电池健康程度差异下的电动公交线路车辆调度方法

doi:10.12141/j.issn.1000-565X.230279

摘要/Abstract

摘要：

电动公交车在运行过程中具有零排放、低能耗等优势，目前各个国家正在大力推进城市公交车辆的电动化，以减少交通系统碳排放，助力实现“双碳”目标。然而受资金约束以及燃油公交车尚未达到报废年限的影响，公交企业通常分批购买电动公交车来替换线路上的燃油公交车，导致线路上各辆公交车的电池健康程度以及续驶里程存在差异，使得车辆调度方案优化更加复杂。本研究针对电动公交线路各辆公交车电池健康程度存在差异的情况，考虑分时电价影响，以最小化每日的充电成本、车辆购置成本和电池损耗成本为目标，建立了单线路车辆调度方案优化模型。将优化模型重构为车辆行车计划优化与充电计划优化两个子问题，其中在外层考虑车辆运营强度差异对模拟退火算法的扰动策略进行改进，采用改进后的模拟退火算法求解车辆行车计划；在内层调用Gurobi求解车辆充电计划。最后，以某市一条实际电动公交线路为例验证方法的有效性，并与扰动策略中不考虑车辆运营强度差异的模拟退火算法进行比较。结果表明：本文设计的改进模拟退火算法使收敛速度提高31.8%，能够在短时间内求得质量较高的解；生成的调度方案不仅能够安排车辆优先在低电价时段充电，还可以缩小车队规模。

关键词: 公共交通, 电动公交车, 线路调度, 电池健康程度, 模拟退火算法

Abstract:

Electric buses (EBs) have the advantages of zero-emission and low energy consumption in operation. The electrification of urban buses is being vigorously promoted in many countries to reduce carbon emissions and promote the realization of the “Carbon peaking and Carbon neutrality” goals. However, due to financial constraints and the fact that fuel buses have not yet reached the end of life and bus companies usually replace fuel buses with EBs in batches, there are differences in the battery health degree and driving range of each bus on the line, which makes the optimization of the vehicle scheduling scheme more complicated. Considering the impact of battery differences in the state of health and time-of-use tariff, this paper proposed an optimized scheduling model for single-route, with the objective of minimizing average daily charging costs, EB acquisition costs, and battery loss costs. Then, the model was transformed into two sub-problems, the vehicle scheduling problem and the charging scheduling problem. In the outer layer, the vehicle scheduling problem was solved by the improved simulated annealing algorithm (ISAA), whose perturbation strategy is designed with the operating intensity differences among EBs. And Gurobi was employed to solve the charging scheduling problem in the inner layer. Finally, an actual EB route was taken as an example to verify the effectiveness of the method, and the method was compared with the simulated annealing algorithm in the perturbation strategy which does not consider differences in vehicle operating intensity. Results show that the ISAA can increase the convergence speed by 31.8% and achieve high-quality solutions in a short time. Moreover, the generated scheduling scheme can not only arrange EBs to be charged preferentially in the off-peak period of electricity prices but also reduce the EB fleet size.

Key words: public transportation, electric bus, route scheduling, battery state of health, simulated annealing algorithm

中图分类号:

U491.1⁺7

别一鸣, 朱奥泽, 从远. 电池健康程度差异下的电动公交线路车辆调度方法[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 11-21.

BIE Yiming, ZHU Aoze, CONG Yuan. Electric Bus Scheduling Method Considering Differences in the State of Health of Batteries[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(10): 11-21.

