中國儲能網(wǎng)訊：
01研究背景
近年來，電動汽車在汽車市場上的規(guī)模不斷擴(kuò)大，受到中國政府部門、能源企業(yè)以及汽車制造商的關(guān)注。電動汽車用戶行為習(xí)慣、各類型電動汽車保有量的變化、電動汽車類型以及充電站選址等因素會導(dǎo)致電動汽車堆積在某一個或某些特定的充電站，特別是在充電行為高峰期。為了適應(yīng)電動汽車數(shù)量和充電需求的急劇增長，從電動汽車用戶視角出發(fā)，提出了一種在車聯(lián)網(wǎng)環(huán)境下的電動汽車主動充電引導(dǎo)模型。
02 研究內(nèi)容
2.1 電動汽車主動充電引導(dǎo)架構(gòu)
本文提出的車聯(lián)網(wǎng)環(huán)境下的電動汽車主動充電引導(dǎo)方法從用戶角度出發(fā)，目標(biāo)是最小化用戶的時間成本（見式（1）），其架構(gòu)如圖1所示。
圖1 車聯(lián)網(wǎng)環(huán)境下電動汽車主動充電引導(dǎo)方法架構(gòu)
2.2 基于改進(jìn)A*算法的動態(tài)路徑規(guī)劃
針對已知項(xiàng)G(i)，在城市道路中，由于紅綠燈廣泛存在，故本文引入紅綠燈機(jī)制，將紅綠燈等待時間設(shè)置為節(jié)點(diǎn)權(quán)值，加入已有項(xiàng)G(i)中。針對預(yù)估項(xiàng)H(i)，傳統(tǒng)A*算法采用當(dāng)前點(diǎn)到目標(biāo)點(diǎn)的歐氏幾何距離作為預(yù)估項(xiàng)，但在實(shí)際生活中，車主大多會傾向于選擇調(diào)頭較少的路徑，即不走回頭路。因此，本文在歐氏距離的基礎(chǔ)上加入回頭路懲罰項(xiàng)?；诟倪M(jìn)A*算法的動態(tài)路徑規(guī)劃算法流程如圖3所示。
圖3 基于改進(jìn)A*算法的動態(tài)路徑規(guī)劃算法流程
2.3 基于深度置信網(wǎng)絡(luò)的電動汽車到達(dá)量預(yù)測
根據(jù)歷史數(shù)據(jù)可以發(fā)現(xiàn)，在相同日類型下，電動汽車到達(dá)量的變化趨勢相似，考慮到電動汽車用戶充電行為的隨機(jī)性和實(shí)時性，鑒于神經(jīng)網(wǎng)絡(luò)模型在非線性建模、噪聲容錯、泛化能力等方面的突出優(yōu)勢，本文采用基于深度置信網(wǎng)絡(luò)（DBN）的單位時間電動汽車到達(dá)量短期預(yù)測模型。本文選取的模型輸入特征為歷史車輛到達(dá)情況、時間、氣象情況、環(huán)境溫度、日類型、交通狀況等6類。DBN結(jié)構(gòu)如圖4所示。
圖4 DBN結(jié)構(gòu)示意圖
2.4 電動汽車充電站等待時間預(yù)測
03 算例分析
本文選取中國南京市中心區(qū)域城市路段進(jìn)行實(shí)例分析，地圖數(shù)據(jù)來源于開源平臺OpenStreetMap，并通過開源地理信息系統(tǒng)QGIS進(jìn)行處理，其中，共有149個路口節(jié)點(diǎn)、233條道路、5個充電站節(jié)點(diǎn)。
圖5展示了基于改進(jìn)A*算法的動態(tài)路徑規(guī)劃算法實(shí)驗(yàn)結(jié)果。結(jié)果表明，本文方法雖然選擇了路程較長的路徑，但是成功繞過擁堵路段。動態(tài)規(guī)劃路線路徑行駛時間為429.2 s，靜態(tài)規(guī)劃算法路徑行駛時間為496.8 s。本文算法可以實(shí)現(xiàn)車輛實(shí)時引導(dǎo)，規(guī)避交通擁堵路段，實(shí)現(xiàn)最小化通行時間。
圖5 基于改進(jìn)A*算法的動態(tài)路徑規(guī)劃算法與靜態(tài)Dijkstra算法結(jié)果比較
表1展示了所提算法和Dijkstra傳統(tǒng)路徑規(guī)劃算法在計(jì)算效率上的對比，結(jié)果表明，改進(jìn)A*算法由于增加了方向性限制，減少了無效的空間搜索，較Dijkstra全局靜態(tài)路徑規(guī)劃算法計(jì)算效率提高了73.67%，采用小根堆結(jié)構(gòu)的改進(jìn)A*算法將尋找F(·)最小值的時間復(fù)雜度從O(n)下降為O(log n)，故其計(jì)算效率進(jìn)一步提高。
表1 區(qū)域內(nèi)隨機(jī)5 000次路徑規(guī)劃不同算法計(jì)算時間花費(fèi)
表2展示了分別用本文所述DBN模型、隨機(jī)森林(RF)、支持向量機(jī)(SVM)、決策樹(DT)充電站電動汽車短時到達(dá)量預(yù)測結(jié)果。結(jié)果表明，DBN相比于其他3種算法，其平均絕對誤差（MAE）和均方根誤差（RMSE）均較低，且誤差可以接受，該算法可深入挖掘車輛到達(dá)率與輸入特征間的關(guān)系，精度相對較高，可以用于預(yù)測電動汽車充電站的到達(dá)率。
表2 不同預(yù)測算法性能比較
表3展示了區(qū)域內(nèi)隨機(jī)生成充電需求，采用本文所提主動充電引導(dǎo)算法與靜態(tài)引導(dǎo)算法充電結(jié)果的對比。結(jié)果表明，本文所提主動充電引導(dǎo)方案在減少路途時間以及減少充電站等待時間方面都效果顯著。路徑行駛時長下降18.49%，充電站排隊(duì)等待時間下降31.67%，充電綜合時長下降27.27%，驗(yàn)證了本文所提電動汽車主動充電引導(dǎo)方案在車聯(lián)網(wǎng)及城市路網(wǎng)背景下的有效性。
表3 主動充電引導(dǎo)算法與靜態(tài)引導(dǎo)算法充電結(jié)果對比
04 結(jié) 語
本文利用車聯(lián)網(wǎng)環(huán)境下電動汽車動態(tài)信息，提出了一種基于改進(jìn)A*路徑規(guī)劃與排隊(duì)論的電動汽車主動充電引導(dǎo)模型。融入紅綠燈等待時間和不走回頭路思想，改進(jìn)城市路徑規(guī)劃A*算法中的已有項(xiàng)G(·)和估算項(xiàng)H(·)，利用實(shí)際路網(wǎng)狀態(tài)信息更新路網(wǎng)時空狀態(tài)矩陣，求解電動汽車充電路程花費(fèi)時間，確保電動汽車在到達(dá)下一個節(jié)點(diǎn)前獲取最優(yōu)規(guī)劃行駛路徑。確定充電站到達(dá)車輛數(shù)以及電動汽車充電時長分布，基于DBN預(yù)測電動汽車到達(dá)量，確定更新策略，采用排隊(duì)論M/G/k模型，利用MC采樣預(yù)測短時內(nèi)電動汽車充電等待時間。根據(jù)電動汽車充電路程花費(fèi)時間和電動汽車充電等待時間，提出電動汽車主動充電引導(dǎo)方法。
