CN116358593B - 考虑非线性能耗的电动车辆路径规划方法、装置和设备 - Google Patents

考虑非线性能耗的电动车辆路径规划方法、装置和设备 Download PDF

Info

Publication number
CN116358593B
CN116358593B CN202310636172.7A CN202310636172A CN116358593B CN 116358593 B CN116358593 B CN 116358593B CN 202310636172 A CN202310636172 A CN 202310636172A CN 116358593 B CN116358593 B CN 116358593B
Authority
CN
China
Prior art keywords
electric vehicle
time
energy consumption
node
charging
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
Application number
CN202310636172.7A
Other languages
English (en)
Other versions
CN116358593A (zh
Inventor
周鲜成
李松明
余玮瑛
周开军
吕阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202310636172.7A priority Critical patent/CN116358593B/zh
Publication of CN116358593A publication Critical patent/CN116358593A/zh
Application granted granted Critical
Publication of CN116358593B publication Critical patent/CN116358593B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3469—Fuel consumption; Energy use; Emission aspects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3476—Special cost functions, i.e. other than distance or default speed limit of road segments using point of interest [POI] information, e.g. a route passing visible POIs
    • 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
    • G06N3/004—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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本申请涉及一种考虑非线性能耗的电动车辆路径规划方法、装置和设备，该方法包括：获取电动车辆的路径规划参考数据；根据路径规划参考数据进行能耗分析，建立非线性能耗测度模型；根据路径规划参考数据进行充电分析，建立基于时变速度的部分充电策略模型；根据路径规划参考数据进行行驶时间分析，确定基于路段划分的车辆行驶时间；根据非线性能耗测度模型、部分充电策略模型以及基于路段划分的车辆行驶时间进行模型构建，得到带容量和时间窗约束的TDEVRPNEC模型；对TDEVRPNEC模型进行求解，得到电动车辆的配送路径规划方案，通过结合多优化目标进行电动车辆路的路径规划，确保电动车辆路径规划可靠性。

