DE102023109749A1

DE102023109749A1 - Vorhersage der verbrauchernachfrage nach einem angebot in einergeografischen zone auf der grundlage unzuverlässiger undnichtstationärer daten

Info

Publication number: DE102023109749A1
Application number: DE102023109749.0A
Authority: DE
Inventors: Klaus Trangbaek; Yaron Veksler; Vladimir Suplin; Oren Herstic; Daniel Urieli
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2022-09-23
Filing date: 2023-04-18
Publication date: 2024-03-28
Also published as: US20240104589A1; CN117764634A

Abstract

Verfahren, das das Erhalten von Nachfragedaten, Verbraucherdaten und historischen Nachfragedaten umfasst, wobei die Nachfragedaten eine Nachfrage von Verbrauchern nach einem Angebot über einen vergangenen Zeitraum in einer geographischen Zone darstellen. Die Nachfragedaten umfassen ein aktuelles Zeitsegment mit unzuverlässigen Nachfragedaten. Die Verbraucherdaten. Das Verfahren umfasst ferner, basierend auf den Nachfragedaten, die Schätzung eines Skalars der Nachfrage, und, basierend auf den historischen Nachfragedaten, die Modellierung eines standardisierten Modellnachfrageprofils der mittleren Nachfrage über mehrere vergangene Zeiträume. Ferner umfasst das Verfahren die Erstellung einer kurzfristigen Nachfragevorhersage für die Verbraucher des Angebots über einen Teil eines bevorstehenden Zeitraums. Die kurzfristige Nachfragevorhersage basiert zumindest teilweise auf dem standardisierten Modellbedarfsprofil, den Nachfragedatendaten und den Verbraucherdaten.

Description

EINFÜHRUNG
Diese Offenlegung bezieht sich auf Techniken zur Vorhersage der Verbrauchernachfrage nach einem Angebot in einer geografischen Zone auf der Grundlage unzuverlässiger Daten.
Es wird erwartet, dass bis 2030 etwa die Hälfte aller verkauften Neufahrzeuge vollelektrisch sein wird. Daher wird in naher Zukunft eine große Anzahl batteriebetriebener Elektrofahrzeuge (BEV) auf den Straßen unterwegs sein. Der Bedarf zum Aufladen dieser neuen BEVs stellt eine große Herausforderung für die Strominfrastruktur dar. Einigen Schätzungen zufolge wird die jährliche Stromnachfrage zum Aufladen dieser neuen BEVs von elf Milliarden Kilowattstunden (kWh) im Jahr 2020 auf zweihundertdreißig Milliarden kWh im Jahr 2030 ansteigen.
BESCHREIBUNG
Gemäß einer Ausführungsform umfasst ein Verfahren zur Erleichterung einer Vorhersage der Nachfrage von Verbrauchern nach einem Angebot in einer geographischen Zone: 1) Erhalten von Nachfragedaten, Verbraucherdaten und historischen Nachfragedaten, wobei die Nachfragedaten eine Nachfrage von Verbrauchern nach einem Angebot über eine vergangene Zeitperiode in einer geographischen Zone repräsentieren, wobei die Nachfragedaten ein jüngstes Zeitsegment mit unzuverlässigen Nachfragedaten enthalten, die Verbraucherdaten Informationen bezüglich der Nachfrageeigenschaften und des Status der Verbraucher nach dem Angebot über die vergangene Zeitperiode in der geographischen Zone enthalten, und die historischen Nachfragedaten eine Nachfrage von Verbrauchern nach dem Angebot über mehrere vergangene Zeitperioden in der geographischen Zone repräsentieren; 2) auf der Grundlage der Nachfragedaten, Schätzen eines Skalars der Nachfrage über die vergangene Zeitperiode; 3) basierend auf den historischen Nachfragedaten, Modellieren eines standardisierten Modellnachfrageprofils der mittleren Nachfrage über die mehreren vergangenen Zeitperioden; 4) Erzeugen einer kurzfristigen Nachfragevorhersage der Verbraucher des Angebots über einen unmittelbaren Teil einer bevorstehenden Zeitperiode in der geographischen Zone, wobei die kurzfristige Nachfragevorhersage zumindest teilweise auf dem standardisierten Modellnachfrageprofil, den Nachfragedaten und den Verbraucherdaten basiert und die kurzfristige Nachfragevorhersage zumindest teilweise ein Produkt des Skalars und des standardisierten Modellnachfrageprofils ist; und 5) Präsentieren der kurzfristigen Nachfragevorhersage.
In dieser Ausführungsform kann das Verfahren ferner Folgendes umfassen: 1) Erstellen einer Nachfragevorhersage für die Verbraucher des Angebots über den bevorstehenden Zeitraum in der geografischen Zone, wobei die Nachfragevorhersage zumindest teilweise auf dem standardisierten Modellnachfrageprofil basiert und die Nachfragevorhersage zumindest teilweise ein Produkt aus dem Skalar und dem standardisierten Modellnachfrageprofil enthält; und 2) Darstellen der Nachfragevorhersage.
Bei dieser Ausführungsform kann das Verfahren ferner umfassen: 1) Erzeugen eines standardisierten Kapazitätsprofils der Kapazität über den vergangenen Zeitraum auf der Grundlage der Verbraucherdaten; 2) Erzeugen einer Kapazitätsvorhersage der Verbraucher des Angebots über den bevorstehenden Zeitraum in der geografischen Zone, wobei die Kapazitätsvorhersage zumindest teilweise ein Produkt aus dem Skalar und dem standardisierten Kapazitätsprofil enthält, und 3) Darstellen der Kapazitätsvorhersage.
Wenn die geografische Zone mehrere Gebiete umfasst und die kurzfristige Nachfragevorhersage für jedes Gebiet erstellt wird, umfassen einige Implementierungen des Verfahrens ferner die Erzeugung einer aggregierten Mehrgebietsvorhersage auf der Grundlage der kurzfristigen Nachfragevorhersagen, die für jedes Gebiet erstellt werden.
In anderen Ausführungsformen des Verfahrens ist der vergangene Zeitraum ein Zeitraum, der dem aktuellen Zeitpunkt der Vorhersage unmittelbar vorausgeht und/oder Nachfragedaten mit nahezu stationären Daten enthält. In wieder anderen Ausführungsformen stimmen der vergangene Zeitraum und der kommende Zeitraum in ihrer Länge überein.
In einigen Ausführungsformen des Verfahrens handelt es sich bei der Versorgung zum Beispiel um Wasser, Elektrizität, Kraftstoff, Öl, Energie, Erdgas, Propan, Lebensmittel, Futtermittel und/oder Ähnliches. In wieder anderen Ausführungsformen sind die Verbraucher Elektrofahrzeuge, die mit Hilfe einer elektrischen Versorgung geladen werden. In einer weiteren Ausführungsform stimmen die Länge des vergangenen und des kommenden Zeitraums überein.
Gemäß einer anderen Ausführungsform umfasst ein Verfahren 1) das Erhalten von Nachfragedaten und historischen Nachfragedaten, wobei die Nachfragedaten eine Nachfrage von Verbrauchern nach einem Angebot über eine vergangene Zeitperiode in einer geografischen Zone darstellen, wobei die Nachfragedaten ein jüngstes Zeitsegment mit unzuverlässigen Nachfragedaten umfassen und die historischen Nachfragedaten eine Nachfrage von Verbrauchern nach dem Angebot über mehrere vergangene Zeitperioden in der geografischen Zone darstellen; 2) auf der Grundlage der Nachfragedaten das Schätzen eines Skalars der Nachfrage über die vergangene Zeitperiode; 3) auf der Grundlage der historischen Nachfragedaten, Modellieren eines standardisierten Modellnachfrageprofils der mittleren Nachfrage über die mehreren vergangenen Zeitperioden; 4) Erzeugen einer Nachfragevorhersage der Verbraucher des Angebots über eine bevorstehende Zeitperiode in der geographischen Zone, wobei die Nachfragevorhersage zumindest teilweise auf dem standardisierten Modellnachfrageprofil basiert und die Nachfragevorhersage zumindest teilweise ein Produkt aus dem Skalar und dem standardisierten Modellnachfrageprofil enthält; und 5) Darstellen der Nachfragevorhersage.
