計及行駛工況的多目標(biāo)純電動汽車路徑規(guī)劃

計及行駛工況的多目標(biāo)純電動汽車路徑規(guī)劃摘要：對純電動汽車充電路徑規(guī)劃問題進(jìn)行研究，提出了一種計及行駛工況的多目標(biāo)純電動汽車路徑規(guī)劃方法。充分考慮了駕駛特性、環(huán)境因素以及交通路況對電動汽車能耗的影響，建立了行駛工況數(shù)據(jù)庫。設(shè)計了行駛工況特征參數(shù)提取策略，在最大限度降低數(shù)據(jù)維度的同時，篩選出最能反映行駛工況的特征參數(shù)子集。采用改進(jìn)核FCM算法對行駛工況進(jìn)行聚類分析，通過引入加權(quán)核函數(shù)和自適應(yīng)聚類機制，實現(xiàn)行駛工況最佳聚類劃分的同時，得到了反映不同行駛工況的平均參數(shù)水平。在此基礎(chǔ)上，構(gòu)建基于行駛距離、時間和能耗的多目標(biāo)充電路徑規(guī)劃模型，并采用改進(jìn)的離散多目標(biāo)海豚群算法進(jìn)行求解，通過重新定義海豚個體編碼和群體進(jìn)化方式，得到合理路徑規(guī)劃方案。仿真結(jié)果表明：所提規(guī)劃方法得到PathPlanningofMulti-ObjectivePureElectricVehicleConsideringDrivingConditionsKeyWords：ElectricVehicle；PathPlanning；FuzzyClustering；FeatureParameters；DolphinSwarmAlgorithm；DrivingTime；ChargingCost近年來，隨著新能源汽車技術(shù)的不斷發(fā)展成熟，電動車輛（ElectricVehicle）已成為交通工具的要組成及應(yīng)用必然成為趨勢［2］。面對交通擁堵的路況、資源有限的充電劃行駛路徑和推薦充電站［3-4并且其已成為電動車輛路徑規(guī)劃消耗進(jìn)行行駛路徑推薦的同時，實現(xiàn)充電合理調(diào)度。由于受續(xù)航能力、充電時長等技術(shù)約束，基于途中充電的EVPP-C（EVPP題，將充電行為引入路徑規(guī)劃中，提出了EV充電路徑ΨΑ)TUT但是該方法假定EV可以在客戶處進(jìn)行充電。文獻(xiàn)［7］基于最大駕駛時間限制考慮，構(gòu)建了多充電站EVRP-C模型，但是其設(shè)定每次充電時間是固定的。文獻(xiàn)［8］在綜合考慮EV充電時間和價格成本的基礎(chǔ)上，提出了EV行駛路徑與充電調(diào)度雙目標(biāo)規(guī)劃方法。文獻(xiàn)對EV充電站建設(shè)規(guī)劃問題進(jìn)行研究，提出了基于細(xì)菌菌落算法的多目標(biāo)規(guī)劃方法，但是該算法沒有考慮交通路況信息，導(dǎo)致EV可能需要繞路進(jìn)行充電。文獻(xiàn)［2］在構(gòu)建動態(tài)路網(wǎng)模型的優(yōu)充電和行駛路徑推薦，但是，該方法主要考慮路況擁堵等外部智慧出行和面向駕駛用戶的個性化服務(wù)是EVPP研究發(fā)展的重點方向之一，而深度挖掘分析電動車輛行駛工況是EVPP研究的基礎(chǔ)和關(guān)鍵。隨著群智感知技術(shù)在交通領(lǐng)域的廣泛應(yīng)用，我們可以方便快捷的獲取交通路況實時信息。為此，這里從EV自身駕建立行駛工況數(shù)據(jù)庫，采用行駛工況特征參數(shù)提取策略和改進(jìn)核FCM算法對行駛工況進(jìn)行分析，以找到最適合當(dāng)前狀態(tài)的行駛工況，在此基礎(chǔ)上構(gòu)建多目標(biāo)EVPP模型，并采用改進(jìn)的海豚群算法2行駛工況描述在規(guī)劃時間尺度內(nèi)，電動車駕駛行為組成行駛工況庫，集中反映了駕駛特性。目前，絕大多數(shù)EVPP研究采用與交通路況有關(guān)的參數(shù)，沒有更多選取反映電動汽車駕駛本身特性的參數(shù)。