CN116968767A - 基于多维数据融合的新能源汽车充电路径规划方法及系统 - Google Patents

Abstract

本发明公开了一种基于多维数据融合的新能源汽车充电路径规划方法及系统，本发明方法包括调用路径规划算法基于高速优先获取汽车从当前位置到终点位置的规划路径；按照距离依次获取所述规划路径沿途的高速服务区的充电站信息并构建充电站序列，其中最近的充电站为P₁，第二近的充电站为P₂；若汽车当前的续航里程不足以行驶到充电站P₂则查找汽车当前的电量对应的续航里程内的非高速服务区的充电站，将充电站P₁以及查找得到的充电站作为可选的充电方案输出以供用户选择。本发明旨在为用户提供新能源汽车在长途行驶过程中在高速公路服务区的充电路径规划，最大程度利用充电资源，提升新能源汽车的用户体验。

Description

基于多维数据融合的新能源汽车充电路径规划方法及系统

技术领域

本发明涉及新能源汽车的路径规划技术领域，具体涉及一种基于多维数据融合的新能源汽车充电路径规划方法及系统。

背景技术

目前，新能源汽车充电桩和充电站的数量也逐年递增，由于移动互联网带来的便利，新能源汽车车主在城市内找到附近的充电桩进行补电已经较为容易。但目前还存在这样一种问题，由于高速公路服务区一般远离城区，如果要建设大型充电站，必须配套建设大容量变压器和输电线路，投资规模较大并且回本周期较长，因此高速公路服务区的民营充电站仍然较少，主要以国有企业的充电桩为主，数量也不多。高速公路服务区的充电桩在节假日排队现象尤为明显，有的长达几个小时，但在非节假日则空闲时间较长，如果盲目增加充电桩数量则会造成资源浪费。虽然高德、百度等地图app已经在导航模式中新增了“新能源出行”的模块，但存在这样几个问题，一是充电桩空闲数据不准，二是不能对故障充电桩进行智能判断，三是对在节假日给高速服务区投放的“移动充电车”的数据不能体现，四是充电站内充电桩的排队机制较为混乱，因为信息不透明，排队时有纠纷发生，因此新能源汽车车主在节假日高速公路出行的过程中仍然存在困扰，因此更为精准的节假日新能源汽车高速路径规划方法具有重要的意义。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于多维数据融合的新能源汽车充电路径规划方法及系统，本发明旨在为用户提供新能源汽车在长途行驶过程中在高速公路服务区的充电路径规划，最大程度利用充电资源，提升新能源汽车的用户体验。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于多维数据融合的新能源汽车充电路径规划方法，包括：

S101，利用路径规划算法获取汽车从当前位置沿高速公路到终点位置的规划路径；

S102，若规划路径小于预设阈值X，则判定行程结束并退出；否则跳转步骤S103；

S103，结合规划路径和地图数据，获取规划路径沿途的高速服务区充电站序列{P_i}；

S104，根据电网充电站数据更新高速服务区充电站序列{P_i}中各充电站的充电桩信息；

S105，获取汽车当前的续航里程，若续航里程小于当前位置到高速服务区充电站序列{P_i}中第二近的充电站P₂的距离，则跳转步骤S106；否则，跳转步骤S101；

S106，指引用户将汽车驾驶到高速服务区充电站序列{P_i}中最近的充电站P₁进行充电，并输出充电站P₁的充电桩信息；在汽车完成充电后，跳转步骤S101。

可选地，步骤S1O3中获取规划路径沿途的高速服务区充电站序列{P_i}时，针对高速服务区充电站序列{P_i}中的任意第i个充电站P_i所获取的信息包括：充电站P_i的名称、充电站P_i与当前位置距离、充电站P_i与上一个充电站P_i-1的距离以及预计到达时刻。

