CN116911473A - 基于自适应训练的充电路线规划方法、装置、设备及介质 - Google Patents
基于自适应训练的充电路线规划方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116911473A CN116911473A CN202310576277.8A CN202310576277A CN116911473A CN 116911473 A CN116911473 A CN 116911473A CN 202310576277 A CN202310576277 A CN 202310576277A CN 116911473 A CN116911473 A CN 116911473A
- Authority
- CN
- China
- Prior art keywords
- charging
- objective function
- power station
- vehicle
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 115
- 230000005611 electricity Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 222
- 230000001502 supplementing effect Effects 0.000 claims description 77
- 238000010276 construction Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 6
- 230000010365 information processing Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 description 10
- 238000010606 normalization Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000002787 reinforcement Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000009419 refurbishment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本申请涉及一种基于自适应训练的充电路线规划方法、装置、设备及介质。该方法获取目标区域内参与调度的充换电站的电站信息和待充换电车辆的车辆信息,确定车辆与电站的充换电路程和预测的充换电耗时,构建表征车辆与电站匹配关系的变量矩阵,结合车辆信息,确定充换电站的供电需求信息,根据变量矩阵、充换电路程、充换电耗时、供电需求信息和电站信息,构建用户侧目标函数和电站侧目标函数,并得到总目标函数,以总目标函数自适应训练变量矩阵,根据训练好的变量矩阵规划车辆与对应的电站之间的充电路线,将用户侧目标函数与电站侧目标函数结合对车辆与电站的匹配关系进行训练,将匹配的待充换电车辆与充换电站之间进行路线规划。
Description
技术领域
本申请适用于人工智能技术领域,尤其涉及一种基于自适应训练的充电路线规划方法、装置、设备及介质。
背景技术
目前,车辆车主出于缺乏对区域交通状况的准确把握和续航里程的焦虑,往往不自觉地提高充换电的频率,在宏观上造成了更大程度的资源紧张、资源浪费和交通拥堵,一些现有的解决方案建立在交通不存在拥堵等情况的假设上,单纯考虑新能源车群内部的时空规划,而没有考虑其他内燃机车辆和行人等路况信息,不能根据充换电需求做出有效可行的路线规划,传统的导航和充换电预约存在非实时性和孤立性的问题,即驾驶员只能根据行程开始时的路况信息或充换电站状态进行路线规划,无法预测行程开始后的变化,且同一区域内存在多个路线近似的车辆时,可能会出现因同时选择同一路线或同一充换电站而造成新的拥堵、排队的情况。
另外,充换电站缺乏对区域内用户的实时电量和使用状态信息,无法及时准确地预测客流量在时间线上的分布,造成了部分情况的排队时间过长,降低了用户体验,甚至影响周边交通路况,并且电动车在时间上的无序随机充电行为可能会使电网负荷出现“峰上加峰”的现象,增加了区域电网的负荷和充换电站的运营成本。
因此,在充换电方面存在的问题,不但造成了电力、交通资源的浪费,也明显影响了用车人的驾驶体验。可见,如何合理规划充电路线,以避免电站超负荷的同时满足用户对高效充电的需求成为亟待解决的问题。
发明内容
有鉴于此,本申请实施例提供了一种基于自适应训练的充电路线规划方法、装置、设备及介质,以解决如何合理规划充电路线,以避免电站超负荷的同时满足用户对高效充电的需求的问题。
第一方面,本申请实施例提供一种基于自适应训练的充电路线规划方法,所述充电路线规划方法包括:
获取目标区域内参与调度的M个充换电站的电站信息,以及N个待充换电车辆的车辆信息,根据M个电站信息和N个车辆信息,确定每个待充换电车辆分别与每个充换电站的充换电路程和预测的充换电耗时;
构建补能位置变量矩阵,结合所述N个车辆信息,确定所述M个充换电站的供电需求信息,所述补能位置变量矩阵中任一元素表征第i辆车是否在第j个电站发生补能;
根据所述补能位置变量矩阵、所述充换电路程和所述充换电耗时,构建用户侧目标函数,根据所述补能位置变量矩阵、所述供电需求信息和所述M个电站信息,构建电站侧目标函数;
根据所述用户侧目标函数和所述电站侧目标函数,得到总目标函数,以所述总目标函数自适应训练所述补能位置变量矩阵,得到训练好的补能位置变量矩阵;
根据所述训练好的补能位置变量矩阵中每个待充换电车辆对应的充换电站,规划每个待充换电车辆与对应的充换电站之间的充电路线。
在一实施方式中,根据所述补能位置变量矩阵、所述充换电路程和所述充换电耗时,构建用户侧目标函数包括:
根据每个待充换电车辆分别与每个充换电站的充换电路程和预测的充换电耗时,确定每个待充换电车辆分别与每个充换电站间的充电效用度;
将所述补能位置变量矩阵中每个元素分别与对应的充电效用度进行相乘求和,确定相乘求和结果的最小化为用户侧目标函数。
在一实施方式中,所述车辆信息包括车辆的充电功率,所述构建补能位置变量矩阵,结合所述N个车辆信息,确定所述M个充换电站的供电需求信息包括:
构建补能位置变量矩阵,将所述补能位置变量矩阵中每个元素分别与对应待充换电车辆的充电功率相乘,确定每个元素对应的充电功率;
将属于同一充换电站的元素对应的充电功率相加,得到对应充换电站的充换电负荷,确定所述M个充换电站的充换电负荷为供电需求信息。
在一实施方式中,根据所述补能位置变量矩阵、所述供电需求信息和所述M个电站信息,构建电站侧目标函数包括:
根据所述补能位置变量矩阵、所述供电需求信息和所述M个电站信息,构建第一电站侧目标函数,所述第一电站侧目标函数如下:
其中,Fl1为所述第一电站侧目标函数,Spj为第j个电站的所述充换电负荷,SEj为第j个电站的设计充电容量,Pi为第i辆车的充电功率。
在一实施方式中,根据所述补能位置变量矩阵、所述供电需求信息和所述M个电站信息,构建电站侧目标函数包括:
根据所述补能位置变量矩阵、所述供电需求信息和所述M个电站信息,构建第二电站侧目标函数,所述第二电站侧目标函数如下:
其中,Fl2为所述第一电站侧目标函数,Spj为第j个电站的所述充换电负荷,Pjk为第j个电站在第k个时段的负载平衡目标。
在一实施方式中,根据所述用户侧目标函数和所述电站侧目标函数,得到总目标函数包括:
对所述用户侧目标函数和所述电站侧目标函数分别进行规范化处理,得到规范化后的用户侧目标函数和规范化后的电站侧目标函数;
对所述规范化后的用户侧目标函数和所述规范化后的电站侧目标函数进行加权求和,确定加权求和结果为总目标函数。
在一实施方式中,对所述用户侧目标函数和所述电站侧目标函数分别进行规范化处理,得到规范化后的用户侧目标函数和规范化后的电站侧目标函数包括:
获取所述用户侧目标函数的第一理论最大值,以及所述电站侧目标函数的第二理论最大值;
将所述用户侧目标函数与所述第一理论最大值相除,确定相除结果为规范化后的用户侧目标函数;
将所述电站侧目标函数与所述第二理论最大值相除,确定相除结果为规范化后的电站侧目标函数。
第二方面,本申请实施例提供一种基于自适应训练的充电路线规划装置,所述充电路线规划装置包括:
信息处理模块,用于获取目标区域内参与调度的M个充换电站的电站信息,以及N个待充换电车辆的车辆信息,根据M个电站信息和N个车辆信息,确定每个待充换电车辆分别与每个充换电站的充换电路程和预测的充换电耗时;
矩阵构建模块,用于构建补能位置变量矩阵,结合所述N个车辆信息,确定所述M个充换电站的供电需求信息,所述补能位置变量矩阵中任一元素表征第i辆车是否在第j个电站发生补能;
函数构建模块,用于根据所述补能位置变量矩阵、所述充换电路程和所述充换电耗时,构建用户侧目标函数,根据所述补能位置变量矩阵、所述供电需求信息和所述M个电站信息,构建电站侧目标函数;
矩阵训练模块,用于根据所述用户侧目标函数和所述电站侧目标函数,得到总目标函数,以所述总目标函数自适应训练所述补能位置变量矩阵,得到训练好的补能位置变量矩阵;
路线规划模块,用于根据所述训练好的补能位置变量矩阵中每个待充换电车辆对应的充换电站,规划每个待充换电车辆与对应的充换电站之间的充电路线。
在一实施方式中,所述函数构建模块包括:
效用度确定单元,用于根据每个待充换电车辆分别与每个充换电站的充换电路程和预测的充换电耗时,确定每个待充换电车辆分别与每个充换电站间的充电效用度;
用户侧函数构建单元,用于将所述补能位置变量矩阵中每个元素分别与对应的充电效用度进行相乘求和,确定相乘求和结果的最小化为用户侧目标函数。
在一实施方式中,所述车辆信息包括车辆的充电功率,所述矩阵构建模块包括:
矩阵构建单元,用于构建补能位置变量矩阵,将所述补能位置变量矩阵中每个元素分别与对应待充换电车辆的充电功率相乘,确定每个元素对应的充电功率;
供电需求确定单元,用于将属于同一充换电站的元素对应的充电功率相加,得到对应充换电站的充换电负荷,确定所述M个充换电站的充换电负荷为供电需求信息。
在一实施方式中,所述函数构建模块包括:
第一电站侧构建单元,用于根据所述补能位置变量矩阵、所述供电需求信息和所述M个电站信息,构建第一电站侧目标函数,所述第一电站侧目标函数如下:
其中,Fl1为所述第一电站侧目标函数,Spj为第j个电站的所述充换电负荷,SEj为第j个电站的设计充电容量,Pi为第i辆车的充电功率。
在一实施方式中,所述函数构建模块包括:
第二电站侧构建单元,用于根据所述补能位置变量矩阵、所述供电需求信息和所述M个电站信息,构建第二电站侧目标函数,所述第二电站侧目标函数如下:
其中,Fl2为所述第一电站侧目标函数,Spj为第j个电站的所述充换电负荷,Pjk为第j个电站在第k个时段的负载平衡目标。
在一实施方式中,所述矩阵训练模块包括:
规范化处理单元,用于对所述用户侧目标函数和所述电站侧目标函数分别进行规范化处理,得到规范化后的用户侧目标函数和规范化后的电站侧目标函数;
总函数确定单元,用于对所述规范化后的用户侧目标函数和所述规范化后的电站侧目标函数进行加权求和,确定加权求和结果为总目标函数。
在一实施方式中,所述规范化处理单元包括:
获取子单元,用于获取所述用户侧目标函数的第一理论最大值,以及所述电站侧目标函数的第二理论最大值;
第一规范化子单元,用于将所述用户侧目标函数与所述第一理论最大值相除,确定相除结果为规范化后的用户侧目标函数;
第二规范化子单元,用于将所述电站侧目标函数与所述第二理论最大值相除,确定相除结果为规范化后的电站侧目标函数。
第三方面,本申请实施例提供一种计算机设备,所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述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如第一方面所述的充电路线规划方法。
第四方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的充电路线规划方法。
本申请实施例与现有技术相比存在的有益效果是:本申请获取目标区域内参与调度的M个充换电站的电站信息,以及N个待充换电车辆的车辆信息,根据M个电站信息和N个车辆信息,确定每个待充换电车辆分别与每个充换电站的充换电路程和预测的充换电耗时,构建补能位置变量矩阵,结合N个车辆信息,确定M个充换电站的供电需求信息,补能位置变量矩阵中任一元素表征第i辆车是否在第j个电站发生补能,根据补能位置变量矩阵、充换电路程和充换电耗时,构建用户侧目标函数,根据补能位置变量矩阵、供电需求信息和M个电站信息,构建电站侧目标函数,根据用户侧目标函数和电站侧目标函数,得到总目标函数,以总目标函数自适应训练补能位置变量矩阵,得到训练好的补能位置变量矩阵,根据训练好的补能位置变量矩阵中每个待充换电车辆对应的充换电站,规划每个待充换电车辆与对应的充换电站之间的充电路线,将用户侧目标函数与电站侧目标函数结合对待充换电车辆与充换电站的匹配关系进行训练,进而得到较优的匹配结果,将匹配的待充换电车辆与充换电站之间进行路线规划,从而合理规划了车辆的充电路线。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的一种基于自适应训练的充电路线规划方法的一应用环境示意图;
图2是本申请实施例二提供的一种基于自适应训练的充电路线规划方法的流程示意图;
图3是本申请实施例三提供的一种基于自适应训练的充电路线规划装置的结构示意图;
图4是本申请实施例四提供的一种计算机设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应理解,以下实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请的技术方案,下面通过具体实施例来进行说明。
本申请实施例一提供的一种基于自适应训练的充电路线规划方法,可应用在如图1的应用环境中,其中,车端与服务端进行通信,形成云边联合系统。其中,车端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personalcomputer,UMPC)、上网本、服务端计算机设备、个人数字助理(personal digitalassistant,PDA)等用于车辆中的计算机设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
参见图2,是本申请实施例二提供的一种基于自适应训练的充电路线规划方法的流程示意图,上述充电路线规划方法应用于图1中的服务端,服务端对应的计算设备连接车端,以获取车端发送的车辆的运行信息,包括电量、位置等。上述计算机设备还可以连接相应的其他系统或者平台,以获取交通信息、电站信息等。如图2所示,该充电路线规划方法可以包括以下步骤:
步骤S201,获取目标区域内参与调度的M个充换电站的电站信息,以及N个待充换电车辆的车辆信息,根据M个电站信息和N个车辆信息,确定每个待充换电车辆分别与每个充换电站的充换电路程和预测的充换电耗时。
本申请中,目标区域可以是指根据需求在地理位置上划定的区域,该目标区域可以固定,也可以根据实际情况变化。例如,若目标区域固定时,可以是在某一行政区内以街道为接线划定一个闭合的区域,若目标区域根据实际情况变化,则可以采用面积和中心位置的方式来设定不同大小的目标区域。
参与调度即是在本申请的服务端中已注册,例如,参与调度的车辆是指服务端能够连接以获取车辆运行信息的车端,且该车端允许服务端向其规划充电路线,参与调度的电站是指与服务端连接的电站系统或平台,且允许服务端获取相应的信息。
电站信息可以是指一电站内的充电车辆数量、电站容量、电站收费规则、电站位置等,车辆信息可以是指一车辆的电量信息、位置信息、目的地信息等,这部分信息均可以被服务端获取到,其中,待充换电车辆可以是指需要进行充换电的车辆,此时,车辆可以在被用户操作后变换为待充换电车辆,也可以由服务端在车辆的电量信息小于阈值时变换为待充换电车辆,实现为待充换电车辆的充电路径规划。服务端和车端的实时数据通过多跳V2V通信和V2I通信传输,或由当前为车辆服务的RSU计算分配,来将任务卸载到车群或RSU来执行计算;交通监测数据和充换电站的实时状态数据因为数据来源位置固定,采用有线通信传送到服务端。
在已知区域内的交通路况信息,包括道路上行驶的车辆数、道路上行驶车辆的平均速度、道路的长度和整修、临时交通管制等信息,可由自设监控或接入外部监测信息获得;已知区域内车辆实时上传的数据,包括车辆的目的地信息、车辆行驶路径的更新请求信息、当前车辆的位置信息、当前车辆速度、跟车情况信息、当前电量、电池充电功率;已知充换电站实时状态信息,包括待充换电车辆数量、换电的服务费用、负荷平衡目标的情况下,可以规划到每一个待充换电车辆至每一个电站的充换电路程,并且根据行驶时间、充电等待时间和充电时间等可以预测出充换电耗时。
充换电路程和充换电耗时可以包括以下内容:
(1)处理收集的信息获得融合特征。基于联邦强化学习方法对当前车辆状态信息与当前道路状态信息进行融合处理,得到道路未来拥堵情况预测信息。首先对当前车辆状态信息进行融合处理和特征提取,得到车辆状态融合信息,再与当前道路状态信息进行特征融合,得到特征融合信息。
(2)对选择频率进行计算得出路径特征融合信息。根据车辆行驶路径的更新请求信息对车辆状态融合信息进行分类,分为需要更新路径的车辆与不需要更新路径的车辆;基于上一次车辆选择更新的路径规划信息,提取各个道路上一次被选中的频率。计算本次不需要更新路径的车辆对各个道路的选中频率,得到本次道路的选中频率。将道路上一次被选中的频率与本次道路的选中频率进行加权计算,得到最终频率;对最终频率进行编码处理,得到特征融合信息。
其中,联邦强化学习可以包括预测道路未来拥堵情况信息和计算各路线时间成本。将特征融合信息输入至联邦强化学习模块,基于联邦强化学习模块学习并得到各个静态特征相似的道路的Q值网络参数。将各个静态特征相似的道路的Q值网络参数进行联邦聚合处理,得到全局的Q值网络参数。以∈的概率随机选取动作,以(1-∈)的概率选取Q值最大的动作并计算得到不同道路的不同等级拥堵信息,动作为联邦强化学习模块准备向车辆发送的道路未来拥堵情况预测信息。根据不同道路的不同等级拥堵信息,联邦强化学习模块输出道路未来拥堵情况预测信息。
对当前道路状态信息与道路未来拥堵情况预测信息进行更新,并融合打包处理,得到当前预测信息。在当前预测信息的基础上重新估计各备选路径的出行时间,其中备选路径为根据当前车辆的位置信息和目的地信息得出的可通行路径。根据当前车辆的位置信息与车辆的目的地信息输出各备选路径的历史延迟指数及历史出行时间最小的路径,得到历史数据信息,再与当前预测信息输出备选路径中估算出行时间最小的路径,得到对于该充换电站的最优道路通行方案的时间成本。根据储存信息对联邦强化学习模块进行迭代式训练。
步骤S202,构建补能位置变量矩阵,结合N个车辆信息,确定M个充换电站的供电需求信息。
本申请中,补能位置变量矩阵中任一元素表征第i辆车是否在第j个电站发生补能,补能位置变量矩阵可以表示为X=[xij]N×M,矩阵中元素可以表示为xij。
当xij=1时,表示第i辆车辆在第j个充换电站补能;当xij=0时,表示第i辆汽车在第j个充换电站补能未发生。
如果第i辆车辆所用电池充电功率可以表示为Pi,第i辆车辆充换电电量可以表示为Qi,则对应M个充换电站的供电需求信息可以包括车辆数量、车辆充电复合、平均充换电车辆数量、平均充电负荷等。
可选的是,车辆信息包括车辆的充电功率,构建补能位置变量矩阵,结合N个车辆信息,确定M个充换电站的供电需求信息包括:
构建补能位置变量矩阵,将补能位置变量矩阵中每个元素分别与对应待充换电车辆的充电功率相乘,确定每个元素对应的充电功率;
将属于同一充换电站的元素对应的充电功率相加,得到对应充换电站的充换电负荷,确定M个充换电站的充换电负荷为供电需求信息。
其中,第j个充换电站补能的车辆数量可以表示为第j个充换电站补能的车辆充电负荷数值可以表示为/>充换电站的平均充换电车辆数量可以表示为/>充换电站的平均充电负荷可以表示为/>
步骤S203,根据补能位置变量矩阵、充换电路程和充换电耗时,构建用户侧目标函数,根据补能位置变量矩阵、供电需求信息和M个电站信息,构建电站侧目标函数。
本申请中,根据不同的目标需求,可以构建不同的目标函数,根据车端的用户需求,可以构建用户侧目标函数,该用户侧目标函数的最终目的是节省用户充电时间、充电费用,以及提高用户充电便捷性等。考虑到电站的运行情况,还可以构建电站侧目标函数,该电站侧目标函数的最终目的是使得充电设施利用率最高、用户充电费用最省、充电负荷合理按需分配、网损最优等。
可选的是,根据补能位置变量矩阵、充换电路程和充换电耗时,构建用户侧目标函数包括:
根据每个待充换电车辆分别与每个充换电站的充换电路程和预测的充换电耗时,确定每个待充换电车辆分别与每个充换电站间的充电效用度;
将补能位置变量矩阵中每个元素分别与对应的充电效用度进行相乘求和,确定相乘求和结果的最小化为用户侧目标函数。
其中,用户侧目标函数的目的可以表征为充电效用度,即以充换电路程和充换电耗时来表征充电效用度。充电效用度uij是指第i辆车辆在第j个充换电站充电的综合效用因数,它可以按照影响车辆用户选择行为的相关因素设定,如充换电耗时、充换电路程等。
上述用户侧目标函数可以表示为:
式中,充电效用度是一个开放式的指标,其表达式为uij=f(tij,lij,…)。有序充换电管理系统可以通过改变充电效用度函数的自变量及函数表达式来实时改变效用度的数值,结合优化目标函数达到对车辆用户的引导调度,起到既满足用户需求又利于电网和充换电站运行的作用。lij表示第i辆电动车到第j个充换电站的路程,tij表示第i辆电动车到第j个充换电站充换电耗时。第i辆车辆到达第j个充换电站补能的充换电耗时为tij=twj+tcij+tdij,其中,twj为在第j个充换电站内的排队时间,tcij为充换电耗时,tdij为到达第j个充换电站的行驶时间。具体的是,tcij服从期望为10分钟的正态分布,tdij由路径预测规划系统导出。近似认为与分配至第j个充换电站的车辆数量成正比,即twj=ajSj,aj为充换电站j的排队时间与充换电车辆数的系数,由各充换电站定期测算更新,可将其与充换电站的等级成正比,例如,充电站为一级时aj为0.1,二级时取值为0.3,三级时取值为0.5等。
可选的是,根据补能位置变量矩阵、供电需求信息和M个电站信息,构建电站侧目标函数包括:
根据补能位置变量矩阵、供电需求信息和M个电站信息,构建第一电站侧目标函数,第一电站侧目标函数如下:
其中,Fl1为第一电站侧目标函数,Spj为第j个电站的充换电负荷,SEj为第j个电站的设计充电容量,Pi为第i辆车的充电功率。
其中,电设施运营商以提高充电设施的利用率为目标函数,按照充电设施的规模分配充电车辆。
可选的是,根据补能位置变量矩阵、供电需求信息和M个电站信息,构建电站侧目标函数包括:
根据补能位置变量矩阵、供电需求信息和M个电站信息,构建第二电站侧目标函数,第二电站侧目标函数如下:
其中,Fl2为第一电站侧目标函数,Spj为第j个电站的充换电负荷,Pjk为第j个电站在第k个时段的负载平衡目标。
其中,根据电网实际运行情况,对各个充换电站设置负荷平衡目标,利用充电负荷在空间上的可调度性平衡电网其他负荷在空间上的分布,最终使各供电线路和设备能够经济运行。
除此之外,当充换电站通过提供不同的充电服务费用来引导车辆用户时,也可以以降低调度系统内总的充电服务费用为目标函数,同时兼顾车辆用户的充电效用度,如下式所示。需要指出的是,这一调度策略不同于车辆用户以自身充电费用最小化为目的无序的个人充电选择行为,在降低用户充电费用的同时不会导致用户集中到费用最低的充换电站,避免造成严重的拥堵和排队等现象,同时也可以降低用户的充电时间和充电路程。此时,可以构建电站侧目标函数为:
其中,kj为第j个充换电站换电的服务费用,Qi为第i个电动汽车换电电量。
另外,还可考虑电网的有功或无功最优,同时兼顾车辆用户的充电路程和充电时间,将其控制在合理范围内,即基于充电负荷空间调度的方法。此时,可以构建电站侧目标函数为:
Fl4=min{real(WS)}或Fl4=min{imag(WS)}
式中,real(WS)为有功网损,imag(WS)为无功网损。
步骤S204,根据用户侧目标函数和电站侧目标函数,得到总目标函数,以总目标函数自适应训练补能位置变量矩阵,得到训练好的补能位置变量矩阵。
本申请中,采用多目标优化目标函数处理方式,即Fl从Fl1、Fl2、Fl3、Fl4中选取一个或者多个与F2组成多目标优化F,以此总目标函数收敛为目标,调节补能位置变量矩阵,总目标函数收敛时对应的补能位置变换矩阵即为训练好的补能位置变量矩阵。
可选的是,根据用户侧目标函数和电站侧目标函数,得到总目标函数包括:
对用户侧目标函数和电站侧目标函数分别进行规范化处理,得到规范化后的用户侧目标函数和规范化后的电站侧目标函数;
对规范化后的用户侧目标函数和规范化后的电站侧目标函数进行加权求和,确定加权求和结果为总目标函数。
其中,由于用户侧目标函数与电站侧目标函数的量纲不同,釆用线性加权和法将每个目标函数进行规范化并将多目标优化问题转化为单目标优化问题,如下式所示:
式中,λ1、λ2分别为目标函数Fl、F2对应的权系数,A、B分别为目标函数Fl、F2对应的规范化系数,其数值以保证两个目标函数同时收敛为目的通过多次计算获得。
可选的是,对用户侧目标函数和电站侧目标函数分别进行规范化处理,得到规范化后的用户侧目标函数和规范化后的电站侧目标函数包括:
获取用户侧目标函数的第一理论最大值,以及电站侧目标函数的第二理论最大值;
将用户侧目标函数与第一理论最大值相除,确定相除结果为规范化后的用户侧目标函数;
将电站侧目标函数与第二理论最大值相除,确定相除结果为规范化后的电站侧目标函数。
其中,以理论最大值作为规范化系数,可以有效地对目标函数进行规范化处理。
步骤S205,根据训练好的补能位置变量矩阵中每个待充换电车辆对应的充换电站,规划每个待充换电车辆与对应的充换电站之间的充电路线。
本申请中,车辆用户在选择充换电站时通常需要考虑充换电的时间成本、路程成本和费用成本。交通状况对车辆用户充换电目标位置的选择的影响最终体现在用户的充换电耗时成本上,因此假设集合Z={时间最短的充换电站},V={路程最近的充换电站},C={费用最省的充换电站},则用户可行的方案集合为X=Z∪V∪C,而最优方案集合为D=Z∩V∩C。经过上述过程,得到了训练好的补能位置变量矩阵,该矩阵中xij=1表征了第i辆车辆满足D=Z∩V∩C的充换电为第j个充换电站,因此,规划出两者之间的路线即为该第i辆车辆的充电路线。
在上述计算过程中需要有一定的约束条件,例如,车辆充换电站有序充电空间调度方法的约束条件主要包括分配约束、充电路程约束、充换电站剩余电量约束。分配约束为每辆车辆能且仅能分配至一个充换电站,约束表达式如下:
充电路程约束为由于车辆电池剩余里程不足造成的或由车辆用户设定的充电路程最大值limax,约束表达式如下:
lij≤limax;
充换电站剩余电量约束为分配至某充换电站的车辆用户换电电量需求不应大于此刻充换电站电池储存的剩余电量,约束表达式如下:
式中,Nj为分配至充换电站j的车辆用户数量,Qjmax为第j个充换电站此刻剩余电量。
本申请实施例获取目标区域内参与调度的M个充换电站的电站信息,以及N个待充换电车辆的车辆信息,根据M个电站信息和N个车辆信息,确定每个待充换电车辆分别与每个充换电站的充换电路程和预测的充换电耗时,构建补能位置变量矩阵,结合N个车辆信息,确定M个充换电站的供电需求信息,补能位置变量矩阵中任一元素表征第i辆车是否在第j个电站发生补能,根据补能位置变量矩阵、充换电路程和充换电耗时,构建用户侧目标函数,根据补能位置变量矩阵、供电需求信息和M个电站信息,构建电站侧目标函数,根据用户侧目标函数和电站侧目标函数,得到总目标函数,以总目标函数自适应训练补能位置变量矩阵,得到训练好的补能位置变量矩阵,根据训练好的补能位置变量矩阵中每个待充换电车辆对应的充换电站,规划每个待充换电车辆与对应的充换电站之间的充电路线,将用户侧目标函数与电站侧目标函数结合对待充换电车辆与充换电站的匹配关系进行训练,进而得到较优的匹配结果,将匹配的待充换电车辆与充换电站之间进行路线规划,从而合理规划了车辆的充电路线。
对应于上文实施例的基于自适应训练的充电路线规划方法,图4示出了本申请实施例三提供的基于自适应训练的充电路线规划装置的结构框图,上述充电路线规划装置应用于图1中的服务端,服务端对应的计算设备连接车端,以获取车端发送的车辆的运行信息,包括电量、位置等。上述计算机设备还可以连接相应的其他系统或者平台,以获取交通信息、电站信息等为了便于说明,仅示出了与本申请实施例相关的部分。
参见图3,该充电路线规划装置包括:
信息处理模块31,用于获取目标区域内参与调度的M个充换电站的电站信息,以及N个待充换电车辆的车辆信息,根据M个电站信息和N个车辆信息,确定每个待充换电车辆分别与每个充换电站的充换电路程和预测的充换电耗时;
矩阵构建模块32,用于构建补能位置变量矩阵,结合N个车辆信息,确定M个充换电站的供电需求信息,补能位置变量矩阵中任一元素表征第i辆车是否在第j个电站发生补能;
函数构建模块33,用于根据补能位置变量矩阵、充换电路程和充换电耗时,构建用户侧目标函数,根据补能位置变量矩阵、供电需求信息和M个电站信息,构建电站侧目标函数;
矩阵训练模块34,用于根据用户侧目标函数和电站侧目标函数,得到总目标函数,以总目标函数自适应训练补能位置变量矩阵,得到训练好的补能位置变量矩阵;
路线规划模块35,用于根据训练好的补能位置变量矩阵中每个待充换电车辆对应的充换电站,规划每个待充换电车辆与对应的充换电站之间的充电路线。
可选的是,函数构建模块33包括:
效用度确定单元,用于根据每个待充换电车辆分别与每个充换电站的充换电路程和预测的充换电耗时,确定每个待充换电车辆分别与每个充换电站间的充电效用度;
用户侧函数构建单元,用于将补能位置变量矩阵中每个元素分别与对应的充电效用度进行相乘求和,确定相乘求和结果的最小化为用户侧目标函数。
可选的是,车辆信息包括车辆的充电功率,矩阵构建模块32包括:
矩阵构建单元,用于构建补能位置变量矩阵,将补能位置变量矩阵中每个元素分别与对应待充换电车辆的充电功率相乘,确定每个元素对应的充电功率;
供电需求确定单元,用于将属于同一充换电站的元素对应的充电功率相加,得到对应充换电站的充换电负荷,确定M个充换电站的充换电负荷为供电需求信息。
可选的是,函数构建模块33包括:
第一电站侧构建单元,用于根据补能位置变量矩阵、供电需求信息和M个电站信息,构建第一电站侧目标函数,第一电站侧目标函数如下:
其中,Fl1为第一电站侧目标函数,Spj为第j个电站的充换电负荷,SEj为第j个电站的设计充电容量,Pi为第i辆车的充电功率。
可选的是,函数构建模块33包括:
第二电站侧构建单元,用于根据补能位置变量矩阵、供电需求信息和M个电站信息,构建第二电站侧目标函数,第二电站侧目标函数如下:
其中,Fl2为第一电站侧目标函数,Spj为第j个电站的充换电负荷,Pjk为第j个电站在第k个时段的负载平衡目标。
可选的是,矩阵训练模块34包括:
规范化处理单元,用于对用户侧目标函数和电站侧目标函数分别进行规范化处理,得到规范化后的用户侧目标函数和规范化后的电站侧目标函数;
总函数确定单元,用于对规范化后的用户侧目标函数和规范化后的电站侧目标函数进行加权求和,确定加权求和结果为总目标函数。
可选的是,规范化处理单元包括:
获取子单元,用于获取用户侧目标函数的第一理论最大值,以及电站侧目标函数的第二理论最大值;
第一规范化子单元,用于将用户侧目标函数与第一理论最大值相除,确定相除结果为规范化后的用户侧目标函数;
第二规范化子单元,用于将电站侧目标函数与第二理论最大值相除,确定相除结果为规范化后的电站侧目标函数。
需要说明的是,上述模块之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图4为本申请实施例四提供的一种计算机设备的结构示意图。如图4所示,该实施例的计算机设备包括:至少一个处理器(图4中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序,处理器执行计算机程序时实现上述任意各个基于自适应训练的充电路线规划方法实施例中的步骤。
该计算机设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,图4仅仅是计算机设备的举例,并不构成对计算机设备的限定,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU,该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器包括可读存储介质、内存储器等,其中,内存储器可以是计算机设备的内存,内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘,在另一些实施例中也可以是计算机设备的外部存储设备,例如,计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程,也可以通过一种计算机程序产品来完成,当计算机程序产品在计算机设备上运行时,使得计算机设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于自适应训练的充电路线规划方法,其特征在于,所述充电路线规划方法包括:
获取目标区域内参与调度的M个充换电站的电站信息,以及N个待充换电车辆的车辆信息,根据M个电站信息和N个车辆信息,确定每个待充换电车辆分别与每个充换电站的充换电路程和预测的充换电耗时;
构建补能位置变量矩阵,结合所述N个车辆信息,确定所述M个充换电站的供电需求信息,所述补能位置变量矩阵中任一元素表征第i辆车是否在第j个电站发生补能;
根据所述补能位置变量矩阵、所述充换电路程和所述充换电耗时,构建用户侧目标函数,根据所述补能位置变量矩阵、所述供电需求信息和所述M个电站信息,构建电站侧目标函数;
根据所述用户侧目标函数和所述电站侧目标函数,得到总目标函数,以所述总目标函数自适应训练所述补能位置变量矩阵,得到训练好的补能位置变量矩阵;
根据所述训练好的补能位置变量矩阵中每个待充换电车辆对应的充换电站,规划每个待充换电车辆与对应的充换电站之间的充电路线。
2.根据权利要求1所述的充电路线规划方法,其特征在于,根据所述补能位置变量矩阵、所述充换电路程和所述充换电耗时,构建用户侧目标函数包括:
根据每个待充换电车辆分别与每个充换电站的充换电路程和预测的充换电耗时,确定每个待充换电车辆分别与每个充换电站间的充电效用度;
将所述补能位置变量矩阵中每个元素分别与对应的充电效用度进行相乘求和,确定相乘求和结果的最小化为用户侧目标函数。
3.根据权利要求1所述的充电路线规划方法,其特征在于,所述车辆信息包括车辆的充电功率,所述构建补能位置变量矩阵,结合所述N个车辆信息,确定所述M个充换电站的供电需求信息包括:
构建补能位置变量矩阵,将所述补能位置变量矩阵中每个元素分别与对应待充换电车辆的充电功率相乘,确定每个元素对应的充电功率;
将属于同一充换电站的元素对应的充电功率相加,得到对应充换电站的充换电负荷,确定所述M个充换电站的充换电负荷为供电需求信息。
4.根据权利要求3所述的充电路线规划方法,其特征在于,根据所述补能位置变量矩阵、所述供电需求信息和所述M个电站信息,构建电站侧目标函数包括:
根据所述补能位置变量矩阵、所述供电需求信息和所述M个电站信息,构建第一电站侧目标函数,所述第一电站侧目标函数如下:
其中,Fl1为所述第一电站侧目标函数,Spj为第j个电站的所述充换电负荷,SEj为第j个电站的设计充电容量,Pi为第i辆车的充电功率。
5.根据权利要求3所述的充电路线规划方法,其特征在于,根据所述补能位置变量矩阵、所述供电需求信息和所述M个电站信息,构建电站侧目标函数包括:
根据所述补能位置变量矩阵、所述供电需求信息和所述M个电站信息,构建第二电站侧目标函数,所述第二电站侧目标函数如下:
其中,Fl2为所述第一电站侧目标函数,Spj为第j个电站的所述充换电负荷,Pjk为第j个电站在第k个时段的负载平衡目标。
6.根据权利要求1至5任一项所述的充电路线规划方法,其特征在于,根据所述用户侧目标函数和所述电站侧目标函数,得到总目标函数包括:
对所述用户侧目标函数和所述电站侧目标函数分别进行规范化处理,得到规范化后的用户侧目标函数和规范化后的电站侧目标函数;
对所述规范化后的用户侧目标函数和所述规范化后的电站侧目标函数进行加权求和,确定加权求和结果为总目标函数。
7.根据权利要求6所述的充电路线规划方法,其特征在于,对所述用户侧目标函数和所述电站侧目标函数分别进行规范化处理,得到规范化后的用户侧目标函数和规范化后的电站侧目标函数包括:
获取所述用户侧目标函数的第一理论最大值,以及所述电站侧目标函数的第二理论最大值;
将所述用户侧目标函数与所述第一理论最大值相除,确定相除结果为规范化后的用户侧目标函数;
将所述电站侧目标函数与所述第二理论最大值相除,确定相除结果为规范化后的电站侧目标函数。
8.一种基于自适应训练的充电路线规划装置,其特征在于,所述充电路线规划装置包括:
信息处理模块,用于获取目标区域内参与调度的M个充换电站的电站信息,以及N个待充换电车辆的车辆信息,根据M个电站信息和N个车辆信息,确定每个待充换电车辆分别与每个充换电站的充换电路程和预测的充换电耗时;
矩阵构建模块,用于构建补能位置变量矩阵,结合所述N个车辆信息,确定所述M个充换电站的供电需求信息,所述补能位置变量矩阵中任一元素表征第i辆车是否在第j个电站发生补能;
函数构建模块,用于根据所述补能位置变量矩阵、所述充换电路程和所述充换电耗时,构建用户侧目标函数,根据所述补能位置变量矩阵、所述供电需求信息和所述M个电站信息,构建电站侧目标函数;
矩阵训练模块,用于根据所述用户侧目标函数和所述电站侧目标函数,得到总目标函数,以所述总目标函数自适应训练所述补能位置变量矩阵,得到训练好的补能位置变量矩阵;
路线规划模块,用于根据所述训练好的补能位置变量矩阵中每个待充换电车辆对应的充换电站,规划每个待充换电车辆与对应的充换电站之间的充电路线。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述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如权利要求1至7任一项所述的充电路线规划方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的充电路线规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310576277.8A CN116911473A (zh) | 2023-05-19 | 2023-05-19 | 基于自适应训练的充电路线规划方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310576277.8A CN116911473A (zh) | 2023-05-19 | 2023-05-19 | 基于自适应训练的充电路线规划方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116911473A true CN116911473A (zh) | 2023-10-20 |
