一种在多种充电方式并存环境下的电动汽车充电路径规划方法与流程

本发明涉及电动汽车充电路径规划技术领域，尤其涉及一种在多种充电方式并存环境下的电动汽车充电路径规划方法。

背景技术：

如何快速持续获得电能补给一直是限制电动汽车广泛使用的一个关键性问题，为改善电动汽车用户的充电体验，目前已有多种充电方式供用户选择，并且主流的充电方式均属于有线接触式充电。然而，电动汽车还可以通过无线充电的方式来补充电能，其最大的特点在于无须使用电缆连接车辆与充电设施，可以直接进行充电。

随着电动汽车充电技术的不断完善，无线充电作为灵活的充电方式，其应用必将大大推动电动汽车的大规模应用，因此在电动汽车的充电策略优化设计上，有必要把无线充电方式考虑进来。国内外已经研究出了不同充电方式供用户选择，针对不同充电方式的充电配套设施建设也日益完善，但是目前大部分的充电路径规划所考虑的充电方式都比较单一，或者只停留在无线充电策略研究中，没能与主流有线接触式充电的充电方式相结合来考虑，在此基础上难以对电动汽车规划出最优的充电路径。

技术实现要素：

本发明为解决现有的充电路径规划方法仅考虑单一的充电方式等问题，提供了一种在多种充电方式并存环境下的电动汽车充电路径规划方法。

为实现以上发明目的，而采用的技术手段是：

一种在多种充电方式并存环境下的电动汽车充电路径规划方法，应用于多种充电方式并存的充电环境，包括以下步骤：

S1.创建应用于电动汽车的多种充电方式并存的充电环境，初始化环境参数；所述充电环境包括四种充电方式：动态无线充电，即电动汽车通过行驶在无线充电道路上进行充电；静态无线充电，即电动汽车在充电站的排队等候区域进行排队等候时，进行静态无线充电；快速有线充电，即电动汽车在充电站内通过充电桩进行快速充电；慢速有线充电，即电动汽车在充电站内通过充电桩进行慢速充电；

S2.初始化蚁群算法的相关参数；

S3.基于所述多种充电方式并存的充电模型，通过蚁群算法对电动汽车进行最优充电路径规划。

上述方案中，通过创建应用于电动汽车的多种充电方式并存的充电环境，并基于所述多种充电方式并存的充电模型，通过蚁群算法对电动汽车进行最优充电路径规划，从而综合利用无线充电和有线充电等多种充电方式的优缺点，并根据电动汽车用户的需要，灵活调整综合成本中时间成本与充电成本的占比来进行充电路径规划。

优选的，所述步骤S1中进行初始化的环境参数包括：

电动汽车相关参数：电动汽车电池的额定容量Eca、每公里耗电量ec、电动汽车起始节点坐标O与目的地节点坐标D；

路况相关参数：电动汽车所在区域路网的当前路网节点i以及下一个路网节点j、路网节点i和j之间路段的行驶距离dij、道路实时平均行驶的速度

充电相关参数：动态无线充电的充电功率P^d、动态无线充电的充电效率η^d、动态无线充电的充电价格p^d、电动汽车所在区域的充电站节点l、充电站节点l在各时间段预计需等待的时间Tl^wait、各充电站充电桩个数cl、充电站节点l在正在使用中的充电桩个数sl；

充电桩的：静态无线充电的充电功率P^s、快速有线充电的充电功率P^f、慢速有线充电的充电功率P^r、静态无线充电的充电效率η^s、快速有线充电的充电效率η^f、慢速有线充电的充电效率η^r、充电桩的充电价格p。

优选的，所述步骤S2中进行初始化的蚁群算法的相关参数包括：

蚁群数量m、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发因子ρ、信息素释放总量Φ、最大迭代次数iter_max、迭代次数初始值iter＝1、各个信息素浓度τt赋初值为1。其中各个信息素浓度具体包括：τt(xij)为第t次迭代中，选择从当前路网节点i转移到下一个路网节点j的信息素浓度；τt(yij＝1)为第t次迭代中，在路段i到j选择进行动态无线充电的信息素浓度；τt(yij＝0)为第t次迭代中，在路段i到j不选择进行动态无线充电的信息素浓度；τt(zl＝1)为第t次迭代中，在充电站节点l选择充电的信息素浓度；τt(zl＝0)为第t次迭代中，在充电站节点l不选择充电的信息素浓度；τt(ul＝a)、τt(ul＝b)、τt(ul＝c)、τt(ul＝d)分别为第t次迭代中，在充电站节点l选择充电方式a,b,c,d这4种充电方式下各自的信息素浓度；τt(Ql＝SOC·Eca)为第t次迭代中，在充电站节点l选择充电电量为Ql＝SOC·Eca的信息素浓度。

