兩階段機場多特種車輛協同充電調度策略

摘 要：在機場區域內，新能源特種車輛充電具有很大的隨機性，且不同種類特種車輛充電情況各不相同，造成飛行區內各充電樁利用率相差過大，影響機場配電網的健康運行。針對上述現象，設計了十一車型兩階段特種車輛協同充電調度策略。第一階段通過分析不同車輛對航班的保障流程，以同一車輛對相鄰航班保障起始時間差值最小為目標，生成存在充電需求的車輛序列。第二階段以減小飛行區各區充電樁時間利用率方差和車輛充電排隊時間為目標，在上一階段車輛序列基礎上采用改進的自適應變異粒子群算法進行模型求解，并以國內某樞紐機場的實際車輛充電數據進行對比驗證。實驗表明，采用該算法后，車輛充電時的等待時間降低了93.5%、飛行區充電樁時間利用率的整體方差下降了88.7%，達到了均衡使用充電樁的目標。

關鍵詞：新能源特種車輛； 充電樁； 充電調度； 改進的自適應變異粒子群算法； 均衡使用

中圖分類號：TP391 文獻標志碼：A 文章編號：1001-3695（2024）07-013-2012-06

doi：10.19734/j.issn.1001-3695.2023.12.0566

Two-stage collaborative charging scheduling strategy forairport multiple special vehicles

Abstract：In the airport area， the charging behavior of new energy special vehicles has great randomness， and the charging conditions of different types of special vehicles are different， which results in a large difference in the utilization rate of each charging pile in the airport area， affecting the healthy operation of electric distribution network of the airport. In response to the above phenomenon， this paper designed a two-stage collaborative charging scheduling strategy for eleven types of special vehicles. In the first stage， this paper analyzed the service process of different vehicles for flights， with the goal of minimizing the difference value in the start time of service for adjacent flights by the same vehicle， and generated a sequence of vehicles with charging needs. In the second stage， the strategy aimed to reduce the variance of time utilization of charging piles and vehicle charging queue time in each zone of the airport area. Based on sequence of vehicles in the previous stage， this paper used an improved adaptive mutation particle swarm optimization algorithm to solve this model， and validated the strategy by comparing it with actual vehicle charging data of a domestic hub airport. The experiment shows that this algorithm can achieve a 93.5% reduction in the waiting time for vehicle charging， and it reduces the overall variance of time utilization of charging piles in the airport area by 88.7%. Finally， this strategy achieves the goal of balanced use of charging piles.

Key words：new energy special vehicles; charging pile; charging scheduling; improved adaptive mutation particle swarm optimization algorithm; balanced use

0 引言

民航業對建設現代化進程的交通強國起重要發展作用，是支撐交通運輸現代化的重要戰略性產業，未來會更加重視民航業的高質量健康發展［1］。同時，為應對全球氣候變暖趨勢逐步加劇的現象，在民航業健康發展的期間要統籌綠色發展［2］。機場區域推廣使用新能源車輛，以及全面實施“油改電”工作，對未來打贏藍天保衛戰和建設綠色機場具有重大意義［3］。

不同于傳統的燃油特種車輛調度，新能源特種車輛在滿電情況下的續航能力要遠小于燃油車輛［4］，基本上進行幾次航班服務就會產生充電需求，如不建立相應的充電策略，在未來大規模使用新能源車輛情況下產生的大量充電需求可能就會影響車輛的正常充電以及充電樁的健康使用。因此建立合理的機場新能源車輛充電調度策略，對未來提升航班保障效率具有非常重要的研究價值［5］。

目前，國內外專家對車輛充電調度的研究主要涉及城市交通方面，針對機場區域的新能源特種車輛的研究則相對較少。

基于常規民用電動汽車有序充電調度方面，Rakibul等人［6］為解決電動貨運車輛的交貨時間緊張、充電時間長等問題，建立了混合整數線性車輛路徑規劃模型，以系統總成本、配送延遲成本等最小為目標進行優化求解。針對解決電網削峰填谷的問題，相關學者采用了電動汽車入網充放電調度策略［7～9］。Pelletier等人［10］為探究電池老化、電網限制以及能源成本等對電動汽車充電的影響，建立了一個綜合數學模型并進行評估。Stephen等人［11］針對車輛充電效率低下的問題，設計了一種自動引導車輛的充電調度策略。Zhou等人［12］為保障電力系統的正常運行，建立了一種車輛協調充電調度優化模型，適應了未來微電網的快速發展。

