一种物流电动汽车基于充电策略优化配送效率的方法与流程

1.本发明涉及物流配送领域，尤其涉及一种物流电动汽车基于充电策略优化配送效率的方法。


背景技术：

2.使用新能源汽车替代传统的燃油汽车，是降低我国运输行业碳排放水平和减少环境污染的重要措施。但是，现阶段电动汽车配送存在续航里程有限、充电时间较长、充电装置建设不足等问题。特别是物流企业使用电动汽车配送货物时受到上述问题影响，降低了配送效率，使物流配送服务质量大打折扣。而通过改进电动汽车或充电装置的方式提高配送效率，又具有投入成本过高、技术受限等问题，不符合实际应用。因此，如何在现有条件下提高物流电动汽车的配送效率，成为本领域亟待解决的技术问题。


技术实现要素：

3.本发明的目的在于提供一种物流电动汽车基于充电策略优化配送效率的方法，从而解决现有技术中存在的前述问题。
4.为了实现上述目的，本发明采用的技术方案如下：
5.一种物流电动汽车基于充电策略优化配送效率的方法，所述方法包括：
6.获取电动汽车的配送路径以及配送过程中途经的各服务站对应的待配送货物重量；
7.基于所述配送路径对应的充电策略评估神经网络，确定配送过程中途经的各充电站对应的应充电量，使得所述配送路径的配送时间最短。
8.优选的，所述充电策略评估神经网络通过以下步骤构建：
9.获取所述电动汽车的车辆信息和历史充电数据，同时获取所述配送路径的历史配送信息；
10.基于所述车辆信息、历史充电数据和历史配送信息构建优化模型；
11.构建神经网络并基于所述优化模型获取训练集；
12.基于所述训练集，通过梯度下降神经网络训练算法训练所述神经网络，得到所述充电策略评估神经网络。
13.优选的，所述车辆信息包括所述电动汽车的标准续航里程数、单位载重量单位里程耗电量、电动汽车自重和电动汽车标准车速；所述历史充电数据包括各充电站单位电量充电时间；所述历史配送信息包括配送路径里程数和各服务站每千克交货时间常数。
14.优选的，所述优化模型的目标函数为服务站的总服务时间、充电站的总充电时间和所述配送路径的总行驶时间之和的最小值；其中，可变量为各服务站对应的待配送货物重量；决策量为各充电站对应的应充电量。
15.优选的，所述神经网络包括m个输入，具体为m个服务站对应的待配送货物重量；所述神经网络包括zn个输出，具体为n个充电站对应的z个优化方向的评估值；所述z个优化方
向为充电站对应的不同充电量；充电站对应的应充电量为评估值最大的优化方向。
16.优选的，基于所述优化模型获取训练集具体包括：
17.初始化所述神经网络；
18.随机生成所述神经网络的初始输入，经所述神经网络计算得到评估值集合，并筛选出各充电站对应的最大评估值集合；
19.将所述初始输入作为可变量，所述最大评估值集合作为决策量，计算所述优化模型的目标函数值；
20.若所述目标函数值小于最优目标函数值时，提高所述最大评估值集合对应的评估值，得到优化后的所述评估值集合，同时将所述目标函数值作为新的最优目标函数值；
21.将所述初始输入和优化后的所述评估值集合作为一个训练样本，将多个所述训练样本作为一个训练集。
22.优选的，所述方法还包括：
23.获取多个配送路径及其对应的最短配送时间；
24.筛选出耗时最短的配送路径，使得整个配送任务所需时间最短。
25.本发明的有益效果是：
26.本发明提供了一种物流电动汽车基于充电策略优化配送效率的方法，采用神经网络优化的不完全充电策略在现有条件下尽可能地提高物流电动汽车的配送效率，降低电动汽车充电续航问题对配送效率的影响，本发明方案无需额外建设成本，易推广应用。
附图说明
27.图1是本发明实施例中物流电动汽车基于充电策略优化配送效率的方法的流程示意图。
具体实施方式
28.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
29.如图1所示，本发明提供了一种物流电动汽车基于充电策略优化配送效率的方法，所述方法包括：
30.s101，获取电动汽车的配送路径以及配送过程中途经的各服务站对应的待配送货物重量。
31.s102，基于所述配送路径对应的充电策略评估神经网络，确定配送过程中途经的各充电站对应的应充电量，使得所述配送路径的配送时间最短。
32.通常物流电动汽车的物流系统包括配送中心、服务站、充电站和配送路径。
33.配送中心就是电动汽车的出发点，电动汽车从配送中心装载需要送往各个服务站的货物。
34.服务站是负责接收电动汽车所配送货物的站点。
35.充电站是负责给电动汽车充电的站点。
36.配送路径是根据配送任务安排的物流运送路径，从配送中心出发先后经过需要配-充电站(i-1)到i之间消耗的电量pusei 充电站i应充电量chargi；充电站0代表配送中心，batt0＝100。
56.充电站(i-1)到i之间消耗的电量pusei＝充电站(i-1)到i之间里程数/电动车标准续航里程数 充电站(i-1)到i之间车载重量*单位载重量单位里程耗电量*充电站(i-1)到i之间里程数。
57.可变量：各服务站i对应的待配送货物重量gi。
58.决策量：各充电站i对应的应充电量chargi。
59.下面将介绍一种优选实施例中的关于所述神经网络的构建，具体包括以下内容：
60.构建的神经网络包括一个输入层、两个隐藏层和一个输出层。
61.输入层，包括包括m个输入，具体为m个服务站i待配送货物重量gi。
62.第一隐藏层，包括p个神经元，计算公式为：o1＝relu(w1·
x b1)；
63.其中，x为优化策略评估网络的输入；w1为权值矩阵；b1是偏置；o1是第一隐藏层p维的输出向量。
64.第二隐藏层，包括q个神经元，计算公式为：o2＝relu(w2·
o1 b2)；
65.其中，w2为权值矩阵；b2是偏置；o2是第二隐藏层q维的输出向量。
66.输出层，包括11n个神经元，计算公式为：y＝relu(w3·
o2 b3)；
67.其中，w3为权值矩阵；b3是偏置；y为输出层的输出向量，其包括11n个输出，每个输出对应一个优化策略的评估值；由于存在n个充电站i，每个充电站存在11个优化方向，因此存在11n个优化策略。所述11个优化方向为充电站i 对应的不同充电量；充电站i对应的应充电量为评估值最大的优化方向。
68.充电站i所对应的11个优化方向分别为：
69.a0：不充电；
70.a1：充电10％；
71.……
72.a9：充电90％；
73.a10：充电100％。
74.需要注意的是，上述神经网络的构建仅为本发明的一种优选实施方式，本发明神经网络的构建不局限于此。例如每个充电站可根据需要任意设置优化方向，并不局限于11个。
75.下面将介绍一种优选实施例中的关于所述神经网络的训练，具体包括以下内容：
76.首先，初始化所述神经网络，即把所有权值矩阵参数和偏置参数初始化为随机值。
77.然后，基于回报更新的迭代下述训练样本生成过程：
78.随机生成神经网络的m个输入，即m个服务站i待配送货物重量gi；这m个输入构成当前状态s；s＝{g1,g2,
…
,gm}。
79.将当前状态s输入到神经网络中，经过神经网络的计算，输出11n个优化策略的评估值集合vs＝{vs1,
…
,vs11n}。
80.针对每个充电站i选出其对应11个优化策略中评估值最大的优化策略，构成 n个优化策略集合hmax＝{h1,
…
,hn}，即最大评估值集合。
81.利用前述优化模型的目标函数“∑tservi每个服务站的服务时间 ∑tchargi每
个充电站的充电时间 ∑tdrivei每两个充电站之间行驶时间”，计算当前状态和优化策略集合hmax下，物流电动汽车充电策略优化模型目标函数值costimprove。
82.计算回报值r，r＝当前已获得的最优目标函数值costbest-物流电动汽车充电策略优化模型目标函数值costimprove。
83.若r≤0，则重新进行一次训练样本生成过程。
84.若r》0，更新优化策略集合hmax对应的评估值vh得到vh’，vh’＝vh* costbest/costimprove，h属于hmax；
85.更新当前已获得的最优目标函数值costbest，即costbest＝costimprove；
86.利用更新评估值vh’更新评估值向量vs，即将评估值向量vs中优化策略集合hmax对应的评估值vh，替换为vh’，而评估值向量vs中不属于优化策略集合 hmax对应的评估值保持不变，得到更新后的评估值向量vs’。
87.将当前状态s和更新后的评估值向量vs’，作为一个训练样本存放到训练集中。
88.重复上述训练样本生成过程，直至训练集中积累了l个的训练样本，基于梯度下降神经网络训练算法，利用该训练集中的训练样本训练优化策略评估网络，以更新优化策略评估网络的参数。
89.迭代上述神经网络训练过程k次，训练后的神经网络即所述充电策略评估神经网络。
90.从神经网络的训练过程可以看出：神经网络通过训练建立了优化策略(即评估值向量vs)和优化问题(即当前状态s)之间的非线性计算模型，从而实现了经过简单的神经网络前向计算就可以获得优化策略集合hmax，避免求解复杂的优化模型。
91.在具体实施场景中，基于充电策略评估神经网络优化配送效率，具体为：
92.首先，获取当前需要配送的各个服务站i配送货物重量gi，构成当前状态s； s＝{g1,g2,
…
,gm}。
93.然后，将当前状态s输入到所述充电策略评估神经网络中，经过神经网络的计算，输出11n个优化策略的评估值集合vs＝{vs1,
…
,vs11n}；
94.然后，从评估值集合vs＝{vs1,
…
,vs11n}中，针对每个充电站i选出其对应11 个优化策略中评估值最大的优化策略，构成n个优化策略集合hmax＝{h1,
…
,hn}；
95.最后，电动车驾驶员按照优化策略集合hmax，确定每个充电站i应充电量 chargi，使得整个配送物流过程花费的时间近似最短。
96.从具体实施场景中可以看出：只需经过简单的神经网络前向计算就可以获得优化策略集合hmax，而不需求解复杂的优化模型，大大提高了路径规划的效率。
97.需要注意的是，上述实施例中的m、p、q、n、l、k的具体数值均可根据实际应用场景进行设置，此处仅为方便说明本实施例，而不是限制本发明的保护范围。
98.通过采用本发明公开的上述技术方案，得到了如下有益的效果：
99.1.采用神经网络优化的不完全充电策略，按照优化策略集合确定每个充电站的不完全应充电量，减少充电时间使得整个配送物流过程花费的时间近似最短。
100.2.通过目标函数计算回报值，并更新评估值向量，构造优化策略评估网络训练样本集，解决了训练数据缺失的问题。
101.3.通过训练建立优化策略(即评估值向量vs)和优化问题(即当前状态s) 之间的
非线性计算模型，从而经过简单的神经网络前向计算就可以获得优化策略集合hmax，避免求解复杂的优化模型，大大提高了路径规划的速度和效率。
102.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。