CN117382442A - 一种电动汽车充电调度方法、装置、设备及介质 - Google Patents
一种电动汽车充电调度方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117382442A CN117382442A CN202311327184.8A CN202311327184A CN117382442A CN 117382442 A CN117382442 A CN 117382442A CN 202311327184 A CN202311327184 A CN 202311327184A CN 117382442 A CN117382442 A CN 117382442A
- Authority
- CN
- China
- Prior art keywords
- charging
- data
- initial
- trolley
- sample
- 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 36
- 238000003066 decision tree Methods 0.000 claims abstract description 103
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
- B60L2260/52—Control modes by future state prediction drive range estimation, e.g. of estimation of available travel distance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
- B60L2260/54—Energy consumption estimation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Sustainable Development (AREA)
- Health & Medical Sciences (AREA)
- Sustainable Energy (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种电动汽车充电调度方法、装置、设备及介质,包括获取多个初始电车充电历史数据,初始电车充电历史数据包括初始电车充电量与初始行驶里程数据;对全部初始电车充电历史数据进行筛选,确定多个目标电车充电历史数据;基于预设决策树模型高度,采用目标电车充电历史数据构建决策树模型;通过预设弹性充电模型对实时电车电池数据、实时充电站位置信息和行程数据进行电量计算,生成充电量;基于决策树模型和充电量,确定充电调度方案。解决了现有技术通常只考虑了电车单段行程的充电,导致最后呈现给用户的充电调度决策会使用户损失不必要的充电时间的技术问题。
Description
技术领域
本发明涉及新能源技术领域,尤其涉及一种电动汽车充电调度方法、装置、设备及介质。
背景技术
由于电动汽车(Electric Vehicle,EV)具备提高能源效率、减少温室气体排放和使能源多样化等优点,促进电动汽车的发展对于应对气候变化挑战和实现可持续交通至关重要,同时,与传统燃油车相比,电动车辆使用可充电和可放电电池作为动力系统,可减少燃料造成的环境污染消费,而电动汽车充电站(Electric Vehicle Charging Station,EVCS)的发展水平作为电动汽车发展的重要保障,能够直接影响到电动汽车产业的发展速度和质量。
目前,国内的电动汽车充电桩的装载容量相对不足,对于大多用户在进行远距离行程中往往会担心可能会导致的中途电车电量不足,且在路途中可能会存在找不到足够距离的充电站的几率,这会极大的影响用户的使用体验感。
而现有技术通常只考虑了电车单段行程的充电,且使用的电车优化充电方案只考虑最大便捷的满足用户单次充电,并没有对用户后续用车计划、充电计划以及相关弹性时间进行考虑,导致最后呈现给用户的充电调度决策会使用户损失不必要的充电时间。
发明内容
本发明提供了一种电动汽车充电调度方法、装置、设备及介质,解决了现有技术通常只考虑了电车单段行程的充电,且使用的电车优化充电方案只考虑最大便捷的满足用户单次充电,并没有对用户后续用车计划、充电计划以及相关弹性时间进行考虑,导致最后呈现给用户的充电调度决策会使用户损失不必要的充电时间的技术问题。
本发明第一方面提供的一种电动汽车充电调度方法,包括:
获取电动汽车对应的多个初始电车充电历史数据,所述初始电车充电历史数据包括初始电车充电量与初始行驶里程数据;
对全部初始电车充电历史数据进行筛选,确定多个目标电车充电历史数据;
基于预设决策树模型高度,采用所述目标电车充电历史数据构建所述电动汽车对应的决策树模型;
通过预设弹性充电模型对所述电动汽车的实时电车电池数据、实时充电站位置信息和行程数据进行电量计算,生成所述电动汽车对应的充电量;
基于所述决策树模型和所述充电量,确定所述电动汽车对应的充电调度方案。
可选地,所述预设弹性充电模型具体为:
式中,q1为充电量中的第一充电量;s为行程数据中的第一行程里程;j为意外情况产生额外消耗电量的里程;y为实时充电站位置信息;m为单位里程消耗的电量;soc为实时电车电池数据中的荷电状态;c为实时电车电池数据中的电池容量;q2为充电量中的第二充电量;r为行程数据中的第二行程里程。
可选地,所述基于预设决策树模型高度,采用所述目标电车充电历史数据构建所述电动汽车对应的决策树模型的步骤,包括:
基于所述目标电车充电历史数据,确定多个初始信息增益率;
对全部所述初始信息增益率进行均值运算,确定平均初始信息增益率;
将大于所述平均初始信息增益率的初始信息增益率作为目标信息增益率;
根据预设决策树模型高度和所述目标信息增益率构建所述电动汽车对应的决策树模型。
可选地,所述基于所述目标电车充电历史数据,确定多个初始信息增益率的步骤,包括:
采用所述目标电车充电历史数据构建样本数据集;
将所述样本数据集对应的样本数量和各所述目标电车充电历史数据代入预设第一公式进行运算,确定样本信息熵;
获取所述样本数据集对应的多个样本属性,并采用各所述样本属性对应的多个样本属性值和样本属性值数量,分别计算各所述样本属性对应的属性信息熵;
分别计算所述样本信息熵和各所述属性信息熵的差值,确定各所述样本属性对应的样本属性信息增益;
分别计算各所述样本属性信息增益与对应的属性信息熵的比值,确定各所述样本属性对应的初始信息增益率。
可选地,所述根据预设决策树模型高度和所述目标信息增益率构建所述电动汽车对应的决策树模型的步骤,包括:
将各所述目标信息增益率对应的样本属性作为初始决策样本属性;
选取最大的目标信息增益率对应的初始决策样本属性作为所述电动汽车对应的决策树模型根节点;
按照所述初始决策样本属性对应的目标信息增益率从高到低选取所述电动汽车对应的目标决策样本属性;
将所述目标决策样本属性作为所述电动汽车对应的树枝节点;
基于所述决策树模型根节点和所述树枝节点,确定决策属性;
基于预设决策树模型高度,采用所述决策树模型根节点、所述树枝节点和所述决策属性,构建所述电动汽车对应的决策树模型。
可选地,所述预设第一公式具体为:
式中,L(m)为样本信息熵;ai为第i个目标电车充电历史数据;m为样本数量;
所述属性信息熵的计算公式为:
式中,L(Si)为属性信息熵;Si为第i个样本属性;q为样本属性值数量;si为第i个样本属性值。
本发明第二方面提供的一种电动汽车充电调度装置,包括:
获取模块,用于获取电动汽车对应的多个初始电车充电历史数据,所述初始电车充电历史数据包括初始电车充电量与初始行驶里程数据;
确定模块,用于对全部所述初始电车充电历史数据进行筛选,确定多个目标电车充电历史数据;
构建模块,用于基于预设决策树模型高度,采用所述目标电车充电历史数据构建所述电动汽车对应的决策树模型;
计算模块,用于通过预设弹性充电模型对所述电动汽车的实时电车电池数据、实时充电站位置信息和行程数据进行电量计算,生成所述电动汽车对应的充电量;
调度模块,用于基于所述决策树模型和所述充电量,确定所述电动汽车对应的充电调度方案。
可选地,所述预设弹性充电模型具体为:
式中,q1为充电量中的第一充电量;s为行程数据中的第一行程里程;j为意外情况产生额外消耗电量的里程;y为实时充电站位置信息;m为单位里程消耗的电量;soc为实时电车电池数据中的荷电状态;c为实时电车电池数据中的电池容量;q2为充电量中的第二充电量;r为行程数据中的第二行程里程。
本发明第三方面提供的一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述任一项所述的电动汽车充电调度方法的步骤。
本发明第四方面提供的一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现如上述任一项所述的电动汽车充电调度方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明的技术方案提供了一种电动汽车充电调度方法,当用户申请在进行电动汽车充电调度时,首先获取用户的电动汽车预设时间内或者预设次数的多个充电信息样本构成数据集,即获取多个初始电车充电历史数据,初始电车充电历史数据包括初始电车充电量与初始行驶里程数据,在全部初始电车充电历史数据中选取多个目标电车充电历史数据,接着基于预设决策树模型高度,采用全部目标电车充电历史数据构建决策树模型,最后,通过构建得到的决策树模型结合预设弹性充电模型根据实时电车电池数据、用户当天的行程计划(行程数据)以及行程路上的实时充电站位置信息进行计算充电量,并生成对应的充电调度方案,上述方案能够根据用户空余时间获得更优的电车充电规划,避免了用户产生不必要的充电时间,同时,采用本申请构建的决策树模型能够快速的帮助用户对当前所需电车充电量的选择做出决策,提高电动汽车的充电效率,缓解用户的充电焦虑。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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它的附图。
图1为本发明实施例提供的一种电动汽车充电调度方法的步骤流程图;
图2为本发明实施例提供的电动汽车行程计划的示意图;
图3为本发明实施例提供的另一种电动汽车充电调度方法的步骤流程图;
图4为本发明实施例提供的决策树模型的结构示意图;
图5为本发明实施例提供的一种电动汽车充电调度装置的结构框图。
具体实施方式
本发明实施例提供了一种电动汽车充电调度方法、装置、设备及介质,用于解决现有技术通常只考虑了电车单段行程的充电,且使用的电车优化充电方案只考虑最大便捷的满足用户单次充电,并没有对用户后续用车计划、充电计划以及相关弹性时间进行考虑,导致最后呈现给用户的充电调度决策会使用户损失不必要的充电时间的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
现有方案针对街边停车充电(Parking and Charging)场景,把电动汽车的电池看做储能设备,实现汽车向电网输电(Vehicle to Grid,V2G),为了满足电网对无功功率的需求和用户停车充电服务的需求,通过归一化法相约束的方法获得帕累托最优解,实现多目标优化。针对V2G的停车场采用改进的粒子群算法来求得电动汽车最优充电策略。
依据本发明的技术方案,在不变更实质方法的情况下,本领域的一般技术人员可以想象出将该方法应用于各种不同场景、不同装载容量充电站的城市背景、不同复杂路况的交通系统中。因此以上具体方法和附图仅是对某一电车弹性充电的示例性说明,而不应当被视为本发明的全部或限制与限定。
请参阅图1,图1为本发明实施例提供的一种电动汽车充电调度方法的步骤流程图。
本发明提供的一种电动汽车充电调度方法,包括:
步骤101、获取电动汽车对应的多个初始电车充电历史数据,初始电车充电历史数据包括初始电车充电量与初始行驶里程数据。
初始电车充电历史数据包括初始电车充电量与初始行驶里程数据,初始行驶里程数据为汽车行驶里程。
在本实施例中,通过提取充电站对在城市内的某用户预设时长内的电车充电数据进行提取,得到电动汽车对应的多个初始电车充电历史数据,其中,在本方案中预设时长为一个月,电车充电数据包括电车充电量与行驶里程数据;
值得一提的是,在本步骤中,优先考虑当前用户对应的电动汽车的使用数据,当用户在预设时长内的充电次数不足时,进一步考虑获取更长历史周期的充电数据,例如可以直接获取预设次数的电车充电历史数据;
进一步,也可以通过充电站对在城市内的用户充电数据进行提取,获取该充电站充电,且与当前用户路径较为一致的电车充电历史数据。
在本实施例中,获取电动汽车对应的多个初始电车充电历史数据。
步骤102、对全部初始电车充电历史数据进行筛选,确定多个目标电车充电历史数据。
目标电车充电历史数据包括目标电车充电量与目标行驶里程数据。
值得一提的是,由于全部的初始电车充电历史数据中包含错误的决策信息,例如,在电量足够支撑当前行程且当前行程终点有充电桩的情况下选择充电,为了提高决策树的分类正确率,基于预设性能指标条件,在全部的初始电车充电历史数据中除去错误以及无利用价值的样本信息,从而得到高精度的多个目标电车充电历史数据。
进一步地,预设性能指标条件指的是根据充电数据中的性能指标数据,由专业人员运用专业的知识和经验对其中不合理的调度模式的数据进行删除;当初始电车充电历史数据被判定为不合理的调度模式的数据时,则对其进行删选,删选判断包括电池电量、终点站是否有充电站、当天行程信息、当前位置最近周边充电站选择。如在当前需要充电时不选择合适的充电站,当天内没有二段行程而在中途冲过量电量。
在本实施例中,对全部初始电车充电历史数据进行筛选,确定多个目标电车充电历史数据。
步骤103、基于预设决策树模型高度,采用目标电车充电历史数据构建电动汽车对应的决策树模型。
值得一提的是,基于预设决策树模型高度,通过C4.5算法采用全部目标电车充电历史数据构建电动汽车对应的决策树模型。
进一步地,需要采用先剪枝的方法通过提前停止决策树模型的构建而对树“剪枝”,一旦停止,节点就成为树叶,降低了树枝长度,从而使得整个决策树模型不会过拟合,从而令构建得到的决策树模型能够克服用信息增益选择的不足,将连续型的属性进行离散化处理,处理具有缺失属性值的训练数据。具体地,在构建决策树模型之前对其定义一个高度,当决策树模型达到该高度时就可以停止决策树模型的生长,这是一种最为简单的方法;其中,预设决策树模型高度的设定可以根据需要进行设置,预设决策树模型高度可以为5,在此不作具体限定。
在本实施例中,基于预设决策树模型高度,采用目标电车充电历史数据构建电动汽车对应的决策树模型。
步骤104、通过预设弹性充电模型对电动汽车的实时电车电池数据、实时充电站位置信息和行程数据进行电量计算,生成电动汽车对应的充电量。
行程数据为用户出发地与目的地之间的行程距离。
充电量包括第一充电量和第二充电量。
实时电车电池数据包括电车的荷电状态和电池容量。
值得一提的是,通过电车装有的车载网络管理系统,能够实时监测电池电量,而且能够与外界网络连接,实时的反馈附近停车场以及充电站的空闲位置信息,当用户选择出行目的地时,通过预设弹性充电模型对行程数据、车载网络实时获取周边以及终点站附近充桩信息和电池电量进行电量计算,输出电动汽车所需的充电量。
在本实施例中,通过预设弹性充电模型对电动汽车的实时电车电池数据、实时充电站位置信息和行程数据进行电量计算,生成电动汽车对应的充电量。
步骤105、基于决策树模型和充电量,确定电动汽车对应的充电调度方案。
请参阅图2,当电车每天行程分为c1,c2时,由图2可以看出每天除了两段行程之外还有大量时间,如果在进行第一段行程c1时电量不足,则大多用户可能会选择(b)模式再周边的充电站等待充满后再开始继续行程,该模式大大延长了行程c1的时间,甚至可能会对原本计划的行程c2产生影响,影响用户的使用体验感,由此提出可以选择在c1电量不足时只要把满足c1接下来行程走完的电量,之后再将电池充满,这样既能减少中途花费时间又不会影响用户行程计划。
进一步地,通过预设弹性充电模型对行程数据、车载网络实时获取周边以及终点站附近充桩信息和电池电量进行电量计算,再根据本申请基于C4.5算法以及全部目标电车充电历史数据构建的决策树模型对电动汽车充电进行调度,能够快速的帮助用户对当前所需电车充电量选择做出决策,充分利用用户空余时间对电车充电。
在本实施例中,基于决策树模型和充电量,确定电动汽车对应的充电调度方案。
在本发明实施例中,本申请在进行电动汽车充电调度时,首先获取用户一个月的电车充电信息样本数据集,基于预设性能指标条件,通过专业人员根据样本中的性能指标数据,运用专业的知识和经验对电车充电信息样本数据集中的错误决策信息或不合理的调度模式的数据进行删选,能够增强样本数据集的精确度,从而提高决策树模型的分类正确率,接着基于C4.5算法和预设决策树模型高度,采用经过预处理后的多个目标电车充电历史数据构建决策树模型,克服用信息增益选择的不足,能够处理具有缺失属性值的训练数据,最后,通过构建得到的决策树模型结合预设弹性充电模型采用实时电车电池数据、用户当天的行程计划以及行程路上的充电站位置信息进行计算出来的充电量,生成对应的充电调度方案,能够充分利用用户空余时间对电车充电,避免了用户损失不必要的充电时间,同时,利用C4.5算法构建的决策树模型能够快速的帮助用户对当前所需电车充电量选择做出决策,提高电动汽车的充电效率,缓解用户的充电焦虑。
请参阅图3,图3为本发明实施例提供的另一种电动汽车充电调度方法的步骤流程图。
本发明提供的另一种电动汽车充电调度方法,包括:
步骤301、获取电动汽车对应的多个初始电车充电历史数据,初始电车充电历史数据包括初始电车充电量与初始行驶里程数据。
在本实施例中,获取电动汽车对应的多个初始电车充电历史数,初始电车充电历史数据包括初始电车充电量与初始行驶里程数据。
步骤302、对全部初始电车充电历史数据进行筛选,确定多个目标电车充电历史数据。
值得一提的是,依次判断初始电车充电历史数据是否满足预设性能指标条件,将满足预设性能指标条件的初始电车充电历史数据作为目标电车充电历史数据,将不满足预设性能指标条件的初始电车充电历史数据进行删选。
在本实施例中,对全部初始电车充电历史数据进行筛选,确定多个目标电车充电历史数据。
步骤303、基于目标电车充电历史数据,确定多个初始信息增益率。
进一步地,步骤303可以包括以下子步骤S31-S35:
S31、采用目标电车充电历史数据构建样本数据集;
S32、将样本数据集对应的样本数量和各目标电车充电历史数据代入预设第一公式进行运算,确定样本信息熵;
S33、获取样本数据集对应的多个样本属性,并采用各样本属性对应的多个样本属性值和样本属性值数量,分别计算各样本属性对应的属性信息熵;
S34、分别计算样本信息熵和各属性信息熵的差值,确定各样本属性对应的样本属性信息增益;
S35、分别计算各样本属性信息增益与对应的属性信息熵的比值,确定各样本属性对应的初始信息增益率。
值得一提的是,首先采用多个目标电车充电历史数据构造样本数据集A,该样本数据集可以为某用户一个月的电车充电信息作为原始数据集,假设样本数为m,样本数据集A则可以表示为A{a1,a2,a3,...,am},接着采用样本数据集对应的样本数量和全部目标电车充电历史数据代入预设第一公式,计算样本数据集A对应的样本信息熵,其中,预设第一公式具体为:
式中,L(m)为样本信息熵;ai为第i个目标电车充电历史数据;m为样本数量。
进一步地,将S设定为样本数据集A对应的样本属性,一个样本数据集A能够对应多个样本属性,例如样本属性S1,S2,S3等,各样本属性都含有多个样本属性值,假设S1中有q个样本属性值{s1,s2,s3,....,sq},S2中有b个样本属性值{s1,s2,s3,....,sb},接着采用各样本属性对应的全部样本属性值和样本属性值数量,分别计算各样本属性对应的属性信息熵,其中,属性信息熵的计算公式为:
式中,L(Si)为属性信息熵;Si为第i个样本属性;q为样本属性值数量;si为第i个样本属性值。
进一步地,分别计算样本信息熵和各属性信息熵的差值,确定各样本属性对应的样本属性信息增益,其中,样本属性信息增益的计算公式为:
Gain(Si)=L(m)-L(Si);
式中,Gain(Si)为样本属性信息增益;L(m)为样本信息熵;L(Si)为第i个属性信息熵。
进一步地,分别计算各样本属性信息增益与对应的属性信息熵的比值,确定各样本属性对应的初始信息增益率。
式中,G(Si)为初始信息增益率;Gain(Si)为样本属性信息增益;Si为第i个样本属性;si为第i个样本属性值;q为样本属性值数量。
在本发明实施例中,基于目标电车充电历史数据,确定多个初始信息增益率。
步骤304、对全部初始信息增益率进行均值运算,确定平均初始信息增益率。
在本发明实施例中,对全部初始信息增益率进行均值运算,确定平均初始信息增益率。
步骤305、将大于平均初始信息增益率的初始信息增益率作为目标信息增益率。
值得一提的是,信息增益准则对可取值数目较多的属性有所偏好,为了减少这种偏好可能带来的不利影响,本申请使用增益率来选择最优划分样本属性,利用上述公式计算出各个样本属性的样本信息增益率,增益率准则对可取值数目较少的属性有所偏好,信息增益对可取值数目多的属性有所偏好,接着从候选划分属性中找出信息增益高于平均水平的属性,再从中选择增益率最高的作为优先选择的决策样本属性,即采用全部初始信息增益率进行均值运算,确定平均初始信息增益率,再从样本属性中选择样本信息增益率高于平均初始信息增益率的属性,再从选出的属性中将信息增益率高的作为优先选择。
在本发明实施例中,将大于平均初始信息增益率的初始信息增益率作为目标信息增益率。
步骤306、根据预设决策树模型高度和目标信息增益率构建电动汽车对应的决策树模型。
进一步地,步骤306可以包括以下子步骤S61-S66:
S61、将各目标信息增益率对应的样本属性作为初始决策样本属性;
S62、选取最大的目标信息增益率对应的初始决策样本属性作为电动汽车对应的决策树模型根节点;
S63、按照初始决策样本属性对应的目标信息增益率从高到低选取电动汽车对应的目标决策样本属性;
S64、将目标决策样本属性作为电动汽车对应的树枝节点;
S65、基于决策树模型根节点和树枝节点,确定决策属性;
S66、基于预设决策树模型高度,采用决策树模型根节点、树枝节点和决策属性,构建电动汽车对应的决策树模型。
值得一提的是,首先设置决策树模型对应的高度即预设决策树模型高度,能够在决策树模型构建过程中进行剪枝防止过拟合,接着将各目标信息增益率对应的样本属性作为初始决策样本属性,并选取最大的目标信息增益率对应的初始决策样本属性作为决策树模型根节点,又按照目标信息增益率从高到低的顺序,选取对应的初始决策样本属性作为树枝节点,确定决策树模型根节点和树枝节点后,通过技术人员设置相关的决策属性,最后,采用决策属性、树枝节点和决策树模型根节点构建决策树模型。
请参阅图4,本申请构建的决策树模型中的决策树模型根节点s2为充电量q2>0,输出{是,否};树枝节点包括第一节点s1和第二节点s3,第一节点s1为第一段行程目的地是否有充电站,输出{是,否},第二节点s3为充电量q1>0,输出{是,否};决策属性包括第一决策属性h1、第二决策属性h2和第三决策属性h3,第一决策属性h1为电车无需充电;第二决策属性h2为为电车寻找最近充电站充电,充电量为q2;第三决策属性h3为电车寻找最近充电站充电,充电量为q1。
在本实施例中,根据预设决策树模型高度和目标信息增益率构建电动汽车对应的决策树模型。
步骤307、通过预设弹性充电模型对电动汽车的实时电车电池数据、实时充电站位置信息和行程数据进行电量计算,生成电动汽车对应的充电量。
值得一提的是,当用户选择出行目的地时,首先通过车载网络获取周边以及终点站附近充桩信息,根据系统规划的线路以及目前的电车电量判断是否需要中途充电,如果做出的判断为需要充电,则通过网络信息交汇,为用户提供最近充电桩位置距离,然后通过预设弹性充电模型对实时电车电池数据、实时充电站位置信息和行程数据进行电量计算,并通过上述构建出来的决策树模型为用户提供充电调度方案,从而最大满足用户体验感,同时,车载网络系统会提示电车离终点路程中的充电站数以及根据距离提示电车当前电量能够到达的充电站,用户可基于此选择最合理的路径。
进一步地,根据电车的不同充电需求,电动车充电的需要取决于目前的旅途结束时能否给汽车充电分两种情形。结束旅程后有充电站时,无需考虑后续的旅行以及没有充电站,不能给自己充电,还得为以后的旅行而担心能否保证电力的需要,因此中途所需充电量也不同。根据目的地是否能充电,以及预先构建的预设弹性充电模型,从而对电车电量需求进行计算。以下分两种情况进行讨论:
(1)目的地可以充电情况:通过电车装有的车载网络管理系统,能够实时监测电池电量,而且能够与外界网络连接,实时的反馈附近停车场以及充电站的空闲位置信息,当判断出目的地可以充电时,电车可以优先考虑在中途充电满足必要的电量即可,假设电车行程与电量程简单的正向线性关系,同时还需要考虑意外情况,通过实时监测的电车电池数据,实时反馈的附近停车场以及充电站的空闲位置信息以及用户目的地的行程数据,计算第一充电量,其中,预设弹性充电模型中计算第一充电量的公式具体为:
q1=(s+j+y)×m-soc×c;
式中,q1为第一充电量;s为行程数据中的第一行程里程;j为意外情况产生额外消耗电量的里程;y为实时充电站位置信息;m为单位里程消耗的电量;soc为实时电车电池数据中的荷电状态,用于反映电池的剩余容量,其数值上定义为剩余容量占电池容量的比值,常用百分数表示;c为实时电车电池数据中的电池容量。
(2)目的地不可以充电情况:此时电车不仅需要考虑当前行程所需电量,还需为下段行程所需电量一并考虑,采用预设弹性充电模型进行电量计算,其中,预设弹性充电模型中计算第一充电量的公式具体为:
q2=(s+j+y+r)×m-soc×c;
式中,q2为第二充电量;s为行程数据中的第一行程里程;j为意外情况产生额外消耗电量的里程;y为实时充电站位置信息;m为单位里程消耗的电量;soc为实时电车电池数据中的荷电状态,用于反映电池的剩余容量,其数值上定义为剩余容量占电池容量的比值,常用百分数表示;c为实时电车电池数据中的电池容量;r为行程数据中的第二行程里程。
在本实施例中,通过预设弹性充电模型对电动汽车对应的实时电车电池数据、实时充电站位置信息和行程数据进行电量计算,生成电动汽车对应的充电量。
步骤308、基于决策树模型和充电量,确定电动汽车对应的充电调度方案。
值得一提的是,通过上述计算出来的需要电动汽车充电的充电量,并基于本申请构建的决策树模型,生成电动汽车对应的充电调度方案。
在本实施例中,基于决策树模型和充电量,确定电动汽车对应的充电调度方案。
在本发明实施例中,本申请在进行电动汽车充电调度时,首先获取用户一个月的电车充电信息样本数据集,基于预设性能指标条件,通过专业人员根据样本中的性能指标数据,运用专业的知识和经验对电车充电信息样本数据集中的错误决策信息或不合理的调度模式的数据进行删选,能够增强样本数据集的精确度,从而提高决策树模型的分类正确率,接着基于C4.5算法和预设决策树模型高度,采用经过预处理后的多个目标电车充电历史数据构建决策树模型,克服用信息增益选择的不足,能够处理具有缺失属性值的训练数据,最后,通过构建得到的决策树模型结合实时电车电池数据、用户当天的行程计划以及行程路上的充电站位置信息,输出的充电调度方案,能够充分利用用户空余时间对电车充电,避免了用户损失不必要的充电时间,同时,利用C4.5算法构建的决策树模型能够快速的帮助用户对当前所需电车充电量选择做出决策,提高电动汽车的充电效率,缓解用户的充电焦虑。
请参阅图5,图5为本发明实施例提供的一种电动汽车充电调度装置的结构框图。
本发明实施例提供一种电动汽车充电调度装置的,包括:
获取模块501,用于获取电动汽车对应的多个初始电车充电历史数据,初始电车充电历史数据包括初始电车充电量与初始行驶里程数据;
确定模块502,用于对全部初始电车充电历史数据进行筛选,确定多个目标电车充电历史数据;
构建模块503,用于基于预设决策树模型高度,采用目标电车充电历史数据构建电动汽车对应的决策树模型;
计算模块504,用于通过预设弹性充电模型对电动汽车的实时电车电池数据、实时充电站位置信息和行程数据进行电量计算,生成电动汽车对应的充电量;
调度模块505,用于基于决策树模型和充电量,确定电动汽车对应的充电调度方案。
进一步地,预设弹性充电模型具体为:
式中,q1为充电量中的第一充电量;s为行程数据中的第一行程里程;j为意外情况产生额外消耗电量的里程;y为实时充电站位置信息;m为单位里程消耗的电量;soc为实时电车电池数据中的荷电状态;c为实时电车电池数据中的电池容量;q2为充电量中的第二充电量;r为行程数据中的第二行程里程。
进一步地,构建模块503包括:
增益率子模块,用于基于目标电车充电历史数据,确定多个初始信息增益率;
运算子模块,用于对全部初始信息增益率进行均值运算,确定平均初始信息增益率;
选取子模块,用于将大于平均初始信息增益率的初始信息增益率作为目标信息增益率;
模型子模块,用于根据预设决策树模型高度和目标信息增益率构建电动汽车对应的决策树模型。
进一步地,增益率子模块包括:
采用单元,用于采用目标电车充电历史数据构建样本数据集;
代入单元,用于将样本数据集对应的样本数量和各目标电车充电历史数据代入预设第一公式进行运算,确定样本信息熵;
属性单元,用于获取样本数据集对应的多个样本属性,并采用各样本属性对应的多个样本属性值和样本属性值数量,分别计算各样本属性对应的属性信息熵;
差值单元,用于分别计算样本信息熵和各属性信息熵的差值,确定各样本属性对应的样本属性信息增益;
比值单元,用于分别计算各样本属性信息增益与对应的属性信息熵的比值,确定各样本属性对应的初始信息增益率。
进一步地,模型子模块包括:
信息单元,用于将各目标信息增益率对应的样本属性作为初始决策样本属性;
根节点单元,用于选取最大的目标信息增益率对应的初始决策样本属性作为电动汽车对应的决策树模型根节点;
按照单元,用于按照初始决策样本属性对应的目标信息增益率从高到低选取电动汽车对应的目标决策样本属性;
节点单元,用于将目标决策样本属性作为电动汽车对应的树枝节点;
决策属性单元,用于基于决策树模型根节点和树枝节点,确定决策属性;
决策树模型单元,用于基于预设决策树模型高度,采用决策树模型根节点、树枝节点和决策属性,构建电动汽车对应的决策树模型。
进一步地,预设第一公式具体为:
式中,L(m)为样本信息熵;ai为第i个目标电车充电历史数据;m为样本数量;
属性信息熵的计算公式为:
式中,L(Si)为属性信息熵;Si为第i个样本属性;q为样本属性值数量;si为第i个样本属性值。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置、模块,子模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例还提供了一种电子设备,设备包括处理器以及存储器:
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行本发明上述实施例的电动汽车充电调度方法。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行本发明上述实施例的电动汽车充电调度方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述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。
另外,在本发明各个实施例中的各功能单元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。
所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或者该技术方案的全部或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中,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电动汽车充电调度方法,其特征在于,包括:
获取电动汽车对应的多个初始电车充电历史数据,所述初始电车充电历史数据包括初始电车充电量与初始行驶里程数据;
对全部所述初始电车充电历史数据进行筛选,确定多个目标电车充电历史数据;
基于预设决策树模型高度,采用所述目标电车充电历史数据构建所述电动汽车对应的决策树模型;
通过预设弹性充电模型对所述电动汽车的实时电车电池数据、实时充电站位置信息和行程数据进行电量计算,生成所述电动汽车对应的充电量;
基于所述决策树模型和所述充电量,确定所述电动汽车对应的充电调度方案。
2.根据权利要求1所述的电动汽车充电调度方法,其特征在于,所述预设弹性充电模型具体为:
式中,q1为充电量中的第一充电量;s为行程数据中的第一行程里程;j为意外情况产生额外消耗电量的里程;y为实时充电站位置信息;m为单位里程消耗的电量;soc为实时电车电池数据中的荷电状态;c为实时电车电池数据中的电池容量;q2为充电量中的第二充电量;r为行程数据中的第二行程里程。
3.根据权利要求1所述的电动汽车充电调度方法,其特征在于,所述基于预设决策树模型高度,采用所述目标电车充电历史数据构建所述电动汽车对应的决策树模型的步骤,包括:
基于所述目标电车充电历史数据,确定多个初始信息增益率;
对全部所述初始信息增益率进行均值运算,确定平均初始信息增益率;
将大于所述平均初始信息增益率的初始信息增益率作为目标信息增益率;
根据预设决策树模型高度和所述目标信息增益率构建所述电动汽车对应的决策树模型。
4.根据权利要求3所述的电动汽车充电调度方法,其特征在于,所述基于所述目标电车充电历史数据,确定多个初始信息增益率的步骤,包括:
采用所述目标电车充电历史数据构建样本数据集;
将所述样本数据集对应的样本数量和各所述目标电车充电历史数据代入预设第一公式进行运算,确定样本信息熵;
获取所述样本数据集对应的多个样本属性,并采用各所述样本属性对应的多个样本属性值和样本属性值数量,分别计算各所述样本属性对应的属性信息熵;
分别计算所述样本信息熵和各所述属性信息熵的差值,确定各所述样本属性对应的样本属性信息增益;
分别计算各所述样本属性信息增益与对应的属性信息熵的比值,确定各所述样本属性对应的初始信息增益率。
5.根据权利要求4所述的电动汽车充电调度方法,其特征在于,所述根据预设决策树模型高度和所述目标信息增益率构建所述电动汽车对应的决策树模型的步骤,包括:
将各所述目标信息增益率对应的样本属性作为初始决策样本属性;
选取最大的目标信息增益率对应的初始决策样本属性作为所述电动汽车对应的决策树模型根节点;
按照所述初始决策样本属性对应的目标信息增益率从高到低选取所述电动汽车对应的目标决策样本属性;
将所述目标决策样本属性作为所述电动汽车对应的树枝节点;
基于所述决策树模型根节点和所述树枝节点,确定决策属性;
基于预设决策树模型高度,采用所述决策树模型根节点、所述树枝节点和所述决策属性,构建所述电动汽车对应的决策树模型。
6.根据权利要求4所述的电动汽车充电调度方法,其特征在于,所述预设第一公式具体为:
式中,L(m)为样本信息熵;ai为第i个目标电车充电历史数据;m为样本数量;
所述属性信息熵的计算公式为:
式中,L(Si)为属性信息熵;Si为第i个样本属性;q为样本属性值数量;si为第i个样本属性值。
7.一种电动汽车充电调度装置,其特征在于,包括:
获取模块,用于获取电动汽车对应的多个初始电车充电历史数据,所述初始电车充电历史数据包括初始电车充电量与初始行驶里程数据;
确定模块,用于对全部所述初始电车充电历史数据进行筛选,确定多个目标电车充电历史数据;
构建模块,用于基于预设决策树模型高度,采用所述目标电车充电历史数据构建所述电动汽车对应的决策树模型;
计算模块,用于通过预设弹性充电模型对所述电动汽车的实时电车电池数据、实时充电站位置信息和行程数据进行电量计算,生成所述电动汽车对应的充电量;
调度模块,用于基于所述决策树模型和所述充电量,确定所述电动汽车对应的充电调度方案。
8.根据权利要求7所述的电动汽车充电调度装置,其特征在于,所述预设弹性充电模型具体为:
式中,q1为充电量中的第一充电量;s为行程数据中的第一行程里程;j为意外情况产生额外消耗电量的里程;y为实时充电站位置信息;m为单位里程消耗的电量;soc为实时电车电池数据中的荷电状态;c为实时电车电池数据中的电池容量;q2为充电量中的第二充电量;r为行程数据中的第二行程里程。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-6任一项所述的电动汽车充电调度方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求1-6任一项所述的电动汽车充电调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311327184.8A CN117382442A (zh) | 2023-10-13 | 2023-10-13 | 一种电动汽车充电调度方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311327184.8A CN117382442A (zh) | 2023-10-13 | 2023-10-13 | 一种电动汽车充电调度方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117382442A true CN117382442A (zh) | 2024-01-12 |
Family
ID=89438418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311327184.8A Pending CN117382442A (zh) | 2023-10-13 | 2023-10-13 | 一种电动汽车充电调度方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117382442A (zh) |
-
2023
- 2023-10-13 CN CN202311327184.8A patent/CN117382442A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | Optimal charging scheduling for large-scale EV (electric vehicle) deployment based on the interaction of the smart-grid and intelligent-transport systems | |
US11087422B2 (en) | Method and device for determining a configuration for deployment of a public transportation system | |
CN110880054B (zh) | 一种电动网约车充换电路径的规划方法 | |
CN109501630A (zh) | 一种电动汽车充电方案实时推荐方法及系统 | |
CN109177802B (zh) | 一种基于无线通信的电动汽车有序充电系统及其方法 | |
CN110751314B (zh) | 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法 | |
Taherzadeh et al. | A comprehensive study of the parameters impacting the fuel economy of plug-in hybrid electric vehicles | |
CN110189025B (zh) | 考虑不同负荷增长的电动汽车充电站规划方案获取方法 | |
CN111199320B (zh) | 基于出行概率矩阵的电动汽车充电负荷时空分布预测方法 | |
DE102013008716A1 (de) | Fahrzeug mit einem elektrischen Antrieb sowie Verfahren zum Betreiben eines solchen Fahrzeugs | |
CN110189182B (zh) | 一种基于车联网的里程焦虑管理方法 | |
Ruzmetov et al. | Towards an optimal assignment and scheduling for charging electric vehicles | |
CN111833205B (zh) | 一种大数据场景下的移动充电桩群体智能调度方法 | |
CN110293872A (zh) | 一种电动汽车智能充电导航系统及方法 | |
CN112149906B (zh) | 一种计及充电时间的电动车出行线路综合优化方法 | |
JP2022500307A (ja) | ハイブリッド自動車による燃料および電流の消費に対する管理設定値を計算する方法 | |
CN112550050B (zh) | 一种电动汽车充电方法和系统 | |
CN117522020A (zh) | 基于调度可行域边界辨识的电动汽车优化调度方法 | |
CN111244990B (zh) | 一种配电网v2g辅助服务日前调度方法 | |
CN117207819A (zh) | 一种基于混合线性整数规划模型的电动汽车充电引导方法及系统 | |
Sadhukhan et al. | Optimal placement of electric vehicle charging stations in a distribution network | |
CN116968767A (zh) | 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 | |
CN116542377A (zh) | 一种电动汽车充电站的规划方法 | |
CN117382442A (zh) | 一种电动汽车充电调度方法、装置、设备及介质 | |
CN114122466A (zh) | 燃料电池车电池优化管理方法、系统、设备及介质 |
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 |