2022 Shenzhen Cup C Condução Autônoma de Material Elétrico Estação de Troca de Veículos Seleção de Local e Esquema de Agendamento
Para atingir a meta do meu país de "pico de carbono" até 2030 e "neutralidade de carbono" até 2060, o uso de veículos elétricos autônomos ecologicamente corretos no transporte de materiais é uma tendência de desenvolvimento. Ao formular o plano de despacho do veículo elétrico, deve-se considerar o custo do tempo de carregamento e substituição da bateria, e é proposto um novo problema de seleção e despacho do local de transporte do veículo.
Questão 1 Um lote de caminhões elétricos autônomos transporta materiais do ponto P ao ponto D, e então retorna vazio, e
assim por diante. É necessário estabelecer um modelo de programação matemática para determinar a localização de uma estação de troca de duas vias co-localizada (como uma estação de descanso de alta velocidade) entre o ponto P e o ponto D, bem como o esquema de programação do veículo e da bateria correspondente para maximizar a entrega dentro do período de tempo especificado A quantidade de material atende às restrições de recursos e restrições do modo de operação da bateria. De acordo com os dados fornecidos no apêndice, resolva o modelo de planejamento, indique a localização da estação de troca e indique a quantidade de materiais transportados em 1000 horas, o número de veículos utilizados, o número de baterias e o esquema de programação específico dos veículos e suas baterias.
Questão 2 Na questão 1, altere a condição de construção da estação para "determinar uma posição de uma estação de troca de energia em cada direção entre o ponto P e o ponto D", outras condições e tarefas são as mesmas da questão 1.
Questão 3 Considerando os custos dos preços de pico e vale da eletricidade, compra de baterias, construção de estações de recarga e troca, etc., formular um plano de construção de estações e programação de baterias que garanta o volume mínimo diário de transporte e o menor custo de investimento e operação no ciclo de liquidação de 3 anos. De acordo com os dados fornecidos no apêndice (os dados padrão são complementados por ele mesmo), é fornecido um exemplo de cálculo específico. Problema 4 Para vários pontos de coleta e um único ponto de descarga, estude os problemas de programação de grupos de baterias e veículos mencionados acima.
Apêndice: Formato de dados (limitado)
Os dados de exemplo de cálculo são compilados sozinhos sob as seguintes restrições de formato, e os dados de exemplo de cálculo de teste unificado serão divulgados antes das finais.
(1) Do ponto P ao ponto D: quilometragem 10 km, via exclusiva para veículo único (ferroviário) de mão dupla, distância do veículo não inferior a 200 m
(2) Veículos: 125 veículos a uma velocidade de 60 km/h, cada veículo é classificado com 6 baterias, inicialmente no estado sem carga da estação de troca, e o SoC (estado de carga) de cada bateria integrada é 100%
(3) Baterias: 900 grupos, um único grupo de baterias é medido independentemente, o consumo de energia dos 6 grupos de baterias no veículo é consistente, o SoC de cada grupo de baterias é reduzido em 1% a cada 3 minutos de condução de um veículo vazio, e o SoC de cada grupo de baterias é reduzido em 1% a cada 2 minutos que um caminhão O SoC da bateria é reduzido em 1%. O SoC da bateria de bordo pode ser substituído quando estiver no intervalo [10 %, 25%]. O SoC da bateria para substituição é de 100%
. Leva 20 segundos para cada bateria ser carregada e detectada para entrar no estado de espera após ser substituída. Leva 1 minuto cada vez para carregar e descarregar
Preço do equipamento de substituição automática da bateria, preço da bateria, preço do veículo.
Estabelecimento do modelo e análise da solução:
A primeira coisa a considerar é esta questão: da estação de troca de energia ao ponto P ao ponto D ao ponto P até que a capacidade da bateria atinja 10% a 25%, vá até a estação de troca de energia para substituição da bateria
. Aqui você pode desenhar um circuito diagrama
O comprimento da via de pista dupla S é de 10km, ou seja, 10.000m
, e a distância entre dois veículos é maior ou igual a 200m.
Há no máximo 100 bondes Benz na estrada sem considerar o comprimento do carro. A
pergunta dizia que a bateria: 900 grupos, um único grupo de baterias é medido independentemente e os 6 grupos de baterias a bordo consomem a mesma quantidade de energia .
Não tenho equilíbrio de QI suficiente. Não considero a situação de carregar 6 baterias em lotes e substituir baterias em lotes. Escrevo diretamente nas premissas do modelo: Suponha que o carro elétrico seja substituído pela bateria e os 6 as baterias são substituídas juntas, ignorando que uma única bateria é substituída individualmente.O impacto da capacidade de carga.
É também a substituição da bateria em lotes, e a localização da estação de substituição, o volume máximo de frete, e o tempo 1000h=60000min, a diferença entre 6 baterias usadas perto de 10% e substituídas em lotes. Sei que isso afetará os grupos gerais de 900. A taxa de uso da bateria, mas este programa de substituição de bateria não é fácil de calcular. O significado desta pergunta é pedir que você use uma combinação de programação inteira e programação linear. Há 100 bondes circulando na estrada, e o resto das baterias são carregadas sem desperdiçar o máximo possível. Então a bateria está totalmente carregado quando o carro funciona a 10% Este ciclo vai e volta, pergunta-lhe onde construir a central eléctrica? Como trocar a bateria? O volume máximo de carga pode ser alcançado.
Deixe-me dizer-lhe porque a localização da estação de energia é fácil de calcular, mas o esquema de distribuição de substituição de bateria não é. Isso porque se você tiver 6 baterias, se você tiver um esquema de substituição de bateria, você tem C6 para escolher 1, ou seja , 6 esquemas de substituição de bateria, e então você compara ou É o IQ que implementa a solução ideal de substituição de bateria Por que existem 6 soluções? Porque 25%-10%=15% da eletricidade pode ir e vir para adicionar outra eletricidade ou retornar eletricidade, mas você tem que garantir que tem a eletricidade restante para ir para a usina, então você não pode ir ao segunda vez, você só pode alterá-lo honestamente eletricidade, entendeu?
Resultado final
A primeira pergunta e finalmente você confirma que a estação de troca é construir uma estação de troca 5km de P a D. Quanto ao plano de substituição da bateria, adivinhe como você pode usar a bateria inteira para maximizar a eficiência? O volume de transporte está relacionado com o número de carros e o número de vezes que o bonde chega a P, e a bateria afeta o número de carros e o número de vezes até P. Caro leitor, você já virou essa esquina?
O resultado final da segunda questão é construir uma central elétrica a 20/3km da ida e volta. Os resultados da terceira
questão precisam considerar o momento do ponto de mudança, como mudar o dia e a noite, como usar o horário da eletricidade industrial, o menor preço e o maior preço do plano estratégico de troca de energia.
considerar a ideia do algoritmo da teoria das filas
finalmente concluída
O acima apenas representa a minha compreensão pessoal do assunto
Exemplo de código do programa:
import math # 导⼊模块
import random # 导⼊模块
import pandas as pd # 导⼊模块 YouCans, XUPT
import numpy as np # 导⼊模块 numpy，并简写成 np
import matplotlib.pyplot as plt
from datetime import datetime
# ⼦程序：定义优化问题的⽬标函数
def cal_Energy(X, nVar, mk): # m(k)：惩罚因⼦，随迭代次数 k 逐渐增⼤
p1 = (max(0, 6*X[0]+5*X[1]-60))**2
p2 = (max(0, 10*X[0]+20*X[1]-150))**2
fx = -(10*X[0]+9*X[1])
return fx+mk*(p1+p2)
# ⼦程序：模拟退⽕算法的参数设置
def ParameterSetting():
cName = "funcOpt" # 定义问题名称 YouCans, XUPT
nVar = 2 # 给定⾃变量数量，y=f(x1,..xn)
xMin = [0, 0] # 给定搜索空间的下限，x1_min,..xn_min
xMax = [8, 8] # 给定搜索空间的上限，x1_max,..xn_max
tInitial = 100.0
tFinal = 1
alfa = 0.98
meanMarkov = 100 # Markov链长度，也即内循环运⾏次数
scale = 0.5 # 定义搜索步长，可以设为固定值或逐渐缩⼩
return cName, nVar, xMin, xMax, tInitial, tFinal, alfa, meanMarkov, scale
# 模拟退⽕算法
def OptimizationSSA(nVar,xMin,xMax,tInitial,tFinal,alfa,meanMarkov,scale):
# ====== 初始化随机数发⽣器 ======
randseed = random.randint(1, 100)
random.seed(randseed) # 随机数发⽣器设置种⼦，也可以设为指定整数
# ====== 随机产⽣优化问题的初始解 ======
xInitial = np.zeros((nVar)) # 初始化，创建数组
for v in range(nVar):
# xInitial[v] = random.uniform(xMin[v], xMax[v]) # 产⽣ [xMin, xMax] 范围的随机实数
xInitial[v] = random.randint(xMin[v], xMax[v]) # 产⽣ [xMin, xMax] 范围的随机整数
# 调⽤⼦函数 cal_Energy 计算当前解的⽬标函数值
fxInitial = cal_Energy(xInitial, nVar, 1) # m(k)：惩罚因⼦，初值为 1
# ====== 模拟退⽕算法初始化 ======
xNew = np.zeros((nVar)) # 初始化，创建数组
xNow = np.zeros((nVar)) # 初始化，创建数组
xBest = np.zeros((nVar)) # 初始化，创建数组
xNow[:] = xInitial[:] # 初始化当前解，将初始解置为当前解
xBest[:] = xInitial[:] # 初始化最优解，将当前解置为最优解
fxNow = fxInitial # 将初始解的⽬标函数置为当前值
fxBest = fxInitial # 将当前解的⽬标函数置为最优值
print('x_Initial:{:.6f},{:.6f},\tf(x_Initial):{:.6f}'.format(xInitial[0], xInitial[1], fxInitial))
recordIter = [] # 初始化，外循环次数
recordFxNow = [] # 初始化，当前解的⽬标函数值
recordFxBest = [] # 初始化，最佳解的⽬标函数值
recordPBad = [] # 初始化，劣质解的接受概率
kIter = 0 # 外循环迭代次数
totalMar = 0 # 总计 Markov 链长度
totalImprove = 0 # fxBest 改善次数
nMarkov = meanMarkov # 固定长度 Markov链
# ====== 开始模拟退⽕优化 ======
# 外循环
tNow = tInitial # 初始化当前温度(current temperature)
while tNow >= tFinal: # 外循环
kBetter = 0 # 获得优质解的次数
kBadAccept = 0 # 接受劣质解的次数
kBadRefuse = 0 # 拒绝劣质解的次数
# ---内循环，循环次数为Markov链长度
for k in range(nMarkov): # 内循环，循环次数为Markov链长度
totalMar += 1 # 总 Markov链长度计数器
# ---产⽣新解
# 产⽣新解：通过在当前解附近随机扰动⽽产⽣新解，新解必须在 [min,max] 范围内
# ⽅案 1：只对 n元变量中的⼀个进⾏扰动，其它 n-1个变量保持不变
xNew[:] = xNow[:]
v = random.randint(0, nVar-1) # 产⽣ [0,nVar-1]之间的随机数
xNew[v] = round(xNow[v] + scale * (xMax[v]-xMin[v]) * random.normalvariate(0, 1))
# 满⾜决策变量为整数，采⽤最简单的⽅案：产⽣的新解按照四舍五⼊取整
xNew[v] = max(min(xNew[v], xMax[v]), xMin[v]) # 保证新解在 [min,max] 范围内
# ---计算⽬标函数和能量差
# 调⽤⼦函数 cal_Energy 计算新解的⽬标函数值
fxNew = cal_Energy(xNew, nVar, kIter)
deltaE = fxNew - fxNow
# ---按 Metropolis 准则接受新解
# 接受判别：按照 Metropolis 准则决定是否接受新解
if fxNew < fxNow: # 更优解：如果新解的⽬标函数好于当前解，则接受新解
accept = True
kBetter += 1
else: # 容忍解：如果新解的⽬标函数⽐当前解差，则以⼀定概率接受新解
pAccept = math.exp(-deltaE / tNow) # 计算容忍解的状态迁移概率
if pAccept > random.random():
accept = True # 接受劣质解
kBadAccept += 1
else:
accept = False # 拒绝劣质解
kBadRefuse += 1
# 保存新解
if accept == True: # 如果接受新解，则将新解保存为当前解
xNow[:] = xNew[:]
fxNow = fxNew
if fxNew < fxBest: # 如果新解的⽬标函数好于最优解，则将新解保存为最优解
fxBest = fxNew
xBest[:] = xNew[:]
totalImprove += 1
scale = scale*0.99 # 可变搜索步长，逐步减⼩搜索范围，提⾼搜索精度
# ---内循环结束后的数据整理
#
pBadAccept = kBadAccept / (kBadAccept + kBadRefuse) # 劣质解的接受概率
recordIter.append(kIter) # 当前外循环次数
recordFxNow.append(round(fxNow, 4)) # 当前解的⽬标函数值
recordFxBest.append(round(fxBest, 4)) # 最佳解的⽬标函数值
recordPBad.append(round(pBadAccept, 4)) # 最佳解的⽬标函数值
A ideia está finalmente concluída, bem-vindo ao perturbar