CN115993130A - 充电站规划方法、装置、电子设备及存储介质 - Google Patents
充电站规划方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115993130A CN115993130A CN202211512917.0A CN202211512917A CN115993130A CN 115993130 A CN115993130 A CN 115993130A CN 202211512917 A CN202211512917 A CN 202211512917A CN 115993130 A CN115993130 A CN 115993130A
- Authority
- CN
- China
- Prior art keywords
- charging station
- charging
- candidate
- target
- cost
- 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
-
- 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)
- Navigation (AREA)
Abstract
本申请提供一种充电站规划方法、装置、电子设备及存储介质,该方法包括:获取车辆行驶数据以及与预设导航路线对应的至少一个候选充电站,并确定与各所述候选充电站对应的充电站属性数据;基于所述车辆行驶数据、所述至少一个候选充电站以及与各所述候选充电站对应的充电站属性数据,在第一限制条件和第二限制条件的约束下对预先建立的目标函数进行求解,确定至少一个目标充电站以及与各所述目标充电站对应的目标充电电量;根据确定的至少一个目标充电站以及与各所述目标充电站对应的目标充电电量进行路径规划。通过本申请的技术方案,实现了根据参考成本有效的对长距离行驶的电动汽车进行充电站的选择规划的效果。
Description
技术领域
本申请涉及电动汽车技术领域,尤其涉及一种充电站规划方法、装置、电子设备及存储介质。
背景技术
电动汽车逐渐普及,但是在长距离行驶时,驾驶人员会由于电能的补充问题产生焦虑。
目前多数的充电站推荐系统仅仅是将沿途的充电站信息进行呈现,驾驶人员自行决策;也存在一些根据车辆的剩余电量来推荐周边充电站的方法,但是这些推荐方法无法结合车辆的实际路程工况进行推荐。这样会导致推荐不准确以及充电规划不佳的问题,例如频繁充电,电量无法支撑至下一个充电站等。
发明内容
有鉴于此,本申请的目的在于提出一种充电站规划方法、装置、电子设备及存储介质,以有效的对长距离行驶的电动汽车进行充电站的选择规划。
基于上述目的,本申请提供了一种充电站规划方法,该方法包括:
获取车辆行驶数据以及与预设导航路线对应的至少一个候选充电站,并确定与各所述候选充电站对应的充电站属性数据;其中,所述充电站属性数据用于表征所述候选充电站的属性;
基于所述车辆行驶数据、所述至少一个候选充电站以及与各所述候选充电站对应的充电站属性数据,在第一限制条件和第二限制条件的约束下对预先建立的目标函数进行求解,确定至少一个目标充电站以及与各所述目标充电站对应的目标充电电量;其中,所述目标函数为以参考成本最小为目标构建的函数,所述第一限制条件为每个所述候选充电站对应的单次行驶距离不大于对应的单次续航里程,所述第二限制条件为每个所述候选充电站对应的充电起始电量不大于每个所述候选充电站对应的目标充电电量;所述候选充电站对应的充电起始电量为到达所述候选充电站时车辆的剩余电量;
根据确定的至少一个目标充电站以及与各所述目标充电站对应的目标充电电量进行路径规划。
基于上述目的,本申请还提供了一种充电站规划装置,该装置包括:
数据获取模块,用于获取车辆行驶数据以及与预设导航路线对应的至少一个候选充电站,并确定与各所述候选充电站对应的充电站属性数据;其中,所述充电站属性数据用于表征所述候选充电站的属性;
目标函数求解模块,用于基于所述车辆行驶数据、所述至少一个候选充电站以及与各所述候选充电站对应的充电站属性数据,在第一限制条件和第二限制条件的约束下对预先建立的目标函数进行求解,确定至少一个目标充电站以及与各所述目标充电站对应的目标充电电量;其中,所述目标函数为以参考成本最小为目标构建的函数,所述第一限制条件为每个所述候选充电站对应的单次行驶距离不大于对应的单次续航里程,所述第二限制条件为每个所述候选充电站对应的充电起始电量不大于每个所述候选充电站对应的目标充电电量;所述候选充电站对应的充电起始电量为到达所述候选充电站时车辆的剩余电量;
路径规划模块,用于根据确定的至少一个目标充电站以及与各所述目标充电站对应的目标充电电量进行路径规划。
基于上述目的,本申请还提供了一种电子设备,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程序时实现如本申请任一实施例提供的充电站规划方法。
基于上述目的,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,其特征在于,所述计算机指令用于使计算机执行本申请任一实施例提供的充电站规划方法。
从上面所述可以看出,本申请提供的充电站规划方法,通过车辆行驶数据、预设导航路线上的各候选充电站以及与各候选充电站对应的充电站属性数据,能够在第一限制条件和第二限制条件的约束下对预先建立的以参考成本最小为目标的目标函数进行求解,以按照参考成本来确定至少一个目标充电站以及与各目标充电站对应的目标充电电量,进而,根据确定的至少一个目标充电站以及与各目标充电站对应的目标充电电量进行路径规划,以合理且有效的从参考成本出发,对长距离行驶的电动汽车进行充电站的选择规划。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种充电站规划方法的流程图;
图2为本申请实施例提供的另一种充电站规划方法的流程图;
图3为本申请实施例提供的另一种充电站规划方法的流程图;
图4为本申请实施例提供的一种充电站规划系统的示意图;
图5为本申请实施例提供的一种充电站规划装置的结构示意图;
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本申请进一步详细说明。
需要说明的是,除非另外定义,本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
图1为本申请实施例提供的一种充电站规划方法的流程图,该方法主要适用于在电动汽车长距离行驶时,选择和规划合适的充电站规划方案的情况。该方法可以由充电站规划装置执行,该装置可以采用软件和/或硬件的方式实现,该装置可配置于电子设备中。如图1所示,该方法具体可以包括如下步骤:
S110、获取车辆行驶数据以及与预设导航路线对应的至少一个候选充电站,并确定与各候选充电站对应的充电站属性数据。
