CN111397620A - 快充/慢充模式下的电动汽车充电导航方法及系统 - Google Patents
快充/慢充模式下的电动汽车充电导航方法及系统 Download PDFInfo
- Publication number
- CN111397620A CN111397620A CN202010202636.XA CN202010202636A CN111397620A CN 111397620 A CN111397620 A CN 111397620A CN 202010202636 A CN202010202636 A CN 202010202636A CN 111397620 A CN111397620 A CN 111397620A
- Authority
- CN
- China
- Prior art keywords
- charging
- charging pile
- electric vehicle
- path
- slow
- 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.)
- Granted
Links
Images
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
- G01C21/26—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
- G01C21/3469—Fuel consumption; Energy use; Emission aspects
-
- 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
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- 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
Abstract
本发明公开了快充/慢充模式下的电动汽车充电导航方法及系统,针对快充和慢充两种行为模式的差异,提出快充导航策略和慢充导航策略可供用户选择,以满足用户不同情况的用电需求,使得充电导航更为精准;针对目前的电动汽车充电导航策略对于时间的预测大多都是基于物理模型进行预计,对于交通的突发情况和交通的拥塞情况没有很好的处理能力的问题,采用循环神经网络处理转化为序列信息的交通信息和道路信息以进行突发交通情况和交通拥塞情况的精准预测;同时利用循环神经网络对于序列数据的强大处理能力,对随时间变化的充电价格进行准确预测,从而精准预测充电花费,使得充电导航的规划更为合理。
Description
技术领域
本发明涉及电动汽车充电技术领域,尤其涉及快充/慢充模式下的电动汽车充电导航方法及系统。
背景技术
目前的电动汽车充电导航策略没有充分考虑到电动汽车车主采取慢充模式和快充模式的充电方式下的行为模式的差异,而是简单地采取同样的导航策略对快充充电和慢充充电做统一的处理。
另外,目前的电动汽车充电导航策略存在时间预测的难点难以克服,由于现实的道路情况十分复杂,具有较强的随机性,预测电动汽车从A地到达B地的时间是一个估算值。在电动汽车的充电导航不仅需要预测行驶时间还需要预测充电等待时间,因为在行驶向充电桩的过程中,有可能发生其他车辆占用充电桩。故实际中的时间成本具有随机性,以上两个问题均会导致电动汽车充电导航策略无法合理地对电动汽车进行调度,且无法合理利用充电站的资源,影响电动汽车用户体验。
发明内容
本发明为解决现有的电动汽车充电导航策略存在无法合理地对电动汽车进行调度,且无法合理利用充电站的资源的问题,提供了快充/慢充模式下的电动汽车充电导航方法及系统。
为实现以上发明目的,而采用的技术手段是:
快充/慢充模式下的电动汽车充电导航方法,包括以下步骤:
S1.获取目标电动汽车的车辆信息及其所处区域的交通信息和充电桩信息;所述充电桩包括快充模式和慢充模式;
S2.规划目标电动汽车到达各充电桩的若干可选路径;
S3.对于每一可选路径,利用循环神经网络预测目标电动汽车到其对应充电桩进行充电的时间成本及价格成本;
S4.基于步骤S1~S3所得到的数据,利用预设的快充导航策略或慢充导航策略选择出最优路径并用于为目标电动汽车进行充电导航。
优选的,所述步骤S1获取的信息具体包括:
车辆信息包括电动汽车的当前位置坐标,其目的地位置坐标,电池当前电量,电池额定容量,每公里耗电量;
交通信息包括地图道路信息和车流量信息;其中地图道路信息包括目标电动汽车所处区域的位置坐标、建筑信息、区域内的道路信息;其中车流量信息包括电动汽车所处区域内的所有车辆的位置坐标信息;
充电桩信息包括充电桩的位置坐标、充电方式、所处区域的功能、额定充电功率、充电桩的状态。
优选的,所述步骤S2的具体步骤包括:
其中Em代表电池安全裕度电量,ec是电动汽车的每公里耗电量;
基于目标电动汽车的当前位置坐标及各充电桩的位置坐标得到目标电动汽车与各充电桩的距离,该距离小于或等于L所对应的充电桩即为目标电动汽车当前电量所能到达的充电桩,用集合S表示;
