CN114936666B - 基于车-站-平台系统的电动汽车充电导航方法及系统 - Google Patents

基于车-站-平台系统的电动汽车充电导航方法及系统 Download PDF

Info

Publication number
CN114936666B
CN114936666B CN202210301845.9A CN202210301845A CN114936666B CN 114936666 B CN114936666 B CN 114936666B CN 202210301845 A CN202210301845 A CN 202210301845A CN 114936666 B CN114936666 B CN 114936666B
Authority
CN
China
Prior art keywords
charging
charged
cost
vehicle
charging station
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.)
Active
Application number
CN202210301845.9A
Other languages
English (en)
Other versions
CN114936666A (zh
Inventor
武光华
李宏胜
汪洋
胡嘉
陈博
郭世萍
马文建
廖菲
高菲
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Marketing Service Center of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Marketing Service Center of State Grid Hebei Electric Power Co Ltd
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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, Marketing Service Center of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210301845.9A priority Critical patent/CN114936666B/zh
Publication of CN114936666A publication Critical patent/CN114936666A/zh
Application granted granted Critical
Publication of CN114936666B publication Critical patent/CN114936666B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Navigation (AREA)

Abstract

本发明提供了基于车‑站‑平台系统的电动汽车充电导航方法及系统，包括：获取车‑站‑平台系统的电网参数和路网参数；基于所述电网参数和路网参数计算待充电汽车选择充电站的各子目标值；基于所述各子目标值和更新的路网参数采用最短路径算法对预先构建的规划模型进行求解，得到所述规划模型的最优解；由所述最优解对应的所述待充电汽车的行驶路径作为规划方案；其中，所述规划模型是基于待充电汽车发出需求响应至达到充电站的行驶距离、使用时长、充电费用和用户体验，结合依据用户喜好确定的权重系数构建而成。本发明协同考虑电动汽车、充电站、交通路网以及配电网之间的影响，使充电策略达到系统整体最优。

Description

基于车-站-平台系统的电动汽车充电导航方法及系统
技术领域
本发明涉及电力系统规划技术领域，具体涉及基于车-站-平台系统的电动汽车充电导航方法及系统。
背景技术
能源产业作为国民经济的基础产业，不仅是确保国家战略安全的必要前提，也是实现经济可持续发展的重要保障。全球化石能源存储量，按照传统的使用方式，预计2050年将全部开采完毕。随着新能源技术开发利用逐步成熟，电动汽车直接使用清洁能源为动力来源，减少石油使用量，有效缓解化石能源危机。另外，随着经济规模的扩大，对石油等传统能源的需求不断增大，能源安全问题刻不容缓，电动汽车规模化应用也是提高能源安全的有效途径。电动汽车车主在驾车行驶过程中，需要根据电池状态、交通状况、充电站位置分布及站内排队情况、充电电价等信息选择合适的充电路线。另外，电动汽车充电站服务水平的评估结果对电动汽车车主选择充电目的地也有着很大影响。因此，在电动汽车充电商业化服务中，为用户提供合理、经济的充电路线推荐策略是提高用户充电服务满意度的关键，能够给车主充电带来极大的便捷，进而可以推广电动汽车的使用。因此研究电动汽车充电路线推荐策略对于提高电动汽车充电服务具有重要意义。
合理的充电推荐路线方案是充电服务商提高车主满意度的关键，也是电动汽车互动服务的核心。从2015年开始，电动汽车的商业化充电服务出现了雏形，e充网、电桩等大型电动汽车充电服务商开发了基于电子地图的充电服务app，能够提供附近已建成充电桩/站的基本信息，引导车主沿最短距离路线行驶到选定充电地进行充电。然而现有的充电引导方案对时间花费仅限于路上耗时或充电排队等待时间耗时，未将两者都进行考虑，同时也未考虑不同充电站的服务电价不同，不同车主可能对通行距离、时间成本以及充电费用有不同的偏好。在未来电力市场竞争环境下，车主选择充电站服务时会重点参考其他车主对其享受充电服务的充电站的评价，而电动汽车兼具交通工具本体特征以及移动负荷特性，与电网和路网均存在紧密耦合关系，会同时受到电网运行状况和交通流量信息的交互影响。现有的充电引导方法只单纯的考虑电网系统或是路网系统进行独立研究，不能使充电策略达到系统整体最优。
发明内容
为了解决现有的充电引导方法只单纯的考虑电网系统或是路网系统进行独立研究，不能使充电策略达到系统整体最优的问题，本发明提出了基于车-站-平台系统的电动汽车充电导航方法，包括：
获取车-站-平台系统的电网参数和路网参数；
基于所述电网参数和路网参数计算待充电汽车选择充电站的各子目标值；
基于所述各子目标值和更新的路网参数采用最短路径算法对预先构建的规划模型进行求解，得到所述规划模型的最优解；
由所述最优解对应的所述待充电汽车的行驶路径作为规划方案；
其中，所述规划模型是基于待充电汽车发出需求响应至达到充电站的行驶距离、使用时长、充电费用和用户体验，结合依据用户喜好确定的权重系数构建而成。
优选的，所述规划模型的构建包括：
基于待充电汽车发出需求响应时的位置信息、剩余电量信息，以及所述待充电汽车的目的地，结合所述路网参数中的拥堵情况，计算所述待充电汽车由发出需求响应至到达充电站的行驶距离、使用时长和充电费用；
依据用户喜好分别给所述行驶距离、所述使用时长、所述充电费用和获取的用户体验，设定不同的权重系数；
将所述行驶距离、使用时长、充电费用和用户体验分别与对应的权重系数相乘，并求和得到规划模型。
优选的，所述规划模型如下式所示：
式中，Fi rs(X)为目标函数，为标准化后的连接起讫点r-s中所有路径中第k条路径的行程距离，其中r和s分别为待充电汽车发出需求响应的位置编号和选择的充电站的位置编号，λ1为/>的权重系数，/>为标准化后的连接起讫点r-s所有路径中第k条联通路径在路上的时间花费，λ2为/>的权重系数，/>为标准化后的连接起讫点r-s所有路径中第k条联通路径在路上的电量消耗费用，λ3为/>的权重系数，θs(X)为用户体验，λ4为θs(X)的权重系数，X表示饱和流率。
优选的，所述基于所述电网参数和路网参数计算待充电汽车选择充电站的各子目标值，包括：
基于待充电汽车发出需求响应时的位置信息和选择的充电站的位置信息，确定所述待充电汽车从发出充电需求响应时的位置到选择的充电站的位置的距离成本；
基于所述待充电汽车发出需求响应时间、位置，结合所述路网参数中的所述位置到达选择的充电站的路况拥堵情况，计算所述待充电汽车发出充电需求响应的时刻至到达选择的充电站并结束充电的时间成本；
基于所述电网参数中选择的充电站的充电费用、服务费用，以及停车费用，计算所述待充电汽车发出充电需求响应的时刻至到达选择的充电站并结束充电的费用成本；
其中，所述待充电汽车选择充电站的各子目标值包括距离成本、时间成本和费用成本。
优选的，所述距离成本按下述计算：
式中，Li(X)为距离成本，为连接起讫点r-s中所有路径中第k条路径的行程距离，其中r和s分别为待充电汽车发出需求响应的位置编号和选择的充电站的位置编号，为逻辑判断，k表示r-s中的第k条连通路径，a为路网中的路段，n为路网中路段总数，ra为路段a的长度。
优选的，所述时间成本按下述计算：
式中，Tk(X)为时间成本，ta是路段a的行驶时间，为选择目标充电站充电的排队等待时间，Bc为电动汽车充满电的电量，B0为开始准备规划充电路线时的初始电量，Ep为每公里耗电量，Ps为充电功率，ε为百分比。
优选的，所述费用成本按下式计算：
式中，Cs为目标充电站的充电电价，Pi(X)为费用成本，为连接起讫点r-s所有路径中第k条联通路径在路上的电量消耗费用。
优选的，所述基于所述各子目标值和更新的路网参数采用最短路径算法对预先构建的规划模型进行求解，得到所述规划模型的最优解，包括：
将所述各子目标值和用户体验进行无量纲化处理，得到标准化后的各子目标值；
基于用户的喜好对标准化后的各子目标值设定权重系数；
将所述标准化后的各子目标值和所述各子目标值对应的权重系数带入到所述规划模型中；
在规划路径中的路口处，基于更新后的所述路网参数、所述待充电汽车和充电站信息，再次计算各子目标值，并根据最短路径算法确定选择的充电站，调整规划路线，直至到达所述选择的充电站，得到所述规划模型的最优解。
优选的，所述根据最短路径算法确定选择的充电站，包括：
在路网参数中将路网中每条路段上的行程距离、行程时间和行驶电量成本进行归一化处理，得到一个时变的路段综合权值；
基于更新后的所述待充电汽车的位置和所述待充电汽车的目的地重新规划路径，得到新的路径方案；
基于所述时变的路段综合权值计算各新的路径规划方案对应的综合权值，从中选择所述综合权值最小值对应的充电站，作为当前时刻选择的充电站。
基于同一发明构思，本发明还提供了基于车-站-平台系统的电动汽车充电导航系统，包括：
参数获取模块，用于获取车-站-平台系统的电网参数和路网参数；
子目标计算模块，用于基于所述电网参数和路网参数计算待充电汽车选择充电站的各子目标值；
模型求解模块，用于基于所述各子目标值和更新的路网参数采用最短路径算法对预先构建的规划模型进行求解，得到所述规划模型的最优解；
规划模块，用于由所述最优解对应的所述待充电汽车的行驶路径作为规划方案；
其中，所述规划模型是基于待充电汽车发出需求响应至达到充电站的行驶距离、使用时长、充电费用和用户体验，结合依据用户喜好确定的权重系数构建而成。
与现有技术相比，本发明的有益效果为：
本发明提供了基于车-站-平台系统的电动汽车充电导航方法，包括：获取车-站-平台系统的电网参数和路网参数；基于所述电网参数和路网参数计算待充电汽车选择充电站的各子目标值；基于所述各子目标值和更新的路网参数采用最短路径算法对预先构建的规划模型进行求解，得到所述规划模型的最优解；由所述最优解对应的所述待充电汽车的行驶路径作为规划方案；其中，所述规划模型是基于待充电汽车发出需求响应至达到充电站的行驶距离、使用时长、充电费用和用户体验，结合依据用户喜好确定的权重系数构建而成。本发明协同考虑电动汽车、充电站、交通路网以及配电网之间的影响，使充电策略达到系统整体最优。
附图说明
图1为本发明的基于车-站-平台系统的电动汽车充电导航方法流程图；
图2为本发明的基于车-站-平台系统的电动汽车充电导航方法具体流程图；
图3为电动汽车充电结构图；
图4为车-站-平台系统架构图；
图5为电动汽车充电路径推荐服务系统图；
图6为路网拓扑结构和路网中的基本元素示意图；
图7为多服务台排队系统图；
图8为本发明的充电路线规划流程图。
具体实施方式
本发明提出了基于车-站-平台系统的电动汽车充电导航方法及系统，对前往充电站的行驶距离、充电的时间成本(路上行驶时间、在充电站的排队等待时间和充电时间)、充电费用、电动汽车充电站服务水平进行了综合考虑，并融合实时交通信息的电动汽车路径规划。
实施例1：
基于车-站-平台系统的电动汽车充电导航方法，如图1所示，包括：
步骤I：获取车-站-平台系统的电网参数和路网参数；
步骤II：基于所述电网参数和路网参数计算待充电汽车选择充电站的各子目标值；
步骤III：基于所述各子目标值和更新的路网参数采用最短路径算法对预先构建的规划模型进行求解，得到所述规划模型的最优解；
步骤IV：由所述最优解对应的所述待充电汽车的行驶路径作为规划方案；
其中，所述规划模型是基于待充电汽车发出需求响应至达到充电站的行驶距离、使用时长、充电费用和用户体验，结合依据用户喜好确定的权重系数构建而成。
步骤I中的获取车-站-平台系统的电网参数和路网参数，具体包括：
在步骤I之前还包括：
下面结合图2对本发明做详细介绍包括以下步骤：
步骤1：设计电动汽车、充电站和信息交互处理平台之间的整体架构及安全通信；
步骤2：基于电动汽车、用户、电动汽车充电站和交通路网等信息，设计充电路径推荐服务系统；
步骤3：结合交通路网、排队等待等因素，建立电动汽车多目标动态优化充电路线推荐策略模型；
在上述的基于车-站-平台系统的电动汽车充电导航方法中，步骤1的具体实现包括：
步骤1.1：对电动汽车充电选择优化策略过程进行分析。
用户在进行充电选择过程中，从宏观上来说，首先，用户产生充电需求时，信息交互处理平台通过通信技术与电动汽车建立安全连接，获得该用户的充电需求信息，然后请求访问并反馈区域内充电站的基本信息，最后，运用本文对于最佳充电选择策略的研究，经过平台处理得到充电选择结果并反馈给电动汽车，如图3所示。
第一部分为电动汽车，这里指需要充电的车辆，主要功能是获取车内电量信息、位置信息、车载终端的用户信息以及负责数据的安全传送。第二部分为信息交互处理，其中可以分为数据通信与选择决策——数据通信为电动汽车与信息交互处理平台、信息交互处理平台与充电站之间的信息传输；选择决策为电动汽车提供最佳充电选择。第三部分假设了充电站是在已建基础上，包含两种充电模式，拥有两种充电队列，且可以与信息交互处理平台进行数据通信。
步骤1.2：车-站-平台系统架构设计。
电动汽车与充电站之间通信需要通过信息交互处理平台(center ofinformation interaction processing，CIIP)进行处理，当用户在某一时刻产生充电需求时，通过移动网络通信将充电信息以二进制数据的格式传输到CIIP平台，然后CIIP平台请求并反馈充电站信息，之后通过CIIP平台的业务处理模块进行选择决策计算，最后CIIP平台将该用户的充电方案结果反馈到车载终端。其中，充电信息包含用户较为隐私、不可泄露的信息，比如用户的身份证号码，驾驶执照号码，用户的位置信息等，此类敏感信息一旦被攻击者截获，对方可以暴力破解得到用户的家庭住址、公司地址以及用户个人的银行账户等重要信息，严重威胁着用户的人身安全和财产安全。所以，确保用户的充电信息传输安全极为重要。
图4为车-站-平台的系统架构图，该系统主要由车载终端、信息交互处理平台、充电站以及受信任机构组成。
车载终端用于及时发送用户的充电请求，并且经过数据处理后，反馈平台所推荐的充电站。车载终端用于集成GIS系统和电量管理系统，GIS系统可在车载终端上得到当前位置信息，电量管理系统可获知当前车辆的电荷容量、当前电荷状态、目标电荷状态、当前速度等信息。用户信息管理主要用于该车辆的账号信息注册、登录、充电操作、充电站查询等功能。安全加密用于加密需要发送的数据信息以及证书和密钥的管理。
信息交互处理平台(CIIP平台)用于接受并反馈电动汽车的请求、决策处理以及访问充电站并反馈。其中包括网关安全、业务处理模块、数据库服务器，网关安全负责响应电动汽车的通信请求、结果反馈以及CIIP平台与充电站间的通信访问。业务处理模块负责当前充电请求的计算、更新充电站电价和充电情况记录。数据库服务器负责存储用户和车辆轨迹数据、充电站信息以及充电信息。
充电站用于提供充电服务，包括电价管理、电力管理、组网通信和实时交互，其中电价管理用于用户充电电价的更新和广播，电力管理用于该充电站基本运营用电以及业务用电的管理控制——具体为用户的充电管理控制。组网通信用于充电站与CIIP平台以及受信任机构通信。实时交互则用于电动汽车到站时与充电桩之间进行充电计费等活动。
受信任机构是为电动汽车与充电站发布数字证书与私钥的存储。
电动汽车的车载通信与CIIP平台之间通过无线通信网络方式进行，一般通过4G/5G通信网络传输数据，电动汽车与受信任机构之间是无线方式通信。CIIP平台与充电站通过以太网方式通信，充电站与受信任机构通过以太网方式通信。充电站与外部通过组网结构进行通信。
在上述的基于车-站-平台系统的电动汽车充电导航方法中，步骤2的具体实现包括：
步骤2.1：建立电动汽车充电路径推荐服务系统。
目前普通的燃油汽车的车载导航系统前往某个目的地是以行驶时间或距离作为考虑因素进行路线规划，对于电动汽车充电个性化推荐策略要考虑的因素除了距离和行驶时间外，还需要考虑充电等待时间和充电时间，而且充电费用也是选择充电站所需要考虑的又一关键因素。电动汽车服务水平的高低也会对用户选择充电目的地产生影响。对多目标多因素进行综合考虑，给出的充电路线更切合用户对充电站选择及路线制定的实际。本文研究的是对单辆有充电需求的电动私家车前往充电站进行充电路线规划服务，由车载计算机根据通信网络接收信息，计算机通过对建立的多目标优化模型进行计算给出最优的充电路线，进而对充电路线做出规划，将计算结果反馈给电动汽车用户。充电路径推荐服务系统框架如图5所示。
步骤I中获取车-站-平台系统的电网参数和路网参数，具体包括：
主要获取以下四个方面的信息。
(1)交通路网：交通路网提供的道路拓扑信息，主要包含道路的长度、连接关系和道路等级属性以及实时路况信息，实时路况信息主要是指当前各道路的通行情况，例如，畅通、缓行、拥堵、严重拥堵。
(2)电动汽车充电站：电动汽车充电站是电动汽车重要的配套服务设施，运营中的电动汽车充电站会提供当前充电站的充电价格、排队等待时间、充电容量、充电设施的类型和数量等信息。
(3)电动汽车：主要指电动汽车的当前剩余电量，行驶位置，行驶里程，行驶速度。
(4)电动汽车用户的偏好：电动汽车车主在选择充电路线时，通常对距离充电站距离、时间成本、充电花费以及对电动汽车充电站服务的评价这四个子目标有不同的侧重，本文通过电动汽车用户对多目标权重的主动选择，反映出用户对四个子目标的偏好。
步骤2.2：获取电动汽车充电路径推荐服务系统中交通路网数据。
以某城市的交通路网为依托，结合电动汽车充电站的运营位置和数据，搭建了交通路网模型。交通路网首先要体现的是路段的长度和其相互之间的连接关系，本发明通过交通路网来反映这些相关信息，如图6所示，点x和y表示路网中道路的交叉路口，lxy代表路网中路段的长度和连接关系。L(x,y)代表路段的道路等级。将路网节点，路段长度，道路等级等信息输入到拓扑图中体现道路的基本属性。
以向量Rn＝(N,A,L,Vm,C)代表道路的交通网络的属性，逻辑关系定义如下：
(1)N表示交通路网中道路路口节点的集合。路口节点是重要的位置信息，对路段的交叉节点进行统一编码，体现了路段交叉位置的逻辑关系。
(2)A为交通路网中道路权值的集合，它主要用于描述路网中的各路段的属性以及连接关系：
式中，inf表示无穷大，当路网中两个节点没有连接关系时，此时两节点的路段权值用inf表示。当道路权值只考虑路段的长度时，此时式中的lxy为路段(x,y)的长度，则路段集合A可以用邻接矩阵表示为如下形式：
(3)L为路网道路的等级。道路等级是道路的重要属性，每条路段都有自己的定位，道路等级能够反映出道路的最高限速和通行能力等基本的交通属性。
本发明将道路分为三个等级，用L(x,y)表示路网中每个路段的道路等级。
(4)交通网中路段的通行速度
在宏观交通流系统仿真中，通常用流量-延误函数[i]来确定车辆在路段上的平均行驶时间，行驶时间是通过路段的流量与行程时间建立的数学表达式确定的。典型的模型有以下3种形式。
a)BPR函数
t＝t0[1-α(v/c)β] (4)
式中，t反映了拥挤情况实际通行时间；t0表示由自由行驶状态下路段的行程时间；v表示路段流量；c表示路段的通行能力；α,β表征模型参数。
b)锥形流量-延误函数
其中，β＝(2α-1)(2α-2)；x＝v/c；α是大于1的常数。
c)Akcelic延误函数
其中，R表示路段的行驶时间；T表示预期需求的持续时间，X表示饱和流率；l表示路段的长度。其余的变量意义与上式是相同的。
将道路交通拥堵划为4个级别。拥堵情况可以通过百度地图中的实时路况信息获取。在不同路况和不同道路等级下的车辆行驶速度范围见表1所示。
表1路网中车辆的行驶速度
步骤2.3：获取电动汽车充电路径推荐服务系统中电动汽车充电站数据。
步骤2.3.1：获取充电站的电价数据。本发明将充电站从电网购电电价和充电服务电价合成为充电电价。充电费用主要差别体现在充电停车时所产生的停车费用。
步骤2.3.2：获取充电站的充电等待时间数据。
图7是多服务台排队系统图，电动汽车进入充电站的充电过程可描述为：
①产生充电需求的车辆发出充电需求
②各个充电站根据当前站内的充电容量和电动汽车数量发出响应
③电动汽车驶入充电站
④电动汽车排成一队等候充电
⑤电动汽车接受充电服务
⑥电动汽车移出充电车位驶离充电站。
其中，车辆到站规律和电动汽车接受充电桩充电的充电服务时间的数学特征是研究分析充电站排队系统中电动汽车平均等待时间的关键要素。本文中排队模型主要用于近似预测车辆在充电站的平均充电等待时间，假设车辆到站服从参数为λ的泊松分布，充电桩每次给电动汽车充电的服务时间满足参数为μ的负指数分布。
排队等待时间采用排队论模型进行估计，电动汽车充电设施服务系统的平衡方程可表示为：
式中：n表示接受电动汽车充电站充电服务的电动汽车数量；Pn表示有n辆电动汽车在接受充电服务设施服务的概率；s表示充电站内能够为电动汽车充电的充电设施的数量；0≤n≤s时，表示系统内此时间段有n辆电动汽车正在进行充电，其余的s-n台充电设施正处于空闲状态；当n＞s时，表示充电站中的充电设备都在提供充电服务，n-s辆电动汽车处于排队等待充电状态。
通过递推的方法求式(8)所示的差分方程，可以得到电动汽车接受充电站设施充电的概率为：
定义充电设施服务强度ρ为：
充电设施利用率β为：
充电站站内的平均排队长度Lq为：
充电站内的电动汽车平均等待时间Wq为：
步骤2.3.3：获取充电站的充电时间数据。
假设电动汽车到达充电站进行充电时，通常出于为车主节省时间的角度考虑，认为充80％即结束充电行为。本实施例中充电达到充满电量的80％为例，及ε＝80％，用下式对所耗时间长度进行估算：
式中Bc是电动汽车充满电时的电量，B0是电动汽车发出充电响应时的剩余电量，EP是电动汽车每公里耗电量，L是电动汽车发出充电响应的位置到充电站的行驶距离。P代表充电功率，五个电动汽车充电站的直流充电机30kW，交流充电桩充电功率为3kW。
步骤2.4：获取电动汽车充电路径推荐服务系统中电动汽车数据。
系统主要接受电动汽车两方面的信息，一方面是电动汽车的空间信息，例如电动汽车当前所处的位置。一方面是电动汽车自身的能量信息，例如电动汽车的当前荷电状态，电动汽车的电池容量以及每公里耗电量等信息。
电动汽车的信息定义如下：
起始位置——用路网中的节点rstart表示电动汽车的起始位置信息
电池容量——用Bc表示电动汽车电池容量
当前的电池容量——用B0表示电动汽车在起始位置时的电池电量
起始出发时间——用t0表示电动汽车在起始位置时的时刻
续航里程——用Dm表示电动汽车的续航里程
步骤2.5：获取电动汽车充电路径推荐服务系统中电动汽车用户数据。电动汽车用户在电动汽车发出充电响应时，电动汽车车主要对目标充电站以及行驶路线做出选择。车主通常对行驶距离、时间成本和充电费用有不同的偏好。本项目以通过对不同目标的权重的设置让司机有主动选择权，可以体现电动汽车车主的偏好行为选择。模型向司机提供了充分的选择权利，体现出电动汽车车主在选择充电路径时的多目标性和偏好性。
步骤II中的基于所述电网参数和路网参数计算待充电汽车选择充电站的各子目标值，具体包括：
在上述的基于车-站-平台系统的电动汽车充电导航方法中，步骤3的具体实现包括：
步骤3.1：确定电动汽车充电路线选择的最优目标。
考虑到电动汽车充电的实际需求以及必要性和可行性，以及考虑用户对各个电动汽车充电站的评价，本文将建立了以下四个最优子目标：
(1)出行距离最短：
电动汽车规划充电路线时，选择道路的长度作为道路的权值，它是静态路阻的主要表征，该种方式直观简明。不需要对交通信息实时接受，道路的路段权值可直接由道路网的属性获得，只需采用算法对当前发出充电需求的位置以及目标充电位置进行一次计算就可以得到规划的充电最短路径。但在实际的交通路网中，交通的路况是复杂多变的，而且在一线城市道路的拥堵状况时有发生，这种情况下，只以行驶距离最短作为最优目标有一定的不合理性。
(2)时间成本最短：
电动汽车充电路径规划异于燃油汽车进行加油路线规划，燃油汽车在加油站通常不需要等待，而且加油过程几分钟即可完成。目前电动汽车充电设施还比较紧缺，在充电站进行充电时经常需要排队等待，而且充电时间也比较长。因此考虑到电动汽车充电问题的特殊性，电动汽车充电路径规划的时间成本不仅要考虑路上的行驶时间而且要考虑充电站的排队等待时间和充电过程耗费的时间。以时间成本作为路段的权值，侧重于对于时间成本的考虑。
(3)充电费用最少：
电动汽车在前往充电站充电时，会耗费一定的电量。前往不同充电站充电时，路上的耗电量不相同，不同充电站的充电价格也有一定的差异。充电费用可表示为进入充电站充满80％的电量减去当前电量，然后乘以充电价格。以充电费用作为路段的权值，侧重用于对费用成本的考虑。
(4)服务水平评估：
将充电站服务水平评估的综合加权偏离度θ作为电动汽车用户对充电站的评价。其中θ的范围在[0,1]区间，θ的值越小说明偏离充电站服务水平的理想状况越小，即充电站的服务水平越好。将θ最为一个子目标引入到目标函数中，体现出用户对充电站评价方面的关注。
步骤3.2：建立多目标动态优化充电路线推荐策略模型的目标函数。
考虑当前车主的行驶需求、站内排队等待时间、道路交通状况、充电价格、对充电站的服务水平评估等因素，针对车主的偏好，建立以行车距离最短、充电费用最小、时间成本最少和充电站服务水平评估最优为主要优化目标的多目标优化模型，目标函数可以表示为：
f(X)＝arg min f(L(X),T(X),C(X),θ(X)) (14)
其中，X为含电动汽车车主信息、电动车信息、电动汽车充电站信息、交通路网数据等的一个多维特征向量。L(X)表示从发出充电响应至到达充电站的行车距离，T(X)表示从发出充电响应至到达充电站充电结束的时间花费，C(X)表示从发出充电响应至到达充电站完成充电的充电费用，θ(X)表示电动汽车充电站的服务水平评估的综合加权偏离度。
对于时间成本T(X)由三部分组成，分别是路上行驶时间，充电站的排队等待时间以及在充电站的充电时间。
对于上述模型的四个子目标，根据不同的车主需求，设置不同的加权系数λ，得到新的目标函数：
fi(X)＝arg min f(L(Xi,λ1,i),T(Xi,λ2,i),C(Xi,λ3,i),θ(Xi,λ4,i)) (15)
其中，fi代表不同的电动汽车车主，对于权重系数的选取：λ1,i、λ2,i、λ3,i、λ4,i的值可以通过当前车主的偏好，由车主主动选择来确定。
总的目标函数可以改写为如下形式：
步骤3.3：建立多目标动态优化充电路线推荐策略模型的约束条件。
步骤3.3.1：建立等式约束条件。
(1)从发出充电需求响应的r点至到达充电站s点的行驶距离：
其中，a代表路网中的路段，a∈A，A表示路网中路段的集合。k表示r-s中的第k条连通路径，其中k∈Krs，Krs表示r-s中所有连通路径的集合。用于逻辑判断，/>当第k条联通路径中包含路段a时，则/>取1，否则其值取零。/>表示连接起讫点r-s中所有路径中第k条路径的行程距离。
(2)从发出充电需求响应的r点至到达充电站的s点并结束充电，这里以达到充满电量的80％作为充电结束为例，即ε＝80％通过下式计算时间成本：
得到时间成本的总表达式为：
ta＝ra/va,t (23)
其中，ta是路段a的行驶时间，va,t表示在t时刻路段a的行驶速度，Tk rs(X)表示连接起讫点r-s所有路径中第k条联通路径在路上的时间花费，为选择目标充电站充电的排队等待时间，T为在目标充电站的充电时间。Bc表示电动汽车充满电的电量，Bs表示电动汽车到达充电站后的剩余电量，B0表示开始准备规划充电路线时的初始电量，Ep表示每公里耗电量，Ps表示充电功率。
(3)从发出充电需求响应的r点到达到充电站的s点并结束充电的费用成本：
Pi(X)＝(80％Bc-Bs).Cs (24)
可得到充电花费的总表达式：
式中，Ep表示每公里电动汽车耗电量，Cs表示目标充电站的充电电价。为连接起讫点r-s所有路径中第k条联通路径在路上的电量消耗费用。
步骤3.3.2：建立不等式约束条件。
(1)通行速度约束：
va,t≥5km/h (28)
当通行速度小与5km/h时，交通较为拥堵，此时设置路段的权值为无穷大，当车主考虑行驶时间时，电动汽车不会通过此路段，可以避开严重拥堵路段。
(2)剩余电量约束：
当电动汽车的当前电量小于30％充满电时的电量时，电动汽车需要进行充电。
(3)行驶距离约束：
表示当前剩余电量能够到达目标充电站充电，余度为1.1倍的最短行驶路径。
步骤III中基于所述各子目标值和更新的路网参数采用最短路径算法对预先构建的规划模型进行求解，得到所述规划模型的最优解，具体包括：
步骤4：对多目标动态优化充电路线推荐策略模型进行求解；
步骤4.1：将多目标模型的转化为单目标。针对上述充电路径规划选择的多目标规划模型的特点，且充分考虑在充电路径的选择上，司机的个人偏好和目标多样性的特点，本发明对目标模型采用基于线性加权法将多目标规划问题转化成单目标规划问题。
通过线性加权的方法，可以将上述的多目标规划模型转化成为如下形式的单目标规划模型进行求解：
式中，λ1，λ2，λ3，λ4分别表示为四个子目标的权重系数，即电动汽车用户对上述4个子目标的目标偏好程度。权重的系数满足：λ1+λ2+λ3+λ4＝1，且λ1≥1,λ2≥1,λ3≥1,λ4≥1。通过对各子目标不同权重的组合，电动汽车车主可以选择各种目标条件下的综合最优充电路径。
步骤4.2：对模型的进行无量纲化。
使用极差化方法对3个子目标进行无量纲化处理，处理的公式如下所示：
f′j＝(fj-min(fj))/(max(fj)-min(fj)) (32)
式中，f′j ′表示变量fj无量纲化处理后的值，max(fj)和min(fj)表示变量fj在论域上的最大值和最小值。变量经过无量钢化处理以后，可以将有量纲的变量分别变换到[0,1]区间上的值，分别记(Li(X))′、(Ti(X))′、(Pi(X))′表示通过变量标准化后的子目标函数，则所求解的充电路径的多目标规划模型可转化为如下的最小化标准形式：
Fi(X)＝min{(Li(X))′,(Ti(X))′,(Pi(X))′,θi(X)} (33)
各子目标在进行归一化时，各子目标的最大值和最小值的确立：模型的求解是基于dijstra算法的，求解最优路径时可以转化成为加权路径的综合最短问题。将各个路段的长度和通行时间以及耗电量所产生的费用成本分别归一化，得到每个路段的归一化后的加权值。
步骤4.3：路径规划的求解。路径规划的求解流程如图8所示。
步骤4.3.1：输入路网的交通信息，主要是当前时段的实时路况，确立当前电动汽车的行驶速度；输入电动汽车的当前状态信息，包括在路网的节点位置、当前时刻、当前的电量、电动汽车充满电时的电量以及电动汽车百公里耗电量；输入5个电动汽车充电站的充电电价。
步骤4.3.2：判断电动汽车当前的电量是否小于充电满电量的30％，如果小于则需要进行充电，开始发出充电需求。执行步骤4.3.4。
步骤4.3.3：如果没有充电需求，则继续前行。
步骤4.3.4：求出当前位置到各个充电站的距离，并计算到各个充电站最少耗电量与电动汽车当前剩余电量进行比较。考虑到电动汽车前往充电站的路径未必是最短行驶路径，因此要考虑一定的余度。
步骤4.3.5：对能够满足步骤4.3.4条件下的充电站，利用建立的目标函数，分别求出电动汽车到各个充电站的目标函数最小值，得到电动汽车前往的目标充电站和路径节点。
步骤4.3.6：电动汽车按照步骤4.3.5中的得出规划路径进行行驶，当到达路口时，进行数据更新交通网和电动汽车以及充电站的信息更新。并在此计算目标函数，若此时得到的规划路径节点不变，则按照原路线行驶，否则对路线进行调整，按照新路线进行前行。重复步骤4.3.6过程，直到到达目标充电站。
步骤IV：由所述最优解对应的所述待充电汽车的行驶路径作为规划方案。
本发明提出了一种基于车-站-平台系统的电动汽车充电导航方法。考虑以前往充电站的行驶距离最短，充电的时间成本(路上行驶时间、在充电站的排队等待时间和充电时间)最少和充电费用最小以及电动汽车充电站服务水平最高为多目标函数，以电动汽车SOC约束、道路拥挤状况约束和电动汽车最长行驶距离等为约束条件，建立了考虑充电站服务水平的多目标动态优化路线推荐策略的数学优化模型，并用改进的dijkstra算法对其进行求解。本发明动态综合最优路线推荐策略的优点是综合考虑了行驶距离、时间成本、充电费用和对电动汽车充电站服务水平评估的四个影响电动汽车路径规划做出选择的子目标。考虑交通路况变化因素，能够有效避免拥挤路段，节省了路上的行驶时间，对充电站的排队时间和充电时间进行了综合考虑，优化了时间成本。对充电站的服务水平也有一定的考虑，倾向于选择充电服务水平较好的充电站充电，使推荐的路线更切合用户考虑的实际。优化了充电费用，更倾向于前往电价相对较低的充电站充电，节省了用户的充电成本。使最终给出的充电路线切合用户的实际需求，给用户带来便利快捷的能量补给策略。
实施例2：
基于同一发明构思的本发明还提供了基于车-站-平台系统的电动汽车充电导航系统，包括：
参数获取模块，用于获取车-站-平台系统的电网参数和路网参数；
子目标计算模块，用于基于所述电网参数和路网参数计算待充电汽车选择充电站的各子目标值；
模型求解模块，用于基于所述各子目标值和更新的路网参数采用最短路径算法对预先构建的规划模型进行求解，得到所述规划模型的最优解；
规划模块，用于由所述最优解对应的所述待充电汽车的行驶路径作为规划方案；
其中，所述规划模型是基于待充电汽车发出需求响应至达到充电站的行驶距离、使用时长、充电费用和用户体验，结合依据用户喜好确定的权重系数构建而成。
子目标计算模块具体用于：
基于待充电汽车发出需求响应时的位置信息和选择的充电站的位置信息，确定所述待充电汽车从发出充电需求响应时的位置到选择的充电站的位置的距离成本；
基于所述待充电汽车发出需求响应时间、位置，结合所述路网参数中的所述位置到达选择的充电站的路况拥堵情况，计算所述待充电汽车发出充电需求响应的时刻至到达选择的充电站并结束充电的时间成本；
基于所述电网参数中选择的充电站的充电费用、服务费用，以及停车费用，计算所述待充电汽车发出充电需求响应的时刻至到达选择的充电站并结束充电的费用成本；
其中，所述待充电汽车选择充电站的各子目标值包括距离成本、时间成本和费用成本。
通过下式计算各子目标值：
所述距离成本按下述计算：
式中，Li(X)为距离成本，为连接起讫点r-s中所有路径中第k条路径的行程距离，其中r和s分别为待充电汽车发出需求响应的位置编号和选择的充电站的位置编号，为逻辑判断，k表示r-s中的第k条连通路径，a为路网中的路段，n为路网中路段总数，ra为路段a的长度。
时间成本按下述计算：
式中，Tk(X)为时间成本，ta是路段a的行驶时间，为选择目标充电站充电的排队等待时间，Bc为电动汽车充满电的电量，B0为开始准备规划充电路线时的初始电量，Ep为每公里耗电量，Ps为充电功率。
费用成本按下式计算：
式中，ε为百分比，Cs为目标充电站的充电电价，Pi(X)为费用成本，为连接起讫点r-s所有路径中第k条联通路径在路上的电量消耗费用。
本实施例中将占充满电的百分比ε取值为80％。
模型求解模块具体用于：
将所述各子目标值和用户体验进行无量纲化处理，得到标准化后的各子目标值；
基于用户的喜好对标准化后的各子目标值设定权重系数；
将所述标准化后的各子目标值和所述各子目标值对应的权重系数带入到所述规划模型中；
在规划路径中的路口处，基于更新后的所述路网参数、所述待充电汽车和充电站信息，再次计算各子目标值，并根据最短路径算法确定选择的充电站，调整规划路线，直至到达所述选择的充电站，得到所述规划模型的最优解。
基于车-站-平台系统的电动汽车充电导航系统还包括，模型构建模块，具体用于：
基于待充电汽车发出需求响应时的位置信息、剩余电量信息，以及所述待充电汽车的目的地，结合所述路网参数中的拥堵情况，计算所述待充电汽车由发出需求响应至到达充电站的行驶距离、使用时长和充电费用；
依据用户喜好分别给所述行驶距离、所述使用时长、所述充电费用和获取的用户体验，设定不同的权重系数；
将所述行驶距离、使用时长、充电费用和用户体验分别与对应的权重系数相乘，并求和得到规划模型。
所述规划模型如下式所示：
式中，Fi rs(X)为目标函数，为标准化后的连接起讫点r-s中所有路径中第k条路径的行程距离，其中r和s分别为待充电汽车发出需求响应的位置编号和选择的充电站的位置编号，λ1为/>的权重系数，/>为标准化后的连接起讫点r-s所有路径中第k条联通路径在路上的时间花费，λ2为/>的权重系数，/>为标准化后的连接起讫点r-s所有路径中第k条联通路径在路上的电量消耗费用，λ3为/>的权重系数，θs(X)为用户体验，λ4为θs(X)的权重系数。
为了描述方便，以上装置的各部分以功能分为各模块或单元分别描述。当然，在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
基于同一发明构思，本发明再一个实施例中，提供了一种计算设备，该计算设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于执行基于车-站-平台系统的电动汽车充电导航方法的步骤。
基于同一发明构思，本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中基于车-站-平台系统的电动汽车充电导航方法的相应步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在发明待批的本发明的权利要求范围之内。

Claims (8)

1.基于车-站-平台系统的电动汽车充电导航方法，其特征在于，包括：
获取车-站-平台系统的电网参数和路网参数；
基于所述电网参数和路网参数计算待充电汽车选择充电站的各子目标值；
基于所述各子目标值和更新的路网参数采用最短路径算法对预先构建的规划模型进行求解，得到所述规划模型的最优解；
由所述最优解对应的所述待充电汽车的行驶路径作为规划方案；
其中，所述规划模型是基于待充电汽车发出需求响应至达到充电站的行驶距离、使用时长、充电费用和用户体验，结合依据用户喜好确定的权重系数构建而成；
所述规划模型的构建包括：
基于待充电汽车发出需求响应时的位置信息、剩余电量信息，以及所述待充电汽车的目的地，结合所述路网参数中的拥堵情况，计算所述待充电汽车由发出需求响应至到达充电站的行驶距离、使用时长和充电费用；
依据用户喜好分别给所述行驶距离、所述使用时长、所述充电费用和获取的用户体验，设定不同的权重系数；
将所述行驶距离、使用时长、充电费用和用户体验分别与对应的权重系数相乘，并求和得到规划模型；
所述基于所述电网参数和路网参数计算待充电汽车选择充电站的各子目标值，包括：
基于待充电汽车发出需求响应时的位置信息和选择的充电站的位置信息，确定所述待充电汽车从发出充电需求响应时的位置到选择的充电站的位置的距离成本；
基于所述待充电汽车发出需求响应时间、位置，结合所述路网参数中的所述位置到达选择的充电站的路况拥堵情况，计算所述待充电汽车发出充电需求响应的时刻至到达选择的充电站并结束充电的时间成本；
基于所述电网参数中选择的充电站的充电费用、服务费用，以及停车费用，计算所述待充电汽车发出充电需求响应的时刻至到达选择的充电站并结束充电的费用成本；
其中，所述待充电汽车选择充电站的各子目标值包括距离成本、时间成本和费用成本。
2.如权利要求1所述的方法，其特征在于，所述规划模型如下式所示：
式中，Fi rs(X)为目标函数，为标准化后的连接起讫点r-s中所有路径中第k条路径的行程距离，其中r和s分别为待充电汽车发出需求响应的位置编号和选择的充电站的位置编号，λ1为/>的权重系数，/>为标准化后的连接起讫点r-s所有路径中第k条联通路径在路上的时间花费，λ2为/>的权重系数，/>为标准化后的连接起讫点r-s所有路径中第k条联通路径在路上的电量消耗费用，λ3为/>的权重系数，θs(X)为用户体验，λ4为θs(X)的权重系数，X表示饱和流率。
3.如权利要求1所述的方法，其特征在于，所述距离成本按下述计算：
式中，Li(X)为距离成本，为连接起讫点r-s中所有路径中第k条路径的行程距离，其中r和s分别为待充电汽车发出需求响应的位置编号和选择的充电站的位置编号，/>为逻辑判断，k表示r-s中的第k条连通路径，a为路网中的路段，n为路网中路段总数，ra为路段a的长度。
4.如权利要求3所述的方法，其特征在于，所述时间成本按下述计算：
式中，Tk(X)为时间成本，ta是路段a的行驶时间，为选择目标充电站充电的排队等待时间，Bc为电动汽车充满电的电量，B0为开始准备规划充电路线时的初始电量，Ep为每公里耗电量，Ps为充电功率，ε为百分比。
5.如权利要求4所述的方法，其特征在于，所述费用成本按下式计算：
式中，Cs为目标充电站的充电电价，Pi(X)为费用成本，Pk rs(X)为连接起讫点r-s所有路径中第k条联通路径在路上的电量消耗费用。
6.如权利要求1所述的方法，其特征在于，所述基于所述各子目标值和更新的路网参数采用最短路径算法对预先构建的规划模型进行求解，得到所述规划模型的最优解，包括：
将所述各子目标值和用户体验进行无量纲化处理，得到标准化后的各子目标值；
基于用户的喜好对标准化后的各子目标值设定权重系数；
将所述标准化后的各子目标值和所述各子目标值对应的权重系数带入到所述规划模型中；
在规划路径中的路口处，基于更新后的所述路网参数、所述待充电汽车和充电站信息，再次计算各子目标值，并根据最短路径算法确定选择的充电站，调整规划路线，直至到达所述选择的充电站，得到所述规划模型的最优解。
7.如权利要求6所述的方法，其特征在于，所述根据最短路径算法确定选择的充电站，包括：
在路网参数中将路网中每条路段上的行程距离、行程时间和行驶电量成本进行归一化处理，得到一个时变的路段综合权值；
基于更新后的所述待充电汽车的位置和所述待充电汽车的目的地重新规划路径，得到新的路径方案；
基于所述时变的路段综合权值计算各新的路径规划方案对应的综合权值，从中选择所述综合权值最小值对应的充电站，作为当前时刻选择的充电站。
8.基于车-站-平台系统的电动汽车充电导航系统，其特征在于，包括：
参数获取模块，用于获取车-站-平台系统的电网参数和路网参数；
子目标计算模块，用于基于所述电网参数和路网参数计算待充电汽车选择充电站的各子目标值；
模型求解模块，用于基于所述各子目标值和更新的路网参数采用最短路径算法对预先构建的规划模型进行求解，得到所述规划模型的最优解；
规划模块，用于由所述最优解对应的所述待充电汽车的行驶路径作为规划方案；
其中，所述规划模型是基于待充电汽车发出需求响应至达到充电站的行驶距离、使用时长、充电费用和用户体验，结合依据用户喜好确定的权重系数构建而成；
模型构建模块，具体用于：
基于待充电汽车发出需求响应时的位置信息、剩余电量信息，以及所述待充电汽车的目的地，结合所述路网参数中的拥堵情况，计算所述待充电汽车由发出需求响应至到达充电站的行驶距离、使用时长和充电费用；
依据用户喜好分别给所述行驶距离、所述使用时长、所述充电费用和获取的用户体验，设定不同的权重系数；
将所述行驶距离、使用时长、充电费用和用户体验分别与对应的权重系数相乘，并求和得到规划模型；
子目标计算模块具体用于：
基于待充电汽车发出需求响应时的位置信息和选择的充电站的位置信息，确定所述待充电汽车从发出充电需求响应时的位置到选择的充电站的位置的距离成本；
基于所述待充电汽车发出需求响应时间、位置，结合所述路网参数中的所述位置到达选择的充电站的路况拥堵情况，计算所述待充电汽车发出充电需求响应的时刻至到达选择的充电站并结束充电的时间成本；
基于所述电网参数中选择的充电站的充电费用、服务费用，以及停车费用，计算所述待充电汽车发出充电需求响应的时刻至到达选择的充电站并结束充电的费用成本；
其中，所述待充电汽车选择充电站的各子目标值包括距离成本、时间成本和费用成本。
CN202210301845.9A 2022-03-24 2022-03-24 基于车-站-平台系统的电动汽车充电导航方法及系统 Active CN114936666B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210301845.9A CN114936666B (zh) 2022-03-24 2022-03-24 基于车-站-平台系统的电动汽车充电导航方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210301845.9A CN114936666B (zh) 2022-03-24 2022-03-24 基于车-站-平台系统的电动汽车充电导航方法及系统

Publications (2)

Publication Number Publication Date
CN114936666A CN114936666A (zh) 2022-08-23
CN114936666B true CN114936666B (zh) 2024-05-10

Family

ID=82861694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210301845.9A Active CN114936666B (zh) 2022-03-24 2022-03-24 基于车-站-平台系统的电动汽车充电导航方法及系统

Country Status (1)

Country Link
CN (1) CN114936666B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330084A (zh) * 2022-09-15 2022-11-11 梅赛德斯-奔驰集团股份公司 用于智能分配充电站的方法和系统以及计算机程序产品
CN116384678B (zh) * 2023-04-04 2023-09-15 国网江苏省电力有限公司电力科学研究院 一种基于交通网和配电网的电动汽车实时充电引导方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107323300A (zh) * 2017-07-26 2017-11-07 河海大学 一种基于路‑站‑车联合模型的电动汽车预约充电方法
CN109784558A (zh) * 2019-01-11 2019-05-21 浙江工业大学 一种基于蚁群算法的电动汽车充电调度优化方法
CN112686441A (zh) * 2020-12-28 2021-04-20 燕山大学 基于交通均衡的电动汽车充电导航及路径选择方法
CN113379141A (zh) * 2021-06-23 2021-09-10 国网四川省电力公司电力科学研究院 一种兼顾电网负载均衡性与用户体验的电动汽车充电路径优化方法
CN113505912A (zh) * 2021-06-10 2021-10-15 广东工业大学 基于路网信息与计算资源补偿的电动汽车充电规划方法
CN114118515A (zh) * 2021-09-30 2022-03-01 国网上海市电力公司 一种融合交通路网的电动汽车充电站的确定方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107323300A (zh) * 2017-07-26 2017-11-07 河海大学 一种基于路‑站‑车联合模型的电动汽车预约充电方法
CN109784558A (zh) * 2019-01-11 2019-05-21 浙江工业大学 一种基于蚁群算法的电动汽车充电调度优化方法
CN112686441A (zh) * 2020-12-28 2021-04-20 燕山大学 基于交通均衡的电动汽车充电导航及路径选择方法
CN113505912A (zh) * 2021-06-10 2021-10-15 广东工业大学 基于路网信息与计算资源补偿的电动汽车充电规划方法
CN113379141A (zh) * 2021-06-23 2021-09-10 国网四川省电力公司电力科学研究院 一种兼顾电网负载均衡性与用户体验的电动汽车充电路径优化方法
CN114118515A (zh) * 2021-09-30 2022-03-01 国网上海市电力公司 一种融合交通路网的电动汽车充电站的确定方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Routing Optimization of Electric Vehicles for Charging With Event-Driven Pricing Strategy;Yue Xiang等;IEEE Transactions on Automation Science and Engineering;20210819;第19卷(第1期);7-20 *
一种电动汽车智能充电最优引导优化模型;李鹏程等;电器与能效管理技术;20180930(第18期);63-69+78 *
多信息融合下电动汽车充电路径规划;夏冬等;电测与仪表;20191225;第57卷(第22期);24-32 *

Also Published As

Publication number Publication date
CN114936666A (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
Shao et al. Electric vehicle‐routing problem with charging demands and energy consumption
Chen et al. Optimal routing and charging of an electric vehicle fleet for high-efficiency dynamic transit systems
Miao et al. Autonomous connected electric vehicle (ACEV)-based car-sharing system modeling and optimal planning: A unified two-stage multi-objective optimization methodology
Tian et al. Real-time charging station recommendation system for electric-vehicle taxis
Li et al. Price incentive-based charging navigation strategy for electric vehicles
James Two-stage request scheduling for autonomous vehicle logistic system
CN114936666B (zh) 基于车-站-平台系统的电动汽车充电导航方法及系统
Mehar et al. Sustainable transportation management system for a fleet of electric vehicles
CN111532166A (zh) 一种电动汽车充电路径规划方法、装置、汽车及计算机存储介质
CN108944500B (zh) 一种分布式站点联合控制的电动汽车充电调度方法
JP7068852B2 (ja) 車両選択装置および方法
CN112193116A (zh) 一种考虑奖励机制的电动汽车充电优化引导策略
Seyedyazdi et al. A combined driver-station interactive algorithm for a maximum mutual interest in charging market
CN112729324B (zh) 基于互助出行系统的电动汽车充电引导和路径规划方法
Jung et al. Dually sustainable urban mobility option: Shared-taxi operations with electric vehicles
Qiu et al. The taxi sharing practices: Matching, routing and pricing methods
CN112115385A (zh) 一种考虑充电时间的单向共享汽车系统选址优化方法
Kashani et al. Comparing demand responsive and conventional public transport in a low demand context
Sun et al. A graphical game approach to electrical vehicle charging scheduling: Correlated equilibrium and latency minimization
Jung et al. Shared-taxi operations with electric vehicles
CN117498325B (zh) 一种新能源汽车用电量预测及充电资源调度优化方法
Shaikh et al. Connected and autonomous electric vehicles charging reservation and trip planning system
CN117273181A (zh) 一种电动汽车充电调度方法和系统
Zhao et al. Optimal Location of Electrical Vehicle Charging Stations With Both Self-and Valet-Charging Service
Qureshi et al. Dynamic Pricing Based Mobile Charging Service for Electric Vehicle Charging

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