩的充电情况。
3.根据权利要求1所述的大规模路网中智能网联共享电动车充电站的优化布设求解方法，其特征在于，所述步骤C2包括如下步骤：
C2.1：个体编码；
C2.2：使用进化操作进行迭代。
4.根据权利要求3所述的大规模路网中智能网联共享电动车充电站的优化布设求解方法，其特征在于，所述步骤C2.1包括如下步骤：使用二进制编码规则对每个个体随机进行编码，0表示不建充电站或充电桩，1表示建充电站或充电桩，表示是否建立充电站的变量Zn和表示是否安装充电桩的变量rj的值将由产生的个体编码值决定。
5.根据权利要求3所述的大规模路网中智能网联共享电动车充电站的优化布设求解方法，其特征在于，所述步骤C2.2对每一代种群进行选择、杂交、变异的遗传进化操作，并经重***后，形成新一代种群，如此迭代进化，直到种群中个体适应度的最小值达到收敛为止，该适应度值最小的个体所代表的充电站布局方案即为最优布局。
6.根据权利要求1所述的大规模路网中智能网联共享电动车充电站的优化布设求解方法，其特征在于，所述步骤3包括如下具体步骤：
C3.1：初始化；
C3.2：个体编码；
C3.2：定义评价函数，计算每个个体的适应度值；
C3.4：使用遗传算法进行族群迭代；
C3.5：得到最优充电站布设方案。
7.根据权利要求6所述的大规模路网中智能网联共享电动车充电站的优化布设求解方法，其特征在于，所述C3.1包括如下具体步骤：
C3.1.1：导入研究路网：
获得路网中m个小时所有的乘客出行需求OD对及其出发时间，电动车出发点或返回点，所有充电站备选点等节点和各节点之间的最短路径，计算得到所有充电站的布局方案；
C3.1.2：拆分阶段：
将m小时分成s个阶段，每个阶段的时间为t秒，将所有乘客出行需求OD对及其出发时间按照乘客出发时间所在的时间阶段进行拆分，共分成s份；
C3.1.3：初始化充电站布设方案：
随机生成一套初始的充电站布设方案。
8.根据权利要求6所述的大规模路网中智能网联共享电动车充电站的优化布设求解方法，其特征在于，所述C3.2包括如下具体步骤：
C3.2.1：充电站布局的编码：
对初始充电站布局方案进行编码；
C3.2.2：充电桩布设的编码：
根据初始充电站布局情况，对初始充电桩的布设进行编码。
9.根据权利要求6所述的大规模路网中智能网联共享电动车充电站的优化布设求解方法，其特征在于，所述C3.3采用建立的以总成本最小化为目标的混合整数线性规划模型作为每个个体适应度的评价函数，包括如下具体步骤：
初始种群中每个个体u，循环执行下列步骤：
C3.3.1：初始化相关集合；初始化集合v_origin,v_start,v_energy,v_terminal,v0_charged，s0，c0，y0_charged；建立集合cost来记录充电站布局方案u下电动车完成所有乘客接送客需求任务的总成本，并初始化cost＝0；
C3.3.2：计算电动车分阶段接送客的目标函数值；
拆分后s个阶段中的每个阶段为k，循环执行下列步骤：
C3.3.2.1：搭建交通网络；导入第k阶段的乘客出行需求OD对以及更新后的v_origin集合，按照1.1节交通路网搭建规则构建集合O,P,D,C,T,N中各节点集合，并更新所搭建交通路网各节点的最短路径；
C3.3.2.2：实施阶段优化；求解该阶段的混合整数线性规划模型(MILP)，得到该阶段k最优的车辆接送客路径策略、电动车规模、充电策略以及目标函数值k_cost，更新cost＝cost+k_cost；
C3.3.2.3：获取阶段k运行车辆的信息；获取阶段k运行的车辆，运行车辆的起点，运行车辆的终点，运行车辆到达终点的电量，运行车辆到达终点的时间，以及运行车辆充过电的充电桩，将相应信息分别导入集合v0,v0_origin,v0_destin,y0_destin,tao0_destin,c0_used中；
C3.3.2.4：更新所有电动车的出发点；将阶段k运行车辆的终点作为下一阶段k+1运行车辆的出发点，更新到集合v_origin中；
C3.3.2.5：更新所有电动车在出发点的能量；将阶段k运行车辆到达终点的电量作为下一阶段k+1运行车辆的初始电量；
C3.3.2.6：更新电动车的出发时间；先将下一阶段k+1所有车辆的出发时间v_start更新为t·(k+1)，再将运行车辆到达终点的时间tao0_destin与t·(k+1)作比较；如果tao0_destin＞t·(k+1)：将阶段k运行车辆v0到达终点的时间tao0_destin更新到下一阶段k+1运行车辆v0的出发时间v_start中；否则，v_start保持不变；
C3.3.2.7：将在阶段k内结束充电的电动车记录剔除；将电动车在充电桩c0_used结束充电的时间s0+(E-y0)/g与阶段k+1的开始时间t·(k+1)作比较：如果s0+(E-y0)/g＜t·(k+1)：删除电动车在v0_charged，s0，c0，y0_charged中的所有记录；否则保留这些记录；
C3.3.3：计算电动车分阶段接送客的目标函数值；
C3.3.3.1：更新交通网络；导入更新后的v_origin集合，按照交通路网搭建规则构建集合O,C,T,N中各节点集合，并更新所搭建交通路网各节点的最短路径；
C3.3.3.2：进行优化；计算运营电动车前往返回点的最优路径和充电策略以及最优目标函数值t_cost，更新cost＝cost+t_cost，此cost值即为个体u对应的适应度值；
其中：
v_origin表示跟踪记录所有电动车在每一阶段前所处的出发点编号；
v_terminal表示记录所有电动车执行完所有乘客出行需求任务后最终返回的返回点，其等于导入路网中提供的所有电动车的出发点；
v0表示记录在每一阶段内运行的所有车辆；
v0_origin表示记录在每一阶段内运行的所有车辆的起点；
v0_destin表示记录在每一阶段内运行的所有车辆的终点；
y0_destin表示记录每一阶段内所有运行车辆到达终点的电量；
tao0_destin表示记录每一阶段内所有运行车辆到达终点的时间；
c0_used表示记录每一阶段内所有运行车辆充过电的充电桩。
10.根据权利要求6所述的大规模路网中智能网联共享电动车充电站的优化布设求解方法，其特征在于，所述C3.4设定种群的迭代次数gen，从第二代开始迭代，包括如下具体步骤：
C3.4.1：进行配种选择；在父代种群p中选取具有最佳适应度的w个个体，复制个体一份，供交叉使用；
C3.4.2：进行交叉进化；采用均匀交叉的方式对选出的个体两两进行交叉，对于被改变的个体，删除其适应度；
C3.4.3：进行变异进化；采用乱序突变的方式对经交叉后的个体进行变异；对于被改变的个体，重新计算其适应度；
C3.4.4：进行重***：选取配种后代中适应度最好的w个个体，***父代中，剔除编码相同的个体，将得到的结果作为进行下一次迭代的父代种群；所述C3.5具体步骤为：若经迭代后种群中个体适应度的最小值收敛，则可认为末代种群中适应度最小的个体编码即为最佳布设方案，并将此布设方案输出，若种群中个体适应度的最小值仍未达到收敛，则重复C3.5直至达到收敛为止。
CN202210054494.6A 2022-01-18 2022-01-18 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法 Pending CN114742340A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210054494.6A CN114742340A (zh) 2022-01-18 2022-01-18 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210054494.6A CN114742340A (zh) 2022-01-18 2022-01-18 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法

