CN113379289A - 一种基于机会约束规划的电动公交车辆空调使用规划方法 - Google Patents
一种基于机会约束规划的电动公交车辆空调使用规划方法 Download PDFInfo
- Publication number
- CN113379289A CN113379289A CN202110714341.5A CN202110714341A CN113379289A CN 113379289 A CN113379289 A CN 113379289A CN 202110714341 A CN202110714341 A CN 202110714341A CN 113379289 A CN113379289 A CN 113379289A
- Authority
- CN
- China
- Prior art keywords
- shift
- air conditioner
- temperature
- formula
- planning
- 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 75
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000005265 energy consumption Methods 0.000 claims abstract description 16
- 238000004378 air conditioning Methods 0.000 claims description 21
- 210000000349 chromosome Anatomy 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 13
- 238000010438 heat treatment Methods 0.000 claims description 12
- 238000001816 cooling Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 8
- 230000017525 heat dissipation Effects 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000004060 metabolic process Effects 0.000 claims description 3
- 238000009401 outcrossing Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000005057 refrigeration Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 2
- 238000007726 management method Methods 0.000 abstract description 2
- 208000019901 Anxiety disease Diseases 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000002948 stochastic simulation Methods 0.000 description 2
- 241000052343 Dares Species 0.000 description 1
- 208000001034 Frostbite Diseases 0.000 description 1
- 206010019345 Heat stroke Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- OYFJQPXVCSSHAI-QFPUQLAESA-N enalapril maleate Chemical compound OC(=O)\C=C/C(O)=O.C([C@@H](C(=O)OCC)N[C@@H](C)C(=O)N1[C@@H](CCC1)C(O)=O)CC1=CC=CC=C1 OYFJQPXVCSSHAI-QFPUQLAESA-N 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012545 processing 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
- G06Q10/06—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Air Conditioning Control Device (AREA)
- Air-Conditioning For Vehicles (AREA)
Abstract
