CN108458716B - 一种基于充电桩动态占用率预测的电动汽车充电导航方法 - Google Patents
一种基于充电桩动态占用率预测的电动汽车充电导航方法 Download PDFInfo
- Publication number
- CN108458716B CN108458716B CN201810106758.1A CN201810106758A CN108458716B CN 108458716 B CN108458716 B CN 108458716B CN 201810106758 A CN201810106758 A CN 201810106758A CN 108458716 B CN108458716 B CN 108458716B
- Authority
- CN
- China
- Prior art keywords
- charging
- data
- charging station
- time
- driving
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/14—Plug-in electric vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Navigation (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于充电站内充电桩动态占用率预测的电动汽车充电导航方法,针对电动汽车充电难、充电桩得不到充分利用等问题,基于深度残差神经网络对充电站内充电桩的动态占用率进行预测,为用户推荐最佳充电站充电桩,提供耗时最短路径。首先通过用户设定的起始点以及电动汽车目前的电量信息,后台计算判断是否需要充电,如果需要充电则获取续驶里程可到达区域内的所有充电站,采用深度残差神经网络模型预测充电站车辆驶入驶离情况,计算充电站内充电桩的占用率,并基于群智感知技术对其进行实时修正,结合起始点到充电站距离以及充电站到终点距离为用户智能推荐路径最佳的充电桩方案。
Description
技术领域
本发明涉及电动汽车技术领域,具体涉及一种基于充电站内充电桩动态占用率预测的电动汽车充电导航方法。
背景技术
为满足城市节能减排的需求,电动汽车数量逐渐增加,由此带来的电动汽车充电难的问题越发凸显。首先,充电基础设施建设相对较缓,电动汽车的增长规模高于充电桩数量的增长规模,车桩之间的缺口仍不断扩大。其次,目前市场上充电桩使用率不均衡,某些充电桩被大量集中使用,而某些充电桩却无人问津。电动汽车充电难的问题不能仅靠充电桩数量的堆叠来解决。如何解决电动汽车充电难的问题,使充电桩得到充分的利用,为用户推荐最佳充电站,提高耗时最短充电路径正是本发明的目的。
由于目前电动汽车行业正处于前期发展阶段,国内针对电动汽车充电桩使用率的研究并不多,而在电动汽车充电桩市场上,基本以满足电动汽车最基本的充电需求为目的,即采用即到即充的无序充电营业模式,对用户充电行为中的各项细节毫无优化。
充电站的运行状态、位置等,都影响着充电站驶入驶离车辆的数量。对充电站内充电桩的占用率进行预测可以在不影响用户充电需求的基础上最大程度地减少电动汽车充电等待时间,解决充电桩使用率不均衡问题。如何通过一个思路简明清晰而有效的方法,为电动汽车车主提供充电站拥堵情况,从而选择最佳充电站是目前电动汽车充电行业面临的重要问题之一。
发明内容
为解决上述技术问题,本发明提供一种基于充电站内充电桩占用率预测的电动汽车充电导航方法,通过对充电站车辆驶入驶离情况进行预测,为电动汽车用户提供充电桩的占用情况,避免了某些充电桩被大量集中使用而某些充电桩却无人问津情况的出现,使得充电桩得到充分的利用;避免了目前充电站使用率不均衡的问题。
为了达到以上目的,本发明采用如下技术方案:
一种基于充电站内充电桩占用率预测的电动汽车充电导航方法,包括以下步骤:
S1:根据电动汽车实时剩余电量计算所对应的续驶里程,根据电动汽车当前位置及目的地计算所需行驶里程;比较续驶里程和所需行驶里程判断电动汽车是否需要充电;
S2:若续驶里程大于所需行驶里程,则不需要充电;直接以当前位置为起始点,目的地为终点进行路径规划并导航;
S3:若续驶里程小于等于所需行驶里程,则需要充电;预测电动汽车续驶里程可到达区域内的各个充电站内充电桩的占用率并进行实时修正;
S4:采用智能算法以耗时最短为目标推荐最佳充电站,规划耗时最短路径并导航。
优选地,电动汽车电量的默认规定盈余量为15%~20%。
优选地,在S3中,将反映时空数据平滑性、周期性、趋势性的三种属性数据,以及外部影响因素数据作为深度残差神经网络模型的输入预测可到达区域内的各个充电站车的辆驶入驶离情况,计算充电站充电桩的占用率并进行实时修正。
优选地,充电站内充电桩的动态占用率计算步骤如下:模拟时空数据的平滑性、周期性、趋势性,获得反映三种属性的数据;将所述三种数据以及外部因素数据输入深度残差神经网络模型预测可到达区域内的各个充电站的车辆驶入驶离情况;根据充电站车辆驶入驶离情况和充电桩数量计算所述充电站内充电桩的占用率;采用群智感知技术实时获取所述充电站车辆数量,实时修正所述充电站内充电桩的占用率。
更优选地,所述外部因素数据包括气象条件、温度、风速和是否假期四种数据。
优选地,S4中,根据S3中计算的充电站内充电桩的占用率,以耗时最短为目标推荐最佳充电站,将所述最佳充电站设置为第一目标点,所述目的地设置为第二终点,规划耗时最短路径并导航。
更优选地,S4中以耗时最短为核心,推荐基于耗时递增的充电站充电桩推荐列表以供选择。
本发明的有益效果
本发明提供的基于充电站内充电桩动态占用率预测的电动汽车充电导航,基于考虑时间数据的平滑性、周期性、趋势性以及外部影响因素的深度残差神经网络模型,预测充电站车辆驶入驶离情况,计算充电站内充电桩的占用率,并采用群智感知技术对其进行实时修正,为电动汽车用户提供充电桩的占用情况,避免了某些充电桩被大量集中使用而某些充电桩却无人问津情况的出现,使得充电桩得到充分的利用;避免了目前充电站使用率不均衡的问题。
具体实施方式
下面通过实施例对本发明进行具体描述,有必要在此指出的是本实施例只用于对本发明进行进一步说明,不能理解为对本发明保护范围的限制,该领域的技术熟练人员可以根据以上发明的内容做出一些非本质的改进和调整。在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
注:深度残差神经网络模型参考文献:Zhang J,Zheng Y,Qi D.Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction[J].2016.该模型代码在微软官方已公开。
本发明针对当前充电桩使用率分布不均衡,以百度地图为基础,以android stdio编写程序为主体,结合充电桩情况,为用户智能推荐最佳充电桩。
首先判断电动汽车是否需要充电,然后获取续驶里程可到达区域内的充电站内充电桩的动态占用率,最后结合到达某一充电站的距离及当前时刻该充电站内充电桩使用率,为电动汽车用户智能推荐充电桩并提供良好的充电路径规划。主要步骤如下:
S1:在为电动汽车用户规划路径时,首先需要判断用户是否需要充电。通过电动汽车实时剩余电量计算所对应的续驶里程,根据电动汽车当前位置及用户所期望的目的地计算所需行驶里程。判断剩余续驶里程和所需行驶里程的大小,确定在前往目的地时是否需要充电。
因为路况发生变化,续驶里程计算并不精确,所以设定电量的盈余,默认规定盈余量在15%~20%。
S2:若续驶里程大于所需行驶里程,则不需要充电;直接以当前位置为起始点,目的地为终点进行路径规划并导航。
S3:若续驶里程小于等于所需行驶里程,则需要在行驶途中为用户进行充电;将反映时空数据平滑性、周期性、趋势性的三种属性数据,以及外部影响因素数据作为深度残差神经网络模型的输入预测可到达区域内的各个充电站车的辆驶入驶离情况,计算充电站充电桩的占用率并进行实时修正。
本发明采用了深度残差神经网络模型预测充电站车辆驶入驶离情况。首先获取续驶里程可到达区域内的所有充电站,将充电站服务区域划分成1km*1km的格子,把该区域内电动汽车轨迹投射在该网格里,根据区域内电动汽车驶入驶离的数据生成热度图。
其次分析热度图时空数据的属性作为深度残差神经网络的输入。第一,时间数据有平滑性。比如时刻t与时刻t-1充电站车流变化较平缓,将相邻时刻t、t-1…t-n的数据输入深度残差神经网络模型中模拟平滑性;第二,时间数据有周期性。将几周内同一时刻对应的数据,即今天时刻t(1)、昨天对应时间点t(2),前天对应时间点t(3)…再往前面同一时刻t(n)的数据等,输入深度残差神经网络模型中模拟周期性;第三,时间数据具有趋势性。将更大时间范围内同一时间点对应的数据,即今天时刻t(1)、前一周同一星期时刻t(8)、前两周同一星期时刻t(15)…前n周同一时刻t(n+1)数据输入深度残差神经网络模型中模拟趋势性。第四,将外部影响因素(包括气象条件、温度、风速、是否假期四种数据)数据归一化处理之后输入深度残差神经网络模型中预测得到充电站车辆驶入驶离情况,驶入数量为Xr,驶离数量为Xl,充电站充电桩数量Xz。
然后根据驶入驶离数据及充电站充电桩的数量计算t时刻充电站充电桩的占用率:
最后基于群智感知技术实时获取充电站中充电桩的实时占用率,并将该实时占用率加入到深度残差神经网络的输入数据当中,对占用率进行实时修正。
S4:采用智能算法以耗时最短为目标推荐最佳充电站,规划耗时最短路径并导航。
为用户提供最佳途径充电桩的算法当中,所需参数包含:到达某一充电桩的距离,当前时刻充电站内充电桩的动态占用率。
以用户耗时最短为核心,给用户推荐基于耗时递增的充电桩推荐列表以供用户选择。在用户选择并开始导航后,自动规划途径用户所选充电桩的起止路径,该路径结合实时路况,默认推荐耗时最短路径。
显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护范围。
Claims (5)
1.一种基于充电站内充电桩动态占用率预测的电动汽车充电导航方法,其特征在于,包括以下步骤:
S1:根据电动汽车实时剩余电量计算所对应的续驶里程,根据电动汽车当前位置及目的地计算所需行驶里程;比较续驶里程和所需行驶里程判断电动汽车是否需要充电;
S2:若续驶里程大于所需行驶里程,则不需要充电;直接以当前位置为起始点,目的地为终点进行路径规划并导航;
S3:若续驶里程小于等于所需行驶里程,则需要充电;首先获取续驶里程可到达区域内的所有充电站,将充电站服务区划分成1km*1km的格子,把该区域内电动汽车轨迹透射在该格子 里,根据区域内电动汽车驶入驶离的数据生成热度图;将反映时空数据平滑性、周期性、趋势性的三种属性数据,以及外部影响因素数据作为深度残差神经网络模型的输入预测可到达区域内的各个充电站车的辆驶入驶离情况,根据驶入驶离数据及充电站充电桩的数量计算t时刻充电站充电桩的占用率,并采用群智感知技术实时获取所述充电站车辆数量,实时修正所述充电站充电桩的占用率;
所述平滑性是指相邻时刻充电站车流变化较平缓,所述周期性是指时间数据有周期性,所述趋势性是指时间数据具有趋势性,所述外部影响因素包括气象条件、温度、风速、是否假期;所述将反映时空数据平滑性、周期性、趋势性的三种属性数据,以及外部影响因素数据作为深度残差神经网络模型的输入预测可到达区域内的各个充电站车辆的驶入驶离情况,具体包括:将相邻时刻t、t-1、...t-n的数据输入深度残差神经网络模型中模拟平滑性,将几周内同一时刻对应的数据,输入深度残差神经网络模型中模拟周期性,将最大时间范围内同一时间点对应的数据,即今天时刻t1、前一周同一时刻t8、前两周同一星期时刻t15、...前n周同一时刻t(n+1)数据输入深度残差神经网络模型中模拟趋势性,将包括气象条件、温度、风速以及是否假期的外部影响因素数据归一化处理之后输入深度残差神经网络模型中预测得到充电站车辆驶入驶离情况;
S4:采用智能算法以耗时最短为目标推荐最佳充电站,规划耗时最短路径并导航。
2.根据权利要求1所述的电动汽车充电导航方法,其特征在于,电动汽车电量的默认规定盈余量为15%~20%。
3.根据权利要求1所述的电动汽车充电导航方法,其特征在于,所述外部影响 因素数据包括气象条件、温度、风速和是否假期四种数据。
4.根据权利要求1所述的电动汽车充电导航方法,其特征在于,S4中,根据S3中计算的充电站内充电桩的占用率,以耗时最短为目标推荐最佳充电站,将所述最佳充电站设置为第一目标点,所述目的地设置为第二终点,规划耗时最短路径并导航。
5.根据权利要求4所述的电动汽车充电导航方法,其特征在于,S4中以耗时最短为核心,推荐基于耗时递增的充电站充电桩推荐列表以供选择。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810106758.1A CN108458716B (zh) | 2018-02-02 | 2018-02-02 | 一种基于充电桩动态占用率预测的电动汽车充电导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810106758.1A CN108458716B (zh) | 2018-02-02 | 2018-02-02 | 一种基于充电桩动态占用率预测的电动汽车充电导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108458716A CN108458716A (zh) | 2018-08-28 |
CN108458716B true CN108458716B (zh) | 2023-04-18 |
Family
ID=63238686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810106758.1A Active CN108458716B (zh) | 2018-02-02 | 2018-02-02 | 一种基于充电桩动态占用率预测的电动汽车充电导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108458716B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109204017B (zh) * | 2018-09-13 | 2020-03-10 | 国网福建省电力有限公司 | 一种电动汽车充电网络的监控方法 |
CN111179506A (zh) * | 2018-11-09 | 2020-05-19 | 上海仪电(集团)有限公司中央研究院 | 共享充电桩自助充电系统及共享充电桩的推荐方法 |
CN109501630B (zh) * | 2018-12-04 | 2022-06-10 | 国网电动汽车服务有限公司 | 一种电动汽车充电方案实时推荐方法及系统 |
US10809736B2 (en) * | 2018-12-27 | 2020-10-20 | Baidu Usa Llc | ST-graph learning based decision for autonomous driving vehicle |
CN110046787A (zh) * | 2019-01-15 | 2019-07-23 | 重庆邮电大学 | 一种城市区域电动汽车充电需求时空预测方法 |
CN109808541B (zh) * | 2019-01-17 | 2020-11-10 | 北京理工新源信息科技有限公司 | 一种电动汽车充电方法及系统 |
CN110103762A (zh) * | 2019-04-04 | 2019-08-09 | 苏州奇才电子科技股份有限公司 | 充电桩分配系统及方法 |
CN110103719B (zh) * | 2019-05-08 | 2021-07-13 | 广州小鹏汽车科技有限公司 | 电动汽车的充电提示方法、系统及车辆 |
CN110888908B (zh) * | 2019-11-01 | 2022-06-28 | 广州大学 | 一种可持续深度学习的充电站/桩推荐系统及推荐方法 |
CN111016689B (zh) * | 2019-12-13 | 2022-09-30 | 国网江苏省电力有限公司 | 滚动时域中电动汽车接入不确定性的充电负荷处理方法 |
CN113947231A (zh) * | 2020-07-17 | 2022-01-18 | 北京满电出行科技有限公司 | 充电站空闲度预测方法及装置 |
CN112115350A (zh) * | 2020-08-27 | 2020-12-22 | 上海电享信息科技有限公司 | 一种智慧城市充电智能推荐方法和系统 |
CN112150238A (zh) * | 2020-09-07 | 2020-12-29 | 湖北工业大学 | 一种基于深度神经网络的商品推荐方法及系统 |
CN112193112B (zh) * | 2020-10-16 | 2022-06-14 | 安徽继远软件有限公司 | 一种电动汽车充电场站充电桩智能管理方法及装置 |
CN113978298B (zh) * | 2021-08-24 | 2024-01-12 | 天津港第二集装箱码头有限公司 | 一种考虑无人集卡侧方位充电的智能充电桩动态分配方法 |
CN113859029B (zh) * | 2021-09-23 | 2023-09-26 | 广东电力信息科技有限公司 | 一种运营商充电设施接入运行情况的监控方法 |
CN114254889A (zh) * | 2021-12-08 | 2022-03-29 | 深圳易加油信息科技有限公司 | 充电站车辆排队调度的方法、系统、电子设备及存储介质 |
CN114676343A (zh) * | 2022-03-03 | 2022-06-28 | 北京新能源汽车股份有限公司 | 一种充电站推荐方法、装置、电动汽车及终端 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104864883A (zh) * | 2015-05-22 | 2015-08-26 | 清华大学 | 基于云平台的电动汽车路径规划方法 |
CN107301414A (zh) * | 2017-06-23 | 2017-10-27 | 厦门商集企业咨询有限责任公司 | 一种自然场景图像中的中文定位、分割和识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024343A (zh) * | 2010-12-20 | 2011-04-20 | 东南大学 | 停车场有效泊位占有率短时预测方法 |
CN104184190A (zh) * | 2014-08-18 | 2014-12-03 | 国家电网公司 | 一种电动汽车动态充电路径规划方法 |
US20170146354A1 (en) * | 2015-11-25 | 2017-05-25 | International Business Machines Corporation | Electric Vehicle Exchange Management |
CN105930955A (zh) * | 2016-04-07 | 2016-09-07 | 浙江万马新能源有限公司 | 基于深度学习的充电网络运行态势分析方法及装置 |
CN106696743A (zh) * | 2017-01-11 | 2017-05-24 | 贵州大学 | 一种纯电动汽车智能充电提醒和预约充电方法及系统 |
CN107146462A (zh) * | 2017-06-23 | 2017-09-08 | 武汉大学 | 一种停车场空闲车位数长时预测方法 |
-
2018
- 2018-02-02 CN CN201810106758.1A patent/CN108458716B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104864883A (zh) * | 2015-05-22 | 2015-08-26 | 清华大学 | 基于云平台的电动汽车路径规划方法 |
CN107301414A (zh) * | 2017-06-23 | 2017-10-27 | 厦门商集企业咨询有限责任公司 | 一种自然场景图像中的中文定位、分割和识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108458716A (zh) | 2018-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108458716B (zh) | 一种基于充电桩动态占用率预测的电动汽车充电导航方法 | |
Miao et al. | Autonomous connected electric vehicle (ACEV)-based car-sharing system modeling and optimal planning: A unified two-stage multi-objective optimization methodology | |
CN111452794B (zh) | 一种确定能耗的方法及装置和确定驾驶策略的方法及装置 | |
Mei et al. | Better lucky than rich? Comparative analysis of parking reservation and parking charge | |
CN109711630A (zh) | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 | |
CN108596667B (zh) | 一种基于车联网的电动汽车实时充电电价计算方法 | |
JP7492268B2 (ja) | 電気自動車送電網管理システムおよび方法 | |
CN114730415A (zh) | 车辆管理装置和车辆管理程序 | |
CN114282821B (zh) | 一种共享电动汽车的调度方法、系统及设备 | |
CN109615260A (zh) | 确定充电桩的安装地址的方法 | |
CN112115385A (zh) | 一种考虑充电时间的单向共享汽车系统选址优化方法 | |
CN112734063A (zh) | 充电桩智能引导平台 | |
CN111179506A (zh) | 共享充电桩自助充电系统及共享充电桩的推荐方法 | |
CN114298559A (zh) | 换电站的换电方法、换电管理平台及存储介质 | |
CN108133329B (zh) | 考虑充电反馈效应的电动汽车出行与充电需求分析方法 | |
JP2023155476A (ja) | 情報処理システム、情報処理装置、情報処理方法及び情報処理プログラム | |
CN115545337A (zh) | 一种考虑线-网互动的电动汽车充电决策优化方法 | |
Cui et al. | Dynamic pricing for fast charging stations with deep reinforcement learning | |
CN113071336B (zh) | 一种车辆的增程器控制方法、系统及车辆 | |
CN114936666A (zh) | 基于车-站-平台系统的电动汽车充电导航方法及系统 | |
JP2020027023A (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
CN112632382A (zh) | 用于为车辆推荐站点的方法、装置、设备以及存储介质 | |
Yuan et al. | Poet: Towards power-system-aware e-taxi coordination under dynamic passenger mobility | |
CN115423360A (zh) | 公共充电站规划方法及其装置 | |
Zhu et al. | Real-Time parking guidance model based on stackelberg game |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |