CN113335125A - 车辆充电方法、装置、系统、充电模型训练方法 - Google Patents
车辆充电方法、装置、系统、充电模型训练方法 Download PDFInfo
- Publication number
- CN113335125A CN113335125A CN202110742867.4A CN202110742867A CN113335125A CN 113335125 A CN113335125 A CN 113335125A CN 202110742867 A CN202110742867 A CN 202110742867A CN 113335125 A CN113335125 A CN 113335125A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- charging
- data
- power consumption
- model
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- B60L53/60—Monitoring or controlling charging stations
-
- 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
- B60L53/30—Constructional details of charging stations
- B60L53/31—Charging columns specially adapted for 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
- 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
- Y02T90/12—Electric charging stations
Abstract
本申请公开一种车辆充电方法、装置、系统、充电模型训练方法,涉及车辆技术领域。该方法包括获取用于表征车辆充电状况的车辆充电数据和用于表征车辆工作状况的车辆工作数据;基于所述车辆工作数据和预先训练好的耗电模型,得到车辆耗电量;基于所述车辆充电数据、所述车辆耗电量和预先训练好的充电模型,得到车辆充电时长;基于车辆充电时长和车辆工作数据,生成车辆充电计划,车辆充电计划用于指导车辆按照车辆充电计划充电。本方案同时考虑了车辆自身充电影响因素和工作因素,使得最终得到的车辆充电计划能符合实际情况,从而将车辆的充电时间与工作时间错开,防止出现因车辆充电时间较长导致的车辆调度方案难以执行的问题。
Description
技术领域
本申请涉及车辆技术领域,具体而言,涉及一种车辆充电方法、装置、系统、充电模型训练方法。
背景技术
目前,随着电动车辆技术的完善,越来越多的电动车辆出现在人们的日常生活中,很多地方都开始使用电动公交车。由于电动公交车需要较长时间进行充电,导致原有的公交车调度方案难以执行,容易出现充电时间与调度方案中的出车时间冲突的情况。
发明内容
本申请的提供一种车辆充电方法、装置、系统、充电模型训练方法,以解决现有技术中因车辆充电时间较长导致的车辆调度方案难以执行的问题。
第一方面,本申请提供一种车辆充电方法,包括:获取用于表征车辆充电状况的车辆充电数据和用于表征车辆工作状况的车辆工作数据;基于所述车辆工作数据和预先训练好的耗电模型,得到车辆耗电量;基于所述车辆充电数据、所述车辆耗电量和预先训练好的充电模型,得到车辆充电时长;基于所述车辆充电时长和所述车辆工作数据,生成车辆充电计划,所述车辆充电计划用于指导车辆按照所述车辆充电计划充电。
在本申请实施例中,通过利用车辆工作数据和预先训练好的耗电模型,得到车辆耗电量,再利用车辆的车辆充电数据、车辆耗电量和预先训练好的充电模型,得到车辆充电时长;然后基于车辆充电时长和车辆工作数据,生成车辆充电计划,同时考虑了车辆自身因素和工作因素,使得最终得到的车辆充电计划能符合实际情况,从而将车辆的充电时间与工作时间错开,防止出现因车辆充电时间较长导致的车辆调度方案难以执行的问题。
结合上述第一方面提供的技术方案,在一些可能的实施方式中,所述车辆充电数据包括充电开始时的电池电量、充电电压、充电电流,所述基于所述充电数据和预先训练好的充电模型,得到车辆充电时长,包括:基于所述车辆耗电量得到所述充电结束时的电池电量;基于所述充电结束时的电池电量、所述充电开始时的电池电量、所述充电电压、所述充电电流和所述充电时长预测模型,得到车辆充电时长。
在本申请实施例中,通过充电结束时的电池电量、充电开始时的电池电量、充电电压、充电电流和充电时长预测模型来获得车辆充电时长,充分考虑了车辆充电过程中的影响因素,使得最终获得的车辆充电时长更加符合实际,进而使最终得到的充电计划更加准确。
结合上述第一方面提供的技术方案,在一些可能的实施方式中,所述车辆工作数据包括路线平均距离、出车时间、返回时间、出车前电量,所述基于所述充电数据和预先训练好的耗电模型,得到车辆耗电量,包括:基于所述路线平均距离、所述出车时间、所述返回时间、所述出车前电量和所述耗电量预测模型,得到车辆耗电量。
在本申请实施例中,在预测车辆耗电量时,通过将路线平均距离、出车时间、返回时间、出车前电量信息考虑在内,充分考虑了车辆在工作中会对耗电量产生影响的因素,使得获得的车辆耗电量与车辆实际工作的耗电量更接近,使得最终获得的车辆耗电量更加符合实际,进而使最终得到的充电计划更加准确。
结合上述第一方面提供的技术方案,在一些可能的实施方式中,在需要生成多个车辆的充电计划时,所述方法包括:获取所有待调度车辆的用于表征车辆充电状况的车辆充电数据、用于表征车辆工作状况的车辆工作数据和用于表征车辆的标识数据;基于所述车辆工作数据、所述标识数据和预先训练好的耗电模型,得到不同车辆各自的车辆耗电量;基于所述车辆充电数据、所述车辆耗电量、所述标识数据和预先训练好的充电模型,得到不同车辆各自的车辆充电时长;基于所述车辆充电时长、所述车辆工作数据和所述标识数据,生成车辆充电计划,所述车辆充电计划包括所有标识数据各自对应的车辆的充电计划。
在本申请实施例中,利用车辆工作数据、标识数据和预先训练好的耗电模型,得到每一辆车辆各自的耗电量,再利用多辆车辆的车辆充电数据、车辆耗电量、标识数据和预先训练好的充电模型,得到每一辆车辆各自的充电时长;再基于每一辆车辆各自的充电时长、所述车辆工作数据和标识数据,生成包括所有车辆的车辆充电计划,同时考虑多辆车辆的自身因素和工作因素,利用标识数据进行区分,从而得到包含所有车辆充电计划的充电计划,即能防止出现因车辆充电时间较长导致的车辆调度方案难以执行的问题,也无需在为多辆车辆制定充电计划时,需要重复操作的问题。
结合上述第一方面提供的技术方案,在一些可能的实施方式中,在基于所述车辆工作数据和预先训练好的耗电模型,得到车辆耗电量之前,所述方法还包括:获取训练样本集,所述训练样本集包括路线平均距离、出车时间、返回时间、出车前电量、实际车辆耗电量;利用所述路线平均距离、所述出车时间、所述返回时间、所述出车前电量、所述实际车辆耗电量对第一神经网络模型进行训练,得到训练好的耗电模型,其中,训练时,所述实际车辆耗电量为参考值。
在本申请实施例中,通过路线平均距离、出车时间、返回时间、出车前电量、实际车辆耗电量对第一神经网络模型进行训练,得到训练好的耗电模型。充分考虑了车辆在工作中会对耗电量产生影响的因素,使得获得的耗电模型能更精准地预测车辆耗电量。
结合上述第一方面提供的技术方案,在一些可能的实施方式中,在所述基于所述车辆充电数据和预先训练好的充电模型,得到车辆充电时长之前,所述方法还包括:获取训练样本集,所述训练样本集包括充电结束时的电池电量、充电开始时的电池电量、充电电压、充电电流、实际车辆充电时长;利用所述充电结束时的电池电量、所述充电开始时的电池电量、所述充电电压、所述充电电流、所述实际车辆充电时长对第二神经网络模型进行训练,得到训练好的充电模型,其中,训练时,所述实际车辆充电时长为参考值。
在本申请实施例中,通过充电结束时的电池电量、充电开始时的电池电量、充电电压、充电电流、实际车辆充电时长对第二神经网络模型进行训练,得到训练好的充电模型。充分考虑了车辆充电过程中的影响因素,使得最终得到的充电模型能更精准地预测车辆充电时长。
第二方面,本申请提供一种充电模型训练方法,包括:获取第一训练样本集和第二训练样本集,所述第一训练样本集包括用于表征车辆工作状况的车辆工作数据和实际车辆耗电量;所述第二训练样本集包括用于表征车辆充电状况的车辆充电数据和实际车辆充电时长;利用所述第一训练样本集中车辆充电数据和所述实际车辆充电时长对第二神经网络模型进行训练,得到训练好的用于预测充电时长的充电模型,其中,训练时,所述实际车辆充电时长为参考值;利用所述第二训练样本集中车辆工作数据和所述实际车辆耗电量对第一神经网络模型进行训练,得到训练好的用于预测车辆耗电电量的耗电模型,其中,训练时,所述实际车辆耗电量为参考值。
第三方面,本申请提供一种车辆充电装置,包括获取模块、处理模块、生成模块。获取模块用于获取用于表征车辆充电状况的车辆充电数据和用于表征车辆工作状况的车辆工作数据;处理模块用于基于所述车辆充电数据和预先训练好的充电模型,得到车辆充电时长;所述处理模块还用于基于所述车辆工作数据和预先训练好的耗电模型,得到车辆耗电量;生成模块用于基于所述车辆充电时长和所述车辆工作数据,生成车辆充电计划,所述车辆充电计划用于指导车辆按照所述车辆充电计划充电。
第四方面,本申请实施例提供一种电子设备,包括:存储器和处理器,所述存储器和所述处理器连接;所述存储器,用于存储程序;所述处理器,用于调用存储于所述存储器中的程序,以执行如上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施方式的方法,或,执行如上述第二方面实施例提供的方法。
第五方面,本申请实施例提供一种车辆充电系统,包括:充电桩和电子设备,电子设备用于按照充电计划控制充电桩为车辆充电,所述车辆充电计划是根据车辆的车辆工作数据和预测的车辆充电时长生成,用于指导车辆按照所述车辆充电计划充电。
第六方面,本申请实施例提供一种存储介质,其上存储有计算机程序,所述计算机程序被计算机运行时,执行如上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施方式的方法,或,执行如上述第二方面实施例提供的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例示出的一种车辆充电方法的流程示意图;
图2为本申请实施例示出的一种充电系统的结构示意图;
图3为本申请实施例示出的一种充电模型训练方法的流程示意图;
图4为本申请实施例示出的一种车辆充电装置的结构示意图;
图5为本申请实施例示出的电子设备结构示意图。
具体实施方式
术语“第一”、“第二”、“第三”等仅用于区分描述,并不表示排列序号,也不能理解为指示或暗示相对重要性。
下面将结合附图对本申请的技术方案进行清楚、完整地描述。
请参阅图1,如图1所示为本申请实施例提供的一种车辆充电方法,下面将结合图1对其包含的步骤进行说明。
S110:获取用于表征车辆充电状况的车辆充电数据和用于表征车辆工作状况的车辆工作数据。
其中,车辆充电数据和车辆工作数据可以是预先获取的,并保存在数据库或磁盘中的,在需要时直接获取即可,或者,是在需要使用时,实时采集的。
一种实施方式下,车辆充电数据包括充电开始时的电池电量、充电电压、充电电流。其中,充电电压和充电电流为车辆实际充电时的充电电压和充电电流,即通过该充电电压和充电电流即可得到车辆的实际充电功率,充电结束时的电池电量、充电开始时的电池电量、充电电压、充电电流可以是通过内置在车辆内的数据采集单元采集的,或者是通过内置在充电桩内的数据采集单元采集的。
由于充电功率=充电电压*充电电流,因此,一种实施方式下,车辆充电数据包括充电开始时的电池电量、充电功率。
一种实施方式下,车辆工作数据包括路线平均距离、出车时间、返回时间、出车前电量。其中,出车前电量为充电前的电量,路线平均距离、出车时间、返回时间可以通过车辆调度计划获得,出车前电量可以是手动输入的,也可以是通过内置在车辆内的数据采集单元采集的,或者是通过内置在充电桩内的数据采集单元采集的。
其中,车辆可以是汽车、公交车、摩托车、货车等车辆。
S120:基于所述车辆工作数据和预先训练好的耗电模型,得到车辆耗电量。
一种实施方式下,车辆工作数据包括路线平均距离、出车时间、返回时间、出车前电量;相应地,S120的实现过程可以是:将路线平均距离、出车时间、返回时间、出车前电量输入预先训练好的耗电模型中进行处理,该耗电模型便可输出车辆耗电量,该耗电量为车辆按照上述的路线平均距离、出车时间、返回时间进行工作所需的最小电量。
耗电模型为事先训练得到,一种可选实施方式下,在S120之前,该方法还包括获取训练样本集,并利用获取到的训练样本集对第一神经网络模型进行训练,得到上述的耗电模型。进一步地,首先获取训练样本集,所述训练样本集可以包括表征车辆工作状况的车辆工作数据和实际车辆耗电量,然后利用该车辆工作数据和实际车辆耗电量对第一神经网络模型进行训练,得到训练好的耗电模型,其中,训练时,实际车辆耗电量为参考值。
一种实施方式下,该车辆工作数据包括路线平均距离、出车时间、返回时间、出车前电量;利用路线平均距离、出车时间、返回时间、出车前电量和实际车辆耗电量对第一神经网络模型进行训练,得到训练好的耗电模型,其中,训练时,实际车辆耗电量为参考值。其中,路线平均距离可以是多次出车的路线平均距离,即多条路线的平均距离之和;相应的,此时的返回时间为执行多次出行后的返回时间,此时得到的耗电量为该多次出车的耗电量。
其中,由于车辆在剩余电量不同时,电量的消耗速度也不同,因此,利用本方法训练耗电模型,可以使该耗电模型学习到车辆在不同剩余电量时的耗电速度,进而使预测的耗电量更加符合车辆的实际情况。进一步地,可以通过对充电计划进行调整,使得车辆工作在耗电速度最低的剩余电量范围内,降低车辆能耗。
一种实施方式下,第一神经网络模型为三层的多层神经网络模型,该第一神经网络模型包括输入层、隐藏层、输出层,隐藏层的激活函数采用s igmoid函数。输入层的特征值包括路线平均距离、出车时间、返回时间、出车前电量,输出层的特征值包括车辆出车的耗电量。在训练第一神经网络模型的时候,会提供m个训练样本。每个训练样本样本应该包括所有输入和输出层的特征值,样本是通过采集每天实际运营的数据来获取的。将m个训练样本的特征是输入到已经构造好的多层神经网络中,通过前向传播算法来计算网络的预测输出值。m个样本所得到的总损失函数为所有输出误差的均方差,即:其中EXH表示损失函数的期望值,XHi表示真实的出车后消耗的电量值,XHi'表示多层神经网络的预测电量消耗值。通过反向传播算法(BP算法)来最优化损失函数的期望值,求解多层神经网络中的每个节点的参数。将每日新采集的样本加入到样本空间中,持续对网络进行训练。
其中,具体的训练过程已经为本领域技术人员所熟知,在此不再赘述。
S130:基于所述车辆充电数据、所述车辆耗电量和预先训练好的充电模型,得到车辆充电时长。
一种实施方式下,车辆充电数据包括充电开始时的电池电量、充电电压、充电电流;相应地,S130的实现过程可以是:基于车辆耗电量,得到充电结束时的电池电量,然后通过将充电开始时的电池电量、充电结束时的电池电量、充电电压、充电电流输入预先训练好的充电模型中进行处理,该充电模型便可输出车辆充电时长。该车辆充电时长为该充电模型根据输入的车辆充电数据预测的车辆电量达到充电结束时的电池电量所需的车辆充电时长。
其中,可以直接将车辆耗电电量作为充电结束时的电池电量,或者,根据实际需要,在该车辆耗电电量的基础上,上浮预设数值的电量作为充电结束时的电池电量,例如上浮1%、2%、3%、4%、5%等数值的电量,此处的数值仅为了便于理解,不应作为对本申请的限制,该上浮数值可以是0-100%中的任意数值。
充电模型为事先训练得到,一种可选实施方式下,在S130之前,该方法还包括获取训练样本集,并利用获取到的训练样本集对第二神经网络模型进行训练,得到上述的充电模型。进一步地,首先获取训练样本集,该训练样本集可以包括充电开始时的电池电量、充电电压、充电电流和实际车辆充电时长;利用充电开始时的电池电量、充电结束时的电池电量、充电电压、充电电流和实际车辆充电时长对第二神经网络模型进行训练,得到训练好的充电模型,其中,训练时,实际车辆充电时长为参考值。
其中,由于车辆在不同剩余电量时的充电速度不同,因此,通过本方法训练充电模型,可以使该充电模型学习到车辆在不同剩余电量时的充电速度,进而使预测的充电时长更加符合车辆的实际情况。进一步地,可以通过对车辆充电计划进行调整,使车辆每次充电时,都处于充电速度最快的剩余电量范围,减少车辆充电时间。
一种实施方式下,第二神经网络模型为四层的多层神经网络模型,该第二神经网络模型包括输入层、第一隐藏层、第二隐藏层、输出层。隐藏层的激活函数采用sigmo id函数;输入层的特征值包括充电开始时的电池电量、充电结束时的电池电量、充电电压、充电电流;输出层的特征值包括车辆充电时长。
在训练第二神经网络模型的时候,会提供n个训练样本。每个训练样本样本应该包括所有输入和输出层的特征值,样本是通过采集每天实际运营的数据来获取的。将n个训练样本的特征是输入到已经构造好的多层神经网络中,通过前向传播算法来计算网络的预测输出值。n个样本所得到的总损失函数为所有输出误差的均方差,即:其中EDL表示损失函数的期望值,DLi表示实际充电时长,DLi'表示第二神经网络的预测充电时长。通过反向传播算法(BP算法)来最优化损失函数的期望值,求解多层MLP网络中的每个节点的参数。将每日新采集的样本加入到样本空间中,持续对网络进行训练。
其中,具体的训练过程已经为本领域技术人员所熟知,在此不再赘述。
S140:基于所述车辆充电时长和所述车辆工作数据,生成车辆充电计划。
其中,车辆充电计划用于指导车辆按照所述车辆充电计划充电。
一种实施方式下,根据车辆充电时长和车辆工作数据,生成车辆充电计划的过程可以是:根据车辆工作数据获得车辆出车时间,根据车辆出车时间和车辆充电时长确定车辆充电起始时间,并以此生成充电计划,以便在按照充电计划为车辆充电时,按照充电起始时间为车辆进行充电,使该车辆在出车时间之前,充电时间满足车辆充电时长。
可选的,当车辆的实际充电情况与充电计划相差较大时,判断该车辆出现异常,不再进行调度。出现异常的情况包括堵车、车辆故障、交通事故等。
当需要生成多辆车辆的充电计划时,首先获取所有待调度车辆的用于表征车辆充电状况的车辆充电数据、用于表征车辆工作状况的车辆工作数据和用于表征车辆的标识数据;然后基于车辆工作数据、标识数据和预先训练好的耗电模型,得到不同车辆各自的车辆耗电量;再基于车辆充电数据、车辆耗电量、标识数据和预先训练好的充电模型,得到不同车辆各自的车辆充电时长;最后基于车辆充电时长、车辆工作数据和标识数据,生成车辆充电计划,该车辆充电计划包括所有标识数据各自对应的车辆的充电计划。
其中标识数据可以是车辆车牌号或者车辆编号等用于唯一表示车辆的数据。
同理,在训练充电模型和耗电模型时,训练样本集中除上述数据外,还包括标识数据,通过标识数据区分不同的车辆,使得训练得到的模型依然可以学习到不同车辆在不同剩余电量时的充电速度和耗电速度,使最终得到的充电计划更加符合实际。
其中,车辆充电计划用于指导车辆按照车辆充电计划充电,一种实施方式下,在得到车辆充电计划后,便可按照车辆充电计划控制车辆充电。相应地,在控制车辆充电时对应的车辆充电系统的结构图如图2所示。
车辆充电系统包括电子设备和充电桩,电子设备,用于按照充电计划控制充电桩为车辆充电,所述车辆充电计划是根据车辆的车辆工作数据和预测的车辆充电时长生成,用于指导车辆按照所述车辆充电计划充电。
其中,充电桩设置有数据收集单元,数据收集单元用于收集各类数据,包括车辆充电数据、车辆工作数据、标识数据等,并将收集的数据发送给电子设备。另一种实施方式下,数据收集单元设置在车辆内。
电子设备还用于获取用于表征车辆充电状况的车辆充电数据和用于表征车辆工作状况的车辆工作数据;然后基于所述车辆工作数据和预先训练好的耗电模型,得到车辆耗电量;在基于所述车辆充电数据、所述车辆耗电量和预先训练好的充电模型,得到车辆充电时长;最后基于所述车辆充电时长和所述车辆工作数据,生成车辆充电计划,所述车辆充电计划用于指导车辆按照所述车辆充电计划充电。
本申请实施例所提供的车辆充电系统中的电子设备,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
一种实施方式下,车辆充电系统还包括充电控制器,充电控制器用于完成对车辆的充电控制,记录并上传车辆实时数据,包括车辆标识数据、入站离站时间、实时剩余电量等等。其中,充电控制器可以设置在充电桩上或者设置在车辆上。
请参阅图3,本申请还提供一种充电模型训练方法,下面将结合图3对其包含的步骤进行说明。
S210:获取第一训练样本集和第二训练样本集,所述第一训练样本集包括用于表征车辆工作状况的车辆工作数据和实际车辆耗电量;所述第二训练样本集包括用于表征车辆充电状况的车辆充电数据和实际车辆充电时长。
S220:利用所述第一训练样本集中车辆工作数据和所述实际车辆耗电量对第一神经网络模型进行训练,得到训练好的用于预测车辆耗电电量的耗电模型。
其中,训练时,所述实际车辆耗电量为参考值。
S230:利用所述第二训练样本集中车辆充电数据和所述实际车辆充电时长对第二神经网络模型进行训练,得到训练好的用于预测充电时长的充电模型。
其中,训练时,所述实际车辆充电时长为参考值。
其中,车辆充电数据和车辆工作数据以及利用车辆充电数据训练充电模型、利用车辆工作数据训练耗电模型的过程在前文已叙述清楚此处不再赘述。
请参阅图4,图4为本申请提供的一种车辆充电装置100,该车辆充电装置100包括获取模块110、处理模块120和生成模块130。
获取模块110用于获取用于表征车辆充电状况的车辆充电数据和用于表征车辆工作状况的车辆工作数据。
处理模块120用于基于所述车辆充电数据和预先训练好的充电模型,得到车辆充电时长。
处理模块120还用于基于所述车辆工作数据和预先训练好的耗电模型,得到车辆耗电量。
生成模块130用于基于所述车辆充电时长和所述车辆工作数据,生成车辆充电计划,所述车辆充电计划用于指导车辆按照所述车辆充电计划充电。
处理模块120具体用于,在车辆充电数据包括充电开始时的电池电量、充电电压、充电电流时,基于充电结束时的电池电量、充电开始时的电池电量、充电电压、充电电流和充电时长预测模型,得到车辆充电时长。
处理模块120具体用于,在车辆工作数据包括路线平均距离、出车时间、返回时间、出车前电量时,基于路线平均距离、出车时间、返回时间、出车前电量和耗电量预测模型,得到车辆耗电量。
车辆充电装置还包括训练模块,训练模块用于获取训练样本集,所述训练样本集包括路线平均距离、出车时间、返回时间、出车前电量、实际车辆耗电量;利用所述路线平均距离、所述出车时间、所述返回时间、所述出车前电量、所述实际车辆耗电量对第一神经网络模型进行训练,得到训练好的耗电模型,其中,训练时,所述实际车辆耗电量为参考值。
训练模块还用于获取训练样本集,所述训练样本集包括充电结束时的电池电量、充电开始时的电池电量、充电电压、充电电流、实际车辆充电时长;利用所述充电结束时的电池电量、所述充电开始时的电池电量、所述充电电压、所述充电电流、所述实际车辆充电时长对第二神经网络模型进行训练,得到训练好的充电模型,其中,训练时,所述实际车辆充电时长为参考值。
获取模块110还用于获取所有待调度车辆的用于表征车辆充电状况的车辆充电数据、用于表征车辆工作状况的车辆工作数据和用于表征车辆的标识数据。
处理模块120还用于基于所述车辆充电数据、所述标识数据和预先训练好的充电模型,得到不同车辆各自的车辆充电时长。
处理模块120还用于基于所述车辆工作数据、所述标识数据和预先训练好的耗电模型,得到不同车辆各自的车辆耗电量。
生成模块130还用于基于所述车辆充电时长、所述车辆耗电量、所述车辆工作数据和所述标识数据,生成车辆充电计划,所述车辆充电计划包括所有标识数据各自对应的车辆的充电计划。
本申请实施例所提供的车辆充电装置100,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
请参阅图5,其为本申请实施例提供的一种电子设备200。所述电子设备200包括:收发器210、存储器220、通讯总线230、处理器240。
所述收发器210、所述存储器220、处理器240各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线230或信号线实现电性连接。其中,收发器210用于收发数据。存储器220用于存储计算机程序,如存储有图4中所示的软件功能模块,即车辆充电装置100。其中,车辆充电装置100包括至少一个可以软件或固件(firmware)的形式存储于所述存储器220中或固化在所述电子设备200的操作系统(operating system,OS)中的软件功能模块。所述处理器240,用于执行存储器220中存储的可执行模块,例如车辆充电装置100包括的软件功能模块或计算机程序。例如,获取用于表征车辆充电状况的车辆充电数据和用于表征车辆工作状况的车辆工作数据;基于所述车辆工作数据和预先训练好的耗电模型,得到车辆耗电量;基于所述车辆充电数据、所述车辆耗电量和预先训练好的充电模型,得到车辆充电时长;基于所述车辆充电时长和所述车辆工作数据,生成车辆充电计划,所述车辆充电计划用于指导车辆按照所述车辆充电计划充电。
其中,存储器220可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器240可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器240也可以是任何常规的处理器等。
其中,上述的电子设备200,包括但不限于个人电脑、服务器等。
本申请实施例还提供了一种非易失性计算机可读取存储介质(以下简称存储介质),该存储介质上存储有计算机程序,该计算机程序被计算机如上述的电子设备200运行时,执行上述所示的车辆充电方法。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种车辆充电方法,其特征在于,包括:
获取用于表征车辆充电状况的车辆充电数据和用于表征车辆工作状况的车辆工作数据;
基于所述车辆工作数据和预先训练好的耗电模型,得到车辆耗电量;
基于所述车辆充电数据、所述车辆耗电量和预先训练好的充电模型,得到车辆充电时长;
基于所述车辆充电时长和所述车辆工作数据,生成车辆充电计划,所述车辆充电计划用于指导车辆按照所述车辆充电计划充电。
2.根据权利要求1所述的方法,其特征在于,所述车辆充电数据包括充电开始时的电池电量、充电电压、充电电流;所述基于所述充电数据、所述车辆耗电量和预先训练好的充电模型,得到车辆充电时长,包括:
基于所述车辆耗电量,得到充电结束时的电池电量;
基于所述充电结束时的电池电量、所述充电开始时的电池电量、所述充电电压、所述充电电流和所述充电模型,得到车辆充电时长。
3.根据权利要求1所述的方法,其特征在于,所述车辆工作数据包括路线平均距离、出车时间、返回时间、出车前电量,所述基于所述充电数据和预先训练好的耗电模型,得到车辆耗电量,包括:
基于所述路线平均距离、所述出车时间、所述返回时间、所述出车前电量和所述耗电模型,得到车辆耗电量。
4.根据权利要求1所述的方法,其特征在于,在需要生成多个车辆的充电计划时,所述方法包括:
获取所有待调度车辆的用于表征车辆充电状况的车辆充电数据、用于表征车辆工作状况的车辆工作数据和用于表征车辆的标识数据;
基于所述车辆工作数据、所述标识数据和预先训练好的耗电模型,得到不同车辆各自的车辆耗电量;
基于所述车辆充电数据、所述车辆耗电量、所述标识数据和预先训练好的充电模型,得到不同车辆各自的车辆充电时长;
基于所述车辆充电时长、所述车辆工作数据和所述标识数据,生成车辆充电计划,所述车辆充电计划包括所有标识数据各自对应的车辆的充电计划。
5.根据权利要求1所述的方法,其特征在于,在基于所述车辆工作数据和预先训练好的耗电模型,得到车辆耗电量之前,所述方法还包括:
获取训练样本集,所述训练样本集包括路线平均距离、出车时间、返回时间、出车前电量、实际车辆耗电量;
利用所述路线平均距离、所述出车时间、所述返回时间、所述出车前电量、所述实际车辆耗电量对第一神经网络模型进行训练,得到训练好的耗电模型,其中,训练时,所述实际车辆耗电量为参考值。
6.根据权利要求1所述的方法,其特征在于,在所述基于所述车辆充电数据和预先训练好的充电模型,得到车辆充电时长之前,所述方法还包括:
获取训练样本集,所述训练样本集包括充电结束时的电池电量、充电开始时的电池电量、充电电压、充电电流、实际车辆充电时长;
利用所述充电结束时的电池电量、所述充电开始时的电池电量、所述充电电压、所述充电电流、所述实际车辆充电时长对第二神经网络模型进行训练,得到训练好的充电模型,其中,训练时,所述实际车辆充电时长为参考值。
7.一种充电模型训练方法,其特征在于,包括:
获取第一训练样本集和第二训练样本集,所述第一训练样本集包括用于表征车辆工作状况的车辆工作数据和实际车辆耗电量;所述第二训练样本集包括用于表征车辆充电状况的车辆充电数据和实际车辆充电时长;
利用所述第一训练样本集中车辆工作数据和所述实际车辆耗电量对第一神经网络模型进行训练,得到训练好的用于预测车辆耗电电量的耗电模型,其中,训练时,所述实际车辆耗电量为参考值;
利用所述第二训练样本集中车辆充电数据和所述实际车辆充电时长对第二神经网络模型进行训练,得到训练好的用于预测充电时长的充电模型,其中,训练时,所述实际车辆充电时长为参考值。
8.一种车辆充电装置,其特征在于,包括:
获取模块,用于获取用于表征车辆充电状况的车辆充电数据和用于表征车辆工作状况的车辆工作数据;
处理模块,用于基于所述车辆工作数据和预先训练好的耗电模型,得到车辆耗电量;
所述处理模块,还用于基于所述车辆充电数据、所述车辆耗电量和预先训练好的充电模型,得到车辆充电时长;
生成模块,用于基于所述车辆充电时长,生成车辆充电计划,所述车辆充电计划用于指导车辆按照所述车辆充电计划充电。
9.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器连接;
所述存储器,用于存储程序;
所述处理器,用于调用存储于所述存储器中的程序,以执行如权利要求1-6中任一项所述的方法,或者如权利要求7所述的方法。
10.一种车辆充电系统,其特征在于,包括:
充电桩;
电子设备,用于按照充电计划控制充电桩为车辆充电,所述车辆充电计划是根据车辆的车辆工作数据和预测的车辆充电时长生成,用于指导车辆按照所述车辆充电计划充电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110742867.4A CN113335125A (zh) | 2021-07-01 | 2021-07-01 | 车辆充电方法、装置、系统、充电模型训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110742867.4A CN113335125A (zh) | 2021-07-01 | 2021-07-01 | 车辆充电方法、装置、系统、充电模型训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113335125A true CN113335125A (zh) | 2021-09-03 |
Family
ID=77482145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110742867.4A Pending CN113335125A (zh) | 2021-07-01 | 2021-07-01 | 车辆充电方法、装置、系统、充电模型训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113335125A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114801834A (zh) * | 2022-04-18 | 2022-07-29 | 广东健怡投资有限公司 | 新能源汽车剩余充电时长预估方法、装置、设备及介质 |
CN115593265A (zh) * | 2022-09-20 | 2023-01-13 | 广州汽车集团股份有限公司(Cn) | 充电时长的预测方法、装置、计算机设备以及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171353A (zh) * | 2018-03-12 | 2018-06-15 | 湘潭大学 | 一种基于时间片的电动汽车充电预约匹配方法 |
US20180204393A1 (en) * | 2017-01-18 | 2018-07-19 | Ford Global Technologies, Llc | Method for monitoring component life |
CN109455106A (zh) * | 2018-10-17 | 2019-03-12 | 国网浙江省电力有限公司杭州供电公司 | 一种电动汽车智能充电站 |
CN109760523A (zh) * | 2019-01-21 | 2019-05-17 | 浙江工业大学 | 基于bp神经网络车速预测的复合电源能量管理方法 |
DE102019101182A1 (de) * | 2018-01-18 | 2019-07-18 | Ford Global Technologies, Llc | Intelligent ladende batteriesysteme und verfahren für elektrifizierte fahrzeuge |
CN110723029A (zh) * | 2019-09-27 | 2020-01-24 | 东软睿驰汽车技术(沈阳)有限公司 | 一种充电策略的确定方法及装置 |
CN111452669A (zh) * | 2020-04-15 | 2020-07-28 | 欧阳凌云 | 公交智能充电的系统和方法及介质 |
CN111523722A (zh) * | 2020-04-20 | 2020-08-11 | 武汉大学 | 一种基于深度强化学习的智能充电站优化选择系统 |
-
2021
- 2021-07-01 CN CN202110742867.4A patent/CN113335125A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180204393A1 (en) * | 2017-01-18 | 2018-07-19 | Ford Global Technologies, Llc | Method for monitoring component life |
DE102019101182A1 (de) * | 2018-01-18 | 2019-07-18 | Ford Global Technologies, Llc | Intelligent ladende batteriesysteme und verfahren für elektrifizierte fahrzeuge |
CN108171353A (zh) * | 2018-03-12 | 2018-06-15 | 湘潭大学 | 一种基于时间片的电动汽车充电预约匹配方法 |
CN109455106A (zh) * | 2018-10-17 | 2019-03-12 | 国网浙江省电力有限公司杭州供电公司 | 一种电动汽车智能充电站 |
CN109760523A (zh) * | 2019-01-21 | 2019-05-17 | 浙江工业大学 | 基于bp神经网络车速预测的复合电源能量管理方法 |
CN110723029A (zh) * | 2019-09-27 | 2020-01-24 | 东软睿驰汽车技术(沈阳)有限公司 | 一种充电策略的确定方法及装置 |
CN111452669A (zh) * | 2020-04-15 | 2020-07-28 | 欧阳凌云 | 公交智能充电的系统和方法及介质 |
CN111523722A (zh) * | 2020-04-20 | 2020-08-11 | 武汉大学 | 一种基于深度强化学习的智能充电站优化选择系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114801834A (zh) * | 2022-04-18 | 2022-07-29 | 广东健怡投资有限公司 | 新能源汽车剩余充电时长预估方法、装置、设备及介质 |
CN114801834B (zh) * | 2022-04-18 | 2022-12-20 | 广东健怡投资有限公司 | 新能源汽车剩余充电时长预估方法、装置、设备及介质 |
CN115593265A (zh) * | 2022-09-20 | 2023-01-13 | 广州汽车集团股份有限公司(Cn) | 充电时长的预测方法、装置、计算机设备以及存储介质 |
CN115593265B (zh) * | 2022-09-20 | 2024-02-23 | 广州汽车集团股份有限公司 | 充电时长的预测方法、装置、计算机设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107813725B (zh) | 用于电动汽车的充电方法及装置 | |
CN111009134A (zh) | 一种基于前车与自车互动的短期车速工况实时预测方法 | |
CN113335125A (zh) | 车辆充电方法、装置、系统、充电模型训练方法 | |
CN110667434A (zh) | 一种自适应工况的纯电动汽车行驶里程估计方法及系统 | |
CN111762054B (zh) | 一种充电站的管理方法及管理系统 | |
JP2024001341A (ja) | バッテリーサービス提供システム及び方法 | |
EP3610277B1 (de) | System und verfahren zum bestimmen eines zustands einer fahrzeugbatterie | |
EP3796014A1 (en) | Battery control device, charge and discharge system, parking lot system, secondary battery reuse system, battery control method, and battery control program | |
WO2023221587A1 (zh) | 电动车辆的动力电池的健康状态确定方法及服务器 | |
CN113486261A (zh) | 基于大数据分析的充电推荐方法及装置 | |
CN111929588B (zh) | 基于极限学习机的充电安全监测方法、设备及系统 | |
CN116700296A (zh) | 基于深度学习的自主充电无人电动车智能规划方法及系统 | |
US20220341744A1 (en) | Order Management Method Applied to Electric Vehicle and Apparatus | |
CN114954129A (zh) | 充电站信息的推荐方法、装置、电子终端及存储介质 | |
JP2021124419A (ja) | バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム | |
CN108985966B (zh) | 电量消耗计算方法、装置、车辆及计算机可读存储介质 | |
CN112288524A (zh) | 车辆管理方法、电子设备及计算机可读存储介质 | |
CN116620256A (zh) | 一种能量控制方法、装置及车辆 | |
CN110910191A (zh) | 拼车订单生成方法及设备 | |
CN114256523A (zh) | 一种充电桩充电控制方法、装置、电子设备及存储介质 | |
CN115930987A (zh) | 一种充电站推荐方法、系统、设备和介质 | |
CN116853058B (zh) | 充电功率预测的方法、装置、电子设备及可读存储介质 | |
CN116384568B (zh) | 一种电动汽车充电负荷预测方法、系统、设备及介质 | |
US20240116477A1 (en) | Server, system, and management method | |
CN116386377A (zh) | 基于预测模型的停车位控制方法、装置、设备及存储介质 |
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 |