CN117553816B - 考虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法 - Google Patents
考虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法 Download PDFInfo
- Publication number
- CN117553816B CN117553816B CN202311452663.2A CN202311452663A CN117553816B CN 117553816 B CN117553816 B CN 117553816B CN 202311452663 A CN202311452663 A CN 202311452663A CN 117553816 B CN117553816 B CN 117553816B
- Authority
- CN
- China
- Prior art keywords
- charging
- path
- electric
- vehicle
- node
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000007599 discharging Methods 0.000 title claims abstract description 50
- 238000005457 optimization Methods 0.000 title claims abstract description 36
- 230000006399 behavior Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000005611 electricity Effects 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 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 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3469—Fuel consumption; Energy use; Emission aspects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Social Psychology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供了一种考虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法,包括如下步骤:考虑交通路网属性,建立交通路网模型,并在交通路网模型中考虑绿色充电站和传统充电站,建立充电站模型;考虑电动汽车行驶和充放电特性,对电动汽车在不同类型节点的不同行为进行建模;考虑时间和费用成本以最小化电动汽车行驶时间、充电时间、充电成本和最大化放电收益为优化目标建立优化目标函数;根据车主偏好为其推荐个性化可选路径集,之后为其选择最优路径及对应的充放电策略。本发明充分考虑了交通、充电站情况、车主日常出行习惯和电动汽车状态,为电动汽车规划出总成本最低的充电路径和充电策略。
Description
技术领域
本发明属于用电服务技术领域,涉及一种电动汽车路径规划与充放电策略联合优化方法,尤其涉及一种考虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法。
背景技术
近年来,为了解决温室效应和能源短缺问题,电动汽车作为一种环保、节能、低碳的新型交通工具得到了广泛的推广和应用。然而,尽管电动汽车具有诸多优势,其普及和推广仍然面临一系列挑战。
相对于传统燃油汽车,电动汽车电池容量小、续航能力有限,导致电动汽车频繁前往充电站进行充电。此外,由于电动汽车充电速度相对较慢,大量电动汽车会在充电站及其附近聚集,从而引发交通拥堵,导致电动汽车车主等待时间长、充电成本增加等问题。车主充电需求的不确定性,包括车主偏好、出行距离等,会对电动汽车充电路径规划和充电策略调度带来一定挑战。因此,如何充分考虑当前交通、充电站情况、车主日常出行习惯和电动汽车状态,为电动汽车规划出总成本最低的充电路径和充电策略就显得尤为重要。
发明内容
为了解决上述问题,本发明提出了一种虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法。
考虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法,包括如下步骤:
S1:考虑交通路网属性,建立交通路网模型,并在交通路网模型中考虑绿色充电站和传统充电站,建立充电站模型;
S2:基于交通路网模型,考虑电动汽车行驶和充放电特性,对电动汽车的调度结果进行建模;
S3:考虑时间和费用成本建立降低电动汽车充电时间成本的目标函数和降低电动汽车费用成本的目标函数,并基于这两个目标函数以最小化电动汽车行驶时间、充电时间、充电成本和最大化放电收益为优化目标建立优化目标函数;
S4:提出一种考虑车主偏好的路径规划方法,根据车主偏好为其推荐个性化可选路径集,之后根据所构建的路径集、车主需求和优化目标函数使用粒子群优化算法选择最优路径及对应的充放电策略。
