CN116805193A - 联网电动汽车的调度方法和系统、电子设备及存储介质 - Google Patents
联网电动汽车的调度方法和系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116805193A CN116805193A CN202310389707.5A CN202310389707A CN116805193A CN 116805193 A CN116805193 A CN 116805193A CN 202310389707 A CN202310389707 A CN 202310389707A CN 116805193 A CN116805193 A CN 116805193A
- Authority
- CN
- China
- Prior art keywords
- target
- electric automobile
- determining
- route
- electric vehicles
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000006855 networking Effects 0.000 title abstract description 18
- 238000007599 discharging Methods 0.000 claims abstract description 40
- 238000012216 screening Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 241001603164 Carp edema virus Species 0.000 description 40
- 238000004891 communication Methods 0.000 description 33
- 239000004973 liquid crystal related substance Substances 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 17
- 230000033228 biological regulation Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 12
- 230000001105 regulatory effect Effects 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000003462 Bender reaction Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 101100166845 Arabidopsis thaliana CESA3 gene Proteins 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000003997 social interaction Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000170489 Upis Species 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种联网电动汽车的调度方法和系统、电子设备及存储介质，属于车辆资源动态调度领域。该方法包括：获取城市路网的几何信息、对象的共享出行请求和候选电动汽车的当前状态；根据共享出行请求和几何信息，从候选电动汽车中筛选出与共享出行请求对应的目标电动汽车，并确定目标电动汽车的初步路线；根据目标电动汽车的当前状态和预设的充放电设备的路段信息，对初步路线进行调整，得到目标路线。本申请实施例能够同时解决共享出行和动态无线充电问题，在降低运营成本的同时还能缓解电网的电力波动。
Description
技术领域
本申请涉及车辆资源动态调度领域，尤其涉及一种联网电动汽车的调度方法和系统、电子设备及存储介质。
背景技术
目前，随着数据传感、通信技术等技术不断发展和交通路网中的处理方法持续优化，智能交通系统和城市智能电网能够提供可靠和高效的交通服务。
相关技术中，智能交通系统中部署共享汽车，实现能源节约和社会互动，但缺少对电池驱动的汽车的考虑。同时，城市智能电网能够为联网电动汽车提供动态无线充电服务，但没有对电池电量需求进行考虑，忽略了城市智能电网和联网电动汽车之间的互动性，因此，如何对联网电动汽车进行调度，以同时解决共享出行和动态无线充电问题，成为了一个亟需解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种联网电动汽车的调度方法和系统、电子设备及存储介质，旨在同时解决共享出行和动态充电问题，在降低运营成本的同时还能缓解电网的电力波动。
为实现上述目的，本申请实施例的第一方面提出了一种联网电动汽车的调度方法，所述方法包括：
获取城市路网的几何信息、对象的共享出行请求和候选电动汽车的当前状态；
根据所述共享出行请求和所述几何信息，从所述候选电动汽车中筛选出与所述共享出行请求对应的目标电动汽车，并确定所述目标电动汽车的初步路线；
根据所述目标电动汽车的当前状态和预设的充放电设备的路段信息，对所述初步路线进行调整，得到目标路线。
在一些实施例，所述从所述候选电动汽车中筛选出与所述共享出行请求对应的目标电动汽车，并确定所述目标电动汽车的初步路线，包括：
基于预设参数判断所述候选电动汽车是否在预设时间经过所述城市路网的预设路段，得到判断结果，并根据所述判断结果确定第一约束条件，其中，所述预设路段包括起始节点和终止节点，所述预设路段是所述城市路网中符合通行条件的路段；
获取所述候选电动汽车到达所述终止节点的到达时间，并基于所述到达时间确定第二约束条件；
根据所述第一约束条件、所述第二约束条件、所述城市路网的几何信息，构建电动汽车网络流量模型；
基于所述电动汽车网络流量模型确定所述目标电动汽车的初步路线。
在一些实施例，所述从所述候选电动汽车中筛选出与所述共享出行请求对应的目标电动汽车，并确定所述目标电动汽车的初步路线，包括：
基于所述目标电动汽车的当前状态和所述共享出行请求，确定所述对象的最大等待时间、最大服务时间和最小服务时间；
基于所述最大服务时间和所述最小服务时间确定所述共享出行请求对应的最后期限；
基于所述共享出行请求中的对象数量，建立车辆容量模型；
基于所述车辆容量模型，所述最大等待时间和所述最后期限，确定所述目标电动汽车的初步路线。
在一些实施例，所述根据所述目标电动汽车的当前状态和预设的充放电设备的路段信息，对初步路线进行调整，得到目标路线，包括：
基于所述几何信息，获取充放电设备的位置信息，并基于所述位置信息，确定所述充放电设备的所处路段；
基于所述当前状态和所述所处路段，确定所述目标电动汽车的充放电约束条件；
基于所述充放电约束条件对所述初步路线进行调整，得到所述目标路线。
在一些实施例，所述基于所述当前状态和所述所处路段，确定所述目标电动汽车的充电约束条件，包括：
获取所述目标电动汽车在预定时刻的充电状态、电池容量范围和能量需求数据；
基于所述充电状态、电池容量范围和能量需求数据，确定所述充放电约束条件。
在一些实施例，在所述根据所述目标电动汽车的当前状态和预设的充放电设备的路段信息，对初步路线进行调整，得到目标路线之后，所述方法还包括：
基于预设的第一函数，计算所述共享出行请求对应的共享出行资源数据；
基于预设的第二函数，计算所述目标电动汽车的充放电资源数据；
根据所述共享出行资源数据和所述充放电资源数据，确定所述目标电动汽车的调度资源数据。
在一些实施例，所述根据所述目标电动汽车的当前状态和预设的充放电设备的路段信息，对初步路线进行调整，得到目标路线，还包括：
基于预设的双级算法对所述共享出行请求对应的共享出行资源数据进行优化，得到候选资源数据；
对所述候选资源数据进行验证，得到验证结果，并根据所述验证结果确定最优资源数据，基于所述最优资源数据确定所述目标路线。
为实现上述目的，本申请实施例的第二方面提出了一种联网电动汽车的调度系统，所述系统包括：
采集模块，用于获取城市路网的几何信息、对象的共享出行请求和候选电动汽车的当前状态；
初筛模块，用于根据所述共享出行请求和所述几何信息，从所述候选电动汽车中筛选出与所述共享出行请求对应的目标电动汽车，并确定所述目标电动汽车的初步路线；
调整模块，用于根据所述目标电动汽车的当前状态和预设的充放电设备的路段信息，对所述初步路线进行调整，得到目标路线。
为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
本申请提出的联网电动汽车的调度方法和系统、电子设备及存储介质,其通过获取城市路网的几何信息、对象的共享出行请求和候选电动汽车的当前状态，能够通过获取必要信息从而为确定路线奠定基础。进一步地，根据共享出行请求和几何信息，从候选电动汽车中筛选出与共享出行请求对应的目标电动汽车，并确定目标电动汽车的初步路线，能够在满足共享出行的基础上确定初步路线，而施行共享出行能够降低成本。进一步地，根据目标电动汽车的当前状态和预设的充放电设备的路段信息，对初步路线进行调整，得到目标路线，能够在满足共享出行的基础上满足动态无线充电条件，而动态无线充电能够平滑城市智能电网的有功功率波动，因此这一方式能够同时解决共享出行和动态无线充电问题，在降低运营成本的同时还能缓解电网的电力波动。
附图说明
图1是本申请实施例提供的联网电动汽车的调度方法的流程图；
图2是本申请实施例提供的联网电动汽车的调度应用场景示例图；
图3是图1中的步骤S102的流程图；
图4是图1中的步骤S102的另一流程图；
图5是图1中的步骤S103的流程图；
图6是图5中的步骤S502的流程图；
图7是是本申请实施例提供的联网电动汽车的调度方法的另一流程图；
图8是图1中的步骤S103的另一流程图；
图9a是本申请实施例提供的联网电动汽车的调度方法中参与动态调度的联网电动汽车在不同比例下的成本情况示意图；
图9b是本申请实施例提供的联网电动汽车的调度方法中参与动态调度的联网电动汽车在不同比例下的回报评估情况示意图；
图10是本申请实施例提供的联网电动汽车的调度方法中不同的PT安置策略下的动态充放电调度的变化曲线图；
图11是本申请实施例提供的联网电动汽车的调度系统的结构示意图；
图12是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
交通网络：交通网络的物理距离基本上是由特定区域内的一个特定地点到另一个特定地点决定的。具体来说，将城市交通网络(即路网)建模为一个有向图G(v,ε)。其中，路段交叉点的集合被表示为路网的节点连接的边为ε，则/>表示节点总数，|ε|表示路径总数。
动力轨道(Power Track，PT)：是基于近场电磁感应的无线电力传输设备(Wireless Power Transmission，WPT)，常常被嵌入到每个路段的下方，设置有无线电力传输设备的路段能为联网电动汽车提供充电服务。
联网电动汽车(Connected Electric Vehicle，CEV)：联网电动汽车的集合被表示为。每辆联网电动汽车的目标是通过移动每个路段来完成共享出行以及动态充电的要求，其中每个路段的起始节点为i，终止节点为j，则(i,j)∈ε。对于联网电动汽车所提供的乘车服务，将/>作为共享汽车服务请求的索引集，r表示为一个共享出行请求；将Z作为对象的索引集。
电动汽车入网(Vehicle to Grid，V2G)：是一种电动汽车与电网的互动技术，具体指在满足用户充电需求的前提下，采取相应手段，引导电动汽车在特定时间内充电或者放电，充分发挥电动汽车作为移动储能单元的作用。
目前，随着数据传感、通信技术等技术不断发展和交通路网中的处理方法持续优化，智能交通系统和城市智能电网能够提供可靠和高效的交通服务。
相关技术中，智能交通系统中部署共享汽车，实现能源节约和社会互动，但缺少对电池驱动的汽车的考虑。同时，城市智能电网能够为联网电动汽车提供动态无线充电服务，但没有对电池电量需求进行考虑，忽略了城市智能电网和联网电动汽车之间的互动性，以上的技术方案都是单方面为联网电动汽车提供单一的公共服务，或者在没有评估通信可靠性的情况下执行多服务操作。因此，如何对联网电动汽车进行调度，以同时解决共享出行和动态无线充电问题，成为了一个亟需解决的技术问题。此外，还应解决智能城市中联网电动汽车的通信效果问题。
基于此，本申请实施例提供了一种联网电动汽车的调度方法和系统、电子设备及存储介质，旨在同时解决共享出行和动态充电问题，在降低运营成本的同时还能缓解电网的电力波动。
本申请实施例提供的联网电动汽车的调度方法和系统、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的联网电动汽车的调度方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的联网电动汽车的调度方法，涉及车辆资源动态调度领域。本申请实施例提供的联网电动汽车的调度方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现联网电动汽车的调度方法的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
图1是本申请实施例提供的一种联网电动汽车的调度方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S103。
步骤S101，获取城市路网的几何信息、对象的共享出行请求和候选电动汽车的当前状态；
步骤S102，根据共享出行请求和几何信息，从候选电动汽车中筛选出与共享出行请求对应的目标电动汽车，并确定目标电动汽车的初步路线；
步骤S103，根据目标电动汽车的当前状态和预设的充放电设备的路段信息，对初步路线进行调整，得到目标路线。
本申请实施例所示意的步骤S101至步骤S103，通过获取城市路网的几何信息、对象的共享出行请求和候选电动汽车的当前状态，能够通过获取必要信息从而为确定路线奠定基础。进一步地，根据共享出行请求和几何信息，从候选电动汽车中筛选出与共享出行请求对应的目标电动汽车，并确定目标电动汽车的初步路线，能够在满足共享出行的基础上确定初步路线，而施行共享出行能够降低成本。进一步地，根据目标电动汽车的当前状态和预设的充放电设备的路段信息，对初步路线进行调整，得到目标路线，能够在满足共享出行的基础上满足动态无线充电条件，而动态无线充电能够平滑城市智能电网的有功功率波动，因此这一方式能够同时解决共享出行和动态无线充电问题，在降低运营成本的同时还能缓解电网的电力波动。
具体地，请参阅图2，图2展示了联网电动汽车的调度方法的应用场景示例。首先，联网电动汽车从始发地出发，到达A点接载对象1，再行驶到B点接载对象2和对象3，其次，由于对象1、对象2和对象3的目的地为C点，因此，联网电动汽车需前往C点完成任务，此时在B点至C点的路由计划需要考虑充电服务，因此，联网电动汽车的行驶轨迹可能包括设置有无线电力传输设备的路段(即图2中的黑色加粗路段)。
在一些实施例的步骤S101中，城市路网的几何信息可以是城市路网的有向图的结构信息，其中，路段交叉点的集合被表示为路网的节点/>连接的边为ε，/>表示节点总数，|ε|表示路径总数。对象的共享出行请求可以包括对象的出发点、目的地、对象数量、最小服务时间和最大服务时间。候选电动汽车均为联网电动汽车，候选电动汽车的当前状态包括当前的对象容纳量、平均速度等等。
请参阅图3，在一些实施例中，步骤S102可以包括但不限于包括步骤S301至步骤S304：
步骤S301，基于预设参数判断候选电动汽车是否在预设时间经过城市路网的预设路段，得到判断结果，并根据判断结果确定第一约束条件，其中，预设路段包括起始节点和终止节点，预设路段是城市路网中符合通行条件的路段；
步骤S302，获取候选电动汽车到达终止节点的到达时间，并基于到达时间确定第二约束条件；
步骤S303，根据第一约束条件、第二约束条件、城市路网的几何信息，构建电动汽车网络流量模型；
步骤S304，基于电动汽车网络流量模型确定目标电动汽车的初步路线。
在一些实施例的步骤S301中，预设参数可以是一个二元变量xij,,，其表示候选电动汽车n在预设时间t是否穿越了预设路段(i,j)，其中i为预设路段的起始节点，j为预设路段的终止节点。同时，由于一些路段通行条件对某些车辆存在通行限制，例如，针对通行限制可以设置通行条件，通行条件可以是一些特定类型的车辆不允许在某些路段行驶，或者一些特定类型的车辆在某个时间点不允许在某些路段行驶等等，因此，首先通过节点定义通行限制区域，处于通行限制区域的节点为v′，连接的边为ε′，其中当道路上存在通行限制区域时，通过xij,,＝0,/>j∈v′,(i,j)∈ε′,/>来满足通行条件，其中，/>为时隙的索引集，则/>表示总操作时间段。具体地，xij,,取值为0或1，当xij,,取值为0时，表示候选电动汽车n没有在预设时间经过城市路网的预设路段，或者预设路段属于候选电动汽车n不能通行的路段；当xij,,取值为1时，表示候选电动汽车n在预设时间经过城市路网的预设路段。此时第一约束条件是xij,,＝1，将满足第一约束条件的候选电动汽车作为目标电动汽车，以上过程如公式(1)所示。
其中，CEVn表示第n辆候选电动汽车。
在一些实施例的步骤S302中，第n辆候选电动汽车CEVn到达终止节点j的到达时间可以是τj,n，其中，τj,n≥0。当对象的共享出行请求被分配后，CEVn应该接近共享出行的最终目的地，这表明CEVn至少要穿越交通网络的一个部分，该过程可以通过第二约束条件来确定，具体地，第二约束条件如公式(2)所示。
其中，表示CEVn的交付节点集，即目的地集合。
在一些实施例的步骤S303中，电动汽车网络流量模型可以是基于道路网络拓扑结构建立。针对路段(i,j)，假设表示节点i流入的车辆，/>表示节点i流出的车辆，则多条连续道路的连通性可以通过公式(3)得到保证。
其中，表示CEVn的目的地；/>表示CEVn的出发点。
在一些实施例的步骤S304中，当公式(3)中的的取值为1或-1时，表明出发地和目的地之间分别有流入和流出的车辆流，从而保证了初步路线的连通性。
通过上述步骤S301至步骤S304能够根据预设参数和候选电动汽车到达终止节点的到达时间分别构建第一约束条件、第二约束条件，根据第一约束条件、第二约束条件以及城市路网对应的几何信息来确定电动汽车网络流量模型，从而基于电动汽车网络流量模型来实现车辆线路的连通，提高了筛选出的目标电动汽车的准确性以及初步路线的合理性和连贯性。
请参阅图4，在一些实施例中，步骤S102可以包括但不限于包括步骤S401至步骤S404：
步骤S401，基于目标电动汽车的当前状态和共享出行请求，确定对象的最大等待时间、最大服务时间和最小服务时间；
步骤S402，基于最大服务时间和最小服务时间确定共享出行请求对应的最后期限；
步骤S403，基于共享出行请求中的对象数量，建立车辆容量模型；
步骤S404，基于车辆容量模型，最大等待时间和最后期限，确定目标电动汽车的初步路线。
在一些实施例的步骤S401中，共享出行需要考虑对象的等待时间，对象的共享出行请求还包括最大等待时间，根据最大等待时间可以按照就近原则筛选候选电动汽车，从候选电动汽车中筛除不能在对象最大等待时间内完成请求的电动汽车，因此，目标电动汽车在节点j的到达时间加上停留时间，不能超过对象的最大等待时间，其约束条件如公式(4)所示。
其中，τj,表示候选电动汽车到节点j的到达时间；表示对象在节点j的最大等待时间；kj,n表示CEVn在节点j的停留时间。
同时，当目标电动汽车完成共享出行请求时，节点的到达时间会被更新。这一过程中，节点的到达时间应大于或等于行驶时间加上对象的上车及下车时间，该约束条件可描述如公式(5)所示。
其中，τi,表示候选电动汽车到节点i的到达时间；ki,n表示候选电动汽车在节点i处的停留时间；Tij,表示候选电动汽车在路段(i,j)的行驶时间。
在一些实施例的步骤S402中，根据对象的共享出行请求得到对应请求r的最大服务时间和最小服务时间/>可以得到候选电动汽车到达对象的目的地的时间范围，即到达节点j的到达时间应该在请求r的服务范围内，其中/> 是所有共享出行请求的集合，该过程可表示为如公式(6)所示。
基于上述公式(5)，共享出行请求对应的最后期限小于或等于最大服务时间，且候选电动汽车到达目的地的到达时间/>要小于或等于最后期限，其中/>表示此时候选电动汽车的目的地，可表示为如公式(7)所示。
在一些实施例的步骤S403中，共享出行请求还包括对象数量。可以通过考虑根据联网电动汽车在共享出行服务期间对象持有数量的变化来建立车辆容量模型，该车辆容量模型如公式(8)所示。
其中，Wj,表示CEVn在节点j的装载能力，即第n个候选电动汽车在节点j的已装载对象总容量；Wi,n表示CEVn在节点i的装载能力，即第n个候选电动汽车在节点i的已装载对象总容量；qi,n表示CEVn的装载能力数为节点i上的对象，即在节点i增加或减少的对象数量，因此qi,n可以为正数也可以为负数，它是根据服务请求的数量得到的。当CEVn完成服务请求时，变量Wj,n也被更新。
在一些实施例的步骤S404中，根据车辆容量模型，最大等待时间和最后期限，将满足上述公式(4)至公式(8)表示的约束条件的候选电动汽车作为目标电动汽车，并根据上述约束条件确定目标电动汽车实现共享出行请求的初步路线。
通过上述步骤S401至步骤S404能够较为方便地根据共享出行请求中的时间约束条件以及车辆容量要求筛选出符合要求的候选电动汽车，并根据共享出行请求中对象的出发地和目的地、城市路网的几何信息确定目标电动汽车实现共享出行请求的初步路线，提高了筛选出的目标电动汽车的准确性以及初步路线的合理性和连贯性。
请参阅图5，在一些实施例中，步骤S103可以包括但不限于包括步骤S501至步骤S503：
步骤S501，基于几何信息，获取充放电设备的位置信息，并基于位置信息，确定充放电设备的所处路段；
步骤S502，基于当前状态和所处路段，确定目标电动汽车的充放电约束条件；
步骤S503，基于充放电约束条件对初步路线进行调整，得到目标路线。
在一些实施例的步骤S501中，充放电设备的位置信息可以是GPS空间坐标，根据路网的有向图信息，将充放电设备的所处路段添加进路网信息，从而完善几何信息。基于此，可以规划出能够为参加出行共享的候选电动汽车提供动态无线充电或放电的路线，而不参加出行共享的候选电动汽车被视为在路网中行驶的车队。因此，需要考虑充电或放电机制，目标电动汽车的充电和放电功率如公式(9)所示。
其中，是CEVn的最大放电功率，指候选电动汽车允许传输电力返回电网所提供的最大电力值；y(i,j),表示在时间t安装在道路(i,j)∈ε的无线电力传输设备的有效能量指标；Pn,t是CEVn在时间t的有功功率；/>是CEVn的最大充电功率限制，主要是依据充电桩的配置所设置。
在一些实施例的步骤S502中，当前状态包括充电状态、CEVn在时间t的有功功率，其中，充电状态又称SOC，全称为State of Charge，指的是目标电动汽车电池的电荷状态，即电池中剩余电荷的可用状态，一般通过百分比来表示，其计算方式为电池剩余电荷余量除电池的额定电荷容量再乘以百分之百。其次，基于所处路段，可以得到路段长度信息。而经过一个时段Δt，CEVn的SOC变化如公式(10)所示。
其中，Sn,表示CEVn在时间t上的SOC；Δt表示一个时段的长度；Cn表示CEVn的电池容量，该参数可以是在候选电动汽车在参与乘车共享时提供的；η(·)表示充电和放电功率的效率。η(·)的计算方式如公式(11)所示。
其中，ηch表示充电效率，ηdch表示放电效率。
因此，基于当前状态和所处路段，能够确定目标电动汽车的充放电约束条件，其中，充放电约束条件如公式(9)、公式(10)和公式(11)所示。
在一些实施例的步骤S503中，根据目标电动汽车是否满足充放电约束条件来确定路线是否需要经过PT路段，从而对初步路线进行调整，得到目标路线。具体地，以图2所示的应用场景进行举例，如果目标电动汽车满足充放电约束条件，则从B点至C点的路由计划包括设置有无线电力传输设备的路段；如果目标电动汽车不满足充放电约束条件，则从B点至C点的路由计划不包括设置有无线电力传输设备的路段。
通过上述步骤S501至步骤S503能够根据路网的几何信息和充放电设备的位置信息获取充放电设备的所处路段，再根据目标电动汽车的当前状态和所处路段信息，确定充放电约束条件，再根据目标电动汽车是否满足充放电约束条件，对目标电动汽车的初步路线进行优化调整，得到目标路线，提高了目标路线的合理性，实现了对目标电动汽车进行无线充放电，同时也能缓解智能城市的电力波动。
请参阅图6，在一些实施例，步骤S502包括但不限于包括步骤S601至步骤S603：
步骤S601，获取目标电动汽车在预定时刻的充电状态、电池容量范围和能量需求数据；
步骤S602，基于充电状态、电池容量范围和能量需求数据，确定充放电约束条件。
在一些实施例的步骤S601中，预定时刻的充电状态可以是目标电动汽车的初始充电状态该充电状态可以在目标电动汽车响应共享出行请求时获取。电池容量范围包括电池的上限/>和下限/>根据电池的标准，上限可以为90％-99％，下限可以为10％-20％，具体数值根据具体情况设置。而能量需求数据/>可以是根据每个联网电动汽车参与共享出行前提供的要求来确定，因此，根据候选电动汽车要求的不同，存在不同的能量需求数据。具体地，假设候选电动汽车CEV1的要求是保证有5％的电量增长，则候选电动汽车CEV1的能量需求数据为初始充电状态的5％再加上初始充电状态和最终充电状态的差值；假设候选电动汽车CEV2的要求是不消耗电量，则候选电动汽车CEV2的能量需求数据为初始充电状态和最终充电状态的差值。这一方式实现了个性化充放电，能提高候选电动汽车的使用便利性。
在一些实施例的步骤S602中，由于CEV在交通网络上行驶，CEVn的行驶距离被定义为dij,n,t，而CEVn的行驶距离可以基于所处路段得到，也可以由得到。因此，CEV的实时电池能量消耗表示为如公式(12)所示。
其中，Sn,t+Δt表示经过时段Δt后CEVn的SOC；βn是CEVn的单位能源消耗系数。
除了参与的CEVn在行驶过程中的能量消耗之外，还必须满足与其充电或放电行为相关的能量需求，其能量需求数据如公式(13)所示。
其中，表示CEVn在目的地的SOC，/>表示CEVn在出发点的SOC。
进一步地，为了防止过度充电和深度放电，还需要对电池容量进行限制，从而延长电池的寿命。因此，在时间t上，本申请实施例的联网电动汽车的调度方法还需要遵循t时刻CEVn的充电状态Sn,t小于或等于设定的上限，并且大于或等于设定的下限，如公式(14)所示。
通过上述步骤S601至步骤S602能够通过获取目标电动汽车在预定时刻的充电状态、电池容量范围和能量需求数据，其中，通过限制电池容量实现对电池使用寿命的保护，还能根据能量需求数据对目标电动汽车的初步路线进行优化，实现对不同需求的电动汽车的个性化充放电服务。进一步地，根据上述约束确定目标电动汽车的充放电约束条件，从而能够通过约束条件对路线进行调整，提高目标路线的合理性，也能根据智能城市的电力波动对路线进行优化，从而平滑电力波动。
在另一些实施例中，本申请实施例的联网电动汽车的调度方法还考虑到了通信约束。不完善的通信约束是基于可再生能源(Renewable Energy Source，RES)和联网电动汽车的不完善通信得出的。不完善的通信容易导致较大的丢包概率，从而影响RES的预测和V2G充放电技术的调度性能。由于RES的随机性和间歇性特点，实际输出的有功功率信号可能不准确，因此，需要将包括信息错误在内的调节信号的不完美通信建模为其中et～N(0,0.3)。其次，通信还依赖于安装在联网电动汽车的无线充电器上的智能仪表的可靠性。因此，在该实施例具体实现时，不完善的通信与实时SOC数据和联网电动汽车的数据传输到联网电动汽车的调度控制中心的运行时间有关。由于数据通信时间的限制，通信阶段的数据包丢失可能很容易发生。具体地，如果数据包不可用，就会缺乏SOC数据和联网电动汽车运行状态的信息，就会导致调度性能下降。在这种情况下，可以对相关的通信约束进行建模，具体过程如公式(15)所示。
其中，In,是一个二进制变量，在数据包丢失概率为σt，时间为t的情况下，用于评估SOC数据和联网电动汽车运行状态是否被采集，σt的取值范围是[0,1]。然后，在公式(4)、公式(5)、公式(10)和公式(12)的满足条件的情况下实现公式(15)，以表明在数据通信期间，由于数据包丢失，可能出现旅行延迟和无法获得SOC水平的情况。当In,取值为1时，表明在时间t上，CEVn被选择进行数据采集，当In,取值为0时，表明在时间t上，CEVn不被选择进行数据采集。
此外，调度控制中心在收到能源市场和交通网络的信息后，可以集中向所有的参与共享出行的CEV广播操作信号。设D为一维控制变量的大小，由于调度控制中心和参与的CEV之间可能存在大量的通信，大量的候选电动汽车可能同时产生通信节点之间的通信负担。在这种情况下，该联网电动汽车的调度方法中的通信开销被定义为CO，其计算公式如公式(16)所示。
其中，m表示迭代的次数。
上述实施例通过对通信进行约束，能够减少通信开销，提高调度控制中心与候选电动汽车之间的通信效率和通信可靠性，从而有效地提高联网电动汽车的调度方法的调度性能。
请参阅图7，在一些实施例的步骤S103之后，联网电动汽车的调度方法还可以包括但不限于包括步骤S701至步骤S703：
步骤S701，基于预设的第一函数，计算共享出行请求对应的共享出行资源数据；
步骤S702，基于预设的第二函数，计算目标电动汽车的充放电资源数据；
步骤S703，根据共享出行资源数据和充放电资源数据，确定目标电动汽车的调度资源数据。
在一些实施例的步骤S701中，对于共享出行，相关操作与CEV的旅行距离相关。此外，由于每个时隙的剩余服务时间将被减少，这会涉及到保证对象的满意度的乘车业务的共享出行资源数据。因此，预设的第一函数可以是共享出行成本函数，如公式(17)所示。
其中，FRS表示共享出行请求对应的共享出行资源数据；αn表示CEVn的单位行驶成本，其具体数值根据实际情况设置；γn表示CEVn的单位运输成本系数，其具体数值根据实际情况设置。
在一些实施例的步骤S702中，对于CEV动态无线充电或放电，其运营成本在时间执行动态V2G调度时与候选电动汽车的管理直接相关。这样的机制会产生CEV的充电或放电成本。此外，还需要通过V2G辅助服务来保持系统的稳定性要求，例如，V2G调节服务可以将电网频率保持在一个稳定的范围内。更重要的是，这种服务还可以平滑城市智能电网的有功功率波动。基于这些方面，预设的第二函数可以是动态V2G协调成本函数，如公式(18)所示。
具体地，FV2G表示目标电动汽车的充放电资源数据；λn表示CEVn的充电或放电成本，其具体数值根据实际情况设置；表示提供调节服务的报酬，即放电的报酬，/>的具体计算公式如公式(19)所示。
其中，ξ是用于考察调节性能的惩罚参数，其取值范围是ξ∈(0,1]；Rbase是提供V2G调节服务的基础奖励，按实际情况设置；表示在时间t上的系统总实功率。
进一步地，设置为电网功率曲线。其计算公式如公式(20)所示。
/>
其中,表示在时间t上的调节信号,/>是CEVn的功率曲线。
在一些实施例的步骤S703中，根据公式(19)，设计V2G的协调功能，以获得提供V2G调节服务的回报，同时使充电放电成本最小化。因此，目标电动汽车的调度资源数据，即共享出行和V2G无线充放电的联合问题可以表述为如公式(21)所示，公式(21)包括(21a)和(21b)。
minimize FRS+FV2G, (21a)
subject to(2)-(10),(12)-(14), (21b)
其中，minimize FRS+FV2G指目标电动汽车的调度资源数据的最小值，subject to指约束条件，可以简写为s.t.，因此，subject to(2)-(10),(12)-(14)表示公式(21a)的约束条件是公式(2)-(10)以及公式(12)-(14)，即公式(21a)的计算结果要满足公式(2)-(10)以及公式(12)-(14)的约束。
进一步地，在公式(21)中，如果没有关于公式(5)和公式(8)的先验信息，就不能直接建模。因此，可以考虑将公式(5)和公式(8)转换为等价的线性形式。在此之前，需要考虑以下两种情况：
情况1：如果xij,n,t＝0，从节点i开始通过路段(i,j)∈ε，CEVn不会访问节点j，由于τj,n被限制在一个可行的区域内，所以τi,n和τj,n没有任何关系。同理，Wi,n和Wj,n也没有任何关系。因此，在情况1中，约束条件公式(5)和公式(8)是不存在的。
情况2：如果xij,n,t＝1,则τj,n必须大于或等于约束条件公式(5)的右边，即τi,n+ki,n+Tij,n。
基于以上两种情况，公式(5)和公式(8)通过使用big-M重构被转化为等效的线性形式，如公式(22)和公式(23)所示。
τj,n≥τI,n+kI,n+Tij,n-M(1-xIj,n,t), 公式(22)
Wj,n≥Wi,n+qi,n-M(1-xij,n,t), 公式(23)
其中，公式(5)转化为公式(22)，公式(8)转化为公式(23)。
通过上述线性变换，目标电动汽车的调度资源数据可以表述为如公式(24)所示，公式(24)包括(24a)和(24b)。
minimize FRS+FV2G,(24a)
subject to(2)-(4),(6),(7),(9),(10),(12)-(14),(22),(23),(24b)
在一些具体实施例中，智能城市的共享出行和城市电力需求是以实时方式解决的。因此，在每个时隙，智能系统都会收到实时的共享出行请求r和监管信号然后智能系统协调参与的CEVs立即提供联合服务。因此，考虑到实时共享出行操作，公式(17)可以表示为如公式(25)所示。
对于动态的V2G调度，可以将公式(18)转换为如公式(26)所示。
根据约束条件公式(10)、公式(13)和公式(14)，对于在线V2G调度，CEV应满足的充电要求如公式(27)所示。
其中，表示CEVn要充电的最大SOC；Pn,t表示车辆功率曲线。进一步地，引入安全系数μ用来处理实时信息的不确定性，其取值范围为μ∈[0,1]。通过引入μ，增加了CEVn的能量缓冲区，以适应不确定性。其中，关于μ的计算公式如公式(28)所示。
基于以上改进，目标电动汽车的调度资源数据可以表述为如公式(29)所示，公式(29)包括(29a)和(29b)。
subject to(24b),(27),(29b)
通过上述步骤S701至步骤S703能够在实时提供联合服务的情况下，基于优化的第一函数和第二函数计算目标电动汽车的调度资源数据，能够提高系统在实时性情况下的反应能力。进一步地，引入安全系数对实时信息的不确定性进行处理，增加CEV n的能量缓冲区，提高调度资源数据的准确性。
请参阅图8，在一些实施例中，步骤S103可以包括但不限于包括步骤S801至步骤S802：
步骤S801，基于预设的双级算法对共享出行请求对应的共享出行资源数据进行优化，得到候选资源数据；
步骤S802，对候选资源数据进行验证，得到验证结果，并根据验证结果确定最优资源数据，基于最优资源数据确定目标路线。
在一些实施例的步骤S801之前，考虑运营约束主要与CEV机制有关。而随着CEV数量的增加，约束条件显得更加复杂。且定义的共享出行和动态调度问题需要实时解决，由于CEV的约束条件复杂，系统仍然会随着CEV数量的增加而爆炸。因此，为了以可扩展的方式解决问题，可以利用Benders分解法来解决混合整数线性规划(Mixed Integer LinearProgram，MILP)问题。通过将xij,,作为连接变量，可以将原问题转化为一个双层次问题，双层次问题可以基于双级算法求解，将原问题分为主问题和子问题，其中，原问题就是关于目标电动汽车的调度资源数据的共享出行和V2G无线充放电的联合问题。主问题的目的是最小化由共享汽车运营所产生的系统成本(即最小化共享出行请求对应的共享出行资源数据)，并设置相关的约束条件，这就是MILP问题，其中主问题可以表示如公式(30)所示，公式(30)包括(30a)、(30b)和(30c)。
subject toΩt≥0,(30b)
(2),(4),(6),(7),(22),(23),(30c)
其中，Ωt是主问题的Benders切割的表示。Benders切割作为惩罚项和额外的约束被添加到主问题中，而Ωt的约束条件如公式(31)所示。
在公式(30)与公式(31)中，由于没有考虑对动态调度的约束，因此，相比于原始模型(即公式(29)表示的调度资源数据)，主问题是被简化的。而为了使得通过解决主问题(公式(30))获得的共享出行资源数据不应大于在原始模型中得到的解决方案，可以将主问题的可行解记为将原始模型中
得到的最优解记为因此，/>的约束条件如公式(32)所示。
其中，指的是基于公式(30)得到的共享出行资源数据的所有可行解，/>指的是基于公式(29)得到的共享出行资源数据最优解。
但是，由于新模型不涉及对动态调度的约束，所以，通过计算主问题得到的解决方案可能是不可行的。因此，为了检查解决方案的可行性，使用切割的相关调整是至关重要的，它与下层制定的子问题有关。而子问题可以表示如公式(33)所示，公式(33)包括(33a)、(33b)、(33c)、(33d)和(33e)。
subject to xij,,＝xi ′ j,,,(33b)
τj,＝τj ′ ,n,(33c)
Wj,n＝Wj ′ ,n,(33d)
(9),(10),(12)-(14),(33e)
其中，xi ′ j,,、τj ′ ,n、Wj ′ ,指的是所有可行解中任意一个可行解对应的各个参数值。通过子问题对主问题中得到的解决方案进行验证，实现对方案可行性的检查。
进一步地，针对如何对可行方案进行评估作了进一步的研究，将可行方案的最优性的差距定义为∈。
其中，是共享出行资源数据的上限，它是初始设定好的，它满足的约束条件为
根据Benders Cuts的特性，由于更多的切割被添加到主问题的约束条件中，Benders Cuts的值不会减少，即Ωt的值不会减少，因为更多的切割被添加到主问题的约束中。同时，如果得到了最优解决方案，那么F′t RS将不会增加。因此，可以理解的是，公式(34)是一个与迭代数有关的递减函数。当差距∈尽可能地小的时候，就达到了停止的标准，即选择此时的F′t RS作为基于公式(30)得到的共享出行资源数据最优解将/>作为最终结果。
在一些实施例中，预设的双级算法可以是如表1所示。
其中，是最优解/>中的各个参数值。/>
表1
接下来以如表1所示的双级算法对步骤S801至步骤S802进行具体解释说明。
在一些实施例的步骤S801中，预设的双级算法可以是在每个时隙执行，首先，系统接收路网信息、总运行时间和参与的CEV数量。其次，在每个时间t时，系统获得共享出行请求rt和调节信号通过求主问题的解得到候选资源数据，候选资源数据指的是通过解决主问题获得的共享出行资源数据的所有可行解，即F′t RS。
在一些实施例的步骤S802中，将候选资源数据代入下层的子问题得到可行的解，即对候选资源数据进行可行性验证，然后将得到的可行的解代入上层的主问题。即通过求解主问题，得到x′ij,n,t、τ′j,n、W′j,n的对应值，再基于这3个值对公式(33)中的的解进行约束，从而得到P′n,t的值，由于P′n,t与x′ij,n,t存在相互约束关系，因此需要根据P′n,t的值对初步路线进行优化，具体地，将x′ij,n,t、τ′j,n、W′j,n、P′n,t的值代入公式(30)进行计算，并将得到的计算结果代入公式(34)进行差距验证，并对差距验证的结果与停止标准进行比对，若差距验证的结果符合停止标准，则将此时的F′t RS作为最优资源数据，最优资源数据表示为/>基于此，共享出行和V2G调度方案被确定，即目标路线被确定，而共享出行资源数据的上限/>也相应地得到。同时，对于每一个迭代的系统m，最优资源数据中对应的和/>在每个时间段都被更新。此外，为了达到停止的标准，定义了m＝Mo这个约束条件以接近最大迭代数。
通过上述步骤S801至步骤S802能够将问题作为一个MI LP问题，并基于Benders分解的双级算法，将问题分解为主问题和子问题进行解决，通过对主问题进行求解得到解决方案，并将解决方案带入子问题进行可行性验证，以此确定解决方案的可行性，再将通过了可行性验证的解决方案进行差距验证，以此确定最优解决方案，从而实现以可扩展的方式解决所制定的问题，同时也能对获得接近最优解决方案提供帮助。
下面对本申请实施例的联网电动汽车的调度方法的具有应用示例进行描述。
为了对本申请提出的联网电动汽车的调度方法进行评估，因此将该调度方法应用于C镇。C镇共有56条边和26个节点，每个节点都有一个特定的路段长度。其中，18米和725米分别是最大和最小的边缘长度。此外，选择下午5点到晚上7点作为时间窗口，捕捉每天的CEV移动模式，因此可以分为分钟的时段，Δt＝1分钟。
对于CEV共享和V2G协调的设置，首先可以将接近最终目的地的期限设定为等于系统运行期。对于共享出行的操作，可以将对象数量设定为10人，每个CEV可能装载的最大对象数量为4。单位行驶成本的数值为每英里1.73，单位运输成本系数为每小时83.68。此外，还可以随机选择CEV共享计划的最终目的地，因为它们与起点完全不同。另一方面，对于V2G调节服务，可以利用了2020年1月1日的调节信号数据，遵循目标市场标准，将基本调节奖励设定为一个固定数值。
针对CEV的设置。可以设置两种类型的CEV群体，不同类型的联网电动汽车可以根据供应商的不同来确定。进一步地，假设每辆CEV以每小时30公里(18.64英里)的固定速度行驶，参照城市平均交通速度。同时，每辆CEV的单位能源消耗系数被设定为每公里1.112千瓦时。充电标准的单一标准线圈组用于WPT功率等级1和2，最大功率为7.7kW。然后，放电和充电功率限制分别设置为-7kW和7kW。此外，充电和放电的效率被设定为0.9。此外，还可以使用均匀分布来模拟CEV的SOC设置。具体地，将CEV的初始SOC为U[40％,50％]，而充电的履行情况为U[0％,10％]。当最低和最高SOC分别为U[10％,20％]和U[90％,99％]时，充电和放电机制的安全条件被考虑在内。
进一步地，为了更为准确地评估本申请实施例的联网电动汽车的调度方法对应的联网电动汽车系统的性能，本申请实施例还设置了四种实施方式，并就这四种不同的情况进行比较。具体如下：
情形1：采取公式(26)中的在线集中式拼车和动态V2G调度方法；
情形2：采取在线提出的双级联合方法；
情形3：只考虑CEV乘车方式；
情形4：只考虑动态V2G调度方法。
情形1表示本申请实施例设计的CEV系统，采用在线集中式拼车和动态V2G调度方法，情形2表示设计的在线双级CEV算法。同时，对于动态V2G调度，假设50％的路段以随机方式嵌入PT。对于情形3，可以确定为CEV系统单边执行乘车共享操作。在这种情况下，这种方法不涉及动态V2G调度的实施。此外，对于情形4，它只考虑提供V2G服务。
情形3是基于集中式乘车方法而设计的。特别是，优化问题只涉及目标函数公式(15)和约束条件公式(2)-(4)、公式(6)、公式(19)及公式(20)。由于在共享出行方式中可以得到最优的操作方案，所以情形3被设定为一个基准。在情形4中，每个单独的CEV的时间表由系统通过集中的方法来协调。在接收到调节信号和CEVs的状态后，系统对能够调度的下属CEVs的时间表进行优化。当预测信息可用且准确时，其结果可以收敛到动态V2G调度的全局最优。因此，情形4可以被视为评估整体性能的另一个基准。
在一个具体实施例中，可以用四个指标来表示所提出的共享出行方案中提供的整体性能，如整个系统成本(即调度资源数据)、总调节奖励、总共享出行成本和平均单位服务时间。如下表2所示，表2是本申请实施例的共享出行计划在不同场景下的比较。情形1和情形2都获得了相对较高的系统成本，因为它们提供的是联合乘车和收费服务。此外，与情形4相比，情形2获得的调节奖励略低，因为情形4只提供CEV动态充电服务。考虑到共享出行的成本，由于情形2比情形3获得了更高的价值，情形1提供这种服务所消耗的时间只比情形3的每个请求高一点。这一结果也表明，情形2在城市地区带来了有效的乘车共享服务。此外，与情形1相比，情形2在整体性能上成功地实现了接近最优的解决方案。
表2
进一步地，可以评估不同方案在提供V2G调节服务方面的表现。文件的标准偏差被用作评价指标，其计算方法表示如下公式：
对于上述公式，较好的服务质量体现在获得的数值较小。由于原始调节功率的标准偏差为3.79×102kW，可以通过对调节功率进行运算来测试所提出的方法在不同调节水平下提供调节服务的有效性。相关结果见表3，表3是不同监管水平下的总功率分布的标准差。其中，对第一列数据进行举例说明：在调解功率为原始调解功率的3.5倍的情况下，即调解功率为5.05×101kW的情况下，情形1中的标准差为1.68×101kW；情形2中的标准差为1.76×101kW；情形3中的标准差为5.05×101kW；情形4中的标准差为2.50×10-3kW。标准差的减小提高了情形1、情形2和情形4的V2G调节服务的有效性。此外，与只涉及城市地区动态V2G调度的情形4相比，情形2在V2G协调方面产生了更好的结果。此外，通过与情形1的比较，情形2可以实现接近最优的解决方案。
进一步地，就各种情况对电网频率的影响做进一步模拟。这里，按照目标城市的标准将电网频率标准设定为50Hz。同时，调节功率被设定为乘法的3.5倍。此外，运行区域的容限应小于1％，如[49.5,50.5]Hz，以保证系统的稳定性。不同情形的稳定情况表示如表4，表4是不同场景下的城市智能电网频率结果。情形1、情形2和情形4都能达到稳定标准，因为三个结果都很接近。情形3不能保持系统稳定，因为它不提供V2G调节服务。因此，可以直观地看出，所提供的服务的高质量是可以保证的。
表3
| 场景 | 标准偏差(Hz) | 平均值(Hz) |
| 情形1 | 3.08×10-1 | 50 |
| 情形2 | 3.93×10-1 | 50 |
| 情形3 | 1.39×10-1 | 50 |
| 情形4 | 3.07×10-1 | 50 |
表4
在一些实施例中，为了对共享出行和动态充放电联合问题的成本或者回报进行评估，进一步分析了在提供联合服务时与不同的CEV渗透率相关的经济效益。在这里，可以评估了当调节功率乘以3.5倍时的性能。在实际生活中，联网电动汽车调度系统中的每辆CEV在提供共享服务时都有自己参与动态无线充电方案的意愿。因此，为了评估联合服务的经济成本/回报，可以考虑了五种不同的情况，分别是0％、25％、50％、75％和100％的CEV参与动态无线调度方案。如图9a和图9b所示，图9a是参与动态调度的联网电动汽车在不同比例下的成本评估情况示意图，图中的系统运行成本指的是共享出行资源数据；图9b是参与动态调度的联网电动汽车在不同比例下的回报评估情况示意图，图中的V2G频调回报指的是提供调节服务的报酬由此可知，随着参与两种服务的CEV数量的增加，获得了更多的系统回报，并实现了更少的系统运行成本。此外，本申请实施例设计的算法在解决联合问题上的有效性可以明显地体现出来，当参与的CEVs比例达到75％以上时，就会有高的奖励和低的系统运行成本。
进一步地，还可以从网络规模方面对本申请实施例提出的联网电动汽车的调度方法进行评估。具体地，还可以进一步评估了另一个大型城市网络的性能，即D市。D市共有133条边和66个节点。采取和应用于C镇的调度方法的配置方式，利用计算时间作为本次的评估指标。参照表5(即20个CEV的不同网络规模的计算时间)，表5是20个CEV的不同网络规模的计算时间明细表。由此可知，当交通网络规模增加时，情形1、情形2和情形3的计算时间都会增加。在这种情况下，更复杂的城市交通网络会产生更多的模型约束。对于情形4，计算时间没有明显的变化，因为这种方法不涉及城市道路网络之间的共享操作。此外，情形2实现了比情形1和情形3低得多的计算时间，因为提出的双级联合方法(情形2)可以大大降低这两个城市的问题复杂性。
表5
进一步地，还可以从PT安置战略方面对调度方法进行评估。具体地，本申请实施例研究了不同的PT安置策略下V2G调节服务的质量。例如，考虑了C镇的三种不同情况，即“情形2-无PT”、“情形2-半PTs”和“情形2-全PTs”。第一种情况是，不考虑交通网络中的PT布置。与此不同的是，“情形2-半PTs”表示50％的路段被嵌入PTs，而“情形2-全PTs”表示所有的道路都安装了PTs。特别是，对于“情形2-半PTs”，可以利用随机策略来放置PT。需要注意的是，每个PT的长度为75米。同时，调节功率被设定为乘以3.5倍。通过这些设置，可以得到不同PT放置策略下的动态V2G协调性能。其结果可以如图10所示。由图可知，“情形2-全PTs”(即图10中的S2-full PTs)可以实现最平坦的有功功率曲线，而“情形2-无PT”(即图10中的S2-noPTs)的表现最差。对于“情形2-半PTs”(即图10中的S2-half PTs)，它可以缓解整个曲线的大部分波动。然而，安装在路段上的PT的数量不足，限制了动态V2G协调与提供V2G调节服务的性能。通过该方式能够确定不同的的PT安置策略下，V2G调度的有效性，从而实现较好地安置策略，以提高调度的有效性。
进一步地，还可以对所设计的在线双级算法的收敛性进行评估。并且双级算法能实现最优值收敛，且不同城市路网在收敛时对应的最优值会相同或者不同。具体地，本申请实施例中的在线双级算法的阈值差距基于公式(32)计算，将在线双级算法应用于D市和F市。其中，在D市，经过3次迭代后达到阈值；在F市，经过4次迭代后达到平衡。
请参阅图11，本申请实施例还提供一种联网电动汽车的调度系统，可以实现上述联网电动汽车的调度方法，该系统包括：
采集模块1101，用于获取城市路网的几何信息、对象的共享出行请求和候选电动汽车的当前状态；
初筛模块1102，用于根据共享出行请求和几何信息，从候选电动汽车中筛选出与共享出行请求对应的目标电动汽车，并确定目标电动汽车的初步路线；
调整模块1103，用于根据目标电动汽车的当前状态和预设的充放电设备的路段信息，对初步路线进行调整，得到目标路线。
该联网电动汽车的调度系统的具体实施方式与上述联网电动汽车的调度方法的具体实施例基本相同，在此不再赘述。
本申请实施例还提供了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述联网电动汽车的调度方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图12，图12示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器1201，可以采用通用的中央处理器(Central Processing Unit，CPU)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器1202，可以采用只读存储器(Read Only Memory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器1202可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1202中，并由处理器1201来调用执行本申请实施例的联网电动汽车的调度方法；
输入/输出接口1203，用于实现信息输入及输出；
通信接口1204，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线1205，在设备的各个组件(例如处理器1201、存储器1202、输入/输出接口1203和通信接口1204)之间传输信息；
其中处理器1201、存储器1202、输入/输出接口1203和通信接口1204通过总线1205实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述联网电动汽车的调度方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的联网电动汽车的调度方法、联网电动汽车的调度系统、电子设备及存储介质，其通过获取城市路网的几何信息、对象的共享出行请求和候选电动汽车的当前状态，能够通过获取必要信息从而为确定路线奠定基础。进一步地，根据共享出行请求和几何信息，从候选电动汽车中筛选出与共享出行请求对应的目标电动汽车，并确定目标电动汽车的初步路线，能够在满足共享出行的基础上确定初步路线，而施行共享出行能够降低成本。进一步地，根据目标电动汽车的当前状态和预设的充放电设备的路段信息，对初步路线进行调整，得到目标路线，能够在满足共享出行的基础上满足动态无线充电条件，而动态无线充电能够平滑城市智能电网的有功功率波动，因此这一方式能够同时解决共享出行和动态无线充电问题，在降低成本的同时还能缓解电网的电力波动。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
Claims (10)
1.一种联网电动汽车的调度方法，其特征在于，所述方法包括：
获取城市路网的几何信息、对象的共享出行请求和候选电动汽车的当前状态；
根据所述共享出行请求和所述几何信息，从所述候选电动汽车中筛选出与所述共享出行请求对应的目标电动汽车，并确定所述目标电动汽车的初步路线；
根据所述目标电动汽车的当前状态和预设的充放电设备的路段信息，对所述初步路线进行调整，得到目标路线。
2.根据权利要求1所述的一种联网电动汽车的调度方法，其特征在于，所述从所述候选电动汽车中筛选出与所述共享出行请求对应的目标电动汽车，并确定所述目标电动汽车的初步路线，包括：
基于预设参数判断所述候选电动汽车是否在预设时间经过所述城市路网的预设路段，得到判断结果，并根据所述判断结果确定第一约束条件，其中，所述预设路段包括起始节点和终止节点，所述预设路段是所述城市路网中符合通行条件的路段；
获取所述候选电动汽车到达所述终止节点的到达时间，并基于所述到达时间确定第二约束条件；
根据所述第一约束条件、所述第二约束条件、所述城市路网的几何信息，构建电动汽车网络流量模型；
基于所述电动汽车网络流量模型确定所述目标电动汽车的初步路线。
3.根据权利要求1或者2所述的一种联网电动汽车的调度方法，其特征在于，所述从所述候选电动汽车中筛选出与所述共享出行请求对应的目标电动汽车，并确定所述目标电动汽车的初步路线，包括：
基于所述目标电动汽车的当前状态和所述共享出行请求，确定所述对象的最大等待时间、最大服务时间和最小服务时间；
基于所述最大服务时间和所述最小服务时间确定所述共享出行请求对应的最后期限；
基于所述共享出行请求中的对象数量，建立车辆容量模型；
基于所述车辆容量模型，所述最大等待时间和所述最后期限，确定所述目标电动汽车的初步路线。
4.根据权利要求1所述的一种联网电动汽车的调度方法，其特征在于，所述根据所述目标电动汽车的当前状态和预设的充放电设备的路段信息，对初步路线进行调整，得到目标路线，包括：
基于所述几何信息，获取充放电设备的位置信息，并基于所述位置信息，确定所述充放电设备的所处路段；
基于所述当前状态和所述所处路段，确定所述目标电动汽车的充放电约束条件；
基于所述充放电约束条件对所述初步路线进行调整，得到所述目标路线。
5.根据权利要求4所述的一种联网电动汽车的调度方法，其特征在于，所述基于所述当前状态和所述所处路段，确定所述目标电动汽车的充电约束条件，包括：
获取所述目标电动汽车在预定时刻的充电状态、电池容量范围和能量需求数据；
基于所述充电状态、电池容量范围和能量需求数据，确定所述充放电约束条件。
6.根据权利要求1所述的一种联网电动汽车的调度方法，其特征在于，在所述根据所述目标电动汽车的当前状态和预设的充放电设备的路段信息，对初步路线进行调整，得到目标路线之后，所述方法还包括：
基于预设的第一函数，计算所述共享出行请求对应的共享出行资源数据；
基于预设的第二函数，计算所述目标电动汽车的充放电资源数据；
根据所述共享出行资源数据和所述充放电资源数据，确定所述目标电动汽车的调度资源数据。
7.根据权利要求1所述的一种联网电动汽车的调度方法，其特征在于，所述根据所述目标电动汽车的当前状态和预设的充放电设备的路段信息，对初步路线进行调整，得到目标路线，还包括：
基于预设的双级算法对所述共享出行请求对应的共享出行资源数据进行优化，得到候选资源数据；
对所述候选资源数据进行验证，得到验证结果，并根据所述验证结果确定最优资源数据，基于所述最优资源数据确定所述目标路线。
8.一种联网电动汽车的调度系统，其特征在于，所述系统包括：
采集模块，用于获取城市路网的几何信息、对象的共享出行请求和候选电动汽车的当前状态；
初筛模块，用于根据所述共享出行请求和所述几何信息，从所述候选电动汽车中筛选出与所述共享出行请求对应的目标电动汽车，并确定所述目标电动汽车的初步路线；
调整模块，用于根据所述目标电动汽车的当前状态和预设的充放电设备的路段信息，对所述初步路线进行调整，得到目标路线。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的一种联网电动汽车的调度方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的一种联网电动汽车的调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310389707.5A CN116805193A (zh) | 2023-04-04 | 2023-04-04 | 联网电动汽车的调度方法和系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310389707.5A CN116805193A (zh) | 2023-04-04 | 2023-04-04 | 联网电动汽车的调度方法和系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116805193A true CN116805193A (zh) | 2023-09-26 |
Family
ID=88079104
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310389707.5A Pending CN116805193A (zh) | 2023-04-04 | 2023-04-04 | 联网电动汽车的调度方法和系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116805193A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117220326A (zh) * | 2023-11-09 | 2023-12-12 | 国网山东省电力公司东营供电公司 | 一种微电网车辆充电协调调度方法、系统、终端及介质 |
-
2023
- 2023-04-04 CN CN202310389707.5A patent/CN116805193A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117220326A (zh) * | 2023-11-09 | 2023-12-12 | 国网山东省电力公司东营供电公司 | 一种微电网车辆充电协调调度方法、系统、终端及介质 |
| CN117220326B (zh) * | 2023-11-09 | 2024-03-15 | 国网山东省电力公司东营供电公司 | 一种微电网车辆充电协调调度方法、系统、终端及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gusrialdi et al. | Distributed scheduling and cooperative control for charging of electric vehicles at highway service stations | |
| Yi et al. | Data-driven optimal charging decision making for connected and automated electric vehicles: A personal usage scenario | |
| Kumar et al. | A novel simulated-annealing based electric bus system design, simulation, and analysis for Dehradun Smart City | |
| Lam et al. | Coordinated autonomous vehicle parking for vehicle-to-grid services: Formulation and distributed algorithm | |
| Amirgholy et al. | Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach | |
| US11087422B2 (en) | Method and device for determining a configuration for deployment of a public transportation system | |
| Mobarak et al. | Vehicle-directed smart charging strategies to mitigate the effect of long-range EV charging on distribution transformer aging | |
| Liu et al. | A planning strategy considering multiple factors for electric vehicle charging stations along German motorways | |
| Lee et al. | Energy implications of self-driving vehicles | |
| Ji et al. | A personalized fast-charging navigation strategy based on mutual effect of dynamic queuing | |
| Krueger et al. | Multi-layer event-based vehicle-to-grid (V2G) scheduling with short term predictive capability within a modular aggregator control structure | |
| CN116805193A (zh) | 联网电动汽车的调度方法和系统、电子设备及存储介质 | |
| Lam et al. | Coordinated autonomous vehicle parking for vehicle-to-grid services | |
| Chavhan et al. | Next-generation smart electric vehicles cyber physical system for charging slots booking in charging stations | |
| Qian et al. | Siting and sizing of electric vehicle fast‐charging station based on quasi‐dynamic traffic flow | |
| Saatloo et al. | Hierarchical user-driven trajectory planning and charging scheduling of autonomous electric vehicles | |
| Kumar et al. | S2RC: A multi-objective route planning and charging slot reservation approach for electric vehicles considering state of traffic and charging station | |
| Wang et al. | Towards accessible shared autonomous electric mobility with dynamic deadlines | |
| Araldo et al. | Implementation & policy applications of AMOD in multi-modal activity-driven agent-based urban simulator simmobility | |
| Du et al. | Mobile applications and algorithms to facilitate electric vehicle deployment | |
| Yuan et al. | Poet: Towards power-system-aware e-taxi coordination under dynamic passenger mobility | |
| Zhang et al. | Online Joint Ride-Sharing and Dynamic Vehicle-to-Grid Coordination for Connected Electric Vehicle System | |
| Zhou et al. | Stochastic user equilibrium in charging station selection based on discrete choice model | |
| Liu et al. | Research in public transport vehicle scheduling | |
| Schlote | New perspectives on modelling and control for next generation intelligent transport systems |
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 |