电动汽车快速充电引导方法、系统、终端及介质

1.本发明涉及快速充电技术领域，具体地，涉及一种考虑效用感知与nash均衡评价的电动汽车快速充电引导方法、系统、终端及介质。


背景技术：

2.随着全球经济加速发展，碳排放量不断上升，我国作为经济高速发展的大国，提出了碳减目标。发展新能源汽车是推动绿色发展、节能减排，践行低碳发展的战略选择。新能源汽车进入加速发展的阶段为我国经济发展注入新动能，纯电动汽车将成为主流。快速充电作为一种省时高效的充电方式更容易得到用户的偏好。但目前快充站的布局与充电需求侧的分布匹配度不高，快速充电需求很难得到及时满足，公共场所充电服务能力与充电聚合商运营服务模式亟待创新。利用电动汽车的移动负荷特性对车群进行合理的引导可以更好的满足用户充电需求，提升充电聚合商的收益，减少对配电网性能的影响。
3.目前，针对充电引导问题，国内外很多学者已做了较为深入的研究。但是，现有的电动汽车充电引导策略大都着重结合考虑配电网、交通网与充电位优化电动汽车充电行为，对于电动汽车快速充电的迫切需求考虑不够，对电动汽车用户与充电位的偏好差异考虑不充分，也没有给出具体的匹配解和验证匹配解的优化方案。
4.综上所述，新能源汽车已进入加速发展新阶段，快速充电模式得到越来越多用户的青睐，但电动汽车快速充电仍存在因目标充电位(站点)选择冲突而导致用户迫切的快速充电需求难以得到及时满足；用户对时间成本、距离成本和费用成本偏好存在差异；充电站因存在拥挤和空置现象而导致设备利用率不均衡等问题。
5.目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。


技术实现要素：

6.本发明针对现有技术中存在的上述不足，提供了一种电动汽车快速充电引导方法、系统、终端及介质。
7.根据本发明的一个方面，提供了一种电动汽车快速充电引导方法，包括：
8.构建电动汽车目标充电位选择冲突处理模型；
9.基于所述充电冲突处理模型，构建电动汽车和充电位(站点)之间的双边匹配模型，得到所述电动汽车和所述充电位之间的匹配解；
10.对得到的所述匹配解进行最优解选择，得到电动汽车和充电位之间的快速匹配，完成电动汽车快速充电引导。
11.根据本发明的另一个方面，提供了一种电动汽车快速充电引导系统，包括：
12.充电冲突处理模块，该模块构建电动汽车目标充电位选择冲突处理模型；
13.双边匹配模块，该模块基于充电冲突处理模型，构建电动汽车和充电位之间的双边匹配模型，得到电动汽车和充电位之间的匹配解；
14.快速匹配模块，该模块对得到的匹配解进行最优解选择，得到电动汽车和充电位之间的快速匹配，完成电动汽车快速充电引导。
15.根据本发明的第三个方面，提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行上述任一项所述的方法，或，运行上述的系统。
16.根据本发明的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行上述任一项所述的方法，或，运行上述的系统。
17.由于采用了上述技术方案，本发明与现有技术相比，具有如下至少一项的有益效果：
18.本发明提供的电动汽车快速充电引导方法、系统、终端及介质，解决了快速充电需求的电动汽车与可行的充电位之间的匹配问题，综合考虑电动汽车距离偏好、时间偏好、费用偏好、充电站设备利用率的均衡度以及匹配成功率，提出了考虑效用感知与nash均衡评价的电动汽车快充引导策略，并分析了所提策略的有效性。
19.本发明提供的电动汽车快速充电引导方法、系统、终端及介质，建立充电冲突处理模型确保及时响应充电申请，有效缓解用户充电拥挤，提高充电设备利用率，节约充电成本；将电动汽车与充电位各自的偏好转换成三角模糊数后通过隶属度处理后求匹配解；通过失望
‑
欣喜函数修正的感知效用和纯策略nash均衡择最优解，可以有效解决充电冲突问题和均衡充电设备利用率，实现电动汽车用于与充电位效用值最大化的同时兼顾个体最优与整体最优。
附图说明
20.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
