CN115577938A - 一种电气化按需移动调度方法、装置及系统 - Google Patents
一种电气化按需移动调度方法、装置及系统 Download PDFInfo
- Publication number
- CN115577938A CN115577938A CN202211235118.3A CN202211235118A CN115577938A CN 115577938 A CN115577938 A CN 115577938A CN 202211235118 A CN202211235118 A CN 202211235118A CN 115577938 A CN115577938 A CN 115577938A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- charging
- order
- service
- level
- 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
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提供一种电气化按需移动调度方法、装置及系统,调度方法,包括:获取乘客订单;针对所述乘客订单,基于二分图匹配模型计算订单分配和短距离车队重定位,生成车辆‑订单级别的匹配结果;根据车辆‑订单级别的匹配结果,将所有车辆的起点和终点信息聚合为经聚合的区域之间的流级别,将作为流级别的运行边界条件上传至充电基础设施运营商;获取充电基础设施运营商生成流级别调度,将流级别调度解聚合成车辆级别,为每个车辆产生最终的订购服务‑车辆再平衡‑充电规划。本发明电气化按需移动调度方法实现了优化车队的服务‑再平衡‑充电调配,减少了碳排放。
Description
技术领域
本发明涉及电气化按需移动领域,特别是涉及一种电气化按需移动调度方法、装置及系统。
背景技术
在运输部门中,共享经济的出现完全重新定义了日常移动的模式,因此改造了相关联的碳排放。随着算法调度使按需移动(MOD)平台能够利用更少的车队为更多的消费者服务,也将共享经济预期为运输部门的低碳转变。在电网部门中,可再生能源(例如太阳能和风能)的注入也正在调整着电力生产。虽然电力的碳强度下降,生产却更不稳定并且时断时续。同时,由于电动车辆(EV)注入的快速发展,碳排放过程已经联系得越来越紧密。
随着共享经济和可再生能源的增长,运输部门和电力部门的碳排放高度依赖于调度算法。在车辆电气化的趋势下,充电需求将使电力系统和运输系统的运营进一步耦合,高度重视协调E-MOD车队的服务和充电过程的车辆-电网集成调度框架。最近的一些工作已经联合地优化了订购服务、车辆再平衡和充电调度。Rossi等提出了耦合网络模型,其联合地捕捉自动按需移动车队与配电网络(PDN)之间的交互作用。在中对该模型进行了进一步扩展,以研究E-MOD运营商与PDN运营商之间的协调的益处,并且避免由E-MOD运营导致的可能的过载或电压降。基于类似的E-MOD车队的网络流建模,Lu等将多个充电站运营商与E-MOD运营商之间的相互作用描述为非合作Stackelberg博弈,并且通过深度强化学习(DRL)算法求解了该博弈。此外,在中还讨论了用于E-MOD系统的电池交换选择,在中进一步考察了交换站的服务质量定价策略。除了网络流之外,还使用诸如模型预测控制、深度强化学习和基于代理的仿真的其他方法。Iacobucci等提出了双层模型预测控制模型,其并行地实现了充电和旅行服务的优化。Liang等将联合做出决策描述为部分可观测Markov决策过程,通过DRL与二元线性规划的组合对其进行近似求解。Qian等提出了用于E-MOD车队的在线调配的影子价格深度强化学习框架,其组合了严格耦合的电力及交通网络模型与基于数据驱动的模型(DRL)的算法。Zhang等构建了基于代理的智能充电框架,以识别有效共享电动车辆(SEV)充电管理对于消峰和可再生能源集成的益处。Melendez等开发了用于包括自动SEV车队和充电集线器的集合的信息物理系统的最佳运营的强健的混合整数线性规划模型。
虽然当前的一些研究已经讨论了E-MOD车队与电力系统或充电基础设施运营商之间的交互作用,但是还没有全面地讨论涉及协调运输系统中的旅行需求和电力系统中的可再生能源集成两者的调度问题的减排。此外,现有的研究通常忽视E-MOD车队调度和电力系统调配的不同的空时尺度和它们之间的信息壁垒。
发明内容
为解决现有技术存在的问题,本发明提供一种电气化按需移动调度方法、装置及系统,本发明电气化按需移动调度方法实现了优化车队的服务-再平衡-充电调配,减少了碳排放。
为达到上述目的,本发明采用了以下技术方案:
本发明一种电气化按需移动调度方法,包括:
获取乘客订单;
针对所述乘客订单,基于二分图匹配模型计算订单分配和短距离车队重定位,生成车辆-订单级别的匹配结果;
根据车辆-订单级别的匹配结果,将所有车辆的起点和终点信息聚合为区域之间的流级别,将作为流级别的运行边界条件上传至充电基础设施运营商;
获取充电基础设施运营商生成流级别调度计划,将流级别调度解聚合成车辆级别,为每个车辆产生最终的订购服务-车辆再平衡-充电计划;所述流级别调度计划是充电基础设施运营商通过组合多个时段的运行边界条件,对用于涉及排放的充电调配的状态转移网络流模型进行求解,确定车队在全天期间的充电间隔和区域、以及用于移动服务的EV在每个调度时段中的初始的SOC范围,生成所述流级别调度计划。
作为本发明的进一步改进,所述针对所述乘客订单,基于二分图匹配模型计算订单分配和短距离车队重定位,生成车辆-订单级别的匹配结果,包括:
单独的旅程集合T,每个旅程Ti∈T由元组表示,其中是接取时间,是接取位置,是下车时间,并且是下车位置;对于Ti,Tj∈T,满足将eij定义为两个旅程Ti和Tj之间的能耗,其中,tij是从至的再平衡时间;
将e0定义为在这个时段中用于调度另外一个SEV的固定启动能耗,其表示分布在每个时段的诸如空调和车辆生产能源的能耗;
在每个时段中,由二分图匹配模型计算订单分配和短距离车队重定位,给出满足所有旅程的最小能耗车辆-订单匹配序列。
作为本发明的进一步改进,所述在每个时段中,由二分图匹配模型计算订单分配和短距离车队重定位,给出满足所有旅程的最小能耗车辆-订单匹配序列,包括:
构建E-MOD服务调度模型,以满足所有的移动需求的同时具有最小总能耗的调度规划为目标,总能耗包括:启动所有SEV的总能耗和任意两个旅程之间浪费的总能耗,任意两个旅程之间浪费的总能耗被建模为加权车辆共享网络GV=(V,E,W),其要素定义如下:
VSN节点:对应于旅程集合T的节点集合V;
VSN权重:权重函数W(vi,vj)=eij表示每个边的对应的能耗;
采用二分图匹配模型计算能耗最小化调度,包括:
将能耗最小化调度问题转换成在二分图GB=(P∪Q,F,S)上的最小加权完美二分图匹配问题,其要素定义如下:
BM节点:作为二分图,其节点集合由节点的两个子集组成:P={A1,…A|V|}∪{C1,…C|V|}和Q={B1,…B|V|}∪{D1,…D|V|},其中Ai,Bi表示旅程Ti的结束和开始,并且Ci,Di表示SEVi在这个调度时段期间的运营的开始和结束。|V|表示车辆共享网络GV的节点集合尺寸;
BM边:边集合F包括边的多个子集,其表示不同类型的车辆-旅行订单匹配:
F={(Ai,Bj)∣(vi,vj)∈E}
∪{(Ci,Bi)|i=1,2,…,|V|}
∪{(Ai,Dj)|i,j=1,2,…,|V|}
∪{(Ci,Di)|i=1,2,…,|V|}
{(Ai,Bj)∣(vi,vj)∈E}:在旅程i之后由相同的SEV为旅程j服务;
{(Ci,Bi)|i=1,2,…,|V|}:旅程i是在这个时段期间为SEVi分配的第一个订单;
