CN113505912A - 基于路网信息与计算资源补偿的电动汽车充电规划方法 - Google Patents

基于路网信息与计算资源补偿的电动汽车充电规划方法 Download PDF

Info

Publication number
CN113505912A
CN113505912A CN202110650052.3A CN202110650052A CN113505912A CN 113505912 A CN113505912 A CN 113505912A CN 202110650052 A CN202110650052 A CN 202110650052A CN 113505912 A CN113505912 A CN 113505912A
Authority
CN
China
Prior art keywords
charging
charging station
time
formula
road
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110650052.3A
Other languages
English (en)
Other versions
CN113505912B (zh
Inventor
李浩宇
杨超
刘佰传
梁国铭
林继旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202110650052.3A priority Critical patent/CN113505912B/zh
Publication of CN113505912A publication Critical patent/CN113505912A/zh
Application granted granted Critical
Publication of CN113505912B publication Critical patent/CN113505912B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Finance (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了基于路网信息与计算资源补偿的电动汽车充电规划方法，包括步骤：在起始地输入充电请求和目的地；计算出起始地到目的地的最短路径；遍历计算得出的最短路径上的所有充电站，计算每个充电站的计算资源价格和得出到达每个充电站后是否需要等待、电力价格的信息；切合当时情况，有选择地将起始地、对电动汽车进行充电的充电站以及电动汽车经过的路途中拥堵的点作为决策点，结合计算得到的信息以及预先设置的决策时间阈值进行寻优，寻找下一个最优的充电站；不断循环上一步骤，直到电动汽车到达下一个最优的充电站前到达目的地时。本发明能快速高效地获得电能补给，合理分配充电时间来避免道路拥堵，尽量减少充电成本。

Description

基于路网信息与计算资源补偿的电动汽车充电规划方法
技术领域
本发明涉及电动汽车充电规划的技术领域，尤其涉及到基于路网信息与计算资源补偿的电动汽车充电规划方法。
背景技术
随着电动汽车技术的不断发展，越来越多用户选择电动汽车作为代步车。目前，电动汽车所要解决的问题是如何快速高效地获得电能补给、合理分配充电时间来避免道路拥堵、尽量减少充电成本(包括时间成本)。
而随着当前物联网设备智能化技术的快速发展，单位时间内智能化设备所需接收与传输的任务数据量显著提高，海量数据传输到云端处理会导致任务时延不满足要求，所以伴随而来的问题就是所需要的本地化计算资源的算力要求越来越高，例如RSU(RoadSide Unit)以及BS(Base Station)提供的算力。但是大规模的改善上述设备算力的成本太高，因此可以把目光转向物联网内的一些辅助设备。随着一系列辅助驾驶、自动驾驶技术的等应用的普及，现代汽车的行车电脑算力也在大大的提升，其中的电动汽车就是新一代智能汽车的代表。
若电动汽车充电时合理的利用行车电脑的计算资源，就能有效减少本地计算压力，同时，电动车车主也可以获得相应的回报来减少充电的费用开支。
发明内容
本发明的目的在于克服现有技术的不足，提供一种能快速高效地获得电能补给、合理分配充电时间来避免道路拥堵、尽量减少充电成本的基于路网信息与计算资源补偿的电动汽车充电规划方法。
为实现上述目的，本发明所提供的技术方案为：
基于路网信息与计算资源补偿的电动汽车充电规划方法，使得电动汽车在全程合理分配充电时间来避免道路拥堵并且可以在某几个充电站通过出售计算资源来获得回报，使得全程的总成本最小，包括时间成本。
方法包括以下步骤：
S1、在起始地输入充电请求和目的地，其中现时所处位置为起始地；
S2、在电动汽车剩余电量可满足从起始地到达路径上首个充电站的情况下，计算出起始地到目的地、包括有N个充电站的最短路径；
S3、遍历步骤S2计算得出的最短路径上的所有充电站，计算每个充电站的计算资源价格和得出到达每个充电站后是否需要等待、电力价格的信息；
S4、切合当时情况，有选择地将起始地、对电动汽车进行充电的充电站以及电动汽车经过的路途中拥堵的点作为决策点，结合步骤S3计算得到的信息以及预先设置的决策时间阈值进行寻优，寻找下一个最优的充电站；
