[发明专利]基于深度强化学习的电动出租车充电导航路径规划方法

说明书

本发明提出一种基于深度强化学习的电动出租车充电导航路径规划方法，解决了现有电动出租车充电导航路径的规划方法鲁棒性低，规划基础不全面的问题，以电动出租车在行驶途中的电池损耗、充放电损耗、电池退化、行驶时间、等待时间及充放电时间之和为目标函数，以路径选择、到达时间、电池电量及充放电为约束条件，建立模型并求解，电动汽车充电导航路径的规划基础更全面，以求解之后的目标最优值作为深度强化学习网络模型的输入来训练深度强化学习网络模型，使训练好的深度强化学习网络模型可快速规划输出最优的充电导航路径，避免当面对众多不同的实际应用场景时，常规优化求解算法求解电动出租车充电路径的方法鲁棒性差的缺陷。

技术领域

本发明涉及电动出租车充电导航路径规划的技术领域，更具体地，涉及一种基于深度强化学习的电动出租车充电导航路径规划方法。

背景技术

随着电动汽车的普及率越来越高，大量电动汽车在同一个时刻充电会对当地电网承载负荷的能力带来冲击，所以，需要设计优化充电导航策略以诱导电动汽车，特别是电动出租车合理选择充电站，并在合适的时间进行充电，可以减小电网负荷的峰谷差，提高电网的稳定性以及电能的利用率，同时也能节省电动出租车用户的充电成本。

目前，大部分充电导航策略通常假设电动出租车在快速充电站中充满电之后才离开，但是从现实场景出发，在电动出租车的运营场景下，若让电动出租车在快速充电站中充满电之后才离开，势必会增加电动出租车的充电时间损耗和充电损耗(相对于慢充，在快速充电站进行快充的成本花费会更高)，2018年12月7日，广东工业大学在中国专利中公开了一种应用于电动汽车智能充放电的导航方法(公开号：CN108955711A)，该专利的技术方案考虑快速充电站下大量的快充负荷对电网的冲击影响以及行驶过程中电动汽车的电量，以综合成本最优为目标进行电动汽车最优充放电路径的规划，一方面使用户在整个行程中经济利益最大化的同时节省用户的行程时间，另一方面减少充电负荷，从而减少快速充电对电网的影响，但该充电导航策略并没有考虑电动出租车在充放电中的电池退化成本，而电池经常进行充放电，势必会降低电池的使用寿命，所以电池的退化成本也是电动出租车用户无形中需要承担的成本，在电池退化成本未被考虑时，电动汽车充电导航路径的规划基础不全面，得到的充电导航路径准确性低。此外，现有电动出租车的充电导航路径通常是利用常规优化求解算法求解充电导航路径规划模型之后一次性确定充电路径，当面对众多不同的实际应用场景时，常规优化求解算法求解电动出租车充电路径的方法鲁棒性差。

发明内容

为解决现有电动出租车充电导航路径的规划方法鲁棒性低，而且规划基础不全面的问题，本发明提出一种基于深度强化学习的电动出租车充电导航路径规划方法，从电动出租车用户的角度出发，最大程度减少电动出租车在行驶过程中的综合成本，鲁棒性高。

为了达到上述技术效果，本发明的技术方案如下：

本发明提出一种基于深度强化学习的电动出租车充电导航路径规划方法，至少包括：

S1.获取电动出租车实时的车辆信息；

S2.以电动出租车在行驶途中的电池损耗成本、充放电损耗成本、电池退化成本、行驶时间成本、等待时间成本及充放电时间成本之和为目标函数，以路径选择约束、到达时间约束、电池电量约束及充放电约束为约束条件，建立电动出租车充电导航路径规划模型；

S3.求解电动出租车充电导航路径规划模型，得到电池损耗成本、充放电损耗成本、电池退化成本、行驶时间成本、等待时间成本及充放电时间成本的最优值；

S4.选定深度强化学习网络模型，将步骤S3求得的最优值、电动出租车实时的车辆信息作为深度强化学习网络模型的输入，训练深度强化学习网络模型，输出最优的电动出租车充电导航路径。

在此，电动出租车充电导航路径规划模型为混合整数线性规划模型(MILP)，可通过遗传算法、粒子群算法等智能优化算法求解，也可通过Cplex、Yamip等数学优化求解器求解。