21.图1为本发明一实施例提供的电动汽车快速充电引导方法流程图。
22.图2为本发明一优选实施例中电动汽车快速充电引导方法流程图。
23.图3为本发明一优选实施例中充电位服务区域划分示意图
24.图4为本发明一具体应用实例中引导前后的服务强度比率对比图。
25.图5为本发明一具体应用实例中不同电动汽车数量下的电动汽车平均效用值曲线图。
26.图6本发明一具体应用实例中电动汽车策略感知效用值对比图。
27.图7本发明一具体应用实例中充电位策略感知效用值示意图。
28.图8本发明一具体应用实例中综合感知效用值示意图。
29.图9本发明一实施例提供的电动汽车快速充电引导系统组成模块示意图。
具体实施方式
30.下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
31.图1为本发明一实施例提供的电动汽车快速充电引导方法流程图。
32.如图1所示，该实施例提供的电动汽车快速充电引导方法，可以包括如下步骤：
33.s100，建立电动汽车目标充电位(站点)选择冲突处理模型；
34.s200，基于充电冲突处理模型，建立电动汽车和充电位之间的双边匹配模型，得到电动汽车和充电位之间的匹配解；
35.s300，对得到的匹配解进行最优解选择，得到电动汽车和充电位之间的快速匹配，完成电动汽车快速充电引导。
36.在该实施例的s100中，作为一优选实施例，构建电动汽车目标充电位选择冲突处理模型，可以包括如下步骤：
37.s101，对电动汽车用户与充电聚合商进行快速充电需求分析，得到电动汽车用户与充电聚合商在快充过程中的偏好函数；
38.s102，获取电动汽车与充电站信息生成二部图，建立电动汽车目标充电位选择冲突处理模型。
39.图2为本发明一优选实施例提供的电动汽车快速充电引导方法流程图。
40.如图2所示，该优选实施例提供的电动汽车快速充电引导方法，可以包括如下步骤：
41.步骤1，获取电动汽车与充电位信息；
42.步骤3，生成可行集预约集并排序；
43.步骤4，充电位与用户设定偏好权重；
44.步骤5，生成二部图g＝(ev,ci)；
45.步骤6，判断是否满足hall条件：
46.如果满足，则接受申请，进一步判断是否满足t0＜t≤t0+e；如果满足，则返回步骤 0重新开始，如果不满足，则执行步骤7；
47.如果不满足，则拒绝申请，判断是否预约下一轮充电；如果预约，则返回步骤0重新开始，如果不预约，则结束电动汽车快速充电引导；
48.步骤7，生成有效的感知效用策略组合；
49.步骤8，生成策略组合感知效用值；
50.步骤9，判断是否存在纯策略nash均衡解：
51.如果存在，则生成纯策略nash均衡解，执行步骤10；
52.如果不存在，则直接执行步骤10；
53.步骤10，输出其中感知效用值最大的解，电动汽车快速充电引导结束。
54.下面对该优选实施例提供的电动汽车快速充电引导方法的技术原理及技术方案进一步详细描述如下。
55.1、快速充电引导模型的建立，即上述步骤1～步骤6 1.1、面向用户与充电聚合商的快充需求分析
56.电动汽车用户在快充过程中主要考虑行驶总距离、花费总时间以及充电总费用三个偏好函数。其中，电动汽车i选择到目标充电位j进行充电的行驶总距离d
ij
为：
57.58.式中：为电动汽车i前往目标充电位j的行驶距离，为电动汽车i从目标充电位 j前往下一个目标点的行驶距离。花费总时间t
ij
为：
[0059][0060]
式中：及分别为电动汽车i从出发点到目标充电位耗时、从目标充电位到下一个目标点耗时、排队耗费时、快速充电耗时。电动汽车i前往充电位j在t
ij
时间段内的充电总费用f
ij
为：
[0061][0062]
式中：分别为基础充电电费、基础服务费以及基础停车费，p
ij
为单位充电功率。
[0063]
充电聚合商主要考虑的是充电站的盈利与设备利用均衡度两个偏好函数。在基础电价不变的情况下，对于电动汽车i，目标充电位j盈利r
ij
为：
[0064][0065]
充电站的均衡度η
j
用服务强度比来衡量：
[0066][0067]
式中：m0为区域电动汽车数量，n0为区域充电位数量，x
ik
为充电标志位，c
k
为充电站k的充电位容量，p
i
为电动汽车i的充电功率。
[0068]
1.2、充电冲突处理模型
[0069]
在寻求充电服务时用户信息互通存在阻碍，容易导致充电效率低。例如，充电站可用充电位容量充足情况下，多个电动汽车出于自身的偏好选择了同一充电位。那么，电动汽车会因选择冲突损失时间成本，而处于闲置状态的充电位亦会损失经济成本。因此，有意识地对电动汽车进行充电引导，而去避免选择冲突显得尤为必要。区域内具有充电需求的所有电动汽车构成一个集合，记为ev：
[0070]
ev＝{ev1,ev2,...,ev
n
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0071]
式中：ev
i
表示第i个电动汽车。
[0072]
所有充电位构成一个集合，记为cis：
[0073]
cis＝{cis1,cis2,...,cis
m
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0074]
式中：cis
j
表示第j个充电位。
[0075]
对电动汽车引导的前提是搭建控制中心，获取电动汽车与充电位信息，电动汽车与充电位通过控制中心互动。控制中心基于获取的信息确定电动汽车的可行充电位集合，记为ci，且造成目标充电位选择冲突的电动汽车所构成的集合设为拥挤集，记为cs，且
[0076]
如果对电动汽车进行实时逐个引导，虽然引导需求得到迅速响应，但于充电站整体优化运行不利。因此，以一轮快速充电预约匹配所持续的最佳时长δt进行划分，将连续
形式下的预约充电问题转化为离散形式进行处理。离散形式下的预约充电问题可以用二部图g＝(ev,ci)进行描述。若所有有充电需求的电动汽车的申请均得到匹配且不存在拥挤集，则二部图g＝(ev,ci)需求侧存在饱和匹配。参考hall定理，若要实现饱和匹配，那么二部图必须满足hall条件，即使得：
[0077]
|s|≤|ci
s
|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0078]
式中：ci
s
为任意电动汽车集合s可行的充电位集。从连续时间来看，预约充电问题可视为无穷个的二部图匹配：
[0079]
{(ev
δt(t)
,ci
δt(
t
)
)|t:0
→
∞}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0080]
式中：δt(t)表示在t时刻开始所持续的最佳时长，表示预约充电的第一轮二部图匹配。
[0081]
设某区域t0时刻开始第一轮快速充电预约匹配，且持续的时间上限为e，该区域充电位数量的上限为n。在t0＜t≤t0+e时间段内，已经接受充电预约的电动汽车的集合为且对应的可行充电位的集合为并构成二部图：
[0082][0083]
该二部图满足hall条件并满足：
[0084][0085]
在该轮匹配截止前，又接收到电动汽车快充预约时，对其预约是否接受分两种情况。
[0086]
当时，该轮预约匹配中，已经接受的电动汽车数量已经达到区域内可供充电服务的充电位数量的上限。此时对电动汽车充电预约在本轮中予以拒绝。
[0087]
当时，电动汽车ev
i
可进行充电预约，其可行的充电位集为ci
i
，与二部图(10)构成新的二部图：
[0088][0089]
式中：更新的电动汽车集合和充电位集合为：
[0090][0091][0092]
如果新的二部图(12)依然满足hall条件和：
[0093][0094]
则电动汽车ev
i
的预约予以接受，否则拒绝，对更新的二部图进行预约匹配，拒绝的电动汽车等待下一轮预约或引导前往其他区域。
[0095]
1.3快速匹配模型与求解
[0096]
1.3.1双边匹配模型的建立
[0097]
在二部图匹配过程中，将电动汽车对充电位的偏好序r
ij
与充电位对电动汽车的偏
好序t
ij
转化为三角模糊数转化公式为：
[0098][0099]
其中：d
l
，d
m
，d
r
