-
EINFÜHRUNG
-
Die vorliegende Offenbarung bezieht sich allgemein auf ein System und ein Verfahren zur Optimierung der Betriebskosten über einen vordefinierten Zeitraum für eine Flotte mit Elektrofahrzeugen. Flottenfahrzeuge sind Gruppen von Fahrzeugen, die von einer Einrichtung wie einer Organisation, einem Unternehmen oder einer öffentlichen Behörde genutzt werden und/oder in deren Besitz sind. Flottenfahrzeuge werden immer häufiger eingesetzt. Beispiele für Flottenfahrzeuge sind die Fahrzeuge von Autovermietungen, Taxis oder öffentlichen Bussen sowie von Polizeidienststellen. Darüber hinaus kaufen oder leasen viele Online-Händler Flottenfahrzeuge, um Produkte oder Pakete an Kunden auszuliefern oder Vertriebsmitarbeitern Fahrten zu Kunden zu ermöglichen. Elektrisch betriebene Flottenfahrzeuge stellen im Vergleich zu Flotten mit Verbrennungsmotoren besondere Herausforderungen dar, z. B. in Bezug auf das Aufladen der Batterien und die verfügbare Reichweite. Flottenmanager haben oft Bedenken, von Verbrennungsmotoren auf elektrisch betriebene Fahrzeuge umzusteigen, weil sie die höheren Kosten fürchten. Da mehrere Faktoren eine Rolle spielen, ist es eine Herausforderung, die Gesamtbetriebskosten, einschließlich der Infrastrukturkosten, einer elektrisch betriebenen Flotte zu optimieren.
-
BESCHREIBUNG
-
Hierin wird ein System zur Optimierung der Betriebskosten über einen vordefinierten Zeitraum für eine Flotte mit Elektrofahrzeugen beschrieben. Das System umfasst eine Befehlseinheit mit einem Prozessor und einem greifbaren, nicht-übertragbaren Speicher, in dem Anweisungen aufgezeichnet sind. Die Befehlseinheit ist so ausgelegt, dass sie selektiv ein Simulationsmodul, ein Abtastmodul und ein Optimierungsmodul ausführt. Die Befehlseinheit ist so konfiguriert, dass sie ein Multi-Agenten-Modell erstellt, das zumindest teilweise auf historischen Flottenfahrtdaten und Mobilitätsmusterdaten der Flotte basiert. Es werden Routendaten für einen Satz von Flottenaufgaben ermittelt, wobei die Routendaten Daten zur Ladeinfrastruktur enthalten.
-
Die Steuereinheit ist so konfiguriert, dass sie verschiedene Konfigurationen der Elektrofahrzeuge simuliert, die den Satz von Flottenaufgaben über den vordefinierten Zeitraum ausführen, und zwar über (die Ausführung) des Simulationsmoduls, das teilweise auf dem Multiagentenmodell und den Routendaten basiert. Die jeweiligen erwarteten Kosten für die verschiedenen Konfigurationen der Elektrofahrzeuge werden über das Stichprobenmodul geschätzt. Die Befehlseinheit ist so konfiguriert, dass sie über das Optimierungsmodul eine optimale Konfiguration aus den verschiedenen Konfigurationen der Elektrofahrzeuge bestimmt, die zum Teil auf den jeweiligen erwarteten Kosten basiert und einer oder mehreren Einschränkungen unterliegt. Die optimale Konfiguration minimiert die Investitionskosten und die Betriebskosten der Flotte.
-
Die Bedingung kann erfüllt sein, wenn der Satz von Flottenaufgaben innerhalb eines entsprechenden vordefinierten Zeitbereichs abgeschlossen wird. Die Bedingung kann erfüllt sein, wenn der jeweilige Batteriestand der Elektrofahrzeuge während der Flottenaufgaben auf einem Mindestprozentsatz gehalten wird. Die optimale Konfiguration minimiert die Investitionskosten und die Betriebskosten der Flotte. In einer Ausführungsform liegt der vordefinierte Zeitraum zwischen einem und fünf Jahren. Das Optimierungsmodul kann einen auf der Monte-Carlo-Markov-Kette basierenden Algorithmus und/oder ein Metropolis-Hastings-Modul enthalten.
-
In einer Ausführungsform ist das Multi-Agenten-Modell so angepasst, dass es Ladekurven und Energieverbrauchsdaten für den Satz von Flottenaufgaben auf der Grundlage des Flottenverhaltens und der entsprechenden Daten der Elektrofahrzeuge und der verfügbaren elektrischen Fahrzeugversorgungseinrichtungen (EVSE) erzeugt. Das Multi-Agenten-Modell kann teilweise auf Daten zu Mobilitätsmustern basieren, einschließlich Fahrtenhäufigkeit, Fahrstrecken, Fahrgeschwindigkeit, Straßentypen und Beschleunigungsprofil der Elektrofahrzeuge. In einer Ausführungsform ist das Simulationsmodul so angepasst, dass es verfügbare Klimainformationen für den Satz von Flottenaufgaben als Eingabe erhält. Die Daten zur Ladeinfrastruktur können entsprechende Daten zu öffentlichen Ladestationen und Flottenladestationen enthalten, einschließlich der Arten der verfügbaren Ladegeräte, der Standorte der Ladegeräte, der jeweiligen Verfügbarkeit von Ladesitzungen, der jeweiligen Kosten der Ladesitzungen und der Vorhersage der Ladestrecken.
-
Das Optimierungsmodul kann als Ausgabe die optimalen Fahrzeugzuweisungen und die optimalen Ladezuweisungen generieren, einschließlich eines zugewiesenen Ladeorts, der Ladekosten, des Zielbatterieladezustands und der Ladezeit, die jeweils den Elektrofahrzeugen und der Ladeinfrastruktur zugewiesen werden. Die Befehlseinheit kann angepasst werden, um eine vorgeschlagene neue Ladeinfrastruktur zu bestimmen, indem die jeweiligen Ergebnisse einer Ladeinfrastruktursimulation unter Verwendung historischer Daten und verschiedener Kombinationen von Ladegeräten verglichen werden.
-
Hierin wird ein Verfahren zur Optimierung der Betriebskosten über einen vordefinierten Zeitraum für eine Flotte mit Elektrofahrzeugen beschrieben. Das Verfahren umfasst das Einrichten einer Befehlseinheit mit einem Prozessor und einem greifbaren, nicht-übertragbaren Speicher, in dem Anweisungen aufgezeichnet sind. Die Befehlseinheit ist so ausgelegt, dass sie selektiv ein Simulationsmodul, ein Abtastmodul und ein Optimierungsmodul ausführt. Ein Multi-Agenten-Modell wird zumindest teilweise auf der Grundlage historischer Flottenfahrtdaten und Mobilitätsmusterdaten der Flotte erstellt. Das Verfahren umfasst die Beschaffung von Routendaten für einen Satz von Flottenaufgaben, wobei die Routendaten Daten zur Ladeinfrastruktur enthalten. Über das Simulationsmodul werden verschiedene Konfigurationen der Elektrofahrzeuge simuliert, die den Satz von Flottenaufgaben über den vordefinierten Zeitraum ausführen, teilweise basierend auf dem Multi-Agenten-Modell und den Routendaten. Das Verfahren umfasst die Schätzung der jeweiligen erwarteten Kosten für die verschiedenen Konfigurationen der Elektrofahrzeuge über das Stichprobenmodul. Das Verfahren umfasst die Bestimmung einer optimalen Konfiguration aus den verschiedenen Konfigurationen der Elektrofahrzeuge, die teilweise auf den jeweiligen erwarteten Kosten basiert und mindestens einer Einschränkung unterliegt, über das Optimierungsmodul.
-
Die obigen Merkmale und Vorteile sowie andere Merkmale und Vorteile der vorliegenden Offenbarung sind aus der folgenden detaillierten Beschreibung der besten Modi zur Durchführung der Offenbarung in Verbindung mit den beigefügten Zeichnungen ohne weiteres ersichtlich.
-
KURZBESCHREIBUNG DER ZEICHNUNGEN
-
- 1 ist ein schematisches, fragmentarisches Diagramm eines Systems zur Optimierung der Betriebskosten einer Flotte mit elektrisch betriebenen Fahrzeugen;
- 2 ist ein Flussdiagramm für ein Verfahren zum Betrieb des Systems von 1;
- 3 ist ein schematisches Diagramm eines Beispiels für eine modulare Architektur, die von dem System in 1 verwendet werden kann; und
- 4 ist ein schematisches Diagramm eines Beispiels eines Simulationsmoduls, das von dem System von 1 verwendet werden kann.
-
Repräsentative Ausführungsformen dieser Offenbarung sind als nicht einschränkende Beispiele in den Zeichnungen dargestellt und werden im Folgenden näher beschrieben. Es sollte jedoch verstanden werden, dass die neuen Aspekte dieser Offenbarung nicht auf die besonderen Formen beschränkt sind, die in den oben aufgezählten Zeichnungen dargestellt sind. Vielmehr soll die Offenbarung Modifikationen, Äquivalente, Kombinationen, Unterkombinationen, Permutationen, Gruppierungen und Alternativen abdecken, die in den Anwendungsbereich dieser Offenbarung fallen, wie sie zum Beispiel von den beigefügten Ansprüchen umfasst werden.
-
AUSFÜHRLICHE BESCHREIBUNG
-
Unter Bezugnahme auf die Zeichnungen, in denen sich gleiche Referenznummern auf gleiche Komponenten beziehen, zeigt 1 schematisch ein System 10 zur Optimierung der Betriebskosten einer Flotte 12 mit Elektrofahrzeugen 14, z. B. einem ersten Elektrofahrzeug 14A, einem zweiten Elektrofahrzeug 14B und einem dritten Elektrofahrzeug 14C. Die Elektrofahrzeuge 14 können rein elektrisch oder teilweise elektrisch/hybrid sein. Die Elektrofahrzeuge 14 können unter anderem ein Personenfahrzeug, ein Sport Utility Vehicle, ein Kleinlaster, ein Schwerlastfahrzeug, ein Minivan, ein Bus, ein Transitfahrzeug, ein Fahrrad, ein fahrender Roboter, ein landwirtschaftliches Gerät (z. B. ein Traktor), ein Sportgerät (z. B. ein Golfwagen), ein Zug oder eine andere fahrende Plattform sein. Es versteht sich von selbst, dass die Elektrofahrzeuge 14 viele verschiedene Formen annehmen und zusätzliche Komponenten haben können. In einigen Beispielen kann die Flotte 12 auch andere Fahrzeuge mit Verbrennungsmotor (ICE) umfassen.
-
Die Flottenmanager weisen den entsprechenden Elektrofahrzeugen 14 und Fahrern 16 (z. B. den in 1 gezeigten Fahrern 16A, 16B, 16C) auf der Grundlage ihrer verfügbaren Reichweite und ihres Energieverbrauchs Flottenaufgaben zu und planen die Ladezeiten und -orte für die Flotte 12. Das System 10 ermöglicht es einem Flottenbesitzer, seine Investitionsentscheidung in Elektrofahrzeuge 14 zu optimieren und seine Betriebskosten im Zusammenhang mit den Elektrofahrzeugen 14 für einen vordefinierten Zeitraum zu minimieren. Der vordefinierte Zeitraum kann vom Benutzer oder Flottenbesitzer je nach Anwendung ausgewählt werden. In einem Beispiel liegt der vordefinierte Zeitraum zwischen einem und fünf Jahren.
-
Unter Bezugnahme auf 1 umfasst das System 10 eine Befehlseinheit 18 mit einer integrierten Steuereinheit C mit mindestens einem Prozessor P und mindestens einem Speicher M (oder einem nicht-übertragbaren, greifbaren, computerlesbaren Speichermedium), in dem Anweisungen für ein Verfahren 100 (das nachstehend mit Bezug auf 2 beschrieben wird) aufgezeichnet sind. Der Speicher M kann steuerungsausführbare Befehlssätze speichern, und der Prozessor P kann die im Speicher M gespeicherten steuerungsausführbaren Befehlssätze ausführen.
-
Ein Beispiel für eine modulare Architektur 200, die von dem System 10 verwendet werden kann, ist in 3 dargestellt. Unter Bezugnahme auf die und ist die Befehlseinheit 18 so ausgelegt, dass sie selektiv ein Simulationsmodul 210, ein Stichprobenmodul 220 und ein Optimierungsmodul 230 ausführt. Wie nachstehend beschrieben, umfasst das Verfahren 100 die Simulation der Flottenfahrten als „Elektrofahrzeugfahrten“, die von verschiedenen Konfigurationen von Elektrofahrzeugen 14 und der Nutzung der Ladeinfrastruktur 20 durchgeführt werden, über ein Simulationsmodul 210. Die Ausgabe des Simulationsmoduls 210 wird zusammen mit Informationen über die relevanten Kostenelemente in ein Optimierungsmodul 230 eingespeist. Die jeweils zu erwartenden Kosten für die verschiedenen Konfigurationen der Elektrofahrzeuge 14 werden über die Ausführung des Stichprobenmoduls 220 geschätzt. Die Steuereinheit 18 ist so konfiguriert, dass sie über das Optimierungsmodul 230 aus den verschiedenen Konfigurationen der Elektrofahrzeuge 14 eine optimale Konfiguration ermittelt, die unter anderem auf den jeweiligen erwarteten Kosten und einer oder mehreren Randbedingungen basiert. Die optimale Konfiguration minimiert die Investitionskosten und die Betriebskosten.
-
Das System 10 erhält (als Eingabe) Informationen über die Eigenschaften der Elektrofahrzeuge 14, die Mobilitätsmuster der Fahrer 16 in Bezug auf den Energieverbrauch und die Aufgabenanforderungen. Unter Bezugnahme auf 1 wird auch die Verfügbarkeit von Ladeinfrastruktur 20 berücksichtigt, die Ladestationen für die Flotte 22 und öffentliche Ladestationen 24 entlang der von der Flotte 12 bei der Erledigung jeder Aufgabe zurückgelegten Strecke umfasst. Das System 10 berücksichtigt auch die Investitionskosten für den Kauf und die Installation von Versorgungseinrichtungen für Elektrofahrzeuge 26, die hier als EVSE 26 bezeichnet werden. Die EVSE 26 dient als Leitung für die Versorgung mit elektrischer Energie zum Aufladen von Plug-in-Elektrofahrzeugen und kann fest mit einer Ladestation verbunden oder „fest verdrahtet“ sein. Öffentliche Ladestationen 24 befinden sich in der Regel am Straßenrand oder in Einkaufszentren, öffentlichen Einrichtungen und anderen Parkplätzen.
-
Wie in 1 dargestellt, enthalten die Elektrofahrzeuge 14 jeweils ein Fahrzeugsteuergerät 30, das Informationen von einem Netzwerk von Sensoren 32 im Inneren der Elektrofahrzeuge 14 sammelt. Unter Bezugnahme auf 1 können die Elektrofahrzeuge 14 eine jeweilige Telematik-Steuereinheit 34 zur Herstellung einer Zwei-Wege-Kommunikation mit der Kommandoeinheit 18, einschließlich der Aufzeichnung und Übertragung von Fahrzeugdaten, umfassen. Beispielsweise kann die jeweilige Telematik-Steuereinheit 34 Telemetriedaten von den Elektrofahrzeugen 14 sammeln, wie z. B. Standort, Geschwindigkeit, Motordaten, Wartungsanforderungen und Serviceleistungen, indem sie mit verschiedenen internen Teilsystemen verbunden wird. Das jeweilige Telematik-Steuergerät 34 kann eine Fahrzeug-zu-Fahrzeug-Kommunikation (V2V) und/oder eine Fahrzeug-zu-Alles-Kommunikation (V2X) ermöglichen.
-
Unter Bezugnahme auf 1 können die Elektrofahrzeuge 14 eine entsprechende mobile Anwendung 36 zur Kommunikation mit der Steuereinheit 18 enthalten. Die mobile Anwendung 36 kann in ein intelligentes Gerät (z. B. ein Smartphone) eingebettet sein, das einem Nutzer der Elektrofahrzeuge 14 gehört und das an die Elektrofahrzeuge 14 angeschlossen oder anderweitig mit ihnen verbunden sein kann. Die jeweilige mobile Anwendung 36 kann physisch mit den Elektrofahrzeugen 14 als Teil der Fahrzeug-Infotainment-Einheit verbunden (z. B. verkabelt) sein. Es können die Schaltkreise und Komponenten einer mobilen Anwendung („Apps“) verwendet werden, die dem Fachmann zur Verfügung stehen.
-
Wie in 1 dargestellt, kann die Befehlseinheit 18 in einem „externen“ oder entfernten Cloud-Computing-Dienst 40 gespeichert sein. Der Cloud-Computing-Dienst 40 kann einen oder mehrere entfernte Server umfassen, die im Internet gehostet werden, um Daten zu speichern, zu verwalten und zu verarbeiten. Der Cloud Computing-Dienst 40 kann zumindest teilweise von Personal an verschiedenen Standorten verwaltet werden. Der Cloud Computing Service 40 kann eine private oder öffentliche Informationsquelle sein, die von einer Organisation, wie z. B. einem Forschungsinstitut, einem Unternehmen, einer Universität und/oder einem Krankenhaus, unterhalten wird.
-
Das System 10 kann ein drahtloses Netzwerk 42 für die Kommunikation zwischen den Elektrofahrzeugen 14 und der in 1 dargestellten Steuereinheit 18 verwenden. Das drahtlose Netzwerk 42 kann ein Kurzstreckennetzwerk oder ein Langstreckennetzwerk sein. Das drahtlose Netzwerk 42 kann ein Kommunikations-BUS sein, der die Form eines seriellen Controller Area Network (CAN-BUS) haben kann. Bei dem drahtlosen Netzwerk 42 kann es sich um einen seriellen Kommunikationsbus in Form eines lokalen Netzwerks handeln. Das lokale Netzwerk kann ein Controller Area Network (CAN), ein Controller Area Network mit flexibler Datenrate (CAN-FD), Ethernet, Bluetooth, WIFI und andere Formen von Daten umfassen, ist aber nicht darauf beschränkt. Bei dem drahtlosen Netzwerk 42 kann es sich um ein drahtloses lokales Netzwerk (LAN) handeln, das mehrere Geräte über eine drahtlose Verteilungsmethode miteinander verbindet, um ein drahtloses Großstadtnetzwerk (MAN), das mehrere drahtlose LANs miteinander verbindet, oder um ein drahtloses Weitverkehrsnetzwerk (WAN), das große Gebiete wie benachbarte Städte abdeckt. Andere Arten von Netzwerktechnologien oder Kommunikationsprotokollen, die dem Fachmann zur Verfügung stehen, können verwendet werden.
-
In 2 ist ein Flussdiagramm des Verfahrens 100 zum Betrieb des Systems 10 dargestellt. In einigen Ausführungsformen kann das Verfahren 100 in Form von computerlesbarem Code oder gespeicherten Anweisungen verkörpert sein und zumindest teilweise von der Befehlseinheit 18 ausgeführt werden. Das Verfahren 100 muss nicht in der hier dargestellten Reihenfolge ausgeführt werden. Außerdem können einige Blöcke weggelassen werden.
-
In Block 102 von 2 umfasst das Verfahren 100 die Beschaffung historischer Flottenfahrtdaten, z. B. aus einer Fahrtdatenbank 250. Die historischen Flottenfahrtdaten sind ein repräsentativer Satz von Fahrten. Block 102 umfasst den Erhalt von Mobilitätsmusterdaten, z. B. von einem Mobilitätsmuster-Modul 260 (siehe 3). Die Mobilitätsmusterdaten umfassen Fahrtenhäufigkeit, Fahrstrecken, Fahrgeschwindigkeit, Straßentypen und Beschleunigungsprofil.
-
Weiter zu Block 104 von 2, das Verfahren 100 umfasst die Konstruktion eines Multi-Agenten-Modells 240 mit Eingaben aus den historischen Flottenfahrtdaten und den Mobilitätsmusterdaten. Wie in 3 dargestellt, werden Informationen aus der Fahrtendatenbank 250 und dem Mobilitätsmuster-Modul 260 an das Multi-Agenten-Modell 240 gesendet. Das Multi-Agenten-Modell 240 ist so angepasst, dass es Ladekurven und Energieverbrauchsdaten für den Satz von Flottenaufgaben auf der Grundlage einer Reihe von Faktoren generiert, die unten beschrieben werden. Wie in 3 dargestellt, kann das Multi-Agenten-Modell 240 das Flottenverhalten 242 (kooperativ oder eigennützig), die Ladepolitik 244 (einschließlich Standorte und Dringlichkeit) und die Navigationspolitik 245 (Quellen und Ziel) berücksichtigen.
-
Unter Bezugnahme auf 3 kann das Multi-Agenten-Modell 240 Fahrzeugdaten 246 (einschließlich der verfügbaren Elektrofahrzeuge zur Auswahl und der Flottengröße) enthalten. Die Fahrzeugdaten 246 können Daten enthalten, die für jedes der Elektrofahrzeuge 14 spezifisch sind, wie z. B. die Antriebsenergieverbrauchsrate, die verfügbare Reichweite, den Energieverbrauch pro Fahrtart und das Ladeprofil. Die Fahrzeugdaten 246 können die Anforderungen an die thermische Vorkonditionierung der Batterie, die Last-/Frachtfähigkeiten, die Leistung mit Anhängern für jedes der Elektrofahrzeuge 14 und andere Faktoren umfassen. Unter Bezugnahme auf 3 kann das Multi-Agenten-Modell 240 EVSE-Daten 248 enthalten, die die Anzahl und die Typen der verfügbaren Ladegeräte widerspiegeln.
-
Weiter zu Block 106 von 2, das Verfahren 100 umfasst das Erhalten von Routendaten 270 (siehe 3) für einen Satz von Flottenaufgaben oder -zuweisungen, die der Flotte 12 gegeben wurden. Block 106 umfasst die Beschaffung von Klimadaten, wie z. B. Temperatur und Wettermuster. Die Routendaten 270 können über einen Routenrechner ermittelt werden, der die Routen zwischen dem Start- und dem Zielpunkt der jeweiligen Fahrten oder Flottenaufgaben berechnet. Die Routendaten 270 umfassen Straßennetzdaten 272 (siehe 3), die Karten oder geografische Daten enthalten. Die Routendaten 270 umfassen Ladeinfrastrukturdaten 274 (siehe 3), die sich auf die Ladeinfrastruktur 20 (siehe 1) entlang der der Flotte 12 zugewiesenen Flottenaufgaben beziehen, einschließlich der geografischen Standorte von Flottenladestationen 22 und öffentlichen Ladestationen 24. Die Ladeinfrastrukturdaten 274 können die Art der Ladegeräte (AC oder DC) und die jeweiligen Zeiten der verfügbaren Ladevorgänge enthalten. Die Ladeinfrastrukturdaten 274 können eine Vorhersage der Ladedistribution enthalten, die die Vorhersage zukünftiger Ladestationen umfasst, z. B. derjenigen, die derzeit gebaut werden und derjenigen, die für den Bau geplant sind.
-
Weitergehend zu Block 108 von 2 beinhaltet das Verfahren 100 die Ausführung des Simulationsmoduls 210 auf der Grundlage von Eingaben aus dem Multi-Agenten-Modell 240 und Routendaten 270. Das Simulationsmodul 210 simuliert verschiedene Konfigurationen der Elektrofahrzeuge 14, die den Satz von Flottenaufgaben über den vordefinierten Zeitraum ausführen. Die Simulation basiert auf Variablen, die sich auf den Satz von Flottenaufgaben beziehen, wie z. B. den Start- und Endpunkt einer Fahrt, die Art der Fracht oder Ladung, die für die Flottenaufgabe erforderlich ist, die jeweiligen Zeitspannen bis zum Start- und Endpunkt der Fahrt und andere Faktoren. Zu den Eingangsvariablen können auch Fahrerdaten gehören, einschließlich Fahrstil, energieeffizientes Fahren je nach Fahrtart (Stadt, Autobahn), Handhabung von Anhängern und andere Faktoren.
-
Das Simulationsmodul 210 kann für jedes Flottenfahrzeug für jede vorgeschlagene Kombination von Elektrofahrzeugen 14 und EVSE 26 ausgeführt werden, um den Satz von Flottenaufgaben auszuführen. Die vorgeschlagenen Kombinationen können nach dem Energieverbrauch, der Anzahl der Ladevorgänge, der Tatsache, ob es sich um öffentliche oder private Ladevorgänge handelt, den Abständen zwischen den Ladevorgängen und den maximalen gleichzeitigen Ladevorgängen gruppiert werden. Das Simulationsmodul 210 simuliert den Flottenbetrieb, einschließlich der voraussichtlichen Ladevorgänge und der erforderlichen Reichweiten, sowie die Investitionskosten über einen vordefinierten Zeitraum.
-
Die Eingangsvariablen für das Simulationsmodul 210 können auch die nicht antriebsbedingten Energieanforderungen der Flottenaufgaben umfassen. Mit anderen Worten, die Befehlseinheit 18 kann angepasst werden, um Fälle zu berücksichtigen, in denen die Aufgabenpflicht die Verwendung von Energie von den Elektrofahrzeugen 14 erfordert, um ein oder mehrere elektrische Geräte zur Erledigung einer Aufgabe zu betreiben. Bei dem elektrischen Gerät kann es sich zum Beispiel um eine elektrische Kettensäge handeln, die an die Batterie eines Elektrofahrzeugs 14 angeschlossen wird, um eine Aufgabe oder einen Auftrag zu erfüllen.
-
In den Blöcken 110 und 112 von 2 beinhaltet das Verfahren 100 die Ausführung des Stichprobenmoduls 220 bzw. des Optimierungsmoduls 230. Wie in 3 dargestellt, erfolgt die Interaktion zwischen dem Simulationsmodul 210, dem Stichprobenmodul 220 und dem Optimierungsmodul 230 in einer iterativen Weise. Wie in 3 dargestellt, überträgt das Simulationsmodul 210 eine Kostenprobe an das Stichprobenmodul 220, das sie abtastet und Simulationsanweisungen an das Simulationsmodul 210 zurücksendet. Das Stichprobenmodul 220 schätzt die jeweiligen erwarteten Kosten für jede der verschiedenen Konfigurationen von Elektrofahrzeugen 14 auf der Grundlage der Kostenprobe. Die jeweiligen erwarteten Kosten können als Gaußsche Verteilung modelliert werden. In einer Ausführungsform enthält das Stichprobenmodul 220 einen auf einer Monte-Carlo-Markov-Kette basierenden Algorithmus. In einer anderen Ausführungsform umfasst das Stichprobenmodul 220 ein Metropolis-Hastings-Modul.
-
Wie in dargestellt, übermittelt das Stichprobenmodul 220 eine Kostenprobe an das Optimierungsmodul 230, das die nächste zu schätzende Konfiguration an das Stichprobenmodul 220 zurücksendet. Das Optimierungsmodul 230 schätzt die Konfidenzintervalle für jede Konfiguration. Dieser iterative Prozess wird so lange wiederholt, bis ein vordefiniertes Konfidenzniveau für jede Konfiguration erreicht ist.
-
Bei einer Konfiguration von Elektrofahrzeugen 14 und Ladeinfrastruktur 20 ermittelt das Optimierungsmodul 230 die Summe der anfänglichen Investitions- und Betriebskosten für den vordefinierten Zeitraum. Das Optimierungsmodul 230 schätzt die Gesamtkosten der optimalen Konfiguration (Gebühren und ihre Arten) aus einer endlichen Menge von Konfigurationen. Das Optimierungsmodul 230 wählt die als nächstes zu untersuchende Konfiguration auf der Grundlage eines Gleichgewichts zwischen Erkundung und Nutzung aus. Diese Schritte werden so lange wiederholt, bis die beste Konfiguration mit einem vorgegebenen akzeptablen Vertrauensniveau gefunden ist.
-
Das Optimierungsmodul 230 kann eine Zielfunktion (als Summe der Investitions- und Betriebskosten) verwenden, die minimiert wird und mindestens einer Nebenbedingung unterliegt. Beispielsweise kann die Bedingung erfüllt sein, wenn der Satz von Flottenaufgaben innerhalb eines entsprechenden vordefinierten Zeitbereichs abgeschlossen wird und/oder wenn die jeweiligen Batteriestände der Elektrofahrzeuge 14 während des Satzes von Flottenaufgaben auf einem Mindestprozentsatz gehalten werden.
-
Das Optimierungsmodul 230 kann ein stichprobeneffizientes Monte-Carlo-Verfahren (z. B. Metropolis-Hastings) anwenden, um die Verteilung der ausgewählten Konfiguration zu lernen. In einem Beispiel verwendet das Optimierungsmodul 230 einen kombinatorischen mehrarmigen Algorithmus. Andere Algorithmen, die dem Fachmann zur Verfügung stehen, können ebenfalls verwendet werden. Die Ergebnisse des Optimierungsmoduls 230 werden an ein Ausgabemodul 280 übertragen, wie in 3 dargestellt.
-
Das Optimierungsmodul 230 ist so ausgelegt, dass es eine Reihe von Fahrzeugtypen (z. B. Fahrzeuge mit ähnlicher Batteriekapazität) und kompatiblen EVSEs findet, die die einmaligen Investitionskosten und Betriebskosten minimieren. Die einmaligen Investitionskosten für die Elektrofahrzeuge 14 hängen vom jeweiligen Anschaffungspreis und Restwert ab. Der Restwert des Fahrzeugs hängt von der Gesamtfahrleistung (die aus den Mobilitätsszenarien abgeleitet werden kann), dem gewählten Fahrzeugtyp/-modell und dem Restwert der Batterie ab (der von der Vorhersage des Batterieverschleißes und dem Wert der zweiten Nutzungsdauer abhängt). Die Fahrzeugbatterie kann getrennt vom Fahrzeug verkauft werden. Die einmaligen Investitionskosten für die EVSE werden durch den Kaufpreis der Ladestation, die Installationskosten und den Restwert der EVSE beeinflusst.
-
Die Ausgabe des Optimierungsmoduls 230 kann Empfehlungen für die Größe der stationären Energiespeicher der Flotte enthalten. Das Ausgabemodul 280 kann einen Zeitplan für verfügbare Ladeplätze an den Ladestationen der Flotte 22 erhalten. Die Slots können der Öffentlichkeit zu einem bestimmten Preis angeboten werden, wobei diese über die Ladezeitbegrenzungen und mögliche Bußgelder bei Überschreitung der Ladezeitbegrenzungen informiert wird. Die zusätzlichen potenziellen Einnahmen können als Einfluss auf die Gesamtbetriebskosten berücksichtigt werden.
-
In 4 ist eine Beispielkonfiguration für das Simulationsmodul 210 dargestellt. Es versteht sich, dass auch andere Konfigurationen verwendet werden können. Der Simulationsprozess wird für jedes Fahrzeug wiederholt. Unter Bezugnahme auf 4 werden Informationen für jedes der Elektrofahrzeuge 14 (dargestellt durch Fahrzeugdaten 320) in jedem Zyklus an die Fahrten-Datenbank 250 und an das Mobilitätsmuster-Modul 260 übertragen. Die Daten können durch Monte-Caro-Stichproben für jedes Flottenfahrzeug gewonnen werden. Das Mobilitätsmuster-Modul 260 kann Untermodule enthalten, die die Anzahl der Fahrten 262, ein Entfernungs- und Geschwindigkeitsprofil 264 und eine Fahrtenmatrix 266 darstellen. Wie in 4 dargestellt, umfasst das Mobilitätsmuster-Modul 260 ein EV-Modell 268 („Elektrofahrzeug“), das Eingaben von einem EV-Agenten 330 erhält, der eine Reihe von Faktoren wie Energieverbrauch, Batteriekapazität und Ladeleistung jedes Elektrofahrzeugs berücksichtigt.
-
Wie in 4 dargestellt, werden Informationen aus dem Mobilitätsmuster-Modul 260 in ein Ladeprozess-Modul 340 eingespeist, das Untermodule enthält, die die verbrauchte Energie 342 und die EV-Ladeereignisse 344 darstellen. Die EV-Ladeereignisse 344 erhalten Eingaben von einem Schätzer für Ladeereignisse 350, der seinerseits Informationen an einen Aggregator für Ladeereignisse 360 weiterleitet. Der Schätzer für Ladeereignisse 350 berücksichtigt die Anzahl und den Typ der in der Ladeinfrastruktur vorhandenen EVSE 26 und kann eine Präferenz für die Flottenladestationen 22 enthalten. Wie in 4 dargestellt, empfängt der Aggregator für Ladeereignisse 360 Eingaben von den EV-Ladeereignissen 344 und überträgt sie an das Optimierungsmodul 230. Die Daten der verbrauchten Energie 342 (im Ladeprozessmodul 340) und des Aggregators 360 für Ladevorgänge werden an das Stichprobenmodul 220 und/oder das Optimierungsmodul 230 übertragen. Der Ladeereignis-Aggregator 360 berücksichtigt die Anzahl der vorhergesagten gleichzeitigen Ladeereignisse für jedes der Elektrofahrzeuge 14 in der Flotte 12. Wie in Zeile 346 angegeben, werden die Fahrzeugdaten 320 in einer Rückkopplungsschleife mit Daten aus dem Ladeprozessmodul 340 aktualisiert.
-
In einigen Ausführungsformen umfasst die Flotte 12 sowohl Elektrofahrzeuge als auch nicht-elektrische Fahrzeuge (ICE). Der Flottenmanager kann bestimmen, welcher Anteil der langen Fahrten von den Analysen ausgeschlossen werden kann (z. B. können die langen Fahrten den ICE-Fahrzeugen zugewiesen werden), um die optimale Kombination aus Elektrofahrzeugen 14 und EVSE 26 zu finden, die die Gesamtbetriebskosten deutlich senkt.
-
Zusammenfassend wird ein System 10 zur Optimierung der Betriebskosten für die Flotte 12 vorgestellt. Die Energiekosten für eine Flotte 12 werden optimiert, so dass es für eine Flotte 12 vorteilhafter ist, Elektrofahrzeuge 14 anzuschaffen. Das Verfahren 100 optimiert die Investition unter Berücksichtigung der Batteriekapazität, der Ladekapazität sowie des unsicheren Energieverbrauchs und der verfügbaren Ladezeiten. Es werden sowohl die einmaligen Investitionskosten als auch die Betriebskosten berücksichtigt. Der Energieverbrauch der Elektrofahrzeuge 14 beeinflusst die Investitionsentscheidung hinsichtlich der erforderlichen Batteriekapazität und der EVSE-Ladekapazität sowie der Betriebskosten. Auch kontextuelle Faktoren wie das Klima werden berücksichtigt. Die Methode 100 berücksichtigt die Unsicherheiten im Zusammenhang mit dem zukünftigen Energieverbrauch der Flotte 12 und den verfügbaren Ladeplätzen.
-
Die Befehlseinheit 18 von 1 umfasst ein computerlesbares Medium (auch als prozessorlesbares Medium bezeichnet), einschließlich eines nicht-transitorischen (z. B. greifbaren) Mediums, das an der Bereitstellung von Daten (z. B. Anweisungen) beteiligt ist, die von einem Computer (z. B. von einem Prozessor eines Computers) gelesen werden können. Ein solches Medium kann viele Formen annehmen, einschließlich, aber nicht beschränkt auf nichtflüchtige Medien und flüchtige Medien. Zu den nichtflüchtigen Medien gehören beispielsweise optische oder magnetische Festplatten und andere dauerhafte Speicher. Zu den flüchtigen Medien kann beispielsweise ein dynamischer Direktzugriffsspeicher (DRAM) gehören, der einen Hauptspeicher darstellen kann. Solche Befehle können über ein oder mehrere Übertragungsmedien übertragen werden, darunter Koaxialkabel, Kupferdraht und Glasfaserkabel, einschließlich der Drähte, die einen mit einem Prozessor eines Computers verbundenen Systembus bilden. Einige Formen von computerlesbaren Medien umfassen beispielsweise eine Diskette, eine flexible Platte, eine Festplatte, ein Magnetband, ein anderes magnetisches Medium, eine CD-ROM, eine DVD, ein anderes optisches Medium, ein physikalisches Medium mit Lochmustern, ein RAM, ein PROM, ein EPROM, ein FLASH-EEPROM, ein anderer Speicherchip oder eine Kassette oder ein anderes Medium, von dem ein Computer lesen kann.
-
Nachschlagetabellen, Datenbanken, Datenlager oder andere hier beschriebene Datenspeicher können verschiedene Arten von Mechanismen für die Speicherung, den Zugriff und die Abfrage verschiedener Arten von Daten umfassen, darunter eine hierarchische Datenbank, eine Gruppe von Dateien in einem Dateiaufladesystem, eine Anwendungsdatenbank in einem proprietären Format, ein relationales Datenbank-Energieverwaltungssystem (RDBMS) usw. Jeder dieser Datenspeicher kann in einem Computergerät enthalten sein, das ein Computerbetriebssystem wie eines der oben genannten verwendet, und auf das über ein Netzwerk auf eine oder mehrere der verschiedenen Arten zugegriffen werden kann. Ein Dateisystem kann von einem Computer, der ein wiederaufladbares Energiespeichersystem betreibt, zugänglich sein und kann in verschiedenen Formaten gespeicherte Dateien enthalten. Ein RDBMS kann die Structured Query Language (SQL) zusätzlich zu einer Sprache zum Erstellen, Speichern, Bearbeiten und Ausführen von gespeicherten Prozeduren, wie der oben erwähnten PL/SQL-Sprache, verwenden.
-
Die Flussdiagramme veranschaulichen die Architektur, die Funktionalität und den Betrieb möglicher Implementierungen von Systemen, Verfahren und Computerprogrammprodukten verschiedener Ausführungsformen der vorliegenden Offenbarung. In dieser Hinsicht kann jeder Block im Flussdiagramm oder in den Blockdiagrammen ein Modul, ein Segment oder einen Teil des Codes darstellen, der eine oder mehrere ausführbare Anweisungen zur Implementierung der angegebenen logischen Funktion(en) umfasst. Es wird auch darauf hingewiesen, dass jeder Block der Blockdiagramme und/oder Flussdiagrammabbildungen und Kombinationen von Blöcken in den Blockdiagrammen und/oder Flussdiagrammabbildungen durch spezielle Hardware-basierte wiederaufladbare Energiespeichersysteme, die die angegebenen Funktionen oder Handlungen ausführen, oder Kombinationen von spezieller Hardware und Computeranweisungen implementiert werden können. Diese Computerprogrammanweisungen können auch in einem computerlesbaren Medium gespeichert werden, das ein Steuergerät oder ein anderes programmierbares Datenverarbeitungsgerät anweisen kann, in einer bestimmten Weise zu funktionieren, so dass die in dem computerlesbaren Medium gespeicherten Anweisungen einen Herstellungsgegenstand erzeugen, der Anweisungen zur Umsetzung der in den Flussdiagramm- und/oder Blockdiagrammblöcken angegebenen Funktion/Aktion enthält.
-
Die numerischen Werte von Parametern (z. B. von Größen oder Bedingungen) in dieser Beschreibung, einschließlich der beigefügten Ansprüche, sind so zu verstehen, dass sie in jedem Fall durch den Begriff „ungefähr“ modifiziert werden, unabhängig davon, ob „ungefähr“ tatsächlich vor dem numerischen Wert erscheint oder nicht. „Ungefähr“ bedeutet, dass der angegebene Zahlenwert eine gewisse Ungenauigkeit zulässt (mit einer gewissen Annäherung an die Genauigkeit des Wertes; ungefähr oder einigermaßen nahe am Wert; fast). Wenn die Ungenauigkeit, die durch „ungefähr“ gegeben ist, nicht anderweitig in der Kunst mit dieser gewöhnlichen Bedeutung verstanden wird, dann weist „ungefähr“, wie es hier verwendet wird, zumindest auf Abweichungen hin, die durch gewöhnliche Methoden der Messung und Verwendung solcher Parameter entstehen können. Darüber hinaus umfasst die Offenlegung von Bereichen die Offenlegung jedes Wertes und weiter unterteilter Bereiche innerhalb des gesamten Bereichs. Jeder Wert innerhalb eines Bereichs und die Endpunkte eines Bereichs werden hiermit als separate Ausführungsformen offengelegt.
-
Die ausführliche Beschreibung und die Zeichnungen oder FIGS. sind unterstützend und beschreibend für die Offenbarung, aber der Umfang der Offenbarung wird ausschließlich durch die Ansprüche definiert. Während einige der besten Modi und andere Ausführungsformen zur Durchführung der beanspruchten Offenbarung im Detail beschrieben wurden, gibt es verschiedene alternative Designs und Ausführungsformen zur Durchführung der Offenbarung, die in den beigefügten Ansprüchen definiert ist. Darüber hinaus sind die in den Zeichnungen dargestellten Ausführungsformen oder die in der vorliegenden Beschreibung erwähnten Merkmale verschiedener Ausführungsformen nicht unbedingt als voneinander unabhängige Ausführungsformen zu verstehen. Vielmehr ist es möglich, dass jedes der in einem der Ausführungsbeispiele beschriebenen Merkmale mit einem oder mehreren anderen gewünschten Merkmalen anderer Ausführungsformen kombiniert werden kann, was zu anderen Ausführungsformen führt, die nicht in Worten oder durch Bezugnahme auf die Zeichnungen beschrieben sind. Dementsprechend fallen solche anderen Ausführungsformen in den Rahmen des Anwendungsbereichs der beigefügten Ansprüche.