Description

考虑非线性能耗的电动车辆路径规划方法、装置和设备
技术领域
本申请涉及电动车物流配送技术领域，特别是涉及一种考虑非线性能耗的电动车辆路径规划方法、装置和设备。
背景技术
随着科技的发展和社会的不断进步，新能源车取代传统燃油车已是大势所趋。电动车作为一种环保、低噪音和零排放的运输工具，能有效缓解环境污染，降低石化能源消耗，在物流配送领域正在得到广泛推广和使用，电动车辆路径问题已成为一个学术热点。电动车辆路径问题不同于燃油车的路径问题，无法直接将燃油车路径规划方案直接应用到电动车。如何可靠地对电动车辆进行路径规划，是一个亟待解决的问题。
发明内容
基于此，有必要针对上述问题，提供一种能够确保路径规划可靠性的考虑非线性能耗的电动车辆路径规划方法、装置和计算机设备。
一种考虑非线性能耗的电动车辆路径规划方法，包括：
获取电动车辆的路径规划参考数据；
根据所述路径规划参考数据进行能耗分析，建立非线性能耗测度模型；
根据所述路径规划参考数据进行充电分析，建立基于时变速度的部分充电策略模型；
根据所述路径规划参考数据进行行驶时间分析，确定基于路段划分的车辆行驶时间；
根据所述非线性能耗测度模型、所述部分充电策略模型以及所述基于路段划分的车辆行驶时间进行模型构建，得到带容量和时间窗约束的TDEVRPNEC模型（Time DependentElectric Vehicle Routing Problem with Nonlinear Energy Consumption，考虑非线性能耗的时间依赖型电动车辆路径模型）；
对所述TDEVRPNEC模型进行求解，得到电动车辆的配送路径规划方案。
在其中一个实施例中，所述非线性能耗测度模型包括：
；
其中，vijh是电动车辆在时间段h行驶在道路（i,j）上的速度,ξijkh表示电动车辆k在时间段h以速度vijh在道路（i,j）上行驶时的总能耗率；ξ1为克服空气阻力的能耗率，ξ2为轮胎摩擦产生的能耗率，ξ3为传动系统产生的能耗率，ξ4为辅助系统产生的能耗率；ρ表示空气密度，O是电动车辆前表面受风面积，Cd是空气阻力系数；f0是空车总重量，Qijk表示电动车辆k行驶在道路（i,j）上的实时载重，g是重力加速度，Cr是滚动阻力系数；αDr、βDr、γDr是与电动车辆的特征参数相关的系数；PA/C与Pothers之和表示电动车辆所有电子设备消耗的能量。
在其中一个实施例中，所述基于时变速度的部分充电策略模型包括：
；
其中，S为充电站的集合，S={1,2,…，s}，N为顾客点的集合，N={1,2,…，n}，K为电动车辆的集合，K={1,2,…，K’}，n+1作为终点的虚拟配送中心；Pik表示电动车辆k在充电站i充电后完成后续配送服务需消耗的总电量；表示电动车辆k离开充电站i后服务的第一个顾客点，r表示电动车辆k充电后服务完第一个顾客点/>后需访问的剩余节点；yilkh为决策变量，当电动车辆k在时间段h行驶在道路（i,/>）上时值为1，否则为0；ξilkh表示电动车辆k在时间段h以速度vilh在道路（i,/>）上行驶的能耗率，tilkh表示电动车辆k在时间段h以速度vilh在道路（i,/>）上行驶的时间；yjrkh为决策变量，当电动车辆k在时间段h行驶在道路（j,r）上时值为1，否则为0；ξjrkh表示电动车辆k在时间段h以速度vjrh在道路（j,r）上行驶的能耗率，tjrkh表示电动车辆k在时间段h以速度vjrh在道路（j,r）上行驶的时间；
Rik表示电动车辆k在充电站i进行充电时的充电量，C为电动车辆的电池容量，zik为决策变量，当电动车辆k在充电站i充电时值为1，否则为0；表示电动车辆k到充电站i时的剩余电量，tik表示电动车辆k在充电站i的充电时间，ε为电动车辆的充电速率；/>表示电动车辆k到达顾客点/>时的载重，/>表示电动车辆k离开充电站i时的载重；xlrk为决策变量，当电动车辆k从顾客点/>行驶至节点r时值为1，否则为0；/>表示电动车辆k到达节点r时的载重，/>表示电动车辆k离开顾客点/>时的载重。
在其中一个实施例中，所述TDEVRPNEC模型为以所有电动车辆的能耗成本、充电时间成本、车辆使用时间成本和人力成本以及固定发车费用之和最小化作为优化目标的模型；所述TDEVRPNEC模型包括：
；
；
其中，minZ表示最小化总配送成本，Z1表示能耗成本，Z2表示电动车辆使用时间成本、人力成本与充电时间成本之和，Z3表示固定发车费用；N为顾客点的集合，N={1,2,…，n}，S为充电站的集合，S={1,2,…，s}，H为时间段h的集合，H={1,2,…，m}，A为起点、顾客点、充电站与终点的集合，，0作为起点的配送中心，n+1作为终点的虚拟配送中心；A1为起点、顾客点与充电站的集合,/>，A2为顾客点、充电站与终点的集合，/>，A3为顾客点与充电站的集合，，K为电动车辆的集合，K={1,2,…，K’}；Q为电动车辆的最大载重，C为电动车辆的电池容量；qi为顾客点i的需求量，[bi,ei]为顾客点i的服务时间窗；/>表示每辆电动车辆最多只能服务一条路径且从配送中心出发，/>表示电动车辆载重不能超过其最大装载容量；
vijh为电动车辆在时间段h行驶在道路（i,j）上的速度，为电动车辆k到达节点i的时刻，/>为电动车辆k到达节点j的时刻，/>为电动车辆k离开节点i的时刻；/>为电动车辆k到达顾客点i时的载重，/>为电动车辆k离开顾客点i时的载重，Qijk为电动车辆k行驶在道路（i,j）上的载重；/>为电动车辆k到达节点j时的剩余电量,/>为电动车辆k到达节点i时的剩余电量,/>为电动车辆k离开节点i时的剩余电量,dijkh为电动车辆k在时间段h以速度vijh在道路（i,j）上行驶的距离,dij为从节点i到节点j的距离；
tijkh为电动车辆k在时间段h以速度vijh在道路（i,j）上行驶的时间，ξijkh为电动车辆k在时间段h以速度vijh在道路（i,j）上行驶的能耗率，ζijk为电动车辆k从节点i行驶到节点j的能耗；σik为电动车辆k提前到达顾客点i的等待时间，τi为顾客点i的服务时间；Pik表示电动车辆k在充电站i充电后完成后续配送服务需消耗的总电量，Rik表示电动车辆k在充电站i进行充电时的充电量，tik表示电动车辆k在充电站i的充电时间，ε为电动车辆的充电速率；
λ1为单位能耗成本,λ2为电动车辆使用单位时间成本，λ3为电动车辆使用单位时间人力成本,λ4为电动车辆的固定发车费用；xijk为决策变量，当电动车辆k从节点i行驶至节点j时值为1，否则为0；xjik为决策变量，当电动车辆k从节点j行驶至节点i时值为1，否则为0；yijkh为决策变量，当电动车辆k在时间段h行驶在道路（i,j）上时值为1，否则为0；zik为决策变量，当电动车辆k在充电站i充电时值为1，否则为0。
在其中一个实施例中，所述对所述TDEVRPNEC模型进行求解，得到电动车辆的配送路径规划方案，包括：利用改进的鲸鱼优化算法对所述TDEVRPNEC模型进行求解，得到电动车辆的配送路径规划方案；其中，所述改进的鲸鱼优化算法的个体位置更新公式为：
；
其中，Xj+1表示位置更新后的鲸鱼个体，Xj表示当前的鲸鱼个体，表示当前最佳的鲸鱼个体，Cross1表示鲸鱼个体Xj与鲸鱼个体/>进行交叉操作的第一种交叉方式，Cross2表示鲸鱼个体Xj与鲸鱼个体/>进行交叉操作的第二种交叉方式，rand为0至1的随机数；
所述改进的鲸鱼优化算法的局部搜索算子包括节点逆转算子、最大能耗交换算子和最优充电站插入算子。
在其中一个实施例中，所述第一种交叉方式包括：在鲸鱼个体Xj中随机选择一个位置p1上的元素；找到鲸鱼个体/>中p1位置上的元素/>，再回到鲸鱼个体Xj找到元素/>所在的位置p2；找到鲸鱼个体/>中p2位置上的元素/>，重复操作直至形成一个环；将选中的元素的位置保持不变，将鲸鱼个体Xj和鲸鱼个体/>中未选择的元素互相交换位置生成两个新的鲸鱼个体X1和鲸鱼个体X2。
在其中一个实施例中，所述第二种交叉方式包括：在鲸鱼个体Xj中随机选择一组元素L1；在鲸鱼个体中找到L1中所有元素的位置；保持鲸鱼个体Xj和鲸鱼个体/>中未选择的元素位置不变，将选择的元素按照出现顺序依次交换鲸鱼个体Xj和鲸鱼个体/>中元素的位置生成两个新的鲸鱼个体X1和X2。
在其中一个实施例中，所述改进的鲸鱼优化算法采用的车辆出发时刻优化策略的评价函数包括：
；
；
其中，E为评价指标，Z表示配送总成本，LV（ts）、EV（ts）、TW（ts）分别表示电动车辆出发时刻为ts时违反车辆载重、电池容量和时间窗约束的数值，ρc、ρe、ρt分别表示违反车辆载重、电池容量和时间窗约束的惩罚系数，ES表示从配送中心出发到达第一个顾客的最早出发时刻，LS表示从配送中心出发到达第一个顾客的最晚出发时刻，T1表示非拥堵时间段的起始时刻。
一种考虑非线性能耗的电动车辆路径规划装置，包括：
数据获取模块，用于获取电动车辆的路径规划参考数据；
第一处理模块，用于根据所述路径规划参考数据进行能耗分析，建立非线性能耗测度模型；
第二处理模块，用于根据所述路径规划参考数据进行充电分析，建立基于时变速度的部分充电策略模型；
第三处理模块，用于根据所述路径规划参考数据进行行驶时间分析，确定基于路段划分的车辆行驶时间；
第四处理模块，用于根据所述非线性能耗测度模型、所述部分充电策略模型以及所述基于路段划分的车辆行驶时间，构建带容量和时间窗约束的TDEVRPNEC模型；
路径规划模块，用于对所述TDEVRPNEC模型进行求解，得到电动车辆的配送路径规划方案。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
上述考虑非线性能耗的电动车辆路径规划方法、装置和计算机设备，根据路径规划参考数据分别进行能耗分析、充电分析和行驶时间分析，建立非线性能耗测度模型、基于时变速度的部分充电策略模型以及确定基于路段划分的车辆行驶时间，进而构建得到带容量和时间窗约束的TDEVRPNEC模型进行求解，得到电动车辆的配送路径规划方案，通过结合多优化目标进行电动车辆路的路径规划，确保电动车辆路径规划可靠性。
附图说明
图1为一个实施例中考虑非线性能耗的电动车辆路径规划方法的流程示意图；
图2为一个实施例中第一种交叉方式Cross1的交叉操作示意图；
图3为一个实施例中第二种交叉方式Cross2的交叉操作示意图；
图4为一个实施例中改进的鲸鱼算法流程图；
图5为一个实施例中考虑非线性能耗的电动车辆路径规划装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
电动车辆路径问题（Electric Vehicle Routing Problem，EVRP）不同于燃油车路径问题，首先，电动车的电量消耗受载重、行驶速度和车辆特征参数等多种因素影响，有其自身特点，其能耗的计算不同于燃油车；其次，电动车续航里程较短，在行驶途中可能需要充电，不同的充电方式所需的充电时间和产生的充电成本存在较大差异，将对路径规划产生影响。现有EVRP文献的能耗计算大都源于传统燃油车的油耗模型，导致能耗的计算与实际情况存在较大偏差；电动车的电池充电大都采用完全充电策略，较少采用部分充电策略，增加了充电成本和充电时间。此外，在城市交通中，由于受上下班高峰期等因素影响，不同时间段的交通拥堵状况存在较大差异，车辆行驶速度具有时变性，但现有EVRP文献大都假定车辆行驶速度恒定，较少考虑时变速度对车辆能耗、充电量和路径规划的影响，从而导致基于恒定速度的电动车辆路径问题不能有效解决城市配送实际问题。因此，采用部分充电策略、考虑非线性能耗的时间依赖型电动车辆路径问题（Time Dependent ElectricVehicle Routing Problem with Nonlinear Energy Consumption，TDEVRPNEC）值得深入研究。因此，考虑TDEVRPNEC的路径优化，更加符合现实物流配送情况，能在时变路网下，有效规避交通拥堵时间段，有助于物流企业降低配送成本、提高配送效率。采用电动车配送也有助于推进物流配送和客运领域的节能减排，从而实现构建绿色城市的目标，实现低碳物流配送。
基于此，本申请提供了一种考虑非线性能耗的电动车辆路径规划方法，基于TDEVRPNEC的求解方法进行电动车辆路径规划，主要目的是满足物流企业在货物配送过程中能有效规避交通拥堵时间段、缩短充电时间、降低配送成本、提高配送效率。首先，考虑车辆时变速度和实时载重等因素对电动汽车能耗的影响，建立非线性能耗测度模型；其次，考虑时变速度对充电量的影响，建立基于时变速度的部分充电策略模型；然后，分析城市路网交通状况的时变特性，提出基于路段划分的车辆行驶时间计算方法；在此基础上，以能耗成本、充电时间成本、电动汽车使用时间成本和固定发车费用构成的总成本最小作为优化目标，构建TDEVRPNEC模型。最后，设计了改进的鲸鱼优化算法（Improved WhaleOptimization Algorithm，IWOA）对模型进行求解。本申请能较为客观地反映时变速度和实时载重对能耗的影响，能有效缩短充电时间、有效规避交通拥堵时间段，并能在多个优化目标之间取得折中，在降低配送总成本的同时，兼顾能耗和配送时间。
在一个实施例中，如图1所示，提供了一种考虑非线性能耗的电动车辆路径规划方法，包括：
步骤S100：获取电动车辆的路径规划参考数据。其中，路径规划参考数据即与电动车辆路径规划相关的数据，可通过处理器接收电动车辆的路径规划参考数据，以作为后续路径规划的参考依据。可以理解，根据实际需要不同，路径规划参考数据的具体内容也可以有所不同。例如，路径规划参考数据可包括配送中心和顾客点的位置坐标、车辆最大载重、电池容量等车辆特征参数，路径规划参考数据还可包括顾客点的送货需求、服务时间窗和服务时间，以及配送中心的服务时间、不同时间段的车辆行驶速度、电动车辆的充电速率、单位能耗成本、车辆使用单位时间成本、车辆使用单位时间人力成本以及车辆的固定发车费用等。
步骤S200：根据路径规划参考数据进行能耗分析，建立非线性能耗测度模型。具体地，处理器结合路径规划参考数据中的相关数据，分析城市交通路网的时变特性，考虑电动车辆时变速度和实时载重等因素对电动汽车能耗的影响，建立非线性能耗测度模型。非线性能耗测度模型的具体结构也不是唯一的，具体地，考虑电动车辆总的能耗率包括克服空气阻力的能耗率ξ1、轮胎摩擦产生的能耗率ξ2、传动系统产生的能耗率ξ3、辅助系统产生的能耗率ξ4，总能耗率的计算如式（1）所示。
（1）
电动车辆在行驶过程中为克服空气阻力所消耗的电能占总能耗的大部分，其能耗率ξ1（KWh/km）的计算如式（2）所示。
（2）
其中，ρ表示空气密度（kg/m3），O是电动车辆前表面受风面积（m2），Cd是空气阻力系数，vijh是电动车辆在时间段h行驶在道路（i,j）上的速度(m/s)（下同），除以3600是将ξ1的单位从J/m转化为KWh/km（下同）。
电动车辆在行驶过程中为克服轮胎在路面上的滚动阻力需消耗电能，其能耗率ξ2（KWh/km）的计算如式（3）所示。
（3）
其中，f0是空车总重量（kg），Qijk是电动车辆k行驶在道路（i,j）上的实时载重（kg），g是重力加速度(m/s2)，Cr是滚动阻力系数。
电动车辆的传动系统在将电池中的化学能量转换为车轮扭矩的过程中需消耗能量，其能耗率ξ3（KWh/km）的计算如式（4）所示。
（4）
其中，αDr、βDr、γDr是与电动车辆的特征参数相关的系数。
辅助系统的能耗是指安装在电动车上所有电子设备消耗的能量，包括空调系统、车载计算机、音频和灯光，以及调节电池温度的系统等，其能耗率ξ4（KWh/km）的计算如式（5）所示。
（5）
综上所述，当电动车辆k在时间段h以速度vijh在道路（i,j）上行驶时，其总的能耗率ξijkh（KWh/km）的计算公式，即非线性能耗测度模型如式（6）所示。
（6）
其中，vijh是电动车辆在时间段h行驶在道路（i,j）上的速度,ξijkh表示电动车辆k在时间段h以速度vijh在道路（i,j）上行驶时的总能耗率；ξ1为克服空气阻力的能耗率，ξ2为轮胎摩擦产生的能耗率，ξ3为传动系统产生的能耗率，ξ4为辅助系统产生的能耗率；ρ表示空气密度，O是电动车辆前表面受风面积，Cd是空气阻力系数；f0是空车总重量，Qijk表示电动车辆k行驶在道路（i,j）上的实时载重，g是重力加速度，Cr是滚动阻力系数；αDr、βDr、γDr是与电动车辆的特征参数相关的系数；PA/C与Pothers之和表示电动车辆所有电子设备消耗的能量。
步骤S300：根据路径规划参考数据进行充电分析，建立基于时变速度的部分充电策略模型。具体地，处理器结合路径规划参考数据中的相关数据，考虑时变速度对充电量的影响，建立基于时变速度的部分充电策略模型。由于完全充电策略要求电动车辆在充电站将其电量充到满电状态，导致电池的利用率不高且充电时间长。为缩短充电时间，降低充电成本，本申请采用部分充电策略。其基本思想是电动车辆每次充电时的充电量并非根据电池的剩余容量，而是根据其后续服务所需耗电量进行决策。
结合本申请的研究内容，考虑时变速度对充电量的影响，构建基于时变速度的部分充电策略模型如（7）-（11）所示。
；
其中，式（7）Pik表示电动车辆k在充电站i充电后完成后续配送服务需消耗的总电量；式（8）Rik表示电动车辆k在充电站i进行充电时的充电量；式（9）tik表示电动车辆k在充电站i的充电时间；式（10）和式（11）表示对访问节点顺序进行约束，即i,,r表示电动车辆k访问节点的先后顺序，/>表示电动车辆k离开充电站i后服务的第一个顾客点，r表示电动车辆k充电后服务完第一个顾客点/>后需访问的剩余节点。
S为充电站的集合，S={1,2,…，s}，N为顾客点的集合，N={1,2,…，n}，K为电动车辆的集合，K={1,2,…，K’}；n+1作为终点的虚拟配送中心；yilkh为决策变量，当电动车辆k在时间段h行驶在道路（i,）上时值为1，否则为0；ξilkh表示电动车辆k在时间段h以速度vilh在道路（i,/>）上行驶的能耗率，tilkh表示电动车辆k在时间段h以速度vilh在道路（i,/>）上行驶的时间；yjrkh为决策变量，当电动车辆k在时间段h行驶在道路（j,r）上时值为1，否则为0；ξjrkh表示电动车辆k在时间段h以速度vjrh在道路（j,r）上行驶的能耗率，tjrkh表示电动车辆k在时间段h以速度vjrh在道路（j,r）上行驶的时间。
C为电动车辆的电池容量，zik为决策变量，当电动车辆k在充电站i充电时值为1，否则为0；表示电动车辆k到充电站i时的剩余电量，ε为电动车辆的充电速率；/>表示电动车辆k到达顾客点/>时的载重，/>表示电动车辆k离开充电站i时的载重；xlrk为决策变量，当电动车辆k从顾客点/>行驶至节点r时值为1，否则为0；/>表示电动车辆k到达节点r时的载重，/>表示电动车辆k离开顾客点/>时的载重。
步骤S400：根据路径规划参考数据进行行驶时间分析，确定基于路段划分的车辆行驶时间。处理器结合路径规划参考数据中的相关数据，分析城市路网交通状况的时变特性，基于路段划分计算车辆行驶时间。
具体地，考虑交通路网的时变特性，电动车辆在配送过程中的行驶速度为时变速度，在不同时间段车辆行驶速度不同。如将全天的配送时间平均划分为u个时段，则各时段行驶速度函数如式（12）所示。
（12）
其中，vijh表示电动车辆在时间段h行驶在路段（i,j）上的速度，vij1,vij2,…,viju分别表示电动车辆在第1、2、…、u个时间段行驶在路段（i,j）上的速度。
电动车辆在不同时间段的行驶速度不同，在同一时间段行驶速度恒定。车辆在足够短的距离内行驶时，采用平均速度刻画，即把车辆在路段开始行驶时的即时速度作为路段的平均速度。基于此，基于路段划分的行驶时间计算步骤如下：
Step1.根据η(取η=0.2km)和dij把道路（i,j）分为M个子路段，其中，（dij/η），/>为向上取整函数；则道路（i,j）每个子路段的长度为：
（13）
（14）
Step2.第一个子路段的车辆行驶时间计算。将电动车辆k在时间段h内离开节点i的时刻设为驶入路段（i,j）第一个子路段的开始时刻/>，则第一个子路段的行驶时间为/>，vijh可由/>和式（12）确定。
Step3.剩余子路段的计算。
Step3.1.令ω=1。
Step3.2.如果ω+1＜M，则，/>，ω=ω+1，转Step3.2；否则1+ω=M，/>，/>。
Step4.；计算终止，返回路段行驶时间tijkh。
步骤S500：根据非线性能耗测度模型、部分充电策略模型以及基于路段划分的车辆行驶时间进行模型构建，得到带容量和时间窗约束的TDEVRPNEC模型。其中，处理器采用非线性能耗模型和部分充电策略模型，以所有车辆的能耗成本、充电时间成本、车辆使用时间成本和人力成本以及固定发车费用之和最小化作为优化目标，构建带容量和时间窗约束的模型。TDEVRNEC模型所使用的符号和变量的含义如表1所示。
表 1
/>
采用非线性能耗模型和部分充电策略，以所有车辆的能耗成本、充电时间成本、车辆使用时间成本和人力成本以及固定发车费用之和最小化作为优化目标，构建带容量和时间窗约束的TDEVRPNEC模型，如式（15）-（39）所示。
；
；/>
；
（39）
式（15）表示最小化总配送成本，式（16）表示能耗成本，式（17）表示车辆使用时间成本、人力成本与充电时间成本之和，式（18）表示固定发车费用；式（19）表示每辆电动车辆最多只能服务一条路径且从配送中心出发；式（20）表示电动车辆载重不能超过其最大装载容量；式（21）表示每个顾客点有且仅有一辆车为其服务；式（22）表示在各个节点，车辆流量保持平衡；式（23）表示有且仅有1辆车行驶在道路（i,j）上；式（24）表示电动车辆k在时间段h在路段（i,j）上行驶的距离不大于路段（i,j）的距离；式（25）表示电动车辆k在所有时间段内在路段（i,j）上行驶的距离之和等于路段（i,j）的距离；式（26）表示电动车辆行驶在道路（i,j）时的载重；式（27）表示电动车辆k在道路（i,j）上行驶的能耗；式（28）表示电动车辆k在前后节点之间的电量关系；式（29）表示电动车辆在各节点处的电量非负且不能超过电池容量；式（30）表示电动车辆在充电站充电后其电量不能超过电池容量；式（31）表示电动车辆在顾客点处不消耗电量；式（32）表示电动车辆在顾客点处的等待时间；式（33）表示电动车辆离开节点i与到达节点i的时间衔接关系；式（34）与式（35）保证电动车辆在规定的时间窗内为顾客点服务；式（36）表示电动车辆离开前一节点与到达后一节点的时间衔接关系；式（37）表示决策变量之间的限制关系；式（38）、式（39）表示决策变量取值约束。
其中，minZ表示最小化总配送成本，Z1表示能耗成本，Z2表示电动车辆使用时间成本、人力成本与充电时间成本之和，Z3表示固定发车费用；N为顾客点的集合，N={1,2,…，n}，S为充电站的集合，S={1,2,…，s}，H为时间段h的集合，H={1,2,…，m}，A为起点、顾客点、充电站与终点的集合，，0作为起点的配送中心，n+1作为终点的虚拟配送中心；A1为起点、顾客点与充电站的集合,/>，A2为顾客点、充电站与终点的集合，/>，A3为顾客点与充电站的集合，/>，K为电动车辆的集合，K={1,2,…，K’}；Q为电动车辆的最大载重，C为电动车辆的电池容量；qi为顾客点i的需求量，[bi,ei]为顾客点i的服务时间窗。/>
