CN111291920B - 一种考虑多因素多场景的电动汽车充电站推荐方法 - Google Patents

Abstract

本发明涉及一种考虑多因素多场景的电动汽车充电站推荐方法，属于电动汽车充电领域。该方法实时获取用户的车辆当前SOC及位置；根据用户是否发起充电推荐请求分别进入主动推荐模式和被动推荐模式；在主动推荐模式下且车辆当前SOC小于设定阈值时，或者在被动推荐模式下且用户未设定充电目标时，根据每个充电站对应的指标值大小及每个指标对应的当前权重，计算得到每个充电站的得分并排序，最终得到用户的充电站推荐结果。该方法通过综合考虑多种因素，结合用户偏好，考虑配网负荷率、用户行为场景及用户的应用场景，兼顾用户充电时间最短、充电费用最低、电网负荷最均衡等多种目标，智能地为用户给出推荐方案。

Description

一种考虑多因素多场景的电动汽车充电站推荐方法

技术领域

本发明涉及一种考虑多因素多场景的电动汽车充电站推荐方法，属于电动汽车充电领域。

背景技术

近年来，随着空气污染的加重和化石燃料的减少，电动汽车作为使用电能的汽车，因其不会污染城市空气、噪音小且维护量小，正越来越受到用户的欢迎。加之政府的积极推动，电动汽车正在越来越普及。

但是由于技术、成本等原因，电动汽车的平均续航里程还明显低于燃油车，因此需要配置足够的充电桩供电动汽车用户使用，让用户在有充电需求时方便地找到适合的充电桩。也可通过技术手段提前主动地提醒用户充电，并提供充电位置的推荐，这将大大提高用户的用车体验。

同时，电动汽车的充电需求具有一定的灵活性，可以根据电网的负荷率等信息，通过智能推荐，降低充电对电网的影响或减小用户的充电费用。

本领域的专利有:申请号为CN201710397090.6及CN201811472986.7的专利。CN201710397090.6，“电动汽车充电推荐系统及方法”专利中，在系统使用时，用户通过登录微信公众号经微信公众平台将充电请求发送至充电管理平台，充电管理平台接收充电请求之后，分析用户相关信息，并根据其内置的GIS信息和调用的地图服务平台的实时路况信息查询和导航服务，查找电动汽车可行驶范围内的充电站及其实时信息，并向用户推荐最能符合用户充电需求的充电站和充电时间。其使用的推荐排序算法，仅考虑了用户电动汽车可继续行驶里程范围内充电站的充电车辆数和预计排队时间，考虑的影响因素过少。专利CN201811472986.7，“一种电动汽车充电方案实时推荐方法及系统”的推荐算法为：获取车辆规划的出行路线沿途的充电站集合；根据车辆的剩余电量可行驶里程确定所述出行路线沿途的充电站集合中的可用充电站；利用预先建立的神经网络模型在所述可用充电站中确定推荐充电站。该方法运用神经网络模型来确定的推荐充电站，但神经网络模型较为复杂，可解释性不强。并且两个专利均采用用户唤醒的推荐模式，另外其推荐时没有考虑平衡电网负荷，没有结合用户发出充电推荐请求的时间和场景，也没有给用户提供多种可供选择的偏好。

发明内容

本发明的目的是为克服已有技术的不足之处，提出一种考虑多因素多场景的电动汽车充电站推荐方法。本发明能够适用于主站系统主动推荐及用户发出充电推荐请求这两种情况，并考虑了多个相关因素和多个应用场景。该方法通过综合考虑多种因素，结合用户偏好，考虑配网负荷率、用户行为场景及用户的应用场景，兼顾用户充电时间最短、充电费用最低、电网负荷最均衡等多种目标，智能地为用户给出推荐方案。

本发明提出一种考虑多因素多场景的电动汽车充电站推荐方法，其特征在于，包括以下步骤：

1)对任一用户j，设置最大推荐个数为N个；建立该用户场景集合Θ^(j)；

2)实时获取用户j的车辆当前SOC及车辆当前位置；

3)判断该用户是否发起充电推荐请求：如果是，则进入步骤5)；如果否，进入步骤4)；

4)进入主动推荐模式；具体步骤如下：

4-1)获取当前场景ζ；获取当前场景的当前主动推荐模式SOC阈值

4-2)判断车辆当前SOC是否小于

如果是，则进入步骤6)；如果否，则重新返回步骤2)；

5)进入被动推荐模式；判断用户是否选择充电目标：如果是，则进入步骤7)；如果否，则进入步骤6)；

6)充电站推荐；具体步骤如下：

6-1)根据车辆当前位置获取与用户j的车辆距离最近的前N个充电站，组成电动汽车充电站当前推荐集合Φ；

6-2)对Φ中每个充电站，获取该充电站对应的8个指标指，包括：

6-2-1)充电站充电设施占用比例；

6-2-2)充电站所处配电网负载率；

6-2-3)用户j的车辆到达充电站距离；

6-2-4)充电站附近无其余服务指标；计算表达式如下：

其中，Service^(k)表示充电站k周围500m内的餐厅、购物场所、娱乐场所数量；Service_max＝max{Service^(k)},k∈Φ，表示集合Φ的充电站附近的餐厅、购物场所、娱乐场所数量的最大值；

6-2-5)用户j在该充电站的总充电成本；

对每个充电站，计算表达式为：C＝(1-SOC)QC₁+C₀；

其中C代表用户在该充电站充电的总成本；C₀代表在该充电站充电的固定成本；C₁表示该充电站每度电的收费；Q代表电池容量；SOC代表荷电状态；

6-2-6)预计用户j到达该充电站的行驶时间；计算表达式如下：

其中，v_ij为电动汽车驶过路段ij时路段的平均行驶车速；L_ij为路段节点ij之间的路线的距离；T_ij为电动汽车驶过路段ij所用的时间；Ω为车辆到达充电站所需要经过的线路的集合；

6-2-7)预计用户j选择该充电站充电的花费总时间，为驾驶时间、排队等待时间和充电时间之和：T＝T_drive+T_wait+T_charge；

式中T为花费总时间；T_drive为用户j的车辆从当前位置行驶到该充电站的时间；T_wait为用户j的车辆在该充电站中的排队等待时间；T_charge为用户j的车辆在该充电站中的充电时间，表达式如下：

式中，P为该充电站中充电桩的充电功率；η为充电效率；

6-2-8)用户对充电站的不熟悉度；对任一充电站k,该指标计算表达式为：

f^(k)表示用户在充电站k充电的次数，f_all表示该用户历史充电总次数；

6-3)对每个充电站的所有指标进行归一化；

对每个充电站的每个指标，归一化方法如下：

其中，

是归一化后的第k个充电站第i个指标的值，取值范围为

是归一化前第k个充电站第i个指标的值；

是归一化前所有充电站中的第i个指标最小值；

是归一化前所有充电站中的第i个指标最大值；

归一化完毕后，每个充电站归一化的8个指标值作为该充电站的评价指标向量，充电站k的指标向量表达式如下：

6-4)根据步骤6-3)的结果，计算集合Φ中的各充电站的得分，其中第k个充电站的得分为：

其中，定义用户j在场景ζ下的当前权重向量为：

其中，

中的每个元素代表用户j在场景ζ下对对应指标的敏感程度；

6-5)利用步骤6-4)的结果，将集合Φ中的所有充电站的得分Score^(k)从小到大进行排序，得到N个充电站的排序结果即为当前对用户j的充电站的推荐结果，然后进入步骤8)；

7)按照用户选择的充电目标对所有充电站排序；其中用户的充电目标选择包括：最快充电、最近充电、最经济充电、最舒适充电、最休闲充电；在每种充电目标下，通过比较每个充电站指标向量X^(k)中的对应指标值并按照从小到大进行排序，输出N个充电站的排序结果作为该充电目标下当前对用户j的充电站的推荐结果；然后进入步骤8)；

其中，最快充电对应的指标为预计用户j选择该充电站充电的花费总时间、最近充电对应的指标为用户j的车辆到达充电站距离、最经济充电对应的指标为用户j在该充电站的总充电成本、最舒适充电对应的指标为用户对充电站的不熟悉度、最休闲充电对应的指标为充电站附近无其余服务指标；

8)经过车辆充电总耗时T后，判断用户j的车辆是否完成充电：如果是，则进入步骤9)；如果否，则重新返回步骤2)；

9)更新当前场景的主动推荐模式SOC阈值和权重向量，并更新用户的充电次数信息；具体步骤如下：

9-1)确定用户选择的电动汽车充电站在推荐结果中的排位，记用户选择的是推荐结果中排名第k位的充电站；

9-2)根据用户j的车辆充电起始SOC更新该场景的当前主动推荐模式SOC阈值，并将更新后的阈值作为新的该场景的当前主动推荐模式SOC阈值；计算方法如下：

其中SOC₀是本次充电的起始SOC，α是场景阈值学习率；

是更新后的主动推荐模式SOC阈值；

9-3)根据选择的第k位的充电站，更新该场景ζ下的当前权重向量

并将更新后的权重向量作为新的当前权重向量；计算方法如下：

其中，β是权重向量的学习率，

是更新后的用户j的权重向量；

9-4)更新用户在该充电站充电的次数和该用户历史充电总次数；然后重新返回步骤2)。

本发明的特点及有益效果：

1、本发明考虑了更多种影响用户决策的因素，还考虑了多种场景下用户的不同的偏好，数据需求量不大，流程简单，易于实现。

2、本发明重点体现了电动汽车充电站的个性化推荐，综合考虑了用户历史选择信息，用户的场景信息，用户的偏好水平等，推荐效果可以更贴合用户的个性化需求。本发明可通过设置配电网负荷率的系数，能在一定程度上降低配网峰谷差，减小电网调峰压力。

3、本发明可以应用在电动汽车充电领域，根据本发明的推荐结果，用户能够更有效掌握充电站信息得到最优的选择结果，不仅用户体验变好，提高了充电服务水平；而且充电资源也能够很好地调配，从而以最优的电动汽车充电站规模来满足电动汽车的多样化充电需求。

具体实施方式

本发明提出一种考虑多因素多场景的电动汽车充电站推荐方法，下面结合具体实施例对本发明进一步详细说明如下。

本发明提出一种考虑多因素多场景的电动汽车充电站推荐方法，结合系统主动推荐及用户选择后系统被动推荐这两种情况，该方法通过综合考虑多种因素，结合用户偏好，考虑配网负荷率、行为场景及用户的应用场景，以为用户推荐最适合的充电站、降低充电峰荷、减少充电费用为目的，智能地为用户推荐充电站。在保证满足用户电动汽车充电要求的前提下，降低充电成本。该方法包括以下步骤：

1)对任一用户j,设置最大推荐个数为N个，最大推荐个数的取值范围为1个到当前地域的所有充电站数量。本实施例中N＝10；建立该用户的场景集合Θ^(j)，用户的场景集合可根据用户的不同需求设置，设置的原则如下：考虑影响该用户充电习惯的多个维度，如时间、目的地、载客量、是否正常路线等，抽取每一种维度中特征进行组合，作为场景集合中的一个元素；本实施例中，建立的场景集合为Θ^(j)＝{(早,家),(早,公司),(晚,家),(晚,公司)}；需要注意的是，对于不同用户可以考虑不同的场景集合，场景集合种类可由使用者自由决定；

2)实时获取用户j的车辆当前SOC及车辆当前位置；

3)判断该用户是否发起充电推荐请求：如果是，则进入步骤5)；如果否，进入步骤4)；

4)进入主动推荐模式；具体步骤如下：

4-1)获取当前场景信息；在本实施例中，获取的场景信息包括：时间是“早晨”或者“晚间”，行驶目的地是“公司”或“家”等的当前场景ζ，；获取当前场景的当前主动推荐模式SOC阈值

表示用户j在当前场景ζ下的当前主动推荐模式SOC阈值。

在本方法中进行迭代更新，其初值可由使用者自行给定，其中，不同场景下的

可能不同，本实施例中，所有场景的

的初始值均设置相同，本实施例中在初次推荐时将初始值设为

并作为当前主动推荐模式SOC阈值；

4-2)判断车辆当前SOC是否小于

如果是，则进入步骤6)；如果否，则重新返回步骤2)。

5)进入被动推荐模式；判断用户是否选择充电目标：如果是，则进入步骤7)；如果否，则进入步骤6)；

6)充电站推荐；具体步骤如下：

6-1)根据车辆当前位置获取与用户j的车辆距离最近的前N个充电站，组成电动汽车充电站当前推荐集合Φ。其中N的取值可由使用者自行决定，在本实例中，N＝10。

6-2)对Φ中每个充电站，获取该充电站对应的8个指标指，包括：

6-2-1)充电站充电设施占用比例，可以直接获得。

6-2-2)充电站所处配电网负载率，可以直接获得。

6-2-3)用户j的车辆到达充电站距离，可以直接获得。

6-2-4)充电站附近无其余服务指标。计算公式为：

其中Service^(k)表示充电站k周围500m内的餐厅、购物场所、娱乐场所数量；Service_max＝max{Service^(k)},k∈Φ，表示集合Φ的充电站附近的餐厅、购物场所、娱乐场所数量的最大值。

6-2-5)用户j在该充电站的总充电成本。

对每个充电站，计算公式为：C＝(1-SOC)QC₁+C₀。其中C代表用户在该充电站充电的总成本；C₀代表在该充电站充电的固定成本，如停车费用等；C₁表示该充电站每度电的收费；Q代表的是电池容量，单位kWh；SOC代表荷电状态。用户充电成本＝(1-SOC)×电池容量×收费(元/度)+固定费用。

6-2-6)预计用户j到达该充电站的行驶时间；计算表达式如下：

其中，v_ij为由历史交通路网车流数据，获得电动汽车驶过路段ij时路段的平均行驶车速；L_ij为路段节点ij之间的路线的距离；T_ij为电动汽车驶过路段ij所用的时间；Ω为车辆到达充电站所需要经过的线路的集合。

6-2-7)预计用户j选择该充电站充电的花费总时间。由驾驶时间、排队等待时间和充电时间三者组成。即为:T＝T_drive+T_wait+T_charge，式中T为花费总时间，即用户j的车辆从当前位置到充电结束的时间；T_drive为用户j的车辆从当前位置行驶到该充电站的时间；T_wait为用户j的车辆在该充电站中的排队等待时间，排队等待时间由该充电站该时段的平均等待时间确定；T_charge为用户j的车辆在该充电站中的充电时间，充电时间为：

式中Q代表的是电池容量，单位kWh；SOC代表荷电状态；P为所选充电站中充电桩的充电功率；η为充电效率。

6-2-8)用户对充电站的不熟悉度。对任一充电站k,该指标等于：

f^(k)表示用户在充电站k充电的次数，f_all表示该用户历史充电总次数。

对任一充电站，若以上8个指标值越大，说明该充电站对用户的吸引力越差。

6-3)对每个充电站的所有指标进行归一化；对每个充电站的每个指标，归一化方法如下：

其中，

是归一化后的第k个充电站第i个指标的值，取值范围为

是归一化前第k个充电站第i个指标的值；

是归一化前所有充电站中的第i个指标最小值；

是归一化前所有充电站中的第i个指标最大值。

归一化完毕后，每个充电站归一化的8个指标值可以作为该充电站的评价指标向量，充电站k的指标向量表达式如下：

6-4)根据步骤6-3)的结果，计算集合Φ中的各充电站的得分，该得分是由充电站指标向量X^(k)与当前权重向量

的点乘，其中第k个充电站的得分为：

其中，定义用户j在第ζ种场景下的当前权重向量为：

中的每个元素对应了用户j在场景ζ下对6-2)中8个指标的敏感程度，元素值越大，表示用户在该场景下对充电站的该指标越敏感。

不同场景的权重向量

是需要在迭代中更新的，其取初始值可以由以下方法得到：

对于完成了偏好调查问卷的用户，初始权重向量可使用用户j的调查问卷，由层次分析法生成；对于没有完成调查问卷的用户，初始化权重向量可设置为默认值，如

在初次推荐时将初始值作为当前权重向量。

本实施例中设置

作为初始值。

6-5)利用步骤6-4)的结果，将集合Φ中的所有充电站的得分Score^(k)按小到大进行排序，得到N个充电站排序结果即为当前对用户j的充电站的推荐结果，然后进入步骤8)；

7)按照用户选择的充电目标对充电站排序。用户的充电目标选择可以有：最快充电(充电完成时间最短)、最近充电(距离充电站最近)、最经济充电(充电费用最低)、最舒适充电(充电站配置豪华、熟悉)、最休闲充电(充电、就餐、购物消费等一体化)。

在每种充电目标下，通过比较每个充电站指标向量X^(k)中的对应指标值并按照从小到大进行排序，输出N个充电站的排序结果作为该充电目标下当前对用户j的充电站的推荐结果，然后进入步骤8)；

其中，最快充电对应的指标为预计用户j选择该充电站充电的花费总时间、最近充电对应的指标为用户j的车辆到达充电站距离、最经济充电对应的指标为用户j在该充电站的总充电成本、最舒适充电对应的指标为用户对充电站的不熟悉度、最休闲充电对应的指标为充电站附近无其余服务指标；

8)经过车辆充电总耗时T后，判断推荐后是否完成充电。如果是，则进入步骤9)；如果否，则重新返回步骤2)。

9)更新当前场景的主动推荐模式SOC阈值和权重向量，并更新用户的充电次数信息；具体步骤如下：

9-1)确定用户选择的电动汽车充电站在推荐结果中的排位，假设用户选择的是排序后第k位的充电站。

9-2)根据用户j的车辆充电起始SOC更新该场景的当前主动推荐模式SOC阈值，并将更新后的阈值作为新的该场景的当前主动推荐模式SOC阈值。计算方法如下：

其中，

是更新后的主动推荐模式SOC阈值；SOC₀是本次充电的起始SOC，α是场景阈值学习率，其初值由使用者自行决定，本实施例中α＝0.02；

9-3)根据选择的第k位的充电站，更新该场景ζ下的权重向量

并将更新后的权重向量作为新的当前权重向量。计算方法如下：

其中，

是更新后的用户j的权重向量，X^(k)是指标向量，β是权重向量的学习率，其初值由使用者自行决定，本实施例中β＝0.02。简而言之，是用排名更靠前的充电站的指标向量平均值，与选择充电站的指标向量做差，作为修正量进行修正。

9-4)记录充电结果，更新用户j在该充电站充电的次数和该用户历史充电总次数信息，然后重新返回步骤2)。

以上实例仅为用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改和等价替换，而未脱离本发明精神和范围的任何修改和等价替换，其均应涵盖在本发明的权利要求保护范围之中。

Claims (1)

1.一种考虑多因素多场景的电动汽车充电站推荐方法，其特征在于，包括以下步骤：

1)对任一用户j，设置最大推荐个数为N个；建立该用户场景集合Θ^(j)；

2)实时获取用户j的车辆当前SOC及车辆当前位置；

3)判断该用户是否发起充电推荐请求：如果是，则进入步骤5)；如果否，进入步骤4)；

4)进入主动推荐模式；具体步骤如下：

4-1)获取当前场景ζ；获取当前场景的当前主动推荐模式SOC阈值

4-2)判断车辆当前SOC是否小于

如果是，则进入步骤6)；如果否，则重新返回步骤2)；

5)进入被动推荐模式；判断用户是否选择充电目标：如果是，则进入步骤7)；如果否，则进入步骤6)；

6)充电站推荐；具体步骤如下：

6-1)根据车辆当前位置获取与用户j的车辆距离最近的前N个充电站，组成电动汽车充电站当前推荐集合Φ；

6-2)对Φ中每个充电站，获取该充电站对应的8个指标指，包括：

6-2-1)充电站充电设施占用比例；

6-2-2)充电站所处配电网负载率；

6-2-3)用户j的车辆到达充电站距离；

6-2-4)充电站附近无其余服务指标；计算表达式如下：

其中，Service^(k)表示充电站k周围500m内的餐厅、购物场所和娱乐场所数量；Service_max＝max{Service^(k)},k∈Φ，表示集合Φ的充电站附近的餐厅、购物场所和娱乐场所数量的最大值；

6-2-5)用户j在该充电站的总充电成本；

对每个充电站，计算表达式为：C＝(1-SOC)QC₁+C₀；

其中C代表用户在该充电站充电的总成本；C₀代表在该充电站充电的固定成本；C₁表示该充电站每度电的收费；Q代表电池容量；SOC代表荷电状态；

6-2-6)预计用户j到达该充电站的行驶时间；计算表达式如下：

其中，v_ij为电动汽车驶过路段ij时路段的平均行驶车速；L_ij为路段节点ij之间的路线的距离；T_ij为电动汽车驶过路段ij所用的时间；Ω为车辆到达充电站所需要经过的线路的集合；

6-2-7)预计用户j选择该充电站充电的花费总时间，为驾驶时间、排队等待时间和充电时间之和：T＝T_drive+T_wait+T_charge；

式中T为花费总时间；T_drive为用户j的车辆从当前位置行驶到该充电站的时间；T_wait为用户j的车辆在该充电站中的排队等待时间；T_charge为用户j的车辆在该充电站中的充电时间，表达式如下：

式中，P为该充电站中充电桩的充电功率；η为充电效率；

6-2-8)用户对充电站的不熟悉度；对任一充电站k,该指标计算表达式为：

f^(k)表示用户在充电站k充电的次数，f_all表示该用户历史充电总次数；

6-3)对每个充电站的所有指标进行归一化；

对每个充电站的每个指标，归一化方法如下：

其中，

是归一化后的第k个充电站第i个指标的值，取值范围为

是归一化前第k个充电站第i个指标的值；

是归一化前所有充电站中的第i个指标最小值；

是归一化前所有充电站中的第i个指标最大值；

归一化完毕后，每个充电站归一化的8个指标值作为该充电站的评价指标向量，充电站k的指标向量表达式如下：

6-4)根据步骤6-3)的结果，计算集合Φ中的各充电站的得分，其中第k个充电站的得分为：

其中，定义用户j在场景ζ下的当前权重向量为：

其中，

中的每个元素代表用户j在场景ζ下对对应指标的敏感程度；

6-5)利用步骤6-4)的结果，将集合Φ中的所有充电站的得分Score^(k)从小到大进行排序，得到N个充电站的排序结果即为当前对用户j的充电站的推荐结果，然后进入步骤8)；

7)按照用户选择的充电目标对所有充电站排序；其中用户的充电目标选择包括：最快充电、最近充电、最经济充电、最舒适充电、最休闲充电；在每种充电目标下，通过比较每个充电站指标向量X^(k)中的对应指标值并按照从小到大进行排序，输出N个充电站的排序结果作为该充电目标下当前对用户j的充电站的推荐结果；然后进入步骤8)；

其中，最快充电对应的指标为预计用户j选择该充电站充电的花费总时间、最近充电对应的指标为用户j的车辆到达充电站距离、最经济充电对应的指标为用户j在该充电站的总充电成本、最舒适充电对应的指标为用户对充电站的不熟悉度、最休闲充电对应的指标为充电站附近无其余服务指标；

8)经过车辆充电总耗时T后，判断用户j的车辆是否完成充电：如果是，则进入步骤9)；如果否，则重新返回步骤2)；

9)更新当前场景的主动推荐模式SOC阈值和权重向量，并更新用户的充电次数信息；具体步骤如下：

9-1)确定用户选择的电动汽车充电站在推荐结果中的排位，记用户选择的是推荐结果中排名第k位的充电站；

9-2)根据用户j的车辆充电起始SOC更新该场景的当前主动推荐模式SOC阈值，并将更新后的阈值作为新的该场景的当前主动推荐模式SOC阈值；计算方法如下：

其中SOC₀是本次充电的起始SOC，α是场景阈值学习率；

是更新后的主动推荐模式SOC阈值；

9-3)根据选择的第k位的充电站，更新该场景ζ下的当前权重向量

并将更新后的权重向量作为新的当前权重向量；计算方法如下：

其中，β是权重向量的学习率，

是更新后的用户j的权重向量；

9-4)更新用户在该充电站充电的次数和该用户历史充电总次数；然后重新返回步骤2)。