傅質(zhì)馨，朱韋翰，朱俊澎，袁 越

（1. 河海大學(xué) 能源與電氣學(xué)院，江蘇 南京 211100；2. 河海大學(xué) 可再生能源發(fā)電技術(shù)教育部工程研究中心，江蘇 南京 211100）

0 引言

近年來，為了推進節(jié)能減排的實施，世界各國制定了相關(guān)政策，使得新能源汽車產(chǎn)業(yè)得到了飛速的發(fā)展，通信及智能感知技術(shù)［1］的崛起將多類型網(wǎng)絡(luò)相耦合，電力-交通融合網(wǎng)絡(luò)協(xié)同將成為一種發(fā)展趨勢［2-3］。然而，隨著城市內(nèi)電動汽車快充需求的日益增加，充電站利用率不均衡、充電過負荷等問題凸顯，同時電動汽車對交通網(wǎng)也會產(chǎn)生一定的影響。電動出租車作為快速充電及路-電耦合網(wǎng)絡(luò)的主要參與者，其在運營過程中行駛時間占比較大，運營壓力是需要選擇充電站進行電能快速補充，因此很難從時間上對其進行調(diào)控，而從空間上對其進行引導(dǎo)可以實現(xiàn)空間上的“削峰填谷”［4］，提高充電站的平均利用率，緩解城市交通網(wǎng)的擁堵狀況。

作為路-電耦合網(wǎng)絡(luò)的基礎(chǔ)，交通網(wǎng)的運行狀態(tài)會影響充電負荷的時空分布，因此研究交通流分布尤為重要。文獻［5］從靜態(tài)系統(tǒng)的角度出發(fā)進行交通流分配，但無法將其融入耦合系統(tǒng)的高頻率信息交互中；文獻［6］基于旅行速度分段依賴函數(shù)提出了一種動態(tài)交通網(wǎng)模型，將時間尺度從單時間斷面擴展到多時段斷面；文獻［7］提出了分時段動態(tài)交通網(wǎng)模型，采用自適應(yīng)Dijkstra 路徑算法為電動汽車提供導(dǎo)航服務(wù)。同時，已有研究在電動汽車的動態(tài)路徑規(guī)劃方面也得到了一定的突破，文獻［7］所提算法能根據(jù)實時信息進行路徑變更，文獻［8］提出了一種基于馬爾可夫決策的隨機路徑模擬方法，但文獻［7-8］均以交通節(jié)點為單位進行規(guī)劃，缺乏對動態(tài)決策與信息更新周期同步化的考慮。

通過在空間維度上改變充電站電價，能夠有效引導(dǎo)電動汽車用戶的行駛及選站決策行為。文獻［9］以節(jié)點電壓為標準設(shè)置浮動電價對用戶進行空間引導(dǎo)；文獻［10］根據(jù)電網(wǎng)節(jié)點關(guān)鍵度調(diào)整快充站的差價，均衡了區(qū)域內(nèi)的充電負荷。但是上述充電站定價模型與實時交通網(wǎng)的聯(lián)系不夠緊密，且均基于當前充電站狀態(tài)進行定價決策，忽略了交通網(wǎng)中未到達充電站的選站車輛的影響。

基于上述分析，本文提出了動態(tài)路-電耦合網(wǎng)絡(luò)下電動出租車的快速充電引導(dǎo)及定價策略。首先，給出了電動出租車在路-電耦合網(wǎng)絡(luò)下交通流-能量流-信息流的交互框架；提出了交通網(wǎng)的信息動態(tài)更新策略，并建立了電動出租車模型、充電站負荷及其排隊模型；為了反映路-電耦合網(wǎng)絡(luò)動態(tài)信息對電動出租車的影響，提出了電動出租車動態(tài)導(dǎo)航及選站決策方法；然后，根據(jù)站內(nèi)負荷和選站負荷進行虛擬負荷預(yù)測，提出了基于虛擬負荷和利用率均衡的充電站定價策略；最后，以某城區(qū)部分交通網(wǎng)為例對所提方法的有效性進行了驗證。

