CN103605885B - 一种基于交通路网信息的电动车辆剩余里程估算方法 - Google Patents
一种基于交通路网信息的电动车辆剩余里程估算方法 Download PDFInfo
- Publication number
- CN103605885B CN103605885B CN201310556611.XA CN201310556611A CN103605885B CN 103605885 B CN103605885 B CN 103605885B CN 201310556611 A CN201310556611 A CN 201310556611A CN 103605885 B CN103605885 B CN 103605885B
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- traffic network
- node
- section
- starting point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 19
- 238000005265 energy consumption Methods 0.000 claims abstract description 52
- 238000005070 sampling Methods 0.000 claims abstract description 49
- 210000000349 chromosome Anatomy 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 19
- 230000002759 chromosomal effect Effects 0.000 claims description 14
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000004069 differentiation Effects 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 206010061765 Chromosomal mutation Diseases 0.000 claims description 3
- 238000005498 polishing Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000002948 stochastic simulation Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 101100257262 Caenorhabditis elegans soc-1 gene Proteins 0.000 description 2
- 101150114085 soc-2 gene Proteins 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于交通路网信息的电动车辆剩余里程估算方法,其包括以下步骤:利用电动车辆的电池能量管理***采集电动车辆电池组电压U、电池额定容量Q、电池荷电状态SOC,计算电动车辆的剩余能量EB;利用电动车辆从起点到达交通路网中各节点的能量消耗最低的X条路径的随机抽样结果,计算电动车辆到达交通路网中每一节点的能量消耗与通行时间的概率密度函数;根据电池剩余能量EB和电动车辆到达交通路网中每一节点能量消耗与通行时间的概率密度函数,采用随机规划模型,估算电动车辆的剩余里程数。本发明能够反映交通路网的动态随机变化特性,并具有估算结果合理的优点,因此本发明可以广泛应用于车辆剩余里程的估算中。
Description
技术领域
本发明涉及一种电动车辆剩余里程估算方法,特别是关于一种基于交通路网信息的电动车辆剩余里程估算方法。
背景技术
近年来,随着石油资源储备的减少与城市环境污染的日益加剧,清洁环保的电动车辆正逐渐被广大汽车厂商和消费者接受。然而,由于电动车辆动力电池的比能量不高,直接导致电动车辆的行驶里程远小于传统车辆的行驶里程,难以满足驾驶员的心理预期,从而造成驾驶员对所驾驶车辆剩余可行驶里程数的担忧。同时,交通环境的动态性与随机性也对如何合理利用交通信息来估计电动车辆行驶过程中的能量消耗提出了挑战。
发明内容
针对上述问题,本发明的目的是提出一种能够反映交通动态随机变化特性、估算结果合理的基于交通路网信息的电动车辆剩余里程估算方法。
为实现上述目的,本发明采取以下技术方案:一种基于交通路网信息的电动车辆剩余里程估算方法,其包括以下步骤:1)利用电动车辆的电池能量管理***采集电动车辆电池组电压U、电池额定容量Q、电池荷电状态SOC,计算得到电动车辆的剩余能量EB为:
式中,SOC1为电池放电开始时的荷电状态,SOC2为电池放电截止时的荷电状态;2)基于交通路网信息,计算电动车辆到达交通路网中每一节点的能量消耗与通行时间的概率密度函数;3)根据电池剩余能量EB和电动车辆到达交通路网中每一节点能量消耗与通行时间的概率密度函数,采用期望值模型、机会约束模型和相关机会模型,估算电动车辆的剩余里程数。
所述步骤2)中,计算电动车辆到达交通路网中每一节点的能量消耗与通行时间的概率密度函数,其包括以下步骤:(1)收集交通路网中的道路坡度信息以及各路段的历史交通信息,并建立动态随机路网模型;(2)采用支持向量回归方法,通过求解训练参数,建立交通路网中所有路段对应的短时交通预测模型;(3)根据电动车辆将要到达某一路段的时刻、动态随机路网模型和短时交通预测模型,确定电动车辆在未来通过该路段的速度值;(4)根据电动车辆在未来通过交通路网中某一路段的速度值和该路段的长度,采用随机抽样的方式计算电动车辆从当前起点出发到达交通路网中所有节点的能量消耗的期望值;(5)根据电动车辆从起点到达交通路网中所有节点的能量消耗的期望值,利用遗传算法计算电动车辆从起点到达交通路网中每一节点的能量消耗最低的X条路径;(6)利用步骤(4)得到的电动车辆从起点到达交通路网中各节点的能量消耗最低的X条路径的随机抽样结果,计算电动车辆从起点到交通路网中所有节点的能量消耗与通行时间的概率密度函数。
所述步骤(2)中,建立交通路网中所有路段对应的短时交通预测模型的步骤包括:①采用支持向量回归方法,建立支持向量回归函数f(x),
