【技术实现步骤摘要】
本申请涉及有轨电车布局，特别涉及一种基于粒子群算法的有轨电车车辆布局方法。
技术介绍
1、有轨电车是城市公共交通的重要组成部分，其车辆布局的合理性直接关系到运营效率、能源利用和服务质量。传统有轨电车车辆布局问题通常受到问题复杂性和多目标优化的挑战，使得难以在有限时间内求得全局最优解。传统有轨电车车辆布局问题涉及线路长度、站点分布和乘客流量等多个因素，形成一个高度复杂的多目标优化问题。单一算法难以在有限时间内对这样的问题进行全局搜索，容易陷入局部最优解。
2、传统的算法如遗传算法、模拟退火算法等在处理复杂、高维的问题时受到限制，无法有效平衡全局搜索和局部优化。
3、在相关技术中，比如中国专利文献cn116050235a中提供了一种云边环境下工作流数据布局的方法及存储介质，对云边环境进行数学表示，基于副本生成开销和数据传输开销，以最小化总时延为目标，将数据布局问题建模为0-1整数规划问题，得到数学问题模型；采用基于遗传算法算子的非线性惯性权重离散粒子群优化算法，在粒子群算法中引入遗传算法的交叉和变异算子，并根据粒子和全局粒子的差异自适应调整惯性权重，以对所述数学问题模型求解；根据求解结果进行工作流数据布局；能够有效降低时延；且在粒子群算法中引入遗传算法的交叉和变异算子，增强了粒子群算法的搜索能力，避免早熟收敛，并根据当前粒子和全局粒子的差异自适应调整惯性权重，使寻优过程更有效率。但是该方案是在粒子群算法中引入了遗传算子和自适应惯性权重调整来增强搜索能力。但是其核心仍然是粒子群算法，而粒子群算法易陷入局部最优解
技术实现思路
1、1.要解决的技术问题
2、针对现有技术中存在的有轨电车车辆布局难以求得全局最优解的问题，本申请提供了一种基于粒子群算法的有轨电车车辆布局方法，通过综合各个算法的优势，避免单一算法的局限性，提高了有轨电车车辆布局的全局优化效果。
3、2.技术方案
4、本申请的目的通过以下技术方案实现。
5、本说明书实施例提供一种基于粒子群算法的有轨电车车辆布局方法，包括：获取有轨电车的运营数据，运营数据包含线路长度、站点分布和乘客流量；根据获得的运营数据，建立目标函数，其中，目标函数包含最小化列车总能耗、最小化充电站数量和最大化储能装置的利用率；根据预设参数生成多个目标函数的初始解，作为种群的多个个体；采用遗传算法对生成的多个个体进行选择、交叉和变异处理，生成新的种群，作为第一代种群；采用粒子群算法调整第一代种群中各个体的位置，得到第二代种群；采用蚁群算法更新第二代种群中各个体的信息素浓度，得到第三代种群；对第三代种群采用模拟退火算法进行迭代计算，得到的种群作为第四代种群；从第四代种群的多个个体中，选择目标函数值最优的个体作为最优解；根据最优解对有轨电车车辆进行布局。
6、其中，通过有轨电车线网的运营监控系统获取实时运行数据。数据主要来源包括：线路和站点基础信息数据库；车载gps系统上传的运行位置和速度数据；车站刷卡系统获得的上下车人数数据。建立数据提取模块，从多个数据源中筛选出所需的线路长度、站点分布和乘客流量数据。经处理后的数据存储在关系数据库中，包括：线路基础信息表；站点基础信息表；线路乘客流量表。列车总能耗可以由以下几个因素组成：列车在行驶中的动能消耗、制动时的能量回收、车辆在充电站充电时的能量消耗等。根据运营数据和车辆参数，可以建立一个关于能耗的数学模型，例如考虑列车速度、加速度、站点停留时间、线路曲率等因素，综合计算出每辆车在不同区段的能耗，并将所有车辆的能耗进行累加，即可得到列车总能耗。充电站数量的最小化旨在降低建设和运营成本，同时确保有轨电车运行的连续性。建立一个充电站布局模型，考虑有轨电车的行驶里程、充电设备的功率和充电时间、充电站之间的距离等因素，通过数学规划或模拟算法，确定最优的充电站布局方案，以最小化充电站数量。储能装置的利用率是指储能装置实际存储的能量与其额定容量之比。为了最大化其利用率，可以采用智能调度策略，合理规划有轨电车的运行路线和充电策略，利用制动能量回收和充电站充电来满足列车的能量需求，减少储能装置的空闲和过载状态，从而提高其利用率。将上述三个指标综合起来形成一个多目标优化的目标函数。一种常用的方法是采用加权求和的方式，给每个指标分配一个权重，然后将各指标乘以对应的权重并相加，得到一个综合指标，通过调整权重的大小可以实现对不同指标的灵活控制。
7、其中，，
8、其中，、和为可调整的比例系数；列车总能耗标准化值=列车总能耗/列车总能耗参考值；充电站数量标准化值=充电站数量/充电站数量参考值；储能装置利用率标准化值=储能装置利用率/储能装置利用率参考值。具体的，各个指标的标准化值可以通过：利用过去一段时间内的实际观测值统计得出的平均值或常见值作为参考值。参考行业内对各指标的标准规定值或 empirical值作为参考值。根据系统模型计算理论上各指标的合理取值范围，选择中间值作为参考值。计算多个可选方案的指标值，选择较为典型和合理的方案值作为参考值。
9、其中，目标函数包括：最小化列车总能耗、最小化充电站数量、最大化储能装置利用率等。设置遗传算法的参数，包括种群大小pop_size，迭代次数iter_num，交叉率p_c，变异率p_m等。随机生成初始种群，根据种群大小pop_size，随机生成pop_size个体作为初始种群，每个个体包含目标函数所需决策变量的取值。使用二进制编码对每个个体的决策变量进行编码。将每个个体解码为决策变量，代入目标函数进行计算，得到每个个体的目标函数值，作为个体的适应度值。将初始种群的编码、解码、目标函数值等信息存储在内存或文件中，作为遗传算法优化的初始输入种群。
10、其中，遗传算法是一种模拟自然选择和遗传机制的优化算法，其灵感来自生物学中的遗传过程。该算法通过对候选解的编码、交叉、变异和选择等操作，模拟了生物群体的演化过程，以搜索问题的最优解。遗传算法的核心思想是通过模拟自然选择，逐代优化种群中的个体，以期望获得更好的解。在本申请中，遗传算法可以用于处理生成的多个个体，进行选择、交叉和变异操作，形成新的种群。具体的，将每个列车布局方案表示为一个个体，可以采用二进制编码或其他合适的编码方式。例如，每个决策变量（充电站位置、列车行驶路径等）可以用二进制串表示。随机生成一定数量的个体，形成第一代种群。这些个体代表了不同的列车布局方案。计算每个个体的适应度，即目标函数的值。这个适应度值用于衡量个体的优劣，是进化过程中的评价标准。通过轮盘赌等选择方式，按照适应度选择一部分个体，作为父代用于后续的交叉和变异操作。适应度较高的个体被选中的概率较大，模拟了自然选择中适者生存的原则。对选中的父代个体进行交叉操作，生成新的个体。交叉操作模拟了基因的交换过程，将两个父代个体的信息进行组合，产生具有新特征的后代。对经过交叉的个体进行变异操作，引入一些随机性，以增加种群的多样性。变异操作模拟了基因的突变过程，有助于跳出局本文档来自技高网...
【技术保护点】
1.一种基于粒子群算法的有轨电车车辆布局方法，包括：
2.根据权利要求1所述的基于粒子群算法的有轨电车车辆布局方法，其特征在于：
3.根据权利要求2所述的基于粒子群算法的有轨电车车辆布局方法，其特征在于：
4.根据权利要求3所述的基于粒子群算法的有轨电车车辆布局方法，其特征在于：
5.根据权利要求4所述的基于粒子群算法的有轨电车车辆布局方法，其特征在于：
6.根据权利要求5所述的基于粒子群算法的有轨电车车辆布局方法，其特征在于：
7.根据权利要求6所述的基于粒子群算法的有轨电车车辆布局方法，其特征在于：
8.根据权利要求7所述的基于粒子群算法的有轨电车车辆布局方法，其特征在于：
9.根据权利要求8所述的基于粒子群算法的有轨电车车辆布局方法，其特征在于：
10.根据权利要求1至9任一所述的基于粒子群算法的有轨电车车辆布局方法，其特征在于：
【技术特征摘要】
1.一种基于粒子群算法的有轨电车车辆布局方法，包括：
2.根据权利要求1所述的基于粒子群算法的有轨电车车辆布局方法，其特征在于：
3.根据权利要求2所述的基于粒子群算法的有轨电车车辆布局方法，其特征在于：
4.根据权利要求3所述的基于粒子群算法的有轨电车车辆布局方法，其特征在于：
5.根据权利要求4所述的基于粒子群算法的有轨电车车辆布局方法，其特征在于：
6.根据权...
【专利技术属性】
技术研发人员：金林，王小涛，周成林，耿藏军，李强，张一鸣，顾斌，赵鹏飞，
申请(专利权)人：中国铁建电气化局集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。