CN117498325A - 一种新能源汽车用电量预测及充电资源调度优化方法 - Google Patents
一种新能源汽车用电量预测及充电资源调度优化方法 Download PDFInfo
- Publication number
- CN117498325A CN117498325A CN202311458801.8A CN202311458801A CN117498325A CN 117498325 A CN117498325 A CN 117498325A CN 202311458801 A CN202311458801 A CN 202311458801A CN 117498325 A CN117498325 A CN 117498325A
- Authority
- CN
- China
- Prior art keywords
- data
- route
- historical
- sub
- driving
- 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 46
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000005265 energy consumption Methods 0.000 claims description 35
- 230000007613 environmental effect Effects 0.000 claims description 25
- 230000003993 interaction Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000009194 climbing Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- B60L53/60—Monitoring or controlling charging stations
-
- 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
- B60L53/60—Monitoring or controlling charging stations
- B60L53/66—Data transfer between charging stations and 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
- H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/70—Interactions with external data bases, e.g. traffic centres
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/40—The network being an on-board power network, i.e. within a vehicle
- H02J2310/48—The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Business, Economics & Management (AREA)
- Radar, Positioning & Navigation (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Sustainable Development (AREA)
- General Health & Medical Sciences (AREA)
- Sustainable Energy (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
Abstract
本发明提出一种新能源汽车用电量预测及充电资源调度优化方法,包括:获取历史行驶路线数据和历史工作数据、历史驾驶员数据和历史环境数据;对历史行驶路线数据、历史工作数据、历史驾驶员数据和历史环境数据进行处理得到样本数据;利用样本数据对预设的第一模型进行训练得到电量预测模型;获取车辆的导航数据,从导航数据中获取路线数据;基于车辆的实时电量数据、路线数据和电量预测模型,得到车辆的电量需求;获取充电桩数据;根据电量需求和充电桩数据,生成充电资源调度方案。通过综合利用电量预测和充电资源调度优化方法,可以实现对新能源汽车的电量需求进行准确预测,并合理安排充电资源,提高充电效率,减少充电成本。
Description
技术领域
本发明涉及新能源技术领域,具体涉及一种新能源汽车用电量预测及充电资源调度优化方法。
背景技术
新能源汽车能耗研究一直是新能源汽车研究的热点,在不同的环境工况和使用工况条件下,新能源汽车能耗具有不同的表现,这也导致了新能源汽车的能耗预测极为困难,现有的新能源汽车用电量预测及充电资源调度优化方案不够完善,在智能化、灵活性、准确度等方面都存在不足。
发明内容
本发明正是基于上述问题,提出了一种新能源汽车用电量预测及充电资源调度优化方法,通过综合利用电量预测和充电资源调度优化方法,可以实现对新能源汽车的电量需求进行准确预测,并合理安排充电资源,提高充电效率,减少充电成本,从而推动新能源汽车的普及和发展。
有鉴于此,本发明的一方面提出了一种新能源汽车用电量预测及充电资源调度优化方法,包括:
获取第一车辆的多个第一历史行驶路线的第一历史行驶路线数据和所述第一历史行驶路线对应时段的第一历史工作数据、第一历史驾驶员数据和第一历史环境数据;
对所述第一历史行驶路线数据、所述第一历史工作数据、所述第一历史驾驶员数据和所述第一历史环境数据进行处理,得到第一样本数据;
利用所述第一样本数据对预设的第一模型进行训练,得到第一电量预测模型;
获取所述第一车辆的第一导航数据,并从所述第一导航数据中获取待行驶经过的第一路线的第一路线数据;
基于所述第一车辆的第一实时电量数据、所述第一路线数据和所述第一电量预测模型,得到所述第一车辆行驶经过所述第一路线的第一电量需求;
获取所述第一路线的第一预设范围内的第一充电桩数据;
根据所述第一电量需求和所述第一充电桩数据,生成充电资源调度方案。
可选地,所述对所述第一历史行驶路线数据、所述第一历史工作数据、所述第一历史驾驶员数据和所述第一历史环境数据进行处理,得到第一样本数据的步骤,包括:
