基于云平台的电动汽车充电引导方法及系统与流程

[0001]
本发明涉及电动汽车技术领域，具体涉及一种基于云平台的电动汽车充电引导方法及系统。


背景技术：

[0002]
目前，电动汽车产业响应国家的号召，发展一直向好。最近，特斯拉在上海超级工厂的建立，更会进一步推动国内电动汽车的发展。然而，当遇到节假日等集中出行的状况，电动汽车充电站往往“车满为患”，经常会遇到长时间排队充电的尴尬，给出行带来极大的不便。
[0003]
目前，针对电动汽车的有序充电调度问题，国内外很多学者已在此方面进行了深入研究。侧重于充电方式改进以及不同时间段电价制定的研究主要有以下几种方案：利用一种随机规划算法，以能量损耗最小化为目标，实现插电式混合动力汽车的协调充电；在已知系统电价曲线的条件下，通过智能调度充电功率和充放电时间，从而实现电动汽车用户收益最大化的电动汽车充电优化控制策略；利用充电负荷的时空双尺度可调节特性，建立一种基于负荷预测的有序充电模型；根据换电站的特点以换电站各时刻的充电功率为控制对象，建立多目标的换电池站充电调度模型；利用基于分时电价的phev 电动汽车充电时隙选择逆向归纳优化算法，该算法可以有效降低用户充电成本；基于客户订车需求，建立包含充电计划的电动汽车调度模型，有效减少用户充电等待时间；基于分时电价制度，建立计及电网负荷波动及用户成本的多目标优化模型，得到次日优化充放电计划；建立基于需求侧放电竞价的电动汽车充放电调度模型，有效降低充电成本和调度偏差。
[0004]
而侧重于电动汽车充电引导策略的研究主要有以下几种方案：建立基于实时电价的电动汽车智能充电导航模型，相比无序充电的情景，可在有效降低电动汽车用户充电成本的同时，起到改善配网电压水平的作用；基于路段权值思想和dijkstra最短路径算法，建立一种大规模电动汽车最优充电站推荐和路径规划模型；建立基于充电站信息和车辆信息的电动汽车充电引导系统，实现区域内各充电站充电设备利用率的均衡分布。
[0005]
另外，由于“互联网+”思维的不断推广，互联网与充电系统的结合能带给用户更多的便捷与智能，许多学者由此展开了电动汽车面向互联网的充电路径规划系统研究：吴智强等结合互联网开发了一种电动汽车智能充电服务系统，能够使用户实时参与用电管理，了解充电桩的位置与状态信息、实时电价信息等需求，实现有序充电。龚桃荣等提出了面向互联网的电动汽车智能充电服务系统，通过车载终端、手机app即能实时查询充电设施的位置信息与服务状态信息，并实现充电装置的定位导航、充电预约及锁定等功能。
[0006]
申请号为201910910606.1的专利提供了一种计及路-网-车的电动汽车充电引导方法，该方法考虑不同种类电动汽车充电需求差异，从日前与实时两个角度对慢充、快充模式的电动汽车进行优化引导调度，包括以下步骤：建立电气交通协同控制架构；制定充电站选择与导航策略；制定分时分区电价引导快充；建立双层优化调度模型引导慢充。
[0007]
现在，有序充电调度策略的研究还不够成熟，未充分考虑建设系统的经济性，以及
用户使用的便捷性、智能性。


技术实现要素：

[0008]
(一)发明目的
[0009]
本发明的目的是提供一种基于云平台的电动汽车充电引导方法及系统。该方法及系统会结合电动汽车信息、充电站信息、路网信息等，分析电动汽车前往充电站的行驶距离、行驶时间、充电预约时间、排队等待时间以及充电站设备利用均衡率等因素，结合遗传算法为电动汽车用户提出合理充电建议；同时，该系统会在云平台的基础上进行建设，云平台相对于本地服务器具有便宜、可靠、可扩展性好的优点，可以降低系统的建设及维护成本，又能保障系统的性能。
[0010]
(二)技术方案
[0011]
为解决上述问题，本申请的第一方面提供一种基于云平台的电动汽车充电引导方法，包括：
[0012]