式中,αj和b*均为待求训练参数,xj为训练样本,j为训练样本数目(j=1,2,3...,l),x为待估计的输入样本值,K(x,xj)为高斯核函数;②根据交通路网中某条路段及其上游所有路段在过去N时刻内的平均通行速度构造训练样本和预测结果值,并将训练样本和预测结果值作为支持向量回归函数f(x)的输入,求解支持向量回归函数f(x)中的训练参数αj和b*,将求解得到的训练参数αj和b*带入支持向量回归函数f(x),建立交通路网中某条路段对应的短时交通预测模型;③重复步骤②,对交通路网中所有路段均进行支持向量回归函数f(x)中训练参数的求解,根据求解得到的训练参数建立交通路网中所有路段对应的短时交通预测模型。
所述步骤(3)中,确定电动车辆在未来通过交通路网中某一路段的速度值,其包括以下步骤:①判断电动车辆到达交通路网中某一路段起点的时刻是否在短时交通预测的时段内;②根据步骤①的判断结果,确定电动车辆在未来通过交通路网中该路段的速度值;如果电动车辆到达某一路段的起点的时刻在短时交通预测的时段内,则将通过短时预测模型得到的路段平均通行速度预测值作为电动车辆在未来通过该路段的速度值;如果电动车辆到达某一路段起点的时刻在短时交通预测的时段外,则采用动态随机路网模型对该路段上的平均通行速度的概率密度函数进行随机抽样,得到的平均速度值作为电动车辆在未来通过该路段的速度值。
所述步骤(4)中,电动车辆从起点达到交通路网中所有节点的能量消耗的期望值的计算包括以下步骤:①以交通路网中某一节点为终点,随机选取连接出发起点O与终点的Ngeneration条路径;②对Ngeneration条路径中的第一条路径N1,根据电动车辆到达路径N1中各个路段的时刻,确定电动车辆在路径N1中各个路段上的速度值,并结合各路段的长度计算电动车辆通过各路段的通行时间;③根据电动车辆通过路径N1中各路段的速度值和通行时间,计算电动车辆沿路径N1从出发起点O到达终点的能量消耗E,即
式中,ti为电动车辆通过路径N1中路段i所花的时间,Pi为电动车辆通过路径N1中路段i所需要输入给电机的功率,D为路径N1中的路段数目,即
Pi=Fivi/η,
式中,vi为电动车辆在路径N1中通过路段i的行驶速度,η为主减速器的效率与电机中效率的乘积,Fi为通过路段i的行驶阻力,
式中,G为整车重量,f为滚动阻力系数,θi为路段i与水平面的倾角,CD为空气阻力系数,A为整车迎风面积;④对路径N1进行Nsampling次随机模拟,得到通过路径N1的电动车辆的能量消耗与时间消耗的随机抽样结果,并对该随机抽样结果计算电动车辆能量消耗的期望值;⑤重复步骤①~④,计算得到电动车辆从起点到达交通路网中所有节点的Ngeneration路径分别经Nsampling次抽样后的电动车辆能量消耗的期望值。
所述步骤(4)中,计算电动车辆从起点到达交通路网中每一节点的能量消耗最低的X条路径的步骤包括:①按照电动车辆通过某条路径中各节点的顺序,依次记录各节点编号,各编号构成的序列作为该路径的染色体;将连接起点与交通路网中某一节点的Ngeneration条路径分别经Nsampling次抽样后得到的电动车辆能量消耗的期望值分别作为Ngeneration条路径的染色体的适应度初值;②对每个染色体的适应度值求取倒数,作为最终的适应度值;③利用轮盘赌方法对当前代的染色体进行抽样,抽取Ngeneration次,得到新一代染色体;④产生随机数,与交叉概率Pc进行比较,如果随机数大于交叉概率Pc,则放弃当前两个染色体的交叉操作,转而对下一对染色体进行交叉操作判别;如果随机数小于交叉概率Pc,则对当前这对染色体进行交叉操作;为当前两个染色体分别确定固定位,在固定位之前的路径各节点不变,固定位之后的节点采用另一染色体中未重复的节点进行补齐;完成该对染色体的交叉操作后,转为对下一对染色体进行交叉操作判别,直至所有染色体都完成了染色体交叉判别;⑤产生随机数,与变异概率Pm进行比较,如果随机数大于变异概率Pm,则放弃当前染色体的变异操作,转而对下一个染色体进行变异操作判别;如果随机数小于变异概率Pm,则对当前染色体进行变异操作;对当前染色体随机选取两个节点位置,交换这两个节点位置的节点坐标,构成新的路径,进而对下一个染色体进行变异操作判别;⑥完成本代染色体的遗传算法计算后,重复选择、交叉和变异操作,直到达到指定的遗传代数Count;⑦选取在遗传算法中最好的X条路径进行记录,作为从起点到达该节点的X条路径;⑧重复步骤①~⑦,遍历交通路网中的所有节点,得到从起点到达交通路网中每一节点的X条能量消耗最低的路径。
所述步骤(5)中,计算电动车辆从起点到交通路网中所有节点的能量消耗与通行时间的概率密度函数的步骤包括:①对从起点到达交通路网中某一节点的X条路径的随机抽样结果取并集;②根据随机抽样结果的并集,对从起点到达交通路网中某一节点的X条路径的能量消耗与时间消耗的采样点进行归一化;③利用parzen方窗核函数法计算电动车辆从起点出发到达交通路网中所有节点的能量消耗与通行时间的概率密度函数;
式中,表示x点处的概率密度函数的估计值;N表示样本总数;V表示超立方体的体积,h表示超立方体的棱长,V=he,e表示样本维数;si表示每个样本,s和si均为列向量,s=[s1,s2,...se]T,令
所述步骤3)中,估算电动车辆的剩余里程数包括以下步骤:(1)利用由步骤2)得到的从起点到达交通路网中各节点的能量消耗与通行时间的概率密度函数,对每一节点采用期望值模型、机会约束模型和相关机会模型,计算得到电动车辆在交通路网中的可达范围;(2)将采用相关机会规划模型得到的计算结果作为可达范围的下界,将采用高置信区间的机会约束模型得到的计算结果作为可达范围的上界,根据电动车辆在交通路网中可达范围的上界和下界,得到电动车辆的剩余里程数。
采用所述机会约束规划模型对电动车辆在交通路网中的可达范围进行计算的步骤包括:①采用机会约束模型,制定一个置信水平β。对交通路网中任一节点,为满足该置信水平β,对电动车辆从起点出发到达交通路网中每一节点的能量消耗的概率密度函数进行数值积分,得到在满足该置信水平β时的概率密度函数对应的能量消耗值。比较该能量消耗值与电池剩余能量EB,如果该能量消耗值小于电池剩余能量EB,说明电动车辆能够以这一置信水平β到达该节点;如果该能量消耗大于电池剩余能量EB,说明电动车辆无法以这一置信水平β到达该节点;②遍历交通路网中所有节点,计算并判断每一节点电动车辆是否可以到达;③顺次连接交通路网中各个方向上的最远可达点,得到在机会约束模型下,电动车辆在交通路网中的可达范围。
