[发明专利]一种支持充放电策略的电动汽车配送路径优化方法

权利要求书

1.一种支持充放电策略的电动汽车配送路径优化方法，其特征在于，该方法的步骤如下：

步骤1：搭建以车辆固定成本、行驶成本、惩罚成本以及充放电成本为优化的目标函数：

上述目标函数遵从电动汽车出行约束和电网约束；

所述电动汽车出行约束为：

∑_j∈V,i≠jX_0jk≤1 k∈K (3)

0≤D_j≤C_ik-D_i， i∈V,j∈V,k∈K (5)

所述电网约束为：

上述公式中，有：

此外，C₀为单位车辆的固定成本；C_d为单位距离成本；C₂为违反时间窗的惩罚成本；C₃为违反电量约束的惩罚成本；C₁为违反载重约束的惩罚成本；K为使用车辆数量的集合；0为配送中心，N为顾客点集合，G为换电站点的集合，V为全部节点的集合；d_ij为节点i到节点j的距离，D_i为顾客点i的需求量；Cap为车辆的最大装载容量，C_ik为车辆k到达节点i时剩余的载重量，BQ为车辆的最大电池容量，qa_ik为车辆k到达节点i时车辆的剩余电量，ql_ik为车辆k 离开节点i时车辆的剩余电量；e_i为顾客点i的最早服务时间,i∈N；l_i为顾客点i的最晚服务时间,i∈N；ta_i为车辆到达顾客点i时的时间,i∈V；tl_i为车辆离开顾客点i时的时间,i∈V；tω_i为车辆在顾客点i的处的等待时间,i∈N；tμ_i为车辆在顾客点i的处的迟到时间,i∈N；ts_i为车辆在顾客点i的服务时间或充电时间,i∈V；t_ij为车辆从顾客点i到j的行驶时间,i、j∈V；speed为车辆在配送中行驶的速度；η为电池能量消耗系数；P_ev(i,j)为在j时刻电池i的实际充放电速率；SOC(i,j)为在j时刻电池i的荷电状态；S_j为在j时刻的分时电价；P_avr为包含电动车的电网的平均功率；P_Lj为不含电动汽车的原电网j时刻的功率；

其中：目标函数式(1)代表了车辆成本、行驶成本、惩罚成本以及充放电成本四项和，其中充放电成本按分时电价，当电池放电时为负，即充放电成本为负时，说明在充放电过程中总体为获利；约束式(2)表示每个顾客点都被服务且只服务一次；约束式(3)表示每条配送路线只安排一辆运输车辆；约束式(4)保证了每个顾客点i都被服务过且仅被服务过一次；约束式(5)表示载重量与每个顾客点的需求量的关系，例如，车辆在顾客点j点的需求量不能超过车辆在顾客点i的剩余量减去顾客点i的需求量；约束式(6)表示每条路径的总需求量不得超过车辆的最大承载容量；约束式(7)-(8)分别表示了顾客点到顾客点、换电站到顾客点的电量约束，如约束式(7)，顾客点j的剩余电量不得超过顾客点i的剩余电量减去从顾客点i到顾客点j所消耗的电量；约束式(9)表示任意点的剩余电量始终非负；约束式(10)表示车辆访问顾客点节点的前后电量保持一致；约束式(11)-(12)表示电动汽车到达顾客点i的等待时间和迟到时间，例如约束式(11)所示，当车辆到达时间早于最早服务时间，那么等待时间为e_i-ta_i，否则取0；约束式(13)表示车辆离开顾客点i的时间为车辆到达顾客点i的时间与服务时间、等待时间之和；约束式(14)表示车辆从顾客点i到顾客点j所用时间的公式；约束式(15)表示车辆到达顾客点j的时间等于离开顾客点i的时间加从顾客点i到顾客点j所耗费的时间；约束式(16)-(17)为二进制0-1变量；公式(18)为负荷均方差，表示电网负荷的波动情况，均方差越小，电网负荷波动越小；约束式(20)表示电池的充放电速率的上下限；公式(21)表示电池可用容量约束，表示电池电荷状态的最大值与最小值；

步骤2：根据顾客点和充电站的坐标，采用遗传算法与局部搜索的混合算法进行路径规划，得到最优路径方案；

所述步骤2具体包括：

步骤2.1：将电动汽车的配送路径作为遗传算法的染色体，不同的电动汽车配送路径将一条染色体分为多组，采用十进制的编码方式进行染色体编码；具体的，染色体长度为n+ch+k-1，其中n代表了顾客点的数量，序列号为1,2,…,n，ch代表了换电站的数量，序列号为n+1,n+2,…,n+ch；k代表了使用电动汽车的数量，同时也代表一共有多少条路径，k-1表示了配送中心在染色体上的位置，其序列号为n+ch+1,…,n+ch+k-1；

步骤2.2：采用遗传算法与局部搜索的混合算法进行路径规划，具体为：

(1)参数初始化：设置种群规模、最大迭代次数、交叉概率和变异概率；

(2)初始化种群：输入各个顾客点和充电站的坐标，随机生成初始种群作为遗传过程中的父代，并计算父代每条染色体的适应度值；

(3)选择操作：选择采用轮盘赌选择法，每个个体被选中的概率与该个体的适应度大小成正比，并按照此概率随机生成第一代子代种群；由于适应度较好的个体选择的概率更高，父代个体中适应度较好的个体可能会被多次选中，第一代子代种群与父代种群的种群大小保持一致；父代个体被遗传到第一代子代种群中的概率：

其中Fitness(x_i)为个体i的适应度；

(4)交叉操作：采用OX交叉操作，具体的：随机选取第一代子代种群中的两个染色体作为OX交叉操作的父代染色体，分别命名为父代1染色体和父代2染色体，每条染色体上随机选取a和b两个位置，该染色体上a到b之间的部分则称为交叉片段，将父代2染色体的交叉片段拼接到父代1染色体的前面，将父代1染色体的交叉片段拼接到父代2染色体的前面；然后将新得到的父代1染色体和父代2染色体中重复的个体进行标记，接着按照从前到后的顺序将第二个重复的个体删除，形成两个子代个体；按照上述的OX交叉操作，将第一代子代种群进行迭代更新，直至交叉概率达到设定值，此时的种群称为第二代子代种群；

(5)变异操作：按照预先设置的变异概率判断第二代子代种群中是否有染色个体需要变异，若不需要则进行下一步操作；若需要，则在该染色体上随机选取两个变异位置a、b，随后将两个位置的部分进行交换，生成变异的染色体，直至该群体中的染色体的变异概率到达设定值；经过变异操作输出的种群称为第三代子代种群；

(6)进行局部搜索操作：

a.对第三代子代种群中染色体编码字符串中的顾客点编码采用移除算子进行随机删除，将一定数量η的顾客点随机从路径中移除，并删除顾客点数为零的空路径；

b.采取贪婪插入的方法，计算被移除的顾客点与未被移除顾客点的相关性，按照相关性的大小依次插入未被移除的顾客点的路径中，随后判断该路径是否违反电动汽车出行约束约束，未违反则记录该点，否则重新插入；若是未发现合适的插入点则新建一条路径；贪婪插入根据顾客点之间的相关性，将被移除顾客点插入到当前解最优的位置，使得每次插入的成本最低；

c.由于每次顾客点位置都会重新调整，换电站位置也需重新插入，将换电站按照与该路径中顾客点i的相关性进行插入，插入后记录该路径是否违反了电量约束；若是违反则重新插入，否则记录该点；

d.计算经步骤a、b、c操作之后得到的每条染色体的适应度值，保留适应度值更大的染色体，更新种群；

(7)判断迭代次数是否满足迭代终止条件，若不满足终止条件，则迭代次数加一，转步骤(4)；若满足则转步骤(8)；

(8)从当前种群中选择适应度值最优的个体作为遗传算法与局部搜索的混合算法的最优解并输出，该最优解即为最优路径方案；

步骤3：根据步骤2得到的电动汽车配送路径的最优路径方案，结合分时电价，以换电站交换电池的供电方式，指导电力市场制定利润最大化的充放电决策；

所述每条染色体适应度值的计算过程为：

Fitness(x_i)为染色体i的适应度，f(x_i)是以车辆固定成本、行驶成本、惩罚成本为优化的函数；C₃为违反电量约束的惩罚成本，设定为1000000。