CN112613659A - 基于三维时空网络的新能源货运充电站选址-路径优化方法 - Google Patents
基于三维时空网络的新能源货运充电站选址-路径优化方法 Download PDFInfo
- Publication number
- CN112613659A CN112613659A CN202011536150.6A CN202011536150A CN112613659A CN 112613659 A CN112613659 A CN 112613659A CN 202011536150 A CN202011536150 A CN 202011536150A CN 112613659 A CN112613659 A CN 112613659A
- Authority
- CN
- China
- Prior art keywords
- charging station
- time
- vehicle
- new energy
- path
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 230000009977 dual effect Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 3
- 238000010276 construction Methods 0.000 claims description 40
- 230000008859 change Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 238000007792 addition Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims 1
- 238000007796 conventional method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 32
- 230000000875 corresponding effect Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 239000000446 fuel Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012795 verification Methods 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
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于三维时空网络的新能源货运充电站选址‑路径优化方法,包括:在时空二维网络增设车辆电量维度构建空间‑时间‑电量三维时空网络,对现实情况进行清晰真实建模;构建客户运输需求路段与描述车辆充电过程的充电路段;建立基于三维时空网络的新能源货运充电站选址‑路径优化模型;利用设计的拉格朗日松弛分解算法,将原模型转化为对偶模型并分解为充电站选址0‑1背包子问题和多车路径子问题,利用改进的动态规划算法,求解上下界及最优解;输出备选充电站布设方案和满足客户运输需求及充电需求的车辆出行路径方案。本发明能够更精确地得到所需新能源货运充电站选址‑路径优化方案,较同规模传统方法提升了计算效率。
Description
技术领域
本发明涉及新能源汽车技术领域,尤其涉及一种基于三维时空网络的新能源货运充电站选址-路径优化方法。
背景技术
新能源汽车具有节约燃油能源、减少尾气排放等优势,近年来,新能源汽车产业蓬勃发展,其进一步的普及与运用,是未来的发展趋势。为了减少环境污染、优化能源结构,有关部门对新能源汽车的生产商和消费者都扩大了财政补贴、减税降费的力度,比如近期有部门委发布新能源汽车补贴新政,重点强调了考虑延长补贴期限、加快公共交通及特定领域电动化等内容,其中就包括城市物流配送、邮政快递等城市新能源货运领域。在理想情况下,相关补贴调控一方面扩大了需求,另一方面也促使更多的新能源汽车生产企业加入,从客运拓展到货运领域,车辆性能、充电站布局等也进一步优化。随着未来新能源汽车普及率的提升,在规模效应下车辆购买成本与充电成本将进一步降低,从而最终形成“需求扩大”与“供给增加”的良性循环。
新能源汽车按燃料和动力装置,可分为纯电动汽车、混合动力汽车、燃料电池电动汽车等类别,其中纯电动汽车占比最大,占总量约82%,新能源汽车中,车辆新能源动力会随行驶里程逐步消耗,在能源不足时需要去充电站补给的普适情况。当前市场上有两种充电模式,传统插电式充电站的充电时间与所充电量有关,充电时间长,经济性强;电池交换站类似“换电”模式,充电时间短,价格较高,且目前在新能源汽车领域处于探索阶段。
然而,当前新能源汽车在交通领域的应用,仍存在许多问题。在供给方面,第一,充电设施的供给数量少、不均衡,存在城市非中心区域新能源汽车充电站较少、寻找充电站困难,充电站布局与车辆行驶里程不匹配的现象。第二,新能源汽车在货运领域应用较少,尚未构成电动货运网络,目前大多数的新能源车辆应用于私家车和出租车、网约车,在城市货运领域如城市快递配送、冷链运输等方面存在大量缺口。第三,白天车辆在途充电时间长,目前国内汽车充电站的充电模式多为插电式充电,即充电时间与所充电量正相关,充电功率较小,充满电需耗费数小时。在需求方面,第四,新能源汽车存在吸引力不强,市场占有率低等问题,数据显示截至2019年6月,全国新能源汽车保有量仅占汽车总量的1.37%。
综上叙述可知:新能源货运充电站选址-路径优化主要面临的问题有:
1、缺少专业的交通规划机构或物流公司,对含运输服务与充电站的新能源汽车货运网络进行整体布局优化。
2、缺少对新能源车辆的运输路径和基于车辆路径的充电站选址布局的全面优化。
3、缺少考虑充电模式的新能源货运充电站选址-路径优化。
回顾以往的研究,选址-路径问题是经典离散选址问题的扩充,目的在于寻找车辆最佳路径的同时,确定设施的选址和数量。现有文献对带充电站的选址-路径问题的研究非常有限。首先,当前研究对新能源汽车充电站选址-路径问题研究的针对性较差,多单纯研究充电站选址布局规划问题或车辆路径优化问题,然而选址和路径的优化是密不可分的,应综合考虑以提高准确性。其次,文献中多应用传统的物理网络,不能反映真实时空状态下的车辆路径过程。最后,现有文献多采用启发式、遗传算法等非精确算法,算法优化精确度和对选址-路径问题的适应性有待提高。
发明内容
针对以上问题,本发明提出一种基于三维时空网络的新能源货运充电站选址-路径优化方法,该方法可以同时优化新能源货运车辆的配送路径和充电站选址布局,该发明应用的场景为物流公司或交通规划机构布设带充电站的新能源汽车货运服务网络,以满足客户在路段上的需求。
为实现本发明的目的,提供一种基于三维时空网络的新能源货运充电站选址-路径优化方法,包括如下步骤:
S10,在地理空间网络上增加时间维度,构建用于描述时间和空间的时空二维网络,将时空二维网络增设车辆电量维度,以构建三维时空网络;
S20,在三维时空网络,将客户货物运输需求和新能源汽车的充电过程表示在交通路段上,以在三维时空网络中形成多个路段需求和充电路段;
S30,根据三维时空网络的输入参数、客户货物运输需求和各个充电路段将充电过程抽象为数学规划公式,根据数学规划公式构建初始充电站选址-路径优化模型;
S40,利用拉格朗日松弛算法构建初始充电站选址-路径优化模型的对偶模型,利用拉格朗日分解算法将对偶模型分解为2个子问题,利用预设的动态规划算法1和动态规划算法2分别用于求解2个子问题,利用拉格朗日松弛分解算法求解初始充电站选址-路径优化模型的目标函数值上界和下界的差值,根据目标函数值上界和下界的差值在设定范围内确定最小的目标函数值上界最优值,根据上界最优值确定新能源货运充电站选址-路径优化模型。
本发明的有益效果包括:
1、为交通规划机构或物流公司提供市域范围内的新能源汽车货运网络整体布局优化;
2、在真实的时空网络中,为新能源货运车队的车辆部署与行车路线进行高效优化,减少车队整体运输费用;
3、在真实的时空网络中,根据建设预算与运输需求,更加有针对性地规划、布设新能源场站;
4、模型构建与设计拉格朗日松弛分解方法精确度高、适应性好,更准确地建模实际情况。
附图说明
图1是一个实施例的基于三维时空网络的新能源货运充电站选址-路径优化方法流程图;
图2是一个实施例的实例问题描述简图;
图3是一个实施例的问题描述交通网络图;
图4是一个实施例的需求路段与充电路段图;
图5是一个实施例的充电站选址建设背包子问题算法流程图;
图6为一个实施例的带充电站的多车路径子问题算法流程图;
图7为一个实施例的拉格朗日松弛分解算法流程图;
图8为一个实施例的结构框图;
图9为一个实施例的车辆1在STE网络中的车辆路径与电量变化情况图;
图10为一个实施例的车辆2在STE网络中的车辆路径与电量变化情况图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参考图1所示,图1为一个实施例的基于三维时空网络的新能源货运充电站选址-路径优化方法流程图,包括如下步骤:
S10,在地理空间网络上增加时间维度,构建用于描述时间和空间的时空二维网络,将时空二维网络增设车辆电量维度,以构建三维时空网络。
上述步骤可以构建空间-时间-电量的三维时空网络。在现实的地理空间网络上增加时间维度,构建同时描述时间和空间的二维网络,再将时空二维网络增设车辆电量维度构建三维时空网络。
S20,在三维时空网络,将客户货物运输需求和新能源汽车的充电过程表示在交通路段上,以在三维时空网络中形成多个路段需求和充电路段。
该步骤在在S10构建的空间-时间-电量的三维时空网络中,为了提高后续建模准确性,将客户货物运输需求和新能源汽车充电过程表示在交通路段上。该方法将传统的各个单一客户点拓展为客户的需求路段;同时形象化地表示车辆充电过程中的时间消耗和电量变化,形成充电路段。
S30,根据三维时空网络的输入参数、客户货物运输需求和各个充电路段将充电过程抽象为数学规划公式,根据数学规划公式构建初始充电站选址-路径优化模型。
该步骤在S10、S20网络构建基础上建立基于三维时空网络的新能源货运充电站选址-路径优化模型。将S10中的现实输入参数和S20中客户运输需求与充电过程抽象为数学规划公式,建立目标函数为车辆最小出行费用的整数规划模型。
S40,利用拉格朗日松弛算法构建初始充电站选址-路径优化模型的对偶模型,利用拉格朗日分解算法将对偶模型分解为2个子问题,利用预设的动态规划算法1和动态规划算法2分别用于求解2个子问题,利用拉格朗日松弛分解算法求解初始充电站选址-路径优化模型的目标函数值上界和下界的差值,根据目标函数值上界和下界的差值在设定范围内确定最小的目标函数值上界最优值,根据上界最优值确定新能源货运充电站选址-路径优化模型。
S50,在地理信息系统中使用新能源货运充电站选址-路径优化模型获取新能源货运充电站选址优化方案和车辆路径优化方案。
该步骤可以根据步骤S10-S30和S40基于三维时空网络的新能源货运充电站选址-路径优化模型算法求解,将数学规划模型及其算法的输出结果进行校正,在地理信息系统中使用本方法提供市域范围的新能源货运充电站选址优化方案和车辆路径优化方案,从而为物流公司或交通规划机构更好地出谋划策。
上述基于三维时空网络的新能源货运充电站选址-路径优化方法,通过在地理空间网络上增加时间维度,构建用于描述时间和空间的时空二维网络,将时空二维网络增设车辆电量维度,以构建三维时空网络,在三维时空网络,将客户货物运输需求和新能源汽车的充电过程表示在交通路段上,以在三维时空网络中形成多个路段需求和充电路段,根据三维时空网络的输入参数、客户货物运输需求和各个充电路段将充电过程抽象为数学规划公式,根据数学规划公式构建初始充电站选址-路径优化模型,利用拉格朗日松弛算法构建初始充电站选址-路径优化模型的对偶模型,利用拉格朗日分解算法将对偶模型分解为2个子问题,利用预设的动态规划算法1和动态规划算法2分别用于求解2个子问题,利用拉格朗日松弛分解算法求解初始充电站选址-路径优化模型的目标函数值上界和下界的差值,根据目标函数值上界和下界的差值在设定范围内确定最小的目标函数值上界最优值,根据上界最优值确定新能源货运充电站选址-路径优化模型,在地理信息系统中使用新能源货运充电站选址-路径优化模型获取新能源货运充电站选址优化方案和车辆路径优化方案,以得到针对性强,能表征真实时空状态的新能源货运充电站选址优化方案和车辆路径优化方案。
在一个实施例中,S10,在地理空间网络上增加时间维度,构建用于描述时间和空间的时空二维网络,将时空二维网络增设车辆电量维度,以构建三维时空网络包括:
S11,将待优化时段从连续型时段处理为离散型时段T={T0,T1,T2,…Tn},将车辆电量从连续型电量值处理为离散型电量值E={E0,E1,E2,…En};其中E0和En分别是最小电量和最大电量;其中T0表示初始时刻,Tn表示结束时刻始时刻,Ti表示第i个时刻,i的取值范围是大于或者等于0,且小于或者等于n的整数。
S12,确定三维时空网络的输入参数;所述输入参数包括地理空间网络的道路节点与路段、离散化后的待优化时间段、备选充电站节点、时变出行时间、车辆行驶中的电量消耗变化函数、车辆总数、每辆车的起始节点、每辆车的起始电量、最大电量、最小电量、客户需求的起点O和终点D、每个需求时间窗、单个充电站能同时容纳充电的车辆数、每个充电站类型、单个充电站建设成本、以及总体建设预算。
S13,构建以时间为X轴、物理位置为Y轴、车辆电量为Z轴的三维时空网络(,即空间-时间-电量网络(如STE网络)),将步骤S12中的输入参数转变为时空三维数据形式;在三维时空网络中,生成STE节点(i,t,e),含义为该新能源车辆在物理节点i,时刻t的电量水平为e;在此三维时空网络中,生成STE路径(i,j,t,t′,e,e′),含义为车辆通过物理路径(i,j)进行行驶或充电活动,时间间隔(t′-t),车辆电量变化(e′-e);A是所有STE路径构成的集合。
三维时空网络的输入参数包括输入有关交通网络、新能源车辆、客户需求、备选充电站的初始参数,具体为:
在有关交通网络的初始输入中,包括(1)实际物理网络中的道路节点与路段,(2)离散化后的待优化时间段,(3)备选充电站节点,(4)时变出行时间,即路阻,(5)车辆行驶中的电量消耗变化函数;
在有关新能源车辆的初始输入中,包括(1)车辆总数,(2)每辆车的起始节点,(3)每辆车的起始电量、最大电量和最小电量;
在有关客户运输需求的初始输入中,包括(1)客户需求的起点O和终点D,(2)每个需求对应时间窗;
在有关备选充电站的初始输入中,包括(1)单个充电站能同时容纳充电的车辆数,(2)每个充电站类型,即插电式充电站或电池交换站,(3)输入电量变化时间函数(4)单个充电站建设成本,(5)总体建设预算。
在一个实施例中,S20,在三维时空网络,将客户货物运输需求和新能源汽车的充电过程表示在交通路段上,以在三维时空网络中形成多个充电路段包括:
S21,生成客户的路段需求,该步骤具体包括:
根据客户需求的起点O和终点D以及需求时间窗,在三维时空网络中生成出行请求函数出行请求函数为客户在时间窗(t,t′)内,存在从节点i到节点j的运输请求,需一新能源货运车辆,在对应的时间窗内,经过该路段(i,j)。若该客户路段需求被服务,若未被服务,
S22,生成备选充电站的充电路段,该步骤具体包括:
根据备选充电站节点、电量消耗变化函数,构造以实际备选充电站节点为起点、达到最大电量的虚拟充电站节点为终点D的充电路段。
在一个实施例中,S30,根据三维时空网络的输入参数、客户货物运输需求和各个充电路段将充电过程抽象为数学规划公式包括:
定义车辆路径决策变量xv(i,j,t,t′,e,e′),定义充电站选址决策变量ys;
确立流平衡约束条件:
确立充电站容量约束条件:
其中,xv(s,s′,t,t′,e,En)是车辆位于充电站节点s时的决策变量,qs是充电站容量参数;
确立充电站建设成本约束条件:
其中,bs是充电站s的建设成本,B是建设额定总预算;
确立满足货物运输需求的约束条件:
建立使得车辆出行的总运输成本最小化的目标函数:
z=min∑v∈V∑(i,j,t,t′,e,e′)∈A(c(i,j,t,t′)×xv(i,j,t,t′,e,e′))(5)
其中,c(i,j,t,t′)为出行费用参数,表示在STE路段(i,j,t,t′,e,e′)的出行费用。
上述公式(1)三个流平衡约束,分别对应起点、终点和中间节点;公式(2)充电站容量约束保证在任何时刻,任一充电站内车辆数不超过其最大充电站容量qs,若容量不足时,车辆可选择等待或重新规划路径;公式(3)充电站建设成本约束保证所选充电站的建设总成本不超过预算B;公式(4)需求满足约束目的是满足所有时间窗(t,t′)内客户在路段(i,j)上的需求。公式(5)目标函数的含义是在满足公式(1)流平衡约束、公式(2)充电站容量约束、公式(3)建设预算约束和公式(4)需求满足约束的情况下,使所有车辆路径的出行成本最小化。
进一步地,步骤S40中的拉格朗日松弛算法具体包括:
引入非负拉格朗日乘子α(i,j,t,t′)和βs,利用拉格朗日松弛算法,将约束公式(2)和公式(4)松弛进目标函数公式(5),形成松弛后的目标函数;
将松弛后的目标函数按两个决策变量进行乘子系数整理,形成原问题的对偶问题Z′。需要说明的是,权利要求4的构建模型是根据权利要求2和3抽象得出的,但由于无法直接求解,通过本权利中拉格朗日松弛算法变为对偶模型。在最优条件下,对偶问题最优值等于原问题最优值。
具体地,S40中利用拉格朗日分解算法将对偶模型分解为2个子问题包括:
将对偶模型分解为2个子问题,分别为时空网络中带充电站的多车路径子问题Z′(x)和新能源货运充电站选址的0-1背包子问题Z′(y),所述多车路径子问题Z′(x)通过公式(6)表征,所述0-1背包子问题Z′(y)通过公式(7)表征:
s.t.公式(1)
xv(i,j,t,t′,e,e′)∈{0,1}
其中,c(i,j,t,t′)-α(i,j,t,t′)+βs是子问题Z′(x)中的车辆出行费用参数,α(i,j,t,t′)是对应需求路段的拉格朗日乘子,c(i,j,t,t′)为原模型中出行费用参数,βs是对应充电站容量的拉格朗日乘子;xv(i,j,t,t′,e,e′)是车辆路径决策变量,是客户在时间窗(i,j)内,从节点i到节点j的运输路段需求;
max Z′(y)=∑s∈Sβs×bs×ys (7)
s.t.公式(3)
ys∈{0,1}
其中,βs是对应充电站容量的拉格朗日乘子,bs是充电站s的建设成本,ys是充电站选址决策变量。
具体地,所述0-1背包子问题Z′(y)的求解过程包括:
设计动态规划算法1,求解充电站选址0-1背包子问题Z′(y),具体步骤如下:
输入参数:子问题中输入充电站次序s,充电站s的0-1选择变量ys,充电站s的服务效用zs,充电站s的建设成本bs,充电站总建设预算B,可选充电站的充电站总数(为了方便编程说明,设为p),所选充电站的最大服务效用maxZ′(y);
设置变量:设充电站总建设预算变量k,前s个充电站所能达到的当前最大服务效用z(s,k);
读取参数:从s=1逐次加1扫描至s=p,读取第s个充电站的服务效用zs和建设成本bs;
初始化最大服务效用:对于从s=0逐次加1至s≤B,z(0,s)=0;
对于从s=1逐次加1至s≤p,执行状态转移方程:
状态方程1:当k=B逐次减1扫描至k≥bs时,z(s,k)取值为z(s-1,k)与[z(s-1,k-bs)+zs]中的最大值,
状态方程2:当k=bs-1逐次减1扫描至k≥0时,z(s,k)的取值为z(s-1,k);
输出z(p,B),为0-1背包子问题Z′(y)的取值。
具体地,所述多车路径子问题Z′(x)的求解过程包括:
设计基于时空网络的动态规划算法2,求解带充电站的多车路径子问题Z′(x),具体步骤如下:
引入附加变量:引入STE节点(i,t,e)的标号成本lc(i,t,e),(j,t′,e′)的临时标号成本lc′(j,t′,e′);在最优路径上起始和终止的STE节点(o,t0,e0),(d,td,ed);指向最优路径中前一个STE节点(j,t′,e′)的指针po(j,t′,e′);
引入附加参数:引入路径(i,j)的出行时间tt(i,j),最小出行时间ttmin(i,j),最大出行时间ttmax(i,j),令子问题Z′(x)中的车辆出行费用参数c(i,j,t,t′)-α(i,j,t,t′)+βs为total(i,j,t,t′);
初始化:令所有的标号成本lc(i,t,e)为一个极大值M,令起始STE节点标号成本lc(o,t0,e0)=0;
递归查找受电量限制的最优车辆路径:
执行时间循环:时刻T从初始时刻T0逐次加一个单位时刻至终止时刻Tn,执行对应的空间-时间路段循环,
执行空间-时间路段循环:空间-时间路段(i,j)从路段(i0,j0)分别逐次加一搜寻至路段(imax,jmax),执行对应的车辆电量循环,
执行车辆电量循环:电量E从初始电量E0逐次加一个单位电量至最大电量En,执行对应的路段出行时间循环,
路段出行时间循环:出行时间tt(i,j)从最小出行时间ttmin(i,j)逐次加一个单位时刻至最大出行时间ttmax(i,j),执行车辆电量变化公式和标号成本修正法,
车辆电量变化公式为e′=e+e(i,j,t,(t+tt(i,j)),如果e′>0,执行标号成本计算即STE节点(j,t′,e′)的临时成本为车辆在STE节点(i,t,e)处的成本加上车辆在空间-时间路段(i,j,t,t′)出行产生的费用,
执行改进的标号成本修正法,直至结束全部循环;
输出最佳路径:从最优路径的STE终止节点(d,td,ed)逆向按各个指针追溯至初始节点(o,t0,e0),输出最优路径,输出带充电站的多车路径子问题Z′(x)的最优解。
具体地,步骤S40中利用拉格朗日松弛分解算法求解初始充电站选址-路径优化模型的目标函数值上界和下界的差值包括:
S41,设置迭代次数为m,初始化m=1;初始化乘子α(i,j,t,t′)=0,βs=0;初始化次梯度算法步长γm=1;
更新步长γm=1/(m+1);
S42,利用次梯度法更新乘子α(i,j,t,t′):
执行车辆循环:车辆V按次序从v1逐次加一搜寻值车辆vmax,执行对应的空间-时间路段循环;
执行空间-时间路段循环:(i,j,t,t′)从路段(i0,j0,t0,t0′)分别逐次加一搜寻至路段(imax,jmax,tn,tn′),执行乘子更新公式;直至结束空间-时间路段循环,结束车辆循环;
S43,利用次梯度法更新乘子βs:
执行备选充电站循环:充电站K按次序从k1逐次加一搜寻值kmax,执行对应的与充电站相连的空间-时间路段循环;
执行相连空间-时间路段循环:与充电站k相连路段(k,j,t,t′)从路段(k,j0,t0,t0′)分别逐次加一搜寻至路段(k,jmax,tn,tn′),执行乘子更新公式;直至结束相连空间-时间路段循环,结束备选充电站循环;
S44,求解充电站选址子问题Z′(y):
输入当前迭代产生的乘子βs,m值,根据权利要求7中动态规划1解决背包子问题;
输出当前迭代中的充电站选择方案ys,m;
S45,求解多车路径子问题Z′(x),作为原问题目标函数下界:
调用动态规划算法2求解带充电站的多车路径子问题Z′(x),得到当前迭代的所有最优路径,并生成虚拟车辆服务所有未被服务的运输需求;
利用公式(6)计算所有车辆的利润及虚拟车的成本和总利润,获得当前迭代中子问题Z′(x)目标函数值;使得下界不断上升,求得Zlow,m作为当前最优解的下界估计值;
S46,求解满足充电站建设的可行路径,作为原问题目标函数上界:
根据当前迭代下充电站方案ys,m,利用公式(2)充电站容量约束,找出当前所有车辆可行路径,搜索未被满足的需求,利用虚拟车辆为所有未被可行路径服务的运输需求寻找路径;
在不考虑所有可行路径乘子值情况下,采用型公式(5)求解目标函数值Z,即可行路径和虚拟车辆路径的总运输成本;使得上界不断下降,求得Zup,m作为当前最优解的上界估计值;
S47,计算上下界差值,判断停止迭代条件;输出满足停止迭代条件的原问题目标函数上界值Zup,m作为原问题最优值,根据原问题最优值确定最小总运输成本,输出拟建充电站节点集,车辆运输路径集。
在一个实施例中,S50,在地理信息系统中使用新能源货运充电站选址-路径优化模型获取新能源货运充电站选址优化方案和车辆路径优化方案包括:
S51,将城市地图导入地理信息系统软件,生成城市交通网络的路段层与节点层以表示城市的交通路网情况;
S52,根据城市交通网络的路段层与节点层以表示城市的交通路网情况确定城市参数;
S53,将城市参数输入新能源货运充电站选址-路径优化模型,输出新能源货运充电站的选址优化节点,并在地理信息系统软件中输出优化后的充电站节点图层,作为新能源货运充电站选址优化方案;根据新能源货运充电站选址优化方案确定新能源货运车辆在满足充电需求和客户运输需求条件下的行驶路径所包含的全部有序节点,并在地理信息系统软件中输出优化后的新能源车辆路径图层,作为新能源货运车辆路径优化方案。
在一个示例中,上述步骤S50还可以包括如下过程:
步骤一:将城市地图导入地理信息系统软件,生成城市交通网络的路段层与节点层以表示城市的交通路网情况;
步骤二:在编程软件中输入S12有关交通网络、新能源车辆、客户需求、备选充电站的初始参数,并构建S21客户的路段需求和S22充电路段,编程S13空间-时间-电量的三维时空网络;
步骤三:基于三维时空网络的新能源货运充电站选址-路径优化数学模型,将现实中的城市新能源货运充电站选址-路径优化问题转化为目标函数为最小总运输成本并包含四个约束条件的数学规划模型,将对偶模型分解为多车路径子问题和新能源货运充电站选址子问题,根据动态规划算法1、动态规划算法2和拉格朗日松弛分解算法进行机器语言编程,进行多次迭代运行处理;
步骤四:根据相关运行结果,输出新能源货运充电站的选址优化节点,并在地理信息系统软件中输出优化后的充电站节点图层,作为新能源货运充电站选址优化方案;输出新能源货运车辆在满足充电需求和客户运输需求条件下的行驶路径所包含的全部有序节点,并在地理信息系统软件中输出优化后的新能源车辆路径图层,作为新能源货运车辆路径优化方案,最终实现本方法基于三维时空网络的新能源货运充电站选址-路径优化效果。
在一个示例中,上述基于三维时空网络的新能源货运充电站选址-路径优化方法还可以包括如下过程:
步骤一:将城市地图导入地理信息系统软件,生成城市交通网络的路段层与节点层以表示城市的交通路网情况;输入城市优化前充电站节点图层;根据有关交通网络、新能源车辆、客户需求的初始参数和优化前充电站节点图层,利用数学建模软件生成在不考虑优化选址-路径优化时的当前城市道路运输路径,并构建优化前新能源货运车辆路径图层;计算优化前最小总运输成本。
步骤二:将输入的有关交通网络、新能源车辆、客户需求、备选充电站的初始参数进行整理汇总,并在编程软件中构建客户的路段需求和备选充电站的充电路段,编程空间-时间-电量的三维时空网络。
步骤三:基于三维时空网络的新能源货运充电站选址-路径优化数学模型构建与其模型松弛分解为本方法提供了数学建模基础;根据动态规划算法1、动态规划算法2和设计方法3拉格朗日松弛分解算法进行机器语言编程,进行多次迭代运行处理。
步骤四:根据上述步骤的运行结果,输出新能源货运充电站的选址优化节点,并在地理信息系统软件中输入优化后的充电站节点图层;输出新能源货运车辆在满足充电需求和客户运输需求条件下的行驶路径所包含的全部有序节点,并在地理信息系统软件中输入优化后的新能源车辆路径图层;计算优化后的总运输成本。
步骤五:将优化前总运输成本与优化后总运输成本进行对比,当优化后总运输成本明显小于优化前总运输成本时,得到“选择本优化方案”结论,否则进行参数调试与结果校正,直至得到“选择本优化方案”或“该城市无需进一步优化方案”结论;
当得到“该城市无需进一步优化方案”结论时,在地理信息系统软件保留交通网络的路段层、节点层与优化前的新能源充电站节点图层、优化前的新能源车辆路径图层作为最终优化方案;
当得到“选择本优化方案”结论时,最终在地理信息系统软件保留交通网络的路段层、节点层与优化后的新能源充电站节点图层、优化后的新能源车辆路径图层作为最终优化方案;最终实现本方法基于三维时空网络的新能源货运充电站选址-路径优化效果。
在一个实施例中,参考图2至图10对上述基于三维时空网络的新能源货运充电站选址-路径优化方法进行详细说明。
1、问题描述和STE网络生成
本实施例应用的场景为交通机构或物流公司布设带充电站的新能源汽车货运服务网络,以满足客户在城市道路路段上的运输需求,如路段聚集性的冷链需求、商圈需求等。考虑到节约总成本,公司需考虑应该指派多少辆车,每辆车应该走哪条路线,在什么地方建设充电站及充电,尽可能满足哪些运输需求等问题。
图2实例问题描述中,物流公司收到当前时段内所有的运输需求订单后,安排新能源货运车辆满足需求。网络中包含6个需求路段、3个备建充电站和2辆新能源货运车辆,车辆的初始车场位置与初始电量、各需求路段和备选充电站选址如图1所示。为了使模型具有一般性,假设车辆在规划期间可以在任意充电站充电,考虑充至满电状态;车辆最终回到任一初始车场。
为了建模需要,将现实问题抽象化为用节点、路段构成的14节点描述网络,见图3;在有关交通网络的初始输入中,待优化时间段为35个单位时间,备选充电站节点为节点E、G、M,时变出行时间见图3对应路段标注,车辆行驶中的路段电量消耗量是对应出行费用的2倍,等待弧无消耗量。有关新能源车辆的初始输入见表1,有关客户运输需求的初始输入见表2,有关备选充电站的初始输入见表3。
空间-时间二维网络可以把时空的耦合关系直观地反映出来,从而更好地建立模型,而当问题的场景更加复杂时,需要把二维网络扩展成相对应的三维时空网络,将对应输入参数转变为时空三维数据形式。在建模之前,首先构建空间-时间-电量(STE)网络,其中时间、空间、电量分别对应时间维度、空间维度的节点路段与车辆剩余电量。
表1新能源车辆的初始输入
表2客户运输需求的初始输入
表3备选充电站的初始输入
2、生成客户需求路段和备选充电站的虚拟充电路段
该方法将传统的各个单一客户点拓展为客户的需求路段;同时形象化地表示车辆充电过程中的时间消耗和电量变化以形成充电路段,这样网络中所有路段电量的变化可以用负数表示运输活动或用正数表示充电活动。
如图4所示,灰色框内是将物理充电站节点转化为2个节点和一个路段,路段(G,G1)表示虚拟的单位充电效率为10的充电路段,同理表示路段(E,E1)和(M,M1)。路段上方标注如(1,-2)表示路段出行时间为1,消耗电量水平为2,即STE网络中的时间表述(运输需求执行时间,出行时间或充电时间)总是正数,而电量变化规律为车辆行驶活动时用负数表示消耗,充电过程用正数表示补给;灰色虚线箭头对应构造的路段需求
3、模型构建
本方法定义了模型的集合和索引;给出有关ST网络和STE网络、路段出行时间、备选充电站和新能源车辆的相关参数;定义了两个决策变量,参数和决策变量见表4和表5,模型约束与目标函数见表6。
表4模型参数
表5决策变量
表6目标函数与约束
目标函数的含义是在满足流平衡约束、充电站容量约束、建设预算约束和需求满足约束的情况下,使所有车辆路径的出行成本最小化。三个流平衡约束,分别对应起点、终点和中间节点;充电站容量约束保证在任何时刻,任一充电站内车辆数不超过其最大充电站容量qs,若容量不足时,车辆可选择等待或重新规划路径;充电站建设成本约束保证所选充电站的建设总成本不超过预算B;需求满足约束目的是满足所有时间窗(t,t′)内客户在路段(i,j)上的需求。
4、模型求解
针对本模型中的复杂约束,分别引入非负拉格朗日乘子α(i,j,t,t′)和βs,见表7;从而将这对应约束松弛进目标函数,形成松弛后的目标函数和约束。由于车辆路径和充电站选址需同时确定,因此本方法使用设计的拉格朗日分解方法将原问题分解成2个子问题,即新能源货运充电站选址的0-1背包子问题和时空网络中带充电站的多车路径子问题,见表8。
表7拉格朗日乘子
表8松弛分解后模型
本方法使用如图5所示的设计动态规划算法求解充电站选址0-1背包子问题Z′(y),通过充电站次序循环、建设预算判断、状态方程执行和终止条件判断等流程,输出背包问题最优解。
本方法使用如图6所示的基于时空网络的动态规划算法求解带充电站的多车路径子问题Z′(x),与传统问题不同,该动态规划法对三个维度所有的可能性均检验搜索。通过时间循环、路段循环、电量循环和改进的标号修正法及终止条件判断,输出按标号追溯的最佳路径。
本方法使用如图7所示的拉格朗日松弛分解算法,同时求解子问题Z′(x)和Z′(y),通过乘子的更新、充电站选址0-1背包子问题的求解、带充电站的多车路径子问题求解及下界输出、所有可行路径构成的总运输成本上界输出以及上下界的更新与终止条件的判断,输出上界最优值、拟建充电站节点集和车辆运输路径集。
本方法使用如图8所示的流程结构图,在编程软件中输入交通网络、新能源车辆、客户运输需求以及备选充电站的设置参数,构建空间-时间-电量三维网络及求解模型;利用设计算法进行迭代求解、算法调试及验证,最后输出满足条件的目标函数值,充电站节点与车辆路径轨迹最优解。
本实例在Visual Studio 2010中编写C++代码,并使用.NET framework version4.5编译,以实现拉格朗日松弛算法框架、带充电站的多车路径子问题的动态规划算法和充电站选址0-1背包子问题的动态规划算法;经27次迭代求解,得到上下界差值在15%以内的方案,最终输出的上界最优值为46。
如图9和图10所示,充电站选址为节点E和节点M,分别输出车辆1和车辆2的上界路径和新能源汽车电量变化状态。图9描述了新能源车辆1行驶过程对应的空间-时间网络和时间-电量网络,车辆1从车场节点C出发,依次服务了客户运输需求和并在时间窗(10,13)于节点E进行充电服务;图中灰色等价路径为满足同一最优值的车辆1其它出行轨迹情况;图10描述了新能源车辆2行驶过程对应的空间-时间网络和时间-电量网络,车辆2从车场节点D出发,依次服务了客户运输需求和并在时间窗(2,5)于节点E、在时间窗(15,16)于节点M进行充电服务。该实例中,客户运输需求和被虚拟车辆服务。通过与GAMS建模软件求解结果对比,验证了本发明方法有效性。
本实施例的有益效果包括:
1、为交通规划机构或物流公司提供市域范围内的新能源汽车货运网络整体布局优化;
2、在真实的时空网络中,为新能源货运车队的车辆部署与行车路线进行高效优化,减少车队整体运输费用;
3、在真实的时空网络中,根据建设预算与运输需求,更加有针对性地规划、布设新能源场站;
4、模型构建与设计拉格朗日松弛分解方法精确度高、适应性好,更准确地建模实际情况。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本申请实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于三维时空网络的新能源货运充电站选址-路径优化方法,其特征在于,包括如下步骤:
S10,在地理空间网络上增加时间维度,构建用于描述时间和空间的时空二维网络,将时空二维网络增设车辆电量维度,以构建三维时空网络;
S20,在三维时空网络,将客户货物运输需求和新能源汽车的充电过程表示在交通路段上,以在三维时空网络中形成多个路段需求和充电路段;
S30,根据三维时空网络的输入参数、客户货物运输需求和各个充电路段将充电过程抽象为数学规划公式,根据数学规划公式构建初始充电站选址-路径优化模型;
S40,利用拉格朗日松弛算法构建初始充电站选址-路径优化模型的对偶模型,利用拉格朗日分解算法将对偶模型分解为2个子问题,利用预设的动态规划算法1和动态规划算法2分别用于求解2个子问题,利用拉格朗日松弛分解算法求解初始充电站选址-路径优化模型的目标函数值上界和下界的差值,根据目标函数值上界和下界的差值在设定范围内确定最小的目标函数值上界最优值,根据上界最优值确定新能源货运充电站选址-路径优化模型;
S50,在地理信息系统中使用新能源货运充电站选址-路径优化模型获取新能源货运充电站选址优化方案和车辆路径优化方案。
2.根据权利要求1所述的基于三维时空网络的新能源货运充电站选址-路径优化方法,其特征在于,S10,在地理空间网络上增加时间维度,构建用于描述时间和空间的时空二维网络,将时空二维网络增设车辆电量维度,以构建三维时空网络包括:
S11,将待优化时段从连续型时段处理为离散型时段T={T0,T1,T2,…Tn},将车辆电量从连续型电量值处理为离散型电量值E={E0,E1,E2,…En};其中E0和En分别是最小电量和最大电量;其中T0表示初始时刻,Tn表示结束时刻始时刻,Ti表示第i个时刻,i的取值范围是大于或者等于0,且小于或者等于n的整数;
S12,确定三维时空网络的输入参数;所述输入参数包括地理空间网络的道路节点与路段、离散化后的待优化时间段、备选充电站节点、时变出行时间、车辆行驶中的电量消耗变化函数、车辆总数、每辆车的起始节点、每辆车的起始电量、最大电量、最小电量、客户需求的起点O和终点D、每个需求时间窗、单个充电站能同时容纳充电的车辆数、每个充电站类型、单个充电站建设成本、以及总体建设预算;
S13,构建以时间为X轴、物理位置为Y轴、车辆电量为Z轴的三维时空网络,将步骤S12中的输入参数转变为时空三维数据形式;在三维时空网络中,生成STE节点(i,t,e),含义为该新能源车辆在物理节点i,时刻t的电量水平为e;在此三维时空网络中,生成STE路径(i,j,t,t′,e,e′),含义为车辆通过物理路径(i,j)进行行驶或充电活动,时间间隔(t′-t),车辆电量变化(e′-e);A是所有STE路径构成的集合。
3.根据权利要求1所述的基于三维时空网络的新能源货运充电站选址-路径优化方法,其特征在于,S20,在三维时空网络,将客户货物运输需求和新能源汽车的充电过程表示在交通路段上,以在三维时空网络中形成多个充电路段包括:
S21,生成客户的路段需求,该步骤具体包括:
根据客户需求的起点O和终点D以及需求时间窗,在三维时空网络中生成出行请求函数出行请求函数为客户在时间窗(t,t′)内,存在从节点i到节点j的运输请求,需一新能源货运车辆,在对应的时间窗内,经过该路段(i,j),若该客户路段需求被服务,若未被服务,
S22,生成备选充电站的充电路段,该步骤具体包括:
根据备选充电站节点、电量消耗变化函数,构造以实际备选充电站节点为起点、达到最大电量的虚拟充电站节点为终点D的充电路段。
4.根据权利要求1所述的基于三维时空网络的新能源货运充电站选址-路径优化方法,其特征在于,S30,根据三维时空网络的输入参数、客户货物运输需求和各个充电路段将充电过程抽象为数学规划公式包括:
定义车辆路径决策变量xv(i,j,t,t′,e,e′),定义充电站选址决策变量ys;
确立流平衡约束条件:
确立充电站容量约束条件:
其中,xv(s,s′,t,t′,e,En)是车辆位于充电站节点s时的决策变量,qs是充电站容量参数;
确立充电站建设成本约束条件:
其中,bs是充电站s的建设成本,B是建设额定总预算;
确立满足货物运输需求的约束条件:
建立使得车辆出行的总运输成本最小化的目标函数:
z=min∑v∈V∑(i,j,t,t′,e,e′)∈A(c(i,j,t,t′)×xv(i,j,t,t′,e,e′)) (5)
其中,c(i,j,t,t′)为出行费用参数,表示在STE路段(i,j,t,t′,e,e′)的出行费用。
5.根据权利要求4所述的基于三维时空网络的新能源货运充电站选址-路径优化方法,其特征在于,S40中利用拉格朗日分解算法将对偶模型分解为2个子问题包括:
将对偶模型分解为2个子问题,分别为时空网络中带充电站的多车路径子问题Z′(x)和新能源货运充电站选址的0-1背包子问题Z′(y),所述多车路径子问题Z′(x)通过公式(6)表征,所述0-1背包子问题Z′(y)通过公式(7)表征:
xv(i,j,t,t′,e,e′)∈{0,1}
其中,c(i,j,t,t′)-α(i,j,t,t′)+βs是子问题Z′(x)中的车辆出行费用参数,α(i,j,t,t′)是对应需求路段的拉格朗日乘子,c(i,j,t,t′)为原模型中出行费用参数,βs是对应充电站容量的拉格朗日乘子;xv(i,j,t,t′,e,e′)是车辆路径决策变量,是客户在时间窗(i,j)内,从节点i到节点j的运输路段需求;
maxZ′(y)=∑s∈Sβs×bs×ys (7)
ys∈{0,1}
其中,βs是对应充电站容量的拉格朗日乘子,bs是充电站s的建设成本,ys是充电站选址决策变量。
6.根据权利要求5所述的基于三维时空网络的新能源货运充电站选址-路径优化方法,其特征在于,所述0-1背包子问题Z′(y)的求解过程包括:
设计动态规划算法1,求解充电站选址0-1背包子问题Z′(y),具体步骤如下:
输入参数:子问题中输入充电站次序s,充电站s的0-1选择变量ys,充电站s的服务效用zs,充电站s的建设成本bs,充电站总建设预算B,可选充电站的充电站总数(为了方便编程说明,设为p),所选充电站的最大服务效用maxZ′(y);
设置变量:设充电站总建设预算变量k,前s个充电站所能达到的当前最大服务效用z(s,k);
读取参数:从s=1逐次加1扫描至s=p,读取第s个充电站的服务效用zs和建设成本bs;
初始化最大服务效用:对于从s=0逐次加1至s≤B,z(0,s)=0;
对于从s=1逐次加1至s≤p,执行状态转移方程:
状态方程1:当k=B逐次减1扫描至k≥bs时,z(s,k)取值为z(s-1,k)与[z(s-1,k-bs)+zs]中的最大值,
状态方程2:当k=bs-1逐次减1扫描至k≥0时,z(s,k)的取值为z(s-1,k);
输出z(p,B),为0-1背包子问题Z′(y)的取值。
7.根据权利要求6所述的基于三维时空网络的新能源货运充电站选址-路径优化方法,其特征在于,所述多车路径子问题Z′(x)的求解过程包括:
设计基于时空网络的动态规划算法2,求解带充电站的多车路径子问题Z′(x),具体步骤如下:
引入附加变量:引入STE节点(i,t,e)的标号成本lc(i,t,e),(j,t′,e′)的临时标号成本lc′(j,t′,e′);在最优路径上起始和终止的STE节点(o,t0,e0),(d,td,ed);指向最优路径中前一个STE节点(j,t′,e′)的指针po(j,t′,e′);
引入附加参数:引入路径(i,j)的出行时间tt(i,j),最小出行时间ttmin(i,j),最大出行时间ttmax(i,j),令子问题Z′(x)中的车辆出行费用参数c(i,j,t,t′)-α(i,j,t,t′)+βs为total(i,j,t,t′);
初始化:令所有的标号成本lc(i,t,e)为一个极大值M,令起始STE节点标号成本lc(o,t0,e0)=0;
递归查找受电量限制的最优车辆路径:
执行时间循环:时刻T从初始时刻T0逐次加一个单位时刻至终止时刻Tn,执行对应的空间-时间路段循环,
执行空间-时间路段循环:空间-时间路段(i,j)从路段(i0,j0)分别逐次加一搜寻至路段(imax,jmax),执行对应的车辆电量循环,
执行车辆电量循环:电量E从初始电量E0逐次加一个单位电量至最大电量En,执行对应的路段出行时间循环,
路段出行时间循环:出行时间tt(i,j)从最小出行时间ttmin(i,j)逐次加一个单位时刻至最大出行时间ttmax(i,j),执行车辆电量变化公式和标号成本修正法,
车辆电量变化公式为e′=e+e(i,j,t,(t+tt(i,j)),如果e′>0,执行标号成本计算即STE节点(j,t′,e′)的临时成本为车辆在STE节点(i,t,e)处的成本加上车辆在空间-时间路段(i,j,t,t′)出行产生的费用,
执行改进的标号成本修正法,直至结束全部循环;
输出最佳路径:从最优路径的STE终止节点(d,td,ed)逆向按各个指针追溯至初始节点(o,t0,e0),输出最优路径,输出带充电站的多车路径子问题Z′(x)的最优解。
8.根据权利要求7所述的基于三维时空网络的新能源货运充电站选址-路径优化方法,其特征在于,步骤S40中利用拉格朗日松弛分解算法求解初始充电站选址-路径优化模型的目标函数值上界和下界的差值包括:
S41,设置迭代次数为m,初始化m=1;初始化乘子α(i,j,t,t′)=0,βs=0;初始化次梯度算法步长γm=1;
更新步长γm=1/(m+1);
S42,利用次梯度法更新乘子α(i,j,t,t′):
执行车辆循环:车辆V按次序从v1逐次加一搜寻值车辆vmax,执行对应的空间-时间路段循环;
执行空间-时间路段循环:(i,j,t,t′)从路段(i0,j0,t0,t0′)分别逐次加一搜寻至路段(imax,jmax,tn,tn′),执行乘子更新公式;直至结束空间-时间路段循环,结束车辆循环;
S43,利用次梯度法更新乘子βs:
执行备选充电站循环:充电站K按次序从k1逐次加一搜寻值kmax,执行对应的与充电站相连的空间-时间路段循环;
执行相连空间-时间路段循环:与充电站k相连路段(k,j,t,t′)从路段(k,j0,t0,t0′)分别逐次加一搜寻至路段(k,jmax,tn,tn′),执行乘子更新公式;直至结束相连空间-时间路段循环,结束备选充电站循环;
S44,求解充电站选址子问题Z′(y):
输入当前迭代产生的乘子βs,m值,根据权利要求7中动态规划1解决背包子问题;
输出当前迭代中的充电站选择方案ys,m;
S45,求解多车路径子问题Z′(x),作为原问题目标函数下界:
调用动态规划算法2求解带充电站的多车路径子问题Z′(x),得到当前迭代的所有最优路径,并生成虚拟车辆服务所有未被服务的运输需求;
利用公式(6)计算所有车辆的利润及虚拟车的成本和总利润,获得当前迭代中子问题Z′(x)目标函数值;使得下界不断上升,求得Zlow,m作为当前最优解的下界估计值;
S46,求解满足充电站建设的可行路径,作为原问题目标函数上界:
根据当前迭代下充电站方案ys,m,利用公式(2)充电站容量约束,找出当前所有车辆可行路径,搜索未被满足的需求,利用虚拟车辆为所有未被可行路径服务的运输需求寻找路径;
采用型公式(5)求解目标函数值Z,即可行路径和虚拟车辆路径的总运输成本;使得上界不断下降,求得Zup,m作为当前最优解的上界估计值;
S47,计算上下界差值,判断停止迭代条件;输出满足停止迭代条件的原问题目标函数上界值Zup,m作为原问题最优值,根据原问题最优值确定最小总运输成本,输出拟建充电站节点集,车辆运输路径集。
9.根据权利要求1所述的基于三维时空网络的新能源货运充电站选址-路径优化方法,其特征在于,S50,在地理信息系统中使用新能源货运充电站选址-路径优化模型获取新能源货运充电站选址优化方案和车辆路径优化方案包括:
S51,将城市地图导入地理信息系统软件,生成城市交通网络的路段层与节点层以表示城市的交通路网情况;
S52,根据城市交通网络的路段层与节点层以表示城市的交通路网情况确定城市参数;
S53,将城市参数输入新能源货运充电站选址-路径优化模型,输出新能源货运充电站的选址优化节点,并在地理信息系统软件中输出优化后的充电站节点图层,作为新能源货运充电站选址优化方案;根据新能源货运充电站选址优化方案确定新能源货运车辆在满足充电需求和客户运输需求条件下的行驶路径所包含的全部有序节点,并在地理信息系统软件中输出优化后的新能源车辆路径图层,作为新能源货运车辆路径优化方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011536150.6A CN112613659B (zh) | 2020-12-23 | 2020-12-23 | 基于三维时空网络的新能源货运充电站选址-路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011536150.6A CN112613659B (zh) | 2020-12-23 | 2020-12-23 | 基于三维时空网络的新能源货运充电站选址-路径优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613659A true CN112613659A (zh) | 2021-04-06 |
CN112613659B CN112613659B (zh) | 2022-11-15 |
Family
ID=75244902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011536150.6A Active CN112613659B (zh) | 2020-12-23 | 2020-12-23 | 基于三维时空网络的新能源货运充电站选址-路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613659B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034055A (zh) * | 2021-04-30 | 2021-06-25 | 轻程(上海)物联网科技有限公司 | 一种氢能车站景智能运营平台 |
CN113435777A (zh) * | 2021-07-13 | 2021-09-24 | 北京交通大学 | 一种电动运营车辆充电站规划方法及系统 |
CN115171381A (zh) * | 2022-07-04 | 2022-10-11 | 长沙理工大学 | 考虑电动汽车服务区选择下的混合交通网络分配方法 |
CN116523087A (zh) * | 2022-01-21 | 2023-08-01 | 广州蔚景科技有限公司 | 一种融合多因素的充电站站址布局优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390421A (zh) * | 2019-06-12 | 2019-10-29 | 北京交通大学 | 基于时空网络的拥堵地铁线路客流协调控制方法 |
CN111582581A (zh) * | 2020-05-08 | 2020-08-25 | 北京理工大学 | 考虑随机交通流量偏移的电动汽车换电站鲁棒选址方法 |
CN111860991A (zh) * | 2020-07-13 | 2020-10-30 | 清华大学深圳国际研究生院 | 一种无人车配送路径规划方法 |
-
2020
- 2020-12-23 CN CN202011536150.6A patent/CN112613659B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390421A (zh) * | 2019-06-12 | 2019-10-29 | 北京交通大学 | 基于时空网络的拥堵地铁线路客流协调控制方法 |
CN111582581A (zh) * | 2020-05-08 | 2020-08-25 | 北京理工大学 | 考虑随机交通流量偏移的电动汽车换电站鲁棒选址方法 |
CN111860991A (zh) * | 2020-07-13 | 2020-10-30 | 清华大学深圳国际研究生院 | 一种无人车配送路径规划方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034055A (zh) * | 2021-04-30 | 2021-06-25 | 轻程(上海)物联网科技有限公司 | 一种氢能车站景智能运营平台 |
CN113034055B (zh) * | 2021-04-30 | 2022-03-22 | 轻程(上海)物联网科技有限公司 | 一种氢能车站景智能运营平台 |
CN113435777A (zh) * | 2021-07-13 | 2021-09-24 | 北京交通大学 | 一种电动运营车辆充电站规划方法及系统 |
CN116523087A (zh) * | 2022-01-21 | 2023-08-01 | 广州蔚景科技有限公司 | 一种融合多因素的充电站站址布局优化方法 |
CN116523087B (zh) * | 2022-01-21 | 2024-04-02 | 广州蔚景科技有限公司 | 一种融合多因素的充电站站址布局优化方法 |
CN115171381A (zh) * | 2022-07-04 | 2022-10-11 | 长沙理工大学 | 考虑电动汽车服务区选择下的混合交通网络分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112613659B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112613659B (zh) | 基于三维时空网络的新能源货运充电站选址-路径优化方法 | |
van Kooten Niekerk et al. | Scheduling electric vehicles | |
Kchaou-Boujelben | Charging station location problem: A comprehensive review on models and solution approaches | |
An et al. | Battery-swapping facility planning for electric buses with local charging systems | |
Zheng et al. | Traffic equilibrium and charging facility locations for electric vehicles | |
Zhen et al. | Hybrid electric vehicle routing problem with mode selection | |
Ma et al. | Large‐Scale Demand Driven Design of a Customized Bus Network: A Methodological Framework and Beijing Case Study | |
James | Two-stage request scheduling for autonomous vehicle logistic system | |
Wu et al. | The multi-depot electric vehicle scheduling problem with power grid characteristics | |
Liu et al. | Optimal locations and electricity prices for dynamic wireless charging links of electric vehicles for sustainable transportation | |
Cerna et al. | Optimal delivery scheduling and charging of EVs in the navigation of a city map | |
Raeesi et al. | Coordinated routing of electric commercial vehicles with intra-route recharging and en-route battery swapping | |
Sadati et al. | Electric vehicle routing problem with flexible deliveries | |
CN109063899A (zh) | 车辆运输规划方法及装置、电子设备及可读存储介质 | |
Li et al. | Joint Optimization of Regular Charging Electric Bus Transit Network Schedule and Stationary Charger Deployment considering Partial Charging Policy and Time‐of‐Use Electricity Prices | |
Diaz-Cachinero et al. | Integrated operational planning model, considering optimal delivery routing, incentives and electric vehicle aggregated demand management | |
Li et al. | Research on optimization of electric vehicle routing problem with time window | |
Zheng et al. | Routing and charging locations for electric vehicles for intercity trips | |
Ma | Two-stage battery recharge scheduling and vehicle-charger assignment policy for dynamic electric dial-a-ride services | |
McCabe et al. | Optimal locations and sizes of layover charging stations for electric buses | |
Li et al. | Electric vehicle sharing based “energy sponge” service interfacing transportation and power systems | |
Basso et al. | An optimization approach and a heuristic procedure to schedule battery charging processes for stackers of palletized cargo | |
Zhao et al. | Bi‐Objective Optimization for Vehicle Routing Problems with a Mixed Fleet of Conventional and Electric Vehicles and Soft Time Windows | |
Martínez et al. | Assessment of the impact of a fully electrified postal fleet for urban freight transportation | |
Zhang et al. | Heterogeneous fleet management for one-way electric carsharing system with optional orders, vehicle relocation and on-demand recharging |
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 |