Publications (1)

Publication Number Publication Date
CN114742340A true CN114742340A (zh) 2022-07-12

Family

ID=82276118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210054494.6A Pending CN114742340A (zh) 2022-01-18 2022-01-18 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法

Country Status (1)

Country Link
CN (1) CN114742340A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114999163A (zh) * 2022-08-04 2022-09-02 北京科技大学 一种封闭区域无人驾驶车辆集群优化控制方法
CN115395619A (zh) * 2022-09-23 2022-11-25 青岛鼎信通讯股份有限公司 一种基于能量路由器的电动汽车有序充电方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764777A (zh) * 2018-04-26 2018-11-06 浙江工商大学 带时间窗的电动物流车调度方法和***
CN110190615A (zh) * 2019-05-22 2019-08-30 国网浙江省电力有限公司经济技术研究院 一种微网储能***控制策略优化方法
WO2020074567A1 (en) * 2018-10-09 2020-04-16 Starship Technologies Oü Method and system for planning item deliveries
CN111754039A (zh) * 2020-06-23 2020-10-09 北京交通大学 纯电动公交线网综合集成优化设计的方法
CN112200367A (zh) * 2020-10-09 2021-01-08 河北工业大学 一种支持充放电策略的电动汽车配送路径优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764777A (zh) * 2018-04-26 2018-11-06 浙江工商大学 带时间窗的电动物流车调度方法和***
WO2020074567A1 (en) * 2018-10-09 2020-04-16 Starship Technologies Oü Method and system for planning item deliveries
CN110190615A (zh) * 2019-05-22 2019-08-30 国网浙江省电力有限公司经济技术研究院 一种微网储能***控制策略优化方法
CN111754039A (zh) * 2020-06-23 2020-10-09 北京交通大学 纯电动公交线网综合集成优化设计的方法
CN112200367A (zh) * 2020-10-09 2021-01-08 河北工业大学 一种支持充放电策略的电动汽车配送路径优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘育良;陈淮莉;: "负载影响下纯电动汽车配送路径规划及充电策略", 计算机应用, no. 10, pages 2831 - 2837 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114999163A (zh) * 2022-08-04 2022-09-02 北京科技大学 一种封闭区域无人驾驶车辆集群优化控制方法
CN114999163B (zh) * 2022-08-04 2022-10-25 北京科技大学 一种封闭区域无人驾驶车辆集群优化控制方法
CN115395619A (zh) * 2022-09-23 2022-11-25 青岛鼎信通讯股份有限公司 一种基于能量路由器的电动汽车有序充电方法
CN115395619B (zh) * 2022-09-23 2024-04-05 青岛鼎信通讯股份有限公司 一种基于能量路由器的电动汽车有序充电方法

Similar Documents

Publication Publication Date Title
CN109409599B (zh) 基于实时需求的定制公交线路开通优化方法
CN109934391B (zh) 一种纯电动公交车辆的智能调度方法
CN114742340A (zh) 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法
CN115547052B (zh) 改进自适应大邻域算法的动态需求响应电动公交调度方法
CN112561249B (zh) 面向实时需求的城市定制公交调度方法
CN114912736A (zh) 一种电动公交协调优化调度方法
CN113393073B (zh) 一种共享汽车与轨道交通换乘接驳的调度***及方法
CN115409388A (zh) 多车型定制公交运营优化方法
CN115936330A (zh) 一种基于拉格朗日原理的需求响应式brt车辆调度算法
CN115423168A (zh) 一种考虑服务稳定性的定制公交路网优化方法及***
Tang et al. Dynamic operations of an integrated mobility service system of fixed-route transits and flexible electric buses
Qu et al. Optimizing bus services with variable directional and temporal demand using genetic algorithm
CN116629567B (zh) 考虑动态需求的需求响应公交与共享电单车耦合优化方法
CN116468219A (zh) 一种枢纽站接驳出租车合乘调度匹配方法
CN116504091A (zh) 一种基于智能网联的需求响应公交实时调度方法及***
CN116524705A (zh) 一种城际出行车辆的调度方法及终端
CN113642796B (zh) 基于历史数据的动态共享电动自动驾驶车辆路径规划方法
CN114723141A (zh) 一种brt多服务模式优化方法及***
CN111667087A (zh) 一种考虑污染排放的公交跳站运行方法
CN115271276B (zh) 联合宏微观需求响应式车辆调度方法
CN112309158B (zh) 一种基于分布估计算法的公共交通车辆调度方法
CN117409563B (zh) 一种基于共享单车的多模式动态公共交通流分配方法
CN115841287B (zh) 一种混合车队动态路径规划方法及设备
CN114187039A (zh) 全自动驾驶环境城市区域电动汽车充电设施选址定容方法
CN114818485B (zh) 一种车联网环境下的交通传感器网络的布设方法

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