电动汽车路径规划和充电槽预留的多目标方法

沙特国王大学学报S2RC：一种考虑交通状态和充电站状态的电动汽车多目标路径规划和充电槽预留方法Ashwani Kumara，Ravinder Kumara，Ashutosh Aggarwalaa计算机科学与工程系，塔帕工程技术学院，Patiala 147004，Punjab India阿提奇莱因福奥文章历史记录：2021年11月23日收到2022年2月14日修订2022年3月1日接受2022年3月15日网上发售保留字：车辆路径分布式系统能耗充电状态（SoC）级KSP算法A B S T R A C T电动汽车（EV）是环境友好型的，预计在不久的将来会有巨大的增长。然而，电动汽车的续航里程短和充电网格的缺乏阻碍了电动汽车的大规模应用。EV的特定路线的选择在很大程度上取决于该路线上的充电站的可用性因此，必须深入研究如何找到一个充电站，为电动汽车充电提供最大的用户便利。本文试图提出一个解决这个问题的方法。所提出的方法是一个临时的分布式系统，即S2RC（智能搜索路线和充电），它计划一个节能的EV路线，考虑电动汽车这种分布式架构采用所提出的敏捷充电时隙预留方法，用于希望在特定充电站充电的EV。此外，为了描述电动汽车充电的交互机制，建立了以电动汽车总能耗、充电站等待时间和充电总费用最小为目标的三个不同目标函数。在对印度昌迪加尔的加权有向真实交通图进行了广泛的模拟之后，所提出的S2RC系统根据电动汽车用户给出的价格来推荐充电站。案例研究验证了该模型在能源效率和用户便利性方面的意义和有效性。©2022作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY许可下的文章（http://creativecommons.org/licenses/by/4.0/）。1. 介绍21世纪可能正在见证可再生资源的广泛使用，而不是不可再生资源，以减少有害的环境影响。据预测，印度每年排放约30亿吨温室气体（GHG），约占全球排放量的7%（UN，2021）。根据英迪拉·甘地发展研究所进行的一项研究，如果印度继续以目前的速度生产二氧化碳，印度的国内生产总值可能会下降9%（ICCT，2021年; IEA，2021年）。近年来，交通部门在产生温室气体方面打破了所有的基准。值得注意的是 ， 道 路 车 辆 排 放 的 二 氧 化 碳 占 交 通 运 输 部 门 总 排 放 量 的 76%（Aayog，2021）。因此，各国政府*通讯作者。电子邮件地址：akumar_phd18@thapar.edu（A. Kumar），ravinder@thapar.edu（R.Kumar），ashutosh. thapar.edu（A. Aggarwal）。世界各地正在采取新的举措，以减少温室气体的产生，减少对化石燃料的依赖。为了确保环境友好和长期的运输可持续性，非化石燃料车辆或替代燃料车辆（AFV）的发展成为一个突出的选择。因此，AFV，特别是电动汽车（EV），现在被广泛认为是减少温室气体排放、技术发展和全球政府激励的最有效方式尽管采用电动汽车具有深远的意义，但一些因素不仅限于里程焦虑、充电基础设施不发达以及充电服务的便利性，这些因素对电动汽车的大规模采用构成了事实上，由于CS的设备和电池的组成，EV另一种等待场景可能更有问题，其中在高峰时段或CS明显较少的区域另一个限制电动汽车采用的重要方面是里程焦虑，电动汽车用户认为剩余电池能量不足https://doi.org/10.1016/j.jksuci.2022.03.0021319-1578/©2022作者。由Elsevier B.V.代表沙特国王大学出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comA.库马尔河，巴西-地Kumar和A.Aggarwal沙特国王大学学报2193到达目的地因此，我们需要有一个系统，可以有效地管理所有可用的资源，电动汽车，运输网络，和CS。在不久的将来，电动汽车可能会满足大量的交通需求，由于同时耦合路由和充电，使决策过程复杂化，这使得更难解决，因此称为混合整数规划问题（Tang et al.， 2019年）。近年来在联合路由和计费方面的科学贡献主要分为四个领域：（i）启发式方法，（ii）商业求解器，如CPLEX，Guidelines等，（iii）算法，（iv）算法，（iv）算法。