留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于路网信息考虑双边利益权衡的电动汽车优化调度策略

陈光宇 陆牧君 郭袅 祖光鑫 郑君 王成

陈光宇, 陆牧君, 郭袅, 祖光鑫, 郑君, 王成. 基于路网信息考虑双边利益权衡的电动汽车优化调度策略[J]. 现代电力, 2021, 38(3): 346-354. doi: 10.19725/j.cnki.1007-2322.2020.0376
引用本文: 陈光宇, 陆牧君, 郭袅, 祖光鑫, 郑君, 王成. 基于路网信息考虑双边利益权衡的电动汽车优化调度策略[J]. 现代电力, 2021, 38(3): 346-354. doi: 10.19725/j.cnki.1007-2322.2020.0376
Guangyu CHEN, Mujun LU, Niao GUO, Guangxin ZU, Jun ZHENG, Cheng WANG. Optimal Scheduling Strategy of Electric Vehicles Based on Road Network Information and Bilateral Benefit Balance[J]. Modern Electric Power, 2021, 38(3): 346-354. doi: 10.19725/j.cnki.1007-2322.2020.0376
Citation: Guangyu CHEN, Mujun LU, Niao GUO, Guangxin ZU, Jun ZHENG, Cheng WANG. Optimal Scheduling Strategy of Electric Vehicles Based on Road Network Information and Bilateral Benefit Balance[J]. Modern Electric Power, 2021, 38(3): 346-354. doi: 10.19725/j.cnki.1007-2322.2020.0376

基于路网信息考虑双边利益权衡的电动汽车优化调度策略

doi: 10.19725/j.cnki.1007-2322.2020.0376
基金项目: 江苏省高校自然科学研究重大项目(17KJA470003,18KJA470002)
详细信息
    作者简介:

    陈光宇(1980),男,博士,副教授,研究方向为电力系统运行与控制,E-mail:cgyhhu@163.com

    陆牧君(1999),男,本科,研究方向为电力系统运行与控制,E-mail:1602824494@qq.com

    郭袅(1980),女,硕士,高级工程师,研究方向为电力系统运行与控制,E-mail:25176216@qq.com

    祖光鑫(1985),男,硕士,高级工程师,研究方向为电力系统运行与控制

    郑君(1990),女,硕士,工程师,研究方向为电力系统运行与控制

    王成(2000),男,本科,研究方向为电力系统运行与控制

  • 中图分类号: TM73

Optimal Scheduling Strategy of Electric Vehicles Based on Road Network Information and Bilateral Benefit Balance

Funds: Key University Science Research Project of Jiangsu Province(17KJA470003,18KJA470002)
  • 摘要: 为了能在复杂工况下权衡电动汽车和充电站之间的双边利益,首先将实时路网信息、充电站状态信息及电价信息进行综合分析,在构建了基于双边利益权衡的充电方案评价体系的基础上,进一步构建基于时间量化的网络分析过程(Analytic network process,ANP)双边利益模糊评价模型,克服了传统ANP模型求解该类问题时存在的主观性问题;其次,提出一种基于路况信息并考虑双边利益权衡的电动汽车充电路径优化调度策略,实现了不同工况环境下电动汽车充电路径的最优选择;最后通过路网模型对所提方法进行仿真计算。仿真结果表明,此方法构建的基于时间量化的ANP双边利益权衡模糊评价模型能够准确地对不同调度方案进行综合评价排序,提出的基于双边利益权衡的电动汽车调度策略能为电动汽车提供更为灵活的充电路径选择,并在电动汽车出行便利和充电站最大收益两个方面取得较好的权衡。
  • 图  1  双边利益评价体系

    Figure  1.  Bilateral interest evaluation system

    图  2  Dijkstra算法原理图

    Figure  2.  Schematic diagram of Dijkstra algorithm

    图  3  指标求解流程图

    Figure  3.  Solving procedure of indices

    图  4  双边利益模糊评价流程图

    Figure  4.  Flowchart of fuzzy evaluation of bilateral interests

    图  5  调度方案流程图

    Figure  5.  Flowchart of dispatching scheme

    图  6  某区某时段交通图

    Figure  6.  Traffic map of a certain district in a certain time period

    图  7  推荐方案引导图

    Figure  7.  Guide chart of the recommended scheme

    表  1  不同工况道路形式参数

    Table  1.   Road driving parameters under different traffic conditions

    道路工况平均速度V/(km/h)电机效率η/(km/kW·h)
    拥堵工况5.003.20
    一般城市工况25.007.50
    理想城市工况60.009.25
    高速公路工况100.004.20
    下载: 导出CSV

    表  2  充电站基本情况

    Table  2.   Basic condition of charging station

    充电站充电
    桩数
    m/个
    充电
    功率
    p/kW
    车辆
    到达率
    λ/(辆/h)
    车辆
    服务率
    μ/(辆/h)
    当前时刻
    充电站内
    用户数量
    n/辆
    A(14)1030182015
    B(11)830151612
    C(8)1230222418
    下载: 导出CSV

    表  3  各充电站最优路径分析

    Table  3.   Analysis on the best paths of all charging stations

    充电站需求类型最优路径能耗/时间用户成本充电站单位
    时间盈利
    P/(元/h)
    能耗
    E/kW·h
    行驶时间
    tr/h
    等待时间
    tw/h
    充电时间
    tc/h
    金钱成本
    M/元
    时间成本
    H/元
    总成本
    C/元
    A(14)耗能最小A1:1-6-10-141.1080.5130.2370.522.52547.518
    A(14)耗时最短A2:1-2-5-9-13-142.1150.10.0250.522.51436.536
    B(11)耗能最小B1:1-6-10-110.79550.3130.0620.522.517.54025.71
    B(11)耗时最短B2:1-2-5-6-10-111.57750.3010.01150.522.516.2538.7527.69
    C(8)耗能最小C1:1-6-7-81.1360.50.2920.522.525.8448.3417.41
    C(8)耗时最短C2:1-3-7-81.2150.3620.0130.522.517.54025.71
    下载: 导出CSV

    表  4  各路径双边利益模糊评价得分

    Table  4.   Fuzzy evaluation scores of all paths’ bilateral interests

    线路用户成本归一化x充电站收益归一化y双边利益评价得分z
    A10.18920.11970.3961
    A20.14540.23940.4855
    B10.15930.17090.4388
    B20.15440.18410.4487
    C10.19250.11500.3920
    C20.15930.17090.4388
    下载: 导出CSV

    表  5  不同调度方案的对比

    Table  5.   Comparison of different dispatching schemes

    调度方案类型路线选择时间成本/ h能耗成本/ kW·h双边利益
    双边利益权衡方案A20.6252.1150.4855
    时间成本方案A20.6252.1150.4855
    能耗成本方案C11.2921.1360.3920
    下载: 导出CSV
  • [1] 潘振宁, 余涛, 王克英. 考虑多方主体利益的大规模电动汽车分布式实时协同优化[J]. 中国电机工程学报, 2019, 39(12): 3528−3540.

    PAN Zhenning, YU Tao, WANG Keying. Decentralized coordinated dispatch for real-time optimization of massive electric vehicles considering various interests[J]. Proceedings of the CSEE, 2019, 39(12): 3528−3540(in Chinese).
    [2] 程亦直, 张沛超. 配电网中电动汽车的实时滚动交易式充电管理[J]. 中国电机工程学报, 2019, 39(19): 5703−5713.

    CHENG Yizhi, ZHANG Peichao. Real-time rolling transactive charging management of electric vehicles in distribution network[J]. Proceedings of the CSEE, 2019, 39(19): 5703−5713(in Chinese).
    [3] TAO L, TONG X, HE X, et al. Location analysis of electric vehicle charging station based on the floyed shortest path algorithm[J]. Applied Mechanics and Materials, 2013, 389: 1014−1018. doi:  10.4028/www.scientific.net/AMM.389.1014
    [4] 杨洪明, 李明, 文福拴, 等. 利用实时交通信息感知的电动汽车路径选择和充电导航策略[J]. 电力系统自动化, 2017, 41(11): 106−113. doi:  10.7500/AEPS20160821005

    YANG Hongming, LI Ming, WEN Fushuan, et al. Route selection and charging navigation strategy of electric vehicles using real-time traffic information perception[J]. Automation of Electric Power Systems, 2017, 41(11): 106−113(in Chinese). doi:  10.7500/AEPS20160821005
    [5] 严弈遥, 罗禹贡, 朱陶, 等. 融合电网和交通网信息的电动车辆最优充电路径推荐策略[J]. 中国电机工程学报, 2015, 35(2): 310−318.

    YAN Yiyao, LUO Yugong, Zhu Tao, et al. Optimal charging path recommendation strategy for electric vehicles integrating grid and traffic network information[J]. Proceedings of the CSEE, 2015, 35(2): 310−318(in Chinese).
    [6] 苏舒, 孙近文, 林湘宁, 等. 电动汽车智能充电导航[J]. 中国电机工程学报, 2013, 33(z1).

    SU Shu, SUN Jinwen, LIN Xiangning, et al. Intelligent charging navigation of electric vehicles[J]. Proceedings of the CSEE, 2013, 33(z1)(in Chinese).
    [7] ZHANG T, CHEN W, HAN Z, et al. Charging scheduling of electric vehicles with local renewable energy under uncertain electric vehicle arrival and grid power price[J]. IEEE Transactions on Vehicular Technology, 2014, 63(6): 2600−2612. doi:  10.1109/TVT.2013.2295591
    [8] 赵滨滨, 王莹, 徐晓萌, 等. 计及电动汽车充电与可再生能源协同调度的负荷特性分析[J]. 河南理工大学学报(自然科学版), 2020, 39(1): 107−115.

    ZHAO Binbin, WANG Ying, XU Xiaomeng, et al. Analysis of load characteristics considering the coordinated scheduling of electric vehicle charging and renewable energy[J]. Journal of Henan Polytechnic University(Natural Science), 2020, 39(1): 107−115(in Chinese).
    [9] 王惠中, 黄金凤, 杨家颜. 基于MOPSO的电动汽车有序充电调度控制策略[J]. 兰州理工大学学报, 2019, 45(5): 85−90. doi:  10.3969/j.issn.1673-5196.2019.05.016

    WANG Huizhong, HUANG Jinfeng, YANG Jiayan. Scheduling control strategy of electric vehicle orderly charging based on MOPSO[J]. Journal of Lanzhou University of Technology, 2019, 45(5): 85−90(in Chinese). doi:  10.3969/j.issn.1673-5196.2019.05.016
    [10] 顾博, 李凤婷, 张增强, 等. 基于GA-PSO的电动汽车换电站时空双层充电优化策略[J]. 电力系统保护与控制, 2019, 47(14): 116−124. doi:  10.7667/PSPC20191415

    GU Bo, LI Fengting, ZHANG Qiang, et al. Optimization strategy of space-time double-layer charging for electric vehicle switching station based on GA-PSO[J]. Power System Protection and Control, 2019, 47(14): 116−124(in Chinese). doi:  10.7667/PSPC20191415
    [11] 陈凯炎, 牛玉刚. 基于V2G技术的电动汽车实时调度策略[J]. 电力系统保护与控制, 2019, 47(14): 1−9. doi:  10.7667/PSPC20191401

    CHEN Kaiyan, NIU Yugang. Real time scheduling strategy of electric vehicle based on V2G technology[J]. Power System Protection and Control, 2019, 47(14): 1−9(in Chinese). doi:  10.7667/PSPC20191401
    [12] 蒋怡静, 于艾清, 屠亚南. 基于IBQPSO算法的电动汽车时空双尺度有序充电引导策略[J]. 现代电力, 2019, 36(6): 1−8. doi:  10.3969/j.issn.1007-2322.2019.06.001

    JIANG Yijing, YU Aiqing, TU Yanan. Time space dual scale orderly charging guidance strategy for electric vehicles based on ibqpso algorithm[J]. Modern Electric Power, 2019, 36(6): 1−8(in Chinese). doi:  10.3969/j.issn.1007-2322.2019.06.001
    [13] LIZI Luo, WEI Gu, ZHI Wu, et al. Joint planning of distributed generation and electric vehicle charging stations considering real-time charging navigation[J]. Applied Energy, 2019: 242.
    [14] LIU Chensheng, WU Jing, LONG Chengnian. Joint charging and routing optimization for electric vehicle navigation systems[J]. IFAC Proceedings Volumes, 2014, 47(3): 88−96.
    [15] 邢强, 陈中, 冷钊莹, 等. 基于实时交通信息的电动汽车路径规划和充电导航策略[J]. 中国电机工程学报, 2020, 40(2): 534−550.

    XING Qiang, CHEN Zhong, LENG Zhaoying, et al. Electric vehicle path planning and charging navigation strategy based on real-time traffic information[J]. Proceedings of the CSEE, 2020, 40(2): 534−550(in Chinese).
    [16] 符云辉, 黄敏, 袁平. 基于双边满意度匹配电动汽车充电调度策略[J]. 西南科技大学学报, 2019, 34(1): 92−96. doi:  10.3969/j.issn.1671-8755.2019.01.016

    FU Yunhui, HUANG Min, YUAN Ping. Matching electric vehicle charging scheduling strategy based on bilateral satisfaction[J]. Journal of Southwest University of Science and Technology, 2019, 34(1): 92−96(in Chinese). doi:  10.3969/j.issn.1671-8755.2019.01.016
    [17] 陈中, 陈妍希, 车松阳. 新能源汽车一体充能站框架及能量优化调度方法[J]. 电力系统自动化, 2019, 43(24): 41−51. doi:  10.7500/AEPS20181110001

    CHEN Zhong, CHEN Yanxi, CHE Songyang. New energy vehicle integrated charging station framework and energy optimization scheduling method[J]. Automation of Electric Power Systems, 2019, 43(24): 41−51(in Chinese). doi:  10.7500/AEPS20181110001
    [18] 杨昕然, 吕林, 向月, 等. “车-路-网”耦合下电动汽车恶劣充电场景及其对城市配电网电压稳定性影响[J]. 电力自动化设备, 2019, 39(10): 102−108+122.

    YANG Xinran, LV Lin, XIANG Yue, et al. The bad charging scenario of electric vehicles under the coupling of“vehicle road network”and its impact on the voltage stability of urban distribution network[J]. Electric Power Automation Equipment, 2019, 39(10): 102−108+122(in Chinese).
    [19] 禹明刚, 余晓辉, 权冀川, 等. 面向任务与基于ANP的网络信息体系能力需求满足度分析方法[J]. 系统工程理论与实践, 2020, 40(3): 795−806.

    YU Minggang, YU Xiaohui, QUAN Jichuan, et al. Task oriented and ANP based network information system capability requirement satisfaction analysis method[J]. Systems Engineering-Theory & Practice, 2020, 40(3): 795−806(in Chinese).
    [20] 李猛, 李可民, 彭勃, 等. 基于网络层次分析法和模糊综合评判的配电网运行管理水平综合评价体系研究[J]. 供用电, 2019, 36(8): 23−29.

    LI Meng, LI Kemin, PENG Bo, et al. Study on the comprehensive evaluation system of distribution network operation management level based on network analytic hierarchy process and fuzzy comprehensive evaluation[J]. Distribution & Utilization, 2019, 36(8): 23−29(in Chinese).
    [21] XIAO Liang, WANG Duo, LI Ming, et al. Hybrid architecture design enhances the areal capacity and cycling life of low-overpotential nanoarray oxygen electrode for lithium–oxygen batteries[J]. Journal of Energy Chemistry, 2019, 46(1): 34−47.
    [22] CHEN Jinyue, JI Jie, DING Long, et al. Fire risk assessment in cotton storage based on fuzzy comprehensive evaluation and Bayesian network[J]. Fire and Materials, 2020, 44(5): 188−196.
  • [1] 刘卓, 尹忠东, 詹惠瑜, 秦梦雅, 黄永章.  计及多种扰动源的有源配电网电能质量区间量化综合评估 . 现代电力, 2021, 38(1): 24-31. doi: 10.19725/j.cnki.1007-2322.2020.0236
    [2] 史文龙, 秦文萍, 姚宏民, 朱云杰, 李家钰.  计及电动汽车需求差异的智能电网调度策略 . 现代电力, 2021, 38(2): 221-229. doi: 10.19725/j.cnki.1007-2322.2020.0283
    [3] 孙波, 李思敏, 谢敬东, 孙欣.  基于IGDT理论的电动汽车负荷聚合商需求侧放电投标决策模型 . 现代电力, 2020, 37(5): 484-490. doi: 10.19725/j.cnki.1007-2322.2019.0793
    [4] 雷敏, 华一飞, 赵洪山, 徐波.  计及电池寿命的电动汽车参与电网调峰策略 . 现代电力, 2020, 37(5): 510-517. doi: 10.19725/j.cnki.1007-2322.2020.0060
    [5] 魏震波, 都成.  计及天气对电动汽车接入家庭型微电网供需侧影响的经济调度模型 . 现代电力, 2020, 37(1): 10-18. doi: 10.19725/j.cnki.1007-2322.2019.0031
    [6] 何阳, 张宇, 王育飞, 金商鹤.  考虑负荷优化的电动汽车光伏充电站储能容量配置 . 现代电力, 2019, 36(5): 76-81.
    [7] 张鑫钰, 强伟, 文晓龙, 李宏仲.  考虑V2G模式的电动汽车充电站规划 . 现代电力, 2019, 36(1): 71-78.
    [8] 龚钢军, 安晓楠, 陈志敏, 张帅, 文亚凤, 吴秋新, 苏畅.  基于SAE-ELM的电动汽车充电站负荷预测模型 . 现代电力, 2019, 36(6): 9-15.
    [9] 蒋怡静, 于艾清, 屠亚南.  基于IBQPSO算法的电动汽车时空双尺度有序充电引导策略 . 现代电力, 2019, 36(6): 1-8.
    [10] 宫鑫, 苏禹, 张小凤, 黄相杰.  计及激励型需求响应的电动汽车聚合商充电优化调度 . 现代电力, 2019, 36(6): 16-22.
    [11] 赵琦玮, 王昕, 王鑫, 郎永波, 贾立凯.  微电网环境下考虑日前预测误差的电动汽车多时间尺度优化调度模型 . 现代电力, 2019, 36(5): 47-53.
    [12] 张禄, 孙舟, 王伟贤, 李香龙, 周杨, 黄其进, 陈雁.  应用曲线分群预测的电动汽车充电设施规划方法 . 现代电力, 2018, 35(4): 21-26.
    [13] 苏小林, 张艳娟, 武中, 阎晓霞.  规模化电动汽车充电负荷的预测及其对电网的影响 . 现代电力, 2018, 35(1): 45-54.
    [14] 刘广, 曾成碧, 苗虹.  基于粗糙集的电动汽车充电站规划综合评价 . 现代电力, 2018, 35(1): 55-60.
    [15] 胡文平, 巫伟南, 郝婉梦, 于腾凯, 杨 军.  含电动汽车的配电网运行风险评估 . 现代电力, 2016, 33(2): 45-50.
    [16] 许璐, 袁越, 王敏, 刘冠群.  含电动汽车充电站的配电网谐波潮流计算 . 现代电力, 2014, 31(2): 21-26.
    [17] 刘人玮, 尹忠东, 曹松伟, 姜喆
    基于直接功率控制的电流型PWM电动汽车充电装置 . 现代电力, 2014, 31(2): 27-30.
    [18] 张乐平, 张明明, 林伟斌.  电动汽车与电网统一互动架构设计与探讨 . 现代电力, 2014, 31(1): 34-39.
    [19] 寇凌峰, 刘自发, 周 欢.  区域电动汽车充电站规划的模型与算法 . 现代电力, 2010, 27(4): 44-48.
    [20] 杨 婷, 景占荣, 高 田.  电动汽车车载智能快速充电器的研究与设计 . 现代电力, 2010, 27(5): 62-66.
  • 加载中
图(7) / 表 (5)
计量
  • 文章访问数:  25
  • HTML全文浏览量:  4
  • PDF下载量:  4
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-11-03
  • 刊出日期:  2021-06-03

基于路网信息考虑双边利益权衡的电动汽车优化调度策略

doi: 10.19725/j.cnki.1007-2322.2020.0376
    基金项目:  江苏省高校自然科学研究重大项目(17KJA470003,18KJA470002)
    作者简介:

    陈光宇(1980),男,博士,副教授,研究方向为电力系统运行与控制,E-mail:cgyhhu@163.com

    陆牧君(1999),男,本科,研究方向为电力系统运行与控制,E-mail:1602824494@qq.com

    郭袅(1980),女,硕士,高级工程师,研究方向为电力系统运行与控制,E-mail:25176216@qq.com

    祖光鑫(1985),男,硕士,高级工程师,研究方向为电力系统运行与控制

    郑君(1990),女,硕士,工程师,研究方向为电力系统运行与控制

    王成(2000),男,本科,研究方向为电力系统运行与控制

  • 中图分类号: TM73

摘要: 为了能在复杂工况下权衡电动汽车和充电站之间的双边利益,首先将实时路网信息、充电站状态信息及电价信息进行综合分析,在构建了基于双边利益权衡的充电方案评价体系的基础上,进一步构建基于时间量化的网络分析过程(Analytic network process,ANP)双边利益模糊评价模型,克服了传统ANP模型求解该类问题时存在的主观性问题;其次,提出一种基于路况信息并考虑双边利益权衡的电动汽车充电路径优化调度策略,实现了不同工况环境下电动汽车充电路径的最优选择;最后通过路网模型对所提方法进行仿真计算。仿真结果表明,此方法构建的基于时间量化的ANP双边利益权衡模糊评价模型能够准确地对不同调度方案进行综合评价排序,提出的基于双边利益权衡的电动汽车调度策略能为电动汽车提供更为灵活的充电路径选择,并在电动汽车出行便利和充电站最大收益两个方面取得较好的权衡。

English Abstract

陈光宇, 陆牧君, 郭袅, 祖光鑫, 郑君, 王成. 基于路网信息考虑双边利益权衡的电动汽车优化调度策略[J]. 现代电力, 2021, 38(3): 346-354. doi: 10.19725/j.cnki.1007-2322.2020.0376
引用本文: 陈光宇, 陆牧君, 郭袅, 祖光鑫, 郑君, 王成. 基于路网信息考虑双边利益权衡的电动汽车优化调度策略[J]. 现代电力, 2021, 38(3): 346-354. doi: 10.19725/j.cnki.1007-2322.2020.0376
Guangyu CHEN, Mujun LU, Niao GUO, Guangxin ZU, Jun ZHENG, Cheng WANG. Optimal Scheduling Strategy of Electric Vehicles Based on Road Network Information and Bilateral Benefit Balance[J]. Modern Electric Power, 2021, 38(3): 346-354. doi: 10.19725/j.cnki.1007-2322.2020.0376
Citation: Guangyu CHEN, Mujun LU, Niao GUO, Guangxin ZU, Jun ZHENG, Cheng WANG. Optimal Scheduling Strategy of Electric Vehicles Based on Road Network Information and Bilateral Benefit Balance[J]. Modern Electric Power, 2021, 38(3): 346-354. doi: 10.19725/j.cnki.1007-2322.2020.0376
    • 在全球能源日益紧缺的情况下,新能源汽车凭借其无污染、节能、噪音小等优势将逐渐取代传统汽车成为主流。但随着电动汽车数量的不断增加,其有序充电和优化调度的难题也逐渐凸显,如若不能对电动汽车充电行为进行有序引导将造成较大的资源浪费,甚至引起交通堵塞、频率振荡等问题[1-2]

      对于电动汽车充电引导问题,国内外很多学者都对其做了研究。文献[3]提出了基于Floyd算法的电动汽车充电最短路径模型;文献[4]在最短路径基础上融入实时电价约束提出了能有效降低用户充电成本的调度方案;文献[5]提出了基于Dijkstra算法的大规模电动汽车最优充电站路径规划对缓解配电网结点负荷过大有一定作用;文献[6]充分考虑了价格因素进而提出了基于实时电价信息的充电导航系统;文献[7]提出了根据电动汽车与充电站之间信息交互的总充电时间最短模型,但忽略了价格因素;文献[8]提出了一种充分利用光伏发电的电动汽车调度方案,仿真表明该方法可有效平抑可再生能源的波动性;文献[9]提出了一种基于多目标粒子群优化算法的有序充电控制策略,该方法可有效平滑负荷曲线提高充电效率;文献[10]以充电成本最小为目标,提出了一种基于粒子群算法与遗传算法混合优化算法的时空双层优化模型,仿真结果表明了该模型的可行性和有效性。

      以上文献虽在不同程度上缓解了电动汽车充电调度问题,但均未能全面考虑各方面因素且大多只考虑了消费者利益最大化未能将双方利益均衡考量。随着互联网的不断发展,信息交互的速度和稳定性都有了长足的发展,部分学者就电动汽车导航平台作了相关研究。文献[11]提出了一种基于充电站状态信息和电价信息的电动汽车智能充电服务系统;文献[12]提出了一种基于车辆到电网(Vehicle-to-grid,V2G)技术的电动汽车实时调度策略,可有效降低网损;文献[13]提出了一种分布式发电机与充电站联合规划的综合调度策略,使得空间经济性最好;文献[14]在实时传输协议策略基础上提出了一种基于改进的干扰抵消系统算法的充电导航策略;文献[15]提出了一种基于实时交通信息的电动汽车充电导航系统,可有效减少拥堵情况。

      综上所述,现有的电动汽车充电导航系统大多只侧重于用户侧体验,而较少考虑充电站利益;文献[16]尽管考虑了双边满意度,但由于双边因素考虑的较少,调度方案的实用性仍有待提高。本文通过对以上文献的深入研究,针对现有的充电导航系统只关注用户侧利益且影响因素考虑不全等问题,提出了一种基于路况信息考虑双边利益权衡的电动汽车充电路径优化调度策略,通过对路网信息、充电站状态信息及实时电价进行综合建模,并利用网络层次分析法对双边利益进行模糊评价,最终实现消费者和充电站双边利益权衡的电动汽车充电路径最优调度。

    • 本文所搭建的基于双边利益权衡的充电方案评价体系共分为3个层次(如图1所示),第1层为目标层(双边利益评价);第2层为一级指标即用户总成本C和充电站收益P;第3层为二级指标即影响各一级指标的因素,其中用户总成本的二级指标包含用户电能损耗及用户时间损耗两部分,充电站收益的二级指标包含充电站服务时间及充电站单位时间收益两部分。

      图  1  双边利益评价体系

      Figure 1.  Bilateral interest evaluation system

    • 用户完成充电的总时长T通常由行驶时间tr、预计等待时间${t_{\rm{w}}}$和充电时间${t_{\rm{c}}}$组成,如式(2)所示:

      $$ {T_{{\text{总}}}}{\rm{ = }}{t_{\rm{r}}} + {t_{\rm{w}}} + {t_{\rm{c}}} $$ (1)

      1)行驶时间。

      在不同的路网情况下电动汽车的电机效率有所不同,这进而会影响到电动汽车的平均行驶速度[17]。故本文将路网情况分为4种,即高速公路工况、理想城市工况、一般理想工况和拥堵工况[18]。根据不同道路工况计算行驶时间,并将路网权时间矩阵定义如下:

      $${{T}} = \left[ {\begin{array}{*{20}{c}} {{t_{11}}}& \cdots &{{t_{1i}}} \\ \vdots & \ddots & \vdots \\ {{t_{i1}}}& \cdots &{{t_{ii}}} \end{array}} \right]$$ (2)

      式中:t11t12、···、tii为路网模型各节点间行驶所需时间(假设共i个节点),建立路网权时间矩阵目的在于计算到达各个充电站的最短时间路径,即确定tr

      2)预计等待时间。

      设充电站k共有m个充电桩,当前站内有n辆车,则当前车辆到达后的预计等待时间tw为:

      ①当0≤Nm时,${t_{\rm{w}}} = 0$

      ②当ymN<(y+1)m时,

      $${t_{\rm{w}}} = \left\{ {\begin{aligned} &{f\left( {a + 1} \right) + \frac{{x - 1}}{\mu } - {t_{\rm{d}}}}&{n \geqslant a + 1}\\ &{\frac{x}{\mu }}&{n < a + 1} \end{aligned}} \right.$$ (3)

      式中:m为该充电站拥有的充电桩数量;n为当前时刻t1时该充电站内用户汽车总数量;N为预计该用户汽车到达时刻t2时充电站的用户汽车总数量:

      $$N = n - x+a$$ (4)

      式中:at1时刻至t2时刻间驶入该充电站并等待充电的用户汽车总数:

      $$a = \lambda \times {t_{\rm{d}}}$$ (5)

      式中:λ为单位时间充电车辆进站率(可通过大数据分析得出应服从泊松分布);xt1t2时间段内在该充电站完成充电并驶离的用户汽车总数量,行驶时间td=t1t2;1/μ为用户汽车期望的服务时间;y为大于等于1的正整数。

      设充电站容量为C,则充电站容量约束如下[19]

      $$\left\{ \begin{array}{l} C > N \\ C > n \end{array} \right.$$ (6)

      式(6)表明充电站内车辆数应小于充电站容量。

      3)充电时间。

      考虑到充电时间受用户主观及充电站调度策略影响较大,故无法得出准确的计算方法。

      综上可得出考虑充电行为总时间最短的目标函数如式(7)所示:

      $${f_1} = {T_{{\text{总}}\min}} = \min\{ {T_{{\text{总}}1}},{T_{{\text{总}}2}}, \cdots ,{T_{{\text{总}}i}}\} $$ (7)

      4)Dijkstra算法。

      Dijkstra算法[20]是由荷兰科学家迪克斯特拉于1959年提出的。它是一种从一个顶点到其余各顶点的最短路径算法,用于解决有权图中最短路径问题,其主要思想如图2所示。

      图  2  Dijkstra算法原理图

      Figure 2.  Schematic diagram of Dijkstra algorithm

      本文采用Dijkstra算法对路网权时间矩阵进行求解,最终得出各路径的用户时间损耗。

    • 用户耗能模型的建立与用户耗时模型类似,区别仅在于将路程和时间的消耗量利用系数关系转化为能耗,路网权能耗矩阵定义如下:

      $${{E}}{\rm{ = }}\left[ {\begin{array}{*{20}{c}} {{e_{11}}}& \cdots &{{e_{1{\rm{i}}}}} \\ \vdots & \ddots & \vdots \\ {{e_{{\rm{i}}1}}}& \cdots &{{e_{{\rm{ii}}}}} \end{array}} \right]$$ (8)

      式中:e11e12、···、eii为路网模型各节点间行驶所需能耗(假设共i个节点),建立路网权时间矩阵目的在于计算到达各个充电站的最少能耗路径。

      行驶路径上总耗能最少的目标函数,如式(9):

      $${f_2} = \min \left\{ {{E_1},{E_2},\cdots,{E_i}} \right\}$$ (9)

      通过Dijkstra算法对路网权能耗矩阵进行求解即可得出各路径的用户电能损耗。

    • 充电站服务时间通常从电动汽车接受平台调度算起,故取充电站服务时间与用户时间损耗相等,用户时间损耗的计算方法上文已详述此处不再赘述。

    • 充电站单位时间收益与用户电能损耗密切相关,令M为用户充电总花费,则有:

      $$M = ({E_{\rm{h}}} - S+E) \times m$$ (10)

      式中:Eh为充电结束时用户期望荷电量;S为用户在起点时的电动汽车荷电量;E为行驶过程中的能耗;m为单位实时电价。

      充电站收益需要在同一时间尺度内比较才有意义,故令充电站的单位时间收益为P,则有:

      $$ P=\frac{M}{{T}_{{\text{总}}}}$$ (11)

      由式(11)得出各路径的充电站单位时间收益。

    • 指标求解流程如图3所示。

      图  3  指标求解流程图

      Figure 3.  Solving procedure of indices

    • 传统基于时间量化网络分析过程(analytic network process,ANP)[21]尽管采用了递推式层次结构,且有较强的内部依赖性和反馈性,但在求解权重时仍然存在一定的主观性。为进一步减小评价的主观性,本文考虑将电动汽车调度过程中时间成本,通过该地区GDP水平等因素进行转换分析,将时间成本转换为经济成本,从而避免权重选择的主观性,并在此基础上,提出一种基于时间量化的ANP双边利益模糊评价模型。

      该过程是对传统ANP的改进,其主要思想为,不同于传统ANP计算权重时完全采用超矩阵进行元素的对比计算,而是引入时间量化公式对部分二级指标进行权重计算,使得权重计算更为客观合理,其具体流程如下。

      1)搭建双边利益评价体系。

      2)建立元素判断矩阵,计算权重。

      首先建立一级指标权重对比矩阵,即用户汽车和充电站的相对重要程度。本文通过查阅大量文献最终确定权重如下:

      $$\begin{array}{l} \begin{array}{*{20}{c}} &\;\;\;\;\;\;\;\;\;\;\;U&S \end{array} \\ \begin{array}{*{20}{c}} \begin{array}{l} U \\ \end{array} \\ S \end{array}\left[ {\begin{array}{*{20}{c}} 1&{\dfrac{2}{3}} \\ {\dfrac{3}{2}}&1 \end{array}} \right] \end{array} $$ (12)

      式中:U表征用户汽车的总充电成本;S表征充电站的收益;第i行第j列元素表示第i行元素表征相对第j列元素表征的重要程度。

      在进行二级指标权重的求解过程,为了避免权重选择的主观性,本节提出一种基于时间量化的策略进行求解计算。在权衡充电站和用户的双边利益时,首先对时间成本进行经济性的量化(即用户在完成充电的整个过程中消耗的时间用货币来衡量其价值),则单位时间价值可以表示为:

      $$V{\rm{ = }}\frac{G}{{D \times T}}$$ (13)

      式中:V为单位小时价值量;G为该地区人均生产总值;D为该地区年法定工作日;T为该地区工作日平均工作时间。

      H为用户的总时间成本,则有:

      $$ H=V\times {T}_{{\text{总}}}$$ (14)

      M为用户充电总花费金钱,则有:

      $$M = ({E_{\rm{h}}} - S+E) \times m$$ (15)

      式中:Eh为充电结束时用户期望荷电量;S为用户在起点时的电动汽车荷电量;E为行驶过程中的能耗;m为单位实时电价。

      C为用户完成整个充电过程的总成本,则有:

      $$C = H+M$$ (16)

      通过比较用户到达附近各充电站总成本C的大小,得出总成本最小的方案。

      3)标准化函数处理。

      由于本文所建的评价体系中用户总成本C与充电站收益P是不同类型的定量指标,故需对其进行无量纲处理[22]

      用户总成本C属于成本型指标,其评价值随数值的增大而减小,故其标准化函数为:

      $${C^{'}}_i = \frac{{{C_{i,\max }} - {C_i}}}{{{C_{i,\max }} - {C_{i,\min }}}}$$ (17)

      充电站收益P属于效益型指标,其评价值随数值的增大而增大,故其标准化函数为:

      $${P^{'}}_i = \frac{{{P_i} - {P_{i,\min }}}}{{{P_{i,\max }} - {P_{i,\min }}}}$$ (18)

      式中:${C^{'}}_i $${P^{'}}_i $均为标准化后的取值;Ci,maxCi,minPi,maxPi,min均为依据当地GDP水平及电动汽车和充电站的发展状况设定的参数。

      4)模糊评价。

      ①首先得出各充电站的用户总成本${C^{'}}_i $和充电站收益${P^{'}}_i $的得分。

      建立第一个对比矩阵计算第$i$个充电站的标准化用户总成本${C^{'}}_i $的得分ri,式(17)即各充电站两两对比其对于用户汽车而言的总成本:

      $${\begin{array}{l} \begin{array}{*{20}{c}} &\quad\quad{{S_A}}&\;\;\;{{S_B}}&\;\;\;{{S_C}}& \cdots & \end{array} \\ \begin{array}{*{20}{c}} {{S_A}} \\ \\ {{S_B}} \\ \\ {{S_C}} \\ \vdots \end{array}\left[ {\begin{array}{*{20}{c}} 1&{\dfrac{{{C^{'}}_A}}{{{C^{'}}_B}}}&{\dfrac{{{C^{'}}_A}}{{{C^{'}}_C}}}& \cdots \\ {\dfrac{{{C^{'}}_B}}{{{C^{'}}_A}}}&1&{\dfrac{{{C^{'}}_B}}{{{C^{'}}_C}}}& \cdots \\ {\dfrac{{{C^{'}}_C}}{{{C^{'}}_A}}}&{\dfrac{{{C^{'}}_C}}{{{C^{'}}_B}}}&1& \ldots \\ \vdots & \vdots & \vdots & \ddots \end{array}} \right] \end{array} }$$ (19)

      建立第二个对比矩阵计算第$i$个充电站的标准化充电站收益${P^{'}}_i $的得分Si,式(18)即各充电站两两对比其相同时间段的单位时间收益:

      $${\begin{array}{l} \begin{array}{*{20}{c}} &\quad\quad{{S_A}}&\;\;\;{{S_B}}&\;\;\;{{S_C}}& \cdots & \end{array}\begin{array}{*{20}{c}} & \end{array} \\ \begin{array}{*{20}{c}} {{S_A}} \\ \\ {{S_B}} \\ \\ {{S_C}} \\ \vdots \end{array}\left[ {\begin{array}{*{20}{c}} 1&{\dfrac{{{P^{'}}_A}}{{{P^{'}}_B}}}&{\dfrac{{{P^{'}}_A}}{{{P^{'}}_C}}}& \cdots \\ {\dfrac{{{P^{'}}_B}}{{{P^{'}}_A}}}&1&{\dfrac{{{P^{'}}_B}}{{{P^{'}}_C}}}& \cdots \\ {\dfrac{{{P^{'}}_C}}{{{P^{'}}_A}}}&{\dfrac{{{P^{'}}_C}}{{{P^{'}}_B}}}&1& \ldots \\ \vdots & \vdots & \vdots & \ddots \end{array}} \right] \end{array} }$$ (20)

      ②根据上文得出的标准化用户总成本得分${r_i}$和标准化充电站收益得分Si,计算得出第$i$个充电站的双边利益模糊评价得分zi,具体公式如下:

      $${z_i} = \left( {1 - {r_i}} \right) \times 0.4+0.6{s_i}$$ (21)

      考虑双边利益模糊评价得分最大的目标函数为:

      $$ {f}_{3}={\max}\left\{{z}_{1}{\text{、}}{z}_{2}{\text{、}}{z}_{3}{\cdots}{z}_{i}\right\}$$ (22)

      最终筛选出双边利益模糊评价得分较高的方案。具体实施流程图如图4所示。

      图  4  双边利益模糊评价流程图

      Figure 4.  Flowchart of fuzzy evaluation of bilateral interests

    • 上节已求得各充电路径的双边利益模糊评价值及排序结果,但仅考虑在某种确定的调度方案下不同充电路径的选择问题,未考虑不同工况下电动汽车充电路径调度方案的设计。因此本节提出一种基于双边利益权衡的电动汽车充电路径优化调度策略。该调度方案流程图具体如图5所示。

      图  5  调度方案流程图

      Figure 5.  Flowchart of dispatching scheme

      具体步骤如下:

      1)获取以某一用户汽车为中心的设定半径范围内实时的路段信息和充电站信息,以及该用户汽车的剩余电量SoC

      2)统计各充电站的实时排队情况,确定该用户汽车到达各充电站后的预计等待时间tw

      3)统计该用户汽车的可通行路段信息,确定该用户汽车在各可通行路段上行驶的预计行驶里程S、预计平均通行速度V、预计电机效率η和预计单位能耗e

      4)检测该用户汽车是否选择充电。选择充电,则进入8);否则,进入5);

      5)判断用户汽车剩余SoC:若低于电量预警值进行低电量警告并进入7);否则进入6);

      6)统计各充电站的负荷量。若充电站的负荷量处于谷值,则向该用户汽车推送优惠充电信息;否则,不作为;

      7)计算该汽车通过各种由可通行路段组成的路径方案到达各充电站的预计总能耗;

      8)根据该用户汽车的剩余SoC选择出能够到达充电站的各种路径方案:若存在两种以上路径方案,进入9);否则进入10);

      9)基于双边利益权重向用户汽车推荐两种路径方案;

      10)向该用户汽车推送预计总能耗最小的路径引导方案。

    • 根据当前电动汽车和充电站的发展状况与前景,本文对算例参数做出如下假设:

      1)电动汽车电池容量E0为30 kW·h;

      2)用户起始SOCi为0.5;

      3)需求峰时默认用户每次充电上限时间为0.5 h;

      4)充电站的实时充电电价为1.5元/kW·h;

      5)充电桩平均充电功率为30 kW;

      6)单位小时价值量V为20元/h;

      7)考虑在实际中用户的重要程度要略低于充电站,0.4和0.6分别表示电动汽车主体与充电站主体双方匹配的满意度权重。

      本文以图6所示某区某时段的交通图为例,基于实时路网交通数据,建立平面单层路网模型。以双边满意度最高为目标函数,制定电动汽车到达最优充电站的路径导航。所建立的道路交通网模型简图见图6。该区域内共有16个路网节点,24条路段和3个充电站,其中有9条主干道,9条次干道和6条支路。节点处标注的数值1~16为路网节点序号,A—C为区域内的3个充电站。

      图  6  某区某时段交通图

      Figure 6.  Traffic map of a certain district in a certain time period

      先假设不同工况道路行驶参数(表1)、充电站基本情况如表2所示。

      表 1  不同工况道路形式参数

      Table 1.  Road driving parameters under different traffic conditions

      道路工况平均速度V/(km/h)电机效率η/(km/kW·h)
      拥堵工况5.003.20
      一般城市工况25.007.50
      理想城市工况60.009.25
      高速公路工况100.004.20

      表 2  充电站基本情况

      Table 2.  Basic condition of charging station

      充电站充电
      桩数
      m/个
      充电
      功率
      p/kW
      车辆
      到达率
      λ/(辆/h)
      车辆
      服务率
      μ/(辆/h)
      当前时刻
      充电站内
      用户数量
      n/辆
      A(14)1030182015
      B(11)830151612
      C(8)1230222418
    • 在上述的算例场景中进行仿真计算,利用Dijkstra算法得到电动汽车分别基于耗能最小和耗时最短得出到达A、B、C三个充电站充电的6种路径选择方案,根据式(1)—(13),求得各路径对应的能耗/时间、用户成本和充电站单位时间盈利,如表3所示。

      表 3  各充电站最优路径分析

      Table 3.  Analysis on the best paths of all charging stations

      充电站需求类型最优路径能耗/时间用户成本充电站单位
      时间盈利
      P/(元/h)
      能耗
      E/kW·h
      行驶时间
      tr/h
      等待时间
      tw/h
      充电时间
      tc/h
      金钱成本
      M/元
      时间成本
      H/元
      总成本
      C/元
      A(14)耗能最小A1:1-6-10-141.1080.5130.2370.522.52547.518
      A(14)耗时最短A2:1-2-5-9-13-142.1150.10.0250.522.51436.536
      B(11)耗能最小B1:1-6-10-110.79550.3130.0620.522.517.54025.71
      B(11)耗时最短B2:1-2-5-6-10-111.57750.3010.01150.522.516.2538.7527.69
      C(8)耗能最小C1:1-6-7-81.1360.50.2920.522.525.8448.3417.41
      C(8)耗时最短C2:1-3-7-81.2150.3620.0130.522.517.54025.71

      根据式(19)计算出各路径的双边利益模糊评价得分z,结果如表4所示。

      表 4  各路径双边利益模糊评价得分

      Table 4.  Fuzzy evaluation scores of all paths’ bilateral interests

      线路用户成本归一化x充电站收益归一化y双边利益评价得分z
      A10.18920.11970.3961
      A20.14540.23940.4855
      B10.15930.17090.4388
      B20.15440.18410.4487
      C10.19250.11500.3920
      C20.15930.17090.4388

      根据表4计算得出基于双边利益的电动汽车优选路径A2、B2(如图7所示),给所有方法进行排序,并推送两种双边满意度最好的方案。

      图  7  推荐方案引导图

      Figure 7.  Guide chart of the recommended scheme

      方案1为路径A2,起点O至充电站A的分段最优路线为1-2-5-9-13-14,总耗时约为0.625 h,行驶耗能约为2.115 kW·h;

      方案2路径B2,起点O至充电站B的分段最优路线为1-2-5-6-10-11,总耗时约为0.8125 h,行驶耗能约为1.5775 kW·h。

      综合2种方案可以看出,当用户对便捷性偏好较大时,可以选择综合满意度最好的方案(即方案A2);若用户对经济性偏好较大时,则可以选择综合满意度较好的方案(即方案B2),通过不同方案,实现了双边满意度权衡的充电调度最优引导策略,有效地在减少用户充电成本(包含时间成本)的基础上,使充电站获得较大收益,同时也进一步提供了用户的个性化服务,电动汽车用户可以根据需要(经济性/便捷性)自主选择符合个性化的充电方案。

    • 本文所提方案与只关注时间成本或能耗成本的方案对比如表5所示。

      表 5  不同调度方案的对比

      Table 5.  Comparison of different dispatching schemes

      调度方案类型路线选择时间成本/ h能耗成本/ kW·h双边利益
      双边利益权衡方案A20.6252.1150.4855
      时间成本方案A20.6252.1150.4855
      能耗成本方案C11.2921.1360.3920

      表5可看出本文所提双边利益权衡方案与时间成本方案选取路线一致,这是因为时间成本在双边利益权衡计算过程中重要性显著,但在路程较长或道路较拥堵等情况下两种方法选取方案也可能不一致。而能耗成本方案与双边利益权衡方案对比,虽然能耗成本有所下降,但时间成本和双边利益均劣于双边利益权衡方案,故本文所提双边利益权衡调度方案较以往仅考虑单一情况的调度方案具有一定的优越性。

    • 本文提出的基于路网信息考虑双边利益权衡的电动汽车优化调度策略,相比时间成本方案和能耗成本方案都具有明显优势,能更好地权衡电动汽车和充电站双边的利益。

    • 江苏省配电网智能技术与装备协同创新中心开放基金资助项目(XTCX202003)在对本文调度算法方面提出了指导性意见,谨此深表感谢!

参考文献 (22)

目录

    /

    返回文章
    返回