CN111983480B - 一种基于马氏过程的agv电量状态预测方法及系统 - Google Patents
一种基于马氏过程的agv电量状态预测方法及系统 Download PDFInfo
- Publication number
- CN111983480B CN111983480B CN202010835239.6A CN202010835239A CN111983480B CN 111983480 B CN111983480 B CN 111983480B CN 202010835239 A CN202010835239 A CN 202010835239A CN 111983480 B CN111983480 B CN 111983480B
- Authority
- CN
- China
- Prior art keywords
- agv
- state
- hour
- electric quantity
- power
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
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],Sm‑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Sm‑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pk,所述电量状态转移概率为AGV由电量状态Sm‑k转入下一电量状态Sm‑k‑1的概率,其中,taskk为第k小时的任务量,nk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
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],Sm-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Sm-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pk,所述电量状态转移概率为AGV由电量状态Sm-k转入下一电量状态Sm-k-1的概率,其中,taskk为第k小时的任务量,nk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],Sm-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Sm-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pk,所述电量状态转移概率为AGV由电量状态Sm-k转入下一电量状态Sm-k-1的概率,其中,taskk为第k小时的任务量,nk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],Sm-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Sm-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pk,所述电量状态转移概率为AGV由电量状态Sm-k转入下一电量状态Sm-k-1的概率,其中,taskk为第k小时的任务量,nk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pk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:Sm,Sm-1,...,S0,其中S0表示低电状态,AGV处于该状态必须停车充电;Sm-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Si状态下经过1小时满负荷运行,将有100%概率状态转换为Si-1。若AGV不在满负荷状态下工作,则有一定概率p从Si转换到下一状态Si-1,也有一定概率停留在本状态Si,但不会跳转到上一状态Si+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pi下降到下一电量等级状态,同时也有一定概率1-pi停留在该等级状态。pi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nk,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taskk,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(xk|xk-1,xk-2,xk-3...)=P(xk|xk-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xk。
计算当前小时状态转移概率pk。
初始化状态转移矩阵Qk。
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k+y小时的转移概率估计:
计算状态转移矩阵:
Q=Q*Qk
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xk=[0,1,0,2,1],当前小时任务量taskk=24。
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],Sm-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Sm-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pk,所述电量状态转移概率为AGV由电量状态Sm-k转入下一电量状态Sm-k-1的概率,其中,taskk为第k小时的任务量,nk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],Sm-i表示AGV在充满电后连续满负荷工作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Sm-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pk,所述电量状态转移概率为AGV由电量状态Sm-k转入下一电量状态Sm-k-1的概率,其中,taskk为第k小时的任务量,nk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],Sm-i表示AGV在充满电后连续满负荷工作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Sm-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pk,所述电量状态转移概率为AGV由电量状态Sm-k转入下一电量状态Sm-k-1的概率,其中,taskk为第k小时的任务量,nk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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010835239.6A CN111983480B (zh) | 2020-08-19 | 2020-08-19 | 一种基于马氏过程的agv电量状态预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010835239.6A CN111983480B (zh) | 2020-08-19 | 2020-08-19 | 一种基于马氏过程的agv电量状态预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111983480A CN111983480A (zh) | 2020-11-24 |
CN111983480B true CN111983480B (zh) | 2023-02-28 |
Family
ID=73434090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010835239.6A Active CN111983480B (zh) | 2020-08-19 | 2020-08-19 | 一种基于马氏过程的agv电量状态预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111983480B (zh) |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103809058B (zh) * | 2014-02-24 | 2016-08-17 | 尹忠和 | 船艇供配电智能检测系统 |
CN105095918B (zh) * | 2015-09-07 | 2018-06-26 | 上海交通大学 | 一种多机器人系统故障诊断方法 |
JP6464075B2 (ja) * | 2015-11-11 | 2019-02-06 | 日本電信電話株式会社 | What−ifシミュレーション装置、方法、及びプログラム |
CN105825297A (zh) * | 2016-03-11 | 2016-08-03 | 山东大学 | 一种基于马尔科夫模型的位置预测方法 |
CN106384509A (zh) * | 2016-10-08 | 2017-02-08 | 大连理工大学 | 考虑出租车运营状态下的城市道路行程时间分布估算方法 |
CN107179769B (zh) * | 2017-06-06 | 2020-07-10 | 泉州装备制造研究所 | 一种基于实时调度仿真和排队论的agv数量配置方法 |
US20190107406A1 (en) * | 2017-10-09 | 2019-04-11 | Nio Usa, Inc. | Systems and methods for trip planning under uncertainty |
CN107958269B (zh) * | 2017-11-28 | 2020-01-24 | 江苏大学 | 一种基于隐马尔可夫模型的行车危险度预测方法 |
CN108573322A (zh) * | 2018-03-13 | 2018-09-25 | 中联达通广(镇江)新能源科技有限公司 | 一种基于多车型共享换电站动态负荷预测方法 |
CN108985497B (zh) * | 2018-06-26 | 2021-11-02 | 深圳市祺丰智能机器人科技有限公司 | 一种智能运输车数量及充电桩数量的规划方法及系统 |
CN109116845B (zh) * | 2018-08-17 | 2021-09-17 | 华晟(青岛)智能装备科技有限公司 | 自动导引运输车定位方法、定位系统及自动导引运输系统 |
CN109733248B (zh) * | 2019-01-09 | 2020-07-24 | 吉林大学 | 基于路径信息的纯电动汽车剩余里程模型预测方法 |
CN110929950B (zh) * | 2019-12-02 | 2023-09-26 | 燕山大学 | 一种电动汽车负荷预测方法及系统 |
-
2020
- 2020-08-19 CN CN202010835239.6A patent/CN111983480B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111983480A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A bi-level control for energy efficiency improvement of a hybrid tracked vehicle | |
US10818983B2 (en) | Battery management device and system, and hybrid vehicle control system for utilizing battery performance while maintaining battery life | |
JP7012544B2 (ja) | バッテリー充電方法および装置 | |
CN110843559A (zh) | 电动车辆预约充电系统及方法 | |
CN112757922B (zh) | 一种车用燃料电池混合动力能量管理方法及系统 | |
JP6422798B2 (ja) | 電池管理装置、電池システムおよびハイブリッド車両制御システム | |
US9172247B2 (en) | Power supply system with controlled power storage | |
CN106167019B (zh) | 用于选择混合动力车辆的运行方式的方法 | |
AU2016416626B2 (en) | Method and device for the use of an electrochemical energy storage device so as to optimize the service life | |
CN112262493A (zh) | 电池管理系统和方法 | |
CN111983480B (zh) | 一种基于马氏过程的agv电量状态预测方法及系统 | |
US20210218076A1 (en) | Method and device for using an electrochemical energy store so as to optimize the service life | |
Lin et al. | Deep Q-learning network based trip pattern adaptive battery longevity-conscious strategy of plug-in fuel cell hybrid electric vehicle | |
Wang et al. | Real-time energy management strategy for a plug-in hybrid electric bus considering the battery degradation | |
US20160362096A1 (en) | Method and System for Selecting Power Sources in Hybrid Electric Vehicles | |
CN105676128A (zh) | 一种用于电池管理系统的电池荷电状态预测方法 | |
Zhang et al. | A generalized energy management framework for hybrid construction vehicles via model-based reinforcement learning | |
JP5868104B2 (ja) | 周期性を有するマルコフ決定過程を用いて最適施策を決定する方法、装置及びコンピュータプログラム | |
CN115308611A (zh) | 考虑温度补偿的锂离子电池剩余寿命预测方法 | |
CN109466377B (zh) | 用于自动更新soc区间里程参考值的方法、装置和存储介质 | |
WO2023110070A1 (en) | A method for controlling a fuel cell system | |
CN112069721A (zh) | 一种风电爬坡事件预测方法 | |
CN117669690A (zh) | 一种基于模型预测的延迟场景下强化学习方法 | |
JP7087957B2 (ja) | 電池制御装置 | |
Liu et al. | Computationally Efficient Energy Management for a Parallel Hybrid Electric Vehicle Using Adaptive Dynamic Programming |
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 |