㈢基于机器学习的方法;(iv) 基 于 特 定 结 构 信 息 定 制 的 问 题 （ Chen 等 人 ， 2018; Yu ，2019）。然而，它们中的每一个都有自己的一组约束条件，在计算资源和计算时间方面，没有一个同时，一些能够从可用数据集中暗示有用模式的机器学习方法正在被采用以提高EV的行驶里程和电池寿命（Bozorgi等人，2017年）。这项研究工作可以通过使用D'Angelo和Palmieri（2020）和D'Angelo和Palmieri（2021）介绍的新颖性来进一步扩展尽管如此，基于EV的组合路由和充电问题的结构化信息的问题还没有被彻底探索，并且需要用一些实时度量（诸如电池SoC、交通状况、充电站的状态等）进行进一步探索（Tang等人，2019;Pourazarm和Cassandras，2018）。在这份简报中，作者提出了一种分布式架构，名为S2RC，其中电动汽车无线交换信息，以帮助电动汽车用户在路线选择和充电决策（见图①的人。据推测，敏感的双向通信信息（例如，SoC级别、当前和目的地位置、EV SoC和用户偏好）发生在EV和分布式框架之间。同时，S2RC提供了有关第三交通网络、交通监管机构和CS等各方S2RC利用开发的优化模型，根据用户的偏好（影响用户偏好的前两个变量是电动汽车的能源效率和用户便利性）找到最佳路线和充电站例如，EV用户愿意从特定的来源旅行到固定的目的地，这引起了充电问题。因此，本研究工作通过电动汽车的灵活充电槽预留过程来寻找合适的充电槽，建立了具有三个目标的优化模型，包括最小能量消耗，最小充电槽和最小的充电成本。该模型被S2RC分布式框架所采用，以实现通过CS的最佳路径，同时考虑到道路充电资源的全局占用率、道路网络、交通条件和EV特性。k-最短路径（KSP）算法已被用来集成到一个规模的有向图的运输网络，并获得几个路线计划具有不同的参数，如能量，距离，成本和时间。无论光网状网络中的参数如何变化，KSP算法都产生满足几乎所有用户请求的最优解决方案，而使用普通最短路径算法来解决这样的问题更复杂（Xu等人，2012年;布兰德和辛克莱，1996年）。在这项研究中，作者丰富了文献，提出了解决问题的电动汽车具体而言，它的贡献如下：Fig. 1. 分布式S2RC体系结构及其有源组件。A.库马尔河，巴西-地Kumar和A.Aggarwal沙特国王大学学报2194该研究提出了一种分布式架构，该架构优先考虑EV路由和充电规划，并且可以在庞大的交通网络中实现负担得起的计算负担。● 本文提出的优化模型应用于S2RC框架中，该框架考虑了多个不同的目标，如最小化能耗、最小在CS的等待时间和最小的充电成本。ToU能源定价政策的存在为电动汽车用户提供了经济稳定性。时变交通状态模型的存在提高了系统的准确性。为了使路线和充电规划更有效，研究还提出了一种敏捷的充电时隙预留过程，该过程隐式地使用KSP算法，结合了关于电动汽车、CS和交通网络的各种主动和被动参数的信息。虽然上述特征中的一些并不新鲜，但本研究的新颖之处在于以综合的方式看待它们，而早期的研究则单独处理它们（Pelletier et al.，2017; Macrina等人，2019;火腿和公园，2021）。这就是我们如何构建本文的其余部分。第2节回顾了问题领域的相关文献。第三部分详细阐述了EV路由、网络和CS的系统拓扑结构以及它们之间的通信过程。然后，在第4节中计算了不同关联组件（如EV、CS）的系统建模。第五部分提出并解决了一种基于KSP算法的灵活案例研究结果和结论分别在第6节和第7节中给出。2. 相关文献与传统的车辆路径规划相比，电动汽车路径规划面临的技术挑战更为复杂.因此，需要更多的努力来应对电动汽车路由所带来的挑战。但是，可用于缓解电动汽车运行问题的文献数量有限。通过将相关文献分为以下几类进行了综述。此外，相关文献总结见表1。2.1. 电动汽车的路径问题由于对这一问题的研究文献不多，本文对替代燃料车辆车辆路径问题的研究进行了简要回顾 Conrad et al的作者。（2011）率先引入充电VRP，减少营运车辆总数及最大限度降低营运成本，包括行驶距离、充电时间及服务时间。在提供服务时，在所选客户位置处包括充电事件，并且每个充电事件与一些惩罚成本相关联。引入的模型求解的帮助下，一个新开发的迭代路线建设和改进过程。不久之后，ErdogRupan和Miller-H oks（2012）介绍了绿色VRP（GVRP）。为了实现最小化总行驶距离的单一目标，他们将问题表述为混合整数线性规划（MILP）。开发了两种算法，并在随机生成的测试实例上进行了测试。此外，Schneider等人（2014）扩展了GVRP，并引入了一种新的电动车辆路径问题（EVRP）变体，称为具有时间窗（TW）约束的EVRP他们试图实现的目标，最大限度地减少行驶距离以及操作车辆的数量与禁忌搜索（TS）和可变邻域搜索（VNS）的混合元启发式方法。还讨论了一个类似的问题Desaulniers et al.（2016）.他们在CS使用不同的充电技术，而不是完全充电技术，并开发了一种基于精确解决方案的方法来解决问题。结果表明，允许多次和部分充电产生较少的路由成本和减少运营车辆相比，一个单一的和完整的充电技术。 Ángel Felipe 等人（2014年）使用多种技术和部分再充（MTPR）解决了GVRP的另一个扩展，称为GVRP-MTPR。他们证明了部分充电的重要性，同时减少了整个旅程对车辆的需求由Kesatay和Keskin（2017）进行的研究介绍了新的EVRP变体，其中时间窗口和快速充电设施被视为约束条件。最近，Mavrovouniotis 等人（2018 ）提出了另一种EVRP启发式算法，称为蚁群优化（ACO）。为了最小化所需的一组 目 标 ， 包 括 总 旅 行 时 间 和 EV 计 数 ， 整 数 规 划 模 型 创 建 。Mavrovouniotis等人进一步研究了该研究。（2019年）增加殖民地数量。最近，Mavrovouniotis et al. （2020）解决了电力电容车辆路径问题（ECVRP）。建立了MILP模型，该模型综合考虑了电动汽车的需求和使用情况提出了一种基于蚁群优化算法的元启发式算法Bahrami等人研究了VRP的另一种变体，称为插入式混合动力车。（2020年）。作者希望最大限度地减少车辆的总能耗。为了完成这项任务，他们提出了一个节能模型，并引入了分支定价和启发式算法。2.2. 电动汽车能耗综述与传统汽车不同，电动汽车没有更长的续航里程，因为它们配备的电池组有限，而且它们往往无法在一次充电中到达目的地。由于这一事实，研究界正在不断尝试通过努力寻找最佳能源路线并最大限度地减少其可用能源的消耗来提高驾驶范围因此，在这一领域，Abousleiman等人（2015）介绍了一种电动汽车节能路由的解决方案。他们提出了一种基于纵向车辆模型的EV模型，并提出了一种基于Bellman-Ford算法的解决方案来解决负路径成本问题。后来，Abousleiman和Rawashdeh（2016）引入了一个数学模型，通过考虑环境和电动汽车的各种主动和被动因素来表征电动汽车本文尝试用粒子群优化算法（PSO）来优化SoC的总终端荷电状态Abousleiman等人（2017）使用ACO进一步加强了这项最近，PSO被加西亚等人修改。（2019），以提高计算时间，减少电动汽车的能源消耗。例如，一个地图与1685个节点和3544边花了.9657秒，以制定一个可接受的解决方案，使用粒子群算法，而贝尔曼-福特的方法需要3.36秒。在另一项研究中，Macrina et al. （2019）解决了一个混合车队G-VRP，涉及PRTW问题，同时保持能源消耗为主要参数。为了克服这个问题，他们开发了一个整数规划（IP）模型，并应用了一种称为大邻域搜索（LNS）的启发式算法。在使能量效率最大化的方向上的另一努力由Shen等人介绍。（2019年）。他们评估了随机交通网络中电动汽车准时到达可靠性和能源效率的双目标优化模型最近，Bahrami et al. （2020）研究了插电式混合VRP。他们设计了一个能源管理模型，使总能耗最小化。为了实现这一点，他们提出了一种分支定价方法以及启发式算法。最近，Li等人（2020）研究了EVRP的另一种变体，该变体涉及考虑能耗的电池交换一●●●●A.库马尔河，巴西-地Kumar和A.Aggarwal沙特国王大学学报2195表1深刻理解科学贡献。参考IP模型EC模型CS-IUC目标计费约束算法单个多FRPRBSDCTConrad等人（2011年）我我我确切03TheDog（2012）我我我启发式Schneider等人（2014年）我我我元启发式Angel Felipe et al.（2014）Abousleiman etal. （2015年）杨和孙（2015）我我我我我我我我我我我元启发式精确启发式，元启发式Tian等人（2016）Abousleiman和Rawashdeh（2016）我我我我启发式元启发式Desaulniers等人（2016年）我我我我我确切Bourass等人（2017年）我我我我确切Abousleiman等人（2017年）我我元启发式Keskin & Kesatay（2017）我我我确切Mavrovouniotis等人（2018年）我我我元启发式Mavrovouniotis等人（2019年）Garcia等人（2019年）我我我我我元启发式元启发式Macrina等人（2019年）我我我我元启发式Shen等人（2019年）我我我我启发式Mavrovouniotis等人（2020年）我我我精确，元启发式Bahrami等人（2020）我我我我精确，元启发式Bahrami等人（2020）我我我我精确，启发式Goel等人（2020年）我我我确切Li等人（2020）我我我我我启发式Ellanj等人（2020）我我我我启发式Jia等人（2021年）我我我元启发式Türk等人（2021年）我我我元启发式备注：IP地址：* 方案编制;伦理委员会：能源消耗; CS-IUC：方便用户的CS识别; FR：完全充电; PR：部分充电; BSS：电池更换; DCT：不同充电技术。建立了鲁棒的IP模型来优化问题，并引入爬山法和邻域搜索等启发式算法来解决问题的计算难题2.3. 方便用户的充电站识别众所周知，电动汽车的行驶里程有限为了避免被困在他们的服务路线，他们必须途中访问CS充电之前，他们用完了。然而，基于EV和用户便利性的约束的CS的识别增加了一层复杂性以创建EV的路由问题的模型。虽然，有一个缺乏的文献涉及到检测CS的VRP伞下，我们仍然能够调查一个合理的工作量致力于上述问题。Yang和Sun（2015）的作者介绍了一种IP模型，该模型可以同时决定EV路由和电池交换站（BSS）的选址目标函数包括BSS的建设成本和电动汽车的运输成本。他们描述了使用扫描算法结合自适应大邻域搜索（ALNS）来解决引入的同时，Tian et al. （2016）引入了一个实时CS推荐框架，以使用先前的充电事件和EV的GPS轨迹来考虑CS的等待时间。Bourass等人（2017）引入了EV行程计划，其中他们负责SoC、目标目的地和道路CS的可用性。此外，作者希望减少在CS的等待时间，以及到达CS和目的地的总能耗。最近，Ellanj et al.（2020）考虑了EV路线与CS导航系统的问题。针对这一问题，提出了一种基于蚁群算法的分布式系统这种分布式系统的工作，以减少旅行距离，并建议收集附近的CS沿途的目的地。在Palanca等人的研究中也观察到了一些改善。（2020年）。在他们的研究中，Jiaet al.（2021）提出了一种新的基于双级ACO的算法，识别EV的CS和充电时间表。最近，Goel等人（2020）开发了一种名为智能站搜索辅助（S3A）的系统，该系统提供了识别根据用户和EV的要求，提供CS在他们的研究中，Hu et al.（2019）引入了一个智能城市模型，可以分析电动汽车用户的驾驶偏好，并确定电价和电网负荷对电动汽车用户驾驶决策的影响。在他们的工作中，Ning et al. （2021）研究了以乘客为中心的车辆路径规划，该规划考虑了车辆使用者的不确定和可预测要求，以改善乘客的旅程体验。此外，Chen et al. （2021），提出了一种用于车辆路径诱导的全局算法，以对抗交通拥堵的容量和效率。最近，在他们的工作中，Türk等人（2021）研究了电动汽车充电站的定位问题。他们使用了基于区间2型模糊集的多标准决策，并使用称为模拟退火的元启发式方法进一步增强了该如上所述，先前的研究在同时识别CS的过程中没有考虑能量消耗、EV电池和用户便利性（交通状况、在CS的等待时间和充电成本）的建模。 充电是电动汽车技术长期可持续发展的关键组成部分。除此之外，现有的文献几乎没有关注充电时隙预留过程。因此，需要进一步研究电动汽车的方便使用。3. 系统拓扑假设EV用户打算从一个位置驾驶到另一个位置。在这种情况下，分布式系统对于接受电动汽车用户的请求并有效地规划他们的路线至关重要，其中还包括充电站，以达到其目的地。然而，电动汽车用户也可以在航行期间改变目的地，但需要提出新的请求。作为这项研究的结果，一个分布式系统，一个名为S2RC的项目已经建立，预计电动汽车和S2RC之间的通信将以无线方式进行A.库马尔河，巴西-地Kumar和A.Aggarwal沙特国王大学学报2196联系我们gradRR！！！联系我们.！刘先生4我是ð Þ2Aerofr风力涡轮机GG通过先进的技术，如Wi-Fi和V2X。采用TCP/IP等标准通信协议。源和目的地位置以及SoC级别等关键信息还有，S2RC可以实时访问道路网络和CS占用的状态，以及与交通监管机构的通信。因此，S2RC分布式模型定义了一种机制，以有效地跨分散在全球的众多EV路由资源进行通信。每当EV需要任何服务时，它需要向S2RC发起相应的请求，作为确认，S2RC用基于根据EV提出的请求的性质。S2RC采用客户机/服务器的方式来处理各种计算环境，平衡了用户、EV和CS以及所有传入请求所施加的不同限制和约束。在这个方向上，参数权衡（平衡）之间执行的各种计算环境，如电动汽车，CS，TR，和交通网络，通过所提出的数学模型建议一个最佳路径以及适当的CS。EV的一般约束包括优化电池SoC关于在路由期间再充电的使用以及沿着映射再充电约束的强制轨迹行驶。尽管推荐的CS应该是最近的，但是当处理公共CS时，它们的地理位置、计费技术和用户要求施加了限制。S2RC旨在确定最节能的路线，以提高电动汽车用户的兴奋感（最大限度地减少充电等待时间并降低充电成本），但要受到SoC动态，交通状况和CS插槽可用性等限制。 图 1高-可以有不同的等待时间。一组CS用@表示，在那里，S2RC量化了包括服务区域内所有道路和每个弧上的交通密度的图G4. 数学建模与相关表示法建立了一个数学模型来跟踪所提出的优化问题的适用性，该优化问题量化了交通网络和电动汽车充电的由于重点是建立一个强大的系统，我们忽略了采用启发式方法相关的开发模型的解决方案。该模型也不同于传统的VRP模型，因为它强调了EV充电特性，使其更适合节能路由和潜在的配电系统。为了更清楚地理解上述数学模型，表2和表3中给出了相应的符号。4.1. 力建模评估能耗在确定路由过程中消耗的能量时，有必要量化整个路线所需的总牵引力，因为大量的能量用于牵引。这项工作采用了车辆纵向动力学模型该模型计算推进EV所需的机械能（牵引力）。当量1表示求出总牵引力（Ftt）的力学关系：照亮了拟议的架构及其与地理的关联Ftt¼FaccFr双辊Aeroð1Þ分散的成分以及它们之间的相互作用。一种更好的方式来理解EV、S2RC和CSs已在图中说明。 二、此外，它还而Eq。 2如下表示Facc：.m r2imr a24Iw！介绍了本文探讨的各种限制和技术问题。在两种不同的设想方案下，信息交流情况如下：Faccur梯度r2a2因为当一辆车● 场景1：表示EV不需要充电在倾斜的道路上行驶（向上或向下），它总是向下。因为它具有足够的SoC水平以到达其目的地。作为如图2所示，它是一个三层信息流，r梯度mgsin所需的信息由EV传送到S2RC，r辊 阻止车辆在表面上的运动数学-获得路线计划（按照最小能耗目标，在Eq.4如下：sumption），然后转移到相关的子模块（RIA）。作为一种认可，EV用户获得了最佳r辊 公司简介辊 因为它是一个400万美元的路线图r航空是空气流经车身时产生的它● 场景2：它演示了五层信息流-架构（EVS2RC（RIA，CSIA），CSIACS）当EV表示对行动过程中收费的关注作为一种确认，S2RC根据如第1节所述的多个不相同的目标。对车身施加压力并阻止其运动，这就是为什么它与车辆的速度成正比。然而，沿着弧O到D的速度（见图3）每个子弧都有不同的速度由TR提供给S2RC分布式模型。因此，在本发明中，Fra;bb.碳：5克C ASa;bSa;bla;b5图3描述了具有完全有向图G的运输网络不适用。其中N一个...... n是节点的集合;并且A是弧的集合（在被视为边e的两个节点之间形成）。N和A分别表示节点和弧的数量。在上述讨论的基础上，Eq。3可以改写为：22Facca;br2ωaωlð6Þ很好节点1和n表示任何旅程的O（起点）和D（目的地）弧的距离或任何两个在Ftt的帮助下，如Eq. 1、牵引功率可估计为：节点可以表示为的向量la;b，如果和只如果弧a;bA. 在某个位置处的可用节点中的一些被指定为CS（例如，CS1、CS2、CS3、CS4和CS5），其中电池可以以不同的电力成本再充电，而每个CSPt<$SωXFttð7ÞFFFFFa;b3.1.交通网络布局ad2A.库马尔河，巴西-地Kumar和A.Aggarwal沙特国王大学学报2197五号bb升图二、不同场景下EV、S2RC和CS之间的信息流因此，任何特定的子弧的能量消耗可以被估计为等式（1）。8;并且通过整合沿着路线的每个电弧功率消耗，我们现在可以确定总体能量控制。iiDCiDCiDCωv直流电压（V/V）ð10Þ当从源行驶到目的地时，如等式（1）所示，9 .第九条。其中，iDC表示为DC链路（通常，DC链路用于DC-DC转换器和EV电池之间的接口）电流。从等式10、电池电流可确定为：Ea;b<$la;bωPa;bð8Þc tiib根据电动汽车能耗的计算，在不考虑整个行程中的充电活动的情况下，Kc¼bnc11英寸Shepherd电池模型（Tremblay等人，2007年）已修改为拟议的EV模型。电池内阻E路线¼XXEa;bð9Þ假设在整个充电周期中是恒定的，C c弧¼1a;b4.2. 评估SoC我们需要定义一个基于电池的模型，以便跟踪SoC配置文件。在这里，锂离子（Li-ion）电池堆的最先进的功率技术被认为是能够具有大的寿命能力和较短的充电时间。电池电流（ib）按以下公式确定：放电此外，除了忽略电池温度的影响外，放电和充电模型也考虑了相同的参数。对于充电周期（如果iω0）0）Vc¼L-Y：Kiωcell-：it13A.库马尔河，巴西-地Kumar和A.Aggarwal沙特国王大学学报2198.ZtcZ1Xs/s=2.0×a;ba;ba;bp弧一图3.第三章。由多个节点、充电站和子弧组成的道路网络的图示式中，L、X、Y的数学表达式为：L¼E。0-R在细胞内的表达。xp-M：it14¼4.3.1. 交通延误的计算交通状况与车辆的速度有间接的关系。它不仅降低了车辆具体的交通信息之外，XQ0： 1QQ;Y¼Q-itð15Þ子电弧会不利地影响该子电弧也就是驾驶时间获取预计到达时间在第K个CS的EV的情况下，需要计算并且it;v exp;E0;K;Q;Rint和M可以从电池获得数据表。在电池电压的帮助下，电池电压可以如以下等式所示确定：Vb<$Ns Vc16Ω现在，电池功率（Pb）可以确定如下：那个亚弧穿过任何子弧所需的时间为用Eq表示。19;图6显示了不同的交通水平，FIC信息（正常、中等和严重）与N映射。表示驱动时间;其中，n具有值零。它也可以从Eq中推断出来。在严重的交通条件下，弧a;b上的旅行时间趋于无穷大sab¼1sz.1þ1Σð 19ÞPb<$Vbωib<$Nbc Vc<$ωib<$17;2 1-n为了确保电池的安全操作，如下所定义的SoC已被视为路由算法中的约束：我们可以通过对路线的子弧的行驶时间求和来确定由a和b限定的每个弧的总行驶时间10þ1/4-Emax不我不知道，ω100%18弧a;ba;bZ的最大值和最小值分别为100%和0%，表示电池我们现在可以通过将EV的当前位置和电弧行进时间sarc相加来计算EV在第K个CS处的到达时间。分别Te 1/4吨伊什ð21Þ4.3. 电动车在CS的在第K个CS处的等待时间是在EV到达第K个CS处与将充电时隙分配给EV之间经过的时间One can’t neglect the charging waitingtime at CS as it is directly如果CS具有足够的充电资源，则EV将被分配到达后立即充电。然而，在资源不足的情况下，EV必须等待，如图所示。 五、4.4. 不同CS的充电成本估算在CS处对EV进行充电的成本可以分为两个不同的部分：能量成本和服务成本。能量成本取决于电力供应商的策略而变化，因为家庭充电率类似于家庭能量成本，而利用集中或公共CS，收费与工业使用相同。此外，本集团亦鼓励采用分时电价在非高峰时段充电。考虑服务0a;bA.库马尔河，巴西-地Kumar和A.Aggarwal沙特国王大学学报2199Z一一XXEωJ.XXe. X！ð ÞZ min 6Z初始化-cð Þ$a不包含杂项; gmisc>j一一8>$atg; 格吉一一一DZaa一一表2关键缩写及其各自的描述。表3车辆模型中使用的参数及其调整值的说明符号表示描述符号表示法描述符号表示描述值单位m车辆质量1250kgN所有节点的集合@所有CSIm电机惯性0.0384kgm2la;b距离节点a和ba;bc能源消费车轮惯性0.75KGM2分别Sa;b节点间速度a和b在节点A和b总牵引力力r轮胎半径0.278米齿轮箱传动比8.654-g重力9.8m=s2q空气密度1.1839kg=m3加速度力Fr分级阻力Cad空气动力阻力系数.24-Afr车辆r辊轧制力r航空气动a;b风风速0-电阻力阻力c辊滚动阻力系数.02-Pt牵引动力Z初始化初始SoCZ初始化初始SoC[.7.35]-路线c总能量Emax最大K到达时SoC在第K CS 5%消费a路线可能电池能力Emax最大电池容量16 kwDC-DC转换器的直流效率vDCDC link voltagevb电池电压icCell currentbnc电池单元计数它提取的容量vexp指数电压E0电池恒压K极化常数其中，j <$ba tg0t。$a_t_c倾向于表示第a个CS处的能量成本g0成本，通常是由于维持CS的运营活动而产生的固定服务成本，而g成本和gmisc被校准以防止竞争CS。电动汽车行程优化模型（Tope）目标函数主要由三部分组成：第一部分是Q单元最大值能力指数容量变量QK充电功率Kth CSRint电池内阻Ib放电电流si服务时间Kth CS目标是在不考虑再充电活动的情况下最小化路线的能量消耗。第二个目标是最小化在CS的等待时间，第三个目标的唯一目的是最小化再充电成本，在需要优化收费支出的情况下，ZK=ZK到达/离开CK充电容量一DSoCatK th CS帽第K个CS在整个活动过程中发生，以提供最大的成本-K能源需求Kth CSZmin所需的最小SoC为那些更关心充电成本的人提供有效的电动汽车路线。此外，我们为每个目标分配了权重（u1;u2;u3）KSoC差异从出发到到达第K站a;bD充电后的SoC在节点B中并且从A如果在多目标函数中存在部分或完全冲突，则用户可以根据自己的偏好调整权重，ja;b亚弧指示器，ja;b20，1n交通信息子弧上的驱动时间a;b利益最小操作时间为23分钟.国王！Ta;b一C;b弧上走时a;b最小Tope 联系我们a;bc弧¼1a;ba;bþKKu2b<$1a<$1Ta;b-Ta;b<$ ωXa;b！þð24Þatfu3g无菌包装t¼ts受试者：Z初始化6E最大值为2500.E路线CS处的成本，服务成本的基础值g0t级联一个小女孩Emaxba强调充分充电资源的可用性bat起供求因素的作用例如，如果存在足够的计费资源并且发生较少的计费事件，则badget获得较低值以吸引更多用户。但是，如果bat的值比较-这反映了由于充电资源不足，在CS等候充电的队伍很长。因此，除了能源成本之外，站点a处的服务成本指导用户以协调的方式为其电动汽车>：$atj;gmisc6j6g图四、车身上不同操作力的示意图EgradFFSEEDZð26Þgð22Þ一一Tp当前时间CStl充电时间节点b处的第l个CP充电功率节点bWB收费价格节点b$C能源成本Kth CS的g0基值服务成本Ba系数g最大服务成本g杂项最低服务成本ts服务开始时间tf服务完成时间ZD目的地SoCSZ驾驶时间不交通sa;be估计到达时间的弧线a;bA.库马尔河，巴西-地Kumar和A.Aggarwal沙特国王大学学报2200DðÞ.XXEC（ZK-ZKZω图五、CS模型下最小化等待时间的参数化时间轴表示一个加权有向图，节点作为初始和目的地，dK¼一个DsKQKEmaxEa;bð27Þ国家节点以及充电节点和道路交叉口。的不满足不等式的节点被丢弃;图是重新创建的。解决敏捷充电槽预留dKPcð28Þ以最小化能量消耗为目标的方法ZK帽EmaxPEKð29Þ每个图弧a;b的权重根据等式1的第一目标函数给出以及为了最小化CS处的充电等待时间和充电成本的目标，充电节点被标记为通过等式（24）的第二目标获得的值（24）和Zmin6ZD6qZmin30Eq的第三个目标（24）分别。 图 7描述了找到合适的路线规划和充电策略。的步骤ZD¼KKb<$1a<$1a;bDa;b-EmaxωXa;b！ð31Þ为解决敏捷计费时隙预留过程所采取的步骤如下：步骤1.当充电需求触发时，S2RC系统从EV获得所需的统计数据（当前坐标8kat1;t2 fts;tfg32目的地，SoC状态），CS（位置，充电堆可用性，Ja;b 1/4; 1;8a;b2N33N收费等待时间和收费成本）和交通管理部门。步骤2.利用KSP算法，S2RC系统识别出k-Xa;b<$0;1;8a;b2N34N约束（25）检查电池SoC的初始（在源处）状态。约束（26）满足达到目的地所需的最小电池SoC。还要求如果EV通过CS并使用适当的充电服务，则其应该具有足够的SoC水平以到达目的地或下一个CS。约束（27）提供在任何特定CS处充电之后的SoC水平与估计的SoC消耗之间的SoC水平比较以到达目标目的地。约束装置（28）确定EV可到达下一个CS或目的地。还需要保证充电能力第K个CS的能量需求应该大于第K个CS的能量需求，如约束（29）所示。约束条件（30）和（31）突出了CS处的最小等待时间的条件。约束（32）指示当EV到达CS时，它肯定在整个充电过程中提供一个充电槽。 当车辆访问弧时，（33）中的决策变量为1（a，b）;否则，它被视为0。而决策变量如果EV离开充电站a到b，则（34）为1;否则，它为0。5. 解决方案方法本节讨论如何解决需要再充电并且必须在合适的充电节点处停下来再充电的EV的问题。为了克服这个问题，采用KSP算法，它有它的应用程序的有向或无向网络与非负边权重。该算法以这样的方式接近，即它可以在任何两个节点之间具有多条路径，并且一旦优化完成，就根据等式中所（24页）。交通网络被建模为从EV电流到最短路径（就能耗而言如果发现满足条件（剩余SoCPSoC行进通过第K个CS），则将第K个CS的位置移动到第K个CS。步骤3.估计再充电后（第K个CS到目的地或另一个CS）的成本如SoC水平和能耗的约束。步骤4. S2RC估计第K个CS的等待时间、充电成本以及充电堆可用性如果充电堆不可用，则转到步骤2。步骤5.在KSP算法得到的所有路由中，S2RC系统给出了最优路由. 步骤6.EV用户必须基于目标中的优选选择来选择CS和路线;然后，提交充电槽预留请求并等待确认。步骤7.CS查看EV生成的请求如果CS拒绝该请求，则EV被迫接受次优解。6. 昌迪加尔交通网络6.1. 实验装置一个真实的交通网络，昌迪加尔（印度）已被选择用于分析所提出的模型（见图8a）（Mapsofindia，2021; Heivly，2021）。这种情况是公开的见图6。不同道路交通密度映射的说明与各自的变量。CZA.库马尔河，巴西-地Kumar和A.Aggarwal沙特国王大学学报2201ðÞ一2当寻找CS处的ToD服务成本的实时差异时，因此，访问不同的CS时会产生不同的费用。6.2. 基于情景1的6.2.1. 路径规划核算能耗在调整所有参数后，通过方程估计能量消耗。9 .第九条。等式假设（28）和（29）满足模拟场景中的可达性和能量需求的要求然后，使用已实现的KSP算法生成路径。仿真结果表明，该方法以能耗为目标函数，生成了三条最优路径。表5说明了各个路线、它们的能量消耗和路线距离。此外图图13以图形方式描绘了如图12所示的所有三个生成的路由的能耗和SoC曲线。 10个。所有这三条路线在能耗和SoC水平上都显示出很大的差异据观察，交通状况，电池健康，道路坡度等因素影响能源消耗。例如，路线3是所有三个生成的路线中最短的路线;并且它应该是最能量最优的路线。然而，路线1被认为是最节能的路线，因为它避免了影响电动汽车能源效率的因素。6.3. 基于情景2的见图7。 敏捷充电时隙预留过程。一个可访问的开源网络，试图提供一个动态的交通需求，考虑到异构的电动汽车用户与高度的地理精度。为了便于统计分析，原始场景被转换为具有34个节点和50条边的相应拓扑网络，如图9所示。边的具体信息已经以a;b的格式用对应的边标记，其中a表示两个节点之间的距离;并且b表示恒定速度限制。EV的源位置和目的地位置分别被配置为节点编号1和34。对于本研究，特斯拉S P85的车辆参数已被用于计算车身上的不同作用力（Charged，2021）;锂离子电池参数从电池数据表中收集，如表3所述（Bozorgi等人，2017年）。所有KSP算法脚本都是在MATLAB R2021b中编写的，而Eq. (24)已在CPLEX OptimizationStudio 20.1中解决，采用AMD Rygen 7处理器和8 GB RAM（IBM，2021）。在本案例研究中，ToU（使用时间）能源成本已用于五个不同的CS。与CS规范相关的数据（例如，表4中提供了在不同CS处的六个不同的一天中的时间（ToD）分布下的充电堆的数量（例如，充电堆的CS编号、相应的位置和计数）和各种充电成本分布。充电成本包括能源和服务的成本，这些成本高度依赖于能源来源、地理位置和商业考虑。收费成本系数6.3.1. 考虑CS最小等待时间的路线规划由于电动汽车的续航里程有限，在SoC的阈值水平附近行驶是非常令人不安的。因此，它需要在整个航程中频繁充电。 基于SoC级别，电动汽车用户请求S2RC分布式模型，激活了敏捷充电预约系统.首先，它获取有价值的信