CN113222285B - 一种基于自适应扰动樽海鞘算法的露天矿充电桩选址方法 - Google Patents

Abstract

一种基于自适应扰动樽海鞘算法的露天矿充电桩选址方法，以年成本最小为目标，构建露天矿充电桩选址模型；对樽海鞘算法改进得到自适应扰动樽海鞘算法，求解模型，得到选址结果。本发明建立了完善的目标约束模型，并采用改进后的自适应扰动樽海鞘算法对模型进行求解，使得目标模型的求解更加科学合理以及具有可实现性。相比于传统的露天矿电动卡车充电难的问题，这种优化选址模型能够有效减少电动卡车运行过程中的无效运输距离和因电量不足产生的时间成本，增加电动卡车的充电效率，在未来电动卡车逐渐普及取代油耗卡车的大环境趋势下，显著降低企业的运输成本，提高矿山的生产能力，显著提升矿山企业的经济效益。

Description

一种基于自适应扰动樽海鞘算法的露天矿充电桩选址方法

技术领域

本发明属于矿业系统工程及矿山优化技术领域，涉及露天矿的充电桩布局，特别涉及一种基于自适应扰动樽海鞘算法的露天矿充电桩选址方法。

背景技术

相比于传统汽车，电动汽车以其节能减排，污染程度低等优势被广泛应用于各个生产行业。在矿山工业生产中电动卡车的数量也在逐步增加。但是不同于电动车在城市物流系统中的快速发展，应用于露天矿区的电动汽车充电问题，充电桩选址问题以及矿区特有的道路复杂性问题都是亟待解决和值得关注的焦点问题。从目前的研究来看，充电桩的选址问题大多应用于单一城市网络路径问题，运用相关模型进行不同目标下的最优解计算。而针对露天矿电动卡车充电实际情况进行充电桩选址布局的模型寥寥无几，更没有合适的算法进行求解。基于以上分析。

发明内容

为了解决露天矿充电卡车充电难，充电桩布局不合理的问题，本发明的目的在于提供一种基于自适应扰动樽海鞘算法的露天矿充电桩选址方法，建立一种以充电桩建设成本、充电途中耗时成本及充电成本最小和为目标的充电桩选址优化模型，同时考虑露天矿情况下的路径复杂性和坡度对于卡车的速度和电量影响，并提出一种改进后的自适应扰动樽海鞘算法进行求解。

为了实现上述目的，本发明采用的技术方案是：

一种基于自适应扰动樽海鞘算法的露天矿充电桩选址方法，包括如下步骤：

步骤1，以年成本最小为目标，构建露天矿充电桩选址模型；

步骤2，对樽海鞘算法改进，得到一种自适应扰动樽海鞘算法；

步骤3，利用所述自适应扰动樽海鞘算法求解模型，得到选址结果。

与现有技术相比，本发明在现有的单目标充电桩选址模型基础上，将年建设成本，电动卡车寻找充电桩所花费的年时间成本及充电成本之和最小作为目标函数。引入了在露天矿需要考虑的卡车载重，行驶速度，矿山路段坡度不同等因素作为约束条件。建立了一种年成本最小化为目标，以电量变化和行驶速度动态变化为约束条件的改进后自适应扰动樽海鞘算法充电桩选址优化模型。相比于原来不根据实际情况进行模型优化的选址模型，本发明更加贴近实际，在明确成本需求最小化的基础上考虑了露天矿电动卡车的运输情况和实际地理因素和行车速度，且采用了改进的自适应扰动樽海鞘算法进行结果的计算，原理简单、容易实现，且在处理复杂问题和多目标问题方面具有可行性和优越性，在对充电选址模型进行求解过程中，能够快速的得到符合实际且有效的结果。本发明对于在露天矿充电桩的选址以及日后电动卡车在露天矿山的普及应用有着重要意义。

附图说明

图1是本发明中采用改进的自适应扰动樽海鞘算法求解充电桩选址模型的流程图。

具体实施方式

下面结合附图和实施例详细说明本发明的实施方式。

本发明为一种基于自适应扰动樽海鞘算法的露天矿充电桩选址方法，确定露天矿山电动卡车充电的要求和影响因素，根据矿山实际生产要求和相关因素构建充电桩选址模型，过程中需综合考虑电动卡车的充电排队时间，行驶速度，地形特点以及建造充电桩的成本等多种因素。如图1所示，本发明主要包括如下步骤：

步骤1，以年成本最小为目标，并考虑露天矿情况下的路径复杂性和坡度对于卡车的速度和电量影响，构建露天矿充电桩选址模型。

本发明的年成本包括车辆总行驶成本、充电成本和基本建设成本，目标函数表示如下：

目标函数表示在露天矿场下以车辆总行驶成本，充电成本，基本建设成本最小化为目标，γ表示单位距离的用电成本，N表示装载点的位置之和，Q表示电池容量，R表示路径规划上的路径之和，d_ikr表示装载点i到卸载点k的距离，F表示充电桩的数量之和，d_ijr表示装载点i到充电桩j的距离，d_jkr表示充电桩j到卸载点k的距离，c表示车辆总数，

表示车辆固定出行成本，

表示到达充电桩的时间差，u表示充电桩数量，θ表示充电桩的建设成本；

X_ikr表示装载点i到卸载点k的决策变量，当车辆从装载点i出发电量充足(即当前车辆电量q大于车辆额定电量Q的15％及以上，后文模型约束条件电量阈值约束)，则行驶到卸载点k，决策变量为1，反之(小于15％)行驶到充电桩处，决策变量为0，并且，当选择行驶到卸载点k时则不行驶到充电桩处。X_ikr的计算公式表示如下：

X_ikr服从1-0分布，即车辆不是从装载点i到充电桩j就是从装载点i到卸载点k，只有这两种路线可以选择，

表示离开装载点时的电量，b表示单位距离耗电速率，1-X_ikr表示在路径r中，当在装载点i处选择前往充电桩时，只能选择一处充电桩前往，当选择前往卸载点k时，则不允许访问充电桩。

Y_ijr表示装载点i到充电桩j的决策变量，当车辆从装载点i出发电量不足以行驶到卸载点，则选择行驶到充电桩j，决策变量为1，否则决策变量为0。

车辆进出充电桩/卸载点时车辆的流量守恒：

Y_jkr表示卸载点k到充电桩j的决策变量，当路径r中的车辆从充电桩j行驶到卸载点k时值为1，否则为0；

车辆在到达充电桩进行充电后的电量守恒：

表示车辆刚开始运作的电量，

表示离开装载点i的电量，

表示到达装载点i的电量，

表示离开充电桩j后的电量；

车辆到达卸载点k时的总电量水平为从装载点i到充电桩j充满电的电量差和从装载点i到卸载点k电量差之和：

车辆到达装载点i，卸载点k的时间约束：

表示离开装载点的时间，

表示充电后离开充电桩的时间，

表示充电前到达充电桩的时间，ω表示车辆在充电桩的充电时间；

车辆到达充电桩的时间为车辆离开装载点的时间，车辆装卸点路程时间和车辆到充电桩的时间之和：

表示到达充电桩的时间，v表示车辆行驶速度，d_(j+1)ir表示装载点i到充电桩j+1之间的距离，a表示单位时间充电速率；

基于车辆行驶路途中的坡度高差会导致车辆速度变化，本发明定义了一个速度与道路坡度的反比例函数关系，行驶速度趋于路程平均速度的正负偏差值区间：

δ表示速度和高程差的比例系数，f表示基于平均速度的偏量，Δh表示单位路径的高程差，

表示车辆运行的平均速度；

最小电量阈值的约束条件：

表示到达充电桩时的电量，即当电量小于额定电量的15％时，卡车就必须返回充电桩进行充电操作。

步骤2，对樽海鞘算法改进，得到一种自适应扰动樽海鞘算法。

樽海鞘算法是一种全新的智能优化算法，他是由领导者和追随者两类型变量组成，每次迭代中，领导者指导追随者，以一种链式行为，向食物移动。移动过程中，领导者进行全局探索，而追随者则充分进行局部探索，大大减少了陷入局部最优的情况。但是算法本身存在求解精度不高和收敛速度过慢的问题，基于此问题对算法进行改进得到一种自适应扰动樽海鞘算法改进过程如下：

步骤2.1，采用Tent帐篷混沌映射产生初始种群

改变樽海鞘算法原有的随机初始化种群的方法，由于算法对初始种群较敏感，初始种群分布的越均匀，算法的搜索能力越强，收敛性和多样性也越好。混沌序列具有随机性、遍历性和规律性等特点，通过其产生的樽海鞘群体有较好的多样性。采用Tent帐篷混沌映射对种群进行初始化，Tent帐篷混沌映射的公式如下：

其中为ρ混沌参数，参数越大，混沌性越好，种群的分布性也就越好。在本发明中令ρ＝1。

为分布系数，在(0,1]区间内取一个最优的数使种群分布更加均匀。本发明中令

h＝1,2…,n，表示混沌变量的序列号，g＝1,2…,m，表示种群规模，

表示当前迭代个体。

步骤2.2，由于樽海鞘算法是一开始领导者就以全局最最优值为目标进行优化，这也导致算法全局搜索范围不够完整，搜索力度不够充分，极易陷入局部最优区域，使得收敛精度降低，此时应该增强最有个体对当前个体的影响程度。故更新领导者位置公式策略是改进樽海鞘算法的关键之处。本发明引入自适应扰动策略机制，加强后期最优领导者对于其他领导者个体的影响因素，减少种群陷入局部最优的情况，自适应扰动策略机制的公式如下：

其中t为迭代次数，rand为(0,1)之间的随机数，

为当前最优适应度值的个体，

为当前迭代经过扰动策略的得到的个体适应度值；

步骤2.3，在改进领导者位置公式后，因为算法到后期搜索能力和范围会会变小，无法完全的体现实际优化搜索过程，所以本发明引入非线性函数的自适应惯性权重因子来更新跟随者的位置公式，使得跟随者能跟进领导者的行踪，保证算法的全局搜索能力。公式更新如下：

ω(t)为自适应惯性权重，非线性递减值，取值范围为(0,1)，t为当前的迭代次数，T_max为最大迭代次数，θ为自适应参数，通过参数敏感度分析进行最优值的选取，在本发明中令θ取2值时。算法的搜索效率和搜索范围都能趋近一个比较良好的平衡状态。e指自然常数，是一个无限不循环小数，且为超越数，其值约为2.718281828459045。

为了解决上述所描述的露天矿充电桩选址问题，算法设计思路如下：

通过对露天矿区现场实地数据的测量，建立露天矿道路运输网模型，并对每条路径的路面坡度、地面类型、平整度，充电时间，耗电功率等因素进行分析，建立露天矿区道路状况数据库。对现场的实地测量数据进行统计，依据露天矿现状图，构建露天矿路网模型。然后考虑各个路线的电动卡车的用电需求量和充电桩建设数量范围。以道路的中心线代替每条道路，将运输系统按照道路属性划分区段，区段连接的交叉点、采掘点、卸载点以及充电桩所处位置设为道路网络拓扑图节点。根据实际情况和测量数据赋予路况信息，形成某段时期内运输系统的路网充电整体模型。以国内某大型钼钨矿山为对象，采集一段时期的历史统计数据并进行分析。然后，利用历史数据建立基于选址模型，并确定模型的最佳参数。从而建立电动卡车充电桩选址的评估模型。接下来执行算法：

首先，确定初始变量及种群，初始变量及种群对应实际问题中的充电桩及选址参数变量，包括选址过程中的充电桩的充电时间，电量和距离，装配点之间的距离以及道路参数情况。

其次，确定卸载点和充电桩的数量要求，即通过充电桩数量约束进行充电桩的数量确定：

N_min≤N≤N_max

其中ceil{}为向上取整函数；S_max为单个充电桩的最大容量；S_min为单个充电桩的最小容量；N_min为充电桩的最小数量；N_max为充电桩的最大数量，D为目标区域每天的总充电需求；

接着，将每个分别最先到达充电桩充电的电动卡车视为领导者，其后面分别到达的电动卡车视为追随者，卡车从当前路径出发，依据路径选择规则和领导者公式决定到达下一个节点，当到达一个节点即充电桩时会计算适应度值；所述领导者公式即自适应扰动策略机制的公式；

最后，决定到达下一个节点。当到达一个节点即充电桩时会计算适应度值，为避免陷入局部最优我们优化了领导者-追随者的公式，即：

同时在更新后代操作时设定一个阈值K进行排序比较，二次更新时加入交叉变异操作，采用单个种群点的中间部分进行转置交叉，将

左右的两个值的位置进行交换的方式进行变异，从而使得领导者能找到全局最优适应度值，即确定最优的充电桩选址问题。

步骤3，利用所述自适应扰动樽海鞘算法求解模型，得到选址结果。

模型求解包括以下步骤：

步骤S1：初始化参数，包括樽海鞘群的种群大小以及最大迭代次数，采用Kent帐篷映射产生初始化种群；

步骤S2：计算种群中每个种群个体的适应度(以目标函数的倒数表示)，并找到全局最优适应值和个体极值作为领导者追随目标值；

步骤S3：执行种群扩散过程：利用更新后的自适应扰动位置公式，来确定领导者和追随者各个新个体的位置，找出种群中的最优个体和更新全局最优值；

步骤S4：执行第一次更新操作：设置一个阈值K进行排序筛选，根据计算出来的适应度的值，对所有个体进行排序，其中，对于每个个体适应度判断其小于K是否满足；若满足，转至步骤S5；否则，计算下一个个体适应度；

步骤S5：执行第二次更新操作：根据适应度的值，对更新过的种群个体进行交叉变异操作，具体的操作是采用单个种群点的中间部分进行转置交叉；将中间两边部分的两个值的位置进行交换的方式进行变异；

步骤S6：经过交叉变异操作后得到新的种群适应度，通过比较与之前第一次更新操作后的种群适应度，择优进行保留操作，返回步骤S5继续迭代；

步骤S7：将最优樽海鞘位置和适应度值为全局最优位置和最优适应度值返回结果；

步骤S8：判断是否满足终止条件，是则结束算法输出结果，否则返回步骤S4继续迭代，当算法达到最大评价次数时终止。

当电动卡车处于日常的运行状态时，利用实时监测车辆的运行数据以及充电桩充电量的耗费时间，并通过与额定电量的对比分析，实现对电动卡车运行状态电量的实时动态监控，从而确定充电桩选址的合理位置。通过分析不同路况下的车辆最佳运行参数以及不同情况下对于电动卡车的充电影响因素，来确定电动卡车的充电效率和时间，找到最合理的充电路线，达到充电桩布局分配的目的。

综上，本发明为金属露天矿下电动卡车的充电调度以及充电桩选址问题提供了一种有效的解决方案，针对露天矿车辆充电问题进行了详细分析论述，建立了完善的目标约束模型，并采用改进后的自适应扰动樽海鞘算法对模型进行求解，使得目标模型的求解更加科学合理以及具有可实现性。相比于传统的露天矿电动卡车充电难的问题，这种优化选址模型能够有效减少电动卡车运行过程中的无效运输距离和因电量不足产生的时间成本，增加电动卡车的充电效率，在未来电动卡车逐渐普及取代油耗卡车的大环境趋势下，显著降低企业的运输成本，提高矿山的生产能力，显著提升矿山企业的经济效益。

Claims (5)

1.一种基于自适应扰动樽海鞘算法的露天矿充电桩选址方法，其特征在于，包括如下步骤：

步骤1，以年成本最小为目标，构建露天矿充电桩选址模型；所述年成本包括车辆总行驶成本、充电成本和基本建设成本，目标函数表示如下：

γ表示单位距离的用电成本，N表示装载点的位置之和，Q表示电池容量，R表示路径规划上的路径之和，d_ikr表示装载点i到卸载点k的距离，F表示充电桩的数量之和，d_ijr表示装载点i到充电桩j的距离，d_jkr表示充电桩j到卸载点k的距离，c表示车辆总数，

表示车辆固定出行成本，

表示到达充电桩的时间差，u表示充电桩数量，θ表示充电桩的建设成本；

X_ikr表示装载点i到卸载点k的决策变量，当车辆从装载点i出发电量充足，则行驶到卸载点k，决策变量为1，否则行驶到充电桩处，决策变量为0，并且，当选择行驶到卸载点k时则不行驶到充电桩处；

Y_ijr表示装载点i到充电桩j的决策变量，当车辆从装载点i出发电量不足以行驶到卸载点，则选择行驶到充电桩j，决策变量为1，否则决策变量为0；

步骤2，对樽海鞘算法进行如下改进，得到一种自适应扰动樽海鞘算法；

步骤2.1，采用Tent帐篷混沌映射产生初始种群，Tent帐篷混沌映射的公式如下：

其中ρ为混沌参数，参数越大，混沌性越好，种群的分布性也就越好，

为分布系数，h＝1,2…,n，表示混沌变量的序列号，g＝1,2…,m，表示种群规模，

表示当前迭代个体；

步骤2.2，引入自适应扰动策略机制，加强后期最优领导者对于其他领导者个体的影响因素，减少种群陷入局部最优的情况；自适应扰动策略机制的公式如下：

其中t为迭代次数，rand为(0,1)之间的随机数，

为当前最优适应度值的个体，

为当前迭代经过扰动策略的得到的个体适应度值；

步骤2.3，引入非线性函数的自适应惯性权重因子来更新跟随者的位置公式，使得跟随者能跟进领导者的行踪，保证算法的全局搜索能力；更新公式如下：

ω(t)为自适应惯性权重，非线性递减值，取值范围为(0,1)，T_max为最大迭代次数，θ为自适应参数，通过参数敏感度分析进行最优值的选取，e是自然常数；

步骤3，利用所述自适应扰动樽海鞘算法求解模型，得到选址结果。

2.根据权利要求1所述基于自适应扰动樽海鞘算法的露天矿充电桩选址方法，其特征在于，X_ikr的计算公式表示如下：

X_ikr服从1-0分布，即车辆不是从装载点i到充电桩j就是从装载点i到卸载点k，只有这两种路线可以选择，

表示离开装载点时的电量，b表示单位距离耗电速率，1-X_ikr表示在路径r中，当在装载点i处选择前往充电桩时，只能选择一处充电桩前往，当选择前往卸载点k时，则不允许访问充电桩。

3.根据权利要求2所述基于自适应扰动樽海鞘算法的露天矿充电桩选址方法，其特征在于，车辆进出充电桩/卸载点时车辆的流量守恒：

Y_jkr表示卸载点k到充电桩j的决策变量，当路径r中的车辆从充电桩j行驶到卸载点k时值为1，否则为0；

车辆在到达充电桩进行充电后的电量守恒：

表示车辆刚开始运作的电量，

表示离开装载点i的电量，

表示到达装载点i的电量，

表示离开充电桩j后的电量；

车辆到达卸载点k时的总电量水平为从装载点i到充电桩j充满电的电量差和从装载点i到卸载点k电量差之和：

车辆到达装载点i，卸载点k的时间约束：

表示离开装载点的时间，

表示充电后离开充电桩的时间，

表示充电前到达充电桩的时间，ω表示车辆在充电桩的充电时间；

车辆到达充电桩的时间为车辆离开装载点的时间，车辆装卸点路程时间和车辆到充电桩的时间之和：

表示到达充电桩的时间，v表示车辆行驶速度，d_(j+1)ir表示装载点i到充电桩j+1之间的距离，a表示单位时间充电速率；

基于车辆行驶路途中的坡度高差会导致车辆速度变化，定义了一个速度与道路坡度的反比例函数关系，行驶速度趋于路程平均速度的正负偏差值区间：

δ表示速度和高程差的比例系数，f表示基于平均速度的偏量，Δh表示单位路径的高程差，

表示车辆运行的平均速度；

最小电量阈值的约束条件：

表示到达充电桩时的电量，即当电量小于额定电量的15％时，卡车就必须返回充电桩进行充电操作。

4.根据权利要求1所述基于自适应扰动樽海鞘算法的露天矿充电桩选址方法，其特征在于，对于露天矿充电桩选址问题，所述自适应扰动樽海鞘算法如下：

首先，确定初始变量及种群，对应实际问题中的充电桩及选址参数变量，包括选址过程中的充电桩的充电时间、电量和距离、装配点之间的距离以及道路参数情况；

其次，确定卸载点和充电桩的数量要求，即通过充电桩数量约束进行充电桩的数量确定：

N_min≤N≤N_max

其中ceil{}为向上取整函数；S_max为单个充电桩的最大容量；S_min为单个充电桩的最小容量；N_min为充电桩的最小数量；N_max为充电桩的最大数量，D为目标区域每天的总充电需求；

接着，将每个分别最先到达充电桩充电的电动卡车视为领导者，其后面分别到达的电动卡车视为追随者，卡车从当前路径出发，依据路径选择规则和领导者公式决定到达下一个节点，当到达一个节点即充电桩时会计算适应度值；所述领导者公式即自适应扰动策略机制的公式；

最后，在更新后代操作时设定一个阈值K进行排序比较，二次更新时加入交叉变异操作，采用单个种群点的中间部分进行转置交叉，将

左右的两个值的位置进行交换的方式进行变异，从而使得领导者能找到全局最优适应度值，即确定最优的充电桩选址问题。

5.根据权利要求1所述基于自适应扰动樽海鞘算法的露天矿充电桩选址方法，其特征在于，所述模型求解包括以下步骤：

步骤S1：初始化参数，包括樽海鞘群的种群大小以及最大迭代次数，采用Kent帐篷映射产生初始化种群；

步骤S2：计算种群中每个种群个体的适应度，并找到全局最优适应值和个体极值作为领导者追随目标值；

步骤S3：执行种群扩散过程：利用更新后的自适应扰动位置公式，来确定领导者和追随者各个新个体的位置，找出种群中的最优个体和更新全局最优值；

步骤S4：执行第一次更新操作：设置一个阈值K进行排序筛选，根据计算出来的适应度的值，对所有个体进行排序，其中，对于每个个体适应度判断其小于K是否满足；若满足，转至步骤S5；否则，计算下一个个体适应度；

步骤S5：执行第二次更新操作：根据适应度的值，对更新过的种群个体进行交叉变异操作，具体的操作是采用单个种群点的中间部分进行转置交叉；将中间两边部分的两个值的位置进行交换的方式进行变异；

步骤S6：经过交叉变异操作后得到新的种群适应度，通过比较与之前第一次更新操作后的种群适应度，择优进行保留操作，返回步骤S5继续迭代；

步骤S7：将最优樽海鞘位置和适应度值为全局最优位置和最优适应度值返回结果；

步骤S8：判断是否满足终止条件，是则结束算法输出结果，否则返回步骤S4继续迭代，当算法达到最大评价次数时终止。

Images