在實際交通駕駛行為中，電動汽車表現(xiàn)出的各種工況特性，是駕駛員、車輛性能和外部環(huán)境之間的交互表現(xiàn)，因此，采取代表maxsdidlamair駛工況特征向量fcyc：maxidlairstd對于EVPP問題，設(shè)定fcyc為電動汽車每1km下采集的數(shù)據(jù)。因此，在規(guī)劃時間尺度內(nèi)，得到規(guī)模為N的行駛工況特征矩陣f1cycfNcycEQ\*jc3\*hps9\o\al(\s\up8(1),2)EQ\*jc3\*hps9\o\al(\s\up8(1),2)maxvave?aNvstd■2.1特征參數(shù)提取fcyc內(nèi)各個參數(shù)具有一定的冗余度，為此設(shè)計特征參數(shù)提取策略，在最大程度保持辨識度的同時，選取出相互之間冗余度最小的參數(shù)組合。定義特征參數(shù)提取向量?:?=(α1，?,αi，?α12i=0或αi=1。?T，??T]12×12對fcyc處理有：fcycT，?,avstd)α1α1α1α2?α12????α2|=α2|=(f1，?,f2)α12α12i=1fi取值為fcyc第i個參數(shù)，否則fi=0。去除(f1，?,f2)內(nèi)所有0元素，即為提取后的特征參數(shù)向量fcEQ\*jc3\*hps18\o\al(\s\up0(′),y)c=(f1′，?fK′)。設(shè)N個fcyc被劃分為C類，為了評價fcEQ\*jc3\*hps18\o\al(\s\up0(′),y)c分類能力以及內(nèi)各參數(shù)之間的冗余度，定義特征參數(shù)提取評價Δ(?)：?EQ\*jc3\*hps9\o\al(\s\up11(2),F)11μ12?|μ21μ22?=|?11μ12?|μ21μ22?μμ1Cμ1=|C1=|Cvij陣；D(vi，vj)—第i個聚類中心與第j個聚類中心距離度量i可以證明，當(dāng)Δ(?)取最小值時，對應(yīng)的?為最佳特征參數(shù)提取向量，并且提出后的特征參數(shù)之間冗余度最小、分類能力保持?EQ\*jc3\*hps17\o\al(\s\up10(m),m)EQ\*jc3\*hps17\o\al(\s\up10(i),i)EQ\*jc3\*hps17\o\al(\s\up10(n),n)EQ\*jc3\*hps17\o\al(\s\up16(U),2)EQ\*jc3\*hps17\o\al(\s\up16(Ψ),U)EQ\*jc3\*hps17\o\al(\s\up10(-),U)2BEQ\*jc3\*hps9\o\al(\s\up2147483640(2),F)=mintrEQ\*jc3\*hps17\o\al(\s\up10(U),U)EQ\*jc3\*hps17\o\al(\s\up11(TU),UT)EQ\*jc3\*hps17\o\al(\s\up10(N),N2)EQ\*jc3\*hps17\o\al(\s\up10(U),U)EQ\*jc3\*hps9\o\al(\s\up10(UT),TU)|+(N2B)(N2B|+(N2B)(N2B)-2(N2B)|??mintr(EQ\*jc3\*hps17\o\al(\s\up15(U),U)EQ\*jc3\*hps9\o\al(\s\up15(UT),TU)maxtr(Ψ)TUT=maxtr(D)=(<fcEQ\*jc3\*hps18\o\al(\s\up0(′),y)c，iEQ\*jc3\*hps18\o\al(\s\up0(′),y)h>)2EQ\*jc3\*hps9\o\al(\s\up3(h),C)=EQ\*jc3\*hps9\o\al(\s\up4(4),S)EQ\*jc3\*hps11\o\al(\s\up3(2′),f)EQ\*jc3\*hps11\o\al(\s\up3(2′),f)j=1hfcEQ\*jc3\*hps18\o\al(\s\up0(′),y)c，i—第i個ficyc對應(yīng)的特征提取參數(shù)向量；Sh—矩陣U第hhEQ\*jc3\*hps11\o\al(\s\up2147483647(′),)EQ\*jc3\*hps18\o\al(\s\up0(′),y)k個聚類的皮爾遜相關(guān)性EQ\*jc3\*hps11\o\al(\s\up2(2′),f)EQ\*jc3\*hps11\o\al(\s\up2(2′),f)EQ\*jc3\*hps18\o\al(\s\up0(′),y)EQ\*jc3\*hps18\o\al(\s\up0(′),y)EQ\*jc3\*hps11\o\al(\s\up3(2′),f)EQ\*jc3\*hps11\o\al(\s\up3(2′),f)EQ\*jc3\*hps18\o\al(\s\up2(′),y)rTr)fcEQ\*jc3\*hps18\o\al(\s\up2(′),y)c，iEQ\*jc3\*hps18\o\al(\s\up2(′),y)rTr)fcEQ\*jc3\*hps18\o\al(\s\up2(′),y)c，iEQ\*jc3\*hps18\o\al(\s\up2(′),y)rTr)fcEQ\*jc3\*hps18\o\al(\s\up2(′),y)c，i反映了分類間的離散綜上，選取恰當(dāng)?shù)?,能夠使得提出后的特征參數(shù)之間冗余度最小，并最大限度保持分類能力。從特征參數(shù)提取過程可以看ij)等參數(shù)計算問題，為此提出改進(jìn)的核FCM算法，在完成特征參數(shù)提取的同時，實現(xiàn)高效行使工況聚類分析。2.2改進(jìn)核FCM算法針對傳統(tǒng)FCM只適用于類內(nèi)緊致度與類間離散度較好數(shù)據(jù)聚類分析的缺陷，核FCM（KFCM）采用內(nèi)核映射距離度量替換歐EQ\*jc3\*hps9\o\al(\s\up4(m),ik)i)=μEQ\*jc3\*hps9\o\al(\s\up4(m),ik)xkvi2i—第i個聚類中心；xki=xkvi2—內(nèi)核距離度量，進(jìn)一步推導(dǎo)有：xkvi2=(Φxkvivi=ΦT(xk)Φ(xk)-ΦT(xk)Φ(vi)-（13）Φ(xk)ΦT(vi)+ΦT(vi)Φ(vi)令K(x，v)=ΦT(x)Φ(vT(xk)Φ(vi)=Φ(xk)ΦT(vi)。因此有：EQ\*jc3\*hps9\o\al(\s\up4(m),ik)i)=μEQ\*jc3\*hps9\o\al(\s\up1(m),ik)(2KEQ\*jc3\*hps17\o\al(\s\up7(K),xk，)EQ\*jc3\*hps17\o\al(\s\up6(x),i)ii加權(quán)核函數(shù)考慮行駛工況特征矩陣ΨN×12復(fù)雜性，為進(jìn)一步提高聚類質(zhì)量，采用多個內(nèi)核映射對fcEQ\*jc3\*hps18\o\al(\s\up0(′),y)c進(jìn)行處理：fcEQ\*jc3\*hps18\o\al(\s\up1(′),y)c(fEQ\*jc3\*hps18\o\al(\s\up1(′),y)EQ\*jc3\*hps18\o\al(\s\up1(′),y)(fEQ\*jc3\*hps18\o\al(\s\up1(′),y)=μEQ\*jc3\*hps9\o\al(\s\up4(m),ik)D(fEQ\*jc3\*hps18\o\al(\s\up1(′),y)i)=μEQ\*jc3\*hps9\o\al(\s\up0(m),ik)‖ωiΦi(fEQ\*jc3\*hps18\o\al(\s\up0(′),y)ωiΦivi2EQ\*jc3\*hps18\o\al(\s\up0(′),y)EQ\*jc3\*hps18\o\al(\s\up0(′),y)i=0有：μic=1cEQ\*jc3\*hps18\o\al(\s\up1(′),y)cEQ\*jc3\*hps18\o\al(\s\up1(′),y)(fEQ\*jc3\*hps18\o\al(\s\up1(′),y))cμiciμici=1(fEQ\*jc3\*hps18\o\al(\s\up1(′),y)cEQ\*jc3\*hps18\o\al(\s\up1(′),y)EQ\*jc3\*hps18\o\al(\s\up1(′),y)-Nq(μEQ\*jc3\*hps9\o\al(\s\up5(m),ic)ω2kKkNq(μEQ\*jc3\*hps9\o\al(\s\up5(m),ic)ω2kKk(fcEQ\*jc3\*hps18\o\al(\s\up1(′),y)c，i，fcEQ\*jc3\*hps18\o\al(\s\up1(′),y)c，j))EQ\*jc3\*hps9\o\al(\s\up4(m),ic)EQ\*jc3\*hps18\o\al(\s\up0(′),y)EQ\*jc3\*hps18\o\al(\s\up0(′),y)據(jù)點與聚類中心的距離，進(jìn)一步改善了對復(fù)雜數(shù)據(jù)的聚類性能。2.3行駛工況聚類分析EQ\*jc3\*hps18\o\al(\s\up0(′),y)工況進(jìn)行描述，利用改進(jìn)后的核FCM算法（IKFCM）對{fcEQ\*jc3\*hps18\o\al(\s\up0(′),y)c，i}進(jìn)行聚類分析，從而確定電動汽車不同情況下的平均駕駛行為。由于IKFCM聚類個數(shù)C未知，因此提出自適應(yīng)聚類機制。自適應(yīng)聚類從特征參數(shù)提取過程可以看出，其融合了IKFCM部分參數(shù)，為此設(shè)計雙層自適應(yīng)聚類策略，將IKFCM最佳聚類實現(xiàn)嵌入特征提取向量?求解過程中：分別將?、Δ為智能優(yōu)化算法個體編碼和目標(biāo)函數(shù)（這里采用海豚群算法，具min執(zhí)行Tmax次海豚群算法迭代更新操作，最終得到最佳?,其對應(yīng)的IKFCM聚類結(jié)果即為對{fcEQ\*jc3\*hps18\o\al(\s\up0(′),y)c，i}的聚類分析，從而實現(xiàn)行駛工況聚類。行駛工況聚類實現(xiàn)流程，如圖1所示。行駛工況聚類復(fù)雜度從行駛工況聚類實現(xiàn)過程可以看出，對于具有Q個個體的海豚群算法，種群初始化復(fù)雜度為O(12×Q)。在算法每次迭代時，特征參數(shù)集合確定復(fù)雜度為豚群算法每次迭代更新復(fù)雜度為：maxmaxtmaxO(NCK)max—IKFCM迭代次數(shù)。況聚類復(fù)雜度：EQ\*jc3\*hps9\o\al(\s\up8(ma),O)實現(xiàn)計算復(fù)雜度較高，可以采用并行計算架構(gòu)提高計算效率。圖1行駛工況聚類實現(xiàn)流程圖從電動汽車本身出發(fā)，借助群智感知技術(shù)獲取電動汽車潛在行駛路徑的交通路況實時信息［11根據(jù)路況實時信息提取每隔1km路徑片段的特征參數(shù)，據(jù)此尋找到該路徑片段特征參數(shù)所屬的行駛工況分類，并利用該分類聚類中心對行駛距離、行駛時間以及充電成本進(jìn)行計算，最后采用離散多目標(biāo)海豚群算法進(jìn)行求解。3.1EVPP模型構(gòu)建j連通關(guān)系。選取行駛距離、行駛時間以及充電成本，構(gòu)建多目標(biāo)EVPP模型。行駛距離定義行駛距離函數(shù)fL(SYT)為：fL(SYT)行駛時間定義行駛距離函數(shù)ft(SYT)為：HPH（22）fL(SYT)ΣdabHPH（22）i}U{Hi}U{S}U{T}a，b—通過Ra，b平均速度；tH—在Hj充電站排隊等待時間；E0—電動車初始電量；EH—到達(dá)Hj充電站時剩余電量；充電成本定義充電成本函數(shù)fchar為：fcharH—Hj充電站充電電價和服務(wù)費。多目標(biāo)函數(shù)F(SYT)為：ba約束條件2對于EVPP，規(guī)定電動汽車到達(dá)任一充電站時的剩余電量EH滿足：EH0-ΣEa,b,+ΣEH，chara,b,jkeHinSYHjEQ\*jc3\*hps17\o\al(\s\up7(b,),Y)EQ\*jc3\*hps23\o\al(\s\up7({),})Zi}UEQ\*jc3\*hps23\o\al(\s\up7({),{)HiEQ\*jc3\*hps23\o\al(\s\up7(}),})UEQ\*jc3\*hps19\o\al(\s\up7({),{)S}U{TEQ\*jc3\*hps19\o\al(\s\up7(}),})njkeHinSYHj{SYHj}—從起點到達(dá)Hj充電站時所經(jīng)過的網(wǎng)絡(luò)節(jié)點；每公里電量消耗。