其中,车辆行驶数据可以包括车辆当前的数据以及历史的数据,例如可以包括当前剩余电量、历史行为数据等。预设导航路线可以是预先规划的行驶路线。候选充电站可以是预设导航路线全途周边预设距离内的各个充电站。充电站属性数据用于表征候选充电站的属性,例如:充电电价,充电功率等。
具体的,通过车机获取车辆的车辆行驶数据,具体获取何种车辆行驶数据可以根据实际需求确定。并且,根据预设导航路线,确定在预设导航路线全途周边预设距离内的充电站,例如预设距离可以是30km等,具体数值可以根据需求设定。进而,将确定出的充电站作为候选充电站。
示例性的,将导航路线全途周边预设距离内的充电站按顺序进行编码为1,2,…,n,其中,n为充电站的总数量。候选充电站可以用集合的形式表示,例如:可以是x1=x11,…,x1i,…,x1n],其中,x11…x1n∈Ω1,Ω1为0,1变量,若选择第i个充电站则令x1i=1,否则,令x1i=0。
S120、基于车辆行驶数据、至少一个候选充电站以及与各候选充电站对应的充电站属性数据,在第一限制条件和第二限制条件的约束下对预先建立的目标函数进行求解,确定至少一个目标充电站以及与各目标充电站对应的目标充电电量。
其中,目标函数为以参考成本最小为目标构建的函数,第一限制条件为每个候选充电站对应的单次行驶距离不大于对应的单次续航里程,第二限制条件为每个候选充电站对应的充电起始电量不大于每个候选充电站对应的目标充电电量。目标充电电量用于表示在候选充电站内进行充电后的电量的百分比,即充电至车辆的满电电量的百分之几。示例性的,目标充电电量可以用集合的形式表示,例如:可以是x2=x21,…,x2i,…,x2n],其中,x21…x2i∈Ω2,Ω2为目标电量可行域,0<Ω2<100%。目标充电站可以是从各候选充电站中选择出的用于后续路径规划的充电站。
其中,参考成本可以是选择一定数量的候选充电站进行充电所花费的额外成本,可以是里程成本、时间成本、价格成本等。第一限制条件为用于保证车辆的电量能够供其行驶至下一个候选充电站。第二限制条件用于保证在各候选充电站内进行充电,而非放电或者无动作。单次行驶距离可以是车辆的当前位置到达下一个选中的候选充电站的行驶距离以及后续各相邻两个选中的候选充电站之间的行驶距离。单次续航里程可以是当前电量或者各候选充电站对应的目标充电电量能够支撑行驶的最远距离。候选充电站对应的充电起始电量为到达该候选充电站时车辆的剩余电量。
具体的,根据获取的车辆行驶数据,确定出的至少一个候选充电站以及与各候选充电站对应的充电站属性数据,可以在第一限制条件和第二限制条件的约束下对预先建立的目标函数进行求解,进而,将求解得到的结果作为后续路径规划所包含的目标充电站以及与各目标充电站对应的目标充电电量。
可以理解的是,将每个候选充电站对应的单次行驶距离不大于对应的单次续航里程作为第一限制条件,来保证车辆能够顺利行驶至各候选充电站,避免发生路途中没电的情况。将每个候选充电站对应的充电起始电量不大于每个候选充电站对应的目标充电电量作为第二限制条件,可以保证前往每个候选充电站的目的是为了补充电能,而非消耗电能。
在上述示例的基础上,若参考成本包括充电次数,则可以通过下述方式来在第一限制条件和第二限制条件的约束下对预先建立的目标函数进行求解:
根据各候选充电站中被选中的候选充电站的数量,确定充电次数;在第一限制条件和第二限制条件的约束下,对以充电次数最小为目标构建的目标函数进行求解。
其中,被选中的候选充电站可以是在导航路线全途周边预设距离内的各个充电站中选择出的待进行充电的充电站。充电次数可以是被选中的候选充电站的数量。
具体的,将各候选充电站中被选中的候选充电站的数量作为充电次数,即参考成本的一种。据此,目标函数可以由以参考成本最小为目标构建的函数转换为以充电次数最小为目标构建的函数。进而,在第一限制条件和第二限制条件的约束下,对以充电次数最小为目标构建的目标函数进行求解。
示例性的,各候选充电站按照集合形式可以表示为x1=x11,…,x1i,…,x1n],其中,n为候选充电站的总数量,x11…x1n∈Ω1,Ω1为0,1变量,若选中第i个候选充电站,则令x1i=1,否则,令x1i=0。
S130、根据确定的至少一个目标充电站以及与各目标充电站对应的目标充电电量进行路径规划。
具体的,根据确定出的至少一个目标充电站,对预设导航路线进行重新规划,可以得到新的导航路线。并且,针对每个目标充电站可以标注与该目标充电站对应的目标充电电量。
可选的,可以在导航地图上,针对各目标充电站进行扎标显示,以提醒用户前往该目标充电站进行充电,并充电与该目标充电站对应的目标充电电量。
本实施例提供的充电站规划方法,通过车辆行驶数据、预设导航路线上的各候选充电站以及与各候选充电站对应的充电站属性数据,能够在第一限制条件和第二限制条件的约束下对预先建立的以参考成本最小为目标的目标函数进行求解,以按照参考成本来确定至少一个目标充电站以及与各目标充电站对应的目标充电电量,进而,根据确定的至少一个目标充电站以及与各目标充电站对应的目标充电电量进行路径规划,以合理且有效的从参考成本出发,对长距离行驶的电动汽车进行充电站的选择规划。
图2为本申请实施例提供的另一种充电站规划方法的流程图,在上述各实施方式的基础上,可选的,在参考成本包括补能成本的情况下,针对目标函数的求解方式进行了示例性说明。其中,与上述各实施方式相同或相应的术语的解释在此不再赘述。如图2所示,该方法具体可以包括如下步骤:
S210、获取车辆行驶数据以及与预设导航路线对应的至少一个候选充电站,并确定与各候选充电站对应的充电站属性数据。
其中,车辆行驶数据包括车辆的当前剩余电量以及历史行为数据。充电站属性数据包括充电单价。车辆可以是进行长距离行驶的电动车辆。当前剩余电量可以是车辆的剩余电量百分比。充电单价可以是充电单位电量所花费的价格。
具体的,根据预设导航路线以及各候选充电站的位置,可以确定出从当前位置行驶至下一个所选中的候选充电站的行驶距离,还可以确定出后续任意两个相邻的所选中的候选充电站之间的行驶距离,进而,可以确定各行驶距离所耗费的电量。以当前剩余电量以及各目标充电电量作为被减数,以对应的行驶距离所耗费的电量为减数,可以得到行驶各行驶距离后的剩余电量,即充电起始电量。
可选的,可以针对预设导航路线全途周边预设距离内的各个候选充电站都获取充电单价,例如可以以集合的形式表示为p=[p1,…,pi,…,pn],其中,n为候选充电站的总数量,pi表示第i个候选充电站的充电单价。
S220、根据车辆的当前剩余电量、历史行为数据、预设导航路线、各候选充电站以及与各候选充电站对应的目标充电电量,确定与各候选充电站对应的充电起始电量。
在上述示例的基础上,可选的,可以通过下述步骤来确定各候选充电站对应的充电起始电量:
步骤一、根据预设导航路线以及各候选充电站,确定与各候选充电站对应的单次行驶距离。
其中,单次行驶距离可以是车辆的当前位置到达下一个所选中的候选充电站的行驶距离或者后续任意两个相邻的所选中的候选充电站之间的行驶距离。
