英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
原始研究的文章
一种用于优化天然气加油站位置的计算机模型
文章历史:
2013年3月11日
2013年9月11日
2013年10月7日
关键词:天然气加油站
位置优化模型蒙特卡罗模型
在许多主要城市，高水平的细颗粒物和臭氧正在导致越来越多的呼吸问题、越来越多的哮喘发作和过早死亡。据报道，天然气汽车排放的颗粒物比柴油汽车少95%，产生臭氧的一氧化碳和活性碳氢化合物也少90%。因此，天然气汽车的使用可以在改善许多城市的空气质量方面发挥重要作用。由于引入一种新的燃料基础设施会带来许多成本，因此加油站的优化布局将在天然气汽车的广泛使用中发挥重要作用，尤其是在天然气汽车进入市场的早期阶段。利用蒙特卡罗算法，建立了一个基于交通量的加油站选址优化模型。特别是，蒙特卡罗方法允许燃料站的位置，根据其接近大流量的交通流量和所有加油站的位置是同时优化。模型模拟采用了美国宾夕法尼亚州匹兹堡市的交通量数据。
背景
许多美国领导人建议，美国应该争取能源独立，而美国的交通部门仍然高度依赖燃料进口。根据美国能源情报署(Energy Information Administration)的数据，2011年，美国进口了大约42亿桶石油，占美国石油总消费量的45%，占交通运输业总消费量的65%。这些统计数字反映了一个不可持续的国家能源政策，尤其是考虑到相当大一部分依赖出口的国家外交政策不稳定。美国的运输加油基础设施向天然气的过渡是减少对石油燃料的依赖，从而减少进口石油的一个重要步骤。2011年，美国国内天然气消费量占天然气总消费量的85.8%，较上年增长1.5%。随着马塞勒斯页岩和尤蒂卡页岩的继续开发，美国国内天然气产量将进一步增长。由天然气汽车(ngv)主导的交通行业将为实现能源独立迈出一大步，但这并非ngv的唯一优势。
与汽油和柴油车相比，NGVs明显降低了一氧化碳、氮氧化物、非甲烷碳氢化合物、颗粒物和温室气体的排放。在运行过程中，ngv排放的颗粒物等污染物减少了60% - 90%，温室气体(GHGs)[3]减少了30% - 40%。虽然NGV转换系统和相对不成熟的NGV业务部门会带来额外的成本，但在车辆的运营方面可以实现可观的节约。天然气的燃料成本约为汽油和柴油[4]泵浦价格的四分之一。
天然气加气站基础设施的开发和建设是一个关键的变革，它将启动从液态化石燃料向更清洁的天然气运输燃料的长期转型，可能通过现场蒸汽甲烷改造，促进未来向氢燃料的转型。天然硬膜气体是一种从地下井中提取的化石燃料，它反过来又增加了大气中总碳的含量，但是可再生天然气(RNG)可以用更少的碳再排放来生产，并且可以作为天然气的直接替代品。RNG，又称沼气，在化学性质上与化石天然气相同，可以通过多种方式生产，包括固定床反应器、流化床反应器、厌氧消化器和垃圾填埋气体收集[5]。用于生产RNG的原料是有机物，因此在存在之前是一个碳汇222
加工成提高。阿贡国家实验室估计，与石油汽油相比，在每兆焦耳[6]的基础上，生产以厌氧消化器为基础的压缩天然气的温室气体排放量减少了81-91%。RNG的另一个优点是，传统上允许从有机物的自然分解过程中产生的气体排放到大气中，但是通过收集和用作燃料，部分提取的天然气可以被RNG取代。未来氢作为一种运输燃料的潜在用途，可以利用现有的天然气基础设施，将进一步减少车辆运行期间的温室气体排放量为零。天然气加气站和基础设施可以通过现场蒸汽甲烷改造，为天然气加气站最终转化为氢气提供一个自然过渡。目前美国生产的氢95%是通过天然气重整生产的，而且有可能在加油站进行现场重整;因此，一个加油站可以提供天然气和氢气，以缓解向氢经济的过渡。
介绍
从传统燃料向替代燃料的过渡是未来能源消耗和温室气体减排的一个重要课题。许多研究都集中在这一转变上，以及加油站对这一转变的重要性[9-12]。替代燃料加气站的选址将在化石燃料向替代燃料过渡的成功中发挥重要作用，特别是在过渡初期。加油地点的优化取决于许多变量，但最终的目标是使加油站尽可能容易接近消费者。
确定加油站和其他消费设施的最佳位置并不是一个新课题。多个研究小组开发了经典的定位模型。设施选址模型是经典选址模型的一个子类，主要关注与公共设施和零售店相关的最优选址[13 - 16]。经典位置建模的另一个子范畴是覆盖模型，其主要目标是优化设施系统的位置。覆盖模型的重点要么是最小化“覆盖”需求所需的位置数量，要么是最小化覆盖区域之间的距离[17-19]。使用最广泛的模型之一的燃料补给站位置优化p-median模型,在模型选择地点为一系列的设施(p),然后喂——cates需求节点(i)设施(j)最小化的目标的距离从消费者到设施(20、21)。Good- child等将p-中值模型应用于加油站，Goodchild和Noronha[22]、Nicholas和Ogden[23]、Nicholas等将p-中值模型应用于替代加油站。Lin等人开发了一种类似于p-中值模型的方法，但侧重于这样一个概念:“开车越多，越有可能需要加油。”Lin等人开发的燃料回程方法只需要车辆行驶里程(VMT)空间分布[25]的数据。沿着道路网络的任何一个点都可以作为一个可能的加油地点，其中的概率是车辆行驶里程分布或油耗的函数。其目的是尽量缩短消费者到达加油站的时间。尼古拉斯曾建议“人口-交通”指标与燃料销售的相关性比
充气站[-]。加油流模型假设，如果车辆通过一个节点(用于表示加油站)，该节点将捕获车辆流。车辆的起点可能离节点很近，也可能离节点很远，就像车辆在长途旅行中多次加油一样。流量加油模型解释了在接近节点停车的可能性与在更接近节点停车的可能性之间的差异。与基于流量的需求模型不同，本研究利用了一个距离加油站的覆盖半径，其中高斯分布代表了每个加油站的有效覆盖范围。位于补给站覆盖半径内的车辆，其在补给站加油的概率由高斯分布定义。汽车离车站越近，就越有可能在那里加油。
我们开发的模型同时优化了给定地理区域内任意给定数量的加油站的站点位置，因此每个站点的位置会改变相邻站点之间可用的交通量。加油站的位置有效地向最优配置演化。这样，计算时间与加油站数量近似成线性关系，我们的模型可以同时有效地优化大量加油站的位置。
方法
目前的模型采用蒙特卡罗算法对一定数量的加油站进行优化定位。然后同时优化所有加油站的位置。这里我们假设加油站的最佳位置将接近交通密度。虽然加油站的最佳位置无疑将取决于社会经济因素和石油加油站的存在，但为了简单起见，这里我们将重点放在交通量上，以展示我们的技术。特别是，我们将匹兹堡地区离散到800 - 800网格上(面积为80 - 80公里)2 用100 m空间离散化)，定义每个离散空间区域内所有车辆的行驶里程(VMT)。匹兹堡周围道路的位置和每年的平均交通流量是从宾夕法尼亚运输部(PennDOT)获得的。我们考虑每个网格段的平均交通流量，并将所有道路组合起来，得到该网格点内行驶的平均距离。如图1a所示为该交通流的游览图，图中清晰地显示了匹兹堡地区的交通主干道，图的中心是匹兹堡市中心。
times;
接下来，我们考虑这个地区某个加油站的覆盖范围。为了简单起见，我们假设加油站的cov- erage是以加油站位置为中心的高斯函数(这种二维高斯函数见图1a顶部插图)。换句话说，靠近这个加油站的交通流量被认为可以进入加油站，但是加油站提供的覆盖范围将会减少
与距离。取交通流F(x,y)为第i个加油站C的高斯覆盖i x;y，通过fol-表达式为加油站的入口
eth; THORN;
eth; THORN;
我
人口和VMT[26]。
另一类重要的模型在加油领域
U车站选址是基于流量的需求模型。这些模型检查多个位置或节点之间的流路径。基于流程的模型已被用于确定便利店、广告牌、自动柜员机和所有加油站的总和。Ci x;y在分子中包含了两次，一次作为C的优化的一部分i x;y F x;第二次要考虑的是，一些交通也可能被附近的加油站所覆盖。重新再我们模型中的加油站可能会超出它所在的网格点，并且相邻网格点的加油站覆盖率会随着距离的增加而减小。因此，ac- cess的定义必须是这样的:如果两个(或两个以上)加油站向同一个网格点提供部分覆盖，那么覆盖的总和不会超过100%的覆盖。特别地，如果一个网格点从两个不同的站点获得相同的cov- erage份额，那么覆盖范围就不应该从一个加油站增加。图1 b描述了覆盖从两个邻近的加油站(高斯形式)的访问,我们定义Eq。(1)。请注意,访问一个加油站将保持相同的给定函数定义在情商。(1),但是当两个加油站接近一起访问不会增加之外,由于一个加油站。事实上，由于邻近加油站的覆盖范围重叠，我们的功能可能会导致访问权限略有下降。未来的工作将研究访问的不同功能定义，以评估这种功能形式的重要性。注意，为访问所选择的函数形式(参见Eq.(1))假定，如果添加了一个额外的加油站，那么具有加油站访问权限的司机不会增加访问权限，当然，除非加油站离得更近一些。换句话说，我们假设司机会选择访问一个站点或另一个站点，但是不允许司机同时选择两个站点。
这一衡量当地通行能力的指标是对所有空间进行汇总，以确定总通行能力，我们寻求在整个匹兹堡地区建立加油站，使总通行能力最大化。特别地，我们使用蒙特卡洛阿尔戈-里塞姆优化加油站的布局。
蒙特卡罗算法从分布在地理区域内的加油站开始。一个随机选择的加油站试图基于上述规定的总入口移动。如果试图移动增加了我们的措施到塔尔访问，那么移动是可以接受的，加油站改变位置。但是，如果尝试的移动减少了对tal的访问，那么仍然可以接受该移动。
其中k为参数，为更有效地优化布局而逐渐增加，DU为总访问量的变化量(为负)，RND为0;1是0到1之间的一个随机数。优化运行100,000蒙特卡罗步骤(MCS)，其中MCS被定义为试图移动随机选择的燃料
frac12; ]
加油站的数量是系统中加油站数量的几倍。参数k从0增加到10—5 超过50,000微克，并维持在110—5 另外5万MCS。这样，加油站在优化开始时就能快速移动，因为总交流流量的变化不会影响一次尝试移动的接受率。然而，随着优化的进行(和k的增加)，接受率随着降低总接受度的移动而降低，不太可能被接受。对于优化的后半部分，试图减少总访问的操作不太可能成功。得到了加油站分布的统计优化结果，并对各加油站的加油站位置进行了统计优化。请注意蒙特卡罗方法是一种统计优化方法，因此，加油站的位置可以随着方法的收敛而波动。换句话说，我们通过允许加油站在整个系统中自由移动来开始优化，但是越来越多的人倾向于增加通道的移动。因此，如果一个加油站可以在两个不同的位置获得相同的访问权限，那么它就可以在优化过程中在这两个不同的位置之间跳转。此外，即使我们获得了统计上的最优分布，加油站仍然可以在多个位置花费不同数量的蒙特卡罗步骤。因此，当使用蒙特卡罗方法来表示多个蒙特卡罗步骤的平均结果而不是优化得到的单一快照时，它是通用的。这里给出的量平均超过1000个蒙特卡罗步骤。
times;
times;
回想一下，加油站的位置是同时优化的，而不是顺序优化的。换句话说，如果我们优化了一个加油站的位置，然后再次进行优化，但是有两个加油站，两个加油站都不需要位于只优化一个加油站的位置。然而，如果需要，我们的模型当然可以考虑现有的天然气加油站。我们现在应用我们的模型，并研究优化分配加油站在匹兹堡地区。特别考虑了加油站数量变化的影响和高斯分布的标准差Ci，这是由于加油站的地方覆盖特点。
结果
利用蒙特卡罗模型，研究了匹兹堡地区加油站布局的优化问题。回想一下，在我们的模型中加油站提供的覆盖范围
T.L. Kerzmann等/可持续能源技术与评估7
部区域内的流量，取高斯(正态)分布。换句话说，加油站所提供的覆盖范围在加油站的位置是最大的，但随着距离加油站位置的距离的函数而减小。这个高斯分布就是这种形式xi yi是第i个加油位置的x坐标和y坐标，r是分布的标准差。在这里,我们
!
考虑增加这个dis的标准差的影响
分别。随着标准差的增大，加油站所覆盖的面积也越来越大。此外，加油站变得更加分散。在图2c中，当地通往加油站的交通几乎覆盖了整个匹兹堡地区。
为了描述加油站的分布特征，我们在图3中描述了集群的数量作为截止度的函数(相邻加油站之间的距离可以被认为是在同一集群中)。也就是说，如果一个给定的截止距离内的加油站可以聚集在一个簇内，则图3为不同标准差下的簇数与截止距离的函数关系。当截止距离较小时，则没有一个加油站聚在一起，而集群的数量与加油站的数量相同(每个加油站都是自己的集群)。然而，当我们增加截止距离时，系统中的集群数量会急剧过渡到少数集群，因为大多数(最终是所有)的集群都被认为是更大集群的一部分。这种转变使人们对加油站的分布有了有趣的了解。特别是当高斯分布的标准差增大时，过渡发生在较大的截止距离上，这反映了标准差越大的覆盖范围越分散。对于一个标准偏差为1公里的切割- 225
2
距离约为2.5 km，但随着标准偏差的增加——先是增加到1 km，后来增加到2 km，截止距离分别增加到约4 km和6 km。当然，这些截止距离不仅取决于标准偏差，还取决于匹兹堡地区道路结构的任何固有长度。
为了进一步分析加油站分布的聚类效应
全文共17298字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[746]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
