CN108981736B - 一种基于用户出行规律的电动汽车充电路径优化方法 - Google Patents

Abstract

本发明公开一种基于用户出行规律的电动汽车充电路径优化方法，包括步骤：（1）统计车主出行特性；（2）数据获取：包括与电动汽车出行特征相关的数据，以及充电站、道路拥堵情况的数据；（3）构建交通网络：建立包含节点和双向边的地区交通网络；（4）数据分析与处理：统计车主的习惯性充电站以及充电时间，生成相应的出行链，并依据（1）中调查结果对分析结果进行修正；（5）建立电动汽车充电路径优化模型，（6）利用电动汽车充电路径优化模型，从多个出行链中选出综合充电时间、行车路径和费用的最优充电需求导向的行车路径供车主参考。本发明是在充分考虑区域历史情况以及用户充电习惯，为用户提供对应出行需求的出行路径，克服了实时路径规划系统对于通讯硬件设施要求严苛的弊端，且使充电路径更加个性化。

Description

一种基于用户出行规律的电动汽车充电路径优化方法

技术领域

本发明设计电动汽车充电导航技术领域，特别是一种基于用户出行规律的电动汽车充电路径优化方法。

背景技术

随着新能源汽车的快速推广和充电基础设施的建设与完善，电动汽车在我国已得到大规模的普及，如何保证电动汽车车主的积极性，对于电动汽车的加速发展至关重要。

电动汽车作为可移动的负荷，若没有合理的充电控制策略，势必会给电网带来冲击，加重交通道路的堵塞情况；于此同时，车主的充电体验可能会随充电时间长、充电费用多而下降，最终影响电动汽车的推广与使用。现有的充电控制策略主要面向大量电动汽车，以确保全局最优为目标，而少有考虑单辆电动汽车的充电路径及充电功率，缺少针对单个用户的个性化充电导航增殖服务。同时，现有的路径优化多为实时优化，需要用户对始末位置进行手动输入，并需要获取实时交通状况和充电站内的实时情况，对于通信系统以及硬件设施要求较高，一旦出现通信中断或硬件损毁，则规划结果将出现问题甚至无法进行。因此，如何通过用户的充电行为进行数据自学习，以推测每个用户的出行特性，为用户定制个性化的充电路径，或提供充电出行建议，是值得思考的议题之一。而当前，大数据、云存储等技术迅猛发展，使得获取特定车辆的大量历史出行数据、并对其进行分析从而获得该车主的出行规律成为可能。

出行链，个人为满足特定的生产、生活的需求，而进行的一系列在时间和空间上相互链接的出行过程。包括时间分布信息、空间分布信息和出行方式特征等信息。

Dijkstra(迪杰斯特拉)算法是典型的单源最短路径算法，用于计算一个节点到其他所有节点的最短路径。

发明内容

本发明的目的是提供一种基于用户出行规律的电动汽车充电路径优化方法，在获取、分析区域内电动汽车大量历史出行数据的基础上，兼顾各车主充电习惯，为车主提供不同需求导向的充电路径和相应的充电功率及充电时段，保证各电动汽车车主的充电体验，利于电动汽车的推广与使用。

本发明采取的技术方案为：一种基于用户出行规律的电动汽车充电路径优化方法，包括：

S1，调查获取电动汽车车主的出行特性信息；

S2，获取各电动汽车车主的历史充电数据、地区各充电站的历史数据，和地区交通历史数据；

S3，构建地区交通网络，所述交通网络包括对应各条道路的边，和对应各条道路起始点的节点；获取交通网络中各网格对应的区域的行业属性，并标记各充电站所在节点位置；

S4，基于S3获取的历史数据，统计各车主在各充电站内的充电数据，基于各车主的充电数据统计结果，分别建立对应各车主的出行链；进而根据S1得到的各车主出行特性信息，对相应的出行链进行修正；

S5，以行车路径最优、充电时间最短和充电费用最少为优化目标，建立电动汽车充电路径优化模型；

S6，利用S5建立的电动汽车充电路径优化模型对S4得到的修正后的各出行链进行优化，得到对应各车主各出行链的综合最优充电路径数据。

优选的，S1中，所述出行特性信息包括车主工作地点信息、住宅地址信息、充电路径信息、习惯充电站信息、习惯充电时间信息和充电结束后的期望SOC值信息。

优选的，S2中，所述历史充电数据包括电动汽车的充电时间数据、充电站和充电功率区间数据；地区各充电站的历史数据包括充电站数量和各充电站各时间段的充电车辆数量；地区交通历史数据包括地区各条道路各时间段的车流量大小和道路长度数据。

优选的，S3中，将实际的每个路口定义成一个节点并编号，标记充电站所在节点位置；两个路口之间的道路定义为边并编号，边的长度即为相应道路的实际长度；根据区域的行业属性，将交通网络中各网格对应的区域标记为工业区、商业区或居民区。在实际情况中，车辆可以在任意两个由边相联的节点间移动。各网格区域的行业属性可通过调查获知，为现有技术。

优选的，S4中，各车主的充电数据统计结果包括：各车主在各充电站内的充电频次和充电时间。

优选的，S4包括步骤：

S41，根据各车主的充电数据统计结果，判断各车主的充电习惯属性；充电习惯属性包括：习惯性充电时间是否固定，习惯性充电站点是否固定，以及是否为上下班用车；

S42，根据各车主的充电习惯属性，分别生成对应各电动汽车的出行链，包括步骤：

S421，判断车主是否具有固定的习惯性充电站，若是则转至S422，否则转至步骤S423；

S422，判断车主是否具有固定的习惯性充电时间，若是则转至步骤S424，否则以车主的习惯性充电站为圆心，设定的值作为半径作圆形，随机选择圆形区域内的节点作为路径的始末节点，生成出行链，出行链中的充电时间随机；

S423，判断车主是否具有固定的习惯性充电时间，若否则生成始末节点和充电时间均随机的出行链；若是则生成始末节点随机，但充电时间对应习惯性充电时间的出行链；

S424，判断车主习惯性充电时间是否在常规工作时间之外，若是则判定相应的电动汽车为上下班用车，否则判定相应的电动汽车为自由职业人士用车；

对于上下班用车，生成始末节点对应家往返工作单位，以及工作单位往返娱乐休闲的多个出行链，充电时间分别对应相应的习惯性充电时间；

对于自由职业人士用车，生成始末节点对应家往返娱乐休闲的出行链，充电时间对应习惯性充电时间；

S43，根据S1得到的各车主出行特性信息，获取车主反馈的出行路径及其对应的始末节点，对相应车主的出行链生成结果进行修正：

若车主反馈的充电路径及其始末节点与已生成的某一出行链及其始末节点的所在区域相吻合，则用车主反馈的充电路径始末节点更新已生成的相应出行链的始末节点；

若车主反馈的出行路径不同于已生成的任一出行链，则将车主反馈的充电路径始末节点作为新增出行链的始末节点；

S44，得到对应各电动汽车的出行链，各出行链分别包括始末节点、充电站点和充电时间。

上述固定的习惯性充电时间和固定的习惯性充电站点中所述“固定”皆为相对概念，其中徐惯性充电时间是否固定可通过设定时间区间来判断，为现有技术。

优选的，S5中，所述电动汽车充电路径优化模型中，目标函数为：

式(1)中，

式(1)和式(2)中，f_i为充电路径综合指标；a₁、a₂和a₃分别为行车路径长度、充电时间长度和充电成本的权重系数；

为为第i辆车选择第j个充电站进行充电所需行驶的路径总长度；L_nm为nm段道路的实际长度；ε_nm为考虑拥堵因素的道路长度修正系数；maxL_tot为最长行驶距离的路径长度；

表示充电总时长，其包括两个方面，一是路上用时

二是充电站内的排队等待时间

其中，排队等待时间与充电站规模和站内已有车辆有关；α_j为考虑第j个充电站规模的修正系数；N_ij为充电站内已有电动汽车的数量；maxT_tot为选择不同充电站进行充电的最大充电总时长；C^ij为第i辆车选择第j个充电站进行充电的充电费用；P_i(t)为t时刻电动汽车的充电功率；c(t)为t时刻的充电分时电价；Δt为充电时长；maxC_tot为选择不同时段进行充电的最大充电费用。

上述充电站内已有电动汽车的数量可根据历史统计数据得到，如取相应充电站对应全天内各时段的电动汽车数量统计平均值，也不排除可采用通过互联网技术获取的充电站内电动汽车数量的实时值。

优选的，考虑拥堵因素的道路长度修正系数ε_nm为：

本发明根据历史数据中相应道路各时刻的交通流量确定各条道路的拥堵程度进而确定各条道路对应的系数ε_nm。

优选的，排队等候时间修正系数α_j根据充电站规模设置为：一级充电站规模的修正系数为0.1，二级充电站规模的修正系数为0.3，三级充电站规模的修正系数为0.5。即在具有同样站内电动车辆数的情况下，充电站规模越小，排队等候时间也越长。地区各充电站规模可通过调查获知。

优选的，S6利用S5建立的电动汽车充电路径优化模型对S4得到的修正后的各出行链进行优化时，要满足的约束条件包括：

1)、充电功率约束：

P_imin≤P_i≤P_imax (3)

P_imin和P_imax分别为各车主电动汽车的最小、最大充电功率；

2)、SOC连续性约束：

SOC_i(t)为第i辆电动汽车在t时刻的SOC值；B为电动汽车的电池容量；η为电动汽车充电效率；

3)、最终SOC约束：

SOC_{end_exp}-0.05≤SOC_end≤SOC_{end_exp}+0.05

SOC_end为电动汽车在充电结束时的SOC值，SOC_{end_exp}为车主在充电结束后期望的SOC值；

4)、路程约束：

定义电动汽车的当前剩余里程为

其中，SOC_i,L是第i辆电动汽车出行时电池的剩余容量，SOC_min为电池放电容量下限，E_a为电动汽车每公里平均能耗；

根据由电动汽车充电路径优化模型计算得到的最优充电路径，第i辆电动汽车从当前位置到充电站的距离为

则若

电动汽车按照最优充电路径对应的路径及充电站行驶和充电；若

则逐个比较相应出行链中各充电站对应的充电路径长度L^ij与当前剩余里程

剔除

的充电站，保留在续航里程内可到达的充电站，重新利用电动汽车充电路径优化模型进行路径优化，得到最优充电路径。

优选的，S6包括步骤：

S61，将车主的多个出行链按照充电时间进行排序；

S62，按照顺序依次将各出行链数据输入电动汽车充电路径优化模型，计算得到对应各出行链的行车路径。

本发明最终向用户输出的行车路径包括出行链的始末节点，途径节点，充电站，充电时间、充电费用已路程总长度等信息，方便用户参考比较并最终选择。

有益效果

本发明针对现有充电导航策略少有考虑车主充电习惯的现状，提供了一种基于用户出行规律的电动汽车充电路径优化方法。本发明充分考虑了地区历史情况以及用户充电习惯，为用户提供对应出行需求的出行路径，方法对实时通讯系统和硬件条件的要求不高，而是以大量充电数据为基础推测归纳出用户的充电习惯，并根据实际调查反馈结果对推测结果进行修正，建立用户出行链，以保证用户的充电体验为目标，为用户的选择充电路径提供建议，激发了车主用车的积极性，克服了实时路径规划系统对于通讯硬件设施要求严苛的弊端，且使充电路径更加个性化。

附图说明

图1为本发明方法的总流程图；

图2为出行链生成示意图；

图3为充电路径优化流程；

图4为充电站的日内每时刻的充电汽车数量；

图5为电动汽车充电的分时电价；

图6为33节点的交通网络图。

具体实施方式

以下结合附图和具体实施例进一步描述。

参考图1，本发明基于用户出行规律的电动汽车充电路径优化方法，包括：

S1，调查获取电动汽车车主的出行特性信息；

所述出行特性信息包括车主工作地点信息、住宅地址信息、充电路径信息、习惯充电站信息、习惯充电时间信息和充电结束后的期望SOC值信息。

S2，获取各电动汽车车主的历史充电数据、地区各充电站的历史数据，和地区交通历史数据；

所述历史充电数据包括电动汽车的充电时间数据、充电站和充电功率区间数据；地区各充电站的历史数据包括充电站数量和各充电站各时间段的充电车辆数量；地区交通历史数据包括地区各条道路各时间段的车流量大小和道路长度数据。

S3，构建地区交通网络，所述交通网络包括对应各条道路的边，和对应各条道路起始点的节点；获取交通网络中各网格的行业属性，并标记各充电站所在节点位置；

将实际的每个路口定义成一个节点并编号，标记充电站所在节点位置；两个路口之间的道路定义为边并编号，边的长度即为相应道路的实际长度；根据区域性质，将交通网络中各网格对应的区域标记为工业区、商业区或居民区。在实际情况中，车辆可以在任意两个由边相联的节点间移动。各网格区域的行业属性可通过调查获知，为现有技术。

S4，基于S3获取的历史数据，统计各车主在各充电站内的充电数据，基于各车主的充电数据统计结果，分别建立对应各车主的出行链；进而根据S1得到的各车主出行特性信息，对相应的出行链进行修正；

各车主的充电数据统计结果包括：各车主在各充电站内的充电频次和充电时间。

S5，以行车路径最优、充电时间最短和充电费用最少为优化目标，建立电动汽车充电路径优化模型；

S6，利用S5建立的电动汽车充电路径优化模型对S4得到的修正后的各出行链进行优化，得到对应各车主各出行链的综合最优充电路径数据。

参考图2，S4包括步骤：

S41，根据各车主的充电数据统计结果，判断各车主的充电习惯属性；充电习惯属性包括：习惯性充电时间是否固定，习惯性充电站点是否固定，以及是否为上下班用车；

S42，根据各车主的充电习惯属性，分别生成对应各电动汽车的出行链，包括步骤：

S421，判断车主是否具有固定的习惯性充电站，若是则转至S422，否则转至步骤S423；

S422，判断车主是否具有固定的习惯性充电时间，若是则转至步骤S424，否则以车主的习惯性充电站为圆心，设定的值作为半径作圆形，随机选择圆形区域内的节点作为路径的始末节点，生成出行链，出行链中的充电时间随机；

S423，判断车主是否具有固定的习惯性充电时间，若否则生成始末节点和充电时间均随机的出行链；若是则生成始末节点随机，但充电时间对应习惯性充电时间的出行链；

S424，判断车主充电时间是否在常规工作时间之外，若是则判定相应的电动汽车为上下班用车，否则判定相应的电动汽车为自由职业人士用车；

对于上下班用车，生成始末节点对应家往返工作单位，以及工作单位往返娱乐休闲的多个出行链，充电时间分别对应相应的习惯性充电时间；

对于自由职业人士用车，生成始末节点对应家往返娱乐休闲的出行链，充电时间对应习惯性充电时间；

S43，根据S1得到的各车主出行特性信息，获取用户反馈的出行路径及其对应的始末节点，对相应用户的出行链生成结果进行修正：

若用户反馈的充电路径及其始末节点与已生成的某一出行链及其始末节点的所在区域相吻合，则用用户反馈的充电路径始末节点更新已生成的相应出行链的始末节点；

若用户反馈的出行路径不同于已生成的任一出行链，则将用户反馈的充电路径始末节点作为新增出行链的始末节点；

S44，得到对应各电动汽车的出行链，各出行链分别包括始末节点、充电站点和充电时间。

上述固定的习惯性充电时间和固定的习惯性充电站点中所述“固定”皆为相对概念，其中徐惯性充电时间是否固定可通过设定时间区间来判断，为现有技术。

S5中，所述电动汽车充电路径优化模型中，目标函数为：

式(1)中，

式(1)和式(2)中，f_i为充电路径综合指标；a₁、a₂和a₃分别为行车路径长度、充电时间长度和充电成本的权重系数；

为为第i辆车选择第j个充电站进行充电所需行驶的路径总长度；L_nm为nm段道路的实际长度；ε_nm为考虑拥堵因素的道路长度修正系数；maxL_tot为最长行驶距离的路径长度；

表示充电总时长，其包括两个方面，一是路上用时

二是充电站内的排队等待时间

其中，排队等候时间与充电站规模和站内已有车辆有关；α_j为考虑第j个充电站规模的修正系数；N_ij为充电站内已有电动汽车的数量；maxT_tot为选择不同充电站进行充电的最大充电总时长；C^ij为第i辆车选择第j个充电站进行充电的充电费用；P_i(t)为t时刻电动汽车的充电功率；c(t)为t时刻的充电分时电价；Δt为充电时长；maxC_tot为选择不同时段进行充电的最大充电费用。

上述充电站内已有电动汽车的数量可根据历史统计数据得到，如取相应充电站对应全天内各时段的电动汽车数量统计平均值，也不排除可采用通过互联网技术获取的充电站内电动汽车数量的实时值。

上述考虑拥堵因素的道路长度修正系数ε_nm为：

本发明根据历史数据中相应道路各时刻的交通流量确定各条道路的拥堵程度进而确定各条道路对应的系数ε_nm。

排队等候时间修正系数α_j根据充电站规模设置为：一级充电站规模的修正系数为0.1，二级充电站规模的修正系数为0.3，三级充电站规模的修正系数为0.5。即在具有同样站内电动车辆数的情况下，充电站规模越小，排队等候时间也越长。地区各充电站规模可通过调查获知。

S6利用S5建立的电动汽车充电路径优化模型对S4得到的修正后的各出行链进行优化时，要满足的约束条件包括：

1)、充电功率约束：

P_imin≤P_i≤P_imax

P_imin和P_imax分别为各车主电动汽车的最小、最大充电功率；

2)、SOC连续性约束：

SOC_i(t)为第i辆电动汽车在t时刻的SOC值；B为电动汽车的电池容量；η为电动汽车充电效率；

3)、最终SOC约束：

SOC_{end_exp}-0.05≤SOC_end≤SOC_{end_exp}+0.05

SOC_end为电动汽车在充电结束时的SOC值，SOC_{end_exp}为车主在充电结束后期望的SOC值；

4)、路程约束：

参考图3，定义电动汽车的当前剩余里程为

其中，SOC_i,L是第i辆电动汽车出行时电池的剩余容量，SOC_min为电池放电容量下限，E_a为电动汽车每公里平均能耗；

根据由电动汽车充电路径优化模型计算得到的最优充电路径，第i辆电动汽车从当前位置到充电站的距离为

则若

电动汽车按照最优充电路径对应的路径及充电站行驶和充电；若

则逐个比较相应出行链中各充电站对应的充电路径长度L^ij与当前剩余里程

剔除

的充电站，保留在续航里程内可到达的充电站，重新利用电动汽车充电路径优化模型进行路径优化，得到最优充电路径。

参考图3，本发明S6包括步骤：

S61，将车主的多个出行链按照充电时间进行排序；

S62，按照顺序依次将各出行链数据输入电动汽车充电路径优化模型，计算得到对应各出行链的行车路径。

本发明最终向用户输出的行车路径包括出行链的始末节点，途径节点，充电站，充电时间、充电费用已路程总长度等信息，方便用户参考比较并最终选择。

实施例

本实施例中的数据均由实际数据筛选所得。

本实施例的方法包括步骤：

步骤1、调查反馈：向车主进行调查，统计车主出行特性。调查内容包括车主职业、车主所在区域(居住地对应节点)、工作地点、行车路径、充电完成后的SOC等，其中出租车和自由职业人员的工作地点可不选填，以下表中数据“-”代表调查者未做出回应。

表1

调查结果显示用户期望充电结束时SOC在(0.88,0.98)区间内。

步骤2、数据获取：本实施例以当前时间之前3个月的历史数据为数据分析基础，对当前时间之后第二天的用户充电路径进行规划。

历史数据包括电动汽车、充电站以及交通车流量3方面的数据信息：

A、以电动汽车使用频次较高的用户为服务主体，统计该用户的出行数据，主要包括：(1)、充电时间和所对应的充电站(2)、最大最小充电功率区间

B、充电站信息，包括：(1)、统计各个充电站的充电桩数量(2)、每个时刻的电动汽车充电数量

C、交通网信息，包括：(1)获得每条交通线路上每时刻的车流量大小(2)每两个节点间道路的长度；

以南京市高淳区为例，历史数据信息包括车辆充电时间、车辆充电功率、充电站名称、充电桩编号、交易电量：

①为简化描述，本实施例筛选出9辆使用频率较高的车辆作为服务对象，统计其历史充电时间及对应的充电站，充电功率；电池容量以南京市道路上常见的“比亚迪E6先行者”为例，电池容量为60kW·h，每百公里能耗约为20k W·h。

②通过数据整理，高淳区内有9个充电站，每个充电站内每时刻的充电汽车数量见图4，充电站名称及对应编号、规模、修正系数如下表所示；

表2

③充电分时电价见图5，可根据电力部门规定直接获取；

④在交通数据方面，根据历史道路拥堵情况归纳每条线路上每小时的交通流量，并定义道路拥塞度折算系数，即虑拥堵因素的道路长度修正系数ε_nm：

步骤3、构建交通网络：根据实际情况建立包含节点和双向边的地区交通网络，网络中不同节点相连的边长对应于相应道路的实际长度，标记充电站所在节点位置。

将实际中的每个路口表示成一个节点，两个路口之间的交通轨道定义为边，边的长度即为道路实际长度，在实际情况中，车辆可以再任意两个由边相联的节点间移动；在此基础上对节点从1进行编号，并标记充电站所在节点位置；根据区域性质，将网络中对应的区域标记为工业区、商业区、居民区。

如图6，本实例以33节点的交通图为例，黑色实线为交通连接线(即两节点之间的道路)，线路中间的值为两节点间道路的地理距离，单位为km，白色区域为居民区，浅灰色区域为工业区，深灰色区域为商业区；充电站所在节点编号及对应区域属性如下表所示：

表3

步骤4、数据分析与处理：根据步骤1中的历史数据统计车主在各个充电站内充电频次，以及充电时间，归纳并建立相应的出行链，并依据(1)中调查结果对分析结果进行修正。包括以下步骤：

4-1)统计各车主在高频次充电站内充电的充电时间及其对应的充电站编号，总结充电习惯属性如下表：

表4

4-2)根据历史充电习惯归纳并建立相应的出行链，如下表5：根据用户选择的充电站及对应时间，推测其出行目的，分别为回家、工作、娱乐，并对应于交通网内的居民区、商业区与工业区、商业区，以用户选择的充电站为依据，推测其行车方向，分为

并将其作为用户出行链，每个区域内的节点为用户可能选择的起始、终止节点。

表5

补充说明：参考表4和表5，比较车辆5和车辆9的习惯性充电时间，虽两者皆为上下班用车，但车辆5的习惯性充电时间在上下班中均有出现，车辆9仅在下班时间有充电倾向，因此车辆5比车辆9多生成一个家-工作单位出行链。

4-3)根据归纳所得的出行链以及(1)中用户反馈结果，对每个用户的出行链的首末节点进行补充及调整，如下表，作为充电路径优化模型的输入条件：

表6

步骤5、建立电动汽车充电路径优化模型，包括以下步骤：

5-1)以行车路径最短、充电时间最短、充电费用最小综合最优建立目标函数，以电动汽车充电习惯为约束建立电动汽车充电路径优化模型；

5-2)基于路径优化模型，采用Dijkstra算法进行求解，提供给用户综合最优的充电路径。

其中，电动汽车充电路径优化模型建立具体内容包括：

对于第i个电动汽车来说，其目标函数和约束条件对应如下：

A.目标函数：

电动汽车的能耗以及车主的充电体验和道路长度、道路拥堵情况、行驶时间息息相关，即使地理距离较短时，在道路非常拥塞的情况下，电动汽车由于慢速行驶也会增加行驶时间。因此，本发明将道路长度根据道路交通状况进行修正，如式(2)所示，ε_nm表示修正系数，其与nm段的车辆拥堵情况有关，L_nm为nm段道路的实际长度。考虑综合路径最小、充电总时长最短、充电费用最少的充电站最优选择策略，目标函数如式(1)所示：

式(1)中，

式(1)和式(2)中，f_i为充电路径综合指标；a₁、a₂和a₃分别为行车路径长度、充电时间长度和充电成本的权重系数；

为为第i辆车选择第j个充电站进行充电所需行驶的路径总长度；L_nm为nm段道路的实际长度；ε_nm为考虑拥堵因素的道路长度修正系数；maxL_tot为最长行驶距离的路径长度；

表示充电总时长，其包括三个方面，一是路上用时

二是充电站内的排队等待时间

其中，排队等候时间与充电站规模和站内已有车辆有关；α_j为考虑第j个充电站规模的修正系数；N_ij为充电站内已有电动汽车的数量；maxT_tot为选择不同充电站进行充电的最大充电总时长；C^ij为第i辆车选择第j个充电站进行充电的充电费用；P_i(t)为t时刻电动汽车的充电功率；c(t)为t时刻的充电分时电价；Δt为充电时长；maxC_tot为选择不同时段进行充电的最大充电费用。

上述充电站内已有电动汽车的数量可根据历史统计数据得到，如取相应充电站对应全天内各时段的电动汽车数量统计平均值，也不排除可采用通过互联网技术获取的充电站内电动汽车数量的实时值。

B、约束条件：

1)、充电功率约束：

P_imin≤P_i≤P_imax

P_imin和P_imax分别为各车主电动汽车的最小、最大充电功率；

2)、SOC连续性约束：

SOC_i(t)为第i辆电动汽车在t时刻的SOC值；B为电动汽车的电池容量；η为电动汽车充电效率；

3)、最终SOC约束：

SOC_{end_exp}-0.05≤SOC_end≤SOC_{end_exp}+0.05

SOC_end为电动汽车在充电结束时的SOC值，SOC_{end_exp}为车主在充电结束后期望的SOC值；

4)、路程约束：

定义电动汽车的当前剩余里程为

其中，SOC_i,L是第i辆电动汽车出行时电池的剩余容量，SOC_min为电池放电容量下限，E_a为电动汽车每公里平均能耗；

根据由电动汽车充电路径优化模型计算得到的最优充电路径，第i辆电动汽车从当前位置到充电站的距离为

则若

电动汽车按照最优充电路径对应的路径及充电站行驶和充电；若

则逐个比较相应出行链中各充电站对应的充电路径长度L^ij与当前剩余里程

剔除

的充电站，保留在续航里程内可到达的充电站，重新利用电动汽车充电路径优化模型进行路径优化，得到最优充电路径。

步骤6，根据步骤1-4的统计信息，通过电动汽车充电路径优化模型，给出以行车路径最优、充电时间最短、充电费用最少的综合最优充电路径供车主参考。

根据步骤1-4的统计信息，将每个用户的出行链按所对应的行车起始时间顺序依次排列，分别作为充电路径优化模型的输入条件，并基于电动汽车充电路径优化模型，按时间顺序依次计算，给出各出行链对应的综合行车路径最优、充电时间最短、充电费用最小的最优充电路径供车主参考，最终输出的行车路径所包含的信息如表7所示。

表7

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种基于用户出行规律的电动汽车充电路径优化方法，其特征是，包括：

S1，调查获取电动汽车车主的出行特性信息；所述出行特性信息包括车主工作地点信息、住宅地址信息、充电路径信息、习惯充电站信息、习惯充电时间信息和充电结束后的期望SOC值信息；

S2，获取各电动汽车车主的历史充电数据、地区各充电站的历史数据，和地区交通历史数据；

S3，构建地区交通网络，所述交通网络包括对应各条道路的边，和对应各条道路起始点的节点；获取交通网络中各网格对应的区域的行业属性，并标记各充电站所在节点位置；

S4，基于S2获取的历史数据，统计各车主在各充电站内的充电数据，基于各车主的充电数据统计结果，分别建立对应各车主的出行链；进而根据S1得到的各车主出行特性信息，对相应的出行链进行修正；

S5，以行车路径最优、充电时间最短和充电费用最少为优化目标，建立电动汽车充电路径优化模型；

S6，利用S5建立的电动汽车充电路径优化模型对S4得到的修正后的各出行链进行优化，得到对应各车主各出行链的综合最优充电路径数据；

S4中，根据S1得到的各车主出行特性信息，对相应的出行链进行修正包括：

根据S1得到的各车主出行特性信息，获取车主反馈的充电路径及其对应的始末节点，对相应车主的出行链生成结果进行修正：

若车主反馈的充电路径及其始末节点与已生成的某一出行链及其始末节点的所在区域相吻合，则用车主反馈的充电路径始末节点更新已生成的相应出行链的始末节点；

若车主反馈的充电路径不同于已生成的任一出行链，则将车主反馈的充电路径始末节点作为新增出行链的始末节点；

S5中，所述电动汽车充电路径优化模型中，目标函数为：

式(1)中，

式(1)和式(2)中，f_i为充电路径综合指标；a₁、a₂和a₃分别为行车路径长度、充电时间长度和充电成本的权重系数；

为第i辆车选择第j个充电站进行充电所需行驶的路径总长度；L_nm为nm段道路的实际长度；ε_nm为考虑拥堵因素的道路长度修正系数；maxL_tot为最长行驶距离的路径长度；

表示充电总时长，其包括两个方面，一是路上用时

二是充电站内的排队等待时间

其中，排队等待时间与充电站规模和站内已有车辆有关；α_j为考虑第j个充电站规模的修正系数；N_ij为充电站内已有电动汽车的数量；maxT_tot为选择不同充电站进行充电的最大充电总时长；C^ij为第i辆车选择第j个充电站进行充电的充电费用；P_i(t)为t时刻电动汽车的充电功率；c(t)为t时刻的充电分时电价；Δt为充电时长；maxC_tot为选择不同时段进行充电的最大充电费用。

2.根据权利要求1所述的方法，其特征是，S2中，所述历史充电数据包括电动汽车的充电时间数据、充电站和充电功率区间数据；地区各充电站的历史数据包括充电站数量和各充电站各时间段的充电车辆数量；地区交通历史数据包括地区各条道路各时间段的车流量大小和道路长度数据。

3.根据权利要求1所述的方法，其特征是，S3中，将实际的每个路口定义成一个节点并编号，标记充电站所在节点位置；两个路口之间的道路定义为边并编号，边的长度即为相应道路的实际长度；根据区域的行业属性，将交通网络中各网格对应的区域标记为工业区、商业区或居民区。

4.根据权利要求1所述的方法，其特征是，S4中，各车主的充电数据统计结果包括：各车主在各充电站内的充电频次和充电时间。

5.根据权利要求4所述的方法，其特征是，S4包括步骤：

S41，根据各车主的充电数据统计结果，判断各车主的充电习惯属性；充电习惯属性包括：习惯性充电时间是否固定，习惯性充电站点是否固定，以及是否为上下班用车；

S42，根据各车主的充电习惯属性，分别生成对应各电动汽车的出行链，包括步骤：

S421，判断车主是否具有固定的习惯性充电站点，若是则转至S422，否则转至步骤S423；

S422，判断车主是否具有固定的习惯性充电时间，若是则转至步骤S424，否则以车主的习惯性充电站点为圆心，设定的值作为半径作圆形，随机选择圆形区域内的节点作为路径的始末节点，生成出行链，出行链中的充电时间随机；

S423，判断车主是否具有固定的习惯性充电时间，若否，则生成始末节点和充电时间均随机的出行链；若是，则生成始末节点随机，但充电时间对应习惯性充电时间的出行链；

S424，判断车主习惯性充电时间是否在常规工作时间之外，若是则判定相应的电动汽车为上下班用车，否则判定相应的电动汽车为自由职业人士用车；

对于上下班用车，生成始末节点对应家往返工作单位，以及工作单位往返娱乐休闲的多个出行链，充电时间分别对应相应的习惯性充电时间；

对于自由职业人士用车，生成始末节点对应家往返娱乐休闲的出行链，充电时间对应习惯性充电时间；

S43，根据S1得到的各车主出行特性信息，获取车主反馈的充电路径及其对应的始末节点，对相应车主的出行链生成结果进行修正；

S44，得到对应各电动汽车的出行链，各出行链分别包括始末节点、充电站点和充电时间。

6.根据权利要求1所述的方法，其特征是，考虑拥堵因素的道路长度修正系数ε_nm为：

7.根据权利要求1所述的方法，其特征是，S6利用S5建立的电动汽车充电路径优化模型对S4得到的修正后的各出行链进行优化时，要满足的约束条件包括：

1)、充电功率约束：

P_imin≤P_i≤P_imax (3)

P_i为电动汽车的充电功率；P_imin和P_imax分别为各车主电动汽车的最小、最大充电功率；

2)、SOC连续性约束：

SOC_i(t)为第i辆电动汽车在t时刻的SOC值；B_i为电动汽车的电池容量；η为电动汽车充电效率；

3)、最终SOC约束：

SOC_{end_exp}-0.05≤SOC_end≤SOC_{end_exp}+0.05 (5)

SOC_end为电动汽车在充电结束时的SOC值，SOC_{end_exp}为车主在充电结束后期望的SOC值；

4)、路程约束：

定义电动汽车的当前剩余里程为

其中，SOC_i,L是第i辆电动汽车出行时电池的剩余容量，SOC_min为电池放电容量下限，E_a为电动汽车每公里平均能耗；

根据由电动汽车充电路径优化模型计算得到的最优充电路径，第i辆电动汽车从当前位置到充电站的距离为

则若

电动汽车按照最优充电路径对应的路径及充电站行驶和充电；若

则逐个比较相应出行链中各充电站对应的充电路径长度

与当前剩余里程

剔除

的充电站，保留在续航里程内可到达的充电站，重新利用电动汽车充电路径优化模型进行路径优化，得到最优充电路径。

8.根据权利要求1所述的方法，其特征是，S6包括步骤：

S61，将车主的多个出行链按照充电时间进行排序；

S62，按照顺序依次将各出行链数据输入电动汽车充电路径优化模型，计算得到对应各出行链的行车路径。

Images