CN110287612B - 一种加氢站选址智能算法 - Google Patents

一种加氢站选址智能算法 Download PDF

Info

Publication number
CN110287612B
CN110287612B CN201910571743.7A CN201910571743A CN110287612B CN 110287612 B CN110287612 B CN 110287612B CN 201910571743 A CN201910571743 A CN 201910571743A CN 110287612 B CN110287612 B CN 110287612B
Authority
CN
China
Prior art keywords
hydrogen
station
fuel cell
stations
hydrogenation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910571743.7A
Other languages
English (en)
Other versions
CN110287612A (zh
Inventor
刘伟
严海涛
任晓晨
庞鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN201910571743.7A priority Critical patent/CN110287612B/zh
Publication of CN110287612A publication Critical patent/CN110287612A/zh
Application granted granted Critical
Publication of CN110287612B publication Critical patent/CN110287612B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Fuel Cell (AREA)

Abstract

本发明公开了一种加氢站选址智能算法，S1、根据区域内氢燃料电池汽车保有量和每座加氢站服务的氢燃料电池汽车数量，估算所述区域内氢燃料电池汽车加氢站数量；S2、建立区域的二维坐标模型，以到加氢站加氢的氢燃料电池汽车路上耗氢量最少为目标模型，求解加氢站坐标位置；S3、采用免疫算法求解所述目标模型，得到加氢站的最优布局，即若干个加氢站的位置坐标信息。本发明以电池汽车保有量、每座加氢站服务的氢燃料电池汽车数量、氢站建设费用和区域内氢燃料电池汽车流动信息，科学地对区域内加氢站进行选址，从而能对后续优化规划氢燃料电池汽车服务选址提供可靠的参考及有效指导，进而推动新能源汽车行业积极向前发展。

Description

一种加氢站选址智能算法
技术领域
本发明属于加氢站规划的技术领域，具体涉及一种加氢站选址智能算法。
背景技术
随着传统能源(石油)资源短缺以及对环境质量提出了更高的要求，新能源汽车，特别是技术更成熟的氢燃料电池汽车逐渐进入了我们的生活中，随着氢燃料电池汽车数量的增加，对加氢站的建设提出了需求，如何采用经济高效的方法布置加氢站的问题，提高新能源汽车加氢效率成为急需解决的问题。从新能源汽车这个角度来看，主要涉及到汽车去加氢站的路途中耗氢量最小，因此，在进行城市加氢站选址设计和优化时也主要是从居民居住位置和加氢站位置两个方面考虑。科学合理地确定加氢站空间布局，不仅能够直接降低加氢站的固定费用投资和投产后的运营成本，尤其对于吸引车主来加氢和城市交通压力均具有重要的现实意义。
发明内容
本发明的目的在于针对现有技术中的上述不足，提供一种加氢站选址智能算法，以解决或改善上述的问题。
为达到上述目的，本发明采取的技术方案是：
一种加氢站选址智能算法，其包括：
S1、根据区域内氢燃料电池汽车保有量和每座加氢站服务的氢燃料电池汽车数量，估算所述区域内氢燃料电池汽车加氢站数量；
S2、建立区域的二维坐标模型，以到加氢站加氢的氢燃料电池汽车路上耗氢量最少为目标模型，求解加氢站坐标位置；
S3、采用免疫算法求解所述目标模型，得到加氢站的最优布局，即若干个加氢站的位置坐标信息。
优选地，步骤S1中估算区域内氢燃料电池汽车加氢站数量的方法为：
M＝Q/K
其中，Q为区域新能源汽车的保有量，K为每座加氢站服务的新能源汽车数量，M为加氢站的数量。
优选地，步骤S2中的目标模型为：
Figure BDA0002111069960000021
目标模型的约束条件为：
Figure BDA0002111069960000022
其中，(xi,yi)为居民片区区域中心坐标，wi为加权系数，归一化处理后片区新能源汽车的保有量，Bi为各型号新能源汽车每公里平均耗氢量，(ui,vj)—所求各加氢站坐标；(lij)M×N为加氢站分布矩阵，其中：lij＝1表示i区域新能源汽车到j加氢站加氢，lij＝0表示i区域新能源汽车不到j充氢站加氢。
优选地，步骤S3中免疫算法求解所述目标模型的方法为：
S3.1、分析问题，对所求问题进行分析并写出问题解的目标函数；
S3.2、产生初始抗体群，对随机产生N个个体并从记忆库中提取M个个体构成初始群体；
S3.3、以个体期望繁殖率P为标准，对群体中各抗体进行评价：
Figure BDA0002111069960000023
其中α为常数，
Figure BDA0002111069960000024
为抗体与抗原间亲和力；
Figure BDA0002111069960000025
为抗体与抗体间亲和力，其中
Figure BDA0002111069960000026
kv,s为抗体v与抗体s中相同的位数，L为抗体长度；
S3.4、形成父代群体。将初始群体按期望繁殖率P进行降序排列，并取前N个个体构成父代群体，同时取前M个个体存入记忆库中；
S3.5、判断是否满足结束条件，即到加氢站加氢的氢燃料电池汽车路上耗氢量最少，若满足，则结束；若不满足，则继续下一步操作；
S3.6、新群体的产生，基于步骤S3.4的计算结果对抗体群体进行选择、交叉、变异操作得到新群体，再从记忆库中取出记忆的个体，共同构成新一代群体，即若干个满足目标函数的解；
S3.7、转回执行步骤S3.3。
优选地，对步骤S3得到的若干个加氢站的位置进行进一步优化，其方法包括：
根据加氢站建设费用和区域内氢燃料电池汽车流动信息，基于K中心聚类算法建立若干个加氢站中氢燃料电池汽车选址优化模型；
在K中心聚类算法进过多次迭代计算后，得到若干个加氢站中满足迭代次数和误差范围内的最优加氢站选址位置。
本发明提供的加氢站选址智能算法，具有以下有益效果：
本发明以电池汽车保有量、每座加氢站服务的氢燃料电池汽车数量、氢站建设费用和区域内氢燃料电池汽车流动信息，科学地对区域内加氢站进行选址，从而能对后续优化规划氢燃料电池汽车服务选址提供可靠的参考及有效指导，进而推动新能源汽车行业积极向前发展。
附图说明
图1为加氢站选址智能算法的流程图。
图2为加氢站选址智能算法免疫算法流程图。
图3为加氢站选址智能算法仿真结果图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
根据本申请的一个实施例，参考图1，本方案的加氢站选址智能算法，包括：
S1、根据区域内氢燃料电池汽车保有量和每座加氢站服务的氢燃料电池汽车数量，估算所述区域内氢燃料电池汽车加氢站数量；
S2、建立区域的二维坐标模型，以到加氢站加氢的氢燃料电池汽车路上耗氢量最少为目标模型，求解加氢站坐标位置；
S3、采用免疫算法求解所述目标模型，得到加氢站的最优布局，即若干个加氢站的位置坐标信息。
以下对上述步骤进行详细说明
步骤S1、估算区域内氢燃料电池汽车加氢站数量的方法为：
M＝Q/K
其中，Q为区域新能源汽车的保有量，K为每座加氢站服务的新能源汽车数量，M为加氢站的数量。
步骤S2，求解加氢站坐标，使到站加氢的新能源汽车路上耗氢量最少，其目标模型为：
Figure BDA0002111069960000041
目标模型的约束条件为：
Figure BDA0002111069960000042
其中，(xi,yi)为居民片区区域中心坐标，wi为加权系数，归一化处理后片区新能源汽车的保有量，Bi为各型号新能源汽车每公里平均耗氢量，(uj,vj)—所求各加氢站坐标；(lij)M×N为加氢站分布矩阵，其中：lij＝1表示i区域新能源汽车到j加氢站加氢，lij＝0表示i区域新能源汽车不到j充氢站加氢。
步骤S3中免疫算法求解所述目标模型的方法为：
S3.1、分析问题，对所求问题进行分析并写出问题解的目标函数；
S3.2、产生初始抗体群，对随机产生N个个体并从记忆库中提取M个个体构成初始群体；
S3.3、以个体期望繁殖率P为标准，对群体中各抗体进行评价：
Figure BDA0002111069960000051
其中α为常数，
Figure BDA0002111069960000052
为抗体与抗原间亲和力；
Figure BDA0002111069960000053
为抗体与抗体间亲和力，其中
Figure BDA0002111069960000054
kv,s为抗体v与抗体s中相同的位数，L为抗体长度；
S3.4、形成父代群体。将初始群体按期望繁殖率P进行降序排列，并取前N个个体构成父代群体，同时取前M个个体存入记忆库中；
S3.5、判断是否满足结束条件，即到加氢站加氢的氢燃料电池汽车路上耗氢量最少，若满足，则结束；若不满足，则继续下一步操作；
S3.6、新群体的产生，基于步骤S3.4的计算结果对抗体群体进行选择、交叉、变异操作得到新群体，再从记忆库中取出记忆的个体，共同构成新一代群体，即若干个满足目标函数的解；
S3.7、转回执行步骤S3.3。
对步骤S3得到的若干个加氢站的位置进行进一步优化，其方法包括：
根据加氢站建设费用和区域内氢燃料电池汽车流动信息，基于K中心聚类算法建立若干个加氢站中氢燃料电池汽车选址优化模型；
在K中心聚类算法进过多次迭代计算后，得到若干个加氢站中满足迭代次数和误差范围内的最优加氢站选址位置。
根据本申请的一个实施例，以成都市成华区为例详细说明本算法：
收集成华区各社区坐标参数及新能源(氢燃料电池)汽车保有量(如表一)并汇总，根据类比推算数学模型：M＝Q/K算出所需加氢站数量；因为本专利是对未来加氢站选址的一个设想，所以我们假设成华区的新能源汽车总保有量Q为16000辆，每座加氢站服务的新能源车数量K为4000辆，则通过类比推算数学模型：M＝Q/K算出所需加氢站数量M＝4。
表一：成都市成华区各社区坐标及新能源汽车保有量
序号 小区名称 经度 纬度 各社区保有量 加权系数
1 一里塘新型社区 104.138 30.73 712 0.045
2 合家园 104.117 30.73 345 0.022
3 怡里馨居 104.134 30.72 622 0.039
4 白莲小区二号院 104.110 30.72 809 0.051
5 东林商业广场 104.107 30.71 267 0.017
6 成都市试验中学青龙校区 104.120 30.70 334 0.021
7 瑞祥商厦 104.070 30.70 213 0.013
8 马克公馆二期 104.118 30.70 998 0.062
9 北湖印象 104.165 30.71 1021 0.064
10 恒大锦城 104.171 30.71 1239 0.077
11 桂林萃岛 104.185 30.71 34 0.002
12 西南财经大学天府学院 104.180 30.69 709 0.044
13 龙潭街道社区 104.162 30.70 417 0.026
14 天泽恒盛广场 104.170 30.69 201 0.013
15 蓝光乐彩城二期 104.135 30.69 621 0.039
16 龙光世纪中心 104.142 30.68 578 0.036
17 成都理工大学 104.147 30.67 1012 0.063
18 泰博理想城 104.123 30.68 198 0.012
19 祥宇商厦 104.115 30.68 246 0.015
20 电子科大继续教育学院 104.140 30.67 709 0.044
21 成都电大电子分校 104.103 30.66 520 0.033
22 成都东站 104.138 30.63 820 0.051
23 胜天人居 104.154 30.64 23 0.001
24 团结社区 104.143 30.65 219 0.014
25 保和小区 104.144 30.65 180 0.011
26 中粮锦云 104.125 30.66 331 0.021
27 东郊记忆 104.121 30.66 481 0.030
28 成华区行政学院 104.107 30.65 765 0.048
29 万年场居民区 104.114 30.64 442 0.028
30 双桥路社区 104.098 30.60 934 0.058
基于免疫算法运用MATLAB2016a仿真并输出所求加氢站的坐标值(X:经度值，Y：纬度值)，其结果参考图，可确保区域内的氢燃料电池汽车在去往最近的加氢站能源消耗最少。
对步骤S3得到的若干个加氢站的位置进行进一步优化，其方法包括：
根据加氢站建设费用和区域内氢燃料电池汽车流动信息，基于K中心聚类算法建立若干个加氢站中氢燃料电池汽车选址优化模型；
在K中心聚类算法进过多次迭代计算后，得到若干个加氢站中满足迭代次数和误差范围内的最优加氢站选址位置，该最优加氢站选址位置结合经济效益进行综合考虑，以汽车到达加氢站消耗能源最少的前提下进行计算优化所得，可有效减少投入成本。
本发明以电池汽车保有量、每座加氢站服务的氢燃料电池汽车数量、氢站建设费用和区域内氢燃料电池汽车流动信息，科学地对区域内加氢站进行选址，从而能对后续优化规划氢燃料电池汽车服务选址提供可靠的参考及有效指导，进而推动新能源汽车行业积极向前发展。
虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。

Claims (4)

1.一种加氢站选址智能算法，其特征在于，包括：
S1、根据区域内氢燃料电池汽车保有量和每座加氢站服务的氢燃料电池汽车数量，估算所述区域内氢燃料电池汽车加氢站数量；
S2、建立区域的二维坐标模型，以到加氢站加氢的氢燃料电池汽车路上耗氢量最少为目标模型，求解加氢站坐标位置；
目标模型为：
Figure FDA0002676053810000011
目标模型的约束条件为：
Figure FDA0002676053810000012
其中，(xi，yi)为居民片区区域中心坐标，wi为加权系数，归一化处理后片区新能源汽车的保有量，Bi为各型号新能源汽车每公里平均耗氢量，(uj，uj)为所求各加氢站坐标；(lij)M×N为加氢站分布矩阵，其中：lij＝1表示i区域新能源汽车到j加氢站加氢，lij＝0表示i区域新能源汽车不到j充氢站加氢；
S3、采用免疫算法求解所述目标模型，得到加氢站的最优布局，即若干个加氢站的位置坐标信息。
2.根据权利要求1所述的加氢站选址智能算法，其特征在于：所述步骤S1中估算区域内氢燃料电池汽车加氢站数量的方法为：
M＝Q/K
其中，Q为区域新能源汽车的保有量，K为每座加氢站服务的新能源汽车数量，M为加氢站的数量。
3.根据权利要求1所述的加氢站选址智能算法，其特征在于：所述步骤S3中免疫算法求解所述目标模型的方法为：
S3.1、分析问题，对所求问题进行分析并写出问题解的目标函数；
S3.2、产生初始抗体群，对随机产生N个个体并从记忆库中提取M个个体构成初始群体；
S3.3、以个体期望繁殖率P为标准，对群体中各抗体进行评价：
Figure FDA0002676053810000021
其中α为常数，
Figure FDA0002676053810000022
为抗体与抗原间亲和力；
Figure FDA0002676053810000023
为抗体与抗体间亲和力，其中
Figure FDA0002676053810000024
kv，s为抗体v与抗体s中相同的位数，L为抗体长度；
S3.4、形成父代群体，将初始群体按期望繁殖率P进行降序排列，并取前N个个体构成父代群体，同时取前M个个体存入记忆库中；
S3.5、判断是否满足结束条件，即到加氢站加氢的氢燃料电池汽车路上耗氢量最少，若满足，则结束；若不满足，则继续下一步操作；
S3.6、新群体的产生，基于步骤S3.4的计算结果对抗体群体进行选择、交叉、变异操作得到新群体，再从记忆库中取出记忆的个体，共同构成新一代群体，即若干个满足目标函数的解；
S3.7、转回执行步骤S3.3。
4.根据权利要求1所述的加氢站选址智能算法，其特征在于：对步骤S3得到的若干个加氢站的位置进行进一步优化，其方法包括：
根据加氢站建设费用和区域内氢燃料电池汽车流动信息，基于K中心聚类算法建立若干个加氢站中氢燃料电池汽车选址优化模型；
在K中心聚类算法进过多次迭代计算后，得到若干个加氢站中满足迭代次数和误差范围内的最优加氢站选址位置。
CN201910571743.7A 2019-06-28 2019-06-28 一种加氢站选址智能算法 Active CN110287612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910571743.7A CN110287612B (zh) 2019-06-28 2019-06-28 一种加氢站选址智能算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910571743.7A CN110287612B (zh) 2019-06-28 2019-06-28 一种加氢站选址智能算法

Publications (2)

Publication Number Publication Date
CN110287612A CN110287612A (zh) 2019-09-27
CN110287612B true CN110287612B (zh) 2020-11-06

Family

ID=68019391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910571743.7A Active CN110287612B (zh) 2019-06-28 2019-06-28 一种加氢站选址智能算法

Country Status (1)

Country Link
CN (1) CN110287612B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381325B (zh) * 2020-11-27 2023-11-21 云南电网有限责任公司电力科学研究院 一种加氢站规划方法
CN113034055B (zh) * 2021-04-30 2022-03-22 轻程(上海)物联网科技有限公司 一种氢能车站景智能运营平台
CN113139694B (zh) * 2021-05-11 2022-12-20 北京理工大学前沿技术研究院 一种加氢站选址方法及系统
CN115759568B (zh) * 2022-10-21 2024-01-19 大连海事大学 一种氢能高速公路加氢站选址规划方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8065243B2 (en) * 2008-04-18 2011-11-22 Air Liquide Large Industries U.S. Lp Optimizing operations of a hydrogen pipeline system
WO2017081687A1 (en) * 2015-11-10 2017-05-18 Ofek - Eshkolot Research And Development Ltd Protein design method and system
CN107705004A (zh) * 2017-09-26 2018-02-16 广东轻工职业技术学院 一种城市加油站选址方法
CN107861026B (zh) * 2017-11-02 2019-11-08 湖北工业大学 一种基于混合免疫算法的配电网故障定位方法
CN108616892B (zh) * 2018-03-16 2021-09-10 重庆邮电大学 一种基于混合免疫算法的4g基站选址方法
CN108596394B (zh) * 2018-04-28 2021-10-15 国网江苏电力设计咨询有限公司 一种多类型电动汽车充电站的选址协调配置方法

Also Published As

Publication number Publication date
CN110287612A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN110287612B (zh) 一种加氢站选址智能算法
Van der Kam et al. Diffusion of solar photovoltaic systems and electric vehicles among Dutch consumers: Implications for the energy transition
Namdeo et al. Spatial planning of public charging points using multi-dimensional analysis of early adopters of electric vehicles for a city region
CN108133302B (zh) 一种基于大数据的公共自行车潜在需求预测方法
Ge et al. The planning of electric vehicle charging station based on grid partition method
Atkinson-Palombo et al. The geography of advance transit-oriented development in metropolitan Phoenix, Arizona, 2000–2007
Xia et al. A hierarchical navigation strategy of EV fast charging based on dynamic scene
CN107330559A (zh) 一种多起终点多车型混载的定制公交线路规划方法
Booysen et al. Walking on sunshine: Pairing electric vehicles with solar energy for sustainable informal public transport in Uganda
CN104504229A (zh) 一种基于混合启发式算法的智能公交调度方法
CN105206046A (zh) 基于大数据的出租车服务站选址及可行性评价方法
Paffumi et al. European-wide study on big data for supporting road transport policy
Zhuge et al. Integrated modelling of autonomous electric vehicle diffusion: From review to conceptual design
CN107180274A (zh) 一种电动汽车充电设施规划典型场景选取和优化方法
Gong et al. Integrated planning of BEV public fast-charging stations
CN111460598B (zh) 一种基于机器学习的公交干线网生成方法
CN114511143A (zh) 基于组团划分的城市轨道交通线网生成方法
CN112347596A (zh) 一种城市公交线网优化方法
CN104821086B (zh) 一种定位大规模交通网络中低效路段组合的方法
CN110543976A (zh) 一种基于遗传算法的充电站布局优化方法
CN115660501A (zh) 电动汽车充电负荷可调裕度评估方法
Sharov et al. The Irkutsk transportation master plan solutions for public transport system development
CN108681741A (zh) 基于ic卡和居民调查数据的地铁通勤人群信息融合方法
Zhang et al. The research on planning of taxi sharing route and sharing expenses
CN112070334A (zh) 基于多智能理论的充换电站协调规划的方法及系统

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