基于目标电动汽车的当前位置坐标及其目的地位置坐标,地图上各道路之间的节点和充电桩的位置坐标,得到于目标电动汽车到达集合S中每一充电桩的若干路径sij,i代表到达第i个充电桩的第j条路径,每条路径均包含电动汽车当前位置坐标、目的地位置坐标、充电桩位置坐标和地图上若干道路之间的节点。
优选的,步骤S3中所述的对于每一可选路径,利用循环神经网络预测目标电动汽车到其对应充电桩进行充电的时间成本具体包括:
基于时间预测循环神经网络分别计算行驶时间及充电等待时间:采用训练完毕的时间预测循环神经网络,以所述步骤S2得到的若干可选路径作为输入,预测得到各可选路径下,目标电动汽车所需的行驶时间Τdij,其中i代表第i个充电桩的第j个路径;以时间、车流量信息及各可选路径对应充电桩的位置坐标作为输入,预测得到目标电动汽车到达各可选路径所对应的充电桩进行充电的充电等待时间Τwij,其中i代表第i个充电桩的第j个路径;
计算充电时间:
将各充电桩的每条路径代入以上充电时间tc表达式,得到各充电桩的每条路径的充电时间Τcij。
优选的,步骤S3中所述的对于每一可选路径,利用循环神经网络预测目标电动汽车到其对应充电桩进行充电的价格成本具体包括:
采用训练完毕的价格预测循环神经网络,以各充电桩的历史价格及其每条路径的充电时间Τcij作为输入,预测得到第i个充电桩的第j条路径的价格成本Cij。
优选的,步骤S4所述预设的慢充导航策略包括:
a.时间导航策略:
计算目标电动汽车到达充电桩以慢充模式充电所需的总时间成本:
Τij=λ1·Τdij+λ2Τwij+Τcij
其中Τij代表第i个充电桩的第j条路径的总时间成本;λ1是惩罚因子,当目标电动汽车到达充电桩的行驶时间Τdij的值小于等于时间阈值Γ1,则λ1等于1,不惩罚;当目标电动汽车到达充电桩的行驶时间Τdij的值大于时间阈值Γ1,则λ1等于η1(η1>1),进行惩罚;λ2是惩罚因子,当充电等待时间Τwij的值小于等于时间阈值Γ2,则λ2等于1,不惩罚;当充电等待时间Τwij的值大于时间阈值Γ2,则λ2等于η2(η2>1),进行惩罚;
将慢充模式的充电桩集合S1内所有的充电桩的全部路径通过上述公式计算总时间成本,选择计算结果中最小总时间成本min{Τij}所对应的路径为慢充模式下的时间最优路径;
b.价格导航策略:
对于慢充模式的充电桩集合S1内所有充电桩的全部路径,选取目标电动汽车到其对应充电桩进行充电的价格成本中的最小价格成本min{Cij},其对应的路径为慢充模式下的价格最优路径;
c.综合导航策略:
基于所有慢充模式的充电桩集合S1内所有充电桩的全部路径所计算得到的总时间成本及价格成本,计算目标电动汽车到达充电桩充电所需的综合成本:
Jij=α1·Τij+β1·Cij
其中α1和β1是预设的比例因子,i代表第i个充电桩的第j个路径;
选择计算结果中最小综合成本min{Jij}所对应的路径为慢充模式下的综合最优路径。
优选的,步骤S4所述预设的慢充导航策略还包括:
将慢充模式的充电桩集合S1中充电桩与目标电动汽车的目的地的距离小于或等于预设距离的所对应充电桩划分至舒适慢充充电桩集合S11,将慢充模式的充电桩集合S1中充电桩与目标电动汽车的目的地的距离大于预设距离的所对应充电桩划分至不舒适慢充充电桩集合S12;判断慢充模式的充电桩集合S1是否存在不舒适慢充充电桩集合S12,若是则将其从充电桩集合S1中去除。
优选的,步骤S4所述预设的快充导航策略包括:
A.时间导航策略:
对于快充充电桩集合S2内的所有充电桩的所有路径,计算目标电动汽车到达充电桩以快充模式充电所需的总时间成本:
Τij=Τdij+Τwij+Tcij
选择计算结果中最小总时间成本min{Τij}所对应的路径为快充模式下的时间最优路径;
B.价格导航策略:
对于快充充电桩集合S2内的所有充电桩的所有路径,计算目标电动汽车到其对应充电桩进行充电的价格成本:
Cij=Cij+μ·lij·ec
其中等式右边的Cij是所述步骤S3预测的目标电动汽车到其对应充电桩进行充电的价格成本,μ是权重系数,lij是第i个充电桩到目标电动汽车的目的地的第j个路径的路程长度,ec是电动汽车的每公里耗电量;
选择计算结果中最小价格成本min{Cij}所对应的路径为快充模式下的价格最优路径;
C.综合导航策略:
基于所有快充模式的充电桩集合S2内所有充电桩的全部路径所计算得到的总时间成本及价格成本,计算目标电动汽车到达充电桩充电所需的综合成本:
Jij=α2·Τij+β2·Cij
其中α2和β2是预设的比例因子,i代表第i个充电桩的第j个路径;
选择计算结果中最小综合成本min{Jij}所对应的路径为快充模式下的综合最优路径。
本发明还提供了快充/慢充模式下的电动汽车充电导航系统,包括:
信息采集模块,用于获取目标电动汽车的车辆信息及其所处区域的交通信息和充电桩信息;所述充电桩包括快充模式和慢充模式;
路径规划模块,用于规划目标电动汽车到达各充电桩的若干可选路径;
成本预测模块,用于对于每一可选路径,利用循环神经网络预测目标电动汽车到其对应充电桩进行充电的时间成本及价格成本;
充电导航策略模块,用于基于信息采集模块、路径规划模块及成本预测模块所得到的数据,利用预设的快充导航策略或慢充导航策略选择出最优路径并用于为目标电动汽车进行充电导航。
与现有技术相比,本发明技术方案的有益效果是:
本发明的快充/慢充模式下的电动汽车充电导航方法及系统,针对快充和慢充两种行为模式的差异,提出快充导航策略和慢充导航策略可供用户选择,以满足用户不同情况的用电需求,使得充电导航更为精准;针对目前的电动汽车充电导航策略对于时间的预测大多都是基于物理模型进行预计,对于交通的突发情况和交通的拥塞情况没有很好的处理能力的问题,采用循环神经网络处理转化为序列信息的交通信息和道路信息以进行突发交通情况和交通拥塞情况的精准预测;同时利用循环神经网络对于序列数据的强大处理能力,对随时间变化的充电价格进行准确预测,从而精准预测充电花费,使得充电导航的规划更为合理。本发明可合理地对电动汽车进行调度,并充分利用充电站的资源。
附图说明
图1为本发明方法的总流程图。
图2为本发明中循环神经网络的结构示意图。
图3为本发明方法慢充导航策略的流程图。
图4为本发明方法快充导航策略的流程图。
图5为本发明系统的模块图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
快充/慢充模式下的电动汽车充电导航方法,如图1所示,包括以下步骤:
S1.获取目标电动汽车的车辆信息及其所处区域的交通信息和充电桩信息;所述充电桩包括快充模式和慢充模式;
以上需获取的信息具体包括:
交通信息包括地图道路信息和车流量信息;其中地图道路信息包括目标电动汽车所处区域的位置坐标、建筑信息(如学校、居民区、医院、商场、公园、广场等公共设施)、区域内的道路信息(包含道路位置、道路类别、道路长度等信息);其中车流量信息包括电动汽车所处区域内的所有车辆的位置坐标信息,即GPS信息,该车流量信息包含了交通道路的拥塞状况信息;
充电桩根据充电模式可分为快充和慢充,有的充电桩同时支持快充及慢充模式;根据城市区域的划分和充电桩所处的区域,可分为居民区充电桩、商业区充电桩和居民区充电桩。充电桩信息包括充电桩的位置坐标、充电方式、所处区域的功能、额定充电功率、充电桩的状态(空闲或工作)。
S2.规划目标电动汽车到达各充电桩的若干可选路径;
其中Em代表电池安全裕度电量,ec是电动汽车的每公里耗电量;
基于目标电动汽车的当前位置坐标及各充电桩的位置坐标得到目标电动汽车与各充电桩的距离,该距离小于或等于L所对应的充电桩即为目标电动汽车当前电量所能到达的充电桩,用集合S表示;
基于目标电动汽车的当前位置坐标及其目的地位置坐标,地图上各道路之间的节点和充电桩的位置坐标,得到于目标电动汽车到达集合S中每一充电桩的若干路径sij,i代表到达第i个充电桩的第j条路径,每条路径均包含电动汽车当前位置坐标、目的地位置坐标、充电桩位置坐标和地图上若干道路之间的节点。
S3.对于每一可选路径,利用循环神经网络预测目标电动汽车到其对应充电桩进行充电的时间成本及价格成本;
一、其中时间成本的预测:
电动汽车充电导航的所花费的时间分为行驶时间td、充电等待时间tw和充电时间tc。
其中行驶时间td、充电等待时间tw利用基于时间预测循环神经网络进行计算:
行驶时间td
汽车的行驶时间不仅跟路程有关还与交通的拥塞情况、道路的突发情况有关,而交通的拥塞情况和道路的突发情况具有随机性,这也是造成预测汽车的行驶时间的难点。深度学习作为强大的数学工具,只需要足够的数据,就能够很好的解决问题。每条路径由电动汽车的当前位置、目的地位置、充电桩位置和道路之间的节点,均可有经纬度([经度,维度]二维坐标)来表示其位置,则每条路径可又一序列的[经度,维度]的二维数据表示。交通的拥塞情况可由当前区域的车流量表示,车流量可由区域所以车辆的位置表示,即车流量也可由一序列的[经度,维度]的二维数据表示。
如图2所示,循环神经网络作为深度学习处理序列数据的强大手段,十分适合处理上面所提到的数据,加上深度学习的强大功能,能够做到精准预测电动汽车的行驶时间td。
采用训练完毕的时间预测循环神经网络,以所述步骤S2得到的若干可选路径作为输入,预测得到各可选路径下,目标电动汽车所需的行驶时间Τdij,其中i代表第i个充电桩的第j个路径;
充电等待时间tw
电动汽车从当前位置行驶到达充电桩后能否立即充电,不仅跟当前的充电桩的状态有关,还与未来行驶向充电桩这一过程中其他电动汽车是否中途行驶向充电桩充电有关,故充电汽车的充电等待时间也具有随机性。电动汽车去充电桩充电的车辆数量在时间分布上可以近似看作泊松分布,也就是从充电桩的角度来看,电动汽车去充电桩充电这一过程也具有一定的规律,与时间、车流量、充电桩的地理位置有关,利用深度学习的强大功能,可绕过发现内在规律去直接得到一个精确的结果。因此:
以时间、车流量信息及各可选路径对应充电桩的位置坐标作为输入,预测得到目标电动汽车到达各可选路径所对应的充电桩进行充电的充电等待时间Τwij,其中i代表第i个充电桩的第j个路径;
计算充电时间:
其中Eca是目标电动汽车的电池额定电量(当充电桩的充电模式是快充时,本实施例将Eca换成80%Eca,这是因为快充模式对于电池有损伤,并且快充充满电池时在价格上也不划算),是目标电动汽车的电池当前电量,ec是目标电动汽车每公里耗电量,l是路径的长度,是充电桩的充电功率;
将各充电桩的每条路径代入以上充电时间tc表达式,得到各充电桩的每条路径的充电时间Τcij。
需要说明的是,本实施例中所运用的基于时间序列预测的循环神经网络为现有的网络结构,可根据实际预测的需求进行选择即可。
二、其中价格成本的预测:
充电桩的充电价格会随着时间和区域而不同,具有随机性,但其充电价格的变化具有规律。也就是充电桩的充电价格的波动是非线性时间序列,不同区域的波动是不一样的。如前面所提到的循环神经网络对处理序列数据具有强大的功能,也适合处理预测价格成本,因此在本实施例中采用训练完毕的价格预测循环神经网络,以各充电桩的历史价格及其每条路径的充电时间Τcij作为输入,预测得到第i个充电桩的第j条路径的价格成本Cij。
S4.基于步骤S1~S3所得到的数据,利用预设的快充导航策略或慢充导航策略选择出最优路径并用于为目标电动汽车进行充电导航。在本实施例中,为满足用户不同情况下的充电需求,预设了慢充导航策略和快充导航策略。其中慢充导航策略和快充导航策略均拥有三种导航策略:最短时间成本策略、最小价格成本策略和综合策略,电动汽车用户可根据自身的喜好及需求进行选择。
将充电桩集合S分为慢充充电桩集合S1和快充充电桩集合S2,对于拥有快充和慢充两种充电模式的充电桩,则可同时在两个集合内。
一、慢充导航策略,如图3所示
首先对充电桩进行分类筛选:
当电动汽车用户选择慢充充电时,在充电过程一般是不会继续待在充电桩,所以大多的情况下,电动汽车用户下次用车的时候会有个取车的过程。考虑到电动汽车用户的个人感受,本实施例认为当取车这一过程超过10分钟就会引起电动汽车用户的不适,在此引入舒适度作为分类筛选的判断。将电动汽车用户的目的地作为下次取车的出发地,以电动汽车用户10分钟的步行范围将慢充充电桩集合S1分为舒适慢充充电桩集合S11和不舒适慢充充电桩集合S12。
本实施例根据一般情况下人们10分钟的步行速度先预设距离,将慢充模式的充电桩集合S1中充电桩与目标电动汽车的目的地的距离小于或等于预设距离的所对应充电桩划分至舒适慢充充电桩集合S11,将慢充模式的充电桩集合S1中充电桩与目标电动汽车的目的地的距离大于预设距离的所对应充电桩划分至不舒适慢充充电桩集合S12;判断慢充模式的充电桩集合S1是否存在不舒适慢充充电桩集合S12,若是则将其去除,慢充模式的充电桩集合S1中仅保留舒适慢充充电桩集合S11进行后续的计算;否则无需进行去除。
a.时间导航策略:
计算目标电动汽车到达充电桩以慢充模式充电所需的总时间成本:
Τij=λ1·Τdij+λ2Τwij+Τcij
其中Τij代表第i个充电桩的第j条路径的总时间成本;λ1是惩罚因子,当目标电动汽车到达充电桩的行驶时间Τdij的值小于等于时间阈值Γ1,则λ1等于1,不惩罚;当目标电动汽车到达充电桩的行驶时间Τdij的值大于时间阈值Γ1,则λ1等于η1(η1>1),进行惩罚;λ2是惩罚因子,当充电等待时间Τwij的值小于等于时间阈值Γ2,则λ2等于1,不惩罚;当充电等待时间Τwij的值大于时间阈值Γ2,则λ2等于η2(η2>1),进行惩罚;
将慢充模式的充电桩集合S1内所有的充电桩的全部路径通过上述公式计算总时间成本,选择计算结果中最小总时间成本min{Τij}所对应的路径为慢充模式下的时间最优路径;
b.价格导航策略:
对于慢充模式的充电桩集合S1内所有充电桩的全部路径,选取目标电动汽车到其对应充电桩进行充电的价格成本中的最小价格成本min{Cij},其对应的路径为慢充模式下的价格最优路径;
c.综合导航策略:
基于所有慢充模式的充电桩集合S1内所有充电桩的全部路径所计算得到的总时间成本及价格成本,计算目标电动汽车到达充电桩充电所需的综合成本:
Jij=α1·Τij+β1·Cij
其中α1和β1是预设的比例因子,i代表第i个充电桩的第j个路径;
选择计算结果中最小综合成本min{Jij}所对应的路径为慢充模式下的综合最优路径。
若电动汽车用户选择慢充模式下的时间导航策略,则以计算结果中最小总时间成本min{Τij}所对应的路径进行充电导航;若电动汽车用户选择慢充模式下的价格导航策略,则以计算结果中最小价格成本min{Cij}所对应的路径进行充电导航;若电动汽车用户选择慢充模式下的综合导航策略,则以计算结果中最小综合成本min{Jij}所对应的路径进行充电导航。
二、快充导航策略,如图4所示
A.时间导航策略:
对于快充充电桩集合S2内的所有充电桩的所有路径,计算目标电动汽车到达充电桩以快充模式充电所需的总时间成本:
Τij=Τdij+Τwij+Tcij
选择计算结果中最小总时间成本min{Τij}所对应的路径为快充模式下的时间最优路径;
B.价格导航策略:
电动汽车车主选择快充的充电方式的时候一般是接下来需要用车的时候,所以电动汽车车主在电动汽车充电完毕后就继续行驶向目的地,所以到达目的地的时候电动汽车的电量并不是满电,这一部分所消耗的电量也是本次导航的成本花费之一。
对于快充充电桩集合S2内的所有充电桩的所有路径,计算目标电动汽车到其对应充电桩进行充电的价格成本:
Cij=Cij+μ·lij·ec
其中等式右边的Cij是所述步骤S3预测的目标电动汽车到其对应充电桩进行充电的价格成本,μ是权重系数,lij是第i个充电桩到目标电动汽车的目的地的第j个路径的路程长度,ec是电动汽车的每公里耗电量;
选择计算结果中最小价格成本min{Cij}所对应的路径为快充模式下的价格最优路径;
C.综合导航策略:
基于所有快充模式的充电桩集合S2内所有充电桩的全部路径所计算得到的总时间成本及价格成本,计算目标电动汽车到达充电桩充电所需的综合成本:
Jij=α2·Τij+β2·Cij
其中α2和β2是预设的比例因子,i代表第i个充电桩的第j个路径;
选择计算结果中最小综合成本min{Jij}所对应的路径为快充模式下的综合最优路径。需要说明的是,由于快充模式充电时间与慢充模式充电时间的差异是很大的,因此预设的比例因子α2和β2与α1和β1是不一样的。
若电动汽车用户选择快充模式下的时间导航策略,则以计算结果中最小总时间成本min{Τij}所对应的路径进行充电导航;若电动汽车用户选择快充模式下的价格导航策略,则以计算结果中最小价格成本min{Cij}所对应的路径进行充电导航;若电动汽车用户选择快充模式下的综合导航策略,则以计算结果中最小综合成本min{Jij}所对应的路径进行充电导航。
实施例2
快充/慢充模式下的电动汽车充电导航系统,如图5所示,包括:
信息采集模块,用于获取目标电动汽车的车辆信息及其所处区域的交通信息和充电桩信息;所述充电桩包括快充模式和慢充模式;
路径规划模块,用于规划目标电动汽车到达各充电桩的若干可选路径;
成本预测模块,用于对于每一可选路径,利用循环神经网络预测目标电动汽车到其对应充电桩进行充电的时间成本及价格成本;
充电导航策略模块,用于基于信息采集模块、路径规划模块及成本预测模块所得到的数据,利用预设的快充导航策略或慢充导航策略选择出最优路径并用于为目标电动汽车进行充电导航。
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.快充/慢充模式下的电动汽车充电导航方法,其特征在于,包括以下步骤:
S1.获取目标电动汽车的车辆信息及其所处区域的交通信息和充电桩信息;所述充电桩包括快充模式和慢充模式;
S2.规划目标电动汽车到达各充电桩的若干可选路径;
S3.对于每一可选路径,利用循环神经网络预测目标电动汽车到其对应充电桩进行充电的时间成本及价格成本;
S4.基于步骤S1~S3所得到的数据,利用预设的快充导航策略或慢充导航策略选择出最优路径并用于为目标电动汽车进行充电导航。
2.根据权利要求1所述的快充/慢充模式下的电动汽车充电导航方法,其特征在于,所述步骤S1获取的信息具体包括:
车辆信息包括电动汽车的当前位置坐标,其目的地位置坐标,电池当前电量,电池额定容量,每公里耗电量;
交通信息包括地图道路信息和车流量信息;其中地图道路信息包括目标电动汽车所处区域的位置坐标、建筑信息、区域内的道路信息;其中车流量信息包括电动汽车所处区域内的所有车辆的位置坐标信息;
充电桩信息包括充电桩的位置坐标、充电方式、所处区域的功能、额定充电功率、充电桩的状态。
3.根据权利要求2所述的快充/慢充模式下的电动汽车充电导航方法,其特征在于,所述步骤S2的具体步骤包括:
其中Em代表电池安全裕度电量,ec是电动汽车的每公里耗电量;
基于目标电动汽车的当前位置坐标及各充电桩的位置坐标得到目标电动汽车与各充电桩的距离,该距离小于或等于L所对应的充电桩即为目标电动汽车当前电量所能到达的充电桩,用集合S表示;
基于目标电动汽车的当前位置坐标及其目的地位置坐标,地图上各道路之间的节点和充电桩的位置坐标,得到于目标电动汽车到达集合S中每一充电桩的若干路径sij,i代表到达第i个充电桩的第j条路径,每条路径均包含电动汽车当前位置坐标、目的地位置坐标、充电桩位置坐标和地图上若干道路之间的节点。
4.根据权利要求3所述的快充/慢充模式下的电动汽车充电导航方法,其特征在于,步骤S3中所述的对于每一可选路径,利用循环神经网络预测目标电动汽车到其对应充电桩进行充电的时间成本具体包括:
基于时间预测循环神经网络分别计算行驶时间及充电等待时间:采用训练完毕的时间预测循环神经网络,以所述步骤S2得到的若干可选路径作为输入,预测得到各可选路径下,目标电动汽车所需的行驶时间Τdij,其中i代表第i个充电桩的第j个路径;以时间、车流量信息及各可选路径对应充电桩的位置坐标作为输入,预测得到目标电动汽车到达各可选路径所对应的充电桩进行充电的充电等待时间Τwij,其中i代表第i个充电桩的第j个路径;
计算充电时间:
将各充电桩的每条路径代入以上充电时间tc表达式,得到各充电桩的每条路径的充电时间Τcij。
5.根据权利要求4所述的快充/慢充模式下的电动汽车充电导航方法,其特征在于,步骤S3中所述的对于每一可选路径,利用循环神经网络预测目标电动汽车到其对应充电桩进行充电的价格成本具体包括:
采用训练完毕的价格预测循环神经网络,以各充电桩的历史价格及其每条路径的充电时间Τcij作为输入,预测得到第i个充电桩的第j条路径的价格成本Cij。
6.根据权利要求5所述的快充/慢充模式下的电动汽车充电导航方法,其特征在于,步骤S4所述预设的慢充导航策略包括:
a.时间导航策略:
计算目标电动汽车到达充电桩以慢充模式充电所需的总时间成本:
Τij=λ1·Τdij+λ2Τwij+Τcij
其中Τij代表第i个充电桩的第j条路径的总时间成本;λ1是惩罚因子,当目标电动汽车到达充电桩的行驶时间Τdij的值小于等于时间阈值Γ1,则λ1等于1,不惩罚;当目标电动汽车到达充电桩的行驶时间Τdij的值大于时间阈值Γ1,则λ1等于η1(η1>1),进行惩罚;λ2是惩罚因子,当充电等待时间Τwij的值小于等于时间阈值Γ2,则λ2等于1,不惩罚;当充电等待时间Τwij的值大于时间阈值Γ2,则λ2等于η2(η2>1),进行惩罚;
将慢充模式的充电桩集合S1内所有的充电桩的全部路径通过上述公式计算总时间成本,选择计算结果中最小总时间成本min{Τij}所对应的路径为慢充模式下的时间最优路径;
b.价格导航策略:
对于慢充模式的充电桩集合S1内所有充电桩的全部路径,选取目标电动汽车到其对应充电桩进行充电的价格成本中的最小价格成本min{Cij},其对应的路径为慢充模式下的价格最优路径;
c.综合导航策略:
基于所有慢充模式的充电桩集合S1内所有充电桩的全部路径所计算得到的总时间成本及价格成本,计算目标电动汽车到达充电桩充电所需的综合成本:
Jij=α1·Τij+β1·Cij
其中α1和β1是预设的比例因子,i代表第i个充电桩的第j个路径;
选择计算结果中最小综合成本min{Jij}所对应的路径为慢充模式下的综合最优路径。
7.根据权利要求6所述的快充/慢充模式下的电动汽车充电导航方法,其特征在于,步骤S4所述预设的慢充导航策略还包括:
将慢充模式的充电桩集合S1中充电桩与目标电动汽车的目的地的距离小于或等于预设距离的所对应充电桩划分至舒适慢充充电桩集合S11,将慢充模式的充电桩集合S1中充电桩与目标电动汽车的目的地的距离大于预设距离的所对应充电桩划分至不舒适慢充充电桩集合S12;判断慢充模式的充电桩集合S1是否存在不舒适慢充充电桩集合S12,若是则将其去除。
8.根据权利要求7所述的快充/慢充模式下的电动汽车充电导航方法,其特征在于,步骤S4所述预设的快充导航策略包括:
A.时间导航策略:
对于快充充电桩集合S2内的所有充电桩的所有路径,计算目标电动汽车到达充电桩以快充模式充电所需的总时间成本:
Τij=Τdij+Τwij+Tcij
选择计算结果中最小总时间成本min{Τij}所对应的路径为快充模式下的时间最优路径;
B.价格导航策略:
对于快充充电桩集合S2内的所有充电桩的所有路径,计算目标电动汽车到其对应充电桩进行充电的价格成本:
Cij=Cij+μ·lij·ec
其中等式右边的Cij是所述步骤S3预测的目标电动汽车到其对应充电桩进行充电的价格成本,μ是权重系数,lij是第i个充电桩到目标电动汽车的目的地的第j个路径的路程长度,ec是电动汽车的每公里耗电量;
选择计算结果中最小价格成本min{Cij}所对应的路径为快充模式下的价格最优路径;
C.综合导航策略:
基于所有快充模式的充电桩集合S2内所有充电桩的全部路径所计算得到的总时间成本及价格成本,计算目标电动汽车到达充电桩充电所需的综合成本:
Jij=α2·Τij+β2·Cij
其中α2和β2是预设的比例因子,i代表第i个充电桩的第j个路径;
选择计算结果中最小综合成本min{Jij}所对应的路径为快充模式下的综合最优路径。
9.快充/慢充模式下的电动汽车充电导航系统,包括:
信息采集模块,用于获取目标电动汽车的车辆信息及其所处区域的交通信息和充电桩信息;所述充电桩包括快充模式和慢充模式;
路径规划模块,用于规划目标电动汽车到达各充电桩的若干可选路径;
成本预测模块,用于对于每一可选路径,利用循环神经网络预测目标电动汽车到其对应充电桩进行充电的时间成本及价格成本;
充电导航策略模块,用于基于信息采集模块、路径规划模块及成本预测模块所得到的数据,利用预设的快充导航策略或慢充导航策略选择出最优路径并用于为目标电动汽车进行充电导航。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010202636.XA CN111397620B (zh) | 2020-05-29 | 2020-05-29 | 快充/慢充模式下的电动汽车充电导航方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010202636.XA CN111397620B (zh) | 2020-05-29 | 2020-05-29 | 快充/慢充模式下的电动汽车充电导航方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111397620A true CN111397620A (zh) | 2020-07-10 |
CN111397620B CN111397620B (zh) | 2023-04-25 |
Family
ID=71432767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010202636.XA Active CN111397620B (zh) | 2020-05-29 | 2020-05-29 | 快充/慢充模式下的电动汽车充电导航方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111397620B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508312A (zh) * | 2021-02-05 | 2021-03-16 | 北京电信易通信息技术股份有限公司 | 一种电动汽车节能导航的方法及系统 |
CN113012460A (zh) * | 2021-02-24 | 2021-06-22 | 华录智达科技股份有限公司 | 一种单线路公交车充电控制系统和方法 |
CN113895276A (zh) * | 2021-09-03 | 2022-01-07 | 国网北京市电力公司 | 电动汽车充电网络调整方法、装置及非易失性存储介质 |
CN114161979A (zh) * | 2021-12-06 | 2022-03-11 | 国网天津市电力公司 | 一种用于电动汽车电池的综合管理系统 |
CN114611811A (zh) * | 2022-03-21 | 2022-06-10 | 特斯联科技集团有限公司 | 基于ev负荷参与度的低碳园区优化调度方法及系统 |
CN117689188A (zh) * | 2024-02-04 | 2024-03-12 | 江西驴充充物联网科技有限公司 | 基于大数据的用户充电策略优化系统及方法 |
CN117689188B (zh) * | 2024-02-04 | 2024-04-26 | 江西驴充充物联网科技有限公司 | 基于大数据的用户充电策略优化系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108162771A (zh) * | 2017-11-09 | 2018-06-15 | 贵州电网有限责任公司电力科学研究院 | 一种电动汽车智能充电导航方法 |
CN108955711A (zh) * | 2018-08-24 | 2018-12-07 | 广东工业大学 | 一种应用于电动汽车智能充放电的导航方法 |
CN108981732A (zh) * | 2018-04-26 | 2018-12-11 | 杭州中恒云能源互联网技术有限公司 | 一种电动汽车充电导航系统的充电导航方法 |
CN109489676A (zh) * | 2018-09-29 | 2019-03-19 | 广东工业大学 | 一种计及电网信息与充电站信息的电动汽车充电导航方法 |
CN110738364A (zh) * | 2019-09-30 | 2020-01-31 | 杭州电子科技大学 | 一种电动汽车充电导航信息交互平台 |
-
2020
- 2020-05-29 CN CN202010202636.XA patent/CN111397620B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108162771A (zh) * | 2017-11-09 | 2018-06-15 | 贵州电网有限责任公司电力科学研究院 | 一种电动汽车智能充电导航方法 |
CN108981732A (zh) * | 2018-04-26 | 2018-12-11 | 杭州中恒云能源互联网技术有限公司 | 一种电动汽车充电导航系统的充电导航方法 |
CN108955711A (zh) * | 2018-08-24 | 2018-12-07 | 广东工业大学 | 一种应用于电动汽车智能充放电的导航方法 |
CN109489676A (zh) * | 2018-09-29 | 2019-03-19 | 广东工业大学 | 一种计及电网信息与充电站信息的电动汽车充电导航方法 |
CN110738364A (zh) * | 2019-09-30 | 2020-01-31 | 杭州电子科技大学 | 一种电动汽车充电导航信息交互平台 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508312A (zh) * | 2021-02-05 | 2021-03-16 | 北京电信易通信息技术股份有限公司 | 一种电动汽车节能导航的方法及系统 |
CN113012460A (zh) * | 2021-02-24 | 2021-06-22 | 华录智达科技股份有限公司 | 一种单线路公交车充电控制系统和方法 |
CN113895276A (zh) * | 2021-09-03 | 2022-01-07 | 国网北京市电力公司 | 电动汽车充电网络调整方法、装置及非易失性存储介质 |
CN114161979A (zh) * | 2021-12-06 | 2022-03-11 | 国网天津市电力公司 | 一种用于电动汽车电池的综合管理系统 |
CN114161979B (zh) * | 2021-12-06 | 2023-09-29 | 国网天津市电力公司 | 一种用于电动汽车电池的综合管理系统 |
CN114611811A (zh) * | 2022-03-21 | 2022-06-10 | 特斯联科技集团有限公司 | 基于ev负荷参与度的低碳园区优化调度方法及系统 |
CN114611811B (zh) * | 2022-03-21 | 2022-10-25 | 特斯联科技集团有限公司 | 基于ev负荷参与度的低碳园区优化调度方法及系统 |
CN117689188A (zh) * | 2024-02-04 | 2024-03-12 | 江西驴充充物联网科技有限公司 | 基于大数据的用户充电策略优化系统及方法 |
CN117689188B (zh) * | 2024-02-04 | 2024-04-26 | 江西驴充充物联网科技有限公司 | 基于大数据的用户充电策略优化系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111397620B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111397620B (zh) | 快充/慢充模式下的电动汽车充电导航方法及系统 | |
Shi et al. | Battery electric vehicles: What is the minimum range required? | |
CN107067110B (zh) | 车-路-网模式下电动汽车充电负荷时空预测方法 | |
Amirgholy et al. | Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach | |
CN102884401B (zh) | 用于将电池操作的运输装置引导至重整站的方法和引导单元 | |
CN111291920B (zh) | 一种考虑多因素多场景的电动汽车充电站推荐方法 | |
CN102622907B (zh) | 电动车的驾驶辅助方法及驾驶辅助系统 | |
Jung et al. | Design and modeling of real-time shared-taxi dispatch algorithms | |
CN109177802B (zh) | 一种基于无线通信的电动汽车有序充电系统及其方法 | |
US10157242B2 (en) | Charger arrangement planning supporting apparatus, charger arrangement planning supporting method, and program | |
CN107878218A (zh) | 优化插电式车辆车队的自适应系统和方法 | |
EP2789977A1 (en) | Device, method and program for calculating accessible range | |
CN102959358A (zh) | 车辆的电力消耗量计算装置、信息提供装置及信息提供方法 | |
CN103236179A (zh) | 一种计及交通信息与电网信息的电动汽车充电导航方法 | |
CN103678917A (zh) | 一种基于模拟退火算法的公交实时到站时间预测方法 | |
CN104748753A (zh) | 一种在线导航方法和在线导航系统 | |
Qiao et al. | Vehicle powertrain connected route optimization for conventional, hybrid and plug-in electric vehicles | |
Kumar et al. | S2RC: A multi-objective route planning and charging slot reservation approach for electric vehicles considering state of traffic and charging station | |
CN109977527A (zh) | 一种城市公共充电站网络的充电桩配置方法 | |
Das et al. | Eco-routing navigation systems in electric vehicles: A comprehensive survey | |
WO2021134476A1 (zh) | 应用于电动汽车的订单管理的方法和装置 | |
CN112330025A (zh) | 用于城市电动汽车的时空充电负荷的预测方法 | |
CN109583708B (zh) | 多智能体微观交通配流模型的建立方法 | |
Sánchez et al. | Simulation study on the fleet performance of shared autonomous bicycles | |
CN113657681B (zh) | 联结智能公交站台和共享交通的方法、系统和存储介质 |
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 |