CN113222387A - 面向氢燃料车辆的多目标调度与协同优化方法 - Google Patents

Abstract

面向氢燃料车辆的多目标调度与协同优化方法，其根据各线路分时段乘客出行OD，结合线路车辆人员配置信息，同时以车辆运营成本和乘客候车时间成本作为优化目标，基于神经网络建立了氢燃料消耗量预测模型，基于神经网络构建一种复杂工况下的剩余续航里程评估模型，计算最佳加氢时机，然后结合加氢供需实况，在对车辆进行常规排班的同时，优化加氢调度方案。引入了带有精英策略的非支配排序多目标遗传算法求解多目标优化问题，有效实现了在各目标分量的最优解之间进行权衡，能够提供更佳的算法精度。通过氢燃料车辆的实时运行状态信息实时监测车辆运营过程中的异常情况，并分别对车辆晚点到站、故障异常情况进行动态调度，有效提高车辆运营效率。

Description

面向氢燃料车辆的多目标调度与协同优化方法

技术领域

本发明属于智能车辆调度技术领域，尤其涉及适用于氢燃料营运车辆的调度与协同优化方法。

背景技术

相较于电动汽车，氢燃料汽车具有环保性能佳、加注时间短、续航里程长、适应低温环境等优势，是未来汽车工业可持续化发展的重要方向。由于客运车辆在运营过程中会不可避免地存在乘客出行时空分布不均、高峰时段车流阻塞等现象，静态单一的排班调度方式，难以实时响应乘客的出行需求。同时，按照静态排班表运作的调度计划仍会面临车辆晚点、车辆故障等复杂问题。由于新能源车辆在能源补充、能耗特性等方面的不同，其调度方式相对于燃油车辆存在着较大差异。现阶段对于新能源汽车的调度优化研究主要集中在电动汽车，在氢燃料车辆的调度方面仍鲜有涉及，现有技术中对氢燃料车辆的实时数据采集、监控，考虑氢燃料能耗分布特征的续航里程计算、加氢站氢能供需协调、车辆最优加氢调度方案等诸多技术问题，尚缺乏较好的一体化解决方案。

车辆调度优化策略有助于合理解决车辆调度中如何兼顾营运公司和乘客双方利益的技术问题。现有大部分算法是将多目标问题转换成单目标问题进行求解，然而转换过程存在目标量纲无法统一、优化鲁棒性差等弊端。同时，调度场景越复杂，模型规模越大，传统优化方法无法快速、准确得到目标值。因此，有必要设计一种与氢燃料车辆的运行、补充燃料等环节所具有的特殊性相适应的组织调度方式，以提高动态调度的效率和鲁棒性。

发明内容

有鉴于此，本发明旨在针对氢燃料车辆尤其是在该类型车辆的营运过程，提供一种面向氢燃料车辆的多目标调度与协同优化方法，具体包括以下步骤：

S1、对线路的分时段发车间隔建立二进制编码；

根据各条运营线路不同时段的乘客出行需求分布，结合线路上的站点、执行任务车辆与司机配额，以线路运营期间的车辆运行成本以及乘客等候成本最小化为目标函数，考虑车辆核载、车辆配额约束条件建立多目标优化模型；

S2、对车辆的初始发车时刻、车辆的加氢需求决策、加氢站的被选择状态分别建立二进制编码，对车辆的剩余发车时刻建立实数编码；

根据车辆的相关工况参数建立基于神经网络的氢燃料消耗量预测模型，计算剩余氢燃料的可续航班次；以加氢时间成本与往返加氢途中的氢燃料消耗最小化为目标，建立多目标优化模型；

S3、以所述S1中二进制编码的决策变量构建解向量及种群，所述S2中二进制编码和实数编码的决策变量构造多目标遗传算法的解向量及种群，并且以上述几个目标作为算法的优化目标分量；通过遗传算法的选择、交叉、变异三个基本操作得到子代种群，并利用考虑非支配排序和拥挤度计算的精英策略求解出各编码的最优解，继而得到包括发车间隔、次序与加氢安排的最优排班调度方案；

S4、根据氢燃料车辆的实时运行状态信息，并结合车辆故障、车辆晚点等情况，重复执行前述步骤对所述排班调度方案实现动态更新。

进一步地，步骤S1中建立以车辆运行成本以及乘客等候成本最小化的模型基于以下假设：

同一线路车辆型号一致，最大载客量一致，车辆类型均为全程车，司机驾驶习惯相似，单位时间内乘客到站人数服从泊松分布；当前滞留乘客能在下一班次顺利上车，若无法上车则会自动离去；定义决策变量为X_T，表示第T时段发车间隔。

进一步地，步骤S1具体包括执行以下步骤：

S1.1、将全天运营时段平均划分为k个时段，时段集合T＝[1，2，...，k]，每个时段长度为t_T，计算线路运营期间产生的车辆运行成本C_bus，由式(1)计算得到：

其中，

表示在时段T的发车数量，L为线路的一个周转的行车距离，c为单位里程平均运行成本；

步骤S1.2、定义站点集合S＝[1，2，...，s]，集合元素表示各站点编号；车辆集合B＝[1，2，...，b]，集合元素表示线路的车辆数，b是线路最大车辆配额；司机集合P＝[1，2，...，p]，集合元素表示线路的司机人数，p是线路最大司机人数；λ_TS为乘客在时段T在站点S的平均到达率，各站点乘客实际到达时刻

τ_TS为在时段T，站点S因前车满载导致滞留的乘客数量，站点S与前一站点S-1之间的行车阻塞系数为ω_TS，ω≥1；则乘客等候成本模型建立为：

S1.3、以车辆运行成本与乘客等候成本最小为目标建立多目标优化模型：

以上数学模型存在以下条件约束，分别表示：

约束1：发车间隔不小于计划最小发车间隔X_min，且不大于计划最大发车间隔X_max，即：

X_min≤X_T≤X_max (6)

约束2：用车高峰期间，用车数量不超过最大车辆配额，亦不能超过最大在编司机数量，设T_peak是高峰时段发车时段集合，即：

约束3：车辆集合B在线路上任意站点S满载率不超过座位数180％，设Q为车辆额定座位数，ρ_TS表示X_T时段的车辆在运行过程中乘客下车数量，即：

约束4：时段之间保证发车间隔差异不要太大，避免发车的不连续，设ε为最小发车间隔差异系数，即：

|X_i+1-X_i|≤ε，i∈T (9)

进一步地，步骤S2具体包括执行以下步骤：

基于以下假设：所有加氢站不指定服务线路，氢燃料车辆只有完成一个周转后才能前往加氢站加氢，加完氢燃料的车辆必须回到出发站点，设加氢车辆单个到达，相继到达时间间隔服从负指数分布，加氢站有多个加注机器，，各加注机器独立工作，加氢速率都一致且加满，车辆遵守先到先加氢原则，若有空闲的加注机器则马上接受服务，否则便排成一个队列等待，若加氢站发生故障，车辆停止加氢活动；

建立所述编码：初始发车时刻二进制编码S_i，

其中1表示在车辆将第i个时段对应的发车时刻作为初始发车时刻，0表示车辆未将该时刻作为初始发车时刻；

线路上也即车辆集合B的剩余发车时刻实数编码T_B，T_B＝{T_B1，T_B2，...，T_Bn}，其中n为计划执行车次任务数，且满足条件：

T_worker为司机每天最大工作时长，T_route为计划一班次行车时长；

车辆的加氢需求决策二进制编码A_B，A_B＝[A_B0，A_B1，A_B2，...A_Bn]，其中1表示在完成任务后加氢，0表示不执行加氢，A_B0表示在初始发车前加氢编码；

加氢站的被选择状态二进制编码H_BO，H_BO＝[H_B1，H_B2，...，H_Bo]，其中1表示车辆集合B选择该加氢站加氢，0表示不选择该加氢站。

进一步地，步骤S2在建立编码后具体执行以下步骤：

S2.1、在车辆试运营阶段，采集坡度X_slope、日常交通拥堵系数X_TPI、实时车速X_V、加速度X_a、载客量X_passenger、环境温度X_temp、风速X_wind、电池初始SoC、发动机X_speed、扭矩X_torque等的10个影响因素作为输入量，并实时计算氢气消耗量Y；

S2.2、基于车辆大数据采集模块获取的上述数据，按照不同的时间尺度、两站点间隔划分训练集和测试集，构建基于神经网络的复杂工况下的氢燃料消耗量预测模型：

Y＝F(X_slope，X_TPI，X_V，X_a，X_passenger，X_temp，X_wind，X_soc，X_speed，X_torque) (10)

将真实氢燃料消耗量和预测值的均方根误差定义为评估预测模型性能的指标，车辆在真实运行过程中实时更新采样数据，依据预测的偏差对预测模型进行增量学习与偏差修正，实现滚动优化和反馈校正；

S2.3、判断车辆何时进入加氢准备，定义可续航班次的累计氢燃料消耗量为Y′＝∑_i∈ΨY_i，Ψ表示剩余可续航班次，设车辆B实时氢气剩余量为E_B，车辆前往加氢站路途的最大氢燃料消耗量为h₀，则基于所述预测模型求解式(9)计算剩余氢燃料可续航班次：

arg min(E_B-∑_i∈ΨY_i-h₀)s.t.(E_B-∑_i∈ΨY_i-h₀)＞0 (11)

基于得到的剩余氢燃料可续航班次确定最佳加氢时段，并将该时段的加氢决策变量A_B置1；

S2.4、定义LINE为运营公司各线路集合，加氢路途耗时T₁，加氢等候时长T₂，加氢时长T₃，O为加氢站集合，O＝[1，2，...，o]，集合元素为加氢站数量；E₀为车辆B最大储量；μ为不考虑加氢环境、车辆型号的前提下的平均加氢速率；T_OS表示的是加氢站O到线路终点站S的平均行驶时间；M为氢气加注机器数量，

为加氢站O服务强度，λ_O为单位时间到达加氢站O车辆数；T_rest是司机在站点最小休息时长；

计算车辆加氢的时间成本f₃，该目标分量满足式(12)关系：

车辆往返加氢站途中的氢燃料消耗f₄，满足式(17)关系：

式中，e为单位里程的平均氢燃料消耗量

S2.5、以加氢时间成本与往返加氢站途中的氢燃料消耗最小为目标建立多目标优化模型：

以上约束分别表示：

约束1：单位时间内车辆总需求量不能超过目的地加氢站O总供给量，设Q_O为加氢站O实时最大氢气储量，即：

约束2：对于每辆车，到达加氢站时刻不能超过当前计算最晚续航时长，到达加氢站距离不能超过当前计算最远续航距离

约束3：在加氢站等候车辆不能超过加氢站最大空间容纳量N_O，即：

约束4：车辆加完氢气返回站点的时间不晚于下一趟发车时刻：

约束5：加氢站/车辆发生故障时/员工突发状况停止加氢活动

约束6：司机工作时长不能超过国家规定总工时8小时,即：

T_Bn-T_B1≤8 (22)

约束7：车辆有且仅能将一个发车时刻作为初始发车时刻，即：

约束8：车辆每次仅能前往一个加氢站进行加氢，即：

约束9：一天中，车辆B仅能选择其中一个时段前往加氢，即：

∑A_B＝1 (19)

进一步地，步骤S3具体包括：

S3.1、定义多目标遗传算法的基本要素：

以二进制编码和实数编码构造解向量作为个体X；由n个个体组成种群P，P＝[X₁，X₂，...，X_n]；Y作为适应度函数值，表示前述多个目标；并定义以下算子：

选择算子：根据适应值Y把个体按比例进行淘汰，从而提高群体的适应值，

交叉算子：种群中随机选择两个个体，交换染色体部分编码，产生两个新的子代个体，

变异算子：以一定概率随机改变染色体上的某个基因来增加群体的多样性；

S3.2、通过非支配排序方式计算下一代种群：

初始化种群P，并计算适应度函数值Y，根据非支配判定准则得到非支配序i_rank，准则描述如下：

对于最小化优化的两个目标分量，均有f₁(X_a)≤f₁(X_b)且f₂(X_a)≤f₂(X_b)；至少存在一个目标分量满足，f₁(X_a)＜f₁(X_b)或f₂(X_a)＜f₂(X_b)，则可定义X_a为X_b的非支配解，

计算同一支配层中的拥挤度系数i_d，对于每一级非支配解层，根据个体的目标值大小进行升序，对于每个个体，计算最近邻居作为顶点的长方体周长作为拥挤度系数，

m为目标函数数量；i_d表示i点的拥挤度，

分别表示i+1点以及i-1点的第j个目标函数值。边界个体的拥挤度系数被指定为无穷大值，即O_d＝I_d＝∞；

将父代种群P_t，经过选择、交叉、变异等操作，得到子代种群Q_t，分别描述如下：

选择操作：采用锦标策略，即一定概率选择同一非支配层中最佳2个个体，否则随机从同一支配层中选择任意2个个体；

交叉操作：将选择操作得到的父代2个个体编码串随机设置一个交叉点，然后再该点相互交换两个配对个体的部分染色体，不同决策变量的编码之间不可以交叉；

变异操作：根据交叉操作得到的个体，观察编码类型，对于二进制编码，以一定概率对编码串进行翻转；对于实数编码，以一定的概率进行高斯扰动，最终得到Q_t；S3.3、利用精英策略计算下一代方案解：

首先将P_t与Q_t合并，分别计算合并后的非支配关系和拥挤度系数，将非支配排序后的第一非支配层的解放入新的种群P_t+1，若解的数量少于n，则继续将第二非支配层的解存放到P_t+1，依次类推直到P_t+1的数量为n，若出现存放过程当中数量超过n，则比较该非支配层解的拥挤度系数，只保留更大拥挤度系数的个体。

进一步地，步骤S4具体包括：

考虑车辆故障情况的调度更新，区别以下两种情况分别实施不同的调整：

情况一、有备用车或者故障车辆维修后可恢复剩余排班：仅调整故障车辆出发时刻所在时段的剩余发车间隔，若故障车辆处在所在时段最后一辆，则发车时刻从下一时段开始调整，调整的车辆包括整个时段所有车辆，计算调整后的发车间隔为：

式中，X_T为故障车辆所在时段的发车间隔，u为所在时段剩余未发车数量；

考虑车辆故障情况的调度更新：

情况二、无备用车：找到车辆剩余所有发车时刻T＝[T_jk，T_j(k+1)，...，T_jn]，按式(20)调整时刻所在时段的发车间隔，重新迭代算法得到新的排班计划；

考虑车辆晚点情况的调度更新，具体执行以下步骤：

首先，根据预估车辆晚点时间判断具有调整需求时，重新对相邻发车顺序进行调整，发车次序变化为k-1，k+1，k+2，...，k+m，k，数学模型为：

min m (27)

式中，m为需要调整的车辆数量；

调整基于以下约束：

约束1：后续发车的车辆在站点停留时间满足最少休息时间，数学描述为：

T_i-1-T_i≤T_rest，i∈[k+1，k+2，...，k+m] (28)

式中，T_i-1是车辆到达站点时刻，T_i是计划提前一班次发车时刻，T_rest是司机在站点最小休息时长；

约束2：若更换发车顺序的车辆需要加氢，则停止调整该车，顺延下一辆。

上述本发明所提供的方法，基于神经网络建立了复杂工况下的氢燃料车辆剩余续航里程预测模型，对车辆运营调度以及氢燃料补充相关的决策参数建立了包含二进制编码与实数编码的混合编码机制，解决了现有多目标算法单一编码效率低的问题。引入了带有精英策略的非支配排序多目标遗传算法求解多目标优化问题，有效实现了在各目标分量的最优解之间进行权衡，能够提供更佳的算法精度。通过氢燃料车辆的实时运行状态信息实时监测车辆运营过程中的异常情况，并分别对车辆晚点到站、故障异常情况进行动态调度，有效提高车辆运营效率。

附图说明

图1为本发明所提供方法的总体流程示意图；

图2为本发明的方法中所解决的运行成本与乘客等候优化问题；

图3为本发明的方法中所解决的加氢时间成本与加氢途中燃料消耗成本优化问题；

图4为本发明所采用的带有精英策略的非支配排序多目标遗传算法的执行过程；

图5为本发明考虑车辆故障和晚点情况对调度方案进行调整的过程。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

本发明所提供的面向氢燃料车辆的多目标调度与协同优化的方法，如图1所示，具体包括以下步骤：

S1、对线路的分时段发车间隔建立二进制编码；

根据各条运营线路不同时段的乘客出行需求分布，结合线路上的站点、执行任务车辆与司机配额，分别建立以线路运营期间的车辆运行成本以及乘客等候成本最小化为目标函数，考虑车辆核载、车辆配额等约束条件两个模型；以所述车辆运行成本与乘客等候成本达到最小作为目标，建立多目标优化模型；

S2、对车辆的初始发车时刻、车辆的加氢需求决策、加氢站的被选择状态分别建立二进制编码，对车辆的剩余发车时刻建立实数编码；

根据车辆的相关工况参数建立基于神经网络的氢燃料消耗量预测模型，计算剩余氢燃料的可续航班次；以加氢时间成本与往返加氢途中的氢燃料消耗最小化为目标，建立多目标优化模型；

S3、以所述S1中二进制编码的决策变量构建解向量及种群，所述S2中二进制编码和实数编码的决策变量构造多目标遗传算法的解向量及种群，并且以上述几个目标作为算法的优化目标分量；通过遗传算法的选择、交叉、变异三个基本操作得到子代种群，并利用考虑非支配排序和拥挤度计算的精英策略求解出各编码的最优解，继而得到包括发车间隔、次序与加氢安排的最优排班调度方案；；

S4、根据氢燃料车辆的实时运行状态信息，并结合车辆故障、车辆晚点等情况，重复执行前述步骤对所述排班调度方案实现更新。

在本发明的一个优选实施方式中，步骤S1中建立车辆运行成本以及乘客等候成本最小化的模型基于以下假设：

同一线路车辆型号一致，最大载客量一致，车辆类型均为全程车，司机驾驶习惯相似，单位时间内乘客到站人数服从泊松分布；当前滞留乘客能在下一班次顺利上车，若无法上车则会自动离去；定义决策变量为X_T，表示第T时段发车间隔。

如图2所示，步骤S1具体包括执行以下步骤：

S1.1、将全天运营时段平均划分为k个时段，时段集合T＝[1，2，...，k]，每个时段长度为t_T，计算线路运营期间产生的车辆运行成本C_bus，由式(1)计算得到：

其中，

表示在时段T的发车数量，L为线路的一个周转的行车距离，c为单位里程平均运行成本；

S1.2、定义站点集合S＝[1，2，...，s]，集合元素表示各站点编号；车辆集合B＝[1，2，...，b]，集合元素表示线路的车辆数，b是线路最大车辆配额；司机集合P＝[1，2，...，p]，集合元素表示线路的司机人数，p是线路最大司机人数；λ_TS为乘客在时段T站点S的平均到达率，τ_TS为在时段T，站点S因前车满载导致滞留的乘客数量，计算线路运营期间产生的乘客等候成本C_passenger的计算过程具体包括以下：

假设在任意车头时距(0，t)内乘客到达站点S的人数r＝λ_TS·t服从泊松分布，其概率函数为：

推导得到，第n∈[1，λ_TS·t]人实际到达时间T_arrival服从伽马分布，概率密度函数表示为：

对于每个到站乘客，在式(3)中所示到的概率密度函数中，取到达时间概率密度最大的时刻作为实际到达时刻，即

在不考虑司机驾驶行为差异的前提下，车头时距与交通流组成密切相关，由于道路通畅时的线路平均车头时距等于发车间隔X_T，设车辆在时段T，站点S与前一站点S-1之间的行车阻塞系数为ω_TS，ω≥1，则车头时距表示为：ω_TS·X_T，车头时距到站人数表示为：λ_TS·ω_TS·X_T，

在高峰时段，会出现乘客因前车满载导致滞留在站点等候下一班次车辆，因此乘客等候时间成本包括：在当前车头时距到达乘客等候成本和前车滞留乘客等候时间成本。设τ_TS表示在时段T，站点S因前车满载导致滞留的乘客数量，则乘客等候成本模型建立为：

S1.3、以车辆运行成本与乘客等候成本最小为目标建立多目标优化模型：

以上约束分别表示：

约束1：发车间隔不小于计划最小发车间隔X_min，且不大于计划最大发车间隔X_max，即：

X_min≤X_T≤X_max (6)

约束2：用车高峰期间，用车数量不超过最大车辆配额，亦不能超过最大在编司机数量，设T_peak是高峰时段发车时段集合，即：

约束3：车辆集合B在线路上任意站点S满载率不超过座位数180％，设Q为车辆额定座位数，ρ_TS表示X_T时段的车辆在运行过程中乘客下车数量，即：

约束4：时段之间保证发车间隔差异不要太大，避免发车的不连续，设ε为最小发车间隔差异系数，即：

|X_i+1-X_i|≤ε，i∈T (9)

在本发明的一个优选实施方式中，步骤S2中建立二进制编码和实数编码具体包括执行以下步骤：

所有加氢站不指定服务线路，氢燃料车辆只有完成一个周转后才能前往加氢站加氢，加完氢燃料的车辆必须回到出发站点，设加氢车辆单个到达，相继到达时间间隔服从负指数分布，加氢站有多个加注机器，，各加注机器独立工作，加氢速率都一致且加满，车辆遵守先到先加氢原则，若有空闲的加注机器则马上接受服务，否则便排成一个队列等待，若加氢站发生故障，车辆停止加氢活动；建立所述编码：初始发车时刻二进制编码S_i，

其中1表示在车辆将第i个时段对应的发车时刻作为初始发车时刻，0表示车辆未将该时刻作为初始发车时刻；

线路上也即车辆集合B的剩余发车时刻实数编码T_B，T_B＝{T_B1，T_B2，...，T_Bn}，其中n为计划执行车次任务数，且满足条件：

T_worker为司机每天最大工作时长，T_route为计划一班次行车时长；

车辆的加氢需求决策二进制编码A_B，A_B＝[A_B0，A_B1，A_B2，...A_Bn]，其中1表示在完成任务后加氢，0表示不执行加氢，A_B0表示在初始发车前加氢；

加氢站的被选择状态二进制编码H_BO，H_BO＝[H_B1，H_B2，...，H_Bo]，其中1表示车辆集合B选择该加氢站加氢，0表示不选择该加氢站。

如图3所示，步骤S2在建立编码后具体执行以下步骤：

S2.1、分析氢燃料电池能耗分布特征，建立氢燃料消耗量的计算模型，用以估算出复杂工况下的氢燃料消耗值和实时预测剩余续航里程。具体步骤：根据车载GPS定位单元采集车辆实时坐标(L_o，L_a)，并进一步得到坡度X_slope，日常交通拥堵系数X_TPI；根据车辆运行数据监控终端采集车辆实时车速X_V，加速度X_a，并进一步定义起步、加速、巡航、减速、怠速状态；根据车载视觉监控单元采集载客量X_passenger；运营中心天气监测单元采集气温X_temp，风速X_wind；氢燃料电池信息监控单元采集电池初始SOCX_soc；发动机工作状态监测单元采集转速X_speed、扭矩X_torque；氢燃料监测单元采集实时氢气消耗量Y。；

S2.2、基于大数据的氢燃料车辆燃料消耗预测模块，调度中心在试运营期间，实时采集上述数据，按照不同的时间尺度、两站点间隔划分训练集和测试集，构建基于神经网络的复杂工况下的氢燃料消耗量预测模型：

Y＝F(X_slope，X_TPI，X_V，X_a，X_passenger，X_temp，X_wind，X_soc，X_speed，X_torque) (10)

将真实氢燃料消耗量和预测值的均方根误差定义为评估预测模型性能的指标，车辆在真实运行过程中实时更新采样数据，依据预测的偏差对预测模型进行增量学习与偏差修正，实现滚动优化和反馈校正；

S2.3、判断车辆何时进入加氢准备，定义可续航班次的累计氢燃料消耗量为Y′＝∑_i∈ΨY_i，Ψ表示剩余可续航班次，设车辆B实时氢气剩余量为E_B，车辆前往加氢站路途的最大氢燃料消耗量为h₀，则基于所述预测模型求解式(11)计算剩余氢燃料可续航班次：

arg min(E_B-∑_i∈ΨY_i-h₀)s.t.(E_B-∑_i∈ΨY_i-h₀)＞0 (11)

基于得到的剩余氢燃料可续航班次确定最佳加氢时段，并将该时段的加氢决策变量A_B置1；

S2.4、定义LINE为运营公司各线路集合，加氢路途耗时T₁，加氢等候时长T₂，加氢时长T₃，O为加氢站集合，O＝[1，2，...，o]，集合元素为加氢站数量；E₀为车辆B最大储量；μ为不考虑加氢环境、车辆型号的前提下的平均加氢速率；T_OS表示的是加氢站O到线路终点站S的平均行驶时间；M为氢气加注机器数量，

为加氢站O服务强度，λ_O为单位时间到达加氢站O车辆数；T_rest是司机在站点最小休息时长；

计算车辆加氢的时间成本f₃，该目标分量满足式(12)关系：

式中，加氢时长T_total由三部分组成：加氢路途耗时T₁，加氢等候时长T₂，加氢时长T₃，O为加氢站集合，O＝[1，2，...，o]，o为加氢站数量；E₀为车辆B最大储量；μ为不考虑加氢环境、车辆型号的前提下的平均加氢速率；T_OS表示的是加氢站O到线路终点站S的平均行驶时间；车辆加氢路途耗时T₁满足以下公式：

T₁＝T_OS·2 (13)

车辆加氢排队等候时间T₂满足以下公式：

式中，M为氢气加注机器数量，

为加氢站O服务强度，λ_O为单位时间到达加氢站O车辆数。P₀为加氢系统稳态概率(即无需等候加氢概率)，满足以下数学公式：

车辆加氢时长T₃满足以下公式：

车辆往返加氢站途中的氢燃料消耗f₄，满足式(17)关系：

式中，e为单位里程的平均氢燃料消耗量

S2.5、以加氢时间成本与往返加氢站途中的氢燃料消耗最小为目标建立多目标优化模型：

以上约束分别表示：

约束1：单位时间内车辆总需求量不能超过目的地加氢站O总供给量，设Q_O为加氢站O实时最大氢气储量，即：

约束2：对于每辆车，到达加氢站时刻不能超过当前计算最晚续航时长，到达加氢站距离不能超过当前计算最远续航距离

约束3：在加氢站等候车辆不能超过加氢站最大空间容纳量N_O，即：

约束4：车辆加完氢气返回站点的时间不晚于下一趟发车时刻：

约束5：加氢站/车辆发生故障时/员工突发状况停止加氢活动

约束6：员工用车不能超过国家规定总工时8小时,即：

T_Bn-T_B1≤8 (22)

约束7：车辆有且仅能将一个发车时刻作为初始发车时刻，即：

约束8：车辆每次仅能前往一个加氢站进行加氢，即：

约束9：一天中，车辆B仅能选择其中一个时段前往加氢，即：

∑A_B＝1 (25)

在本发明的一个优选实施方式中，如图4所示，步骤S3具体包括：

S3.1、定义多目标遗传算法的基本要素：

以二进制编码和实数编码构造解向量作为个体X；由n个个体组成种群P，P＝[X₁，X₂，...，X_n]；Y作为适应度函数值，表示前述多个目标；并定义以下算子：

选择算子：根据适应值Y把个体按比例进行淘汰，从而提高群体的适应值，

交叉算子：种群中随机选择两个个体，交换染色体部分编码，产生两个新的子代个体，

变异算子：以一定概率随机改变染色体上的某个基因来增加群体的多样性；

S3.2、通过非支配排序方式计算下一代种群：

首先，计算所有个体非支配解的分层，计算过程如下：

(1)对于第一个个体，根据规则计算其与其他个体的支配关系，若其他解均劣于该个体，则将其标记为非支配解，解之间支配关系的判定规则如下：

对于最小化优化的两个目标分量，均有f₁(X_a)≤f₁(X_b)且f₂(X_a)≤f₂(X_b)；至少存在一个目标分量满足，f₁(X_a)＜f₁(X_b)或f₂(X_a)＜f₂(X_b)，则可定义X_a为X_b的非支配解。

(2)参考上面做法遍历所有子方案，找到所有非支配解，将其定义为第一级非支配解集。

(3)将剩余的个体遵循(1)、(2)得到第二级非支配解集；依次类推，完成种群所有个体的非支配关系的计算。

之后，计算同一支配层中的拥挤度系数i_d，对于每一级非支配解层，根据个体的目标值大小进行升序，对于每个个体，计算最近邻居作为顶点的长方体周长作为拥挤度系数，

为目标函数数量；i_d表示i点的拥挤度，

分别表示i+1点以及i-1点的第j个目标函数值。边界个体的拥挤度系数被指定为无穷大值，即O_d＝I_d＝∞；

将父代种群P_t，经过选择、交叉、变异等操作，得到子代种群Q_t，分别描述如下：

选择操作：采用锦标策略，即一定概率选择同一非支配层中最佳2个个体，否则随机从同一支配层中选择任意2个个体；

交叉操作：将选择操作得到的父代2个个体编码串随机设置一个交叉点，然后再该点相互交换两个配对个体的部分染色体，不同决策变量的编码之间不可以交叉；

变异操作：根据交叉操作得到的个体，观察编码类型，对于二进制编码，以一定概率对编码串进行翻转；对于实数编码，以一定的概率进行高斯扰动，得到Q_t。S3.3、利用精英策略计算下一代方案解：

首先将P_t与Q_t合并，分别计算合并后的非支配关系和拥挤度系数，将非支配排序后的第一非支配层的解放入新的种群P_t+1，若解的数量少于n，则继续将第二非支配层的解存放到P_t+1，依次类推直到P_t+1的数量为n，若出现存放过程当中数量超过n，则比较该非支配层解的拥挤度系数，只保留更大拥挤度系数的个体。

在本发明的一个优选实施方式中，如图5所示，步骤S4具体包括：

考虑车辆故障情况的调度更新，区别以下两种情况分别实施不同的调整：

情况一、有备用车或者故障车辆维修后可恢复剩余排班：仅调整故障车辆出发时刻所在时段的剩余发车间隔，若故障车辆处在所在时段最后一辆，则发车时刻从下一时段开始调整，调整的车辆包括整个时段所有车辆，计算调整后的发车间隔为：

式中，X_T为故障车辆所在时段的发车间隔，u为所在时段剩余未发车数量；

考虑车辆晚点情况的调度更新：

情况二、无备用车：找到车辆剩余所有发车时刻T＝[T_jk，T_j(k+1)，...，T_jn]，按式(27)调整时刻所在时段的发车间隔，重新迭代算法得到新的排班计划；

考虑车辆晚点情况的调度更新，具体执行以下步骤：

首先，根据预估车辆晚点时间判断具有调整需求时，重新对相邻发车顺序进行调整，发车次序变化为k-1，k+1，k+2，...，k+m，k，数学模型为：

min m (27)

式中，m为需要调整的车辆数量；

调整基于以下约束：

约束1：后续发车的车辆在站点停留时间满足最少休息时间，数学描述为：

T_i-1-T_i≤T_rest，i∈[k+1，k+2，...，k+m] (28)

式中，T_i-1是车辆到达站点时刻，T_i是计划提前一班次发车时刻，T_rest是司机在站点最小休息时长；

约束2：若更换发车顺序的车辆需要加氢，则停止调整该车，顺延下一辆。

应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.面向氢燃料车辆的多目标调度与协同优化方法，其特征在于：具体包括以下步骤：

S1、对线路的分时段发车间隔建立二进制编码；

根据各条运营线路不同时段的乘客出行需求分布，结合线路上的站点、执行任务车辆与司机配额，以线路运营期间的车辆运行成本以及乘客等候成本最小化为目标函数，考虑车辆核载、车辆配额约束条件建立多目标优化模型；

S2、对车辆的初始发车时刻、车辆的加氢需求决策、加氢站的被选择状态分别建立二进制编码，对车辆的剩余发车时刻建立实数编码；

根据车辆的相关工况参数建立基于神经网络的氢燃料消耗量预测模型，计算剩余氢燃料的可续航班次；以加氢时间成本与往返加氢途中的氢燃料消耗最小化为目标，建立多目标优化模型；

S3、以所述S1中二进制编码的决策变量构建解向量及种群，所述S2中二进制编码和实数编码的决策变量构造多目标遗传算法的解向量及种群，并且以上述几个目标作为算法的优化目标分量；通过遗传算法的选择、交叉、变异三个基本操作得到子代种群，并利用考虑非支配排序和拥挤度计算的精英策略求解出各编码的最优解，继而得到包括发车间隔、次序与加氢安排的最优排班调度方案；

S4、根据氢燃料车辆的实时运行状态信息，并结合车辆故障、车辆晚点等情况，重复执行前述步骤对所述排班调度方案实现动态更新。

2.如权利要求1所述的方法，其特征在于：步骤S1中建立车辆运行成本以及乘客等候成本最小化的模型基于以下假设：

同一线路车辆型号一致，最大载客量一致，车辆类型均为全程车，司机驾驶习惯相似，单位时间内乘客到站人数服从泊松分布；当前滞留乘客能在下一班次顺利上车，若无法上车则会自动离去；定义决策变量为X_T，表示第T时段发车间隔。

3.如权利要求2所述的方法，其特征在于：步骤S1具体包括执行以下步骤：

S1.1、将全天运营时段平均划分为k个时段，时段集合T＝[1，2，...，k]，每个时段长度为t_T，计算线路运营期间产生的车辆运行成本C_bus，由下式计算得到：

其中，

表示在时段T的发车数量，L为线路的一个周转的行车距离，c为单位里程平均运行成本；

步骤S1.2、定义站点集合S＝[1，2，...，s]，集合元素表示各站点编号；车辆集合B＝[1，2，...，b]，集合元素表示线路的车辆数，b是线路最大车辆配额；司机集合P＝[1，2，...，p]，集合元素表示线路的司机人数，p是线路最大司机人数；λ_TS为乘客在时段T在站点S的平均到达率，各站点乘客实际到达时刻

τ_TS为在时段T，站点S因前车满载导致滞留的乘客数量，站点S与前一站点S-1之间的行车阻塞系数为ω_TS，ω≥1；则乘客等候成本模型建立为：

S1.3、以车辆运行成本与乘客等候成本最小为目标建立多目标优化模型：

4.如权利要求3所述的方法，其特征在于：步骤S2具体包括执行以下步骤：

基于以下假设：所有加氢站不指定服务线路，氢燃料车辆只有完成一个周转后才能前往加氢站加氢，加完氢燃料的车辆必须回到出发站点，设加氢车辆单个到达，相继到达时间间隔服从负指数分布，加氢站有多个加注机器，各加注机器独立工作，加氢速率都一致且加满，车辆遵守先到先加氢原则，若有空闲的加注机器则马上接受服务，否则便排成一个队列等待，若加氢站发生故障，车辆停止加氢活动；

建立所述编码：初始发车时刻二进制编码s_i，

其中1表示在车辆将第i个时段对应的发车时刻作为初始发车时刻，0表示车辆未将该时刻作为初始发车时刻；

线路上也即车辆集合B的剩余发车时刻实数编码T_B，T_B＝{T_B1，T_B2，...，T_Bn}，其中n为计划执行车次任务数，且满足条件：

T_worker为司机每天最大工作时长，T_route为计划一班次行车时长；

车辆的加氢需求决策二进制编码A_B，A_B＝[A_B0，A_B1，A_B2，...A_Bn]，其中1表示在完成任务后加氢，0表示不执行加氢，A_B0表示在初始发车前加氢编码；

加氢站的被选择状态二进制编码H_BO，H_Bo＝[H_B1，H_B2，...，H_Bo]，其中1表示车辆集合B选择该加氢站加氢，0表示不选择该加氢站。

5.如权利要求4所述的方法，其特征在于：步骤S2在建立编码后具体执行以下步骤：

S2.1、在车辆试运营阶段，采集坡度X_slope、日常交通拥堵系数X_TPI、实时车速X_V、加速度X_a、载客量X_passenger、环境温度X_temp、风速X_wind、电池初始SoC、发动机X_speed、扭矩X_torque的10个影响因素作为输入量，并实时计算氢气消耗量Y；

S2.2、基于车辆大数据采集模块获取的上述数据，按照不同的时间尺度、两站点间隔划分训练集和测试集，构建基于神经网络的复杂工况下的氢燃料消耗量预测模型：

Y＝F(X_slope，X_TPI，X_V，X_a，X_passenger，X_temp，X_wind，X_soc，X_speed，X_rorque)

将真实氢燃料消耗量和预测值的均方根误差定义为评估预测模型性能的指标，车辆在真实运行过程中实时更新采样数据，依据预测的偏差对预测模型进行增量学习与偏差修正，实现滚动优化和反馈校正；

S2.3、判断车辆何时进入加氢准备，定义可续航班次的累计氢燃料消耗量为Y′＝∑_i∈ΨY_i，Ψ表示剩余可续航班次，设车辆B实时氢气剩余量为E_B，车辆前往加氢站路途的最大氢燃料消耗量为h₀，则基于所述预测模型求解下式计算剩余氢燃料可续航班次：

arg min(E_B-∑_i∈ΨY_i-h₀)s.t.(E_B-∑_i∈ΨY_i-h₀)＞0

基于得到的剩余氢燃料可续航班次确定最佳加氢时段，并将该时段的加氢决策变量A_B置1；

S2.4、定义LINE为运营公司各线路集合，加氢路途耗时T₁，加氢等候时长T₂，加氢时长T₃，O为加氢站集合，O＝[1，2，...，o]，集合元素为加氢站数量；E₀为车辆集合B最大储量；μ为不考虑加氢环境、车辆型号的前提下的平均加氢速率；T_OS表示的是加氢站O到线路终点站S的平均行驶时间；M为氢气加注机器数量，

为加氢站O服务强度，λ_O为单位时间到达加氢站O车辆数；T_rest是司机在站点最小休息时长；Q_O为加氢站O实时最大氢气储量；加氢站最大空间容纳量N_O；

计算车辆加氢的时间成本f₃，该目标分量满足以下关系：

车辆往返加氢站途中的氢燃料消耗f₄，满足以下关系：

式中，L_OS是加氢站O到线路终点站S的行车距离，e表示单位里程能耗；

S2.5、以加氢时间成本与往返加氢站途中的氢燃料消耗最小为目标建立多目标优化模型：

6.如权利要求5所述的方法，其特征在于：步骤S3具体包括：

S3.1、定义多目标遗传算法的基本要素：

以二进制编码和实数编码构造解向量作为个体X；由n个个体组成种群P，P＝[X₁，X₂，...，X_n]；Y作为适应度函数值，表示前述多个目标；并定义以下算子：

选择算子：根据适应值Y把个体按比例进行淘汰，从而提高群体的适应值，

交叉算子：种群中随机选择两个个体，交换染色体部分编码，产生两个新的子代个体，

变异算子：以一定概率随机改变染色体上的某个基因来增加群体的多样性；

S3.2、通过非支配排序方式计算下一代种群：

初始化种群P，并计算适应度函数值Y，根据非支配判定准则得到非支配序i_rank，准则描述如下：

对于最小化优化的两个目标分量，均有f₁(X_a)≤f₁(X_b)且f₂(X_a)≤f₂(X_b)；至少存在一个目标分量满足，f₁(X_a)＜f₁(X_b)或f₂(X_a)＜f₂(X_b)，则可定义X_a为X_b的非支配解，

计算同一支配层中的拥挤度系数i_d，对于每一级非支配解层，根据个体的目标值大小进行升序，对于每个个体，计算最近邻居作为顶点的长方体周长作为拥挤度系数，

m为目标函数数量；i_d表示i点的拥挤度，f_j ⁱ⁺¹、f_j ^i-1分别表示i+1点以及i-1点的第j个目标函数值；边界个体的拥挤度系数被指定为无穷大值，即O_d＝I_d＝∞；

将父代种群P_t，经过选择、交叉、变异操作，得到子代种群，分别描述如下：

选择操作：采用锦标策略，即一定概率选择同一非支配层中最佳2个个体，否则随机从同一支配层中选择任意2个个体；

交叉操作：将选择操作得到的父代2个个体编码串随机设置一个交叉点，然后再该点相互交换两个配对个体的部分染色体，不同决策变量的编码之间不可以交叉；

变异操作：根据交叉操作得到的个体，观察编码类型，对于二进制编码，以一定概率对编码串进行翻转；对于实数编码，以一定的概率进行高斯扰动，最终得到Q_t；

S3.3、利用精英策略计算下一代方案解：

首先将P_t与Q_t合并，分别计算合并后的非支配关系和拥挤度系数，将非支配排序后的第一非支配层的解放入新的种群P_t+1，若解的数量少于n，则继续将第二非支配层的解存放到P_t+1，依次类推直到P_t+1的数量为n，若出现存放过程当中数量超过n，则比较该非支配层解的拥挤度系数，只保留更大拥挤度系数的个体。

7.如权利要求6所述的方法，其特征在于：步骤S4具体包括：

考虑车辆故障情况的调度更新，区别以下两种情况分别实施不同的调整：

情况一、有备用车或者故障车辆维修后可恢复剩余排班：仅调整故障车辆出发时刻所在时段的剩余发车间隔，若故障车辆处在所在时段最后一辆，则发车时刻从下一时段开始调整，调整的车辆包括整个时段所有车辆，计算调整后的发车间隔为：

式中，X_T为故障车辆所在时段的发车间隔，u为所在时段剩余未发车数量；

考虑车辆故障情况的调度更新：

情况二、无备用车：找到车辆剩余所有发车时刻T＝[T_jk，T_j(k+1)，...，T_jn]，按下述晚点情况调整时刻所在时段的发车间隔，重新迭代算法得到新的排班计划；

考虑车辆晚点情况的调度更新，具体执行以下步骤：

首先，根据预估车辆晚点时间判断具有调整需求时，重新对相邻发车顺序进行调整，发车次序变化为k-1，k+1，k+2，...，k+m，k，数学模型为：

minm

式中，m为需要调整的车辆数量；

调整基于以下约束：

约束1：后续发车的车辆在站点停留时间满足最少休息时间，数学描述为：

T_i-1-T_i≤T_rest，i∈[k+1，k+2，...，k+m]

式中，T_i-1是车辆到达站点时刻，T_i是计划提前一班次发车时刻，T_rest是司机在站点最小休息时长；

约束2：若更换发车顺序的车辆需要加氢，则停止调整该车，顺延下一辆。

Images