CN117952498A - 一种光伏运输车的配置方法、装置、设备及存储介质 - Google Patents

一种光伏运输车的配置方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117952498A
CN117952498A CN202410350088.3A CN202410350088A CN117952498A CN 117952498 A CN117952498 A CN 117952498A CN 202410350088 A CN202410350088 A CN 202410350088A CN 117952498 A CN117952498 A CN 117952498A
Authority
CN
China
Prior art keywords
photovoltaic
transportation
optimal
transport
transport vehicle
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
Application number
CN202410350088.3A
Other languages
English (en)
Other versions
CN117952498B (zh
Inventor
朱琳
曾强
杨忠洪
贾启彤
吴文韬
赵习
王鹏
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.)
Yunnan Power Investment Green Energy Technology Co ltd
Original Assignee
Yunnan Power Investment Green Energy 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 Yunnan Power Investment Green Energy Technology Co ltd filed Critical Yunnan Power Investment Green Energy Technology Co ltd
Priority to CN202410350088.3A priority Critical patent/CN117952498B/zh
Publication of CN117952498A publication Critical patent/CN117952498A/zh
Application granted granted Critical
Publication of CN117952498B publication Critical patent/CN117952498B/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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • 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
    • 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
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0833—Tracking
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种光伏运输车的配置方法、装置、设备及存储介质，涉及电数字数据处理技术领域。方法通过从最优运输路线、最优调度数量、可调度光伏运输车三个方面对光伏运输车进行配置，通过计算光伏运输车的最优路线、最优数量、可用电量来综合考虑光伏运输车是否可以胜任特定的运输任务以及需要多少光伏运输车来完成该运输任务，并同时为光伏运输车提供了最优路线，使得光伏运输车在开始运输任务之前就完成了所有任务要素的提前配置，保证了光伏运输车在运输任务途中出现电量不足、绕路、数量冗余、数量短缺的问题，保证了配置后的光伏运输车能够一次性完成运输任务，从而提高了运输效率。

Description

一种光伏运输车的配置方法、装置、设备及存储介质
技术领域
本申请涉及电数字数据处理技术领域，尤其涉及一种光伏运输车的配置方法、装置、设备及存储介质。
背景技术
光伏运输车是以新能源中的太阳能为储能和动力的运输机械，以太阳能为能量来源的运输机械从规格尺寸较小的AGV到小中型货车均已问世。同时该种光伏运输车以太阳能转化的电力来驱动，不会产生和排放废气，一种无污染的环保运输机械。光伏运输车以其无接触网、零二氧化碳、能源效率高、噪声低等特点受到了交通运输行业的广泛关注。
目前对于光伏运输车的研究还处于初期阶段，由于光伏转化效率较低、光伏随机性较高，使得光伏运输车还未完全普及，使得光伏运输车通常在相对固定、里程不长的场地及道路上使用，例如智能仓库的光伏AGV、短途运输的小中型光伏火车等。对于该种类型的光伏运输车的配置通常通过剩余电量预警的方式告知操作人员需要充电或者对于小型运输车（例如光伏AGV）则可自动前往固定充电地点（例如光照充足的室外或者光伏与外接充电头协同），使得光伏运输车的日常配置需要通过操作人员人工接收剩余电量预警，或者操作人员人工现场调度（现场核实每台光伏运输车的剩余电量，再根据运输里程进行经验判断），使得光伏运输车的配置具有较强的主观性，导致配置误差较大（例如光伏运输车数量冗余、数量短缺，某台或某几台光伏运输车的剩余电量其实不足以支撑至完成当前运输任务），从而影响运输效率。
发明内容
本申请的主要目的在于提供一种光伏运输车的配置方法、装置、设备及存储介质，以解决现有技术中光伏运输车的配置具有较强的主观性，导致配置误差较大，从而影响运输效率的问题。
为了实现上述目的，本申请提供了如下技术方案：
一种光伏运输车的配置方法，所述光伏运输车应用于预设区域内的供料场和受料场，所述配置方法包括：
获取并连接所述供料场与所述受料场之间的所有道路，形成运输备选路线集；
通过路径搜索算法获取所述运输备选路线集中的最优运输路线；
根据所述最优运输路线构建基于所述光伏运输车的运输成本模型，并求解所述运输成本模型得到所述光伏运输车的最优调度数量；
分别计算每个光伏运输车在最大负载状态时的可运输里程数；
获取所述可运输里程数大于所述最优运输路线预设倍数的光伏运输车，并标记为可调度光伏运输车；
发送所述最优运输路线、所述最优调度数量、所述可调度光伏运输车至外部接收端。
作为本申请的进一步改进，通过路径搜索算法获取所述运输备选路线集中的最优运输路线，包括：
获取所述预设区域的数字高程模型；
通过预设密度的栅格划分所述数字高程模型；
通过目标检测算法检测并获取具有所述运输备选路线集的栅格，并定义为运输备选栅格集；
将所述运输备选栅格集中的每个栅格分别定义为一个节点，并将所述供料场、所述受料场分别定义为起点、终点；
通过A-star算法计算所述起点至所述终点所需的最少栅格数量；
获取所述最少栅格数量所对应的栅格，并依次连接形成所述最优运输路线。
作为本申请的进一步改进，通过目标检测算法检测并获取具有所述运输备选路线集的栅格，并定义为运输备选栅格集，包括：
基于每个栅格的分别预测预设个数的一阶边界框，每个一阶边界框包括至少一个栅格；
定义所述道路具有最高的置信度；
分别获取每个一阶边界框的置信度；
在所有置信度中获取置信度最高的一阶边界框作为二阶边界框；
计算所述二阶边界框分别与一阶边界框的交并比；
保留交并比大于等于预设比例的二阶边界框，并作为三阶边界框；
保留置信度最高的三阶边界框；
获取所有三阶边界框的并集，所述并集即为所述运输备选栅格集。
作为本申请的进一步改进，通过A-star算法计算所述起点至所述终点所需的最少栅格数量，包括：
创建待检查栅格集；
将所述起点添加至所述待检查栅格集，并将所述起点的优先级设置为最高；
判断所述待检查栅格集是否为空；
若否，则从所述待检查栅格集中选取优先级最高的节点；
判断所述节点是否为所述终点；
若是，则自所述终点开始逐步追踪双亲节点，直至达到所述起点；
获取每一步追踪的双亲节点，即为所述最少栅格数量。
作为本申请的进一步改进，判断所述待检查栅格集是否为空，之后，包括：
若是，则遍历所述节点的所有邻近节点/>，并将所有邻近节点/>添加至所述待检查栅格集中；
获取所有邻近节点中优先级最高的邻近节点/>作为下一次遍历的双亲节点；
自当前的双亲节点开始逐步追踪下一次遍历的双亲节点，直至达到所述终点；
获取每一步追踪的双亲节点，即为所述最少栅格数量。
作为本申请的进一步改进，根据所述最优运输路线构建基于所述光伏运输车的运输成本模型，并求解所述运输成本模型得到所述光伏运输车的最优调度数量，包括：
根据式（1）定义所述运输成本模型：
（1）；
其中，为所述光伏运输车的用车成本函数，/>为所述最优调度数量，/>为启动成本，/>为所述光伏运输车的工作成本，/>为所述光伏运输车的闲置成本，/>为成本系数，/>为所述光伏运输车的编号，/>为所述预设时间段进行离散化处理后的时段数量，/>为所述预设时间段进行离散化处理后的时段编号，/>为编号/>的光伏运输车在离散化处理后的时段/>的工作状态，/>表示编号/>的光伏运输车处于闲置状态，/>表示编号/>的光伏运输车处于工作状态，/>为离散化处理的间距；/>为所述光伏运输车的时间窗不匹配惩罚成本模型，/>为时间窗不匹配惩罚系数，/>为所述受料场的数量，/>为所述受料场的编号，/>为在时段/>内受料场/>已接受的物料方量，/>为受料场/>在预设单位时间内的需求量，/>为时间窗不匹配惩罚增长指数；/>为所述光伏运输车的工期不匹配成本模型，/>为工期不匹配惩罚系数，/>为所述光伏运输车的实际运输工期，/>为所述光伏运输车的预定运输工期，/>为工期不匹配惩罚增长指数；/>为所述运输成本模型；
通过式（2）定义所述运输成本模型的目标函数：
（2）；
其中，为所述目标函数，/>为所述运输成本模型的最小值；
通过最小二乘法求解所述目标函数，得到与所述最小值所对应的即为所述最优调度数量。
作为本申请的进一步改进，获取所述可运输里程数大于所述最优运输路线预设倍数的光伏运输车，并标记为可调度光伏运输车，包括：
获取所述光伏运输车的光伏充电速率、最大负载用电速率、当前剩余电量、最大负载单位电量里程；
将所述最大负载用电速率的符号定义为负，并求和所述光伏充电速率、最大负载用电速率，得到当前充电速率；
判断所述当前充电速率的符号；
若所述当前充电速率的符号为正，则判定所述当前剩余电量不会被消耗，并将当前充电速率的符号为正的光伏运输车标记为所述可调度光伏运输车；
若所述当前充电速率的符号为负，则判定所述当前剩余电量会被消耗，获取当前充电速率与当前剩余电量的乘积，得到当前剩余电量的耗尽时长；
获取与最大负载用电速率相对应的输出车速；
获取所述输出车速与所述耗尽时长的乘积，得到所述可运输里程数；
判断所述可运输里程数与所述最优运输路线的里程比值是否大于所述预设倍数；
若是，则将大于所述预设倍数的光伏运输车标记为可调度光伏运输车。
为了实现上述目的，本申请还提供了如下技术方案：
一种光伏运输车的配置装置，所述配置装置应用于如上述的配置方法，所述配置装置包括：
运输备选路线集获取模块，用于获取并连接所述供料场与所述受料场之间的所有道路，形成运输备选路线集；
最优运输路线计算模块，用于通过路径搜索算法获取所述运输备选路线集中的最优运输路线；
最优调度数量求解模块，用于根据所述最优运输路线构建基于所述光伏运输车的运输成本模型，并求解所述运输成本模型得到所述光伏运输车的最优调度数量；
可运输里程数计算模块，用于分别计算每个光伏运输车在最大负载状态时的可运输里程数；
可调度光伏运输车标记模块，用于获取所述可运输里程数大于所述最优运输路线预设倍数的光伏运输车，并标记为可调度光伏运输车；
配置信息发送模块，用于发送所述最优运输路线、所述最优调度数量、所述可调度光伏运输车至外部接收端。
为了实现上述目的，本申请还提供了如下技术方案：
一种电子设备，包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现如上述的光伏运输车的配置方法。
为了实现上述目的，本申请还提供了如下技术方案：
一种存储介质，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现能够实现如上述的光伏运输车的配置方法。
本申请通过获取并连接供料场与受料场之间的所有道路，形成运输备选路线集；通过路径搜索算法获取运输备选路线集中的最优运输路线；根据最优运输路线构建基于光伏运输车的运输成本模型，并求解运输成本模型得到光伏运输车的最优调度数量；分别计算每个光伏运输车在最大负载状态时的可运输里程数；获取可运输里程数大于最优运输路线预设倍数的光伏运输车，并标记为可调度光伏运输车；发送最优运输路线、最优调度数量、可调度光伏运输车至外部接收端。本申请从最优运输路线、最优调度数量、可调度光伏运输车三个方面对光伏运输车进行配置，通过计算光伏运输车的最优路线、最优数量、可用电量来综合考虑光伏运输车是否可以胜任特定的运输任务以及需要多少光伏运输车来完成该运输任务，并同时为光伏运输车提供了最优路线，使得光伏运输车在开始运输任务之前就完成了所有任务要素的提前配置，保证了光伏运输车在运输任务途中出现电量不足、绕路、数量冗余、数量短缺的问题，保证了配置后的光伏运输车能够一次性完成运输任务，从而提高了运输效率。
附图说明
图1为本申请光伏运输车的配置方法一个实施例的步骤流程示意图；
图2为本申请光伏运输车的配置装置一个实施例的结构示意图；
图3为本申请电子设备一个实施例的结构示意图；
图4为本申请存储介质一个实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请中的术语“第一”“第二”“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”“第二”“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至 少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，若该特定姿态发生改变时，则该方向性指示也相应地随之改变。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它步骤或单元。
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，也不是与其他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他实施例相结合。
如图1所示，本实施例提供了光伏运输车的配置方法的一个实施例，该光伏运输车应用于预设区域内的供料场和受料场。
优选地，光伏运输车的运行模式为光伏板将太阳能转化为电能并将电能传输至储能电池中，储能电池再提供电力给电动机为运输车提供动力，通过储能电池的中转及存储，能够稳定电动机的输出功率，以消除光伏的随机性。
优选地，储能电池可设置为燃料电池与动力电池串联。其中，燃料电池与光伏板电性连接，用于直接存储光伏板转化的电能；动力电池与光伏运输车的电动机电性连接，并从燃料电池获取稳定的电能以稳定供给电动机。
优选地，为了合理地、高效地实现该种技术，可通过燃料电池通过单向DC/DC转换器与母线相连，动力电池则作为辅助能源直接与母线相连，两者共同或单独使驱动电机运转。动力电池与DC/AC转换器之间可以实现能量的双向流动，既可用于驱动电机工作又能用于回收运输车制动时的能量，并将能量储存至动力电池中，在运输车处于停车状态时，燃料电池能为动力电池进行充电。
优选地，控制部分先由电压电流传感器采集电压电流信号，传入信号采集与调整电路，调理后的信号送入TMS320F28335的DSP芯片进行处理，并完成过压过流保护及检测的工作。期间能量管理平台与各DSP芯片保持通信，通信协议采用R485协议，能量管理平台从各DSP芯片读取所需的电压电流信息，经平台内的能量管理算法运算后，将功率分配指令值送回各DSP芯片，再由DSP芯片将主电路的控制信号送给驱动电路，得到最终功率开关管MOSFET的驱动信号，以达到协调控制目的。
