CN117906630A - 一种减少用户等待时间的自适应电动汽车路径规划方法 - Google Patents
一种减少用户等待时间的自适应电动汽车路径规划方法 Download PDFInfo
- Publication number
- CN117906630A CN117906630A CN202410079329.5A CN202410079329A CN117906630A CN 117906630 A CN117906630 A CN 117906630A CN 202410079329 A CN202410079329 A CN 202410079329A CN 117906630 A CN117906630 A CN 117906630A
- Authority
- CN
- China
- Prior art keywords
- charging
- time
- charging station
- electric vehicle
- waiting time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000007600 charging Methods 0.000 claims abstract description 524
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000005265 energy consumption Methods 0.000 claims description 26
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000010280 constant potential charging Methods 0.000 claims description 10
- 238000010281 constant-current constant-voltage charging Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000002243 precursor Substances 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims 1
- 230000035699 permeability Effects 0.000 description 24
- 238000002474 experimental method Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 241000540325 Prays epsilon Species 0.000 description 1
- 241000135164 Timea Species 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3469—Fuel consumption; Energy use; Emission aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种减少用户等待时间的自适应电动汽车路径规划方法,首先,提出了一种使用收缩层次结构的多目标最短路径搜索算法,为了进一步减少计算量,预先计算了已知充电站之间的最短路径树;然后建立充电站数据库,以帮助用户提前估算到达充电站后的等待时间,将其与本发明提出的自适应充电和路径规划策略结合能够显著减少用户的总出行时间;本发明将用户在充电站的平均等待时间减少了97%,而且,即使只有一小部分电动汽车使用了充电站数据库,也可以显著减少用户的等待时间,从而减少电动汽车的总出行时间。本发明应用于有效地减少电动汽车长途旅行时在充电站的等待时间。
Description
技术领域
本发明涉及电动汽车路径规划及动态选站技术领域,具体涉及一种减少用户等待时间的自适应电动汽车路径规划方法。
背景技术
电动汽车使用的电池容量正在不断增大,而且预计在未来几年仍会保持上升趋势。电池容量的增加再加上快速充电基础设施的发展,使得电动汽车更适应远距离行驶。然而,随着越来越多的电动汽车使用充电基础设施,用户在充电站的等待时间可能会不断增加,若其在行驶途中需要多次充电,那么漫长的等待时间将逐渐成为电动汽车出行的主要挑战。而充电基础设施又存在很大的异质性,例如在可用充电功率、位置和预计的等待时间等方面。因此,在行驶途中,对充电站的选择会显著影响用户的总出行时间。所以,亟需提出一个帮助用户规划行驶路径以及协调电动汽车充电的一体解决方案。
发明内容
本发明的目的在于提供一种减少用户等待时间的自适应电动汽车路径规划方法,解决用户在充电站等待时间过长,致使总出行时间变长的问题。
本发明的目的通过以下技术方案予以实现:
一种减少用户等待时间的自适应电动汽车路径规划方法,包括以下步骤:
步骤一:为协调电动汽车之间对充电站的访问,建立充电站数据库,充电站数据库估算电动汽车未来到达充电站的等待时间,供查询任何充电站和未来任何时间点的估算结果;
步骤二:采用收缩层次结构的多目标最短路径搜索算法,为减少计算量,在收缩层次结构的基础上,通过双向A*算法预先计算已知充电站之间的所有帕累托最优路径,形成最短路径树,即预先计算所有充电站之间的最短路径树,并将各路径的成本存储在查询表中以供多次使用;
步骤三:在已知充电站之间的最短路径树的基础上,通过A*算法搜索出发地与目的地之间的所有帕累托最优路径,通过自适应充电和路径规划方法找出所有帕累托最优路径中充电时间、行驶时间和等待时间总和最小的路径,使用户的总出行时间最短;同时,本发明建立了一个简化的能耗模型,用于估算电动汽车消耗的电量。
前述一种减少用户等待时间的自适应电动汽车路径规划方法,充电站数据库以电动汽车使用的充电桩以及使用充电桩的电动汽车离开时间获取充电站的当前利用率,定义所有充电站组成的集合为S,其中各充电站编号记为s,充电站s内的充电桩集合为Cs,其中各充电桩编号记为c;对于充电站s∈S的每个充电桩c∈Cs,将使用该充电桩的电动汽车的离开时刻记为对于空闲的充电桩,定义/>其中t0是用户进行搜索的时刻;
