CN113253722A

CN113253722A - 电动车充电路径规划方法、装置及系统

Info

Publication number: CN113253722A
Application number: CN202110479364.2A
Authority: CN
Inventors: 杨海南
Original assignee: Zhejiang Geely Holding Group Co Ltd; Geely Automobile Research Institute Ningbo Co Ltd
Current assignee: Zhejiang Geely Holding Group Co Ltd; Geely Automobile Research Institute Ningbo Co Ltd
Priority date: 2021-04-30
Filing date: 2021-04-30
Publication date: 2021-08-13
Anticipated expiration: 2041-04-30
Also published as: CN113253722B

Abstract

本发明涉及一种电动车充电路径规划方法、装置及系统，其中方法包括：首先生成初始路径，在初始路径上采集多个路线点；然后基于行程特征输入至耗电量模型得到初始预测单位里程耗电量，并根据车辆的耗电量修正信息修正单位里程耗电量；进而得到各路线点的剩余电量后执行充电规划步骤；然后选择以低于阈值的第一个路线点为中心选择充电站，之后以该充电站作为起点，重新生成路径，直至不需要充电；最后将所有选中的充电站作为途经点，生成最终路径。与现有技术相比，本发明通过结合行程特征和对应于本车辆的耗电量修正信息对单位里程耗电量进行修正，结合特殊的充电站选择方式，从而提高充电路径规划质量，减小充电次数的同时避免电量过低。

Description

电动车充电路径规划方法、装置及系统

技术领域

本发明涉及电动汽车导航规划领域，尤其是涉及一种电动车充电路径规划方法、装置及系统。

背景技术

现今，在车辆娱乐系统和导航中提供了充电站查找的功能，此外，在移动电话或平板电脑中安装的软件也可以满足相关功能。用户在使用导航时，也可以获得沿线的充电站。至于到底选哪个充电站，是由用户主观判断的。充电站间存在配置、价格、管理和服务的差距，用户选择合适的充电站，直接影响了出行体验。

现有技术中，往往是在特定点附件搜索可以用的充电站，这种方式有很多缺陷，比如：在哪里充电，是基于用户主观判断，用户的主观判断可能出错，错过充电时机；远距离出行时，涉及两次或三次充电，无法从全局做最优的选择。

在此基础之上，有一些技术提供了对充电路径的规划，这种规划大多数围绕着剩余里程和充电站的位置，来生成行车路线，然而，现有技术中，剩余里程通常都采用工况和剩余电量、车型特性确定，没有考虑车辆的个体特性和道路特性，因此导致了车辆的耗电量预测不准确，从而容易发生根据规划的路径行驶出现电量过低甚至电量耗尽，或者充电次数过多的问题，严重影响了充电路径规划的质量。

发明内容

本发明的目的就是为了提供一种电动车充电路径规划方法、装置及系统，通过结合行程特征和对应于本车辆的耗电量修正信息对单位里程耗电量进行修正，结合特殊的充电站选择方式，从而提高充电路径规划质量，减小充电次数的同时避免电量过低。

本发明的目的可以通过以下技术方案来实现：

一种电动车充电路径规划方法，包括：

生成初始路径，在初始路径上采集多个第一路线点；

电量计算步骤：获取行程特征，基于行程特征输入至耗电量模型得到初始预测单位里程耗电量，并根据车辆的耗电量修正信息得到修正后的单位里程耗电量；根据修正后的单位里程耗电量得到各路线点的剩余电量；

从初始路径的起点开始，依次判断到达各第一路线点时的剩余电量是否低于预设阈值，若为是，则以首个低于预设阈值的第一路线点为中心选择充电站，以该充电站作为起点，重新生成路径，并在该路径上采集多个第二路线点，并执行电量计算步骤；

在到达各第二路线点时的剩余电量大于或者等于预设阈值的情况下，将所有选中的充电站作为途经点，生成最终路径。

进一步的，所述耗电量修正信息为极大似然估计误差或极大后验估计误差。。

进一步的，单位里程耗电量一般采用每公里耗电量。

进一步的，所述行程特征包括出行起始时间、行驶距离、起始soc、最大速度、平均速度、起始经纬度、胎压和累计里程。

进一步的，所述耗电量模型为线性回归模型、随机森林模型、GBDT模型、xgboost模型或lightGBM模型。

进一步的，所述以低于阈值的第一个路线点为中心确定充电站，包括：

以低于阈值的第一个路线点为中心获取预设范围内的充电站；

得到各充电站的评分，并根据评分进行排序显示；

接收输入指令选择对应的充电站。

更进一步的，所述评分的依据包括充电站基本配置信息和/或其他用户的充电反馈信息。

再更进一步的，所述其他用户的充电反馈信息的权重随反馈发生日期与当前日期的时间差的增大而衰减。

本申请的另一方面在于提供一种电动车充电路径规划装置，包括存储器、处理器，以及存储于存储器中并由所述处理器执行的程序，其特征在于，所述处理器执行所述程序时实现上述的方法。

本申请的又一方面在于提供一种电动车充电路径规划系统，包括云端服务器和终端装置，所述终端装置包括充电位置预测模块、充电站选择模块和路线规划模块，所述云端服务器包括数据存储模块和离线建模模块；

所述充电位置预测模块被配置为执行以下步骤：

获取行程特征，基于行程特征输入至耗电量模型得到初始预测单位里程耗电量，并根据车辆的耗电量修正信息得到修正后的单位里程耗电量，

根据修正后的单位里程耗电量得到各路线点的剩余电量；

从路径的起点开始，依次判断到达各路线点时的剩余电量是否低于预设阈值，若为是，则向充电站选择模块发送充电请求信息；

所述充电站选择模块被配置为执行以下步骤：

在收到充电请求信息后，以低于预设阈值的收个路线点为中心选择充电站；

所述路线规划模块被配置为执行以下步骤：

生成初始路径，在初始路径上采集多个第一路线点，

以被选中充电站作为起点，重新生成路径，并在该路径上采集多个第二路线点，将所有选中的充电站作为途经点，生成最终路径；

所述数据存储模块被配置为存储行程特征；

所述离线建模模块被配置根据行程数据建立耗电量模型。

所述云端服务器还包括离线计算模块，所述数据存储模块还被配置存储充电行为特征，所述离线计算模块被配置为根据充电行为特征和充电站位置信息选择充电站。

与现有技术相比，本发明具有以下有益效果：

1)通过结合行程特征和对应于本车辆的耗电量修正信息对单位里程耗电量进行修正，结合特殊的充电站选择方式，从而提高充电路径规划质量，减小充电次数的同时避免电量过低，生成的轨迹也更加平滑，用户体验更好。

2)选择极大似然估计误差或极大后验估计误差作为耗电量修正信息，可以实现低成本校正耗电量模型。

附图说明

图1为本发明实施例方法的概略示意图；

图2为本发明实施例中实现系统的模块示意图；

图3为本发明实施例中规划方法的流程示意图；

图4为本发明实施例中路径的示意图；

图5为本发明实施例中规划方法的规划结果示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

图2示意性地展示了一种电动车充电路径规划系统，，包括云端服务器和终端装置，终端装置包括充电位置预测模块、充电站选择模块和路线规划模块，云端服务器包括数据存储模块和离线建模模块，数据存储模块主要用于大批量的数据离线存储，包括数据缓存组件、数据仓库组件，在一些实施例中，云端服务器还包括离线计算模块。

数据缓存组件主要负责数据的收集和存储，如用户车辆上传数据，充电站更新数据以及充电站车辆充电记录等。车辆数据通过网络上传，可以实时发送或者补发，对实时性没有要求，主要包括车辆vin号、采集时间、经纬度、速度、电量、车辆状态等。充电站数据可以是自营或第三方充电桩系统，定期进行维护和更新。充电站车辆数据既可以从充电站获得，也可以从车辆充电记录提取，需要周期性更新，以满足后续计算的准确性要求。

数据仓库组件从数据缓存组件抽取并加工数据。在这一环节，可以根据车辆状态和速度等信息，将车辆上传数据划分成出行记录和充电记录。进而统计出行特征和充电行为特征。出行特征包括出行起始时间、行驶距离、起始soc、最大速度、平均速度、起始经纬度、胎压、累计里程等，充电特征包括充电起始时间、充电起始soc、充电经纬度等。充电站的历史更新数据汇总成当前版本的充电站数据，充电记录则汇总成单次充电行为及对应的充电站的记录。

离线建模模块基于出行信息、充电信息及车辆信息，加工成特征，建立每公里耗电量的预测模型，找到车辆累计里程、胎压、平均速度、最大速度、电池容量以及驾驶习惯等对每公里耗电量的影响。假设大数据平台收集到了N次行程，组成的训练数据集为：

T＝{(X_i,y_i)}i∈N

其中，T为训练数据集，X_i∈Rⁿ是输入的一次行程，包含了n种特征，y_i∈R是对应的每公里耗电量，离线建模模块基于训练数据构建一个模型f(X_i)。设L为损失函数，模型关于训练数据集的经验风险R_emp为：

要建立一定周期内的一个模型，例如一个月一个模型f(X)，有许多的算法可以采用。比如线性回归法、随机森林、GBDT、xgboost、lightGBM等算法都可以。其最终的目的是尽量减少R_emp，同时避免过拟合等现象。

离线建模模块需要定期更新以确保预测的准确性。

充电位置预测模块被配置为执行以下步骤：

根据修正后的单位里程耗电量得到各路线点的剩余电量；

从路径的起点开始，依次判断到达各路线点时的剩余电量是否低于预设定的阈值，若为是，则向充电站选择模块发送充电请求信息；

充电站选择模块被配置为执行以下步骤：

在收到充电请求信息后，以低于阈值的第一个路线点为中心选择充电站；

路线规划模块被配置为执行以下步骤：

生成初始路径，在初始路径上采集多个路线点，

以被选中充电站作为起点，重新生成路径，并在该路径上采集多个路线点，将所有选中的充电站作为途经点，生成最终路径；

在一些实施例中，路线规划模块包括数据收发组件、功能设置组件和导航组件。进一步的，该模块可以为智能移动终端或者车载多媒体导航系统。

数据收发组件负责与车辆和云端大数据进行通讯。与车辆通讯时，如果该组件集成在车载多媒体，可以通过CAN总线获取。如果该组件集成在智能移动终端，则可以通过CAN总线外接无线短距离通讯工具(如蓝牙)获取车辆信息。与云端大数据进行通讯时，可以通过移动通讯技术(如4G、5G等)进行。

功能设置组件可以设置及存储用户设定，包括充电站选择偏好、最低充电阈值、基于位置点的充电站搜索半径等。

导航组件负责规划行驶路线，包括初始的导航路线及途径充电站的导航路线。导航组件可以采用第三方提供的导航路径，实施为智能手机的APP或车载多媒体的功能选项。提供离线或基于互联网的服务。

充电位置预测模块包括初始预测组件、修正预测组件及位置估计组件。初始预测组件存储了云端大数据发送过来的每公里耗电量的预测模型，并通过接收导航信息和车辆信息，预测导航路线的每公里耗电量。离线建模组件基于训练数据构建了模型Y＝f(X)，初始预测组件则基于离线建模组件产生的模型，对用户发起导航时的新输入特征X_N+1，确定相应的输出f(X_N+1)。初始预测组件在离线时，存储了初始预测模型，在接入互联网后，可以根据云端大数据的推送信息定期更新模型。

修正预测组件基于该辆车的历史出行记录，修正预测值。每辆车有各自的内在差异，然而预测调整组件的模型是基于所有车辆的统计特征产生的，并没有利用每辆车各自的特性，预测的值往往对每辆车来说有系统性的偏差。可以采用极大似然估计或者极大后验估计来修正、调整预测值，使预测值更精确。

具体的，如图1和图3所示，提供一种电动车充电路径规划方法，包括：

初始步骤：生成初始路径，在初始路径上采集多个路线点；

电量计算步骤：获取行程特征，基于行程特征输入至耗电量模型得到初始预测单位里程耗电量，并根据车辆的耗电量修正信息得到修正后的单位里程耗电量；根据修正后的单位里程耗电量得到各路线点的剩余电量后执行充电规划步骤，其中，在本实施例中，行程特征包括出行起始时间、行驶距离、起始soc、最大速度、平均速度、起始经纬度、胎压和累计里程，耗电量模型为线性回归模型、随机森林模型、GBDT模型、xgboost模型或lightGBM模型。

充电规划步骤：从路径的起点开始，依次判断到达各路线点时的剩余电量是否低于预设定的阈值，若为是，则以低于阈值的第一个路线点为中心选择充电站，并执行迭代步骤，反之，则执行输出步骤，在一些实施例中，也可以精确到充电桩，用充电桩替代充电站。

迭代步骤：以该充电站作为起点，重新生成路径，并在该路径上采集多个路线点，并执行电量计算步骤；

输出步骤：将所有选中的充电站作为途经点，生成最终路径。

在一些实施例中，耗电量修正信息为极大似然估计误差或极大后验估计误差，具体的，假设车辆i共有M次出行，每次模型的真实值与预测值的差值为：

z_i＝y_i-f(X_i)

假设这辆车的每一次预测偏差是满足独立同分布的一组抽样Z＝(z₁,z₂,…,z_M),z_i服从正态分布N(μ,σ²)，则对μ的极大似然估计函数：

对其取对数，得：

对L(μ)求偏导数，并令偏导数为0，有：

解方程有：

上式说明，使用极大似然估计，可以得到预测误差的期望等于样本误差的均值。

同样，可以计算μ的极大后验概率。假设μ服从

的高斯分布，那么可以根据贝叶斯公式，得到极大后验概率：

因为z_i服从正态分布N(μ，σ²)，μ服从

带入上式有：

对p(μ|Z)求导数，并令导数为0，有：

解方程有：

特殊的，当设μ服从均值为0，方差

的高斯分布N(0，λσ²)，有

因此，初始预测组件对车辆i的预测给出后，后面再加上极大似然估计或极大后验估计的

，就是修正后的预测值。

因此位置估计组件根据预测的每公里耗电量，计算需要充电的位置，发送到充电站选择模块。该组件会根据导航路线上的各个分路段拥挤状况、路线等级(如高速、国道、省道)、天气状况，预测出到路线上各个点的剩余电量。

在一些实施例中，由于考虑了充电站的评分，充电站选择模块包括充电站搜索组件、充电站评分组件。

充电站搜索组件以需要充电的位置为中心，搜索附近的充电站。

具体的，如图3所示，工作时包括以下步骤：

步骤1：用户输入目的地，发起导航。用户在路线规划模块中输入目的地，导航模块返回若干条可选的初始导航路线。

步骤2：系统通过CAN线采集车辆的剩余电量信息、车辆位置、历史电耗特征等信息，同时采集用户选择的初始导航路线，该路线是由一系列的经纬度点序列构成，假设该序列包括多个位置点。

步骤3：计算每公里耗电量，计算出到达各个路线点上的时间和剩余电量。通过保存在充电位置预测模块里的模型，以及系统采集到的车辆信息，可以建立每公里耗电量的模型。再基于初始导航路线，可以预测经过每个点时的剩余电量和到达时间。

步骤4：从路线起点开始，依次判断到各个点时剩余电量是否低于充电阈值。初始路线上各点对应的电量，有可能全程都高于充电阈值，也有可能在一个点之后均低于充电阈值，甚至出现负数的情况。如果全程剩余电量均高于充电阈值，则不需要充电，直接跳转到步骤8。否则跳转到步骤5进行下一步处理。

步骤5：如果发生了在一个点之后的电量均低于充电阈值的情况，那么选择低于阈值的第一个位置点，记该点为初始导航路线上的第i个点。以该点为中心寻找附近充电站。

另外，搜索半径可以由用户自定义，在搜索范围内找不到充电站时，系统可在剩余电量的最大里程范围内，扩大搜索范围，直到找到最近的充电站。假设该搜索中心点在初始导航路线的位置是第i位，此时该点不一定是离该充电站最近的点，假设离该点最近的点为j，则设置i＝j。同时，可以事先对充电站做一遍筛选，过滤掉偏离导航路线的充电站，以优化执行效率。

最后计算各个附近充电站的评分，然后根据评分进行排序显示，接收输入指令选择对应的充电站。其中评分的依据包括充电站基本配置信息和/或其他用户的充电反馈信息，对于所述其他用户的充电反馈信息，其权重随反馈发生日期与当前日期的时间差的增大而衰减，反馈信息可以采用用户评分等。

步骤6：用户依据评分值选择充电站，标记该充电站。然后将路线上离充电站最近的位置点设为路线起点，该点剩余电量设置为充电后电量，后面的点也同时更新剩余电量。新的路线上共有N-i+1个位置点。然后带着这个新的路线，跳转到步骤4。

该步骤产生的新路线，其起点剩余电量为充电后电量。一般在长途出行多次充电中，可设置soc为100。也可根据剩余路程需要电量设定充电电量。设剩余路程需要消耗soc的值为R，充电阈值对应的soc为L，充电电量为P，则有：

P＝min(R，100-L)

因此，该方法也提供了计算每次充电电量，同时根据快慢充的选择偏好，估计充电时间。

步骤7：将已标记的所有充电站设置为途径点，重新发起导航。途径点应该按照被标记的充电站出现顺序依次列出，供路线规划模块使用。

步骤8：返回导航数据给用户。在初始导航路线上均电量充足的情况下，直接返回该初始导航路线，如果存在需要充电的情况，则返回途径充电站的导航路线。

图4是对该充电规划方法的示例性说明。用户发起导航后，产生初始导航路线。将该路线沿预计行驶距离展开，就可以得到图4的展开路径。

展开路径的起始点为A，终点为B。沿线的充电站集合为{C_i}。从充电规划方法步骤4可以计算到各个点的剩余电量，假设在O₁时，剩余电量低于阈值。依据步骤5，在该O₁点附近搜索到C₁、C₂两个充电站，且这两个充电站对应的离路线上最近的点分别为R₁、R₂点。依据步骤6，经过评分计算后，假设系统推荐或用户选择了C₁点，则将C₁点标记，并设新路线的起点为R₁点，起始电量为充电后的电量。

新路线上的所有点是初始路线上的所有点的子集。沿着新路线继续预测，假设在O₂点附近再次低于阈值，则在O₂点附近搜索充电站。假设搜索到了C₃、C₄两个充电站，且这两个充电站对应的离线路上最近的点分别为R₃、R₄点。系统推荐或用户选择了C₄点，同样将C₄点标记，并设新路线的起点为R₄点，起始电量为充电后的电量。

经过若干次循环后，产生的新路线越来越短，起始点不断向后移动。最终在新路线上所有点的预测电量不再低于阈值时，终止搜索充电站。

图5展示了系统发起两次导航的不同目的。用户在前端只发起了一次导航，在后台看系统实际发起了两次导航，后台的两次导航目的不同。第一次用来寻找最佳的充电站，第二次提供了经过最佳充电站的路线。如图5中(a)所示，第一遍发起的导航，产生的路线主要用于计算需要在哪些沿线点的充电站进行充电。如图5(b)所示，第二遍发起的导航，才是用户根据充电计划产生的真实导航路线。

依据步骤1，用户发起了第一遍导航，产生了初始行驶路线。依据步骤4至步骤6，标记了该路线沿线附近的一系列的充电站，该系列充电站的先后顺序代表了途径的先后顺序。依据步骤7，将所有标记过的充电站作为途径点，发起第二遍导航。依据步骤8，用户在远距离导航时，最多发起两次导航就可以获得带有充电规划的充电路线。

Claims

1.一种电动车充电路径规划方法，其特征在于，包括：

生成初始路径，在初始路径上采集多个第一路线点；

2.根据权利要求1所述的一种电动车充电路径规划方法，其特征在于，所述耗电量修正信息为极大似然估计误差或极大后验估计误差。

3.根据权利要求1所述的一种电动车充电路径规划方法，其特征在于，所述行程特征包括以下至少之一：出行起始时间、行驶距离、起始soc、最大速度、平均速度、起始经纬度、胎压和累计里程。

4.根据权利要求1所述的一种电动车充电路径规划方法，其特征在于，所述耗电量模型为线性回归模型、随机森林模型、GBDT模型、xgboost模型或lightGBM模型。

5.根据权利要求1所述的一种电动车充电路径规划方法，其特征在于，所述以首个低于预设阈值的第一路线点为中心选择充电站，包括：

得到各充电站的评分，并根据评分进行排序显示；

接收输入指令选择对应的充电站。

6.根据权利要求5所述的一种电动车充电路径规划方法，其特征在于，所述评分的依据包括充电站基本配置信息和/或其他用户的充电反馈信息。

7.根据权利要求6所述的一种电动车充电路径规划方法，其特征在于，所述其他用户的充电反馈信息的权重随反馈发生日期与当前日期的时间差的增大而衰减。

8.一种电动车充电路径规划装置，包括存储器、处理器，以及存储于存储器中并由所述处理器执行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的方法。

9.一种电动车充电路径规划系统，其特征在于，包括云端服务器和终端装置，所述终端装置包括充电位置预测模块、充电站选择模块和路线规划模块，所述云端服务器包括数据存储模块和离线建模模块；

所述充电位置预测模块被配置为执行以下步骤：

根据修正后的单位里程耗电量得到各路线点的剩余电量；

所述充电站选择模块被配置为执行以下步骤：

所述路线规划模块被配置为执行以下步骤：

生成初始路径，在初始路径上采集多个第一路线点，

以被选中充电站作为起点，重新生成路径，并在该路径上采集多个第二路线点，

将所有选中的充电站作为途经点，生成最终路径；

所述数据存储模块被配置为存储行程特征；

所述离线建模模块被配置根据行程数据建立耗电量模型。

10.根据权利要求9所述的系统，其特征在于，所述云端服务器还包括离线计算模块，所述数据存储模块还被配置存储充电行为特征，所述离线计算模块被配置为根据充电行为特征和充电站位置信息选择充电站。