从所述第一历史行驶路线数据、所述第一历史工作数据、所述第一历史驾驶员数据和所述第一历史环境数据中提取第一行驶特征数据;
根据所述第一行驶特征数据将所述第一历史行驶路线划分为多个第一历史行驶子路线;
对于各个所述第一历史行驶子路线,分别从所述第一历史行驶路线数据、所述第一历史工作数据、所述第一历史驾驶员数据和所述第一历史环境数据提取对应的第一子路线路段数据、第一子路线工作数据、第一子路线驾驶员数据和第一子路线环境数据作为所述第一样本数据。
可选地,所述对于各个所述第一历史行驶子路线,分别从所述第一历史行驶路线数据、所述第一历史工作数据、所述第一历史驾驶员数据和所述第一历史环境数据提取对应的第一子路线路段数据、第一子路线工作数据、第一子路线驾驶员数据和第一子路线环境数据作为所述第一样本数据的步骤,包括:
对于每条所述第一历史行驶子路线,识别出属于每条所述第一历史行驶子路线的第一时间标识信息和第一位置坐标信息;
根据所述第一时间标识信息和所述第一位置坐标信息,从所述第一历史行驶路线数据中提取出属于对应的所述第一历史行驶子路线的路段数据作为所述第一子路线路段数据;
从所述第一历史工作数据中,提取出对应所述第一历史行驶子路线的行驶时段期间的车辆工作参数作为所述第一子路线工作数据;
从所述第一历史驾驶员数据中,提取出对应所述第一历史行驶子路线的驾驶员操作数据作为所述第一子路线驾驶员数据;
从所述第一历史环境数据中,提取出对应所述第一历史行驶子路线行驶期间的环境参数数据作为所述第一子路线环境数据;
对于每条所述第一历史行驶子路线,将其对应的所述第一子路线路段数据、所述第一子路线工作数据、所述第一子路线驾驶员数据和所述第一子路线环境数据关联合并,构成对应每条所述第一历史行驶子路线的所述第一样本数据。
可选地,所述从所述第一历史行驶路线数据、所述第一历史工作数据、所述第一历史驾驶员数据和所述第一历史环境数据中提取第一行驶特征数据的步骤,包括:
从所述第一历史行驶路线数据中提取出第一行驶时段特征、第一行驶地区特征、第一行驶路段特征;
从所述第一历史工作数据中提取第一车辆工作特征;
从所述第一历史驾驶员数据中提取驾驶员的第一驾驶员特征;
从所述第一历史环境数据中提取第一行驶环境特征;
将所述第一行驶时段特征、所述第一行驶地区特征、所述第一行驶路段特征、所述第一车辆工作特征、所述第一驾驶员特征、所述第一行驶环境特征作为所述第一行驶特征数据。
可选地,所述根据所述第一行驶特征数据将所述第一历史行驶路线划分为多个第一历史行驶子路线的步骤,包括:
对所述第一历史行驶路线进行数据预处理,过滤噪声数据并平滑定位轨迹;
基于所述第一行驶时段特征将所述第一历史行驶路线划分为高峰时段子路线和非高峰时段子路线;
根据所述第一行驶地区特征将所述第一历史行驶路线划分为慢行子路线和快速平稳子路线;
根据所述第一行驶路段特征,识别出所述第一历史行驶路线中的颠簸路段子路线、爬坡路段子路线、转弯路段子路线;
根据所述第一行驶环境特征,识别出所述第一历史行驶路线中的环境影响能耗子路段、非环境影响能耗子路段;
根据所述第一历史行驶路线数据、所述第一历史工作数据和所述第一历史环境数据确定历史能耗数据,并结合所述历史能耗数据分别确定所述第一行驶时段特征、所述第一行驶地区特征、所述第一行驶路段特征、所述第一行驶环境特征在对所述第一车辆的能耗影响上的权重值;
根据所述权重值、各子路线对应的时间段、各子路线对应的实际路段长度,对所述高峰时段子路线、所述非高峰时段子路线、所述慢行子路线、所述快速平稳子路线、所述颠簸路段子路线、所述爬坡路段子路线、所述转弯路段子路线、所述环境影响能耗子路段、所述非环境影响能耗子路段进行选择、组合,得到多个所述第一历史行驶子路线。
可选地,所述利用所述第一样本数据对预设的第一模型进行训练,得到第一电量预测模型的步骤,包括:
将所述第一样本数据集划分为第一训练集和第一测试集;
使用所述第一训练集对第一模型进行训练,得到第一训练模型;
使用所述第一测试集对所述第一训练模型进行评估和验证来评估模型的性能和准确度得到第一评估结果;
根据所述第一评估结果,调整所述第一训练模型的参数、特征选择,得到所述第一电量预测模型。
可选地,所述基于所述第一车辆的第一实时电量数据、所述第一路线数据和所述第一电量预测模型,得到所述第一车辆行驶经过所述第一路线的第一电量需求的步骤,包括:
将所述第一路线数据进行处理和编码,转换成与所述第一电量预测模型输入格式一致的第一输入特征数据;
将所述第一实时电量数据和所述第一输入特征数据输入所述第一电量预测模型;
所述第一电量预测模型按时间顺序输出预测的电量需求曲线;
对输出的所述电量需求曲线进行分析,得到总体的所述第一电量需求。
可选地,所述根据所述第一电量需求和所述第一充电桩数据,生成充电资源调度方案的步骤,包括:
根据所述第一电量需求和所述第一充电桩数据确定充电资源调度的第一目标和识别充电资源调度问题的第一约束条件;
根据所述充电资源调度问题的特征,定义需要用到的第一变量和第一参数;
根据所述第一目标、所述第一约束条件、所述第一变量和所述第一参数,构建所述充电资源调度问题的第一目标函数;
利用数学优化方法进行求解,找到使所述第一目标函数最优的变量取值以得到充电资源的最优调度方案;
对求解的结果进行验证,通过对模型进行调优,优化模型的效果,进行参数的调整和模型的改进以得到所述充电资源调度方案。
可选地,所述根据所述第一电量需求和所述第一充电桩数据,生成充电资源调度方案的步骤之后,还包括:
确定符合第一预设条件的其他车辆;
根据所述第一车辆的属性数据及位置数据和所述其他车辆的属性数据及位置数据,确定符合所述第一车辆和所述其他车辆间的调度算法和通信协议用于车辆之间的信息交互、数据处理和协同决策;
所述第一车辆与所述其他车辆之间通过所述通信协议进行信息交互,得到第一交互数据;
从所述第一交互数据获取充电使用数据和所述其他车辆的充电计划;
根据所述充电使用数据和所述充电计划进行所述第一车辆的路径规划和充电调度的协同决策数据的确定;
根据所述协同决策数据,向所述其他车辆发送协同充电请求,并根据所述其他车辆反馈的协同充电请求回复数据制定共同充电策略;
根据所述共同充电策略对所述充电资源调度方案进行调整。
可选地,所述基于所述第一车辆的第一实时电量数据、所述第一路线数据和所述第一电量预测模型,得到所述第一车辆行驶经过所述第一路线的第一电量需求的步骤之后,还包括:
获取所述第一车辆的点云数据,并根据所述点云数据建立所述第一车辆的第一三维模型;
