专利摘要

本发明公开了一种基于效益最大化的电动车充电调度方法和系统，其中方法包括S1：根据收集的路况信息、当前车辆信息和附近充电站的信息以及效益最大化原则，得到为用户推荐的充电站位置；S2：根据车辆的历史行驶信息和效益最大化原则，得到为用户推荐的充电电量；S3：根据所述充电站位置和所述充电电量进行充电。本发明提供的基于效益最大化的电动车充电调度方法和系统，在全局利益最大化的前提下，为用户推荐最适合的充电量和充电位置，在充电站不能满足用户需求时，还可以增派移动充电站来缓解需求压力。

权利要求

1.一种基于效益最大化的电动车充电调度方法，其特征在于，包括：

S1：根据收集的路况信息、当前车辆信息和附近充电站的信息以及效益最大化原则，得到为用户推荐的充电站位置；

S2：根据车辆的历史行驶信息和效益最大化原则，得到为用户推荐的充电电量；步骤S2具体包括：

S21：收集车辆的历史耗电量以及工作时长信息；

S22：基于效益最大化原则，通过深度学习卷积网络对步骤S21收集的数据进行分析，并基于当前的路况信息和预测路况信息向用户推荐充电电量；其中，预测路况信息通过将收集的路况信息输入到深度学习卷积网络预测得到；

S3：根据所述充电站位置和所述充电电量进行充电；

其中，效益最大化原则是指电动车充电等待时间最短，运行时间最长；

步骤S4：若需要充电的车辆数量超过充电站充电位的预设比例或等待充电时间大于预设值时，增派移动充电站为车辆进行充电；其中，充电站充电位的数量和等待充电时间根据所述附近充电站的信息得到；

步骤S4具体包括：

S41：收集当前需要充电的车辆信息及车辆状况；

S42：为不同的车辆分配不同权值，通过聚类的方法计算聚类的中心点，在聚类的中心点处部署移动充电站的位置。

2.根据权利要求1所述的一种基于效益最大化的电动车充电调度方法，其特征在于，步骤S1具体包括：

S11：收集当前的路况信息、当前车辆信息以及附近充电站的排队信息；

S12：基于效益最大化原则，通过深度学习卷积网络对步骤S11收集的信息进行学习，得到为用户推荐的充电站位置。

3.一种基于效益最大化的电动车充电调度系统，其特征在于，包括：

充电站位置推荐模块，用于根据收集的路况信息、当前车辆信息和附近充电站的信息以及效益最大化原则，得到为用户推荐的充电站位置；

充电电量推荐模块，用于根据车辆的历史行驶信息和效益最大化原则，得到为用户推荐的充电电量；所述充电电量推荐模块具体包括：

第二收集单元，用于收集车辆的历史耗电量以及工作时长信息；

第二推荐单元，用于基于效益最大化原则，通过深度学习卷积网络对第二收集单元收集的数据进行分析，并基于当前的路况信息和预测路况信息向用户推荐充电电量；其中，预测路况信息通过将收集的路况信息输入到深度学习卷积网络预测得到；

充电模块，用于根据所述充电站位置和所述充电电量进行充电；

其中，效益最大化原则是指电动车充电等待时间最短，运行时间最长；

移动充电站调度模块，用于当需要充电的车辆数量超过充电站充电位的预设比例或等待充电时间大于预设值时，增派移动充电站为车辆进行充电；其中，充电站充电位的数量和等待充电时间根据所述附近充电站的信息得到；

移动充电站调度模块具体包括：

第三收集单元，用于收集当前需要充电的车辆信息及车辆状况；

聚类部署单元，用于为不同的车辆分配不同权值，通过聚类的方法计算聚类的中心点，在聚类的中心点处部署移动充电站的位置。

4.根据权利要求3所述的一种基于效益最大化的电动车充电调度系统，其特征在于，所述充电站位置推荐模块具体包括：

第一收集单元，用于收集当前的路况信息、当前车辆信息以及附近充电站的排队信息；

第一推荐单元，用于基于效益最大化原则，通过深度学习卷积网络对第一收集单元收集的信息进行学习，得到为用户推荐的充电站位置。

说明书

技术领域

本发明涉及电动车调度技术领域，更具体的说是涉及一种基于效益最大化的电动车充电调度方法和系统。

背景技术

随着电动车技术的不断发展和电动车的普及，如何合理地利用已有的充电服务站的资源，成为了电动车技术发展的关注重点。具体而言，不同地区，例如：市中心和郊区，充电服务站的利用率呈现较大的差异性；不同时间，闲暇时间和早晚高峰期前，充电服务站的利用率也是相差悬殊。并且，大多数的用户都是高峰期时扎堆前往某一个充电站去充电，并且一直到将车辆充满才停止。同一时间同一地点的扎堆充电会使得大量的出租车停留在充电服务站没有提供服务，极大地激化了车辆和乘客的供需不平衡，而且大量的等待充电时间也会使得出租车司机的收入下降。显然的，目前的充电方式十分不合理。

因此，如何提供一种更加合理的电动车充电调度方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于效益最大化的电动车充电调度方法和系统，调度方法更加合理，能够缓解电动车的充电压力。

为了实现上述目的，本发明采用如下技术方案：

一种基于效益最大化的电动车充电调度方法，包括：

S1：根据收集的路况信息、当前车辆信息和附近充电站的信息以及效益最大化原则，得到为用户推荐的充电站位置；

S2：根据车辆的历史行驶信息和效益最大化原则，得到为用户推荐的充电电量；

S3：根据所述充电站位置和所述充电电量进行充电。

优选的，还包括步骤S4：若需要充电的车辆数量超过充电站充电位的预设比例或等待充电时间大于预设值时，增派移动充电站为车辆进行充电；其中，充电站充电位的数量和等待充电时间根据所述附近充电站的信息得到。

优选的，步骤S1具体包括：

S11：收集当前的路况信息、当前车辆信息以及附近充电站的排队信息；

S12：基于效益最大化原则，通过深度学习卷积网络对步骤S11收集的信息进行学习，得到为用户推荐的充电站位置。

优选的，步骤S2具体包括：

S21：收集车辆的历史耗电量以及工作时长信息；

S22：基于效益最大化原则，通过深度学习卷积网络对步骤S21收集的数据进行分析，并基于当前的路况信息和预测路况信息向用户推荐充电电量；其中，预测路况信息通过将收集的路况信息输入到深度学习卷积网络预测得到。

优选的，步骤S4具体包括：

S41：收集当前需要充电的车辆信息及车辆状况；

S42：为不同的车辆分配不同权值，通过聚类的方法计算聚类的中心点，在聚类的中心点处部署移动充电站的位置。

一种基于效益最大化的电动车充电调度系统，包括：

充电站位置推荐模块，用于根据收集的路况信息、当前车辆信息和附近充电站的信息以及效益最大化原则，得到为用户推荐的充电站位置；

充电电量推荐模块，用于根据车辆的历史行驶信息和效益最大化原则，得到为用户推荐的充电电量；

充电模块，用于根据所述充电站位置和所述充电电量进行充电。

优选的，还包括移动充电站调度模块，用于当需要充电的车辆数量超过充电站充电位的预设比例或等待充电时间大于预设值时，增派移动充电站为车辆进行充电；其中，充电站充电位的数量和等待充电时间根据所述附近充电站的信息得到。

优选的，所述充电站位置推荐模块具体包括：

第一收集单元，用于收集当前的路况信息、当前车辆信息以及附近充电站的排队信息；

第一推荐单元，用于基于效益最大化原则，通过深度学习卷积网络对第一收集单元收集的信息进行学习，得到为用户推荐的充电站位置。

优选的，充电电量推荐模块具体包括：

第二收集单元，用于收集车辆的历史耗电量以及工作时长信息；

第二推荐单元，用于基于效益最大化原则，通过深度学习卷积网络对第二收集单元收集的数据进行分析，并基于当前的路况信息和预测路况信息向用户推荐充电电量；其中，预测路况信息通过将收集的路况信息输入到深度学习卷积网络预测得到。

优选的，移动充电站调度模块具体包括：

第三收集单元，用于收集当前需要充电的车辆信息及车辆状况；

聚类部署单元，用于为不同的车辆分配不同权值，通过聚类的方法计算聚类的中心点，在聚类的中心点处部署移动充电站的位置。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于效益最大化的电动车充电调度方法和系统，在全局利益最大化的前提下，为用户推荐最适合的充电量和充电位置，在充电站不能满足用户需求时，还可以增派移动充电站来缓解需求压力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明提供的一种基于效益最大化的电动车充电调度方法的流程示意图；

图2为本发明提供的一种基于效益最大化的电动车充电调度系统的场景示意图；

图3为本发明提供的一种基于效益最大化的电动车充电调度系统的框架示意图；

图4为本发明提供的实现基于效益最大化的电动出租车充电调度的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

参见附图1，本发明实施例公开了一种基于效益最大化的电动车充电调度方法，具体包括如下步骤：

S1：根据收集的路况信息、当前车辆信息和附近充电站的信息以及效益最大化原则，得到为用户推荐的充电站位置；

S2：根据车辆的历史行驶信息和效益最大化原则，得到为用户推荐的充电电量；

S3：根据所述充电站位置和所述充电电量进行充电。

在这里需要说明的是，在具体实施时，并不限定步骤S1和步骤S2的先后执行关系，可以先得到充电站位置，再得到充电电量，也可以先得到充电电量，再得到充电站位置，还可以充电站位置和充电电量同时得到。

此外，这里所述的效益最大化是指电动车充电等待时间最短，运行时间最长。

在实际应用中，电动车司机会集中在某一些时段进行充电(例如：上下班高峰期前)，并且会将车辆充满电。这样同一时间同一地点的扎堆充电会使得大量的出租车停留在充电服务站，不能享受充电服务，极大地激化了车辆和乘客的供需不平衡，而且大量的等待充电时间也会使得出租车司机的收入下降。因此，本发明考虑让每一位司机都部分充电，根据出租车历史行驶的信息(例如：耗电量和工作时长等信息)推荐部分充电电量，既能够满足车辆的充电需求，保证运行时间，又能够让其他出租车能充上电，减少等待时间，使得全局利益最大化。并且，如果大量部署固定充电站，闲暇时间，充电站资源不能得到合理的利用，容易造成资源浪费。因此，本发明提出了部署移动充电车来缓解短时间内车辆和充电站供不应求的矛盾，具体请参见步骤S4。

为了进一步优化上述技术方案，在上述实施例的基础上进一步还包括步骤S4：若需要充电的车辆数量超过充电站充电位的预设比例或等待充电时间大于预设值时，增派移动充电站为车辆进行充电；其中，充电站充电位的数量和等待充电时间根据所述附近充电站的信息得到。

这里需要说明的是，在具体实现时，可以将预设比例设置为40％，将预设值设置为1小时，例如：当需要充电的车辆的数量超过充电站充电位数量的40％时，或者等待充电时间超过1小时时，增派移动充电车。在具体实现时，预设比例和预设值可以根据具体情况来自行定义。具体的，移动充电站可以是移动充电车。

当车辆的充电需求大量超出充电站的供应量时，或者在车辆需求暴增的时候，通过增派移动充电站以解决燃眉之急，来缓解充电压力。

为了进一步优化上述技术方案，在上述实施例的基础上进一步限定步骤S1具体包括：

S11：收集当前的路况信息、当前车辆信息以及附近充电站的排队信息；

S12：基于效益最大化原则，通过深度学习卷积网络对步骤S11收集的信息进行学习，得到为用户推荐的充电站位置。

由于很多用户会集中在某一个充电站进行充电，这样集中式的充电会造成大量的排队现象，而且还会有资源利用率不均衡的问题。因此，本发明提供的技术方案根据用户当前位置，用户车辆当前信息，当前路况信息以及周围充电站排队情况，在用户电量充足的前提下，为用户提供最合适的充电站地点。

为了进一步优化上述技术方案，在上述实施例的基础上进一步限定步骤S2具体包括：

S21：收集车辆的历史耗电量以及工作时长信息；

S22：基于效益最大化原则，通过深度学习卷积网络对步骤S21收集的数据进行分析，并基于当前的路况信息和预测路况信息向用户推荐充电电量；其中，预测路况信息通过将收集的路况信息输入到深度学习卷积网络预测得到。

由于许多用户都会将车辆充满才继续行驶，这会导致车辆充电的时间过长，以及后面的司机会有更长的等待时间。本发明提供的技术方案根据车辆历史耗电量和工作时长为用户推荐一个合适的部分充电的电量，以满足全局利益最大化的需求。

为了进一步优化上述技术方案，在上述实施例的基础上进一步限定步骤S4具体包括：

S41：收集当前需要充电的车辆信息及车辆状况；

S42：为不同的车辆分配不同权值，通过聚类的方法计算聚类的中心点，在聚类的中心点处部署移动充电站的位置。

在这一步中，将用户车辆想象为一个个的点，每个点根据其当前的车辆信息赋予不同的权值，再对所有的点进行聚类的操作，聚类的中心即为移动充电站所在的位置。由于移动充电站辆不能位于道路的中心，因此推荐移动车辆进入最近的停车场，为需要充电的车辆提供服务。

参见附图3，此外，本发明实施例还公开了一种基于效益最大化的电动车充电调度系统，包括：

充电站位置推荐模块，用于根据收集的路况信息、当前车辆信息和附近充电站的信息以及效益最大化原则，得到为用户推荐的充电站位置；

充电电量推荐模块，用于根据车辆的历史行驶信息和效益最大化原则，得到为用户推荐的充电电量；

充电模块，用于根据所述充电站位置和所述充电电量进行充电。

为了进一步优化上述技术方案，在上述实施例的基础上进一步，还包括移动充电站调度模块，用于当需要充电的车辆数量超过充电站充电位的预设比例或等待充电时间大于预设值时，增派移动充电站为车辆进行充电；其中，充电站充电位的数量和等待充电时间根据所述附近充电站的信息得到。

为了进一步优化上述技术方案，在上述实施例的基础上进一步限定所述充电站位置推荐模块具体包括：

第一收集单元，用于收集当前的路况信息、当前车辆信息以及附近充电站的排队信息；

第一推荐单元，用于基于效益最大化原则，通过深度学习卷积网络对第一收集单元收集的信息进行学习，得到为用户推荐的充电站位置。

为了进一步优化上述技术方案，在上述实施例的基础上进一步限定充电电量推荐模块具体包括：

第二收集单元，用于收集车辆的历史耗电量以及工作时长信息；

第二推荐单元，用于基于效益最大化原则，通过深度学习卷积网络对第二收集单元收集的数据进行分析，并基于当前的路况信息和预测路况信息向用户推荐充电电量；其中，预测路况信息通过将收集的路况信息输入到深度学习卷积网络预测得到。

为了进一步优化上述技术方案，在上述实施例的基础上进一步限定移动充电站调度模块具体包括：

第三收集单元，用于收集当前需要充电的车辆信息及车辆状况；

聚类部署单元，用于为不同的车辆分配不同权值，通过聚类的方法计算聚类的中心点，在聚类的中心点处部署移动充电站的位置。

结合附图2和附图4，附图2示出了基于效益最大化的电动车充电调度系统场景示意图，附图4示出了实现基于效益最大化的电动出租车充电调度的流程：

1)用户向云服务器提出充电申请；

2)云服务器会根据当前所收集的信息为其推荐最适合的充电站的位置；

3)云服务器会根据当前所收集的信息为其推荐最适合的充电量；

4)如果充电站无法满足当前需要充电车辆的需求，将部署移动充电站。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

一种基于效益最大化的电动车充电调度方法和系统专利购买费用说明

Q：办理专利转让的流程及所需资料

A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。

1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。

2：按规定缴纳著录项目变更手续费。

3：同时提交相关证明文件原件。

4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。

Q:专利著录项目变更费用如何缴交

A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式

Q：专利转让变更，多久能出结果

A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。