CN115204513A - 一种考虑双边利益的电动汽车充电多目标引导方法 - Google Patents

Abstract

本发明公开了一种考虑双边利益的电动汽车充电多目标引导方法，该方法兼顾充电站和用户的利益，构造多目标函数制定充电价格，计算用户充电成本和行驶成本，建立电动汽车充电路径规划模型。包括如下步骤：获取充电站服务信息；建立基于RF‑Spearman综合赋权的多目标充电价格制定模型；获取交通路况信息、电动汽车出行信息；建立电动汽车用电预警模型；建立电动汽车充电路径规划模型。本发明既能够满足用户出行需求，又能够提高充电站运营商收益，实现充电站间的设备利用率均衡分布。

Description

一种考虑双边利益的电动汽车充电多目标引导方法

技术领域

本发明涉及充电站定价和电动汽车充电引导技术领域，特别涉及一种考虑双边利益的电动汽车充电多目标引导方法。

背景技术

电动汽车销量的快速增长极大地促进了充电站、充电桩数量的增长，然而充电站的分布与充电需求的分布并不完全匹配，在电动汽车无序充电下，充电站设备利用率不均衡、用户排队时间过长等成为亟待解决的问题。传统的充电价格制定方法虽然可以增加充电站收益、减少用户充电成本，但不能有效地改善充电拥挤和充电不均衡状况，充电引导方法则主要结合交通路网信息研究，对电价信息不够敏感。

发明内容

本发明针对现有技术中的不足，提供一种考虑双边利益的电动汽车充电多目标引导方法；以解决现有技术存在的上述问题。本发明的充电定价方法兼顾充电站和用户的利益，本发明的充电引导方法考虑充电定价方法制定的充电价格，考虑用户充电成本和行驶成本，既能够满足用户出行需求，又能够提高充电站运营商收益，实现充电站间的设备利用率均衡分布。

为实现上述目的，本发明采用以下技术方案：

一种考虑双边利益的电动汽车充电多目标引导方法，包括以下步骤：

S1：实时获取充电站服务信息；

S2：根据获取的充电站服务信息，建立基于RF-Spearman综合赋权的多目标充电价格制定模型，通过该模型制定充电站各时段的充电价格；

S3：实时获取交通路况信息、电动汽车出行信息；

S4：根据获取的交通路况信息中的各道路速度、能耗参数以及电动汽车出行信息，建立电动汽车用电预警模型，通过该模型确定当达到预警条件时，进行电量预警；

S5：当有电量预警时，根据获取的交通路况信息和电动汽车出行信息，并结合步骤S2制定的充电站各时段的充电价格，对有充电需求的电动汽车建立电动汽车充电路径规划模型，选择最佳充电站，规划最优充电路径。

为优化上述技术方案，采取的具体措施还包括：

进一步地，步骤S2中所述根据获取的充电站服务信息，建立基于RF-Spearman综合赋权的多目标充电价格制定模型的具体内容为：

S2.1：计算充电站k的总收益f₁

式中，M、T分别为到充电站k充电的电动汽车总数和第j辆电动汽车充电的时段数；i₀为第j辆电动汽车充电起始时段；c_k(i)、c_kb(i)分别为充电站k在i时段的充电价格和购电价格；P_j,k(i)为到充电站k充电的第j辆车在i时段的充电功率；t为各时段时长；

S2.2：计算充电站k的设备利用均衡率f₂

式中，N_t为总时段数；K为区域内充电站总数；z_k为充电站k内的充电桩数；

S2.3：计算在充电站k充电的用户总充电费用f₃

S2.4：计算在充电站k充电的用户排队时长f₄

式中，T_w,k(j)为第j辆电动汽车的排队时长；

S2.5：基于RF-Spearman确定各因素f₁、f₂、f₃、f₄的综合权重

式中α₁为因素f₁的权重、α₂为因素f₂的权重、α₃为因素f₃的权重、α₄为因素f₄的权重；

S2.6：构造多目标充电价格制定模型的目标函数F₁：

式中f_1m、f_2m、f_3m、f_4m分别为充电价格优化前的各目标函数值；

S2.7：构造多目标充电价格制定模型的约束条件：

充电价格约束为：

c_k,min(i)≤c_k(i)≤c_k,max(i)

电动汽车充电功率约束：

0≤P_j,k(i)≤P_j,k ^max(i)

式中，c_k,min(i)、c_k,max(i)分别为充电站k的充电价格上、下限；P_j,k ^max(i)为电动汽车最大充电功率；SOC_j、SOC_j,end分别为电动汽车充电开始和结束时的荷电状态；E_j,B为电池容量；η为充电效率；

根据步骤S2.6确定的目标函数F₁以及步骤S2.7确定的约束条件即可构建多目标充电价格制定模型。

进一步地，步骤S2.5中所述的基于RF-Spearman确定各因素f₁、f₂、f₃、f₄的综合权重

的具体内容为：

S2.5.1：RFC模型计算制定充电价格考虑因素f₁-f₄的初始权重向量W¹；

S2.5.2：Spearman相关性计算各因素间f₁-f₄相关系数，得到直接影响矩阵B＝(b_ij)_l×l；

S2.5.3：计算规范化直接影响矩阵G和综合影响矩阵L，得到各因素的影响权重向量W²，具体表示为：

L＝G(I-G)^-1

式中，l为影响因素的个数；

为第i个因素的影响权重；r_i、c_i分别为矩阵L第i行、第i列元素之和；

S2.5.4：利用W＝W¹·W²，经归一化处理得到综合权重

进一步地，步骤S4中根据获取的交通路况信息中的各道路速度、能耗参数以及电动汽车出行信息，建立电动汽车用电预警模型的具体内容为：

S4.1：采用多元线性回归方法，建立不同道路类型的各路段能耗因子模型

具体为：

式中：v_h是车辆在各路段的实时速度；v_h(i)为i时段的速度；t₀为各路段驶入的起始时段；I为各路段行驶时段数；θ表示不同道路类型；

是与v_h相对应的能耗因子；a、b、c和d是回归系数；

S4.2：计算电动汽车在行驶过程中的能耗，具体为：

通过Floyd最短路径算法求得电动汽车从出发地到目的地的最短路径集合为S′，一共有s′个路段，其中第h个路段的能耗为：

式中，d_h是第h个路段的距离长度；

是最大能耗因子；E_h是电动汽车在第h个路段的能耗；

S4.3：设置预警规则

式中，SOC_STR为电动汽车出发时的荷电状态；E_REM为电动汽车到达目的地时的剩余电量；

预警规则描述为：当电动汽车剩余电量满足E_REM≤10％×E_B条件时，发出电量预警。

进一步地，步骤S5中所述建立电动汽车充电路径规划模型的具体内容为：

S5.1：计算用户行驶成本，具体为：

用户的行驶成本包括距离成本和时间成本，其中距离成本包括电动汽车从出发地至充电站的距离成本和充电完成后至目的地的距离成本，时间成本包括电动汽车在路上行驶的时间成本和在充电站花费的时间成本；

通过Floyd最短路径算法求得电动汽车从出发地经充电站到目的地的行驶距离为d_ab：

因此距离成本为f₅：

对应的行驶时间为T_ab：

在充电站花费的时间为T_k：

因此时间成本为f₆：

以上各式中各个参数含义解释为：假定电动汽车从出发地a行驶至充电站k的路径集合为S₁，一共有s₁个路段，电动汽车从出发地a经充电站k到目的地b的路径集合为S，一共有s个路段；d_ak和d_kb分别为出发地a至充电站k的行驶距离、充电完成后至目的地b的行驶距离；SOC_max为电动汽车荷电状态上限，SOC_STR为出发时的荷电状态；P为电动汽车额定充电功率；T_w,k和T_c,k分别为在充电站k的平均排队时间、充电时间；V_d为单位时间出行成本；V_c为单位时间充电成本；G为对应地区人均生产总值；D为该地区年法定工作日天数；J为对应地区工作日平均工作时间；

S5.2：计算用户充电成本f₇：

S5.3：选择最佳充电站F_k：

式中，β₁、β₂和β₃为权系数，以反映用户对各项对应指标的偏好，满足β₁+β₂+β₃＝1；

S5.4：构造所述模型的约束条件

d_max＞d_{ak max}

式中，d_max为电动汽车可行驶的最大距离，d_{ak max}为电动汽车前往充电站的距离；

根据步骤S5.3确定的最佳充电站F_k以及步骤S5.4确定的约束条件即可构建电动汽车充电路径规划模型。

本发明的有益效果是：

1、本发明从实际应用出发，以充电站收益最大、充电站设备利用率最均衡、用户总充电费用最小、用户排队时长最短为目标，经RF-Spearman赋权后，更好的保证制定的充电价格的合理性。本发明对当前电量不足以到达目的地的电动汽车发出电量预警后，提供充电路径引导，在计算用户行驶成本和充电成本的过程中，考虑了充电价格，实现用户出行成本最小。

2、面对庞大的电动汽车充电市场，本发明制定的充电价格模块不仅能提高各充电站收益、均衡各充电站设备利用率，还能优化电动汽车充电行为，引导电动汽车有序充电；采取的充电引导方法能为电动汽车合理推荐充电站、规划最优路径，降低用户出行成本，减少用户因出行时电量不足带来的焦虑。

附图说明

图1是本发明总体方案示意图。

图2是本发明充电价格制定方法流程示意图。

图3是本发明充电引导方法示意图。

图4是本发明能耗因子随速度变化示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

参考图1描述本发明方法的总体流程，具体步骤如下：

步骤1、实时获取充电站服务信息；

步骤2、根据获取的充电站服务信息，建立基于RF-Spearman综合赋权的多目标充电价格制定模型，制定充电站各时段的充电价格；

步骤3、实时获取交通路况信息、电动汽车出行信息；

步骤4、根据各道路速度、能耗参数及电动汽车出行信息，建立电动汽车用电预警模型，当达到预警条件，进行电量预警；

步骤5、根据交通路况信息和电动汽车出行信息，结合步骤2制定的充电站各时段的充电价格，对有充电需求的电动汽车建立电动汽车充电路径规划模型，选择最佳充电站，规划最优充电路径。

为了更清楚的说明本发明，下面将对相关内容进行展开说明。

(一)建立基于RF-Spearman综合赋权的多目标充电价格制定模型

如图2所示，充电价格制定模型主要是综合充电站收益、充电站设备利用率、用户总充电费用、用户排队时长四个因素制定各充电站各时段的充电价格，同时便于充电路径规划模型构建。

(1)计算充电站k的总收益

式中，M、T分别为到充电站k充电的电动汽车总数和第j辆电动汽车充电的时段数；i₀为第j辆电动汽车充电起始时段；c_k(i)、c_kb(i)分别为充电站k在i时段的充电价格和购电价格；P_j,k(i)为到充电站k充电的第j辆车在i时段的充电功率；t为各时段时长。

(2)计算充电站k的设备利用均衡率

式中，N_t为总时段数；K为区域内充电站总数；z_k为充电站k内的充电桩数。

(3)计算在充电站k充电的用户总充电费用

(4)计算在充电站k充电的用户排队时长

式中，T_w,k(j)为第j辆电动汽车的排队时长；m为第j辆电动汽车到站时充电站k内电动汽车数量；r为电动汽车按照充电结束时间由小到大生成的集合；t_s为到站时刻。

(5)RF-Spearman确定各因素权重

具体过程如下：

1)RFC模型计算制定充电价格考虑因素的初始权重向量W¹；

具体方法为：

步骤1：从充电站历史服务数据中提取所需信息构建训练集后利用Bootstrap抽样从原始训练集抽取k个子训练样本集{T₁,T₂,…,T_k}，并预建k颗分类树。

步骤2：对单颗分类树而言，在分类树的每个节点上采取最小节点分割基尼指数作为量度分类树的最佳分割，遍历每一个属性所有可以的分割方法，若能提供最小节点分割基尼指数，就被选择作为此节点处分割的标准，该属性值划分子树即为最优分支；此时再按对应的属性值来划分，并且根据每个属性值创建树枝；进一步向下划分样本，直到满足小于给定叶节点基尼指数的一个阈值时停止划分。假设当前节点处的样本集D包含X个类别的样本数据，Gini指数为：

p(x)表示样本集D中属于第x类的样本数据的概率，当Gini(D)最小为0时，即在此节点处样本数据都属于同一个类别，表示此时能获得最大的有用信息；当此节点中的样本数据对于类别字段越趋于均匀分布时，Gini(D)越大，获得有用信息越小。如果将样本集D分成u个部分D₁，D₂，…，D_u，节点d的分割Gini指数为：

u是子节点的个数；Gini(D_i)是各子节点的Gini指数；N_i是在节点d的各子节点处样本数；N是在母节点d处的样本数。

步骤3：计算第j个因素在节点分割时基尼指数的减少值，并以第j个因素的平均基尼减少值占所有因素平均基尼减少值总和的比值度量其重要程度：

l、k、υ分别是因素个数、分类树棵数和单棵树的节点数；G_jid为第j个因素在第i棵树的第d个节点的基尼指数减少值；

为第j个因素的初始权重，满足

2)Spearman相关性计算各因素间相关系数，得到直接影响矩阵B＝(b_ij)_l×l；

任意选取各因素中的两个因素i、j，将i、j分别从大到小排序编秩后，计算Spearman相关系数ρ_ij从而建立直接影响矩阵B。

其中，R_q和S_q分别是i和j观测值q的取值的等级，

和

分别是i和j的平均等级，Q是样本容量，d_q＝R_q-S_q表示二列成对变量的等级差数；b_ii＝0，b_ij＝ρ_ij(i≠j)。

3)计算规范化直接影响矩阵G和综合影响矩阵L，得到各因素的影响权重向量W²，具体表示为：

L＝G(I-G)^-1

式中，g_ij就是矩阵G的第i行第j列元素，l为影响因素的个数；r_i、c_i分别为矩阵L第i行、第i列元素之和。

4)利用W＝W₁·W₂，经归一化处理得到综合权重

(6)构造所述模型的目标函数

式中，f_1m、f_2m、f_3m、f_4m分别为充电价格优化前的各目标函数值。

(7)构造所述模型的约束条件

充电价格约束：

c_k,min(i)≤c_k(i)≤c_k,max(i)

电动汽车充电功率约束：

式中，c_k,min(i)、c_k,max(i)分别为充电站k的充电价格上、下限；P_j,k ^max(i)为电动汽车最大充电功率；SOC_j、SOC_j,end分别为电动汽车充电开始和结束时的荷电状态；E_j,B为电池容量；η为充电效率。

参考图3描述本发明的充电引导方法流程：建立各路段能耗因子模型后，以电动汽车最短路径行驶为前提计算电动汽车到目的地的剩余电量，当达到预警条件时，对电动汽车发出电量预警；对有充电需求的用户通过Floyd最短路径算法得到电动汽车经各充电站的路径集合，并计算该情况下的用户行驶成本和充电成本，最后以最小化用户出行成本规划最优充电路径和选择最佳充电站。

(二)建立电动汽车用电预警模型

(1)采用多元线性回归方法，建立不同道路类型的各路段能耗因子模型

式中：v_h是车辆在各路段的实时速度；v_h(i)为i时段的速度；t₀为各路段驶入的起始时段；I为各路段行驶时段数；θ表示不同道路类型；

是与v_h相对应的能耗因子；a、b、c和d是回归系数。

不同道路类型的多元线性回归方程系数校准方程如表1所示。

表1不同道路的能耗因子对比表

为确保电动汽车电量能及时预警，选择最大能耗因子计算电动汽车在行驶过程中的能耗。根据图4，当车速在20km/h至70km/h之间时，次干路的

最大，当车速在70km/h以上时，主干路的

最大。

(2)计算电动汽车在行驶过程中的能耗

通过Floyd最短路径算法求得电动汽车从出发地到目的地的最短路径集合为S′，一共有s′个路段，其中第h个路段的能耗为：

式中，d_h是第h个路段的距离长度；

是最大能耗因子；E_h是电动汽车在第h个路段的能耗。

(3)设置预警规则

式中，SOC_STR为电动汽车出发时的荷电状态；E_REM为电动汽车到达目的地时的剩余电量；

预警规则可描述为：当电动汽车剩余电量满足E_REM≤10％×E_B条件时，发出电量预警。

(三)建立电动汽车充电路径规划模型

(1)计算用户行驶成本

用户的行驶成本包括距离成本和时间成本，其中距离成本包括电动汽车从出发地至充电站的距离成本和充电完成后至目的地的距离成本，时间成本包括电动汽车在路上行驶的时间成本和在充电站花费的时间成本。

通过Floyd最短路径算法求得电动汽车从出发地经充电站到目的地的行驶距离为：

距离成本为：

行驶时间为：

在充电站花费的时间为：

时间成本为：

以上各式中，设电动汽车从出发地a行驶至充电站k的路径集合为S₁，一共有s₁个路段，电动汽车从出发地a经充电站k到目的地b的路径集合为S，一共有s个路段；d_ak和d_kb分别为出发地a至充电站k的行驶距离、充电完成后至目的地b的行驶距离；SOC_max为电动汽车荷电状态上限，SOC_STR为出发时的荷电状态；P为电动汽车额定充电功率；T_w,k和T_c,k分别为在充电站k的平均排队时间、充电时间；V_d为单位时间出行成本，可由城市交通出行成本研究得到；V_c为单位时间充电成本；G为该地区人均生产总值；D为该地区年法定工作日天数；J为该地区工作日平均工作时间。

(2)计算用户充电成本

(3)选择最佳充电站

式中，β₁、β₂和β₃为权系数，可以反映用户对各项指标的偏好，满足β₁+β₂+β₃＝1。

(4)构造所述模型的约束条件

d_max＞d_{ak max}

式中，d_max为电动汽车可行驶的最大距离，d_{ak max}为电动汽车前往充电站的距离。

本发明从实际应用出发，以充电站收益最大、充电站设备利用率最均衡、用户总充电费用最小、用户排队时长最短为目标，经RF-Spearman赋权后，更好的保证制定的充电价格的合理性。本发明对当前电量不足以到达目的地的电动汽车发出电量预警后，提供充电路径引导，在计算用户行驶成本和充电成本的过程中，考虑了充电价格，实现用户出行成本最小。因此，面对庞大的电动汽车充电市场，本发明制定的充电价格不仅能提高各充电站收益、均衡各充电站设备利用率，还能优化电动汽车充电行为，引导电动汽车有序充电；采取的充电引导方法能为电动汽车合理推荐充电站、规划最优路径，降低用户出行成本，减少用户因出行时电量不足带来的焦虑。

需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (5)

1.一种考虑双边利益的电动汽车充电多目标引导方法，其特征在于，包括以下步骤：

S1：实时获取充电站服务信息；

S2：根据获取的充电站服务信息，建立基于RF-Spearman综合赋权的多目标充电价格制定模型，通过该模型制定充电站各时段的充电价格；

S3：实时获取交通路况信息、电动汽车出行信息；

S4：根据获取的交通路况信息中的各道路速度、能耗参数以及电动汽车出行信息，建立电动汽车用电预警模型，通过该模型确定当达到预警条件时，进行电量预警；

S5：当有电量预警时，根据获取的交通路况信息和电动汽车出行信息，并结合步骤S2制定的充电站各时段的充电价格，对有充电需求的电动汽车建立电动汽车充电路径规划模型，选择最佳充电站，规划最优充电路径。

2.根据权利要求1所述的一种考虑双边利益的电动汽车充电多目标引导方法，其特征在于，步骤S2中所述根据获取的充电站服务信息，建立基于RF-Spearman综合赋权的多目标充电价格制定模型的具体内容为：

S2.1：计算充电站k的总收益f₁

式中，M、T分别为到充电站k充电的电动汽车总数和第j辆电动汽车充电的时段数；i₀为第j辆电动汽车充电起始时段；c_k(i)、c_kb(i)分别为充电站k在i时段的充电价格和购电价格；P_j,k(i)为到充电站k充电的第j辆车在i时段的充电功率；t为各时段时长；

S2.2：计算充电站k的设备利用均衡率f₂

式中，N_t为总时段数；K为区域内充电站总数；z_k为充电站k内的充电桩数；

S2.3：计算在充电站k充电的用户总充电费用f₃

S2.4：计算在充电站k充电的用户排队时长f₄

式中，T_w,k(j)为第j辆电动汽车的排队时长；

S2.5：基于RF-Spearman确定各因素f₁、f₂、f₃、f₄的综合权重

式中α₁为因素f₁的权重、α₂为因素f₂的权重、α₃为因素f₃的权重、α₄为因素f₄的权重；

S2.6：构造多目标充电价格制定模型的目标函数F₁：

式中f_1m、f_2m、f_3m、f_4m分别为充电价格优化前的各目标函数值；

S2.7：构造多目标充电价格制定模型的约束条件：

充电价格约束为：

c_k,min(i)≤c_k(i)≤c_k,max(i)

电动汽车充电功率约束：

0≤P_j,k(i)≤P_j,k ^max(i)

式中，c_k,min(i)、c_k,max(i)分别为充电站k的充电价格上、下限；P_j,k ^max(i)为电动汽车最大充电功率；SOC_j、SOC_j,end分别为电动汽车充电开始和结束时的荷电状态；E_j,B为电池容量；η为充电效率；

根据步骤S2.6确定的目标函数F₁以及步骤S2.7确定的约束条件即可构建多目标充电价格制定模型。

3.根据权利要求2所述的一种考虑双边利益的电动汽车充电多目标引导方法，其特征在于，步骤S2.5中所述的基于RF-Spearman确定各因素f₁、f₂、f₃、f₄的综合权重

的具体内容为：

S2.5.1：RFC模型计算制定充电价格考虑因素f₁-f₄的初始权重向量W¹；

S2.5.2：Spearman相关性计算各因素间f₁-f₄相关系数，得到直接影响矩阵B＝(b_ij)_l×l；

S2.5.3：计算规范化直接影响矩阵G和综合影响矩阵L，得到各因素的影响权重向量W²，具体表示为：

L＝G(I-G)^-1

式中，l为影响因素的个数；

为第i个因素的影响权重；r_i、c_i分别为矩阵L第i行、第i列元素之和；

S2.5.4：利用W＝W¹·W²，经归一化处理得到综合权重

4.根据权利要求2所述的一种考虑双边利益的电动汽车充电多目标引导方法，其特征在于，步骤S4中根据获取的交通路况信息中的各道路速度、能耗参数以及电动汽车出行信息，建立电动汽车用电预警模型的具体内容为：

S4.1：采用多元线性回归方法，建立不同道路类型的各路段能耗因子模型

具体为：

式中：v_h是车辆在各路段的实时速度；v_h(i)为i时段的速度；t₀为各路段驶入的起始时段；I为各路段行驶时段数；θ表示不同道路类型；

是与v_h相对应的能耗因子；a、b、c和d是回归系数；

S4.2：计算电动汽车在行驶过程中的能耗，具体为：

通过Floyd最短路径算法求得电动汽车从出发地到目的地的最短路径集合为S′，一共有s′个路段，其中第h个路段的能耗为：

式中，d_h是第h个路段的距离长度；

是最大能耗因子；E_h是电动汽车在第h个路段的能耗；

S4.3：设置预警规则

式中，SOC_STR为电动汽车出发时的荷电状态；E_REM为电动汽车到达目的地时的剩余电量；

预警规则描述为：当电动汽车剩余电量满足E_REM≤10％×E_B条件时，发出电量预警。

5.根据权利要求4所述的一种考虑双边利益的电动汽车充电多目标引导方法，其特征在于，步骤S5中所述建立电动汽车充电路径规划模型的具体内容为：

S5.1：计算用户行驶成本，具体为：

用户的行驶成本包括距离成本和时间成本，其中距离成本包括电动汽车从出发地至充电站的距离成本和充电完成后至目的地的距离成本，时间成本包括电动汽车在路上行驶的时间成本和在充电站花费的时间成本；

通过Floyd最短路径算法求得电动汽车从出发地经充电站到目的地的行驶距离为d_ab：

因此距离成本为f₅：

对应的行驶时间为T_ab：

在充电站花费的时间为T_k：

因此时间成本为f₆：

以上各式中各个参数含义解释为：假定电动汽车从出发地a行驶至充电站k的路径集合为S₁，一共有s₁个路段，电动汽车从出发地a经充电站k到目的地b的路径集合为S，一共有s个路段；d_ak和d_kb分别为出发地a至充电站k的行驶距离、充电完成后至目的地b的行驶距离；SOC_max为电动汽车荷电状态上限，SOC_STR为出发时的荷电状态；P为电动汽车额定充电功率；T_w,k和T_c,k分别为在充电站k的平均排队时间、充电时间；V_d为单位时间出行成本；V_c为单位时间充电成本；G为对应地区人均生产总值；D为该地区年法定工作日天数；J为对应地区工作日平均工作时间；

S5.2：计算用户充电成本f₇：

S5.3：选择最佳充电站F_k：

式中，β₁、β₂和β₃为权系数，以反映用户对各项对应指标的偏好，满足β₁+β₂+β₃＝1；

S5.4：构造所述模型的约束条件

d_max＞d_akmax

式中，d_max为电动汽车可行驶的最大距离，d_akmax为电动汽车前往充电站的距离；

根据步骤S5.3确定的最佳充电站F_k以及步骤S5.4确定的约束条件即可构建电动汽车充电路径规划模型。

Images