中國儲能網訊：
01研究背景
近年來，電動汽車在汽車市場上的規(guī)模不斷擴大，受到中國政府部門、能源企業(yè)以及汽車制造商的關注。電動汽車用戶行為習慣、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。為了適應電動汽車數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)網環(huán)境下的電動汽車主動充電引導模型。
02 研究內容
2.1 電動汽車主動充電引導架構
本文提出的車聯(lián)網環(huán)境下的電動汽車主動充電引導方法從用戶角度出發(fā)，目標是最小化用戶的時間成本（見式（1）），其架構如圖1所示。
圖1 車聯(lián)網環(huán)境下電動汽車主動充電引導方法架構
2.2 基于改進A*算法的動態(tài)路徑規(guī)劃
針對已知項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制，將紅綠燈等待時間設置為節(jié)點權值，加入已有項G(i)中。針對預估項H(i)，傳統(tǒng)A*算法采用當前點到目標點的歐氏幾何距離作為預估項，但在實際生活中，車主大多會傾向于選擇調頭較少的路徑，即不走回頭路。因此，本文在歐氏距離的基礎上加入回頭路懲罰項?；诟倪MA*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 基于深度置信網絡的電動汽車到達量預測
根據歷史數據可以發(fā)現(xiàn)，在相同日類型下，電動汽車到達量的變化趨勢相似，考慮到電動汽車用戶充電行為的隨機性和實時性，鑒于神經網絡模型在非線性建模、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絡（DBN）的單位時間電動汽車到達量短期預測模型。本文選取的模型輸入特征為歷史車輛到達情況、時間、氣象情況、環(huán)境溫度、日類型、交通狀況等6類。DBN結構如圖4所示。
圖4 DBN結構示意圖
2.4 電動汽車充電站等待時間預測
03 算例分析
本文選取中國南京市中心區(qū)域城市路段進行實例分析，地圖數據來源于開源平臺OpenStreetMap，并通過開源地理信息系統(tǒng)QGIS進行處理，其中，共有149個路口節(jié)點、233條道路、5個充電站節(jié)點。
圖5展示了基于改進A*算法的動態(tài)路徑規(guī)劃算法實驗結果。結果表明，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。本文算法可以實現(xiàn)車輛實時引導，規(guī)避交通擁堵路段，實現(xiàn)最小化通行時間。
圖5 基于改進A*算法的動態(tài)路徑規(guī)劃算法與靜態(tài)Dijkstra算法結果比較
表1展示了所提算法和Dijkstra傳統(tǒng)路徑規(guī)劃算法在計算效率上的對比，結果表明，改進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)劃算法計算效率提高了73.67%，采用小根堆結構的改進A*算法將尋找F(·)最小值的時間復雜度從O(n)下降為O(log n)，故其計算效率進一步提高。
表1 區(qū)域內隨機5 000次路徑規(guī)劃不同算法計算時間花費
表2展示了分別用本文所述DBN模型、隨機森林(RF)、支持向量機(SVM)、決策樹(DT)充電站電動汽車短時到達量預測結果。結果表明，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率與輸入特征間的關系，精度相對較高，可以用于預測電動汽車充電站的到達率。
表2 不同預測算法性能比較
表3展示了區(qū)域內隨機生成充電需求，采用本文所提主動充電引導算法與靜態(tài)引導算法充電結果的對比。結果表明，本文所提主動充電引導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%，充電站排隊等待時間下降31.67%，充電綜合時長下降27.27%，驗證了本文所提電動汽車主動充電引導方案在車聯(lián)網及城市路網背景下的有效性。
表3 主動充電引導算法與靜態(tài)引導算法充電結果對比
04 結 語
本文利用車聯(lián)網環(huán)境下電動汽車動態(tài)信息，提出了一種基于改進A*路徑規(guī)劃與排隊論的電動汽車主動充電引導模型。融入紅綠燈等待時間和不走回頭路思想，改進城市路徑規(guī)劃A*算法中的已有項G(·)和估算項H(·)，利用實際路網狀態(tài)信息更新路網時空狀態(tài)矩陣，求解電動汽車充電路程花費時間，確保電動汽車在到達下一個節(jié)點前獲取最優(yōu)規(guī)劃行駛路徑。確定充電站到達車輛數以及電動汽車充電時長分布，基于DBN預測電動汽車到達量，確定更新策略，采用排隊論M/G/k模型，利用MC采樣預測短時內電動汽車充電等待時間。根據電動汽車充電路程花費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方法。
