CN109583708B - 多智能体微观交通配流模型的建立方法 - Google Patents

Abstract

本发明公开了一种多智能体微观交通配流模型的建立方法。本发明包括步骤：建立MMTAM架构和电动汽车智能体模型；对智能体模型中至关重要的驾驶行为集元素进行逐一建模；对MMTAM的输入/输出数据进行说明，以便协同规划计算循环调用该模型。本发明能够为配电系统与充电服务网络的协同规划研究提供一种综合考虑建设成本和用户充电便利性的交通配流模型，并能准确定位电动汽车的充电需求产生位置，根据交通流量计算快速充电和慢速充电负荷。本发明在保证仿真结果合理性的同时，尽可能提高了协同规划计算的求解效率。

Description

多智能体微观交通配流模型的建立方法

技术领域

本发明涉及电力系统领域，特别是一种多智能体微观交通配流模型的建立方法。

背景技术

电动汽车是未来交通行业的发展方向，世界各国相继发布了新的电动汽车发展战略规划。可以预见，在不久的将来电动汽车作为连接电力系统和交通系统的枢纽，将会发挥着举足轻重的作用，电力系统与交通系统的耦合程度也会不断加深。

电动汽车的行驶里程也一直是消费者关注的焦点。布局合理的智能充换电网络有助于缓解潜在电动汽车客户在这方面的顾虑，对于推动整个电动汽车产业的发展至关重要。同时，大量电动汽车的无序充电行为会给电力系统带来显著的负面影响，并进而有可能危害电力系统的安全与经济运行。因此，如何进行电力系统尤其是配电系统的扩展规划，为智能充换电网络提供可靠的电力供应，从而确保车主的充电需求，是一个值得深入研究的重要问题。即有必要开展配电系统与充电服务网络的协同规划研究。

目前尚且缺乏一种适用于配电系统与充电服务网络的协同规划研究的交通配流模型。已有研究中采用的基于用户均衡(User Equilibrium，UE)原则的交通配流模型，一方面仅能较为粗糙地建立起交通流量与充电需求间的关系，且无法根据交通流量生成充电负荷曲线；另一方面在协同规划研究无法定量计算电动汽车用户充电的便利性，存在进一步细化和完善的空间。

微观车流量分配模型主要从微观角度以描述组成交通配流的个体车辆动态行为的方式对其建模。目前，国内外研究者对微观车流量分配模型做了许多探索，但他们关注的对象主要为车与车之间跟车模型、机动车换道模型和考虑交通信号控制模型等，较少涉及对电动汽车特有的充电行为的建模与分析。

发明内容

为解决上述问题，本发明提供一种适用于协同规划研究的多智能体微观交通配流模型(multi-agent-based microscopic traffic assignment model，MMTAM)的建立方法，其为配电系统与充电服务网络的协同规划研究提供一种综合考虑建设成本和用户充电便利性的交通配流模型。

本发明采用以下的技术方案：多智能体微观交通配流模型的建立方法，其包括步骤：

1)建立多智能体微观交通配流模型架构和电动汽车智能体模型；

2)对智能体模型中至关重要的驾驶行为集元素进行逐一建模；

3)对多智能体微观交通配流模型的输入/输出数据进行说明，以便协同规划计算循环调用该模型。

作为上述建立方法的补充，将智能体的概念引入含有电动汽车的微观交通配流仿真中，并根据电动汽车独有的充电行为特点，设计多智能体微观交通配流模型的数据交互方式和仿真架构。

作为上述建立方法的补充，所述多智能体微观交通配流模型的仿真架构分为3个层次：交通路网层、agent决策层和状态感知层；其中，agent决策层由许多的agent个体构成，agent个体包含电动汽车和驾驶员两个部分，根据驾驶经验和路况信息规划最优路径和制定充电方案。

