CN112750063A - 基于随机规划的公交车队设施选址-路径规划-调度方法 - Google Patents
基于随机规划的公交车队设施选址-路径规划-调度方法 Download PDFInfo
- Publication number
- CN112750063A CN112750063A CN202110003109.0A CN202110003109A CN112750063A CN 112750063 A CN112750063 A CN 112750063A CN 202110003109 A CN202110003109 A CN 202110003109A CN 112750063 A CN112750063 A CN 112750063A
- Authority
- CN
- China
- Prior art keywords
- representing
- point
- time
- energy
- bus
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000005265 energy consumption Methods 0.000 claims abstract description 76
- 230000006870 function Effects 0.000 claims description 63
- 230000014509 gene expression Effects 0.000 claims description 28
- 239000000126 substance Substances 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 238000011478 gradient descent method Methods 0.000 claims description 9
- 235000006629 Prosopis spicigera Nutrition 0.000 claims description 3
- 240000000037 Prosopis spicigera Species 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 9
- 230000000295 complement effect Effects 0.000 description 8
- 238000013459 approach Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000019771 cognition Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G06Q50/40—
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (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随机规划的公交车队设施选址‑路径规划‑调度方法,包括以下步骤:S1:构建时间‑空间‑能源的车流网络模型和时间‑空间的多行为人流网络模型;S2:构建基于两阶段随机规划法的MBLRS模型;S3:求解基于两阶段随机规划法的MBLRS模型,获得考虑能耗不确定性的混合公交车队充能设施选址、路径规划及调度的最优解。本发明的调度方法能有效解决新能源公交车衍生的新运营管理问题,在时间‑空间‑能源车流网络的基础上解决能耗不确定性问题,使模型更具有一般性,针对不同时期的公交车路径规划和调度问题均具有良好的应用价值。
Description
技术领域
本发明属于车辆调度技术领域,具体涉及一种基于随机规划的公交车队设施选址-路径规划-调度方法。
背景技术
公共交通常被视为绿色的交通方式。然而,大多数公共交通工具却因使用重型柴油车辆而产生大量的空气污染。在以公共交通为导向的大都市,如香港,重型柴油车辆(主要是公交车)的尾气排放占路边排放量的80%-90%。降低公交车排放迫在眉睫。
目前,从化石燃料向更清洁的替代燃料汽车的过渡已被公认为极具前景的方式。随着新能源汽车登上历史舞台,公共交通无疑成为推广新能源汽车的主要领域。然而,与传统的公交车队运营部署不同,新能源公交车,尤其是电动车,在规划过程中面临着三大难题:能源消耗不确定,充能模式多样化,充能设施不足。首先,能源消耗不确定是一个主要问题。以前的研究大多侧重于通过预测能源需求来估算最大行驶距离,又或是采用实际或模拟轨迹的数据来进行运营优化。然而在现实中,车辆最大行驶里程将会有较大幅度的变动,多种因素均会对车辆的能源消耗造成影响,如行驶速度、乘客负载、地形梯度、电池温度和当前电池寿命等。即便在能源监控技术日益成熟的今天,对未来能源需求的预测也存在一定难度。在以往的研究中,运营规划阶段一般为电动公交车指定一个保守的最大行驶里程,这有效降低了电动公交车在途中搁浅的风险。然而,这也可能导致车队未能充分利用,从而降低系统效益。
其次,充能问题也是一个不容忽视的方面。在考虑电动车辆路径规划问题中的充电过程时,经常对充电策略和充电时间近似函数进行假设。前者定义了电动车在访问充能站时能够恢复多少能量,后者模拟了充电时间和电池电量之间的关系。对于充电策略,目前大多数的研究均假设电量全充满;而对于充电时间,目前大多数研究只考虑了线性充电,并且有的研究直接假设了固定的充电时间。随着研究的不断深入,部分充电策略和非线性充电函数开始出现。然而,该领域的研究仍处于初级阶段,虽然电池技术一直在不断突破,仍会有新的充能问题出现。
最后,新能源公交车的广泛部署还受制于充能设备的数量和位置。一方面,充能设备的不足将引发更长时间的补给,从而缩短新能源汽车的服务时间,限制了其灵活性和利用率的同时加大了运营成本。另一方面,充能设备供应过剩将要求前期大量的基础设施建设资金投入,财务预算上并不可行。与此同时,公交车的路径规划和充能设备的布设相互影响,相互制约,综合考虑才能进一步降低系统成本。
在新能源公交车路径规划和调度设计中,能耗不确定性,充能问题及充能设施布设问题三者相互影响,相互关联,缺一不可。若不考虑能耗不确定性,得到的优化方案将以损耗系统成本或损害服务质量为代价;若不考虑充能问题,优化效果将会降低,最优解质量将受影响;若不考虑充能设施选址,路径规划方案将受制约,系统成本增高,对最优解的质量造成影响。因此,同时考虑三个因素将更有利于降低系统成本,得到的方案也更具可行性。
发明内容
本发明的目的是为了解决新能源汽车衍生的新运营管理问题、包括能耗不确定性、充能问题及充能设施布设的问题,提出了一种基于随机规划的公交车队设施选址-路径规划-调度方法。
本发明的技术方案是:一种基于随机规划的公交车队设施选址-路径规划-调度方法包括以下步骤:
S1:分别构建时间-空间-能源的车流网络模型和时间-空间的多行为人流网络模型;
S2:根据时间-空间-能源的车流网络模型和时间-空间的多行为人流网络模型,构建基于两阶段随机规划法的MBLRS模型;
S3:利用梯度下降法,求解基于两阶段随机规划法的MBLRS模型,获得考虑能耗不确定性的混合公交车队充能设施选址、路径规划及调度的最优解。
本发明的有益效果是:
(1)本发明的调度方法能有效解决新能源公交车衍生的新运营管理问题,在时间-空间-能源车流网络的基础上解决能耗不确定性问题,使模型更具有一般性,针对不同时期的公交车路径规划和调度问题均具有良好的应用价值。
(2)本发明的调度方法首次提出考虑能源消耗不确定性的MBLRS问题,并将两阶段随机规划法引入公交车路径规划和调度问题中,同时利用基于概率模型的情景分析法,建立基于两阶段随机规划法的MBLRS模型。模型考虑全面,简洁清晰,普适性强。
(3)本发明的调度方法首次提出行驶里程可靠度概念,不仅为解决两阶段随机规划法的MBLRS问题提供良好的求解思路,同时为决策者的结果认知提供方便易懂的解读参考。
进一步地,步骤S1中,建立时间-空间-能源的车流网络模型包括以下子步骤:
A11:设置时间-空间-能源的车流网络模型的参数;
A12:根据时间-空间-能源的车流网络模型的参数,构建时间-空间-能源的车流网络模型;
步骤S1中,构建时间-空间的多行为人流网络模型包括以下子步骤:
B11:设置时间-空间的多行为人流网络模型的参数;
B12:根据时间-空间的多行为人流网络模型的参数,构建时间-空间的多行为人流网络模型。
上述进一步方案的有益效果是:在本发明中,通过对现实网络进行建模,然后利用模型生成网络拓扑的方法,建立两种流量网络的模型。第一种,基于时间-空间-能源的车流网络。在一般的时间-空间车流网络的基础上,进行扩展、优化和更新,同时考虑网络的各种属性和功能,将网络构建成可以解决多车型、多充能模式、多车场及充能设施点优化布设问题的更具有一般性的基础车流网络。第二种,基于时间-空间的多行为选择下的人流网络。充分考虑乘客在出行期间可能出现的乘车、等待、绕行及放弃出行的多行为模式,构建更具有一般性的基础人流网络。
该网络将单一车型网络问题扩展为多车型网络问题,考虑包括各种车型的能源种类、充能时间及模式、载客量、行驶特性及运营成本等问题;该网络将单一的充能模式扩展为多模式充能,考虑包括各种能源的补充模式(全补充和部分补充)及补充时间近似表达式(线性和非线性);该网络将单车场问题扩展为多车场问题,锁定每辆车或每种车型的起始和终点车场,充分考虑各车场存车容量及绕行成本(时间及能耗),优化车场及车辆分布;通过布设充能设施候选点,建立能同时解决公交车充能设施选址-路径规划-调度问题的基础流量网络。通过引入乘客等待成本及需求损失惩罚,还原模拟乘客乘车、等待、绕行及放弃公交出行的各种行为模式。
进一步地,步骤A11中,时间-空间-能源的车流网络模型的参数包括使用不同能源公交车辆类型的集合I={1,2,…,i}、车场的集合O={1,2,…,o}、第一节点集合V、充能站时间扩展节点的集合F、第一弧的集合Aio、从点j出发到点k的行驶距离djk、平均行驶速度v、旅行时间tjk、i类公交车的能源消耗率ηi、i类公交车能源容量Qi、i类公交车到达点j的时间和i类公交车到达点j的累计能源消耗量
其中,V=O∪T∪F,T表示公交总站时间扩展节点的集合,Aio=Sio∪Wio∪Dio,Sio表示第一服务弧的集合,Wio表示第一等待弧的集合,Dio表示空驶弧的集合;
步骤A12中,时间-空间-能源的车流网络模型的表达式为G1(V,Aio),以o为车场的i类公交车的时间-空间-能源的车流网络模型的约束条件包括从车场出发的连接约束到达车场的连接约束一般连接约束和充能连接约束其计算公式分别为:
其中,表示i类公交车到达点k的累计能源消耗量,dok表示从车场o出发到点k的行驶距离,σ表示安全驾驶率,表示i类公交车到达车场o的时间,tjo表示从点j出发到车场o的行驶时间,djo表示从点j出发到车场o的行驶距离,表示i类公交车到达车场o的累计能源消耗量,Fi∈F,Fi表示i类公交车的充能站时间拓展节点的集合,表示i类公交车到达点k的时间,表示i类公交车到达点k的累计能源消耗量,表示充能起始率,表示i类公交车到达充能站时间扩展节点f的时间,tjf表示从点j出发到充能站时间扩展节点f的行驶时间,表示i类公交车的充能时间,djf表示从点j出发到充能站时间扩展节点f的行驶距离,表示i类公交车到达充能站时间扩展节点f的累计能源消耗量,χi r表示i类公交车的充能量;
步骤B11中,时间-空间的多行为人流网络模型的参数包括所有起讫点对的集合R、特定起讫点对d、第二节点集合Vd和第二弧的集合Ad,
其中,Vd=Od∪Td∪Ud,Od表示被服务需求的集合,Ud表示未被服务需求的集合,Td表示公交总站的时间扩展节点, 表示特定起讫点对d的出发时间扩展节点的集合,表示特定起讫点对d的到达时间扩展节点的集合,Sd表示第二服务弧的集合,Wd表示第二等待弧的集合,表示步行弧的集合,表示需求弧的集合;
步骤B12中,时间-空间的多行为人流网络模型的表达式为G2(Vd,Ad),特定起讫点对d的时间-空间的人流网络的模型的约束条件包括被服务需求弧的连接约束未被服务需求弧的连接约束和一般连接约束其计算公式分别为:
其中,(j,k)表示指示弧。
上述进一步方案的有益效果是:在本发明中,每条服务弧表示从特定时间和特定能耗水平开始的一个起讫点(OD)对之间的直达服务行程,每条等待弧连接同一公交总站两个连续的时间节点,每条空驶弧代表从车场出发或回到车场的行程、调度到其他公交总站开始新的OD对服务的行程和来回充能站的行程。此外,网络是以离散模型形式建立,ξt为网络的时间步长,ξe为网络的能源步长。先计算确切的到达时间及累计能源消耗率再将之放入网络对应的时间间隔与能源水平中。时间-空间-能源的车流网络模型的变量为表示指示弧(j,k)在网络G(V,Aio)中是否连接的二进制变量集合。每条需求弧代表从的最后节点到点Od的被服务需求弧和从属于的所有节点到点Ud的未被服务需求弧。
进一步地,步骤S2包括以下子步骤:
S21:根据时间-空间-能源的车流网络模型和时间-空间的多行为人流网络模型,构建MBLRS模型目标函数;
S22:构建MBLRS模型目标函数的约束条件,完成基于两阶段随机规划法的MBLRS模型构建。
上述进一步方案的有益效果是:在本发明中,以混合公交车队运营方案系统期望成本(运营者成本、乘客成本及环境成本)最小化为目标,以能源消耗作为随机变量,基于两阶段随机规划法建立MBLRS模型:阶段1为优化常规服务方案,即应用于固定服务的充能设施选址、公交路径规划及调度方案;阶段2为优化应对随机事件的一系列应急方案。
进一步地,步骤S21包括以下子步骤:
S211:设置MBLRS模型目标函数的参数和变量;
S212:根据时间-空间-能源的车流网络模型、时间-空间的多行为人流网络模型、MBLRS模型目标函数的参数和MBLRS模型目标函数的变量,构建MBLRS模型目标函数;
步骤S22中,MBLRS模型目标函数的约束条件包括第一阶段约束条件和第二阶段约束条件,其中,第一阶段约束条件包括车流网络流量守恒约束、人流网络流量守恒约束、车队车辆数约束、公交乘客容量约束和充能站约束;第二阶段约束条件包括应急旅程约束。
进一步地,步骤S211中,MBLRS模型目标函数的参数包括每位乘客在路段(j,k)上旅行、等待及绕道的货币成本Vs jk、每位乘客在路段(j,k)上流失的货币成本Vu jk、在规划期内拥有充能设施的单位固定成本Vi 1、在规划期内拥有常规服务公交车的单位固定成本Vi 2、每消耗一单位能源的运营成本Ci、常规服务的单位外部排放成本Ei、应急服务的车辆种类z,应急服务对应的运营成本Cz、应急服务对应的外部排放成本Ez、最大公交车辆数Ki、特定起讫点对d下从j点出发的乘客需求常规服务i类公交的乘客容量ζi、应急服务公交的乘客容量ζz、随机变量实现的场景指标h、每个场景发生的概率ph、在h场景下i类公交车经过路段(j,k)的单位里程能源消耗率实现值与在h场景下需要应急车辆服务的在原调度计划中的未完成旅程
步骤S211中,MBLRS模型目标函数的变量包括人流网络模型G2(Vd,Ad)中特定起讫点对d下从点j出发到点k的人流量的实数变量集合车流网络模型G1(V,Aio)中从点j出发到点k的车流量的整数变量集合指示i类车辆的第g个充能站是否投入使用的二进制变量集合W={Wig}和在场景h下从点j出发到点k的应急车流量的整数变量集合
步骤S212中,MBLRS模型目标函数的计算公式为:
其中,表示最小化混合公交车队运营方案系统期望成本,Q1,h(ηi,h)表示在场景h下常规服务运营及环境的成本,Q2,h(W,X,Y,ηi,h)表示在h场景下应急服务运营及环境的成本,表示乘客旅行时间成本、乘客等待成本和乘客绕路成本之和,表示损失乘客的成本,表示建设及维护充能设施的固定成本,表示购买及维护公交的固定成本,表示为常规服务运营及环境期望成本,表示应急服务运营及环境的期望成本,(j,k)表示指示弧,Ad表示第二弧的集合,表示需求弧的集合,d表示特定起讫点对,R表示所有起讫点对的集合,表示特定起讫点对d下从点j出发到点k的人流量的实数变量,Ud表示未被服务需求的集合,I={1,2,…,i}表示使用不同能源公交车辆类型的集合,Fi∈F,Fi表示i类公交车的充能站时间拓展节点的集合,Wig指示i类车辆的第g个充能站是否投入使用的二进制变量,O={1,2,…,o}表示车场的集合,表示车流网络模型G1(V,Aio)中从车场o出发到点k的车流量的整数变量,H表示随机变量实现的场景指标集合,Aio表示第一弧的集合,djk表示从点j到点k的距离,表示车流网络模型G1(V,Aio)中从点j出发到点k的车流量的整数变量,ηi,h表示在h场景下i类公交车的单位里程能源消耗率实现值,表示指示i类车辆的第g个充能站是否投入使用的二进制变量;
步骤S22中,车流网络流量守恒约束的表达式为:
人流网络流量守恒约束的表达式分别为:
其中,表示人流网络模型G2(Vd,Ad)中特定起讫点对d下从点k出发到点p的人流量的实数变量,表示特定起讫点对d下从k点出发的乘客需求,T1 d表示特定起讫点对d的出发时间扩展节点的集合,Td表示公交总站的时间扩展节点,表示人流网络模型G2(Vd,Ad)中特定起讫点对d下从点p1出发到点p2的人流量的实数变量,表示表示人流网络模型G2(Vd,Ad)中
特定起讫点对d下从点k1出发到点k2的人流量的实数变量,β表示一个时间段的需求损失率,表示人流网络模型G2(Vd,Ad)中特定起讫点对d下从点j出发到点p的人流量的实数变量,表示特定起讫点对d的到达时间扩展节点的集合,Wd表示第二等待弧的集合;
车队车辆数约束的表达式为:
其中,T表示公交总站时间扩展节点的集合;
公交乘客容量约束的表达式为:
其中,Sd表示第二服务弧的集合;
充能站约束的表达式为:
应急旅程约束的表达式为:
上述进一步方案的有益效果是:在本发明中,目标函数设置为最小化混合公交车队运营方案系统期望成本;系统期望成本为总运营成本、总乘客成本与总环境成本之和;目标函数由常规服务期望成本和应急服务期望成本两部分构成,与一般的两阶段随机规划法表述形式有所不同,因常规服务成本涉及能源消耗的随机变量,因此在目标函数里,系统的期望成本包括常规服务的期望成本及临时服务的期望成本。在场景h下常规服务运营及环境的成本通过求出每个场景下常规服务的运营及环境成本,结合每个场景发生的概率求得常规服务运营及环境的总期望成本。在场景h下应急服务运营及环境的成本Q2,h(W,X,Y,ηi,h)中,求出的应急服务方案为h场景下在特定的常规服务方案(W,X,Y)下的最优化应急服务方案。与常规服务相同,结合每个场景发生的概率求得应急服务运营及环境的总期望成本。应急旅程约束确保了在能源不足的情况下,应急服务车辆能涵盖所有未被服务的需求。
进一步地,步骤S3包括以下子步骤:
S31:构建基于行驶里程可靠度的MBLRS随机规划模型;
S32:利用梯度下降法,获得基于行驶里程可靠度的MBLRS随机规划模型的最优解,完成考虑能耗不确定性的公交车队充能设施选址、路径规划及调度。
上述进一步方案的有益效果是:在本发明中,引入行驶里程可靠度概念,将原问题拆分成两阶段子问题并构建于原始的总目标函数下,建立基于行驶里程可靠度的MBLRS随机规划模型。模型总目标函数不变,为最小化系统总期望成本,包括常规服务期望成本及临时服务期望成本。
针对基于两阶段随机规划法的MBLRS问题,提出了行驶里程可靠度的概念,即在一定条件下,行驶里程超出常规服务方案的概率。一方面,行驶里程可靠度将为解决两阶段随机规划法提供一种拆分求解的有效途径。以行驶里程可靠度为桥梁,通过将问题拆分成两个子问题来降低两阶段随机规划法的计算难度;另一方面,行驶里程可靠度将为运营和决策者提供一种方便易懂的概念,强化其从能源消耗风险角度对常规服务优化方案的理解。
进一步地,步骤S31包括以下子步骤:
S311:根据行驶里程可靠度,构建MBLRS随机规划模型的第一阶段P1;
S312:根据第一阶段P1,构建MBLRS随机规划模型的第二阶段P2;
S313:根据第一阶段P1和第二阶段P2,构建基于行驶里程可靠度的MBLRS随机规划模型。
上述进一步方案的有益效果是:在本发明中,第一阶段P1:建立给定行驶里程可靠度的MBLRS确定性模型,并优化常规服务从而减少常规服务期望成本;第二阶段P2:建立基于概率模型的多情景下应急方案优化模型,具体步骤包括:①获取第一阶段常规服务的最优方案;②以最小化应急服务运营及环境的成本为目标,优化每个场景下的最优应急服务方案;③结合每个场景的发生概率计算在给定最优常规服务方案下应急服务运营及环境的总期望成本。基于行驶里程可靠度的梯度下降算法,旨在通过行驶里程可靠度找到每个步骤中系统总期望成本的下降方向,将其逐渐降低从而获取局部最优解。主要步骤包括:①给定初始点②通过计算P1和P2确定系统总成本;③找到下降方向并通过计算目标函数对于ρ的偏导数来更新ρ的值;④重复②③直至符合收敛条件。
进一步地,步骤S311中,第一阶段P1的目标函数计算公式为:
其中,表示常规服务的成本最小值, 表示各车型单位里程能源消耗率,表示行驶里程可靠度,表示i类公交车在路径(j,k)上的随机能源消耗率的累积分布函数的反函数,Ad表示第二弧的集合,表示需求弧的集合,表示特定起讫点对d下从点j出发到点k的人流量的实数变量,d表示特定起讫点对,R表示所有起讫点对的集合,表示等待及绕道的货币成本,Ud表示未被服务需求的集合,表示每位乘客在路段(j,k)上流失的货币成本,I={1,2,…,i}表示使用不同能源公交车辆类型的集合,Fi∈F,Fi表示i类公交车的充能站时间拓展节点的集合,Vi 1表示在规划期内拥有充能设施的单位固定成本,Wig指示i类车辆的第g个充能站是否投入使用的二进制变量,O={1,2,…,o}表示车场的集合,Vi 2表示在规划期内拥有常规服务公交车的单位固定成本,表示车流网络模型G1(V,Aio)中从车场o出发到点k的车流量的整数变量,Aio表示第一弧的集合,Ci表示每消耗一单位能源的运营成本,Ei表示常规服务的单位外部排放成本,djk表示从点j到点k的距离,表示车流网络模型G1(V,Aio)中从点j出发到点k的车流量的整数变量;
步骤S312中,第二阶段P2的目标函数计算公式为:
其中,表示应急服务的成本最小值,H表示随机变量实现的场景指标集合,h表示随机变量实现的场景指标,ph表示每个场景发生的概率,Cz表示应急服务对应的运营成本,Ez表示应急服务对应的外部排放成本,表示应急服务车辆单位里程能源消耗率,表示指示i类车辆的第g个充能站是否投入使用的二进制变量;
步骤S313中,基于行驶里程可靠度的MBLRS随机规划模型的计算公式为:
其中,表示考虑能耗不确定性的最小化混合公交车队运营方案系统期望成本,X表示特定起讫点对d下从点j出发到点k的人流量的实数变量集合,Y表示车流网络模型G1(V,Aio)中从点j出发到点k的车流量的整数变量集合,W表示指示i类车辆的第g个充能站是否投入使用的二进制变量集合和Z表示在场景h下从点j出发到点k的应急车流量的整数变量集合,ρ表示行驶里程可靠度的集合,表示h场景下i类公交车经过路段(j,k)的单位里程能源消耗率实现值,Q2(ρ)表示应急服务的期望成本值。
进一步地,步骤S32包括以下子步骤:
S322:计算第一阶段P1和第二阶段P2的总成本;
S324:重复步骤S322-S323至符合预设收敛条件,得到的最优解,完成考虑能耗不确定性的公交车队充能设施选址、路径规划及调度。
附图说明
图1为公交车队设施选址-路径规划-调度方法的流程图;
图2为公交车队设施选址-路径规划-调度方法的详细流程示意图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
在描述本发明的具体实施例之前,为使本发明的方案更加清楚完整,首先对本发明中出现的缩略语和关键术语定义进行说明:
MBLRS:多车型公交车队充能设施选址-路径规划-调度问题。
如图1所示,本发明提供了一种基于随机规划的公交车队设施选址-路径规划-调度方法包括以下步骤:
S1:分别构建时间-空间-能源的车流网络模型和时间-空间的多行为人流网络模型;
S2:根据时间-空间-能源的车流网络模型和时间-空间的多行为人流网络模型,构建基于两阶段随机规划法的MBLRS模型;
S3:利用梯度下降法,求解基于两阶段随机规划法的MBLRS模型,获得考虑能耗不确定性的混合公交车队充能设施选址、路径规划及调度的最优解。
在本发明实施例中,如图1所示,步骤S1中,建立时间-空间-能源的车流网络模型包括以下子步骤:
A11:设置时间-空间-能源的车流网络模型的参数;
A12:根据时间-空间-能源的车流网络模型的参数,构建时间-空间-能源的车流网络模型;
步骤S1中,构建时间-空间的多行为人流网络模型包括以下子步骤:
B11:设置时间-空间的多行为人流网络模型的参数;
B12:根据时间-空间的多行为人流网络模型的参数,构建时间-空间的多行为人流网络模型。
在本发明中,通过对现实网络进行建模,然后利用模型生成网络拓扑的方法,建立两种流量网络的模型。第一种,基于时间-空间-能源的车流网络。在一般的时间-空间车流网络的基础上,进行扩展、优化和更新,同时考虑网络的各种属性和功能,将网络构建成可以解决多车型、多充能模式、多车场及充能设施点优化布设问题的更具有一般性的基础车流网络。第二种,基于时间-空间的多行为选择下的人流网络。充分考虑乘客在出行期间可能出现的乘车、等待、绕行及放弃出行的多行为模式,构建更具有一般性的基础人流网络。
该网络将单一车型网络问题扩展为多车型网络问题,考虑包括各种车型的能源种类、充能时间及模式、载客量、行驶特性及运营成本等问题;该网络将单一的充能模式扩展为多模式充能,考虑包括各种能源的补充模式(全补充和部分补充)及补充时间近似表达式(线性和非线性);该网络将单车场问题扩展为多车场问题,锁定每辆车或每种车型的起始和终点车场,充分考虑各车场存车容量及绕行成本(时间及能耗),优化车场及车辆分布;通过布设充能设施候选点,建立能同时解决公交车充能设施选址-路径规划-调度问题的基础流量网络。通过引入乘客等待成本及需求损失惩罚,还原模拟乘客乘车、等待、绕行及放弃公交出行的各种行为模式。
在本发明实施例中,如图1所示,步骤A11中,时间-空间-能源的车流网络模型的参数包括使用不同能源公交车辆类型的集合I={1,2,…,i}、车场的集合O={1,2,…,o}、第一节点集合V、充能站时间扩展节点的集合F、第一弧的集合Aio、从点j出发到点k的行驶距离djk、平均行驶速度v、旅行时间tjk、i类公交车的能源消耗率ηi、i类公交车能源容量Qi、i类公交车到达点j的时间和i类公交车到达点j的累计能源消耗量
其中,V=O∪T∪F,T表示公交总站时间扩展节点的集合,Aio=Sio∪Wio∪Dio,Sio表示第一服务弧的集合,Wio表示第一等待弧的集合,Dio表示空驶弧的集合;
步骤A12中,时间-空间-能源的车流网络模型的表达式为G1(V,Aio),以o为车场的i类公交车的时间-空间-能源的车流网络模型的约束条件包括从车场出发的连接约束到达车场的连接约束一般连接约束和充能连接约束其计算公式分别为:
其中,表示i类公交车到达点k的累计能源消耗量,dok表示从车场o出发到点k的行驶距离,σ表示安全驾驶率,表示i类公交车到达车场o的时间,tjo表示从点j出发到车场o的行驶时间,djo表示从点j出发到车场o的行驶距离,表示i类公交车到达车场o的累计能源消耗量,Fi∈F,Fi表示i类公交车的充能站时间拓展节点的集合,表示i类公交车到达点k的时间,表示i类公交车到达点k的累计能源消耗量,表示充能起始率,表示i类公交车到达充能站时间扩展节点f的时间,tjf表示从点j出发到充能站时间扩展节点f的行驶时间,表示i类公交车的充能时间,djf表示从点j出发到充能站时间扩展节点f的行驶距离,表示i类公交车到达充能站时间扩展节点f的累计能源消耗量,表示i类公交车的充能量;
步骤B11中,时间-空间的多行为人流网络模型的参数包括所有起讫点对的集合R、特定起讫点对d、第二节点集合Vd和第二弧的集合Ad,
其中,Vd=Od∪Td∪Ud,Od表示被服务需求的集合,Ud表示未被服务需求的集合,Td表示公交总站的时间扩展节点,T1 d表示特定起讫点对d的出发时间扩展节点的集合,表示特定起讫点对d的到达时间扩展节点的集合,Sd表示第二服务弧的集合,Wd表示第二等待弧的集合,表示步行弧的集合,表示需求弧的集合;
步骤B12中,时间-空间的多行为人流网络模型的表达式为G2(Vd,Ad),特定起讫点对d的时间-空间的人流网络的模型的约束条件包括被服务需求弧的连接约束未被服务需求弧的连接约束和一般连接约束其计算公式分别为:
其中,(j,k)表示指示弧。
在本发明中,每条服务弧表示从特定时间和特定能耗水平开始的一个起讫点(OD)对之间的直达服务行程,每条等待弧连接同一公交总站两个连续的时间节点,每条空驶弧代表从车场出发或回到车场的行程、调度到其他公交总站开始新的OD对服务的行程和来回充能站的行程。此外,网络是以离散模型形式建立,ξt为网络的时间步长,ξe为网络的能源步长。先计算确切的到达时间及累计能源消耗率再将之放入网络对应的时间间隔与能源水平中。时间-空间-能源的车流网络模型的变量为表示指示弧(j,k)在网络G(V,Aio)中是否连接的二进制变量集合。每条需求弧代表从的最后节点到点Od的被服务需求弧和从属于的所有节点到点Ud的未被服务需求弧。
在本发明实施例中,如图1所示,步骤S2包括以下子步骤:
S21:根据时间-空间-能源的车流网络模型和时间-空间的多行为人流网络模型,构建MBLRS模型目标函数;
S22:构建MBLRS模型目标函数的约束条件,完成基于两阶段随机规划法的MBLRS模型构建。
在本发明中,以混合公交车队运营方案系统期望成本(运营者成本、乘客成本及环境成本)最小化为目标,以能源消耗作为随机变量,基于两阶段随机规划法建立MBLRS模型:阶段1为优化常规服务方案,即应用于固定服务的充能设施选址、公交路径规划及调度方案;阶段2为优化应对随机事件的一系列应急方案。
在本发明实施例中,如图1所示,步骤S21包括以下子步骤:
S211:设置MBLRS模型目标函数的参数和变量;
S212:根据时间-空间-能源的车流网络模型、时间-空间的多行为人流网络模型、MBLRS模型目标函数的参数和MBLRS模型目标函数的变量,构建MBLRS模型目标函数;
步骤S22中,MBLRS模型目标函数的约束条件包括第一阶段约束条件和第二阶段约束条件,其中,第一阶段约束条件包括车流网络流量守恒约束、人流网络流量守恒约束、车队车辆数约束、公交乘客容量约束和充能站约束;第二阶段约束条件包括应急旅程约束。
在本发明实施例中,如图1所示,步骤S211中,MBLRS模型目标函数的参数包括每位乘客在路段(j,k)上旅行、等待及绕道的货币成本每位乘客在路段(j,k)上流失的货币成本在规划期内拥有充能设施的单位固定成本Vi 1、在规划期内拥有常规服务公交车的单位固定成本Vi 2、每消耗一单位能源的运营成本Ci、常规服务的单位外部排放成本Ei、应急服务的车辆种类z,应急服务对应的运营成本Cz、应急服务对应的外部排放成本Ez、最大公交车辆数Ki、特定起讫点对d下从j点出发的乘客需求Bd j、常规服务i类公交的乘客容量ζi、应急服务公交的乘客容量ζz、随机变量实现的场景指标h、每个场景发生的概率ph、在h场景下i类公交车经过路段(j,k)的单位里程能源消耗率实现值与在h场景下需要应急车辆服务的在原调度计划中的未完成旅程
步骤S211中,MBLRS模型目标函数的变量包括人流网络模型G2(Vd,Ad)中特定起讫点对d下从点j出发到点k的人流量的实数变量集合车流网络模型G1(V,Aio)中从点j出发到点k的车流量的整数变量集合指示i类车辆的第g个充能站是否投入使用的二进制变量集合W={Wig}和在场景h下从点j出发到点k的应急车流量的整数变量集合
步骤S212中,MBLRS模型目标函数的计算公式为:
其中,表示最小化混合公交车队运营方案系统期望成本,Q1,h(ηi,h)表示在场景h下常规服务运营及环境的成本,Q2,h(W,X,Y,ηi,h)表示在h场景下应急服务运营及环境的成本,表示乘客旅行时间成本、乘客等待成本和乘客绕路成本之和,表示损失乘客的成本,表示建设及维护充能设施的固定成本,表示购买及维护公交的固定成本,表示为常规服务运营及环境期望成本,表示应急服务运营及环境的期望成本,(j,k)表示指示弧,Ad表示第二弧的集合,表示需求弧的集合,d表示特定起讫点对,R表示所有起讫点对的集合,表示特定起讫点对d下从点j出发到点k的人流量的实数变量,Ud表示未被服务需求的集合,I={1,2,…,i}表示使用不同能源公交车辆类型的集合,Fi∈F,Fi表示i类公交车的充能站时间拓展节点的集合,Wig指示i类车辆的第g个充能站是否投入使用的二进制变量,O={1,2,…,o}表示车场的集合,表示车流网络模型G1(V,Aio)中从车场o出发到点k的车流量的整数变量,H表示随机变量实现的场景指标集合,Aio表示第一弧的集合,djk表示从点j到点k的距离,表示车流网络模型G1(V,Aio)中从点j出发到点k的车流量的整数变量,ηi,h表示在h场景下i类公交车的单位里程能源消耗率实现值,表示指示i类车辆的第g个充能站是否投入使用的二进制变量;
步骤S22中,车流网络流量守恒约束的表达式为:
人流网络流量守恒约束的表达式分别为:
其中,表示人流网络模型G2(Vd,Ad)中特定起讫点对d下从点k出发到点p的人流量的实数变量,表示特定起讫点对d下从k点出发的乘客需求,T1 d表示特定起讫点对d的出发时间扩展节点的集合,Td表示公交总站的时间扩展节点,表示人流网络模型G2(Vd,Ad)中特定起讫点对d下从点p1出发到点p2的人流量的实数变量,表示表示人流网络模型G2(Vd,Ad)中特定起讫点对d下从点k1出发到点k2的人流量的实数变量,β表示一个时间段的需求损失率,表示人流网络模型G2(Vd,Ad)中特定起讫点对d下从点j出发到点p的人流量的实数变量,表示特定起讫点对d的到达时间扩展节点的集合,Wd表示第二等待弧的集合;
车队车辆数约束的表达式为:
其中,T表示公交总站时间扩展节点的集合;
公交乘客容量约束的表达式为:
其中,Sd表示第二服务弧的集合;
充能站约束的表达式为:
应急旅程约束的表达式为:
在本发明中,目标函数设置为最小化混合公交车队运营方案系统期望成本;系统期望成本为总运营成本、总乘客成本与总环境成本之和;目标函数由常规服务期望成本和应急服务期望成本两部分构成,与一般的两阶段随机规划法表述形式有所不同,因常规服务成本涉及能源消耗的随机变量,因此在目标函数里,系统的期望成本包括常规服务的期望成本及临时服务的期望成本。在场景h下常规服务运营及环境的成本通过求出每个场景下常规服务的运营及环境成本,结合每个场景发生的概率求得常规服务运营及环境的总期望成本。在场景h下应急服务运营及环境的成本Q2,h(W,X,Y,ηi,h)中,求出的应急服务方案为h场景下在特定的常规服务方案(W,X,Y)下的最优化应急服务方案。与常规服务相同,结合每个场景发生的概率求得应急服务运营及环境的总期望成本。应急旅程约束确保了在能源不足的情况下,应急服务车辆能涵盖所有未被服务的需求。
在本发明实施例中,如图1所示,步骤S3包括以下子步骤:
S31:构建基于行驶里程可靠度的MBLRS随机规划模型;
S32:利用梯度下降法,获得基于行驶里程可靠度的MBLRS随机规划模型的最优解,完成考虑能耗不确定性的公交车队充能设施选址、路径规划及调度。
在本发明中,引入行驶里程可靠度概念,将原问题拆分成两阶段子问题并构建于原始的总目标函数下,建立基于行驶里程可靠度的MBLRS随机规划模型。模型总目标函数不变,为最小化系统总期望成本,包括常规服务期望成本及临时服务期望成本。针对基于两阶段随机规划法的MBLRS问题,提出了行驶里程可靠度的概念,即在一定条件下,行驶里程超出常规服务方案的概率。一方面,行驶里程可靠度将为解决两阶段随机规划法提供一种拆分求解的有效途径。以行驶里程可靠度为桥梁,通过将问题拆分成两个子问题来降低两阶段随机规划法的计算难度;另一方面,行驶里程可靠度将为运营和决策者提供一种方便易懂的概念,强化其从能源消耗风险角度对常规服务优化方案的理解。
在本发明实施例中,如图1所示,步骤S31包括以下子步骤:
S311:根据行驶里程可靠度,构建MBLRS随机规划模型的第一阶段P1;
S312:根据第一阶段P1,构建MBLRS随机规划模型的第二阶段P2;
S313:根据第一阶段P1和第二阶段P2,构建基于行驶里程可靠度的MBLRS随机规划模型。
在本发明中,第一阶段P1:建立给定行驶里程可靠度的MBLRS确定性模型,并优化常规服务从而减少常规服务期望成本;第二阶段P2:建立基于概率模型的多情景下应急方案优化模型,具体步骤包括:①获取第一阶段常规服务的最优方案;②以最小化应急服务运营及环境的成本为目标,优化每个场景下的最优应急服务方案;③结合每个场景的发生概率计算在给定最优常规服务方案下应急服务运营及环境的总期望成本。基于行驶里程可靠度的梯度下降算法,旨在通过行驶里程可靠度找到每个步骤中系统总期望成本的下降方向,将其逐渐降低从而获取局部最优解。主要步骤包括:①给定初始点②通过计算P1和P2确定系统总成本;③找到下降方向并通过计算目标函数对于ρ的偏导数来更新ρ的值;④重复②③直至符合收敛条件。
在本发明实施例中,如图1所示,步骤S311中,第一阶段P1的目标函数计算公式为:
其中,表示常规服务的成本最小值, 表示各车型单位里程能源消耗率,表示行驶里程可靠度,表示i类公交车在路径(j,k)上的随机能源消耗率的累积分布函数的反函数,Ad表示第二弧的集合,表示需求弧的集合,表示特定起讫点对d下从点j出发到点k的人流量的实数变量,d表示特定起讫点对,R表示所有起讫点对的集合,表示等待及绕道的货币成本,Ud表示未被服务需求的集合,表示每位乘客在路段(j,k)上流失的货币成本,I={1,2,…,i}表示使用不同能源公交车辆类型的集合,Fi∈F,Fi表示i类公交车的充能站时间拓展节点的集合,Vi 1表示在规划期内拥有充能设施的单位固定成本,Wig指示i类车辆的第g个充能站是否投入使用的二进制变量,O={1,2,…,o}表示车场的集合,Vi 2表示在规划期内拥有常规服务公交车的单位固定成本,表示车流网络模型G1(V,Aio)中从车场o出发到点k的车流量的整数变量,Aio表示第一弧的集合,Ci表示每消耗一单位能源的运营成本,Ei表示常规服务的单位外部排放成本,djk表示从点j到点k的距离,表示车流网络模型G1(V,Aio)中从点j出发到点k的车流量的整数变量;
步骤S312中,第二阶段P2的目标函数计算公式为:
其中,表示应急服务的成本最小值,H表示随机变量实现的场景指标集合,h表示随机变量实现的场景指标,ph表示每个场景发生的概率,Cz表示应急服务对应的运营成本,Ez表示应急服务对应的外部排放成本,表示应急服务车辆单位里程能源消耗率,表示指示i类车辆的第g个充能站是否投入使用的二进制变量;
步骤S313中,基于行驶里程可靠度的MBLRS随机规划模型的计算公式为:
其中,表示考虑能耗不确定性的最小化混合公交车队运营方案系统期望成本,X表示特定起讫点对d下从点j出发到点k的人流量的实数变量集合,Y表示车流网络模型G1(V,Aio)中从点j出发到点k的车流量的整数变量集合,W表示指示i类车辆的第g个充能站是否投入使用的二进制变量集合和Z表示在场景h下从点j出发到点k的应急车流量的整数变量集合,ρ表示行驶里程可靠度的集合,表示h场景下i类公交车经过路段(j,k)的单位里程能源消耗率实现值,Q2(ρ)表示应急服务的期望成本值。
在本发明实施例中,如图1所示,步骤S32包括以下子步骤:
S322:计算第一阶段P1和第二阶段P2的总成本;
S324:重复步骤S322-S323至符合预设收敛条件,得到的最优解,完成考虑能耗不确定性的公交车队充能设施选址、路径规划及调度。
具体算法如下:
步骤1:初始化
步骤2:更新解集Ω
求解P1找到基于ρn的最优解Wn,Xn,Yn。
检验Wn,Xn,Yn是否属于解集Ω:
a)是。定义为对应的目标函数值。
b)否。求解P2,通过添加(Wn,Xn,Yn,ψ(ρn))来更新解集Ω。
更新最小的目标函数值并保存为ψ*。
步骤3:检验终止条件
判断|ψ(ρn)-ψ(ρn-1)|<ε,其中,ε表示收敛条件:
a)是。算法停止。
b)否。进入步骤4。
步骤4:确定最优的ρ
式中,ρm'=ρm+δm或者ρm'=ρm-δm。
步骤4.2:计算步长κn
为了使本发明的技术方案更加清楚,以下结合具体实施例,对本发明进行进一步详细说明。
步骤1:收集规划区域内的需求、公交线路、规划时长、车辆容量及能源等相关信息,建立车流及人流网络;
实施例为一个6条公交线路12小时(7:00-19:00)的充能设施选址-路径规划-调度问题,时间间隔为1小时。各线路在规划期内的需求信息如表1所示,共有72个时变需求。
表1
候选车场分配在公交总站A和F处,每一个公交总站均分配一个候选充能站,每个OD对的旅行距离如表2所示。
表2
每个时间间隔内乘客被服务的时间价值为0.3美元,等待的时间价值为30美元,步行的时间价值为30美元。每损失一名乘客的成本是100美元,每个时间段的需求损失率为0。其余车辆属性及参数,如运营成本和购置成本等如表3所示。
表3
步骤2:分别假定能耗确定及随机,采用确定性MBLRS优化方案及基于两阶段随机规划法的MBLRS优化方案,获得两种不同假定下的最优常规服务运营方案。
结果:表4给出了确定性与随机性方法下的最优公交调度方案。可以看出,采用确定性方法获得的常规服务运营方案总期望成本为每年150万美元,本发明提出的两阶段随机规划方法有效减少总期望成本达20%。在确定性方案中,常规服务计划使用20辆电动公交车及2辆柴油公交车,在这样的配置情况下,会有30%的概率发生能源不足不能按原调度计划实施的情况。而本发明所提出的随机性方法,最优的行驶里程可靠度为0.87。由于应急服务费用较高,常规服务计划使用14辆电动公交车及7辆柴油公交车来尽可能减少能源不足的情况发生。
通过上述的实验结果,可得到以下的实验结论:
(1)随机规划法得到的常规服务运营方案对比确定性规划的最优方案,总期望成本大大降低,说明了采用的随机规划法在降低公交系统总期望成本上效果明显。
(2)随机规划法得到的常规服务运营方案对比确定性规划的最优方案,发生能源不足需要调度应急服务的情况得到了较大改善,说明了采用的随机规划法能使系统可靠性提高,预防风险能力更强。
结合以上案例实验结论可以得出本发明方法在解决我国混合公交车队充能设施选址-路径规划-调度问题上的优越性,为能源不确定的情况下常规公交服务的运营管理提供可靠性的方案,有助于提高公交运营效率,减少车队运营及带来的环境外部成本,缩短乘客等待时间,提升乘客满意度,大大降低运营过程中能源不足带来的风险,使混和公交系统具有更强的安全性与稳定性。
表4
表中,字母A到F为公交总站,O为车场,数字为时间间隔序号,下标字母为车场或充能站的地点。
本发明的工作原理及过程为:如图2所示,将两阶段随机规划法引入公交车路径规划和调度问题中,同时利用基于概率模型的情景分析法,建立基于两阶段随机规划法的MBLRS理论模型。并在此基础上,针对模型的数学特征及物理意义,研究定制全新的求解方法,为求解该类模型提供一种新的求解思路,形成一套解决MBLRS随机问题的优化方法。
本发明的有益效果为:
(1)本发明的调度方法能有效解决新能源公交车衍生的新运营管理问题,在时间-空间-能源车流网络的基础上解决能耗不确定性问题,使模型更具有一般性,针对不同时期的公交车路径规划和调度问题均具有良好的应用价值。
(2)本发明的调度方法首次提出考虑能源消耗不确定性的MBLRS问题,并将两阶段随机规划法引入公交车路径规划和调度问题中,同时利用基于概率模型的情景分析法,建立基于两阶段随机规划法的MBLRS模型。模型考虑全面,简洁清晰,普适性强。
(3)本发明的调度方法首次提出行驶里程可靠度概念,不仅为解决两阶段随机规划法的MBLRS问题提供良好的求解思路,同时为决策者的结果认知提供方便易懂的解读参考。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (10)
1.一种基于随机规划的公交车队设施选址-路径规划-调度方法,其特征在于,包括以下步骤:
S1:分别构建时间-空间-能源的车流网络模型和时间-空间的多行为人流网络模型;
S2:根据时间-空间-能源的车流网络模型和时间-空间的多行为人流网络模型,构建基于两阶段随机规划法的MBLRS模型;
S3:利用梯度下降法,求解基于两阶段随机规划法的MBLRS模型,获得考虑能耗不确定性的混合公交车队充能设施选址、路径规划及调度的最优解。
2.根据权利要求1所述的基于随机规划的公交车队设施选址-路径规划-调度方法,其特征在于,所述步骤S1中,建立时间-空间-能源的车流网络模型包括以下子步骤:
A11:设置时间-空间-能源的车流网络模型的参数;
A12:根据时间-空间-能源的车流网络模型的参数,构建时间-空间-能源的车流网络模型;
所述步骤S1中,构建时间-空间的多行为人流网络模型包括以下子步骤:
B11:设置时间-空间的多行为人流网络模型的参数;
B12:根据时间-空间的多行为人流网络模型的参数,构建时间-空间的多行为人流网络模型。
3.根据权利要求2所述的基于随机规划的公交车队设施选址-路径规划-调度方法,其特征在于,所述步骤A11中,时间-空间-能源的车流网络模型的参数包括使用不同能源公交车辆类型的集合I={1,2,…,i}、车场的集合O={1,2,…,o}、第一节点集合V、充能站时间扩展节点的集合F、第一弧的集合Aio、从点j出发到点k的行驶距离djk、平均行驶速度v、旅行时间tjk、i类公交车的能源消耗率ηi、i类公交车能源容量Qi、i类公交车到达点j的时间和i类公交车到达点j的累计能源消耗量
其中,V=O∪T∪F,T表示公交总站时间扩展节点的集合,Aio=Sio∪Wio∪Dio,Sio表示第一服务弧的集合,Wio表示第一等待弧的集合,Dio表示空驶弧的集合;
所述步骤A12中,时间-空间-能源的车流网络模型的表达式为G1(V,Aio),以o为车场的i类公交车的时间-空间-能源的车流网络模型的约束条件包括从车场出发的连接约束到达车场的连接约束一般连接约束和充能连接约束其计算公式分别为:
其中,表示i类公交车到达点k的累计能源消耗量,dok表示从车场o出发到点k的行驶距离,σ表示安全驾驶率,表示i类公交车到达车场o的时间,tjo表示从点j出发到车场o的行驶时间,djo表示从点j出发到车场o的行驶距离,表示i类公交车到达车场o的累计能源消耗量,Fi∈F,Fi表示i类公交车的充能站时间拓展节点的集合,表示i类公交车到达点k的时间,表示i类公交车到达点k的累计能源消耗量,表示充能起始率,表示i类公交车到达充能站时间扩展节点f的时间,tjf表示从点j出发到充能站时间扩展节点f的行驶时间,表示i类公交车的充能时间,djf表示从点j出发到充能站时间扩展节点f的行驶距离,表示i类公交车到达充能站时间扩展节点f的累计能源消耗量,表示i类公交车的充能量;
所述步骤B11中,时间-空间的多行为人流网络模型的参数包括所有起讫点对的集合R、特定起讫点对d、第二节点集合Vd和第二弧的集合Ad,
其中,Vd=Od∪Td∪Ud,Od表示被服务需求的集合,Ud表示未被服务需求的集合,Td表示公交总站的时间扩展节点,T1 d表示特定起讫点对d的出发时间扩展节点的集合,表示特定起讫点对d的到达时间扩展节点的集合,Sd表示第二服务弧的集合,Wd表示第二等待弧的集合,表示步行弧的集合,表示需求弧的集合;
所述步骤B12中,时间-空间的多行为人流网络模型的表达式为G2(Vd,Ad),特定起讫点对d的时间-空间的人流网络的模型的约束条件包括被服务需求弧的连接约束未被服务需求弧的连接约束和一般连接约束其计算公式分别为:
其中,(j,k)表示指示弧。
4.根据权利要求1所述的基于随机规划的公交车队设施选址-路径规划-调度方法,其特征在于,所述步骤S2包括以下子步骤:
S21:根据时间-空间-能源的车流网络模型和时间-空间的多行为人流网络模型,构建MBLRS模型目标函数;
S22:构建MBLRS模型目标函数的约束条件,完成基于两阶段随机规划法的MBLRS模型构建。
5.根据权利要求4所述的基于随机规划的公交车队设施选址-路径规划-调度方法,其特征在于,所述步骤S21包括以下子步骤:
S211:设置MBLRS模型目标函数的参数和变量;
S212:根据时间-空间-能源的车流网络模型、时间-空间的多行为人流网络模型、MBLRS模型目标函数的参数和MBLRS模型目标函数的变量,构建MBLRS模型目标函数;
所述步骤S22中,MBLRS模型目标函数的约束条件包括第一阶段约束条件和第二阶段约束条件,其中,第一阶段约束条件包括车流网络流量守恒约束、人流网络流量守恒约束、车队车辆数约束、公交乘客容量约束和充能站约束;第二阶段约束条件包括应急旅程约束。
6.根据权利要求5所述的基于随机规划的公交车队设施选址-路径规划-调度方法,其特征在于,所述步骤S211中,MBLRS模型目标函数的参数包括每位乘客在路段(j,k)上旅行、等待及绕道的货币成本每位乘客在路段(j,k)上流失的货币成本在规划期内拥有充能设施的单位固定成本Vi 1、在规划期内拥有常规服务公交车的单位固定成本Vi 2、每消耗一单位能源的运营成本Ci、常规服务的单位外部排放成本Ei、应急服务的车辆种类z,应急服务对应的运营成本Cz、应急服务对应的外部排放成本Ez、最大公交车辆数Ki、特定起讫点对d下从j点出发的乘客需求常规服务i类公交的乘客容量ζi、应急服务公交的乘客容量ζz、随机变量实现的场景指标h、每个场景发生的概率ph、在h场景下i类公交车经过路段(j,k)的单位里程能源消耗率实现值与在h场景下需要应急车辆服务的在原调度计划中的未完成旅程
所述步骤S211中,MBLRS模型目标函数的变量包括人流网络模型G2(Vd,Ad)中特定起讫点对d下从点j出发到点k的人流量的实数变量集合车流网络模型G1(V,Aio)中从点j出发到点k的车流量的整数变量集合指示i类车辆的第g个充能站是否投入使用的二进制变量集合W={Wig}和在场景h下从点j出发到点k的应急车流量的整数变量集合
所述步骤S212中,MBLRS模型目标函数的计算公式为:
其中,表示最小化混合公交车队运营方案系统期望成本,Q1,h(ηi,h)表示在场景h下常规服务运营及环境的成本,Q2,h(W,X,Y,ηi,h)表示在h场景下应急服务运营及环境的成本,表示乘客旅行时间成本、乘客等待成本和乘客绕路成本之和,表示损失乘客的成本,表示建设及维护充能设施的固定成本,表示购买及维护公交的固定成本,表示为常规服务运营及环境期望成本,表示应急服务运营及环境的期望成本,(j,k)表示指示弧,Ad表示第二弧的集合,表示需求弧的集合,d表示特定起讫点对,R表示所有起讫点对的集合,表示特定起讫点对d下从点j出发到点k的人流量的实数变量,Ud表示未被服务需求的集合,I={1,2,…,i}表示使用不同能源公交车辆类型的集合,Fi∈F,Fi表示i类公交车的充能站时间拓展节点的集合,Wig指示i类车辆的第g个充能站是否投入使用的二进制变量,O={1,2,…,o}表示车场的集合,表示车流网络模型G1(V,Aio)中从车场o出发到点k的车流量的整数变量,H表示随机变量实现的场景指标集合,Aio表示第一弧的集合,djk表示从点j到点k的距离,表示车流网络模型G1(V,Aio)中从点j出发到点k的车流量的整数变量,ηi,h表示在h场景下i类公交车的单位里程能源消耗率实现值,表示指示i类车辆的第g个充能站是否投入使用的二进制变量;
所述步骤S22中,车流网络流量守恒约束的表达式为:
人流网络流量守恒约束的表达式分别为:
其中,表示人流网络模型G2(Vd,Ad)中特定起讫点对d下从点k出发到点p的人流量的实数变量,表示特定起讫点对d下从k点出发的乘客需求,T1 d表示特定起讫点对d的出发时间扩展节点的集合,Td表示公交总站的时间扩展节点,表示人流网络模型G2(Vd,Ad)中特定起讫点对d下从点p1出发到点p2的人流量的实数变量,表示表示人流网络模型G2(Vd,Ad)中特定起讫点对d下从点k1出发到点k2的人流量的实数变量,β表示一个时间段的需求损失率,表示人流网络模型G2(Vd,Ad)中特定起讫点对d下从点j出发到点p的人流量的实数变量,表示特定起讫点对d的到达时间扩展节点的集合,Wd表示第二等待弧的集合;
车队车辆数约束的表达式为:
其中,T表示公交总站时间扩展节点的集合;
公交乘客容量约束的表达式为:
其中,Sd表示第二服务弧的集合;
充能站约束的表达式为:
应急旅程约束的表达式为:
7.根据权利要求1所述的基于随机规划的公交车队设施选址-路径规划-调度方法,其特征在于,所述步骤S3包括以下子步骤:
S31:构建基于行驶里程可靠度的MBLRS随机规划模型;
S32:利用梯度下降法,获得基于行驶里程可靠度的MBLRS随机规划模型的最优解,完成考虑能耗不确定性的公交车队充能设施选址、路径规划及调度。
8.根据权利要求7所述的基于随机规划的公交车队设施选址-路径规划-调度方法,其特征在于,所述步骤S31包括以下子步骤:
S311:根据行驶里程可靠度,构建MBLRS随机规划模型的第一阶段P1;
S312:根据第一阶段P1,构建MBLRS随机规划模型的第二阶段P2;
S313:根据第一阶段P1和第二阶段P2,构建基于行驶里程可靠度的MBLRS随机规划模型。
9.根据权利要求8所述的基于随机规划的公交车队设施选址-路径规划-调度方法,其特征在于,所述步骤S311中,第一阶段P1的目标函数计算公式为:
其中,表示常规服务的成本最小值, 表示各车型单位里程能源消耗率,表示行驶里程可靠度,表示i类公交车在路径(j,k)上的随机能源消耗率的累积分布函数的反函数,Ad表示第二弧的集合,表示需求弧的集合,表示特定起讫点对d下从点j出发到点k的人流量的实数变量,d表示特定起讫点对,R表示所有起讫点对的集合,表示等待及绕道的货币成本,Ud表示未被服务需求的集合,表示每位乘客在路段(j,k)上流失的货币成本,I={1,2,…,i}表示使用不同能源公交车辆类型的集合,Fi∈F,Fi表示i类公交车的充能站时间拓展节点的集合,Vi 1表示在规划期内拥有充能设施的单位固定成本,Wig指示i类车辆的第g个充能站是否投入使用的二进制变量,O={1,2,…,o}表示车场的集合,Vi 2表示在规划期内拥有常规服务公交车的单位固定成本,表示车流网络模型G1(V,Aio)中从车场o出发到点k的车流量的整数变量,Aio表示第一弧的集合,Ci表示每消耗一单位能源的运营成本,Ei表示常规服务的单位外部排放成本,djk表示从点j到点k的距离,表示车流网络模型G1(V,Aio)中从点j出发到点k的车流量的整数变量;
所述步骤S312中,第二阶段P2的目标函数计算公式为:
其中,表示应急服务的成本最小值,H表示随机变量实现的场景指标集合,h表示随机变量实现的场景指标,ph表示每个场景发生的概率,Cz表示应急服务对应的运营成本,Ez表示应急服务对应的外部排放成本,表示应急服务车辆单位里程能源消耗率,表示指示i类车辆的第g个充能站是否投入使用的二进制变量;
所述步骤S313中,基于行驶里程可靠度的MBLRS随机规划模型的计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110003109.0A CN112750063B (zh) | 2021-01-04 | 2021-01-04 | 基于随机规划的公交车队设施选址-路径规划-调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110003109.0A CN112750063B (zh) | 2021-01-04 | 2021-01-04 | 基于随机规划的公交车队设施选址-路径规划-调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112750063A true CN112750063A (zh) | 2021-05-04 |
CN112750063B CN112750063B (zh) | 2023-12-05 |
Family
ID=75649708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110003109.0A Active CN112750063B (zh) | 2021-01-04 | 2021-01-04 | 基于随机规划的公交车队设施选址-路径规划-调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112750063B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780851A (zh) * | 2021-09-16 | 2021-12-10 | 上海世脉信息科技有限公司 | 一种基于期望行驶成本的公交车辆停车场选址方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913653A (zh) * | 2016-06-27 | 2016-08-31 | 华南理工大学 | 一种云平台环境下公共交通智能行车计划排班系统及方法 |
CN106991492A (zh) * | 2017-03-13 | 2017-07-28 | 北京交通大学 | 一种北方气候快充纯电动公交车运营调度优化方法 |
CN107330559A (zh) * | 2017-07-03 | 2017-11-07 | 华南理工大学 | 一种多起终点多车型混载的定制公交线路规划方法 |
WO2018000931A1 (zh) * | 2016-07-01 | 2018-01-04 | 广州地理研究所 | 一种多约束网络集约小客车调度方法 |
CN107895971A (zh) * | 2017-11-28 | 2018-04-10 | 国网山东省电力公司德州供电公司 | 基于随机规划和模型预测控制的区域能源互联网调度方法 |
CN108335178A (zh) * | 2018-03-20 | 2018-07-27 | 安徽智行新能源科技有限公司 | 一种基于互联网信息系统的新能源车辆运营管理方法 |
DE102017211689A1 (de) * | 2017-07-07 | 2019-01-10 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Routenplanung und Routenoptimierung für ein elektrisch fahrendes Fahrzeug |
CN109344529A (zh) * | 2018-10-22 | 2019-02-15 | 北京航空航天大学 | 一种基于两阶段启发式算法的定制公交线路设计方法 |
CN109409599A (zh) * | 2018-10-24 | 2019-03-01 | 天津市市政工程设计研究院 | 基于实时需求的定制公交线路开通优化方法 |
CN110070218A (zh) * | 2019-04-12 | 2019-07-30 | 西南交通大学 | 面向多制式区域轨道交通的动态服务网络优化设计方法 |
US20190392368A1 (en) * | 2018-06-23 | 2019-12-26 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Scheduling Multiple Modes of Transport |
CN111325409A (zh) * | 2020-03-09 | 2020-06-23 | 西南交通大学 | 一种换电站选址与混合车队路径规划方法及系统 |
CN111654036A (zh) * | 2020-05-18 | 2020-09-11 | 天津大学 | 一种计及储能快充电站的配电网两阶段鲁棒优化调度方法 |
CN111667086A (zh) * | 2019-03-08 | 2020-09-15 | 山东大学 | 一种车辆共乘路径寻优方法及系统 |
-
2021
- 2021-01-04 CN CN202110003109.0A patent/CN112750063B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913653A (zh) * | 2016-06-27 | 2016-08-31 | 华南理工大学 | 一种云平台环境下公共交通智能行车计划排班系统及方法 |
WO2018000931A1 (zh) * | 2016-07-01 | 2018-01-04 | 广州地理研究所 | 一种多约束网络集约小客车调度方法 |
CN106991492A (zh) * | 2017-03-13 | 2017-07-28 | 北京交通大学 | 一种北方气候快充纯电动公交车运营调度优化方法 |
CN107330559A (zh) * | 2017-07-03 | 2017-11-07 | 华南理工大学 | 一种多起终点多车型混载的定制公交线路规划方法 |
DE102017211689A1 (de) * | 2017-07-07 | 2019-01-10 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Routenplanung und Routenoptimierung für ein elektrisch fahrendes Fahrzeug |
CN107895971A (zh) * | 2017-11-28 | 2018-04-10 | 国网山东省电力公司德州供电公司 | 基于随机规划和模型预测控制的区域能源互联网调度方法 |
CN108335178A (zh) * | 2018-03-20 | 2018-07-27 | 安徽智行新能源科技有限公司 | 一种基于互联网信息系统的新能源车辆运营管理方法 |
US20190392368A1 (en) * | 2018-06-23 | 2019-12-26 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Scheduling Multiple Modes of Transport |
CN109344529A (zh) * | 2018-10-22 | 2019-02-15 | 北京航空航天大学 | 一种基于两阶段启发式算法的定制公交线路设计方法 |
CN109409599A (zh) * | 2018-10-24 | 2019-03-01 | 天津市市政工程设计研究院 | 基于实时需求的定制公交线路开通优化方法 |
CN111667086A (zh) * | 2019-03-08 | 2020-09-15 | 山东大学 | 一种车辆共乘路径寻优方法及系统 |
CN110070218A (zh) * | 2019-04-12 | 2019-07-30 | 西南交通大学 | 面向多制式区域轨道交通的动态服务网络优化设计方法 |
CN111325409A (zh) * | 2020-03-09 | 2020-06-23 | 西南交通大学 | 一种换电站选址与混合车队路径规划方法及系统 |
CN111654036A (zh) * | 2020-05-18 | 2020-09-11 | 天津大学 | 一种计及储能快充电站的配电网两阶段鲁棒优化调度方法 |
Non-Patent Citations (3)
Title |
---|
LAJUNEN, A: "Energy consumption and cost-benefit analysis of hybrid and electric city buses", 《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》, vol. 38, pages 1 - 15, XP028817636, DOI: 10.1016/j.trc.2013.10.008 * |
宋瑞;何世伟;杨海;罗康锦;: "基于随机需求的公交运营设计优化模型及算法", 土木工程学报, no. 04, pages 110 - 115 * |
王一杰: "车联网中多车编队的自适应资源调度算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 034 - 825 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780851A (zh) * | 2021-09-16 | 2021-12-10 | 上海世脉信息科技有限公司 | 一种基于期望行驶成本的公交车辆停车场选址方法 |
CN113780851B (zh) * | 2021-09-16 | 2024-04-26 | 上海世脉信息科技有限公司 | 一种基于期望行驶成本的公交车辆停车场选址方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112750063B (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034648B (zh) | 一种电动汽车集群需求响应潜力评估方法 | |
Das et al. | Charging scheduling of electric vehicle incorporating grid-to-vehicle and vehicle-to-grid technology considering in smart grid | |
Ma et al. | Optimal fast charging station locations for electric ridesharing with vehicle-charging station assignment | |
Jung et al. | Stochastic dynamic itinerary interception refueling location problem with queue delay for electric taxi charging stations | |
Liu et al. | Optimal locations and electricity prices for dynamic wireless charging links of electric vehicles for sustainable transportation | |
Hamadneh et al. | Impacts of shared autonomous vehicles on the travelers’ mobility | |
Lv et al. | Power and traffic nexus: From perspective of power transmission network and electrified highway network | |
Wang et al. | Time-dependent electric vehicle routing problem with time windows and path flexibility | |
Sathaye | The optimal design and cost implications of electric vehicle taxi systems | |
Yan | Optimal layout and scale of charging stations for electric vehicles | |
CN110033155A (zh) | 行驶能量分配系统、行驶能量分配方法及行驶能量分配程序 | |
Jiang et al. | Optimal configuration of electric vehicles for charging stations under the fast power supplement mode | |
Wang et al. | Deploying battery swap stations for electric freight vehicles based on trajectory data analysis | |
Shi et al. | Efficient energy management of wireless charging roads with energy storage for coupled transportation–power systems | |
Sivagnanam et al. | Minimizing energy use of mixed-fleet public transit for fixed-route service | |
CN112750063A (zh) | 基于随机规划的公交车队设施选址-路径规划-调度方法 | |
Fescioglu-Unver et al. | Electric vehicle charging service operations: A review of machine learning applications for infrastructure planning, control, pricing and routing | |
Sheng et al. | Emission-concerned coordinated dispatching of electrified autonomous mobility-on-demand system and power system incorporating heterogeneous spatiotemporal scales | |
Liu et al. | Impacts of photovoltaic and energy storage system adoption on public transport: A simulation-based optimization approach | |
CN112149906A (zh) | 一种计及充电时间的电动车出行线路综合优化方法 | |
Yamaguchi et al. | Real-time prediction for future profile of car travel based on statistical data and greedy algorithm | |
Feng et al. | EV Fast Charging Station Planning Considering Competition Based on Stochastic Dynamic Equilibrium | |
Liu et al. | Path planning method for electric vehicles based on freeway network | |
Li et al. | Data-driven battery-lifetime-aware scheduling for electric bus fleets | |
Varone et al. | Solar parking lot management: An IoT platform for smart charging EV fleets, using real-time data and production forecasts |
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 |