KR20130089909A - Optimization method for location of battery changing machine station of electric buses - Google Patents

Optimization method for location of battery changing machine station of electric buses Download PDF

Info

Publication number
KR20130089909A
KR20130089909A KR1020120003577A KR20120003577A KR20130089909A KR 20130089909 A KR20130089909 A KR 20130089909A KR 1020120003577 A KR1020120003577 A KR 1020120003577A KR 20120003577 A KR20120003577 A KR 20120003577A KR 20130089909 A KR20130089909 A KR 20130089909A
Authority
KR
South Korea
Prior art keywords
location
charging facility
station
installation
charging
Prior art date
Application number
KR1020120003577A
Other languages
Korean (ko)
Inventor
김원규
김병종
Original Assignee
한국항공대학교산학협력단
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 한국항공대학교산학협력단 filed Critical 한국항공대학교산학협력단
Priority to KR1020120003577A priority Critical patent/KR20130089909A/en
Publication of KR20130089909A publication Critical patent/KR20130089909A/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from 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
    • Y02T10/70—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

PURPOSE: A method for optimizing the location of a battery changing machine station of electric buses is provided to apply a greedy algorithm and an annealing algorithm for optimizing the scale and the location of a battery changing or recharging station of electric buses. CONSTITUTION: A method for optimizing the location of a battery changing machine station of electric buses comprises the steps of: after setting an influential sphere and producing each distance between bus stops to be analyzed, calculating the number of bus stops that are included in the influential sphere if a battery changing machine station is built in each of the bus stops, by comparing the set influential sphere to the each distance between the bus stops; selecting a location including the most bus stops on a bus line based on the calculated number of bus stops as a location where the battery changing machine station is built; and setting an initial location where the battery changing machine is built by removing the bus line that is included in the location of the battery changing machine station if the battery changing machine is built in the selected location, in order to consider the scale and the size of the battery changing machine. [Reference numerals] (AA) Start; (BB) Temporary Solution generation (removal); (CC) Remove a charging facility; (DD) Install a charging facility; (EE) Temporary Solution generation (removal); (FF) Finish (a specific condition is satisfied); (S101) Current solution set (the location of an initial charging facility is set); (S102) Set an installation exclusion location among a current solution set object location; (S103) Satisfy a limit condition (whether to include all bus stations); (S104,S111) Current Solution = Temporary Solution (set a new installation location); (S105) Check an optimum solution; (S106) Current Solution = Best Solution (a current selected charging facility is optimum); (S107) Current Solution = Temporary Solution (set a new installation location); (S109) Randomly select the addition location of a charging facility; (S110) Check whether a current solution overlaps with an addition selection location; (S112) Temperature falls; (S113) Set an installation exclusion location except (p_1,p_2,p_3,···p_n) among current solution selection object locations

Description

전기버스 충전시설 위치선정방법{Optimization method for location of battery changing machine station of electric buses}Optimization method for location of battery changing machine station of electric buses}

본 발명은 전기버스 충전시설 위치선정방법에 관한 것으로서, 더욱 상세하게는 전기버스의 일 회 충전 운행거리에 따른 제약을 극복할 수 있도록 적절한 충전시설 위치를 선정하도록 한 전기버스 충전시설 위치선정방법에 관한 것이다.
The present invention relates to an electric bus charging facility location selection method, and more particularly, to an electric bus charging facility location selection method for selecting an appropriate charging location so as to overcome the limitations of the one-time charging operation distance of the electric bus. It is about.

전 세계적으로 지구온난화로 인한 환경문제가 심각한 위기로 인식되면서 리우 UN회의(1992년) 이후 교토의정서(1997년) 및 발리로드맵(2007년) 등 국제적인 논의가 활발히 진행되어왔다. 교토의정서에는 세계 각국의 탄소배출량에 대한 규제를 담고 있고, 그 결과 현재 유럽탄소배출권거래소(ECX: European Climate Exchange)에서 탄소배출권에 대한 거래가 이루어지고 있다.Globally, environmental issues due to global warming are perceived as a serious crisis, and international discussions such as the Kyoto Protocol (1997) and Bali Roadmap (2007) have been actively conducted since the Rio UN Conference (1992). The Kyoto Protocol contains regulations on carbon emissions around the world, and as a result, carbon credits are now being traded on the European Climate Exchange (ECX).

이와 같이 지구온난화로 인해 세계 각국에서는 전 산업분야에 걸쳐 이산화탄소 배출을 줄이고자 노력하고 있으며, 2009년 11월 우리나라 정부도 2020년 국내 온실가스 배출량을 배출전망치(BAU) 대비 30% 감축하기로 결정하였다. 이에 따라 각 부문별로 세부목표를 정하고 관리하는 '온실가스 및 에너지 목표관리제'를 도입하여 건물과 교통 등 비 산업 분야 위주로 온실가스 배출량 감축을 진행할 계획에 있다.As a result of global warming, countries around the world are trying to reduce carbon dioxide emissions in all industries.In November 2009, the Korean government decided to reduce domestic greenhouse gas emissions by 20% compared to BAU in 2020. . Accordingly, the company is planning to reduce greenhouse gas emissions by focusing on non-industrial sectors such as buildings and transportation by introducing the 'Greenhouse Gas and Energy Target Management System', which sets and manages detailed targets for each sector.

국내 에너지 부문 CO2 배출량의 약 20%를 차지하는 수송분야의 '저탄소 녹색성장' 실현을 위해서는 전기자동차 보급 확산이 필수적이므로 정부는 저탄소 녹색성장 기본법(2010.04.14. 시행)의 제정 추진과 지속가능 교통 물류 발전법(2009.12.10. 시행)을 통해 친환경ㆍ비동력ㆍ무탄소 교통수단의 활성화를 도모하고 있다.The domestic energy sector, in order to 'green growth' realization of the transport sector, which accounts for about 20% of CO 2 emissions because electric cars spread dissemination is essential government can be established and sustained promotion of the Basic Act on Low Carbon Green Growth (04/14/2010 enforcement) Transportation The Logistics Development Act (enacted on December 10, 2009) promotes eco-friendly, non-powered and carbon-free transportation.

2012년부터는 EU 지역 내 차량 탄소배출량의 상한치를 2012년에는 평균 130g/km, 2020년에는 95g/km의 탄소배출량 목표를 설정하고 있으나 국산차의 대부분은 탄소배출량 수준이 130g/km를 초과하여 국제적 기준에 부합하지 못하고 있어 전기자동차에 대한 관심이 높아지고 있다. 이에 따라 2009년 10월 정부에서 '전기자동차 산업 활성화 방안'을 마련하고 2011년 말에 전기자동차 양산을 결정하는 등 전기자동차 보급 활성화를 위한 노력을 기울이고 있다. 그러나 긴 충전시간과 배터리의 가격에 의한 비싼 차량가격, 짧고 불규칙한 운행거리와 부족한 충전 인프라 등으로 인하여 향후 전기자동차의 보급 확대는 매우 불투명한 상태이다. 이러한 단점을 해결하고 효과적으로 전기자동차를 보급할 수 있는 방법 중 하나가 바로 BSS(Battery Switch Stations)이다.Since 2012, the upper limit of vehicle carbon emissions in the EU has been set at an average of 130g / km in 2012 and 95g / km in 2020. However, most domestic cars have carbon emissions exceeding 130g / km. There is a growing interest in electric vehicles due to the lack of compliance. Accordingly, in October 2009, the government has devised a plan to revitalize the electric vehicle industry and decided to mass-produce electric vehicles at the end of 2011. However, due to the long charging time, expensive vehicle price due to the price of the battery, short and irregular mileage and insufficient charging infrastructure, the expansion of electric vehicles is very opaque in the future. One way to solve these shortcomings and effectively distribute electric vehicles is BSS (Battery Switch Stations).

BSS는 배터리 교환 방식을 통해 전기자동차가 긴 충전시간을 소모할 필요 없이 짧은 시간 내에 배터리를 충전하고 이동할 수 있도록 하는 시스템이다. 이러한 시스템을 대중교통, 특히 공공버스에 적용함으로써 더욱 이른 시간 안에 전기자동차를 보급, 확산시키는 것이 가능하다.BSS is a system that allows electric vehicles to charge and move batteries in a short time without having to spend long charging time. By applying such a system to public transportation, especially public buses, it is possible to spread and spread electric vehicles in an earlier time.

일반버스를 전기버스로 전환하여 버스 노선을 운영할 경우 전기버스가 중간에 멈추지 않도록 적절한 위치에 충전시설을 구축할 필요가 있다. 전기버스에 대한 충전시설은 버스 노선의 기ㆍ종점 및 기존 버스정류장에 추가로 설치하여 버스가 승객의 승ㆍ하차를 위해 정차할 때 신속하게 배터리를 교환할 수 있게 구축해야 한다.When operating a bus route by converting a regular bus into an electric bus, it is necessary to establish a charging facility in an appropriate position so that the electric bus does not stop in the middle. Charging facilities for electric buses should be installed at the start and end of bus routes and at existing bus stops so that batteries can be quickly replaced when the bus stops for passengers to get on and off.

기업은 경제활동을 위해 많은 지역에 지점을 개설하여 많은 사람에게 서비스를 제공하고 이윤을 극대화하는 것이 목적이지만 동시에 불필요한 곳에서의 지점 개설로 비용을 낭비하는 경우를 최소화하여야 한다. 이러한 문제들을 일반적으로 위치설정 모델링(location modeling) 문제라 하며 기업이 지점을 개설하는 문제, 통신망에서의 기지국 설정 문제뿐만 아니라, 특정 지역에서의 소방서나 응급센터의 위치 설정 등이 대표적인 위치설정 문제들이다.Firms should open branches in many areas for economic activities to serve many people and maximize profits, but at the same time minimize the need to waste money by opening branches in unnecessary places. These problems are commonly referred to as location modeling problems, and the typical location problems include the establishment of branch offices by companies, the setting of base stations in telecommunication networks, as well as the location of fire stations and emergency centers in specific areas. .

위치설정 문제의 가장 기본적인 형태가 "Set covering problem"이다. Set covering problem은 네트워크 전체 노드를 포함하는 최소 비용의 시설 위치를 결정하는 문제로서 다음과 같은 수학식으로 표현할 수 있다.The most basic form of positioning problem is the "Set covering problem." The set covering problem is a problem of determining the location of the least cost facility including the entire network node, which can be expressed as the following equation.

다음은 Set covering problem을 수학식으로 표현할 경우 각 변수에 대한 정의이다.The following is the definition of each variable when expressing Set covering problem as an equation.

InputsInputs

Figure pat00001
Figure pat00001

Figure pat00002
Figure pat00002

Figure pat00003
Figure pat00003

Figure pat00004
Figure pat00004

Figure pat00005
Figure pat00005

aij는 i번째 노드가 j번째 노드에 설치된 시설에 의해서 영향권 범위 내에 포함이 되는 경우 1, 포함되지 않는 경우 0으로 표현함으로써 i번째 노드의 영향권 범위 내 포함 여부를 나타낸다.a ij is expressed as 1 when the i-th node is included in the range of influence by the facility installed in the j-th node, and 0 when it is not included, indicating whether the i-th node is included in the range of influence of the i-th node.

fj의 경우 j번째 노드에 시설이 설치되었을 경우 드는 비용을 의미한다.In the case of f j , it means the cost of installing the facility in the j-th node.

r은 설치된 시설의 영향권 범위로 시설로부터 노드까지의 거리가 영향권 범위보다 작으면 a값이 1이 된다.r is the range of influence of the installed facility. If the distance from the facility to the node is less than the range of influence, the value of a is 1.

Xj의 경우 j번째 노드에 대한 시설의 설치 여부를 나타내며 시설을 설치할 경우 1, 설치하지 않을 경우 0으로 표현한다. 이 X값이 Set cover problem의 해가 된다.In the case of X j , it indicates whether the facility is installed for the j-th node. It is expressed as 1 when installing the facility and 0 when not installing. This X value is the solution to the set cover problem.

위 변수를 바탕으로 Set covering problem을 다음과 같이 표현할 수 있다.Based on the above variables, the set covering problem can be expressed as:

Figure pat00006
Figure pat00006

Figure pat00007
Figure pat00007

Figure pat00008
Figure pat00008

Set covering problem의 경우 NP-Complete 문제로서 일반적으로 정수계획법(Integer programming)을 통하여 정확한 해를 구할 수 있다. 하지만, 문제의 크기가 커질수록 해를 구하는 시간이 지수적으로 증가한다는 단점이 있다. 본 발명의 배경인 서울시의 경우 분석대상인 정류장의 개수가 7146개이고 노선별로 구분한 정류장의 수는 23458개이므로 이를 정수계획법을 통해 해결할 경우 해결 시간은 기하급수적으로 증가하게 된다.In the case of the set covering problem, the NP-Complete problem can be generally solved through integer programming. However, as the problem size increases, the time required for solving the problem increases exponentially. In the case of Seoul, which is the background of the present invention, the number of stops to be analyzed is 7146 and the number of stops classified by lines is 23458, so when the solution is solved through the water purification planning method, the solution time increases exponentially.

이러한 Set covering problem의 문제를 해결을 위해 기존에 다양한 휴리스틱 알고리즘이 제안되어 왔다.Various heuristic algorithms have been proposed to solve the problem of the set covering problem.

대표적인 그리디 알고리즘(Greedy Algorithm)은 현재 상태에서 최선의 위치를 선택한 후 다음 상태로 이동하는 과정을 반복함으로써 최적해에 근사한 값을 구하는 방법이다. 여기에서 최선의 선택이란 영향권 내에 포함되지 않은 모든 열들 중에서 가장 많은 행을 포함하는 열을 우선적으로 선택하는 것을 말한다. 결국, 모든 행이 영향권 내에 포함되는 순간까지 이 과정을 반복함으로써 해를 얻는 것이다. 그러나 특정 상황에서 가장 많은 행을 포함하는 열을 선택하는 것은 해당 상황에서는 최선의 선택이지만 전체적으로 보면 최선이 아닌 결과를 가져올 수 있다. 이런 문제 때문에 그리디 알고리즘의 경우 빠른 시간 안에 해를 얻을 수 있지만 지역 최적해에 빠지기 쉬운 단점이 있다.A typical greedy algorithm is a method of finding an approximation of an optimal solution by selecting the best position in the current state and then repeating the process of moving to the next state. The best choice here is to preferentially select the column that contains the most rows among all columns not included in the sphere of influence. Eventually, the solution is obtained by repeating this process until the moment all rows are within the sphere of influence. However, selecting a column that contains the most rows in a particular situation is the best option in that situation, but overall it may not be the best. Because of this problem, the greedy algorithm can be solved in a short time, but it is easy to fall into the local optimal solution.

Michael J. Brusco 외 2명은 이러한 문제를 해결하기 위해 시뮬레이티드 어닐링 알고리즘(Simulated Anealing Algorithm)을 기반으로 한 휴리스틱 방법을 제안하였다. 시뮬레이티드 어닐링 알고리즘(Simulated Annealing Algorithm, SA)은 1983년 Scott Kirkpatrick, Gelatt and Vecchi 등에 의해 처음으로 소개된 방법론으로 금속공학의 담금질에서 착안점을 얻어 고안된 메타 휴리스틱 기법이다. 시뮬레이티드 어닐링 알고리즘은 연속적으로 해들을 생성하고 한정된 수의 계산과정을 통해 최적의 해를 찾는 방법이다. 해 공간에서 현재해 X를 선택하고 X의 이웃해 X'을 얻어 이웃해로 이동하는 과정을 반복함으로써 전체 해 공간을 탐색하여 이 탐색결과 근사 최적 해를 얻는 것이다.Michael J. Brusco and two others proposed a heuristic method based on the Simulated Anealing Algorithm to solve this problem. The Simulated Annealing Algorithm (SA) was first introduced in 1983 by Scott Kirkpatrick, Gelatt and Vecchi, and others. It is a meta-heuristic technique designed with a focus on quenching of metallurgy. The simulated annealing algorithm is a method of generating solutions in succession and finding an optimal solution through a limited number of calculations. By selecting the current solution X in the solution space and repeating the process of obtaining the neighboring solution X 'of X and moving to the neighboring solution, the entire solution space is searched to obtain an approximate optimal solution.

이현남 외 1명은 시뮬레이티드 어닐링 알고리즘의 단점을 보완하고 보다 좋은 해를 얻기 위하여 개선된 시뮬레이티드 어닐링 알고리즘을 제안하였다. 위 연구에서는 시뮬레이티드 어닐링 알고리즘의 탐색시간이 오래 걸린다는 단점을 보완하기 위해 유전자 알고리즘의 교차연산을 결합하고, 또한 더욱 전역 최적해에 근접수렴하기 위하여 지역탐색방법을 결합하였다.Lee Hyun Nam et al 1 proposed an improved simulated annealing algorithm to compensate for the shortcomings of the simulated annealing algorithm and to obtain a better solution. In the above study, we combined the cross-operation of the genetic algorithm to compensate for the drawback of the simulated annealing algorithm, which is too long, and also combined the local search method in order to converge closer to the global optimal solution.

또한, J.E. Beasley외 1명은 유전자 알고리즘(Genetic Algorithm)을 적용하여 Set covering problem을 해결하였다.In addition, J.E. Beasley et al. Solved the set covering problem by applying Genetic Algorithm.

유전자 알고리즘(Genetic algorithm, GA)은 19세기 영국의 생물학자인 찰스 다윈이 주장한 생물진화론에 영향을 받은 방법론이다. 이런 생물학적 진화과정의 아이디어를 최적화 문제에 적용하여 개발한 것이 유전자 알고리즘이다. The genetic algorithm (GA) is a methodology influenced by the bioevolutionary theory of 19th-century British biologist Charles Darwin. Genetic algorithms were developed by applying these ideas of biological evolution to optimization problems.

도 1은 일반적인 유전자 알고리즘의 흐름도이다.1 is a flowchart of a general genetic algorithm.

자연계에 있는 생물의 진화 과정에서, 한 세대를 형성하는 개체들의 집합인 개체군(Population)들 중에서 유전 형질이 우수한 개체들이 환경에 대한 적합도가 높아 살아남을 확률이 높으며, 이렇게 살아남은 개체들끼리 교배(교차) 및 돌연변이의 과정을 거쳐 다음 세대를 생성하면서 우수한 유전 형질을 유전하게 된다. 이러한 진화의 과정을 Set covering problem에 적용하면 하나의 생물 개체가 하나의 실현가능 해가 되고, 개체군은 실현가능 해들의 군을 의미한다. 이러한 유전자 알고리즘은 지역 해에 빠질 가능성은 적지만, 유전자 표류현상(Genetic drift)과 해의 조기수렴현상(Premature convergence)을 해결하지 않으면 최적해로의 접근을 보장할 수 없다. 특히 문제의 크기가 크고 최적 위치의 수가 적을수록 조기수렴현상이 두드러지게 나타난다.In the evolution of living organisms in the natural world, among the populations that make up a generation, individuals with excellent genetic traits are more likely to survive due to their suitability to the environment. ) And mutations result in the inheritance of good genetic traits, creating the next generation. Applying this evolutionary process to a set covering problem, a living organism becomes a feasible solution, and a population means a group of feasible solutions. These genetic algorithms are less likely to fall into local solutions, but they cannot guarantee access to optimal solutions without solving genetic drift and solution convergence. In particular, the larger the problem size and the smaller the number of optimal positions, the more pronounced early convergence.

강병천 외 1명은 유전자 표류현상과 조기수렴현상을 해결하기 위한 방법으로 선형함수를 이용한 보정기법과 비선형함수를 이용한 보정기법을 적용하였으며 비선형함수를 이용한 보정기법이 우수함을 증명하였다.Kang Byung-cheon and 1 others applied linear and nonlinear correction methods to solve the genetic drift and early convergence, and proved that the correction method using nonlinear functions is excellent.

1. 오세창, 김정민, 'Set Covering과 Minisum 기법을 활용한 시설물 최적위치선정에 관한 연구', 대한교통학회지 제27권 제4호 통권 109호 pp. 103-113, 20091. Se-chang Oh, Jung-Min Kim, 'A Study on the Optimal Location Selection of Facilities Using Set Covering and Minisum Technique', Journal of Korean Society of Transportation, Vol. 27, No. 4, No. 109 pp. 103-113, 2009 2. 김승빈. '지역담당(Set Covering) 모형을 이용한 차기유도무기의 최적배치모형에 관한 연구', 국방대학교 대학원 석사학위논문, 20042. Seungbin Kim. 'A Study on the Optimal Placement Model for Next-Generation Weapons Using Set Covering Model', Master's Thesis, National Defense University, 2004 3. 이현남, 한치근, 'Set Covering 문제의 해법을 위한 개선된 Simulated Annealing 알고리즘', IE Interfaces, Vol. 12, No. 1, pp. 94-101, 19993. Hyun Nam Lee, Chi-Geun Han, 'Improved Simulated Annealing Algorithm for Solving Set Covering Problem', IE Interfaces, Vol. 12, No. 1, pp. 94-101, 1999 4. 강병천, 한치근, '확장된 집합커버문제 해결을 위한 유전자 알고리즘', 정보과학회논문지(A), 제25권, 제2호, 19974. Byung-Chun Kang, Chi-Geun Han, 'Gene Algorithm for Solving the Extended Set Cover Problem', Journal of KIISE, Vol. 25, No. 2, 1997 5. Zhi-Gang Ren, Zu-Ren Feng, "New ideas for applying ant colony optimization to the set covering problem", Computers & Industrial Engineering, Volume 58, Issue 4, pp. 774-784, 2010Zhi-Gang Ren, Zu-Ren Feng, "New ideas for applying ant colony optimization to the set covering problem", Computers & Industrial Engineering, Volume 58, Issue 4, pp. 774-784, 2010 6. Guanghui Lan, Gail W. DePuy, 'An effective and simple heuristic for the set covering problem', European Journal of Operational Research Volume 176, Issue 3, pp. 1387-1403, 20076. Guanghui Lan, Gail W. DePuy, 'An effective and simple heuristic for the set covering problem', European Journal of Operational Research Volume 176, Issue 3, pp. 1387-1403, 2007 7. Michael J. Brusco, Larry W. Jacobs, "A morphing procedure to supplement a simulated annealing heuristic for cost- and coverage-correlated set covering problems", Annals of Operations Research 86 pp.611-627 1999Michael J. Brusco, Larry W. Jacobs, "A morphing procedure to supplement a simulated annealing heuristic for cost- and coverage-correlated set covering problems", Annals of Operations Research 86 pp.611-627 1999 8. Beasley, J. E. and Chu, p., "A genetic algorithm for the set covering problem", European Journal of Operational Research, Vol. 94, pp. 392-404, 19968. Beasley, J. E. and Chu, p., "A genetic algorithm for the set covering problem", European Journal of Operational Research, Vol. 94, pp. 392-404, 1996 9. Caprara, A., Fischetti, M. and P. Toch, "A heuristic method for the set covering problem", Working Paper, DEIS, University of Bologna, Italy, 19959.Caprara, A., Fischetti, M. and P. Toch, "A heuristic method for the set covering problem", Working Paper, DEIS, University of Bologna, Italy, 1995 10. Daskin, M., Network and Discrete Location Models, Algorithms and Applications, John Wiley & Sons, Inc., 199510.Daskin, M., Network and Discrete Location Models, Algorithms and Applications, John Wiley & Sons, Inc., 1995 11. Beasley, J. E. and Jonsten, K., "Enhancing an algorithm for set covering problems" Technical Report, Imperial College, 1990Beasley, J. E. and Jonsten, K., "Enhancing an algorithm for set covering problems" Technical Report, Imperial College, 1990 12. E. Balas and A. Ho, "Set covering algorithms using cutting planes, heuristics, and subgradient optimization", A computational study, Mathematical Programming Study 12 pp. 37-60 198012. E. Balas and A. Ho, "Set covering algorithms using cutting planes, heuristics, and subgradient optimization", A computational study, Mathematical Programming Study 12 pp. 37-60 1980

그러나 상기와 같은 종래 기술들은 Set Covering 문제에 대해 실제 사례에 적용한 것은 아니며 단지 이론적인 점에 초점을 맞춘 것이므로, 전기버스 충전 인프라 구축을 위한 최적의 알고리즘들이라고 보기 어려웠다.However, the above-described conventional techniques are not applied to the actual case for the set covering problem, but only focused on theoretical points, and thus, it was difficult to consider them as optimal algorithms for constructing an electric bus charging infrastructure.

이에 본 발명은 상기와 같은 종래 문헌들에서 발생하는 제반 문제점을 해결하기 위해서 제안된 것으로서,Accordingly, the present invention has been proposed to solve all the problems occurring in the above-mentioned conventional documents,

본 발명이 해결하고자 하는 과제는 전기버스의 일 회 충전 운행거리에 따른 제약을 극복할 수 있도록 적절한 충전시설 위치를 선정하도록 한 전기버스 충전시설 위치선정방법을 제공하는 데 있다.The problem to be solved by the present invention is to provide an electric bus charging facility location selection method to select the appropriate charging facility location to overcome the constraints of the one-time charging operation distance of the electric bus.

본 발명이 해결하고자 하는 다른 과제는 충전시설의 설치 위치뿐만 아니라 충전시설의 규모와 용량을 고려하여 실제 설치 가능한 위치를 최적으로 선정하도록 한 전기버스 충전시설 위치선정방법을 제공하는 데 있다.Another problem to be solved by the present invention is to provide an electric bus charging facility location selection method to optimally select the actual installation location in consideration of the size and capacity of the charging facility as well as the installation location of the charging facility.

본 발명이 해결하려고 하는 또 다른 과제는 충전 시설을 기존 정류장에서 설정하고, 모든 충전시설 간 간격이 배터리 충전시 최대 주행거리 내에 위치하도록 하여 충전시설의 위치를 최적으로 선정하도록 한 전기버스 충전시설 위치선정방법을 제공하는 데 있다.
Another problem to be solved by the present invention is to set the charging facilities at the existing stop, the location of the electric bus charging facilities to optimally select the location of the charging facilities by the interval between all the charging facilities located within the maximum mileage when charging the battery To provide a selection method.

상기와 같은 과제들을 해결하기 위한 본 발명에 따른 "전기버스 충전시설 위치선정방법"은,"Electric bus charging facility location selection method" according to the present invention for solving the above problems,

(a) 영향권 범위를 설정하고, 분석 대상이 되는 각 정류소간 거리를 도출한 후, 상기 설정한 영향권 범위와 각 정류소간 거리를 비교하여 각 정류소에 충전시설 설치시 영향권 범위에 포함되는 정류소 수를 파악하는 단계와;(a) After setting the range of influence area, deriving the distance between each station to be analyzed, and comparing the distance between the set area of influence and each station, the number of stations included in the area of influence when installing the charging facilities at each station Identifying;

(b) 상기 파악한 정류소 수를 기반으로 충전시설 대비 가장 많은 노선상 정류소를 포함하는 위치를 충전시설 설치 위치로 선정하는 단계와;(b) selecting, as a charging facility installation location, a location including the bus stop on the route more than the charging facility based on the identified number of stops;

(c) 상기 선정한 설치위치에 충전시설을 설치할 경우 충전시설의 규모와 용량을 고려하기 위해 상기 충전시설이 포함하는 노선을 제거하여 초기 충전시설 설치 위치를 설정하는 단계와;(c) setting an initial charging facility installation location by removing a route included in the charging facility to consider the size and capacity of the charging facility when installing the charging facility at the selected installation location;

(d) 상기 초기 충전시설 설치 위치를 설정한 후 기존에 설치된 충전시설을 제거할 경우 상기 초기 충전시설이 모든 정류장을 포함하는지를 확인하여, 모든 정류장을 포함할 경우 상기 초기 충전시설 설치 위치를 새로운 설치 위치로 설정하는 단계와;(d) If the initial charging facility is installed and then the existing charging facility is removed, it is checked whether the initial charging facility includes all the stops. Setting to a location;

(e) 상기 초기 충전시설 설치 위치를 설정한 후 충전시설을 추가하는 경우 메트로폴리스 규칙을 적용하여 이웃 해의 수용 여부를 확인하여, 이웃 해를 수용할 경우 충전시설을 추가하여 새로운 설치 위치를 설정하는 단계와;(e) After setting the initial charging facility installation location, when adding a charging facility, the Metropolis rule is applied to check whether the neighboring sea is accepted. Steps;

(f) 상기 (d)단계 또는 (e)단계의 새로운 설치 위치 설정 후 최적 해를 산출하기 위해 미리 설정된 초기조건에 따라 시뮬레이티드 어닐링을 수행하여 노선상 모든 정류소를 포함하는 최종 충전시설 위치를 도출하는 단계를 포함하는 것을 특징으로 한다.
(f) Simulate annealing in accordance with a pre-set initial condition to calculate the optimal solution after setting the new installation location in step (d) or (e) to determine the final charging station location including all stations on the route. It is characterized by including the step of deriving.

본 발명에 따르면 전기버스 충전시설의 규모와 용량을 고려한 개선된 그리디 알고리즘을 적용하여 충전시설의 규모를 최적화하였으며, 시뮬레이티드 어닐링 알고리즘을 적용하여 충전시설(QCM) 설치 대수를 최소화할 수 있는 장점이 있다.According to the present invention, the size of the charging facility is optimized by applying an improved greedy algorithm considering the size and capacity of the electric bus charging facility, and the number of QCM installations can be minimized by applying the simulated annealing algorithm. There is an advantage.

또한, 본 발명에 따르면 개선된 그리디 알고리즘과 시뮬레이티드 어닐링 알고리즘을 적용하여 충전시설의 설치위치를 최적화함으로써, 충전시설의 설치 대수를 최소화할 수 있어 충전시설 인프라 구축 비용을 절감시킬 수 있는 장점이 있다.
In addition, according to the present invention by applying an improved greedy algorithm and simulated annealing algorithm to optimize the installation location of the charging facility, it is possible to minimize the number of installation of the charging facility to reduce the cost of infrastructure construction There is this.

도 1은 일반적인 유전자 알고리즘의 흐름도.
도 2는 본 발명이 적용되는 전기버스 충전시설 위치선정시스템의 개략 구성도.
도 3은 본 발명에서 전기버스 충전시설에서의 변수 정의도.
도 4는 본 발명에서 영향권 범위 정의도.
도 5a 내지 도 5h는 본 발명에 적용되는 서울시를 통과하는 노선 정보도.
도 6은 일반적인 그리드 알고리즘을 이용한 위치 선정 절차도.
도 7은 본 발명에서 L 매트릭스의 예시도.
도 8은 본 발명에서 a 매트릭스의 예시도.
도 9는 본 발명에서 정류소 간 거리 비교 예시도.
도 10은 본 발명에서 그리드 알고리즘에 기반한 충전시설의 위치 선정 방법 예시도.
도 11은 본 발명에서 영향권 범위 내 포함된 정류소를 고려 대상에서 제거하는 과정 예시도.
도 12는 도 8의 a 매트릭스를 이용하여 그리드 알고리즘의 올바른 수행 여부의 검사 예시도.
도 13은 일반적인 그리드 알고리즘을 통해 도출된 충전시설 설치 위치 예시도.
도 14는 각 노선별 20km 간격으로 설치 시와 일반적인 그리드 알고리즘의 분석 결과 비교도.
도 15는 본 발명에 따른 전기버스 충전시설 위치선정방법 중 개선된 그리드 알고리즘의 절차도.
도 16은 도 15에서 각 정류소별 QCM 1대당 포함하는 노선상 정류소 수 도출 과정 예시도.
도 17은 도 15에서 충전시설 설치 위치 선정 과정 예시도.
도 18은 도 15에서 영향권 범위 내 포함된 정류소를 고려 대상에서 제거하는 과정 예시도.
도 19는 위치선정 방법 간 결과 비교도.
도 20은 본 발명에 따른 전기버스 충전시설 위치선정방법 중 시뮬레이티드 어닐링 알고리즘의 절차도.
도 21은 시뮬레이티드 어닐링 알고리즘 초기 조건도.
도 22a 내지 도 22h는 개선된 그리드 알고리즘을 사용한 충전시설 설치 정류소 정보 예시도.
도 23a 내지 도 23h는 시뮬레이티드 어닐링 알고리즘을 사용한 충전시설 설치 정류소 정보 예시도.
도 24는 시뮬레이티드 어닐링 알고리즘 수행에 따른 최적해 변화도.
도 25는 위치선정 방법 간 결과 비교도.1 is a flow diagram of a general genetic algorithm.
Figure 2 is a schematic configuration diagram of the electric bus charging facility positioning system to which the present invention is applied.
Figure 3 is a variable definition in the electric bus charging facility in the present invention.
Figure 4 is a scope of influence definition in the present invention.
5a to 5h is a route information diagram passing through the city of Seoul applied to the present invention.
6 is a location selection procedure using a general grid algorithm.
Figure 7 is an illustration of the L matrix in the present invention.
Figure 8 is an illustration of a matrix in the present invention.
Figure 9 is an exemplary view comparing the distance between the stops in the present invention.
10 is an exemplary view illustrating a method for positioning a charging facility based on a grid algorithm in the present invention.
11 is a view illustrating a process of removing a stop included in the scope of influence in the present invention under consideration.
FIG. 12 is a diagram illustrating whether the grid algorithm is correctly performed using the matrix a of FIG. 8. FIG.
13 is an exemplary view showing a charging facility installation position derived through a general grid algorithm.
Figure 14 is a comparison of the analysis results of the general grid algorithm and the installation at intervals of 20km for each line.
15 is a flowchart of an improved grid algorithm of the electric bus charging facility positioning method according to the present invention.
16 is a diagram illustrating a process of deriving the number of stops on a route included in one QCM for each stop in FIG. 15.
17 is an exemplary view illustrating a charging facility installation position selection process in FIG. 15.
18 is an exemplary view illustrating a process of removing a stop included in a range of influence in FIG. 15 from consideration;
19 is a result comparison between positioning methods.
20 is a procedure diagram of a simulated annealing algorithm of the electric bus charging facility positioning method according to the present invention.
21 is a simulated annealing algorithm initial condition diagram.
22A-22H illustrate charging station installation stop information using an improved grid algorithm.
23A to 23H are exemplary diagrams showing charging facility installation stop information using a simulated annealing algorithm.
24 is an optimal solution variation diagram according to the execution of the simulated annealing algorithm.
25 is a result comparison between positioning methods.

이하 본 발명의 바람직한 실시 예를 첨부한 도면에 의거 상세히 설명하면 다음과 같다. 본 발명을 설명하기에 앞서 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그에 대한 상세한 설명은 생략한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. In the following description, well-known functions or constructions are not described in detail since they would obscure the invention in unnecessary detail.

도 2는 본 발명에 따른 전기버스 충전시설 위치선정방법이 적용되는 시스템 구성도로서, 입력장치(10), 제어부(20), 데이터베이스(30), 표시장치(40)를 포함한다.2 is a system configuration diagram to which the electric bus charging facility location selection method according to the present invention is applied, and includes an input device 10, a control unit 20, a database 30, and a display device 40.

입력장치(10)는 숫자나 데이터를 입력하기 위한 키패드, 노선 ID, 노선 번호, 배차간격, 운행대수, 필요 QCM 대수 등의 파일 정보를 다른 장치(네트워크, 메모리장치)를 통해 입력받기 위한 통신 포트 등을 포함하고, 충전시설 위치선정을 위한 필요한 데이터를 입력받는 역할을 한다.The input device 10 is a communication port for receiving file information such as a keypad for inputting numbers or data, a route ID, a route number, a dispatch interval, a running number, and a required QCM number through another device (network, memory device). Etc., and receives the necessary data for the location of the charging facility.

데이터베이스(30)는 충전시설 설치 위치를 설정하기 위한 충전시설의 용량과 규모를 고려한 개선된 그리드 알고리즘(Greedy Algorithm)과 상기 개선된 그리드 알고리즘에 의해 설정된 충전시설 설치 위치를 다시 최적화하여 최적의 충전시설 설치위치를 선정하기 위한 시뮬레이티드 어닐링 알고리즘(Simulated Annealing Algorithm)이 내장된다.The database 30 re-optimizes an improved grid algorithm (Greedy Algorithm) considering the capacity and size of the charging facility for setting the charging facility installation location and the charging facility installation location set by the improved grid algorithm. Simulated Annealing Algorithm is embedded to select the installation location.

제어부(20)는 상기 입력장치(10)를 통해 충전시설 위치선정을 위한 필요한 데이터를 입력받아 내부 메모리에 저장하고, 상기 데이터베이스(30)와 연동하여 상기 개선된 그리드 알고리즘과 시뮬레이티드 어닐링 알고리즘을 기반으로 충전시설 설치 위치를 최적으로 선정하는 역할을 한다. 이러한 제어부(20)는 퍼스널컴퓨터로 구현하거나 마이컴, 마이크로프로세서, 메인 컨트롤러, 중앙처리장치와 같은 제어 유닛으로 구현하는 것이 바람직하다.The control unit 20 receives the necessary data for selecting the location of the charging facility through the input device 10 and stores it in an internal memory, and interlocks with the database 30 to perform the improved grid algorithm and the simulated annealing algorithm. It plays a role of optimally selecting the location of charging facilities. The controller 20 may be implemented as a personal computer or a control unit such as a microcomputer, a microprocessor, a main controller, or a central processing unit.

표시장치(40)는 상기 제어부(20)에서 출력되는 충전시설 위치 선정 결과를 화면에 디스플레이해주는 역할을 하는 것으로서, 통상의 디스플레이, LCD 등을 의미한다.The display device 40 serves to display a charging facility location selection result output from the control unit 20 on a screen, and means a conventional display or LCD.

이하에서 설명하는 전기버스 충전시설 위치선정방법은 상기 제어부(20)에서 시간의 흐름에 따라 순서대로 실행되는 과정을 의미한다.The electric bus charging facility location selection method described below refers to a process executed in order by the controller 20 in time.

먼저, 본 발명을 구체적으로 설명하기에 앞서 충전시설 위치 선정을 위해 적용되는 변수는 다음과 같다.First, prior to describing the present invention in detail, the parameters applied for selecting a charging facility are as follows.

Set covering problem을 전기버스 충전스테이션 위치선정 문제에 적용할 경우 변수는 도 3과 같다.When the set covering problem is applied to the electric bus charging station positioning problem, the variable is shown in FIG. 3.

Xj의 경우 j번 정류소에 충전시설의 설치 여부를 나타내며 충전시설을 설치할 경우 1, 설치하지 않을 경우 0으로 표현한다.In the case of X j , it indicates whether the charging facility is installed at stop j. It is expressed as 1 when the charging facility is installed and 0 when it is not installed.

aij는 i번 정류소가 j번 정류소에 설치된 시설에 의해서 영향권 범위 내에 포함이 되는 경우 1, 포함되지 않는 경우 0으로 표현함으로써 i번 정류소의 영향권 범위 내 포함 여부를 나타낸다.a ij is expressed as 1 when station i is included in the area of influence by the facility installed in station j, and 0 when it is not included, indicating whether it is included in the area of influence of station i.

fj의 경우 j번째 정류소에 시설이 설치되었을 경우 드는 비용을 의미하며 현 문제에서는 시설의 설치비용을 고려하지 않기 때문에 모든 f값을 1로 가정한다.In the case of f j , it means the cost of installing the facility at the jth stop. In the present problem, all f values are assumed to be 1 because the installation cost of the facility is not considered.

r은 전기버스 충전시설의 영향권 범위로 완충된 전기버스 배터리가 최대로 이동할 수 있는 거리를 의미한다. 본 발명에서는 배터리 1회 충전 시 최대 이동 거리를 20km로 가정하며 영향권에 대한 정의는 도 4와 같다.r is the maximum distance that an electric bus battery can be fully charged within the range of influence of the electric bus charging facility. In the present invention, the maximum moving distance is assumed to be 20 km when the battery is charged once, and the definition of the influence zone is shown in FIG. 4.

본 발명에서는 전기버스 충전시설의 위치선정을 수행하기 위한 분석 대상으로 서울시를 통과하는 모든 노선을 선정하였다. 서울시를 통과하는 노선은 총 370개, 총 정류소 수는 8150개소이나 인천공항을 경유하는 노선의 경우 정류장 간 간격이 30km 이상이기 때문에 대상에서 제외하였고 각 버스노선의 차고지에는 충전시설이 설치가 되어있다고 가정함으로써 전체 노선의 길이가 20km 이하인 노선은 분석 대상에서 제외하였다. 그 결과 분석 대상이 되는 총 노선은 도 5에 도시한 바와 같이 260개 노선이 선정되었으며 총 정류장 수는 7146개소이다.In the present invention, all routes passing through the city of Seoul were selected as the analysis target for performing the location selection of the electric bus charging facility. There are a total of 370 lines passing through the city and 8150 bus stops. However, the distance between the bus stops is 30 km or more, so it is not included in the parking lot of each bus line. By making assumptions, routes with less than 20 km in length were excluded from the analysis. As a result, a total of 260 routes were selected as shown in FIG. 5 and the total number of stops was 7146.

일반적으로 전기버스 충전시설의 위치선정 문제를 가장 간단하게 해결할 수 있는 방법으로는 도 6과 같은 그리디 알고리즘(Greedy Algorithm)이 있다.In general, the most simple way to solve the problem of the location selection of the electric bus charging facility is a greedy algorithm (Greedy Algorithm) as shown in FIG.

이를 좀 더 구체적으로 살펴보면, 먼저 단계 S10에서 영향권 범위 선정 및 정류소간 거리를 도출한다.In more detail, first, in the step S10, the range of influence and the distance between the stops are derived.

영향권 범위(r)는 완충된 전기버스 배터리가 최대로 이동할 수 있는 거리로 본 발명에서는 20km를 영향권 범위로 설정하였다. 각 노선의 정류소가 충전시설의 영향권 범위 내에 포함되는지 여부를 판단하기 위해서는 분석 대상이 되는 각 정류소간 거리를 도출하여 L matrix를 만든다. L matrix는 도 7과 같다. 여기서 각 정류소간 거리는 입력장치(10)를 통해 입력받은 버스정류소 관련 데이터 정보에 포함되며, 이로부터 용이하게 도출하는 것이 가능하다.The range of influence (r) is the distance that the fully charged electric bus battery can move to the maximum. In the present invention, 20 km is set as the range of influence. In order to determine whether the stops of each line are within the range of influence of the charging facility, the L matrix is derived by deriving the distances between the stops to be analyzed. L matrix is shown in FIG. Here, the distance between each stop is included in the bus stop-related data information received through the input device 10, it can be easily derived from it.

L matrix의 열 번호는 각 정류소를 나타내는 번호이고 행 번호는 노선별 정류소를 나타내는 번호이다. 즉, L11은 1번 정류소에서 A 노선의 1번 정류소까지의 거리를 의미한다. 이런 방식으로 각 정류소 간 거리를 나타내는 것이 L matrix이다. The column number of the L matrix is a number indicating each stop and the row number is a number indicating a stop for each route. That is, L 11 means the distance from the first stop to the first stop on the A line. In this way, the L matrix is the distance between stations.

다음으로, 단계 S20에서 영향권 범위와 각 정류소간 거리를 비교한다.Next, in step S20, the range of the influence zone and the distance between each stop are compared.

즉, 도출된 L matrix를 영향권 범위와 비교하여 a matrix를 구축한다. 즉, j정류소에 설치된 충전시설의 영향권 내에 i정류소가 포함될 경우(r ≥ Lij) a값은 1이 되고 포함되지 않을 경우(r < Lij) a값이 0이 된다. 이러한 방법으로 구축된 a matrix는 도 8과 같다.That is, a matrix is constructed by comparing the derived L matrix with the range of influence area. That is, if i stop is included in the area of influence of the charging facility installed at j stop (r ≥ L ij ), the a value is 1, and when not included (r <L ij ), the a value is 0. The a matrix constructed in this way is shown in FIG. 8.

여기서 영향권 범위를 10으로 가정하였을 때 정류소간 거리 비교는 도 9와 같다.Herein, a comparison between the distances between the stations when the range of influence is assumed as 10 is shown in FIG. 9.

다음으로, 단계 S30에서 가장 많은 정류소를 포함하는 위치에 충전시설(충전 인프라)을 설치하게 된다.Next, at step S30, the charging facility (charging infrastructure) is installed at the location including the most stations.

그리디 알고리즘은 가장 많은 정류소를 포함하는 위치에 우선적으로 충전시설을 설치하는 방법이므로 가장 많은 정류소를 포함하는 위치를 찾는 것이 중요하다. 앞서 도출된 a matrix의 각 열의 합은 각 정류소가 포함하는 노선상의 정류소 개수를 나타내므로 열의 합 중 가장 큰 값을 가지는 열의 정류소를 충전시설 설치 위치로 선정한다.Since the greedy algorithm preferentially installs a charging facility at the location containing the most stations, it is important to find the location containing the most stations. Since the sum of each column of the a matrix derived above represents the number of stops on the route included in each station, the station of the row having the largest value among the columns is selected as the installation location of the charging facility.

도 10은 충전시설의 위치를 선정하는 방법을 도시한 것으로서, Tj 값은 a matrix 각 열의 합을 나타내며, 이 Tj 값이 최대인 지점에 충전시설을 설치하게 된다.FIG. 10 illustrates a method of selecting a location of a charging facility. The T j value represents the sum of each column of a matrix, and the charging facility is installed at the point where the T j value is maximum.

다음으로, 단계 S40에서 영향권 범위 내 포함된 정류소를 포함 여부 고려 대상에서 제거하게 된다.Next, in step S40 it will be removed from consideration whether to include a stop included in the range of influence.

즉, Tj값이 최대인 지점에 충전시설을 구축하게 되면 이미 설치된 충전시설로 인해 포함되는 노선상의 정류소들은 더 이상 포함 여부를 고려할 필요가 없다. 그러므로 다음 충전시설의 위치를 선정할 때 이 정류소들을 제거하고 판단해야 한다. In other words, if the charging facility is built at the point where the T j value is the maximum, it is no longer necessary to consider whether the stops on the route included by the already installed charging facility are included. Therefore, these stations should be removed and judged when locating the next charging station.

도 11은 영향권 범위 내 포함된 정류소를 포함 여부 고려 대상에서 제거하는 과정을 설명한 도표이다.FIG. 11 is a diagram illustrating a process of removing from a consideration target whether a stop included in a range of influence is included.

여기서 3번 정류소의 Tj값이 4로 가장 크기 때문에 3번 정류소에 충전시설을 설치하게 되면 A-3, B-1, B-2, C-1 정류소는 이미 3번 정류소에 의해서 포함되기 때문에 A-3, B-1, B-2, C-1 정류소 각 행의 모든 a값을 0으로 전환한다. a matrix를 변환한 후 다시 Tj값이 최대인 정류소를 찾을 경우 1번 정류소가 선택된다. 이러한 과정을 반복하여 모든 a matrix의 값이 0이 될 때 노선상 모든 정류소가 충전시설의 영향권 범위 내에 포함이 되며 이때 위치선정이 종료된다.Because T j value of station 3 is the largest, the station A-3, B-1, B-2, C-1 is already included by station 3 A-3, B-1, B-2, C-1 Convert all a values in each row to 0. After converting the matrix, if the station with the maximum T j value is found again, station 1 is selected. By repeating this process, when all the values of a matrix are zero, all stops on the route are within the range of influence of the charging facility, and the positioning is completed.

그리디 알고리즘을 통해 선정된 충전시설이 노선상 모든 정류소를 포함하는지 여부를 확인해야한다. 이를 확인하는 방법은 a matrix를 이용하는 방법과 해당 정류소에 충전시설을 설치하고 각 충전시설 간 거리를 측정하는 방법이 있다. a matrix를 이용하는 방법은 도 12와 같다.The greedy algorithm should check whether the selected charging facility includes all stops on the route. To check this, there is a method using a matrix and installing the charging facilities in the relevant station and measuring the distance between the charging facilities. A method of using a matrix is shown in FIG. 12.

우선 충전시설이 설치된 정류소만으로 구성된 a matrix를 만들고 도출된 a matrix에서 행의 합이 0인 행이 존재하면 모든 노선상 정류소를 포함하지 못하므로 잘못된 해라고 판단한다. 즉, 모든 행의 합이 0보다 크면 도출된 해는 노선상 모든 정류소를 포함하므로 유효한 해라고 볼 수 있다.First, a matrix consisting only of stops with charging facilities is created. If there is a row with a sum of 0 in the derived a matrix, it is considered to be a wrong solution because it does not include all stops on all routes. In other words, if the sum of all rows is greater than zero, the derived solution is valid because it includes all stops on the route.

또한, 설치 위치로 선정된 정류소에 충전시설을 배치한 후 각 충전시설 간 거리가 20km보다 작으면 전기버스가 모든 노선을 멈추지 않고 운행할 수 있다는 의미이므로 이때 설치 위치를 유효한 해라고 판단한다.In addition, if the distance between each charging facility is less than 20km after placing the charging facilities at the station selected as the installation location, it means that the electric bus can operate without stopping all the lines, so the installation location is determined to be a valid year.

그리디 알고리즘을 이용한 위치 선정 결과 예시가 도 13에 도시된다. 이에 도시된 바와 같이 서울시 통과 노선을 대상으로 하여 그리디 알고리즘을 통해 선정된 충전시설 설치 정류소는 총 103개소로 각 정류소는 도시한 바와 같다.An example of the positioning result using the greedy algorithm is shown in FIG. 13. As shown in the figure, 103 stations for charging facilities selected through the greedy algorithm were selected for the transit lines of Seoul, and each station is as shown.

이때 분석 대상이 되는 서울시의 총 정류소 수는 7146개소이며 그리디 알고리즘 수행 시 분석 결과가 도출되는 시간은 104.38초(1분 44초)가 소요되었다. 그리디 알고리즘의 분석 결과를 각 노선마다 필요한 충전시설을 20km 간격으로 설치했을 경우와 비교한 결과는 도 14와 같다. 여기서 QCM은 Quick battery Changing Machine를 의미한다.In this case, the total number of stops in Seoul was 7146, and it took 104.38 seconds (1 minute 44 seconds) to analyze the results of the greedy algorithm. The analysis result of the greedy algorithm is compared with the case where the necessary charging facilities are installed at intervals of 20 km for each line as shown in FIG. 14. QCM stands for Quick battery Changing Machine.

전기버스 충전시설 설치 시 QCM 한 대당 처리할 수 있는 버스 교통량과 한 정류소에 설치 가능한 QCM 대수가 제한되어있기 때문에 한 정류소에서 배터리를 교환 가능한 횟수에 한계가 있다. 도 14는 QCM 한 대당 처리할 수 있는 버스 교통량이 최대 15대라고 가정한 후 구한 QCM 설치 대수이다. 그리디 알고리즘 적용 시 각 노선별 20km 간격으로 설치할 경우보다 충전시설을 설치하는 정류소의 수는 316개소가 적지만 실제 QCM 시설을 설치해야하는 수는 10대 더 많아 비용이 더 많이 들게 된다. 또한, 그리디 알고리즘 적용 시 한 정류소에 최대 17대의 QCM을 설치해야 하는데 이는 현실적으로 시설을 구축하는데 무리가 있다. When installing an electric bus charging facility, there is a limit to the number of bus traffic that can be handled per QCM and the number of QCMs that can be installed at one stop, which limits the number of times a battery can be replaced at one stop. Fig. 14 shows the number of QCM installations obtained after assuming that a maximum of 15 bus traffic can be handled per QCM. When the greedy algorithm is applied, the number of stations to install charging facilities is smaller than that of 20km intervals for each line, but the actual number of QCM facilities to be installed is 10, which is more expensive. In addition, when the greedy algorithm is applied, up to 17 QCMs must be installed at one stop, which is not practical to construct a facility.

그러므로 전기버스 충전시설의 위치를 선정함에 있어서 충전시설의 용량과 규모를 고려해야 한다. 본 발명에서는 이러한 일반적인 그리디 알고리즘을 개선하여 충전시설의 용량과 규모를 고려한 새로운 충전시설 위치를 선정하였다.Therefore, when selecting the location of electric bus charging facilities, the capacity and size of the charging facilities should be considered. In the present invention, a new charging station location is selected by considering the capacity and size of the charging facility by improving the general greedy algorithm.

도 15는 본 발명에 따른 전기버스 충전시설 위치선정방법 중 개선된 그리드 알고리즘으로 위치를 선전하는 과정을 도시한 흐름도이다.15 is a flowchart illustrating a process of promoting the position with an improved grid algorithm in the method for selecting an electric bus charging facility according to the present invention.

개선된 그리디 알고리즘에서 정류소간 거리를 도출하는 부분인 단계 S10과, 영향권 범위와 각 정류소간 거리 비교를 통해서 L matrix와 a matrix를 도출하는 과정인 단계 S20은 전술한 도 6의 일반적인 그리디 알고리즘과 동일하므로, 중복기재를 회피하기 위해서 생략하기로 한다.Step S10, which is a part of deriving the distance between stops in the improved greedy algorithm, and step S20, which is a process of deriving an L matrix and a matrix by comparing the range of influence and the distance between each stop, are described in the general greedy algorithm of FIG. Since it is the same as, it will be omitted in order to avoid redundant description.

단계 S60에서는 각 정류소에 충전시설 설치시 영향권 범위에 포함되는 정류소 수를 파악한다. 기본적으로 그리디 알고리즘은 가장 많은 수의 노선상 정류소를 포함하는 위치에 충전시설을 설치해야 효과적이라는 가정에서 시설의 위치를 선정한다.In step S60, the number of stops included in the range of influence when the charging facility is installed in each stop is determined. Basically, the greedy algorithm selects the location of the facility on the assumption that it is effective to install a charging facility at the location that contains the largest number of stops on the route.

본 발명에서는 충전시설 설치 시 영향권 범위에 포함되는 노선상 정류소 수를 파악하기에 앞서 다음 두 가지 가정을 설정하였다.In the present invention, the following two assumptions have been made prior to understanding the number of stops on a route included in the area of influence when installing a charging facility.

1. 정류소당 충전시설(QCM)은 3대까지 설치 가능하다고 가정함.1. It is assumed that up to three QCMs can be installed.

2. QCM 1대는 1시간에 15대의 전기버스에 배터리 공급이 가능하다고 가정함.2. It is assumed that one QCM can supply batteries to 15 electric buses per hour.

위 두 가지 가정을 바탕으로 각 정류소별 충전시설 설치 시 포함 가능한 노선상 정류소 수를 파악할 경우 QCM 설치 대수에 따라 배터리 공급이 가능한 전기버스의 수가 달라지기 때문에 포함 가능한 노선상 정류소 수가 다르게 나타난다. 일반적으로 QCM의 설치 대수가 많을수록 더 많은 정류소를 포함 가능하게 되는데 이때 주의해야할 점은 무작정 많은 정류소를 포함한다고 최적의 위치가 아니라는 것이다.Based on the above two assumptions, when the number of stops on the route that can be included in the installation of charging facilities for each stop is determined, the number of stops on the route that can be included is different because the number of electric buses that can supply batteries depends on the number of QCM installations. In general, the larger the number of QCMs installed, the more stations can be included. It should be noted that including many stations is not optimal.

예를 들어 한 정류소에 QCM 3대를 설치할 경우 90개의 정류소를 포함하는 경우와 QCM 1대를 설치할 경우 50개의 정류소를 포함하는 경우를 비교하면 총 포함하는 정류소 수는 QCM 3대를 설치하는 경우가 더 많지만 이 경우 QCM 1대당 30개의 정류소를 포함하기 때문에 QCM 1대를 설치하는 경우보다 더 비효율적이다.For example, if you install three QCMs at one station, if you include 90 stations and if you install one QCM, you will have three QCMs. More, but this is more inefficient than installing one QCM because it includes 30 stations per QCM.

이러한 이유 때문에 충전시설 설치 시 영향권 범위에 포함되는 정류소 수를 파악하기 위해서는 각 정류소별 충전시설 설치 시 포함되는 총 정류소 수가 아닌 각 정류소별 QCM 1대당 포함 가능한 정류소 수를 파악해야 하며, 각 정류소별 QCM 1대당 포함하는 노선상 정류소 수 도출 과정은 도 16과 같다.For this reason, in order to identify the number of stations included in the area of influence when installing the charging facilities, it is necessary to understand the number of stations that can be included in each QCM per station, not the total number of stations included in the installation of each charging station. The process of deriving the number of stops on a route included in each vehicle is shown in FIG. 16.

다음으로, 단계 S70에서 QCM 한대당 가장 많은 수의 정류소를 포함하는 위치를 충전시설 설치 위치로 설정하게 된다.Next, at step S70, the location including the largest number of stops per QCM is set as the charging facility installation location.

충전시설의 설치 위치를 설정할 경우 QCM 1대당 가장 많은 노선상 정류소를 포함하는 위치가 가장 효과적인 위치이므로 이러한 지점을 찾아서 충전시설을 설치한다. When setting up the location of charging facilities, the location including the most stops on the line per QCM is the most effective location.

도 17은 충전시설의 설치 위치를 선정하는 방법을 보여준다.17 shows a method of selecting an installation position of a charging facility.

도 17을 보면 3번 정류소에 QCM 1대를 설치하는 경우 가장 많은 15개의 정류장을 포함하기 때문에 가장 효율적인 위치라고 할 수 있다. 그러므로 3번 정류소에 QCM 1대를 설치하는 것으로 충전시설 설치 위치를 선정하게 된다.Referring to FIG. 17, when one QCM is installed at stop No. 3, it can be said to be the most efficient location because it includes the most 15 stops. Therefore, the installation location of the charging facility is selected by installing one QCM at station 3.

주지한 바와 같이, 충전시설의 위치와 QCM의 설치 대수를 결정하면 영향권 범위 내 포함된 정류소를 포함 여부 고려 대상에서 제거해야한다. 기존의 그리디 알고리즘에서는 충전시설 설치 지점의 영향권 범위에 포함되는 모든 노선상 정류소를 고려 대상에서 제거하였지만, 개선된 그리드 알고리즘에서는 시설의 용량과 규모를 고려할 경우 영향권 범위에 포함되는 노선만 선택적으로 제거해야한다. 영향권 범위 내 포함된 정류소를 포함 여부 고려 대상에서 제거하는 방법은 도 18과 같다.As is well known, determining the location of the charging facility and the number of installations of the QCM should be removed from consideration for inclusion of a shelter within the sphere of influence. While the existing greedy algorithm eliminates all route stops in the area of influence of the installation site, the improved grid algorithm selectively removes only the routes that are included in the area of influence given the capacity and size of the facility. Should be. 18 is a method of removing the target station included in the scope of influence from the object of consideration.

도 18에 도시한 바와 같이, 3번 정류소에 충전시설을 설치할 경우 QCM의 용량 제한으로 인해 A 노선만 포함이 가능하다. 그러므로 A 노선을 통과하는 정류소는 더 이상 포함 여부를 고려할 필요가 없으므로 a matrix의 값을 0으로 변환하여, 영향권 범위 내 포함된 정류소를 고려 대상에서 제거하게 된다.As shown in FIG. 18, when the charging facility is installed in the third stop, only the A line may be included due to the capacity limitation of the QCM. Therefore, it is no longer necessary to consider whether or not the station passing through the A line is included or not, and by converting the value of a matrix to 0, the station included in the area of influence is removed from consideration.

이후 단계 S50을 수행하여, 충전시설 위치가 모든 정류장의 영향권 내에 포함될 경우 충전시설 위치선정 과정을 종료하게 된다. 여기서 단계 S50을 통해 선정된 충전시설 설치 위치를 초기 충전시설 설치 위치라고 명명한다.Subsequently, by performing step S50, when the location of the charging facility is included in the range of influence of all stops, the charging facility location selection process is terminated. Here, the charging facility installation position selected through step S50 is called an initial charging facility installation position.

전기버스 충전시설의 규모와 용량을 고려한 개선된 그리디 알고리즘을 수행한 결과 도 22에 도시한 바와 같이 총 297개소에 366대의 QCM이 설치되었다. 도 19는 각 위치선정 방법 간 결과를 비교 분석한 내용이다.As a result of performing an improved greedy algorithm considering the size and capacity of the electric bus charging facility, 366 QCMs were installed in 297 locations as shown in FIG. 19 shows the result of comparing and analyzing the results between the respective positioning methods.

전기버스 충전시설의 규모와 용량을 고려하여 그리디 알고리즘을 수행한 결과 각 노선마다 충전시설을 따로 설치할 경우보다 총 QCM 설치 대수를 61대 감소시킬 수 있었다. 또한, 1개 정류소에 최대로 설치할 수 있는 QCM 수는 3대로 현실적으로 설치 가능한 수가 도출되었다.According to the greedy algorithm considering the size and capacity of electric bus charging facilities, the total number of QCM installations could be reduced by 61 compared to the installation of charging facilities for each route. In addition, the maximum number of QCMs that can be installed at one stop is obtained.

분석 결과를 바탕으로 알고리즘의 올바른 수행 여부를 검증한 결과 충전시설 간 최대 거리가 19991m로 20km보다 작게 나와 모든 노선이 포함되어 유효한 해임을 알 수 있다.As a result of verifying whether the algorithm is correctly executed based on the analysis result, it can be seen that the maximum distance between charging facilities is 19991m, which is less than 20km, which is a valid solution including all routes.

이러한 개선된 그리드 알고리즘만을 이용하여도 기존 20km간격으로 충전시설을 설치하거나 일반적인 그리드 알고리즘에 비하여 효율적인 충전시설 위치선정이 가능하나, 본 발명에서는 개선된 그리디 알고리즘을 통해서 도출된 충전시설 설치 위치를 좀 더 개선하기 위해 일반적인 메타 휴리스틱 알고리즘 중 시뮬레이티드 어닐링 기법을 적용하여 최적의 충전시설 위치를 선정하였다.Using only the improved grid algorithm, it is possible to install the charging facilities at intervals of 20 km or to select the efficient charging facility location compared to the general grid algorithm. For further improvement, the optimal charging facility location was selected by applying simulated annealing technique among general meta heuristic algorithms.

시뮬레이티드 어닐링 알고리즘은 언덕등반(Hill-Climbing) 기법을 개선하여 최소화 문제에서 지역 최소점에 국한되어 빠져나오지 못하는 맹점을 보완한 방법이다. 기울기가 증가하는 방향으로의 해의 탐색을 허용하여 지역 최소점에서 벗어날 수 있는 가능성을 부여할 수 있다. 현재해보다 후보해의 목적함수 값이 개선되었을 때 후보해를 현재해로 받아들이게 되는데, 확률적으로 후보해가 개선되지 않은 상태에서도 채택하도록 하여 지역 최소해에서 벗어날 수 있다. 개선되지 않은 해를 받아들이는 확률은 각 상태의 온도(Tk)라는 파라미터에 의해 결정된다. 온도는 시간이 갈수록 감소하고 이는 개선되지 않은 후보해를 받아들일 수 있는 확률 또한 감소하는 효과를 구현한다. 그러므로 시뮬레이티드 어닐링은 이웃해를 생성하는 방법과 온도 감소 과정(cooling scheduling)에 의해 결정된다.The simulated annealing algorithm improves the Hill-Climbing technique to compensate for blind spots that are limited to local minimums in the minimization problem. Allowing the search for solutions in the direction of increasing slope can give the possibility to deviate from local minimums. When the objective function value of the candidate solution is improved over the current solution, the candidate solution is accepted as the current solution. The probability of accepting an unimproved solution is determined by a parameter called the temperature T k of each state. The temperature decreases over time, which also reduces the probability of accepting an unimproved candidate solution. Therefore, simulated annealing is determined by the method of generating the neighboring solution and by the cooling scheduling.

시뮬레이티드 어닐링 알고리즘은 다른 이산변수 최적화기법인 유전자 알고리즘과 마찬가지로 최적값을 구해내는 과정에서 목적함수나 제한조건의 도함수를 전혀 사용하지 않고 메트로폴리스 원칙(metropolis principle)과 볼츠만 분포(Boltzmann distribution)를 이용하여 문제를 해결한다.The simulated annealing algorithm uses the metropolis principle and the Boltzmann distribution without any objective function or derivative of constraints in the process of finding the optimal value, like other discrete variable optimization algorithms, like genetic algorithms. To solve the problem.

열탕의 열평형을 이루는 과정을 설명하기 위하여 Metropolis, Rosenbluth, Teller 등은 Monte Carlo techiniques에 기초한 알고리즘을 도입하였다. 이 알고리즘은 현재상태(i)와 다음 상태(j)의 에너지 차가 0보다 작거나 같으면 다음 상태는 현재의 상태로 받아들여지고 만약 에너지 차가 0보다 크면, 다음 상태는 다음의 식1의 확률에 의해 현재의 상태로 받아들여진다. 여기서 kb는 볼츠만 상수(Boltzmann's contant)이며 이러한 수용규칙을 메트로폴리스 규칙(Metropolis criterion)이라 한다.To explain the thermal equilibrium process of boiling water, Metropolis, Rosenbluth, Teller et al. Introduced algorithms based on Monte Carlo techiniques. If the energy difference between the current state (i) and the next state (j) is less than or equal to zero, the next state is taken as the current state. If the energy difference is greater than zero, the next state is determined by the probability of It is accepted in the state of. Where kb is Boltzmann's contant and this acceptance rule is called Metropolis criterion.

Figure pat00009
Figure pat00009

여기서 Ei는 현재상태의 에너지, Ej는 다음 상태의 에너지, kB는 볼츠만 상수를 각각 나타낸다.Where E i is the energy of the current state, E j is the energy of the next state, and k B is the Boltzmann constant.

온도감소가 충분히 서서히 진행되면, 고체는 각 온도에서 열 평형상태에 이른다. 메트로폴리스 알고리즘에서는 주어진 온도에서 수많은 전이를 거쳐 이 과정이 이루어진다.If the temperature decreases slowly enough, the solids reach thermal equilibrium at each temperature. In the metropolis algorithm, this is accomplished by numerous transitions at a given temperature.

시뮬레이티드 어닐링 알고리즘은 무작위적인 해의 구성을 목적함수의 감소를 통해 개선시켜 나가며 목적함수의 증가 시에도 확률적으로 채택을 하여 지역 최소해에서 벗어날 수 있는 기회를 제공한다. 이때 목적함수는 메트로폴리스 원칙에 의하여 평가되며 온도라는 제어매개변수(Control Parameter, c)를 도입하여 온도에 의해 해의 탐색 범위와 수렴확률이 결정된다. 이 기법은 제어매개변수의 값을 감소시키며 평가되는 메트로폴리스 알고리즘으로 요약할 수 있으며 채택확률은 다음과 같은 수식 2로 표현할 수 있다. 현재 상태(i)에 비하여 다음 상태(j)의 목적함수(F(j))가 작거나 같으면 다음 상태를 최적해로 채택한다.The simulated annealing algorithm improves the construction of random solutions by reducing the objective function, and provides an opportunity to escape from the local minimum by probabilistically adopting the objective function as it increases. In this case, the objective function is evaluated according to the metropolis principle, and the temperature is used to determine the search range and convergence probability of the solution by introducing a control parameter (c). This technique can be summed up by the metropolis algorithm evaluated by reducing the value of control parameters, and the probability of adoption can be expressed by Equation 2 below. If the objective function F (j) of the next state j is smaller than or equal to the current state i, the next state is adopted as the optimal solution.

Figure pat00010
Figure pat00010

다음 상태가 현재 상태로 받아들여지는 확률은 P로 나타낼 수 있으며, 다음 상태의 목적함수 값이 현재상태의 목적함수 값보다 크면

Figure pat00011
의 확률로 현재의 상태로 받아들여지는 것이다. 이러한 과정을 통하여 시뮬레이티드 어닐링 알고리즘이 지역 최소해에서 벗어나 전역 최적해로 이동할 수 있는 가능성을 갖는다.The probability that the next state is accepted as the current state can be expressed as P. If the objective function value of the next state is greater than the objective function value of the current state,
Figure pat00011
The probability of being accepted as is. Through this process, the simulated annealing algorithm has the possibility to move from the local minimum solution to the global optimal solution.

제어매개변수(c)는 값이 클수록 목적함수의 차가 크더라도 확률이 1에 가까워진다. 이는 시뮬레이티드 어닐링 알고리즘이 초반부에는 온도가 높아 다음해가 최적해에서 멀어지는 정도가 크더라도 현재해로 선택될 확률이 크다는 것을 의미한다. 반면 후반부로 갈수록 온도가 낮아져 개선되지 않은 해가 현재해로 채택될 확률이 적어진다. 일반적인 종료 조건으로는 반복횟수를 사용하거나 온도가 매우 작을 때를 사용한다.The larger the value of the control parameter c, the closer the probability is to 1 even if the difference of the objective function is large. This means that the simulated annealing algorithm is likely to be selected as the current solution even if the temperature is high at the beginning and the next solution is far from the optimal solution. On the other hand, the lower the temperature, the less likely that an unimproved solution will be adopted as the current solution. As a general termination condition, use a repetition frequency or when the temperature is very small.

알고리즘의 반복횟수가 진행됨에 따라 온도를 감소시키는 과정을 냉각 스케줄이라고 하며, 시작온도·최종온도·온도 감소치 등이 중요한 파라미터이다. 알고리즘의 효율성을 향상시키는 중요한 인자는 제어매개변수인 온도의 감소이며 이는 일반적으로 아래의 수식3과 같이 온도감소 인자 RT를 이용한다.The process of decreasing the temperature as the number of iterations of the algorithm progresses is called the cooling schedule. The starting temperature, the final temperature, and the temperature decrease are important parameters. An important factor that improves the efficiency of the algorithm is the reduction of temperature, which is a control parameter, which generally uses the temperature reduction factor RT as shown in Equation 3 below.

Figure pat00012
Figure pat00012

여기서 RT는 1조다 작은 양수를 의미한다.RT is a trillion small positive number.

본 발명에서는 주지한 바와 같이 시뮬레이티드 어닐링 알고리즘을 이용하여 노선상 모든 정류소를 포함하는 충전시설의 위치를 도출한다. 시뮬레이티드 어닐링의 분석 절차는 도 20과 같다.As is well known in the present invention, a simulated annealing algorithm is used to derive the location of the charging facility including all stations on the route. The analytical procedure of the simulated annealing is shown in FIG. 20.

시뮬레이티드 어닐링 알고리즘을 적용할 때 초기 충전시설의 위치를 무작위로 선정할 경우 만족할만한 위치를 선정하는 데 너무 많은 시간이 소요되므로 도 15와 같은 시설의 용량과 규모를 고려한 개선된 그리디 알고리즘을 통해 도출된 위치를 초기해(초기 충전시설 위치)로 설정한다. 시뮬레이티드 어닐링의 경우 초기 온도, 온도 감소 스케줄, 알고리즘의 종료 조건 등을 미리 지정해야 하며 본 발명에서의 초기 조건은 도 21과 같다.When applying the simulated annealing algorithm, if the initial charging facility is randomly selected, it takes too much time to select a satisfactory location. Therefore, the improved greedy algorithm considering the capacity and size of the facility as shown in FIG. The location derived through the initial year (initial charging facility location) is set. In the case of simulated annealing, an initial temperature, a temperature reduction schedule, an end condition of an algorithm, and the like must be specified in advance, and the initial conditions in the present invention are shown in FIG. 21.

본 발명에서는 시뮬레이티드 어닐링 알고리즘의 초기 온도를 100, 온도 감소율을 0.9로 설정하였으며 총 반복 횟수가 500회가 되면 알고리즘이 종료되도록 설정하였다.In the present invention, the initial temperature of the simulated annealing algorithm is set to 100 and the rate of temperature reduction is set to 0.9, and the algorithm is set to end when the total number of repetitions is 500 times.

단계 S101에서와 같이 개선된 그리디 알고리즘의 결과를 초기해(초기 충전시설 위치)로 설정한 후 이웃해로 이동해야 하는데, 이때 이웃해는 충전시설을 제거하거나 새로운 정류소에 충전시설을 설치하는 것을 이웃해로 설정한다.As in step S101, the result of the improved greedy algorithm should be set to an initial solution (initial charging facility location) and then moved to the neighboring sea, where the neighboring sea may need to be removed or installed in a new station. Set to neighbor solution.

먼저, 기존에 설치된 충전시설을 제거할 경우에는 단계 S102로 이동하여 초기 충전시설 위치 선정 대상 위치 중 설치 제외 위치(P1)를 선정하게 된다. 이것은 기존에 설치되어 있던 QCM의 위치(정류소) 중 정류소 숫자가 작은 곳에서부터 차례대로 설치위치를 제외하게 된다. 예컨대, QCM의 설치 위치(정류소)가 1, 4, 5, 7, 11개의 총 5개라고 한다면 먼저 1번 정류소의 QCM을 제거하게 된다.First, when removing the existing charging facility is moved to step S102 to select the installation exclusion position (P1) of the initial charging facility location selection target position. This excludes the installation location in order from the place where the number of stops is small among the existing QCM locations (stops). For example, if the installation location (stop) of the QCM is five in total of 1, 4, 5, 7, 11, the QCM of the first stop is removed.

이후 단계 S103으로 이동하여 제약 조건이 만족(모든 정류장 포함 여부)하는 지를 확인하여, 제약조건이 만족하지 않을 경우에는 단계 S113으로 이동하여 초기 충전시설 위치(P1, P2, P3,...,Pn) 이외의 위치에서 설치 제외 위치(Pn+1)를 선정하고, 다시 단계 S103으로 이동하게 된다. 즉, 제약조건이 만족하지 않을 경우에는 다시 1번 정류소를 추기 시킨 후 이제 4번 정류소의 QCM을 제거하고 다시 제약조건이 맞는지 확인하게 된다.After that, go to step S103 to check whether the constraints are satisfied (including all stops). If the constraints are not satisfied, go to step S113 to determine the initial charging facility positions (P1, P2, P3, ..., Pn). The installation exclusion position (Pn + 1) is selected at a position other than), and the flow moves to step S103 again. In other words, if the constraint is not satisfied, after adding stop 1 again, QCM of stop 4 is now removed and the constraint is checked again.

여기서 Pn+1위치는 이미 제거되고 제약조건을 만족하지 못한 P1 ~ Pn까지의 위치(정류소)를 제외한 나머지 위치를 말한다. 이미 제약조건을 만족시키지 못해 QCM을 없애고 다시 생성시킨 위치(P1 ~ Pn)는 더 이상 테스트할 필요가 없기 때문에 그 외의 위치에서 QCM을 제외하는 방법을 사용한다. Here, the Pn + 1 position refers to the remaining positions except for the positions (stops) from P1 to Pn that are already removed and do not satisfy the constraint. Since the location (P1 ~ Pn) where the QCM is removed and recreated because it has not satisfied the constraints is no longer needed, the method of excluding the QCM from other locations is used.

주지한 바와 같은 초기 충전시설 제거 과정을 이용하면 설치 위치 1, 4, 5, 7, 11에서 1, 4, 5의 순서로 제거시켜 보았더니 모두 제약조건을 만족하지 못하여 다음 단계로 진행이 되지 않을 때, 이제 1, 4, 5는 P1, P2, P3이 되는 것이고, 결국 그 이외의 위치에서 설치 제외를 해야한다. 즉, 그 다음은 설치위치 7에서 제거를 해보아야 할 것이고 7이 결국 여기서 말하는 설치 제외 위치(Pn+1)가 되는 것이다.When using the initial charging facility removal process as described above, it was removed in the order of installation positions 1, 4, 5, 7, 11 in the order of 1, 4, 5, and all of them did not satisfy the constraints and could not proceed to the next step. Now, 1, 4, and 5 will be P1, P2, and P3, and eventually the installation should be removed from other positions. That is, the next step is to remove it from the installation position 7, and 7 becomes the installation exclusion position (Pn + 1).

이러한 과정을 통해 초기 설치위치 중 정류소 숫자가 작은 도출된 이웃해가 모든 정류장을 포함하는지 여부를 확인해야하며, 이 확인 결과 도출된 이웃해가 모든 정류장을 포함할 경우 초기 충전시설 위치를 새로운 설치 위치(이웃해)로 설정하게 된다(S104).Through this process, it is necessary to check whether the derived neighboring solution with the smallest number of stops among the initial installation locations includes all the stops. (Neighbor) is set (S104).

이러한 과정을 통해 이웃해가 도출되면, 상기 도출한 이웃해가 최적해인지를 여부를 확인한다(S105). 여기서 최적해 여부는 채택 확률 계산을 통해 확인한다.When the neighboring solution is derived through this process, it is checked whether the derived neighboring solution is the optimal solution (S105). The optimal solution is checked by calculation of the probability of adoption.

즉, 시뮬레이티드 어닐링 알고리즘은 무작위적인 해의 구성을 목적함수의 감소를 통해 개선시켜 나가며 목적함수의 증가 시에도 확률적으로 채택을 하여 지역 최소해에서 벗어날 수 있는 기회를 제공한다. 이때 목적함수는 메트로폴리스 원칙에 의하여 평가되며 온도라는 제어매개변수(Control Parameter, c)를 도입하여 온도에 의해 해의 탐색 범위와 수렴확률이 결정된다. 이 기법은 제어매개변수의 값을 감소시키며 평가되는 메트로폴리스 알고리즘으로 요약할 수 있으며 채택확률은 주지한 수식 2로 표현할 수 있다. 현재 상태(i)에 비하여 다음 상태(j)의 목적함수(F(j))가 작거나 같으면 다음 상태를 최적해로 채택한다.In other words, the simulated annealing algorithm improves the construction of the random solution through the reduction of the objective function and provides an opportunity to escape from the local minimum solution by probabilistically adopting the objective function. In this case, the objective function is evaluated according to the metropolis principle, and the temperature is used to determine the search range and convergence probability of the solution by introducing a control parameter (c). This technique can be summed up by the metropolis algorithm evaluated by reducing the value of the control parameter and the probability of adoption can be expressed by Equation 2. If the objective function F (j) of the next state j is smaller than or equal to the current state i, the next state is adopted as the optimal solution.

이러한 과정을 통해 도출한 이웃해가 최적해로 확인이 되면, 현재 선택된 충전시설이 최적이라고 결정하고, 새로운 설치 위치를 설정한 후(S107), 단계 S112로 이동하여 온도를 온도 감소율에 따라 감소시키며 알고리즘을 반복한다. 알고리즘은 500회가 반복되면 종료되며 이때 도출되는 500개의 해중 가장 작은 값이 시뮬레이티드 어닐링을 통해 도출되는 최적해(충전시설 위치)가 된다.If the neighboring solution derived through this process is found to be the optimal solution, it is determined that the currently selected charging facility is optimal, and after setting a new installation location (S107), the process moves to step S112 to decrease the temperature according to the rate of temperature decrease. Repeat. The algorithm is terminated after 500 iterations, and the smallest of the 500 solutions obtained is the optimal solution (charging location) derived through simulated annealing.

또한, 새로운 정류소에 충전시설을 설치할 경우, 전술한 수식 1과 같은 매트로폴리스 규칙(Metropolis criterion)에 따라 이웃해의 수용 여부를 결정하게 된다(S108).In addition, when the charging station is installed in the new station, it is determined whether to accept the neighboring sea according to the Metropolis criterion as shown in Equation 1 (S108).

상기 매트로폴리스 규칙에 따라 초기 충전시설 위치를 이웃해로 채택할 경우, 단계 S109로 이동하여 충전시설 설치 추가 위치를 무작위로 선정하고, 단계S110으로 이동하여 초기 충전시설 위치와 무작위로 선정한 추가 선정 위치가 중복되는지를 확인하여 중복될 경우 충전시설 설치 추가 위치를 다시 무작위로 선정하여 초기 충전시설 위치와 중복되는지를 반복적으로 확인하고, 초기 충전시설 위치와 무작위로 선정한 추가 선정 위치가 중복되지 않을 경우에는 단계 S111로 이동하여 무작위로 선정된 충전시설 설치 위치를 이웃해(새로운 설치 위치)로 설정하게 된다(S111).If the initial charging facility location is adopted as the neighboring sea according to the above rules, go to step S109 to randomly select additional charging facility installation locations, and go to step S110 to select the initial charging facility locations and randomly selected additional selection locations. If there is a duplication, if the overlap is randomly selected additional locations additionally installed charging facilities to check whether it overlaps with the initial charging facilities location repeatedly, and if the initial additional installation location and randomly selected additional selection location does not overlap In step S111, the randomly selected charging facility installation location is set to neighbor (new installation location) (S111).

다음으로, 단계 S112로 이동하여 온도를 온도 감소율에 따라 감소시키며 알고리즘을 반복한다. 알고리즘은 500회가 반복되면 종료되며 이때 도출되는 500개의 해중 가장 작은 값이 시뮬레이티드 어닐링을 통해 도출되는 최적해(최종 충전시설 위치)가 된다.Next, the process moves to step S112 and the temperature is reduced according to the rate of temperature decrease, and the algorithm is repeated. The algorithm is terminated after 500 iterations, with the smallest of the 500 solutions derived being the optimal solution (final station location) derived through simulated annealing.

주지한 바와 같은 시뮬레이티드 어닐링 알고리즘을 적용한 결과 충전시설이 설치된 정류소는 도 23에 도시한 바와 같이, 총 286개소가 도출되었고 설치된 QCM 대수는 355대, 결과가 도출되는데 8183.517초(2시간 16분 23초)의 시간이 걸렸다. 반복 과정 동안 해가 도출되는 과정은 도 24와 같다.As a result of applying the simulated annealing algorithm as described above, as shown in FIG. 23, a total of 286 stations were derived, and the number of QCM units installed was 355, and the result was 8183.517 seconds (2 hours 16 minutes). 23 seconds). The solution is derived during the iteration process as shown in FIG.

시뮬레이티드 어닐링 알고리즘 수행결과는 도 25에 도시한 바와 같이, 개선된 그리디 알고리즘을 적용할 경우보다 11대의 QCM이 감소하였다. 반면 알고리즘 수행 시간은 2시간 16분 23초로 상당히 오랜 시간이 소비되었으며 초기해를 개선된 그리디 알고리즘의 해가 아닌 무작위로 추출한 해로 설정할 경우 더 많은 시간이 소비될 것으로 예상된다.As shown in FIG. 25, the results of the simulated annealing algorithm are reduced by 11 QCMs than when the improved greedy algorithm is applied. On the other hand, the execution time of the algorithm was considerably longer (2 hours 16 minutes 23 seconds) and more time would be spent if the initial solution was set to a randomized solution rather than the improved greedy algorithm.

본 발명은 상술한 특정의 바람직한 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 된다.
It will be understood by those skilled in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined in the appended claims and their equivalents. Of course, such modifications are within the scope of the claims.

10… 입력장치
20… 제어부
30… 데이터베이스
40… 표시장치10... Input device
20... The control unit
30 ... Database
40 ... Display

Claims (10)

충전시설 위치선정을 위한 필요한 데이터를 입력받는 입력장치, 충전시설의 용량과 규모를 고려한 개선된 그리드 알고리즘(Greedy Algorithm)과 상기 개선된 그리드 알고리즘에 의해 설정된 충전시설 설치 위치를 다시 최적화하여 최적의 충전시설 설치위치를 선정하기 위한 시뮬레이티드 어닐링 알고리즘(Simulated Annealing Algorithm)이 내장된 데이터베이스, 충전시설 설치 위치를 최적으로 선정하는 제어부로 이루어진 전기버스 충전시설 위치선정 시스템에서 상기 제어부에서의 충전시설 위치를 선정하는 방법에 있어서,
(a) 영향권 범위를 설정하고, 분석 대상이 되는 각 정류소간 거리를 도출한 후, 상기 설정한 영향권 범위와 각 정류소간 거리를 비교하여 각 정류소에 충전시설 설치시 영향권 범위에 포함되는 정류소 수를 산출하는 단계와;
(b) 상기 산출한 정류소 수를 기반으로 충전시설 대비 가장 많은 노선상 정류소를 포함하는 위치를 충전시설 설치 위치로 선정하는 단계와;
(c) 상기 선정한 설치위치에 충전시설을 설치할 경우 충전시설의 규모와 용량을 고려하기 위해 상기 충전시설이 포함하는 노선을 제거하여 초기 충전시설 설치 위치를 설정하는 단계를 포함하는 것을 특징으로 하는 전기버스 충전시설 위치선정방법.
Input device to input necessary data for the location of charging facility, improved grid algorithm (Greedy Algorithm) considering the capacity and size of charging facility, and optimized charging location by reoptimizing the installation location set by the improved grid algorithm In the electric bus charging facility positioning system consisting of a database with a built-in simulated annealing algorithm for selecting the installation location, and a controller for optimally selecting the location of the charging facility, In the method of selecting,
(a) After setting the range of influence area, deriving the distance between each station to be analyzed, and comparing the distance between the set area of influence and each station, the number of stations included in the area of influence when installing the charging facilities at each station Calculating;
(b) selecting, as a charging facility installation location, a location including the bus stop on the route more than the charging facility based on the calculated number of stops;
(c) when the charging facility is installed at the selected installation location, removing the route included in the charging facility to consider the size and capacity of the charging facility, and setting the initial charging facility installation location. How to locate the bus charging facility.
청구항 1에 있어서, 상기 (a)단계에서 영향권 범위는 완충된 전기버스 배터리가 최대로 이동할 수 있는 거리를 의미하는 것을 특징으로 하는 전기버스 충전시설 위치선정방법.
The method according to claim 1, wherein in the step (a), the range of influence means the distance that the fully charged electric bus battery can move to the maximum.
청구항 1에 있어서, 상기 (a)단계는,
분석 대상이 되는 각 정류소간 거리를 도출하여 L 매트릭스(matrix)를 생성하는 것을 특징으로 하는 전기버스 충전시설 위치선정방법.
The method of claim 1, wherein the step (a)
An electric bus charging facility location selection method comprising generating an L matrix by deriving a distance between each station to be analyzed.
청구항 3에 있어서, 상기 (a)단계는,
상기 생성한 L 매트릭스에서 임의 정류소(j정류소)에 설치된 충전시설의 영향권 범위(r) 내에 특정 정류소(i정류소)가 포함되는지를 비교하여, 포함될 경우(r≥Lij) a값은 1로 하고, 포함되지 않을 경우(r＜Lij) a값이 0이 되는 a매트릭스를 생성하는 것을 특징으로 하는 전기버스 충전시설 위치선정방법.
The method according to claim 3, wherein step (a),
In the generated L matrix, a comparison is made whether a specific station (i station) is included in the range of influence (r) of the charging facility installed at an arbitrary station (j station), and when included (r≥L ij ), the a value is 1; And if not included (r <L ij ), generates an a matrix whose a value is zero.
청구항 4에 있어서, 상기 (a)단계는,
각 정류소의 QCM 설치 대수를 구분하여 정류소 수를 산출하는 것을 특징으로 하는 전기버스 충전시설 위치선정방법.
The method according to claim 4, wherein step (a),
A method for selecting an electric bus charging facility, comprising calculating the number of stations by dividing the number of QCMs installed at each station.
청구항 1에 있어서, 상기 (b)단계는,
각 정류소별 QCM 1대당 포함하는 노선상 정류소 수가 가장 많은 정류소를 충전시설 위치로 선정하는 것을 특징으로 하는 전기버스 충전시설 위치선정방법.
The method of claim 1, wherein the step (b)
A method for selecting an electric bus charging facility, comprising selecting a station having the largest number of stops on a line included in each QCM station as a charging facility location.
청구항 1에 있어서 상기 (c)단계는,
영향권 범위에 포함되는 노선만 선택적으로 제거하고 초기 충전시설 위치를 설정하는 것을 특징으로 하는 전기버스 충전시설 위치선정방법.
The method according to claim 1, wherein step (c) is
An electric bus charging facility location selection method comprising selectively removing only the routes included in the area of influence and setting an initial charging facility location.
청구항 1에 있어서,
(d) 상기 초기 충전시설 설치 위치를 설정한 후 기존에 설치된 충전시설을 제거할 경우 상기 초기 충전시설 선정 대상 위치 중 설치제외 위치를 선정하여 제거하고, 상기 설치제외 위치가 제거된 충전시설 설치 위치를 최적의 충전시설 설치위치로 설정하는 단계와;
(e) 상기 초기 충전시설 설치 위치를 설정한 후 충전시설을 추가하는 경우 메트로폴리스 규칙을 적용하여 이웃 해의 수용 여부를 확인하여, 이웃 해를 수용할 경우 충전시설을 추가하여 무작위로 충전시설 위치를 선정하고. 상기 무작위로 선정한 충전시설 위치가 초기 충전시설 위치와 중복되지 않을 경우 상기 무작위로 선정한 설치위치를 최적의 충전시설 설치위치로 설정하는 단계와;
(f) 상기 (d)단계 또는 (e)단계의 새로운 설치 위치 설정 후 최적해를 산출하기 위해 미리 설정된 초기조건에 따라 시뮬레이티드 어닐링 알고리즘을 수행하여 노선상 모든 정류소를 포함하는 최종 충전시설 위치를 도출하는 단계를 더 포함하는 것을 특징으로 하는 전기버스 충전시설 위치선정방법.
The method according to claim 1,
(d) In case of removing the existing charging facility after setting the initial charging facility installation location, select and remove the installation exclusion location among the initial charging facility selection locations, and the installation location where the installation exclusion location has been removed. Setting the optimal charging facility installation position;
(e) If the initial charging facility is installed and then additional charging facilities are added, the Metropolis rules are applied to check the acceptance of neighboring seas. And select. Setting the randomly selected installation location as an optimal charging facility installation location if the randomly selected charging facility location does not overlap with the initial charging facility location;
(f) Perform the simulated annealing algorithm according to a preset initial condition to calculate the optimal solution after setting the new installation location in step (d) or step (e) to determine the final charging facility location including all stations on the route. The electric bus charging facility location selection method further comprising the step of deriving.
청구항 8에 있어서, 상기 (f)단계의 미리 설정된 초기조건은,
초기 온도 100, 온도 감소율 0.9, 반복회수 500인 것을 특징으로 하는 전기버스 충전시설 위치선정방법.
The method according to claim 8, wherein the preset initial condition of the step (f),
Location selection method for electric bus charging facility, characterized in that the initial temperature 100, the temperature decrease rate 0.9, the iteration number 500.
청구항 8에 있어서, 상기 (f)단계의 시뮬레이티드 어닐링 알고리즘은,
상기 초기 충전시설 설치 위치를 초기해로 설정하고, 충전시설을 제거하거나 새로운 정류소에 충전시설을 설치하는 것을 이웃해로 설정하는 것을 특징으로 하는 전기버스 충전시설 위치선정방법.

The method of claim 8, wherein the simulated annealing algorithm of step (f),
And setting the initial charging facility installation position as an initial year and removing the charging facility or installing the charging facility at a new stop as a neighboring sea.

KR1020120003577A 2012-01-11 2012-01-11 Optimization method for location of battery changing machine station of electric buses KR20130089909A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120003577A KR20130089909A (en) 2012-01-11 2012-01-11 Optimization method for location of battery changing machine station of electric buses

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120003577A KR20130089909A (en) 2012-01-11 2012-01-11 Optimization method for location of battery changing machine station of electric buses

Publications (1)

Publication Number Publication Date
KR20130089909A true KR20130089909A (en) 2013-08-13

Family

ID=49215658

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120003577A KR20130089909A (en) 2012-01-11 2012-01-11 Optimization method for location of battery changing machine station of electric buses

Country Status (1)

Country Link
KR (1) KR20130089909A (en)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103678917A (en) * 2013-12-13 2014-03-26 杭州易和网络有限公司 Bus real-time arrival time predicting method based on simulated annealing algorithm
CN106828140A (en) * 2016-12-14 2017-06-13 国网北京市电力公司 Electric bus method for parameter configuration and device
KR20190059748A (en) 2017-11-23 2019-05-31 우희석 save
CN111523714A (en) * 2020-04-15 2020-08-11 广东电网有限责任公司 Site selection layout method and device for electric power charging station
CN112257205A (en) * 2020-09-25 2021-01-22 浙江辉博电力设备制造有限公司 Charging station grid site selection clustering method
CN112381313A (en) * 2020-11-23 2021-02-19 国网北京市电力公司 Charging pile address determination method and device
KR20210034267A (en) * 2019-09-20 2021-03-30 주식회사 알고리고 Apparatus and method for recommending installation position of new charging station using load distribution of electric car charging station
KR102259675B1 (en) * 2020-01-17 2021-06-01 한전케이디엔주식회사 System and method for recommending optimal location of electric vehicle charging station
CN113901397A (en) * 2020-06-22 2022-01-07 南京行者易智能交通科技有限公司 New energy bus replacement method and generation device thereof
KR20220055723A (en) * 2020-10-27 2022-05-04 현대자동차주식회사 Vehicle stop point extraction method and operation server using the same
CN115147159A (en) * 2022-07-15 2022-10-04 北京航空航天大学 Optical storage and charging integrated bus charging station site selection method
KR20230105298A (en) * 2022-01-03 2023-07-11 고려대학교 산학협력단 Method of Optimal Placement of Electric Vehicle Charging Station for Charging Demand Dispersion

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103678917A (en) * 2013-12-13 2014-03-26 杭州易和网络有限公司 Bus real-time arrival time predicting method based on simulated annealing algorithm
CN106828140A (en) * 2016-12-14 2017-06-13 国网北京市电力公司 Electric bus method for parameter configuration and device
KR20190059748A (en) 2017-11-23 2019-05-31 우희석 save
KR20210034267A (en) * 2019-09-20 2021-03-30 주식회사 알고리고 Apparatus and method for recommending installation position of new charging station using load distribution of electric car charging station
KR102259675B1 (en) * 2020-01-17 2021-06-01 한전케이디엔주식회사 System and method for recommending optimal location of electric vehicle charging station
CN111523714A (en) * 2020-04-15 2020-08-11 广东电网有限责任公司 Site selection layout method and device for electric power charging station
CN111523714B (en) * 2020-04-15 2022-05-03 广东电网有限责任公司 Site selection layout method and device for electric power charging station
CN113901397A (en) * 2020-06-22 2022-01-07 南京行者易智能交通科技有限公司 New energy bus replacement method and generation device thereof
CN112257205A (en) * 2020-09-25 2021-01-22 浙江辉博电力设备制造有限公司 Charging station grid site selection clustering method
CN112257205B (en) * 2020-09-25 2024-04-09 浙江辉博电力设备制造有限公司 Grid site selection clustering method for charging station
KR20220055723A (en) * 2020-10-27 2022-05-04 현대자동차주식회사 Vehicle stop point extraction method and operation server using the same
CN112381313A (en) * 2020-11-23 2021-02-19 国网北京市电力公司 Charging pile address determination method and device
KR20230105298A (en) * 2022-01-03 2023-07-11 고려대학교 산학협력단 Method of Optimal Placement of Electric Vehicle Charging Station for Charging Demand Dispersion
CN115147159A (en) * 2022-07-15 2022-10-04 北京航空航天大学 Optical storage and charging integrated bus charging station site selection method

Similar Documents

Publication Publication Date Title
KR20130089909A (en) Optimization method for location of battery changing machine station of electric buses
Verma et al. A comprehensive review on NSGA-II for multi-objective combinatorial optimization problems
Bai et al. A bi-objective model for location planning of electric vehicle charging stations with GPS trajectory data
Straka et al. Predicting popularity of electric vehicle charging infrastructure in urban context
Yang et al. Deploying battery swap stations for shared electric vehicles using trajectory data
Li et al. Public charging station location determination for electric ride-hailing vehicles based on an improved genetic algorithm
Novosel et al. Agent based modelling and energy planning–Utilization of MATSim for transport energy demand modelling
Sheppard et al. Cost-effective siting of electric vehicle charging infrastructure with agent-based modeling
Li et al. GIS-based probabilistic modeling of BEV charging load for Australia
García-Fuentes et al. Towards smarter and more sustainable regenerative cities: the REMOURBAN model
Lin et al. Optimized allocation of scooter battery swapping station under demand uncertainty
Kucukvar et al. Environmental efficiency of electric vehicles in Europe under various electricity production mix scenarios
Ji et al. Optimizing the locations and sizes of solar assisted electric vehicle charging stations in an urban area
Venkitaraman et al. Electric vehicle charging network optimization using multi-variable linear programming and bayesian principles
Battapothula et al. Multi‐objective optimal planning of FCSs and DGs in distribution system with future EV load enhancement
Rao et al. Modeling electric taxis' charging behavior using real-world data
Kolosz et al. Modelling uncertainty in the sustainability of Intelligent Transport Systems for highways using probabilistic data fusion
De Lima et al. A specialized long-term distribution system expansion planning method with the integration of distributed energy resources
Kuvvetli Multi-objective and multi-period hydrogen refueling station location problem
Zhang et al. Integrated Bayesian networks with GIS for electric vehicles charging site selection
Wang et al. Deploying battery swap stations for electric freight vehicles based on trajectory data analysis
Zhang et al. An immune algorithm for solving the optimization problem of locating the battery swapping stations
Wang et al. Electrification of a citywide bus network: A data-driven micro-simulation approach
Velimirović et al. Determining the optimal route of electric vehicle using a hybrid algorithm based on fuzzy dynamic programming
Ala et al. Dynamic capacitated facility location problem in mobile renewable energy charging stations under sustainability consideration

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application