Bei einer anderen Ausführungsform kann das Verfahren ferner umfassen: 1) Erhalten von Verbraucherdaten, die Informationen bezüglich der Nachfrageeigenschaften und des Status der Verbraucher für das Angebot über die vergangene Zeitperiode in der geographischen Zone enthalten; 2) Erzeugen eines standardisierten Kapazitätsprofils der Kapazität über die vergangene Zeitperiode auf der Grundlage der Verbraucherdaten; 3) Erzeugen einer Kapazitätsvorhersage der Verbraucher des Angebots über die kommende Zeitperiode in der geographischen Zone, wobei die Kapazitätsvorhersage zumindest teilweise ein Produkt aus dem Skalar und dem standardisierten Kapazitätsprofil enthält; und 4) Darstellen der Kapazitätsvorhersage.
In einer anderen Ausführungsform umfassen die Nachfragedaten ein jüngstes Zeitsegment mit unzuverlässigen Nachfragedaten, wobei das Verfahren ferner umfasst: 1) Erhalten von Verbraucherdaten, die Informationen bezüglich der Nachfrageeigenschaften und des Status der Verbraucher für das Angebot über die vergangene Zeitperiode in der geographischen Zone enthalten; 2) Erzeugen einer kurzfristigen Nachfragevorhersage der Verbraucher des Angebots über einen unmittelbaren Teil einer bevorstehenden Zeitperiode in der geographischen Zone, wobei die kurzfristige Nachfragevorhersage zumindest teilweise auf dem standardisierten Modellnachfrageprofil, den Nachfragedaten und den Verbraucherdaten basiert und die kurzfristige Nachfragevorhersage zumindest teilweise ein Produkt des Skalars und des standardisierten Modellnachfrageprofils ist; und 3) Präsentieren der kurzfristigen Nachfragevorhersage.
Wenn die geografische Zone mehrere Gebiete umfasst und die kurzfristige Nachfragevorhersage für jedes Gebiet erstellt wird, umfassen einige Implementierungen des Verfahrens ferner die Erzeugung einer aggregierten Mehrgebietsvorhersage auf der Grundlage der kurzfristigen Nachfragevorhersagen, die für jedes Gebiet erstellt werden.
In anderen Ausführungsformen dieses Verfahrens handelt es sich bei den Verbrauchern um Elektrofahrzeuge, die mit Hilfe eines Stromnetzes aufgeladen werden. In wieder anderen Ausführungsformen kann dieses Verfahren ferner die Berechnung eines Konfidenzintervalls der Nachfragevorhersage als Funktion des Skalars umfassen.
Gemäß einer weiteren Ausführungsform ist ein nicht-transitorisches, maschinenlesbares Speichermedium mit Befehlen kodiert, die von einem oder mehreren Prozessoren ausgeführt werden können, die, wenn sie ausgeführt werden, den einen oder die mehreren Prozessoren anweisen, Operationen zur Erleichterung einer Vorhersage der Nachfrage von Verbrauchern nach einem Angebot in einer geografischen Zone durchzuführen. Diese Operationen umfassen 1) Erhalten von Nachfragedaten, Verbraucherdaten und historischen Nachfragedaten, wobei die Nachfragedaten eine Nachfrage von Verbrauchern nach einem Angebot über eine vergangene Zeitperiode in einer geographischen Zone darstellen, wobei die Nachfragedaten ein jüngstes Zeitsegment mit unzuverlässigen Nachfragedaten enthalten, die Verbraucherdaten Informationen bezüglich Nachfrageeigenschaften und Status der Verbraucher nach dem Angebot über die vergangene Zeitperiode in der geographischen Zone enthalten, und die historischen Nachfragedaten eine Nachfrage von Verbrauchern nach dem Angebot über mehrere vergangene Zeitperioden in der geographischen Zone darstellen; 2) auf der Grundlage der Nachfragedaten, Schätzen eines Skalars der Nachfrage über die vergangene Zeitperiode; 3) basierend auf den historischen Nachfragedaten, Modellieren eines standardisierten Modellnachfrageprofils der mittleren Nachfrage über die mehreren vergangenen Zeitperioden; 4) Erzeugen einer kurzfristigen Nachfragevorhersage der Verbraucher des Angebots über einen unmittelbaren Teil einer bevorstehenden Zeitperiode in der geographischen Zone, wobei die kurzfristige Nachfragevorhersage zumindest teilweise auf dem standardisierten Modellnachfrageprofil, den Nachfragedaten und den Verbraucherdaten basiert und die kurzfristige Nachfragevorhersage zumindest teilweise ein Produkt des Skalars und des standardisierten Modellnachfrageprofils ist; und 5) Präsentieren der kurzfristigen Nachfragevorhersage.
Das nicht-transitorische maschinenlesbare Speichermedium kann ferner Befehle zur Durchführung von Operationen enthalten, die 1) eine Nachfragevorhersage der Verbraucher des Angebots über den bevorstehenden Zeitraum in der geographischen Zone erzeugen, wobei die Nachfragevorhersage zumindest teilweise auf dem standardisierten Modellnachfrageprofil basiert und die Nachfragevorhersage zumindest teilweise ein Produkt aus dem Skalar und dem standardisierten Modellnachfrageprofil enthält; und 2) die Nachfragevorhersage präsentieren.
Das nicht-übertragbare maschinenlesbare Speichermedium kann ferner Anweisungen zur Durchführung von Operationen enthalten, die: 1) auf der Grundlage der Verbraucherdaten ein standardisiertes Kapazitätsprofil der Kapazität über die vergangene Zeitperiode erzeugen; 2) eine Kapazitätsvorhersage der Verbraucher der Versorgung über die bevorstehende Zeitperiode in der geographischen Zone erzeugen, wobei die Kapazitätsvorhersage zumindest teilweise ein Produkt des Skalars und des standardisierten Kapazitätsprofils enthält; und 3) die Kapazitätsvorhersage präsentieren.
Wenn die geografische Zone mehrere Gebiete umfasst und die kurzfristige Nachfragevorhersage für jedes Gebiet erstellt wird, können einige Implementierungen des nicht-übertragbaren maschinenlesbaren Speichermediums außerdem Anweisungen zur Durchführung von Operationen enthalten, die eine aggregierte Mehrgebietsvorhersage auf der Grundlage der kurzfristigen Nachfragevorhersagen für jedes Gebiet erzeugen.
In noch anderen Ausführungsformen des nichttransitorischen maschinenlesbaren Speichermediums sind die Verbraucher Elektrofahrzeuge, die mit Hilfe einer elektrischen Versorgung aufgeladen werden.
Die obigen Merkmale und Vorteile sowie andere Merkmale und Vorteile der vorliegenden Lehre sind aus der folgenden detaillierten Beschreibung einiger der besten Modi und anderer Ausführungsformen zur Durchführung der vorliegenden Lehre, wie sie in den beigefügten Ansprüchen definiert sind, leicht ersichtlich, wenn sie in Verbindung mit den beigefügten Zeichnungen betrachtet werden.
KURZBESCHREIBUNG DER ZEICHNUNGEN

1 zeigt ein Beispielszenario, das geeignet ist, ein Beispielsvorhersagesystem für die Verbrauchernachfrage nach einem Angebot in einer geografischen Zone auf der Grundlage unzuverlässiger Daten gemäß einer oder mehrerer hierin beschriebener Implementierungen zu verwenden.
2 zeigt ein beispielhaftes Datenflussdiagramm des beispielhaften Vorhersagesystems für die Verbrauchernachfrage nach einem Angebot in einer geografischen Zone auf der Grundlage unzuverlässiger Daten, in Übereinstimmung mit einer oder mehreren hierin beschriebenen Implementierungen.
3 zeigt ein Beispiel für eine Computerarchitektur für ein Computersystem, das die hier beschriebene Technologie ausführen kann.
4 ist ein Flussdiagramm, das einen Prozess zur Durchführung einer beispielhaften Methode der kurzfristigen Nachfragevorhersage veranschaulicht.
5 ist ein Flussdiagramm, das einen Prozess zur Durchführung einer beispielhaften Methode der Nachfragevorhersage zeigt.
6 ist ein Flussdiagramm, das einen Prozess zur Durchführung einer beispielhaften Methode zur Kapazitätsvorhersage zeigt.

AUSFÜHRLICHE BESCHREIBUNG
Es wird nun auf die Zeichnungen verwiesen, in denen gleiche Ziffern gleiche Teile in den verschiedenen Ansichten der verschiedenen Systeme und Ansätze zeigen und beschreiben.