1 電動出租車在路-電耦合網(wǎng)絡(luò)下的交通流-能量流-信息流的交互框架

作為交通網(wǎng)和電網(wǎng)的雙重負荷，電動出租車的連續(xù)行駛-充電行為不僅會對其所歸屬的網(wǎng)絡(luò)產(chǎn)生影響，還會影響到其他網(wǎng)絡(luò)的運行?；陔娏ξ锫?lián)網(wǎng)的信息交互系統(tǒng)作為聯(lián)系路-電耦合網(wǎng)絡(luò)的一個重要環(huán)節(jié)，其在傳遞交通、電價、訂單、車輛之間的交互信息等方面起到了巨大的作用。信息交互系統(tǒng)定期更新一次信息，其交互框架如圖1所示。

圖1 交通流-能量流-信息流的交互框架Fig.1 Interaction framework of trafficflow-energy flow-information flow

控制中心由路-電耦合網(wǎng)絡(luò)協(xié)同優(yōu)化調(diào)控部門負責［2］，處于信息交互系統(tǒng)的頂端，負責接收各部門的動態(tài)數(shù)據(jù)、科學(xué)決策，并向各部門及個體發(fā)布調(diào)控信號；充電站運營商根據(jù)電動出租車的充電決策及預(yù)約信息，進行短期虛擬負荷預(yù)測；交通網(wǎng)運營中心通過監(jiān)測電動出租車的位置實時更新路況信息，同時根據(jù)各區(qū)域電動出租車數(shù)量及電動出租車約車平臺的訂單信息為司機尋客提供參考；電動出租車智能終端接收多方發(fā)布的實時信息，并通過傳感器和北斗導(dǎo)航等進行電量監(jiān)控、實時導(dǎo)航以及充電決策。電動出租車司機通過信息交互系統(tǒng)與耦合網(wǎng)絡(luò)形成了一個閉合系統(tǒng)，實現(xiàn)多方協(xié)同運行。

2 動態(tài)交通網(wǎng)-電動出租車-充電站的交互模型

本節(jié)首先提出了交通網(wǎng)的信息更新策略，然后分析了電動出租車的連續(xù)行駛-充電行為特性，最后建立了充電站負荷及雙層排隊系統(tǒng)，實現(xiàn)交通流-能量流-信息流的交互。

2.1 動態(tài)交通網(wǎng)的信息實時更新策略

交通網(wǎng)的道路拓撲結(jié)構(gòu)如附錄A 圖A1 所示，通過定期更新交通流在空間上的分布，可以獲取各路段的速度、能耗等參數(shù)，充分反映交通網(wǎng)動態(tài)多變的特點［7］。設(shè)信息更新周期Δt=5 min（即時段間隔），車流量等參數(shù)信息全部以路段為單位存儲于更新矩陣U(t)中，如式（1）所示。

式中：γ1(t)、γ2(t)分別為時段t的單位時長費用、里程費用。

2.2 單輛電動出租車模型

電動出租車的隨機性主要表現(xiàn)為出行及充電的隨機性：一方面，電動出租車司機會選擇供需水平較高的區(qū)域進行隨機尋客，載客及尋客點具有隨機性；另一方面，受到尋客點位置等因素的影響，電動出租車的充電接入位置、接入時間也具有隨機性。

2.2.1 電動出租車的行駛行為建模

相較于私家車的單次行駛行為特性，電動出租車具有連續(xù)行駛特性，其在載客、空載尋客、空載充電這3 種狀態(tài)之間變換，電動出租車的任務(wù)鏈如附錄A圖A2所示。

電動出租車主要以乘客訂單為主，將訂單產(chǎn)生的位置作為起點，訂單結(jié)束的位置作為終點，同時兼顧乘客的利益，以打車費用最少或行駛時間最短為目標采用Dijkstra 算法進行路徑規(guī)劃。當電動出租車到達訂單終點后，立即開始尋客。本文根據(jù)各功能區(qū)的訂單占比porder，y，提出了一種考慮供需水平的尋客點概率選擇模型。首先統(tǒng)計功能區(qū)y的電動出租車數(shù)量qcar，y，并對其進行歸一化處理，可得功能區(qū)y的電動出租車數(shù)量占比qone，y為：y

