基于指导式可行解修正遗传算法的多换电站配置优化方法

摘要

本发明属于新能源汽车领域，具体涉及基于指导式可行解修正遗传算法的多换电站配置优化方法。该方法包括：建立多换电站配置优化模型，定义最佳综合负载以及目标函数；根据所述目标函数进行构建指导因子为修正算法提供指导，基于所述修正算法提出基于指导式可行解修正遗传算法；基于指导式可行解修正的遗传算法对多个换电站电池数量的优化，确定最优的适应度值，得到最终算法的性能与多换电站配置优化结果。本发明可以优化各个换电站中的电池数量进而缓解换电站资源的浪费以及换电站服务效率低下的问题，可以使不满足约束的个体向好的方向进行调整，利于解决个体基因和为定值的优化问题。

说明书

技术领域

本发明属于新能源汽车领域，涉及一种面向新能源汽车多换电站配置优化的指导式可行解修正遗传算法，具体涉及一种基于指导式可行解修正遗传算法的多换电站配置优化方法。

背景技术

在我国新能源汽车产业高速发展的重要时期，为其制定合理、优化、智能的电能补充方案是一个亟待解决的问题。换电站作为传统充电站的替代和补充模式，可在数分钟内完成对电量补充，缓解充电时间长、里程焦虑、停车占位等问题。换电站模式已在国内外有所尝试，但出于商业模式、接受度、建设及营运成本等方面考虑，从需求调度、电池管理、盈利模式、选址定容等环节均处在探索阶段。

换电站中电池的数量决定着换电站的运营成本与服务质量，电池数量较少会造成用户排队的等待时间较长，电池数量较多会造成电池资源的浪费，所以对换电站的配置亟需进行优化。

目前新能源汽车换电站虽然已经广泛应用，但现有的换电站在建设初期，对于换电站储备电池数量的设置，采用了固定的方式，即尚未充分考虑该电池数量是否可以满足未来换电站的服务情况。另外，对于现有换电站，尚无决策优化方法可以对换电站的电池数量进行动态调整，来最大化换电站的运营收入，并减少对车主的服务影响。考虑到未来新能源汽车产业的持续发展，在不增加换电站运营成本的情况下，如何提高换电站的服务水平和运营收入，制定面向多换电站配置优化的模型，以及对该模型求解算法的研究具有重要的实际意义和研究价值。

发明内容

为了对现有换电站进行优化，本发明构建了一种多换电站配置优化模型。为了对该模型求解，本发明提出了一种基于指导式可行解修正遗传算法。按照本发明分析方法对现有换电站可以进行配置优化，同时提出了一种基于指导式可行解修正的遗传算法。

本发明采用以下技术方案实现：

一种基于指导式可行解修正遗传算法的多换电站配置优化方法，包括以下步骤：

建立多换电站配置优化模型，根据所述多换电站配置优化模型定义最佳综合负载以及定义多换电站配置优化模型的目标函数；

根据所述目标函数进行构建指导因子，所述指导因子为修正算法提供指导，基于所述修正算法提出基于指导式可行解修正遗传算法；

基于指导式可行解修正的遗传算法对多个换电站电池数量的优化，确定最优的适应度值，得到最终算法的性能与多换电站配置优化结果。

作为本发明的进一步方案，所述最佳综合负载表征换电站的运营情况以及用户的服务满意度，最佳综合负载

作为本发明的进一步方案，所述基于指导式可行解修正遗传算法的多换电站配置优化方法还包括保留负载，所述保留负载为

作为本发明的进一步方案，所述目标函数用于通过改变各个换电站中电池的数量使多个换电站的综合负载趋于最佳综合负载，在优化过程中保持多个换电站总的电池数量不变；所述换电站配置优化模型的目标函数F为：

式中，

作为本发明的进一步方案，多换电站配置优化目标函数

步骤11）计算换电站s中电池数量为

步骤12）计算综合负载

步骤13）计算步骤12）中的绝对值与最佳综合负载

步骤14）计算所有换电站的负载优化函数，并求累加和，最后求平均即可得到多换电站配置优化目标函数

作为本发明的进一步方案，所述指导因子

式中，

作为本发明的进一步方案，所述指导因子

步骤21）计算换电站s的综合负载

步骤22）计算换电站s电池数量变化后的综合负载

步骤23）计算步骤21）中绝对值与步骤22）中绝对值的差值即可得到指导因子

作为本发明的进一步方案，所述修正算法包括修正步骤和伪代码，修正算法的修正步骤包括：

步骤31）判断交叉或变异后的个体是否满足约束条件，若满足，该个体即为遗传到下一代的个体；否则进入步骤32）；

步骤32）判断个体是否大于约束条件，若个体大于约束条件，进入步骤33）；否则进入步骤34）；

步骤33）计算个体每个基因的综合负载

步骤34）计算个体每个基因的综合负载

作为本发明的进一步方案，所述指导式可行解修正遗传算法中遗传操作采用锦标赛选择策略、两点交叉策略、单点变异策略，所述修正算法对交叉或者变异后的个体进行指导式调整以满足约束；

所述锦标赛选择策略：指每次从种群中取出一定数量的个体，取出的个体放回抽样，然后选择最佳个体进入子代种群，重复操作，直到新的种群规模达到原来的种群规模；

所述两点交叉策略：指在个体染色体中随机设置了两个交叉点，然后再进行部分基因交换；

所述单点变异策略：指对相应的基因值采用取值范围内的其他随机值代替。

作为本发明的进一步方案，选择最佳个体进入子代种群的方法，包括：

步骤41)确定每次选择的个体数量n；

步骤42)从种群中随机选择n个个体，根据每个个体的适应度值，选择其中适应度值最好的个体进入下一代种群；

步骤43)重复步骤42)NP次，重复次数为种群的大，直到新的种群规模达到原来的种群规模。

本发明提供的技术方案，具有如下有益效果：

本发明通过构建多换电站配置优化模型，在不增加成本的情况下可以优化各个换电站中的电池数量，进而缓解换电站资源的浪费以及换电站服务效率低下的问题；本发明定义了指导因子，为修正个体提供了指导，可以使不满足约束的个体向好的方向进行调整；本发明还提出了修正算法并将其与遗传算法结合，利于解决个体基因和为定值的优化问题。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明的一种基于指导式可行解修正遗传算法的多换电站配置优化方法的流程图。

图2为本发明一个实施例中基于指导式可行解修正遗传算法的多换电站配置优化方法中交叉示意图。

图3为本发明一个实施例的基于指导式可行解修正遗传算法的多换电站配置优化方法中变异示意图。

图4为本发明一个实施例的基于指导式可行解修正遗传算法的多换电站配置优化方法中修正算法的图例示意图。

图5为本发明一个实施例的基于指导式可行解修正遗传算法的多换电站配置优化方法中算法的收敛性示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明提供了一种面向新能源汽车多换电站配置优化的指导式可行解修正遗传算法该方法包括如下步骤：

步骤一：建立多换电站配置优化模型；该步骤包括以下子步骤:

步骤11）：定义最佳综合负载，最佳综合负载决定着换电站的运营情况以及用户的服务满意度。当最佳综合负载较低时，虽然用户的换电请求都可以满足，但是存在大量电池处于冗余状态，造成资源的浪费；当最佳综合负载较高时，虽然电池能够充分的利用，但是大量用户的换电请求无法得到满足，造成用户的服务满意度较低。综上所述，本发明最佳综合负载

步骤12）：定义多换电站配置优化模型的目标函数。该目标函数目的是通过改变各个换电站中电池的数量使多个换电站的综合负载尽可能接近最佳综合负载，并且在优化过程中保持多个换电站总的电池数量不变。

步骤二：提出基于指导式可行解修正遗传算法。该步骤包括以下子步骤：

步骤21）：定义指导因子为修正算法提供指导。指导因子根据目标函数进行构建，目的是使不满足约束的个体向好的方向进行调整。

步骤22）：提出修正算法：包括修正步骤和修正算法的伪代码。修正步骤详细的说明了个体的修正过程，主要通过指导因子

步骤23）：基于修正算法提出基于指导式可行解修正遗传算法。遗传操作主要采用了锦标赛选择策略、两点交叉策略、单点变异策略，考虑到个体要满足约束，故提出了修正算法对交叉或者变异后的个体进行指导式调整使其满足约束。

步骤三：得到最终多换电站配置优化结果。

下面结合具体实施例对本发明的技术方案作进一步的说明：

参阅图1所示，图1为本发明提供的一种基于指导式可行解修正遗传算法的多换电站配置优化方法的流程图。本发明提供的一种基于指导式可行解修正遗传算法的多换电站配置优化方法，该方法包括如下步骤：

步骤S10、建立多换电站配置优化模型，根据所述多换电站配置优化模型定义最佳综合负载以及定义多换电站配置优化模型的目标函数;

步骤S20、根据所述目标函数进行构建指导因子，所述指导因子为修正算法提供指导，基于所述修正算法提出基于指导式可行解修正遗传算法;

步骤S30、基于指导式可行解修正的遗传算法对多个换电站电池数量的优化，确定最优的适应度值，得到最终算法的性能与多换电站配置优化结果。

在本申请的一些实施例中，建立多换电站配置优化模型时，定义最佳综合负载。最佳综合负载决定着换电站的运营情况以及用户的服务满意度。当最佳综合负载较低时，虽然用户的换电请求都可以满足，但是存在大量电池处于冗余状态，造成资源的浪费；当最佳综合负载较高时，虽然电池能够充分的利用，但是大量用户的换电请求无法得到满足，造成用户的服务满意度较低。在本申请的实施例中，本发明最佳综合负载

在本申请的一些实施例中，定义多换电站配置优化模型的目标函数。该目标函数目的是通过改变各个换电站中电池的数量使多个换电站的综合负载尽可能接近最佳综合负载，并且在优化过程中保持多个换电站总的电池数量不变。多换电站配置优化模型的目标函数F定义包括：

式中，

其中，多换电站配置优化目标函数

步骤11）计算换电站s中电池数量为

步骤12）计算综合负载

步骤13）计算步骤12）中的绝对值与最佳综合负载

步骤14）计算所有换电站的负载优化函数，并求累加和，最后求平均即可得到多换电站配置优化目标函数

在本申请的一些实施例中，提出基于指导式可行解修正遗传算法时，包括定义指导因子为修正算法提供指导。指导因子根据目标函数进行构建，目的是使不满足约束的个体向好的方向进行调整。指导因子

式中

所述指导因子

步骤21）计算换电站s的综合负载

步骤22）计算换电站s电池数量变化后的综合负载

步骤23）计算步骤21）中绝对值与步骤22）中绝对值的差值即可得到指导因子

在本申请的一些实施例中，提出修正算法：包括修正步骤和修正算法的伪代码。修正算法用于对交叉操作或者变异操作后的个体进行调整。修正步骤详细的说明了个体的修正过程，主要通过指导因子

在本申请的实施例中，所述修正算法的修正步骤包括：

步骤31）判断交叉或变异后的个体是否满足约束条件，若满足，该个体即为遗传到下一代的个体；否则进入步骤32）；

步骤32）判断个体是否大于约束条件，若个体大于约束条件，进入步骤33）；否则进入步骤34）；

步骤33）计算个体每个基因的综合负载

步骤34）计算个体每个基因的综合负载

其中，修正算法的伪代码包括：

输入：交叉或变异后的个体：sol；在

输出：修正后满足约束的个体：sol

在本申请的实施例中，该算法的一个修正例子如图4所示。该例子从表2前5个换电站优化的过程中选取，其中父代的一条染色体为[7,15,6,8,11],经过交叉操作后的染色体为[7,14,10,8,11],该染色体基因的总和变为50，父代染色体的基因总和与其相差-3，即需要对该染色体的基因总和减少3；计算该染色体各个基因的综合负载

在本申请的实施例中，基于修正算法提出基于指导式可行解修正遗传算法。遗传操作主要采用了锦标赛选择策略、两点交叉策略、单点变异策略，考虑到个体要满足约束，故提出了修正算法对交叉或者变异后的个体进行指导式调整使其满足约束。

1）获取种群。在这里随机产生NP个可行解作为第一代种群，可行解产生的方法为：先随机产生一组数，这组数中元素的个数与换电站数量保持一致，而且这组数的大小均不小于3不大于15，当这组数的和满足约束条件（和等于要优化换电站的总电池数量）时即为可行解，一直产生NP个可行解即可得到第一代种群。

2）计算适应度。将多换电站配置优化目标函数

适应度函数

3）选择操作。选择操作采用了锦标赛选择策略：每次从种群中取出一定数量的个体（放回抽样），然后选择其中最好的一个进入子代种群。重复该操作，直到新的种群规模达到原来的种群规模。几元锦标赛就是一次性在总体中取出几个个体，然后在这些个体中取出最优的个体放入保留到下一代种群中。具体的操作步骤包括：

步骤41)确定每次选择的个体数量n；

步骤42)从种群中随机选择n个个体，根据每个个体的适应度值，选择其中适应度值最好的个体进入下一代种群；

步骤43)重复步骤42)NP次，重复次数为种群的大，直到新的种群规模达到原来的种群规模。

4）交叉操作。交叉操作采用了两点交叉策略，两点交叉是指在个体染色体中随机设置了两个交叉点，然后再进行部分基因交换。交叉操作示意图如图2所示，两点交叉的具体操作过程是：

①在相互配对的两个个体编码串中随机设置两个交叉点；

②交换两个个体在所设定的两个交叉点之间的部分染色体。

5）变异操作。变异操作采用了对相应的基因值用取值范围内的其他随机值代替的措施。变异操作示意图如图3所示（取值范围为[1，9]）。

在本申请的一些实施例中，得到最终算法的性能与多换电站配置优化结果。

对于多个换电站电池数量的优化，不仅要满足电池的数量最多不超过15块，最少不超过3块，而且总的电池数量也要保持不变。

对于11座换电站电池数量的优化，其算法的收敛性如图5所示，其中每次迭代的适应度值通过计算50次的平均值获得。基于指导式可行解修正的遗传算法可以找到最大的适应度值（0.8659），而且收敛的速度很快，一般在四代即可收敛，说明了所提出的算法的有效性。

在本申请的实施例中，对11座换电站的电池数量进行了优化，为了去除偶然性，该算法被重复运行了50次，并且每次运行时保持算法的初始种群一致，记录了每次的最佳适应度值、收敛时的代数以及运行时间，并且用标准差来衡量算法的鲁棒性。11个换电站配置优化的算法效果见表1以及11个换电站配置优化结果见表2所示。

从表1可以看出算法对11座换电站的优化效果。对于11座换电站配置的优化，由于其满足约束条件的可行解的数量达到几百亿以上，所以采用了遗传算法进行求解。所提出的指导式可行解修正遗传算法能找到较优解，而且稳定行很好，算法的收敛速度就快，其算法的平均收敛时的代数基本在4代就可以收敛。

从表2可以看出，一些存在电池冗余的换电站（负载较低）优化之后解决了因电池冗余而造成的资源浪费的问题；一些存在用户等待时间较长问题的换电站（负载较高）也得到了缓解。

综上所述，本发明通过构建多换电站配置优化模型，在不增加成本的情况下可以优化各个换电站中的电池数量，进而缓解换电站资源的浪费以及换电站服务效率低下的问题；本发明定义了指导因子，为修正个体提供了指导，可以使不满足约束的个体向好的方向进行调整；本发明还提出了修正算法并将其与遗传算法结合，利于解决个体基因和为定值的优化问题。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡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保护范围之内。