CN115060278A - 基于多目标遗传算法的车辆智能换电导航方法和系统 - Google Patents

基于多目标遗传算法的车辆智能换电导航方法和系统 Download PDF

Info

Publication number
CN115060278A
CN115060278A CN202210517278.0A CN202210517278A CN115060278A CN 115060278 A CN115060278 A CN 115060278A CN 202210517278 A CN202210517278 A CN 202210517278A CN 115060278 A CN115060278 A CN 115060278A
Authority
CN
China
Prior art keywords
data
battery
vehicle
power conversion
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
Application number
CN202210517278.0A
Other languages
English (en)
Inventor
张李浩
张妮娜
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.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
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 Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN202210517278.0A priority Critical patent/CN115060278A/zh
Publication of CN115060278A publication Critical patent/CN115060278A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3469—Fuel consumption; Energy use; Emission aspects
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3828—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种基于多目标遗传算法的车辆智能换电导航方法和系统，该方法包括：获取动力电池损耗值和驾驶员行为数据，并对驾驶员行为数据进行模糊聚类分析；在动力电池损耗值大于预设值或动力电池SOC值小于第一预设阈值时，发送换电预警信息；选择并进入换电导航测算模式，检测车辆的瞬时车辆信息，根据SOC值测算剩余续航里程；根据瞬时车辆信息和剩余续航里程搜索得到多个换电站，并获取各换电站的换电等待数据和车辆前往各换电站的道路基础数据及模糊聚类分析后的驾驶员行为数据；建立多目标优化模型，以求解得到最优换电站和最优路径。本发明通过对驾驶员行为数据进行分析，从而可根据驾驶员行为习惯制定个性化、高效率的换电路径和换电站。

Description

基于多目标遗传算法的车辆智能换电导航方法和系统
技术领域
本发明涉及汽车导航技术领域，尤其涉及一种基于多目标遗传算法的车辆智能换电导航方法和系统。
背景技术
为推动全球绿色低碳发展，应对全球气候变化，世界各国大力推行新能源汽车。动力电池作为新能源汽车的“心脏”，其充换电问题至关重要。
用户在驾驶纯电动汽车过程中遇到电池电量不足情况时，除了传统的充电模式，国家更鼓励换电模式。目前，驾驶员找寻换电站位置，常使用输入关键目的地的方式来搜索行驶路线，缺乏一种能够实时监测电池状态、实时收集驾驶员行为数据并分析，且根据驾驶员行为习惯制定个性化、高效率的换电路径和适配换电站，以满足多个优化目标，达到提高新能源汽车换电技术便利性效果的车载导航方法和系统。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提供一种基于多目标遗传算法的车辆智能换电导航方法，通过对驾驶员行为数据进行分析，从而可根据驾驶员行为习惯制定个性化、高效率的换电路径和适配换电站。
本发明的第二个目的在于提供一种基于多目标遗传算法的车辆智能换电导航系统。
为达到上述目的，本发明通过以下技术方案实现：
一种基于多目标遗传算法的车辆智能换电导航方法，包括：
步骤S1：实时获取动力电池损耗值，并采集驾驶员行为数据，以及对所述驾驶员行为数据进行模糊聚类分析；
步骤S2：判断所述动力电池损耗值是否大于动力电池损耗预设值，若是，则执行步骤S5，若否，则执行步骤S3；
步骤S3：采用开路电压法检测车辆启动工作或暂停工作时的动力电池SOC初始值，并采用安时积分法检测动力电池处于工作状态下的SOC值；
步骤S4：判断所述SOC值是否小于第一预设阈值，若是，则执行步骤S5，否则返回步骤S1；
步骤S5：发送换电预警信息，并判断驾驶员是否输入目的地信息和驾驶员是否接受预警信息，以及根据判断结果选择相应的换电导航测算模式；
步骤S6：开启所选择的换电导航测算模式，并实时检测车辆的瞬时车辆信息，以及根据SOC初始值和SOC值测算剩余续航里程；
步骤S7：根据所述瞬时车辆信息和所述剩余续航里程搜索得到若干个换电站分布点，并获取各个换电站分布点的换电等待数量、换电排队平均等待时间、满电电池数量数据、车辆前往各个换电站分布点的道路基础数据、道路拥堵度、路径转弯方向数据和经过模糊聚类分析后的驾驶员行为数据，以建立多目标优化模型；
步骤S8：通过所述多目标优化模型进行多目标遗传优化演算，以求解得到最优换电站和最优路径。
可选的，所述步骤S1中，对所述驾驶员行为数据进行模糊聚类分析的步骤包括：
步骤S11：获取n组驾驶员行为数据，作为初始样本论域，并记初始样本论域数据为x1,x2…,xi…，其中，每个样本论域数据有m个特征向量，则记初始样本论域中的第i个分类对象的特征属性数据为xi＝{x'i1,x'i2,…,x'im}；
步骤S12：对各个特征属性数据按照如下公式进行标准化处理得到相应的标准化数据，
Figure BDA0003640200110000021
其中，
Figure BDA0003640200110000022
xij为各特征属性数据对应的标准化数据，i＝1,2,…,n，j＝1,2,…,m；
步骤S13：建立模糊相似矩阵，并记xi与xj的相似系数为rij＝R(xi,xj)，其中，所述相似系数满足如下条件：
Figure BDA0003640200110000023
其中，xi与xj分别为初始样本论域中两个被分类的数据，
Figure BDA0003640200110000031
rij∈[-1,1]，若rij＜0则令
Figure BDA0003640200110000032
并有r'ij∈[0,1]，r'ij为相似系数；
步骤S14：求解模糊相似系数矩阵R的传递闭包函数t(R)，得到t(R)＝Rn，并取不同的置信水平，以得到不同的驾驶员行为数据的聚类结果；
步骤S15：存储聚类结果并作为特征向量样本区间，继续采集新的驾驶员行为数据，并将新的所述驾驶员行为数据与所述特征向量样本区间进行匹配，若匹配成功，则获取该驾驶员行为数据的分类结果，若不成功，则判定所述驾驶员行为数据为无关数据；
步骤S16：继续采集预设时段的驾驶员行为累积数据，并将新的驾驶员行为数据的匹配结果与在先存储的所述驾驶员行为累积数据的聚类结果合并，并返回步骤S11，重复执行对驾驶员行为数据进行模糊聚类分析的步骤。
可选的，所述驾驶员行为数据包括交叉口的不同转向的时间消耗数据和各限速节点之间各限速路段的习惯驾驶速度，所述驾驶员行为数据具体包括：拥堵时段交叉口左转、右转、直行时间消耗数据，非拥堵时段交叉口左转、右转、直行时间消耗数据，节假日拥堵时段、非拥堵时段各限速节点间的行驶速度，非节假日拥堵时段、非拥堵时段各限速节点间的行驶速度。
可选的，所述步骤S5包括：当判断驾驶员输入目的地信息并接受预警信息时，选择第一换电导航测算模式，当判断驾驶员输入目的地信息并未接受预警信息时，选择第二换电导航测算模式，当判断驾驶员未输入目的地信息并接受预警信息时，选择第三换电导航测算模式，当判断驶员未输入目的地信息并未接受预警信息时，选择第四换电导航测算模式；其中，
当选择第一和第三换电导航测算模式时，则直接执行步骤S6，当选择第二和第四换电导航测算模式时，则检测动力电池处于工作状态下的SOC值，并在所述SOC值小于第二预设阈值时，强制执行步骤S6。
可选的，所述步骤S7中的根据所述瞬时车辆信息和所述剩余续航里程搜索得到若干个换电站分布点的步骤包括：
在选择第一和第二换电导航测算模式时，获取输入的目的地信息，并以车辆瞬时地点为扇形顶点，沿目的地方向设置扇形中心线，在满足剩余续航里程条件下，对0°～180°的扇形覆盖区域进行搜索，得到若干个换电站分布点；
在选择第三和第四换电导航测算模式时，以车辆瞬时地点为中心，在满足剩余续航里程条件下，对0°～360°的圆周覆盖区域进行搜索，得到若干个换电站分布点。
可选的，所述步骤S7中的换电排队平均等待时间采用多服务台混合制排队论模型进行测算，并采用如下公式确定所述换电排队平均等待时间：
Figure BDA0003640200110000041
其中，Wq为换电排队平均等待时间，Lq为平均队长，λe为车辆有效到达率。
可选的，所述步骤S7中，在建立多目标优化模型之前，所述方法还包括：
建立在途行驶时间预测模型，并通过所述在途行驶时间预测模型预测得到车辆在途行驶时间；
根据模糊聚类分析后的驾驶员行为数据确定驾驶员的驾驶行为习惯类别，并基于所述驾驶行为习惯类别和所述车辆在途行驶时间确定车辆的总在途行驶时间，以通过所述总在途行驶时间和所述换电排队平均等待时间建立多目标优化模型。
可选的，所述多目标优化模型为包括目标函数和约束条件的目标优化模型；其中所述目标函数包括最小化用户总换电时间和最大化驾驶舒适度，其中，用户总换电时间包括总在途行驶时间、换电排队平均等待时间和换电操作时间，驾驶舒适度包括每条路径的转弯次数；约束条件包括车辆剩余电量约束条件、路面交通拥堵程度约束条件、换电站排队长度约束条件和多步预测约束条件。
可选的，所述步骤S8包括：建立所述多目标优化模型，预设迭代次数t和最大迭代次数tmax，并获取第t代父代种群Pt；获取适应度值，并根据适应度值对父代种群Pt种群染色体进行选择操作；将父代种群Pt种群染色体中具有公共基因位的染色体组成一对，并对父代种群Pt进行交叉操作；对交叉后的父代种群进行变异操作，得到第t代子代种群Qt；将第t代父代种群Pt和第t代子代种群Qt合并，并采用非支配排序方法，获取第t+1代父代种群Pt+1；获取换电站和路线分配结果；判断迭代次数是否为最大迭代次数tmax，若是，则输出分配结果，得到所述最优换电站和最优路径，若否，则返回将父代种群Pt种群染色体中具有公共基因位的染色体组成一对，并对父代种群Pt进行交叉操作的步骤。
为达到上述目的，本发明第二方面提供了一种基于多目标遗传算法的车辆智能换电导航系统，包括：
电池健康检测模块10，用于实时获取动力电池损耗值；
驾驶员行为检测模块20，用于采集并发送驾驶员行为数据至数据库做模糊聚类分析；
电流检测模块30，用于采用开路电压法检测车辆启动工作或暂停工作时的动力电池SOC初始值，并采用安时积分法检测动力电池处于工作状态下的SOC值；
预警模块40，用于发送换电预警信息；
卫星定位模块50，用于实时检测车辆的瞬时车辆信息；
换电系统数据平台60，用于发送各个换电站分布点的换电等待数量、换电排队平均等待时间和满电电池数量数据；
道路监管数据平台70，用于发送车辆前往各个换电站分布点的道路基础数据、道路拥堵度和路径转弯方向数据；
无线通信模块80，用于传输换电等待数量、换电排队平均等待时间、满电电池数量数据、车辆前往各个换电站分布点的道路基础数据、道路拥堵度和路径转弯方向数据至微控制器90；
所述微控制器90，用于判断所述动力电池损耗值是否大于动力电池损耗预设值，若是，则控制所述预警模块40发送换电预警信息，若否，则控制所述电流检测模块30检测动力电池的SOC值，并判断所述SOC值是否小于第一预设阈值，若是，则控制所述预警模块40发送换电预警信息，若否，则返回控制所述电池健康检测模块10实时获取动力电池损耗值；以及，在所述预警模块40发送换电预警信息后，判断驾驶员是否输入目的地信息和驾驶员是否接受预警信息，并根据判断结果选择相应的换电导航测算模式；
在开启所选择的换电导航测算模式之后，所述微控制器90还用于根据SOC初始值和SOC值测算剩余续航里程，并根据所述瞬时车辆信息和所述剩余续航里程搜索得到若干个换电站分布点，且获取经过模糊聚类分析后的驾驶员行为数据和所述无线通信模块80传输的所有数据，并建立多目标优化模型，以通过所述多目标优化模型进行多目标遗传优化演算，求解得到最优换电站和最优路径。
本发明至少具有以下技术效果：
(1)本发明根据驾驶员行为习惯，对车辆的换电导航技术进行了智能化改进。具体而言，本发明能够实时收集驾驶员行为数据，并基于模糊聚类算法对驾驶员的行为数据进行训练，使系统可以通过“自主学习”的“经验”不断分类驾驶员行为数据，使其分类更精准；进一步的，在测算用户总换电时间时，考虑驾驶员在交叉口不同转向的时间消耗不同、在各个限速路段习惯行驶速度不同等因素，为驾驶员制定个性化、高效率的换电路径。
(2)本发明可以同时满足两个优化目标。具体而言，本发明在建立多目标模型时，将最小用户总换电时间和最大驾驶舒适度作为目标函数，与考虑单目标的现有技术相比，本发明在使得换电时间最短的同时，还提高了驾驶员行驶的舒适度。
(3)本发明在进行多目标遗传优化求解过程中，设计出了符合纯电动汽车换电路径选择这一现实问题的特有编码、交叉方法。具体而言，本发明将行驶路径依据交叉口分成若干路段，在进行遗传算法的编码、交叉操作时，设计染色体的长度不固定，且在交叉操作时染色体根据公共基因位进行染色体的配对，并设计相应的剔除和保留方法，与传统遗传算法相比，更适合本发明多目标模型的求解，且增加了模型解的多样性。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为本发明一实施例提供的基于多目标遗传算法的车辆智能换电导航方法的流程图；
图2为本发明一实施例提供的驾驶员行为数据分析流程图；
图3为本发明一实施例提供的多目标遗传优化演算流程图；
图4为本发明一实施例提供的路网示意图；
图5为本发明一实施例提供的染色体编码示意图；
图6为本发明一实施例提供的基于多目标遗传算法的车辆智能换电导航系统的结构框图。
具体实施方式
下面详细描述本实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本实施例的基于多目标遗传算法的车辆智能换电导航方法和系统。需要说明的是，本实施例的基于多目标遗传算法的车辆智能换电导航方法和系统应用于新能源纯电动汽车上，其可以实时监测动力电池的电量状态，并精准分类驾驶员的行为习惯数据，以及制定个性化、高效率的换电路径，其可有效提高新能源电动汽车换电技术的便利性和普适性。
图1为本发明一实施例提供的基于多目标遗传算法的车辆智能换电导航方法的流程图。如图1所示，该方法包括：
步骤S1：实时获取动力电池损耗值，并采集驾驶员行为数据，以及对驾驶员行为数据进行模糊聚类分析。
具体的，驾驶员行为数据可包括交叉口的不同转向的时间消耗数据和各限速节点之间各限速路段的习惯驾驶速度，驾驶员行为数据具体包括：拥堵时段交叉口左转、右转、直行时间消耗数据，非拥堵时段交叉口左转、右转、直行时间消耗数据，节假日拥堵时段、非拥堵时段各限速节点间的行驶速度，非节假日拥堵时段、非拥堵时段各限速节点间的行驶速度，具体如下表1所示：
表1驾驶员行为数据
Figure BDA0003640200110000071
Figure BDA0003640200110000081
所述步骤S1中，对驾驶员行为数据进行模糊聚类分析的步骤包括：
步骤S11：获取n组驾驶员行为数据，作为初始样本论域，并记初始样本论域数据为x1,x2…,xi，其中，每个样本论域数据有m个特征向量，则记初始样本论域中的第i个分类对象的特征属性数据为xi＝{x'i1,x'i2,…,x'im}。
本实施例中的车辆智能换电导航方法应用于车辆智能换电导航系统。具体的，换电导航系统的后台服务器从数据库中调取最新的n组驾驶员行为数据，作为一组初始样本论域，其包括拥堵时段、非拥堵时段、节假日时驾驶员左转、右转、直行的时间消耗和在各限速路段的习惯行驶速度，然后提取样本的相同特征组成特征向量。记初始样本论域数据为x1,x2…,xi，其中，每个样本论域数据有m个特征向量，则记初始样本论域中的第i个分类对象的特征属性数据为xi＝{x'i1,x'i2,…,x'im}。
步骤S12：对各个特征属性数据按照如下公式进行标准化处理得到相应的标准化数据：
Figure BDA0003640200110000082
其中，
Figure BDA0003640200110000083
xij为各特征属性数据对应的标准化数据，i＝1,2,…,n，j＝1,2,…,m。
步骤S13：建立模糊相似矩阵，并记xi与xj的相似系数为rij＝R(xi,xj)，其中，相似系数满足如下条件：
Figure BDA0003640200110000091
其中，xi与xj分别为初始样本论域中两个被分类的数据，
Figure BDA0003640200110000092
rij∈[-1,1]，若rij＜0则令
Figure BDA0003640200110000093
并有r'ij∈[0,1]，r'ij为相似系数。
步骤S14：求解模糊相似系数矩阵R的传递闭包函数t(R)，得到t(R)＝Rn，并取不同的置信水平，以得到不同的驾驶员行为数据的聚类结果。其中，置信水平的取值范围为0-1。
步骤S15：存储聚类结果并作为特征向量样本区间，继续采集新的驾驶员行为数据，并将新的驾驶员行为数据与特征向量样本区间进行匹配，若匹配成功，则获取该驾驶员行为数据的分类结果，若不成功，则判定驾驶员行为数据为无关数据。
具体的，如图2所示，换电导航系统服务器先储存初始聚类结果，并将该结果返回至换电导航系统，作为更新的特征向量样本区间，换电导航系统继续收集数据与该特征向量样本区间匹配，若匹配成功，则返回该数据对应的分类结果，若均不匹配，则判定该数据为无关数据，并将其剔除。
步骤S16：继续采集预设时段的驾驶员行为累积数据，并将新的驾驶员行为数据的匹配结果与在先存储的所述驾驶员行为累积数据的聚类结果合并，并返回步骤S11，重复执行对驾驶员行为数据进行模糊聚类分析的步骤。
具体的，换电导航系统继续收集一预设时段的驾驶员行为累积数据，换电导航系统服务器储存多组聚类结果，经过一时间段的累积，可将新的匹配结果与储存的多组聚类结果合并，然后返回步骤S11重复模糊聚类过程。
步骤S2：判断动力电池损耗值是否大于动力电池损耗预设值，若是，则执行步骤S5，若否，则执行步骤S3。
本实施例中，动力电池损耗预设值的具体取值，可根据所用动力电池的型号及车辆的型号确定。
步骤S3：采用开路电压法检测车辆启动工作或暂停工作时的动力电池SOC初始值，并采用安时积分法检测动力电池处于工作状态下的SOC值。
本实施例中，采用的是开路电压法和安时积分法相结合的方式对动力电池的SOC(State Of Charge，荷电状态)值进行检测，其中，动力电池SOC的初始值是指电池刚启动或暂停工作时动力电池的电量。
步骤S4：判断SOC值是否小于第一预设阈值，若是，则执行步骤S5，否则返回步骤S1。
本实施例中，第一预设阈值的取值可在动力电池满电量的30％-50％区间内取值，但是其具体数值，此处不作具体限定，可根据实际情况进行设定。
步骤S5：发送换电预警信息，并判断驾驶员是否输入目的地信息和驾驶员是否接受预警信息，以及根据判断结果选择相应的换电导航测算模式。
所述步骤S5包括：当判断驾驶员输入目的地信息并接受预警信息时，选择第一换电导航测算模式，当判断驾驶员输入目的地信息并未接受预警信息时，选择第二换电导航测算模式，当判断驾驶员未输入目的地信息并接受预警信息时，选择第三换电导航测算模式，当判断驶员未输入目的地信息并未接受预警信息时，选择第四换电导航测算模式；其中，当选择第一和第三换电导航测算模式时，则直接执行步骤S6，当选择第二和第四换电导航测算模式时，则检测动力电池处于工作状态下的SOC值，并在SOC值小于第二预设阈值时，强制执行步骤S6。
具体的，本实施例中的第一～四换电导航测算模式的工作原理相似，该四种工作模式的具体工作步骤均是执行步骤S6-S8，其不同点在于，对于第一换电导航测算模式和第三换电导航测算模式，在换电导航系统发出预警时，若驾驶员接受预警，则直接进入步骤S6；对于第二换电导航测算模式和第四换电导航测算模式，在换电导航系统发出预警时，若驾驶员多次无回应，则继续驾驶至动力电池电量小于第二预设阈值时，换电导航系统将强制启动换电导航测算模式，并进入步骤S6。
其中，在进入第一和第二换电导航测算模式时，使用0°～180°扇形搜索法获取换电站分布点，在进入第三和第四换电导航测算模式时，使用360°圆周式搜索法获取换电站分布点。
步骤S6：开启所选择的换电导航测算模式，并实时检测车辆的瞬时车辆信息，以及根据SOC初始值和SOC值测算剩余续航里程。
其中，车辆的瞬时车辆信息包括车辆瞬时速度、瞬时位置、瞬时方向。本实施例中，还可根据SOC初始值和SOC值测算瞬时剩余续航里程。
步骤S7：根据瞬时车辆信息和剩余续航里程搜索得到若干个换电站分布点，并获取各个换电站分布点的换电等待数量、换电排队平均等待时间、满电电池数量数据、车辆前往各个换电站分布点的道路基础数据、道路拥堵度、路径转弯方向数据和经过模糊聚类分析后的驾驶员行为数据，以建立多目标优化模型。
所述步骤S7中的根据瞬时车辆信息和剩余续航里程搜索得到若干个换电站分布点的步骤包括：在选择第一和第二换电导航测算模式时，获取输入的目的地信息，并以车辆瞬时地点为扇形顶点，沿目的地方向设置扇形中心线，在满足剩余续航里程条件下，对0°～180°的扇形覆盖区域进行搜索，得到若干个换电站分布点；在选择第三和第四换电导航测算模式时，以车辆瞬时地点为中心，在满足剩余续航里程条件下，对0°～360°的圆周覆盖区域进行搜索，得到若干个换电站分布点。
步骤S7中的换电排队平均等待时间采用多服务台混合制排队论模型进行测算，并采用如下公式确定换电排队平均等待时间：
Figure BDA0003640200110000111
其中，Wq为换电排队平均等待时间，Lq为平均队长，λe为车辆有效到达率。
具体的，换电排队平均等待时间的测算符合M/M/s/k多服务台混合制排队论模型，其中新能源汽车的到达换电站的平均时间间隔服从平均到达率为λ的负指数分布，新能源汽车的平均换电时间服从服务速率为μ的负指数分布，其中，s为站内换电位的数量，k为换电站换电汽车容量，ρ表示换电站系统繁忙程度，并定义
Figure BDA0003640200110000112
其具体定义过程如下：
设定参数λ和参数μ的取值条件：
Figure BDA0003640200110000113
Figure BDA0003640200110000121
设定系统平衡状态的概率分布pn，系统空闲概率p0以及换电位单位服务强度ρS：
Figure BDA0003640200110000122
Figure BDA0003640200110000123
Figure BDA0003640200110000124
由平稳分布pn，n＝0,1,2……k，设定平均排队长Ls、平均队长Lq：
Figure BDA0003640200110000125
推导得
Figure BDA0003640200110000126
Ls＝Lq+ρ(1+pk)，其中
Figure BDA0003640200110000127
为顾客损失率，具体来说是来到换电站的所有顾客中不能进入的顾客比例；
进一步的，定义车辆有效到达率λe、平均逗留时间Ws和平均等待时间Wq：
λe＝λ(1-pk) (10)
Figure BDA0003640200110000128
Figure BDA0003640200110000129
所述步骤S7中，在建立多目标优化模型之前，该方法还包括：
建立在途行驶时间预测模型，并通过在途行驶时间预测模型预测得到车辆在途行驶时间；根据模糊聚类分析后的驾驶员行为数据确定驾驶员的驾驶行为习惯类别，并基于驾驶行为习惯类别和车辆在途行驶时间确定车辆的总在途行驶时间，以通过总在途行驶时间和换电排队平均等待时间建立多目标优化模型。
其中，在途行驶时间预测模型的建立采用了多步预测方法原理，其中多步预测方法的原理是结合起始时段的实际交通流数据和后续时段的历史交通流数据对行驶时间消耗进行预测，具体定义过程如下：
处理道路网车辆历史时间：
Figure BDA0003640200110000131
其中，
Figure BDA0003640200110000132
为车辆在t时段通过第i条路段的历史平均行程时间，
Figure BDA0003640200110000133
为车辆在t时段通过第i条路段的实时行程时间，
Figure BDA0003640200110000134
为车辆在上一个周期的t时段通过第i条路段的历史行程时间，该值可从历史交通数据库中调取，j为该类历史数据的容量，β为权重系数，取值为0.4，type为历史数据类型值，type的值取0，1，2，分别代表节假日、双休日、工作日。
进一步的，建立道路网中从起点A到B的分段路径的行驶时间多步预测模型：
Figure BDA0003640200110000135
其中，
Figure BDA0003640200110000136
Figure BDA0003640200110000137
为车辆t时段从A出发A-B路径的总行驶时间多步预测值，
Figure BDA0003640200110000138
为车辆t时段出发在A-B路径的第i条路段行驶时间预测值，Δti-1为车辆t时段出发从AB路径的前i-1条路段消耗的时间。
由于数据采集与上传具有一定的时间间隔，因此可设时间间隔为a，若t∈((k-1)a,ka]，k＝1，2，……，
Figure BDA0003640200110000139
则建立基于时间间隔的多步时间预测模型：
Figure BDA00036402001100001310
其中，
Figure BDA0003640200110000141
Figure BDA0003640200110000142
为车辆在((k-1)a,ka]时段通过AB路径的第i条路段的行程时间预测值，Δi-1为车辆通过AB路径的前i-1条路段所花费的时间段，n1为AB路径划分的总段数值。
按照时间间隔划分时段后，结合公式(12)获得车辆各个时段通过路段i的历史平均行程时间，并结合当前时段的实时交通网数据，通过一次指数平滑进一步得到公式(15)和(16)：
Figure BDA0003640200110000143
Figure BDA0003640200110000144
其中，
Figure BDA0003640200110000145
为车辆在k+Δi-1时段通过AB路径的第i条路段的历史平均行驶时间，
Figure BDA0003640200110000146
为车辆在k+Δi-1时段通过AB路径的第i条路段的平均行驶时间预测值，α(Δi-1)为权重系数，H为换电位数量。
进一步的，将公式(15)代入公式(16)，并结合公式(14)，得到车辆t时段从A出发A-B路径的总行驶时间多步预测值，如下述公式(17)所示：
Figure BDA0003640200110000147
需要说明的是，驾驶员在各交叉口的时间消耗因转弯方向等因素有所不同，一般左转及掉头方向的时间消耗是直行方向的2倍，右转方向的时间消耗是直行方向的1.5倍。
另外，转向时间的消耗还受到不同驾驶员的驾驶行为和习惯因素、交叉口类型因素、节假日因素的影响。本实施例中，还考虑驾驶员的驾驶行为习惯类别，以根据驾驶员的驾驶行为习惯类别确定转向消耗时间。所述交叉口类型包括拥堵交叉口、非拥堵交叉口，所述驾驶员行为和习惯指驾驶员不同转向的时间消耗不同，且拥堵交叉口和节假日会使转向时间增长，因此结合上述模糊聚类方法将驾驶员在交叉口的行为习惯进行分类，并将分类结果与
Figure BDA0003640200110000148
加和：
Figure BDA0003640200110000149
其中，TX为总在途行驶时间，D为驾驶员直行时间消耗，G1为直行节点数，G2为右转时间消耗，G3为左转时间消耗，γ为右转时间相对直行时间消耗的倍数，η为左转时间相对直行时间消耗的倍数。需要注意的是γ、η受模糊聚类算法分类结果的影响是变化的。
进一步的，由于驾驶员在各限速路段的习惯行驶速度不同，所以可根据上述模糊聚类方法，将驾驶员在不同类型路段上的习惯性行驶速度分类，并将分类的习惯速度，用于上述行驶时间预测过程中。
需要说明的是，当调取道路网交通流时，如果预测算路段处于节假日高峰时段、工作日高峰时段，则驾驶速度使用其历史数据库中的交通流数据，不使用驾驶员习惯速度。一般采用如下公式计算时间变量：
Figure BDA0003640200110000151
其中，T代表两节点间时间变量，Rij为ij两节点间路径的长度，vij为ij两节点间车辆行驶速度。
步骤S8：通过多目标优化模型进行多目标遗传优化演算，以求解得到最优换电站和最优路径。
其中，多目标优化模型为包括目标函数和约束条件的目标优化模型；其中目标函数包括最小化用户总换电时间和最大化驾驶舒适度，其中，用户总换电时间包括总在途行驶时间、换电排队平均等待时间和换电操作时间，驾驶舒适度包括每条路径的转弯次数；约束条件包括车辆剩余电量约束条件、路面交通拥堵程度约束条件、换电站排队长度约束条件和多步预测约束条件。
如图3所示，所述步骤S8包括：建立多目标优化模型，预设迭代次数t和最大迭代次数tmax，并获取第t代父代种群Pt；获取适应度值，并根据适应度值对父代种群Pt种群染色体进行选择操作；将父代种群Pt种群染色体中具有公共基因位的染色体组成一对，并对父代种群Pt进行交叉操作；对交叉后的父代种群进行变异操作，得到第t代子代种群Qt；将第t代父代种群Pt和第t代子代种群Qt合并，并采用非支配排序方法，获取第t+1代父代种群Pt+1；获取换电站和路线分配结果；判断迭代次数是否为最大迭代次数tmax，若是，则输出分配结果，得到最优换电站和最优路径，若否，则返回将父代种群Pt种群染色体中具有公共基因位的染色体组成一对，并对父代种群Pt进行交叉操作的步骤。
具体而言，所述步骤S8可包括：
步骤S81：建立多目标优化模型：
建立包括目标函数和约束条件的多目标优化模型，其中目标函数包括最小化用户总换电时间f1和最大化驾驶舒适度f2，其中用户总换电时间包括，总在途行驶时间、换电排队平均等待时间和换电操作时间三个部分，舒适度是指每条路径的转弯次数，转弯越少驾驶舒适度越高。约束条件包括车辆剩余电量约束g1、路面交通拥堵程度约束g2、换电站排队长度约束g3、多步预测约束g4。
其中，目标函数为：
Figure BDA0003640200110000161
Figure BDA0003640200110000162
约束条件为：
车辆剩余电量约束(即搜索范围约束)g1定义为：
Es＞∑dij×e (23)
路面交通拥堵程度约束g2定义为：
0＜S＜0.75 (24)
换电站排队长度约束g3定义为：
Lq+s≤k (25)
预测约束g4定义为：
Δi-1＞1 (26)
其中，Es为导航搜索时车辆的剩余电量，dij为路径上各节点间距离，e为车辆能耗系数；S为饱和度，且S＝V/C，C＝L×c×Ncar，V为交叉口进口车道实际交通量，C为交叉口进口车道通行能力，L为车道里程，c为车道通行能力，Ncar为车道数；Lq为平均队长，s为站内换电位数量，k为换电站换点汽车容量；Δi-1为车辆通过AB路径的前i-1条路段所花费的时间段，N为搜索范围内通往换电站各条路径的路口数，n2为路口转弯数，Tchange为单位换电操作时间，一般单位换电操作时间默认为一个固定常数。
步骤S82：设定迭代次数和最大迭代次数：
本实施例中，可设迭代次数为t，并初始化t＝0，设最大迭代次数为tmax。
步骤S83：获取第t代父代种群(初代种群)Pt：
其中，步骤S83包括：
步骤S831：设剩余续航里程可达范围内的换电站及到达换电站所有可行道路中，可供选择的组合结果数量为M，一个匹配结果即所匹配的换电站及行驶路径用一条染色体代表，则染色体的数量为M，M条染色体组成初始父代种群。
步骤S832：如图4所示，待选路径由节点和弧段组成，设G＝{gi|i＝1,2,3…,n}为节点集合，表示路段端点，染色体基因位长度为N1；对染色体编码，如图5所示，第一个基因位为起点，第二个基因位是从起点连接的其他节点中进行随机选择，被选择的节点从节点集合中删除，防止重复，以此类推当编码至目的换电站节点，最后一个基因位为换电站编码。
需要说明的是，本实施例中，对染色体编码符合染色体编码规定，即染色体基因不允许有重复的基因位，且染色体长度不完全相同。
步骤S84：对染色体进行选择操作，具体包括：
步骤S841：根据父代种群Pt中每个染色体的目标函数值评估其个体适应度，采用精英选择策略，选择Pt种群中适应度最高的个体直接保留至下一代，染色体i的适应度fitness(i)按如下公式计算：
Figure BDA0003640200110000171
Figure BDA0003640200110000172
其中，fitnessk(i)为染色体i的第k个适应度，fk(i)为染色体i的第k个目标函数值。
步骤S842：采用轮盘赌策略对剩余个体进行选择，个体i被选择的概率按如下公式计算：
Figure BDA0003640200110000181
Figure BDA0003640200110000182
Figure BDA0003640200110000183
其中pi为染色体i被选择的概率，qi为累积适应度值，qN为累计概率。
进一步的，随机产生一个0-1之间的随机数，抽取随机数所在累计概率区间右端点所代表的个体，且采取有放回的抽样方式，循环此步骤，直到抽取的染色体数量为M。
步骤S85：对染色体种群进行交叉操作，具体包括：
步骤S851：如图3所示，将被抽取的父代种群Pt中有公共基因的组成一对，若有公共基因的染色体数量为奇数，则剔除适应度最小的；若无公共点且适应度值小于适应度均值的染色体将直接被剔除，大于均值的染色体保留，不进行交叉操作。
具体而言，染色体根据公共基因配对的方法如图4所示，路径A-6-13-20-27-28-29-36-37-C和路径A-1-2-8-15-22-29-30-31-32-B进行配对，节点A为开始搜索路径时的瞬时位置，节点B和节点C为换电站位置，节点29为染色体上的公共基因，本发明的实施例中，只有当两条染色体具有公共基因位的情况下才能配对，并存在交叉的可能性。
步骤S852：与传统遗传算法不同，随机产生一个0-1之间的随机数，若该随机数小于设定的交叉概率Pc，随机选择一个公共基因为ei，将每对染色体中的两个染色体从该基因位进行交叉，得到交叉后的染色体，否则两个染色体保持不变，交叉后的染色体和保持不变的染色体组成交叉后的父代种群，交叉概率根据如下公式计算：
Figure BDA0003640200110000191
其中，a1为0-1常数，a2为0-1的常数，
Figure BDA0003640200110000192
为适应度的最大值，
Figure BDA0003640200110000193
为群体适应度的平均值，βk为权重系数，
Figure BDA0003640200110000194
m为目标函数数量。
步骤S86：对交叉后的父代种群进行变异操作，得到第t代子代种群Qt，具体包括：
步骤S861：对交叉后的父代种群中的每个个体进行如下公式计算：
Figure BDA0003640200110000195
其中，Pm为变异概率，fmax为群体最大适应值,favg为群体平均适应值，f'为变异个体的适应度值，k1∈[0.001,0.01]，k2∈[0.01,0.1]为区间内常数。
步骤S862：对交叉后的父代种群的个体产生一个0-1之间的随机数，若该随机数小于Pm，随机选择一个基因位作为突变基因点，则从第一位节点到变异点的基因保持不变，变异点之后的基因从相邻可达的节点中随机选择，以此类推，直到目的节点；若该随机数大于Pm，则染色体不变，得到变异后的染色体，组成第t代子代种群Qt。
步骤S87：获取第t+1代父代种群Pt+1，该步骤具体包括：
步骤S871：将第t代父代种群Pt和第t代子代种群Qt进行合并，得到第t代合并后的种群Rt，Rt＝Pt+Qt。
步骤S872：对Rt中的染色体个体进行非支配排序，计算每个染色体的目标函数值，比较个体之间的支配和非支配关系，将所有非支配个体组成第一级非支配层F1，并将F1中的所有染色体从Rt中除去。
进一步的，对Rt中剩余的染色体循环步骤S871，直到Rt中的染色体数量为0，得到q个非支配层F1,…,Fa,…,Fq。
步骤S873：令g＝1。
步骤S874：计算非支配层中染色体n’1,…,n’q的数量，判断n’1+…+n’g＝M是否成立，若成立，则将前a层染色体作为第t+1代父代种群Pt+1的染色体，组成第t+1代父代种群，否则执行步骤S875。
步骤S875：判断n’1+…+n’g＜M，n’1+…+n’g+ng+1'＞M是否满足，若满足，计算Fa+1层中染色体的拥挤距离
Figure BDA0003640200110000201
其中
Figure BDA0003640200110000202
为第i个染色体的拥挤距离，并以从大到小的顺序对其进行排序，选取前M-(n1'+…+nq')个拥挤距离对应的染色体，以及F1,…Fa层的所有染色体作为第t+1代父代种群Pt+1的染色体，组成第t+1代父代种群，其中拥挤距离
Figure BDA0003640200110000206
计算方法如下：
Figure BDA0003640200110000203
其中，m为目标函数的数量，fk(i)为第i个染色体的第k个目标函数值，fk(i+1)为第i+1个染色体的第k个目标函数值，fk(i-1)为i-1个染色体的第k个目标函数值，
Figure BDA0003640200110000204
为第k个目标函数的最大值，
Figure BDA0003640200110000205
为第k个目标函数的最小值。
步骤S88：换电站和路线分配结果。
步骤S89：判断迭代次数是否为最大迭代次数tmax，若是，则输出分配结果，得到最优换电站和最优路径，即Pareto解集，若否，则返回将父代种群Pt种群染色体中具有公共基因位的染色体组成一对，并对父代种群Pt进行交叉操作的步骤。
进一步的，在获得Pareto解集后，若解集中的结果大于等于3个，换电导航系统可随机选取三个匹配结果显示。
图6为本发明提供的一种基于多目标遗传算法的车辆智能换电导航系统的结构框图。如图6所示，该基于多目标遗传算法的车辆智能换电导航系统1包括：电池健康检测模块10、驾驶员行为检测模块20、电流检测模块30、预警模块40、卫星定位模块50、换电系统数据平台60、道路监管数据平台70、无线通信模块80和微控制器90。
其中，电池健康检测模块10、驾驶员行为检测模块20、电流检测模块30、预警模块40、卫星定位模块50、无线通信模块80和微控制器90均为车载装置，换电系统数据平台60是换电导航系统配套的外部储存并处理监管范围内的换电站动态数据的数据服务器，道路监管数据平台70是公安部交通管理数据平台和相关地图软件合作企业提供的数据平台。
具体的，电池健康检测模块10用于实时获取动力电池损耗值，驾驶员行为检测模块20用于采集并发送驾驶员行为数据至数据库做模糊聚类分析，电流检测模块30用于采用开路电压法检测车辆启动工作或暂停工作时的动力电池SOC初始值，并采用安时积分法检测动力电池处于工作状态下的SOC值，预警模块40用于发送换电预警信息，卫星定位模块50用于实时检测车辆的瞬时车辆信息，换电系统数据平台60用于发送各个换电站分布点的换电等待数量、换电排队平均等待时间和满电电池数量数据，道路监管数据平台70用于发送车辆前往各个换电站分布点的道路基础数据、道路拥堵度和路径转弯方向数据，无线通信模块80用于传输换电等待数量、换电排队平均等待时间、满电电池数量数据、车辆前往各个换电站分布点的道路基础数据、道路拥堵度和路径转弯方向数据至微控制器90。
本实施例中，微控制器90用于判断动力电池损耗值是否大于动力电池损耗预设值，若是，则控制预警模块40发送换电预警信息，并将该换电预警信息显示在车辆中控台的屏幕上，若否，则控制电流检测模块30检测动力电池的SOC值，并判断SOC值是否小于第一预设阈值，若是，则控制预警模块40发送换电预警信息，若否，则返回控制电池健康检测模块10实时获取动力电池损耗值；以及，在预警模块40发送换电预警信息后，判断驾驶员是否输入目的地信息和驾驶员是否接受预警信息，并根据判断结果选择相应的换电导航测算模式；
在开启所选择的换电导航测算模式之后，微控制器90还用于根据SOC初始值和SOC值测算剩余续航里程，并根据瞬时车辆信息和剩余续航里程搜索得到若干个换电站分布点，且获取经过模糊聚类分析后的驾驶员行为数据和无线通信模块80传输的所有数据，并建立多目标优化模型，以通过多目标优化模型进行多目标遗传优化演算，求解得到最优换电站和最优路径。
需要说明的是，本实施例的基于多目标遗传算法的车辆智能换电导航系统采用的是上述基于多目标遗传算法的车辆智能换电导航方法，其具体实施方式可参见上述基于多目标遗传算法的车辆智能换电导航方法的具体实施方式，为避免冗余，此处不再赘述。
综上所述，本发明能够实时收集驾驶员行为数据，并基于模糊聚类算法对驾驶员的行为数据进行训练，使系统可以通过“自主学习”的“经验”不断分类驾驶员行为数据，使其分类更精准，并且本发明在测算用户总换电时间时，考虑驾驶员在交叉口不同转向的时间消耗不同、在各个限速路段习惯行驶速度不同等因素，为驾驶员制定个性化、高效率的换电路径；另外，本发明在建立多目标模型时，将最小用户总换电时间和最大驾驶舒适度作为目标函数，与考虑单目标的现有技术相比，本发明在使得换电时间最短的同时，还提高了驾驶员行驶的舒适度；以及，本发明将行驶路径依据交叉口分成若干路段，在进行遗传算法的编码、交叉操作时，设计的染色体的长度不固定，且在交叉操作时染色体根据公共基因位进行染色体配对，并设计相应的剔除和保留方法，与传统遗传算法相比，更适合本发明多目标模型的求解，且增加了模型解的多样性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.基于多目标遗传算法的车辆智能换电导航方法，其特征在于，包括：
步骤S1：实时获取动力电池损耗值，并采集驾驶员行为数据，以及对所述驾驶员行为数据进行模糊聚类分析；
步骤S2：判断所述动力电池损耗值是否大于动力电池损耗预设值，若是，则执行步骤S5，若否，则执行步骤S3；
步骤S3：采用开路电压法检测车辆启动工作或暂停工作时的动力电池SOC初始值，并采用安时积分法检测动力电池处于工作状态下的SOC值；
步骤S4：判断所述SOC值是否小于第一预设阈值，若是，则执行步骤S5，否则返回步骤S1；
步骤S5：发送换电预警信息，并判断驾驶员是否输入目的地信息和驾驶员是否接受预警信息，以及根据判断结果选择相应的换电导航测算模式；
步骤S6：开启所选择的换电导航测算模式，并实时检测车辆的瞬时车辆信息，以及根据SOC初始值和SOC值测算剩余续航里程；
步骤S7：根据所述瞬时车辆信息和所述剩余续航里程搜索得到若干个换电站分布点，并获取各个换电站分布点的换电等待数量、换电排队平均等待时间、满电电池数量数据、车辆前往各个换电站分布点的道路基础数据、道路拥堵度、路径转弯方向数据和经过模糊聚类分析后的驾驶员行为数据，以建立多目标优化模型；
步骤S8：通过所述多目标优化模型进行多目标遗传优化演算，以求解得到最优换电站和最优路径。
2.如权利要求1所述的基于多目标遗传算法的车辆智能换电导航方法，其特征在于，所述步骤S1中，对所述驾驶员行为数据进行模糊聚类分析的步骤包括：
步骤S11：获取n组驾驶员行为数据，作为初始样本论域，并记初始样本论域数据为x1,x2…,xi，其中，每个样本论域数据有m个特征向量，则记初始样本论域中的第i个分类对象的特征属性数据为xi＝{x′i1,x′i2,…,x′im}；
步骤S12：对各个特征属性数据按照如下公式进行标准化处理得到相应的标准化数据：
Figure FDA0003640200100000021
其中，
Figure FDA0003640200100000022
xij为各特征属性数据对应的标准化数据，i＝1,2,…,n，j＝1,2,…,m；
步骤S13：建立模糊相似矩阵，并记xi与xj的相似系数为rij＝R(xi,xj)，其中，所述相似系数满足如下条件：
Figure FDA0003640200100000023
其中，xi与xj分别为初始样本论域中两个被分类的数据，
Figure FDA0003640200100000024
rij∈[-1,1]，若rij＜0则令
Figure FDA0003640200100000025
并有r′ij∈[0,1]，r′ij为相似系数；
步骤S14：求解模糊相似系数矩阵R的传递闭包函数t(R)，得到t(R)＝Rn，并取不同的置信水平，以得到不同的驾驶员行为数据的聚类结果；
步骤S15：存储聚类结果并作为特征向量样本区间，继续采集新的驾驶员行为数据，并将新的所述驾驶员行为数据与所述特征向量样本区间进行匹配，若匹配成功，则获取该驾驶员行为数据的分类结果，若不成功，则判定所述驾驶员行为数据为无关数据；
步骤S16：继续采集预设时段的驾驶员行为累积数据，并将新的驾驶员行为数据的匹配结果与在先存储的所述驾驶员行为累积数据的聚类结果合并，并返回步骤S11，重复执行对驾驶员行为数据进行模糊聚类分析的步骤。
3.如权利要求1所述的基于多目标遗传算法的车辆智能换电导航方法，其特征在于，所述驾驶员行为数据包括交叉口的不同转向的时间消耗数据和各限速节点之间各限速路段的习惯驾驶速度，所述驾驶员行为数据具体包括：拥堵时段交叉口左转、右转、直行时间消耗数据，非拥堵时段交叉口左转、右转、直行时间消耗数据，节假日拥堵时段、非拥堵时段各限速节点间的行驶速度，非节假日拥堵时段、非拥堵时段各限速节点间的行驶速度。
4.如权利要求1所述的基于多目标遗传算法的车辆智能换电导航方法，其特征在于，所述步骤S5包括：当判断驾驶员输入目的地信息并接受预警信息时，选择第一换电导航测算模式，当判断驾驶员输入目的地信息并未接受预警信息时，选择第二换电导航测算模式，当判断驾驶员未输入目的地信息并接受预警信息时，选择第三换电导航测算模式，当判断驶员未输入目的地信息并未接受预警信息时，选择第四换电导航测算模式；其中，
当选择第一和第三换电导航测算模式时，则直接执行步骤S6，当选择第二和第四换电导航测算模式时，则检测动力电池处于工作状态下的SOC值，并在所述SOC值小于第二预设阈值时，强制执行步骤S6。
5.如权利要求4所述的基于多目标遗传算法的车辆智能换电导航方法，其特征在于，所述步骤S7中的根据所述瞬时车辆信息和所述剩余续航里程搜索得到若干个换电站分布点的步骤包括：
在选择第一和第二换电导航测算模式时，获取输入的目的地信息，并以车辆瞬时地点为扇形顶点，沿目的地方向设置扇形中心线，在满足剩余续航里程条件下，对0°～180°的扇形覆盖区域进行搜索，得到若干个换电站分布点；
在选择第三和第四换电导航测算模式时，以车辆瞬时地点为中心，在满足剩余续航里程条件下，对0°～360°的圆周覆盖区域进行搜索，得到若干个换电站分布点。
6.如权利要求1所述的基于多目标遗传算法的车辆智能换电导航方法，其特征在于，所述步骤S7中的换电排队平均等待时间采用多服务台混合制排队论模型进行测算，并采用如下公式确定所述换电排队平均等待时间：
Figure FDA0003640200100000031
其中，Wq为换电排队平均等待时间，Lq为平均队长，λe为车辆有效到达率。
7.如权利要求6所述的基于多目标遗传算法的车辆智能换电导航方法，其特征在于，所述步骤S7中，在建立多目标优化模型之前，所述方法还包括：
建立在途行驶时间预测模型，并通过所述在途行驶时间预测模型预测得到车辆在途行驶时间；
根据模糊聚类分析后的驾驶员行为数据确定驾驶员的驾驶行为习惯类别，并基于所述驾驶行为习惯类别和所述车辆在途行驶时间确定车辆的总在途行驶时间，以通过所述总在途行驶时间和所述换电排队平均等待时间建立多目标优化模型。
8.如权利要求1所述的基于多目标遗传算法的车辆智能换电导航方法，其特征在于，所述多目标优化模型为包括目标函数和约束条件的目标优化模型；其中所述目标函数包括最小化用户总换电时间和最大化驾驶舒适度，其中，用户总换电时间包括总在途行驶时间、换电排队平均等待时间和换电操作时间，驾驶舒适度包括每条路径的转弯次数；约束条件包括车辆剩余电量约束条件、路面交通拥堵程度约束条件、换电站排队长度约束条件和多步预测约束条件。
9.如权利要求1所述的基于多目标遗传算法的车辆智能换电导航方法，其特征在于，所述步骤S8包括：
建立所述多目标优化模型，预设迭代次数t和最大迭代次数tmax，并获取第t代父代种群Pt；获取适应度值，并根据适应度值对父代种群Pt种群染色体进行选择操作；将父代种群Pt种群染色体中具有公共基因位的染色体组成一对，并对父代种群Pt进行交叉操作；对交叉后的父代种群进行变异操作，得到第t代子代种群Qt；将第t代父代种群Pt和第t代子代种群Qt合并，并采用非支配排序方法，获取第t+1代父代种群Pt+1；获取换电站和路线分配结果；判断迭代次数是否为最大迭代次数tmax，若是，则输出分配结果，得到所述最优换电站和最优路径，若否，则返回将父代种群Pt种群染色体中具有公共基因位的染色体组成一对，并对父代种群Pt进行交叉操作的步骤。
10.一种基于多目标遗传算法的车辆智能换电导航系统，其特征在于，包括：
电池健康检测模块(10)，用于实时获取动力电池损耗值；
驾驶员行为检测模块(20)，用于采集并发送驾驶员行为数据至数据库做模糊聚类分析；
电流检测模块(30)，用于采用开路电压法检测车辆启动工作或暂停工作时的动力电池SOC初始值，并采用安时积分法检测动力电池处于工作状态下的SOC值；
预警模块(40)，用于发送换电预警信息；
卫星定位模块(50)，用于实时检测车辆的瞬时车辆信息；
换电系统数据平台(60)，用于发送各个换电站分布点的换电等待数量、换电排队平均等待时间和满电电池数量数据；
道路监管数据平台(70)，用于发送车辆前往各个换电站分布点的道路基础数据、道路拥堵度和路径转弯方向数据；
无线通信模块(80)，用于传输换电等待数量、换电排队平均等待时间、满电电池数量数据、车辆前往各个换电站分布点的道路基础数据、道路拥堵度和路径转弯方向数据至微控制器(90)；
所述微控制器(90)，用于判断所述动力电池损耗值是否大于动力电池损耗预设值，若是，则控制所述预警模块(40)发送换电预警信息，若否，则控制所述电流检测模块(30)检测动力电池的SOC值，并判断所述SOC值是否小于第一预设阈值，若是，则控制所述预警模块(40)发送换电预警信息，若否，则返回控制所述电池健康检测模块(10)实时获取动力电池损耗值；以及，在所述预警模块(40)发送换电预警信息后，判断驾驶员是否输入目的地信息和驾驶员是否接受预警信息，并根据判断结果选择相应的换电导航测算模式；
在开启所选择的换电导航测算模式之后，所述微控制器(90)还用于根据SOC初始值和SOC值测算剩余续航里程，并根据所述瞬时车辆信息和所述剩余续航里程搜索得到若干个换电站分布点，且获取经过模糊聚类分析后的驾驶员行为数据和所述无线通信模块(80)传输的所有数据，并建立多目标优化模型，以通过所述多目标优化模型进行多目标遗传优化演算，求解得到最优换电站和最优路径。
CN202210517278.0A 2022-05-12 2022-05-12 基于多目标遗传算法的车辆智能换电导航方法和系统 Pending CN115060278A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210517278.0A CN115060278A (zh) 2022-05-12 2022-05-12 基于多目标遗传算法的车辆智能换电导航方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210517278.0A CN115060278A (zh) 2022-05-12 2022-05-12 基于多目标遗传算法的车辆智能换电导航方法和系统

Publications (1)

Publication Number Publication Date
CN115060278A true CN115060278A (zh) 2022-09-16

Family

ID=83198558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210517278.0A Pending CN115060278A (zh) 2022-05-12 2022-05-12 基于多目标遗传算法的车辆智能换电导航方法和系统

Country Status (1)

Country Link
CN (1) CN115060278A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116878535A (zh) * 2023-09-05 2023-10-13 杭州宇谷科技股份有限公司 一种基于混合时序网络的智能换电引导方法和系统
CN116993085A (zh) * 2023-07-28 2023-11-03 上海智租物联科技有限公司 基于换电电荷消耗算法提升电池利用效率的方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993085A (zh) * 2023-07-28 2023-11-03 上海智租物联科技有限公司 基于换电电荷消耗算法提升电池利用效率的方法
CN116993085B (zh) * 2023-07-28 2024-05-14 上海智租物联科技有限公司 基于换电电荷消耗算法提升电池利用效率的方法
CN116878535A (zh) * 2023-09-05 2023-10-13 杭州宇谷科技股份有限公司 一种基于混合时序网络的智能换电引导方法和系统
CN116878535B (zh) * 2023-09-05 2023-12-12 杭州宇谷科技股份有限公司 一种基于混合时序网络的智能换电引导方法和系统

Similar Documents

Publication Publication Date Title
CN109191896B (zh) 个性化停车位推荐方法和系统
US10639995B2 (en) Methods, circuits, devices, systems and associated computer executable code for driver decision support
Guo et al. Learning to route with sparse trajectory sets
CN115060278A (zh) 基于多目标遗传算法的车辆智能换电导航方法和系统
CN111815948B (zh) 基于工况特征的车辆行驶工况预测方法
EP3189479A1 (en) Method and system for providing a dynamic ride sharing service
CN108444486B (zh) 一种导航路线排序方法和装置
WO2020035383A1 (en) Method and system of recommending a place to park
CN115409256A (zh) 基于行程时间预测的拥堵区避让的路径推荐方法
Liu et al. Themis: A participatory navigation system for balanced traffic routing
CN109489679A (zh) 一种导航路径中的到达时间计算方法
CN114186146B (zh) 带容量限制的网约车服务网点选址方法及系统
Chen et al. Online eco-routing for electric vehicles using combinatorial multi-armed bandit with estimated covariance
CN110674990B (zh) 设置滑动窗口更新机制的即时配送路径选择方法及系统
Rad et al. A smart hybrid system for parking space reservation in VANET
CN116229720A (zh) 一种智能车路系统的交通事故判别方法
CN115798212A (zh) 一种基于出租车轨迹的交通拥堵检测方法
CN113449780B (zh) 基于随机森林和lstm神经网络的路内泊位占有率预测方法
CN115713206A (zh) 一种公交个体出行决策模型
Ajani et al. Dynamic path planning approaches based on artificial intelligence and machine learning
Wan et al. Real-time navigation in urban areas using mobile crowd-sourced data
CN116194935A (zh) 用于确定地理区域中的车辆的导航简档的方法和设备
Cingel et al. Modal split analysis by best-worst method and multinominal logit model
CN116772877B (zh) 一种新能源汽车续航里程预测方法、系统、装置及介质
Singh et al. Future trends of path planning framework considering accident attributes for smart cities

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