CN112418501A - 一种基于数据驱动的电动公交车队置换优化方法 - Google Patents
一种基于数据驱动的电动公交车队置换优化方法 Download PDFInfo
- Publication number
- CN112418501A CN112418501A CN202011281040.XA CN202011281040A CN112418501A CN 112418501 A CN112418501 A CN 112418501A CN 202011281040 A CN202011281040 A CN 202011281040A CN 112418501 A CN112418501 A CN 112418501A
- Authority
- CN
- China
- Prior art keywords
- bus
- year
- buses
- vehicle
- fleet
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 238000005265 energy consumption Methods 0.000 claims abstract description 17
- 239000005431 greenhouse gas Substances 0.000 claims description 17
- 239000000446 fuel Substances 0.000 claims description 10
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 9
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 6
- 229910052799 carbon Inorganic materials 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 5
- 239000001569 carbon dioxide Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 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 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 125000000959 isobutyl group Chemical group [H]C([H])([H])C([H])(C([H])([H])[H])C([H])([H])* 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000007704 transition Effects 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于数据驱动的电动公交车队置换优化方法,包括:基于公交车辆GPS轨迹数据和智能IC卡数据获取公交车辆运行状态信息;基于公交车辆运行状态信息和能耗估算方法,估算公交车辆实际运营能耗;结合公交车辆实际运营能耗,以公交车队运行生命周期成本最小为优化目标,构建目标函数;构建多方面约束条件,建立车辆置换混合整数规划模型;基于车辆置换混合整数规划模型求解目标函数,得到电动公交车队置换优化方案。本发明提供的基于数据驱动的电动公交车队置换优化方法,有效指导公交运营部门的车队置换过程,以达到最优的车队生命周期成本。
Description
技术领域
本发明涉及公共交通信息处理技术领域,更具体的说是涉及一种基于数据驱动的电动公交车队置换优化方法。
背景技术
近年来随着我国经济的快速发展,我国公共交通车队规模、线路运营里程持续增加。在现行的公交车队中,能耗高,排放污染严重的传统柴油公交仍占较大比例,而纯电动公交作为纯电动车辆中使用率较高的公共用途车辆,由于其所具有“零污染、零排放、低能耗”的优势备受重视,公交电动化能够缓解环境污染及能源紧缺等问题。推动城市公共交通工具全部实现电动化、新能源化、清洁化,已成为不可逆转的趋势。
因此,探究有效的电动公交车队置换优化方法具有很强的现实意义,具体体现在:为公交公司等公交运营部门的车队置换过程提供理论指导;为满足公交公司等公交运营部门的定制化需求,获得最优的车队优化置换方案提供有效的模型基础;为政府等管理部门改进政策提供决策依据。
