CN117391564A - 一种新能源物流车辆补能调度数据模型及调度优化方法 - Google Patents

Abstract

本发明涉及物流车辆调度技术领域，具体地说，是一种新能源物流车辆补能调度数据模型及调度优化方法，建立新能源物流车辆补能调度数学模型，方法包括以下步骤：步骤一、设置模型初始参数；步骤二、设置车辆初始数据；步骤三、求解调度数学模型；步骤四：下发新的调度任务；步骤五、监控车辆运行状态，持续监控并更新车辆实时运行状态，如果进入新的调度周期，则转到步骤二，根据新的车辆状态更新调度计划，如此往重进行持续的补能调度。本发明通过建立数学模型和优化方法，能够在考虑物流运输任务条件下，解决新能源车辆的补能优化调度问题，从而提高新能源物流车辆的利用率，降低运营成本。

Description

一种新能源物流车辆补能调度数据模型及调度优化方法

技术领域

本发明涉及物流车辆调度技术领域，具体地说，是一种新能源物流车辆补能调度数据模型及调度优化方法。

背景技术

随着我国新能源汽车产业的发展，新能源车辆在物流车辆中所占比例越来越高。与燃油车辆相比，新能源车辆通常需要更频繁地进行补能，也需要更长时间地占用补能设施。这样，新能源车辆的补能调度就变得非常重要。新能源车辆的补能调度管理可以通过充电和换电两种方式进行。充电是指将电动汽车连接到充电桩上，通过充电桩为电动汽车充电。换电是指将电动汽车的电池更换为已经充好电的电池。不同补能方式的时间、成本也不同，需要根据实际情况选择最合适的补能方式。在补能设施的容量约束限制下，如何在最合适的时机为车辆进行补能，对提高物流车辆运营效率、降低运营成本非常重要。为了实现这一目标，需要考虑多方面的因素，如物流任务的属性、路线、时间窗等；新能源车辆的状态、位置、类型等；补能设施的位置、容量、价格等。

现有针对新能源的车辆补能调度优化技术，大多是从电力供应方角度考虑，通过补能需求统计分析与预测，并结合一些数学优化方法，对充换电设施的选址、设备数量配置、分时电价设置等方面进行调度优化。而物流公司或车队管理角度，结合物流运输任务的车辆补能调度目前大多属于无调度管理或人工调度的状态，或者所有车辆均按照某一既定规则和顺序承担运输任务，并在固定时间段和位置进行补能；或者由车辆驾驶员自行进行充电和换电决策；或者由调度人员进行人工分配相关车辆调度任务并下发到驾驶员。另外，目前已出现一些针对固定场地内运营的车辆(如一些园区内的自动驾驶车辆)自动化补能管理技术，可以通过监控车辆剩余电量以及充电设施空闲状态，按一定优先顺序自动进行车辆的补能调度，以提高车辆和充电设施利用效率。

现有针对新能源车辆补能调度优化技术，如通过分时定价，引导车辆补能时间分配，从而达到消峰填谷，提高电网能源利用效率，或者通过补能设施选址规划提高调设施利用率，在宏观上实现社会资源优化利用，但针对具体的物流公司或车队希望达到降低补能成本和提高车辆利用率的目标则没有太大帮助，这一问题仍需解决。物流公司和车队大多在无调度状态，经常存在信息传递不及时或缺乏提前计划，造成有时大量补能设施闲置无人使用，有时又供不应求导致大量车辆排队等待的情况，造成车辆利用率降低和运营成本提高。而人工调度通常也难以做到完全及时准确，尤其是在车辆、线路和补能设施较多的复杂情况，人工调度很难达到资源利用的最优化，其调度规划所花费的时间也较长，难以根据实时变化的情况进行及时的调整。

目前的车辆自动化补能管理技术，有些能够通过监控车辆及充电设施状态，实现车辆自动补能调度，但此种技术目前还都应用于固定区域内按固定路线运营的简单场景，可以按优先顺序安排车辆补能，一定程度上提高车辆和充电设施的利用效率，但还难以解决车辆、路线与充换电设备耦合条件下的复杂补能调度问题。

发明内容

为了解决上述技术问题，本发明披露了一种新能源物流车辆补能调度数据模型及调度优化方法，通过建立数学模型和优化方法，能够在考虑物流运输任务条件下，解决新能源车辆的补能优化调度问题，从而提高新能源物流车辆的利用率，降低运营成本。

本发明采用的具体技术方案如下：

一种新能源物流车辆补能调度优化方法，建立新能源物流车辆补能调度数学模型，具体包括以下步骤：

步骤一、设置模型初始参数：设置调度数学模型中各个基本参数及静态数据，包括调度基本时间段长度、调度最大时长、最大任务数量、成本目标与效率目标权重、车辆行驶速度、电池容量、空载/满载续航里程、装/卸货及充/换电所需时间、最小安全电量、最大换电电量，充/换电价格，行驶与等待成本，以及各个地点位置、类型、是否有充/换电设施、到其它地点的距离等数据。

