CN108562300A - 考虑目的地导向及下一行程用电需求的电动汽车充电引导方法 - Google Patents

Abstract

一种考虑目的地导向及下一行程用电需求的电动汽车充电引导方法，通过搭建电动汽车充电引导***信息交互网络，获得交通网络、充电站及电动汽车的实时信息，并分别从用户和充电站角度出发，重点考虑电动汽车到达目的地的便捷性及到达目的地后的下一行程用电需求，综合电动汽车的距离成本、时间成本及充电站设备利用均衡率，建立充电引导***决策模型，并采用自适应变异粒子群求解，得到电动汽车最优充电引导方案。本方法可有效地减少电动汽车从起始地经充电站到最终目的地的总时间成本、总距离成本，同时可兼顾充电站容量及车主出行需求，并且很好地解决车主在到达目的地后因电量不足而无法到达附近充电站充电，影响电动汽车下一行程续航的问题。

Description

考虑目的地导向及下一行程用电需求的电动汽车充电引导 方法

技术领域

本发明涉及电动汽车充电引导方法，特别是一种考虑目的地导向及下一行程用电需求的电动汽车充电引导方法，属于电动汽车充电引导技术领域。

背景技术

近年来，我国新能源汽车产业发展迅速，新能源汽车市场需求螺旋式上升，2016年50万辆、2017年80万辆、2018年将超100万辆以上。为落实《节能与新能源汽车产业发展规划(2012-2020年)》以及国务院《关于加快新能源汽车推广应用的指导意见》《关于加快电动汽车充电基础设施建设的指导意见》等提出的任务，国家重点研发计划启动实施“新能源汽车”重点专项，旨在继续深化实施新能源汽车“纯电驱动”技术转型战略，建立起完善的电动汽车科技创新体系，支撑大规模产业化发展。可以预见，到2020年，充电服务市场的统一开放和竞争有序将能得到保证，电动汽车接入电网(vehicle to grid，V2G)已经成为我国未来电网发展的必然趋势。而电动汽车的大规模接入，将给电力***规划和运行带来不可忽视的影响。同时，电动汽车的充电选择，也将成为交通网和电力网的一个影响因素。显然，建立一个有效的充电引导模型，实现对车辆的有序充电引导，是未来大规模电动汽车并网的基础和保障。然而现有的电动汽车充电引导相关研究都侧重于电动汽车到充电站的距离、时间最优，较少结合用户行为特性，考虑电动汽车充电完成后从充电站出发到目的地的便捷性以及电动汽车到达目的地后的下一行程用电需求。因此，建立一种考虑目的地导向及下一行程用电需求的电动汽车充电引导方法，分别从用户和充电站角度出发，考虑电动汽车的距离成本、时间成本及充电站设备利用均衡率，兼顾用户到达目的地后的下一行程用电需求，以实现充电引导***决策，对未来电动汽车的大规模普及具有重要意义。

发明内容

本发明的目的是提供一种下一目的地导向下的电动汽车充电引导方法，旨在分别从用户和充电站角度出发，考虑电动汽车的距离成本、时间成本及充电站设备利用均衡率，兼顾用户便捷性，以实现充电引导***最优决策。

本发明的实现：一种下一目的地导向下的电动汽车充电引导方法，通过搭建电动汽车充电引导***信息交互网络，获得交通网络(交通网络指的是路网交通信息，并非信息网络，是信息网络中所包含的一部分信息，指路网机构及道路拥堵情况等道路信息)、充电站及电动汽车的实时信息，并分别从用户和充电站角度出发，考虑电动汽车的目的地和下一行程用电需求，通过电动汽车的距离成本、时间成本及充电站设备利用均衡率，来刻画充电引导***决策模型；并采用自适应变异的粒子群优化算法，对充电引导模型进行求解，最终得到电动汽车最优引导方案；包括如下步骤：

(1)获得区域路网结构信息，包括：区域内各路网节点数A；主要路段数B；第i个路网节点的横坐标x_i与纵坐标y_i；区域内的充电站数量K；第k个充电站的横坐标x_k与纵坐标y_k；第k个充电站的充电机台数c_k；第k个充电站电动汽车平均到达率的泊松分布参数λ_k；

(2)输入其他采集信息，包括：预约充电的电动汽车数量M；第m辆电动汽车平均充电功率P_m；第m辆电动汽车平均速度v_m，服务区域内所有电动汽车的平均行驶速度第m辆电动汽车的起始位置信息z_m,s和第m辆电动汽车的终点位置信息z_m,d；

(3)建立目的地导向及考虑下一行程用电需求的电动汽车充电引导***决策模型：

以电动汽车距离成本最小F₁、时间成本最小F₂和充电站设备利用均衡率最优F₃为优化目标，采用线性加权求和法对其进行归一化处理，得到综合最优目标函数：

其中：F_1max，F_2max和F_3max分别为优化前电动汽车选择到其对应充电站进行充电时的目标函数值；α₁、α₂和α₃为权重系数，满足α₁+α₂+α₃＝1；

考虑电动汽车m初始荷电状态下可行驶的最大距离大于其前往充电站k的距离L_1,mk：

考虑电动汽车m在目的地d荷电状态下的续航里程S_m大于其从目的地d到最近的下一充电站q之间的距离L_m,dq：

S_m>L_m,dq (3)

设定每辆车只能选择一个充电站进行充电：

其中：x_mk为充电标识变量，当第m辆电动汽车前往第k个充电站进行充电时，x_mk为1，否则为0。

设定每辆车在充电站时电量都会充满，即电池达到最大荷电状态。

(4)采用基于自适应变异的粒子群优化算法，对目的地导向及考虑下一行程用电需求的电动汽车充电引导***决策模型行求解，得到电动汽车的最优充电引导方案。

与现有技术相比，本发明的有益效果是：

采用本发明的方法，能在实现充电站间的设备利用率均衡分布的同时，有效减少电动汽车经充电站到最终目的地的总时间成本、总距离成本，同时兼顾了充电站容量及车主出行需求，并且解决了车主在到达目的地后因电动汽车电量不足而无法到达附近充电站进行充电，影响下一行程的出行问题，更符合电动汽车车主出行时对充电站选择的实际情况，增添了车主用车的便捷性。

附图说明

图1为基于自适应变异的粒子群优化算法求解电动汽车充电引导***模型的流程图。

图2为区域内路网结构示意图。

具体实施方式

在实际应用中采用的步骤如下：

(1)获得区域路网结构信息，包括：区域内各路网节点数A；主要路段数B；第i个路网节点的横坐标x_i与纵坐标y_i；区域内的充电站数量K；第k个充电站的横坐标x_k与纵坐标y_k；第k个充电站的充电机台数c_k；第k个充电站电动汽车平均到达率的泊松分布参数λ_k；

(2)输入其他采集信息，包括：预约充电的电动汽车数量M；第m辆电动汽车平均充电功率P_m；第m辆电动汽车平均速度v_m，服务区域内所有电动汽车的平均行驶速度第m辆电动汽车的起始位置信息z_m,s和第m辆电动汽车的终点位置信息z_m,d；

(3)建立目的地导向及考虑下一行程用电需求的电动汽车充电引导模型：

以电动汽车距离成本最小F₁、时间成本最小F₂和充电站设备利用均衡率最优F₃为优化目标，采用线性加权求和法对其进行归一化处理，得到综合最优目标函数：

其中：F_1max，F_2max和F_3max分别为优化前电动汽车选择到其对应充电站进行充电时的目标函数值；α₁、α₂和α₃为权重系数，满足α₁+α₂+α₃＝1；

以电动汽车距离成本最小为目标的目标函数F₁为：

其中：M为区域内电动汽车数量，K为区域内充电站数量；x_mk为充电标志变量，当第m辆车前往第k个充电站进行充电时，x_mk为1，否则为0；L_1,mk为第m辆电动汽车从起始点至第k个充电站的最短路径，L_2,mk为第m辆电动汽车在第k充电站充电完成后至目的地d的距离；

L_1,mk通过弗洛依德最短路径算法求得：

其中：为第m辆电动汽车行驶至充电站k所经过的各路段长度；为各路段长度所对应的道路加权系数，反映该路段实际的曲折程度、拥堵情况。

L_2,mk通过弗洛依德最短路径算法求得：

其中：为第m辆电动汽车从充电站k前往目的地d所经过的各路段长度；为各路段长度对应的道路曲折系数。

电动汽车的时间成本主要由路上行驶的时间成本和在充电站花费的时间成本构成：包括电动汽车m到达充电站的时间成本T_1,mk，从充电站前往目的地的时间成本T_2,mk，在充电站的排队等待时间成本T_w,k和在充电站的充电服务时间成本T_c,mk；

以电动汽车时间成本最小为目标的目标函数F₂为：

其中：M为区域内电动汽车数量，K为区域内充电站数量，x_mk为充电标识变量，T_1,mk通过电动汽车m在对应路程的距离L_1,mk与行驶速度v_m的比值得到：

其中：L_1,mk为第m辆电动汽车至第k充电站的最短路径距离；

T_2,mk由对应路程距离L_2,mk与行驶速度v_m的比值得到：

其中：L_2,mk为第m辆电动汽车从第k充电站至目的地d的最短路径距离。

充电站的排队***属于M/G/k排队模型，电动汽车m在充电站k的充电服务时间T_c,mk服从期望为μ，方差为σ²的正态分布：

T_c,mk～N(μ,σ²) (8)

电动汽车m在充电站k的平均排队等待时间T_w,k为：

其中：j为循环变量，ρ_k＝λ_kμ为第k个充电站的排队***的服务强度，c_k为第k个充电站的充电机台数，其成立的条件是c_k＞ρ_k。

以设备利用均衡率最优为目标的目标函数F₃为：

其中：M为区域内电动汽车数量，K为区域内充电站数量，x_mk为充电标识变量。

考虑电动汽车m在初始荷电状态下可行驶的最大距离大于其前往充电站的距离L_1,mk：

其中：为电动汽车m在初始荷电状态SOC_m,s下的最大续航里程，L_1,mk为第m辆电动汽车从起始点至第k充电站的最短距离。

其中：η为能量等效系数，主要是考虑电动汽车加速和减速过程中引起的能量损失；SOC_m,s为电动汽车m在起始点的荷电状态；为最大电荷状态时电动汽车m的最大续航里程；SOC_c为电动汽车考虑充电的最低充电阈值。

考虑电动汽车m在目的地d荷电状态下的续航里程S_m大于其从目的地d到最近的下一充电站q之间的距离L_3,m：

S_m＞L_3,m (13)

S_m为第m辆电动汽车在目的地d荷电状态下的续航里程：

其中L_2,mk为第m辆电动汽车在第k充电站至目的地d的距离。

L_3,m通过弗洛依德最短路径算法求得：

其中：为从目的地d到附近最近的下一充电站q所经过的各路段长度；

为各路段对应的道路曲折系数。

设定每辆车只能选择一个充电站进行充电：

设定每辆车在充电站时电量都会充满，即电池达到最大荷电状态。

(4)采用基于自适应变异的粒子群优化算法，对目的地导向及考虑下一行程用电需求的电动汽车充电引导模型进行求解，得到电动汽车最优充电引导方案，求解流程图见图1。具体步骤如下：

Step1.根据步骤(1)(2)所述，输入电动汽车信息、充电站信息、路网信息，以及初始化粒子群的种群信息，包括种群大小，粒子变量等；

Step2.令总的迭代次数为T，当前迭代次数为t＝0；

Step3.计算初始化粒子群的当前优解和全局优解；

Step4.当前迭代次数加1：t＝t+1；

Step5.更新粒子的速度与位置；

Step6.检验是否满足步骤(3)所述的约束条件，若不满足，则检验迭代次数是否达到T；若满足，则计算粒子适应度值；

Step7.检验粒子适应度值是否优于当前个体极值和群体极值，若是，则更新个体优解和全局优解；若不是，则检验迭代次数是否达到T；

Step8.在Step6与Step7中检验迭代次数是否达到T后，若是，则输出当前粒子，当前粒子即为最优引导方案；若不是，则进行Step9；

Step9.计算粒子的适应度方差和变异概率，并根据随机数决定是否变异，对粒子进行修正；

Step10.重复Step4到Step9，直到迭代次数达到T，得到电动汽车最优充电引导方案。

实施例

以如图2所示的区域路网结构及充电站布局为例，该区域内共有36个路网节点、60×2段主要路段、7个充电站和100辆需要充电的电动汽车，图中节点处标注的数值7～35为路网节点序号，0～6为区域内7个充电站。表头中的X和Y分别表示各路口节点在该区域中的横坐标和纵坐标。充电站的横纵坐标坐标、充电机台数、泊松分布参数如表1所示。60×2段主要路段的曲折系数设定值如表2所示。

表1充电站信息

表2路段曲折系数

设置该区域内共100辆电动汽车需要接受充电服务。电动汽车的平均充电功率30kW。车辆平均速度30kM/h。用户在充电站充电的服务时间服从期望μ＝20min，方差为σ＝5min的正态分布。目标函数中的权系数α₁、α₂、α₃均为1/3。

采用基于自适应变异的粒子群优化算法，求解流程见图1，对下一目的地导向下的电动汽车充电引导***模型进行求解，最终得到100辆电动汽车选择充电站的优化方案如表3：

表3电动汽车的起点、终点及充电站选择结

Claims (6)

1.一种考虑目的地导向及下一行程用电需求的电动汽车充电引导方法，其特征在于，通过搭建电动汽车充电引导***信息交互网络，获得交通网络、充电站及电动汽车的实时信息，并分别从用户和充电站角度出发，考虑电动汽车的目的地和下一行程用电需求，通过电动汽车的距离成本、时间成本及充电站设备利用均衡率，来刻画电动汽车充电引导***决策模型；采用自适应变异的粒子群优化算法，对充电引导***决策模型进行求解，最终得到电动汽车最优引导方案；包括如下步骤：

(1)获得区域路网结构信息，包括：区域内各路网节点数A；主要路段数B；第i个路网节点的横坐标x_i与纵坐标y_i；区域内的充电站数量K；第k个充电站的横坐标x_k与纵坐标y_k；第k个充电站的充电机台数c_k；第k个充电站电动汽车平均到达率的泊松分布参数λ_k；

(2)输入其他采集信息，包括：预约充电的电动汽车数量M；第m辆电动汽车平均充电功率P_m；第m辆电动汽车平均速度v_m，服务区域内所有电动汽车的平均行驶速度第m辆电动汽车的起始位置信息z_m,s和第m辆电动汽车的终点位置信息z_m,d；

(3)建立目的地导向及考虑下一行程用电需求的电动汽车充电引导***决策模型：

以电动汽车距离成本最小F₁、时间成本最小F₂和充电站设备利用均衡率最优F₃为优化目标，采用线性加权求和法对其进行归一化处理，得到综合最优目标函数：

其中：F_1max，F_2max和F_3max分别为优化前电动汽车选择到其对应充电站进行充电时的目标函数值；α₁、α₂和α₃为权重系数，满足α₁+α₂+α₃＝1；

考虑电动汽车m初始荷电状态下可行驶的最大距离大于其前往充电站k的距离L_1,mk：

考虑电动汽车m在目的地d荷电状态下的续航里程S_m大于其从目的地d到最近的下一充电站q之间的距离L_m,dq：

S_m>L_m,dq (3)

设定每辆车只能选择一个充电站进行充电：

其中：x_mk为充电标识变量，当第m辆电动汽车前往第k个充电站进行充电时，x_mk为1，否则为0；

设定每辆车在充电站时电量都会充满，即电池达到最大荷电状态；

(4)采用基于自适应变异的粒子群优化算法，对目的地导向及考虑下一行程用电需求的电动汽车充电引导***决策模型行求解，得到电动汽车的最优充电引导方案。

2.根据权利要求1所述的考虑目的地导向及下一行程用电需求的电动汽车充电引导方法，其特征在于所述步骤(3)中电动汽车充电引导***决策模型的距离成本目标函数刻画方法：

以电动汽车距离成本最小为目标的目标函数F₁为：

其中：M为区域内电动汽车数量，K为区域内充电站数量；x_mk为充电标志变量，当第m辆车前往第k个充电站进行充电时，x_mk为1，否则为0；L_1,mk为第m辆电动汽车从起始点至第k个充电站的最短路径，L_2,mk为第m辆电动汽车在第k充电站充电完成后至目的地d的距离；

L_1,mk通过弗洛依德最短路径算法求得：

其中：为第m辆电动汽车行驶至充电站k所经过的各路段长度；为各路段长度所对应的道路加权系数，反映该路段实际的曲折程度、拥堵情况；

L_2,mk通过弗洛依德最短路径算法求得：

其中：为第m辆电动汽车从充电站k前往目的地d所经过的各路段长度；为各路段长度对应的道路曲折系数。

3.根据权利要求1所述的考虑目的地导向及下一行程用电需求的电动汽车充电引导方法，其特征在于，所述步骤(3)中电动汽车充电引导***决策模型的时间成本目标函数刻画方法：

电动汽车的时间成本主要由路上行驶的时间成本和在充电站花费的时间成本构成：包括电动汽车m到达充电站的时间成本T_1,mk，从充电站前往目的地的时间成本T_2,mk，在充电站的排队等待时间成本T_w,k和在充电站的充电服务时间成本T_c,mk；

以电动汽车时间成本最小为目标的目标函数F₂为：

其中：M为区域内电动汽车数量，K为区域内充电站数量，x_mk为充电标识变量，T_1,mk通过电动汽车m在对应路程的距离L_1,mk与行驶速度v_m的比值得到：

其中：L_1,mk为第m辆电动汽车至第k充电站的最短路径距离；

T_2,mk由对应路程距离L_2,mk与行驶速度v_m的比值得到：

其中：L_2,mk为第m辆电动汽车从第k充电站至目的地d的最短路径距离；

充电站的排队***属于M/G/k排队模型，电动汽车m在充电站k的充电服务时间T_c,mk服从期望为μ，方差为σ²的正态分布：

T_c,mk～N(μ,σ²) (11)

电动汽车m在充电站k的平均排队等待时间T_w,k为：

其中：j为循环变量，ρ_k＝λ_kμ为第k个充电站的排队***的服务强度，c_k为第k个充电站的充电机台数，其成立的条件是c_k＞ρ_k。

4.根据权利要求1所述的考虑目的地导向及下一行程用电需求的电动汽车充电引导方法，其特征在于，所述步骤(3)中电动汽车充电引导***决策模型的设备利用均衡率目标函数刻画方法：

以设备利用均衡率最优为目标的目标函数F₃为：

其中：M为区域内电动汽车数量，K为区域内充电站数量，x_mk为充电标识变量，P_m为第m辆电动汽车平均充电功率。

5.根据权利要求1所述的考虑目的地导向及下一行程用电需求的电动汽车充电引导方法，其特征在于，所述步骤(3)中电动汽车的续航里程与路程的约束关系的刻画：

考虑电动汽车m在初始荷电状态下可行驶的最大距离大于其前往充电站的距离L_1,mk：

其中：为电动汽车m在初始荷电状态SOC_m,s下的最大续航里程，L_1,mk为第m辆电动汽车从起始点至第k充电站的最短距离；

其中：η为能量等效系数，主要是考虑电动汽车加速和减速过程中引起的能量损失；SOC_m,s为电动汽车m在起始点的荷电状态；为最大电荷状态时电动汽车m的最大续航里程；SOC_c为电动汽车考虑充电的最低充电阈值；

考虑电动汽车m在目的地d荷电状态下的续航里程S_m大于其从目的地d到最近的下一充电站q之间的距离L_3,m：

S_m＞L_3,m

(16)

S_m为第m辆电动汽车在目的地d荷电状态下的续航里程：

其中L_2,mk为第m辆电动汽车在第k充电站至目的地d的距离；

L_3,m通过弗洛依德最短路径算法求得：

其中：为从目的地d到附近最近的下一充电站q所经过的各路段长度为各路段对应的道路曲折系数。

6.根据权利要求1所述的考虑目的地导向及下一行程用电需求的电动汽车充电引导方法，其特征在于，所述步骤(4)中采用的基于自适应变异的粒子群优化算法，具体步骤如下：

Step1.根据步骤(1)、(2)所述，输入区域路网结构信息和其他采集信息，以及初始化粒子群的种群信息，包括种群大小，粒子变量；

Step2.令总的迭代次数为T，当前迭代次数为t＝0；

Step3.计算初始化粒子群的当前优解和全局优解；

Step4.当前迭代次数加1：t＝t+1；

Step5.更新粒子的速度与位置；

Step6.检验是否满足步骤(3)所述的约束条件，若不满足，则检验迭代次数是否达到T；若满足，则计算粒子适应度值；

Step7.检验粒子适应度值是否优于当前个体极值和群体极值，若是，则更新个体优解和群体优解；若不是，则检验迭代次数是否达到T；

Step8.在Step6与Step7中检验迭代次数是否达到T后，若是，则输出当前粒子，当前粒子即为最优引导方案；若不是，则进行Step9；

Step9.计算粒子的适应度方差和变异概率，并根据随机数决定是否变异，对粒子进行修正；

Step10.重复Step4到Step9，直到迭代次数达到T，得到电动汽车充电引导方案。