CN117698452A - 一种车联网环境下电动汽车主动充电引导方法及相关装置 - Google Patents
一种车联网环境下电动汽车主动充电引导方法及相关装置 Download PDFInfo
- Publication number
- CN117698452A CN117698452A CN202410166528.XA CN202410166528A CN117698452A CN 117698452 A CN117698452 A CN 117698452A CN 202410166528 A CN202410166528 A CN 202410166528A CN 117698452 A CN117698452 A CN 117698452A
- Authority
- CN
- China
- Prior art keywords
- charging station
- electric vehicle
- charging
- arrival
- period
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000009826 distribution Methods 0.000 claims description 57
- 230000002093 peripheral effect Effects 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000006855 networking Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000012614 Monte-Carlo sampling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material 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
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种车联网环境下电动汽车主动充电引导方法及相关装置,本发明在考虑电动汽车到充电站的随机性和周边预设范围内交通状态的变化性的情况下预测充电等待时长,根据充电等待时长和到达时间进行充电引导,可有效缓解充电拥堵。
Description
技术领域
本发明涉及一种车联网环境下电动汽车主动充电引导方法及相关装置,属于电动汽车充电调度领域。
背景技术
随着电动汽车的增多,充电拥堵时常发生,即由于用户行为习惯、各类型电动汽车保有量的变化以及充电站选址等因素会导致电动汽车堆积在某一或某些特定的充电站,这会大大降低充电桩的利用率。目前,针对充电拥堵,缺乏有效的缓解方法。
发明内容
本发明提供了一种车联网环境下电动汽车主动充电引导方法及相关装置,解决了背景技术中披露的问题。
根据本公开的一个方面,提供一种车联网环境下电动汽车主动充电引导方法,包括:响应于接收到充电需求指令,获取当前位置到周边预设范围内备选充电站的路径及到达时间;获取到达时间所属的时段A,根据电动汽车到充电站的随机性和周边预设范围内交通状态的变化性,预测时段A内备选充电站的电动汽车到达量分布;根据时段A内备选充电站的电动汽车到达量分布、以及备选充电站的电动汽车历史充电时长分布,计算到达备选充电站后的充电等待时长;根据到达时间和充电等待时长,确定作为目的地的备选充电站;根据目的地对应的路径,进行充电引导。
在本公开的一些实施例中,获取当前位置到周边预设范围内备选充电站的路径及到达时间,包括:获取所属地区的道路数据;根据当前位置,确定周边预设范围内的备选充电站;规划当前位置到备选充电站的最优路径;根据最优路径和当前速度,计算到达备选充电站的到达时间。
在本公开的一些实施例中,获取到达时间所属的时段A,考虑电动汽车到充电站的随机性和周边预设范围内交通状态的变化性,预测时段A内备选充电站的电动汽车到达量分布,包括:获取到达时间所属的时段A,考虑电动汽车到充电站的随机性和周边预设范围内交通状态的变化性,预测时段A内备选充电站的电动汽车到达量;根据时段A内备选充电站的电动汽车到达量,计算时段A内备选充电站的电动汽车到达量分布。
在本公开的一些实施例中,根据电动汽车到充电站的随机性和周边预设范围内交通状态的变化性,预测时段A内备选充电站的电动汽车到达量,包括:将时段A的前L个时段A、前一日的时段A、前一类型日的时段A的特征作为输入,利用深度置信网络,预测时段A内备选充电站的电动汽车到达量;其中,特征包括气象信息、日类型和周边预设范围内的交通状态信息。
在本公开的一些实施例中,根据时段A内备选充电站的电动汽车到达量分布、以及备选充电站的电动汽车历史充电时长分布,计算到达备选充电站后的充电等待时长,包括:根据时段A内备选充电站的电动汽车到达量分布、以及备选充电站的电动汽车历史充电时长分布,利用预先构建的排队模型,获取到达备选充电站后的充电等待时长。
在本公开的一些实施例中,根据到达时间和充电等待时长,确定作为目的地的备选充电站,包括:计算到达时间和充电等待时长之和,若最短和值小于时间阈值,将最短和值对应的备选充电站作为目的地。
在本公开的一些实施例中,若最短和值不小于时间阈值,扩大周边预设范围,重新计算到达时间和充电等待时长,确定作为目的地的备选充电站。
根据本公开的另一个方面,提供一种车联网环境下电动汽车主动充电引导装置,包括:
规划模块,响应于接收到充电需求指令,获取当前位置到周边预设范围内备选充电站的路径及到达时间;
预测模块,获取到达时间所属的时段A,考虑电动汽车到充电站的随机性和周边预设范围内交通状态的变化性,预测时段A内备选充电站的电动汽车到达量分布;
等待时长模块,根据时段A内备选充电站的电动汽车到达量分布、以及备选充电站的电动汽车历史充电时长分布,计算到达备选充电站后的充电等待时长;
目的地确定模块,根据到达时间和充电等待时长,确定作为目的地的备选充电站;
引导模块,根据目的地对应的路径,进行充电引导。
根据本公开的另一个方面,提供一种计算机可读存储介质,计算机可读存储介质存储一个或多个程序,一个或多个程序包括指令,指令当由计算设备执行时,使得计算设备执行车联网环境下电动汽车主动充电引导方法。
根据本公开的另一个方面,提供一种计算机设备,包括一个或多个处理器、以及一个或多个存储器,一个或多个程序存储在所述一个或多个存储器中并被配置为由一个或多个处理器执行,一个或多个程序包括用于执行车联网环境下电动汽车主动充电引导方法的指令。
本发明所达到的有益效果:本发明在考虑电动汽车到充电站的随机性和周边预设范围内交通状态的变化性的情况下预测充电等待时长,根据充电等待时长和到达时间进行充电引导,可有效缓解充电拥堵。
附图说明
图1为车联网环境下电动汽车主动充电引导方法实施例的流程图;
图2为获取当前位置到周边预设范围内备选充电站的路径及到达时间的流程图;
图3为预测电动汽车到达量分布的流程图;
图4为充电时长统计分布分析图;
图5为车联网环境下电动汽车主动充电引导装置实施例的结构框图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例,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他实施例,都属于本公开保护的范围。
除非另外具有说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不做详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其他示例可以具有不同值。
应注意到:相似的符号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
为了缓解充电拥堵,本公开提出了一种车联网环境下电动汽车主动充电引导方法及相关装置,在考虑电动汽车到站的随机性和周边预设范围内交通状态的实时变化性预测充电等待时长,根据充电等待时长进行充电引导。
图1为本公开车联网环境下电动汽车主动充电引导方法一个实施例的示意图,图1的实施例可由电动汽车的控制器执行。
如图1所示,实施例的步骤1,响应于接收到充电需求指令,获取当前位置到周边预设范围内备选充电站的路径及到达时间。
需要说明的是,电动汽车的显示屏(触摸显示屏)上会实时显示电动汽车的当前电量,驾驶员根据需驾驶的里程以及剩余的电量,可手动触发充电需求指令,具体可以在显示屏点击引导按键,即向电动汽车控制器发出充电需求指令;当然也可以通过设置功能,通过显示屏设置一个电量阈值(这个电量阈值为不小于行驶3公里的电量),当剩余电量小于电量阈值时,在显示屏提示报警,弹出关闭和引导按键,点击关闭按键,则不发出充电需求指令,如果不做处理,预设时间(如1分钟)后,自动发出充电需求指令。
电动汽车控制器接收到充电需求指令后,会采用预存的路径规划算法,如最速下降法、部分贪婪算法、图论最短算法,遗传算法、元胞自动机、免疫算法、禁忌搜索、模拟退火、人工神经网络、蚁群算法、粒子群算法等,获取当前位置到周边预设范围内备选充电站的路径及到达时间;其中,当前位置为通过车载定位模块获得的车辆当前所处的位置,周边预设范围以当前位置为中心,初始时以3公里为半径,如果在3公里为半径的范围内没有充电站,则增加半径,即增加周边预设范围,如增加到4公里。
