基于QPSO的機(jī)場(chǎng)車(chē)輛充電優(yōu)化調(diào)度研究

摘" 要：在機(jī)場(chǎng)電動(dòng)特種車(chē)輛使用日益增多的情況下，采用無(wú)序充電規(guī)則的飛行區(qū)會(huì)產(chǎn)生充電效率過(guò)低及充電等待時(shí)間過(guò)長(zhǎng)的問(wèn)題，這不利于飛行區(qū)充電保障的高效運(yùn)行。針對(duì)以上問(wèn)題，提出一種基于量子粒子群的車(chē)輛充電調(diào)度算法，以機(jī)場(chǎng)車(chē)輛充電路程最短及充電排隊(duì)時(shí)間最短為目標(biāo)建立優(yōu)化調(diào)度模型，用量子粒子群算法進(jìn)行求解。結(jié)合國(guó)內(nèi)某樞紐機(jī)場(chǎng)的車(chē)輛充電數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，結(jié)果表明，該算法可以降低5.1%的車(chē)輛充電行駛路程，降低20.3%的充電排隊(duì)時(shí)間，極大地降低車(chē)輛充電在路程中的損耗并提高車(chē)輛充電效率，為航班保障正常運(yùn)行帶來(lái)極大幫助。

關(guān)鍵詞：特種車(chē)輛；飛行區(qū)；量子粒子群；優(yōu)化調(diào)度；充電效率

中圖分類(lèi)號(hào)：X738.2" " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號(hào)：2095-2945（2023）11-00６８-0４

Abstract： With the increasing use of electric special vehicles in the airport， the problem of low charging efficiency and long waiting time for charging will occur in the flight area using the disordered charging rule， which is not conducive to the efficient operation of the charging guarantee in the flight area. In order to solve the above problems， a vehicle charging scheduling algorithm based on quantum particle swarm optimization is proposed. The optimization scheduling model is established with the goal of minimizing the airport vehicle charging distance and the charging queue time， and is solved by quantum particle swarm optimization algorithm. Based on the vehicle charging data of a domestic hub airport， the simulation experiment shows that the algorithm can reduce 5.1% of the vehicle charging driving distance， 20.3% of the charging queue time and the vehicle charging loss in the distance， and improve the vehicle charging efficiency， which brings great help to the normal operation of the flight.

Keywords： special vehicle; flight area; quantum particle swarm; optimal scheduling; charging efficiency

推廣應(yīng)用機(jī)場(chǎng)新能源設(shè)備，是民航認(rèn)真貫徹落實(shí)黨中央、國(guó)務(wù)院打贏藍(lán)天保衛(wèi)戰(zhàn)重大決策部署，深入打好民航污染防治攻堅(jiān)戰(zhàn)，實(shí)現(xiàn)綠色、可持續(xù)發(fā)展，助力實(shí)現(xiàn)國(guó)家“碳達(dá)峰、碳中和”戰(zhàn)略目標(biāo)的重要行動(dòng)。2015年，民航局對(duì)于機(jī)場(chǎng)地面特種車(chē)輛的“油改電”工作正式開(kāi)始運(yùn)行。截至2021年底，全國(guó)機(jī)場(chǎng)飛行區(qū)內(nèi)共有新能源車(chē)輛約9 900臺(tái)，充電設(shè)施3 600個(gè)，機(jī)場(chǎng)區(qū)域?qū)嵤坝透碾姟睂?duì)于民航的綠色健康發(fā)展有著重要的意義[1-2]。國(guó)內(nèi)在飛行區(qū)充電保障這一方面起步較晚，大多車(chē)輛在機(jī)場(chǎng)內(nèi)的充電行為都有很大的隨機(jī)性，飛行區(qū)內(nèi)的充電資源無(wú)法得到充分利用，造成場(chǎng)內(nèi)充電樁使用的不均衡，影響機(jī)場(chǎng)配電網(wǎng)的安全運(yùn)行。因此建立有效的飛行區(qū)特種車(chē)輛充電調(diào)度策略，提升飛行區(qū)的整體充電保障能力，具有十分重要的理論價(jià)值和研究意義。

