【技术实现步骤摘要】
本申请涉及运力任务调度，具体涉及一种基于补能场景的新能源运力任务调度方法及系统。
技术介绍
1、近年来，随着全球对环境保护和可持续发展的日益重视及能源结构的调整，新能源汽车作为减少碳排放、促进绿色出行的重要手段，其应用与普及率迅速提升。然而，新能源汽车在实际运营中面临的一个关键挑战是能源补给问题，例如：中长距离运输任务中如何高效、经济地管理车辆的补能需求，在不同补能站不同时段的价格存在差异时复杂补能方案对调度人员的决策压力等，这些成为制约新能源运力发展的瓶颈，遏制了产业的发展。
2、当前市场上虽已存在多种新能源车辆调度系统，但大多侧重于车辆分配、路线规划等基本功能，对于补能场景下的精细化管理和优化调度考虑不足。这些系统往往忽略了车辆实时能量状态、补能站分布及电价波动等关键因素对调度决策的影响，导致在实际运营中可能出现能源浪费、成本增加或任务延误等问题。
技术实现思路
1、为了解决上述技术问题中的至少一项技术缺陷，本申请提供一种基于补能场景的新能源运力任务调度方法及系统。
2、本申请实施例提供了一种基于补能场景的新能源运力任务调度方法，包括以下步骤：
3、采集、预处理车辆的能量、位置、能耗的实时数据；
4、根据预处理后的实时数据进行车辆续航评估和补能判断；
5、根据续航评估和补能判断的结果，筛选符合预设条件的补能站点；
6、对所筛选的补能站点进行方案计算和成本计算；
7、通过智能调度决策算法对比方案计
8、对新增运力任务循环调度，并根据实际情况动态调整、实时更新调度方案；
9、其中，智能调度决策算法基于遗传算法用于分析出能耗最低的路径组合方案，遗传算法的应用过程包括：
10、定义参数；
11、染色体编码；
12、适应度函数计算染色体总能耗；
13、迭代直到达到终止条件（例如迭代次数t）：
14、数学表达式总结，收敛到最低能耗的路径组合方案。
15、在本申请的实施例中，实时数据的采集、预处理包括：
16、实时获取新能源车辆的当前能量状态与位置信息；
17、建模并根据能耗预测模型，结合车辆历史行驶数据与实时路况信息，动态计算车辆的每公里平均能耗；
18、实时更新补能站点的位置信息与电价表，确保数据的时效性与准确性；
19、续航评估和补能判断包括：
20、根据车辆当前剩余电量与每公里平均能耗，结合任务装卸货点的距离，评估车辆是否能够从当前位置行驶至卸货点并保留20%的电量余量；
21、若评估结果显示电量不足，则自动启动补能方案；
22、筛选符合预设条件的补能站点包括：
23、采用补能站点筛选算法，以当前位置至卸货点位置为直径绘制圆形区域，综合考量能耗（距离）与电价因素，筛选出圆形区域内距离车辆最近的多个（如三个）补能站点与电价最低的多个（如三个）补能站点；
24、运用地理信息系统（gis）与数据分析算法，实现补能站点的快速定位与筛选，进行补能站点信息集成；
25、方案计算和成本计算包括：
26、针对筛选出的多个（如上述的三个加三个）补能站点，利用路线导航算法计算各方案从当前位置到补能站点再到卸货点的路线规划、路径长度与预计能耗；
27、结合各补能站点的电价信息，计算出多个方案（如上述的三个加三个）的总花费（包括行驶能耗成本与补能成本），进行成本计算；
28、智能调度决策包括：
29、对比多个方案的总花费，通过多方案比较与优化，选择成本最低的方案作为最终的调度方案；
30、调度系统根据选定的方案，向驾驶员或者自动驾驶系统发送调度指令，包括补能站点、行驶路线及预计到达时间等，实现智能补能判断与方案生成；
31、循环调度包括：
32、每次新增运单时，重复调度流程，动态调度与实时优化，确保调度方案的实时性与准确性；
33、实时更新包括：
34、系统持续监控车辆状态与补能资源变化，根据实际情况动态优化调度方案，动态调度，实时优化，支持循环派遣等复杂场景的高效运营；
35、多方案比较包括：
36、利用路线导航算法，计算各补能方案的路径长度与能耗；
37、综合考量能耗与电价，智能筛选，结合电价信息，计算各方案的总花费（包括能耗成本和电价成本）；
38、通过比较算法，自动选择总花费最低的方案作为最终调度方案；
39、智能筛选包括：
40、通过筛选算法，综合考虑距离与电价两个关键因素，生成多个备选方案，并通过精细化计算选出最优解，提高调度决策的科学性和准确性。
41、在本申请的实施例中，定义参数，包括：
42、种群（p），用于代表一组可能的解决方案；
43、染色体（c），用于代表一个潜在的解决方案；
44、基因（g），染色体中的一个单元，用于代表解决方案的一个组成部分；
45、适应度函数（f），用于评估染色体质量的函数；
46、选择算子（s），用于选择下一代染色体的过程；
47、交叉算子（x），用于结合两个染色体产生新染色体的过程；
48、变异算子（m），用于随机改变染色体的部分基因以引入多样性；
49、迭代次数（t），用于代表遗传算法运行的总代数；
50、染色体编码，包括：
51、基因1，用于代表补能站点编号g1∈{1，2，…，6}；
52、基因2，用于代表装货点g2=l，l表示装货点的集合；
53、基因3，用于代表卸货点g3=u，u表示卸货点的集合；
54、基因4，用于代表补能站点编号g4∈{1，2，…，6}或空（）；
55、适应度函数，包括：
56、适应度函数f(c)用于计算染色体c的总能耗，染色体c的适应度f(c)通过下述公式计算得出：
57、如果g1=（没有补能站点）：f(c)=d0l+dlu；
58、如果g4=（没有补能站点）：f(c)=d0il+dui；
59、否则（存在补能站点）：f(c)=min(d0il+dui，d0i+dliu)；
60、其中：
61、d0l代表从当前位置到装货点的距离；
62、dlu代表从装货点到卸货点的距离；
63、d0il代表从当前位置经过补能站点i到装货点的距离；
64、dui代表从卸货点到补能站点i的距离；
65、d0i代表从当前位置到补能站点i的距离；
66、dliu代表从装货点经过补能站点i到卸货点的距离。
67、在本申请的实施例中，迭代过程包本文档来自技高网...
【技术保护点】
1.一种基于补能场景的新能源运力任务调度方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于补能场景的新能源运力任务调度方法，其特征在于：
3.如权利要求2所述的基于补能场景的新能源运力任务调度方法，其特征在于：
4.如权利要求3所述的基于补能场景的新能源运力任务调度方法，其特征在于，
5.如权利要求4所述的基于补能场景的新能源运力任务调度方法，其特征在于：
6.如权利要求2所述的基于补能场景的新能源运力任务调度方法，其特征在于：
7.一种基于补能场景的新能源运力任务调度系统，其特征在于，采用权利要求1-6任一所述的基于补能场景的新能源运力任务调度方法，所述系统包括：
【技术特征摘要】
1.一种基于补能场景的新能源运力任务调度方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于补能场景的新能源运力任务调度方法，其特征在于：
3.如权利要求2所述的基于补能场景的新能源运力任务调度方法，其特征在于：
4.如权利要求3所述的基于补能场景的新能源运力任务调度方法，其特征在于...
【专利技术属性】
技术研发人员：孙平逸夫，魏飞，张文波，
申请(专利权)人：四川开物信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。