CN112200367B - 一种支持充放电策略的电动汽车配送路径优化方法 - Google Patents
一种支持充放电策略的电动汽车配送路径优化方法 Download PDFInfo
- Publication number
- CN112200367B CN112200367B CN202011081222.2A CN202011081222A CN112200367B CN 112200367 B CN112200367 B CN 112200367B CN 202011081222 A CN202011081222 A CN 202011081222A CN 112200367 B CN112200367 B CN 112200367B
- Authority
- CN
- China
- Prior art keywords
- time
- vehicle
- battery
- customer
- charge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 230000005611 electricity Effects 0.000 claims abstract description 30
- 230000002068 genetic effect Effects 0.000 claims abstract description 22
- 238000007599 discharging Methods 0.000 claims abstract description 11
- 210000000349 chromosome Anatomy 0.000 claims description 84
- 230000035772 mutation Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 9
- 238000003780 insertion Methods 0.000 claims description 9
- 230000037431 insertion Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004043 dyeing Methods 0.000 claims description 3
- 238000012966 insertion method Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 239000002699 waste material Substances 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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
- Y02T90/14—Plug-in electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
Abstract
本发明公开一种支持充放电策略的电动汽车配送路径优化方法，该配送路径优化方法首先搭建以车辆固定成本、行驶成本、惩罚成本以及充放电成本为优化的目标函数，然后根据顾客点和充电站的坐标，采用遗传算法与局部搜索的混合算法进行路径规划，得到最优路径方案；最后根据步骤2得到的电动汽车配送路径的最优路径方案，结合分时电价，以换电站交换电池的供电方式，指导电力市场制定利润最大化的充放电决策。该配送路径优化方法设计了一种与局部搜索相结合的改进遗传算法(GA‑LS)，考虑了电动汽车充放电对电网的影响，具有鲁棒稳定性强、迭代效率高、求解质量高等优点。
Description
技术领域
本发明涉及电动汽车配送路径优化调度技术领域，具体是一种支持充放电策略的电动汽车配送路径优化方法。
背景技术
随着全球变暖等问题日益严重，降低交通运输领域的温室气体排放逐渐受到人们的重视。新能源汽车具有无污染，节能环保等优点，随着电池技术的不断发展，新能源逐渐被应用于物资运输、个人出行、公共交通等多个交通领域。但由于电池电量限制以及充/换电设施较少，很大程度上限制了新能源汽车在各个领域上进一步推广和应用。近年来国内外关于以电动汽车为主的车辆路径规划研究越来越多，绿色交通运输将成为未来几年的重点方向。
车辆路径问题(VRP)作为交通方向里的经典问题已经发展成熟，新型的电动汽车路径问题(EVRP)是对原有模型的扩展，相较于传统的车辆路径问题，需要考虑车辆的行驶范围、充电时间等问题，使得模型更加复杂。
现有技术解决电动汽车路径优化问题时，主要问题有：
(1)在路径优化和充电策略上，针对车联网(V2G)的研究相对较少。在智能电网中，电动汽车/换电站可以作为分布式电源为电网输送能量，这种充放电方式减少了电网的能源浪费并且提高电动汽车的运作效率，减少配送的成本和时间，降低电网的峰谷差。
(2)模型容量较小，不能适用于顾客点数较多的情况。现有技术应用的算例模型顾客点较少，缺少对大容量模型的可行性研究。
(3)充电时间不合理。现有技术会在电动汽车低电量时进入充电站，直至电量充满或到规定的服务时间方可离开，但该充电方法易导致充电时间过长，驾驶员往往集中在一天中的某几个特定时段，易造成充电高峰，充电站排队时间过长等情况
(4)算法求解较慢，稳定性差，容易陷入局部最优的情况。
发明内容
为了解决现有电动汽车路径规划问题求解效率低、算例容量较小和充放电策略等问题，本发明提供一种支持充放电策略的电动汽车配送路径优化方法。该配送路径优化方法设计了一种与局部搜索相结合的改进遗传算法(GA-LS)，考虑了电动汽车充放电对电网的影响，具有鲁棒稳定性强、迭代效率高、求解质量高等优点。
本发明解决所述技术问题的技术方案是，设计一种支持充放电策略的电动汽车配送路径优化方法，其特征在于，该方法的步骤如下：
步骤1：搭建以车辆固定成本、行驶成本、惩罚成本以及充放电成本为优化的目标函数：
上述目标函数遵从电动汽车出行约束和电网约束；
所述电动汽车出行约束为：
∑j∈V,i≠jX0jk≤1 k∈K (3)
O≤Dj≤Cik-Di i∈V,j∈V,k∈K (5)
所述电网约束为：
上述公式中，有：
此外，C0为单位车辆的固定成本；Cd为单位距离成本；C2为违反时间窗的惩罚成本；C3为违反电量约束的惩罚成本；C1为违反载重约束的惩罚成本；K 为使用车辆数量的集合；0为配送中心，N为顾客点集合，G为换电站点的集合，V为全部节点的集合；dij为节点i到节点j的距离，Di为顾客点i的需求量；Cap为车辆的最大装载容量，Cik为车辆k到达节点i时剩余的载重量，BQ 为车辆的最大电池容量，qaik为车辆k到达节点i时车辆的剩余电量，qlik为车辆k离开节点i时车辆的剩余电量；ei为顾客点i的最早服务时间,i∈N；li为顾客点i的最晚服务时间,i∈N；tai为车辆到达顾客点i时的时间,i∈ V；tli为车辆离开顾客点i时的时间,i∈V；tωi为车辆在顾客点i的处的等待时间,i∈N；tμi为车辆在顾客点i的处的迟到时间,i∈N；tsi为车辆在顾客点i的服务时间或充电时间,i∈V；tij为车辆从顾客点i到j的行驶时间, i、j∈V；speed为车辆在配送中行驶的速度；η为电池能量消耗系数；Pev(i,j) 为在j时刻电池i的实际充放电速率；SOC(i,j)为在j时刻电池i的荷电状态；Sj为在j时刻的分时电价；Pavr为包含电动车的电网的平均功率；PLj为不含电动汽车的原电网j时刻的功率；
其中：目标函数式(1)代表了车辆成本、行驶成本、惩罚成本以及充放电成本四项和，其中充放电成本按分时电价，当电池放电时为负，即充放电成本为负时，说明在充放电过程中总体为获利；约束式(2)表示每个顾客点都被服务且只服务一次；约束式(3)表示每条配送路线只安排一辆运输车辆；约束式 (4)保证了每个顾客点i都被服务过且仅被服务过一次；约束式(5)表示载重量与每个顾客点的需求量的关系，例如，车辆在顾客点j点的需求量不能超过车辆在顾客点i的剩余量减去顾客点i的需求量；约束式(6)表示每条路径的总需求量不得超过车辆的最大承载容量；约束式(7)-(8)分别表示了顾客点到顾客点、换电站到顾客点的电量约束，如约束式(7)，顾客点j的剩余电量不得超过顾客点i的剩余电量减去从顾客点i到顾客点j所消耗的电量；约束式(9) 表示任意点的剩余电量始终非负；约束式(10)表示车辆访问顾客点节点的前后电量保持一致；约束式(11)-(12)表示电动汽车到达顾客点i的等待时间和迟到时间，例如约束式(11)所示，当车辆到达时间早于最早服务时间，那么等待时间为ei-tai，否则取0；约束式(13)表示车辆离开顾客点i的时间为车辆到达顾客点i的时间与服务时间、等待时间之和；约束式(14)表示车辆从顾客点i到顾客点j所用时间的公式；约束式(15)表示车辆到达顾客点j的时间等于离开顾客点i的时间加从顾客点i到顾客点j所耗费的时间；约束式(16) -(17)为二进制0-1变量；公式(18)为负荷均方差，表示电网负荷的波动情况，均方差越小，电网负荷波动越小；约束式(20)表示电池的充放电速率的上下限；公式(21)表示电池可用容量约束，表示电池电荷状态的最大值与最小值；
步骤2：根据顾客点和充电站的坐标，采用遗传算法与局部搜索的混合算法进行路径规划，得到最优路径方案；
所述步骤2具体包括：
步骤2.1：将电动汽车的配送路径作为遗传算法的染色体，不同的电动汽车配送路径将一条染色体分为多组，采用十进制的编码方式进行染色体编码；具体的，染色体长度为n+ch+k-1，其中n代表了顾客点的数量，序列号为1,2,…,n， ch代表了换电站的数量，序列号为n+1,n+2,…,n+ch；k代表了使用电动汽车的数量，同时也代表一共有多少条路径，k-1表示了配送中心在染色体上的位置，其序列号为n+ch+1,…,n+ch+k-1；
步骤2.2：采用遗传算法与局部搜索的混合算法进行路径规划，具体为：
(1)参数初始化：设置种群规模、最大迭代次数、交叉概率和变异概率；
(2)初始化种群：输入各个顾客点和充电站的坐标，随机生成初始种群作为遗传过程中的父代，并计算父代每条染色体的适应度值；
(3)选择操作：选择采用轮盘赌选择法，每个个体被选中的概率与该个体的适应度大小成正比，并按照此概率随机生成第一代子代种群；由于适应度较好的个体选择的概率更高，父代个体中适应度较好的个体可能会被多次选中，第一代子代种群与父代种群的种群大小保持一致；父代个体被遗传到第一代子代种群中的概率：
其中Fitness(xi)为个体i的适应度；
(4)交叉操作：采用OX交叉操作，具体的：随机选取第一代子代种群中的两个染色体作为OX交叉操作的父代染色体，分别命名为父代1染色体和父代2 染色体，每条染色体上随机选取a和b两个位置，该染色体上a到b之间的部分则称为交叉片段，将父代2染色体的交叉片段拼接到父代1染色体的前面，将父代1染色体的交叉片段拼接到父代2染色体的前面；然后将新得到的父代1染色体和父代2染色体中重复的个体进行标记，接着按照从前到后的顺序将第二个重复的个体删除，形成两个子代个体；按照上述的OX交叉操作，将第一代子代种群进行迭代更新，直至交叉概率达到设定值，此时的种群称为第二代子代种群；
(5)变异操作：按照预先设置的变异概率判断第二代子代种群中是否有染色个体需要变异，若不需要则进行下一步操作；若需要，则在该染色体上随机选取两个变异位置a、b，随后将两个位置的部分进行交换，生成变异的染色体，直至该群体中的染色体的变异概率到达设定值；经过变异操作输出的种群称为第三代子代种群；
(6)进行局部搜索操作：
a.对第三代子代种群中染色体编码字符串中的顾客点编码采用移除算子进行随机删除，将一定数量η的顾客点随机从路径中移除，并删除顾客点数为零的空路径；
b.采取贪婪插入的方法，计算被移除的顾客点与未被移除顾客点的相关性，按照相关性的大小依次插入未被移除的顾客点的路径中，随后判断该路径是否违反电动汽车出行约束约束，未违反则记录该点，否则重新插入；若是未发现合适的插入点则新建一条路径；贪婪插入根据顾客点之间的相关性，将被移除顾客点插入到当前解最优的位置，使得每次插入的成本最低；
c.由于每次顾客点位置都会重新调整，换电站位置也需重新插入，将换电站按照与该路径中顾客点i的相关性进行插入，插入后记录该路径是否违反了电量约束；若是违反则重新插入，否则记录该点；
d.计算经步骤a、b、c操作之后得到的每条染色体的适应度值，保留适应度值更大的染色体，更新种群；
(7)判断迭代次数是否满足迭代终止条件，若不满足终止条件，则迭代次数加一，转步骤(4)；若满足则转步骤(8)；
(8)从当前种群中选择适应度值最优的个体作为遗传算法与局部搜索的混合算法的最优解并输出，该最优解即为最优路径方案；
步骤3：根据步骤2得到的电动汽车配送路径的最优路径方案，结合分时电价，以换电站交换电池的供电方式，指导电力市场制定利润最大化的充放电决策。
所述每条染色体适应度值的计算过程为：
Fitness(xi)为染色体i的适应度，f(xi)是以车辆固定成本、行驶成本、惩罚成本为优化的函数；C3为违反电量约束的惩罚成本，设定为1000000。
与现有技术相比，本发明有益效果在于：
(1)为有效利用电动汽车的剩余电量，减少能源损耗，基于V2G模式和交换电池模式，通过将电动汽车并入电网来获取、输送能量。交换电池优化方案使得峰谷差降低，且均方差降低。该优化方案在降低充电成本的同时，有效利用了电动汽车的充放电决策来降低系统的负荷峰谷差，降低电能成本。
(2)传统的遗传算法搜索能力较差，容易陷入局部最优解。针对现有算法求解电动汽车路径问题的特性，设计了一种遗传算法与局部搜索的混合算法，提高迭代的效率和最优解的质量。并通过大容量的案例验证了该算法的优化效果更好。
(3)通过局部搜索操作将顾客点移除，重新插入到原有的路径中，减少了多余路径的产生，减少了电动汽车的使用成本。
附图说明
图1为本发明配送路径优化方法一种实施例的流程图；
图2为实施例中案例r-4-c-30的充电站与顾客点的分布图；
图3为实施例中案例r-4-c-60的充电站与顾客点的分布图；
图4为实施例中案例r-8-c-90的充电站与顾客点的分布图；
图5为实施例中案例r-8-c-120的充电站与顾客点的分布图；
图6为图2中所示的案例采用本发明配送路径优化方法所得的最优路径方案；
图7为图3中所示的案例采用本发明配送路径优化方法所得的最优路径方案；
图8为图4中所示的案例采用本发明配送路径优化方法所得的最优路径方案；
图9为图5中所示的案例采用本发明配送路径优化方法所得的最优路径方案；
图10为实施例中案例所在地的分时电价和电网负荷曲线图；
图11为图2中所示的案例采用快速充电和交换电池的电网负荷曲线以及原电网负荷曲线。
具体实施方式
本发明提供了一种智能电网下支持充放电策略的电动汽车配送路径优化方法(简称配送路径优化方法)，该方法的步骤如下：
步骤1：搭建以车辆固定成本、行驶成本、惩罚成本以及充放电成本为优化的目标函数：
上述目标函数遵从电动汽车出行约束和电网约束：
所述电动汽车出行约束为：
∑j∈V,i≠jX0jk≤1 k∈K (3)
O≤Dj≤Cik-Di i∈V,j∈V,k∈K (5)
所述电网约束为：
上述公式中，有：
此外，C0为单位车辆的固定成本；Cd为单位距离成本；C2为违反时间窗的惩罚成本；C3为违反电量约束的惩罚成本；C1为违反载重约束的惩罚成本；K为使用车辆数量的集合；0为配送中心，N为顾客点集合，G为换电站点的集合， V为全部节点的集合；dij为节点i到节点j的距离，Di为顾客点i的需求量；Cap为车辆的最大装载容量，Cik为车辆k到达节点i时剩余的载重量，BQ为车辆的最大电池容量，qaik为车辆k到达节点i时车辆的剩余电量，qlik为车辆k 离开节点i时车辆的剩余电量；ei为顾客点i的最早服务时间,i∈N；li为顾客点节点i的最晚服务时间,i∈N；tai为车辆到达顾客点i时的时间,i∈ V；tli为车辆离开顾客点i时的时间,i∈V；tωi为车辆在顾客点i的处的等待时间,i∈N；tμi为车辆在顾客点i的处的迟到时间,i∈N；tsi为车辆在顾客点i的服务时间或充电时间,i∈V；tij为车辆从顾客点i到j的行驶时间, i、j∈V；speed为车辆在配送中行驶的速度；η为电池能量消耗系数；Pev(i,j) 为在j时刻电池i的实际充放电速率；SOC(i,j)为在j时刻电池i的荷电状态；Sj为在j时刻的分时电价；Pavr为包含电动车的电网的平均功率。PLj为不含电动汽车的原电网j时刻的功率。
其中：目标函数式(1)代表了车辆成本、行驶成本、惩罚成本以及充放电成本四项和的最小值，为分时电价，当电池放电时为负，即充放电成本为负时，说明在充放电过程中总体为获利。约束式(2)表示每个顾客点都被服务且只服务一次。约束式(3)表示每条配送路线只安排一辆运输车辆。约束式(4)保证了每个顾客点i都被服务过且仅被服务过一次。约束式(5)表示载重量与每个顾客点的需求量的关系，例如，车辆在顾客点j点的需求量不能超过车辆在顾客点i的剩余量减去顾客点i的需求量。约束式(6)表示每条路径的总需求量不得超过车辆的最大承载容量。约束式(7)-(8)分别表示了顾客点到顾客点、换电站到顾客点的电量约束，如约束式(7)，顾客点j的剩余电量不得超过顾客点 i的剩余电量减去从顾客点i到顾客点j所消耗的电量。约束式(9)表示任意点的剩余电量始终非负。约束式(10)表示车辆访问顾客点节点的前后电量保持一致。约束式(11)-(12)表示电动汽车到达顾客点i的等待时间和迟到时间，例如约束式(11)所示，当车辆到达时间早于最早服务时间，那么等待时间为 ei-tai，否则取0。约束式(13)表示车辆离开顾客点i的时间为车辆到达顾客点i的时间与服务时间、等待时间之和。约束式(14)表示车辆从顾客点i到顾客点j所用时间的公式。约束式(15)表示车辆到达顾客点j的时间等于离开顾客点i的时间加从顾客点i到顾客点j所耗费的时间。约束式(16)-(17)为二进制0-1变量。公式(18)为负荷均方差，表示电网负荷的波动情况，均方差越小，电网负荷波动越小。约束式(20)表示电池的充放电速率的上下限。公式 (21)表示电池可用容量约束，表示电池电荷状态的最大值与最小值，为了保证电池的充放电安全以及使用寿命，通常取最小值为0.2，最大值取0.9，即电池电荷状态的最大值为电池最大存储容量的90％，电池电荷状态的最小值为电池最大存储容量的20％；
步骤2：根据顾客点和充电站的坐标，采用遗传算法与局部搜索的混合算法进行路径规划，得到最优路径方案；
所述步骤2具体包括：
步骤2.1：将电动汽车的配送路径作为遗传算法的染色体，不同的电动汽车配送路径将一条染色体分为多组，采用十进制的编码方式进行染色体编码；具体的，染色体长度为n+ch+k-1，其中n代表了顾客点的数量，序列号为1,2,…,n， ch代表了换电站的数量，序列号为n+1,n+2,…,n+ch。k代表了使用电动汽车的数量，同时也代表一共有多少条路径，k-1表示了配送中心在染色体上的位置，其序列号为n+ch+1,…,n+ch+k-1。例如模型为5个顾客点、3辆电动汽车和2个换电站，那么染色体编码可以是126845937,8、9代表了配送中心，那么该染色体则被划分为“0-1-2-6-0”、“0-4-5-0”、“0-3-7-0”三条路径(0表示配送中心)。三辆车从配送中心出发，第一辆车经过1、2两个顾客点和一个换电站，第二辆车经过4、5两个顾客点，第三辆车经过顾客点3和一个换电站，最后返回配送中心。
步骤2.2：采用遗传算法与局部搜索的混合算法进行路径规划，具体为：
(1)参数初始化：设置种群规模、最大迭代次数、交叉概率和变异概率；
(2)初始化种群：输入各个顾客点和充电站的坐标，随机生成初始种群作为遗传过程中的父代，并计算父代每条染色体的适应度值；
(3)选择操作：选择采用轮盘赌选择法，每个个体被选中的概率与该个体的适应度大小成正比，并按照此概率随机生成第一代子代种群。由于适应度较好的个体选择的概率更高，父代个体中适应度较好的个体可能会被多次选中，第一代子代种群与父代种群的种群大小保持一致。父代个体被遗传到第一代子代种群中的概率：
其中Fitness(xi)为个体i的适应度。
(4)交叉操作：采用OX交叉操作，具体的：随机选取第一代子代种群中的两个染色体作为OX交叉操作的父代染色体，分别命名为父代1染色体和父代2 染色体，每条染色体上随机选取a和b两个位置，该染色体上a到b之间的部分则称为交叉片段，将父代2染色体的交叉片段拼接到父代1染色体的前面，将父代1染色体的交叉片段拼接到父代2染色体的前面。然后将新得到的父代 1染色体和父代2染色体中重复的个体进行标记，接着按照从前到后的顺序将第二个重复的个体删除，形成两个子代个体。按照上述的OX交叉操作，将第一代子代种群进行迭代更新，直至交叉概率达到设定值，此时的种群称为第二代子代种群；
(5)变异操作：按照预先设置的变异概率判断第二代子代种群中是否有染色个体需要变异，若不需要则进行下一步操作；若需要，则在该染色体上随机选取两个变异位置a、b，随后将两个位置的部分进行交换，生成变异的染色体，直至该群体中的染色体的变异概率到达设定值；经过变异操作输出的种群称为第三代子代种群；
(6)进行局部搜索操作：
a.对第三代子代种群中染色体编码字符串中的顾客点编码采用移除算子进行随机删除，将一定数量η的顾客点随机从路径中移除，并删除顾客点数为零的空路径；
b.采取贪婪插入的方法，计算被移除的顾客点与未被移除顾客点的相关性 (此处的相关性是指两顾客点距离远近关系，越近即相关性越大)，按照相关性的大小依次插入未被移除的顾客点的路径中，随后判断该路径是否违反电动汽车出行约束约束，未违反则记录该点，否则重新插入。若是未发现合适的插入点则新建一条路径。贪婪插入根据顾客点之间的相关性，将被移除顾客点插入到当前解最优的位置，使得每次插入的成本最低。
c.由于每次顾客点位置都会重新调整，换电站位置也需重新插入，将换电站按照与该路径中顾客点i的相关性(此处的相关性是指换电站与顾客点距离远近关系，越近即相关性越大)进行插入，插入后记录该路径是否违反了电量约束。若是违反则重新插入，否则记录该点。
d.计算经步骤a、b、c操作之后得到的每条染色体的适应度值，保留适应度值更大的染色体，更新种群；
(7)判断迭代次数是否满足迭代终止条件，若不满足终止条件，则迭代次数加一，转步骤(4)；若满足则转步骤(8)；
(8)从当前种群中选择适应度值最优的个体作为遗传算法与局部搜索的混合算法的最优解并输出，该最优解即为最优路径方案。
所述每条染色体适应度值的计算过程为：
Fitness(xi)为染色体i的适应度，f(xi)是以车辆固定成本、行驶成本、惩罚成本为优化的函数。C3为违反电量约束的惩罚成本，在该模型中车辆的行驶里程超过电池额定的行驶里程是不被允许的，所以C3设定为1000000，避免出现行驶里程超过续航里程的情况。由于电动汽车在换电站交换电池后，多余的电池会作为电网的分布式电源将剩余的电量进行充放电操作，该适应度值不再计算充电成本。
计算每条染色体个体的适应度大小，实质上是采用罚函数的方法来惩罚违反约束的路径和顾客点。当车辆到达顾客点，则记录该时刻的时间、顾客点的需求量以及行驶里程。当车辆到达换电站时，由于电动汽车更换电池变为满电量状态，行驶的里程归零，重新进行记录。若是出现违反约束的顾客点，则记录该点，并在成本上增加其违反约束的惩罚成本。为快速找到最优的方案，将旅行成本、惩罚成本、固定车辆成本三项的总成本作为适应度函数。
步骤3：根据步骤2得到的电动汽车配送路径的最优路径方案，结合分时电价，以换电站交换电池的供电方式，指导电力市场制定利润最大化的充放电决策。
所述步骤3具体包括：
步骤3.1：获取当地分时电价和配电网基础负荷数据；
步骤3.2：记录电动汽车到达换电站的电池状态(SOC)以及电动汽车到达换电站的时间。
步骤3.3：构建交换电池优化方案，根据步骤1构建的电网约束进行充放电选择，得到最佳的充放电策略。
所述交换电池优化方案具体为：为方便进行充放电决策，将一天分为2个时段，分别为高峰时段、非高峰时段，这2种状态取决于用户用电、可变电价等数据。当用户用电需求量较大，分时电价较高时，该时段为高峰时段，此时将电池放电直至达到电池容量所允许的最小值，若电力系统产生的电量满足该时段的用户用电需求，则将多余的电量出售到电力市场中获取利润。当用户用电需求量较小，分时电价较低时，该时段为非高峰时段，此时将电池充电直到电池达到最大荷电状态。电池通过在电价较高时放电在电价较低时充电来降低充电成本。分时电价和配电网基础负荷曲线如图5所示。交流电源通过换流器将交流转换为直流，假定转换器的转换效率为ηbat，电池的实际充放电效率为：
Pev,test(i,j)为电池i在时刻j的充放电速率，当Pev,test(i,j)小于0为放电，大于0为充电。
电池每隔一小时就会进行一次数据采样，来记录电池的充放电状态。充电时的电池状态为：
放电时的电池状态为：
SOC(i,j-Δt)为上一时刻的电池状态，ηcharge和ηdischarge分别为为电池的充放电效率，Cbat为电池所允许的最大储存容量。
步骤3.4：以交换电池的方式，根据步骤3.3的最佳的充放电策略，通过电池接入电网，向电网输送/获取能量，降低电动汽车配送路径目标函数的充电成本。
实施例
为证明本发明配送路径优化方法的运行效率和最优解的质量，随机选取了4 组海口市2017年6月的滴滴出行订单数据。4组案例分别编号为r-4-c-30、r- 4-c-60、r-8-c-90、r-8-c-120，案例编号里面较小的数字代表充电站个数，较大的数字代表顾客点个数，充电站与顾客点的分布见图3；假定这些订单的起点相同(起点设为配送中心)，有电动汽车依次送往目的地，每个目的地的人数为 1-3人，通过本发明配送路径优化方法计算将这些顾客点运送到目的地所需的距离和所需车辆数。图2表示4组算例的顾客点和换电站的分布情况。每个算例只配备一个配送中心。记录车辆到达换电站时换下电池的剩余电量，作为分布式电源并入到电网中，按照优化的充放电策略进行充放电操作，表1为初始参数的设定值。
表1初始参数
参数设置：种群大小为100，交叉概率为0.9，变异概率为0.05，迭代次数为200次，反复求解3次，输出平均值的计算结果作为最优解。表2为改进效果与对比实验结果，其中GA代表采用传统的遗传方法的配送路径优化方法，GA- LS代表采用本发明方法的配送路径优化方法，四个案例的最优配送方案的路径如图4所示。
表2改进遗传算法优化效果对比
基于海口市案例“r-4-c-30”，分析了快速充电和交换电池两种不同充电策略对电网产生的影响，并将两种情况电网负荷曲线跟原电网负荷曲线进行对比，如图5所示。表3统计计算并对比了相应的负荷特性指标、充电成本和总成本。
表3两种充电策略对比
从上述案例可以得到，本发明配送路径优化方法可以给出车辆数量更少、行驶距离更短、出行成本更低的路径规划，同时，根据路径规划，采用电池交换的方式，使得路径规划总成本更低。本发明配送路径优化方法对于采用电动汽车进行配送具有现实指导意义，宜于推广应用。
本发明未述及之处适用于现有技术。
Claims (4)
1.一种支持充放电策略的电动汽车配送路径优化方法，其特征在于，该方法的步骤如下：
步骤1：搭建以车辆固定成本、行驶成本、惩罚成本以及充放电成本为优化的目标函数：
上述目标函数遵从电动汽车出行约束和电网约束；
所述电动汽车出行约束为：
∑j∈V,i≠jX0jk≤1 k∈K (3)
0≤Dj≤Cik-Di， i∈V,j∈V,k∈K (5)
所述电网约束为：
上述公式中，有：
此外，C0为单位车辆的固定成本；Cd为单位距离成本；C2为违反时间窗的惩罚成本；C3为违反电量约束的惩罚成本；C1为违反载重约束的惩罚成本；K为使用车辆数量的集合；0为配送中心，N为顾客点集合，G为换电站点的集合，V为全部节点的集合；dij为节点i到节点j的距离，Di为顾客点i的需求量；Cap为车辆的最大装载容量，Cik为车辆k到达节点i时剩余的载重量，BQ为车辆的最大电池容量，qaik为车辆k到达节点i时车辆的剩余电量，qlik为车辆k 离开节点i时车辆的剩余电量；ei为顾客点i的最早服务时间,i∈N；li为顾客点i的最晚服务时间,i∈N；tai为车辆到达顾客点i时的时间,i∈V；tli为车辆离开顾客点i时的时间,i∈V；tωi为车辆在顾客点i的处的等待时间,i∈N；tμi为车辆在顾客点i的处的迟到时间,i∈N；tsi为车辆在顾客点i的服务时间或充电时间,i∈V；tij为车辆从顾客点i到j的行驶时间,i、j∈V；speed为车辆在配送中行驶的速度；η为电池能量消耗系数；Pev(i,j)为在j时刻电池i的实际充放电速率；SOC(i,j)为在j时刻电池i的荷电状态；Sj为在j时刻的分时电价；Pavr为包含电动车的电网的平均功率；PLj为不含电动汽车的原电网j时刻的功率；
其中：目标函数式(1)代表了车辆成本、行驶成本、惩罚成本以及充放电成本四项和，其中充放电成本按分时电价，当电池放电时为负，即充放电成本为负时，说明在充放电过程中总体为获利；约束式(2)表示每个顾客点都被服务且只服务一次；约束式(3)表示每条配送路线只安排一辆运输车辆；约束式(4)保证了每个顾客点i都被服务过且仅被服务过一次；约束式(5)表示载重量与每个顾客点的需求量的关系，例如，车辆在顾客点j点的需求量不能超过车辆在顾客点i的剩余量减去顾客点i的需求量；约束式(6)表示每条路径的总需求量不得超过车辆的最大承载容量；约束式(7)-(8)分别表示了顾客点到顾客点、换电站到顾客点的电量约束，如约束式(7)，顾客点j的剩余电量不得超过顾客点i的剩余电量减去从顾客点i到顾客点j所消耗的电量；约束式(9)表示任意点的剩余电量始终非负；约束式(10)表示车辆访问顾客点节点的前后电量保持一致；约束式(11)-(12)表示电动汽车到达顾客点i的等待时间和迟到时间，例如约束式(11)所示，当车辆到达时间早于最早服务时间，那么等待时间为ei-tai，否则取0；约束式(13)表示车辆离开顾客点i的时间为车辆到达顾客点i的时间与服务时间、等待时间之和；约束式(14)表示车辆从顾客点i到顾客点j所用时间的公式；约束式(15)表示车辆到达顾客点j的时间等于离开顾客点i的时间加从顾客点i到顾客点j所耗费的时间；约束式(16)-(17)为二进制0-1变量；公式(18)为负荷均方差，表示电网负荷的波动情况，均方差越小，电网负荷波动越小；约束式(20)表示电池的充放电速率的上下限；公式(21)表示电池可用容量约束，表示电池电荷状态的最大值与最小值；
步骤2：根据顾客点和充电站的坐标，采用遗传算法与局部搜索的混合算法进行路径规划，得到最优路径方案；
所述步骤2具体包括：
步骤2.1：将电动汽车的配送路径作为遗传算法的染色体，不同的电动汽车配送路径将一条染色体分为多组，采用十进制的编码方式进行染色体编码；具体的，染色体长度为n+ch+k-1，其中n代表了顾客点的数量，序列号为1,2,…,n，ch代表了换电站的数量，序列号为n+1,n+2,…,n+ch；k代表了使用电动汽车的数量，同时也代表一共有多少条路径，k-1表示了配送中心在染色体上的位置，其序列号为n+ch+1,…,n+ch+k-1；
步骤2.2：采用遗传算法与局部搜索的混合算法进行路径规划，具体为：
(1)参数初始化：设置种群规模、最大迭代次数、交叉概率和变异概率；
(2)初始化种群：输入各个顾客点和充电站的坐标，随机生成初始种群作为遗传过程中的父代，并计算父代每条染色体的适应度值；
(3)选择操作：选择采用轮盘赌选择法，每个个体被选中的概率与该个体的适应度大小成正比，并按照此概率随机生成第一代子代种群；由于适应度较好的个体选择的概率更高，父代个体中适应度较好的个体可能会被多次选中，第一代子代种群与父代种群的种群大小保持一致；父代个体被遗传到第一代子代种群中的概率：
其中Fitness(xi)为个体i的适应度；
(4)交叉操作：采用OX交叉操作，具体的：随机选取第一代子代种群中的两个染色体作为OX交叉操作的父代染色体，分别命名为父代1染色体和父代2染色体，每条染色体上随机选取a和b两个位置，该染色体上a到b之间的部分则称为交叉片段，将父代2染色体的交叉片段拼接到父代1染色体的前面，将父代1染色体的交叉片段拼接到父代2染色体的前面；然后将新得到的父代1染色体和父代2染色体中重复的个体进行标记，接着按照从前到后的顺序将第二个重复的个体删除，形成两个子代个体；按照上述的OX交叉操作，将第一代子代种群进行迭代更新，直至交叉概率达到设定值，此时的种群称为第二代子代种群；
(5)变异操作：按照预先设置的变异概率判断第二代子代种群中是否有染色个体需要变异，若不需要则进行下一步操作；若需要，则在该染色体上随机选取两个变异位置a、b，随后将两个位置的部分进行交换，生成变异的染色体，直至该群体中的染色体的变异概率到达设定值；经过变异操作输出的种群称为第三代子代种群；
(6)进行局部搜索操作：
a.对第三代子代种群中染色体编码字符串中的顾客点编码采用移除算子进行随机删除，将一定数量η的顾客点随机从路径中移除，并删除顾客点数为零的空路径；
b.采取贪婪插入的方法，计算被移除的顾客点与未被移除顾客点的相关性，按照相关性的大小依次插入未被移除的顾客点的路径中，随后判断该路径是否违反电动汽车出行约束约束，未违反则记录该点，否则重新插入；若是未发现合适的插入点则新建一条路径；贪婪插入根据顾客点之间的相关性，将被移除顾客点插入到当前解最优的位置，使得每次插入的成本最低；
c.由于每次顾客点位置都会重新调整，换电站位置也需重新插入，将换电站按照与该路径中顾客点i的相关性进行插入，插入后记录该路径是否违反了电量约束；若是违反则重新插入，否则记录该点；
d.计算经步骤a、b、c操作之后得到的每条染色体的适应度值，保留适应度值更大的染色体，更新种群；
(7)判断迭代次数是否满足迭代终止条件，若不满足终止条件，则迭代次数加一，转步骤(4)；若满足则转步骤(8)；
(8)从当前种群中选择适应度值最优的个体作为遗传算法与局部搜索的混合算法的最优解并输出，该最优解即为最优路径方案；
步骤3：根据步骤2得到的电动汽车配送路径的最优路径方案，结合分时电价，以换电站交换电池的供电方式，指导电力市场制定利润最大化的充放电决策；
所述每条染色体适应度值的计算过程为：
Fitness(xi)为染色体i的适应度，f(xi)是以车辆固定成本、行驶成本、惩罚成本为优化的函数；C3为违反电量约束的惩罚成本，设定为1000000。
2.根据权利要求1所述的一种支持充放电策略的电动汽车配送路径优化方法，其特征在于，公式(21)中的电池可用容量约束为：电池电荷状态的最大值为电池最大存储容量的90％，电池电荷状态的最小值为电池最大存储容量的20％。
3.根据权利要求1所述的一种支持充放电策略的电动汽车配送路径优化方法，其特征在于，所述步骤3具体包括：
步骤3.1：获取当地分时电价和配电网基础负荷数据；
步骤3.2：记录电动汽车到达换电站的电池状态(SOC)以及电动汽车到达换电站的时间；
步骤3.3：构建交换电池优化方案，根据步骤1构建的电网约束进行充放电选择，得到最佳的充放电策略；
步骤3.4：以交换电池的方式，通过电池接入电网，根据步骤3.3的最佳的充放电策略，向电网输送/获取能量，降低电动汽车配送路径目标函数的充电成本。
4.根据权利要求 3所述的一种支持充放电策略的电动汽车配送路径优化方法，其特征在于，所述交换电池优化方案具体为：将一天分为2个时段，分别为高峰时段、非高峰时段，这2种状态取决于用户用电、可变电价数据；当用户用电需求量较大，分时电价较高时，该时段为高峰时段，此时将电池放电直至达到电池容量所允许的最小值，若电力系统产生的电量满足该时段的用户用电需求，则将多余的电量出售到电力市场中获取利润；当用户用电需求量较小，分时电价较低时，该时段为非高峰时段，此时将电池充电直到电池达到最大荷电状态；电池通过在电价较高时放电在电价较低时充电来降低充电成本；交流电源通过换流器将交流转换为直流，假定转换器的转换效率为ηbat，电池的实际充放电效率为：
Pev,test(i,j)为电池i在时刻j的充放电速率，当Pev,test(i,j)小于0为放电，大于0为充电；
电池每隔一小时进行一次数据采样，来记录电池的充放电状态；充电时的电池状态为：
放电时的电池状态为：
SOC(i,j-Δt)为上一时刻的电池状态，ηcharge和ηdischarge分别为电池的充放电效率，Cbat为电池所允许的最大储存容量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011081222.2A CN112200367B (zh) | 2020-10-09 | 2020-10-09 | 一种支持充放电策略的电动汽车配送路径优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011081222.2A CN112200367B (zh) | 2020-10-09 | 2020-10-09 | 一种支持充放电策略的电动汽车配送路径优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112200367A CN112200367A (zh) | 2021-01-08 |
| CN112200367B true CN112200367B (zh) | 2021-05-28 |
Family
ID=74013413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011081222.2A Active CN112200367B (zh) | 2020-10-09 | 2020-10-09 | 一种支持充放电策略的电动汽车配送路径优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112200367B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112882466B (zh) * | 2021-01-12 | 2023-03-31 | 上海电力大学 | 一种融合分层规划和a*算法的共享电动汽车路径规划方法 |
| CN113029144B (zh) * | 2021-03-01 | 2023-03-17 | 汇链通产业供应链数字科技(厦门)有限公司 | 一种协同运输的亚启发算法路径规划方法 |
| CN112926800B (zh) * | 2021-03-19 | 2024-10-15 | 江南大学 | 一种考虑复杂路网的物流配送区域划分方法 |
| CN113306421B (zh) * | 2021-05-20 | 2022-12-23 | 国网河北省电力有限公司雄安新区供电公司 | 基于充电设备和agv实现能源时空优化的方法 |
| CN114091722B (zh) * | 2021-10-09 | 2024-10-15 | 山东师范大学 | 一种基于混合禁忌搜索的车辆路径优化方法及系统 |
| CN114742340B (zh) * | 2022-01-18 | 2024-09-06 | 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 |
| CN114418497A (zh) * | 2022-01-19 | 2022-04-29 | 圆通速递有限公司 | 基于混合麻雀算法的物流路径优化方法 |
| CN114285063B (zh) * | 2022-03-07 | 2022-05-20 | 河北工业大学 | 一种基于短期碳排放因子的电动汽车减碳智能充电方法 |
| CN114626638A (zh) * | 2022-04-06 | 2022-06-14 | 浙江工业大学 | 一种共享电单车电池运输动态调度优化方法 |
| CN114693216B (zh) * | 2022-04-12 | 2024-09-24 | 大连理工大学 | 基于两段算法的电动汽车灾后电力配送方案生成方法 |
| CN114925885B (zh) * | 2022-04-26 | 2024-07-19 | 华南理工大学 | 确定地铁末班车在换乘站的衔接关系的优化方法及系统 |
| CN114819412B (zh) * | 2022-06-23 | 2022-09-09 | 深圳大学 | 基于指导式可行解修正遗传算法的多换电站配置优化方法 |
| CN116644874A (zh) * | 2023-04-23 | 2023-08-25 | 苏州大学 | 一种多配送中心电动汽车路径规划方法 |
| CN116488312B (zh) * | 2023-06-25 | 2023-09-22 | 江西五十铃汽车有限公司 | 电池电量管理方法、系统、计算机及可读存储介质 |
| CN117041040B (zh) * | 2023-08-16 | 2024-05-10 | 宁夏隆合科技有限公司 | 一种基于智能调度算法的指挥中心分布式布局系统 |
| CN117553816B (zh) * | 2023-11-02 | 2024-05-24 | 浙江大学 | 考虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103279857A (zh) * | 2013-06-13 | 2013-09-04 | 南京航空航天大学 | 数控车间自动配送车辆调度方法 |
| CN103997062A (zh) * | 2014-05-28 | 2014-08-20 | 天津大学 | 一种微网能量管理控制方法 |
| CN106503836A (zh) * | 2016-10-09 | 2017-03-15 | 电子科技大学 | 一种多目标优化的纯电动汽车物流配送优化调度方法 |
| CN106803136A (zh) * | 2017-01-24 | 2017-06-06 | 苏州工业职业技术学院 | 一种基于混合遗传算法的生鲜配送实时优化方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10810482B2 (en) * | 2016-08-30 | 2020-10-20 | Samsung Electronics Co., Ltd | System and method for residual long short term memories (LSTM) network |
| CN106786977B (zh) * | 2017-01-22 | 2019-12-13 | 中南大学 | 一种电动汽车充电站的充电调度方法 |
| CN110391655B (zh) * | 2018-04-20 | 2023-02-03 | 中国电力科学研究院有限公司 | 一种含多能源耦合的微能源网经济优化调度方法及装置 |
| CN110059934A (zh) * | 2019-03-27 | 2019-07-26 | 浙江工商大学 | 燃油车和新能源车协同配送调度的方法 |
| CN110619441A (zh) * | 2019-09-23 | 2019-12-27 | 徐州工程学院 | 基于领导者的ga-pso的软时间窗车辆路径优化方法 |
| CN111191813A (zh) * | 2019-10-14 | 2020-05-22 | 重庆邮电大学 | 基于货物载重与软时间窗限制的车辆配送路径优化方法 |
| CN110909952B (zh) * | 2019-11-30 | 2022-12-16 | 华南理工大学 | 一种带移动配送站的城市两级配送及调度方法 |
| CN111222705B (zh) * | 2020-01-10 | 2023-11-24 | 聊城大学 | 一种非线性充电车辆路径优化方法 |
| CN111311158B (zh) * | 2020-03-04 | 2023-08-18 | 西华大学 | 一种有限充电设施条件下的电动物流车路径规划方法 |
| CN111709561A (zh) * | 2020-05-29 | 2020-09-25 | 杭州电子科技大学 | 一种解决动态车辆路径问题的实时添加和优化方法 |
-
2020
- 2020-10-09 CN CN202011081222.2A patent/CN112200367B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103279857A (zh) * | 2013-06-13 | 2013-09-04 | 南京航空航天大学 | 数控车间自动配送车辆调度方法 |
| CN103997062A (zh) * | 2014-05-28 | 2014-08-20 | 天津大学 | 一种微网能量管理控制方法 |
| CN106503836A (zh) * | 2016-10-09 | 2017-03-15 | 电子科技大学 | 一种多目标优化的纯电动汽车物流配送优化调度方法 |
| CN106803136A (zh) * | 2017-01-24 | 2017-06-06 | 苏州工业职业技术学院 | 一种基于混合遗传算法的生鲜配送实时优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 充换电服务网络动力电池配送最优路径建模方法;刘晓胜，张芮，朱宏林，王娟;《电力自动化设备》;20150630;第35卷(第6期);第10-15页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112200367A (zh) | 2021-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112200367B (zh) | 一种支持充放电策略的电动汽车配送路径优化方法 | |
| CN111178619B (zh) | 一种考虑分布式电源和充电站联合规划的多目标优化方法 | |
| CN108955711B (zh) | 一种应用于电动汽车智能充放电的导航方法 | |
| Atallah et al. | Optimal supercharge scheduling of electric vehicles: Centralized versus decentralized methods | |
| CN110189025B (zh) | 考虑不同负荷增长的电动汽车充电站规划方案获取方法 | |
| CN110837943A (zh) | 用于确定公共运输系统的部署的配置的方法和装置 | |
| CN116307647B (zh) | 电动汽车充电站选址定容优化方法、装置及存储介质 | |
| CN110796286B (zh) | 一种适用于电动汽车规模化应用的配电系统的灵活规划方法 | |
| CN114285063B (zh) | 一种基于短期碳排放因子的电动汽车减碳智能充电方法 | |
| CN110826841A (zh) | 考虑用户充电体验和配电网运行风险的充电站规划方法 | |
| CN114611993B (zh) | 一种基于移动电池包的城乡电动公交车辆调度方法 | |
| CN115239032B (zh) | 计及能源自洽率的高速公路服务区微电网规划方法及系统 | |
| CN112183882B (zh) | 一种基于电动汽车快充需求的智慧充电站充电优化方法 | |
| CN115700631A (zh) | 一种考虑碳排放的高速公路换电站优化配置方法 | |
| CN114722595A (zh) | 一种含有换电站的微电网优化运行方法 | |
| CN115115268A (zh) | 基于路电耦合与低碳约束的电动汽车充电桩容量规划方法 | |
| CN113836735B (zh) | 换电模式下电动公交集群充换电策略两阶段模型建立方法 | |
| Almutairi et al. | Optimal charging infrastructure portfolio for minimizing grid impact of plug-in electric vehicles | |
| CN112907153B (zh) | 一种混合场景下考虑用户多种需求的电动汽车调度方法 | |
| Huang et al. | A robust coordinated charging scheduling approach for hybrid electric bus charging systems | |
| CN113486504A (zh) | 一种基于调度成本的电池管理控制方法 | |
| Danping et al. | Research on electric vehicle charging stations planning based on traffic destination heat data and charger usage data | |
| CN117091616A (zh) | 一种电动汽车充电导航与调度方法 | |
| CN115848196A (zh) | 基于动态需求和新能源消纳的电动汽车有序充电引导方法 | |
| Wang et al. | A combined genetic algorithm and A* search algorithm for the electric vehicle routing problem with time windows. |
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 |