{(Ai,Dj)|i,j=1,2,…,|V|}:旅程i在这个时段期间为SEVj分配的最后一个订单;
{(Ci,Di)|i=1,2,…,|V|}:在这个时段期间SEVi不为任何订单服务;
BM权重:权重函数S表示每个边子集的对应的能耗;
S((Ai,Bj))=eij
S((Ci,Bi))=e0
S((Ai,Dj))=0
S((Ci,Di))=0
其包括前两个类型的边中的运营和启动能耗;
作为本发明的进一步改进,所述完美匹配表示左侧P的每个节点与右侧Q的一个节点匹配,还包括:
如果边(Ci,Di)不在完美匹配中,则其表示SEVi被分配有至少一个订单,还需计算在这个时段中的运营车队规模。
作为本发明的进一步改进,所述根据车辆-订单级别的匹配结果,将所有车辆的起点和终点信息聚合为经聚合的区域之间的流级别,包括:
在所有调度时段的车辆-订单匹配计算之后,将所有SEV的位置聚合至区域级别,具体为:
根据空时转移和能耗将服务序列聚合至车辆流级别;将经聚合的流视为等同的起点终点对,每个O-D对由元组表示,其中ok和dk分别是请求起点区域和终点区域;和是请求开始时间间隔和结束时间间隔,并且ck是所消耗的电池SOC;λk是进行转移的SEV的数目;接收在流级别的经聚合的服务调度信息,将其作为车队运行边界条件。
作为本发明的进一步改进,所述状态转移网络流模型的构建方法包括:
根据经度和纬度将地图划分成多个四边形区域用于将服务调度聚合至交通流,建立有向图Gr=(Nr,Ar),以对道路网络进行建模,其中Nr表示代表区域的节点集合并且Ar表示边集合,下标r表示初始的道路网络;
对E-MOD车队的时变特性和电池电量级别进行建模,道路网络的有向图被扩展至空时SOC图并且被定义为状态转移网络STN Gg=(Ng,Ag),下标g表示扩展网络;状态转移网络流模型具体包括:
1)STN节点和注入如下:
状态节点集合Ng表示SEV的空时SOC状态;每个节点I∈Ng对应于元组I=(iI,tI,cI),其中iI∈Nr是初始区域节点,tI是离散时间并且cI是离散充电级别;使用来表示在相同时段期间具有相同的起点和终点的车队转移调度的组的流,ok和dk分别是流的请求起点区域和请求终点区域;和是相关联的开始时间点和结束时间点;ck是所消耗的电池SOC并且λk是需要为这个调度Fk服务的SEV的数目,其通过车队运营商调度的BM算法确定;CIO决定用于为Fk服务的注入的组;每个注入表示在出发时具有相同的SOC量的SEV的类型;和来表示在一天的开始和结束时在I∈Ng状态下的EV的数目;
2)STN边和流如下:
在由表示的SEV被注入到STN之后,其状态沿着时间水平线转移;边集合Ag表示在时间间隔之间的空间SOC状态转移关系,而边流表示这样的转移中的SEV的数目;边集合可以根据物理含义被划分成三个子集AS、AR和AC;
b)再平衡-空闲边如下:
c)充放电边如下:
作为本发明的进一步改进,对用于涉及排放的充电调配的状态转移网络流模型进行求解,包括:
充电基础设施运营商的目标为:使所有边流和开始-结束服务注入和开始-结束SEV注入作为决策变量、在满足服务调度的同时最小化由E-MOD车队导致的总的碳排放;EV的碳排放与其使用的电力相关联,表示为:
其中PCha表示额定充电/放电电力,并且δI表示在时间tI处的排放系数;
网络流模型的约束如下:
其中约束(2)表示载客服务流的连续性约束,其使载客服务流与开始-结束服务注入联系起来;约束(3)表示完成旅行请求的开始服务流和结束服务流;约束(4)表示所有种类的转移流的流守恒约束;函数1x表示布尔变量x={true,false}的指示函数,即,如果x为真则1x=1,而如果x为假则1x=0;约束(5)是SOC约束,其指示当节点I中的车辆的SOC不满足道路cij的所需要的SOC时,将服务流和再平衡流两者限制为0以避免不可行的调配结果;约束(6)表示充电站n中的充电桩限制。
作为本发明的进一步改进,所述订购服务-车辆再平衡-充电规划中,订购服务是将车辆与具有特定的起点节点和终点节点以及开始时间的旅行请求进行匹配,车辆再平衡是与交通部门相关联的车辆再平衡为了将来的订单而预先将车辆重定位至其他高需求量的区域,充电是与充电基础设施和电力部门耦合的充电,以确定每个SEV的充电位置和时间。
一种电气化按需移动调度装置,包括:
获取模块,用于获取乘客订单;
生成模块,用于针对所述乘客订单,基于二分图匹配模型计算订单分配和短距离车队重定位,生成车辆-订单级别的匹配结果;
聚合模块,用于车辆-订单级别的匹配结果,将所有车辆的起点和终点信息聚合为经聚合的区域之间的流级别,将作为流级别的运行边界条件上传至充电基础设施运营商;
解聚合模块,用于获取充电基础设施运营商生成流级别调度,将流级别调度解聚合成车辆级别,为每个车辆产生最终的订购服务-车辆再平衡-充电规划;所述流级别调度是通过组合多个时段的运行边界条件,对用于涉及排放的充电调配的状态转移网络流模型进行求解,确定车队在全天期间的充电间隔和区域、以及用于移动服务的EV在每个调度时段中的初始的SOC范围,生成流级别调度。
一种电气化按需移动调度系统,包括:
E-MOD运营商模块,用于获取乘客订单;针对所述乘客订单,基于二分图匹配模型计算订单分配和短距离车队重定位,生成车辆-订单级别的匹配结果;车辆-订单级别的匹配结果,将所有车辆的起点和终点信息聚合为经聚合的区域之间的流级别,将作为流级别的运行边界条件上传至充电基础设施运营商模块;
充电基础设施运营商模块,用于通过组合多个时段的运行边界条件,对用于涉及排放的充电调配的状态转移网络流模型进行求解,确定车队在全天期间的充电间隔和区域、以及用于移动服务的EV在每个调度时段中的初始的SOC范围,生成流级别调度;所述E-MOD运营商模块将流级别调度解聚合成车辆级别,为每个车辆产生最终的订购服务-车辆再平衡-充电规划。
与现有技术相比,本发明的有益效果体现在:
本发明提出了电气化按需移动调度方法,用于E-MOD车队的限碳调度,以协调车队运营商和充电基础设施运营商,其全面地考虑了与E-MOD运营和充电调配管理相关联的不同的调度空时尺度、计算效率和隐私问题。在E-MOD运营商模块中,在车辆共享网络上基于高效的二分图匹配模型计算在车辆订单匹配级别的精确的订购服务调度。将每个时段的调度结果聚合至区域-流级别并且上传至充电基础设施运营商。基于经聚合的运行边界条件,充电基础设施运营商实现多商品网络流模型,以优化车队的服务-再平衡-充电调配,其目标在于减少碳排放。然后,对流级别的调配结果进行解聚合,以由E-MOD运营商完成用于每个车辆的调度序列。对现实世界的纽约市进行了案例研究,以验证所提出的调度框架在不同的场景下的有效性。通过将车网互动并入,证明了车队释放了接近零的排放。同时,本发明的框架还避免了运输部门与电力部门之间的过量信息流动,其保护了隐私和安全。
进一步,本发明针对运输部门减排的电气化按需移动系统和电力系统的协调调度框架,其考虑车队运营商和充电基础设施运营商之间的不同的调度时空尺度、计算效率和隐私问题,并且可用于现实场景的应用。针对车辆订单匹配级别调度提出了高效的二分图匹配模型,并且针对集成了车辆至电网(V2G)的流级别的充电调配建立了状态转移网络流模型。
附图说明
图1为问题综述和调度框架示意图,其中,(a)为问题设置综述,(b)为多时间尺度调度;(c)多空间尺度调度;(d)为优化模型概要;
图2为从共享网络到二分图匹配的说明性示例,其中,(a)为示例设置,(b)为可能的解决方案;(c)为二分图转换;(d)为匹配解决方案;
图3为状态转移网络流模型;
图4为纽约市中的出行需求,其中,(a)为O-D需求;(b)为区域划分和FCS位置;
图5为电力供应组成和碳排放因子,其中,(a)为电力需求和可再生能源生产;(b)为碳排放和平均排放系数曲线;
图6为调度框架的计算效率,(a)为二分图匹配,(b)为网络流;
图7为调度结果,即不同状态下的SEV,其中,(a)为场景1,(b)为场景2;
图8为两个场景之间的充电调配和碳排放比较;其中,(a)为碳排放系数,(b为)充电电力(场景1);(c)为累积碳排放(场景1);(d)为充放电电力(场景2);(e)为累积碳排放(场景2);
图9为本发明的电气化按需移动调度方法流程示意图;
图10为本发明电气化按需移动调度装置结构示意图;
图11为本发明一种电子设备结构示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明,旨在对本发明提供进一步的详细说明。除非另有指明,本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式,而并非意图限制根据本发明的示例性实施方式。
相关术语解释
电气化按需移动(E-MOD)系统将在未来城市运输系统中发挥重要的作用,其将碳排放从运输部门转移到电力部门。为了满足E-MOD车队的日常充电需求,充电基础设施运营商(CIO)将为E-MOD车队提供充电导航和能源管理服务。在本发明中,提出了用于E-MOD车队的限碳调度框架,以协调车队运营商和充电基础设施运营商,其全面地考虑了与E-MOD运营和充电调配管理相关联的不同的调度空时尺度、计算效率和隐私问题。
如图9所示,本发明第一个目的是提供一种电气化按需移动调度方法,应用于E-MOD运营商,包括:
S1,获取乘客订单;
S2,针对所述乘客订单,基于二分图匹配模型计算订单分配和短距离车队重定位,生成车辆-订单级别的匹配结果;
S3,根据车辆-订单级别的匹配结果,将所有车辆的起点和终点信息聚合为区域之间的流级别,将作为流级别的运行边界条件上传至充电基础设施运营商;
S4,获取充电基础设施运营商生成流级别调度计划,将流级别调度解聚合成车辆级别,为每个车辆产生最终的订购服务-车辆再平衡-充电计划;所述流级别调度计划是充电基础设施运营商通过组合多个时段的运行边界条件,对用于涉及排放的充电调配的状态转移网络流模型进行求解,确定车队在全天期间的充电间隔和区域、以及用于移动服务的EV在每个调度时段中的初始的SOC范围,生成所述流级别调度计划。
在E-MOD运营商模块中,在车辆共享网络上基于高效的二分图匹配模型计算在车辆订单匹配级别的精确的订购服务调度。将每个时段的调度结果聚合(cluster)至区域-流级别并且上传至充电基础设施运营商。基于经聚合的运行边界条件(operation boundarycondition),充电基础设施运营商实现多商品网络流模型,以优化车队的服务-再平衡-充电调配,其目标在于减少碳排放。然后,对流级别的调配结果进行解聚合,以由E-MOD运营商完成用于每个车辆的调度序列。
为了减少由E-MOD车队导致的碳排放,在本发明中提出了用于E-MOD的双层调度框架。在本发明的工作中,一天的订单分布在多个调度时段(例如1小时)。一个调度时段还可以分成用于充电调度的几个间隔(例如15分钟)。在每个调度时段中,由E-MOD运营商经由二分图匹配模型计算准确的订单分配和车队再平衡,该二分图匹配模型给出了车辆-订单级别的匹配。然后,将所有SEV的起点和终点信息聚合为经聚合的区域之间的流级别,然后将其作为运行边界条件上传至充电基础设施运营商。然后,通过组合多个时段的运行边界条件,充电基础设施运营商对用于涉及排放的充电调配的网络流模型进行求解,其确定车队在全天期间的充电间隔和区域、以及用于移动服务的EV在每个调度时段中的初始的SOC范围。最后,E-MOD车队运营商还将流级别调配解聚合成车辆级别,并且为每个车辆产生最终的服务-再平衡-充电规划。在这个过程期间,全面地考虑了对空时尺度进行异质调度、计算效率和隐私问题。
在本发明中提出了用于E-MOD车队的涉及排放的双层调度框架。通常,E-MOD运营商将面临三种类型的决策,即订购服务(将车辆与具有特定的起点节点和终点节点以及开始时间的旅行请求进行匹配)、与交通部门相关联的车辆再平衡(为了将来的订单而预先将车辆重定位至其他高需求量的区域)、以及与充电基础设施和电力部门耦合的充电(确定每个SEV的充电位置和时间)。受当前的对电动车辆聚合的研究启发,本发明尝试提供用于不同的系统中的任务的在适当的精度下的模型,以处理其异质的时空调度尺度。在运输部门中,本发明建立了用于准确的订单分配和车队再平衡的在计算上高效的二分图匹配模型。在电力部门中,本发明使用利用上面的经聚合的交通调度结果作为流级别运行边界条件的用于涉及排放的充电调配和能源管理的转移网络流模型。在这个过程期间,每个客户的精确的旅行订单信息由车队运营商来保存,其保护了客户在交通部门中的隐私并且避免了在电力部门中的充电调配的难度。
另一方面,基于实现的角度,大多数跨学科的研究忽视了E-MOD车队调度与电力系统调配之间的空时尺度差异和信息壁垒。如果本发明使订购服务和车辆再平衡与E-MOD车队相关联,同时也使充电调度与电力系统联系起来,那么本发明可以看到两个系统的调度优化实际上在十分不同的时间尺度和空间尺度上运行:在运输系统中,订单分配和车队再平衡通常依赖于作为输入的每个订单的精确的起点和终点信息。例如,接取时间通常在分钟级别,并且起点-终点地址通常在100m级别。因此,提出了诸如二分图匹配的基于图的模型,将其作为在将数百万的订单与车辆进行匹配的级别上的在计算上高效的解决方案。然而,这些模型难以用于描述诸如SOC(充电状态)改变的状态转移和充电时间和地点的灵活选择。然而,在电力系统中,充电调配通常在比较粗略的尺度上进行计算,其中,可以使决策变量处于15分钟的时间精度和1000m×1000m的面积的空间精度下。因此,通常在以上跨学科的研究中使用诸如扩展网络流的数学规划方法,其仅可以处理作为输入的几千个经聚合的起点终点(O-D)对,并且也仅可以给出经聚合的流级别的调配结果。因此,在协调调度中直接使用在相同的空时尺度下的现有的模型可能会导致巨大的计算负担或导致偏差。除了空时尺度差异之外,还要考虑客户隐私问题,不应该在E-MOD车队运营商与充电基础设施运营商之间交换详细的订单数据。
在本发明中研究的问题在于未来城市的低碳电气化运输系统,其中,当前的进行巡游的出租车车队被包括共享电动车辆(SEV)的按需移动(MOD)系统替代。本发明的目标在于通过布置车队调度和SEV的充电来限制由E-MOD平台导致的总的碳排放(即消除碳足迹)。
本发明在图1(a)中概况了E-MOD系统调度的过程。SEV由E-MOD车队运营商集中调度,以满足旅行需求(即实现SEV与来自乘客的旅行订单之间的匹配)。然后,基于E-MOD运营商的服务调度,充电基础设施运营商(CIO)将为E-MOD车队提供充电调配管理,其目标在于实现碳减排以及增加可再生能源注入。还给定了充电站的位置和尺寸。根据可再生能源生产和电力系统调度,电力的排放系数(对应于单位电力负载的排放量)基于15分钟间隔变化。本发明还考虑SEV与电网交互作用的两个场景。一个场景对仅由电网对EV进行充电的当前情况进行建模。另一场景是SEV可以将其能源回注到电网的V2G场景。
本发明提出了如图1所示的调度框架,其全面地考虑了多空时尺度、计算效率和隐私问题。
本发明旨在协调绿色SEV充电与订购服务调度。因此,本发明的框架包括两个模块:订购服务调度模块和充放电模块。在时间维度上,一天的订单分布在用于车辆-订单匹配的多个调度时段,但是一个调度时段还可以分成几个充电间隔。例如,如图1(b)所示,本发明可以将调度时段的长度设置为时长1小时,但是充电调配间隔为时长15分钟。订购服务调度模块决定在每个时段中进行服务所需要的SEV的数目及其时间-空间转移调度。然后,将服务中的汽车的信息用于每个间隔中的SEV充电布置。在下面总结了详细的过程。
模块1:E-MOD运营商:订购服务调度(车辆级别)
在每个时段(1小时)中,由E-MOD运营商经由所提出的二分图匹配模型计算准确的订单分配和短距离车队重定位,其由图1(b)中的箭头指示。如图1(c)的左部所示,该计算给出SEV的乘客服务序列。