1 zeigt ein Beispielszenario 100, das geeignet ist, ein Beispielsnachfragevorhersagesystem 140 für die Verbrauchernachfrage nach einem Angebot in einer geografischen Zone (z. B. einem Gebiet 120) auf der Grundlage unvollständiger Daten in Übereinstimmung mit einer oder mehreren hierin beschriebenen Implementierungen zu verwenden.
Das Beispielszenario 100 umfasst die Elektrizitätsinfrastruktur 110, zu der beispielsweise Geräte und Dienstleistungen gehören, die eingesetzt werden, um die von Stromquellen erzeugte elektrische Energie an die Endverbraucher in Privathaushalten, Gewerbe und Industrie weiterzuleiten. Zu den Stromerzeugungsquellen gehören Kraftwerke, die auf Wasserkraftwerken, fossilen Brennstoffen (z. B. Kohle, Erdgas oder Öl), Kernkraft-, Solar-, Wind-, Erdwärme- und Biomassekraftwerken basieren. Diese Infrastrukturen befinden sich häufig im Besitz von Organisationen, die als Stromversorger bezeichnet werden, und werden von diesen verwaltet. In manchen Fällen wird die Infrastruktur auch als Stromnetz bezeichnet.
Die Strominfrastruktur 110 ist über elektrische Übertragungsmedien 112 mit den Kunden in dem von der Strominfrastruktur 110 versorgten Gebiet 120 verbunden. Bei diesen Kunden kann es sich um Haushalte oder Unternehmen in diesem Gebiet handeln. Wie dargestellt, handelt es sich bei den Häusern 122, 124 und 126 um Häuser im Gebiet 120, die so ausgestattet sind, dass sie ein batteriebetriebenes Elektrofahrzeug (BEV) mit dem von der Strominfrastruktur 110 gelieferten Strom aufladen können. Die Häuser 122, 124 und 126 sind nur Beispiele für viele weitere Häuser in dem Gebiet, die für das Aufladen von BEVs ausgerüstet sind.
Eine geografische Zone ist ein allgemeiner Begriff für einen physischen Bereich, der von der Strominfrastruktur 110 mit Strom versorgt wird. Die Infrastruktur liefert also Strom an die Verbraucher in einem geografischen Gebiet. Insbesondere ist das Gebiet die kleinste Einheit einer geografischen Zone, die mit den hier beschriebenen Techniken bedient oder gemessen wird. Beispiele für Gebiete sind Postleitzahlengebiete, Landkreise, Städte, Bundesländer und dergleichen.
Eine Region ist eine Ansammlung von Gebieten, die durch dieselbe Infrastruktur versorgt werden, wobei diese Gebiete nicht aneinandergrenzen müssen.
Die BEV sind Beispiele für Verbraucher einer elektrischen Last, die von der Strominfrastruktur 110 versorgt wird. Die BEV liefern also die Nachfrage nach Strom, und die Strominfrastruktur 110 liefert diesen Strom. Sofern aus dem Kontext nichts anderes hervorgeht, sind Verbraucher hier diejenigen, die eine Nachfrage nach einem Angebot von einem Anbieter erzeugen oder verursachen.
Solche Lieferungen sind solche, die kontinuierlich oder fortlaufend geliefert werden können oder üblicherweise geliefert werden. Das heißt, sie werden auf Abruf oder nahezu auf Abruf bereitgestellt, da der Bedarf an solchen Gütern zwar variabel, aber unveränderlich ist. Beispiele für solche Lieferungen sind Wasser, Elektrizität, Kraftstoff, Öl, Energie, Erdgas, Propan, Lebensmittel, Futtermittel und/oder Ähnliches.
Ein Netz 130 verbindet das Vorhersagesystem 140 mit den Häusern des Gebiets 120 und der Strominfrastruktur 110. Das Netz 130 ist eine Sammlung miteinander verbundener Datenverarbeitungsgeräte (d. h. Netzknoten), die eine Reihe gemeinsamer Kommunikationsprotokolle über digitale Verbindungen verwenden, um Ressourcen oder Dienste gemeinsam zu nutzen, die sich auf den Netzknoten befinden oder von diesen bereitgestellt werden. Die Verbindungen zwischen den Knoten bestehen aus einer oder mehreren der zahlreichen Telekommunikationsnetztechnologien, die auf physikalisch verdrahteten, optischen und drahtlosen Hochfrequenzmethoden basieren und in einer Vielzahl von Netztopologien angeordnet sein können. Die so genannte Cloud und das Internet sind Beispiele für ein geeignetes Kommunikationsnetz.
Es sollte klar sein, dass die hier beschriebene Konfiguration und Netzwerktopologie stark vereinfacht wurde und dass viel mehr Computersysteme, Softwarekomponenten, Netzwerke, Server, Dienste und Netzwerkgeräte verwendet werden können, um die verschiedenen hier offengelegten Computersysteme miteinander zu verbinden und die hier beschriebenen Funktionen bereitzustellen.
Das Vorhersagesystem 140 ist als vereinfachter Funktionsblock dargestellt. Das Vorhersagesystem umfasst einen Datenbeschaffer 142, einen skalaren Schätzer 144, einen Profilmodellierer 146, einen Vorhersageerzeuger 148 und einen Vorhersageanbieter 150. Jeder Funktionsblock des Vorhersagesystems 140 kann zumindest teilweise durch Hardware, Firmware oder durch eine Kombination davon mit Software implementiert werden.
Das Vorhersagesystem 140 nutzt Informationen über frühere Nachfragen von Verbrauchern, wie z. B. die BEV der Haushalte im Gebiet 120, um die zukünftige Nachfrage vorherzusagen. Das Prognosesystem 140 kann seine Nachfrageprognose beispielsweise der Strominfrastruktur 110 zur Verfügung stellen, damit diese entsprechend planen kann, um über ein ausreichendes Angebot zu verfügen, das die erwartete Nachfragezeitnah deckt.
2 zeigt ein beispielhaftes Datenflussdiagramm des Vorhersagesystems 140 für die Verbrauchernachfrage nach elektrischer Versorgung in einer geografischen Zone auf der Grundlage unzuverlässiger und nichtstationärer Daten, in Übereinstimmung mit einer oder mehreren hier beschriebenen Implementierungen.
Über das Netzwerk 130 sammelt der Datenerfasser 142 Nachfragedaten 220 und historische Nachfragedaten 210, beispielsweise von Verbrauchern der elektrischen Last, die von der Strominfrastruktur 110 in der geografischen Zone (wie dem Gebiet 120) bereitgestellt wird. Zu diesen Verbrauchern können zum Beispiel die BEV in den Häusern 122, 124 und 126 gehören, wie in 1 dargestellt.
Insbesondere repräsentieren die Nachfragedaten 220 im Großen und Ganzen die gemessene Nachfrage von Verbrauchern in einer geografischen Zone (z. B. BEV in den Haushalten im Gebiet 120) über einen definierten vergangenen Zeitraum, der von einem definierten aktuellen Zeitpunkt für die Vorhersage (z. B. einem aktuellen Zeitpunkt der Vorhersage) zurückprojiziert wird. Hierin kann der definierte Zeitraum als vergangener Zeitraum bezeichnet werden. Bei einer oder mehreren hier beschriebenen Implementierungen sind die Nachfragedaten 220 aktuelle Daten, z. B. aus der letzten Woche.
Die Nachfragedaten 220 können beispielsweise den mittleren Lastbedarf der BEV im Gebiet 120 über die letzte Woche (d. h. 168 Stunden) angeben. In diesem Fall beträgt der vergangene Zeitraum 168 Stunden oder eine Woche ab dem aktuellen Zeitpunkt der Vorhersage. In diesem Fall wird eine Woche zugrunde gelegt, da sich das Nachfragemuster der Verbraucher in der Regel jede Woche wiederholt. Der gewählte Zeitraum kann für andere Arten von Nachfragen und Lieferungen variieren.
Darüber hinaus ist ein Teil 222 der Nachfragedaten 220 unzuverlässig. Das heißt, die Daten des Teils 222 können nur teilweise beobachtet werden oder möglicherweise unvollständig sein. Bei dem unzuverlässigen Teil 222 (d. h. unzuverlässigen Nachfragedaten) ist nicht bekannt, ob die gemessene Nachfrage die tatsächliche Nachfrage genau widerspiegelt. Dies kann z. B. bei den jüngsten Messungen der Fall sein. Einige der Ladegeräte verpacken die Nachfragedaten, sobald der Ladevorgang abgeschlossen ist. In diesem Fall fehlen den Nachfragedaten die Daten über die ladenden BEVs. Während die ladenden BEVs eine Last ziehen, erfasst der Ladezähler aufgrund seiner Eigenart diese Nachfragedaten erst nach dem aktuellen Zeitpunkt der Vorhersage. Folglich enthalten die Nachfragedaten 220 ein aktuelles Zeitsegment (z. B. 24 Stunden) mit unzuverlässigen Nachfragedaten.
Da der BEV-Markt weiter wächst, sind die historischen Nachfragedaten des Ladebedarfs von BEV in einer bestimmten geografischen Zone nicht stationär. Nicht-stationäre Daten haben Mittelwerte, Varianzen und/oder Kovarianzen, die sich im Laufe der Zeit ändern. Bei nicht-stationärem Verhalten kann es sich um Trends, Zyklen, Random Walks oder Kombinationen aus diesen drei Formen handeln. Nicht-stationäre Daten sind in der Regel unvorhersehbar und können nicht modelliert oder prognostiziert werden. Unabhängig davon können diese Nachfragedaten als Grundlage für Vorhersagen mit der hier beschriebenen Technologie verwendet werden.
Zwei Faktoren tragen den nicht-stationären Daten Rechnung. Der erste ist die Aufteilung der Werte in einen skalaren und einen standardisierten Wert. Dies wird weiter unten im Zusammenhang mit der skalaren Schätzung erläutert. Zweitens wird ein Teil der Daten so ausgewählt, dass er so nahe wie möglich an der Stationarität liegt. So kann beispielsweise in einigen Fällen davon ausgegangen werden, dass die Daten, die mit einem der Gegenwart am nächsten liegenden Zeitpunkt verbunden sind, so weit wie möglich stationär sind. Daher wird die letzte Woche für die Nachfragedaten verwendet.
Wie hier verwendet, sind nahezu stabile Daten ein Datensatz, der den vorhergesagten Bedingungen am ähnlichsten ist oder ihnen entspricht. Beispielsweise ist die Nachfrage der vergangenen Woche ein nahezu stationärer Datensatz, da die Bedingungen der Gegenwart und der nächsten Woche, die vorhergesagt wird, am ehesten entsprechen.
Die historischen Nachfragedaten 210 umfassen dieselbe gemessene Nachfrage von Verbrauchern in einer geografischen Zone (z. B. BEV in den Haushalten im Gebiet 120); die historischen Nachfragedaten reichen jedoch weiter in die Vergangenheit zurück. In der Tat erstrecken sich die historischen Nachfragedaten 210 über mehrere vergangene Zeiträume. Zum Beispiel reichen die historischen Nachfragedaten 210, die von einer oder mehreren hier beschriebenen Implementierungen verwendet werden, ein Jahr zurück (z. B. zweiundfünfzig Wochen). Bei einer oder mehreren der hier beschriebenen Implementierungen sind die historischen Nachfragedaten 210 keine aktuellen Daten. Es kann sich zum Beispiel um Daten aus anderen vergangenen Wochen als nur der letzten Woche handeln.
Dies ist ein Beispiel für mehrere Zeiträume: eine bestimmte Anzahl (z.B. X) von Zeiträumen mit jeweils mehreren (z.B. Y) Proben. Das mittlere Profil besteht aus Y Stichproben, wobei jede Stichprobe ein Durchschnitt aus X entsprechenden Stichproben ist.
Darüber hinaus sammelt der Datenbeschaffer 142 die Verbraucherdaten 230, die Informationen über die Nachfrageeigenschaften und den Status der Verbraucher für die Versorgung über den vergangenen Zeitraum in der geografischen Zone enthalten. Die Verbraucherdaten können beispielsweise Informationen über die Nachfrageeigenschaften und den Status der BEV der Kunden der Strominfrastruktur 110 im Gebiet 120 in der vergangenen Woche enthalten.
Zu den Nachfrageeigenschaften kann z. B. die Anzahl der Verbraucher (z. B. BEV) in einer geografischen Zone (z. B. Gebiet 120) gehören. Der Nachfragestatus kann den Ladezustand (z. B. vollständig geladen, geladen usw.) der Verbraucher (z. B. BEV) in der geografischen Zone umfassen.
Der Skalarschätzer 144 berechnet einen Skalar der Nachfrage über die vergangene Zeitperiode (z.B. eine Woche) auf der Grundlage der Nachfragedaten 220 aus dieser Zeitperiode. Es ist davon auszugehen, dass der absolute Wert der mittleren Nachfrage der Nachfragedaten und der historischen Nachfragedaten über den vergangenen Zeitraum stark variieren kann, und dies gilt umso mehr, wenn der absolute Wert der mittleren Nachfrage mit anderen vergangenen Zeiträumen verglichen wird. Daher können die Nachfragedaten und die historischen Nachfragedaten auf eine standardisierte (z. B. normalisierte) Weise behandelt werden, so dass Profile aus verschiedenen Zeiträumen effektiv verglichen werden können.
Der tatsächliche Wert der mittleren Nachfrage in den Daten zu einem bestimmten Zeitpunkt ist ein Produkt aus dem Skalar und dem Wert der standardisierten mittleren Nachfrage zu diesem Zeitpunkt. Beispielsweise kann die tatsächliche mittlere Nachfrage in der achtzehnten Stunde des Stichprobensatzes einen Wert von 15 kWh haben. Nach der Normierung kann die mittlere Nachfrage der achtzehnten Stunde 3 kWh und der Skalarwert 5 betragen. Das mathematische Produkt aus dem Skalarwert (5) und der normierten mittleren Nachfrage (3 kWh) ist somit 15 kWh. Somit bestimmen der mittlere Nachfragewert und die Wahl der Normierung den Wert der Skala. Da der Skalar aus der vergangenen Woche abgeleitet wird, wird davon ausgegangen, dass es sich um nahezu stationäre Daten handelt.
Bei einer oder mehreren hier beschriebenen Implementierungen kann die mittlere Nachfrage pro Zeiteinheit bestimmt oder diskretisiert werden. Das heißt, die mittlere Nachfrage kann als mittlere Nachfrage pro Zeitschritt in einer Periode beschrieben werden. So kann es sich beispielsweise um die mittlere Nachfrage pro Stunde in der vergangenen Woche handeln.
Mit dem Skalarschätzer 144 wird der Skalar auf der Grundlage der mittleren Bedarfswerte über den vergangenen Zeitraum und der Wahl oder Skala der Standardisierung bestimmt. Die Wahl der Standardisierung kann manuell ausgewählt, verfahrenstechnisch generiert oder mit MI,-Techniken bestimmt werden.
Der Profilmodellierer 146 erzeugt Profile 240 auf der Grundlage der historischen Nachfragedaten 210 unter Verwendung von Techniken des maschinellen Lernens (ML). Ein Profil stellt die durchschnittliche Nachfrage über die Zeit dar. Es kann als mittlere Nachfrage auf einer X-Achse und als Zeit auf einer Y-Achse dargestellt werden.
Wie in der Figur dargestellt, umfasst das Profil 240 ein standardisiertes Modellbedarfsprofil 242, ein standardisiertes Bedarfsprofil 244 und ein standardisiertes Kapazitätsprofil 246. Jedes dieser Profile ist auf die oben beschriebene Weise standardisiert (z. B. normalisiert).
Auf der Grundlage der eingehenden Daten führt der Profilmodellierer 146 eine Datenprofilierung (d. h. eine Datenmodellierung) mit Techniken des maschinellen Lernens (ML) durch, wie z. B. lineare und logische Regression. Auf diese Weise modelliert der Profilmodellierer 146 ein oder mehrere wiederkehrende Muster in einem großen Datensatz.
Zum Beispiel kann der Profilmodellierer 146 das standardisierte Modellbedarfsprofil 242 des mittleren Bedarfs über jede Woche der vergangenen zweiundfünfzig Wochen (z. B. ein Jahr) aus den historischen Nachfragedaten 210 erzeugen. In einem anderen Beispiel kann der Profilmodellierer 146 das Bedarfsprofil 244 des mittleren Bedarfs über die letzte Woche (z. B. 168 Stunden) aus den Nachfragedaten 220 erstellen. In einem weiteren Beispiel kann der Profilmodellierer 146 das Kapazitätsprofil 246 der Kapazität über die letzte Woche (z. B. ein Jahr) aus den Verbraucherdaten 230 erstellen.
Wie bereits erwähnt, kann es sein, dass die unzuverlässigen Nachfrageinformationen den durchschnittlichen Bedarf während des letzten Zeitabschnitts (z. B. der letzten 24 Stunden) nicht genau erfassen. Während die aufladenden BEV eine Last ziehen, kann die idiosynkratische Natur des Ladezählers diese Nachfragedaten nicht erfassen, bis sie vermutlich nach dem aktuellen Zeitpunkt der Vorhersage eintreffen. Um diesem Umstand Rechnung zu tragen, verwendet der Profilmodellierer 146 ein Segment des Modells/Profils, das er bereits über historische Zeiträume erstellt hat, um die Nachfragedaten genauer abzubilden/zu modellieren.
Außerdem kann der Profilmodellierer 146 das standardisierte Kapazitätsprofil 146 über den vergangenen Zeitraum (z. B. eine Woche) in einer geografischen Zone (z. B. Gebiet 120) erstellen. Bei der Kapazität kann es sich beispielsweise um die maximale wahrscheinliche Nachfrage während eines bestimmten Zeitraums in der geografischen Zone handeln. In einigen Fällen kann es sich um den maximalen Bedarf über einen bestimmten Zeitraum in dieser Zone auf der Grundlage der festgelegten Bedingungen handeln. In anderen Fällen kann die Kapazität ein verzögerbarer Bedarf sein.
Beispielsweise kann eine Anfangskapazität zumindest teilweise durch Multiplikation der Anzahl der Verbraucher in einer geografischen Zone mit der maximalen Last, die für das Laden jedes Kunden über einen bestimmten Zeitraum (z. B. eine Woche) gezogen wird, berechnet werden. Die Kapazität kann weiter angepasst werden, indem Kunden (z. B. BEV) berücksichtigt werden, die bereits voll aufgeladen sind (und daher keine zusätzliche Aufladung benötigen). Die Nachfrageeigenschaften können die Anzahl der Verbraucher (z. B. BEV) in einer geografischen Zone (z. B. Gebiet 120) angeben. Der Nachfragestatus kann den Ladezustand (z. B. vollständig geladen, geladen usw.) der Verbraucher (z. B. BEVs) in der geografischen Zone umfassen.
Der Vorhersageproduzent 148 erstellt eine oder mehrere Vorhersagen über den Bedarf und/oder die Kapazität der Verbraucher (z. B. BEVs) der elektrischen Versorgung durch die Strominfrastruktur 110 über einen bevorstehenden Zeitraum (z. B. eine Woche) in einer geografischen Zone (z. B. dem Gebiet 120). Die Vorhersagen beziehen sich auf den gegenwärtigen Zeitraum der Vorhersage, der allgemein als Gegenwart bezeichnet werden kann. Natürlich beziehen sich solche Vorhersagen auf die unbekannte Zukunft. Der kommende Zeitraum, wie hier beschrieben, liegt in einer Zukunft, die über die Gegenwart hinausgeht.
Bei einigen der hier beschriebenen Implementierungen entspricht die Länge des kommenden Zeitraums der Länge des vergangenen Zeitraums. Wenn zum Beispiel der vergangene Zeitraum eine Woche (z. B. 168 Stunden) beträgt, ist der kommende Zeitraum ebenfalls eine Woche lang. Andere Implementierungen können andere übereinstimmende Zeiträume verwenden. Und wieder andere Implementierungen können nicht übereinstimmende Zeiträume verwenden. So kann beispielsweise ein Zeitraum von drei Tagen in der Vergangenheit die Grundlage für eine Vorhersage über einen Zeitraum von zwei Wochen in der Zukunft bilden. In einigen Implementierungen beginnt der kommende Zeitraum unmittelbar nach der Gegenwart. In anderen Fällen beginnt der nächste Zeitraum nach einem gewissen Versatz (d. h. nach Ablauf der Zeit) nach der Gegenwart.
Der Prognoseersteller 148 erstellt eine kurzfristige Nachfragevorhersage der Verbraucher (z.B. BEV) der elektrischen Versorgung von der Elektrizitätsinfrastruktur 110 über einen unmittelbaren Teil (z.B. 24 Stunden) des bevorstehenden Zeitraums (z.B. eine Woche) in einer geografischen Zone (z.B. dem Gebiet 120). Unter Verwendung von ML-Techniken erstellt der Prognoseersteller 148 die kurzfristige Vorhersage zumindest teilweise auf der Grundlage des standardisierten Modellnachfrageprofils, der Nachfragedaten und der Verbraucherdaten. Der Prognoseersteller 148 kann dies zumindest teilweise erreichen, indem er das mathematische Produkt aus dem Skalar und dem kurzfristigen standardisierten Nachfrageprofil erstellt. So multipliziert der Prognoseersteller 148 den Skalar mit dem kurzfristigen standardisierten Nachfrageprofil. Der Prognoseersteller 148 sendet die erstellte kurzfristige Nachfragevorhersage an den Prognoseanbieter 150.
Der Prognoseersteller 148 kann eine Nachfragevorhersage für die Verbraucher des Angebots über einen bevorstehenden Zeitraum in der geografischen Zone erstellen. Die Nachfragevorhersage kann zumindest teilweise auf dem standardisierten Modellnachfrageprofil basieren. Ferner enthält die Nachfragevorhersage zumindest teilweise ein Produkt aus dem Skalar und dem standardisierten Modellnachfrageprofil.
Der Prognoseersteller 148 kann eine Kapazitätsvorhersage für die Verbraucher des Angebots über einen bevorstehenden Zeitraum in der geografischen Zone erstellen. Die Kapazitätsvorhersage kann zumindest zum Teil auf dem standardisierten Kapazitätsprofil basieren. Ferner enthält die Kapazitätsvorhersage zumindest teilweise ein Produkt aus dem Skalar und dem standardisierten Kapazitätsprofil.
Ähnlich wie bei der oben beschriebenen Beziehung zwischen dem vergangenen und dem kommenden Zeitraum entspricht der unmittelbare Teil des kommenden Zeitraums in seiner Länge dem jüngsten Teil des vergangenen Zeitraums. Wenn der jüngste Zeitraum beispielsweise vierundzwanzig Stunden beträgt, ist der unmittelbare Zeitraum ebenfalls vierundzwanzig Stunden lang. Andere Implementierungen können andere übereinstimmende Zeiträume für diese Tränke verwenden. Und wieder andere Implementierungen können nicht übereinstimmende Zeiträume für diese Teile verwenden. In einigen Implementierungen beginnt der unmittelbare Teil unmittelbar nach dem gegenwärtigen und/oder unmittelbar nach dem jüngsten Teil. In anderen Implementierungen kann der unmittelbare Teil nach einem gewissen Versatz (d.h. nach Ablauf der Zeit) nach der Gegenwart beginnen.
Darüber hinaus kann der Prognoseersteller 148 eine Nachfragevorhersage für die Verbraucher (z. B. BEV) der elektrischen Versorgung aus der Strominfrastruktur 110 über den bevorstehenden Zeitraum (z. B. eine Woche) in einer geografischen Zone (z. B. dem Gebiet 120) erstellen. Der Prognoseersteller 148 kann dies zumindest teilweise erreichen, indem er das mathematische Produkt aus dem Skalar und dem standardisierten Bedarfsprofil erstellt. Der Prognoseersteller 148 multipliziert also den Skalar mit dem standardisierten Nachfrageprofil. Der Prognoseersteller 148 sendet die erstellte Nachfragevorhersage an den Prognoseanbieter 150.
Darüber hinaus kann der Prognoseersteller 148 eine Kapazitätsvorhersage für die Verbraucher (z. B. BEV) der elektrischen Versorgung aus der Strominfrastruktur 110 über den bevorstehenden Zeitraum (z. B. eine Woche) in einer geografischen Zone (z. B. dem Gebiet 120) erstellen. Der Prognoseersteller 148 kann dies zumindest teilweise erreichen, indem er das mathematische Produkt aus dem Skalar und dem standardisierten Kapazitätsprofil erstellt. Der Prognoseersteller 148 multipliziert also den Skalar mit dem standardisierten Kapazitätsprofil. Der Prognoseersteller 148 sendet die erstellte Kapazitätsprognose an den Prognoseanbieter 150.
Die Vorhersagen können ein einzelnes Gebiet (z. B. Gebiet 120) oder eine Kombination von Gebieten abdecken. Eine Kombination von Gebieten wird hier als Region bezeichnet. Die Anzahl der Verbraucher in einem bestimmten Gebiet kann spärlich sein. Sie kann sogar zu gering sein, um gute Vorhersagen zu treffen. Daher können mehrere spärliche Gebiete kombiniert werden, um eine Region zu bilden, die insgesamt über genügend Daten verfügt, um effektive Vorhersagen zu treffen. In diesen Fällen kann der Prognoseanbieter 150 eine aggregierte Mehrgebietsprognose auf der Grundlage der kurzfristigen Nachfrage-, Bedarfs- und/oder Kapazitätsprognosen erstellen, die für jedes Gebiet erstellt wurden.
Der Vorhersageanbieter 150 sendet eine oder mehrere der kurzfristigen Bedarfsprognosen, Bedarfsprognosen und Kapazitätsprognosen an einen oder mehrere Empfänger. Ein Beispiel für einen Empfänger sind die Stromversorgungsunternehmen der Strominfrastruktur 110. Auf der Grundlage dieser Vorhersagen können die Stromversorgungsunternehmen entsprechend für die anstehende Last planen.
3 zeigt ein Beispiel für eine Computerarchitektur für ein Computersystem 300, das die hier beschriebene Technologie ausführen kann. Die in 1 gezeigte Computerarchitektur veranschaulicht einen typischen Computer, Server-Computer, Arbeitsplatzrechner, Desktop-Computer, Laptop, Tablet, Netzwerkgerät, E-Reader, Smartphone oder ein anderes Computergerät. Sie kann zur Ausführung der hier vorgestellten Funktionalitäten verwendet werden.
Das Computersystem 300 umfasst einen Prozessor 302 (z. B. eine zentrale Prozessoreinheit oder „CPU“), einen Systemspeicher (z. B. einen Speicher) 304, Eingabe-/Ausgabegeräte (E/A-Geräte) 306, wie z. B. ein Display, eine Tastatur, eine Maus und zugehörige Steuerungen, ein sekundäres Speichersystem 308 (z. B. eine Festplatte) und verschiedene andere Untersysteme 310. In verschiedenen Ausführungsformen umfasst das Computersystem 300 auch einen Netzwerkanschluss 312, der mit einem Netzwerk 320 verbunden werden kann, auf das auch ein Datenserver 322 und ein Stromversorger 324 Zugriff haben. Die vorgenannten Komponenten sind über einen oder mehrere Busse 314 miteinander verbunden.
Der Systemspeicher 304 kann Daten und maschinenlesbare Anweisungen (z. B. computerlesbare Anweisungen) speichern. Das Rechensystem 300 kann durch maschinenlesbare Anweisungen konfiguriert werden. Maschinenlesbare Befehle können ein oder mehrere Befehlsmodule enthalten. Die Befehlsmodule können Computerprogrammmodule enthalten. Die Anweisungsmodule können eines oder mehrere der folgenden Module umfassen: Datengewinnungsmodul 330, Skalarschätzermodul 332, Profilmodellierungsmodul 334, Vorhersageerzeugermodul 336, Konfidenzberechnungsmodul 338, Vorhersageanbietermodul 340, Maschine-Learning-Engine 342 und/oder andere anweisungsbasierte Module.
Das Datenerfassungsmodul 330 sammelt Daten von den Verbrauchern (z. B. BEV) einer Versorgung, die z. B. vom Stromversorger 324 in einer bestimmten geografischen Zone (z. B. dem Gebiet 120) bereitgestellt wird. Das Datenerfassungsmodul 330 kann seine Daten von einem oder mehreren Systemen, wie dem Datenserver 322, erhalten. Das Datenbeschaffungsmodul 330 funktioniert wie das Datenbeschaffungsmodul 142, das in den 1 und 2 und der zugehörigen obigen Beschreibung dargestellt ist.
Das Skalarschätzermodul 332 berechnet einen Skalar der Nachfrage über den vergangenen Zeitraum (z. B. eine Woche) auf der Grundlage der Nachfragedaten aus diesem Zeitraum. Das Skalarschätzermodul 332 funktioniert wie der Skalarschätzer 144, der in den 1 und 2 und der zugehörigen obigen Beschreibung dargestellt ist.
Das Profilmodellierungsmodul 334 erzeugt standardisierte Profile auf der Grundlage der vom Datenerfassungsmodul 330 gesammelten Daten. Das Profilmodellierungsmodul 334 funktioniert wie der Profilmodellierer 146, der in den 1 und 2 und der zugehörigen obigen Beschreibung dargestellt ist.
Das Modul 336 zur Erstellung von Vorhersagen erstellt eine oder mehrere Vorhersagen über den Bedarf und/oder die Kapazität der Verbraucher (z. B. BEV) für die Stromversorgung durch das Stromversorgungsunternehmen 324 über einen bevorstehenden Zeitraum (z. B. eine Woche) in einer geografischen Zone (z. B. dem Gebiet 120). Das Modul 336 zur Erstellung von Vorhersagen funktioniert wie der in 1 und 2 und der dazugehörigen Beschreibung dargestellt ist.
Das Konfidenzberechnungsmodul 338 berechnet ein Konfidenzintervall. Das Konfidenzintervall ist eine Funktion des Skalars. Das Konfidenzintervall wird durch stückweise Anpassung affiner Funktionen an die Vorhersageergebnisse vergangener Daten ermittelt. Zum Beispiel kann es mehrere Vorhersagen geben, die aus einer Vielzahl von Zonen resultieren. Jede Zone führt zu einem Skalar und einem Vorhersagefehlerintervall. Dann passt das System eine Funktion Skalar->Intervallgröße an. Beachten Sie, dass bei einer aggregierten Vorhersage für mehrere Gebiete das Konfidenzintervall der aggregierten Vorhersage eine Funktion des aggregierten Skalars sein wird.
Das Prognosemodul 340 sendet eine oder mehrere der erstellten Prognosen an das Stromversorgungsunternehmen 324. In einigen Implementierungen stellt das Modul 340 des Prognoseanbieters dem Stromversorger 324 auch den vom Konfidenzberechnungsmodul 338 berechneten Vertrauenswert zur Verfügung. Das Prognosemodul 340 funktioniert, wie der in den 1 und 2 und der zugehörigen obigen Beschreibung dargestellt ist.
Die Machine-Learning-Engine 342 wird vom Profilmodellierer 334 eingesetzt, um ein Vorhersagemodell auf der Grundlage der vom Datenerfasser 330 gesammelten Daten zu erstellen. Die Machine-Learning-Engine 342 kann vom Modul 336, das die Vorhersagen erstellt, verwendet werden, um die Vorhersagen zu erstellen.
Maschinelles Lernen ist eine Anwendung der künstlichen Intelligenz (KI), die Systemen die Fähigkeit verleiht, aus Erfahrungen zu lernen und sich zu verbessern, ohne explizit programmiert zu werden. Beim maschinellen Lernen wird ein mathematisches Modell auf der Grundlage von Beispieldaten, die als „Trainingsdaten“ bezeichnet werden können, erstellt, um Vorhersagen oder Entscheidungen zu treffen, ohne dass dies ausdrücklich programmiert wird. Dieses mathematische Modell kombiniert eine Computeranwendung und Daten, um ein maschinelles Lernmodell (ML) zu erstellen, das zur Erstellung der hier beschriebenen Profile verwendet wird. ML-Modelle können z. B. lineare Regressions- oder logistische Regressionsmodelle sein.
4 ist ein Flussdiagramm, das einen Prozess 400 zur Durchführung einer beispielhaften Methode der kurzfristigen Nachfragevorhersage zeigt. Zur Vereinfachung der Darstellung kann der Prozess 400 so beschrieben werden, dass er von einem hierin beschriebenen Gerät oder System, wie dem Vorhersagesystem 140 oder dem Computersystem 300, durchgeführt wird. Der Prozess 400 kann jedoch auch von anderen Geräten oder einer Kombination von Geräten und Systemen durchgeführt werden.
Bei 410 erhält das System Nachfragedaten, Verbraucherdaten und historische Nachfragedaten. Die Nachfragedaten stellen die Nachfrage von Verbrauchern (z. B. BEVs) nach einem Angebot (z. B. Strom aus der Strominfrastruktur 110) über einen vergangenen Zeitraum (z. B. eine Woche) in einer geografischen Zone (z. B. Gebiet 120) dar. Die Nachfragedaten umfassen ein aktuelles Zeitsegment (z. B. 24 Stunden) mit unzuverlässigen Nachfragedaten, und die historischen Nachfragedaten stellen eine Nachfrage der Verbraucher nach dem Angebot über mehrere vergangene Zeiträume in der geografischen Zone dar.
Die Verbraucherdaten enthalten Informationen über die Nachfrageeigenschaften und den Status der Verbraucher für das Angebot in der vergangenen Zeitspanne in einer geografischen Zone. Die historischen Nachfragedaten repräsentieren die Nachfrage der Verbraucher nach dem Angebot über mehrere vergangene Zeiträume in der geografischen Zone.
Bei 420 schätzt das System auf der Grundlage der Nachfragedaten einen Skalar der Nachfrage über den vergangenen Zeitraum.
Bei 430 modelliert das System auf der Grundlage der historischen Nachfragedaten ein standardisiertes Modellnachfrageprofil der mittleren Nachfrage über mehrere vergangene Zeiträume. Bei der Modellierung werden MI,-Techniken eingesetzt.
Bei 440 erstellt das System eine kurzfristige Bedarfsvorhersage für die Verbraucher des Angebots über einen unmittelbaren Teil eines bevorstehenden Zeitraums in der geografischen Zone. Die kurzfristige Bedarfsprognose basiert zumindest teilweise auf dem standardisierten Modellbedarfsprofil, den Nachfragedaten und den Verbraucherdaten. In einigen Implementierungen basiert die kurzfristige Bedarfsvorhersage zumindest teilweise auf dem standardisierten Modellbedarfsprofil, den unzuverlässigen Nachfragedaten und den Verbraucherdaten. Die kurzfristige Bedarfsvorhersage umfasst zumindest teilweise ein Produkt aus dem Skalar und dem standardisierten Modellbedarfsprofil.
Bei 450 präsentiert das System die kurzfristige Bedarfsvorhersage einem Stromversorgungsunternehmen oder anderen ähnlichen Benutzern. Wie hierin verwendet, umfasst die Präsentationsaktion des Systems beispielsweise das Anzeigen, Senden, Speichern, Übertragen, Verarbeiten, Zuordnen und dergleichen. In einigen Implementierungen kann die Präsentation die Verwendung der resultierenden Vorhersage in einer automatischen Schleife beinhalten. In solchen Fällen kann die Schleifenpräsentation für die Gebotsabgabe auf einem Energiemarkt nützlich sein.
5 ist ein Flussdiagramm, das einen Prozess 500 zur Durchführung einer beispielhaften Methode der Nachfragevorhersage zeigt. Zur Vereinfachung der Darstellung kann der Prozess 500 so beschrieben werden, dass er von einem hierin beschriebenen Gerät oder System, wie dem Vorhersagesystem 140 oder dem Computersystem 300, durchgeführt wird. Der Prozess 500 kann jedoch auch von anderen Geräten oder einer Kombination von Geräten und Systemen durchgeführt werden.
Bei 510 erhält das System Nachfragedaten und historische Nachfragedaten. Die Nachfragedaten stellen die Nachfrage von Verbrauchern (z. B. BEVs) nach einem Angebot (z. B. Strom aus der Strominfrastruktur 110) über einen vergangenen Zeitraum (z. B. eine Woche) in einer geografischen Zone (z. B. Gebiet 120) dar. Die Nachfragedaten umfassen ein aktuelles Zeitsegment (z. B. 24 Stunden) mit unzuverlässigen Nachfragedaten, und die historischen Nachfragedaten repräsentieren die Nachfrage der Verbraucher nach dem Angebot über mehrere vergangene Zeiträume in der geografischen Zone. Die historischen Nachfragedaten repräsentieren die Nachfrage von Verbrauchern nach dem Angebot über mehrere vergangene Zeiträume in der geografischen Zone.
Bei 520 schätzt das System auf der Grundlage der Nachfragedaten einen Skalar der Nachfrage über die vergangene Zeitperiode.
Bei 530 modelliert das System auf der Grundlage der historischen Nachfragedaten ein standardisiertes Modellnachfrageprofil der mittleren Nachfrage über die verschiedenen vergangenen Zeiträume.
Bei 540 erstellt das System eine Nachfragevorhersage für die Verbraucher des Angebots über einen bevorstehenden Zeitraum in der geografischen Zone. Die Nachfragevorhersage basiert zumindest teilweise auf dem standardisierten Modellnachfrageprofil. Die Nachfragevorhersage enthält zumindest teilweise ein Produkt aus dem Skalar und dem standardisierten Modellnachfrageprofil.
Bei 550 präsentiert das System die Bedarfsvorhersage einem Stromversorgungsunternehmen oder anderen ähnlichen Nutzern. Wie hier verwendet, umfasst die Präsentationsaktion des Systems beispielsweise das Anzeigen, Senden, Speichern, Übertragen, Verarbeiten, Zuordnen und Ähnliches. In einigen Implementierungen kann die Präsentation die Verwendung der resultierenden Vorhersage in einer automatischen Schleife beinhalten. In solchen Fällen kann die Schleifenpräsentation für die Gebotsabgabe auf einem Energiemarkt nützlich sein.
6 ist ein Flussdiagramm, das einen Prozess 600 zur Durchführung eines Beispielverfahrens zur Kapazitätsvorhersage zeigt. Zur Vereinfachung der Darstellung kann der Prozess 600 so beschrieben werden, dass er von einem hierin beschriebenen Gerät oder System durchgeführt wird, wie z. B. dem Vorhersagesystem 140 oder dem Computersystem 300. Der Prozess 600 kann jedoch auch von anderen Geräten oder einer Kombination von Geräten und Systemen durchgeführt werden. Bei 610 erhält das System Nachfragedaten und Verbraucherdaten. Die Nachfragedaten stellen die Nachfrage von Verbrauchern (z. B. BEV) nach einem Angebot (z. B. Strom aus der Strominfrastruktur 110) über einen vergangenen Zeitraum (z. B. eine Woche) in einer geografischen Zone (z. B. Gebiet 120) dar. Die Nachfragedaten umfassen ein aktuelles Zeitsegment (z. B. 24 Stunden) mit unzuverlässigen Nachfragedaten, und die historischen Nachfragedaten repräsentieren die Nachfrage der Verbraucher nach dem Angebot über mehrere vergangene Zeiträume in der geografischen Zone. Die Verbraucherdaten enthalten Informationen über die Nachfrageeigenschaften und den Status der Verbraucher für das Angebot über den vergangenen Zeitraum in einer geografischen Zone.
Bei 620 schätzt das System auf der Grundlage der Nachfragedaten einen Skalar der Nachfrage über die vergangene Zeitperiode.
Bei 630 erzeugt das System auf der Grundlage der Verbraucherdaten ein standardisiertes Kapazitätsprofil der Kapazität über den vergangenen Zeitraum.
Bei 640 erstellt das System eine Kapazitätsvorhersage für die Verbraucher des Angebots über einen bevorstehenden Zeitraum in der geografischen Zone. Die Kapazitätsprognose enthält zumindest teilweise ein Produkt aus dem Skalar und dem standardisierten Kapazitätsprofil.
Bei 650 präsentiert das System die Kapazitätsvorhersage einem Stromversorgungsunternehmen oder anderen ähnlichen Benutzern. Wie hierin verwendet, umfasst die Präsentationsaktion des Systems beispielsweise das Anzeigen, Senden, Speichern, Übertragen, Verarbeiten, Zuordnen und dergleichen. In einigen Implementierungen kann die Präsentation die Verwendung der resultierenden Vorhersage in einer automatischen Schleife beinhalten. In solchen Fällen kann die Darstellung in einer Schleife für die Gebotsabgabe auf einem Energiemarkt nützlich sein.
Während verschiedene Schritte der Prozesse 400, 500 und 600 als separate Blöcke und verschiedene Funktionen des Vorhersagesystems 140 und des Computersystems 300 als separate Module, Komponenten oder Elemente beschrieben wurden, kann angemerkt werden, dass zwei oder mehr Schritte in weniger Blöcken und zwei oder mehr Funktionen in weniger Modulen oder Elementen kombiniert werden können. Ebenso können einige Schritte, die als ein einziger Block beschrieben werden, in zwei oder mehr Blöcke aufgeteilt werden, und einige Funktionen, die als ein einziges Modul oder Element beschrieben werden, können in zwei oder mehr Module oder Elemente aufgeteilt werden. Darüber hinaus kann die Reihenfolge der hier beschriebenen Schritte oder Blöcke in einer oder mehreren verschiedenen Reihenfolgen neu angeordnet werden, und die Anordnung der Funktionen, Module und Elemente kann in einer oder mehreren verschiedenen Anordnungen neu angeordnet werden.
Die obige Beschreibung dient der Veranschaulichung und ist nicht einschränkend. Die hierin beschriebenen Abmessungen und Materialtypen sollen der Veranschaulichung dienen, sind jedoch keineswegs einschränkend und stellen beispielhafte Ausführungsformen dar. In den folgenden Ansprüchen werden die Begriffe „erster“, „zweiter“, „oberer“, „unterer“ usw. lediglich zur Kennzeichnung verwendet und sollen keine numerischen oder positionellen Anforderungen an ihre Objekte stellen. Ein Element oder ein Schritt, der in der Einzahl genannt wird und dem das Wort „ein“ vorangestellt ist, schließt die Mehrzahl solcher Elemente oder Schritte nicht aus, es sei denn, ein solcher Ausschluss wird ausdrücklich erwähnt. Darüber hinaus sollten die Formulierung „mindestens eines von A und B“ und die Formulierung „A und/oder B“ jeweils so verstanden werden, dass sie „nur A, nur B oder sowohl A als auch B“ bedeuten. Darüber hinaus können Ausführungsformen, die ein Element oder eine Vielzahl von Elementen mit einer bestimmten Eigenschaft „umfassen“ oder „haben“, sofern nicht ausdrücklich etwas anderes angegeben ist, zusätzliche Elemente umfassen, die diese Eigenschaft nicht haben. Und wenn hier allgemein beschreibende Adverbien wie „im Wesentlichen“ und „im Allgemeinen“ verwendet werden, um ein Adjektiv zu modifizieren, so bedeuten diese Adverbien „größtenteils“, „hauptsächlich“, „zum größten Teil“, „zu einem erheblichen Teil“, „in hohem Maße“ und/oder „mindestens 51 bis 99 % von einem möglichen Umfang von 100 %“ und bedeuten nicht unbedingt „perfekt“, „vollständig“, „strikt“, „ganz“ oder „100 %“. Darüber hinaus kann das Wort „nahe“ hier verwendet werden, um die Lage eines Objekts oder eines Teils davon in Bezug auf ein anderes Objekt oder einen anderen Teil davon zu beschreiben und/oder um die Lagebeziehung zweier Objekte oder ihrer jeweiligen Teile zueinander zu beschreiben, und kann „nahe“, „benachbart“, „nahe bei“, „bei“ oder Ähnliches bedeuten. Und der Ausdruck „ungefähr gleich“, wie er hier verwendet wird, kann eine oder mehrere der folgenden Bedeutungen haben: „genau gleich“, „fast gleich“, „gleich irgendwo zwischen 90 % und 110 % von“ oder dergleichen.
In dieser schriftlichen Beschreibung werden Beispiele, einschließlich der besten Ausführungsform, verwendet, um den Fachleuten die Herstellung und Verwendung von Vorrichtungen, Systemen und Stoffzusammensetzungen sowie die Durchführung von Verfahren gemäß der vorliegenden Offenbarung zu ermöglichen. Die folgenden Ansprüche, einschließlich der Äquivalente, definieren den Umfang der vorliegenden Offenbarung.

Claims

Ein Verfahren zur Erleichterung der Vorhersage einer Nachfrage von Verbrauchern nach einem Angebot in einer geographischen Zone, wobei das Verfahren umfasst: Erhalten von Nachfragedaten, Verbraucherdaten und historischen Nachfragedaten, wobei die Nachfragedaten eine Nachfrage von Verbrauchern nach einem Angebot über eine vergangene Zeitperiode in einer geographischen Zone darstellen, wobei die Nachfragedaten ein jüngstes Zeitsegment mit unzuverlässigen Nachfragedaten enthalten, die Verbraucherdaten Informationen bezüglich der Nachfrageeigenschaften und des Status der Verbraucher nach dem Angebot über die vergangene Zeitperiode in der geographischen Zone enthalten, und die historischen Nachfragedaten eine Nachfrage von Verbrauchern nach dem Angebot über mehrere vergangene Zeitperioden in der geographischen Zone darstellen; auf der Grundlage der Nachfragedaten, Schätzen eines Skalars der Nachfrage über den vergangenen Zeitraum; auf der Grundlage der historischen Nachfragedaten, Modellieren eines standardisierten Modellnachfrageprofils der mittleren Nachfrage über die verschiedenen vergangenen Zeiträume; Erzeugen einer kurzfristigen Nachfragevorhersage der Verbraucher des Angebots über einen unmittelbaren Teil einer bevorstehenden Zeitperiode in der geographischen Zone, wobei die kurzfristige Nachfragevorhersage zumindest teilweise auf dem standardisierten Modellnachfrageprofil, den Nachfragedaten und den Verbraucherdaten basiert und die kurzfristige Nachfragevorhersage zumindest teilweise ein Produkt aus dem Skalar und dem standardisierten Modellnachfrageprofil ist; und Darstellen der kurzfristigen Nachfragevorhersage.
Verfahren nach Anspruch 1, das ferner umfasst: Erzeugen einer Nachfragevorhersage der Verbraucher des Angebots über die bevorstehende Zeitperiode in der geographischen Zone, wobei die Nachfragevorhersage zumindest teilweise auf dem standardisierten Modellnachfrageprofil basiert und die Nachfragevorhersage zumindest teilweise ein Produkt aus dem Skalar und dem standardisierten Modellnachfrageprofil enthält; und Darstellen der Nachfragevorhersage.
Verfahren nach Anspruch 1, das ferner Folgendes umfasst Erstellen auf der Grundlage der Verbraucherdaten ein standardisiertes Kapazitätsprofil der Kapazität über den vergangenen Zeitraum; Erzeugen einer Kapazitätsvorhersage der Verbraucher des Angebots über die bevorstehende Zeitperiode in der geographischen Zone, wobei die Kapazitätsvorhersage zumindest teilweise ein Produkt aus dem Skalar und dem standardisierten Kapazitätsprofil enthält; und Darstellen der Kapazitätsprognose.
Verfahren nach Anspruch 1, wobei die geografische Zone mehrere Gebiete umfasst und die kurzfristige Nachfragevorhersage für jedes Gebiet erstellt wird, wobei das Verfahren ferner das Erzeugen einer aggregierten Mehrgebietsvorhersage auf der Grundlage der für jedes Gebiet erstellten kurzfristigen Nachfragevorhersagen umfasst.
Verfahren nach Anspruch 1, wobei der vergangene Zeitraum ein Zeitraum ist, der einem aktuellen Zeitpunkt der Vorhersage unmittelbar vorausgeht.
Verfahren nach Anspruch 5, wobei die vergangene Zeitperiode Nachfragedaten enthält, die nahezu stationäre Daten enthalten.
Verfahren nach Anspruch 1, wobei die Versorgung aus einer Gruppe ausgewählt wird, die aus Wasser, Elektrizität, Brennstoff, Öl, Kraft, Energie, Erdgas, Propan, Lebensmitteln und Futtermitteln besteht.
Verfahren nach Anspruch 1, wobei es sich bei den Verbrauchern um Elektrofahrzeuge handelt, die unter Verwendung einer elektrischen Versorgung aufgeladen werden.
Verfahren nach Anspruch 1, wobei der vergangene Zeitraum und der bevorstehende Zeitraum in ihrer Länge übereinstimmen.
Verfahren, das Folgendes umfasst: Erhalten von Nachfragedaten und historischen Nachfragedaten, wobei die Nachfragedaten eine Nachfrage von Verbrauchern nach einem Angebot über eine vergangene Zeitperiode in einer geographischen Zone darstellen, wobei die Nachfragedaten ein jüngstes Zeitsegment mit unzuverlässigen Nachfragedaten enthalten und die historischen Nachfragedaten eine Nachfrage von Verbrauchern nach dem Angebot über mehrere vergangene Zeitperioden in der geographischen Zone darstellen; Schätzen auf der Grundlage der Nachfragedaten einen Skalar der Nachfrage über den vergangenen Zeitraum; Modellieren auf der Grundlage der historischen Nachfragedaten eines standardisierten Modellnachfrageprofils der mittleren Nachfrage über die verschiedenen vergangenen Zeiträume; Erzeugen einer Nachfragevorhersage der Verbraucher des Angebots über eine bevorstehende Zeitperiode in der geographischen Zone, wobei die Nachfragevorhersage zumindest teilweise auf dem standardisierten Modellnachfrageprofil basiert und die Nachfragevorhersage zumindest teilweise ein Produkt aus dem Skalar und dem standardisierten Modellnachfrageprofil enthält; und Darstellen der Nachfragevorhersage.