CN115907097A - 一种考虑用户出行特性与交通流量的加氢站优化布局方法 - Google Patents

Abstract

本发明公开了一种考虑用户出行特性与交通流量的加氢站优化布局方法，方法包括：从实际交通流量出发，基于bass扩散模型对未来氢燃料汽车保有量进行预测，通过公共平台获取氢燃料汽车的轨迹数据，对轨迹数据进行预处理，分析用户的出行特性，构建氢燃料汽车能量补给需求模型，形成加氢站选址基础网络；结合需求补给模型和城市交通网络模型，形成以氢燃料汽车用户加氢需求为导向，以加氢站运营商投资运营成本和用户加氢成本之和最小的目标函数，构建充电站最优选址模型，使用改进的无惯量反向粒子群算法对模型进行求解，使得结果能跳出局部最优，找到全局最优解。

Description

一种考虑用户出行特性与交通流量的加氢站优化布局方法

技术领域

本发明属于新能源技术领域，涉及一种考虑用户出行特性与交通流量的加氢站优化布局方法。

背景技术

随着传统能源(石油)资源短缺以及对环境质量提出了更高的要求，新能源汽车，特别是技术更成熟的氢燃料电池汽车逐渐进入了我们的生活中，随着氢燃料电池汽车数量的增加，对加氢站的建设提出了需求，如何采用经济高效的方法布置加氢站的问题，提高新能源汽车加氢效率成为急需解决的问题。

从新能源汽车这个角度来看，主要涉及到汽车去加氢站的路途中耗氢量最小，因此，在进行城市加氢站选址设计和优化时也主要是从居民居住位置和加氢站位置两个方面考虑。

此外考虑运营商的投入成本也是同样重要，科学合理地确定加氢站空间布局，不仅能够直接降低加氢站的固定费用投资和投产后的运营成本，尤其对于吸引车主来加氢和城市交通压力均具有重要的现实意义。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种考虑用户出行特性与交通流量的加氢站优化布局方法。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

第一方面，提供一种考虑用户出行特性与交通流量的加氢站优化布局方法，包括：

根据历史城市交通流量数据，获取交通网氢燃料汽车轨迹数据集，其中所述交通网氢燃料汽车轨迹数据集包含氢燃料汽车出行时刻燃料电池的状态S_i,o；

根据历史城市交通流量数据，通过基于政策、环保因素设定的潜在消费群体转化率C_r，基于Bass扩散模型，对未来氢燃料汽车保有量进行预测；

根据交通网氢燃料汽车轨迹数据集中氢燃料汽车出行时刻燃料电池的状态S_i,o和预构建的氢燃料汽车能量消耗模型f_e，得到该时刻氢燃料汽车的耗氢量S_i,t，判断氢燃料汽车是否产生加氢需求K，形成氢燃料汽车能量补给需求模型；

根据交通网氢燃料汽车轨迹数据集、未来氢燃料汽车保有量以及目标城市开源地图，构建城市交通网络拓扑图，形成加氢站选址基础网络；

根据加氢站选址基础网络和氢燃料汽车能量补给需求模型，构建目标模型，所述目标模型包括以加氢站投资运营成本和用户加氢成本之和最小化作为目标函数以及约束条件；

采用改进的无惯性反向粒子群算法求解所述目标模型，得到加氢站的最优布局，其中包括加氢站的数量以及位置坐标信息。

在一些实施例中，获取交通网氢燃料汽车轨迹数据集，包括：

将盖亚平台提供的D天的车辆轨迹数据包以“天”为单位进行分组，再对同一天内的订单进行整合：

将第x天的所有车辆轨迹的GPS坐标与研究区域的范围进行比较，去除不属于研究范围的轨迹数据，其中x∈D；去除GPS同一车辆相邻轨迹坐标点之间的时间间隔超过100s的轨迹；根据数据包提供的车辆行驶速度V_i，计算每一段轨迹的平均速度

