[发明专利]一种考虑非线性充电函数的电动汽车充电路径选择方法

权利要求书

1.一种考虑非线性充电函数的电动汽车充电路径选择方法，其特征在于，包括如下步骤：

步骤1：构建充电汽车路径选择的最优化问题模型，描述充电汽车最优路径选择问题；

所述步骤1具体包括：

步骤A1:构建充电汽车路径选择的最优化问题模型，定义如下：

(1)设路径图G＝(V,E)由点集V和边集E组成，(u,v)∈E是从点u到点v的边，边上的权重代表从点u到点v的时间成本或能量成本；路径图G中的路径P＝(v₁,v₂,…,v_k)由V中的一组节点组成，边e＝(v_i-1,v_i)属于边集E；其中，v_i表示路径P中的第i个节点，i是路径中包含的节点编号

(2)最短路径问题包含四个子问题：

一，单对最短路径问题(SPSP)：给定路径图G＝(V,E)，边的权重函数wf，起点s和终点t，求起点s与终点t之间的最短路径s-t-path；

二，单一起点最短路径(SSSP)：给定路径图G＝(V,E)，边的权重函数wf，以及起点s，求起点s到点集V中其他节点的最短路径；

三，单一终点最短路径(SDSP)：给定路径图G＝(V,E)，边的权重函数wf，以及终点v，求点集V中所有节点到终点v的最短路径；

四，全对最短路径(APSP)：给定路径图G＝(V,E)，边的权重函数wf，求点集V中任意一对节点之间的最短路径；

步骤A2:描述充电汽车最优路径选择问题，

所涉及的问题属于SPSP问题，并且考虑了电动汽车电池容量的限制问题，带有约束的最短路径问题属于受限最短路径问题；受限最短路径问题定义如下：

受限最短路径问题(CSP)：给定路径图G＝(V,E)，边值权重wf，原点s，终点t，资源消耗上限值C，求从s到t的消耗最小的路径P＝(s＝v₁,v₂,…,v_k＝t)，使得该路径上的消耗值小于C，即满足条件CSP问题属于NP难问题；

电动汽车路径规划问题(EVR)：给定路径图G＝(V,E)，边值权重wf，原点s，终点t，能量消耗函数cons，电池容量有效范围B＝[0,M]，M代表电池最大容量，求从s到t的消耗最小的路径P＝(s＝v₁,v₂,…,v_k＝t)，使得该路径上每个节点v_i的电池容量均在[0,M]之间；EVR问题在路径规划中没有引入充电桩信息，下面的EVRC问题引入了在充电桩处再充电的情形；

带有充电函数的电动汽车路径规划问题(EVRC)：给定路径图G＝(V,E)，边值权重wf，原点s，终点t，能量消耗函数cons，电池容量有效范围B＝[0,M]，M代表电池最大容量；初始电量b₀(s)，一组充电桩求从s到t的消耗最小的路径P＝(s＝v₁,v₂,…,v_k＝t)以及每个充电节点的充电函数，使得该路径上每个节点v_i的电池容量均在[0,M]之间；

步骤2：获取充电桩数据，建立数学模型，结合相关影响因素及约束条件，构建充电汽车路径选择的最优化问题数学模型；

所述步骤2包括如下步骤：

步骤B1：获取充电桩数据， 首先获取充电桩位置，通过调用高德地图api，获取充电桩精确的经纬度位置信息，并存入数据库中；之后以充电桩为结点，建立充电桩位置图结构，图中边的权值为cost，time，其中cost代表相邻两点间的能量消耗，time代表相邻两点间所需花费的时间；

步骤B2：获取充电函数，电动汽车充电时间与电量之间并非是一个线性关系，而是一个分段函数；首先采集数据，通过查看电动汽车绑定的微信公众号实时查看状态，采集电池电量与时间的数据；然后通过线性回归方法获得充电电量与充电时间的关系函数曲线图；所得充电函数如下：

其中x为充电时间，b₀为电动汽车初始电量，SoC为电动汽车充电过程中的当下电量；该关系是一个分段函数，电池电量在0–80％范围内时，cf是线性函数，电池电量在80％-100％范围内时，则是一条曲线；其中，x代表充电时间，a₁，b₁,a₂,b₂,c均代表所构建出的拟合函数的参数；

步骤B3：以集合实际约束条件的主要目标为电动汽车找到充电桩的最优时间的最优路径，即解决充电汽车路径选择的最优化问题，目标函数及约束条件如下，目标函数：

其中，k代表所选路径中所包含的第k个节点，w_e(v_i，v_i+1)代表边(v_i，v_i+1)的权重，v_i、v_i+1分别代表所选路径中所包含的第i和第i+1个节点，ct(v_r)代表在节点Vr处的充电时间，st代表电动汽车在充电桩处的服务时间，Vr代表电动汽车实际充电的充电站节点；第二项代表电动汽车在每个充电站处的充电时间累加，约束条件:

|v_r|＝m，|v_c|＝n，m≤n (2)

式(2)中n代表路网中所有节点的数量，m代表路网中充电站的数据，v_r

代表路网中的充电站节点，v_c代表路网中的任意节点，

其中，b(v_i)代表电动汽车在节点v_i处的电量，cons(v_i-1,v_i)代表电动汽车从节点v_i-1到v_i所需要的电量开销， {Vc}代表充电站节点集合，{Vr}代表电动汽车实际充电的充电站节点集合，

其中，(i))代表电动汽车在节点v_r处的充电时间，其中v_r为电动汽车实际充电的充电站节点，st代表充电汽车在充电站获取充电服务的时间，|Vr|代表电动汽车选做实际充电的充电站节点个数；ct(v_c(j))代表电动汽车在节点v_c处的充电时间，其中v_c为路网中充电站节点，st代表充电汽车在充电

站获取充电服务的时间，|Vc|代表路网中充电站节点个数；

cf(b_a，ct)＜cf(b_b，ct),b_a≥threshold,and b_b＜threshold (5)

式(5)中，cf(b_a,ct)函数意义为：电动汽车初始电量为b_a,ct为充电时间，cf(b_a,ct)代表充电时间ct后，电动汽车所达到的电量值；

步骤3：确定路径算法和分布算法，根据步骤2的数学模型，结合约束条件确定影响因素，给出充电汽车最优路径选择算法；

所述步骤3包括如下步骤：

步骤C1：获取步骤2中图结构的所有路径，并按照能量消耗权值进行排序，其中采用了图的深度遍历算法，将求出所有路径存到HashMap中；

步骤C2：从步骤C1中选择最短的路径开始，判断其是否在不充电的情况下能直接通过，如果可以，则该最短路径即为所求的最短路径；如果可以，则该最短路径即为所求的最短路径；反之，则要找充电汽车在当前位置并在不充电的情况下可达的最远的充电桩的最短路径，计算电量消耗；在选择了最远可达充电桩后，需要解决的第二个关键因素是在该点处，充电函数选哪段，充电量为多少；

步骤C3：从步骤C1中的路径列表中选择下一条路径继续遍历，直到步骤C1中的行驶时间大于之前算出的路径的总时间为止，然后取其中总时间最短的一条，该条路径即为最短路径，遍历过程中输出到每个结点的详细数据，包括在充电桩充多少电，消耗多长时间和最后总时间。