Family
ID=88355247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310576277.8A Pending CN116911473A (zh) | 2023-05-19 | 2023-05-19 | 基于自适应训练的充电路线规划方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911473A (zh) |
-
2023
- 2023-05-19 CN CN202310576277.8A patent/CN116911473A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Simulation-based robust optimization of limited-stop bus service with vehicle overtaking and dynamics: A response surface methodology | |
JP6414760B2 (ja) | 電力需要予測装置、電力供給システム、及び電力需要予測方法 | |
Amirgholy et al. | Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach | |
Yuan et al. | p^ 2charging: Proactive partial charging for electric taxi systems | |
CN113222387B (zh) | 面向氢燃料车辆的多目标调度与协同优化方法 | |
Tang et al. | Online operations of automated electric taxi fleets: An advisor-student reinforcement learning framework | |
CN111340318B (zh) | 一种车辆动态调度方法、装置及终端设备 | |
CN110570656B (zh) | 定制公共交通线路方法及装置 | |
Wei et al. | A green demand-responsive airport shuttle service problem with time-varying speeds | |
CN113672846A (zh) | 网约车调度方法、装置、电子设备及存储介质 | |
Yu et al. | Optimal operations planning of electric autonomous vehicles via asynchronous learning in ride-hailing systems | |
CN112949987B (zh) | 基于预测的出租车调度和匹配方法、系统、设备及介质 | |
CN112381470B (zh) | 基于智能体的交通流量分配方法、设备及存储介质 | |
CN106682759B (zh) | 针对电动出租车的电池供应系统及网络优化方法 | |
CN116911473A (zh) | 基于自适应训练的充电路线规划方法、装置、设备及介质 | |
Yu et al. | Optimization of urban bus operation frequency under common route condition with rail transit | |
Brands | Multi-objective optimisation of multimodal passenger transportation networks | |
CN114492161A (zh) | 一种公交车到站预测方法及装置 | |
Lee et al. | Limited information-sharing strategy for taxi–customer searching problem in nonbooking taxi service | |
Cheng et al. | ETC Intelligent Navigation Path Planning Method | |
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 | |
CN117151444B (zh) | 汽车充电调度方法、系统、设备及存储介质 | |
WO2022180679A1 (ja) | コンテナ積載管理システム、および、コンテナ積載管理方法 | |
CN113869545A (zh) | 预测无人驾驶有轨电车的耗电量的方法和系统 | |
Zhang et al. | PSO-DE-Based Regional Scheduling Method for Shared Vehicles |
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 |