CN115930987A - 一种充电站推荐方法、系统、设备和介质 - Google Patents

一种充电站推荐方法、系统、设备和介质 Download PDF

Info

Publication number
CN115930987A
CN115930987A CN202211241099.5A CN202211241099A CN115930987A CN 115930987 A CN115930987 A CN 115930987A CN 202211241099 A CN202211241099 A CN 202211241099A CN 115930987 A CN115930987 A CN 115930987A
Authority
CN
China
Prior art keywords
charging station
charging
vehicle
data
real
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
CN202211241099.5A
Other languages
English (en)
Inventor
孔伯炜
李易
林富
李宗华
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.)
Chongqing Changan New Energy Automobile Technology Co Ltd
Original Assignee
Chongqing Changan New Energy Automobile 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 Chongqing Changan New Energy Automobile Technology Co Ltd filed Critical Chongqing Changan New Energy Automobile Technology Co Ltd
Priority to CN202211241099.5A priority Critical patent/CN115930987A/zh
Publication of CN115930987A publication Critical patent/CN115930987A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

Landscapes

  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本申请提供一种充电站推荐方法、系统、设备和介质，包括：获取寻找充电站请求，根据所述寻找充电站请求调用请求车辆的实时行车数据、请求车辆所在道路的交通数据以及天气数据；根据所述实时行车数据、所述交通数据以及天气数据确定所述请求车辆的真实续航里程；根据所述真实续航里程确定所述请求车辆可到达的充电站以及到达对应充电站的到达时间段，其中所述可到达的充电站为多个；将所述到达时间段内充电成功率最高的充电站作为目标充电站反馈至所述请求车辆，其中所述充电成功率由预训练的预测模型根据云端存储的充电站信息、历史对应时间段的交通信息以及天气信息建立充电成功率与时间段的映射关系得到。本申请可有效增强用户体验。