在这个研究中,本发明假设调度基于被表示为单独的旅程集合T的单订单级别中的准确的信息。每个旅程Ti∈T由元组表示,其中是接取时间,是接取位置,是下车时间,并且是下车位置。对于Ti,Tj∈T,满足本发明将eij定义为两个旅程Ti和Tj之间的能耗,其中,tij是从至的再平衡时间。本发明还将e0定义为在这个时段中用于调度另外一个SEV的固定启动能耗,其表示分布在每个时段的诸如空调和车辆生产能源的能耗。如图1(d)所示,该调度旨在考察满足所有旅程的最小能耗车辆-订单匹配序列。
模块2:CIO:充电调配(流级别)
在所有24个调度时段的车辆-订单匹配计算之后,将所有SEV的位置聚合至区域级别。如图1(b)的右部所示,根据空时转移和能耗将服务序列聚合至车辆流级别。将经聚合的流视为等同的起点终点对(O-D对),其在流级别的交通管理研究中广泛使用。每个O-D对由元组表示,其中ok和dk分别是请求起点区域和终点区域。和是请求开始时间间隔和结束时间间隔,并且ck是所消耗的电池SOC。然后,λk是进行转移的SEV的数目。以这种方式,CIO仅接收在流级别的经聚合的服务调度信息,将其作为车队运行边界条件,其极大地减少了计算负担并且避免了隐私问题。
如图1(b)中的红色虚线箭头所示,将这样的经聚合的服务调度信息组合为车队运行边界条件,CIO将基于全天实现涉及排放的充电调配,其确定在全天期间在每个时段中被布置为承载乘客的SEV的初始SOC以及车队充电时间和位置。所述计算基于建立的状态转移网络流模型,其集成了SEV的时空转移与SOC改变,并且将最小化车队碳排放设置为其目标(参见图1(d))。基于CIO充电调度结果,E-MOD车队运营商还将流级别调度解聚合成车辆级别调度信号,其确定用于每个SEV的完整的服务-再平衡-充电序列。
建立了用于为SEV分配订单的E-MOD服务调度模型。虽然本发明旨在限制来自E-MOD系统的碳排放,但是本发明试图找到最小化每个时段中的总能耗的订单-服务调度。然后,本发明试图找出用于实现所有时段的能耗的最低碳的充电策略。
本发明的能耗最小化调度模型基于中的最小车队模型进行了扩展。如图2(a)所示,可以将服务调度问题陈述为搜索在满足所有的移动需求的同时具有最小总能耗的调度规划。总能耗包括两部分:启动所有SEV的总能耗和任意两个旅程之间浪费的总能耗。后者可以被建模为加权车辆共享网络GV=(V,E,W),其要素定义如下:
VSN节点:对应于旅程集合T的节点集合V。
VSN权重:权重函数W(vi,vj)=eij表示每个边的对应的能耗。
图2(a)示出本发明的能耗最小化调度的说明性示例。箭头表示三个旅程,其是共享网络的三个VSN节点。虚线是VSN边,其指示一个旅程的结束与下一个旅程的开始之间的最短路线。在对应的VSN边的旁边标记了作为VSN权重的对应的能耗。调度解决方案包括路径的组和对应的SEV的数目,其中每个路径表示在这个时段中调度的一个SEV。解决方案的总能量包括由路径覆盖的总的权重和所有SEV的总的启动能耗。例如,图2(b)呈现了一个可能的解决方案,其租用了两个SEV来为三个旅程服务并且代价是2+2e0。要记住,e0表示的是每个汽车的启动能耗。
在一般情况下,找出能耗最小化调度的问题是NP困难的。此处,本发明提出了二分图匹配算法来解决能耗最小化调度问题。本发明的算法是中的算法的演变。本发明首先将能耗最小化调度问题转换成在二分图GB=(P∪Q,F,S)上的最小加权完美二分图匹配(BM)问题(如图2(c)所示),其要素定义如下:
1)BM节点:作为二分图,其节点集合由节点的两个子集组成:P={A1,…A|V|}∪{C1,…C|V|}和Q={B1,…B|V|}∪{D1,…D|V|},其中Ai,Bi表示旅程Ti的结束和开始,并且Ci,Di表示SEVi在这个调度时段期间的运营的开始和结束。|V|表示车辆共享网络GV的节点集合尺寸。
2)BM边:边集合F包括边的四个子集,其表示不同类型的车辆-旅行订单匹配:
F={(Ai,Bj)∣(vi,vj)∈E}
∪{(Ci,Bi)|i=1,2,…,|V|}
∪{(Ai,Dj)|i,j=1,2,…,|V|}
∪{(Ci,Di)|i=1,2,…,|V|}
a){(Ai,Bj)∣(vi,vj)∈E}:在旅程i之后由相同的SEV为旅程j服务。
b){(Ci,Bi)|i=1,2,…,|V|}:旅程i是在这个时段期间为SEVi分配的第一个订单。
c){(Ai,Dj)|i,j=1,2,…,|V|}:旅程i在这个时段期间为SEVj分配的最后一个订单。
d){(Ci,Di)|i=1,2,…,|V|}:在这个时段期间SEVi不为任何订单服务。
3)BM权重:权重函数S表示每个边子集的对应的能耗,
S((Ai,Bj))=eij
S((Ci,Bi))=e0
S((Ai,Dj))=0
S((Ci,Di))=0
其包括前两个类型的边中的运营和启动能耗。要注意,e0的值的选择也可以被调整为对于每个SEV节点Ci是不同的,以结合SEV的初始位置和由交通堵塞导致的另外的能耗。
根据以上BM,调度问题等同于找到具有最小∑S(Fopt)的最小加权二分图完美匹配完美匹配表示左侧P的每个节点与右侧Q的一个节点匹配。这个二分图的任一个完美匹配都对应于一种订购服务调度解决方案。要注意,如果边(Ci,Di)不在完美匹配中,则其表示SEVi被分配有至少一个订单。然后可以计算在这个时段中的运营车队规模。
图2(c)示出图2(a)的说明性示例的二分图转换,其中第一边指示运营能耗,而第二边指示固定启动能耗。图2(d)对应于图2(b)的调度解决方案,其表示SEV1为旅程1和旅程3服务、SEV2为旅程2服务、以及SEV3在这个时段期间保持空闲。
对于大规模解决方案,该问题可以通过符合多项式时间O(n3)的Kuhn Munkres算法(被称为KM算法)来求解,基于其可以获得SEV的订购服务序列和对应的能耗。
本发明建立了充电调配模型。充电调度的设计受满足移动需求的需要限制。因此,充电调度的模型将来自车队运营商的经聚合的流级别的服务调度视为其边界条件。
间隔长度取作15分钟,其是对在本发明的假设中为1小时的调度时段的细化。为了将服务调度聚合至交通流,根据经度和纬度将地图划分成多个四边形区域。建立有向图Gr=(Nr,Ar),以对道路网络进行建模,其中Nr表示代表区域的节点集合并且Ar表示边集合。下标r表示初始的道路网络。
为了对E-MOD车队的时变特性和电池电量级别进行建模,道路网络的有向图被扩展至空时SOC图并且被定义为状态转移网络(STN)Gg=(Ng,Ag)(下标g表示扩展网络)。模型基于中的一个产生和扩大,并且还并入了SEV的放电和空闲选择。此处本发明首先给出了网络拓扑、注入和流的定义。也在图3中示出了网络。
1)STN节点和注入
状态节点集合Ng表示SEV的空时SOC状态。每个节点I∈Ng对应于元组I=(iI,tI,cI),其中iI∈Nr是初始区域节点,tI是离散时间并且cI是离散充电级别。例如,在图3中,三角形节点表示具有充电站的区域而圆形节点表示正常区域。本发明使用来表示在相同时段期间具有相同的起点和终点的车队转移调度的组的流。此处,ok和dk分别是流的请求起点区域和请求终点区域。和是相关联的开始时间点和结束时间点。ck是所消耗的电池SOC并且λk是需要为这个调度Fk服务的SEV的数目,其通过车队运营商调度的BM算法确定。CIO必须决定用于为Fk服务的注入的组。每个注入表示在出发时具有相同的SOC量的SEV的类型(type)。在图3中,本发明通过灰色箭头表示被注入到STN的完成其服务的汽车的数目可以被表示为离开STN的负的结束服务注入在图3中,本发明通过灰色箭头绘制离开STN的本发明还假设CIO对每天的SEV的初始状态和最终状态做出最佳决策。此处,本发明使用和来表示在一天的开始和结束时在I∈Ng状态下的EV的数目。
2)STN边和流
