CN112729324B - 基于互助出行系统的电动汽车充电引导和路径规划方法 - Google Patents

Abstract

本发明属于电动汽车充电调度领域，具体涉及一种基于互助出行系统的电动汽车充电引导和路径规划方法。包括：获取EV用户实时信息，交通路网路径信息，充电站服务信息，其他互助EV用户信息；互助出行系统的中央控制端推荐最优充电站和初始路径；EV用户在达到下一节点前，中央控制端根据实时信息重新计算最优路径；每到一个节点，EV用户根据更新的引导策略行驶，最终到达充电站充电。本发明提供的方法融合了实时动态的路况信息、充电服务信息和EV互助信息，在保证EV用户能够在剩余SOC的约束下到达充电站充电，不断地进行路径选择和引导策略的优化和更新，减少了EV用户的总时间成本。

Description

基于互助出行系统的电动汽车充电引导和路径规划方法

技术领域

本发明属于电动汽车充电调度领域，具体涉及一种基于互助出行系统的电动汽车充电引导和路径规划方法。

背景技术

电动汽车(Electric vehicle,EV)大规模普及已经成为趋势，但是电池容量的限制，给EV用户带来里程焦虑，因此采取有效的充电路径引导策略为电动汽车规划最佳行驶路径、合理推荐充电站，是降低电池容量对EV用户出行影响的必要手段。

目前的研究在交通信息已知的情况下，都没有考虑EV和中央调度系统(如交管中心系统、出租车公司车辆调度系统、公交公司车辆调度系统等)进行实时信息交互，再由系统基于车辆互助信息对车辆进行中央调度的情况；而是简单地由EV发送请求之后，由中央控制端为其规划一次初始路径，但交通状态会因为时间而改变，仅规划一次路径则可能是当前的最优路径，不是之后时间段的最优路径。规划一次初始路径，且单一考虑路径时长会出现充电站排队等待时间过长，严重影响用户体验。总之，目前电动汽车充电引导和路径规划方法存在的技术问题包括：

(1)由中央控制端为车辆规划一次路径，但交通状态会因为时间而改变，当前条件下规划的最优路径会因时间而随之变化；

(2)目前技术，规划充电路径，一般只考虑到达充电站的路径长度，路径时长，而不能考虑充电站排队等待时长。并且目前充电APP上提供的服务信息只有充电站的位置，充电桩的数量，有几个充电桩处于空闲状态，但不知道充电站排队的车辆的数量。

发明内容

针对上述技术问题，本发明提供一种基于互助出行系统的电动汽车充电引导和路径规划方法，本发明提供的方法融合了实时动态的路况信息、充电服务信息和EV互助信息，在保证EV用户能够在剩余SOC的约束下到达充电站充电，不断地进行路径选择和引导策略的优化和更新，减少了EV用户的总时间成本。能够缓解EV用户的里程焦虑，避免过长的排队时间，使EV用户获得良好的用户体验。并且由于路况信息和充电需求的实时交互，系统内EV用户可以根据EV用户间的互助信息，动态调整前往充电站的路径，以实现比初始路径更快地达到充电站。

本发明是通过以下技术方案实现的：

一种基于互助出行系统的电动汽车充电引导和路径规划方法，包括如下步骤：

S1获取EV用户实时信息、交通路网路径信息、充电站服务信息、其他互助EV用户信息；

S2互助出行系统的中央控制端分配给EV用户最优充电站和初始路径；

中央控制端基于步骤S1获得的信息，计算EV用户到达各充电站的时间和充电站排队时长之和的最小总时间成本方案；

中央控制端向EV用户推荐若干个方案，EV用户选择其中一个满意的方案，经中央控制端向EV用户选择的方案对应的最优充电站预约充电，沿EV用户选择的方案对应的初始路径前往预约充电站充电；

S3 EV用户在达到下一节点前，中央控制端根据实时信息动态调整更新路径；所述实时信息包括EV用户实时信息、交通路网实时路径信息；

S4每到一个节点，EV用户根据更新的路径行驶，最终到达充电站充电。

进一步地，在步骤S1中：

所述EV用户实时信息包括EV用户当前位置信息、剩余电量(SOC)、EV用户车辆的当前速度；

所述交通路网路径信息包括各条道路的路段长度、每条道路的实时车辆数；

所述充电站服务信息包括充电站位置、EV用户申请充电时预约的充电站信息(充电站信息包括该充电站共有多少充电桩，有几个充电桩是在被EV充电的，有几个充电桩是空闲状态的)、以及充电站实时的排队车辆数；

所述其他互助EV用户信息包括其他EV用户当前位置信息、其他EV用户车辆的当前速度。

进一步地，步骤S2具体包括以下步骤：

S21计算路程时长t₁：

其中，是第i个节点到第j个节点路段的阻抗，单位s；L_ij ⁰是第i个节点到第j个节点路段在流量x_ij下的行程时间，单位s；x_ij是第i个节点到第j个节点路段的交通流量，单位pcu/h；C_ij是第i个节点到第j个节点路段的实际通行能力，单位pcu/h；α＝0.15，β＝4；

其中，S_ij为互助车辆标准差，Num为经过第i个节点到第j个节点路段的互助车辆数，r为经过第i个节点到第j个节点路段的互助车辆数的先后顺序，s_r为第r辆互助车辆从第i个节点到第j个节点路段的行驶时间；

式中，w_ij为经修正的路段阻抗估计值，rand(-S_ij，S_ij)为在互助车辆标准差范围内随机生成的一个行驶时间波动值；

从第i个节点到第j个节点路段的路程时长t₁为：

D为此EV用户规划路径经过节点的总数；

S22计算排队时长t₂：

其中，P_n(t₁)为EV用户达到第k个充电站前的t₁时间段内到达第k个充电站的车辆数目为n的概率；λ为单位时间车辆到达数的期望，称为平均到达率；n为t₁时间段内到达第k个充电站的车辆数；

s₁＝∫max{P_n(t₁)n＝0,1,2...}

其中，s₁是t₁时段内第k个充电站对应的概率最大的达到车辆数；

其中，t₄为EV用户达到第k个充电站前的t₁时间段内第k个充电站新增车辆所产生的新增单位充电桩平均排队时长；t₅是每辆车的期望排队时长；s₂是互助出行系统内已经预约的在t₁时段内达到第k个充电站的车辆数，m_k是第k个充电站有m个充电桩；

t₃＝t_k-t₁+t₄

其中，t_k为第k个充电站目前的排队时长；

EV用户在第k个充电站的排队时长t₂为：

t₂＝t₃·C

其中，若t₃为负时，C为0，否则C为1；

其中，t₃实际上就是t₂，但是因为排队时长如果出现负数，就失去了实际的意义，所以用0-1变量控制；

可以根据根据上述方法计算EV用户在其他充电站的排队时长；

S23以EV用户到达充电站的路程时长和排队时长之和总时间成本最小为目标函数，运用最短路径遗传算法计算EV用户到达各充电站的时间和充电站排队时长之和的最小总时间成本方案，生成可选路径集：

可选路径集U{u₁，u₂，u₃……}，

例如，其中u₁{起点O，路径节点1，路径节点2，终点Q充电站k}；

EV用户的总时间成本T为：

其中，t₁为路程时长，t₂为排队时长；

S24将不满足电量约束的路径剔除出可选路径集，形成满足电量约束的可选路径集；

剩余电量约束：

其中，SOC_i表示到达第i个节点时EV的剩余电量，P_a表示第a等级道路每公里能耗；l_ij为第i个节点到第j个节点路段长度；D为此EV用户规划路径经过节点的总数；

单位里程耗电模型：

其中，P₁、P₂、P₃分别为一级道路、二级道路、三级道路的单位耗电里程，单位为kwh/km；v为道路平均速度，单位为km/h；其中，关于道路平均速度：一般每个道路等级都有一个对应的平均速度范围，比如高速公路和城市普通道路的平均速度是不一样的，此处计算道路上所有车辆的平均速度，一般用道路旁的检测器检测出来；

S25从满足电量约束的可选路径集中选择最小时间成本的路径为初始路径，分配给EV用户最优充电站，EV用户向分配的最优充电站预约充电。

进一步地，所述步骤S3的具体步骤包括：

在EV用户到达每一节点前，计算到达目标充电站最小路径时间成本；若优于原来的引导路径，则更新该策略，否则不更新；达到充电站则结束更新。

本发明的有益技术效果：

本发明提供的基于互助出行系统的电动汽车充电引导和路径规划方法，利用路况信息和充电需求的实时交互，中央控制端根据EV用户间的互助信息进行实时引导，系统内EV用户可以动态调整前往充电站的路径；避免了在充电站排队等待时间过长影响用户体验，同时动态调整路径使得EV用户在满足电量约束的前提下更快到达充电站。

本发明提供的方法可以合理地对EV用户进行调度，体现了互助系统内EV用户之间相互协同，使得参与互助出行系统的EV用户获得更好的出行体验。

并且本发明要通过系统内互助EV的用户向中央控制端主动报告这一信息，来提高排队时长预测的准确度，克服了现有技术中充电APP上提供的服务信息只有充电站的位置，充电桩的数量，有几个充电桩处于空闲状态，但不知道充电站排队的车辆的数量的技术问题。

附图说明

图1为本发明实施例方法所涉及的框架设计图；

图2为本发明实施例方法的工作流程图；

图3为本发明实施例方法中的道路交通网模型简图；

图4为为本发明实施例方法中的自适应遗传算法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。

如图1，基于互助出行系统的电动汽车充电引导和路径规划方法是在该系统框架内运行的，互助出行系统共分为“端—边—云”三级结构，分别指端—EV，边—通信链，云—中央控制端。EV是互助出行系统的终端用户，用于收集周围路况信息和周围车辆信息，并连同本车的信息一同传递到云端。边是互助出行系统中路网结构的总称，对端和云起到一个信息媒介和信息补充的作用。云是系统的大脑，本文中统一称为中央控制端，它对来自端和边的信息进行汇总处理，根据具体目标优化系统内EV的规划路径，并根据实时信息不断计算，实时更新EV的引导策略。

如图2所示为一种基于互助出行系统的电动汽车充电引导和路径规划方法，下面就各个步骤加以具体说明：

S1获取EV用户实时信息、交通路网路径信息、充电站服务信息、其他互助EV用户信息；

S2互助出行系统的中央控制端分配给EV用户最优充电站和初始路径；

中央控制端基于步骤S1获得的信息，计算EV用户到达各充电站的时间和充电站排队时长之和的最小总时间成本方案；

中央控制端向EV用户推荐若干个方案，EV用户选择其中一个满意的方案，经中央控制端向EV用户选择的方案对应的最优充电站预约充电，沿EV用户选择的方案对应的初始路径前往预约充电站充电；

S3 EV用户在达到下一节点前，中央控制端根据实时信息动态调整更新路径；所述实时信息包括EV用户实时信息、交通路网实时路径信息；

S4每到一个节点，EV用户根据更新的路径行驶，最终到达充电站充电。

具体的，在步骤S1中：

所述EV用户实时信息包括EV用户当前位置信息、剩余电量(SOC)、EV用户车辆的当前速度；

所述交通路网路径信息包括各条道路的路段长度、每条道路的实时车辆数；

所述充电站服务信息包括充电站位置、EV用户申请充电时预约的充电站信息(充电站信息包括该充电站共有多少充电桩，有几个充电桩是在被EV充电的，有几个充电桩是空闲状态的)、以及充电站实时的排队车辆数；

所述其他互助EV用户信息包括其他EV用户当前位置信息、其他EV用户车辆的当前速度。

具体的，步骤S2具体包括以下步骤：

S21计算路程时长t₁：

其中，是第i个节点到第j个节点路段的阻抗，单位s；L_ij ⁰是第i个节点到第j个节点路段在流量x_ij下的行程时间，单位s；x_ij是第i个节点到第j个节点路段的交通流量，单位pcu/h；C_ij是第i个节点到第j个节点路段的实际通行能力，单位pcu/h；α＝0.15，β＝4；

其中，S_ij为互助车辆标准差，Num为经过第i个节点到第j个节点路段的互助车辆数，r为经过第i个节点到第j个节点路段的互助车辆数的先后顺序，s_r为第r辆互助车辆从第i个节点到第j个节点路段的行驶时间；

式中，w_ij为经修正的路段阻抗估计值，rand(-S_ij，S_ij)为在互助车辆标准差范围内随机生成的一个行驶时间波动值；

从第i个节点到第j个节点路段的路程时长t₁为：

D为此EV用户规划路径经过节点的总数；

S22计算排队时长t₂：

其中，P_n(t₁)为EV用户达到第k个充电站前的t₁时间段内到达第k个充电站的车辆数目为n的概率；λ为单位时间车辆到达数的期望，称为平均到达率；是基于历史数据推算的。具体地，平均到达率是单位时间内达到充电站的平均车辆数，比如某周四工作日17：00-18：00的平均达到率，要找出第k个充电站一年内周四工作日17：00-18：00的到达车辆数，再计算加权平均数；n为t₁时间段内到达第k个充电站的车辆数；

s₁＝∫max{P_n(t₁)n＝0,1,2...}

其中，s₁是t₁时段内第k个充电站对应的概率最大的达到车辆数；

其中，t₄为EV用户达到第k个充电站前的t₁时间段内第k个充电站新增车辆所产生的新增单位充电桩平均排队时长；t₅是每辆车的期望排队时长；s₂是互助出行系统内已经预约的在t₁时段内达到第k个充电站的车辆数，m_k是第k个充电站有m个充电桩；

t₃＝t_k-t₁+t₄

其中，t_k为第k个充电站目前的排队时长；

EV用户在第k个充电站的排队时长t₂为：

t₂＝t₃·C

其中，若t₃为负时，C为0，否则C为1；

其中，t₃实际上就是t₂，但是因为排队时长如果出现负数，就失去了实际的意义，所以用0-1变量控制；

可以根据根据上述方法计算EV用户在其他充电站的排队时长；

S23以EV用户到达充电站的路程时长和排队时长之和总时间成本最小为目标函数，运用最短路径遗传算法计算EV用户到达各充电站的时间和充电站排队时长之和的最小总时间成本方案，生成可选路径集：

可选路径集U{u₁，u₂，u₃……}，

例如，其中u₁{起点O，路径节点1，路径节点2，终点Q充电站k}

EV用户的总时间成本T为：

其中，t₁为路程时长，t₂为排队时长；

S24将不满足电量约束的路径剔除出可选路径集，形成满足电量约束的可选路径集；

剩余电量约束：

其中，SOC_i表示到达第i个节点时EV的剩余电量，P_a表示第a等级道路每公里能耗；l_ij为第i个节点到第j个节点路段长度；D为此EV用户规划路径经过节点的总数。

在本实施例中，每条道路都有一定的等级，此处将道路分为三个等级，每条道路的平均耗电不同，知道了单位里程耗电量，路段长度，相乘后即可得出每个路段消耗的电量；

单位里程耗电模型：

其中，P₁、P₂、P₃分别为一级道路、二级道路、三级道路的单位耗电里程，单位为kwh/km；v为道路平均速度，单位为km/h；其中，关于道路平均速度：一般每个道路等级都有一个对应的平均速度范围，比如高速公路和城市普通道路的平均速度是不一样的，此处计算道路上所有车辆的平均速度，一般用道路旁的检测器检测出来；

S25从满足电量约束的可选路径集中选择最小时间成本的路径为初始路径，分配给EV用户最优充电站，EV用户向分配的最优充电站预约充电。

在S4步骤中，在EV用户到达每一节点前，用最短路径遗传算法计算该EV用户到达目标充电站最小路径时间成本。若优于原来的引导路径，则更新该策略。达到充电站则该算法结束。

应用本发明的EV用户充电引导和路径规划方法的一个具体实施例如下：

本实施例中，以某区的交通路网为例，建立交通路网模型。以EV用户到达充电站的路程时长和排队时长之和总时间成本最小为目标函数，制定EV用户的路径规划和充电导航策略。、

本实施例中所建立的交通网模型简图如图3所示。该区域共有20个路网节点，31条路段和8个充电站。节点处标注的数值为1～20为路网节点序号，A～H为区域内的8个充电站。

本实施例中充电站的静态信息如表1所示：

表1充电站静态信息

本实施例中充电站初始的动态信息如表2所示：

表2充电站动态信息

假设某一EV用户在0时刻，在节点16的位置发送充电请求给中央控制中心，此时EV的初始SOC＝10kwh。中央控制中心利用最短路径遗传算法为该EV用户分配最优充电站和规划初始路径。

本实施例中该EV用户到达各充电站的预测信息如表3所示：

表3到达各充电站预测信息

根据总时间成本最小的目标函数，选择前往E充电站进行充电，初始路径为16→17→18→13→8→9。在EV用户行驶过程中，中央控制中心根据如图4所示的自适应遗传算法不断更新引导策略，当EV用户达到目标充电站后则引导结束。

本实施例中该EV用户调整后的最终路径如表4所示：

表4自适应遗传算法调整路径表

综上所述，本发明提出了一种基于互助出行系统的电动汽车充电引导和路径规划方法，融合了实时动态的路况信息、充电服务信息和EV互助信息，在保证EV用户能够在剩余SOC的约束下到达充电站充电，不断地进行路径选择和引导策略的优化和更新，减少了EV用户的总时间成本。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于互助出行系统的电动汽车充电引导和路径规划方法，其特征在于，包括如下步骤：

S1获取EV用户实时信息、交通路网路径信息、充电站服务信息、其他互助EV用户信息；

S2互助出行系统的中央控制端分配给EV用户最优充电站和初始路径；

中央控制端基于步骤S1获得的信息，计算EV用户到达各充电站的时间和充电站排队时长之和的最小总时间成本方案；

中央控制端向EV用户推荐若干个方案，EV用户选择其中一个满意的方案，经中央控制端向EV用户选择的方案对应的最优充电站预约充电，沿EV用户选择的方案对应的初始路径前往预约充电站充电；

S3 EV用户在达到下一节点前，中央控制端根据实时信息动态调整更新路径；

S4每到一个节点，EV用户根据更新的路径行驶，最终到达充电站充电；

其中，步骤S2具体包括以下步骤：

S21计算路程时长t₁：

其中，是第i个节点到第j个节点路段的阻抗，单位s；L_ij ⁰是第i个节点到第j个节点路段在流量x_ij下的行程时间，单位s；x_ij是第i个节点到第j个节点路段的交通流量，单位pcu/h；C_ij是第i个节点到第j个节点路段的实际通行能力，单位pcu/h；α＝0.15，β＝4；

其中，S_ij为互助车辆标准差，Num为经过第i个节点到第j个节点路段的互助车辆数，r为经过第i个节点到第j个节点路段的互助车辆数的先后顺序，s_r为第r辆互助车辆从第i个节点到第j个节点路段的行驶时间；

式中，w_ij为经修正的路段阻抗估计值，rand(-S_ij，S_ij)为在互助车辆标准差范围内随机生成的一个行驶时间波动值；

从第i个节点到第j个节点路段的路程时长t₁为：

D为EV用户规划路径经过节点的总数；

S22计算排队时长t₂：

其中，P_n(t₁)为EV用户达到第k个充电站前的t₁时间段内到达第k个充电站的车辆数目为n的概率；λ为单位时间车辆到达数的期望，称为平均到达率；n为t₁时间段内到达第k个充电站的车辆数；

s₁＝∫max{P_n(t₁)|n＝0,1,2...}

其中，s₁是t₁时段内第k个充电站对应的概率最大的达到车辆数；

其中，t₄为EV用户达到第k个充电站前的t₁时间段内第k个充电站新增车辆所产生的新增单位充电桩平均排队时长；t₅是每辆车的期望排队时长；s₂是互助出行系统内已经预约的在t₁时段内达到第k个充电站的车辆数，m_k是第k个充电站有m个充电桩；

t₃＝t_k-t₁+t₄

其中，t_k为第k个充电站目前的排队时长；

EV用户在第k个充电站的排队时长t₂为：

t₂＝t₃·C

其中，若t₃为负时，C为0，否则C为1；

S23以EV用户到达充电站的路程时长和排队时长之和总时间成本最小为目标函数，运用最短路径遗传算法计算EV用户到达各充电站的时间和充电站排队时长之和的最小总时间成本方案，生成可选路径集：

EV用户的总时间成本T为：

其中，t₁为路程时长，t₂为排队时长；

S24将不满足电量约束的路径剔除出可选路径集，形成满足电量约束的可选路径集；

剩余电量约束：

其中，SOC_i表示到达第i个节点时EV的剩余电量，P_a表示第a等级道路每公里能耗；l_ij为第i个节点到第j个节点路段长度；D为此EV用户规划路径经过节点的总数

单位里程耗电模型：

其中，P₁、P₂、P₃分别为一级道路、二级道路、三级道路的单位耗电里程，单位为kwh/km；v为道路平均速度，单位为km/h；

S25从满足电量约束的可选路径集中选择最小时间成本的路径为初始路径，分配给EV用户最优充电站，EV用户向分配的最优充电站预约充电。

2.根据权利要求1所述基于互助出行系统的电动汽车充电引导和路径规划方法，其特征在于，在步骤S1中：

所述EV用户实时信息包括EV用户当前位置信息、剩余电量、EV用户车辆的当前速度；

所述交通路网路径信息包括各条道路的路段长度、每条道路的实时车辆数；

所述充电站服务信息包括充电站位置、EV用户申请充电时预约的充电站信息、以及充电站实时的排队车辆数；

所述其他互助EV用户信息包括其他EV用户当前位置信息、其他EV用户车辆的当前速度。

3.根据权利要求1所述的基于互助出行系统的电动汽车充电引导和路径规划方法，其特征在于：所述步骤S3的具体步骤包括：

在EV用户到达每一节点前，计算到达目标充电站最小路径时间成本；若优于原来的引导路径，则更新该策略，否则不更新；达到充电站则结束更新。