3.2離散海豚群算法覓食行為，通過內(nèi)部信息交流和迭代更新，最終實現(xiàn)全局最優(yōu)解（DDSA重新定義海豚個體編碼和群體進(jìn)化方式。DDSA編碼將I個路徑網(wǎng)絡(luò)節(jié)點Zi和M個充電節(jié)點Hj按照定義海豚Xi編碼為：Xii1ijiY)（26）ijXi內(nèi)所有非零編碼位對應(yīng)的節(jié)點即為規(guī)劃路徑節(jié)點。Y/kM充電成本Y/kM充電成本/元Y/kMi個不同編碼位替代Xi內(nèi)對應(yīng)編碼位。β-γ1，min-ω2min—γ最小值。（2）離散跳躍。隨機選取Xi內(nèi)λ個編碼位進(jìn)行取反操作。2不同編碼位替代Xi。γ2，max-γ2，min-/π（28）、γ2，min—γ2最大最小值。從離散搜尋、離散捕獵更新過程可以看出，Xi能夠自適應(yīng)選取一定數(shù)量的編碼位向優(yōu)秀個體進(jìn)行學(xué)習(xí)。并且如果不能產(chǎn)生更有個體，則以離散跳躍的形式得到新的個體。3種更新進(jìn)化方式即擴大了搜索空間又提升了收斂效率。另外，觀察Xi編碼可以看出，其形式與特征參數(shù)提取向量?一樣，因此，在第1節(jié)求解?時，可以直接將?等效為Xi，并采用相同的3種進(jìn)化方式進(jìn)行更新。DDSA復(fù)雜度對于具有ρ個海豚個體的種群，初始化復(fù)雜度種群更新復(fù)雜度為O(ρY)，因此算法計算復(fù)雜度O(DDSA)為：ρYmax(EQ\*jc3\*hps17\o\al(\s\up7(O),O)EQ\*jc3\*hps17\o\al(\s\up5(ρ),ρ)EQ\*jc3\*hps17\o\al(\s\up5(γ),γ)EQ\*jc3\*hps9\o\al(\s\up4(1),2)EQ\*jc3\*hps17\o\al(\s\up7(O),O)EQ\*jc3\*hps17\o\al(\s\up5(ρ),ρ)EQ\*jc3\*hps17\o\al(\s\up7(λ),Y)+)3.3EVPP實現(xiàn)編碼可行性判定對于Xi，執(zhí)行更新操作后得到新的個體進(jìn)A＊算法［14-16］在這些候選點節(jié)點中尋找一條S到T且滿足約束條件的次優(yōu)路徑，若尋找成功，則用這條次優(yōu)路徑節(jié)點信息更新Xi，new，否則隨機選取種群內(nèi)其他滿足可行性判定的個體替代Xi。（圖3給出了網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)選取2018年2月至2020年2月電動車駕駛行為構(gòu)成行駛工況庫，為了方便問題描述，隨機選取某天行駛數(shù)據(jù)作為實時路況信息。電動汽車、充電站具體參數(shù)參考文獻(xiàn)［17］。2020起點864充電部2節(jié)點0X/kM圖3網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖4.1實例仿真行駛時間/h1.730行駛距離/km圖4路徑規(guī)劃Pareto最優(yōu)解前沿86極端14200極端2極端3綜合最優(yōu)X/kM5圖5不同決策方案路徑規(guī)劃路線圖行駛時間/h行駛時間/h充電成本/元表1不同決策方案路徑規(guī)劃參數(shù)Tab.1PathPlanningParametersofDifferentDecisionSchemes方案規(guī)劃路徑評價指標(biāo)fchar/元fL(S→T)/km綜合最優(yōu)→22→27極端1→21→27極端23→4→5→11→15→21→27極端3→25→26→27分別設(shè)置3號、27號節(jié)點為起始點和目的地，電動汽車從8： 00am出發(fā)，出發(fā)時電瓶滿負(fù)荷狀態(tài)。采用這里所提方法進(jìn)行路徑規(guī)劃，Pareto最優(yōu)解集，如圖4所示。采用TOPSIS評價技術(shù)對 線圖，如圖5所示。具體參數(shù)對比結(jié)果，如表1所示。從圖4、圖5可以看