作为上述建立方法的补充，为分析电动汽车的驾驶行为，多智能体微观交通配流模型中定义一个agent决策行为集

其中元素

为出行O-D对，

为路况更新和Dijkstra动态路径规划选择，

为是否充电及充电导航，

为循环发车和状态感知；然后对行为集元素逐一进行选择、判断和优化，体现出电动汽车的agent属性；agent个体通过通信装置从状态感知层接收上一时段的交通信息，并通过传感器感受位置和电量的变化，而后将这些信息传递给agent决策层；agent个体根据驾驶经验、行车计划、电动汽车特征和交通信息进行决策；agent决策层中定义驾驶行为集

来描述能影响agent驾驶的各种决策行为。

作为上述建立方法的补充，所述的智能体模型中的驾驶行为集元素建模，其构建可削减负荷模型、可平移负荷模型和可转移负荷模型，并应用于综合能源系统的优化调度。

作为上述建立方法的补充，所述的元素

出行O-D对选择：

提出百度地图/Google地图对各类目的地的空间位置筛选电动汽车出行目的地，即O-D对的方法：首先，将出行目的地分为小区、学校、商场、医院、餐馆、酒店、旅馆、写字楼、公园9个类别，并通过百度地图/Google地图对各类目的地的空间坐标，进行按交通节点的聚类，即将距离交通节点i距离最近的第j个k类目的地点，标记为θ_i,j,k＝1；然后再按如下式子计算地理权重：

式中：A_i表示交通节点i的地理权重；N_k为第k类目的地的数量；Ω^TN为交通节点集合；a_k为第k类目的地的累加权重；θ_i,j,k为0-1标记，表示节点i是否为距离第j个k类目的地点最近的交通节点；

依据A_i，通过Monte Carlo抽样选取电动汽车的出行O-D对。

作为上述建立方法的补充，所述的元素

路况更新和Dijkstra动态路径规划：

提出根据状态感知层公布的路况信息，动态规划下一时段的最优行驶路径的方法；

提出对多智能体微观交通配流模型至关重要的道理车流量计算表达式，即：

式中：T为某一时间尺度下的仿真时间集合；Ω^TR为现有道路集合；r(i,j)为连接节点i和j的道路；F_r(i,j),t-1为t-1时刻的道理车流量；Ω^EV为电动汽车集合；η^EV为电动汽车的渗透率；ξ_k,r(i,j),t-1为t-1时段第k辆电动汽车是否通过道路r(i,j)的0-1标记。

作为上述建立方法的补充，所述的元素

是否充电及充电导航：

首先，根据电动汽车的行驶电量变化情况，提出判断电动汽车的充电需求状态λ_i,t的荷电状态SOC工作区图和相应的数学表达式；当λ_i,t＝1时，表示电动汽车产生了快速充电需求；当λ_i,t＝0时，表示电动汽车需要进行慢速充电；当λ_i,t＝-1时，则表示无充电需求；

式中：λ_i,t、S_i,t和ΔS_i,t分别表示第i辆电动汽车在t时刻的充电需求状态、SOC和到达目的地所需最少电量；S_th1为电动汽车荷电状态SOC的安全行驶阈值；S_th2为保证电池使用寿命而设定的下限放电深度；

然后，提出快速充电站最优选择模型，分别考虑了电动汽车因进行快速充电而增加的综合空间距离成本和排队等待充电的时间成本，即通过如式(4)-式(7)所示优化模型来描述电动汽车的智能充电决策行为；式(4)目标函数中：第1项表示电动汽车充电需求产生点至充电站的距离；第2项表示充电站t-1时段的站内车桩比，以衡量排队等待时间长短；约束式(5)-(7)依次保证：电动汽车每次仅选择一个充电站充电、所选充电站在电动汽车的可到达范围内、充电站q的车桩比不超过上限值

式中：Ω^FCS为快速充电站集合；υ₁和υ₂为费用折算系数；S_i,t表示第i辆电动汽车在t时刻的电量；

和

分别为第i辆电动汽车的百公里耗电量和电池容量；

O_i,t和ε_i,q,t分别表示第i辆电动汽车在t时刻的充电增加成本、充电需求产生位置和是否去充电站q充电的0-1变量；D_q表示目标充电站q的位置；

表示Dijkstra算法函数；

和

分别为充电站q的充电桩数和t-1时段的站内电动汽车数；

最后，给出充电站q在t时段内的快速充电功率

计算表达式：

式中，P^F为快充设备的充电功率。

作为上述建立方法的补充，所述的元素

循环发车和状态感知：

针对不同类型的电动汽车，设计了不同的时序循环发车机制，并对已有的电动汽车“出行链”技术进行改进，即增加agent个体在行驶路径上各节点处的状态标记，生成所谓电动汽车出行“状态链”；“状态链”中包含时间状态链、空间状态链和电量状态链三个部分，为多智能体微观交通配流模型准确定位电动汽车充电需求产生的位置、时间，计算时序充电负荷曲线，打下数据和结构基础。

作为上述建立方法的补充，定义多智能体微观交通配流模型为MMTAM(·)模块化函数，并有如下输入/输出形式：

式中：Γ为规划年集合；y^τ和N^τ表示第τ年候选站点是否建站的0-1矩阵和建桩数矩阵；n^τ表示第τ年已建成的慢速充电桩；Ω^FCSτ为第τ年已建成的快速充电站集合；f^FCSτ、F^τ、P^FCSτ、P^CPτ和c^τ分别为第τ年的典型日充电增加成本矩阵、动态交通配流矩阵、快速充电负荷、慢速充电负荷和慢速充电频次需求分布矩阵；

若改变式(9)的输入矩阵y^τ和N^τ，即改变充电站建设方案，则多智能体微观交通配流模型的输出矩阵{f^FCSτ，F^τ，P^FCSτ，P^CPτ，c^τ}也相应改变，从而影响充电站规划和配电系统规划的优化指标计算，体现协同性特点。

本发明具有的有益效果如下：本发明提供的方法能够为配电系统与充电服务网络的协同规划研究提供一种综合考虑建设成本和用户充电便利性的交通配流模型，并能准确定位电动汽车的充电需求产生位置，根据交通流量计算快速充电和慢速充电负荷。本发明的交通配流模型在保证仿真结果合理性的同时，尽可能提高了协同规划计算的求解效率。

附图说明

图1为本发明实施方式中多智能体微观交通配流模型架构和智能体模型图；

图2为本发明实施方式中电动汽车的荷电状态工作区图；

图3为本发明实施方式中智能体状态链生成图；

图4为本发明实施方式中多智能体微观交通配流模型时序仿真流程图；

图5为本发明实施方式中电动汽车充电的时空分布特性图(图5a为私家车的充电负荷曲线图，图5b为出租车的充电负荷曲线图，图5c为电动汽车快速充电需求的空间分布热力图，图5d为电动汽车慢速充电需求的空间分布热力图)；

图6为本发明实施方式中多智能体微观交通配流模型和用户均衡模型的交通流分配图。

具体实施方式

为更好地理解本发明的目的、技术方案以及技术效果，以下结合附图对本发明进行进一步的讲解说明。

本发明提出了一种适用于协同规划研究的多智能体微观交通配流模型(MMTAM)的建立方法，其包括如下详细步骤：

步骤1、建立MMTAM架构和电动汽车智能体模型

智能体(agent)是一种独立、自治的实体，可以根据其它agent和环境的状态互相协调，决定自己的动作与状态。电动汽车根据驾驶经验和路况信息规划最优路径、规避拥堵路段、制定充电方案的行为，表现出了一定的agent属性。目前，已有文献将多智能体系统引入微观交通配流仿真的研究中，并取得了一些成果。但这些研究主要针对常规动力汽车建模，并未考虑电动汽车特有的驾驶行为，也无法体现快速充电站建设对交通配流的反馈影响。

为分析电动汽车的驾驶行为，MMTAM中定义了一个agent决策行为集

其中元素

为出行O-D对，

为路况更新和Dijkstra动态路径规划选择，

为是否充电及充电导航，

为循环发车和状态感知。然后对行为集元素逐一进行选择、判断和优化，体现出电动汽车的agent属性。

表1 MMTAM中电动汽车的agent属性

就仿真结构而言，本发明提出的MMTAM可分为3个层次：交通路网层、agent决策层和状态感知层。其中，agent决策层由许多的agent个体构成。agent个体包含电动汽车和驾驶员两个部分，可以根据驾驶经验和路况信息规划最优路径和制定充电方案。agent的模型组成和MMTAM架构如图1所示。

在图1中，agent通过通信装置从状态感知层接收上一时段的交通信息，并通过传感器感受位置、电量等状态的变化，而后将这些信息传递给agent决策层；agent根据驾驶经验、行车计划、电动汽车特征和交通信息进行决策。agent决策层中定义了驾驶行为集

来描述能影响agent驾驶的各种决策行为。下面对Ξ中的元素依次进行说明。

步骤2、对智能体模型中至关重要的驾驶行为集元素进行逐一建模

1)元素

出行O-D对选择

交通节点被选为出行O-D对(origin destination pairs)的概率可以通过计算其“地理权重”来描述。本发明将电动汽车出行目的地分为小区、学校、商场、医院、餐馆、酒店、旅馆、写字楼、公园9个类别，并按如下式子计算地理权重：

式中：A_i表示交通节点i的地理权重；N_k为第k类目的地的数量；Ω^TN为交通节点集合；a_k为第k类目的地的累加权重，根据2009年全美私家车出行调查(national householdtravel survey)中的目的地占比整定；θ_i,j,k为0-1标记，表示节点i是否为距离第j个k类目的地点最近的交通节点。

依据A_i(i∈Ω^RN)，便可通过Monte Carlo抽样选取电动汽车的出行O-D对。

2)元素

路况更新和Dijkstra动态路径规划

在确定电动汽车出行O-D对后，需要根据实时路况信息规划行驶路径。Dijkstra是图论中一种根据加权邻接矩阵来筛选最短路径的算法。考虑到行驶距离和通行时间是关系电动汽车出行的首要因素，因此本发明根据美国联邦公路管理局1964年提出的BPR函数来定义动态加权邻接矩阵：

式中：W_i,j,t表示t时刻加权邻接矩阵的元素；T为某一时间尺度下的仿真时间集合；Ω^TR为现有道路集合；r(i,j)为连接节点i和j的道路，该道路不一定真实存在，当r(i,j)∈Ω^TR时，W_i,j取BPR函数p_r(i,j),t-1的倒数，否则取为无穷大∞。p_r(i,j),t-1通过r(i,j)的长度L_r(i,j)、最高通行速度

道路容量c_r(i,j)和t-1时刻的车流量F_r(i,j),t-1来计算；Ω^EV为电动汽车集合；η^EV为电动汽车的渗透率；ξ_k,r(i,j),t-1为t-1时段第k辆电动汽车是否通过道路r(i,j)的0-1标记，根据Dijkstra路径规划结果生成。

如上述式子所示，加权邻接矩阵是随时段t动态变化的，因而在仿真时段t开始时，电动汽车需要根据t-1时段的路况信息(即交通配流量F_r(i,j),t-1)重新规划最优行驶路径，并以此体现电动汽车智能体间的相互通信和行为影响。

3)元素

是否充电及充电导航

快速充电站的建设需要考虑交通配流量和充电需求的分布，而充电站建成后又会反馈影响道路交通配流量。这种影响主要体现在充电站对有快速充电需求的电动汽车行驶路径的引导上。在本发明MMTAM中，通过图2所示的荷电状态(state of charge，SOC)工作区来判断电动汽车的充电需求状态λ_i,t(i∈Ω^EV，t∈T)。

图2的数学描述形式如式(5)所示。当λ_i,t＝1时，表示电动汽车产生了快速充电需求；当λ_i,t＝0时，表示电动汽车需要进行慢速充电；当λ_i,t＝-1时，则表示无充电需求。

式中：λ_i,t、S_i,t和ΔS_i,t分别表示第i辆电动汽车在t时刻的充电需求状态、SOC和到达目的地所需最少电量；S_th1为电动汽车荷电状态(state of charge，SOC)的安全行驶阈值；S_th2为保证电池使用寿命而设定的下限放电深度。

在电动汽车产生快速充电需求后，需要更改当前行驶路径进行充电。在MMTAM中，则通过如式(6)-式(9)所示优化模型来描述电动汽车的智能充电决策行为。式(6)目标函数中：第1项表示电动汽车充电需求产生点至充电站的距离；第2项表示充电站t-1时段的站内车桩比，以衡量排队等待时间长短。约束式(7)-(9)依次保证：电动汽车每次仅选择一个充电站充电、所选充电站在电动汽车的可到达范围内、充电站q的车桩比不超过上限值

式中：Ω^FCS为快速充电站集合；υ₁和υ₂为费用折算系数；S_i,t表示第i辆电动汽车在t时刻的电量；

和

分别为第i辆电动汽车的百公里耗电量和电池容量；

O_i,t和ε_i,q,t分别表示第i辆电动汽车在t时刻的充电增加成本、充电需求产生位置和是否去充电站q充电的0-1变量；D_q表示目标充电站q的位置；

表示Dijkstra算法函数；

和

分别为充电站q的充电桩数和t-1时段的站内电动汽车数。

需要指出，在确定最优充电站后，agent需要根据充电站位置修改行当前驶路径，使得0-1变量ξ_k,r(i,j),t发生变化，进而影响到交通流量F_r(i,j),t的计算(式(4))，以此体现充电站布局对交通配流的影响。充电站q在t时段内的快速充电功率

可按式(10)计算:

式中，P^F为快充设备的充电功率。

4)元素

循环发车和状态感知

agent到达目的地后需要停泊一段时间再重新开始行驶，因此需要选择agent的重新发车时刻。MMTAM对到达目的地的agent进行分类(考虑私家车和出租车两种类型)，并根据停泊时长概率密度函数抽样生成停泊时长。在获得停泊时长后，还需要结合agent的到达时刻才能计算重新发车时刻。目前的“出行链”技术能够记录agent到达目的地时的“时间-空间-电量”状态，满足计算发车时刻的要求。但由于“出行链”中未能计及沿行驶路径各点的状态变化，因此无法感知agent在任意仿真时段内的状态。如某个agent从t-1时段出发，在t+1时段到达目的地，则t时段内是无法感知此agent状态的。因此，MMTAM对“出行链”进行了扩展，即增加agent在行驶路径上各节点处的状态标记，生成所谓“状态链”。下面通过一个图3来说明如何生成agent出行的状态链。

图3所示为一个典型的2次驾驶行为过程，目的地分别为O₁-D₁和O₂-D₂，其中agent在D₁点(即O₂点)处停泊时长为Δt，慢速充电电量为Δe。整个驾驶行为的三维状态链包括：时间状态链{t₀，t₁，t₂，t₃+Δt，t₄，t₅，t₆，t₇}、空间状态链{s₀，s₁，s₂，s₃，s₄，s₅，s₆，s₇}、电量状态链{e₀，e₁，e₂，e₃+Δe，e₄，e₅，e₆，e₇}。其中agent的重新发车时刻记为t₃+Δt。