一种基于机会约束规划的电动公交车辆空调使用规划方法,本发明涉及基于机会约束规划的电动公交车辆空调使用规划方法。本发明的目的是为了解决现有电动公交车辆空调使用规划方法准确率低,导致空调开启不及时,致使电量剩余没有满足乘客出行舒适性,以及空调过度开启,致使电量耗尽而无法满足正常运营的问题。过程为:步骤一:定义参数;步骤二:基于步骤一估计车厢温度;步骤三:基于步骤二对乘客热舒适性进行量化;步骤四:估计运行能耗;步骤五:基于步骤三和步骤四建立优化模型;步骤六:根据步骤五的优化模型,建立机会约束规划模型;步骤七:设计机会约束规划模型的求解算法,优选最佳空调使用方案。本发明用于城市交通管理技术领域。
Description
技术领域
本发明属于城市交通管理技术领域,具体涉及基于机会约束规划的电动公交车辆空调使用规划方法。
背景技术
电动公交车是指以车载蓄电池或电缆等供电设备,提供电能驱动行驶的公交车。与传统燃油公交车相比,电动公交车辆具有噪音小、行驶稳定性高、零排放等优势,能够显著减少城市汽车污染物排放、降低公交企业运营成本与驾驶员负荷,对于我国实现2030年之前“碳达峰”、2060年之前“碳中和”的目标具有重要意义。
受车载电池技术的影响,电动公交车的续驶里程较短,而且受土地、资金的约束,一些公交线路的首末站未建设充电设施,公交车只能在当天运营结束后返回公交场站才能充电,这种现象在发展中国家非常普遍。空调系统是电动公交车的重要辅助部件,其消耗的电量占电动公交车总耗电量的比例最高可达30%,在这种情况下公交车驾驶员普遍存在不同程度的“续驶里程焦虑”,担心长时间开启空调会加速电量消耗,进而导致公交车由于电量耗尽而无法正常运营。即使当天运营结束时,荷电状态(SOC)较高(如40%)的情况下,公交车驾驶员也不敢开启空调、或者仅在当天最后几个运营班次开启空调,极大地降低了乘客的出行舒适性、限制了公交系统服务水平的提升。
发明内容
本发明的目的是为了解决现有电动公交车辆空调使用规划方法准确率低,导致空调开启不及时,致使电量剩余没有满足乘客出行舒适性,以及空调过度开启,致使电量耗尽而无法满足正常运营的问题,而提出一种基于机会约束规划的电动公交车辆空调使用规划方法。
一种基于机会约束规划的电动公交车辆空调使用规划方法具体过程为:
步骤一:定义参数;
步骤二:基于步骤一估计车厢温度;
步骤三:基于步骤二对乘客热舒适性进行量化;
步骤四:估计运行能耗;
步骤五:基于步骤三和步骤四建立优化模型;
步骤六:根据步骤五的优化模型,建立机会约束规划模型;
步骤七:设计机会约束规划模型的求解算法,优选最佳空调使用方案。
优选地,所述步骤一中定义参数;具体过程为:
将电动公交车在单程线路上从始发站运行至终点站定义为一个班次;一辆电动公交车每天需要运营N个班次;
公交车从场站行驶至班次1的始发站,将该行程定义为班次0;
班次n总持续时间为hn,包括两个阶段:
(1)阶段1:电动公交车从始发站运行至终点站;
(2)阶段2:电动公交车在终点站停车等待;
班次n总持续时间hn单位为min;
对于班次0,电动公交车首先从场站运行至班次1的始发站,之后停车等待,直至班次1的开始发车;定义:在班次0阶段1,电动公交车从场站运行至班次1的始发站;在班次0阶段2,电动公交车在班次1的始发站停车等待;
对于班次N,在阶段1电动公交车运营结束后从终点站直接返回场站,即第1阶段时间长度为电动公交车从始发站运行至终点站再返回场站的总时间,该班次无阶段2;
优选地,所述步骤二中基于步骤一估计车厢温度;具体过程为:
在考虑空调制冷/制热量的情况下,车厢温度计算如公式(1):
式中:K是传热系数,单位为kW/(m2·℃),F是面积,单位为m2;∑KiFi表示车厢不同部位所有材料的传热系数与其表面积乘积之和;ρ是空气密度,单位为kg/m3;V是空气体积,单位为m3;C是空气比热容,单位为kJ/(kg·℃);Qdriver表示驾驶员散热;Qpassenger表示平均每位成年人的散热;n'是集群系数;在班次n阶段u,为在班次n阶段u的总乘客数,单位为人,表示第j个乘客在车厢中的时间与的比值;是待定的常数。
在班次0初始时刻,车厢温度等于环境温度;
每个阶段开始时刻的温度等于上一阶段结束时刻的温度,如式(3)-(4)所示:
当n=0,u=1时,根据公式(1)、(2)计算出进而得到表达式;根据公式(1)计算出班次0阶段1结束时刻的车厢温度然后根据公式(3),得到代入公式(1)可以计算得到以此类推,将计算出的代入式(3),求出将代入式(4),求出直至求出所有待定的常数。
优选地,所述步骤三中基于步骤二对乘客热舒适性进行量化;具体过程为:
使用预测平均评价指标PMV评价乘客的热舒适性,PMV计算方法如式(5):
PMV=(0.303e(-0.036M)+0.028){(M-W)-3.05×10-3×[5733-6.99(M-W)-Pa]-0.42×[(M-W)-58.15]-1.73×10-5M(5876-Pa)-0.0014M(34-ta)-3.96×10-8fcl[(tcl+273)4-(tr+273)4]-fclhc(tcl-ta)} (5)
式中:M表示人体的新陈代谢率,单位为W/m2;W表示人体对外做功率,单位为W/m2;Pa表示人体周围水蒸气分压力,单位为Pa;ta表示人体周围温度,即车厢温度单位为℃;fcl指人体着装的面积系数;hc为对流换热系数,单位为W/(m2·℃);tcl为人体服装外表面温度,单位为℃;tr为人体所处房间的平均辐射温度,单位为℃;
