CN115689310B - 城市纯电动公交***资源配置经济性的鲁棒评估方法 - Google Patents
城市纯电动公交***资源配置经济性的鲁棒评估方法 Download PDFInfo
- Publication number
- CN115689310B CN115689310B CN202211397813.XA CN202211397813A CN115689310B CN 115689310 B CN115689310 B CN 115689310B CN 202211397813 A CN202211397813 A CN 202211397813A CN 115689310 B CN115689310 B CN 115689310B
- Authority
- CN
- China
- Prior art keywords
- charging
- node
- vehicle
- time
- travel
- 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
Links
- 238000013468 resource allocation Methods 0.000 title claims abstract description 31
- 238000011156 evaluation Methods 0.000 title claims abstract description 9
- 238000005265 energy consumption Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000010845 search algorithm Methods 0.000 claims abstract description 10
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 6
- 238000003780 insertion Methods 0.000 claims description 19
- 230000037431 insertion Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 230000006378 damage Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000008439 repair process Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 5
- 238000002922 simulated annealing Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 238000000137 annealing Methods 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 230000036962 time dependent Effects 0.000 claims description 2
- 241001334134 Rugopharynx epsilon Species 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 claims 1
- 238000011234 economic evaluation Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城市纯电动公交***资源配置经济性的鲁棒评估方法,属于城市公交运营管理技术领域。包括如下步骤:S1、获取公交***基础数据;S2、以最小化运营成本为目标构建考虑充电站容量的城市混合车型纯电动公交调度的基本模型;S3、采用自适应大邻域搜索算法作为问题的求解算法,并进行参数调优;S4、基于S1生成行程时间和能耗的随机样本数据集;S5、进行敏感性分析,评估不同能耗和行程距离情景下充电策略和资源配置方案经济性。本发明能够用于不确定环境下的城市电动公交***充电资源分配的经济性评估。
Description
技术领域
本发明属于城市公交运营管理技术领域,更具体地说,涉及一种城市纯电动公交***资源配置经济性的鲁棒评估方法。
背景技术
相比于传统燃油车辆,纯电动公交车已被证明在全生命周期范围内具有更好的节能减排效益。随着油价的上涨和锂电池成本的下降,纯电动公交车将更具有价格优势,这也使得公交车辆的电气化成为各个国家应对气候和能源问题的主要策略之一。
目前,电动公交***运营规划的主要挑战在于充电设施的规划建设和车辆充电计划的制定。现阶段受城市土地资源和电网承载力限制,公交专用充电设施通常只能设置在车场或枢纽站中,且由于数量有限,单一充电站往往不能一次性满足所有车辆的充电需求,因此,在有限的充电资源约束下制定高效、节约的充电计划以及充电资源分配方案成为纯电动公交车运营工作的重要内容。
然而,电动公交车的行程时间和能耗受客流、天气、道路情况以及驾驶员行为等因素的影响,存在较大不确定性。这就导致采用单一的优化方法或模拟仿真得到的资源配置方案和充电计划无法有效应对多变的环境,有可能导致公交服务水平的下降并增加运营成本。因此,需要综合考虑资源有限性和行程时间、能耗的不确定性,帮助公交运营者对资源配置方案的经济性进行有效的、鲁棒的评估。
发明内容
