CN111983480A - 一种基于马氏过程的agv电量状态预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于马氏过程的AGV电量状态预测方法及系统。该方法包括：获取第k小时的AGV电量状态分布

其中，i∈[1,2,...,m]，S_m‑i表示AGV在充满电后连续满负荷工作m‑i小时后所处的电量状态，S₀状态表示电量不能满足继续工作的状态，

表示处于S_m‑i状态的AGV的数量；根据

计算第k小时各AGV电量状态转移概率p_k，所述电量状态转移概率为AGV由电量状态S_m‑k转入下一电量状态S_m‑k‑1的概率，其中，task_k为第k小时的任务量，n_k为第k小时内能够执行任务的AGV数量，r为单车满负荷运行1小时可执行任务平均值；根据第k小时各AGV电量状态转移概率以及第k小时的AGV电量状态分布，预测第k+1小时的AGV电量状态分布。本发明能够实现AGV电量状态的预测，为后续的充电业务决策提供指导。

Description

一种基于马氏过程的AGV电量状态预测方法及系统

技术领域

本发明涉及AGV电量状态预测领域，特别是涉及一种基于马氏过程的AGV电量状态预测方法及系统。

背景技术

受某些工作环境、生产工艺等条件的约束，AGV在设计上往往不允许拆卸电池。在AGV使用过程中，当电量小于某经验设定阈值时，需要限定AGV必须停车进行充电操作。在充电过程中AGV无法继续投入生产。因此，需要避免过多AGV同时低于阈值电量，从而导致AGV物流运输能力低于生产需求。然而针对AGV电量预测，目前并没有有效的技术方法。

发明内容

本发明的目的是提供一种基于马氏过程的AGV电量状态预测方法及系统。

为实现上述目的，本发明提供了如下方案：

一种基于马氏过程的AGV电量状态预测方法，包括：

步骤1，获取第k小时的AGV电量状态分布

其中，i∈[1,2,...,m]，S_m-i表示AGV在充满电后连续满负荷工作m-i小时后所处的电量状态，S₀状态表示电量不能满足继续工作的状态，

表示处于S_m-i状态的AGV的数量；

步骤2，根据

计算第k小时各AGV电量状态转移概率p_k，所述电量状态转移概率为AGV由电量状态S_m-k转入下一电量状态S_m-k-1的概率，其中，task_k为第k小时的任务量，n_k为第k小时内能够执行任务的AGV数量，r为单车满负荷运行1小时能够执行任务的平均值；

步骤3，根据第k小时各AGV电量状态转移概率以及第k小时的AGV电量状态分布，预测第k+1小时的AGV电量状态分布。

可选的，所述方法还包括：

获取待预测的时间段，将待预测时间段记为从当前时间段第k小时开始的第k+n小时；

重复执行步骤1到步骤3，进行n次迭代，连续预测得到第k+n小时的AGV电量状态分布。

可选的，在步骤2之前，还包括：

确定电量状态处于S₀的AGV数量；

根据电量状态处于S₀的AGV数量，确定能够继续执行任务的AGV数量。

本发明还提供了一种基于马氏过程的AGV电量状态预测系统，包括：

电量状态获取模块，用于获取第k小时的AGV电量状态分布

其中，i∈[1,2,...,m]，S_m-i表示AGV在充电1小时后连续满负荷工作m-i小时后所处的电量状态，S₀状态表示电量不能满足继续工作的状态，

表示处于S_m-i状态的AGV的数量；

电量状态转移概率计算模块，用于根据

计算第k小时各AGV电量状态转移概率p_k，所述电量状态转移概率为AGV由电量状态S_m-k转入下一电量状态S_m-k-1的概率，其中，task_k为第k小时的任务量，n_k为第k小时内能够执行任务的AGV数量，r为单车满负荷运行1小时能够执行任务的平均值；

电量状态预测模块，用于根据第k小时各AGV电量状态转移概率以及第k小时的AGV电量状态分布，预测第k+1小时的AGV电量状态分布。

可选的，所述系统还包括：

待预测时间段获取模块，用于获取待预测的时间段，将待预测时间段记为从当前时间段第k小时开始的第k+n小时。

可选的，所述系统还包括：

可用AGV数量确定模块，用于确定电量状态处于S₀的AGV数量，并根据电量状态处于S₀的AGV数量，确定能够执行任务的AGV数量。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于马氏过程的AGV电量状态预测方法及系统，以小时为单位，将AGV充满电后可工作的若干小时分为多个子状态，根据实际物流量和可工作AGV数量估算各时段内AGV电量状态转移概率。根据状态转移概率，预测从某一时段开始后续各时段的AGV电量状态分布，进而实现对后续充电业务决策的指导。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1提供的基于马氏过程的AGV电量状态预测方法流程图；

图2为本发明实施例1中24小时任务量分布图；

图3为本发明实施例2提供的基于马氏过程的AGV电量状态预测系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

参见图1，本实施例提供了一种基于马氏过程的AGV电量状态预测方法，该方法包括以下步骤：

步骤1，获取第k小时的AGV电量状态分布

其中，i∈[1,2,...,m]，S_m-i表示AGV在充满电后连续满负荷工作m-i小时后所处的电量状态，S₀状态表示电量不能满足继续工作的状态，

表示处于S_m-i状态的AGV的数量；

步骤2，根据

计算第k小时各AGV电量状态转移概率p_k，所述电量状态转移概率为AGV由电量状态S_m-k转入下一电量状态S_m-k-1的概率，其中，task_k为第k小时的任务量，n_k为第k小时内能够执行任务的AGV数量，r为单车满负荷运行1小时可执行任务的平均值；

步骤3，根据第k小时各AGV电量状态转移概率以及第k小时的AGV电量状态分布，预测第k+1小时的AGV电量状态分布。

在本实施例中，在计算第k小时各AGV电量状态转移概率p_k时，需要先确定能够继续工作的AGV数量，当AGV电量小于设定阈值时则不能再继续工作，此时AGV电量的状态即为S₀状态。在本实施例中，一开始的第k小时的AGV电量状态分布是已知的，每个小时的任务量也是已知的。

在本实施例中，首先获取待预测的时间段，然后确定待预测时间段是属于从当前时间开始后的第几个小时，比如，要预测的AGV电量状态分布为第k+n小时的AGV电量状态分布，重复执行步骤1到步骤3，进行n次迭代，通过连续预测的方式得到第k+n小时的AGV电量状态分布。

在本实施例中，AGV在满负荷状态下运行，经统计可得出单位小时内平均可执行任务数量r。在充满电后可连续工作小时数m，根据AGV在充电后工作小时数，可将AGV电量状态从高到低分为m+1个状态：S_m,S_m-1,...,S₀，其中S₀表示低电状态，AGV处于该状态必须停车充电；S_m-i,i∈[1,2,...,m]表示AGV在充满电后连续满负荷工作m-i小时后所处的状态。AGV在S_i状态下经过1小时满负荷运行，将有100％概率状态转换为S_i-1。若AGV不在满负荷状态下工作，则有一定概率p从S_i转换到下一状态S_i-1，也有一定概率停留在本状态S_i，但不会跳转到上一状态S_i+1。当i≠0时，状态转移概率如表1所示，因电量随使用逐渐减少，AGV电量状态逐渐下降，车辆每工作单位小时，都有一定概率p_i下降到下一电量等级状态，同时也有一定概率1-p_i停留在该等级状态。p_i与第i小时内任务总量及可执行任务AGV数量有关。以小时为单位，在一天中设某小时内AGV可执行任务车数为n_k,k＝[0,1,2,...,23]，单车满负荷运行1小时可执行任务平均值为r，每小时的任务统计量为task_k,k＝[0,1,2,...,24]。如图2为某AGV项目90天任务量统计在1天24小时的分布情况。

表1.状态转移概率

比如，令x为各状态AGV数量向量，如状态数m＝3，则

如当前共有AGV数量N＝4，4个AGV状态分别为S₀,S₃,S₂,S₀，则x＝[1,1,0,2]，其中

表示低电量正在充电状态车辆数，因此可工作AGV数量

一天内第k小时的1步状态转移概率：

显然，车辆电量的下一小时状态只与本小时状态有关，而与之前状态无关，即P(x_k|x_k-1,x_k-2,x_k-3...)＝P(x_k|x_k-1)，其过程状态属于马尔可夫过程，可得到基于状态S的状态转移矩阵Q，如表2所示。

表2.电量状态转移矩阵

根据状态转移矩阵可以估计未来多个时刻的状态，即多步状态估计：STEP1：

根据当前车辆运行状态，确定当前小时的状态分布x_k。

计算当前小时状态转移概率p_k。

初始化状态转移矩阵Q_k。

计算下一小时状态分布期望：

STEP2：

是否迭代完成(即是否迭代了n次(待预测电量分布为第k+n小时的电量分布))，是：跳转STEP4；否：跳转STEP3。

STEP3:

当前为第y次迭代，

计算可用AGV数量期望估计：

计算k+y小时的转移概率估计：

计算状态转移矩阵：

Q＝Q*Q_k

计算下一周期的AGV状态分布期望估计：

STEP4：

得到多步状态转移分布估计：

结束

下面以具体的示例对本发明的实施例进行解释说明：

当前小时为k，设满负荷运行单位小时平均执行任务量r＝10；充满电后满负荷运行可工作小时数m＝4；AGV车辆总数为N＝4，分布在各状态车数向量x_k＝[0,1,0,2,1]，当前小时任务量task_k＝24。

则可用AGV数量n＝3，

1步状态转移矩阵

则下一小时状态分布期望为：

其表示下一小时处于各状态AGV数量的数学期望。

实施例2

参见图2，本实施例提供了一种基于马氏过程的AGV电量状态预测系统，该系统包括：

待预测时间段获取模块301，用于获取待预测的时间段，将待预测时间段记为从当前时间段第k小时开始的第k+n小时。

电量状态获取模块302，用于获取第k小时的AGV电量状态分布

其中，i∈[1,2,...,m]，S_m-i表示AGV在充电1小时后连续满负荷工作m-i小时后所处的电量状态，

表示处于S_m-i状态的AGV的数量。

可用AGV数量确定模块303，用于确定电量状态处于S₀的AGV数量，并根据电量状态处于S₀的AGV数量，确定能够执行任务的AGV数量。

电量状态转移概率计算模块304，用于根据

计算第k小时各AGV电量状态转移概率p_k，所述电量状态转移概率为AGV由电量状态S_m-k转入下一电量状态S_m-k-1的概率，其中，task_k为第k小时的任务量，n_k为第k小时内能够执行任务的AGV数量，r为单车满负荷运行1小时可执行任务平均值；

电量状态预测模块305，用于根据第k小时各AGV电量状态转移概率以及第k小时的AGV电量状态分布，预测第k+1小时的AGV电量状态分布。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种基于马氏过程的AGV电量状态预测方法，其特征在于，包括：

步骤1，获取第k小时的AGV电量状态分布

其中，i∈[1,2,...,m]，S_m-i表示AGV在充满电后连续满负荷工作m-i小时后所处的电量状态，S₀状态表示电量不能满足继续工作的状态，

表示处于S_m-i状态的AGV的数量；

步骤2，根据

计算第k小时各AGV电量状态转移概率p_k，所述电量状态转移概率为AGV由电量状态S_m-k转入下一电量状态S_m-k-1的概率，其中，task_k为第k小时的任务量，n_k为第k小时内能够执行任务的AGV数量，r为单车满负荷运行1小时能够执行任务的平均值；

步骤3，根据第k小时各AGV电量状态转移概率以及第k小时的AGV电量状态分布，预测第k+1小时的AGV电量状态分布。

2.根据权利要求1所述的基于马氏过程的AGV电量状态预测方法，其特征在于，所述方法还包括：

获取待预测的时间段，将待预测时间段记为从当前时间段第k小时开始的第k+n小时；

重复执行步骤1到步骤3，进行n次迭代，连续预测得到第k+n小时的AGV电量状态分布。

3.根据权利要求1所述的基于马氏过程的AGV电量状态预测方法，其特征在于，在步骤2之前，还包括：

确定电量状态处于S₀的AGV数量；

根据电量状态处于S₀的AGV数量，确定能够继续执行任务的AGV数量。

4.一种基于马氏过程的AGV电量状态预测系统，其特征在于，包括：

电量状态获取模块，用于获取第k小时的AGV电量状态分布

其中，i∈[1,2,...,m]，S_m-i表示AGV在充电1小时后连续满负荷工作m-i小时后所处的电量状态，S₀状态表示电量不能满足继续工作的状态，

表示处于S_m-i状态的AGV的数量；

电量状态转移概率计算模块，用于根据

计算第k小时各AGV电量状态转移概率p_k，所述电量状态转移概率为AGV由电量状态S_m-k转入下一电量状态S_m-k-1的概率，其中，task_k为第k小时的任务量，n_k为第k小时内能够执行任务的AGV数量，r为单车满负荷运行1小时能够执行任务的平均值；

电量状态预测模块，用于根据第k小时各AGV电量状态转移概率以及第k小时的AGV电量状态分布，预测第k+1小时的AGV电量状态分布。

5.根据权利要求4所述的基于马氏过程的AGV电量状态预测系统，其特征在于，所述系统还包括：

待预测时间段获取模块，用于获取待预测的时间段，将待预测时间段记为从当前时间段第k小时开始的第k+n小时。

6.根据权利要求4所述的基于马氏过程的AGV电量状态预测系统，其特征在于，所述系统还包括：

可用AGV数量确定模块，用于确定电量状态处于S₀的AGV数量，并根据电量状态处于S₀的AGV数量，确定能够执行任务的AGV数量。

Images