CN113442778B - 基于车联网的电动汽车充电调配方法、装置和系统 - Google Patents

Abstract

本发明提出了基于车联网的电动汽车充电调配方法、装置和系统。该方法包括：获取充电站的状态信息、以及电动汽车自身的位置信息和剩余电量信息；根据充电站的状态信息、以及电动汽车自身的位置信息和剩余电量信息，建立电动汽车的充电模型；采用机器算法优化充电模型中电动汽车的平均到达率以制定充电调配策略，并依据充电调配策略通过充电站为电动汽车充电。基于该方法还提出了调配装置和系统，本发明针对电动汽车充电排队问题，结合车联网、窄带物联网和机器学习等技术，实时感知充电站的使用情况，并对各个充电站的排队情况进行预测，从而辅助电动汽车车主选择排队时间最短的充电站，减少排队等待时间，实现对电动汽车充电的智能调配。

Description

基于车联网的电动汽车充电调配方法、装置和系统

技术领域

本发明属于电动汽车智能充电技术领域，特别涉及基于车联网的电动汽车充电调配方法、装置和系统。

背景技术

车联网是汽车移动物联网的简称，物联网将在智能电网、智能交通、智能物流、金融与服务业、国际军事等十大领域进行重点部署。车联网作为智能交通系统建设中不可或缺的环节，其相关业务很可能形成物联网中最早实现完全应用的产业。车联网划分为上、中、下3个层次。上层网络为广域车联网，广域车联网借助无线网络技术，让车辆通过互联网与外界进行沟通，建立移动中的车辆与固定外界环境的联系。从这一角度剖析，车联网也可被视作是互联网的无线延伸。中层网络为近域车联网，是车辆与车辆之间的动态局域网。车辆行驶过程中，一定范围之内的汽车可随机形成小规模的临时网络，实现临近区域内车辆与车辆问的无线联通。车联网的下层网络为车载局域网，是车内各电控总成之间的控制器局域网，由此实现车内工作的信息互联.也是未来自动驾驶技术的基础。车联网的3层网络相互关联。形成一个有机整体。数据处理处于整个车联网业务的核心位置。车联网设备及应用，目前主要为汽车用户提供安全驾驶、应急救援等基本行车服务，汽车行驶中出现故障时，车联网可通过无线通信技术连接服务中心，进行远程车辆诊断，并由车载系统记录汽车主要部件的运行状态，随时为维修人员提供故障位置及故障原因分析。在此基础上，车联网服务系统还可灵活应用“基于位置的服务”(LBS)等技术，使驾驶员通过终端屏幕接收系统信息，查看交通路况、治安服务以及娱乐信息等，为用户提供增值服务。

车联网是以车辆作为基本网络节点的运营生态体系，随着电动汽车逐步取代传统汽车，车联网网络运营的主要载体也将转化为电动汽车，并显现电动汽车的消费特性。以电动汽车为载体，实现车联网技术整合及网络连通。可系统化地追踪管理电动汽车车联网“大数据”，深度挖掘用户需求。电动汽车现阶段的技术瓶颈导致其可靠性、安全性都不如传统燃油汽车，电动汽车车联网将实现对电动汽车网络运行的运行参数监控，大大提升潜在客户对电动汽车产品的信任度和依赖度。电动汽车车联网产业链层次较为丰富，相关的芯片及硬件研发、移动软件开发、大数据分析、支付结算平台等都可成为新的增长点。电动汽车车联网可与电动汽车相关软硬件系统高效协同，充分发挥互联网服务的优势。

随着电动汽车的普及，电动汽车充电时间长、导致排队严重的问题变得越来越突出。设想一种可能，在电动汽车需要充电的时候，车主可以立即获知周边多个充电站的排队情况，甚至可以精确预测到达充电站时候的具体排队信息，在现有技术中，还没有关于这方面的具体研究。

发明内容

为了解决上述技术问题，本发明提出了基于车联网的电动汽车充电调配方法、装置和系统。

为实现上述目的，本发明采用以下技术方案：

基于车联网的电动汽车充电调配方法，包括以下步骤：

获取充电站的状态信息、以及电动汽车自身的位置信息和剩余电量信息；

根据所述充电站的状态信息、以及电动汽车自身的位置信息和剩余电量信息，建立电动汽车的充电模型；所述充电模型包括通过计算电动汽车到达充电站的概率建立的定量充电模型，以及通过计算电动汽车到达充电站的概率和计算电动汽车离开充电站的概率建立的非定量充电模型；

采用机器算法优化所述充电模型中电动汽车的平均到达率以制定充电调配策略，并依据所述充电调配策略通过充电站为电动汽车充电。

进一步的，所述充电站的状态信息包括充电桩总数b、当前时刻t在使用的充电桩数d和当前时刻t空闲的充电桩数c；其中b＝c+d。

进一步的，所述通过计算电动汽车到达充电站的概率建立的定量充电模型的过程为：

对于充电站i，如果电动汽车到达的概率为λ，当前电动汽车距离充电站i的距离为s，电动汽车的平均行驶速率为v，当前时刻t，充电站i在t+Δt时刻空闲充电桩个数为c，则Δt＝s/v；则在Δt内，到达n个车辆的概率为：

如果在Δt内到达车辆少于c，则车辆到达充电站时，无需等待，立即获得充电服务，所述充电概率为：

此时向用户推送的信息为：

k＝0；

如果在Δt时间内到达车辆大于等于c，则该车辆到达充电站时，必须排队等待，车辆排队序号为k的概率为：

则此时向用户推送的信息为：

k＞0。

进一步的，所述通过计算电动汽车到达充电站的概率和计算电动汽车离开充电站的概率建立的非定量充电模型的过程为：

电动汽车到达的平均到达率为常数λ，每个充电桩的平均服务率均为μ，则

在Δt时间内，如果无电动汽车完成充电，且到达车辆少于c，则车辆到达充电站时立即获得充电服务，电动汽车的充电概率为：

其中，P^l为电动汽车完成充电离开的概率；P^a为电动汽车到达充电站的概率；

表示在Δt时间内0辆电动汽车完成充电离开的概率；

表示在Δt时间内n辆电动汽车到达充电站的概率；

在Δt时间内，如果有m辆电动汽车完成充电，且到达车辆少于c+m，则车辆到达充电站时，立即获得充电服务，电动汽车的充电概率为：

在Δt时间内，如果电动汽车到达充电站，立即获得充电服务，电动汽车的充电概率为：

在Δt时间内，如果有m辆电动汽车完成充电，n辆电动汽车到达充电站，且到达车辆n大于等于c+m，则该车辆到达充电站时，必须排队等待，排队序号k＝n-m-c+1；则电动汽车排队序号为k的概率为：

进一步的，所述采用机器算法优化所述充电模型中电动汽车的平均到达率以制定充电调配策略的方法为采用k-近邻算法优化充电模型中电动汽车的平均到达率以制定充电调配策略。

进一步的，所述采用k-近邻算法优化充电模型中电动汽车的平均到达率的过程为：

确定电动汽车的平均到达率的影响因素作为k特征值；

获取一定数量特征值作为测试数据的训练集；

计算测试数据与训练集之间的距离；

选取出距离最小的若干个点，并返回所述若干个点中出现频率最高的类别作为测试数据的预测分类。

进一步的，所述电动汽车的平均到达率的影响因素包括：城市的电动汽车的总数量、城市的充电站数量、充电站的充电桩个数、当天的日期、当天的天气、当前的具体时间和单位距离内的路口个数。

进一步的，所述计算测试数据与训练集之间的距离的公式为：

其中x_z测试数据的数值；y_z为训练集的数据。

本发明还提出了基于车联网的电动汽车充电调配装置，包括充电站、电动汽车和车联网服务平台；

充电站，用于与车联网服务平台通信连接，向车联网服务平台上传充电站状态信息，以及根据车联网服务器平台制定的充电调配策略为电动汽车充电；

电动汽车，用于与车联网服务器平台通信连接，用于向车联网服务平台上传电动汽车自身的位置信息和剩余电量信息；以及根据车联网服务平台制定的充电调配策略推送充电信息实现智能充电；

车联网服务平台，用于根据充电站的状态信息、电动汽车自身的位置信息和剩余电量信息，建立充电模型，所述充电模型包括通过计算电动汽车到达充电站的概率建立的定量充电模型，以及通过计算电动汽车到达充电站的概率和计算电动汽车离开充电站的概率建立的非定量充电模型，并采用机器算法优化所述充电模型中电动汽车的平均到达率以制定充电调配策略。

本发明还提出了基于车联网的电动汽车充电调配系统，包括获取模块、建立模块和优化模块；

所述获取模块用于获取充电站的状态信息、以及电动汽车自身的位置信息和剩余电量信息；

所述建立模块用于根据所述充电站的状态信息、以及电动汽车自身的位置信息和剩余电量信息，建立电动汽车的充电模型；所述充电模型包括通过计算电动汽车到达充电站的概率建立的定量充电模型，以及通过计算电动汽车到达充电站的概率和计算电动汽车离开充电站的概率建立的非定量充电模型；

所述优化模块用于采用机器算法优化所述充电模型中电动汽车的平均到达率以制定充电调配策略，并依据所述充电调配策略通过充电站为电动汽车充电。

发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：

本发明提出了基于车联网的电动汽车充电调配方法、装置和系统。该方法包括以下步骤：获取充电站的状态信息、以及电动汽车自身的位置信息和剩余电量信息；根据充电站的状态信息、以及电动汽车自身的位置信息和剩余电量信息，建立电动汽车的充电模型；充电模型包括通过计算电动汽车到达充电站的概率建立的定量充电模型，以及通过计算电动汽车到达充电站的概率和计算电动汽车离开充电站的概率建立的非定量充电模型；采用机器算法优化充电模型中电动汽车的平均到达率以制定充电调配策略，并依据充电调配策略通过充电站为电动汽车充电。基于该方法还提出了基于车联网的电动汽车充电调配装置和系统，本发明基于车联网技术实现人与电动汽车的信息交互，考虑电动汽车在行驶中需要充电的问题，车联网服务平台实时获取充电站当前状态信息(充电桩数量和使用情况)、车辆位置信息，利用排队论进行建立电动汽车排队模型，智能预测车辆到达各个充电站的等待时间，建立起电动汽车充电调配方案模型。

本发明考虑汽车定量充电和非定量充电两种情况，基于排队论，考虑充电站的当前使用状态和车辆距离充电站的距离等情况，对车辆的排队等待以及充电时间进行预测，并利用机器学习对模型参数进行优化，提高电动汽车充电等待时间的预测准确度。

本发明基于对电动汽车充电等待时间的智能预测，为车辆选择最优的充电站，并将相关信息提供给用户。同时车联网服务平台对需要充电的车辆进行合理调配，避免大量车辆集中在一个充电站充电，而出现拥塞等情况。

附图说明

如图1为本发明实施例1提出的基于车联网的电动汽车充电调配方法流程图；

如图2为本发明实施例1提出的基于车联网的电动汽车充电调配装置示意图；

如图3为本发明实施例1提出的基于车联网的电动汽车充电调配系统示意图。

具体实施方式

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

实施例1

本发明实施例1提出了基于车联网的电动汽车充电调配方法，针对电动汽车充电排队问题，结合车联网、窄带物联网和机器学习等技术，实时感知充电站的使用情况，并对各个充电站的排队情况进行预测，从而辅助电动汽车车主选择排队时间最短的充电站，减少排队等待时间，实现对电动汽车充电的智能调配。

如图1给出了本发明实施例1基于车联网的电动汽车充电调配方法流程图。

在步骤S101中，开始处理该流程图。

在步骤S102中，获取充电站的状态信息、以及电动汽车自身的位置信息和剩余电量信息。

本发明中车联网服务平台实时获取充电站的状态信息车联网服务平台已部署安装电动汽车充电调配计算模型，通过实时收集充电站状态信息和电动汽车位置等信息，使用模型进行计算分析，从而可以得到电动汽车充电排队情况的预测结果，进而智能调配电动汽车选择充电站。

充电站中已安装与车联网服务平台进行信息传输的通信模块，充电站状态信息包括充电站中的充电桩总个数、使用中的充电桩个数，以及空闲的充电桩个数，充电站的状态信息可以发送到车联网服务平台，由车联网服务平台根据此信息开展智能调配。

用i∈{1,2,…,m}作为充电站的序号标识，i作为充电站的id，用来唯一标识一个充电站。

车联网服务平台实时更新充电站的具体状态信息，包括充电桩总个数以及使用状态。对充电站i进行分析，假设充电站i有b∈{1,2,…}个充电桩，在当前时刻t，有c∈{1,2,…}个充电桩空闲，d∈{1,2,…}个充电桩正在使用中。则有b＝c+d。

在步骤S103中，车联网服务平台获取电动汽车的位置信息。电动汽车中已安装与车联网服务平台进行信息传输的通信模块，电动汽车可以实时发送自身的位置信息、当前剩余电量信息、相关路程信息等，并接收车联网服务平台反馈的相关充电排队时间预测结果。

如果电动汽车当前剩余电量大于路程所需使用电量，汽车的电量已经可以满足行驶需求，则不需要进行充电。如果电动汽车当前剩余电量不足以支撑路程所需使用电量时，必须在途中充电，需要从以下几个方面考虑：(1)电量只能支撑到达最近的一个充电站，则必须进入该充电站充电。(2)电量可以支撑到达附近的多个充电站，则根据充电站当前使用情况，基于车联网技术对电动汽车充电站选择进行智能调配。

利用车联网，电动汽车可以上传自身位置信息和当前剩余电量信息，控制台根据电动汽车上传信息和充电站信息，向车主提供充电站选择建议，实现电动汽车充电的智能调配。

对于道路上行驶的电动汽车，车联网服务平台暂时无法获取到全部电动汽车的路程信息，并不能确切知道电动汽车将要行驶的总路程是多少，所以当电动汽车剩余电量到达某个阈值δ时，开始对该车辆推送充电站选择信息。

以当前时刻t汽车所在位置为准，车辆上传自身位置信息，车联网服务平台根据电动汽车位置信息查找其附近范围内的充电站。

因为暂时无法获取所有车辆的总路程信息，所以从整体上来讲，车辆选择充电站充电的可能性是随机的。从充电站的角度来看，电动汽车随机到达该充电站，然后由充电站进行服务，我们可以使用泊松过程来表征该随机过程。

当充电站有空余充电桩时，则到达的电动汽车无需等待，即可直接接受充电服务。当无空闲充电桩时，则必须等待或选择其他充电站进行充电。

根据车辆当前位置，车联网服务平台通过获取充电站信息，预测车辆到达充电站时充电站的使用情况，并将该信息推送给电动汽车车主。推送信息包括充电站名称、充电站距离、充电站排队的次序和该预测的准确率，为便于研究，我们使用(i,s,k,p(k))表示车联网服务平台的推送信息，其中i表示充电站的序号，s表示充电站距离车辆当前位置的距离，k表示该车辆到达充电站时排队的序号，p(k)表示该预测的准确性，k＝0表示车辆到达时无需等待即可立即进行充电，k＝n表示需等待前面n辆车完成充电后才可充电。

我们对每个充电站进行计算时，需要计算k＝1,2…n多个数值，其中概率最大的即为该车辆到达充电站时最可能的情况，该概率也即该预测的准确率。

在步骤S104中，根据所述充电站的状态信息、以及电动汽车自身的位置信息和剩余电量信息，建立电动汽车的充电模型；

充电模型包括通过计算电动汽车到达充电站的概率建立的定量充电模型，以及通过计算电动汽车到达充电站的概率和计算电动汽车离开充电站的概率建立的非定量充电模型。

电动汽车在充电站进行充电时，其接受服务的方式有两种。一种是在充电前选择充电量，称为定量充电方式；另一种是直接开始充电，车主自主选择何时停止充电，称为非定量充电方式。

对于定量充电方式，当车主选择充电量之后，车联网服务平台根据充电速率即可获知该电动汽车的充电时长，从而可以得到该充电桩完成本次充电服务的具体时间，进而可以安排下一辆电动汽车在何时可以再次使用该充电桩充电。所以，在模型求解时，我们只需要考虑车辆的到达情况即可。

根据排队论模型，对于充电站i，如果电动汽车到达的概率为λ，当前电动汽车距离充电站i的距离为s，电动汽车的平均行驶速率为v，当前时刻t，充电站i在t+Δt时刻空闲充电桩个数为c，则Δt＝s/v；则在Δt内，到达n个车辆的概率为：

如果在Δt内到达车辆少于c，则车辆到达充电站时，无需等待，立即获得充电服务，所述充电概率为：

此时向用户推送的信息为：

k＝0；

如果在Δt时间内到达车辆大于等于c，则该车辆到达充电站时，必须排队等待，车辆排队序号为k的概率为：

则此时向用户推送的信息为：

k＞0。

综上可知，推送信息计算结果为：

在充电桩的实际使用中，非定量充电方式更多一些，则此时不仅仅需要考虑电动汽车的到达情况，还需要同时考虑电动汽车充电完成后的离开情况。

电动汽车到达的平均到达率为常数λ，每个充电桩的平均服务率均为μ，则

在Δt时间内，如果无电动汽车完成充电，且到达车辆少于c，则车辆到达充电站时立即获得充电服务，电动汽车的充电概率为：

其中，P^l为电动汽车完成充电离开的概率；P^a为电动汽车到达充电站的概率；

表示在Δt时间内0辆电动汽车完成充电离开的概率；

表示在Δt时间内n辆电动汽车到达充电站的概率；

在Δt时间内，如果有m辆电动汽车完成充电，且到达车辆少于c+m，则车辆到达充电站时，立即获得充电服务，电动汽车的充电概率为：

在Δt时间内，如果电动汽车到达充电站，立即获得充电服务，电动汽车的充电概率为：

在Δt时间内，如果有m辆电动汽车完成充电，n辆电动汽车到达充电站，且到达车辆n大于等于c+m，则该车辆到达充电站时，必须排队等待，排队序号k＝n-m-c+1；则电动汽车排队序号为k的概率为：

综上，推送结果为：

在步骤S105中，采用机器算法优化充电模型中电动汽车的平均到达率以制定充电调配策略，并依据充电调配策略通过充电站为电动汽车充电。

电动汽车到达充电站的平均到达率受多种因素的影响，比如该城市的电动汽车数量、充电站所在位置的道路情况、节假日等，所以我们可以采用kNN(k-近邻算法)作为机器学习的算法来对参数进行优化。

KNN是通过测量不同特征值之间的距离进行分类。它的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别，其中K通常是不大于20的整数。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。

对KNN算法的思路为：就是在训练集中数据和标签已知的情况下，输入测试数据，将测试数据的特征与训练集中对应的特征进行相互比较，找到训练集中与之最为相似的前K个数据，则该测试数据对应的类别就是K个数据中出现次数最多的那个分类，采用k-近邻算法优化充电模型中电动汽车的平均到达率的过程为：

确定电动汽车的平均到达率的影响因素作为k特征值；

获取一定数量特征值作为测试数据的训练集；

计算测试数据与训练集之间的距离；

选取出距离最小的若干个点，并返回若干个点中出现频率最高的类别作为测试数据的预测分类。

电动汽车的平均到达率的影响因素包括：城市的电动汽车的总数量、城市的充电站数量、充电站的充电桩个数、当天的日期、当天的天气、当前的具体时间和单位距离内的路口个数。

计算测试数据与训练集之间的距离的公式为：

其中x_z测试数据的数值；y_z为训练集的数据。

利用历史数据进行训练，随着训练数据量的增多，即可实现参数的不断优化，使预测结果更加准确。

在步骤S106中，按照优化后的模型，实施电动汽车充电调配。

在步骤S107中，整个流程结束。

实施例2

本发明实施例2还提出了基于车联网的电动汽车充电调配装置，包括充电站、电动汽车和车联网服务平台；

充电站，用于与车联网服务平台通信连接，向车联网服务平台上传充电站状态信息，以及根据车联网服务器平台制定的充电调配策略为电动汽车充电；

电动汽车，用于与车联网服务器平台通信连接，用于向车联网服务平台上传电动汽车自身的位置信息和剩余电量信息；以及根据车联网服务平台制定的充电调配策略推送充电信息实现智能充电；

车联网服务平台，用于根据充电站的状态信息、电动汽车自身的位置信息和剩余电量信息，建立充电模型，充电模型包括通过计算电动汽车到达充电站的概率建立的定量充电模型，以及通过计算电动汽车到达充电站的概率和计算电动汽车离开充电站的概率建立的非定量充电模型，并采用机器算法优化所述充电模型中电动汽车的平均到达率以制定充电调配策略。

实施例3

基于本发明实施例1提出的基于车联网的电动汽车充电调配方法，本发明实施例3还提出了基于车联网的电动汽车充电调配系统，包括获取模块、建立模块和优化模块；

获取模块用于获取充电站的状态信息、以及电动汽车自身的位置信息和剩余电量信息；

建立模块用于根据充电站的状态信息、以及电动汽车自身的位置信息和剩余电量信息，建立电动汽车的充电模型；充电模型包括通过计算电动汽车到达充电站的概率建立的定量充电模型，以及通过计算电动汽车到达充电站的概率和计算电动汽车离开充电站的概率建立的非定量充电模型；

优化模块用于采用机器算法优化充电模型中电动汽车的平均到达率以制定充电调配策略，并依据充电调配策略通过充电站为电动汽车充电。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制。对于所属领域的技术人员来说，在上述说明的基础上还可以做出其它不同形式的修改或变形。这里无需也无法对所有的实施方式予以穷举。在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (7)

1.基于车联网的电动汽车充电调配方法，其特征在于，包括以下步骤：

获取充电站的状态信息、以及电动汽车自身的位置信息和剩余电量信息；

根据所述充电站的状态信息、以及电动汽车自身的位置信息和剩余电量信息，建立电动汽车的充电模型；所述充电模型包括通过计算电动汽车到达充电站的概率建立的定量充电模型，以及通过计算电动汽车到达充电站的概率和计算电动汽车离开充电站的概率建立的非定量充电模型；

采用机器算法优化所述充电模型中电动汽车的平均到达率以制定充电调配策略，并依据所述充电调配策略通过充电站为电动汽车充电；

电动汽车在充电站进行充电时，其接受服务的方式有两种，一种是在充电前选择充电量，称为定量充电方式；另一种是直接开始充电，车主自主选择何时停止充电，称为非定量充电方式；

充电站的状态信息包括充电桩总数b、当前时刻t在使用的充电桩数d和当前时刻t空闲的充电桩数c；其中b＝c+d；

所述通过计算电动汽车到达充电站的概率建立的定量充电模型的过程为：

对于充电站i，如果电动汽车到达的概率为λ，当前电动汽车距离充电站i的距离为s，电动汽车的平均行驶速率为v，当前时刻t，充电站i在t+Δt时刻空闲充电桩个数为c，则Δt＝s/v；则在Δt内，到达n个车辆的概率为：

如果在Δt内到达车辆少于c，则车辆到达充电站时，无需等待，立即获得充电服务，充电概率为：

此时向用户推送的信息为：

如果在Δt时间内到达车辆大于等于c，则该车辆到达充电站时，必须排队等待，车辆排队序号为k的概率为：

则此时向用户推送的信息为：

所述通过计算电动汽车到达充电站的概率和计算电动汽车离开充电站的概率建立的非定量充电模型的过程为：

电动汽车到达的平均到达率为常数λ，每个充电桩的平均服务率均为μ，则

在Δt时间内，如果无电动汽车完成充电，且到达车辆少于c，则车辆到达充电站时立即获得充电服务，电动汽车的充电概率为：

其中，P^l为电动汽车完成充电离开的概率；P^a为电动汽车到达充电站的概率；

表示在Δt时间内0辆电动汽车完成充电离开的概率；

表示在Δt时间内n辆电动汽车到达充电站的概率；

在Δt时间内，如果有m辆电动汽车完成充电，且到达车辆少于c+m，则车辆到达充电站时，立即获得充电服务，电动汽车的充电概率为：

在Δt时间内，如果电动汽车到达充电站，立即获得充电服务，电动汽车的充电概率为：

在Δt时间内，如果有m辆电动汽车完成充电，n辆电动汽车到达充电站，且到达车辆n大于等于c+m，则该车辆到达充电站时，必须排队等待，排队序号k＝n-m-c+1；则电动汽车排队序号为k的概率为：

2.根据权利要求1所述的基于车联网的电动汽车充电调配方法，其特征在于，所述采用机器算法优化所述充电模型中电动汽车的平均到达率以制定充电调配策略的方法为采用k-近邻算法优化充电模型中电动汽车的平均到达率以制定充电调配策略。

3.根据权利要求2所述的于车联网的电动汽车充电调配方法，其特征在于，所述采用k-近邻算法优化充电模型中电动汽车的平均到达率的过程为：

确定电动汽车的平均到达率的影响因素作为k特征值；

获取一定数量特征值作为测试数据的训练集；

计算测试数据与训练集之间的距离；

选取出距离最小的若干个点，并返回所述若干个点中出现频率最高的类别作为测试数据的预测分类。

4.根据权利要求3所述的于车联网的电动汽车充电调配方法，其特征在于，所述电动汽车的平均到达率的影响因素包括：城市的电动汽车的总数量、城市的充电站数量、充电站的充电桩个数、当天的日期、当天的天气、当前的具体时间和单位距离内的路口个数。

5.根据权利要求3所述的于车联网的电动汽车充电调配方法，其特征在于，所述计算测试数据与训练集之间的距离的公式为：

其中x_z测试数据的数值；y_z为训练集的数据。

6.基于车联网的电动汽车充电调配装置，其特征在于，包括充电站、电动汽车和车联网服务平台；

充电站，用于与车联网服务平台通信连接，向车联网服务平台上传充电站状态信息，以及根据车联网服务器平台制定的充电调配策略为电动汽车充电；

电动汽车，用于与车联网服务器平台通信连接，用于向车联网服务平台上传电动汽车自身的位置信息和剩余电量信息；以及根据车联网服务平台制定的充电调配策略推送充电信息实现智能充电；

车联网服务平台，用于根据充电站的状态信息、电动汽车自身的位置信息和剩余电量信息，建立充电模型，所述充电模型包括通过计算电动汽车到达充电站的概率建立的定量充电模型，以及通过计算电动汽车到达充电站的概率和计算电动汽车离开充电站的概率建立的非定量充电模型，并采用机器算法优化所述充电模型中电动汽车的平均到达率以制定充电调配策略；

电动汽车在充电站进行充电时，其接受服务的方式有两种，一种是在充电前选择充电量，称为定量充电方式；另一种是直接开始充电，车主自主选择何时停止充电，称为非定量充电方式；

充电站的状态信息包括充电桩总数b、当前时刻t在使用的充电桩数d和当前时刻t空闲的充电桩数c；其中b＝c+d；

所述通过计算电动汽车到达充电站的概率建立的定量充电模型的过程为：

对于充电站i，如果电动汽车到达的概率为λ，当前电动汽车距离充电站i的距离为s，电动汽车的平均行驶速率为v，当前时刻t，充电站i在t+Δt时刻空闲充电桩个数为c，则Δt＝s/v；则在Δt内，到达n个车辆的概率为：

如果在Δt内到达车辆少于c，则车辆到达充电站时，无需等待，立即获得充电服务，充电概率为：

此时向用户推送的信息为：

如果在Δt时间内到达车辆大于等于c，则该车辆到达充电站时，必须排队等待，车辆排队序号为k的概率为：

则此时向用户推送的信息为：

所述通过计算电动汽车到达充电站的概率和计算电动汽车离开充电站的概率建立的非定量充电模型的过程为：

电动汽车到达的平均到达率为常数λ，每个充电桩的平均服务率均为μ，则

在Δt时间内，如果无电动汽车完成充电，且到达车辆少于c，则车辆到达充电站时立即获得充电服务，电动汽车的充电概率为：

其中，P^l为电动汽车完成充电离开的概率；P^a为电动汽车到达充电站的概率；

表示在Δt时间内0辆电动汽车完成充电离开的概率；

表示在Δt时间内n辆电动汽车到达充电站的概率；

在Δt时间内，如果有m辆电动汽车完成充电，且到达车辆少于c+m，则车辆到达充电站时，立即获得充电服务，电动汽车的充电概率为：

在Δt时间内，如果电动汽车到达充电站，立即获得充电服务，电动汽车的充电概率为：

在Δt时间内，如果有m辆电动汽车完成充电，n辆电动汽车到达充电站，且到达车辆n大于等于c+m，则该车辆到达充电站时，必须排队等待，排队序号k＝n-m-c+1；则电动汽车排队序号为k的概率为：

7.基于车联网的电动汽车充电调配系统，其特征在于，包括获取模块、建立模块和优化模块；

所述获取模块用于获取充电站的状态信息、以及电动汽车自身的位置信息和剩余电量信息；

所述建立模块用于根据所述充电站的状态信息、以及电动汽车自身的位置信息和剩余电量信息，建立电动汽车的充电模型；所述充电模型包括通过计算电动汽车到达充电站的概率建立的定量充电模型，以及通过计算电动汽车到达充电站的概率和计算电动汽车离开充电站的概率建立的非定量充电模型；电动汽车在充电站进行充电时，其接受服务的方式有两种，一种是在充电前选择充电量，称为定量充电方式；另一种是直接开始充电，车主自主选择何时停止充电，称为非定量充电方式；

充电站的状态信息包括充电桩总数b、当前时刻t在使用的充电桩数d和当前时刻t空闲的充电桩数c；其中b＝c+d；

所述通过计算电动汽车到达充电站的概率建立的定量充电模型的过程为：

对于充电站i，如果电动汽车到达的概率为λ，当前电动汽车距离充电站i的距离为s，电动汽车的平均行驶速率为v，当前时刻t，充电站i在t+Δt时刻空闲充电桩个数为c，则Δt＝s/v；则在Δt内，到达n个车辆的概率为：

如果在Δt内到达车辆少于c，则车辆到达充电站时，无需等待，立即获得充电服务，充电概率为：

此时向用户推送的信息为：

如果在Δt时间内到达车辆大于等于c，则该车辆到达充电站时，必须排队等待，车辆排队序号为k的概率为：

则此时向用户推送的信息为：

所述通过计算电动汽车到达充电站的概率和计算电动汽车离开充电站的概率建立的非定量充电模型的过程为：

电动汽车到达的平均到达率为常数λ，每个充电桩的平均服务率均为μ，则

在Δt时间内，如果无电动汽车完成充电，且到达车辆少于c，则车辆到达充电站时立即获得充电服务，电动汽车的充电概率为：

其中，P^l为电动汽车完成充电离开的概率；P^a为电动汽车到达充电站的概率；

表示在Δt时间内0辆电动汽车完成充电离开的概率；

表示在Δt时间内n辆电动汽车到达充电站的概率；

在Δt时间内，如果有m辆电动汽车完成充电，且到达车辆少于c+m，则车辆到达充电站时，立即获得充电服务，电动汽车的充电概率为：

在Δt时间内，如果电动汽车到达充电站，立即获得充电服务，电动汽车的充电概率为：

在Δt时间内，如果有m辆电动汽车完成充电，n辆电动汽车到达充电站，且到达车辆n大于等于c+m，则该车辆到达充电站时，必须排队等待，排队序号k＝n-m-c+1；则电动汽车排队序号为k的概率为：

所述优化模块用于采用机器算法优化所述充电模型中电动汽车的平均到达率以制定充电调配策略，并依据所述充电调配策略通过充电站为电动汽车充电。

Images