具体的,根据预设导航路线以及各候选充电站中的位置,可以确定出从车辆的当前位置到达下一个所选中的候选充电站的行驶距离,还可以确定出后续任意两个相邻的所选中的候选充电站之间的行驶距离,将这些行驶距离作为单次行驶距离。
步骤二、根据历史行为数据以及预先构建的单位电耗预测模型对各单次行驶距离进行预测,确定与各候选充电站对应的单次能耗。
其中,单位电耗预测模型可以是用于预测行驶单位距离所消耗电能的模型。历史行为数据可以包括车辆在过去时间内的驾驶行为数据和/或体验行为数据,过去时间可以是在当前时刻之前,且与当前时刻相邻的一段时间。驾驶行为数据可以包括急加速频次、急减速频次、每公里平均减速度、每公里平均加速度、平均车速等。体验行为数据可以包括空调目标温度同外部环境温度的平均差值、娱乐系统在线率、车辆型号、车辆平均载荷等。
具体的,针对每个单次行驶距离,可以将该单次行驶距离划分为多个单位距离,并通过历史行为数据以及预先构建的单位电耗预测模型确定每个单位距离对应的能耗值,并将这些能耗值的和值,作为该单次行驶距离对应的单次能耗。
在上述示例的基础上,可选的,可以通过下述方式来根据历史行为数据以及预先构建的单位电耗预测模型对各单次行驶距离进行预测,确定与各候选充电站对应的单次能耗:
针对与每个候选充电站对应的单次行驶距离,根据历史行为数据以及单位电耗预测模型,确定单次行驶距离中每个单位距离的能耗值,并根据各能耗值,确定与单次行驶距离对应的单次能耗;将与每个单次行驶距离对应的单次能耗的和值作为与候选充电站对应的单次能耗。
具体的,针对与每个候选充电站对应的单次行驶距离,都可以使用相同的方式确定单次能耗,因此以其中一个单次行驶距离为例进行说明。根据历史行为数据可以对单次行驶距离中每个单位距离的行为数据进行预测,得到预测行为数据。将每个单位距离对应的预测行为数据输入至单位电耗预测模型中,可以预测得到每个单位距离的能耗值。进而,将这些能耗值的和值作为与该单次行驶距离对应的单次能耗。
在上述示例的基础上,可选的,单位电耗预测模型可以通过下述方式训练得到:
获取样本行为数据;根据单位距离,对样本行为数据进行划分,得到样本单位行为数据,并确定与样本单位行为数据对应的样本单位能耗值;根据样本单位行为数据以及样本单位能耗值,对初始预测模型进行训练,得到单位电耗预测模型。
其中,样本行为数据可以是车辆通过TBOX(Telematics-BOX,车联网系统)采集的数据。单位距离可以是预先设置的距离,例如1km等。样本单位行为数据可以是按照单位距离对样本行为数据进行划分得到的数据。样本单位能耗值可以是车辆按照样本单位行为数据行驶所消耗的电能。初始预测模型可以是未经模型参数调整的预测模型。
具体的,通过TBOX获取车辆的样本行为数据,并将样本行为数据按照单位距离进行划分,得到多个样本单位行为数据。进而,确定车辆按照各样本单位行为数据行驶所消耗的电能,即与各样本单位行为数据对应的样本单位能耗值。进而,将各样本单位行为数据以及对应的各样本单位能耗值,划分为训练集和测试集。通过训练集对初始预测模型进行训练,并通过测试集对训练通过的初始预测模型进行测试,以调整初始测试模型的模型参数,将通过测试的初始预测模型作为单位电耗预测模型。
示例性的,通过TBOX采集车辆的历史行程数据,并进行数据存储,将数据按安全及合规要求进行脱敏处理,将数据打散,作为样本行为数据。将样本行为数据按6:2:2进行训练集、验证集和测试集的划分。进一步的,建立特征工程,考虑驾驶行为习惯、道路拥堵情况、车内娱乐及空调系统使用情况下的耗电情况,按1公里对样本行为数据进行切片处理,包括:计算急加速频次;计算急减速频次;计算每公里平均减速度;计算每公里平均加速度;计算平均车速;计算空调目标温度同外部环境温度平均差值(目标温度低于环境温度为正,目标温度高于环境维度为负);计算娱乐系统在线率;车辆型号(进行one-hot编码);车辆平均载荷等。使用xgboost模型对训练集进行拟合,并设置最佳参数,以AUC(Area UnderCurve,ROC曲线下面积)与特征权重作为模型迭代依据,训练后的模型在测试集上AUC值达0.90以上,并通过验证集进行验证,得到单位电耗预测模型。
在上述示例的基础上,可选的,可以通过下述方式来根据历史行为数据以及单位电耗预测模型,确定单次行驶距离中每个单位距离的能耗值:
针对单次行驶距离中每个单位距离,根据历史行为数据,确定与单位距离对应的预设数量的历史单位行为数据;根据历史单位行为数据,预测与单位距离对应的预测单位行为数据;将预测单位行为数据输入至单位电耗预测模型中,得到与单位距离对应的能耗值。
其中,历史单位行为数据可以是按单位距离对历史行为数据进行划分得到的数据。预测单位行为数据可以是预测得到的单位距离的行为数据。
具体的,针对单次行驶距离中每个单位距离,确定出预设数量的历史单位行为数据,这些历史单位行为数据对应的时间彼此相邻,且最后一个历史单位行为数据对应的时间与该单位距离对应的时间相邻。根据预设数量的历史单位行为数据可以预测与单位距离对应的行为数据,即预测单位行为数据。进一步的,将预测单位行为数据输入至单位电耗预测模型中,可以预测得到该单位距离对应的能耗值。并且,可以将预测单位行为数据作为预测下一个单位距离对应的预测单位行为数据的历史单位行为数据。
示例性的,取得每次历史行程开始3公里后的数据作为数据集,采用xgboost进行时序建模,得到时序预测模型。以1公里为步长进行数据切片,以前20步数据作为输入,第21步作为输出。输入数据分别为前20步平均每公里急加速频次序列;前20步平均每公里急减速频次序列;前20步平均每公里加速度序列;前20步平均每公里减速度序列;前20步平均车速序列等。对时序预测模型进行拟合,并通过调整设置最佳参数,以AUC值和特征权重作为时序预测模型的迭代依据,得到时序预测模型。例如:迭代依据为在测试集上的AUC值达0.90以上。通过训练得到的时序预测模型,可以将历史行为数据作为模型输入,得到预测行为数据。并且,可以将预测行为数据添加至历史行为数据中,进行后续的预测。
步骤三、根据当前剩余电量、与各候选充电站对应的单次能耗以及目标充电电量,确定与各候选充电站对应的充电起始电量。
具体的,以当前剩余电量以及各目标充电电量作为被减数,以各单次能耗为减数,对应相减,可以得到行驶各单次行驶距离后的剩余电量,也就是到达各候选充电站时的剩余电量,即与各候选充电站对应的充电起始电量。
S230根据与各候选充电站对应的充电起始电量、目标充电电量以及充电单价,确定补能成本。
其中,补能成本用于表征在各候选充电站进行充电时产生的电费成本。
具体的,根据各候选充电站对应的充电起始电量以及目标充电电量,可以计算在各选中的候选充电站内进行补能的补能电量。针对每个选中的候选充电站,将该候选充电站对应的补能电量与车辆的满电容量相乘,再与对应的充电单价相乘,可以得到在该候选充电站所花费的金钱成本。将各个选中的候选充电站对应的金钱成本相加,可以得到补能成本。
示例性的,补能成本可以是其中,候选充电站规划方案x=[x1,x2],x1=x11,…,x1i,…,x1n]为候选充电站的集合形式,x2=x21,…,x2i,…,x2n]为目标充电电量的集合形式。Remaini表示与第i个充电站对应的充电起始电量,pi为第i个充电站的充电单价,M为车辆的满电容量。
S240、在第一限制条件和第二限制条件的约束下,对以补能成本最小为目标构建的目标函数进行求解,确定至少一个目标充电站以及与各目标充电站对应的目标充电电量。
具体的,由于参考成本包括补能成本,据此,目标函数可以由以参考成本最小为目标构建的函数转换为以补能成本最小为目标构建的函数。进而,在第一限制条件和第二限制条件的约束下,对以补能成本最小为目标构建的目标函数进行求解。
S250、根据确定的至少一个目标充电站以及与各目标充电站对应的目标充电电量进行路径规划。
本实施例提供的充电站规划方法,通过获取各候选充电站对应的充电单价,获取历史行为数据,并确定各候选充电站对应的充电起始电量,进而,根据各候选充电站对应的充电单价、充电起始电量集合以及目标充电电量,确定补能成本,在第一限制条件和第二限制条件的约束下,对以补能成本最小为目标构建的目标函数进行求解,以通过补能成本来确定至少一个目标充电站以及与各目标充电站对应的目标充电电量,以从充电所花费的金额出发,对长距离行驶的电动汽车进行充电站的选择规划。
图3为本申请实施例提供的另一种充电站规划方法的流程图,在上述各实施方式的基础上,可选的,在参考成本包括额外用时的情况下,针对目标函数的求解方式进行了示例性说明。其中,与上述各实施方式相同或相应的术语的解释在此不再赘述。如图3所示,该方法具体可以包括如下步骤:
S310、获取车辆行驶数据以及与预设导航路线对应的至少一个候选充电站,并确定与各候选充电站对应的充电站属性数据。
其中,车辆行驶数据包括车辆的当前剩余电量以及历史行为数据。充电站属性数据包括充电距离、充电行驶速度以及充电功率。充电距离可以是每次前往下一个选中的候选充电站时偏离预设导航路线的距离。充电行驶速度可以是与各充电距离对应的行驶速度。充电功率可以是在各候选充电站的进行充电时的功率。
示例性的,根据预设导航路线以及各候选充电站的位置,可以确定每次前往各选中的候选充电站时偏离预设导航路线的距离,即充电距离,并可以根据各选中的候选充电站附近的路况,从车载三方地图接口获取各充电距离对应路线上的平均速度,即充电行驶速度。
S320、根据与各候选充电站对应的充电距离以及充电行驶速度,确定路程额外用时。
其中,路程额外用时用于表征往返于各候选充电站的时间。
具体的,针对每个候选充电站对应的充电距离,可以将该充电距离与对应的充电行驶速度进行除法计算,得到前往该候选充电站所花费的单程额外用时,并将单程额外用时乘以二,得到往返额外用时。进而,将各候选充电站对应的往返额外用时相加,得到路程额外用时。
S330、根据车辆的当前剩余电量、历史行为数据、预设导航路线、各候选充电站以及与各候选充电站对应的目标充电电量,确定与各候选充电站对应的充电起始电量。
需要说明的是,S330中确定与各候选充电站对应的充电起始电量的方式与S220中的相同,在此不再赘述。
S340、根据与各候选充电站对应的充电起始电量、目标充电电量以及充电功率,确定充电额外用时。
其中,充电额外用时用于表征在各候选充电站进行充电的时间。
具体的,根据充电起始电量以及目标充电电量,可以计算在各候选充电站内进行补能的补能电量。针对每个候选充电站,将该候选充电站对应的补能电量与车辆的满电容量相乘,再除以对应的充电功率,可以得到在该候选充电站进行充电所花费的充电时间成本。将各个候选充电站对应的充电时间成本相加,可以得到充电额外用时。
S350、将路程额外用时与充电额外用时之和作为额外用时。
其中,额外用时包括路程额外用时以及充电额外用时,额外用时可以是路程额外用时和充电额外用时的和值。
示例性的,T(x)为额外用时,其中,候选充电站规划方案x=[x1,x2],x1=x11,…,x1i,…,x1n]为候选充电站的集合形式,x2=x21,…,x2i,…,x2n]为目标充电电量的集合形式,si为与第i个候选充电站对应的充电距离,vi为与第i个候选充电站对应的行驶速度(可以实时从车载三方地图接口获取),Remaini表示与第i个候选充电站对应的充电起始电量,Pi为第i个候选充电站的充电功率,1.2为充电损失系数。
S360、在第一限制条件和第二限制条件的约束下,对以额外用时最小为目标构建的目标函数进行求解。
具体的,由于参考成本包括额外用时,据此,目标函数可以由以参考成本最小为目标构建的函数转换为以额外用时最小为目标构建的函数。进而,在第一限制条件和第二限制条件的约束下,对以额外用时最小为目标构建的目标函数进行求解。
S370、根据确定的至少一个目标充电站以及与各目标充电站对应的目标充电电量进行路径规划。
本实施例提供的充电站规划方法,通过获取各候选充电站对应的充电距离、充电行驶速度以及充电功率,获取历史行为数据,并根据各候选充电站对应充电距离以及充电行驶速度,计算在往返充电时所花费的时间,即路程额外用时。根据各候选充电站对应充电起始电量、目标充电电量以及充电功率,计算在各候选充电站内进行充电时所花费的时间,即充电额外用时。根据路程额外用时以及充电额外用时,确定额外用时,进而,在第一限制条件和第二限制条件的约束下,对以额外用时最小为目标构建的目标函数进行求解,以通过额外用时来确定至少一个目标充电站以及与各目标充电站对应的目标充电电量以从充电所额外耗费的时间成本出发,对长距离行驶的电动汽车进行充电站的选择规划。
在上述示例的基础上,可选的,可以通过下述步骤确定单次续航里程:
步骤一、根据车辆的当前剩余电量以及与各候选充电站对应的目标充电电量,确定单次续航电量。
其中,单次续航电量可以是当前剩余电量以及与各候选充电站对应的目标充电电量。
步骤二、针对与每个候选充电站对应的单次续航电量,根据历史行为数据以及预先构建的单位电耗预测模型,确定与候选充电站对应的单次续航里程。
具体的,针对单每个单次续航电量,都可以使用相同的方式计算与单次续航电量对应的单次续航里程,因此,以其中一个单次续航电量为例进行说明。根据历史行为数据以及预先构建的单位电耗预测模型,可以预测接下来每个单位距离行驶所消耗的电能。将这些电能逐一相加,直到大于或等于单次续航电量为止。若等于,则将此时相加的单位距离总和作为与单次续航电量对应的单次续航里程;若大于,则将前一次相加的单位距离总和作为与单次续航电量对应的单次续航里程,即与候选充电站对应的单次续航里程。
可选的,可以根据车辆的历史充电情况,确定车辆对应的用户能耗焦虑电量,用户能耗焦虑电量表示电量达到此数值时,用户通常会前往充电。在此种情况下,可以将单次续航电量修正为当前剩余电量以及与各候选充电站对应的目标充电电量分别与用户能耗焦虑电量的差值。
可选的,参考成本包括至少两种子成本,可以通过下述步骤来在第一限制条件和第二限制条件的约束下对预先建立的目标函数进行求解,确定至少一个目标充电站以及与各目标充电站对应的目标充电电量:
步骤一、根据预先设定的子成本优先级,将子成本优先级最高的子成本作为第一子成本,在第一限制条件和第二限制条件的约束下对第一目标函数进行求解,得到第三限制条件。
其中,子成本优先级可以包括参考成本中的各个子成本的优先级。第一目标函数为以第一子成本最小为目标构建的函数。第一子成本可以是子成本优先级最高的子成本。第三限制条件可以是根据子成本优先级进行求解的过程中附加得到的限制条件。
具体的,将子成本优先级最高的子成本作为第一子成本,并以第一子成本最小为目标构建第一目标函数。进而,可以在第一限制条件和第二限制条件的约束下对第一目标函数进行求解,将求解得到的结果作为第三限制条件。
步骤二、将子成本优先级仅次于第一子成本的子成本作为第二子成本,并判断第二子成本是否为子成本优先级最低的子成本。
步骤三、若是,则在第一限制条件、第二限制条件以及第三限制条件的约束下对第二目标函数进行求解,确定至少一个目标充电站以及与各目标充电站对应的目标充电电量。
其中,第二目标函数为以第二子成本最小为目标构建的函数。
具体的,若第二子成本为子成本优先级最低的子成本,那么可以认为以第二子成本最小为目标构建的第二目标函数是最后一个待求解的目标函数。因此,可以在第一限制条件、第二限制条件以及第三限制条件的约束下对第二目标函数进行求解,进而,将求解得到的结果作为后续路径规划所包含的目标充电站以及与各目标充电站对应的目标充电电量。
步骤四、若否,则在第一限制条件、第二限制条件以及第三限制条件的约束下对第二目标函数进行求解,更新第三限制条件,根据子成本优先级仅次于第二子成本的子成本更新第二子成本,并返回执行判断第二子成本是否为子成本优先级最低的子成本的步骤。
具体的,若第二子成本不是子成本优先级最低的子成本,那么可以认为以第二子成本最小为目标构建的第二目标函数并不是最后一个待求解的目标函数,因此,可以将求解结果添加至第三限制条件中,以用于下一次目标函数求解。在第一限制条件、第二限制条件以及第三限制条件的约束下对第二目标函数进行求解,将求解得到的结果添加至第三限制条件中,以对第三限制条件进行更新。并且,将子成本优先级仅次于第二子成本的子成本作为新的第二子成本,以对第二子成本进行更新,并且,可以返回执行判断第二子成本是否为子成本优先级最低的子成本的步骤,直至第二子成本为子成本优先级最低的子成本,求解得到目标充电站以及与各目标充电站对应的目标充电电量。
示例性的,在参考成本包括补能成本、充电次数以及额外用时的情况下,可以确定目标充电站规划方案得目标函数为:
其中,f(x)表示目标充电站规划方案,C表示补能成本,N表示充电次数,T表示额外用时,L(x)表示各候选充电站对应的单次行驶距离,mre(x)表示各候选充电站对应的单次续航里程,Remaini表示与第i个候选充电站对应的充电起始电量,E(x)表示各候选充电站对应的目标充电电量。
示例性的,在上述示例的基础上,令子成本优先级为C>T>N,那么,可以先以C为第一子成本,并以C最小为目标构建第一目标函数,即:
求解可以得到C(x)最优值Cmin,而后将Cmin作为第三限制条件,并将子成本优先级仅次于第一子成本C的子成本T作为第二子成本,并以T最小为目标构建第二目标函数。
由于T并不是子成本优先级最低的子成本,因此,在第一限制条件、第二限制条件以及第三限制条件的约束下对第二目标函数进行求解,即
同样地,求解得到T(x)的最优值Tmin,而后将Cmin与Tmin同时作为第三限制条件,并将子成本优先级仅次于第二子成本T的子成本N作为新的第二子成本,并以N最小为目标构建新的第二目标函数。
由于N是子成本优先级最低的子成本,因此,在第一限制条件、第二限制条件以及第三限制条件的约束下对第二目标函数进行求解,最终得到最优条件下的最优解,即为至少一个目标充电站以及与各目标充电站对应的目标充电电量。
在一些实施例中,充电站规划系统的示意图如图4所示,主要包括:TBOX、HUT主机(车载终端)、CP\SP(Content Provider\Service Provider,内容提供商\服务提供商)云平台以及TSP(Telematics Service Provider,汽车远程服务提供商)。
其中,TBOX包括车辆总线数据采集模块,HUT主机包括车机应用数据采集模块以及最优补能结果呈现模块,CP\SP云平台包括道路信息实时获取模块以及充电桩信息实时获取模块,TSP包括车辆数据存储系统、续航里程预测模块以及最优充电站规划模块。
如图4的系统主要由:数据收集、数据存储与运算、结果推送呈现三大部分组成:
数据收集:车辆总线数据采集模块,该模块主要由TBOX对车辆行驶状态数据进行采集。车机应用数据采集模块,由车机后台系统对车机地图应用数据进行采集。道路信息实时获取模块以及充电桩信息实时获取模块,主要是从CP/SP云平台处进行实时获取这些信息数据。
数据存储与运算:该部分功能由云端的TSP平台完成,车辆数据存储系统实时数据存储与历史数据存储,实时数据为充电站实时信息、道路实时信息、车端用户实时路线规划请求信息,历史数据为用户历史驾车产生的车辆状态信息数据。续航里程预测模块以及最优充电站规划模块用于实现前述任一实施例中相应的充电站规划方法。
结果呈现:该部分功能是将运算后的最优补能(目标充电站规划方案)规划推送至车载终端上进行显示。
需要说明的是,本申请实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述充电站规划方法。
需要说明的是,上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种充电站规划装置。参考图5,所述充电站规划装置,包括:数据获取模块510、目标函数求解模块520以及路径规划模块530。
其中,数据获取模块510,用于获取车辆行驶数据以及与预设导航路线对应的至少一个候选充电站,并确定与各所述候选充电站对应的充电站属性数据;其中,所述充电站属性数据用于表征所述候选充电站的属性;目标函数求解模块520,用于基于所述车辆行驶数据、所述至少一个候选充电站以及与各所述候选充电站对应的充电站属性数据,在第一限制条件和第二限制条件的约束下对预先建立的目标函数进行求解,确定至少一个目标充电站以及与各所述目标充电站对应的目标充电电量;其中,所述目标函数为以参考成本最小为目标构建的函数,所述第一限制条件为每个所述候选充电站对应的单次行驶距离不大于对应的单次续航里程,所述第二限制条件为每个所述候选充电站对应的充电起始电量不大于每个所述候选充电站对应的目标充电电量;所述候选充电站对应的充电起始电量为到达所述候选充电站时车辆的剩余电量;路径规划模块530,用于根据确定的至少一个目标充电站以及与各所述目标充电站对应的目标充电电量进行路径规划。
本实施例提供的充电站规划装置,通过车辆行驶数据、预设导航路线上的各候选充电站以及与各候选充电站对应的充电站属性数据,能够在第一限制条件和第二限制条件的约束下对预先建立的以参考成本最小为目标的目标函数进行求解,以按照参考成本来确定至少一个目标充电站以及与各目标充电站对应的目标充电电量,进而,根据确定的至少一个目标充电站以及与各目标充电站对应的目标充电电量进行路径规划,以合理且有效的从参考成本出发,对长距离行驶的电动汽车进行充电站的选择规划。
