面向氢燃料车辆的多目标调度与协同优化方法技术

面向氢燃料车辆的多目标调度与协同优化方法，其根据各线路分时段乘客出行OD，结合线路车辆人员配置信息，同时以车辆运营成本和乘客候车时间成本作为优化目标，基于神经网络建立了氢燃料消耗量预测模型，基于神经网络构建一种复杂工况下的剩余续航里程评估模型，计算最佳加氢时机，然后结合加氢供需实况，在对车辆进行常规排班的同时，优化加氢调度方案。引入了带有精英策略的非支配排序多目标遗传算法求解多目标优化问题，有效实现了在各目标分量的最优解之间进行权衡，能够提供更佳的算法精度。通过氢燃料车辆的实时运行状态信息实时监测车辆运营过程中的异常情况，并分别对车辆晚点到站、故障异常情况进行动态调度，有效提高车辆运营效率。

【技术实现步骤摘要】
面向氢燃料车辆的多目标调度与协同优化方法
本专利技术属于智能车辆调度
，尤其涉及适用于氢燃料营运车辆的调度与协同优化方法。
技术介绍
相较于电动汽车，氢燃料汽车具有环保性能佳、加注时间短、续航里程长、适应低温环境等优势，是未来汽车工业可持续化发展的重要方向。由于客运车辆在运营过程中会不可避免地存在乘客出行时空分布不均、高峰时段车流阻塞等现象，静态单一的排班调度方式，难以实时响应乘客的出行需求。同时，按照静态排班表运作的调度计划仍会面临车辆晚点、车辆故障等复杂问题。由于新能源车辆在能源补充、能耗特性等方面的不同，其调度方式相对于燃油车辆存在着较大差异。现阶段对于新能源汽车的调度优化研究主要集中在电动汽车，在氢燃料车辆的调度方面仍鲜有涉及，现有技术中对氢燃料车辆的实时数据采集、监控，考虑氢燃料能耗分布特征的续航里程计算、加氢站氢能供需协调、车辆最优加氢调度方案等诸多技术问题，尚缺乏较好的一体化解决方案。车辆调度优化策略有助于合理解决车辆调度中如何兼顾营运公司和乘客双方利益的技术问题。现有大部分算法是将多目标问题转换成单目标问题进行求解，然而转换过程存在目标量纲无法统一、优化鲁棒性差等弊端。同时，调度场景越复杂，模型规模越大，传统优化方法无法快速、准确得到目标值。因此，有必要设计一种与氢燃料车辆的运行、补充燃料等环节所具有的特殊性相适应的组织调度方式，以提高动态调度的效率和鲁棒性。
技术实现思路
有鉴于此，本专利技术旨在针对氢燃料车辆尤其是在该类型车辆的营运过程，提供一种面向氢燃料车辆的多目标调度与协同优化方法，具体包括以下步骤：S1、对线路的分时段发车间隔建立二进制编码；根据各条运营线路不同时段的乘客出行需求分布，结合线路上的站点、执行任务车辆与司机配额，以线路运营期间的车辆运行成本以及乘客等候成本最小化为目标函数，考虑车辆核载、车辆配额约束条件建立多目标优化模型；S2、对车辆的初始发车时刻、车辆的加氢需求决策、加氢站的被选择状态分别建立二进制编码，对车辆的剩余发车时刻建立实数编码；根据车辆的相关工况参数建立基于神经网络的氢燃料消耗量预测模型，计算剩余氢燃料的可续航班次；以加氢时间成本与往返加氢途中的氢燃料消耗最小化为目标，建立多目标优化模型；S3、以所述S1中二进制编码的决策变量构建解向量及种群，所述S2中二进制编码和实数编码的决策变量构造多目标遗传算法的解向量及种群，并且以上述几个目标作为算法的优化目标分量；通过遗传算法的选择、交叉、变异三个基本操作得到子代种群，并利用考虑非支配排序和拥挤度计算的精英策略求解出各编码的最优解，继而得到包括发车间隔、次序与加氢安排的最优排班调度方案；S4、根据氢燃料车辆的实时运行状态信息，并结合车辆故障、车辆晚点等情况，重复执行前述步骤对所述排班调度方案实现动态更新。进一步地，步骤S1中建立以车辆运行成本以及乘客等候成本最小化的模型基于以下假设：同一线路车辆型号一致，最大载客量一致，车辆类型均为全程车，司机驾驶习惯相似，单位时间内乘客到站人数服从泊松分布；当前滞留乘客能在下一班次顺利上车，若无法上车则会自动离去；定义决策变量为XT，表示第T时段发车间隔。进一步地，步骤S1具体包括执行以下步骤：S1.1、将全天运营时段平均划分为k个时段，时段集合T＝[1，2，...，k]，每个时段长度为tT，计算线路运营期间产生的车辆运行成本Cbus，由式(1)计算得到：其中，表示在时段T的发车数量，L为线路的一个周转的行车距离，c为单位里程平均运行成本；步骤S1.2、定义站点集合S＝[1，2，...，s]，集合元素表示各站点编号；车辆集合B＝[1，2，...，b]，集合元素表示线路的车辆数，b是线路最大车辆配额；司机集合P＝[1，2，...，p]，集合元素表示线路的司机人数，p是线路最大司机人数；λTS为乘客在时段T在站点S的平均到达率，各站点乘客实际到达时刻τTS为在时段T，站点S因前车满载导致滞留的乘客数量，站点S与前一站点S-1之间的行车阻塞系数为ωTS，ω≥1；则乘客等候成本模型建立为：S1.3、以车辆运行成本与乘客等候成本最小为目标建立多目标优化模型：以上数学模型存在以下条件约束，分别表示：约束1：发车间隔不小于计划最小发车间隔Xmin，且不大于计划最大发车间隔Xmax，即：Xmin≤XT≤Xmax(6)约束2：用车高峰期间，用车数量不超过最大车辆配额，亦不能超过最大在编司机数量，设Tpeak是高峰时段发车时段集合，即：约束3：车辆集合B在线路上任意站点S满载率不超过座位数180％，设Q为车辆额定座位数，ρTS表示XT时段的车辆在运行过程中乘客下车数量，即：约束4：时段之间保证发车间隔差异不要太大，避免发车的不连续，设ε为最小发车间隔差异系数，即：|Xi+1-Xi|≤ε，i∈T(9)进一步地，步骤S2具体包括执行以下步骤：基于以下假设：所有加氢站不指定服务线路，氢燃料车辆只有完成一个周转后才能前往加氢站加氢，加完氢燃料的车辆必须回到出发站点，设加氢车辆单个到达，相继到达时间间隔服从负指数分布，加氢站有多个加注机器，，各加注机器独立工作，加氢速率都一致且加满，车辆遵守先到先加氢原则，若有空闲的加注机器则马上接受服务，否则便排成一个队列等待，若加氢站发生故障，车辆停止加氢活动；建立所述编码：初始发车时刻二进制编码Si，其中1表示在车辆将第i个时段对应的发车时刻作为初始发车时刻，0表示车辆未将该时刻作为初始发车时刻；线路上也即车辆集合B的剩余发车时刻实数编码TB，TB＝{TB1，TB2，...，TBn}，其中n为计划执行车次任务数，且满足条件：Tworker为司机每天最大工作时长，Troute为计划一班次行车时长；车辆的加氢需求决策二进制编码AB，AB＝[AB0，AB1，AB2，...ABn]，其中1表示在完成任务后加氢，0表示不执行加氢，AB0表示在初始发车前加氢编码；加氢站的被选择状态二进制编码HBO，HBO＝[HB1，HB2，...，HBo]，其中1表示车辆集合B选择该加氢站加氢，0表示不选择该加氢站。进一步地，步骤S2在建立编码后具体执行以下步骤：S2.1、在车辆试运营阶段，采集坡度Xslope、日常交通拥堵系数XTPI、实时车速XV、加速度Xa、载客量Xpassenger、环境温度Xtemp、风速Xwind、电池初始SoC、发动机Xspeed、扭矩Xtorque等的10个影响因素作为输入量，并实时计算氢气消耗量Y；S2.2、基于车辆大数据采集模块获取的上述数据，按照不同的时间尺度、两站点间隔划分训练集和测试集，构建基于神经网络的复杂工况下的氢燃料消耗量预测模型：Y＝F(Xslope，XTPI，XV，Xa，Xpassenger，Xtemp，Xwind，Xsoc，Xspeed，Xtorque)(10本文档来自技高网...

【技术保护点】
1.面向氢燃料车辆的多目标调度与协同优化方法，其特征在于：具体包括以下步骤：/nS1、对线路的分时段发车间隔建立二进制编码；/n根据各条运营线路不同时段的乘客出行需求分布，结合线路上的站点、执行任务车辆与司机配额，以线路运营期间的车辆运行成本以及乘客等候成本最小化为目标函数，考虑车辆核载、车辆配额约束条件建立多目标优化模型；/nS2、对车辆的初始发车时刻、车辆的加氢需求决策、加氢站的被选择状态分别建立二进制编码，对车辆的剩余发车时刻建立实数编码；/n根据车辆的相关工况参数建立基于神经网络的氢燃料消耗量预测模型，计算剩余氢燃料的可续航班次；以加氢时间成本与往返加氢途中的氢燃料消耗最小化为目标，建立多目标优化模型；/nS3、以所述S1中二进制编码的决策变量构建解向量及种群，所述S2中二进制编码和实数编码的决策变量构造多目标遗传算法的解向量及种群，并且以上述几个目标作为算法的优化目标分量；通过遗传算法的选择、交叉、变异三个基本操作得到子代种群，并利用考虑非支配排序和拥挤度计算的精英策略求解出各编码的最优解，继而得到包括发车间隔、次序与加氢安排的最优排班调度方案；/nS4、根据氢燃料车辆的实时运行状态信息，并结合车辆故障、车辆晚点等情况，重复执行前述步骤对所述排班调度方案实现动态更新。/n...

【技术特征摘要】
1.面向氢燃料车辆的多目标调度与协同优化方法，其特征在于：具体包括以下步骤：
S1、对线路的分时段发车间隔建立二进制编码；
根据各条运营线路不同时段的乘客出行需求分布，结合线路上的站点、执行任务车辆与司机配额，以线路运营期间的车辆运行成本以及乘客等候成本最小化为目标函数，考虑车辆核载、车辆配额约束条件建立多目标优化模型；
S2、对车辆的初始发车时刻、车辆的加氢需求决策、加氢站的被选择状态分别建立二进制编码，对车辆的剩余发车时刻建立实数编码；
根据车辆的相关工况参数建立基于神经网络的氢燃料消耗量预测模型，计算剩余氢燃料的可续航班次；以加氢时间成本与往返加氢途中的氢燃料消耗最小化为目标，建立多目标优化模型；
S3、以所述S1中二进制编码的决策变量构建解向量及种群，所述S2中二进制编码和实数编码的决策变量构造多目标遗传算法的解向量及种群，并且以上述几个目标作为算法的优化目标分量；通过遗传算法的选择、交叉、变异三个基本操作得到子代种群，并利用考虑非支配排序和拥挤度计算的精英策略求解出各编码的最优解，继而得到包括发车间隔、次序与加氢安排的最优排班调度方案；
S4、根据氢燃料车辆的实时运行状态信息，并结合车辆故障、车辆晚点等情况，重复执行前述步骤对所述排班调度方案实现动态更新。


2.如权利要求1所述的方法，其特征在于：步骤S1中建立车辆运行成本以及乘客等候成本最小化的模型基于以下假设：
同一线路车辆型号一致，最大载客量一致，车辆类型均为全程车，司机驾驶习惯相似，单位时间内乘客到站人数服从泊松分布；当前滞留乘客能在下一班次顺利上车，若无法上车则会自动离去；定义决策变量为XT，表示第T时段发车间隔。