图2为获取当前位置到周边预设范围内备选充电站的路径及到达时间的一个实施例的流程图,过程可以包括:
1)获取所属地区的道路数据;其中,所属地区为当前出车辆所属区域,一般是所在的城市。
2)根据当前位置,确定周边预设范围内的备选充电站。
3)规划当前位置到备选充电站的最优路径。
4)根据最优路径和当前速度,计算到达备选充电站的到达时间。
上述实施例中可将最短路径、红绿灯最少或者最短行驶时间的路径作为最优路径,具体可驾驶员自行设定,如将最短路径作为最优路径,可直接采用迪杰斯特拉算法进行路径规划
上述实施例可在车载导航程序上直接进行改进,只需在原有的导航方法上增加确定备选充电站的步骤、以及将各备选充电站作为目的地的步骤,结合后续导航程序即可获得最优路径和到达时间,简单方便。
返回图1,实施例的步骤2,获取到达时间所属的时段A,根据电动汽车到充电站的随机性和周边预设范围内交通状态的变化性,预测时段A内备选充电站的电动汽车到达量分布。
需要说明的是,为了便于实现该引导方法,将一天分成若干个时段,或者将一个时间范围(如充电站开放时段)分成若干个时段,例如,到达时间为7点,那么可以将充电站开放时段6点到21点分成45段,即每20分钟一个时段。
在一些实施例中,见图3,预测电动汽车到达量分布的过程可以如下:
S1)获取到达时间所属的时段A,考虑电动汽车到充电站的随机性和周边预设范围内交通状态的变化性,预测时段A内备选充电站的电动汽车到达量;
S2)根据时段A内备选充电站的电动汽车到达量,计算时段A内备选充电站的电动汽车到达量分布。
在考虑电动汽车到充电站的随机性和周边预设范围内交通状态的变化性的情况下,进行电动汽车到达量分布的预测,可有效提高电动汽车充电短期预测的准确度,从而保证后续引导的准确性。
需要说明的是,在获取电动汽车到达量分布之前,需要预先根据历史数据进行到达量分布分析,以对某城市中心区域多个电动汽车充电站6:00-21:00的历史数据进行解析,以20min为单位统计到达车辆数(即到达量),每天每站共计45段数据,柯尔莫可洛夫-斯米洛夫检验确定数据是否服从泊松分布,用公式表示为:
P(X=k)=(λ k /k!)e -λ
式中,P代表概率分布,X=k代表时间X平均发送k次,k为大于等于0的整数,λ是单位时间内随机事件的平均发生次数,即车辆到达率,检验结果如表1,表明p值(柯尔莫可洛夫-斯米洛夫检验中的值)均大于0.05,不拒绝原假设,即可认为充电站到达车辆数服从泊松分布。
根据历史数据,在相同日类型下,电动汽车到达量的变化趋势相似,考虑到电动汽车用户充电的随机性和周边预设范围内交通状态的实时变化性,在一些实施例中,采用深度置信网络预测时段A内备选充电站的电动汽车到达量。
具体的选取气象信息、日类型和周边预设范围内的交通状态信息作为特征,并将这些特征做矢量化处理和归一化处理。在预测时,将时段A的前L个时段A、前一日的时段A、前一类型日(工作日/节假日)的时段A的特征输入深度置信网络,深度置信网络直接输出预测的时段A内备选充电站的电动汽车到达量;其中,L可取3。网络输入的数据明显具备时序相关性,并且间接反映了电动汽车到充电站的随机性和周边预设范围内交通状态的变化性,通过这些数据可获得更准确的预测结果。
需要说明的是,所选取的深度置信网络的输入层和输出层之间由多个受限玻尔兹曼机和一个全连接层堆叠而成,可分为无监督预训练和有监督微调两阶段。
在无监督预训练阶段,受限玻尔兹曼机采用最大似然估计的方式训练,期望获得最小能量,其参数优化目标函数可表示为:
;
式中,为受限玻尔兹曼机的能量函数,参数θ=(a,b,W),a为可视层权重,b为隐层权重,W为可视层与隐层间的连接权重矩阵,T为最大似然估计参数,/>为可视层,h为隐含层;利用对比散度算法求解最优参数。
在有监督微调阶段,基于交叉熵构建损失函数,并构建受限玻尔兹曼机的优化目标函数,可表示为:
;
式中,B为偏执,R()为避免过拟合而设置的正则项约束,λ、β为权重系数,loss()为交叉熵构造的损失函数,为第/>个样本对应的期望输出,/>为第/>个样本对应的实际输出,/>表示/>成立时为1,否则为0,N为样本数,K为车辆到达量的可能数;选用平均绝对误差百分比和均方根误差作为评价指标。
选取南京市中心区域城市路段进行实例分析,地图数据来源于开源平台OpenStreetMap,并通过开源地理信息系统进行处理,共有149个路口节点、233条道路,5个充电站节点。
采用充电站1于2021年5月-2022年2月的实际运行数据,以及期间的气象、类型日、交通数据,经矢量化和正则化处理后作为输入数据。将数据按0.8:0.2的比例划分为训练集和测试集,分别用深度置信网络模型、随机森林模型、支持向量机模型、决策树模型获取预测结果如表2所示。