充电站数据库还包含所有充电站中的计划充电站P,其中各计划充电站编号记为p,每个计划充电站p∈P均由用户上传的到达时间和充电时间/>组成,充电起始时间/>取决于用户到达充电站的时间,如公式(6)所示,其中tstart是/>的函数,并根据/>计算得出充电起始时间/>如果加上充电时间,就可以得到电动汽车的离开时间/>
用户确定计划充电站之后将为其分配充电桩c∈CS,根据用户的到达时间该充电桩将按公式(3)以最快速度空出;其中,/>是/>的函数,其表示充电桩c在用户上传的到达时间为/>的情况下能空出的时刻;argmin表示找出使充电桩c∈CS中能最快空出的充电桩cp:
对路径的搜索会遍历充电站内的所有充电桩CS,从给定的到达时间开始,基于数据库中有关其他计划充电站的信息,可由函数计算得到充电桩c的空闲时间,如公式(5)所示;
若电动汽车在预计的到达时间tarr之前抵达计划充电站内的充电桩c,则将该计划充电站记为Pc(tarr):
将电动汽车到达时间为tarr的充电桩状态变为空闲的时刻定义为电动汽车离开该计划充电站的时间;若该充电桩正在使用,则将当前使用该充电桩的电动汽车的离开时间定义为:
其中,表示集合Pc(tarr)非空,此时将当前使用充电桩的电动汽车的离开时间设置为所有可用计划充电站集合中电动汽车的离开时间/>的最大值;若是集合Pc(tarr)非空外的其他情况,则当前使用该充电桩的电动汽车的离开时间为当前使用该充电桩的电动汽车的离开时刻;
充电起始时间可以从充电桩空闲的最早时间开始,但不能早于到达时间:
基于预估的到达时间计算充电起始时间/>从而计算等待时间/>如公式(7)、(8)所示;公式(7)中的tstart是/>的函数,表示在预估到达时间/>下的充电起始时间:
充电站数据库还以充电站每天每小时的平均利用率的形式存储关于充电站利用率的统计数据,通过定期查询充电站的当前使用情况,可以很容易地收集这些信息。为了在估算等待时间时考虑充电站的统计利用率,本文会定期添加一些短期的额外充电车辆,利用率为u且拥有n个充电桩的充电站添加额外充电车辆数据的周期T取决于电动汽车在充电站的充电时间tchr、充电站的利用率u和充电站内充电桩的数量n:
前述一种减少用户等待时间的自适应电动汽车路径规划方法,充电站数据库设定三个级别的路径更新时间:
等级1:行驶路径只在一开始计算一次,之后便不再更新,电动汽车仅与充电站数据库通信一次,用于估算等待时间并告知其计划的充电站;
等级2:电动汽车每到达一个充电站都会更新路线,并且可以选择跳过在充电站充电,除了初始路径的计算外,电动汽车还会在每个充电站与充电站数据库通信以计算当前的预估等待时间,如果与之前的估算有差异,则重新计算路线;如果计划的充电站因此发生变化,则必须告知充电站数据库;
等级3:路线可以在途中的任何时间点更新,即充电站数据库会告知电动汽车所有预估等待时间的变化,电动汽车需与充电站数据库保持通信;充电站数据库主动检查为电动汽车估算的等待时间,并在其发生变化时向用户发送更新后的信息;然后电动汽车会从当前位置重新计算路线,如果计划的充电站因此发生变化,则必须告知充电站数据库。
前述一种减少用户等待时间的自适应电动汽车路径规划方法,步骤二使用收缩层次结构的多目标最短路径搜索算法如下:
通过A*算法搜索满足目标时间和目标能耗的所有多目标最短路径,在每个节点保留一组帕累托标签集,其中每个标签包含所有目标的成本和该节点的前驱节点;
使用收缩层次结构来加速多目标最短路径搜索速度,收缩层次结构通过一个接一个地收缩图中的节点从而加快搜索速度,每个被收缩的节点都会被移除;如果该节点是两个相邻节点之间最短路径的一部分,在两个相邻节点之间添加一条捷径边以维持相邻节点之间的最短路径;每个节点根据收缩的顺序分配一个级别,较高的级别表示该节点是较晚被收缩的,并且其捷径边可能已取代了较低级别节点的捷径边;当搜索最短路径时,使用A*算法进行双向搜索,双方只遍历具有更高级别的节点,直到双方相遇。
前述一种减少用户等待时间的自适应电动汽车路径规划方法,步骤二中预先计算所有充电站之间的最短路径树方法如下:
最短路径树包含所有已探索节点的标签集;每个充电站创建两次最短路径树:一次向前探索,一次向后探索;
使用起始节点的前向探索树和目标节点的后向探索树,然后找出被前向探索树和后向探索树同时覆盖的节点,即两棵树中都具有帕累托标签集的节点,再为每个公共节点创建两个帕累托集的合集并删除其中所有非帕累托最优元素,每个集合包含通过该节点的从出发地到目的地的所有最短路径的成本和前驱节点,为了获得从出发地到目的地的所有帕累托最优最短路径的成本,将所有节点的集合结合起来并再次删除所有非帕累托最优元素。
前述一种减少用户等待时间的自适应电动汽车路径规划方法,步骤三建立能耗模型,估算电动汽车消耗的电量,用于计算用户的充电量;能耗模型:
式中,B为电动汽车的能耗;v为电动汽车的行驶速度。
前述一种减少用户等待时间的自适应电动汽车路径规划方法,步骤三建立充电模型,估算电动汽车充电时间,电池充电模型同时支持恒流-恒压和恒功率-恒电压两种充电协议;定义参数如下:充电站的最大充电功率为Pmax;电池的荷电状态记为soc,其范围为0≤soc≤1;在第一阶段恒流/恒功率,充电电压从低充电电压ulow=3.8V增加到高充电电压uhigh=4.2V,充电阶段切换发生在soc=0.8时;最大电流imax通过进行计算;
恒流-恒压充电方法的电流i(soc)、电压u(soc)以及功率pcc-cv(soc)根据电池的SOC计算如下:
pcc-cv(soc)=u(soc)·i(soc) (13)
恒功率-恒电压充电方法的功率pcp-cv(soc)通过以下公式计算:
每秒估算一次电量,并在荷电状态达到soc=0.99时停止充电。
与现有技术相比,本发明的有益效果是:
(1)本发明提出建立一个充电站数据库,来协调电动汽车之间对充电站的访问以减少用户的等待时间;
(2)本发明提出的多目标最短路径算法与收缩层次结构、最短路径树相结合,显著提升了计算速度;
(3)本发明提出的自适应充电和路径规划算法能够利用估算的等待时间使用户的总出行时间最小化。
附图说明
图1为充电站数据库关系图;
图2为等待时间估算示例;图2(a)为充电站当前使用情况(浅灰色)图,图2(b)为充电计划被添加至充电桩空闲时间(白色)图,图2为(c)短期额外充电车辆作为充电站历史使用情况添加至充电桩时间线(深灰色),图2(d)为用户等待时间图;
图3为使用预计算的最短路径树的查询示例;图3(a)为带有帕累托最优解集的最短路径树,图3(b)为(b)公共节点带有帕累托最优解集的前向最短路径树和后向最短路径树(实线:始于节点A的前向最短路径树;虚线:始于节点G的后向最短路径树),图3(c)为公共节点标签的合集与最终帕累托集;
图4为电动汽车出发时间分布图(周一至周五);
图5为具体实施例中的能耗模型与两种实际电动汽车能耗的比较;
图6为具体实施例中的恒流-恒压充电方法和恒功率-恒电压充电方法与测量数据的比较;图6(a)为恒流-恒压充电方法、恒功率-恒电压充电方法的充电时间与实际测量数据的比较,图6(b)为恒流-恒压充电方法、恒功率-恒电压充电方法的充电时间与实际测量数据的相对误差;
图7为具体实施例中的不同充电站数据库渗透率下所有车辆的总出行时间;
图8为具体实施例中的不同充电站数据库等级在不同充电站数据库渗透率下车辆的等待时间;
图9为具体实施例中的充电站数据库渗透率0%和100%时各充电站高峰时段(15时-18时)的平均利用率;
图10为具体实施例中的不同充电站数据库等级和不同充电站数据库渗透率下车辆的行驶时间;
图11为具体实施例中的不同充电站数据库等级和不同充电站数据库渗透率下车辆的充电时间;
图12为具体实施例中等级3的充电站数据库使用和不使用统计数据的等待时间对比;
图13为具体实施例中的自适应充电和路径规划策略与其他策略的比较(使用充电站数据库的等级3);图13(a)为不同充电站数据库渗透率下的总出行时间,图13(b)为在充电站数据库渗透率为30%和70%下的总出行时间。
具体实施方式
为了更好地理解本发明的目的、技术方案及技术效果,以下结合附图对本发明进行进一步的讲解说明。
一种减少用户等待时间的自适应电动汽车路径规划方法,包括以下步骤:
步骤一:建立一个充电站数据库(CSDB)并为其设定三个等级,以帮助用户提前估算到达充电站后的等待时间,然后将等待时间整合到本发明提出的自适应充电和路径规划策略中,以最大限度地减少电动汽车的总出行时间;
步骤二:提出一种使用收缩层次结构的多目标最短路径搜索算法,并且为了进一步减少计算量,在收缩层次结构的基础上,通过双向A*算法预先计算了已知充电站之间的所有帕累托最优路径,形成最短路径树,并将各路径的成本存储在查询表中以供多次使用;
步骤三:在已知充电站之间的最短路径树的基础上,通过A*算法搜索出发地与目的地之间的所有帕累托最优路径,通过自适应充电和路径规划策略找出所有帕累托最优路径中充电时间、行驶时间和等待时间总和最小的路径,使用户的总出行时间最短;同时,本发明建立了一个简化的能耗模型,用于估算电动汽车消耗的电量。
进一步地,步骤一具体包括以下步骤:
S11:为了协调电动汽车之间对充电站的访问,本发明提出使用充电站数据库,它可以估计电动汽车未来在充电站的等待时间,而等待时间又可以在之后用于规划电动汽车的路径。为了实现这一目标,电动汽车必须向充电站数据库告知其计划充电的充电站,同时数据库还可以获取有关充电站当前利用率的信息并存储有关过去利用率的统计数据。该充电站数据库方法的原理如图1所示。
与预约***相比,充电站数据库不需要与充电站运营商合作,它只需要从充电站获取关于充电站当前使用情况的信息,而关于这一信息许多运营商已经将其作为一项服务提供给潜在客户了。同时,该***也不需要每一辆电动汽车都参与其中才能发挥作用,即使只有部分用户参与也可以获得很好的效益。
除了能够与充电站配合使用外,充电站数据库在长途旅行中也具有潜在优势,当用户计划长途旅行时,可能会提前几个小时计划充电站,但由于交通拥堵等情况,用户到达充电站的时间可能会偏离最初计划的时间。对于预约***来说,偏离计划的到站时间是其面临的一个主要问题。而与一般预约***不同的是,充电站数据库只采集有关车辆充电意图的信息,并假设电动汽车按照先到先得的原则进行充电,这使得该***变得更加灵活,因为电动汽车早几分钟或晚几分钟到达充电站都无关紧要。这也意味着用户只需在行驶途中更改计划的充电站,并且充电站仍可以被未使用充电站数据库的车辆使用。
充电站数据库提供的主要服务是估算电动汽车未来到达充电站的等待时间,该估算是通过结合有关充电站的当前利用率、其他车辆的计划充电站以及充电站的统计利用率的数据得到的,而用户可以查询任何充电站和未来任何时间点的估算结果。
充电站数据库以电动汽车使用的充电桩以及使用充电桩的电动汽车离开的时间的形式来获取充电站的当前利用率。首先,定义所有充电站组成的集合为S,其中各充电站编号记为s,充电站s内的充电桩集合为Cs,其中各充电桩编号记为c;对于充电站s∈S的每个充电桩c∈Cs,将使用该充电桩的电动汽车的离开时刻记为对于空闲的充电桩,定义其中t0是用户进行搜索的时刻。
该数据库还包含所有充电站中的计划充电站P,其中各计划充电站编号记为p,每个计划充电站p∈P均由用户上传的到达时间和充电时间/>组成,充电起始时间/>取决于用户到达充电站的时间(如公式(6)所示),其中tstart是/>的函数,并根据/>计算得出充电起始时间/>如果加上充电时间,就可以得到电动汽车的离开时间/>
用户确定计划充电站之后将为其分配充电桩c∈CS,根据用户的到达时间该充电桩将按公式(3)以最快速度空出。其中,/>是/>的函数,其表示充电桩c在用户上传的到达时间为/>的情况下能空出的时刻;argmin表示找出使充电桩c∈CS中能最快空出的充电桩cp:
对路径的搜索会遍历充电站内的所有充电桩CS,因为充电桩数量不多,因此很快就能结束搜索;从给定的到达时间开始,基于数据库中有关其他计划充电站的信息,可由函数计算得到充电桩c的空闲时间(如公式(5)所示);
若电动汽车在预计的到达时间tarr之前抵达计划充电站内的充电桩c,则将该计划充电站记为Pc(tarr):
将电动汽车到达时间为tarr的充电桩状态变为空闲的时刻定义为电动汽车离开该计划充电站的时间;若该充电桩正在使用,则将当前使用该充电桩的电动汽车的离开时间定义为:
其中,表示集合Pc(tarr)非空,此时将当前使用充电桩的电动汽车的离开时间设置为所有可用计划充电站集合中电动汽车的离开时间/>的最大值;若是集合Pc(tarr)非空外的其他情况,则当前使用该充电桩的电动汽车的离开时间为当前使用该充电桩的电动汽车的离开时刻。
充电起始时间可以从充电桩空闲的最早时间开始,但不能早于到达时间:
对于预估的到达时间可以简单地计算充电起始时间/>从而计算等待时间如公式(7)、(8)所示。公式(7)中的tstart是/>的函数,表示在预估到达时间/>下的充电起始时间:
该充电站数据库还以充电站每天每小时的平均利用率的形式存储关于充电站利用率的统计数据,通过定期查询充电站的当前使用情况,可以很容易地收集这些信息。为了在估算等待时间时考虑充电站的统计利用率,本文会定期添加一些短期的额外充电车辆,而该周期T取决于电动汽车在充电站的充电时间tchr、充电站的利用率u和充电站内充电桩的数量n:
在仿真实验中,将tchr设置为一分钟,也就是说,要使拥有两个充电桩的充电站的利用率达到25%,我们需要每两分钟添加一次额外的充电车辆。图2是对添加了额外充电车辆的等待时间估算的例子,其中图(a)的浅灰色部分表示当前充电桩的使用情况,图中表示当前充电车辆离开该充电站的时间;图(b)的白色部分表示用户将在当前车辆离开充电站后在计划充电站的该充电桩进行充电,其中/>表示用户抵达该充电站的时间,箭头部分为用户的等待时间,/>为用户的充电起始时间,/>为用户离开计划充电站的时间;图(c)的深灰色部分为充电站数据库根据该充电站的统计数据在充电桩的时间线上按照一定周期添加一些额外的充电车辆数据,以模拟真实充电情况,同时提高预估等待时间的准确性;图(d)的箭头表示充电站数据库计算出的电动汽车在充电站的等待时间。
S12:由于充电站数据库的使用不是强制性的,因此并不是所有的电动汽车都会向它告知他们想去的充电站。这就产生了一个潜在的问题,即不使用充电站数据库的电动汽车在未告知充电站数据库的情况下访问充电站,这可能会导致充电站数据库在估算等待时间时产生较大误差。为解决该问题,其中一个方法是利用充电站利用率的统计数据使估算的等待时间更加准确,因为它是在过去充电站利用率的基础上得到的,且该利用率同时包含所有使用与不使用充电站数据库的电动汽车。此外,还有一个方法是在估算的等待时间发生变化时更新车辆的路线。因为在电动汽车出发时计算出的预估等待时间可能会在其到达充电站时发生明显变化,除了未使用充电站数据库的车辆到达充电站这一因素外,还可能是由于更多电动汽车告知了数据库它们的计划充电站。因此,为了保持最优路径,用户可能希望在行驶途中更新路线,而更新行程中的路线需要进行额外计算,电动汽车与充电站数据库之间也要进行额外的通信。因此,本发明为充电站数据库定义了三个级别的路径更新时间:
等级1:行驶路径只在一开始计算一次,之后便不再更新。电动汽车仅与充电站数据库通信一次,用于估算等待时间并告知其计划的充电站;
等级2:电动汽车每到达一个充电站都会更新路线,并且可以选择跳过在充电站充电,除了初始路径的计算外,电动汽车还会在每个充电站与充电站数据库通信以计算当前的预估等待时间,如果与之前的估算有差异,则重新计算路线;如果计划的充电站因此发生变化,则必须告知充电站数据库;
等级3:路线可以在途中的任何时间点更新,即充电站数据库会告知电动汽车所有预估等待时间的变化,因此电动汽车需要与充电站数据库保持通信。与前两个级别相反,充电站数据库会主动检查为电动汽车估算的等待时间,并在其发生变化时向用户发送更新后的信息;然后电动汽车会从当前位置重新计算路线,如果计划的充电站因此发生变化,则必须告知充电站数据库。
进一步地,步骤二具体包括以下步骤:
S21:本发明通过A*算法搜索满足目标时间和目标能耗的所有多目标最短路径,我们在每个节点保留一组帕累托标签集,其中每个标签包含所有目标的成本和该节点的前驱节点。
由于多目标最短路径搜索的计算成本比单目标最短路径搜索要高得多,而且该方法必须多次访问节点,且必须检查新的帕累托标签与现有标签之间的优劣关系,以保留帕累托最优解集,搜索时间较长。因此,本发明使用收缩层次结构来加速多目标最短路径搜索速度。收缩层次结构是通过一个接一个地收缩图中的节点从而加快搜索速度的,每个被收缩的节点都会从图中被移除。如果该节点是两个相邻节点之间最短路径的一部分,就可以在这两个相邻节点之间添加一条捷径边以维持它们之间的最短路径。每个节点根据收缩的顺序分配一个级别,较高的级别表示该节点是较晚被收缩的,并且其捷径边可能已取代了较低级别节点的捷径边。当搜索最短路径时,使用A*算法进行双向搜索,双方只遍历具有更高级别的节点,直到它们相遇。这样,搜索最短路径需要访问的节点数量就大大减少了。
S22:在对最短路径进行搜索时,大部分的搜索时间都被用于探索地图并保留节点处的帕累托标签集。本发明的算法仅需搜索各充电站之间以及出发地和目的地之间的路线,由于充电站的位置始终不变,因此我们会一遍又一遍地从相同的节点开始搜索整张地图。针对该问题,本发明通过在预处理步骤中从所有充电站开始搜索地图以避免这种情况,一次搜索的结果就生成一个最短路径树,它包含所有已探索节点的标签集。由于收缩层次结构的搜索是双向的,因此我们必须为每个充电站创建两次最短路径树:一次向前探索,一次向后探索。
为了使用最短路径树进行路径搜索,我们使用起始节点的前向探索树和目标节点的后向探索树。然后,找出被两棵树同时覆盖的节点,即两棵树中都具有帕累托标签集的节点。再为每个公共节点创建两个帕累托集的合集并删除其中所有非帕累托最优元素,每个集合包含通过该节点的从出发地到目的地的所有最短路径的成本和前驱节点,为了获得从出发地到目的地的所有帕累托最优最短路径的成本,我们将所有节点的集合结合起来并再次删除所有非帕累托最优元素。图3为这种具有两个目标的最短路径树的搜索示例。
本发明的充电路径规划算法在充电站之间以及出发地和目的地之间进行搜索。在为所有充电站预先计算出最短路径树之后,我们只需在出发地和目的地之间创建最短路径树,然后在此基础上进行搜索,而无需再次在地图上搜索。而且为了节省时间,也不必重建所有路径,我们可以根据成本选择一条路径,然后只对选定的这条路径进行重建。
进一步地,步骤三具体包括以下步骤:
S31:电动汽车的能耗决定了其在充电站所充的电量,为了估算电动汽车消耗的电量,本发明建立了一个能耗模型。在优化电动汽车的行驶路径时,车辆能耗是最重要的标准。对于简化模型,最重要的输入数据是电动汽车的行驶速度,因为行驶速度会影响由摩擦和空气阻力所产生的能耗,而摩擦和空气阻力又是速度的函数。此外,还需要考虑电动汽车的其他耗能部件,例如娱乐***、空调以及车头和车尾灯,但这些部件都与速度无关,因此只在低速行驶时才主导电动汽车每公里的能耗。
本发明利用雷诺和特斯拉提供的数据,建立了简化的能耗模型:
式中,B为电动汽车的能耗(kWh/km);v为电动汽车的行驶速度(km/h)。
该模型与雷诺和特斯拉这两款实际电动汽车的能耗一起绘制在图5中。从图中可以看出,该模型在较大的速度范围内与雷诺和特斯拉这两款实际电动汽车的能耗情况非常接近,虽然该模型未考虑交通密度或海拔变化等因素,但它的准确性足以研究和评估本发明提出的方法。
S32:许多研究中一般会假设电池的充电速度是恒定的,但实际上,当电池的荷电状态(State ofCharge,SOC)达到80%后其充电速度会呈非线性显著下降。现在常用的锂离子电池一般采用恒流-恒压(CC-CV)充电协议进行充电,充电过程遵循两阶段方法:在第一阶段,采用恒流方法对电池充电,在此期间,充电电压不断上升,此过程一直持续到充电电压达到4.2V且荷电状态约为80%;第二阶段开始使用恒压方法来防止电池过度充电,在此期间,充电电流会逐渐减小,当电流降至预先设定的阈值以下时,默认充电完成。另一种充电协议是恒功率-恒电压(CP-CV)协议,它的充电功率在第一阶段是恒定的。除此之外,它与恒流-恒压充电方法基本一致。
本发明使用以下电池充电模型,该模型同时支持恒流-恒压和恒功率-恒电压两种充电协议。假设在第一阶段电压是线性增加的,为了简化该模型,我们假设在第二阶段电流是线性减少的。对于该模型,本文定义参数如下:充电站的最大充电功率为Pmax;电池的荷电状态记为soc,其范围为0≤soc≤1;假设在第一阶段(恒流/恒功率),充电电压从低充电电压ulow=3.8V增加到高充电电压uhigh=4.2V,充电阶段切换恰好发生在soc=0.8时;最大电流imax可通过进行计算。
恒流-恒压充电方法的电流i(soc)、电压u(soc)以及功率pcc-cv(soc)可以根据电池的SOC计算如下:
pcc-cv(soc)=u(soc)·i(soc) (13)
类似地,恒功率-恒电压充电方法的功率pcp-cv(soc)可以通过以下公式计算:
本发明的算法每秒估算一次电量,并在荷电状态达到soc=0.99时停止充电。在第一个实验中,将该电池充电模型与已有的电动汽车电池测量结果进行了比较,结果如图6所示。尽管测量数据中没有涉及充电协议,但我们可以看到模型中的恒功率-恒电压充电方法与测量结果非常匹配。实际上,恒功率-恒电压充电方法在充电过开始时的相对误差为±2%,而恒流-恒压充电方法的相对误差超过10%。因此,可以得出结论,以上两种电动汽车的充电协议更接近于恒功率-恒电压充电方法。
S33:本发明的自适应充电和路径规划策略的目标是找到一条能够最大限度地减少用户从出发地到目的地的总出行时间的路线。它可以帮助用户选择沿途的充电站并确定充电量,充电站的选择是通过在动态生成的地图上进行最短路径搜索来完成的,该地图连接着电动汽车可达范围内的起点、目的地和充电站节点。其中,充电时间由本发明的充电模型计算得出,它取决于充电站的功率以及电动汽车的充电量;等待时间则由充电站数据库结合充电站的统计数据进行预测和计算后得出。
本文的自适应充电策略能够根据充电模型和下一个充电站的最大充电功率来选择本次的充电量,只要下一个充电站的最大充电功率低于当前的充电功率,就继续在当前的充电站充电。当然,电动汽车的电量至少应充至满足其行驶到下一个充电站。
以下为具体实施例,工作步骤如下:
1)首先从地图上提取出某地的交通路网结构,得到该交通路网的节点数量以及充电站数量,然后通过收缩层次结构对节点进行收缩。同时筛选出所有充电站中的快充站,并计算这些充电站之间的帕累托最优路径,形成最短路径树,并将其储存在查询表中,以供之后多次使用。
2)然后对5000个计划长途旅行的电动汽车进行模拟,通过能耗模型计算电动汽车的能耗,从而计算用户的充电量;通过充电模型对用户的充电过程进行模拟,从而计算用户的充电时间。
3)之后验证本发明提出的充电站数据库对协调电动汽车之间对充电站的访问的效果。在第一个实验中,研究了充电站数据库的渗透率对总出行时间的影响以及不同等级的充电站数据库对等待时间、充电时间、行驶时间的影响。在第二个实验中,将使用充电站利用率统计数据的情况与仅使用当前利用率和计划充电站的情况进行了比较。验证了本发明提出的充电站数据库对减少用户等待时间的有效性。
4)最后在第三个实验中,将本发明提出的自适应充电和路径规划策略与其他常用策略进行比较,发现在所有情况下,使用自适应策略都会使用户的总出行时间最短,从而完成对本发明提出的自适应策略的验证。
在仿真实验中,我们从OpenStreetMap中提取了某地的道路网络,但忽略了某些非常小的街道。整个交通路网共包含4,318,497个节点,其中许多节点仅具有修饰目的以模拟路网的形状,且只有2,356,510个节点具有两条以上的边。在预处理步骤中,我们收缩了4,317,962(99.99%)个节点。
实施例提取的交通路网中共包含9066个充电站,因为本发明只研究电动汽车在长途旅行中的充电行为,因此我们将其中的快速充电站筛选出来,共有1051个快充站,它们共包含3791个充电桩,且充电桩的充电功率从50kW到350kW不等。然后,在此基础上,对这些充电站的最短路径树进行预计算。
实施例对一天内共5000辆进行长途旅行的电动汽车进行了模拟。每辆车会被分配一个出发地-目的地对,行驶距离为500公里,电动汽车的电池容量为20-40kWh,遵从均匀分布。该电池容量的车辆的续航里程约为100-300km,但具体还是取决于电池大小和行驶速度,这些电动汽车需要在行驶途中进行充电,有的甚至需要进行多次充电。电动汽车用户的出行时间由人们在工作日(周一至周五)的出行分布生成(见附图4)。我们将每个仿真运行10次并对结果取平均值。
仿真的计算成本很高,因为作为充电站路径规划的一部分,我们必须评估起点、目的地和充电站之间的所有帕累托最优路径。通过对所有充电站使用预先计算的最短路径树,我们只需为起始节点和目标节点搜索一次地图即可建立它们的最短路径树。搜索帕累托最优路径比使用简单收缩层次结构快大约两个数量级,因为简单收缩层次结构会对地图进行再次搜索。然而,它的搜索时间仍然是毫秒级的,并且大多数搜索是在充电站的已知位置之间进行的。为了进一步提高性能,我们预先计算了所有充电站组合之间的所有帕累托最优路径,并将路径的成本存储在查询表中,该表格包含了总共1051个快充站之间的所有帕累托最优路径成本。
在第一个实验中,我们研究了使用充电站数据库的电动汽车的百分比(即充电站数据库的渗透率)对总出行时间的影响。仿真实验中,使用充电站数据库的电动汽车的渗透率从0%变到100%,且每次以10%的步长变化。将使用充电站数据库的电动汽车平均分配到充电站数据库的三个等级,从图7中可以看出,使用充电站数据库后,所有电动汽车的总出行时间显著减少了。其中,电动汽车的行驶时间和充电时间的变化都较小,因此总出行时间减少的主要原因是电动汽车在充电站的等待时间减少了。当没有用户使用充电站数据库(渗透率0%)时,电动汽车的平均等待时间为6.05小时;而当所有电动汽车都使用该充电站数据库(渗透率100%)后,平均等待时间缩短至11分钟,相较未使用时提高了约97%。
在图8中,我们比较了电动汽车使用不同级别充电站数据库的等待时间。为了便于比较,我们将不使用充电站数据库的情况表示为充电站数据库等级0。从图中可以看出,充电站数据库的等级对电动汽车的平均等待时间有很大的影响。在10%的渗透率下,等级0和等级1的等待时间非常接近,分别为5.7小时和5.4小时,而等级2和等级3的等待时间明显较短,分别为2.1小时和1.7小时。这是因为,随着越来越多的电动汽车向充电站数据库告知其计划的充电站,使用充电站数据库等级1的车辆最初计划的最优路径变得不再适用。通过在每个充电站更新路线,使用充电站数据库等级2的车辆能够大大缩短等待时间。而使用充电站数据库等级3的电动汽车通过在行驶时不断更新路线,它的等待时间会在等级2的基础上略有改善。显然,使用充电站数据库的效果取决于用户行程的长短,因此也取决于总的出行时间。因此实施例测试了可能需要进行多次充电的长途旅行,而对于只有一个充电站的短途旅行,差异会小得多。此外,我们还可以观察到,不使用充电站数据库的电动汽车的等待时间也会随着渗透率的提高而得到显著改善。这是因为充电站数据库使充电站的利用率更加均衡之后,会使所有电动汽车长时间等待的问题得到缓解,从而使用户受益。
从图9中可以看出,在渗透率为0%的情况下,高峰时段(15时-18时)各充电站的平均利用率非常不均衡。绝大多数充电站的利用率都很低,只有少数热点充电站在高峰时段的利用率达到100%,从而导致了等待时间较长。当渗透率达到100%时,热点充电站的负荷才会转移到其他充电站,从而使充电站的利用率更加均衡,大大缩短等待时间。但即便如此,充电站的利用率也很不均衡。其中部分原因是不同充电站的充电速率差异很大,而且许多充电站不靠近高速公路,不适用于长途旅行。由于主要应用场景为长途旅行,因此没有考虑短途旅行车辆的对充电站利用率的影响。
使用充电站数据库也会对行驶时间和充电时间造成轻微的影响。如图10所示,平均行驶时间与较高的渗透率和较高的充电站数据库等级相关。随着越来越多的电动汽车使用充电站数据库,这些车辆将获得更多关于未来其他车辆计划充电站的信息,因此更有可能绕道前往等待时间较短的备选充电站,对于使用较高充电站数据库等级的车辆来说尤其如此。但这不是问题,因为额外多出的行驶时间很短,并且可以通过节省的等待时间来补偿。平均充电时间如图11所示,使用充电站数据库等级2和等级3的电动汽车在低渗透率下的充电时间稍长。这是因为用户为防止所选充电站出现其他意料之外的车辆,而将其选择的充电站改为了不太理想的充电站。随着越来越多的车辆使用充电站数据库,遇到意料之外车辆的可能性就会逐渐降低。在第二个实验中,我们将使用有关充电站利用率统计数据的情况与仅使用当前利用率和计划充电站的情况进行比较。通过第一个实验的模拟运行,我们得到了充电站利用率的统计数据。在图12中,我们比较了使用充电站数据库等级3的电动汽车使用统计数据和不使用统计数据的平均等待时间,可以看出,使用统计数据后大约减少了一半的等待时间。
充电站数据库不仅改善了低渗透率时车辆的等待时间,而且还改善了高渗透率时(包括100%)的等待时间。当用户在出发时对其行程进行最初计划时,充电站数据库知晓的仅仅是已经出发的电动汽车的计划充电站。即使车辆可以在行驶途中更新其路线,当它知道它所处的路径并不是最优路径时,再想改变可能已经太晚了。因此,通过使用统计数据来计算未来出发的车辆是有益的。在第三个实验中,我们比较了自适应充电和路径规划策略与文献中常见的替代策略。对于每种策略,我们使用充电站数据库等级3和统计数据在渗透率为10%至100%的情况下以10%的步长对电动汽车进行了模拟。图13展示了在所有渗透率下这些策略的总出行时间以及渗透率为30%和70%的总出行时间。
在所有情况下,使用自适应策略都会使总出行时间最短。紧随其后的是始终进行最低容量充电,该策略的目的仅仅是为了能够到达下一个充电站。仅当第一次充电是在快充站,然后第二次充电是在较慢的充电站时,自适应充电策略才比最低容量充电有优势。由于有很多可用的快充站,所以这种情况很少见。始终充电80%或始终充满电会导致充电时间显著增加,因为充电量多于车辆所需的电量。因此选择一个快充站对于本文的算法来说变得尤为重要,但这也会使快充站的利用率更高,从而导致电动汽车绕行增加额外的行驶时间和额外的等待时间。
自适应路径规划策略从帕累托最优路径集合中选择路径,使行驶、充电和等待时间最小化。我们将此策略与总是选择最快路径和总是选择最经济路径的策略进行比较。总是选择最快路径能够减少行驶时间,但会由于能耗较大而需要更多的充电时间,这反过来又会是充电站的利用率增加从而增加等待时间。当总是选择最经济的路径时,情况恰恰相反。由于能耗较少,车辆的充电时间可以大大减少,同时由于充电站的利用率较低,使得用户的等待时间大大缩短。但该策略的行驶时间明显变长,甚至使它成为了总出行时间最长的策略。综上,我们可以看出,在所有情况下,充电站数据库的渗透率越高,用户的等待时间和总出行时间就越短。
综上所述,本发明通过向充电站数据库告知电动汽车计划的充电站,来最大限度地减少电动汽车长途旅行时在充电站的等待时间。同时将充电站数据库估算的等待时间整合到本发明提出的自适应充电和路径规划策略中,以最大限度地减少电动汽车的总出行时间。
虽然本发明已以较佳实施例公开如上,但它们并不是用来限定本发明的,任何熟习此技艺者,在不脱离本发明之精神和范围内,自当可作各种变化或润饰,因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。
Claims (7)
1.一种减少用户等待时间的自适应电动汽车路径规划方法,其特征在于,包括以下步骤:
步骤一:为协调电动汽车之间对充电站的访问,建立充电站数据库,充电站数据库估算电动汽车未来到达充电站的等待时间,供查询任何充电站和未来任何时间点的估算结果;
步骤二:采用收缩层次结构的多目标最短路径搜索算法,为减少计算量,在收缩层次结构的基础上,通过双向A*算法预先计算已知充电站之间的所有帕累托最优路径,形成最短路径树,即预先计算所有充电站之间的最短路径树,并将各路径的成本存储在查询表中以供多次使用;
步骤三:在已知充电站之间的最短路径树的基础上,通过A*算法搜索出发地与目的地之间的所有帕累托最优路径,通过自适应充电和路径规划方法找出所有帕累托最优路径中充电时间、行驶时间和等待时间总和最小的路径,使用户的总出行时间最短。
2.如权利要求1所述的一种减少用户等待时间的自适应电动汽车路径规划方法,其特征在于,所述充电站数据库以电动汽车使用的充电桩以及使用充电桩的电动汽车离开时间获取充电站的当前利用率,定义所有充电站组成的集合为S,其中各充电站编号记为s,充电站s内的充电桩集合为Cs,其中各充电桩编号记为c;对于充电站s∈S的每个充电桩c∈Cs,将使用该充电桩的电动汽车的离开时刻记为对于空闲的充电桩,定义/>其中t0是用户进行搜索的时刻;
充电站数据库还包含所有充电站中的计划充电站P,其中各计划充电站编号记为p,每个计划充电站p∈P均由用户上传的到达时间和充电时间/>组成,充电起始时间/>取决于用户到达充电站的时间,如公式(6)所示,其中tstart是/>的函数,并根据/>计算得出充电起始时间/>如果加上充电时间,就可以得到电动汽车的离开时间/>
用户确定计划充电站之后将为其分配充电桩c∈CS,根据用户的到达时间该充电桩将按公式(3)以最快速度空出;其中,/>是/>的函数,其表示充电桩c在用户上传的到达时间为/>的情况下能空出的时刻;argmin表示找出使充电桩c∈CS中能最快空出的充电桩cp:
对路径的搜索会遍历充电站内的所有充电桩CS,从给定的到达时间开始,基于数据库中有关其他计划充电站的信息,可由函数计算得到充电桩c的空闲时间,如公式(5)所示;
若电动汽车在预计的到达时间tarr之前抵达计划充电站内的充电桩c,则将该计划充电站记为Pc(tarr):
将电动汽车到达时间为tarr的充电桩状态变为空闲的时刻定义为电动汽车离开该计划充电站的时间;若该充电桩正在使用,则将当前使用该充电桩的电动汽车的离开时间定义为:
其中,表示集合Pc(tarr)非空,此时将当前使用充电桩的电动汽车的离开时间设置为所有可用计划充电站集合中电动汽车的离开时间/>的最大值;若是集合Pc(tarr)非空外的其他情况,则当前使用该充电桩的电动汽车的离开时间为当前使用该充电桩的电动汽车的离开时刻;
充电起始时间可以从充电桩空闲的最早时间开始,但不能早于到达时间:
基于预估的到达时间计算充电起始时间/>从而计算等待时间/>如公式(7)、(8)所示;公式(7)中的tstart是/>的函数,表示在预估到达时间/>下的充电起始时间:
充电站数据库还以充电站每天每小时的平均利用率的形式存储关于充电站利用率的统计数据,通过定期查询充电站的当前使用情况收集信息;为了在估算等待时间时考虑充电站的统计利用率,需定期添加一些短期的额外充电车辆,利用率为u且拥有n个充电桩的充电站添加额外充电车辆数据的周期T取决于电动汽车在充电站的充电时间tchr、充电站的利用率u和充电站内充电桩的数量n:
3.如权利要求2所述的一种减少用户等待时间的自适应电动汽车路径规划方法,其特征在于,充电站数据库设定三个级别的路径更新时间:
等级1:行驶路径只在一开始计算一次,之后便不再更新,电动汽车仅与充电站数据库通信一次,用于估算等待时间并告知其计划的充电站;
等级2:电动汽车每到达一个充电站都会更新路线,并且可以选择跳过在充电站充电,除了初始路径的计算外,电动汽车还会在每个充电站与充电站数据库通信以计算当前的预估等待时间,如果与之前的估算有差异,则重新计算路线;如果计划的充电站因此发生变化,则必须告知充电站数据库;
等级3:路线可以在途中的任何时间点更新,即充电站数据库会告知电动汽车所有预估等待时间的变化,电动汽车需与充电站数据库保持通信;充电站数据库主动检查为电动汽车估算的等待时间,并在其发生变化时向用户发送更新后的信息;然后电动汽车会从当前位置重新计算路线,如果计划的充电站因此发生变化,则必须告知充电站数据库。
4.如权利要求1所述的一种减少用户等待时间的自适应电动汽车路径规划方法,其特征在于,步骤二使用收缩层次结构的多目标最短路径搜索算法如下:
通过A*算法搜索满足目标时间和目标能耗的所有多目标最短路径,在每个节点保留一组帕累托标签集,其中每个标签包含所有目标的成本和该节点的前驱节点;
使用收缩层次结构来加速多目标最短路径搜索速度,收缩层次结构通过一个接一个地收缩图中的节点从而加快搜索速度,每个被收缩的节点都会被移除;如果该节点是两个相邻节点之间最短路径的一部分,在两个相邻节点之间添加一条捷径边以维持相邻节点之间的最短路径;每个节点根据收缩的顺序分配一个级别,较高的级别表示该节点是较晚被收缩的,并且其捷径边可能已取代了较低级别节点的捷径边;当搜索最短路径时,使用A*算法进行双向搜索,双方只遍历具有更高级别的节点,直到双方相遇。
5.如权利要求1所述的一种减少用户等待时间的自适应电动汽车路径规划方法,其特征在于,步骤二中预先计算所有充电站之间的最短路径树方法如下:
最短路径树包含所有已探索节点的标签集;每个充电站创建两次最短路径树:一次向前探索,一次向后探索;使用起始节点的前向探索树和目标节点的后向探索树,然后找出被前向探索树和后向探索树同时覆盖的节点,即两棵树中都具有帕累托标签集的节点,再为每个公共节点创建两个帕累托集的合集并删除其中所有非帕累托最优元素,每个集合包含通过该节点的从出发地到目的地的所有最短路径的成本和前驱节点,为了获得从出发地到目的地的所有帕累托最优最短路径的成本,将所有节点的集合结合起来并再次删除所有非帕累托最优元素。
6.如权利要求1所述的一种减少用户等待时间的自适应电动汽车路径规划方法,其特征在于,步骤三建立能耗模型估算电动汽车消耗的电量,用于计算用户的充电量;能耗模型:
式中,B为电动汽车的能耗;v为电动汽车的行驶速度。
7.如权利要求1所述的一种减少用户等待时间的自适应电动汽车路径规划方法,其特征在于,步骤三建立充电模型,估算电动汽车充电时间,电池充电模型同时支持恒流-恒压和恒功率-恒电压两种充电协议;定义参数如下:充电站的最大充电功率为Pmax;电池的荷电状态记为soc,其范围为0≤soc≤1;在第一阶段恒流/恒功率,充电电压从低充电电压ulow=3.8V增加到高充电电压uhigh=4.2V,充电阶段切换发生在soc=0.8时;最大电流imax通过进行计算;
恒流-恒压充电方法的电流i(soc)、电压u(soc)以及功率pcc-cv(soc)根据电池的SOC计算如下:
pcc-cv(soc)=u(soc)·i(soc) (13)
恒功率-恒电压充电方法的功率pcp-cv(soc)通过以下公式计算:
每秒估算一次电量,并在荷电状态达到soc=0.99时停止充电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410079329.5A CN117906630A (zh) | 2024-01-19 | 2024-01-19 | 一种减少用户等待时间的自适应电动汽车路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410079329.5A CN117906630A (zh) | 2024-01-19 | 2024-01-19 | 一种减少用户等待时间的自适应电动汽车路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117906630A true CN117906630A (zh) | 2024-04-19 |
Family
ID=90694705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410079329.5A Pending CN117906630A (zh) | 2024-01-19 | 2024-01-19 | 一种减少用户等待时间的自适应电动汽车路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117906630A (zh) |
-
2024
- 2024-01-19 CN CN202410079329.5A patent/CN117906630A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schoenberg et al. | Reducing waiting times at charging stations with adaptive electric vehicle route planning | |
CN108955711B (zh) | 一种应用于电动汽车智能充放电的导航方法 | |
US9545915B2 (en) | Electric vehicle and method of battery set-point control | |
CN109693576B (zh) | 一种基于模拟退火算法的电动汽车充电调度优化方法 | |
US8447511B2 (en) | Method for controlling a hybrid vehicle and hybrid vehicle | |
US10668824B2 (en) | Method for calculating a setpoint for managing the fuel and electricity consumption of a hybrid motor vehicle | |
CN111891130B (zh) | 一种车辆运行方法和装置 | |
JP2011187048A (ja) | 電気自動車及びハイブリッド車の動作システム及び方法 | |
CN109840624B (zh) | 一种基于狄克斯特拉算法的电动汽车充电调度优化方法 | |
CN109919369B (zh) | 一种电池交换站选址和电动汽车路径规划方法 | |
CN111609867B (zh) | 一种电动汽车路径规划方法 | |
CN112729324B (zh) | 基于互助出行***的电动汽车充电引导和路径规划方法 | |
De Nunzio et al. | A constrained eco-routing strategy for hybrid electric vehicles based on semi-analytical energy management | |
CN111267667A (zh) | 一种电动汽车高速公路智能充电方法及*** | |
US12005929B2 (en) | Autonomous driving control system and method of vehicle | |
CN111199320A (zh) | 基于出行概率矩阵的电动汽车充电负荷时空分布预测方法 | |
Cussigh et al. | Optimal charging and driving strategies for battery electric vehicles on long distance trips: A dynamic programming approach | |
CN110388932A (zh) | 一种电动汽车充电导航方法 | |
JP7353360B2 (ja) | ハイブリッド自動車による燃料および電流の消費に対する管理命令を計算する方法 | |
CN108133329B (zh) | 考虑充电反馈效应的电动汽车出行与充电需求分析方法 | |
CN114670707A (zh) | 一种充电路线确定方法、装置和可读存储介质 | |
JP5885170B1 (ja) | 車両用エネルギーマネジメント装置 | |
CN113379141A (zh) | 一种兼顾电网负载均衡性与用户体验的电动汽车充电路径优化方法 | |
CN116993031A (zh) | 一种电动车的充电决策优化方法、装置、设备及介质 | |
CN117906630A (zh) | 一种减少用户等待时间的自适应电动汽车路径规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |