CN113420382B - 基于大数据的制氢运氢和加氢调度系统 - Google Patents
基于大数据的制氢运氢和加氢调度系统 Download PDFInfo
- Publication number
- CN113420382B CN113420382B CN202110764072.3A CN202110764072A CN113420382B CN 113420382 B CN113420382 B CN 113420382B CN 202110764072 A CN202110764072 A CN 202110764072A CN 113420382 B CN113420382 B CN 113420382B
- Authority
- CN
- China
- Prior art keywords
- hydrogen
- hydrogenation
- vehicle
- station
- time
- 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.)
- Active
Links
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 436
- 239000001257 hydrogen Substances 0.000 title claims abstract description 436
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 377
- 238000005984 hydrogenation reaction Methods 0.000 title claims abstract description 146
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 78
- 150000002431 hydrogen Chemical class 0.000 claims abstract description 59
- 239000000446 fuel Substances 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000003860 storage Methods 0.000 claims description 72
- 238000012545 processing Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000013500 data storage Methods 0.000 claims description 15
- 230000001502 supplementing effect Effects 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000013210 evaluation model Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004146 energy storage Methods 0.000 abstract description 2
- 238000009472 formulation Methods 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 abstract description 2
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Computational Linguistics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Educational Administration (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
Abstract
本发明提供了一种基于大数据的制氢运氢和加氢调度系统及相应方法，针对由制氢厂、加氢站、运氢车以及氢燃料汽车为节点的产业网络，通过产业上下游的全面信息化监控，整合了氢能储运、加氢、用氢环节的运营数据，建立了一套全产业氢能调度系统，通过大数据智能手段，实现了氢能供应链即产、即运、即加，促使整个产业链制氢、运氢和加氢的各环节的高效运转，尤其对于公交客运与货运等商业运营车辆，本发明能够充分发挥其线路、车型固定、相关数据便于收集且容易制定调度计划等特点，从而进一步提高实施本发明时对氢能的利用效率，实现产业链整体降低本的有益效果。
Description
技术领域
本发明属于氢能源产业大数据技术领域，具体涉及一种基于大数据的制氢运氢和加氢调度系统。
背景技术