优选地，由于燃料电池的H2由扩散通道到达催化剂表层，H2分子在催化剂层分离为H+和e-，H+经过质子交换膜到达阴极与氧气结合形成H2O，电子经外电路到达正极，氢气和氧气在其对应的催化层表面发生反应需要一定的能量，称这部分能量的损失为活化损失，而且质子交换膜以及导体对质子和电子的传输具有一定的阻力，因此电堆产生的电压在电池内部还有部分欧姆损失，当燃料电池发出的功率比较大时，电流密度比较大，气体的浓度可能会低于反应所需要的浓度，此时燃料电池电压也将降低，这部分电压损失为浓差损失。基于上述损失，燃料电池的燃料转化率约为50%，在后续电量计算时可考虑该转化率以知晓燃料电池所需的电能以及光伏板所需的转化后的太阳能。
具体地，该配置方法包括如下步骤：
步骤S1，获取并连接供料场与受料场之间的所有道路，形成运输备选路线集。
优选地，供料场、道路、受料场的可视化样式类似于神经网络的神经元，供料场的个数类似于神经元的输入节点的个数，道路类似于输入节点、隐含层（本实施例未涉及）、输出节点的连接权重，受料场类似于神经元的输出节点的个数。
通俗理解为，运输备选路线集类似于具有至少一个入口、至少一个出口的迷宫，迷宫中的路径即为上述的道路。
步骤S2，通过路径搜索算法获取运输备选路线集中的最优运输路线。
优选地，本实施例的路径搜索算法可选择深度优先算法、广度优先算法、Dijstra最短路径、floyd最短路径、贪心算法、A*算法中的一个。
步骤S3，根据最优运输路线构建基于光伏运输车的运输成本模型，并求解运输成本模型得到光伏运输车的最优调度数量。
可以理解为，最优调度数量即为光伏运输车的最小调度数量，以防止冗余调度同时又避免短缺调度。
步骤S4，分别计算每个光伏运输车在最大负载状态时的可运输里程数。
优选地，在光伏运输车未满载时也可同样视为最大负载状态，以增加配置容错率。
步骤S5，获取可运输里程数大于最优运输路线预设倍数的光伏运输车，并标记为可调度光伏运输车。
优选地，本实施例中的预设倍数的设计意图是考虑到光伏随机性、运输任务容错率，防止运输任务中途没电、绕路等突发情况。
步骤S6，发送最优运输路线、最优调度数量、可调度光伏运输车至外部接收端。
优选地，外部接收端可直接根据得到的配置信息直接配置，不需要主观判断。
进一步地，步骤S2，通过路径搜索算法获取运输备选路线集中的最优运输路线，具体包括如下步骤：
步骤S21，获取预设区域的数字高程模型。
优选地，本实施例获取预设区域的数字高程模型的意图在于利用数字高程模型精度高、获取难度简单的特性，不需要人工现场测绘。DEM（数字高程模型）可直接从公开渠道（全国高精度5米-12米-30米DEM地形数据）获取。
优选地，在DEM加载到Global Mapper后，一般先需要对DEM进行裁剪，以提取预设区域的DEM。预设区域数据可以使用LSV（LocaSpaceViewer，三维数字地球软件，集成了Google Earth、天地图等影像和三维地形在线服务。底层开发技术采用C++、OpenGL。软件能够快速地浏览、测量、分析和标注三维地理信息数据和倾斜摄影实景数据。）进行输出，再保存为KML（KML文件是谷歌公司创建的一种地标性文件，用于记录某一地点，或连续地点的时间，经度，纬度，海拔等地理信息数据）后导入至Global Mapper内，也可以直接在GlobalMapper内输出该预设区域。
优选地，在上述的预设区域完成创建后，可通过Global Mapper的图层控制中心对DEM图层进行多边形裁剪。
优选地，在多边形裁剪完成后可直接使用Global Mapper的生成等高线功能（需要设定线距）即可。
优选地，最后还可对预设区域进行高斯投影，通过在Global Mapper中载入CGCS2000标准，再配置基准点即可。
步骤S22，通过预设密度的栅格划分数字高程模型。
优选地，本实施例通过栅格均匀分割数字高程模型，形成网格图，由于道路默认为平整、连续，所以可以忽略z轴高度。
步骤S23，通过目标检测算法检测并获取具有运输备选路线集的栅格，并定义为运输备选栅格集。
优选地，本实施例优选yolo算法检测并获取具有运输备选路线集的栅格，即通过yolo算法识别具有道路的栅格。
步骤S24，将运输备选栅格集中的每个栅格分别定义为一个节点，并将供料场、受料场分别定义为起点、终点。
步骤S25，通过A-star算法计算起点至终点所需的最少栅格数量。
优选地，步骤S25中的A-star算法即为上述的A*算法，该算法不需要遍历所有栅格，A*算法是一个“搜索算法”，实质上是广度优先搜索算法（BFS）的优化。从起点开始，首先遍历起点周围邻近的点，然后再遍历已经遍历过的点邻近的点，逐步的向外扩散，直到找到终点。A*算法的作用是“求解最短路径”，如在一张有障碍物的图上移动到目标点，以及八数码问题（从一个状态到另一个状态的最短途径）。A*算法的思路类似Dijkstra算法，采用贪心策略，即“若A到C的最短路径经过B，则A到B的那一段必须取最短”，找出起点到每个可能到达的点的最短路径并记录。A*算法与Dijkstra算法的不同之处在于，A*算法是启发式算法，该算法具有先验知识，如“朝着终点的方向走更可能走到”。A*算法不仅关注已走过的路径，还会对未走过的点或状态进行预测。因此A*算法相交与Dijkstra而言调整了进行BFS的顺序，少搜索了“不太可能经过的点”，更快地找到目标点的最短路径。
步骤S26，获取最少栅格数量所对应的栅格，并依次连接形成最优运输路线。
进一步地，步骤S23，通过目标检测算法检测并获取具有运输备选路线集的栅格，并定义为运输备选栅格集，具体包括如下步骤：
步骤S231，基于每个栅格的分别预测预设个数的一阶边界框，每个一阶边界框包括至少一个栅格。
优选地，可将上述网格图的尺寸调整为4480×4480，再将调整尺寸后的图片平均分为S×S(例如7×7)个栅格，则每个栅格的尺寸为640×640。
步骤S232，定义道路具有最高的置信度。
步骤S233，分别获取每个一阶边界框的置信度。
步骤S234，在所有置信度中获取置信度最高的一阶边界框作为二阶边界框。
步骤S235，计算二阶边界框分别与一阶边界框的交并比。
优选地，交并比为二阶边界框分别与每个一阶边界框的交集，除以二阶边界框分别与每个一阶边界框的并集，从而得到的比值。
步骤S236，保留交并比大于等于预设比例的二阶边界框，并作为三阶边界框。
步骤S237，保留置信度最高的三阶边界框。
步骤S238，获取所有三阶边界框的并集，并集即为运输备选栅格集。
优选地，每个栅格均用于预测个三阶边界框的坐标和宽高，以及每个三阶边界框的置信度，即每个栅格需要预测/>个值。
可以理解为，每个栅格需要预测个/>；其中，/>为三阶边界框的中心相对于栅格的偏移量，/>为三阶边界框相对于上述调整尺寸后的图片的比例，/>为栅格的置信度，取值为1或0。
优选地，置信度可理解为当前的栅格内是否存在目标以及三阶边界框的准确度。
举例说明：设一个调整尺寸后的图片中具有一个目标，且调整尺寸后的图片的宽高为则：
将该图片平均划分为7×7个栅格，则存在一个栅格位于目标的中心，则该栅格的坐标为，设目标的中心的坐标为/>，则可根据下式①计算出上述的偏移量：
①。
优选地，在实际检测中，如果预测的三阶边界框和实际边界框完美重叠，则交并比的值即为1。在实际应用过程中第一预设阈值的取值一般可设置为0.5以用来判断预测的边界框是否正确，且边界框越精确度与交并比呈正相关。
优选地，YOLO算法还需要对三阶边界框进行训练，以提高目标检测的准确性。
需要说明的是，三阶边界框的训练模型一般通过代码直接实现，例如：
“class Yolo(object):
def __init__(self, weights_file, verbose=True):
self.verbose = verbose
# detection params
self.S = 7# cell size
self.B = 2# boxes_per_cell
self.classes = [*]
self.C = len(self.classes) # number of classes
# offset for box center (top left point of each cell)
self.x_offset= np.transpose(np.reshape(np.array([np.arange(self.S)]*self.S*self.B),
