基于QPSO的機場車輛充電優化調度研究

摘" 要：在機場電動特種車輛使用日益增多的情況下，采用無序充電規則的飛行區會產生充電效率過低及充電等待時間過長的問題，這不利于飛行區充電保障的高效運行。針對以上問題，提出一種基于量子粒子群的車輛充電調度算法，以機場車輛充電路程最短及充電排隊時間最短為目標建立優化調度模型，用量子粒子群算法進行求解。結合國內某樞紐機場的車輛充電數據進行仿真實驗，結果表明，該算法可以降低5.1%的車輛充電行駛路程，降低20.3%的充電排隊時間，極大地降低車輛充電在路程中的損耗并提高車輛充電效率，為航班保障正常運行帶來極大幫助。

關鍵詞：特種車輛；飛行區；量子粒子群；優化調度；充電效率

中圖分類號：X738.2" " " 文獻標志碼：A" " " " " 文章編號：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

推廣應用機場新能源設備，是民航認真貫徹落實黨中央、國務院打贏藍天保衛戰重大決策部署，深入打好民航污染防治攻堅戰，實現綠色、可持續發展，助力實現國家“碳達峰、碳中和”戰略目標的重要行動。2015年，民航局對于機場地面特種車輛的“油改電”工作正式開始運行。截至2021年底，全國機場飛行區內共有新能源車輛約9 900臺，充電設施3 600個，機場區域實施“油改電”對于民航的綠色健康發展有著重要的意義[1-2]。國內在飛行區充電保障這一方面起步較晚，大多車輛在機場內的充電行為都有很大的隨機性，飛行區內的充電資源無法得到充分利用，造成場內充電樁使用的不均衡，影響機場配電網的安全運行。因此建立有效的飛行區特種車輛充電調度策略，提升飛行區的整體充電保障能力，具有十分重要的理論價值和研究意義。

近年來有國內外專家對優化車輛充電調度及充電設施健康經濟化運行方面進行研究。Lou等[3]以最小化服務設施的建設成本和服務成本為目標，建立了基于非線性整數規劃的城市充電站規劃模型，并以首爾為例進行了驗證，這對之后充電站的建設有一定的參考價值。Jiang[4]為解決電網中不穩定負荷問題，建立了多目標算法的調度模型，并用粒子群優化算法進行求解。Mrkos等[5]提出了一種基于馬爾可夫決策過程（MDP）的方法來最大化動態定價充電站運營商的收入或利用率，并使用蒙特卡洛數搜索（MCTS）算法來實現該方法。周天沛等[6]對于電動汽車對充電站充電擁有很大的隨機性這個特點，建立了電動汽車多目標充電調度優化模型，采用了基于細菌趨化的改進粒子群算法求解。程杉等[7]通過提出有效充電調度的分散式優化策略來改進了目前對于無序充電行為和充電站固定電價策略的若干缺陷。

關于車輛充電調度這方面的研究，國內外大多都只注重于城市交通方面，對于機場飛行區則涉及較少。因此本文針對機場存在的充電樁利用不均衡現象，建立了充電樁綜合利用率偏差最小優化調度模型，并用量子粒子群算法進行模型求解，仿真結果也驗證了該模型的可行性。

1" 機場特種電車優化調度

1.1" 問題描述

機場內的電動車輛優化調度主要是根據機場內特種電車的充電規律、運行規律及機場內充電樁的分布情況，嚴格遵循機場車輛行駛秩序制定相應的算法合理地調度機場內的特種車輛。對機場特種車輛的合理調度可以有效提高機場配電網的安全性，使其能夠高效持久地運行。

為提高飛行區內充電設施的保障能力，本文主要對飛行區內的特種車輛進行充電調度，采用路程最短及排隊時間最短的調度策略。

1.2" 模型建立

1.2.1" 模型假設

假設某機場在計劃時間T內共有N輛特種車輛需要進行充電，且知道車輛的剩余SOC（State Of Charge，SOC），以及在機場內的規定行駛路徑信息。

根據車輛的實際情況和行駛特點，做出以下假設。

1）機場特種車輛的剩余電量都夠行駛到目的地。

2）車輛充電時在剩余SOC為30%～50%情況進行充電，充電到80%～90%結束。

3）每個充電樁同一時刻只能有1輛車進行充電，不能在一個時刻一個充電樁同時給多輛車供電。

4）車輛充電時是從車輛集散點出發，按著飛行區內規定路線行駛，時速為15 km/h。

5）機場特種車輛的數量是有限的。

1.2.2" 模型符號變量說明

機場特種車輛充電調度模型相關符號參數說明如下。

1）輸入變量

twait，ijk為第i種特種車輛的第j輛車到第k個充電樁的等待時間；tcharge，tjk為t時刻第j輛車在第k個充電樁的充電時間；T為一天中的時間，取1 440 min；lijk為第i種特種車輛的第j輛車到第k個充電樁的路徑長度；n為充電樁的數目；Nt，k為t時刻第k個充電樁需要充電的車輛個數；Ni為第i種特種車輛個數。

2）決策變量

xijk=1，第i種車輛的第j輛車去第k個充電樁充電0，否則；

ytk=1，t時刻第k個充電樁有車輛充電0，否則。

1.3" 目標函數和約束條件

機場特種車輛充電調度模型的目標函數如下

； （1）

k）； （2）

ge，tjkytk=10" " "ytk≠1； （3）

F=ω1F1+ω2F2。 （4）

機場特種車輛調度模型的約束條件如下

1； （5）

ω1+ω2=1。 （6）

式（1）表示車輛充電路徑最短的目標函數，作用于續航較短的特種車輛；式（2）表示車輛充電排隊等待時間最短的目標函數；式（3）為車輛充電排隊等待時間表達式；式（4）為最終的多目標函數，同時考慮車輛充電路徑最短及車輛充電排隊時間最短；式（5）表示每個充電樁在同一時刻只能對1個特種車輛進行充電服務；式（6）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。

2" 機場電車充電調度模型求解

式（4）中目標函數所求解為非線性問題，并且變量維數過多，采用一些普通的優化方法難求出精確解。因此，本文采用全局搜素能力強，收斂速度快的粒子群算法（Partical Swarm Optimization，PSO）來求解[8]。

但標準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，同時不能保證搜索到全局最優解，這對于一些多峰函數和病態函數無法找到最優解[9]。所以為了保證粒子的多樣性，盡可能地求出全局最優解，本文提出了改進的QPSO算法（Quantum Particle Swarm Optimization，QPSO）。該算法取消了粒子的移動方向屬性，粒子位置的更新跟該粒子之前的運動沒有任何關系，增加了粒子位置的隨機性，從而避免陷入局部最優的陷阱。該算法少了標準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■表示當前迭代中的第i個最優種群。式（8）中gbest表示的為當前全局最優粒子，Pi用于第i個粒子位置的更新。式（9）中xi表示第i個粒子的位置，α為創新參數，一般取0到1的隨機數，？覫和u為（0，1）上的均勻分布數值，取+和-的概率為0.5[10]。

在T時間段飛行區有一組特種電動車有充電需求，需要選擇充電樁充電時，其充電樁分配車輛調度步驟如下所示。

Step1，當適宜SOC在30%左右的電動車輛進行充電時，讀取機場內的充電樁信息，保證車輛充電到SOC為80%結束，并將這些參數代入目標函數計算粒子適應度值。

Step2，不斷更新算法的個體極值和群體極值，根據目標函數計算來對比當前的個體極值和群體極值，看是否需要進一步更新。

Step3，如果比當前的個體極值或群體極值更優，則把當前的個體和群體變為個體極值和群體極值，否則來到下一步判斷是否達到設定的迭代次數。

Step4，如果達到規定的迭代次數，則輸出最優的車輛調度信息，讓車輛前往相應的充電樁充電，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目標函數計算，重新進行下一次循環。

3" 實驗仿真

3.1" 仿真對比數據和參數設置

本文以我國最早一批實行“油改電”的大型樞紐機場為實驗驗證目標，以該機場的特種車輛為調度對象，同時選取其2021年8月1日的車輛充電數據做對比仿真實驗，部分數據見表1。假定充電的時間周期T=1 440 min，需要充電的電動汽車數量為1 500輛，由于充電車輛的種類不同，根據2021年統計的車輛充電信息，車輛充電時間滿足均值為34 min，方差為5.8的正態分布。

經過多次的實驗調整，本文對標準QPSO算法的參數取值為：種群規模為1 500，迭代次數為100，創新參數α為0.8。

3.2" 仿真調度結果

3.2.1" 車輛調度結果

通過實驗可以得到在T時間內，機場內的充電樁的車輛分配調度策略，經過QPSO算法的目標函數適應度收斂圖如圖1所示。可看出QPSO算法最終收斂于平穩數值。優化前后車輛平均行駛路程，平均充電排隊等待時間對比圖分別如圖2、圖3所示。可以看出車輛的行駛路程和排隊時間得到了明顯下降，提高了飛行區的充電保障效率。

3.2.2" 目標函數值

表2為使用MATLAB仿真計算后得到的最終實驗的目標函數結果表。從表中可以看到，通過本文算法優化后，1 500輛車輛調度后的平均行駛路程相比于無序充電現象降低了5.1%，車輛平均充電排隊時間降低了20.3%。

綜上，本文所建立的用QPSO算法的求解模型能依照目標函數的要求，通過帶入某樞紐機場的實際充電數據驗證本文所提算法的合理性，不僅能顯著降低車輛充電過程中的路程損耗，同時還能提高充電過程中的排隊效率，保障飛行區配電網的安全運行。

4" 結束語

本文建立了多目標的車輛調度模型，采用QPSO算法，將某樞紐機場的車輛真實運行數據代入模型中進行驗證。結果表明，通過本文提出的算法，模型降低了5.1%的車輛充電平均行駛路程，降低了20.3%的平均排隊時間，可以為提高飛行區充電保障能力提供有力支撐。

參考文獻：

[1] 邱秀俐，徐佳寧，朱春波.機場場區車輛“油改電”在北方寒冷地區的需求和可行性分析[J].空運商務，2020（1）：58-59，61.

[2] 殷向東.大型機場航空地面設備“油改電”探索[J].科技創新導報，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.基于充電設備利用率的電動汽車充電路徑多目標優化調度[J].電力系統保護與控制，2019，47（4）：115-123.

[7] 程杉，王賢寧，馮毅煁.電動汽車充電站有序充電調度的分散式優化[J].電力系統自動化，2018，42（1）：39-46.

[8] 蘇子美，董紅斌.面向無人機路徑規劃的多目標粒子群優化算法[J].應用科技，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化算法[J].河南師范大學學報（自然科學版），2017，45（2）：108-118.

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