在選擇功能區(qū)后，隨機選擇該功能區(qū)的一個節(jié)點作為尋客點，式（8）—（10）表明選擇概率與訂單數(shù)量成正比，與區(qū)域內(nèi)的電動出租車數(shù)量成反比。

2.2.2 電動出租車充電行為建模

1）充電需求信息。

為了維護乘客的利益，電動出租車只在空載時進行充電，為此本文規(guī)定當電動出租車d的電池荷電狀態(tài)SSOC，d滿足式（11）時產(chǎn)生充電需求。

式中：εd為電動出租車d的充電荷電狀態(tài)閾值，取值范圍為0.20～0.35。

2）充電、耗電模型。

本文假設(shè)電動出租車均采用快速充電方式進行電能補充。根據(jù)初始荷電狀態(tài)及實時耗電量，可求得到達充電站k時電動出租車的荷電狀態(tài)SSOC，k，0，如式（12）所示。

式中：SSOC，inital為電動出租車的初始荷電狀態(tài)；t0、ta，k分別為電動出租車出行初始時段、到達充電站k的時段；Mt為時段t電動出租車經(jīng)過的路段集合；el(t)為時段t路段l的能耗水平；BE為電動出租車的電池容量。

則充電時間Tc可表示為：

式中：Pc為電動出租車的額定充電功率；η為電動出租車的充電效率。

2.3 充電站負荷模型

2.3.1 假設(shè)條件

1）若電動出租車到達充電站的時刻處于某一時段的中間部分，則等待下一時段初統(tǒng)一進行充電［13］；

2）若電動出租車充電完成的時刻處于某一時段的中間部分，則假設(shè)電動出租車的離站時刻為下一時段初。

2.3.2 快速充電站負荷模型

時段t充電站k的負荷Pk(t)可表示為：

式中：Nmax為充電站內(nèi)的最大充電樁數(shù)量。

2.3.3 充電站內(nèi)外排隊模型

排隊系統(tǒng)分為站內(nèi)和站外排隊系統(tǒng)，站內(nèi)排隊系統(tǒng)基于先來先服務(wù)理論［14］，站外排隊系統(tǒng)采用虛擬隊列［15］。

1）站內(nèi)排隊系統(tǒng)。

統(tǒng)計充電站k的平均到達率λk(t)和充電樁z的平均服務(wù)率ρk，z(t)，分別如式（17）和式（18）所示。

式中：Zk為充電站k內(nèi)的充電樁數(shù)量。

另外，根據(jù)文獻［14］中的計算方法可得電動出租車d選擇充電站k進行充電的排隊時間td，k，in(t)。

2）站外排隊系統(tǒng)。

當有多輛電動出租車選擇在同一充電站充電時，處于虛擬隊列隊尾的電動出租車將會面臨額外的排隊時間。站外排隊系統(tǒng)可反映選擇同一充電站的電動出租車相互之間的影響，假設(shè)時段t電動出租車d選擇前往充電站k充電，且在其前面已有m(t)輛電動出租車選擇了充電站k，則電動出租車d的站外等待時間td，k，out(t)可表示為：

3 電動出租車動態(tài)導(dǎo)航及選站決策

3.1 電動出租車動態(tài)導(dǎo)航方法

3.1.1 動態(tài)導(dǎo)航目標函數(shù)

針對電動出租車的狀態(tài)切換行為，本文在“滴滴出行”定價標準的基礎(chǔ)上，提出了一種考慮電動出租車狀態(tài)切換的變目標實時動態(tài)導(dǎo)航方法。當電動出租車處于載客狀態(tài)時，考慮到乘客對時間的敏感度不同，會選擇打車費用最少或行駛時間最短的路徑；當電動出租車處于空載狀態(tài)時，考慮到司機對于成本的偏好，需規(guī)劃計及時間及能耗成本最少的路徑。本文中動態(tài)路徑規(guī)劃周期與交通網(wǎng)信息更新周期相同，可根據(jù)交通網(wǎng)信息及時進行路徑變更，路徑規(guī)劃的起點可根據(jù)時空鏈的統(tǒng)一性予以解決。

