CN107316100A - 智慧城市中电动汽车的充电调度策略 - Google Patents

Abstract

本发明采用仿WSNs的网络模型。在本发明中主要探讨了2个问题：充电桩选取策略，充电专车(MC)运动路径问题。本发明提出了充电车位调度算法，对待充电汽车的路程损耗时间计算方式和充电调度时机进行了优化，使得待充电汽车前往充电车位的真实路程损耗时间大大降低。并提出了二分树最大权值匹配算法将阶乘级的充电车位调度问题以立方级的时间复杂度得到了一个近似最优解。还提出了充电专车调度算法，先根据充电站位置对城市进行分区，于是采用启发式算法对该NP‑hard问题求得了一个近似最优解。该启发式算法为尾部优化的模拟退火算法，通过实验找到一个实验结果基本收敛时的阈值，并在此阈值下中止算法，减少算法运行时间。

Description

智慧城市中电动汽车的充电调度策略

技术领域

本发明属于智慧城市中电动汽车充电策略的技术领域，具体涉及基于充电车位调度策略与充电专车调度策略。

背景技术

现在，由于科技的进步，环境的需求以及可预见的化石燃料的短缺，电动汽车又开始逐渐增多。由于几个经济和环境的原因，电动汽车很有可能在未来的汽车市场中占据显著的位置。全球变暖的问题就是导致电动汽车大规模应用的一个环境原因。世界各国对这类问题的关注不断增多与化石燃料价格越来越不稳定的趋势导致了政策制定者寻找手段来降低这类能量的消耗，从而减少向大气层排放的温室气体。因此，没有排气管是电动汽车最具吸引力的特点，尤其是在高密度的城市区域，可以对空气质量的改善作出巨大的贡献。

目前对电动汽车的相关研究包括电动汽车基础设施静态和动态部署、电动汽车电池再利用、多电池同时充电、电池充电量的控制以及电动汽车模型预测控制等等，而对于电动汽车充电调度方向上的研究尚少，且国内的电动汽车还存在以下问题：

家用充电桩普及难，部分小区物业不允许安装充电桩，且充电桩对电线和电闸要求都不低，很多小区的供电电闸和电线无法承受。

公用充电桩难找，在自己不熟悉的地方找充电桩及其困难，在成都这样的二线城市还有更多的问题，例如充电基础设施不够完善，分布不均，成都现有的充电桩大多分布在南边，在北部城区充电困难。车主缺乏对电动汽车的认识，电动汽车的专用充电停车位经常被燃油汽车所占据。高速路服务区没有充电桩，电动汽车无法跑长途。

成都市经信委根据目前成都市内电动汽车充电难问题提出，到2020年将市内充电桩数量从目前的3000个扩充至90000个，对企业投资充电站最高补贴500万元，并对新建小区进行预留充电位置的规定。积极地寻求解决问题，不过在近期内，电动汽车充电难的问题还会一直存在并影响着市民的生活质量。

由于目前国内电动汽车相关基础设施还不够齐全，大部分国产电动汽车最大续航里程较短，容易出现频繁前往充电站(可能距离较远)甚至在行驶过程中电量耗尽的情况。对电动汽车充电调度机制的研究可以有效地利用现有交通设施、减少交通负荷和环境污染、保证交通安全、提高运输效率。

发明内容

本发明采用仿WSNs的网络模型。为了更精确地模拟真实城市中的电动汽车充电情况并加强研究的实用性，本发明采用的网络模型基于四川省成都市市区(绕城高速内)的真实道路情况来建模，所有道路的分布情况，长度，阻塞程度均以真实数据为准。网络中分布着基站(调度中心)，可移动的传感器节点(即城市中的电动汽车)，固定部署的充电桩和预先设定好路径的充电专车(移动充电专车)。并假设网络满足如下条件：1)所有普通传感器节点都随机在网络中任意位置出现，并在网络中选择某随机位置为节点移动的目的地，在正常模式下，节点根据数据预处理算法得到最优路径，并沿着该路径朝着目的地移动。2)所有普通传感器节点可以使用GPS辅助设备进行定位，调度系统可以获取任意传感器节点的当前位置和目的位置。3)普通传感器节点在移动的过程中会随机地出现充电车位调度需求或充电专车调度需求，出现充电需求后向基站发出请求，进入充电模式。在完成充电之后再重新回到正常模式。4)假设普通传感器节点和充电专车的能量都相对充足，即普通传感器节点会有充电需求，充电专车在每轮充电之后都会回到基站补充能量，但二者皆不会在移动的过程中能量耗尽。5)假设充电桩充电和充电专车充电的时间为某固定时间t。

在本发明中主要探讨了2个问题：充电桩选取策略，充电专车(充电专车)运动路径问题。

问题1是在WSNs内，如何进行充电桩分配策略的问题，需要满足以下条件：

(1)使尽可能多的移动节点(待充电汽车)分配到充电桩

(2)在满足(1)的条件下，使所有分配到充电桩的移动节点前往充电桩进行充电的路程损耗时间最短。

在真实场景中，有可能可用充电桩的数量小于需要充电的移动节点的数量，在此条件下，将所有的可用充电桩都分配给部分移动节点的情况下使所有分配到充电桩的移动节点前往充电桩进行充电的路程损耗时间最短使本发明的一个重要研究点。

问题2讨论在网络分区的情况下充电专车的运动路径问题。如何合理规划充电专车的路径使得充电专车能够完成对所有移动节点的充电，且移动节点对本次充电的等待时间能够达到一个尽量高的整体满意度。

本发明提出了充电车位调度算法方案和充电专车调度算法方案来分别解决以上两个问题。通过实验证明了本发明提出的用二分图最大权值匹配算法相较于传统贪心算法，可以有效地降低真实路程损耗时间与平均最优调度差。而采用模拟退火相比于传统贪心算法，可以有效地降低等待系数和，在提升用户满意度上具有较优的性能，且对尾部优化后的模拟退火算法运行时间只是略高于传统贪心算法。

附图说明

图1为本发明流程图。

图2为本发明的充电车位调度算法性能对比图。

图3为本发明的充电专车调度算法性能对比图。

具体实施方式

1)网络初始化

建立无向图G＝{V，E}，V表示顶点(即路口)的集合，E表示边(即道路的集合)，采用邻接矩阵和边集相结合的方式来对图进行存储。道路集E＝{E₀,E₁,…,E_m-1}，用边集的方式存储，每条道路包括以下数据：道路的两个路口号码v₀、v₁，道路的长度d，道路的阻塞指数λ(0<＝λ<＝1，λ为0时表示道路完全通畅，λ为1时表示道路完全堵塞)，道路的限速v，道路的预计通行时间t。

t＝d/[(1-λ)*v](0<＝λ<1)

路口集V＝{V₀,V₁,…,V_n-1}，用一个大小为n²的二维矩阵T[n][n]来进行存放，存储内容为之前的道路集E中的道路预计通行时间t。例如T[i][j]表示从路口v_i到路口v_j所需要的预计通行时间。在初始状态下，若路口v_i与路口v_j不相邻，则T[i][j]用∞表示。虽然初始状态下，邻接矩阵显然是一个稀疏矩阵(通常情况下，一个路口最多有4条道路与之相连)，采用邻接矩阵的存储方式看起来有点浪费存储，但是该矩阵可以作为之后迭代用的基础，且单个城市的路口个数并不是一个特别大的数，O(n²)的空间复杂度也可以接受，所以这里采用邻接矩阵的方式来进行存储。

选择用道路的预计通行时间t来作为考察标准，而不是道路长度d，主要是基于以下两点考虑：

1.人们驾车出行时或等待充电时，更专注的是路上所需的时间或充电专车抵达所需的时间，而不是路程或者充电专车过来充电的行驶距离。

2.道路的阻塞情况是实时变动的，甚至有可能出现道路完全堵死的情况。用道路的预计通行时间作为评判标准，可以根据道路的阻塞指数λ，对道路的预计通行时间t进行实时更新，可以适应真实城市场景中路况的动态性。

图中的任意一点p用3元组(i,j,ρ)来表示，即位于第i个路口与第j个路口之间的道路上(i≠j，且i与j相邻)位于与路口i距离为ρ*d(0<＝ρ<＝1,d为i，j之间道路的长度)的位置。

2)数据预处理

由于在充电调度的过程中，有大量的对各待充电汽车之间的距离，待充电汽车与充电桩之间的距离，待充电汽车与充电专车之间的距离等计算。如果每次需要用到距离时才进行运算会导致有大量的重复计算发生，算法效率低下。所以本发明在调度算法之前先对当前无向图的基础数据进行预处理操作，从而能让之后对任何距离的计算都能在O(1)时间内完成。(注：本算法中使用的距离如无特殊说明指的是时间上的距离)

首先用Floyd-Warshall算法对初始的二维邻接矩阵T[n][n]进行迭代处理，以得到无向图中任意两个顶点之间的最小距离。在网络模型的构建时，已得到初始矩阵T[n][n]，矩阵T中T[i][j]表示顶点vi到顶点vj的距离，如果顶点v_i与顶点v_j不相邻，则T[i][j]＝∞(用一个足够大的数INF来表示)。接下来对矩阵T进行n次更新。在进行第1次更新时，如果T[i][j]>T[i][0]+T[j][0](T[i][0]+T[j][0]表示从顶点v_i经过顶点v₀到顶点v_j的距离，上述不等式成立即表示当前存储的顶点v_i与顶点v_j之间的最小距离比顶点v_i经过顶点v₀再到顶点v_j的距离要大)，则将T[i][j]更新为T[i][0]+T[j][0]。同理，在第k次更新时，如果T[i][j]>T[i][k-1]+T[j][k-1],则将T[i][j]更新为T[i][k-1]+T[j][k-1]。在迭代n次之后完成处理，当前的二维矩阵T[n][n]中存储的为任意两个顶点之间的最小距离。

有了经过初始化之后的二维矩阵T，就可以在O(1)时间内求出图中任意两点间的距离。例如求点p1(x₁,y₁,ρ₁)与点p2(x₂,y₂,ρ₂)(x₁<＝y₁，x₂<＝y₂)之间的最小距离T_min可以用如下方法,当x₁＝x₂且y₁＝y₂时，即两个顶点在同一条边上：

T_min＝|ρ₁-ρ₂|*T[x₁][y₁]

如果两个顶点不在同一条边上，则有：

T_xx＝T[x₁][x₂]+ρ₁*T[x₁][y₁]+ρ₂*T[x₂][y₂]

T_xy＝T[x₁][y₂]+ρ₁*T[x₁][y₁]+(1-ρ₂)*T[x₂][y₂]

T_yx＝T[y₁][x₂]+(1-ρ₁)*T[x₁][y₁]+ρ₂*T[x₂][y₂]

T_yy＝T[y₁][y₂]+(1-ρ₁)*T[x₁][y₁]+(1-ρ₂)*T[x₂][y₂]

T_min＝min(T_xx，T_xy，T_yx，T_yy)

3)充电车位调度算法预优化。

在真实城市中，电动汽车前往充电站或充电桩进行充电是最常规也是最便捷的充电手段。本算法主要用于调配需要充电的电动汽车前往最适合的充电桩进行充电，从而达到尽快满足所有发出请求的电动汽车的充电需求，并减少电动汽车在路程上的损耗的目标。本算法最重要的指标是所有待充电汽车各自分别前往充电桩进行充电的路程损耗时间的期望值，算法目的是尽量使这个期望值更低。

由于某处充电站或充电桩通常会有多个充电桩，且有的充电桩可以同时为多台电动汽车充电，所以在本章节中为待充电汽车分配的是实际的充电车位，而不是充电桩本身。

通常类似场景下，都是以车辆当前位置前往充电桩的时间或距离作为评估标准。本发明采用真实路程损耗时间作为评估标准，即车主在发起充电请求时提供目的地，真实路程损耗时间为电动汽车在前往目的地址的过程中前往充电桩进行充电一次的最小时间减去电动汽车直接前往目的地址的时间。

假设某电动汽车在A点发出充电请求，其目的地为B点，C₁与C₂为两个有空余车位的充电桩。假设此时同时需要调度的待充电汽车只有此电动汽车一辆。若根据通常的调度规则，以电动汽车当前位置到充电桩的时间或距离来调度的话，电动汽车到充电桩C₁的距离远远小于到充电桩C₂的距离，所以会调度前往充电桩C₁进行充电。但实际情况是，电动汽车若前往充电桩C₁进行充电后再前往目的地B，会绕一段路，实际的路程损耗时间较大，而前往充电桩C₂进行充电的话，看似距离更远，但由于充电桩C₂正好位于电动汽车从A前往B的路径之上，正好顺路，几乎没有路程损耗时间，电动汽车前往充电桩C₂进行充电明显是更优的选择。

因此，在本算法中，考察电动汽车与充电桩的距离时，采用真实路程损耗时间作为后续算法的评判基础。例如，发出充电请求的电动汽车位于A点，目的地是B点，可分配的充电车位位于C_i点(有多个)，T(A,B)表示从点A到点B所需要的时间，那么电动汽车分别前往每个充电车位所需要的真实路程损耗时间为：T_true＝T(A,C_i)+T(C_i,B)-T(A,B)。

通常类似场景下，电动汽车一提出充电需求便进行调度。本发明采用延迟调度机制，即在电动汽车提出充电需求后，等待一段车主可接受的时间η(如1-2min)之后再将这段时间内提出需求的所有电动汽车进行集体调度。

按通常的调度规则，为n辆电动汽车调度的路程损耗时间期望为(Toi为第i辆车的真实路程损耗时间)：如果采用延迟调度机制，则为n辆电动汽车调度的路程损耗时间期望为Tdi为第i辆车的真实路程损耗时间)：

η为一个很小的时间，若通过延迟调度机制能让调度的总路程损耗时间大幅降低，即使∑Td_i相比∑To_i，明显降低，则能大幅提高算法效率。在最坏的情况下，延迟调度和即时调度的结果一样，延迟调度也只比即时调度的总路程损耗时间略多一些。

假设1号电动汽车在地点A发出充电请求，目的地是地点B，稍后2号电动汽车在地点C发出充电请求，目的地是地点D。位于E₁和E₂处的充电桩都有且仅有一个充电车位。如果采用即时调度的话，1号电动汽车发出请求后，根据真实路程损耗时间调度到充电桩E₂处进行充电，稍后2号电动汽车再发出充电请求，而此时可用的充电车位仅剩下位于充电桩E₁处的充电车位，只能调度2号电动汽车前往充电桩E₁处进行充电，但这样的话，虽然1号电动汽车的充电需求得到了最优的解决，但2号电动汽车会绕很远的路去充电桩E₁进行充电，从而导致两辆电动汽车的平均路程损耗时间较大。而如果采用延迟调度机制的话，两辆电动汽车发出充电请求后，各自等待一段时间再进行集体调度，调度1号电动汽车前往充电桩E₁，2号电动汽车前往充电桩E₂进行充电，可以使两辆电动汽车的平均路程损耗时间降低。

将一批发出充电请求的电动汽车统一进行集体调度的话，相比一有电动汽车提出充电请求就马上为其分配充电车位的话，虽然会增加少量的等待调度时间，但更容易得到总体上的最优解决方案。

4)充电车位调度策略

①构造二分图和初始子图

将n辆待充电汽车分配m个充电车位的问题转化为有权二分图的最小权值匹配问题。这里以n<＝m的情况为例，即每辆待充电汽车都能分配到一个充电车位的情况。分别计算出每辆待充电汽车前往每个充电车位的真实路程损耗时间V＝{V₁，V₂，...V_n}，其中V_i＝{t_i1，t_i2，...t_im}(1<＝i<＝n)。t_ij为第i辆待充电汽车前往第j个充电车位所需要的路程损耗时间，V_i为第i辆待充电汽车分别前往每个充电车位所需要的路程损耗时间的集合。建立二分图G＝{X，Y，E}，X，Y为两个顶点集合，X＝{X₁，X₂，...X_n}，Y＝{Y₁，Y₂，...Y_m}。X_i到Y_j的边权值为-t_ij(1<＝i<＝n，1<＝j<＝m)，E为上述所有边的集合，E_ij＝-t_ij。

完成二分图构建之后，为每个顶点设定一个顶点筛选值，A＝{A₁，A₂，...A_n}为X顶点集合的顶点筛选值，B＝{B₁，B₂，...B_m}为Y顶点集合的顶点筛选值。在算法进行的任何时刻都必须保证A_i+B_j>＝-t_ij。在为顶点筛选值设定初值时，为保证顶点筛选值初始值符合条件，A_i＝max{-t_i1，-t_i2，...-t_im}，Bi＝0，同时为Y集合的顶点再设定一个辅助筛选量C＝{C₁，C₂，...C_m}，C_i初始值为INF(一个足够大的正整数)。

构建二分图G的子图G`＝{X，Y，E`}，X与Y两个顶点集合不变，依次将顶点X_i中大于或等于筛选值A_i的边筛选出来放入子图的边集E`中，接下来在子图G`中寻找一个最大匹配(匹配的意思为找到一个边的集合，且任意两条边都没有公共顶点)，此时为子图G`包含匹配边数最大的情况。设已匹配的边集为M，则有|M|<＝|X|<＝|Y|(n<＝m)。已匹配边集M的初始化过程为，从X集合的第一个顶点开始，依次将每个顶点其所在的边中选择权值最大且边的另一个顶点不是已匹配边集M中任意一条边的顶点的边加入到M中，若某顶点没有任何符合条件的边，则先跳过此顶点。

②寻找增广路径

増广路为从一个尚未匹配的顶点出发走交错路(从一个尚未匹配的顶点出发，依次经过未匹配边-匹配边-未匹配边......形成的路径)，如果在走交错路的最终抵达了任意一个除出发顶点以外的未匹配顶点，则这条交错路就被称作増广路。对增广路径进行取反操作，即将所有第奇数条边(未匹配边)加入到已匹配边集M中，把所有第偶数条边(匹配边)从已匹配边集M中删除，得到的新匹配边集M`，相比于原匹配边集M，匹配边数要多一条，即|M`|＝|M|+1。每次寻找到一条增广路径就可新增一个未匹配顶点，算法是通过进行多次循环将X集合中的所有顶点都成为匹配边集M中一条边的顶点，则完成匹配。当然，子图G`也有可能无法让所有X集合中的顶点都成为已匹配点，即子图G`的最大匹配的边数也小于X集合的顶点数(|M|<|X|)。为了能让某未匹配顶点能够匹配，需要放宽筛选的条件，将原图G中的一条或多条边添加到子图G`中，从而能根据该未匹配点找到増广路并将该未匹配点变为已匹配点。再如此循环，直到所有X集合中的顶点都成为已匹配点为止，此时|M|＝|X|。

例如，对于X集合某个顶点来说，找不到任何一条从它出发的増广路，则无法将以其为端点的任何一条边加入到边集M中，该顶点将永远无法成为已匹配顶点。此时可以从该顶点出发，用寻找交错路的方法来构建一棵交错树，其叶子顶点均在X集合中。此时将交错树中的所有在X集合中的顶点的筛选值A_i全部减少某个值f，交错树中所有在Y集合中的顶点的筛选值B_j全部增加同一个值f。这样的话，对于X端在交错树中而Y端不在交错树中的边[i,j]来说，它的A_i+B_j的值会减少，从而它将有可能被添加到子图G`中。

f的取值需要用到辅助Y集合顶点的辅助筛选量集合C。在每次对某个顶点寻找增广路径之前，先将集合中所有辅助筛选量Cj都重置为INF(对于同一个顶点来说，只有第一次寻找增广路径前才进行重置)。然后在上述用BFS寻找増广路径的过程中，会依次对每条边进行检查，此时，如果某条边[i,j]不在子图G`中，则修改C_j，使C_j＝min(C_j，A_i+B_j+-E_ij)。在修改筛选值时，取所有不在交错树中的Y顶点的辅助筛选量中的最小值为f，同时将这些顶点的辅助筛选量都减去f。

修改筛选值之后，将所有符合新筛选值条件的边加入到子图G`中(即E<sub>ij</sub><X<sub>i</sub>)，再继续对该未匹配顶点寻找增广路径，若依旧不能找到增广路径，则继续修改筛选值，添加新的边，直到能找到增广路径为止。在本例中，由于原图是完全二分图，所以最坏的情况下，将所有以该顶点为端点的边都加入到子图G`中时，也必定能存在增广路径。若能够找到增广路径，则继续对下一个X集合中的未匹配顶点进行上述操作，直到所有顶点都完成匹配为止。

当X集合中的所有顶点都已匹配之后，根据已匹配边集M来进行充电车位调度。若M集合中存在边[i,j]，则为号码为i的电动汽车分配号码为j的充电车位。

5)充电专车调度算法

在进行算法之前，将用户用车的紧急程度分为几个等级，为每一个等级设定一个超时惩罚时间DT和惩罚系数μ。使用户可根据自身需要充电的紧迫程度来选择不同充电紧急等级。

①首先，由于各种充电专车都是从充电站出发且最终返回充电站的，所以按充电站的位置对城市进行分区，每个充电站分配的具体区域大小跟充电站的规模(即拥有充电专车的数量)以及区域的车流量来决定。

②接来下是算法所需数据的初始化过程。每隔一定时间间隔t，充电站检测一次自己区域内的所有充电需求，包括每辆待充电的位置P＝{p₁，p₂，...，p_n}和它们的充电紧急程度E＝{e₁，e₂，...，e_n}。根据位置集合P算出二维上三角矩阵D[n+1][n+1]。其中D_0i表示充电站到第i辆电动汽车位置所需的时间，D_ij表示第i辆电动汽车位置到第j辆电动汽车位置所需的时间(0<i<j<＝n)。令初始温度为一足够大的数T₀和每个T值的迭代次数L。再用贪心算法得到初始解状态S，即从充电站开始，找到离充电站最近的i号待充电汽车放到充电队列中，再找离i号待充电汽车最近的第j号待充电汽车放到充电队列中，依次类推，已经加入到充电队列的待充电汽车不再进行计算，直到所有的待充电汽车都加入到充电队列位置，由此得到的n个待充电汽车的号码所组成的有序队列即初始状态解S，如S＝{3,1,2}，则表示有3辆待充电汽车，充电专车从充电站出发，先前往3号待充电汽车处为其充电，再依次前往1号和2号待充电汽车处进行充电，最后再返回充电站。

③对于每个温度T开始进行L次循环，每次循环随机产生一个新解，本发明采用随机交换法产生新解，即将原解S中排在第i位的电动汽车与第j位的电动汽车交换次序(i，j为小于等于n的随机正整数)得到新解S`。解的评价函数为：

C(S)＝k*(∑max(0,t_i-DT_i)*μ_i)

其中，t_i，DT_i和μ_i分别为第i辆待充电汽车需要等待的时间，充电紧急程度对应的超时等待时间和超时惩罚因子，k为常数系数。C(S)越小则表示算法性能越好。若C(S`)<C(S)，则接受新解S`作为当前解。若C(S`)>C(S)，则以exp[-(C(S`)-C(S))/T]的概率来接受新解。接受新解的话S＝S`，否则S不变，继续下一次循环。

在当前温度进行完L次循环后，开始降温，本发明采用线性降温函数，设降温总次数为K次，则第k次的温度T＝(K-k)/K*T₀。再对新温度进行L次循环。直到达到算法终止条件或T降为0为止。

为了优化算法效率，尽可能在不影响精度的情况下减少迭代次数，本发明采用阈值终止条件，即通过实验找到一个实验结果基本收敛时的温度，并在此温度下中止算法，减少算法运行时间。

6)性能评价

对于充电车位调度算法和充电专车调度算法，本发明分别采取不同的评价指标。充电车位调度算法的评价指标如下：电动汽车平均真实路程损耗时间，电动汽车平均最优调度差。充电专车调度算法的评价指标如下：算法的运行时间，电动汽车平均等待时间，电动汽车等待系数和。

如图2所示，采用二分图最大权值匹配相比于传统的贪心算法，可以有效地降低待充电汽车的真实路程损耗时间以及平均最优调度差，性能具有显著提升。

如图3所示，模拟退火算法相比于贪心算法，可以明显降低等待系数和，且进行尾部优化后，等待系数和只是略高一些。如图3所示，尾部优化的模拟退火算法得到的待充电汽车平均等待时间略大于模拟退火算法，而贪心算法可以取得明显更低的待充电汽车平均等待时间。但是等待系数和能比平均等待时间更好的反应出用户的满意程度，相较而言，尾部优化的模拟退火算法能取得更好的性能。

Claims (3)

1.电动汽车的充电策略是在智慧城市中普及电动汽车的基础，会影响城市中整体充电性能的优劣，其中包含充电桩的利用率、待充电汽车平均等待时间等性能指标，为了降低待充电汽车的平均等待时间，电动汽车充电策略，其特征在于提出了将充电车位调度策略与充电专车调度策略相结合的方法。

2.根据权利1所述的电动汽车充电策略，其特征在于仿WSNs的网络模型的建立：基于能耗模型、路径选择，计算网络各处节点与各充电车位的距离后，结合二分图最大权值匹配思想来优化充电桩选取策略。

3.根据权利1所述的电动汽车充电策略，其特征在于在充电专车调度策略中，采用优化后的模拟退火算法来规划充电专车的充电轨迹，从而提升用户的整体满意度。