CN117151444B - 汽车充电调度方法、系统、设备及存储介质 - Google Patents

汽车充电调度方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN117151444B
CN117151444B CN202311436387.0A CN202311436387A CN117151444B CN 117151444 B CN117151444 B CN 117151444B CN 202311436387 A CN202311436387 A CN 202311436387A CN 117151444 B CN117151444 B CN 117151444B
Authority
CN
China
Prior art keywords
priority
charging
automobile
scheduling
current area
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
Application number
CN202311436387.0A
Other languages
English (en)
Other versions
CN117151444A (zh
Inventor
苏明辉
楚俊昌
李瑞平
孔瑞霞
王艳琴
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.)
Shenzhen Aerospace Science And Technology Co ltd
Original Assignee
Shenzhen Aerospace Science And 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 Shenzhen Aerospace Science And Technology Co ltd filed Critical Shenzhen Aerospace Science And Technology Co ltd
Priority to CN202311436387.0A priority Critical patent/CN117151444B/zh
Publication of CN117151444A publication Critical patent/CN117151444A/zh
Application granted granted Critical
Publication of CN117151444B publication Critical patent/CN117151444B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • 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
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Primary Health Care (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Analysis (AREA)
  • Water Supply & Treatment (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)

Abstract

本发明涉及电动汽车技术领域，公开了一种汽车充电调度方法、系统、设备及存储介质。该方法包括：获取当前区域内各汽车的充电需求信息；根据充电需求信息提取优先级影响指标，并将优先级影响指标输入优先级打分模型，获得各汽车对应的优先级分数，其中优先级打分模型为模糊逻辑学习模型；获取当前区域内各充电桩信息，并结合各汽车对应的优先级分数，采用遗传算法确定当前区域的调度决策；基于调度决策引导当前区域内各汽车进行充电。由于本发明是通过模糊逻辑学习模型确定的优先级分数，并结合各充电桩信息，相较于现有的按照人为规定的顺序进行规划充电，能够综合考虑多方面因素，动态生成充电调度策略，实现充电资源的合理分配。

Description

汽车充电调度方法、系统、设备及存储介质
技术领域
本发明涉及电动汽车技术领域，尤其涉及一种汽车充电调度方法、系统、设备及存储介质。
背景技术
电动汽车作为一种新能源汽车，因其节能、环保的优点，已被广泛地使用。而随着道路上电动汽车的数量增加，其充电需求也日益增大。充电桩作为电动汽车进行充电的媒介，在运营和调度上，都对电动汽车产生很大的影响。
现有的基于充电桩的电动汽车充电调度通常是基于预定或静态规划的方式进行的，汽车需要提前预定充电桩的使用时间，并按照预定的时间进行充电。因而，当用户的充电需求发生变化或有新的用户加入时，传统调度系统无法及时做出调整以适应变化的充电需求，缺乏智能化决策支持，无法对多个因素进行综合考虑和优化，导致调度决策的效果有限。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是相关技术。
发明内容
本发明的主要目的在于提供了一种汽车充电调度方法、系统、设备及存储介质，旨在解决现有的电动汽车充电调度方式通常是基于人为规定的优先级顺序进行规划的，无法综合考虑多个因素，使得确定的调度决策的效果有限的技术问题。
为实现上述目的，本发明提供了一种汽车充电调度方法，所述方法包括以下步骤：
获取当前区域内各汽车的充电需求信息；
根据所述充电需求信息提取优先级影响指标，并将所述优先级影响指标输入优先级打分模型，获得各汽车对应的优先级分数，其中所述优先级打分模型为模糊逻辑学习模型；
获取当前区域内各充电桩信息，并结合所述各汽车对应的优先级分数，采用遗传算法确定所述当前区域的调度决策；
基于所述调度决策引导所述当前区域内各汽车进行充电。
可选地，所述根据所述充电需求信息提取优先级影响指标，并将所述优先级影响指标输入优先级打分模型，获得各汽车对应的优先级分数之前，包括：
初始化待训练的优先级打分模型；
采集汽车的历史需求数据以及用户反馈数据，构建模糊逻辑模型训练集；
通过所述模糊逻辑模型训练集对所述优先级打分模型进行训练，获得已训练的优先级打分模型。
可选地，所述采集汽车的历史需求数据以及用户反馈数据，构建模糊逻辑模型训练集之前，包括：
根据所述历史需求数据确定优先级影响指标并构建影响指标数据集，其中所述优先级影响指标包括用户类型、用户紧急程度、充电需求量；
根据所述历史需求数据以及所述用户反馈数据构建模糊规则集；
相应地，所述采集汽车的历史需求数据以及用户反馈数据，构建模糊逻辑模型训练集，包括：
根据所述影响指标数据集以及所述模糊规则集，构建模糊逻辑模型训练集。
可选地，所述根据所述充电需求信息提取优先级影响指标，并将所述优先级影响指标输入优先级打分模型，获得各汽车对应的优先级分数，包括：
根据所述充电需求信息提取所述当前区域内各汽车分别对应的优先级影响指标；
将所述优先级影响指标输入所述优先级打分模型，通过所述优先级打分模型获得经过模糊推理的模糊输出值；
对所述模糊输出值进行解模糊化，获得所述各汽车的优先级分数。
可选地，所述获取当前区域内各充电桩信息，并结合所述各汽车对应的优先级分数，采用遗传算法确定所述当前区域的调度决策，包括：
基于所述各汽车随机生成预设数量个当前区域的调度方案，并确定为遗传算法的初始种群；
根据所述当前区域内各充电桩信息以及所述各汽车对应的优先级分数，确定适应度函数；
根据所述适应度函数对所述初始种群进行更新，获得经过更新后的目标种群；
在所述目标种群中选取适应度分值最高的个体，获得当前区域的调度决策。
可选地，所述根据所述适应度函数对所述初始种群进行更新，获得经过更新后的目标种群，包括：
根据所述适应度函数对所述初始种群进行适应度评估，选取所述初始种群中适应度值高于预设阈值的个体作为父代个体；
对选取的父代个体进行基因交叉、基因变异的操作，获得新一代个体；
对所述父代个体和所述新一代个体进行基于适应度值的排序；
根据排序结果获得经过更新后的目标种群。
可选地，所述基于所述调度决策引导所述当前区域内各汽车进行充电，包括：
获取所述各汽车对应分配的充电桩的位置信息；
根据所述充电桩的位置信息生成各汽车的行驶路线以及预计行驶时间；
根据所述预计行驶时间结合充电桩的当前使用信息，获取预计充电等候时间；
根据所述行驶路线引导所述当前区域内各汽车进行充电，并在接收到用户指令时，向所述各汽车对应用户推送所述预计充电等候时间。
此外，为实现上述目的，本发明还提出一种汽车充电调度系统，所述系统包括：
汽车信息获取模块，用于获取当前区域内各汽车的充电需求信息；
优先级打分模块，用于根据所述充电需求信息提取优先级影响指标，并将所述优先级影响指标输入优先级打分模型，获得各汽车对应的优先级分数，其中所述优先级打分模型为模糊逻辑学习模型；
调度决策生成模块，用于获取当前区域内各充电桩信息，并结合所述各汽车对应的优先级分数，采用遗传算法确定所述当前区域的调度决策；
决策引导模块，用于基于所述调度决策引导所述当前区域内各汽车进行充电。
本发明还提供一种汽车充电调度设备，所述汽车充电调度设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的汽车充电调度方法的步骤。
本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有实现汽车充电调度方法的程序，汽车充电调度方法的程序被处理器执行时实现如上述的汽车充电调度方法的步骤。
本发明首先获取当前区域内各汽车的充电需求信息；接着根据所述充电需求信息提取优先级影响指标，并将所述优先级影响指标输入优先级打分模型，获得各汽车对应的优先级分数，其中所述优先级打分模型为模糊逻辑学习模型；再获取当前区域内各充电桩信息，并结合所述各汽车对应的优先级分数，采用遗传算法确定所述当前区域的调度决策；最后基于所述调度决策引导所述当前区域内各汽车进行充电。由于本发明将当前区域内各汽车的充电需求信息提取的优先级影响指标输入优先级打分模型，进而获得各汽车对应的优先级分数，能够通过优先级对调度决策进行优化，且其中优先级打分模型采用模糊逻辑学习模型，能够根据当前区域汽车实际充电需求信息确定各汽车的优先级分数，最后根据充电桩信息和汽车的优先级分数结合遗传算法共同确定调度决策，相比于现有的按照人为设置的顺序进行充电调度，本发明能够考虑多方面因素，动态生成区域内的充电调度策略，实现充电资源的合理分配。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的汽车充电调度设备结构示意图；
图2为本发明汽车充电调度方法第一实施例的流程示意图；
图3为本发明汽车充电调度方法第二实施例的流程示意图；
图4为本发明汽车充电调度方法第三实施例的流程示意图；
图5为本发明汽车充电调度方法第三实施例中基于遗传算法的调度决策生成示意图；
图6为本发明汽车充电调度系统第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的汽车充电调度设备结构示意图。
如图1所示，该汽车充电调度设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM），也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对汽车充电调度设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及汽车充电调度程序。
在图1所示的汽车充电调度设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明汽车充电调度设备中的处理器1001、存储器1005可以设置在汽车充电调度设备中，所述汽车充电调度设备通过处理器1001调用存储器1005中存储的汽车充电调度程序，并执行本发明实施例提供的汽车充电调度方法。
本发明实施例提供了一种汽车充电调度方法，参照图2，图2为本发明汽车充电调度方法第一实施例的流程示意图。
本实施例中，所述汽车充电调度方法包括以下步骤：
步骤S10：获取当前区域内各汽车的充电需求信息。
需要说明的是，本实施例可以应用在需要对区域内电动车辆进行充电桩分配的场景中，还可以是应用在需要对区域内各电动汽车进行引导充电的场景中。本实施例的执行主体可以是具有信息采集、数据处理、网络通信以及程序运行功能的计算机服务设备，例如行车记录仪；还可以是其他具有相同或相似功能的车载电子设备或是可以与车载电子设备进行通信交互的远程设备，例如区域汽车中央调度系统、汽车充电调度设备等。以下选以汽车充电调度设备（下文简称调度设备）为例，对本实施例及下述各项实施例进行说明。
可以理解的是，当前区域可以是本实施例方法所需要应用的区域，当前区域可以基于城市的固定区域进行划分，也可以是人为设置的需要进行汽车充电调度的道路区域。当前区域内各汽车可以是当前行驶在该区域内的全部电动汽车，也可以为全部电动汽车中存在充电需求的部分电动汽车。
应该理解的是，各汽车的充电需求信息可以包括电动汽车的类型，例如公交车、私家车、救护车等。还可以包括电动汽车的实时电量等反映汽车当前充电需求的紧急程度的信息，以及基于电动汽车对应用户的后续行驶需求确定的计划用电量，例如某一汽车A实时电量高于预设的低电量提示值，然而该汽车A后续的行驶计划为高速长途行驶，该计划用电量可以为预估的高速长途行驶消耗电量与当前电量的差值。
在具体实现中，调度设备可以接收来自当前区域内各汽车对应用户上传的汽车的计划用电量，或是直接获取汽车的实时电量，进而获得当前区域内各汽车的充电需求信息。
步骤S20：根据所述充电需求信息提取优先级影响指标，并将所述优先级影响指标输入优先级打分模型，获得各汽车对应的优先级分数。
应该理解的是，该优先级影响指标可以是从上述充电需求信息中提取出来的用于确定影响充电调度优先级的量化指标，该优先级指标可以是人为设定的指标，各个优先级指标下可以被划分为具体数值或是不同等级。该优先级指标可以设置为反映上述充电需求信息中不同类别的信息，例如用户紧急程度、充电需求量以及汽车类型。
具体地，若当前区域内存在某一汽车A，汽车类型为私家车，实时电量为充满电量的60%，后续的行驶计划为高速长途行驶，汽车对应用户上传信息中明确为即刻行驶，可以提取该汽车的优先级影响指标为：用户紧急程度-较高、充电需求量-中等、汽车类型-私家车。
需要说明的是，可以为每个优先级指标分配相应的权重，反映各个优先级指标在确定的优先级中的重要程度。该优先级指标的权重可以基于历史数据中用户对调度决策的反馈数据或是结合实际情况和专家意见进行设置。
应该理解的是，该优先级打分模型可以为模糊逻辑学习模型，可以使用模糊逻辑学习模型来建立一个模糊规则库，其中包含一系列模糊规则，能将优先级指标映射到相应的优先级分数。模糊逻辑学习模型可以通过模糊推理和模糊规则的匹配，根据带有权重的优先级影响指标值，确定各个汽车对应的优先级分数。
可以理解的是，调度设备可以通过预先收集到的数据，训练模糊逻辑学习模型以获得优先级打分模型，还可以直接获取已经训练好的模糊逻辑学习模型并将其应用为该优先级打分模型。
在具体实现中，调度设备在获取到各汽车的充电需求信息后，根据预先设定的指标在充电需求信息中提取得到优先级影响指标，并将该优先级影响指标输入模糊逻辑学习模型，获得用于划分不同汽车的充电需求的优先级分数。
步骤S30：获取当前区域内各充电桩信息，并结合所述各汽车对应的优先级分数，采用遗传算法确定所述当前区域的调度决策。
需要说明的是，传统的调度方式中，充电桩的可用性和状态信息通常在汽车到达充电桩后才能得知，这种信息不对称可能导致汽车在到达充电桩后才发现没有可用的充电位，从而浪费了时间和资源。
而本实施例中，当前区域内各充电桩信息可以包括当前区域内充电桩的位置分布、各充电桩的当前电量信息，充电桩的充电效率，以及各充电桩处等候充电的汽车数量等充电桩的可用性和状态信息。
应该理解的是，由于传统的调度方式通常缺乏智能决策支持，无法对多个因素进行综合考虑和优化，而本实施例中调度设备可以将各汽车对应的优先级分数和当前区域内各充电桩信息进行结合，此外还可以引入当前区域的交通拥堵情况等因素，综合多因素获得当前区域的调度决策。
可以理解的是，为了提高获得调度决策的速率和可靠性，可以采用遗传算法（Genetic Algorithm，GA）以通过遗传操作（选择、交叉和变异）来搜索和优化调度问题的解空间，进而获得当前区域的调度决策。
应该理解的是，在遗传算法的调度优化过程中，可以考虑到各汽车对应的优先级分数。优先级分数较高的汽车可以被赋予更高的适应度值，增加其在遗传操作中被选择的概率，使得最终确定的调度决策的可靠性更高。
在具体实现中，调度设备可以获取当前区域内有关充电桩的可用性和状态信息，并结合各汽车对应的优先级分数，共同确定遗传算法中用于量化个体的适应度值，最终确定实时性和可靠性较强的调度决策，确保充电资源的最优利用。
步骤S40：基于所述调度决策引导所述当前区域内各汽车进行充电。
应该理解的是，在生成当前区域的调度决策后，调度设备可以基于该调度决策中对各汽车的调度安排，向当前区域内各汽车进行消息推送以引导各汽车有序行驶至对应分配的充电桩进行充电。进一步地，为了提升用户体验感，步骤S40，包括：
步骤S401：获取所述各汽车对应分配的充电桩的位置信息。
步骤S402：根据所述充电桩的位置信息生成各汽车的行驶路线以及预计行驶时间。
在具体实现中，调度设备可以具体地确定当前区域内各汽车分配的充电桩的位置信息，并结合汽车的实时位置，生成汽车由实时位置行驶至充电桩的导航路线，还可以结合区域内交通拥堵情况，生成预计行驶时间。
步骤S403：根据所述预计行驶时间结合充电桩的当前使用信息，获取预计充电等候时间。
应该理解的是，该充电桩的当前使用信息可以包括充电桩处等候充电的汽车数量以及等候充电的汽车的预估充电耗时。根据等候充电的汽车的预估充电耗时总和与汽车行驶至对应分配的充电桩的预计行驶时间的差值，可以获得汽车在其实时位置行驶至对应分配的充电桩之后还需等待的时间。
步骤S404：根据所述行驶路线引导所述当前区域内各汽车进行充电，并在接收到用户指令时，向所述各汽车对应用户推送所述预计充电等候时间。
应该理解的是，该用户指令可以是汽车对应用户在接收到调度设备实时推送的行驶路线后，基于是否存在即时充电需求的个人意愿进行触发的指令。该指令可以是用户在接收到行驶路线的车载电子设备上进行按键触发，或是语音输入的指令。
在具体实现中，调度设备可以在确定了当前区域的调度决策后直接向所述当前区域内各汽车推送行驶路线，能够根据实时信息和优先级进行智能动态调度，当汽车的充电需求发生变化或是有新的汽车驶入当前区域后，可以及时进行调整。使得用户可以在接收到行驶路线后，基于个人意愿选择是否需要在当前区域内进行充电并触发指令，调度设备可以在接收用户指令后，向所述各汽车对应用户通过车载电子设备推送上述计算得到的预计充电等候时间以便于用户进行合理的时间规划。
本实施例将当前区域内各汽车的充电需求信息提取的优先级影响指标输入优先级打分模型，进而获得各汽车对应的优先级分数，能够通过优先级对调度决策进行优化，且其中优先级打分模型采用模糊逻辑学习模型，能够根据当前区域汽车实际充电需求信息确定各汽车的优先级分数，最后根据充电桩信息和汽车的优先级分数结合遗传算法共同确定调度决策，相比于现有的按照人为设置的顺序进行充电调度，本实施例能够考虑多方面因素，动态生成区域内的充电调度策略，实现充电资源的合理分配。
参照图3，图3为本发明汽车充电调度方法第二实施例的流程示意图。
基于上述实施例，在本实施例中，为了获得优先级打分模型，步骤S20之前，包括：
步骤S021：初始化待训练的优先级打分模型。
应该理解的是，由于该待训练的优先级打分模型可以为模糊逻辑学习模型，可以首先定义该优先级打分模型的输入变量和输出变量分别为优先级影响指标和优先级分数。
步骤S022：采集汽车的历史需求数据以及用户反馈数据，构建模糊逻辑模型训练集。
进一步地，为了构建由优先级影响指标映射到优先级分数的模糊规则，步骤S022之前，包括：
步骤S0221：根据所述历史需求数据确定优先级影响指标并构建影响指标数据集，其中所述优先级影响指标包括用户类型、用户紧急程度、充电需求量。
应该理解的是，该历史需求数据可以为历史数据库中的汽车的充电需求信息以及对应的用户反馈数据，通过该历史需求数据可以结合实际需求确定影响充电调度优先级的指标，并可以基于用户反馈数据量化优先级指标对应的权重，使得带有权重的优先级影响指标能够反映其在最终决策的重要程度。
在具体实现中，调度设备可以根据历史数据库中的汽车充电需求信息和对应的用户反馈数据确定有关优先级分数的优先级影响指标，并对各优先级影响指标的权重进行量化，构建得到用于后续模型训练的影响指标数据集。
步骤S0222：根据所述历史需求数据以及所述用户反馈数据构建模糊规则集。
应该理解的是，根据汽车的充电需求信息与用户的反馈数据，可以构建由用户的优先级指标到相应的优先级分数的映射关系即模糊规则，该模糊规则可以基于表格的形式进行构建。
需要说明的是，可以预先设置一个各汽车的标准分数，在获取到带有权重的优先级影响指标后，可以根据各汽车的优先级影响指标的不同等级对各汽车的优先级影响指标的权重进行进一步更新。此处可参考下表1进行说明，表1为作为示例的模糊规则集的表格形式。
表1
可以理解的是，在表1中，优先级影响指标包括用户类型、用户紧急程度以及充电需求量，该优先级影响指标对应的影响指标权重分别为0.5、0.4以及0.1，其中用户紧急程度可以进一步划分为：高、较高、一般、较低以及低的五个次级指标，分别对应的次级指标权重为：1.5、1.3、1.0以及0.8；其中充电需求量可以进一步划分为高、中、低三个次级指标，分别对应的次级指标权重为：1.5、1.0、0.8；其中汽车类型可以进一步划分为专用车（警车、救护车、消防车等）、公用车（公共汽车、长途巴士等）、私家车，分别对应的次级指标权重为5.0、3.0、1.0。
具体地，若设置的标准分数为100，在汽车A的优先级影响指标中：用户紧急程度为较高、充电需求量为中、汽车类型为私家车时，则根据该表1中模糊规则计算的汽车的优先级分数可以为：。
相应地，所述步骤S022包括：
步骤S0220：根据所述影响指标数据集以及所述模糊规则集，构建模糊逻辑模型训练集。
在具体实现中，在获取到所述影响指标数据集以及所述模糊规则集时，即可以获得模糊逻辑模型训练集。
步骤S023：通过所述模糊逻辑模型训练集对所述优先级打分模型进行训练，获得已训练的优先级打分模型。
应该理解的是，模糊逻辑模型训练集可以基于不同汽车划分为各个样本，其中每个样本可以包含输入变量的模糊集合（优先级影响指标的集合）以及相应的输出变量值（优先级分数）。优先级打分模型将基于模型规则根据输入的优先级影响指标计算出相应的优先级分数，以便于进行模型的评估和优化。
在具体实现中，在获得包含模糊规则的训练集后，可以采用监督学习算法或是其他优化算法（例如遗传优化算法）对模糊规则进行调整和优化，以提高获得的模型的性能和准确性，获得经过训练的优先级打分模型。
因此，步骤S20，包括：
步骤S201：根据所述充电需求信息提取所述当前区域内各汽车分别对应的优先级影响指标。
步骤S202：将所述优先级影响指标输入所述优先级打分模型，通过所述优先级打分模型获得经过模糊推理的模糊输出值。
步骤S203：对所述模糊输出值进行解模糊化，获得所述各汽车的优先级分数。
应该理解的是，由于模糊逻辑模型的输出通常为模糊集合的形式，因此可以通过解模糊化将模糊集合转化为具体的数值，以获得直观的优先级分数。
在具体实现中，优先级影响指标输入上述经过训练的优先级打分模型后，可以基于学习到的模糊规则，计算得到相应的模糊输出值，再对模糊输出值进行解模糊化，可以直接获得各汽车的优先级分数。
本实施例通过根据所述历史需求数据确定优先级影响指标并构建影响指标数据集，其中所述优先级影响指标包括用户类型、用户紧急程度、充电需求量；根据所述历史需求数据以及所述用户反馈数据构建模糊规则集；根据所述影响指标数据集以及所述模糊规则集，构建模糊逻辑模型训练集；通过所述模糊逻辑模型训练集对所述优先级打分模型进行训练，获得已训练的优先级打分模型。能够从实际调度中获取历史数据，利用模糊逻辑学习模型进行优化，获得优先级打分模型，并可以在后续对优先级打分模型的使用中，不断学习和优化充电调度决策，改进模型和规则，进一步地提升模型的性能和用户体验。
参照图4，图4为本发明汽车充电调度方法第三实施例的流程示意图。
基于上述实施例，在本实施例中，为了提升生成的充电调度决策的灵活性，通过实时监测的充电桩的可用性和状态信息结合汽车的优先级分数动态调整调度决策，步骤S30，包括：
步骤S301：基于所述各汽车随机生成预设数量个当前区域的调度方案，并确定为遗传算法的初始种群。
应该理解的是，该随机生成的调度方案可以表示为当前区域内汽车与充电桩的组合，例如，当前区域内有汽车A、B、C，和充电桩a、b、c，若预设数量为3个，随机生成的调度方案可以表示为{（Aa，Bb，Cc）、（Aa，Bc，Cb）、（Ab，Bc，Ca）}该三组，{·}则表示为初始种群，（·）为种群中的个体，（·）中各项为个体上的基因。
步骤S302：根据所述当前区域内各充电桩信息以及所述各汽车对应的优先级分数，确定适应度函数。
应该理解的是，由于传统的调度系统通常缺乏智能决策支持，最终确定的调度方案仅考虑到人为设置的优先级规则，本实施例可以进一步引入当前区域内各充电桩信息，结合各汽车对应的优先级分数，定义适应度函数实现对种群中各个体的准确评估。
步骤S303：根据所述适应度函数对所述初始种群进行更新，获得经过更新后的目标种群。
应该理解的是，可以根据所述适应度函数对所述初始种群进行适应度评估，选取所述初始种群中适应度值高于预设阈值的个体作为父代个体；对选取的父代个体进行基因交叉、基因变异的操作，获得新一代个体；对所述父代个体和所述新一代个体进行基于适应度值的排序；根据排序结果获得经过更新后的目标种群。
步骤S304：在所述目标种群中选取适应度分值最高的个体，获得当前区域的调度决策。
此处可以参考图5进行说明，图5为基于遗传算法的调度决策生成示意图。
图5中，若当前区域内有汽车A、B、C，和充电桩a、b、c，则初始种群可以为{（Aa，Bb，Cc）、（Aa，Bc，Cb）、（Ab，Bc，Ca）}，首先对初始种群中各个体进行适应度评估，选取该初始种群中适应度值高于预设阈值的个体（Aa，Bb，Cc）作为父代个体；再对选取的父代个体（Aa，Bb，Cc）进行基因交叉可以获得（Aa，Bc，Cb），进行基因变异可以获得（Aa，Bc，Cc）和（Aa，Bb，Cb），获得包括（Aa，Bc，Cb）、（Aa，Bc，Cc）和（Aa，Bb，Cb）的新一代个体；接着对父代个体和新一代个体进行适应度值的排序，获得的包含排序结果的目标种群为{（Aa，Bb，Cc）、（Aa，Bb，Cb）、（Aa，Bc，Cb）、（Aa，Bc，Cc）}。由于该排序可以为适应度降序排序，因此个体（Aa，Bb，Cc）可以为适应度分值最高的个体，最后获得的个体（Aa，Bb，Cc），即可确定当前区域的决策调度为汽车A分配至充电桩a，汽车B分配至充电桩b，汽车C分配至充电桩c。
本实施例通过基于所述各汽车随机生成预设数量个当前区域的调度方案，并确定为遗传算法的初始种群；根据所述当前区域内各充电桩信息以及所述各汽车对应的优先级分数，确定适应度函数；根据所述适应度函数对所述初始种群进行更新，获得经过更新后的目标种群；在所述目标种群中选取适应度分值最高的个体，获得当前区域的调度决策。能够通过汽车的优先级分数和充电桩信息，结合遗传算法中的适应度评估，进一步提升确定的调度决策的合理性和可靠性。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有汽车充电调度程序，所述汽车充电调度程序被处理器执行时实现如上文所述的汽车充电调度方法。
此外，参考图6，图6为本发明汽车充电调度系统第一实施例的结构框图；本发明还提出一种汽车充电调度系统，所述系统包括：
汽车信息获取模块601，用于获取当前区域内各汽车的充电需求信息；
优先级打分模块602，用于根据所述充电需求信息提取优先级影响指标，并将所述优先级影响指标输入优先级打分模型，获得各汽车对应的优先级分数，其中所述优先级打分模型为模糊逻辑学习模型；
调度决策生成模块603，用于获取当前区域内各充电桩信息，并结合所述各汽车对应的优先级分数，采用遗传算法确定所述当前区域的调度决策；
决策引导模块604，用于基于所述调度决策引导所述当前区域内各汽车进行充电。
进一步地，所述决策引导模块604，还用于获取所述各汽车对应分配的充电桩的位置信息；根据所述充电桩的位置信息生成各汽车的行驶路线以及预计行驶时间；根据所述预计行驶时间结合充电桩的当前使用信息，获取预计充电等候时间；根据所述行驶路线引导所述当前区域内各汽车进行充电，并在接收到用户指令时，向所述各汽车对应用户推送所述预计充电等候时间。
本实施例通过将当前区域内各汽车的充电需求信息提取的优先级影响指标输入优先级打分模型，进而获得各汽车对应的优先级分数，能够通过优先级对调度决策进行优化，且其中优先级打分模型采用模糊逻辑学习模型，能够根据当前区域汽车实际充电需求信息确定各汽车的优先级分数，最后根据充电桩信息和汽车的优先级分数结合遗传算法共同确定调度决策，相比于现有的按照人为设置的顺序进行充电调度，本实施例能够考虑多方面因素，动态生成区域内的充电调度策略，实现充电资源的合理分配。
基于本发明汽车充电调度系统第一实施例，提出本发明汽车充电调度系统第二实施例。
在本实施例中，优先级打分模块602，用于初始化待训练的优先级打分模型；采集汽车的历史需求数据以及用户反馈数据，构建模糊逻辑模型训练集；通过所述模糊逻辑模型训练集对所述优先级打分模型进行训练，获得已训练的优先级打分模型。
进一步地，所述优先级打分模块602，还用于根据所述历史需求数据确定优先级影响指标并构建影响指标数据集，其中所述优先级影响指标包括用户类型、用户紧急程度、充电需求量；根据所述历史需求数据以及所述用户反馈数据构建模糊规则集；根据所述影响指标数据集以及所述模糊规则集，构建模糊逻辑模型训练集。
进一步地，所述优先级打分模块602，还用于根据所述充电需求信息提取所述当前区域内各汽车分别对应的优先级影响指标；将所述优先级影响指标输入所述优先级打分模型，通过所述优先级打分模型获得经过模糊推理的模糊输出值；对所述模糊输出值进行解模糊化，获得所述各汽车的优先级分数。
调度决策生成模块603，用于基于所述各汽车随机生成预设数量个当前区域的调度方案，并确定为遗传算法的初始种群；根据所述当前区域内各充电桩信息以及所述各汽车对应的优先级分数，确定适应度函数；根据所述适应度函数对所述初始种群进行更新，获得经过更新后的目标种群；在所述目标种群中选取适应度分值最高的个体，获得当前区域的调度决策。
进一步地，所述调度决策生成模块603，还用于根据所述适应度函数对所述初始种群进行适应度评估，选取所述初始种群中适应度值高于预设阈值的个体作为父代个体；对选取的父代个体进行基因交叉、基因变异的操作，获得新一代个体；对所述父代个体和所述新一代个体进行基于适应度值的排序；根据排序结果获得经过更新后的目标种群。
本发明汽车充电调度系统的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如只读存储器镜像（Read Only Memory image，ROM）/随机存取存储器（Random AccessMemory，RAM）、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种汽车充电调度方法，其特征在于，所述方法包括：
获取当前区域内各汽车的充电需求信息；
根据所述充电需求信息提取优先级影响指标，并将所述优先级影响指标输入优先级打分模型，获得各汽车对应的优先级分数，其中所述优先级打分模型为模糊逻辑学习模型；
获取当前区域内各充电桩信息，并结合所述各汽车的优先级分数，采用遗传算法确定所述当前区域的调度决策；
基于所述调度决策引导所述当前区域内各汽车进行充电；
其中，所述根据所述充电需求信息提取优先级影响指标，并将所述优先级影响指标输入优先级打分模型，获得各汽车对应的优先级分数之前，包括：
初始化待训练的优先级打分模型；
采集汽车的历史需求数据以及用户反馈数据，构建模糊逻辑模型训练集；
通过所述模糊逻辑模型训练集对所述优先级打分模型进行训练，获得已训练的优先级打分模型；
其中，所述采集汽车的历史需求数据以及用户反馈数据，构建模糊逻辑模型训练集之前，包括：
根据所述历史需求数据确定优先级影响指标，并对各所述优先级影响指标进行权重量化以构建影响指标数据集，其中所述优先级影响指标包括用户类型、用户紧急程度、充电需求量；
根据所述历史需求数据以及所述用户反馈数据构建模糊规则集；
相应地，所述采集汽车的历史需求数据以及用户反馈数据，构建模糊逻辑模型训练集，包括：
根据所述影响指标数据集以及所述模糊规则集，构建模糊逻辑模型训练集；
其中，所述获取当前区域内各充电桩信息，并结合所述各汽车的优先级分数，采用遗传算法确定所述当前区域的调度决策，包括：
基于所述各汽车随机生成预设数量个当前区域的调度方案，并确定为遗传算法的初始种群；
将高适应度分值赋予高优先级分数的汽车，并根据所述当前区域内各充电桩信息以及所述各汽车对应的优先级分数，确定适应度函数，其中所述充电桩信息包括充电桩的可用性和状态信息；
根据所述适应度函数对所述初始种群进行更新，获得经过更新后的目标种群；
在所述目标种群中选取适应度分值最高的个体，获得当前区域的调度决策。
2.如权利要求1所述的汽车充电调度方法，其特征在于，所述根据所述充电需求信息提取优先级影响指标，并将所述优先级影响指标输入优先级打分模型，获得各汽车对应的优先级分数，包括：
根据所述充电需求信息提取所述当前区域内各汽车分别对应的优先级影响指标；
将所述优先级影响指标输入所述优先级打分模型，通过所述优先级打分模型获得经过模糊推理的模糊输出值；
对所述模糊输出值进行解模糊化，获得所述各汽车的优先级分数。
3.如权利要求1所述的汽车充电调度方法，其特征在于，所述根据所述适应度函数对所述初始种群进行更新，获得经过更新后的目标种群，包括：
根据所述适应度函数对所述初始种群进行适应度评估，选取所述初始种群中适应度值高于预设阈值的个体作为父代个体；
对选取的父代个体进行基因交叉、基因变异的操作，获得新一代个体；
对所述父代个体和所述新一代个体进行基于适应度值的排序；
根据排序结果获得经过更新后的目标种群。
4.如权利要求1所述的汽车充电调度方法，其特征在于，所述基于所述调度决策引导所述当前区域内各汽车进行充电，包括：
获取所述各汽车对应分配的充电桩的位置信息；
根据所述充电桩的位置信息生成各汽车的行驶路线以及预计行驶时间；
根据所述预计行驶时间结合充电桩的当前使用信息，获取预计充电等候时间；
根据所述行驶路线引导所述当前区域内各汽车进行充电，并在接收到用户指令时，向所述各汽车对应用户推送所述预计充电等候时间。
5.一种汽车充电调度系统，其特征在于，所述系统包括：
汽车信息获取模块，用于获取当前区域内各汽车的充电需求信息；
优先级打分模块，用于根据所述充电需求信息提取优先级影响指标，并将所述优先级影响指标输入优先级打分模型，获得各汽车对应的优先级分数，其中所述优先级打分模型为模糊逻辑学习模型；
调度决策生成模块，用于获取当前区域内各充电桩信息，并结合所述各汽车的优先级分数，采用遗传算法确定所述当前区域的调度决策；
决策引导模块，用于基于所述调度决策引导所述当前区域内各汽车进行充电;
所述优先级打分模块，还用于初始化待训练的优先级打分模型；采集汽车的历史需求数据以及用户反馈数据，构建模糊逻辑模型训练集；通过所述模糊逻辑模型训练集对所述优先级打分模型进行训练，获得已训练的优先级打分模型；
所述优先级打分模块，还用于根据所述历史需求数据确定优先级影响指标，并对各所述优先级影响指标进行权重量化以构建影响指标数据集，其中所述优先级影响指标包括用户类型、用户紧急程度、充电需求量；根据所述历史需求数据以及所述用户反馈数据构建模糊规则集；根据所述影响指标数据集以及所述模糊规则集，构建模糊逻辑模型训练集；
所述调度决策生成模块，还用于基于所述各汽车随机生成预设数量个当前区域的调度方案，并确定为遗传算法的初始种群；将高适应度分值赋予高优先级分数的汽车，并根据所述当前区域内各充电桩信息以及所述各汽车对应的优先级分数，确定适应度函数，其中所述充电桩信息包括充电桩的可用性和状态信息；根据所述适应度函数对所述初始种群进行更新，获得经过更新后的目标种群；在所述目标种群中选取适应度分值最高的个体，获得当前区域的调度决策。
6.一种汽车充电调度设备，其特征在于，所述汽车充电调度包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的汽车充电调度程序，所述汽车充电调度程序配置为实现如权利要求1至4中任一项所述的汽车充电调度方法的步骤。
7.一种存储介质，其特征在于，所述存储介质上存储有汽车充电调度程序，所述汽车充电调度程序被处理器执行时实现如权利要求1至4任一项所述的汽车充电调度方法的步骤。
CN202311436387.0A 2023-11-01 2023-11-01 汽车充电调度方法、系统、设备及存储介质 Active CN117151444B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311436387.0A CN117151444B (zh) 2023-11-01 2023-11-01 汽车充电调度方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311436387.0A CN117151444B (zh) 2023-11-01 2023-11-01 汽车充电调度方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117151444A CN117151444A (zh) 2023-12-01
CN117151444B true CN117151444B (zh) 2024-03-08

Family

ID=88897306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311436387.0A Active CN117151444B (zh) 2023-11-01 2023-11-01 汽车充电调度方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117151444B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106274546A (zh) * 2016-10-02 2017-01-04 陈时军 一种停车场所智能充电管理系统的充电管理方法
CN106515492A (zh) * 2016-12-01 2017-03-22 湖南大学 一种基于cps的电动汽车充电方法
CN112308389A (zh) * 2020-10-22 2021-02-02 黑龙江省电工仪器仪表工程技术研究中心有限公司 基于云计算的电动汽车有序充电调度系统及方法
CN112356721A (zh) * 2020-08-24 2021-02-12 黑龙江省电工仪器仪表工程技术研究中心有限公司 基于云平台的电动汽车充电引导方法及系统
CN114118724A (zh) * 2021-11-08 2022-03-01 国网重庆市电力公司营销服务中心 考虑需求匹配度的电动汽车充电调度方法
CN114282823A (zh) * 2021-12-27 2022-04-05 中国民航信息网络股份有限公司 车辆调度方法及装置、存储介质及电子设备
CN114330887A (zh) * 2021-12-29 2022-04-12 苏州汇川控制技术有限公司 任务编排方法、设备及计算机可读存储介质
CN114997631A (zh) * 2022-05-26 2022-09-02 国网浙江电动汽车服务有限公司 一种电动汽车充电调度方法、装置、设备及介质
CN115063184A (zh) * 2022-07-14 2022-09-16 兰州理工大学 电动汽车充电需求建模方法、系统、介质、设备及终端
CN115130779A (zh) * 2022-07-22 2022-09-30 广州天轨科技有限公司 一种基于移动充电桩的智能调度方法
CN115271282A (zh) * 2021-04-29 2022-11-01 中移动金融科技有限公司 基于模糊逻辑的客户价值确定方法及装置
CN115923570A (zh) * 2022-11-28 2023-04-07 宁德时代新能源科技股份有限公司 充电管理方法、设备、系统、电子设备及存储介质
CN116702404A (zh) * 2022-11-25 2023-09-05 南京理工大学 计及目标优先级的模糊双目标电动汽车充电站规划优化方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106274546A (zh) * 2016-10-02 2017-01-04 陈时军 一种停车场所智能充电管理系统的充电管理方法
CN106515492A (zh) * 2016-12-01 2017-03-22 湖南大学 一种基于cps的电动汽车充电方法
CN112356721A (zh) * 2020-08-24 2021-02-12 黑龙江省电工仪器仪表工程技术研究中心有限公司 基于云平台的电动汽车充电引导方法及系统
CN112308389A (zh) * 2020-10-22 2021-02-02 黑龙江省电工仪器仪表工程技术研究中心有限公司 基于云计算的电动汽车有序充电调度系统及方法
CN115271282A (zh) * 2021-04-29 2022-11-01 中移动金融科技有限公司 基于模糊逻辑的客户价值确定方法及装置
CN114118724A (zh) * 2021-11-08 2022-03-01 国网重庆市电力公司营销服务中心 考虑需求匹配度的电动汽车充电调度方法
CN114282823A (zh) * 2021-12-27 2022-04-05 中国民航信息网络股份有限公司 车辆调度方法及装置、存储介质及电子设备
CN114330887A (zh) * 2021-12-29 2022-04-12 苏州汇川控制技术有限公司 任务编排方法、设备及计算机可读存储介质
CN114997631A (zh) * 2022-05-26 2022-09-02 国网浙江电动汽车服务有限公司 一种电动汽车充电调度方法、装置、设备及介质
CN115063184A (zh) * 2022-07-14 2022-09-16 兰州理工大学 电动汽车充电需求建模方法、系统、介质、设备及终端
CN115130779A (zh) * 2022-07-22 2022-09-30 广州天轨科技有限公司 一种基于移动充电桩的智能调度方法
CN116702404A (zh) * 2022-11-25 2023-09-05 南京理工大学 计及目标优先级的模糊双目标电动汽车充电站规划优化方法
CN115923570A (zh) * 2022-11-28 2023-04-07 宁德时代新能源科技股份有限公司 充电管理方法、设备、系统、电子设备及存储介质

Also Published As

Publication number Publication date
CN117151444A (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
CN109191896B (zh) 个性化停车位推荐方法和系统
CN106875066B (zh) 用车出行行为的预测方法、装置、服务器以及存储介质
CN105160428B (zh) 高速公路电动汽车快速充电站的规划方法
Wang et al. A two-stage charging facilities planning method for electric vehicle sharing systems
CN116307647B (zh) 电动汽车充电站选址定容优化方法、装置及存储介质
CN110929925A (zh) 基于环境温度与用户行为的电动汽车充电站规划方法
Jiau et al. Services-oriented computing using the compact genetic algorithm for solving the carpool services problem
CN116772877B (zh) 一种新能源汽车续航里程预测方法、系统、装置及介质
Wei et al. Optimal integrated model for feeder transit route design and frequency‐setting problem with stop selection
Wilbur et al. An online approach to solve the dynamic vehicle routing problem with stochastic trip requests for paratransit services
CN112949987A (zh) 基于预测的出租车调度和匹配方法、系统、设备及介质
Whitaker et al. A network flow approach to battery electric bus scheduling
Farhadi et al. Data-driven multi-objective optimization for electric vehicle charging infrastructure
CN115060278A (zh) 基于多目标遗传算法的车辆智能换电导航方法和系统
Kamiński et al. Multiagent routing simulation with partial smart vehicles penetration
Tsukiji et al. A multifaceted equity metric system for transportation electrification
Qu et al. Optimizing bus services with variable directional and temporal demand using genetic algorithm
CN117151444B (zh) 汽车充电调度方法、系统、设备及存储介质
Boukhater et al. An intelligent and fair GA carpooling scheduler as a social solution for greener transportation
Lin et al. Bus frequency optimisation considering user behaviour based on mobile bus applications
Torres Franco et al. Electric vehicle charging stations’ location in urban transportation networks: A heuristic methodology
Yang et al. A novel demand dispatching model for autonomous on-demand services
Meyers et al. Reliable real-time destination prediction
Hu et al. Towards Dynamic Pricing based Autonomous Valet Parking Management under Demand Uncertainty
Song et al. An optimized two‐phase demand‐responsive transit scheduling model considering dynamic demand

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