步骤二、设置车辆初始数据：根据各车辆当前实时状态，设置车辆状态数据值，包括当前任务类型、预计完成时间，完成时电量、地点、载货状态等数据。

步骤三、求解调度数学模型：利用通过分枝定界等算法，利用整数规划求解器，求解上述数学模型，在规定求解时间内得到模型的最优解或可行解。

步骤四：下发新的调度任务：将步骤三求解得到的决策变量所表达的车辆任务计划下发到各个车辆。

步骤五、监控车辆运行状态：持续监控并更新车辆实时运行状态，如果进入新的调度周期(预先设定的迭代调度周期，如0.5小时)，则转到步骤二，根据新的车辆状态更新调度计划，如此往重进行持续的补能调度。

本发明中新能源物流基本车辆运营方式设定如下：

运输任务：车辆在港口装货区与钢厂等客户卸货区之间进行往返运输，运输车辆事先指派到固定的装货点到卸货点运输路线上不可更改，装载货物均为整车满载，在同一装卸地点一次完成装卸。

车辆与司机：车辆均为纯电动车辆，24小时连续执行上述运输任务，每辆车一般配置两名司机并定期进行换班，车辆事先指派到上述路线，不可进入其它装卸货地点。

充换电设施：车辆可以在上述运输过程中，根据需要在车辆基地、装卸地点、以及其它专门设有充换电设施的地点进行充电或换电，充换电费用根据电量和对应时段的电价计算。

充换电调度：充换电调度任务是根据车辆实时状态，给出车辆在何时何地进行充电或换电、以及充入多少电量的具体补能计划，调度计划的优化目标为效率最大化或成本最小化，或者是同时考虑二者的综合目标，目标权重可以根据实际情况进行设置。调度优化可以滚动进行，定时根据最新情况进行计划更新。

本发明的进一步改进，在上述调度数学模型中基本数据要素如下：

地点：包括运行场景中涉及的车辆基地、港口装货点、客户卸货点、专用充换电站点等，地点总数记为M，地点集合记为：

P＝{P_i|i＝1，2，…，M}

每一地点通过下列属性区分其不同类型：

P_i＝(l_i，u_i，c_i，b_i)

其中，l_i、u_i、c_i、b_i均为0-1整数变量，分别表示第i个地点是否为装货点、卸货点、充电站、换电站，l_i与u_i不能同时为1，即同一地点不可能同时为装货点和卸货点。

各地点之间的距离形成距离矩阵：

D＝{d_ij|i＝1，2，…，M，j＝1，2，…，M}

其中，d_ij表示从地点i到地点j的最短路线距离，d_ii定义为0。

路线：路线表示运输业务中从装货点到卸货点的运输线路，路线总为记为K，路线集合记为：

R＝{R_i|i＝1，2，…，K}

其中，

R_i＝(source_i，target_i)

source_i与target_i分别表示，第i条路线R_i的装货点与卸货地点，因此二者满足：

车辆：包括所有进行调度的车辆，车辆总数记为N，车辆集合记为：

V＝{V_i|i＝1，2，…，N}

根据目前业务规则，每一车辆均预先指派到固定路线，只能承运指派路线上的运输任务，车辆到路线的指派记为：

S＝{s_ij|i＝1，2，…，N，j＝1，2，…，K}

其中，s_ij为0-1整数变量，取值为1时表示将车辆V_i指派到路线R_j上，同一车辆必须指派到唯一一条路线上，因此：

车辆V_i的参数还包括其满载和空载的续航里程与/>分别为该车辆在充满电后满载和空载情况下的可行驶距离，调度计算中根据此二参数估计车辆行驶中所消耗的电量。

时间：充换电调度问题，可以看作是一种作业调度问题，其中涉及到时间安排，需要对时间的表达进行建模。由于作业调度问题一般使用整数规划，时间需要用整数表示，因此将时间按某一最小时间单元进行分片。在调度模型中，同一时间片表示的时段内发生的事件，将视为同时。以调度初始时间开始的首个时间片序号为0，顺次进行计算。取初始时刻为0时刻，时间片长度为ΔT，则整数t表示从时刻t·ΔT到(t+1)ΔT的时间段。设时间取值的最大允许值为整数T_max，即调度计划允许的最晚时刻为T_max·ΔT。

决策变量：

充换电优化的决策通过车辆任务安排进行，调度模型中每一车辆在每一地点进行的装货、卸货、充电、换电，以及等待等行为，都视为调度任务，所有的调度任务指派集合设为：

A＝{A_ij|i＝1，2，…，N，j＝1，2，…，L}

其中，A_ij表示车辆V_i的第j个任务，L表示调度模型中每辆车的最大任务数。每个任务包括具体属性表达为：

A_ij＝(T_ij，P_ij，I_ij，L_ij，B_ij)

其中，T_ij表示该任务类型：

T_ij∈{0，1，2，3，4，5}

其取值0-5分别代表等待、行驶、装货、卸货、充电、换电六种类型任务；P_ij表示该任务完成后车辆所在地点，I_ij表示车辆在该地点停留的时间段：

与/>分别为到达与离开该地点的时间；L_ij为0-1整数变量，代表完成该任务后车辆是空载或满载；B_ij表示该任务中电量的变化情况：

与/>为取值范围为0-100的整数，分别为到达与离开该地点的电量SOC百分数，二者的差值即为在该地点充电或换电后的补充电量值。

上述任务集合，就是调度模型中需要进行决策的变量，这些变量的取值的每一种组合都代表一种调度计划，包括调度计划时段内每一车辆的移动路线、装卸货、充换电计划。

约束条件：

指派路线约束：每一车辆均预先指派到固定路线，只能承运指派路线上的运输任务，即每辆车途经的任务地点中，不得经过非指派路线中的装卸货地点，该约束表示如下：

即对于车辆i途径的任意任务地点P_ij，如果该任务点为装货点，则该点必须是该车辆指派路线R_k的起点source_k；如果该任务点为卸货点，则该点必须是该车辆指派路线R_k的终点target_k。

车辆行驶约束：车辆从一个地点行驶到另一地点，其行驶时间应为两点间路线距离除以平均行驶速度，则行驶时间约束如下：

其中，条件为车辆i的第j个任务为行驶任务，上式表示前一任务地点与当前任务地点不同，下式左边为任务时间即行驶时间，右边按两地点距离与行驶速度计算行驶时间，并向上取整得到时间片数量，v为平均行驶速度。特别地，定义：为0，即规划初始时刻；P_i0为车辆初始所在地点。此处，暂时按照相同的平均行驶速度计算，可根据现有经验估计该速度值，后续迭代中如考虑不同车辆、不同的路线与时段速度不同的情况，可将速度改为不同变量，按查表或预测值进行计算。

车辆行驶消耗的电量，应为按车辆行驶距离与车辆载货状况折算得到，约束关系如下：

其中，左边为车辆i在到达第j个任务地点电量与离开第j-1个任务地点的电量之差，右边为根据不同载重情况下续航里程估计的耗电量。

任务地点约束：除行驶任务外，其他任务中车辆所在地点均不发生变化，约束表达式为：

P_ij-1＝P_ijif T_ij≠1

货物装卸约束：车辆只能且必须在装货点进行装货，车辆离开装货点后载货状态变为满载，则装货约束如下：

车辆只能且必须在卸货点进行卸货，车辆离开卸货点后载货状态变为空载，则卸货约束如下：

充换电约束：在有充换电设施的地点，车辆可以进行充电或换电；否则车辆不进行充换电，车辆到达和离开地点的电量保持不变(忽略在地点内部发生的耗电量)。充电时约束为：

换电时约束为：

其中，为是大允许换电电量；

另外在等待、装货、卸货任务中忽略电量消耗，此时约束为：

任务时间约束：车辆执行不同任务时间与任务类型等相关参数存在约束关系，除行驶任务时间已表示，其它各任务时间约束如下：

等待任务：

即等待时间须大于零；

装货任务：

其中，T_L为装货时间；

卸货任务：

其中，T_U为卸货时间；

充电任务：

其中，T_C为电池电量从0到100充电所需时间；

换电任务：

其中，T_B为换电时间。

上述任务中，等待时间无限制，充电时间按充入电量换算，其他任务均采用固定时间。实际上任务时间应包括操作消耗时间和排队等待时间，为不确定值，目前初始模型中采用固定时间的近似方案，后续可以按取经验值或分时间段查表，也可以按排队模型进行估计或利用训练数据预测计算。另外，如果某一地点充换电设施仅供本发明使用，则可以根据充换电设容量(即允许同时进行充换电的车辆数)建立约束，从而将等待时间纳入模型优化决策中，进入更精准的决策优化计算。

车辆初始状态约束：模型生成的调度计划是根据车辆初始状态进行计算，计划不能与初始状态产生矛盾，本模型中，将车辆初始状态做为其第一个任务，计划的生成时间以第一个任务结束时间为实际起点，即对于任意车辆i的第1个任务A_i1，有下列约束：

其中，为车辆当前正在执行任务，同样取值为0-5表示六种状态，/>表示车辆当前所在地点(非行驶状态)或行驶目的地点，/> 为当前任务预计完成时间，/>表示当前任务完成后车辆载货状态，/> 为当前车辆电量值，为当前任务完成后预计车辆电量值。

参数范围约束：上述参数中所有时间变量的取值均在时间区间[0,T]内，所有电量参数取值均在电量取间[SOC_min,100]内，其中SOC_min为要保证车辆的最小安全电量，参数范围约束为：

目标函数

充换电调度的优化目标包括成本最小化与效率最大化，对于指派问题一般将完成所有任务的总费用最小或总时间最短作为模型优化目标。而在本发明的充换电调度系统中，由于车辆24小时持续执行任务，部分车辆完成某批次任务后，可以随即投入到下一批次的任务执行中，没有明确的任务完成周期，因此不宜使用总费用或总时间作为优化目标。因此，本模型中采用损失最小化做为优化目标，通过车辆任务执行中与费用最小值的费用之差计算成本损失，通过实际执行时间与最短时间之差计算效率损失。如果成本损失达到最小，即达到总成本最小化；而如果效率损失达到最小，车辆完成任务及后续可能完成的潜在任务也就更多，即达到总效率最大化。

另外，车辆最主要的目的为完成运输任务，这一业务目标在上述损失目标中未能得到计算，因此额外引入任务损失目标，即将装车与卸货任务作为直接运输业务目标的完成，而将其它任务都视为机会损失，补充到综合目标当中。

成本损失：车辆在装卸货地点之间直接往返是最短路线，中间绕行其它任务地点对于效率和成本都将产生损失，可以按照绕行时间和距离及载货情况分别计算损失大小。车辆i从第j-1个任务地点行驶到第j个任务地点，如果第j个任务地点就是该车辆执行运输业务的下一目标地点时(车辆空载时应为装货点，满载时为卸货点)，为直达目标点，不产生绕路损耗；否则发生绕行损耗。设该车辆指派路线为k，绕行距离计算如下：

因为这种绕行产生的成本损耗为：

其中，p_e与p_f分别表示空载与满载时的单位里程成本价格。

车辆充换电费用都视为成本损失，按充换电电量与电量单价进行计算。充换电成本损失为：

其中p_c与p_b分别为充电与换电的单价，二者均为充电时段的函数，根据电价浮动关系取充电时段的平均单价计算。

则调度计划产生总的成本损失为：

效率损失：调度计划中除运输过程比须的最低时间消耗外，所有产生额外等待、充换电、多余行驶时间都视为效率的损失。根据绕行距离，可以计算因为绕行产生的额外时间消耗：

另外，车辆除装卸货时间外，其它在任务地点的停留时间包括充换电及等待时间，均产生效率损失。车辆i在第j个任务地点的停留时间损失为车辆在该点的停留时间减在该点的装卸货时间：

则调度计划产生的总效率损失，可按时间成本折算为：

其中，p_t单位时间内固定成本。

机会损失：单次任务的机会损失定义为：

含义为装货与卸货任务共同完成一次运输业务，各自贡献为0.5，而其它任务视为产生0.5次机会损失，则调度计划产生的总机会损失为：

其中，p_r为单车完成一次运输任务的收益。

综合优化目标

综合上述成本损失函数与效率损失函数，可以按权重计算得到充换电调度的综合优化目标函数：

minLoss＝w_C·Loss_C+w_T·Loss_T+min(w_C,w_T)·Loss_O

其中，w_C与w_T分别为成本目标和效率目标的权重系数，在模型求解时可以通过设置这两个权重参数调整优化目标。机会损失在两种目标中均需要考虑，权重取二者中的次要值。

本发明的有益效果：本发明针对新能源物流车辆的补能调度问题，建立了求解车辆补能调度策略的数学模型，在此基础上设计了迭代式实时车辆补能调度优化方法，可以在考虑物流车辆实际运输任务的基础上进行车辆充换电策略的自动优化调度，可以取代效率低下的人工调度方法，提高新能源物流车辆的运营效率，降低运营成本。

附图说明

图1是发明的流程示意图。

具体实施方式

为了加深对发明的理解，下面将结合附图和实施例对发明做进一步详细描述，该实施例仅用于解释发明，并不对发明的保护范围构成限定。

一种新能源物流车辆补能调度数据模型，包括数据要素、决策变量、约束条件、目标函数，所述数据要素作为该调度数据模型的基本设定包括地点、路线、车辆和时间，所述决策变量通过车辆任务安排进行，调度模型中每一车辆在每一地点进行的装货、卸货、充电、换电，以及等待行为，所述约束条件作为该调度数据模型的设定条件用以约束各个数据要素包括指派路线约束、车辆行驶约束、货物装卸约束、充换电约束、任务时间约束、车辆初始状态约束、参数范围约束，所述目标函数作为该调度数据模型的目标设定，考察成本最小化与效率最大化，对于指派问题一般将完成所有任务的总费用最小或总时间最短作为模型优化目标。

