CN111915146A - 基于流体模型的按需出行系统充电与再平衡联合调度方法 - Google Patents

基于流体模型的按需出行系统充电与再平衡联合调度方法 Download PDF

Info

Publication number
CN111915146A
CN111915146A CN202010650391.7A CN202010650391A CN111915146A CN 111915146 A CN111915146 A CN 111915146A CN 202010650391 A CN202010650391 A CN 202010650391A CN 111915146 A CN111915146 A CN 111915146A
Authority
CN
China
Prior art keywords
station
charging
vehicles
vehicle
time
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
Application number
CN202010650391.7A
Other languages
English (en)
Other versions
CN111915146B (zh
Inventor
郭戈
徐涛
高振宇
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.)
Northeastern University Qinhuangdao Branch
Original Assignee
Northeastern University Qinhuangdao Branch
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 Northeastern University Qinhuangdao Branch filed Critical Northeastern University Qinhuangdao Branch
Priority to CN202010650391.7A priority Critical patent/CN111915146B/zh
Publication of CN111915146A publication Critical patent/CN111915146A/zh
Application granted granted Critical
Publication of CN111915146B publication Critical patent/CN111915146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0605—Supply or demand aggregation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于流体模型的按需出行系统充电与再平衡联合调度方法，涉及按需出行系统的控制技术领域。该方法结合流体模型与排队理论描述车辆迁移和排队充电过程，并构建AMoD系统的动力学方程，针对传统AMoD系统的研究忽略电车的充电问题或者简单假设充电设施供过于求，不贴合生活实际的问题，本发明在流体模型的基础上，结合排队论相关知识，搭建了AMoD系统的充电与再平衡联合调度模型，并给出了动力学方程，求解难度与系统规模无关，适用范围更加广泛。本发明针对静态策略难以应对动态的交通环境这一缺点，开发一个实时再平衡策略，周期性地调整再平衡方案。此外，提出了一种时间加权平均值的方法预测时变的出行需求，改善实时策略的性能。

Description

基于流体模型的按需出行系统充电与再平衡联合调度方法
技术领域
本发明涉及按需出行系统的控制技术领域，尤其涉及一种基于流体模型的按需出行系统充电与再平衡联合调度方法。
背景技术
近年来，由于乘客出行需求分配不均，共享车辆不可避免地在某些站点大量堆积导致车辆过剩，而另一些站点却无车可用，因此需要对系统中的闲置车辆在站点间进行迁移调度满足乘客需求，即车辆再平衡，同时要考虑再平衡成本。此外，共享车辆一般采用电动汽车，其续航能力有限且充电时间较长，充电调度必不可少。然而对按需出行系统的再平衡问题的研究少之又少。
Pavone等人通过流体模型对按需出行系统的人/车迁移进行了描述，并提出了一种基于静态平衡的再平衡策略。但静态平衡方案难以应对高度可变的交通网络环境，因此Spieser等人在流体模型的基础上，通过对各个车站的人车数量进行周期性采样提出了一种实时再平衡策略。Pavone等人提出了一种基于模型预测控制的再平衡与充电联合调度方案，通过状态空间方程描述AMoD系统的运行机理与车辆电量状态的变化，并给出了严格的稳定性证明，然而Pavone提出的静态平衡策略、Spieser提出的实时再平衡策略仅针对再平衡问题而忽略了车辆的充电调度。Iacobucci等人的研究则在模型预测控制的基础上进一步考虑了V2G(车辆向电网放电)。Pavone及Iacobucci提出的模型预测控制策略仅基于一种车辆在站点内充电的简单电气化情景，而且模型预测控制方案仅适用于小规模的按需出行系统，否则计算过程将出现“维数爆炸”。
上述研究不考虑充电问题或仅简单假设充电桩供过于求，无法描述车辆排队充电的问题及充电延时。同时，基于模型预测控制的再平衡方案中，由于受状态空间法的限制，问题的求解难度随车辆数量、站点数量、时间分辨率等因素指数型增长。
发明内容
针对现有技术的不足，本发明提供一种基于流体模型的按需出行系统充电与再平衡联合调度方法，结合流体模型与排队理论描述车辆迁移和排队充电过程，并构建AMoD系统的动力学方程，提出一种基于静态平衡的再平衡方案。
本发明所采取的技术方案是：
一种基于流体模型的按需出行系统充电与再平衡联合调度方法，包括以下步骤：
步骤1、根据按需出行系统(autonomous mobility-on-demand systems，AMoD)运行机理，结合车辆充电调度，构建流体模型；所述流体模型为通过AMoD系统中人/车运动的变化率描述的人/车动力学模型；
所述AMoD系统运行机理如下：假设系统中有n个车站，乘客进入车站驾车在不同站点间迁移，若车站内没闲置车辆，乘客在车站内持续等待直到有可用车辆；针对出现站点车辆堆积、站点车辆不足的情况，对多余车辆进行再平衡以平衡乘客与车辆的供求关系，所述充电调度即将电量不足的车辆送往充电站进行排队充电，充电完成后参与按需出行系统再平衡过程。
所述人/车的动力学模型包括乘客动力学方程以及车辆迁移动力学方程；
车站i内的乘客动力学方程为：
Figure BDA0002574712050000021
其中
Figure BDA0002574712050000022
是车辆i中乘客的变化率，
Figure BDA0002574712050000023
是车站i乘客入站率，
Figure BDA0002574712050000024
是乘客离站率，ci是乘客数目、vi是车辆数目、H(x)为数学中的阶跃函数；
Figure BDA0002574712050000025
所述车辆迁移动力学方程由以下五个部分构成：
(1)车站i载客及充电车辆离站率
Figure BDA0002574712050000026
(2)车站i载客车辆到达率
Figure BDA0002574712050000027
(3)车站i充电车辆到达率
Figure BDA0002574712050000028
(4)车站i再平衡车辆离站率∑j≠iαijH(vi)
(5)车站i再平衡车辆到达率
Figure BDA0002574712050000029
因此，车站i内车辆迁移动力学方程为
Figure BDA0002574712050000031
其中
Figure BDA00025747120500000311
是车站i中车辆的变化率，
Figure BDA0002574712050000032
是车站i充电车辆离站率，pij是车站i中乘客前往车站j的比例，i，j为正整数且i≠j，qik是车站i充电车辆前往充电站k的比例，okj是充电站k中车辆前往车站j的比例，αij是车站i前往车站j的再平衡车辆发车率，
Figure BDA0002574712050000033
是t-Tji时刻从车站j的车辆数，
Figure BDA0002574712050000034
是t-Tji时刻车站j的乘客数，
Figure BDA0002574712050000035
是
Figure BDA0002574712050000036
时刻站的车辆数，t代表当前时刻，Tji代表车站j到车站i的旅途时间，T′jk是车站j到充电站k的旅途时间，
Figure BDA0002574712050000037
是车辆在充电站k中的平均充电延时，T″ki是充电站k到车站i的旅途时间。
步骤2、构建充电队列模型，计算充电队列稳定性条件及平均充电延时；
所述充电队列模型中，充电站k的车辆入站率服从泊松分布，充电时间服从指数分布，因此将充电队列的数学建模为M/M/s队列模型，整个充电系统描述为由M个M/M/s队列模型构成的多服务器排队系统；
所述M/M/s排队模型是排队论中的一种模型，代表乘客的到达间隔服从负指数分布，到达乘客数目服从泊松分布，系统服务时间为负指数分布，乘客的到达时间与服务时间相互独立，有s个并行服务台的排队服务系统模型；
所述充电队列的稳定性条件为总入站率小于总服务率，得：
Figure BDA0002574712050000038
整个多服务器排队系统的稳定性条件为：
Figure BDA0002574712050000039
其中，βik是车站i前往充电站k的发车率，即充电站k中来自车站i的入站率；sk是充电站k中充电桩的数目；
Figure BDA00025747120500000310
是充电站k中每个充电桩的服务率；
车辆在充电站k的平均充电延时(即排队等待时间与充电时间之和)为：
Figure BDA0002574712050000041
其中，l为中间变量；
Figure BDA0002574712050000042
为车辆在k站的平均逗留时间；
Figure BDA0002574712050000043
为充电站k的车辆总入站率。
步骤3、结合流体模型，对系统静态平衡进行分析，推导系统平衡条件，计算最小车队规模；
所述系统静态平衡中系统平衡点的状态为每个车站中乘客和车辆数量变化率均为0，即：
Figure BDA0002574712050000044
且
Figure BDA0002574712050000045
将条件
Figure BDA0002574712050000046
代入乘客动力学方程得：
Figure BDA0002574712050000047
由于
Figure BDA0002574712050000048
上述方程在ci＝0 and vi＞0
Figure BDA0002574712050000049
时存在唯一解，即平衡状态下每个车站中总有多余的车辆、无等待的乘客；其中N代表车站集合；
将条件
Figure BDA00025747120500000410
及步骤(2)中结论vi＞0代入车辆迁移动力学方程(3)，得：
Figure BDA00025747120500000411
式8即为充电与再平衡联合调度(α,β,γ)使系统达到平衡状态应满足的充分必要条件，其中
Figure BDA00025747120500000412
所述最小车队规模即为充电与再平衡联合调度(α,β,γ)确保平衡点存在的最小车队规模；最小车队规模为所有车辆均有任务而在道路上行驶，车站内临界没有多余车辆，其计算过程如下；
首先载客的在途车辆数Vα为：
Figure BDA00025747120500000413
其次前往充电站及从充电站发出的在途车辆数V(β,γ)为：
Figure BDA0002574712050000051
因此整个系统静态平衡条件下的总在途车辆数为：
Figure BDA0002574712050000052
式(11)即联合调度策略(α,β,γ)对应的临界车辆数；其中静态平衡条件vi＞0
Figure BDA0002574712050000053
系统部署车辆数量满足V>V(α,β,γ)，V即为策略(α,β,γ)对应的最小车队规模。
步骤4、设计基于静态平衡的最优调度策略，使系统再平衡成本最小化，进行充电延时优化后，计算整个系统部署的车辆总数；
步骤4.1、计算最优的联合调度策略最小化在途空车的数目，即最小化再平衡成本：
Figure BDA0002574712050000054
在最小化在途空车数目的同时，也最小化了所需车队规模的下界。
步骤4.2、AMoD系统设出行时间满足三角不等式，系统中有额外的结构利用以减少优化函数中的变量，减小求解规模，即：再平衡车辆仅由多车站点发出，而且仅发往少车站点：
Figure BDA0002574712050000055
Figure BDA0002574712050000056
其中E为车辆过剩的车站集合，S为车辆短缺的车站集合；
步骤4.3、结合充电队列稳定性条件式(4)、静态平衡条件式(8)、在途空车数目式(12)及简化结构式(13-14)，将静态平衡成本优化问题表示为：
Figure BDA0002574712050000057
Figure BDA0002574712050000058
Figure BDA0002574712050000059
Figure BDA0002574712050000061
Figure BDA0002574712050000062
Figure BDA0002574712050000063
Figure BDA0002574712050000064
Figure BDA0002574712050000065
其中M是充电站集合；式(15)表示车站i中的充电车辆均分配到某一充电站进行充电；式(16)为充电站k队列稳定性条件；式(17)代表充电站k流量守恒，即充电站中车辆出站率等于车辆入站率；式(18-19)代表再平衡车辆仅由多车集合发出，且仅发往少车集合；式(20-21)为优化变量的边界条件，对该公式进行求解即获得最优的调度策略(α,β,γ)。
步骤4.4、在每个充电站部署电量充足的电动汽车，系统开始运行时根据调度策略(α,β,γ)向外发送车辆，达到减少充电延时的目的；充电站k部署的电量充足的电动汽车数目
Figure BDA0002574712050000066
为：
Figure BDA0002574712050000067
因此，在优化充电延时后，整个系统部署的车辆总数为：
Figure BDA0002574712050000068
步骤5、设计实时再平衡策略，对再平衡方案进行周期性调整。
步骤5.1、计算最优的充电调度，即在保证充电队列稳定性的条件下，使车辆充电完成并参与再平衡；
Figure BDA0002574712050000069
步骤5.2、进行实时再平衡；
首先，每个再平衡周期中，从车站i发往充电站k的充电车辆数目为：
Figure BDA00025747120500000610
为保证每个充电站每个再平衡周期有足够的车辆向外发出，充电站k额外部署的最小车辆数为：
Figure BDA00025747120500000611
其中Tcal为再平衡周期，用
Figure BDA0002574712050000071
表示车站i拥有的车辆数，
Figure BDA0002574712050000072
包括车站i的闲置车辆及在途车辆，即：
Figure BDA0002574712050000073
其中vi(t)为t时刻车站i内的闲置车辆数目，是车站j发往车站i的在途车辆数目，vki(t)是充电站k发往车站i的在途车辆数目；系统中的顾客总数为C(t)＝∑ici(t)；若系统中有多余车辆，则多余的车辆总数为：
Vexc＝V-C(t) (26)
通过时间加权平均值的方法对未来时变的出行需求进行预测：
Figure BDA0002574712050000074
其中，τ为预测时刻，Thor为预测时间窗，T为预测周期，τh、τh+1为采样时刻，确定每个车站所需车辆数
Figure BDA0002574712050000075
即有闲置车辆时，根据各站点未来需求将闲置车辆按比例分配；车辆不满足所有顾客需求时，根据各站点乘客数目按比例分配车辆；
Figure BDA0002574712050000076
优化目标为最小化再平衡成本，实时再平衡优化为：
Figure BDA0002574712050000077
Figure BDA0002574712050000078
Figure BDA0002574712050000079
Figure BDA00025747120500000710
Figure BDA00025747120500000711
式(30)代表车站发送至车站i的再平衡车辆数目应不少于i站缺少的车辆数目；式(31)代表充电站k流量守恒，即入站数目等于出站数目；式(32-33)为优化变量的边界条件，其中，numji是车站j发往车站i的再平衡车辆数目，num″ki是充电站k发往车站i的车辆数目，
Figure BDA0002574712050000081
代表数学中的非负整数集合。
采用上述技术方案所产生的有益效果在于：
本发明提供一种基于流体模型的按需出行系统充电与再平衡联合调度方法，针对传统AMoD系统的研究忽略电车的充电问题或者简单假设充电设施供过于求，不贴合生活实际的问题，本发明在流体模型的基础上，结合排队论相关知识，搭建了AMoD系统的充电与再平衡联合调度模型，并给出了动力学方程，求解难度与系统规模无关，适用范围更加广泛。本发明针对静态策略难以应对动态的交通环境这一缺点，开发一个实时再平衡策略，周期性地调整再平衡方案。此外，提出了一种时间加权平均值的方法预测时变的出行需求，改善实时策略的性能。
附图说明
图1为基于流体模型的按需出行系统充电与再平衡联合调度方法流程图；
图2为本发明实施例所用的包含三个客运站及两个充电站的AMoD系统模型示意图；
图3为本发明实施例时间加权平均值示意图；
图4为本发明实施例硬件实验中，各个车站不同时间段乘客入站率设置示意图；
图5为本发明实施例再平衡策略性能随车队规模的变化示意图；
其中图(a)-等待乘客总数随车队规模的变化示意图，图(b)-再平衡车辆数目随车队规模的变化示意图；
图6为本发明实施例再平衡策略性能随运行时间的变化示意图；
其中图(a)-等待乘客总数随时间的变化示意图，图(b)-再平衡车辆数目随时间的变化示意图；
图7为本发明实施例车站3内等待乘客数目随时间的变化示意图；
图8为本发明实施例硬件实验下再平衡车辆数及等待乘客总数随时间的变化示意图。
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明。
一种基于流体模型的按需出行系统充电与再平衡联合调度方法，如图1所示，包括以下步骤：
步骤1、根据按需出行系统(autonomous mobility-on-demand systems，AMoD)运行机理，结合车辆充电调度，构建流体模型，所述流体模型为通过AMoD系统中人/车运动的变化率描述的人/车动力学模型；
所述AMoD系统运行机理如下：假设系统中有n个车站，乘客进入车站驾车在不同站点间迁移(若车站内没闲置车辆，乘客在在车站内持续等待直到有可用车辆)。一般情况下会出现某些站点车辆堆积、某些站点车辆不足的情况，因此需要对多余车辆进行再平衡以平衡乘客与车辆将的供求关系。充电调度即将电量不足的车辆送往充电站进行排队充电，充电完成后参与系统再平衡过程，如图2所示为本发明实施例所用的包含三个客运站及两个充电站的AMoD系统模型示意图，图3为本发明实施例时间加权平均值示意图；
所述人/车的动力学模型包括乘客动力学方程以及车辆迁移动力学方程；
车站i内的乘客动力学方程为：
Figure BDA0002574712050000091
其中
Figure BDA0002574712050000092
是车辆i中乘客的变化率，
Figure BDA0002574712050000093
是车站i乘客入站率，
Figure BDA0002574712050000094
是乘客离站率，ci是乘客数目、vi是车辆数目、H(x)为数学中的阶跃函数；
Figure BDA0002574712050000095
所述车辆迁移动力学方程由以下五个部分构成：
(1)车站i载客及充电车辆离站率
Figure BDA0002574712050000096
(2)车站i载客车辆到达率
Figure BDA0002574712050000097
(3)车站i充电车辆到达率
Figure BDA0002574712050000098
(4)车站i再平衡车辆离站率∑j≠iαijH(vi)
(5)车站i再平衡车辆到达率
Figure BDA0002574712050000099
因此，车站i内车辆迁移动力学方程为
Figure BDA00025747120500000910
其中
Figure BDA00025747120500000911
是车站i中车辆的变化率，
Figure BDA00025747120500000912
是车站i充电车辆离站率，pij是车站i中乘客前往车站j的比例，i，j为正整数且i≠j，qik是车站i充电车辆前往充电站k的比例，okj是充电站k中车辆前往车站j的比例，αij是车站i前往车站j的再平衡车辆发车率，
Figure BDA00025747120500000913
是t-Tji时刻从车站j的车辆数，
Figure BDA0002574712050000101
是t-Tji时刻车站j的乘客数，
Figure BDA0002574712050000102
是t-T′ik-Dk-T″kj时刻站的车辆数，t代表当前时刻，Tji代表车站j到车站i的旅途时间，T′jk是车站j到充电站k的旅途时间，
Figure BDA0002574712050000103
是车辆在充电站k中的平均充电延时，T″ki是充电站k到车站i的旅途时间；
步骤2、构建充电队列模型，计算充电队列稳定性条件及平均充电延时；
所述充电队列模型中，充电站k的车辆入站率服从泊松分布，充电时间服从指数分布，因此将充电队列的数学建模为M/M/s队列模型，整个充电系统描述为由M个M/M/s队列模型构成的多服务器排队系统；
所述M/M/s排队模型是排队论中的一种模型，代表顾客的到达间隔服从负指数分布(从而到达顾客数目服从泊松分布)，服务时间为负指数分布，顾客的到达时间与服务时间相互独立，有s个并行服务台的排队服务系统模型；
所述充电队列的稳定性条件为总入站率小于总服务率，得：
Figure BDA0002574712050000104
整个多服务器排队系统的稳定性条件为：
Figure BDA0002574712050000105
其中，βik是车站i前往充电站k的发车率，即充电站k中来自车站i的入站率；sk是充电站k中充电桩的数目；
Figure BDA0002574712050000106
是充电站k中每个充电桩的服务率；
车辆在充电站k的平均充电延时(即排队等待时间与充电时间之和)为：
Figure BDA0002574712050000107
其中，l为中间变量；
Figure BDA0002574712050000108
为车辆在k站的平均逗留时间；
Figure BDA0002574712050000109
为充电站k的车辆总入站率；
步骤3、结合流体模型，对系统静态平衡进行分析，推导系统平衡条件，计算最小车队规模；
所述系统静态平衡系统中，系统平衡点的状态为每个车站中乘客和车辆数量变化率均为0，即：
Figure BDA0002574712050000111
且
Figure BDA0002574712050000112
将条件
Figure BDA0002574712050000113
代入乘客动力学方程得：
Figure BDA0002574712050000114
由于
Figure BDA0002574712050000115
上述方程在ci＝0 and vi＞0
Figure BDA0002574712050000116
时存在唯一解，即平衡状态下每个车站中总有多余的车辆、无等待的乘客；其中N代表车站集合；
将条件
Figure BDA0002574712050000117
及步骤(2)中结论vi＞0代入车辆迁移动力学方程(3)，得：
Figure BDA0002574712050000118
式8即为充电与再平衡联合调度(α,β,γ)使系统达到平衡状态应满足的充分必要条件，其中
Figure BDA0002574712050000119
所述最小车队规模即为充电与再平衡联合调度(α,β,γ)确保平衡点存在的最小车队规模；最小车队规模为所有车辆均有任务而在道路上行驶，车站内临界没有多余车辆，其计算过程如下；
首先载客的在途车辆数Vα为：
Figure BDA00025747120500001110
其次前往充电站及从充电站发出的在途车辆数V(β,γ)为：
Figure BDA00025747120500001111
因此整个系统静态平衡条件下的总在途车辆数为：
Figure BDA0002574712050000121
式(11)即联合调度策略(α,β,γ)对应的临界车辆数；其中静态平衡条件vi＞0
Figure BDA0002574712050000122
系统部署车辆数量满足V>V(α,β,γ)，V即为策略(α,β,γ)对应的最小车队规模；
步骤4、设计基于静态平衡的最优调度策略，使再平衡成本最小化，在优化充电延时后，计算整个系统部署的车辆总数；
步骤4.1、计算最优的联合调度策略最小化在途空车的数目，即最小化再平衡成本：
Figure BDA0002574712050000123
在最小化在途空车数目的同时，也最小化了所需车队规模的下界。
步骤4.2、AMoD系统设出行时间满足三角不等式，系统中有额外的结构利用以减少优化函数中的变量，减小求解规模，即：再平衡车辆仅由多车站点发出，而且仅发往少车站点：
Figure BDA0002574712050000124
Figure BDA0002574712050000125
其中E为车辆过剩的车站集合，S为车辆短缺的车站集合；
步骤4.3、结合充电队列稳定性条件式(4)、静态平衡条件式(8)、在途空车数目式(12)及简化结构式(13-14)，将静态平衡成本优化问题表示为：
