CN113869545A - 预测无人驾驶有轨电车的耗电量的方法和系统 - Google Patents
预测无人驾驶有轨电车的耗电量的方法和系统 Download PDFInfo
- Publication number
- CN113869545A CN113869545A CN202010623876.7A CN202010623876A CN113869545A CN 113869545 A CN113869545 A CN 113869545A CN 202010623876 A CN202010623876 A CN 202010623876A CN 113869545 A CN113869545 A CN 113869545A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- power consumption
- feature data
- unmanned
- predicted 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
Abstract
本发明提供了一种预测无人驾驶有轨电车的耗电量的方法和系统。该方法包括如下步骤:获取用于描述所述无人驾驶有轨电车和/或运行环境的多个特征数据;以及在模糊规则库的作用下,经由融合了遗传算法和模糊逻辑的系统来处理所述多个特征数据,以得到预测的耗电量,其中基于所述多个特征数据之间的模糊关系来确定所述模糊规则。该方法和系统能有效地提高有轨电车使用效率,降低充电频率,合理安排发车调度。为整车的控制提供调整策略,进而实现节能减排,提升性能,并延长电池的寿命。
Description
技术领域
本发明涉及无人驾驶电车领域,更具体地,涉及预测无人驾驶有轨电车的耗电量的方法和系统。
背景技术
传统人工驾驶线路OCC调度班组设置行车调度员2人(线路>30km,每增加15km,增加1名)、电力调度员2人、环控调度员1人、维修调度员1人、值班主任1人,标准班组人数为7人。其中,行车调度员负责调度指挥、行车调整、施工管理;电力调度员及环控调度员分别负责电力、环控设备管理;维修调度员负责维修组织、信息发布等;值班主任负责调度决策等工作。
现有充电有轨电车调度大多数是人工调度,现有无人驾驶有轨电车大多数是时间调度。现有的无人驾驶有轨电车所使用的时间调度是按中心下发的行车计划时间调度车辆。
有轨电车如有较高的充电频率会减小有轨电车电池的寿命,而较低的充电频率会影响有轨电车的正常行使。与目前轨道车辆调度相比,包含充电策略的有轨电车调度尤为突出。
现在需要一种方法和系统,其能够通过预测下一运营阶段耗电量及目前车辆状态选择调配合适车辆,有效地提高有轨电车使用效率,降低充电频率,合理安排发车调度。同时,能够准确和可靠地预测下一运营过程的耗电变化趋势,为整车的控制提供调整策略,进而实现节能减排,提升性能,并延长电池的寿命。
发明内容
为了解决上述问题中的至少一个,根据本发明的一方面,提出了一种预测无人驾驶有轨电车的耗电量的方法,包括如下步骤:获取用于描述所述无人驾驶有轨电车和/或运行环境的多个特征数据;以及在模糊规则库的作用下,经由融合了遗传算法和模糊逻辑的系统来处理所述多个特征数据,以得到预测的耗电量,其中基于所述多个特征数据之间的模糊关系来确定所述模糊规则。
在一个实施例中,所述多个特征数据包括运行环境数据、客流量预测数据,以及所述有轨电车的剩余电量数据。
在一个实施例中,所述方法还包括:所述多个特征数据经由基于遗传算法的优化器被优化处理。
在一个实施例中,在模糊规则库的作用下,经由融合了遗传算法和模糊逻辑的系统来处理所述多个特征数据包括经由遗传算法模糊模块来计算经模糊化的预测的耗电量。
在一个实施例中,在模糊规则库的作用下,经由融合了遗传算法和模糊逻辑的系统来处理所述多个特征数据还包括基于所述经模糊化的预测的耗电量,经由模糊推理模块来计算模糊推理结果。
在一个实施例中,在模糊规则库的作用下,经由融合了遗传算法和模糊逻辑的系统来处理所述多个特征数据还包括基于所述模糊推理结果,经由解模糊模块来计算所述预测的耗电量。
在一个实施例中,所述融合了遗传算法和模糊逻辑的系统中的收敛准则为实际消耗电量与所述预测的耗电量之间的差值小于第一范围。
在一个实施例中,在模糊规则库的作用下,经由融合了遗传算法和模糊逻辑的系统来处理所述多个特征数据包括基于所述预测的耗电量逼近实际消耗电量的程度来迭代更新所述模糊规则。
在一个实施例中,所述运行环境数据包括车辆运行数据和环境数据。
在一个实施例中,所述车辆运行数据包括车速、加速度、减速度,以及运营里程中的一个或更多个。
在一个实施例中,所述环境数据包括温度、湿度、风速等级,以及轮胎附着系数中的一个或更多个。
根据本发明的另一方面,提出了一种无人驾驶有轨电车的自动调度的方法,其特征在于,包括如下步骤:获取用于描述所述无人驾驶有轨电车和/或运行环境的多个特征数据;以及在模糊规则库的作用下,经由融合了遗传算法和模糊逻辑的系统来处理所述多个特征数据,以得到预测的耗电量,其中基于所述多个特征数据之间的模糊关系来确定所述模糊规则;确认所述有轨电车的当前状态;基于所述当前状态,判断是否存在故障,当存在所述故障时,将所述有轨电车加入维修队列;以及判断所述有轨电车的现储电量是否大于所述预测的耗电量,当判断为是时,将所述有轨电车加入发车队列,当判断为否时,将所述有轨电车加入充电队列。
根据本发明的又一方面,提出了一种预测无人驾驶有轨电车的耗电量的系统,其特征在于,所述系统包括:特征数据获取模块,被配置为获取用于描述所述无人驾驶有轨电车和/或运行环境的多个特征数据;以及融合了遗传算法和模糊逻辑的模块,被配置为在模糊规则库的作用下,处理所述多个特征数据,以得到预测的耗电量,其中基于所述多个特征数据之间的模糊关系来确定所述模糊规则。
根据本发明的再一方面,提出了一种非暂时性计算机可读介质,其上存储有计算机程序指令,当所述计算机程序指令被执行时,实现本发明所述方法的步骤。
附图说明
通过结合附图对本发明的实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与本发明实施例一起用于解释本发明,并不构成对本发明的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1[b1]是描绘了根据本发明实施例的一种预测无人驾驶有轨电车的耗电量的方法的流程图;
图2是描绘了根据本发明实施例的一种无人驾驶有轨电车的自动调度的方法的流程图;
图3是描绘了根据本发明实施例的一种预测无人驾驶有轨电车的耗电量的系统的框图;以及
图4是描绘了根据本发明实施例的遗传算法模糊模块的工作流程图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例,本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
本发明融合了遗传算法和模糊逻辑,通过选取环境数据、预测客流量及车辆目前剩余电量建立遗传算法模糊系统来预测消耗电量情况,从而选择调配合适车辆进行运营,有效地提高有轨电车使用效率。
遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。
模糊逻辑是建立在多值逻辑基础上,运用模糊集合的方法来研究模糊性思维、语言形式及其规律的科学。模糊逻辑是基于模糊规则和隶属函数的选择来决定系统的动、静态性能预测效果。系统本身对变量个数和规则的制订增改空间不大。
本发明考虑添加遗传算法,其根据设定的适应度函数对问题的依赖性较小,可以避免陷入局部最优。通过融合遗传算法的电量消耗模糊系统,能够依据实时监测数据自动预测运行过程所耗电能。有效调配合适车辆,提高车辆使用效率。最终使得系统更加逼近实际,具有可预见性。
下面,参考图1来描述根据本发明实施例的一种预测无人驾驶有轨电车的耗电量的方法。
如图1所示,一种预测无人驾驶有轨电车的耗电量的方法,包括如下步骤:获取用于描述所述无人驾驶有轨电车和/或运行环境的多个特征数据;以及在模糊规则库的作用下,经由融合了遗传算法和模糊逻辑的系统来处理所述多个特征数据,以得到预测的耗电量,其中基于所述多个特征数据之间的模糊关系来确定所述模糊规则。
在一个实施例中,所述多个特征数据包括运行环境数据、客流量预测数据,以及所述有轨电车的剩余电量数据。
在一个实施例中,所述方法还包括所述多个特征数据经由基于遗传算法的优化器被优化处理。
在一个实施例中,在模糊规则库的作用下,经由融合了遗传算法和模糊逻辑的系统来处理所述多个特征数据包括经由遗传算法模糊模块来计算经模糊化的预测的耗电量。
在一个实施例中,在模糊规则库的作用下,经由融合了遗传算法和模糊逻辑的系统来处理所述多个特征数据还包括基于所述经模糊化的预测的耗电量,经由模糊推理模块来计算模糊推理结果。
在一个实施例中,在模糊规则库的作用下,经由融合了遗传算法和模糊逻辑的系统来处理所述多个特征数据还包括基于所述模糊推理结果,经由解模糊模块来计算所述预测的耗电量。
在一个实施例中,所述融合了遗传算法和模糊逻辑的系统中的收敛准则为实际消耗电量与所述预测的耗电量之间的差值小于第一范围。
在一个实施例中,在模糊规则库的作用下,经由融合了遗传算法和模糊逻辑的系统来处理所述多个特征数据包括基于所述预测的耗电量逼近实际消耗电量的程度来迭代更新所述模糊规则。
在一个实施例中,所述运行环境数据包括车辆运行数据和环境数据。
在一个实施例中,所述车辆运行数据包括车速、加速度、减速度,以及运营里程中的一个或更多个。
在一个实施例中,所述环境数据包括温度、湿度、风速等级,以及轮胎附着系数中的一个或更多个。可通过相应的传感器来提供环境数据。
接下来,参照图2来描述根据本发明实施例的一种无人驾驶有轨电车的自动调度的方法。
如图2所示,一种无人驾驶有轨电车的自动调度的方法,包括如下步骤:获取用于描述所述无人驾驶有轨电车和/或运行环境的多个特征数据;以及在模糊规则库的作用下,经由融合了遗传算法和模糊逻辑的系统来处理所述多个特征数据,以得到预测的耗电量,其中基于所述多个特征数据之间的模糊关系来确定所述模糊规则;确认所述有轨电车的当前状态;基于所述当前状态,判断是否存在故障,当存在所述故障时,将所述有轨电车加入维修队列;以及判断所述有轨电车的现储电量是否大于所述预测的耗电量,当判断为是时,将所述有轨电车加入发车队列,当判断为否时,将所述有轨电车加入充电队列。
具体地,当一列车完成上一阶段运营后,首先判断车辆目前状态,故障状态的调度优先级为最高,充电的调度优先级为中,运营的调度优先级为低。按照上述次序依次判断,当判断为故障状态时,进入维修队列;当判断为充电状态时,进入充电队列排队。
接下来,参照图3来说明根据本发明实施例的一种预测无人驾驶有轨电车的耗电量的系统。
一种预测无人驾驶有轨电车的耗电量的系统,包括:特征数据获取模块,被配置为获取用于描述所述无人驾驶有轨电车和/或运行环境的多个特征数据;以及融合了遗传算法和模糊逻辑的模块,被配置为在模糊规则库的作用下,处理所述多个特征数据,以得到预测的耗电量,其中基于所述多个特征数据之间的模糊关系来确定所述模糊规则。
如图3所示,在一个实施例中,其中所述多个特征数据包括运行环境数据、客流量预测数据,以及所述有轨电车的剩余电量数据。
在一个实施例中,所述系统还包括遗传算法的优化器,被配置为对所述多个特征数据进行优化处理。
在一个实施例中,融合了遗传算法和模糊逻辑的模块包括遗传算法模糊模块,被配置为计算经模糊化的预测的耗电量。
在一个实施例中,融合了遗传算法和模糊逻辑的模块还包括模糊推理模块,被配置为基于所述经模糊化的预测的耗电量来计算模糊推理结果。
在一个实施例中,融合了遗传算法和模糊逻辑的模块还包括解模糊模块,被配置为基于所述模糊推理结果来计算所述预测的耗电量。
具体地,模糊首先通过已知历史数据和遗传算法优化器作用后进入遗传算法模糊模块,然后输入下一运行时刻,客流量预测数据和环境温度及天气状况进入遗传算法模糊模块模糊化后,通过模糊规则库的若干规则经由模糊推理模块进行模糊推理得到模糊结果,最后经由解模糊模块通过解模糊算法得到预测的耗电量。
在一个实施例中,所述融合了遗传算法和模糊逻辑的系统中的收敛准则为实际消耗电量与所述预测的耗电量之间的差值小于第一范围。
在一个实施例中,所述遗传算法模糊模块还被配置为基于所述预测的耗电量逼近实际消耗电量的程度来迭代更新所述模糊规则。
在一个实施例中,所述运行环境数据包括车辆运行数据和环境数据。
在一个实施例中,所述车辆运行数据包括车速、加速度、减速度,以及运营里程中的一个或更多个。
在一个实施例中,所述环境数据包括温度、湿度、风速等级,以及轮胎附着系数中的一个或更多个。
接下来,参照图4来说明根据本发明实施例的遗传算法模糊模块的工作流程。
如图4所示,首先采用遗传算法优化模糊模块选取适当的编码方式,对隶属函数的参数、模糊规则库进行统一编码,构成一个染色体。其次初始化种群并计算目标函数值及个体适应度,再进行遗传操作,最后更新计算最新的模糊规则库和隶属函数。再通过反模糊化方法得到下一时刻运营所需耗电量。
具体地,包括如下步骤:1.初始化遗传算法编码,2.初始化遗传算法种群,3.计算目标函数值,4.计算个体适应度,若满足收敛准则,则5.输出满意结果、6.更新模糊规则,7.更新隶属函数,结束。如若不满足收敛则8.选择操作,9.交叉操作,10.变异操作,11更新交叉、变异率,是否达到预设世代数,如果达到结束,如果未到达返回步骤3。其中,步骤3中目标函数的计算为:
其中E是历史的消耗电量监测数据,E′是遗传算法模糊模块计算后的值,目标函数J为两者差值的绝对值之和为最小。越小说明预测的值与实际值越接近。当预计消耗电量越接近真实消耗电量,模糊规则越准确,不断迭代优化规则。
在具体的实现方式中,编码选择实数编码方式,其能提高算法效率,使复杂度降低,搜索空间小。模糊规则库的编码采用符号编码方式,模糊语言值变量的五个语言值{负大、负小、零、正小、正大},由符号{NB、NS、O、PS、PB}表示。隶属函数采用三角形隶属函数,也可以采取其他多种形式,如题型隶属函数和高斯型隶属函数。选取底边端点间距离作为优化对象,保证经过遗传操作后,相邻模糊划分不隔离而且重叠不大,最后将隶属函数与组合模糊规则库的编码联合起来,构成一个染色体编码串。
同样对于解模糊化算法有多种,包括最小最大法、最大最大法、重心法、二等分法和中间最大值法等。
隶属函数是模糊集合中会用到的函数,是一般集合中指示函数的一般化。指示函数可以说明一个集合中的元素(变量)是否属于特定子集合。一元素(变量)的指示函数的值可能是0或是1,而一元素(变量)的隶属函数会是0到1之间的数值,表示元素(变量)属于某模糊集合的“真实程度”(degree of truth)。
隶属函数通常采用三角形隶属函数,也可以采取其他多种形式,如题型隶属函数和高斯型隶属函数。选取底边端点间距离作为优化对象,保证经过遗传操作后,相邻模糊划分不隔离而且重叠不大,最后将隶属函数与组合模糊规则库的编码联合起来,构成一个染色体编码串。更新隶属函数是更新变量所从属的隶属函数,使其更接近真实的模糊集合。
实际消耗电量与解模糊算法得到预测的耗电量之间的差值小于一定范围也就是收敛准则。当差值越小说明越准确,也就越收敛。
本发明还提供了一种非暂时性计算机可读介质,其上存储有计算机程序指令,当所述计算机程序指令被执行时,实现本发明所述方法的步骤。
本发明所提供的方法、系统和介质能够通过预测下一运营阶段耗电量及目前车辆状态选择调配合适车辆,有效地提高有轨电车使用效率,降低充电频率,合理安排发车调度。同时,能够准确和可靠地预测下一运营过程的耗电变化趋势,为整车的控制提供调整策略,进而实现节能减排,提升性能,并延长电池的寿命。
尽管这里已经参考附图描述了示例实施例,应理解上述示例实施例仅仅是示例性的,并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改,而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该本发明的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如相应的权利要求书所反映的那样,其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域的技术人员可以理解,除了特征之间相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
以上所述,仅为本发明的具体实施方式或对具体实施方式的说明,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。
Claims (19)
1.一种预测无人驾驶有轨电车的耗电量的方法,其特征在于,包括如下步骤:
获取用于描述所述无人驾驶有轨电车和/或运行环境的多个特征数据;以及
在模糊规则库的作用下,经由融合了遗传算法和模糊逻辑的系统来处理所述多个特征数据,以得到预测的耗电量,
其中基于所述多个特征数据之间的模糊关系来确定所述模糊规则。
2.根据权利要求1所述的方法,其特征在于,其中所述多个特征数据包括运行环境数据、客流量预测数据、以及所述有轨电车的剩余电量数据。
3.根据权利要求1所述的方法,其特征在于,还包括:
所述多个特征数据经由基于遗传算法的优化器被优化处理。
4.根据权利要求1所述的方法,其特征在于,其中在模糊规则库的作用下,经由融合了遗传算法和模糊逻辑的系统来处理所述多个特征数据包括经由遗传算法模糊模块来计算经模糊化的预测的耗电量。
5.根据权利要求4所述的方法,其特征在于,其中在模糊规则库的作用下,经由融合了遗传算法和模糊逻辑的系统来处理所述多个特征数据还包括基于所述经模糊化的预测的耗电量,经由模糊推理模块来计算模糊推理结果。
6.根据权利要求5所述的方法,其特征在于,其中在模糊规则库的作用下,经由融合了遗传算法和模糊逻辑的系统来处理所述多个特征数据还包括基于所述模糊推理结果,经由解模糊模块来计算所述预测的耗电量。
7.根据权利要求1所述的方法,其特征在于,其中所述融合了遗传算法和模糊逻辑的系统中的收敛准则为实际消耗电量与所述预测的耗电量之间的差值小于第一范围。
8.根据权利要求1所述的方法,其特征在于,其中在模糊规则库的作用下,经由融合了遗传算法和模糊逻辑的系统来处理所述多个特征数据包括基于所述预测的耗电量逼近实际消耗电量的程度来迭代更新所述模糊规则。
9.一种无人驾驶有轨电车的自动调度的方法,其特征在于,包括如下步骤:
获取用于描述所述无人驾驶有轨电车和/或运行环境的多个特征数据;以及
在模糊规则库的作用下,经由融合了遗传算法和模糊逻辑的系统来处理所述多个特征数据,以得到预测的耗电量,
其中基于所述多个特征数据之间的模糊关系来确定所述模糊规则;
确认所述有轨电车的当前状态;
基于所述当前状态,判断是否存在故障,当存在所述故障时,将所述有轨电车加入维修队列;以及
判断所述有轨电车的现储电量是否大于所述预测的耗电量,当判断为是时,将所述有轨电车加入发车队列,当判断为否时,将所述有轨电车加入充电队列。
10.一种预测无人驾驶有轨电车的耗电量的系统,其特征在于,所述系统包括:
特征数据获取模块,被配置为获取用于描述所述无人驾驶有轨电车和/或运行环境的多个特征数据;以及
融合了遗传算法和模糊逻辑的模块,被配置为在模糊规则库的作用下,处理所述多个特征数据,以得到预测的耗电量,
其中基于所述多个特征数据之间的模糊关系来确定所述模糊规则。
11.根据权利要求10所述的系统,其特征在于,其中所述多个特征数据包括运行环境数据、客流量预测数据、以及所述有轨电车的剩余电量数据。
12.根据权利要求10所述的系统,其特征在于,所述系统还包括:
遗传算法的优化器,被配置为对所述多个特征数据进行优化处理。
13.根据权利要求12所述的系统,其特征在于,所述融合了遗传算法和模糊逻辑的模块包括:
遗传算法模糊模块,被配置为计算经模糊化的预测的耗电量。
14.根据权利要求13所述的系统,其特征在于,所述融合了遗传算法和模糊逻辑的模块还包括:
模糊推理模块,被配置为基于所述经模糊化的预测的耗电量来计算模糊推理结果。
15.根据权利要求14所述的系统,其特征在于,所述融合了遗传算法和模糊逻辑的模块还包括:
解模糊模块,被配置为基于所述模糊推理结果来计算所述预测的耗电量。
16.根据权利要求10所述的系统,其特征在于,其中所述融合了遗传算法和模糊逻辑的系统中的收敛准则为实际消耗电量与所述预测的耗电量之间的差值小于第一范围。
17.根据权利要求10所述的系统,其特征在于,所述遗传算法模糊模块还被配置为基于所述预测的耗电量逼近实际消耗电量的程度来迭代更新所述模糊规则。
18.一种非暂时性计算机可读介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被执行时,实现权利要求1至8中任一项所述方法的步骤。
19.一种非暂时性计算机可读介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被执行时,实现权利要求9所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010623876.7A CN113869545A (zh) | 2020-06-30 | 2020-06-30 | 预测无人驾驶有轨电车的耗电量的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010623876.7A CN113869545A (zh) | 2020-06-30 | 2020-06-30 | 预测无人驾驶有轨电车的耗电量的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113869545A true CN113869545A (zh) | 2021-12-31 |
Family
ID=78981062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010623876.7A Pending CN113869545A (zh) | 2020-06-30 | 2020-06-30 | 预测无人驾驶有轨电车的耗电量的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869545A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548802A (zh) * | 2022-02-28 | 2022-05-27 | 智道网联科技(北京)有限公司 | 无人车启动方法、装置、设备和计算机可读存储介质 |
-
2020
- 2020-06-30 CN CN202010623876.7A patent/CN113869545A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548802A (zh) * | 2022-02-28 | 2022-05-27 | 智道网联科技(北京)有限公司 | 无人车启动方法、装置、设备和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | An integrated predictive energy management for light-duty range-extended plug-in fuel cell electric vehicle | |
WO2020056157A1 (en) | Systems and methods for managing energy storage systems | |
Guo et al. | A deep reinforcement learning approach to ride-sharing vehicle dispatching in autonomous mobility-on-demand systems | |
CN113222387B (zh) | 面向氢燃料车辆的多目标调度与协同优化方法 | |
CN111862579A (zh) | 一种基于深度强化学习的出租车调度方法及系统 | |
CN103745110B (zh) | 纯电动公交车营运续驶里程估算方法 | |
EP4121329A1 (en) | Systems and methods for managing velocity profiles | |
Wang et al. | Time-dependent electric vehicle routing problem with time windows and path flexibility | |
Montazeri-Gh et al. | Driving condition recognition for genetic-fuzzy HEV control | |
Hu et al. | Dynamic rebalancing optimization for bike-sharing system using priority-based MOEA/D algorithm | |
JP7380585B2 (ja) | 蓄電素子評価装置、コンピュータプログラム、蓄電素子評価方法、学習方法及び生成方法 | |
Abbas et al. | An improved optimal forecasting algorithm for comprehensive electric vehicle charging allocation | |
Sultanuddin et al. | Development of improved reinforcement learning smart charging strategy for electric vehicle fleet | |
CN113869545A (zh) | 预测无人驾驶有轨电车的耗电量的方法和系统 | |
CN109919393A (zh) | 一种电动出租汽车的充电负荷预测方法 | |
Rigas et al. | Algorithms for electric vehicle scheduling in mobility-on-demand schemes | |
CN115392143B (zh) | 一种基于深度强化学习的移动储能充放电时空规划方法 | |
Gu et al. | A review of intelligent road preview methods for energy management of hybrid vehicles | |
An et al. | An auxiliary model of intelligent logistics distribution management for manufacturing industry based on refined supply chain | |
Witczak et al. | A fuzzy logic approach to remaining useful life control and scheduling of cooperating forklifts | |
Ritter | Optimal Control of Battery-Assisted Trolley Buses | |
CN116362368B (zh) | 一种基于模拟退火的低空城区物流无人机需求预测方法 | |
Yuzhe et al. | Study on path planning model and algorithm of driverless logistics distribution under intelligent network | |
CN117196266B (zh) | 基于神经网络的无人驾驶共享汽车区域调度方法及装置 | |
CN113222248B (zh) | 一种自动驾驶出租车充电桩选择方法 |
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 |