为了解决上述技术问题至少之一,根据本发明的一方面,提供了一种城市纯电动公交***资源配置经济性的鲁棒评估方法,包括如下步骤:
S1、获取基础数据
首先,通过全球定位***(GPS)和车载诊断***(OBD)收集公交车辆在待评估公交线路上不同时段的逐秒行驶数据,包括卫星定位坐标、瞬时行驶速度、电池荷电状态(Stateof charge,SOC)、车辆充电状态、电机转速、电机扭矩、电池电压和电池电流,经过数据清洗后计算各个行程的行驶时间和能耗水平,以及行程的平均行驶时间和平均能耗水平。
接着获取其他基础数据,包括待评估公交线路、公交车辆和充电站的基本信息,具体内容包括:待评估公交线路的线路长度、总班次数、行程时刻表、公交车司机时薪、车辆安全电量水平、各车型的电池容量、单日折旧成本、各时段可用充电桩数量、充电桩功率和单位充电成本。
S2、构建纯电动公交调度模型
S21:提出基本假设
所有车辆在完成当天所有行程任务后会返场并充满电以满足第二天的服务需求;所有车辆在同一个充电站充电;所有车辆的充电函数可用线性函数近似替代;所有车辆在运营期间的单次充电时长固定。
S22:定义集合
车辆类型集合K={1,2,...,Kmax},其中Kmax为车辆类型总数;
车场节点集合D={o,d},其中,o和d分别表示出场节点和返场节点;
服务行程集合T={1,2,...,Tmax},其中,Tmax为服务行程总数;
充电节点集合
充电时段集合R={r1,r2,...,rn},其中,n为充电时段总数;
弧的集合A={(i,j)|i,j∈D∪T∪F};
充电指示向量集合I={(f,r)|f∈F,r∈R};
δ+(i)和δ-(i)分别表示从节点i出发和到达节点i的弧的集合,其中,i∈D∪T∪F。
S23:定义变量
车型与节点连接决策变量其中,(i,j)∈A∪I,k∈K;
节点剩余电量其中,i∈D∪T∪F,k∈K;
充电开始时间sf,其中,f∈F;
充电结束时的剩余电量其中,f∈F,k∈K。
S24:定义参数
对行程i∈T,其发车时刻为si,行程时间为ti;
对空驶行程(i,j)∈A,其行驶时间为tij;
对车辆类型k∈K,其单日折旧成本为ck,电池容量为Ek,充电速率为vk,行程能耗为空驶行程能耗为/>车辆的安全电量水平为σ;
对充电时段r∈R,其起始时间为sr,可用充电桩数量为Cr,充电时段划分间隔为δ,单次充电时间所需间隔数为U,单次充电时长为U·δ,bu(r)表示充电时段r前u个间隔的充电时段;
ce表示单位电价,ct表示公交司机时薪。
S25:定义目标函数
min z1+z2+z3 (1)
式中,z1表示总车辆折旧成本,z2表示充电成本,z3表示总人工成本。
S26:定义约束条件
S3:采用自适应大邻域搜索算法作为求解算法,并进行参数调优
自适应大邻域搜索算法的具体过程为:
采用贪婪***算法生成初始解作为当前解,初始化破坏和修复算子权重以及模拟退火温度T=T0;根据轮盘赌规则选择一个破坏算子和一个修复算子对当前解进行破坏和修复生成新解,根据解的接受规则选择是否接受新解作为当前解和最优解,并更新算子权重,根据冷却率α调整模拟退火温度T=α×T;重复算子选择、破坏和修复、接受新解以及调整权重和温度的过程,直到循环次数达到Nmax。
用于生成初始解的贪婪***算法具体过程为:
指派第一辆车执行第一个行程,并在行程链中不断***出发时间最近的、可执行的行程,以保证车辆的高利用率。当车辆因电量不足无法完成下一个行程时,***充电行程并指派最近的、容量未满的充电时间段。当无可指派的行程时,***返场行程,并为新的车辆构造行程链;为了进一步减少车辆数和车辆购置成本,算法首先指定车辆为电池容量较大的车型,以提高行程执行的连续性;在行程链构造完成后,检查是否可用容量较小的车型替代,以降低车辆购置成本。
算法使用的破坏算子包括随机移除算子、时间关联移除算子和相邻移除算子。破坏过程中,破坏算子从当前行车计划移除γ∈[γmin,γmax]个行程节点及其充电节点,其中,γmin和γmax分别为最小移除量和最大移除量;为了尽可能减少车辆数,当行车计划行程数少于2个时,将该计划中的行程全部移除;随机移除算子随机选择γ个行程节点进行移除;时间关联移除首先随机移除一个行程,然后在已移除的行程中随机选择一个行程并移除其时间关联性最强的行程,直至移除γ个节点,行程i和j的时间关联性为R(i,j)=w1·|si-sj|+w2·|ti-tj|,其中,si和sj表示行程i和j的起始时间,ti和tj表示行程i和j的起始时间,这两组差值的权重分别为ω1和ω2,R(i,j)越小,表明两个行程的时间关联性越大;相邻移除每次随机移除一个行程的同时将其在当前行车计划中前后相邻的行程一并移除。
算法使用的修复算子包括随机***算子和贪婪***算子。随机***算子在每次循环中,随机选择一个行程,并将其***至任意可***位置,若无可***位置,则将该行程***新的车辆行程链中,并随机指定车型。每***一个行程后,以概率pcharge***充电节点,并随机指派至一个时间相容的充电时段;贪婪***算子为每个充电节点选择时间相容的、充电站容量空余的且电价最低的充电时段。同时,在所有节点***完成后,贪婪***算子会在保证行程链不变的情况下尝试对车型进行替换,若替换后的总成本低于原车型且不违反能耗相容约束,则接受替换车型;当所有***操作结束后,算法会检查生成的解是否违反能耗和充电站容量约束,并相应地在成本中增加能耗约束罚数和充电站容量约束罚数
算法中解的接受规则使用模拟退火算法中的接受机制,当新的解并不是较优解时,选择接受该解的概率为e-(f(s′)-f(s))/T,其中,f(s′)和f(s)分别是新的解和当前解的目标函数值,T>0是当前循环的温度。
算法参数调优的具体过程为:
将行程平均行驶时间和能耗数据作为测试算例,对自适应大邻域搜索算法的参数,包括最大循环次数Nmax、最小移除数γmin、最大移除数γmax、初始温度T0、冷却率α、充电节点***概率pcharge、能耗约束罚数和容量约束罚数/>进行组合,并根据优化结果和求解时间进行排序,选择优化所得目标成本最小且求解速度最快的参数组合作为算法参数。
S4、生成行程时间和能耗的随机样本数据集
S41、对步骤S1中被采集线路的行程时间数据使用K-Means方法进行聚类,并根据聚类结果划分为若干代表不同行程特征的时段;
S42、根据时刻表中行程所在时段,在实际行程时间和能耗数据集的对应时段中随机抽取一条数据作为该行程的行程时间和行程能耗值,若该线路未被采集,则选择路径最为接近的线路数据集作为实际数据集,并按照行程距离成比例调整数值;
S43、对时刻表中所有行程执行步骤S42得到一个行程时间和能耗样本;
S44、重复执行m次步骤S43,得到m个行程时间和能耗样本,即行程时间和能耗样本数据集,样本个数m与行程时间和能耗分布离散程度有关,通常取100。
S5、采用敏感性分析评估资源配置方案经济性;
S51、设置单次充电时长取值集合和充电站容量取值集合,集合中元素数量分别为a和b,两个集合的笛卡尔积为所有参数组合,总数为a×b;
S52、将每个参数组合作为步骤S2所构建纯电动公交调度模型的参数,分别将步骤S4所生产的行程时间和能耗的随机样本数据集中的样本作为输入,并用自适应大邻域搜索算法进行求解,每个参数组合均得到m个随机样本优化结果;
S53、计算每个参数组合在随机样本下优化结果的平均值和标准差,并分别绘制热力图,根据热力图得到单次充电时长和充电桩数量对成本的影响,以及最具经济性的资源配置方案。
根据本发明的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明的城市纯电动公交***资源配置经济性的鲁棒评估方法中的步骤。
根据本发明的又一方面,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本发明的城市纯电动公交***资源配置经济性的鲁棒评估方法中的步骤。
相比于现有技术,本发明至少具有如下有益效果:
本发明首先构建了考虑充电站容量约束的城市多车型公交调度模型,并设计了用于求解的自适应大邻域搜索算法,能够得到在一定充电策略和资源配置方案下的最优调度计划及其成本;同时利用真实公交车辆运行数据生成行程时间和能耗随机样本数据集来模拟行程能耗不确定条件,并基于此开展敏感性分析,大大提高了纯电动公交***资源配置方案经济性评估的鲁棒性和有效性,能够为公交运营者提供资源配置的建议和技术支撑。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例的附图作简单地介绍,显而易见地,下面描述中的附图仅仅涉及本发明的一些实施例,而非对本发明的限制。
图1示出了本发明方法流程示意图;
图2示出了本发明实施例1的资源配置方案评估结果示意图。
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,下面将结合本发明实施例的附图,对本发明实施例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的一部分实施例,而不是全部的实施例。
除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
如图1-2所示,
实施例1:
本实施例的城市纯电动公交***资源配置经济性的鲁棒评估方法,如图1所示,包括如下步骤:S1、获取公交***基础数据;
S2、以最小化运营成本为目标构建考虑充电站容量的城市混合车型纯电动公交调度的基本模型;
S3、采用自适应大邻域搜索算法作为问题的求解算法,并进行参数调优;
S4、基于S1生成行程时间和能耗的随机样本数据集;
S5、进行敏感性分析,评估不同能耗和行程距离情景下充电策略和资源配置方案经济性。
本实施例的具体流程如下:
1、获取基础数据:
本实施例选择某市一单车场公交线网中的三条公交线路为评估对象,通过GPS和OBD收集其中一条线路5辆纯电动公交车辆连续6天的逐秒运行数据,经过数据清洗和计算后得到64趟行程的时间和能耗数据。通过实地调查得到三条公交线路长度分别为24.8km、25.8km和25.4km,公交运营时间为5:00-23:30,总班次数Tmax为275,公交车司机时薪ct为0.5元/分钟;车辆安全电量水平σ设为20%,三种车型的电池容量E1、E2和E3分别为100kWh、170kWh和256kWh,单日折旧成本c1、c2和c3分别为804.70元、907.56元和1039.14元;充电站可用充电站数量最大为20座,充电站功率均为60kW,单位电价ce为0.6414元/kWh。其他数据还包括公交线路的行程时刻表、服务行程和空驶行程的时间和能耗。
2、构建纯电动公交调度模型:
在步骤1的基础上构建纯电动公交调度模型,并确定部分参数值,其中,考虑到模型规模和计算效率,设置充电时段划分间隔δ=10分钟。
3、参数调优:
算法参数调优,即将行程平均时间和能耗作为输入测试不同算法参数组合的求解效率和效果。在经过算法调优后,自适应大邻域搜索算法的参数设置如表1所示。
表1算法参数设置
4、生成行程时间和能耗的随机样本数据集
对已采样行程的历史时间数据进行K-Means聚类,将运营时段分为早/晚班、高峰和平峰三种时段,并按照时段和线路长度生成100个行程时间和能耗的随机样本数据集。
5、敏感性分析:
设置单次充电时长取值U·δ∈{10,20,30,40,50,60}(分钟),设置可用充电桩数量取值Cr∈{6,8,10,12,14,16,18,20}(座),共生成48个资源配置方案。将步骤4生成的行程时间和能耗随机样本数据集作为输入,并用自适应大邻域搜索算法进行求解,共得到48×100组结果。根据每个资源配置方案组合优化结果的均值和标准差绘制热力图如图2所示。
该热力图是资源配置方案经济性评估的依据,平均成本代表该资源配置方案的平均经济效益,成本标准差代表该资源配置方案在不确定条件下成本变化的稳定性。该结果表明在实施例中,采用30分钟的单次充电时长和14-18座充电桩能够得到最大的平均经济效益,且成本变化相对稳定;在该方案下的车队平均车辆数约为40辆,其中,电池容量为100kWh的车型约30辆,电池容量为170kWh的车型约10辆。
实施例2:
本实施例的计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例1的城市纯电动公交***资源配置经济性的鲁棒评估方法中的步骤。
本实施例的计算机可读存储介质可以是终端的内部存储单元,例如终端的硬盘或内存;本实施例的计算机可读存储介质也可以是所述终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡,安全数字卡,闪存卡等;进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。
本实施例的计算机可读存储介质用于存储计算机程序以及终端所需的其他程序和数据,计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
实施例3:
本实施例的计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例1的城市纯电动公交***资源配置经济性的鲁棒评估方法中的步骤。
本实施例中,处理器可以是中央处理单元,还可以是其他通用处理器、数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等;存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据,存储器的一部分还可以包括非易失性随机存取存储器,例如,存储器还可以存储设备类型的信息。
本领域内的技术人员应明白,实施例公开的内容可提供为方法、***、或计算机程序产品。因此,本方案可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本方案可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本方案是参照根据本方案实施例的方法、和计算机程序产品的流程图和/或方框图来描述的,应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合;可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
本发明所述实例仅仅是对本发明的优选实施方式进行描述,并非对本发明构思和范围进行限定,在不脱离本发明设计思想的前提下,本领域工程技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的保护范围。
Claims (8)
1.一种城市纯电动公交***资源配置经济性的鲁棒评估方法,其特征在于,包括如下步骤:
S1、获取公交***基础数据;
S2、以最小化运营成本为目标构建考虑充电站容量的城市混合车型纯电动公交调度的基本模型;
步骤S2具体如下:
S21、提出基本假设:所有车辆在完成当天所有行程任务后会返场并充满电以满足第二天的服务需求;所有车辆在同一个充电站充电;所有车辆的充电函数可用线性函数近似替代;所有车辆在运营期间的单次充电时长固定;
S22、定义集合:车辆类型集合K={1,2,…,Kmax},其中Kmax为车辆类型总数;车场节点集合D={o,d},其中,o和d分别表示出场节点和返场节点;服务行程节点集合T={1,2,…,Tmax},其中,Tmax为服务行程节点总数;充电节点集合充电时段集合R={r1,r2,…,rn},其中,n为充电时段总数;有向弧的集合A={(i,j)|i,j∈D∪T∪F},每条弧由起始节点i和终止节点j定义,其中,节点i和j属于车场节点、服务行程节点或充电节点;δ+(o)、δ+(i)和δ+(f)分别表示从出场节点o、行程节点i∈T和充电节点f∈F出发的弧的集合;δ-(d)、δ-(i)和δ-(f)分别表示到达返场节点d、行程节点i∈T和充电节点f∈F的弧的集合;充电指示向量集合I={(f,r)|f∈F,r∈R};
S23、定义变量:车型与节点连接决策变量表示从节点i到j,其中,(i,j)∈A,k∈K;表示从节点i′到i的弧,其中,i′是到达节点i的弧的起始节点,(i′,i)∈δ-(i);当i=o,表示车型为k的车辆是否从车场出发去往节点j;当j=d,/>表示车型为k的车辆是否从节点i返回车场;当f∈F时,/>和/>分别表示车型为k的车辆是否从节点i前往充电节点f进行充电和是否从在充电节点f结束充电后前往节点j;当f∈F且r∈R时,/>表示车型为k的车辆是否在充电节点f选择r时段进行充电;/>和/>表示车型为k的车辆在节点i和节点j的剩余电量,其中,i∈D∪T,j∈D∪T,k∈K;/>表示车型为k的车辆的初始剩余电量;/>表示车型为k的车辆在充电节点f充电时的初始电量;/>表示车型为k的车辆在充电节点f充电结束时的剩余电量;充电开始时间sf,其中,f∈F;
