一种电动公交协调优化调度方法

1.本发明涉及智慧公交技术领域，具体涉及一种电动公交协调优化调度方法。


背景技术：

2.公交客流具有明显的时间、空间峰值特征，固定、单一的发车计划难以满足线网客流需求，需要针对不同的时段、站点区间重新编制行车方案，并针对换乘客流调整不同线路间的发车安排，对路网车队进行协同调度。具体即为考虑站点客流数、公交总服务成本等，针对性地实施越站、增派车辆等调度策略。
3.然而现有针对公交调度的研究大多着眼于常规公交，无法适应电动公交的特性。由于我国新能源车辆的推广，大部分城市公交运营中使用纯电动公交逐渐成为主流，所以在调度中在对公交运营规范进行约束的同时，需要考虑电动公交运行特性，如换电成本、时变载客数对电池电量的消耗及换电需求的判定等，基于实时客流建立调度优化模型求解得出最优运营方案，提升运营方与乘客方的效益。
4.国内外在电动公交运营调度方面主要面向实时充电模式的纯电动公交，然而也有大量城市采用的是换电式电动公交，换电式公交具有电价稳定、操作迅速无需排队、电力浪费小等特点，针对其换电特性与电池组成本进行公交运营优化的研究较少；对于线网车辆调度方面，现有方案多研究公交发车时刻表或行车模式问题的单一方向，或将服务站点的选择与发车频率结合进行静态调度，使线网发车安排的时间维度和空间维度不能良好结合进行同时优化、寻求全局最优；已有的公交多模式协同优化无法输出完整的运营安排，也难以动态拟合客流的实时变化，在线网背景下的多模式组合发车问题中如何进行高度集成化的动态协同调度，仍需探索。


