CN115510682A - 一种新能源汽车废旧电池回收箱选址规划方法、系统及终端设备 - Google Patents
一种新能源汽车废旧电池回收箱选址规划方法、系统及终端设备 Download PDFInfo
- Publication number
- CN115510682A CN115510682A CN202211293410.0A CN202211293410A CN115510682A CN 115510682 A CN115510682 A CN 115510682A CN 202211293410 A CN202211293410 A CN 202211293410A CN 115510682 A CN115510682 A CN 115510682A
- Authority
- CN
- China
- Prior art keywords
- planning
- new energy
- waste battery
- energy automobile
- battery recycling
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/30—Administration of product recycling or disposal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Sustainable Development (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
Abstract
本发明提供了一种新能源汽车废旧电池回收箱选址规划方法、系统和终端设备,包括:对规划区域进行划分,并获取各区域的相关信息;通过平滑处理的灰色模型对各区域新能源汽车废旧电池回收数量进行预测;确定网络仿真模型,将各区域参数信息映射到改进的人工蜂群算法中的蜂群参数信息;通过改进的人工蜂群算法进行仿真分析,求解仿真模型,得到回收箱选址布局站址信息;根据站址服务区域及区域内废旧电池预测回收量确定各站点新能源汽车废旧电池回收箱数量配置。本发明能够规范新能源汽车废旧电池回收箱的选址规划流程,减少废旧电池回收箱安装前期的经费投入,促进退役废旧电池高效回收。
Description
技术领域
本发明涉及逆向物流技术领域,具体涉及一种新能源汽车废旧电池回收箱选址规划方法、系统及终端设备。
背景技术
逆向物流主要研究如何实现产品的高效回收和再利用,其有效实施可以带来巨大的社会效益、经济效益和环境效益。近些年来,我国新能源汽车行业蓬勃发展,新能源汽车搭载的动力电池保有量也随之急剧增加,动力电池在使用过程中性能不断下降,当衰减到一定程度时就面临着从新能源汽车上退役,退役后的电池往往还具有很大的再利用价值,通过逆向物流的合理实施对废旧电池进行回收和梯次利用能挖掘其更多的剩余价值,减少废旧电池丢弃造成的环境污染和资源浪费。
虽然国家大力倡导废旧电池的回收再利用,有关学者和部门也为废旧电池有效回收做了很大的努力,然而,取得的效果不尽人意。这其中有很多的原因,比如:国民环保意识较差、废旧电池回收程序复杂、回收价格较低,缺少正规回收渠道、回收管理体系不健全等。在各城市合理布局新能源汽车废旧电池回收箱,通过规范化管理,正规化运营,可以在很大程度上增加废旧电池的回收数量。
发明内容
针对现有技术中存在的不足,本发明提供了一种新能源汽车废旧电池回收箱选址规划方法、系统及终端设备,通过合理布局废旧电池回收箱,实现回收箱站点服务范围合理化,极大地方便新能源汽车用户将退役的废旧电池用于回收;其次,提供一种废旧电池回收箱选址规划系统和终端设备,规范化新能源汽车废旧电池回收箱的选址规划流程,减少废旧电池回收箱安装前期的经费投入,促进退役废旧电池高效回收。本发明可以解决新能源汽车废旧电池缺少正规回收渠道、回收箱布局规划不合理以及规划前期经费投入过多的问题。
本发明是通过以下技术手段实现上述技术目的的。
一种新能源汽车废旧电池回收箱选址规划方法,包括如下步骤:
对规划区域进行网格划分,获取第i区域内的各年的新能源汽车保有量Di和报废量Si,从而确定各网格内新能源汽车报废量占规划区域总的新能源汽车报废量的比例PN=(P1,P2,…Pi,…,Pn),其中,i表示第i区域对应的社区,n为区域总数,
通过平滑处理的灰色预测模型对各区域新能源汽车废旧电池回收量进行预测;
确定网络仿真模型,将各区域参数信息映射到改进的人工蜂群算法中的蜂群参数信息;
通过改进的人工蜂群算法进行仿真分析,求解仿真模型,得到回收箱布局站址信息;
根据站址服务区域及区域内废旧电池预测回收量确定各站点新能源汽车废旧电池回收箱数量配置。
进一步,所述通过平滑处理的灰色预测模型对各区域新能源汽车废旧电池回收量进行预测,包括如下步骤如下:
将第i区域内的各年的新能源汽车保有量Di、各网格内新能源汽车报废量占规划区域总的新能源汽车报废量的比例PN、第i区域内新能源汽车报废量占保有量的比例Pi分别进行排序生成原始数据系列X(0)=(x(0)(1),x(0)(2),…,x(0)(k),…,x(0)(n))的形式,其中,x(0)(k)≥0,k=0,1,2,…,n;
采用三点平滑法对原始数据系列进行预处理,具体如下:
中间数据单独处理为:
两端数据单独处理为:
参数α和u通过最小二乘法确定,[α,u]T=(BTB)-1BTY,其中,B为数据矩阵,Y为数据向量,分别表示为:
进一步,确定网络仿真模型,具体为:
其中,U表示网络总成本;Fa为在需求点a布局废旧电池回收箱的固定费用和运营费用;决策变量ha∈{0,1},取1表示需求点i被选为废旧电池回收箱布局点,取0表示没有被选中;fab=ξ·Xab为客户的人力成本,Xab为需求点a与废旧电池回收箱布局点b之间的距离,ξ为便利因子系数;xab表示需求点a产生废旧电池回收需求,并在废旧电池回收箱布局点b进行回收的预测量。
进一步,所述改进的人工蜂群算法中的蜂群参数信息包括蜜源,
所述蜜源代表问题的可行解,蜜源通过自然数的编码方式产生,蜜源编码中的各数值由侦察蜂和跟随蜂产生,蜜源编码代表规划区域各网格对应社区的编号;蜜源的质量由问题的适应度来表示,所述适应度值通过网络仿真模型求得;蜜源的优化通过蜜蜂的搜索行为完成,其中搜索行为为蜂群算法的过程;
蜜源通过自然数的编码方式产生具体如下:对于一个在N个需求点中选出M个位置进行废旧电池回收箱布局的问题,每个蜜源对应一个两行H列的二维矩阵,H=max{M,N};每个蜜源的第一行Xa表示该需求点是否被选中用于布局废旧电池回收箱,0表示未被选中,自然数z表示该点被选中为第z个废旧电池回收箱布局点;每个蜜源的第二行Xb表示该需求点由第几个布局点服务,产生|M-N|个虚拟点并赋值为0将二维矩阵补充完整。
进一步,通过改进的人工蜂群算法进行仿真分析,求解仿真模型,得到回收箱布局站址信息,具体包括如下步骤:
S041:初始化蜂群,侦察蜂根据全局搜索公式xs,t=lbt+rand(0,1)·(ubt-lbt)为蜜源中的每个位置赋予一个初始值,根据需求点数量和模拟规划布局点数量通过自然数的蜜源编码方式产生初始可行解并对初始可行解进行整数规范化,初始可行解为初始蜜源,用于为规范化后被选取的初始布局点分配雇佣蜂和跟随蜂,设置蜂群算法的最大迭代次数L和无改进迭代次数l,将记录全局迭代次数的控制变量L′、记录局部迭代次数的控制变量L″、记录局部寻优无改进迭代次数的控制变量l′和记录领域搜索无改进迭代次数的l″置为0,初始适应度值记为f=f1=f2=f3=∞;
其中,s代表第s组解s=1,2,…,N,x是一个D维向量,t代表它的维数,t∈{1,2,…,D},rand(0,1)代表0到1的随机小数,lbt是第t维中x的最小值,ubt是第t维中x的最大值;
S042:根据所述网络仿真模型的目标函数计算当前可行解的适应度值f1,如果当前可行解的适应度值f1<f,则将当前适应度值f1令为f,否则保持不变且将l′加1;
S043:如果适应度f2优于原解的适应度f1则进行替换,否则,跟随蜂采用邻域生成策略产生新的可行解,如果新解的适应度f3优于f2则替换f2,否则保持f2不变且将l″加1;
S044:若适应度值f2经过l次迭代之后没有变化即l″≥l,记录当前适应度值f2,启用侦察蜂,对Xb采用步骤S041所述全局搜索公式进行更新和整数规范化,并将l″置为0,迭代次数L″加1;
S045:判断L″是否达到最大迭代次数,即若L″>L则转下一步,否则返回步骤S043;
S046:若适应度值f1经过l次迭代之后没有变化即l′≥l,记录当前适应度值f1,启用侦察蜂,对Xa采用步骤S041所述全局搜索公式进行更新并进行整数规范化,并将l′置为0,迭代次数L′加1;
S047:判断L′是否达到最大迭代次数,即若L′>L则输出当前解即为最优解,否则返回步骤S042。
进一步,所述邻域生成策略采用两点交叉的变换方式,随机选取蜜源的第二行Xb的两个位置互换数据。
进一步,根据站址服务区域及区域内废旧电池预测回收量确定各站点新能源汽车废旧电池回收箱数量配置,具体为:
对求解结果按照编码方式对应进行解码,依据布局点服务区域的网格数量及各网格内新能源汽车废旧电池的预测回收数量,根据Nm=λ1·Xm+λ2·Ym计算得到在M个拟选址规划站点内投建新能源汽车废旧电池回收箱的台数,
其中,m∈{1,2,…,M}表示被选中进行新能源汽车废旧电池回收箱布局的规划站点的编号;
Nm表示第m个规划站点内预计投放的回收箱数量;
Xm表示由第m个规划站点服务的需求点数量;
Ym表示第m个规划站点服务的需求点区域内总的新能源汽车废旧电池预测回收量;
λ1、λ2均为预设的权重因子。
一种新能源汽车废旧电池回收箱选址规划方法的系统,包括:
规划区域信息获取单元:用于对待规划区域进行网格划分并编号,采集、存储和管理待规划区域的相关数据信息;
废旧电池数量预测单元:用于预测选址规划所需数据;
选址规划单元:用于对未来年规划区域的选址规划问题构建数学模型,并将所述规划区域信息获取单元和所述废旧电池数量预测单元所得数据映射到蜂群算法的对应参数,引入算法初始参数,通过改进的蜂群算法对模型求解;
站址规划方案确定单元:用于对接收到选址规划单元传输的求解结果按照规则进行解码,确定新能源汽车废旧电池回收箱的选址站点,再依据布局点服务区域的网格数量及各网格内新能源汽车废旧电池的预测回收数量确定各站点回收箱的数量配置。
进一步,所述规划区域信息获取单元与所述废旧电池数量预测单元和选址规划单元相互关联,进行规划区域及各网格原始数据的传输;所述废旧电池数量预测单元与所述选址规划单元和站址规划方案确定单元相互关联,进行相关预测数据的传输;所述选址规划单元与所述站址规划方案确定单元关联,进行算法求解结果的传输。
一种新能源汽车废旧电池回收箱选址规划终端设备,包括:
输入端:用于采集新能源汽车废旧电池回收箱选址规划所需数据信息;
主体部分:用于进行新能源汽车废旧电池回收箱的选址规划;
存储器:用于接收所述输入端、主体部分和处理器传输的数据信息并进行存储;对终端设备所需的计算程序和数据进行长期存储和管理,并对已经输出或者将要输出的数据信息进行暂时存储;
处理器:用于接收所述存储器的数据信息和计算程序,依据所述主体部分的不同指令调用相关数据信息和计算程序进行数据预测、函数求解和数据解码;
输出端:用于将新能源汽车废旧电池回收箱选址规划结果转换成图像或声音等信号输出;
所述主体部分搭载所述的新能源汽车废旧电池回收箱选址规划方法的系统,所述主体部分连接所述输入端、存储器、处理器和输出端;所述输入端与所述主体部分和存储器关联,所述存储器与所述主体部分和处理器关联,所述处理器与所述主体部分和输出端关联,相互关联的模块之间进行相应数据的传输。
本发明的有益效果在于:
1.本发明所述的新能源汽车废旧电池回收箱选址规划方法、系统及终端设备,对于由规划区域信息获取单元获取用于预测的数据先进行平滑处理,降低偶然因素对预测结果的干扰;采用改进的人工蜂群算法对新能源汽车废旧电池回收箱就行选址规划,实现回收箱服务范围合理化,使新能源汽车用户更加便利地将退役的废旧电池用于回收;废旧电池回收箱选址规划系统和终端设备规范化新能源汽车废旧电池回收箱的选址规划流程,减少废旧电池回收箱安装前期的经费投入,促进退役废旧电池高效回收。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,显而易见地还可以根据这些附图获得其他的附图。
图1为本发明所述新能源汽车废旧电池回收箱选址规划方法流程示意图。
图2为本发明所述利用改进的人工蜂群算法求解废旧电池回收箱布局选址问题的算法流程图。
图3为本发明所述新能源汽车废旧电池回收箱选址规划系统示意图。
图4为本发明所述新能源汽车废旧电池回收箱选址规划终端设备示意图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“轴向”、“径向”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
如图1所示,本发明所述的新能源汽车废旧电池回收箱选址规划方法,包括如下步骤:
S01:对规划区域进行划分,获取各区域的有关信息,具体为:
对规划区域进行网格划分,获取第i区域内的各年的新能源汽车保有量Di和报废量Si,从而确定各网格内新能源汽车报废量占规划区域总的新能源汽车报废量的比例PN=(P1,P2,…Pi,…,Pn),其中,i表示第i区域对应的社区,n为区域总数,
S02:通过平滑处理的灰色预测模型对各区域新能源汽车废旧电池回收量进行预测,通过平滑处理的灰色预测模型进行预测能有效避免数据偶然性对预测结果产生较大影响,具体步骤如下:
S021:将第i区域内的各年的新能源汽车保有量Di、各网格内新能源汽车报废量占规划区域总的新能源汽车报废量的比例PN、第i区域内新能源汽车报废量占保有量的比例Pi分别进行排序生成原始数据系列X(0)=(x(0)(1),x(0)(2),…,x(0)(k),…,x(0)(n))的形式,其中,x(0)(k)≥0,k=0,1,2,…,n;
S022:采用三点平滑法对原始数据系列进行预处理,具体如下:
中间数据单独处理为:
两端数据单独处理为:
参数α和u通过最小二乘法确定,[α,u]T=(BTB)-1BTY,其中,B为数据矩阵,Y为数据向量,分别表示为:
根据上述预测方法,得到规划区域内规划年的新能源汽车保有量Di,报废量占保有量的比例pi和各网格内新能源汽车报废量占规划区域总的保有量的比例PN的预测值。根据公式Si=Di·pi计算得到规划年规划区域内的新能源汽车报废量,根据公式sN=Si·PN计算得到规划年规划区域各网格内的新能源汽车报废量,根据公式RN=β·sN计算得到规划年规划区域各网格内的新能源汽车废旧电池回收量,
其中,N∈{1,2,…,n}表示规划区域内各网格的编号,
sN表示规划年规划区域各网格内的新能源汽车报废量,
β表示预设新能源汽车废旧电池回收量占报废量的比例,
RN表示规划年规划区域各网格内的新能源汽车废旧电池回收量。
S03:确定网络仿真模型,将各区域参数信息映射到改进的人工蜂群算法中的蜂群参数信息;
确定网络仿真模型,具体为:
其中,U表示网络总成本;Fa为在需求点a布局废旧电池回收箱的固定费用和运营费用;决策变量ha∈{0,1},取1表示需求点i被选为废旧电池回收箱布局点,取0表示没有被选中;fab=ξ·Xab为客户的人力成本,Xab为需求点a与废旧电池回收箱布局点b之间的距离,ξ为便利因子系数;xab表示需求点a产生废旧电池回收需求,并在废旧电池回收箱布局点b进行回收的预测量。
所述改进的人工蜂群算法中的蜂群参数信息包括蜜源、雇佣蜂和非雇佣蜂(包括跟随蜂和侦察蜂)。蜜源代表问题的可行解,蜜源通过自然数的编码方式产生,蜜源编码中的各数值由侦察蜂和跟随蜂产生,蜜源编码代表规划区域各网格对应社区的编号;蜜源的质量由问题的适应度来表示,所述适应度值通过网络仿真模型求得;蜜源的优化通过蜜蜂的搜索行为完成,其中搜索行为为蜂群算法的过程;
构造蜜源编码方式,采用自然数的蜜源编码方式,对于一个在N个需求点中选出M个位置进行废旧电池回收箱布局的问题,每个蜜源对应一个两行H列的二维矩阵,H=max{M,N}。构造的废旧电池回收箱选址问题要解决两个方面的问题,一是每个需求点是否被选中用于布局回收箱,二是每个需求点由哪个布局点服务。可行解(蜜源)的第一行Xa表示该需求点是否被选中用于布局废旧电池回收箱,0表示未被选中,自然数z表示该点是第z个废旧电池回收箱布局点;可行解第二行Xb表示该需求点由第几个布局点服务,产生|M-N|个虚拟点将二维矩阵补充完整并赋值为0。例如,有5个需求点,选择3个点进行布局,某个蜜源的编码方式为:
此时选择第1、3、5个位置作为布局点,分别排序为2、1、3;并且排序为1的布局点服务于第1、2个需求点,排序为2的布局点服务于第4个需求点,排序为3的布局点服务于第3、5个需求点;
S04:通过改进的人工蜂群算法进行仿真分析,求解仿真模型,得到回收箱布局站址信息;
改进的人工蜂群算法寻优速度快、具有较好的可移植性能,并且改进的编码方式和领域搜索规则可以有效避免算法陷入局部最优,对解决多站点选址问题有一定意义,具体步骤如图2所示:
S041:初始化蜂群,侦察蜂根据全局搜索公式xs,t=lbt+rand(0,1)·(ubt-lbt)为蜜源中的每个位置赋予一个初始值,根据需求点数量和模拟规划布局点数量通过自然数的蜜源编码方式产生初始可行解并对初始可行解进行整数规范化,初始可行解为初始蜜源,用于为规范化后被选取的初始布局点分配雇佣蜂和跟随蜂,设置蜂群算法的最大迭代次数L和无改进迭代次数l,将记录全局迭代次数的控制变量L′、记录局部迭代次数的控制变量L″、记录局部寻优无改进迭代次数的控制变量l′和记录领域搜索无改进迭代次数的l″置为0,初始适应度值记为f=f1=f2=f3=∞;
其中,s代表第s组解s=1,2,…,N,x是一个D维向量,t代表它的维数,t∈{1,2,…,D},rand(0,1)代表0到1的随机小数,lbt是第t维中x的最小值,ubt是第t维中x的最大值;
对于一个在N个需求点中选出M个位置进行废旧电池回收箱布局的问题,对蜜源X的第一行Xa按照数值大小取前M位,把对应位置分别赋值为M,M-1,…,1,其余位置生成|M-N|个虚拟点赋值为0;对蜜源的第二行Xb向上取整,如果超过其范围[1,M],则按边界取值,例如有5个需求点,选择3个点进行布局,某个可行解的编码方式为进行整数规范化后的编码方式变为
S042:根据所述网络仿真模型的目标函数计算当前可行解的适应度值f1,如果当前可行解的适应度值f1<f,则将当前适应度值f1令为f,否则保持不变且将l′加1;
S043:如果适应度f2优于原解的适应度f1则进行替换,否则,跟随蜂采用邻域生成策略产生新的可行解,如果新解的适应度f3优于f2则替换f2,否则保持f2不变且将l″加1;所述邻域生成策略采用两点交叉的变换方式,随机选取蜜源的第二行Xb的两个位置互换数据
S044:若适应度值f2经过l次迭代之后没有变化即l″≥l,记录当前适应度值f2,启用侦察蜂,对Xb采用步骤S041所述全局搜索公式进行更新和整数规范化,并将l″置为0,迭代次数L″加1;
S045:判断L″是否达到最大迭代次数,即若L″>L则转下一步,否则返回步骤S043;
S046:若适应度值f1经过l次迭代之后没有变化即l′≥l,记录当前适应度值f1,启用侦察蜂,对Xa采用步骤S041所述全局搜索公式进行更新并进行整数规范化,并将l′置为0,迭代次数L′加1;
S047:判断Lv是否达到最大迭代次数,即若L′>L则输出当前解即为最优解,否则返回步骤S042。
S05:根据站址服务区域及区域内废旧电池预测回收量确定各站点新能源汽车废旧电池回收箱数量配置,具体为:
对求解结果按照编码方式对应进行解码,依据布局点服务区域的网格数量及各网格内新能源汽车废旧电池的预测回收数量,根据Nm=λ1·Xm+λ2·Ym计算得到在M个拟选址规划站点内投建新能源汽车废旧电池回收箱的台数,
其中,m∈{1,2,…,M}表示被选中进行新能源汽车废旧电池回收箱布局的规划站点的编号;
Nm表示第m个规划站点内预计投放的回收箱数量;
Xm表示由第m个规划站点服务的需求点数量;
Ym表示第m个规划站点服务的需求点区域内总的新能源汽车废旧电池预测回收量;
λ1、λ2均为预设的权重因子。
如图3所示,本发明所述新能源汽车废旧电池回收箱选址规划系统,包括规划区域信息获取单元、废旧电池数量预测单元、选址规划单元和站址规划方案确定单元;
所述规划区域信息获取单元用于对待规划区域进行网格划分并编号,采集、存储和管理待规划区域的新能源汽车保有量、报废量、各网格中心之间的距离等相关信息,并依据采集所得数据计算各年份规划区域内新能源汽车报废量占保有量的比例,各网格内新能源汽车报废量占规划区域总的新能源汽车报废量的比例。然后将所得数据传输给废旧电池数量预测单元和选址规划单元;
所述废旧电池数量预测单元用于对未来年规划区域内的新能源汽车保有量、规划区域内新能源汽车报废量占保有量的比例、各网格内新能源汽车报废量占规划区域总的新能源汽车报废量的比例进行预测,并依据预测所得数据计算规划年各网格内的新能源汽车报废量、新能源汽车废旧电池回收量,然后将预测所得数据传输到选址规划单元和站址规划方案确定单元;
所述选址规划单元用于对未来年规划区域的选址规划问题构建数学模型,并将所述规划区域信息获取单元和所述废旧电池数量预测单元所得数据映射到蜂群算法的对应参数,引入部分算法初始参数,通过改进的蜂群算法对模型求解,求解结果传输到站址规划方案确定单元;
所述站址规划方案确定单元对接收到选址规划单元传输的求解结果按照规则进行解码,确定新能源汽车废旧电池回收箱的选址站点,再依据布局点服务区域的网格数量及各网格内新能源汽车废旧电池的预测回收数量确定各站点回收箱的数量配置。
如图4所示,本发明所述新能源汽车废旧电池回收箱选址规划终端设备,包括输入端、主体部分、存储器、处理器、输出端;
所述输入端收到主体部分的规划区域信息获取单元发出的指令,采集新能源汽车废旧电池回收箱选址规划所需数据信息,将获取的数据信息传输到所述主体部分和存储器。所述输入端可以是麦克风、触控板、扬声器、传感器等录入设备;
所述主体部分用于进行新能源汽车废旧电池回收箱的选址规划,搭载所述新能源汽车废旧电池回收箱选址规划系统,连接所述输入端、存储器、处理器和输出端,在选址规划过程中发出相关指令调用各单元和各模块进行工作,是新能源汽车废旧电池回收箱选址终端设备的核心模块;
所述存储器用于接收所述输入端、主体部分各个单元和处理器传输的数据信息并进行存储,传输选址规划所需的数据信息到所述终端设备主体部分的废旧电池数量预测单元和选址规划单元,传输所需的数据信息和计算程序至所述处理器,传输求解结果至所述输出端;并对终端设备所需的计算程序和数据进行长期存储和管理,对已经输出或者将要输出的数据信息进行暂时存储。所述存储器可以是U盘、终端硬盘、磁盘、数据云盘等存储介质;
所述处理器用于接收所述存储器的数据信息和计算程序,依据所述主体部分各单元发出的指令调用相关数据信息和计算程序进行数据预测、算法求解和结果解码,输出结果到存储器、处理器和输出端。所述处理器可以是中央处理器和其他通用处理器;
所述输出端收到所述主体部分的站址规划方案确定单元的指令,将新能源汽车废旧电池回收箱选址规划的结果转换成图像或声音等信号输出。所述输出端可以是显示屏、扬声器等。
应当理解,虽然本说明书是按照各个实施例描述的,但并非每个实施例仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。
Claims (10)
1.一种新能源汽车废旧电池回收箱选址规划方法,其特征在于,包括如下步骤:
对规划区域进行网格划分,获取第i区域内的各年的新能源汽车保有量Di和报废量Si,从而确定各网格内新能源汽车报废量占规划区域总的新能源汽车报废量的比例PN=(P1,P2,...Pi,…,Pn),其中,i表示第i区域对应的社区,n为区域总数,
通过平滑处理的灰色预测模型对各区域新能源汽车废旧电池回收量进行预测;
确定网络仿真模型,将各区域参数信息映射到改进的人工蜂群算法中的蜂群参数信息;
通过改进的人工蜂群算法进行仿真分析,求解仿真模型,得到回收箱布局站址信息;
根据站址服务区域及区域内废旧电池预测回收量确定各站点新能源汽车废旧电池回收箱数量配置。
2.根据权利要求1所述的新能源汽车废旧电池回收箱选址规划方法,其特征在于,所述通过平滑处理的灰色预测模型对各区域新能源汽车废旧电池回收量进行预测,包括如下步骤如下:
将第i区域内的各年的新能源汽车保有量Di、各网格内新能源汽车报废量占规划区域总的新能源汽车报废量的比例PN、第i区域内新能源汽车报废量占保有量的比例Pi分别进行排序生成原始数据系列X(0)=(x(0)(1),x(0)(2),…,x(0)(k),…,x(0)(n))的形式,其中,x(0)(k)≥0,k=0,1,2,…,n;
采用三点平滑法对原始数据系列进行预处理,具体如下:
中间数据单独处理为:
两端数据单独处理为:
参数α和u通过最小二乘法确定,[α,u]T=(BTB)-1BTY,其中,B为数据矩阵,Y为数据向量,分别表示为:
4.根据权利要求1所述的新能源汽车废旧电池回收箱选址规划方法,其特征在于,所述改进的人工蜂群算法中的蜂群参数信息包括蜜源,
所述蜜源代表问题的可行解,蜜源通过自然数的编码方式产生,蜜源编码中的各数值由侦察蜂和跟随蜂产生,蜜源编码代表规划区域各网格对应社区的编号;蜜源的质量由问题的适应度来表示,所述适应度值通过网络仿真模型求得;蜜源的优化通过蜜蜂的搜索行为完成,其中搜索行为为蜂群算法的过程;
蜜源通过自然数的编码方式产生具体如下:对于一个在N个需求点中选出M个位置进行废旧电池回收箱布局的问题,每个蜜源对应一个两行H列的二维矩阵,H=max{M,N};每个蜜源的第一行Xa表示该需求点是否被选中用于布局废旧电池回收箱,0表示未被选中,自然数z表示该点被选中为第z个废旧电池回收箱布局点;每个蜜源的第二行Xb表示该需求点由第几个布局点服务,产生|M-N|个虚拟点并赋值为0将二维矩阵补充完整。
5.根据权利要求4所述的新能源汽车废旧电池回收箱选址规划方法,其特征在于,通过改进的人工蜂群算法进行仿真分析,求解仿真模型,得到回收箱布局站址信息,具体包括如下步骤:
S041:初始化蜂群,侦察蜂根据全局搜索公式xs,t=lbt+rand(0,1)·(ubt-lbt)为蜜源中的每个位置赋予一个初始值,根据需求点数量和模拟规划布局点数量通过自然数的蜜源编码方式产生初始可行解并对初始可行解进行整数规范化,初始可行解为初始蜜源,用于为规范化后被选取的初始布局点分配雇佣蜂和跟随蜂,设置蜂群算法的最大迭代次数L和无改进迭代次数l,将记录全局迭代次数的控制变量L′、记录局部迭代次数的控制变量L″、记录局部寻优无改进迭代次数的控制变量l′和记录领域搜索无改进迭代次数的l″置为0,初始适应度值记为f=f1=f2=f3=∞;
其中,s代表第s组解s=1,2,...,N,x是一个D维向量,t代表它的维数,t∈{1,2,...,D},rand(0,1)代表0到1的随机小数,lbt是第t维中x的最小值,ubt是第t维中x的最大值;
S042:根据所述网络仿真模型的目标函数计算当前可行解的适应度值f1,如果当前可行解的适应度值f1<f,则将当前适应度值f1令为f,否则保持不变且将l′加1;
S043:如果适应度f2优于原解的适应度f1则进行替换,否则,跟随蜂采用邻域生成策略产生新的可行解,如果新解的适应度f3优于f2则替换f2,否则保持f2不变且将l″加1;
S044:若适应度值f2经过l次迭代之后没有变化即l″≥l,记录当前适应度值f2,启用侦察蜂,对Xb采用步骤S041所述全局搜索公式进行更新和整数规范化,并将l″置为0,迭代次数L″加1;
S045:判断L″是否达到最大迭代次数,即若L″>L则转下一步,否则返回步骤S043;
S046:若适应度值f1经过l次迭代之后没有变化即l′≥l,记录当前适应度值f1,启用侦察蜂,对Xa采用步骤S041所述全局搜索公式进行更新并进行整数规范化,并将l′置为0,迭代次数L′加1;
S047:判断L′是否达到最大迭代次数,即若L′>L则输出当前解即为最优解,否则返回步骤S042。
6.根据权利要求5所述的新能源汽车废旧电池回收箱选址规划方法,其特征在于,所述邻域生成策略采用两点交叉的变换方式,随机选取蜜源的第二行Xb的两个位置互换数据。
7.根据权利要求5所述的新能源汽车废旧电池回收箱选址规划方法,其特征在于,根据站址服务区域及区域内废旧电池预测回收量确定各站点新能源汽车废旧电池回收箱数量配置,具体为:
对求解结果按照编码方式对应进行解码,依据布局点服务区域的网格数量及各网格内新能源汽车废旧电池的预测回收数量,根据Nm=λ1·Xm+λ2·Ym计算得到在M个拟选址规划站点内投建新能源汽车废旧电池回收箱的台数,
其中,m∈{1,2,...,M}表示被选中进行新能源汽车废旧电池回收箱布局的规划站点的编号;
Nm表示第m个规划站点内预计投放的回收箱数量;
Xm表示由第m个规划站点服务的需求点数量;
Ym表示第m个规划站点服务的需求点区域内总的新能源汽车废旧电池预测回收量;
λ1、λ2均为预设的权重因子。
8.一种根据权利要求1-7任一项所述的新能源汽车废旧电池回收箱选址规划方法的系统,其特征在于,包括:
规划区域信息获取单元:用于对待规划区域进行网格划分并编号,采集、存储和管理待规划区域的相关数据信息;
废旧电池数量预测单元:用于预测选址规划所需数据;
选址规划单元:用于对未来年规划区域的选址规划问题构建数学模型,并将所述规划区域信息获取单元和所述废旧电池数量预测单元所得数据映射到蜂群算法的对应参数,引入算法初始参数,通过改进的蜂群算法对模型求解;
站址规划方案确定单元:用于对接收到选址规划单元传输的求解结果按照规则进行解码,确定新能源汽车废旧电池回收箱的选址站点,再依据布局点服务区域的网格数量及各网格内新能源汽车废旧电池的预测回收数量确定各站点回收箱的数量配置。
9.根据权利要求8所述的新能源汽车废旧电池回收箱选址规划系统,其特征在于,所述规划区域信息获取单元与所述废旧电池数量预测单元和选址规划单元相互关联,进行规划区域及各网格原始数据的传输;所述废旧电池数量预测单元与所述选址规划单元和站址规划方案确定单元相互关联,进行相关预测数据的传输;所述选址规划单元与所述站址规划方案确定单元关联,进行算法求解结果的传输。
10.一种新能源汽车废旧电池回收箱选址规划终端设备,其特征在于,包括:
输入端:用于采集新能源汽车废旧电池回收箱选址规划所需数据信息;
主体部分:用于进行新能源汽车废旧电池回收箱的选址规划;
存储器:用于接收所述输入端、主体部分和处理器传输的数据信息并进行存储;对终端设备所需的计算程序和数据进行长期存储和管理,并对已经输出或者将要输出的数据信息进行暂时存储;
处理器:用于接收所述存储器的数据信息和计算程序,依据所述主体部分的不同指令调用相关数据信息和计算程序进行数据预测、函数求解和数据解码;
输出端:用于将新能源汽车废旧电池回收箱选址规划结果转换成图像或声音等信号输出;
所述主体部分搭载权利要求8所述的新能源汽车废旧电池回收箱选址规划方法的系统,所述主体部分连接所述输入端、存储器、处理器和输出端;所述输入端与所述主体部分和存储器关联,所述存储器与所述主体部分和处理器关联,所述处理器与所述主体部分和输出端关联,相互关联的模块之间进行相应数据的传输。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211293410.0A CN115510682A (zh) | 2022-10-21 | 2022-10-21 | 一种新能源汽车废旧电池回收箱选址规划方法、系统及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211293410.0A CN115510682A (zh) | 2022-10-21 | 2022-10-21 | 一种新能源汽车废旧电池回收箱选址规划方法、系统及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115510682A true CN115510682A (zh) | 2022-12-23 |
Family
ID=84511037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211293410.0A Pending CN115510682A (zh) | 2022-10-21 | 2022-10-21 | 一种新能源汽车废旧电池回收箱选址规划方法、系统及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115510682A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117936953A (zh) * | 2024-03-25 | 2024-04-26 | 深圳市杰成镍钴新能源科技有限公司 | 一种废旧电池的批次放电智能控制方法及相关装置 |
-
2022
- 2022-10-21 CN CN202211293410.0A patent/CN115510682A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117936953A (zh) * | 2024-03-25 | 2024-04-26 | 深圳市杰成镍钴新能源科技有限公司 | 一种废旧电池的批次放电智能控制方法及相关装置 |
CN117936953B (zh) * | 2024-03-25 | 2024-05-24 | 深圳市杰成镍钴新能源科技有限公司 | 一种废旧电池的批次放电智能控制方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102426674B (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和系统 | |
CN104077634B (zh) | 基于多目标优化的主动‑反应式动态项目调度方法 | |
CN115510682A (zh) | 一种新能源汽车废旧电池回收箱选址规划方法、系统及终端设备 | |
CN116436008A (zh) | 一种用于光储充电站的电力调度方法及终端 | |
CN111626492B (zh) | 一种电动汽车充电网络模糊多目标机会约束规划方法 | |
CN116599151A (zh) | 基于多源数据的源网储荷安全管理方法 | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
CN109978241B (zh) | 一种电动汽车充电负荷的确定方法及装置 | |
CN116402187A (zh) | 一种基于电力大数据的企业排污预测方法 | |
CN112348352B (zh) | 基于大数据分析的电力预算建议方案自动生成方法 | |
CN117353359B (zh) | 电池联合储能供电方法及系统 | |
CN117009859A (zh) | 一种基于内存计算的特征拼接方法及系统 | |
JP6853981B2 (ja) | 余剰電力評価装置及び余剰電力評価方法 | |
CN116094050A (zh) | 基于边远区域负荷配电网电力电量优化方法、系统、应用 | |
CN113327047B (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及系统 | |
CN115545588A (zh) | 固定储能系统选址确定方法、装置、电子设备及存储介质 | |
CN115186882A (zh) | 一种基于聚类的可控负荷空间密度预测方法 | |
CN114819292A (zh) | 基于安全综合评价的园区微电网智能调度方法及系统 | |
CN114386781A (zh) | 一种基于gra-topsis的物流园区智慧化水平评价方法 | |
CN113469522A (zh) | 综合能源物联网评价方法、装置、电子设备及存储介质 | |
CN111798148B (zh) | 项目分配方法、装置、计算机设备及存储介质 | |
CN116822209A (zh) | 考虑供需协同的大规模风光火储系统容量配置方法 | |
CN114997687A (zh) | 资源调度方法、装置、存储介质及电子设备 | |
CN114021798A (zh) | 一种分布式电力负荷组合预测方法、装置、终端及存储介质 |
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 |