S24、定义参数:对行程节点i∈T和j∈T,其发车时刻为si和sj,行驶时间为ti和tj;对空驶行程(i,j)∈A,其行驶时间为tij;当f∈F时,tif和tfj分别表示车场或行程节点和充电节点间的空驶时间;对车辆类型k∈K,其单日折旧成本为ck,电池容量为Ek,充电速率为vk,行程能耗为对空驶行程(i,j)∈A,空驶行程能耗为/>当f∈F时,/>和/>分别表示车场或行程节点和充电节点间的空驶行程能耗;车辆的安全电量水平为σ;对充电时段r∈R,其起始时间为sr,可用充电桩数量为Cr,充电时段划分间隔为δ,单次充电时间所需间隔数为U,单次充电时长为U·δ,bu(r)表示充电时段r前u个间隔的充电时段,记为/> 表示车型为k的车辆是否在充电节点f选择/>时段进行充电;ce表示单位电价,ct表示公交司机时薪;
S25、定义目标函数:
minz1+z2+z3 (1)
式中,z1表示总车辆折旧成本,通过计算从车场出发的所有车辆日均折旧成本得到,公式(2)中(o,j)∈A表示仅计入从车场节点o出发的弧,以此统计投入使用的车辆数;z2表示充电成本;z3表示总人工成本;
S26、定义约束条件:
其中,公式(13)和公式(14)中M表示一个常数;
S3、采用自适应大邻域搜索算法作为问题的求解算法,并进行参数调优;
S4、基于S1生成行程时间和能耗的随机样本数据集;
S5、进行敏感性分析,评估不同能耗和行程距离情景下充电策略和资源配置方案经济性。
2.根据权利要求1所述的方法,其特征在于,步骤S1具体如下:
S11、通过全球定位***和车载诊断***收集公交车辆在待评估公交线路上不同时段的逐秒行驶数据,包括卫星定位坐标、瞬时行驶速度、电池荷电状态、车辆充电状态、电机转速、电机扭矩、电池电压和电池电流,经过数据清洗后计算各个行程的行驶时间和能耗水平,以及行程的平均行驶时间和平均能耗水平;
S12、获取待评估公交线路的基本信息,包括线路长度、总班次数、行程时刻表、公交车司机时薪和车辆安全电量水平;
S13、获取公交车辆的基本信息,包括各车型的电池容量和单日折旧成本;
S14、获取充电站的基本信息,包括各时段可用充电桩数量、充电桩功率和单位充电成本。
3.根据权利要求1所述的方法,其特征在于,步骤S3具体为:采用贪婪***算法生成初始解作为当前解,初始化破坏和修复算子权重以及模拟退火温度T=T0;根据轮盘赌规则选择一个破坏算子和一个修复算子对当前解进行破坏和修复生成新解,根据解的接受规则选择是否接受新解作为当前解和最优解,并更新算子权重,根据冷却率α调整模拟退火温度T为α×T;重复算子选择、破坏和修复、接受新解以及调整权重和温度的过程,直到循环次数达到Nmax。
4.根据权利要求3所述的方法,其特征在于,贪婪***算法生成初始解的具体过程为:
指派第一辆车执行第一个行程,并在行程链中不断***出发时间最近的、可执行的行程,以保证车辆的高利用率;当车辆因电量不足无法完成下一个行程时,***充电行程并指派最近的、容量未满的充电时间段;当无可指派的行程时,***返场行程,并为新的车辆构造行程链;为了进一步减少车辆数和车辆购置成本,算法首先指定车辆为电池容量较大的车型,以提高行程执行的连续性;在行程链构造完成后,检查是否可用容量较小的车型替代,以降低车辆购置成本。
5.根据权利要求4所述的方法,其特征在于,破坏算子包括随机移除算子、时间关联移除算子和相邻移除算子,修复算子包括随机***算子和贪婪***算子:
破坏过程中,破坏算子从当前行车计划移除γ∈[γmin,γmax]个行程节点及其充电节点,其中,γmin和γmax分别为最小移除量和最大移除量;为了尽可能减少车辆数,当行车计划行程数少于2个时,将该计划中的行程全部移除;随机移除算子随机选择γ个行程节点进行移除;时间关联移除首先随机移除一个行程,然后在已移除的行程中随机选择一个行程并移除其时间关联性最强的行程,直至移除γ个节点,行程i和j的时间关联性为R(i,j)=w1·|si-sj|+w2·|ti-tj|,行程起始时间和行驶时间这两组差值的权重分别为w1和w2,R(i,j)越小,表明两个行程的时间关联性越大;相邻移除每次随机移除一个行程的同时将其在当前行车计划中前后相邻的行程一并移除;
随机***算子在每次循环中,随机选择一个行程,并将其***至任意可***位置,若无可***位置,则将该行程***新的车辆行程链中,并随机指定车型;每***一个行程后,以概率pcharge***充电节点,并随机指派至一个时间相容的充电时段;贪婪***算子为每个充电节点选择时间相容的、充电站容量空余的且电价最低的充电时段;同时,在所有节点***完成后,贪婪***算子会在保证行程链不变的情况下尝试对车型进行替换,若替换后的总成本低于原车型且不违反能耗相容约束,则接受替换车型;当所有***操作结束后,算法会检查生成的解是否违反能耗和充电站容量约束,并相应地在成本中增加能耗约束罚数和充电站容量约束罚数/>
6.根据权利要求5所述的方法,其特征在于,解的接受规则的具体内容为:
