中国储能网讯：
01研究背景
近年来，电动汽车在汽车市场上的规模不断扩大，受到中国政府部门、能源企业以及汽车制造商的关注。电动汽车用户行为习惯、各类型电动汽车保有量的变化、电动汽车类型以及充电站选址等因素会导致电动汽车堆积在某一个或某些特定的充电站，特别是在充电行为高峰期。为了适应电动汽车数量和充电需求的急剧增长，从电动汽车用户视角出发，提出了一种在车联网环境下的电动汽车主动充电引导模型。
02 研究内容
2.1 电动汽车主动充电引导架构
本文提出的车联网环境下的电动汽车主动充电引导方法从用户角度出发，目标是最小化用户的时间成本（见式（1）），其架构如图1所示。
图1 车联网环境下电动汽车主动充电引导方法架构
2.2 基于改进A*算法的动态路径规划
针对已知项G(i)，在城市道路中，由于红绿灯广泛存在，故本文引入红绿灯机制，将红绿灯等待时间设置为节点权值，加入已有项G(i)中。针对预估项H(i)，传统A*算法采用当前点到目标点的欧氏几何距离作为预估项，但在实际生活中，车主大多会倾向于选择调头较少的路径，即不走回头路。因此，本文在欧氏距离的基础上加入回头路惩罚项。基于改进A*算法的动态路径规划算法流程如图3所示。
图3 基于改进A*算法的动态路径规划算法流程
2.3 基于深度置信网络的电动汽车到达量预测
根据历史数据可以发现，在相同日类型下，电动汽车到达量的变化趋势相似，考虑到电动汽车用户充电行为的随机性和实时性，鉴于神经网络模型在非线性建模、噪声容错、泛化能力等方面的突出优势，本文采用基于深度置信网络（DBN）的单位时间电动汽车到达量短期预测模型。本文选取的模型输入特征为历史车辆到达情况、时间、气象情况、环境温度、日类型、交通状况等6类。DBN结构如图4所示。
图4 DBN结构示意图
2.4 电动汽车充电站等待时间预测
03 算例分析
本文选取中国南京市中心区域城市路段进行实例分析，地图数据来源于开源平台OpenStreetMap，并通过开源地理信息系统QGIS进行处理，其中，共有149个路口节点、233条道路、5个充电站节点。
图5展示了基于改进A*算法的动态路径规划算法实验结果。结果表明，本文方法虽然选择了路程较长的路径，但是成功绕过拥堵路段。动态规划路线路径行驶时间为429.2 s，静态规划算法路径行驶时间为496.8 s。本文算法可以实现车辆实时引导，规避交通拥堵路段，实现最小化通行时间。
图5 基于改进A*算法的动态路径规划算法与静态Dijkstra算法结果比较
表1展示了所提算法和Dijkstra传统路径规划算法在计算效率上的对比，结果表明，改进A*算法由于增加了方向性限制，减少了无效的空间搜索，较Dijkstra全局静态路径规划算法计算效率提高了73.67%，采用小根堆结构的改进A*算法将寻找F(·)最小值的时间复杂度从O(n)下降为O(log n)，故其计算效率进一步提高。
表1 区域内随机5 000次路径规划不同算法计算时间花费
表2展示了分别用本文所述DBN模型、随机森林(RF)、支持向量机(SVM)、决策树(DT)充电站电动汽车短时到达量预测结果。结果表明，DBN相比于其他3种算法，其平均绝对误差（MAE）和均方根误差（RMSE）均较低，且误差可以接受，该算法可深入挖掘车辆到达率与输入特征间的关系，精度相对较高，可以用于预测电动汽车充电站的到达率。
表2 不同预测算法性能比较
表3展示了区域内随机生成充电需求，采用本文所提主动充电引导算法与静态引导算法充电结果的对比。结果表明，本文所提主动充电引导方案在减少路途时间以及减少充电站等待时间方面都效果显著。路径行驶时长下降18.49%，充电站排队等待时间下降31.67%，充电综合时长下降27.27%，验证了本文所提电动汽车主动充电引导方案在车联网及城市路网背景下的有效性。
表3 主动充电引导算法与静态引导算法充电结果对比
04 结 语
本文利用车联网环境下电动汽车动态信息，提出了一种基于改进A*路径规划与排队论的电动汽车主动充电引导模型。融入红绿灯等待时间和不走回头路思想，改进城市路径规划A*算法中的已有项G(·)和估算项H(·)，利用实际路网状态信息更新路网时空状态矩阵，求解电动汽车充电路程花费时间，确保电动汽车在到达下一个节点前获取最优规划行驶路径。确定充电站到达车辆数以及电动汽车充电时长分布，基于DBN预测电动汽车到达量，确定更新策略，采用排队论M/G/k模型，利用MC采样预测短时内电动汽车充电等待时间。根据电动汽车充电路程花费时间和电动汽车充电等待时间，提出电动汽车主动充电引导方法。
