【《基于多目标优化的电动出租车充电引导模型构建研究》15000字】

第1章绪论1.1电动汽车充电引导研究背景及意义目前，全球汽车产业发展的脚步已经是在节能低碳的阶段稳健前进。新能源汽车的发展也是对于各国的汽车产业而言，均具有重要战略意义。而对于我国而言，这更是对建设汽车强国，构建和谐的汽车社会有着重大意义。电动汽车具有低温室气体排放和高能源利用效率的优点，近年来发展迅速[1],[2]。大力发展电动汽车，能够很大程度减少汽车尾气的排放，替代燃油的进度也会加快，就能够促进节能减排，极力将我国从汽车大国推动到汽车强国的道路上。V2G(Vehicle-to-Grid)，即车辆和电网互动技术，意为电能通过电动汽车流向电网，将电动汽车的电池作为分布式能源载体，在用电高峰期向电网输送电能，并于低谷时间段为电动汽车充电，这样就避免了电网发电量的浪费。通过这种方式，能够充分利用电动汽车的储能，极大减少电网对于储能设备的支出，电动汽车车主也能够从峰谷电价差中获得一定的收益。在V2G模式下，电动汽车将成为电网重要的储能资源，电动汽车的充分利用对智能电网的发展也是具有重要意义。2017年，我国新能源汽车保有量达到153万辆，我国作为全球最大的新能源汽车市场，具有发展V2G技术的基础优势[3]。而对于电动汽车而言，要想大规模的开展普及，需要完善的充电设备体系，以及安全且快捷的充电服务模式。然而，就目前而言，我国的充电设施发展较为缓慢，充电站中充电桩数量不足，当汽车需要充电时，难以迅速高效找到合适的充电站。而且，现有的充电桩运营商进行充电桩共享的模式多数为中心化运营，这使得电动汽车车主与充电桩运营商之间的信息不对称，进而造成了二者之间的信任问题，用户的参与度也就受到了影响。此外，各运营商的数据都是独立的，互相之间无法联通，就无法有效整合充电桩资源，从而造成不必要的资源浪费，极为影响效率。电动出租车的出现也是电动汽车产业的又一次升级发展，随着各种打车平台的普及，人们预订出租车出行也是成为了一种新型的出行方式。对于网约出租车而言，上述的问题不仅是需要重点考虑，还是需要在满足预订订单要求的情况下细节考虑这些在充电中可能遇到的问题，对此，我们需要研究出一个行之有效的充电的策略方案。区块链实质上是一系列数据区块的列表，使交易数据可以去信任、可溯源、不可篡改地储存在分布式系统中。而作为一种分布式的充电服务解决方案，与集中式管理相比，联盟区块链运营成本更低，更容易保护隐私。因此，在区块链技术中，联盟链更适应交易节点较多，交易数量和频率较高的充电服务场景。[4]其通过集成P2P协议、非对称加密、共识机制、块链结构等多种技术适应充电交易智能化的发展趋势。引入基于联盟链的电动汽车充电引导模型，对于电力行业系统全局与充电运营商、电动汽车用户而言，均具有其重要的意义[5]。V2G能减少对新发电基础设施的投资；还可以产生能量存储缓冲，从而为可再生能源提供支持；电动汽车的大量使用也可以减少温室气体的排放，只是在充放电问题上需要特别注意。而区块链是解决电动汽车充电问题的一个绝佳的技术，可将人与人、桩主与车主联系在一起。将联盟区块链与V2G网络相结合，设计出一个能够满足各方面利益需求的充电引导服务机制，在理论上，无疑能够显著提升常规方案所带来的收益，这也将成为一个值得研究的课题。1.2国内外研究与发展状况2018年，国家发改委出台了《关于创新和完善促进绿色发展价格机制的意见》，鼓励电动汽车提供储能服务，通过“峰谷”价差让用户获得收益。作为智能汽车头号实力派，威马汽车携手国家电网率先在业内进行V2G车桩双向充电技术的研发、实测与落地应用，充分释放设备、信息、能源互联互通的潜力，助力中国形成具有国际竞争力的能源体系。V2G车桩双向充电技术将于2020年正式落地应用，加速推动建立全新的能源互联网生态。2009年，德国的DirkUweSAUER等人发表文章展示了德国电力工程协会的研究成果。文章主要关注的是V2G在移动存储中的可能影响。从结果可以看出，由电动汽车与控制系统相结合形成的移动存储系统在某些情况下能够具有静止存储系统的功能，负荷周期可以控制在一秒到一天的范围内[6]。对于充电路径以及充电引导方面，也是有着一些研究成果。黄晶，杨健维等人[7]考虑了充电站运营商的服务效率，主要研究了电动汽车充电结束后如何方便快捷地前往下一目的地，其余的研究主要体现在道路交通网络以及电网的安全高效运行。Shakerighadi等人提出了一种三重博弈理论方法来使得充电站利润最大化。电动汽车可以根据充电的价格和自己的位置来选择充电地点[8]。参考文献[9]重点研究了大量充电行为对充电站附近道路交通的影响，采用改进的D算法来规划充电路径。X.Huang等[10]对于混合动力的汽车充电场景，使用了基于联盟区块链的架构进行引导。但是，对于需要接受预订的电动出租车而言，上述的研究则显出了一些局限性。电动出租车在工作时需要更频繁的充电，而且电量、充电地点和充电时间等元素都要受到网上预约信息的制约。现有的部分引导策略明显更加适合那些位置较为随意灵活，充电时间也比较充裕的电动汽车。[11-12]从我国的现状来看，我国的充电站运营商是分立的，电力公司以及其他运营商建立的不同的充电站会导致充电信息难以联通，这都是需要解决的问题。从上述信息中不难得出，对于充电引导，我们需要新的思路与方法，基于区块链的充电引导机制发展前景是较广的。1.3论文的主要研究内容及结构安排本文分析当前电动汽车充电的局限性及存在的问题，为迎合电动出租车充电的需求，提高效益，使参与整个过程的各方面利益最大化，因此在结合了区块链的技术特性之后，提出了一种基于联盟区块链的V2G网络的充电引导服务机制，以使得充电变得方便快捷，各方利益也能得到保证。文章结构大体如下：第一章主要阐述了当前电动汽车充电的现状，研究充电引导机制的意义，并阐述了国内外的研究发展状况。第二章主要介绍了需要用到的关键性技术。第一部分主要是区块链的技术特征以及充电引导架构的初步构建。第二部分主要是介绍V2G技术及V2G网络的架构。第三章首先建立了基于联盟区块链的V2G网络的充电引导架构模型，然后阐述了设计方案，提供算法，并进行仿真。最后对采用了算法的充电引导机制进行性能分析。第四章是对于本文研究成果进行总结，阐述该服务机制仍然存在的问题，并对其发展前景进行合理充电引导架构关键技术本文主要讨论的是基于区块链的V2G网络的充电服务机制，在正式给出具体的设计方案之前，我们通过本章的内容阐述区块链及V2G技术，并探讨其特性与我们需要的机制整合的合理性。2.1区块链技术2.1.1区块链概述区块链技术在2008年首次出现在大众的视野中，是由比特币的发行而引出的，一名学者发表了一篇名为《Bitcoin:APeer-to-peerElectroniccashsystem》的论文。该论文中，比特币的核心技术，开放平等，不具备由中心强制控制的系统结构的去中心化的数据技术，正是区块链技术[13]。所谓区块链，就是将区块有序地连接起来，从而形成的一种数据结构。区块即数据的集合，同时，为了确保整个链可追溯，会以时间戳来标记。区块是形成区块链的基本单元，具体是由区块头和区块主体构成的，每个区块都能够利用区块头的信息与前面的区块进行链接，从而形成链式结构。区块链网络是一个P2P网络，网络中的每一个节点都是同等地位，没有中心服务器，可同时作为服务器端和客户端。每个节点都保存了整个区块链中的全部的数据信息，也就是说，在网络中，参与的节点越多，数据的备份也就越多。并且，各节点的数据是受到所有参与者共同监督管理，这使得任意节点都可以随意的加入网络或离开，同时，数据被篡改的可能性也极小。区块链系统一般由数据层、网络层、共识层、激励层、合约层和应用层组成.其中,数据层封装了底层数据区块以及相关的数据加密和时间戳等技术;网络层则包括分布式组网机制、数据传播机制和数据验证机制等;共识层主要封装网络节点的各类共识算法;激励层将经济因素集成到区块链技术体系中来,主要包括经济激励的发行机制和分配机制等;合约层主要封装各类脚本、算法和智能合约,是区块链可编程特性的基础;应用层则封装了区块链的各种应用场景和案例。基于时间戳的链式区块结构、分布式节点的共识机制、基于共识算力的经济激励和灵活可编程的智能合约是区块链技术最具代表性的创新点[14]。2.1.2区块链技术特征由于其特殊的数据结构组织形式，区块链技术主要有以下几个特点[15]：(1).去中心化：区块链网络中的每一个节点都拥有相同的地位，无论哪一个节点损坏都不会影响系统的运行，所有数据都是互为备份的，没有任何一个单元能做到单方面的控制数据，也就是说，整个网络中不存在强制的控制中心。这使得运用区块链存储数据有着较高的可靠性。(2).透明化：区块链系统具有公开透明的运作机制，信息的更新是需要节点来共同认证的，节点之间交换数据是去信任的，不存在任意节点欺骗其他节点的行为。(3).合约自动化执行：运用区块链，可以设计一些编入软件代码的智能合约，在合约中对参与合约的各方进行约束，规定每个成员应尽的义务，并制订合约生效的判定要求。运行期间区块链系统自动判断是否执行，当所有条件均满足时，系统会直接执行合约。即使是在没有第三方监督的情况下，合约也能够高效执行。(4).可追溯性：一旦加入了区块链，记录就会永久储存。在区块链中，参与交易的各方的信息都会与交易记录相绑定。交易标的传递会被完整记录，且可追溯。这使得交易监管变得高效快捷。电动汽车充电机制所需要的关键点与区块链技术的特性较为吻合。我们需要充电站运营商之间能够信息联通，需要电动汽车车主与运营商之间做到信息对等，从而吸引更多的参与度。进行充电交易时，需要保护用户个人信息，同时也要保证运营商的信息不会泄露；确保交易信息不会出现造假情况等。这些表明，区块链技术是极为适合电动汽车充电的方案。2.1.3基于联盟区块链的充电引导体系区块链根据其认可程度及应用范围，可分为以下三种链：公有链、私有链和联盟链。公有链是完全去中心化，完全独立的点对点网络结构，用共识算法保护在链上的账本的安全性，任何节点都要参与其中，拥有极高的信任度。在节点信息上传到链上时，需要所有节点的共识，以确定信息可靠。私有链则指只有一部分个体或组织才能拥有区块链的写入和访问权限，在应用方面也是有着非常严格的要求，主要是为了公司内部的数据管理，以确保私有区块链系统易于控制。联盟链是介于公有链和私有链之间的一种区块链。它既不像公有链那样完全去中心化，又比私有链拥有更大的范围。联盟链通过联盟的要求限制成员的进入，较为专业化，联盟成员拥有共同目的，这样节点操作的范围就扩大到了整个联盟成员。所以联盟链是一种弱中心化的链。作为一种分布式数据处理技术，联盟区块链通过设置不同节点的读写权限来加速事务处理并降低存储成本[16]。通过对比，我们很容易得出结论：将联盟区块链技术应用于电动出租车的充电引导架构，可以提供更高效的充电服务。对于电网来说，可以获取电动汽车充电的有关数据，这样能够帮助消除电力系统和电动汽车车主之间的信息不对称；对于充电站运营商来说，能够帮助解决之前一个运营商只能给自己旗下用户充电的问题，各运营商之间实现联通，有助于解决充电桩空闲或者不满足汽车需求的情况，能够有效提高充电设备利用效率；对于电动汽车车主而言，就不必一定要在注册的运营商运行的充电站才能充电了，通过联盟链，可以在其他运营商的充电站充电，在电价方面也是可以令人接受，这样充电就具有了灵活性，在更多环境下也能够更方便快捷地进行充电。在本文的充电服务机制中，联盟区块链技术主要分为数据层、网络层、共识层、契约层及应用层五个层次，具体如表2-1所示。表2-1.充电引导架构所使用的联盟区块链技术应用层充电站查询充电路径引导契约层充电引导算法算子节点激励算法共识层改进的拜占庭容错算法网络层对等协议数据层数据结构数据类型MerkleBucket树；分布式哈希表道路网络信息；充电站信息；网上汽车预约信息；指导信息2.2V2G技术2.2.1V2G技术概述随着电动汽车的大规模普及，电动汽车能够接入电网从而对电网输送电能的特点也被人们发掘出来，并进行了研究与发展。然而电动汽车在大多数的时间都是在移动的，充满了不可预测性，因此，如果将电动汽车大规模地接入电网，就会对电网造成一定影响，如大量汽车同时在用电高峰期进行充电时，就会增长负荷，使电力系统的负担加重；汽车的不确定性使得电网进行规划时的难度增大；还会对电能的质量造成影响[17]。然而，虽然增长了负荷，但电动汽车的电池可以作为储能部分向电网反馈电力，这时就需要研究汽车与电网之间互动的技术了。由此V2G技术也是应运而生。V2G概念的首次出现，要追溯到二十世纪九十年代，后由美国特拉华大学的研究学者对其进行了拓展研究，发现其原理和所能够带来的经济效益是非常可观的[18]。如今电力系统都在大量使用可再生能源，但是可再生能源由于其限制导致其具有不连续性，从而发电之时就会产生波动。这时我们将电动汽车的储能作为电网和可再生能源之间的缓冲，将电动汽车连接至双向充电桩，电能经双向充电桩逆变后送入电网。这样，电动汽车就拥有了电源和用电器的双重身份，在用电高峰期向电网输送电能，而在负荷低谷时段，则为电动汽车充电。在V2G模式下，能够解决电动汽车无序充电对电网产生的影响；汽车停止行驶的时间内向电网提供电能，能够提高电网的稳定性。降低了运营成本，也使电动汽车车主能通过峰谷电价来获得一定的收益[19]。2.2.2V2G的具体实现不同类型的电动汽车拥有不同的功能，那么供电的方式也是各异，因此V2G的实现手段也是各不相同的。具体如下：1.集中式的方式：集中式V2G意指集中某区域内的全部电动汽车，对其电能来进行统一的规划。建造专由V2G使用的停车场，并将充电器在地面上架设，这样不仅能够降低电动汽车的成本，统一的管理调度也可以完成整体优化。自治式的方式：自治式即电动汽车杂乱分布在各地，难以聚集统一管理。此时就需要利用车载的充电器，根据各种情况来自动灵活地实现V2G，日本有学者就利用分布式达成了能量的自主储存[20]。但是这样的方式无法保证整体调度，此外，充电器也会增加电动汽车的成本。利用微网的V2G这种方法是将储能器件归集到微网而非电网，主要支持微网内部的分布式电源，同时对有关的用电器提供电能。通过更换电池组的V2G更换电池组的V2G需要建设一个更换站以用来换电池，站内应当存放足够数量的电池以备随时更换，这样如果将这些电池与电网相连接，也就完成了V2G。这种方法与集中式的V2G相类似，只是把储能装置从汽车换成了电池。但其实电池主要是用来给汽车供电的，所以站内需要预留一定数量的电量充足的电池以实现V2G。2.2.3V2G网络构建V2G网络是为电动汽车和电网提供信息和电能互通的网络，其运行原理是通过监测电动汽车状态，并设置一系列激励机制以吸引电动汽车足够的参与度。V2G的组成成分一般包括电动汽车、能源供应商、电网运营商、移动运营商、用户等[21]。从电网角度出发，为了合理利用电动汽车的储能资源，减少电网对于造价较高的发电设备的依赖，电网需根据自身情况，通过对可再生能源的发电情况以及V2G中各单元的余量进行分析，从而进行调度。为提高效率，韩国学者采用了一种整体的方式，在电网与电动汽车群之间建立了一个中间系统，并将其命名为Aggregator[22]。这个系统可以将某一区域内的接入了电网的电动汽车整合起来，由电网直接调度整体。这样，电网就只需向这个中间系统发送信号，由中间系统直接管理电动汽车即可。本文的V2G网络主要包含了电动汽车、充电站、能量供求管理、Aggregator等。具体结构将于下一章给出。2.3本章小结本章主要介绍了区块链技术以及V2G技术的相关知识，论述了电动汽车充电问题与此类技术的适应性，为接下来的方案设计提供了理论基础。第3章基于联盟区块链的V2G网络的充电服务机制设计为处理运营商之间信息不连通问题，合理利用汽车储能与电网进行互动，并确保运营商以及电动出租车司机的各种利益需求能够得到满足，于本章提出了一系列的方案。3.1基于联盟区块链的V2G网络的充电引导架构3.1.1系统整体架构模型坊间有这么一句话，叫聪明反被聪明误。如快船，卢指导早早布局，一步步请君入瓮，把西部群雄纷纷套进其中，大棋下的那叫一个溜。临末了成功实现理想的对阵局面，堪称绝杀。毕竟首图3-1.基于联盟区块链的V2G网络的电动出租车充电引导体系结构如图3-1.所示，由充电站运营商服务器节点组成联盟的成员。基于联盟区块链的V2G网络的充电引导体系结构中有以下几个主要相关者。电动出租车：是此V2G网络的主体。每一辆电动车都会受到网络上订单信息的制约，订单对于路程与位置的要求限制了出租车在接单时的位置和剩余电量（SOC）。若此时电量不足，出租车就会向AGGREGATOR发送充电请求。Aggregator：主要功能是对电动汽车的充放电进行调度，将电动出租车的充放电信息收集起来，从而实现对电力资源的集中规划调度。运营商节点（能量供求管理）：考虑到本文研究内容，故直接将能量供求管理由运营商节点替代。运营商是本系统中充电服务的处理者。在Aggregator收集充电请求之后，收集道路交通网络的信息，制订行之有效的充电引导策略。充电站：充电站内置有一定数量的充电桩，当此时站内有充电桩处于空闲状态时，充电站将会向运营商服务器发送空闲信息。整个充电引导的过程为：出租车在接收预订后，发送出充电请求，由aggregator收集并送往运营商服务器，服务器首先计算本次充电所需要的能量，收集充电站内充电桩使用情况的数据以及附近的道路交通信息。收集完成之后，由其他运营商节点的共识认证来完成引导决定，并向出租车司机推荐最合理的充电站。3.1.2改进的实用拜占庭容错算法传统的实用拜占庭容错(PBFT)算法较为适合联盟链，但存在着一定的局限性。该算法一般适用于静态网络[23]，只有在节点较少的情况下才能具有较好的性能。因为其中的每个副本节点都要和其他节点进行共识同步，新的节点加入时，必须重新启动共识过程，这不利于本文系统中其他充电站运营商服务器节点的加入。因此，我们将在原有算法的基础上，增加一个新的机制。设计了一个完整的快速充电站节点加入集群并完成共识过程的周期，以解决多个参与者之间产生的信任问题，同时也能够完成引导结果的统一认证。在改进的拜占庭容错算法中，每一个节点都被赋予了评估值，其中评估值最高的节点将会作为主节点，以使本次的共识过程更加可靠。评估值的定义如下：(3-1)其中，N为共识的总次数，U为节点第N次完成共识的得分，节点每参与系统并完成一次共识过程记1分。如果因为节点的惰性导致了区块更新失败，U将取惩罚因子为。这样，利用节点的身份认证，就可以让其他运营商服务器节点无需重启整个网络节点群也能够动态地加入联盟区块链网络。充电节点加入集群并完成共识过程的完整流程如图3-2所示。图3-2.多个运营商充电引导的节点共识过程3.2电动出租车充电引导模型3.2.1模型概述及参量设定基于电动出租车、充电站运营商多方的利益需求，在此提出一种基于多目标优化的充电引导模型。此模型的数据支持主要来源于联盟区块链中的契约层中的充电引导架构。对于电动出租车而言，接受订单出发的情况主要有几种。一是剩余电量足够，且要求距离较近，这样不用充电可直接出发前往。第二种是出租车剩余电量不足，且订单限制时间导致不能完成充电。第三种情况则是距离较远，出租车需要先行充电，电量足够时再出发前往接客出发地点。我们主要研究的情况就是最后一种，在这种情景下，出租车司机需要先选择合适的充电站进行充电，还需在订单要求的时间内感到出发地点接乘客，还需要确保充电之后的剩余电量能够满足订单的要求。本文的充电引导模型主要是为这种情况建立的。在线预约模式的电动出租车的充电引导模型中，需要考虑到多方面的利益诉求，并且也是受到多种因素的制约。我们主要从出租车和充电站运营商的角度对引导模式进行讨论研究。对于出租车司机而言，最主要的要求是节约成本。其中包括出租车到充电站的路程、充电站到接客位置、接客位置到目的地等距离成本；驾驶时间、在充电站排队等待充电的时间、充电时间等时间成本。而通过节约距离和时间，尽量在订单的设定时间内到达乘客所在地，以充足的电量载乘客前往目的地，可以有效提高乘客的满意程度，从而扩大自己的利益。在充电站运营商眼中，最重要的是充电站的效率。他们希望前往充电站的电动出租车的数量是和站内的充电桩数量相关的，这样就不会产生某充电站内设备大量空闲或严重不足的问题，也就做到了设备的平衡利用。在了解了各个方面的需求之后，为了对引导场景以及各限制条件进行更加全面且准确的描述，在不会对计算产生影响的情况下，我们做出了一系列的假设，并对参量进行了设定。.在本文的V2G网络中，通过Aggregator的规划调度，我们暂定当各充电站中设备利用最平衡的时候，电动出租车用电对电网的影响最小。那么在接下来的计算中就不再考虑电网的约束。.根据电动出租车的在时间上受到的约束，设定司机会选择快速充电站进行充电。充电时间则选择为恒流阶段的时间。.本文假设出租车司机在驾驶时，在相同的道路上会保持匀速前进，并以最短路径行驶，而行驶的速度则由速度-流量实用模型决定。该模型将道路的通行能力以及道路流量也考虑在内，高等级的道路通行能力强；高流量的道路容易产生拥堵。.假设在一定区域内，电动出租车和快速充电站的数量是固定的，设电动出租车的数量为N；每家充电站运营商设立K个快速充电站；每个充电站内有M个充电桩。.根据过去的学者对于充电站充电服务的研究，本文将充电站内的排队系统设定为M/G/K排队系统。3.2.2引导模型的目标函数本文建立引导模型的目的是令出租车成本最小化以及令运营商服务效率最大化。此模型的目标函数便是从这两个方面入手。出租车成本对于电动出租车而言，在满足订单要求的前提下，需要尽量的节约成本。主要有以下几个方面：.距离成本首先设定，所有的距离都是通过弗洛伊德算法[24]所求得的最短距离。第i辆出租车到第k个充电站之间的最短距离为(3-2)L为道路长度；λ为各个路段对应的道路加权系数。在充电过后，出租车将会直接前往接客地点载客出发前往目的地L2=δ.时间成本(3-4)为行驶时间，其中v由速度-流量实用模型可得。在直连路段ij上，t时刻汽车的速度为：(3-5)vijm为该路段的零车流量时的速度，qjit为路段流量；(3-6)a,b,n分别为不同道路等级的自适应系数。对于主干道取1.726、3.15、3;次干道取2.076、2.870、3[25]。电动出租车到达充电站的输入方式具体为泊松分布，其平均到达率为λ；服务的时间依据期望为μ，方差为δ的正态分布。排队过程通过M/G/K排队论模型[26]给出。故平均等待时间为(3-7)充电站运营商充电站运营的关注点更多放在充电站中充电桩的利用率上；需要避免有充电站出现有车无桩或有桩无车的情况。只有设备利用均衡，才能提高充电站的服务强度，进而提升运营商的服务效率。设备利用率如下：(3-8)m为充电站k内正在使用中的充电桩的数量，pi通过上述各式，可得出各目标函数如下：距离成本(3-9)时间成本(3-10)运营商服务效率(3-11)我们将出租车、充电站运营商的目标函数首先经过线性加权，再进行归一化，可得出最终的最优解函数及其约束条件如下(3-12)且其中F1max、F2max。F3max3.3电动出租车充电引导算法电动出租车充电引导模型受到各种因素的制约，如订单信息的要求；充电站位置；充电桩的合理使用等。这是一个多约束，非线性的多维问题。对于此类复杂优化问题，本文将使用遗传算法(GeneticAlgorithm,GA)[27-28]对其进行求解。遗传算法是通过模仿达尔文进化论中的“物竞天择”形式的自然进化过程的搜寻优化解的方法。此算法为一种概率算法，能够直接操作对象，且并不存在对于连续性的要求，并且具有自适应性，能够自主调整搜索方向，在全局方面能够很好的进行寻优操作。遗传算法是从种群开始的，每一个种群都是由一定数目的个体组成，是我们所研究的问题的解的集合中的一部分。在第一代种群初始化之后，就开始了演变，通过适者生存，优胜劣汰的原理，通过随机交叉以及变异，使得个体在种群中产生各异性[29]，而在此过程中，会存在此代种群中最优个体发生变化而导致下一代出现更差的最优个体的情况，为此引出了精英机制，本代最优个体获得保存，上述情况发生时，会自动替换掉较差的新个体[30]。这样，每一代的近似解会越来越好，后代必然比前代更能够适应环境，最后一代的种群中的最优个体，便能够作为近似的最优解。运用遗传算法解决充电引导问题的过程如下：运用二进制编码法。首先初始化各充电决策变量，设定种群数目；交叉、变异以及继承的概率。然后用随机方式生成初始的个体，按照遗传和变异的概率从种群内部选择个体进行遗传还有变异的过程，将两代种群合并，并选择更加合适的与种群数目相等的个体，此时迭代次数将会增加。接下来重复遗传过程直至到达最大迭代次数，此时生成最优解，算法到此结束。3.4算法的代码本文将使用MATLAB进行仿真，种群中的粒子数设定为50；最大迭代次数为2500。运用遗传算法对目标函数进行优化。遗传算法的主要代码如下：1.