CN111609867A - 一种电动汽车路径规划方法 - Google Patents

Abstract

本发明提供了一种电动汽车路径规划方法。该方法包括：获取电动汽车的当前电池荷电状态S₀，根据S₀和电动汽车的目的地获取所述电动汽车的备选充电站集合；当电动汽车的备选充电站集合不为空，计算出电动汽车驾驶员的舒适初始电池荷电状态S_c，将S_c与S₀进行比较，当S₀≥S_c时，则判断电动汽车无充电需求；反之，则判断电动汽车有充电需求；针对有充电需求场景，利用电动汽车的备选充电站集合进行最短路搜索，输出在充电条件下的电动汽车路径规划结果。本发明的方法充分考虑了出行者心理作用的影响，考虑驾驶员出行感受的充电需求判断逻辑，可以满足未来个性化导航的需要，根据出行者的驾驶习惯更新判断逻辑，从而规划出符合出行者需求的出行路径。

Description

一种电动汽车路径规划方法

技术领域

本发明涉及汽车路径规划技术领域，尤其涉及一种电动汽车路径规划方法。

背景技术

随着城市交通日益拥堵，路径导航系统已经成为居民驾车出行时重要的辅助工具。利用导航系统，规划合理的出行路径可以有效地帮助居民节约出行时间、避开拥堵路段，使出行更加顺畅和愉悦。电动汽车受到电池容量和行驶里程的限制，导致居民在出行过程中，尤其是长距离出行，需要进行多次充电，使得现有面向燃油汽车的路径规划算法无法满足电动汽车的出行需求。

目前，现有技术中针对电动汽车的路径规划已进行了相关研究。有方案认为电动汽车在出行时会选择能耗最低的路径而不是最短路径，在此基础上针对节能路径规划提出了一种改进Dijkstra算法。基于类似的观点，还有方案运用了多种最短路径搜索算法(如A*算法等)以解决节能路径规划问题。提出了能够适用于大型路网的最短路搜索算法。

上述现有技术中的电动汽车的路径规划方案的缺点为：在上述研究中并未考虑电动汽车在出行过程中可能会发生的充电行为，并且忽略了电动汽车驾驶员在出行过程中的里程焦虑现象，使得算法在实际运用中还存在一定的局限性。

发明内容

本发明的实施例提供了一种电动汽车路径规划方法，以克服现有技术的问题。

为了实现上述目的，本发明采取了如下技术方案。

一种电动汽车路径规划方法，包括：

获取电动汽车的当前电池荷电状态S₀，根据所述S₀和电动汽车的目的地获取所述电动汽车的备选充电站集合；

当所述电动汽车的备选充电站集合不为空，计算出电动汽车驾驶员的舒适初始电池荷电状态S_c，将S_c与S₀进行比较，当S₀≥S_c时，则判断电动汽车无充电需求；反之，则判断电动汽车有充电需求；

针对有充电需求场景，利用所述电动汽车的备选充电站集合进行最短路搜索，输出在充电条件下的电动汽车路径规划结果。

优选地，所述的获取电动汽车的当前电池荷电状态S₀，根据所述S₀和电动汽车的目的地获取所述电动汽车的备选充电站集合，包括：

获取电动汽车的当前电池荷电状态S₀，S₀的数值为电动汽车的当前电量占总电量容量的百分比例；

当电动汽车不能够利用S₀到达距离最近的充电站，则确定电动汽车的备选充电站集合为空，再判断电动汽车能否利用S₀到达目的地，如果能够，则电动汽车驶向终点；否则，确定电动汽车需要充电；

当电动汽车能够利用S₀到达距离最近的充电站，则确定电动汽车的备选充电站集合不为空，根据电动汽车的目的地、行驶方向从电动汽车能够到达的所有充电站中筛选出备选充电站集合。

优选地，所述的计算出电动汽车驾驶员的舒适初始电池荷电状态S_c，包括：

S31、计算出路径公共变量、不充电路径变量、充电路径变量、不充电变量和充电变量的效用函数；

其中，路径公共变量的效用函数V_p由下式计算：

V_p＝-0.113t-0.124c+0.880p

式中，t为出行时间；c为出行费用；p为快速路和主干道所占比例之和，在计算时，以出行起讫点的直线距离作为出行距离，以起讫点所在二次网格所有路段的平均速度作为电动汽车的出行速度，计算得到电动汽车的出行时间，根据出行时间和出行能耗计算得到出行费用，并设定角度费用为0；

不充电路径变量的效用函数V_n-p由下式计算：

V_n-p＝-0.319AC+26.154log(S_d+1)+4.326log(PS)

式中，AC为角度费用，在计算时假定角度费用为0；S_d为终点SOC；PS为设定的修正项，在这里取1；

S_d由下式计算：

EC＝EF/U＝3.576/v-7.895×10^-3·v+7.845×10^-5·v²+0.574

EF＝1.359/v-0.003·v+2.981×10^-5·v²+0.218

式中，AEC为电动汽车出行路径的平均电量消耗因子；l_i为路径中第i条路段的长度；L为路径的总长度；Q为电动汽车的动力电池容量；EC为电动汽车电量消耗因子；U为电动汽车动力电池的端电压，取固定值380V；EF为电动汽车电能消耗因子；v为电动汽车的平均速度；

充电路径变量的效用函数V_c-p由下式计算：

V_c-p＝-0.084t_c-0.127l_oc-0.375A_c

式中，t_c为电动汽车在充电站的充电时间；l_oc为起点至充电站的距离；A_c为路径k上起点、充电站和终点所形成的角度，在计算时，以备选充电站集合中所有充电站的充电时间、起点至充电站距离和充电站角度的平均值作为充电路径变量值；

不充电变量的效用函数V_n由下式计算：

V_n＝9.599log(S_c+1)-11.236

充电变量的效用函数V_c由下式计算：

V_c＝y_g+y_e+y_i+y_o

式中，y_g表示性别哑元，男性取值为0，女性取值为1；y_e表示学历哑元，当被调查者拥有硕士及以上学历时，变量取值为1，其余取值为0；y_i表示收入哑元，当收入高于10000元/月时取值为1，反之取值为0；y_o表示职业哑元，当被调查者职业为外企员工、私企员工或个体户时取值为1，而其余职业取值为0；

S32、根据计算出的路径公共变量、不充电路径变量和不充电变量，按下式计算不充电行为的效用函数V_nb：

V_nb＝V_p+V_n-p+V_n

S33、根据计算出的路径公共变量、充电路径变量和充电变量，按下式计算充电行为的效用函数V_cb：

V_cb＝V_p+V_c-p+V_c

S34、计算出驾驶员在出行过程中不进行充电行为的概率

求解出针对所述电动汽车的起讫点，能够使

大于50％的最低初始SOC，将该最低初始SOC作为电动汽车驾驶员的S_c。

优选地，所述的针对有充电需求场景，利用所述电动汽车的备选充电站集合进行最短路搜索，输出在充电条件下的电动汽车路径规划结果，包括：

根据所述备选充电站集合，以路段权重C_a为搜索标准，运用最短路搜索算法，针对各备选充电站分别搜索得到起点至充电站、充电站至终点的最短路径k_oc和k_cd；

最短路搜索算法中选取了不充电路径的综合效用作为路段权重C_a：

C_a＝-0.105t_a-0.066c_a-0.313AC_a-0.227e_a

其中，C_a为路段a的权重；t_a为路段a的出行时间；c_a为路段a的出行费用；AC_a为路段a的角度费用；e_a为路段a的电量消耗。

结合所有起点至充电站的路径、充电站至终点的路径形成备选充电路径集合K_c；

统计K_c中的各备选充电路径中出行时间、出行费用、充电时间、起点至充电站距离和充电站角度A_c属性值，按照下式计算各备选充电路径的选择概率，选择概率最高的充电路径作为在充电条件下的电动汽车路径规划结果；

V_k＝-0.105t_k-0.066c_k-0.084t_ck-0.072l_oc-0.132A_c

其中，P_k为路径k的选择概率；V_k为路径k的效用函数；t_ck为路径k上充电站的充电时间；l_oc为路径k中起点至充电站的距离；A_c为路径k上起点、充电站和终点所形成的角度。

式中，路径k上充电站的充电时间t_ck的计算公式为：

t_ck＝50ln((1-S_ck)/0.9731+1)

S_ck＝S₀-e_ck·1000/(U·Q)

其中，t_ck为路径k上的服务时间，当路径k为不充电路径时，t_ck＝0；S_ck为电动汽车准备充电前的电量占总电量的百分比％；e_ck为电动汽车从起点至充电站所消耗的能量，kw·h；U为电动汽车电池的电压，取为380V；Q为电动汽车总电量，设定为40Ah；

为路径k上起点至充电站的路段集合。

优选地，所述的方法还包括：

针对无充电需求场景，考虑里程焦虑、出行过程中的充电行为对电动汽车驾驶员出行行为的影响，采用基于不充电路径的综合效用确定路段权重，利用所述路段权重运用最短路搜索算法得到电动汽车在不充电条件下的最短路，将该最短路作为在不充电条件下的电动汽车路径规划结果；

采用基于不充电路径的综合效用确定路段权重，具体如下：

C_a＝-0.105t_a-0.066c_a-0.313AC_a-0.227e_a

其中，C_a为路段a的权重；t_a为路段a的出行时间；c_a为路段a的出行费用；AC_a为路段a的角度费用；e_a为路段a的电量消耗。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例充分考虑了出行者心理作用的影响，考虑驾驶员出行感受的充电需求判断逻辑，提供了一种电动汽车路径规划算法，可以满足未来个性化导航的需要，根据出行者的驾驶习惯更新判断逻辑，从而规划出符合出行者需求的出行路径。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种电动汽车路径规划算法的基本流程图；

图2是本发明实施例提供的一种电动汽车路径规划算法的具体流程图；

图3是本发明实施例提供的一种初始舒适SOC计算的具体流程图；

图4是本发明实施例提供的一种充电路径的最短路搜索具体流程图；

图5是本发明实施例提供的一种获取备选充电站集合的具体流程图；

图6是本发明实施例提供的一种圆形选择区域示意图；

图7是本发明实施例提供的一种椭圆形选择区域示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，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。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

鉴于此，本发明提供了一种电动汽车路径规划算法，在满足出行需求的同时，最大程度上缓解驾驶员的里程焦虑，为电动汽车驾驶员提供更加符合自身需求的出行路径。

本发明以电动汽车为研究对象，在已知城市路网实时道路交通状态，电动汽车充电站的分布位置、服务水平以及电动汽车SOC(State of Charge，电池荷电状态)等信息的前提下，综合考虑电动汽车的自身特点和用户的出行行为，在改进原有最短路算法的基础上，开发出针对电动汽车运行特点的路径规划算法，以实现电动汽车的动态路径规划。

本发明实施例提供的一种电动汽车路径规划算法的基本流程图如图1所示，包括以下步骤：

S11、获取电动汽车的当前SOC(S₀)，S₀的数值为电动汽车的当前电量占总电量容量的百分比例。

当电动汽车不能够利用S₀到达距离最近的充电站，则确定电动汽车的备选充电站集合为空，再判断电动汽车能否利用S₀到达目的地，如果能够，则电动汽车驶向终点；否则，电动汽车需要马上充电；

当电动汽车能够利用S₀到达距离最近的充电站，则确定电动汽车的备选充电站集合不为空，根据电动汽车的目的地、行驶方向从电动汽车能够到达的所有充电站中筛选出备选充电站集合。

其中，获取备选充电站集合的具体步骤如附图5所示，包括以下步骤：

S51、计算电动汽车的续驶里程l和距离阈值l₀。

续驶里程计算：首先计算当前位置为圆心，半径l₀的区域内的所有链路速度的加权平均值V(权重为链路长与所有链路的长度之比)；然后，代入下式计算得到每公里的电能消耗率e(单位是kw·h/km)：

其中，T为环境温度，℃；T₀为基本环境温度，℃；M为电动汽车质量，kg；M₀电动汽车基本质量，kg；

最后，结合当前剩余电量Q_r、当前电压U_c和每公里的电能消耗率e，按照下式计算得到续驶里程l。

距离阈值计算：在以出发地为圆心，半径为l₀的区域内，充电设施的个数小于等于n(n为正整数，优选取10)的条件下，通过下式计算可得到：

其中，ρ_c为电动汽车充电设施的密度，座/km2。

S52、比较计算电动汽车续驶里程l和距离阈值l₀的大小，确定备选充电设施的选择形状范围。当l大于l₀时，备选充电设施的选择形状为椭圆形，反之，则为圆形。

S53、确定圆形选择区域：以电动汽车当前的位置O为中心，当前的续驶里程l为半径的圆，如图6所示，其中1为出发地，2为目的地，3为充电站。

S54、确定椭圆形选择区域：首先，需要通过最短路算法(例如，Dijsktra算法)探索从电动汽车所在地与目的地之间的最短路，通过下式计算得到当前位置与目的地之间非直线系数α。

α＝S_OD/L_OD

其中，L_OD为当前位置和目的地之间的直线距离，km；S_OD为当前位置和目的地之间距离最短路的长度，km。

然后，椭圆形选择区域(图7，其中1为出发地，2为目的地，3为充电站)是以当前位置为焦点，当前位置和目的地之间的连线为x轴的椭圆，其长轴a和短轴b的长度如下：

a＝(l₀+l)/2

S55、确定备选充电设施集合。根据确定的圆形或椭圆形区域，通过以下公式筛选确定备选充电站集合。

如果选择区域是圆形，则通过下式判断充电设施是否在圆形区域内，如果充电设施坐标满足下述不等式，说明该充电设施属于圆形区域内，将其纳入备选充电设施集合；不满足，则排除该充电设施。

如果选择区域是椭圆形，首先通过下式得到椭圆两个焦点的坐标(xF1,yF1)，(xF2,yF2)：

x_F1＝x_O y_F1＝y_O

其中，θ为旋转角度。

然后，通过下式判断充电设施是否在椭圆形区域内：如果满足下述不等式，说明该充电设施属于椭圆形区域内，将其纳入备选充电设施集合；不满足，则排除该充电设施。

S56、输出备选设施集合。

S12、首先，依据PSL(Path-size logit，考虑路径长度的非集计模型)选择模型的标定公式对初始舒适SOC(S_c)进行计算，该S_c为驾驶员的心理阈值。S_c的数值为电动汽车的心理阈值电量占总电量容量的百分比例。

PSL模型的结构如下：

其中，P_i(k)为OD对w间路径k的选择概率；θ为离散系数，反映出行者的感知差异；K_w为出行者在OD对w间的路径选择集合；c_k为路径k的效用函数；

为PSL模型中对路径k的修正项；

为路径k的长度。其中，l_a为路段a的长度，a属于路径k；

为OD对rs间路径k的总长度；

为0-1变量，当路段a属于路径k时取值为1，反之为0。

将S_c与S₀进行比较，判断充电需求。当S₀≥S_c时，表明当前SOC大于驾驶员的充电心理阈值，则认为电动汽车无充电需求，反之则认为电动汽车有充电需求。

S13、针对充电路径和不充电路径进行最短路搜索；不充电路径的最短路搜索：即当判断电动汽车无需充电时，考虑里程焦虑、出行过程中的充电行为等对电动汽车驾驶员出行行为的影响，采用基于不充电路径综合效用确定的路段权重作为搜索标准，运用最短路搜索算法得到电动汽车在不充电条件下的最短路，并以此作为电动汽车路径规划算法的输出结果；充电路径的最短路搜索面向的是有充电需求下电动汽车路径规划问题，该问题中包含了充电站选择问题和经过充电站的最短路问题。

S14、输出电动汽车路径规划结果。

本发明实施例提供的一种电动汽车路径规划算法的具体流程图如附图2所示，详细流程如下：

S21、获得电动汽车的备选充电站集合；

S22、判断备选充电站集合是否为空；当备选充电站集合为空时，表明电动汽车无法抵达距离最近的充电站，则提示应及时充电；当备选充电站集合不为空时，则表明电动汽车能够抵达目的地。

S23、输出“提示：充电后再出行”；

S24、计算初始舒适SOC(S_c)，并将S_c定义为：针对特定起讫点，能够使电动汽车驾驶员在出行过程中不进行充电行为的概率大于50％的最低初始SOC。

S25、比较初始舒适SOC(S_c)和车辆当前的荷电状态(S₀)的大小，判断电动汽车的充电需求。当S₀≥S_c时，表明当前SOC大于驾驶员的充电心理阈值，则认为电动汽车无充电需求，反之则认为电动汽车有充电需求。

S26、利用最短路算法(例如，Dijsktra算法)对不充电路径进行最短路搜索，即当判断电动汽车无需充电时，考虑里程焦虑、出行过程中的充电行为等对电动汽车驾驶员出行行为的影响，采用基于不充电路径的综合效用确定路段权重，利用所述路段权重运用最短路搜索算法得到电动汽车在不充电条件下的最短路，并以此作为电动汽车路径规划算法的输出结果。

采用基于不充电路径的综合效用确定路段权重，具体如下：

C_a＝-0.105t_a-0.066c_a-0.313AC_a-0.227e_a

其中，C_a为路段a的权重；t_a为路段a的出行时间；c_a为路段a的出行费用；AC_a为路段a的角度费用；e_a为路段a的电量消耗。

S27、利用最短路算法(例如，Dijsktra算法)对充电路径进行最短路搜索，它面向的是有充电需求下电动汽车路径规划问题，该问题中包含了充电站选择问题和经过充电站的最短路问题。

S28、输出路径规划的结果。

其中，本发明实施例提供的一种初始舒适SOC(S_c)的计算具体步骤如附图3所示，包括以下步骤：

S31、根据PSL模型标定结果，按如下的方法和公式计算路径公共变量、不充电路径变量、充电路径变量、不充电变量、充电变量等各属性变量的效用函数。

其中，路径公共变量的效用函数(V_p)计算为：

V_p＝-0.113t-0.124c+0.880p

式中，t为出行时间；c为出行费用；p为快速路和主干道所占比例之和，在计算时，以出行起讫点的直线距离作为近似出行距离，以起讫点所在二次网格(电子地图中对地图的划分单位，面积为10km×10km)所有路段的平均速度作为电动汽车出行速度，从而计算得到电动汽车的出行时间、出行费用和出行能耗，并假定角度费用为0。

不充电路径变量的效用函数(V_n-p)计算：

V_n-p＝-0.319AC+26.154log(S_d+1)+4.326log(PS)

式中，AC为角度费用，在计算时假定角度费用为0；S_d为终点SOC；PS为PSL模型中路径的修正项，在这里取1。

终点SOC可由下式计算：

EC＝EF/U＝3.576/v-7.895×10^-3·v+7.845×10^-5·v²+0.574

EF＝1.359/v-0.003·v+2.981×10^-5·v²+0.218

式中，AEC为电动汽车出行路径的平均电量消耗因子；l_i为路径中第i条路段的长度；L为路径的总长度；Q为电动汽车动力电池容量；EC为电动汽车电量消耗因子；U为电动汽车动力电池的端电压，取固定值380V；EF为电动汽车电能消耗因子；v为电动汽车的平均速度。

充电路径变量的效用函数(V_c-p)计算：

V_c-p＝-0.084t_c-0.127l_oc-0.375A_c

式中，t_c为在充电站的充电时间；l_oc为起点至充电站的距离；A_c为路径k上起点、充电站和终点所形成的角度。在计算时，基于筛选得到的备选充电站集合，以集合中所有充电站的充电时间、起点至充电站距离和充电站角度等的平均值作为充电路径变量值。

不充电变量的效用函数(V_n)计算：

V_n＝9.599log(S_c+1)-11.236

充电变量的效用函数(V_c)计算：

V_c＝y_g+y_e+y_i+y_o

式中，y_g表示性别哑元，男性取值为0，女性取值为1；y_e表示学历哑元，当被调查者拥有硕士及以上学历时，变量取值为1，其余取值为0；y_i表示收入哑元，当收入高于10000元/月时取值为1，反之取值为0；y_o表示职业哑元，当被调查者职业为外企员工、私企员工或个体户时取值为1，而其余职业取值为0。

S32、根据计算出的路径公共变量、不充电路径变量和不充电变量，按下式计算不充电行为的效用函数(V_nb)：

V_nb＝V_p+V_n-p+V_n

S33、根据计算出的路径公共变量、充电路径变量和充电变量，按下式计算充电行为的效用函数(V_cb)：

V_cb＝V_p+V_c-p+V_c

S34、结合PSL选择模型和充电行为以及不充电行为的效用函数，计算驾驶员在出行过程中不进行充电行为的概率，并根据初始舒适SOC的定义，求解出针对电动汽车的起讫点，能够使电动汽车驾驶员在出行过程中不进行充电行为的概率大于50％的最低初始SOC，将该最低初始SOC作为电动汽车驾驶员的S_c。

求解出起讫点间初始舒适SOC的近似值：

式中，

表示驾驶员不进行充电行为的概率，PS为PSL模型中路径的修正项，在这里取1。

S35、输出起讫点间初始舒适SOC的近似值S_c。

本发明实施例提供的一种充电路径的最短路搜索具体步骤如附图4所示，包括以下步骤：

S41、利用最短路算法(例如，Dijsktra算法)对充电路径最短路进行搜索；

S42和S43、根据筛选得到的备选充电站集合，以路段权重C_a为搜索标准，运用最短路搜索算法，针对各备选充电站分别搜索得到起点至充电站和充电站至终点的最短路径k_oc和k_cd。

最短路搜索算法中选取了不充电路径的综合效用作为路段权重：

C_a＝-0.105t_a-0.066c_a-0.313AC_a-0.227e_a

其中，C_a为路段a的权重；t_a为路段a的出行时间；c_a为路段a的出行费用；AC_a为路段a的角度费用；e_a为路段a的电量消耗。

S44、结合起点至充电站的路径、充电站至终点的路径形成备选充电路径集合K_c；

S45、统计K_c中的各备选充电路径中出行时间、出行费用、充电时间、起点至充电站距离和充电站角度A_c属性值，按照下式计算各备选充电路径的选择概率，选择概率最高的充电路径作为在充电条件下的电动汽车路径规划结果。

V_k＝-0.105t_k-0.066c_k-0.084t_ck-0.072l_oc-0.132A_c

其中，P_k为路径k的选择概率；V_k为路径k的效用函数；t_ck为路径k上充电站的充电时间；l_oc为路径k中起点至充电站的距离；A_c为路径k上起点、充电站和终点所形成的角度。

式中，路径k上充电站的充电时间计算是基于J.A.Mas提出的电池充电可接受电流定律得到的，公式为：

t_ck＝50ln((1-S_ck)/0.9731+1)

S_ck＝S₀-e_ck·1000/(U·Q)

其中，t_ck为路径k上的服务时间，当路径k为不充电路径时，t_ck＝0；S_ck为电动汽车准备充电前的电量占总电量的百分比，％；e_ck为电动汽车从起点至充电站所消耗的能量，kw·h；U为电动汽车电池的电压，取为380V；Q为电动汽车总电量，设定为40Ah；

为路径k上起点至充电站的路段集合。

S46、输出最优的充电路径。

综上所述，本发明实施例充分考虑了出行者心理作用的影响，考虑驾驶员出行感受的充电需求判断逻辑，提供了一种电动汽车路径规划算法，可以满足未来个性化导航的需要，根据出行者的驾驶习惯更新判断逻辑，从而规划出符合出行者需求的出行路径。该方法在满足出行需求的同时，最大程度上缓解驾驶员的里程焦虑，为电动汽车驾驶员提供更加符合自身需求的出行路径。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.一种电动汽车路径规划方法，其特征在于，包括：

获取电动汽车的当前电池荷电状态S₀，根据所述S₀和电动汽车的目的地获取所述电动汽车的备选充电站集合；

当所述电动汽车的备选充电站集合不为空，计算出电动汽车驾驶员的舒适初始电池荷电状态S_c，将S_c与S₀进行比较，当S₀≥S_c时，则判断电动汽车无充电需求；反之，则判断电动汽车有充电需求；

针对有充电需求场景，利用所述电动汽车的备选充电站集合进行最短路搜索，输出在充电条件下的电动汽车路径规划结果。

2.根据权利要求1所述方法，其特征在于，所述的获取电动汽车的当前电池荷电状态S₀，根据所述S₀和电动汽车的目的地获取所述电动汽车的备选充电站集合，包括：

获取电动汽车的当前电池荷电状态S₀，S₀的数值为电动汽车的当前电量占总电量容量的百分比例；

当电动汽车不能够利用S₀到达距离最近的充电站，则确定电动汽车的备选充电站集合为空，再判断电动汽车能否利用S₀到达目的地，如果能够，则电动汽车驶向终点；否则，确定电动汽车需要充电；

当电动汽车能够利用S₀到达距离最近的充电站，则确定电动汽车的备选充电站集合不为空，根据电动汽车的目的地、行驶方向从电动汽车能够到达的所有充电站中筛选出备选充电站集合。

3.根据权利要求1所述方法，其特征在于，所述的计算出电动汽车驾驶员的舒适初始电池荷电状态S_c，包括：

S31、计算出路径公共变量、不充电路径变量、充电路径变量、不充电变量和充电变量的效用函数；

其中，路径公共变量的效用函数V_p由下式计算：

V_p＝-0.113t-0.124c+0.880p

式中，t为出行时间；c为出行费用；p为快速路和主干道所占比例之和，在计算时，以出行起讫点的直线距离作为出行距离，以起讫点所在二次网格所有路段的平均速度作为电动汽车的出行速度，计算得到电动汽车的出行时间，根据出行时间和出行能耗计算得到出行费用，并设定角度费用为0；

不充电路径变量的效用函数V_n-p由下式计算：

V_n-p＝-0.319AC+26.154log(S_d+1)+4.326log(PS)

式中，AC为角度费用，在计算时假定角度费用为0；S_d为终点SOC；PS为设定的修正项，在这里取1；

S_d由下式计算：

EC＝EF/U＝3.576/v-7.895×10^-3·v+7.845×10^-5·v²+0.574

EF＝1.359/v-0.003·v+2.981×10^-5·v²+0.218

式中，AEC为电动汽车出行路径的平均电量消耗因子；l_i为路径中第i条路段的长度；L为路径的总长度；Q为电动汽车的动力电池容量；EC为电动汽车电量消耗因子；U为电动汽车动力电池的端电压，取固定值380V；EF为电动汽车电能消耗因子；v为电动汽车的平均速度；

充电路径变量的效用函数V_c-p由下式计算：

V_c-p＝-0.084t_c-0.127l_oc-0.375A_c

式中，t_c为电动汽车在充电站的充电时间；l_oc为起点至充电站的距离；A_c为路径k上起点、充电站和终点所形成的角度，在计算时，以备选充电站集合中所有充电站的充电时间、起点至充电站距离和充电站角度的平均值作为充电路径变量值；

不充电变量的效用函数V_n由下式计算：

V_n＝9.599log(S_c+1)-11.236

充电变量的效用函数V_c由下式计算：

V_c＝y_g+y_e+y_i+y_o

式中，y_g表示性别哑元，男性取值为0，女性取值为1；y_e表示学历哑元，当被调查者拥有硕士及以上学历时，变量取值为1，其余取值为0；y_i表示收入哑元，当收入高于10000元/月时取值为1，反之取值为0；y_o表示职业哑元，当被调查者职业为外企员工、私企员工或个体户时取值为1，而其余职业取值为0；

S32、根据计算出的路径公共变量、不充电路径变量和不充电变量，按下式计算不充电行为的效用函数V_nb：

V_nb＝V_p+V_n-p+V_n

S33、根据计算出的路径公共变量、充电路径变量和充电变量，按下式计算充电行为的效用函数V_cb：

V_cb＝V_p+V_c-p+V_c

S34、计算出驾驶员在出行过程中不进行充电行为的概率

求解出针对所述电动汽车的起讫点，能够使

大于50％的最低初始SOC，将该最低初始SOC作为电动汽车驾驶员的S_c。

4.根据权利要求3所述方法，其特征在于，所述的针对有充电需求场景，利用所述电动汽车的备选充电站集合进行最短路搜索，输出在充电条件下的电动汽车路径规划结果，包括：

根据所述备选充电站集合，以路段权重C_a为搜索标准，运用最短路搜索算法，针对各备选充电站分别搜索得到起点至充电站、充电站至终点的最短路径k_oc和k_cd；

最短路搜索算法中选取了不充电路径的综合效用作为路段权重C_a：

C_a＝-0.105t_a-0.066c_a-0.313AC_a-0.227e_a

其中，C_a为路段a的权重；t_a为路段a的出行时间；c_a为路段a的出行费用；AC_a为路段a的角度费用；e_a为路段a的电量消耗。

结合所有起点至充电站的路径、充电站至终点的路径形成备选充电路径集合K_c；

统计K_c中的各备选充电路径中出行时间、出行费用、充电时间、起点至充电站距离和充电站角度A_c属性值，按照下式计算各备选充电路径的选择概率，选择概率最高的充电路径作为在充电条件下的电动汽车路径规划结果；

V_k＝-0.105t_k-0.066c_k-0.084t_ck-0.072l_oc-0.132A_c

其中，P_k为路径k的选择概率；V_k为路径k的效用函数；t_ck为路径k上充电站的充电时间；l_oc为路径k中起点至充电站的距离；A_c为路径k上起点、充电站和终点所形成的角度。

式中，路径k上充电站的充电时间t_ck的计算公式为：

t_ck＝50ln((1-S_ck)/0.9731+1)

S_ck＝S₀-e_ck·1000/(U·Q)

其中，t_ck为路径k上的服务时间，当路径k为不充电路径时，t_ck＝0；S_ck为电动汽车准备充电前的电量占总电量的百分比％；e_ck为电动汽车从起点至充电站所消耗的能量，kw·h；U为电动汽车电池的电压，取为380V；Q为电动汽车总电量，设定为40Ah；

为路径k上起点至充电站的路段集合。

5.根据权利要求4所述方法，其特征在于，所述的方法还包括：

针对无充电需求场景，考虑里程焦虑、出行过程中的充电行为对电动汽车驾驶员出行行为的影响，采用基于不充电路径的综合效用确定路段权重，利用所述路段权重运用最短路搜索算法得到电动汽车在不充电条件下的最短路，将该最短路作为在不充电条件下的电动汽车路径规划结果；

采用基于不充电路径的综合效用确定路段权重，具体如下：

C_a＝-0.105t_a-0.066c_a-0.313AC_a-0.227e_a

其中，C_a为路段a的权重；t_a为路段a的出行时间；c_a为路段a的出行费用；AC_a为路段a的角度费用；e_a为路段a的电量消耗。

Images