调度数学模型中基本数据要素如下：

地点：总数记为M，地点集合记为：

P＝{P_i|i＝1，2，…，M}

每一地点通过下列属性区分其不同类型：

P_i＝(l_i，u_i，c_i，b_i)

其中，l_i、u_i、c_i、b_i均为0-1整数变量，分别表示第i个地点是否为装货点、卸货点、充电站、换电站，l_i与u_i不能同时为1，即同一地点不可能同时为装货点和卸货点。

各地点之间的距离形成距离矩阵：

D＝{d_ij|i＝1，2，…，M，j＝1，2，…，M}

其中，d_ij表示从地点i到地点j的最短路线距离，d_ii定义为0。

路线：路线总为记为K，路线集合记为：

R＝{R_i|i＝1，2，…，K}

其中，

R_i＝(source_i，target_i)

source_i与target_i分别表示，第i条路线R_i的装货点与卸货地点，因此二者满足：

车辆：车辆总数记为N，车辆集合记为：

V＝{V_i|i＝1，2，…，N}

根据目前业务规则，每一车辆均预先指派到固定路线，只能承运指派路线上的运输任务，车辆到路线的指派记为：

S＝{s_ij|i＝1，2，…，N，j＝1，2，…，K}

其中，s_ij为0-1整数变量，取值为1时表示将车辆V_i指派到路线R_j上，同一车辆必须指派到唯一一条路线上，因此：

车辆V_i的参数还包括其满载和空载的续航里程与/>分别为该车辆在充满电后满载和空载情况下的可行驶距离，调度计算中根据此二参数估计车辆行驶中所消耗的电量。

时间：以调度初始时间开始的首个时间片序号为0，顺次进行计算，取初始时刻为0时刻，时间片长度为ΔT，则整数t表示从时刻t·ΔT到(t+1)ΔT的时间段。设时间取值的最大允许值为整数T_max，即调度计划允许的最晚时刻为T_max·ΔT。

决策变量：

所有的调度任务指派集合设为：

A＝{A_ij|i＝1，2，…，N，j＝1，2，…，L}

其中，A_ij表示车辆V_i的第j个任务，L表示调度模型中每辆车的最大任务数，每个任务包括具体属性表达为：

A_ij＝(T_ij，P_ij，I_ij，L_ij，B_ij)

其中，T_ij表示该任务类型：

T_ij∈{0，1，2，3，4，5}

其取值0-5分别代表等待、行驶、装货、卸货、充电、换电六种类型任务；P_ij表示该任务完成后车辆所在地点，I_ij表示车辆在该地点停留的时间段：

与/>分别为到达与离开该地点的时间；L_ij为0-1整数变量，代表完成该任务后车辆是空载或满载；B_ij表示该任务中电量的变化情况：

与/>为取值范围为0-100的整数，分别为到达与离开该地点的电量SOC百分数，二者的差值即为在该地点充电或换电后的补充电量值。

上述任务集合，就是调度模型中需要进行决策的变量，这些变量的取值的每一种组合都代表一种调度计划，包括调度计划时段内每一车辆的移动路线、装卸货、充换电计划。

约束条件：

指派路线约束，表示如下：

即对于车辆i途径的任意任务地点P_ij，如果该任务点为装货点，则该点必须是该车辆指派路线R_k的起点source_k；如果该任务点为卸货点，则该点必须是该车辆指派路线P_k的终点target_k。

车辆行驶约束，表示如下：

其中，条件为车辆i的第j个任务为行驶任务，上式表示前一任务地点与当前任务地点不同，下式左边为任务时间即行驶时间，右边按两地点距离与行驶速度计算行驶时间，并向上取整得到时间片数量，v为平均行驶速度。特别地，定义：为0，即规划初始时刻；P_i0为车辆初始所在地点。此处，暂时按照相同的平均行驶速度计算，可根据现有经验估计该速度值，后续迭代中如考虑不同车辆、不同的路线与时段速度不同的情况，可将速度改为不同变量，按查表或预测值进行计算。

车辆行驶消耗的电量，表示如下：

其中，左边为车辆i在到达第j个任务地点电量与离开第j-1个任务地点的电量之差，右边为根据不同载重情况下续航里程估计的耗电量。

任务地点约束，表示如下：

P_ij-1＝P_ijif T_ij≠1

货物装卸约束，表示如下：

车辆只能且必须在卸货点进行卸货，车辆离开卸货点后载货状态变为空载，则卸货约束如下：

充换电约束，充电时约束为：

换电时约束为：

其中，为是大允许换电电量；

另外在等待、装货、卸货任务中忽略电量消耗，此时约束为：

任务时间约束：车辆执行不同任务时间与任务类型等相关参数存在约束关系，除行驶任务时间已表示，其它各任务时间约束如下：

等待任务：

即等待时间须大于零；

装货任务：

其中，T_L为装货时间；

卸货任务：

其中，T_U为卸货时间；

充电任务：

其中，T_C为电池电量从0到100充电所需时间；

换电任务：

其中，T_B为换电时间。

上述任务中，等待时间无限制，充电时间按充入电量换算，其他任务均采用固定时间。实际上任务时间应包括操作消耗时间和排队等待时间，为不确定值，目前初始模型中采用固定时间的近似方案，后续可以按取经验值或分时间段查表，也可以按排队模型进行估计或利用训练数据预测计算。另外，如果某一地点充换电设施仅供本发明使用，则可以根据充换电设容量(即允许同时进行充换电的车辆数)建立约束，从而将等待时间纳入模型优化决策中，进入更精准的决策优化计算。

车辆初始状态约束，将车辆初始状态做为其第一个任务，计划的生成时间以第一个任务结束时间为实际起点，即对于任意车辆i的第1个任务A_i1，有下列约束：

其中，为车辆当前正在执行任务，同样取值为0-5表示六种状态，/>表示车辆当前所在地点(非行驶状态)或行驶目的地点，/> 为当前任务预计完成时间，/>表示当前任务完成后车辆载货状态，/> 为当前车辆电量值，为当前任务完成后预计车辆电量值。

参数范围约束：上述参数中所有时间变量的取值均在时间区间[0,T]内，所有电量参数取值均在电量取间[SOC_min,100]内，其中SOC_min为要保证车辆的最小安全电量，参数范围约束为：

目标函数

充换电调度的优化目标包括成本最小化与效率最大化，对于指派问题一般将完成所有任务的总费用最小或总时间最短作为模型优化目标。而在本发明的充换电调度系统中，由于车辆24小时持续执行任务，部分车辆完成某批次任务后，可以随即投入到下一批次的任务执行中，没有明确的任务完成周期，因此不宜使用总费用或总时间作为优化目标。因此，本模型中采用损失最小化做为优化目标，通过车辆任务执行中与费用最小值的费用之差计算成本损失，通过实际执行时间与最短时间之差计算效率损失。如果成本损失达到最小，即达到总成本最小化；而如果效率损失达到最小，车辆完成任务及后续可能完成的潜在任务也就更多，即达到总效率最大化。

另外，车辆最主要的目的为完成运输任务，这一业务目标在上述损失目标中未能得到计算，因此额外引入任务损失目标，即将装车与卸货任务作为直接运输业务目标的完成，而将其它任务都视为机会损失，补充到综合目标当中。

成本损失：车辆在装卸货地点之间直接往返是最短路线，中间绕行其它任务地点对于效率和成本都将产生损失，可以按照绕行时间和距离及载货情况分别计算损失大小。车辆i从第j-1个任务地点行驶到第j个任务地点，如果第j个任务地点就是该车辆执行运输业务的下一目标地点时(车辆空载时应为装货点，满载时为卸货点)，为直达目标点，不产生绕路损耗；否则发生绕行损耗。设该车辆指派路线为k，绕行距离计算如下：

因为这种绕行产生的成本损耗为：

其中，p_e与p_f分别表示空载与满载时的单位里程成本价格。

车辆充换电费用都视为成本损失，按充换电电量与电量单价进行计算。充换电成本损失为：

其中p_c与p_b分别为充电与换电的单价，二者均为充电时段的函数，根据电价浮动关系取充电时段的平均单价计算。

则调度计划产生总的成本损失为：

效率损失：调度计划中除运输过程比须的最低时间消耗外，所有产生额外等待、充换电、多余行驶时间都视为效率的损失。根据绕行距离，可以计算因为绕行产生的额外时间消耗：

另外，车辆除装卸货时间外，其它在任务地点的停留时间包括充换电及等待时间，均产生效率损失。车辆i在第j个任务地点的停留时间损失为车辆在该点的停留时间减在该点的装卸货时间：

则调度计划产生的总效率损失，可按时间成本折算为：

其中，p_t单位时间内固定成本。

机会损失：单次任务的机会损失定义为：

含义为装货与卸货任务共同完成一次运输业务，各自贡献为0.5，而其它任务视为产生0.5次机会损失，则调度计划产生的总机会损失为：

其中，p_r为单车完成一次运输任务的收益。

综合优化目标

综合上述成本损失函数与效率损失函数，可以按权重计算得到充换电调度的综合优化目标函数：

minLoss＝w_C·Loss_C+w_T·Loss_T+min(w_C,w_T)·Loss_O

其中，w_C与w_T分别为成本目标和效率目标的权重系数，在模型求解时可以通过设置这两个权重参数调整优化目标。机会损失在两种目标中均需要考虑，权重取二者中的次要值。

如图1所示，一种新能源物流车辆补能调度优化方法，建立新能源物流车辆补能调度数学模型，具体包括以下步骤：

步骤一、设置模型初始参数。

步骤二、设置车辆初始数据。

步骤三、求解调度数学模型。

步骤四：下发新的调度任务。

步骤五、监控车辆运行状态，持续监控并更新车辆实时运行状态，如果进入新的调度周期，则转到步骤二，根据新的车辆状态更新调度计划，如此往重进行持续的补能调度。

以上显示和描述了发明的基本原理、主要特征及优点。本行业的技术人员应该了解，发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明发明的原理，在不脱离发明精神和范围的前提下，发明还会有各种变化和改进，这些变化和改进都落入要求保护的发明范围内。发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种新能源物流车辆补能调度数据模型，其特征在于，包括数据要素、决策变量、约束条件、目标函数，所述数据要素作为该调度数据模型的基本设定包括地点、路线、车辆和时间，所述决策变量通过车辆任务安排进行，调度模型中每一车辆在每一地点进行的装货、卸货、充电、换电，以及等待行为，所述约束条件作为该调度数据模型的设定条件用以约束各个数据要素包括指派路线约束、车辆行驶约束、货物装卸约束、充换电约束、任务时间约束、车辆初始状态约束、参数范围约束，所述目标函数作为该调度数据模型的目标设定；

所述数据要素作为该调度数据模型的设定包括地点、路线、车辆和时间，

其中，地点总数记为M，地点集合记为：

P＝{P_i|i＝1，2，…，M}

每一地点通过下列属性区分其不同类型：

P_i＝(l_i，u_i，c_i，b_i)

上式中，l_i、u_i、c_i、b_i均为0-1整数变量，分别表示第i个地点是否为装货点、卸货点、充电站、换电站，l_i与u_i不能同时为1，即同一地点不可能同时为装货点和卸货点，各地点之间的距离形成距离矩阵：

D＝{d_ij|i＝1，2，…，M，j＝1，2，…，M}

上式中，d_ij表示从地点i到地点j的最短路线距离，d_ii定义为0；

路线：路线总为记为K，路线集合记为：

R＝{R_i|i＝1，2，…，K}

R_i＝(source_i，target_i)

上式中，source_i与target_i分别表示第i条路线R_i的装货点与卸货地点，因此二者满足：

车辆：车辆总数记为N，车辆集合记为：

V＝{V_i|i＝1，2，…，N}

每一车辆均预先指派到固定路线，只能承运指派路线上的运输任务，车辆到路线的指派记为：

S＝{s_ij|i＝1，2，…，N，j＝1，2，…，K}

其中，s_ij为0-1整数变量，取值为1时表示将车辆V_i指派到路线R_j上，同一车辆必须指派到唯一一条路线上，因此：

时间：充换电调度问题，调度初始时间开始的首个时间片序号为0，顺次进行计算，取初始时刻为0时刻，时间片长度为ΔT，则整数t表示从时刻t·ΔT到(t+1)ΔT的时间段，设时间取值的最大允许值为整数T_max，即调度计划允许的最晚时刻为T_max·ΔT。

2.根据权利要求1所述的新能源物流车辆补能调度数据模型，其特征在于，所述决策变量中，所有的调度任务指派集合设为：

A＝{A_ij|i＝1，2，…，N，j＝1，2，…，L}

其中，A_ij表示车辆V_i的第j个任务，L表示调度模型中每辆车的最大任务数，每个任务包括具体属性表达为：

A_ij＝(T_ij，P_ij，I_ij，L_ij，B_ij)

其中，T_ij表示任务类型：

T_ij∈{0，1，2，3，4，5}

其取值0-5分别代表等待、行驶、装货、卸货、充电、换电六种类型任务；P_ij表示该任务完成后车辆所在地点，I_ij表示车辆在该地点停留的时间段：

与/>分别为到达与离开该地点的时间；L_ij为0-1整数变量，代表完成该任务后车辆是空载或满载；B_ij表示该任务中电量的变化情况：

与/>为取值范围为0-100的整数，分别为到达与离开该地点的电量SOC百分数，二者的差值即为在该地点充电或换电后的补充电量值。

3.根据权利要求2所述的新能源物流车辆补能调度数据模型，其特征在于，所述约束条件中，指派路线约束表示如下：

即对于车辆i途径的任意任务地点P_ij，如果任务点为装货点，则该装货点必须是车辆指派路线R_k的起点source_k；如果该任务点为卸货点，则该卸货点必须是车辆指派路线R_k的终点target_k；

车辆行驶约束表示如下：

其中，条件为车辆i的第j个任务为行驶任务，上式表示前一任务地点与当前任务地点不同，下式左边为任务时间即行驶时间，右边按两地点距离与行驶速度计算行驶时间，并向上取整得到时间片数量，v为平均行驶速度，定义：为0，即规划初始时刻，P_i0为车辆初始所在地点，车辆行驶消耗的电量，应为按车辆行驶距离与车辆载货状况折算得到，约束关系如下：

其中，左边为车辆i在到达第j个任务地点电量与离开第j-1个任务地点的电量之差，右边为根据不同载重情况下续航里程估计的耗电量；

任务地点约束表示如下：

P_ij-1＝P_ijif T_ij≠1

货物装卸约束表示如下：

车辆只能且必须在卸货点进行卸货，车辆离开卸货点后载货状态变为空载，则卸货约束如下：

充换电约束中充电时约束为：

换电时约束为：

其中，为是大允许换电电量；

另外在等待、装货、卸货任务中忽略电量消耗，此时约束为：

任务时间约束表示如下：

等待任务：

即等待时间须大于零；

装货任务：

其中，T_L为装货时间；

卸货任务：

其中，T_U为卸货时间；

充电任务：

其中，T_C为电池电量从0到100充电所需时间；

换电任务：

其中，T_B为换电时间；

车辆初始状态约束表示为：对于任意车辆i的第1个任务A_i1，有下列约束：

其中，为车辆当前正在执行任务，同样取值为0-5表示六种状态，/>表示车辆当前所在地点或行驶目的地点，/> 为当前任务预计完成时间，/>表示当前任务完成后车辆载货状态，/> 为当前车辆电量值，/>为当前任务完成后预计车辆电量值；

参数范围约束：参数中所有时间变量的取值均在时间区间[0，T]内，所有电量参数取值均在电量取间[SOC_min，100]内，其中SOC_min为要保证车辆的最小安全电量，参数范围约束为：

4.根据权利要求3所述的新能源物流车辆补能调度数据模型，其特征在于，所述目标函数采用损失最小化做为优化目标，其中，

成本损失：车辆i从第j-1个任务地点行驶到第j个任务地点，设定第j个任务地点就是该车辆执行运输业务的下一目标地点时，为直达目标点，不产生绕路损耗；否则发生绕行损耗，设该车辆指派路线为R_k，绕行距离计算如下：

绕行产生的成本损耗为：

其中，p_e与p_f分别表示空载与满载时的单位里程成本价格；

车辆充换电费用都视为成本损失，按充换电电量与电量单价进行计算，充换电成本损失为：

其中p_c与p_b分别为充电与换电的单价，二者均为充电时段的函数，根据电价浮动关系取充电时段的平均单价计算，

则调度计划产生总的成本损失为：

效率损失：根据绕行距离，计算因为绕行产生的额外时间消耗：

车辆i在第j个任务地点的停留时间损失为车辆在该点的停留时间减在该点的装卸货时间：

则调度计划产生的总效率损失，按时间成本折算为：

其中，p_t单位时间内固定成本；

机会损失：单次任务的机会损失定义为：

含义为装货与卸货任务共同完成一次运输业务，各自贡献为0.5，而其它任务视为产生0.5次机会损失，则调度计划产生的总机会损失为：

其中，p_r为单车完成一次运输任务的收益，

综合上述成本损失函数与效率损失函数，按权重计算得到充换电调度的综合优化目标函数：

min Loss＝w_C·Loss_C+w_T·Loss_T+min(w_C，w_T)·Loss_o

其中，w_C与w_T分别为成本目标和效率目标的权重系数，在模型求解时通过设置这两个权重参数调整优化目标，机会损失在两种目标中均需要考虑，权重取二者中的次要值。

5.一种新能源物流车辆补能调度优化方法，其特征在于，建立如权利要求4所述的新能源物流车辆补能调度数据模型，包括以下步骤：

步骤一、设置模型初始参数：设置调度数学模型中各个基本参数及静态数据，包括调度基本时间段长度、调度最大时长、最大任务数量、成本目标与效率目标权重、车辆行驶速度、电池容量、空载/满载续航里程、装/卸货及充/换电所需时间、最小安全电量、最大换电电量、充/换电价格、行驶与等待成本，以及各个地点位置、类型、是否有充/换电设施、到其它地点的距离；

步骤二、设置车辆初始数据：根据各车辆当前实时状态，设置车辆状态数据值，包括当前任务类型、预计完成时间，完成时电量、地点、载货状态；

步骤三、求解调度数学模型：利用通过分枝定界算法，利用整数规划求解器，求解上述数学模型，在规定求解时间内得到模型的最优解行解；

步骤四：下发新的调度任务：将步骤三求解得到的决策变量所表达的车辆任务计划下发到各个车辆；

步骤五、监控车辆运行状态：持续监控并更新车辆实时运行状态，如果进入新的调度周期，则转到步骤二，根据新的车辆状态更新调度计划，如此往重进行持续的补能调度。