CN108932561B - 一种考虑非线性充电函数的电动汽车充电路径选择方法 - Google Patents

一种考虑非线性充电函数的电动汽车充电路径选择方法 Download PDF

Info

Publication number
CN108932561B
CN108932561B CN201810651016.7A CN201810651016A CN108932561B CN 108932561 B CN108932561 B CN 108932561B CN 201810651016 A CN201810651016 A CN 201810651016A CN 108932561 B CN108932561 B CN 108932561B
Authority
CN
China
Prior art keywords
charging
path
time
function
automobile
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.)
Active
Application number
CN201810651016.7A
Other languages
English (en)
Other versions
CN108932561A (zh
Inventor
张莹
张昕
胡祥
文丰
杨普海
马群飞
高铭壑
汪澄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN201810651016.7A priority Critical patent/CN108932561B/zh
Publication of CN108932561A publication Critical patent/CN108932561A/zh
Application granted granted Critical
Publication of CN108932561B publication Critical patent/CN108932561B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了属于计算机应用技术领域的一种考虑非线性充电函数的电动汽车充电路径选择方法，包括：步骤1：构建充电汽车路径选择的最优化问题模型，描述充电汽车最优路径选择问题；步骤2：获取充电桩数据，建立数学模型，结合相关影响因素及约束条件，构建充电汽车路径选择的最优化问题数学模型；步骤3：确定路径算法和分布算法，根据步骤2的数学模型，结合约束条件确定影响因素，给出充电汽车最优路径选择算法。本发明从实际情况出发，收集充电桩的位置信息，通过机器学习算法，计算出所需要的充电函数，通过充电函数计算出路径中所需要的充电时间；计算充电汽车最短的可行路径，最大限度地减少整体出行时间，实现时间最优的路径规划。

Description

一种考虑非线性充电函数的电动汽车充电路径选择方法
技术领域
本发明属于计算机应用技术领域，特别涉及一种考虑非线性充电函数的电动 汽车充电路径选择方法，具体说是将计算机技术应用到能源互联网、新能源研究 的方法。
背景技术
随着社会经济的发展和人们生活水平的不断提高，人们对汽车的需求量逐年 大幅度上涨，随之而来的是环境问题，即汽车尾气的排放对环境造成极其严重的 影响。面对严峻的环境问题，我国大力倡导“低碳生活，绿色出行”、“节能环保 我先行”，一大批新兴节能环保朝阳产业孕育而生，电动汽车产业横空出世，既 能满足人们的需求，又能降低对环境的破坏，实现对环境的“零”伤害。未来电 动汽车的大规模发展急需众多配套充电设施进行服务,因此公共充电桩的建设就 需要用科学的方法进行合理布局。充电桩的建设受到地域,环境等多方面因素影 响,建立一个合理的充电桩分布模型正是一个亟待解决的问题。
当前国内电动汽车的发展，较发达国家来说发展相对滞后。国外电动汽车产 业的发展相对较早，配套的基础设施也在逐步完善当中，对电动汽车的研发，得 到了法律，政府的资金和科研力量的大力支持。而国内外对电动汽车的研究主要 集中在与其相关的配套基础设施、车载动力源、未来发展历程、未来发展趋势等 几大主要方面，对于电动车的路径规划研究较少。根据目前电动汽车发展趋势， 预计电动汽车在未来二三十年会呈现大幅度增长态势。电动汽车成为主要代步工 具后，用户和电力系统将面临新的问题。一方面，车主需要考虑如何选择一个最 佳充电桩和充电路径，使得寻找充电和充电的总时间花费最短；另一方面，电力 系统需要避免电动汽车大量集中在某一座充电桩充电造成过载和电压水平过低。 当前电动汽车受限于电池的发展，其续航有很大的限制，这就需要规划它的行驶路径。而电动汽车行驶过程中受到很多因素的影响，电池电量，行车速度，道路 拥堵等。本发明专利主要针对这些影响因素，在起始地到目的地之间给出一条最 优的路径，使充电资源合理利用，使电动汽车出行率大大提升；还可以大大降低 电动汽车寻找充电桩的时间，更加合理地分配不同时段前往充电桩的车辆；缓解 附近的道路拥堵率和道路饱和程度，改善局部交通拥堵情况；能有效控制各个时 间段各充电桩的充电负荷，优化各充电桩负荷的时空分布。
电动汽车逐渐进入城市交通网，成为了一种新型节能环保的交通工具。近年来，电动汽车作为化石燃料独立替代品，其数量在稳定增长。然而，其有限的电池容 量，导致其续航里程相对较小，这仍然是一个主要障碍。虽然电动车辆的充电桩 数量正在扩建中，但与传统加油站相比，它们仍然相当少。此外，电池充电的过 程是耗时的，通常需要几个小时，因此，预先计划好充电位置的路径非常重要， 这同时也对路径算法提出了新的挑战。由于充电汽车路径选择问题属于NP难问 题：NP为多项式复杂程度的非确定性问题，因此首先需要列出带有约束条件的最 优化目标函数，然后通过本发明提出的相应算法，找到最优化目标函数的近似解。
电动汽车有限的电池容量对路径算法来说是一个很大的约束，需要作特殊的 处理。最重要的一点，路径算法必须确保车辆不会耗尽能源，保证车辆的续航。 此外，当电动汽车在下坡行驶的时候，可以对电池充电，这种效应称为电池恢复。 而电池恢复不会超过电池的最大容量。因此，路径算法还必须跟踪电动车辆的电 池状态，确保电池的状态一直处于这些约束之内。
发明内容
本发明的目的是提出一种考虑非线性充电函数的电动汽车充电路径选择方 法。其特征在于，包括如下步骤：
步骤1：构建充电汽车路径选择的最优化问题模型，描述充电汽车最优路径 选择问题；
步骤2：获取充电桩数据，建立数学模型，结合相关影响因素及约束条件， 构建充电汽车路径选择的最优化问题数学模型；
步骤3：确定路径算法和分布算法，根据步骤2的数学模型，结合约束条件 确定影响因素，给出充电汽车最优路径选择算法。
所述步骤1具体包括：
步骤A1:构建充电汽车路径选择的最优化问题模型，定义如下：
(1)设路径图G＝(V,E)由点集V和边集E组成，(u,v)∈E是从点u到点v 的边，边上的权重代表从点u到点v的时间成本或能量成本。路径图G中的路径 P＝(v1,v2,…,vk)由V中的一组节点组成，边e＝(vi-1,vi)属于边集E；其中，vi表 示路径P中的第i个节点，i是路径中包含的节点编号；
(2)最短路径问题包含四个子问题：
一，单对最短路径问题(SPSP)：给定路径图G＝(V,E)，边的权重函数wf， 起点s和终点t，求起点s与终点t之间的最短路径s-t-path；
二，单一起点最短路径(SSSP)：给定路径图G＝(V,E)，边的权重函数wf， 以及起点s，求起点s到V中所有其他节点的最短路径；
三，单一终点最短路径(SDSP)：给定路径图G＝(V,E)，边的权重函数wf， 以及终点v，求V中所有节点到终点v的最短路径；
四，全对最短路径(APSP)：给定路径图G＝(V,E)，边的权重函数wf，求V 中任意一对节点之间的最短路径；
步骤A2:描述充电汽车最优路径选择问题，
所涉及的问题属于SPSP问题，并且考虑了电动汽车电池容量的限制问题， 带有约束的最短路径问题属于受限最短路径问题；受限最短路径问题定义如下：
受限最短路径问题(CSP)：给定路径图G＝(V,E)，边值权重wf，原点s，终 点t，资源消耗上限值C，求从s到t的消耗最小的路径P＝(s＝v1,v2,…,vk＝t)， 使得该路径上的消耗值小于C，即满足条件
Figure BDA0001704814950000041
CSP问题属 于NP难问题。
电动汽车路径规划问题(EVR)：给定路径图G＝(V,E)，边值权重wf，原点s， 终点t，能量消耗函数cons，电池容量有效范围B＝[0,M]，(M代表电池最大容 量，求从s到t的消耗最小的路径P＝(s＝v1,v2,…,vk＝t)，使得该路径上每个 节点vi的电池容量均在[0,M]之间；EVR问题在路径规划中没有引入充电桩信息， 下面是在充电桩处再充电的情形；
带有充电函数的电动汽车路径规划问题(EVRC)：给定路径图G＝(V,E)，边 值权重wf，原点s，终点t，能量消耗函数cons，电池容量有效范围B＝[0,M]，M 代表电池最大容量；初始电量b0(s)，一组充电桩
Figure BDA0001704814950000042
求从s到t的消耗最小 的路径P＝(s＝v1,v2,…,vk＝t)以及每个充电节点的充电函数，使得该路径上每 个节点vi的电池容量均在[0,M]之间。
所述步骤2包括如下步骤：
步骤B1：获取充电桩数据。首先获取充电桩位置，通过调用高德地图api， 获取充电桩位置精确信息(经纬度)，并存入数据库中；之后以充电桩为结点， 建立图结构，图中边的权值为<cost，time>。其中cost代表相邻两点间的能量 消耗，time代表相邻两点间所需花费的时间；
步骤B2：获取充电函数，电动汽车充电时间与电量之间并非是一个线性关系， 而是一个分段函数；首先采集数据，通过查看电动汽车绑定的微信公众号实时查 看状态，采集电池电量与时间的数据；然后通过线性回归方法获得充电电量与充 电时间的关系函数曲线图；所得充电函数如下：
Figure RE-GDA0001820985570000051
其中x为充电时间，b0为电动汽车初始电量，SoC为电动汽车充电过程中的当下 电量；该关系是一个分段函数，电池电量在0–80％范围内时，cf是线性函数， 电池电量在80％-100％范围内时，则是一条曲线；其中，x代表充电时间，a1， b1,a2,b2,c均代表所构建出的拟合函数的参数。
步骤B3：以集合实际约束条件为主要目标，为电动汽车找到时间最优路径， 即解决充电汽车路径选择的最优化问题，目标函数及约束条件如下，
目标函数：
Figure RE-GDA0001820985570000052
其中k代表所选路径中所包含的第k个节点，we(vi，vi+1)代表边(vi，vi+1) 的权重，vi、vi+1分别代表所选路径中所包含的第i和第i+1个节点，ct(vr)代表 在节点Vr处的充电时间，st代表电动汽车在充电桩处的服务时间，Vr代表电动
Figure RE-GDA0001820985570000061
代表电动汽车在每个充电站处的 充电时间累加。
约束条件:
|vr|＝m,|vc|＝n,m≤n (2)
其中，n代表路网中所有节点的数量，m代表路网中充电站的数据，vr代表 路网中的充电站节点，vc代表路网中的任意节点。
Figure BDA0001704814950000061
其中，b(vi)代表电动汽车在节点vi处的电量，cons(vi-1,vi)代表电动汽 车从节点vi-1到vi所需要的电量开销；{Vc}代表充电站节点集合，{Vr}代表 电动汽车实际充电的充电站节点集合。
Figure BDA0001704814950000062
其中，ct(vr(i))代表电动汽车在节点vr处的充电时间，其中vr为电动汽车 实际充电的充电站节点，st代表充电汽车在充电站获取充电服务的时间， |Vr|代表电动汽车选做实际充电的充电站节点个数；ct(vc(j))代表电动汽车 在节点vc处的充电时间，其中vc为路网中充电站节点，st代表充电汽车在 充电站获取充电服务的时间，|Vc|代表路网中充电站节点个数；
cf(ba,ct)<cf(bb,ct),(ba≥threshold,bb<threshold) (5)
其中cf(ba,ct)函数意义为：电动汽车初始电量为ba,ct为充电时间， cf(ba,ct)代表充电时间ct后，电动汽车所达到的电量值。
所述步骤3包括如下步骤：
步骤C1：获取步骤2中图结构的所有路径，并按照能量消耗权值进行排序， 其中采用了图的深度遍历算法，将求出所有路径存到HashMap中。
步骤C2：从步骤C1中选择最短的路径开始，判断其是否在不充电的情况下 能直接通过，如果可以，则该最短路径即为所求的最短路径；反之，则要找充电 汽车在当前位置并在不充电的情况下可达的最远的充电桩的最短路径，计算电量 消耗；在选择了最远可达充电桩后，需要解决的第二个关键因素是在该点处，充 电函数选哪段，充电量为多少。
步骤C3：从步骤C1中的路径列表中选择下一条路径继续遍历，直到步骤 C1中的行驶时间大于之前算出的路径的总时间为止，然后取其中总时间最短的一 条，该条路径即为最短路径。遍历过程中输出到每个结点的详细数据，包括在充 电桩充多少电，消耗多长时间，最后总时间等信息。
本发明的有益效果是本发明从实际情况出发，收集充电桩的位置信息，通过 机器学习算法，计算出我们所需要的充电函数，通过充电函数计算出路径中所需 要的充电时间；然后我们引入了一种新的电动汽车路径规划方法，计算充电汽车 最短的可行路径，最大限度地减少整体出行时间。与其他工作不同，我们考虑了 四个重要因素，即充电桩的位置，每个充电桩的充电时间，非线性曲线充电函数 以及服务时间和服务频率。我们的主要目标是实现时间最优的路径规划。
附图说明
图1为一组充电桩设置示意图，其中，a为充电桩节点集合为{v3，v4，v6}， b与c为充电桩节点集合为{v3，v5，v6}。
图2为网上下载的北京市高德地图。
图3为充电函数趋势图。
具体实施方式
本发明提出一种考虑非线性充电函数的电动汽车充电路径选择方法，下面结 合附图，对优选实施例作详细说明。
本发明提出的新的电动汽车路径规划方法，在这项工作中，此方法用高德地图API来获取充电桩数据(如图2所示)，通过机器学习算法来得到充电函数(充电时 间与电量的关系)，通过最短路径算法得到图中总时间最短的路径。
实施例
一种考虑非线性充电函数的电动汽车充电路径选择方法包括如下步骤：
步骤1：构建充电汽车路径选择的最优化问题模型，确立充电汽车最优路 径选择问题描述。
所述步骤1包括如下步骤：
步骤A1:构建充电汽车路径选择的最优化问题模型
如例图图1所示，给定路径图G＝(V,E)由点集V和边集E组成，其中， V＝{s,t,v0,v1,v2,v3,v4,v5,v6}， E＝{(s,v0),(v0,v1),(v1,v2),(v2,v3),(v3,v4),(v4,v5),(v5,v6),(v6,t)}，边上的权 重代表两点之间的能量消耗成本。路径图G中的路径P＝(v1,v2,…,vk)由V中的 一组节点组成，边e＝(vi-1,vi)属于边集E。
充电汽车路径选择的最优化问题，可以转化为单对最短路径问题：给定路径 图G＝(V,E)，边的权重函数wf，起点s和终点t，求起点s与终点t之间的最短 路径s-t-path。
步骤A2:确立充电汽车最优路径选择问题描述
带有充电函数的电动汽车路径规划问题(EVRC)：给定路径图G＝(V,E)，其， V＝{s,t,v0,v1,v2,v3,v4,v5,v6}， E＝{(s,v0),(v0,v1),(v1,v2),(v2,v3),(v3,v4),(v4,v5),(v5,v6),(v6,t)}，边值权重 wf，原点s，终点t，能量消耗函数cons，电池容量有效范围B＝[0,M](M＝100％， 代表电池最大容量)，初始电量b0(s)＝100％，一组充电桩(如图1中的圆圈所示)
Figure BDA0001704814950000081
求从s到t消耗最小的路径P＝(s＝v1,v2,…,vk＝t)以及每个充电节点 的充电函数，使得该路径上每个节点vi的电池容量均在[0,M]之间。
步骤2：获取充电桩数据，建立数学模型。结合相关影响因素及约束条件， 构建充电汽车路径选择的最优化问题数学模型。
所述步骤2包括如下步骤：
步骤B1：获取充电桩数据。首先获取充电桩位置，通过调用高德地图api， 获取充电桩的精确经纬度位置信息(如下面地点信息表所示)，并存入数据库中； 之后以充电桩为节点，建立图结构。
地点信息表
Figure BDA0001704814950000091
如图1所示，圆圈节点代表充电桩节点，图1中.a为充电桩节点集合为{v3， v4，v6}，b与c为充电桩节点集合为{v3，v5，v6}。边的权值代表相邻两点间的 电量消耗<cost>。以EV160为例，它的续航里程为160km，电量消耗
Figure BDA0001704814950000092
其中，dis(vi,vj)为vi与vj两点之间的距离。
步骤B2：获取充电函数。首先采集电池电量与时间的数据，根据公式(7)计 算电池电量为0-80％时的线性回归函数中参数a1、b1的取值；根据采集到的电量 与时间关系数据，计算电池电量为80％-100％时的二次函数方程中参数a2、b2和c 的取值。
Figure RE-GDA0001820985570000102
其中x为充电时间，b0为电动汽车初始电量，SoC为电动汽车充电过程中的当下 电量(如图3的充电函数趋势图所示)。
步骤B3：实现机器学习线性回归算法，使用子步骤B1中采集的数据，放到 步骤B2的方程中，得到分段充电函数(充电时间与电量之间的关系)
步骤3：建立数学模型，实现最短路径算法；该算法的伪代码如下：
Figure BDA0001704814950000101
所述步骤3包含如下步骤：
步骤C1：遍历图中所有路径，记录每条路径的能量消耗及行驶时间，并以递 增顺序排列。
步骤C2：从步骤C1中的路径开始遍历，从最短的路径开始，判断其是否在 不充电的情况下能直接通过，如果可以，则该最短路径即为所求的最短路径；反 之，找到当前节点在不充电的情况下可达的最远的充电桩，计算电量消耗。如图 1中的case(a)所示，为了降低充电频率，首先选择最远可达的充电桩，V3是沿 路径l最远可达的充电桩。从V3开始，下一个最远可达的充电桩是V6，V3与V6之间的消耗是70％，剩余的10％电量用来保护电池寿命。因此，充电汽车在V3需 要充电到80％。到达V6后，为了到达终点t，充电汽车需要的充电量至少为50％。 总的时间为汽车行驶时间+充电时间。在选择了最远可达充电桩后，考虑的第二个关键因素是在该点处，充电函数选哪段，充电量为多少。例如，图1中的case(b) 与case(c)的路况相同，选择的路径相同。根据算法原则，case(b)中选择在V3处充电到100％。因为在V3处充满电，可以保证充电汽车直接到达终点。如果如 case(c)所示，为了保证充电的效率，选择在V3处充电到80％，那么充电汽车需 要在V3处再次充电到40％。在充电函数相同的情况下，case(b)与case(c)的充电 情况一致。但是，case(b)的充电时间要高于case(c)，因为从80％-100％的阶段， 充电效率降低。尽管如此，case(c)的服务时间要高于case(b)的服务时间，因为 case(c)比case(b)多充电一次。对于给定的车型，如果服务频率对总时长的影响 高于充电效率，那么我们会选择case(b)的充电方式。具体的算法选择，依赖于 充电汽车的车型。本发明选择路径的原则就是最小化从起点到终点间的时间。
步骤C3：从步骤C1中的路径列表中选择下一条路径继续遍历，直到步骤C1 中的行驶时间大于之前算出的路径的总时间为止，然后取其中总时间最短的一 条，该条路径即为最短路径。

Claims (1)

1.一种考虑非线性充电函数的电动汽车充电路径选择方法，其特征在于，包括如下步骤：
步骤1：构建充电汽车路径选择的最优化问题模型，描述充电汽车最优路径选择问题；
所述步骤1具体包括：
步骤A1:构建充电汽车路径选择的最优化问题模型，定义如下：
(1)设路径图G＝(V,E)由点集V和边集E组成，(u,v)∈E是从点u到点v的边，边上的权重代表从点u到点v的时间成本或能量成本；路径图G中的路径P＝(v1,v2,…,vk)由V中的一组节点组成，边e＝(vi-1,vi)属于边集E；其中，vi表示路径P中的第i个节点，i是路径中包含的节点编号
(2)最短路径问题包含四个子问题：
一，单对最短路径问题(SPSP)：给定路径图G＝(V,E)，边的权重函数wf，起点s和终点t，求起点s与终点t之间的最短路径s-t-path；
二，单一起点最短路径(SSSP)：给定路径图G＝(V,E)，边的权重函数wf，以及起点s，求起点s到点集V中其他节点的最短路径；
三，单一终点最短路径(SDSP)：给定路径图G＝(V,E)，边的权重函数wf，以及终点v，求点集V中所有节点到终点v的最短路径；
四，全对最短路径(APSP)：给定路径图G＝(V,E)，边的权重函数wf，求点集V中任意一对节点之间的最短路径；
步骤A2:描述充电汽车最优路径选择问题，
所涉及的问题属于SPSP问题，并且考虑了电动汽车电池容量的限制问题，带有约束的最短路径问题属于受限最短路径问题；受限最短路径问题定义如下：
受限最短路径问题(CSP)：给定路径图G＝(V,E)，边值权重wf，原点s，终点t，资源消耗上限值C，求从s到t的消耗最小的路径P＝(s＝v1,v2,…,vk＝t)，使得该路径上的消耗值小于C，即满足条件
Figure FDA0003102783710000021
CSP问题属于NP难问题；
电动汽车路径规划问题(EVR)：给定路径图G＝(V,E)，边值权重wf，原点s，终点t，能量消耗函数cons，电池容量有效范围B＝[0,M]，M代表电池最大容量，求从s到t的消耗最小的路径P＝(s＝v1,v2,…,vk＝t)，使得该路径上每个节点vi的电池容量均在[0,M]之间；EVR问题在路径规划中没有引入充电桩信息，下面的EVRC问题引入了在充电桩处再充电的情形；
带有充电函数的电动汽车路径规划问题(EVRC)：给定路径图G＝(V,E)，边值权重wf，原点s，终点t，能量消耗函数cons，电池容量有效范围B＝[0,M]，M代表电池最大容量；初始电量b0(s)，一组充电桩
Figure FDA0003102783710000022
求从s到t的消耗最小的路径P＝(s＝v1,v2,…,vk＝t)以及每个充电节点的充电函数，使得该路径上每个节点vi的电池容量均在[0,M]之间；
步骤2：获取充电桩数据，建立数学模型，结合相关影响因素及约束条件，构建充电汽车路径选择的最优化问题数学模型；
所述步骤2包括如下步骤：
步骤B1：获取充电桩数据， 首先获取充电桩位置，通过调用高德地图api，获取充电桩精确的经纬度位置信息，并存入数据库中；之后以充电桩为结点，建立充电桩位置图结构，图中边的权值为<cost，time>，其中cost代表相邻两点间的能量消耗，time代表相邻两点间所需花费的时间；
步骤B2：获取充电函数，电动汽车充电时间与电量之间并非是一个线性关系，而是一个分段函数；首先采集数据，通过查看电动汽车绑定的微信公众号实时查看状态，采集电池电量与时间的数据；然后通过线性回归方法获得充电电量与充电时间的关系函数曲线图；所得充电函数如下：
Figure FDA0003102783710000031
其中x为充电时间，b0为电动汽车初始电量，SoC为电动汽车充电过程中的当下电量；该关系是一个分段函数，电池电量在0–80％范围内时，cf是线性函数，电池电量在80％-100％范围内时，则是一条曲线；其中，x代表充电时间，a1，b1,a2,b2,c均代表所构建出的拟合函数的参数；
步骤B3：以集合实际约束条件的主要目标为电动汽车找到充电桩的最优时间的最优路径，即解决充电汽车路径选择的最优化问题，目标函数及约束条件如下，目标函数：
Figure FDA0003102783710000032
其中，k代表所选路径中所包含的第k个节点，we(vi，vi+1)代表边(vi，vi+1)的权重，vi、vi+1分别代表所选路径中所包含的第i和第i+1个节点，ct(vr)代表在节点Vr处的充电时间，st代表电动汽车在充电桩处的服务时间，Vr代表电动汽车实际充电的充电站节点；第二项
Figure FDA0003102783710000033
代表电动汽车在每个充电站处的充电时间累加，约束条件:
|vr|＝m，|vc|＝n，m≤n (2)
式(2)中n代表路网中所有节点的数量，m代表路网中充电站的数据，vr
代表路网中的充电站节点，vc代表路网中的任意节点，
Figure FDA0003102783710000034
其中，b(vi)代表电动汽车在节点vi处的电量，cons(vi-1,vi)代表电动汽车从节点vi-1到vi所需要的电量开销， {Vc}代表充电站节点集合，{Vr}代表电动汽车实际充电的充电站节点集合，
Figure FDA0003102783710000041
其中，(i))代表电动汽车在节点vr处的充电时间，其中vr为电动汽车实际充电的充电站节点，st代表充电汽车在充电站获取充电服务的时间，|Vr|代表电动汽车选做实际充电的充电站节点个数；ct(vc(j))代表电动汽车在节点vc处的充电时间，其中vc为路网中充电站节点，st代表充电汽车在充电
站获取充电服务的时间，|Vc|代表路网中充电站节点个数；
cf(ba，ct)＜cf(bb，ct),ba≥threshold,and bb＜threshold (5)
式(5)中，cf(ba,ct)函数意义为：电动汽车初始电量为ba,ct为充电时间，cf(ba,ct)代表充电时间ct后，电动汽车所达到的电量值；
步骤3：确定路径算法和分布算法，根据步骤2的数学模型，结合约束条件确定影响因素，给出充电汽车最优路径选择算法；
所述步骤3包括如下步骤：
步骤C1：获取步骤2中图结构的所有路径，并按照能量消耗权值进行排序，其中采用了图的深度遍历算法，将求出所有路径存到HashMap中；
步骤C2：从步骤C1中选择最短的路径开始，判断其是否在不充电的情况下能直接通过，如果可以，则该最短路径即为所求的最短路径；如果可以，则该最短路径即为所求的最短路径；反之，则要找充电汽车在当前位置并在不充电的情况下可达的最远的充电桩的最短路径，计算电量消耗；在选择了最远可达充电桩后，需要解决的第二个关键因素是在该点处，充电函数选哪段，充电量为多少；
步骤C3：从步骤C1中的路径列表中选择下一条路径继续遍历，直到步骤C1中的行驶时间大于之前算出的路径的总时间为止，然后取其中总时间最短的一条，该条路径即为最短路径，遍历过程中输出到每个结点的详细数据，包括在充电桩充多少电，消耗多长时间和最后总时间。
CN201810651016.7A 2018-06-22 2018-06-22 一种考虑非线性充电函数的电动汽车充电路径选择方法 Active CN108932561B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810651016.7A CN108932561B (zh) 2018-06-22 2018-06-22 一种考虑非线性充电函数的电动汽车充电路径选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810651016.7A CN108932561B (zh) 2018-06-22 2018-06-22 一种考虑非线性充电函数的电动汽车充电路径选择方法

Publications (2)

Publication Number Publication Date
CN108932561A CN108932561A (zh) 2018-12-04
CN108932561B true CN108932561B (zh) 2021-07-30

Family

ID=64446168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810651016.7A Active CN108932561B (zh) 2018-06-22 2018-06-22 一种考虑非线性充电函数的电动汽车充电路径选择方法

Country Status (1)

Country Link
CN (1) CN108932561B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT201900000605A1 (it) * 2019-01-15 2020-07-15 Univ Degli Studi Genova Metodo e sistema per la gestione ottimizzata in tempo reale del trasporto tramite veicoli elettrici
CN109872070B (zh) * 2019-02-22 2023-04-07 中南大学 基于团划分的静态充电桩部署方法
CN110059860B (zh) * 2019-03-21 2021-01-12 华北电力大学 一种城市的公共充电站位置布局多目标优化方法
CN110493305A (zh) * 2019-07-05 2019-11-22 广州车行易科技股份有限公司 一种根据充电站使用状况和距离远近来进行充电路径规划的方法
CN110689200B (zh) * 2019-09-30 2022-07-12 杭州电子科技大学 一种电动汽车长途运输中的充电路径导航方法
CN112734063A (zh) * 2019-10-11 2021-04-30 重庆广仁铁塔制造有限公司 充电桩智能引导平台
CN111311158B (zh) * 2020-03-04 2023-08-18 西华大学 一种有限充电设施条件下的电动物流车路径规划方法
CN111845426B (zh) * 2020-07-01 2021-09-24 大连理工大学 基于列生成框架的纯电动公交车充电功率分配及优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6092010A (en) * 1997-09-03 2000-07-18 Jervis B. Webb Company Method and system for describing, generating and checking non-wire guidepaths for automatic guided vehicles
CN103935259A (zh) * 2014-03-31 2014-07-23 同济大学 基于耗电量的电动汽车最优路径查找方法
CN105046356A (zh) * 2015-07-13 2015-11-11 武汉大学 一种电动汽车续航里程优化装置及方法
CN107025518A (zh) * 2017-03-20 2017-08-08 中国电力科学研究院 一种电动汽车充电站规划方法及装置
CN107886186A (zh) * 2017-10-16 2018-04-06 清华大学 一种基于行车数据及维诺图划分区域的充电桩设置方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6092010A (en) * 1997-09-03 2000-07-18 Jervis B. Webb Company Method and system for describing, generating and checking non-wire guidepaths for automatic guided vehicles
CN103935259A (zh) * 2014-03-31 2014-07-23 同济大学 基于耗电量的电动汽车最优路径查找方法
CN105046356A (zh) * 2015-07-13 2015-11-11 武汉大学 一种电动汽车续航里程优化装置及方法
CN107025518A (zh) * 2017-03-20 2017-08-08 中国电力科学研究院 一种电动汽车充电站规划方法及装置
CN107886186A (zh) * 2017-10-16 2018-04-06 清华大学 一种基于行车数据及维诺图划分区域的充电桩设置方法

Also Published As

Publication number Publication date
CN108932561A (zh) 2018-12-04

Similar Documents

Publication Publication Date Title
CN108932561B (zh) 一种考虑非线性充电函数的电动汽车充电路径选择方法
CN108199100B (zh) 智能交通中电动汽车长途运行充电规划方法
CN110880054B (zh) 一种电动网约车充换电路径的规划方法
Guo et al. Rapid-charging navigation of electric vehicles based on real-time power systems and traffic data
CN111311122B (zh) 面向智慧城市的充电站建设方法
CN103236179A (zh) 一种计及交通信息与电网信息的电动汽车充电导航方法
EP3919318A1 (en) Intelligent charging method and system for electric vehicle on highway
CN112418610B (zh) 基于soc信息与路网电网信息融合的充电优化方法
CN111523714A (zh) 一种电力充电站选址布局方法及装置
González et al. Public transportation with electric traction: Experiences and challenges in an Andean city
CN110232219A (zh) 一种基于数据挖掘的电动汽车可调度容量核定方法
Qian et al. Electric vehicles charging scheduling optimization for total elapsed time minimization
CN111915150A (zh) 一种电动公交系统规划方法
Lu et al. En-route electric vehicles charging navigation considering the traffic-flow-dependent energy consumption
CN112053053B (zh) 一种电动汽车充电站选址方法
Guo et al. Optimal path planning method of electric vehicles considering power supply
CN116542377A (zh) 一种电动汽车充电站的规划方法
CN115907227A (zh) 一种高速公路固定与移动充电设施双层协同优化方法
CN110674988A (zh) 一种基于电动汽车出行大数据的城区充电站规划方法
Shom et al. Determining optimal locations of electrified transportation infrastructure on interstate/us-highways
Zhou et al. A Study of Charging Demand Estimation Model of Electric Passenger Vehicles in Beijing
Wang Comparative study on solving the minimum fleet of shared autonomous vehicles
Zhang et al. Electric vehicle charging demand forecasting based on city grid attribute classification
Shimin et al. Location and capacity planning of electric vehicles charging piles
Shu et al. Capacity optimization of highway charging station considering charging guidance mechanism

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
GR01 Patent grant
GR01 Patent grant