氢能源作为一种真正意义上的清洁能源，是新能源技术领域的重要发展方向之一，但在现阶段尤其是新能源汽车领域中，锂电池等化学电池仍是主流能源，且围绕化学电池的产业整体也正逐步完善，以电网、充电设施、车辆为节点的发电、输电和供电网络已出具规模。虽然氢能源相对于其他新能源具有诸多优势，受限于当前氢能产业链建设起步不久，整体信息化程度不高、产业链各环节的监测数据尚未实现互联互通，缺乏信息协同共享等现实情况，还不能很好地满足供需平衡，造成整体运营成本高，阻碍商业化发展进程。特别是加氢站的实时储氢情况，目前都未与制氢厂和运营车辆进行实时共享，制氢厂还难以灵活安排制氢运氢计划，运营车辆也无法实现最优的加氢调度。因此，如何针对氢能源产业和以氢能源作为能源的新能源汽车提供综合考虑制氢运氢和加氢环节的综合调度系统，是本领域中亟待解决的技术问题。
发明内容
不同于传统燃油汽车，新能源汽车的动力电池、电机以及诸多车载部件的运行数据更容易取得，因而有助于将车载大数据与电厂、制氢厂等能源生产环节，以及充电站、加氢站、运氢车等能源运输提供环节相结合，实现全面地综合性管理。有鉴于此，本发明提供了一种基于大数据的制氢运氢和加氢调度系统，具体包括：
全产业链大数据采集模块、大数据存储与处理模块、智能调度模块；
其中，所述全产业链大数据采集模块包括：氢燃料电池汽车数据采集模块、加氢站数据采集模块、运氢车数据采集模块、制氢厂数据采集模块；
所述氢燃料电池汽车数据采集模块用于采集车辆运行状态，累计里程、车速、实时储氢量、实时耗氢量等；针对客运公交、货运车辆等运营车辆，还采集线路信息、站点信息、司机信息等；
所述加氢站数据采集模块用于采集包括压缩机、冷水机、储氢罐、加氢机等的实时运行状态，储氢罐实时压力和储氢量，加氢站实时加氢数据，站内等候加氢的车辆情况，氢气价格等的加氢站运营数据；
所述运氢车数据采集模块用于采集运氢管束车的运行状态及车速，运氢罐体的实时压力、温度及储氢量等；
所述制氢厂数据采集模块用于采集制氢设备的实时状态，制氢量及充装量，氢气价格等；
所述大数据存储与处理模块用于对全产业链大数据采集模块采集的上述数据进行存储以及中间加工处理，并提供给所述智能调度模块；
所述智能调度模块具体执行以下调度策略：
a.利用所述氢燃料电池汽车数据采集模块提供的累计里程、车速、实时储氢量、实时耗氢量数据，建立基于神经网络的氢燃料消耗量预测模型，以及基于神经网络的复杂工况下剩余续航里程评估模型，计算特定车型的最佳加氢时机，并根据车辆附近可选的加氢站距离、加氢站实时储氢量、加氢站当前排队情况、氢气价格，向司机提供最优加氢站确定策略；
b.利用所述加氢站数据采集模块和运氢车数据采集模块提供的相应数据，计算加氢站在工作日、节假日和每天不同时段内的闲忙程度，预测加氢站与不同时段的氢消耗量和需求量，并计算对于管束车的需求量；先利用历史数据预测加氢站补氢需求，然后根据实时的监控情况，动态利用所述运氢车数据采集模块提供的相应数据，结合特定加氢站的自身实时储氢量以及附近的制氢厂位置、管束车储氢量、加氢车辆情况，计算该加氢站的最佳补氢时机。
进一步地，在所述策略a的基础上，所述智能调度模块利用所述氢燃料电池汽车数据采集模块提供的运营车辆相应数据，执行以下调度：
a1.针对各条运营线路计算不同时刻的发车需求分布，具体包括乘客出行需求或货运运力需求的分布；结合线路上的站点、出勤车辆以及司机分配情况计算初始排班计划；
a2.对线路的分时段发车间隔建立二进制编码A，以线路运营期间车辆的运行成本及乘客或托运人等顾客的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；
对线路上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B、C、D，对线路上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；
a3.以二进制编码A的决策变量构建解向量及种群，以二进制编码B、C、D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；执行遗传算法的选择、交叉、变异操作得到子代种群，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，继而得到针对该线路的包括发车间隔、次序与加氢安排的最优排班调度方案；
a4.根据氢燃料电池汽车数据采集模块提供的线路上氢燃料汽车实时运行状态数据，结合车辆故障、车辆晚点情况，重复执行前述步骤对所述最优排班调度方案实现动态更新。
进一步地，所述智能调度模块调度策略b具体包括：
基于加氢站的剩余储氢量，包括加氢站处储氢罐以及正前往该加氢站的管束车储氢总量，以及加强站处等待加氢的车辆以及正前往该加氢站的待加氢车辆情况，对该加氢站的耗氢量进行预估；若预估预定时间后，剩余储量将会低于储量阈值，则做出需要及时补充供氢的提醒，避免加氢站氢源不足，造成无法正常运营；在做出所述提醒同时，根据该加强站附近的制氢厂距离、储氢情况、氢气价格等综合评估计算最佳补氢时机，给出氢源的调度方案，供加氢站运营人员决策；并将相关决策信息及时同步提供给制氢厂和管束车，使制氢厂运营人员及时安排相应的制氢排班和充装，并联动运氢环节进行管束车和人员的准备。
进一步地，针对运营车辆，所述智能调度模块在策略b的基础上，基于特定线路的历史数据对车辆耗氢量进行预估，将其最优排班调度方案与加氢站补氢以及管束车运氢调度相互关联，根据其加氢的调度安排，包括加氢量和加氢时间，加氢地点等，提前进行氢源的储备，并使相关调度信息在制氢和运氢环节同步。
相应地，本发明还提供了利用上述本发明所提供的系统执行制氢运氢和加氢调度的方法，包括以下步骤：
步骤1、氢燃料电池汽车数据采集模块采集车辆运行状态，累计里程、车速、实时储氢量、实时耗氢量等；针对客运公交、货运车辆等运营车辆，还采集线路信息、站点信息、司机信息等；
加氢站数据采集模块用于采集包括压缩机、冷水机、储氢罐、加氢机等的实时运行状态，储氢罐实时压力和储氢量，加氢站实时加氢数据，站内等候加氢的车辆情况，氢气价格等的加氢站运营数据；
运氢车数据采集模块采集运氢管束车的运行状态及车速，运氢罐体的实时压力、温度及储氢量等；
制氢厂数据采集模块采集制氢设备的实时状态，制氢量及充装量，氢气价格等；
上述模块采集上各述数据后发送至大数据存储与处理模块；
步骤2、所述大数据存储与处理模块上述各数据进行存储以及中间加工处理，并提供给所述智能调度模块；
步骤3、所述智能调度模块接收所述大数据存储与处理模块发送的数据，执行以下调度策略：
a.利用所述氢燃料电池汽车数据采集模块提供的累计里程、车速、实时储氢量、实时耗氢量数据，建立基于神经网络的氢燃料消耗量预测模型，以及基于神经网络的复杂工况下剩余续航里程评估模型，计算特定车型的最佳加氢时机，并根据车辆附近可选的加氢站距离、加氢站实时储氢量、加氢站当前排队情况、氢气价格，向司机提供最优加氢站确定策略；
b.利用所述加氢站数据采集模块和运氢车数据采集模块提供的相应数据，计算加氢站在工作日、节假日和每天不同时段内的闲忙程度，预测加氢站与不同时段的氢消耗量和需求量，并计算对于管束车的需求量；先利用历史数据预测加氢站补氢需求，然后根据实时的监控情况，动态利用所述运氢车数据采集模块提供的相应数据，结合特定加氢站的自身实时储氢量以及附近的制氢厂位置、管束车储氢量、加氢车辆情况，计算该加氢站的最佳补氢时机。
上述本发明所提供的基于大数据的制氢运氢和加氢调度系统及相应方法，针对由制氢厂、加氢站、运氢车以及氢燃料汽车为节点的产业网络，通过产业上下游的全面信息化监控，整合了氢能储运、加氢、用氢环节的运营数据，建立了一套全产业氢能调度系统，通过大数据智能手段，实现了氢能供应链即产、即运、即加，促使整个产业链制氢、运氢和加氢的各环节的高效运转，尤其对于公交客运与货运等商业运营车辆，本发明能够充分发挥其线路、车型固定、相关数据便于收集且容易制定调度计划等特点，从而进一步提高实施本发明时对氢能的利用效率，实现产业链整体降低本的有益效果。
附图说明
图1为本发明所提供系统的结构框架流程图；
图2为本发明的系统中智能调度模块的各项调度策略示意图。
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。
本发明所提供的基于大数据的制氢运氢和加氢调度系统，如图1所示，具体包括：
全产业链大数据采集模块、大数据存储与处理模块、智能调度模块；
其中，所述全产业链大数据采集模块包括：氢燃料电池汽车数据采集模块、加氢站数据采集模块、运氢车数据采集模块、制氢厂数据采集模块，具体则可基于车辆、加氢站、管束车、制氢厂处的多种设备、传感器来实现各模块的数据采集功能，
所述氢燃料电池汽车数据采集模块用于采集车辆运行状态，累计里程、车速、实时储氢量、实时耗氢量等；针对客运公交、货运车辆等运营车辆，还采集线路信息、站点信息、司机信息等，具体可通过硬件智能车载终端采集所有氢燃料电池汽车的实时数据得到。
所述加氢站数据采集模块用于采集包括压缩机、冷水机、储氢罐、加氢机等的实时运行状态，储氢罐实时压力和储氢量，加氢站实时加氢数据，站内等候加氢的车辆情况，氢气价格等的加氢站运营数据，具体可通过工业互联网的一系列通讯协议及自建程序，采集加氢站内所有的实时数据来获得。
所述运氢车数据采集模块用于采集运氢管束车的运行状态及车速，运氢罐体的实时压力、温度及储氢量等，具体可通过设于管束车上的智能车载终端获得。
所述制氢厂数据采集模块用于采集制氢设备的实时状态，制氢量及充装量，氢气价格等，具体可通过工业互联网的一系列通讯协议及自建程序获得。
所述大数据存储与处理模块用于对全产业链大数据采集模块采集的上述数据进行存储以及中间加工处理，并提供给所述智能调度模块；加工处理具体包括进行数据结构化，并对各环节产生的数据进行数据挖掘及数据分析，以及为智能调度系统应用做技术铺垫。
所述智能调度模块具体执行如图2所示的以下调度策略：
a.利用所述氢燃料电池汽车数据采集模块提供的累计里程、车速、实时储氢量、实时耗氢量数据，建立基于神经网络的氢燃料消耗量预测模型，以及基于神经网络的复杂工况下剩余续航里程评估模型，计算特定车型的最佳加氢时机，并根据车辆附近可选的加氢站距离、加氢站实时储氢量、加氢站当前排队情况、氢气价格，向司机提供最优加氢站确定策略；
b.利用所述加氢站数据采集模块和运氢车数据采集模块提供的相应数据，计算加氢站在工作日、节假日和每天不同时段内的闲忙程度，预测加氢站与不同时段的氢消耗量和需求量，并计算对于管束车的需求量；先利用历史数据预测加氢站补氢需求，然后根据实时的监控情况，动态利用所述运氢车数据采集模块提供的相应数据，结合特定加氢站的自身实时储氢量以及附近的制氢厂位置、管束车储氢量、加氢车辆情况，计算该加氢站的最佳补氢时机。