近年來(lái)有國(guó)內(nèi)外專(zhuān)家對(duì)優(yōu)化車(chē)輛充電調(diào)度及充電設(shè)施健康經(jīng)濟(jì)化運(yùn)行方面進(jìn)行研究。Lou等[3]以最小化服務(wù)設(shè)施的建設(shè)成本和服務(wù)成本為目標(biāo)，建立了基于非線性整數(shù)規(guī)劃的城市充電站規(guī)劃模型，并以首爾為例進(jìn)行了驗(yàn)證，這對(duì)之后充電站的建設(shè)有一定的參考價(jià)值。Jiang[4]為解決電網(wǎng)中不穩(wěn)定負(fù)荷問(wèn)題，建立了多目標(biāo)算法的調(diào)度模型，并用粒子群優(yōu)化算法進(jìn)行求解。Mrkos等[5]提出了一種基于馬爾可夫決策過(guò)程（MDP）的方法來(lái)最大化動(dòng)態(tài)定價(jià)充電站運(yùn)營(yíng)商的收入或利用率，并使用蒙特卡洛數(shù)搜索（MCTS）算法來(lái)實(shí)現(xiàn)該方法。周天沛等[6]對(duì)于電動(dòng)汽車(chē)對(duì)充電站充電擁有很大的隨機(jī)性這個(gè)特點(diǎn)，建立了電動(dòng)汽車(chē)多目標(biāo)充電調(diào)度優(yōu)化模型，采用了基于細(xì)菌趨化的改進(jìn)粒子群算法求解。程杉等[7]通過(guò)提出有效充電調(diào)度的分散式優(yōu)化策略來(lái)改進(jìn)了目前對(duì)于無(wú)序充電行為和充電站固定電價(jià)策略的若干缺陷。

關(guān)于車(chē)輛充電調(diào)度這方面的研究，國(guó)內(nèi)外大多都只注重于城市交通方面，對(duì)于機(jī)場(chǎng)飛行區(qū)則涉及較少。因此本文針對(duì)機(jī)場(chǎng)存在的充電樁利用不均衡現(xiàn)象，建立了充電樁綜合利用率偏差最小優(yōu)化調(diào)度模型，并用量子粒子群算法進(jìn)行模型求解，仿真結(jié)果也驗(yàn)證了該模型的可行性。

1" 機(jī)場(chǎng)特種電車(chē)優(yōu)化調(diào)度

1.1" 問(wèn)題描述

機(jī)場(chǎng)內(nèi)的電動(dòng)車(chē)輛優(yōu)化調(diào)度主要是根據(jù)機(jī)場(chǎng)內(nèi)特種電車(chē)的充電規(guī)律、運(yùn)行規(guī)律及機(jī)場(chǎng)內(nèi)充電樁的分布情況，嚴(yán)格遵循機(jī)場(chǎng)車(chē)輛行駛秩序制定相應(yīng)的算法合理地調(diào)度機(jī)場(chǎng)內(nèi)的特種車(chē)輛。對(duì)機(jī)場(chǎng)特種車(chē)輛的合理調(diào)度可以有效提高機(jī)場(chǎng)配電網(wǎng)的安全性，使其能夠高效持久地運(yùn)行。

為提高飛行區(qū)內(nèi)充電設(shè)施的保障能力，本文主要對(duì)飛行區(qū)內(nèi)的特種車(chē)輛進(jìn)行充電調(diào)度，采用路程最短及排隊(duì)時(shí)間最短的調(diào)度策略。

1.2" 模型建立

1.2.1" 模型假設(shè)

假設(shè)某機(jī)場(chǎng)在計(jì)劃時(shí)間T內(nèi)共有N輛特種車(chē)輛需要進(jìn)行充電，且知道車(chē)輛的剩余SOC（State Of Charge，SOC），以及在機(jī)場(chǎng)內(nèi)的規(guī)定行駛路徑信息。

根據(jù)車(chē)輛的實(shí)際情況和行駛特點(diǎn)，做出以下假設(shè)。

1）機(jī)場(chǎng)特種車(chē)輛的剩余電量都?jí)蛐旭偟侥康牡亍?/p>

2）車(chē)輛充電時(shí)在剩余SOC為30%～50%情況進(jìn)行充電，充電到80%～90%結(jié)束。

3）每個(gè)充電樁同一時(shí)刻只能有1輛車(chē)進(jìn)行充電，不能在一個(gè)時(shí)刻一個(gè)充電樁同時(shí)給多輛車(chē)供電。

4）車(chē)輛充電時(shí)是從車(chē)輛集散點(diǎn)出發(fā)，按著飛行區(qū)內(nèi)規(guī)定路線行駛，時(shí)速為15 km/h。

5）機(jī)場(chǎng)特種車(chē)輛的數(shù)量是有限的。

1.2.2" 模型符號(hào)變量說(shuō)明

機(jī)場(chǎng)特種車(chē)輛充電調(diào)度模型相關(guān)符號(hào)參數(shù)說(shuō)明如下。

1）輸入變量

twait，ijk為第i種特種車(chē)輛的第j輛車(chē)到第k個(gè)充電樁的等待時(shí)間；tcharge，tjk為t時(shí)刻第j輛車(chē)在第k個(gè)充電樁的充電時(shí)間；T為一天中的時(shí)間，取1 440 min；lijk為第i種特種車(chē)輛的第j輛車(chē)到第k個(gè)充電樁的路徑長(zhǎng)度；n為充電樁的數(shù)目；Nt，k為t時(shí)刻第k個(gè)充電樁需要充電的車(chē)輛個(gè)數(shù)；Ni為第i種特種車(chē)輛個(gè)數(shù)。

2）決策變量

xijk=1，第i種車(chē)輛的第j輛車(chē)去第k個(gè)充電樁充電0，否則；

ytk=1，t時(shí)刻第k個(gè)充電樁有車(chē)輛充電0，否則。

1.3" 目標(biāo)函數(shù)和約束條件

機(jī)場(chǎng)特種車(chē)輛充電調(diào)度模型的目標(biāo)函數(shù)如下

； （1）

k）； （2）

ge，tjkytk=10" " "ytk≠1； （3）

F=ω1F1+ω2F2。 （4）

機(jī)場(chǎng)特種車(chē)輛調(diào)度模型的約束條件如下

1； （5）

ω1+ω2=1。 （6）

式（1）表示車(chē)輛充電路徑最短的目標(biāo)函數(shù)，作用于續(xù)航較短的特種車(chē)輛；式（2）表示車(chē)輛充電排隊(duì)等待時(shí)間最短的目標(biāo)函數(shù)；式（3）為車(chē)輛充電排隊(duì)等待時(shí)間表達(dá)式；式（4）為最終的多目標(biāo)函數(shù)，同時(shí)考慮車(chē)輛充電路徑最短及車(chē)輛充電排隊(duì)時(shí)間最短；式（5）表示每個(gè)充電樁在同一時(shí)刻只能對(duì)1個(gè)特種車(chē)輛進(jìn)行充電服務(wù)；式（6）中ω1、ω2為目標(biāo)函數(shù)F1、F2的加權(quán)系數(shù)，根據(jù)不同優(yōu)化目標(biāo)調(diào)整相應(yīng)的值。

2" 機(jī)場(chǎng)電車(chē)充電調(diào)度模型求解

式（4）中目標(biāo)函數(shù)所求解為非線性問(wèn)題，并且變量維數(shù)過(guò)多，采用一些普通的優(yōu)化方法難求出精確解。因此，本文采用全局搜素能力強(qiáng)，收斂速度快的粒子群算法（Partical Swarm Optimization，PSO）來(lái)求解[8]。

但標(biāo)準(zhǔn)PSO算法存在一些缺陷，其局部搜索能力較差，搜索精度不夠高，同時(shí)不能保證搜索到全局最優(yōu)解，這對(duì)于一些多峰函數(shù)和病態(tài)函數(shù)無(wú)法找到最優(yōu)解[9]。所以為了保證粒子的多樣性，盡可能地求出全局最優(yōu)解，本文提出了改進(jìn)的QPSO算法（Quantum Particle Swarm Optimization，QPSO）。該算法取消了粒子的移動(dòng)方向?qū)傩?，粒子位置的更新跟該粒子之前的運(yùn)動(dòng)沒(méi)有任何關(guān)系，增加了粒子位置的隨機(jī)性，從而避免陷入局部最優(yōu)的陷阱。該算法少了標(biāo)準(zhǔn)PSO算法的速度更新公式，主要有以下公式組成