是实数，且满足d
l
≤d
m
≤d
r
，其隶属度函数满足t为偏好序值的最大值。
[0100]
假设电动汽车对充电位关于偏好的指标集为q＝{q1,q2,...,q
f
}，其中q
h
表示第h个偏好指标(h＝1,2,...,f)；偏好指标对应的指标权重向量w＝(w1,w2,...,w
f
)，其中w
h
表示偏好指标q
h
对应的权重，0≤w
h
≤1，基于上述偏好指标，设电动汽车对充电位的偏好结果矩阵为其中表示关于给出的偏好指标q
h
，电动汽车ev
i
对于充电位 ci
j
的偏好结果。假设充电位对电动汽车的偏好指标集为i＝{i1,i2,...,i
k
}，其中i
q
表示第q 个偏好指标(q＝1,2,...,k)，偏好指标对应的指标权重向量v＝(v1,v2,...,v
k
)，其中v
q
表示偏好指标i
q
对应的权重，0≤v
q
≤1，基于上述偏好指标，设充电位对电动汽车的偏好结果矩阵为其中表示关于给出的偏好指标i
q
，充电位ci
j
对于电动汽车ev
i
的偏好结果。
[0101]
将矩阵与分别转化成三角模糊数形式的偏好矩阵和其中：表示在第h个指标下电动汽车ev
i
对充电位ci
j
的三角模糊数偏好值，表示在第q个指标下充电位ci
j
对电动汽车 ev
i
的三角模糊数偏好值。根据扩展原理和运算法则：
[0102][0103][0104]
n为区域电动汽车数量，m为区域充电位数量；
[0105]
为了实现电动汽车与充电位的匹配问题，尽可能同时满足充电需求方和供给方的利益最大化。建立如下模糊多目标优化匹配模型：
[0106][0107][0108][0109]
[0110]
x
ij
＝0或1，i＝1,2,...,n；j＝1,2,...,m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)
[0111]
式中：x
ij
为匹配标志位，当电动汽车i与充电位j成功匹配充电时，x
ij
＝1，否则为 0。上面两个目标函数，其含义是尽可能使电动汽车对充电位匹配满意度最大和充电位对电动汽车匹配满意度最大。约束条件的含义分别为：电动汽车ev
i
同一时间最多只能预约到一个充电位，充电位ci
j
同一时间至多接受q
j
个充电预约。三角模糊数的多目标优化匹配模型直接处理困难，因此拆分为具有清晰数形式的优化模型，模型如下：
[0112][0113][0114]
通过取极大极小的形式，即最大化和最小化和将模糊多目标优化匹配模型转化为多目标优化匹配模型：
[0115][0116][0117][0118][0119][0120][0121][0122][0123]
x
ij
＝0或1，i＝1,2,...,n；j＝1,2,...,m
ꢀꢀꢀꢀꢀꢀꢀꢀ
(34)
[0124]
进一步分析，将线性多目标优化问题通过隶属度函数做归一化处理，转换为单目标优化匹配模型处理，首先计算以上多目标函数正、负理想解。
[0125][0126][0127][0128]
ev
i
的ev
l
相匹配的失望值为d
′
l
(s
ij
)。
[0151]
d
k
(r
ij
)＝d[v(r
ik
)
‑
v(r
ij
)]＝1
‑
exp{[v(r
ik
)
‑
v(r
ij
)]lnα}i＝1,2,...,n；j＝1,2,...,m
ꢀꢀꢀꢀꢀꢀꢀꢀ
(52)
[0152]
d
′
l
(s
ij
)＝d[v(s
lj
)
‑
v(s
ij
)]＝1
‑
exp{[v(s
lj
)
‑
v(s
ij
)]lnα}i＝1,2,...,n；j＝1,2,...,m
ꢀꢀꢀꢀꢀꢀꢀꢀ
(53)
[0153]
v(r
ik
)为电动汽车i与充电位k匹配的偏好效用值，v(r
ij
)为电动汽车i与充电位j 匹配的偏好效用值，v(s
lj
)为充电位j电动汽车l与匹配的偏好效用值，v(s
ij
)为充电位 j电动汽车i与匹配的偏好效用值；同理，设电动汽车ev
i
对与充电位ci
j
匹配规避与劣于 ci
j
的ci
k
相匹配的欣喜值为e
k
(r
ij
)，充电位ci
j
对与电动汽车ev
i
匹配规避与劣于ev
i
的ev
l
相匹配的欣喜值为e
′
l
(s
ij
)。
[0154]
e
k
(r
ij
)＝e[v(r
ik
)
‑
v(r
ij
)]＝γ
‑
γexp{[v(r
ik
)
‑
v(r
ij
)]lnβ}i＝1,2,
…
,n；j＝1,2,
…
,m
ꢀꢀꢀꢀꢀꢀ
(54)
[0155]
e
′
l
(s
ij
)＝e[v(s
lj
)
‑
v(s
ij
)]＝γ
‑
γexp{[v(s
lj
)
‑
v(s
ij
)]lnβ}
i
＝1,2,...,n；j＝1,2,...,m
ꢀꢀꢀꢀꢀ
(55) 匹配主体之间的可能性均是相等的，进一步求得综合失望
‑
欣喜程度，则有：
[0156][0157][0158][0159][0160]
经过失望
‑
欣喜函数修正的电动汽车与充电位偏好效用函数为：
[0161]
u(r
ij
)＝v(r
ij
)
‑
d(r
ij
)+e(r
ij
),i∈n,j∈m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(60)
[0162]
u
′
(s
ij
)＝v(s
ij
)
‑
d
′
(s
ij
)+e
′
(s
ij
),i∈n,j∈m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(61)
[0163]
2.2纯策略nash均衡评价
[0164]
由于电动汽车用户比充电位更加具有不确定性和不理性，并且每个电动汽车用户会追求自身的偏好效用值最大，只有当匹配解的策略组合是纯nash均衡解的情况下，即每个电动汽车用户在其他用户决策既定的状况下实现了个体效用值最优，电动汽车用户才会理性遵守引导方案，如果匹配结果不是纯nash均衡解，用户可能会拒绝引导方案。
[0165]
电动汽车群在选择快充时构成战略式博弈ga＝＜m,a
i
,u
i
＞，i∈m，其中m为电动汽车集，a
i
是电动汽车i的所有选择策略集，u
i
是电动汽车的效用函数，假设电动汽车集的选择策略组合为纳什均衡解，则该解满足，且均有：
[0166][0167]
为电动汽车i在博弈中的最优选择。
[0168]
下面结合一具体应用实例，对本发明上述实施例提供的技术方案进一步说明如下。
[0169]
在该具体应用实例中，设充电位构成平面点集p，p＝{p1,p2,...,p
k
}，3≤k＜∞，d(p
k
,p
z
) 表示点p
k
与p
z
间的距离，则充电位的voronoi图为：
[0170]
v(p
k
)＝{x∈v(p
k
)|d(x,p
k
)≤d(x,p
z
),z＝1,2,...,n,z≠k}
ꢀꢀꢀꢀꢀꢀꢀꢀ
(63)
[0171]
设某区域有10个充电位，每个充电位有6
‑
16个充电位不等，共100个充电位。通过voronoi图对该区域内进行划分，每个充电位的区域分布图如图3所示。充电位划分区域s1‑
s
10
内充电汽车需求量如表1所示。
[0172]
表1充电位区域信息
[0173][0174]
匹配过程中通过调整约束条件(22)，即每个充电位的匹配个数q
j
来控制充电位的均衡度，引导前与引导后的充电位服务强度对比如图4所示。
[0175]
由图4可知，引导后能够根据充电位的充电位容量将电动汽车均分到各充电位进行充电，解决部分电动汽车出现充电位选择冲突与充电设备利用率不均衡的现象。
[0176]
通过对电动汽车用户和充电聚合商的需求分析，构建偏好函数。由于电动汽车对距离的偏好可以转化为时间偏好，此处电动汽车只考虑时间与电价偏好指标q1、q2；电动汽车电池充电过程是关于时间和剩余电量的非线性函数，充电速率随时间增大而越来越慢，充电位只考虑电动汽车soc与充电电量偏好指标i1、i2。为简化模型的计算复杂度在不影响目标函数的前提下，做出的参数假设如表2和表3所示，假设在某区域δt(t0)时间段内有10辆电动汽车预约充电服务，其可行集、预约集和偏好序见表4与表5。
[0177]
表2电动汽车与充电位偏好指标权重
[0178][0179]
表3失望
‑
欣喜函数与效用函数各参数取值
[0180][0181][0182]
表4电动汽车可行集与偏好序信息
[0183][0184]
表5充电位预约集与偏好序信息
[0185][0186]
区域内各充电位所提供的充电位数量有限，随着电动汽车用户数量的增加充电位的供应逐渐不足以支持大量电动汽车的充电预约，电动汽车的平均偏好效用值呈减小的趋势，如图5所示。电动汽车在引导前前往每个充电位的概率是相等的，其平均偏好效用值为：
[0187][0188]
其中，ω为该区域充电位总数。
[0189]
电动汽车拥挤集会造成平均效用值不必要的消减。由附录表4与表5可知电动汽车 ev
10
的加入使得集合ev出现了拥挤集cs，并且拥挤集cs＝{ev2,ev3,ev
10
}，|n
g
(s)|＝{ci3,ci4}，不满足hall条件|cs|≤|cics|，根据建立的电动汽车充电位选择冲突处理模型，本轮拒绝 ev
10
的充电请求，根据建立的电动汽车与充电站的双边匹配模型，对满足hall条件的电动汽车进行匹配处理。根据偏好序与权重进行多指标的集结生成如表6和表7所示的经过失望
‑
欣喜函数修正的电动汽车与充电位偏好感知效用值。
[0190]
表6电动汽车可行集感知效用值
[0191][0192]
表7充电位预约集感知效用值
[0193][0194][0195]
根据单目标优化模型(43)
‑
(48)求解。首先求得多目标函数的正、负理想解见表8
所示。
[0196]
表8六个目标函数的正理想解和负理想解
[0197][0198]
进一步，求得优化模型的最终解为：
[0199][0200]
即二部图(ev,ci)的最终匹配结果为：
[0201][0202]
通过失望
‑
欣喜函数修正的感知效用可知，本算例中效用函数策略组合一共有768 项，有效的效用函数策略组合有11项，见表9所示。电动汽车侧的有效的策略组合1 到11的整体感知效用值如图6所示。
[0203]
表9电动汽车侧的效用函数策略组合
[0204]
[0205][0206]
由图6可知策略组合1的整体感知效用值最高，实现了电动汽车整体感知效用值最大化。从充电位的角度衡量，有效的效用函数策略组合有11项，见表10，充电位侧有效的策略组合1到11的整体感知效用值如图7所示。
[0207]
表10充电位侧的效用函数策略组合
[0208][0209]
由图7可知策略组合1的整体感知效用值最高，实现了充电位整体效用值最大化。双侧的综合感知效用值如图5所示。
[0210]
由图8可知，电动汽车侧策略组合1与充电位侧策略组合1都是二部图(ev,ci)的最终匹配结果。所以匹配结果同时实现车群与站群整体利益最大化。
[0211]
依据上述策略组合，根据纯策略nash均衡评价进一步分析9辆电动汽车ev1～ev9的纯策略nash均衡解，ev2、ev3与ev7充电不具有选择性，ev9不具有纯策略nash均衡对比性，ev1、ev4、ev5、ev6与ev8具有可对比性。电动汽车侧策略组合的纯策略nash均衡对比分析如表11所示。
[0212]
表11电动汽车策略选择的纯策略nash均衡对比分析
[0213][0214]
由表11可知9辆电动汽车ev1～ev9关于策略组合有7个纯策略nash均衡解，其中任意一个策略组合作为最终引导方案，用户在理性的情况下都会服从引导，即每个电动汽车在其他电动汽车选择策略既定的情况下，都实现个体感知效用值最大。本具体应用实例中的最终匹配结果整体效用值最大且是纯策略nash均衡解，同时实现了个体最优与整体最优。但并不是所有的纯策略nash均衡解都优于其他非nash均衡解，比如非nash 均衡解2、5的整体感知效用值大于其他4个纯策略nash均衡解6、8、10与11的整体感知效用值，这种情况下可以从多个纯nash均衡解中选择整体感知效用值最大的解作为最终引导方案，兼顾整体效用值最优与个体效用值最优，提高匹配成功率。
[0215]
本发明上述实施例提供的电动汽车快速充电引导方法，首先，建立充电冲突处理模型确保及时响应充电申请，有效缓解用户充电拥挤，提高充电设备利用率，节约充电成本；其次，将电动汽车与充电位各自的偏好转换成三角模糊数后通过隶属度处理后求匹配解；最后，通过失望
‑
欣喜函数修正的感知效用和纯策略nash均衡择最优解。通过具体应用实例分析表明，本发明上述实施例提供的电动汽车快速充电引导方法，可以有效解决充电冲突问题和均衡充电设备利用率，实现电动汽车用于与充电站效用值最大化的同时兼顾个体最优与整体最优。
[0216]
图9为本发明一实施例提供的电动汽车快速充电引导系统组成模块示意图。
[0217]
如图9所示，该实施例提供的电动汽车快速充电引导系统，可以包括：充电冲突处理模型构建模块、双边匹配模型构建模块以及快速匹配模块；其中：
[0218]
充电冲突处理模块，该模块构建电动汽车目标充电位选择冲突处理模型；
[0219]
双边匹配模块，该模块基于充电冲突处理模型，构建电动汽车和充电位之间的双边匹配模型，得到电动汽车和充电位之间的匹配解；
[0220]
快速匹配模块，该模块对得到的匹配解进行最优解选择，得到电动汽车和充电位之间的快速匹配，完成电动汽车快速充电引导。
[0221]
根据本发明的第三个方面，提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时可用于执行上述实施例中任一项的方法，或，运行上述实施例中的系统。
[0222]
可选地，存储器，用于存储程序；存储器，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random
‑
access memory，缩写：ram)，如静态随机存取存储器(英文：static random
‑
access memory，缩写：sram)，双倍数据率同步动态随机存取存储器(英文：double data rate synchronous dynamic random accessmemory，缩写：ddr sdram)等；存储器也可以包括非易失性存储器(英文：non
‑
volatilememory)，例如快
闪存储器(英文：flash memory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
[0223]
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
[0224]
处理器，用于执行存储器存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
[0225]
处理器和存储器可以是独立结构，也可以是集成在一起的集成结构。当处理器和存储器是独立结构时，存储器、处理器可以通过总线耦合连接。
[0226]
根据本发明的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行上述实施例中任一项的方法，或，运行上述实施例中的系统。
[0227]
本发明上述实施例提供的电动汽车快速充电引导方法、系统、终端及介质，对充电行为进行引导，首先，充电冲突处理模型能够有效缓解电动汽车预约快速充电过程中出现的拥挤问题，提高了电动汽车侧的充电效率与充电站侧的设备利用率，节约了充电成本；其次，双边匹配模型能够实现均衡充电站设备利用率，通过失望
‑
欣喜函数修正的感知效用函数验证了最终的匹配解实现了在既定的偏好条件下车群和站群的整体效用值最大化；最后，通过纯策略nash均衡验证了匹配解是纯nash均衡解，每辆电动汽车在其他电动汽车选择策略既定的情况下实现了个体效用值最优，该解也符合pareto最优，因此在电动汽车用户的理性选择下，都会接受引导方案。
[0228]
需要说明的是，本发明提供的方法中的步骤，可以利用系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照方法的技术方案实现系统的组成，即，方法中的实施例可理解为构建系统的优选例，在此不予赘述。
[0229]
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0230]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。