可选地，所述充电站P_i与当前位置距离、充电站P_i与上一个充电站P_i-1的距离均为利用路径规划算法计算得到，所述预计到达时刻的估计方法包括：

S201，获取该汽车的平均充电间隔S、平均能耗数据e、当前剩余电量为E、充电站P_i与当前位置的距离S_x以及该段高速的平均限速v_max；

S202，如果充电站P_i与当前位置的距离S_x满足汽车当前的续航里程εE/e×100，则根据下式计算第i个充电站P_i的预计到达时刻t_i：

否则，根据下式计算充电站P_i的预计到达时刻t_i：

其中，α为道路拥堵系数，t_now为当前时间，P_c为平均充电功率，表示路途中的充电次数，(ε/e×100)/P_c为单次充电时间，ε为该汽车的续航系数。

可选地，步骤S1O4中根据电网充电站数据更新高速服务区充电站序列{P_i}中各充电站的充电桩信息时，包括根据高速服务区充电站序列{P_i}中各充电站的充电站名称，从电网充电站数据中获取总充电桩数量和空闲充电桩数量，任意第i个充电站P_i的空闲充电桩数量的获取包括：

S301，若第i个充电站P_i为第一个充电站P₁，则跳转步骤S302；否则跳转步骤S303；

S302，根据下式计算充电站P_i的空闲充电桩数量：

n5＝n1+n2-n3-n4

上式中，n5为充电站P_i的空闲充电桩数量，n1为充电站P_i中当前的充电桩功率为零的充电桩数量，n2为充电站P_i中投放的移动充电桩的总数量，n3为充电站P_i中投放的移动充电桩中已使用的数量，n4为充电站P_i中故障充电桩的数量；

S303，将充电站P_i的充电桩总数量、电网负荷、充电站P_i的地理位置、充电站P_i的气象数据作为输入，利用机器学习模型预测充电站P_i的空闲充电桩数量，所述气象数据包括气温、降水量和湿度。

可选地，步骤S302中充电站P_i中故障充电桩的数量的获取包括：获取充电站P_i前一日的电网负荷数据和交通数据，确定充电站P_i前一日的峰值负荷持续时段和排队时段，获取将充电站P_i前一日的峰值负荷持续时段和排队时段的交集时间，并获取充电站P_i前一日的交集时间范围内有功功率接近于零的充电桩数量作为充电站P_i中故障充电桩的数量。

可选地，步骤S303中的机器学习模型为XGBoost回归模型，所述利用机器学习模型预测充电站P_i的空闲充电桩数量时在节假日、工作日以及不同时段使用的XGBoost回归模型的模型参数各不相同，所述利用机器学习模型预测充电站P_i的空闲充电桩数量之前还包括分别利用节假日和工作日下不同时段的样本数据训练对应的XGBoost回归模型的模型参数步骤，且训练XGBoost回归模型的模型参数包括最大深度(max_depth)、迭代次数(n_estimators)、收缩步长(eta)、gamma参数、lambda正则系数以及学习率(learning_rate)，且训练的收敛条件为XGBoost回归模型输出的空闲充电桩的数量的均方误差小于等于设定值。

可选地，步骤S106中输出充电站P₁的充电桩信息时，还包括按照直流桩和交流桩两种充电桩类型，根据充电站P₁的充电历史数据分别统计充电站P₁中充电桩类型的平均充电时间，以及各充电桩当前使用用户的已充电电量和已使用时间以便于用户根据充电桩排队情况对剩余排队时间进行估算。

可选地，步骤S106中输出充电站P₁的充电桩信息时，还包括查找汽车当前的电量对应的续航里程内的非高速服务区的充电站，并利用路径规划算法获取汽车从当前位置行驶到非高速服务区的充电站的预计到达时间以供用户选择。

此外，本发明还提供一种基于多维数据融合的新能源汽车充电路径规划系统，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述基于多维数据融合的新能源汽车充电路径规划方法。

此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序用于被微处理器编程或配置以执行所述基于多维数据融合的新能源汽车充电路径规划方法。

此外，本发明还提供一种计算机程序产品，所述计算机程序产品中包含计算机程序/指令，所述计算机程序/指令用于被微处理器编程或配置以执行所述基于多维数据融合的新能源汽车充电路径规划方法。

和现有技术相比，本发明主要具有下述优点：本发明能够结合电网充电站数据、车辆基本数据、交通数据、气象数据等多种维度的数据为用户提供新能源汽车在长途行驶过程中在高速公路服务区的充电路径规划，为用户提供最优的路径规划，能够有效减少新能源汽车节假日高峰期间在高速公路服务区的充电站排队时间，最大程度地利用充电站的充电资源，提升新能源汽车的用户体验。

附图说明

图1为本发明实施例方法的基本流程示意图。

具体实施方式

如图1所示，本实施例基于多维数据融合的新能源汽车充电路径规划方法包括：

S101，利用路径规划算法获取汽车从当前位置沿高速公路到终点位置的规划路径；

S102，若规划路径小于预设阈值X，则判定行程结束并退出；否则跳转步骤S103；

S103，结合规划路径和地图数据，获取规划路径沿途的高速服务区充电站序列{P_i}；

S104，根据电网充电站数据更新高速服务区充电站序列{P_i}中各充电站的充电桩信息；

S105，获取汽车当前的续航里程，若续航里程小于当前位置到高速服务区充电站序列{P_i}中第二近的充电站P₂的距离，则跳转步骤S106；否则，跳转步骤S101；

S106，指引用户将汽车驾驶到高速服务区充电站序列{P_i}中最近的充电站P₁进行充电，并输出充电站P₁的充电桩信息；在汽车完成充电后，跳转步骤S101。

需要说明的，步骤S101中路径规划算法已比较成熟，可以根据需要采用所需的路径规划算法。例如作为一种可选的实施方式，可参考申请号为CN202011198962.4的中国专利申请文献或者申请号为CN202110697301.4的中国专利申请文献，上述专利申请文献中提到的了电动汽车充电路径规划方法，均可使模型输出初始规划路径。本实施例方法仅仅涉及对现有公知路径规划算法的使用，不涉及对路径规划算法的改进，故其实现细节在此不再详述。

本实施例步骤S102中的阈值为退出距离，可以根据需要进行取值，例如选择20m等。

本实施例步骤S1O3中结合规划路径和地图数据获取规划路径沿途的高速服务区充电站序列{P_i}，也可表示为：{P₁，P₂，P₃，…P_x}。本实施例步骤S1O3中获取规划路径沿途的高速服务区充电站序列{P_i}时，针对高速服务区充电站序列{P_i}中的任意第i个充电站P_i所获取的信息包括：充电站P_i的名称、充电站P_i与当前位置距离、充电站P_i与上一个充电站P_i-1的距离以及预计到达时刻。

本实施例中，充电站P_i与当前位置距离、充电站P_i与上一个充电站P_i-1的距离均为利用路径规划算法计算得到，预计到达时刻同样也可以根据需要用路径规划算法计算得到。但是，考虑到现有路径规划算法一般对于预计到达时刻的估计往往没有考虑新能源汽车自身的特点，而是将新能源汽车和汽油车同等看到，因此将现有路径规划算法估计得到的预计到达时刻往往精确度不足。为了提升预计到达时刻的估计精确度，本实施例采用了一种改进的估计方法，该预计到达时刻的估计方法包括：

S201，获取该汽车的平均充电间隔S、平均能耗数据e(kWh/100km)、当前剩余电量为E(kWh)、充电站P_i与当前位置的距离S_x以及该段高速的平均限速v_max；

S202，如果充电站P_i与当前位置的距离S_x满足汽车当前的续航里程εE/e×100(km)，则根据下式计算第i个充电站P_i的预计到达时刻t_i：

否则，根据下式计算充电站P_i的预计到达时刻t_i：

其中，α为道路拥堵系数，t_now为当前时间，P_c为平均充电功率，表示路途中的充电次数，(ε/e×100)/P_c为单次充电时间，ε为该汽车的续航系数。道路拥堵系数可根据交通数据中一段道路上包含的车辆数量除以平均车辆数量来计算，此外也可以根据需要采用现有的其他道路拥堵系数计算方法，例如现有地图软件中将道路按照绿色、红色等颜色来表达道路拥堵程度，其实际上就是利用了现有道路拥堵系数的可视化处理。假定平均充电功率按30kW估计，则有：

本实施例中，步骤S1O4中根据电网充电站数据更新高速服务区充电站序列{P_i}中各充电站的充电桩信息时，包括根据高速服务区充电站序列{P_i}中各充电站的充电站名称，从电网充电站数据中获取总充电桩数量和空闲充电桩数量，更新数据可表示为：

{充电站名称，总充电桩数量，空闲充电桩数量}。

作为一种可选的实施方式，空闲充电桩数量可以直接从电网充电站数据中获取。此外，考虑到部分电网充电站数据中可能没有提供空闲充电桩数量的数据，本实施例还提供了一种兼容性的解决方案，具体地，任意第i个充电站P_i的空闲充电桩数量的获取包括：

S301，若第i个充电站P_i为第一个充电站P₁，则跳转步骤S302；否则跳转步骤S303；

S302，根据下式计算充电站P_i的空闲充电桩数量：

n5＝n1+n2-n3-n4

上式中，n5为充电站P_i的空闲充电桩数量，n1为充电站P_i中当前的充电桩功率为零的充电桩数量，n2为充电站P_i中投放的移动充电桩的总数量，n3为充电站P_i中投放的移动充电桩中已使用的数量，n4为充电站P_i中故障充电桩的数量；

S303，将充电站P_i的充电桩总数量、电网负荷、充电站P_i的地理位置、充电站P_i的气象数据作为输入，利用机器学习模型预测充电站P_i的空闲充电桩数量，所述气象数据包括气温、降水量和湿度。

本实施例中，步骤S302中充电站P_i中故障充电桩的数量的获取包括：获取充电站P_i前一日的电网负荷数据和交通数据，确定充电站P_i前一日的峰值负荷持续时段和排队时段，获取将充电站P_i前一日的峰值负荷持续时段和排队时段的交集时间，并获取充电站P_i前一日的交集时间范围内有功功率接近于零的充电桩数量作为充电站P_i中故障充电桩的数量。具体地，根据电网运行数据，获取充电站内充电桩功率负荷数据(按5分钟频率实时更新)，得到最近时刻功率为零的充电桩数量为n1；判断服务区当天是否投放移动充电桩，如果已投放，则根据投放的移动充电桩数量n2和正在使用数量n3(按5分钟频率实时更新)；如果未投放，则n2和n3均为零。以前一个节假日的电网负荷数据和交通数据为基础，将前一个节假日的峰值负荷持续时段和由前一个节假日交通数据得到的服务区内的排队时段进行匹配，将两时段交集范围内有功功率接近于零的充电桩数量定义为故障充电桩数量n4；某一时段内某服务区的空闲充电桩数量n5＝n1+n2-n3-n4。

对于第一个充电站P₁以外的充电站，其实际上也可以考虑采用第一个充电站P₁的方法来计算充电站P_i的空闲充电桩数量，例如：针对第一个充电站P₁以外的充电站：该充电站固定充电桩总量为N0；根据电网运行数据，获取当前时段有明显负荷的充电桩平均数量为N6；判断服务区当天是否投放移动充电桩，如果已投放，投放的移动充电桩总数量为n2，根据历史节假日的已投放数据，对节假日以每天n个时段进行划分，在每个时段内以5分钟的频率计算该时段内的平均使用数量N7；如果未投放，则n2和N7均为零。以当前时间前一个节假日的电网负荷数据和交通数据为基础，将前一个节假日的峰值负荷持续时段和由前一个节假日交通数据得到的服务区内的排队时段进行匹配，将两时段交集范围内有功功率接近于零的充电桩数量定义为故障充电桩数量N8；历史数据中某时段内某服务区的可用充电桩数量N9＝N0+n2-N7-N8。则历史数据中某时段内某服务区的空闲充电桩数量N10＝N9-N6。

