CN112789193A - 用于预测性地控制机动车辆的电能存储器的充电过程的方法和后端设备 - Google Patents

Abstract

本发明涉及一种用于预测性控制(20)机动车辆(12)的电能存储器(13)的充电过程的方法，其中，通过充电装置(11)来控制在能量存储器(13)与电能量源(15)之间的能量交换(14)。根据本发明，预测由机动车辆(12)的相应停车阶段产生的无能量需求(N)的未来时间曲线(25)，并且如果无能量需求(N)的预测时间曲线(25)满足指定的随后时间间隔(23)的指定的休息标准(22)，则借助于充电装置(11)将能量存储器(13)的充电状态(SOC)保持在阈值(21)以下，而不管能量源(15)的充电输出的可用性。

Description

用于预测性地控制机动车辆的电能存储器的充电过程的方法 和后端设备

技术领域

本发明涉及一种用于可电驱动的机动车辆的电能存储器的预测性充电控制的方法和后端设备。充电控制旨在确保电能存储器的平稳操作。

背景技术

在此，例如可以提供具有锂离子电池单元的电池作为能量存储器。锂离子电池单元的老化或磨损取决于电池的温度和充电状态(SOC)。因此，锂离子电池应当存储在10摄氏度以下，并且处于中等(30-50%)或甚至低(0-30%)的SOC。在这些储存条件下，可用的电池容量在15年内减少小于10%，这是非常有益的。

然而，当充电状态降低时，机动车辆的可用里程同样降低。存在基于先前行程来学习行程的目的地且例如输出可能目的地或到目的地的可能路径(最可能路径)的方法。示例是US 20070150174A1、US 8768616B2、EP2042833A1、DE102011078946A1。这些方法具有缺点，即在一些情况下，其仅根据行进的第一路段而确定行程期间的行程目的地。然而，这太迟而不能将能量存储器保持在低SOC(充电状态)水平，因为此时不再可能借助于充电装置来调整充电状态。

发明内容

本发明基于提供一种用于机动车辆的电能存储器的充电控制的目的，其中，该充电控制旨在使得能够平缓地操作能量存储器。

该目的通过专利独立权利要求的主题来实现。本发明的有利发展由专利从属权利要求、随后的描述和附图来描述。

本发明提供一种用于(可电驱动的)机动车辆的电能存储器的预测性充电控制的方法。该方法从能量存储器和电能量源之间的能量交换可以由充电装置控制的事实出发。能量源可以是电网，例如公共电网，也就是说能量供应网。充电装置可以具有端子，经由该端子可以将机动车辆的能量存储器与能量源连接。在此，电网与能量存储器之间的能量交换或能量流可以由充电装置控制。充电装置可以设计为固定装置，例如设计为充电站或设计为用于机动车辆的充电器。现在的问题是，何时以及多少能量通过充电装置加载到能量存储器中或者从能量存储器馈入电网中，也就是说，应该为能量存储器的平缓操作设置哪个充电状态(SOC)。

根据该方法，预测或预报无能量需求的未来时间分布。所述无能量需求由机动车辆的相应停车阶段或休息阶段产生。无能量需求例如可以是机动车辆经由充电装置与能量源耦合的时间段。换句话说，当机动车辆不被驱动时，总是存在无能量需求。因此，无能量需求的所述时间分布可以指示，机动车辆与充电装置耦合或连接，也就是说，何时可以借助于充电装置进行能量交换。

该方法现在规定，如果对于预定的下一时间间隔，无能量需求的预测的时间分布满足预定的休息标准，则借助于充电装置将能量存储器的充电状态保持在极限值以下。因此，考虑到根据无能量需求的时间分布何时不需要来自能量存储器的能量，这通过无能量需求的预测时间分布针对预定下一时间间隔满足预定休息标准的事实来表示。所述时间间隔可以意味着例如基于所考虑的时间点，针对下一分钟或下一小时将满足休息标准。然而，时间间隔也可以是0秒，这意味着仅考虑当前考虑的时间点。在此，休息标准可以规定，不需要机动车辆，也就是说不需要来自能量存储器的能量。例如，可以将无能量需求的时间分布高于预定阈值指定为休息标准。在此，所考虑的时间间隔可以选择为，使得可以考虑对于能量存储器充电可能必需的充电持续时间，从而在根据预测的时间分布在预定的未来时间点不再满足休息标准的情况下，也对能量存储器进行充电。

也就是说，当机动车辆耦合到充电装置时，可以基于未来的时间分布在该时间期间确定无能量需求，也就是说，可以监测或估计或预测机动车辆在没有能量需求的情况下将有多长时间，也就是说，保持未使用和/或保持耦合到充电装置。然后可以将充电状态保持在针对该时间的极限值以下。这里应当注意的是，无论电网中有哪些充电功率可用，充电状态都可以保持在极限值以下。换句话说，充电状态因此不需要保持低于极限值，因为当前没有充电功率可从能量源获得和/或因为至少一个其他机动车辆将首先被充电并且总充电功率将保持低于阈值。相反，能量存储器的充电状态可以保持低于极限值，而不管能量源的充电功率的可用性如何。重点是延长能量存储器的使用寿命。然而，如果能量存储器要被集成到由具有时间相关的电价的多个能量存储器组成的更大的电网（例如低压电网）中，则可以权衡使用寿命和成本节省之间的益处，并且因此还可以另外推迟充电过程。基于完全充电状态（100%充电状态），这里的极限值优选低于70%，特别是低于完全充电状态的60%。还可以例如根据能量存储器和/或机动车辆的环境温度设置极限值，这在开始时已经被描述为有利的。

因此，当其连接到充电装置时，机动车辆不会不必要地负担到能量存储器具有促进能量存储器磨损的充电状态的效果。只有当基于无能量需求的预测时间分布识别出未来将违反休息标准或者相反地无能量需求结束（并且因此由于停车阶段结束而存在能量需求）时，才可以开始充电过程或能量交换，以便为停车阶段或休息阶段的结束准备能量存储器。取决于将来何时将违反休息标准，例如可以指定充电过程的开始。这里还可以考虑可用的和/或指定的充电功率和/或当前的充电状态。

本发明还包括提供附加优点的实施例。

在一个实施例中，用于时间分布的相应时间点的无能量需求的所述预测时间分布指示机动车辆在基于相应时间点t的预定下一时间段内不需要来自能量存储器的任何电能和/或将保持耦合到充电装置和/或能量源。从相应时间点t计算的所述下一时间段可以例如在1分钟至1小时的范围内，例如在1分钟至30分钟内。因此，时间分布指示在相应的时间点t处机动车辆是否将继续不需要来自能量存储器的电能，特别是在下一个所述预定时间段（例如，10分钟）内，和/或机动车辆是否将在所述时间段内继续保持耦合到充电装置。为了排他地考虑相应的当前时间点，所考虑的时间段也可以是0分钟。因此，在每种情况下针对不同时间点的无能量需求的时间分布指示机动车辆是否将仍然可用于能量交换器。

如果机动车辆连接到充电装置，并且能量存储器放电到充电状态低于所述极限值的程度，则只要无能量需求的时间分布满足休息标准，充电装置就可以简单地保持停用和/或可以省略能量交换。当然，在此可以规定，在能量存储器被放电到低于预定的最小充电状态的情况下，至少最小充电状态通过能量交换被恢复。

然而，在机动车辆连接到充电装置并且充电状态高于极限值的情况下，一个实施例提供了能量存储器被放电直到充电状态低于电流极限值。这确保甚至具有完全充电的能量存储器或其充电状态高于极限值的能量存储器的机动车辆在停车阶段中也被平稳地操作。

在一个实施例中，所述时间分布是概率指示。极限值在此可以作为概率指示的函数在值方面被连续地调整，充电状态被保持低于所述极限值。如果时间分布因此表现出随时间的波动或变化，则也可以为极限值设置对应的波动或变化。“在值方面连续地”在这里意味着与在时间方面连续调整的差异，这无论如何都是由调整引起的。作为在值方面的连续调整的替代方案，可以提供步进式调整，也就是说，可以提供若干极限值或一组极限值，在这些极限值之间可以逐步切换。由于在设置极限值时考虑了概率指示，所以如果针对无能量需求的概率指示减小，则可以通过对能量存储器再充电来增加充电状态，结果是如果实现或发生机动车辆正被使用的概率，则增加的充电状态向驾驶员提供能含量。换句话说，充电状态保持在极限值，而不仅仅是低于极限值的任何充电状态。

无能量需求的时间分布只能指示机动车辆何时处于停车阶段或休息阶段，也就是说，它何时耦合到充电装置。这里也可以提供所述概率指示。当机动车辆未耦合到充电装置，而是被使用或正在驾驶时，知道机动车辆然后可能需要多少能量是有利的。具体地，然后可以在停车阶段结束之前相应地执行或调整充电过程。

在一个实施例中，为此还预测从能量存储器所需的机动车辆的能量需求的相应时间分布。因此，对于几个不同的时间点或对于几个不同的时间间隔，估计或指示机动车辆在每种情况下可能需要多少能量。例如，这可以被指定为功率要求。在无能量需求的时间分布违反休息标准的情况下，也就是说机动车辆将结束停车阶段，借助于充电装置根据能量需求的预测分布来设置充电状态。由于违反休息标准，表明即将使用机动车辆。由于现在借助于无能量要求的预测时间分布预先已知这一点，因此可以在实际违反休息标准之前启动或开始充电过程。然后，可以基于根据能量需求的预测时间分布的能量需求来确定机动车辆的即将到来的操作阶段（也就是说，中断的停车阶段）需要多少能量。因此，能量存储器不必被完全充电（至100%SOC)，但是从能量源到能量存储器的能量交换可以被限制，具体地取决于能量要求的所确定的时间分布。这导致大量能量不被不必要地传递到能量存储器中的优点。

在一个实施例中，能量存储器在此仅充电到如下程度：根据无能量需求的预测时间分布，在从违反休息标准的时间点（即停车阶段结束）到再次满足休息标准使得操作阶段结束并且停车阶段再次开始的时间点的时间间隔内，能量存储器的充电状态随时间平均的情况下在30%至70%的范围内或在40%至60%的范围内。在操作阶段期间，因此将导致在所述时间间隔内随时间平均位于所述极限或范围内的充电状态。这防止了不必要的极端充电状态（例如高于90%）平均发生。这保护了能量存储器。

然而，在一个实施例中，当考虑能量需求的预测时间分布时，添加缓冲值。缓冲值可以例如在1kWh至20kWh的范围内。以这种方式，可以补偿或考虑能量需求的时间分布中可能固有的预后不确定性。充电状态因此高于预期的预测能量消耗。缓冲值优选地以用户特定和/或情况特定的方式指定和/或可以基于个体移动模式的评估被确定。特别地，可以根据至少一个预定用户的个体移动模式来确定缓冲值。因此，可以补偿或考虑至少一个用户的移动模式的可变性或变化。

在一个实施例中，操作预测模型以用于预测（无能量需求和/或能量需求的）相应时间分布。所述预测模型被配置或适配于机动车辆。为了配置预测模型，针对至少一个行程记录以下行程数据中的至少一些：时间数据（例如，与星期几和/或行程时间有关）、天气数据（例如，与使用机动车辆的天气状况有关）、路线数据（与起始位置和/或目的地和/或驾驶路线有关）、消耗数据（例如，与机动车辆的平均消耗和/或驾驶风格和/或负载有关）、用于再充电过程（与至少一个其他充电装置上的充电过程有关）的充电数据。以这种方式，预测模型可以适配于机动车辆的实际存在的预期用途。考虑时间数据使得这里可以直接预测所述相应的时间分布。考虑天气数据使得可以考虑有条件的、依赖于天气的用途。此外，借助于天气数据，可以确定用于机动车辆的内部和部件的温度控制（例如，能量存储器本身的温度控制）的增加的能量需求，并且因此在能量需求估计中考虑所述增加的能量需求。考虑路线数据使得如果用户的目的地是已知的，则可以查看他们是否将使用机动车辆。此外，可以由此确定预期驾驶距离，其是预期能量消耗的基础。考虑消耗数据使得可以预测能量需求。考虑充电数据使得可以在不同的充电装置处规划再充电过程。

在一个实施例中，借助于车辆相关记录记录所述行程数据。换句话说，考虑了可由多个用户执行的机动车辆的使用。附加地或替代地，可以进行与人相关的记录，使得可以考虑相应的特定用户模式。在这种情况下，对于使用至少一个其他机动车辆的行程，也可以记录用户的行程数据。因此，可以为所述用户提供用于用户希望使用的几种不同机动车辆的充电控制。所述行程数据使得可以基于已经观察到的历史或过去的驾驶过程来配置预测模型。

在一个实施例中，在使用不同机动车辆执行的至少一次行程期间记录行程数据的至少一部分，并且以这种方式记录的行程数据由于它们与平均消耗相关和/或按每预定路线单元（例如每公里）和/或针对不同道路类别（例如州际公路，乡村道路，城市）和/或道路类型（良好道路状态/不良道路状态）被确定而被归一化。因此存在更大的数据库可用。例如，如果在此使用具有不同发动机和/或不同重量的机动车辆来确定行程数据的一部分，则归一化可以确保连接到充电装置的机动车辆的能量需求被正确地确定。考虑路线单元和/或道路类别和/或道路类型，使得在给定机动车辆的规划驾驶路线的情况下可以确定机动车辆为此将可能具有什么能量需求。例如，可以以导航数据的形式从导航装置接收规划的驾驶路线。

在一个实施例中，预测模型还根据以下情况数据中的至少一些来调整相应的预测时间分布。可以考虑移动矩阵，其描述机动车辆的至少一个用户的移动模式或运动模式，也就是说，指示相应用户从哪个起点行进到哪个目的地的时间。可以考虑机动车辆的预订数据，其指示至少一个用户何时通告或订购机动车辆的使用。可以考虑道路交通的交通数据，其可以指示是否可以使用某个驾驶路线和/或可以以什么可能的平均速度使用驾驶路线。可以考虑天气预报数据，其可以指示可能盛行的天气或天气状况。这对于还利用行程数据确定使用机动车辆的天气或天气状况和/或用于调节内部的附加能量需求有多高的组合是特别有利的。可以确定机动车辆的至少一个用户的个人活动数据，其中这样的活动数据可以例如借助于移动终端设备（例如智能电话和/或平板电脑和/或智能手表）或通常称为“可穿戴设备”的设备来确定。活动数据可以描述相应用户的当前活动和/或规划活动，其中活动数据可以包括以下数据类型中的至少一种：日历数据（例如，用户的至少一个约会），闹钟数据（例如，起床和/或上床的时间信息），运动数据（例如，朝向或远离机动车辆的运动），接近机动车辆的指示（也就是说，用户距离机动车辆有多远）、睡眠阶段信息（也就是说，用户何时睡觉）。除了所描述的历史行程数据之外，情况数据因此考虑描述当前情况和/或未来和/或规划情况的信息。因此，例如可以对每日节律的变化作出反应。这在不与用户交互的情况下也是可能的。

在一个实施例中，考虑来自至少一个用户的相应可穿戴设备的数据，以确定机动车辆相对于至少一个预定用户的预期车辆不使用。这样的可穿戴设备可以是移动终端设备，诸如例如智能电话或平板电脑或智能手表，或者其可以是佩戴在身体上的设备，例如诸如健身手环，或者是一件带有无线电设备的首饰。可穿戴设备可以用于记录用户的行踪和/或运动模式，并且由此推断机动车辆的即将到来的使用或不使用（例如，基于相对于机动车辆的距离和/或运动）。为此，所述数据可以包括地理位置数据和/或日期数据。数据还可以是所述活动数据，以便适应相应的时间分布。

在一个实施例中，在机动车辆处于使用时检测到再充电过程的情况下，基于检测到的再充电过程校正预测模型。再充电过程特别地是未规划的或未预见的或未预测的再充电过程。因此，这里存在预测误差。通过校正预测模型，可以减少所述预测误差以用于时间分布的进一步预测。预测模型可以例如基于机器学习方法来实现，也就是说，例如基于神经网络和/或决策树和/或回归模型和/或深度学习方法来实现。附加地或替代地，统计方法（例如马尔可夫链和/或概率网络）可被作为基础。利用这些方法，当检测到预测误差时，诸如当检测到再充电过程时，例如，可以根据检测到的预测误差来调整预测模型。

在一个实施例中，经由用户界面(例如因特网门户(网络门户))和/或用户程序(例如用于移动终端设备的应用软件)接收用户输入。通过用户输入来通告机动车辆的规划使用。换句话说，用户因此可以明确地指示他将何时想使用机动车辆。然后根据用户输入来校正无能量需求的预测时间分布。由此，用户可以有利地通告异常情况并且然后确保机动车辆的能量存储器具有对应的充电状态。根据用户输入，如果用户输入还例如限定了目的地和/或路线，则能量需求的时间分布也可以被调整。

在一个实施例中，预测模型由后端设备操作。这种后端设备是车辆外部的设备，其特别地也能够在距充电装置一定距离处被操作。例如，所述后端设备可以是计算机或计算机网络。后端设备可以被实现为例如因特网的服务器或云设备。使用后端设备执行该方法具有使用机动车辆外部可用的数据源的优点。

所述后端设备也是本发明的一部分。所述后端设备具有计算装置，该计算装置被设置成执行根据本发明的方法的实施例。计算装置可以基于至少一个微处理器来实现。该方法可以被实现为例如用于计算装置的程序代码。程序代码可以具有程序指令，当由计算装置执行时，所述程序指令执行根据本发明的方法的实施例。程序代码可以存储在计算装置的数据存储器或非易失性存储介质中。后端设备可例如经由通信连接耦合到充电装置，以便控制充电装置。通信设备可以基于因特网连接来实现。通信连接可以包括基于无线电的连接，因为它可以例如基于蜂窝无线电连接和/或WLAN连接(WLAN-无线局域网)来实现。

附图说明

下面描述本发明的示例性实施例。在这方面：

图1示出了根据本发明的具有后端设备的实施例的系统架构的示意图；

图2示出了具有能量需求的预测时间分布的图；

图3示出了具有无能量需求的预测时间分布的图；以及

图4示出了根据本发明的方法的一个实施例的流程图。

具体实施方式

以下解释的示例性实施例是本发明的优选实施方式。在示例性实施例中，实施例的所描述的部件均代表本发明的单独特征，这些单独特征应当被认为彼此独立，并且均也彼此独立地开发本发明，并且因此也可以被认为是本发明的一部分，单独地或以不同于所示的组合。此外，所描述的实施例还可以通过已经被描述的本发明的其他特征来补充。

在图中，具有相同功能的元件均设置有相同的附图标记。

图1示出了系统架构10，借助于该系统架构可以控制至少一个充电装置11。也可以以在下文中描述的方式控制若干充电装置。在下文中，仅描述一个充电装置11作为示例。充电装置11例如可以是充电柱或充电站。充电装置11也可以集成到机动车辆12中。

由于充电装置11，在机动车辆12的情况下，所述机动车辆的电能存储器13可以借助于能量交换器14被再充电。能量存储器13可以是例如高压电池，也就是说可以产生大于60V的DC电压的电池。能量存储器13可以是所谓的机动车辆12的牵引电池，借助于该牵引电池可以操作机动车辆12的电驱动单元。对于能量交换器14，充电装置11可以连接到电能量源15。能量源15可以是公共电网和/或用于再生能量的系统，例如光伏系统。通常，充电装置11因此连接到电能量源。

能量交换器14可以在充电装置11中通过控制信号16来控制，该控制信号可以由控制设备17产生。控制设备17尤其可以被设计为后端设备18，也就是说例如被设计为互联网服务器或者用于互联网的云设备。控制信号16可以经由通信连接19从后端设备18传输到充电装置11。通信连接19可以基于例如因特网连接和/或无线电连接。

后端设备18可以用于实施充电控制20，该充电控制提供用于机动车辆12的能量存储器13的充电策略，其中，也可以规定，如果在预定的下一时间段内将不使用机动车辆12，则保持能量存储器13的充电状态。由此可以规定，充电状态保持在预定的极限值21之下。对于能量存储器13的存储类型来说，所述极限值指示，只要机动车辆12不被使用，也就是说没有能量从能量存储器13中被取出，那么能量存储器13在充电状态低于极限值21时就更平缓地操作。例如，极限值21可以从专门的出版物中获得。极限值21可取决于能量存储器13的存储技术。一种可能的存储技术是锂离子存储技术。极限值21例如可以取自专业出版物。

在此可以通过能量交换器14设置充电状态SOC。只要满足指示机动车辆12将不会在下一时间间隔23内使用的休息标准22，充电状态就保持在极限值21以下。为了能够识别或预测机动车辆12是否将在未来一段时间内使用，特别是在下一未来时间间隔23内使用，能量需求E的预测时间分布24和无能量需求N的预测时间分布25可以作为基础用于后端设备18中。

图2示出了能量需求E的示例性时间分布24。示出了随时间t(以一天的小时h指定，即从0到24小时)变化的以千瓦小时(kWh)为单位的能量需求E。因此，这也导致机动车辆12的功率需求。能量需求E指示从能量存储器13中所需的能量。这可以是机动车辆12在驾驶时或用于驾驶时需要的能量。

图3通过示例示出了无能量需求N的时间分布25。这可以是例如可以以百分比表示的概率指示。该指示再次在以一天中的小时h为单位的时间t内。无能量需求N可以指示机动车辆12处于停车阶段26(参见图1)并且耦合到充电装置11或能量源15的概率，使得可以执行或实施充电控制20。另一方面，如果不存在停车阶段26而是存在操作阶段，则机动车辆12与充电装置11或能量源15分离，使得没有用于设定充电状态SOC的能量交换器14是可能的。

图4示出了一种方法，该方法可以在后端设备18中由计算装置27(参见图1)执行，以便实现充电控制20。在步骤S10中，可以预测无能量需求N的未来时间分布25和无能量需求N的时间分布24。在步骤S11中，如果无能量需求N的预测时间分布25在预定的下一时间间隔23内满足休息标准22，则可以借助于充电装置11将能量存储器13的充电状态SOC保持在极限值21以下，而不管能量源15的充电功率的可用性。休息标准例如可以是，无能量需求N的时间分布25必须高于预定阈值28，使得假定机动车辆12在相应的时间t中实际上耦合到充电装置11。还可以规定，假定针对从当前时间点的未来时间间隔23的时间分布25必须高于阈值28。

图3在这方面示出了在时间分布25下降到低于阈值28的时间点30和时间分布25再次超过阈值28的时间点31之间如何产生时间间隔32，针对该时间间隔，充电控制20必须假定机动车辆12处于操作阶段并且因此仅能够从能量存储器13中获取能量。可以规定在时间点30之前通过能量交换器14设置充电状态SOC，使得根据用于能量需求E(图2)的时间分布24产生中等的充电状态SOC，该充电状态SOC处于30%至70%的充电状态范围中，尤其是40%至60%的充电状态范围中。为此，可以从时间分布24中确定时间间隔32的能量需求E。

图1还示出了可以如何预测时间分布24、25。

初步时间分布24'、25'最初可以借助于预测模型33来确定。可以基于历史行程数据34配置预测模型33。至少一个机动车辆35可以是机动车辆12，但是它也可以是一个或多个其他机动车辆。每个机动车35同样可以具有能量存储器36，使得也为至少一个机动车辆35产生充电过程。可以从至少一个机动车辆35借助数据记录装置37记录行程数据34，该数据记录装置例如可以基于经由相应的通信连接38与至少一个机动车辆35的通信来记录行程数据34。此外，与至少一个机动车辆35的充电过程相关的充电数据40也可以作为行程数据由数据记录装置39记录。可以从相应的机动车辆35和/或充电站接收这样的充电数据40。为此，可以提供对应的通信连接41。通信连接38、41可以均包括例如因特网连接和/或蜂窝无线电连接和/或WLAN无线电连接。

基于所记录的行程数据34，预测模型33例如可以被形成为统计模型和/或基于机器学习方法的模型。然后，可以将初步时间分布24'、25'与实际观察的时间分布进行比较，从中可以生成误差数据42，其可以用于校正或改进预测模型33。

然而，除了历史行程数据之外，还可以考虑当前情况数据43，基于当前情况数据可以确定机动车辆12的当前情况。然后，由此可以执行用于初始时间分布24'、25'的相应的校正44、45，然后由所述校正在每种情况下得出最终的估计的或预测的时间分布24、25。例如，来自气象站47的天气预报数据46和/或来自交通观测系统49的交通数据48可以用作情况数据43。天气数据和/或交通数据优选地用于确定由于(例如低或高)外部温度和/或由于交通拥堵而增加的能量需求。还可以使用活动数据50，其可以描述机动车辆12的用户的活动。这些可以例如从移动终端设备51接收，该移动终端设备可以是例如属于用户的智能电话和/或平板电脑和/或智能手表。还可以使用来自对应数据源54的移动矩阵（mobility matrix）52和/或预订数据53。例如，也可以借助于移动终端设备51提供用户界面55，通过该用户界面可以接收用户输入56，通过该用户输入，用户可以明确地指示何时想要使用机动车辆12。由此也可以导出或确定用于时间分布24'、25'的校正44、45。

为了避免磨损，当车辆电池不在使用中时保持低充电状态的需要表明，车辆不在行驶时的条件对于确保电池使用寿命是重要的，尤其是对于较小的电池。为此，必须在开始行程之前提前(几个小时或几天)充分知道何时需要能量以及需要多少能量，或者至少知道何时不需要能量。

现有技术的当前充电策略在选择充电过程的时间点时不考虑电池的使用寿命。在插入充电插头之后，许多电动车辆立即被充电。还存在用户可以单独确定何时可以对车辆充电的方法。还存在智能电网解决方案，其中充电时间根据电力供应或电价来收费(受控充电)。

在充电过程期间，充电电流被选择为使得在充电过程期间尽可能少地损害能量存储器的使用寿命。

然而，由于电动车辆的有限里程，用户希望在行程开始时具有尽可能高的能含量(以避免抛锚（stranded）或者由于公共充电基础设施的有限可用性)。

因此，在行程结束之后对能量存储器充电并且以高SOC停放车辆使得驾驶员在行程开始时具有满的能量存储器对于电池存储器的使用寿命将是不利的。相反，如果可能，有必要在行程前不久完全地对能量存储器充电，并尽可能长时间地将存储器保持在低SOC水平。

就在行程开始之前确定能量需求是个问题。研究表明，少于25%的驾驶员使用导航系统。因此，驾驶员通常没有准备好输入行程的目的地(尤其是在已知区域中)。然而，对于电动车辆的充电策略，驾驶员将必须准备好在行程结束时输入下一目的地。

因此，存在一种用于基于所记录的行程数据来学习用户的起始位置和目的地的方法。这些方法适用于与对车辆电池充电相关的问题，以便延长其使用寿命。然而，优选的起始位置和目的地通常仅能可靠地从私人确定。在商业部门(例如，商人、代表、公司车辆等)中，不能确定这种重复的和优选的起始位置和目的地，结果是，对于这些用户组应当不同地实现预测性充电控制。

实现预测车辆何时不需要能量的方法。

可以消除以下缺点：

-仅在输入导航数据之后才知道的整个路线的能量需求

-仅在已经识别出最可能的路线之后才知道整个路线的能量需求

-需要用户识别来识别最可能的总体路线

-在不考虑电池使用寿命的情况下(由用户、智能电网)对所述能量存储器进行受控再充电

不存在用于将能量存储器保持在低SOC水平(低于预定极限值)的策略。

所描述的基于服务器的系统架构10使用各种数据源、处理原始数据并且使用机器学习方法来预测以下变量(参见图2)：

-能量需求的可能时间分布

-无能量需求的概率的时间分布(连续地用于接下来的几个小时/几天)

两种预测变型是可能的，即驾驶员特定变型(主要是驾驶员的个人数据用于该目的)和车辆特定变型(尤其适于车队应用)。

基于预测值使用充电策略的智能控制。为此，需要与电动车辆的充电器的控制单元的无线或有线通信连接和接口。下面描述总体系统的单独部件。

因此，以下以锂离子电池的充电策略的形式的应用是可能的。充电策略使用预测的能量需求曲线，以便在期望的开始时间对能量存储器完全充电。根据电池的当前SOC计算要开始充电过程的时间点，使得能量存储器被完全充电。在这种情况下，必须知道可以对电动车辆充电的功率(例如，3kW的家用插座，11kW或22kW的壁式充电站)。

如果期望的行程非常短，则能量存储器仅被完全充电到这样的程度，使得可以以中等的SOC值(例如50%)到达目的地。

无能量需求的概率用于确定在停车过程/车辆停止期间的SOC水平。如果存在无能量需求的较高概率(例如在晚上)，则SOC水平保持在低水平，以便尽可能少地损害能量存储器的使用寿命。如果无能量需求的概率降低，则通过对能量存储器再充电来提高SOC水平，使得驾驶员在他无论如何意外地想要驶离时具有一定的可用能含量。

在车辆的智能电网连接的情况下，如果能量存储器在行程结束之后非常满并且在接下来的几个小时内没有预期行程，则还可以在行程结束之后(例如在分散式家庭存储器中)对能量存储器放电以降低SOC水平。

由于预测值在预后中设置有一定程度的不确定度，因此在充电策略中考虑了一定的安全缓冲。因此，在行程开始之前的特定时间段，车辆已经被完全充电，并且SOC水平高于预期的预测能量消耗。

每次车辆驾驶员进行行程时，诸如行程开始、外部温度(使用天气数据)、行程持续时间、路线和车辆(电动或传统)的能量消耗的行程数据34可被记录。可以利用GPS数据和常规车辆的可用OBD数据记录所述数据。在电动车辆的情况下，存在到车辆的通信网络的接口，使得数据可被记录。数据经由无线通信被传输到后端。这里，以与人(针对私人车辆)或车辆(针对车队车辆)相关的方式记录数据。

记录的车辆能量消耗被归一化，从而可以比较不同车辆的能量消耗。为此，可以简单地将每个路线单元的能量消耗除以车辆的平均消耗。替代地，取决于道路等级或道路类型的取决于路线的平均能量消耗也可用于归一化。为此，必须借助于数字地图数据确定哪些路段已经被覆盖了哪种道路等级或类型。这可以在行程期间或者在具有所记录的行程轨迹的后端中发生。

此外，记录所有充电过程(持续时间、能量的量、时间点)。

除了记录的源之外，可以可选地使用其他数据源(与所需后端链接)来增加准确度。示例：

-移动模式：通过评估单独驾驶员行为(利用驾驶员特定记录)的可能的目的地的出发地-目的地矩阵/预测

-驾驶员的预约日历(驾驶员特定记录)

-车队的预订系统(车辆特定记录)

-交通预报/交通模式(以校正预测的能量需求)

-天气条件(以校正预测的能量需求)

-来自可穿戴设备/智能电话的数据(以校正在驾驶员特定记录的情况下无需求的概率)：

o睡眠阶段的分析

o闹钟参数化

o当前与车辆的距离

对于预测模型33，统计地记录何时需要能量消耗。每小时和在工作日进行所述统计评估。使用统计方法(马尔可夫链、概率网络，仅举例)和机器学习方法(神经网络、决策树、回归模型、深度学习方法，仅举例)，预测以下值：

-能量需求

-电动车辆的无需求的概率(无能量需求)

针对可参数化预测时域(例如24h)计算所述值的时间分布。所述预测基于在使用车辆时的时间点记录的数据以及记录的能量消耗值。因此，可以在没有用户数据的输入或导航数据的输入的情况下进行预测。

在第二步骤中，根据可用的附加数据源来校正预测。为此，根据所使用的车辆、预期的天气条件和预期的交通条件来校正能量消耗。

在驾驶员特定记录的情况下，根据可用的用户特定的数据(例如通过智能电话数据(诸如例如闹钟)的知识、通过预约日历的知识或通过个人移动模式的评估)来校正无需求的概率。

通过评估途中(在非优选的充电柱)的再充电过程来改进预测模型。例如，分析如果存储器在行程开始时已经被完全充电，则是否将避免再充电过程。如果不准确的预测是再充电过程的原因，则预测模型被相应地调整。为此，例如使用强化学习的方法。

用户界面(例如呈网络门户、智能电话和/或应用软件的形式的用户界面55)向用户提供预测值的显示。该系统独立于用户输入来预测能量需求以及无能量需求的概率。然而，在异常情况下(例如，当在上午3:00去度假时)，用户还具有指定所需的行程开始的选项，以便确保在这些异常情况下能量存储器被充分充电。

由于它是一个学习系统，并且预测越来越适应用户行为，所以用户输入在学习阶段是有用的。

这产生以下选项：

-预测无能量需求的概率以确定电动车辆的停车过程期间的最低可能SOC水平，

-在开始行程之前尽可能晚地对能量存储器充电的策略，

-充电管理，用于延长能量存储器的使用寿命而无需用户数据或用户说明，

-将充电管理与智能电话或可穿戴设备链接，以确定是否需要车辆。

上述方法也可用于以下领域：

-避免电池老化，

-空调的预处理，

-车队车辆的车队管理，

-智能电网应用：考虑分散式存储器的情况下电动汽车的能量需求；分散式房屋存储器中电动汽车的能量回收。

总之，所述示例示出了本发明如何能够提供对将不需要电动车辆的概率的预测，以便延长电动车辆的电池使用寿命。

Claims (15)

1.一种用于机动车辆(12)的电能存储器(13)的预测性充电控制(20)的方法，其中，通过充电装置(11)来控制所述能量存储器(13)与电能量源(15)之间的能量交换(14)，其特征在于，预测由所述机动车辆(12)的相应停车阶段产生的无能量需求(N)的未来时间分布(25)，并且在所述无能量需求(N)的所预测的时间分布(25)满足预定的下一时间间隔(23)的预定休息标准(22)的情况下，借助于所述充电装置(11)将所述能量存储器(13)的充电状态(SOC)保持在极限值(21)以下。

2.根据权利要求1所述的方法，其中，针对相应时间点的所述无能量需求(N)的所预测的时间分布(25)指示所述机动车辆(12)在基于所述相应时间点的预定下一时间段内不需要来自所述能量存储器(13)的任何电能，和/或将保持耦合到所述充电装置(11)和/或所述能量源(15)。

3.根据前述权利要求中任一项所述的方法，其中，在所述充电状态(SOC)高于所述电流极限值(21)的情况下，使所述能量存储器(13)放电。

4.根据前述权利要求中的一项所述的方法，其中，所述时间分布(25)是概率指示，并且所述极限值(21)作为所述概率指示的函数在值方面连续地被调整或逐步地被调整。

5.根据前述权利要求中的一项所述的方法，其中，预测所述机动车辆(12)的从所述能量存储器(13)需求的能量需求(E)的时间分布(24)，并且在所述无能量需求(N)的所述时间分布(25)违反所述休息标准(22)并且由此发信号通知所述机动车辆(12)的即将到来的使用的情况下，借助于所述充电装置(11)根据所述能量需求(E)的所述所预测的时间分布(24)来设置所述充电状态(SOC)。

6.根据权利要求5所述的方法，其中，所述能量存储器(13)仅被充电到这样的程度，即，针对从违反所述休息标准(22)的时间点(30)延伸到再次满足所述休息标准(22)的时间点(31)的时间间隔(32)，所述充电状态(SOC)在时间上进行平均的情况下处于从30%到70%的范围内或者处于从40%到60%的范围内。

7.根据权利要求5或6所述的方法，其中，当考虑所述能量需求(E)的所述所预测的时间分布(24)时，增加缓冲值，根据至少一个预定用户的单独移动模式确定所述缓冲值。

8.根据前述权利要求中的一项所述的方法，其中操作预测模型(33)以用于相应时间分布(24、25)的预测，且记录以下行程数据(34)中的至少一些行程数据以配置用于至少一个行程的所述预测模型(33)：时间数据、天气数据、路线数据、消耗数据、用于再充电过程的充电数据(40)。

9.根据权利要求8所述的方法，其中，所述行程数据(34)是借助于车辆相关记录和/或人员相关记录来确定的。

10.根据权利要求8或9所述的方法，其中，在使用另一机动车辆(35)执行的至少一个行程期间进行对所述行程数据(34)的至少一部分的记录，并且由此记录的行程数据(34)借助于所述行程数据与平均消耗有关和/或按预定路线单元被确定和/或根据道路等级和/或道路类型被确定而被归一化。

11.根据权利要求8至10中的一项所述的方法，其中，根据以下情况数据(43)中的至少一些情况数据来调整相应预测时间分布(24、25)：

-所述机动车辆(12)的至少一个用户的移动矩阵(52)，

-用于所述机动车辆(12)的预订数据(53)，

-道路交通的交通数据(48)，

-天气预报数据(46)，

-所述至少一个用户的个人活动数据(50)，其描述当前活动和/或规划活动，其中，所述活动数据包括以下数据类型中的至少一个：日历数据、闹钟数据、运动数据、与所述机动车辆的接近度的指示、睡眠阶段信息。

12.根据权利要求8至11中的一项所述的方法，其中，在所述机动车辆(12)在使用中时检测到再充电过程的情况下，基于所检测到的再充电过程来校正所述预测模型(33)。

13.根据前述权利要求中的一项所述的方法，其中，考虑来自所述至少一个用户的相应可穿戴设备的数据，以确定关于至少一个预定用户的所述机动车辆的预期车辆未使用。

14.根据前述权利要求中的一项所述的方法，其中，经由用户界面(55)接收用户输入(56)，通过所述用户输入来通告所述机动车辆(12)的规划使用，并且根据所述用户输入(56)来校正所述无能量需求的预测时间分布(25)。

15.一种具有计算装置(27)的后端设备(18)，其特征在于，所述计算装置(27)被设置成执行根据前述权利要求中的一项所述的方法。

Images