基于充电站间负荷公平性的物流车队充电调度方法与流程
本发明涉及物流车队充电调度领域,具体涉及一种基于充电站间负荷公平性的物流车队充电调度方法。
背景技术:
1、随着物联网与通信技术的快速发展,依托智能调度算法可以实现物流车队在线管理与实时调控,打破传统物流交通系统的信息壁垒,将货运信息同步至用户端与司机端,实现平台-货主-车辆的高效信息共享,使得电动物流车队的运行决策在能源、交通、信息等多维度呈现出新型耦合关联特性。云端平台可通过共享信息评估城市物流需求与车队运力,结合充电基础设施共享信息优化车辆充电调控,实现运输行为与充电行为的协同。通过平台智能调度,电动物流车队既能满足运输需求,又能优化充电负荷分布、缓解电力系统峰值压力,其充电负荷时空调度潜力日益凸显,已成为电力系统理想的需求侧灵活性资源,可通过充放电灵活特性支撑新型电力系统建设、提升可再生能源消纳能力。
2、电动物流车队充电调度主要分为静态调度与动态调度两类,前者针对车辆停运泊车时段优化充放电计划以综合降本增效,后者面向车辆行驶途中按需规划充电路径,兼顾运营出行与电网负荷管控。实际调度需统筹多方差异化优化目标,并综合电价波动、路网路况等多重不确定因素,保障调度方案贴合实际。当前充电调度优化算法主要包括数学规划与启发式优化两类,其中,数学规划算法借助标准函数求解线性规划、非线性规划、混合整数规划及动态规划凸优化算法,数学规划算法求解精度高、运算速度快,但建模要求严苛、通用性较差;基于启发式算法例如粒子群算法模拟鸟群捕食行为、遗传算法模拟生物种群进化过程、蚁群算法模拟蚂蚁取食行为等。建模简单、适配复杂非线性多目标问题,难以输出唯一最优解。实际研究需结合具体调度场景择优选用适配算法开展优化求解。
3、强化学习(reinforcement learning, rl)凭借其对序列决策问题的建模能力,为电动汽车充电优化调度提供了有效解决途径。智能体通过周期性感知环境、执行动作并获取奖励,自主调整策略以优化充电/放电行为的时序决策。zhang等提出了基于马尔可夫博弈的多智能体rl框架,实现去中心化决策,突显了集中式决策在系统效率与协调成本方面的优势。另有文献采用深度q网络(deep q-network,dqn)算法,以最小化充电时间及行驶距离为目标,实验验证其能有效缩短充电时长与总里程。还有文献进一步提出基于dqn的充电导航方法,在降低总行驶时间的同时减少充电成本。一些文献则在充电许可与电价波动的约束下,利用dqn调度算法最小化用户时间成本与充电费用。袁红霞等提出融合图卷积网络与强化学习的方法,应对不规则的快速充电请求及高维环境特征,实现了面向城市路网的实时充电站推荐。鉴于真实充电场景中存在更为复杂的不确定性,一些文献进一步提出基于数据驱动与dqn的充电导航策略,兼顾最优充电站推荐与行驶路径规划。
4、然而,上述研究在优化目标设定上普遍聚焦于个体车辆的经济性最优或系统总成本最小化,对于充电站间的负荷分配公平性缺乏显式考量。在实际运营中,若调度策略持续将车辆引导至电价较低或位置便利的少数充电站,将导致该站长期过载、排队时间激增,而其他充电站资源闲置,进而引发电网局部重载与用户体验恶化。传统方法通常将站间均衡作为奖励函数中的软性惩罚项,但软惩罚无法保证均衡目标的严格满足,在强经济性激励下易被牺牲。
技术实现思路
1、针对现有技术中的上述不足,本发明提供的基于充电站间负荷公平性的物流车队充电调度方法在保证充电总成本与配送时效最优的同时,有效管控了各充电站累积负荷的不均衡度的问题。
2、为了达到上述发明目的,本发明采用的技术方案为:
3、提供一种基于充电站间负荷公平性的物流车队充电调度方法,其包括以下步骤:
4、基于物流车队的充电调度的优化目标,构建初始马尔可夫决策过程;其中优化目标包括:通过奖励函数最小化行驶耗时、排队等待和充电作业耗时,以及通过约束函数管控各充电站累积负荷的不均衡度;
5、将充电站累积负荷的均衡度以显式约束形式嵌入初始马尔可夫决策过程,并构建对应的约束优化问题;
6、采用拉格朗日松弛法将约束优化问题转化为无约束的极小极大博弈问题;
7、通过训练后的深度q网络求解无约束的极小极大博弈问题,输出对应最优调度方案,进而在保证充电总成本与配送时效最优的同时,管控各充电站累积负荷的不均衡度;
8、其中,深度q网络在训练过程中自适应更新拉格朗日乘子。
9、提供一种用于实现基于充电站间负荷公平性的物流车队充电调度方法的系统,其包括:
10、第一模块,用于基于物流车队的充电调度的优化目标,构建初始马尔可夫决策过程;其中优化目标包括:通过奖励函数最小化行驶耗时、排队等待和充电作业耗时,以及通过约束函数管控各充电站累积负荷的不均衡度;
11、第二模块,用于将充电站累积负荷的均衡度以显式约束形式嵌入初始马尔可夫决策过程,并构建对应的约束优化问题;
12、第三模块,用于采用拉格朗日松弛法将约束优化问题转化为无约束的极小极大博弈问题;
13、第四模块,用于通过训练后的深度q网络求解无约束的极小极大博弈问题,输出对应最优调度方案,进而在保证充电总成本与配送时效最优的同时,管控各充电站累积负荷的不均衡度;
14、其中,深度q网络在训练过程中自适应更新拉格朗日乘子。
15、提供一种电子设备,其包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行基于充电站间负荷公平性的物流车队充电调度方法。
16、本发明的有益效果为:
17、1、cmdp约束框架的创新引入:将充电站间累积负荷的基尼系数(即不均衡度)以显式硬约束形式嵌入序贯决策过程,使调度策略在优化充电经济性的同时,必须满足站间负荷分配的公平性阈值要求。这一设计从根本上克服了传统mdp方法仅依赖软性奖励惩罚无法保证约束严格满足的缺陷。
18、2、自适应拉格朗日约束策略优化:通过拉格朗日松弛将约束优化转化为极小极大博弈,引入自适应乘子自适应更新机制使策略自主收敛至约束边界。实验表明,自适应方案在约束满足率(84.0% vs 73.0%)、排队等待(20.9分钟 vs 33.5分钟)和平均奖励(0.157vs 0.126)上均显著优于固定乘子方案。
19、3、经济性与公平性的有效平衡:依托物流企业真实运营数据的仿真验证表明,相比无约束dqn策略,本发明将累积负荷的基尼系数由0.276降至0.118,三站累积负荷实现近似均匀分布,同时充电总成本基本持平(0.52%),平均排队等待时间缩短42.1%。该结果证明了硬约束方法在工程可接受的经济性代价下实现实质性公平性改善的可行性,显著改善负荷分布的公平性,有效避免充电站局部过载,为大规模电动物流车队的充电调度提供了一种兼顾经济性与公平性的技术方案。
20、4、工程实践的指导价值:约束阈值灵敏度分析揭示了公平性约束严格程度与经济性之间的量化权衡关系,为不同运营偏好的充电调度系统提供了参数选取依据。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com