技术实现要素：

5.针对现有技术存在的缺点与不足，本发明的目的在于提供一种电动公交协调优化调度方法。
6.本发明公开的电动公交协调优化调度方法，其技术方案包括以下步骤：数据处理的步骤：对电动公交的公交运营数据、线路数据、客流数据进行清洗、预处理，统计客流交通起止点数据；优化调度方案求解的步骤：基于数据处理的步骤中获得的数据，构建双层规划模型，通过遗传算法进行求解获取最佳公交发车间隔与最佳公交停站方案，所述双层规划模型由上层模型和下层模型构成，其中所述上层模型通过优化公交停站方案，使得全部车辆服务时间尽可能短、运营能耗成本达到最低，其目标函数如下：其中，、分别为两个归一化加权系数，且；为全部车辆的总路径行驶
时间；为线路l上单辆车一趟行程的固定服务成本；的值表示线路l上第k辆车在站点i是否越站，其中1为不越站，0为越站；为线路l上第k辆车在站点i需要的停靠时间；为线路l上第k辆车在站点i的上车人数；表示线路l上第k辆车在执行该班次后是否需要更换电池，其中如需更换电池=1，否则=0；表示纯电动公交车辆单次换电成本；l为公交路网的线路总数，i为相应公交线路的站点总数，k为相应公交线路中电动公交的车次总数；所述上层模型的约束条件为：所述上层模型的约束条件为：所述上层模型的约束条件为：所述上层模型的约束条件为：所述上层模型的约束条件为：所述上层模型的约束条件为：其中，为线路l上第k辆车与上一班车的发车间隔；的值表示线路l上第k-1辆车在站点i是否越站；表示线路l上第k辆车运营行驶过程中单位电量能耗效用系数；e表示车辆持续满载运行单班次需要的电池电量，d表示所有乘客的平均乘车距离；为纯电动公交车辆换电时间；所述下层模型通过优化公交发车间隔，在高峰时段调控发车数量，以期减少乘客的总候车时间，其目标函数如下：其中，为线路l上想搭乘第k辆车在i站上车并在j站下车的乘客数量；为线路l上搭乘第k辆车交通起止点为ij的乘客的乘车时间；为线路l上搭乘第k辆车交通起止点为ij的乘客的候车时间；为在线路l上站点i因剩余容量有限而未能搭乘第k辆车的滞留乘客数；为线路l上第k 1辆车在站点i与上一辆车的车头时距；的值表示线路l上第k 1辆车在站点i是否越站；的值表示线路l上第k 1辆车在站点j是否越站；为线路l上第k 2辆车在站点i与上一辆车的车头时距；所述下层模型的约束条件为：
其中， 、分别为最小、最大发车间隔；为第k辆车上需要从线路l转线路m的乘客需花费的换乘时间；为第k辆车在线路l上站点i的剩余容量，c为车辆核载人数；m为线网调度时长。
7.进一步而言，按以下公式计算全部车辆的总路径行驶时间：其中，为从i-1站到i站的车辆路程行驶时间；θ为车辆在停靠站点的加速或减速用时。
8.进一步而言，按以下公式计算线路l上想搭乘第k辆车在i站上车并在j站下车的乘客数量：：：：：：其中，为线路l上想在站点i上车并在站点j下车的乘客的到达速率；为线路l上第k辆车在站点i与上一辆车的车头时距；的值表示线路l上第k-1辆车在站点i是否越站；的值表示线路l上第k-1辆车在站点j是否越站；为线路l上想搭乘第k-1辆车在i站上车并在j站下车的乘客数量；为线路l上第k辆车到达站点i的时刻；为线路l上第k-1辆车到达站点i的时刻；为线路l上第k辆车离开站点i-1的时刻；的值表示
线路l上第k辆车在站点i-1是否越站；为线路l上第k辆车离开站点i的时刻。
9.进一步而言，按以下公式计算线路l上第k辆车在站点i的上车人数：：：：其中，为第k-1辆车在线路l上站点i的剩余容量；为线路l上第k辆车在站点i的下车人数。
10.进一步而言，按以下公式计算线路l上搭乘第k辆车交通起止点为ij的乘客的候车时间：：其中，为线路l上乘客发生换乘线路m行为的概率；为线路m上第p辆车到达站点i的时刻。
11.进一步而言，按以下公式计算在线路l上站点i因剩余容量有限而未能搭乘第k辆车的滞留乘客数：
12.进一步而言，所述通过遗传算法进行求解获取最佳公交发车间隔与最佳公交停站方案，包括以下步骤：初始化参数步骤：设置种群规模的最大数量pop，并随机产生公交发车间隔、公交停站方案的个体，然后设置最大进化代数max，并设置进化代数计数器为1；编码和初解步骤：对变量发车间隔和停站方案进行编码，以随机的初始值组成染色体的基因；如果变量满足约束条件，转计算和选择步骤；如果不满足，则应重新生成初始解；计算和选择步骤：计算所有染色体的适应度值，通过轮盘赌法选择染色体，如果这一代染色体的适应度高于前一代，应保留这一代染色体作为当前最佳解；如果低于前一代，则放弃选择这一代染色体；繁衍步骤：当前染色体通过交叉和突变行为产生下一代个体；如果每个个体都满足约束条件，则转停止步骤；如果不满足，则重新繁殖个体；
停止步骤：如果当前进化代数等于max，则停止循环，得到最优解；如果没有达到，则返回步骤计算和选择步骤。
13.本发明的有益效果如下：本发明从时间、空间两个尺度全面优化电动公交调度策略，可得出完整、直接可行的路网车辆运营时空调度方案，包含两个时空维度，更为便捷高效，且模型不同层次间形成一个高度耦合的紧密整体，比孤立的优化模型更好地具有全局最优性。本发明考虑到了电动公交调度中的时刻表优化问题，具有实时响应的特点，可实现对公交调度的动态控制，应对车辆实际运力更新的鲁棒性更强，对线网的客流变化的拟合性更好，与均衡发车间隔的传统时刻表相比，对不规则客流更具匹配性与适应性，使得运力投放精准化，从而降低了资源的浪费。本发明建立了添加车容量约束、重新计算换乘客流等候时长、考虑电动公交能耗成本的电动公交动态协同调度模型，使模型更为准确且具有实用性，优化线路发车计划，大大降低了运营方的成本和乘客出行时间，使多线路间的行车安排衔接性更强，乘客换乘便捷度更高。本发明解决了动态客流与公交运力不匹配的问题，使调度策略更贴合实际客流情况、更有实际效益，在城市公交线网中的应用前景广泛
附图说明
图1是本发明所用的双层规划模型结构示意图。
14.图2是本发明所用的遗传优化算法的流程示意图。
具体实施方式
15.下面结合附图和实施例对本发明做进一步的说明。
