CN112701797A - 一种基于5g通信的电动汽车车联网电力优化分配方法 - Google Patents

Abstract

本发明公开了一种基于5G通信的电动汽车车联网电力优化分配方法，建立基于5G通信的电动汽车车联网系统模型；分别推导短期电动汽车与路边对象的能耗模型，以此建立系统长期总能耗模型；推导短期通信信噪比模型，以此建立系统长期信息传输总容量模型；综合长期总能耗模型与长期信息传输总容量模型建立系统长期效率模型，根据车联网运行约束条件，确定基于5G通信的电动汽车车联网电力优化分配模型；对优化分配模型进行简化处理，得到转化后的迭代线性优化模型；利用拉格朗日对偶法迭代计算方法求解迭代线性优化模型，确定最优分配方案。本发明解决解决如何确定最优车联网长期电力分配方案的技术问题，提高基于5G通信的电动汽车车联网电力分配效率。

Description

一种基于5G通信的电动汽车车联网电力优化分配方法

技术领域

本发明涉及车联网优化领域，具体涉及一种基于5G通信的电动汽车车联网电力优化分配方法。

背景技术

随着我国汽车保有量的快速增加，道路交通安全问题日益突出。车辆与外界信息交换(V2X，vehicle to everything)作为一种解决道路安全问题的新手段逐渐引起人们的重视。V2X车联网通过融合现代通信与网络技术，实现车与人、车、路、后台等对象之间的智能信息交换共享，保证车辆安全、舒适、节能、高效行驶。

目前，电动汽车车联网的主要组成部分包括电动汽车与路边对象，电动汽车与路边对象(手机、后台、监控等)可以通过WIFI、移动网络、蓝牙网络等进行通信，但是通信效率还有待提高。考虑到5G通信具有传输速率更高、时延更低的优点，结合现阶段大力发展的5G通信网络技术，未来基于5G通信的电动汽车车联网体系结构将变得更加灵活，系统元素将更加多样。

发明人对于未来基于5G通信的电动汽车车联网的构想，不仅仅局限于各组成部分之间的信息互通，还需要在通信的同时对信号接收方进行充电。目前，缺少对同时通信与充电情境下的电力资源优化分配方法，更缺少对整个车联网系统的长期效率性能表现的考虑。

发明内容

针对上述技术的不足，本发明提供了一种基于5G通信的电动汽车车联网电力优化分配方法，解决如何确定最优车联网长期电力分配方案的技术问题。

为解决上述技术问题，本发明提供一种基于5G通信的电动汽车车联网电力优化分配方法，包括以下步骤：

步骤1：建立基于5G通信的电动汽车车联网系统模型：包含N辆储能有限的电动汽车、B个5G通信资源模块与若干个路边对象；在时间间隔l内，第i辆电动汽车通过第r个5G通信资源模块与第j个路边对象进行电力与信息传输，若干个时间间隔l构成总运行时间L；每个路边对象接收到的通信功率根据功能分为两部分，一部分功率转化为充电功率，实现电动汽车向路边对象的无线充电；一部分功率搭载所传输的信息，转化为路边对象需处理的信号，实现电动汽车与路边对象的实时通讯；电动汽车与路边对象的通讯链路的充电功率与信息传输功率所占总通信功率的比例分别为

且各链路信号均符合瑞利分布，在各链路信号中均存在方差为N₀的高斯白噪声；

步骤2：根据基于5G通信的电动汽车车联网系统模型分别推导短期电动汽车能耗模型与短期路边对象能耗模型；所述短期电动汽车能耗模型综合考虑了电动汽车自身运行能耗与通信需求能耗，表征了电动汽车在时间间隔l内的总能耗；所述短期路边对象能耗模型表征路边对象在同时进行无线充电与信息传输时所消耗的电能；

步骤3：根据所述短期电动汽车能耗模型与短期路边对象能耗模型建立系统长期总能耗模型；所述系统长期总能耗模型由长期电动汽车总能耗与长期路边对象总能耗构成，用于评估基于5G通信的电动汽车车联网总体能耗水平；

步骤4：根据基于5G通信的电动汽车车联网系统模型推导短期通信信噪比模型，所述短期通信信噪比模型用于计算系统传输总容量；并根据短期通信信噪比模型，建立系统长期信息传输总容量模型；

步骤5：综合长期总能耗模型与长期信息传输总容量模型建立系统长期效率模型，根据车联网运行约束条件，确定基于5G通信的电动汽车车联网电力优化分配模型；所述系统长期效率模型表征单位能耗下整个系统传输的信息容量，其值为系统长期信息传输总容量与系统长期总能耗之比；

步骤6：求解所述基于5G通信的电动汽车车联网电力优化分配模型，确定最优分配方案，完成基于5G通信的电动汽车车联网电力优化分配。

与现有技术相比，本发明具有的有益效果包括：

1、本发明考虑了长时间跨度内基于5G通信的电动汽车车联网的综合运行效率，通过优化模型计算出长期电力优化分配方案，规避了现有研究中仅着眼于短期运行效率的缺点，使得基于5G通信的电动汽车车联网的长期运行效率最高。

2、本发明针对未来车联网形态进行了详细建模，综合考虑了电动汽车与路边对象的相互影响，对其电能传输与信息传输机理进行了详细地数学表达，对未来基于5G通信的电动汽车车联网建设提供了理论指导。

3、本发明使用了拉格朗日对偶算法与次梯度算法求解优化模型，提高了优化模型的求解速度，减少了基于5G通信的电动汽车车联网前期规划与运行控制所需消耗的时间，有着较大的社会效益。

附图说明

图1是本具体实施方式中图1为本具体实施方式中基于5G通信的电动汽车车联网电力优化分配流程图。

具体实施方式

一)、建立基于5G通信的电动汽车车联网系统模型

基于5G通信的电动汽车车联网系统模型包含N辆储能有限的电动汽车、B个5G通信资源模块、与若干个路边对象(人、后台、监控等)。在时间间隔l内，第i辆电动汽车通过第r个基站与第j个路边对象进行电力与信息传输，若干个时间间隔l构成总运行时间L。每个路边对象接收到的通信功率根据功能分为两部分，一部分功率转化为充电功率，实现电动汽车向路边对象的无线充电；一部分功率搭载所传输的信息，转化为路边对象需处理的信号，实现电动汽车与路边对象的实时通讯。所有通讯链路的充电功率与信息传输功率所占总通信功率的比例分别为

且各链路信号均符合瑞利分布，在各链路信号中均存在方差为N₀的高斯白噪声。

二)、根据系统模型分别推导短期电动汽车与路边对象的能耗模型，以此建立系统长期总能耗模型

短期电动汽车能耗模型综合考虑了电动汽车自身运行能耗与通信需求能耗，表征了电动汽车在时间间隔l内的总能耗，其表达式为

式中，

代表在时间间隔l内电动汽车的总能耗；P^V代表车辆在时间间隔l内消耗的固有电能；σ_i,j,r(l)为一状态变量，1代表第i辆电动汽车在时间间隔l内正通过第r个5G通信资源模块与第j个路边对象进行通信，0代表第i辆电动汽车在时间间隔l内未通过第r个5G通信资源模块与第j个路边对象进行通信；P_i,j,l(l)代表第i辆电动汽车在时间间隔l内通过第r个5G通信资源模块与第j个路边对象进行通信时传输的总功率；J_i(l)代表第i辆电动汽车在时间间隔l内连接路边对象的最大数量。

所述短期路边对象能耗模型表征路边对象在同时进行无线充电与信息传输时所消耗的电能，其表达式为

式中，

代表第i辆电动汽车在时间间隔l内通过第r个5G通信资源模块与第j个路边对象进行通信时，该路边对象消耗的能量；P^RO代表每一路边对象在时间间隔l内接收信号所消耗的能量；C_i,j(l)代表第j个路边对象在时间间隔l内从第i辆电动汽车处通过无线充电所增加的电能；η代表无线充电的能量转换效率；W代表电动汽车与路边对象通信时采用的带宽；g_i,j,r(l)代表第i辆电动汽车在时间间隔l内通过第r个5G通信资源模块与第j个路边对象进行通信时的信道增益；I_i,j,r代表第i辆电动汽车在时间间隔l内通过第r个5G通信资源模块与第j个路边对象进行通信时，其他电动汽车通过第r个5G通信资源模块对第j个路边物体输送的干扰功率。

所述系统长期总能耗模型由长期电动汽车总能耗与长期路边物体总能耗构成，用于评估基于5G通信的电动汽车车联网总体能耗水平，以变量E表示，其表达式为

所述短期通信信噪比模型用于计算系统传输总容量，其表达式为

式中，γ_i,j,r(l)代表第i辆电动汽车在时间间隔l内通过第r个5G通信资源模块与第j个路边对象进行通信时的信噪比；N_p代表路边对象的信号处理噪声。

三)、根据系统模型推导短期通信信噪比模型，以此建立系统长期信息传输总容量模型

短期通信信噪比模型用于计算系统传输总容量，其表达式为

式中，γ_i,j,r(l)代表第i辆电动汽车在时间间隔l内通过第r个5G通信资源模块与第j个路边对象进行通信时的信噪比；N_p代表路边对象的信号处理噪声。

所述系统长期信息传输总容量模型表征在时间间隔L内基于5G通信的电动汽车车联网内部各组成部分间的信息传输总容量，其表达式为

式中，Π_i,j(l)代表在时间间隔l内第i辆电动汽车与第j个路边对象通信时传输总容量。

四)、综合长期总能耗模型与长期信息传输总容量模型建立系统长期效率模型，根据车联网运行约束条件，确定基于5G通信的电动汽车车联网电力优化分配模型

系统长期效率模型表征单位能耗下整个系统传输的信息容量，其值为系统长期信息传输总容量与系统长期总能耗之比，其表达式为

式中，ω代表整个系统中各路边对象无线充电与信息传输功率所占比例的集合，即ω＝(ω^E,ω^I)；σ代表基站利用状态变量集合，即

P代表电动汽车与路边对象通信时传输功率的集合，即

基于5G通信的电动汽车车联网电力优化分配模型用于确定保证整体系统效率最高的电力分配方案，其表达式为

式中共有6个约束条件：约束条件C1为路边对象的服务质量约束，即为保证路边对象的通信服务质量，每个时间间隔l内电动汽车与路边对象间的信息传输容量必须大于其最小值

约束条件C2为路边对象无线充电与信息传输功率所占比例的约束，即被用于无线充电的功率所占比例与被用于信息传输的功率所占比例之和为1；约束条件C3为5G通信资源模块的占用约束，即在时间间隔l内，第i辆电动汽车通过第r个5G通信资源模块只能与一个路边对象通信；约束条件C4为路边对象的电能供给约束，即第j个路边对象在时间间隔l内从第i辆电动汽车处通过无线充电所增加的电能必须大于其通信所需最小功率

约束条件C5为无线电能传输功率限制，即第i辆电动汽车通过第r个5G通信资源模块发出的无线电能功率小于最大值

约束条件C6为路边对象无线充电与信息传输功率边界约束，即被用于无线充电的功率所占比例与被用于信息传输的功率所占比例在0-1之间。

五)、对优化分配模型进行简化处理，得到转化后的迭代线性优化模型

优化分配模型简化处理用于降低优化分配模型的复杂程度，其步骤包括：

(1)将σ_i,j,r(l)松弛为区间[0,1]内的连续变量，简化路边对象消耗的能量模型，增加约束条件C_i,j(l)≤P^RO，保证消耗能量大于零，其表达式为

(2)考虑干扰水平最高的情况，将电动汽车与路边对象通信传输总容量模型转换为迭代凹面最大模型，其表达式为

式中，上标～代表迭代变量，即利用迭代优化控制变量(ω,σ,P)计算得到的变量；(c)符号第c次迭代计算得出的值。

(3)转换优化模型，进行线性化，转换后的迭代线性优化模型表达式为

式中上标～代表迭代变量，即利用迭代优化控制变量(ω,σ,P)计算得到的变量；Λ^*为迭代过程中出现的最优效率值；约束条件C7代表路边对象消耗的能量非负。

六)、利用拉格朗日对偶法迭代计算方法求解迭代线性优化模型，确定最优分配方案，完成基于5G通信的电动汽车车联网电力优化分配

拉格朗日对偶法迭代计算方法用于求解迭代线性优化模型，其步骤包括：

(1)引入拉格朗日算子，根据迭代线性优化模型的约束条件，建立拉格朗日函数，其表达式为

式中，Ω＝{β_i,j(l),δ_i,j,r(l),τ_i,r(l),θ_i,j(l),λ_i(l),π_i,j(l)}，为拉格朗日算子集合。

(2)设定拉格朗日算子初值，计算首次迭代后各优化控制变量的最优值。

优化控制变量ω首次迭代后的最优值计算方法为：通过KKT条件，计算拉格朗日函数对ω的偏导数

等于0时的解，将拉格朗日算子初值代入解中计算出最优值ω^*，ω^*的表达式为：

式中，

符号代表当内部变量大于1时，整体值取1，当内部变量小于0时，整体值取0，当内部变量介于0-1之间时，整体值与之一致。

优化控制变量P首次迭代后的最优值计算方法为：通过KKT条件，计算拉格朗日函数对ω的偏导数

等于0时的解，将拉格朗日算子初值代入解中计算出最优值P^*，P^*的表达式为：

优化控制变量σ首次迭代后的最优值计算方法为：建立边际收益模型H_i,j,r(l)，固定i与r值，计算不同j值情况下的边际收益值，边际收益最大时

取1，其余j值对应的

均取0；边际收益模型H_i,j,r(l)表达式为：

(3)通过次梯度算法得到拉格朗日算子的更新计算模型，将首次计算得到的优化控制变量(ω^*,σ^*,P^*)代入模型求解拉格朗日算子的更新值，以便下次迭代提高优化效果，更新后的拉格朗日算子值表达式为

式中，

代表次梯度步长，其大于等于0；符号[]⁺代表当内部变量大于0时，整体值取0，小于0时，整体变量取0，等于0时，整体变量取0。

(4)将迭代后的拉格朗日算子代入(2)中，重复计算优化控制变量的最优值，进行迭代，当第n次迭代后的优化目标值与第n-1次迭代后的优化目标值之间的差距小于设定的收敛间隔值gap，即

时，停止迭代，输出时间间隔l内的最优控制变量值(ω^*,σ^*,P^*)。

(5)重复上述步骤，计算时间间隔L中剩余时间内的最优控制变量值(ω^*,σ^*,P^*)，完成整个时间间隔L内的优化分配模型计算，输出基于5G通信的电动汽车车联网长期电力优化分配方案。

Claims (10)

1.一种基于5G通信的电动汽车车联网电力优化分配方法，其特征在于，包括以下步骤：

步骤1：建立基于5G通信的电动汽车车联网系统模型：包含N辆储能有限的电动汽车、B个5G通信资源模块与若干个路边对象；在时间间隔l内，第i辆电动汽车通过第r个5G通信资源模块与第j个路边对象进行电力与信息传输，若干个时间间隔l构成总运行时间L；每个路边对象接收到的通信功率根据功能分为两部分，一部分功率转化为充电功率，实现电动汽车向路边对象的无线充电；一部分功率搭载所传输的信息，转化为路边对象需处理的信号，实现电动汽车与路边对象的实时通讯；电动汽车与路边对象的通讯链路的充电功率与信息传输功率所占总通信功率的比例分别为

且各链路信号均符合瑞利分布，在各链路信号中均存在方差为N₀的高斯白噪声；

步骤2：根据基于5G通信的电动汽车车联网系统模型分别推导短期电动汽车能耗模型与短期路边对象能耗模型；所述短期电动汽车能耗模型综合考虑了电动汽车自身运行能耗与通信需求能耗，表征了电动汽车在时间间隔l内的总能耗；所述短期路边对象能耗模型表征路边对象在同时进行无线充电与信息传输时所消耗的电能；

步骤3：根据所述短期电动汽车能耗模型与短期路边对象能耗模型建立系统长期总能耗模型；所述系统长期总能耗模型由长期电动汽车总能耗与长期路边对象总能耗构成，用于评估基于5G通信的电动汽车车联网总体能耗水平；

步骤4：根据基于5G通信的电动汽车车联网系统模型推导短期通信信噪比模型，所述短期通信信噪比模型用于计算系统传输总容量；并根据短期通信信噪比模型，建立系统长期信息传输总容量模型；

步骤5：综合长期总能耗模型与长期信息传输总容量模型建立系统长期效率模型，根据车联网运行约束条件，确定基于5G通信的电动汽车车联网电力优化分配模型；所述系统长期效率模型表征单位能耗下整个系统传输的信息容量，其值为系统长期信息传输总容量与系统长期总能耗之比；

步骤6：求解所述基于5G通信的电动汽车车联网电力优化分配模型，确定最优分配方案，完成基于5G通信的电动汽车车联网电力优化分配。

2.根据权利要求1所述的基于5G通信的电动汽车车联网电力优化分配方法，其特征在于，所述系统长期总能耗模型的表达式如下：

式中，

代表第i辆电动汽车在时间间隔l内通过第r个5G通信资源模块与第j个路边对象进行通信时，该路边对象消耗的能量；P^RO代表每一路边对象在时间间隔l内接收信号所消耗的能量；

代表在时间间隔l内电动汽车的总能耗。

3.根据权利要求2所述的基于5G通信的电动汽车车联网电力优化分配方法，其特征在于，所述短期电动汽车能耗模型的表达式如下：

式中，

代表在时间间隔l内电动汽车的总能耗；P^V代表车辆在时间间隔l内消耗的固有电能；σ_i,j,r(l)为一状态变量，1代表第i辆电动汽车在时间间隔l内正通过第r个5G通信资源模块与第j个路边对象进行通信，0代表第i辆电动汽车在时间间隔l内未通过第r个5G通信资源模块与第j个路边对象进行通信；P_i,j,l(l)代表第i辆电动汽车在时间间隔l内通过第r个5G通信资源模块与第j个路边对象进行通信时传输的总功率；J_i(l)代表第i辆电动汽车在时间间隔l内连接路边对象的最大数量。

4.根据权利要求2所述的基于5G通信的电动汽车车联网电力优化分配方法，其特征在于，短期路边对象能耗模型的表达式如下：

式中，

代表第i辆电动汽车在时间间隔l内通过第r个5G通信资源模块与第j个路边对象进行通信时，该路边对象消耗的能量；P^RO代表每一路边对象在时间间隔l内接收信号所消耗的能量；C_i,j(l)代表第j个路边对象在时间间隔l内从第i辆电动汽车处通过无线充电所增加的电能；η代表无线充电的能量转换效率；W代表电动汽车与路边对象通信时采用的带宽；g_i,j,r(l)代表第i辆电动汽车在时间间隔l内通过第r个5G通信资源模块与第j个路边对象进行通信时的信道增益；I_i,j,r代表第i辆电动汽车在时间间隔l内通过第r个5G通信资源模块与第j个路边对象进行通信时，其他电动汽车通过第r个5G通信资源模块对第j个路边物体输送的干扰功率。

5.根据权利要求2所述的基于5G通信的电动汽车车联网电力优化分配方法，其特征在于，所述短期通信信噪比模型的表达式如下：

式中，γ_i,j,r(l)代表第i辆电动汽车在时间间隔l内通过第r个5G通信资源模块与第j个路边对象进行通信时的信噪比；N_p代表路边对象的信号处理噪声；W代表电动汽车与路边对象通信时采用的带宽；g_i,j,r(l)代表第i辆电动汽车在时间间隔l内通过第r个5G通信资源模块与第j个路边对象进行通信时的信道增益；I_i,j,r代表第i辆电动汽车在时间间隔l内通过第r个5G通信资源模块与第j个路边对象进行通信时，其他电动汽车通过第r个5G通信资源模块对第j个路边物体输送的干扰功率；P_i,j,l(l)代表第i辆电动汽车在时间间隔l内通过第r个5G通信资源模块与第j个路边对象进行通信时传输的总功率。

6.根据权利要求5所述的基于5G通信的电动汽车车联网电力优化分配方法，其特征在于，所述系统长期信息传输总容量模型的表达式如下：

式中，Π_i,j(l)代表在时间间隔l内第i辆电动汽车与第j个路边对象通信时传输总容量。

7.根据权利要求6所述的基于5G通信的电动汽车车联网电力优化分配方法，其特征在于，所述系统长期效率模型的表达式如下：

式中，ω代表整个系统中各路边对象无线充电与信息传输功率所占比例的集合，即ω＝(ω^E,ω^I)；σ代表基站利用状态变量集合，即

P代表电动汽车与路边对象通信时传输功率的集合，即

8.根据权利要求7所述的基于5G通信的电动汽车车联网电力优化分配方法，其特征在于，基于5G通信的电动汽车车联网电力优化分配模型用于确定保证整体系统效率最高的电力分配方案，其表达式为：

s.t.C1:

C2:

C3:

C4:

C5:

C6:

式中共有6个约束条件：约束条件C1为路边对象的服务质量约束，即为保证路边对象的通信服务质量，每个时间间隔l内电动汽车与路边对象间的信息传输容量必须大于其最小值

约束条件C2为路边对象无线充电与信息传输功率所占比例的约束，即被用于无线充电的功率所占比例与被用于信息传输的功率所占比例之和为1；约束条件C3为5G通信资源模块的占用约束，即在时间间隔l内，第i辆电动汽车通过第r个5G通信资源模块只能与一个路边对象通信；约束条件C4为路边对象的电能供给约束，即第j个路边对象在时间间隔l内从第i辆电动汽车处通过无线充电所增加的电能必须大于其通信所需最小功率

约束条件C5为无线电能传输功率限制，即第i辆电动汽车通过第r个5G通信资源模块发出的无线电能功率小于最大值

约束条件C6为路边对象无线充电与信息传输功率边界约束，即被用于无线充电的功率所占比例与被用于信息传输的功率所占比例在0-1之间。

9.根据权利要求8所述的基于5G通信的电动汽车车联网电力优化分配方法，其特征在于，优化分配模型简化处理用于降低优化分配模型的复杂程度，其步骤包括：

(1)将σ_i,j,r(l)松弛为区间[0,1]内的连续变量，简化路边对象消耗的能量模型，增加约束条件C_i,j(l)≤P^RO，保证消耗能量大于零，其表达式为

(2)考虑干扰水平最高的情况，将电动汽车与路边对象通信传输总容量模型转换为迭代凹面最大模型，其表达式为

式中，上标～代表迭代变量，即利用迭代优化控制变量(ω,σ,P)计算得到的变量；(c)符号第c次迭代计算得出的值。

(3)转换优化模型，进行线性化，转换后的迭代线性优化模型表达式为：

s.t.C1:

C2:

C3:

C4:

C5:

C6:

C7:

式中上标～代表迭代变量，即利用迭代优化控制变量(ω,σ,P)计算得到的变量；Λ^*为迭代过程中出现的最优效率值；约束条件C7代表路边对象消耗的能量非负。

10.根据权利要求9所述的基于5G通信的电动汽车车联网电力优化分配方法，其特征在于，拉格朗日对偶法迭代计算方法用于求解所述迭代线性优化模型，其步骤包括：

(1)引入拉格朗日算子，根据迭代线性优化模型的约束条件，建立拉格朗日函数，其表达式为：

式中，Ω＝{β_i,j(l),δ_i,j,r(l),τ_i,r(l),θ_i,j(l),λ_i(l),π_i,j(l)}，为拉格朗日算子集合：

(2)设定拉格朗日算子初值，计算首次迭代后各优化控制变量的最优值：

优化控制变量ω首次迭代后的最优值计算方法为：通过KKT条件，计算拉格朗日函数对ω的偏导数

等于0时的解，将拉格朗日算子初值代入解中计算出最优值ω^*，ω^*的表达式为：

式中，

符号代表当内部变量大于1时，整体值取1，当内部变量小于0时，整体值取0，当内部变量介于0-1之间时，整体值与之一致；

优化控制变量P首次迭代后的最优值计算方法为：通过KKT条件，计算拉格朗日函数对ω的偏导数

等于0时的解，将拉格朗日算子初值代入解中计算出最优值P^*，P^*的表达式为：

优化控制变量σ首次迭代后的最优值计算方法为：建立边际收益模型H_i,j,r(l)，固定i与r值，计算不同j值情况下的边际收益值，边际收益最大时

取1，其余j值对应的

均取0；边际收益模型H_i,j,r(l)表达式为：

(3)通过次梯度算法得到拉格朗日算子的更新计算模型，将首次计算得到的优化控制变量(ω^*,σ^*,P^*)代入模型求解拉格朗日算子的更新值，以便下次迭代提高优化效果，更新后的拉格朗日算子值表达式为：

式中，

代表次梯度步长，其大于等于0；符号[]⁺代表当内部变量大于0时，整体值取0，小于0时，整体变量取0，等于0时，整体变量取0；

(4)将迭代后的拉格朗日算子代入(2)中，重复计算优化控制变量的最优值，进行迭代，当第n次迭代后的优化目标值与第n-1次迭代后的优化目标值之间的差距小于设定的收敛间隔值gap，即

时，停止迭代，输出时间间隔l内的最优控制变量值(ω^*,σ^*,P^*)；

(5)重复上述步骤，计算时间间隔L中剩余时间内的最优控制变量值(ω^*,σ^*,P^*)，完成整个时间间隔L内的优化分配模型计算，输出基于5G通信的电动汽车车联网长期电力优化分配方案。

Images