去除平均速度大于120km/h的轨迹；去除整个轨迹起始直线距离小于500米的轨迹；

将剩余符合要求的轨迹数据进行交通起止数据OD提取，利用python中leuvenmapmatching工具，将GPS数据与研究区域路网进行道路匹配，同时根据载客参数P的0、1变化，区别空载和载客状态，形成第x天的轨迹网络。

在一些实施例中，其中所述交通网氢燃料汽车轨迹数据集包含每辆车的编号N_i、车辆运行时间T_i、车辆GPS定位(X_i，Y_i)、车辆速度V_i以及是否载客P(1为载客，0为未载客)、氢燃料汽车出行时刻燃料电池的状态S_i,o信息。

在一些实施例中，，对未来氢燃料汽车保有量进行预测，包括：

通过调研数据统计得到潜在消费者量；

根据政策、环保因素，确定潜在消费群体转化率C_r；

根据潜在消费者量和潜在消费群体转化率C_r，基于Bass扩散模型得到未来氢燃料汽车保有量。

由于Bass扩散模型在进行预测时主要是通过最大市场潜量、创新系数、模仿系数这三个参数；也就是将氢燃料汽车的未来保有量的求取转化为在接下来的几年内，氢燃料汽车的潜在消费者转化为消费者的转化率，其中要充分考虑到相关政策的推动以及潜在消费者的选择因素；

利用Anylogic平台提供的agent变化状态的参数设置，设置其潜在消费者Potential users、转化率Cr，从而得到未来氢燃料汽车保有量。

在一些实施例中，氢燃料汽车能量消耗模型f_e，包括：

其中，f_e为百公里耗氢量，E_wh为用来抵抗汽车行驶阻力的能量，E_rgb为再生制动充入蓄电池的能量，η_tr为平均综合传动效率，η_{bat_discθrg}为蓄电池平均放电效率，b_{e_avg}为燃料电池的平均氢气消耗率，C为氢电转换系数。

在一些实施例中，判断氢燃料汽车是否产生加氢需求K，形成氢燃料汽车能量补给需求模型，包括：

根据该时刻车辆的已行驶里程数，以及预构建的氢燃料汽车能量消耗模型f_e，获取该时刻燃料汽车的耗氢量S_i,t，用氢燃料汽车出行时刻燃料电池的状态S_i,o减去该时刻燃料汽车的耗氢量S_i,t，获得该时刻的剩余能量S_t，将剩余能量S_t与设定的警戒值L_alert相比较，若低于警戒值，则需要加氢，并从该时刻开始直到回到警戒值以上的交通起止数据OD段进行提取，获取该交通起止数据OD的直线距离

在一些实施例中，形成加氢站选址基础网络，包括：

根据目标城市的开源地图，利用python和Kepler平台，将区域中的机场、火车站、公交站、超市、公园、艺术馆、体育馆、独立停车场存在换乘情况的场所标记为候选点，并根据交通网氢燃料汽车轨迹数据集，将氢燃料汽车产生加氢需求的高频点合并，构成Cp个候选点，形成加氢站选址基础网络，后续规划在基础候选点上进行。

在一些实施例中，所述目标模型包括：

目标函数：

minC＝α(C₁+C₂+C₃K_year-C₄)+β(T₁+T₂)K_year

C₁＝d·e^-bx·s

C₂＝b+k·q

C₃＝μC₂

C₄＝0.2C₂

其中，C为总成本；C₁为加氢站土地费用；d为研究区域中心土地价格；b为到研究区域中心的距离与价格的变化率；s为加氢站占用面积；C₂为加氢站建设成本；b为加氢站固定设备的成本；q为加氢机的台数；k为比例系数；C₃为每年加氢站运营成本，其中包含设备维护和工作人员工资，与建设的规模成比例μ；C₄为政府补贴费用，按实际设备投资额的20％进行补贴，最高不超过400万；T₁为用户从产生加氢需求和到达加氢站所需的时间成本；其中δ为道路直线系数，θ为道路拥挤系数，

为需求产生点到加氢站直线距离，

为燃料汽车该段路程平均速度，t_u为用户单位时间成本；T₂为用户排队时间成本；其中r_b为该加氢站服务能力系数，w_b为该加氢站排队时间；K_year为加氢站预设运营年限；α,β为投资成本和用户成本的权重系数；

约束条件：

C₄≤400

cp≤X_b·Cp

a_pmin≤a_p≤a_pmax

其中，政府补贴C₄不能超过400万；cp为加氢站数量，Cp为候选站点，X_b判断该候选点是否建站；a_p为加氢站加氢机的数量。

在一些实施例中，采用改进的无惯性反向粒子群算法求解所述目标模型，包括：

一般的粒子群算法的速度、位置更新公式为：

v_i,j(t+1)＝ωv_i,j(t)+c₁rand₁(pbest_i,j-x_i,j(t))

+c₂rand₂(gbest_i,j-x_i,j(t))

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

其中，v_i,j(t)、x_i,j(t)为t时刻的速度、位置；ω∈[0,1]为惯性权值；c₁、c₂∈[0,2]分别为个体学习因子、社会学习因子；rand₁、rand₂∈[0,1]为服从均匀分布的两个随机数；pbest_i,j为个体最优；gbest_i,j为全局最优；

为防止陷入局部最优，需要大量吸取种群环境因素，所以利用反向学习策略，扩大搜索范围，达到全局最优；而从一般粒子群算法PSO的速度迭代公式可以看出，下一次迭代收到个体和全局两个部分影响，其中惯性运动属于个体影响因素，需要减少，所以提出去除惯性部分，利用新的速度迭代式来为下一代粒子提供方向；

其中，反向学习策略公式如下：

设定

为x_i＝(x_i,1,x_i,2,…x_i,D)的反向解，则

的定义为：

其中，D为空间维度，j＝1，2，···，D；

k∈(0,1)是服从均匀分布的随机数，da_j、db_j是为粒子

在第j维搜索空间的上、下动态边界；

改进后的速度迭代公式为：

其中，u(t-1)为(t-1)时刻种群中所有粒子所处位置的均值，s∈(0,1)为差分系数；ω∈[0,1]为惯性权值；c₁、c₂∈[0,2]分别为个体学习因子、社会学习因子；rand₁、rand₂∈[0,1]为服从均匀分布的两个随机数；pbest_i,j为个体最优；gbest_i,j为全局最优；N为种群的总数；

通过引入(t-1)时刻的所有粒子的位置均值，计算相邻两个时刻的位置方差，为下一代粒子的运动提供指导方向；

另外，通过调整目标函数中的α、β系数，改变投资商和用户之间的权重，从而改变具体需求方案，为加氢站建设提供更多的方案选择。

第二方面，本发明提供了一种考虑用户出行特性与交通流量的加氢站优化布局装置，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。

第三方面，本发明提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述方法的步骤。

有益效果：本发明提供的考虑用户出行特性与交通流量的加氢站优化布局方法，具有以下优点：以实际交通流量作为氢燃料电池汽车数量预测基础，将目标城市的机场、火车站、公交站、超市、公园、艺术馆、体育馆、独立停车场存在换乘情况的场所作为候选建站地址，结合目标城市的道路拓扑预测其氢燃料汽车加氢需求特性；以氢燃料汽车用户加氢时间成本和加氢站投资运营成本之和最小为目标，建立了加氢站最优选址模型，并使用改进的无惯量反向粒子群算法对模型进行了求解，使得最终能跳出局部最优解，获得全局最优，科学地对区域内加氢站进行选址，从而能对后续优化规划氢燃料电池汽车服务选址提供可靠的参考，进而推动氢燃料汽车行业积极发展。

附图说明

图1为根据本发明一实施例的加氢站选址方法技术路线图；

图2为根据本发明一实施例的改进无惯量反向粒子群求解流程图；

图3为根据本发明一实施例中车辆轨迹处理结果图。

具体实施方式

下面结合附图和实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，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或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

实施例1

根据本申请的一个实施例，参考图1，一种考虑用户出行特性与交通流量的加氢站优化布局方法，包括：

S1、根据历史城市交通流量数据，获取交通网氢燃料汽车轨迹数据集，其中所述交通网氢燃料汽车轨迹数据集包含每辆车的编号N_i、车辆运行时间T_i、车辆GPS定位(X_i，Y_i)、车辆速度V_i以及是否载客P(1为载客，0为未载客)、氢燃料汽车出行时刻燃料电池的状态S_i,o信息；

S2、根据历史城市交通流量数据，通过基于政策、环保因素设定的潜在消费群体转化率C_r，基于Bass扩散模型，对未来氢燃料汽车保有量进行预测；

S3、根据交通网氢燃料汽车轨迹数据集中氢燃料汽车出行时刻燃料电池的状态S_i,o和预构建的氢燃料汽车能量消耗模型f_e，得到该时刻氢燃料汽车的耗氢量S_i,t，判断氢燃料汽车是否产生加氢需求K，形成氢燃料汽车能量补给需求模型；

S4、根据交通网氢燃料汽车轨迹数据集、未来氢燃料汽车保有量以及目标城市开源地图，构建城市交通网络拓扑图，形成加氢站选址基础网络；

S5、根据加氢站选址基础网络和氢燃料汽车能量补给需求模型，构建目标模型，所述目标模型包括以加氢站投资运营成本和用户加氢成本之和最小化作为目标函数以及约束条件；

S6、采用改进的无惯性反向粒子群算法求解所述目标模型，得到加氢站的最优布局，其中包括加氢站的数量以及位置坐标信息。

以下对上述步骤进行详细说明：

在一些实施例中，步骤S1中，获取交通网氢燃料汽车轨迹数据集，具体操作如下：

将盖亚平台提供的D天的车辆轨迹数据包以“天”为单位进行分组，再对同一天内的订单进行整合。

将第x天(x∈D)的所有车辆轨迹的GPS坐标与研究区域的范围进行比较，去除不属于研究范围的轨迹数据；去除GPS同一车辆相邻轨迹坐标点之间的时间间隔超过100s的轨迹，一般数据采集的频率控制在2～20秒，超过100s秒说明GPS定位出现故障；根据数据包提供的车辆行驶速度V_i，计算每一段轨迹的平均速度

去除平均速度大于120km/h的轨迹；去除整个轨迹起始直线距离小于500米的轨迹。

将剩余符合要求的轨迹数据进行OD提取，利用python中leuvenmapmatching工具，将GPS数据与研究区域路网进行道路匹配，同时根据载客参数P的0、1变化，区别空载和载客状态，形成第x天的轨迹网络，如图3所示。

在一些实施例中，步骤S2中，对未来氢燃料汽车保有量预测方法如下：

通过调研数据统计得到潜在消费者量；

根据政策、环保因素，确定潜在消费群体转化率C_r；

根据潜在消费者量和潜在消费群体转化率C_r，基于Bass扩散模型得到未来氢燃料汽车保有量。

由于Bass扩散模型在进行预测时主要是通过最大市场潜量、创新系数、模仿系数这三个参数。也就是将氢燃料汽车的未来保有量的求取转化为在接下来的几年内，氢燃料汽车的潜在消费者转化为消费者的转化率，其中要充分考虑到相关政策的推动以及潜在消费者的选择因素。

利用Anylogic平台提供的agent变化状态的参数设置，设置其潜在消费者Potential users、消费者user、转化率C_r，从而得到未来氢燃料汽车保有量。

