CN112734089A - 智能网联环境下的智能车辆路径诱导方法、系统、设备及存储介质 - Google Patents

Abstract

本发明公开了一种智能网联环境下的智能车辆路径诱导方法、系统、设备及存储介质，方法包括：获取路网相关特征信息；建立考虑充电桩充电等级的线性充电时间函数；建立安全电量阈值‑充电电量阈值组合判断机制；建立最小化总行程时间目标函数，求解并对比，得到最优路径。本发明在满足智能车辆出行电量需求的同时，减少了在节点的充电时间，为用户出行提供更有效的路径诱导；同时提高了充电桩的利用率，保护电池循环充电的使用寿命，结合交通流分配和充电桩的合理布设，能够有效提升城市交通的运行效率。

Description

智能网联环境下的智能车辆路径诱导方法、系统、设备及存储 介质

技术领域

本发明属于智能交通技术领域，涉及一种智能网联环境下的智能车辆路径诱导方法、系统、设备及存储介质。

背景技术

伴随着城市智能车辆的数量逐渐呈上升趋势，充电桩作为智能车辆的基础配套设施，其规模也要随之增长。截至2020年7月，国内共统计各类公共充电桩55.8万台。目前国内建成的智能车辆公共充电桩数量还不能充分满足智能车辆用户在路网行驶过程中的充电需求。另外，充电桩的数量并不是越多越好，其布设使用地是否合理，影响并制约着智能车辆的发展前景。如果布设使用不合理，会影响路网中其他出行方式的通行效率，增加路网的整体阻抗，有研究表明当路网中智能车辆比例超过50％时，路网的通行时间会大幅增加。因此，关于智能车辆出行的相关问题有待寻求合理的解决办法。

对于智能车辆路径选择、充电续航及充电站位置选址等问题，现有的研究大多假设智能车辆出行者的安全电量均为零，若其需要在中途充电，则其充电电量正好能使其到达目的地，这种假设显然与实际不相符。由于用户有可能不愿意等待完全充电，车辆只能部分充电，当到达目的地时用户还需要找寻充电桩，继续为智能车辆充电续航，方便后面的出行需求。此外，智能车辆用户在到达一个路网时，需要选择合适的路径通行，通过合理地去利用里程、充电分级等，去预判安全电量和充电电量，诱导用户通行，能够方便用户选择，提高路网通行效率。

综上，在已有的智能车辆出行和充电桩方面的研究中，大部分是只考虑充电桩的位置选址问题，关注充电桩位置选址问题，虽然为路网中的智能车辆充电提供了便利，但智能车辆驾驶员在出行时对充电时间的判断往往存在一定误差，难以准确选择充电桩，影响出行效率，降低充电桩的利用率，减小智能车辆的电池使用寿命。

发明内容

为了解决上述问题，本发明提供一种智能网联环境下的智能车辆路径诱导方法、系统、设备及存储介质，在满足智能车辆出行电量需求的同时，减少了在节点的充电时间，为用户出行提供更有效的路径诱导；同时提高了充电桩的利用率，保护电池循环充电的使用寿命，结合交通流分配和充电桩的合理布设，能够有效提升城市交通的运行效率。

本发明所采用的技术方案是，一种智能网联环境下的智能车辆路径诱导方法，具体按照以下步骤进行：

S1，获取路网相关特征信息；

S2，建立考虑充电桩充电等级的线性充电时间函数：

式中：

表示智能车辆在节点处充电所需的时间，i为网络节点，t_i1表示充电的固定时间，t_i2表示单位电能所需可变充电时间，

表示节点i的充电电量，

其中Q为智能车辆当前可用电量，α_i表示安全电量阈值，L_max表示最大电池容量，α_i·L_max表示到达充电节点的安全电量，Q_ri为智能车辆行驶到充电节点时的剩余电量；

S3，建立安全电量阈值-充电电量阈值组合判断机制，即α_i-β_i组合机制；

S4，建立最小化总行程时间目标函数，求解并对比，得到诱导路径。

进一步的，所述步骤S3包括：

S31，根据α_i·L_max计算设定的安全电量阈值下的安全电量，根据β_i·L_max计算设定的充电电量阈值下的充电电量；

S32，根据计算的安全电量和充电电量，计算得到某智能车辆当前可用电量Q下的可行驶距离l和对应充电电量阈值下的充电时间

其中

表示电池能量消耗率，单位：kWh/km；

S33，根据充电时间

可行驶距离l对路网中的路径及路段进行判断，使得可行驶距离l大于等于L_d或L_ncn，L_d表示到达目的地的距离，L_ncn表示到达下一充电节点距离；

S34，根据判断结果确定该路径的α_i-β_i组合值；在满足行驶距离需求和保证安全电量前提下，优先选择能够到达目的地的最小的充电分级阈值β_i和安全电量阈值α_i。

进一步的，所述设定的安全电量阈值用于确保智能车辆保留一定剩余电量的安全电量，α₁＝1％，α₂＝3％，α₃＝5％。

进一步的，所述设定的充电电量阈值用于界定充电时间分级，β₁＝70％，β₂＝80％，β₃＝100％，β₁、β₂为充电电量分级阈值，β₃为充电电量满电阈值。

进一步的，所述S2中，单位电能所需可变充电时间t_i2包括

和

在电量达到对应的充电电量分级阈值之前的电能所需可变充电时间为

在电量达到对应的充电电量分级阈值之后继续充电的电能所需可变充电时间为

小于

如果节点i没有充电桩，则

和

均为0。

进一步的，所述最小化总行程时间的目标函数见式(2)：

式中，a为网络中路段，A为网络路段集合；t_a(v_a)为路段a所需的行驶时间，即

其中

为路段a流量为零时的出行时间，v_a为路段a上的流量，c_a代表路段a的容量，δ_a是决策变量，表示经过路段a则等于1，否则为0；i为网络节点；N为网络节点集合；r_i表示BEV是否在节点i充电，

进一步的，所述路网相关特征信息包括：选定的测试路网、起讫节点、OD需求、路段通行能力、路段距离、充电桩布设位置。

另一方面，提供一种智能车辆路径诱导系统，采用上述一种智能网联环境下的智能车辆路径诱导方法，包括：

数据采集模块，用于获取路网相关特征信息；

数据分析模块，用于建立线性充电时间函数，计算智能车辆充电时间，然后通过安全电量建立阈值和充电电量阈值组合判断机制，得到每条路径的最优阈值组合，建立最小化总行程时间目标函数，求解并对比，得到诱导路径；

交互模块，用于将诱导路径交互至可视化模块；

可视化模块，用于向用户展示诱导路径和路况信息，从而为用户提供最优行驶路径。

第三方面，提供一种智能车辆路径诱导设备，包括：

存储器，用于存储可由处理器执行的指令；以及

处理器，用于执行所述指令以实现上述智能网联环境下的智能车辆路径诱导方法。

第四方面，提供一种存储有计算机程序代码的计算机可读介质，所述计算机程序代码在由处理器执行时实现上述智能网联环境下的智能车辆路径诱导方法。

本发明的有益效果是：

(1)本发明提出了考虑充电桩充电等级的线性充电时间函数，更好的模拟了实际充电情况；构建了考虑智能车辆安全电量阈值-充电电量阈值组合判断机制，得到每条路径的最优阈值组合；通过对最小化目标函数的求解，确定合理的诱导路径。满足智能车辆出行电量需求的同时，减少其在节点的充电时间，进而为用户出行提供最佳路径诱导，满足日渐快捷的出行需求；此外，既能提高充电桩的利用率，兼顾电池在充电过程中安全充电，保护电池循环充电的使用寿命。

(2)本发明为充电桩的运营管理和智能车辆用户出行充电行为、车辆维护等提供科学的数据支持。还能用于研究更复杂的混合交通(如考虑无人自动驾驶汽车等)下的路径诱导和交通分配方法，为多模式交通通行效率研究等打下一定的基础。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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是本发明实施例路径诱导系统结构示意图。

图2是本发明实施例的路径诱导决策图。

图3是本发明实例中路网图。

具体实施方式

下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例一种智能网联环境下的智能车辆路径诱导方法，具体按照以下步骤进行：

S1，通过数据采集模块获取路网相关特征信息，并输入至数据分析模块；路网相关特征信息包括：选定的测试路网、起讫节点、OD(Origin-Destination)需求、路段通行能力、路段距离、充电桩布设位置；

S2，数据分析模块建立考虑充电桩充电等级的线性充电时间函数：

式中：

表示BEV(智能车辆)在节点处充电所需的时间，i为网络节点，

表示节点i的充电电量，

表示可变充电时间，

其中Q为智能车辆当前可用电量，α_i表示安全电量阈值，L_max表示最大电池容量，α_i·L_max表示到达充电节点的安全电量，Q_ri为智能车辆行驶到充电节点时的剩余电量，t_i1表示充电活动的固定时间，取值为5min，t_i2表示单位电能所需可变充电时间，取决于充电桩的充电级别；充电电量分级阈值的确定原理：从车辆的电池安全上面进行考虑，现在的纯智能车辆充电方式基本上都是大功率直流充电，充满80％以后为了保护电池在工作过程中的安全充电，电流会适当的减少，直到充满100％。直流充电充80％以后充电速度变慢，这个也与车辆的充电模式有关。基于上面表述，本发明中充电电量阈值的确定，一方面是考虑保护电池在充电过程中安全充电，另一方面是考虑分级充电时间函数，在满足行驶需求的前提下，使出行时间最小化。在电量达到充电电量分级阈值之前为

在电量达到充电电量分级阈值之后继续充电为

该描述更好的模拟了智能车辆充电时间的实际情况，如果节点i没有充电桩，则

和

为0；

70％作为另外一个充电电量分级阈值设定值，这个是设定的，在本发明中设定目的是为阈值判断机制增加普适性，为用户提供多种选择。

S3，建立安全电量阈值-充电电量阈值组合判断机制，即α_i-β_i组合机制。

S31，安全电量阈值α_i是为确保智能车辆保留一定剩余电量，方便进行下次充电续航，提高电池使用寿命，α_i设定为1％、3％、5％三个值，即α₁＝1％，α₂＝3％，α₃＝5％；充电电量阈值β_i用来界定充电时间分级，β_i设定为70％、80％、100％三种可变阈值，即β₁＝70％，β₂＝80％，β₃＝100％，其中β₁、β₂为充电电量分级阈值，β₃为充电电量满电阈值；

S32，α_i-β_i组合机制具体步骤如下：

S321，计算出设定的三种安全电量阈值下的安全电量和充电电量阈值下的充电电量；

S322，根据确定的安全电量α_i·L_max和充电电量β_i·L_max，通过计算得到某智能车辆当前可用电量Q(kWh)下的可行驶距离l和对应充电电量阈值下的充电时间

其中

表示电池能量消耗率(kWh/km)；可行驶距离l小于当前位置距充电桩的距离。

S323，根据充电时间

可行驶距离l对路网中的路径及路段进行判断；

(1)判断可行驶距离l与到达目的地的距离L_d或者到达下一充电节点距离L_ncn(其中ncn为next charging nodes)的大小：

①若可行驶距离l大于等于L_d或L_ncn，则当前安全电量阈值α_i可选用；

②若l小于L_d或L_ncn，则当前阈值不可用，继续选用其它阈值直至可行驶距离l大于等于L_d或L_ncn；

(2)比较可行安全电量阈值下的充电时间

确定可选用的充电电量分级阈值β_i；

S324，获得该路径的α_i-β_i组合值；在满足行驶距离需求和保证安全电量前提下，优先选择能够到达目的地的最小的充电分级阈值β_i和安全电量阈值α_i。即选定的阈值电量能满足行驶需求就可以，不一定需要充满电，这样一定程度上减少在节点的充电时间，进而减少总行程时间。当选择分级阈值不能满足行驶需求时，需要进一步的选择充电电量更高的阈值或满电阈值。

S4，采用时间最小化作为智能车辆路径选择的决策准则，建立最小化总行程时间目标函数，对目标函数进行数值求解，对比分析，得到诱导路径，其中最小化总行程时间的目标函数通过式(2)计算：

式中，a为网络中路段，A为网络路段集合；t_a(v_a)为路段a所需的行驶时间，随路段流量v_a的增加而增加，本发明均采用交通分配中常用的BPR(美国联邦公路局)函数，即

其中

为路段a流量为零时的出行时间，v_a为路段a上的流量，c_a代表路段a的容量，δ_a是决策变量，表示经过路段a则等于1，否则为0；i为网络节点；N为网络节点集合；r_i表示BEV是否在节点i充电，

其他参数意义同式(1)。

本发明实施例一种智能网联环境下的智能车辆路径诱导系统，包括数据采集模块、数据分析模块、交互模块、可视化模块；

数据采集模块，用于获取路网相关特征信息；

数据分析模块，用于建立线性充电时间函数，计算智能车辆充电时间，然后通过安全电量阈值-充电电量阈值组合判断机制，得到每条路径的最优阈值组合，选用最小化行程时间作为路径选择的决策准则，最后对目标函数进行求解并对比，得到诱导路径；

交互模块，用于将诱导路径交互至可视化模块；

可视化模块，用于向用户展示诱导路径和路况信息，从而为用户提供最优行驶路径。

本发明实施例对相关交通参数进行了有效采集，为数据分析模块奠定了基础；本发明采用图3中的路网来对所提出的方法进行运用和分析。该路网由6个节点、8条路段构成，网络中包含一对起讫点对，即1-2，各路段的基本信息见表1。起讫点对1-2之间的出行总需求(OD需求)为300辆车次，测试路网中节点3、节点4、节点5和节点6处有充电站(节点画斜线表示)，且充电器类型均为分级充电器(直流快充)，其充电时间由固定充电时间和可变充电时间构成。另外，本发明假设在网络中出行的所有智能车辆均相同，出发时电池为满电状态，即出发时电池容量L₀＝L_max，最大电池容量L_max均为24kWh，电池能量消耗率

为0.3kWh/km。

表1网络路段信息

路段	零流时间(min)	距离(km)	容量(辆)
				a＝1	75	75	335
a＝2	60	60	335
				a＝3	60	60	335
a＝4	76	76	335
				a＝5	79	79	335
a＝6	55	55	335
				a＝7	77	77	335
a＝8	53	53	335

根据阈值判断机制，通过对充电时间、行驶时间计算得到以下结果：

路径1：1-3-2，选用5％-80％阈值组合；行驶时间包括路段1和路段2行驶时间的计算，

所以路径1的行驶时间为t₁(v₁)+t₂(v₂)＝147.96min；路段1和路段2的流量分别都取了300辆车次来计算。

节点3充电站充电时间的计算，

其中Q_ri为智能车辆行驶到充电节点时的剩余电量，

总行程时间164.02min；充电电量分级阈值与阈值组合中的β_i有关联。β设定为70％、80％、100％三种可变阈值，即β₁＝70％，β₂＝80％，β₃＝100％，其中β₁、β₂为充电电量分级阈值，β₃为充电电量满电阈值；如果β_i为80％，式(1)中充电电量分级阈值取80％，如果β_i为70％，充电电量分级阈值取70％，如果β_i为100％，充电电量分级阈值取80％，保证安全充电的同时减少了充电时间。

路径2：1-4-2，选用1％-100％阈值组合，充电时间67.94min，行驶时间151.25min，总行程时间219.19min；

路径3：1-5-2，选用1％-70％阈值组合，充电时间15.89min，行驶时间146.86min，总行程时间162.75min；

路径4：1-6-2，选用3％-70％阈值组合，充电时间15.17min，行驶时间142.48min，总行程时间157.65min。

综上，路径4的总行程时间最小，所以路网中的路径4作为向用户推荐的最优路径，选择路径4为诱导方案。

本发明的优势在于，本发明提出了具体的考虑充电桩充电等级的线性充电时间函数和最小化总行程时间的目标函数，构建出了安全电量阈值-充电电量阈值组合判断机制对路径进行判断充电电量的分级阈值，该分级阈值不仅界定了充电时间分级，而且能够更准确地判断行驶距离所需充电电量；其中安全电量阈值是为确保智能车辆保留一定剩余电量，方便到达目的地寻找充电地点，为智能车辆充电续航，提高电池使用寿命；充电电量阈值根据行驶距离判断所需充电电量，优先选择较优充电分级阈值，减少智能车辆在节点的充电时间；在满足智能车辆出行需求的同时，减少其在节点的充电时间，进而为用户出行提供最佳路径诱导方案，即最优出行路径，满足日渐快捷的出行需求。本发明提出的安全电量-充电电量阈值组合，既能一定程度上提高充电桩的利用率，也考虑到了电池在充电过程中安全充电，保护电池循环充电的使用寿命。

本发明实施例所述智能网联环境下的智能车辆路径诱导方法如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明施例所述智能网联环境下的智能车辆路径诱导方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种智能网联环境下的智能车辆路径诱导方法，其特征在于，具体按照以下步骤进行：

S1，获取路网相关特征信息；

S2，建立考虑充电桩充电等级的线性充电时间函数：

式中：

表示智能车辆在节点处充电所需的时间，i为网络节点，t_i1表示充电的固定时间，t_i2表示单位电能所需可变充电时间，

表示节点i的充电电量，

其中Q为智能车辆当前可用电量，α_i表示安全电量阈值，L_max表示最大电池容量，α_i·L_max表示到达充电节点的安全电量，Q_ri为智能车辆行驶到充电节点时的剩余电量；

S3，建立安全电量阈值-充电电量阈值组合判断机制；

S4，建立最小化总行程时间目标函数，求解并对比，得到诱导路径。

2.根据权利要求1所述的一种智能网联环境下的智能车辆路径诱导方法，其特征在于，所述步骤S3包括：

S31，根据α_i·L_max计算设定的安全电量阈值下的安全电量，根据β_i·L_max计算设定的充电电量阈值下的充电电量；

S32，根据计算的安全电量和充电电量，计算得到某智能车辆当前可用电量Q下的可行驶距离l和对应充电电量阈值下的充电时间

其中

表示电池能量消耗率，单位：kWh/km；

S33，根据充电时间

可行驶距离l对路网中的路径及路段进行判断，使得可行驶距离l大于等于L_d或L_ncn，L_d表示到达目的地的距离，L_ncn表示到达下一充电节点距离；

S34，根据判断结果确定该路径的α_i-β_i组合值；在满足行驶距离需求和保证安全电量前提下，优先选择能够到达目的地的最小的充电分级阈值β_i和安全电量阈值α_i。

3.根据权利要求2所述的一种智能网联环境下的智能车辆路径诱导方法，其特征在于，所述设定的安全电量阈值用于确保智能车辆保留一定剩余电量的安全电量，α₁＝1％，α₂＝3％，α₃＝5％。

4.根据权利要求2所述的一种智能网联环境下的智能车辆路径诱导方法，其特征在于，所述设定的充电电量阈值用于界定充电时间分级，β₁＝70％，β₂＝80％，β₃＝100％，β₁、β₂为充电电量分级阈值，β₃为充电电量满电阈值。

5.根据权利要求2所述的一种智能网联环境下的智能车辆路径诱导方法，其特征在于，所述S2中，单位电能所需可变充电时间t_i2包括

和

在电量达到对应的充电电量分级阈值之前的电能所需可变充电时间为

在电量达到对应的充电电量分级阈值之后继续充电的电能所需可变充电时间为

小于

如果节点i没有充电桩，则t_i1、

和

均为0。

6.根据权利要求1所述的一种智能网联环境下的智能车辆路径诱导方法，其特征在于，所述最小化总行程时间的目标函数见式(2)：

式中，a为网络中路段，A为网络路段集合；t_a(v_a)为路段a所需的行驶时间，即

其中

为路段a流量为零时的出行时间，v_a为路段a上的流量，c_a代表路段a的容量，δ_a是决策变量，表示经过路段a则等于1，否则为0；i为网络节点；N为网络节点集合；r_i表示BEV是否在节点i充电，r_i∈{0,1}

7.根据权利要求1所述的一种智能网联环境下的智能车辆路径诱导方法，其特征在于，所述路网相关特征信息包括：选定的测试路网、起讫节点、OD需求、路段通行能力、路段距离、充电桩布设位置。

8.一种智能网联环境下的智能车辆路径诱导系统，其特征在于，采用如权利要求1-7任一项所述的一种智能网联环境下的智能车辆路径诱导方法，包括：

数据采集模块，用于获取路网相关特征信息；

数据分析模块，用于建立线性充电时间函数，计算智能车辆充电时间，然后通过安全电量建立阈值和充电电量阈值组合判断机制，得到每条路径的最优阈值组合，建立最小化总行程时间目标函数，求解并对比，得到诱导路径；

交互模块，用于将诱导路径交互至可视化模块；

可视化模块，用于向用户展示诱导路径和路况信息，从而为用户提供最优行驶路径。

9.一种智能网联环境下的智能车辆路径诱导设备，其特征在于，包括：

存储器，用于存储可由处理器执行的指令；以及

处理器，用于执行所述指令以实现如权利要求1至7任一项所述的智能网联环境下的智能车辆路径诱导方法。

10.一种存储有计算机程序代码的计算机可读介质，所述计算机程序代码在由处理器执行时实现如权利要求1至7任一项所述的智能网联环境下的智能车辆路径诱导方法。

Images