在上述实施方式的基础上,可选的,所述参考成本包括补能成本,其中,所述补能成本用于表征在各所述候选充电站进行充电时产生的电费成本;所述车辆行驶数据包括车辆的当前剩余电量以及历史行为数据,所述充电站属性数据包括充电单价,目标函数求解模块520,还用于根据车辆的当前剩余电量、所述历史行为数据、所述预设导航路线、各所述候选充电站以及与各所述候选充电站对应的目标充电电量,确定与各所述候选充电站对应的充电起始电量;根据与各所述候选充电站对应的充电起始电量、目标充电电量以及充电单价,确定所述补能成本;在所述第一限制条件和所述第二限制条件的约束下,对以所述补能成本最小为目标构建的目标函数进行求解。
在上述实施方式的基础上,可选的,所述参考成本包括充电次数,目标函数求解模块520,还用于根据各所述候选充电站中被选中的候选充电站的数量,确定所述充电次数;在所述第一限制条件和所述第二限制条件的约束下,对以所述充电次数最小为目标构建的目标函数进行求解。
在上述实施方式的基础上,可选的,所述参考成本包括额外用时,其中,所述额外用时包括路程额外用时以及充电额外用时,所述路程额外用时用于表征往返于各所述候选充电站的时间,所述充电额外用时用于表征在各所述候选充电站进行充电的时间;所述车辆行驶数据包括车辆的当前剩余电量以及历史行为数据,所述充电站属性数据包括充电距离、充电行驶速度以及充电功率,目标函数求解模块520,还用于根据与各所述候选充电站对应的充电距离以及充电行驶速度,确定路程额外用时;根据车辆的当前剩余电量、所述历史行为数据、所述预设导航路线、各所述候选充电站以及与各所述候选充电站对应的目标充电电量,确定与各所述候选充电站对应的充电起始电量;根据与各所述候选充电站对应的充电起始电量、目标充电电量以及充电功率,确定充电额外用时;将所述路程额外用时与所述充电额外用时之和作为所述额外用时;在所述第一限制条件和所述第二限制条件的约束下,对以所述额外用时最小为目标构建的目标函数进行求解。
在上述实施方式的基础上,可选的,目标函数求解模块520,还用于根据所述预设导航路线以及各所述候选充电站,确定与各所述候选充电站对应的单次行驶距离;根据所述历史行为数据以及预先构建的单位电耗预测模型对各所述单次行驶距离进行预测,确定与各所述候选充电站对应的单次能耗;根据所述当前剩余电量、与各所述候选充电站对应的单次能耗以及目标充电电量,确定与各所述候选充电站对应的充电起始电量。
在上述实施方式的基础上,可选的,目标函数求解模块520,还用于针对与每个所述候选充电站对应的单次行驶距离,根据所述历史行为数据以及所述单位电耗预测模型,确定所述单次行驶距离中每个单位距离的能耗值,并根据各所述能耗值,确定与所述单次行驶距离对应的单次能耗;将与每个单次行驶距离对应的单次能耗的和值作为与所述候选充电站对应的单次能耗。
在上述实施方式的基础上,可选的,单位电耗预测模型根据下述方式训练得到:获取样本行为数据;根据单位距离,对所述样本行为数据进行划分,得到样本单位行为数据,并确定与所述样本单位行为数据对应的样本单位能耗值;根据所述样本单位行为数据以及所述样本单位能耗值,对初始预测模型进行训练,得到所述单位电耗预测模型。
在上述实施方式的基础上,可选的,目标函数求解模块520,还用于针对所述单次行驶距离中每个单位距离,根据所述历史行为数据,确定与所述单位距离对应的预设数量的历史单位行为数据;根据所述历史单位行为数据,预测与所述单位距离对应的预测单位行为数据;将所述预测单位行为数据输入至所述单位电耗预测模型中,得到与所述单位距离对应的能耗值。
在上述实施方式的基础上,可选的,所述装置还包括:单次续航里程集合预测模块,用于根据车辆的当前剩余电量以及与各所述候选充电站对应的目标充电电量,确定与各所述候选充电站对应的单次续航电量;针对与每个所述候选充电站对应的单次续航电量,根据历史行为数据以及预先构建的单位电耗预测模型,确定与所述候选充电站对应的单次续航里程。
在上述实施方式的基础上,可选的,所述参考成本包括至少两种子成本,目标函数求解模块520,还用于根据预先设定的子成本优先级,将所述子成本优先级最高的子成本作为第一子成本,在第一限制条件和第二限制条件的约束下对第一目标函数进行求解,得到第三限制条件;其中,所述第一目标函数为以所述第一子成本最小为目标构建的函数;将所述子成本优先级仅次于所述第一子成本的子成本作为第二子成本,并判断所述第二子成本是否为所述子成本优先级最低的子成本;若是,则在所述第一限制条件、所述第二限制条件以及所述第三限制条件的约束下对第二目标函数进行求解,确定至少一个目标充电站以及与各所述目标充电站对应的目标充电电量;其中,所述第二目标函数为以所述第二子成本最小为目标构建的函数;若否,则在所述第一限制条件、所述第二限制条件以及所述第三限制条件的约束下对所述第二目标函数进行求解,更新所述第三限制条件,根据所述子成本优先级仅次于所述第二子成本的子成本更新所述第二子成本,并返回执行判断所述第二子成本是否为所述子成本优先级最低的子成本的步骤。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的充电站规划方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种电子设备,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程序时实现上任意一实施例所述的充电站规划方法。
图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的充电站规划方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,本申请还提供了一种车辆,其中,车辆包括如上述实施例所述的电子设备或者如上述实施例所述的充电站规划装置。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的充电站规划方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的充电站规划方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的范围(包括权利要求)被限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本申请实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本申请实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本申请的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (13)
1.一种充电站规划方法,其特征在于,包括:
获取车辆行驶数据以及与预设导航路线对应的至少一个候选充电站,并确定与各所述候选充电站对应的充电站属性数据;其中,所述充电站属性数据用于表征所述候选充电站的属性;
基于所述车辆行驶数据、所述至少一个候选充电站以及与各所述候选充电站对应的充电站属性数据,在第一限制条件和第二限制条件的约束下对预先建立的目标函数进行求解,确定至少一个目标充电站以及与各所述目标充电站对应的目标充电电量;其中,所述目标函数为以参考成本最小为目标构建的函数,所述第一限制条件为每个所述候选充电站对应的单次行驶距离不大于对应的单次续航里程,所述第二限制条件为每个所述候选充电站对应的充电起始电量不大于每个所述候选充电站对应的目标充电电量;所述候选充电站对应的充电起始电量为到达所述候选充电站时车辆的剩余电量;
根据确定的至少一个目标充电站以及与各所述目标充电站对应的目标充电电量进行路径规划。
2.根据权利要求1所述的方法,其特征在于,所述参考成本包括补能成本,其中,所述补能成本用于表征在各所述候选充电站进行充电时产生的电费成本;所述车辆行驶数据包括车辆的当前剩余电量以及历史行为数据,所述充电站属性数据包括充电单价;所述基于所述车辆行驶数据、所述至少一个候选充电站以及与各所述候选充电站对应的充电站属性数据,在第一限制条件和第二限制条件的约束下对预先建立的目标函数进行求解,包括:
根据车辆的当前剩余电量、所述历史行为数据、所述预设导航路线、各所述候选充电站以及与各所述候选充电站对应的目标充电电量,确定与各所述候选充电站对应的充电起始电量;
根据与各所述候选充电站对应的充电起始电量、目标充电电量以及充电单价,确定所述补能成本;
在所述第一限制条件和所述第二限制条件的约束下,对以所述补能成本最小为目标构建的目标函数进行求解。
3.根据权利要求1所述的方法,其特征在于,所述参考成本包括充电次数;所述基于所述车辆行驶数据、所述至少一个候选充电站以及与各所述候选充电站对应的充电站属性数据,在第一限制条件和第二限制条件的约束下对预先建立的目标函数进行求解,包括:
根据各所述候选充电站中被选中的候选充电站的数量,确定所述充电次数;
在所述第一限制条件和所述第二限制条件的约束下,对以所述充电次数最小为目标构建的目标函数进行求解。
4.根据权利要求1所述的方法,其特征在于,所述参考成本包括额外用时,其中,所述额外用时包括路程额外用时以及充电额外用时,所述路程额外用时用于表征往返于各所述候选充电站的时间,所述充电额外用时用于表征在各所述候选充电站进行充电的时间;所述车辆行驶数据包括车辆的当前剩余电量以及历史行为数据,所述充电站属性数据包括充电距离、充电行驶速度以及充电功率;所述基于所述车辆行驶数据、所述至少一个候选充电站以及与各所述候选充电站对应的充电站属性数据,在第一限制条件和第二限制条件的约束下对预先建立的目标函数进行求解,包括:
根据与各所述候选充电站对应的充电距离以及充电行驶速度,确定路程额外用时;
根据车辆的当前剩余电量、所述历史行为数据、所述预设导航路线、各所述候选充电站以及与各所述候选充电站对应的目标充电电量,确定与各所述候选充电站对应的充电起始电量;
根据与各所述候选充电站对应的充电起始电量、目标充电电量以及充电功率,确定充电额外用时;
将所述路程额外用时与所述充电额外用时之和作为所述额外用时;
在所述第一限制条件和所述第二限制条件的约束下,对以所述额外用时最小为目标构建的目标函数进行求解。
5.根据权利要求2或4所述的方法,其特征在于,所述根据车辆的当前剩余电量、所述历史行为数据、所述预设导航路线、各所述候选充电站以及与各所述候选充电站对应的目标充电电量,确定与各所述候选充电站对应的充电起始电量,包括:
根据所述预设导航路线以及各所述候选充电站,确定与各所述候选充电站对应的单次行驶距离;
根据所述历史行为数据以及预先构建的单位电耗预测模型对各所述单次行驶距离进行预测,确定与各所述候选充电站对应的单次能耗;
根据所述当前剩余电量、与各所述候选充电站对应的单次能耗以及目标充电电量,确定与各所述候选充电站对应的充电起始电量。
6.根据权利要求5所述的方法,其特征在于,所述根据所述历史行为数据以及预先构建的单位电耗预测模型对各所述单次行驶距离进行预测,确定与各所述候选充电站对应的单次能耗,包括:
针对与每个所述候选充电站对应的单次行驶距离,根据所述历史行为数据以及所述单位电耗预测模型,确定所述单次行驶距离中每个单位距离的能耗值,并根据各所述能耗值,确定与所述单次行驶距离对应的单次能耗;
将与每个单次行驶距离对应的单次能耗的和值作为与所述候选充电站对应的单次能耗。
7.根据权利要求6所述的方法,其特征在于,所述单位电耗预测模型根据下述方式训练得到:
获取样本行为数据;
根据单位距离,对所述样本行为数据进行划分,得到样本单位行为数据,并确定与所述样本单位行为数据对应的样本单位能耗值;
根据所述样本单位行为数据以及所述样本单位能耗值,对初始预测模型进行训练,得到所述单位电耗预测模型。
8.根据权利要求6所述的方法,其特征在于,所述根据所述历史行为数据以及所述单位电耗预测模型,确定所述单次行驶距离中每个单位距离的能耗值,包括:
针对所述单次行驶距离中每个单位距离,根据所述历史行为数据,确定与所述单位距离对应的预设数量的历史单位行为数据;
根据所述历史单位行为数据,预测与所述单位距离对应的预测单位行为数据;
将所述预测单位行为数据输入至所述单位电耗预测模型中,得到与所述单位距离对应的能耗值。
9.根据权利要求1所述的方法,其特征在于,还包括:
根据车辆的当前剩余电量以及与各所述候选充电站对应的目标充电电量,确定与各所述候选充电站对应的单次续航电量;
针对与每个所述候选充电站对应的单次续航电量,根据历史行为数据以及预先构建的单位电耗预测模型,确定与所述候选充电站对应的单次续航里程。
10.根据权利要求1所述的方法,其特征在于,所述参考成本包括至少两种子成本,所述在第一限制条件和第二限制条件的约束下对预先建立的目标函数进行求解,确定至少一个目标充电站以及与各所述目标充电站对应的目标充电电量,包括:
根据预先设定的子成本优先级,将所述子成本优先级最高的子成本作为第一子成本,在第一限制条件和第二限制条件的约束下对第一目标函数进行求解,得到第三限制条件;其中,所述第一目标函数为以所述第一子成本最小为目标构建的函数;
将所述子成本优先级仅次于所述第一子成本的子成本作为第二子成本,并判断所述第二子成本是否为所述子成本优先级最低的子成本;
若是,则在所述第一限制条件、所述第二限制条件以及所述第三限制条件的约束下对第二目标函数进行求解,确定至少一个目标充电站以及与各所述目标充电站对应的目标充电电量;其中,所述第二目标函数为以所述第二子成本最小为目标构建的函数;
若否,则在所述第一限制条件、所述第二限制条件以及所述第三限制条件的约束下对所述第二目标函数进行求解,更新所述第三限制条件,根据所述子成本优先级仅次于所述第二子成本的子成本更新所述第二子成本,并返回执行判断所述第二子成本是否为所述子成本优先级最低的子成本的步骤。
11.一种充电站规划装置,其特征在于,包括:
数据获取模块,用于获取车辆行驶数据以及与预设导航路线对应的至少一个候选充电站,并确定与各所述候选充电站对应的充电站属性数据;其中,所述充电站属性数据用于表征所述候选充电站的属性;
目标函数求解模块,用于基于所述车辆行驶数据、所述至少一个候选充电站以及与各所述候选充电站对应的充电站属性数据,在第一限制条件和第二限制条件的约束下对预先建立的目标函数进行求解,确定至少一个目标充电站以及与各所述目标充电站对应的目标充电电量;其中,所述目标函数为以参考成本最小为目标构建的函数,所述第一限制条件为每个所述候选充电站对应的单次行驶距离不大于对应的单次续航里程,所述第二限制条件为每个所述候选充电站对应的充电起始电量不大于每个所述候选充电站对应的目标充电电量;所述候选充电站对应的充电起始电量为到达所述候选充电站时车辆的剩余电量;
路径规划模块,用于根据确定的至少一个目标充电站以及与各所述目标充电站对应的目标充电电量进行路径规划。
12.一种电子设备,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程序时实现如权利要求1至10任意一项所述的充电站规划方法。
13.一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,其特征在于,所述计算机指令用于使计算机执行权利要求1至10任一所述充电站规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211512917.0A CN115993130A (zh) | 2022-11-25 | 2022-11-25 | 充电站规划方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211512917.0A CN115993130A (zh) | 2022-11-25 | 2022-11-25 | 充电站规划方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115993130A true CN115993130A (zh) | 2023-04-21 |
Family
ID=85989640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211512917.0A Pending CN115993130A (zh) | 2022-11-25 | 2022-11-25 | 充电站规划方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115993130A (zh) |
-
2022
- 2022-11-25 CN CN202211512917.0A patent/CN115993130A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Battery electric vehicle energy consumption prediction for a trip based on route information | |
JP6551332B2 (ja) | 車両の走行可能距離算出システムおよび走行可能距離算出方法 | |
Adler et al. | Online routing and battery reservations for electric vehicles with swappable batteries | |
US11545829B2 (en) | Power prediction system, power prediction device, power prediction method, program, and storage medium | |
CN103575285B (zh) | 路径搜索装置 | |
CN106767874A (zh) | 用于通过在车辆导航系统中的群体感知的燃料消耗预测和成本估计的方法及装置 | |
US20180370537A1 (en) | System providing remaining driving information of vehicle based on user behavior and method thereof | |
US20140018985A1 (en) | Hybrid Vehicle Fuel Efficiency Using Inverse Reinforcement Learning | |
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 | |
CN111038334A (zh) | 一种电动汽车续驶里程预测方法及装置 | |
EP3483801A1 (en) | Methods and apparatuses for fuel consumption prediction | |
CN109785611B (zh) | 无人驾驶车辆控制方法、装置、服务器及存储介质 | |
CN111326015A (zh) | 一种停车点推荐方法及装置 | |
CN103206958A (zh) | 路径预测系统、路径预测方法以及程序 | |
Fotouhi et al. | Electric vehicle energy consumption estimation for a fleet management system | |
JP7099442B2 (ja) | プラン情報提供システム、プラン情報提供方法、およびプログラム | |
US11938828B2 (en) | Controlling the operation of a component in an electric vehicle | |
CN111861643A (zh) | 一种乘车位置的推荐方法、装置、电子设备及存储介质 | |
CN114954129A (zh) | 充电站信息的推荐方法、装置、电子终端及存储介质 | |
EP2906908B1 (en) | Method and computer program product for estimating a travel time for a vehicle | |
CN113306448A (zh) | 充电提示方法、装置、设备及存储介质 | |
JP7256097B2 (ja) | 情報処理システム及びプログラム | |
CN116278571A (zh) | 车辆控制方法、装置、设备及存储介质 | |
CN115164922A (zh) | 一种路径规划方法、系统、设备及存储介质 | |
JP2019175507A (ja) | 車両の走行可能距離算出システムおよび走行可能距離算出方法 |
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 |