在一些实施例中，步骤S3中的氢燃料汽车出行时刻燃料电池的状态S_i,o和氢燃料汽车能量消耗模型f_e：

考虑到出租车的商用性，运营者会在出发前完成能量补给，所以设定商用车的初始燃料电池状态S_i,o为100％；而氢燃料汽车能量消耗模型如下：

其中，f_e为百公里耗氢量，E_wh为用来抵抗汽车行驶阻力的能量，E_rgb为再生制动充入蓄电池的能量，η_tr为平均综合传动效率，η_{bat_dischrg}为蓄电池平均放电效率，b_{e_avg}为为燃料电池的平均氢气消耗率，C为氢电转换系数。

在一些实施例中，步骤S4中，燃料汽车是否产生加氢需求K的判断方法如下：

根据该时刻车辆的已行驶里程数(轨迹移动距离)，以及上述的氢燃料汽车百公里耗氢量f_e，获取耗氢量所占总能量的百分比S_i,t，用初始S_i,o减去该时刻的S_i,t，获得剩余能量S_t，将该能量与警戒值L_alert相比较，若低于警戒值，则需要加氢，并从该时刻开始直到回到警戒值以上的OD段进行提取，获取该OD的直线距离

在一些实施例中，步骤S4中加氢站选址基础网络构建方法如下：

根据目标城市的开源地图，利用python和Kepler平台，将区域中的机场、火车站、公交站、超市、公园、艺术馆、体育馆、独立停车场等存在换乘情况的场所标记为候选点，并根据车辆轨迹数据，将氢燃料汽车产生加氢需求的高频点合并，构成Cp个候选点，形成加氢站选址基础网络，后续规划在基础候选点上进行。

在一些实施例中，步骤S5中，目标模型包括：

目标函数：

minC＝α(C₁+C₂+C₃K_year-C₄)+β(T₁+T₂)K_year

C₁＝d·e^-bx·s

C₂＝b+k·q

C₃＝μC₂

C₄＝0.2C₂

其中，C为总成本；C₁为加氢站土地费用；d为研究区域中心土地价格；b为到研究区域中心的距离与价格的变化率；s为加氢站占用面积；；C₂为加氢站建设成本；b为加氢站固定设备(储氢、制氢等设备)的成本；q为加氢机的台数；k为比例系数；C₃为每年加氢站运营成本，其中包含设备维护和工作人员工资，与建设的规模成比例μ；C₄为政府补贴费用，按实际设备投资额的20％进行补贴，最高不超过400万；T₁为用户从产生加氢需求和到达加氢站所需的时间成本；其中δ为道路直线系数，θ为道路拥挤系数，

为需求产生点到加氢站直线距离，

为燃料汽车该段路程平均速度，t_u为用户单位时间成本；T₂为用户排队时间成本；其中r_b为该加氢站服务能力系数，w_b为该加氢站排队时间；K_year为加氢站预设运营年限；α，β为投资成本和用户成本的权重系数；

约束条件：

C₄≤400

cp≤X_b·Cp

a_pmin≤a_p≤a_pmax

其中，政府补贴C₄不能超过400万；cp为加氢站数量，Cp为候选站点，X_b判断该候选点是否建站；a_p为加氢站加氢机的数量。

在一些实施例中，步骤S6中，改进的无惯性反向粒子群算法如下：

一般的粒子群算法的速度、位置更新公式为：

v_i，j(t+1)＝ωv_i，j(t)+c₁rand₁(pbest_i，j-x_i，j(t))+c₂rand₂(gbest_i，j-x_i，j(t))x_i，j(t+1)＝x_i，j(t)+v_i，j(t+1)

其中，ω∈[0，1]为惯性权值；c₁、c₂∈[0，2]分别为个体学习因子、社会学习因子；rand₁、rand₂∈[0，1]为服从均匀分布的两个随机数；pbest_i，j为个体最优；gbest_i，j为全局最优。

为防止陷入局部最优，需要大量吸取种群环境因素，所以利用反向学习策略，扩大搜索范围，达到全局最优。而从一般PSO的速度迭代公式可以看出，下一次迭代收到个体和全局两个部分影响，其中惯性运动属于个体影响因素，需要减少，所以提出去除惯性部分，利用新的速度迭代式来为下一代粒子提供方向。其中，反向学习策略公式如下：

设定

为x_i＝(x_i,1,x_i,2,…x_i,D)的反向解，则

的定义为：

其中，D为空间维度，j＝1，2，···，D；

k∈(0,1)是服从均匀分布的随机数，da_j、db_j是为粒子

在第j维搜索空间的上、下动态边界；

改进后的速度迭代公式为：

其中，u(t-1)为(t-1)时刻种群中所有粒子所处位置的均值，s∈(0,1)为差分系数，其余参数仍为原来定义。

通过引入(t-1)时刻的所有粒子的位置均值，计算相邻两个时刻的位置方差，为下一代粒子的运动提供指导方向。

另外，通过调整目标函数中的α、β系数，可以改变投资商和用户之间的权重，从而改变具体需求方案，为加氢站建设提供更多的方案选择。

为进一步阐述上述车辆轨迹数据处理具体流程，本申请给出了一个具体的示例，以下是具体操作流程，已经结果展示如图3：

以天为时间单位，将网约车平台提供的整体数据分成单日数据。通过对单日数据整合，降低数据的无序性，为后续进行加氢需求的时空分布特性提供数据支持。

第一步，去除不属于研究区域内的轨迹数据。利用网约车自带的定位系统，在研究区域内形成轨迹布点，删除超过范围的轨迹。

第二步，去除同一订单0.5公里内、1分钟以内重复的数据。考虑到该类型订单存在司机或者乘客的个人原因取消订单，或是实际交通障碍重复绕路，导致车辆轨迹出现重复，暂不考虑这类复杂情况。

第三步，去除GPS同一车辆相邻轨迹坐标点之间的时间间隔超过100s的轨迹，一般数据采集的频率控制在2～20秒，超过100s秒说明GPS定位出现故障。

第四步，去除时速超过120公里/小时的轨迹数据。根据研究区域的交通规定市区内行驶速度最高70公里/小时，若出现超过120公里/小时的轨迹数据，说明该车辆可能跨城区运营，距离过长，不符合本方案的相关设定。

本发明以实际交通流量作为氢燃料电池汽车数量预测基础，将目标城市的机场、火车站、公交站、超市、公园、艺术馆、体育馆、独立停车场等存在换乘情况的场所作为候选建站地址，结合目标城市的道路拓扑预测其氢燃料汽车加氢需求特性；以氢燃料汽车用户加氢时间成本和加氢站投资运营成本之和最小为目标，建立了加氢站最优选址模型，并使用改进的无惯量反向粒子群算法对模型进行了求解，使得最终能跳出局部最优解，获得全局最优，科学地对区域内加氢站进行选址，从而能对后续优化规划氢燃料电池汽车服务选址提供可靠的参考，进而推动氢燃料汽车行业积极发展。

实施例2

第二方面，本实施例提供了一种考虑用户出行特性与交通流量的加氢站优化布局装置，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据实施例1所述方法的步骤。

实施例3

第三方面，本实施例提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述方法的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、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。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种考虑用户出行特性与交通流量的加氢站优化布局方法，其特征在于，包括：

根据历史城市交通流量数据，获取交通网氢燃料汽车轨迹数据集，其中所述交通网氢燃料汽车轨迹数据集包含氢燃料汽车出行时刻燃料电池的状态S_i,o；

根据历史城市交通流量数据，通过基于政策、环保因素设定的潜在消费群体转化率C_r，基于Bass扩散模型，对未来氢燃料汽车保有量进行预测；

根据交通网氢燃料汽车轨迹数据集中氢燃料汽车出行时刻燃料电池的状态S_i,o和预构建的氢燃料汽车能量消耗模型f_e，得到该时刻氢燃料汽车的耗氢量S_i,t，判断氢燃料汽车是否产生加氢需求K，形成氢燃料汽车能量补给需求模型；

根据交通网氢燃料汽车轨迹数据集、未来氢燃料汽车保有量以及目标城市开源地图，构建城市交通网络拓扑图，形成加氢站选址基础网络；

根据加氢站选址基础网络和氢燃料汽车能量补给需求模型，构建目标模型，所述目标模型包括以加氢站投资运营成本和用户加氢成本之和最小化作为目标函数以及约束条件；

采用改进的无惯性反向粒子群算法求解所述目标模型，得到加氢站的最优布局，其中包括加氢站的数量以及位置坐标信息。

2.根据权利要求1所述的考虑用户出行特性与交通流量的加氢站优化布局方法，其特征在于，获取交通网氢燃料汽车轨迹数据集，包括：

将盖亚平台提供的D天的车辆轨迹数据包以“天”为单位进行分组，再对同一天内的订单进行整合：

将第x天的所有车辆轨迹的GPS坐标与研究区域的范围进行比较，去除不属于研究范围的轨迹数据，其中x∈D；去除GPS同一车辆相邻轨迹坐标点之间的时间间隔超过100s的轨迹；根据数据包提供的车辆行驶速度V_i，计算每一段轨迹的平均速度

去除平均速度大于120km/h的轨迹；去除整个轨迹起始直线距离小于500米的轨迹；

将剩余符合要求的轨迹数据进行交通起止数据OD提取，利用python中leuvenmapmatching工具，将GPS数据与研究区域路网进行道路匹配，同时根据载客参数P的0、1变化，区别空载和载客状态，形成第x天的轨迹网络；

其中所述交通网氢燃料汽车轨迹数据集包含每辆车的编号N_i、车辆运行时间T_i、车辆GPS定位、车辆速度V_i以及是否载客P、氢燃料汽车出行时刻燃料电池的状态S_i,o信息。

3.根据权利要求1所述的考虑用户出行特性与交通流量的加氢站优化布局方法，其特征在于，对未来氢燃料汽车保有量进行预测，包括：

通过调研数据统计得到潜在消费者量；

根据政策、环保因素，确定潜在消费群体转化率C_r；

根据潜在消费者量和潜在消费群体转化率C_r，基于Bass扩散模型得到未来氢燃料汽车保有量。

4.根据权利要求1所述的考虑用户出行特性与交通流量的加氢站优化布局方法，其特征在于，氢燃料汽车能量消耗模型f_e，包括：

其中，f_e为百公里耗氢量，E_wh为用来抵抗汽车行驶阻力的能量，E_rgb为再生制动充入蓄电池的能量，η_tr为平均综合传动效率，η_{bat_discθrg}为蓄电池平均放电效率，b_{e_avg}为燃料电池的平均氢气消耗率，C为氢电转换系数。

5.根据权利要求1所述的考虑用户出行特性与交通流量的加氢站优化布局方法，其特征在于，判断氢燃料汽车是否产生加氢需求K，形成氢燃料汽车能量补给需求模型，包括：

根据该时刻车辆的已行驶里程数，以及预构建的氢燃料汽车能量消耗模型f_e，获取该时刻燃料汽车的耗氢量S_i,t，用氢燃料汽车出行时刻燃料电池的状态S_i,o减去该时刻燃料汽车的耗氢量S_i,t，获得该时刻的剩余能量S_t，将剩余能量S_t与设定的警戒值L_alert相比较，若低于警戒值，则需要加氢，并从该时刻开始直到回到警戒值以上的交通起止数据OD段进行提取，获取该交通起止数据OD的直线距离

6.根据权利要求1所述的考虑用户出行特性与交通流量的加氢站优化布局方法，其特征在于，形成加氢站选址基础网络，包括：

根据目标城市的开源地图，利用python和Kepler平台，将区域中的机场、火车站、公交站、超市、公园、艺术馆、体育馆、独立停车场存在换乘情况的场所标记为候选点，并根据交通网氢燃料汽车轨迹数据集，将氢燃料汽车产生加氢需求的高频点合并，构成Cp个候选点，形成加氢站选址基础网络，后续规划在基础候选点上进行。

7.根据权利要求1所述的考虑用户出行特性与交通流量的加氢站优化布局方法，其特征在于，所述目标模型包括：

目标函数：

minC＝α(C₁+C₂+C₃K_year-C₄)+β(T₁+T₂)K_year

C₁＝d·e^-bx·s

C₂＝b+k·q

C₃＝μC₂

C₄＝0.2C₂

其中，C为总成本；C₁为加氢站土地费用；d为研究区域中心土地价格；b为到研究区域中心的距离与价格的变化率；s为加氢站占用面积；C₂为加氢站建设成本；b为加氢站固定设备的成本；q为加氢机的台数；k为比例系数；C₃为每年加氢站运营成本，其中包含设备维护和工作人员工资，与建设的规模成比例μ；C₄为政府补贴费用，按实际设备投资额的20％进行补贴，最高不超过400万；T₁为用户从产生加氢需求和到达加氢站所需的时间成本；其中δ为道路直线系数，θ为道路拥挤系数，

为需求产生点到加氢站直线距离，

为燃料汽车该段路程平均速度，t_u为用户单位时间成本；T₂为用户排队时间成本；其中r_b为该加氢站服务能力系数，w_b为该加氢站排队时间；K_year为加氢站预设运营年限；α,β为投资成本和用户成本的权重系数；

约束条件：

C₄≤400

cp≤X_b·Cp

a_pmin≤a_p≤a_pmax

其中，政府补贴C₄不能超过400万；cp为加氢站数量，Cp为候选站点，X_b判断该候选点是否建站；a_p为加氢站加氢机的数量。

8.根据权利要求1所述的考虑用户出行特性与交通流量的加氢站优化布局方法，其特征在于，采用改进的无惯性反向粒子群算法求解所述目标模型，包括：

一般的粒子群算法的速度、位置更新公式为：

v_i,j(t+1)＝ωv_i,j(t)+c₁rand₁(pbest_i,j-x_i,j(t))+c₂rand₂(gbest_i,j-x_i,j(t))

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

其中，v_i,j(t)、x_i,j(t)为t时刻的速度、位置；ω∈[0,1]为惯性权值；c₁、c₂∈[0,2]分别为个体学习因子、社会学习因子；rand₁、rand₂∈[0,1]为服从均匀分布的两个随机数；pbest_i,j为个体最优；gbest_i,j为全局最优；

为防止陷入局部最优，需要大量吸取种群环境因素，所以利用反向学习策略，扩大搜索范围，达到全局最优；而从一般粒子群算法PSO的速度迭代公式可以看出，下一次迭代收到个体和全局两个部分影响，其中惯性运动属于个体影响因素，需要减少，所以提出去除惯性部分，利用新的速度迭代式来为下一代粒子提供方向；

其中，反向学习策略公式如下：

设定

为x_i＝(x_i,1,x_i,2,…x_i,D)的反向解，则

的定义为：

其中，D为空间维度，j＝1，2，···，D；

k∈(0,1)是服从均匀分布的随机数，da_j、db_j是为粒子

在第j维搜索空间的上、下动态边界；

改进后的速度迭代公式为：

其中，u(t-1)为(t-1)时刻种群中所有粒子所处位置的均值，s∈(0,1)为差分系数；ω∈[0,1]为惯性权值；c₁、c₂∈[0,2]分别为个体学习因子、社会学习因子；rand₁、rand₂∈[0,1]为服从均匀分布的两个随机数；pbest_i,j为个体最优；gbest_i,j为全局最优；N为种群的总数；

通过引入(t-1)时刻的所有粒子的位置均值，计算相邻两个时刻的位置方差，为下一代粒子的运动提供指导方向；

另外，通过调整目标函数中的α、β系数，改变投资商和用户之间的权重，从而改变具体需求方案，为加氢站建设提供更多的方案选择。

9.一种考虑用户出行特性与交通流量的加氢站优化布局装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1至8任一项所述方法的步骤。

10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8任一项所述方法的步骤。

Images