使用模拟退火算法中的接受机制,当新的解并不是较优解时,选择接受该解的概率为e-(f(s′)-f(s))/T,其中,f(s′)和f(s)分别是新的解和当前解的目标函数值,T>0是当前循环的温度。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该程序被处理器执行时实现如权利要求1~6中任一项所述的城市纯电动公交***资源配置经济性的鲁棒评估方法中的步骤。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~6中任一项所述的城市纯电动公交***资源配置经济性的鲁棒评估方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211397813.XA CN115689310B (zh) | 2022-11-09 | 2022-11-09 | 城市纯电动公交***资源配置经济性的鲁棒评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211397813.XA CN115689310B (zh) | 2022-11-09 | 2022-11-09 | 城市纯电动公交***资源配置经济性的鲁棒评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115689310A CN115689310A (zh) | 2023-02-03 |
CN115689310B true CN115689310B (zh) | 2024-06-04 |
Family
ID=85049655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211397813.XA Active CN115689310B (zh) | 2022-11-09 | 2022-11-09 | 城市纯电动公交***资源配置经济性的鲁棒评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115689310B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116186570B (zh) * | 2023-02-27 | 2024-03-12 | 东南大学 | 一种考虑不同交通场景的生态驾驶评估方法 |
CN116485157B (zh) * | 2023-06-16 | 2023-08-22 | 四川国蓝中天环境科技集团有限公司 | 一种考虑充电站车辆排队的电动公交充电计划优化方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002625A (zh) * | 2018-07-26 | 2018-12-14 | 北京交通大学 | 一种基于鲁棒优化的接驳公交网络设计方法 |
AU2018267541A1 (en) * | 2017-11-20 | 2019-06-06 | Ashok Krishnan | Systems and methods of training vehicles |
AU2018267553A1 (en) * | 2017-11-20 | 2019-06-06 | Ashok Krishnan | Systems and methods to train vehicles |
WO2020018026A1 (en) * | 2018-07-17 | 2020-01-23 | Aselsan Elektroni̇k Sanayi̇ Ve Ti̇caret Anoni̇m Şi̇rketi̇ | Line need determination method |
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 |
CN111845426A (zh) * | 2020-07-01 | 2020-10-30 | 大连理工大学 | 基于列生成框架的纯电动公交车充电功率分配及优化方法 |
CN111915176A (zh) * | 2020-04-28 | 2020-11-10 | 同济大学 | 一种混合运营模式下纯电动公交车辆的排班方法及其*** |
CN112149878A (zh) * | 2020-08-31 | 2020-12-29 | 北京工业大学 | 一种考虑不完全充电的纯电动公交车辆行车计划与充电计划的同步优化方法 |
WO2021004115A1 (zh) * | 2019-07-11 | 2021-01-14 | 北京航空航天大学 | 一种人工驾驶公交和自动驾驶公交联合调度优化方法 |
CN112257999A (zh) * | 2020-10-10 | 2021-01-22 | 东南大学 | 一种面向大规模纯电动公交车辆调度问题的自适应大型邻域搜索方法 |
CN113256069A (zh) * | 2021-04-25 | 2021-08-13 | 东南大学 | 一种基于动力能源差异的混合公交车队调度方法 |
CN113627645A (zh) * | 2021-07-02 | 2021-11-09 | 东南大学 | 基于鲁棒优化的电动公交混合充电站充电时刻表设计方法 |
CN113902182A (zh) * | 2021-09-29 | 2022-01-07 | 大连理工大学 | 考虑能耗不确定性的电动公交车队鲁棒充电优化方法 |
CN114462864A (zh) * | 2022-02-11 | 2022-05-10 | 吉林大学 | 一种充电设施共享策略影响下的电动公交线路车辆调度方法 |
