考虑交通环境和纯电动汽车电池电量的动态路径规划方法

史云阳,苗 阳,席殷飞,张 奇,刘志远

(东南大学交通学院,南京211189)

“开展绿色出行行动,倡导绿色低碳出行理念”是我国推动绿色交通、智慧交通,实现交通强国战略目标的重要环节.随着社会经济的发展和生活水平的不断提高,人们对汽车的需求量逐年大幅度上涨,同时汽车尾气的排放对环境造成极其严重的影响.面对严峻的环境问题,我国大力倡导“低碳生活,绿色出行”“节能环保我先行”,一大批新兴节能环保朝阳产业应运而生,而新能源汽车产业横空出世,既能满足人们的需求,又能降低对环境的破坏,实现对环境的“零”伤害.发展和推广新能源汽车是城市可持续发展的重要举措之一,新能源汽车也逐渐成为居民选择出行工具的一个重要选项,这使得在交通领域中新能源汽车的应用研究将成为未来几年的重点方向[1].

目前,我国正处于从传统汽车的使用向以新能源汽车为代表的新型交通工具使用的转变中．而其中纯电动汽车以其有可充电电池提供动力,实现真正的零排放的特点被认为是未来交通出行的首选.因此,纯电动汽车市场也是中国新能源汽车的主流市场.为了满足城市内部及城际新能源汽车出行的需求,推进新能源在交通领域的广泛使用,我国在高速公路服务区和城市内均布设了大量的充电设备.截至2019年底,我国新能源汽车保有量380万,充电桩达到120多万个.从行业政策看,2020年我国规划建成充电桩480万个,充电桩配建要求和建设运营补贴充分保障了充电桩的规划和实施[2].国外电动汽车产业的发展相对较早,配套的基础设施也在逐步完善中,对电动汽车的研发得到了政府的资金资助和科研力量的大力支持.但是,已有新能源汽车使用量的不断增大,导致了其中存在的问题和挑战逐步加深与升级,其中纯电动汽车在续航里程和充电便利性的短板,更是限制其发展和影响消费者购买和使用的关键问题.

为方便人们的日常出行和提高用户驾车体验,一些成熟的GPS导航系统逐步投入市场应用.但前期的导航系统大多是基于静态的路径规划,其路径选择算法的效率不高且算法不易实现.面对复杂的交通实际情况,当前提出的算法在实际交通网络中实施起来有较大困难,缺乏实时性和有效性,不能满足用户需求.随着技术的发展与进步,基于实时交通信息的动态导航系统正处于研究开发阶段,该类系统主要基于历史以及当前获取的交通信息,对未来短时交通流量进行合理预测,从而及时调整和更新最佳行车路线.车辆动态路径规划也逐渐成为现今相关领域学者们的研究热点.但是,由于道路实时交通状况、各个路段的拥堵状况相对复杂,车载动力源续航能力较弱,相应配套的基础设施不够完善,救援呼救系统尚未成熟等因素,致使纯电动汽车路径在规划上受到多种因素影响,并不能得到真正意义上的最优路径.另外,新能源汽车的加入会使整个网络的行驶工况发生改变,如此前不常发生交通拥堵的路段可能会因为安装了充电桩而成为吸引点,造成局部路段拥堵.在现阶段的背景下,分析已有纯电动汽车的行驶特性,预测道路交通状态,进行合理、有效的路径规划,不仅能够达到减少道路阻塞和交通事故的目的,而且还对解决实际问题和为未来规模化普及纯电动汽车具有重要意义.

目前,国内外对纯电动汽车的理论研究主要集中在与其相关的配套基础设施、车载动力源、未来发展历程、未来发展趋势等几个方面,而对于纯电动汽车的路径规划研究还相对较少.在进行纯电动汽车的路径规划和选择时,不仅需要考虑传统车辆路径规划的时空因素,还需要考虑车辆的电能储量与充电过程.在此背景下,本工作围绕行驶工况预测和路径规划2方面,结合纯电动汽车电量消耗和充电需求,动态地分析路网的各种因素对其路径选择的影响,为纯电动汽车的推广、应用以及后续研究提供参考.本工作的研究逻辑框架如图1所示.

图1 研究逻辑框架图Fig.1 Research logic framework

1 交通状态拥堵预测

1.1 基于传统理论的拥堵预测方法

传统的交通状态预测方法一般会给出对应的交通要素,常使用到的要素有车道或车道横断面的交通流量、拥堵时间、密度、道路饱和度、道路平均行程速度比以及排队长度比等,也有学者考虑拥堵发生对于时间方面的影响.另外,对于拥堵影响趋势的预测方法也不尽相同,目前有基于小波分析理论预测方法、核密度估计法、基于时间序列的预测、基于稳态评价指数的预测.冯星宇等[3]利用传统的浮动车法来对车速进行测量,通过记录车辆在路网上运行的坐标、速度、时间等状态信息,得到路段的区间运行速度和行程时间,避免了传统交通检测方式投入高、数据精度和实时性差等缺点,既可以显著降低成本,又能有效地利用车辆的运行状况获取准确的道路交通信息;陈小红等[4]选取各项中、微观指标来分析城市路段的运行状态,从而确定交叉口的运行状况,从时间的角度判断交叉口是否发生拥堵.传统的预测方法考虑因素少,实现简单,对于数据源的要求苛刻,不适用于情况复杂的道路,具有一定的局限性.

基于传统交通理论的这一类方法可以从理论上预测道路交通拥堵的状况,找出拥堵问题的源头,进而改进交通拥堵的状况.但是,在使用传统拥堵预测方法进行预测时还存在一些问题,如在数据收集阶段,当前大部分通过传统手段进行数据收集的方法人力消耗大、费用高、投入多,不适合长期的、多个路段的预测;在目前的数据收集方法中,采用浮动车法进行数据收集,该方法可以较为快速而精确地获得交通数据,但是能够获得的数据种类有限.在进行拥堵预测时,传统交通理论方法考虑的因素较少,即使考虑了包含动态因素(时变因素)在内的多个因素,所得到的参数仍然较少.当参数增多后,基于传统理论的交通拥堵预测方法在预测时运算量激增,因此有较大的局限性,不适用于多路段预测.

1.2 基于机器学习理论的拥堵预测方法

近年来,随着人工智能技术的快速发展,许多学者开始使用机器学习进行拥堵预测,常用的方法有神经网络及其改进算法、马尔科夫预测模型、Logistic模型等.此外,还有学者使用K近邻算法对拥堵状况进行预测.神经网络预测方法是其中较为常用的方法,其改进算法有Bagging集成学习方法、改进BP(back propagation)神经网络算法、基于学习向量量化LVQ(learning vector quantization)神经网络方法以及基于RBF(radial basis function)神经网络方法.程山英[5]整理了一些常用的拥堵预测方法:①使用基于改进人工蜂群的拥堵汽车流量预测方法,这种方法预测效率高,但是预测结果与实际相差较大;②将神经网络和小波方法相融合,该方法预测稳定性较高,但是存在预测过程较为繁琐、耗时长的问题;③基于变量选择的拥堵汽车流量预测方法,该方法预测时间复杂度较低,但是存在预测稳定性差的问题.对于Logistic模型而言,基于Softmax的预测模型是Logistics模型在多分类问题中的推广,谭娟等[6]就曾使用该模型对交通拥堵进行预测,精度较高.但是,该模型在预测交通拥堵地段时较为准确,在预测非拥堵路段时就不够准确.刘梦涵等[7]在评价交通拥堵强度时也使用了累积Logistic回归模型,这种模型基于行程时间和行程速度,在预测快速路段等均匀车流的拥堵程度时有较好的表现.但是该方法不够客观,因为其收集的交通拥堵感知状况是由交通参与者主观判断得到的,具有较大的主观性和随机性,因此数据获取不够客观.邢珊珊等[8]使用了RBF神经网络对速度进行了预测,预测时考虑到速度时空特性,最后得到的结果比单纯使用时间序列的神经网络具有更高的准确性.但是,该方法中只考虑了速度参数,没有考虑路段交通流信息和外界环境的影响.在对复杂城市道路网络进行拥堵预测时,刘张等[9]使用了添加调节项的高阶马尔可夫预测模型,这种方法弥补了马尔可夫模型预测多条道路交通精度不足的缺陷,可以反映道路上各时间点数据之间的影响,精度较高.在对复杂城市交通网络进行拥堵预测时,韦清波等[10]还使用了K近邻预测模型,利用该方法学习历史数据,通过训练和学习预测未来的趋势.这种方法能够精确模拟真实情况,但是受制于历史数据库容量的影响,如果数据库中数据较少,则训练可能不到位,不能很好地预测.基于机器学习的拥堵预测方法在不同情况下相较于传统预测方法有更好的效果,不同的方法也有各自的优势,具体方法的应用需要根据预测需求与数据源进行调整.

综上,基于机器学习的预测方法在交通拥堵预测中被广泛使用.这些方法对于历史数据的质量要求不高,即使在采集数据时个别数据出现了缺失或者错误,也可以在数据清洗阶段对其进行处理,而不影响对模型的训练.但是这些预测方法对于数据的数量要求较高,因为基于机器学习的方法必须通过输入大量的真实数据进行训练,才能较好地预测与真实情况相近的结果;历史数据的不足将会使其训练不到位,这对预测结果将会有较大的影响.目前,由于交通网络中电子设施的应用正逐步增加,因此数据数量不足将不会成为交通拥堵预测的制约因素.此外,这类方法对于是否道路拥挤的判断来源于对交通参与者的调查,道路拥堵程度的数据收集具有较强的主观性,故这些方法在拥堵路段的预测准确度比普通路段的更高.应用基于机器学习的拥堵预测方法能够有效地提高对道路交通状态的预测精度和运算速度,是解决车辆路径规划问题的基础.

2 车辆路径规划

车辆路径规划问题一直都是交通领域的研究热点,特别是从传统理论指导下的路径规划直至近年来广为应用的基于机器学习的路径规划,使得路径规划结果越来越成为道路使用者做出决策判断的重要参数之一.随着数据采集与分析技术的逐步成熟,海量的交通数据能够广泛地应用到路径规划问题中.众多学者从不同的角度进行路径规划算法研究,而对交通状况实现较为精准的预测能够使路径规划的应用场景更加真实,使路径规划的结果能更好地服务于道路使用者.

2.1 静态路径规划算法

在大数据采集技术与机器学习方法没有被广泛普及之前,传统的路径规划问题普遍使用最短路算法来解决.比较常用的是Dijkstra最短路算法和A*算法,这2种方法主要使用时间最短原则或道路最短原则来进行选择,而没有考虑其他因素,如道路设施状况、驾驶主体的个人需求、天气以及行驶工况等.这种路径规划通常被称为静态交通路径规划,不考虑道路实时状况,只从理想条件(或给定条件)下对交通流进行分析,选择理想条件(给定条件)时的最短路径,求解出一条道路作为最优解给出.一般该结果只能作为真实路径规划问题的指导,而不能直接作为路径规划问题的最终结果.

Dijkstra最短路算法[11]和A*算法在进行最短路求解时分别有各自的优势.A*算法在进行单车最短路径选择时花费的时间可能比Dijkstra最短路算法使用的时间少,这是由于A*算法在从出发地到目的地的过程中并没有遍历各个节点,因此A*算法只适用于单车导航的情况,而不能有效地预测整个网络的拥堵状况;而Dijkstra算法可以找寻某出发点至其他各节点的最短路径,从而更适用于整个网络的路径规划.

Nicholson[12]提出了Dijkstra正反交替搜索算法,提高了搜索精度与效率.在传统的路径规划方法中,很少有学者使用Floyd方法来选择路径,这是由于该方法通常只寻求2点间的最短路,而没有对每个节点都进行最短路的预测.但是,该算法在处理单一最短路问题上效率较高,当前在路径管理与规划中也会遇到多重等价最短路的问题.左秀峰等[13]就针对这样的现状,率先使用Floyd方法进行尝试,设计了一个基于Floyd求解多重等价最短路的算法,通过实例证明了该算法在处理多重等价最短路问题上具有较好的效果;张德全[14]提出了Floyd的加速算法与优化算法,使得该方法的应用层面更加广泛,同时也可以更加贴合实际.除此之外,剪枝法、KSP(knowledge strategy process)算法也在Hoffman等[15]的论文中有具体的叙述.但需要注意的是,虽然KSP算法可以求解出多条路线作为路径规划的结果,但是多条路径的相似性较高,故在实际路径规划中适用性并不高.

静态路径规划算法的优点在于节点较少,路径选择的原则不改变,计算简单,也比较容易找到节点与节点之间车辆的关系,可以获得单个车辆在交通网络中的路径选择结果;其缺点在于使用到的参数较少,没有从时间、空间等多维度进行考虑.另外,大部分静态路径规划算法使用的路权矩阵不变,未能与真实的路网状态相结合,也没有考虑道路状况和交通环境的时变性,不能够模拟出真实的交通网络状况,无法得到较为精确的路径规划的信息.

2.2 动态路径规划算法

交通流理论日臻成熟,已有学者在传统最短路方法上进行了改进,使之初步具有路权随车辆选择而改变的特性.随着机器学习在交通领域的应用越来越广泛,大数据采集技术越来越成熟,学者们开始使用基于机器学习的方法来解决路径规划问题.这类研究将实时交通状态的变化加入到路径规划的参考中,根据对交通状态的预测结果给出合理的路径规划方案,而非一成不变的规划结果.在基于机器学习的路径规划中,通常需要进行道路拥堵预测,将预测结果加入路径规划的参考中,获得实时交通状况对于路径选择的影响,通过对交通流的合理路径规划促使城市交通拥堵状况的改善,使交通设施得到合理利用,实现用户或整体最优的目标.

为了更加合理地应用Dijikstra算法,结合对交通状况的预测实现路径规划,刘建美等[16]提出了一种改进的Dijikstra算法,并在可以超车与不可超车的2种情况下进行了预测.这种方法不再是要求路权不变,而是在每次选择路径后更新一次路权,使得路权分布情况更符合实际情况.谭满春等[17]基于ARIMA(autoregressive integrated moving average model)与人工神经网络组合模型对短时交通流进行预测,获得了比单一模型更加理想的预测结果,这2种预测模型的组合为智能交通管控和交通路径诱导提供了新方法,为交通拥堵预测在路径规划的应用提供了思路.胡清准等[18]认为,行车路径设计是为了引导车量在考虑实时交通状态后而规划出的最佳路径,避免出现更加拥堵的状况,从而减少车辆的损耗时间;为了解决路径优化算法中的不足,他们还将遗传算法与蚁群算法结合后得到了遗传-蚁群算法.二者的优点结合在一起进行循环,将每次循环后取蚁群算法中的较优解代替遗传算法的结果,可以有效避免陷入局部最优解的困境,提高计算效率.高忠文等[19]指出了城市交通时空分配不够均衡的问题,如果能通过对交通流的时空分析得到其潜在规律,并利用该规律对未来时间段的交通状态进行预测,则通过预测结果指导交通流在路网的分配和车辆预调度,可降低交通参与者在道路上的损耗时间,也可以缓解城市交通拥堵状况.高忠文等还给出了借助监控系统结合车牌图像识别,通过大数据挖掘建立路网系统运行模式的方法,即通过监控系统拍摄车辆,进行照牌提取,分析整合车辆日常出行时间及路线,再通过模糊聚类分析算法进行智能优化计算,建立交通路网运行模式.这种方法的优势在于其复杂度较小,信息量小;可以反映出多层调节的关系;有正常运行模式的对照,可以及时反映出异常情况.巫锦铭等[20]也曾研究动态预约模式下的路径规划问题,使用了改进遗传算法,添加了时间窗和路径的限制,使规划结果更符合实际情况;并与贪婪算法的结果进行对比,结果显示有较好的表现.Liu等[21]通过设计一种称为流行导线图的结构来总结历史轨迹,并基于历史轨迹以最小出行成本为目标搜索出频率最高的热门路径.基于历史热门线路进行路径规划大大减少了算例的时间,为基于历史热门路线结合实时交通状况解决路径规划问题提供了新思路.刘春燕等[22]在开源实时处理系统Storm框架的基础上,设计了城市实时动态路径规划模型(UR-mode),通过大数据进行交互处理和道路交通状况预测,将出行者的静态目标与实时交通情况的动态目标相结合;同时还设置了变化因子,避免在同一时刻给出相同的路径规划结果而使该道路因交通量激增造成新的拥堵.张书玮等[23]考虑了交通环境实时变化的动态特性,基于多目标蚁群优化算法计算出最优路径,为出行者提供了包括出行路径、各路径上的行驶速度、充电位置与模式等出行要素,并提出了一种在动态随机路网环境下的考虑多目标多约束的电动车辆出行规划策略.

可见,基于传统理论的简单路径规划最常用的方法是基于最短路进行路径规划.目前主要有2种方式:①只考虑当前车辆的单车路径规划;②考虑全局的多路径规划.前者在进行路径规划时只能考虑到单个车辆的运行轨迹,如果要对多个车辆进行路径规划,则需要处理的数据量会激增,因此目前这种方法使用率较低;后者是多路径规划,可以同时获取路网上各点之间的最短路(不只指路径最短,根据不同的目标,最短路的目标可以设置为时间、路径长度等),该方法为传统路径规划中比较热门的方法,也是目前车载导航系统常用的方法.但是,传统的方法仍然受制于较少的参数和较小的运算量,其运算结果与实际的路网状况仍有较大的偏差,不能作为直接使用的路径规划结果.而基于机器学习的动态路径规划算法是基于历史数据与行为学习,对实时路况进行拥堵预测,从时间和空间2个维度进行综合考量,可以将静态目标与动态实时状况结合,给出较为理想的路径规划结果,避免出现更严重的城市道路交通拥堵状况,从而获得用户或整体的最优结果.目前基于机器学习的动态路径规划在没有其他限制条件下的表现较传统路径规划方法的好,路径规划的实时性和准确性在客观条件下可以得到满足,但同样受制于交通参与者个体因素的影响.现在也已经有学者开始研究个人倾向以及同时选择相同道路的多个车辆对路径规划的影响,并提出了简单的解决方法.

3 能源消耗模型

纯电动汽车由于自身的特性在续航里程以及充电便利性方面具有短板,这是限制纯电动汽车发展和影响消费者购买和使用的关键问题.因此,准确地预测纯电动汽车的能源消耗具有十分重要的意义.近些年,许多学者开始对纯电动汽车能源消耗模型进行研究.影响能源消耗模型的相关因素可以分为外部因素(如司机的驾驶习惯、天气情况、道路状况等)和纯电动汽车相关内部因素(如电池状况、车辆重量等).

3.1 传统燃油车能源消耗模型

传统燃油汽车的续驶里程长,在路径规划问题研究中一般不考虑中途加油的情况.而纯电动汽车由于受到电池性能的影响,受续驶里程限制,故在一定程度上增加了路径规划的复杂性和难度.在燃油能源消耗方面,许多研究人员发现,建立一个行驶工况有助于研究能源消耗问题.基于行驶工况参数(瞬时速度和加速度),Yao等[24]分别针对加速、减速、巡航和怠速条件,验证了基于车速和加速度的能源消耗模型;为了研究不同驾驶方式和车型对油耗的影响,Yuan等[25]将其与基于标准行驶工况的估计值进行了比较,使用从真实数据中提取的个性化行驶工况来估计传统车辆和混合动力电动车辆的油耗;Liaw等[26]利用模糊逻辑模式识别技术进行了一次行驶工况分析,研究了基于行驶速度和行驶距离的能源消耗模型;Bektas等[27]考虑车辆荷载、速度和总成本等因素建立了燃油汽车油耗消耗模型,该模型对于解决以减少碳排放为目的的车辆路径规划问题有指导意义.尽管传统燃料汽车与纯电动汽车存在差异,但是基于传统燃料汽车能源消耗方面的研究对纯电动汽车的能源消耗分析具有一定的借鉴意义,此时建立能源消耗模型时需考虑包括速度与加速度等在内的行驶工况参数.

3.2 考虑外部因素的纯电动汽车能源消耗模型

研究与司机驾驶习惯和充电行为相关的因素对计算纯电动汽车的能源消耗具有重要意义.Yang等[28]认为,由于纯电动汽车司机的生活习惯并没有发生很大改变,因此其驾驶模式将类似于传统燃料汽车,但是不同的驾驶行为会对纯电动汽车的能源消耗产生相应的影响;Zou等[29]结合北京电动出租车的运行数据,提出了能源消耗与司机的行为有着密切的关系;Bingham等[30]基于车轮转速和电池状态等因素进行了驾驶实验,发现驾驶方式对电池能源消耗有较大影响,适度的驾驶行为与积极的驾驶行为能够相差近30%左右的能源消耗.

另一方面,学者们也对道路状况、天气温度等外部因素对纯电动汽车能源消耗的影响展开了研究.Yang等[31]研究了道路坡度对纯电动汽车能源消耗的影响,结果表明纯电动汽车的总功耗与道路倾角呈正相关;Liu等[32]结合日本爱知县道路的GPS数据与数字高程图模型(digital elevation model,DEM)数据,研究了道路坡度对纯电动汽车用电量的影响;此外,Wang等[33]考虑了环境温度对纯电动汽车能源消耗的影响,发现能量效率与环境温度之间的关系呈现不对称的“U”形,其最佳能量效率发生在17.5◦C左右;Kambly等[34]综合考虑天气、太阳能负荷、驾驶行为、充电行为等外部因素与能源消耗相结合,提出了一种系统级的方法,但该方法并未考虑车辆的相关因素.纯电动汽车在外部因素不同的情况下能源消耗率变化较大,耗电量也会随路况等因素发生变化,因此仅仅考虑司机的驾驶习惯、天气温度等外部因素来建立能源消耗模型是不合理的,而应结合车辆相关因素,如电池状况、是否打开空调等.

结合上述研究可以发现,影响纯电动汽车能源消耗的外部因素是多方面的,不仅需要考虑司机的行为习惯,而且还需要考虑实际交通环境下的道路属性、拥堵程度等.然而外部因素对于纯电动汽车的能源消耗仍属于宏观的外部条件,精确的能源消耗估计离不开对车辆及电池内部相关因素的研究.

3.3 考虑车辆相关内部因素的纯电动汽车能源消耗模型

考虑到能源消耗因素与纯电动汽车自身属性的关系,锂离子电池因其高能量密度和低自放电率的性质而非常适用于纯电动汽车动力电池[35].Burgess等[36]对纯电动汽车的能源需求进行了参数化研究,结果表明能源需求与纯电动汽车质量成正比,降低纯电动汽车的质量是降低总能源消耗的最有效途径;Kambly等[37]认为,纯电动汽车的储能不仅用于牵引,而且还用于车内的供暖、通风和空调系统,这表明驾驶里程还受限于空调等车载系统的能源消耗;Fiori等[38]描述了具有瞬时制动能量再生的瞬时能源消耗模型,研究结果表明纯电动汽车在城市行驶环境中的能量回收率高于公路行驶的情况;张宸维等[39]考虑了整车阻力、能量回收、动力电池系统、电驱动系统、电气系统、充电系统等6个方面对能源消耗的影响,建立了纯电动汽车能源消耗数学计算模型.

此外,应用于能源消耗模型的方法主要分为2类:①结合经典理论的模拟实验分析方法;②数据驱动的统计分析方法.Boubaker等[40]开发了一个微观模拟工具,集成了能源消耗的微观模型;将混合动力汽车和传统燃料汽车的能源消耗分别置于2种能源消耗模型下,并对其结果进行了比较,Wu等[41]提出了一个考虑可行行驶模式和无控制充电情景的能源消耗理论框架,该框架可估算出轻型插电式电动汽车的功率和功耗.然而,假设所有的纯电动汽车每天同时开始充电是不合理的.随着数据采集技术的进步,使得对纯电动汽车的能源消耗过程有了更全面的了解.以往的研究主要是基于该方法.Wu等[42]建立了一个纯电动汽车数据采集系统,采集时长约为5个月的电动汽车行驶数据,结果显示电动汽车的能量可以描述为在特定速度、加速度和坡度范围内的正态分布或对数正态分布;根据6个月内使用纯电动汽车的实际数据,Brady等[43]提出了一种适用于评估影响纯电动汽车能源经济性的变量(包括加速度、瞬时速度和行驶时间)的行驶工况.近年来,人工智能技术的迅速发展,也为研究能源消耗提供了新的途径.如Felipe等[44]提出了一种计算能源消耗的模型,即以驱动方式和路径变量为输入的人工神经网络方法,可以提高纯电动汽车用户的信心,减少用户担心无法完成行程的焦虑.

虽然基于仿真模拟实验的能源消耗模型是现今研究纯电动汽车能源消耗与估计的主流方法,但是仿真实验与真实情况的误差在需要考虑车辆相关因素时被放大,由于基于真实纯电动汽车出行数据的方法因数据量的不足也存在一定的缺陷,因此如何提高能源消耗模型的真实性与解决纯电动汽车出行数据的局限性是构建纯电动汽车能源消耗模型下一步的研究方向.另外,外部因素与车辆相关因素都是建立能源消耗模型的关键,如何选择合适的影响因素以及综合考虑所选择的因素对能源消耗的影响是该领域的难点.

4 纯电动汽车的动态路径规划

一些学者综合考虑了部分道路信息与车辆相关因素构建了能源消耗模型,并提出了一些路径规划方法,但是大部分研究仅仅考虑了静态的交通信息,并没有考虑动态交通信息对于路径选择的影响.Guo等[45]认为,路径信息对于优化能源消耗具有非常高的利用价值,采用动态规划方法对路径信息进行处理,得到了一组最优的电荷轨迹状态,并在此基础上提出了一种新的基于费用约束的成本函数状态估计方法,但是该方法仅局限于线路固定并重复的公交车,泛化性欠缺.Basso等[46]把纯电动汽车路径规划问题创新性地分成了2个阶段,结合了地形信息、车辆速度分布以及改进的能源消耗估计方法.首先提出了一种计算路网能源成本系数的方法;其次,将能源消耗作为目标函数,考虑电池余量和时间窗约束,求解出起点与目的地之间的最佳路径.虽然该路径规划方法结合了地理信息与能源消耗估计,但仍只是基于静态的交通信息,并没有考虑交通环境的变化.Roberto等[47]基于影响车辆能源消耗的因素提出了一种随机路径速度曲线,该方法对路线而不是司机进行了分析,以确定能源消耗和空气排放随机化的约束和限制,认为当路线确定执行后,人们对驾驶行为的影响就变得无关,这种概率的方法为纯电动汽车的路径规划提供了另一种观点.而Yasmin等[48]则相反,认为典型的车辆路径规划模型忽略了人为因素,而人为因素才是决定路径规划方法成功与否的关键;通过定义风险承担参数表示规划者和驾驶者的自主程度,研究了驾驶者行为对最优路径的影响;采用2种启发式(Greedy和Intra-route邻域启发式)方法,实现动态编程来确保更新路径规划的输入数据;还将其他人类特征(如疲劳、年龄和经验水平)整合到能源消耗估计模型中,以此改善所提出模型的真实性.

交通状况预测一般设定在特定区域,以平均速度为考虑因素;而能源消耗的分析是针对特定车辆、特定工况,除了考虑数字高程、车内是否开空调等因素外,对车辆运行状态的考量还要重点放在频繁停车、速度波动、最大车速等与瞬时车速密切相关的指标上.因此,交通状况预测与能源消耗分析二者之间有信息量级的跨越,如何将二者结合,基于所预测的交通状况信息来提高能源消耗估计的准确性及路径规划算法的真实性是现阶段存在的难点.近两年,已有学者开始探究将这些因素相结合,但该研究仍处于初步探索阶段,其研究方法存在一定的局限性,并且相关研究较少.

郇宁等[49]在综合考虑燃油汽车和纯电动汽车的出行者行为差异、路段拥堵状态、车辆能源消耗、充电设施布局等因素的基础上,采用巢式Logit模型描述了包含充电需求判断、充电设施和路径选择的纯电动汽车出行联合选择行为,建立了考虑用户在途中快速充电行为的动态交通流分配模型,该模型可以作为纯电动汽车动态路径规划的一个参考.Steinbauer等[50]基于过去用户出行行为、车辆和动态优化的先验信息,提出了一种考虑纯电动汽车能源消耗的动态路径规划算法,但是该算法在应用于电动车辆的物流运输规划问题时,缺少对家用纯电动汽车用户的出行特征的分析.杨洪明等[51]基于实时交通信息,使用矩阵分解获得交通信息矩阵,在分时电价机制下提出了以用户出行总成本最小为目标的纯电动汽车充电路径优化模型,但该模型依赖于传感器与用户使用手机提供路段的实时交通状态信息,具有较大的局限性.苏栗等[52]选取了包括最大速度、平均速度、环境温度等12个特征参数行驶工况进行了描述,并分析了各特征参数与能源消耗之间的相关性;构建了纯电动汽车的动态能源消耗模型,并基于此以出行总距离、总时间以及充电价格三者的权值之和最小为目标,考虑路径规划以及剩余电量构建了纯电动汽车充电路径规划模型,该模型较好地将交通状态信息与能源消耗模型相结合;提出了一种符合真实情况的充电路径规划模型,但没有考虑用户的出行习惯等因素且所使用的数据为可插入式混合动力汽车在纯电动模式下的行驶数据,与纯电动汽车用户出行数据仍存在一定差异.

综上,学者们虽然已开始进行纯电动汽车动态路径规划的相关研究,但仍存在一定的技术难点,应综合考虑如下几个方面.①参考传统燃油汽车的能源消耗模型,考虑纯电动汽车的能量回收机制,以能源消耗估计为目标函数,提出一种高泛化性的能源消耗估计方法;结合动态交通状态信息,考虑动态编程不断更新输入的交通状态数据,结合一些司机特征约束来增加模型的真实性;在电池电量不足的情况下,结合充电桩分布信息更新规划路线.②由于纯电动汽车的数据相较于传统燃料汽车的数据在数量上与质量上存在巨大差距,缺少具有代表性的公共数据集也是制约其相关技术发展的原因之一.

5 结论

5.1 已有研究存在的不足

尽管学者们在路径规划、纯电动汽车能源消耗模型、交通状态预测等方面都进行了研究,但是仍存在如下困难与不足.

(1)纯电动汽车出行数据与传统的燃油车辆的数据相比,不管是在数据量上还是数据种类上都存在较大的差距.另外,不同地区纯电动汽车出行用户的驾驶特性不同,地域环境的差异对纯电动汽车电量消耗等方面的影响也不同,已有的研究忽略了出行数据本身的差异.同时,纯电动汽车出行数据方面缺少一个优秀的公共数据集,如何利用具有代表性的出行数据构建一个完整、权威的数据集也是亟需解决的难点之一.

(2)目前对于燃油汽车燃料消耗模型的相关研究已比较成熟,相较于纯电动汽车,传统的燃油车辆能源消耗不需要考虑电池折旧、外界气温影响等因素,虽然模型相对简单,但也有一定的借鉴价值;已有的纯电动汽车能源消耗方面的研究大多脱离传统燃油汽车的燃油消耗机理而单独进行研究,故应结合纯电动汽车和传统燃油汽车的能量回收机制来进行纯电动汽车能源消耗模型相关的研究.

(3)大部分研究没有综合考虑车辆自身参数(如电池状态、能量回收、是否开启空调等),以及外部因素(如交通路况、环境因素及司机驾驶特性等)进行能源消耗模型的搭建,忽略了纯电动汽车单位里程能源消耗受动态交通信息、车辆运行工况的影响.同时,已有能源消耗模型在复杂城市工况下的精度有限,如何融入合适数量的变量来提高模型精度也是已有研究需要进一步改进的地方.

(4)已有研究对于能源消耗等模型准确性的验证方法主要为仿真模拟与数据驱动,但这2种方法都有各自的优缺点,已有研究缺少一套标准的验证算法,如何将2种方法结合或结合文中所述的公共数据集,提出合适的验证算法也是该领域所面临的问题与难点之一.

5.2 浅谈解决措施

在研究电动汽车路径规划时,众多学者将电动汽车在路网上电能损耗整体最优,或充电网络能源消耗分布平均作为路径规划的目标.但是电动汽车除了自身特殊性外,还有一部分特征满足燃油汽车的规划要求,如李鹏程等[53]、张书玮等[54]在进行电动汽车路径规划时考虑了各种电网信息,以及充电约束后又改进了Dijistra算法求解优化问题.为解决传统Dijistra路径规划算法在对电动汽车路径规划优化时的局限性,Yu等[55]提出了一种改进的遗传算法对多模态路径规划问题进行求解;付骁鑫等[56]也在已有的搜索算法上进行改进,获得了一种优化搜索算法.这些改进算法为未来研究电动汽车路径规划提供了新方法和新思路,在已有算法的基础上进行改进会获得更好的效果.另外,构建基于CAN(controller area network)总线的纯电动汽车数据采集系统,能为纯电动汽车车载信息的采集与数据集的构建提供新思路.

5.3 未来研究方向

共享、一体化、以人为本、绿色的出行服务必将是未来智慧交通出行系统的发展趋势.不管是现在的纯电动汽车阶段,还是在未来无人驾驶场景下,结合交通环境的因素对纯电动汽车的行驶能源消耗进行准确预测,从而对出行者的路径规划进行动态调整,始终是智能交通领域的研究方向.考虑到已有研究的不足,未来的研究可基于(但不限于)如下4个方向.

(1)考虑构建一套全面的、系统的纯电动汽车出行公共数据集.基于学者们对纯电动汽车能源消耗模型相关影响因素的研究,考虑将天气状况、温度、道路状况等外部影响因素与电池状态、车载系统能源消耗等内部因素融入出行数据集.该数据集对于研究不同因素对纯电动汽车能源消耗的影响、纯电动汽车能源消耗模型的验证、纯电动汽车用户出行特征的挖掘等方面都有重要的意义.

(2)考虑积累基于传统燃油汽车的相关研究,对纯电动汽车能源消耗模型进行优化.传统燃油汽车在消耗模型方面的研究已非常成熟,故可结合传统燃油汽车的相关研究内容,考虑纯电动汽车的能量回收机制,进行纯电动汽车能源消耗模型的优化;将传统燃油汽车丰富的出行数据融入到纯电动汽车能源消耗的研究中,提高考虑交通状态变化的能源消耗模型的预测精度.

(3)考虑结合已有资源优势对纯电动汽车路径规划算法进行优化.现今如百度地图、高德地图等商业软件在交通状态实时预测方面已呈现较好的效果.可考虑结合相关软件的已有技术优势,通过全面分析影响纯电动汽车耗电量的行驶工况特征参数,使纯电动汽车在出行过程中能结合实时交通流信息,更新路径选择方案.

(4)考虑进行数据驱动的纯电动汽车仿真相关研究.计算机仿真技术对纯电动汽车的路径规划与能源消耗模型的研究起助推作用,特别是能够较为容易地模拟类似极端天气状况、特殊事件等现实中较难遇见的情况.另外,仿真作为一种较好的评价与验证手段,也可在搭建基于真实路况数据的虚拟交通环境的前提下,提出一套标准的基于仿真的验证方法.

参考文献:[2020-03-15].http://www.nea.gov.cn/2015-11/18/c_134828653.htm.

[3]冯星宇,周晨静,荣建.基于速度特性的城市快速路常发性交通拥堵研究[J].交通信息与安全,2014,32(1):29-33.

[4]陈小红,钱大琳.城市道路交叉路口的拥堵预测[J].华南理工大学学报(自然科学版),2010,38(7):72-77.

[5]程山英.交通拥堵汽车流量准确预测仿真研究[J].计算机仿真,2017,34(10):123-126.

[6]谭娟,王胜春.基于深度学习的交通拥堵预测模型研究[J].计算机应用研究,2015,32(10):2951-2954.

[7]刘梦涵,于雷,张雪莲,等.基于累积Logistic回归道路交通拥堵强度评价模型[J].北京交通大学学报,2008(6):52-56.

[8]邢珊珊,谷远利,沈立杰.基于速度的城市快速路交通拥堵预测研究[J].交通信息与安全,2016,34(2):54-60.

[9]刘张,李坚,王超.基于复杂城市道路网络的交通拥堵预测模型[J].电子科技大学学报,2016,45(1):19-27.

[10]韦清波,何兆成,郑喜双.考虑多因素的城市道路交通拥堵指数预测研究[J].交通运输系统工程与信息,2017,17(1):74-81.

[11]Dijkstra E W.A note on two probles in connexion with graphs[J].Numerische Mathematics,1959,1(1):269-271.

[1]罗艳托,汤湘华.全球电动汽车发展现状及未来趋势[J].国际石油经济,2018,26(7):66-72.

[2]国家发展改革委.电动汽车充电基础设施发展指南(2015—2020年)[R/OL].(2020-02-18)[12]Nicholson T A J.Finding the shortest route between the two points in a network[J].The Computer Journal,1966,9(3):275-280.

[13]左秀峰,沈万杰.基于Floyd算法的多重最短路问题的改进算法[J].计算机科学,2017(5):238-240.

[14]张德全.最短路问题的Floyd加速算法与优化[J].计算机工程与应用,2006,45(17):41-43.

[15]Hoffman W,Pavley R.A method for the solution of the nth best path problem[J].Journal of the ACM,1959,6(4):506-514.

[16]刘建美,马寿峰,马帅奇.基于改进的Dijkstra算法的动态最短路计算方法[J].系统工程理论与实践,2011,31(6):163-167.

[17]谭满春,冯荦斌,徐建闽.基于ARIMA与人工神经网络组合模型的交通流预测[J].中国公路学报,2007,20(4):118-121.

[18]胡清准,邱晓晖.遗传-蚁群算法在智能交通中的应用[J].计算机技术与发展,2020,30(4):120-125.

[19]高忠文,牛孜飏.基于大数据的交通流量模式分析[J].哈尔滨理工大学学报,2018,23(6):128-131.

[20]巫锦铭,程光权,刘忠.动态预约模式下车辆路径规划的实用拓展问题研究[J].小型微型计算机系统,2018,39(7):247-252.

[21]Liu H,Jin C,Zhou A.Popular route planning with travel cost estimation[C]//International Conference on Database Systems for Advanced Applications.2016:403-418.

[22]刘春燕,邹承明.基于Storm的城市智能交通规划方法[J].武汉大学学报(理学版),2019,65(5):450-456.

[23]张书玮,罗禹贡,李克强.动态交通环境下的纯电动车辆多目标出行规划[J].清华大学学报(自然科学版),2016,56(2):130-136.

[24]Yao E,Wang M,Song Y,et al.Estimating energy consumption on the basis of microscopic driving parameters for electric vehicles[J].Transportation Research Record Journal of the Transportation Research Board,2018,2454:84-91.

[25]Yuan X,Zhang C,Hong G,et al.Method for evaluating the real-world driving energy consumptions of electric vehicles[J].Energy,2017,141:1955-1968.

[26]Liaw B Y,Dubarry M.From driving cycle analysis to understanding battery performance in real-life electric hybrid vehicle operation[J].Journal of Power Sources,2014,174(1):76-88.

[27]Bektas T,Laporte G.The pollution-routing problem[J].Transportation Research Part B:Methodological,2011,45(8):1232-1250.

[28]Yang J,Dong J,Zhang Q,et al.An investigation of battery electric vehicle driving and charging behaviors using vehicle usage data collected in Shanghai,China[J].Transportation Research Record Journal of the Transportation Research Board,2018,2672:20-30.

[29]Zou Y,Wei S,Sun F,et al.Large-scale deployment of electric taxis in Beijing:a real-world analysis[J].Energy,2016,100:25-39.

[30]Bingham C,Walsh C,Carroll S.Impact of driving characteristics on electric vehicle energy consumption and range[J].Intelligent Transport Systems,2012,6(1):29-30.

[31]Yang S C,Li M,Lin Y,et al.Electric vehicle’s electricity consumption on a road with different slope[J].Physica A Statistical Mechanics and Its Applications,2014,402:41-48.

[32]Liu K,Wang J,Yamamoto T,et al.Modelling the multilevel structure and mixed effects of the factors influencing the energy consumption of electric vehicles[J].Applied Energy,2016,183:1351-1360.

[33]Wang J B,Liu K,Yamamoto T,et al.Improving estimation accuracy for electric vehicle energy consumption considering the effects of ambient temperature[J].Energy Procedia,2017,105:2904-2909.

[34]Kambly K R,Bradley T H.Estimating the HVAC energy consumption of plug-in electric vehicles[J].Journal of Power Sources,2014,259:117-124.

[35]Capasso C,Veneri O.Experimental analysis on the performance of lithium based batteries for road full electric and hybrid vehicles[J].Applied Energy,2014,136:921-930.

[36]Burgess S C,Choi J M J.A parametric study of the energy demands of car transportation:a case study of two competing commuter routes in the UK[J].Transportation Research Part D:Transport and Environment,2003,8(1):21-36.

[37]Kambly K,Bradley T H.Geographical and temporal differences in electric vehicle range due to cabin conditioning energy consumption[J].Journal of Power Sources,2015,275:468-475.

[38]Fiori C,Ahn K,Rakha H A.Power-based electric vehicle energy consumption model:model development and validation[J].Applied Energy,2016,168:257-268.

[39]张宸维,林方圆.纯电动汽车能源消耗优化仿真与试验研究[J].汽车实用技术,2019(17):33-35.

[40]Boubaker S,Rehimi F,Kalboussi A.Estimating energy consumption of hybrid electric vehicle and gazoline classical vehicle[C]//2013 International Conference on Advaned Logistics and Transport(ICALT).2013.DOI:10.1109/ICAdLT.2013.6568463.

[41]Wu D,Aliprantis D C,Gkritza K.Electric energy and power consumption by light-duty plug-in electric vehicles[J].IEEE Trans Power Syst,2011,26(2):738-746.

[42]Wu X,Freese D,Cabrera A,et al.Electric vehicles’energy consumption measurement and estimation[J].Transportation Research Part D:Transport and Environment,2015,34:52-67.

[43]Brady J,O’mahony M.Development of a driving cycle to evaluate the energy economy of electric vehicles in urban areas[J].Applied Energy,2016,177:165-178.

[44]Felipe J,Amarillo J C,Naranjo J E,et al.Energy consumption estimation in electric vehicles considering driving style[C]//IEEE International Conference on Intelligent Transportation Systems.2015:101-106.

[45]Guo H,Wang X,Li L.State-of-charge-constraint-based energy management strategy of plugin hybrid electric vehicle with bus route[J].Energy Conversion and Management,2019,199:111972.

[46]Basso R,Kulcs R B,Egardt B,et al.Energy consumption estimation integrated into the electric vehicle routing problem[J].Transportation Research Part D:Transport and Environment,2019,69:141-167.

[47]Roberto´A F,Sergio C C,Francesc C L.A probabilistic approach for determining the influence of urban traffic management policies on energy consumption and greenhouse gas emissions from a battery electric vehicle[J].Journal of Cleaner Production,2019,236:117604.

[48]Yasmin A A H,Mohammed O,Yahya S.Optimising an eco-friendly vehicle routing problem model using regular and occasional drivers integrated with driver behaviour control[J].Journal of Cleaner Production,2019,234:984-1001.

[49]郇宁,姚恩建,杨扬.电动汽车混入条件下随机动态用户均衡分配模型[J].交通运输工程学报,2019,19(5):150-161.

[50]Steinbauer P,Macek J,Morkus J,et al.Dynamic optimization of the e-vehicle route profile[C]//Proceedings of the SAE 2016 World Congress and Exhibition.2016.DOI:10.4271/2016-01-0156.

[51]杨洪明,李明,文福拴.利用实时交通信息感知的电动汽车路径选择和充电导航策略[J].电力系统自动化,2017,41(11):106-113.

[52]苏粟,杨恬恬,李玉璟.考虑实时动态能源消耗的电动汽车充电路径规划[J].电力系统自动化,2019,43(7):206-217.

[53]李鹏程,丛中笑,杨婧.一种电动汽车智能充电最优引导优化模型[J].电器与能效管理技术,2018,555(18):72-78;87.

[54]张书玮,冯桂璇,樊月珍.基于信息交互的大规模电动汽车充电路径规划[J].清华大学学报(自然科学版),2018,58(3):279-285.

[55]Yu H,Lu F.A multi-modal multi-criteria route planning method based on genetic algorithm[J].Acta Geodaetica Et Cartographica Sinica,2014,43(1):89-96.

[56]付骁鑫,江永亨,黄德先.一种新的实时智能汽车轨迹规划方法[J].控制与决策,2015,30(10):1751-1758.