对于公交客运、货运等商业运营车辆来说，其线路、车型、运营时段和环境等多项环节相对简单，车辆的实时运行情况、各节点的氢消耗量和储量等大数据相对于普通车辆更容易获取获取，车辆的排班与加氢计划安排、车辆与加氢站、制氢厂以及管束车之间的协同调度也更容易实现较优的效果。因此在本发明的一个优选实施方式中，在所述策略a的基础上，所述智能调度模块利用所述氢燃料电池汽车数据采集模块提供的运营车辆相应数据，执行以下调度：
a1.针对各条运营线路计算不同时刻的发车需求分布，具体包括乘客出行需求或货运运力需求的分布；结合线路上的站点、出勤车辆以及司机分配情况计算初始排班计划；
a2.对线路的分时段发车间隔建立二进制编码A，以线路运营期间车辆的运行成本及乘客或托运人等顾客的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；
对线路上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B、C、D，对线路上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；
a3.以二进制编码A的决策变量构建解向量及种群，以二进制编码B、C、D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；执行遗传算法的选择、交叉、变异操作得到子代种群，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，继而得到针对该线路的包括发车间隔、次序与加氢安排的最优排班调度方案；
a4.根据氢燃料电池汽车数据采集模块提供的线路上氢燃料汽车实时运行状态数据，结合车辆故障、车辆晚点情况，重复执行前述步骤对所述最优排班调度方案实现动态更新。
当参与调度的车辆数量较高时，加氢站所面临的供氢压力将显著提高，如果站点的氢能源不足时无法及时补充，则会严重影响产业综合调度的效率。同时，由于制氢厂、加氢站提供的氢能源价格存在差异，为满足不同加氢站或司机对于价格的不同需求，在调度中也不能仅考虑距离或时间因素，而应对加氢、运氢等成本因素也加以考虑。因此在本发明的一个优选实施方式中，所述智能调度模块调度策略b具体包括：
基于加氢站的剩余储氢量，包括加氢站处储氢罐以及正前往该加氢站的管束车储氢总量，以及加强站处等待加氢的车辆以及正前往该加氢站的待加氢车辆情况，对该加氢站的耗氢量进行预估；若预估预定时间后，剩余储量将会低于储量阈值，则做出需要及时补充供氢的提醒，避免加氢站氢源不足，造成无法正常运营；在做出所述提醒同时，根据该加强站附近的制氢厂距离、储氢情况、氢气价格等综合评估计算最佳补氢时机，给出氢源的调度方案，供加氢站运营人员决策；并将相关决策信息及时同步提供给制氢厂和管束车，使制氢厂运营人员及时安排相应的制氢排班和充装，并联动运氢环节进行管束车和人员的准备。
在本发明的一个优选实施方式中，针对运营车辆进一步利用其排班和加氢调度相对便捷的优势，使所述智能调度模块在策略b的基础上，基于特定线路的历史数据对车辆耗氢量进行预估，将其最优排班调度方案与加氢站补氢以及管束车运氢调度相互关联，根据其加氢的调度安排，包括加氢量和加氢时间，加氢地点等，提前进行氢源的储备，并使相关调度信息在制氢和运氢环节同步。
相应地，本发明还提供了利用上述本发明所提供的系统执行制氢运氢和加氢调度的方法，包括以下步骤：
步骤1、氢燃料电池汽车数据采集模块采集车辆运行状态，累计里程、车速、实时储氢量、实时耗氢量等；针对客运公交、货运车辆等运营车辆，还采集线路信息、站点信息、司机信息等；
加氢站数据采集模块用于采集包括压缩机、冷水机、储氢罐、加氢机等的实时运行状态，储氢罐实时压力和储氢量，加氢站实时加氢数据，站内等候加氢的车辆情况，氢气价格等的加氢站运营数据；
运氢车数据采集模块采集运氢管束车的运行状态及车速，运氢罐体的实时压力、温度及储氢量等；
制氢厂数据采集模块采集制氢设备的实时状态，制氢量及充装量，氢气价格等；
上述模块采集上各述数据后发送至大数据存储与处理模块；
步骤2、所述大数据存储与处理模块上述各数据进行存储以及中间加工处理，并提供给所述智能调度模块；
步骤3、所述智能调度模块接收所述大数据存储与处理模块发送的数据，执行以下调度策略：
a.利用所述氢燃料电池汽车数据采集模块提供的累计里程、车速、实时储氢量、实时耗氢量数据，建立基于神经网络的氢燃料消耗量预测模型，以及基于神经网络的复杂工况下剩余续航里程评估模型，计算特定车型的最佳加氢时机，并根据车辆附近可选的加氢站距离、加氢站实时储氢量、加氢站当前排队情况、氢气价格，向司机提供最优加氢站确定策略；
b.利用所述加氢站数据采集模块和运氢车数据采集模块提供的相应数据，计算加氢站在工作日、节假日和每天不同时段内的闲忙程度，预测加氢站与不同时段的氢消耗量和需求量，并计算对于管束车的需求量；先利用历史数据预测加氢站补氢需求，然后根据实时的监控情况，动态利用所述运氢车数据采集模块提供的相应数据，结合特定加氢站的自身实时储氢量以及附近的制氢厂位置、管束车储氢量、加氢车辆情况，计算该加氢站的最佳补氢时机。
具体的，所述方法的详尽流程包括：
(1)针对运营车辆，所述智能调度模块在所述策略a的基础上，利用所述氢燃料电池汽车数据采集模块提供的相应数据依次执行以下调度：
a1.针对各条运营线路计算不同时刻的发车需求分布，具体包括乘客出行需求或货运运力需求的分布；结合线路上的站点、出勤车辆以及司机分配情况计算初始排班计划；
a2.对线路的分时段发车间隔建立二进制编码A，以线路运营期间车辆的运行成本及乘客或托运人等顾客的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；
对线路上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B、C、D，对线路上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；
a3.以二进制编码A的决策变量构建解向量及种群，以二进制编码B、C、D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；执行遗传算法的选择、交叉、变异操作得到子代种群，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，继而得到针对该线路的包括发车间隔、次序与加氢安排的最优排班调度方案；
a4.根据氢燃料电池汽车数据采集模块提供的线路上氢燃料汽车实时运行状态数据，结合车辆故障、车辆晚点情况，重复执行前述步骤对所述最优排班调度方案实现动态更新。
(2)针对加氢站，所述智能调度模块基于加氢站的剩余储氢量，包括加氢站处储氢罐以及正前往该加氢站的管束车储氢总量，以及加强站处等待加氢的车辆以及正前往该加氢站的待加氢车辆情况，对该加氢站的耗氢量进行预估；若预估预定时间后，剩余储量将会低于储量阈值，则做出需要及时补充供氢的提醒，避免加氢站氢源不足，造成无法正常运营；在做出所述提醒同时，根据该加强站附近的制氢厂距离、储氢情况、氢气价格等综合评估计算最佳补氢时机，给出氢源的调度方案，供加氢站运营人员决策；并将相关决策信息及时同步提供给制氢厂和管束车，使制氢厂运营人员及时安排相应的制氢排班和充装，并联动运氢环节进行管束车和人员的准备.
(3)针对以运营车辆、加氢站、制氢厂、管束车为节点的产业网络，所述智能调度模块在策略b的基础上，基于特定线路的历史数据对车辆耗氢量进行预估，将其最优排班调度方案与加氢站补氢以及管束车运氢调度相互关联，根据其加氢的调度安排，包括加氢量和加氢时间，加氢地点等，提前进行氢源的储备，并使相关调度信息在制氢和运氢环节同步。
基于本发明所提供的教导，在具体实施中可建立由基础数据模块、系统设置模块、实时监控模块、智能调度模块等组成的智能调度系统。在该系统中参与调度的用户群体包括燃料电池汽车运营商及司机、加氢站运营商、制氢厂运营商、运氢车运营商等。
智能调度系统所利用的基础大数据包括产业上下游制氢厂、加氢站、运氢管束车、氢燃料电池汽车、相关人员的所有静态基础信息。系统设置包括用户管理、角色管理、组织架构等。不同的用户，对应的功能权限和数据权限则不同。实时监控模块可针对产业上下游制氢厂、加氢站、运氢管束车、氢燃料电池汽车进行实时状态监控，可看到通过以上步骤采集的各项实时数据。
智能调度模块则根据产业上下游氢量的实时使用的供应情况，通过大数据分析手段，运用多种智能算法，对各环节氢量供应进行实时调度指导，并可针对不同类型的车辆分别提供有针对性的调度策略。
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 (5)
1.一种基于大数据的制氢运氢和加氢调度系统，其特征在于：具体包括：
全产业链大数据采集模块、大数据存储与处理模块、智能调度模块；
其中，所述全产业链大数据采集模块包括：氢燃料电池汽车数据采集模块、加氢站数据采集模块、运氢车数据采集模块、制氢厂数据采集模块；
所述氢燃料电池汽车数据采集模块用于采集车辆运行状态，累计里程、车速、实时储氢量、实时耗氢量；针对客运公交、货运车辆运营车辆，还采集线路信息、站点信息、司机信息；
所述加氢站数据采集模块用于采集包括压缩机、冷水机、储氢罐、加氢机的实时运行状态，储氢罐实时压力和储氢量，包括加氢站实时加氢数据、站内等候加氢的车辆情况、氢气价格的加氢站运营数据；
所述运氢车数据采集模块用于采集运氢管束车的运行状态及车速，运氢罐体的实时压力、温度及储氢量；
所述制氢厂数据采集模块用于采集制氢设备的实时状态，制氢量及充装量，氢气价格；
所述大数据存储与处理模块用于对全产业链大数据采集模块采集的数据进行存储以及中间加工处理，并提供给所述智能调度模块；
所述智能调度模块具体执行以下调度策略：
a.利用所述氢燃料电池汽车数据采集模块提供的累计里程、车速、实时储氢量、实时耗氢量数据，建立基于神经网络的氢燃料消耗量预测模型，以及基于神经网络的复杂工况下剩余续航里程评估模型，计算特定车型的最佳加氢时机，并根据车辆附近可选的加氢站距离、加氢站实时储氢量、加氢站当前排队情况、氢气价格，向司机提供最优加氢站确定策略；
b.利用所述加氢站数据采集模块和运氢车数据采集模块提供的相应数据，计算加氢站在工作日、节假日和每天不同时段内的闲忙程度，预测加氢站与不同时段的氢消耗量和需求量，并计算对于管束车的需求量；先利用历史数据预测加氢站补氢需求，然后根据实时的监控情况，利用所述运氢车数据采集模块提供的相应数据，结合特定加氢站的自身实时储氢量以及附近的制氢厂位置、管束车储氢量、加氢车辆情况，动态计算该加氢站的最佳补氢时机。
2.如权利要求1所述的系统，其特征在于：在所述策略a的基础上，所述智能调度模块利用所述氢燃料电池汽车数据采集模块提供的运营车辆相应数据，执行以下调度：
a1.针对各条运营线路计算不同时刻的发车需求分布，具体包括乘客出行需求或货运运力需求的分布；结合线路上的站点、出勤车辆以及司机分配情况计算初始排班计划；
a2.对线路的分时段发车间隔建立二进制编码A，以线路运营期间车辆的运行成本及顾客的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；
对线路上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B、C、D，对线路上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；
a3.以二进制编码A的决策变量构建解向量及种群，以二进制编码B、C、D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，并且以线路运营期间车辆的运行成本及顾客的等候成本最小化、加氢时间成本与往返加氢途中的氢燃料消耗最小化这几个目标作为算法的优化目标分量；执行遗传算法的选择、交叉、变异操作得到子代种群，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，继而得到针对该线路的包括发车间隔、次序与加氢安排的最优排班调度方案；
a4.根据氢燃料电池汽车数据采集模块提供的线路上氢燃料汽车实时运行状态数据，结合车辆故障、车辆晚点情况，重复执行a1-a3对所述最优排班调度方案实现动态更新。
3.如权利要求1所述的系统，其特征在于：所述智能调度模块调度执行的策略b具体包括：
基于加氢站的剩余储氢量，包括加氢站处储氢罐以及正前往该加氢站的管束车储氢总量，以及加氢站处等待加氢的车辆以及正前往该加氢站的待加氢车辆情况，对该加氢站的耗氢量进行预估；若预估预定时间后，剩余储量将会低于储量阈值，则做出需要及时补充供氢的提醒，同时根据该加氢站附近的制氢厂距离、储氢情况、氢气价格综合评估计算最佳补氢时机，给出氢源的调度方案，供加氢站运营人员决策；并将相关决策及时同步提供给制氢厂和管束车，使制氢厂运营人员及时安排相应的制氢排班和充装，并联动运氢环节进行管束车和人员的准备。
4.如权利要求1所述的系统，其特征在于：针对运营车辆，所述智能调度模块在策略b的基础上，基于特定线路的历史数据对车辆耗氢量进行预估，将其最优排班调度方案与加氢站补氢以及管束车运氢调度相互关联，根据其加氢的调度安排，包括加氢量和加氢时间，加氢地点，提前进行氢源的储备，并使相关调度信息在制氢和运氢环节同步。
5.一种利用上述权利要求1-4任一项所述系统执行制氢运氢和加氢调度的方法，其特征在于：包括以下步骤：
步骤1、氢燃料电池汽车数据采集模块采集车辆运行状态，累计里程、车速、实时储氢量、实时耗氢量；针对客运公交、货运车辆运营车辆，还采集线路信息、站点信息、司机信息；
加氢站数据采集模块用于采集包括压缩机、冷水机、储氢罐、加氢机的实时运行状态，储氢罐实时压力和储氢量，包括加氢站实时加氢数据、站内等候加氢的车辆情况，氢气价格的加氢站运营数据；
运氢车数据采集模块采集运氢管束车的运行状态及车速，运氢罐体的实时压力、温度及储氢量；
制氢厂数据采集模块采集制氢设备的实时状态，制氢量及充装量，氢气价格；
上述模块采集数据后发送至大数据存储与处理模块；
步骤2、所述大数据存储与处理模块对数据进行存储以及中间加工处理，并提供给所述智能调度模块；
步骤3、所述智能调度模块接收所述大数据存储与处理模块发送的数据，执行以下调度策略：
a.利用所述氢燃料电池汽车数据采集模块提供的累计里程、车速、实时储氢量、实时耗氢量数据，建立基于神经网络的氢燃料消耗量预测模型，以及基于神经网络的复杂工况下剩余续航里程评估模型，计算特定车型的最佳加氢时机，并根据车辆附近可选的加氢站距离、加氢站实时储氢量、加氢站当前排队情况、氢气价格，向司机提供最优加氢站确定策略；
b.利用所述加氢站数据采集模块和运氢车数据采集模块提供的相应数据，计算加氢站在工作日、节假日和每天不同时段内的闲忙程度，预测加氢站与不同时段的氢消耗量和需求量，并计算对于管束车的需求量；先利用历史数据预测加氢站补氢需求，然后根据实时的监控情况，动态利用所述运氢车数据采集模块提供的相应数据，结合特定加氢站的自身实时储氢量以及附近的制氢厂位置、管束车储氢量、加氢车辆情况，计算该加氢站的最佳补氢时机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110764072.3A CN113420382B (zh) | 2021-07-06 | 2021-07-06 | 基于大数据的制氢运氢和加氢调度系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110764072.3A CN113420382B (zh) | 2021-07-06 | 2021-07-06 | 基于大数据的制氢运氢和加氢调度系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113420382A CN113420382A (zh) | 2021-09-21 |
| CN113420382B true CN113420382B (zh) | 2022-11-11 |
Family
ID=77720379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110764072.3A Active CN113420382B (zh) | 2021-07-06 | 2021-07-06 | 基于大数据的制氢运氢和加氢调度系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113420382B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113627695B (zh) * | 2021-10-11 | 2022-01-04 | 氢山科技有限公司 | 氢能源待制备量的确定方法、装置和存储介质 |
| CN113643010B (zh) * | 2021-10-18 | 2022-02-22 | 氢山科技有限公司 | 派单方法、装置、计算机设备和存储介质 |
| CN113743680B (zh) * | 2021-11-02 | 2022-04-01 | 氢山科技有限公司 | 氢能源需求量预测方法、装置和存储介质 |
| CN113793078B (zh) * | 2021-11-17 | 2022-02-25 | 氢山科技有限公司 | 节假日氢能源需求量确定方法、装置和存储介质 |
| CN113869805B (zh) * | 2021-12-02 | 2022-03-01 | 氢山科技有限公司 | 对加氢站进行排序加氢的方法和装置 |
| CN114677098A (zh) * | 2021-12-31 | 2022-06-28 | 海南天宇科技集团有限公司 | 智能氢能源管理、控制、监视系统 |
| CN114088143B (zh) * | 2022-01-24 | 2022-04-12 | 氢山科技有限公司 | 温室气体减排量的数据监测系统和监测方法 |
| CN114811412A (zh) * | 2022-04-02 | 2022-07-29 | 东方电气(广州)重型机器有限公司 | 一种加氢方法和加氢站 |
| CN114877246B (zh) * | 2022-05-25 | 2023-12-22 | 塑云科技(深圳)有限公司 | 一种加氢站的氢气调度方法及系统 |
| CN115759568B (zh) * | 2022-10-21 | 2024-01-19 | 大连海事大学 | 一种氢能高速公路加氢站选址规划方法 |
| CN115660223B (zh) * | 2022-12-12 | 2023-04-11 | 佛山隆深机器人有限公司 | 一种基于大数据的加氢调度系统及方法 |
| CN117172515B (zh) * | 2023-11-03 | 2024-02-06 | 华电电力科学研究院有限公司 | 一种氢源调配方法、系统及装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030061091A1 (en) * | 2001-09-25 | 2003-03-27 | Amaratunga Mohan Mark | Systems and methods for making prediction on energy consumption of energy-consuming systems or sites |
| WO2006060633A2 (en) * | 2004-12-02 | 2006-06-08 | Ford Motor Company | Computer system and method for monitoring hydrogen vehicles |
| KR20120085814A (ko) * | 2009-10-19 | 2012-08-01 | 누베라 퓨엘 셀스, 인크. | 연료공급 관리를 위한 시스템 및 방법 |
| US8892264B2 (en) * | 2009-10-23 | 2014-11-18 | Viridity Energy, Inc. | Methods, apparatus and systems for managing energy assets |
| JP6383316B2 (ja) * | 2015-03-26 | 2018-08-29 | Ｊｘｔｇエネルギー株式会社 | 水素ステーションの予約システムの制御方法、水素燃料製造方法、及び水素ステーションの充填予約装置 |
| CN109210370A (zh) * | 2018-09-18 | 2019-01-15 | 北京久安通氢能科技有限公司 | 一种加氢站及加氢控制方法 |
| KR102167776B1 (ko) * | 2018-12-31 | 2020-10-20 | 호서대학교 산학협력단 | 수소충전소의 위험성을 평가하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 |
| CN111476682A (zh) * | 2020-05-21 | 2020-07-31 | 李海明 | 一种用于氢能产业的大数据平台及其使用方法 |
-
2021
- 2021-07-06 CN CN202110764072.3A patent/CN113420382B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113420382A (zh) | 2021-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113420382B (zh) | 基于大数据的制氢运氢和加氢调度系统 | |
| CN109034648B (zh) | 一种电动汽车集群需求响应潜力评估方法 | |
| Han et al. | Ordered charge control considering the uncertainty of charging load of electric vehicles based on Markov chain | |
| CN103915869B (zh) | 一种基于移动设备的电动汽车智能充电系统及方法 | |
| CN113222387B (zh) | 面向氢燃料车辆的多目标调度与协同优化方法 | |
| CN107239883A (zh) | 一种汽车共享系统车辆的调度方法 | |
| Lim et al. | Review of the energy forecasting and scheduling model for electric buses | |
| CN117391564B (zh) | 一种新能源物流车辆补能调度数据模型及调度优化方法 | |
| Nait-Sidi-Moh et al. | A prediction model of electric vehicle charging requests | |
| CN115983568B (zh) | 一种考虑电池健康状态差异的电动公交线路车辆调度方法 | |
| CN112613682A (zh) | 一种电动汽车充电负荷预测方法 | |
| CN110598904A (zh) | 市场环境下考虑可再生能源消纳的车网能量交互优化方法 | |
| CN115577938A (zh) | 一种电气化按需移动调度方法、装置及系统 | |
| Iacobucci et al. | Cascaded model predictive control for shared autonomous electric vehicles systems with V2G capabilities | |
| CN115660501A (zh) | 电动汽车充电负荷可调裕度评估方法 | |
| CN117455019A (zh) | 一种基于行程时间预测的网约车合乘动态匹配方法 | |
| Grahn et al. | Plug-in-vehicle mobility and charging flexibility Markov model based on driving behavior | |
| Kovalyov et al. | Mathematical model and random search algorithm for the optimal planning problem of replacing traditional public transport with electric | |
| Hao et al. | Max-min ant system for bus transit multi-depot vehicle scheduling problem with route time constraints | |
| Frendo et al. | Charging strategies and implications for corporate electric vehicle fleets | |
| CN111815017B (zh) | 一种基于出行数据的电动汽车充电负荷预测方法 | |
| Schwenk | A smart charging assistant for electric vehicles considering battery degradation, power grid and user constraints | |
| Avdevicius et al. | Bus charging management based on AI prediction and MILP optimization | |
| CN114764653A (zh) | 一种成本最小化的综合运维调度方法 | |
| Trofimenko et al. | Forecast of the vehicle fleet size and structure in Russian Federation by ecological class, a type of power installations and a fuel type for the period up to 2030 |
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 |