初始化Algorithm1initialization1：function[population]=initialization(M,N1,N2)2：fori=1:M3：forj=1:N14：randN2=floor(rand(1)*N2)+1;5：array=zeros(1,N2);6:array(randN2)=1;7:population.Chromosomes(i).Gene(j,:)=array;2.选择Algorithm2selection1：function[parent1,parent2]=selection(population)2：M=length(population.Chromosomes(:));3：ifany([population.Chromosomes(:).fitness]<0)4：a=1;5：b=abs(min([population.Chromosomes(:).fitness]));6:Scaled_fitness=a*[population.Chromosomes(:).fitness]+b;7:normalized_fitness=[Scaled_fitness]./sum([Scaled_fitness]);8：else9:normalized_fitness=[population.Chromosomes(:).fitness]./sum[population.Chromosomes(:).fitness]10:[sorted_fintness_values,sorted_idx]=sort(normalized_fitness,'ascend');11:fori=1:length(population.Chromosomes)12:temp_population.Chromosomes(i).Gene=population.Chromosomes(sorted_idx(i)).Gene;13:temp_population.Chromosomes(i).fitness=population.Chromosomes(sorted_idx(i)).fitness;14:temp_population.Chromosomes(i).normalized_fitness=normalized_fitness(sorted_idx(i));15:end16:cumsum=zeros(1,M);17:fori=1:M18:forj=i:M19:cumsum(i)=cumsum(i)+temp_population.Chromosomes(j).normalized_fitness;20:endend21:R=rand();22:parent1_idx=M;23:fori=1:length(cumsum)24:ifR>cumsum(i)25;parent1_idx=i-1;26:break;endend27:parent2_idx=parent1_idx;28:while_loop_stop=0;29:whileparent2_idx==parent1_idx30:while_loop_stop=while_loop_stop+1;31:R=rand();32:ifwhile_loop_stop>2033:break;end34:fori=1:length(cumsum)35:ifR>cumsum(i)36:parent2_idx=i-1;37:break;endendend38:parent1=temp_population.Chromosomes(parent1_idx);39:parent2=temp_population.Chromosomes(parent2_idx);40:end坊间有这么一句话，叫聪明反被聪明误。如快船，卢指导早早布局，一步步请君入瓮，把西部群雄纷纷套一块儿玩贴身肉搏呢。结果局座现眼了。3.交叉Algorithm3crossover1：function[child1,child2]=crossover(parent1,parent2,Pc,crossoverName)2：switchcrossoverName3：case'single'4：Gene_no=length(parent1.Gene);5：ub=Gene_no-1;6:lb=1;7:Cross_P=round((ub-lb)*rand()+lb);8：Part1=parent1.Gene(1:Cross_P,:);9：Part2=parent2.Gene(Cross_P+1:Gene_no,:)10：child1.Gene=[Part1;Part2];11：Part1=parent2.Gene(1:Cross_P,:);12：Part2=parent1.Gene(Cross_P+1:Gene_no,:);13：child2.Gene=[Part1;Part2];14：case'double'15：Gene_no=length(parent1);16：ub=length(parent1.Gene)-1;lb=1;17：Cross_P1=round((ub-lb)*rand()+lb);Cross_P2=Cross_P1;18：whileCross_P2==Cross_P119：Cross_P2=round((ub-lb)*rand()+lb);20：end21：ifCross_P1>Cross_P222：temp=Cross_P1;Cross_P1=Cross_P2; Cross_P2=temp;end23：Part1=parent1.Gene(1:Cross_P1,:);24：Part2=parent2.Gene(Cross_P1+1:Cross_P2,:);25：Part3=parent1.Gene(Cross_P2+1:end,:);26：child1.Gene=[Part1;Part2;Part3];27：Part1=parent2.Gene(1:Cross_P1,:);28：Part2=parent1.Gene(Cross_P1+1:Cross_P2,:);29：Part3=parent2.Gene(Cross_P2+1:end,:);30：child2.Gene=[Part1;Part2;Part3];31：end32:R1=rand();33:ifR1<=Pc34:child1=child1;35:else36:child1=parent1;37:end38:R2=rand()39:ifR2<=Pc40:child2=child2;41:else42:child2=parent2;end变异Algorithm4mutation1：function[child]=mutation(child,Pm)2：[Gene_no,N2]=size(child.Gene);3：fork=1:Gene_no4：R=rand();5：ifR<Pm6:randN2=floor(rand(1)*N2)+1;7:idx=find(child.Gene(k,:));8:whilerandN2==idx9:randN2=floor(rand(1)*N2)+1;10:end11:array=zeros(1,N2);12:array(randN2)=1;13:child.Gene(k,:)=array;14:end15:end16:end精英替换Algorithm5elitism1：function[newPopulation2]=elitism(population,newPopulation,Er)2：M=length(population.Chromosomes);3：Elite_no=round(M*Er);4：[max_val,indx]=sort([population.Chromosomes(:).fitness],'ascend');5：fork=1:Elite_no6:newPopulation2.Chromosomes(k).Gene=population.Chromosomes(indx(k)).Gene;7:newPopulation2.Chromosomes(k).fitness=population.Chromosomes(indx(k)).fitness;8:end9:fork=Elite_no+1:M10:newPopulation2.Chromosomes(k).Gene=newPopulation.Chromosomes(k).Gene;11:newPopulation2.Chromosomes(k).fitness=newPopulation.Chromosomes(k).fitness;12:end13:end算法主程序Algorithm6geneticalgorithm1：function[BestChrom]=GeneticAlgorithm(Nchrome,M,N,MaxGen,Pc,Pm,Er,obj,visuailzation)2：cgcurve=zeros(1,MaxGen);3：[population]=initialization(Nchrome,M,N);4：fori=1:Nchrome5：population.Chromosomes(i).fitness=obj(population.Chromosomes(i).Gene);6:end7:g=1;8：disp(['Generation#',num2str(g)]);9:[min_val,indx]=sort([population.Chromosomes(:).fitness],'ascend');10:cgcurve(g)=population.Chromosomes(indx(1)).fitness;11:forg=2:MaxGen12:disp(['Generation#',num2str(g)]);13:fori=1:Nchrome14:population.Chromosomes(i).fitness=obj(population.Chromosomes(i).Gene);15:end16:fork=1:2:Nchrome17:[parent1,parent2]=selection(population);18:[child1,child2]=crossover(parent1,parent2,Pc,'single');19:[child1]=mutation(child1,Pm);20:[child2]=mutation(child2,Pm);21:newPopulation.Chromosomes(k).Gene=child1.Gene;22:newPopulation.Chromosomes(k+1).Gene=child2.Gene;23:end24:fori=1:Nchrome25;newPopulation.Chromosomes(i).fitness=obj(newPopulation.Chromosomes(i).Gene);26:end27:[newPopulation]=elitism(population,newPopulation,Er);28:cgcurve(g)=newPopulation.Chromosomes(1).fitness;29:population=newPopulation;30:end31:BestChrom.Gene=population.Chromosomes(1).Gene;32:BestChrom.Fitness=population.Chromosomes(1).fitness;33:ifvisuailzation==134:plot(1:MaxGen,cgcurve);35:xlabel('Iterativenumbers');36:ylabel('Fitnessofthebestelite')37:end38:end适应度与迭代次数的关系如图3-3所示，结果表明，遗传算法具有较高的收敛性能。 图3-3迭代之下的适应度曲线3.5结果分析3.5.1仿真数据设定本文主要取参考文献[7]中的数据进行仿真。在目标区域内共存在7座快速充电站，在一次引导过程中，需要进行引导的电动出租车共有100辆；充电站内部共有117个充电桩。表3-1中记录了每个充电站中的充电桩的数目以及泊松分布的参数。图3-4则描绘了此地大致结构以及充电站位置，其中数字代表着各点的暂定序号，每个方格大小为1km×1km。表3-1各充电站信息充电站充电桩数λC1180.48C2140.55C3190.6C4140.42C5240.6C6150.2C7130.511111C1234C6567C3816151413121110917181920C721222324323130292827262533C4343536C2373839C5404847464544434241图3-4交通网络简图与充电站位置设定中出租车司机会选择预留足够的时间进行充电，汽车在路上的零流速度为30km/h;平均充电功率为30kW；在充电之前余电SOC为0.2-0.3；充电之后为0.8-0.9，以保护电池，延长使用寿命。出租车司机在快速充电站内进行充电服务的时间服从正态分布，其中期望为20min；方差为5min；算法中的目标函数中的加权系数分别为γ13.5.2优化准备工作在上述情况下，我们对充电引导场景进行仿真。首先对仿真地点交通网络进行计算。1.计算原始网格点坐标node以及其伴随矩阵Algorithm7data1：node=zeros(48,2);2：fori=1:63：m=(1:8)+8*(i-1);4：ifmod(i,2)==15：node(m,1)=1:8;6:else7:node(m,1)=8:-1:1;8:end9:node(m,2)=6-(i-1);10:end11:G=zeros(48,48);12:fori=1:4813:forj=1:4814:fabs(node(i,1)-node(j,1))+abs(node(i,2)-node(j,2))==1&&(abs(node(i,1)-node(j,1))==1abs(node(i,2)-node(j,2))==1)15:G(i,j)=1;16:end17:end18:end2.输入各充电站的位置信息：Algorithm8datas1：node_S=[1.79,5.37;4.16,1.53;7.10,5.05;1.30,1.63;7.05,1.92;4.95,5.95;4.29,3.72];2：NumChargers=[18;14;19;14;24;15;13];3：lambda=[0.48;0.55;0.6;0.42;0.6;0.2;0.5];4：SG=zeros(48+7,48+7);5:idx=[1,2,15,16;36,37,44,45;7,8,9,10;33,34,47,48;39,40,41,42;4,5,12,13;20,21,28,29];6:node(m,1)=8:-1:1;7:fori=1:78:forj=1:49:SG(idx(i,j),48+i)=norm(node(idx(i,j),:)-node_S(i,:));10:SG(48+i,idx(i,j))=SG(idx(i,j),48+i);11:end12:end3.用弗洛伊德算法计算各节点之间的最短距离：Algorithm9floyd1：function[d,r]=floyd(a)2：n=size(a,1);3：d=a;4：r=zeros(n);5：fori=1:n6:forj=1:n7:r(i,j)=j;8:end9:end10:fork=1:n11:fori=1:n12:forj=1:n13:ifd(i,k)+d(k,j)<d(i,j)14:d(i,j)=d(i,k)+d(k,j);15:r(i,j)=r(i,k);16:end17:end18:end19:end对目标函数与各参数进行设定：Algorithm10optimization1：function[F,F1,F2,F3]=optimization(x,beg,en,d,M,N,s,delta,q_xu,v,mu,T_wk,P,c,alpha)2：Lla=sum(sum(x.*d(beg,:)));3：Lne1=sum(delta*x*(sum(x,1)'./q_xu));4：Lne2=sum(sum(x(s+1:end,:).*d(en,:)));5：F1=Lla+Lne1+Lne2;距离成本6:Tla=Lla/v;7:Tne1=Lne1/v;8：Tne2=Lne2/v;9:T_wk=sum(x*T_wk);10:T_c=M*mu;11:F2=Tla+Tne1+Tne2+T_wk+T_c;时间成本12:F3=sum((sum(x,1)'*P./(c/sum(c)*M*P)));充电站设备利用13:F=alpha(1)*F1+alpha(2)*F2+alpha(3)*F3;目标函数14:M=100;15:N=7;16:v=30;17:P=30;18:data;19:[F_max,F1_max,F2_max,F3_max]=optimization(xinit(beg,:),beg,en,d,M,N,s,delta,q_xu,v,mu,T_wk,P,c,alpha);20:Nchromo=50;21:MaxGen=2500;22:Pc=0.85;23:Pm=0.01;24;Er=0.05;25:visualization=1;26:alpha1=alpha./[F1_max;F2_max;F3_max];3.5.3性能分析在上述部分都完成后，开始输出结果，场景代码如下：Algorithm11main1：[BestChrom]=GeneticAlgorithm(Nchromo,M,N,MaxGen,Pc,Pm,Er,...2：@(x)optimization(x,beg,en,d,M,N,s,delta,q_xu,v,mu,T_wk,P,c,alpha1),visualization);3：x1=BestChrom.Gene;4：[F_max0,F1_max0,F2_max0,F3_max0]=optimization(x1,beg,en,d,M,N,s,delta,q_xu,v,mu,T_wk,P,c,alpha);5：disp('Thebestchromosomefound:')6:BestChrom.Gene7:disp('Thebestfitnessvalue:')8:BestChrom.Fitness9:fprintf('距离为%.2f，时间为%.2f，服务强度比率求和%.2f\n',F1_max,F2_max,F3_max);10:disp((sum(xinit(beg,:),1)'*P./(c/sum(c)*M*P)));11:fprintf('距离%.2f，时间为%.2f，服务强度比率求和%.2f\n',F1_max0,F2_max0,F3_max0);12:disp((sum(x1,1)'*P./(c/sum(c)*M*P)));13:fprintf('优化前各个电动车起点与充电站\n');14:fprintf('编号\t起点\t充电站(优化前)\t充电站（优化后）\n');15:fori=1:M16:fprintf('%3d\t%3d\t%3d\t\t\t%3d\n',i,beg(i),find(xinit(beg(i),:)),find(x1(i,:)));17:end，他就敢传，不仅敢传，还能第一时间把球传到位，把饼喂到嘴，这就很棘手了。所以别看铂金打的有点捞，小哈达威与芬尼-史密斯却舒服的一批，哥俩箭如雨下，再搭配替补席上表现强势的布伦森，给快船来了个大满贯。饶是如此，快船也不是没得打，末节斗到最后5分钟那会儿，两边还搂在一块儿玩贴身肉搏呢。结果局座现眼了。替补席上表现强势的布伦森，给快船来了个大满贯。饶是如此，快船也不是没得打，末节斗到最后5分钟那会儿，两边还搂在一块儿玩贴身肉搏呢。结果局座现眼了。最终得到的最佳目标函数值为0.8888。优化前后各充电站的服务强度如表3-2所示。表3-2优化前后充电站服务强度对比充电站优化前优化后10.97501.105020.75210.836730.98530.862141.50431.170050.82870.877560.62400.780071.53001.5300从表中可以看出，经过优化后，各个快速充电站的比率都在逐渐向1靠拢，数值大致接近。这说明了在经过优化引导后，出租车司机能够根据当前各个充电站的实际情况，大致做到平均地前往各个充电站进行充电，这样能够有效避免有车无桩，需要耗费大量时间排队，或站内充电桩资源过剩，不能得到充分利用的情况。由此得出本文的引导体系能够较为有效的提高充电站运营商的服务效率。同时，对于电动出租车的时间与距离成本而言，引导体系也有着一定的意义。图3-5优化前后出租车充电站选择上图为优化前后电动出租车对于充电站的选择。通过计算，在优化前，100辆电动出租车从当前位置进行充电后前往接客的总路程为410.41km；总花费时间为2042.29min；在经过了本文的充电引导体系优化引导后，总的距离变成了397.32km；总时长则变成了2042.27min。距离成本和时间成本均得到了一定的减少，充分说明了本文策略的有效性。3.6本章小结本章主要是对充电引导体系结构进行了设计，首先构建了基于联盟区块链的V2G网络的充电引导体系结构，并使用了改进的拜占庭容错算法解决了其他品牌运营商加入联盟区块链的问题。接下来构架引导模型，对于各种参量在一定的条件下进行了设定，并构造了目标函数。然后选用遗传算法来求解模型，并利用一定的数据对所应用的算法进行了仿真，仿真结果表明，在本文所建立的引导体系下，充电场景中的各目标函数都得到了一定程度的优化，说明了本文中体系的可行性。第4章总结与展望本文针对具有网络预约订单限制的电动出租车，设计出了基于联盟区块链的V2G网络的充电服务机制，能够显著提高充电服务的灵活性与安全性，V2G网络的应用也使得出租车为电网的稳定性做出了一定的贡献，车主也能够通过电网的峰谷电价中获得一定的收益，是双向的利好。在此基础下进行研究，本文为妥善处理出租车司机以及运营商的各个方面的利益需求，并针对电动出租车需要在订单限制下在工作时需要进行充电行为的特点，构建了新的充电引导模型，并运用遗传算法进行求解。通过对某城市的城区中部分道路的测试仿真不难看出，本文中的引导体系相对于传统的方法而言，出租车司机的各种成本都有下降；运营商充电站的利用也变得更加均衡，运营商的服务效率得到了改善。可以说是有一定的实用价值。但是同时也能够看到一些其他的问题。本文中的充电场景大多是在假设的场景中进行，对比于现实情况进行了诸多简化。比如本文中假设出租车司机会沿最短路径匀速行驶，并选择快速充电站充电。然而在现实中，在某些情况下并不会像文中所述一样理想化，司机也有可能做出其他的选择。除此之外，本文的研究针对电动出租车，其他电动汽车也是有着不同的情况。一般的电动汽车位置和充电的时间、地点都较为固定，在未来需要对模型进行扩展，也将其他电动汽车的充电需求纳入考虑范围，尽量做到为电动汽车提供快捷高效的充电服务。这需要在今后进行进一步的研究。参考文献中华人民共和国发展与改革委员会.电动汽车充电基础设施发展指南(2015-2020年)[EB/OL]．欧阳明高．我国节能与新能源汽车发展战略与对策[J]．汽车工程，2006，28(4)：317-321．赵世佳,刘宗巍,郝瀚,赵福全.中国V2G关键技术及其发展对策研究[J].汽车技术,2018(09):1-5.金志刚,吴若茜,李根,岳顺民.基于联盟区块链的电动汽车充电交易模型[J].电网技术,2019,43(12):4362-4370.张富宝,李国,王滔滔.基于区块链技术的电动汽车充电链[J].计算机技术与发展,2020,30(04):161-166.刘晓飞,张千帆,崔淑梅.电动汽车V2G技术综述[J].电工技术学报.2012,27(2)黄晶,杨健维,王湘,何正友.下一目的地导向下的电动汽车充电引导策略[J].电网技术,2017,41(07):2173-2181.B.Shakerighadi,A.Anvari-Moghaddam,E.Ebrahimzadeh,F.Blaabjerg,andC.L.Bak,‘‘Ahierarchicalgametheoreticalapproachforenergymanagementofelectricvehiclesandchargingstationsinsmartgrids,’’IEEEAccess,vol.6,pp.67223–67234,2018.Y.Luo,T.Zhu,S.Wan,S.Zhang,andK.Li,”Optimalchargingschedulingforlarge-scaleEV(electricvehicle)deploymentbasedontheinteractionofthesmart-gridandintelligent-transportsystems,”Energy,vol.97,Feb.2016.X.Huang,Y.Zhang,D.Li,andL.Ha