金志剛，胡 怡，李 根，岳順民

面向“代客加電”服務(wù)的電動汽車充電引導(dǎo)策略

金志剛1,2，胡 怡1,2，李 根1,2，岳順民3

(1.天津大學(xué)電氣自動化與信息工程學(xué)院，天津 300072；2.智能電網(wǎng)教育部重點實驗室(天津大學(xué))，天津 300072；3.國網(wǎng)天津市電力公司，天津 300010)

為解決電動汽車面臨的充電難題，提出面向“代客加電”服務(wù)的電動汽車充電引導(dǎo)策略。首先，充分考慮“代客加電”服務(wù)，對電動汽車充電引導(dǎo)場景及充電影響因素進行分析。其次，以最優(yōu)化電動汽車用戶充電經(jīng)濟成本、代充電服務(wù)側(cè)利益以及充電站設(shè)備利用率為目標建立充電引導(dǎo)模型，并采用改進的灰狼優(yōu)化算法引導(dǎo)電動汽車的充電行為。最后，對某城市主要城區(qū)內(nèi)具有充電需求的電動汽車進行仿真。結(jié)果表明：面向“代客加電”服務(wù)的電動汽車充電引導(dǎo)策略能夠有效減少電動汽車用戶充電經(jīng)濟成本、代駕司機代充電過程中的時間成本以及距離成本，同時實現(xiàn)充電站間設(shè)備利用率均衡分布。

電動汽車；“代客加電”服務(wù)；充電引導(dǎo)策略；多目標優(yōu)化；改進灰狼優(yōu)化算法

0 引言

電動汽車因綠色、低噪及能源利用率高等優(yōu)點得到迅速普及。然而電動汽車也有充電時間長和續(xù)航里程短的缺點，電動汽車大規(guī)模無序充電將對電網(wǎng)運行以及道路交通等方面產(chǎn)生消極影響[1-4]。因此，探索電動汽車新型服務(wù)模式、引導(dǎo)電動汽車充電行為具有理論和實際意義。

電動汽車充電引導(dǎo)是當前研究的熱點課題。根據(jù)充電引導(dǎo)策略的研究主體可以分為以下4類。第1類為“電動汽車—配電網(wǎng)”模型，文獻[5-8]構(gòu)建計及供需兩側(cè)的電動汽車充電引導(dǎo)模型，有效兼顧配電網(wǎng)運行的整體性能以及電動汽車用戶的利益。第2類為“電動汽車—交通網(wǎng)”模型，文獻[9-11]著眼于路網(wǎng)信息以及充電基礎(chǔ)設(shè)施提出充電引導(dǎo)策略。第3類為“電動汽車—交通網(wǎng)—配電網(wǎng)”模型，文獻[12-13]根據(jù)交通網(wǎng)數(shù)據(jù)和電網(wǎng)運行狀態(tài)對電動汽車進行充電導(dǎo)航，既可以改善充電站附近交通擁堵的情況，又可以減少電動汽車充電對配電網(wǎng)性能的負面影響。第4類為“電動汽車—交通網(wǎng)—配電網(wǎng)—充電站”模型，文獻[14-15]考慮電動汽車、交通網(wǎng)、配電網(wǎng)以及充電站間的相互影響，為電動汽車推薦合適的充電站，所建模型能夠同時滿足多方需求。但以上研究均未將電動汽車充電的選擇隨機性造成的充電站設(shè)備利用率不均衡問題納入考慮范圍。

隨著電動汽車規(guī)模不斷擴大，充電引導(dǎo)模型也變得更為復(fù)雜，具有變量維度高、數(shù)量多及變量之間關(guān)系密切等特點[16]。傳統(tǒng)優(yōu)化算法在求解該類問題時存在計算時間復(fù)雜度大、求解精度低等缺點。目前求解該類模型多采用智能優(yōu)化算法，如粒子群算法[17-18]、遺傳算法[19]、蒙特卡羅算法[20]等。然而粒子群算法存在早熟收斂的問題[21]，遺傳算法收斂速度慢且易陷入局部最優(yōu)[22]，蒙特卡羅算法對于確定性問題轉(zhuǎn)化成隨機性問題做的估值處理，喪失了精確性。針對上述算法的缺陷，文獻[23]提出了灰狼優(yōu)化算法，該算法具有穩(wěn)定性強、收斂速度快的特點，被廣泛應(yīng)用在路徑規(guī)劃、聚類分析、調(diào)度指派等領(lǐng)域中。

電動汽車的充電等待時間較長，充電服務(wù)模式機動性與靈活性較差，是制約其推廣普及的主要原因之一。針對上述問題，一些新能源汽車企業(yè)提出了“代客加電”新型電動汽車充電服務(wù)。該服務(wù)主要適用于異地出行不便充電、沒有時間充電以及附近無充電設(shè)備等場景。在“互聯(lián)網(wǎng)+”的驅(qū)動下，“代客加電”服務(wù)是智能電動汽車未來的發(fā)展方向，但目前關(guān)于此方面的學(xué)術(shù)研究還較為匱乏。

針對現(xiàn)有研究的不足，本文進行面向“代客加電”服務(wù)的電動汽車充電引導(dǎo)策略研究。相較于已有研究工作，本文的貢獻和創(chuàng)新點在于：

1) 充分剖析電動汽車充電需求，圍繞充電高效性與便捷性，提出了面向“代客加電”服務(wù)的充電引導(dǎo)新場景。

2) 針對“代客加電”服務(wù)，提出了一種兼顧電動汽車用戶、代駕司機以及充電站多方利益的充電引導(dǎo)模型。

3) 針對電動汽車充電引導(dǎo)模型，提出了一種改進的灰狼優(yōu)化算法進行求解。

1 面向“代客加電”服務(wù)的充電引導(dǎo)場景

1.1 場景描述

隨著全球定位系統(tǒng)、無線通信技術(shù)和移動互聯(lián)網(wǎng)技術(shù)的廣泛應(yīng)用，充電站、電動汽車和交通網(wǎng)之間的實時信息共享已成為可能。圖1為包括調(diào)度中心、代駕司機、待充電汽車和充電站多種參與主體的充電引導(dǎo)場景示意圖。各參與主體之間相互約束，共同影響電動汽車的充電決策。

圖1 充電引導(dǎo)場景示意圖

在面向“代客加電”服務(wù)的充電引導(dǎo)場景中，待充電汽車將充電需求發(fā)送給調(diào)度中心，調(diào)度中心計算總能源需求，并且通過無線網(wǎng)絡(luò)收集路網(wǎng)信息、充電樁信息、代駕司機信息及電動汽車信息，并根據(jù)上述信息為有充電需求的電動汽車推薦合適的代駕司機和充電站，并返回決策結(jié)果。根據(jù)引導(dǎo)決策，代駕司機將電動汽車行駛至相應(yīng)位置充電。否則待充電汽車將重新上傳位置信息或者自主更改目的地，調(diào)度中心再次進行優(yōu)化計算。

1.2 影響因素分析

1) 充電節(jié)點

關(guān)于充電網(wǎng)絡(luò)的收費模式，現(xiàn)有的充電站運營商主要有星星充電、特斯拉和特來電等[14]，不同充電運營商的收費模式有較大差異，同一運營商下不同充電站收費模式也不同。若電動汽車選擇合理的充電站充電，可減少電動汽車充電經(jīng)濟成本。

在充電站的位置布局上，由于不同充電站的充電機數(shù)量不同，電動汽車就近選擇充電站充電，可能需要排隊等候，而選擇其他充電站充電，則不需要排隊。如果能通過比較充電時間，選擇合理的充電站補充能量，可適當減少電動汽車充電時間成本。

2) 交通網(wǎng)

當電動汽車前往充電站充電時，不同行駛路線的交通情況不同，進而影響行駛過程中的時間成本和距離成本。選擇合理的行駛路線可以減少充電帶來的距離成本和時間成本。

3) 充電站

電動汽車選擇充電站存在多樣性和隨機性，易導(dǎo)致大量電動汽車集中在一個充電站內(nèi)充電，從而造成不同充電站充電設(shè)備利用率在整個充電網(wǎng)絡(luò)中分布不均衡，有可能使整個配電網(wǎng)負荷失衡。如果能提前獲知某充電站的運營信息，就能選擇合適的充電站充電。

2 面向“代客加電”服務(wù)的充電引導(dǎo)模型

2.1 模型描述及簡化假設(shè)

建立面向“代客加電”服務(wù)的充電引導(dǎo)模型受各類約束影響。電動汽車用戶主要關(guān)注使用“代客加電”服務(wù)過程中的經(jīng)濟成本；代駕司機希望緩解服務(wù)過程中的里程焦慮，并且提高服務(wù)滿意度；充電運營商則希望避免充電站內(nèi)充電機閑置，提高充電設(shè)備利用率。為準確、全面地描述相關(guān)引導(dǎo)場景，在不影響目標函數(shù)計算的前提下，進行以下假設(shè)。

1) 充電站在前期規(guī)劃時已經(jīng)將電動汽車大規(guī)模充電對配電網(wǎng)的影響考慮在內(nèi)。當各充電站充電機利用率最優(yōu)時，配電網(wǎng)的電壓偏移在安全范圍內(nèi)，故配電網(wǎng)約束不在本文的考慮范圍之內(nèi)。

2) 代駕司機選擇快速充電站進行充電，且充電機的充電功率恒定。

3) 代駕服務(wù)方力求縮短單次服務(wù)時間，從而提高用戶側(cè)的服務(wù)滿意度。

2.2 充電引導(dǎo)策略建模

基于上述分析與假設(shè)，本文主要從用戶側(cè)、服務(wù)側(cè)和充電站側(cè)建立充電引導(dǎo)模型。

1) 用戶側(cè)

各項成本函數(shù)定義為

2) 服務(wù)側(cè)

基于文獻[17,19]，電量滿意度函數(shù)定義為

服務(wù)時間函數(shù)定義為

3) 充電站側(cè)

本文采用線性加權(quán)求和的方法，將多目標優(yōu)化問題轉(zhuǎn)化為單目標優(yōu)化問題。針對量綱不同對數(shù)據(jù)分析帶來的影響進行標準化處理，建立以下綜合最優(yōu)的目標函數(shù)。

2.3 求解電動汽車充電引導(dǎo)模型算法

電動汽車充電引導(dǎo)受道路交通情況、充電機使用情況等多種因素的影響，屬于多維度、非線性的復(fù)雜優(yōu)化問題。為解決該優(yōu)化問題，本文提出了一種改進的灰狼優(yōu)化算法。

Mirialili等人于2014年提出一種新型群智能優(yōu)化算法—灰狼優(yōu)化算法[23]。該算法模擬狼群的等級制度及其捕食行為，利用狼群在捕食過程中的搜索、包圍以及捕獵等步驟達到優(yōu)化的目的。算法的具體數(shù)學(xué)模型參見文獻[23]。與粒子群算法及遺傳算法等群智能優(yōu)化算法相比，灰狼優(yōu)化算法具有架構(gòu)簡單、控制參數(shù)少和計算效率高等優(yōu)點。但在求解復(fù)雜優(yōu)化問題時，仍存在后期收斂速度慢、易陷入局部最優(yōu)解的問題。故本文對標準灰狼優(yōu)化算法進行以下改進。

1) 改進非線性收斂因子

2) 融合個體記憶策略的位置更新方法

標準灰狼優(yōu)化算法中的位置更新環(huán)節(jié)僅考慮了個體與種群間的信息交流，忽略了自身經(jīng)驗的引導(dǎo)。故本文引入粒子群算法的思想改進位置更新方法，即

下面利用改進的灰狼優(yōu)化算法求解電動汽車充電引導(dǎo)問題，其步驟如下所述。

步驟1：讀取電動汽車信息、充電站信息以及路網(wǎng)信息。

步驟2：根據(jù)步驟1讀取的信息構(gòu)建初始種群和初始化算法參數(shù)。

步驟3：將種群中的個體代入到目標函數(shù)中，計算當前種群每個個體的適應(yīng)度值。

步驟5：利用式(11)、式(12)更新種群位置。

步驟7：判斷是否滿足迭代終止條件。若滿足迭代終止條件，輸出最佳充電引導(dǎo)方案，算法結(jié)束；若不滿足算法結(jié)束條件，則轉(zhuǎn)至步驟3。

采用改進的灰狼優(yōu)化算法對電動汽車充電引導(dǎo)模型求解的流程如圖2所示。

圖2 電動汽車充電引導(dǎo)模型求解流程圖

3 算例分析

3.1 算例設(shè)置

圖3 充電站位置與路網(wǎng)結(jié)構(gòu)示意圖

表1 充電站基本信息

現(xiàn)對算例做如下說明：

1) 有充電需求的電動汽車單次續(xù)航里程最大為200 km，電池容量為82 kWh[27]。充電前SOC的取值為0.2～0.3，充電結(jié)束后SOC的取值為0.8～0.9[15]。

2) 代駕服務(wù)收費標準為：10 km以內(nèi)(包含10 km)，36元/km(起步價)；超過10 km，2元/km，不足1 km，按1 km收費。

3) 充電服務(wù)時間的期望為20 min，方差為5 min[26]，充電機的充電功率為40～50 kW[15]。

4) 路網(wǎng)信息參見文獻[24]的附錄，充電電價參見文獻[14]。

3.2 結(jié)果分析

算例設(shè)定以下4種場景。

場景1：所有電動汽車不使用“代客加電”服務(wù)，且不采用本文提出的充電引導(dǎo)策略。所有電動汽車選擇行程范圍內(nèi)的充電站充電。

場景2：“代客加電”服務(wù)的市場比例設(shè)置為20%，且采用本文提出的充電引導(dǎo)策略，并使用改進的灰狼優(yōu)化算法求解。其余電動汽車選擇行程范圍內(nèi)的充電站充電。

場景3：“代客加電”服務(wù)的市場比例設(shè)置為50%，且采用本文提出的充電引導(dǎo)策略，并使用改進的灰狼優(yōu)化算法求解。其余電動汽車選擇行程范圍內(nèi)的充電站充電。

場景4：“代客加電”服務(wù)的市場比例設(shè)置為50%，且采用本文提出的充電引導(dǎo)策略，并使用標準灰狼優(yōu)化算法求解。其余電動汽車選擇行程范圍內(nèi)的充電站充電。

基于“代客加電”服務(wù)的特點及設(shè)置的算例場景和參數(shù)進行仿真，可以得到城市路網(wǎng)在08：00—11：00、11：00—15：00、15：00—19：00和19：00—21：00 4個時段內(nèi)的電動汽車充電選擇。

1) 綜合目標函數(shù)值

根據(jù)電動汽車的充電選擇，由式(9)可計算出每個時段內(nèi)不同充電引導(dǎo)場景下的綜合目標函數(shù)值，結(jié)果如表2所示。綜合目標函數(shù)值越小，充電的平均代價越低。100輛電動汽車在場景1中的綜合目標函數(shù)值最高，在場景3中的綜合目標函數(shù)值最低。場景2與場景1相比，綜合目標函數(shù)值平均降低約11%；場景3與場景1相比，綜合目標函數(shù)值平均降低約12%。從以上結(jié)果可看出，本文所提充電引導(dǎo)策略的有效性。場景3與場景4相比，綜合目標函數(shù)值有所降低，由此證明對于求解本文場景下的目標函數(shù)，采用改進的灰狼優(yōu)化算法的效果優(yōu)于采用標準灰狼優(yōu)化算法。

表2 不同充電引導(dǎo)場景下綜合目標函數(shù)值對比

2) 用戶側(cè)

根據(jù)電動汽車的充電選擇，可計算出每個時段內(nèi)不同充電引導(dǎo)場景下電動汽車用戶充電經(jīng)濟成本，結(jié)果如圖4所示。在場景1中，由于所有電動汽車用戶不使用“代客加電”服務(wù)，且不采用本文提出的充電引導(dǎo)策略，故其充電經(jīng)濟成本最高。場景2的充電經(jīng)濟成本相較于場景1平均降低約9.91%。場景3的充電經(jīng)濟成本相較于場景1平均降低約0.46%，其原因是有更多的電動汽車用戶選擇“代客加電”服務(wù)，需支付更多的服務(wù)費用。場景3的充電經(jīng)濟成本相較于場景4平均降低約0.19%，由此證明采用改進的灰狼優(yōu)化算法求解效果更優(yōu)。

圖4 不同充電引導(dǎo)場景下用戶充電經(jīng)濟成本對比

3) 服務(wù)側(cè)

根據(jù)電動汽車的充電選擇，可計算出每個時段內(nèi)不同充電引導(dǎo)場景下的時間成本、距離成本以及里程焦慮，結(jié)果如圖5—圖7所示。

圖5 不同充電引導(dǎo)場景下充電時間成本對比

圖6 不同充電引導(dǎo)場景下行駛距離對比

圖7 不同充電引導(dǎo)場景下里程焦慮對比

當所有電動汽車均不使用“代客加電”服務(wù)且不采用充電引導(dǎo)策略時，充電總時間最長。當“代客加電”服務(wù)市場比例為20%時，充電總時間平均節(jié)省約0.62%。當“代客加電”服務(wù)市場比例為50%時，充電總時間平均節(jié)省約1.46%。上述結(jié)果表明，面向“代客加電”服務(wù)的電動汽車充電引導(dǎo)策略可一定程度減少充電總時間，代駕司機能夠在有限工作時間內(nèi)接收更多訂單提高經(jīng)濟收益。

100輛電動汽車在場景1中的行駛總距離最長，在場景3中的行駛總距離最短。這是由于在場景3中有較多電動汽車選擇本文提出的充電引導(dǎo)策略且使用改進的灰狼優(yōu)化算法求解引導(dǎo)模型。場景2相較于場景1，100輛電動汽車的行駛總距離減少0.34%～2.41%；場景3相較于場景2，100輛電動汽車的行駛總距離減少1.06%～4.3%；場景3相較于場景4，100輛電動汽車的行駛總距離減少0.65%～1.65%。

場景3中的代駕司機里程焦慮最低，相較于場景1的里程焦慮，平均降低約1.03%；相較于場景2的里程焦慮，平均降低約0.3%；相較于場景4的里程焦慮，平均降低約0.14%。由上述分析可知，面向“代客加電”服務(wù)的電動汽車充電引導(dǎo)策略可有效緩解代駕司機的里程焦慮，同時證明了在該目標函數(shù)場景下，改進的灰狼優(yōu)化算法較標準灰狼優(yōu)化算法的優(yōu)越性。

4) 充電站側(cè)

本文選擇充電高峰時段對有充電需求的電動汽車在場景1和場景3中進行仿真。

優(yōu)化前后電動汽車的充電選擇結(jié)果如圖8所示。當不使用本文提出的引導(dǎo)策略時，1號充電站的充電需求大幅超過該充電站的接納能力，而7號充電站的充電車輛數(shù)目較少。這將增加部分電動汽車在1號充電站的排隊等待時間，同時其他部分充電站則存在設(shè)備閑置的情況。在采用本文提出的引導(dǎo)策略后，選擇1號充電站充電的電動汽車數(shù)量明顯減少，選擇7號充電站充電的電動汽車數(shù)量有所增加。

圖8 優(yōu)化前后電動汽車充電選擇

充電高峰時段各充電站的服務(wù)強度如圖9所示。經(jīng)過充電引導(dǎo)后，各充電站的服務(wù)強度處于0.78～1.17，改善了各充電站充電設(shè)備利用率不均衡的狀況。上述結(jié)果表明，本文提出的引導(dǎo)策略能夠使電動汽車根據(jù)各充電站充電機數(shù)量均勻分布到相應(yīng)充電站進行充電，避免發(fā)生因車輛盲目選擇而集中在某些充電站的狀況。同時，較為均衡的充電設(shè)備利用率不僅可以提高充電總體效率，而且可以實現(xiàn)各充電運營商互利共贏。

圖9 優(yōu)化前后各充電站服務(wù)強度對比

4 結(jié)論

在電動汽車產(chǎn)業(yè)和代駕服務(wù)行業(yè)快速發(fā)展的背景下，本文構(gòu)建面向“代客加電”服務(wù)的電動汽車充電引導(dǎo)模型，并采用改進的灰狼優(yōu)化算法求解該模型。以某城市主城區(qū)為例進行仿真驗證，分析得出如下結(jié)論。

1) 將代駕服務(wù)應(yīng)用于充電行業(yè)中，對于電動汽車用戶而言，可減少用戶的充電時間成本，實現(xiàn)充電便捷化；對于代駕行業(yè)而言，不僅為該行業(yè)提供了新的發(fā)展思路，而且為代駕司機創(chuàng)造額外經(jīng)濟收益。

2) 相較于無序充電，當“代客加電”服務(wù)的市場比例為50%，且采用改進的灰狼優(yōu)化算法求解時，電動汽車用戶充電經(jīng)濟成本平均降低約0.46%；代駕司機代充電過程中的時間成本平均減少約1.46%，距離成本平均減少約4.3%，里程焦慮程度平均下降約1.03%。

3) 本文提出的充電引導(dǎo)策略可有效均衡各充電站充電設(shè)備利用率，減少部分電動汽車的排隊等待時間。

4) 需要說明的是，為了便于構(gòu)建數(shù)學(xué)模型，本文設(shè)計的引導(dǎo)策略對充電場景做了一些簡化假設(shè)。

[1] 徐楊楊, 張新松, 陸勝男, 等. 多重隨機特性下的電動汽車充電網(wǎng)絡(luò)機會約束規(guī)劃[J]. 電力系統(tǒng)保護與控制, 2021, 49(6): 30-39.

XU Yangyang, ZHANG Xinsong, LU Shengnan, et al. Chance constrained optimization of an electric vehicle charging network with multiple stochastic characteristics[J]. Power System Protection and Control, 2021, 49(6): 30-39.

[2] 陳奎, 馬子龍, 周思宇, 等. 電動汽車兩階段多目標有序充電策略研究[J]. 電力系統(tǒng)保護與控制, 2020, 48(1): 65-72.

CHEN Kui, MA Zilong, ZHOU Siyu, et al. Charging control strategy for electric vehicles based on two-stage multi-target optimization[J]. Power System Protection and Control, 2020, 48(1): 65-72.

[3] AZADFAR E, SREERAM V, HARRIES D. The investigation of the major factors influencing plug-in electric vehicle driving patterns and charging behaviour[J]. Renewable and Sustainable Energy Reviews, 2015, 42: 1065-1076.

[4] YUDOVINA E, MICHAILIDIS G. Socially optimal charging strategies for electric vehicles[J]. IEEE Transactions on Automatic Control, 2015, 60(3): 837-842.

[5] 沈國輝, 陳光, 趙宇, 等. 基于雙目標分層優(yōu)化和TOPSIS排序的電動汽車有序充電策略[J]. 電力系統(tǒng)保護與控制, 2021, 49(11): 115-123.

SHEN Guohui, CHEN Guang, ZHAO Yu, et al. Orderly charging optimization strategy of an electric vehicle based on double objective hierarchical optimization and TOPSIS ranking[J]. Power System Protection and Control, 2021, 49(11): 115-123.

[6] 程杉, 陳梓銘, 徐康儀, 等. 基于合作博弈與動態(tài)分時電價的電動汽車有序充放電方法[J]. 電力系統(tǒng)保護與控制, 2020, 48(21): 15-21.

CHENG Shan, CHEN Ziming, XU Kangyi, et al. An orderly charging and discharging method for electric vehicles based on a cooperative game and dynamic time-of-use price[J]. Power System Protection and Control, 2020, 48(21): 15-21.

[7] 龍雪梅, 楊軍, 吳賦章, 等. 考慮路網(wǎng)-電網(wǎng)交互和用戶心理的電動汽車充電負荷預(yù)測[J]. 電力系統(tǒng)自動化, 2020, 44(14): 86-93.

LONG Xuemei, YANG Jun, WU Fuzhang, et al. Prediction of electric vehicle charging load considering interaction between road network and power grid and user's Psychology[J]. Automation of Electric Power Systems, 2020, 44(14): 86-93.

[8] 趙玉, 徐天奇, 李琰, 等. 基于分時電價的電動汽車調(diào)度策略研究[J]. 電力系統(tǒng)保護與控制, 2020, 48(11): 92-101.

ZHAO Yu, XU Tianqi, LI Yan, et al. Research on electric vehicle scheduling strategy based on time-shared electricity price[J]. Power System Protection and Control, 2020, 48(11): 92-101.

[9] TAN J, WANG L F. Real-time charging navigation of electric vehicles to fast charging stations: a hierarchical game approach[J]. IEEE Transactions on Smart Grid, 2017, 8(2): 846-856.

[10] CERNA F V, POURAKBARI-KASMAEI M, ROMERO R A, et al. Optimal delivery scheduling and charging of EVs in the navigation of a city map[J]. IEEE Transactions on Smart Grid, 2018, 9(5): 4815-4827.

[11] LIU C S, ZHOU M, WU J, et al. Electric vehicles en-route charging navigation systems: joint charging and routing optimization[J]. IEEE Transactions on Control Systems Technology, 2019, 27(2): 906-914.

[12] LUO Y G, ZHU T, WAN S, et al. Optimal charging scheduling for large-scale EV (electric vehicle) deployment based on the interaction of the smart-grid and intelligent- transport systems[J]. Energy, 2016, 97: 359-368.

[13] 邢強, 陳中, 冷釗瑩, 等. 基于實時交通信息的電動汽車路徑規(guī)劃和充電導(dǎo)航策略[J]. 中國電機工程學(xué)報, 2020, 40(2): 534-550.

XING Qiang, CHEN Zhong, LENG Zhaoying, et al. Route planning and charging navigation strategy for electric vehicles based on real-time traffic information[J]. Proceedings of the CSEE, 2020, 40(2): 534-550.

[14] 胡方霞, 谷飛強, 周念成. 計及訂單熱力分布和充換電節(jié)點成本差異的電動網(wǎng)約車充換電路徑最優(yōu)規(guī)劃方法[J]. 電力自動化設(shè)備, 2020, 40(5): 54-65.

HU Fangxia, GU Feiqiang, ZHOU Niancheng. Optimal planning method of charging and swapping route for online electric vehicle-hailing considering thermal distribution of orders and cost difference of charging and swapping node[J]. Electric Power Automation Equipment, 2020, 40(5): 54-65.

[15] 邵尹池, 穆云飛, 林佳穎, 等. “車—站—網(wǎng)”多元需求下的電動汽車快速充電引導(dǎo)策略[J]. 電力系統(tǒng)自動化, 2019, 43(18): 60-68, 101.

SHAO Yinchi, MU Yunfei, LIN Jiaying, et al. Fast charging guidance strategy for multiple demands of electric vehicle, fast charging station and distribution network[J]. Automation of Electric Power Systems, 2019, 43(18): 60-68, 101.

[16]張偉. 基于改進蚱蜢優(yōu)化算法的電動汽車充換電站充電調(diào)度多目標優(yōu)化[D]. 長春: 吉林大學(xué), 2020.

ZHANG Wei. Multi-objective optimization of charging dispatching for electric vehicle battery swapping station based on improved grasshopper optimization algorithm[D]. Changchun: Jilin University, 2020.

[17] JIN Z G, WU R Q, CHEN X Y, et al. Charging guiding strategy for electric taxis based on consortium blockchain[J]. IEEE Access, 2019, 7: 144144-144153.

[18] 周斌, 張衛(wèi)國, 崔文佳, 等. 考慮預(yù)警負荷的電動汽車充放電優(yōu)化策略[J]. 電力建設(shè), 2020, 41(4): 22-29.

ZHOU Bin, ZHANG Weiguo, CUI Wenjia, et al. Optimization method for electric vehicle charging/ discharging considering forewarning load[J]. Electric Power Construction, 2020, 41(4): 22-29.

[19] HUANG X H, ZHANG Y, LI D D, et al. An optimal scheduling algorithm for hybrid EV charging scenario using consortium blockchains[J]. Future Generation Computer Systems, 2019, 91: 555-562.

[20] 常小強, 宋政湘, 王建華. 基于蒙特卡羅算法的電動汽車充電負荷預(yù)測及系統(tǒng)開發(fā)[J].高壓電器, 2020, 56(8): 1-5.

CHANG Xiaoqiang, SONG Zhengxiang, WANG Jianhua. Electric vehicle charging load prediction and system development based on monte carlo algorithm[J]. High Voltage Apparatus, 2020, 56(8): 1-5.

[21] 牛利勇, 張帝, 王曉峰, 等. 基于自適應(yīng)變異粒子群算法的電動出租車充電引導(dǎo)[J]. 電網(wǎng)技術(shù), 2015, 39(1): 63-68.

NIU Liyong, ZHANG Di, WANG Xiaofeng, et al. An adaptive particle mutation swarm optimization based electric taxi charging guidance[J]. Power System Technology, 2015, 39(1): 63-68.

[22] 張強, 毛清華, 梁萍. 基于改進飛蛾算法的電動汽車充電站選址研究[J]. 湖南文理學(xué)院學(xué)報(自然科學(xué)版), 2021, 33(3): 12-19.

ZHANG Qiang, MAO Qinghua, LIANG Ping. Study on site selection of electric vehicle charging station based on improved moth algorithm[J]. Journal of Hunan University of Arts and Science (Science and Technology), 2021, 33(3): 12-19.

[23] MIRJALILI S, MIRJALILI S M, LEWIS A. Grey wolf optimizer[J]. Advances in Engineering Software, 2014, 69: 46-61.

[24] 邵尹池, 穆云飛, 余曉丹, 等. “車—路—網(wǎng)”模式下電動汽車充電負荷時空預(yù)測及其對配電網(wǎng)潮流的影響[J]. 中國電機工程學(xué)報, 2017, 37(18): 5207-5219, 5519.

SHAO Yinchi, MU Yunfei, YU Xiaodan, et al. A spatial- temporal charging load forecast and impact analysis method for distribution network using EVs-traffic- distribution model[J]. Proceedings of the CSEE, 2017, 37(18): 5207-5219, 5519.

[25] 黃晶, 楊健維, 王湘, 等. 下一目的地導(dǎo)向下的電動汽車充電引導(dǎo)策略[J]. 電網(wǎng)技術(shù), 2017, 41(7): 2173-2181.

HUANG Jing, YANG Jianwei, WANG Xiang, et al. Destination oriented electric vehicle charging guiding strategy[J]. Power System Technology, 2017, 41(7): 2173-2181.

[26] 滕志軍, 呂金玲, 郭力文, 等. 一種基于Tent映射的混合灰狼優(yōu)化的改進算法[J]. 哈爾濱工業(yè)大學(xué)學(xué)報, 2018, 50(11): 40-49.

TENG Zhijun, Lü Jinling, GUO Liwen, et al. An improved hybrid grey wolf optimization algorithm based on Tent mapping[J]. Journal of Harbin Institute of Technology, 2018, 50(11): 40-49.

[27] 李浩. 考慮電動汽車運行成本和用戶需求的充放電優(yōu)化策略[D]. 北京: 北京交通大學(xué), 2018.

LI Hao. An electric vehicle’s charging strategy considering users’ operating costs and demands[D]. Beijing: Beijing Jiaotong University, 2018.

Charging guiding strategy for electric vehicles oriented to a valet charging service

JIN Zhigang1, 2, HU Yi1, 2, LI Gen1, 2, YUE Shunmin3

(1. School of Electrical and Information Engineering, Tianjin University, Tianjin 300072, China; 2.Key Laboratory of the Ministry of Education on Smart Power Grids (Tianjin University), Tianjin 300072, China;3. State Grid Tianjin Electric Power Company, Tianjin 300010, China)

In order to deal with the charging problems of electric vehicles (EVs), a charging guiding strategy for EVs oriented to a valet charging service is proposed.First, the EV charging guiding scenarios and the influence factors of charging are analyzed comprehensively considering the valet charging service. Secondly, a charging guiding model is established, with the aim of optimizing the EV users’ economic cost, the benefits of agent charging service providers and the utilization rate of charging station equipment. The improved grey wolf optimization is used to guide the charging behaviors of EVs.Finally, simulations of EVs with their charging requirements in a major urban area of a city are conducted. The results show that the charging guiding strategy for EVs oriented to a valet charging service can effectively reduce the charging economic cost of EV users as well as the time cost and distance cost in the process of charging for agent drivers.At the same time it realizes the balanced distribution of equipment utilization among charging stations.

electric vehicle; valet charging service; charging guiding strategy; multi-objective optimization; improved grey wolf optimization

10.19783/j.cnki.pspc.211333

國家自然科學(xué)基金項目資助(51677124)；天津市自然科學(xué)基金項目資助(19JCYBJC15700)

This work is supported by the National Natural Science Foundation of China (No. 51677124).

2021-09-29；

2021-12-24

金志剛(1972—)，男，博士，教授，研究方向為網(wǎng)絡(luò)安全與智能電網(wǎng)；E-mail: zgjin@tju.edu.cn

胡 怡(1996—)，女，博士研究生，研究方向為車聯(lián)網(wǎng)與智能電網(wǎng)；E-mail: huyi1996@tju.edu.cn

李 根(1984—)，男，通信作者，博士，工程師，研究方向為車聯(lián)網(wǎng)、網(wǎng)絡(luò)安全與區(qū)塊鏈。E-mail: ligen@tju.edu.cn

(編輯 姜新麗)