3.如权利要求2所述的方法，其特征在于：步骤S1具体包括执行以下步骤：
S1.1、将全天运营时段平均划分为k个时段，时段集合T＝[1，2，...，k]，每个时段长度为tT，计算线路运营期间产生的车辆运行成本Cbus，由下式计算得到：



其中，表示在时段T的发车数量，L为线路的一个周转的行车距离，c为单位里程平均运行成本；
步骤S1.2、定义站点集合S＝[1，2，...，s]，集合元素表示各站点编号；车辆集合B＝[1，2，...，b]，集合元素表示线路的车辆数，b是线路最大车辆配额；司机集合P＝[1，2，...，p]，集合元素表示线路的司机人数，p是线路最大司机人数；λTS为乘客在时段T在站点S的平均到达率，各站点乘客实际到达时刻τTS为在时段T，站点S因前车满载导致滞留的乘客数量，站点S与前一站点S-1之间的行车阻塞系数为ωTS，ω≥1；则乘客等候成本模型建立为：



S1.3、以车辆运行成本与乘客等候成本最小为目标建立多目标优化模型：











4.如权利要求3所述的方法，其特征在于：步骤S2具体包括执行以下步骤：
基于以下假设：所有加氢站不指定服务线路，氢燃料车辆只有完成一个周转后才能前往加氢站加氢，加完氢燃料的车辆必须回到出发站点，设加氢车辆单个到达，相继到达时间间隔服从负指数分布，加氢站有多个加注机器，各加注机器独立工作，加氢速率都一致且加满，车辆遵守先到先加氢原则，若有空闲的加注机器则马上接受服务，否则便排成一个队列等待，若加氢站发生故障，车辆停止加氢活动；
建立所述编码：初始发车时刻二进制编码si，其中1表示在车辆将第i个时段对应的发车时刻作为初始发车时刻，0表示车辆未将该时刻作为初始发车时刻；
线路上也即车辆集合B的剩余发车时刻实数编码TB，TB＝{TB1，TB2，...，TBn}，其中n为计划执行车次任务数，且满足条件：Tworker为司机每天最大工作时长，Troute为计划一班次行车时长；
车辆的加氢需求决策二进制编码AB，AB＝[AB0，AB1，AB2，...ABn]，其中1表示在完成任务后加氢，0表示不执行加氢，AB0表示在初始发车前加氢编码；
加氢站的被选择状态二进制编码HBO，HBo＝[HB1，HB2，...，HBo]，其中1表示车辆集合B选择该加氢站加氢，0表示不选择该加氢站。


5.如权利要求4所述的方法，其特征在于：步骤S2在建立编码后具体执行以下步骤：
S2.1、在车辆试运营阶段，采集坡度Xslope、日常交通拥堵系数XTPI、实时车速XV、加速度Xa、载客量Xpassenger、环境温度Xtemp、风速Xwind、电池初始SoC、发动机Xspeed、扭矩Xtorque的10个影响因素作为输入量，并实时计算氢气消耗量Y；
S2.2、基于车辆大数据采集模块获取的上述数据，按照不同的时间尺度、两站点间隔划分训练集和测试集，构建基于神经网络的复杂工况下的氢燃料消耗量预测模型：
Y＝F(Xslope，XTPI，XV，Xa，Xpassenger，Xtemp，Xwind，Xsoc，Xspeed，Xrorque)
将真实氢燃料消耗量和预测值的均方根误差定义为评估预测模型性能的指标，车辆在真实运行过程中实时更新采样数据，依据预测的偏差对预测模型进行增量学习与偏差修正，实现滚动优化和反馈校正；
S2.3、判断车辆何时进入加氢准备，定义可续航班次的累计氢燃料消耗量为Y′＝∑...

【专利技术属性】
技术研发人员：王震坡，刘鹏，龙超华，杨永刚，杨学森，祁春玉，刘剑锐，
申请(专利权)人：北京理工新源信息科技有限公司，
类型：发明
国别省市：北京;11