一种电动出租车队在能源-交通中的充放电调度方法技术

本发明专利技术提供一种电动出租车队在能源

【技术实现步骤摘要】
一种电动出租车队在能源
‑
交通中的充放电调度方法


[0001]本专利技术涉及电动出租车调度
，尤其涉及一种电动出租车队在能源
‑
交通中的充放电调度方法。

技术介绍

[0002]随着环保理念的提升和电动汽车技术的发展，电动出租车已经成为全球范围内日益普及的出行方式，同时以电动汽车为代表的新能源汽车、以自动驾驶技术为标志的智能网联车是中国的国家战略。电动出租车无排放、低噪音，对环境影响较小，符合未来城市出行的趋势，在自动驾驶的场景下可24小时不间断工作、无条件服从调度与控制指令，从而具备极高的运行效率。然而，在叫车系统中，并非每时每刻都有着繁忙的订单需求，存在大量的时间车队的大部分车辆都处于空闲状态，合理的利用这部分空闲车辆给电网提供服务可以为车队带来收益同时能给电网带来削峰填谷的效果。考虑到电池的续航里程和充电时间，出租车在行驶一定距离后需要充电，充电站的位置、电池剩余电量、充电时间以及充电价格等因素都会对电动出租车的运营效率和服务质量产生重大影响。因此，如何有效地调度电动出租车的充电、利用车队的空闲时间为电网提供放电服务，以实现最高的运营效率与收益，成为了一个亟待解决的问题。

技术实现思路

[0003]本专利技术的目的在于提供一种电动出租车队在能源
‑
交通中的充放电调度方法，以解决上述
技术介绍
中提出的问题。
[0004]本专利技术是通过以下技术方案实现的：一种电动出租车队在能源
‑
交通中的充放电调度方法，包括以下步骤：
[0005]S1：获取城市历史出租订单数据对订单、自动驾驶电动出租车、充电站进
[0006]行建模；
[0007]S2：建立电动出租车接单
‑
充电环境模型；
[0008]S3：建立充电站
‑
电动出租车匹配模型；
[0009]S4：建立基于独立近端策略优化的深度强化学习网络模型；
[0010]S5：基于所述深度强化学习网络模型进行实时充电调度。
[0011]优选的，所述步骤S1具体包括：基于城市历史出租订单数据统计分析出城市出租订单的时空规律，对订单、自动驾驶电动出租车、充电站进行建模，其中订单元素包括开始时间、结束时间、开始位置、结束位置；充电站元素包括充电站位置、电价函数；电动汽车元素包括荷电状态、汽车位置以及下次空闲时间；所建立的模型如下：
[0012][0013][0014][0015]其中，Order
i
为订单模型，CS
k
为充电站模型，AEV
j
为电动出租车模型，i为订单编号，I为订单集合，k为充电站编号，为充电站集合，t为任意时间，j为电动出租车编号，为电动出租侧集合，为开始时间，为结束时间，为开始位置，为结束位置；为充电站位置，c
k
(t)为电价函数；SOC
j
为荷电状态，为汽车位置，为下次空闲时间。
[0016]优选的，所述步骤S2具体包括：建立电动出租车接单
‑
充电环境模型具体包括：构建考虑充电成本、放电收益、订单服务收益、订单违约成本的目标函数：
[0017]maxR＝R
discharge
+R
order
+R
charge
+R
breach
[0018]其中，R
discharge
为放电回报，R
order
为订单回报，R
charge
为充电回报，R
breach
为违约回报，maxR为目标函数的最大化总回报，R为总回报。
[0019]优选的，所述放电回报和所述充电回报计算方法如下：
[0020]R
discharge
＝∑c
k
(t)η
DC
P
discharge
Δt
[0021]R
charge
＝
‑
∑c
k
(t)P
charge
Δt
[0022]其中，c
k
(t)为充电站的电价函数，P
discharge
为额定放电功率、P
charge
为额定充电功率，η
DC
为放电效率，Δt为充放电时长，R
discharge
为放电回报，R
charge
为充电回报。
[0023]优选的，所述订单回报以及违规回报的计算方法如下：
[0024][0025]R
breach
＝
‑
N
breach
·
r
penalty
[0026]其中，为订单上车点与下车点间的距离，N
breach
为放弃的订单数，r
penalty
为每个违约订单的违约金，R
order
为订单回报，C
B
为起步费用，c
DF
为单位距离费用，d
init
为起步距离，R
breach
为违规回报，N
breach
为放弃的订单数，r
penalty
为每个违约订单的违约金。
[0027]优选的，所述步骤S2还具体包括，建立电动出租车进行充电、接单行为时位置、电量等参数的变化模型，所述变化模型具体包括如下：
[0028][0029][0030][0031]其中，为电动汽车j的位置、SOC
j
为电荷量，为下次空闲时间，SOC
max
为最大
电量，为充电站k的位置，为汽车去充电站花费的时间、为充电花费的时间，为电动汽车去充电站放电时消耗的电量，t
τ+1
为下一个时间段的开始时间，为完成订单i所需的能量，为汽车到达上车地点所需的能量，E
Capacity
为电动汽车电池容量，为订单结束时间，为订单下车地点。
[0032]优选的，所述步骤S3具体包括：对于每辆电动出租车，根据成本及收益为其选定一个用于充电最优充电站和一个用于放电最优充电站，当出租车即刻需要充电或放电时，计算该出租车到每个充电站充电所需的充电成本或放电收益，选择充电成本最低的充电站为最优充电站，选择放电收益最高的充电站为最优放电充电站。
[0033]优选的，所述步骤S4具体包括：以独立近端策略梯度作为多智体强化学习模型，将实时匹配结果与历史订单的时空规律作为特征输入深度强化学习网络模型，根据环境每个时间步环境的状态给每个充电站输出一个动作，并通过回报函数不断更新神经网络，所述每个时间步环境的状态表达如下：
[0034][0035]其中，为第k个智能体的观测，在此多智体强化学习模型中，每个充电站作为一个智能体，拥有独立的观测及动作。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电动出租车队在能源
‑
交通中的充放电调度方法，其特征在于，包括以下步骤：S1：获取城市历史出租订单数据对订单、自动驾驶电动出租车、充电站进行建模；S2：建立电动出租车接单
‑
充电环境模型；S3：建立充电站
‑
电动出租车匹配模型；S4：建立基于独立近端策略优化的深度强化学习网络模型；S5：基于所述深度强化学习网络模型进行实时充电调度。2.根据权利要求1所述的一种电动出租车队在能源
‑
交通中的充放电调度方法，其特征在于，所述步骤S1具体包括：基于城市历史出租订单数据统计分析出城市出租订单的时空规律，对订单、自动驾驶电动出租车、充电站进行建模，其中订单元素包括开始时间、结束时间、开始位置、结束位置；充电站元素包括充电站位置、电价函数；电动汽车元素包括荷电状态、汽车位置以及下次空闲时间；模型如下：态、汽车位置以及下次空闲时间；模型如下：态、汽车位置以及下次空闲时间；模型如下：其中，Order
i
为订单模型，CS
k
为充电站模型，AEV
j
为电动出租车模型，i为订单编号，I为订单集合，k为充电站编号，为充电站集合，t为任意时间，j为电动出租车编号，为电动出租侧集合，为开始时间，为结束时间，为开始位置，为结束位置；为充电站位置，c
k
(t)为电价函数；SOC
j
为荷电状态，为汽车位置，为下次空闲时间。3.根据权利要求1所述的一种电动出租车队在能源
‑
交通中的充放电调度方法，其特征在于，所述步骤S2具体包括：建立电动出租车接单
‑
充电环境模型具体包括：构建考虑充电成本、放电收益、订单服务收益、订单违约成本的目标函数：max R＝R
discharge
+R
order
+R
charge
+R
breach
其中，R
discharge
为放电回报，R
order
为订单回报，R
charge
为充电回报，R
breach
为违约回报，max R为目标函数的最大化总回报，R为总回报。4.根据权利要求3所述的一种电动出租车队在能源
‑
交通中的充放电调度方法，其特征在于，所述放电回报和所述充电回报计算方法如下：R
discharge
＝＝∑c
k
(t)η
DC
P
discharge
ΔtR
charge
＝
‑
∑c
k
(t)P
charge
Δt其中，c
k
(t)为充电站的电价函数，P
discharge
为额定放电功率、P
charge
为额定充电功率，η
DC
为放电效率，Δt为充放电时长，R
discharge
为放电回报，R
charge
为充电回报。5.根据权利要求4所述的一种电动出租车队在能源
‑
交通中的充放电调度方法，其特征在于，所述订单回报以及违规回报的计算方法如下：R
breach
...

【专利技术属性】
技术研发人员：庞松岭，霍美屹，赵海龙，李巍，白浩，杨炜晨，要若天，徐敏，刘通，
申请(专利权)人：海南电网有限责任公司电力科学研究院，
类型：发明
国别省市：