在由表示的SEV被注入到STN之后,其状态沿着时间水平线转移。边集合Ag表示在时间间隔之间的空间SOC状态转移关系,而边流表示这样的转移中的SEV的数目。边集合可以根据物理含义被划分成三个子集AS、AR和AC。
a)服务边
边(I,J)∈AS表示对应于订购服务过程的状态转移,其根据从起点至终点的经聚合的车队转移产生。该边的特征在于区域改变、时间增加和SOC下降。服务流表示为对应于请求k的这样的订单服务转移分配的SEV的数目。在图3中,本发明使用具有箭头的灰色线来表示服务边。
b)再平衡-空闲边:
边(I,J)∈AR表示对应于没有订购服务任务的SEV的再平衡过程的状态转移,其特征还在于改变的位置和下降的SOC。此外,考虑到一些SEV有时可能空闲并且保持静止,也包括了区域和SOC保持不变的空闲边。服务流表示为这样的再平衡或停留转移分配的SEV的数目。在图3中,本发明使用具有箭头的灰色虚线来表示再平衡-空闲边。
c)充放电边
边(I,J)∈AC表示对应于SEV的充电过程的状态转移,其区别在于不变的位置和上升的SOC。同时,考虑V2G过程,也可以为放电边增加下降的SOC。服务流表示为这样的充电或放电转移分配的SEV的数目。在图3中,本发明使用具有箭头的蓝色虚线来表示充放电边。
基于STN,CIO的能源管理和充电调配问题可以被表示为多商品网络流模型,在其中引入以下目标和约束的定义。
1)目标
充电基础设施运营商的目标在于:使所有边流和开始-结束服务注入和开始-结束SEV注入作为决策变量、在满足服务调度的同时最小化由E-MOD车队导致的总的碳排放。EV的碳排放与其使用的电力相关联,其可以进行如下表示:
其中PCha表示额定充电/放电电力,并且δI表示在时间tI处的排放系数(mTCO2/MWh)。因为充电负载可能仅占总的电力负载的有限的一部分,所以本发明在此处使用平均排放系数,其可以基于历史上的每小时负载数据和对应的每小时排放数据得到。
2)约束
网络流模型的约束列举如下:
其中约束(2)指示满足连续性约束的订购服务流,其使订单服务流与开始-结束服务注入联系起来。约束(3)表示完成旅行请求的开始服务流和结束服务流。约束(4)表示所有种类的转移边流的流守恒约束。函数1x表示布尔变量x={true,false}的指示函数,即,如果x为真则1x=1,而如果x为假则1x=0。约束(5)是SOC约束,其指示当节点I中的车辆的SOC不满足道路cij的所需要的SOC时,将服务流和再平衡流两者限制为0以避免不可行的调配结果。约束(6)表示充电站n中的充电杆限制。
以上网络流问题是高维线性规划,其可以通过利用壁垒(barrier)法的诸如GUROBI的商用求解器来求解。要注意,在MATLAB中使用稀疏矩阵建模可以极大地减少由数据存储占用的内存和对优化问题进行建模的时间。建模过程中的诸如消除不必要的转移边的剪枝技术也可以减小问题的尺度。
以上模型给出了流级别的车队调配方案,但是不确定每个SEV的特定任务,其保护了E-MOD车队的隐私并且减少了CIO的计算量。基于E-MOD车队运营商的角度,本发明提供了启发式解聚合算法以获得每个SEV的详细的调配。
对于每个时间段,根据车辆的当前位置和电力状态以及时间段,对车辆进行分配以满足由网络流模型获得的状态转移规划。换言之,按照时间顺序对每个状态节点进行枚举,以及将车辆分配至节点的边以满足流约束。然后,E-MOD运营商可以实现用于更准确的调度计算的二分图匹配算法。
实施例
本发明建立了基于现实世界的数据的大规模数值案例以说明所提出的模型的有效性。二分图匹配模型及其解决方案利用C++编码。并且在MATLAB R2019b中建立转移网络流模型且通过Gurobi 9.0.0求解。实验主要在具有Intel Core i7-9750CPU@2.60GHz、16GB内存的膝上型计算机上运行。
在交通侧,从2014年纽约市出租车数据采集了旅行需求,并且订单信息包括接取时间、下车时间、接取位置(起点)和下车位置(终点)以及旅行距离。所有时间信息处于秒级别并且位置信息处于纬度和精度的1e-3级别。经采样的接取-下车信息(即O-D对)在图4(a)中可见,其覆盖[40.64,40.80]与[-74.02,-73.86]之间的研究区域。
对于二分图匹配模型,准确的数据根据接取时间分布在每个调度时段(1h)并且输入至二分图匹配模型。考虑了2014年1月10日全天的436875个旅行订单,因此对调度模型进行了24次求解。并且,假设包括9355个车辆的E-MOD车队为大约占2%的订单量的所有旅程服务。
针对网络流模型,将研究区域划分成16个区域,其面积为0.04°×0.04°,如图4(b)所示。并且,假设将均具有75kW的500个充电桩的容量的8个快速充电站设置在区域4、6、7、8、9、11、14、16中。将SEV的电池容量设置为75kWh并且将耗电量设置为0.2kWh/km。假设在全天期间每个SEV在开始时具有60%的SOC并且在结束时具有高于50%的SOC。
在电力侧,为了表示具有高比例的可再生能源的电力系统,从加利福尼亚ISO获得了历史负载数据和可再生能源生产数据,其在图5(a)中进行了呈现。从图中可以看出,电力负载在夜晚达到其高峰,但是在可再生能源中占主要位置的光伏(PV,太阳能)输出在中午达到最大值(实时电能的约40%)。通过两个类型的数据计算平均排放系数(每15分钟时间间隔的电网排放)(参见图5(b))。排放系数的范围在夜间各个小时期间在0.2817mTCO2/MWh与0.3711mTCO2/MWh之间,并且在日间各个小时期间下降至0.2276~0.3443mTCO2/MWh,其表示城市具有高的太阳能注入。
根据开发车队充电灵活性的不同方式,本发明建立了以下研究场景。
场景1:受控充电调配
在这个场景中,本发明假设CIO为E-MOD车队提供充电导航服务。在满足旅行者需求的基础上,通过CIO减少由车队导致的总的碳排放而进一步优化了E-MOD的空时充电调配。
场景2:受控充放电调配
考虑到旅行需求的局部高峰,很大比例的SEV在旅行需求低谷期间可能空闲,其显示出相当大的车辆至电网(V2G)容量,并且可以被开发为移动能源储部。通过充放电调配,E-MOD车队可以为电力系统提供更大的能源灵活性。例如,车队可以在中午吸收过量的光伏电力生产并且在夜晚的电力高峰时释放它,从而提高总的可再生能源使用率。因此,在这个场景中,CIO作为中介工作,以优化SEV在一天期间的充电和放电。
基于以上案例设置,本发明首先测试了调度框架的计算效率。所有24个调度时段的二分图匹配问题并行地进行求解,具有图6(a)所呈现的求解时间。本发明可以看到,求解时间与订单的尺寸(对应于二分图的节点的数目)正相关。对于具有25%的采样率的经分组的旅行集合,最高求解时间为1273s,其在个人计算机上是可接受的。对于完整的数据集合(在上面呈现了其结果),在Intel(R)Xeon(R)Platinum 8360H CPU@3.00GHz和1TB内存上对模型进行求解,并且在71641s的最高求解时间之内完成,其与O(n3)的时间复杂度一致。利用高性能计算机的支持,所述计算在现实世界的应用中将快得多。
对于CIO侧,在图6(b)中示出了转移网络的建模时间和网络流模型的求解时间,其所有计算都在MATLAB和GUROBI中实现。对经采样的数据集和完整数据集上的耗时进行了比较。本发明可以看到,建模时间占据占主导的比例,并且随着数据集的尺寸而增加,但是求解时间几乎保持相同(100s)。因为建模可以主要以离线方式实现,所以该计算效率对于现实世界的应用而言是可用的。要注意,如果时间的划分精度和SOC间隔太精细(用于替代二分图匹配),那么求解过程中占用的内存将超过个人计算机的极限,其进一步证明了本发明中对两个算法进行融合的意义。
图7(a)呈现了场景1下、在每个15分钟间隔期间在不同状态(服务、充电、再平衡和空闲)下的SEV的数目。本发明的协调调度主要是在对应于具有最低的排放系数的“最绿色的”阶段的13:00与15:00之间对SEV的电池进行充电。因为图7示出在大多数的小时中只有一半或少于一半的车队在服务,所以除了限制碳排放之外,本发明的协调调度还限制了道路上的车队的尺寸。因此,尽管本发明旨在最小化能耗而不是所调度的车队的尺寸,但是本发明的方法对于管理车队的运营比例也是高效的。此外,从将乘客与SEV匹配的角度看,调度也是高效的,因为在全天期间只有比例很小的SEV处于再平衡的状态。与场景1不同,在场景2中SEV可以将能源回注到电网。是否允许SEV将能源回注到电网将显著地影响SEV调度以及来自运输部门和电力部门的总的碳排放。图7(b)总结了在场景2中在每个15分钟间隔中的不同状态下的汽车的数目,其与图7(a)所示在根本上不同。在图7(b)中,SEV频繁地充电和放电,以在其空闲时间期间减少碳。SEV充电主要集中在白天,而大多数放电时段发生在夜晚。以这种方式,E-MOD车队如同将清洁的太阳能能源从日间转移至夜间的分布式储部组一样工作,其减少了车队的冗余并且提高了电力系统的灵活性。同时,车辆至电网的可能性也改变了乘客与SEV之间的匹配。此外,进行再平衡的汽车的数目在场景2中要高于在场景1中,其暗示协助清洁能源注入和提高道路上的汽车的能效之间的折衷。
然后,本发明比较了两个场景的充电调配和碳排放之间。对于场景1,分别在图8(a)、图8(b)、图8(c)中呈现了时变碳系数、充电电力和累积碳排放。如上面所述,将充电时间调度在具有最高太阳能注入的碳排放低谷处。与SEV充电时间联系在一起的累积碳排放逐渐增大至在一天的结束处的56.3kgCO2。
对于场景2,在图8(d)和图8(e)中呈现了充放电电力和累积碳排放。在图8(d)中,一些柱的高度似乎是相同的,其受到快速充电站容量的约束。还可以注意到,一小部分的SEV也发生了在夜晚进行充电。这是因为排放系数曲线的波动,SEV可以通过类似于套利过程的交替充电和放电来实现碳减排。读者还可以注意到,一些间隔具有同时充电和放电决策,其可以被解释为SEV的能耗之间的差异。一些区域中的SEV为了进行移动服务必须充电,而其他区域中的SEV可以将能源回注到电网以减碳。最后,本发明的协调调度可以限制碳排放。当SEV可以将能源回注到电网时,E-MOD的总排放可以接近碳中和。如图8(e)所示,在间隔58(约15:00)之前累积碳排放为负,其表示E-MOD充电调度的减排效果。在其之后,排放增加至正值,并且到间隔96(24:00)为止在3.86kgCO2处结束,其大约是场景1的排放的6%。换言之,E-MOD车队利用车队运营商和充电基础设施运营商的协调调度实现了接近零排放。随着车队尺寸更大,车队甚至可以呈现负排放,将在下节中对其进行呈现。此外,如果包括电力排放系数的空间差异,那么作为移动储部,E-MOD车队可以显示更高的空间灵活性,其具有用于减少由于传输限制而引起的可再生能源缩减的能力。
对现实世界的纽约市进行了案例研究,以验证所提出的调度框架在不同的场景下的有效性。通过将车辆至电网(vehicle-to-grid)并入,证明了车队释放了接近零的排放。同时,本发明的框架还避免了运输部门与电力部门之间的过量信息流动,其保护了隐私和安全。
如图10所示,本发明还提供一种电气化按需移动调度装置,应用于E-MOD运营商,包括:
获取模块,用于获取乘客订单;
生成模块,用于针对所述乘客订单,基于二分图匹配模型计算订单分配和短距离车队重定位,生成车辆-订单级别的匹配结果;
聚合模块,用于车辆-订单级别的匹配结果,将所有车辆的起点和终点信息聚合为经聚合的区域之间的流级别,将作为流级别的运行边界条件上传至充电基础设施运营商;
解聚合模块,用于获取充电基础设施运营商生成流级别调度,将流级别调度解聚合成车辆级别,为每个车辆产生最终的订购服务-车辆再平衡-充电规划;所述流级别调度是通过组合多个时段的运行边界条件,对用于涉及排放的充电调配的状态转移网络流模型进行求解,确定车队在全天期间的充电间隔和区域、以及用于移动服务的EV在每个调度时段中的初始的SOC范围,生成流级别调度。
本发明还提供一种电气化按需移动调度系统,包括:
E-MOD运营商模块,用于获取乘客订单;针对所述乘客订单,基于二分图匹配模型计算订单分配和短距离车队重定位,生成车辆-订单级别的匹配结果;车辆-订单级别的匹配结果,将所有车辆的起点和终点信息聚合为经聚合的区域之间的流级别,将作为流级别的运行边界条件上传至充电基础设施运营商模块;
充电基础设施运营商模块,用于通过组合多个时段的运行边界条件,对用于涉及排放的充电调配的状态转移网络流模型进行求解,确定车队在全天期间的充电间隔和区域、以及用于移动服务的EV在每个调度时段中的初始的SOC范围,生成流级别调度;所述E-MOD运营商模块将流级别调度解聚合成车辆级别,为每个车辆产生最终的订购服务-车辆再平衡-充电规划。
如图11所示,本发明第三个目的是提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述电气化按需移动调度方法的步骤。
本发明第四个目的是提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述电气化按需移动调度方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种电气化按需移动调度方法,其特征在于,包括:
获取乘客订单;
针对所述乘客订单,基于二分图匹配模型计算订单分配和短距离车队重定位,生成车辆-订单级别的匹配结果;
根据车辆-订单级别的匹配结果,将所有车辆的起点和终点信息聚合为区域之间的流级别,将作为流级别的运行边界条件上传至充电基础设施运营商;
获取充电基础设施运营商生成流级别调度计划,将流级别调度解聚合成车辆级别,为每个车辆产生最终的订购服务-车辆再平衡-充电计划;所述流级别调度计划是充电基础设施运营商通过组合多个时段的运行边界条件,对用于涉及排放的充电调配的状态转移网络流模型进行求解,确定车队在全天期间的充电间隔和区域、以及用于移动服务的EV在每个调度时段中的初始的SOC范围,生成所述流级别调度计划。
2.根据权利要求1所述的一种电气化按需移动调度方法,其特征在于,
所述针对所述乘客订单,基于二分图匹配模型计算订单分配和车队短距离重定位,生成车辆-订单级别的匹配结果,包括:
单独的旅程集合T,每个旅程Ti∈T由元组表示,其中是接取时间,是接取位置,是下车时间,并且是下车位置;对于Ti,Tj∈T,满足将eij定义为两个旅程Ti和Tj之间的能耗,其中,tij是从至的再平衡时间;
将e0定义为在这个时段中用于调度另外一个SEV的固定启动能耗,其表示分布在每个时段的诸如空调和车辆生产能源的能耗;
在每个时段中,由二分图匹配模型计算订单分配和短距离车队重定位,给出满足所有旅程的最小能耗车辆-订单匹配序列。
3.根据权利要求2所述的一种电气化按需移动调度方法,其特征在于,
所述在每个时段中,由二分图匹配模型计算订单分配和短距离车队重定位,给出满足所有旅程的最小能耗车辆-订单匹配序列,包括:
构建E-MOD服务调度模型,以满足所有的移动需求的同时具有最小总能耗的调度规划为目标,总能耗包括:启动所有SEV的总能耗和任意两个旅程之间浪费的总能耗,任意两个旅程之间浪费的总能耗被建模为加权车辆共享网络Gx=(V,E,W),其要素定义如下:
VSN节点:对应于旅程集合T的节点集合V;
VSN权重:权重函数W(vi,vj)=eij表示每个边的对应的能耗;
采用二分图匹配模型计算能耗最小化调度,包括:
将能耗最小化调度问题转换成在二分图GB=(P∪Q,F,S)上的最小加权完美二分图匹配问题,其要素定义如下:
BM节点:作为二分图,其节点集合由节点的两个子集组成:P={A1,…A|V|}∪{C1,…C|V|}和Q={B1,…B|V|}∪{D1,…D|V|},其中Ai,Bi表示旅程Ti的结束和开始,并且Ci,Di表示SEVi在这个调度时段期间的运营的开始和结束;|V|表示车辆共享网络GV的节点集合尺寸;
BM边:边集合F包括边的多个子集,其表示不同类型的车辆-旅行订单匹配:
F={(Ai,Bj)∣(vi,vj)∈E}
∪{(Ci,Bi)|i=1,2,…,|V|}
∪{(Ai,Dj)|i,j=1,2,…,|V|}
∪{(Ci,Di)|i=1,2,…,|V|}
{(Ai,Bj)∣(vi,vj)∈E}:在旅程i之后由相同的SEV为旅程j服务;
{(Ci,Bi)|i=1,2,…,|V|}:旅程i是在这个时段期间为SEVi分配的第一个订单;
{(Ai,Dj)|i,j=1,2,…,|V|}:旅程i在这个时段期间为SEVj分配的最后一个订单;
{(Ci,Di)|i=1,2,…,|V|}:在这个时段期间SEVi不为任何订单服务;
BM权重:权重函数S表示每个边子集的对应的能耗;
S((Ai,Bj))=eij
S((Ci,Bi))=e0
S((Ai,Dj))=0
S((Ci,Di))=0
其包括前两个类型的边中的运营和启动能耗;
4.根据权利要求3所述的一种电气化按需移动调度方法,其特征在于,所述完美匹配表示左侧P的每个节点与右侧Q的一个节点匹配,还包括:
如果边(Ci,Di)不在完美匹配中,则其表示SEVi被分配有至少一个订单,还需计算在这个时段中的运营车队规模。
6.根据权利要求1所述的一种电气化按需移动调度方法,其特征在于,
所述状态转移网络流模型的构建方法包括:
根据经度和纬度将地图划分成多个四边形区域用于将服务调度聚合至交通流,建立有向图Gr=(Nr,Ar),以对道路网络进行建模,其中Nr表示代表区域的节点集合并且Ar表示边集合,下标r表示初始的道路网络;
对E-MOD车队的时变特性和电池电量级别进行建模,道路网络的有向图被扩展至空时SOC图并且被定义为状态转移网络STNGg=(Ng,Ag),下标g表示扩展网络;状态转移网络流模型具体包括:
1)STN节点和注入如下:
状态节点集合Ng表示SEV的空时SOC状态;每个节点I∈Ng对应于元组I=(iI,tI,cI),其中iI∈Nr是初始区域节点,tI是离散时间并且cI是离散充电级别;使用来表示在相同时段期间具有相同的起点和终点的车队转移调度的组的流,ok和dk分别是流的请求起点区域和请求终点区域;和是相关联的开始时间点和结束时间点;ck是所消耗的电池SOC;λk是需要为这个调度Fk服务的SEV的数目,其通过车队运营商调度的BM算法确定;CIO决定用于为Fk服务的注入的组;每个注入表示在出发时具有相同的SOC量的SEV的类型;和来表示在一天的开始和结束时在I∈Ng状态下的EV的数目;
2)STN边和流如下:
在由表示的SEV被注入到STN之后,其状态沿着时间水平线转移;边集合Ag表示在时间间隔之间的空间SOC状态转移关系,而边流表示这样的转移中的SEV的数目;边集合可以根据物理含义被划分成三个子集AS、AR和AC;
b)再平衡-空闲边如下:
c)充放电边如下:
7.根据权利要求1所述的一种电气化按需移动调度方法,其特征在于,
对用于涉及排放的充电调配的状态转移网络流模型进行求解,包括:
充电基础设施运营商的目标为:使所有边流和开始-结束服务注入和开始-结束SEV注入作为决策变量、在满足服务调度的同时最小化由E-MOD车队导致的总的碳排放;EV的碳排放与其使用的电力相关联,表示为:
其中PCha表示额定充电/放电电力,并且δI表示在时间tI处的排放系数;
网络流模型的约束如下:
其中约束(2)指示满足连续性约束的载客服务流,其使载客服务流与开始-结束服务注入联系起来;约束(3)表示完成旅行请求的开始服务流和结束服务流;约束(4)表示所有种类的转移边流的流守恒约束;函数1x表示布尔变量x={true,false}的指示函数,即,如果x为真则1x=1,而如果x为假则1x=0;约束(5)是SOC约束,其指示当节点I中的车辆的SOC不满足道路cij的所需要的SOC时,将服务流和再平衡流两者限制为0以避免不可行的调配结果;约束(6)表示充电站n中的充电杆限制。
8.根据权利要求1所述的一种电气化按需移动调度方法,其特征在于,
所述订购服务-车辆再平衡-充电规划中,订购服务是将车辆与具有特定的起点节点和终点节点以及开始时间的旅行请求进行匹配,车辆再平衡是与交通部门相关联的车辆再平衡为了将来的订单而预先将车辆重定位至其他高需求量的区域,充电是与充电基础设施和电力部门耦合的充电,以确定每个SEV的充电位置和时间。
9.一种电气化按需移动调度装置,其特征在于,包括:
获取模块,用于获取乘客订单;
生成模块,用于针对所述乘客订单,基于二分图匹配模型计算订单分配和短距离车队重定位,生成车辆-订单级别的匹配结果;
聚合模块,用于车辆-订单级别的匹配结果,将所有车辆的起点和终点信息聚合为经聚合的区域之间的流级别,将作为流级别的运行边界条件上传至充电基础设施运营商;
解聚合模块,用于获取充电基础设施运营商生成流级别调度,将流级别调度解聚合成车辆级别,为每个车辆产生最终的订购服务-车辆再平衡-充电规划;所述流级别调度是通过组合多个时段的运行边界条件,对用于涉及排放的充电调配的状态转移网络流模型进行求解,确定车队在全天期间的充电间隔和区域、以及用于移动服务的EV在每个调度时段中的初始的SOC范围,生成流级别调度。
10.一种电气化按需移动调度系统,其特征在于,包括:
E-MOD运营商模块,用于获取乘客订单;针对所述乘客订单,基于二分图匹配模型计算订单分配和短距离车队重定位,生成车辆-订单级别的匹配结果;车辆-订单级别的匹配结果,将所有车辆的起点和终点信息聚合为经聚合的区域之间的流级别,将作为流级别的运行边界条件上传至充电基础设施运营商模块;
充电基础设施运营商模块,用于通过组合多个时段的运行边界条件,对用于涉及排放的充电调配的状态转移网络流模型进行求解,确定车队在全天期间的充电间隔和区域、以及用于移动服务的EV在每个调度时段中的初始的SOC范围,生成流级别调度;所述E-MOD运营商模块将流级别调度解聚合成车辆级别,为每个车辆产生最终的订购服务-车辆再平衡-充电规划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211235118.3A CN115577938A (zh) | 2022-10-10 | 2022-10-10 | 一种电气化按需移动调度方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211235118.3A CN115577938A (zh) | 2022-10-10 | 2022-10-10 | 一种电气化按需移动调度方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115577938A true CN115577938A (zh) | 2023-01-06 |
Family
ID=84585019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211235118.3A Pending CN115577938A (zh) | 2022-10-10 | 2022-10-10 | 一种电气化按需移动调度方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115577938A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861627A (zh) * | 2023-05-29 | 2023-10-10 | 河海大学 | 一种计及氢燃料汽车的电力-交通网碳需求响应最优调度方法 |
CN117391401A (zh) * | 2023-12-07 | 2024-01-12 | 中国民用航空飞行学院 | 机场电动地勤车的调度方法 |
CN116861627B (zh) * | 2023-05-29 | 2024-05-14 | 河海大学 | 一种计及氢燃料汽车的电力-交通网碳需求响应最优调度方法 |
-
2022
- 2022-10-10 CN CN202211235118.3A patent/CN115577938A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861627A (zh) * | 2023-05-29 | 2023-10-10 | 河海大学 | 一种计及氢燃料汽车的电力-交通网碳需求响应最优调度方法 |
CN116861627B (zh) * | 2023-05-29 | 2024-05-14 | 河海大学 | 一种计及氢燃料汽车的电力-交通网碳需求响应最优调度方法 |
CN117391401A (zh) * | 2023-12-07 | 2024-01-12 | 中国民用航空飞行学院 | 机场电动地勤车的调度方法 |
CN117391401B (zh) * | 2023-12-07 | 2024-03-05 | 中国民用航空飞行学院 | 机场电动地勤车的调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Das et al. | Charging scheduling of electric vehicle incorporating grid-to-vehicle and vehicle-to-grid technology considering in smart grid | |
Li et al. | Big data analytics for electric vehicle integration in green smart cities | |
Wu et al. | A two-stage stochastic optimization model for scheduling electric vehicle charging loads to relieve distribution-system constraints | |
Tao et al. | Data-driven optimized layout of battery electric vehicle charging infrastructure | |
CN111915176B (zh) | 一种混合运营模式下纯电动公交车辆的排班方法及其系统 | |
CN103241130B (zh) | 一种电动公交车充换电站的能量管理方法及系统 | |
Ye et al. | Learning to operate an electric vehicle charging station considering vehicle-grid integration | |
Han et al. | Ordered charge control considering the uncertainty of charging load of electric vehicles based on Markov chain | |
Huang et al. | A two-stage stochastic programming model of coordinated electric bus charging scheduling for a hybrid charging scheme | |
Tucker et al. | Online charge scheduling for electric vehicles in autonomous mobility on demand fleets | |
Liu et al. | A dynamic stochastic optimization for recharging plug-in electric vehicles | |
CN110053508B (zh) | 基于车联网平台的能源互联网集群运行调度方法及系统 | |
US11267362B2 (en) | Systems and methods for adaptive optimization for electric vehicle fleet charging | |
CN110598904B (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 | |
Cao et al. | Joint optimization of delay-tolerant autonomous electric vehicles charge scheduling and station battery degradation | |
CN109636067A (zh) | 一种基于粒子群算法的电动汽车充电调度优化方法 | |
Huang et al. | An improved charging navigation strategy of electric vehicles via optimal time-of-use pricing | |
CN115577938A (zh) | 一种电气化按需移动调度方法、装置及系统 | |
Zhang et al. | A smart cross-system framework for joint allocation and scheduling with vehicle-to-grid regulation service | |
Zhou et al. | Design and optimization of solar-powered shared electric autonomous vehicle system for smart cities | |
Fescioglu-Unver et al. | Electric vehicle charging service operations: A review of machine learning applications for infrastructure planning, control, pricing and routing | |
Ma et al. | The location routing problem of the car-sharing system with autonomous electric vehicles | |
Liu et al. | Impacts of photovoltaic and energy storage system adoption on public transport: A simulation-based optimization approach | |
Manivannan | Research on IoT-based hybrid electrical vehicles energy management systems using machine learning-based algorithm | |
Sheng et al. | Emission-concerned coordinated dispatching of electrified autonomous mobility-on-demand system and power system incorporating heterogeneous spatiotemporal scales |
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 |