16.本发明的一个实施例，其主要采用如图1所示的双层规划模型求解电动公交协调优化调度，具体包括以下步骤：s1、对模型算法所需的公交运营数据、线路数据、客流数据进行清洗、预处理，进一步基于ic卡数据统计客流od（交通起止点）数据；s2、设计模型所需的各变量（如全部车辆的总路径行驶时间、因越站未能上车的人数、乘客的候车用时、滞留乘客数、车头时距、上车人数、下车人数、是否换电等）的表达形式；s3、基于s1的数据与s2所设计的变量表达形式，构建双层规划模型中的上层模型。上层模型中，通过优化公交停站方案，使得全部车辆服务时间尽可能短、运营能耗成本达到最低；s4、基于s1的数据与s2所设计的变量表达形式，构建双层规划模型中的下层模型。下层模型中，通过优化公交发车间隔，在高峰时段调控发车数量，以期减少乘客的总候车时间；s5、算法参数初始化，基于s3与s4建立的双层规划模型，设计遗传算法进行求解，最后获取最优公交调度方案。
17.进一步，所述s2具体包括：s201、计算全部车辆的总路径行驶时间：
其中，为从i-1站到i站的车辆路程行驶时间；θ为车辆在停靠站点的加速或减速用时；的值表示线路l上第k辆车在站点i是否越站，其中1为不越站，0为越站。
18.s202、计算计算线路l上想搭乘第k辆车在i站上车并在j站下车的乘客数量：：：：：：其中，为线路l上想在站点i上车并在站点j下车的乘客的到达速率；为线路l上第k辆车在站点i与上一辆车的车头时距；的值表示线路l上第k-1辆车在站点i是否越站；的值表示线路l上第k-1辆车在站点j是否越站；为线路l上想搭乘第k-1辆车在i站上车并在j站下车的乘客数量；为线路l上第k辆车到达站点i的时刻；为线路l上第k-1辆车到达站点i的时刻；为线路l上第k辆车离开站点i-1的时刻；的值表示线路l上第k辆车在站点i-1是否越站；为线路l上第k辆车离开站点i的时刻。为线路l上第k辆车与上一班车的发车间隔。为线路l上第k辆车在站点i需要的停靠时间。
19.s203、计算线路l上第k辆车在站点i的上、下车人数 、：：：：
其中，为第k辆车在线路l上站点i的剩余容量；为第k-1辆车在线路l上站点i的剩余容量；为线路l上第k辆车在站点i的下车人数；c为车辆核载人数。
20.s204、计算周期内电动公交的能耗成本s204、计算周期内电动公交的能耗成本对于纯电动公交车辆而言，能耗成本在本研究中具体为公交车辆的换电成本，且乘客实时载重量关系到电池损耗，其中，表示纯电动公交车辆单次换电成本（元/次），表示公交车辆在执行该班次后，若需更换电池=1，否则=0；s205、计算线路l上搭乘第k辆车od点（交通起止点）为ij的乘客的候车时间：：其中，为线路l上乘客发生换乘线路m行为的概率；为线路m上第p辆车到达站点i的时刻。为第k辆车上需要从线路l转线路m的乘客需花费的换乘时间。
21.s206、计算线路l上站点i因剩余容量有限而未能搭乘第k辆车的滞留乘客数：进一步，所述s3具体包括：s301、基于s1的数据与s2所设计的变量表达形式，构建上层模型的目标函数：s301、基于s1的数据与s2所设计的变量表达形式，构建上层模型的目标函数：为线路l上单辆车一趟行程的固定服务成本。
22.对这种双目标非线性优化问题，可以通过对两个目标取不同的权值统一计算，进而达到计算量降低的效果，、则分别为两个目标的的归一化加权系数，且。
23.s302、基于s301的目标函数添加对应的约束条件：为保证车头时距、不与上一趟车辆发生行驶冲突，车辆在一趟行程中通过越站而缩减的行程时间不能超过该班次的发车间隔，故为目标函数添加约束：
为防止某站点被持续越过导致部分乘客候车时间过长、乃至无法登车的情况，添加约束以保证每一个站点都不会被连续越过：纯电动车辆电池耗能与车辆运行时的速度、载重等因素有关，对于每班车执行完当前班次后，判断是否需要进行换电，进行如下约束：进行换电，进行如下约束：其中，表示纯电动公交运营行驶过程中单位电量能耗效用系数，e表示车辆持续满载运行单班次需要的电池电量，d表示所有乘客的平均乘车距离。
24.研究区域内公交公式运营公交车均为纯电动公交车，并采用换电模式补电，平均换电时间 10min次/车，以防车辆出现故障，要保证相邻班次发车时间间隔大于换电时间，约束公式如下：约束公式如下：其中为纯电动公交车辆换电时间。
25.进一步，所述s4具体包括：s401、基于s1的数据与s2所设计的变量表达形式，构建下层模型的目标函数：其中，为线路l上搭乘第k辆车交通起止点为ij的乘客的乘车时间。
26.s402、基于s301的目标函数添加对应的约束条件：其中， 、分别为最小、最大发车间隔，由历史数据得出；仅在一个最大发车间隔内的换乘点换乘行为被认证，否则视为两次独立乘车行为，不予单独计算约束，故添加约束：为保证剩余容量在合理范围内，设置约束：为确保在运营时间范围内线路中持续有车辆在服务，添加约束：其中，m为线网调度时长。
27.进一步，所述s5具体包括以下步骤，如图2所示：s501、初始化参数。设置种群规模的最大数量pop，并随机产生发车间隔、停站方案的个体，然后设置最大进化代数max，并设置进化代数计数器为1。
28.s502、编码和初解。对变量发车间隔和停站方案进行编码，以随机的初始值组成染色体的基因。如果变量满足约束条件，转s503。如果不满足，则应重新生成初始解。
29.s503、计算和选择。计算所有染色体的适应度值。通过轮盘赌法选择染色体。如果这一代染色体的适应度高于前一代，应保留这一代染色体作为当前最佳解。如果低于前一代，则放弃选择这一代染色体。
30.s504、繁衍。当前染色体通过交叉和突变行为产生下一代个体。如果每个个体都满足约束条件，则转s505，如果不满足，则重新繁殖个体。
31.s505、如果当前进化代数等于max，则停止循环，得到最优解。如果没有达到，则返回步骤s503。
32.以上所述仅为本发明的优选例实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。