CN109784558B - 一种基于蚁群算法的电动汽车充电调度优化方法 - Google Patents

Abstract

一种基于蚁群算法的电动汽车充电调度优化方法，包括如下步骤：1)当电动汽车处于电量值较低时，用户先向服务器发送充电请求，服务器收到请求后会先收集电动汽车电池的剩余能量、空调状态、电动汽车的当前位置及周边充电站分布情况，同时要参考周围道路拥堵情况；2)将道路网格化，电动汽车充电调度问题可以描述成优化问题；3)针对这个问题模型，我们采用蚁群算法为电动汽车选择合适的目标充电站以及到达目标充电站的最优行驶路径；4)只要服务器和电动汽车处于连接状态，服务器会将目标充电站和到达目标充电站最优路径的信息发送给用户。本发明提高电动汽车的充电效率，给用户提供更加智能的充电路径规划方案。

Description

一种基于蚁群算法的电动汽车充电调度优化方法

技术领域

本发明涉及到电动汽车充电调度与行驶路径优化领域，尤其是一种基于蚁群算法的电动汽车充电调度优化方法。

背景技术

传统能源消耗速度非常迅速而再生速度非常缓慢，同时对环境的污染非常大。近年来，人们在绿色出行领域中不断探索，电动汽车就是其中的代表之一。电动汽车是用电池代替传统能源来提供动力，由于电动汽车的能源利用率高、零污染、噪声低，所以市面上的电动汽车保有量一直在增加。但是电动汽车与传统能源汽车相比也有其缺陷，存在无法远距离持续行驶、充电时间长、相关的充电设施配置不合理等问题。

如果行驶中的电动车可以根据电池剩余电量和充电站使用状态为用户提供合理的充电调度和行驶路径优化方案，就能减少用户对电动汽车可行驶距离的担忧。虽然目前对电动汽车充电调度上的相关研究还在起步阶段，但是基于蚁群算法的电动汽车的充电调度和行驶路径优化的方案提供了一种可靠准确的方法，调度优化方法能让用户合理地安排电动汽车充电时机和充电行驶路径，减少用户的等待时间，也能够解决充电站资源的不合理分配给用户带来的不便，与此同时促进电动汽车的普及。

发明内容

为了克服现有电动汽车的充电效率较低的不足，为了提高电动汽车的充电效率，给用户提供更加智能的充电路径规划方案，本发明提供了一种基于蚁群算法的电动汽车充电调度优化方法。

本发明解决其技术问题所采用的技术方案是：

一种基于蚁群算法的电动汽车充电调度优化方法，所述调度优化方法包括如下步骤：

1)当电动汽车处于电量值较低时，用户先向服务器发送充电请求，服务器收到请求后会先收集电动汽车电池的剩余能量、空调状态、电动汽车的当前位置及周边充电站分布情况，同时要参考周围道路拥堵情况，步骤如下：

步骤1.1：通过测算流入和流出的库仑量并采用库仑计数法来估算电动汽车剩余能量，在测量过程中，电池容量以安培小时为计量单位，计算公式为：

A_l＝A_max-A_u (1-1)

其中，各参数定义如下：

A_max：满电状态下电池容量；

A_u：当前已使用的电池容量；

A_l：剩余可使用的电池容量；

E_max：满电状态下电池的能量；

E_l：电池剩余能量；

步骤1.2：在电动汽车行驶过程中，电动汽车到达充电站的时间往往受到道路拥堵情况的影响，引入拥堵系数ε表示道路的拥堵情况，再根据每段路的拥堵情况计算出电动汽车在该道路的行驶时间，计算公式为：

其中，各参数定义如下：

num:进入道路的车辆数；

T:阈值容量，保证道路顺畅通行的最大车辆数；

C:临界值，引起道路拥堵的车辆数；

t:电动汽车在道路的行驶时间；

电动汽车在该路段顺畅通行的平均行驶时间；

步骤1.3：根据电动汽车行驶消耗的能量和电动汽车行驶过程中空调所消耗的能量计算电动汽车在道路上行驶消耗的总能量为：

E₁＝d×E(v) (1-6)

E₂＝t×E (1-7)

E＝E₁+E₂ (1-8)

其中，各参数定义如下：

v:电动汽车在道路上的行驶速度；

d:道路长度；

E(V):电动汽车以速度v行驶所对应的能耗；

E₁:电动汽车上行驶的总能耗；

E₂:电动汽车的空调总能耗；

E:电动汽车需要的总能耗；

步骤1.4：筛选出允许电动汽车充电的f个充电站，引入索引集I＝{1,2,…,i,…f}，可允许充电的充电站记为{CS_i}_i∈I；

2)将道路网格化，假设电动汽车只能在路口f和路口m间的水平道路x_fm以及路口n和路口m垂直道路y_nm上行驶，水平和垂直方向路网的相邻两点的道路集合为{x₁₁,x₁₂,…x_fm}和{y₁₁,y₁₂,…y_nm}，水平和垂直方向的拥堵系数集合为

和

f个充电站依次排列在路网的终端，结合步骤1)，电动汽车充电调度问题描述成如下的优化问题：

x₁₁+y₁₁＝1 (2-2)

x_nm+y_nm＝x_nm'+y_n'm (2-3)

x_fm＝x_fm'+y_nm (2-4)

在此，各参数定义如下：

t_f:选择的充电站的等待时间；

水平路段的道路数；

垂直路段的道路数；

电动汽车在水平路段x_fm的行驶能耗；

电动汽车在垂直路段y_nm的行驶能耗；

E_l：电动汽车的剩余能量；

其中，m'＝m-1、n'＝n-1，若m'＝0、n'＝0，则对应的x_nm'、y_nm'、x_fm'为0；

3)针对这个问题模型，采用蚁群算法为电动汽车选择合适的目标充电站以及到达目标充电站的最优行驶路径，步骤如下：

步骤3.1：将迭代计数器N置0并设置最大的迭代次数N_max；再初始化路网模型，设置电动汽车的当前位置为起点，各充电站为终点，假设每条路段的信息素const都相等；初始化禁忌表tabu，禁忌表用来保存蚂蚁已经走过的节点，从而保证蚂蚁正常行驶时不会重复经过某个节点；

步骤3.2：设置蚂蚁的数量z，并将z只蚂蚁放在起点处；

步骤3.3：蚂蚁k在第N次迭代时，水平路段x_fm转移的概率为：

其中，allowed_k＝{C-tabu_k}；同理求出垂直路段y_nm的转移概率

在此，各参数定义如下：

蚂蚁k转移到水平路段x_fm的概率；

蚂蚁k转移到垂直路段y_nm的概率；

C：所有的路段集合；

tabu_k：蚂蚁k经过的路段集合；

allowed_k：蚂蚁k下一步可选择的路段集合；

α：信息启发式因子，该值越大，表示蚂蚁更倾向选择其他蚂蚁经过的路径，这里设为定值10；

β：期望启发式因子，该值越大，表示蚂蚁路段转移的概率越接近于贪婪规则，这里设为定值1；

η(N)：启发函数；

τ(N)：迭代N次时，路段上的信息浓度；

而启发函数η(N)的表达式为：

F(N)＝t+t_c (3-3)

在此，各参数定义如下：

F(N)：路段的权重；

t：选择路段的行驶时间；

t_c：保证计算鲁棒性而添加的时间常数；

步骤3.4：若蚂蚁k在选择路径时，没有满足公式(2-3)的约束条件，则蚂蚁k将自动死亡；如果蚂蚁k未死亡,则将所选择的路径加入禁忌表tabu_k中；

步骤3.5：计算本次迭代的局部最优解

若优于全局最优解T，则令T＝T_l；

步骤3.6：为了避免残留信息过多淹没了启发信息，在蚂蚁k走到终点后，要对残留信息及时进行更新，在信息不断更新的同时，路径上的残留信息则随着时间的推移逐渐淡化，路径上的信息素更新规则表达式为：

各参数定义如下：

Δτ^k(N)：第k只蚂蚁在本次循环中留在每个路段上的信息量；

Q:信息素强度，这里设为定值100；

T^k：第k只蚂蚁的在本次循环中求得的解；

ρ：信息素挥发系数，取值范围一般为(0,1)，这里设为定值0.2；

Δτ(N)：本次循环中每个路段上的信息素增量，初始时刻Δτ(0)＝0；

步骤3.7：若N＜N_max，则清空禁忌表中的所有数据，令Δτ(N)＝0，N＝N+1并且回到步骤3.2开始新一轮的计算；否则，则退出循环，输出结果；

4)之后，只要服务器和电动汽车处于连接状态，服务器会将目标充电站和到达目标充电站最优路径的信息发送给用户。

本发明的技术构思为：首先,当电动汽车的电量值较低时，用户需要先向服务器发送充电请求，服务器收到请求后会根据电动汽车电池的剩余能量以及空调状态，估算出可行驶的剩余里程数；接着，根据电动汽车的当前位置及周边充电站分布情况，同时要参考道路拥堵情况，选择出可到达的最优充电站，并为电动汽车的用户规划最优行驶路径。蚁群算法得到最优路径的过程中，蚂蚁k先选择行驶路径，在到达终点后，对蚂蚁k经过的路径上的信息素进行更新，从而得到电动汽车行驶路径的最优解。

本发明的有益效果主要表现在:1、蚁群算法的鲁棒性强，通过搜索能有效地得到最优路径，较可靠地解决电动汽车的调度优化问题；2、更新信息素时，利用的是整体信息，即蚂蚁在一个循环后才更新路径上所有的信息素，性能更好；3、蚁群算法不需要遍历所有情况再比较它们的优劣而得出最优解，这降低了计算复杂度，也大大地减少了计算时间，提高计算效率。

附图说明

图1是路网模型图；

图2是蚁群算法的流程图。

具体实施方式

下面结合附图对本发明作进一步详细描述。

参照图1和图2，一种基于蚁群算法的电动汽车充电调度优化方法，换言之，即用蚁群算法对电动汽车的充电调度进行优化。本发明是在简化的路网模型(如图1所示)中，通过蚁群算法进行路径选择和信息素地更新，最终提供充电的最优路径。发明面向急需充电的电动汽车，针对电动汽车剩余电池的能量、电动汽车的状态信息以及路网模型中道路的拥堵情况，提出了蚁群算法来获得最优的充电站和充电路径。所述调度优化方法包括以下步骤：

1)当电动汽车处于电量值较低时，用户先向服务器发送充电请求，服务器收到请求后会先收集电动汽车电池的剩余能量、空调状态、电动汽车的当前位置及周边充电站分布情况，同时要参考周围道路拥堵情况，步骤如下：

步骤1.1：通过测算流入和流出的库仑量并采用库仑计数法来估算电动汽车剩余能量，在测量过程中，电池容量以安培小时为计量单位，计算公式为：

A_l＝A_max-A_u (1-1)

其中，各参数定义如下：

A_max：满电状态下电池容量；

A_u：当前已使用的电池容量；

A_l：剩余可使用的电池容量；

E_max：满电状态下电池的能量；

E_l：电池剩余能量；

步骤1.2：在电动汽车行驶过程中，电动汽车到达充电站的时间往往受到道路拥堵情况的影响，引入拥堵系数ε表示道路的拥堵情况，再根据每段路的拥堵情况计算出电动汽车在该道路的行驶时间，,计算公式为：

其中，各参数定义如下：

num:进入道路的车辆数；

T:阈值容量，保证道路顺畅通行的最大车辆数；

C:临界值，引起道路拥堵的车辆数；

t:电动汽车在道路的行驶时间；

电动汽车在该路段顺畅通行的平均行驶时间；

步骤1.3：根据电动汽车行驶消耗的能量和电动汽车行驶过程中空调所消耗的能量计算电动汽车在道路上行驶消耗的总能量为：

E₁＝d×E(v) (1-6)

E₂＝t×E (1-7)

E＝E₁+E₂ (1-8)

其中，各参数定义如下：

v:电动汽车在道路上的行驶速度；

d:道路长度；

E(V):电动汽车以速度v行驶所对应的能耗；

E₁:电动汽车上行驶的总能耗；

E₂:电动汽车的空调总能耗；

E:电动汽车需要的总能耗；

步骤1.4：筛选出允许电动汽车充电的f个充电站，引入索引集I＝{1,2,…,i,…f}，可允许充电的充电站记为{CS_i}_i∈I；

2)将道路网格化，假设电动汽车只能在路口f和路口m间的水平道路x_fm以及路口n和路口m垂直道路y_nm上行驶，水平和垂直方向路网的相邻两点的道路集合为{x₁₁,x₁₂,…x_fm}和{y₁₁,y₁₂,…y_nm}，水平和垂直方向的拥堵系数集合为

和

f个充电站依次排列在路网的终端，结合步骤1)，电动汽车充电调度问题描述成如下的优化问题：

x₁₁+y₁₁＝1 (2-2)

x_nm+y_nm＝x_nm'+y_n'm (2-3)

x_fm＝x_fm'+y_nm (2-4)

在此，各参数定义如下：

t_f:选择的充电站的等待时间；

水平路段的道路数；

垂直路段的道路数；

电动汽车在水平路段x_fm的行驶能耗；

电动汽车在垂直路段y_nm的行驶能耗；

E_l：电动汽车的剩余能量；

其中，m'＝m-1、n'＝n-1，若m'＝0、n'＝0，则对应的x_nm'、y_nm'、x_fm'为0；

3)针对这个问题模型，采用蚁群算法为电动汽车选择合适的目标充电站以及到达目标充电站的最优行驶路径，步骤如下：

步骤3.1：将迭代计数器N置0并设置最大的迭代次数N_max；再初始化路网模型，设置电动汽车的当前位置为起点，各充电站为终点，假设每条路段的信息素const都相等；初始化禁忌表tabu，禁忌表用来保存蚂蚁已经走过的节点，从而保证蚂蚁正常行驶时不会重复经过某个节点；

步骤3.2：设置蚂蚁的数量z，并将z只蚂蚁放在起点处；

步骤3.3：蚂蚁k在第N次迭代时，水平路段x_fm转移的概率为：

其中，allowed_k＝{C-tabu_k}；同理求出垂直路段y_nm的转移概率

在此，各参数定义如下：

蚂蚁k转移到水平路段x_fm的概率；

蚂蚁k转移到垂直路段y_nm的概率；

C：所有的路段集合；

tabu_k：蚂蚁k经过的路段集合；

allowed_k：蚂蚁k下一步可选择的路段集合；

α：信息启发式因子，该值越大，表示蚂蚁更倾向选择其他蚂蚁经过的路径，这里设为定值10；

β：期望启发式因子，该值越大，表示蚂蚁路段转移的概率越接近于贪婪规则，这里设为定值1；

η(N)：启发函数；

τ(N)：迭代N次时，路段上的信息浓度；

而启发函数η(N)的表达式为：

F(N)＝t+t_c (3-3)

在此，各参数定义如下：

F(N)：路段的权重；

t：选择路段的行驶时间；

t_c：保证计算鲁棒性而添加的时间常数；

步骤3.4：若蚂蚁k在选择路径时，没有满足公式(2-3)的约束条件，则蚂蚁k将自动死亡；如果蚂蚁k未死亡,则将所选择的路径加入禁忌表tabu_k中；

步骤3.5：计算本次迭代的局部最优解

若优于全局最优解T，则令T＝T_l；

步骤3.6：为了避免残留信息过多淹没了启发信息，在蚂蚁k走到终点后，要对残留信息及时进行更新；在信息不断更新的同时，路径上的残留信息则随着时间的推移逐渐淡化；路径上的信息素更新规则表达式为：

各参数定义如下：

Δτ^k(N)：第k只蚂蚁在本次循环中留在每个路段上的信息量；

Q:信息素强度，这里设为定值100；

T^k：第k只蚂蚁的在本次循环中求得的解；

ρ：信息素挥发系数，取值范围一般为(0,1)，这里设为定值0.2；

Δτ(N)：本次循环中每个路段上的信息素增量，初始时刻Δτ(0)＝0；

步骤3.7：若N＜N_max，则清空禁忌表中的所有数据，令Δτ(N)＝0，N＝N+1并且回到步骤3.2开始新一轮的计算；否则，则退出循环，输出结果；

4)之后，只要服务器和电动汽车处于连接状态，服务器会将目标充电站和到达目标充电站最优路径的信息发送给用户。

Claims (1)

1.一种基于蚁群算法的电动汽车充电调度优化方法，其特征在于所述调度优化方法包括如下步骤：

1)当电动汽车处于电量值较低时，用户先向服务器发送充电请求，服务器收到请求后会先收集电动汽车电池的剩余能量、空调状态、电动汽车的当前位置及周边充电站分布情况，同时要参考周围道路拥堵情况，步骤如下：

步骤1.1：通过测算流入和流出的库仑量并采用库仑计数法来估算电动汽车剩余能量，在测量过程中，电池容量以安培小时为计量单位，计算公式为：

A_l＝A_max-A_u (1-1)

其中，各参数定义如下：

A_max：满电状态下电池容量；

A_u：当前已使用的电池容量；

A_l：剩余可使用的电池容量；

E_max：满电状态下电池的能量；

E_l：电池剩余能量；

步骤1.2：在电动汽车行驶过程中，电动汽车到达充电站的时间往往受到道路拥堵情况的影响，引入拥堵系数ε表示道路的拥堵情况，再根据每段路的拥堵情况计算出电动汽车在该道路的行驶时间，计算公式为：

其中，各参数定义如下：

num:进入道路的车辆数；

T:阈值容量，保证道路顺畅通行的最大车辆数；

C:临界值，引起道路拥堵的车辆数；

t:电动汽车在道路的行驶时间；

电动汽车在该道路顺畅通行的平均行驶时间；

步骤1.3：根据电动汽车行驶消耗的能量和电动汽车行驶过程中空调所消耗的能量计算电动汽车在道路上行驶消耗的总能量为：

E₁＝d×E(v) (1-6)

E₂＝t×E (1-7)

E＝E₁+E₂ (1-8)

其中，各参数定义如下：

v:电动汽车在道路上的行驶速度；

d:道路长度；

E(V):电动汽车以速度v行驶所对应的能耗；

E₁:电动汽车上行驶的总能耗；

E₂:电动汽车的空调总能耗；

E:电动汽车需要的总能耗；

步骤1.4：筛选出允许电动汽车充电的f个充电站，引入索引集I＝{1,2,…,i,…f}，可允许充电的充电站记为{CS_i}_i∈I；

2)将道路网格化，假设电动汽车只能在路口f和路口m间的水平道路x_fm以及路口n和路口m垂直道路y_nm上行驶，水平和垂直方向路网的相邻两点的道路集合为{x₁₁,x₁₂,…x_fm}和{y₁₁,y₁₂,…y_nm}，水平和垂直方向的拥堵系数集合为

和

f个充电站依次排列在路网的终端，结合步骤1)，电动汽车充电调度问题描述成如下的优化问题：

s.t.x_fm,y_nm＝{0,1} (2-1)

x₁₁+y₁₁＝1 (2-2)

x_nm+y_nm＝x_nm'+y_n'm (2-3)

x_fm＝x_fm'+y_nm (2-4)

在此，各参数定义如下：

t_f:选择的充电站的等待时间；

水平路段的道路数；

垂直路段的道路数；

电动汽车在水平路段x_fm的行驶能耗；

电动汽车在垂直路段y_nm的行驶能耗；

E_l：电动汽车的剩余能量；

其中，m'＝m-1、n'＝n-1，若m'＝0、n'＝0，则对应的x_nm'、y_nm'、x_fm'为0；

3)针对这个问题模型，采用蚁群算法为电动汽车选择合适的目标充电站以及到达目标充电站的最优行驶路径，步骤如下：

步骤3.1：将迭代计数器N置0并设置最大的迭代次数N_max；再初始化路网模型，设置电动汽车的当前位置为起点，各充电站为终点，假设每条路段的信息素const都相等；初始化禁忌表tabu，禁忌表用来保存蚂蚁已经走过的节点，从而保证蚂蚁正常行驶时不会重复经过某个节点；

步骤3.2：设置蚂蚁的数量z，并将z只蚂蚁放在起点处；

步骤3.3：蚂蚁k在第N次迭代时，水平路段x_fm转移的概率为：

其中，allowed_k＝{C-tabu_k}；同理求出垂直路段y_nm的转移概率

在此，各参数定义如下：

蚂蚁k转移到水平路段x_fm的概率；

蚂蚁k转移到垂直路段y_nm的概率；

C：所有的路段集合；

tabu_k：蚂蚁k经过的路段集合；

allowed_k：蚂蚁k下一步可选择的路段集合；

α：信息启发式因子，该值越大，表示蚂蚁更倾向选择其他蚂蚁经过的路径，这里设为定值10；

β：期望启发式因子，该值越大，表示蚂蚁路段转移的概率越接近于贪婪规则，这里设为定值1；

η(N)：启发函数；

τ(N)：迭代N次时，路段上的信息浓度；

而启发函数η(N)的表达式为：

F(N)＝t+t_c (3-3)

在此，各参数定义如下：

F(N)：路段的权重；

t：选择路段的行驶时间；

t_c：保证计算鲁棒性而添加的时间常数；

步骤3.4：若蚂蚁k在选择路径时，没有满足公式(2-3)的约束条件，则蚂蚁k将自动死亡；如果蚂蚁k未死亡,则将所选择的路径加入禁忌表tabu_k中；

步骤3.5：计算本次迭代的局部最优解

若优于全局最优解T，则令T＝T_l；

步骤3.6：为了避免残留信息过多淹没了启发信息，在蚂蚁k走到终点后，要对残留信息及时进行更新，在信息不断更新的同时，路径上的残留信息则随着时间的推移逐渐淡化，路径上的信息素更新规则表达式为：

各参数定义如下：

Δτ^k(N)：第k只蚂蚁在本次循环中留在每个路段上的信息量；

Q:信息素强度，这里设为定值100；

T^k：第k只蚂蚁的在本次循环中求得的解；

ρ：信息素挥发系数，取值范围一般为(0,1)，这里设为定值0.2；

Δτ(N)：本次循环中每个路段上的信息素增量，初始时刻Δτ(0)＝0；

步骤3.7：若N＜N_max，则清空禁忌表中的所有数据，令Δτ(N)＝0，N＝N+1并且回到步骤3.2开始新一轮的计算；否则，则退出循环，输出结果；

4)之后，只要服务器和电动汽车处于连接状态，服务器会将目标充电站和到达目标充电站最优路径的信息发送给用户。

Images