基于機場特種車輛方面，Liu等人［13］為解決地面特種車輛數目不足的問題，建立了以特種車輛數目需求最小和時間成本最小為目標的雙目標車輛規劃模型，充分利用了現有特種車輛資源。Zhu等人［14］建立了關于加油車以及擺渡車的多目標混合整數規劃模型，有效解決了航班延誤問題。Zhou等人［15］提出了一種學習輔助領域搜索方法，并用于求解車輛路徑模型問題。對于機場內電動特種車輛充電調度方面的研究，只對電動車輛的充電問題進行了考慮，沒有結合不同特種車輛對航班的保障服務次序，無法體現航班保障服務的嚴謹性［16～18］。

飛行區特種車輛的研究大多基于單車單航班服務的車輛調度方式，且大多針對燃油車輛，很少涉及新能源車輛的調度策略。而在飛行區內，大多數車輛采用就近充電方式，在航班密集處的充電樁會過負荷使用，航班較少處的充電樁會大量閑置，充電樁的不均衡使用可能會影響機場配電網的健康運行。因此，本文在飛行區內各新能源車輛嚴格遵循其服務航班次序的基礎上建立多特種車輛充電調度模型，并采用了改進的自適應變異粒子群算法進行模型求解。仿真結果驗證了該模型的可行性。

1 問題描述

在飛機離港前，需要一系列特種車輛對航班進行協同保障服務［19］，本文主要針對近機位航班保障需要的11種特種車輛進行相關研究，包括飛機污水車、飛機清水車、飛機垃圾車、行李牽引車、平臺車、傳送帶車、飛機牽引車、純電動客車、純電動轎車、純電動多用途乘用車、純電動多用途貨車。

本文設計一種兩階段多特種車輛協同充電調度策略，其作用是在多種特種車輛按相應的順序保障完航班的基礎上，對有充電需求的特種車輛進行有序的充電調度。通過對國內某樞紐機場飛行區內的充電樁配電線路進行實際調研，將這些充電樁按照不同的配電線路分為14個區，在不同分區里對車輛進行充電調度，如圖1所示，圖中曲線圈著的為劃分的各個分區，其中G01-J62為充電樁編號，101-198為機位編號，較粗的線段表示特種車輛在飛行區的行駛路線，車輛只能在該路線上行駛。

第一階段以車輛保障的相鄰航班保障起始時間差值最小為目標，生成不同車輛充電預計時間序列和車輛充電前保障最后一個航班所在機位序列，第二階段對生成有充電需求的新能源車輛按就近充電原則，依照上一階段生成的機位，在距離最近的幾個分區中選擇相應的充電樁進行充電，并采用飛行區各區充電樁時間利用率方差最小和新能源車輛充電等待時間最短的調度策略。

2 特種車輛充電調度建模

2.1 模型假設

假設在時間周期T內，某機場共有N個航班需要保障，能進行保障的各特種車輛數目固定，且已知需要保障的航班機型、航班所在機位以及航班的預計開始時間等信息。

針對飛行區車輛的運行特點，對提出問題作出以下假設：

a）所有特種車輛在充電前進行判定，只有車輛剩余電量夠保障下一個航班且車輛保障完下一個航班剩余電池容量大于30%時（電池容量在30%時處于平臺區，此狀態充電對電池壽命好，當低于30%充電時可能會縮短電池使用壽命，并且可能造成車輛行駛時突然斷電現象），才能對該航班進行保障任務，否則前往相應充電樁充電。

