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技术

本发明专利技术提出了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。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，搭建基于动态交通流和用户心理的EV出行引导平台，以降低EV用户出行的拥堵概率和耗电量，提升用户的出行体验，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。同时实现电网和路网的优化。同时实现电网和路网的优化。

An electric vehicle travel guidance method based on dynamic traffic flow and user psychology

【技术实现步骤摘要】
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


[0001]本专利技术属于交通
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]为解决上述问题，本专利技术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。本专利技术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。
[0006]本专利技术结合工程实际，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。
[0007]本专利技术的技术方案如下：
[0008]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：
[0009]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；
[0010]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；
[0011]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：
[0012]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；
[0013]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。
[0014]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：
[0015]Value
g
＝V
tg
+w
g
V
socg
[0016]其中，Value
g
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，w
g
为第g个电动汽车
用户的SOC/时间权重系数；
[0017]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
为第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一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：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；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；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：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；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；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：其中，Value
g
表示第g个电动汽车用户心理预期效用值，表示第g个电动汽车用户时间价值函数模型，表示第g个电动汽车用户SOC价值函数模型，w
g
为第g个电动汽车用户的SOC/时间权重系数；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：式中：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，为第g个电动汽车用户从充电站i到目的地j的时间，为第g个电动汽车用户的早到参考时刻，为第g个电动汽车用户的晚到参考时刻、为第g个电动汽车用户的偏好到达时间，且所述电动汽车用户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：下：下：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，为第g个电动汽车用户的离站时刻的SOC价值函数，为第g个电动汽车用户的到达时刻的SOC价值函数，值函数，为第g个电动汽车用户的离站时刻期望的SOC上限，为第g个电动汽车用户的离站时刻期望的SOC下限，为第g个电动汽车用户的到达时刻期望的SOC上限，为第g个电动汽车用户的到达时刻期望的SOC下限，SOC
Lg
为电动汽车用户离站时的实际SOC，SOC
Ag
为电动汽车用户抵达目的地时的实际SOC；SOC
Lg
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；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：式中：CPV
g
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；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；步骤3所述交通平衡配流模型包括：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；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：
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：其中，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，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；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：在t时刻路段流量x
a,t
与路径流量可以通过关联矩阵联系起来：联系起来：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，则否则所述电动汽车用户路段行驶时间：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t
a
(x
a,t
)计算...

【专利技术属性】
技术研发人员：杨军，柯松，陈磊，吴赋章，范培潇，
申请(专利权)人：武汉大学，
类型：发明
国别省市：