优选的，所述步骤S3具体包括以下步骤：

S3.1.进行迭代前的准备：设电动汽车在起始节点坐标O的初始电量为QO，在目的地节点坐标D的电量为QD；其中QO即电动汽车在规划充电路径前的电量；QD在每次路径规划前预先设定，表示到达目的地节点坐标D时的期望电量；

在充电路径迭代搜寻过程中，蚁群中的每个蚂蚁k代表一辆电动汽车，为电动汽车进行充电路径搜寻，其中k＝1,2,…,m；电动汽车的当前电量为q，在每次迭代开始前，将每个蚂蚁k所代表的电动汽车当前电量q^k设置为初始电量QO，即q^k＝QO；

S3.2.计算路网节点转移概率Pt^k(xij)，确定要转移的下一个路网节点j：

将各个蚂蚁置于起始节点O，对每个蚂蚁计算第t次迭代中蚂蚁k从当前路网节点i转移到下一个路网节点j的概率Pt^k(xij)：

τt(xij)为第t次迭代中，选择从当前路网节点i转移到下一个路网节点j的信息素浓度；τt(xij)由步骤S2进行初始化，并由步骤S3.7进行迭代更新；

η(xij)为启发函数，表示选择从当前路网节点i转移到下一个路网节点j的期望程度；Ni代表所有与节点i相连节点的集合；

根据计算得到的概率Pt^k(xij)随机选择要转移的下一个路网节点j，其中Pt^k(xij)值越大，表明选择节点j为下一个要转移的节点的概率越大；若选择节点j为下一个要转移的节点，则xij＝1；否则xij＝0；

若选择的结果为节点j，则从当前路网节点i转移到下一个路网节点j，对当前电量q^k进行更新：

q^k＝q^k-dijec

dijec为从节点i到j的电量消耗，dij为路网节点i和j之间路段的行驶距离，ec为电动汽车每公里耗电量；dij、ec由步骤S1获得；

S3.3.根据S3.2确定的下一个路网节点j，判断并计算从当前路网节点i到下一个路网节点j的路段i到j进行动态无线充电的概率Pt^k(yij)，对当前电量q^k进行更新：

根据步骤S3.2确定的要转移的下一个路网节点j，判断当前路网节点i到下一个路网节点j之间的路段是否为动态无线充电路段，若否，则直接进行步骤S3.4；若是，则计算路段i到j进行动态无线充电的概率Pt^k(yij)；

τt(yij＝1)为第t次迭代中，在路段i到j选择进行动态无线充电的信息素浓度；τt(yij＝0)为第t次迭代中，在路段i到j不选择进行动态无线充电的信息素浓度；τt(yij＝1)、τt(yij＝0)由步骤S2中进行初始化，并由步骤S3.7进行迭代更新；

η(yij)为启发函数，η(yij＝1)表示在路段i到j选择进行动态无线充电的期望程度；η(yij＝0)表示在路段i到j不选择进行动态无线充电的期望程度；

根据计算得到的概率Pt^k(yij)进行随机选择；若选择在路段i到j选择进行动态无线充电，则yij＝1，否则yij＝0；其中Pt^k(yij＝1)值越大，表明选择进行动态无线充电的概率越大；若Pt^k(yij＝0)值越大，则表明不选择动态无线充电的概率越大；若选择的结果为yij＝0，则直接进行步骤S3.4；若选择的结果为yij＝1，则在路段i到j选择进行动态无线充电，对当前电量q^k进行更新：

q^k＝q^k+TijP^dη^d

其中TijP^dη^d为在路段i到j进行动态无线充电后增加的电量，Tij为路段i到j的平均通过时间，dij为路网节点i和j之间路段的行驶距离，为道路实时平均行驶，P^d与η^d分别为动态无线充电的充电功率与动态无线充电的充电效率；其中dij、P^d、η^d由步骤S1获得；