在停泊期间，有慢速充电需求的agent会进行充电。由于慢速充电负荷会显著影响变电站的新建/扩容容量的确定，因此MMTAM中除了仿真快速充电负荷外，还进行了慢速充电负荷的计算。由分散式充电桩所引入的配电系统各节点各时段的充电功率及其容量可分别根据式(11)和式(12)进行估算。

式中：

和

分别为由分散式充电桩引入的配电系统节点i在时段t的充电功率及其充电功率容量；h为由分散式充电桩作为电动汽车能源补给方式的平均充电时长；p^cp为分散式充电桩的额定充电功率。v_i,t为时段t在配电系统节点i处于停放状态的电动汽车数量；Ω^D为配电系统节点集合；T为一天中的时段集合；c_i和n_i分别为配电系统节点i的充电频次需求(次/天)和应配置的分散式充电桩数量。

步骤3、对MMTAM的输入/输出数据进行说明，以便协同规划计算循环调用该模型，并与现有方法进行比较说明其基本特征。

为使MMTAM能够适用于协同规划问题的研究，需对其进行封装并设定输入、输出接口，以便与商业求解器进行相互调用。本发明定义MMTAM(·)模块化函数，并有如下输入/输出形式：

式中：Γ为规划年集合；y^τ和N^τ表示第τ年候选站点是否建站的0-1矩阵和建桩数矩阵；n^τ表示第τ年已建成的慢速充电桩；Ω^FCSτ为第τ年已建成的快速充电站集合；f^FCSτ、F^τ、P^FCSτ、P^CPτ和c^τ分别为第τ年的典型日充电增加成本矩阵、动态交通配流矩阵、快速充电负荷、慢速充电负荷和慢速充电频次需求分布矩阵。

若改变式(13)的输入矩阵y^τ和N^τ(即改变充电站建设方案)，则MMTAM的输出矩阵{f^FCSτ，F^τ，P^FCSτ，P^CPτ，c^τ}也相应改变，从而影响充电站规划和配电系统规划的优化指标计算，体现协同性特点。需要强调的是，MMTAM(·)函数表示一种模块化的仿真方法，并没有明确的数学表达式，故无法采用数值优化算法或商业求解器直接优化MMTAM(·)的输入变量。

MMTAM的时序仿真流程如图4所示。

表2中简要比较了MMTAM与有关分析方法的各项功能，以说明其基本特征。

表2 MMTAM与有关方法比较

步骤4、基于MATLAB_2014b软件平台，对MMTAM进行编程和仿真，并采用应用例说明其结果的合理性。

采用广州市天河区实际102节点交通网络来验证本发明所提出的模型。该交通网络中共包含154条主干路段，部分次要道路被忽略。电动汽车的渗透率设为20％；SOC的充电阈值设为S_th1＝30％和S_th2＝20％。

仿真时段为0:00-24:00，交通路况更新周期为15min。由于在协同规划求解时需要反复调用MMTAM(·)对不同充电站建设方案下的优化指标进行计算，因此对MMTAM的耗时会有一定要求。在处理器为AMD A8-4500M、内存为4GB的笔记本电脑上，MMTAM的运行时间是2.75s，基本满足计算要求。仿真得到私家车和出租车的充电负荷曲线分别如图5a和b所示；图5c为电动汽车快速充电需求的空间分布热力图。

从附图a-b可以看到，仿真生成的充电负荷曲线具有显著的分段正态分布特征。图中的正态分布拟合参数与一些文献中根据真实负荷得到的参数比较接近，这说明仿真负荷在时间分布特性上与真实值相差不大，较为合理。附图5c中快速充电需求沿道路分布，且聚集在交通流量大的主干路段，这与部分文献中采用截获交通流量反映电动汽车服务数的原理是相同的，即认为快速充电需求与交通流量呈正比。附图5d为按配电系统节点分布的电动汽车慢速充电需求热力图。

为了进一步说明MMTAM仿真结果的合理性，本发明在相同交通网络和参数条件下，分别用MMTAM和UE交通配流模型进行仿真，得到了24h的交通流分布如附图6所示。所涉及的UE交通配流模型表达式如式(14)-(18)所示。

式中：x_mn为路段mn上的交通配流量；p_mn(·)为路段阻抗函数；

为连接O-D对rs的路径q上的交通配流量；q_rs为OD对rs之间的交通配流量；

为连接OD对rs的路径q是否包含路段mn的标志变量，当路径q包含路段mn时，

否则

Ω^TL为交通网络的所有路径集合；N^T为交通网络的节点集合；Q_rs为所有连接OD对rs的集合；

和c_mn分别为路段mn的自由流通行时间(该路段无其它车辆状态下的平均通行时间)和通行容量。

从附图6可以看到，虽然仿真方法不同，但MMTAM和UE交通配流模型的配流结果却相差不大，部分路段流量的差别主要因为MMTAM中计及了快速充电站对交通流的反馈影响，而UE交通配流模型中并未计及。进一步计算附图6中两条曲线的灰色关联度为0.9514，这说明它们的变化趋势达到了较高的一致性。由于UE交通配流模型广泛应用于交通仿真研究中，是一种认可度高的配流算法，因此可以认为本发明MMTAM的交通配流仿真结果也较为合理。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.多智能体微观交通配流模型的建立方法，其特征在于，包括步骤：

1)建立多智能体微观交通配流模型架构和电动汽车智能体模型；

2)对智能体模型中至关重要的驾驶行为集元素进行逐一建模；

3)对多智能体微观交通配流模型的输入/输出数据进行说明，以便协同规划计算循环调用该模型；

定义多智能体微观交通配流模型为MMTAM(·)模块化函数，并有如下输入/输出形式：

式中：Γ为规划年集合；y^τ和N^τ表示第τ年候选站点是否建站的0-1矩阵和建桩数矩阵；n^τ表示第τ年已建成的慢速充电桩；

为第τ年已建成的快速充电站集合；

F^τ、

和c^τ分别为第τ年的典型日充电增加成本矩阵、动态交通配流矩阵、快速充电负荷、慢速充电负荷和慢速充电频次需求分布矩阵；

若改变式(9)的输入矩阵y^τ和N^τ，即改变充电站建设方案，则多智能体微观交通配流模型的输出矩阵

也相应改变，从而影响充电站规划和配电系统规划的优化指标计算，体现协同性特点；

将智能体的概念引入含有电动汽车的微观交通配流仿真中，并根据电动汽车独有的充电行为特点，设计多智能体微观交通配流模型的数据交互方式和仿真架构；

所述多智能体微观交通配流模型的仿真架构分为3个层次：交通路网层、agent决策层和状态感知层；其中，agent决策层由许多的agent个体构成，agent个体包含电动汽车和驾驶员两个部分，根据驾驶经验和路况信息规划最优路径和制定充电方案；

为分析电动汽车的驾驶行为，多智能体微观交通配流模型中定义一个agent决策行为集

其中元素

为出行O-D对，

为路况更新和Dijkstra动态路径规划选择，

为是否充电及充电导航，

为循环发车和状态感知；然后对行为集元素逐一进行选择、判断和优化，体现出电动汽车的agent属性；agent个体通过通信装置从状态感知层接收上一时段的交通信息，并通过传感器感受位置和电量的变化，而后将这些信息传递给agent决策层；agent个体根据驾驶经验、行车计划、电动汽车特征和交通信息进行决策；agent决策层中定义驾驶行为集

来描述能影响agent驾驶的各种决策行为；

所述的智能体模型中的驾驶行为集元素建模，其构建可削减负荷模型、可平移负荷模型和可转移负荷模型，并应用于综合能源系统的优化调度；

所述的元素

出行O-D对选择：

提出百度地图/Google地图对各类目的地的空间位置筛选电动汽车出行目的地，即O-D对的方法：首先，将出行目的地分为小区、学校、商场、医院、餐馆、酒店、旅馆、写字楼、公园9个类别，并通过百度地图/Google地图对各类目的地的空间坐标，进行按交通节点的聚类，即将距离交通节点i距离最近的第j个k类目的地点，标记为θ_i,j,k＝1；然后再按如下式子计算地理权重：

式中：A_i表示交通节点i的地理权重；N_k为第k类目的地的数量；Ω^TN为交通节点集合；a_k为第k类目的地的累加权重；θ_i,j,k为0-1标记，表示节点i是否为距离第j个k类目的地点最近的交通节点；

依据A_i，通过Monte Carlo抽样选取电动汽车的出行O-D对；

所述的元素

路况更新和Dijkstra动态路径规划：

提出根据状态感知层公布的路况信息，动态规划下一时段的最优行驶路径的方法；

提出对多智能体微观交通配流模型至关重要的道理车流量计算表达式，即：

式中：T为某一时间尺度下的仿真时间集合；Ω^TR为现有道路集合；r(i,j)为连接节点i和j的道路；F_r(i,j),t-1为t-1时刻的道理车流量；Ω^EV为电动汽车集合；η^EV为电动汽车的渗透率；ξ_k,r(i,j),t-1为t-1时段第k辆电动汽车是否通过道路r(i,j)的0-1标记；

所述的元素

是否充电及充电导航：

首先，根据电动汽车的行驶电量变化情况，提出判断电动汽车的充电需求状态λ_i,t的荷电状态SOC工作区图和相应的数学表达式；当λ_i,t＝1时，表示电动汽车产生了快速充电需求；当λ_i,t＝0时，表示电动汽车需要进行慢速充电；当λ_i,t＝-1时，则表示无充电需求；

式中：λ_i,t、S_i,t和ΔS_i,t分别表示第i辆电动汽车在t时刻的充电需求状态、SOC和到达目的地所需最少电量；S_th1为电动汽车荷电状态SOC的安全行驶阈值；S_th2为保证电池使用寿命而设定的下限放电深度；

然后，提出快速充电站最优选择模型，分别考虑了电动汽车因进行快速充电而增加的综合空间距离成本和排队等待充电的时间成本，即通过如式(4)-式(7)所示优化模型来描述电动汽车的智能充电决策行为；式(4)目标函数中：第1项表示电动汽车充电需求产生点至充电站的距离；第2项表示充电站t-1时段的站内车桩比，以衡量排队等待时间长短；约束式(5)-(7)依次保证：电动汽车每次仅选择一个充电站充电、所选充电站在电动汽车的可到达范围内、充电站q的车桩比不超过上限值

式中：Ω^FCS为快速充电站集合；υ₁和υ₂为费用折算系数；S_i,t表示第i辆电动汽车在t时刻的电量；

和

分别为第i辆电动汽车的百公里耗电量和电池容量；

O_i,t和ε_i,q,t分别表示第i辆电动汽车在t时刻的充电增加成本、充电需求产生位置和是否去充电站q充电的0-1变量；D_q表示目标充电站q的位置；

表示Dijkstra算法函数；

和

分别为充电站q的充电桩数和t-1时段的站内电动汽车数；

最后，给出充电站q在t时段内的快速充电功率

计算表达式：

式中，P^F为快充设备的充电功率。

2.根据权利要求1所述的多智能体微观交通配流模型的建立方法，其特征在于，所述的元素

循环发车和状态感知：

针对不同类型的电动汽车，设计了不同的时序循环发车机制，并对已有的电动汽车“出行链”技术进行改进，即增加agent个体在行驶路径上各节点处的状态标记，生成所谓电动汽车出行“状态链”；“状态链”中包含时间状态链、空间状态链和电量状态链三个部分，为多智能体微观交通配流模型准确定位电动汽车充电需求产生的位置、时间，计算时序充电负荷曲线，打下数据和结构基础。

Images