图/表 12

图1

图2

图3

表1

车辆调度计划输入参数"

参数类别	具体参数	参数值
班次参数	行程时间/min	50~90
	行程能耗/（kW·h）	25~35
	班次总数/个	133
充电桩参数	充电功率/kW	180
最短充电时间	$t c h m i n$ /min	10
缓冲时间	$t 0 b u f f e r$ /min	2
电池SOC变化区间	$λ 2, λ 1$	［0.3， 1.0］

表1

表2

公交车电池容量输入参数"

车辆编号	$τ k$ /%	$τ k W k$ /（kW·h）		$τ k$ /%	$τ k W k$ /（kW·h）
1	86.2	250	13	93.1	270
2	86.2	250	14	93.1	270
3	86.2	250	15	93.1	270
4	86.2	250	16	93.1	270
5	86.2	250	17	100	290
6	86.2	250	18	100	290
7	86.2	250	19	100	290
8	86.2	250	20	100	290
9	93.1	270	21	100	290
10	93.1	270	22	100	290
11	93.1	270	23	100	290
12	93.1	270	24	100	290

表2

表3

表4

算法相关输入参数"

参数	权值		权值
$θ 0$	5 500	t	100
$ε$	0.9	$c k$ /（元·辆^-1）	700 000
$ζ$	1/2	$c k b$ /（元·块^-1）	300 000
$N p o p$	80	$T$ /年	8
$μ$	40

表4

表5

表6

表7

图4

图5

参考文献 22

1	WANG X， SONG Z， Xu H，et al ．En-route fast charging infrastructure planning and scheduling for battery electric bus systems ［J］．Transportation Research Part D：Transport and Environment，2023，117：103659.
2	ROGGE M， EVELIEN V， LARSEN A，et al ．Electric bus fleet size and mix problem with optimization of charging infrastructure ［J］．Applied Energy，2018，211：282-295.
3	ALWESABI Y， WANG Y， AVALOS R，et al ．Electric bus scheduling under single depot dynamic wireless charging infrastructure planning ［J］．Energy，2020，213：118855.
4	姚恩建，卢沐阳，刘宇环，等．考虑充电约束的电动公交区域行车计划编制［J］．华南理工大学学报（自然科学版），2019，47（9）：68-73.
	YAO Enjian， LU Muyang， LIU Yuhuan，et al ．Electric bus area driving plan preparation considering charging constraints ［J］．Journal of South China University of Technology （Natural Science Edition），2019，47（9）：68-73.
5	ZHU C， CHEN X ．Optimizing battery electric bus transit vehicle scheduling with battery exchanging：model and case study ［J］．Procedia Social and Behavioral Sciences， 2013，96：2725-2736.
6	YILDIRIM Ş， YILDIZ B ．Electric bus fleet composition and scheduling ［J］．Transportation Research Part C：Emerging Technologies，2021，129：103197.
7	JI J， BIE Y， WANG L ．Optimal electric bus fleet scheduling for a route with charging facility sharing ［J］．Transportation Research Part C：Emerging Technologies，2023，147：104010.
8	LIU K， GAO H， LIANG Z，et al ．Optimal charging strategy for large-scale electric buses considering resource constraints ［J］．Transportation Research．Part D：Transport and Environment，2021，99：103009.
9	唐春艳，杨凯强，邬娜．单线纯电动公交车辆柔性调度优化［J］．交通运输系统工程与信息，2020，20（3）：156-162.
	TANG Chun-yan， YANG Kai-qiang， WU Na ．Optimizing flexible vehicle scheduling for single-line battery electric buses ［J］．Journal of Transportation Systems Engineering and Information Technology，2020，20（3）：156-162.
10	GKIOTSALITIS K， ILIOPOULOU C， KEPAPTSOGLOU K ．An exact approach for the multi-depot electric bus scheduling problem with time windows ［J］．European Journal of Operational Research，2023，306（1）：189-206.
11	TANG X， LIN X， HE F ．Robust scheduling strategies of electric buses under stochastic traffic conditions ［J］．Transportation Research Part C：Emerging Technologies，2019，105：163-182.
12	VEPSÄLÄINEN J， RITARI A， LAJUNEN A，et al ．Energy uncertainty analysis of electric buses ［J］．Energies，2018，11：3267.
13	LU T， YAO E， ZHANG Y，et al ．Joint optimal scheduling for a mixed bus fleet under micro driving conditions ［J］．IEEE Transactions on Intelligent Transportation Systems，2021，22（4）：2464-2475.
14	巫威眺，林越，李余，等．随机行程时间的电动公交调度模型［J］．中国公路学报，2023，36（6）：235-253.
	WU Wei-tiao， LIN Yue， LI Yu，et al ．The electric bus scheduling model with stochastic travel times ［J］．China Journal of High-way and Transport，2023，36（6）：235-253.
15	LIU K， GAO H， WANG Y，et al ．2022．Robust charging strategies for electric bus fleets under energy consumption uncertainty ［J］．Transportation Research Part D：Transport and Environment，2022，104：103215.
16	WANG J， KANG L， LIU Y ．Optimal scheduling for electric bus fleets based on dynamic programming approach by considering battery capacity fade ［J］．Renewable & Sustainable Energy Reviews，2020，130：109978.
17	唐春艳，李小雨．多车型纯电动公交车使用下的混合车队替换优化［J］．交通运输系统工程与信息，2021，21（2）：151-157.
	TANG Chun-yan， LI Xiao-yu ．Optimizing mixed transit fleet replacement with multi-type battery electric buses ［J］．Journal of Transportation Systems Engineering and Information Technology，2021，21（2）：151-157.
18	ZHANG L， ZENG Z， QU X ．On the role of battery capacity fading mechanism in the lifecycle cost of electric bus fleet ［J］．IEEE Transactions on Intelligent Transportation Systems．2021，22（4）：2371-2380.
19	LAM L， BAUER P ．Practical capacity fading model for li-ion battery cells in electric vehicles ［J］．IEEE Transactions on Power Electronics，2013，28（12）：5910-5918.
20	MA Z， FERREIRA L， MESBAH M，et al ．Modeling bus travel time reliability with supply and demand data from automatic vehicle location and smart card systems ［J］．Transportation Research Record，2015，2533（1）：17-27.
21	KOU W， CHEN X， YU L，et al ．Urban commuters’ valuation of travel time reliability based on stated preference survey：A case study of Beijing ［J］．Transportation Research Part A：Policy and Practice，2017，95：372-380.
22	BIE Y， LIU Y， LI S，et al ．HVAC operation planning for electric bus trips based on chance-constrained programming ［J］．Energy，2022，258：124807.

序号	时段	电价/（元·（kW·h）^-1）
1	07：00~08：30	1.2
2	08：30~11：00	1.5
3	11：00~12：00	1.2
4	12：00~13：00	1.0
5	13：00~14：30	1.2
6	14：30~21：00	1.5
7	21：00~23：00	1.2
8	23：00~07：00（次日）	1.0

车辆编号	车辆调度计划	充电时间/min
车辆编号	车辆调度计划	峰	谷	平
1	场站发车→24→38→55→75→104→返回场站	0	0	0
2	场站发车→12→30→49→69→92→111→返回场站	0	0	0
3	场站发车→2→充电→25→36→54→70→107→126→返回场站	0	10	0
4	场站发车→15→32→58→充电→80→101→132→返回场站	0	27	0
5	场站发车→16→43→62→充电→86→109→123→返回场站	0	30	0
6	场站发车→10→27→41→充电→83→97→110→131→返回场站	0	30	0
7	场站发车→6→充电→39→57→71→100→114→返回场站	0	10	0
8	场站发车→1→29→51→68→充电→88→102→124→130→返回场站	0	10	0
9	场站发车→9→35→64→90→106→120→返回场站	0	0	0
10	场站发车→8→充电→23→42→60→充电→76→89→13→119→返回场站	0；0	10；11	0；0
11	场站发车→19→48→72→113→返回场站	0	0	0
12	场站发车→7→充电→34→52→74→94→116→128→返回场站	0	10	0
13	场站发车→5→22→37→53→充电→81→98→122→返回场站	0	39	0
16	场站发车→3→21→40→61→78→91→返回场站	0	0	0
17	场站发车→11→26→66→85→112→121→129→返回场站	0	0	0
18	场站发车→13→56→73→87→125→返回场站	0	0	0
19	场站发车→14→31→50→充电→77→99→108→返回场站	0	17	0
20	场站发车→0→充电→28→45→63→79→95→105→返回场站	0	10	0
21	场站发车→20→44→59→充电→82→96→118→返回场站	0	30	0
22	场站发车→4→17→46→67→充电→93→115→127→返回场站	0	24	0
23	场站发车→18→33→47→65→84→117→返回场站	0	0	0

参数	方案A	方案B
总成本/元	11 226.5	11 353.3
日/夜间充电成本/元	804/3 066.1	1 017/2 853.1
总充电成本/元	3 870.1	3 870.1
车辆使用成本/元	5 034.2	5 273.9
电池损耗成本/元	2 322.1	2 209.2

[1]	陈艳艳, 王子帆, 孙浩冬, 等. 公共交通乘客的活动模式和规律性研究[J]. 华南理工大学学报(自然科学版), 2023, 51(8): 40-50.
[2]	张文会, 苏嘉祺, 哈字洪, 等. 电池交换式纯电动公交充电站选址定容模型[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 126-134.
[3]	翁剑成, 王茂林, 林鹏飞, 等. 基于客流特征鉴别的公交跨线组合调度优化方法[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 39-48.
[4]	龙雪琴, 李景涛, 王建军, 等. 实时信息下共线公交线路发车时刻表的协同优化[J]. 华南理工大学学报(自然科学版), 2022, 50(2): 23-32.
[5]	韩万里, 杜帮申, 赵建有, 等. 考虑小件快运的城乡公交运营调度优化分析[J]. 华南理工大学学报（自然科学版）, 2021, 49(5): 28-37.
[6]	姚树申翁小雄李飞羽. 基于时间特征行为动力学的通勤模式分析[J]. 华南理工大学学报(自然科学版), 2019, 47(9): 53-60.
[7]	刘建荣刘志伟. 基于出行者潜在类别的公交出行行为研究[J]. 华南理工大学学报(自然科学版), 2019, 47(6): 119-126.
[8]	裴明阳陈海华林培群庞崇浩. 基于站点动态分级和差异定价的灵活公交调度模型[J]. 华南理工大学学报（自然科学版）, 2018, 46(11): 150-156.
[9]	卢小林潘述亮邹难. 考虑时间维的城市公交专用道布局优化模型[J]. 华南理工大学学报（自然科学版）, 2017, 45(4): 124-131,144.
[10]	张书琴夏洪山姜雨战绪仁. 用于跑道调度的约束多目标遗传模拟退火算法[J]. 华南理工大学学报（自然科学版）, 2015, 43(10): 35-41.
[11]	巫威眺靳文舟魏明孙德强. 配合区间车的单线公交组合调度模型[J]. 华南理工大学学报(自然科学版), 2012, 40(11): 147-154.
[12]	徐建闽首艳芳卢凯. 基于双层规划模型的交通信号区域协调控制[J]. 华南理工大学学报（自然科学版）, 2011, 39(3): 95-100,106.
[13]	陈耀军姚锡凡张庆. 一种用于车间调度的基于熵的混合遗传算法[J]. 华南理工大学学报（自然科学版）, 2009, 37(9): 112-116.
[14]	徐林吴效明张燕儒袁衡新. 基于模拟退火算法的AEI-CPR外作用力优化[J]. 华南理工大学学报（自然科学版）, 2009, 37(12): 95-99.
[15]	刘伟铭黄亚飞 . 路网联网收费位置与费率的组合优化模型与算法[J]. 华南理工大学学报（自然科学版）, 2008, 36(6): 78-83,94.