[self.B, self.S, self.S]), [1, 2, 0])
self.y_offset = np.transpose(self.x_offset, [1, 0, 2])
self.threshold = 0.2# confidence scores threhold
self.iou_threshold = 0.4
#the maximum number of boxes to be selected by non max suppression
self.max_output_size = 10”。
其中，“*”需要识别的目标类别，此处可设置为“road”“way”“path”“route”中的一个，以识别道路。
下一步，通过预设的道路训练集对上述的训练模型进行训练，通过反向传播算法以第一预设次数迭代调整训练模型的权重和偏置，以使训练模型的损失函数的值减小。
优选地，损失函数如式②所示：
②。
其中，为第/>个栅格的/>个三阶边界框是否负责目标的指示函数，取值为1或0；/>、/>、/>、/>、/>分别对应第/>个/>预测值。
可以理解为，损失函数包括三阶边界框的坐标值偏差、置信度的偏差、预测概率的偏差(或者类别偏差)。
其中，为坐标值偏差中的三阶边界框中点损失，/>为坐标值偏差中的三阶边界框宽高损失，/>为置信度的偏差，/>为预测概率的偏差(或者类别偏差)。
需要说明的是，由于每个栅格不一定均包含有目标，若栅格中没有目标，则会导致的取值为0，使得后续反向传播算法中的梯度跨度过大，所以引入/>以控制三阶边界框预测位置的损失，以及引入/>控制单一栅格内不存在目标的损失。
进一步地，步骤S25，通过A-star算法计算起点至终点所需的最少栅格数量，具体包括如下步骤：
步骤S251，创建待检查栅格集。
步骤S252，将起点添加至待检查栅格集，并将起点的优先级设置为最高。
步骤S253，判断待检查栅格集是否为空。
步骤S254，若待检查栅格集不为空，则从待检查栅格集中选取优先级最高的节点。
步骤S255，判断节点是否为终点。
步骤S256，若节点是终点，则自终点开始逐步追踪双亲节点，直至达到起点。
步骤S257，获取每一步追踪的双亲节点，即为最少栅格数量。
优选地，优先级涉及A-star算法的启发函数：
③。
其中，为起点移动到指定栅格的移动代价，沿着到达该栅格而生成的路径，/>来源于已知栅格信息；/>为从指定的栅格移动到终点的估算成本，/>来源于对未知栅格信息的估计；/>为选择下一个将遍历节点的依据。
优选地，对于栅格形式的图，有以下这些启发函数可以使用：
如果图形中只允许朝上下左右四个方向移动，则可以使用曼哈顿距离，计算从当前栅格横向或纵向移动到达目标所经过的栅格数。
如果图形中允许朝八个方向移动，则可以使用对角距离。横纵移动和对角移动都是合法的。为提高效率，常取整数、/>（/>取整）作系数。
如果图形中允许朝任何方向移动，则可以使用欧几里得距离，即两点之间的直线距离。
进一步地，步骤S253，判断待检查栅格集是否为空，之后，还包括如下步骤：
步骤S2504，若待检查栅格集为空，则遍历节点的所有邻近节点/>，并将所有邻近节点/>添加至待检查栅格集中。
步骤S2505，获取所有邻近节点中优先级最高的邻近节点/>作为下一次遍历的双亲节点。
步骤S2506，自当前的双亲节点开始逐步追踪下一次遍历的双亲节点，直至达到终点。
步骤S2507，获取每一步追踪的双亲节点，即为最少栅格数量。
优选地，待检查栅格集即为open list。在实际应用过程中，A*算法通过以下步骤实现最短路径搜索：
（1）从起点开始，并把起点就加入一个用于存储栅格的open list中，目前openlist里只有一项，即起点，在后续搜索过程会逐步添加更多的栅格。open list里的栅格都是下一步可以到达的、作为备选的栅格，在最终最短路径中，open list中的栅格可能会是沿途经过的，也有可能不经过。即open list是一个待检查的栅格列表。
（2）查看与起点相邻的栅格，把其中可走的(walkable)或可到达的(reachable)栅格也加入open list中。把起点设置为这些栅格的双亲节点(parentnode或parentsquare)，在追踪路径时，这些双亲节点记录了从起点到该节点的最短路径上经过的最后一个节点。
（3）把起点从open list中移除，加入close list(封闭列表)中，close list中的每个栅格都是不再需要关注的。
（4）从open list中选择F值最小的栅格，重复步骤（2）至步骤（3）。
综上所述，通过反复遍历open list，选择F值最小的栅格，产生新的可供选择的栅格，直到找到终点所在栅格。
优选地，对于每个栅格的代价，则需要分别计算每个栅格的启发函数。的计算思路类似Dijkstra算法，采用贪心策略，即“若A到C的最短路径经过B，则A到B的那一段必须取最短”，找出起点到每个可能到达的点的最短路径并记录。若采用本实施例的/>、/>作为系数，则横向或纵向的移动代价为10，对角线的移动代价为14。
进一步地，步骤S3，根据最优运输路线构建基于光伏运输车的运输成本模型，并求解运输成本模型得到光伏运输车的最优调度数量，具体包括如下步骤：
步骤S31，根据式（1）定义运输成本模型：
（1）。
其中，为光伏运输车的用车成本函数，/>为最优调度数量，/>为启动成本，/>为光伏运输车的工作成本，/>为光伏运输车的闲置成本，/>为成本系数，/>为光伏运输车的编号，/>为预设时间段进行离散化处理后的时段数量，/>为预设时间段进行离散化处理后的时段编号，/>为编号/>的光伏运输车在离散化处理后的时段/>的工作状态，/>表示编号/>的光伏运输车处于闲置状态，/>表示编号/>的光伏运输车处于工作状态，/>为离散化处理的间距；/>为光伏运输车的时间窗不匹配惩罚成本模型，/>为时间窗不匹配惩罚系数，/>为受料场的数量，/>为受料场的编号，/>为在时段/>内受料场/>已接受的物料方量，/>为受料场/>在预设单位时间内的需求量，/>为时间窗不匹配惩罚增长指数；/>为光伏运输车的工期不匹配成本模型，/>为工期不匹配惩罚系数，/>为光伏运输车的实际运输工期，/>为光伏运输车的预定运输工期，/>为工期不匹配惩罚增长指数；/>为运输成本模型。
优选地，时间窗不匹配惩罚成本表征在离散化之后的预设时间段内，是否刚好按照受料场处于该时段需求量进行供给，若该时段内过量供给或供给不足，都将产生惩罚成本；工期不匹配成本表征实际运输工期与预设运输工期不匹配时产生的惩罚成本，当实际运输工期与预设运输工期不匹配时就产生的惩罚成本。
步骤S32，通过式（2）定义运输成本模型的目标函数：
（2）。
其中，为目标函数，/>为运输成本模型的最小值。
步骤S33，通过最小二乘法求解目标函数，得到与最小值所对应的即为最优调度数量。
优选地，本实施例还可通过在MATLAB中，通过Simulink工具箱来进行动态仿真，在MATLAB环境下建立动态系统模型，并进行仿真和分析的过程。且MATLAB动态仿真已为成熟的现有技术，可直接将本实施例中的各个模型以及目标函数直接导入Simulink工具箱进行动态仿真，本实施例不再赘述导入过程。
进一步地，步骤S5，获取可运输里程数大于最优运输路线预设倍数的光伏运输车，并标记为可调度光伏运输车，具体包括如下步骤：
步骤S51，获取光伏运输车的光伏充电速率、最大负载用电速率、当前剩余电量、最大负载单位电量里程。
步骤S52，将最大负载用电速率的符号定义为负，并求和光伏充电速率、最大负载用电速率，得到当前充电速率。
步骤S53，判断当前充电速率的符号。
步骤S54，若当前充电速率的符号为正，则判定当前剩余电量不会被消耗，并将当前充电速率的符号为正的光伏运输车标记为可调度光伏运输车。
步骤S55，若当前充电速率的符号为负，则判定当前剩余电量会被消耗，获取当前充电速率与当前剩余电量的乘积，得到当前剩余电量的耗尽时长。
步骤S56，获取与最大负载用电速率相对应的输出车速。
步骤S57，获取输出车速与耗尽时长的乘积，得到可运输里程数。
步骤S58，判断可运输里程数与最优运输路线的里程比值是否大于预设倍数。
步骤S59，若可运输里程数与最优运输路线的里程比值大于预设倍数，则将大于预设倍数的光伏运输车标记为可调度光伏运输车。
优选地，本实施例步骤S51至步骤S59的设计意图在于考虑到边充边消耗时的用电速度并非不充电直接消耗的用电速度。
本实施例通过获取并连接供料场与受料场之间的所有道路，形成运输备选路线集；通过路径搜索算法获取运输备选路线集中的最优运输路线；根据最优运输路线构建基于光伏运输车的运输成本模型，并求解运输成本模型得到光伏运输车的最优调度数量；分别计算每个光伏运输车在最大负载状态时的可运输里程数；获取可运输里程数大于最优运输路线预设倍数的光伏运输车，并标记为可调度光伏运输车；发送最优运输路线、最优调度数量、可调度光伏运输车至外部接收端。本实施例从最优运输路线、最优调度数量、可调度光伏运输车三个方面对光伏运输车进行配置，通过计算光伏运输车的最优路线、最优数量、可用电量来综合考虑光伏运输车是否可以胜任特定的运输任务以及需要多少光伏运输车来完成该运输任务，并同时为光伏运输车提供了最优路线，使得光伏运输车在开始运输任务之前就完成了所有任务要素的提前配置，保证了光伏运输车在运输任务途中出现电量不足、绕路、数量冗余、数量短缺的问题，保证了配置后的光伏运输车能够一次性完成运输任务，从而提高了运输效率。
如图2所示，本实施例提供了光伏运输车的配置装置的一个实施例，在本实施例中，该配置装置应用于如上述实施例中的配置方法，该配置装置包括依次电性连接的运输备选路线集获取模块1、最优运输路线计算模块2、最优调度数量求解模块3、可运输里程数计算模块4、可调度光伏运输车标记模块5、配置信息发送模块6。
其中，运输备选路线集获取模块1用于获取并连接供料场与受料场之间的所有道路，形成运输备选路线集；最优运输路线计算模块2用于通过路径搜索算法获取运输备选路线集中的最优运输路线；最优调度数量求解模块3用于根据最优运输路线构建基于光伏运输车的运输成本模型，并求解运输成本模型得到光伏运输车的最优调度数量；可运输里程数计算模块4用于分别计算每个光伏运输车在最大负载状态时的可运输里程数；可调度光伏运输车标记模块5用于获取可运输里程数大于最优运输路线预设倍数的光伏运输车，并标记为可调度光伏运输车；配置信息发送模块6用于发送最优运输路线、最优调度数量、可调度光伏运输车至外部接收端。
进一步地，最优运输路线计算模块具体包括依次电性连接的第一最优运输路线计算子模块、第二最优运输路线计算子模块、第三最优运输路线计算子模块、第四最优运输路线计算子模块、第五最优运输路线计算子模块、第六最优运输路线计算子模块；第一最优运输路线计算子模块与运输备选路线集获取模块电性连接，第六最优运输路线计算子模块与最优调度数量求解模块电性连接。
其中，第一最优运输路线计算子模块用于获取预设区域的数字高程模型；第二最优运输路线计算子模块用于通过预设密度的栅格划分数字高程模型；第三最优运输路线计算子模块用于通过目标检测算法检测并获取具有运输备选路线集的栅格，并定义为运输备选栅格集；第四最优运输路线计算子模块用于将运输备选栅格集中的每个栅格分别定义为一个节点，并将供料场、受料场分别定义为起点、终点；第五最优运输路线计算子模块用于通过A-star算法计算起点至终点所需的最少栅格数量；第六最优运输路线计算子模块用于获取最少栅格数量所对应的栅格，并依次连接形成最优运输路线。
进一步地，第三最优运输路线计算子模块具体包括依次电性连接的第一最优运输路线计算单元、第二最优运输路线计算单元、第三最优运输路线计算单元、第四最优运输路线计算单元、第五最优运输路线计算单元、第六最优运输路线计算单元、第七最优运输路线计算单元、第八最优运输路线计算单元；第一最优运输路线计算单元与第二最优运输路线计算子模块电性连接，第八最优运输路线计算单元与第四最优运输路线计算子模块电性连接。
其中，第一最优运输路线计算单元用于基于每个栅格的分别预测预设个数的一阶边界框，每个一阶边界框包括至少一个栅格；第二最优运输路线计算单元用于定义道路具有最高的置信度；第三最优运输路线计算单元用于分别获取每个一阶边界框的置信度；第四最优运输路线计算单元用于在所有置信度中获取置信度最高的一阶边界框作为二阶边界框；第五最优运输路线计算单元用于计算二阶边界框分别与一阶边界框的交并比；第六最优运输路线计算单元用于保留交并比大于等于预设比例的二阶边界框，并作为三阶边界框；第七最优运输路线计算单元用于保留置信度最高的三阶边界框；第八最优运输路线计算单元用于获取所有三阶边界框的并集，并集即为运输备选栅格集。
进一步地，第五最优运输路线计算子模块具体包括依次电性连接的第一最优运输路线计算单元、第二最优运输路线计算单元、第三最优运输路线计算单元、第四最优运输路线计算单元、第五最优运输路线计算单元、第六最优运输路线计算单元、第七最优运输路线计算单元；第一最优运输路线计算单元与第四最优运输路线计算子模块电性连接，第七最优运输路线计算单元与第六最优运输路线计算子模块电性连接。
其中，第一最优运输路线计算单元用于创建待检查栅格集；第二最优运输路线计算单元用于将起点添加至待检查栅格集，并将起点的优先级设置为最高；第三最优运输路线计算单元用于判断待检查栅格集是否为空；第四最优运输路线计算单元用于若待检查栅格集不为空，则从待检查栅格集中选取优先级最高的节点；第五最优运输路线计算单元用于判断节点/>是否为终点；第六最优运输路线计算单元用于若节点/>是终点，则自终点开始逐步追踪双亲节点，直至达到起点；第七最优运输路线计算单元用于获取每一步追踪的双亲节点，即为最少栅格数量。
进一步地，第五最优运输路线计算子模块还包括依次电性连接的第八最优运输路线计算单元、第九最优运输路线计算单元、第十最优运输路线计算单元、第十一最优运输路线计算单元；第八最优运输路线计算单元与第三最优运输路线计算单元电性连接，第十一最优运输路线计算单元与第六最优运输路线计算子模块电性连接。
其中，第八最优运输路线计算单元用于若待检查栅格集为空，则遍历节点的所有邻近节点/>，并将所有邻近节点/>添加至待检查栅格集中；第九最优运输路线计算单元用于获取所有邻近节点/>中优先级最高的邻近节点/>作为下一次遍历的双亲节点；第十最优运输路线计算单元用于自当前的双亲节点开始逐步追踪下一次遍历的双亲节点，直至达到终点；第十一最优运输路线计算单元用于获取每一步追踪的双亲节点，即为最少栅格数量。
进一步地，最优调度数量求解模块具体包括依次电性连接的第一最优调度数量求解子模块、第二最优调度数量求解子模块、第三最优调度数量求解子模块；第一最优调度数量求解子模块与第六最优运输路线计算子模块电性连接，第三最优调度数量求解子模块与可运输里程数计算模块电性连接。
其中，第一最优调度数量求解子模块用于根据式（1）定义运输成本模型：
（1）。
其中，为光伏运输车的用车成本函数，/>为最优调度数量，/>为启动成本，/>为光伏运输车的工作成本，/>为光伏运输车的闲置成本，/>为成本系数，/>为光伏运输车的编号，/>为预设时间段进行离散化处理后的时段数量，/>为预设时间段进行离散化处理后的时段编号，/>为编号/>的光伏运输车在离散化处理后的时段/>的工作状态，/>表示编号/>的光伏运输车处于闲置状态，/>表示编号/>的光伏运输车处于工作状态，/>为离散化处理的间距；/>为光伏运输车的时间窗不匹配惩罚成本模型，/>为时间窗不匹配惩罚系数，/>为受料场的数量，/>为受料场的编号，/>为在时段/>内受料场/>已接受的物料方量，/>为受料场/>在预设单位时间内的需求量，/>为时间窗不匹配惩罚增长指数；/>为光伏运输车的工期不匹配成本模型，/>为工期不匹配惩罚系数，/>为光伏运输车的实际运输工期，/>为光伏运输车的预定运输工期，/>为工期不匹配惩罚增长指数；/>为运输成本模型。
第二最优调度数量求解子模块用于通过式（2）定义运输成本模型的目标函数：
（2）。
其中，为目标函数，/>为运输成本模型的最小值。
第三最优调度数量求解子模块用于通过最小二乘法求解目标函数，得到与最小值所对应的即为最优调度数量。
进一步地，可调度光伏运输车标记模块具体包括依次电性连接的第一可调度光伏运输车标记子模块、第二可调度光伏运输车标记子模块、第三可调度光伏运输车标记子模块、第四可调度光伏运输车标记子模块、第五可调度光伏运输车标记子模块、第六可调度光伏运输车标记子模块、第七可调度光伏运输车标记子模块、第八可调度光伏运输车标记子模块、第九可调度光伏运输车标记子模块；第一可调度光伏运输车标记子模块与可运输里程数计算模块电性连接，第九可调度光伏运输车标记子模块与配置信息发送模块电性连接。
其中，第一可调度光伏运输车标记子模块用于获取光伏运输车的光伏充电速率、最大负载用电速率、当前剩余电量、最大负载单位电量里程；第二可调度光伏运输车标记子模块用于将最大负载用电速率的符号定义为负，并求和光伏充电速率、最大负载用电速率，得到当前充电速率；第三可调度光伏运输车标记子模块用于判断当前充电速率的符号；第四可调度光伏运输车标记子模块用于若当前充电速率的符号为正，则判定当前剩余电量不会被消耗，并将当前充电速率的符号为正的光伏运输车标记为可调度光伏运输车；第五可调度光伏运输车标记子模块用于若当前充电速率的符号为负，则判定当前剩余电量会被消耗，获取当前充电速率与当前剩余电量的乘积，得到当前剩余电量的耗尽时长；第六可调度光伏运输车标记子模块用于获取与最大负载用电速率相对应的输出车速；第七可调度光伏运输车标记子模块用于获取输出车速与耗尽时长的乘积，得到可运输里程数；第八可调度光伏运输车标记子模块用于判断可运输里程数与最优运输路线的里程比值是否大于预设倍数；第九可调度光伏运输车标记子模块用于若可运输里程数与最优运输路线的里程比值大于预设倍数，则将大于预设倍数的光伏运输车标记为可调度光伏运输车。
需要说明的是，本实施例为基于上述方法实施例的功能模块实施例，本实施例的优选、拓展、举例等额外内容参见上述方法实施例即可，本实施例不再赘述。
本实施例通过获取并连接供料场与受料场之间的所有道路，形成运输备选路线集；通过路径搜索算法获取运输备选路线集中的最优运输路线；根据最优运输路线构建基于光伏运输车的运输成本模型，并求解运输成本模型得到光伏运输车的最优调度数量；分别计算每个光伏运输车在最大负载状态时的可运输里程数；获取可运输里程数大于最优运输路线预设倍数的光伏运输车，并标记为可调度光伏运输车；发送最优运输路线、最优调度数量、可调度光伏运输车至外部接收端。本实施例从最优运输路线、最优调度数量、可调度光伏运输车三个方面对光伏运输车进行配置，通过计算光伏运输车的最优路线、最优数量、可用电量来综合考虑光伏运输车是否可以胜任特定的运输任务以及需要多少光伏运输车来完成该运输任务，并同时为光伏运输车提供了最优路线，使得光伏运输车在开始运输任务之前就完成了所有任务要素的提前配置，保证了光伏运输车在运输任务途中出现电量不足、绕路、数量冗余、数量短缺的问题，保证了配置后的光伏运输车能够一次性完成运输任务，从而提高了运输效率。
图3是本申请一实施例的电子设备的结构示意图。如图3所示，该电子设备7包括处理器71及和处理器71耦接的存储器72。
存储器72存储有用于实现上述任一实施例的光伏运输车的配置方法的程序指令。
处理器71用于执行存储器72存储的程序指令以进行光伏运输车的配置。
其中，处理器71还可以称为CPU（Central Processing Unit，中央处理单元）。处理器71可能是一种集成电路芯片，具有信号的处理能力。处理器71还可以是通用处理器、数字信号处理器（DSP)、专用集成电路（ASIC)、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
进一步地，图4为本申请一实施例的存储介质的结构示意图，参见图4，本申请实施例的存储介质8存储有能够实现上述所有方法的程序指令81，其中，该程序指令81可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：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，或者是计算机、服务器、手机、平板等终端设备。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，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，机械或其他的形式。
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。以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所做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，均同理包括在本申请的专利保护范围。

Claims (10)

1.一种光伏运输车的配置方法，所述光伏运输车应用于预设区域内的供料场和受料场，其特征在于，所述配置方法包括：
获取并连接所述供料场与所述受料场之间的所有道路，形成运输备选路线集；
通过路径搜索算法获取所述运输备选路线集中的最优运输路线；
根据所述最优运输路线构建基于所述光伏运输车的运输成本模型，并求解所述运输成本模型得到所述光伏运输车的最优调度数量；
分别计算每个光伏运输车在最大负载状态时的可运输里程数；
获取所述可运输里程数大于所述最优运输路线预设倍数的光伏运输车，并标记为可调度光伏运输车；
发送所述最优运输路线、所述最优调度数量、所述可调度光伏运输车至外部接收端。
2.根据权利要求1所述的配置方法，其特征在于，通过路径搜索算法获取所述运输备选路线集中的最优运输路线，包括：
获取所述预设区域的数字高程模型；
通过预设密度的栅格划分所述数字高程模型；
通过目标检测算法检测并获取具有所述运输备选路线集的栅格，并定义为运输备选栅格集；
将所述运输备选栅格集中的每个栅格分别定义为一个节点，并将所述供料场、所述受料场分别定义为起点、终点；
通过A-star算法计算所述起点至所述终点所需的最少栅格数量；
获取所述最少栅格数量所对应的栅格，并依次连接形成所述最优运输路线。
3.根据权利要求2所述的配置方法，其特征在于，通过目标检测算法检测并获取具有所述运输备选路线集的栅格，并定义为运输备选栅格集，包括：
基于每个栅格的分别预测预设个数的一阶边界框，每个一阶边界框包括至少一个栅格；
定义所述道路具有最高的置信度；
分别获取每个一阶边界框的置信度；
在所有置信度中获取置信度最高的一阶边界框作为二阶边界框；
计算所述二阶边界框分别与一阶边界框的交并比；
保留交并比大于等于预设比例的二阶边界框，并作为三阶边界框；
保留置信度最高的三阶边界框；
获取所有三阶边界框的并集，所述并集即为所述运输备选栅格集。
4.根据权利要求2所述的配置方法，其特征在于，通过A-star算法计算所述起点至所述终点所需的最少栅格数量，包括：
创建待检查栅格集；
将所述起点添加至所述待检查栅格集，并将所述起点的优先级设置为最高；
判断所述待检查栅格集是否为空；
若否，则从所述待检查栅格集中选取优先级最高的节点；
判断所述节点是否为所述终点；
若是，则自所述终点开始逐步追踪双亲节点，直至达到所述起点；
获取每一步追踪的双亲节点，即为所述最少栅格数量。
5.根据权利要求4所述的配置方法，其特征在于，判断所述待检查栅格集是否为空，之后，包括：
若是，则遍历所述节点的所有邻近节点/>，并将所有邻近节点/>添加至所述待检查栅格集中；
获取所有邻近节点中优先级最高的邻近节点/>作为下一次遍历的双亲节点；
自当前的双亲节点开始逐步追踪下一次遍历的双亲节点，直至达到所述终点；
获取每一步追踪的双亲节点，即为所述最少栅格数量。
6.根据权利要求1所述的配置方法，其特征在于，根据所述最优运输路线构建基于所述光伏运输车的运输成本模型，并求解所述运输成本模型得到所述光伏运输车的最优调度数量，包括：
根据式（1）定义所述运输成本模型：
（1）；
其中，为所述光伏运输车的用车成本函数，/>为所述最优调度数量，/>为启动成本，/>为所述光伏运输车的工作成本，/>为所述光伏运输车的闲置成本，/>为成本系数，/>为所述光伏运输车的编号，/>为所述预设时间段进行离散化处理后的时段数量，/>为所述预设时间段进行离散化处理后的时段编号，/>为编号/>的光伏运输车在离散化处理后的时段/>的工作状态，/>表示编号/>的光伏运输车处于闲置状态，/>表示编号/>的光伏运输车处于工作状态，/>为离散化处理的间距；/>为所述光伏运输车的时间窗不匹配惩罚成本模型，/>为时间窗不匹配惩罚系数，/>为所述受料场的数量，/>为所述受料场的编号，/>为在时段/>内受料场/>已接受的物料方量，/>为受料场/>在预设单位时间内的需求量，/>为时间窗不匹配惩罚增长指数；/>为所述光伏运输车的工期不匹配成本模型，/>为工期不匹配惩罚系数，/>为所述光伏运输车的实际运输工期，/>为所述光伏运输车的预定运输工期，/>为工期不匹配惩罚增长指数；/>为所述运输成本模型；
通过式（2）定义所述运输成本模型的目标函数：
（2）；
其中，为所述目标函数，/>为所述运输成本模型的最小值；
通过最小二乘法求解所述目标函数，得到与所述最小值所对应的即为所述最优调度数量。
7.根据权利要求6所述的配置方法，其特征在于，获取所述可运输里程数大于所述最优运输路线预设倍数的光伏运输车，并标记为可调度光伏运输车，包括：
获取所述光伏运输车的光伏充电速率、最大负载用电速率、当前剩余电量、最大负载单位电量里程；
将所述最大负载用电速率的符号定义为负，并求和所述光伏充电速率、最大负载用电速率，得到当前充电速率；
判断所述当前充电速率的符号；
若所述当前充电速率的符号为正，则判定所述当前剩余电量不会被消耗，并将当前充电速率的符号为正的光伏运输车标记为所述可调度光伏运输车；
若所述当前充电速率的符号为负，则判定所述当前剩余电量会被消耗，获取当前充电速率与当前剩余电量的乘积，得到当前剩余电量的耗尽时长；
获取与最大负载用电速率相对应的输出车速；
获取所述输出车速与所述耗尽时长的乘积，得到所述可运输里程数；
判断所述可运输里程数与所述最优运输路线的里程比值是否大于所述预设倍数；
若是，则将大于所述预设倍数的光伏运输车标记为可调度光伏运输车。
8.一种光伏运输车的配置装置，所述配置装置应用于如权利要求1至7中任一项所述的配置方法，其特征在于，所述配置装置包括：
运输备选路线集获取模块，用于获取并连接所述供料场与所述受料场之间的所有道路，形成运输备选路线集；
最优运输路线计算模块，用于通过路径搜索算法获取所述运输备选路线集中的最优运输路线；
最优调度数量求解模块，用于根据所述最优运输路线构建基于所述光伏运输车的运输成本模型，并求解所述运输成本模型得到所述光伏运输车的最优调度数量；
可运输里程数计算模块，用于分别计算每个光伏运输车在最大负载状态时的可运输里程数；
可调度光伏运输车标记模块，用于获取所述可运输里程数大于所述最优运输路线预设倍数的光伏运输车，并标记为可调度光伏运输车；
配置信息发送模块，用于发送所述最优运输路线、所述最优调度数量、所述可调度光伏运输车至外部接收端。
9.一种电子设备，其特征在于，包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现如权利要求1至7中任一项所述的光伏运输车的配置方法。
10.一种存储介质，其特征在于，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现能够实现如权利要求1至7中任一项所述的光伏运输车的配置方法。
CN202410350088.3A 2024-03-26 2024-03-26 一种光伏运输车的配置方法、装置、设备及存储介质 Active CN117952498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410350088.3A CN117952498B (zh) 2024-03-26 2024-03-26 一种光伏运输车的配置方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410350088.3A CN117952498B (zh) 2024-03-26 2024-03-26 一种光伏运输车的配置方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117952498A true CN117952498A (zh) 2024-04-30
CN117952498B CN117952498B (zh) 2024-08-13

Family

ID=90794706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410350088.3A Active CN117952498B (zh) 2024-03-26 2024-03-26 一种光伏运输车的配置方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117952498B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102117441A (zh) * 2010-11-29 2011-07-06 中山大学 基于离散粒子群优化算法的智能物流配送
CN103854072A (zh) * 2014-03-17 2014-06-11 湖南工学院 用于路径选择的处理方法及系统
CN104850011A (zh) * 2015-05-22 2015-08-19 上海电力学院 一种障碍物环境中tsp避障最优路径规划方法
CN110264140A (zh) * 2019-06-27 2019-09-20 广东工业大学 一种带时间窗的物流运输调度方法、装置及设备
CN110442121A (zh) * 2018-05-03 2019-11-12 北京京东尚科信息技术有限公司 一种运输车路线选取的方法和装置
KR20210001333A (ko) * 2019-06-27 2021-01-06 주식회사 지노스 트랜스포터의 최적 블록 운송 방법 및 이를 수행하는 서버
CN113298473A (zh) * 2021-06-11 2021-08-24 四川铁公铁信息技术有限公司 一种园区货物运输路线规划系统及方法
CN113919772A (zh) * 2021-09-26 2022-01-11 山东师范大学 一种含时间窗的时变车辆路径规划方法及系统
CN114971043A (zh) * 2022-06-02 2022-08-30 重庆邮电大学 一种基于非欧拉回路的邮递员问题路径优化方法
CN115481897A (zh) * 2022-09-20 2022-12-16 浙江理工大学 一种agv无人仓库设备优化配置方法
CN116164771A (zh) * 2023-01-04 2023-05-26 北京踏歌智行科技有限公司 一种基于语义地图的矿区道路实时检测方法
CN116362435A (zh) * 2022-12-29 2023-06-30 浙江中控技术股份有限公司 一种用于多车场配送的路径规划方法
CN116661390A (zh) * 2023-05-31 2023-08-29 红塔烟草(集团)有限责任公司 一种用于烟箱运输小车的调度系统及调度方法
CN116663331A (zh) * 2023-07-27 2023-08-29 中国电建集团昆明勘测设计研究院有限公司 一种土石方调运机械的配置方法、装置、设备及存储介质
CN116678394A (zh) * 2023-05-10 2023-09-01 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 基于多传感器信息融合实时动态智能路径规划方法及系统
CN116931599A (zh) * 2023-07-18 2023-10-24 杭州大造机器人科技有限公司 光伏发电场调度机器人的路线控制方法
CN117592897A (zh) * 2023-12-08 2024-02-23 南阳师范学院 智慧物流运输路线规划方法及系统

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102117441A (zh) * 2010-11-29 2011-07-06 中山大学 基于离散粒子群优化算法的智能物流配送
CN103854072A (zh) * 2014-03-17 2014-06-11 湖南工学院 用于路径选择的处理方法及系统
CN104850011A (zh) * 2015-05-22 2015-08-19 上海电力学院 一种障碍物环境中tsp避障最优路径规划方法
CN110442121A (zh) * 2018-05-03 2019-11-12 北京京东尚科信息技术有限公司 一种运输车路线选取的方法和装置
CN110264140A (zh) * 2019-06-27 2019-09-20 广东工业大学 一种带时间窗的物流运输调度方法、装置及设备
KR20210001333A (ko) * 2019-06-27 2021-01-06 주식회사 지노스 트랜스포터의 최적 블록 운송 방법 및 이를 수행하는 서버
CN113298473A (zh) * 2021-06-11 2021-08-24 四川铁公铁信息技术有限公司 一种园区货物运输路线规划系统及方法
CN113919772A (zh) * 2021-09-26 2022-01-11 山东师范大学 一种含时间窗的时变车辆路径规划方法及系统
CN114971043A (zh) * 2022-06-02 2022-08-30 重庆邮电大学 一种基于非欧拉回路的邮递员问题路径优化方法
CN115481897A (zh) * 2022-09-20 2022-12-16 浙江理工大学 一种agv无人仓库设备优化配置方法
CN116362435A (zh) * 2022-12-29 2023-06-30 浙江中控技术股份有限公司 一种用于多车场配送的路径规划方法
CN116164771A (zh) * 2023-01-04 2023-05-26 北京踏歌智行科技有限公司 一种基于语义地图的矿区道路实时检测方法
CN116678394A (zh) * 2023-05-10 2023-09-01 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 基于多传感器信息融合实时动态智能路径规划方法及系统
CN116661390A (zh) * 2023-05-31 2023-08-29 红塔烟草(集团)有限责任公司 一种用于烟箱运输小车的调度系统及调度方法
CN116931599A (zh) * 2023-07-18 2023-10-24 杭州大造机器人科技有限公司 光伏发电场调度机器人的路线控制方法
CN116663331A (zh) * 2023-07-27 2023-08-29 中国电建集团昆明勘测设计研究院有限公司 一种土石方调运机械的配置方法、装置、设备及存储介质
CN117592897A (zh) * 2023-12-08 2024-02-23 南阳师范学院 智慧物流运输路线规划方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张海寰: "基于混合矢量结构的分布式道路选线方法与原型系统设计", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 03, 15 March 2016 (2016-03-15), pages 034 - 233 *
杨学娅: "考虑多周期的多配送中心车辆调度优化", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 02, 15 February 2024 (2024-02-15), pages 140 - 376 *
范喜全: "地面无人系统原理与设计", 31 August 2021, 西南交通大学出版社 , pages: 53 - 62 *

Also Published As

Publication number Publication date
CN117952498B (zh) 2024-08-13

Similar Documents

Publication Publication Date Title
Zhou et al. Location optimization of electric vehicle charging stations: Based on cost model and genetic algorithm
US11087422B2 (en) Method and device for determining a configuration for deployment of a public transportation system
Ip et al. Optimization for allocating BEV recharging stations in urban areas by using hierarchical clustering
Ferreira et al. Dynamic range prediction for an electric vehicle
CN107832958A (zh) 一种基于需求分析的电动出租车充电站规划方法
Zhu et al. Solar photovoltaic generation for charging shared electric scooters
CN104156826A (zh) 一种中心服务式电动汽车动态充电路径规划服务系统
CN111002975B (zh) 车辆能量管理方法、系统、电子设备和存储介质
CN107953798A (zh) 基于蓄能充电桩电量引导的电动运载工具导航方法及系统
Miljanic et al. Efficient Placement of Electric Vehicles Charging Stations using Integer Linear Programming.
CN116843060B (zh) 基于园区规划的碳中和预测方法
CN110887496A (zh) 基于电能监控的充电桩导航提醒方法、系统及车载终端
CN117952498B (zh) 一种光伏运输车的配置方法、装置、设备及存储介质
Gallagher et al. Energy efficient route prediction for solar powered vehicles
US11639856B2 (en) Infrastructure planning tool
CN117555887A (zh) 一种多源异构分布式光伏数据处理方法和装置、电子设备
CN111242403A (zh) 一种充电站充电负荷预测方法、装置设备及存储介质
Jordán et al. Interurban electric vehicle charging stations through genetic algorithms
Fu et al. Optimization of freight charging infrastructure placement using multiday travel data
Xue et al. Point-cloud map update for connected and autonomous vehicles based on vehicle infrastructure cooperation: framework and field experiments
CN115556599A (zh) 基于云平台的车对车充电方法、装置及云平台服务器
Booysen et al. e-Quantum leap on a data highway: Planning for electric minibus taxis in sub-Saharan Africa's paratransit system
CN113002368A (zh) 车载燃料电池系统的控制方法及相关装置
Javanmardi et al. From rooftops to roads: Bilbao's geospatial solar and EV fusion
CN103761619A (zh) 车辆服务管理技术平台

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