结果表明,深度置信网络相比于其他三种算法,其平均绝对百分比误差和均方根误差均较低,且误差可接受,表明该算法可深入挖掘车辆到达量和输入特征间的关系,精度相对较高。
返回图1,实施例的步骤3,根据时段A内备选充电站的电动汽车到达量分布、以及备选充电站的电动汽车历史充电时长分布,计算到达备选充电站后的充电等待时长。
需要说明的是,备选充电站的电动汽车历史充电时长分布可预先分析获得,例如,可分析上述5个充电站相同观测时段内的电动汽车充电时长数据,分析结果如图4,从图中可知,充电时长近似服从于混合高斯分布,式中,T ch 为充电时长分布,n表示T ch 混合高斯分布可以拆分为n个一般高斯分布,a i 、/>、/>分布为混合高斯分布的权重、均值和方差,/>为标准高斯分布。
基于同一充电站同一时段的电动汽车充电时长历史数据,通过计算混合高斯模型的贝叶斯信息准则,并于其他模型进行比较,以此来评估模型的拟合优度,较低的贝叶斯信息准则值通常表示更好的模型,因此,选择贝叶斯信息准则值最小的模型,确定高斯分布的数量,对于每一个高斯分布组件,获取其权重a i 、均值和方差/>,得到充电站电动汽车充电时长分布,即根据历史数据(该充电站的历史充电时长),拟合出高斯分布。
在一些实施例中,可根据时段A内备选充电站的电动汽车到达量分布、以及备选充电站的电动汽车历史充电时长分布,利用预先构建的排队模型,获取到达备选充电站后的充电等待时长。
具体对于目标充电站,可先构建单队列排队模型(如M/G/k排队论模型),接着以网联获取的充电站充电桩实时信息初始化模型,通过深度置信网络获取当前时段的车辆到达率,将其带入前述泊松分布式,获得当前时段的电动汽车到达量分布,结合充电汽车充电时长分布,通过蒙特卡洛采样获取车辆到达后的电动汽车充电站平均等待时长。通过这种方式获取充电等待时长,更具通用性,且响应时间。
返回图1,实施例的步骤4,根据到达时间和充电等待时长,确定作为目的地的备选充电站。
在一些实施例中,可将到达时间和充电等待时长之和最短的作为目的地,具体如下:
计算到达时间和充电等待时长之和,若最短和值小于时间阈值,如1小时,将最短和值对应的备选充电站作为目的地。这种目的地选择,可以最大程度的缓解充电拥堵。
当然上述目的地的选择也可具有一定的主观性,即驾驶员根据自身的情况,在实施该方法之前,通过显示屏手动设置相应的选择规则,例如设置将充电等待时长最短的作为目的地,将到的时间最短的作为目的地等,但是这种设置无法最大程度缓解充电拥堵。
需要说明的是,如果最短和值不小于时间阈值,即超过1个小时,驾驶员有可能认为当前范围内没有使自己满意的充电站,因此可扩大周边预设范围,如将3公里为半径增加到4公里半径,重新计算到达时间和充电等待时长,确定作为目的地的备选充电站。
返回图1,实施例的步骤5,根据目的地对应的路径,进行充电引导,具体是通过目的地对应的路径,将电动汽车引导至相应的充电站。
本方法在考虑电动汽车到充电站的随机性和周边预设范围内交通状态的变化性的情况下预测充电等待时长,根据充电等待时长和到达时间进行充电引导,可有效缓解充电拥堵。
图5为本公开车联网环境下电动汽车主动充电引导装置一个实施例的示意图,图5的实施例可由电动汽车的控制器装载并执行。
如图5所示,本公开车联网环境下电动汽车主动充电引导装置包括规划模块、预测模块、等待时长模块、目的地确定模块和引导模块。
实施例的规划模块被配置为响应于接收到充电需求指令,获取当前位置到周边预设范围内备选充电站的路径及到达时间。
需要说明的是,该模块具体是一个软件的功能模块,在电动汽车控制器接收到充电需求指令后触发该功能模块,采用路径规划方法进行路径规划和到达时间计算。
实施例的预测模块被配置为获取到达时间所属的时段A,考虑电动汽车到充电站的随机性和周边预设范围内交通状态的变化性,预测时段A内备选充电站的电动汽车到达量分布。
需要说明的是,该模块具体是一个软件的功能模块,在执行完规划模块后触发该功能模块,可利用深度置信网络预测时段A内备选充电站的电动汽车到达量,从而进一步预测时段A内备选充电站的电动汽车到达量分布。
实施例的等待时长模块被配置为根据时段A内备选充电站的电动汽车到达量分布、以及备选充电站的电动汽车历史充电时长分布,计算到达备选充电站后的充电等待时长。
需要说明的是,该模块具体是一个软件的功能模块,在执行完预测模块后触发该功能模块,可通过蒙特卡洛采样获取到达备选充电站后的充电等待时长。
实施例的目的地确定模块被配置为根据到达时间和充电等待时长,确定作为目的地的备选充电站。