云服务器接收到用户发送电动汽车充电请求时，获取电动汽车信息，所述电动汽车信息包括位置信息；
[0013]
根据所述位置信息获取对应的路网信息、对应的多个充电站信息及各充电站对应的充电桩信息；
[0014]
根据所述电动汽车信息、路网信息、充电站信息及充电桩信息确定电动汽车到各充电站距离最优函数、时间最优函数及充电站设备利用均衡率最优函数；
[0015]
基于遗传算法，根据距离最优函数、时间最优函数及充电站设备利用均衡率最优函数确定最优充电方案；
[0016]
将确定的最优充电方案发送给用户，以使用户根据最优充电方案的引导对电动汽车进行充电。
[0017]
具体地，所述基于遗传算法，根据距离最优函数、时间最优函数及充电站设备利用均衡率最优函数确定最优充电方案，具体包括：
[0018]
以下式(ⅰ)作为优化目标函数，基于遗传算法根据优化目标函数确定最优充电方案：
[0019]
f＝1/f
ꢀꢀꢀ
(ⅰ)
[0020]
其中，
[0021]
f1为到各充电站距离最优函数，λ1为f1的权重系数，f
1max
为电动汽车到直线距离最近充电站的距离；
[0022]
f2为到各充电站时间最优函数，λ2为f2的权重系数，f
2max
为电动汽车到直线距离最近充电站的时间；
[0023]
f3为到各充电站设备利用均衡率最优函数，λ3为f3的权重系数，f
3max
为直线距离电动汽车最近的充电站的设备利用均衡率；
[0024]
λ1+λ2+λ3＝1。
[0025]
具体地，所述电动汽车到各充电站距离最优函数的确定方法，包括：
[0026]
基于floyd算法，根据位置信息、路网信息和充电站信息确定电动汽车到各充电站
的最短路径，所述充电站信息包括充电站位置信息；
[0027]
根据下式(ⅱ)确定电动汽车到各充电站距离最优函数f1：
[0028][0029]
其中，m表示电动汽车所在区域内共m辆电动汽车；
[0030]
n表示电动车所在区域内共n个充电站；
[0031]
x
ik
取值为0或1，i为取自1～m的整数，k为取自1～n的整数，当电动汽车i在充电站k充电时x
ik
＝1，否则x
ik
为0；
[0032]
l
la,ik
表示电动汽车i到充电站k的最短路径。
[0033]
具体地，电动汽车到各充电站时间最优函数的确定方法包括：
[0034]
根据电动汽车信息、路网信息和充电站信息，确定电动汽车到充电站的时间，所述电动汽车信息还包括电动汽车速度信息和充电功率信息，所述充电站信息包括充电站位置信息、电动汽车平均到达率、排队系统服务强度及对应充电桩数量；
[0035]
根据所述充电功率信息确定所述电动汽车在充电站的充电服务时间；
[0036]
根据所述电动汽车平均到达率、排队系统服务强度及对应充电桩数量确定电动汽车排队等待时间；
[0037]
根据下式(ⅲ)确定电动汽车到各充电站时间最优函数f2：
[0038][0039]
其中，m表示电动汽车所在区域内共m辆电动汽车；
[0040]
n表示电动车所在区域内共n个充电站；
[0041]
x
ik
取值为0或1，i为取自1～m的整数，k为取自1～n的整数，当电动汽车i在充电站k充电时x
ik
＝1，否则x
ik
为0；
[0042]
t
la,ik
为电动汽车i到充电站k的最短时间；
[0043]
t
c,ik
为电动汽车i在充电站k的充电服务时间；
[0044]
t
w,k
为电动汽车i在充电站k的排队等待时间。
[0045]
具体地，所述的引导方法，还包括：
[0046]
云服务器存储用户给电动汽车的充电记录；
[0047]
根据所述充电记录生成用户充电习惯数据库，所述用户充电习惯数据库包括电动汽车标识、充电时间及充电站对应关系；
[0048]
根据各用户充电习惯数据库预测未来时段各充电站电动汽车平均到达率和排队系统服务强度。
[0049]
具体地，所述充电站设备利用均衡率最优函数的确定方法，包括：
[0050]
根据下式(ⅳ)确定充电站设备利用均衡率最优函数f3：
[0051][0052]
其中，m表示电动汽车所在区域内共m辆电动汽车；
[0053]
n表示电动车所在区域内共n个充电站；
[0054]
x
ik
取值为0或1，i为取自1～m的整数，k为取自1～n的整数，当电动汽车i在充电站k充电时x
ik
＝1，否则x
ik
为0；
[0055]
c
k
为充电站k的充电桩数量；
[0056]
p
i
为电动汽车i的充电功率。
[0057]
进一步地，将确定的最优充电方案发送给用户之后，还包括：
[0058]
获取用户对所述最优充电方案的选择操作信息，当用户确定采用所述最优充电方案时，发送所述最优充电方案对应的导航信息。
[0059]
本申请的第二方面，提供了一种基于云平台的电动汽车充电引导系统，包括：
[0060]
客户终端，用于发送电动汽车充电请求；
[0061]
云服务器，用于执行上述任一项所述的引导方法。
[0062]
进一步地，所述的引导系统，还包括：
[0063]
充电站服务器，用于将充电站信息及各充电站对应的充电桩信息发送给云服务器。
[0064]
进一步地，所述的引导系统还包括：
[0065]
充电桩单元，用于将充电桩信息发送给对应的充电站服务器。
[0066]
进一步地，所述客户终端还用于显示所述最优充电方案并获取用户对所述最优充电方案的选择操作；
[0067]
还用于显示所述最优充电方案对应的导航信息。
[0068]
(三)有益效果
[0069]
本发明的上述技术方案具有如下有益的技术效果：
[0070]
1.利用云平台实现电动汽车充电引导系统，云主机相比于本地的服务器主要有三大优点：
[0071]
(1)成本低
[0072]
因为云服务可以分散到多台服务器，因此能够充分利用资源，从而降低了硬件、电力和维护成本；
[0073]
(2)可靠
[0074]
因为云服务分布在多台服务器、甚至多个机房，所以不容易彻底宕机，抗灾容错能力强，可以保证长时间在线；
[0075]
(3)可扩展性好
[0076]
云主机的基本特点就是分布式架构，所以可以轻而易举地增加服务器，成倍扩展服务能力。
[0077]
2.根据前往充电站路程成本、路上时间成本、排队时间成本、充电时间成本、充电站设备利用均衡率确定系统的优化目标函数，并利用遗传算法进行优化，保障优化结果的合理性。
[0078]
3.遗传算法同时处理群体中的多个个体，即对搜索空间中的多个解进行评估，减少了现有技术采用粒子群优化算法导致的陷入局部最优解的风险，同时算法本身易于实现并行化。
[0079]
4.通过app、小程序等客户终端与用户交互，可以直观地为用户提供合理的最优充
电方案，提高了用户体验。
附图说明
[0080]
图1是本发明提供一种基于云平台的电动汽车充电引导方法流程图；
[0081]
图2是本发明一具体实施例提供的引导系统示意图；
[0082]
图3是本发明中涉及的遗传算法流程图；
[0083]
图4是本发明中提供的引导系统工作流程图。
具体实施方式
[0084]
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
[0085]
参见图1，本发明提供一种基于云平台的电动汽车充电引导方法，包括：
[0086]
步骤101：云服务器接收到用户发送电动汽车充电请求时，获取电动汽车信息，所述电动汽车信息包括位置信息；
[0087]
步骤102：根据所述位置信息获取对应的路网信息、对应的多个充电站信息及各充电站对应的充电桩信息；
[0088]
步骤103：根据所述电动汽车信息、路网信息、充电站信息及充电桩信息确定电动汽车到各充电站距离最优函数、时间最优函数及充电站设备利用均衡率最优函数；
[0089]
步骤104：基于遗传算法，根据距离最优函数、时间最优函数及充电站设备利用均衡率最优函数确定最优充电方案；
[0090]
步骤105：将确定的最优充电方案发送给用户，以使用户根据最优充电方案的引导对电动汽车进行充电。
[0091]
具体地，本申请中电动汽车信息可以包括电动汽车位置信息、电动汽车标识、电动汽车速度、电动汽车充电功率等信息；可以通过向电动汽车车载控制器或第三方服务器获取；所述路网信息可以包括路网结构、各路段拥堵情况信息、各路段曲折程度(可根据路段自起始点到终止点之间的实际长度与两点之间直线距离的比值确定)等信息，可以通过向高德等第三方服务器获取；所述充电站信息可以包括充电站所含充电桩数量、充电站位置信息、电动汽车平均到达率、排队系统服务强度等信息，可以通过与充电站服务器通信获取；所述充电桩信息可以包括充电桩状态(如充电或未充电状态)、充电桩标识等信息，可以通过向充电桩控制器获取或者向充电桩所在充电站服务器获取；
[0092]
该方法通过可靠、智能、高效的基于云平台的电动汽车充电引导系统，实现对电动汽车的充电引导，避免大规模电动汽车集中充电给电网带来的不利影响，并且能够使电动汽车充电站向互联网化升级，完成多站点充电规划；同时该方法降低了电动汽车充电引导系统的开发成本、保障系统的可靠性和扩展性，通过手机app等客户终端即可直观地为用户提供合理的最优充电方案，提高了用户体验；此外，该方法通过遗传算法根据距离最优函数、时间最优函数及充电站设备利用均衡率最优函数确定最优充电方案，充分考虑到了距离、时间、充电设备负荷等各种因素，优化结果更加可靠。
[0093]
具体地，所述基于遗传算法，根据距离最优函数、时间最优函数及充电站设备利用均衡率最优函数确定最优充电方案，具体包括：
[0094]
以下式(ⅰ)作为优化目标函数，基于遗传算法根据作为优化目标函数确定最优充电方案：
[0095]
f＝1/f
ꢀꢀꢀ
(ⅰ)
[0096]
其中，
[0097]
f1为到各充电站距离最优函数，λ1为f1的权重系数，f
1max
为电动汽车到直线距离最近充电站的距离；
[0098]
f2为到各充电站时间最优函数，λ2为f2的权重系数，f
2max
为电动汽车到直线距离最近充电站的时间；
[0099]
f3为到各充电站设备利用均衡率最优函数，λ3为f3的权重系数，f
3max
为直线距离电动汽车最近的充电站的设备利用均衡率；
[0100]
λ1+λ2+λ3＝1。
[0101]
具体地，λ1、λ2、λ3的取值可以根据实际需求确定，例如，当重点考虑充电站设备即充电桩的利用均衡率时，可以增大λ3的取值。
[0102]
式(ⅰ)所示优化目标函数综合考虑了从电动汽车用户产生充电需求到结束充电整个过程中各个阶段的用时，准确地模拟实际的用时，以使最终优化结果准确可靠。
[0103]
具体地，所述电动汽车到各充电站距离最优函数的确定方法，包括：
[0104]
基于floyd算法，根据位置信息、路网信息和充电站信息确定电动汽车到各充电站的最短路径，所述充电站信息包括充电站位置信息；
[0105]
根据下式(ⅱ)确定电动汽车到各充电站距离最优函数f1：
[0106][0107]
其中，m表示电动汽车所在区域内共m辆电动汽车；
[0108]
n表示电动车所在区域内共n个充电站；
[0109]
x
ik
取值为0或1，i为取自1～m的整数，k为取自1～n的整数，当电动汽车i在充电站k充电时x
ik
＝1，否则x
ik
为0；
[0110]
l
la,ik
表示电动汽车i到充电站k的最短路径。
[0111]
具体地，电动汽车到各充电站时间最优函数的确定方法包括：
[0112]
根据电动汽车信息、路网信息和充电站信息，确定电动汽车到充电站的时间，所述电动汽车信息还包括电动汽车速度信息和充电功率信息，所述充电站信息包括充电站位置信息、电动汽车平均到达率、排队系统服务强度及对应充电桩数量；
[0113]
根据所述充电功率信息确定所述电动汽车在充电站的充电服务时间；
[0114]
根据所述电动汽车平均到达率、排队系统服务强度及对应充电桩数量确定电动汽车排队等待时间；
[0115]
根据下式(ⅲ)确定电动汽车到各充电站时间最优函数f2：
[0116][0117]
其中，m表示电动汽车所在区域内共m辆电动汽车；
[0118]
n表示电动车所在区域内共n个充电站；
[0119]
x
ik
取值为0或1，i为取自1～m的整数，k为取自1～n的整数，当电动汽车i在充电站k充电时x
ik
＝1，否则x
ik
为0；
[0120]
t
la,ik
为电动汽车i到充电站k的最短时间；
[0121]
t
c,ik
为电动汽车i在充电站k的充电服务时间；
[0122]
t
w,k
为电动汽车i在充电站k的排队等待时间。
[0123]
其中，当充电桩够用时，等待时间为零。
[0124]
本申请提供的时间最优函数f2，从分考虑到了电动汽车到充电站的行驶时间、等待时间和充电时间，进一步确保了优化结果的合理可靠性，可进一步提升用户体验。
[0125]
具体地，所述的引导方法，还包括：
[0126]
云服务器存储用户给电动汽车的充电记录；
[0127]
根据所述充电记录生成用户充电习惯数据库，所述用户充电习惯数据库包括电动汽车标识、充电时间及充电站对应关系；
[0128]
根据各用户充电习惯数据库预测未来时段各充电站电动汽车平均到达率和排队系统服务强度。
[0129]
具体地，所述充电站设备利用均衡率最优函数的确定方法，包括：
[0130]
根据下式(ⅳ)确定充电站设备利用均衡率最优函数f3：
[0131][0132]
其中，m表示电动汽车所在区域内共m辆电动汽车；
[0133]
n表示电动车所在区域内共n个充电站；
[0134]
x
ik
取值为0或1，i为取自1～m的整数，k为取自1～n的整数，当电动汽车i在充电站k充电时x
ik
＝1，否则x
ik
为0；
[0135]
c
k
为充电站k的充电桩数量；
[0136]
p
i
为电动汽车i的充电功率。
[0137]
进一步地，将确定的最优充电方案发送给用户之后，还包括：
[0138]
获取用户对所述最优充电方案的选择操作信息，当用户确定采用所述最优充电方案时，发送所述最优充电方案对应的导航信息。
[0139]
本发明还提供了一种基于云平台的电动汽车充电引导系统，包括：
[0140]
客户终端，用于发送电动汽车充电请求；
[0141]
云服务器，用于执行上述任一项所述的引导方法。具体描述及效果参见方法实施例，在此不再赘述。
[0142]
进一步地，所述的引导系统，还包括：
[0143]
充电站服务器，用于将充电站信息及各充电站对应的充电桩信息发送给云服务器。
[0144]
进一步地，所述的引导系统还包括：
[0145]
充电桩单元，用于将充电桩信息发送给对应的充电站服务器。
[0146]
进一步地，所述客户终端还用于显示所述最优充电方案并获取用户对所述最优充电方案的选择操作；
[0147]
还用于显示所述最优充电方案对应的导航信息。
[0148]
如图2和4所示，以下为本发明一具体系统实施例：
[0149]
1.建立充电桩层
[0150]
充电桩层主要由充电桩单元构成，负责与充电站主站层(充电站服务器) 通信，通过mqtt协议将充电桩状态等充电桩信息实时发送至充电站主站层。
[0151]
2.建立充电站主站层
[0152]
充电站主站层主要由充电站服务器构成，负责对系统中采集到的充电桩状态(如充电或未充电状态)、充电桩标识等信息进行加密处理，将经过加密处理的数据通过tcp/ip输出至云服务层(云服务器)，为用户层提供业务支撑。
[0153]
3.建立云服务层
[0154]
云服务层主要由云服务器构成，分为界面表现层、业务逻辑层和数据持久层。界面表现层主要负责响应来自浏览器客户端和手机客户端app发来的充电请求，并面向用户进行系统的数据可视化展示；业务逻辑层集中了系统的主要功能和业务，包括用户管理、充电引导策略管理、系统信息安全管理和业务数据分析，利用云平台强大的计算能力，将电动汽车信息、充电站信息、路网信息按照充电引导策略，进行充电站数据分析与电动汽车的充电引导，通过业务数据分析，结合用户充电习惯数据，给出合理、科学的充电调度策略；数据持久层，通过分布式架构，安全、高效地对云平台采集到的数据进行存储，包括充电站数据、用户数据、路网数据等。
[0155]
云服务器采用高并发设计的kafka作为消息队列，接收来自充电站主站层的数据以及用户层的数据。高并发消息实时处理系统处理消息效率高、支持高吞吐、分布式结构、多消费者模式，不需要停机，就可以实现集群的扩展。在kafka中，消息以topic进行分组，在topic下又可以分成多个 partition，由此kafka集群中，存在着消息分布。属于同一topic的 partition的消息是有序的，分布在不同topic和partition上的消息则是无序的。消费消息的应用对消息时序性有严格要求时，应采取写入消息时保证消息时序的设计方法。
[0156]
通过采用apache spark计算引擎，将采集到的数据信息按照业务逻辑进行处理，通过数据持久层采用cassandra非关系型数据库将经过业务逻辑处理后的数据进行持久化存储；根据预置的充电引导策略算法，对采集到的数据信息进行综合分析判断，并最终引导用户前往指定的充电桩完成电动汽车充电行为，最大限度减小大规模电动汽车集中充电给电网带来的负荷冲击。
[0157]
4.建立用户层
[0158]
用户层主要由客户终端构成，其作为云服务器与用户的交互接口，利用手机app或小程序等完成对系统的信息发布、用户在线充电指引等功能。
[0159]
以下为本发明的一具体方法实施例：
[0160]
为了实现电动出租以可控负荷的形式参与到充电服务的调控之中，有效规避电动出租大规模充电所造成的负面影响，按照以下方法对电动出租用户合理选择充电站进行有
效的引导和调度：为了更加准确和全面地描述实际状况和相应的影响因素，根据数学模型建立的需要，在不影响目标函数计算的前提下，做出如下参数设定和假设：
[0161]
a.在某个区域内，投入运营的充电站数目和待充电车辆是一定的，假设充电站为n个，运营的电动出租车为m辆。
[0162]
b.在一段极小的t时间内，电动出租车只能选择1个充电站进行充电。设置电动出租车的充电标志变量为x
ik
，取值为0或1，当x
ik
＝1时，表示第i 辆电动出租(即电动汽车i)在第k个充电站(充电站k)充电。
[0163]
c.根据gps传递的信息，取电动出租车最近2次调度时间点之间的平均速度作为当前电动出租车行驶至充电站的平均速度vi。
[0164]
d.考虑充电站容量的限制，当待充电车辆数大于该站内充电桩的个数时，车辆需要等待。
[0165]
e.等待时间与充电站规模呈线性关系，充电站规模越小，等待时间越长。
[0166]
1、确定引导算法的目标函数：
[0167]
电动出租车用户路程成本：
[0168]
电动出租车行驶至充电站的最短距离求解属于图论中的问题，可通过 floyd最短路径算法计算得到。floyd最短路径算法能够高效快速地求出区域内所有路口节点到各充电站之间的最短路径和最短距离。算法的主要思想是利用三层嵌套循环产生一个可以记录各个结点之间最短距离的矩阵，在算法开始时，以任意两个顶点之间有向边的值作为路径长度，如果没有有向边，则路径长度为无限大，然后逐步在两节点之间的路径中加入其它顶点作为中间节点，若在增加中间节点后新的路径小于原来的路径长度，则以此新路径代替原路径，修改矩阵元素。
[0169]
算法的具体实现过程如下：
[0170]
定义邻接矩阵d用以表示路网图中各个节点之间的路径信息，在循环开始前，初始化矩阵d中各元素的取值，如果从顶点a到顶点b有路可达，则 d
[a][b]
＝l
ab
，l
ab
表示该路段的长度，否则d
[a][b]
＝inf，随着循环进行不断更新矩阵d中元素的值。定义节点矩阵p用来记录路径寻优过程中插入点信息，p
ab
表示从顶点a到顶点b需要经过的节点，初始化p
ab
＝b。把各个顶点插入图中，比较插入节点后节点a和b的距离与原来的距离，更新d
ab
的值如下式所示，如果d
ab
的值变小，则p
ab
＝c，c表示插入的中间节点。在d中包含有两点之间最短距离的信息，而在p中则包含了最短路径的信息。
[0171]
d
[a][b]
＝min{d
[a][b]
,d
[a][c]
+d
[c][b]
}
[0172]
式中c表示插入的中间节点。
[0173]
通过floyd算法可以求得第i辆电动汽车至第k个充电站的最短路径如下式所示。
[0174][0175]
式中：α为路段序号；n为总的路段个数；为电动汽车i行驶至充电站k所经过的各路段长度；为各路段所对应的道路加权系数，反映该路段实际的曲折程度、拥堵情况。
[0176]
距离最优：
[0177][0178]
电动出租车用户时间成本：
[0179]
电动出租车的时间成本主要包括路上行驶的时间成本和在充电站花费的时间成本。
[0180]
电动出租车行驶时间可通过电动出租车在对应路程的行驶速度和距离计算得到，其计算公式分别如下式所示：
[0181][0182]
式中：t
la,ik
为电动出租车到充电站的最短时间；v
i
为第i辆电动出租车的平均速度。
[0183]
电动出租车在充电站花费的时间成本包括排队等待时间和充电服务时间。
[0184]
充电站的排队规则一般为单一队列制，服务机构为多台充电机并列服务制。根据之前学者对电动汽车到站时间和充电服务时间实际调查数据的统计分析，电动出租车到站时间间隔服从负指数分布、充电服务时间服从正态分布，因此充电站的排队系统属于m/g/k排队模型。
[0185]
在m/g/k模型中，顾客输入过程服从参数为λ
k
的泊松分布，服务时间服从期望为μ，方差为σ的正态分布。因此电动汽车i在充电站k的充电服务时间为t
c,ik
～n(μ,σ)，平均排队等待时间t
w,k
为：
[0186][0187]
式中：ρ
k
＝λ
k
μ为排队系统的服务强度；c
k
为第k个充电站的充电机数量；λ
k
为服从泊松过程的第k个充电站的电动汽车平均到达率。上式成立的条件是c
k
＞ρ
k
。
[0188]
时间最优：
[0189][0190]
充电站设备利用均衡率：
[0191]
定义设备服务强度比率来衡量各充电站的相对服务量，服务强度比率为到每个充电站充电的总功率与理想情况下按容量大小分配到该充电站的充电功率的比值。各充电站的设备服务强度比率大小相当时，则表示充电站的设备利用率更均衡。服务强度比率的计算公式如下式所示：
[0192][0193]
式中：m为区域内电动汽车数量；n为区域内充电站数量；x
ik
为充电标志变量，当第i辆车前往第k个充电站进行充电时，x
ik
为1，否则为0；p
i
为第i辆电动汽车的充电功率。
[0194]
充电站设备利用均衡率最优：
[0195][0196]
由于这3个目标函数的量纲不同，因此需要对每个目标函数进行规范化处理，如下式所示。
[0197][0198]
式中，
[0199]
f1为到各充电站距离最优函数，λ1为f1的权重系数，f
1max
为电动汽车到直线距离最近充电站的距离；
[0200]
f2为到各充电站时间最优函数，λ2为f2的权重系数，f
2max
为电动汽车到直线距离最近充电站的时间；
[0201]
f3为到各充电站设备利用均衡率最优函数，λ3为f3的权重系数，f
3max
为直线距离电动汽车最近的充电站的设备利用均衡率；
[0202]
λ1+λ2+λ3＝1。
[0203]
2、确定引导算法的约束条件：
[0204]
约束条件1每辆车只能选择一个充电站进行充电：
[0205][0206]
约束条件2电动汽车可行驶的最大距离大于其前往充电站的距离：
[0207][0208]
3、利用遗传算法全局寻优：
[0209]
如图3所示，基于遗传来求解最优路线算法运行过程如下：
[0210]
a.初始群体的生成
[0211]
选择好一个群体数目，然后随机产生一个最初的群体。这个群体中的染色体基因编码是利实数编码实现的。它们由充电标志变量x
ik
组成。
[0212]
b.适应度函数
[0213]
目标函数表达式如下：
[0214][0215]
式中：λ1，λ2，λ3为权系数，满足λ1+λ2+λ3＝1。选取λ1＝0.3，λ2＝0.3，λ3＝0.4。
[0216]
优化问题时是要使个体适应度值最大化，而利用上面范式所求的是最小值的问题，因此把个体适应度值选择为下式的倒数。
[0217][0218]
c.选择操作
[0219]
选择步骤采用轮盘赌注法实现，选中某个个体的概率表达式为：
[0220]
f
i
＝1/f
i
[0221][0222]
式中：n是群体总数；1/f
i
为第i个染色体的适应度值。
[0223]
然后计算累计概率：
[0224][0225]
最后模仿转轮盘规则，产生一个0～1之间的随机数，选择能使累计概率值刚好大于这个数的个体。
[0226]
d.交叉操作
[0227]
对应于实数编码的方式，交叉步骤应该基于实数交叉法来实现，具体计算方法采用下面两个式子：
[0228]
a
kj
＝a
kj
(1-b)+a
ij
b
[0229]
a
ij
＝a
ij
(1-b)+a
kj
b
[0230]
式中：a
lj
是第1个染色体的第j个基因；a
kj
第k个染色体的第j个基因； b是个随机数，范围在[0，1]内。
[0231]
e.变异操作
[0232]
在第i个染色体上面的第j个基因a
ij
发生变异，操作方法如下：
[0233]
f(g)＝r1(1-g/g
max
)
[0234][0235]
式中：r1为任意的数值；g为当下进化次数；a
max
为最高进化次数；a
min
为 a
ij
的最小表现；a
max
为a
ij
的最大表现；r是任意的数值，在[0，1]内。
[0236]
依照上面的方法步骤，遗传算法对个体实数编码、又经过上面介绍的一系列进化操作，搜索并进化种群中的个体，进而得到了自身的一个进化过程，这个过程与达尔文的进化论的物竞天择是类似的，达到目标条件后染色体的基因就代表了最优的充电方案，例如，基因a
ij
为a
16
，则表示最初群体中充电方案1对应的编码方式中的第六位编码。
[0237]
上述方法既顾全了电动出租车用户在选择充电站进行充电时，对时间(包括到充电站行驶时间、进站排队等待时间和充电时间)、路上的距离、道路交通的拥堵情况以及充电费用等因素的考虑；又兼顾充电站希望每个充电站服务的车辆数与充电站的容量相关，按照容量大小均匀分布，从而提高充电设施的综合利用率的问题，避免了排队充电现象及充电设备闲置等资源浪费。
[0238]
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0239]
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程
图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0240]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0241]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0242]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。