一种基于能耗预测的AGV集群充电调度与任务协同方法与流程

本技术涉及agv集群控制，具体涉及一种基于能耗预测的agv集群充电调度与任务协同方法。

背景技术：

1、agv（自动导引车）作为智能物流和柔性制造系统的核心执行单元，已被广泛应用于电商仓储、半导体制造、汽车装配等需要高频次物料搬运的工业场景。在这些场景中，由多台agv组成的agv集群通常需要24小时不间断运行，其电量管理直接影响整个生产系统的连续性和稳定性。随着生产节拍的不断加快和搬运任务的日益复杂，agv集群的电量调度问题已从单一的能量补充需求演变为涉及任务协同、资源分配和能耗优化的综合性调度问题。

2、现有技术中，典型的agv集群充电调度方法是为每台agv设定一个固定的电量百分比阈值，当agv检测到自身当前剩余电量低于该阈值时，立即停止当前正在执行的搬运任务并触发充电请求，随后通过无线通信向调度中心上报自身位置和请求信息，调度中心根据各充电站的实时占用情况为该agv分配一个距离最近的空闲充电桩，agv按照规划路径行驶至该充电桩完成充电，充电至满电状态后重新加入任务队列等待下一次任务分配。

3、然而，在实际复杂工况中，由于agv在长距离、重载或频繁启停等复杂任务执行过程中的实际能耗速率与空载行驶状态存在显著差异，而上述基于固定阈值触发的方案仅在充电触发的瞬间获取当前电量信息，既无法预判当前任务剩余路程中的能耗需求，也无法感知自身电池健康度衰减导致的放电特性变化，因此当agv在执行能耗速率超出预期的任务时，极有可能在到达充电站之前或恰好到达任务中途点时就已耗尽电量，造成物料搬运被迫中断和设备滞停。该问题在大规模agv集群和高节拍生产线中尤为突出，因为单台agv的突然停机不仅影响其自身所在工位，还会因物料衔接断链而引发连锁反应，导致整条产线或仓储区域的流转效率急剧下降。

技术实现思路

1、针对现有基于固定阈值触发的agv集群充电调度方法无法预判agv在重载或长距离任务中的实际能耗速率，导致agv往往在任务执行途中电量耗尽而突然停机并造成物料搬运中断的技术问题，本技术提供一种基于能耗预测的agv集群充电调度与任务协同方法，通过提前预测每台agv的未来能耗以识别即将低电量的agv，并综合其电量危险度、任务紧迫度和充电站拥挤度为其规划最优充电桩，同时触发空闲agv接替其未完成任务，在充电阶段按紧迫程度动态分配功率，形成闭环调度。

2、第一方面，本技术提供一种基于能耗预测的agv集群充电调度与任务协同方法，包括循环执行的以下步骤：

3、s1. 获取agv集群中每台agv的agv状态数据、任务属性数据和充电站状态数据；

4、其中，agv状态数据包括当前工作状态、剩余电量百分比、运动参数、负载参数、环境参数和历史能耗记录，任务属性数据包括剩余任务距离和任务截止时间，充电站状态数据包括各充电桩的排队队列长度；

5、s2. 基于每台agv的agv状态数据，利用混合能耗预测模型对每台agv在未来时段内的能耗进行预测，输出预测能耗值，基于预测能耗值计算每台agv的剩余电量变化曲线，并标记其电量低于安全阈值的时刻；

6、其中，混合能耗预测模型包括基于物理机理的能耗解析模型和预训练的残差补偿模型，能耗解析模型输出理论能耗基线，残差补偿模型基于神经网络构建，输出残差补偿值，混合能耗预测模型将能耗解析模型输出的理论能耗基线与残差补偿模型输出的残差补偿值相加，得到预测能耗值；

7、s3. 根据每台agv的剩余电量变化曲线、任务属性数据和充电站状态数据，计算每台agv的综合充电紧迫度指数，将综合充电紧迫度指数超过预设紧迫度指数阈值的agv标记为待充电agv，并为每台待充电agv选择最小化前往充电桩的空驶能耗与预计排队等待时间加权和的最优充电桩；

8、s4. 对当前任务未完成的待充电agv，从周围的预设半径内选取候选agv，在满足承接任务后剩余电量高于安全值的约束下，选择能耗增量最小的候选agv承接未完成任务，并下发接续指令；

9、其中，候选agv为当前工作状态为空闲状态的agv；

10、s5. 控制每台待充电agv抵达其对应的充电桩，然后根据当前所有正在充电及排队中的待充电agv的综合充电紧迫度指数动态分配各充电枪的输出功率，每台待充电agv在充电结束后将其当前工作状态更新为空闲状态。

11、进一步需要说明的是，能耗解析模型的输入为agv状态数据中的当前行驶速度、运行路径坡度、负载重量、环境温度、电机电流瞬时值和剩余电量百分比，输出为单位时间步长的理论能耗基线；

12、能耗解析模型的数据处理流程为：

13、s201. 依据动力学方程计算当前agv单位时间内克服阻力所需的机械功率，公式为：

14、

15、其中，为当前agv的总质量，其计算公式为：

16、

17、为当前agv的空载质量，为当前agv的负载重量，为重力加速度，为滚动摩擦系数，为空气密度，为风阻系数，为迎风面积；

18、s202. 计算当前agv的理论能耗基线，计算公式为：

19、

20、其中，为单位时间步长，为关于当前行驶速度v和电机电流瞬时值i的电机效率函数，为关于剩余电量百分比soc和环境温度的电池放电效率函数；

21、残差补偿模型为长短期记忆神经网络，其输入为过去个时间步的残差序列，其中为时间窗口长度，；

22、为第个时间步的实际能耗，为同时间步的能耗解析模型输出的理论能耗基线；残差补偿模型的输出为未来个时间步的残差补偿值，其中为预测时间步数量，为第个预测时间步的残差补偿值；

23、混合能耗预测模型将能耗解析模型输出的理论能耗基线与残差补偿模型输出的残差补偿值相加，得到预测能耗值，其计算公式为：

24、

25、其中为第个预测时间步的预测能耗，为第个预测时间步的理论能耗基线，为第个预测时间步的残差补偿值。

26、进一步需要说明的是，残差补偿模型的预训练过程包括：

27、从agv的历史运行数据中提取各时间步的实际能耗，将实际能耗与同时间步的理论能耗基线作差得到残差标签；

28、初始化残差补偿模型，以连续个时间步的残差序列作为训练样本输入初始化后的残差补偿模型，以随后个时间步的残差标签作为预测目标进行训练，训练过程中采用反向传播算法和自适应矩估计优化器训练残差补偿模型的网络参数，使预测残差与残差标签之间的均方误差最小化，直至在验证集上损失函数收敛，得到预训练的残差补偿模型。

29、进一步需要说明的是，步骤s2中，利用预训练的混合能耗预测模型对每台agv在未来时段内的能耗进行预测，得到预测能耗值，再根据预测能耗值计算剩余电量变化曲线，并标记电量低于安全阈值的时刻，具体包括：

30、将agv状态数据中的当前行驶速度、运行路径坡度、负载重量、环境温度、电机电流瞬时值和剩余电量百分比输入混合能耗预测模型，输出预测能耗值；

31、根据预测能耗值累加计算剩余电量变化曲线，其计算公式为：

32、

33、其中为第个预测时间步的剩余电量百分比，为当前时刻的剩余电量百分比，为第个预测时间步的预测能耗，为电池额定容量；

34、将满足的最早时刻标记为电量低于安全阈值的时刻，其中为预设的安全电量阈值。

35、进一步需要说明的是，步骤s2中，混合能耗预测模型以固定时间窗口滚动执行，每个调度周期内将最新获取的agv状态数据输入模型，更新输出的最终预测能耗值、剩余电量变化曲线和标记时刻。

36、进一步需要说明的是，步骤s3中，综合充电紧迫度指数的计算公式为：

37、

38、其中，为预设的电量危险度权重系数，为预设的任务紧迫度权重系数，为预设的充电站拥挤度惩罚因子权重系数；

39、电量危险度的计算公式为：

40、

41、其中，为sigmoid函数，为预测到达下一充电桩所需电量，为预设的缩放系数；

42、任务紧迫度的计算公式为：

43、

44、其中，为剩余时间，其计算公式为：

45、

46、为任务截止时间，为当前时刻，为预估行驶时间，其计算公式为：

47、

48、为任务剩余距离，为平均行驶速度，为预设的敏感度系数；

49、充电站拥挤度惩罚因子的计算公式为：

50、

51、为待选充电桩的排队队列长度，为充电站充电枪总数，为预设的放大系数。

52、进一步需要说明的是，、、根据历史运行数据通过遗传算法离线优化确定，优化目标为最小化加权任务中断率和充电等待时间的加权和，适应度函数为：

53、

54、其中，为任务中断率，为平均充电等待时间，为任务中断率的预设惩罚系数，为平均充电等待时间的预设惩罚系数。

55、进一步需要说明的是，步骤s3中，最优充电桩的选择依据为最小化目标函数，其计算公式为：

56、

57、其中，为第辆待充电agv到第台充电桩的距离，为agv空载行驶时的机械功率，为平均行驶速度，为空驶能耗折算系数，为充电桩的预计排队等待时间，为时间成本权重。

58、进一步需要说明的是，通过对当前已排队agv按照各自的综合充电紧迫度指数排序后进行虚拟排程来估算。

59、进一步需要说明的是，步骤s4中，采用匈牙利算法求解任务分配矩阵，代价矩阵元素的计算公式为：

60、

61、其中，为第辆待充电agv的剩余任务距离，为第辆候选agv前往交接点的路程，为第辆候选agv 的平均行驶速度，为装卸时间。

62、进一步需要说明的是，步骤s4中，约束条件为候选agv 承接任务后的剩余电量高于安全值，其公式为：

63、

64、其中，为第辆候选agv的当前剩余电量百分比，为第辆候选agv承接任务所需电量，为电池额定容量，为预设的安全电量阈值。

65、进一步需要说明的是，步骤s4中，在满足约束的可行解中，选择能耗增量最小的分配方案，的计算公式为：

66、

67、其中，为候选第辆候选agv因承接额外任务而增加的能耗。

68、进一步需要说明的是，步骤s5中，动态分配各充电枪的输出功率采用比例积分控制器调节，控制律公式为：

69、

70、其中，为正在充电的充电枪序号，为第个充电枪在时刻的输出功率，为基准功率，为比例系数，为积分系数，为第个充电枪对应的正在充电的agv的综合充电紧迫度指数，为当前所有正在充电的agv的平均综合充电紧迫度指数，τ为积分变量。

71、进一步需要说明的是，步骤s5中，分配过程中同时满足总功率约束和各agv最低充电电流约束，总功率约束的公式为：

72、

73、其中，为充电站变压器容量上限；

74、agv最低充电电流约束的公式为：

75、

76、其中，为电池电压，为电池管理系统要求的最低维持电流。

77、进一步需要说明的是，步骤s5中，还包括在充电过程中监测每台agv的电量回升速率和电池温度，当agv的剩余电量百分比达到预设的安全电量阈值或其综合充电紧迫度指数排名下降至低于新进入充电站的待充电agv时，按照所述功率分配控制律重新计算并调整各充电枪的输出功率。

78、第二方面，本技术提供一种基于能耗预测的agv集群充电调度与任务协同系统，用于实现上述agv集群充电调度与任务协同方法，包括：

79、数据获取模块，用于获取agv集群中每台agv的agv状态数据、任务属性数据和充电站状态数据；

80、剩余电量变化曲线生成模块，用于基于每台agv的agv状态数据，利用混合能耗预测模型对每台agv在未来时段内的能耗进行预测，输出预测能耗值，基于预测能耗值计算每台agv的剩余电量变化曲线，并标记其电量低于安全阈值的时刻；

81、最优充电桩选择模块，用于根据每台agv的剩余电量变化曲线、任务属性数据和充电站状态数据，计算每台agv的综合充电紧迫度指数，将综合充电紧迫度指数超过预设紧迫度指数阈值的agv标记为待充电agv，并为每台待充电agv选择最小化前往充电桩的空驶能耗与预计排队等待时间加权和的最优充电桩；

82、任务交接模块，用于对当前任务未完成的待充电agv，从周围的预设半径内选取候选agv，在满足承接任务后剩余电量高于安全值的约束下，选择能耗增量最小的候选agv承接未完成任务，并下发接续指令；

83、充电管理模块，用于控制每台待充电agv抵达其对应的充电桩，然后根据当前所有正在充电及排队中的待充电agv的综合充电紧迫度指数动态分配各充电枪的输出功率，每台待充电agv在充电结束后将其当前工作状态更新为空闲状态。

84、第三方面，本技术提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器用于执行计算机程序时实现上述agv集群充电调度与任务协同方法的步骤。

85、第四方面，本技术提供一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述agv集群充电调度与任务协同方法的步骤。

86、从以上技术方案可以看出，本技术具有以下优点：

87、1. 本技术通过获取agv状态数据并利用混合能耗预测模型对每台agv在未来时段内的能耗进行滚动预测，输出剩余电量变化曲线并标记低电量时刻，在此基础上计算综合充电紧迫度指数以标记待充电agv并为其选择最优充电桩，同时对当前任务未完成的待充电agv触发接力任务机制以实现任务无缝接续，在充电阶段根据综合充电紧迫度指数动态分配各充电枪的输出功率并在充电结束后更新agv工作状态为空闲，上述步骤循环执行形成完整闭环控制链路，解决了现有技术因缺乏对未来能耗变化趋势的预测能力和任务接续机制而导致agv在复杂任务中途耗尽电量被迫停机并造成物料流转中断的问题，使agv集群能够在持续运行场景下实现充电时机精准判断、任务无缝接续和充电功率合理分配，显著提升了高节拍生产环境中agv集群的运行连续性和整体作业效率。

88、2. 本技术通过计算由电量危险度、任务紧迫度和充电站拥挤度惩罚因子加权求和得到的综合充电紧迫度指数，并依据该指数将超过预设阈值的agv标记为待充电agv，再为每台待充电agv选择最小化空驶能耗与预计排队等待时间加权和的最优充电桩，使充电决策能够同时综合反映agv自身的电量风险、当前任务的紧急程度以及充电站的实时拥挤状况，避免了多台agv同时涌向同一充电桩所造成的排队拥堵和无效空跑，降低了整体能耗和单次充电等待时间。

89、3. 本技术通过对当前任务未完成的待充电agv触发接力任务机制，从其周围预设半径内选取当前工作状态为空闲状态的候选agv，在满足承接后剩余电量高于安全值的约束下选择能耗增量最小的候选agv承接未完成任务，同时根据当前所有正在充电及排队中的待充电agv的综合充电紧迫度指数动态分配各充电枪的输出功率，并在充电结束后将agv的当前工作状态更新为空闲状态，使充电决策、任务接续和功率分配三者协同配合，保证了待充电agv无需等待完成当前任务即可离场充电且未完成的任务由其他空闲agv无缝接续执行，解决了现有技术中agv因强制中断任务而导致物料流转停滞和生产节律紊乱的问题，保障了生产任务的连续性和准时交付率。