S5、不断循环步骤S4，直到电动汽车到达下一个最优的充电站前到达目的地时。
进一步地，所述步骤S2中，采用A*算法计算出起始地到目的地、包括有N个充电站的最短路径，并将
Figure BDA0003110789330000021
加入到路径的约束条件中，保证在产生的路径当中，车辆的剩余电量可满足到达路径上首个充电站的电力需求；
上式中，
Figure BDA0003110789330000022
表示电动汽车在起始地时的剩余电量，α表示电动汽车电量的裕值系数，
Figure BDA0003110789330000023
表示电动汽车到达下一个充电站所需要的电量。
进一步地，所述步骤S4的具体过程如下：
S4-1、电动汽车处在起始地时，起始地作为决策点，通过DQN/Q-learning算法进行寻优，得到下一个最优的充电站；
S4-2、电动汽车到达下一个最优的充电站，并进行充电的过程中，当充电时间Tc大于预先设置的决策时间阈值Tre时，进入步骤S4-3，否则继续进行充电；
S4-3、判断现时所进行充电的次数是否为大于最大充电次数n，若是，则从现时充电站所在地直达目的地，否则进入步骤S4-4；
S4-4、判断下一段到达下一个充电站的路程是否拥堵严重且在电动汽车充满电后仍然会拥堵，即是否
Figure BDA0003110789330000031
其中
Figure BDA0003110789330000032
表示一个拥堵可接受系数，每个用户都拥有一个独立的值；
Figure BDA0003110789330000033
表示电动汽车从第i个充电站到第i+1个充电站的行驶预测时间；
Figure BDA0003110789330000034
表示不堵车情况下电动汽车从第i个充电站到第i+1个充电站所花费的平均时间；若是，则返回步骤S1，否则进入步骤S4-5；
S4-5、电动汽车现时所处的充电站作为决策点，再次通过DQN/Q-l earn i ng算法进行寻优，得到下一个最优的充电站；
S4-6、在电动汽车行驶过去步骤S4-5得到的下一个最优的充电站的过程中，若出现拥堵，则将拥堵的点作为决策点，寻找下一个能离开拥堵路段最近的充电站；否则直接去到下一个最优的充电站。
进一步地，通过DQN/Q-l earn i ng算法进行寻优，得到下一个最优的充电站，具体包括：
电动汽车走完全程的总成本由等待时间、道路行驶时间、充电时间，道路上能量耗费，充电费用组成，通过各自独立的系数使它们转换为可量化的变量，目标函数为最小化总成本，即总成本减去通过出售计算资源所获得的回报，公式及约束如下：
目标函数：
Figure BDA0003110789330000035
Figure BDA0003110789330000041
Figure BDA0003110789330000042
Figure BDA0003110789330000043
Figure BDA0003110789330000044
Figure BDA0003110789330000045
Figure BDA0003110789330000046
Figure BDA0003110789330000047
Figure BDA0003110789330000048
Figure BDA0003110789330000049
Figure BDA00031107893300000410
Figure BDA00031107893300000411
Figure BDA00031107893300000412
Figure BDA00031107893300000413
Figure BDA00031107893300000414
Figure BDA00031107893300000415
∑yi≤n (17)
Figure BDA00031107893300000416
目标函数中，π1表示时间成本转换系数，π2表示道路行驶成本转换系数；
式(1)中，
Figure BDA0003110789330000051
表示总的等待时间；
式(2)中，
Figure BDA0003110789330000052
表示每个充电站的等待时间，由充电前的等待时间和完成充电后继续提供计算资源的时间组成；
式(3)中，
Figure BDA0003110789330000053
表示充电前的等待时间，当道路有拥堵时，不考虑充电站等待充电桩的时间，其余情况下要考虑充电站的等待时间；
式(4)中，
Figure BDA0003110789330000054
表示汽车完成充电时的等待时间，这段时间用来提供计算资源来获得收益；
式(5)中，
Figure BDA0003110789330000055
表示总的充电时间，
Figure BDA0003110789330000056
为第i个充电站的充电时间；
式(6)中，Tre表示决策时间阈值，yi为0，1变量；
式(7)中，
Figure BDA0003110789330000057
表示总的道路行驶时间，每条道路的行驶时间由该条道路的距离除以平均速度来表示；
式(8)中，
Figure BDA0003110789330000058
表示第i条道路的平均行驶时间，va为通过该道路时的平均速度；
式(9)中，
Figure BDA0003110789330000059
表示第i条道路的行驶时间的预测值，β表示拥堵系数；
式(10)中，
Figure BDA00031107893300000510
表示总的充电费用，即电动汽车从第一个充电站到第k个充电站的总花费；
Figure BDA00031107893300000511
表示电动汽车在第i个充电站结束充电时的剩余电量，
Figure BDA00031107893300000512
表示电动汽车在第i个充电站开始充电时的剩余电量，Emax表示电动汽车电池最大容量；
Figure BDA00031107893300000513
表示电动汽车在第i个充电站开始充电时的电力价格；
式(11)中，
Figure BDA00031107893300000514
表示电动汽车在每个充电站提供的平均计算资源，μt表示电动汽车在t时刻多余的计算济源比例，Cs指电动汽车总的计算资源；
式(12)中，
Figure BDA00031107893300000515
指电动汽车在第i个充电站通过出售计算资源获得到的平均计算资源价格，τ表示该充电站附近BS需要计算资源的程度，当该充电站附近BS不需要计算资源时τ＝0，Cneed为该BS需要的计算资源总量，pbasic为基本计算资源价格；
式(13)中，Rtotal表示电动汽车全程通过提供计算资源所收到的总回报；
式(14)中，Ctotal表示电动汽车全程提供的总计算资源；
式(15)中，
Figure BDA0003110789330000061
表示汽车走完路径Px所消耗的总能量，ε表示每公里电动汽车的电池消耗量，
Figure BDA0003110789330000062
表示平均电量的价格，di表示电动汽车行驶的第i条道路的距离；Px＝(V0，R0，V1，R1，V2，……，Vi，Ri，……，Rn，Vn)，其中V0，Vn分别表示起始地和目的地，V1至Vn-1表示最短路径中的充电站，Ri指第i个充电站到第i+1个充电站的路程距离；
式(16)中，yi为0，1变量，当车辆选择第i个充电站时yi为1，否则为0
式(17)中，n为最大充电次数；
式(18)中，
Figure BDA0003110789330000063
表示车辆在第i个充电站结束充电时的剩余电量，
Figure BDA0003110789330000064
为在第i+1个充电站开始充电时的电量，α表示裕度系数，该式子保证电动汽车在达到下一个充电站时电池电量仍然有裕度；
以最小化总成本为目标函数，若在决策时选择下一个充电站进行充电，则以到达下一充电站的距离为奖励，距离越短，奖励值相应越大；若选择在此继续充电，则以在此充电站的停留时间为准，时间越长奖励越值大：若偏离路线则给一个负奖励；目标为使得累积奖励最大化。
与现有技术相比，本方案原理及优点如下：
对于电动汽车车主来说，充电费用为第一大日常用车支出，为此，本方案站在电动汽车用户角度来考虑，合理利用用户充电时间来为充电站附近的基础设施提供自身多余的计算资源来获得回报，电动汽车车主既可以减轻基础设施计算资源短缺的压力又可以利用空闲资源来抵消部分充电费用。除此之外，加入了路程时间预测，按照每个车主可接受的拥堵程度设置一个独立系数，在车辆遇到拥堵情况时，寻找下一个能离开拥堵路段最近的充电站(总的成本函数中有一个时间成本，时间成本是占比比较大的一部分，把等待时间拿来充电会很大程度降低总成本)。
本方案能快速高效地获得电能补给，合理分配充电时间来避免道路拥堵，尽量减少充电成本。
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服务作简单地介绍，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为本发明基于路网信息与计算资源补偿的电动汽车充电规划方法的原理流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
由于要考虑充电站的选择、充电时间和道路行驶时间，并且充电时间较长，在电动汽车充电的时间段内，各个充电站附近的计算资源会发生变化，某地计算资源的需求量与出发时会产生较大差异，因此从一开始就规划全部行程所得的最终结果会偏离最优解，若是一开始就规划好电动汽车从起始地到目的地所要选择的充电站和在每个充电站的充电时间，是不太现实的，这需要大量的先验知识去预测某些特定的场所会在某些特定的时间段需要计算资源。例如商场、医院、车站、机场周边充电站在高峰段期时间段需要计算资源，但是预测量的准确度难以保证，且充电导航的规划越长，产生的不确定性就会越多。除此之外，如果路径中的每个时隙都寻找最优决策的话，会导致在车辆端的目的充电站在一段时间内会不断发生变化，这样不符合车主用车习惯和充电习惯，因此假定在一段时间内目标充电站所需计算资源需求量不会变，并设定一个固定的时间间隔来进行寻优。
如图1所示，基于路网信息与计算资源补偿的电动汽车充电规划方法，具体包括以下步骤：
S1、在起始地输入充电请求和目的地，其中现时所处位置为起始地；
S2、采用A*算法计算出起始地到目的地、包括有N个充电站的最短路径，并将
Figure BDA0003110789330000081
加入到路径的约束条件中，保证在产生的路径当中，车辆的剩余电量可满足到达路径上首个充电站的电力需求；
上式中，
Figure BDA0003110789330000082
表示电动汽车在起始地时的剩余电量，α表示电动汽车电量的裕值系数，
Figure BDA0003110789330000083
表示电动汽车到达下一个充电站所需要的电量；
S3、遍历步骤S2计算得出的最短路径上的所有充电站，计算每个充电站的计算资源价格和得出到达每个充电站后是否需要等待、电力价格的信息；
S4、切合当时情况，有选择地将起始地、对电动汽车进行充电的充电站以及电动汽车经过的路途中拥堵的点作为决策点，结合步骤S3计算得到的信息以及预先设置的决策时间阈值进行寻优，寻找下一个最优的充电站；
本步骤的具体过程如下：
S4-1、电动汽车处在起始地时，起始地作为决策点，通过DQN/Q-learning算法进行寻优，得到下一个最优的充电站；
S4-2、电动汽车到达下一个最优的充电站，并进行充电的过程中，当充电时间Tc大于预先设置的决策时间阈值Tre时，进入步骤S4-3，否则继续进行充电；
S4-3、判断现时所进行充电次数是否为大于最大充电次数n，若是，则从现时充电站所在地直达目的地，否则进入步骤S4-4；
S4-4、判断下一段到达下一个充电站的路程是否拥堵严重且在电动汽车充满电后仍然会拥堵，即是否
Figure BDA0003110789330000084
其中
Figure BDA0003110789330000085
表示一个拥堵可接受系数，每个用户都拥有一个独立的值；
Figure BDA0003110789330000086
表示电动汽车从第i个充电站到第i+1个充电站的行驶预测时间；
Figure BDA0003110789330000087
表示不堵车情况下电动汽车从第i个充电站到第i+1个充电站所花费的平均时间；若是，则返回步骤S1，否则进入步骤S4-5；
S4-5、电动汽车现时所处的充电站作为决策点，再次通过DQN/Q-l earn i ng算法进行寻优，得到下一个最优的充电站；
S4-6、在电动汽车行驶过去步骤S4-5得到的下一个最优的充电站的过程中，若出现拥堵，则将拥堵的点作为决策点，寻找下一个能离开拥堵路段最近的充电站；否则直接去到下一个最优的充电站。
上述中，通过DQN/Q-l earn i ng算法进行寻优，得到下一个最优的充电站，具体包括：
电动汽车走完全程的总成本由等待时间、道路行驶时间、充电时间，道路上能量耗费，充电费用组成，通过各自独立的系数使它们转换为可量化的变量，目标函数为最小化总成本，即总成本减去通过出售计算资源所获得的回报，公式及约束如下：
目标函数：
Figure BDA0003110789330000091
Figure BDA0003110789330000092
Figure BDA0003110789330000093
Figure BDA0003110789330000094
Figure BDA0003110789330000095
Figure BDA0003110789330000096
Figure BDA0003110789330000101
Figure BDA0003110789330000102
Figure BDA0003110789330000103
Figure BDA0003110789330000104
Figure BDA0003110789330000105
Figure BDA0003110789330000106
Figure BDA0003110789330000107
Figure BDA0003110789330000108
Figure BDA0003110789330000109
Figure BDA00031107893300001010
∑yi≤n (17)
Figure BDA00031107893300001011
目标函数中，π1表示时间成本转换系数，π2表示道路行驶成本转换系数；
式(1)中，
Figure BDA00031107893300001012
表示总的等待时间；
式(2)中，
Figure BDA00031107893300001013
表示每个充电站的等待时间，由充电前的等待时间和完成充电后继续提供计算资源的时间组成；
式(3)中，
Figure BDA00031107893300001014
表示充电前的等待时间，当道路有拥堵时，不考虑充电站等待充电桩的时间，其余情况下要考虑充电站的等待时间；
式(4)中，
Figure BDA00031107893300001015
表示汽车完成充电时的等待时间，这段时间用来提供计算资源来获得收益；
式(5)中，
Figure BDA0003110789330000111
表示总的充电时间，
Figure BDA0003110789330000112
为第i个充电站的充电时间；
式(6)中，Tre表示决策时间阈值，yf为0，1变量；
式(7)中，
Figure BDA0003110789330000113
表示总的道路行驶时间，每条道路的行驶时间由该条道路的距离除以平均速度来表示；
式(8)中，
Figure BDA0003110789330000114
表示第i条道路的平均行驶时间，va为通过该道路时的平均速度；
式(9)中，
Figure BDA0003110789330000115
表示第i条道路的行驶时间的预测值，β表示拥堵系数；
式(10)中，
Figure BDA0003110789330000116
表示总的充电费用，即电动汽车从第一个充电站到第k个充电站的总花费；
Figure BDA0003110789330000117
表示电动汽车在第i个充电站结束充电时的剩余电量，
Figure BDA0003110789330000118
表示电动汽车在第i个充电站开始充电时的剩余电量，Emax表示电动汽车电池最大容量；
Figure BDA0003110789330000119
表示电动汽车在第i个充电站开始充电时的电力价格；
式(11)中，
Figure BDA00031107893300001110
表示电动汽车在每个充电站提供的平均计算资源，μt表示电动汽车在t时刻多余的计算济源比例，Cs指电动汽车总的计算资源；
式(12)中，
Figure BDA00031107893300001111
指电动汽车在第i个充电站通过出售计算资源获得到的平均计算资源价格，τ表示该充电站附近BS需要计算资源的程度，当该充电站附近BS不需要计算资源时τ＝0，Cneed为该BS需要的计算资源总量，pbasic为基本计算资源价格；
式(13)中，Rtotal表示电动汽车全程通过提供计算资源所收到的总回报；
式(14)中，Ctotal表示电动汽车全程提供的总计算资源；
式(15)中，
Figure BDA00031107893300001112
表示汽车走完路径Px所消耗的总能量，ε表示每公里电动汽车的电池消耗量，
Figure BDA00031107893300001113
表示平均电量的价格，di表示电动汽车行驶的第i条道路的距离；Px＝(V0，R0，V1，R1，V2，……，Vi，Ri，……，Rn，Vn)，其中V0，Vn分别表示起始地和目的地，V1至Vn-1表示最短路径中的充电站，Ri指第i个充电站到第i+1个充电站的路程距离；
式(16)中，yi为0，1变量，当车辆选择第i个充电站时yi为1，否则为0式(17)中，n为最大充电次数；
式(18)中，
Figure BDA0003110789330000121
表示车辆在第i个充电站结束充电时的剩余电量，
Figure BDA0003110789330000122
为在第i+1个充电站开始充电时的电量，α表示裕度系数,该式子保证电动汽车在达到下一个充电站时电池电量仍然有裕度；
以最小化总成本为目标函数，若在决策时选择下一个充电站进行充电，则以到达下一充电站的距离为奖励，距离越短，奖励值相应越大；若选择在此继续充电，则以在此充电站的停留时间为准，时间越长奖励越值大：若偏离路线则给一个负奖励；目标为使得累积奖励最大化。
S5、不断循环步骤S4，直到电动汽车到达下一个最优的充电站前到达目的地时。
本实施例站在电动汽车用户角度来考虑，合理利用用户充电时间来为充电站附近的基础设施提供自身多余的计算资源来获得回报，电动汽车车主既可以减轻基础设施计算资源短缺的压力又可以利用空闲资源来抵消部分充电费用。除此之外，加入了路程时间预测，按照每个车主可接受的拥堵程度设置一个独立系数，在车辆遇到拥堵情况时，寻找下一个能离开拥堵路段最近的充电站(总的成本函数中有一个时间成本，时间成本是占比比较大的一部分，把等待时间拿来充电会很大程度降低总成本)。本实施例能快速高效地获得电能补给，合理分配充电时间来避免道路拥堵，尽量减少充电成本。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (4)

1.基于路网信息与计算资源补偿的电动汽车充电规划方法，其特征在于，包括以下步骤：
S1、在起始地输入充电请求和目的地，其中现时所处位置为起始地；
S2、在电动汽车剩余电量可满足从起始地到达路径上首个充电站的情况下，计算出起始地到目的地、包括有N个充电站的最短路径；
S3、遍历步骤S2计算得出的最短路径上的所有充电站，计算每个充电站的计算资源价格和得出到达每个充电站后是否需要等待、电力价格的信息；
S4、切合当时情况，有选择地将起始地、对电动汽车进行充电的充电站以及电动汽车经过的路途中拥堵的点作为决策点，结合步骤S3计算得到的信息以及预先设置的决策时间阈值进行寻优，寻找下一个最优的充电站；
S5、不断循环步骤S4，直到电动汽车到达下一个最优的充电站前到达目的地时。
2.根据权利要求1所述的基于路网信息与计算资源补偿的电动汽车充电规划方法，其特征在于，所述步骤S2中，采用A*算法计算出起始地到目的地、包括有N个充电站的最短路径，并将
Figure FDA0003110789320000011
加入到路径的约束条件中，保证在产生的路径当中，车辆的剩余电量可满足到达路径上首个充电站的电力需求；
上式中，
Figure FDA0003110789320000012
表示电动汽车在起始地时的剩余电量，α表示电动汽车电量的裕值系数，
Figure FDA0003110789320000013
表示电动汽车到达下一个充电站所需要的电量。
3.根据权利要求1所述的基于路网信息与计算资源补偿的电动汽车充电规划方法，其特征在于，所述步骤S4的具体过程如下：
S4-1、电动汽车处在起始地时，起始地作为决策点，通过DQN/Q-learning算法进行寻优，得到下一个最优的充电站；
S4-2、电动汽车到达下一个最优的充电站，并进行充电的过程中，当充电时间Tc大于预先设置的决策时间阈值Tre时，进入步骤S4-3，否则继续进行充电；
S4-3、判断现时进行充电的次数是否大于最大充电次数n，若是，则从现时充电站所在地直达目的地，否则进入步骤S4-4；
S4-4、判断下一段到达下一个充电站的路程是否拥堵严重且在电动汽车充满电后仍然会拥堵，即是否
Figure FDA0003110789320000021
其中
Figure FDA0003110789320000022
表示一个拥堵可接受系数，每个用户都拥有一个独立的值；
Figure FDA0003110789320000023
表示电动汽车从第i个充电站到第i+1个充电站的行驶预测时间；
Figure FDA0003110789320000024
表示不堵车情况下电动汽车从第i个充电站到第i+1个充电站所花费的平均时间；若是，则返回步骤S1，否则进入步骤S4-5；
S4-5、电动汽车现时所处的充电站作为决策点，再次通过DQN/Q-learning算法进行寻优，得到下一个最优的充电站；
S4-6、在电动汽车行驶过去步骤S4-5得到的下一个最优的充电站的过程中，若出现拥堵，则将拥堵的点作为决策点，寻找下一个能离开拥堵路段最近的充电站；否则直接去到下一个最优的充电站。
4.根据权利要求3所述的基于路网信息与计算资源补偿的电动汽车充电规划方法，其特征在于，通过DQN/Q-learning算法进行寻优，得到下一个最优的充电站，具体包括：
电动汽车走完全程的总成本由等待时间、道路行驶时间、充电时间，道路上能量耗费，充电费用组成，通过各自独立的系数使它们转换为可量化的变量，目标函数为最小化总成本，即总成本减去通过出售计算资源所获得的回报，公式及约束如下：
目标函数：
Figure FDA0003110789320000025
Figure FDA0003110789320000031
Figure FDA0003110789320000032
Figure FDA0003110789320000033
Figure FDA0003110789320000034
Figure FDA0003110789320000035
Figure FDA0003110789320000036
Figure FDA0003110789320000037
Figure FDA0003110789320000038
Figure FDA0003110789320000039
Figure FDA00031107893200000310
Figure FDA00031107893200000311
Figure FDA00031107893200000312
Figure FDA00031107893200000313
Figure FDA00031107893200000314
Figure FDA00031107893200000315
∑yi≤n (17)
Figure FDA00031107893200000316
目标函数中，π1表示时间成本转换系数，π2表示道路行驶成本转换系数；
式(1)中，
Figure FDA0003110789320000041
表示总的等待时间；
式(2)中，
Figure FDA0003110789320000042
表示每个充电站的等待时间，由充电前的等待时间和完成充电后继续提供计算资源的时间组成；
式(3)中，
Figure FDA0003110789320000043
表示充电前的等待时间，当道路有拥堵时，不考虑充电站等待充电桩的时间，其余情况下要考虑充电站的等待时间；
式(4)中，
Figure FDA0003110789320000044
表示汽车完成充电时的等待时间，这段时间用来提供计算资源来获得收益；
式(5)中，
Figure FDA0003110789320000045
表示总的充电时间，
Figure FDA0003110789320000046
为第i个充电站的充电时间；
式(6)中，Tre表示决策时间阈值，yi为0，1变量；
式(7)中，
Figure FDA0003110789320000047
表示总的道路行驶时间，每条道路的行驶时间由该条道路的距离除以平均速度来表示；
式(8)中，
Figure FDA0003110789320000048
表示第i条道路的平均行驶时间，va为通过该道路时的平均速度；
式(9)中，
Figure FDA0003110789320000049
表示第i条道路的行驶时间的预测值，β表示拥堵系数；
式(10)中，
Figure FDA00031107893200000410
表示总的充电费用，即电动汽车从第一个充电站到第k个充电站的总花费；
Figure FDA00031107893200000411
表示电动汽车在第i个充电站结束充电时的剩余电量，
Figure FDA00031107893200000412
表示电动汽车在第i个充电站开始充电时的剩余电量，Emax表示电动汽车电池最大容量；
Figure FDA00031107893200000413
表示电动汽车在第i个充电站开始充电时的电力价格；
式(11)中，
Figure FDA00031107893200000414
表示电动汽车在每个充电站提供的平均计算资源，μt表示电动汽车在t时刻多余的计算济源比例，Cs指电动汽车总的计算资源；
式(12)中，
Figure FDA00031107893200000415
指电动汽车在第i个充电站通过出售计算资源获得到的平均计算资源价格，τ表示该充电站附近BS需要计算资源的程度，当该充电站附近BS不需要计算资源时τ＝0，Cneed为该BS需要的计算资源总量，pbasic为基本计算资源价格；
式(13)中，Rtotal表示电动汽车全程通过提供计算资源所收到的总回报；
式(14)中，Ctotal表示电动汽车全程提供的总计算资源；
式(15)中，
Figure FDA0003110789320000051
表示汽车走完路径Px所消耗的总能量，ε表示每公里电动汽车的电池消耗量，
Figure FDA0003110789320000052
表示平均电量的价格，di表示电动汽车行驶的第i条道路的距离；Px＝(V0，R0，V1，R1，V2，……，Vi，Ri，……，Rn，Vn)，其中V0，Vn分别表示起始地和目的地，V1至Vn-1表示最短路径中的充电站，Ri指第i个充电站到第i+1个充电站的路程距离；
式(16)中，yi为0，1变量，当车辆选择第i个充电站时yi为1，否则为0
式(17)中，n为最大充电次数；
式(18)中，
Figure FDA0003110789320000053
表示车辆在第i个充电站结束充电时的剩余电量，
Figure FDA0003110789320000054
为在第i+1个充电站开始充电时的电量，α表示裕度系数，该式子保证电动汽车在达到下一个充电站时电池电量仍然有裕度；
以最小化总成本为目标函数，若在决策时选择下一个充电站进行充电，则以到达下一充电站的距离为奖励，距离越短，奖励值相应越大；若选择在此继续充电，则以在此充电站的停留时间为准，时间越长奖励越值大：若偏离路线则给一个负奖励；目标为使得累积奖励最大化。
CN202110650052.3A 2021-06-10 2021-06-10 基于路网信息与计算资源补偿的电动汽车充电规划方法 Active CN113505912B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110650052.3A CN113505912B (zh) 2021-06-10 2021-06-10 基于路网信息与计算资源补偿的电动汽车充电规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110650052.3A CN113505912B (zh) 2021-06-10 2021-06-10 基于路网信息与计算资源补偿的电动汽车充电规划方法

Publications (2)

Publication Number Publication Date
CN113505912A true CN113505912A (zh) 2021-10-15
CN113505912B CN113505912B (zh) 2023-08-25

Family

ID=78010201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110650052.3A Active CN113505912B (zh) 2021-06-10 2021-06-10 基于路网信息与计算资源补偿的电动汽车充电规划方法

Country Status (1)

Country Link
CN (1) CN113505912B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936666A (zh) * 2022-03-24 2022-08-23 国网河北省电力有限公司营销服务中心 基于车-站-平台系统的电动汽车充电导航方法及系统
CN114936666B (zh) * 2022-03-24 2024-05-10 国网河北省电力有限公司营销服务中心 基于车-站-平台系统的电动汽车充电导航方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011096610A1 (ko) * 2010-02-03 2011-08-11 한국과학기술원 전기차 충전 시스템 및 그 제공방법
CN105844432A (zh) * 2016-05-01 2016-08-10 上海大学 基于vanet的电动汽车充电调度系统及方法
US20190107406A1 (en) * 2017-10-09 2019-04-11 Nio Usa, Inc. Systems and methods for trip planning under uncertainty
CN109693576A (zh) * 2019-01-10 2019-04-30 浙江工业大学 一种基于模拟退火算法的电动汽车充电调度优化方法
CN110174117A (zh) * 2019-05-29 2019-08-27 国网浙江电动汽车服务有限公司 一种电动汽车充电路线规划方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011096610A1 (ko) * 2010-02-03 2011-08-11 한국과학기술원 전기차 충전 시스템 및 그 제공방법
CN105844432A (zh) * 2016-05-01 2016-08-10 上海大学 基于vanet的电动汽车充电调度系统及方法
US20190107406A1 (en) * 2017-10-09 2019-04-11 Nio Usa, Inc. Systems and methods for trip planning under uncertainty
CN109693576A (zh) * 2019-01-10 2019-04-30 浙江工业大学 一种基于模拟退火算法的电动汽车充电调度优化方法
CN110174117A (zh) * 2019-05-29 2019-08-27 国网浙江电动汽车服务有限公司 一种电动汽车充电路线规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘梦悦;周力;李炜;芮世昊;: "基于隐马尔科夫模型的电动汽车充电优化", 洛阳理工学院学报(自然科学版), no. 01, pages 66 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936666A (zh) * 2022-03-24 2022-08-23 国网河北省电力有限公司营销服务中心 基于车-站-平台系统的电动汽车充电导航方法及系统
CN114936666B (zh) * 2022-03-24 2024-05-10 国网河北省电力有限公司营销服务中心 基于车-站-平台系统的电动汽车充电导航方法及系统

Also Published As

Publication number Publication date
CN113505912B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN111291920B (zh) 一种考虑多因素多场景的电动汽车充电站推荐方法
CN109177802B (zh) 一种基于无线通信的电动汽车有序充电系统及其方法
CN106447129B (zh) 一种基于快速充电桩的高效率的充电站推荐方法
US9090255B2 (en) Hybrid vehicle fuel efficiency using inverse reinforcement learning
CN112193116B (zh) 一种考虑奖励机制的电动汽车充电优化引导策略
CN112330013B (zh) 一种基于动态路-电耦合网络的电动汽车充电引导和定价方法
CN110458456B (zh) 基于人工智能的需求响应式公交系统的调度方法及系统
CN108922169B (zh) 停车共享环境下基于均衡理论的差异化收费策略方法
CN111267667B (zh) 一种电动汽车高速公路智能充电方法及系统
CN111891130B (zh) 一种车辆运行方法和装置
JP4983413B2 (ja) 動力源補給制御装置、動力源補給制御方法および動力源補給制御プログラム
CN110414750A (zh) 一种基于深度增强学习的电动汽车实时充电站选择方法
CN111754686B (zh) 一种高速路智慧灯杆的充电方法、装置和系统
CN108133329B (zh) 考虑充电反馈效应的电动汽车出行与充电需求分析方法
Ma et al. Time-dependent vehicle routing problem with departure time and speed optimization for shared autonomous electric vehicle service
JP7291252B2 (ja) 処理ルート情報
CN115423168A (zh) 一种考虑服务稳定性的定制公交路网优化方法及系统
CN115130779A (zh) 一种基于移动充电桩的智能调度方法
CN112465222B (zh) 一种基于充电站服务水平预测的最佳充电站选择方法
CN113505912A (zh) 基于路网信息与计算资源补偿的电动汽车充电规划方法
CN113029176A (zh) 面向多层级体验的电动汽车最优充电路径规划方法
JP2020038707A (ja) 充電量算出装置
CN113837452B (zh) 一种面向水下无线传感器网络的移动充电路径规划方法
CN115359646A (zh) 一种基于车载终端的换电车辆调度方法及系统
CN113642796A (zh) 基于历史数据的动态共享电动自动驾驶车辆路径规划方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant