CN110738848B - 一种考虑时变路阻信息的电动汽车导航方法 - Google Patents

一种考虑时变路阻信息的电动汽车导航方法 Download PDF

Info

Publication number
CN110738848B
CN110738848B CN201910954286.XA CN201910954286A CN110738848B CN 110738848 B CN110738848 B CN 110738848B CN 201910954286 A CN201910954286 A CN 201910954286A CN 110738848 B CN110738848 B CN 110738848B
Authority
CN
China
Prior art keywords
charging
electric
time
electric automobile
travel
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
CN201910954286.XA
Other languages
English (en)
Other versions
CN110738848A (zh
Inventor
李欣然
王炜
阚浩轩
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN201910954286.XA priority Critical patent/CN110738848B/zh
Publication of CN110738848A publication Critical patent/CN110738848A/zh
Application granted granted Critical
Publication of CN110738848B publication Critical patent/CN110738848B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Mathematical Physics (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种考虑时变路阻信息的电动汽车导航方法，包括获取电动汽车剩余电量、电动汽车满电电量、电动汽车所在位置、行程讫点、路网脆弱路段、脆弱路段干扰状态和脆弱路段干扰状态的单位时变概率数据；根据电动汽车剩余电量与所在位置确定行程途中最低充电次数；根据行程途中最低充电次数确定潜在充电站点所在范围；计算电动汽车所在位置与潜在首次充电站点间考虑时变路阻信息的时间最短路；计算行程起讫点间的时间最短路，确定电动汽车导航路线。本发明可充分挖掘智能交通系统中实时动态信息的潜力，有效避开拥堵路段，对于大规模复杂路网也同样适用，为城市智能交通管理和路径诱导提供了有力的技术支撑。

Description

一种考虑时变路阻信息的电动汽车导航方法
技术领域
本发明涉及车辆路径规划与导航技术领域，特别是涉及一种考虑时变路阻信息的电动汽车导航方法。
背景技术
近年来，出于能源可持续发展与遏止气候变化的考量，电动汽车的发展问题引发了国际关注。传统的内燃机汽车以化石能源作为能量来源，并且排放了全球约20％的温室气体，是造成化石能源枯竭和全球变暖的主要因素之一。使用由可持续能源——太阳能或者核能转化而成的电力作为能量来源的电动汽车，能够在行驶过程中实现零排放，比起内燃机汽车更符合能源可持续发展和环境友好的生态需求。不仅如此，电动汽车还具能源转化效率更高、使用和维护成本更低等优势。
然而，电动汽车的发展也面临一定的制约因素。其中最为突出的问题是电动汽车续航里程不足和配套充电设施不完善。由于电池容量的限制，在不进行充电的情况下，电动汽车的行程范围要比内燃机汽车更短。并且作为必要配套设施的充电站在世界上大部分地区的布设密度仍然较低。因此，提出一种考虑中途充电情况的电动汽车导航方法十分必要。
传统的电动汽车导航方法未从全局路径给出充电站的选取方法，并且没有考虑动态交通信息，因此得到的导航方案在实际应用中不一定是最优路径。而在考虑动态信息的模型中，极易遇到维数灾问题。
发明内容
发明目的：为解决现有技术存在的问题，本发明通过将实时动态交通信息作为考虑因素，选取合适的充电站点，以向电动汽车提供时间最优导航路线，提供一种考虑时变路阻信息的电动汽车导航方法。该方法可充分挖掘智能交通系统中实时动态信息的潜力，有效避开拥堵路段，对于大规模复杂路网也同样适用，是一种重要的电动汽车导航的改进方法，为城市智能交通管理和路径诱导提供了有力的技术支撑。
技术方案：为实现上述发明目的，本发明采用以下技术方案：
一种考虑时变路阻信息的电动汽车导航方法，包括以下步骤：
(1)获取电动汽车剩余电量、电动汽车满电电量、电动汽车所在位置、行程讫点、路网脆弱路段、脆弱路段干扰状态和脆弱路段干扰状态的单位时变概率数据；
(2)根据电动汽车剩余电量与所在位置确定行程途中最低充电次数；
(3)根据行程途中最低充电次数确定潜在充电站点所在范围；
(4)计算电动汽车所在位置与潜在首次充电站点间考虑时变路阻信息的时间最短路；
(5)计算行程起讫点间的时间最短路，确定电动汽车导航路线。
进一步的，步骤(1)中脆弱路段为可能受到干扰的路段，干扰状态可分为k(k∈N)级，即干扰状态可从正整数集合K＝{0,…,k}中取值，且k＝0时为无干扰状态；脆弱路段r干扰状态的单位时变概率由单位矩阵
Figure BDA0002226760270000021
给出，其中
Figure BDA0002226760270000022
表示脆弱路段r干扰状态i与干扰路段j之间的单位时变概率值，i∈K，j∈K。
进一步的，步骤(2)包括以下步骤：
(2.1)判断电动汽车能否在无需途中充电的情况下行驶至行程讫点，若可以，转至步骤(3)；若不可以，转至步骤(2.2)；
(2.2)判断电动汽车能否在一次途中充电的情况下行驶至行程讫点，若可以，转至步骤(3)；若不可以，转至步骤(2.3)；
(2.3)判断电动汽车能否在多次途中充电的情况下行驶至行程讫点，若可以，转至步骤(3)；若不可以，转至步骤(2.4)；
(2.4)判断其他情形下电动汽车行程所需最低充电次数，转至步骤(3)；
若电动汽车该次行程所属情形均不满足上述判断条件，则认为电动汽车该次行程不能够到达行程讫点，途中最低充电次数视为0。
更进一步的，步骤(2.1)中，电动汽车能否在无需途中充电的情况下行驶至行程讫点的判断公式为
Figure BDA0002226760270000023
其中L(a,b)代表电动汽车所在位置与行程讫点间的最短距离，EM代表电动汽车单位电量行驶里程，BLR代表电动汽车在导航起点剩余电量；若满足判断公式
Figure BDA0002226760270000024
即认为电动汽车能够在无需途中充电的情况下行驶至行程讫点。
更进一步的，步骤(2.2)中，电动汽车能否在一次途中充电的情况下行驶至行程讫点，其判断条件为是否存在充电站点同时位于电动汽车初始所在位置依靠剩余电量可达范围半径RR与满电电量可达行程讫点的范围半径RF内，其中RR＝BLR×EM，RF＝BLF×EM，EM代表电动汽车单位电量行驶里程，BLR代表电动汽车在导航起点剩余电量，BLF代表电动汽车满电电量；为简化计算，将以电动汽车初始所在位置为圆心，RR为半径确定的圆形区域视为初始位置剩余电量可达区域，以行程讫点为圆心，RF为半径确定的圆形区域视为行程讫点在满电电量下的可达区域，若两个可达区域的重叠区域内存在充电站点，则认为电动汽车能够在一次途中充电的情况下行驶至行程讫点。
更进一步的，步骤(2.3)中，电动汽车能否在多次途中充电的情况下行驶至行程讫点，其判断条件为在电动汽车初始所在位置依靠剩余电量可达范围半径RR内是否存在充电站点，且在合理范围内存在其他充电站点以保证电动汽车可以行驶至行程讫点，若均存在，则认为电动汽车能够在多次途中充电的情况下行驶至行程讫点；为将寻找充电站点的时间限制在合理的范围内，潜在充电站点所在的合理范围由以电动汽车初始所在位置为圆心，RR为半径确定的圆形区域，以行程讫点为圆心，αRF为半径确定的圆形区域，及两个圆形区域公切线围成的区域组成，其中α为限制区域大小的标量，α∈[0.1,1]。
进一步的，步骤(3)具体为：若途中最低充电次数为0，则无需计算潜在充电站点所在范围；若途中最低充电次数为1次，则潜在充电站点所在范围计算方法为：将以电动汽车初始所在位置为圆心，RR为半径确定的圆形区域视为初始位置剩余电量可达区域，以行程讫点为圆心，RF为半径确定的圆形区域视为行程讫点在满电电量下的可达区域，其中，RR为电动汽车初始所在位置依靠剩余电量可达范围半径，RF为电动汽车满电电量可达行程讫点的范围半径，则初始位置剩余电量可达区域和行程讫点在满电电量下的可达区域所确定的重叠区域为潜在充电站点所在范围；若途中最低充电次数为2次及以上，则潜在充电站点所在范围由以电动汽车初始所在位置为圆心，RR为半径确定的圆形区域，以行程讫点为圆心，αRF为半径确定的圆形区域，及两个圆形区域公切线围成的区域组成，其中α为限制区域大小的标量，α∈[0.1,1]。
进一步的，步骤(4)包括以下步骤：
(4.1)筛选电动汽车该次行程首次充电可能选择的潜在充电站点；
若电动汽车该次行程途中最低充电次数为0，且能够在无需途中充电的情形下行驶至行程讫点，则认为该次行程首次充电选择的充电站位置位于行程讫点，以方便后续计算；若电动汽车该次行程途中最低充电次数为1次，则认为该次行程首次充电可能选择的潜在充电站位于初始位置剩余电量可达区域和行程讫点在满电电量下的可达区域所确定的重叠区域中，其中，初始位置剩余电量可达区域为：以电动汽车初始所在位置为圆心，RR为半径确定的圆形区域；行程讫点在满电电量下的可达区域为：以行程讫点为圆心，RF为半径确定的圆形区域，其中，RR为电动汽车初始所在位置依靠剩余电量可达范围半径，RF为电动汽车满电电量可达行程讫点的范围半径；若电动汽车该次行程途中最低充电次数为2次及以上，则认为该次行程首次充电可能选择的潜在充电站位于以电动汽车初始所在位置为圆心，RR为半径确定的圆形区域中；
(4.2)计算电动汽车所在位置与(4.1)确定的所有潜在充电站点间的考虑时变路阻信息的时间最短路。
更进一步的，步骤(4.2)中，将考虑时变路阻信息的时间最短路问题建模为一个离散时间有限马尔可夫过程；具体建模过程为：
将电动汽车当前所在位置和行程讫点视为一个由有限个节点和边组成的交通网络G＝(N,L,Lv)中的两个节点，其中有限集合N＝{0,…,n}代表节点，有限集合L＝{(i,j):i,j∈N)and i≠j}代表边，集合
Figure BDA0002226760270000041
代表脆弱路段；假定路段(i,j)上的行驶时间与历史数据有关，并服从当前干扰状态的离散分布；在该马尔可夫过程中，状态变量St代表t阶段的系统状态，用St＝(it,Dt)表示，其中t＝{0,…,T},it∈N，Dt表示所有脆弱路段干扰状态取值的集合，脆弱路段r的干扰状态Dt(r)∈K；决策变量xt代表下一个可能被访问的节点，xt＝Xπ(St)，其中X(St)表示决策函数，π表示一种策略；外生信息变量Wt表示在t-1到t阶段间可能获得的外生信息，t到t+1阶段的外生信息变量可表示为
Figure BDA0002226760270000042
其中
Figure BDA0002226760270000043
表示t到t+1阶段间所有脆弱路段的干扰状态变化；转换函数为St+1＝SM(St,xt,Wt+1)＝(it+1,Dt+1)，其中M表示模型，
Figure BDA0002226760270000044
脆弱路段r的转移矩阵可表示为：
Figure BDA0002226760270000045
其中，
Figure BDA0002226760270000046
表示在当前干扰状态下，从节点it选择xt节点作为下一节点所需的时间阻抗；转移概率矩阵可表示为
Figure BDA0002226760270000047
其中R表示脆弱路段的最大数量；成本函数
Figure BDA0002226760270000051
目标函数可表示为
Figure BDA0002226760270000052
其中
Figure BDA0002226760270000053
表示期望值；求解该模型。
更进一步的，采用近似动态规划的方法对该马尔可夫决策过程进行求解，算法步骤如下：
(a)初始化：初始化近似状态值
Figure BDA0002226760270000054
与状态变量St，将迭代次数n设为1：近似状态值
Figure BDA0002226760270000055
为第n次迭代t阶段至T-1阶段的成本函数之和的近似值，初始近似状态值
Figure BDA0002226760270000056
采用干扰状态为0时的状态值，定义初始状态变量为
Figure BDA0002226760270000057
(b)选择样本路径ωn，对于t＝0,…,T-1，求解
Figure BDA0002226760270000058
Figure BDA0002226760270000059
最优解表示为
Figure BDA00022267602700000510
其中
Figure BDA00022267602700000511
为决策后变量；若t>0，计算
Figure BDA00022267602700000512
Figure BDA00022267602700000513
更新
Figure BDA00022267602700000514
值，αn-1为谐波步长，其作用是在当前估计值和上一迭代估计值之间取加权平均值；
(c)计算t阶段决策后变量
Figure BDA00022267602700000515
t+1阶段的状态变量
Figure BDA00022267602700000516
Figure BDA00022267602700000517
(d)增加迭代次数n，若n≤N则返回步骤(b)，其中N为预先设定的迭代次数最大值；
(e)获得最优状态值
Figure BDA00022267602700000518
有益效果：与现有技术相比，本发明具有以下优点：
(1)本发明根据最低途中充电次数确定合理的潜在充电站点，适用各种行程情况，并将搜索充电站所需时间限制在合理范围内；
(2)本发明将动态交通信息作为考虑因素，所计算出的路径可有效避开拥堵路段，使导航路线的确定更为精确，并可根据交通状态实时调整；
(3)本发明采用近似动态规划算法计算考虑时变拥堵信息的最短路问题，可有效避免维数灾问题，使该模型同样适用于大规模或复杂交通网络。
附图说明
图1是本发明方法的总体流程图；
图2是潜在充电站点范围的示意图，其中，(a)是途中最低1次充电时，潜在充电站点范围示意图，(b)是图中最低2次及以上充电时，潜在充电站点范围示意图；
图3是本发明实施例中某地区交通网络示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：应当清楚，以下所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。
本发明提供一种考虑时变路阻信息的电动汽车导航方法，本发明的目的是通过将实时动态交通信息作为考虑因素，选取合适的充电站点，以向电动汽车提供时间最优导航路线。本发明提供的方法，可充分挖掘智能交通系统中实时动态信息的潜力，有效避开拥堵路段，对于大规模复杂路网也同样适用，是一种重要的电动汽车导航的改进方法，为城市智能交通管理和路径诱导提供了有力的技术支撑。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
如图1所示，一种考虑时变路阻信息的电动汽车导航方法，包括以下步骤：
(1)获取电动汽车导航方法所需相关数据，具体为：
获取电动汽车剩余电量、电动汽车满电电量、电动汽车所在位置、行程讫点、路网脆弱路段、脆弱路段干扰状态和脆弱路段干扰状态的单位时变概率数据；
其中，脆弱路段为可能受到干扰(干扰指如交通拥堵等可使路段时间阻抗变化)的路段，干扰状态可分为k(k∈N)级，即干扰状态可从正整数集合K＝{0,…,k}中取值，且k＝0时为无干扰状态；脆弱路段r干扰状态的单位时变概率由单位矩阵
Figure BDA0002226760270000061
给出，其中
Figure BDA0002226760270000062
表示脆弱路段r干扰状态i与干扰路段j之间的单位时变概率值，i∈K，j∈K。
(2)根据电动汽车剩余电量与所在位置确定行程途中最低充电次数；
(2.1)判断电动汽车能否在无需途中充电的情况下行驶至行程讫点，若可以，转至步骤(3)；若不可以，转至步骤(2.2)；
其中，电动汽车能否在无需途中充电的情况下行驶至行程讫点的判断公式为
Figure BDA0002226760270000071
其中L(a,b)(单位：km)，代表电动汽车所在位置与行程讫点间的最短距离，EM(km\kWh)代表电动汽车单位电量行驶里程，BLR(kWh)代表电动汽车在导航起点剩余电量，下同；若满足判断公式
Figure BDA0002226760270000072
即认为电动汽车能够在无需途中充电的情况下行驶至行程讫点。
(2.2)判断电动汽车能否在一次途中充电的情况下行驶至行程讫点，若可以，转至步骤(3)；若不可以，转至步骤(2.3)；
其中，电动汽车能否在一次途中充电的情况下行驶至行程讫点，其判断条件为是否存在充电站点同时位于电动汽车初始所在位置依靠剩余电量可达范围半径RR与满电电量可达行程讫点的范围半径RF内，其中RR＝BLR×EM，RF＝BLF×EM，BLF代表电动汽车满电电量，下同；如图2(a)所示，为简化计算，将以电动汽车初始所在位置为圆心，RR为半径确定的圆形区域视为初始位置剩余电量可达区域，以行程讫点为圆心，RF为半径确定的圆形区域视为行程讫点在满电电量下的可达区域，若两个可达区域的重叠区域内存在充电站点，则认为电动汽车能够在一次途中充电的情况下行驶至行程讫点。
(2.3)判断电动汽车能否在多次(大于等于2次)途中充电的情况下行驶至行程讫点，若可以，转至步骤(3)；若不可以，转至步骤(2.4)；
其中，电动汽车能否在多次(大于等于2次)途中充电的情况下行驶至行程讫点，其判断条件为在电动汽车初始所在位置依靠剩余电量可达范围半径RR内是否存在充电站点，且在合理范围内存在其他充电站点以保证电动汽车可以行驶至行程讫点，若均存在，则认为电动汽车能够在多次(大于等于2次)途中充电的情况下行驶至行程讫点；如图2(b)所示，为将寻找充电站点的时间限制在合理的范围内，潜在充电站点所在的合理范围由以电动汽车初始所在位置为圆心，RR为半径确定的圆形区域，以行程讫点为圆心，αRF为半径确定的圆形区域及两个圆形区域公切线围成的区域组成，其中α为限制区域大小的标量，α∈[0.1,1]；为提高计算效率，α值可先取较小值，若不存在充电站点满足判断条件，则逐步增大α的取值。
(2.4)判断其他情形下电动汽车行程所需最低充电次数，转至步骤(3)；
若电动汽车该次行程所属情形均不满足上述判断条件，则认为电动汽车该次行程不能够到达行程讫点，途中最低充电次数视为0。
(3)根据行程途中最低充电次数确定潜在充电站点所在范围；
若途中最低充电次数为0，则无需计算潜在充电站点所在范围；若途中最低充电次数为1次，则潜在充电站点所在范围为步骤(2.2)中初始位置剩余电量可达区域和行程讫点在满电电量下的可达区域所确定的重叠区域，如图2(a)所示；若途中最低充电次数为2次及以上，则潜在充电站点所在范围由步骤(2.3)中以电动汽车初始所在位置为圆心，RR为半径确定的圆形区域，以行程讫点为圆心，αRF为半径确定的圆形区域(α∈[0.1,1])，及两个圆形区域公切线围成的区域组成，如图2(b)所示；上述范围的计算中使用高斯距离，因此在合理范围确定后需对其中的充电站点进行路线可达性验证，确保该充电站点所在路线可保证电动汽车行驶至行程讫点。
(4)采用本文中所提出的方法计算所在位置与潜在首次充电站点间考虑时变路阻信息的时间最短路；
(4.1)筛选电动汽车该次行程首次充电可能选择的潜在充电站点；
若电动汽车该次行程途中最低充电次数为0，且能够在无需途中充电的情形下行驶至行程讫点，则认为该次行程首次充电选择的充电站位置位于行程讫点，以方便后续计算；若电动汽车该次行程途中最低充电次数为1次，则认为该次行程首次充电可能选择的潜在充电站位于步骤(3.2)中初始位置剩余电量可达区域和行程讫点在满电电量下的可达区域所确定的重叠区域中；若电动汽车该次行程途中最低充电次数为2次及以上，则认为该次行程首次充电可能选择的潜在充电站位于步骤(3.2)中所确定的以电动汽车初始所在位置为圆心，RR为半径确定的圆形区域中。
(4.2)计算电动汽车所在位置与(4.1)确定的所有潜在充电站点间的考虑时变路阻信息的时间最短路。
将考虑时变路阻信息的时间最短路问题建模为一个离散时间有限马尔可夫过程；具体建模过程为：将电动汽车当前所在位置和行程讫点视为一个由有限个节点和边组成的交通网络G＝(N,L,Lv)中的两个节点，其中有限集合N＝{0,…,n}代表节点，有限集合L＝{(i,j):i,j∈N)and i≠j}代表边，集合
Figure BDA0002226760270000081
代表脆弱路段；假定路段(i,j)上的行驶时间与历史数据有关，并服从当前干扰状态的离散分布；在该马尔可夫过程中，状态变量St代表t阶段的系统状态，用St＝(it,Dt)表示，其中t＝{0,…,T},it∈N，Dt表示所有脆弱路段干扰状态取值的集合，脆弱路段r的干扰状态Dt(r)∈K；决策变量xt代表下一个可能被访问的节点，xt＝Xπ(St)，其中X(St)表示决策函数，π表示一种策略；外生信息变量Wt表示在t-1到t阶段间可能获得的外生信息，t到t+1阶段的外生信息变量可表示为
Figure BDA0002226760270000091
其中
Figure BDA0002226760270000092
表示t到t+1阶段间所有脆弱路段的干扰状态变化；转换函数为St+1＝SM(St,xt,Wt+1)＝(it+1,Dt+1)，其中M表示模型，
Figure BDA0002226760270000093
脆弱路段r的转移矩阵可表示为：
Figure BDA0002226760270000094
其中，
Figure BDA0002226760270000095
表示在当前干扰状态下，从节点it选择xt节点作为下一节点所需的时间阻抗；转移概率矩阵可表示为
Figure BDA0002226760270000096
其中R表示脆弱路段的最大数量；成本函数
Figure BDA0002226760270000097
目标函数可表示为
Figure BDA0002226760270000098
其中
Figure BDA0002226760270000099
表示期望值；求解该模型。
采用近似动态规划的方法对该马尔可夫决策过程进行求解，算法步骤如下：
(a)初始化：初始化近似状态值
Figure BDA00022267602700000910
与状态变量St，将迭代次数n设为1：近似状态值
Figure BDA00022267602700000911
为第n次迭代t阶段至T-1阶段的成本函数之和的近似值，初始近似状态值
Figure BDA00022267602700000912
采用干扰状态为0时的状态值，定义初始状态变量为
Figure BDA00022267602700000913
(b)选择样本路径ωn，对于t＝0,…,T-1，求解
Figure BDA00022267602700000914
Figure BDA00022267602700000915
最优解表示为
Figure BDA00022267602700000916
其中
Figure BDA00022267602700000917
为决策后变量，通过当前状态下给定决策的确定值可以消除贝尔曼方程中的期望；若t>0，计算
Figure BDA00022267602700000918
Figure BDA00022267602700000919
更新
Figure BDA00022267602700000920
值，αn-1为谐波步长，其作用是在当前估计值和上一迭代估计值之间取加权平均值，其值在算法趋近收敛时小于0.05。
(c)计算t阶段决策后变量
Figure BDA00022267602700000921
t+1阶段的状态变量
Figure BDA00022267602700000922
(d)增加迭代次数n，若n≤N则返回步骤(b)，其中N为预先设定的迭代次数最大值。
(e)获得最优状态值
Figure BDA00022267602700000923
(5)计算行程起讫点间的时间最短路，确定电动汽车导航路线；
(5.1)计算电动汽车首次充电站点与行程讫点间所有可能路径的时间最短路；
其中，采用Dijkstra算法计算电动汽车首次充电站点与行程讫点间所有可能路径的时间最短路。
(5.2)计算电动汽车所在位置与行程讫点间考虑时变路阻信息的所有可能路径的时间最短路；
电动汽车所在位置与行程讫点间考虑时变路阻信息的所有可能路径的时间最短路阻抗为该路径对应的电动汽车所在位置至首次充电站点间的最短路阻抗、首次充电站点至行程讫点间时间最短路阻抗与充电时间之和；电动汽车所在位置与行程讫点间考虑时变路阻信息的所有可能路径的时间最短路为该路径对应的电动汽车所在位置与首次充电站点间的最短路路径与首次充电站点与行程讫点间时间最短路路径两部分组成。
(5.3)选取所有可能路径总时间阻抗中的最小值对应的路径为考虑时变路阻信息的电动汽车导航路径。
作为一个实施例，如图3所示，已知城市某地区交通网络上有20个节点(图中圆点表示节点)，6个脆弱路段，假定脆弱路段干扰状态可分为2级，干扰状态取值为0的路段阻抗如图中节点间连线上数值所示，脆弱路段与相对应的稳态干扰概率如图3右侧图例所示，其中6个脆弱路段分别为：节点1至节点2之间的路段，节点3至节点20之间的路段，节点4至节点11之间的路段，节点10至节点16之间的路段，节点12至节点13之间的路段，节点15至节点16之间的路段；上述6个脆弱路段对应的干扰概率分别为0.50，0.85，0.70，0.80，0.80，0.40。
采用如图1所示本发明提出的一种考虑时变路阻信息的电动汽车导航方法，该实施例具体步骤为：
(1)获取电动汽车剩余电量、电动汽车满电电量、电动汽车所在位置、行程讫点、路网脆弱路段、脆弱路段干扰状态、脆弱路段干扰状态时变概率数据；
本实施例中，电动汽车剩余电量为2.5kWh，电动汽车满电电量为40kWh，电动汽车所在位置为节点1，行程讫点为节点20，初始状态路段1→2，4→11和3→30处于干扰状态，脆弱路段干扰状态单位时变概率可由稳态概率求得。
(2)根据电动汽车剩余电量与所在位置确定行程途中最低充电次数；
本实施例中，RR为15km，RF为240km，行程途中最低充电次数为1次。
(3)根据行程途中最低充电次数确定潜在充电站点所在范围；
本实施例中，潜在充电站点所在范围为以节点1为圆心，RR为半径构成的圆形区域与以节点20为圆心，RF为半径构成的圆形区域之间的重叠区域。
(4)采用本文中所提出的方法计算所在位置与潜在首次充电站点间考虑时变路阻信息的时间最短路；
本实施例中，首次潜在充电站点为节点2、节点4和节点13；采用本文中所提出的方法计算得出所在位置与潜在首次充电站点间考虑时变路阻信息的时间最短路如表1所示。
表1所在位置与潜在首次充电站点间考虑时变路阻信息的时间最短路
序号 首次潜在充电站点 最短路径1 最短路径时间阻抗1
1 2 1→2 6
2 4 1→4 2
3 13 1→4→5→6→13 8
(5)计算行程起讫点间的时间最短路，确定电动汽车导航路线。
本实施例中，采用Dijkstra算法计算电动汽车首次充电站点与行程讫点间所有可能路径的时间最短路、充电时间、最优路线见表2。
表2首次充电站点与行程讫点间所有可能路径的时间最短路、充电时间与最优路线
Figure BDA0002226760270000111
本发明步骤简明，逻辑清晰，计算高效，可充分挖掘智能交通系统中实时动态信息的潜力，有效避开拥堵路段，对于大规模复杂路网也同样适用，是一种重要的电动汽车导航的改进方法，为城市智能交通管理和路径诱导提供了有力的技术支撑。

Claims (7)

1.一种考虑时变路阻信息的电动汽车导航方法，其特征在于，包括以下步骤：
(1)获取电动汽车剩余电量、电动汽车满电电量、电动汽车所在位置、行程讫点、路网脆弱路段、脆弱路段干扰状态和脆弱路段干扰状态的单位时变概率数据；
(2)根据电动汽车剩余电量与所在位置确定行程途中最低充电次数；
(3)根据行程途中最低充电次数确定潜在充电站点所在范围；
(4)计算电动汽车所在位置与潜在首次充电站点间考虑时变路阻信息的时间最短路；包括以下步骤：
(4.1)筛选电动汽车该次行程首次充电可能选择的潜在充电站点；
若电动汽车该次行程途中最低充电次数为0，且能够在无需途中充电的情形下行驶至行程讫点，则认为该次行程首次充电选择的充电站位置位于行程讫点，以方便后续计算；若电动汽车该次行程途中最低充电次数为1次，则认为该次行程首次充电可能选择的潜在充电站位于初始位置剩余电量可达区域和行程讫点在满电电量下的可达区域所确定的重叠区域中，其中，初始位置剩余电量可达区域为：以电动汽车初始所在位置为圆心，RR为半径确定的圆形区域；行程讫点在满电电量下的可达区域为：以行程讫点为圆心，RF为半径确定的圆形区域，其中，RR为电动汽车初始所在位置依靠剩余电量可达范围半径，RF为电动汽车满电电量可达行程讫点的范围半径；若电动汽车该次行程途中最低充电次数为2次及以上，则认为该次行程首次充电可能选择的潜在充电站位于以电动汽车初始所在位置为圆心，RR为半径确定的圆形区域中；
(4.2)计算电动汽车所在位置与(4.1)确定的所有潜在充电站点间的考虑时变路阻信息的时间最短路；将考虑时变路阻信息的时间最短路问题建模为一个离散时间有限马尔可夫过程；具体建模过程为：
将电动汽车当前所在位置和行程讫点视为一个由有限个节点和边组成的交通网络G＝(N,L,Lv)中的两个节点，其中有限集合N＝{0,…,n}代表节点，有限集合L＝{(i,j):i,j∈N)and i≠j}代表边，集合
Figure FDA0002520436020000011
代表脆弱路段；假定路段(i,j)上的行驶时间与历史数据有关，并服从当前干扰状态的离散分布；在该马尔可夫过程中，状态变量St代表t阶段的系统状态，用St＝(it,Dt)表示，其中t＝{0,…,T},it∈N，Dt表示所有脆弱路段干扰状态取值的集合，脆弱路段r的干扰状态Dt(r)∈K；决策变量xt代表下一个可能被访问的节点，xt＝Xπ(St)，其中X(St)表示决策函数，π表示一种策略；外生信息变量Wt表示在t-1到t阶段间可能获得的外生信息，t到t+1阶段的外生信息变量可表示为
Figure FDA0002520436020000021
其中
Figure FDA0002520436020000022
表示t到t+1阶段间所有脆弱路段的干扰状态变化；转换函数为St+1＝SM(St,xt,Wt+1)＝(it+1,Dt+1)，其中M表示模型，it+1＝xt,
Figure FDA0002520436020000023
脆弱路段r的转移矩阵可表示为：
Figure FDA0002520436020000024
其中，
Figure FDA0002520436020000025
表示在当前干扰状态下，从节点it选择xt节点作为下一节点所需的时间阻抗；转移概率矩阵可表示为
Figure FDA0002520436020000026
其中R表示脆弱路段的最大数量；成本函数
Figure FDA0002520436020000027
目标函数可表示为
Figure FDA0002520436020000028
其中
Figure FDA0002520436020000029
表示期望值；求解该模型；
采用近似动态规划的方法对该马尔可夫决策过程进行求解，算法步骤如下：
(a)初始化：初始化近似状态值
Figure FDA00025204360200000210
与状态变量St，将迭代次数n设为1：近似状态值
Figure FDA00025204360200000211
为第n次迭代t阶段至T-1阶段的成本函数之和的近似值，初始近似状态值
Figure FDA00025204360200000212
采用干扰状态为0时的状态值，定义初始状态变量为
Figure FDA00025204360200000213
(b)选择样本路径ωn，对于t＝0,…,T-1，求解
Figure FDA00025204360200000214
Figure FDA00025204360200000215
最优解表示为
Figure FDA00025204360200000216
其中
Figure FDA00025204360200000217
为决策后变量；若t>0，计算
Figure FDA00025204360200000218
Figure FDA00025204360200000219
更新
Figure FDA00025204360200000220
值，αn-1为谐波步长，其作用是在当前估计值和上一迭代估计值之间取加权平均值；
(c)计算t阶段决策后变量
Figure FDA00025204360200000221
t+1阶段的状态变量
Figure FDA00025204360200000222
Figure FDA00025204360200000223
(d)增加迭代次数n，若n≤N则返回步骤(b)，其中N为预先设定的迭代次数最大值；
(e)获得最优状态值
Figure FDA00025204360200000224
(5)计算行程起讫点间的时间最短路，确定电动汽车导航路线。
2.根据权利要求1所述的一种考虑时变路阻信息的电动汽车导航方法，其特征在于，步骤(1)中脆弱路段为可能受到干扰的路段，干扰状态可分为k(k∈N)级，即干扰状态可从正整数集合K＝{0,…,k}中取值，且k＝0时为无干扰状态；脆弱路段r干扰状态的单位时变概率由单位矩阵
Figure FDA0002520436020000031
给出，其中
Figure FDA0002520436020000032
表示脆弱路段r干扰状态i与干扰路段j之间的单位时变概率值，i∈K，j∈K。
3.根据权利要求1所述的一种考虑时变路阻信息的电动汽车导航方法，其特征在于，步骤(2)包括以下步骤：
(2.1)判断电动汽车能否在无需途中充电的情况下行驶至行程讫点，若可以，转至步骤(3)；若不可以，转至步骤(2.2)；
(2.2)判断电动汽车能否在一次途中充电的情况下行驶至行程讫点，若可以，转至步骤(3)；若不可以，转至步骤(2.3)；
(2.3)判断电动汽车能否在多次途中充电的情况下行驶至行程讫点，若可以，转至步骤(3)；若不可以，转至步骤(2.4)；
(2.4)判断其他情形下电动汽车行程所需最低充电次数，转至步骤(3)；
若电动汽车该次行程所属情形均不满足上述判断条件，则认为电动汽车该次行程不能够到达行程讫点，途中最低充电次数视为0。
4.根据权利要求3所述的一种考虑时变路阻信息的电动汽车导航方法，其特征在于，步骤(2.1)中，电动汽车能否在无需途中充电的情况下行驶至行程讫点的判断公式为
Figure FDA0002520436020000033
其中L(a,b)代表电动汽车所在位置与行程讫点间的最短距离，EM代表电动汽车单位电量行驶里程，BLR代表电动汽车在导航起点剩余电量；若满足判断公式
Figure FDA0002520436020000034
即认为电动汽车能够在无需途中充电的情况下行驶至行程讫点。
5.根据权利要求3所述的一种考虑时变路阻信息的电动汽车导航方法，其特征在于，步骤(2.2)中，电动汽车能否在一次途中充电的情况下行驶至行程讫点，其判断条件为是否存在充电站点同时位于电动汽车初始所在位置依靠剩余电量可达范围半径RR与满电电量可达行程讫点的范围半径RF内，其中RR＝BLR×EM，RF＝BLF×EM，EM代表电动汽车单位电量行驶里程，BLR代表电动汽车在导航起点剩余电量，BLF代表电动汽车满电电量；为简化计算，将以电动汽车初始所在位置为圆心，RR为半径确定的圆形区域视为初始位置剩余电量可达区域，以行程讫点为圆心，RF为半径确定的圆形区域视为行程讫点在满电电量下的可达区域，若两个可达区域的重叠区域内存在充电站点，则认为电动汽车能够在一次途中充电的情况下行驶至行程讫点。
6.根据权利要求3所述的一种考虑时变路阻信息的电动汽车导航方法，其特征在于，步骤(2.3)中，电动汽车能否在多次途中充电的情况下行驶至行程讫点，其判断条件为在电动汽车初始所在位置依靠剩余电量可达范围半径RR内是否存在充电站点，且在合理范围内存在其他充电站点以保证电动汽车可以行驶至行程讫点，若均存在，则认为电动汽车能够在多次途中充电的情况下行驶至行程讫点；为将寻找充电站点的时间限制在合理的范围内，潜在充电站点所在的合理范围由以电动汽车初始所在位置为圆心，RR为半径确定的圆形区域，以行程讫点为圆心，αRF为半径确定的圆形区域，及两个圆形区域公切线围成的区域组成，其中α为限制区域大小的标量，α∈[0.1,1]。
7.根据权利要求1所述的一种考虑时变路阻信息的电动汽车导航方法，其特征在于，步骤(3)具体为：若途中最低充电次数为0，则无需计算潜在充电站点所在范围；若途中最低充电次数为1次，则潜在充电站点所在范围计算方法为：将以电动汽车初始所在位置为圆心，RR为半径确定的圆形区域视为初始位置剩余电量可达区域，以行程讫点为圆心，RF为半径确定的圆形区域视为行程讫点在满电电量下的可达区域，其中，RR为电动汽车初始所在位置依靠剩余电量可达范围半径，RF为电动汽车满电电量可达行程讫点的范围半径，则初始位置剩余电量可达区域和行程讫点在满电电量下的可达区域所确定的重叠区域为潜在充电站点所在范围；若途中最低充电次数为2次及以上，则潜在充电站点所在范围由以电动汽车初始所在位置为圆心，RR为半径确定的圆形区域，以行程讫点为圆心，αRF为半径确定的圆形区域，及两个圆形区域公切线围成的区域组成，其中α为限制区域大小的标量，α∈[0.1,1]。
CN201910954286.XA 2019-10-09 2019-10-09 一种考虑时变路阻信息的电动汽车导航方法 Active CN110738848B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910954286.XA CN110738848B (zh) 2019-10-09 2019-10-09 一种考虑时变路阻信息的电动汽车导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910954286.XA CN110738848B (zh) 2019-10-09 2019-10-09 一种考虑时变路阻信息的电动汽车导航方法

Publications (2)

Publication Number Publication Date
CN110738848A CN110738848A (zh) 2020-01-31
CN110738848B true CN110738848B (zh) 2020-07-31

Family

ID=69268519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910954286.XA Active CN110738848B (zh) 2019-10-09 2019-10-09 一种考虑时变路阻信息的电动汽车导航方法

Country Status (1)

Country Link
CN (1) CN110738848B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115880933B (zh) * 2022-10-21 2023-10-27 长安大学 一种基于大数据分析的新能源车辆换电分配系统及方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6025146B2 (ja) * 2013-05-23 2016-11-16 カルソニックカンセイ株式会社 電気自動車の航続距離通知装置
JP6301730B2 (ja) * 2013-10-04 2018-03-28 株式会社東芝 電動車両の運行管理装置及び運行計画立案方法
CN105337301B (zh) * 2014-08-12 2018-06-26 国家电网公司 微电网并网点的选择方法和装置
CN104175898A (zh) * 2014-08-18 2014-12-03 同济大学 一种为电动车提供补电服务的方法以及补电服务系统
CN106207290B (zh) * 2016-07-11 2019-03-15 太原理工大学 一种基于多源数据的电动汽车充电辅助决策优化方法
CN108321830A (zh) * 2018-01-30 2018-07-24 南京工程学院 一种适用于直流环网的直流潮流控制器控制参数设计方法
CN108681795B (zh) * 2018-05-23 2021-12-21 华南理工大学 城市交通路网和用户出行链约束下的电动汽车充电负荷时空预测方法
CN109146176A (zh) * 2018-08-22 2019-01-04 大连理工大学 一种面向电动汽车充换电服务费引导的配电网阻塞调度方法
CN108955711B (zh) * 2018-08-24 2022-03-25 广东工业大学 一种应用于电动汽车智能充放电的导航方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"中长期电量预测的傅里叶-马尔科夫修正模型";李欣然 等;《湖南大学学报（自然科学版）》;20161031;论文正文全文 *
"基于功率或电量预测的智能配电网统计线损同期化方法";冷华 等;《电力系统保护与控制》;20160916;论文正文全文 *

Also Published As

Publication number Publication date
CN110738848A (zh) 2020-01-31

Similar Documents

Publication Publication Date Title
CN109034465B (zh) 考虑充电站选址与出行路径耦合的充电站两层规划方法
CN110222907B (zh) 电动汽车充电站规划方法及终端设备
CN109886468B (zh) 基于改进的自适应遗传算法的充电站规划方法
CN103136600B (zh) 一种电动汽车备选充电设施选择方法
US10668824B2 (en) Method for calculating a setpoint for managing the fuel and electricity consumption of a hybrid motor vehicle
CN109840635B (zh) 基于电压稳定性和充电服务质量的电动汽车充电站规划方法
CN111523714B (zh) 一种电力充电站选址布局方法及装置
CN104184190A (zh) 一种电动汽车动态充电路径规划方法
CN106875075A (zh) 一种基于出行行为学的电动汽车充电站布点方法
CN113029182A (zh) 一种考虑无线充电和动态能耗的电动汽车路径规划方法
CN113593228B (zh) 一种高速公路瓶颈区域自动驾驶协同控制方法
CN107180274A (zh) 一种电动汽车充电设施规划典型场景选取和优化方法
Ruzmetov et al. Towards an optimal assignment and scheduling for charging electric vehicles
CN107730049A (zh) 电动汽车快速充电最优位置选择方法
CN109579861A (zh) 一种基于强化学习的路径导航方法及系统
CN116797002B (zh) 电动汽车充电站规划方法、装置及存储介质
CN112417604A (zh) 一种基于多目标优化的电动汽车配送任务自适应分配方法
CN110738848B (zh) 一种考虑时变路阻信息的电动汽车导航方法
Qiao et al. Vehicle powertrain connected route optimization for conventional, hybrid and plug-in electric vehicles
CN111582581A (zh) 考虑随机交通流量偏移的电动汽车换电站鲁棒选址方法
CN113672857A (zh) 一种基于氢能源汽车、制氢厂数据进行加氢站选址的方法
CN112330025A (zh) 用于城市电动汽车的时空充电负荷的预测方法
Liao et al. Load modeling for electric taxi battery charging and swapping stations: Comparison studies
Zhang et al. Multi-objective route search for electric vehicles using ant colony optimization
CN112115385A (zh) 一种考虑充电时间的单向共享汽车系统选址优化方法

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