本發(fā)明申請屬于充電車充電路徑規(guī)劃，更具體地說，尤其涉及工程車輛用移動充電車充電路徑實時規(guī)劃系統(tǒng)及規(guī)劃方法。

背景技術：

1、隨著社會的發(fā)展，電動汽車具有較高的政策補貼、較低的運行成本以及低無人的特點，因此，電動汽車也逐漸使用到工程車輛當中，并且使用量正在逐漸增加，但是，與燃油車相比，電動汽車運行里程更低，且充電基礎設施(插入式充電樁，充電車道以及電池更換站)不足。因此，更大范圍的電動工程車普及受極大限制。移動充電車輛作為一種新興的充電模式可以靈活移動至電量不足的電動汽車停車位置幫助其補充電量。

2、然而現(xiàn)有技術存在一些問題：在移動充電車路徑規(guī)劃中，優(yōu)先聚焦于單一目標，例如最短距離或最快到達時間，當路線中發(fā)生交通擁堵或其他交通事故時，不能及時對移動充電車的路徑進行調整，使充電車長時間滯留在擁堵路段，無法及時到達指定位置，從而導致工程車電量不足，造成運營中斷的風險。因此，我們提出工程車輛用移動充電車充電路徑實時規(guī)劃系統(tǒng)及規(guī)劃方法。

技術實現(xiàn)思路

1、針對現(xiàn)有技術存在的問題，本發(fā)明申請的目的是提供工程車輛用移動充電車充電路徑實時規(guī)劃系統(tǒng)及規(guī)劃方法，基于預測模型和歷史數(shù)據(jù)，能夠在高效規(guī)劃出最優(yōu)路徑的基礎上，提前預測路徑上可能發(fā)生的擁堵，并通過實時數(shù)據(jù)來對充電路徑進行及時的調整，以此來減少不必要的行駛時間和能耗。為實現(xiàn)上述目的，本發(fā)明申請?zhí)峁┤缦录夹g方案：

2、第一方面，工程車輛用移動充電車充電路徑實時規(guī)劃系統(tǒng)，包括：

3、數(shù)據(jù)采集模塊：包括gps定位單元、車載傳感器和無線通信單元，用于實時采集工程車的車況；

4、數(shù)據(jù)處理模塊：對采集到的信息進行數(shù)據(jù)處理和分析，包括評估工程車充電需求的緊急程度、計算最優(yōu)路徑和優(yōu)化多車充電任務的調度；

5、路徑規(guī)劃模塊：根據(jù)工程車的實時位置和充電需求，結合實時路況信息，指定工程車充電位置，并規(guī)劃充電車最優(yōu)路徑；

6、控制模塊：根據(jù)任務優(yōu)先級、實時路況、充電車狀態(tài)因素，對多輛工程車的充電請求進行調度和控制；

7、用戶交互模塊：為用戶提供實時路況、充電站信息、路徑規(guī)劃結果以及充電進度的展示和查詢，同時接收用戶的反饋意見；

8、數(shù)據(jù)庫：負責存儲和管理系統(tǒng)中的各類數(shù)據(jù)，包括工程車信息、充電車信息、實時路況數(shù)據(jù)、充電站信息以及歷史調度數(shù)據(jù)。

9、可選地，在所述數(shù)據(jù)采集模塊中：

10、所述gps定位單元激活接收器，捕獲衛(wèi)星信號，實時提取工程車的位置、方向信息、目的地以及行駛路徑；

11、所述車載傳感器單元用于檢測工程車電池續(xù)航狀態(tài)、車輛狀態(tài)以及環(huán)境參數(shù)；

12、所述無線通信單元安裝于工程車車載終端，用于將采集的數(shù)據(jù)上傳至數(shù)據(jù)處理模塊，并接收來自工程車輛用移動充電車充電路徑實時規(guī)劃系統(tǒng)的控制指令與參數(shù)更新。

13、可選地，所述數(shù)據(jù)處理模塊包括：

14、1)數(shù)據(jù)預處理：接收采集到的信息數(shù)據(jù)，去除噪聲數(shù)據(jù)、異常值或不完整記錄，并統(tǒng)一數(shù)據(jù)格式；

15、2)充電需求評估：設定電量閾值，通過機器學習算法，根據(jù)工程車當前任務的重要性和剩余時間，結合歷史數(shù)據(jù)訓練預測和評估充電需求的緊急程度；

16、3)最優(yōu)路徑計算：將實時路況信息數(shù)據(jù)集成到地圖數(shù)據(jù)中，計算從工程車當前位置到充電站的最優(yōu)路徑；

17、4)多車任務調度優(yōu)化：運用智能優(yōu)化算法，將工程車的充電請求按緊急程度排序，形成任務隊列。

18、可選地，所述充電需求評估包括：

19、設定電量閾值包括：20％為低電量閾值，需要立即調度充電任務；40％為中電量閾值，基于任務路程以及任務緊急程度，優(yōu)先調度充電任務；80％為高電量閾值，作為充電完成的參考點；

20、任務緊急性評定：基于任務重要性、剩余工作時間、備用方案對任務緊急性進行綜合評估，設定一般1-10、中等11-20、緊急21-30的分值，基于所述三項分值之和取平均值，通過向下取整得到最終評分，具體為：

21、總評分＝(任務重要性評估分值+剩余工作時間評估分值+備用方案評估分值)/3

22、機器學習模型預測：至少接收當前電量百分比、任務剩余時間、任務重要性評分、歷史充電行為數(shù)據(jù)，根據(jù)上述特征輸入，輸出一個預測結果，表明充電需求的緊急程度，包括緊急、較緊急、一般。

23、可選地，計算最優(yōu)路徑包括：

24、獲取路況信息，包括擁堵程度、事故報告、道路封閉；

25、獲取地圖數(shù)據(jù)，包括道路網(wǎng)絡、交叉路口和充電站位置；

26、基于實時路況利用算法進行路徑搜索，并定義路況函數(shù)h(n)為：

27、路況函數(shù)h(n)＝直線距離(x,y)*路況因子(n,g)

28、其中：直線距離(x,y)為從節(jié)點x到目標節(jié)點y的直線距離；

29、路況因子(n,g)為基于實時路況的數(shù)據(jù)因子，并根據(jù)實時路況進行調整；

30、1)路段暢通無阻時，路況因子接近1；

31、2)路況越擁堵，路況因子則遠大于1；

32、設定起點s，目標點g；

33、基于地圖網(wǎng)格，s坐標為(0,0)，g坐標為(x,y)；

34、獲取實時路況信息：從起點s到目標g的直線道路上，某段路徑因事故擁堵，故路況因子為2，其余路段路況良好，路況因子為1；

35、計算任意節(jié)點的路況函數(shù)h(n)大小，獲取該節(jié)點時間成本的數(shù)值；

36、初始化待計算節(jié)點列表open?list和已選中節(jié)點列表closedlist；

37、將起點s加入初始化待計算節(jié)點列表openlist，具體公式為：

38、f(s)＝g(s)+h(s)；

39、其中，g(s)為從起點到當前節(jié)點的實際時間成本；

40、h(s)為當前節(jié)點到目標節(jié)點的估計時間成本；

41、f(s)為上述二者之和；

42、循環(huán)從open?list中選擇f(s)最小的節(jié)點n，處理其鄰近節(jié)點n′，更新g(n′)和f(n′)，如果鄰近節(jié)點n′不在closedlist中且f(n′)更小，則更新并加入open?list；

43、重復上述步驟，直到找到目標點g；

44、計算完整路徑總成本；

45、生成并輸出多個當前路況用時最短的路徑。

46、可選地，所述完整路徑總成本包括：

47、遍歷路徑上每個節(jié)點，并將相鄰節(jié)點之間的成本整合；

48、設置路徑由節(jié)點序列p＝{s,n1,n2,...,g}組成，總成本c可以計算為：

49、

50、其中：cost_to_move_from_ni-1_to_ni是從節(jié)點ni-1移動到節(jié)點ni的成本；

51、其中，ni為路徑上的節(jié)點。

52、可選地，所述路徑規(guī)劃模塊包括：

53、通過多渠道獲取實時數(shù)據(jù)，包括車輛定位數(shù)據(jù)、路況數(shù)據(jù)和交通流量；

54、整合并分析歷史交通數(shù)據(jù)、充電需求數(shù)據(jù)以及天氣數(shù)據(jù)，以建立預測模型；

55、對收集到的數(shù)據(jù)進行清洗，去除噪聲和異常值，并進行標準化處理；

56、利用機器學習算法對歷史交通數(shù)據(jù)和實時路況數(shù)據(jù)進行學習，預測未來一段時間內的交通擁堵情況、道路封閉信息；

57、獲取數(shù)據(jù)處理模塊輸出的最優(yōu)路徑；

58、將路況預測和充電需求預測的結果集成到路徑規(guī)劃算法中，修正并計算出既滿足充電需求又能避開可能發(fā)生擁堵的路段的最優(yōu)路徑；

59、將規(guī)劃好的路徑指令發(fā)送至移動充電車和帶充電工程車，指導其前往目標位置充電；

60、通過車載設備實時檢測車輛行駛情況和路況變化；

61、獲取充電任務完成情況和反饋，收集車輛行駛數(shù)據(jù)和路況時段擁堵情況、評估路徑規(guī)劃效果；

62、根據(jù)反饋數(shù)據(jù)對預測模型和路徑規(guī)劃算法進行持續(xù)優(yōu)化。

63、可選地，所述建立預測模型包括：

64、從數(shù)據(jù)庫中獲取原始數(shù)據(jù)，并進行特征提取，包括時間、地點、天氣條件、歷史交通流量和歷史擁堵指數(shù)，并生成訓練集、驗證集和測試集；

65、根據(jù)數(shù)據(jù)特性，構造新的特征，包括時間段特征、天氣影響指數(shù)、去除不相關或冗余的特征；

66、基于交通擁堵預測，設置機器學習算法模型，并通過訓練集對模型進行訓練和性能測試；

67、根據(jù)評估結果對模型進行參數(shù)調整、改進特征或嘗試不同算法；

68、最后，將訓練好的機器學習算法模型部署在路徑規(guī)劃模塊中；

69、所述新的特征包括設置早、晚高峰擁堵、不規(guī)律時段的路況擁堵、季節(jié)性氣候變化。

70、第二方面，工程車輛用移動充電車充電路徑實時規(guī)劃方法，采用上述第一方面任一所述的工程車輛用移動充電車充電路徑實時規(guī)劃系統(tǒng)，包括以下步驟：

71、s1，數(shù)據(jù)采集：通過gps、傳感器和無線通信單元，實時獲取工程車和移動充電車的位置、狀態(tài)及環(huán)境數(shù)據(jù)；

72、s2，數(shù)據(jù)處理：對收集的數(shù)據(jù)進行預處理，評估充電需求緊急度，計算最優(yōu)路徑，并優(yōu)化多車充電任務調度；

73、s3，路徑規(guī)劃：通過預測模型智能規(guī)劃路徑，并結合實時路況與充電需求，實時調整移動充電車的充電路徑；

74、s4，控制與調度：將規(guī)劃好的路徑指令發(fā)送至移動充電車和待充電工程車，指導其前往目標位置充電；

75、s5，用戶交互：提供實時路況、充電站信息、路徑規(guī)劃結果以及充電進度的展示和查詢，并接收用戶的反饋意見；

76、s6，數(shù)據(jù)庫管理：存儲和管理系統(tǒng)中的各類數(shù)據(jù)，包括工程車信息、充電車信息、實時路況數(shù)據(jù)、充電站信息以及歷史調度數(shù)據(jù)。

77、可選地，步驟s3包括：

78、s31，收集大量原始數(shù)據(jù)，包括道路擁堵情況、交通事故、施工信息、天氣變化，并生成大量路況訓練集；

79、s32，構建預測模型，利用歷史數(shù)據(jù)和機器學習算法構建預測模型，綜合時間、天氣、節(jié)假日因素，預測未來一段時間內的路況變化、充電需求分布；

80、s33，基于預測模型和實時數(shù)據(jù)，采用路徑規(guī)劃算法為移動充電車規(guī)劃最優(yōu)路徑；

81、s34，實時監(jiān)測行駛路徑的路況變化，對行駛路徑做出調整，并重新規(guī)劃路徑；

82、s35，收集充電過程中的實際數(shù)據(jù)，評估路徑規(guī)劃的效果，根據(jù)用戶反饋和實際效果，優(yōu)化預測模型和路徑規(guī)劃算法。

83、本發(fā)明申請的技術效果和優(yōu)點：系統(tǒng)通過實時監(jiān)測路況變化，包括交通擁堵、事故等突發(fā)情況，在接收到工程車的充電請求后，可以合理規(guī)劃出最優(yōu)路徑，然后，預測模型基于歷史數(shù)據(jù)中，路徑中發(fā)生擁堵的概率，來對路徑進行修正，確保移動充電車不會在行駛時，進入擁堵路徑，并且通過實時路徑調整，來減少充電車在路上的滯留時間，使其能夠更快地到達指定位置為工程車提供充電服務，這有助于避免因充電車長時間未到達而導致的工程車電量不足問題，進而降低運營中斷的風險。

84、通過以下參照附圖對本發(fā)明申請的示例性實施例的詳細描述，本發(fā)明申請的其它特征及其優(yōu)點將會變得清楚。