根据所述第一三维模型确定所述第一车辆的所有第一部件;
根据所述第一样本数据和所述历史能耗数据,建立每个所述第一部件对应的第一工作状态-耗电量模型;
获取所述第一车辆的所有所述第一部件的第一当前工作状态数据;
将所述第一当前工作状态数据输入所述第一工作状态-耗电量模型得到第一耗电参考数据;
根据所述第一耗电参考数据对所述第一电量需求进行修改。
采用本发明的技术方案,新能源汽车用电量预测及充电资源调度优化方法包括:获取第一车辆的多个第一历史行驶路线的第一历史行驶路线数据和所述第一历史行驶路线对应时段的第一历史工作数据、第一历史驾驶员数据和第一历史环境数据;对所述第一历史行驶路线数据、所述第一历史工作数据、所述第一历史驾驶员数据和所述第一历史环境数据进行处理,得到第一样本数据;利用所述第一样本数据对预设的第一模型进行训练,得到第一电量预测模型;获取所述第一车辆的第一导航数据,并从所述第一导航数据中获取待行驶经过的第一路线的第一路线数据;基于所述第一车辆的第一实时电量数据、所述第一路线数据和所述第一电量预测模型,得到所述第一车辆行驶经过所述第一路线的第一电量需求;获取所述第一路线的第一预设范围内的第一充电桩数据;根据所述第一电量需求和所述第一充电桩数据,生成充电资源调度方案。通过综合利用电量预测和充电资源调度优化方法,可以实现对新能源汽车的电量需求进行准确预测,并合理安排充电资源,提高充电效率,减少充电成本,从而推动新能源汽车的普及和发展。
附图说明
图1是本发明一个实施例提供的新能源汽车用电量预测及充电资源调度优化方法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
下面参照图1来描述根据本发明一些实施方式提供的一种新能源汽车用电量预测及充电资源调度优化方法。
如图1所示,本发明一个实施例提供一种新能源汽车用电量预测及充电资源调度优化方法,包括:
获取第一车辆的多个第一历史行驶路线的第一历史行驶路线数据和所述第一历史行驶路线对应时段的第一历史工作数据(例如历史电量数据、历史充电数据、历史使用情况、历史状态数据、历史路线数据、历史工作参数等)、第一历史驾驶员数据(如驾驶员的驾驶习惯、操作数据等)和第一历史环境数据(如天气、地形、海拔、温度、路况数据、交通状况数据、交通设施数据等);
对所述第一历史行驶路线数据、所述第一历史工作数据、所述第一历史驾驶员数据和所述第一历史环境数据进行处理(包括特征选择、特征提取和特征变换等,可以根据领域知识和实际需求选择合适的特征,并进行数据清洗、归一化等处理),得到第一样本数据;
利用所述第一样本数据对预设的第一模型进行训练,得到第一电量预测模型;
获取所述第一车辆的第一导航数据,并从所述第一导航数据中获取待行驶经过的第一路线的第一路线数据(如获取第一车辆的第一导航数据中的当前导航路径规划数据,解析出完整的第一路线数据,包括该路线的所有路段及其属性,如长度、限速、地形等);
基于所述第一车辆的第一实时电量数据、所述第一路线数据和所述第一电量预测模型,得到所述第一车辆行驶经过所述第一路线的第一电量需求;
获取所述第一路线的第一预设范围内(即以第一路线上的地点为中心的第一预设范围内)的第一充电桩数据;
根据所述第一电量需求和所述第一充电桩数据,生成充电资源调度方案(考虑多种因素,如充电桩能力、车辆到达充电桩的时间、充电费用、车辆当前电量、车辆用电需求等,生成充电资源调度方案)。
本实施例中,通过综合利用电量预测和充电资源调度优化方法,可以实现对新能源汽车的电量需求进行准确预测,并合理安排充电资源,提高充电效率,减少充电成本,从而推动新能源汽车的普及和发展。
在本发明一些可能的实施方式中,所述对所述第一历史行驶路线数据、所述第一历史工作数据、所述第一历史驾驶员数据和所述第一历史环境数据进行处理,得到第一样本数据的步骤,包括:
从所述第一历史行驶路线数据、所述第一历史工作数据、所述第一历史驾驶员数据和所述第一历史环境数据中提取第一行驶特征数据;
根据所述第一行驶特征数据将所述第一历史行驶路线划分为多个第一历史行驶子路线;
对于各个所述第一历史行驶子路线,分别从所述第一历史行驶路线数据、所述第一历史工作数据、所述第一历史驾驶员数据和所述第一历史环境数据提取对应的第一子路线路段数据、第一子路线工作数据、第一子路线驾驶员数据和第一子路线环境数据作为所述第一样本数据。
在本发明一些可能的实施方式中,所述对于各个所述第一历史行驶子路线,分别从所述第一历史行驶路线数据、所述第一历史工作数据、所述第一历史驾驶员数据和所述第一历史环境数据提取对应的第一子路线路段数据、第一子路线工作数据、第一子路线驾驶员数据和第一子路线环境数据作为所述第一样本数据的步骤,包括:
对于每条所述第一历史行驶子路线,识别出属于每条所述第一历史行驶子路线的第一时间标识信息和第一位置坐标信息;
根据所述第一时间标识信息和所述第一位置坐标信息,从所述第一历史行驶路线数据中提取出属于对应的所述第一历史行驶子路线的路段数据(如路段坐标数据、路段地理形态数据等)作为所述第一子路线路段数据;
从所述第一历史工作数据中,提取出对应所述第一历史行驶子路线的行驶时段期间的车辆工作参数(如电量消耗、电机转速等数据)作为所述第一子路线工作数据;
从所述第一历史驾驶员数据中,提取出对应所述第一历史行驶子路线的驾驶员操作数据(如制动、转向、加速、变道、使用车载终端等数据)作为所述第一子路线驾驶员数据;
从所述第一历史环境数据中,提取出对应所述第一历史行驶子路线行驶期间的环境参数数据(如温度、气压、路面状态等)作为所述第一子路线环境数据。
对于每条所述第一历史行驶子路线,将其对应的所述第一子路线路段数据、所述第一子路线工作数据、所述第一子路线驾驶员数据和所述第一子路线环境数据关联合并,构成对应每条所述第一历史行驶子路线的所述第一样本数据。
在本实施例中,通过针对每条子路线提取定制化样本数据的过程,可以获得质量更高、针对性更强的训练数据,以建立精确的智能电量预测模型。
在本发明一些可能的实施方式中,所述从所述第一历史行驶路线数据、所述第一历史工作数据、所述第一历史驾驶员数据和所述第一历史环境数据中提取第一行驶特征数据的步骤,包括:
从所述第一历史行驶路线数据中提取出第一行驶时段特征(如行驶时间段的高峰或平稳时段)、第一行驶地区特征(如城市道路、郊区、高速公路等)、第一行驶路段特征(如路段的平整度、爬坡度、转弯度、速度限制等);
从所述第一历史工作数据中提取第一车辆工作特征(例如电池使用率、能耗参数、充电次数等);
从所述第一历史驾驶员数据中提取驾驶员的第一驾驶员特征(如年龄、性别、身体状况等基本特征,以及突发加速减速、平均车速等驾驶习惯特征,等等);
从所述第一历史环境数据中提取第一行驶环境特征(例如温度、气压、路面情况等对能耗的影响因素);
将所述第一行驶时段特征、所述第一行驶地区特征、所述第一行驶路段特征、所述第一车辆工作特征、所述第一驾驶员特征、所述第一行驶环境特征作为所述第一行驶特征数据。
在本实施例中,通过特征提取,并将上述提取的特征融合起来,构成第一行驶特征数据,作为建立智能电量预测和充电优化模型的关键输入特征之一,在提取这些特征数据时,可以采用各种数据挖掘与机器学习技术,例如聚类、关联规则等来自动归纳和提取特征。
在本发明一些可能的实施方式中,所述根据所述第一行驶特征数据将所述第一历史行驶路线划分为多个第一历史行驶子路线的步骤,包括:
对所述第一历史行驶路线进行数据预处理,过滤噪声数据并平滑定位轨迹;
基于所述第一行驶时段特征将所述第一历史行驶路线划分为高峰时段子路线(预设时间段内车流量大于第一预设流量)和非高峰时段子路线(预设时间段内车流量小于第二预设流量);
根据所述第一行驶地区特征将所述第一历史行驶路线划分为慢行子路线(平均速度不超过第一预设速度)和快速平稳子路线(平均速度超过第二预设速度);
根据所述第一行驶路段特征,识别出所述第一历史行驶路线中的颠簸路段子路线(平整度小于预设值)、爬坡路段子路线(坡度大于预设坡度)、转弯路段子路线(路线弧度大于预设弧度);
根据所述第一行驶环境特征,识别出所述第一历史行驶路线中的环境影响能耗子路段(比如人流量、能见度、风阻等环境因素加大能耗的影响值超过第一预设值的子路段)、非环境影响能耗子路段(环境因素不加大能耗或者环境加大能耗的影响值小于第二预设值的子路段);
根据所述第一历史行驶路线数据、所述第一历史工作数据和所述第一历史环境数据确定历史能耗数据,并结合所述历史能耗数据分别确定所述第一行驶时段特征、所述第一行驶地区特征、所述第一行驶路段特征、所述第一行驶环境特征在对所述第一车辆的能耗影响上的权重值;
根据所述权重值、各子路线对应的时间段、各子路线对应的实际路段长度,对所述高峰时段子路线、所述非高峰时段子路线、所述慢行子路线、所述快速平稳子路线、所述颠簸路段子路线、所述爬坡路段子路线、所述转弯路段子路线、所述环境影响能耗子路段、所述非环境影响能耗子路段进行选择、组合,得到多个所述第一历史行驶子路线(例如对于某一路段的全部或部分同时属于基于不同行驶特征划分的不同子路线时,根据所述权重值、此路段在不同划分情况下的实际长度,确定此路段为具体以何种行驶特征进行归类,如在划分后的高峰时段子路线、慢行子路线、颠簸路段子路线、环境影响能耗子路段中都包含了路段A的一部分,则根据高峰时段子路线、慢行子路线、颠簸路段子路线、环境影响能耗子路段分别对应的所述第一行驶时段特征、所述第一行驶地区特征、所述第一行驶路段特征、所述第一行驶环境特征在对所述第一车辆的能耗影响上的权重值以及路段A在高峰时段子路线、慢行子路线、颠簸路段子路线、环境影响能耗子路段中的实际长度,确定路段A是归类为高峰时段子路线、慢行子路线、颠簸路段子路线、环境影响能耗子路段的哪一种,如此,可以更精细化地进行子路线的划分,也能更精细化地进行电量使用预测)。
本实施例中,还可以包括:根据各个所述第一历史行驶子路线的行驶特征,建立每个所述第一历史行驶子路线的电力消耗模型,提高建模准确度。
在本实施例中,通过这种划分,可以得到具有相对均衡特征的子路线,从而可以更好地服务于电量预测以及后续的快速充电需求预测。
在本发明一些可能的实施方式中,所述利用所述第一样本数据对预设的第一模型进行训练,得到第一电量预测模型的步骤,包括:
将所述第一样本数据集划分为第一训练集和第一测试集(通常采用时间序列数据时,可以按照时间顺序进行划分,确保模型在未来预测时的准确性);
使用所述第一训练集对第一模型进行训练,得到第一训练模型(根据问题的特点,选择合适的机器学习算法,如线性回归、多项式回归、支持向量回归、随机森林、循环神经网络(RNN)、长短期记忆网络(LSTM)等。对于回归模型,可以将历史的电量数据作为输出变量,相关特征作为输入变量,通过训练建立一个预测模型。对于时间序列模型,可以利用过去的电量数据,考虑时间序列的特征和相关因素,并利用历史数据进行模型训练,进而预测未来的电量);
使用所述第一测试集对所述第一训练模型进行评估和验证(通过评估指标,如均方误差、均方根误差、决定系数等)来评估模型的性能和准确度得到第一评估结果;
根据所述第一评估结果,调整所述第一训练模型的参数、特征选择(以进一步提高预测效果),得到所述第一电量预测模型。
具体地,将所述第一样本数据按照时间顺序重构成输入序列(例如过去10分钟的路段、环境、驾驶员数据等)作为模型输入,对应时刻的电量消耗作为标签;构建第一模型的第一模型结构,输入层维度匹配所述第一样本数据的样本特征维度,输出电量预测值;遍历所有子路线的序列样本,以时间顺序分批输入模型进行训练,通过损失函数优化更新第一模型参数,得到第一训练模型;利用所述第一测试集测试和验证第一训练模型效果,调参优化直至获得满意的预测结果,得到在所述第一样本数据上训练得到的第一电量预测模型。
在本实施例中,该模型可以在新的子路线上进行电量预测,也可以持续使用新数据进行增量训练进一步优化。
在本发明一些可能的实施方式中,所述基于所述第一车辆的第一实时电量数据、所述第一路线数据和所述第一电量预测模型,得到所述第一车辆行驶经过所述第一路线的第一电量需求的步骤,包括:
将所述第一路线数据进行处理和编码,转换成与所述第一电量预测模型输入格式一致的第一输入特征数据;
将所述第一实时电量数据和所述第一输入特征数据输入所述第一电量预测模型;
所述第一电量预测模型按时间顺序输出预测的电量需求曲线;
对输出的所述电量需求曲线进行分析,得到总体的所述第一电量需求。
在本实施例中,通过将所述第一路线数据进行处理和编码,转换成与所述第一电量预测模型输入格式一致的第一输入特征数据以提高模型的处理效率;将所述第一实时电量数据和所述第一输入特征数据输入所述第一电量预测模型;所述第一电量预测模型按时间顺序输出预测的电量需求曲线(即完成该导航路线预计还需要的电量数值序列);对输出的所述电量需求曲线进行分析,可以准确地得到所述第一车辆行驶经过所述第一路线的总体的所述第一电量需求。
在本发明一些可能的实施方式中,所述根据所述第一电量需求和所述第一充电桩数据,生成充电资源调度方案的步骤,包括:
根据所述第一电量需求和所述第一充电桩数据确定充电资源调度的第一目标(例如最大化系统的充电效率、最小化充电桩使用率或充电时长等)和识别充电资源调度问题的第一约束条件(包括充电桩的数量、充电速度、车辆需求等);
根据所述充电资源调度问题的特征,定义需要用到的第一变量(常见的变量包括充电桩的分配情况、车辆的充电需求、充电桩的充电速度等)和第一参数(参数可以包括充电桩的数量、车辆到达充电桩的时间、充电桩的可用时段等);
根据所述第一目标、所述第一约束条件、所述第一变量和所述第一参数,构建所述充电资源调度问题的第一目标函数(可以采用线性规划、整数规划、动态规划等方法建立模型;以线性规划为例,可以将充电资源调度问题转化为线性目标函数和线性约束条件。目标函数可以是最小化总充电时间、最小化充电桩使用率等。约束条件可以包括充电桩的数量限制、车辆的充电需求满足等);
利用数学优化方法进行求解,找到使所述第一目标函数最优的变量取值以得到充电资源的最优调度方案;
对求解的结果进行验证,通过对模型进行调优,优化模型的效果,进行参数的调整和模型的改进以得到所述充电资源调度方案。
在本实施例中,充电资源调度问题的具体实现与问题的具体情况相关,通过结合具体约束条件、变量和参数可以灵活、高效且准确地解决充电资源调度问题。
在本发明一些可能的实施方式中,所述根据所述第一电量需求和所述第一充电桩数据,生成充电资源调度方案,具体可以是:
从所述第一充电桩数据中提取所述第一充电桩的实时数据(包括位置、连接标准、最大输出功率等参数以及当前可用状态和供电负荷等);
分析所述第一车辆的所述第一电量需求量和满足所述第一电量需求的第一充电位置范围,并确定第一候选充电站点;
在所述第一候选充电站点,根据充电桩的实时状态和负荷状况,计算每个充电桩的可用充电功率;
结合所述第一车辆的电池组参数、最大充电接受功率选择可匹配的候选充电桩;
计算第一车辆在每个候选充电桩的预计充电时间,优化选择总充电时间最短的第一充电方案;
考虑充电队列,对第一充电方案进行充电时间的动态调整,并将最终确定的第一充电站点、第一充电桩和第一充电时长作为充电资源调度方案,发送给第一车辆;
第一车辆接收充电资源调度方案后到达充电桩开始快速充电。
另外,在充电调度时,需要考虑多辆车的协同优化,以及与电网负荷的匹配。
在本发明一些可能的实施方式中,所述根据所述第一电量需求和所述第一充电桩数据,生成充电资源调度方案的步骤之后,还包括:
(所述第一车辆或服务器)确定符合第一预设条件(如预设位置范围内、连接到预设服务器、预设车辆类型等)的其他车辆;
根据所述第一车辆的属性数据及位置数据和所述其他车辆的属性数据及位置数据,确定符合所述第一车辆和所述其他车辆间的调度算法和通信协议用于车辆之间的信息交互、数据处理和协同决策(调度算法可以基于优化算法、博弈论等方法,根据实际情况设计合适的调度规则和策略);
所述第一车辆与所述其他车辆之间通过所述通信协议(如车联网技术、物联网技术等)进行信息交互,得到第一交互数据(包括车辆的当前电量、充电需求、位置、拟前往充电站点、拟充电时长等信息,这样可以实现车辆之间的信息共享和协调);
(所述第一车辆或所述其他车辆)从所述第一交互数据获取(或分享)充电使用数据和所述其他车辆的充电计划(如当某些充电桩空闲或使用率低时,可以将这些信息传递给其他车辆,使其可以选择合适的充电桩进行充电,避免充电桩资源的浪费;或者第一车辆可以获知哪些充电桩空闲或使用率低,选择合适的充电桩进行充电,避免充电桩资源的浪费和无必要的排队);
根据所述充电使用数据和所述充电计划进行所述第一车辆的路径规划和充电调度的协同决策数据的确定(如根据车辆的充电需求、当前电量、其他车辆的充电计划以及充电桩的使用情况,通过优化算法和协同策略,确定最优的充电路径和充电桩使用顺序,以最大化充电资源的利用效率);
根据所述协同决策数据,向所述其他车辆发送协同充电请求,并根据所述其他车辆反馈的协同充电请求回复数据制定共同充电策略(例如,车辆可以通过协商和协调,在充电桩上进行时间片段的共享充电,即车辆之间轮流使用同一充电桩进行充电,以减少充电桩的重复使用和排队等待时间,提高充电效率);
根据所述共同充电策略对所述充电资源调度方案进行调整。
在本实施例中,总体来说,实现车辆之间的协同充电需要依赖先进的车联网技术、通信技术以及优化算法。通过车辆之间的信息交互和协作,可以实现充电资源的合理分配和调度,提高充电资源的利用效率,满足车辆的充电需求。
在本发明一些可能的实施方式中,其特征在于,所述基于所述第一车辆的第一实时电量数据、所述第一路线数据和所述第一电量预测模型,得到所述第一车辆行驶经过所述第一路线的第一电量需求的步骤之后,还包括:
获取所述第一车辆的点云数据,并根据所述点云数据建立所述第一车辆的第一三维模型;
根据所述第一三维模型确定所述第一车辆的所有第一部件;
根据所述第一样本数据和所述历史能耗数据,建立每个所述第一部件对应的第一工作状态-耗电量模型(不同的部件采用的训练方法/模型不同);
获取所述第一车辆的所有所述第一部件的第一当前工作状态数据;
将所述第一当前工作状态数据输入所述第一工作状态-耗电量模型得到第一耗电参考数据;
根据所述第一耗电参考数据对所述第一电量需求进行修改。
在本实施例中,通过对第一车辆的每个部件建立第一工作状态-耗电量模型,可以进一步提高耗电量预测的精度,从而提高第一电量需求的准确性。
具体地,对所述第一子路线路段数据、所述第一子路线工作数据、所述第一子路线驾驶员数据和所述第一子路线环境数据进行分析,得到在不同路线、环境条件下,各个所述第一部件(如电机、电池、空调等)的第一实际能耗数据;提取影响能耗的第一能耗影响特征(如行驶速度、加速度、路面情况、空调使用、驾驶习惯等,这些特征即为模型的输入);使用机器学习算法(如线性回归、随机森林等)在收集到的所述第一样本数据和所述第一实际能耗数据上训练工作状态-耗电量模型(可以为每个部件单独训练或联合训练);使用测试数据评估工作状态-耗电量模型性能,确保其评估精度符合要求;进一步收集数据,增加样本量,并调整模型结构和参数,实现迭代优化,提高评估精度,得到所述第一工作状态-耗电量模型。
在本实施例中,通过这种数据驱动的方法,可以建立起反映实际情况的车辆部件能耗模型,并作为电量预测的基础。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
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的部分,可以参见其他实施例的相关描述。
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,可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,例如上述单元的划分,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,可以是电性或其它的形式。
上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,在本申请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。
上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器中。基于这样的理解,本申请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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,可轻易想到变化或替换,均可作各种更动与修改,包含上述不同功能、实施步骤的组合,包含软件和硬件的实施方式,均在本发明的保护范围。
Claims (10)
1.一种新能源汽车用电量预测及充电资源调度优化方法,其特征在于,包括:
获取第一车辆的多个第一历史行驶路线的第一历史行驶路线数据和所述第一历史行驶路线对应时段的第一历史工作数据、第一历史驾驶员数据和第一历史环境数据;
对所述第一历史行驶路线数据、所述第一历史工作数据、所述第一历史驾驶员数据和所述第一历史环境数据进行处理,得到第一样本数据;
利用所述第一样本数据对预设的第一模型进行训练,得到第一电量预测模型;
获取所述第一车辆的第一导航数据,并从所述第一导航数据中获取待行驶经过的第一路线的第一路线数据;
基于所述第一车辆的第一实时电量数据、所述第一路线数据和所述第一电量预测模型,得到所述第一车辆行驶经过所述第一路线的第一电量需求;
获取所述第一路线的第一预设范围内的第一充电桩数据;
根据所述第一电量需求和所述第一充电桩数据,生成充电资源调度方案。
2.根据权利要求1所述的新能源汽车用电量预测及充电资源调度优化方法,其特征在于,所述对所述第一历史行驶路线数据、所述第一历史工作数据、所述第一历史驾驶员数据和所述第一历史环境数据进行处理,得到第一样本数据的步骤,包括:
从所述第一历史行驶路线数据、所述第一历史工作数据、所述第一历史驾驶员数据和所述第一历史环境数据中提取第一行驶特征数据;
根据所述第一行驶特征数据将所述第一历史行驶路线划分为多个第一历史行驶子路线;
对于各个所述第一历史行驶子路线,分别从所述第一历史行驶路线数据、所述第一历史工作数据、所述第一历史驾驶员数据和所述第一历史环境数据提取对应的第一子路线路段数据、第一子路线工作数据、第一子路线驾驶员数据和第一子路线环境数据作为所述第一样本数据。
3.根据权利要求2所述的新能源汽车用电量预测及充电资源调度优化方法,其特征在于,所述对于各个所述第一历史行驶子路线,分别从所述第一历史行驶路线数据、所述第一历史工作数据、所述第一历史驾驶员数据和所述第一历史环境数据提取对应的第一子路线路段数据、第一子路线工作数据、第一子路线驾驶员数据和第一子路线环境数据作为所述第一样本数据的步骤,包括:
对于每条所述第一历史行驶子路线,识别出属于每条所述第一历史行驶子路线的第一时间标识信息和第一位置坐标信息;
根据所述第一时间标识信息和所述第一位置坐标信息,从所述第一历史行驶路线数据中提取出属于对应的所述第一历史行驶子路线的路段数据作为所述第一子路线路段数据;
从所述第一历史工作数据中,提取出对应所述第一历史行驶子路线的行驶时段期间的车辆工作参数作为所述第一子路线工作数据;
从所述第一历史驾驶员数据中,提取出对应所述第一历史行驶子路线的驾驶员操作数据作为所述第一子路线驾驶员数据;
从所述第一历史环境数据中,提取出对应所述第一历史行驶子路线行驶期间的环境参数数据作为所述第一子路线环境数据;
对于每条所述第一历史行驶子路线,将其对应的所述第一子路线路段数据、所述第一子路线工作数据、所述第一子路线驾驶员数据和所述第一子路线环境数据关联合并,构成对应每条所述第一历史行驶子路线的所述第一样本数据。
4.根据权利要求3所述的新能源汽车用电量预测及充电资源调度优化方法,其特征在于,所述从所述第一历史行驶路线数据、所述第一历史工作数据、所述第一历史驾驶员数据和所述第一历史环境数据中提取第一行驶特征数据的步骤,包括:
从所述第一历史行驶路线数据中提取出第一行驶时段特征、第一行驶地区特征、第一行驶路段特征;
从所述第一历史工作数据中提取第一车辆工作特征;
从所述第一历史驾驶员数据中提取驾驶员的第一驾驶员特征;
从所述第一历史环境数据中提取第一行驶环境特征;
将所述第一行驶时段特征、所述第一行驶地区特征、所述第一行驶路段特征、所述第一车辆工作特征、所述第一驾驶员特征、所述第一行驶环境特征作为所述第一行驶特征数据。
5.根据权利要求4所述的新能源汽车用电量预测及充电资源调度优化方法,其特征在于,所述根据所述第一行驶特征数据将所述第一历史行驶路线划分为多个第一历史行驶子路线的步骤,包括:
对所述第一历史行驶路线进行数据预处理,过滤噪声数据并平滑定位轨迹;
基于所述第一行驶时段特征将所述第一历史行驶路线划分为高峰时段子路线和非高峰时段子路线;
根据所述第一行驶地区特征将所述第一历史行驶路线划分为慢行子路线和快速平稳子路线;
根据所述第一行驶路段特征,识别出所述第一历史行驶路线中的颠簸路段子路线、爬坡路段子路线、转弯路段子路线;
根据所述第一行驶环境特征,识别出所述第一历史行驶路线中的环境影响能耗子路段、非环境影响能耗子路段;
根据所述第一历史行驶路线数据、所述第一历史工作数据和所述第一历史环境数据确定历史能耗数据,并结合所述历史能耗数据分别确定所述第一行驶时段特征、所述第一行驶地区特征、所述第一行驶路段特征、所述第一行驶环境特征在对所述第一车辆的能耗影响上的权重值;
根据所述权重值、各子路线对应的时间段、各子路线对应的实际路段长度,对所述高峰时段子路线、所述非高峰时段子路线、所述慢行子路线、所述快速平稳子路线、所述颠簸路段子路线、所述爬坡路段子路线、所述转弯路段子路线、所述环境影响能耗子路段、所述非环境影响能耗子路段进行选择、组合,得到多个所述第一历史行驶子路线。
6.根据权利要求5所述的新能源汽车用电量预测及充电资源调度优化方法,其特征在于,所述利用所述第一样本数据对预设的第一模型进行训练,得到第一电量预测模型的步骤,包括:
将所述第一样本数据集划分为第一训练集和第一测试集;
使用所述第一训练集对第一模型进行训练,得到第一训练模型;
使用所述第一测试集对所述第一训练模型进行评估和验证来评估模型的性能和准确度得到第一评估结果;
根据所述第一评估结果,调整所述第一训练模型的参数、特征选择,得到所述第一电量预测模型。
7.根据权利要求6所述的新能源汽车用电量预测及充电资源调度优化方法,其特征在于,所述基于所述第一车辆的第一实时电量数据、所述第一路线数据和所述第一电量预测模型,得到所述第一车辆行驶经过所述第一路线的第一电量需求的步骤,包括:
将所述第一路线数据进行处理和编码,转换成与所述第一电量预测模型输入格式一致的第一输入特征数据;
将所述第一实时电量数据和所述第一输入特征数据输入所述第一电量预测模型;
所述第一电量预测模型按时间顺序输出预测的电量需求曲线;
对输出的所述电量需求曲线进行分析,得到总体的所述第一电量需求。
8.根据权利要求7所述的新能源汽车用电量预测及充电资源调度优化方法,其特征在于,所述根据所述第一电量需求和所述第一充电桩数据,生成充电资源调度方案的步骤,包括:
根据所述第一电量需求和所述第一充电桩数据确定充电资源调度的第一目标和识别充电资源调度问题的第一约束条件;
根据所述充电资源调度问题的特征,定义需要用到的第一变量和第一参数;
根据所述第一目标、所述第一约束条件、所述第一变量和所述第一参数,构建所述充电资源调度问题的第一目标函数;
利用数学优化方法进行求解,找到使所述第一目标函数最优的变量取值以得到充电资源的最优调度方案;
对求解的结果进行验证,通过对模型进行调优,优化模型的效果,进行参数的调整和模型的改进以得到所述充电资源调度方案。
9.根据权利要求8所述的新能源汽车用电量预测及充电资源调度优化方法,其特征在于,所述根据所述第一电量需求和所述第一充电桩数据,生成充电资源调度方案的步骤之后,还包括:
确定符合第一预设条件的其他车辆;
根据所述第一车辆的属性数据及位置数据和所述其他车辆的属性数据及位置数据,确定符合所述第一车辆和所述其他车辆间的调度算法和通信协议用于车辆之间的信息交互、数据处理和协同决策;
所述第一车辆与所述其他车辆之间通过所述通信协议进行信息交互,得到第一交互数据;
从所述第一交互数据获取充电使用数据和所述其他车辆的充电计划;
根据所述充电使用数据和所述充电计划进行所述第一车辆的路径规划和充电调度的协同决策数据的确定;
根据所述协同决策数据,向所述其他车辆发送协同充电请求,并根据所述其他车辆反馈的协同充电请求回复数据制定共同充电策略;
根据所述共同充电策略对所述充电资源调度方案进行调整。
10.根据权利要求9所述的新能源汽车用电量预测及充电资源调度优化方法,其特征在于,所述基于所述第一车辆的第一实时电量数据、所述第一路线数据和所述第一电量预测模型,得到所述第一车辆行驶经过所述第一路线的第一电量需求的步骤之后,还包括:
获取所述第一车辆的点云数据,并根据所述点云数据建立所述第一车辆的第一三维模型;
根据所述第一三维模型确定所述第一车辆的所有第一部件;
根据所述第一样本数据和所述历史能耗数据,建立每个所述第一部件对应的第一工作状态-耗电量模型;
获取所述第一车辆的所有所述第一部件的第一当前工作状态数据;
将所述第一当前工作状态数据输入所述第一工作状态-耗电量模型得到第一耗电参考数据;
根据所述第一耗电参考数据对所述第一电量需求进行修改。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311458801.8A CN117498325A (zh) | 2023-11-02 | 2023-11-02 | 一种新能源汽车用电量预测及充电资源调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311458801.8A CN117498325A (zh) | 2023-11-02 | 2023-11-02 | 一种新能源汽车用电量预测及充电资源调度优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117498325A true CN117498325A (zh) | 2024-02-02 |
Family
ID=89684296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311458801.8A Pending CN117498325A (zh) | 2023-11-02 | 2023-11-02 | 一种新能源汽车用电量预测及充电资源调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117498325A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118137625A (zh) * | 2024-05-08 | 2024-06-04 | 深圳市鸿锡科技有限公司 | 一种双向变频电流充电器的充电控制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222906A (zh) * | 2019-06-17 | 2019-09-10 | 北京嘀嘀无限科技发展有限公司 | 电动车能耗预测方法、计算机可读存储介质和电子设备 |
CN114692965A (zh) * | 2022-03-25 | 2022-07-01 | 国网湖北省电力有限公司电力科学研究院 | 基于数模混合驱动的电动汽车集群可调度潜力预测方法及装置 |
CN114757402A (zh) * | 2022-03-30 | 2022-07-15 | 国网电动汽车服务有限公司 | 一种电动汽车充电量需求预测方法及装置 |
CN116395069A (zh) * | 2023-04-10 | 2023-07-07 | 南通科技职业学院 | 电动车辆能量管理方法、装置、存储介质及电动车辆 |
WO2023130659A1 (zh) * | 2022-01-07 | 2023-07-13 | 宁德时代新能源科技股份有限公司 | 商用电动车辆能耗预测方法、装置和计算机设备 |
-
2023
- 2023-11-02 CN CN202311458801.8A patent/CN117498325A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222906A (zh) * | 2019-06-17 | 2019-09-10 | 北京嘀嘀无限科技发展有限公司 | 电动车能耗预测方法、计算机可读存储介质和电子设备 |
WO2023130659A1 (zh) * | 2022-01-07 | 2023-07-13 | 宁德时代新能源科技股份有限公司 | 商用电动车辆能耗预测方法、装置和计算机设备 |
CN114692965A (zh) * | 2022-03-25 | 2022-07-01 | 国网湖北省电力有限公司电力科学研究院 | 基于数模混合驱动的电动汽车集群可调度潜力预测方法及装置 |
CN114757402A (zh) * | 2022-03-30 | 2022-07-15 | 国网电动汽车服务有限公司 | 一种电动汽车充电量需求预测方法及装置 |
CN116395069A (zh) * | 2023-04-10 | 2023-07-07 | 南通科技职业学院 | 电动车辆能量管理方法、装置、存储介质及电动车辆 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118137625A (zh) * | 2024-05-08 | 2024-06-04 | 深圳市鸿锡科技有限公司 | 一种双向变频电流充电器的充电控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Driving conditions-driven energy management strategies for hybrid electric vehicles: A review | |
CN106904085B (zh) | 利用操作者排程数据的车辆电源管理 | |
CN111532166A (zh) | 一种电动汽车充电路径规划方法、装置、汽车及计算机存储介质 | |
US20230139003A1 (en) | Systems and methods for managing velocity profiles | |
CN107346460A (zh) | 基于智能网联系统下前车运行信息的未来工况预测方法 | |
CN104442825A (zh) | 一种电动汽车剩余行驶里程的预测方法和系统 | |
CN117498325A (zh) | 一种新能源汽车用电量预测及充电资源调度优化方法 | |
CN113415288B (zh) | 分段式纵向车速规划方法、装置、设备及存储介质 | |
Tu et al. | Real-time route recommendations for E-taxies leveraging GPS trajectories | |
CN116700296A (zh) | 基于深度学习的自主充电无人电动车智能规划方法及系统 | |
CN110379165A (zh) | 一种道路类型预测方法、装置、设备及存储介质 | |
CN114936666B (zh) | 基于车-站-平台系统的电动汽车充电导航方法及系统 | |
Zhai et al. | Agent–cellular automata model for the dynamic fluctuation of EV traffic and charging demands based on machine learning algorithm | |
CN113642768A (zh) | 一种基于工况重构的车辆行驶能耗预测方法 | |
Song et al. | A sumo framework for deep reinforcement learning experiments solving electric vehicle charging dispatching problem | |
Grubwinkler et al. | A modular and dynamic approach to predict the energy consumption of electric vehicles | |
Su et al. | Spatial-temporal distribution model of electric vehicle charging demand based on a dynamic evolution process | |
Ben Abbes et al. | Route planning for electric vehicles | |
Uribe et al. | Discrete event simulation for battery-swapping station sizing for hybrid and electric motorcycles | |
Davidov et al. | Impact of stochastic driving range on the optimal charging infrastructure expansion planning | |
Erdoğan et al. | Finding an energy efficient path for plug-in electric vehicles with speed optimization and travel time restrictions | |
CN115496277A (zh) | 一种基于改进猫群算法的移动补电装置调度方法及系统 | |
US11624625B2 (en) | System and method for evaluation of a route score for an electric vehicle and electric vehicle fleets | |
CN113222248B (zh) | 一种自动驾驶出租车充电桩选择方法 | |
Erduran et al. | Multi-agent learning for energy-aware placement of autonomous 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 |