CN117128966B - 一种基于多因素耦合的车辆充电路径规划方法及设备 - Google Patents
一种基于多因素耦合的车辆充电路径规划方法及设备 Download PDFInfo
- Publication number
- CN117128966B CN117128966B CN202310967197.5A CN202310967197A CN117128966B CN 117128966 B CN117128966 B CN 117128966B CN 202310967197 A CN202310967197 A CN 202310967197A CN 117128966 B CN117128966 B CN 117128966B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- energy consumption
- path
- soc
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000010168 coupling process Methods 0.000 title claims abstract description 34
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 34
- 230000008878 coupling Effects 0.000 title claims abstract description 31
- 238000005265 energy consumption Methods 0.000 claims abstract description 73
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000012876 topography Methods 0.000 claims description 20
- 230000036541 health Effects 0.000 claims description 15
- 238000007726 management method Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 239000003016 pheromone Substances 0.000 claims description 10
- 230000001172 regenerating effect Effects 0.000 claims description 9
- 238000004378 air conditioning Methods 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于多因素耦合的车辆充电路径规划方法及设备，属于车辆充电导航技术领域，用于解决现有车辆的充电桩路径规划，难以结合内外界的多种耦合因素的影响，依靠剩余续航找到合适的充电桩，不利于车辆对充电桩路径的导航规划的技术问题。方法包括：对车辆的运行情况进行实时监测，得到车辆运行信息；对车辆运行信息进行多因素的能耗计算，得到车辆的实际剩余SOC续航余量；基于实际剩余SOC续航余量，对车辆所处的当前车辆位置进行路径的选择规划，得到多条可选路径；对车辆运行信息进行多因素的权重分析，得到预计SOC剩余续航估计值；然后再对多条可选路径进行最优路径的筛选处理，确定出最佳充电路径。
Description
技术领域
本申请涉及车辆充电导航领域，尤其涉及一种基于多因素耦合的车辆充电路径规划方法及设备。
背景技术
以绿色能源为动力的电动汽车已替代传统燃油车在众多国家中成为常见的零排放和可持续的交通工具。蓄电池对于电动汽车的出行起重要作用，在新能源电动汽车行驶时，蓄电池的剩余电量与电动汽车可行使距离之间却存在着非线性关系。由于受到道路地形环境(如坡度阻力)、电池温度变化(由温度造成电池容量的衰减)、驾驶人员驾驶行为习惯(急加速，急减速以及行驶速度对剩余续航里程的影响)、汽车载重质量、空调耗能等因素的影响，车辆对剩余soc(State of Charge，电池的电荷状态)估计不准确。
由于电动汽车续驶里程短，充电时间长，行驶过程中电池能量消耗受到外界环境影响较大。车辆对剩余soc估计不准确，不能结合道路交通信息，准确的规划出一条合理的充电路径，难以寻找到合适的充电桩，难以为车主提供合理的充电路径，不利于车辆导航系统对充电桩进行智能寻路导航的路径规划。
发明内容
本申请实施例提供了一种基于多因素耦合的车辆充电路径规划方法及设备，用于解决如下技术问题：现有车辆的充电桩路径规划，难以结合内外界的多种耦合因素的影响，依靠剩余续航找到合适的充电桩，不利于车辆对充电桩路径的导航规划。
本申请实施例采用下述技术方案：
一方面，本申请实施例提供了一种基于多因素耦合的车辆充电路径规划方法，包括：通过车辆的OBD数据健康管理系统，对所述车辆的运行情况进行实时监测，得到车辆运行信息；对所述车辆运行信息进行多因素的能耗计算，得到所述车辆的实际剩余SOC续航余量；通过开源数据集，并基于所述实际剩余SOC续航余量，对所述车辆所处的当前车辆位置进行路径的选择规划，得到多条可选路径；通过PCA主成分析法，对所述车辆运行信息进行多因素的权重分析，得到预计SOC剩余续航估计值；根据所述预计SOC剩余续航估计值，对所述多条可选路径进行最优路径的筛选处理，确定出最佳充电路径，以实现对车辆充电桩的最佳路线导航规划。
本申请实施例通过分析当前车辆由于受到道路地形环境、外界温度变化、空调耗能等多因素耦合对电池SOC判断缺陷的影响，进行多耦合SOC精确评估，并基于该评估数据结合智能交通系统规划出一条智能寻找充电桩路径。能够准确的对车辆的剩余SOC估计，并且在车辆寻找充电桩路径规划时结合内外界的多种因素影响，使车辆的剩余续航能够匹配并寻到最适合的车辆充电桩。
在一种可行的实施方式中，通过车辆的OBD数据健康管理系统，对所述车辆的运行情况进行实时监测，得到车辆运行信息，具体包括：通过所述OBD数据健康管理系统，识别所述车辆的车辆型号，确定车型质量信息；通过惯性测量单元，并基于开源地图的当前地形属性，对所述车辆的当前路面坡度信息进行实时采集，得到路面地形信息；通过所述OBD数据健康管理系统，对所述车辆在空调热负荷状态下的温度维持功率进行数据采集，得到空调功率信息；并提取所述车辆的当前车速信息以及电池温度信息；其中，所述车辆运行信息包括：当前车速信息、车型质量信息、路面地形信息、空调功率信息以及电池温度信息。
在一种可行的实施方式中，对所述车辆运行信息进行多因素的能耗计算，得到所述车辆的实际剩余SOC续航余量，具体包括：基于所述车辆运行信息中的当前车速信息、空气摩擦阻力系数、车辆正面迎风面积、制动回收占比、再生制动因子、电动汽车转换效率、机械耗能占比、电动机效率以及功率变换器效率，确定出车辆行驶能耗；基于所述车辆运行信息中的车型质量信息、滚动阻力系数、坡度阻力倾斜度、所述制动回收占比、所述再生制动因子、所述电动汽车转换效率、所述机械耗能占比、所述电动机效率以及所述功率变换器效率，确定出车辆地形能耗；根据车辆空调能耗、所述车辆行驶能耗以及所述车辆地形能耗，对所述车辆电池的额定容量进行修正计算，得到所述车辆的实际剩余SOC续航余量。
在一种可行的实施方式中，在根据车辆空调能耗、所述车辆行驶能耗以及所述车辆地形能耗，对所述车辆电池的额定容量进行修正计算之前，所述方法还包括：根据得到所述车辆空调能耗/>其中，Pair为当前空调热负荷状态下维持车内温度所需要的功率，dij为地点i到地点j的距离，vij地点i到地点j的平均速度。
在一种可行的实施方式中，根据车辆空调能耗、所述车辆行驶能耗以及所述车辆地形能耗，对所述车辆电池的额定容量进行修正计算，得到所述车辆的实际剩余SOC续航余量，具体包括：根据得到电池温度T下的所述实际剩余SOC续航余量SOC(T)；其中，CN为电池额定容量；η为充放电效率；I为电池电流；KT为温度的影响系数；ηe为未考虑温度前的等效充放电效率，α为SOC能耗转换系数，T为电池温度，SOC0为车辆电池的荷电初始状态，/>为车辆多因素能耗，/>为车辆空调能耗；其中，/>Einij为地点i到地点j的所述车辆行驶能耗，Edeij为地点i到地点j的所述车辆地形能耗。
在一种可行的实施方式中，通过开源数据集，并基于所述实际剩余SOC续航余量，对所述车辆所处的当前车辆位置进行路径的选择规划，得到多条可选路径，具体包括：通过所述开源数据集，对所述车辆所处的当前车辆位置进行实时定位，确定出所述当前车辆位置的高精地图信息；对所述高精地图中的车辆充电桩进行对应标记，并将标记后的车辆充电桩与所述当前车辆位置进行距离计算，得到相差距离；将所述相差距离与所述实际剩余SOC续航余量进行数值比对处理，得到里程比对值；将所述里程比对值与预设里程阈值进行阈值判断，并基于ITS智能交通系统中的拥堵状况以及预计电量消耗信息，确定出满足车辆充电最低限度的待规划路径信息；通过预设的蚁群算法，对所述待规划路径信息进行有关信息素浓度的概率计算，得到路径选择概率；基于所述路径选择概率，确定出多条可选路径。
在一种可行的实施方式中，通过预设的蚁群算法，对所述待规划路径信息进行信息素的浓度计算，得到路径选择概率，具体包括：根据得到所述路径选择概率/>其中，i、j分别表示每段路径的起点和终点，τ表示由i点到j点的信息素浓度，η的值等于路径长度的倒数，allowedk表示未访问过的节点的集合，α以及β为比重参数。
在一种可行的实施方式中，通过PCA主成分析法，对所述车辆运行信息进行多因素的权重分析，得到预计SOC剩余续航估计值，具体包括：通过所述PCA主成分析法，对所述车辆运行信息进行数据维度的映射分析，得到基于所述车辆运行信息中每个影响因素的权重系数；根据
C＝aV+bM+cF+dE+eT+ft，得到所述预计SOC剩余续航估计值；其中，C为预计SOC剩余续航估计，V为当前车速信息、M为车型质量信息、F为路面地形信息、E为空调功率能耗、T电池温度，t为到达充电桩路程中预计拥堵时间，a、b、c、d、e以及f分别为对应各影响因素的权重系数。
在一种可行的实施方式中，根据所述预计SOC剩余续航估计值，对所述多条可选路径进行最优路径的筛选处理，确定出最佳充电路径，具体包括：基于所述预计SOC剩余续航估计值，对所述车辆进行可行驶区域的范围预测，得到预测行驶区域；根据所述预测行驶区域，并基于与所述预测行驶区域对应的车辆运行信息，对所述多条可选路径进行最优路径的筛选与排序，得到路径排序信息表；基于所述路径排序信息表，将排序最高的路径确定为所述最佳充电路径，以实现对车辆充电桩的最佳路线导航规划。
另一方面，本申请实施例还提供了一种基于多因素耦合的车辆充电路径规划设备，所述设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行上述任一实施例所述的一种基于多因素耦合的车辆充电路径规划方法。
本申请提供了一种基于多因素耦合的车辆充电路径规划方法及设备，通过分析当前车辆由于受到道路地形环境、外界温度变化、空调耗能等多因素耦合对电池SOC判断缺陷的影响，进行多耦合SOC精确评估，并基于该评估数据结合智能交通系统规划出一条智能寻找充电桩路径。能够准确的对车辆的剩余SOC估计，并且在车辆寻找充电桩路径规划时结合内外界的多种因素影响，使车辆的剩余续航能够匹配并寻到最适合的车辆充电桩。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本申请实施例提供的一种基于多因素耦合的车辆充电路径规划方法流程图；
图2为本申请实施例提供的一种基于多因素耦合的车辆充电路径规划设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
本申请实施例提供了一种基于多因素耦合的车辆充电路径规划方法，如图1所示，基于多因素耦合的车辆充电路径规划方法具体包括步骤S101-S105：
S101、通过车辆的OBD数据健康管理系统，对车辆的运行情况进行实时监测，得到车辆运行信息。
具体地，通过OBD数据健康管理系统，识别车辆的车辆型号，确定车型质量信息。通过惯性测量单元，并基于开源地图的当前地形属性，对车辆的当前路面坡度信息进行实时采集，得到路面地形信息。通过OBD数据健康管理系统，对车辆在空调热负荷状态下的温度维持功率进行数据采集，得到空调功率信息。并提取车辆的当前车速信息以及电池温度信息。
其中，车辆运行信息包括：当前车速信息、车型质量信息、路面地形信息、空调功率信息以及电池温度信息。
在一个实施例中，通过OBD数据健康管理系统得到当前车速、空调功率信息、电池温度信息，根据该车具体型号可以提前获取整车质量、通过内置的惯性测量单元(InertialMeasurement Unit，IMU)得到路面坡度，以及还能通过开源地图得到当前地形属性等等。
S102、对车辆运行信息进行多因素的能耗计算，得到车辆的实际剩余SOC续航余量。
具体地，基于车辆运行信息中的当前车速信息、空气摩擦阻力系数、车辆正面迎风面积、制动回收占比、再生制动因子、电动汽车转换效率、机械耗能占比、电动机效率以及功率变换器效率，确定出车辆行驶能耗。再基于车辆运行信息中的车型质量信息、滚动阻力系数、坡度阻力倾斜度、制动回收占比、再生制动因子、电动汽车转换效率、机械耗能占比、电动机效率以及功率变换器效率，确定出车辆地形能耗。
作为一种可行的实施方式，考虑到机械能与电能之间的转换，需要将机械功率转换为电气功率。电动动汽车的再生制动可以将部分电能恢复并存储至电池中，将电动汽车再生制动回收功率考虑到功耗损失中，得到由当前车速、整车质量、地形坡度以及地形属性等等得到的起点到终点的具体能耗。
在一个实施例中，根据 得到地点i到地点j的车辆行驶能耗Einij。
以及，还可根据 得到地点i到地点j的车辆地形能耗Edeij。其中，Edeij为由地形决定的能耗，即车辆行驶能耗，Einij为电动汽车行驶速度和路段距离决定能耗，即车辆地形能耗，v是当前行驶速度，m为车辆质量(包括车辆负载)，f为考虑坡度阻力的道路倾斜度，Cr为滚动阻力系数，Cd为空气摩擦阻力系数，A为电动汽车正面迎风面积，ρair为空气密度，g为重力加速度，ηte为电动汽车转换效率，ηe为电动机效率，ηin为功率变换器效率，k是再生制动因子，且是可以恢复的总制动能量的百分比，xij为地点i到地点j的距离，Sd为机械耗能占比，Sc为制动回收占比。
进一步地，通过OBD数据健康管理系统得到空调热负荷状态下维持车内温度所需要的功率。通过该功率计算出电动汽车内部空调温度设定为Tset时在路段dij使用空调带来的能耗，即根据得到车辆空调能耗/>其中，Pair为当前空调热负荷状态下维持车内温度所需要的功率，dij为地点i到地点j的距离，vij地点i到地点j的平均速度。
进一步地，根据车辆空调能耗、车辆行驶能耗以及车辆地形能耗，对车辆电池的额定容量进行修正计算，得到车辆的实际剩余SOC续航余量。具体地，通过温度传感器以及OBD数据健康管理系统获取电池内部温度信息以及温度相关系数，来实现对电池额定容量进行修正，再结合空调耗能以及机械能耗得到实际剩余SOC续航余量得到电池温度T下的实际剩余SOC续航余量SOC(T)。其中，CN为电池额定容量；η为充放电效率。I为电池电流；KT为温度的影响系数。ηe为未考虑温度前的等效充放电效率，α为SOC能耗转换系数，T为电池温度，SOC0为车辆电池的荷电初始状态，/>为车辆多因素能耗，/>为车辆空调能耗。其中，Einij为地点i到地点j的车辆行驶能耗，Edeij为地点i到地点j的车辆地形能耗。
S103、通过开源数据集，并基于实际剩余SOC续航余量，对车辆所处的当前车辆位置进行路径的选择规划，得到多条可选路径。
具体地，通过开源数据集，对车辆所处的当前车辆位置进行实时定位，确定出当前车辆位置的高精地图信息。对高精地图中的车辆充电桩进行对应标记，并将标记后的车辆充电桩与当前车辆位置进行距离计算，得到相差距离。将相差距离与实际剩余SOC续航余量进行数值比对处理，得到里程比对值。
进一步地，将里程比对值与预设里程阈值进行阈值判断，并基于ITS智能交通系统中的拥堵状况以及预计电量消耗信息，确定出满足车辆充电最低限度的待规划路径信息。
在一个实施例中，通过开源数据集获取高精地图信息，对高精地图进行处理得到以车辆为中心50km内的充电桩距当前车辆位置距离信息。当最近充电桩距离减电池剩余续航里程小于剩余里程的15％时开始规划路径，再将标记后的车辆充电桩与当前车辆位置进行距离计算，得到相差距离，以便于寻找充电桩。
进一步地，通过预设的蚁群算法，对待规划路径信息进行有关信息素浓度的概率计算，得到路径选择概率。具体为：根据得到路径选择概率其中，i、j分别表示每段路径的起点和终点，τ表示由i点到j点的信息素浓度，η的值等于路径长度的倒数，allowedk表示未访问过的节点的集合，α以及β为比重参数。最后再基于路径选择概率，确定出多条可选路径。即，根据当前路径ij上的信息素浓度以及启发式函数便可确定从起点i选择终点j的概率。两地的距离越短，信息素浓度越大的路径被选择的概率越大，从而确定出满足概率阈值的所有可选道路，即多条可选路径。
S104、通过PCA主成分析法，对车辆运行信息进行多因素的权重分析，得到预计SOC剩余续航估计值。
具体地，通过PCA主成分析法，对车辆运行信息进行数据维度的映射分析，得到基于车辆运行信息中每个影响因素的权重系数。根据C＝aV+bM+cF+dE+eT+ft，得到预计SOC剩余续航估计值；其中，C为预计SOC剩余续航估计，V为当前车速信息、M为车型质量信息、F为路面地形信息、E为空调功率能耗、T电池温度，t为到达充电桩路程中预计拥堵时间，a、b、c、d、e以及f分别为对应各影响因素的权重系数。
作为一种可行的实施方式，PCA为主成分分析法，是最常用的线性降维方法，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中，并期望在所投影的维度上数据的信息量最大(方差最大)，以此使用较少的数据维度，同时保留住较多的原数据点的特性，也就是对每个影响因素的权重进行分析后得到预计SOC剩余续航估计值。
S105、根据预计SOC剩余续航估计值，对多条可选路径进行最优路径的筛选处理，确定出最佳充电路径，以实现对车辆充电桩的最佳路线导航规划。
具体地，基于预计SOC剩余续航估计值，对车辆进行可行驶区域的范围预测，得到预测行驶区域。再根据预测行驶区域，并基于与预测行驶区域对应的车辆运行信息，对多条可选路径进行最优路径的筛选与排序，得到路径排序信息表。之后基于路径排序信息表，将排序最高的路径确定为最佳充电路径，以实现对车辆充电桩的最佳路线导航规划。
另外，本申请实施例还提供了一种基于多因素耦合的车辆充电路径规划设备，如图2所示，基于多因素耦合的车辆充电路径规划设备200具体包括：
至少一个处理器201。以及，与至少一个处理器201通信连接的存储器202。其中，存储器202存储有能够被至少一个处理器201执行的指令，以使至少一个处理器201能够执行：
通过车辆的OBD数据健康管理系统，对车辆的运行情况进行实时监测，得到车辆运行信息；
对车辆运行信息进行多因素的能耗计算，得到车辆的实际剩余SOC续航余量；
通过开源数据集，并基于实际剩余SOC续航余量，对车辆所处的当前车辆位置进行路径的选择规划，得到多条可选路径；
通过PCA主成分析法，对车辆运行信息进行多因素的权重分析，得到预计SOC剩余续航估计值；
根据预计SOC剩余续航估计值，对多条可选路径进行最优路径的筛选处理，确定出最佳充电路径，以实现对车辆充电桩的最佳路线导航规划。
本申请通过分析当前车辆由于受到道路地形环境、外界温度变化、空调耗能等多因素耦合对电池SOC判断缺陷的影响，进行多耦合SOC精确评估，并基于该评估数据结合智能交通系统规划出一条智能寻找充电桩路径。能够准确的对车辆的剩余SOC估计，并且在车辆寻找充电桩路径规划时结合内外界的多种因素影响，使车辆的剩余续航能够匹配并寻到最适合的车辆充电桩。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本申请特定实施例进行了描述。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。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种基于多因素耦合的车辆充电路径规划方法，其特征在于，所述方法包括：
通过车辆的OBD数据健康管理系统，对所述车辆的运行情况进行实时监测，得到车辆运行信息；
对所述车辆运行信息进行多因素的能耗计算，得到所述车辆的实际剩余SOC续航余量，具体包括：
基于所述车辆运行信息中的当前车速信息、空气摩擦阻力系数、车辆正面迎风面积、制动回收占比、再生制动因子、电动汽车转换效率、机械耗能占比、电动机效率以及功率变换器效率，确定出车辆行驶能耗；
基于所述车辆运行信息中的车型质量信息、滚动阻力系数、坡度阻力倾斜度、所述制动回收占比、所述再生制动因子、所述电动汽车转换效率、所述机械耗能占比、所述电动机效率以及所述功率变换器效率，确定出车辆地形能耗；
根据车辆空调能耗、所述车辆行驶能耗以及所述车辆地形能耗，对所述车辆电池的额定容量进行修正计算，得到所述车辆的实际剩余SOC续航余量；
通过开源数据集，并基于所述实际剩余SOC续航余量，对所述车辆所处的当前车辆位置进行路径的选择规划，得到多条可选路径；
通过PCA主成分析法，对所述车辆运行信息进行多因素的权重分析，得到预计SOC剩余续航估计值；
根据所述预计SOC剩余续航估计值，对所述多条可选路径进行最优路径的筛选处理，确定出最佳充电路径，以实现对车辆充电桩的最佳路线导航规划。
2.根据权利要求1所述的一种基于多因素耦合的车辆充电路径规划方法，其特征在于，通过车辆的OBD数据健康管理系统，对所述车辆的运行情况进行实时监测，得到车辆运行信息，具体包括：
通过所述OBD数据健康管理系统，识别所述车辆的车辆型号，确定车型质量信息；
通过惯性测量单元，并基于开源地图的当前地形属性，对所述车辆的当前路面坡度信息进行实时采集，得到路面地形信息；
通过所述OBD数据健康管理系统，对所述车辆在空调热负荷状态下的温度维持功率进行数据采集，得到空调功率信息；并提取所述车辆的当前车速信息以及电池温度信息；
其中，所述车辆运行信息包括：当前车速信息、车型质量信息、路面地形信息、空调功率信息以及电池温度信息。
3.根据权利要求1所述的一种基于多因素耦合的车辆充电路径规划方法，其特征在于，在根据车辆空调能耗、所述车辆行驶能耗以及所述车辆地形能耗，对所述车辆电池的额定容量进行修正计算之前，所述方法还包括：
根据得到所述车辆空调能耗/>其中，Pair为当前空调热负荷状态下维持车内温度所需要的功率，dij为地点i到地点j的距离，vij地点i到地点j的平均速度。
4.根据权利要求1所述的一种基于多因素耦合的车辆充电路径规划方法，其特征在于，根据车辆空调能耗、所述车辆行驶能耗以及所述车辆地形能耗，对所述车辆电池的额定容量进行修正计算，得到所述车辆的实际剩余SOC续航余量，具体包括：
根据得到电池温度T下的所述实际剩余SOC续航余量SOC(T)；其中，CN为电池额定容量；η为充放电效率；I为电池电流；KT为温度的影响系数；ηe为未考虑温度前的等效充放电效率，α为SOC能耗转换系数，T为电池温度，SOC0为车辆电池的荷电初始状态，/>为车辆多因素能耗，/>为车辆空调能耗；
其中，Einij为地点i到地点j的所述车辆行驶能耗，Edeij为地点i到地点j的所述车辆地形能耗。
5.根据权利要求1所述的一种基于多因素耦合的车辆充电路径规划方法，其特征在于，通过开源数据集，并基于所述实际剩余SOC续航余量，对所述车辆所处的当前车辆位置进行路径的选择规划，得到多条可选路径，具体包括：
通过所述开源数据集，对所述车辆所处的当前车辆位置进行实时定位，确定出所述当前车辆位置的高精地图信息；
对所述高精地图中的车辆充电桩进行对应标记，并将标记后的车辆充电桩与所述当前车辆位置进行距离计算，得到相差距离；
将所述相差距离与所述实际剩余SOC续航余量进行数值比对处理，得到里程比对值；
将所述里程比对值与预设里程阈值进行阈值判断，并基于ITS智能交通系统中的拥堵状况以及预计电量消耗信息，确定出满足车辆充电最低限度的待规划路径信息；
通过预设的蚁群算法，对所述待规划路径信息进行有关信息素浓度的概率计算，得到路径选择概率；
基于所述路径选择概率，确定出多条可选路径。
6.根据权利要求5所述的一种基于多因素耦合的车辆充电路径规划方法，其特征在于，通过预设的蚁群算法，对所述待规划路径信息进行信息素的浓度计算，得到路径选择概率，具体包括：
根据得到所述路径选择概率/>其中，i、j分别表示每段路径的起点和终点，τ表示由i点到j点的信息素浓度，η的值等于路径长度的倒数，allowedk表示未访问过的节点的集合，α以及β为比重参数。
7.根据权利要求1所述的一种基于多因素耦合的车辆充电路径规划方法，其特征在于，通过PCA主成分析法，对所述车辆运行信息进行多因素的权重分析，得到预计SOC剩余续航估计值，具体包括：
通过所述PCA主成分析法，对所述车辆运行信息进行数据维度的映射分析，得到基于所述车辆运行信息中每个影响因素的权重系数；
根据C＝aV+bM+cF+dE+eT+ft，得到所述预计SOC剩余续航估计值；其中，C为预计SOC剩余续航估计，V为当前车速信息、M为车型质量信息、F为路面地形信息、E为空调功率能耗、T电池温度，t为到达充电桩路程中预计拥堵时间，a、b、c、d、e以及f分别为对应各影响因素的权重系数。
8.根据权利要求1所述的一种基于多因素耦合的车辆充电路径规划方法，其特征在于，根据所述预计SOC剩余续航估计值，对所述多条可选路径进行最优路径的筛选处理，确定出最佳充电路径，具体包括：
基于所述预计SOC剩余续航估计值，对所述车辆进行可行驶区域的范围预测，得到预测行驶区域；
根据所述预测行驶区域，并基于与所述预测行驶区域对应的车辆运行信息，对所述多条可选路径进行最优路径的筛选与排序，得到路径排序信息表；
基于所述路径排序信息表，将排序最高的路径确定为所述最佳充电路径，以实现对车辆充电桩的最佳路线导航规划。
9.一种基于多因素耦合的车辆充电路径规划设备，其特征在于，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行根据权利要求1-8任一项所述的一种基于多因素耦合的车辆充电路径规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310967197.5A CN117128966B (zh) | 2023-08-02 | 2023-08-02 | 一种基于多因素耦合的车辆充电路径规划方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310967197.5A CN117128966B (zh) | 2023-08-02 | 2023-08-02 | 一种基于多因素耦合的车辆充电路径规划方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117128966A CN117128966A (zh) | 2023-11-28 |
| CN117128966B true CN117128966B (zh) | 2024-04-02 |
Family
ID=88861913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310967197.5A Active CN117128966B (zh) | 2023-08-02 | 2023-08-02 | 一种基于多因素耦合的车辆充电路径规划方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117128966B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117521938B (zh) * | 2024-01-08 | 2024-05-14 | 广东车卫士信息科技有限公司 | 电动车辆运营管理方法、系统及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140042281A (ko) * | 2012-09-28 | 2014-04-07 | (주)진우소프트이노베이션 | 전기자동차의 배터리 소모량에 관련된 가중치 정보를 이용한 내비게이션 장치와 그 방법 |
| CN106908075A (zh) * | 2017-03-21 | 2017-06-30 | 福州大学 | 大数据采集与处理系统及基于其电动汽车续航估计方法 |
| CN107323300A (zh) * | 2017-07-26 | 2017-11-07 | 河海大学 | 一种基于路‑站‑车联合模型的电动汽车预约充电方法 |
| CN110116652A (zh) * | 2019-05-24 | 2019-08-13 | 福建工程学院 | 一种电动汽车前往充电桩的推荐方法 |
| CN112327168A (zh) * | 2020-10-31 | 2021-02-05 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于XGBoost的电动汽车电池消耗预测方法 |
| CN113183827A (zh) * | 2021-06-08 | 2021-07-30 | 武汉驰必得科技有限公司 | 一种基于人工智能的新能源电动汽车行驶智能云中控管理平台 |
| CN113424067A (zh) * | 2021-05-12 | 2021-09-21 | 华为技术有限公司 | 电池剩余电量预估方法及装置 |
| JP2021174203A (ja) * | 2020-04-23 | 2021-11-01 | 株式会社デンソー | 車両の演算装置 |
| WO2022242579A1 (zh) * | 2021-05-15 | 2022-11-24 | 韦涛 | 兼容储能充电桩的电动运载工具电量路径规划方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014074722A1 (en) * | 2012-11-07 | 2014-05-15 | Intertrust Technologies Corporation | Vehicle charging path optimization systems and methods |
-
2023
- 2023-08-02 CN CN202310967197.5A patent/CN117128966B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140042281A (ko) * | 2012-09-28 | 2014-04-07 | (주)진우소프트이노베이션 | 전기자동차의 배터리 소모량에 관련된 가중치 정보를 이용한 내비게이션 장치와 그 방법 |
| CN106908075A (zh) * | 2017-03-21 | 2017-06-30 | 福州大学 | 大数据采集与处理系统及基于其电动汽车续航估计方法 |
| CN107323300A (zh) * | 2017-07-26 | 2017-11-07 | 河海大学 | 一种基于路‑站‑车联合模型的电动汽车预约充电方法 |
| CN110116652A (zh) * | 2019-05-24 | 2019-08-13 | 福建工程学院 | 一种电动汽车前往充电桩的推荐方法 |
| JP2021174203A (ja) * | 2020-04-23 | 2021-11-01 | 株式会社デンソー | 車両の演算装置 |
| CN112327168A (zh) * | 2020-10-31 | 2021-02-05 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于XGBoost的电动汽车电池消耗预测方法 |
| CN113424067A (zh) * | 2021-05-12 | 2021-09-21 | 华为技术有限公司 | 电池剩余电量预估方法及装置 |
| WO2022242579A1 (zh) * | 2021-05-15 | 2022-11-24 | 韦涛 | 兼容储能充电桩的电动运载工具电量路径规划方法 |
| CN113183827A (zh) * | 2021-06-08 | 2021-07-30 | 武汉驰必得科技有限公司 | 一种基于人工智能的新能源电动汽车行驶智能云中控管理平台 |
Non-Patent Citations (2)
| Title |
|---|
| 互助出行环境下电动汽车充电路径规划模型;曾朝晖;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑;20230715(第7期);C034-371 * |
| 实车数据驱动的锂电池剩余使用寿命预测方法研究;兰凤崇;汽车工程;20230228;第45卷(第2期);175-182 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117128966A (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110126841B (zh) | 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法 | |
| Zhao et al. | Development of a representative urban driving cycle construction methodology for electric vehicles: A case study in Xi’an | |
| CN110174117B (zh) | 一种电动汽车充电路线规划方法 | |
| CN111497679B (zh) | 一种纯电动汽车能耗监测优化方法及系统 | |
| US8433466B2 (en) | Drive control apparatus for hybrid electric vehicle and method for controlling the same | |
| Yavasoglu et al. | Implementation of machine learning based real time range estimation method without destination knowledge for BEVs | |
| US20090198398A1 (en) | Drive-and-control system for hybrid vehicles | |
| CN117128966B (zh) | 一种基于多因素耦合的车辆充电路径规划方法及设备 | |
| WO2019042297A1 (zh) | 一种电动汽车最优路径和驾驶方式的规划方法及系统 | |
| CN111753377A (zh) | 基于道路信息的纯电动汽车能耗最优路径规划方法 | |
| CN104272328A (zh) | 用于确定机动车的预期消耗值的方法 | |
| CN112882466B (zh) | 一种融合分层规划和a*算法的共享电动汽车路径规划方法 | |
| CN107886188B (zh) | 液化天然气公交尾气排放预测方法 | |
| Smuts et al. | A critical review of factors influencing the remaining driving range of electric vehicles | |
| CN108489500A (zh) | 一种基于能耗经济性的全局路径规划方法及系统 | |
| JP5654141B2 (ja) | 航続可能距離予測装置、航続可能距離予測システム及び航続可能距離予測方法 | |
| CN114802189A (zh) | 车辆的能耗控制方法、装置、车辆及存储介质 | |
| CN116572799B (zh) | 基于深度学习的动力电池荷电续航预测方法、系统及终端 | |
| JP6018489B2 (ja) | 消費エネルギ推定装置およびその方法 | |
| CN114001989A (zh) | 一种基于工况识别的单车空调能耗预测方法及预测装置 | |
| CN116341706A (zh) | 基于综合能源感知的城市移动负荷概率预测系统与方法 | |
| Kim et al. | A machine learning method for ev range prediction with updates on route information and traffic conditions | |
| US20230160720A1 (en) | Electric mileage estimation device, electric mileage estimation method, and recording medium | |
| Sagaama et al. | Proposal of more accurate energy model of electric vehicle for sumo | |
| CN116109025A (zh) | 基于大数据的电池续航测试方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |