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.docx

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杨洪明I,李 明2,文福拴％,邓友均I,邱 靖\赵俊华&(1.湖南省电动交通与智能配网工程技术研究中心，长沙理工大学电乞与信息工程学院，湖南省长沙市410114:2.国网江苏省电力公司兴化市供电公司，江苏省兴化市225700: 3.浙江大学电乞工程学院，浙江省杭州市310027:4.丈莱科技大学电机与电子工程系，斯里巴加湾BEI410,文莱：5.澳大利亚联邦科学与工业研究组织，ACT2600,澳大利亚:6.香港中文大学(深圳)科学与工程学院，广东省深圳市518100;摘 要：适当选择电动汽车路径并优化充电导航，冇助于提高用户出行效率、缓解大量电动汽车同时充电对配电系统安全运行 的影响在此背景下，提出借助群智感知技术来获得实时交通路况和充电站服务信息，并在此基础上利用矩阵分解得到交通信 息矩阵之后，在考虑路径选择、到达时间、电池容量及充放电状态互斥约束的前提下，构建了分时电价机制下以用户出行总 成本最小为目标的电动汽车路径选择和充电导航优化模型以某市中心25 kmx25 km区域内所包含的4座快速充电站连垓到 IEEE 33节点、配电系统为例来说明所述方法的基本特征，并针对考虑和不考虑实时交通信息情形，分析了参与群智感知的电动 汽车数量对用户出行路径及电动汽车充放电对配电系统的影响。

关键词：电动汽车：路径选择：充电导航：群智感知：实时交通信息0引言近年来，随着汽车保有量的不断增加，对石油 消费的需求持续增长，能源紧张和环境污染问题引 起普遍关注包括中国在内的100多个国家调整了 能源战略，以电力和太阳能等代替石油和天然气为 动力的电动汽车(electric vehicle, EV)的发展逐步受 到重视根据《节能与新能源汽车产业发展规划 (2012—2020年)》⑴，预计到2020年，中国EV累 计产销量将达到500万辆，中/重度混合动力乘用车 占年产销量的50%以上根据国务院发布的《关于 加快电动汽车充电基础设施建设的指导意见》121, 到2020年基本建成适度超前、车桩相随、智能高 效的充电基础设施休系，满足超过500万辆EV的 充电需求为此，EV将成为解决电力、交通、经 济、环境协调发展的重要手段，符合国家可持续发 展的重大战略需求EV的能量补给方式和运行特点与传统燃油汽 车存在较大差异当在路途上行驶的EV因电池容 量不足而难以到达目的地时，就需要进行快速充 电针对EV电池的能耗特性并在考虑充电站位置、 服务半径和排队等候时间等因素的前提下，文献［3］ 构建了以用户出行吋间最小为目标的路径选择模 型，但未考虑交通路况对用户出行时问的影响。

文 献［4］基于交通路网信息，考虑车辆位置、车载电池 容量、下坡势能等因素，建立了考虑行驶时间约束收稿日期：2016-08-21;修回日期:2017-01-1U上网日期：国家自然科学基•金资助项3(71331001, 71420107027, 91547113)：中国 南方电网有限责任公司科技项目(WYKJ00000027)并以能耗最小为目标的路径选择优化模型不过， 文献［3・4］中所构造的模型都没有涉及EV与电力系 统运行之间的交互影响文献⑸基于智能交通系 统，采用电力系统运行安全指数将地理距离转换成 电气距离，并以电气距离最小化为目标，获得车主 到达目的地的EV充电导航策略，同时缓解大量EV 充电对配电系统运行的负面影响文献［6］基于配电 系统和交通信息，并计及充电站容量约束，提出了 以用户出行时问最小为目标的EV充电导航策略 然而，文献［3・6］中的模型都没有考虑充电价格对 EV用户出行成本的影响，更没有涉及EV放电对配 电系统运行的正面效果此外，在上述研究中，交 通路况信息作为已知参数给定，没有计及实时动态 路况和电价信息对EV路径选择和充电导航的影 响，更没有考虑信息可能不准确的问题。

目前，交通路况实时信息一般通过静态传感器 如路段摄像头⑺、线圈检测⑻等装置获取静态传 感器的安装成本高，且不易覆盖整个城市路网，由 此获取的交通路况信息未必全面和准确近年来， 群智感知(crowd sensing)技术的出现和发展为交通 路况实吋信息的获取提供了新途径；其将普通用户 的移动智能设备作为基本感知单元，通过移动互联 网进行有意识或无意识的协作，完成大规模和复杂 的感知数据收集向行驶在交通路网中的车主利用 自带、平板电脑等移动智能设备感知实时交通 路况，并通过挖掘群体信息来获得更为准确的实时 路况信息与传统的静态传感器获取方法相比，基 于群智感知的交通路况信息获取具有覆盖面广、数 据丰富、不需要额外硬件投资等优点如何将大量 用户的移动感知数据应用于EV路径选择和充电导 航，就笔者所知，国内外还没有相关研究报道在上述背景下，本文构造了一种利用实时交通 信息感知的EV路径选择和充电导航策略首先， 利用车主自带的、平板电脑等移动智能设备获 得实时交通信息，基于矩阵分解获得交通信息矩 阵之后，在计及路径选择、到达时问、电池容量 及充放电状态互斥约束的前提下，针对分时电价机 制，构建了以最小化用户出行总成本为目标的EV 路径选择和充电导航模型。

1基于群智感知的实时交通信息获取1.1利用实时交通信息感知的电动汽车路径选择和 充电导航框架设计随着未来EV的逐步推广和普及，用户在出行 过程中，可利用自带的、平板电脑等移动智能 设备，将感知的实吋交通信息主动上传至决策中 心，即实时交通路况（如车辆位置、行车速度）充 电站通过已经安装的感知设备（如充电站入口处的 红外线感知器、充电机感知设备）获取并直接上传 服务信息（包括到达充电站的EV台数和正在接受充 电的EV台数）然后，根据上述两类信息，决策中 心以用户出行总成本最小为目标，提供路径选择和 充电导航策略，并通过无线通信网络（如 WIFI/Ad-hoc等），将策略反馈给区域内的EV用户 用户按照决策中心推荐的最优策略选择出行和充 电方式随着用户上传的实时交通信息和充电站服 务信息的动态变化，决策中心将及时调整EV路径 选择和充电导航策略，以有效引导用户减少出行时 间或降低充电成本图1给出了所设计的利用实时交通信息感知的 EV路径选择和充电导航框架图1利用实时交通信息爲知的EV路径选择彌充电导航Fig」 EV route selection and charging navigation employing real-time traffic information perception1.2实时交通信息矩阵交通流量可以采用路段速率、行驶时间、车流 量等指标来表征，这里采用路段速率作为交通流量 的表征指标。

决策中心利用EV用户在时刻r和时 刻r-1通过智能终端或车载全球定位系统 （global position system, GPS）上传的定位信息，计算 时刻1路段旬上EV用户m的行驶车速％沖为：式中：k和/“一】分别为路段切上EV用户u在时 刻f和—1的定位；/（）为计算路网上定位信息的 距离函数"」；AZ为釆样周期根据大量参与群智感知用户上传的实时位置 信息，决策中心可预测出时刻「各路段的行驶车速 取路段勺•上EV行驶车速的平均值作为时刻/该路 段的平均行驶车速歹必，即Vij,t = 77 Y ⑵u u=l式中：U为处于路段％上参与群智感知的EV用户 总数为了准确获取充电站服务信息，通过原本已安 装在充电站入口处的红外线感知器，获得并上传时 刻/和到达充电站的电动汽车台数，分别表示 为砒:肌和勞；通过充电机感知是否有电动汽车 正在接受充电服务，上传并统计时刻r和『-1正在 接受充电服务的电动汽车台数，分别表示为碍響” 和o充电站服务信息通过原本已安装在充电 站的感知设备获取，这并不需要增添新的设备投资 成本分别以交通路段/充电站和时刻为横、纵坐标， 可构建图2所示的实时交通信息矩阵V g RAxH ,包 括A个路段/充电站和H个吋刻。

其中，交通信息 矩阵中的元素vah = 1 ,表示时刻力路段的速率为c 或者时刻力充电站a到达/接受充电服务的EV台数 为Co路段/充电站(5)图2实时交通估息梵阵绘构Fig.2 Structure of real-time traffic information matrix由于并非路段中所有EV用户都会参与群智感 知，且参与群智感知的EV用户或者充电站中的传 感器也有可能故障，从而无法获取某一时刻某些路 段/充电站的交通信息为此，交通信息矩阵V有可 能存在不完整、未知的空缺项，如图2所示1.3基于矩阵分解的交通信息矩阵获取交通信息矩阵是由多个群智感知用户在一组 连续吋间点上产生的数据所构成的非负矩阵文献 [11]采用矩阵分解方法在面向时序数据缺失的矩阵 恢复方面进行了详细分析，给出了合理性和精确性 的数学描述，其中恢复精确度通过恢复前后矩阵中 对应元素的差值来表征本文针对部分路段/充电站 在菜些时刻存在的信息空缺，采用矩阵分解方法对 交通信息矩阵中的空缺项进行填充首先将矩阵分 解成两个不含空缺项的低秩矩阵的乘积，然后定义 一个误差函数来刻画分解前后的恢复精确度，再于 非负性约束下进行优化求解，从而获得原矩阵中部 分空缺项的值。

具体步骤如下用二元矩阵W wRxH表示交通信息矩阵U中 的元素是否存在；若速率％存在，则W中对应的 元素的值为1，否则为0，即1 if vQh H 0基于矩阵初等变换，可把矩阵V e RAxH分解成 两个低秩矩阵的乘积，即V^V = TF,Te RAxYy F g RYxH (4)式中：Y < min(A, H)为保证矩阵分解的精度，需要尽可能减少原矩 阵V与分解后获得的矩阵卩之间的整体误差定义 误差ah为V与卩对应第d行第力列元素Vah和Vah 之差，即Y% =工 TayFyh =〔a /hy=l弘=滋-％，if%i ⑹ 式中：◎和fh分别为矩阵丁和F的第"行、第力列为避免使用负值误差，定义恢复前后矩阵中对 应元素差值的平方值为优化目标，即表征了数据恢 复的精确度将含部分空缺项的交通信息矩阵获取 问题描述为使矩阵中所有元素对应的误差平方之 和最小的优化模型，即隠m if%=l (7)I" , r 丿为防止过拟合，避免分解矩阵7和F中的元素 出现很大的数值，构建上述模型的修正误差函数 为：L(T, F) = ||V 一 W. * 7F『+ A(||T||2 + ||F||2) (8)式中：||『表示二范数：o

由于L(T, F)对丁和F分别为凸,通过交替梯度 下降法可较快收敛于全局最优解基于矩阵分解的 交通信息矩阵获取算法2为：输入：原矩阵V和误差阀值0输出：分解后荻得的矩阵初始化矩阵T和F (矩阵元素随机产生，且服从正态分 布)设r为步长当ke^(K为最大迭代次数)Tk^=Tk-r(W^TkFk-V)Fk+ATkFk+l=Fk-T(W^TkFk-V) + ^Fk"=+1 耳+iLr - LgLk+i= E 帕-％『忸=1k = k + \返回u— 证采用矩阵分解方法的数据恢复达到满意的精度，小于 误差阀值且具有较快的收敛速度2电动汽车路径选择和充电导航优化决策2.1目标函数用户从初始节点0出发，通过待选路径到达目 标节点>,当途中EV剩余电量不足时，需要驶入 快速充电站进行大电流、大功率的应急充电用户 到达目标节点后，EV停泊于安装有充电桩的居 民小区或单位停车场内，为减少电池老化和延长使 用寿命，一般采用小电流、小功率的常规慢速充放 电至电池额定容量QU。