优选地,所述人体周围水蒸气分压力Pa、人体着装的面积系数fcl、对流换热系数hc、人体服装外表面温度tcl的表达式为:
tcl=35.7-0.028(M-W)-Icl{3.96×10-8fcl[(tcl+273)4-(tr+273)4]+fclhc(tcl-ta)}(9)
优选地,所述步骤四中估计运行能耗;具体过程为:
式中:EA表示电池额定容量,单位为kWh;
采用迭代重加权最小二乘法,拟合阶段1、2的能耗与发车时刻SOC、班次的环境温度、空调功率的非线性函数,如式(11)和式(12)所示:
班次N结束时刻的SOC受驶离场站时的SOC和一天之内的总能耗影响,见式(13):
优选地,所述步骤五中基于步骤三和步骤四建立优化模型;具体过程为:
构建优化模型如式(14)、(15)所示:
式中:f(x)是目标函数;
优选地,所述步骤六中根据步骤五的优化模型,建立机会约束规划模型;具体过程为:
建立基于Minimax形式的机会约束规划模型,如式(17)和式(18)所示:
式中:α、β为决策者预先给定的置信水平;分别表示事件成立的概率测度;对于一个决策向量x,f(x)相应服从一种概率分布,而f则是满足的所有可能取值;为目标函数f(x)的α悲观值,是满足条件的的最大值;表示通过调整空调使用方案x来极小化
优选地,所述步骤七中设计机会约束规划模型的求解算法,优选最佳空调使用方案;具体过程为:
7.1.随机模拟:
求解步骤如下:
7.1.1.输入已知的空调使用方案x;
7.1.2.设置随机模拟次数为Num;
7.1.3.式(18)中的α为已知值,α·Num可能为整数也可能为小数,令Num_int为α·Num的整数部分;Count是用于记数的变量,其初始值为0,即Count=0;
7.1.7.重复步骤7.1.4-7.1.6一共Num次;
7.1.8.将集合S按照从大到小的顺序排列;
7.2.遗传算法:
7.2.1.设置遗传算法参数:
种群大小为100,交叉率为0.7,变异率为0.01;
终止条件1:达到最大迭代次数100;
终止条件2:超过连续60代最优染色体适应度值减少量小于或等于1×10-6;
7.2.2.种群初始化:
每个染色体x表示可能的解;
计算第i个染色体的适应度值fi,并找出这一代中适应度值最小的染色体;
7.2.4.按照设定的交叉率、变异率对7.2.3产生的100个染色体进行交叉、变异操作,未进行交叉或变异的个体被保留,直至产生100个子代个体作为新一代种群;
7.2.5.判断是否满足终止条件1或终止条件2;
若不满足任何一个终止条件,则继续重复步骤7.2.3、7.2.4、7.2.5;
若至少满足两个终止条件之一,则转向步骤7.2.6;
7.2.6.历代适应度值最小的染色体作为最优解。
本发明的有益效果为:
本发明能够自适应地根据当天的天气信息估计出车厢温度、量化乘客热舒适性,最终给出合理的空调使用方案。该方案考虑了运行能耗的随机波动,能够在满足公交车日常运营任务的条件下,充分利用运营所需电量之外的剩余电池电量。无论低温还是高温气候条件下,本发明所给出的空调使用方案都可以有效提高乘客热舒适性,并最终增加公交系统吸引力,提升公交系统服务水平;解决现有电动公交车辆空调使用规划方法准确率低,导致空调开启不及时,致使电量剩余没有满足乘客出行舒适性,以及空调过度开启,致使电量耗尽而无法满足正常运营的问题。
附图说明
图1为本发明流程图。
具体实施方式
具体实施方式一:本实施方式一种基于机会约束规划的电动公交车辆空调使用规划方法具体过程为:
步骤一:定义模型参数;
步骤二:基于步骤一估计车厢温度;
步骤三:基于步骤二对乘客热舒适性进行量化;
步骤四:估计运行能耗;
步骤五:基于步骤三和步骤四建立优化模型;
步骤六:根据步骤五的优化模型,建立机会约束规划模型;
步骤七:设计机会约束规划模型的求解算法,优选最佳空调使用方案。
具体实施方式二:本实施方式与具体实施方式一不同的是,所述步骤一中定义模型参数;具体过程为:
将电动公交车在单程线路上从始发站运行至终点站定义为一个班次;根据公交线路的车辆调度计划,一辆电动公交车每天需要运营N个班次;
由于公交车从场站行驶至班次1的始发站需要消耗一定的电量,所以将该行程定义为班次0;
班次n(1≤n≤N-1)总持续时间为hn,包括两个阶段:
(1)阶段1:电动公交车从始发站运行至终点站;
(2)阶段2:电动公交车在终点站停车等待;
班次n总持续时间hn单位为min;
对于班次0,电动公交车首先从场站运行至班次1的始发站,之后停车等待,直至班次1的开始发车;因此做出如下定义:在班次0阶段1,电动公交车从场站运行至班次1的始发站;在班次0阶段2,电动公交车在班次1的始发站停车等待;
对于班次N,在阶段1电动公交车运营结束后从终点站直接返回场站,即第1阶段时间长度为电动公交车从始发站运行至终点站再返回场站的总时间,该班次无阶段2;
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是,所述步骤二中基于步骤一估计车厢温度;具体过程为:
空调的使用首先改变车厢温度,进而改变乘客热舒适性。因此,准确描述车厢温度变化是建立优化目标函数的前提。车厢温度由车厢内总热负荷决定。在考虑空调制冷/制热量的情况下,车厢温度计算如公式(1):
式中:K是传热系数,单位为kW/(m2·℃),F是面积,单位为m2;车顶、车身、车窗、挡风玻璃等不同部位的材料与面积不同,∑KiFi表示车厢不同部位所有材料的传热系数与其表面积乘积之和;ρ是空气密度,单位为kg/m3;V是空气体积,单位为m3;C是空气比热容,单位为kJ/(kg·℃);Qdriver表示驾驶员散热,取0.145kW;Qpassenger表示平均每位成年人的散热,取0.116kW;n'是集群系数,取0.89;在班次n阶段u,为在班次n阶段u的总乘客数,单位为人,表示第j个乘客在车厢中的时间与的比值;例如乘客j在班次n阶段u开始时刻上车、结束时刻下车,则在该阶段是待定的常数。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是,所述ln u确定方法如下:
在班次0初始时刻,电动公交车在场站停放一夜,此时车厢温度等于环境温度;
同样地,受乘客散热、空调开关与否影响,车厢内温度会发生变化,但每个阶段开始时刻的温度依然等于上一阶段结束时刻的温度,如式(3)-(4)所示:
式(2)-(4)共2N+1个等式,而未知数的个数同样为2N+1,因此可以计算出所有的的确定是计算的关键。当n=0,u=1时,根据公式(1)、(2)可以计算出进而得到表达式;根据公式(1)计算出班次0阶段1结束时刻的车厢温度然后根据阶段2开始时刻车厢温度等于阶段1结束时刻车厢温度的原则,即公式(3),得到代入公式(1)可以计算得到以此类推,将计算出的代入式(3),求出将代入式(4),求出直至求出所有待定的常数
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是,所述步骤三中基于步骤二对乘客热舒适性进行量化;具体过程为:
使用预测平均评价指标PMV评价乘客的热舒适性,PMV计算方法如式(5):
PMV=(0.303e(-0.036M)+0.028){(M-W)-3.05×10-3×[5733-6.99(M-W)-Pa]
-0.42×[(M-W)-58.15]-1.73×10-5M(5876-Pa)-0.0014M(34-ta) (5)
-3.96×10-8fcl[(tcl+273)4-(tr+273)4]-fclhc(tcl-ta)}
式中:M表示人体的新陈代谢率,单位为W/m2;W表示人体对外做功率,单位为W/m2;Pa表示人体周围水蒸气分压力,单位为Pa;ta表示人体周围温度,即车厢温度单位为℃;fcl指人体着装的面积系数;hc为对流换热系数,单位为W/(m2·℃);tcl为人体服装外表面温度,单位为℃;tr为人体所处房间的平均辐射温度,单位为℃;
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是,所述人体周围水蒸气分压力Pa、人体着装的面积系数fcl、对流换热系数hc、人体服装外表面温度tcl的表达式为:
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是,所述步骤四中估计运行能耗;具体过程为:
式中:EA表示电池额定容量,单位为kWh;
电动公交车在运营过程中的能量消耗受多种因素影响。采用迭代重加权最小二乘法,拟合阶段1、2的能耗与发车时刻SOC、班次的环境温度、空调功率的非线性函数,如式(11)和式(12)所示:
班次N结束时刻的SOC受驶离场站时的SOC和一天之内的总能耗影响,见式(13):
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八:本实施方式与具体实施方式一至七之一不同的是,所述步骤五中基于步骤三和步骤四建立优化模型;具体过程为:
当PMV较高或较低时,乘客热舒适性较低;PMV接近0时,乘客热舒适性较高。由于人体承受能力有限,在极端高温条件下,乘客可能出现中暑等现象;在极端低温条件下,乘客会出现感冒、冻伤等现象。因此,在电池剩余电量能够满足公交车全天各班次正常运行的情况下,尽量为热舒适性较低的班次开启空调,尤其是满足热舒适性极低(如外界气温特别高或者特别低)的班次的空调开启需求。基于上述考虑,构建优化模型如式(14)、(15)所示:
式中:f(x)是目标函数;它的值恒大于0;一天之中所有时刻的PMV越趋近于0,则f(x)越小。因此当f(x)最小时,全天各个班次的乘客热舒适性最高。采用指数形式构建目标函数主要是因为随着|PMV|的增加,f(x)将快速增加;而随着|PMV|的减小,f(x)将迅速减小。为了使f(x)达到最小,将尽量避免|PMV|取较大的值,即尽量为热舒适性极低的班次开启空调,以降低|PMV|。
约束条件如式(15),λ为临界阈值,单位为%;表示在空调使用方案为x时,班次N阶段1结束时刻(一天运营结束时刻)的SOC大于或等于λ;A为空调档位集合,正数表示制热档位,负数表示制冷档位,0表示关闭空调。