CN114862068A (zh) * | 2022-07-05 | 2022-08-05 | 东南大学 | 一种协调电动汽车充电站的综合能源***控制方法及装置 |
CN115100896A (zh) * | 2022-06-17 | 2022-09-23 | 大连海事大学 | 一种考虑机会充电策略的电动需求响应公交调度方法 |
-
2022
- 2022-11-09 CN CN202211397813.XA patent/CN115689310B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2018267541A1 (en) * | 2017-11-20 | 2019-06-06 | Ashok Krishnan | Systems and methods of training vehicles |
AU2018267553A1 (en) * | 2017-11-20 | 2019-06-06 | Ashok Krishnan | Systems and methods to train vehicles |
WO2020018026A1 (en) * | 2018-07-17 | 2020-01-23 | Aselsan Elektroni̇k Sanayi̇ Ve Ti̇caret Anoni̇m Şi̇rketi̇ | Line need determination method |
CN109002625A (zh) * | 2018-07-26 | 2018-12-14 | 北京交通大学 | 一种基于鲁棒优化的接驳公交网络设计方法 |
WO2021004115A1 (zh) * | 2019-07-11 | 2021-01-14 | 北京航空航天大学 | 一种人工驾驶公交和自动驾驶公交联合调度优化方法 |
CN111915176A (zh) * | 2020-04-28 | 2020-11-10 | 同济大学 | 一种混合运营模式下纯电动公交车辆的排班方法及其*** |
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 |
CN111845426A (zh) * | 2020-07-01 | 2020-10-30 | 大连理工大学 | 基于列生成框架的纯电动公交车充电功率分配及优化方法 |
CN112149878A (zh) * | 2020-08-31 | 2020-12-29 | 北京工业大学 | 一种考虑不完全充电的纯电动公交车辆行车计划与充电计划的同步优化方法 |
CN112257999A (zh) * | 2020-10-10 | 2021-01-22 | 东南大学 | 一种面向大规模纯电动公交车辆调度问题的自适应大型邻域搜索方法 |
CN113256069A (zh) * | 2021-04-25 | 2021-08-13 | 东南大学 | 一种基于动力能源差异的混合公交车队调度方法 |
CN113627645A (zh) * | 2021-07-02 | 2021-11-09 | 东南大学 | 基于鲁棒优化的电动公交混合充电站充电时刻表设计方法 |
CN113902182A (zh) * | 2021-09-29 | 2022-01-07 | 大连理工大学 | 考虑能耗不确定性的电动公交车队鲁棒充电优化方法 |
CN114462864A (zh) * | 2022-02-11 | 2022-05-10 | 吉林大学 | 一种充电设施共享策略影响下的电动公交线路车辆调度方法 |
CN115100896A (zh) * | 2022-06-17 | 2022-09-23 | 大连海事大学 | 一种考虑机会充电策略的电动需求响应公交调度方法 |
CN114862068A (zh) * | 2022-07-05 | 2022-08-05 | 东南大学 | 一种协调电动汽车充电站的综合能源***控制方法及装置 |
Non-Patent Citations (3)
Title |
---|
交通运输类专业新形态复合型教育教学资源体系构建探索与实践;陈峻等;《东南大学学报》;20220620;第24卷(第03期);第175-177页 * |
共享汽车网点选址与调度方法研究;徐文;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第06期);第C034-1059页 * |
电动汽车移动充电服务的一体化经济调度;戚博硕;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第04期);第C042-1338页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115689310A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115689310B (zh) | 城市纯电动公交***资源配置经济性的鲁棒评估方法 | |
Zhou et al. | Optimal battery electric vehicles range: A study considering heterogeneous travel patterns, charging behaviors, and access to charging infrastructure | |
Ramadan et al. | Energy management improvement of hybrid electric vehicles via combined GPS/rule-based methodology | |
Wang et al. | Modeling of plug-in electric vehicle travel patterns and charging load based on trip chain generation | |
Bi et al. | Life cycle assessment and tempo-spatial optimization of deploying dynamic wireless charging technology for electric cars | |
CN109615268B (zh) | 一种分时电价的公交充电经济调度方法及*** | |
CN111126740B (zh) | 共享汽车充电调度方法、电子设备及存储介质 | |
Zhao et al. | A hybrid life cycle assessment of the vehicle-to-grid application in light duty commercial fleet | |
Almutairi et al. | Load profile modeling of plug-in electric vehicles: Realistic and ready-to-use benchmark test data | |
Yao et al. | Service operations of electric vehicle carsharing systems from the perspectives of supply and demand: A literature review | |
López et al. | Energy management improvement based on fleet digitalization data exploitation for hybrid electric buses | |
Chen et al. | Cost-effective electric bus resource assignment based on optimized charging and decision robustness | |
Zhang et al. | The effect of nonlinear charging function and line change constraints on electric bus scheduling | |
Xiong et al. | Mixed optimization on vehicle scheduling and recharge scheduling of plug-in electric buses with consideration of partial recharge | |
Avishan et al. | Electric bus fleet scheduling under travel time and energy consumption uncertainty | |
Paffumi et al. | In-vehicle battery capacity fade: A follow-up study on six European regions | |
CN112613682A (zh) | 一种电动汽车充电负荷预测方法 | |
Samaie et al. | Environmental sustainability policy on plug-in hybrid electric vehicle penetration utilizing fuzzy TOPSIS and game theory | |
CN115239067A (zh) | 一种新能源充电桩停车调度方法及*** | |
Li et al. | Planning dynamic wireless charging infrastructure for battery electric bus systems with the joint optimization of charging scheduling | |
Roy et al. | Optimise prime: interim learnings from the world's largest trial of commercial electric vehicles | |
Thorat et al. | Performance assessment of distribution network with electric vehicle penetration | |
Cerna et al. | Evaluation of the performance of HEV technologies using a MILP model to minimize pollutants emissions | |
CN112101624A (zh) | 一种基于arima的电动汽车随机充电需求预测及调度方法 | |
Zhou et al. | Electric bus charging scheduling on a bus network |
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 |