（7）

gbest； （8）

xi=P 。（9）

式（7）中mbest表示的為最優(yōu)種群的平均值，即平均的粒子歷史最好位置，N表示粒子群的大小，p■表示當(dāng)前迭代中的第i個(gè)最優(yōu)種群。式（8）中g(shù)best表示的為當(dāng)前全局最優(yōu)粒子，Pi用于第i個(gè)粒子位置的更新。式（9）中xi表示第i個(gè)粒子的位置，α為創(chuàng)新參數(shù)，一般取0到1的隨機(jī)數(shù)，？覫和u為（0，1）上的均勻分布數(shù)值，取+和-的概率為0.5[10]。

在T時(shí)間段飛行區(qū)有一組特種電動(dòng)車(chē)有充電需求，需要選擇充電樁充電時(shí)，其充電樁分配車(chē)輛調(diào)度步驟如下所示。

Step1，當(dāng)適宜SOC在30%左右的電動(dòng)車(chē)輛進(jìn)行充電時(shí)，讀取機(jī)場(chǎng)內(nèi)的充電樁信息，保證車(chē)輛充電到SOC為80%結(jié)束，并將這些參數(shù)代入目標(biāo)函數(shù)計(jì)算粒子適應(yīng)度值。

Step2，不斷更新算法的個(gè)體極值和群體極值，根據(jù)目標(biāo)函數(shù)計(jì)算來(lái)對(duì)比當(dāng)前的個(gè)體極值和群體極值，看是否需要進(jìn)一步更新。

Step3，如果比當(dāng)前的個(gè)體極值或群體極值更優(yōu)，則把當(dāng)前的個(gè)體和群體變?yōu)閭€(gè)體極值和群體極值，否則來(lái)到下一步判斷是否達(dá)到設(shè)定的迭代次數(shù)。

Step4，如果達(dá)到規(guī)定的迭代次數(shù)，則輸出最優(yōu)的車(chē)輛調(diào)度信息，讓車(chē)輛前往相應(yīng)的充電樁充電，否則返回之前的幾步重新更新粒子的位置信息，再用形成的新粒子群體根據(jù)目標(biāo)函數(shù)計(jì)算，重新進(jìn)行下一次循環(huán)。

3" 實(shí)驗(yàn)仿真

3.1" 仿真對(duì)比數(shù)據(jù)和參數(shù)設(shè)置

本文以我國(guó)最早一批實(shí)行“油改電”的大型樞紐機(jī)場(chǎng)為實(shí)驗(yàn)驗(yàn)證目標(biāo)，以該機(jī)場(chǎng)的特種車(chē)輛為調(diào)度對(duì)象，同時(shí)選取其2021年8月1日的車(chē)輛充電數(shù)據(jù)做對(duì)比仿真實(shí)驗(yàn)，部分?jǐn)?shù)據(jù)見(jiàn)表1。假定充電的時(shí)間周期T=1 440 min，需要充電的電動(dòng)汽車(chē)數(shù)量為1 500輛，由于充電車(chē)輛的種類(lèi)不同，根據(jù)2021年統(tǒng)計(jì)的車(chē)輛充電信息，車(chē)輛充電時(shí)間滿(mǎn)足均值為34 min，方差為5.8的正態(tài)分布。

經(jīng)過(guò)多次的實(shí)驗(yàn)調(diào)整，本文對(duì)標(biāo)準(zhǔn)QPSO算法的參數(shù)取值為：種群規(guī)模為1 500，迭代次數(shù)為100，創(chuàng)新參數(shù)α為0.8。

3.2" 仿真調(diào)度結(jié)果

3.2.1" 車(chē)輛調(diào)度結(jié)果

通過(guò)實(shí)驗(yàn)可以得到在T時(shí)間內(nèi)，機(jī)場(chǎng)內(nèi)的充電樁的車(chē)輛分配調(diào)度策略，經(jīng)過(guò)QPSO算法的目標(biāo)函數(shù)適應(yīng)度收斂圖如圖1所示?？煽闯鯭PSO算法最終收斂于平穩(wěn)數(shù)值。優(yōu)化前后車(chē)輛平均行駛路程，平均充電排隊(duì)等待時(shí)間對(duì)比圖分別如圖2、圖3所示。可以看出車(chē)輛的行駛路程和排隊(duì)時(shí)間得到了明顯下降，提高了飛行區(qū)的充電保障效率。

3.2.2" 目標(biāo)函數(shù)值

表2為使用MATLAB仿真計(jì)算后得到的最終實(shí)驗(yàn)的目標(biāo)函數(shù)結(jié)果表。從表中可以看到，通過(guò)本文算法優(yōu)化后，1 500輛車(chē)輛調(diào)度后的平均行駛路程相比于無(wú)序充電現(xiàn)象降低了5.1%，車(chē)輛平均充電排隊(duì)時(shí)間降低了20.3%。

綜上，本文所建立的用QPSO算法的求解模型能依照目標(biāo)函數(shù)的要求，通過(guò)帶入某樞紐機(jī)場(chǎng)的實(shí)際充電數(shù)據(jù)驗(yàn)證本文所提算法的合理性，不僅能顯著降低車(chē)輛充電過(guò)程中的路程損耗，同時(shí)還能提高充電過(guò)程中的排隊(duì)效率，保障飛行區(qū)配電網(wǎng)的安全運(yùn)行。

4" 結(jié)束語(yǔ)

本文建立了多目標(biāo)的車(chē)輛調(diào)度模型，采用QPSO算法，將某樞紐機(jī)場(chǎng)的車(chē)輛真實(shí)運(yùn)行數(shù)據(jù)代入模型中進(jìn)行驗(yàn)證。結(jié)果表明，通過(guò)本文提出的算法，模型降低了5.1%的車(chē)輛充電平均行駛路程，降低了20.3%的平均排隊(duì)時(shí)間，可以為提高飛行區(qū)充電保障能力提供有力支撐。

參考文獻(xiàn)：

[1] 邱秀俐，徐佳寧，朱春波.機(jī)場(chǎng)場(chǎng)區(qū)車(chē)輛“油改電”在北方寒冷地區(qū)的需求和可行性分析[J].空運(yùn)商務(wù)，2020（1）：58-59，61.

[2] 殷向東.大型機(jī)場(chǎng)航空地面設(shè)備“油改電”探索[J].科技創(chuàng)新導(dǎo)報(bào)，2019，16（7）：6-7，9.

[3] LOU J H， QIU Z Y， YU J C， et al. Urban charging station location model based on multi-objective programming[J]. Journal of Physics： Conference Series，2018，1053（1）：12028.

[4] JIANG X F. Research on electric vehicle charging scheduling strategy based on the multiobjective algorithm[J]. Mathematical Problems in Engineering，2022.

[5] MRKOS J， BASMADJIAN R. Dynamic pricing for charging of EVs with monte carlo tree search[J]. Smart Cities，2022，5（1）.

[6] 周天沛，孫偉.基于充電設(shè)備利用率的電動(dòng)汽車(chē)充電路徑多目標(biāo)優(yōu)化調(diào)度[J].電力系統(tǒng)保護(hù)與控制，2019，47（4）：115-123.

[7] 程杉，王賢寧，馮毅煁.電動(dòng)汽車(chē)充電站有序充電調(diào)度的分散式優(yōu)化[J].電力系統(tǒng)自動(dòng)化，2018，42（1）：39-46.

[8] 蘇子美，董紅斌.面向無(wú)人機(jī)路徑規(guī)劃的多目標(biāo)粒子群優(yōu)化算法[J].應(yīng)用科技，2021，48（3）：12-20，26.

[9] 史旭棟，高岳林，韓俊茹.基于模糊推理的粒子群優(yōu)化算法[J].河南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，45（2）：108-118.

[10] 金建海，孫俊，張安通，等.基于量子粒子群優(yōu)化算法的無(wú)人艇航線規(guī)劃[J].船舶力學(xué)，2020，24（3）：352-361.