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九:本实施方式与具体实施方式一至八之一不同的是,所述步骤六中根据步骤五的优化模型,建立机会约束规划模型;具体过程为:
由于不能计算出f(x)的确定值,导致难以判断约束是否成立。同时,在f(x)存在随机波动的情况下,如何调整空调决策才能够极小化f(x)也成为一个难题。这类问题一般采用机会约束规划模型解决,允许做出的空调使用决策在一定程度上不满足但是该方案应使得成立的概率不小于某一个置信水平。此外,目标函数本质为成本类函数,即目标函数越小,优化效果越好。对于成本类函数,决策者一般进行极小化处理,本发明的优化方案致力于极小化目标函数在某置信水平下的悲观值,因此建立基于Minimax形式的机会约束规划模型,如式(17)和式(18)所示:
式中:α、β为决策者预先给定的置信水平;分别表示事件成立的概率测度;对于一个决策向量x(即空调使用方案),f(x)相应服从一种概率分布,而则是满足的所有可能取值;为目标函数f(x)的α悲观值,是满足条件的的最大值;表示通过调整空调使用方案x来极小化
中随机变量的个数和波动范围越小,则的波动范围越小。而我们在每天第一个班次开始之前优化当天的空调使用方案,所以T、ε为未知量,只有精确确定T、ε中随机变量的所属分布时,所建立的优化模型的可靠性才能更高。
其它步骤及参数与具体实施方式一至八之一相同。
具体实施方式十:本实施方式与具体实施方式一至九之一不同的是,所述步骤七中设计机会约束规划模型的求解算法,优选最佳空调使用方案;具体过程为:
传统的处理机会约束规划的方法是把机会约束规划转化为它们各自的等价形式。例如:对于服从标准正态分布的两个相互独立的随机变量ξ1,ξ2,决策变量ya和yb,常数tq和pb,有约束Pr(ξ1ya+ξ2yb≥tq)≥pb,则该约束可以等价转化为约束Pr(y≥tq)≥pb,其中y~N(0,ya 2+yb 2)。这时便可以根据y的概率密度,解出满足约束的ya和yb。
模型中包含随机变量的行程时间向量残差向量分别服从不同的分布,且目标函数与约束条件计算复杂,难以转换成等价形式。此外,的组合方式较多,x维度为2N+1,不容易直接通过计算得到满足约束的最优解。对于以上问题,运用随机模拟及遗传算法来求解所提出的机会约束规划模型,以获得最优解。
7.1.随机模拟:
首先应用随机模拟技术产生向量T和ε,之后将这些数据用于计算约束中所需的概率测度,并得到所需要的目标函数的α悲观值。
7.1.1.输入已知的空调使用方案x;
7.1.2.设置随机模拟次数为Num;
7.1.3.式(18)中的α为已知值,α·Num可能为整数也可能为小数,令Num_int为α·Num的整数部分;Count是用于记数的变量,其初始值为0,即Count=0;
7.1.7.重复步骤7.1.4-7.1.6一共Num次;
7.1.8.将集合S按照从大到小的顺序排列;
7.2.遗传算法:
7.2.1.设置遗传算法参数:
种群大小为100,交叉率为0.7,变异率为0.01,终止条件1:达到最大迭代次数100;终止条件2:超过连续60代最优染色体适应度值减少量小于或等于1×10-6;
7.2.2.种群初始化:
计算第i个染色体的适应度值fi,并找出这一代中适应度值最小的染色体;
7.2.4.按照设定的交叉率、变异率对7.2.3产生的100个染色体进行交叉、变异操作,未进行交叉或变异的个体被保留,直至产生100个子代个体作为新一代种群;
7.2.5.判断是否满足终止条件1或终止条件2;若不满足任何一个终止条件,则继续重复步骤7.2.3、7.2.4、7.2.5;若至少满足两个终止条件之一,则转向步骤7.2.6;
7.2.6.历代适应度值最小的染色体作为最优解。
综上所述,本发明提出一种基于机会约束规划的电动公交车辆空调使用规划方法,解决了公交车驾驶员由于“续驶里程焦虑”而不敢开启空调,进而导致高温或低温条件下乘客热舒适性较低的问题。其实现步骤为:定义模型参数;车厢温度估计;乘客热舒适性量化;运行能耗估计;优化模型建立;根据优化模型,进一步建立机会约束规划模型;设计模型求解算法,优选最佳空调使用方案。本发明所给出的空调使用方案能够有效利用剩余电量,提高乘客热舒适性。
其它步骤及参数与具体实施方式一至九之一相同。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种基于机会约束规划的电动公交车辆空调使用规划方法,其特征在于:所述方法具体过程为:
步骤一:定义参数;
步骤二:基于步骤一估计车厢温度;
步骤三:基于步骤二对乘客热舒适性进行量化;
步骤四:估计运行能耗;
步骤五:基于步骤三和步骤四建立优化模型;
步骤六:根据步骤五的优化模型,建立机会约束规划模型;
步骤七:设计机会约束规划模型的求解算法,优选最佳空调使用方案。
2.根据权利要求1所述一种基于机会约束规划的电动公交车辆空调使用规划方法,其特征在于:所述步骤一中定义参数;具体过程为:
将电动公交车在单程线路上从始发站运行至终点站定义为一个班次;一辆电动公交车每天需要运营N个班次;
公交车从场站行驶至班次1的始发站,将该行程定义为班次0;
班次n总持续时间为hn,包括两个阶段:
(1)阶段1:电动公交车从始发站运行至终点站;
(2)阶段2:电动公交车在终点站停车等待;
班次n总持续时间hn单位为min;
对于班次0,电动公交车首先从场站运行至班次1的始发站,之后停车等待,直至班次1的开始发车;定义:在班次0阶段1,电动公交车从场站运行至班次1的始发站;在班次0阶段2,电动公交车在班次1的始发站停车等待;
对于班次N,在阶段1电动公交车运营结束后从终点站直接返回场站,即第1阶段时间长度为电动公交车从始发站运行至终点站再返回场站的总时间,该班次无阶段2;
3.根据权利要求2所述一种基于机会约束规划的电动公交车辆空调使用规划方法,其特征在于:所述步骤二中基于步骤一估计车厢温度;具体过程为:
在考虑空调制冷/制热量的情况下,车厢温度计算如公式(1):
在班次0初始时刻,车厢温度等于环境温度;
每个阶段开始时刻的温度等于上一阶段结束时刻的温度,如式(3)-(4)所示:
5.根据权利要求4所述一种基于机会约束规划的电动公交车辆空调使用规划方法,其特征在于:所述步骤三中基于步骤二对乘客热舒适性进行量化;具体过程为:
使用预测平均评价指标PMV评价乘客的热舒适性,PMV计算方法如式(5):
式中:M表示人体的新陈代谢率,单位为W/m2;W表示人体对外做功率,单位为W/m2;Pa表示人体周围水蒸气分压力,单位为Pa;ta表示人体周围温度,即车厢温度单位为℃;fcl指人体着装的面积系数;hc为对流换热系数,单位为W/(m2·℃);tcl为人体服装外表面温度,单位为℃;tr为人体所处房间的平均辐射温度,单位为℃;
10.根据权利要求9所述一种基于机会约束规划的电动公交车辆空调使用规划方法,其特征在于:所述步骤七中设计机会约束规划模型的求解算法,优选最佳空调使用方案;具体过程为:
7.1.随机模拟:
求解步骤如下:
7.1.1.输入已知的空调使用方案x;
7.1.2.设置随机模拟次数为Num;
7.1.3.式(18)中的α为已知值,α·Num可能为整数也可能为小数,令Num_int为α·Num的整数部分;Count是用于记数的变量,其初始值为0,即Count=0;
7.1.7.重复步骤7.1.4-7.1.6一共Num次;
7.1.8.将集合S按照从大到小的顺序排列;
7.2.遗传算法:
7.2.1.设置遗传算法参数:
种群大小为100,交叉率为0.7,变异率为0.01;
终止条件1:达到最大迭代次数100;
终止条件2:超过连续60代最优染色体适应度值减少量小于或等于1×10-6;
7.2.2.种群初始化:
每个染色体x表示可能的解;
计算第i个染色体的适应度值fi,并找出这一代中适应度值最小的染色体;
7.2.4.按照设定的交叉率、变异率对7.2.3产生的100个染色体进行交叉、变异操作,未进行交叉或变异的个体被保留,直至产生100个子代个体作为新一代种群;
7.2.5.判断是否满足终止条件1或终止条件2;
若不满足任何一个终止条件,则继续重复步骤7.2.3、7.2.4、7.2.5;
若至少满足两个终止条件之一,则转向步骤7.2.6;
7.2.6.历代适应度值最小的染色体作为最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110714341.5A CN113379289B (zh) | 2021-06-25 | 2021-06-25 | 一种基于机会约束规划的电动公交车辆空调使用规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110714341.5A CN113379289B (zh) | 2021-06-25 | 2021-06-25 | 一种基于机会约束规划的电动公交车辆空调使用规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379289A true CN113379289A (zh) | 2021-09-10 |
CN113379289B CN113379289B (zh) | 2022-10-25 |
Family
ID=77579268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110714341.5A Active CN113379289B (zh) | 2021-06-25 | 2021-06-25 | 一种基于机会约束规划的电动公交车辆空调使用规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379289B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103840457A (zh) * | 2014-03-20 | 2014-06-04 | 上海电力学院 | 考虑电动汽车充放电影响的配电网内dg优化配置方法 |
CN104331743A (zh) * | 2014-10-11 | 2015-02-04 | 清华大学 | 一种基于多目标优化的电动车辆出行规划方法 |