S3.4.根据S3.2确定的下一个路网节点j，判断下一个路网节点j是否为充电站节点l，计算在充电站节点l进行充电的概率Pt^k(zl)、充电电量Ql的选择概率，然后对当前电量q^k进行更新；

S3.5.对电动汽车的当前电量q^k进行判断，若电量q^k小于0则该电动汽车所对应的那只蚂蚁停止搜寻，否则重复S3.1-S3.4，直至蚂蚁搜寻到达目的地节点坐标D后停止搜寻；

S3.6.当蚁群中的所有蚂蚁停止搜寻时，对所有成功搜寻到达目的地节点坐标D，并且满足q^k＞QD的蚂蚁k，根据重复S3.1-S3.4的计算结果计算迭代中蚂蚁k所对应的综合成本

其中，Time是时间成本，Cost是充电成本；是时间折算系数，将时间折算成金钱开销；(1-γ)与γ分别是时间成本与充电成本的比例系数，其中0≤γ≤1；(1-γ)代表时间成本重要程度所占的比例，γ代表充电成本重要程度所占的比例；

S3.7.对各个信息素进行更新；

S3.8.设置迭代次数：iter＝iter+1，重复步骤S3.1-步骤S3.7，直至iter等于最大迭代次数，即iter＝iter_max；

S3.9.根据各次迭代中电动汽车的综合成本取得最小值所对应的变量，即满足所对应的变量，输出电动汽车的最优充电路径规划。

优选的，所述步骤S3.4具体包括：

S3.4.1.根据步骤S3.2确定的要转移的下一个路网节点j，判断下一个路网节点是否为充电站节点l，若否，则直接进行步骤S3.5；若是，则计算在充电站节点l进行充电的概率

其中τt(zl＝1)为第t次迭代中，在充电站节点l选择充电的信息素浓度；τt(zl＝0)为第t次迭代中，在充电站节点l不选择充电的信息素浓度；τt(zl＝1)、τt(zl＝0)由步骤S2进行初始化，并由步骤S3.7进行迭代更新；

η(zl)为启发函数，η(zl＝1)表示在充电站节点l选择充电的期望程度；η(zl＝0)表示在充电站节点l选择不充电的期望程度；

根据计算得到的概率Pt^k(zl)进行随机选择；若选择在充电站节点l充电，则zl＝1；否则zl＝0；其中Pt^k(zl＝1)值越大，表明在充电站节点l选择充电的概率越大；若Pt^k(zl＝0)值越大，则表明在充电站节点l选择不充电的概率越大；

S3.4.2.若步骤S3.4.1选择的结果为zl＝0则直接进行步骤S3.5；若zl＝1，即选择在充电站节点l充电，则分别计算不同充电方式组合的选择概率；

在充电站节点l充电共有4种不同的充电方式组合，分别定义为：

a.[快充]，表示只选择快速有线充电完成充电；

b.[慢充]，表示只选择慢速有线充电完成充电；

c.[无线+快充]，表示通过排队等候时进行静态无线充电后，再进行快速有线充电；

d.[无线+慢充]，表示通过排队等候时进行静态无线充电后，再进行慢速有线充电；分别计算上述4种充电方式组合的选择概率Pt^k(ul＝a)、Pt^k(ul＝b)、Pt^k(ul＝c)、Pt^k(ul＝d)：

ul＝a,b,c,d，分别代表着在充电站节点l中4种不同的充电方式；其中ul＝a表示[快充]；ul＝b表示[慢充]；ul＝c表示[无线+快充]；ul＝d表示[无线+慢充]；

其中τt(ul＝a)、τt(ul＝b)、τt(ul＝c)、τt(ul＝d)分别为第t次迭代中，在充电站节点l选择充电方式a,b,c,d这4种充电方式下各自的信息素浓度；τt(ul＝a)、τt(ul＝b)、τt(ul＝c)、τt(ul＝d)由步骤S2进行初始化，并由步骤S3.7进行迭代更新；

η(ul)为启发函数，η(ul＝a)、η(ul＝b)、η(ul＝c)、η(ul＝d)分别表示在充电站节点l选择4种充电方式的期望程度；

根据计算得到的选择概率Pt^k(ul＝a)、Pt^k(ul＝b)、Pt^k(ul＝c)、Pt^k(ul＝d)进行随机选择；其中Pt^k(ul＝a)值越大，表明在充电站节点l选择充电方式a的概率越大；Pt^k(ul＝b)值越大，表明在充电站节点l选择充电方式b的概率越大；Pt^k(ul＝c)值越大，表明在充电站节点l选择充电方式c的概率越大；Pt^k(ul＝d)值越大，表明在充电站节点l选择充电方式d的概率越大；

S3.4.3.若步骤S3.4.1选择的结果为zl＝1，即选择在充电站节点l充电，计算充电电量Ql的选择概率Pt^k(Ql)：

其中Eca是电动汽车电池的额定容量，SOC为电量百分比，SOC·Eca为要充电的容量，以5％为步进电量，计算各个电量段的选择概率；

τt(Ql＝SOC·Eca)为第t次迭代中，在充电站节点l选择充电电量为Ql＝SOC·Eca的信息素浓度，其中SOC＝5％,10％,…100％；τt(Ql＝SOC·Eca)由步骤S2进行初始化，并由步骤S3.7进行迭代更新；

η(Ql＝SOC·Eca)为启发函数，表示在充电站节点l选择各个充电电量段的期望程度；

根据计算得到的选择概率进行随机选择，从而确定电动汽车在充电站节点l要充电的电量Ql，对当前电量q^k进行更新：

q^k＝q^k+Ql。

优选的，所述步骤S3.6具体包括：

S3.6.1.时间成本Time包括行驶时间Tdrive、等待时间Twait和充电时间Tcharge：

Time＝Tdrive+Twait+Tcharge

行驶时间Tdrive：

其中xij的值由步骤S3.2得到；Tij为路段i到j的平均通过时间，通过计算获得，N是全部道路节点的集合；

等待时间Twait：

zl由步骤S3.4.1得到，ul由步骤S3.4.2得到；Tl^wt(ul)为在充电站节点l各种充电方式下的排队时间，其中充电方式a与充电方式c的充电排队时间相同，即Tl^wt(ul＝a)＝Tl^wt(ul＝c)；充电方式b与充电方式d的充电排队时间相同，即Tl^wt(ul＝b)＝Tl^wt(ul＝d，)R是全部充电站节点l的集合；

充电时间Tcharge：

Tl^ch(ul)为在充电站l各种充电方式下的充电时间，各种充电方式下的充电时间通过以下式子计算得到：

Ql的值由步骤S3.4得到，P^s、P^f、P^r分别为静态无线充电的充电功率、快速有线充电的充电功率、慢速有线充电的充电功率；η^s、η^f、η^r分别为静态无线充电的充电效率、快速有线充电的充电效率、慢速有线充电的充电效率；所述的充电功率和充电效率由步骤S1得到；

S3.6.2.充电成本包括在无线充电道路上充电的成本Cdwc和在充电站进行充电的成本Ccs：Cost＝Cdwc+Ccs

无线充电道路上充电的成本Cdwc：

其中yij的值由S3.3得到；Tij为路段i到j的平均通过时间，通过计算获得；P^d、p^d分别是动态无线充电的充电功率与动态无线充电的充电价格，由所述步骤S1获得；N是全部路网节点的集合；

在充电站进行充电的成本Ccs：

Cl(ul)为在充电站l各种充电方式下的充电成本，通过以下式计算得到：

Ql的值由步骤S3.4得到；ul＝c时，Q^wt为排队等候时进行静态无线充电的电量，(Ql-Q^wt)为结束静态无线充电后，再进行快速有线充电的电量；ul＝d时，Q^wt为排队等候时进行静态无线充电的电量，(Ql-Q^wt)为结束静态无线充电后，再进行慢速有线充电的电量；

其中Q^wt＝P^sη^sTl^wt(ul)。P^s、η^s分别是静态无线充电的充电功率与静态无线充电的充电效率，由步骤S1获得。

优选的，所述步骤S3.7具体包括：

对步骤S3.1-S3.4的搜寻过程中各个选择信息素τt(xij)、τt(yij)、τt(zl)、τt(ul)、τt(Ql)进行更新：

其中，n为所有成功搜寻到达目的地节点坐标D的蚂蚁个数；

其中Φ为常数，表示蚂蚁循环一次所释放的信息素总量，在所述步骤S2中进行初始化。

优选的，所述步骤S3.9具体包括：

选择满足所对应的变量xij、yij、zl、ul、Ql；

其中xij决定行驶路径，yij决定进行动态无线充电的路段，zl决定是否在充电站节点l进行充电，ul决定在充电站节点l进行充电的方式，Ql决定在充电站节点l选择充电的电量；

根据所述变量xij、yij、zl、ul、Ql的取值获得电动汽车综合成本最小的最优充电路径规划。

与现有技术相比，本发明技术方案的有益效果是：

本发明方法首先创建了应用于电动汽车的多种充电方式并存的充电环境，在电动汽车的充电策略优化设计上，综合考虑和利用无线充电和有线充电等其他多种主流的充电方式的优缺点来提供最佳的充电路径优化策略；同时在这个多种充电方式并存的充电模型基础上，通过蚁群算法对电动汽车进行最优充电路径规划。本发明方法能够在多种充电方式并存的充电环境中，灵活调整综合成本中时间成本与充电成本的占比，以用户综合成本最小为目标，为电动汽车进行最优充电路径的规划，既降低了用户的时间成本，也降低了用户的充电时间成本，给用户带了更好的出行体验，解决了现有的充电路径规划方法仅考虑单一充电方式的问题。

附图说明

图1为本发明方法的总流程图。

图2为实施例1中充电环境的动态无线充电示意图。

图3为实施例1中充电环境的充电站充电示意图。

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。

实施例1

一种在多种充电方式并存环境下的电动汽车充电路径规划方法，应用于多种充电方式并存的充电环境，如图1所示，包括以下步骤：

S1.创建应用于电动汽车的多种充电方式并存的充电环境，初始化环境参数；所述充电环境包括四种充电方式：动态无线充电，即电动汽车通过行驶在无线充电道路上进行充电，如图2所示；静态无线充电，即电动汽车在充电站的排队等候区域进行排队等候时，进行静态无线充电；快速有线充电，即电动汽车在充电站内通过充电桩进行快速充电；慢速有线充电，即电动汽车在充电站内通过充电桩进行慢速充电；如图3所示；

其中进行初始化的环境参数包括：

电动汽车相关参数：电动汽车电池的额定容量Eca、每公里耗电量ec、电动汽车起始节点坐标O与目的地节点坐标D；

路况相关参数：电动汽车所在区域路网的当前路网节点i以及下一个路网节点j、路网节点i和j之间路段的行驶距离dij、道路实时平均行驶的速度

充电相关参数：动态无线充电的充电功率P^d、动态无线充电的充电效率η^d、动态无线充电的充电价格p^d、电动汽车所在区域的充电站节点l、充电站节点l在各时间段预计需等待的时间Tl^wait、各充电站充电桩个数cl、充电站节点l在正在使用中的充电桩个数sl；

充电桩的：静态无线充电的充电功率P^s、快速有线充电的充电功率P^f、慢速有线充电的充电功率P^r、静态无线充电的充电效率η^s、快速有线充电的充电效率η^f、慢速有线充电的充电效率η^r、充电桩的充电价格p。

S2.初始化蚁群算法的相关参数；

包括有蚁群数量m、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发因子ρ、信息素释放总量Φ、最大迭代次数iter_max、迭代次数初始值iter＝1、各个信息素浓度τt赋初值为1。其中各个信息素浓度具体包括：τt(xij)为第t次迭代中，选择从当前路网节点i转移到下一个路网节点j的信息素浓度；τt(yij＝1)为第t次迭代中，在路段i到j选择进行动态无线充电的信息素浓度；τt(yij＝0)为第t次迭代中，在路段i到j不选择进行动态无线充电的信息素浓度；τt(zl＝1)为第t次迭代中，在充电站节点l选择充电的信息素浓度；τt(zl＝0)为第t次迭代中，在充电站节点l不选择充电的信息素浓度；τt(ul＝a)、τt(ul＝b)、τt(ul＝c)、τt(ul＝d)分别为第t次迭代中，在充电站节点l选择充电方式a,b,c,d这4种充电方式下各自的信息素浓度；τt(Ql＝SOC·Eca)为第t次迭代中，在充电站节点l选择充电电量为Ql＝SOC·Eca的信息素浓度；

S3.基于所述多种充电方式并存的充电模型，通过蚁群算法对电动汽车进行最优充电路径规划；

S3.1.进行迭代前的准备：设电动汽车在起始节点坐标O的初始电量为QO，在目的地节点坐标D的电量为QD；其中QO即电动汽车在规划充电路径前的电量；QD在每次路径规划前预先设定，表示到达目的地节点坐标D时的期望电量；

在充电路径迭代搜寻过程中，蚁群中的每个蚂蚁k代表一辆电动汽车，为电动汽车进行充电路径搜寻，其中k＝1,2,…,m；电动汽车的当前电量为q，在每次迭代开始前，将每个蚂蚁k所代表的电动汽车当前电量q^k设置为初始电量QO，即q^k＝QO；

S3.2.计算路网节点转移概率Pt^k(xij)，确定要转移的下一个路网节点j：

将各个蚂蚁置于起始节点O，对每个蚂蚁计算第t次迭代中蚂蚁k从当前路网节点i转移到下一个路网节点j的概率Pt^k(xij)：

τt(xij)为第t次迭代中，选择从当前路网节点i转移到下一个路网节点j的信息素浓度；τt(xij)由步骤S2进行初始化，并由步骤S3.7进行迭代更新；

η(xij)为启发函数，表示选择从当前路网节点i转移到下一个路网节点j的期望程度；Ni代表所有与节点i相连节点的集合；

根据计算得到的概率Pt^k(xij)随机选择要转移的下一个路网节点j，其中Pt^k(xij)值越大，表明选择节点j为下一个要转移的节点的概率越大；若选择节点j为下一个要转移的节点，则xij＝1；否则xij＝0；

若选择的结果为节点j，则从当前路网节点i转移到下一个路网节点j，对当前电量q^k进行更新：

q^k＝q^k-dijec

dijec为从节点i到j的电量消耗，dij为路网节点i和j之间路段的行驶距离，ec为电动汽车每公里耗电量；dij、ec由步骤S1获得；

S3.3.根据S3.2确定的下一个路网节点j，判断并计算从当前路网节点i到下一个路网节点j的路段i到j进行动态无线充电的概率Pt^k(yij)，对当前电量q^k进行更新：

根据步骤S3.2确定的要转移的下一个路网节点j，判断当前路网节点i到下一个路网节点j之间的路段是否为动态无线充电路段，若否，则直接进行步骤S3.4；若是，则计算路段i到j进行动态无线充电的概率Pt^k(yij)；

τt(yij＝1)为第t次迭代中，在路段i到j选择进行动态无线充电的信息素浓度；τt(yij＝0)为第t次迭代中，在路段i到j不选择进行动态无线充电的信息素浓度；τt(yij＝1)、τt(yij＝0)由步骤S2中进行初始化，并由步骤S3.7进行迭代更新；

η(yij)为启发函数，η(yij＝1)表示在路段i到j选择进行动态无线充电的期望程度；η(yij＝0)表示在路段i到j不选择进行动态无线充电的期望程度；

根据计算得到的概率Pt^k(yij)进行随机选择；若选择在路段i到j选择进行动态无线充电，则yij＝1，否则yij＝0；其中Pt^k(yij＝1)值越大，表明选择进行动态无线充电的概率越大；若Pt^k(yij＝0)值越大，则表明不选择动态无线充电的概率越大；若选择的结果为yij＝0，则直接进行步骤S3.4；若选择的结果为yij＝1，则在路段i到j选择进行动态无线充电，对当前电量q^k进行更新：

q^k＝q^k+TijP^dη^d

其中TijP^dη^d为在路段i到j进行动态无线充电后增加的电量，Tij为路段i到j的平均通过时间，dij为路网节点i和j之间路段的行驶距离，为道路实时平均行驶，P^d与η^d分别为动态无线充电的充电功率与动态无线充电的充电效率；其中dij、P^d、η^d由步骤S1获得；

S3.4.根据S3.2确定的下一个路网节点j，判断下一个路网节点j是否为充电站节点l，计算在充电站节点l进行充电的概率Pt^k(zl)、充电电量Ql的选择概率，然后对当前电量q^k进行更新；

S3.4.1.根据步骤S3.2确定的要转移的下一个路网节点j，判断下一个路网节点是否为充电站节点l，若否，则直接进行步骤S3.5；若是，则计算在充电站节点l进行充电的概率Pt^k(zl)：

其中τt(zl＝1)为第t次迭代中，在充电站节点l选择充电的信息素浓度；τt(zl＝0)为第t次迭代中，在充电站节点l不选择充电的信息素浓度；τt(zl＝1)、τt(zl＝0)由步骤S2进行初始化，并由步骤S3.7进行迭代更新；

η(zl)为启发函数，η(zl＝1)表示在充电站节点l选择充电的期望程度；η(zl＝0)表示在充电站节点l选择不充电的期望程度；

根据计算得到的概率Pt^k(zl)进行随机选择；若选择在充电站节点l充电，则zl＝1；否则zl＝0；其中Pt^k(zl＝1)值越大，表明在充电站节点l选择充电的概率越大；若Pt^k(zl＝0)值越大，则表明在充电站节点l选择不充电的概率越大；

S3.4.2.若步骤S3.4.1选择的结果为zl＝0则直接进行步骤S3.5；若zl＝1，即选择在充电站节点l充电，则分别计算不同充电方式组合的选择概率；

在充电站节点l充电共有4种不同的充电方式组合，分别定义为：

a.[快充]，表示只选择快速有线充电完成充电；

b.[慢充]，表示只选择慢速有线充电完成充电；

c.[无线+快充]，表示通过排队等候时进行静态无线充电后，再进行快速有线充电；

d.[无线+慢充]，表示通过排队等候时进行静态无线充电后，再进行慢速有线充电；分别计算上述4种充电方式组合的选择概率Pt^k(ul＝a)、Pt^k(ul＝b)、Pt^k(ul＝c)、Pt^k(ul＝d)：

ul＝a,b,c,d，分别代表着在充电站节点l中4种不同的充电方式；其中ul＝a表示[快充]；ul＝b表示[慢充]；ul＝c表示[无线+快充]；ul＝d表示[无线+慢充]；

其中τt(ul＝a)、τt(ul＝b)、τt(ul＝c)、τt(ul＝d)分别为第t次迭代中，在充电站节点l选择充电方式a,b,c,d这4种充电方式下各自的信息素浓度；τt(ul＝a)、τt(ul＝b)、τt(ul＝c)、τt(ul＝d)由步骤S2进行初始化，并由步骤S3.7进行迭代更新；

η(ul)为启发函数，η(ul＝a)、η(ul＝b)、η(ul＝c)、η(ul＝d)分别表示在充电站节点l选择4种充电方式的期望程度；

根据计算得到的选择概率Pt^k(ul＝a)、Pt^k(ul＝b)、Pt^k(ul＝c)、Pt^k(ul＝d)进行随机选择；其中Pt^k(ul＝a)值越大，表明在充电站节点l选择充电方式a的概率越大；Pt^k(ul＝b)值越大，表明在充电站节点l选择充电方式b的概率越大；Pt^k(ul＝c)值越大，表明在充电站节点l选择充电方式c的概率越大；Pt^k(ul＝d)值越大，表明在充电站节点l选择充电方式d的概率越大；

S3.4.3.若步骤S3.4.1选择的结果为zl＝1，即选择在充电站节点l充电，计算充电电量Ql的选择概率Pt^k(Ql)：

其中Eca是电动汽车电池的额定容量，SOC为电量百分比，SOC·Eca为要充电的容量，以5％为步进电量，计算各个电量段的选择概率；

τt(Ql＝SOC·Eca)为第t次迭代中，在充电站节点l选择充电电量为Ql＝SOC·Eca的信息素浓度，其中SOC＝5％,10％,…100％；τt(Ql＝SOC·Eca)由步骤S2进行初始化，并由步骤S3.7进行迭代更新；

η(Ql＝SOC·Eca)为启发函数，表示在充电站节点l选择各个充电电量段的期望程度；例如η(Ql＝20％·Eca)表示在充电站节点l选择充电电量为Ql＝20％·Eca的期望程度；

根据计算得到的选择概率Pt^k(Ql)进行随机选择，从而确定电动汽车在充电站节点l要充电的电量Ql，例如Pt^k(Ql＝20％·Eca)值越大，表明在充电站节点l选择充电电量Ql＝20％·Eca的概率越大；

对当前电量q^k进行更新：

q^k＝q^k+Ql。

S3.5.对电动汽车的当前电量q^k进行判断，若电量q^k小于0则该电动汽车所对应的那只蚂蚁停止搜寻，否则重复S3.1-S3.4，直至蚂蚁搜寻到达目的地节点坐标D后停止搜寻；

S3.6.当蚁群中的所有蚂蚁停止搜寻时，对所有成功搜寻到达目的地节点坐标D，并且满足q^k＞QD的蚂蚁k，根据重复S3.1-S3.4的计算结果计算迭代中蚂蚁k所对应的综合成本

其中，Time是时间成本，Cost是充电成本；是时间折算系数，将时间折算成金钱开销；(1-γ)与γ分别是时间成本与充电成本的比例系数，其中0≤γ≤1；(1-γ)代表时间成本重要程度所占的比例，γ代表充电成本重要程度所占的比例；

S3.6.1.时间成本Time包括行驶时间Tdrive、等待时间Twait和充电时间Tcharge：

Time＝Tdrive+Twait+Tcharge

行驶时间Tdrive：

其中xij的值由步骤S3.2得到；Tij为路段i到j的平均通过时间，通过计算获得，N是全部道路节点的集合；

等待时间Twait：

zl由步骤S3.4.1得到，ul由步骤S3.4.2得到；Tl^wt(ul)为在充电站节点l各种充电方式下的排队时间，其中充电方式a与充电方式c的充电排队时间相同，即Tl^wt(ul＝a)＝Tl^wt(ul＝c)；充电方式b与充电方式d的充电排队时间相同，即Tl^wt(ul＝b)＝Tl^wt(ul＝d，)R是全部充电站节点l的集合；

充电时间Tcharge：

Tl^ch(ul)为在充电站l各种充电方式下的充电时间，各种充电方式下的充电时间通过以下式子计算得到：

Ql的值由步骤S3.4得到，P^s、P^f、P^r分别为静态无线充电的充电功率、快速有线充电的充电功率、慢速有线充电的充电功率；η^s、η^f、η^r分别为静态无线充电的充电效率、快速有线充电的充电效率、慢速有线充电的充电效率；所述的充电功率和充电效率由步骤S1得到；

S3.6.2.充电成本包括在无线充电道路上充电的成本Cdwc和在充电站进行充电的成本Ccs：Cost＝Cdwc+Ccs

无线充电道路上充电的成本Cdwc：

其中yij的值由S3.3得到；Tij为路段i到j的平均通过时间，通过计算获得；P^d、p^d分别是动态无线充电的充电功率与动态无线充电的充电价格，由所述步骤S1获得；N是全部路网节点的集合；

在充电站进行充电的成本Ccs：

Cl(ul)为在充电站l各种充电方式下的充电成本，通过以下式计算得到：

Ql的值由步骤S3.4得到；ul＝c时，Q^wt为排队等候时进行静态无线充电的电量，(Ql-Q^wt)为结束静态无线充电后，再进行快速有线充电的电量；ul＝d时，Q^wt为排队等候时进行静态无线充电的电量，(Ql-Q^wt)为结束静态无线充电后，再进行慢速有线充电的电量；

其中Q^wt＝P^sη^sTl^wt(ul)，P^s、η^s分别是静态无线充电的充电功率与静态无线充电的充电效率，由步骤S1获得。

S3.7.对各个信息素进行更新；

即：对步骤S3.1-S3.4的搜寻过程中各个选择信息素τt(xij)、τt(yij)、τt(zl)、τt(ul)、τt(Ql)进行更新：

其中，n为所有成功搜寻到达目的地节点坐标D的蚂蚁个数；

其中Φ为常数，表示蚂蚁循环一次所释放的信息素总量，在所述步骤S2中进行初始化。

S3.8.设置迭代次数：iter＝iter+1，重复步骤S3.1-步骤S3.7，直至iter等于最大迭代次数，即iter＝iter_max；

S3.9.根据各次迭代中电动汽车的综合成本取得最小值所对应的变量，即满足所对应的变量，输出电动汽车的最优充电路径规划；

即：选择满足所对应的变量xij、yij、zl、ul、Ql；

其中xij决定行驶路径，yij决定进行动态无线充电的路段，zl决定是否在充电站节点l进行充电，ul决定在充电站节点l进行充电的方式，Ql决定在充电站节点l选择充电的电量；

根据所述变量xij、yij、zl、ul、Ql的取值获得电动汽车综合成本最小的最优充电路径规划。

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

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。