但是考虑到第一个充电站P₁以外的充电站当前时刻的计算值并不能代表未来的实际情况，因此用预测更合适。因此本实施例中采用了将充电站P_i的充电桩总数量、电网负荷、充电站P_i的地理位置、充电站P_i的气象数据作为输入，利用机器学习模型预测充电站P_i的空闲充电桩数量。气象数据包括气温、降水量、湿度等，具体规律如下：根据历史数据，气温对于汽车电池的效率影响较大，气温高和低都会造成充电需求增加，从而影响高速服务区的充电桩空闲数量。根据历史数据，雨雪天气会影响汽车行驶速度，改变交通的拥堵程度和人们的出行意愿，对高速服务区充电桩的空闲数量有一定程度的影响。地理位置数据主要包括该服务区充电站与上一服务区充电站和下一服务区充电站的距离，根据历史数据和统计规律，如果两个距离均较大，则充电桩空闲数量相对较少，反之则较多；该充电站的电网负荷数据变化则直接标记了车流量的变化，直接影响充电桩的空闲数量；可用充电桩数据，直接影响充电桩空闲数量，根据统计规律，一般可用数量越多，空闲数量越多。故障充电桩数据直接影响空闲充电桩数量，其数量越多，则可用充电桩数量越少。因此，利用充电桩总数量、电网负荷、充电站P_i的地理位置、充电站P_i的气象数据作为输入，能够准确预测空闲充电桩数量。

毫无疑问，步骤S303中的机器学习模型可以根据需要采用所需的机器学习模型类型。例如作为一种可选的实施方式，本实施例步骤S303中的机器学习模型为XGBoost回归模型，利用机器学习模型预测充电站P_i的空闲充电桩数量时在节假日、工作日以及不同时段使用的XGBoost回归模型的模型参数各不相同，本实施例中时段数据主要是指将每天24个小时分成多个时段，根据统计数据，一般凌晨和上午的空闲充电桩数量较多，其他时间相对更少，此外节假日、工作日对于空闲充电桩数量也有显著影响。因此，在节假日、工作日以及不同时段使用的XGBoost回归模型的模型参数各不相同，能够有效提升预测精度。利用机器学习模型预测充电站P_i的空闲充电桩数量之前还包括分别利用节假日和工作日下不同时段的样本数据训练对应的XGBoost回归模型的模型参数步骤，且训练XGBoost回归模型的模型参数包括最大深度(max_depth)、迭代次数(n_estimators)、收缩步长(eta)、gamma参数、lambda正则系数以及学习率(1earning_rate)，且训练的收敛条件为XGBoost回归模型输出的空闲充电桩的数量的均方误差小于等于设定值。取最近k个历史节假日的输入数据和输出数据建立回归模型，调整XGBoost模型的各参数，如最大深度(max_depth)、迭代次数(n_estimators)、收缩步长(eta)、gamma参数、lambda正则系数、学习率(learning_rate)，使模型能够得到最小的均方误差，从而对其各参数进行固定。确定XGBoost回归模型各参数之后，将用户的当前时段数据，气象数据、电网负荷数据、地理位置数据、可用充电桩数据输入模型，输出空闲充电桩预测数据。

本实施例中，步骤S106中输出充电站P₁的充电桩信息时，还包括按照直流桩和交流桩两种充电桩类型，根据充电站P₁的充电历史数据分别统计充电站P₁中充电桩类型的平均充电时间，以及各充电桩当前使用用户的已充电电量和已使用时间以便于用户根据充电桩排队情况对剩余排队时间进行估算。此外作为一种可选的实施方式，本实施例步骤S106中输出充电站P₁的充电桩信息时，还包括查找汽车当前的电量对应的续航里程内的非高速服务区的充电站，并利用路径规划算法获取汽车从当前位置行驶到非高速服务区的充电站的预计到达时间以供用户选择，由用户自行选择充电方案。在汽车完成充电后，跳转步骤S101，从而可根据汽车充电情况，更新当前位置信息、终点位置信息，汽车剩余电量、汽车能耗数据等信息，重新利用路径规划算法获取汽车从当前位置沿高速公路到终点位置的规划路径。

以2023年“五一”期间京港澳高速湖南境内的部分排队时间较长的高速服务区充电站(5个)的实际数据进行仿真试验，在本实施例方法未介入情况下，以现行路径规划模式，根据交通数据和电网负荷数据，各站排队最长时间如下表所示：

以2022年至2023年所有节假日数据作为本实施例方法的历史数据进行输入，仿真试验按如下原则进行，默认所有车辆按照本实施例方法推荐的方案执行，包括：用户根据现场排队情况，结合各充电桩的平均充电时间和已充电时间，选择预估费时最少的充电桩进行排队；用户根据排队预估时间T1和到达距离该充电站最近的有空闲充电桩的非服务区充电地址的时间T2，选择min{T1,T2}对应的方案作为行车方案。根据本实施例方法和上述原则，5个充电站在仿真试验环境下的最长充电排队时间如下表所示：

服务区名称	充电最长排队时间
		巴陵服务区	40分钟
平江服务区	32分钟
		临湘服务区	20分钟
永兴服务区	32分钟
		衡山服务区	38分钟
平均	32.4分钟

根据仿真试验结果可知，采用本实施例方法后，5个服务区的平均最长排队时间从68分钟减少到32.4分钟，与实际情况相比已有较大程度的改善。本发明旨在为用户提供新能源汽车在长途行驶过程中在高速公路服务区的充电路径规划，能够有效减少新能源汽车节假日高峰期间在高速公路服务区的充电站排队时间，最大程度地利用充电站的充电资源，提升新能源汽车的用户体验。需要说明的是，本实施例中的新能源汽车指代所有可充电的汽车，包括纯电动汽车，和油电混合的混合能源汽车。

此外，本实施例还提供一种基于多维数据融合的新能源汽车充电路径规划系统，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述基于多维数据融合的新能源汽车充电路径规划方法。

此外，本实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序用于被微处理器编程或配置以执行所述基于多维数据融合的新能源汽车充电路径规划方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于多维数据融合的新能源汽车充电路径规划方法，其特征在于，包括：

S101，利用路径规划算法获取汽车从当前位置沿高速公路到终点位置的规划路径；

S102，若规划路径小于预设阈值X，则判定行程结束并退出；否则跳转步骤S103；

S103，结合规划路径和地图数据，获取规划路径沿途的高速服务区充电站序列{P_i}；

S104，根据电网充电站数据更新高速服务区充电站序列{P_i}中各充电站的充电桩信息；

S105，获取汽车当前的续航里程，若续航里程小于当前位置到高速服务区充电站序列{P_i}中第二近的充电站P₂的距离，则跳转步骤S106；否则，跳转步骤S101；

S106，指引用户将汽车驾驶到高速服务区充电站序列{P_i}中最近的充电站P₁进行充电，并输出充电站P₁的充电桩信息；在汽车完成充电后，跳转步骤S101。

2.根据权利要求1所述的基于多维数据融合的新能源汽车充电路径规划方法，其特征在于，步骤S1O3中获取规划路径沿途的高速服务区充电站序列{P_i}时，针对高速服务区充电站序列{P_i}中的任意第i个充电站P_i所获取的信息包括：充电站P_i的名称、充电站P_i与当前位置距离、充电站P_i与上一个充电站P_i-1的距离以及预计到达时刻。

3.根据权利要求2所述的基于多维数据融合的新能源汽车充电路径规划方法，其特征在于，所述充电站P_i与当前位置距离、充电站P_i与上一个充电站P_i-1的距离均为利用路径规划算法计算得到，所述预计到达时刻的估计方法包括：