采用所述相关机会规划模型对电动车辆在交通路网中的可达范围进行计算的步骤包括:①采用相关机会规划模型,在满足电池剩余能量EB大于电动车辆到达交通路网中某一节点能量消耗最大值的情况下,求取能量消耗的概率密度函数在剩余电池能量值EB附近的微小区域的积分;②遍历交通路网中的所有节点,计算每一节点在相关机会模型下的概率值,将概率值从大到小进行排序;③顺次连接交通路网中各个方向上的概率最大点,得到在相关机会规划模型下,电动车辆在交通路网中的可达范围。
本发明由于采取以上技术方案,其具有以下优点:1、本发明由于基于历史交通路网信息建立动态随机路网模型和短时交通预测模型,对电动车辆未来通过交通路网中某一路段的速度进行预测,从而预测电动车辆在未来出行过程将要消耗的能量,因此本发明能够反映交通路网各路段动态、随机变化的特性。2、本发明由于采用动态随机路网模型和短时交通预测模型对电动车辆在未来通过交通路网中某路段的速度进行预测,因此本发明能够实现历史交通数据和实时交通数据的融合,更好地描述当前交通路网的特性。3、本发明由于采用遗传算法计算得到从起点到达交通路网中每一节点的能量消耗合理的路径,并利用随机规划模型对电动车辆的可达范围进行分析,因此本发明能够保证电动车辆剩余里程数估算结果的合理性。基于以上优点,本发明可以广泛应用于车辆的剩余里程的估算中。
附图说明
图1是本发明的基于交通路网信息的电动车辆剩余里程估算方法的流程图
图2是本发明的实施例中交通路网示意图
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,本发明的基于交通路网信息的电动车辆剩余里程估算方法包括以下步骤:
1)利用电动车辆的电池能量管理***采集电动车辆电池组电压U、电池额定容量Q、电池荷电状态SOC(stateofcharge),计算得到电动车辆的剩余能量EB为:
式(1)中,SOC1为电池放电开始时的荷电状态,SOC2为电池放电截止时的荷电状态。
2)基于交通路网信息,计算电动车辆到达交通路网中各节点的能量消耗与通行时间的概率密度函数,其具体包括以下步骤:
(1)收集交通路网中的道路坡度信息(即路面与水平面的倾角信息)以及各路段的历史交通信息(即各路段在过去各个时段平均通行速度的概率密度函数),并建立动态随机路网模型;
由于交通路网中的每条道路在建设完成后,它的坡度随之确定,而不随时间变化,因此可以对交通路网中的每条道路的坡度大小和坡度的变化规律等坡度信息进行收集,进而根据收集的交通路网中的道路坡度信息计算电动车辆通过该路段时为克服重力做功所消耗的能量。
收集交通路网中各路段不同日期、不同时段的平均速度,收集得到各路段在各时段内平均通行速度的概率密度函数,用随时间变化的各路段平均通行速度所服从的概率密度函数对交通路网进行描述,从而建立动态随机路网模型,用于描述交通路网中各路段平均通行速度的随机性和动态性。
(2)采用支持向量回归方法,通过求解训练参数,建立交通路网中所有路段对应的短时交通预测模型(短时交通预测模型预测的时段取0~30分钟),其具体包括以下步骤:
①采用支持向量回归方法,建立支持向量回归函数f(x),
式(2)中,αj和b*均为待求训练参数,xj为训练样本,j为训练样本数目(j=1,2,3...,l),x为待估计的输入样本值,K(x,xj)为高斯核函数。
②根据交通路网中某条路段及其上游所有路段在过去N时刻内的平均通行速度构造训练样本和预测结果值,并将训练样本和预测结果值作为支持向量回归函数f(x)的输入,求解支持向量回归函数f(x)中的训练参数αj,b*。
将交通路网中路段r上游的所有R条路段在过去N时刻内的平均通行速度记录为:vi(t-T),vi(t-2T),...vi(t-NT)(其中,i=1,2…R,T为单位时间段);将该路段r在过去N时刻内的平均通行速度记录为:v(t-T),v(t-2T),...v(t-NT)。平均通行速度vi(t-T),vi(t-2T),...vi(t-NT)(其中,i=1,2…R)和v(t-T),v(t-2T),...v(t-NT)构成一组训练样本xj。路段r在t时刻的平均通行速度值v(t)作为预测结果值yj,其中,t时刻为未来0~30分钟内每隔5分钟的某一时刻。
将求解式(2)中的训练参数值αj和b*的问题转化为求解优化函数W(α,α*):
使得
0≤αi≤C,i=1,...,l(6)
式(3)~式(6)中,i和j均表示训练样本的编号,yi表示训练样本xi对应的预测结果值,C为折中系数,ε表示拟合误差。
通过求解优化函数W(α,α*),得到支持向量回归函数f(x)中的训练参数αi和b*,将训练参数αi和b*分别带入支持向量回归函数f(x),建立交通路网中路段r对应的短时交通预测模型。
③重复步骤②,对交通路网中所有路段均进行以上支持向量回归函数f(x)中训练参数的求解,根据求解得到的训练参数建立交通路网中所有路段对应的短时交通预测模型。
(3)根据电动车辆将要到达交通路网中某一路段的时刻、动态随机路网模型和短时交通预测模型,确定电动车辆在未来通过交通路网中该路段的速度值,其包括以下步骤:
①判断电动车辆到达交通路网中某一路段起点的时刻是否在短时交通预测的时段内,即30分钟内。
②根据判断结果,确定电动车辆在未来通过该路段的速度值;
如果电动车辆到达交通路网中某一路段起点的时刻在短时交通预测的时段内,则采用短时交通预测模型得到该路段的平均通行速度预测值,并将得到的平均通行速度预测值作为电动车辆在未来通过该路段的速度值。
如果电动车辆到达某一路段起点的时刻在短时交通预测的时段外,则采用动态随机路网模型,对该路段上电动车辆当前到达时刻所对应的平均通行速度的概率密度函数进行随机抽样得到平均速度值,并将得到的平均速度值作为电动车辆在未来通过该路段的速度值。
(4)利用遗传算法采用随机抽样的方式计算电动车辆从当前起点出发到达交通路网中所有节点的能量消耗的期望值,并根据期望值计算电动车辆从起点出发到达交通路网中每一节点的能量消耗最低的X条路径,排除明显折返且能量消耗高的路径,其包括以下步骤:
采用随机抽样的方式计算电动车辆从当前起点出发到达交通路网中所有节点的能量消耗的期望值,其包括以下步骤:
①以交通路网中某一节点为终点,随机选取连接起点与终点的Ngeneration条路径。
②对于Ngeneration条路径中的第一条路径N1,根据电动车辆到达路径N1中各个路段的时刻,由步骤(3)确定电动车辆在路径N1中各个路段上的速度值,并结合各路段的长度计算电动车辆通过各路段的通行时间。
③根据电动车辆通过路径N1中各路段的速度值和通行时间,计算电动车辆沿路径N1从起点到达终点的能量消耗E,即
式(7)中,ti为电动车辆通过路径N1中路段i所花的时间,Pi为电动车辆通过路径N1中路段i所需要输入给电机的功率,D代表路径N1所经过的路段数目,即
Pi=Fivi/η(8)
式(8)中,vi为电动车辆在路径N1中通过路段i的行驶速度,η为主减速器的效率与电机中效率的乘积,Fi为通过路段i的行驶阻力,即
式(9)中,G为整车重量,f为滚动阻力系数,θi为路段i与水平面的倾角,CD为空气阻力系数,A为整车迎风面积。
④对路径N1进行Nsampling次随机抽样,得到电动车辆通过路径N1的能量消耗与时间消耗的随机抽样结果,并对该随机抽样结果计算电动车辆能量消耗的期望值。
⑤重复步骤①~④,计算得到电动车辆从起点出发到达交通路网中所有节点的Ngeneration路径分别经Nsampling次抽样后能量消耗的期望值。
根据电动车辆从起点出发到达交通路网中所有节点的能量消耗的期望值,利用遗传算法计算电动车辆从起点出发到达交通路网中每一节点的能量消耗最低的X条路径,排除明显折返且能量消耗高的路径,其包括以下步骤:
①按照电动车辆通过某条路径中各节点的顺序,依次记录各节点编号,各编号构成的序列作为该路径的染色体;将连接起点与交通路网中某一节点的Ngeneration条路径分别经Nsampling次抽样后得到的电动车辆能量消耗的期望值分别作为Ngeneration条路径的染色体的适应度初值。
②为求取能量消耗少的染色体,对每个染色体的适应度值求取倒数,作为最终的适应度值。
③利用轮盘赌方法对当前代的染色体进行抽样,抽取Ngeneration次,得到新一代染色体。
④产生0到1之间的服从均匀分布的随机数,与交叉概率Pc进行比较,如果随机数大于交叉概率Pc,则放弃当前两个染色体的交叉操作,转而对下一对染色体进行交叉操作判别;如果随机数小于交叉概率Pc,则对当前这对染色体进行交叉操作。为当前两个染色体分别确定固定位,在固定位之前的路径各节点不变,固定位之后的节点采用另一染色体中未重复的节点进行补齐。完成该对染色体的交叉操作后,转为对下一对染色体进行交叉操作判别,直至所有染色体都完成了染色体交叉判别。
⑤产生0到1之间的服从均匀分布的随机数,与变异概率Pm进行比较,如果随机数大于变异概率Pm,则放弃当前染色体的变异操作,转而对下一个染色体进行变异操作判别;如果随机数小于变异概率Pm,则对当前染色体进行变异操作。对当前染色体随机选取两个节点位置,交换这两个节点位置的节点坐标,构成新的路径,进而对下一个染色体进行变异操作判别。
⑥完成本代染色体的遗传算法计算后,重复选择、交叉和变异操作,直到达到指定的遗传代数Count。
⑦选取在遗传算法中适应度最大(即能量消耗最低)的X条路径进行记录,作为从起点到达该节点的X条路径。
⑧重复步骤①~⑦,遍历交通路网中的所有节点,得到从起点到达交通路网中每一节点的X条能量消耗最低的路径。
(5)利用步骤(4)得到的电动车辆从起点出发到达交通路网中各节点的能量消耗最低的X条路径的随机抽样结果,计算电动车辆从起点出发到达交通路网中各节点的能量消耗与通行时间的概率密度函数,其包括以下步骤:
①为综合反映电动车辆从起点到达交通路网中某一节点的能量消耗与时间消耗的分布,对从起点到达交通路网中某一节点的X条路径的随机抽样结果取并集。
②根据随机抽样结果的并集,对从起点到达交通路网中某一节点的X条路径的能量消耗与时间消耗的采样点进行归一化。
③利用parzen方窗核函数法计算电动车辆从起点出发到达交通路网中所有节点的能量消耗与通行时间的概率密度函数。
式(10)中,表示s点处的概率密度函数的估计值;N表示样本总数;V表示超立方体的体积,h表示超立方体的棱长,V=he,e表示样本维数;si表示每个样本;s和si均为列向量,s=[s1,s2,...se]T,令
3)根据电池剩余能量EB和电动车辆到达交通路网中每一节点能量消耗与通行时间的概率密度函数,采用随机规划模型,估算电动车辆的剩余里程数,其包括以下步骤:
(1)利用由步骤2)得到的电动车辆从起点出发到达交通路网中各节点的能量消耗与通行时间的概率密度函数,对每一节点采用三种随机规划模型,计算得到电动车辆在交通路网中的可达范围。
三种随机规划模型包括期望值模型、机会约束模型和相关机会模型。
采用期望值模型对电动车辆在交通路网中的可达范围进行计算,其具体步骤包括:
①根据电动车辆到达交通路网中每一节点能量消耗与通行时间的概率密度函数,采用期望值模型,计算电动车辆从起点出发到达交通路网中每一节点的能量消耗概率分布的期望值。
②对于交通路网中的任一节点,判断电池剩余能量EB是否超过到达该节点能量消耗的期望值。如果超过,说明电池剩余能量EB大于电动车辆到达该节点的能量消耗,即电动车辆可以到达此点;如果未超过,说明电池剩余能量EB小于电动车辆到达该节点的能量消耗,即电动车辆无法到达此点。
③遍历交通路网中的所有节点,计算并判断每一节点电动车辆是否可以到达。
④顺次连接交通路网中各个方向上的最远可达点,得到在期望值模型下,电动车辆在交通路网中的可达范围。
采用机会约束规划模型对电动车辆在交通路网中的可达范围进行计算,其具体步骤包括:
①采用机会约束模型,制定一个置信水平β。对交通路网中任一节点,为满足该置信水平β,对电动车辆从起点出发到达交通路网中每一节点的能量消耗的概率密度函数进行数值积分,得到在满足该置信水平β时的概率密度函数对应的能量消耗值。比较该能量消耗值与电池剩余能量EB,如果该能量消耗值小于电池剩余能量EB,说明电动车辆能够以这一置信水平β到达该节点;如果该能量消耗大于电池剩余能量EB,说明电动车辆无法以这一置信水平β到达该节点。
②遍历交通路网中所有节点,计算并判断每一节点电动车辆是否可以到达。
③顺次连接交通路网中各个方向上的最远可达点,得到在机会约束模型下,电动车辆在交通路网中的可达范围。
采用相关机会规划模型对电动车辆在交通路网中的可达范围进行计算,其具体步骤包括:
①采用相关机会规划模型,在满足电池剩余能量EB大于电动车辆到达交通路网中某一节点能量消耗最大值的情况下,求取能量消耗的概率密度函数在剩余电池能量值EB附近的微小区域的积分。
②遍历交通路网中的所有节点,计算每一节点在相关机会模型下的概率值,将概率值从大到小进行排序。
③顺次连接交通路网中各个方向上的概率最大点,得到在相关机会规划模型下,电动车辆在交通路网中的可达范围。
(2)根据电动车辆在交通路网中可达范围的上界和下界,得到电动车辆的剩余里程数。
为保证电动车辆能够以较高的置信水平到达交通路网中的某节点,只考虑采用机会约束模型和相关机会模型得到的计算结果。考虑到电动车辆可达范围估算结果的可靠性,采用相关机会规划模型得到的计算结果作为可达范围的下界,即保证在此界限以内的节点电动车辆都可以到达。考虑到交通路网中的道路通行速度的随机性与动态性,采用高置信区间的机会约束模型得到的计算结果作为可达范围的上界,即保证在上下界之间的区域中,电动车辆能够以较高的置信水平到达该区域内的道路节点。
实施例:如图2所示,将交通路网中电动车辆的起点记为O,电动车辆需要到达的终点记为F,假设选择连接起点O与终点F的路径共Ngeneration条,采用本发明的基于交通路网信息的电动车辆剩余里程估算方法对电动车辆从起点O是否能够到达终点F进行估算,其包括以下步骤:
1)利用电动车辆的剩余能量计算公式(1)计算得到电动车辆在起点O的剩余能量,记为EO。
2)假设连接起点O与终点F的Ngeneration条路径中的路径1包括路段a~路段d,将电动车辆在起点O出发的时刻记为Ta,将电动车辆在未来通过路段a的速度值记为va。
利用短时交通预测模型对路段a在时刻Ta的短时交通进行预测,并将预测结果值作为电动车辆在未来通过路段a的速度值va,已知路段a长度,计算得到电动车辆通过路段a所需要的时间为ta。
根据电动车辆通过路段a的速度值va和通过路段a所需要的时间为ta,利用公式(7)~公式(9)计算得到电动车辆通过路段a需要消耗的能量Ea。
3)将电动车辆到达路段b起点的时刻记为Tb,则Tb=Ta+ta;将电动车辆在未来通过路段b的速度值记为vb。
判断ta是否超出了短时交通预测模型预测的时间间隔30分钟;如果ta<30,则采用短时交通预测模型对路段b的通行速度进行预测,并将预测结果值作为电动车辆在未来通过路段b的速度值vb;如果ta>30,则采用动态随机路网模型对路段b在时刻Tb的平均通行速度的概率密度函数P(b,Tb)进行随机抽样,并将抽样结果作为电动车辆在未来通过路段b的速度值vb。已知路段b的长度,计算得到电动车辆通过路段b所需要的时间为tb。
根据电动车辆通过路段b的速度值vb和通过路段b所需要的时间为tb,利用公式(7)~公式(9)计算得到电动车辆通过路段b需要消耗的能量Eb。
4)采用与步骤3相同的方法,分别计算得到电动车辆通过路段c和路段d所需要的时间tc和td以及需要消耗的能量Ec和Ed。
5)由步骤2)~步骤4)得到电动车辆从起点O经路段a~路段d后到达交通路网中的终点F需要消耗的总能量E为:
E=Ea+Eb+Ec+Ed。
6)对于连接交通路网中起点O与终点F的路径1,重复步骤2~步骤5的计算Nsampling次,得到Nsampling个能量消耗值并对Nsampling个能量消耗值进行平均,得到路径1的Nsampling个能量消耗值的期望值为:
7)对交通路网中连接起点O与终点F的Ngeneration条路径中明显折返、能量消耗异常高的不合理路径将不予考虑。如图2所示,路径2将不予考虑。为找出Ngeneration条路径中能量消耗均值最小的路径,重复步骤2~步骤6,分别计算Ngeneration条路径的能量消耗值的期望值,并根据该期望值利用遗传算法进行迭代计算,直到达到预定迭代代数,从最终一代的Ngeneration条路径中挑选出X条合理路径,即能量消耗均值最小的X条路径。
8)对X条路径的所有能量消耗抽样结果取并集,用于综合反映电动车辆从起点O到达终点F的能量消耗情况。
9)利用公式(10)和公式(11)对能量消耗抽样结果的并集,估算能量消耗的概率密度函数。
10)利用随机规划模型分析电动车辆是否能够从起点O到达终点F。
采用期望值模型进行分析,对到达终点F的能量消耗的概率密度函数取期望值,即到达终点F的能量消耗的期望值。如果电池的剩余能量EO大于该期望值,判断电动车辆可以到达终点F,如果电池的剩余能量EO小于该期望值,判断电动车辆无法到达终点F。
利用机会约束模型,制定置信水平β,并对电动车辆到达终点F的能量消耗概率密度函数进行数值积分。当积分结果满足该置信水平值β后,停止数值积分过程,记录计算过程中的能量消耗值的数值积分上限值。如果电池的剩余能量值EO大于到达终点F的数值积分过程的上限值,说明电动车辆能够在满足置信水平β的情况下到达终点F;如果电池的剩余能量值EO小于到达终点F的数值积分过程的上限值,说明电动车辆不能在满足置信水平β的情况下到达终点F。
采用相关机会模型,如果电池的剩余能量EO大于到达终点F的能量消耗结果的最大值,说明电动车辆可以在相关机会模型下到达终点F,继续求取能量消耗的概率密度函数在剩余电池能量值EO附近的微小区域的积分,用于与交通路网中其他节点的积分结果进行比较;如果电池的剩余能量EO小于电动车辆到达终点F的能量消耗结果的最大值,则电动车辆不能在相关机会模型下到达终点F。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和实施步骤等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (9)
1.一种基于交通路网信息的电动车辆剩余里程估算方法,其包括以下步骤:
1)利用电动车辆的电池能量管理***采集电动车辆电池组电压U、电池额定容量Q、电池荷电状态SOC,计算得到电动车辆的剩余能量EB为:
式中,SOC1为电池放电开始时的荷电状态,SOC2为电池放电截止时的荷电状态;
2)基于交通路网信息,计算电动车辆到达交通路网中每一节点的能量消耗与通行时间的概率密度函数,其包括以下步骤:
(1)收集交通路网中的道路坡度信息以及各路段的历史交通信息,并建立动态随机路网模型;
(2)采用支持向量回归方法,通过求解训练参数,建立交通路网中所有路段对应的短时交通预测模型;
(3)根据电动车辆将要到达某一路段的时刻、动态随机路网模型和短时交通预测模型,确定电动车辆在未来通过该路段的速度值;
(4)根据电动车辆在未来通过交通路网中某一路段的速度值和该路段的长度,采用随机抽样的方式计算电动车辆从当前起点出发到达交通路网中所有节点的能量消耗的期望值;
(5)根据电动车辆从起点到达交通路网中所有节点的能量消耗的期望值,利用遗传算法计算电动车辆从起点到达交通路网中每一节点的能量消耗最低的X条路径;
(6)利用步骤(5)得到的电动车辆从起点到达交通路网中各节点的能量消耗最低的X条路径的随机抽样结果,计算电动车辆从起点到交通路网中所有节点的能量消耗与通行时间的概率密度函数;
3)根据电池剩余能量EB和电动车辆到达交通路网中每一节点能量消耗与通行时间的概率密度函数,采用期望值模型、机会约束模型和相关机会模型,估算电动车辆的剩余里程数。
2.如权利要求1所述的一种基于交通路网信息的电动车辆剩余里程估算方法,其特征在于:所述步骤(2)中,建立交通路网中所有路段对应的短时交通预测模型的步骤包括:
①采用支持向量回归方法,建立支持向量回归函数f(x),
式中,αj和b*均为待求训练参数,xj为训练样本,j为训练样本数目(j=1,2,3...,l),x为待估计的输入样本值,K(x,xj)为高斯核函数;
②根据交通路网中某条路段及其上游所有路段在过去N时刻内的平均通行速度构造训练样本和预测结果值,并将训练样本和预测结果值作为支持向量回归函数f(x)的输入,求解支持向量回归函数f(x)中的训练参数αj和b*,将求解得到的训练参数αj和b*带入支持向量回归函数f(x),建立交通路网中某条路段对应的短时交通预测模型;
③重复步骤②,对交通路网中所有路段均进行支持向量回归函数f(x)中训练参数的求解,根据求解得到的训练参数建立交通路网中所有路段对应的短时交通预测模型。
3.如权利要求1所述的一种基于交通路网信息的电动车辆剩余里程估算方法,其特征在于:所述步骤(3)中,确定电动车辆在未来通过交通路网中某一路段的速度值,其包括以下步骤:
①判断电动车辆到达交通路网中某一路段起点的时刻是否在短时交通预测的时段内;
②根据步骤①的判断结果,确定电动车辆在未来通过交通路网中该路段的速度值;
如果电动车辆到达某一路段的起点的时刻在短时交通预测的时段内,则将通过短时预测模型得到的路段平均通行速度预测值作为电动车辆在未来通过该路段的速度值;
如果电动车辆到达某一路段起点的时刻在短时交通预测的时段外,则采用动态随机路网模型对该路段上的平均通行速度的概率密度函数进行随机抽样,得到的平均速度值作为电动车辆在未来通过该路段的速度值。
4.如权利要求1或2或3所述的一种基于交通路网信息的电动车辆剩余里程估算方法,其特征在于:所述步骤(4)中,电动车辆从起点达到交通路网中所有节点的能量消耗的期望值的计算包括以下步骤:
①以交通路网中某一节点为终点,随机选取连接出发起点O与终点的Ngeneration条路径;
②对Ngeneration条路径中的第一条路径N1,根据电动车辆到达路径N1中各个路段的时刻,确定电动车辆在路径N1中各个路段上的速度值,并结合各路段的长度计算电动车辆通过各路段的通行时间;
③根据电动车辆通过路径N1中各路段的速度值和通行时间,计算电动车辆沿路径N1从出发起点O到达终点的能量消耗E,即
式中,ti为电动车辆通过路径N1中路段i所花的时间,Pi为电动车辆通过路径N1中路段i所需要输入给电机的功率,D为路径N1中的路段数目,即
Pi=Fivi/η,
式中,vi为电动车辆在路径N1中通过路段i的行驶速度,η为主减速器的效率与电机中效率的乘积,Fi为通过路段i的行驶阻力,
式中,G为整车重量,f为滚动阻力系数,θi为路段i与水平面的倾角,CD为空气阻力系数,A为整车迎风面积;
④对路径N1进行Nsampling次随机模拟,得到通过路径N1的电动车辆的能量消耗与时间消耗的随机抽样结果,并对该随机抽样结果计算电动车辆能量消耗的期望值;
⑤重复步骤①~④,计算得到电动车辆从起点到达交通路网中所有节点的Ngeneration路径分别经Nsampling次抽样后的电动车辆能量消耗的期望值。
5.如权利要求1或2或3所述的一种基于交通路网信息的电动车辆剩余里程估算方法,其特征在于:所述步骤(5)中,计算电动车辆从起点到达交通路网中每一节点的能量消耗最低的X条路径的步骤包括:
①按照电动车辆通过某条路径中各节点的顺序,依次记录各节点编号,各编号构成的序列作为该路径的染色体;将连接起点与交通路网中某一节点的Ngeneration条路径分别经Nsampling次抽样后得到的电动车辆能量消耗的期望值分别作为Ngeneration条路径的染色体的适应度初值;
②对每个染色体的适应度值求取倒数,作为最终的适应度值;
③利用轮盘赌方法对当前代的染色体进行抽样,抽取Ngeneration次,得到新一代染色体;
④产生随机数,与交叉概率Pc进行比较,如果随机数大于交叉概率Pc,则放弃当前两个染色体的交叉操作,转而对下一对染色体进行交叉操作判别;如果随机数小于交叉概率Pc,则对当前这对染色体进行交叉操作;为当前两个染色体分别确定固定位,在固定位之前的路径各节点不变,固定位之后的节点采用另一染色体中未重复的节点进行补齐;完成该对染色体的交叉操作后,转为对下一对染色体进行交叉操作判别,直至所有染色体都完成了染色体交叉判别;
⑤产生随机数,与变异概率Pm进行比较,如果随机数大于变异概率Pm,则放弃当前染色体的变异操作,转而对下一个染色体进行变异操作判别;如果随机数小于变异概率Pm,则对当前染色体进行变异操作;对当前染色体随机选取两个节点位置,交换这两个节点位置的节点坐标,构成新的路径,进而对下一个染色体进行变异操作判别;
⑥完成本代染色体的遗传算法计算后,重复选择、交叉和变异操作,直到达到指定的遗传代数Count;
⑦选取在遗传算法中最好的X条路径进行记录,作为从起点到达该节点的X条路径;
⑧重复步骤①~⑦,遍历交通路网中的所有节点,得到从起点到达交通路网中每一节点的X条能量消耗最低的路径。
6.如权利要求1或2或3所述的一种基于交通路网信息的电动车辆剩余里程估算方法,其特征在于:所述步骤(6)中,计算电动车辆从起点到交通路网中所有节点的能量消耗与通行时间的概率密度函数的步骤包括:
①对从起点到达交通路网中某一节点的X条路径的随机抽样结果取并集;
②根据随机抽样结果的并集,对从起点到达交通路网中某一节点的X条路径的能量消耗与时间消耗的采样点进行归一化;
③利用parzen方窗核函数法计算电动车辆从起点出发到达交通路网中所有节点的能量消耗与通行时间的概率密度函数;
式中,表示x点处的概率密度函数的估计值;N表示样本总数;V表示超立方体的体积,h表示超立方体的棱长,V=he,e表示样本维数;si表示每个样本,s和si均为列向量,s=[s1,s2,...se]T,令
则
7.如权利要求1所述的一种基于交通路网信息的电动车辆剩余里程估算方法,其特征在于:所述步骤3)中,估算电动车辆的剩余里程数包括以下步骤:
(1)利用由步骤2)得到的从起点到达交通路网中各节点的能量消耗与通行时间的概率密度函数,对每一节点采用期望值模型、机会约束模型和相关机会模型,计算得到电动车辆在交通路网中的可达范围;
(2)将采用相关机会规划模型得到的计算结果作为可达范围的下界,将采用高置信区间的机会约束模型得到的计算结果作为可达范围的上界,根据电动车辆在交通路网中可达范围的上界和下界,得到电动车辆的剩余里程数。
8.如权利要求7所述的一种基于交通路网信息的电动车辆剩余里程估算方法,其特征在于:采用所述机会约束规划模型对电动车辆在交通路网中的可达范围进行计算的步骤包括:
①采用机会约束模型,制定一个置信水平β,对交通路网中任一节点,为满足该置信水平β,对电动车辆从起点出发到达交通路网中每一节点的能量消耗的概率密度函数进行数值积分,得到在满足该置信水平β时的概率密度函数对应的能量消耗值,比较该能量消耗值与电池剩余能量EB,如果该能量消耗值小于电池剩余能量EB,说明电动车辆能够以这一置信水平β到达该节点;如果该能量消耗大于电池剩余能量EB,说明电动车辆无法以这一置信水平β到达该节点;
②遍历交通路网中所有节点,计算并判断每一节点电动车辆是否可以到达;
③顺次连接交通路网中各个方向上的最远可达点,得到在机会约束模型下,电动车辆在交通路网中的可达范围。
9.如权利要求7所述的一种基于交通路网信息的电动车辆剩余里程估算方法,其特征在于:采用所述相关机会规划模型对电动车辆在交通路网中的可达范围进行计算的步骤包括:
①采用相关机会规划模型,在满足电池剩余能量EB大于电动车辆到达交通路网中某一节点能量消耗最大值的情况下,求取能量消耗的概率密度函数在剩余电池能量值EB附近的微小区域的积分;
②遍历交通路网中的所有节点,计算每一节点在相关机会模型下的概率值,将概率值从大到小进行排序;
③顺次连接交通路网中各个方向上的概率最大点,得到在相关机会规划模型下,电动车辆在交通路网中的可达范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310556611.XA CN103605885B (zh) | 2013-11-11 | 2013-11-11 | 一种基于交通路网信息的电动车辆剩余里程估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310556611.XA CN103605885B (zh) | 2013-11-11 | 2013-11-11 | 一种基于交通路网信息的电动车辆剩余里程估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103605885A CN103605885A (zh) | 2014-02-26 |
CN103605885B true CN103605885B (zh) | 2016-05-18 |
Family
ID=50124106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310556611.XA Active CN103605885B (zh) | 2013-11-11 | 2013-11-11 | 一种基于交通路网信息的电动车辆剩余里程估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103605885B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103863125B (zh) * | 2014-03-18 | 2016-08-17 | 安徽安凯汽车股份有限公司 | 一种电动汽车剩余里程的二次处理算法 |
CN104102812A (zh) * | 2014-05-05 | 2014-10-15 | 上海逸卡新能源汽车技术开发有限公司 | 一种纯电动汽车剩余行驶里程的计算方法 |
CN104462783A (zh) * | 2014-11-14 | 2015-03-25 | 重庆大学 | 电动私家车日行使里程概率建模方法 |
CN105467323A (zh) * | 2015-03-19 | 2016-04-06 | 万向A一二三***有限公司 | 一种电动汽车动力电池可行驶里程的检测方法 |
CN105235543B (zh) * | 2015-10-27 | 2017-11-14 | 北京新能源汽车股份有限公司 | 用于电动汽车剩余行驶里程的处理方法、装置及*** |
CN105844912A (zh) * | 2016-03-29 | 2016-08-10 | 乐视控股(北京)有限公司 | 提供机动车的剩余里程数据的方法、装置和服务器 |
TWI591492B (zh) * | 2016-12-19 | 2017-07-11 | Chunghwa Telecom Co Ltd | Energy consumption estimation system and method |
JP6890069B2 (ja) * | 2017-08-31 | 2021-06-18 | 株式会社東芝 | 情報処理装置、情報処理方法及びコンピュータプログラム |
CN109017316A (zh) * | 2018-08-30 | 2018-12-18 | 北京新能源汽车股份有限公司 | 一种车辆放电报警方法、装置及*** |
US12018952B2 (en) * | 2018-11-13 | 2024-06-25 | Magna powertrain gmbh & co kg | System and method for vehicle routing using big-data |
CN110077274B (zh) * | 2019-03-29 | 2020-11-06 | 厦门市兆泰云智能科技有限公司 | 一种物流电动车可行驶距离的估算方法、装置及设备 |
CN111753377B (zh) * | 2020-07-06 | 2022-09-30 | 吉林大学 | 基于道路信息的纯电动汽车能耗最优路径规划方法 |
CN113159435B (zh) * | 2021-04-29 | 2022-11-22 | 浙江吉利控股集团有限公司 | 一种新能源车辆剩余驾驶里程预测方法及*** |
CN113753053A (zh) * | 2021-09-08 | 2021-12-07 | 浙江吉利控股集团有限公司 | 一种考虑气象因素的能耗最优行车路线选择方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103236177B (zh) * | 2013-03-26 | 2015-02-18 | 清华大学 | 一种基于车网路多***融合的智能交互***的控制方法 |
CN103213504B (zh) * | 2013-04-27 | 2016-02-10 | 北京交通大学 | 一种电动汽车续驶里程估算方法 |
CN103234544B (zh) * | 2013-04-27 | 2016-04-06 | 北京交通大学 | 电动汽车电量消耗因子模型建立及续驶里程估算方法 |
-
2013
- 2013-11-11 CN CN201310556611.XA patent/CN103605885B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN103605885A (zh) | 2014-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103605885B (zh) | 一种基于交通路网信息的电动车辆剩余里程估算方法 | |
Bi et al. | Wireless charger deployment for an electric bus network: A multi-objective life cycle optimization | |
Tao et al. | Data-driven optimized layout of battery electric vehicle charging infrastructure | |
Ou et al. | Investigating wireless charging and mobility of electric vehicles on electricity market | |
CN107392400A (zh) | 计及实时交通与温度的ev充电负荷时空分布预测方法 | |
CN109447410A (zh) | 一种考虑城市路网交通运行状态的充电站选址方法 | |
CN105160428A (zh) | 高速公路电动汽车快速充电站的规划方法 | |
Bi et al. | Logistical planning for electric vehicles under time-dependent stochastic traffic | |
CN106228258A (zh) | 一种计及需求侧管理的家庭能源局域网能量优化控制方法 | |
CN105868942A (zh) | 电动汽车的有序充电调度方法 | |
CN111400662B (zh) | 一种考虑电动汽车充电需求的空间负荷预测方法 | |
CN108269008B (zh) | 考虑用户满意度和配网可靠性的充电设施优化规划方法 | |
CN106339778A (zh) | 一种考虑多目标的光蓄微电网运行优化方法 | |
CN109934403A (zh) | 基于数学模型的电动汽车居民区域充电负荷分析预测方法 | |
Sadhukhan et al. | Optimal allocation of EV charging stations in a radial distribution network using probabilistic load modeling | |
CN106875075A (zh) | 一种基于出行行为学的电动汽车充电站布点方法 | |
CN109840708A (zh) | 一种充电站建设的规划方法、***及终端设备 | |
CN103631642A (zh) | 基于生态模拟的电动汽车充换电服务网络仿真***及方法 | |
CN106530180A (zh) | 一种高寒地区充电服务网络规划方法 | |
CN107832891A (zh) | 一种城市快速路口的充电站规划方法 | |
Qiu et al. | Multi-service provision for electric vehicles in power-transportation networks towards a low-carbon transition: A hierarchical and hybrid multi-agent reinforcement learning approach | |
Borray et al. | A review of the population-based and individual-based approaches for electric vehicles in network energy studies | |
Majhi et al. | Assessment of dynamic wireless charging based electric road system: A case study of Auckland motorway | |
Su et al. | Spatial-temporal distribution model of electric vehicle charging demand based on a dynamic evolution process | |
Abdalrahman et al. | QoS-aware capacity planning of networked PEV charging infrastructure |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |