CN108955711A - 一种应用于电动汽车智能充放电的导航方法 - Google Patents

Abstract

本发明提供了一种应用于电动汽车智能充放电的导航方法，旨在解决现有的电动汽车充电导航方法中没有考虑对电动汽车的放电行为以及没有全面考虑用户综合使用成本的问题。本发明首先在车载终端获取车辆信息，交通信息，充电站信息，随后计算汽车剩余电量，根据不同情况进行导航决策并将最优充/放电导航规划以综合成本从优到劣推送给用户。本发明的充放电导航方法不仅能最大化用户利益，还能减少充电行为对电网的影响，引导用户进行放电缓解电网的负担。

Description

一种应用于电动汽车智能充放电的导航方法

技术领域

本发明涉及电动汽车充放电领域，更具体地，涉及一种应用于电动汽车智能充放电的导航方法。

背景技术

随着电动汽车的大量普及，电动汽车充电的需求也将大大增加。电动汽车充电主要有两种方式：快充和慢充。慢充模式下，电动汽车通常需要6～8小时才能充满，适合有长时间停车过程的用户；而快充模式下，电动汽车只需要30分钟～1小时就能充满。快充模式因为其快捷性、便利性以及灵活性，正在成为电动汽车用户的重要充电选择。

目前充电导航策略通常会引导车辆去进行快充直至把电量完全充满，但是与慢充相比，快充的费用通常会比较贵，而且由于快充模式下快充功率较大，大量的快充负荷会使得配电网过负荷，会对电网造成负面影响。另外，电动汽车电池作为一种储能设备，能够将电能回馈到电网，缓解电网负担，而目前导航策略都没有将放电行为加入到导航规划里面。再者，目前的充电导航策略通常考虑以最短路径或最短行驶时间为目标进行导航，仅仅考虑从用户所在的地方到充电站之间的导航，没有考虑用户充电完成后剩下的行程的导航优化问题，即没有考虑用户整个行程的成本开销。

发明内容

本发明为解决现有的一个或多个缺陷，提出了一种应用于电动汽车智能充放电的导航方法。

为实现以上发明目的，而采用的技术手段是：

一种应用于电动汽车智能充放电的导航方法，包括以下步骤：

S1：车载终端获取车辆信息、交通信息、充电站或双向充电站信息；

S2：进行导航决策，其中导航决策包括：

若剩余电量不能到达目的地，则进行充电导航规划；若剩余电量能到达目的地，并且收到放电需求信号，则进行放电导航规划；若剩余电量能到达目的地，且没有收到放电需求信号，则无需进行导航规划。

S3：最优充/放电导航规划以综合成本从优到劣推送给用户。其中充电导航规划中最优综合成本即目标函数取最小值，放电导航规划中最优综合成本即目标函数取最大值。

本发明通过提出一种充放电导航方法，为电动汽车用户提供充/放电导航规划。在电动汽车行驶过程中电量不足时，以用户综合成本最优为目标，为电动汽车进行最优充电路径的规划；在配电网负荷过高时，将放电需求以广播的方式传给该区域范围内的电动汽车，以用户综合成本最优为目标，为电动汽车进行最优放电路径的规划。

进一步地，步骤S1所述车辆信息包括电动汽车初始电量状态SOC_t0，电池额定容量E_ca，每公里耗电量e_c，车辆起始节点坐标O与目的地节点坐标D。

进一步地，步骤S1所述交通信息包括电动汽车所在区域位置节点i、j、道路节点之间的距离d_ij、道路实时平均行驶的速度

进一步地，步骤S1所述充电站或双向充电站信息包括电动汽车所在区域充电站或双向充电站位置节点j、各充电站或双向充电站电动汽车到达率φ_j，k与充电桩平均服务率μ_j,k、各充电站或双向充电站充电桩个数s_j、充电桩的快充功率P_j,fast、慢充功率P_j,slow与放电功率P_dis、以及相对应的快充电价慢充电价ρ_t、放电回馈电网的补贴电价σ_t；

其中，充电站或双向充电站电动汽车到达率：

充电桩平均服务率：其中为充电站或双向充电站传感器与充电桩数据采集模块所记录的电动汽车到达数；T为更新周期时间；φ_j，k与μ_j,k每隔一段时间T更新一次。

进一步地，所述S2中的充电导航规划包括以下步骤：

S2.1.1：读取S1中的交通信息，包括电动汽车所在区域位置节点i、j，各路段之间的距离d_ij，各路段道实时平均行驶的速度采用Dijkstra算法分别求解从起点O到各个充电站再到目的地D的预计行驶时间，

其中Φ代表所选路径经过道路结点的集合，Ω代表充电站点的集合；

S2.1.2：读取S1中的充电站信息，包括电动汽车所在区域充电站位置节点j，各充电站电动汽车到达率φ_j，k与充电桩平均服务率μ_j,k，以及各充电站充电桩个数s_j，通过递推法计算充电站j全部充电桩闲置的概率P_0,j：

计算充电站j在一段时间T内有n个充电桩被占用的概率：

基于排队论M/M/n模型，计算每个充电站j的等候队长L_q,j和等待时间T_j,wait，

S2.1.3：读取车辆信息与充电站信息，包括电动汽车初始电量状态电池额定容量E_ca，每公里耗电量e_c，快充桩充电功率P_fast，慢充桩充电功率P_slow，计算电动汽车在充电站j进行快充或慢充的时间：

其中，ω₁、ω₂均为二值变量，ω₁,ω₂∈{0,1}；ω₁为快速充电决策变量，ω₁＝1代表进行快充，ω₁＝0代表不进行快充；ω₂为常规慢速充电决策变量，ω₂＝1代表进行慢充，ω₂＝0代表不进行慢充；η_fast、η_slow分别为快充效率和慢充效率，与车型和充电站的设定有关，可根据经验数据直接获得；分别为需进行快充或慢充的电量，为决策变量，由目标函数和约束函数决定；

S2.1.4读取充电站充电电价信息，包括快充电价慢充电价ρ_t，计算到各个充电站的快充成本C_j,fast，慢充成本C_j,slow：

其中，决策变量由目标函数和约束函数决定；t_start、t_finish分别为充电开始的时刻和充电结束的时刻；

S2.1.5计算到每个充电站的综合成本：

C_j＝α_ch(T_j,drive+T_j,wait+T_j,ch)+β_ch(ω₁C_j,fast+ω₂C_j,slow)，

其中α_ch，β_ch为时间成本和充电成本的权值系数，α_ch+β_ch＝1，0＜α_ch＜1，0＜β_ch＜1，可根据用户需要进行调整，例如，若α_ch＞β_ch，则表明用户对出行时间的要求更高；

S2.1.6：求解目标函数，得到决策变量和以综合成本从优到劣，制定可选择的充电导航规划。充电导航规划包括快充还是慢充的选择，充电站的选择，以及相对应的充电路径，行驶时间与充电成本。

进一步地，所述目标函数为：

剩余电量加上所充进的电量需要大于整个行程所消耗的电量：

所充电量不能大于电动汽车额定电量：

快充、慢充不能同时进行：

ω₁+ω₂≤1，

其中，为起点O到充电站的行驶距离，为充电站到目的地的行驶距离，为电动汽车电池最低留存电量；

进一步地，所述S2中的放电导航规划包括以下步骤：

S2.2.1：读取S1中的交通信息数据，包括电动汽车所在区域位置节点i、j，各路段之间的距离d_ij，各路段道实时平均行驶的速度采用Dijkstra算法求解从起点O到各个双向充电站再到目的地D的预计行驶时间，

其中，Φ代表所选路径经过道路结点的集合，Ω代表双向充电站点的集合；

S2.2.2：读取S1中的双向充电站信息，包括电动汽车所在区域双向充电站位置节点j，各双向充电站电动汽车到达率φ_j，k与充电桩平均服务率μ_j,k，以及各双向充电站充电桩个数s_j，通过递推法计算双向充电站j全部充电桩闲置的概率P_0,j：

计算充电站j在一段时间T内有n个充电桩被占用的概率：

基于排队论M/M/n模型，计算每个双向充电站j的等候队长L_q,j和等待时间T_j,wait：

S2.2.3读取车辆信息与双向充电站放电功率，包括电动汽车初始电量状态电池额定容量E_ca，每公里耗电量e_c，放电功率P_dis，计算电动汽车在充电站j进行放电的时间：其中η_dis为放电效率，与车型和充电站的设定有关，可根据经验数据直接获得；E_dis为需进行放电的电量，为决策变量，由目标函数和约束函数决定；

S2.2.4计算到各个双向充电站放电能获得的补贴：

其中σ_t为放电回馈电网的补贴价格，t_start、t_finish分别为放电开始的时刻和结束的时刻；

S2.2.5计算到每个双向充电站的综合成本：

C_j＝β_disC_j,dis-α_dis(T_j,drive+T_j,wait+T_j,ch)，

其中α_dis，β_dis为时间成本和放电补贴的权值系数，α_dis+β_dis＝1，0＜α_dis＜1，0＜β_dis＜1，可根据用户需要进行调整，例如，若β_dis＞α_dis，则表明用户对放电补贴更为看重；

S2.2.6：根据目标函数和约束函数，求解目标函数，得到决策变量E_dis，以综合成本从优到劣，制定可选择的放电导航规划。放电导航规划包括双向充电站的选择，以及相对应的充电路径，行驶时间与放电回馈电网的补贴。

进一步地，所述目标函数为：

约束函数包括：

剩余电量需大于到达双向充电站所消耗的电量：

剩余电量减去放电回馈到电网的电量需要大于整个行程所消耗的电量：

其中，为起点O到双向充电站的行驶距离，为双向充电站到目的地的行驶距离，为电动汽车电池最低留存电量。

与现有技术相比，本发明技术方案的有益效果是：

本发明充放电导航方法为用户提供充电规划的同时也考虑了对电动汽车的放电行为，引导用户放电，以综合成本最优为目标进行电动汽车最优充/放电路径的规划，其中综合成本包括时间成本和充/放电成本。本发明提出的充/放电导航规划一方面可以使用户整个行程经济利益最大化的同时节省用户整个行程的时间，另一方面可以减少充电负荷，从而减少充电对电网的影响。

附图说明

图1为本发明的总流程示意图；

图2为本发明的充电导航流程图；

图3为本发明的放电导航流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

图1是本发明一种应用于电动汽车智能充放电的导航方法的总流程示意图，使用该发明对电动汽车进行充/放电导航规划时包括如下几个步骤：

S1：车载终端获取车辆信息、交通信息、充电站或双向充电站信息；

其中车辆信息包括电动汽车初始电量状态电池额定容量E_ca、每公里耗电量e_c、车辆起始节点坐标O与目的地节点坐标D；交通信息包括电动汽车所在区域位置节点i、j、道路节点之间的距离d_ij、道路实时平均行驶的速度充电站或双向充电站信息包括电动汽车所在区域充电站位置节点j、各充电站或双向充电站电动汽车到达率φ_j，k与充电桩平均服务率μ_j,k、各充电站或双向充电站充电桩个数s_j、充电桩的快充功率P_j,fast、慢充功率P_j,slow与放电功率P_dis，以及相对应的快充电价慢充电价ρ_t、放电回馈电网的补贴电价σ_t；

其中，充电站或双向充电站电动汽车到达率：

充电桩平均服务率：其中为充电站或双向充电站传感器与充电桩数据采集模块所记录的电动汽车到达数；T为更新周期时间；φ_j，k与μ_j,k每隔一段时间T更新一次。

S2：进行导航决策，其中导航决策包括：

若剩余电量不能到达目的地，则进行充电导航规划；若剩余电量能到达目的地，并且收到放电需求信号，则进行放电导航规划；若剩余电量能到达目的地，但没有收到放电需求信号，则无需进行导航规划；

如图2所示，当需要进行充电导航规划时包括以下步骤：

S2.1.1：读取S1中的交通信息，求解从起点O到各个充电站再到目的地D的预计行驶时间，

其中，Φ代表所选路径经过道路结点的集合，Ω代表充电站点的集合；

S2.1.2：读取S1中的充电站信息，包括电动汽车所在区域充电站位置节点j，各充电站电动汽车到达率φ_j，k与充电桩平均服务率μ_j,k，以及各充电站充电桩个数s_j，通过递推法计算充电站j全部充电桩闲置的概率P_0,j：

计算充电站j在一段时间T内有n个充电桩被占用的概率：

基于排队论M/M/n模型，计算每个充电站j的等候队长L_q,j和等待时间T_j,wait，

S2.1.3：读取车辆信息与充电站信息，包括电动汽车初始电量状态电池额定容量E_ca，每公里耗电量e_c，快充桩充电功率P_fast，慢充桩充电功率P_slow，计算电动汽车在充电站j进行快充或慢充的时间：

其中，ω₁、ω₂均为二值变量，ω₁,ω₂∈{0,1}；ω₁为快速充电决策变量，ω₁＝1代表进行快充，ω₁＝0代表不进行快充；ω₂为常规慢速充电决策变量，ω₂＝1代表进行慢充，ω₂＝0代表不进行慢充；η_fast、η_slow分别为快充效率和慢充效率，与车型和充电站的设定有关，可根据经验数据直接获得；分别为需进行快充或慢充的电量，为决策变量，由目标函数和约束函数决定；

S2.1.4读取充电站充电电价信息，计算到各个充电站的快充成本C_j,fast，慢充成本C_j,slow：

其中，决策变量由目标函数和约束函数决定；t_start、t_finish分别为充电开始的时刻和充电结束的时刻；

S2.1.5：计算到每个充电站的综合成本：

C_j＝α_ch(T_j,drive+T_j,wait+T_j,ch)+β_ch(ω₁C_j,fast+ω₂C_j,slow)，

其中α_ch，β_ch为时间成本和充电成本的权值系数，α_ch+β_ch＝1，0＜α_ch＜1，0＜β_ch＜1，可根据用户需要进行调整，例如，若α_ch＞β_ch，则表明用户对出行时间的要求更高；

S2.1.6：求解目标函数，得到决策变量和以综合成本从优到劣，制定可选择的充电导航规划。

约束函数包括：

剩余电量需大于到达充电站所消耗的电量：

剩余电量加上所充进的电量需要大于整个行程所消耗的电量：

所充电量不能大于电动汽车额定电量：

快充、慢充不能同时进行：

ω₁+ω₂≤1，

其中，为起点O到充电站的行驶距离；为充电站到目的地的行驶距离；为电动汽车电池最低留存电量；

如图3所示，当需要进行放电导航规划时包括以下步骤：

S2.2.1：读取S1中的交通信息数据，求解从起点O到各个双向充电站再到目的地D的预计行驶时间，

其中，Φ代表所选路径经过道路结点的集合，Ω代表双向充电站点的集合；

S2.2.2：读取S1中的双向充电站信息，基于排队论M/M/n模型，计算每个双向充电站j的等候队长L_q,j和等待时间T_j,wait：

S2.2.3读取车辆信息与双向充电站放电功率，计算电动汽车在充电站j进行放电的时间：其中η_dis为放电效率，与车型和充电站的设定有关，可根据经验数据直接获得；E_dis为需进行放电的电量，为决策变量，由目标函数和约束函数决定；

S2.2.4计算到各个双向充电站放电能获得的补贴：

其中σ_t为放电回馈电网的补贴价格，t_start、t_finish分别为放电开始的时刻和结束的时刻；

S2.2.5：计算到每个双向充电站的综合成本：

C_j＝β_disC_j,dis-α_dis(T_j,drive+T_j,wait+T_j,ch)，

其中α_dis，β_dis为时间成本和放电补贴的权值系数α_dis+β_dis＝1，0＜α_dis＜1，0＜β_dis＜1，可根据用户需要进行调整，例如，若β_dis＞α_dis，则表明用户对放电补贴更为看重；

S2.2.6：根据目标函数和约束函数，求解目标函数，得到决策变量E_dis，以综合成本从优到劣，制定可选择的放电导航规划。

其中目标函数为：

约束函数包括：

剩余电量需大于到达双向充电站所消耗的电量：

剩余电量减去放电回馈到电网的电量需要大于整个行程所消耗的电量：

其中，为起点O到双向充电站的行驶距离；为双向充电站到目的地的行驶距离；为电动汽车电池最低留存电量。

S3：最优充/放电导航规划以综合成本从优到劣推送给用户。用户可根据自己的需求选择最佳的方案。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种应用于电动汽车智能充放电的导航方法，其特征在于，包括以下步骤：

S1：车载终端获取车辆信息、交通信息、充电站或双向充电站信息；

S2：进行导航决策，其中导航决策包括：

1)若剩余电量不能到达目的地，则进行充电导航规划；

2)若剩余电量能到达目的地，并且收到放电需求信号，则进行放电导航规划；

3)若剩余电量能到达目的地，且没有收到放电需求信号，则无需进行导航规划；

S3：最优充/放电导航规划以综合成本从优到劣推送给用户。

2.根据权利要求1所述的电动汽车智能充放电导航方法，其特征在于，步骤S1所述车辆信息包括电动汽车初始电量状态电池额定容量E_ca、每公里耗电量e_c、车辆起始节点坐标O与目的地节点坐标D。

3.根据权利要求1所述的电动汽车智能充放电导航方法，其特征在于，步骤S1所述交通信息包括电动汽车所在区域位置节点i、j、道路节点之间的距离d_ij、道路实时平均行驶的速度

4.根据权利要求1所述的电动汽车智能充放电导航方法，其特征在于，步骤S1所述充电站或双向充电站信息包括电动汽车所在区域充电站或双向充电站位置节点j、各充电站或双向充电站电动汽车到达率φ_j，k与充电桩平均服务率μ_j,k、充电站或双向充电站充电桩个数s_j、充电桩的快充功率P_j,fast、慢充功率P_j,slow与放电功率P_dis、以及相对应的快充电价慢充电价ρ_t、放电回馈电网的补贴电价σ_t；

其中，充电站或双向充电站电动汽车到达率：

充电桩平均服务率：其中为充电站或双向充电站传感器与充电桩数据采集模块所记录的电动汽车到达数；T为更新周期时间；φ_j，k与μ_j,k每隔一段时间T更新一次。

5.根据权利要求1所述的电动汽车智能充放电导航方法，其特征在于，步骤S2所述充电导航规划包括以下步骤：

S2.1.1：读取S1中的交通信息，包括电动汽车所在区域位置节点i、j，各路段之间的距离d_ij，各路段道实时平均行驶的速度采用Dijkstra算法求解从起点O到各个充电站再到目的地D的预计行驶时间，

其中Φ代表所选路径经过道路结点的集合，Ω代表充电站点的集合；

S2.1.2：读取S1中的充电站信息，包括电动汽车所在区域充电站位置节点j，各充电站电动汽车到达率φ_j，k与充电桩平均服务率μ_j,k，以及各充电站充电桩个数s_j，通过递推法计算充电站j全部充电桩闲置的概率P_0,j：

计算充电站j在一段时间T内有n个充电桩被占用的概率：

基于排队论M/M/n模型，计算每个充电站j的等候队长L_q,j和等待时间T_j,wait，

S2.1.3：读取车辆信息与充电站信息，包括电动汽车初始电量状态电池额定容量E_ca，每公里耗电量e_c，快充桩充电功率P_fast，慢充桩充电功率P_slow，计算电动汽车在充电站j进行快充或慢充的时间：

其中，ω₁、ω₂均为二值变量，ω₁,ω₂∈{0,1}；ω₁为快速充电决策变量，ω₁＝1代表进行快充，ω₁＝0代表不进行快充；ω₂为常规慢速充电决策变量，ω₂＝1代表进行慢充，ω₂＝0代表不进行慢充；η_fast、η_slow分别为快充效率和慢充效率，与车型和充电站的设定有关，可根据经验数据直接获得；分别为需进行快充或慢充的电量，为决策变量，由目标函数和约束函数决定；

S2.1.4读取充电站充电电价信息，包括快充电价慢充电价ρ_t，计算到各个充电站的快充成本C_j,fast，慢充成本C_j,slow：

其中，决策变量由目标函数和约束函数决定；t_start、t_finish分别为充电开始的时刻和充电结束的时刻；

S2.1.5：计算到每个充电站的综合成本：

C_j＝α_ch(T_j,drive+T_j,wait+T_j,ch)+β_ch(ω₁C_j,fast+ω₂C_j,slow)，

其中α_ch，β_ch为时间成本和充电成本的权值系数，α_ch+β_ch＝1，0＜α_ch＜1，0＜β_ch＜1，可根据用户需要进行调整，例如，若α_ch＞β_ch，则表明用户对出行时间的要求更高；

S2.1.6：求解目标函数，得到决策变量和以综合成本从优到劣，制定可选择的充电导航规划。

6.根据权利要求1所述的电动汽车智能充放电导航方法，其特征在于，步骤S2所述的放电导航规划包括以下步骤：

S2.2.1：读取S1中的交通信息数据，包括电动汽车所在区域位置节点i、j，各路段之间的距离d_ij，各路段道实时平均行驶的速度采用Dijkstra算法求解从起点O到各个双向充电站再到目的地D的预计行驶时间，

其中，Φ代表所选路径经过道路结点的集合，Ω代表双向充电站点的集合；

S2.2.2：读取S1中的双向充电站信息，包括电动汽车所在区域双向充电站位置节点j，各双向充电站电动汽车到达率φ_j，k与充电桩平均服务率μ_j,k，以及各双向充电站充电桩个数s_j，通过递推法计算双向充电站j全部充电桩闲置的概率P_0,j：

计算充电站j在一段时间T内有n个充电桩被占用的概率：

基于排队论M/M/n模型，计算每个双向充电站j的等候队长L_q,j和等待时间T_j,wait：

S2.2.3读取车辆信息与双向充电站放电功率，包括电动汽车初始电量状态电池额定容量E_ca，每公里耗电量e_c，放电功率P_dis，计算电动汽车在充电站j进行放电的时间：其中η_dis为放电效率，与车型和充电站的设定有关，可根据经验数据直接获得；E_dis为需进行放电的电量，为决策变量，由目标函数和约束函数决定；

S2.2.4计算到各个双向充电站放电能获得的补贴：

其中σ_t为放电回馈电网的补贴价格，t_start、t_finish分别为放电开始的时刻和结束的时刻；

S2.2.5：计算到每个双向充电站的综合成本：

C_j＝β_disC_j,dis-α_dis(T_j,drive+T_j,wait+T_j,ch)，

其中α_dis，β_dis为时间成本和放电补贴的权值系数，α_dis+β_dis＝1，0＜α_dis＜1，0＜β_dis＜1，可根据用户需要进行调整，例如，若β_dis＞α_dis，则表明用户对放电补贴更为看重；

S2.2.6：根据目标函数和约束函数，求解目标函数，得到决策变量E_dis，以综合成本从优到劣，制定可选择的放电导航规划。

7.根据权利要求5所述的电动汽车智能充放电导航方法，其特征在于，步骤S2.1.6所述目标函数为：

约束函数包括：

剩余电量需大于到达充电站所消耗的电量：

剩余电量加上所充进的电量需要大于整个行程所消耗的电量：

所充电量不能大于电动汽车额定电量：

快充、慢充不能同时进行：

ω₁+ω₂≤1，

其中，为起点O到充电站的行驶距离；为充电站到目的地的行驶距离；为电动汽车电池最低留存电量。

8.根据权利要求6所述的电动汽车智能充放电导航方法，其特征在于，S2.2.6 所述目标函数为：

约束函数包括：

剩余电量需大于到达双向充电站所消耗的电量：

剩余电量减去放电回馈到电网的电量需要大于整个行程所消耗的电量：

其中，为起点O到双向充电站的行驶距离；为双向充电站到目的地的行驶距离；为电动汽车电池最低留存电量。