公交车辆作为公交公司营运车辆,车辆的相关参数易于采集、车辆轨迹数据和营运数据易于管理;近年来,随着GPS技术、AFC(自动收费)和APC(自动乘客计数)技术的快速发展,公交车辆GPS轨迹数据和公交IC卡数据的采集简单易行,数据的精度和准确度不断提高;合理运用上述条件和技术,能为电动公交车队置换提供良好的数据支撑和基础条件。
因此,如何提供一种基于数据驱动的电动公交车队置换优化方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于数据驱动的电动公交车队置换优化方法,有效指导公交运营部门的车队置换过程,以达到最优的车队生命周期成本。
为了实现上述目的,本发明采用如下技术方案:
一种基于数据驱动的电动公交车队置换优化方法,包括:
基于公交车辆GPS轨迹数据和智能IC卡数据获取公交车辆运行状态信息;
基于公交车辆运行状态信息和能耗估算方法,估算公交车辆实际运营能耗;
结合公交车辆实际运营能耗,以公交车队运行生命周期成本最小为优化目标,构建目标函数;
构建多方面约束条件,建立车辆置换混合整数规划模型;
基于车辆置换混合整数规划模型求解目标函数,得到电动公交车队置换优化方案。
优选的,所述目标函数如下:
其中,Z为整个分析周期内公交车队的生命周期成本,LCCt为第t年的公交车队生命周期成本;Pt,k为第t年所购车型为k的公交数量;et,k为第t年购买车型为k的公交购置成本;At,k,i为第t年运营车型为k车辆运营年龄为i的公交数量;fk,i为车辆运营年龄为i的公交每公里运营及维护成本;jk为车型为k的公交每公里消耗燃料价格;m为公交平均年运营里程;Qt为第t年安装充电桩的数量;n为充电桩购置成本;Ct为第t年运营充电桩的数量;o为充电桩年运营成本;Rt,k,i为第t年退役车型为k车辆运营年龄为i的公交数量;Sk为车型为k的公交残值;ut,k为第t年车型为k的公交政策补贴;α为折现率;β为物价上涨率;θk为车型为k的公交温室气体排放系数;δt为第t年二氧化碳的社会成本。
优选的,所述约束条件包括:
Pt,k,Qt,Rt,k,i,At,k,i,Ct∈Z+ (15)
其中,Pt,k为第t年所购车型为k的公交数量;et,k为第t年购买车型为k的公交购置成本;ut,k为第t年车型为k的公交政策补贴;Qt为第t年安装充电桩的数量;n为充电桩购置成本;Bt为第t年的车队购置预算;At,k,i为第t年运营车型为k车辆运营年龄为i的公交数量;dt为第t年的公交需求量;R0,k,i为第0年退役车型为k车辆运营年龄为i的公交数量;A0,k,i为第0年运营车型为k车辆运营年龄为i的公交数量;P0,k为第0年所购车型为k的公交数量;Pt,k为第t年所购车型为k的公交数量;hk,i为时间0年时,运营年龄为i,类型为k的各类型公交数量;At,k,0为第t年运营车型为k车辆运营年龄为0的公交数量;A(t-1),k,(i-1)表示第t-1年运营车型为k车辆运营年龄为i-1的公交数量;Rt,k,i表示第t年退役车型为k车辆运营年龄为i的公交数量;Rt,K,i表示第t年退役车型为K(纯电动公交)车辆运营年龄为i的公交数量;ρ为运营公交的最小年限;为运营公交的最大年限;Pt,1表示第0年所购车型为1(柴油公交)的公交数量;Ct为第t年运营充电桩的数量;At,K,i为第0年运营车型为K(纯电动公交)车辆运营年龄为i的公交数量;C0为第0年运营充电桩的数量;Q0为第0年安装充电桩的数量;m为公交平均年运营里程;θk为车型为k的公交温室气体排放系数;γt为第t年预期的温室气体排放等级;ω为在分析期间的电动公交最终占比。
优选的,所述GPS轨迹数据至少包括:车辆编号、线路编号、车辆轨迹点经度、车辆轨迹点纬度、车辆轨迹点高程、车辆轨迹点速度和车辆轨迹点采集时间。
优选的,所述智能IC卡数据包括:智能IC卡编号、车辆编号、线路编号、上车刷卡时间和下车刷卡时间。
优选的,所述公交车辆运行状态信息包括:速度、加速度、坡度和实时质量;其中,速度、加速度和坡度通过对GPS轨迹数据处理获得;实时质量通过将智能IC卡数据中的线路编号、车辆编号与GPS数据中的线路编号、车辆编号进行匹配关联,依据GPS轨迹数据采集时间与智能IC卡数据上下车时间的先后关系,统计公交车辆的实时载客人数,进而估算公交车辆实时质量。
优选的,所述生命周期成本包括整个车队的购置、运营及维护成本,具体包括不同车型公交购置成本、财政补贴、公交燃料消耗、公交残值、碳排放成本和基础设施购置及运营成。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于数据驱动的电动公交车队置换优化方法,结合GPS轨迹数据和智能IC卡数据,以公交车辆的生命周期成本最小为目标,考虑多方面因素,提供了最优的车队置换方案。
本发明提供的技术方案所基于的GPS轨迹数据和智能IC卡数据获取方便快捷,降低了应用成本;以公交车辆实际运营能耗为模型参数,提高了模型的有效性及灵活性,可针对不同车队使用;而且,在实现过程中,考虑了财政补贴、碳排放成本等多种因素,可满足公交公司或政府部门的定制化需求,提供最优的车队购置方案,并为其决策提供模型基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种基于数据驱动的电动公交车队置换优化方法的流程图;
图2为本发明提供的不同年份车队构成的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见附图1,本发明实施例公开了一种基于数据驱动的电动公交车队置换优化方法,具体包括如下步骤:
S1:基于公交车辆GPS轨迹数据和智能IC卡数据获取公交车辆运行状态信息;
S2:基于公交车辆运行状态信息和能耗估算方法,估算公交车辆实际运营能耗;其中,在进行能耗估算时,可以选用已有的能耗估算模型来实现。
以北京市2017年第19路公交车队为例进行研究,该公交车队包含电动公交23辆、柴油公交26辆、混合动力公交27辆,选取10年为分析期时长,为方便研究,模型选用比亚迪K9、TEG6106PHEV、宇通ZK6105HNG2作为本研究中纯电动公交、混合动力公交及柴油公交的默认购置及运营车型。
数据基础为该车队公交运营过程中所上传的GPS轨迹数据及对应的乘客智能IC卡上下车刷卡记录数据,数据日期范围为2017年11月份,GPS轨迹数据及智能IC卡数据的字段如表1和表2所示。
表1 GPS数据字段
表2 IC卡数据字段
其中,公交车辆运行状态信息包括:速度、加速度、坡度和实时质量;其中,速度、加速度和坡度通过对GPS轨迹数据处理获得;实时质量通过将智能IC卡数据中的线路编号、车辆编号与GPS数据中的线路编号、车辆编号进行匹配关联,依据GPS轨迹数据采集时间与智能IC卡数据上下车时间的先后关系,统计公交车辆的实时载客人数,进而估算公交车辆实时质量。
将根据公交车辆GPS轨迹数据和智能IC卡数据获取的公交车辆运行状态信息代入能耗估算模型,得到:纯电动公交的燃料消耗约为92kwh/100km,混合动力公交的燃料消耗约为30L/100km,柴油公交的燃料消耗约为35L/100km,并将其作为车队置换优化模型的参数。
S3:结合公交车辆实际运营能耗,以公交车队运行生命周期成本最小为优化目标,构建目标函数;
公交车队运行生命周期成本指的是整个车队的购置、运营及维护成本,具体包括:不同车型公交购置成本、财政补贴、公交燃料消耗、公交残值、碳排放成本,充电桩等基础设施购置及运营成本。
具体的目标函数如下:
其中,Z为整个分析周期内公交车队的生命周期成本,LCCt为第t年的公交车队生命周期成本;Pt,k为第t年所购车型为k的公交数量;et,k为第t年购买车型为k的公交购置成本;At,k,i为第t年运营车型为k车辆运营年龄为i的公交数量;fk,i为车辆运营年龄为i的公交每公里运营及维护成本;jk为车型为k的公交每公里消耗燃料价格;m为公交平均年运营里程;Qt为第t年安装充电桩的数量;n为充电桩购置成本;Ct为第t年运营充电桩的数量;o为充电桩年运营成本;Rt,k,i为第t年退役车型为k车辆运营年龄为i的公交数量;Sk为车型为k的公交残值;ut,k为第t年车型为k的公交政策补贴;α为折现率;β为物价上涨率;θk为车型为k的公交温室气体排放系数,单位kg/km;δt为第t年二氧化碳的社会成本。
S4:构建多方面约束条件,建立车辆置换混合整数规划模型;
多方面约束条件包括:车队购置、充电桩购置、乘客需求、温室气体排放、车辆报废年限、车队初始规模、车辆年龄更新、最终置换比例及对变量的限制等约束,构建约束条件如下:
Pt,k,Qt,Rt,k,i,At,k,i,Ct∈Z+ (15)
其中,Pt,k为第t年所购车型为k的公交数量;et,k为第t年购买车型为k的公交购置成本;ut,k为第t年车型为k的公交政策补贴;Qt为第t年安装充电桩的数量;n为充电桩购置成本;Bt为第t年的车队购置预算;At,k,i为第t年运营车型为k车辆运营年龄为i的公交数量;dt为第t年的公交需求量;R0,k,i为第0年退役车型为k车辆运营年龄为i的公交数量;A0,k,i为第0年运营车型为k车辆运营年龄为i的公交数量;P0,k为第0年所购车型为k的公交数量;Pt,k为第t年所购车型为k的公交数量;hk,i为时间0年时,运营年龄为i,类型为k的各类型公交数量;At,k,0为第t年运营车型为k车辆运营年龄为0的公交数量;A(t-1),r,(i-1)表示第t-1年运营车型为k车辆运营年龄为i-1的公交数量;Rt,k,i表示第t年退役车型为k车辆运营年龄为i的公交数量;Rt,K,i表示第t年退役车型为K(纯电动公交)车辆运营年龄为i的公交数量;ρ为运营公交的最小年限;为运营公交的最大年限;Pt,1表示第0年所购车型为1(柴油公交)的公交数量;Ct为第t年运营充电桩的数量;At,K,i为第0年运营车型为K(纯电动公交)车辆运营年龄为i的公交数量;C0为第0年运营充电桩的数量;Q0为第0年安装充电桩的数量;m为公交平均年运营里程;θk为车型为k的公交温室气体排放系数;γt为第t年预期的温室气体排放等级;ω为在分析期间的电动公交最终占比。
其中,公式(2)确保了每年的车辆购置费用及充电桩购置费用(刨除补贴后)不超过每年的车队购置预算,本研究根据车队规模假定了年平均车队预算,该模型可针对公交车队置换过程中的实际预算进行使用;公式(3)确保了每年的公交运营规模可以满足乘客需求;公式(4)约束了公交车队的最初车队构成;公式(5)保证每年购买车辆皆为新车,即任一年份所购买的各种类型的车辆数量,与该年份下运营年龄为0年的公交数量相同;公式(6)对运营公交车辆的年龄进行更新;公式(7)要求纯电动公交车辆未达到最小运营年限不得退役;公式(8)要求当公交车辆达到最大运营年限时,必须进行报废处理;公式(9)要求不再购入传统柴油公交,以确保温室气体排放水平到达预期要求;公式(10)对充电桩的数量加以限制,保证每辆电动公交车至少配备一个充电桩;公式(11)对第0年的充电桩初始数目进行了限制,保证其等于第0年的公交车数量;公式(12)对充电桩数目进行更新,每年的充电桩数目等于前一年充电桩数目与新建充电桩数目之和;公式(13)确保现存车队在任意年份的温室气体排放等级符合要求,本文假定初始年份与目标年份之间温室气体排放水平线性变化;公式(14)保证车队最终的电动公交占比符合预期要求;公式(15)满足混合整数规划模型的要求:所有的决策变量必须为非负整数。其中,各个参数值如表3所示。
表3各车型参数及模型假定参数
为了满足公交公司或政府部门的多样化需求,可自行设定置换年限、温室气体排放水平、公交价格、碳的社会成本、贴现率和物价增长率及客流量等假设条件,本实施例遵从以下假设:
1.到2027年,所有的公交车辆将完全被纯电动公交取代。
2.假设车队的2027年温室气体水平预计将比初始年份的水平低30%。
3.假设在分析期内,电动公交的价格保持不变。
4.假设碳的社会成本(SCC)为46美元/吨CO2。
5.假设贴现率和物价增长率均为3%。
6.假设在分析期内,客流量保持不变。
S5:基于上述参数及模型假设,利用CPLEX搭建模型并进行求解上述实施例。针对上述实施例,该车队最优方案的生命周期成本为21289.7万元,温室气体排放量为2488.4吨二氧化碳当量。
该车队的最优购置方案如表4所示,每年车队构成如图2所示。
由表4可以看出,每年的公交购置成本皆在购置预算范围之内,仅前两年购买混合动力公交,作为公交置换方案的过渡类型公交进行使用,后续年份皆购买了数量大致相同的纯电动公交。由图2可以看出,柴油公交逐渐被淘汰,较柴油公交相对环保的混合动力公交,在可满足初期温室气体排放水平要求的情况下,数量经历两年的增长后逐年减少,随着车队置换的深入进行,在分析期的最后一年实现了车队的纯电动化。
表4最优购置方案
经上述实施例,本发明提供的技术方案能够有效指导公交公司等公交运营部门的车队置换过程,提供最优的置换优化方案,以达到最优的车队生命周期成本。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于数据驱动的电动公交车队置换优化方法,其特征在于,包括:
基于公交车辆GPS轨迹数据和智能IC卡数据获取公交车辆运行状态信息;
基于公交车辆运行状态信息和能耗估算方法,估算公交车辆实际运营能耗;
结合公交车辆实际运营能耗,以公交车队运行生命周期成本最小为优化目标,构建目标函数;
构建多方面约束条件,建立车辆置换混合整数规划模型;
基于车辆置换混合整数规划模型求解目标函数,得到电动公交车队置换优化方案。
2.根据权利要求1所述的一种基于数据驱动的电动公交车队置换优化方法,其特征在于,所述目标函数如下:
其中,Z为整个分析周期内公交车队的生命周期成本,LCCt为第t年的公交车队生命周期成本;Pt,k为第t年所购车型为k的公交数量;et,k为第t年购买车型为k的公交购置成本;At,k,i为第t年运营车型为k车辆运营年龄为i的公交数量;fk,i为车辆运营年龄为i的公交每公里运营及维护成本;jk为车型为k的公交每公里消耗燃料价格;m为公交平均年运营里程;Qt为第t年安装充电桩的数量;n为充电桩购置成本;Ct为第t年运营充电桩的数量;o为充电桩年运营成本;Rt,k,i为第t年退役车型为k车辆运营年龄为i的公交数量;Sk为车型为k的公交残值;ut,k为第t年车型为k的公交政策补贴;α为折现率;β为物价上涨率;θk为车型为k的公交温室气体排放系数;δt为第t年二氧化碳的社会成本。
3.根据权利要求1或2所述的一种基于数据驱动的电动公交车队置换优化方法,其特征在于,所述约束条件包括:
Pt,k,Qt,Rt,k,i,At,k,i,Ct∈Z+(15)
其中,Pt,k为第t年所购车型为k的公交数量;et,k为第t年购买车型为k的公交购置成本;ut,k为第t年车型为k的公交政策补贴;Qt为第t年安装充电桩的数量;n为充电桩购置成本;Bt为第t年的车队购置预算;At,k,i为第t年运营车型为k车辆运营年龄为i的公交数量;dt为第t年的公交需求量;R0,k,i为第0年退役车型为k车辆运营年龄为i的公交数量;A0,k,i为第0年运营车型为k车辆运营年龄为i的公交数量;P0,k为第0年所购车型为k的公交数量;Pt,k为第t年所购车型为k的公交数量;hk,i为时间0年时,运营年龄为i,类型为k的各类型公交数量;At,k,0为第t年运营车型为k车辆运营年龄为0的公交数量;A(t-1),k,(i-1)表示第t-1年运营车型为k车辆运营年龄为i-1的公交数量;Rt,k,i表示第t年退役车型为k车辆运营年龄为i的公交数量;Rt,K,i表示第t年退役车型为K(纯电动公交)车辆运营年龄为i的公交数量;ρ为运营公交的最小年限;为运营公交的最大年限;Pt,1表示第0年所购车型为1(柴油公交)的公交数量;Ct为第t年运营充电桩的数量;At,K,i为第0年运营车型为K(纯电动公交)车辆运营年龄为i的公交数量;C0为第0年运营充电桩的数量;Q0为第0年安装充电桩的数量;m为公交平均年运营里程;θk为车型为k的公交温室气体排放系数;γt为第t年预期的温室气体排放等级;ω为在分析期间的电动公交最终占比。
4.根据权利要求1所述的一种基于数据驱动的电动公交车队置换优化方法,其特征在于,所述GPS轨迹数据至少包括:车辆编号、线路编号、车辆轨迹点经度、车辆轨迹点纬度、车辆轨迹点高程、车辆轨迹点速度和车辆轨迹点采集时间。
5.根据权利要求1所述的一种基于数据驱动的电动公交车队置换优化方法,其特征在于,所述智能IC卡数据包括:智能IC卡编号、车辆编号、线路编号、上车刷卡时间和下车刷卡时间。
6.根据权利要求1所述的一种基于数据驱动的电动公交车队置换优化方法,其特征在于,所述公交车辆运行状态信息包括:速度、加速度、坡度和实时质量;其中,速度、加速度和坡度通过对GPS轨迹数据处理获得;实时质量通过将智能IC卡数据中的线路编号、车辆编号与GPS数据中的线路编号、车辆编号进行匹配关联,依据GPS轨迹数据采集时间与智能IC卡数据上下车时间的先后关系,统计公交车辆的实时载客人数,进而估算公交车辆实时质量。
7.根据权利要求1所述的一种基于数据驱动的电动公交车队置换优化方法,其特征在于,所述生命周期成本包括整个车队的购置、运营及维护成本,具体包括不同车型公交购置成本、财政补贴、公交燃料消耗、公交残值、碳排放成本和基础设施购置及运营成本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011281040.XA CN112418501A (zh) | 2020-11-16 | 2020-11-16 | 一种基于数据驱动的电动公交车队置换优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011281040.XA CN112418501A (zh) | 2020-11-16 | 2020-11-16 | 一种基于数据驱动的电动公交车队置换优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112418501A true CN112418501A (zh) | 2021-02-26 |
Family
ID=74832488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011281040.XA Pending CN112418501A (zh) | 2020-11-16 | 2020-11-16 | 一种基于数据驱动的电动公交车队置换优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418501A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116644868A (zh) * | 2023-07-27 | 2023-08-25 | 四川国蓝中天环境科技集团有限公司 | 一种序列化的基于公交车队的大规模移动传感器布设方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060074707A1 (en) * | 2004-10-06 | 2006-04-06 | Schuette Thomas A | Method and system for user management of a fleet of vehicles including long term fleet planning |
CN103730008A (zh) * | 2014-01-15 | 2014-04-16 | 汪涛 | 基于公交gps和ic卡实时数据的公交拥挤度分析方法 |
WO2017080471A1 (zh) * | 2015-11-10 | 2017-05-18 | 冯春魁 | 综合车辆的数据测算、监控、监视、处理的方法及系统 |
CN109448364A (zh) * | 2018-10-15 | 2019-03-08 | 同济大学 | 一种考虑舒适度和节能减排的公交动态轨迹优化方法 |
CN110659794A (zh) * | 2019-08-07 | 2020-01-07 | 北京航空航天大学 | 一种基于综合成本评估的公交车队置换方法 |
-
2020
- 2020-11-16 CN CN202011281040.XA patent/CN112418501A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060074707A1 (en) * | 2004-10-06 | 2006-04-06 | Schuette Thomas A | Method and system for user management of a fleet of vehicles including long term fleet planning |
CN103730008A (zh) * | 2014-01-15 | 2014-04-16 | 汪涛 | 基于公交gps和ic卡实时数据的公交拥挤度分析方法 |
WO2017080471A1 (zh) * | 2015-11-10 | 2017-05-18 | 冯春魁 | 综合车辆的数据测算、监控、监视、处理的方法及系统 |
CN109448364A (zh) * | 2018-10-15 | 2019-03-08 | 同济大学 | 一种考虑舒适度和节能减排的公交动态轨迹优化方法 |
CN110659794A (zh) * | 2019-08-07 | 2020-01-07 | 北京航空航天大学 | 一种基于综合成本评估的公交车队置换方法 |
Non-Patent Citations (1)
Title |
---|
于廷润: "基于IC卡与GPS数据融合的公交线路运力配置", 《交通与运输》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116644868A (zh) * | 2023-07-27 | 2023-08-25 | 四川国蓝中天环境科技集团有限公司 | 一种序列化的基于公交车队的大规模移动传感器布设方法 |
CN116644868B (zh) * | 2023-07-27 | 2023-10-03 | 四川国蓝中天环境科技集团有限公司 | 一种序列化的基于公交车队的大规模移动传感器布设方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pelletier et al. | The electric bus fleet transition problem | |
Jones et al. | The EV revolution: The road ahead for critical raw materials demand | |
Ai et al. | US end-of-life electric vehicle batteries: Dynamic inventory modeling and spatial analysis for regional solutions | |
Bauer et al. | Electrifying urban ridesourcing fleets at no added cost through efficient use of charging infrastructure | |
Kim et al. | A study on the activation plan of electric taxi in Seoul | |
Faria et al. | Electric vehicle parking in European and American context: Economic, energy and environmental analysis | |
CN111861086B (zh) | 一种资源配置方法和系统 | |
CN102052946B (zh) | 车用燃油监管方法 | |
Dirks et al. | On the integration of battery electric buses into urban bus networks | |
CN107392462A (zh) | 一种考虑分类特性的电动汽车并网调度方法 | |
CN112613699B (zh) | 基于汽车大数据的初始碳排放权分配方法 | |
Funke et al. | Can charging infrastructure used only by electric taxis be profitable? A case study from Karlsruhe, Germany | |
CN112418501A (zh) | 一种基于数据驱动的电动公交车队置换优化方法 | |
CN112115385B (zh) | 一种考虑充电时间的单向共享汽车系统选址优化方法 | |
CN116198376B (zh) | 一种新能源汽车充电管理方法及系统 | |
Azmi et al. | System dynamic modeling of CO 2 emissions and pollutants from passenger cars in Malaysia, 2040 | |
CN109752590B (zh) | 一种基于数据驱动的电动公交能耗估计方法 | |
JP7207641B1 (ja) | Ghg排出量導出装置、ghg排出量導出方法、およびプログラム | |
CN115049272A (zh) | 一种基于电池交换进行中间站充电的电动公交调度方法 | |
CN111507744A (zh) | 优惠券发放方法和系统 | |
CN115222297A (zh) | 公交线路优化调整方案评估方法、电子设备及存储介质 | |
CN112632374B (zh) | 一种考虑定制公交的居民出行方式选择分析方法 | |
Kendall et al. | Program for vehicle regulatory reform: assessing life cycle-based greenhouse gas standards | |
Trofimenko et al. | Forecast of the vehicle fleet size and structure in Russian Federation by ecological class, a type of power installations and a fuel type for the period up to 2030 | |
CN115171381B (zh) | 考虑电动汽车服务区选择下的混合交通网络分配方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210226 |
|
RJ01 | Rejection of invention patent application after publication |