CN113495213A - 电量预测模型构建、搬运设备部署方法和装置 - Google Patents

电量预测模型构建、搬运设备部署方法和装置 Download PDF

Info

Publication number
CN113495213A
CN113495213A CN202010202443.4A CN202010202443A CN113495213A CN 113495213 A CN113495213 A CN 113495213A CN 202010202443 A CN202010202443 A CN 202010202443A CN 113495213 A CN113495213 A CN 113495213A
Authority
CN
China
Prior art keywords
prediction model
electric quantity
temperature
carrying equipment
function
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
Application number
CN202010202443.4A
Other languages
English (en)
Inventor
范超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Qianshi Technology Co Ltd
Original Assignee
Beijing Jingdong Qianshi Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Qianshi Technology Co Ltd filed Critical Beijing Jingdong Qianshi Technology Co Ltd
Priority to CN202010202443.4A priority Critical patent/CN113495213A/zh
Publication of CN113495213A publication Critical patent/CN113495213A/zh
Pending legal-status Critical Current

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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了电量预测模型构建、搬运设备部署方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取与温度因素相关的显性函数以及与多个特征影响因素相关的核函数；利用显性函数和核函数，构建初始预测模型；利用训练集训练初始预测模型，其中，训练集包括：来自于搬运设备的剩余电量或已用电量、温度值以及每一个特征影响因素对应的因素值；根据训练的结果，确定电量预测模型。该实施方式确定出的电量预测模型能够比较准确地预测搬运设备用电情况。

Description

电量预测模型构建、搬运设备部署方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种电量预测模型构建、搬运设备部署方法和装置。
背景技术
随着自动化技术的发展，自动搬运设备(如自动导引运输车、搬运机器人、送餐机器人等)已经应用于物流仓储、餐饮等行业。由于自动搬运设备主要以可充电的蓄电池为其动力来源，因此对搬运设备用电量进行预测，以避免自动搬运设备缺电导致搬运任务停滞。
目前，搬运设备用电量预测方式主要是，根据蓄电池厂家提供的蓄电池产品说明书来预测，例如，说明书中会提供当温度下降到某一界限后，电池电量会下降多少百分比。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
现有的预测方式仅考虑了温度对蓄电池的影响，而并未考虑搬运设备的实际运行状况，导致预测的准确性较低。
发明内容
有鉴于此，本发明实施例提供一种电量预测模型构建、搬运设备部署方法和装置，能够比较准确地预测搬运设备用电情况。
为实现上述目的，根据本发明实施例的一个方面，提供了一种电量预测模型构建方法，其特征在于，包括：
确定与温度因素相关的显性函数以及与多个特征影响因素相关的核函数；
利用所述显性函数和所述核函数，构建所述初始预测模型；
利用训练集训练所述初始预测模型，其中，所述训练集包括：来自于搬运设备的剩余电量或已用电量、温度值以及每一个所述特征影响因素对应的因素值；
根据训练的结果，确定电量预测模型。
优选地，电量预测模型构建方法，进一步包括：
确定所述搬运设备对应的多个特征影响因素；
将所述多个特征影响因素划分为至少一个特征组，其中，每一个所述特征组指示一种特征；
所述获取与多个特征影响因素相关的核函数，包括：
获取每一个特征组对应的核函数。
优选地，
所述特征组的个数为两个；
在两个所述特征组中，
一个所述特征组指示的特征用于表征运行情况；
另一个所述特征组指示的特征用于表征电池自身使用情况。
优选地，所述利用训练集训练所述初始预测模型，包括：
初始化所述初始预测模型；
利用所述训练集，通过循环迭代对初始化后的初始预测模型进行修正；
当修正的结果满足迭代终止条件时，则停止循环迭代。
优选地，每一个特征组对应的核函数，包括：
多项式核函数、高斯核函数以及sigmoid函数中的任意一种。
优选地，所述显性函数包括：一次函数或者多项式函数。
优选地，用于表征运行情况的特征组包括：搬运设备的行驶里程、任务数量(出库量、入库量以及盘点量)以及负载重量中的任意一个或多个；
用于表征电池自身使用情况的特征组包括：电池已使用时长和/或电池循环次数。
第二方面，一种搬运设备部署方法，包括：
确定电量预测模型，其中，所述电量预测模型由与温度因素相关的显性函数和与多个特征影响因素相关的核函数构建出；
根据所述电量预测模型、确定出的搬运设备的当前剩余电量或当前已用电量、环境温度以及所述多个特征影响因素对应的因素值，预测所述搬运设备的用电情况；
根据预测的结果，调整所述搬运设备部署。
优选地，
当所述多个特征影响因素对应的因素值包括所述搬运设备的初始任务量时，
所述预测所述搬运设备的用电情况，包括：在所述环境温度下，预测所述搬运设备完成所述初始任务量后的剩余电量；或者，在所述环境温度下，预测所述搬运设备完成所述初始任务量所需要的电量。
优选地，
所述搬运设备部署方法，进一步包括：为所述搬运设备设置有电量安全阈值；
所述调整所述搬运设备部署，包括：当预测出的所述搬运设备的剩余电量不高于所述电量安全阈值时，减少所述搬运设备所对应的初始任务量。
第三方面，一种构建电量预测模型的装置，包括：第一确定单元、构建单元以及训练单元，其中，
所述第一确定单元，用于确定与温度因素相关的显性函数以及与多个特征影响因素相关的核函数；
所述构建单元，用于利用所述第一确定单元确定出的所述显性函数和所述核函数，构建所述初始预测模型；
所述训练单元，用于利用训练集训练所述构建单元构建出的所述初始预测模型，其中，所述训练集包括：来自于搬运设备的剩余电量或已用电量、温度值以及每一个所述特征影响因素对应的因素值；并根据训练的结果，确定电量预测模型，以利用所述电量预测模型预测所述搬运设备的用电情况。
第四方面，一种搬运设备部署装置，包括：第二确定单元、预测单元以及调整单元，其中，
所述第二确定单元，用于确定电量预测模型，其中，所述电量预测模型由与温度因素相关的显性函数和与多个特征影响因素相关的核函数构建出；
所述预测单元，用于根据所述第二确定单元确定出的所述电量预测模型、确定出的搬运设备的当前电量、环境温度以及所述多个特征影响因素对应的因素值，预测所述搬运设备的用电情况；
所述调整单元，用于根据所述预测单元的预测结果，调整所述搬运设备部署。
上述发明中的一个实施例具有如下优点或有益效果：由于利用与温度因素相关的显性函数以及与多个特征影响因素相关的核函数，构建出的初始预测模型，利用训练集训练该初始预测模型，而训练集包括：来自于搬运设备的剩余电量或已用电量、温度值以及每一个特征影响因素对应的因素值。使得本发明实施例提供的方案构建出的预测模型不仅与温度有关，还与多个特征影响因素有关，而通过与温度因素相关的显性函数能够量化温度对剩余电量或者已用电量的影响，通过多个特征影响因素相关的核函数，能够将多个特征因素对剩余电量或者已用电量的影响考虑进去，因此，通过本发明实施例提供的方案构建出的电量预测模型，能够有效地提高电量预测的准确性以及有效地提高搬运设备的用电情况预测准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的电量预测模型构建方法的主要流程的示意图；
图2是根据本发明实施例的为自动导引运输车构建电量预测模型的方法的主要流程的示意图；
图3是根据本发明实施例的搬运设备部署方法的主要流程的示意图；
图4是根据本发明实施例的为自动导引运输车部署方法的主要流程的示意图；
图5是根据本发明实施例的构建电量预测模型的装置的主要单元的示意图；
图6是根据本发明实施例的搬运设备部署装置的主要单元的示意图；
图7是本发明实施例可以应用于其中的示例性系统架构图；
图8是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
自动搬运设备(如自动导引运输车、搬运机器人、送餐机器人等)一般是指能按照预设的路线行驶，以将物品从一个地方搬运到另一个地方的设备。
显性函数是指能够直接反映自变量与因变量之间关系的函数比如一次函数、多次函数、对数函数、幂函数等。
核函数指所谓径向基函数(Radial Basis Function简称RBF)，就是某种沿径向对称的标量函数。通常定义为空间中任一点到某一中心之间欧氏距离的单调函数。
图1是根据本发明实施例的一种电量预测模型构建方法，如图1所示，该方法可包括如下步骤：
101：确定与温度因素相关的显性函数以及与多个特征影响因素相关的核函数；
102：利用所述显性函数和所述核函数，构建所述初始预测模型；
103：利用训练集训练所述初始预测模型，其中，所述训练集包括：来自于搬运设备的剩余电量或已用电量、温度值以及每一个所述特征影响因素对应的因素值；
104：根据训练的结果，确定电量预测模型。
以利用上述步骤104确定出的所述电量预测模型预测所述搬运设备的用电情况。
其中，已用电量是相对于剩余电量而言的，其指搬运设备已经使用的电量，该已用电量与剩余电量之和等于搬运设备充电达到100％所对应的电量。因此，在搬运设备充电达到100％所对应的电量已知的前提下，已用电量与剩余电量之间可以相互转换，即可通过搬运设备充电达到100％所对应的电量和已知电量，得出剩余电量。
其中，所述训练集包括：来自于搬运设备的剩余电量或已用电量、温度值以及每一个所述特征影响因素对应的因素值是指，所述训练集包括：来自于搬运设备的剩余电量、温度值以及每一个所述特征影响因素对应的因素值；或者，所述训练集包括：来自于搬运设备的已用电量、温度值以及每一个所述特征影响因素对应的因素值。
在图1所示的实施例中，由于利用与温度因素相关的显性函数以及与多个特征影响因素相关的核函数，构建出的初始预测模型，利用训练集训练该初始预测模型，而训练集包括：来自于搬运设备的剩余电量或已用电量、温度值以及每一个特征影响因素对应的因素值。使得本发明实施例提供的方案构建出的预测模型不仅与温度有关，还与多个特征影响因素有关，而通过与温度因素相关的显性函数能够量化温度对剩余电量或者已用电量的影响，通过多个特征影响因素相关的核函数，能够将多个特征因素对剩余电量或者已用电量的影响考虑进去，因此，通过本发明实施例提供的方案构建出的电量预测模型，能够有效地提高电量预测的准确性以及有效地提高搬运设备的用电情况预测准确性。
上述步骤101的具体实施方式可包括：接收用户通过终端设置或选择的显性函数以及核函数。
其中，显性函数包括：一次函数或者多项式函数。
其中，核函数可包括：多项式核函数、高斯核函数以及sigmoid函数中的任意一种。
在本发明一个实施例中，上述电量预测模型构建方法可进一步包括：确定所述搬运设备对应的多个特征影响因素；将所述多个特征影响因素划分为至少一个特征组，其中，每一个所述特征组指示一种特征；相应地，所述获取与多个特征影响因素相关的核函数，包括：获取每一个特征组对应的核函数。在该实施例中可以根据特征影响因素的类型对特征影响因素进行分组。比如，所述多个特征影响因素包括：搬运设备的行驶里程、任务数量(出库量、入库量以及盘点量)、负载重量、电池已使用时长以及电池循环次数中的多个。其中，行驶里程、任务数量(出库量、入库量以及盘点量)、负载重量可以分为一组，电池已使用时长以及电池循环次数可以分为一组，即行驶里程、任务数量(出库量、入库量以及盘点量)、负载重量表征搬运设备的运行情况对于剩余电量或者已用电量的影响；电池已使用时长以及电池循环次数表征电池自身使用情况对剩余电量或者已用电量的影响。
则上述接收用户通过终端设置/选择的显性函数以及核函数的具体实现方式可包括：通过终端向用户提供与温度因素相关的一次函数、与温度因素相关的多项式函数(如二次函数、三次函数等)。其中，一次函数、二次函数以及三次函数分别如下述计算公式(1)、计算公式(2)以及计算公式(3)。
计算公式(1)：一次函数
yt1＝β01+β11t
计算公式(2)：二次函数
yt2＝β02+β12t+β22t2
计算公式(3)：三次函数
yt3＝β03+β13t+β23t2+β33t3
其中，yt1表征由一次函数得到的与温度相关的电量；β01和β11表征一次函数中包括的两个估计参数；t表征温度；β02、β12以及β22表征二次函数中包括的三个估计参数；yt2表征由二次函数得到的与温度相关的电量；yt3表征由三次函数得到的与温度相关的电量；β03、β13、β23、β33表征由三次函数中包括的四个估计参数。
通过研究发现，与温度因素相关的显性函数一般为一次函数、二次函数或者三次函数，而更高的多项式函数可导致过拟合。
在本发明一个实施例中，上述S102的具体实施方式可以为，利用下述计算公式(4)构建出初始预测模型。
计算公式(4)：
Figure BDA0002419851590000081
其中，y表征初始预测模型对应的预测结果；T表征温度向量，该温度向量由多个样本点对应的温度组成；Φ(x)表征多个特征影响因素的非线性映射；
Figure BDA0002419851590000082
表征由与温度因素相关的显性函数中的估计参数构成的显性参数向量(比如，显性函数为二次函数，其对应的估计参数包括β02、β12以及β22，则该
Figure BDA0002419851590000083
显性函数为一次函数，其对应的估计参数包括β01和β11，则该
Figure BDA0002419851590000084
显性函数为三次函数，其对应的估计参数包括β01和β11，则该
Figure BDA0002419851590000085
)；
Figure BDA0002419851590000086
表征非线性对应的参数(
Figure BDA0002419851590000087
由S101中的核函数决定)；ε表征随机误差项。
针对上述计算公式(4)，在最小二乘法和迭代算法下，可得到如下结果(a)和结果(b)：
结果(a)式：
Figure BDA0002419851590000091
结果(b)式：
Figure BDA0002419851590000092
表面上看，结果(a)式和结果(b)式分别求
Figure BDA0002419851590000093
和
Figure BDA0002419851590000094
是依次相互迭代的过程，但是，在使用核函数后可能无法分别求出
Figure BDA0002419851590000095
和Φ(x)的值。而对于结果(a)式来说，则可仅需要求出
Figure BDA0002419851590000096
的值，而无须分别求
Figure BDA0002419851590000097
和Φ(x)的值，即可得到
Figure BDA0002419851590000098
而在核化回归中，恰恰可以求出
Figure BDA0002419851590000099
的值。因此，在下述实施例中，步骤S103正是利用核化回归中可以求出
Figure BDA00024198515900000910
的值这一技巧，使得算法可以实现。即，S103的训练过程主要是，本发明实施例提供的方案能够避免分别计算
Figure BDA00024198515900000911
和Φ(x)的值，而是通过反复迭代
Figure BDA00024198515900000912
的值，进而不断更新
Figure BDA00024198515900000913
最终使得
Figure BDA00024198515900000914
的值收敛，从而得出
Figure BDA00024198515900000915
的值。
在本发明一个实施例中，上述S103的利用训练集训练所述初始预测模型的具体实施方式可包括：初始化所述初始预测模型；利用所述训练集，通过循环迭代对初始化后的初始预测模型进行修正；当修正的结果满足迭代终止条件时，则停止循环迭代。
初始化初始预测模型以及循环迭代的具体过程：
初始化：给定
Figure BDA00024198515900000916
任意初始值；比如：给定
Figure BDA00024198515900000917
(比如，显性函数为一次函数，则
Figure BDA00024198515900000918
表征β01＝0和β11＝0)
循环下述迭代公式(1)至(3)：在迭代的过程中，k从0，1，2，…顺次递增；
迭代公式(1)：
Figure BDA00024198515900000919
迭代公式(2)
Figure BDA00024198515900000920
Figure BDA0002419851590000101
迭代公式(3)
Figure BDA0002419851590000102
直至
Figure BDA0002419851590000103
的变动(即
Figure BDA0002419851590000104
与
Figure BDA0002419851590000105
之间的差值)不大于预先设置的阈值，则停止迭代。该阈值可以根据实际需求，用户设定。一个优选地实施例该阈值为0.01。
←表征赋值；redis(k)表征在第k+1次循环迭代时，
Figure BDA0002419851590000106
的赋值；y表征第k次循环迭代对应的电量预测值；T表征多个样本点构成的温度向量；
Figure BDA0002419851590000107
表征第k次循环迭代对应的由与温度因素相关的显性函数中的估计参数构成的显性参数向量；
Figure BDA0002419851590000108
表征
Figure BDA0002419851590000109
Figure BDA00024198515900001010
的赋值；kl表征第l个特征组变量所对应的核函数；
Figure BDA00024198515900001011
表征第l个特征组变量所对应的第i个样本，i＝1，2，3，…，n；p表征多个特征影响因素所划分出的特征组的组数。比如，多个特征影响因素划分为两组，则l＝2。
实际上，上述迭代公式(1)和迭代公式(2)是在迭代更新结果(a)式中的
Figure BDA00024198515900001012
迭代公式(3)则实现更新
Figure BDA00024198515900001013
其中，核函数可包括如下三种：
核函数(1)多项式核函数：
Figure BDA00024198515900001014
核函数(2)高斯核函数：
Figure BDA00024198515900001015
核函数(3)sigmoid函数：
Figure BDA00024198515900001016
其中，k表征核函数；
Figure BDA00024198515900001017
表征第l个特征组中的第i个样本点所对应的特征影响因素的值；
Figure BDA0002419851590000111
表征第l个特征组中的第j个样本点所对应的特征影响因素的值；ξ和γ表征多项式核函数预设的参数；d表征预设的多项式次数(该d一般取值为1，2，3中的任意一个)；σ表征高斯核函数预设的参数；c表征sigmoid函数预设的参数。
该通过上述过程能够将不同特征组的特征影响因素对应了不同的核函数，这就考虑了不同影响因素的异质性特征，能够非常细致刻画其他影响因素对于搬运设备的电量的影响，相比于其他使用单核的算法，通过多核学习的方式使得模型具有了非常强的学习能力；其次，上述过程将温度T成功分离出来，分离后，可以求出与温度相关的估计参数的具体值，进而可以确定出温度对于电量的显性函数关系；最后，通过迭代求解的方式可以有效使算法收敛。
在上述步骤103中所使用的训练集是由多个搬运设备定时上报自身电量等参数得到的；其中搬运设备的个数越多使得训练结果越准确。相应地，在上述各个实施例中，一个样本点或一个样本即为训练集中的一个搬运设备，相应地，一个样本点对应的自变量可包括：剩余电量或者已用电量、温度值以及每一个所述特征影响因素对应的因素值(搬运设备的行驶里程、任务数量、负载重量、电池已使用时长以及电池循环次数中的多个)。
由于自动导引运输车、搬运机器人、送餐机器人等自动搬运设备的供电原理基本类似。因此，本发明一个实施例将以自动导引运输车为例，展开说明自动搬运设备的电量预测模型的构建以及通过构建出的电量预测模型预测自动搬运设备的用电情况，以实现对自动搬运设备的部署，避免由于搬运设备电量不足导致搬运任务堆积的问题。
自动导引运输车，又称无人搬运车(Automated Guided Vehicle，简称AGV)，其为装备有电磁或光学等自动导引装置的、能够沿规定的导引路径行驶的、具有安全保护以及各种移载功能的运输车。其以可充电的蓄电池为其动力来源。由于AGV的电池电量受环境温度影响较大。尤其当温度较低时(通常发生在冬季或者气温骤降时)，电池电量会快速下降(俗称“掉电”)，这会严重影响AGV的正常运行，导致自动导引运输车的作业无法按期完成。因此，需要根据环境温度，对运载货物的自动导引运输车的电量进行预测，以及时增加或更换自动导引运输车。
如图2所示，为自动导引运输车构建电量预测模型的具体实施过程可包括如下步骤：
201：确定自动导引运输车的多个特征影响因素，并将该多个特征影响因素划分为两个特征组；
该多个特征影响因素包括：行驶里程、任务数量(出库量、入库量以及盘点量)、负载重量、电池已使用时长以及电池循环次数中的多个。其中，行驶里程、任务数量(出库量、入库量以及盘点量)、负载重量分为一组，电池已使用时长以及电池循环次数分为另一组。
202：获取与温度因素相关的显性函数以及两个特征组分别对应的核函数；
该获取的过程可以为接收用户通过终端发送的显性函数以及两个特征组分别对应的核函数。其具体过程可以为，为用户所使用的终端提供上述计算公式(1)至计算公式(3)以及核函数(1)至核函数(3)或者上述计算公式(1)至计算公式(3)以及核函数(1)至核函数(3)分别对应的特征标识。则用户通过选择计算公式或者计算公式对应的特征标识，实现确定显性函数和核函数。如果这两个特征组的非线性化程度较高，则可考虑使用核函数(2)或核函数(3)。
203：利用显性函数以及两个特征组分别对应的核函数，构建初始预测模型；
204：初始化初始预测模型；
205：利用训练集，通过循环迭代对初始化后的初始预测模型进行修正；
206：当修正的结果满足迭代终止条件时，则停止循环迭代；
上述步骤204至步骤206的具体实施过程可通过上述初始化、迭代公式(1)至迭代公式(3)完成。
207：根据训练的结果，确定电量预测模型。
该得到的电量预测模型如下计算公式(5)所示。
计算公式(5)：
Figure BDA0002419851590000131
其中，y表征电量预测模型对应的预测值；T表征自动导引运输车所在环境的温度构建的温度向量；z表征自动导引运输车的任务量。
当训练集包括剩余电量或者已用电量时，该预测结果为被预测的AGV的剩余电量；当训练集包括已用电量时，该预测结果为被预测的AGV的已用电量；在预测出剩余电量时，根据AGV充电达到100％时的总电量，可得出AGV的使用电量(即AGV充电达到100％时的总电量减去预测出的剩余电量)；相应地，在预测出已用电量时，根据AGV充电达到100％时的总电量，可得出AGV的剩余电量(即AGV充电达到100％时的总电量减去预测出的已用电量)。
图3示出了本发明实施例提供的一种搬运设备部署方法。如图3所示，该搬运设备部署方法可包括如下步骤：
301：确定电量预测模型，其中，所述电量预测模型由与温度因素相关的显性函数和与多个特征影响因素相关的核函数构建出；
302：根据所述电量预测模型、确定出的搬运设备的当前剩余电量或当前已用电量、环境温度以及多个特征影响因素对应的因素值，预测所述搬运设备的用电情况；
303：根据预测的结果，调整所述搬运设备部署。
其中，步骤302具体是指，根据所述电量预测模型、确定出的搬运设备的当前剩余电量、环境温度以及多个特征影响因素对应的因素值，预测所述搬运设备的用电情况；或者，根据所述电量预测模型、确定出的搬运设备的当前已用电量、环境温度以及多个特征影响因素对应的因素值，预测所述搬运设备的用电情况。
通过上述电量预测模型实现了提前预测搬运设备的用电情况，而根据预测的结果，调整搬运设备部署可保证任务量能够及时完成。
针对多个特征影响因素对应的因素值包括所述搬运设备的初始任务量，上述预测搬运设备的用电情况可以包括：
在所述环境温度下，预测所述搬运设备完成所述初始任务量后的剩余电量；或者，在所述环境温度下，预测所述搬运设备完成所述初始任务量所需要的电量。
当预测出的剩余电量小于预设的电量阈值或者当搬运设备当前剩余电量与预测出的完成所述初始任务量所需要的电量之差小于预设的电量阈值，则需要为搬运设备增加新的搬运设备，以保证初始任务量能够完成。
该环境温度可以从天气预报系统中获得。
在本发明一个实施例中，上述搬运设备部署方法进一步包括：为所述搬运设备设置有电量安全阈值，
调整所述搬运设备部署，包括：当预测出的所述搬运设备的剩余电量不高于所述电量安全阈值时，减少所述搬运设备所对应的初始任务量。或者增加新的搬用设备协助该搬运设备完成搬运。新的搬运设备可以是从其他搬运区域或者其他仓库调用的。
下面以在仓库中部署自动导引运输车为例，详细说明搬运设备部署方法。如图4所示，该搬运设备部署方法可包括如下步骤：
401：获取环境温度和自动导引运输车的初始任务量；
该步骤的具体过程可以为从天气预报系统获取环境温度或者用户通过终端输入天气预报预报的温度，该温度可以为自动导引运输车工作时间段对应的温度范围的平均值。
自动导引运输车的初始任务量可以为自动导引运输车部署系统根据仓库的生产量为自动导引运输车分配的。可从自动导引运输车部署系统直接获取，也可通过终端接收用户输入的。
402：根据电量预测模型、自动导引运输车的当前剩余电量、环境温度以及多个特征影响因素对应的因素值，预测自动导引运输车的用电情况；
该多个特征影响因素可包括：行驶里程、初始任务量、负载重量、电池已使用时长以及电池循环次数。
403：根据预测的结果，调整自动导引运输车的任务量；
404：判断调整后的任务量是否小于初始任务量，如果是，则执行步骤405；否则，结束当前流程；
405：为该自动导引运输车增加新的自动导引运输车，并结束当前流程。
该步骤的具体实现可以为，确定其他仓库中的自动导引运输车的运行情况，根据其他仓库中的自动导引运输车的运行情况，从其他仓库借调空闲的自动导引运输车。
基于上述各个实施例，本发明实施例提供的方案能够确定出温度对AGV电量的函数关系，而不是简单的离散形式；
另外，本发明实施例提供的方案能够考虑除温度以外的其他因素，这些因素可能与电量的关系是复杂的非线性关系，且考虑到不同变量，其关系可能不同，即存在异质性特征，则通过核函数，能够有效地降低预测偏差，保证预测的准确性。
另外，本发明实施例提供的方案在考虑能其他因素的前提下，够求出温度与电量的显性表达式，则后续可量化计算在什么温度范围内运行搬运设备或者需要增加多少辆搬运设备才能抵消掉温度的影响。
如图5所示，本发明实施例提供一种构建电量预测模型的装置500，包括：第一确定单元501、构建单元502以及训练单元503，其中，
所述第一确定单元501，用于获取与温度因素相关的显性函数以及与多个特征影响因素相关的核函数；
所述构建单元502，用于利用所述第一确定单元501确定出的所述显性函数和所述核函数，构建所述初始预测模型；
所述训练单元503，用于利用训练集训练所述构建单元502构建出的所述初始预测模型，其中，所述训练集包括：来自于搬运设备的剩余电量或已用电量、温度值以及每一个所述特征影响因素对应的因素值；并根据训练的结果，确定电量预测模型，以利用所述电量预测模型预测所述搬运设备的用电情况。
在本发明一个实施例中，上述构建电量预测模型的装置进一步包括：
划分单元(图中未示出)，用于确定所述搬运设备对应的多个特征影响因素；将所述多个特征影响因素划分为至少一个特征组，其中，每一个所述特征组指示一种特征；
所述第一确定单元501，用于获取每一个特征组对应的核函数。
所述特征组的个数为两个；
在两个所述特征组中，
一个所述特征组指示的特征用于表征运行情况；
另一个所述特征组指示的特征用于表征电池自身使用情况。
在本发明一个实施例中，所述训练单元503，用于初始化所述初始预测模型；利用所述训练集，通过循环迭代对初始化后的初始预测模型进行修正；当修正的结果满足迭代终止条件时，则停止循环迭代。
在本发明一个实施例中，所述第一确定单元501获取到的每一个特征组对应的核函数，包括：多项式核函数、高斯核函数以及sigmoid函数中的任意一种。
在本发明一个实施例中，所述第一确定单元501获取到的所述显性函数包括：一次函数或者多项式函数。
在本发明一个实施例中，用于表征运行情况的特征组包括：搬运设备的行驶里程、任务数量(出库量、入库量以及盘点量)以及负载重量中的任意一个或多个；
用于表征电池自身使用情况的特征组包括：电池已使用时长和/或电池循环次数。
如图6所示，本发明实施例提供一种搬运设备部署装置600，包括：第二确定单元601、预测单元602以及调整单元603，其中，
所述第二确定单元601，用于确定电量预测模型，其中，所述电量预测模型由与温度因素相关的显性函数和与多个特征影响因素相关的核函数构建出；
所述预测单元602，用于根据所述第二确定单元601确定出的所述电量预测模型、确定出的搬运设备的当前电量、环境温度以及所述多个特征影响因素对应的因素值，预测所述搬运设备的用电情况；
所述调整单元603，用于根据所述预测单元602的预测结果，调整所述搬运设备部署。
在本发明一个实施例中，所述预测单元602，用于当所述多个特征影响因素对应的因素值包括所述搬运设备的初始任务量时，在所述环境温度下，预测所述搬运设备完成所述初始任务量后的剩余电量；或者，在所述环境温度下，预测所述搬运设备完成所述初始任务量所需要的电量。
在本发明一个实施例中，所述调整单元603，进一步用于为所述搬运设备设置有电量安全阈值；当预测出的所述搬运设备的剩余电量不高于所述电量安全阈值时，减少所述搬运设备所对应的初始任务量。
上述构建电量预测模型的装置和搬运设备部署装置可以属于同一个装置，也可属于不同的装置。
在构建电量预测模型的装置和搬运设备部署装置属于不同装置时，构建电量预测模型的装置将构建出的电量预测模型发送给搬运设备部署装置。
图7示出了可以应用本发明实施例的电量预测模型构建方法或构建电量预测模型装置或搬运设备部署方法或搬运设备部署装置的示例性系统架构700。
如图7所示，系统架构700可以包括终端设备701、702、703，网络704和服务器705。网络704用以在终端设备701、702、703和服务器705之间提供通信链路的介质。网络704可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备701、702、703通过网络704与服务器705交互，以接收或发送消息等。终端设备701、702、703上可以安装有各种通讯客户端应用，例如网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备701、702、703可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器705可以是提供各种服务的服务器，例如对用户利用终端设备701、702、703所发送的多个特征影响因素、温度因素相关的显性函数以及与多个特征影响因素相关的核函数提供支持的后台管理服务器(仅为示例)。后台管理服务器可以利用显性函数和核函数，构建初始预测模型，并利用训练集训练初始预测模型，并将训练的结果(例如电量预测模型或者预测结果--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的电量预测模型构建方法或搬运设备部署方法一般由服务器705执行，相应地，构建电量预测模型装置或搬运设备部署装置一般设置于服务器705中。
应该理解，图7中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图8，其示出了适于用来实现本发明实施例的终端设备的计算机系统800的结构示意图。图8示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一确定单元、构建单元以及训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一确定单元还可以被描述为“确定与温度因素相关的显性函数以及与多个特征影响因素相关的核函数的单元”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取与温度因素相关的显性函数以及与多个特征影响因素相关的核函数；利用所述显性函数和所述核函数，构建所述初始预测模型；利用训练集训练所述初始预测模型，其中，所述训练集包括：来自于搬运设备的剩余电量或已用电量、温度值以及每一个所述特征影响因素对应的因素值；根据训练的结果，确定电量预测模型，以利用所述电量预测模型预测所述搬运设备的用电情况。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：确定电量预测模型，其中，所述电量预测模型由与温度因素相关的显性函数和与多个特征影响因素相关的核函数构建出；根据所述电量预测模型、确定出的搬运设备的当前剩余电量或当前已用电量、环境温度以及所述多个特征影响因素对应的因素值，预测所述搬运设备的用电情况；根据预测的结果，调整所述搬运设备部署。
根据本发明实施例的技术方案，由于利用与温度因素相关的显性函数以及与多个特征影响因素相关的核函数，构建出的初始预测模型，利用训练集训练该初始预测模型，而训练集包括：来自于搬运设备的剩余电量或已用电量、温度值以及每一个特征影响因素对应的因素值。使得本发明实施例提供的方案构建出的预测模型不仅与温度有关，还与多个特征影响因素有关，而通过与温度因素相关的显性函数能够量化温度对电量的影响，通过多个特征影响因素相关的核函数，能够将多个特征因素对剩余电量或已用电量的影响考虑进去，因此，通过本发明实施例提供的方案构建出的电量预测模型，能够有效地提高电量预测的准确性以及有效地提高搬运设备的用电情况预测准确性。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (14)

1.一种电量预测模型构建方法，其特征在于，包括：
确定与温度因素相关的显性函数以及与多个特征影响因素相关的核函数；
利用所述显性函数和所述核函数，构建所述初始预测模型；
利用训练集训练所述初始预测模型，其中，所述训练集包括：来自于搬运设备的剩余电量或已用电量、温度值以及每一个所述特征影响因素对应的因素值；
根据训练的结果，确定电量预测模型。
2.根权利要求1所述电量预测模型构建方法，其特征在于，进一步包括：
确定所述搬运设备对应的多个特征影响因素；
将所述多个特征影响因素划分为至少一个特征组，其中，每一个所述特征组指示一种特征；
所述获取与多个特征影响因素相关的核函数，包括：
获取每一个特征组对应的核函数。
3.根据权利要求2所述电量预测模型构建方法，其特征在于，
所述特征组的个数为两个；
在两个所述特征组中，
一个所述特征组指示的特征用于表征运行情况；
另一个所述特征组指示的特征用于表征电池自身使用情况。
4.根据权利要求1所述电量预测模型构建方法，其特征在于，所述利用训练集训练所述初始预测模型，包括：
初始化所述初始预测模型；
利用所述训练集，通过循环迭代对初始化后的初始预测模型进行修正；
当修正的结果满足迭代终止条件时，则停止循环迭代。
5.根权利要求2所述电量预测模型构建方法，其特征在于，每一个特征组对应的核函数，包括：
多项式核函数、高斯核函数以及sigmoid函数中的任意一种。
6.根据权利要求1至5任一所述电量预测模型构建方法，其特征在于，
所述显性函数包括：一次函数或者多项式函数。
7.根据权利要求3所述电量预测模型构建方法，其特征在于，
用于表征运行情况的特征组包括：搬运设备的行驶里程、任务数量(出库量、入库量以及盘点量)以及负载重量中的任意一个或多个；
用于表征电池自身使用情况的特征组包括：电池已使用时长和/或电池循环次数。
8.一种搬运设备部署方法，其特征在于，包括：
确定电量预测模型，其中，所述电量预测模型由与温度因素相关的显性函数和与多个特征影响因素相关的核函数构建出；
根据所述电量预测模型、确定出的搬运设备的当前剩余电量或当前已用电量、环境温度以及所述多个特征影响因素对应的因素值，预测所述搬运设备的用电情况；
根据预测的结果，调整所述搬运设备部署。
9.根据权利要求8所述搬运设备部署方法，其特征在于，
当所述多个特征影响因素对应的因素值包括所述搬运设备的初始任务量时，
所述预测所述搬运设备的用电情况，包括：
在所述环境温度下，预测所述搬运设备完成所述初始任务量后的剩余电量；或者，在所述环境温度下，预测所述搬运设备完成所述初始任务量所需要的电量。
10.根据权利要求9所述搬运设备部署方法，其特征在于，
进一步包括：为所述搬运设备设置有电量安全阈值；
所述调整所述搬运设备部署，包括：当预测出的所述搬运设备的剩余电量不高于所述电量安全阈值时，减少所述搬运设备所对应的初始任务量。
11.一种构建电量预测模型的装置，其特征在于，包括：第一确定单元、构建单元以及训练单元，其中，
所述第一确定单元，用于确定与温度因素相关的显性函数以及与多个特征影响因素相关的核函数；
所述构建单元，用于利用所述第一确定单元确定出的所述显性函数和所述核函数，构建所述初始预测模型；
所述训练单元，用于利用训练集训练所述构建单元构建出的所述初始预测模型，其中，所述训练集包括：来自于搬运设备的剩余电量或已用电量、温度值以及每一个所述特征影响因素对应的因素值；并根据训练的结果，确定电量预测模型，以利用所述电量预测模型预测所述搬运设备的用电情况。
12.一种搬运设备部署装置，其特征在于，包括：第二确定单元、预测单元以及调整单元，其中，
所述第二确定单元，用于确定电量预测模型，其中，所述电量预测模型由与温度因素相关的显性函数和与多个特征影响因素相关的核函数构建出；
所述预测单元，用于根据所述第二确定单元确定出的所述电量预测模型、确定出的搬运设备的当前电量、环境温度以及所述多个特征影响因素对应的因素值，预测所述搬运设备的用电情况；
所述调整单元，用于根据所述预测单元的预测结果，调整所述搬运设备部署。
13.一种电量预测模型构建电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
14.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-10中任一所述的方法。
CN202010202443.4A 2020-03-20 2020-03-20 电量预测模型构建、搬运设备部署方法和装置 Pending CN113495213A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010202443.4A CN113495213A (zh) 2020-03-20 2020-03-20 电量预测模型构建、搬运设备部署方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010202443.4A CN113495213A (zh) 2020-03-20 2020-03-20 电量预测模型构建、搬运设备部署方法和装置

Publications (1)

Publication Number Publication Date
CN113495213A true CN113495213A (zh) 2021-10-12

Family

ID=77993779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010202443.4A Pending CN113495213A (zh) 2020-03-20 2020-03-20 电量预测模型构建、搬运设备部署方法和装置

Country Status (1)

Country Link
CN (1) CN113495213A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115114983A (zh) * 2022-06-30 2022-09-27 吉林师范大学 基于大数据设备电量数据采集分析方法、计算机系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831100A (zh) * 2012-07-18 2012-12-19 深圳职业技术学院 电池荷电状态估算方法及装置
CN106772091A (zh) * 2016-12-30 2017-05-31 广东欧珀移动通信有限公司 电池容量值的更新方法、装置及终端
CN107037366A (zh) * 2016-12-02 2017-08-11 江苏富威能源有限公司 一种电力动车锂离子电池控制系统
CN107843843A (zh) * 2017-09-30 2018-03-27 江苏理工学院 一种基于大数据和极限学习机的车载电池soc在线预测方法
CN108226809A (zh) * 2018-04-13 2018-06-29 淮阴工学院 一种多模型并用的电池soc估算方法
CN108287548A (zh) * 2018-01-23 2018-07-17 中南大学 一种自动化导轨运载装置及机器人协同运载方法与系统
CN108646199A (zh) * 2018-08-23 2018-10-12 广西艾盛创制科技有限公司 一种动力电池soc估算方法和系统
CN108872866A (zh) * 2018-06-04 2018-11-23 桂林电子科技大学 一种锂离子电池荷电状态动态评估与长效预测融合方法
CN108896924A (zh) * 2018-07-09 2018-11-27 哈尔滨工业大学 基于深度置信网络和卡尔曼滤波融合的锂离子电池荷电状态估计方法
CN109727338A (zh) * 2018-12-14 2019-05-07 珠海格力电器股份有限公司 电动车辆控制方法、装置、存储介质、电动车辆及服务器
CN109986997A (zh) * 2019-03-26 2019-07-09 芜湖职业技术学院 一种动力电池soc预测装置、汽车及方法
CN110501646A (zh) * 2019-08-29 2019-11-26 中国人民解放军国防科技大学 一种离线锂电池剩余电量估计方法
CN110646737A (zh) * 2019-09-20 2020-01-03 广州市香港科大霍英东研究院 基于多模型的电池soc动态估算方法、系统及存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831100A (zh) * 2012-07-18 2012-12-19 深圳职业技术学院 电池荷电状态估算方法及装置
CN107037366A (zh) * 2016-12-02 2017-08-11 江苏富威能源有限公司 一种电力动车锂离子电池控制系统
CN106772091A (zh) * 2016-12-30 2017-05-31 广东欧珀移动通信有限公司 电池容量值的更新方法、装置及终端
CN107843843A (zh) * 2017-09-30 2018-03-27 江苏理工学院 一种基于大数据和极限学习机的车载电池soc在线预测方法
CN108287548A (zh) * 2018-01-23 2018-07-17 中南大学 一种自动化导轨运载装置及机器人协同运载方法与系统
CN108226809A (zh) * 2018-04-13 2018-06-29 淮阴工学院 一种多模型并用的电池soc估算方法
CN108872866A (zh) * 2018-06-04 2018-11-23 桂林电子科技大学 一种锂离子电池荷电状态动态评估与长效预测融合方法
CN108896924A (zh) * 2018-07-09 2018-11-27 哈尔滨工业大学 基于深度置信网络和卡尔曼滤波融合的锂离子电池荷电状态估计方法
CN108646199A (zh) * 2018-08-23 2018-10-12 广西艾盛创制科技有限公司 一种动力电池soc估算方法和系统
CN109727338A (zh) * 2018-12-14 2019-05-07 珠海格力电器股份有限公司 电动车辆控制方法、装置、存储介质、电动车辆及服务器
CN109986997A (zh) * 2019-03-26 2019-07-09 芜湖职业技术学院 一种动力电池soc预测装置、汽车及方法
CN110501646A (zh) * 2019-08-29 2019-11-26 中国人民解放军国防科技大学 一种离线锂电池剩余电量估计方法
CN110646737A (zh) * 2019-09-20 2020-01-03 广州市香港科大霍英东研究院 基于多模型的电池soc动态估算方法、系统及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115114983A (zh) * 2022-06-30 2022-09-27 吉林师范大学 基于大数据设备电量数据采集分析方法、计算机系统

Similar Documents

Publication Publication Date Title
CN109754105B (zh) 一种预测方法及终端、服务器
CN112132351A (zh) 电动汽车充电负荷聚类预测方法及装置
EP3904894A1 (en) Training device, estimation device, training method, estimation method, training program, and estimation program
Pereira Jr et al. On multicriteria decision making under conditions of uncertainty
CN109996247B (zh) 网络化资源调配方法、装置、设备及存储介质
CN110717684B (zh) 一种基于任务分配协调策略与粒子群算法的任务分配方法
CN113034090A (zh) 运输设备调度方法、装置、电子设备和计算机可读介质
CN113807589A (zh) 基于模型预测的运营商储能的滚动优化方法及装置
CN113495213A (zh) 电量预测模型构建、搬运设备部署方法和装置
Yuan et al. An enhanced genetic algorithm for unmanned aerial vehicle logistics scheduling
CN112819215B (zh) 推荐策略训练方法、装置、电子设备及可读存储介质
CN113988485A (zh) 站点到货量预测方法、装置、电子设备和计算机可读介质
US20150097531A1 (en) System and method for controlling networked, grid-level energy storage devices
Chan et al. Hybrid TSSA algorithm-based approach to solve warehouse-scheduling problems
CN114971736A (zh) 电力计量物资需求预测方法、装置、电子设备和存储介质
CN110851943B (zh) 一种电池充电性能的建模方法和装置
CN114707820A (zh) 货物运输方法、装置、终端设备及可读存储介质
CN113689140A (zh) 用于任务调度的方法及装置
CN114049162A (zh) 模型训练方法、需求量预测方法、装置、设备和存储介质
CN112810499A (zh) 一种新能源汽车剩余里程的二次处理算法及系统
CN112669099A (zh) 用于处理订单的方法和装置
CN114819442A (zh) 一种运筹优化方法、装置和计算设备
Hammerstrom et al. A transactive network template for decentralized coordination of electricity provision and value
CN113259144B (zh) 一种仓储网络规划方法和装置
CN115526453B (zh) 车辆调度方法、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