Figure BDA0002574712050000126
Figure BDA0002574712050000127
Figure BDA0002574712050000128
Figure BDA0002574712050000131
Figure BDA0002574712050000132
Figure BDA0002574712050000133
Figure BDA0002574712050000134
Figure BDA0002574712050000135
其中M是充电站集合；式(15)表示车站i中的充电车辆均分配到某一充电站进行充电；式(16)为充电站k队列稳定性条件；式(17)代表充电站k流量守恒，即充电站中车辆出站率等于车辆入站率；式(18-19)代表再平衡车辆仅由多车集合发出，且仅发往少车集合；式(20-21)为优化变量的边界条件；
上述优化问题是一个具有线性约束的非线性规划问题，对该公式进行求解即获得最优的调度策略(α,β,γ)。
步骤4.4、由于前往充电站的车辆必须充电完成后才参与系统再平衡，而充电时间又长，不可避免地将造成充电延时。进一步在每个充电站部署电量充足的电动汽车，系统开始运行时根据调度策略(α,β,γ)向外发送车辆，达到减少充电延时的目的；充电站k部署的电量充足的电动汽车数目
Figure BDA0002574712050000136
为：
Figure BDA0002574712050000137
因此，在优化充电延时后，整个系统应部署的车辆总数为：
Figure BDA0002574712050000138
步骤5、针对静态策略的不足，设计实时再平衡策略，对再平衡方案进行周期性调整。
步骤5.1、由于实时策略中再平衡调度针对的是各个站点的车辆数量，而充电问题中的平均逗留时间是由车辆入站率决定的，因此需要把再平衡问题与充电调度分解为两个子问题。虽然问题分解不能保证整个调度策略的最优性，却允许对对整个系统实时调整。
计算最优的充电调度，即在保证充电队列稳定性的条件下，使车辆尽快充电完成并参与再平衡；
Figure BDA0002574712050000141
步骤5.2、进行实时再平衡；
首先，每个再平衡周期中，从车站i发往充电站k的充电车辆数目为：vi-k＝[βikTcal]，为保证每个充电站每个再平衡周期有足够的车辆向外发出，充电站k额外部署的最小车辆数为：
Figure BDA0002574712050000142
其中Tcal为再平衡周期。
其次，用
Figure BDA0002574712050000143
表示车站i拥有的车辆数，
Figure BDA0002574712050000144
包括车站i的闲置车辆及在途车辆，即：
Figure BDA0002574712050000145
其中vi(t)为t时刻车站i内的闲置车辆数目，是车站j发往车站i的在途车辆数目，vki(t)是充电站k发往车站i的在途车辆数目；
接下来，系统中的顾客总数为C(t)＝∑ici(t)。若系统中有多余车辆，则多余的车辆总数为：
Vexc＝V-C(t) (26)
随后，通过时间加权平均值的方法对未来时变的出行需求进行预测以提前做出应对：
Figure BDA0002574712050000146
其中，τ为预测时刻，Thor为预测时间窗，T为预测周期，τh、τh+1为采样时刻。然后，确定每个车站所需车辆数
Figure BDA0002574712050000147
设置较为灵活。即有闲置车辆时，根据各站点未来需求将闲置车辆按比例分配；车辆不足以满足所有顾客需求时，根据各站点乘客数目按比例分配车辆，追求公平性。
Figure BDA0002574712050000151
优化目标为最小化再平衡成本，实时再平衡优化问题表示为：
Figure BDA0002574712050000152
Figure BDA0002574712050000153
Figure BDA0002574712050000154
Figure BDA0002574712050000155
Figure BDA0002574712050000156
式(30)代表车站发送至车站i的再平衡车辆数目应不少于i站缺少的车辆数目；式(31)代表充电站k流量守恒，即入站数目等于出站数目；式(32-33)为优化变量的边界条件，其中，numji是车站j发往车站i的再平衡车辆数目，num″ki是充电站k发往车站i的车辆数目，
Figure BDA0002574712050000157
代表数学中的非负整数集合。
为了验证本实施例提供的静态平衡策略及实时再平衡策略的有效性，采用matlab进行仿真实验验证，并作出详细的说明。假设整个系统在25*25的环境中运行，包含8个客运站及4个充电站。站点间的行驶距离通过欧氏距离表示，每辆车每个时间步长移动0.2个步长，不同充电站中每个时间步长乘客到达率及充电需求的产生率分别在[0.6,1]和[0.06,0.1]间均匀随机选取。每个充电站中设置两个充电桩，服务率分别为0.1，0.1，0.2，0.2。而且为了进一步显示各种策略的性能，我们添加随机扰动进一步破坏系统的平衡状态。
实施例1：假设每个车站乘客到达率为常数，车站内初始时刻均无等待乘客，车辆均匀分布在各个车站，每个充电站根据前文结论部署相应数量的额外车辆。再平衡周期Tcal＝200。
实施例2：假设站点3的乘客到达率是时变的，不同时间段内的乘客到达率在[0,1.2]间随机选取。此外，简单而不失一般性，设置Tcal＝Thor＝T＝200。
实施例3：硬件实验，现在我们通过9台Arduino小车、4个客运站和2个充电站的实验验证了实时再平衡策略的有效性。实验在某大学6.8m*7.2m的NEU-ITS平台上进行，Arduino小车配置了RFID读卡模块进行定位，以及WIFI模块进行V2V和V2I通信。在实验中，车站-车站之间的行程时间根据距离变化为[30s,50s]，车站-充电站之间的行程时间根据距离变化为[10s,35s]。客户到达率如图4所示，目的地密度是随机生成的。每个实验持续约3分钟。简单而不失一般性，设置Tcal＝Thor＝T＝45s。
基于上述参数，对本发明提出的静态平衡策略与实时再平衡策略进行仿真验证如图5-8所示。
图5(a)和5(b)分别显示了各种再平衡策略下等待乘客总数及再平衡车辆数随车队规模的变化。从图5(a)可以看出，随车队规模变大各种再平衡策略的性能均有所改善，其中流体策略表现较差、实时策略次之、添加预测的实时策略表现最好。从5(b)流体策略表现差的原因在于该策略下用于再平衡的车辆数目最少。
图6显示了各种再平衡策略的性能随时间的变化规律，从图6(a)看出，随时间推移，流体策略下乘客数目随时间推移不断增长；而在两种实时策略下均保持有界，分别稳定在130、20左右，而添加预测的实时策略表现最佳。从图6(b)可以看出，随时间推移流体策略下的再平衡车辆数趋近于0，流体策略失去作用；而添加预测的实时策略以较少的再平衡车辆(50辆再平衡车辆)达到了更好的再平衡效果。
图7显示了车站3中不同再平衡策略下等待乘客数目随时间步长的变化。可以看出，无预测的实时策略存在再平衡效果滞后的现象，而添加预测之后性能得以明显改善。图8为硬件实验的结果，同样对比了有无预测的实时策略的性能，结果显示每一个时间段内，添加预测的实时策略下曲线变化较快、峰值较小(无预测的实时策略下峰值为4，而添加预测的实时策略峰值为2)，表明乘客可以更快地得到服务而且站点内等待的乘客数目更少。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (7)

1.一种基于流体模型的按需出行系统充电与再平衡联合调度方法，其特征在于：包括以下步骤：
步骤1、根据按需出行系统(autonomous mobility-on-demand systems，AMoD)运行机理，结合车辆充电调度，构建流体模型；
所述流体模型为通过AMoD系统中人/车运动的变化率描述的人/车动力学模型；
步骤2、构建充电队列模型，计算充电队列稳定性条件及平均充电延时；
步骤3、结合流体模型，对系统静态平衡进行分析，推导系统平衡条件，计算最小车队规模；
步骤4、设计基于静态平衡的最优调度策略，使系统再平衡成本最小化，进行充电延时优化后，计算整个系统部署的车辆总数；
步骤5、设计实时再平衡策略，对再平衡方案进行周期性调整。
2.根据权利要求1所述的基于流体模型的按需出行系统充电与再平衡联合调度方法，其特征在于，步骤1所述AMoD系统运行机理如下：假设系统中有n个车站，乘客进入车站驾车在不同站点间迁移，若车站内没闲置车辆，乘客在车站内持续等待直到有可用车辆；针对出现站点车辆堆积、站点车辆不足的情况，对多余车辆进行再平衡以平衡乘客与车辆的供求关系，所述充电调度即将电量不足的车辆送往充电站进行排队充电，充电完成后参与按需出行系统再平衡过程。
3.根据权利要求1所述的基于流体模型的按需出行系统充电与再平衡联合调度方法，其特征在于，步骤1所述人/车的动力学模型包括乘客动力学方程以及车辆迁移动力学方程；
车站i内的乘客动力学方程为：
Figure FDA0002574712040000011
其中
Figure FDA0002574712040000012
是车辆i中乘客的变化率，λi (1)是车站i乘客入站率，
Figure FDA0002574712040000013
是乘客离站率，ci是乘客数目、vi是车辆数目、H(x)为数学中的阶跃函数；
Figure FDA0002574712040000014
所述车辆迁移动力学方程由以下五个部分构成：
(1)车站i载客及充电车辆离站率
Figure FDA0002574712040000015
(2)车站i载客车辆到达率
Figure FDA0002574712040000016
(3)车站i充电车辆到达率
Figure FDA0002574712040000021
(4)车站i再平衡车辆离站率∑j≠iαijH(vi)
(5)车站i再平衡车辆到达率
Figure FDA0002574712040000022
因此，车站i内车辆迁移动力学方程为
Figure FDA0002574712040000023
其中
Figure FDA0002574712040000024
是车站i中车辆的变化率，
Figure FDA0002574712040000025
是车站i充电车辆离站率，pij是车站i中乘客前往车站j的比例，i，j为正整数且i≠j，qik是车站i充电车辆前往充电站k的比例，okj是充电站k中车辆前往车站j的比例，αij是车站i前往车站j的再平衡车辆发车率，
Figure FDA0002574712040000026
是t-Tji时刻从车站j的车辆数，
Figure FDA0002574712040000027
是t-Tji时刻车站j的乘客数，
Figure FDA0002574712040000028
是t-T′ik-Dk-T″kj时刻站的车辆数，t代表当前时刻，Tji代表车站j到车站i的旅途时间，T′jk是车站j到充电站k的旅途时间，
Figure FDA0002574712040000029
是车辆在充电站k中的平均充电延时，T″ki是充电站k到车站i的旅途时间。
4.根据权利要求1所述的基于流体模型的按需出行系统充电与再平衡联合调度方法，其特征在于，步骤2所述充电队列模型中，充电站k的车辆入站率服从泊松分布，充电时间服从指数分布，因此将充电队列的数学建模为M/M/s队列模型，整个充电系统描述为由M个M/M/s队列模型构成的多服务器排队系统；
所述M/M/s排队模型是排队论中的一种模型，代表乘客的到达间隔服从负指数分布，到达乘客数目服从泊松分布，系统服务时间为负指数分布，乘客的到达时间与服务时间相互独立，有s个并行服务台的排队服务系统模型；
所述充电队列的稳定性条件为总入站率小于总服务率，得：
Figure FDA00025747120400000210
整个多服务器排队系统的稳定性条件为：
Figure FDA00025747120400000211
其中，βik是车站i前往充电站k的发车率，即充电站k中来自车站i的入站率；sk是充电站k中充电桩的数目；
Figure FDA0002574712040000031
是充电站k中每个充电桩的服务率；
车辆在充电站k的平均充电延时(即排队等待时间与充电时间之和)为：
Figure FDA0002574712040000032
其中，l为中间变量；
Figure FDA0002574712040000033
为车辆在k站的平均逗留时间；
Figure FDA0002574712040000034
为充电站k的车辆总入站率。
5.根据权利要求1所述的基于流体模型的按需出行系统充电与再平衡联合调度方法，其特征在于，步骤3所述系统静态平衡中系统平衡点的状态为每个车站中乘客和车辆数量变化率均为0，即：
Figure FDA0002574712040000035
且
Figure FDA0002574712040000036
将条件
Figure FDA0002574712040000037
代入乘客动力学方程得：
Figure FDA0002574712040000038
由于
Figure FDA0002574712040000039
上述方程在ci＝0 and vi＞0
Figure FDA00025747120400000310
时存在唯一解，即平衡状态下每个车站中总有多余的车辆、无等待的乘客；其中N代表车站集合；
将条件
Figure FDA00025747120400000311
及步骤(2)中结论vi＞0代入车辆迁移动力学方程(3)，得：
Figure FDA00025747120400000312
式8即为充电与再平衡联合调度(α,β,γ)使系统达到平衡状态应满足的充分必要条件，其中
Figure FDA00025747120400000313
所述最小车队规模即为充电与再平衡联合调度(α,β,γ)确保平衡点存在的最小车队规模；最小车队规模为所有车辆均有任务而在道路上行驶，车站内临界没有多余车辆，其计算过程如下；
首先载客的在途车辆数Vα为：
Figure FDA00025747120400000314
其次前往充电站及从充电站发出的在途车辆数V(β,γ)为：
Figure FDA0002574712040000041
因此整个系统静态平衡条件下的总在途车辆数为：
Figure FDA0002574712040000042
式(11)即联合调度策略(α,β,γ)对应的临界车辆数；其中静态平衡条件vi＞0
Figure FDA0002574712040000043
系统部署车辆数量满足V>V(α,β,γ)，V即为策略(α,β,γ)对应的最小车队规模。
6.根据权利要求1所述的基于流体模型的按需出行系统充电与再平衡联合调度方法，其特征在于，步骤4具体包括：
步骤4.1、计算最优的联合调度策略最小化在途空车的数目，即最小化再平衡成本：
Figure FDA0002574712040000044
在最小化在途空车数目的同时，也最小化了所需车队规模的下界；
步骤4.2、AMoD系统设出行时间满足三角不等式，系统中有额外的结构利用以减少优化函数中的变量，减小求解规模，即：再平衡车辆仅由多车站点发出，而且仅发往少车站点：
Figure FDA0002574712040000045
Figure FDA0002574712040000046
其中E为车辆过剩的车站集合，S为车辆短缺的车站集合；
步骤4.3、结合充电队列稳定性条件式(4)、静态平衡条件式(8)、在途空车数目式(12)及简化结构式(13-14)，将静态平衡成本优化问题表示为：
Figure FDA0002574712040000047
Figure FDA0002574712040000048
Figure FDA0002574712040000051
Figure FDA0002574712040000052
Figure FDA0002574712040000053
Figure FDA0002574712040000054
Figure FDA0002574712040000055
Figure FDA0002574712040000056
其中M是充电站集合；式(15)表示车站i中的充电车辆均分配到某一充电站进行充电；式(16)为充电站k队列稳定性条件；式(17)代表充电站k流量守恒，即充电站中车辆出站率等于车辆入站率；式(18-19)代表再平衡车辆仅由多车集合发出，且仅发往少车集合；式(20-21)为优化变量的边界条件，对该公式进行求解即获得最优的调度策略(α,β,γ)；
步骤4.4、在每个充电站部署电量充足的电动汽车，系统开始运行时根据调度策略(α,β,γ)向外发送车辆，达到减少充电延时的目的；充电站k部署的电量充足的电动汽车数目
Figure FDA00025747120400000511
为：
Figure FDA0002574712040000057
因此，在优化充电延时后，整个系统部署的车辆总数为：
Figure FDA0002574712040000058
7.根据权利要求1所述的基于流体模型的按需出行系统充电与再平衡联合调度方法，其特征在于，步骤5具体包括：
步骤5.1、计算最优的充电调度，即在保证充电队列稳定性的条件下，使车辆充电完成并参与再平衡；
Figure FDA0002574712040000059
步骤5.2、进行实时再平衡；
首先，每个再平衡周期中，从车站i发往充电站k的充电车辆数目为：
Figure FDA00025747120400000510
为保证每个充电站每个再平衡周期有足够的车辆向外发出，充电站k额外部署的最小车辆数为：
Figure FDA0002574712040000061
其中Tcal为再平衡周期，用
Figure FDA0002574712040000062
表示车站i拥有的车辆数，
Figure FDA0002574712040000063
包括车站i的闲置车辆及在途车辆，即：
Figure FDA0002574712040000064
其中vi(t)为t时刻车站i内的闲置车辆数目，是车站j发往车站i的在途车辆数目，vki(t)是充电站k发往车站i的在途车辆数目；系统中的顾客总数为C(t)＝∑ici(t)；若系统中有多余车辆，则多余的车辆总数为：
Vexc＝V-C(t) (26)
通过时间加权平均值的方法对未来时变的出行需求进行预测：
Figure FDA0002574712040000065
其中，τ为预测时刻，Thor为预测时间窗，T为预测周期，τh、τh+1为采样时刻，确定每个车站所需车辆数
Figure FDA0002574712040000066
即有闲置车辆时，根据各站点未来需求将闲置车辆按比例分配；车辆不满足所有顾客需求时，根据各站点乘客数目按比例分配车辆；
Figure FDA0002574712040000067
优化目标为最小化再平衡成本，实时再平衡优化为：
Figure FDA0002574712040000068
Figure FDA0002574712040000069
Figure FDA00025747120400000610
Figure FDA00025747120400000611
Figure FDA00025747120400000612
式(30)代表车站发送至车站i的再平衡车辆数目应不少于i站缺少的车辆数目；式(31)代表充电站k流量守恒，即入站数目等于出站数目；式(32-33)为优化变量的边界条件，其中，numji是车站j发往车站i的再平衡车辆数目，num″ki是充电站k发往车站i的车辆数目，
Figure FDA0002574712040000071
代表数学中的非负整数集合。
CN202010650391.7A 2020-07-08 2020-07-08 基于流体模型的按需出行系统充电与再平衡联合调度方法 Active CN111915146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010650391.7A CN111915146B (zh) 2020-07-08 2020-07-08 基于流体模型的按需出行系统充电与再平衡联合调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010650391.7A CN111915146B (zh) 2020-07-08 2020-07-08 基于流体模型的按需出行系统充电与再平衡联合调度方法

Publications (2)

Publication Number Publication Date
CN111915146A true CN111915146A (zh) 2020-11-10
CN111915146B CN111915146B (zh) 2022-08-23

Family

ID=73226527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010650391.7A Active CN111915146B (zh) 2020-07-08 2020-07-08 基于流体模型的按需出行系统充电与再平衡联合调度方法

Country Status (1)

Country Link
CN (1) CN111915146B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298436A (zh) * 2021-06-22 2021-08-24 东北大学秦皇岛分校 考虑乘车定价的AMoD系统充电调度与车辆再平衡方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070080664A1 (en) * 2005-07-29 2007-04-12 Ford Global Technologies, Llc System and method for rebalancing a battery during vehicle operation
KR20140016005A (ko) * 2012-07-30 2014-02-07 이순노 최적의 증권 포트폴리오의 구성과 운용시스템 그 방법
CN107832958A (zh) * 2017-11-15 2018-03-23 云南电网有限责任公司 一种基于需求分析的电动出租车充电站规划方法
CN109523051A (zh) * 2018-09-18 2019-03-26 国网浙江省电力有限公司经济技术研究院 一种电动汽车充电实时优化调度方法
CN110458332A (zh) * 2019-07-18 2019-11-15 天津大学 一种基于负荷空间转移的电动汽车快速充电需求调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070080664A1 (en) * 2005-07-29 2007-04-12 Ford Global Technologies, Llc System and method for rebalancing a battery during vehicle operation
KR20140016005A (ko) * 2012-07-30 2014-02-07 이순노 최적의 증권 포트폴리오의 구성과 운용시스템 그 방법
CN107832958A (zh) * 2017-11-15 2018-03-23 云南电网有限责任公司 一种基于需求分析的电动出租车充电站规划方法
CN109523051A (zh) * 2018-09-18 2019-03-26 国网浙江省电力有限公司经济技术研究院 一种电动汽车充电实时优化调度方法
CN110458332A (zh) * 2019-07-18 2019-11-15 天津大学 一种基于负荷空间转移的电动汽车快速充电需求调度方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298436A (zh) * 2021-06-22 2021-08-24 东北大学秦皇岛分校 考虑乘车定价的AMoD系统充电调度与车辆再平衡方法

Also Published As

Publication number Publication date
CN111915146B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
Gusrialdi et al. Distributed scheduling and cooperative control for charging of electric vehicles at highway service stations
Amirgholy et al. Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach
Sun et al. Timetable optimization for single bus line based on hybrid vehicle size model
CN115100896B (zh) 一种考虑机会充电策略的电动需求响应公交调度方法
CN111160588A (zh) 一种预约充电服务方法及系统
CN106485912A (zh) 一种基于公交站点信息化的普通公交动态调度方法
CN115547052B (zh) 改进自适应大邻域算法的动态需求响应电动公交调度方法
CN105051800A (zh) 充电管理装置
Kim et al. Idle vehicle relocation strategy through deep learning for shared autonomous electric vehicle system optimization
Guo et al. Rebalancing and charging scheduling with price incentives for car sharing systems
Jamshidi et al. Dynamic planning for simultaneous recharging and relocation of shared electric taxies: A sequential MILP approach
CN113112849A (zh) 一种基于生态环保驾驶的需求响应公交调度方法
Chavhan et al. Next-generation smart electric vehicles cyber physical system for charging slots booking in charging stations
CN111915146B (zh) 基于流体模型的按需出行系统充电与再平衡联合调度方法
CN112529608A (zh) 信息处理系统以及程序
Maciejewski Benchmarking minimum passenger waiting time in online taxi dispatching with exact offline optimization methods
Xu et al. FMS-dispatch: a fast maximum stability dispatch policy for shared autonomous vehicles including exiting passengers under stochastic travel demand
CN106096793A (zh) 基于拥塞感知的周期性优化的电动汽车充电决策方法
Lai et al. Towards a multimodal charging network: Joint planning of charging stations and battery swapping stations for electrified ride-hailing fleets
Ruiz et al. An optimal battery charging and schedule control strategy for electric bus rapid transit
CN113420926A (zh) 一种城市枢纽间多交通方式运力协同优化方案编制方法
CN116822898A (zh) 一种基于深度强化学习的电动汽车车队调度方法和系统
CN115375132A (zh) 一种基于排队理论的多等级充电与再平衡联合调度方法
Zhu et al. A Coverage Control-Based Idle Vehicle Rebalancing Approach for Autonomous Mobility-on-Demand Systems
Al Theeb et al. Optimization of logistic plans with adopting the green technology considerations by utilizing electric vehicle routing problem

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