进一步的,S1中,所述交通路网模型G建立如下:
G=(N,E,W)
其中,N为节点集合,每个节点表示一个路口,E为边集合,每个边表示一个路段,W表示权重集合,每个边对应一个权重。
所述交通路网模型按照邻接矩阵行驶构建,具体表示如下:
其中,n表示节点数量,wi,j表示节点i和节点j之间的权重,wi,j的具体赋值规则如下:
其中,ei,j表示边,di,j表示节点i和节点j之间的距离。
进一步的,S1中,所述交通路网模型中所有充电站的平均充放电功率相同,具体如下所示:
PIN=POUT=Pp
其中,PIN和POUT分别表示充电站的平均充放电功率,Pp表示充放电功率值。
进一步的,S1中,所述绿色充电站优先使用绿色电能为电动汽车供电,当充电站绿色电能蓄电池电量不足时,使用电网供电,充电站充电费用变化,如下所示:
其中,p1表示绿色充电站提供的电能价格,表示绿色电能价格,表示电网电能价格,Cc表示充电站绿色电能蓄电池剩余电量。
所述传统充电站使用电网供电,绿色充电站和传统充电站提供的电网电能价格满足约束:
其中,表示传统充电站出售给车主的电能电价。
所述绿色电能电价低于电网电能电价,即:
进一步的,S2中,所述调度结果只能为一条路径和一组充电策略,在路径选择上,电动汽车满足如下约束:
其中,K表示候选路径集合,γi(v)是一个二元变量,1表示电动汽车v选择第i条候选路径,0表示未选择第i条候选路径。
进一步的,S2中,对于每辆电动汽车,在每个节点充放电行为如下所示:
其中,rk(v)表示电动汽车v的候选路径集中第k条路径,表示路径上第i个节点,和分别表示电动汽车v在路径rk(v)上第i个节点的充电量和放电量,P0(rk(v))、P1(rk(v))和P2(rk(v))分别表示路径rk(v)中普通节点集合、带有绿色充电站的节点集合和带有传统充电站的节点集合。
进一步的,S2中,对于每辆电动汽车,在进入和离开每个节点时的电量计算方式如下:
其中,和分别表示电动汽车v进入和离开路径rk(v)上第i个节点时电池电量,ηi-1,i(rk(v))表示所选路径rk(v)上第i-1个节点到第i个节点之间的耗电率,di-1,i(rk(v))表示所选路径rk(v)上第i-1个节点到第i个节点之间的距离。
所述电动汽车在进入和离开每个节点时的电量处于合理范围内,即:
其中,α表示电动汽车最低安全电荷状态,表示电动汽车v的电池最大电量。
进一步的,S3中,所述降低电动汽车充电时间成本的目标函数如下所示:
其中,α1、α2和α3分别表示行驶时间、充电等待时间和充电时间权重,随着车主时间偏好程度变化;表示电动汽车在路径上的行驶时间,具体计算方式如下:
其中,di,i+1(rk(v))和vi,i+1(rk(v))分别表示第i个节点到第i+1个节点之间的距离和行驶速度;表示电动汽车在充电站的等待时间,具体计算方式如下:
其中,和分别表示电动汽车到达时充电站p中车辆数和充电桩数,Ap为当前充电站p每辆电动车平均充放电量,Pp为充电站p的平均充放电功率;
表示电动汽车的充放电时间,具体计算方式如下:
其中,ξ为充放电效率。
所述降低电动汽车费用成本的目标函数如下所示:
其中,表示电动汽车向电网释放电能的电价。
进一步的,S3中,所述优化目标函数如下所示:
其中,δ表示时间金钱转换因子。
进一步的,S4中,所述考虑车主偏好的路径规划方法具体包括如下过程:
S4.1:对于每辆汽车,判断车主偏好,如果车主偏好放电,则执行S4.2,否则执行S4.6;
S4.2:将绿色充电站集合与传统充电站集合取笛卡尔积,以行驶时间为权重计算对应的路径集P;
S4.3:如果车主希望行驶时间最短,则执行S4.4,如果车主希望等待时间最短,则执行S4.5;
S4.4:从S4.2构建的路径集P中选择k条行驶时间最短的路径作为候选路径集,之后执行S4.12;
S4.5:从S4.2构建的路径集P中选择k条等待时间最短的路径作为候选路径集,之后执行S4.12;
S4.6:汽车电量是否充足,即是否能够不经过充电站直接到达目的地,是则执行S4.7,否则执行S4.8;
S4.7:推荐汽车直接前往终点,并寻找行驶时间最短路径作为候选路径,之后执行S4.12;
S4.8:车主希望行驶时间最短,执行S4.9,车主希望等待时间最短,执行S4.10,车主希望充放电时间最短,则执行S4.11;
S4.9:遍历所有充电站,并以时间为权重构建路径集,为汽车分配一个行驶时间最短的充电站前往充电,从路径集中选择k条行驶时间最短的路径作为候选路径集,之后执行S4.12;
S4.10:遍历所有充电站,并以时间为权重构建路径集,为汽车分配一个等待时间最短的充电站前往充电,从路径集中选择k条等待时间最短的路径作为候选路径集,之后执行S4.12;
S4.11:遍历所有充电站,并以耗电量为权重构建路径集,为汽车分配一个所需耗电量最少的充电站前往充电,从路径集中选择k条耗电量最少的路径作为候选路径集,之后执行S4.12;
S4.12:输出候选路径集,并使用粒子群优化算法选择最优路径及对应的充放电策略。
本发明的有益效果为:
本发明充分考虑了车到网(V2G)技术和车主偏好对电动汽车充电调度的影响,以及实时交通路况、不同类型充电站和电动汽车状态等,为电动汽车规划出总成本最低的行驶路径和最优充放电策略,从而在更好地满足车主偏好和需求下降低充电费用。
附图说明
图1为本发明实施例的一种工作流程图;
图2为北京市五环及以内国省道图;
图3为实验中I类车群各车辆成本及均值展示图;
图4为实验中I类车群时间消耗及收益均值展示图;
图5为实验中II类车群各车辆成本及均值展示图;
图6为实验中II类车群时间消耗及收益均值展示图;
图7为实验中III类车群各车辆成本及均值展示图;
图8为实验中III类车群各类型时间和总时间均值展示图。
具体实施方式
下面结合附图和实施例来对本发明作进一步说明。
下面结合北京市五环及以内的国省道作为电动汽车充电调度场景,对多组电动汽车车群充电行为进行仿真,结合附图,本发明做进一步详细描述:
通过将电动汽车充电特性和行驶特性相结合,实现一种考虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法。首先,针对电动汽车充电调度问题进行建模,建立了交通路网、充电站、电动汽车模型。其次,建立了以最小化电动汽车行驶时间、充电时间、充电成本和最大化放电收益为优化目标建立优化目标函数。最后,考虑车主偏好与需求,提出一种考虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法。具体工作流程请参阅图1。本实施例的考虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法,具体包括以下步骤:
(1)考虑交通路网属性,建立交通路网模型,并在路网中考虑了绿色充电站和传统充电站,建立充电站模型;
(2)考虑电动汽车行驶和充放电特性,对电动汽车进行建模;
(3)考虑时间和费用成本,以最小化电动汽车行驶时间、充电时间、充电成本和最大化放电收益为优化目标建立优化目标函数;
(4)提出一种考虑车主偏好的路径规划方法,根据车主偏好为其推荐个性化可选路径集,之后根据所构建的路径集和车主需求使用粒子群优化算法选择最优路径及对应的充放电策略。
具体的,步骤(1)中,建立了双向交通网络模型,具体的交通路网模型可以表示为公式(1):
G=(N,E,W) (1)
其中,N为节点集合,每个节点表示一个路口,E为边集合,每个边表示一个路段,W表示权重集合,每个边对应一个权重。本文主要以Dijkstra最短路径规划算法为基础进行路径规划,为了方便计算和表示,使用邻接矩阵行驶表示交通路网模型G,具体如式(2)所示:
其中,n表示节点数量,wi,j表示节点i和节点j之间的权重,wi,j的具体赋值规则如式(3):
其中,ei,j表示边,di,j表示节点i和节点j之间的距离。
在绿色充电站中,每个充电桩均配备光伏和风力发电设备,充电桩同时与蓄电池和电网进行连接,并通过换流器来转换电能供给源。当电动汽车连接至充电桩后,充电桩将优先使用蓄电池为电动汽车供电。当充电桩蓄电池电能用尽后,充电桩的换流器会将电路连接至电网为电动汽车供电。
传统充电站的充电桩与电网直接连接,车主可以通过电网为电动汽车进行充电。绿色充电站自带发电设备,无法支持V2G技术。相反,传统充电站支持V2G技术,电动汽车可以通过充电桩将电动汽车电能出售给电网以获得收益。
在交通路网中,所有充电站的位置被定位到距离其最近的节点上,即:
C1,C2∈N (4)
其中,C1和C2分别表示绿色充电站和传统充电站集合。在充电过程中,所有充电站的充电功率PIN均默认为恒定不变的,所有传统充电站中电动汽车向电网放电功率POUT也是恒定不变的,并且:
PIN=POUT=Pp (5)
其中Pp为所有充电站统一的平均充放电功率。对于绿色充电站,优先使用绿色电能为电动汽车供电,当充电站蓄电池电量不足时,使用电网电能供电。上述关系可以转换为充电站充电费用变化,如式(6)所示:
其中,p1表示绿色充电站提供的电能价格,表示绿色电能价格,表示电网电能价格,Cc表示充电站蓄电池剩余电量。充电站提供绿色电能电价应该低于电网提供电价,具体表示如式(7):
其中,表示传统充电站出售给车主的电能电价。绿色充电站和传统充电站提供的电网电能价格应该满足式(8)所表示的约束:
所有绿色充电站的每个充电桩均具备一块用于存储可持续电能的蓄电池,假设电池的初始电量满,则对于一个充电站,其初始电能表示如式(9):
Cc=qc·Cbattery (9)
其中,Cc表示充电站c∈C1的初始绿色电能,qc表示该充电站数量,Cbattery表示充电桩配备的电池容量,并且所有充电站的所有充电桩的电池规格一致。
具体的,步骤(2)中,对于每辆电动汽车,最终的调度结果只能为一条路径和一组充电策略。在路径选择上,电动汽车必须满足如式(10)表示约束:
其中,K表示候选路径集合,γi(v)是一个二元变量,1表示电动汽车v选择第i条候选路径,0表示未选择第i条候选路径。根据节点之间的耗电率和行驶距离,可以推算出电动汽车通过当前路径耗电量,具体计算如式(11)所示:
其中,ηi,i+1为ηi,i+1(vi,i+1(rk(v)))的简写,表示第i个节点到第i+1个节点之间路径的单位公里耗电量,di,i+1(rk(v))表示第i个节点到第i+1个节点之间的距离,vi,i+1(rk(v))表示第i个节点到第i+1个节点之间的通行速度。电动汽车在路径中会经过三种类型的节点,分别为P0(rk(v))、P1(rk(v))和P2(rk(v)),其中P0(rk(v))表示路径rk(v)上非充电站集合,即普通的路口,P1(rk(v))表示路径rk(v)上I型充电站集合,P2(rk(v))表示路径rk(v)上II型充电站集合。
根据节点类型的不同,电动汽车v会采取不同的行为,具体表示如式(12)所示:
其中,和分别为电动汽车v在路径rk(v)上的节点上的充电量和放电量,表示路径rk(v)上的第i个节点。电动汽车v在进入和离开每个节点时的电量可以分别根据式(13)和式(14)计算:
其中,和分别表示电动汽车v进入和离开路径rk(v)上第i个节点时电池电量。电动汽车v在进入和离开每个节点时的电量应该应该处于合理范围内,即:
其中,α表示电动汽车最低安全电荷状态,表示电动汽车v的电池最大电量。通过路径上行驶所消耗电量和在充电站的充放电量可以计算电动汽车v在路径rk(v)上行驶并到达目的地后剩余电量,具体表示如式(16):
其中,为电动汽车在起始节点的电量,由式(11)所得,为电动汽车v在路径rk(v)上行驶的总耗电量,ξ为充放电效率。电动汽车在到达目的地时,往往可能会开启下一段旅程,因此电动汽车在到达目的地后的剩余电量应该满足如式(17)所示约束:
式中,为电动汽车在目的地时的剩余电量,SoCv表示电动汽车在目的地的预期SoC值。
具体的,步骤(3)中,本发明主要从车主角度出发,以车主的总充电成本最小化为目标,为电动汽车规划最优路径和充放电策略。将电动汽车出行成本划分为两部分,第一部分为车主的时间成本,第二部分为车主进行充放电而直接产生的电费成本。电动汽车v的时间成本计算如式(18)所示:
其中,α1、α2和α3分别表示行驶时间、充电等待时间和充电时间权重,会随着车主时间偏好程度变化。表示电动汽车在路径上的行驶时间,具体计算如式(19)所示:
其中,di,i+1(rk(v))和vi,i+1(rk(v))分别表示第i个节点到第i+1个节点之间的距离和行驶速度。表示电动汽车在充电站的等待时间,具体计算如式(20)所示:
其中,和分别表示电动汽车到达时充电站p中车辆数和充电桩数,Ap为当前充电站p每辆电动车平均充放电量,Pp为充电站p的平均充放电功率。表示电动汽车的充放电时间,具体计算如式(21)所示:
其中,ξ为充放电效率。降低电动汽车费用成本的目标函数如式(22)所示:
其中,表示电动汽车v通过传统充电站向电网释放电能的电价。最终优化目标函数如式(23)所示:
其中,δ表示时间金钱转换因子,表示当前电动汽车时间价值。
具体的,步骤(4)中,时间消耗可以分为三个部分:行驶时间、充放电时间和等待时间。基于这三种时间类型,车主的偏好可被分为偏好于行驶时间最短、偏好于充放电时间最短和偏好于等待时间最短。此外,考虑到V2G技术对电动汽车电池寿命的影响,车主的偏好还可以根据是否支持放电行为划分为偏好于放电和拒绝放电,不同偏好的车主构建的路径集也不同。
在出行过程中,车主希望在一定时间内到达目的地以完成某项任务或满足某种需求。在到达目的地后,车主可能需要开始下一段旅程,所以需要在到达目的地之前预留出一定的电量以满足下一段旅程的需求。综上所述,车主的出行需求包括能够接受的最长出行时间和电动汽车到达目的地时的预期电量。
下面结合实验及实验结果附图对本发明的效果做进一步描述:
本实施例中,汽车调度场景选择了北京市五环及以内的国省道,具体场景如图2所示。将场景中各路段的交通路况被分为畅通、缓行以及拥堵三个等级,并将畅通、缓行以及拥堵道路对应的速度范围分别设置为[40km/h,80km/h]、[25km/h,40km/h]和[10km/h,25km/h],各路段状况如表1所示。
表1
在此场景中,共选择了42个节点,在这些节点建设10个充电站,其中包括5个绿色充电站和5个传统充电站,各充电站参数如表2所示。
表2
本次实验在所提出的联合优化框架基础上,分别使用本发明所提路径规划方法、k条最短路径算法以及Dijkstra最短路径算法为汽车规划路径,最后对实验结果进行对比以展示所提路径规划方法的性能。下面将以CPR-VO(Considering Preference Routing forVehicle Owner)、KSP(k Shortest Paths)和SP(Shortest Path)表示考虑车主偏好和需求的路径规划方法、k条最短路径算法以及Dijkstra最短路径算法,带入到联合优化框架后被命名为调度方法。
本次实验针对不同偏好特征的车主进行调度,根据电动汽车车主的偏好特征,将电动汽车车群分为三类:支持放电并希望行驶时间最短、支持放电并希望等待时间最短,以及不支持放电或者希望充放电时间最短。为方便描述,将这三种偏好类型的车群分别称为I类车群、II类车群和III类车群。对于每类车群的数量,I类车群和II类车群的车辆数量均为100,III类车群由于涉及四种类型的车主,因此汽车数量为400。
调度的车群中,每辆汽车的起始SOC的随机地服从均匀分布,范围为0.2到0.4,来模拟电动汽车产生的充电需求。汽车的预期SOC需要考虑汽车的下一段旅程距离需求,每辆汽车的下一段旅程距离通过正态分布随机生成,并以平均速度为60km/h预估计下一段行驶距离的耗电量。在终点处汽车的预期SOC应在0.2的基础上加上下一段旅途需要消耗的预计SOC。
(1)I类车群调度
图3展示了本次调度中各电动汽车在不同调度方法下的总成本。其中,基于CPR-VO方法调度后的结果由实线表示,基于KSP调度的结果为虚线表示,SP调度方法的结果为点标记。可以看出,在本次调度中CPR-VO调度方法展现了很好的效果,CPR-VO调度下每辆汽车的成本均低于KSP调度。当考虑了车主的偏好后,平均调度成本从KSP调度方法的13.3316元降低到了-0.6579元,这说明CPR-VO调度方法为车主找到了更好地充电路径和充放电策略,通过放电收益可以很好地减少车主在充电过程中的成本。
图4展示了本次调度中各类时间消耗和收益均值。在行驶时间方面,CPR-VO调度方法可以很好地满足车主的行驶时间偏好,CPR-VO调度下平均一辆汽车的行驶时间0.82小时,比KSP调度节约了约21.15%的时间。由于CPR-VO调度方法会推荐车主前往充电站进行充放电,所以车主在充电时间和等待时间方面均高于KSP调度方法和SP调度方法,但相应的,CPR-VO调度方法为电动汽车车主获得了更多的收益。
(2)II类车群调度
图5展示了此类车群中各车辆的总成本以及对应的均值。经过CPR-VO调度方法调度后,平均成本为-3.15元,比KSP调度方法的平均成本低4.46元。可以看出,当车主在意等待时间并支持放电时,CPR-VO调度方法性能依然高于KSP调度方法。
本次调度中各类时间消耗和收益均值如图6所示。由于KSP算法本身路径搜索特性,很难为汽车找到同时存在I、II型充电站的路径,因此KSP调度方法下汽车的平均等待时间低于CPR-VO调度,但CPR-VO调度在牺牲约2.6分钟的等待时间后获得了8.2元的收益,CPR-VO调度方法可以最大程度上减少车主的总成本。
(3)III类车群
本次调度主要针对不支持放电或者希望充放电时间最短的车群,不同偏好对应的车辆数如表3所示。
表3
支持放电/辆 | 拒绝放电/辆 | |
行驶时间最短 | - | 108 |
等待时间最短 | - | 103 |
充放电时间最短 | 93 | 96 |
在本次调度中,针对拒接放电或者偏好充放电时间最短的电动汽车进行了充放电调度,各汽车调度总成本结果如图7所示。CPR-VO调度方法的平均成本为5.793元,KSP调度方法的平均成本为11.3806元。经过数据对比可以看出,在对III类人群的调度中,CPR-VO调度方法得到平均成本依然低于KSP调度方法。
相比于收益,此III类车群更注重时间成本。如图8所示,展示了三种调度方法下各类时间和总时间消耗的平均值。从图中可以看出,当车主希望充放电时间最短时,CPR-VO调度方法可以表现出更好的性能,CPR-VO调度方法调度后平均总时间为0.95小时,相比于KSP调度下的总时间1.2小时节约了约21%的时间。
表4展示了三种车群分别在终点处满足预期SOC需求的车辆数量。从表中可以看出,在CPR-VO调度方法下,终点处满足预期SoC的电动汽车数量多于KSP和SP调度,说明CPR-VO调度方法可以为更多低电量汽车寻找到满足预期SOC的路径及充放电策略。
表4
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (5)
1.考虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法,其特征在于,包括如下步骤:
S1:考虑交通路网属性,以图论方式建立交通路网模型,并在交通路网模型中考虑绿色充电站和传统充电站,建立充电站模型;
S2:基于交通路网模型,考虑电动汽车行驶和充放电特性,对电动汽车在不同类型节点的不同行为进行建模;
S3:考虑时间和费用成本建立降低电动汽车充电时间成本的目标函数和降低电动汽车费用成本的目标函数,并基于这两个目标函数以最小化电动汽车行驶时间、充电时间、充电成本和最大化放电收益为优化目标建立优化目标函数;
S4:根据车主偏好为其推荐个性化可选路径集,之后根据所构建的路径集、车主需求和优化目标函数使用粒子群优化算法选择最优路径及对应的充放电策略;
S2中,对于每辆电动汽车,最终的调度结果只能为一条路径和一组充电策略;在路径选择上,电动汽车满足如下约束:
其中,K表示候选路径集合,γi(v)是一个二元变量,1表示电动汽车v选择第i条候选路径,0表示未选择第i条候选路径;根据节点之间的耗电率和行驶距离,推算出电动汽车通过当前路径耗电量,具体计算如下:
其中,rk(v)表示电动汽车v的候选路径集中第k条路径,ηi,i+1为ηi,i+1(vi,i+1(rk(v)))的简写,表示第i个节点到第i+1个节点之间路径的单位公里耗电量,di,i+1(rk(v))表示第i个节点到第i+1个节点之间的距离,vi,i+1(rk(v))表示第i个节点到第i+1个节点之间的通行速度;电动汽车在路径中会经过三种类型的节点,分别为P0(rk(v))、P1(rk(v))和P2(rk(v)),其中P0(rk(v))、P1(rk(v))和P2(rk(v))分别表示路径rk(v)中普通节点集合、带有绿色充电站的节点集合和带有传统充电站的节点集合;
根据节点类型的不同,电动汽车v会采取不同的行为,具体表示如下:
其中,和分别为电动汽车v在路径rk(v)上的节点上的充电量和放电量,表示路径rk(v)上的第i个节点;电动汽车v在进入和离开每个节点时的电量计算公式如下:
其中,和分别表示电动汽车v进入和离开路径rk(v)上第i个节点时电池电量;电动汽车v在进入和离开每个节点时的电量处于合理范围内,即:
其中,α表示电动汽车最低安全电荷状态,表示电动汽车v的电池最大电量;通过路径上行驶所消耗电量和在充电站的充放电量计算电动汽车v在路径rk(v)上行驶并到达目的地后剩余电量,具体表示如下:
其中,为电动汽车在起始节点的电量,为电动汽车v在路径rk(v)上行驶的总耗电量,ξ为充放电效率;电动汽车在到达目的地后的剩余电量满足如下约束:
式中,为电动汽车在目的地时的剩余电量,SoCv表示电动汽车在目的地的预期SoC值;
S3中,将电动汽车出行成本划分为两部分,第一部分为车主的时间成本,第二部分为车主进行充放电而直接产生的电费成本;电动汽车v的时间成本计算公式如下:
其中,表示降低电动汽车充电时间成本的目标函数,α1、α2和α3分别表示行驶时间、充电等待时间和充电时间权重;表示电动汽车在路径上的行驶时间,具体计算公式如下:
其中,di,i+1(rk(v))和vi,i+1(rk(v))分别表示第i个节点到第i+1个节点之间的距离和行驶速度;表示电动汽车在充电站的等待时间,具体计算公式如下:
其中,和分别表示电动汽车到达时充电站p中车辆数和充电桩数,Ap为当前充电站p每辆电动车平均充放电量,Pp为充电站p的平均充放电功率;表示电动汽车的充放电时间,具体计算公式如下:
其中,ξ为充放电效率;降低电动汽车费用成本的目标函数如下:
其中,表示传统充电站出售给车主的电能电价,表示电动汽车v通过传统充电站向电网释放电能的电价;最终优化目标函数如下:
其中,δ表示时间金钱转换因子,表示当前电动汽车时间价值。
2.根据权利要求1所述的考虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法,其特征在于,S1中,所述交通路网模型G建立如下:
G=(N,E,W)
其中,N为节点集合,每个节点表示一个路口,E为边集合,每个边表示一个路段,W表示权重集合,每个边对应一个权重;
所述交通路网模型按照邻接矩阵行驶构建,具体表示如下:
其中,n表示节点数量,wi,j表示节点i和节点j之间的权重,wi,j的具体赋值规则如下:
其中,ei,j表示边,di,j表示节点i和节点j之间的距离。
3.根据权利要求1所述的一种考虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法,其特征在于,S1中,所述交通路网模型中所有充电站的平均充放电功率相同,具体如下所示:
PIN=POUT=Pp
其中,PIN和POUT分别表示充电站的平均充、放电功率,Pp表示充放电功率值。
4.根据权利要求1所述的一种考虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法,其特征在于,S1中,所述绿色充电站优先使用绿色电能为电动汽车供电,当充电站绿色电能蓄电池电量不足时,使用电网供电,充电站充电费用变化,如下所示:
其中,p1表示绿色充电站提供的电能价格,表示绿色电能价格,表示电网电能价格,Cc表示充电站绿色电能蓄电池剩余电量;
所述传统充电站使用电网供电,绿色充电站和传统充电站提供的电网电能价格满足约束:
所述绿色电能电价低于电网电能电价,即:
5.根据权利要求1所述的一种考虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法,其特征在于,S4中,所述考虑车主偏好的路径规划方法具体包括如下过程:
S4.1:对于每辆汽车,判断车主偏好,如果车主偏好放电,则执行S4.2,否则执行S4.6;
S4.2:将绿色充电站集合与传统充电站集合取笛卡尔积,以行驶时间为权重计算对应的路径集P;
S4.3:如果车主希望行驶时间最短,则执行S4.4,如果车主希望等待时间最短,则执行S4.5;
S4.4:从S4.2构建的路径集P中选择k条行驶时间最短的路径作为候选路径集,之后执行S4.12;
S4.5:从S4.2构建的路径集P中选择k条等待时间最短的路径作为候选路径集,之后执行S4.12;
S4.6:汽车电量是否充足,即是否能够不经过充电站直接到达目的地,是则执行S4.7,否则执行S4.8;
S4.7:推荐汽车直接前往终点,并寻找行驶时间最短路径作为候选路径,之后执行S4.12;
S4.8:车主希望行驶时间最短,执行S4.9,车主希望等待时间最短,执行S4.10,车主希望充放电时间最短,则执行S4.11;
S4.9:遍历所有充电站,并以时间为权重构建路径集,为汽车分配一个行驶时间最短的充电站前往充电,从路径集中选择k条行驶时间最短的路径作为候选路径集,之后执行S4.12;
S4.10:遍历所有充电站,并以时间为权重构建路径集,为汽车分配一个等待时间最短的充电站前往充电,从路径集中选择k条等待时间最短的路径作为候选路径集,之后执行S4.12;
S4.11:遍历所有充电站,并以耗电量为权重构建路径集,为汽车分配一个所需耗电量最少的充电站前往充电,从路径集中选择k条耗电量最少的路径作为候选路径集,之后执行S4.12;
S4.12:输出候选路径集,并使用粒子群优化算法选择最优路径及对应的充放电策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311452663.2A CN117553816B (zh) | 2023-11-02 | 2023-11-02 | 考虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311452663.2A CN117553816B (zh) | 2023-11-02 | 2023-11-02 | 考虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117553816A CN117553816A (zh) | 2024-02-13 |
CN117553816B true CN117553816B (zh) | 2024-05-24 |
Family
ID=89817717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311452663.2A Active CN117553816B (zh) | 2023-11-02 | 2023-11-02 | 考虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117553816B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120116162A (ko) * | 2011-04-12 | 2012-10-22 | 에스케이플래닛 주식회사 | 전기 자동차의 충전 및 방전 시간을 고려한 경로 안내 장치 및 방법 |
KR101581685B1 (ko) * | 2014-08-20 | 2015-12-31 | 서강대학교산학협력단 | 에너지 저장장치의 충방전 스케줄링 장치 및 방법 |
CN108955711A (zh) * | 2018-08-24 | 2018-12-07 | 广东工业大学 | 一种应用于电动汽车智能充放电的导航方法 |
CN109670674A (zh) * | 2018-11-19 | 2019-04-23 | 浙江大学 | 一种考虑交通网-配电网耦合的电动汽车时空分布充电调度方法 |
JP2020078124A (ja) * | 2018-11-06 | 2020-05-21 | 株式会社日立製作所 | 充放電制御システム、蓄電池車両および充放電制御方法 |
CN112183882A (zh) * | 2020-10-19 | 2021-01-05 | 武汉理工大学 | 一种基于电动汽车快充需求的智慧充电站充电优化方法 |
CN112200367A (zh) * | 2020-10-09 | 2021-01-08 | 河北工业大学 | 一种支持充放电策略的电动汽车配送路径优化方法 |
AU2020103444A4 (en) * | 2020-11-15 | 2021-01-28 | Beijing Kedong Electric Power Control System Co. Ltd. | Evaluation method of electric vehicle aggregation transaction value based on the new generation power trade platform |
CN113029182A (zh) * | 2021-04-23 | 2021-06-25 | 河南大学 | 一种考虑无线充电和动态能耗的电动汽车路径规划方法 |
CN113505962A (zh) * | 2021-05-28 | 2021-10-15 | 暨南大学 | 一种考虑完整行程的电动汽车导航与充电预约方法 |
CN114725967A (zh) * | 2022-04-01 | 2022-07-08 | 杭州电子科技大学 | 一种基于车网互动v2g的电动汽车充放电效益优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8290648B2 (en) * | 2007-06-20 | 2012-10-16 | Denso Corporation | Charge-discharge management apparatus and computer readable medium comprising instructions for achieving the apparatus |
-
2023
- 2023-11-02 CN CN202311452663.2A patent/CN117553816B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120116162A (ko) * | 2011-04-12 | 2012-10-22 | 에스케이플래닛 주식회사 | 전기 자동차의 충전 및 방전 시간을 고려한 경로 안내 장치 및 방법 |
KR101581685B1 (ko) * | 2014-08-20 | 2015-12-31 | 서강대학교산학협력단 | 에너지 저장장치의 충방전 스케줄링 장치 및 방법 |
CN108955711A (zh) * | 2018-08-24 | 2018-12-07 | 广东工业大学 | 一种应用于电动汽车智能充放电的导航方法 |
JP2020078124A (ja) * | 2018-11-06 | 2020-05-21 | 株式会社日立製作所 | 充放電制御システム、蓄電池車両および充放電制御方法 |
CN109670674A (zh) * | 2018-11-19 | 2019-04-23 | 浙江大学 | 一种考虑交通网-配电网耦合的电动汽车时空分布充电调度方法 |
CN112200367A (zh) * | 2020-10-09 | 2021-01-08 | 河北工业大学 | 一种支持充放电策略的电动汽车配送路径优化方法 |
CN112183882A (zh) * | 2020-10-19 | 2021-01-05 | 武汉理工大学 | 一种基于电动汽车快充需求的智慧充电站充电优化方法 |
AU2020103444A4 (en) * | 2020-11-15 | 2021-01-28 | Beijing Kedong Electric Power Control System Co. Ltd. | Evaluation method of electric vehicle aggregation transaction value based on the new generation power trade platform |
CN113029182A (zh) * | 2021-04-23 | 2021-06-25 | 河南大学 | 一种考虑无线充电和动态能耗的电动汽车路径规划方法 |
CN113505962A (zh) * | 2021-05-28 | 2021-10-15 | 暨南大学 | 一种考虑完整行程的电动汽车导航与充电预约方法 |
CN114725967A (zh) * | 2022-04-01 | 2022-07-08 | 杭州电子科技大学 | 一种基于车网互动v2g的电动汽车充放电效益优化方法 |
Non-Patent Citations (2)
Title |
---|
含电动汽车充放电站的直流配电网规划研究;张永超;韦钢;周健;马雷鹏;叶莘;;电测与仪表;20180210(第03期);41-47 * |
智能电网下支持充放电策略的电动汽车配送路径优化;李家乐;刘真伯;王雪菲;华南理工大学学报(自然科学版);20211231(第010期);31-40 * |
Also Published As
Publication number | Publication date |
---|---|
CN117553816A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106197459B (zh) | 考虑航程及充电站位置的电动汽车路径寻优方法 | |
Qian et al. | Load model for prediction of electric vehicle charging demand | |
CN110733370B (zh) | 一种基于双层优化算法的电动汽车充电站有序充电方法 | |
CN108460487A (zh) | 基于apso算法的电动汽车快速充电站优化选址定容方法 | |
CN109146201A (zh) | 基于合作博弈的充换储一体化电站微电网优化调度方法 | |
CN111310966A (zh) | 含电动汽车充电站的微电网选址及优化配置方法 | |
CN108320064A (zh) | 一种电动汽车与风电协同充电双层优化调度方法 | |
CN109670674B (zh) | 一种考虑交通网-配电网耦合的电动汽车时空分布充电调度方法 | |
CN109447376A (zh) | 基于用户综合满意度的居民区电动汽车充放电优化方法 | |
CN111740403A (zh) | 一种电网运营商与电动汽车集群的主从博弈调度策略 | |
CN112183882B (zh) | 一种基于电动汽车快充需求的智慧充电站充电优化方法 | |
CN115239032B (zh) | 计及能源自洽率的高速公路服务区微电网规划方法及系统 | |
CN114583729A (zh) | 考虑全生命周期碳排放的光-储电动汽车充电站调度方法 | |
Luo et al. | Location and capacity model of charging station for electric vehicles based on commuting demand | |
CN114722595A (zh) | 一种含有换电站的微电网优化运行方法 | |
CN113486504B (zh) | 一种基于调度成本的电池管理控制方法 | |
CN113067355B (zh) | 提升电网可靠性的电动汽车灵活性挖掘与协同调控方法 | |
Sahoo et al. | A charging coordination strategy for seamless integration of plug-in electric vehicles into a distribution network | |
CN111199080A (zh) | 一种考虑不同类型充电需求的城市电动汽车充电设施规划方法 | |
CN111682538B (zh) | 一种考虑时空特性的充电需求管理方法及系统 | |
CN117553816B (zh) | 考虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法 | |
CN110861508B (zh) | 居民区直流充电机共享充电控制方法、系统及存储介质 | |
CN108493974B (zh) | 一种考虑充电成本的电动汽车参与调压的两级调度方法 | |
CN110890763B (zh) | 限制充放电状态切换的电动汽车与光伏发电协同调度方法 | |
CN109740974A (zh) | 行驶模式下电动汽车充馈电匹配方法 |
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 |