S201，获取该汽车的平均充电间隔S、平均能耗数据e、当前剩余电量为E、充电站P_i与当前位置的距离S_x以及该段高速的平均限速v_max；

S202，如果充电站P_i与当前位置的距离S_x满足汽车当前的续航里程εE/e×100，则根据下式计算第i个充电站P_i的预计到达时刻t_i：

否则，根据下式计算充电站P_i的预计到达时刻t_i：

其中，α为道路拥堵系数，t_now为当前时间，P_c为平均充电功率，表示路途中的充电次数，(ε/e×100)/P_c为单次充电时间，ε为该汽车的续航系数。

4.根据权利要求1所述的基于多维数据融合的新能源汽车充电路径规划方法，其特征在于，步骤S1O4中根据电网充电站数据更新高速服务区充电站序列{P_i}中各充电站的充电桩信息时，包括根据高速服务区充电站序列{P_i}中各充电站的充电站名称，从电网充电站数据中获取总充电桩数量和空闲充电桩数量，任意第i个充电站P_i的空闲充电桩数量的获取包括：

S301，若第i个充电站P_i为第一个充电站P₁，则跳转步骤S302；否则跳转步骤S303；

S302，根据下式计算充电站P_i的空闲充电桩数量：

n5＝n1+n2-n3-n4

上式中，n5为充电站P_i的空闲充电桩数量，n1为充电站P_i中当前的充电桩功率为零的充电桩数量，n2为充电站P_i中投放的移动充电桩的总数量，n3为充电站P_i中投放的移动充电桩中已使用的数量，n4为充电站P_i中故障充电桩的数量；

S303，将充电站P_i的充电桩总数量、电网负荷、充电站P_i的地理位置、充电站P_i的气象数据作为输入，利用机器学习模型预测充电站P_i的空闲充电桩数量，所述气象数据包括气温、降水量和湿度。

5.根据权利要求4所述的基于多维数据融合的新能源汽车充电路径规划方法，其特征在于，步骤S302中充电站P_i中故障充电桩的数量的获取包括：获取充电站P_i前一日的电网负荷数据和交通数据，确定充电站P_i前一日的峰值负荷持续时段和排队时段，获取将充电站P_i前一日的峰值负荷持续时段和排队时段的交集时间，并获取充电站P_i前一日的交集时间范围内有功功率接近于零的充电桩数量作为充电站P_i中故障充电桩的数量。

6.根据权利要求4所述的基于多维数据融合的新能源汽车充电路径规划方法，其特征在于，步骤S303中的机器学习模型为XGBoost回归模型，所述利用机器学习模型预测充电站P_i的空闲充电桩数量时在节假日、工作日以及不同时段使用的XGBoost回归模型的模型参数各不相同，所述利用机器学习模型预测充电站P_i的空闲充电桩数量之前还包括分别利用节假日和工作日下不同时段的样本数据训练对应的XGBoost回归模型的模型参数步骤，且训练XGBoost回归模型的模型参数包括最大深度、迭代次数、收缩步长、gamma参数、lambda正则系数以及学习率，且训练的收敛条件为XGBoost回归模型输出的空闲充电桩的数量的均方误差小于等于设定值。

7.根据权利要求1所述的基于多维数据融合的新能源汽车充电路径规划方法，其特征在于，步骤S106中输出充电站P₁的充电桩信息时，还包括按照直流桩和交流桩两种充电桩类型，根据充电站P₁的充电历史数据分别统计充电站P₁中充电桩类型的平均充电时间，以及各充电桩当前使用用户的已充电电量和已使用时间以便于用户根据充电桩排队情况对剩余排队时间进行估算。

8.根据权利要求1所述的基于多维数据融合的新能源汽车充电路径规划方法，其特征在于，步骤S106中输出充电站P₁的充电桩信息时，还包括查找汽车当前的电量对应的续航里程内的非高速服务区的充电站，并利用路径规划算法获取汽车从当前位置行驶到非高速服务区的充电站的预计到达时间以供用户选择。

9.一种基于多维数据融合的新能源汽车充电路径规划系统，包括相互连接的微处理器和存储器，其特征在于，所述微处理器被编程或配置以执行权利要求1～8中任意一项所述基于多维数据融合的新能源汽车充电路径规划方法。

10.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序用于被微处理器编程或配置以执行权利要求1～8中任意一项所述基于多维数据融合的新能源汽车充电路径规划方法。