Description

一种充电站推荐方法、系统、设备和介质
技术领域
本申请涉及智能汽车领域，尤其涉及一种充电站推荐方法、系统、设备和介质。
背景技术
随着新能源汽车的推广，新能源车主的充电需求随之增加，充电桩也在不断普及，高德地图、百度地图等各大电子地图APP也都导入了充电站位置网络。但是这些APP的充电站位置网络在为车主带来便利的同时，也产生了相当多的问题。充电站位置与车辆当前的剩余里程无法关联，导致车主可能在电量耗尽前无法到达充电站；故障充电桩没有提示，导致车主在到达充电站后无法充电；当多个用户同时查询充电桩位置信息时，存在大量用户前往同一充电桩充电的可能性，导致车主到达充电站后长时间等待。以上问题等都给新能源汽车车主带来了不好的体验。
发明内容
鉴于以上现有技术存在的问题，本申请提出一种充电站推荐方法、系统、设备和介质，主要解决充电站推荐可用性较差，长时间等待造成资源浪费且影响用户体验的问题。
为了实现上述目的及其他目的，本申请采用的技术方案如下。
本申请提供一种充电站推荐方法，包括：
获取寻找充电站请求，根据所述寻找充电站请求调用请求车辆的实时行车数据、请求车辆所在道路的交通数据以及天气数据；
根据所述实时行车数据、所述交通数据以及天气数据确定所述请求车辆的真实续航里程；
根据所述真实续航里程确定所述请求车辆可到达的充电站以及到达对应充电站的到达时间段，其中所述可到达的充电站为多个；
将所述到达时间段内充电成功率最高的充电站作为目标充电站反馈至所述请求车辆，其中所述充电成功率由预训练的预测模型根据云端存储的充电站信息、历史对应时间段的交通信息以及天气信息建立充电成功率与时间段的映射关系得到。
在本申请一实施例中，获取寻找充电桩请求，包括：
获取目标终端上传的寻找充电站请求，所述寻找充电站请求由所述目标终端响应于用户的交互操作生成，或者，所述目标终端根据车端检测到自身电池荷电状态低于预设阈值时反馈的电量警示信号生成。
在本申请一实施例中，根据所述实时行车数据、所述交通数据以及天气数据确定所述请求车辆的真实续航里程，包括：
根据所述请求车辆的识别编码获取云端存储的历史车辆数据，所述历史车辆数据包括行车习惯、车辆工况、车辆剩余电量以及行车环境；
根据所述历史车辆数据建立所述请求车辆的行车习惯下不同车辆工况及行车环境与车辆剩余电量的续航里程的对应关系；
根据所述实时行车数据、所述交通数据从对应关系确定对应的续航里程作为所述真实续航里程。
在本申请一实施例中，根据所述真实续航里程确定所述请求车辆可到达的充电站以及到达对应充电站的到达时间段，包括：
获取所述请求车辆的定位信息；
根据所述定位信息以及所述真实续航里程确定充电站搜索范围；
将云端存储的充电站的位置信息与所述充电站搜索范围进行比较，得到多个在所述充电站搜索范围内的充电站，组成充电站集合；
根据所述请求车辆与所述充电站集合中各充电站的距离预测所述请求车辆到达各所述充电站的时间段，记为到达时间段。
在本申请一实施例中，所述预测模型的预训练过程包括：
获取预设历史周期内各时段的交通数据、道路天气数据、充电站信息以及充电站空闲率；
调用各车型在各充电站位置的充电数据，所述充电数据由各车端系统上传至主机厂进行预存储以供调用；
根据所述充电数据确定车辆进入充电站到切换为充电状态的第一时长，若所述第一时长高于预设时长阈值，则对应充电桩故障，以此得到对应充电桩各时段的故障率；
根据所述故障率和对应充电站的充电站空闲率生成对应充电站的充电成功率标签；
将所述预设历史周期内各时段的交通数据、道路天气数据和充电站信息作为卷积神经网络的输入，以所述充电成功率标签与真实充电成功率的偏差构建损失函数，采用梯度下降的方式进行模型训练，得到所述预测模型。
在本申请一实施例中，将所述预设历史周期内各时段的交通数据、道路天气数据和充电站信息作为卷积神经网络的输入之前，还包括：
计算所述预设历史周期内各时段的交通数据、道路天气数据中与充电站信息的相关性系数，获取相关性系数高于预设系数阈值的数据作为关联特征；
根据所述关联特征之间的方差膨胀系数确定各所述关联特征之间多重共线性值，将所述多重共线性值高于预设值的特征作为输入特征以输入所述卷积神经网络进行模型训练。
在本申请一实施例中，将所述到达时间段内充电成功率最高的充电站作为目标充电站反馈至所述请求车辆之后，还包括：
计算所述请求车辆到达所述目标充电站后的剩余续航里程；
根据所述真实续航里程和所述剩余续航里程的差值确定所述请求车辆的安全续航范围以根据所述安全续航范围输出对应的警示信息。
本市内情还提供一种充电站推荐系统，包括：
请求响应模块，用于获取寻找充电站请求，根据所述寻找充电站请求调用请求车辆的实时行车数据、请求车辆所在道路的交通数据以及天气数据；
里程确定模块，用于根据所述实时行车数据、所述交通数据以及天气数据确定所述请求车辆的真实续航里程；
充电站获取模块，用于根据所述真实续航里程确定所述请求车辆可到达的充电站以及到达对应充电站的到达时间段，其中所述可到达的充电站为多个；
目标充电站确定模块，用于将所述到达时间段内充电成功率最高的充电站作为目标充电站反馈至所述请求车辆，其中所述充电成功率由预训练的预测模型根据云端存储的充电站信息、历史对应时间段的交通信息以及天气信息建立充电成功率与时间段的映射关系得到。
本申请还提供一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的充电站推荐方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的充电站推荐方法的步骤。
如上所述，本申请一种充电站推荐方法，具有以下有益效果。
本申请获取寻找充电站请求，根据所述寻找充电站请求调用请求车辆的实时行车数据、请求车辆所在道路的交通数据以及天气数据；根据所述实时行车数据、所述交通数据以及天气数据确定所述请求车辆的真实续航里程；根据所述真实续航里程确定所述请求车辆可到达的充电站以及到达对应充电站的到达时间段，其中所述可到达的充电站为多个；将所述到达时间段内充电成功率最高的充电站作为目标充电站反馈至所述请求车辆，其中所述充电成功率由预训练的预测模型根据云端存储的充电站信息、历史对应时间段的交通信息以及天气信息建立充电成功率与时间段的映射关系得到。本申请可有效利用交通情况、天气情况以及车辆行车数据等信息进行车辆真实续航里程估计以及充电站充电成功率预测，提高推荐的目标充电站的可用性，减少车主等待时间，增强用户体验。
附图说明
图1为本申请一实施例中充电站推荐方法的流程示意图。
图2为本申请一实施例中车辆安全续航范围检测的流程示意图。
图3为本申请一实施例中充电站推荐系统的模块图。
图4为本申请另一实施例中充电站推荐系统的架构示意图
图5为本申请一实施例中设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1，本申请提供充电站推荐方法，该方法包括以下步骤：
步骤S100，获取寻找充电站请求，根据所述寻找充电站请求调用请求车辆的实时行车数据、请求车辆所在道路的交通数据以及天气数据。
在一实施例中，车辆可将实时行车数据上传至云端的管理平台进行存储，云端管理平台可以为主机厂服务器，主机厂服务器中可存储自身的全量车型对应的行车数据，以及车端采集的行车环境以及道路交通状况等数据。
在一实施例中，获取寻找充电桩请求，包括：
获取目标终端上传的寻找充电站请求，所述寻找充电站请求由所述目标终端响应于用户的交互操作生成，或者，所述目标终端根据车端检测到自身电池荷电状态低于预设阈值时反馈的电量警示信号生成。
具体地，用户通过车机、手机主动发起，或者车机检测到车辆当前SOC低于30％自动向应用服务器发起查找充电站的请求，应用服务器分别连接云服务器和主机厂服务器。云服务器中存储的实时及固定历史周期内各时段数据包括：交通热力Tt、道路天气情况Wt、充电站信息CSt以及充电站空闲率CAt。交通热力Tt，包括道路经纬度、道路设计速度、道路等级、道路宽度、道路车道数、时段内道路车流量、车辆平均速度、车辆行程时间等。道路天气情况Wt，包括经纬度、时段内的最高温度、最低温度、平均温度、降水量、平均风速、太阳辐射等。充电站信息CSt，包括充电站建成时间、GPS位置、充电桩数量、充电电价、停车费用、充电站累计接待车次等。主机厂服务器中存储的数据包括：车辆实时数据CCt，包括实时GPS位置、实时电池SOC、真实续航里程等。其中，所述真实续航里程不是传统的根据历史平均能耗以及当前剩余能量估算得出，而是综合考虑驾驶习惯、车辆工况、外部环境等多方面对车辆续航里程的影响后进行预测的真实续航里程；时段全量充电数据CTt：主要是实时及固定历史周期内各时段主机厂全量车型在充电站所处GPS位置时的充电数据。
步骤S110，根据所述实时行车数据、所述交通数据以及天气数据确定所述请求车辆的真实续航里程。
在一实施例中，根据所述实时行车数据、所述交通数据以及天气数据确定所述请求车辆的真实续航里程，包括：
根据所述请求车辆的识别编码获取云端存储的历史车辆数据，所述历史车辆数据包括行车习惯、车辆工况、车辆剩余电量以及行车环境；
根据所述历史车辆数据建立所述请求车辆的行车习惯下不同车辆工况及行车环境与车辆剩余电量的续航里程的对应关系；
根据所述实时行车数据、所述交通数据从对应关系确定对应的续航里程作为所述真实续航里程。
具体地，真实续航里程不是传统的根据历史平均能耗以及当前剩余能量估算得出，而是综合考虑驾驶习惯、车辆工况、外部环境等多方面对车辆续航里程的影响后进行预测的真实续航里程。
步骤S120，根据所述真实续航里程确定所述请求车辆可到达的充电站以及到达对应充电站的到达时间段，其中所述可到达的充电站为多个。
在一实施例中，通过主机厂服务器中存储的车辆GPS、真实续航里程及云服务器中存储的充电站GPS匹配真实续航里程内可以达到的充电站GPS，联合实时Tt，预测到达各充电站的时段。
在一实施例中，根据所述真实续航里程确定所述请求车辆可到达的充电站以及到达对应充电站的到达时间段，包括：
获取所述请求车辆的定位信息；
根据所述定位信息以及所述真实续航里程确定充电站搜索范围；
将云端存储的充电站的位置信息与所述充电站搜索范围进行比较，得到多个在所述充电站搜索范围内的充电站，组成充电站集合；
根据所述请求车辆与所述充电站集合中各充电站的距离预测所述请求车辆到达各所述充电站的时间段，记为到达时间段。
具体地，主机厂服务器查询到车辆当前GPS位置和真实续航里程后，传输至云服务器，由云服务器匹配真实续航里程内可到达的充电站，得到各充电站的GPS位置，结合实时Tt，计算车辆当前位置和各充电站位置之间的行驶时长，得出到达各充电站的预测时间。同时，云服务器将可到达充电站的GPS位置传输至主机厂服务器。
步骤S130，将所述到达时间段内充电成功率最高的充电站作为目标充电站反馈至所述请求车辆，其中所述充电成功率由预训练的预测模型根据云端存储的充电站信息、历史对应时间段的交通信息以及天气信息建立充电成功率与时间段的映射关系得到。
在一实施例中，所述预测模型的预训练过程包括：
获取预设历史周期内各时段的交通数据、道路天气数据、充电站信息以及充电站空闲率；
调用各车型在各充电站位置的充电数据，所述充电数据由各车端系统上传至主机厂进行预存储以供调用；
根据所述充电数据确定车辆进入充电站到切换为充电状态的第一时长，若所述第一时长高于预设时长阈值，则对应充电桩故障，以此得到对应充电桩各时段的故障率；
根据所述故障率和对应充电站的充电站空闲率生成对应充电站的充电成功率标签；
将所述预设历史周期内各时段的交通数据、道路天气数据和充电站信息作为卷积神经网络的输入，以所述充电成功率标签与真实充电成功率的偏差构建损失函数，采用梯度下降的方式进行模型训练，得到所述预测模型。
在一实施例中，将所述预设历史周期内各时段的交通数据、道路天气数据和充电站信息作为卷积神经网络的输入之前，还包括：
计算所述预设历史周期内各时段的交通数据、道路天气数据中与充电站信息的相关性系数，获取相关性系数高于预设系数阈值的数据作为关联特征；
根据所述关联特征之间的方差膨胀系数确定各所述关联特征之间多重共线性值，将所述多重共线性值高于预设值的特征作为输入特征以输入所述卷积神经网络进行模型训练。
具体地，通过主机厂服务器和云服务器内存储的数据建立基于卷积神经网络(cNN)的分时段充电站充电成功率预测模型，具体步骤如下：
2.1通过主机厂服务器中存储的固定历史周期内CTt，查询主机厂自有车型在到达该GPS位置时10分钟以内车辆是否变为充电状态，车辆若变为充电状态则记为无故障，得出充电站历史各时段故障率GPS-Ct。
2.2通过云服务器中存储的固定历史周期内各时段充电站CAt及所述步骤2.1中对应的GPS_Ct，得出充电站历史各时段充电成功率：
yt＝CAt*(1-GPS_Gt)，即yt受充电桩空闲情况和故障情况影响。
2.3将Tt、Wt以及CSt中的GPS位置、充电桩数量、充电电价、停车费用作为影响充电桩空闲情况的特征，将CSt中的充电站建成时间和累计接待车次作为影响充电桩故障情况的特征。使用Pearson相关系数r，计算固定历史周期内所述特征对充电成功率的相关性，仅筛选|r|>0.8的高度相关的特征。
2.4使用方差膨胀系数(VIF)，计算所述步骤2.3中经筛选的特征之间的多重共线性，若特征之间的VIF>0，则只保留其中相关系数高的一个特征，保证输入特征不冗余。
2.5使用所述步骤2.4中经筛选的Tt、Wt、CSt作为进入模型的特征xt，对应的yt作为进入模型的标签y，按照比例划分测试集和训练集，输入卷积神经网络模型，网络结构如下：
2.5.1输入层为Tt、Wt、CSt三个特征图；
2.5.2第一层卷积层使用Conv1D结构，激活函数使用ReLU函数，池化层使用最大池化max-pooling：
2.5.3第二层卷积层输入为第一层输出，结构与第一层类似，仅在过滤器数量上调整；
2.5.4第一层全连接层输入为卷积层输出，激活函数使用ReLU函数；
2.5.5第二层全连接层输入为第一层全连接层输出，激活函数使用Softmax进行归一化；
2.5.6梯度下降优化算法使用自适应梯度下降(Adam)，损失函数使用均方误差损失函数MSE评估预测值和真实值yt的精确度：
2.6将所述步骤2.5中训练完成的模型存储至云服务器
在一实施例中，通过前述步骤得到的充电站充电成功率预测模型，预测车辆到达各充电站时的实时充电成功率，选择成功率最高的充电站为推荐最优充电站。
具体来说，云服务器查询内部存储的Tt、Wt、CSt，调用经过预训练的预测模型，计算车辆到达充电站时的预计综合充电成功率，选取成功率最高的充电站作为最优充电站，并将该充电站的相关信息单独存储。根据最优充电站的GPS位置和收费标准，得出推荐给用户的最优充电路线和该充电站将车辆当前SOC充电至100％所需要的费用。
在一实施例中，将所述到达时间段内充电成功率最高的充电站作为目标充电站反馈至所述请求车辆之后，还包括：
计算所述请求车辆到达所述目标充电站后的剩余续航里程；
根据所述真实续航里程和所述剩余续航里程的差值确定所述请求车辆的安全续航范围以根据所述安全续航范围输出对应的警示信息。
请参阅图2，图2为本申请一实施例中车辆安全续航范围检测的流程示意图。用户通过车机、手机向应用服务器发起开启安全续航范围检测功能的请求，应用服务器发起连接前述的寻找充电站请求。通过前述预测模型，计算车辆到达成功率>＝90％(初始值设置为90％，用户可自行调整)的充电站时的剩余续航里程：剩余续航里程＝真实续航里程-到达充电成功率>＝90％充电站所需里程。根据剩余续航里程划定安全续航范围，到达充电站后剩余续航里程超过10KM的范围显示为绿色，剩余续航里程小于10KM、大于5KM的范围显示为黄色，小于5KM的范围显示为红色。以得到的安全续航范围生成对应的警示信息。
基于以上方案，本申请中使用的续航里程不是传统的仅根据历史能耗和剩余电量的简单估算，而是综合考虑驾驶习惯、车辆工况、外部环境等多方面影响的真实续航里程，能够更加精准的预测续航里程内能够到达的充电站。本申请中计算充电成功率的标准不是传统的仅考虑续航里程以内是否空闲，而是综合考虑了空闲情况和故障情况，从而避免了普通电子地图不显示充电桩故障导致用户到达充电站后因充电桩故障导致无法充电的情况。且考虑到了充电站经营商通常不会上传充电桩故障数据，本申请可使用了主机厂自有车辆在到达充电站位置后10分钟内是否变为充电状态来代替故障率。本申请中的预计空闲率不是传统的仅计算当前充电桩是否空闲，而是考虑了车辆从当前位置行驶到对应充电站的预计时段和基于每一时段的历史空闲率预测出的各时段空闲率，计算出的到达充电桩时预计空闲率，从而避免了车主到达充电站后长时间等待的情况。
请参阅图3，本实施例提供了一种充电站推荐系统，用于执行前述方法实施例中所述的充电站推荐方法。由于系统实施例的技术原理与前述方法实施例的技术原理相似，因而不再对同样的技术细节做重复性赘述。
在一实施例中，充电站推荐系统，包括：请求响应模块10，用于获取寻找充电站请求，根据所述寻找充电站请求调用请求车辆的实时行车数据、请求车辆所在道路的交通数据以及天气数据；里程确定模块11，用于根据所述实时行车数据、所述交通数据以及天气数据确定所述请求车辆的真实续航里程；充电站获取模块12，用于根据所述真实续航里程确定所述请求车辆可到达的充电站以及到达对应充电站的到达时间段，其中所述可到达的充电站为多个；目标充电站确定模块13，用于将所述到达时间段内充电成功率最高的充电站作为目标充电站反馈至所述请求车辆，其中所述充电成功率由预训练的预测模型根据云端存储的充电站信息、历史对应时间段的交通信息以及天气信息建立充电成功率与时间段的映射关系得到。
请参阅图4，图4为本申请另一实施例中充电站推荐系统的架构示意图。该系统用于执行前述充电站推荐方法，执行步骤如下：
1、用户通过车机、手机主动发起，或者车机检测到车辆当前SOC低于30％自动向应用服务器发起查找充电站的请求，应用服务器分别连接云服务器和主机厂服务器。
其中，云服务器中存储的实时及固定历史周期内各时段数据包括：交通热力Tt、道路天气情况Wt、充电站信息CSt以及充电站空闲率CAt。
主机厂服务器中存储的数据包括：车辆实时数据CCt、实时及固定历史周期内各时段主机厂全量车型在充电站所处GPS位置时的充电数据CTt。其中，所述真实续航里程不是传统的根据历史平均能耗以及当前剩余能量估算得出，而是综合考虑驾驶习惯、车辆工况、外部环境等多方面对车辆续航里程的影响后进行预测的真实续航里程。
2、通过主机厂服务器和云服务器内存储的数据建立基于卷积神经网络(CNN)的分时段充电站充电成功率预测模型。
3、通过主机厂服务器中存储的车辆GPS、真实续航里程及云服务器中存储的充电站GPS匹配真实续航里程内可以达到的充电站GPS，联合实时Tt，预测到达各充电站的时段。
4、通过步骤2中所述分时段充电站充电成功率预测模型，预测车辆到达步骤3中所述各充电站时的实时充电成功率，选择成功率最高的充电站为推荐最优充电站。
5、通过步骤4中所述最优充电站的GPS位置和收费标准，得出推荐给用户的最优充电路线和该充电站将车辆当前SOC充电至100％所需要的费用。
本申请实施例还提供了一种充电站推荐设备，该设备可以包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述设备执行图1所述的方法。在实际应用中，该设备可以作为终端设备，也可以作为服务器，终端设备的例子可以包括：智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3，Moving Picture Experts Group Audio Layer III)播放器、MP4(动态影像专家压缩标准语音层面4，Moving Picture Experts Group Audio Layer IV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等，本申请实施例对于具体的设备不加以限制。
本申请实施例还提供了一种机器可读介质，该介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的图1中充电站预警方法所包含步骤的指令(instructions)。机器可读介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(如：软盘、硬盘、磁带)、光介质(如：DVD)、或者半导体介质(如：固态硬盘Solid State Disk(SSD))等。
参阅图5，本实施例提供一种设备80，设备80可以是台式机、便携式电脑、智能手机等设备。详细的，设备80至少包括通过总线81连接的：存储器82、处理器83，其中，存储器82用于存储计算机程序，处理器83用于执行存储器82存储的计算机程序，以执行前述方法实施例中的全部或部分步骤。
上述提到的系统总线可以是外设部件互连标准(Peripheral PomponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称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。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。

Claims (10)

1.一种充电站推荐方法，其特征在于，包括：
获取寻找充电站请求，根据所述寻找充电站请求调用请求车辆的实时行车数据、请求车辆所在道路的交通数据以及天气数据；
根据所述实时行车数据、所述交通数据以及天气数据确定所述请求车辆的真实续航里程；
根据所述真实续航里程确定所述请求车辆可到达的充电站以及到达对应充电站的到达时间段，其中所述可到达的充电站为多个；
将所述到达时间段内充电成功率最高的充电站作为目标充电站反馈至所述请求车辆，其中所述充电成功率由预训练的预测模型根据云端存储的充电站信息、历史对应时间段的交通信息以及天气信息建立充电成功率与时间段的映射关系得到。
2.根据权利要求1所述的充电站推荐方法，其特征在于，获取寻找充电桩请求，包括：
获取目标终端上传的寻找充电站请求，所述寻找充电站请求由所述目标终端响应于用户的交互操作生成，或者，所述目标终端根据车端检测到自身电池荷电状态低于预设阈值时反馈的电量警示信号生成。
3.根据权利要求1所述的充电站推荐方法，其特征在于，根据所述实时行车数据、所述交通数据以及天气数据确定所述请求车辆的真实续航里程，包括：
根据所述请求车辆的识别编码获取云端存储的历史车辆数据，所述历史车辆数据包括行车习惯、车辆工况、车辆剩余电量以及行车环境；
根据所述历史车辆数据建立所述请求车辆的行车习惯下不同车辆工况及行车环境与车辆剩余电量的续航里程的对应关系；
根据所述实时行车数据、所述交通数据从对应关系确定对应的续航里程作为所述真实续航里程。
4.根据权利要求1所述的充电站推荐方法，其特征在于，根据所述真实续航里程确定所述请求车辆可到达的充电站以及到达对应充电站的到达时间段，包括：
获取所述请求车辆的定位信息；
根据所述定位信息以及所述真实续航里程确定充电站搜索范围；
将云端存储的充电站的位置信息与所述充电站搜索范围进行比较，得到多个在所述充电站搜索范围内的充电站，组成充电站集合；
根据所述请求车辆与所述充电站集合中各充电站的距离预测所述请求车辆到达各所述充电站的时间段，记为到达时间段。
5.根据权利要求1所述的充电站推荐方法，其特征在于，所述预测模型的预训练过程包括：
获取预设历史周期内各时段的交通数据、道路天气数据、充电站信息以及充电站空闲率；
调用各车型在各充电站位置的充电数据，所述充电数据由各车端系统上传至主机厂进行预存储以供调用；
根据所述充电数据确定车辆进入充电站到切换为充电状态的第一时长，若所述第一时长高于预设时长阈值，则对应充电桩故障，以此得到对应充电桩各时段的故障率；
根据所述故障率和对应充电站的充电站空闲率生成对应充电站的充电成功率标签；
将所述预设历史周期内各时段的交通数据、道路天气数据和充电站信息作为卷积神经网络的输入，以所述充电成功率标签与真实充电成功率的偏差构建损失函数，采用梯度下降的方式进行模型训练，得到所述预测模型。
6.根据权利要求5所述的充电站推荐方法，其特征在于，将所述预设历史周期内各时段的交通数据、道路天气数据和充电站信息作为卷积神经网络的输入之前，还包括：
计算所述预设历史周期内各时段的交通数据、道路天气数据中与充电站信息的相关性系数，获取相关性系数高于预设系数阈值的数据作为关联特征；
根据所述关联特征之间的方差膨胀系数确定各所述关联特征之间多重共线性值，将所述多重共线性值高于预设值的特征作为输入特征以输入所述卷积神经网络进行模型训练。
7.根据权利要求1所述的充电站推荐方法，其特征在于，将所述到达时间段内充电成功率最高的充电站作为目标充电站反馈至所述请求车辆之后，还包括：
计算所述请求车辆到达所述目标充电站后的剩余续航里程；
根据所述真实续航里程和所述剩余续航里程的差值确定所述请求车辆的安全续航范围以根据所述安全续航范围输出对应的警示信息。
8.一种充电站推荐系统，其特征在于，包括：
请求响应模块，用于获取寻找充电站请求，根据所述寻找充电站请求调用请求车辆的实时行车数据、请求车辆所在道路的交通数据以及天气数据；
里程确定模块，用于根据所述实时行车数据、所述交通数据以及天气数据确定所述请求车辆的真实续航里程；
充电站获取模块，用于根据所述真实续航里程确定所述请求车辆可到达的充电站以及到达对应充电站的到达时间段，其中所述可到达的充电站为多个；
目标充电站确定模块，用于将所述到达时间段内充电成功率最高的充电站作为目标充电站反馈至所述请求车辆，其中所述充电成功率由预训练的预测模型根据云端存储的充电站信息、历史对应时间段的交通信息以及天气信息建立充电成功率与时间段的映射关系得到。
9.一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的充电站推荐方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的充电站推荐方法的步骤。
CN202211241099.5A 2022-10-11 2022-10-11 一种充电站推荐方法、系统、设备和介质 Pending CN115930987A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211241099.5A CN115930987A (zh) 2022-10-11 2022-10-11 一种充电站推荐方法、系统、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211241099.5A CN115930987A (zh) 2022-10-11 2022-10-11 一种充电站推荐方法、系统、设备和介质

Publications (1)

Publication Number Publication Date
CN115930987A true CN115930987A (zh) 2023-04-07

Family

ID=86696573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211241099.5A Pending CN115930987A (zh) 2022-10-11 2022-10-11 一种充电站推荐方法、系统、设备和介质

Country Status (1)

Country Link
CN (1) CN115930987A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117371635A (zh) * 2023-11-16 2024-01-09 浙江快哥新能源科技有限公司 基于人工智能的移动换电储能数据分析管理系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117371635A (zh) * 2023-11-16 2024-01-09 浙江快哥新能源科技有限公司 基于人工智能的移动换电储能数据分析管理系统及方法
CN117371635B (zh) * 2023-11-16 2024-03-22 浙江快哥新能源科技有限公司 基于人工智能的移动换电储能数据分析管理系统及方法

Similar Documents

Publication Publication Date Title
CN108133619B (zh) 停车场停车预测的方法、装置、存储介质及终端设备
US9285240B2 (en) EV route optimization through crowdsourcing
CN108829778B (zh) 充电桩智能推荐方法、装置和系统
US20180060776A1 (en) Optimizing Selection of Battery Electric Vehicles to Perform Delivery Tasks
CN111532166A (zh) 一种电动汽车充电路径规划方法、装置、汽车及计算机存储介质
CN110570678B (zh) 一种公交车辆从起点到终点总行驶时间预测方法及装置
CN112703518B (zh) 剩余里程预测的方法和电池远程服务的系统
US11536582B2 (en) System and method for estimating travel time and distance
US20220065652A1 (en) Systems And Methods For Increasing Solar Power Generation During Vehicle Parking
CN112070255A (zh) 一种用于智慧城市光储充一体化停车棚的运营管理系统
CN115930987A (zh) 一种充电站推荐方法、系统、设备和介质
CN112418524A (zh) 充电站可用状态的预测方法、装置、设备和存储介质
CN116828515A (zh) 一种车联网下基于时空图卷积的边缘服务器负载预测方法
WO2023241388A1 (zh) 模型训练方法及装置、补能意图识别方法及装置、设备、介质
WO2020254418A1 (en) System and method for populating a database with occupancy data of parking facilities
CN115330281B (zh) 智慧城市新能源汽车充电服务方法、系统、装置和介质
CN116665479A (zh) 车位推荐方法、装置、电子设备及存储介质
CN116579460A (zh) 信息预测方法、装置、计算机设备和存储介质
CN110674962A (zh) 车辆的行程预估处理方法、装置及存储介质
CN112669603B (zh) 基于大数据的城市交通协同方法及装置
CN114724414A (zh) 城市空中交通分担率的确定方法、装置、电子设备及介质
CN114256523A (zh) 一种充电桩充电控制方法、装置、电子设备及存储介质
CN116853058B (zh) 充电功率预测的方法、装置、电子设备及可读存储介质
CN113643564B (zh) 一种停车数据修复方法、装置、计算机设备以及存储介质
CN116384568B (zh) 一种电动汽车充电负荷预测方法、系统、设备及介质

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