vijh为电动车辆在时间段h行驶在道路（i,j）上的速度，为电动车辆k到达节点i的时刻，/>为电动车辆k到达节点j的时刻，/>为电动车辆k离开节点i的时刻；/>为电动车辆k到达顾客点i时的载重，/>为电动车辆k离开顾客点i时的载重，Qijk为电动车辆k行驶在道路（i,j）上的载重；/>为电动车辆k到达节点j时的剩余电量,/>为电动车辆k到达节点i时的剩余电量,/>为电动车辆k离开节点i时的剩余电量,dijkh为电动车辆k在时间段h以速度vijh在道路（i,j）上行驶的距离,dij为从节点i到节点j的距离。
tijkh为电动车辆k在时间段h以速度vijh在道路（i,j）上行驶的时间，ξijkh为电动车辆k在时间段h以速度vijh在道路（i,j）上行驶的能耗率，ζijk为电动车辆k从节点i行驶到节点j的能耗；σik为电动车辆k提前到达顾客点i的等待时间，τi为顾客点i的服务时间；Pik表示电动车辆k在充电站i充电后完成后续配送服务需消耗的总电量，Rik表示电动车辆k在充电站i进行充电时的充电量，tik表示电动车辆k在充电站i的充电时间，ε为电动车辆的充电速率。
λ1为单位能耗成本,λ2为电动车辆使用单位时间成本，λ3为电动车辆使用单位时间人力成本,λ4为电动车辆的固定发车费用；xijk为决策变量，当电动车辆k从节点i行驶至节点j时值为1，否则为0；xjik为决策变量，当电动车辆k从节点j行驶至节点i时值为1，否则为0；yijkh为决策变量，当电动车辆k在时间段h行驶在道路（i,j）上时值为1，否则为0；zik为决策变量，当电动车辆k在充电站i充电时值为1，否则为0。
步骤S600：对TDEVRPNEC模型进行求解，得到电动车辆的配送路径规划方案。具体地，处理器可以是采用鲸鱼优化算法或其他算法对TDEVRPNEC模型进行求解，得到的电动车辆的配送路径规划方案可下发至各电动车辆。本实施例中，步骤S600包括：利用改进的鲸鱼优化算法对TDEVRPNEC模型进行求解，得到电动车辆的配送路径规划方案。本申请重新定义了鲸鱼算法个体位置更新公式，使鲸鱼优化算法能够求解离散优化问题，改进的鲸鱼优化算法的个体位置更新公式如式（40）所示。
（40）
其中，Xj+1表示位置更新后的鲸鱼个体，Xj表示当前的鲸鱼个体，表示当前最佳的鲸鱼个体，Cross1表示鲸鱼个体Xj与鲸鱼个体/>进行交叉操作的第一种交叉方式，Cross2表示鲸鱼个体Xj与鲸鱼个体/>进行交叉操作的第二种交叉方式，rand为0至1的随机数。
其中，第一种交叉方式包括：在鲸鱼个体Xj中随机选择一个位置p1上的元素；找到鲸鱼个体/>中p1位置上的元素/>，再回到鲸鱼个体Xj找到元素/>所在的位置p2；找到鲸鱼个体/>中p2位置上的元素/>，重复操作直至形成一个环；将选中的元素的位置保持不变，将鲸鱼个体Xj和鲸鱼个体/>中未选择的元素互相交换位置生成两个新的鲸鱼个体X1和鲸鱼个体X2。在图2中，鲸鱼个体Xj选中的元素为5、6、4，鲸鱼个体/>选中的元素为4、5、6，其位置保持不变，鲸鱼个体Xj中未选中的元素与鲸鱼个体/>中未选中的元素按位置对应关系两两互换，从而得到两个新个体。
进一步地，第二种交叉方式包括：在鲸鱼个体Xj中随机选择一组元素L1；在鲸鱼个体中找到L1中所有元素的位置；保持鲸鱼个体Xj和鲸鱼个体/>中未选择的元素位置不变，将选择的元素按照出现顺序依次交换鲸鱼个体Xj和鲸鱼个体/>中元素的位置生成两个新的鲸鱼个体X1和X2，如图3所示。
在一个实施例中，改进的鲸鱼优化算法的局部搜索算子包括节点逆转算子、最大能耗交换算子和最优充电站插入算子。本申请针对TDEVRPNLC的特点，设计节点逆转算子、最大能耗交换和最优充电站插入三种局部搜索算子，这些算子能够有效提升WOA算法的搜索能力。其中，各局部搜索算子的说明如下：
（1）节点逆转算子。针对种群中的鲸鱼个体，随机选择两个位置，在满足容量、时间窗和电量等约束的前提下，逆转两个位置之间所有节点的顺序；若逆转后的新个体的目标函数值低于原个体，则将新个体替换原个体。
（2）最大能耗交换算子。为了节省能耗，应尽量减少路径中需远距离访问的节点。首先对种群的鲸鱼个体进行解码，得到多个车辆路径规划；然后随机选择两条路径并计算两路径中各节点至前序与后序节点的能耗和；再根据概率（能耗和越大的节点，被选中的概率越大）随机从两条路径中各选择一个节点，在满足约束的前提下，两节点互换。
（3）最优充电站插入算子。为了避免车辆访问距离过远的充电站，在满足电量约束的前提下，在车辆电量低于安全阀值前，插入访问成本最低的充电站。
进一步地，本申请通过设计车辆出发时刻优化策略，车辆通过选择合适的出发时刻规避交通拥堵时间段，改进的鲸鱼优化算法采用的车辆出发时刻优化策略的评价函数如下式（41）和（42）所示。
（41）
（42）
其中，E为评价指标，Z表示配送总成本，LV（ts）、EV（ts）、TW（ts）分别表示电动车辆出发时刻为ts时违反车辆载重、电池容量和时间窗约束的数值，ρc、ρe、ρt分别表示违反车辆载重、电池容量和时间窗约束的惩罚系数，ES表示从配送中心出发到达第一个顾客的最早出发时刻，LS表示从配送中心出发到达第一个顾客的最晚出发时刻，T1表示非拥堵时间段的起始时刻。
电动车辆出发时刻优化策略的步骤为：首先，根据非拥堵时间段的车辆行驶速度计算到达服务的第一个顾客的最早出发时刻ES和最晚出发时刻LS；然后，根据式（42）估算最佳出发时刻ts；最后，根据式（41）计算以ts为出发时刻的评价函数值，并筛选出满足约束条件的车辆出发时刻ts。
如图4所示，设计的改进的鲸鱼算法按如下步骤执行：
Step1.根据百度地图，输入配送中心和顾客的位置坐标；根据车辆的类型，输入车辆最大载重Q、电池容量C等车辆特征参数；根据顾客的送货要求，输入每位顾客的送货需求qi、服务时间窗[bi,ei]和服务时间τi；根据交通拥堵的时变特性，输入在不同时间段的车辆行驶速度vijh；根据企业实际的经营制度和经营成本，输入配送中心的服务时间[B,E]，电动车辆的充电速率ε、单位能耗成本λ1、车辆使用单位时间成本λ2、车辆使用单位时间人力成本λ3、车辆的固定发车费用λ4。
Step2.初始化参数：初始化算法各变量与参数，迭代次数gen设为1，鲸鱼种群规模设为pop_size，最大迭代次数设为Maxgen。
Step3.初始化种群：以车辆装载容量、车辆电池容量和需求点时间窗作为约束条件，采用贪婪算法生成初始解，并进行编码生成初始种群。
Step4.计算种群中每个鲸鱼个体的目标函数值，将目标函数值最小的鲸鱼个体作为种群的最优鲸鱼个体。
Step5.若rand＜0.5时，根据式（40）中的Cross1迭代产生下一代鲸鱼个体，否则采用Cross2迭代产生下一代鲸鱼个体。
Step6.计算新鲸鱼个体的目标函数值,若其目标函数值低于当前最优个体的目标函数值，则将其替换为最优个体。
Step7.对当前鲸鱼种群进行局部搜索：
Step7.1.对每个鲸鱼个体采用节点逆转算子进行逆转操作，若逆转后的鲸鱼个体目标函数值低于原个体，则将逆转后的鲸鱼个体替换原个体。
Step7.2.对每个鲸鱼个体采用最大能耗交换算子进行交换操作，若交换后的鲸鱼个体总能耗低于原个体，则将交换后的鲸鱼个体替换原个体。
Step7.3.对每个鲸鱼个体采用最优充电站插入算子进行插入操作，更新鲸鱼个体中充电站的位置。
Step8.通过采用车辆出发时刻优化策略，优化每个鲸鱼个体的出发时刻。
Step9.gen=gen+1。
Step10.若gen≤Maxgen，则跳至Step3。
Step11.输出全局最优鲸鱼个体，算法结束。
目前，关于EVRP已产生一定的研究成果，但对TDEVRPNEC的研究较少。对于求解EVRP的算法可分为精确算法、传统启发式算法和元启发式算法三大类，由于EVRP的复杂性，使用精确方法作为解决方法的研究数量非常少。现在求解EVRP主要采用启发式和元启发式算法，其中常用的求解算法包括：蚁群优化（ACO）、布谷鸟搜索（CS）、差分进化算法（DEA）、遗传算法（GA）、迭代局部搜索（ILS）、大邻域搜索/自适应大邻域搜索（LNS/ALNS）、模因算法（MA）、模拟退火（SA），禁忌搜索/自适应禁忌搜索/粒度禁忌搜索（TS/ATS/GTS）算法和可变邻域搜索/自适应可变邻域搜索（VNS/AVNS）等算法。
以上的求解算法不能在合理的时间里获得令物流企业满意的配送方案，而本申请所提出的TDEVRPNEC模型更加复杂，求解难度更大，对算法的求解效率要求更高，能适用于采用电动车配送的物流企业，能在规避交通拥堵时间段的情况下，在总配送成本、总能耗和总行程时间等多个优化目标之间取得折中，在降低配送总成本的同时，兼顾能耗和配送时间。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的考虑非线性能耗的电动车辆路径规划方法的考虑非线性能耗的电动车辆路径规划装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个考虑非线性能耗的电动车辆路径规划装置实施例中的具体限定可以参见上文中对于考虑非线性能耗的电动车辆路径规划方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种考虑非线性能耗的电动车辆路径规划装置，包括：数据获取模块100、第一处理模块200、第二处理模块300、第三处理模块400、第四处理模块500和路径规划模块600，其中：
数据获取模块100，用于获取电动车辆的路径规划参考数据。
第一处理模块200，用于根据路径规划参考数据进行能耗分析，建立非线性能耗测度模型。
第二处理模块300，用于根据路径规划参考数据进行充电分析，建立基于时变速度的部分充电策略模型。
第三处理模块400，用于根据路径规划参考数据进行行驶时间分析，确定基于路段划分的车辆行驶时间。
第四处理模块500，用于根据非线性能耗测度模型、部分充电策略模型以及基于路段划分的车辆行驶时间，构建带容量和时间窗约束的TDEVRPNEC模型。
路径规划模块600，用于对TDEVRPNEC模型进行求解，得到电动车辆的配送路径规划方案。
上述考虑非线性能耗的电动车辆路径规划装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种考虑非线性能耗的电动车辆路径规划方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的方法的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种考虑非线性能耗的电动车辆路径规划方法，其特征在于，包括：
获取电动车辆的路径规划参考数据；
根据所述路径规划参考数据进行能耗分析，建立非线性能耗测度模型；
根据所述路径规划参考数据进行充电分析，建立基于时变速度的部分充电策略模型；
根据所述路径规划参考数据进行行驶时间分析，确定基于路段划分的车辆行驶时间；
根据所述非线性能耗测度模型、所述部分充电策略模型以及所述基于路段划分的车辆行驶时间进行模型构建，得到带容量和时间窗约束的考虑非线性能耗的时间依赖型电动车辆路径模型；
对所述考虑非线性能耗的时间依赖型电动车辆路径模型进行求解，得到电动车辆的配送路径规划方案；
所述考虑非线性能耗的时间依赖型电动车辆路径模型为以所有电动车辆的能耗成本、充电时间成本、车辆使用时间成本和人力成本以及固定发车费用之和最小化作为优化目标的模型；所述考虑非线性能耗的时间依赖型电动车辆路径模型包括：
；
；
；
其中，minZ表示最小化总配送成本，Z1表示能耗成本，Z2表示电动车辆使用时间成本、人力成本与充电时间成本之和，Z3表示固定发车费用；N为顾客点的集合，N={1,2,…，n}，S为充电站的集合，S={1,2,…，s}，H为时间段h的集合，H={1,2,…，m}，A为起点、顾客点、充电站与终点的集合，，0作为起点的配送中心，n+1作为终点的虚拟配送中心；A1为起点、顾客点与充电站的集合,/>，A2为顾客点、充电站与终点的集合，/>，A3为顾客点与充电站的集合，/>，K为电动车辆的集合，K={1,2,…，K’}；Q为电动车辆的最大载重，C为电动车辆的电池容量；qi为顾客点i的需求量，[bi,ei]为顾客点i的服务时间窗；/>表示每辆电动车辆最多只能服务一条路径且从配送中心出发，/>表示电动车辆载重不能超过其最大装载容量；
v ijh 为电动车辆在时间段h行驶在道路（i,j）上的速度，为电动车辆k到达节点i的时刻，/>为电动车辆k到达节点j的时刻，/>为电动车辆k离开节点i的时刻；/>为电动车辆k到达顾客点i时的载重，/>为电动车辆k离开顾客点i时的载重，Qijk为电动车辆k行驶在道路（i,j）上的载重；/>为电动车辆k到达节点j时的剩余电量,/>为电动车辆k到达节点i时的剩余电量,/>为电动车辆k离开节点i时的剩余电量,dijkh为电动车辆k在时间段h以速度vijh在道路（i,j）上行驶的距离,dij为从节点i到节点j的距离；
t ijkh 为电动车辆k在时间段h以速度vijh在道路（i,j）上行驶的时间，ξijkh为电动车辆k在时间段h以速度vijh在道路（i,j）上行驶的能耗率，ζijk为电动车辆k从节点i行驶到节点j的能耗；σik为电动车辆k提前到达顾客点i的等待时间，τi为顾客点i的服务时间；Pik表示电动车辆k在充电站i充电后完成后续配送服务需消耗的总电量，Rik表示电动车辆k在充电站i进行充电时的充电量，tik表示电动车辆k在充电站i的充电时间，ε为电动车辆的充电速率；
λ 1为单位能耗成本, λ2为电动车辆使用单位时间成本，λ3为电动车辆使用单位时间人力成本,λ4为电动车辆的固定发车费用；xijk为决策变量，当电动车辆k从节点i行驶至节点j时值为1，否则为0；xjik为决策变量，当电动车辆k从节点j行驶至节点i时值为1，否则为0；yijkh为决策变量，当电动车辆k在时间段h行驶在道路（i,j）上时值为1，否则为0；zik为决策变量，当电动车辆k在充电站i充电时值为1，否则为0。
2.根据权利要求1所述的方法，其特征在于，所述非线性能耗测度模型包括：
；
其中，vijh是电动车辆在时间段h行驶在道路（i,j）上的速度,ξijkh表示电动车辆k在时间段h以速度vijh在道路（i,j）上行驶时的总能耗率；ξ1为克服空气阻力的能耗率，ξ2为轮胎摩擦产生的能耗率，ξ3为传动系统产生的能耗率，ξ4为辅助系统产生的能耗率；ρ表示空气密度，O是电动车辆前表面受风面积，Cd是空气阻力系数；f0是空车总重量，Qijk表示电动车辆k行驶在道路（i,j）上的实时载重，g是重力加速度，Cr是滚动阻力系数；αDr、βDr、γDr是与电动车辆的特征参数相关的系数；PA/C与Pothers之和表示电动车辆所有电子设备消耗的能量。
3.根据权利要求1所述的方法，其特征在于，所述基于时变速度的部分充电策略模型包括：
；
其中，S为充电站的集合，S={1,2,…，s}，N为顾客点的集合，N={1,2,…，n}，K为电动车辆的集合，K={1,2,…，K’}，n+1作为终点的虚拟配送中心；Pik表示电动车辆k在充电站i充电后完成后续配送服务需消耗的总电量；表示电动车辆k离开充电站i后服务的第一个顾客点，r表示电动车辆k充电后服务完第一个顾客点/>后需访问的剩余节点；yilkh为决策变量，当电动车辆k在时间段h行驶在道路（i,/>）上时值为1，否则为0；ξilkh表示电动车辆k在时间段h以速度vilh在道路（i,/>）上行驶的能耗率，tilkh表示电动车辆k在时间段h以速度vilh在道路（i,/>）上行驶的时间；yjrkh为决策变量，当电动车辆k在时间段h行驶在道路（j,r）上时值为1，否则为0；ξjrkh表示电动车辆k在时间段h以速度vjrh在道路（j,r）上行驶的能耗率，tjrkh表示电动车辆k在时间段h以速度vjrh在道路（j,r）上行驶的时间；
R ik 表示电动车辆k在充电站i进行充电时的充电量，C为电动车辆的电池容量，zik为决策变量，当电动车辆k在充电站i充电时值为1，否则为0；表示电动车辆k到充电站i时的剩余电量，tik表示电动车辆k在充电站i的充电时间，ε为电动车辆的充电速率；/>表示电动车辆k到达顾客点/>时的载重，/>表示电动车辆k离开充电站i时的载重；xlrk为决策变量，当电动车辆k从顾客点/>行驶至节点r时值为1，否则为0；/>表示电动车辆k到达节点r时的载重，/>表示电动车辆k离开顾客点/>时的载重。
4.根据权利要求1所述的方法，其特征在于，所述对所述考虑非线性能耗的时间依赖型电动车辆路径模型进行求解，得到电动车辆的配送路径规划方案，包括：利用改进的鲸鱼优化算法对所述考虑非线性能耗的时间依赖型电动车辆路径模型进行求解，得到电动车辆的配送路径规划方案；其中，所述改进的鲸鱼优化算法的个体位置更新公式为：
；
其中，X j+1表示位置更新后的鲸鱼个体，X j表示当前的鲸鱼个体，表示当前最佳的鲸鱼个体，Cross1表示鲸鱼个体X j与鲸鱼个体/>进行交叉操作的第一种交叉方式，Cross2表示鲸鱼个体X j与鲸鱼个体/>进行交叉操作的第二种交叉方式，rand为0至1的随机数；
所述改进的鲸鱼优化算法的局部搜索算子包括节点逆转算子、最大能耗交换算子和最优充电站插入算子。
5.根据权利要求4所述的方法，其特征在于，所述第一种交叉方式包括：在鲸鱼个体X j中随机选择一个位置p1上的元素；找到鲸鱼个体/>中p1位置上的元素/>，再回到鲸鱼个体X j找到元素/>所在的位置p2；找到鲸鱼个体/>中p2位置上的元素/>，重复操作直至形成一个环；将选中的元素的位置保持不变，将鲸鱼个体X j和鲸鱼个体/>中未选择的元素互相交换位置生成两个新的鲸鱼个体X1和鲸鱼个体X2。
6.根据权利要求4所述的方法，其特征在于，所述第二种交叉方式包括：在鲸鱼个体X j中随机选择一组元素L1；在鲸鱼个体中找到L1中所有元素的位置；保持鲸鱼个体X j和鲸鱼个体/>中未选择的元素位置不变，将选择的元素按照出现顺序依次交换鲸鱼个体X j和鲸鱼个体/>中元素的位置生成两个新的鲸鱼个体X1和X2。
7.根据权利要求4所述的方法，其特征在于，所述改进的鲸鱼优化算法采用的车辆出发时刻优化策略的评价函数包括：
；
；
其中，E为评价指标，Z表示配送总成本，LV（ts）、EV（ts）、TW（ts）分别表示电动车辆出发时刻为ts时违反车辆载重、电池容量和时间窗约束的数值，ρc、ρe、ρt分别表示违反车辆载重、电池容量和时间窗约束的惩罚系数，ES表示从配送中心出发到达第一个顾客的最早出发时刻，LS表示从配送中心出发到达第一个顾客的最晚出发时刻，T1表示非拥堵时间段的起始时刻。
8.一种考虑非线性能耗的电动车辆路径规划装置，其特征在于，包括：
数据获取模块，用于获取电动车辆的路径规划参考数据；
第一处理模块，用于根据所述路径规划参考数据进行能耗分析，建立非线性能耗测度模型；
第二处理模块，用于根据所述路径规划参考数据进行充电分析，建立基于时变速度的部分充电策略模型；
第三处理模块，用于根据所述路径规划参考数据进行行驶时间分析，确定基于路段划分的车辆行驶时间；
第四处理模块，用于根据所述非线性能耗测度模型、所述部分充电策略模型以及所述基于路段划分的车辆行驶时间，构建带容量和时间窗约束的考虑非线性能耗的时间依赖型电动车辆路径模型；
路径规划模块，用于对所述考虑非线性能耗的时间依赖型电动车辆路径模型进行求解，得到电动车辆的配送路径规划方案；
所述考虑非线性能耗的时间依赖型电动车辆路径模型为以所有电动车辆的能耗成本、充电时间成本、车辆使用时间成本和人力成本以及固定发车费用之和最小化作为优化目标的模型；所述考虑非线性能耗的时间依赖型电动车辆路径模型包括：
；
；
；
其中，minZ表示最小化总配送成本，Z1表示能耗成本，Z2表示电动车辆使用时间成本、人力成本与充电时间成本之和，Z3表示固定发车费用；N为顾客点的集合，N={1,2,…，n}，S为充电站的集合，S={1,2,…，s}，H为时间段h的集合，H={1,2,…，m}，A为起点、顾客点、充电站与终点的集合，，0作为起点的配送中心，n+1作为终点的虚拟配送中心；A1为起点、顾客点与充电站的集合,/>，A2为顾客点、充电站与终点的集合，/>，A3为顾客点与充电站的集合，/>，K为电动车辆的集合，K={1,2,…，K’}；Q为电动车辆的最大载重，C为电动车辆的电池容量；qi为顾客点i的需求量，[bi,ei]为顾客点i的服务时间窗；/>表示每辆电动车辆最多只能服务一条路径且从配送中心出发，/>表示电动车辆载重不能超过其最大装载容量；
v ijh 为电动车辆在时间段h行驶在道路（i,j）上的速度，为电动车辆k到达节点i的时刻，/>为电动车辆k到达节点j的时刻，/>为电动车辆k离开节点i的时刻；/>为电动车辆k到达顾客点i时的载重，/>为电动车辆k离开顾客点i时的载重，Qijk为电动车辆k行驶在道路（i,j）上的载重；/>为电动车辆k到达节点j时的剩余电量,/>为电动车辆k到达节点i时的剩余电量,/>为电动车辆k离开节点i时的剩余电量,dijkh为电动车辆k在时间段h以速度vijh在道路（i,j）上行驶的距离,dij为从节点i到节点j的距离；
t ijkh 为电动车辆k在时间段h以速度vijh在道路（i,j）上行驶的时间，ξijkh为电动车辆k在时间段h以速度vijh在道路（i,j）上行驶的能耗率，ζijk为电动车辆k从节点i行驶到节点j的能耗；σik为电动车辆k提前到达顾客点i的等待时间，τi为顾客点i的服务时间；Pik表示电动车辆k在充电站i充电后完成后续配送服务需消耗的总电量，Rik表示电动车辆k在充电站i进行充电时的充电量，tik表示电动车辆k在充电站i的充电时间，ε为电动车辆的充电速率；
λ 1为单位能耗成本, λ2为电动车辆使用单位时间成本，λ3为电动车辆使用单位时间人力成本,λ4为电动车辆的固定发车费用；xijk为决策变量，当电动车辆k从节点i行驶至节点j时值为1，否则为0；xjik为决策变量，当电动车辆k从节点j行驶至节点i时值为1，否则为0；yijkh为决策变量，当电动车辆k在时间段h行驶在道路（i,j）上时值为1，否则为0；zik为决策变量，当电动车辆k在充电站i充电时值为1，否则为0。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法。
CN202310636172.7A 2023-06-01 2023-06-01 考虑非线性能耗的电动车辆路径规划方法、装置和设备 Active CN116358593B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310636172.7A CN116358593B (zh) 2023-06-01 2023-06-01 考虑非线性能耗的电动车辆路径规划方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310636172.7A CN116358593B (zh) 2023-06-01 2023-06-01 考虑非线性能耗的电动车辆路径规划方法、装置和设备

Publications (2)

Publication Number Publication Date
CN116358593A CN116358593A (zh) 2023-06-30
CN116358593B true CN116358593B (zh) 2023-08-22

Family

ID=86923342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310636172.7A Active CN116358593B (zh) 2023-06-01 2023-06-01 考虑非线性能耗的电动车辆路径规划方法、装置和设备

Country Status (1)

Country Link
CN (1) CN116358593B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117077869B (zh) * 2023-10-11 2023-12-19 鱼快创领智能科技(南京)有限公司 一种场景化的定制访问顺序的车辆分配及路线规划的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014127849A1 (en) * 2013-02-25 2014-08-28 Nec Europe Ltd. Method and system for determining routes of vehicles
WO2020232315A1 (en) * 2019-05-15 2020-11-19 Sf Motors, Inc. Energy efficient path planning of autonomous electric vehicle
WO2023078590A1 (en) * 2021-11-05 2023-05-11 Volvo Truck Corporation Joint optimization of routes and driving parameters for cycle degradation minimization in electric vehicles
CN116187896A (zh) * 2023-04-28 2023-05-30 湖南工商大学 绿色车辆路径问题求解方法、装置、计算机设备以及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11835351B2 (en) * 2019-07-18 2023-12-05 Cummins Inc. Optimal route planning for electric vehicles

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014127849A1 (en) * 2013-02-25 2014-08-28 Nec Europe Ltd. Method and system for determining routes of vehicles
WO2020232315A1 (en) * 2019-05-15 2020-11-19 Sf Motors, Inc. Energy efficient path planning of autonomous electric vehicle
WO2023078590A1 (en) * 2021-11-05 2023-05-11 Volvo Truck Corporation Joint optimization of routes and driving parameters for cycle degradation minimization in electric vehicles
CN116187896A (zh) * 2023-04-28 2023-05-30 湖南工商大学 绿色车辆路径问题求解方法、装置、计算机设备以及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Electric vehicle routing problem: A systematic review and a new comprehensive model with nonlinear energy recharging and consumption;Yiyong Xiao et.al;Renewable and Sustainable Energy Reviews;1-21 *

Also Published As

Publication number Publication date
CN116358593A (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
Xie et al. Pontryagin’s minimum principle based model predictive control of energy management for a plug-in hybrid electric bus
Thibault et al. A unified approach for electric vehicles range maximization via eco-routing, eco-driving, and energy consumption prediction
CN110222907B (zh) 电动汽车充电站规划方法及终端设备
Szeto et al. Exact loading and unloading strategies for the static multi-vehicle bike repositioning problem
CN107180274B (zh) 一种电动汽车充电设施规划典型场景选取和优化方法
Zhang et al. A bi-level optimization framework for charging station design problem considering heterogeneous charging modes
Xie et al. Coordinated management of connected plug-in hybrid electric buses for energy saving, inter-vehicle safety, and battery health
CN116187896B (zh) 绿色车辆路径问题求解方法、装置、计算机设备以及介质
CN111898793B (zh) 一种组合出行方式下考虑用户感知差异性的路径选择方法
CN116358593B (zh) 考虑非线性能耗的电动车辆路径规划方法、装置和设备
An et al. Optimal scheduling of electric vehicle charging operations considering real-time traffic condition and travel distance
Guo et al. A novel energy consumption prediction model with combination of road information and driving style of BEVs
Houshmand et al. Eco-routing of plug-in hybrid electric vehicles in transportation networks
Liu et al. A hybrid genetic algorithm for the electric vehicle routing problem with time windows
Zhang et al. Power management optimization in plug-in hybrid electric vehicles subject to uncertain driving cycles
Rao et al. An Efficient Two‐Objective Hybrid Local Search Algorithm for Solving the Fuel Consumption Vehicle Routing Problem
CN113822461A (zh) 一种轨道交通跨线运营优化方法、系统、设备及存储介质
Majhi et al. Assessment of dynamic wireless charging based electric road system: A case study of Auckland motorway
Qiao et al. Vehicle powertrain connected route optimization for conventional, hybrid and plug-in electric vehicles
Wu et al. Multi-objective reinforcement learning-based energy management for fuel cell vehicles considering lifecycle costs
Ben Abbes et al. Route planning for electric vehicles
Ruiz et al. Optimal battery management strategies for plug-in electric hybrid buses on routes including green corridors
CN114676911A (zh) 一种运输车辆行车路线确定方法及装置
CN112488358B (zh) 一种电动汽车充电路径规划方法和存储介质
Yang et al. Variable optimization domain-based cooperative energy management strategy for connected plug-in hybrid electric vehicles

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