一种基于动态交通流和用户心理的电动汽车出行引导方法

1.本发明属于交通技术领域，尤其涉及一种基于动态交通流和用户心理的电动汽车出行引导方法。


背景技术：

2.电动汽车(electric vehicle,ev)作为耦合电网和交通网的重要纽带，随着ev大规模使用，其在充电与出行过程中分别对电网和交通网产生深刻影响，电网与交通网在大规模电动汽车作用下形成了复杂耦合系统。现有的电动汽车出行引导和充电控制技术通常从电网运行的角度，考虑ev电气特性对ev集群进行划分，在充电控制中倾斜于电网需求，弱化了ev用户间充电行为和需求的差异，且未考虑交通流的影响，也会忽略ev用户参与调控的主观性，未涉及用户心理。截止目前，还未出现在电网和交通网耦合下，充分考虑用户出行需求和心理预期的出行行为引导和控制技术，这样将限制电动汽车的进一步发展，也会加剧对电网和交通网的影响。
3.ev用户参与电网运行调控的前提是满足用户的出行和时间心理预期，保证ev具有充足的荷电状态(state of charge,soc)和灵活的出行时间。ev的出行行为可以分为以下两类：一类是规律性较强，时间和地点相对固定的通勤出行行为，对于这类通勤行为，可以通过用户出行相关的历史数据，细分个体偏好，表征其异质性。针对居民通勤决策过程的动态性和微观心理偏好，将通勤性行为细分为“商务需求型”、“追求效率型”、“经济环保型”和“保守型”4类，各类别间的出行方案虽存在明显区别，但各类行为的决策相对固定，难以引导和调控。另一类是随机性较强，时间和地点具有较高灵活性和随机性的活动出行行为，如娱乐、探亲访友等。用户的随机出行行为中，出行链以家庭为起点时，通勤行为占比44％，去学校、公园、购物的行为占比分别为26％、6％和24％，而在周末、晚上等非工作时间，用户的娱乐出行行为将占比50％以上。针对上述随机性强的活动出行，驾驶人个体和出行特征因素不同导致交通拥堵感知下，路径调整决策产生显著差异。此外，交通拥堵导致ev实际工况的变化，如耗时增加，ev的空调制冷/制热、照明、音响等使用会影响能耗和续航。用户在考虑这些因素时会对随机出行的时间和续航有各异的预期。
4.为了提高用户参与调控的意愿，以及电网与交通网耦合下电网的调控能力和交通网的运输能力，需要刻画用户出行和充电行为特性与用户心理之间的联系，分析ev用户出行行为和充电行为的随机性。如何站在出行者的角度，计及交通流动态特性下主动引导用户的充电行为和出行决策，以满足用户需求。这样的电动汽车出行引导平台，可以主动改变和优化交通流以及充电控制，降低用户出行的拥堵概率，并减小ev的充电负荷，同时实现电网和路网的优化。


技术实现要素：

5.为解决上述问题，本发明将分析用户出行的心理预期，提出改进的累积前景理论方法，建立基于多参考点的评估用户出行心理预期效用模型，以对用户出行决策的价值进
行量化；建立动态交通流模型，基于用户的心理预期效用模型，通过交通流状态和ev用户出行需求评估出行决策，由此建立考虑交通流状态和用户心理预期的出行引导策略，根据心理预期效用值，引导用户调整出行决策，即调整出发时刻和优化出行路径，通过基于用户心理预期效用的出行引导策略以及路径通行时长的流量残留进行耦合与相互影响，进而形成与用户的前景函数形式和出行随机效用紧密相关的动态交通流；然后，充分考虑用户荷电状态与出行时间的随机性，建立充电功率控制的分布鲁棒优化(distributed robust optimization,dro)模型，在满足用户需求前提下调控ev充电功率，可降低配电网区域负荷的峰谷差。基于上述技术搭建基于动态交通流和用户心理的电动汽车出行引导平台。本发明可以降低电动汽车用户出行的拥堵概率和耗电量，同时减缓交流拥堵情况，并减小ev的充电负荷，同时实现电网和路网的优化。最后通过电动汽车出行引导平台的运行测试，验证了该平台的有效性。
6.本发明结合工程实际，可适用于电网和交通网耦合下各种规模的电动汽车出行的出行时刻、路径选择决策和充电控制的引导。
7.本发明的技术方案如下：
8.一种基于动态交通流和用户心理的电动汽车出行引导方法，其特征在于，包括以下步骤：
9.步骤1，引入充电桩的额定充电功率、电动汽车用户的出行决策相关参数以及每个电动汽车用户的交通配电网络相关参数；
10.步骤1所述电动汽车用户的出行决策相关参数包括：每个电动汽车用户的目的地，每个电动汽车用户的早到参考时刻，每个电动汽车用户的偏好参考时刻，每个电动汽车用户的晚到参考时刻，每个电动汽车用户的初始soc，每个电动汽车用户的到达时刻期望的soc上限，每个电动汽车用户的到达时刻期望的soc下限，每个电动汽车用户的离站时刻期望的soc上限，每个电动汽车用户的离站时刻期望的soc下限，每个电动汽车用户的预期离开充电站时间，和每个电动汽车用户的soc/时间权重系数；
11.步骤1所述每个电动汽车用户的交通配电网络相关参数包括：
12.配电网的拓扑及节点间关系,交通网的拓扑及节点间关系，配电网区域的日负荷数据，交通路段的载流量,交通路段的自由通行时间，当前时刻t时段交通流的状态；
13.步骤2，根据每个电动汽车用户的早到参考时刻，每个电动汽车用户的偏好参考时刻，每个电动汽车用户的晚到参考时刻，每个电动汽车用户的初始soc，每个电动汽车用户的到达时刻期望的soc上限，每个电动汽车用户的到达时刻期望的soc下限，每个电动汽车用户的离站时刻期望的soc上限，每个电动汽车用户的离站时刻期望的soc下限，每个电动汽车用户的预期离开充电站时间，和每个电动汽车用户的soc/时间权重系数，构建电动汽车用户心理预期效用模型。
14.步骤2所述电动汽车用户心理预期效用模型由电动汽车用户时间价值函数模型、电动汽车用户soc价值函数模型构成，则第g个电动汽车用户的心理预期效用模型，g∈g,g为引导时段内所有电动汽车用户，具体如下：
15.valueg＝v
tg
+w
gvsocg
16.其中，valueg表示第g个电动汽车用户心理预期效用值，v
tg
表示第g个电动汽车用户时间价值函数模型，v
socg
表示第g个电动汽车用户soc价值函数模型，wg为第g个电动汽车
用户的soc/时间权重系数；
17.所述电动汽车用户时间价值函数模型，第g个电动汽车用户的时间价值函数，具体定义如下：
[0018][0019]
式中：v
tg
为第g个电动汽车用户的时间价值函数值，γ1为面对时间价值损失时的风险敏感系数，γ2为面对时间价值收益时的风险敏感系数，t
i,ja g
为第g个电动汽车用户从充电站i到目的地j的时间，t
rmin g
为第g个电动汽车用户的早到参考时刻，t
rmax g
为第g个电动汽车用户的晚到参考时刻、t
rp g
为第g个电动汽车用户的偏好到达时间，且t
rmin g
《t
rpg
《t
rmax g
；
[0020]
所述电动汽车用户soc价值函数模型，第g个电动汽车用户的soc价值函数具体定义如下：
[0021][0022][0023][0024]
式中，为向下取整运算，μ1为面对soc价值损失时的风险敏感系数，μ2为面对soc价值收益时的风险敏感系数，v
socl g
为第g个电动汽车用户的离站时刻的soc价值函数，v
soca g
为第g个电动汽车用户的到达时刻的soc价值函数，soc
maxl g
为第g个电动汽车用户的离站时刻期望的soc上限，soc
minl g
为第g个电动汽车用户的离站时刻期望的soc下限，soc
maxa g
为第g个电动汽车用户的到达时刻期望的soc上限，soc
mina g
为第g个电动汽车用户的到达时刻期望的soc下限，soc
l g
为电动汽车用户离站时的实际soc，soc
a g
为电动汽车用户抵达目的地时的实际soc。soc
l g
可以通过第g个电动汽车用户的初始soc、第g个电动汽车用户的预期离开充电站时间、充电桩的额定充电功率计算得到。
[0025]
步骤2所述电动汽车用户心理预期效用模型，第g个电动汽车用户的心理预期效用函数具体如下：
[0026]
cpvg＝cpv
tg
+ωgcpv
socg
[0027]
式中：cpvg为第g个电动汽车用户的心理预期效用值，为第g个电动汽车用户的心理预期效用值，n为第g个电动汽车用户不确定的出行备选方案数，π
ig
为第g个电动汽车用户第i种出行备选方案可能发生的概率权重函数值；
[0028]
步骤3，基于步骤1中每个电动汽车用户的出行决策相关参数中的电动汽车用户的目的地，和步骤1中的交通网的拓扑及节点间关系、交通路段的载流量、交通路段的自由通行时间，当前时刻t时段交通流的状态，构建交通平衡配流模型；
[0029]
步骤3所述交通平衡配流模型包括：
[0030]
电动汽车用户出行o-d对的路径选择模型、路段和路径流量关联矩阵、电动汽车路段行驶时间、出行路径费用和出行路径选择条件；
[0031]
根据第g
t
个电动汽车用户(g
t
∈g
t
,g
t
为引导时段t内所有电动汽车用户)的目的地和交通网的拓扑及节点间关系，可得引导时段t内所有电动汽车用户g
t
出行o-d对的路径选择模型：
[0032]
假设在时段区间τ内，交通流各路段的估计通行费用和出行者的出行需求近似不变，在t时段，o-d需求配流完成时，某个o-d对之间所有被选用的路径满足以下关系：
[0033][0034]
其中，f
k,trs
是在当前时刻t时段交通流的状态中o-d对rs之间第k条路径上的流量，k∈k
rs
，k
rs
为o-d对rs之间存在的有效路径集合，q
trs
为t时段内从r到s的全部交通需求，由时刻t内所有电动汽车用户g
t
组成，即o-d量，进而保证t时刻内每一个o-d对(r,s)所对应的出行需求q
rs
都能得到满足。
[0035]
根据步骤1中的交通网的拓扑及节点间关系可得路段和路径流量关联矩阵：
[0036]
在t时刻路段流量x
a,t
与路径流量f
k,trs
可以通过关联矩阵δ
a,krs
联系起来：
[0037][0038]
δ
a,krs
表示路段与路径之间的关联系数，路段a在连接o-d对rs的第k条路径上，则δ
a,krs
＝1，否则δ
a,krs
＝0；
[0039]
所述电动汽车用户路段行驶时间：
[0040]
根据交通路段的载流量、交通路段的自由通行时间、当前时刻t时刻交通流的状态可以确定t时刻电动汽车在路段a行驶的时间ta(x
a,t
)计算公式如下：
[0041][0042]
其中，t
a0
是路段a的自由通行时间，x
a,t
为t时刻路段a上的流量，ca是路段a的载流量。
[0043]
所述出行路径费用：
[0044]
t时刻出行路径费用估计值c
k,trs
如下所示:
[0045][0046]
所述出行路径选择条件：
[0047]
因此，在t时刻连接o-d对rs之间的路径k被用户选中的充要条件如下所示：
[0048][0049]
其中，c
mrs
为o-d对rs任意其他路径m的出行路径费用估计值。
[0050]
基于用户均衡的出行路径选择原则如下：
[0051][0052]
其中，μ
rs
表示交通网络平衡状态下o-d对rs之间的最小出行费用，f
krs
、c
krs
表示o-d对rs之间第k条路径上的流量和出行费用。
[0053]
t时刻交通平衡配流模型下的交通流状态可描述为如下数学规划模型：
[0054][0055]
其中q
trs
为t时刻内从r到s的全部交通需求，由时刻t内所有电动汽车用户g
t
组成，s
trs
[c
trs
]为t时刻o-d对rs之间的期望估计费用，x
a,t
为t时刻路段a上的流量，t
a,t
(x
a,t
)为t时刻电动汽车在路段a行驶的时间，ta(w)为路段行驶时间，随t时刻路段流量x
a,t
变化，e[]表示期望。
[0056]
根据步骤1中的当前时刻t交通流的状态以及每个电动汽车用户的出行路径选择，可通过数学规划优化算法求解，获得t时刻交通平衡配流模型下的交通流状态。
[0057]
步骤4，计算用户心理预期效用值和用户心理预期效用阈值；
[0058]
根据步骤1中输入的当前的交通流状态和第g个电动汽车用户的出行决策相关参数，通过步骤2所述的用户心理预期效用模型和步骤3所述的交通平衡配流模型，计算第g个电动汽车用户当前出行决策下的心理预期效用值；根据步骤2中的用户心理预期效用模型，以及由步骤3得到当前交通平衡配流模型下的交通流状态，得到步骤2中第g个电动汽车用户的综合价值函数值，即为用户心理预期效用阈值，g∈g
t
,g
t
为当前时刻t时刻内所有电动汽车用户；
[0059]
步骤5，根据步骤1中输入的当前时刻t时刻交通流的状态和第g个电动汽车用户的出行相关参数，g∈g
t
,g
t
为当前时刻t时刻内所有电动汽车用户，步骤4中得到的用户心理预期效用值与用户心理预期效用阈值两者之间差值，若差值超出允许的最小范围，则对对应第g个电动汽车用户出行决策进行引导，得到引导后出行决策：当心理预期效用值cpvg大于心理预期效用阈值cpv
setg
时，可按用户预设出行决策直接出行，无需接受引导；当cpvg小于心理预期效用阈值cpv
setg
时，制定相应的出行引导策略：根据cpvg结果对出行决策进行引导：
[0060]
当soc累积前景值cpv
socg
＜soc累积前景值阈值cpv
soc_setg
，时间累积前景值cpv
tg
《时间累积前景值阈值cpv
t_setg
时，将充电功率设至最大充电功率p
max
；当权重系数ωg＞1时，表征用户更重视soc，推迟出发时刻至soc
l g
满足cpv
socg
＞cpv
soc_setg
；当权重系数ωg＜1时，表征用户更重视时间，提前出发时间至当前时刻；
[0061]
当cpv
socg
＜cpv
soc_setg
，cpv
tg
＞cpv
t_setg
时，将充电功率设至充电桩可提供最大充电功率p
max
，并适当推迟出行时刻；
[0062]
当cpv
socg
＞cpv
soc_setg
，cpv
tg
＜cpv
t_setg
，可根据步骤1中的配电网区域的日负荷数据的峰谷情况，适当降低充电功率，并将出行时刻提前至当前时刻，根据重新确定的出行时
刻和对应的交通流状态，根据步骤3中计算的t时刻交通平衡配流模型下的交通流状态，计算出行路径费用的估计值，以出行路径费用估计值最小为目标重新规划出行路径。
[0063]
可引导第g个电动汽车用户调整出行时刻，并调控对应电动汽车用户的当前时刻与出行时刻之间的充电功率，具体如下：
[0064]
在当前时刻，第g个电动汽车用户的soc实时状态小于到达时刻期望的soc上限soc
lming
，则在当前时刻与出发时刻这一时间区间内，以最大功率p
max
进行充电。
[0065]
在当前时刻，第g个电动汽车用户的soc实时状态大于到达时刻期望的soc下限soc
lming
，小于离站时刻期望的soc上限soc
lmaxg
，则在当前时刻与出发时刻这一时间区间内，以0.5p
max
进行充电。
[0066]
在当前时刻，第g个电动汽车用户的soc实时状态大于到达时刻期望的soc上限soc
lmaxg
，说明soc实时状态已达到到达时刻期望的soc上限soc
lmaxg
，此时可以将其充电功率视作0。
[0067]
步骤6，根据步骤5得到的引导后出行决策，调整当前时刻t时刻内所有电动汽车用户g
t
的出行相关参数，通过步骤2所述的用户心理预期效用模型和步骤3所述的交通平衡配流模型，再次评估引导后出行决策下用户的心理预期效用值，并构建用户新的出行决策下的动态交通平衡配流模型，根据步骤3中的当前交通平衡配流模型下的交通流状态，可得到各时刻间交通流的递推关系如下：
[0068][0069][0070][0071]
上式首先定义了t时刻下o-d对(r,s)对应的余流r
trs
，f
k,trs
是在当前时刻t时段交通流的状态中o-d对rs之间第k条路径上的流量，k∈k
rs
，k
rs
为o-d对rs之间存在的有效路径集合；其次在考虑余流下t时刻o-d对(r,s)的交通需求q
trs
的修正，q
trs
为t时刻内从r到s的全部交通需求，由时刻t内所有电动汽车用户g
t
组成，即o-d量，进而保证t时刻内每一个o-d对(r,s)所对应的出行需求q
rs
都能得到满足，q
trs,mod
为修正后的交通需求，r
t-1rs
为t-1时刻下o-d对(r,s)对应的余流，t
k,trs
为路径通行时间，τ为时段长度。
[0072]
因此，本发明具有如下优点：
[0073]
本发明提出的平台，可以应用在充电站的运营软件和地图导航软件中，通过对电动汽车用户出行的决策进行引导，在满足用户出行需求的前提下，不仅能够降低交通拥堵概率和电动汽车出行耗电量，提升用户的出行体验，还能降低电网峰谷差，实现电网与交通网协同运行。
附图说明
[0074]
图1：是考虑多参考点的时间价值函数。
[0075]
图2：是ev的soc和出行时刻关系示意图。
[0076]
图3：是考虑用户心理预期的出行引导策略。
[0077]
图4：是考虑用户出行引导的动态交通平衡配流模型求解流程图。
[0078]
图5：是平台所应用的电网-交通网耦合网络示意图。
[0079]
图6：是经平台引导前后用户心理预期效用值对比。
[0080]
图7：是经平台引导前后用户出行决策的soc、耗电、耗时对比。
[0081]
图8：是经平台引导前后配电网区域的负荷曲线对比。
[0082]
图9：是本发明方法流程图。
具体实施方式
[0083]
下面通过实施例，并结合附图1-9，对本发明的技术方案作具体说明。
[0084]
首先介绍本发明的第一具体实施方式：
[0085]
一种基于动态交通流和用户心理的电动汽车出行引导平台，其特征在于，包括以下步骤：
[0086]
步骤1，引入充电桩的额定充电功率、电动汽车用户的出行决策相关参数以及每个电动汽车用户的交通配电网络相关参数；
[0087]
步骤1所述电动汽车用户的出行决策相关参数包括：每个电动汽车用户的目的地，每个电动汽车用户的早到参考时刻，每个电动汽车用户的偏好参考时刻，每个电动汽车用户的晚到参考时刻，每个电动汽车用户的初始soc，每个电动汽车用户的到达时刻期望的soc上限，每个电动汽车用户的到达时刻期望的soc下限，每个电动汽车用户的离站时刻期望的soc上限，每个电动汽车用户的离站时刻期望的soc下限，每个电动汽车用户的预期离开充电站时间，和每个电动汽车用户的soc/时间权重系数；
[0088]
步骤1所述每个电动汽车用户的交通配电网络相关参数包括：
[0089]
配电网的拓扑及节点间关系,交通网的拓扑及节点间关系，配电网区域的日负荷数据，交通路段的载流量,交通路段的自由通行时间，当前时刻t时段交通流的状态；
[0090]
步骤2，根据每个电动汽车用户的早到参考时刻，每个电动汽车用户的偏好参考时刻，每个电动汽车用户的晚到参考时刻，每个电动汽车用户的初始soc，每个电动汽车用户的到达时刻期望的soc上限，每个电动汽车用户的到达时刻期望的soc下限，每个电动汽车用户的离站时刻期望的soc上限，每个电动汽车用户的离站时刻期望的soc下限，每个电动汽车用户的预期离开充电站时间，和每个电动汽车用户的soc/时间权重系数，构建电动汽车用户心理预期效用模型。
[0091]
步骤2所述电动汽车用户心理预期效用模型由电动汽车用户时间价值函数模型、电动汽车用户soc价值函数模型构成，则第g个电动汽车用户的心理预期效用模型，g∈g,g为引导时段内所有电动汽车用户，具体如下：
[0092]
valueg＝v
tg
+w
gvsocg
[0093]
其中，valueg表示第g个电动汽车用户心理预期效用值，v
tg
表示第g个电动汽车用户时间价值函数模型，v
socg
表示第g个电动汽车用户soc价值函数模型，wg为第g个电动汽车用户的soc/时间权重系数；
[0094]
所述电动汽车用户时间价值函数模型，第g个电动汽车用户的时间价值函数，具体定义如下：
[0095][0096]
式中：v
tg
为第g个电动汽车用户的时间价值函数值，γ1为面对时间价值损失时的风险敏感系数，γ2为面对时间价值收益时的风险敏感系数，t
i,ja g
为第g个电动汽车用户从充电站i到目的地j的时间，t
rmin g
为第g个电动汽车用户的早到参考时刻，t
rmax g
为第g个电动汽车用户的晚到参考时刻、t
rp g
为第g个电动汽车用户的偏好到达时间，且t
rmin g
《t
rpg
《t
rmax g
；
[0097]
所述电动汽车用户soc价值函数模型，第g个电动汽车用户的soc价值函数具体定义如下：
[0098][0099][0100][0101]
式中，为向下取整运算，μ1为面对soc价值损失时的风险敏感系数，μ2为面对soc价值收益时的风险敏感系数，v
socl g
为第g个电动汽车用户的离站时刻的soc价值函数，v
soca g
为第g个电动汽车用户的到达时刻的soc价值函数，soc
maxl g
为第g个电动汽车用户的离站时刻期望的soc上限，soc
minl g
为第g个电动汽车用户的离站时刻期望的soc下限，soc
maxa g
为第g个电动汽车用户的到达时刻期望的soc上限，soc
mina g
为第g个电动汽车用户的到达时刻期望的soc下限，soc
l g
为电动汽车用户离站时的实际soc，soc
a g
为电动汽车用户抵达目的地时的实际soc。soc
l g
可以通过第g个电动汽车用户的初始soc、第g个电动汽车用户的预期离开充电站时间、充电桩的额定充电功率计算得到。
[0102]
步骤2所述电动汽车用户心理预期效用模型，第g个电动汽车用户的心理预期效用函数具体如下：
[0103]
cpvg＝cpv
tg
+ωgcpv
socg
[0104]
式中：cpvg为第g个电动汽车用户的心理预期效用值，为第g个电动汽车用户的心理预期效用值，n为第g个电动汽车用户不确定的出行备选方案数，π
ig
为第g个电动汽车
用户第i种出行备选方案可能发生的概率权重函数值；
[0105]
步骤3，基于步骤1中每个电动汽车用户的出行决策相关参数中的电动汽车用户的目的地，和步骤1中的交通网的拓扑及节点间关系、交通路段的载流量、交通路段的自由通行时间，当前时刻t时段交通流的状态，构建交通平衡配流模型；
[0106]
步骤3所述交通平衡配流模型包括：
[0107]
电动汽车用户出行o-d对的路径选择模型、路段和路径流量关联矩阵、电动汽车路段行驶时间、出行路径费用和出行路径选择条件；
[0108]
根据第g
t
个电动汽车用户(g
t
∈g
t
,g
t
为引导时段t内所有电动汽车用户)的目的地和交通网的拓扑及节点间关系，可得引导时段t内所有电动汽车用户g
t
出行o-d对的路径选择模型：
[0109]
假设在时段区间τ内，交通流各路段的估计通行费用和出行者的出行需求近似不变，在t时段，o-d需求配流完成时，某个o-d对之间所有被选用的路径满足以下关系：
[0110][0111]
其中，f
k,trs
是在当前时刻t时段交通流的状态中o-d对rs之间第k条路径上的流量，k∈k
rs
，k
rs
为o-d对rs之间存在的有效路径集合，q
trs
为t时段内从r到s的全部交通需求，由时刻t内所有电动汽车用户g
t
组成，即o-d量，进而保证t时刻内每一个o-d对(r,s)所对应的出行需求q
rs
都能得到满足。
[0112]
根据步骤1中的交通网的拓扑及节点间关系可得路段和路径流量关联矩阵：
[0113]
在t时刻路段流量x
a,t
与路径流量f
k,trs
可以通过关联矩阵δ
a,krs
联系起来：
[0114][0115]
δ
a,krs
表示路段与路径之间的关联系数，路段a在连接o-d对rs的第k条路径上，则δ
a,krs
＝1，否则δ
a,krs
＝0；
[0116]
所述电动汽车用户路段行驶时间：
[0117]
根据交通路段的载流量、交通路段的自由通行时间、当前时刻t时刻交通流的状态可以确定t时刻电动汽车在路段a行驶的时间ta(x
a,t
)计算公式如下：
[0118][0119]
其中，t
a0
是路段a的自由通行时间，x
a,t
为t时刻路段a上的流量，ca是路段a的载流量。
[0120]
所述出行路径费用：
[0121]
t时刻出行路径费用估计值c
k,trs
如下所示:
[0122][0123]
所述出行路径选择条件：
[0124]
因此，在t时刻连接o-d对rs之间的路径k被用户选中的充要条件如下所示：
[0125][0126]
其中，c
mrs
为o-d对rs任意其他路径m的出行路径费用估计值。
[0127]
基于用户均衡的出行路径选择原则如下：
[0128][0129]
其中，μ
rs
表示交通网络平衡状态下o-d对rs之间的最小出行费用，f
krs
、c
krs
表示o-d对rs之间第k条路径上的流量和出行费用。
[0130]
t时刻交通平衡配流模型下的交通流状态可描述为如下数学规划模型：
[0131][0132]
其中q
trs
为t时刻内从r到s的全部交通需求，由时刻t内所有电动汽车用户g
t
组成，s
trs
[c
trs
]为t时刻o-d对rs之间的期望估计费用，x
a,t
为t时刻路段a上的流量，t
a,t
(x
a,t
)为t时刻电动汽车在路段a行驶的时间，ta(w)为路段行驶时间，随t时刻路段流量x
a,t
变化，e[]表示期望。
[0133]
根据步骤1中的当前时刻t交通流的状态以及每个电动汽车用户的出行路径选择，可通过数学规划优化算法求解，获得t时刻交通平衡配流模型下的交通流状态。
[0134]
步骤4，计算用户心理预期效用值和用户心理预期效用阈值；
[0135]
根据步骤1中输入的当前的交通流状态和第g个电动汽车用户的出行决策相关参数，通过步骤2所述的用户心理预期效用模型和步骤3所述的交通平衡配流模型，计算第g个电动汽车用户当前出行决策下的心理预期效用值；根据步骤2中的用户心理预期效用模型，以及由步骤3得到当前交通平衡配流模型下的交通流状态，得到步骤2中第g个电动汽车用户的综合价值函数值，即为用户心理预期效用阈值，g∈g
t
,g
t
为当前时刻t时刻内所有电动汽车用户；
[0136]
步骤5，根据步骤1中输入的当前时刻t时刻交通流的状态和第g个电动汽车用户的出行相关参数，g∈g
t
,g
t
为当前时刻t时刻内所有电动汽车用户，步骤4中得到的用户心理预期效用值与用户心理预期效用阈值两者之间差值，若差值超出允许的最小范围，则对对应第g个电动汽车用户出行决策进行引导，得到引导后出行决策：当心理预期效用值cpvg大于心理预期效用阈值cpv
setg
时，可按用户预设出行决策直接出行，无需接受引导；当cpvg小于心理预期效用阈值cpv
setg
时，制定相应的出行引导策略：根据cpvg结果对出行决策进行引导：
[0137]
当soc累积前景值cpv
socg
＜soc累积前景值阈值cpv
soc_setg
，时间累积前景值cpv
tg
《时间累积前景值阈值cpv
t_setg
时，将充电功率设至最大充电功率p
max
；当权重系数ωg＞1时，表征用户更重视soc，推迟出发时刻至soc
l g
满足cpv
socg
＞cpv
soc_setg
；当权重系数ωg＜1时，表征用户更重视时间，提前出发时间至当前时刻；
[0138]
当cpv
socg
＜cpv
soc_setg
，cpv
tg
＞cpv
t_setg
时，将充电功率设至充电桩可提供最大充电功率p
max
，并适当推迟出行时刻；
[0139]
当cpv
socg
＞cpv
soc_setg
，cpv
tg
＜cpv
t_setg
，可根据步骤1中的配电网区域的日负荷数据的峰谷情况，适当降低充电功率，并将出行时刻提前至当前时刻，根据重新确定的出行时刻和对应的交通流状态，根据步骤3中计算的t时刻交通平衡配流模型下的交通流状态，计算出行路径费用的估计值，以出行路径费用估计值最小为目标重新规划出行路径。
[0140]
可引导第g个电动汽车用户调整出行时刻，并调控对应电动汽车用户的当前时刻与出行时刻之间的充电功率，具体如下：
[0141]
在当前时刻，第g个电动汽车用户的soc实时状态小于到达时刻期望的soc上限soc
lming
，则在当前时刻与出发时刻这一时间区间内，以最大功率p
max
进行充电。
[0142]
在当前时刻，第g个电动汽车用户的soc实时状态大于到达时刻期望的soc下限soc
lming
，小于离站时刻期望的soc上限soc
lmaxg
，则在当前时刻与出发时刻这一时间区间内，以0.5p
max
进行充电。
[0143]
在当前时刻，第g个电动汽车用户的soc实时状态大于到达时刻期望的soc上限soc
lmaxg
，说明soc实时状态已达到到达时刻期望的soc上限soc
lmaxg
，此时可以将其充电功率视作0。
[0144]
步骤6，根据步骤5得到的引导后出行决策，调整当前时刻t时刻内所有电动汽车用户g
t
的出行相关参数，通过步骤2所述的用户心理预期效用模型和步骤3所述的交通平衡配流模型，再次评估引导后出行决策下用户的心理预期效用值，并构建用户新的出行决策下的动态交通平衡配流模型，根据步骤3中的当前交通平衡配流模型下的交通流状态，可得到各时刻间交通流的递推关系如下：
[0145][0146][0147][0148]
上式首先定义了t时刻下o-d对(r,s)对应的余流r
trs
，f
k,trs
是在当前时刻t时段交通流的状态中o-d对rs之间第k条路径上的流量，k∈k
rs
，k
rs
为o-d对rs之间存在的有效路径集合；其次在考虑余流下t时刻o-d对(r,s)的交通需求q
trs
的修正，q
trs
为t时刻内从r到s的全部交通需求，由时刻t内所有电动汽车用户g
t
组成，即o-d量，进而保证t时刻内每一个o-d对(r,s)所对应的出行需求q
rs
都能得到满足，q
trs,mod
为修正后的交通需求，r
t-1rs
为t-1时刻下o-d对(r,s)对应的余流，t
k,trs
为路径通行时间，τ为时段长度。
[0149]
进一步介绍本发明的第二具体实施方式为一种基于动态交通流和用户心理的电动汽车出行引导平台。
[0150]
具体包括以下步骤：
[0151]
步骤1，引入每个电动汽车用户的出行决策相关参数以及交通网络、配电网络相关参数；
[0152]
步骤1所述每个电动汽车用户的出行决策相关参数包括：每个电动汽车用户的早到参考时刻，每个电动汽车用户的偏好参考时刻，每个电动汽车用户的晚到参考时刻，每个电动汽车用户的初始soc，每个电动汽车用户的到达时刻期望的soc上限，每个电动汽车用户的到达时刻期望的soc下限，每个电动汽车用户的离站时刻期望的soc上限，每个电动汽车用户的离站时刻期望的soc下限，每个电动汽车用户的预期离开充电站(出发)时间、预期到达目的地时间，和每个电动汽车用户的soc间权重系数w；步骤1所述交通网络、配电网络相关参数包括：交通网的拓扑及节点间关系，配电网区域的日负荷数据，交通路段的载流量,交通路段的自由通行时间，当前时刻交通流的状态。
[0153]
步骤2，根据步骤1所述的当前时刻交通流的状态、步骤1中所述每个电动汽车用户
的出行决策相关参数，构建用户心理预期效用模型。
[0154]
步骤2所述心理预期效用模型包括价值函数、概率权重函数、累积决策权重函数、心理预期效用映射函数、累积前景值和综合价值函数值。具体如下：
[0155]
在活动出行行为中，由于用户在出行前的soc存在不确定性，出行需求的到达目的地时刻较通勤行为更为灵活，另外出发地和目的地充电成本也可能存在差异，因此用户对出行的soc和时间存在各异的心理预期。电动汽车用户出行的决策与多种因素有关，主要分为出发和到达时刻和对应ev的soc两类。而交通网的拥堵情况，既会影响用户出发时刻的选择和抵达的实际时刻，也会影响ev在离站和抵达时的soc。因此，用户在出行过程中将根据不同出行方式、出发时刻及出行路径前景进行出行选择，且用户在选择时通常追求“满意”而非最优，可用累积前景理论对用户心理预期效用进行建模。
[0156]
价值函数v(x)：
[0157]
参考点是前景理论的一个重要参数，衡量决策者的心理预期。价值函数反映了“收益”或“损失”结果与决策者主观满足大小之间的函数关系，定义如下：
[0158][0159]
其中，x0为决策者的参考点；α,β∈(0,1]为风险敏感系数，当α,β＝1时，表明决策者对决策事件持风险中立态度，λ＞1衡量损失规避程度，越大则意味着对等量损失越敏感，损失规避程度越大，该参数由tversky和kahneman标定，α＝β＝0.88，λ＝2.25。
[0160]
概率权重函数w(p)：
[0161]
在前景理论中，严格单调递增的概率权重函数具体如下：
[0162]
当面对“收益”时：
[0163][0164]
当面对“损失”时：
[0165][0166]
其中，w
+
(0)＝w
﹣
(0)＝0，w
+
(1)＝w
﹣
(1)＝1。γ,δ反映概率权重函数曲线的曲率，p为结果发生概率，w
+
(p),w
﹣
(p)对应面临“收益”和“损失”时的主观感知概率。
[0167]
累积决策权重函数：
[0168]
假设备选方案由一系列组合(xi,pi)构成，且﹣m≤i≤n。面临“收益”或“损失”的累积决策权重函数和可以表示为：
[0169][0170][0171]
其中，pi表示第i种情形发生的概率，pn表示第n种“收益”的情形对应概率值；pm表示第m种“损失”的情形对应的概率值。由tversky和kahneman标定，γ＝0.61，δ＝0.69。
[0172]
心理预期效用映射函数：
[0173]
确定了参考点，价值函数v(x)以及概率权重函数w(p)，进而根据备选方案确定决策权重函数π(
·
)，计算cpv。假设z为决策者的心理状态集合，表示某一种心理状态，r表示结果的集合，即决策者做决策的所有可能发生结果的集合，即可能“收益”或“损失”的结果。定义一个函数h，h:z
→
r表示从心理状态到可能发生结果的映射。那么，基于累积前景理论，有以下计算公式成立：
[0174][0175][0176]
累积前景值：
[0177]
累积前景值cpv可表示为：
[0178]
cpv(h)＝cpv(h
+
)+cpv(h-)
ꢀꢀ
(8)
[0179][0180][0181]
其中，cpv(h)表示整体的累积前景值；cpv(h
+
)表示“收益”部分的累积前景值；cpv(h-)表示“损失”部分的累积前景值。
[0182]
综合价值函数值：
[0183]
该心理预期效用模型的综合价值函数value分为时间价值函数v
t
和soc价值函数v
soc
两部分，且value＝v
t
+wv
soc
，其中w为综合价值权重系数，根据用户的心理预期比重确定，权衡用户对soc和时间之间的决策比重。一部分为时间价值函数v
t
，根据交通配流和出行分布模型，可令出行用户给定从出发点i到目的地j，出行需求的预期出发时刻t
ijl
，以及预期离站出发时的soc区间值，可根据预期出行时刻与当前时间，计算出预期出发时刻的荷电状态，记作soc
l
，再根据交通流分布，确定的出行路径，计算预期到达时刻t
ija
和耗电量δsoc，进而确定抵达时的soc，记作soca，有δsoc＝soc
l
﹣soca。
[0184]
对于时间价值函数，如图1所示，用户通常存在三个时间参考点：可接受的最早到达时间t
rmin
，可接受的最晚到达时间t
rmax
以及较接近t
rmax
的偏好到达时间t
rp
，且t
rmin
《t
rp
《t
rmax
；对应soc价值函数，为避免用户在充电、出行过程中电池过充过放，对电池使用寿命产生不利影响，以及考虑充电服务费用差异，将用户预期分为离站时的soc价值函数v
socl
和到达目的地时的soc价值函数v
soca
，其soc的参考点分为离站时的最大、最小值soc
lmax
、soc
lmin
，抵达时的最大、最小值soc
amax
、soc
amin
。则考虑多参考点的综合价值函数如下所示：
[0185]
value＝v
t
+ωv
soc
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0186]
式中，value为综合价值函数值，v
t
为时间价值函数，v
soc
为soc价值函数，ω为权重系数，表征用户在时间和soc之间的权衡。
[0187]
时间价值函数v
t
如下式所示：
[0188][0189]
式中：γ1＝0.69，γ2＝0.61。
[0190]
soc价值函数v
soc
如下式所示：
[0191][0192]
式中：
[0193][0194][0195]
式中为向下取整运算，μ1＝γ1，μ2＝γ2。
[0196]
基于式(1)-(13)，用户出行的心理预期效用模型如下：
[0197]
cpv(ev)＝cpv
t
+ωcpv
soc
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0198]
式中：cpv为用户的心理预期效用值(累积前景值)，式中：cpv为用户的心理预期效用值(累积前景值)，其中n为用户不确定的出行备选方案数，πi为每种出行备选方案可能发生的概率权重函数值。
[0199]
因此，用户在进行出行决策时，根据出行需求给出soc
l
，soca，t
ijl
和t
ija
的相关参考点，进而根据交通流确定出行路径，通过考虑多参考点的用户心理预期效用模型评估出行决策，根据式(2)-(14)确定出行决策是否满足用户的预期，假如累积前景值的预期值大于设定阈值cpv
set
，则可以按原决策出行；否则，将接受出行引导策略，调整出行决策。
[0200]
步骤3，基于步骤1中每个电动汽车用户的出行决策相关参数，和步骤1中的当前时刻交通流的状态，构建动态交通平衡配流模型；
[0201]
步骤3所述动态交通平衡配流模型包括用户出行o-d对的路径选择模型、路段和路径流量关联矩阵、电动汽车路段行驶时间、出行路径费用和出行路径选择条件，具体如下：
[0202]
在实际的出行过程中，出行者对交通网络状况并不可能完全了解，因此，将路径费用视为一个随机变量。在出行实施的过程中，出行者总是选择最小估计费用的路径出行。个人行为的变化导致了交通流量在路网上的分配变化，即动态分配模型。当交通流达到平衡
时，任何一个出行者都不可能通过单方面改变出行路径来减少自己的估计费用。
[0203]
用户出行o-d对的路径选择模型：
[0204]
假设在时段区间τ内，交通流各路段的估计通行费用和出行者的出行需求近似不变，则在t时段，o-d需求配流完成时，某个o-d对之间所有被选用的路径满足以下关系：
[0205][0206]
其中f
k,trs
是在t时段o-d对rs之间第k条路径上的流量，k∈k
rs
，k
rs
为o-d对rs之间存在的有效路径集合，q
trs
为在所研究时段内从r到s的全部交通需求，即o-d量，进而保证每一个o-d对(r,s)所对应的出行需求q
rs
都能得到满足。
[0207]
路段和路径流量关联矩阵：
[0208]
在t时段路段流量x
a,t
与路径流量f
k,trs
可以通过关联矩阵δ
a,krs
联系起来：
[0209][0210]
δ
a,krs
表示路段与路径之间的关联系数，路段a在连接o-d对rs的第k条路径上，则δ
a,krs
＝1，否则δ
a,krs
＝0；
[0211]
电动汽车路段行驶时间：
[0212]
确定t时段电动汽车在路段a行驶的时间ta(x
a,t
)计算公式如下：
[0213][0214]
其中，t
a0
是路段a的自由通行时间，x
a,t
为t时刻路段a上的流量，ca是路段a的通行能力。
[0215]
出行路径费用：
[0216]
在出行路径费用的表征上，仅考虑出行路径的行驶时间。t时段出行路径费用c
k,trs
的估计值c
k,trs
如下所示:
[0217][0218]
出行路径选择条件：
[0219]
因此，在t时段连接o-d对rs之间的路径k被用户选中的充要条件如下所示：
[0220][0221]
其中，c
mrs
为o-d对rs任意其他路径m的出行路径费用估计值。
[0222]
基于“用户均衡”的出行路径选择原则如下：
[0223][0224]
其中，μ
rs
表示交通网络平衡状态下o-d对rs之间的最小出行费用，f
krs
、c
krs
表示o-d对rs之间第k条路径上的流量和出行费用。
[0225]
根据步骤1中的当前时刻交通流的状态以及每个电动汽车用户的出行路径选择获得当前交通平衡配流模型下的交通流状态。
[0226]
步骤4，计算用户心理预期效用值和用户心理预期效用阈值。
[0227]
根据步骤1中输入的当前的交通流状态和每个电动汽车用户的出行相关参数，确定用户当前出行决策，通过步骤2所述的用户心理预期效用模型和步骤3所述的动态交通平
衡配流模型，计算当前出行决策下用户的心理预期效用值；根据步骤1中每个电动汽车用户的到达时刻期望的soc下限，离站时刻期望的soc下限，预期离开充电站时间、预期到达目的地时间参考点，基于步骤2中的用户心理预期效用模型，以及由步骤3得到当前交通平衡配流模型下的交通流状态得到的步骤2中的综合价值函数值，即为用户心理预期效用阈值。
[0228]
主要从出行时间和soc两个方面计算用户心理预期效用。通过用户自设参数和路网交通流状态进行ev计划出行决策，进而计算用户心理预期效用cpv。
[0229]
步骤5，根据步骤1中输入的当前交通流状态和电动汽车用户出行相关参数，以及步骤4中得到的用户心理预期效用值与用户心理预期效用阈值两者之间差值，若差值超出允许的最小范围，则对对应的用户出行决策进行引导，得到引导后出行决策。
[0230]
当时间累积前景值不满足阈值时，可以通过提前或者推迟出行时刻，适当避免交通流恶化导致的通行时间成本增加；当soc累积前景值不满足阈值时，也可通过推迟或者提前出发时刻以及控制充电功率，以优化soc，进而提高用户心理预期。因此，ev的soc与出行时刻存在如图2的关系：从用户的出行时刻和soc两个方面，根据用户心理预期效用值，调整用户出发前的充电功率或出发时刻。
①
当用户正常出行时，在出行前以充电功率p1进行充电，即可达到预期的soc
l
，并按用户预计出行时间正常出行，此时p1≤p
max
；
②
当用户的出行估计耗时过大时，提前出行时刻，此时当前时刻至出发时刻的充电时间减少，通过提高充电功率p
x
，使得soc
l’达到原先预期的soc
l
；
③
当用户的出行估计耗电过大时，推后出行时刻，此时当前时刻至出发时刻的充电时间增加，充电功率p1保持不变，通过增加充电时长，使得soc
l”＞soc
l
。因此，当提前或推后出发时刻时，可以通过增加充电功率和延长充电时间来维持和提升soc
l
。
[0231]
具体的引导方式如下：当心理预期效用值cpv大于阈值cpv
set
时，可按用户预设出行决策直接出行，无需接受引导；当cpv小于阈值cpv
set
时，制定相应的出行引导策略：根据cpv结果对出行决策进行引导：(1)当soc累积前景值cpv
soc
＜soc累积前景值阈值cpv
soc_set
，时间累积前景值cpv
t
《时间累积前景值阈值cpv
t_set
时，将充电功率设至最大充电功率p
max
；当权重系数ω＞1时，表征用户更重视soc，推迟出发时刻至soc
l
满足cpv
soc
＞cpv
soc_set
；当权重系数ω＜1时，表征用户更重视时间，提前出发时间至当前时刻；(2)当cpv
soc
＜cpv
soc_set
，cpv
t
＞cpv
t_set
时，将充电功率设至p
max
，并适当推迟出行时刻；(3)当cpv
soc
＞cpv
soc_set
，cpv
t
＜cpv
t_set
，可调控充电功率，并将出行时刻提前至当前时刻。根据重新确定的出行时刻和对应的交通流状态，根据步骤3中的交通平衡配流模型计算出行路径费用的估计值，以出行路径费用估计值最小为目标重新规划出行路径。
[0232]
因此，可引导对应电动汽车用户调整出行时刻，并调控对应电动汽车用户的当前时刻与出行时刻之间的充电功率：
[0233]
(1)在当前时刻，soc实时状态小于离站时刻期望的soc下限soc
lmin
，则在当前时刻与出发时刻这一时间区间内，以最大功率p
max
进行充电。
[0234]
(2)在当前时刻，soc实时状态大于离站时刻期望的soc下限soc
lmin
，小于离站时刻期望的soc上限soc
lmax
，则在当前时刻与出发时刻这一时间区间内，以0.5p
max
进行充电。
[0235]
(3)在当前时刻，soc实时状态大于离站时刻期望的soc上限soc
lmax
[0236]
soc实时状态已达到用户的预期soc
lmax
，此时可以将其充电功率视作0。
[0237]
出发时刻不同，对应不同交通流状态，通行成本差异导致提前和推后出行时刻均
有可能减小出行的耗时和耗电量，提升用户的出行体验。考虑用户心理预期的出行引导策略如图3所示。
[0238]
步骤6，根据步骤5得到的引导后出行决策，调整电动汽车用户的出行相关参数，通过步骤2所述的用户心理预期效用模型和步骤3所述的动态交通平衡配流模型，再次评估引导后出行决策下用户的心理预期效用值，并构建用户新的出行决策下的动态交通平衡配流模型，根据步骤3中的当前交通平衡配流模型下的交通流状态以及下述公式求解得到不同时刻间交通流状态的联系，利用数学规划优化算法，得到新的交通流。
[0239]
由式(18)-(20)可知，出行路径费用c
k,trs
会影响出行用户在确定o-d对下的路径选择，即决定用户的出行决策，从而影响路径选择，路径流量f
krs
也将随之改变，而路径流量会影响出行路径费用c
k,trs
，进而以达到考虑用户随机出行需求的交通配流平衡，使得优化目标出行路径费用和用户出行费用最低。交通平衡配流模型可描述为如下数学规划模型：
[0240][0241]
其中s
trs
[c
trs
(x)]为t时段o-d对rs之间的期望估计费用，
[0242]
考虑交通流在时段间的传播动态，即余流现象，而每个时段内仍近似为一个静态的交通平衡配流模型。则各时段间交通流的递推关系如下：
[0243][0244][0245][0246]
式(22)定义了t时段o-d对(r,s)对应的余流r
trs
，其表示在t时段结束时还未到达目的地的、需要在(t+1)时段考虑的出行流量；余流r
trs
由路径流量f
k,trs
、路径通行时间t
k,trs
和时段长度τ决定；式(23)是在考虑余流下t时段o-d对(r,s)的交通需求q
trs
的修正，q
trs,mod
为修正后的交通需求，式(24)类似式(15)，保证每一个o-d对(r,s)所对应的出行需求q
rs
都能得到满足。考虑用户出行引导的动态交通平衡配流模型的求解流程图如图4所示。
[0247]
以图5所示的电网-交通网耦合网络示意图为例，说明本发明所提的电动汽车出行引导平台的有效性。
[0248]
ev相关参数设置及ev用户参数抽样概率分布如表1、表2所示。交通网和电网的相关参数和配电网基础负荷值如表3、表4所示。
[0249]
表1仿真参数设置
[0250][0251]
表2 ev用户参数抽样概率分布
[0252][0253][0254]
表3交通网和电网的相关参数
[0255][0256]
表4配电网基础负荷值
[0257][0258]
图6-9为经平台引导前后用户心理预期效用值对比、用户出行决策的soc/耗电/耗时对比、路网交通流状态对比和配电网区域的负荷曲线对比，所研究时段内路网平均流量降低了5.4％，路段最大流量21：30分第12条路段从67辆降为56辆，降低了16.4％，路网交通流分布相对引导前更均衡，各路段流量分布更平缓，研究时段平均负荷4752kw。引导策略分为调整出行时刻和优化充电功率，其中调整出行指的是根据用户心理预期效用值对ev出行时刻进行调整，优化指的是控制充电功率。不调整ev出行，不优化充电功率时的ev充电负荷为462kw；调整ev出行，不优化充电功率时的ev充电负荷为407kw；不调整ev出行，优化充电功率时的ev充电负荷为425.9kw；调整ev出行，优化充电功率时的ev充电负荷为333.5kw。通过引导策略，可降低128.5kw的充电负荷，在满足用户出行需求的前提下可降低27.8％的充电负荷，削峰率达2.46％。可以看出，对用户出行决策进行引导时，可以提高用户的心理预期效用值，且调整用户出行时刻、优化ev充电功率均可有效降低峰谷差，结果说明了本发明所建设平台的有效性，可降低ev用户的出行拥堵概率，以及降低电网的充电负荷。
[0259]
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
[0260]
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本
发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。