需要说明的是,该模块具体是一个软件的功能模块,在执行完等待时长模块后触发该功能模块,可计算到达时间和充电等待时长之和,在最短和值小于时间阈值的情况下,将最短和值对应的备选充电站作为目的地。
实施例的引导模块被配置为根据目的地对应的路径,进行充电引导。
上述装置在考虑电动汽车到充电站的随机性和周边预设范围内交通状态的变化性的情况下预测充电等待时长,根据充电等待时长和到达时间进行充电引导,可有效缓解充电拥堵。
基于相同的技术方案,本公开还涉及一种计算机可读存储介质,计算机可读存储介质存储一个或多个程序,一个或多个程序包括指令,指令当由计算设备执行时,使得计算设备执行车联网环境下电动汽车主动充电引导方法。
基于相同的技术方案,本公开还涉及一种计算机设备,包括一个或多个处理器、以及一个或多个存储器,一个或多个程序存储在所述一个或多个存储器中并被配置为由一个或多个处理器执行,一个或多个程序包括用于执行车联网环境下电动汽车主动充电引导方法的指令。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种车联网环境下电动汽车主动充电引导方法,其特征在于,包括:
响应于接收到充电需求指令,获取当前位置到周边预设范围内备选充电站的路径及到达时间;
获取到达时间所属的时段A,根据电动汽车到充电站的随机性和周边预设范围内交通状态的变化性,预测时段A内备选充电站的电动汽车到达量分布;
根据时段A内备选充电站的电动汽车到达量分布、以及备选充电站的电动汽车历史充电时长分布,计算到达备选充电站后的充电等待时长;
根据到达时间和充电等待时长,确定作为目的地的备选充电站;
根据目的地对应的路径,进行充电引导。
2.根据权利要求1所述的车联网环境下电动汽车主动充电引导方法,其特征在于,获取当前位置到周边预设范围内备选充电站的路径及到达时间,包括:
获取所属地区的道路数据;
根据当前位置,确定周边预设范围内的备选充电站;
规划当前位置到备选充电站的最优路径;
根据最优路径和当前速度,计算到达备选充电站的到达时间。
3.根据权利要求1所述的车联网环境下电动汽车主动充电引导方法,其特征在于,获取到达时间所属的时段A,考虑电动汽车到充电站的随机性和周边预设范围内交通状态的变化性,预测时段A内备选充电站的电动汽车到达量分布,包括:
获取到达时间所属的时段A,考虑电动汽车到充电站的随机性和周边预设范围内交通状态的变化性,预测时段A内备选充电站的电动汽车到达量;
根据时段A内备选充电站的电动汽车到达量,计算时段A内备选充电站的电动汽车到达量分布。
4.根据权利要求3所述的车联网环境下电动汽车主动充电引导方法,其特征在于,根据电动汽车到充电站的随机性和周边预设范围内交通状态的变化性,预测时段A内备选充电站的电动汽车到达量,包括:
将时段A的前L个时段A、前一日的时段A、前一类型日的时段A的特征作为输入,利用深度置信网络,预测时段A内备选充电站的电动汽车到达量;其中,特征包括气象信息、日类型和周边预设范围内的交通状态信息。
5.根据权利要求1所述的车联网环境下电动汽车主动充电引导方法,其特征在于,根据时段A内备选充电站的电动汽车到达量分布、以及备选充电站的电动汽车历史充电时长分布,计算到达备选充电站后的充电等待时长,包括:
根据时段A内备选充电站的电动汽车到达量分布、以及备选充电站的电动汽车历史充电时长分布,利用预先构建的排队模型,获取到达备选充电站后的充电等待时长。
6.根据权利要求1所述的车联网环境下电动汽车主动充电引导方法,其特征在于,根据到达时间和充电等待时长,确定作为目的地的备选充电站,包括:
计算到达时间和充电等待时长之和,若最短和值小于时间阈值,将最短和值对应的备选充电站作为目的地。
7.根据权利要求6所述的车联网环境下电动汽车主动充电引导方法,其特征在于,若最短和值不小于时间阈值,扩大周边预设范围,重新计算到达时间和充电等待时长,确定作为目的地的备选充电站。
8.一种车联网环境下电动汽车主动充电引导装置,其特征在于,包括:
规划模块,响应于接收到充电需求指令,获取当前位置到周边预设范围内备选充电站的路径及到达时间;
预测模块,获取到达时间所属的时段A,考虑电动汽车到充电站的随机性和周边预设范围内交通状态的变化性,预测时段A内备选充电站的电动汽车到达量分布;
等待时长模块,根据时段A内备选充电站的电动汽车到达量分布、以及备选充电站的电动汽车历史充电时长分布,计算到达备选充电站后的充电等待时长;
目的地确定模块,根据到达时间和充电等待时长,确定作为目的地的备选充电站;
引导模块,根据目的地对应的路径,进行充电引导。
9.一种计算机可读存储介质,其特征在于,计算机可读存储介质存储一个或多个程序,一个或多个程序包括指令,指令当由计算设备执行时,使得计算设备执行权利要求1~7任一方法。
10.一种计算机设备,其特征在于,包括:
一个或多个处理器、以及一个或多个存储器,一个或多个程序存储在一个或多个存储器中并被配置为由一个或多个处理器执行,一个或多个程序包括用于执行权利要求1~7任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166528.XA CN117698452B (zh) | 2024-02-06 | 2024-02-06 | 一种车联网环境下电动汽车主动充电引导方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166528.XA CN117698452B (zh) | 2024-02-06 | 2024-02-06 | 一种车联网环境下电动汽车主动充电引导方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117698452A true CN117698452A (zh) | 2024-03-15 |
CN117698452B CN117698452B (zh) | 2024-05-03 |
Family
ID=90148305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410166528.XA Active CN117698452B (zh) | 2024-02-06 | 2024-02-06 | 一种车联网环境下电动汽车主动充电引导方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117698452B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107139741A (zh) * | 2017-04-17 | 2017-09-08 | 东南大学 | 一种电动汽车充电引导方法 |
CN112465222A (zh) * | 2020-11-26 | 2021-03-09 | 浙江警察学院 | 一种基于充电站服务水平预测的最佳充电站选择方法 |
CN112990525A (zh) * | 2019-12-16 | 2021-06-18 | 大唐高鸿数据网络技术股份有限公司 | 电动汽车的控制方法、装置、网联汽车服务器及电动汽车 |
CN113505962A (zh) * | 2021-05-28 | 2021-10-15 | 暨南大学 | 一种考虑完整行程的电动汽车导航与充电预约方法 |
CN115900744A (zh) * | 2022-12-02 | 2023-04-04 | 浙江极氪智能科技有限公司 | 充电路径规划方法、装置和服务器 |
CN116957167A (zh) * | 2023-08-28 | 2023-10-27 | 西南大学 | 一种电动汽车充电桩充电时长预测方法和装置 |
-
2024
- 2024-02-06 CN CN202410166528.XA patent/CN117698452B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107139741A (zh) * | 2017-04-17 | 2017-09-08 | 东南大学 | 一种电动汽车充电引导方法 |
CN112990525A (zh) * | 2019-12-16 | 2021-06-18 | 大唐高鸿数据网络技术股份有限公司 | 电动汽车的控制方法、装置、网联汽车服务器及电动汽车 |
CN112465222A (zh) * | 2020-11-26 | 2021-03-09 | 浙江警察学院 | 一种基于充电站服务水平预测的最佳充电站选择方法 |
CN113505962A (zh) * | 2021-05-28 | 2021-10-15 | 暨南大学 | 一种考虑完整行程的电动汽车导航与充电预约方法 |
CN115900744A (zh) * | 2022-12-02 | 2023-04-04 | 浙江极氪智能科技有限公司 | 充电路径规划方法、装置和服务器 |
CN116957167A (zh) * | 2023-08-28 | 2023-10-27 | 西南大学 | 一种电动汽车充电桩充电时长预测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117698452B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105849998B (zh) | 电力需求预测装置及预测方法、供电系统及记录介质 | |
CN107111794B (zh) | 预测和利用地图服务中出行时间的可变性 | |
Choi et al. | Attention-based recurrent neural network for urban vehicle trajectory prediction | |
CN109919347B (zh) | 路况生成方法、相关装置和设备 | |
US20210188290A1 (en) | Driving model training method, driver identification method, apparatuses, device and medium | |
Tran et al. | DeepTRANS: a deep learning system for public bus travel time estimation using traffic forecasting | |
CN109377752A (zh) | 短时交通流变化预测方法、装置、计算机设备及存储介质 | |
CN109920248B (zh) | 一种基于gru神经网络的公交到站时间预测方法 | |
Vosooghi et al. | A critical analysis of travel demand estimation for new one-way carsharing systems | |
CN106063067A (zh) | 电力需求预测装置、供电系统、电力需求预测方法及程序 | |
CN112182430A (zh) | 一种地点推荐的方法、装置、电子设备及存储介质 | |
US8494999B2 (en) | Sensor based truth maintenance method and system | |
CN111651664B (zh) | 基于事故位置点的事故车辆定位方法、装置、存储介质及电子设备 | |
Murat et al. | Route choice modelling in urban transportation networks using fuzzy logic and logistic regression methods | |
Wepulanon et al. | A real-time bus arrival time information system using crowdsourced smartphone data: a novel framework and simulation experiments | |
Wu et al. | Data-driven inverse learning of passenger preferences in urban public transits | |
CN106569981B (zh) | 一种适用于大规模数据集的统计参量确定方法及系统 | |
Zheng et al. | Modeling taxi driver search behavior under uncertainty | |
Jiang et al. | Efficient and unbiased safety test for autonomous driving systems | |
CN117698452B (zh) | 一种车联网环境下电动汽车主动充电引导方法及相关装置 | |
CN112035536A (zh) | 一种考虑动态路网交通流的电动汽车能耗预测方法 | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
Arena et al. | How fast do we forget our past social interactions? Understanding memory retention with parametric decays in relational event models | |
CN112013860A (zh) | 一种安全出行路线规划、管理方法及装置 | |
Van Den Berghe | A processing architecture for real-time predictive smart city digital twins |
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 |