CN111754039A - 纯电动公交线网综合集成优化设计的方法 - Google Patents
纯电动公交线网综合集成优化设计的方法 Download PDFInfo
- Publication number
- CN111754039A CN111754039A CN202010581155.4A CN202010581155A CN111754039A CN 111754039 A CN111754039 A CN 111754039A CN 202010581155 A CN202010581155 A CN 202010581155A CN 111754039 A CN111754039 A CN 111754039A
- Authority
- CN
- China
- Prior art keywords
- bus
- line
- pure electric
- charging
- network
- 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.)
- Granted
Links
- 238000013461 design Methods 0.000 title claims abstract description 128
- 238000005457 optimization Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 73
- 241000251468 Actinopterygii Species 0.000 claims abstract description 116
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 21
- 235000013305 food Nutrition 0.000 claims description 32
- 238000010276 construction Methods 0.000 claims description 28
- 230000000694 effects Effects 0.000 claims description 23
- 238000012546 transfer Methods 0.000 claims description 19
- 150000001875 compounds Chemical class 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000005265 energy consumption Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010187 selection method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000012821 model calculation Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 29
- 238000011160 research Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 13
- 230000019637 foraging behavior Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- GHJWNRRCRIGGIO-UHFFFAOYSA-N Fosfluconazole Chemical compound C1=NC=NN1CC(C=1C(=CC(F)=CC=1)F)(OP(O)(=O)O)CN1C=NC=N1 GHJWNRRCRIGGIO-UHFFFAOYSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 244000144980 herd Species 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种纯电动公交线网综合集成优化设计的方法,从全局最优化的视角出发,制定一个纯电动公交线网综合集成优化设计框架,实现公交线网布局规划、发车频率设置和充电站选址的综合设计方案;从公交线网运营者的视角出发,系统性分析纯电动公交线网运营过程,提取其中涉及的主要运营成本,并以此为基础,建立以总运营成本最小为设计目标的纯电动公交线网综合集成优化设计模型,通过有效控制运营成本减轻政府财政负担,并有效满足区域公交客流的运载需求;基于人工鱼群智能算法框架构建新的模型计算方法,为解决实际规模的城市纯电动公交线网优化设计问题提出更高效的求解思路。
Description
技术领域
本发明涉及纯电动公交技术领域,尤其涉及一种纯电动公交线网综合集成优化设计的方法。
背景技术
目前,国内外对纯电动公交线网优化设计问题的研究较少,且这些研究中的大多将公交线网布局规划、发车频率设置和充电站选址作为单独的问题而进行分析,未从全局最优化的视角出发,制定一个纯电动公交线网综合集成优化设计框架。从理论模型的切入点来看,现有研究在构建纯电动公交线网优化设计问题的计算目标时,未充分考虑由于纯电动公交车的使用和充电站的建设带来的运营成本过高,从而造成的政府财政负担过重的问题。从计算求解来看,现有研究在求解纯电动公交线网优化设计问题时所提出的计算方法尚未被证实能够运用于求解实际规模的纯电动公交线网优化设计问题,计算优点尚不明确。
现有的涉及纯电动公交线网优化的设计和研究例如Beltran等以公交线网运营成本、公交用户成本、私家车用户成本和外部成本的加权和最小为目标建立模型,进行包括传统柴油公交车、绿色车辆与私家车在内的多方式网络的优化研究,继而采用遗传算法确定最有效的线路子集和相应的发车频率,并以一个基准网络作为测试算例,对其进行优化研究;Pternea等构建以换乘惩罚、平均出行时间、常规公交车的尾气排放量、充电站数量、常规公交车数量和纯电动公交车数量的加权和最小为目标的非线性数学规划模型,进行公交网络布局优化研究;Fusco等以纯电动公交车和充电设施的投资成本和维修成本、人力成本、公交车的能耗和环境成本以及用户成本的加和最小为目标建立优化模型,解决公交网络设计问题。上述研究均为混合车辆运营下的公交网络优化设计研究,且均没有考虑充电设施选址问题;此外,Perrotta等基于一个仿真平台分析纯电动公交车在三种不同类型的公交线路,包括城市公交线路、城际公交线路和绕行线路上行驶的能耗特征,并以波尔图市内的三条公交线路为例进行能耗仿真,但未考虑发车频率设置和充电设施选址问题。
合理的充电设施选址优化不仅能够满足纯电动公交车的能源补给需求,而且能够与区域供配电系统相结合,避免造成不必要的资源浪费;Wang等在保证现状柴油公交线网不变的情况下,以最小化纯电动公交车充电系统年总运营成本为目标构建混合整数线性优化模型,进行快速充电设施选址和充电计划制定的综合优化研究;Wei等考虑在部分柴油公交车或压缩天然气公交车被替换成纯电动公交车的情况下,以纯电动公交车的购买成本和充电站的安装成本的加和最小为目标建立一个时空优化模型,进行快速充电站配置方案的优化设计,与此同时保证既有公交线路布局和发车频率不变;此外,Rogge等指出纯电动公交车的电池容量大小对于最小化运营成本和保证纯电动公交车的运营可行性同样至关重要。这是由于不同大小的电池容量将直接影响纯电动公交车的续航里程;对此,Kunith等和Rogge等致力于同时优化快速充电设施和纯电动公交车的电池容量;Chen等比较分析了不同类型充电设施,即充电站、电池交换站和充电车道间的成本竞争力;虽然等分析了纯电动公交车的使用对公交线网布局规划、发车频率设置、充电设施选址等的优化研究的影响,但各优化研究是分阶段逐一进行的,难以获得全局最优设计方案;Iliopoulou等建立双层优化模型同时进行公交线网布局和快速充电器选址的优化设计研究,继而采用基于粒子群最优算法框架的启发式算法求解所建立的优化模型。所提出的优化方法以一个基准网络作为测试算例,对其进行优化研究。
发明内容
本发明的实施例提供了一种纯电动公交线网综合集成优化设计的方法,用于解决现有技术中存在的问题。
为了实现上述目的,本发明采取了如下技术方案。
纯电动公交线网综合集成优化设计的方法,包括:
S1根据纯电动公交线网运营过程中的运营成本,构建总运营成本最小的目标函数;
S2基于该目标函数,结合约束条件,建立纯电动公交线网综合集成优化设计模型;
S3通过人工鱼群算法,求解该纯电动公交线网综合集成优化设计模型,首先根据该纯电动公交线网综合集成优化设计模型的决策变量,获得初始的纯电动公交线网设计方案;
S4基于该初始的纯电动公交线网设计方案,执行公交客流分配和充电站选址优化程序,更新每条线路的发车频率和整个线网中充电站的建设位置和数量;
S5基于总运营成本最小的目标函数,评价纯电动公交线网综合集成优化设计模型的解,获得优化的纯电动公交线网设计方案;
S6判断人工鱼群算法迭代是否达到预设的终止条件,若达到,结束求解纯电动公交线网综合集成优化设计模型,并输出最优的纯电动公交线网设计方案;否则,执行步骤S7;
S7通过行为选择方法,更新纯电动公交线网设计方案,并执行步骤S4中上述的执行公交客流分配和充电站选址优化程序,更新每条线路的发车频率和整个线网中充电站的建设位置和数量的过程。
优选地,上述的根据纯电动公交线网运营过程中的运营成本,构建总运营成本最小的目标函数包括:
式中,L为整个线网的公交线路集合,l∈L;cmo和cmb分别为一辆运营公交车和备用公交车的维修保养费用;和分别为l的运营公交车和备用公交车辆数;css为一位员工的平均工资;为l的人员配备数;为l上运营公交车从运输服务发车站始发或完成一次充电后实际可执行的运输服务次数;ce为电价;为与速度相关的单位距离能耗量;dtl为l上运营公交车执行一次运输服务的行驶距离;Cl为l上的充电活动集合;为l的运输服务发车站;N为整个线网的候选充电站集合,n∈N;ccn为n的建设成本;αn为n的日化系数,用以将每个候选充电站n的建设成本折合成一天的建设成本;zn为0-1变量,若在n处建充电站,取值为1,否则取值为0;
式中,为l上运营公交车从运输服务发车站始发或完成一次充电后可执行的运输服务次数;为在考虑道路交通安全法规定的司机一次连续运营工作时间上限的情况下l上运营公交车能够执行的运输服务次数;vl为l上运营公交车的平均行驶速度;为l上运营公交车从运输服务发车场站始发或完成一次充电后能够执行运输服务的总行驶距离;为道路交通安全法规定的司机一次连续运营工作时间上限;M为纯电动公交车类型,m∈M;为任意一条线路上一辆m型运营公交车从运输服务发车站始发或完成一次充电后的可用电池电量;为0-1变量,若l上配备m型运营公交车,取值为1,否则取值为0;为任意一条线路上一辆m型运营公交车从运输服务发车站始发或完成一次充电后的电池电量;emin为最小电池剩余电量;ru为电池利用率。
优选地,约束条件包括线路约束条件、充电站约束条件、车辆运营约束条件和充电计划约束条件;
线路约束条件包括:
通过distod-ψ(1-δod)>0 o≠d(13)保证公交线网是连通状态;
式中,dlmin和dlmax分别为最小和最大线路长度;fl为l的平均发车频率;fmin和fmax分别为最小和最大平均发车频率;S为整个线网的公交站点集合;为0-1变量,若l的上行方向经过运营区段hk,取值为1,否则取值为0;为0-1变量,若l的下行方向经过运营区段kh,取值为1,否则取值为0;为l的起、终点站间的空间直线距离;distod为站点o、d间的最短距离;ψ为给定的一个大的正数;δod为0-1变量,若o到d能找到至少一条公交出行路径,取值为1,否则取值为0;
充电站约束条件包括:
车辆运营约束条件包括:
式中,为0-1变量,若运营公交车执行线路l上的运输服务i后执行线路l′上的运输服务j,取值为1,否则取值为0;Tl′为l′上的运输服务集;为l上一辆运营公交车的额定载客量;qhk为站点h、k间的公交客流需求;为l的运输服务结束站;为0-1变量,若运营公交车在l上完成事件i后执行下一次事件j,取值为1,否则取值为0;NOmax为最大运营公交车辆数;为l上运营公交车的日载客量;和分别为l上一辆运营公交车执行运输服务i和i-1的开始时刻;TR为整个线网的换乘站点集合,tr∈TR;为l′上运输服务j在tr处的开始时刻;为l上运营公交车从运输服务i的起点站至tr的行驶距离;ttr为tr处的换乘惩罚;为0-1变量,若存在乘客在tr处由l的运输服务i换乘至l′的运输服务j,取值为1,否则取值为0;
充电计划约束条件包括:
通过表示当时,即任意一条线路l上一辆m型运营公交车从发车站始发或完成充电后的可用电池电量能够保证该辆运营公交车完成至少一次运输服务;当i∈Tl时,即任意一条线路l上一辆m型运营公交车完成运输服务i后不需要充电而是继续执行运输服务,则该辆运营公交车完成运输服务i后的可用电池电量应不小于其完成至少一次运输服务消耗的电池电量;
式中,为l上一辆m型运营公交车的满充电池电量;rc为充电效率;为l上一辆m型运营公交车从最小电池剩余电量至满充电池电量时的充电持续时间;为l上一辆运营公交车在完成运输服务后从运输服务终点站至充电站n的空驶距离;为l上一辆运营公交车执行运输服务j的开始时刻;和分别为l上一辆运营公交车在充电站n执行充电活动j和i的开始时刻;为l上一辆运营公交车在充电站n执行充电活动i的持续时间。
优选地,上述的通过人工鱼群算法,求解该纯电动公交线网综合集成优化设计模型,首先根据该纯电动公交线网综合集成优化设计模型的决策变量,获得纯电动公交线网的初始设计方案包括:
S31设置用于求解纯电动公交线网综合集成优化设计模型的算法参数;
S32基于该算法参数以及纯电动公交线网综合集成优化设计模型的决策变量,构建初始人工鱼群。
优选地,步骤S31中,算法参数包括:人工鱼群规模PM,最大迭代次数FNI,人工鱼的感知距离Visual,拥挤度因子δ,试探次数try_number,公告板无变化时的最大迭代次数NUC,交叉概率proc和变异概率prom;
步骤S32包括:
对纯电动公交线网综合集成优化设计模型的解进行初始化,依据纯电动公交线网综合集成优化设计模型的决策变量,获得每条人工鱼的状态,用于代表纯电动公交线网综合集成优化设计模型的一个解,该包括每条人工鱼的状态:所有线路的站点序列,初始化为现状公交线网;该所有线路中每条线路的服务充电站的数字编号;该所有线路中每条线路的平均发车频率和运营公交车辆数;
将所有线路中每条线路的平均发车频率初始化为最小发车频率,根据每条线路上的平均发车频率,并通过公式确定每条线路的运营公交车辆数,并判断该每条线路的运营公交车辆数是否满足约束条件(18),若不满足,则基于约束条件(8),随机产生该条线路上的新的平均发车频率,重复选择新的平均发车频率直至满足约束条件(18),将该新的平均发车频率和运营公交车辆数用于对纯电动公交线网综合集成优化设计模型的解进行初始化;
最终将生成的一个纯电动公交线网综合集成优化设计模型的解复制成PM个,构成初始人工鱼群。
优选地,上述的基于该初始的纯电动公交线网设计方案,执行公交客流分配和充电站选址优化程序,更新每条线路的发车频率和整个线网中充电站的建设位置和数量包括:
构建公交客流分配程序的过程包括:
通过公式计算最短路径;若OD对间存在一条该最短路径,则OD对间的乘客将全部选择该最短路径出行;若OD间存在多条最短路径,则乘客将选择换乘次数少的最短路径出行;若该多条最短路径为相同类型,则乘客将基于每条最短路径的发车频率进行选择;
基于约束条件(18)计算每条线路上配备的运营公交车辆数;根据每条线路上配备的运营公交车辆数,通过公式(33)计算每条线路的平均发车频率;
式中,gep为OD对间出行路径ep上的乘客总广义出行成本;itep、wtep和ttep分别为ep上的总在车出行时间、总等待乘车时间和总换乘惩罚;tdep为ep上的总出行距离;和分别为总在车出行时间、总等待乘车时间和总换乘惩罚的单位时间广义货币成本;为与公交票价相关的单位距离货币成本;
构建充电站选址优化程序的过程包括:
基于每条线路上运输服务的起点与每个候选充电站间的最短路线计算两点间的空驶距离,将每条线路上的运营公交车安排至距离其最近的候选充电站充电,获得充电站的建设位置和数量以及整个线网的总空驶距离。
优选地,上述的基于总运营成本最小的目标函数,评价纯电动公交线网综合集成优化设计模型的解,获得优化的纯电动公交线网设计方案包括:
基于目标函数的公式(1)计算初始人工鱼群中每条人工鱼所处状态的食物浓度,并与人工鱼群算法的公告板中记录的解进行比较,若优于公告板中记录的解,则更新公告板记录的解,并且对公告板未连续更新的次数重置为1;否则,保留公告板中记录的解,并且对公告板未连续更新的次数加1。
优选地,步骤S6包括:判断通过人工鱼群算法求解的纯电动公交线网综合集成优化设计模型的迭代次数是否满足预设最大迭代次数,若达到,结束求解纯电动公交线网综合集成优化设计模型,并输出最优的纯电动公交线网优化设计方案;否则,执行步骤S7;
步骤S7具体包括:
S701采用双向随机抽样,每次从人工鱼群中选择两条人工鱼AFa和AFa′;令AFSa和AFSa′分别为AFa和AFa′的状态,N(AFa)和N(AFa′)分别为AFa和AFa′的领域集合;一条人工鱼AFb被称为是位于领域集合N(AFa)/N(AFa′)内的人工鱼当且仅当AFb与AFa/AFa′间的距离小于Visual,式中,la,w和lb,v分别为AFSa中第w条线路和AFSb中第v条线路;λ为0-1变量,若线路la,w和lb,v的走向和途径的站点一样,取值为1,否则取值为0;
S702令AFSb表示N(AFa)中的一条人工鱼的状态,通过公式计算线网重复系数;N(AFa)中线网重复系数最大的人工鱼的状态被称为N(AFa)的中心状态;令FCa和FCcen分别为AFSa和AFScen处的食物浓度;若FCcen|N(AFa)|<δFCa且N(AFa)为非空集合,则通过公式r_step=Visual×prorandom(37)和prorandom=Random[0,1](38)计算随机步长r_step,并在AFScen上选取长度等于随机步长的连续元素片段,用于替换AFSa上相同位置处的连续元素片段,并保持AFSa中其它元素片段不变,更新AFSa的状态为新的状态AFSa,next;若N(AFa)为非空集合且FCcen|N(AFa)|≥δFCa,则执行步骤S703;
S703令AFSb为在N(AFa)内随机选择的一条人工鱼的状态,FCb为AFSb处的食物浓度;若FCb>FCa,AFa向AFSb随机前进一步,并更新AFSa的状态;若FCb≤FCa,重新从N(AFa)中随机选择一条人工鱼,判断所选人工鱼的状态处的食物浓度是否大于FCa,若满足,则更新AFSa的状态,若反复执行预设次数后仍不满足,则执行步骤S704;若N(AFa)为空集,则执行步骤S704;
S704在AFSa中随机选择一条线路,若prorandom小于给定的概率分界值prodivd,则整体变动该被选择线路,若prorandom≥prodivd,则部分变动该被选择线路;重复执行该子步骤,直至完成AFSa中r_step线路的变动;
S705令AFSbest为领域N(AFa′)内的最优状态;令FCbest为AFSbest处的食物浓度;若N(AFa′)为非空集合时满足FCbest|N(AFa′)|<δFCa′,则AFa′朝AFSbest随机前进;若N(AFa′)为非空集合时FCbest|N(AFa′)|≥δFCa′,则执行步骤S706;
S706令AFSb为在N(AFa′)内随机选择的一条人工鱼的状态,FCb为AFSb处的食物浓度;若FCb>FCa′,则更新AFSa′的状态;若FCb≤FCa′,重新从N(AFa′)中随机选择一条人工鱼,判断所选人工鱼的状态处的食物浓度是否大于FCa′,若满足,则更新N(AFa′)的状态,若反复执行预设次数后仍不满足或N(AFa′)为空集,则执行步骤S707;
S707在AFSa′中随机选择一条线路,若prorandom小于给定的概率分界值prodivd,则整体变动该被选择线路,若prorandom≥prodivd,则部分变动该被选择线路;重复执行该子步骤,直至完成AFSa′中r_step线路的变动;
重复执行上述子步骤S701至S707PM/2次,更新纯电动公交线网布局方案;
上述子步骤S703和S705的执行顺序不分先后;
S708若公告板连续无变化次数未达到预设值,执行步骤S4;若公告板连续无变化次数达到预设值,则通过交叉运算和变异运算对纯电动公交线网布局方案进行更新,重复该子步骤PM/2次,执行步骤S4。
由上述本发明的实施例提供的技术方案可以看出,本发明提供的纯电动公交线网综合集成优化设计的方法,针对现有研究中的大多将公交线网布局规划、发车频率设置和充电站选址问题作为单独的问题而进行分析的现状,从全局最优化的视角出发,制定一个纯电动公交线网综合集成优化设计框架,实现公交线网布局规划、发车频率设置和充电站选址的综合设计方案;从公交线网运营者的视角出发,系统性分析纯电动公交线网运营过程,提取其中涉及的主要运营成本,并以此为基础,建立以总运营成本最小为设计目标的纯电动公交线网综合集成优化设计模型,通过有效控制运营成本减少能耗以及减轻政府财政负担,并有效满足区域公交客流的运载需求;基于人工鱼群智能算法框架构建新的模型计算方法,为解决实际规模的城市纯电动公交线网优化设计问题提出更高效的求解思路。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的纯电动公交线网综合集成优化设计的方法的处理流程图;
图2为本发明提供的纯电动公交线网综合集成优化设计的方法的一种优选实施例的处理流程图;
图3为本发明提供的纯电动公交线网综合集成优化设计的方法中一条人工鱼状态的表示形式示意图;
图4为本发明提供的纯电动公交线网综合集成优化设计的方法的人工鱼前进规则示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明提供纯电动公交线网综合集成优化设计的方法,旨在解决现有技术中存在的如下问题:
现有对于纯电动公交线网优化设计问题的研究较少,且这些研究中的大多将公交线网布局规划、发车频率设置和充电站选址问题作为单独的问题而进行分析。虽然,部分研究同时进行了公交线网布局规划和充电设施选址的优化设计研究,但未考虑对发车频率的优化设置,致使纯电动公交线网优化设计问题难以实现整体最优设计方案;
现有研究在建立纯电动公交线网优化设计问题的设计目标时,未充分考虑由于纯电动公交车的使用和充电站的建设带来的运营成本过高,从而造成的政府财政负担过重的问题,且对运营成本的构成考虑不够全面,例如仅以充电器数量作为运营成本;
由于包含公交线网布局规划、发车频率设置和充电站选址三个子问题,纯电动公交线网优化设计问题具有离散性、非线性、非凸性和组合复杂性,从而使得整体问题的解析量化难度大,加之该问题求解准确度要求较高,因此需要高效、合理的计算方法进行求解。虽然现有研究在解决纯电动公交线网优化设计问题时提出了遗传算法、粒子群优化算法等启发式算法,但这些算法尚未被证实能够运用于解决实际规模的纯电动公交线网优化设计问题,计算优点尚不明确。人工鱼群算法作为近年来提出的群智能启发式优化算法,具有很强的跳出局部极值的能力,对初值的要求不高及寻优速度快的优点,已被成功应用于解决各种领域内复杂的实际问题,但尚未被运用于求解纯电动公交线网优化设计问题。
参见图1和2,本发明提供的纯电动公交线网综合集成优化设计的方法,包括:
S1根据纯电动公交线网运营过程中涉及的主要运营成本,构建总运营成本最小的目标函数;
S2基于该目标函数,结合约束条件,建立纯电动公交线网综合集成优化设计模型;
S3通过人工鱼群算法,求解该纯电动公交线网综合集成优化设计模型,首先根据该纯电动公交线网综合集成优化设计模型的决策变量,获得初始的纯电动公交线网设计方案;
S4基于该初始的纯电动公交线网设计方案,执行公交客流分配和充电站选址优化程序,更新纯电动公交线网设计方案中每条线路的发车频率和整个线网充电站的建设位置和数量;
S5基于所述总运营成本最小的目标函数,评价纯电动公交线网综合集成优化设计模型的解,获得优化的纯电动公交线网设计方案;
S6判断人工鱼群算法迭代是否达到预设的终止条件,若达到,结束求解所述纯电动公交线网综合集成优化设计模型,获得合理的纯电动公交线网布局、每条线路的发车频率与整个线网充电站的建设位置和数量,并输出最优的纯电动公交线网设计方案;否则,执行步骤S7;
S7通过行为选择方法,更新纯电动公交线网设计方案,并执行所述步骤S4中的执行公交客流分配和充电站选址优化程序,更新纯电动公交线网设计方案中每条线路的发车频率和整个线网充电站的建设位置和数量,以及步骤S5和S6。
在本发明提供的实施例中,纯电动公交车运营数据包括了从历史运营数据以及为了实现预定目标设置的条件数据。上述步骤S1具体包括:
给定一个基础道路网络,表示为无向图G=(I,A),I为研究区域内的点集,包括公交站点集S和候选充电站集N。A表示连接两个相邻可连接点的路段集。每条公交线路由一系列的点和连接点的路段所定义,具有上下行两个方向。公交车在线路上逐站停靠,且不存在跨线运营的情况。每条线路上仅配备纯电动公交车。此外,充电站仅建设在公交场站。每条线路仅由一个充电站服务,而一个充电站可服务多条线路。本发明不限制充电站内的充电桩数量,且不考虑排队充电的情况。
一次运输服务表示公交车从线路的上行方向的起点站出发,完成上行方向的行驶后,在终点站折返,继续完成下行方向的行驶,直至到达下行方向的终点站的一次往返运输。一次空驶表示公交车从运输服务的终点站行驶至充电站或是从充电站行驶至运输服务的起点站的一次空载行驶。为具体说明公交车的运营过程,每个充电站被复制成4个站,即运输服务发车站、运输服务结束站、充电活动开始站和充电活动结束站。运营开始时,公交车从运输服务发车站发车。在运营过程中,若需要充电,公交车将从运输服务的终站点空驶至充电活动开始站进行充电,并在完成充电后从充电活动结束站发车。若不需要充电,公交车将在运输服务的终站点折返至下一次运输服务的起点站,继续开始执行下一次运输服务。公交车执行完运营时段内的所有运输服务后将返回运输服务结束站。公交车的整备工作在其充电过程中完成。输入数据包括OD(origin destination)出行需求矩阵、任意两点间的出行时间以及运输网络中每个点的位置和连接各点间的实际道路路段集。
考虑到实际生活中任意两个公交站点之间的出行需求的波动性、公交出行者乘车行为的随机性以及运营公交车行驶过程中的道路交通状况均难以准确预判,所建立模型的前提假设为:1)公交出行需求固定不变;2)忽略交通拥堵,每条线路上公交车的平均行驶速度相同;3)所有线路一天内的运营时段相同。
上述总运营成本最小的目标函数包括:
式中,L为整个线网的公交线路集合,l∈L;cmo和cmb分别为一辆运营公交车和备用公交车的维修保养费用;和分别为l的运营公交车和备用公交车辆数;css为一位员工的平均工资;为l的人员配备数;为l上运营公交车从运输服务发车站始发或完成一次充电后实际可执行的运输服务次数;ce为电价;为与速度相关的单位距离能耗量;dtl为l上运营公交车执行一次运输服务的行驶距离;Cl为l上的充电活动集合;为l的运输服务发车站;N为整个线网的候选充电站集合,n∈N;ccn为n的建设成本;αn为n的日化系数,用以将每个候选充电站n的建设成本折合成一天的建设成本;zn为0-1变量,若在n处建充电站,取值为1,否则取值为0;
式中,为l上运营公交车从运输服务发车站始发或完成一次充电后可执行的运输服务次数;为在考虑道路交通安全法规定的司机一次连续运营工作时间上限的情况下l上运营公交车能够执行的运输服务次数;vl为l上运营公交车的平均行驶速度;为l上运营公交车从运输服务发车场站始发或完成一次充电后能够执行运输服务的总行驶距离;为道路交通安全法规定的司机一次连续运营工作时间上限;M为纯电动公交车类型,m∈M;为任意一条线路上一辆m型运营公交车从运输服务发车站始发或完成一次充电后的可用电池电量;为0-1变量,若l上配备m型运营公交车,取值为1,否则取值为0;为任意一条线路上一辆m型运营公交车从运输服务发车站始发或完成一次充电后的电池电量;emin为最小电池剩余电量;ru为电池利用率。
本发明建立以总运营成本最小为设计目标的纯电动公交线网综合集成优化设计模型,该模型通过上述目标函数结合约束条件建立,在本发明提供的实施例中,该约束条件包括线路约束条件、充电站约束条件、车辆运营约束条件和充电计划约束条件;
所述线路约束条件包括:
通过distod-ψ(1-δod)>0 o≠d(13)保证公交线网是连通状态;
式中,dlmin和dlmax分别为最小和最大线路长度;fl为l的平均发车频率;fmin和fmax分别为最小和最大平均发车频率;S为整个线网的公交站点集合;为0-1变量,若l的上行方向经过运营区段hk,取值为1,否则取值为0;为0-1变量,若l的下行方向经过运营区段kh,取值为1,否则取值为0;为l的起、终点站间的空间直线距离;distod为站点o、d间的最短距离;ψ为给定的一个大的正数;δod为0-1变量,若o到d能找到至少一条公交出行路径,取值为1,否则取值为0;
所述充电站约束条件包括:
所述车辆运营约束条件包括:
式中,为0-1变量,若运营公交车执行线路l上的运输服务i后执行线路l′上的运输服务j,取值为1,否则取值为0;Tl′为l′上的运输服务集;为l上一辆运营公交车的额定载客量;qhk为站点h、k间的公交客流需求;为l的运输服务结束站;为0-1变量,若运营公交车在l上完成事件i后执行下一次事件j,取值为1,否则取值为0;NOmax为最大运营公交车辆数;为l上运营公交车的日载客量;和分别为l上一辆运营公交车执行运输服务i和i-1的开始时刻;TR为整个线网的换乘站点集合,tr∈TR;为l′上运输服务j在tr处的开始时刻;为l上运营公交车从运输服务i的起点站至tr的行驶距离;ttr为tr处的换乘惩罚;为0-1变量,若存在乘客在tr处由l的运输服务i换乘至l′的运输服务j,取值为1,否则取值为0;
所述充电计划约束条件包括:
通过表示当时,即任意一条线路l上一辆m型运营公交车从发车站始发或完成充电后的可用电池电量能够保证该辆运营公交车完成至少一次运输服务;当i∈Tl时,即任意一条线路l上一辆m型运营公交车完成运输服务i后不需要充电而是继续执行运输服务,则该辆运营公交车完成运输服务i后的可用电池电量应不小于其完成至少一次运输服务消耗的电池电量;
式中,为l上一辆m型运营公交车的满充电池电量;rc为充电效率;为l上一辆m型运营公交车从最小电池剩余电量至满充电池电量时的充电持续时间;为l上一辆运营公交车在完成运输服务后从运输服务终点站至充电站n的空驶距离;为l上一辆运营公交车执行运输服务j的开始时刻;和分别为l上一辆运营公交车在充电站n执行充电活动j和i的开始时刻;为l上一辆运营公交车在充电站n执行充电活动i的持续时间;
结合所构建的总运营成本最小的目标函数以及线路约束条件、充电站约束条件、车辆运营约束条件和充电计划约束条件,最终建立所述的纯电动公交线网综合集成优化设计模型。
在本发明提供的实施例中,纯电动公交线网综合集成优化的模型基于人工鱼群智能算法构建。该算法由李晓磊等于2002年提出,其基本思想来源于鱼总能通过聚群行为、追尾行为、觅食行为或随机行为在一片水域中找到食物浓度比较高、营养比较丰富的地方。聚群行为指人工鱼通过搜索其领域内的中心状态来更新当前状态。追尾行为指人工鱼通过搜索其领域内的食物浓度最高的状态来更新当前状态。觅食行为指人工鱼在其领域内通过进行一定次数的随机搜索来找到一个相较于其当前所处状态下食物浓度更高的状态来更新当前状态。随机行为指人工鱼通过随机朝其感知范围内的某一状态前进一步来更新当前状态。人工鱼群智能算法具有很强的跳出局部极值的能力,对初值要求不高以及寻优速度快的优点,但尚未被运用于求解公交线网优化设计问题。本发明中一条人工鱼的状态代表模型的一个解。在算法迭代过程中,每条人工鱼通过执行聚群行为、追尾行为、觅食行为或随机行为来搜索一个新的公交线网布局。在此期间,公交客流分配和充电站选址优化程序将被执行,用以更新每条线路的平均发车频率和运营公交车辆数及整个线网中充电站的建设数量和位置。此外,若公告板在经过给定次迭代次数后仍不改变,交叉和变异算子将被执行以克服算法后期收敛速度变慢和鱼群多样性变差的缺点。公交线路数和公交站点在算法迭代过程保持不变。
图2显示了一些优选实施例中求解纯电动公交线网综合集成优化模型,获得纯电动公交线网综合集成结果,以及优化该集成结果的过程,包括如下子步骤:
S31设置用于求解所述纯电动公交线网综合集成优化设计模型的算法参数;
S32基于该算法参数以及所述纯电动公交线网综合集成优化设计模型的决策变量,构建初始人工鱼群。
进一步的,子步骤S31中,算法参数包括:人工鱼群规模PM,最大迭代次数FNI,人工鱼的感知距离Visual,拥挤度因子δ,试探次数try_number,公告板无变化时的最大迭代次数NUC,交叉概率proc和变异概率prom。
子步骤S32包括对所述纯电动公交线网综合集成优化设计模型的解进行初始化,具体为:依据所建立模型的决策变量,获取每条人工鱼的状态AFSa,用于代表模型的一个解,在一些优选实施例中,该每条人工鱼的状态由四个表的形式组成,如图3所示。AFSa中每一竖列构成一个元素片段。表1为包含所有线路的站点序列。每条线路由站点数字编号表示。考虑到人工鱼群智能算法对初值要求不高,图3中的表1初始化为现状公交线网。表2为对应表1中每条线路的服务充电站的数字编号。表3和表4分别为对应表1中每条线路的平均发车频率和运营公交车辆数。每条线路的平均发车频率初始化为最小发车频率。根据每条线路上的平均发车频率,通过公式(33)确定每条线路的运营公交车辆数,继而判断每条线路所配备的运营公交车辆数能否满足其上每个区段的运输需求,即是否满足约束条件(18)。若不满足,则在满足约束条件(8)的前提下,随机产生该条线路上的新的平均发车频率。重复选择新的平均发车频率直至满足约束条件(18),将该新的平均发车频率和运营公交车辆数用于解的初始化,在本实施例中将其作为可行初始解,分别构成表3和表4。最终将生成的一个初始解复制成PM个,构成初始人工鱼群。记迭代次数fni=1,nuc=1。
其中,tl为线路l上单方向的运营时间(小时)。
在本实施例中,纯电动公交线网布局方案包括公交客流分配和充电站选址。通过执行公交客流分配和充电站选址优化程序,更新每条线路的发车频率和整个线网中充电站的建设位置和数量。
其中,构建公交客流分配程序的过程包括:
公交客流需求须被分配至新构建的公交线网中以计算每条新线路的平均发车频率和运营公交车辆数。公交出行需求被集聚在公交站点处。由于从公交线网运营者的视角出发进行纯电动公交线网优化设计,因此公交线网运营者只需提供足够的运营公交车将公交线网中所有站点对间的出行需求从出行起始站运送至出行终到站即可。但是,OD对间通常存在多条出行路径供该OD对间的乘客选择。对此,本发明规定每个OD对间的乘客选择该OD对间的最短路径出行,即乘客总广义出行成本最小的出行路径,由公式(34)计算获得,
其中,gep为OD对间出行路径ep上的乘客总广义出行成本(元);itep、wtep和ttep分别为ep上的总在车出行时间、总等待乘车时间和总换乘惩罚(小时);tdep为ep上的总出行距离(千米);和分别为总在车出行时间、总等待乘车时间和总换乘惩罚的单位时间广义货币成本(元/小时);为与公交票价相关的单位距离货币成本(元/千米)。
若OD对间存在一条上述通过公式(34)计算获得的最短路径,则OD对间的乘客将全部选择该最短路径出行。若OD间存在多条最短路径,则乘客将选择换乘次数少的最短路径出行。若这些最短路径为相同类型,即均为直达路径或均为需要换乘相同次数的路径,则乘客将基于每条最短路径的发车频率进行选择,即发车频率大的线路能够分配到较多的客流量。随后,采用上述约束条件的公式(13)计算每条线路上配备的运营公交车辆数,即保证每条线路上配备的运营公交车辆数满足其上行和下行方向的最大运营区段公交客流量。根据每条线路上配备的运营公交车辆数,采用公式(33)计算每条线路的平均发车频率。
充电站分配方案的获取过程包括:
基于每条线路上运输服务的起点与每个候选充电站间的最短路线计算两点间的空驶距离,继而将每条线路上的运营公交车安排至距离其最近的候选充电站充电以确定线网中每条线路对应的服务充电站,进而确定充电站的建设位置和数量以及整个线网的总空驶距离。
在本发明提供的实施例中,上述步骤S6具体包括:
基于公式(1)计算每条人工鱼所处状态的食物浓度,并与公告板中记录的人工鱼所处状态的食物浓度进行比较。若优于公告板中记录的值,则更新公告板中的值为新的人工鱼状态,重置nuc=1。否则保留公告板中的值,记nuc=nuc+1。由于本发明所建立的设计目标为极小值问题,因此人工鱼所处状态的食物浓度越高表示其对应的设计目标值越低。
若fni=FNI,迭代结束,输出公告板中的值。若fni<FNI,执行步骤S7。
由于人工鱼群算法存在频繁选择最优解的问题,在本发明提供的实施例中,为避免食物浓度高的人工鱼被频繁选择,通过行为选择方法对纯电动公交线网综合集成优化模型的解进行评价,获得符合需要的解,用于优化公交客流分配方案。该行为选择方法采用双向随机抽样,每次从人工鱼群中选择两条人工鱼通过分别执行聚群行为方法、追尾行为方法,以及根据条件执行觅食行为方法或随机行为方法来搜索一个新的公交线网布局,具体通过如下子步骤实现:
S701采用双向随机抽样,实现从选取两个所述纯电动公交线网综合集成优化模型的解AFa和AFa′,分别用于执行聚群行为方法和追尾行为方法;令AFSa和AFSa′分别为AFa和AFa′的状态,N(AFa)和N(AFa′)分别为AFa和AFa′的领域集合;一条人工鱼AFb被称为是位于领域集合N(AFa)(或N(AFa′))内的人工鱼当且仅当AFb和AFa(或AFa′)间的距离AFDa,b小于人工鱼的感知距离Visual,其由公式计算得到,式中,la,w和lb,v分别为AFSa中第w条线路和AFSb中第v条线路;λ为0-1变量,若线路la,w和lb,v的走向和途径的站点一样,取值为1,否则取值为0;
N(AFa)中线网重复系数最大的人工鱼的状态被称为N(AFa)的中心状态;令FCa和FCcen分别为AFSa和AFScen处的食物浓度;若FCcen|N(AFa)|<δFCa且N(AFa)为非空集合,则AFa执行聚群行为,具体规则如图4所示的,AFa朝AFScen随机前进一步,通过公式r_step=Visual×prorandom(37)和prorandom=Random[0,1](38)计算随机步长r_step,并在AFScen上选取长度等于随机步长的连续元素片段,即虚线框内所包含的元素片段,用于替换AFSa上相同位置处的连续元素片段,并保持AFSa中其它元素片段不变,更新AFSa的状态为新的状态AFSa,next;若N(AFa)为非空集合且FCcen|N(AFa)|≥δFCa,表明领域中心较拥挤,则执行觅食行为方法即子步骤S703;公式(38)中,prorandom为[0,1]间的随机数;应当理解的是,随机步长r_step是指一条人工鱼的状态(即一个解)中随机选择的公交线路数量,是通过上述公式(37)和(38)计算得到的;例如,在聚群行为中,在人工鱼状态AFSa和AFScen中分别选择随机步长数量的公交线路,通过对人工鱼状态AFSa和AFScen执行聚群行为,更新AFSa中随机步长数量的公交线路布局,从而得到一个新的公交线网;
S703令AFSb为在N(AFa)内随机选择的一条人工鱼的状态,FCb为AFSb处的食物浓度;若FCb>FCa,AFa向AFSb随机前进一步,并更新AFSa的状态为新的状态;觅食行为中的前进规则与聚群行为中的前进规则一样;若FCb≤FCa,重新从N(AFa)中随机选择一条人工鱼,判断所选人工鱼的状态处的食物浓度是否大于FCa(觅食行为的执行条件),若满足,则更新AFSa的状态,若反复执行预设次数try_number后仍不满足,则执行子步骤S704的随机行为方法;此外,若N(AFa)为空集,同样执行子步骤S704的随机行为方法;
S704即随机行为方法,随机行为指人工鱼将通过随机朝其感知范围内的某一状态移动一步来更新当前状态;。若prorandom小于给定的概率分界值prodivd,被选线路进行线路整体变化。即首先在该线路的起点站和终点站中随机选择一个站点作为保留站点;其次,将保留站点作为一个端点,并计算该端点与线网中其它站点之间的直达出行需求;以此为基础,根据轮盘赌法选择出另一个端点,并以两个端点间的最短路径作为变化后的线路。若prorandom≥prodivd,则被选线路进行线路部分变化;即将该线路中所有站点形成一个站点集合,并在站点集合中随机选出两个站点,继而以这两个站点间的最短路径替换该线路中这两个站点间的原线路区段,形成新的线路。重复执行随机行为,直至在AFSa中选择r_step条线路;
子步骤S705为追尾行为方法,追尾行为指人工鱼通过搜索其领域内的最优状态AFSbest来更新其当前状态,该子步骤与上述聚群行为同时执行;N(AFa′)内食物浓度最高的状态AFSbest被定义为该领域内的最优状态;令FCbest为AFSbest处的食物浓度;追尾行为中的前进规则与聚群行为中的前进规则一样,若N(AFa′)为非空集合时满足FCbest|N(AFa′)|<δFCa′,AFa′朝AFSbest随机前进一步,若N(AFa′)为非空集合时FCbest|N(AFa′)|≥δFCa′,则执行子步骤S706;
S706该子步骤执行过程同觅食行为,令AFSb为在N(AFa′)内随机选择的一条人工鱼的状态,FCb为AFSb处的食物浓度;若FCb>FCa,AFa向AFSb随机前进一步,并更新AFSa′的状态;若FCb≤FCa′,重新从N(AFa′)中随机选择一条人工鱼,判断所选人工鱼的状态处的食物浓度是否大于FCa′,若满足,则更新N(AFa′)的状态,若反复执行预设次数r_step后仍不满足,则执行步骤S707的随机行为方法;
S707在AFSa′中随机选择一条线路,若prorandom<prodivd,则整体变动该被选择线路,若prorandom≥prodivd,则部分变动该被选择线路;重复执行该子步骤,直至完成AFSa′中r_step线路的变动。
重复执行上述子步骤PM/2次,对所有的纯电动公交线网综合集成优化模型的解进行评价,更新纯电动公交线网布局方案。
S708若公告板连续无变化次数达到预设值即nuc<NUC,转至步骤S4,若公告板连续无变化次数达到预设值,则通过交叉运算和变异运算对纯电动公交线网布局方案进行更新;该过程具体为:首先保留人工鱼群中的最优人工鱼,并采用双向随机抽样方法从剩余人工鱼中选择两条人工鱼分别作为父个体和母个体;继而遍历父个体或母个体的每个元素,并给每个元素一个随机数prorandom;若prorandom≤proc,则父个体和母个体中对应该位置的元素片段进行交叉运算;否则不进行;在完成交叉运算后,两条被选人工鱼依次执行变异运算;以一条被选人工鱼为例,首先从被选人工鱼中随机选择两条线路;若prorandom≤prom,则被选择的两条线路进行站点交换移动,与此同时交换两条变异线路对应的服务充电站、平均发车频率和运营车辆数,从而得到一条新的人工鱼;否者不进行变异运算;重复该子步骤PM/2次,然后执行步骤S4。
通过上述的人工鱼群求解算法对纯电动公交线网综合集成结果的不断优化,获得合理的纯电动公交线网布局、线路发车频率与充电站的建设位置和数量,降低纯电动公交运营成本的同时满足区域公交出行需求。
综上所述,本发明提供纯电动公交线网综合集成优化设计的方法,针对现有研究中的大多将公交线网布局规划、发车频率设置和充电站选址问题作为单独的问题而进行分析的现状,基于对纯电动公交线网进行综合集成优化设计的目标,以线路布局规划、发车频率设计和充电站选址为切入点,提出一个纯电动公交线网综合集成优化设计框架,实现公交线网布局规划、发车频率设置和充电站选址的综合设计方案,将应用建模优化的手段进行优化设计,以实现整体的设计流程。针对现有研究未充分考虑由于运营成本过高造成的政府财政负担过重的现状,从公交线网运营者的视角出发,在全面考虑纯电动公交线网运营过程中涉及的主要运营成本的基础上,提出以总运营成本最小为设计目标的纯电动公交线网综合集成优化设计模型,给定线路约束条件、充电站约束条件、车辆运营约束条件和充电计划约束条件,得到合理的纯电动公交线网布局、线路发车频率与充电站的建设位置和数量以及优化每个充电站服务的公交线路,与此同时满足区域公交客流需求;通过有效控制运营成本,控制充电站的数量,减少能耗,减轻政府财政负担。
针对现有研究缺乏高效、合理的纯电动公交线网优化设计问题的解决方法的现状,提出解决该问题的人工鱼群智能算法,并将交叉和变异算子引入到算法中以避免算法后期收敛速度变慢和鱼群多样性变差的缺点。
本发明引入了一种新的纯电动公交线网综合集成优化设计框架,实现公交线网布局规划、发车频率设置和充电站选址的综合设计方案,在最大化运营效益的基础上实现公交线网的100%电气化的理论方法依据,并有效满足区域公交客流的运载需求;并且可作为城市纯电动公交线网优化设计的理论方法依据,并能够为城市纯电动公交线网优化设计的工程实践提供有效的参考。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.纯电动公交线网综合集成优化设计的方法,其特征在于,包括:
S1根据纯电动公交线网运营过程中的运营成本,构建总运营成本最小的目标函数;
S2基于该目标函数,结合约束条件,建立纯电动公交线网综合集成优化设计模型;
S3通过人工鱼群算法,求解该纯电动公交线网综合集成优化设计模型,首先根据该纯电动公交线网综合集成优化设计模型的决策变量,获得初始的纯电动公交线网设计方案;
S4基于该初始的纯电动公交线网设计方案,执行公交客流分配和充电站选址优化程序,更新每条线路的发车频率和整个线网中充电站的建设位置和数量;
S5基于所述总运营成本最小的目标函数,评价纯电动公交线网综合集成优化设计模型的解,获得优化的纯电动公交线网设计方案;
S6判断人工鱼群算法迭代是否达到预设的终止条件,若达到,结束求解所述纯电动公交线网综合集成优化设计模型,并输出最优的纯电动公交线网设计方案;否则,执行步骤S7;
S7通过行为选择方法,更新纯电动公交线网设计方案,并执行所述步骤S4中所述的执行公交客流分配和充电站选址优化程序,更新每条线路的发车频率和整个线网中充电站的建设位置和数量的过程。
2.根据权利要求1所述的方法,其特征在于,所述的根据纯电动公交线网运营过程中的运营成本,构建总运营成本最小的目标函数包括:
式中,L为整个线网的公交线路集合,l∈L;cmo和cmb分别为一辆运营公交车和备用公交车的维修保养费用;和分别为l的运营公交车和备用公交车辆数;css为一位员工的平均工资;为l的人员配备数;为l上运营公交车从运输服务发车站始发或完成一次充电后实际可执行的运输服务次数;ce为电价;为与速度相关的单位距离能耗量;dtl为l上运营公交车执行一次运输服务的行驶距离;Cl为l上的充电活动集合;为l的运输服务发车站;N为整个线网的候选充电站集合,n∈N;ccn为n的建设成本;αn为n的日化系数,用以将每个候选充电站n的建设成本折合成一天的建设成本;zn为0-1变量,若在n处建充电站,取值为1,否则取值为0;
式中,为l上运营公交车从运输服务发车站始发或完成一次充电后可执行的运输服务次数;为在考虑道路交通安全法规定的司机一次连续运营工作时间上限的情况下l上运营公交车能够执行的运输服务次数;vl为l上运营公交车的平均行驶速度;为l上运营公交车从运输服务发车场站始发或完成一次充电后能够执行运输服务的总行驶距离;为道路交通安全法规定的司机一次连续运营工作时间上限;M为纯电动公交车类型,m∈M;为任意一条线路上一辆m型运营公交车从运输服务发车站始发或完成一次充电后的可用电池电量;为0-1变量,若l上配备m型运营公交车,取值为1,否则取值为0;为任意一条线路上一辆m型运营公交车从运输服务发车站始发或完成一次充电后的电池电量;emin为最小电池剩余电量;ru为电池利用率。
3.根据权利要求1所述的方法,其特征在于,所述约束条件包括线路约束条件、充电站约束条件、车辆运营约束条件和充电计划约束条件;
所述线路约束条件包括:
通过distod-ψ(1-δod)>0o≠d (13)保证公交线网是连通状态;
式中,dlmin和dlmax分别为最小和最大线路长度;fl为l的平均发车频率;fmin和fmax分别为最小和最大平均发车频率;S为整个线网的公交站点集合;为0-1变量,若l的上行方向经过运营区段hk,取值为1,否则取值为0;为0-1变量,若l的下行方向经过运营区段kh,取值为1,否则取值为0;为l的起、终点站间的空间直线距离;distod为站点o、d间的最短距离;ψ为给定的一个大的正数;δod为0-1变量,若o到d能找到至少一条公交出行路径,取值为1,否则取值为0;
所述充电站约束条件包括:
所述车辆运营约束条件包括:
式中,为0-1变量,若运营公交车执行线路l上的运输服务i后执行线路l′上的运输服务j,取值为1,否则取值为0;Tl′为l′上的运输服务集;为l上一辆运营公交车的额定载客量;qhk为站点h、k间的公交客流需求;为l的运输服务结束站;为0-1变量,若运营公交车在l上完成事件i后执行下一次事件j,取值为1,否则取值为0;NOmax为最大运营公交车辆数;为l上运营公交车的日载客量;和分别为l上一辆运营公交车执行运输服务i和i-1的开始时刻;TR为整个线网的换乘站点集合,tr∈TR;为l′上运输服务j在tr处的开始时刻;为l上运营公交车从运输服务i的起点站至tr的行驶距离;ttr为tr处的换乘惩罚;为0-1变量,若存在乘客在tr处由l的运输服务i换乘至l′的运输服务j,取值为1,否则取值为0;
所述充电计划约束条件包括:
通过表示当时,即任意一条线路l上一辆m型运营公交车从发车站始发或完成充电后的可用电池电量能够保证该辆运营公交车完成至少一次运输服务;当i∈Tl时,即任意一条线路l上一辆m型运营公交车完成运输服务i后不需要充电而是继续执行运输服务,则该辆运营公交车完成运输服务i后的可用电池电量应不小于其完成至少一次运输服务消耗的电池电量;
4.根据权利要求3所述的方法,其特征在于,所述的通过人工鱼群算法,求解该纯电动公交线网综合集成优化设计模型,首先根据该纯电动公交线网综合集成优化设计模型的决策变量,获得纯电动公交线网的初始设计方案包括:
S31设置用于求解所述纯电动公交线网综合集成优化设计模型的算法参数;
S32基于该算法参数以及所述纯电动公交线网综合集成优化设计模型的决策变量,构建初始人工鱼群。
5.根据权利要求4所述的方法,其特征在于,所述步骤S31中,所述算法参数包括:人工鱼群规模PM,最大迭代次数FNI,人工鱼的感知距离Visual,拥挤度因子δ,试探次数try_number,公告板无变化时的最大迭代次数NUC,交叉概率proc和变异概率prom;
所述步骤S32包括:
对所述纯电动公交线网综合集成优化设计模型的解进行初始化,依据所述纯电动公交线网综合集成优化设计模型的决策变量,获得每条人工鱼的状态,用于代表所述纯电动公交线网综合集成优化设计模型的一个解,该包括每条人工鱼的状态:所有线路的站点序列,初始化为现状公交线网;该所有线路中每条线路的服务充电站的数字编号;该所有线路中每条线路的平均发车频率和运营公交车辆数;
将所有线路中每条线路的平均发车频率初始化为最小发车频率,根据每条线路上的平均发车频率,并通过公式确定每条线路的运营公交车辆数,并判断该每条线路的运营公交车辆数是否满足所述约束条件(18),若不满足,则基于所述约束条件(8),随机产生该条线路上的新的平均发车频率,重复选择新的平均发车频率直至满足约束条件(18),将该新的平均发车频率和运营公交车辆数用于对所述纯电动公交线网综合集成优化设计模型的解进行初始化;
最终将生成的一个所述纯电动公交线网综合集成优化设计模型的解复制成PM个,构成初始人工鱼群。
6.根据权利要求5所述的方法,其特征在于,所述的基于该初始的纯电动公交线网设计方案,执行公交客流分配和充电站选址优化程序,更新每条线路的发车频率和整个线网中充电站的建设位置和数量包括:
构建所述公交客流分配程序的过程包括:
通过公式计算最短路径;若OD对间存在一条该最短路径,则OD对间的乘客将全部选择该最短路径出行;若OD间存在多条所述最短路径,则乘客将选择换乘次数少的所述最短路径出行;若该多条所述最短路径为相同类型,则乘客将基于每条所述最短路径的发车频率进行选择;
基于约束条件(18)计算每条线路上配备的运营公交车辆数;根据每条线路上配备的运营公交车辆数,通过公式(33)计算每条线路的平均发车频率;
式中,gep为OD对间出行路径ep上的乘客总广义出行成本;itep、wtep和ttep分别为ep上的总在车出行时间、总等待乘车时间和总换乘惩罚;tdep为ep上的总出行距离;和分别为总在车出行时间、总等待乘车时间和总换乘惩罚的单位时间广义货币成本;为与公交票价相关的单位距离货币成本;
构建所述充电站选址优化程序的过程包括:
基于每条线路上运输服务的起点与每个候选充电站间的最短路线计算两点间的空驶距离,将每条线路上的运营公交车安排至距离其最近的候选充电站充电,获得充电站的建设位置和数量以及整个线网的总空驶距离。
7.根据权利要求6所述的方法,其特征在于,所述的基于所述总运营成本最小的目标函数,评价纯电动公交线网综合集成优化设计模型的解,获得优化的纯电动公交线网设计方案包括:
基于目标函数的公式(1)计算所述初始人工鱼群中每条人工鱼所处状态的食物浓度,并与人工鱼群算法的公告板中记录的解进行比较,若优于公告板中记录的解,则更新公告板记录的解,并且对公告板未连续更新的次数重置为1;否则,保留公告板中记录的解,并且对公告板未连续更新的次数加1。
8.根据权利要求7所述的方法,其特征在于,所述步骤S6包括:判断通过人工鱼群算法求解的所述纯电动公交线网综合集成优化设计模型的迭代次数是否满足预设最大迭代次数,若达到,结束求解所述纯电动公交线网综合集成优化设计模型,并输出最优的纯电动公交线网优化设计方案;否则,执行步骤S7;
所述步骤S7具体包括:
S701采用双向随机抽样,每次从人工鱼群中选择两条人工鱼AFa和AFa′;令AFSa和AFSa′分别为AFa和AFa′的状态,N(AFa)和N(AFa′)分别为AFa和AFa′的领域集合;一条人工鱼AFb被称为是位于领域集合N(AFa)/N(AFa′)内的人工鱼当且仅当AFb与AFa/AFa′间的距离小于Visual,式中,la,w和lb,v分别为AFSa中第w条线路和AFSb中第v条线路;λ为0-1变量,若线路la,w和lb,v的走向和途径的站点一样,取值为1,否则取值为0;
S702令AFSb表示N(AFa)中的一条人工鱼的状态,通过公式计算线网重复系数;N(AFa)中线网重复系数最大的人工鱼的状态被称为N(AFa)的中心状态;令FCa和FCcen分别为AFSa和AFScen处的食物浓度;若FCcen|N(AFa)|<δFCa且N(AFa)为非空集合,则通过公式r_step=Visual×prorandom(37)和prorandom=Random[0,1](38)计算随机步长r_step,并在AFScen上选取长度等于随机步长的连续元素片段,用于替换AFSa上相同位置处的连续元素片段,并保持AFSa中其它元素片段不变,更新AFSa的状态为新的状态AFSa,next;若N(AFa)为非空集合且FCcen|N(AFa)|≥δFCa,则执行步骤S703;
S703令AFSb为在N(AFa)内随机选择的一条人工鱼的状态,FCb为AFSb处的食物浓度;若FCb>FCa,AFa向AFSb随机前进一步,并更新AFSa的状态;若FCb≤FCa,重新从N(AFa)中随机选择一条人工鱼,判断所选人工鱼的状态处的食物浓度是否大于FCa,若满足,则更新AFSa的状态,若反复执行预设次数后仍不满足,则执行步骤S704;若N(AFa)为空集,则执行步骤S704;
S704在AFSa中随机选择一条线路,若prorandom小于给定的概率分界值prodivd,则整体变动该被选择线路,若prorandom≥prodivd,则部分变动该被选择线路;重复执行该子步骤,直至完成AFSa中r_step线路的变动;
S705令AFSbest为领域N(AFa′)内的最优状态;令FCbest为AFSbest处的食物浓度;若N(AFa′)为非空集合时满足FCbest|N(AFa′)|<δFCa′,则AFa′朝AFSbest随机前进;若N(AFa′)为非空集合时FCbest|N(AFa′)|≥δFCa′,则执行步骤S706;
S706令AFSb为在N(AFa′)内随机选择的一条人工鱼的状态,FCb为AFSb处的食物浓度;若FCb>FCa′,则更新AFSa′的状态;若FCb≤FCa′,重新从N(AFa′)中随机选择一条人工鱼,判断所选人工鱼的状态处的食物浓度是否大于FCa′,若满足,则更新N(AFa′)的状态,若反复执行预设次数后仍不满足或N(AFa′)为空集,则执行步骤S707;
S707在AFSa′中随机选择一条线路,若prorandom小于给定的概率分界值prodivd,则整体变动该被选择线路,若prorandom≥prodivd,则部分变动该被选择线路;重复执行该子步骤,直至完成AFSa′中r_step线路的变动;
重复执行上述子步骤S701至S707PM/2次,更新纯电动公交线网布局方案;
上述子步骤S703和S705的执行顺序不分先后;
S708若公告板连续无变化次数未达到预设值,执行所述步骤S4;若公告板连续无变化次数达到预设值,则通过交叉运算和变异运算对纯电动公交线网布局方案进行更新,重复该子步骤PM/2次,执行所述步骤S4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010581155.4A CN111754039B (zh) | 2020-06-23 | 2020-06-23 | 纯电动公交线网综合集成优化设计的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010581155.4A CN111754039B (zh) | 2020-06-23 | 2020-06-23 | 纯电动公交线网综合集成优化设计的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754039A true CN111754039A (zh) | 2020-10-09 |
CN111754039B CN111754039B (zh) | 2023-10-17 |
Family
ID=72676990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010581155.4A Active CN111754039B (zh) | 2020-06-23 | 2020-06-23 | 纯电动公交线网综合集成优化设计的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754039B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200471A (zh) * | 2020-10-15 | 2021-01-08 | 国网北京市电力公司 | 充电桩的数量配置方法、装置和充电桩的分布系统 |
CN112233451A (zh) * | 2020-10-13 | 2021-01-15 | 安徽富煌科技股份有限公司 | 一种考虑纯电动公交车辆续航里程的行车计划智能编制系统 |
CN112712247A (zh) * | 2020-12-28 | 2021-04-27 | 交控科技股份有限公司 | 一种面向跨线运营的开行方案制定方法及系统 |
CN113379131A (zh) * | 2021-06-17 | 2021-09-10 | 北京工业大学 | 一种纯电动公交应用下的接驳公交线网优化及车队规模与充电桩数量同步优化方法 |
CN113554239A (zh) * | 2021-08-16 | 2021-10-26 | 广东工业大学 | 一种电动公交车充换电站的选址和设备容量的优化方法 |
CN113779883A (zh) * | 2021-09-14 | 2021-12-10 | 沈阳工程学院 | 一种基于变异人工鱼群的风电储能系统充放电过程优化方法 |
CN114742340A (zh) * | 2022-01-18 | 2022-07-12 | 浙江大学 | 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法 |
CN115689310A (zh) * | 2022-11-09 | 2023-02-03 | 东南大学 | 城市纯电动公交系统资源配置经济性的鲁棒评估方法 |
CN116611554A (zh) * | 2023-05-16 | 2023-08-18 | 清华大学 | 需求响应公交调度的优化方法、装置、电子设备及介质 |
CN118333241A (zh) * | 2024-06-13 | 2024-07-12 | 吉林大学 | 一种电动公交线网两阶段优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104599501A (zh) * | 2015-01-26 | 2015-05-06 | 大连理工大学 | 一种混合人工鱼群算法优化支持向量回归的交通流预测方法 |
WO2017045294A1 (zh) * | 2015-09-17 | 2017-03-23 | 华南理工大学 | 一种城市常规公交线网设计方法 |
CN108536986A (zh) * | 2018-04-20 | 2018-09-14 | 湖北工业大学 | 一种基于人工鱼群算法的层次化疏散仿真优化方法 |
US20180309294A1 (en) * | 2016-12-07 | 2018-10-25 | Northeastern University | Reactive power optimization system and method of power grid based on the double-fish-swarm algorithm |
CN110648022A (zh) * | 2019-09-18 | 2020-01-03 | 北京工业大学 | 一种考虑站点全覆盖的接驳地铁的社区公交线网与发车频率同步优化方法 |
-
2020
- 2020-06-23 CN CN202010581155.4A patent/CN111754039B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104599501A (zh) * | 2015-01-26 | 2015-05-06 | 大连理工大学 | 一种混合人工鱼群算法优化支持向量回归的交通流预测方法 |
WO2017045294A1 (zh) * | 2015-09-17 | 2017-03-23 | 华南理工大学 | 一种城市常规公交线网设计方法 |
US20180309294A1 (en) * | 2016-12-07 | 2018-10-25 | Northeastern University | Reactive power optimization system and method of power grid based on the double-fish-swarm algorithm |
CN108536986A (zh) * | 2018-04-20 | 2018-09-14 | 湖北工业大学 | 一种基于人工鱼群算法的层次化疏散仿真优化方法 |
CN110648022A (zh) * | 2019-09-18 | 2020-01-03 | 北京工业大学 | 一种考虑站点全覆盖的接驳地铁的社区公交线网与发车频率同步优化方法 |
Non-Patent Citations (2)
Title |
---|
吴江: "基于供给侧改革的农村电商物流资源配置优化方法研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学》 * |
吴蕊蕊: "基于精英策略的改进狼群算法在城市公交路线问题中的研究", 《中国优秀硕士论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233451A (zh) * | 2020-10-13 | 2021-01-15 | 安徽富煌科技股份有限公司 | 一种考虑纯电动公交车辆续航里程的行车计划智能编制系统 |
CN112233451B (zh) * | 2020-10-13 | 2022-05-27 | 安徽交欣科技股份有限公司 | 一种考虑纯电动公交车辆续航里程的行车计划智能编制系统 |
CN112200471B (zh) * | 2020-10-15 | 2023-11-21 | 国网北京市电力公司 | 充电桩的数量配置方法、装置和充电桩的分布系统 |
CN112200471A (zh) * | 2020-10-15 | 2021-01-08 | 国网北京市电力公司 | 充电桩的数量配置方法、装置和充电桩的分布系统 |
CN112712247A (zh) * | 2020-12-28 | 2021-04-27 | 交控科技股份有限公司 | 一种面向跨线运营的开行方案制定方法及系统 |
CN112712247B (zh) * | 2020-12-28 | 2024-03-29 | 交控科技股份有限公司 | 一种面向跨线运营的开行方案制定方法及系统 |
CN113379131A (zh) * | 2021-06-17 | 2021-09-10 | 北京工业大学 | 一种纯电动公交应用下的接驳公交线网优化及车队规模与充电桩数量同步优化方法 |
CN113554239A (zh) * | 2021-08-16 | 2021-10-26 | 广东工业大学 | 一种电动公交车充换电站的选址和设备容量的优化方法 |
CN113554239B (zh) * | 2021-08-16 | 2024-08-27 | 广东工业大学 | 一种电动公交车充换电站的选址和设备容量的优化方法 |
CN113779883B (zh) * | 2021-09-14 | 2023-06-09 | 沈阳工程学院 | 一种基于变异人工鱼群的风电储能系统充放电过程优化方法 |
CN113779883A (zh) * | 2021-09-14 | 2021-12-10 | 沈阳工程学院 | 一种基于变异人工鱼群的风电储能系统充放电过程优化方法 |
CN114742340A (zh) * | 2022-01-18 | 2022-07-12 | 浙江大学 | 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法 |
CN115689310A (zh) * | 2022-11-09 | 2023-02-03 | 东南大学 | 城市纯电动公交系统资源配置经济性的鲁棒评估方法 |
CN115689310B (zh) * | 2022-11-09 | 2024-06-04 | 东南大学 | 城市纯电动公交系统资源配置经济性的鲁棒评估方法 |
CN116611554A (zh) * | 2023-05-16 | 2023-08-18 | 清华大学 | 需求响应公交调度的优化方法、装置、电子设备及介质 |
CN116611554B (zh) * | 2023-05-16 | 2024-04-30 | 清华大学 | 需求响应公交调度的优化方法、装置、电子设备及介质 |
CN118333241A (zh) * | 2024-06-13 | 2024-07-12 | 吉林大学 | 一种电动公交线网两阶段优化方法 |
CN118333241B (zh) * | 2024-06-13 | 2024-08-20 | 吉林大学 | 一种电动公交线网两阶段优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111754039B (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111754039A (zh) | 纯电动公交线网综合集成优化设计的方法 | |
Teng et al. | Integrated approach to vehicle scheduling and bus timetabling for an electric bus line | |
US11087422B2 (en) | Method and device for determining a configuration for deployment of a public transportation system | |
CN105857350B (zh) | 一种基于区间断面客流的高铁列车开行方法 | |
CN104318758B (zh) | 基于多层次多模式的公交线网规划方法 | |
CN111311122B (zh) | 面向智慧城市的充电站建设方法 | |
CN109711630A (zh) | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 | |
Ji et al. | Optimal electric bus fleet scheduling for a route with charging facility sharing | |
CN112149878B (zh) | 一种考虑不完全充电的纯电动公交车辆行车计划与充电计划的同步优化方法 | |
Liu et al. | Solving urban electric transit network problem by integrating Pareto artificial fish swarm algorithm and genetic algorithm | |
Sung et al. | Optimizing mix of heterogeneous buses and chargers in electric bus scheduling problems | |
Luo et al. | Joint design of electric bus transit service and wireless charging facilities | |
Tang et al. | Optimization of single-line electric bus scheduling with skip-stop operation | |
Shi et al. | Efficient energy management of wireless charging roads with energy storage for coupled transportation–power systems | |
Sivagnanam et al. | Minimizing energy use of mixed-fleet public transit for fixed-route service | |
Cui et al. | Joint optimal vehicle and recharging scheduling for mixed bus fleets under limited chargers | |
Zeng et al. | Consolidating bus charger deployment and fleet management for public transit electrification: A life-cycle cost analysis framework | |
Shen et al. | Electric vehicle scheduling based on stochastic trip time and energy consumption | |
Wang et al. | Mass transit route network design using genetic algorithm | |
CN115640974A (zh) | 一种公路沿线充电设施布局规划方法 | |
CN113837438B (zh) | 基于spfa算法的地铁乘务排班计划编制优化方法 | |
Hu et al. | An ant colony optimization based approach to adjust public transportation network | |
Huang et al. | Electric vehicle charging strategy for intercity travel: Impact of user perception and battery degradation | |
Jiao et al. | Robust Optimization of Customized Electric Bus Routes in Village-town Areas. | |
Shu et al. | Capacity optimization of highway charging station considering charging guidance mechanism |
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 |