CN106774131A (zh) * | 2017-01-05 | 2017-05-31 | 河南机电职业学院 | 一种城市轨道交通能耗测量控制系统及评价方法 |
CN110046824A (zh) * | 2019-04-22 | 2019-07-23 | 吉林大学 | 一种城市公共交通线路的运营时段划分方法 |
CN111460633A (zh) * | 2020-03-19 | 2020-07-28 | 南京理工大学 | 一种基于多目标粒子群算法的列车节能运行方法 |
CN111597723A (zh) * | 2020-05-20 | 2020-08-28 | 重庆大学 | 基于改进的智能模型预测控制的电动汽车空调系统智能控制方法 |
CN112562377A (zh) * | 2020-12-01 | 2021-03-26 | 厦门大学 | 一种基于随机机会约束的客运车辆实时调度方法 |
US20210102722A1 (en) * | 2019-10-04 | 2021-04-08 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Personalized Thermal Comfort Control |
CN112734041A (zh) * | 2021-01-06 | 2021-04-30 | 国网江苏省电力有限公司苏州供电分公司 | 考虑随机充电负荷的电动汽车充电网络机会约束规划方法 |
-
2021
- 2021-06-25 CN CN202110714341.5A patent/CN113379289B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103840457A (zh) * | 2014-03-20 | 2014-06-04 | 上海电力学院 | 考虑电动汽车充放电影响的配电网内dg优化配置方法 |
CN104331743A (zh) * | 2014-10-11 | 2015-02-04 | 清华大学 | 一种基于多目标优化的电动车辆出行规划方法 |
CN106774131A (zh) * | 2017-01-05 | 2017-05-31 | 河南机电职业学院 | 一种城市轨道交通能耗测量控制系统及评价方法 |
CN110046824A (zh) * | 2019-04-22 | 2019-07-23 | 吉林大学 | 一种城市公共交通线路的运营时段划分方法 |
US20210102722A1 (en) * | 2019-10-04 | 2021-04-08 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Personalized Thermal Comfort Control |
CN111460633A (zh) * | 2020-03-19 | 2020-07-28 | 南京理工大学 | 一种基于多目标粒子群算法的列车节能运行方法 |
CN111597723A (zh) * | 2020-05-20 | 2020-08-28 | 重庆大学 | 基于改进的智能模型预测控制的电动汽车空调系统智能控制方法 |
CN112562377A (zh) * | 2020-12-01 | 2021-03-26 | 厦门大学 | 一种基于随机机会约束的客运车辆实时调度方法 |
CN112734041A (zh) * | 2021-01-06 | 2021-04-30 | 国网江苏省电力有限公司苏州供电分公司 | 考虑随机充电负荷的电动汽车充电网络机会约束规划方法 |
Non-Patent Citations (7)
Title |
---|
A. LAHLOU等: "A Dynamic Programming Approach for Thermal Comfort Control in Electric Vehicles", 《2018 IEEE VEHICLE POWER AND PROPULSION CONFERENCE (VPPC)》 * |
HU ZHENHUA等: "A novel preparation method for silicone oil nanoemulsions and its application for coating hair with silicone", 《INTERNATIONAL JOURNAL OF NANOMEDICINE》 * |
XIAOGUANGUO等: "Analysis and Optimization of a Hybrid Electric Bus"s starting co", 《THE 8TH INTERNATIONAL CONFERENCE ON APPLIED ENERGY ICAE2016》 * |
朱涛: "基于Dymola的电动车热管理系统模块化建模与集成仿真", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
许鹏: "极端条件下高速列车车内热环境分析", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技》 * |