b）所有車輛在飛行區內勻速行駛，行駛速度為15 km/h（根據民用航空行業標準，在機場飛行區車輛專用車道區域內，車輛最高的行駛速度不能超過25 km/h，車輛轉彎速度限制為15 km/h，考慮安全性，本文取車輛平均行駛速度15 km/h）。

c）每種特種車輛的數目都是有限固定的。

d）車輛充電到剩余電池容量達到90%時結束（車輛充電到90%對延長電池壽命以及提高車輛續航能力效果最好）。

e）飛行區沒有低壓充電樁，低壓特種車輛只能在高低壓兼容充電樁充電，而高壓特種車輛能在所有充電樁充電（目前國內大多數機場取消了低壓充電樁的使用）。

f）車輛前往充電樁充電的初始位置是其保障最后一個航班的所在機位（飛行區內車輛對航班是連續服務的）。

g）特種車輛的初始電池容量在35%～80%隨機分布（根據機場實際調研，處于工作中的特種車輛電池容量基本分布在35%～80%，故初始電池容量設置在這個范圍）。

2.2 模型符號及參數說明

輸入變量：v表示特種車輛在飛行區行駛的速度，為15 km/h;tstart，mi表示第m個航班允許第i種特種車輛保障的最早開始時間；tend，mi表示第m個航班允許第i種特種車輛保障的最晚開始時間；thb，ijm 表示第i種特種車輛的第j輛車保障第m個航班的開始時間，i=1，2，…，11，依次代表飛機牽引車、行李牽引車、傳送帶車、飛機清水車、飛機污水車、飛機垃圾車、平臺車、純電動多用途乘用車、純電動多用途貨車、純電動轎車和純電動客車；tduration，ijm表示第i種特種車輛的第j輛車保障第m個航班所需要的時間；txin，ijm表示第i種特種車輛的第j輛車保障完一組航班，充滿電后保障第m個航班的開始時間；told，ijm-1表示第i種特種車輛的第j輛車在保障的上一輪航班組中保障最后一個航班的結束時間；Dhb，mi表示第i種特種車輛保障第m個航班所需要的電量；Sremain，ij表示第i種特種車輛的第j輛車的剩余電量；Cp，ij表示第i種特種車輛的第j輛車的電池容量；lm，m+1表示第m個航班所在機位與第m+1個航班所在機位之間的距離；bij表示第i種特種車輛的第j輛車保障完最后一個航班所在機位；Bbij表示在bij機位的車輛充電所能前往的充電樁集合；s表示將飛行區的所有充電樁按不同的配電線路分為14個區，s=1，2，…，14;ns表示第s區內的充電樁個數；σs表示第s區內的所有充電樁時間利用率方差；Tend，ijk表示第i種特種車輛的第j輛車到第k個充電樁充電的結束時間；Tstart，ijk表示第i種特種車輛的第j輛車到第k個充電樁充電的開始時間；twait，ijk表示第i種特種車輛的第j輛車到第k個充電樁的等待時間；tsoc，ij表示第i種特種車輛的第j輛車充電1%soc（剩余容量占電池容量的比值）時需要的時間；T表示一天中的時間，取值為1 440 min；n表示充電樁的數目，總共為108個；Ni表示第i種特種車輛的個數；Nk表示第k個充電樁需要充電的車輛個數；N表示需要保障的航班個數。決策變量為

2.3 目標函數和約束條件

該模型的目標函數說明如下：

該模型的約束條件說明如下：

式（1）表示飛行區各區充電樁時間利用率方差最小的目標函數；式（2）表示飛行區所有特種車輛充電等待時間最短的目標函數；式（3）為最終的多目標函數，同時考慮分區充電樁時間利用率方差最小，以及車輛充電等待時間最短；式（4）為第s個分區的充電樁時間利用率方差表達式；式（5）為第s個分區內的第k個充電樁時間利用率表達式；式（6）為第s個分區的充電樁平均時間利用率表達式；式（7）為特種車輛的充電結束時間表達式；式（8）為特種車輛的充電排隊時間表達式；式（9）表示每個航班服務的特種車輛只能在其對應的時間窗內服務；式（10）表示某個特種車輛只有在下一個航班服務開始時間大于等于上一個航班結束時間和兩個航班所在機位路程行駛時間之和時，才能對下一個航班進行服務；式（11）表示飛機牽引車服務必須在飛機清水車服務完成后才能進行；式（12）表示飛機清水車服務必須在飛機污水車服務和飛機垃圾車服務都完成之后才能進行；式（13）表示飛機牽引車服務必須在平臺車服務和傳送帶車服務都完成之后才能進行；式（14）表示傳送帶車服務和平臺車服務都要在行李牽引車服務完成之后才能進行；式（15）表示某個特種車輛服務完一組航班，充滿電服務下一個航班時，其開始時間要大于其充電前服務的一組航班中最后一個航班服務完成時間和該兩個航班所在機位路程行駛時間之和；式（16）表示只有當車輛剩余電量夠滿足該航班保障所需電量以及車輛保障完該航班剩余電池容量大于30%時，才能對該航班進行保障任務；式（17）表示每個充電樁在同一時刻最多能對4輛特種車輛進行充電服務，飛行區主要存在兩種充電槍數量的充電樁，一種具有2個充電槍，最多可以為2臺車進行充電，另一種具有4個充電槍，最多可以同時為4臺車進行充電；式（18）表示車輛充電前必須在其機位對應的最近幾個分區中選擇相應的充電樁充電，不能越界到其他分區；式（19）中ω1、ω2為目標函數F1、F2的加權系數，根據不同優化目標調整相應的值。

3 機場多特種車輛充電調度模型求解

3.1 采用的優化算法

本文設計的車輛協同充電調度策略中需要求解的目標函數是一個多維的，且非線性的問題。對這類多維優化問題，很難用普通的數學方法得到精確的解。在眾多智能優化算法中，本文采用最適合該策略的粒子群優化算法（particle swarm optimization，PSO）進行求解［20］。PSO算法的基本原理是：將一組隨機粒子（隨機解）初始化，并通過迭代找到最優解。在每次迭代中，通過更新式（20）（21），不斷更新極值，使空間中的解向最優解的方向移動，當滿足所有條件之后，進而輸出最優解［21］。

其中：i表示粒子編號；n表示迭代次數；k表示變量維數；vnik表示第i個粒子中第k維在第n代的更新速度；xnik表示第i個粒子中第k維在第n代的值；pngk表示第n代前的種群最優位置；pnik表示第i個粒子在第n代前的個體最優位置；c1、c2為學習因子；ω為慣性權重；r1、r2為0～1的隨機數。

由于標準PSO算法存在容易陷入局部最優的特點，不易搜尋到全局最優解。為了平衡PSO算法的局部優化能力和全局搜索能力，本文采用了改進的自適應變異PSO算法（improved adaptive mutation particle swarm optimization algorithm，IAMPSO）［22］。IAMPSO算法將PSO算法中的慣性權重ω改為了式（22），并采用了變異因子p，用式（23）表示，對隨機數大于p的粒子用式（24）進行進一步更新。

其中：f表示粒子當前的目標函數值；ωmax表示ω的最大值；ωmin表示ω的最小值；favg表示粒子群的平均目標函數值；fmin表示粒子群的最小目標函數值；xnk min表示在第n代中第k維粒子的最小值，xnk max表示在第n代中第k維粒子的最大值；pmax表示最大變異因子；pmin表示最小變異因子；iter表示當前迭代次數；germax表示最大迭代次數?？梢钥闯?，慣性權重ω隨著粒子的目標函數值發生變化，當各粒子的目標值接近局部最優時，慣性權重會增大，當粒子的目標值分散時，慣性權重會減小，并且變異因子p在迭代過程中以非線性方式逐漸減小，在初始迭代時更注重搜尋全局最優值，迭代末期則能加大局部最優解搜尋力度，有效提升了算法求解全局最優解的精準度。

引入學習因子變化系數m，當適應度值連續m代不發生變化時，由式（25）更新學習因子，減小算法陷入局部最優的可能。

c1=2·c1，c2=0.5·c2（25）

3.2 算法求解步驟

a）隨機初始化種群中的所有粒子參數，包括粒子速度、粒子位置、種群規模、迭代次數等；b）計算各粒子的適應度，將當前迭代狀態中的每個粒子適應度值存放在各粒子的pbest中，將pbest中最優的適應度值存放在gbest中；c）用式（20）（21）更新粒子的位置和速度；d）用式（22）更新慣性權重ω，式（23）更新變異因子p；e）對隨機數大于變異因子p的粒子用式（24）進行自適應變異；f）將每個粒子的適應度值和經歷過的最好適應度值作比較，如果較好，則將其作為目前的最好適應度值，并比較目前所有pbest值和gbest值，更新gpest；g）判斷適應度值，如果連續m代沒發生變化，則用式（25）更新學習因子；h）如果滿足預定的最大迭代次數，則終止搜索，輸出結果，否則返回到步驟c）進行再一次搜索。

3.3 特種車輛充電路徑調度步驟

飛機離港前，不同電動特種車輛對航班的協同保障及對電動特種車輛進行充電調度的具體步驟如下：a）對某日機場的航班離港時刻，場內空閑電動特種車輛情況進行統計；b）車輛保障完下一個航班電池容量小于30%時視為有充電需求，依照不同電動特種車輛保障航班耗電量、車輛工作前初始電量以及不同車輛航班保障次序，生成所有車輛充電需求數據；c）根據車輛充電需求數據設定IAMPSO算法參數，其中，種群規模設置為500，迭代次數設置為600；d）種群采用整數編碼，種群維度為充電車輛數目×充電樁數目，粒子中每個維度的數據表示車輛前往的目標充電樁編號，計算種群初始適應度，適應度值為式（3）所求值，即飛行區各區充電樁時間利用率方差平均值和車輛充電等待時間的加權平均值，越小表明飛行區充電樁利用情況越好，不斷對比尋優，找到最優的適應度值和對應的種群位置；e）判斷是否達到迭代次數，如果沒有達到，則轉到步驟d）更新調度策略，并將迭代次數增加1，如果達到迭代次數，則輸出最優的車輛充電調度策略。

整體的工作流程如圖2所示。其中，S為輸入的車輛初始電量矩陣；M為車輛保障航班的耗電量矩陣；C為車輛電池容量矩陣；S2為存在充電需求的車輛剩余電量矩陣。

最后對算法優化效果的評價指標如式（26）所示，為方差下降率，其值越高，表明該算法相比于無序充電情況的優化效果越好，對目標函數的求解精度越高。

Fd=（σold，s-σoptimize，s）/σold，s（26）

其中：σold，s為優化前在無序充電情況下的第s個分區的充電樁時間利用率方差;σoptimize，s為采用算法優化后的第s個分區的充電樁時間利用率方差。

4 仿真實驗和結果分析

針對兩階段多特種車輛協同充電調度策略，本文通過MATLAB R2018a軟件進行仿真。將國內某樞紐機場2021年9月1日全天的航班離港數據代入該模型，生成車輛充電調度結果，與該樞紐機場2021年9月1日全天的充電樁充電數據進行對比實驗，最終驗證了車輛調度模型和應用IAMPSO算法的可行性，該機場在2021年9月1日的部分航班離港數據如表1所示。

4.1 新能源車輛數據

該機場的新能源車輛情況如下：共有飛機牽引車41輛、行李牽引車307輛、傳動帶車84輛、飛機清水車20輛、飛機污水車20輛、飛機垃圾車6輛、平臺車19輛、純電動多用途乘用車20輛、純電動多用途貨車92輛、純電動轎車90輛、純電動客車90輛。共有789輛新能源車輛可為近機位航班保障進行仿真，同時車輛初始電量在35%～80%隨機分布。由于航班機型不同，同種車輛保障不同航班耗電量會存在相應差別，其中，航班機型主要分為C類、D類和E類，通過統計該機場2021年7月1日～2021年9月30日的車輛保障航班數據以及車輛充電數據，計算得到不同車輛保障航班的耗電量，如表2所示。同時，不同車輛對航班保障的平均服務時間也不相同，對該機場進行實地調研得到車輛的平均服務時間，如表3所示。

根據《航班安全運行保障標準》，該11種特種車輛在航班離港前進行地面保障服務時要遵循相應的順序，其中，飛機牽引車在所有車輛服務后進行保障服務；飛機清水車要在飛機污水車和飛機垃圾車服務后進行保障服務；行李牽引車要在平臺車和傳送帶車服務前進行保障服務；而多用途乘用車、多用途貨車、轎車和客車則不需要考慮相應的服務次序。對應的不同車輛對航班的服務次序如圖3所示。

車輛對航班進行完保障服務后，有充電需求的特種車輛由于車輛種類不同，充電速率會產生相應的差別，對該機場2021年7月1日～2021年9月30日的車輛充電數據進行計算，得到不同車輛充電1%soc所需的時間，如表4所示。

4.2 航班保障車輛調度結果

通過輸入該機場在2021年9月1日中384個航班離港數據，得到11種特種車輛的保障策略以及共計496次特種車輛的充電請求。在得到的所有車輛充電請求數據中選取的部分數據如表5所示。之后特種車輛都是在此數據基礎上進行充電調度，根據車輛充電前保障最后一個航班所在的機位位置，在與其最近的幾個分區中，由設定的車輛充電調度算法計算出車輛前往的目標充電樁。

從所有航班中選取了一個第50號航班的各特種車輛的調度策略，其車輛保障服務次序如圖4所示。由圖可知：8號飛機牽引車在7：59對航班進行保障，服務到8：10結束；5號飛機清水車在7：46對航班進行保障，服務到7：53結束；3號飛機污水車在7：38對航班進行保障，服務到7：45結束；50號行李牽引車在7：21對航班進行保障，服務到7：36結束；4號平臺車在7：39對航班進行保障，服務到7：54結束；8號傳送帶車在7：38對航班進行保障，服務到7：53結束；7號飛機垃圾車在7：28對航班進行保障，服務到7：38結束。由此可以得出不同特種車輛對航班的先后服務順序，并滿足規定的地面保障服務要求。

在11種特種車輛中選取了一個平臺車的保障航班順序圖，如圖5所示。由圖可知：1號平臺車在23：28對第一個航班完成了服務，并在23：32開始對第二個航班進行服務，服務到23：47結束，在23：49對第三個航班進行服務，服務到0：04結束。此時，該車輛若對下一個航班進行服務，其電池容量會小于30%，因此， 0：04為該車輛的預計充電時刻，后續車輛充電調度在此時刻進行。

4.3 車輛充電調度結果

本文對得到的車輛充電請求數據進行充電調度仿真，并采用IAMPSO算法進行模型求解，相關參數設置為：學習因子c1=c2=1.5，最大慣性權重ωmax=0.9，最小慣性權重ωmin=0.18，最大變異因子pmax=0.85，最小變異因子pmin=0.45，學習因子變化系數m=6。就近充電規則為，在車輛充電前保障的最后一個航班所在機位對應的距離最短的幾個充電樁中，選擇充電等待時間最短的充電樁進行充電。

由于本文需要求解模型的變量維數過高，用單獨的其他智能優化算法求解精度過低，所以本文將粒子群算法分別和蟻群算法［23］、模擬退火算法［24］、遺傳算法［25］進行融合，建立了蟻群粒子群融合算法（ACPSO）、模擬退火粒子群融合算法（SAPSO）以及遺傳粒子群融合算法（GAPSO），使這些算法繼承了粒子群算法對高緯度變量求解精度高的優點。于是本文求解車輛充電調度模型時用IAMPSO算法與這些改進的粒子群融合算法，以及普通的粒子群算法（PSO）和自適應粒子群算法（APSO）分別進行了對比實驗。得到多種改進PSO和IAMPSO算法對目標函數適應度值的收斂情況，如圖6所示。從圖中可以看到，IAMPSO算法相比其他改進PSO算法有更快的收斂速度，收斂速度越快，就越能在較少的迭代次數以更高的求解精度收斂到目標函數的最優值。對本文來說，對比于其他優化算法，使用IAMPSO算法求解車輛充電調度模型時，在有限的時間內便能得到滿足目標函數要求的更優調度結果，避免了因高迭代次數而產生冗長求解時間的現象。

優化前后得到的車輛充電等待時間對比如表6所示。從表中可以看到，相比于就近充電，采用IAMPSO算法后，車輛充電時的排隊等待時間降低了93.5%，優化效果遠高于其他改進PSO算法，避免了車輛的集中充電現象，車輛充電效率得到了有效提升。

優化前后飛行區充電樁時間利用率方差對比如表7所示?？梢钥闯?，采用IAMPSO算法對于就近充電的方差下降率要優于其他PSO算法，全飛行區的整體方差下降了88.7%，方差下降率高于其他算法，說明該飛行區充電樁的利用情況分布得更加均衡，避免了個別充電樁的極端使用，達到了預設的目標函數要求。

5 結束語

新能源車輛在飛行區的大規模運行是未來必然的發展趨勢，目前普遍采用的基于就近充電原則的無序充電現象會使機場飛行區的充電樁處于不平衡的使用狀態，個別充電樁的極端使用會增加其維護成本及使用壽命，而某些閑置的充電樁又會造成資源浪費，不利于機場配電網的穩定性。同時，在航班高峰段的車輛集中充電現象會產生大量的充電等待時間，會極大影響車輛充電效率。為解決該問題，本文建立了兩階段多特種車輛協同充電調度模型，使用改進的自適應變異粒子群算法進行模型求解，并與國內某樞紐機場的航班數據和車輛充電數據進行對比實驗，最終使車輛充電時的等待時間降低了93.5%、飛行區充電樁時間利用率的整體方差下降了88.7%，達到了提升車輛充電效率以及均衡使用充電樁的目標。未來研究會繼續針對新能源車輛充電調度策略，在能夠滿足航班服務標準下，更有效地提高車輛服務效率。

參考文獻：

［1］胡振剛， 黃文龍， 張毅. 基于智慧民航視角的民航高質量發展路徑探究［J］. 民航管理， 2023（4）： 13-16. （Hu Zhengang， Huang Wenlong， Zhang Yi. Exploring high-quality development path of civil aviation from the perspective of smart civil aviation［J］. Civil Aviation Management， 2023（4）： 13-16.）

［2］Chen Yuxiu， Yu Jian， Li Linlin， et al. An empirical study of the impact of the air transportation industry energy conservation and emission reduction projects on the local economy in China［J］. International Journal of Environmental Research and Public Health， 2018，15（4）： 812.

［3］熊羚利. 面向“雙碳”目標的民航綠色發展淺論［J］. 民航管理， 2022（5）： 16-20. （Xiong Lingli. An overview of the green development of civil aviation oriented at carbon peaking and carbon neutrality goals［J］. Civil Aviation Management， 2022（5）： 16-20.）

［4］Szumska E M， Jurecki R S. Parameters influencing on electric vehicle range［J］. Energies， 2021， 14（16）： 4821.

［5］Broihan J， Nozinski I， Poech N， et al. Designing dynamic inductive charging infrastructures for airport aprons with multiple vehicle types［J］. Energies， 2022，15（11）： 4085.

［6］Alam M R， Guo Zhaomiao. Co-optimization of charging scheduling and platooning for long-haul electric freight vehicles［J］. Transportation Research Part C：Emerging Technologies， 2023， 147：104009.

［7］Liu Dunnan， Zhang Tingting， Wang Weiye， et al. Two-stage physical economic adjustable capacity evaluation model of electric vehicles for peak shaving and valley filling auxiliary services［J］. Sustainability， 2021， 13（15）： 8153.

［8］Mei Panpan， Wu Lianghong， Zhang Hongqiang， et al. A hybrid multi-objective crisscross optimization for dynamic economic/emission dispatch considering plug-in electric vehicles penetration［J］. Energies， 2019，12（20）： 3847.

［9］張瀟， 栗然， 馬濤， 等. 基于主從博弈和貪心策略的含電動汽車主動配電網優化調度［J］. 電力自動化設備， 2020， 40（4）： 103-110. （Zhang Xiao， Li Ran， Ma Tao， et al. Stackelberg game and greedy strategy based optimal dispatch of active distribution network with electric vehicles［J］. Electric Power Automation Equipment， 2020， 40（4）： 103-110.）

［10］Pelletier S， Jabali O， Laporte G. Charge scheduling for electric freight vehicles［J］. Transportation Research Part B： Methodological， 2018，115： 246-269.

［11］Stephen A， Zhou Chenhao， Chew E P， et al. Q-learning based automated guided vehicles recharging scheduling in container terminal［C］//Proc of IIE Annual Conference. 2020： 215-220.

［12］Zhou Kaile， Cheng Lexin， Wen Lulu， et al. A coordinated charging scheduling method for electric vehicles considering different charging demands［J］. Energy， 2020， 213： 118882.

［13］Liu Yonghong， Wu Jianjun， Tang Jie， et al. Scheduling optimisation of multi-type special vehicles in an airport［J］. Transportmetrica B： Transport Dynamics， 2022，10（1）： 954-970.

［14］Zhu Shurui， Sun Huijun， Guo Xin. Cooperative scheduling optimization for ground-handling vehicles by considering flights’ uncertainty［J］. Computers & Industrial Engineering， 2022，169： 108092.

［15］Zhou Jianan， Wu Yaoxin， Cao Zhiguang， et al. Learning large neighborhood search for vehicle routing in airport ground handling［J］. IEEE Trans on Knowledge and Data Engineering， 2023，35（9）： 9769-9782.

［16］Guo Zekun， Lai Chunsing， Luk P， et al. Techno-economic assessment of wireless charging systems for airport electric shuttle buses［J］. Journal of Energy Storage， 2023， 64： 107123.

［17］Barco J， Guerra A， Munoz L， et al. Optimal routing and scheduling of charge for electric vehicles： a case study［J］. Mathematical Problems in Engineering， 2017， 2017： 1-16.

［18］Helber S， Broihan J， Jang Y J， et al. Location planning for dynamic wireless charging systems for electric airport passenger buses［J］. Energies， 2018，11（2）： 258.

［19］Zhang Jichao， Chong Xiaolei， Wei Yazhi， et al. Optimization of apron support vehicle operation scheduling based on multi-layer co-ding genetic algorithm［J］. Applied Sciences， 2022，12（10）： 5279.

［20］Zheng Qingshuai， Gu Yujiong， Liu Yuhang， et al. Chaotic particle swarm algorithm-based optimal scheduling of integrated energy systems［J］. Electric Power Systems Research， 2023， 216： 108979.

［21］Chen Jiumei， Shi Jing. A multi-compartment vehicle routing problem with time windows for urban distribution—a comparison study on particle swarm optimization algorithms［J］. Computers & Industrial Engineering， 2019， 133： 95-106.

［22］Kong Fanrong， Jiang Jianhui， Huang Yan. An adaptive multi-swarm competition particle swarm optimizer for large-scale optimization［J］. Mathematics， 2019，7（6）： 521.

［23］Dong Gaifang，Fu Xueliang，Li Honghui，et al. Cooperative ant colony genetic algorithm based on spark［J］. Computers & Electrical Engineering， 2017， 60： 66-75.

［24］Fang Longjie， Zuo Haoyi， Pang Lin， et al. Image reconstruction through thin scattering media by simulated annealing algorithm［J］. Optics and Lasers in Engineering， 2018，106： 105-110.

［25］Yan Xuesong， Liu Hanmin， Zhu Zhixin， et al. Hybrid genetic algorithm for engineering design problems［J］. Cluster Computing， 2017，20： 263-275.