3.1.2 時空鏈的統(tǒng)一性

時空鏈的統(tǒng)一性示意圖如圖2 所示。單路段對應(yīng)多個時段示意圖如圖2（a）所示：當進入距離為Lrs的路段rs時，可計算得到行駛時間trs，每經(jīng)過一個Δt，判斷電動出租車是否離開路段rs，若未離開則根據(jù)最新交通網(wǎng)信息以未到達的下一節(jié)點s為起點進行路徑規(guī)劃；當經(jīng)過最后一個Δt時段時，若電動出租車在其末時刻剛好到達節(jié)點s，則以已到達的節(jié)點s為起點進行導(dǎo)航，否則在該時段內(nèi)將出現(xiàn)單一時段跨路段行駛。單時段對應(yīng)多個路段示意圖如圖2（b）所示，根據(jù)該時段初始時刻的路徑規(guī)劃結(jié)果進行導(dǎo)航，電動出租車每經(jīng)過一個路段（Lrp′、Lp′q′、…、Lg′h、Lhs為各路段的距離），累加其行駛時間，直到累積路段hs的通行時間ths后的總累積時間大于Δt，則下一時段初以節(jié)點s為起點、以目的地為終點進行路徑規(guī)劃。

圖2 時空鏈的統(tǒng)一性Fig.2 Unity of space-time chain

3.2 電動出租車的動態(tài)選站決策

本文提出了一種考慮下一尋客點的動態(tài)選站決策方法，基于對時間、能耗及電價因素的分析，為電動出租車推薦最佳充電站。

3.2.1 動態(tài)選站因素模型

1）動態(tài)時間。

式中：pa(t)為時段t規(guī)劃路徑的路段集合。

3.2.2 動態(tài)選站策略

4 基于虛擬負荷和利用率均衡的充電站實時定價策略

充電電價是影響充電決策的重要因素，在電價的驅(qū)動下，可將電動出租車重新分配至不同的充電站進行充電，使得各充電站的利用率更為均衡。本文將電網(wǎng)公司及充電站視為一個整體，由電網(wǎng)公司通過調(diào)整處于不同空間位置的充電站充電電價實現(xiàn)快充負荷的有序引導(dǎo)。

4.1 虛擬負荷及動態(tài)定價流程

虛擬負荷并不是一個真實的數(shù)值，它反映的是充電站k的擁擠程度，對未來一段時間的負荷具有一定的“預(yù)見性”，通過對虛擬負荷進行充電電價調(diào)控，可以影響電動出租車群的選站結(jié)果。基于虛擬負荷進行定價的主要思路如附錄A 圖A4 所示。定價流程圖如附錄A圖A5所示，具體定價步驟如下。

式中：δd為死區(qū)系數(shù)，本文設(shè)置為0.2。

3）根據(jù)虛擬負荷和充電站容量，基于帶壓縮因子的粒子群優(yōu)化算法對充電電價調(diào)節(jié)步長ΔMk進行優(yōu)化。

4）確定充電電價調(diào)節(jié)步長后，根據(jù)充電站的虛擬負荷及平均虛擬負荷的關(guān)系進行充電電價更新，更新公式為：

4.2 約束條件

1）電動出租車的電量可達約束，即電動出租車可選擇的充電站應(yīng)在其剩余電量的可達范圍之內(nèi)。

2）充電電價約束，即充電站k的充電電價應(yīng)在其可行區(qū)間內(nèi)，如式（33）所示。

式中：pk，min(t)、pk，max(t)分別為時段t充電站k充電電價的最小值、最大值。

5 算例分析

本文選用文獻［11］中某市城區(qū)部分干道進行動態(tài)交通網(wǎng)模擬，該交通網(wǎng)包含29 個節(jié)點和98 條道路，具有連接關(guān)系的節(jié)點之間布置了雙向道路，道路拓撲結(jié)構(gòu)如附錄A圖A1所示。該城區(qū)分為居民區(qū)1（含節(jié)點1—11）、居民區(qū)2（含節(jié)點12—16）、工作區(qū)（含節(jié)點17—20）和商務(wù)區(qū)（含節(jié)點21—29）。

各道路長度及承載量參數(shù)參考文獻［10］，仿真周期為06:00—24:00。本文假設(shè)該城區(qū)內(nèi)共有8 000 輛電動私家車和8 000 輛電動出租車，各類型電動汽車的滲透率為15%，電動私家車的日常通勤率為80%。電動出租車在06:00—10:00 時段逐漸接入交通網(wǎng)，在18:00—24:00 時段逐漸從交通網(wǎng)中退出；電動私家車按照一定的概率接入交通網(wǎng)，按照居民區(qū)-工作區(qū)-居民區(qū)的出行鏈行駛。電動汽車的初始荷電狀態(tài)均勻分布在0.5～0.8 范圍內(nèi)。區(qū)域內(nèi)共設(shè)置了5 座充電站（充電站1—5），分別位于交通網(wǎng)的節(jié)點6、7、13、17、27，各充電站的充電樁數(shù)量分別為30、20、40、15、45 臺。充電設(shè)備及各類型電動汽車參數(shù)可參考文獻［10］。充電站的初始充電電價為0.8元／（kW·h），調(diào)節(jié)范圍為0.3～1.2元／（kW·h）。

5.1 充電引導(dǎo)結(jié)果分析：充電站側(cè)

從充電站的角度考慮，通過具有“預(yù)見性”的定價策略及充電引導(dǎo)策略，可以動態(tài)分配電動出租車，減少充電站的飽和時間，提高充電站間的均衡度。定義飽和時間ωk為充電站k一天內(nèi)充電樁全部被占用的時間，平均飽和時間ωave為ωk的平均值。將均衡度β(t)定義為時段t各充電站利用率的標準差，如式（34）所示。

式中：T為時段總數(shù)。

在有序引導(dǎo)和合理定價的前提下，06:00—24:00時段充電站的充電負荷及均衡度如圖3所示。

圖3 充電站的充電負荷和均衡度Fig.3 Charging load and equilibrium degree of charging stations

為了更好地說明本文所提有序引導(dǎo)及定價策略的優(yōu)越性，設(shè)置了如下8 種場景進行對比分析：①場景1，接受引導(dǎo)并考慮本文定價策略；②場景2，接受引導(dǎo)（不考慮能耗）并考慮本文定價策略；③場景3，接受引導(dǎo)（不考慮時間）并考慮本文定價策略；④場景4，接受引導(dǎo)（不考慮充電費用）并考慮本文定價策略，能耗部分仍考慮電價；⑤場景5，接受引導(dǎo)，但不考慮定價策略；⑥場景6，接受引導(dǎo)（不考慮能耗），但不考慮定價策略；⑦場景7，接受引導(dǎo)（不考慮時間），但不考慮定價策略；⑧場景8，用戶接受引導(dǎo)，并采用文獻［11］中的定價策略。

各場景下的平均飽和時間和平均均衡度分別如表1和表2所示。表中：ωave，i、βave，i分別為場景i的平均飽和時間、平均均衡度；γωave，i、γβave，i分別為場景1 的平均飽和時間、平均均衡度相較于場景i結(jié)果的改善百分數(shù)，計算式分別見式（37）和式（38）。

表1 各場景下的平均飽和時間Table 1 Average saturation time of each scenario

表2 各場景下的平均均衡度Table 2 Average equilibrium degree of each scenario

由表1可知：場景1的平均飽和時間和飽和時間標準差最小，各充電站內(nèi)的飽和程度較為平均；相較于不考慮動態(tài)定價的場景5，場景1 的平均飽和時間、飽和時間標準差分別減少了41.54%、79.56%，說明動態(tài)定價不僅可以改善充電站內(nèi)部的擁堵情況，還可以將充電壓力有效地分配給各充電站；場景3和場景7 均采用不考慮時間因素的引導(dǎo)策略，其平均飽和時間和飽和時間標準差均較高，這表明時間因素對于充電引導(dǎo)策略的制定極為重要；相較于場景5—7，場景1—4 下充電站的飽和時間標準差更小，這表明本文所提定價策略能夠縮小各充電站之間飽和程度的差異；相較于場景8，場景1 的平均飽和時間改善程度較為明顯，驗證了本文所提定價策略具有一定的優(yōu)越性。

由表2 可知：場景1 的平均均衡度最小，說明各充電站的利用情況最為均衡，證明了接受引導(dǎo)并同時考慮定價策略的優(yōu)化效果較明顯；場景8 中的定價策略對充電站負荷水平的表現(xiàn)具有一定的“滯后性”，其平均均衡度高于場景1。電網(wǎng)公司可根據(jù)具體的應(yīng)用場景對充電站內(nèi)的充電樁進行需求側(cè)管理，根據(jù)配電網(wǎng)的需求側(cè)管理函數(shù)改變允許接入的充電樁數(shù)量［16］，采用本文所提引導(dǎo)及定價策略仍可實現(xiàn)充電負荷在需求側(cè)管理下的均衡分配。

場景1 下充電站的實時電價曲線如圖4 所示。由圖可見，通過動態(tài)調(diào)整不同充電站的實時電價，可有效引導(dǎo)和分配電動出租車，提高充電站的利用率，緩解站內(nèi)的擁堵現(xiàn)象。

圖4 充電站的實時電價曲線Fig.4 Real-time electricity price curves of charging stations

5.2 充電引導(dǎo)結(jié)果分析：電動出租車司機

對于電動出租車司機而言，其希望通過引導(dǎo)策略產(chǎn)生更多的收入，部分場景下電動出租車司機的平均利潤結(jié)果如表3所示。

表3 不同場景下電動出租車司機的平均利潤Table 3 Average profit of electric taxi users under different scenarios

相較于場景2—8，場景1 通過有序引導(dǎo)和合理定價，能夠減少充電等待時間，增加其在交通網(wǎng)中的運營時間，從而提高了電動出租車司機的運營收入和平均利潤，驗證了本文所提定價策略具有一定的優(yōu)越性。同時由于充電引導(dǎo)及定價策略能夠有效均衡充電站間的負荷，提高充電站的綜合利用率，通過提供“減樁”的需求側(cè)管理服務(wù)，電網(wǎng)公司可進一步為電動出租車司機及出租車公司提供返利，進一步提高司機的收益。

5.3 動態(tài)導(dǎo)航結(jié)果分析：電動出租車司機

為了驗證動態(tài)導(dǎo)航方法的有效性，假設(shè)一電動出租車于18:00 從起始節(jié)點12 出發(fā)到目的地節(jié)點17，其處于載客或空載狀態(tài)時的路徑規(guī)劃結(jié)果如表4 所示。由表可知：當電動出租車處于載客狀態(tài)時，以行駛時間最短動態(tài)規(guī)劃路徑，可能會提高繞路及增加打車費用的風險，以打車費用最少為優(yōu)化目標可以綜合考慮時間和距離對費用支出的影響，可能會增加行程行駛時間，乘客可以根據(jù)自身對于時間和費用的敏感程度自由調(diào)整本次出行的優(yōu)化目標；當電動出租車處于空載狀態(tài)時，以能耗最少為優(yōu)化目標進行路徑規(guī)劃的結(jié)果與載客狀態(tài)下以打車費用最少為優(yōu)化目標的結(jié)果相同，說明以行駛距離為主要特征的能耗在打車費用最少優(yōu)化目標下為主要影響因素。但是以能耗最少為優(yōu)化目標可能會增加行駛時間，空載狀態(tài)下的行駛時間是不會產(chǎn)生利潤的，所以在實際導(dǎo)航規(guī)劃中應(yīng)綜合考慮能耗與行駛時間。

表4 載客、空載狀態(tài)下的路徑規(guī)劃結(jié)果Table 4 Path planning results under passenger and no-passenger conditions

5.4 動態(tài)導(dǎo)航結(jié)果分析：交通網(wǎng)側(cè)

假設(shè)在無引導(dǎo)策略下，電動出租車司機偏向于選擇最短路徑行駛。相比于無引導(dǎo)策略，動態(tài)導(dǎo)航策略能夠幫助電動出租車司機找到最佳行駛路徑，保證其利益最大化，同時能夠?qū)煌ňW(wǎng)的運行狀態(tài)有一定程度的改善，定義路段l的健康系數(shù)Il(t)和功能區(qū)y的健康系數(shù)Qy分別為：

式中：tl(t)為路段l的行駛時間；tl0為路段l的零流量行駛時間；my為功能區(qū)y內(nèi)部的路段數(shù)量。

在動態(tài)導(dǎo)航策略和無引導(dǎo)策略下功能區(qū)的健康系數(shù)變化曲線如圖5 所示。由圖可知：在無引導(dǎo)策略下，由于工作區(qū)的區(qū)域范圍較小，與相應(yīng)交通網(wǎng)節(jié)點相連的路段較少，流量疏散能力較差，其健康系數(shù)在12:00時刻之后相較于其他功能區(qū)數(shù)值較大，健康程度表現(xiàn)較差，而商務(wù)區(qū)由于路段容量較大且流量疏散能力較強，其健康系數(shù)數(shù)值較小，健康程度表現(xiàn)較好；而本文所提動態(tài)導(dǎo)航策略可在保證電動出租車司機利益的同時規(guī)避擁堵路段，改善工作區(qū)的健康程度。

圖5 動態(tài)導(dǎo)航策略和無引導(dǎo)策略下功能區(qū)的健康系數(shù)變化曲線Fig.5 Change curves of functional areas’health coefficient under dynamic navigation strategy and no-guidance strategy

對于單條路段而言，動態(tài)導(dǎo)航策略會自動規(guī)避擁堵路段，轉(zhuǎn)移車流量。以路段8-23 和路段23-8 為例，其在動態(tài)導(dǎo)航策略和無引導(dǎo)策略下的健康系數(shù)變化曲線如圖6 所示。由圖可知，電動私家車因上下班通勤產(chǎn)生出行需求，路段8-23 和路段23-8 具有明顯的早晚高峰特性，早高峰會對路段8-23 產(chǎn)生影響，而晚高峰會對路段23-8 產(chǎn)生影響，經(jīng)本文所提動態(tài)導(dǎo)航策略引導(dǎo)后路段23-8 的健康系數(shù)整體減小，高峰時段路段的擁堵情況得到緩解。

圖6 動態(tài)導(dǎo)航策略和無引導(dǎo)策略下路段的健康系數(shù)變化曲線Fig.6 Change curves of roads’health coefficient under dynamic navigation strategy and no-guidance strategy

6 結(jié)論

本文基于路-電耦合下交通流-能量流-信息流的交互框架，從空間維度對電動出租車進行引導(dǎo)，實現(xiàn)了電動出租車導(dǎo)航及選站決策的雙動態(tài)化，解決了時間鏈和空間鏈的統(tǒng)一性問題。同時，所提基于虛擬負荷的充電站定價策略，對未來一段時間內(nèi)的充電負荷具有一定的“預(yù)見性”，提高了充電負荷再分配的效果，降低了充電站的內(nèi)部擁堵率，提高了電動出租車司機的平均收入，同時在一定程度上緩解了交通網(wǎng)的擁堵現(xiàn)象。

隨著耦合網(wǎng)絡(luò)動態(tài)交互的發(fā)展，電動出租車的行為描述及多方調(diào)控將變得更加復(fù)雜，考慮多源信息和電動出租車司機心理的電動出租車動態(tài)行為建模及多主體協(xié)調(diào)控制策略將是下一步的研究重點。

附錄見本刊網(wǎng)絡(luò)版（http：//www.epae.cn）。