郎晓玥: "基于模型的电动客车空调控制系统设计", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
鞠升宇: "汽车空调节能与热舒适性综合控制研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113379289B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Predictive air-conditioner control for electric buses with passenger amount variation forecast☆ | |
CN109599856B (zh) | 一种微网多楼宇中电动汽车充放电管理优化方法及装置 | |
CN105868942B (zh) | 电动汽车的有序充电调度方法 | |
CN109815523B (zh) | 基于分解的列车运行多目标差分进化算法 | |
El-Taweel et al. | Novel electric bus energy consumption model based on probabilistic synthetic speed profile integrated with HVAC | |
CN110728396A (zh) | 一种考虑时空分布的电动汽车充电负荷综合建模方法 | |
CN113071506B (zh) | 考虑座舱温度的燃料电池汽车能耗优化系统 | |
CN112633598A (zh) | 城市轨道交通列车速度曲线与时刻表综合节能优化方法 | |
He et al. | Stochastic model predictive control of air conditioning system for electric vehicles: Sensitivity study, comparison, and improvement | |
CN111460633A (zh) | 一种基于多目标粒子群算法的列车节能运行方法 | |
CN111391692B (zh) | 基于车舱温度全过程差异化控制的电动汽车集群有序充放电调度系统及其方法 | |
Bie et al. | HVAC operation planning for electric bus trips based on chance-constrained programming | |
CN113255968B (zh) | 基于设备和行为信息的商业办公楼精细化负荷预测方法 | |
CN115774929A (zh) | 一种考虑节能和电池寿命的电动汽车热管理控制系统及方法 | |
Ahmad et al. | Real-time load scheduling and storage management for solar powered network connected EVs | |
CN113222227A (zh) | 基于建筑特性和虚拟电厂的建筑综合能源系统调度方法 | |
CN107231001B (zh) | 一种基于改进灰色预测的楼宇微网在线能量管理方法 | |
Lahlou et al. | A dynamic programming approach for thermal comfort control in electric vehicles | |
Ramsey et al. | Flexible simulation of an electric vehicle to estimate the impact of thermal comfort on the energy consumption | |
Yan et al. | Co-optimization for fuel cell buses integrated with power system and air conditioning via multi-dimensional prediction of driving conditions | |
CN113379289B (zh) | 一种基于机会约束规划的电动公交车辆空调使用规划方法 | |
Udeogu et al. | Improved deep learning-based energy management strategy for battery-supercapacitor hybrid electric vehicle with adaptive velocity prediction | |
CN114819345B (zh) | 基于车-路-站-网融合的电动汽车充电负荷时空分布预测方法 | |
CN110570098A (zh) | 考虑换电需求与光伏不确定性电动汽车充换电站控制方法 | |
CN114285033A (zh) | 考虑电动汽车充电负荷不确定性的建筑能源优化调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |