ES2893924T3 - Sistemas y métodos para predecir demandas de dispositivos de almacenamiento de energía intercambiables - Google Patents

Sistemas y métodos para predecir demandas de dispositivos de almacenamiento de energía intercambiables Download PDF

Info

Publication number
ES2893924T3
ES2893924T3 ES18248293T ES18248293T ES2893924T3 ES 2893924 T3 ES2893924 T3 ES 2893924T3 ES 18248293 T ES18248293 T ES 18248293T ES 18248293 T ES18248293 T ES 18248293T ES 2893924 T3 ES2893924 T3 ES 2893924T3
Authority
ES
Spain
Prior art keywords
stations
battery
time period
station
demand
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
ES18248293T
Other languages
English (en)
Inventor
I-Fen Shih
Yun-Chun Lai
Sheng-Chin Chuang
Daniel Vickery
Hok-Sum Horace Luke
Bo-Yu Chu
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gogoro Inc
Original Assignee
Gogoro Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Gogoro Inc filed Critical Gogoro Inc
Application granted granted Critical
Publication of ES2893924T3 publication Critical patent/ES2893924T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/66—Data transfer between charging stations and vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/30—Constructional details of charging stations
    • B60L53/305—Communication interfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/66—Data transfer between charging stations and vehicles
    • B60L53/665—Methods related to measuring, billing or payment
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/67—Controlling two or more charging stations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/68—Off-site monitoring or control, e.g. remote control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/80—Exchanging energy storage elements, e.g. removable batteries
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60S—SERVICING, CLEANING, REPAIRING, SUPPORTING, LIFTING, OR MANOEUVRING OF VEHICLES, NOT OTHERWISE PROVIDED FOR
    • B60S5/00—Servicing, maintaining, repairing, or refitting of vehicles
    • B60S5/06—Supplying batteries to, or removing batteries from, vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/14—Payment architectures specially adapted for billing systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2200/00—Type of vehicles
    • B60L2200/12—Bikes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • B60L2260/54—Energy consumption estimation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/00032—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by data exchange
    • H02J7/00036—Charger exchanging data with battery
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/00047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with provisions for charging different types of batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/14—Details associated with the interoperability, e.g. vehicle recognition, authentication, identification or billing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • Strategic Management (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Tourism & Hospitality (AREA)
  • Finance (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

Un método (700) para gestionar una pluralidad de estaciones de intercambio de dispositivos (20), en que el método (700) comprende: recibir información empírica sobre intercambios de dispositivos de almacenamiento de energía de cada una de la pluralidad de estaciones de intercambio de dispositivos (20) en un período de tiempo inicial (701), en que la información empírica comprende valores de ponderación; determinar un período de tiempo objetivo (703); identificar una pluralidad de factores de referencia correspondientes a cada una de la pluralidad de estaciones de intercambio de dispositivos (20) en el período de tiempo objetivo, en que los factores de referencia comprenden múltiples características y combinaciones de las características (705) en que las características comprenden al menos una de: identificación de la estación, hora, ubicaciones de la pluralidad de estaciones de intercambio de dispositivos (20), condiciones ambientales y eventos, y en que los factores de referencia identificados están asociados con los valores de ponderación; determinar la información de demanda durante el período de tiempo objetivo para cada una de la pluralidad de estaciones de intercambio de dispositivos (20) basándose en los factores de referencia identificados correspondientes a cada una de las estaciones de intercambio de dispositivos (20) y valores de ponderación, en que el período de tiempo objetivo es posterior al período de tiempo inicial (707); y formar una pluralidad de planes de carga para cada una de la pluralidad de estaciones de intercambio de dispositivos (20) de acuerdo con la información de demanda durante el período de tiempo objetivo (709), calcular un número previsto de intercambios de dispositivos de almacenamiento de energía intercambiables para una primera estación de intercambio de dispositivos durante el período de tiempo objetivo; recibir un número real de intercambios de dispositivos de almacenamiento de energía de la primera estación de intercambio de dispositivos (20) en el período de tiempo objetivo; analizar el número real de intercambios y un número previsto de intercambios de dispositivos de almacenamiento de energía de la primera estación de intercambio de dispositivos (20) en el período de tiempo objetivo; y actualizar los valores de ponderación correspondientes a cada uno de los factores de referencia identificados de acuerdo con el resultado analizado.

Description

DESCRIPCIÓN
Sistemas y métodos para predecir demandas de dispositivos de almacenamiento de energía intercambiables
CAMPO TÉCNICO
La presente tecnología está dirigida a sistemas y métodos para gestionar múltiples estaciones de intercambio de dispositivos para dispositivos de almacenamiento de energía intercambiables. Más en particular, la presente tecnología está dirigida a sistemas y métodos para gestionar múltiples estaciones de intercambio de dispositivos proporcionando planes de carga a las mismas en base a la demanda prevista de dispositivos de almacenamiento de energía intercambiables.
ANTECEDENTES
Algunos vehículos eléctricos funcionan con baterías intercambiables. Para dichos vehículos eléctricos, tener baterías suficientemente cargadas a disposición de los usuarios cuando quieran realizar un cambio de batería es un factor importante para brindar una experiencia satisfactoria al usuario. Sin embargo, puede requerir una cantidad significativa de energía el cargar las baterías y mantener el estado de carga de estas baterías. La carga o el mantenimiento innecesarios pueden afectar negativamente a la rentabilidad y la eficiencia energética de un sistema. Además, la cantidad de usuarios y las baterías intercambiables cambian con frecuencia (por ejemplo, un nuevo usuario suscribe un plan de servicio de batería; se establece una nueva estación de intercambio) y, por lo tanto, es muy difícil predecir una demanda de baterías en el futuro basándose en datos históricos (la cuestión de la "tendencia"). Además, puede haber una cantidad significativa de "ruido" en estos datos (por ejemplo, información que puede ser engañosa al predecir una demanda futura de batería; el problema del "ruido"). Por lo tanto, resulta ventajoso tener un sistema y un método mejorados para abordar estos problemas.
Además, el documento US 2015/039391 A1 describe métodos y sistemas para predecir la demanda de servicios de batería en una red de vehículos eléctricos, en que la demanda prevista se puede utilizar para gestionar la red de vehículos eléctricos, por ejemplo, ajustando las políticas de la batería para proporcionar unos servicios de batería mejorados a usuarios de vehículos eléctricos, en los que las políticas de baterías se pueden ajustar aumentando o disminuyendo las tasas de carga de la batería dentro de la red de vehículos eléctricos y recomendando ubicaciones alternativas de servicio de baterías a los usuarios de vehículos que, de otro modo, podrían elegir una ubicación de servicio de baterías congestionada.
BREVE DESCRIPCIÓN DE LA INVENCIÓN
De acuerdo con la presente invención, se proporcionan un método y un sistema de servidor para gestionar una pluralidad de estaciones de intercambio de dispositivos tal como se define en las reivindicaciones 1 y 9, respectivamente. Las reivindicaciones dependientes muestran algunos ejemplos de dicho método y sistema de servidor, respectivamente.
BREVE DESCRIPCIÓN DE LOS DIBUJOS
Las formas de realización de la tecnología descrita se describirán y explicarán mediante el uso de los dibujos adjuntos.
La Figura 1 es un diagrama esquemático que ilustra un sistema de acuerdo con formas de realización de la tecnología descrita.
La Figura 2 es un diagrama esquemático que ilustra un sistema de servidor de acuerdo con formas de realización de la tecnología descrita.
La Figura 3 es un diagrama esquemático que ilustra un sistema de estación y un sistema de vehículo de acuerdo con formas de realización de la tecnología descrita.
La Figura 4 es un diagrama esquemático que ilustra un sistema en la nube de acuerdo con formas de realización de la tecnología descrita.
La Figura 5A muestra una serie de gráficos que ilustran características de múltiples sistemas de estaciones de acuerdo con formas de realización de la tecnología descrita.
La Figura 5B muestra una serie de gráficos que ilustran características durante múltiples esquemas de tiempo de un sistema de estación de acuerdo con formas de realización de la tecnología descrita.
La Figura 6 es un diagrama de flujo que ilustra un método de acuerdo con formas de realización de la tecnología descrita.
La Figura 7 es un diagrama de flujo que ilustra un método de acuerdo con formas de realización de la tecnología descrita.
Los dibujos no están necesariamente dibujados a escala. Por ejemplo, las dimensiones de algunos de los elementos de las figuras pueden ampliarse o reducirse para ayudar a mejorar la comprensión de diversas formas de realización. De manera similar, algunos componentes y / u operaciones pueden separarse en diferentes bloques o combinarse en un solo bloque con el propósito de describir algunas de las formas de realización. Además, aunque se han mostrado formas de realización específicas a modo de ejemplo en los dibujos y se han descrito en detalle a continuación, un experto en la técnica reconocerá que las modificaciones, equivalentes y alternativas entrarán dentro del alcance de las reivindicaciones adjuntas.
DESCRIPCIÓN DETALLADA
En esta descripción, las referencias a "algunas formas de realización", "una forma de realización" o similares, significan que la característica, función, estructura o elemento particular que se describe está incluido en al menos una forma de realización de la tecnología descrita. La aparición de dichas frases en esta memoria descriptiva no se refieren todas necesariamente a la misma forma de realización. Por otro lado, las formas de realización mencionadas no son necesariamente mutuamente excluyentes.
La presente descripción está dirigida a métodos y sistemas para gestionar una pluralidad de estaciones de intercambio de dispositivos. Las estaciones de intercambio de dispositivos están configuradas para permitir a los usuarios intercambiar dispositivos de almacenamiento de energía (por ejemplo, baterías). Los métodos descritos pueden ser implementados por un servidor conectado con las estaciones de intercambio de dispositivos a través de una red. Basándose en datos empíricos (por ejemplo, información histórica sobre intercambios de baterías en el pasado, como por ejemplo el número de baterías realmente intercambiadas en algunas estaciones (y una falta de coincidencia entre una demanda prevista y el número real intercambiado) durante un tiempo particular, demandas de intercambio de baterías no satisfechas, etc.), el sistema descrito puede determinar una pluralidad de factores de referencia (por ejemplo, una matriz de factores) y valores de ponderación asociados (por ejemplo, una matriz de ponderación). El sistema puede predecir las demandas de cambio de baterías en el futuro (por ejemplo, véase la Ecuación A a continuación). Al ajustar los valores de ponderación y analizarlos con datos históricos, el sistema puede identificar de manera efectiva los factores de referencia que son relativamente importantes. En consecuencia, los valores de ponderación pueden actualizarse y a continuación ser utilizados para predecir la demanda futura de batería. En algunas formas de realización, basándose en los datos empíricos, el sistema puede identificar varios tipos de estaciones de intercambio de dispositivos, en que cada tipo de estaciones tiene la misma característica de intercambio de baterías (por ejemplo, "curvas" descritas en relación con las Figuras 5A y 5B). En algunas formas de realización, estos "tipos" de estaciones por sí solos pueden utilizarse para predecir futuras demandas de batería. En otras formas de realización, los "tipos" de estaciones también se pueden considerar como un "factor de referencia" para calcular la demanda futura de intercambio de baterías (por ejemplo, véase la Ecuación A a continuación).
Los métodos incluyen, por ejemplo, (1) recibir información empírica (por ejemplo, de una memoria en un servidor o una base de datos conectada al servidor) con respecto a los intercambios de dispositivos de almacenamiento de energía de cada una de la pluralidad de estaciones de intercambio de dispositivos en un período de tiempo inicial; (2) determinar un período de tiempo objetivo; (3) identificar una pluralidad de factores de referencia correspondientes a cada una de la pluralidad de estaciones de intercambio de dispositivos en el período de tiempo objetivo (por ejemplo, los factores de referencia comprenden múltiples características asociadas con la pluralidad de estaciones de intercambio de dispositivos y combinaciones de las características); (4) determinar la información de demanda esperada para el período de tiempo objetivo para cada una de la pluralidad de estaciones de intercambio de dispositivos (por ejemplo, el período de tiempo objetivo es posterior al período de tiempo inicial; por ejemplo, el período de tiempo inicial puede ser las 9 pm hoy y el período de tiempo objetivo puede ser de 3 pm a 4 pm mañana; en algunas formas de realización, el período de tiempo inicial puede incluir un período de tiempo durante el cual se recopila / genera la información empírica); y (5) formar una pluralidad de planes de carga para cada una de la pluralidad de estaciones de intercambio de dispositivos de acuerdo con la información de demanda esperada durante el período de tiempo objetivo.
Los factores de referencia pueden incluir (1) una característica (por ejemplo, identificación de la estación, unidad relacionada con el tiempo, como por ejemplo hora, día, mes, día festivo, clima, evento especial, etc.) asociada con la predicción de la demanda; (2) una combinación de dos o más características (por ejemplo, factores de "términos cruzados" descritos a continuación); (3) un "tipo" de estación de intercambio de dispositivos (por ejemplo, un tipo de "tráfico pesado", un tipo de "tráfico intermedio" o un tipo de "tráfico ligero", que se describen a continuación); y (4) una combinación de los anteriores. Cada uno de los factores de referencia tiene un valor de ponderación asociado, que es indicativo de su importancia relativa al calcular una demanda futura de baterías. En algunas formas de realización, por ejemplo, un operador del sistema (por ejemplo, de un servidor en el sistema) puede seleccionar algunos factores de referencia a considerar para predecir una futura demanda de batería. El operador del sistema puede entonces asignar un valor de ponderación a cada uno de los factores de referencia seleccionados. En algunas formas de realización, sin embargo, el operador del sistema puede poner todos los factores de referencia en una matriz de factores (por ejemplo, "matriz x" tal como se describe a continuación). El operador del sistema puede (1) asignar valores de ponderación más altos (por ejemplo, en una matriz de valores de ponderación) a los factores de referencia que se relacionan significativamente con la predicción de la demanda; y (2) asignar valores de ponderación más bajos (o incluso cero) a los factores de referencia que no se relacionan significativamente con la predicción de la demanda. En algunas formas de realización, el número máximo de factores de referencia seleccionados puede establecerse en el proceso de predicción de la demanda para (1) simplificar el cálculo del proceso de predicción de la demanda; y / o (2) evitar el "ajuste excesivo" causado por demasiados factores, si bien algunos de ellos pueden incluir ruido. El sistema (o un operador del sistema) puede determinar la importancia o la importancia relativa de los factores de referencia y a continuación seleccionar los factores de referencia. Además, el número máximo de factores de referencia se puede determinar basándose en la complejidad del cálculo del proceso de predicción de la demanda y los recursos informáticos del sistema disponibles.
La información empírica con respecto a los intercambios de dispositivos de almacenamiento de energía pueden ser datos históricos o información sobre cuántos dispositivos de almacenamiento de energía se intercambian durante períodos de tiempo determinados en una estación de intercambio de dispositivos en particular y también la diferencia entre la demanda prevista y el número real de intercambios de baterías durante esos períodos de tiempo en particular. Por ejemplo, la información puede ser (1) se cambiaron 10 baterías en la estación A durante las 10 a.m. a las 11 a.m. el 12 de enero de 2017, y se predijo que solo se intercambiarían 8 baterías; (2) se intercambiaron 35 baterías en el Área X (incluidas las Estaciones X1-Xn) entre las 11 a.m. y las 12 a.m. del primer jueves de noviembre de 2017 y se pronosticaron 40 intercambios de baterías; (3) se intercambiaron 17 baterías con más del 90% del estado de carga (SoC) en la Estación B durante las 7 p.m. a las 8 p.m. el día 5 de julio de 2017; (4) se intercambiaron 55 baterías en la Estación C durante las 5 p.m. a las 6 p.m. el 5 de febrero de 2017 y hay un evento cerca; (5) se intercambiaron 28 baterías en la Estación D durante las 9 p.m. a las 10 p.m. el día 234 del año 2017; o (6) se reservaron 45 baterías, pero solo se intercambiaron 40 baterías en la estación E entre las 8 a.m. y las 9 a.m. el 7 de septiembre de 2017, y un informe meteorológico muestra que el día fue un día soleado después de 10 días de lluvia consecutivos. Los anteriores son solo ejemplos y puede haber otros tipos de información en diversas formas de realización.
Una vez que el sistema descrito recibe la información histórica sobre la demanda de dispositivos de almacenamiento de energía, el sistema analiza la información y establece un modelo para predecir la demanda de dispositivos de almacenamiento de energía en el futuro. En algunas formas de realización, el modelo se establece en base a análisis de regresión / lógicos (por ejemplo, regresión de Poisson en línea, regresión de mínimos cuadrados en línea, análisis de árbol de decisiones, etc.) y análisis de aprendizaje automático (por ejemplo, para "entrenar" el modelo alimentando datos, analizando las salidas y ajustando el modelo) hasta que el modelo produzca una salida con una cantidad de error definida. Por ejemplo, el modelo se puede mostrar como la siguiente ecuación:
P = w T x Ecuación (A)
"P" se refiere a una predicción de la demanda de dispositivos de almacenamiento de energía en una estación de intercambio de dispositivos específica durante un período de tiempo determinado (por ejemplo, el sistema predice que habrá 25 intercambios de dispositivos de almacenamiento de energía en la estación A de 8 a.m. a 9 a.m. de mañana). El término "x" se refiere a factores de referencia a considerar (por ejemplo, una matriz que tiene múltiples elementos; cada elemento representa un factor de referencia). El término "w" se refiere a valores de ponderación (por ejemplo, una matriz que tiene múltiples elementos; cada elemento representa un valor de ponderación para un factor de referencia correspondiente) para los factores de referencia "x".
Los factores de referencia "x" pueden incluir una pluralidad de características, por ejemplo, identificación de la estación, tiempo (que se puede dividir en varios períodos de tiempo, cada período de tiempo se puede considerar como un factor de referencia), ubicaciones de las estaciones, condiciones ambientales (por ejemplo, temperatura ambiente, humedad, etc.), eventos (por ejemplo, accidentes de tráfico, conciertos, eventos deportivos, etc.) y otros factores de referencia adecuados. El presente sistema también permite a un operador seleccionar un factor de "término cruzado", lo que significa combinar dos o más características como factor de referencia. Por ejemplo, una combinación de las características puede ser "Estación A y miércoles", "Estación B, de 7 a. m. a 9 a. m. y fin de semana", etc. Al combinar dos o más características, el método descrito puede identificar de manera efectiva las relaciones entre los factores de referencia y considerar rápidamente estos factores de "término cruzado" cuando se generan las demandas previstas (por ejemplo, en lugar de dar a cada uno de los factores de referencia un valor de ponderación, ahora el sistema puede asignar solo un valor de ponderación a un factor de término cruzado, lo que mejora la eficiencia del cálculo).
Además, en algunas formas de realización, cuando una combinación específica de elementos puede representar un conjunto de características (por ejemplo, las curvas en las Figuras 5A y 5B), la combinación de elementos puede considerarse un factor de referencia de "tipo de estación", que también puede utilizarse para predecir las demandas de la batería.
Por ejemplo, el factor F1 puede ser "identificación de estación" (por ejemplo, Estación A), el factor F2 puede ser "qué día de la semana" (por ejemplo, Viernes) y el factor F3 puede ser "un período de tiempo de un día" (por ejemplo, de 1 a. m. a 3 a. m.). En esta forma de realización, el sistema permite al operador agregar el factor F4 (por ejemplo, Estación A, viernes y de 1 a.m. a 3 a.m.) combinando F1, F2 y F3. El operador también puede agregar el factor F5 (por ejemplo, estación A y viernes) combinando F1 y F2. De manera similar, el operador puede agregar el factor F6 (por ejemplo, la estación A y de 1 a.m. a 3 a.m.) combinando F1 y F3. El operador también puede agregar el factor F7 (por ejemplo, viernes y de 1 a.m. a 3 a.m.) combinando F2 y F3. Cada uno de los factores F1-F7 tiene un valor de ponderación correspondiente (por ejemplo, en la matriz de ponderación "w").
Una vez que se determinan los factores asociados con un período de tiempo objetivo de una estación de intercambio de dispositivos (por ejemplo, de 4 pm a 5 pm en la estación A), se puede derivar una predicción de la demanda de dispositivos de almacenamiento de energía "P" a partir de la Ecuación A mediante la multiplicación de la matriz w y la matriz A. Los valores de ponderación correspondientes a los factores de referencia pueden determinarse, ajustarse y / o actualizarse continuamente basándose en información empírica y datos actualizados. Por ejemplo, el sistema puede determinar los valores de ponderación para los factores comparando tanto la información de "oferta" (por ejemplo, intercambios que realmente se producen) como la información de "demanda" (por ejemplo, una demanda prevista), al lograr un objeto caracterizado por el siguiente objeto función:
w = arg min sum (P - y ) 2 Ecuación (B)
w
El término "y" se refiere al número de intercambios reales de dispositivos de almacenamiento de energía. Basándose en la Ecuación (B) anterior, el sistema puede determinar / ajustar / actualizar los valores de ponderación "w", que pueden utilizarse para predecir futuros intercambios de dispositivos de almacenamiento de energía.
Con el fin de abordar eficazmente el problema de la "tendencia" mencionado en la sección de antecedentes, el sistema descrito puede actualizar el valor de ponderación "w" periódicamente (por ejemplo, diariamente o actualizándolo sobre un nuevo evento, como agregar un nuevo usuario o una nueva estación), tal como se indica en las siguientes ecuaciones
g = (p - y ) x Ecuación (C)
wt = w t-1 - ag Ecuación (D)
El término "g" se refiere al gradiente, que se puede calcular en función de la diferencia entre el intercambio real "y" y la demanda prevista "p", y la diferencia se puede utilizar a continuación para ajustar los valores de ponderación de los factores de referencia asociados con el período de tiempo objetivo, de acuerdo con los intercambios reales de dispositivos de almacenamiento de energía. El término "a" se refiere a tasas de contribución de fallos (o tasas de actualización) (por ejemplo, una matriz que tiene múltiples elementos; cada elemento representa una tasa de contribución de fallos para un factor correspondiente en la matriz de factores "x").
La tasa de contribución de fallos "a" es indicativa de la fiabilidad de los factores. El operador del sistema puede determinar la tasa de contribución de fallos o basarse en estudios empíricos (por ejemplo, utilizando un concepto similar al proceso de actualización de los valores de ponderación "w"). Cuando el sistema considera que un factor es más "fiable", significa que la "relevancia" (o "frecuencia") de este factor asociado con los cálculos de predicción (es decir, el cálculo de la Ecuación A para cada período de tiempo objetivo seleccionado) es alta y el valor de ponderación correspondiente a este factor se actualiza con frecuencia. Como resultado, el valor de ponderación correspondiente a este factor es (relativamente) fiable. Si existe una gran diferencia entre el número real de intercambios y la predicción de la demanda prevista, la inexactitud de la demanda prevista probablemente no se deba a este factor o a su valor de ponderación. Por otro lado, si un factor aparece "con poca frecuencia" (por ejemplo, un evento especial o un día festivo que se produce una vez al año), un valor de ponderación menos elaborado / actualizado correspondiente a este factor "poco frecuente" puede contribuir más a la inexactitud. Como resultado, se asigna un factor "fiable" con una tasa de contribución de fallo más baja y, en consecuencia, ese factor se actualizará con mayor frecuencia (cada "actualización" cambia un poco y el resultado de las actualizaciones se puede acumular, lo que conduce a una predicción más precisa). Los valores de la tasa de contribución de fallos correspondientes a factores menos fiables son elevados y sus factores de ponderación se actualizan con menor frecuencia (y de forma más drástica). Por ejemplo, el sistema puede determinar que el factor "un día de la semana" es fiable y, por lo tanto, le da un valor bajo de tasa de contribución de fallos y actualizará su valor de ponderación con frecuencia. Al considerar las tasas de contribución de fallos, los factores "fiables" pueden permanecer fiables sin verse afectados por motivos o eventos no diarios, y el sistema puede abordar de manera efectiva los problemas de "ruido" mencionados anteriormente. En algunas formas de realización, los valores de ponderación "w" y la tasa de contribución de fallos "a" pueden obtenerse (por ejemplo, determinarse, ajustarse y actualizarse) mediante procesos de aprendizaje automático (por ejemplo, cálculo asociado con las ecuaciones B, C y / o D.
En algunas formas de realización, el presente sistema puede establecer un umbral para limitar el número de factores "x" a considerar, con el fin de prevenir o impedir el "sobreajuste". Por ejemplo, algunos intercambios pueden ser el resultado de un evento impredecible, como por ejemplo una acción aleatoria de un usuario (un usuario generalmente intercambia dispositivos en el Área K, pero un día el usuario intercambia un dispositivo en el Área J). El sistema puede considerar la acción aleatoria como "ruido" y no ajusta los valores de ponderación en consecuencia de manera precisa (por ejemplo, no los actualiza con frecuencia). En algunas formas de realización, el sistema puede establecer prioridades de los factores basándose en sus valores de ponderación actuales de los factores. Por ejemplo, en algunas formas de realización, el sistema puede seleccionar / determinar los factores basándose en las prioridades establecidas.
En algunas formas de realización, el sistema puede utilizar otro modelo de regresión como por ejemplo la regresión de Poisson. En dichas formas de realización, el modelo se puede mostrar como la siguiente ecuación:
P = e z, z = w Tx Ecuación (E)
En consecuencia, la ecuación objetivo puede ser:
w = argmin
Figure imgf000006_0001
Ecuación (F) w
En otras formas de realización, el sistema puede utilizar otros enfoques adecuados para establecer su modelo de predicción, como por ejemplo utilizar métodos basados en otros esquemas de regresión como regresión lineal en línea / por lotes, métodos basados en "árboles de decisión" u otros métodos adecuados.
En algunas formas de realización, el sistema puede actualizar los valores de ponderación "w" cuando introduce nueva información de referencia (por ejemplo, un nuevo usuario, una nueva estación, un usuario que se mueve de un área a otra, un usuario que deja de utilizar el servicio de intercambio de dispositivos, una estación existente que está fuera de servicio, etc.). Este enfoque de actualización puede denominarse enfoque "en línea". En otras formas de realización, los valores de ponderación "w" se pueden actualizar periódicamente, por ejemplo, diariamente o cuando se tiene un lote de nuevas entradas de datos.
Las ventajas de la presente descripción incluyen, por ejemplo, (1) aborda eficazmente el problema de la "tendencia" actualizando con frecuencia los valores de ponderación "w" de los factores "x"; (2) también puede abordar el problema del "ruido" considerando la tasa de contribución de fallos "a"; y (3) puede prevenir o impedir el "sobreajuste" pero limitando el número de factores a considerar. La descripción anterior para predecir las demandas asociadas con las ecuaciones (A) -(F) (el "modelo") puede ser implementada por un servidor como el que se muestra en la Figura 1 (servidor principal 103) o en la Figura 2 (sistema de servidor 200) que se describen a continuación.
La presente descripción también se refiere a un método y un sistema para predecir demandas de dispositivos de almacenamiento de energía intercambiables (por ejemplo, baterías) en tiempo real (por ejemplo, milisegundos a segundos) o casi en tiempo real (por ejemplo, minutos a horas). En una forma de realización, el sistema descrito analiza los datos históricos de demanda de baterías de cada estación de intercambio de baterías (es decir, la información empírica) y a continuación predice los cambios de batería esperados en cada intervalo de tiempo (por ejemplo, 1 hora) en cada estación de intercambio de baterías. Más en particular, el sistema actual recopila información de múltiples fuentes (por ejemplo, estaciones de intercambio de baterías, vehículos eléctricos, baterías, dispositivos móviles de usuario, etc.), analiza la misma y genera información de referencia que se puede utilizar para predecir las demandas de dispositivos de almacenamiento de energía intercambiables para una estación de intercambio durante un período de tiempo particular. La información recopilada puede incluir, por ejemplo, las ubicaciones de las estaciones de muestreo (por ejemplo, las estaciones de muestreo se pueden seleccionar entre todas las múltiples estaciones de intercambio de baterías acopladas a un servidor y gestionadas por un operador), eventos cercanos a las estaciones de muestreo, condiciones ambientales cerca de las estaciones de muestreo, información de perfil de usuario (por ejemplo, un nombre de usuario, vehículos propiedad del usuario, una dirección de usuario, planes de batería del usuario, preferencias del usuario, etc.) y comportamiento del usuario (por ejemplo, uso de la batería, historial de conducción / pilotaje del usuario, comportamiento del usuario, hábitos del usuario, etc.) asociados a las estaciones de muestreo. Después de analizar la información de referencia recopilada, el presente sistema determina o identifica factores de referencia como por ejemplo características o patrones de consumo de energía para varios tipos de estaciones de intercambio de baterías. Las características / patrones determinados o identificados pueden usarse entonces como guía para controlar una o más estaciones de intercambio de baterías para cargar las baterías en ellas.
En algunas formas de realización, una estación de intercambio de baterías es una máquina estacionaria colocada en un lugar particular donde los usuarios pueden acceder e intercambiar baterías recargables. La estación de intercambio de baterías puede incluir (1) una pantalla como interfaz de usuario y (2) un soporte de baterías que tiene múltiples ranuras para baterías configuradas para alojar / cargar baterías recargables. Por ejemplo, la estación de intercambio de baterías puede incluir ocho ranuras para baterías. Durante el funcionamiento, solo hay seis ranuras de batería ocupadas por baterías, y las dos ranuras restantes están reservadas para que un usuario inserte una batería para ser intercambiada (por ejemplo, baterías de baja potencia o agotadas). En algunas formas de realización, la estación de intercambio de baterías puede tener diferentes disposiciones como por ejemplo diferentes números de soportes, pantallas y / o ranuras. En algunas formas de realización, la estación de intercambio de baterías puede incluir componentes modulares (por ejemplo, soportes modulares, pantallas modulares, etc.) que permiten a un operador instalar o expandir de manera conveniente la capacidad de la estación de intercambio de baterías. La estación de intercambio de baterías se puede acoplar eléctricamente a una o más fuentes de energía (por ejemplo, red eléctrica, líneas eléctricas, almacenamiento de potencia, estación / subestaciones de potencia, etc.) para recibir energía para cargar las baterías ubicadas allí y para realizar otras operaciones (por ejemplo, para comunicarse con un servidor). Las formas de realización de la estación de intercambio de baterías se describen en detalle a continuación con referencia a las Figuras 1 y 3.
En algunas formas de realización, el presente sistema puede categorizar las estaciones de muestreo (es decir, las estaciones de intercambio de baterías que contribuyen a la información empírica) basándose en sus ubicaciones. Por ejemplo, las estaciones de muestreo se pueden caracterizar como del tipo de "tráfico pesado", del tipo de "tráfico intermedio" o del tipo de "tráfico ligero" según las distancias entre una arteria / carretera de tráfico principal y las estaciones de muestreo. En algunas formas de realización, las estaciones de tipo "tráfico pesado" se pueden definir como estaciones dentro de 1 kilómetro de la arteria de tráfico principal, las estaciones de tipo "tráfico intermedio" se pueden definir como estaciones que van desde 1 kilómetro a 5 kilómetros de la arteria de tráfico principal, y las estaciones de tipo "tráfico ligero" pueden definirse como estaciones que tienen al menos 5 kilómetros de distancia desde la arteria de tráfico principal. El presente sistema puede identificar además las demandas de baterías para cada tipo de estaciones durante un período de tiempo particular (por ejemplo, dentro de un día, tal como se muestra en la Figura 5A). En algunas formas de realización, el "tipo" de estaciones podría categorizarse basándose en observaciones de ciertos patrones de factores de ponderación particulares y los valores de ponderación correspondientes de los mismos a través de análisis de datos o procesos de aprendizaje automático (por ejemplo, una combinación particular de factores de referencia y valores de peso correspondientes pueden ser relevantes, por ejemplo, en proporción entre sí). Algunos tipos derivados de la forma descrita anteriormente se pueden "codificar" con términos reconocibles por humanos, como tipo de "tráfico pesado" o tipo de "tráfico ligero", y algunos tipos / patrones pueden no estar caracterizados por términos reconocibles por humanos. En algunas formas de realización, el "tipo" de estaciones de intercambio de baterías también se puede considerar como uno de los factores de referencia cuando se realiza un proceso de predicción de la demanda.
En algunas formas de realización, las demandas de baterías se pueden describir como el número mínimo de baterías completamente cargadas (o sustancialmente cargadas por completo) necesarias para satisfacer a todos los usuarios que desean intercambiar baterías durante el período de tiempo particular. Por ejemplo, el sistema actual puede determinar que la estación A necesita proporcionar 123 baterías completamente cargadas durante las 8 a.m. a las 11 a.m. los lunes. En algunas formas de realización, las demandas de baterías se pueden describir como la cantidad mínima de energía (por ejemplo, la corriente de carga en amperios, A) que es necesaria para cargar / mantener el número mínimo de baterías completamente cargadas requeridas antes de / durante el período de tiempo particular. Por ejemplo, el sistema actual puede determinar que, para permitir que la estación A proporcione 123 baterías completamente cargadas durante las 8 a.m. a las 11 a.m., la corriente de carga requerida es de 5000 mA suministrada de 5 a.m. a 7:30 a.m. el mismo día.
Una vez que se determinan las demandas de baterías (o el volumen del tráfico) para cada tipo de estación de muestreo (por ejemplo, el tipo de "tráfico pesado", un tipo de "tráfico intermedio" o un tipo de "tráfico ligero" mencionado anteriormente), el presente sistema puede utilizar además dicha información para predecir la demanda de baterías para una estación de intercambio de baterías objetivo. Por ejemplo, la estación de intercambio de baterías objetivo puede ser una estación recién instalada dentro de 1 kilómetro de una calle de mucho tráfico similar a la arteria principal de tráfico mencionada anteriormente. En dichas formas de realización, el presente sistema puede utilizar las demandas de baterías determinadas (por ejemplo, descritas como curvas de demanda mostradas en las Figuras 5A y 5B, o en otras formas o patrones característicos) para determinar cómo operar la estación de intercambio de baterías objetivo (por ejemplo, cómo cargar / mantener las baterías allí durante períodos de tiempo determinados). Mediante esta disposición, el presente sistema permite a un operador mantener o controlar una estación de intercambio de baterías de una manera energéticamente eficiente.
En algunas formas de realización, el presente sistema también puede categorizar las estaciones de muestreo de acuerdo con las condiciones ambientales circundantes (por ejemplo, cerca de una atracción turística o un edificio de oficinas) y / o eventos particulares (por ejemplo, eventos naturales como tifones, huracanes, condiciones climáticas severas), olas de frío / calor, etc., o eventos artificiales como un evento deportivo profesional, eventos de ventas especiales, etc.). Por ejemplo, las estaciones de muestreo se pueden caracterizar como del tipo "ciudad - cercanías", tipo "atracción turística" o tipo "impulsada por eventos" según las condiciones ambientales circundantes. Por ejemplo, el tipo "ciudad - cercanías" puede tener un patrón de demanda de baterías que tiene una alta demanda durante las horas pico de desplazamiento. Como otro ejemplo, el tipo "atracción turística" puede tener un patrón de demanda de baterías que tiene una alta demanda durante los días festivos o fines de semana. De manera similar, el tipo "impulsado por eventos" puede tener un patrón de demanda de baterías que tiene una alta demanda durante los eventos.
En algunas formas de realización, el presente sistema puede categorizar además las estaciones de muestreo en función del comportamiento del usuario (por ejemplo, la hora, la ubicación y la frecuencia con la que un usuario intercambia una batería, los hábitos de conducción / pilotaje de un usuario, las rutas de un usuario para operar un vehículo, planes de intercambio de baterías de un usuario (por ejemplo, pase mensual o pago por uso), paquetes de rendimiento de batería suscritos por el usuario, como por ejemplo un paquete deportivo de alto rendimiento, etc.) asociados con las estaciones de muestreo. Por ejemplo, las estaciones de muestreo se pueden caracterizar por atender principalmente a tipos de usuarios "compradores de comestibles", tipos de "corredores callejeros" o tipos de usuarios "escaladores de montañas" en función de las condiciones ambientales circundantes. Por ejemplo, el tipo de usuario "comprador de comestibles" puede tener un patrón de demanda de baterías que indique viajes frecuentes de corta distancia a una ubicación en particular (por ejemplo, una tienda de comestibles). Los del tipo "corredores callejeros" pueden tener un patrón de demanda de baterías que indica que sus miembros son propensos a acelerar a fondo cuando miran sus vehículos (por ejemplo, la estación está cerca de un circuito de carreras profesional). Los tipos de "escaladores de montañas" pueden tener un patrón de demanda de baterías que indica que sus miembros son propensos a tomar rutas cuesta arriba cuando operan sus vehículos (por ejemplo, la estación está cerca de la entrada de un paso de montaña escénico).
En algunas formas de realización, las estaciones de muestreo se pueden caracterizar basándose en sus demandas de baterías (por ejemplo, el número de intercambios de baterías durante un período de tiempo). Por ejemplo, las estaciones de muestreo pueden caracterizarse como un tipo de "alta demanda", un tipo de "demanda intermedia" o un tipo de "baja demanda". Por ejemplo, el tipo de "alta demanda" puede tener un patrón de demanda de baterías de 1000 o más intercambios de baterías por día, el tipo de "demanda intermedia" puede tener un patrón de demanda de baterías de 100-1000 intercambios de baterías por día, y el tipo de “baja demanda "puede tener un patrón de demanda de baterías de 100 o menos intercambios de baterías por día. En resumen, características como la ubicación de las estaciones, la distribución de la demanda de los días de la semana y los fines de semana, el volumen del tráfico, las condiciones ambientales, el comportamiento del usuario, etc., no solo se pueden configurar como tipos para categorizar las estaciones, sino que también se pueden configurar como factores de referencia durante el cálculo utilizando el modelo para predecir la demanda (por ejemplo, Ecuaciones A a D). El sistema y el operador del sistema pueden utilizar estas características con un modelo de cálculo bien entrenado / actualizado para predecir la demanda de baterías a través de consideraciones prácticas.
En algunas formas de realización, el presente sistema puede utilizar técnicas de aprendizaje automático para mejorar la precisión de la predicción de la demanda de baterías realizada por los sistemas actuales. En algunos ejemplos, el sistema actual puede utilizar técnicas de aprendizaje automático supervisadas (por ejemplo, para verificar el resultado de la formación y proporcionar comentarios) con el fin de mejorar la precisión. Por ejemplo, un operador del sistema puede ajustar los factores a considerar (o la importancia de los mismos) tal como el operador del sistema lo considere oportuno (por ejemplo, basándose en datos reales recopilados por las estaciones de muestreo). Por ejemplo, las ecuaciones A, B y D también se pueden calcular y derivar a través de procesos de aprendizaje supervisado. En algunas formas de realización, el presente sistema puede utilizar técnicas de aprendizaje automático no supervisadas (por ejemplo, para permitir que el sistema determine de forma independiente cómo entrenar y mejorar) para mejorar la precisión. Por ejemplo, un operador del sistema puede establecer un objetivo (por ejemplo, minimizar el consumo de energía de todas las estaciones de baterías, para satisfacer todas las demandas de baterías, etc.) o una función objetiva asociada con la meta con el fin de que el sistema determine cómo lograr la meta o para resolver la función objetiva.
Otro aspecto de la presente descripción es proporcionar una información de demanda actualizada en todo momento (o, en tiempo real o casi en tiempo real). Por ejemplo, cuando un nuevo evento / datos como por ejemplo un nuevo usuario que se suscribe a un plan de baterías que le permite al usuario intercambiar baterías en estaciones de intercambio de baterías existentes, el sistema actual puede determinar cómo este evento puede afectar una demanda prevista por el modelo, por ejemplo, se puede determinar un tipo de usuario nuevo y, en consecuencia, también se puede determinar un patrón de demanda de baterías correspondiente. Por ejemplo, se pueden utilizar cuestionarios o encuestas para determinar el tipo de usuario nuevo. Por ejemplo, el sistema puede pedirle al nuevo usuario que se identifique a sí mismo o que seleccione qué tipo de usuario es. Alternativamente, el sistema puede analizar la información proporcionada por el nuevo usuario (por ejemplo, edad, sexo, dirección residencial, rutas de cercanías, etc.) para determinar un tipo de nuevo usuario. Por ejemplo, el nuevo usuario puede ser identificado como un tipo "muy exigente" al menos porque el nuevo usuario compra un paquete de batería de "alto rendimiento" (por ejemplo, un plan de suscripción de batería para utilizar baterías de alto rendimiento o para tener prioridad en el momento de cambiar las baterías, etc.). En dichas formas de realización, el presente sistema tendrá en cuenta el impacto del nuevo usuario en su análisis y predicción futuros basados en el tipo identificado. En algunas formas de realización, de manera similar, cuando se implementa una nueva estación de intercambio de baterías, el sistema actual también tomará en consideración su impacto en su análisis y predicción futuros. En algunas formas de realización, el tipo de usuario puede variar en diferentes períodos de tiempo (por ejemplo, un usuario puede ser del tipo "de cercanías" durante los días de semana y del tipo "corredor" durante los fines de semana. Como resultado, el presente sistema es capaz de proporcionar resultados de análisis actualizados y, por tanto, precisos para la predicción de la demanda de baterías.
En algunas formas de realización, el presente sistema permite que cada una de las estaciones de intercambio de baterías funcione "fuera de línea". En dichas formas de realización, el presente sistema proporciona un conjunto de reglas y patrones predeterminados para cada una de las estaciones de intercambio de baterías a seguir, siempre que las estaciones de intercambio de baterías no reciban instrucciones adicionales (o actualizadas) de un servidor. Por ejemplo, el servidor puede enviar una predicción de demanda de baterías a cada una de las estaciones para el día siguiente (por ejemplo, con un intervalo de tiempo de una hora), y cada una de las estaciones puede utilizar su predicción de demanda como las reglas de operación predeterminadas, siempre que no existan otras instrucciones del servidor. Por ejemplo, algunas estaciones pueden estar en un lugar donde una conexión de red puede interrumpirse de vez en cuando. En estos casos, estas estaciones aún pueden funcionar correctamente cuando están fuera de línea (por ejemplo, cuando no están conectadas al servidor). El presente sistema también puede establecer un conjunto de reglas con respecto a las "instrucciones de envejecimiento" para que las sigan estas estaciones. Por ejemplo, el sistema actual puede indicar a estas estaciones que sigan las instrucciones anteriores transmitidas por el servidor siempre que la instrucción anterior se haya creado hace no más de 2 horas. Una vez que se alcanza el umbral de 2 horas, estas estaciones pueden volver a las reglas de demanda predeterminadas (por ejemplo, las predicciones de demanda del día siguiente mencionadas anteriormente) o patrones que se almacenan en estas estaciones. En otras formas de realización, las reglas y el umbral de tiempo pueden variar dependiendo de diversos factores, como por ejemplo las ubicaciones / tipos de estaciones.
En algunas formas de realización, el presente sistema puede predecir una demanda de baterías basándose en una solicitud de usuario (por ejemplo, un usuario reserva baterías) o uno o más eventos desencadenantes. Las formas de realización de los eventos desencadenantes incluyen, por ejemplo, un corte de energía, un aumento de la demanda de baterías que no fue considerado por el sistema como un factor de referencia en su predicción anterior, un accidente, un desastre natural, etc. En dichas formas de realización, el sistema puede iniciar un análisis de predicción en respuesta al evento desencadenante y transmitir el resultado del análisis a las múltiples estaciones. Por ejemplo, durante el cálculo utilizando el modelo para predecir demandas, el sistema puede asociar el factor de referencia recién establecido a los períodos de tiempo afectados (que pueden ser información empírica del momento en que se realiza este análisis) y realizar el entrenamiento / actualizaciones para los valores de ponderación, a fin de mejorar la precisión de la predicción de la demanda.
Esta descripción describe sistemas y métodos diseñados para proporcionar predicciones de demanda de baterías en tiempo real (por ejemplo, milisegundos a segundos) o casi en tiempo real (por ejemplo, minutos a horas). Varias formas de realización pueden proporcionar una o más de las siguientes mejoras tecnológicas: (1) una predicción eficiente de la demanda de baterías en tiempo real o casi en tiempo real; (2) la capacidad de dar instrucciones eficazmente a una o más estaciones de intercambio de baterías para que carguen y / o mantengan la batería en ellas; (3) la capacidad de permitir que un operador establezca reglas de carga de baterías deseables basadas en múltiples factores, como por ejemplo la ubicación de las estaciones, la ubicación de las baterías (por ejemplo, incluidas las que no se encuentran en las estaciones), las condiciones ambientales, los eventos, etc.; y (4) la capacidad para proporcionar experiencias de usuario mejoradas al ofrecer una experiencia de batería satisfactoria de una manera energéticamente eficiente.
En algunas formas de realización, las reglas de carga descritas en las mismas pueden estar caracterizadas, determinadas, definidas, predichas y / o "preparadas" basándose en datos históricos recopilados por el sistema descrito y pueden ajustarse adicionalmente basándose en datos actualizados (por ejemplo, nuevos datos de uso de la batería), nuevos datos de comportamiento de los usuarios, etc.). En algunas formas de realización, las reglas de carga se pueden actualizar todos los días / semana / mes / temporada en base a los datos actualizados.
En algunas formas de realización, el sistema descrito puede realizar una simulación para un plan de carga de baterías nuevo o actualizado, de manera que un sistema de estación puede determinar localmente si implementar el plan de carga de baterías nuevo o actualizado. Por ejemplo, el sistema puede determinar que una primera estación de intercambio de baterías se desconectó para un mantenimiento regular (por ejemplo, desconectarse durante un día, un par de horas o un intervalo de tiempo que predice un servidor). A continuación, el sistema genera un plan de carga de baterías actualizado para una segunda estación de intercambio de baterías cerca de la primera estación de intercambio de baterías. Por ejemplo, el sistema determina que desconectar la primera estación de intercambio de baterías da como resultado un aumento de la demanda de baterías para la segunda estación de intercambio de baterías. En consecuencia, el sistema envía un plan de gestión de baterías actualizado a la segunda estación de intercambio de baterías. Después de recibir el plan de carga de las baterías actualizado, la segunda estación de intercambio de baterías puede realizar una simulación para el plan de carga de las baterías actualizado. La simulación se realiza como un proceso en segundo plano que no interfiere sustancialmente con la implementación de un plan de gestión de baterías existente. En algunas formas de realización, la simulación incluye simular un proceso de carga para una batería colocada en la segunda estación de baterías, en base al plan de carga de las baterías actualizado. En algunas formas de realización, la simulación incluye simular si la implementación del plan de gestión de baterías actualizado puede generar un número suficiente de baterías cargadas para satisfacer la demanda real. Por ejemplo, debido al aumento esperado de la demanda, un plan de carga de baterías simulado puede solicitar a la segunda estación de baterías que cargue sus baterías a una tasa de carga mayor más rápido que una tasa normal (que se utiliza en el plan de carga de baterías existente). Después de un período de tiempo (por ejemplo, 12 horas), se genera el resultado de la simulación (por ejemplo, la carga a la tasa de carga aumentada da como resultado un aumento de temperatura de 5 grados Celsius para toda la estación). A continuación, el resultado de la simulación se compara con la demanda real. Por ejemplo, la demanda real indica que el uso de la tasa normal para cargar las baterías aún satisface la demanda real en las últimas 12 horas (por ejemplo, no había ningún usuario esperando baterías reservadas). En dichas formas de realización, la segunda estación de baterías puede determinar no implementar el plan de carga de baterías actualizado.
En la siguiente descripción, con fines explicativos, se exponen numerosos detalles específicos con el fin de proporcionar una comprensión completa de las formas de realización de la presente tecnología. Sin embargo, será evidente que las formas de realización de la presente tecnología se pueden poner en práctica sin algunos de estos detalles específicos.
La Figura 1 es un diagrama esquemático que ilustra un sistema 100 de acuerdo con formas de realización de la tecnología descrita. Tal como se muestra, el sistema 100 incluye una o más estaciones de intercambio de baterías 101A-D, un servidor principal 103, una base de datos 105 y una red 107. Tal como se muestra, las estaciones de intercambio de baterías 101A, 101D están acopladas de forma inalámbrica al servidor principal 103 a través de la red 107. Las estaciones de intercambio de baterías 101B, 101C están acopladas al servidor principal 103 a través de la red 107 mediante conexiones por cable. El servidor principal 103 está además acoplado a la base de datos 105, que puede almacenar información de referencia (por ejemplo, la información de referencia de demanda de baterías descrita anteriormente).
Utilizando la estación de intercambio de baterías 101A como ejemplo, en la forma de realización ilustrada, la estación 101A puede incluir un soporte de intercambio de baterías 113 y una interfaz de usuario 115 (por ejemplo, una pantalla) colocada en el mismo. Tal como se muestra, el soporte de intercambio de baterías 113 puede incluir ocho ranuras de batería 117a-h para alojar las baterías. Durante el funcionamiento, solo hay seis ranuras de batería (por ejemplo, las ranuras 117a, 117b, 117d, 117e, 117f y 117h) que estén ocupadas por baterías, y las dos ranuras restantes (por ejemplo, las ranuras 117c y 117g) están reservadas para que un usuario inserte las baterías que se van a intercambiar (por ejemplo, baterías de baja potencia). En algunas formas de realización, las estaciones de intercambio de baterías 101A-D pueden tener diferentes disposiciones, como por ejemplo diferentes números de soportes, pantallas y / o ranuras. En algunas formas de realización, las estaciones de intercambio de baterías 101A-D pueden incluir componentes modulares (por ejemplo, bastidores modulares, pantallas modulares, etc.) que permiten a un operador instalar o expandir convenientemente las estaciones de intercambio de baterías 101A-D. Las estaciones de intercambio de baterías 101A-D se pueden acoplar eléctricamente a una o más fuentes de alimentación (por ejemplo, red eléctrica, líneas eléctricas, almacenamiento de energía, estación / subestaciones de energía, células solares, generadores eólicos, etc.) para recibir energía eléctrica con el fin de cargar las baterías colocadas allí y llevar a cabo otras operaciones (por ejemplo, comunicarse con el servidor principal 103).
En algunas formas de realización, se puede programar un procesador dentro de la estación 101A para requerir que un usuario inserte una batería antes de que el usuario retire otra batería de la estación 101A. En algunas formas de realización, la estación 101 no tiene dicho requisito. En algunas formas de realización, la estación 101A permite que un usuario retire o inserte un número particular de baterías (por ejemplo, dos) en una transacción. En otras formas de realización, sin embargo, la estación 101A puede permitir que un usuario retire o inserte otro número (por ejemplo, uno, tres, cuatro, etc.) de baterías en una transacción. En algunas formas de realización, la estación 101 puede tener un mecanismo de bloqueo para asegurar las baterías colocadas en la misma. En algunas formas de realización, la estación 101 se puede implementar sin el mecanismo de bloqueo.
En algunas formas de realización, el servidor principal 103 puede ser un servidor de borde que recibe solicitudes de clientes y coordina el cumplimiento de esas solicitudes a través de otros servidores, como por ejemplo los servidores 109A-C. Los servidores 109A-C están acoplados además a las bases de datos 111A-C. Aunque cada uno del servidor principal 103 y los servidores 109A-C se visualizan de forma lógica como un solo servidor, estos servidores pueden ser cada uno un entorno informático distribuido que abarque múltiples dispositivos informáticos ubicados en la misma ubicación física o en ubicaciones físicas geográficamente dispares.
En algunas formas de realización, el servidor principal 103 y los servidores 109A-C pueden actuar cada uno como un servidor o cliente para otros dispositivos de servidor / cliente. Tal como se muestra, el servidor principal 103 se conecta a la base de datos 105. Cada uno de los servidores 109A-C puede conectarse a una de las bases de datos 111A-C. Tal como se ha descrito anteriormente, cada uno del servidor principal 103 y los servidores 111A-C pueden corresponder a un grupo de servidores, y cada uno de estos servidores puede compartir una base de datos o puede tener su propia base de datos.
Las bases de datos 105, 111A-C pueden almacenar información asociada con la presente descripción (por ejemplo, información empírica sobre intercambios de dispositivos de almacenamiento de energía de cada una de la pluralidad de estaciones de intercambio de dispositivos, el modelo de cálculo para predecir la demanda, la lista de factores de referencia, información recopilada) por el servidor principal 103, información analizada por el servidor principal 103, información generada por el servidor principal 103, información de referencia, información de cuenta de usuario, planes de batería de usuario, historiales de usuario, comportamiento de usuario, hábitos de usuario, etc.). En algunas formas de realización, al menos una de las bases de datos 111A-C puede ser una base de datos de acceso público (por ejemplo, una base de datos de pronóstico del tiempo, una base de datos de alertas de viaje, una base de datos de información de tráfico, una base de datos de servicios de ubicación, una base de datos de mapas, etc.) mantenida por entidades gubernamentales o privadas (y ciertos factores de referencia en el mismo pueden asociarse entre sí o con un período de tiempo particular). En algunas formas de realización, al menos una de las bases de datos 111A-C puede ser una base de datos privada que proporciona información de propiedad (por ejemplo, cuenta de usuario, historial de crédito de usuario, información de suscripción de usuario, etc.). En algunas formas de realización, los servidores 109A-C y / o las bases de datos 111A-C son operados por un proveedor de servicios en la nube, y el servidor principal 103 y / o la base de datos 105 son operados por un proveedor de servicios de baterías (por ejemplo, que ofrece a un usuario múltiples planes de cambio de batería).
En las formas de realización ilustradas, el servidor principal 103 incluye procesadores que están programados para recopilar información relativa a las demandas de baterías de las estaciones de intercambio de baterías 101A-D. Por ejemplo, la información recopilada puede incluir, (1) las ubicaciones de las estaciones de intercambio de baterías 101A-D; (2) los números de las baterías ubicadas en las estaciones de intercambio de baterías 101A-D; (3) los números / ubicaciones de las baterías que no se encuentran en las estaciones de intercambio de baterías 101A-D (por ejemplo, las baterías están instaladas actualmente en vehículos o de otra manera en poder de o almacenadas por los usuarios); (4) el estado de carga (por ejemplo, el estado de carga, SOC) de las baterías mencionadas anteriormente; (5) los historiales de uso de las baterías; (6) eventos (por ejemplo, el caso de activación descrito anteriormente) cerca de las estaciones de intercambio de baterías 101A-D; (7) las condiciones ambientales cercanas a las estaciones de intercambio de baterías 101A-D; (8) el comportamiento del usuario (por ejemplo, la utilización de la batería, el historial de conducción / pilotaje del usuario, el comportamiento del usuario, los hábitos del usuario, etc.) asociado con las estaciones de muestreo o las baterías; y / o (9) otra información adecuada.
Tal como se ha descrito anteriormente, el servidor principal 103 puede utilizarse para realizar el proceso / cálculo asociado con las Ecuaciones (A) -(F), es decir, el "modelo" para predecir demandas. Por ejemplo, el servidor de red 103 puede (1) recibir información empírica con respecto a los intercambios de dispositivos de almacenamiento de energía desde cada una de las estaciones de intercambio de baterías 101A-D en un período de tiempo inicial; (2) determinar un período de tiempo objetivo; (3) identificar una pluralidad de factores de referencia correspondientes a cada una de las estaciones de intercambio de baterías 101A-D en el período de tiempo objetivo; (3) determinar la información de la demanda durante el período de tiempo objetivo para cada una de las estaciones de intercambio de baterías 101A-D basándose en los factores de referencia identificados y los valores de ponderación asociados con los factores de referencia identificados; y (4) formar una pluralidad de planes de carga para cada una de las estaciones de intercambio de baterías 101A-D de acuerdo con la información de demanda durante el período de tiempo objetivo.
Después de recopilar dicha información, a continuación los procesadores del servidor principal 103 analizan la información recopilada para identificar características o patrones para las estaciones de intercambio de baterías 101A-D. Por ejemplo, el servidor principal 103 puede determinar una o más características / patrones de demanda de baterías basándose en el análisis. Las características / patrones determinados pueden utilizarse entonces como guía para operar las estaciones de intercambio de baterías 101A-D o para operar otras estaciones de intercambio de baterías acopladas al servidor principal 103. Las formas de realización relativas a las operaciones del servidor principal 103 se describen a continuación con referencia a la Figura 2.
La red 107 puede ser una red de área local (LAN) o una red de área amplia (WAN), pero también pueden ser otras redes cableadas o inalámbricas. La red 107 puede ser Internet o alguna otra red pública o privada. Las estaciones de intercambio de baterías 101A-D se pueden conectar a la red 107 a través de una interfaz de red, como por ejemplo mediante comunicación por cable o inalámbrica. Si bien las conexiones entre el servidor principal 103 y los servidores 109A-C se muestran como conexiones separadas, estas conexiones pueden ser cualquier tipo de red local, de área amplia, cableada o inalámbrica, incluida la red 107 o una red pública o privada separada. En algunas formas de realización, la red 107 incluye una red segura que es utilizada por una entidad privada (por ejemplo, una empresa, etc.).
La Figura 2 es un diagrama esquemático que ilustra un sistema de servidor 200 de acuerdo con formas de realización de la tecnología descrita. El sistema de servidor 200 está configurado para recopilar información asociada con múltiples baterías que pueden ser desplegadas o gestionadas por el sistema 200. El servidor de sistema 200 también está configurado para analizar la información recopilada y transmitir, basándose en el análisis, una señal o una instrucción a una estación de cliente 20 para controlar un proceso (por ejemplo, un proceso de carga) en el mismo. En algunas formas de realización, la estación de cliente 20 puede implementarse como las estaciones de intercambio de baterías 101A-D descritas anteriormente. En otras formas de realización, la estación de cliente puede implementarse como otros dispositivos de cliente adecuados.
Tal como se muestra en la Figura 2, el sistema de servidor 200 incluye un procesador 201, una memoria 203, dispositivos de entrada / salida (E / S) 205, un componente de almacenamiento 207, un componente de análisis de demanda 209, un componente de análisis de fuente de alimentación 211, una estación de análisis de componentes 213, un componente de análisis de la batería 215, un componente de análisis del comportamiento del usuario 217, un componente de análisis del vehículo 219 y un componente de comunicación 221. El procesador 201 está configurado para interactuar con la memoria 203 y otros componentes (por ejemplo, los componentes 205-221) en el sistema de servidor 200. En algunas formas de realización, el procesador 201 puede ser una sola unidad de procesamiento o múltiples unidades de procesamiento en un dispositivo o distribuido entre múltiples dispositivos. El procesador 201 puede acoplarse a otros dispositivos de hardware, por ejemplo, con el uso de un bus, como por ejemplo un bus PCI (interconexión de componentes periféricos) o un bus SCSI (interfaz de sistema informático pequeño). El procesador 201 puede comunicarse con un controlador de hardware para dispositivos, como por ejemplo para los componentes 205-221.
La memoria 203 está acoplada al procesador 201 y está configurada para almacenar instrucciones para controlar otros componentes u otra información en el sistema de servidor 200. En algunas formas de realización, la memoria 203 puede incluir uno o más de varios dispositivos de hardware para almacenamiento volátil y no volátil, y puede incluir tanto memoria de sólo lectura como de escritura. Por ejemplo, la memoria 203 puede comprender memoria de acceso aleatorio (RAM), registros de procesador, memoria de sólo lectura (ROM), memoria no volátil grabable, memoria flash, búfer de dispositivo, etc. La memoria 203 no es una señal de propagación separada del hardware subyacente y, en consecuencia, no es transitoria. La memoria 203 puede incluir además una memoria de programa que almacena programas y software, como por ejemplo un sistema operativo. La memoria 203 también puede incluir una memoria de datos que puede almacenar información asociada con el sistema de servidor 200.
Los dispositivos de E / S 205 están configurados para comunicarse con un operador (por ejemplo, para recibir una entrada del mismo y / o presentarle información). En algunas formas de realización, los dispositivos de E / S 205 pueden ser un componente (por ejemplo, una pantalla táctil). En algunas formas de realización, los dispositivos de E / S 205 pueden incluir un dispositivo de entrada (por ejemplo, teclados, dispositivos señaladores, lector de tarjetas, escáner, cámara, etc.) y un dispositivo de salida (por ejemplo, una pantalla, tarjeta de red, un altavoz, una tarjeta de video, una tarjeta de audio, una impresora, unos altavoces u otro dispositivo externo).
El componente de almacenamiento 207 está configurado para almacenar, temporal o permanentemente, información / datos / archivos / señales asociados con el sistema de servidor 200 (por ejemplo, información recopilada, información de referencia, información a analizar, resultados de análisis, etc.). En algunas formas de realización, el componente de almacenamiento 207 puede ser una unidad de disco duro, una memoria flash u otros medios de almacenamiento adecuados. El componente de comunicación 221 está configurado para comunicarse con otros sistemas (por ejemplo, la estación de cliente 20 u otras estaciones) y otros dispositivos (por ejemplo, un dispositivo móvil que lleva un usuario, un vehículo, etc.).
El componente de análisis de demanda 209 puede ser un conjunto de instrucciones ejecutables por un procesador para recopilar y almacenar (por ejemplo, en el componente de almacenamiento 207) información para su análisis. La información recopilada puede incluir una o más de (1) las ubicaciones de múltiples estaciones de muestreo (por ejemplo, en algunas formas de realización, incluida la estación de cliente 20; en otras formas de realización, sin embargo, sin incluir la estación de cliente 20); (2) los números de las baterías ubicadas en las múltiples estaciones de muestreo; (3) los números y ubicaciones de las baterías que no se encuentran en las múltiples estaciones de muestreo; (4) información de la batería con respecto a los fabricantes de la batería, fechas / lotes de producción, la cantidad de ciclos de carga por los que ha pasado una batería, las temperaturas de funcionamiento (incluida la temperatura de la celda de la batería, la temperatura del circuito de la batería, etc.) que ha experimentado una batería, la cantidad / tasa de carga / descarga de energía de las baterías, las capacidades de carga completa / actual de las baterías (por ejemplo, capacidad de carga completa, FCC, estado de carga, SOC, etc.), los tipos de celdas de batería, las versiones de hardware / firmware de la batería, el estado de salud de la batería, el SOH, la antigüedad de la batería (por ejemplo, por tiempo o por recuento de ciclos de carga), la resistencia interna de corriente continua de la batería, DCIR y / u otra información adecuada de la batería (por ejemplo, avisos de error de batería, estado, mensajes, etc.); (5) actividades o eventos que potencialmente pueden cambiar la experiencia de los usuarios con la batería (por ejemplo, la forma en que los usuarios utilizan / cambian las baterías); (6) condiciones ambientales que pueden cambiar potencialmente la experiencia de los usuarios con la batería; y / o (7) información de perfil de usuario con respecto a los planes de batería del usuario, historial de conducción / pilotaje del usuario, comportamiento del usuario, hábitos del usuario, etc. Después de recibir la información recopilada, el componente de análisis de demanda 209 puede analizar la información recopilada. Cada tipo de información recopilada anteriormente se puede analizar para identificar características / patrones para este tipo particular de información recopilada (por ejemplo, en forma de curvas características que se muestran en las Figuras 5A y 5B, que se analizarán en detalle a continuación). Estas características / patrones identificados pueden ser considerados, individualmente o en combinación, por el componente de análisis de demanda 209 para generar una predicción de demanda de baterías (por ejemplo, por el modelo para predecir demandas asociadas con las Ecuaciones A-F descritas anteriormente) para la estación de cliente 20.
En algunas formas de realización, el componente de análisis de demanda 209 puede ejecutar instrucciones para priorizar la información recopilada y los factores de referencia en base a su importancia o fiabilidad relativa. Por ejemplo, el componente de análisis de demanda 209 puede utilizar las "ubicaciones de las estaciones" como factor principal y establecer otros elementos como factores secundarios al determinar una predicción de demanda de baterías para la estación de cliente 20. En dichas formas de realización, el sistema 200 puede identificar una curva de demanda diaria prevista de baterías (por ejemplo, tal como se muestra en las Figuras 5A y 5B, que se analizarán en detalle a continuación) para la estación de cliente 20 basándose en las ubicaciones de las estaciones de muestreo. El componente de análisis de demanda 209 puede entonces ejecutar instrucciones para considerar otros factores secundarios con el fin de ajustar la curva de demanda de baterías diaria identificada. Por ejemplo, el componente de análisis de la demanda 209 puede aumentar la predicción de la demanda de baterías si determina que los usuarios previstos para la estación de cliente 20 son usuarios de alta demanda, basándose en la información del perfil del usuario. En algunas formas de realización, por ejemplo, el componente de análisis de la demanda 209 puede ajustar la predicción de la demanda de baterías basándose en el resultado de un proceso de aprendizaje automático mencionado anteriormente.
En algunas formas de realización, el componente de análisis de demanda 209 ejecuta instrucciones para dar diferentes ponderaciones a diferentes tipos de información recopilada y los tipos deben tratarse como factores de referencia al calcular el modelo para predecir demandas asociadas con las Ecuaciones A-F descritas anteriormente. Por ejemplo, el componente de análisis de demanda 209 puede establecer las ponderaciones para las "ubicaciones de las estaciones", el "comportamiento del usuario", los "eventos cercanos a las estaciones" y la "condición ambiental" como 50%, 20%, 15% y 15%. En dichas formas de realización, las características / patrones identificados para cada tipo de información recopilada se pueden combinar en base a las ponderaciones anteriores. En algunas formas de realización, el componente de análisis de demanda 209 puede ejecutar instrucciones para determinar qué tipos de información recopilada se incluirán en la predicción y las ponderaciones correspondientes basadas en estudios empíricos, que son el resultado de un proceso de aprendizaje automático y / o preferencia del operador del sistema.
En algunas formas de realización, el componente de análisis de demanda 209 es una serie de instrucciones ejecutables para determinar las prioridades o ponderaciones para cada tipo de información recopilada basándose en la fiabilidad de la información recopilada. Por ejemplo, para la información medida y recopilada de las memorias acopladas a las baterías, el componente de análisis de demanda 209 está programado para darle mayor ponderación o prioridad porque el sistema 200 considera que dicha información es directa / interna y por lo tanto más fiable que la información indirecta / externa como por ejemplo las condiciones ambientales (por ejemplo, un pronóstico del tiempo, un aviso de evento, etc.). Las formas de realización de la información almacenada en la memoria acoplada a una batería incluyen, por ejemplo, (1) información de fabricación de la batería, (2) características básicas de la batería y (3) uso de la batería.
Los ejemplos de la información de fabricación de la batería pueden incluir la identidad del fabricante de la batería (por ejemplo, las baterías fabricadas por diferentes fabricantes pueden tener características diferentes, aunque sus especificaciones de batería pueden ser las mismas), las fechas de fabricación (por ejemplo, las baterías fabricadas en fechas diferentes pueden tener diferentes características), los lotes de fabricación (por ejemplo, las baterías fabricadas en lotes diferentes pueden tener características diferentes), las versiones de hardware / firmware de la batería y / o los números de serie de fabricación (por ejemplo, las baterías individuales pueden tener características diferentes).
Los ejemplos de las características básicas de la batería incluyen una capacidad de la batería (por ejemplo, capacidad de carga completa, FCC), una capacidad de descarga de la batería (por ejemplo, cuánta energía puede proporcionar una batería en determinadas condiciones), los tipos de celdas de la batería, la resistencia interna de corriente continua de la batería (DCIR ) y / o una temperatura de funcionamiento de la batería sugerida (por ejemplo, un intervalo de temperatura como por ejemplo de 5 a 35 grados Celsius, incluida la temperatura de la celda de la batería y la temperatura del circuito de la batería). Otros ejemplos de las características básicas de la batería pueden incluir una temperatura de carga de la batería sugerida (por ejemplo, un intervalo de temperatura como por ejemplo de 25 a 40 grados Celsius), una corriente de carga de la batería sugerida (por ejemplo, una corriente constante o regulada), un voltaje de carga de la batería sugerido (por ejemplo, un voltaje constante o regulado), un ciclo de carga de la batería sugerido (por ejemplo, al menos una carga completa por semana), una velocidad de carga de la batería sugerida (por ejemplo, aumentar un 10% el estado de carga, SOC, de una batería en 5 minutos) , un punto de carga completo sugerido (por ejemplo, 98% de su FCC) y / o un tiempo de carga de batería sugerido (por ejemplo, que no se cargue continuamente durante más de 5 horas).
Los ejemplos de uso de la batería incluyen un historial de temperatura de carga de la batería real (por ejemplo, una batería se cargó ayer a 30 grados Celsius y a 35 grados Celsius hoy durante 25 minutos), una corriente de carga real de la batería (por ejemplo, 1-200 amperios), un voltaje de carga de la batería real (por ejemplo, 1-220 voltios), un ciclo de carga de la batería real (por ejemplo, una batería ha pasado por 50 ciclos de carga completa y 125 ciclos parciales), una velocidad de carga o tasa de carga real de la batería (por ejemplo, 20 amperios por hora), un tiempo real de carga de la batería (por ejemplo, una batería se cargó durante 56 minutos ayer), una temperatura real de funcionamiento de la batería (por ejemplo, una batería estuvo funcionando a 35 grados Celsius ayer durante 2 horas) y un tiempo real de descarga de la batería (por ejemplo, ayer se descargó una batería a su máxima capacidad durante 66 minutos).
En algunas formas de realización, el componente de análisis de demanda 209 puede comunicarse y trabajar junto con otros componentes en el sistema 200 (por ejemplo, los componentes 211-219) para generar la predicción de demanda de baterías para la estación de cliente 20. En algunas formas de realización, sin embargo, el sistema 200 puede funcionar sin los componentes 211-219.
El componente de análisis de la fuente de alimentación 211 puede ser una serie de instrucciones ejecutables para analizar el estado (por ejemplo, la fiabilidad, la estabilidad, la continuidad, etc.) de una o más fuentes de energía que se utilizan para alimentar la estación de cliente 20 para cargar las baterías en la misma. Por ejemplo, el componente de análisis de la fuente de alimentación 211 puede determinar que una fuente de alimentación utilizada para suministrar energía a la estación de cliente 20 se interrumpirá durante la 1 am a las 3 am en una fecha particular, y entonces el componente de análisis de la fuente de alimentación 211 puede ajustar en consecuencia unas instrucciones de carga a la estación de cliente 20 en base a la predicción de la demanda de las baterías. Por ejemplo, la predicción de la demanda de baterías original puede indicar que la estación de cliente 20 necesita 5 baterías completamente cargadas durante las 2 a.m. de la fecha en particular. Debido a la posible interrupción determinada del suministro de energía, el componente de análisis de la fuente de alimentación 211 puede ordenar a la estación de cliente 20 que cargue las baterías necesarias antes de la 1 a.m. de la fecha determinada.
En algunas formas de realización, el componente de análisis de la fuente de alimentación 211 puede ejecutar instrucciones para considerar el costo de la carga en diferentes períodos de tiempo. Por ejemplo, el componente de análisis de la fuente de alimentación 211 puede determinar que el costo de carga de una fuente de alimentación se reduce durante las horas de menor actividad. El componente de análisis de la fuente de alimentación 211 puede determinar si es factible que la estación de cliente 20 cargue sus baterías durante las horas de menor actividad en base a la predicción de la demanda de baterías del componente de análisis de la demanda 209. Si es así, el componente de análisis de la fuente de alimentación 211 puede indicar a la estación de cliente 20 que cargue las baterías durante estas horas de menor actividad para reducir los costes de carga.
El componente de análisis de estación 213 puede ser una serie de instrucciones ejecutables para categorizar las múltiples estaciones de muestreo en varios tipos e identificar características / patrones representativos para cada tipo, de manera que el componente de análisis de demanda 209 puede utilizar dicha información como base para su análisis. Por ejemplo, el componente de análisis de la estación 213 puede analizar la información recopilada y dividir las múltiples estaciones de muestreo en varios tipos en función de las demandas de baterías. Por ejemplo, las estaciones se pueden clasificar como "alta demanda durante todo el tiempo", "alta demanda horas pico", "alta demanda festivos", "alta demanda fines de semana", "alta demanda eventos" y "baja demanda durante todo el tiempo”. En algunas formas de realización, el tipo de "alta demanda durante todo el tiempo" puede indicar que la estación está ubicada en una calle muy transitada. El tipo de "alta demanda horas pico" puede inferir que la estación es visitada con frecuencia por usuarios que viajan diariamente durante las horas pico. El tipo "alta demanda festivos" o el tipo " alta demanda fines de semana" pueden indicar que dichas estaciones están ubicadas en una atracción turística o en un punto de visita. El tipo de "alta demanda eventos" puede significar que la estación está ubicada en una instalación de celebración de eventos o en un estadio. La "baja demanda todo el tiempo" puede indicar que la estación es una estación estratégica que se construye como una estación de enlace entre dos ciudades importantes. Basándose en estos tipos, el componente de análisis de demanda 209 y el componente de análisis de la estación 213 pueden determinar rápidamente una predicción de demanda de baterías adecuada para la estación de cliente, especialmente en los casos en los que la información recopilada es insuficiente para que el componente de análisis de demanda 209 realice un análisis normal.
De forma similar al componente de análisis de la estación 213, el componente de análisis de la batería 215, el componente de análisis del comportamiento del usuario 217 y el componente de análisis del vehículo 219 son instrucciones programadas para clasificar las baterías, el comportamiento del usuario y los vehículos alimentados por las baterías, respectivamente, en varios tipos e identificar características / patrones representativos para cada tipo. Por ejemplo, el componente de análisis de batería 215 puede categorizar las baterías en función de sus fabricantes, edades, capacidades originales de carga completa (FCC), FCC actuales, ciclos de carga, temperaturas de funcionamiento experimentadas, reglas / perfiles de carga / descarga (por ejemplo, constante o con picos), etc. Dichos tipos o categorías pueden facilitar el componente de análisis de demanda 209 para ajustar su predicción de demanda de baterías (y las correspondientes instrucciones de carga) para la estación de cliente 20, siempre que el sistema 200 sepa qué tipos de baterías están colocadas en la estación de cliente 20 (por ejemplo, dicha información puede ser proporcionada al servidor 200 por la estación de cliente 20).
De manera similar, el componente de análisis del comportamiento del usuario 217 puede ser una serie de instrucciones ejecutables para categorizar el comportamiento del usuario basándose en cómo intercambian y / o usan las baterías. Por ejemplo, un usuario puede ser muy exigente con el rendimiento de la batería (por ejemplo, un corredor profesional). Como otro ejemplo, otro usuario puede usar la batería solo para alimentar su vehículo para los recados diarios (por ejemplo, recoger a los niños o ir de compras al supermercado). En dichas formas de realización, el sistema descrito puede predecir en consecuencia las rutinas de intercambio de baterías diarias o semanales del usuario, la frecuencia de intercambio de baterías, etc. Una vez que un usuario reserva una batería en la estación de cliente 20, la estación de cliente 20 proporciona la información asociada con la reserva al sistema de servidor 200. El sistema de servidor 200 puede entonces determinar el tipo / categoría del usuario que hizo la reserva y, en consecuencia, ajustar la predicción de demanda de baterías (y las correspondientes instrucciones de carga) para la estación de cliente 20. En algunas formas de realización, dicho ajuste puede ser realizado por la estación de cliente 20.
El componente de análisis de vehículos 219 puede ser una serie de instrucciones ejecutables para categorizar los tipos de vehículos que los usuarios planean operar. Para cada tipo de vehículo, el componente de análisis de vehículos 219 puede determinar qué tipos de baterías funcionan mejor para cada tipo de vehículos. Por ejemplo, el componente de análisis del vehículo 219 puede determinar que un scooter eléctrico funciona mejor con un tipo específico de batería después de un proceso de carga particular. En dichas formas de realización, el componente de análisis de vehículo 219 puede trabajar con el componente de análisis de demanda 209 para ajustar la predicción de demanda de baterías (y las correspondientes instrucciones de carga), si el sistema de servidor 200 recibe información relacionada del vehículo. En algunas formas de realización, dicha información se puede encontrar en los perfiles de usuario o en la información de la cuenta. En otras formas de realización, dicha información del vehículo puede ser proporcionada por la estación de cliente 20 al sistema de servidor 200.
En algunas formas de realización, el sistema de servidor 200 puede proporcionar la predicción de la demanda de baterías a la estación de cliente 20 en tiempo real o casi en tiempo real. En dichas formas de realización, el sistema de servidor 200 supervisa el estado de la estación de cliente 20. Una vez que se produce un cambio (por ejemplo, un usuario acaba de retirar dos baterías completamente cargadas y deja dos vacías en la estación de cliente 20) o un cambio potencial (por ejemplo, un usuario hace una reserva para cambiar las baterías en la estación de cliente 20) que puede afectar el proceso de carga de la estación de cliente 20, el sistema de servidor 200 puede realizar el análisis mencionado anteriormente y generar una predicción actualizada de la demanda de baterías para que la siga la estación de cliente 20. En algunas formas de realización, el cambio o cambio potencial se puede transmitir al sistema de servidor 200 desde un dispositivo móvil (por ejemplo, un usuario utiliza una aplicación instalada en el mismo para hacer una reserva de batería), otro servidor (por ejemplo, un servidor de servicios web asociado con una aplicación utilizada por un usuario) y / o la estación de cliente 20.
En algunas formas de realización, la estación de cliente 20 puede ser una nueva estación de cliente (por ejemplo, no incluida en las estaciones de muestreo). En dichas formas de realización, el sistema de servidor 200 puede generar la predicción de la demanda de baterías en base a la información recopilada previamente y / o al análisis realizado previamente por el sistema de servidor 200 (por ejemplo, como información de referencia). Por ejemplo, el sistema de servidor 200 puede determinar que la estación de cliente 20 puede ser un cierto tipo de estación (por ejemplo, el tipo de "tráfico pesado", el tipo de "tráfico intermedio", el tipo de "tráfico ligero", el tipo “ciudadcercanías", el de tipo "atracción turística", el tipo "en función de eventos", etc.) y a continuación generar la predicción de demanda de baterías basada en el tipo determinado.
En algunas formas de realización, el sistema de servidor 200 puede gestionar múltiples estaciones de cliente simultáneamente. En dichas formas de realización, el sistema de servidor 200 puede supervisar estas estaciones de cliente, recopilar información de las mismas y generar la predicción de demanda de baterías para cada una de las estaciones de cliente.
La Figura 3 es un diagrama esquemático que ilustra una estación o sistema de estación 300 y un vehículo o un sistema de vehículo 30 de acuerdo con formas de realización de la tecnología descrita. Tal como se muestra, el sistema de estación 300 incluye un procesador 301, una memoria 303, una interfaz de usuario 305, un componente de comunicación 307, un componente de gestión de baterías 309, uno o más sensores 311, un componente de almacenamiento 313 y un componente de carga 315 acoplado a ocho ranuras para batería 317a-h. El procesador 301 está configurado para interactuar con la memoria 303 y otros componentes (por ejemplo, los componentes 305-317) en el sistema de estación 300. La memoria 303 está acoplada al procesador 301 y está configurada para almacenar instrucciones con el fin de controlar otros componentes u otra información en el sistema de estación 300.
La interfaz de usuario 305 está configurada para interactuar con un usuario (por ejemplo, para recibir una entrada de usuario y presentar información al usuario). En algunas formas de realización, la interfaz de usuario 305 se puede implementar como una pantalla táctil. En otras formas de realización, la interfaz de usuario 305 puede incluir otros dispositivos de interfaz de usuario adecuados. El componente de almacenamiento 313 está configurado para almacenar, temporal o permanentemente, información, datos, archivos o señales asociadas con el sistema de estación 300 (por ejemplo, información medida por los sensores 313, información recopilada por las baterías 317ah, información de referencia, instrucciones de carga; información del usuario, etc.). El componente de comunicación 307 está configurado para comunicarse con otros sistemas (por ejemplo, el sistema de vehículo 30, un servidor 33 y / u otras estaciones de estación) y otros dispositivos (por ejemplo, un dispositivo móvil 31 llevado por un usuario).
El componente de gestión de la batería 309 puede ser una serie de instrucciones ejecutables para gestionar y controlar las baterías colocadas en las ranuras de batería 317a-h. En algunas formas de realización, el componente de gestión de la batería 309 puede gestionar las baterías basándose en las instrucciones del servidor 33 (que puede funcionar de forma similar al sistema de servidor 200, en algunas formas de realización). En algunas formas de realización, el componente de gestión de la batería 309 puede gestionar las baterías basándose en instrucciones u orientaciones predeterminadas almacenadas en el sistema de estación 300 (por ejemplo, en el componente de almacenamiento 313). En algunas formas de realización, el componente de gestión de la batería 309 puede comunicarse periódicamente con el servidor 33 con el fin de solicitar instrucciones de actualización.
En algunas formas de realización, el componente de gestión de baterías 309 también puede ejecutar instrucciones para recopilar información con respecto a una o más de las baterías colocadas en las ranuras de batería 317a-h, información con respecto al sistema de estación 300, información con respecto a una o más fuentes de energía 35, información con respecto a un usuario (por ejemplo, recibida desde el dispositivo móvil 31 a través del componente de comunicación 307), y / o información relativa al sistema de vehículo 30. El componente de gestión de la batería 309 puede transmitir o cargar la información recopilada al servidor 33 para su posterior análisis o proceso.
Los sensores 311 están configurados para medir información asociada con el sistema de estación 300 (por ejemplo, temperatura de funcionamiento, condiciones ambientales, conexión de potencia, conexión de red, etc.). Los sensores 311 también pueden estar configurados para supervisar las baterías colocadas en las ranuras de batería 317a-h. La información medida se puede enviar al componente de gestión de la batería 309 y al servidor 33 para un análisis adicional.
El componente de carga 315 está configurado para controlar un proceso de carga para cada una de las baterías colocadas en las ranuras de batería 317a-h. En algunas formas de realización, el sistema de estación 300 puede incluir otros números de ranuras de batería. Las ranuras de batería 317a-h están configuradas para alojar y cargar las baterías colocadas y / o bloqueadas en las mismas. El componente de carga 315 recibe energía de las fuentes de energía 35 y a continuación utiliza la energía para cargar las baterías ubicadas en las ranuras de batería 317ah, sobre la base de un plan de carga predeterminado (por ejemplo, un conjunto de instrucciones indicativas de cuándo y cómo cargar una batería para lograr un objetivo como por ejemplo maximizar la vida útil de la batería, incluyendo, por ejemplo, controlar una temperatura de carga durante varias fases de carga de la batería) recibida del servidor 33 o almacenada en el componente de almacenamiento. En algunas formas de realización, el plan de carga se puede determinar basándose en una predicción de demanda de baterías generada por el servidor 33.
Tal como se muestra en la Figura 3, el vehículo 30 se puede implementar como un scooter eléctrico, un coche eléctrico, etc. El vehículo 30 incluye un procesador 319, una memoria 321, una batería 323, un motor 325, un dispositivo de entrada 327, una pantalla de tablero 329, un dispositivo de almacenamiento, uno o más sensores 333 y un componente de comunicación 335. El procesador 319 está configurado para interactuar con la memoria 321 y otros componentes (por ejemplo, los componentes 323-335) en el sistema de vehículo 30. La memoria 321 está acoplada al procesador 319 y está configurada para almacenar instrucciones para controlar otros componentes u otra información en el sistema de vehículo 30. El dispositivo de almacenamiento 331 puede tener funciones similares a las del componente de almacenamiento 313 o 207. El componente de comunicación 335 puede tener funciones similares a las del componente de comunicación 307 o a las del componente de almacenamiento 313 o 221. La pantalla del tablero de instrumentos 329 está configurada para presentar información visualmente a un usuario (por ejemplo, información asociada con el sistema de vehículo 30).
La batería 323 está configurada para alimentar el motor 325 de manera que el motor 325 pueda mover el sistema de vehículo 30. La batería 323 puede ser una batería intercambiable. Cuando la batería 323 se está quedando sin energía, un usuario del sistema de vehículo 30 puede cambiar o intercambiar la batería 323 en el sistema de estación 300. Por ejemplo, el usuario puede retirar la batería 323 del sistema de vehículo 30 y a continuación colocar la batería 323 en una de las ranuras de batería 317a-h (por ejemplo, una vacía sin una batería colocada en ella). El usuario puede entonces tomar una batería completamente cargada en las ranuras de batería 317a-h y a continuación instalarla en el sistema de vehículo 30.
En algunas formas de realización, cuando el usuario coloca la batería 323 en una de las ranuras de batería 317ah, el sistema de estación 300 puede detectar la existencia de esa batería y extraer información de la misma. Por ejemplo, el componente de gestión de la batería 309 puede extraer información asociada con esa batería (por ejemplo, el historial de uso de la batería, la identidad de la batería, los ciclos de carga, la capacidad de carga completa, información del vehículo de los vehículos con los que la batería 323 ha estado asociada, actividades del usuario en las que la batería 323 ha estado involucrada, etc.) desde una memoria de batería 337 dentro de, o acoplada a, la batería 323. En algunas formas de realización, la información en la memoria de la batería 337 se puede transmitir al servidor 33 a través del componente de comunicación 335 o mediante el dispositivo móvil 31.
La Figura 4 es un diagrama esquemático que ilustra un sistema de nube 400 de acuerdo con formas de realización de la tecnología descrita. El sistema de nube 400 puede incluir un servidor 401, un servidor de nube 403 y varias estaciones 405 (anotadas como 405A1-A3 y 405B1-B2). El servidor 401 está configurado para recopilar información de las múltiples estaciones 405, analizar la información recopilada y generar una predicción de demanda de energía (por ejemplo, una predicción de demanda de baterías). El servidor 401 puede tener funciones similares a las del sistema de servidor 200. El servidor en la nube 403 está configurado para facilitar la comunicación entre el servidor 401 y las múltiples estaciones 405.
Tal como se muestra en la Figura 4, las múltiples estaciones 405 se pueden dividir en el Grupo A (incluyendo las estaciones 405A1-A3) y el Grupo B (incluyendo las estaciones 405B1-B2). Por ejemplo, las estaciones del Grupo A pueden ser las estaciones ubicadas en el área A, y las estaciones del Grupo B pueden ser las estaciones ubicadas en el área B. El sistema de nube 400 permite a un operador gestionar las múltiples estaciones 405 de una manera centralizada y efectiva. Por ejemplo, el servidor 401 puede comunicarse con la estación 405A3 directamente a través de una conexión de red (por ejemplo, tal como indica la flecha C1). En algunas formas de realización, las estaciones 405 pueden funcionar como un dispositivo de relé de datos / comunicación. Por ejemplo, tal como se muestra en la Figura 4, el servidor 401 puede comunicarse con la estación 405A2 a través de la estación 405A1 (por ejemplo, tal como se indica por medio de las flechas C1 y C2). En algunas formas de realización, el servidor 401 puede comunicarse con las estaciones 405 a través del servidor en la nube 403 (por ejemplo, tal como se indica por medio de la flecha C3). Por ejemplo, el servidor 401 puede comunicarse con la estación 405A3 a través del servidor en la nube 403 (por ejemplo, tal como se indica con las flechas C3 y C4) y comunicarse con la estación 405B1 a través del servidor en la nube 403 (por ejemplo, tal como se indica por medio de las flechas C3 y C5). En algunas formas de realización, el servidor 401 puede comunicarse con la estación 405B2 a través del servidor en la nube 403 y la estación 405B1 (tal como se indica por medio de las flechas C3, C5 y C6). Mediante esta disposición de comunicación flexible, el servidor 401 puede comunicarse eficazmente con cada una de las estaciones 405 en tiempo real o casi en tiempo real, eliminando así, o al menos reduciendo, los inconvenientes o retrasos causados por una posible interrupción de la red.
La figura 5A es un diagrama esquemático que ilustra características de sistemas de múltiples estaciones de acuerdo con formas de realización de la tecnología descrita. En la Figura 5A, se muestran tres curvas características bidimensionales 501A, 501B y 501C. En otras formas de realización, sin embargo, las curvas características pueden ser tridimensionales o multidimensionales, dependiendo del número de factores a considerar al generar dichas curvas características.
Las curvas características 501A-C representan predicciones de demanda de baterías (o predicciones de consumo de energía) para las estaciones de CA que se generan (por ejemplo, por un servidor como por ejemplo el sistema de servidor 200) basadas en información asociada con múltiples estaciones de muestreo (por ejemplo, la información recopilada mencionada anteriormente). En algunas formas de realización, estas curvas características 501A-C se pueden comparar con mediciones reales para verificar y / o mejorar la precisión de estas curvas (por ejemplo, para comparar la curva característica 501A con una curva generada por la medición real realizada en la Estación A). En dichas formas de realización, los resultados de la comparación pueden utilizarse para ajustar adicionalmente las curvas características 501A-C. En algunas formas de realización, la tecnología actual puede utilizar este enfoque para ajustar su análisis en función de varios factores, ponderaciones de los factores, algoritmos, etc.
Tal como se muestra en la Figura 5A, la curva característica 501A tiene una parte de pico 503 que puede indicar que la Estación A es una estación del tipo de "alta demanda de horas pico". La curva característica 501B tiene una curva suave que puede indicar que la estación B tiene una demanda de baterías relativamente alta en cierto período de tiempo (por ejemplo, por las mañanas) y, por lo tanto, puede ser una estación de tipo "de cercanías". En cuanto a la estación C, la curva característica 501C tiene una parte de meseta 505 en la parte central de un día. La parte de meseta 505 puede indicar que la estación C tiene una demanda de baterías relativamente alta al mediodía que puede ser causada por el tráfico hacia un restaurante famoso cerca de la estación C. En algunas formas de realización, la tecnología actual puede proporcionar múltiples tipos de curvas o patrones característicos que se puede utilizar como información de referencia para determinar las predicciones de demanda de baterías para una estación de intercambio de baterías.
La figura 5B es un diagrama esquemático que ilustra características durante múltiples esquemas de tiempo de un sistema de estación de acuerdo con formas de realización de la tecnología descrita. En la Figura 5B, se muestran tres curvas características 507A-C para la Estación X. Las curvas características 507A-C representan predicciones de demanda de baterías para la Estación X en diferentes marcos de tiempo (por ejemplo, un día, una semana y un año) generadas en base a información asociada con múltiples estaciones de muestreo.
Tal como se muestra, la curva característica 507A tiene dos partes de pico 508 y 509. Las partes de pico 508 y 509 pueden indicar tráfico de cercanías cerca de la Estación X. La curva característica 507B tiene una parte de meseta 511 durante los días laborables de semana, lo que puede indicar que la Estación X está cerca de una carretera que los habitantes de cercanías utilizan de manera intensiva durante los días laborables de la semana, en lugar de los fines de semana. La curva característica 507C también tiene dos partes de pico 513 y 514 en febrero y julio, respectivamente. Estas dos partes de pico 513 y 514 pueden indicar demandas de baterías causadas por eventos celebrados en un estadio (por ejemplo, en febrero y julio) cerca de la Estación X.
En algunas formas de realización, la presente tecnología puede proporcionar otros tipos de características o patrones seleccionando diferentes factores en diferentes esquemas de tiempo. Por ejemplo, cuando se utiliza el modelo asociado con las ecuaciones AF descritas anteriormente, las curvas características 501A-C, 507A-C que se muestran en las Figuras 5A y 5B se pueden dividir en múltiples intervalos de tiempo y a continuación identificar las demandas de baterías en cada intervalo de tiempo para realizar cálculos adicionales (por ejemplo, como información de demanda). Mediante esta disposición, la tecnología actual permite a un operador predecir de manera eficaz la demanda de baterías para una estación de intercambio de baterías en particular (sin importar que esta estación sea nueva o ya existente). La tecnología actual proporciona flexibilidad para mantener de forma eficaz varias estaciones de intercambio de baterías. La tecnología actual puede mejorar la eficiencia energética y reducir así los gastos generales de carga de las baterías.
La figura 6 es un diagrama de flujo que ilustra un método 600 de acuerdo con formas de realización de la tecnología descrita. El método 600 está configurado para predecir una demanda de baterías intercambiables para una estación de intercambio de baterías. El método 600 puede ser implementado por un servidor (por ejemplo, el sistema de servidor 200). En algunas formas de realización, el método 600 puede implementarse mediante una estación de intercambio de baterías (por ejemplo, el sistema de estación 300). El método 600 comienza en el bloque 601 recibiendo información de múltiples dispositivos de almacenamiento de energía. En algunas formas de realización, estos dispositivos de almacenamiento de energía se pueden ubicar en múltiples estaciones de muestreo, vehículos o pueden estar en posesión de / almacenados de otra manera por un usuario.
En el bloque 603, el método 600 continúa analizando la información recibida basándose en información de referencia predeterminada. La información de referencia predeterminada incluye un conjunto de características de múltiples categorías de estaciones. En el bloque 605, el método 600 determina a continuación un número de intercambios previsto de intercambios de almacenamiento de energía durante un período de tiempo objetivo para múltiples estaciones. Tal como se ha indicado, el servidor establece una conexión de comunicación con varias estaciones de intercambio de baterías y está programado para predecir una demanda esperada de baterías intercambiadas en las estaciones en base a la información recibida. La información recibida puede incluir la información descrita anteriormente sobre la ubicación de cada estación, el pronóstico del tiempo, las variaciones de la fuente de alimentación o la información de disponibilidad recuperada de la batería intercambiada previamente (fecha de fabricación de las estaciones de carga, etc.), información sobre los usuarios que han recibido servicio previamente por la estación, información sobre próximas reservas, previsiones meteorológicas, eventos especiales, etc. A partir de la información recibida, el servidor está programado para identificar uno o más factores de referencia que pueden predecir de forma aproximada la demanda real para un período de tiempo seleccionado. En una forma de realización, el servidor emplea algoritmos de aprendizaje automático para identificar valores de ponderación (que pueden ser cero) para uno o más factores de referencia que pueden aproximarse mucho a la demanda real. Los valores de ponderación y los factores de referencia identificados se utilizan a continuación para predecir una demanda de baterías para el nuevo período de tiempo y se envía un plan de carga, generado en función de la demanda de baterías, a cada una de las estaciones.
En el bloque 607, el método 600 determina a continuación la energía disponible que se puede suministrar a cada una de las múltiples estaciones antes del período de tiempo objetivo. Seguidamente, en el bloque 609, se forma un plan de carga para cada una de las múltiples estaciones. En el bloque 611, el método 600 incluye dar instrucciones a cada una de las múltiples estaciones para que carguen los dispositivos de almacenamiento de energía intercambiables colocados en las mismas de acuerdo con el plan de carga. A continuación el método 600 regresa y espera más instrucciones.
En algunas formas de realización, las predicciones de demanda de baterías generadas por la tecnología descrita pueden utilizarse para dividir las múltiples estaciones de muestreo (o intervalos de tiempo de las múltiples estaciones de muestreo) en diferentes grupos (por ejemplo, mediante un algoritmo de agrupamiento de K-medias). Este proceso de agrupamiento está diseñado para identificar una estación representativa (por ejemplo, una estación virtual / calculada) para un grupo de estaciones de muestreo. El proceso de agrupamiento puede ayudar a simplificar / acelerar el cálculo (por ejemplo, el sistema solo necesita calcular un tipo de predicción para un grupo) para las predicciones de demanda. En dichas formas de realización, una vez que se completa el proceso de agrupamiento, para las predicciones de la demanda futura, el sistema descrito solo tiene que calcular una predicción de la demanda para cada grupo.
En algunas formas de realización, los grupos se pueden caracterizar tanto por "estación" como por un "intervalo de tiempo". "Por ejemplo, el Grupo A, B y C representan diferentes niveles de demanda, por ejemplo, las estaciones en el Grupo A tienen la demanda más baja, las estaciones en el Grupo B tienen la mayor demanda y las estaciones en el Grupo C tienen un nivel de demanda entre el Grupo A y B. Después del proceso de agrupamiento para cada intervalo de tiempo de cada estación, el grupo A puede representar la demanda de baterías para la estación X de 1 am a 4 am, el grupo B puede representar la demanda de baterías para la estación Y de 5 pm a 6 pm, y el Grupo C puede representar la demanda de baterías para la Estación Z entre las 2 a. m. y las 4 a. m. En algunas formas de realización, los grupos se pueden caracterizar como múltiples períodos de tiempo durante una semana. Por ejemplo, el Grupo A no solo representa la Estación X durante la 1 am a las 4 am, sino que también representa la Estación Y durante las 4 am a las 6 am y la Estación Z durante las 12 am a las 3 am (es decir, estos intervalos de tiempo de las estaciones X, Y y Z tienen niveles de demanda similares, por lo que estos intervalos de tiempo de estaciones se asignan en el Grupo A durante el proceso de agrupamiento). En algunas formas de realización, el proceso de agrupamiento podría realizarse bajo ciertas condiciones (por ejemplo, factores de control). Por ejemplo, puede haber seis grupos durante los días de la semana de una semana (por ejemplo, Grupos WD1-6), y puede haber tres grupos durante el fin de semana (por ejemplo, Grupos WE1-3).
En algunas formas de realización, los grupos se pueden dividir adicionalmente basándose en condiciones ambientales como por ejemplo "soleado" o "lluvioso". "Por ejemplo, puede haber tres grupos para la condición" soleado "(Grupos S1-3), y puede haber tres grupos para la condición" lluviosa "(Grupos R1-3). En algunas formas de realización, los grupos se pueden determinar basándose en dos o más factores. Por ejemplo, los grupos se pueden caracterizar tanto por el factor "día laborable de la semana / fin de semana" como por el factor "soleado / lluvioso". Utilizando el ejemplo anterior, después de considerar estos dos factores, puede haber 27 grupos (por ejemplo, multiplicar 9 por 3). El sistema descrito puede considerar además otros factores como ubicaciones, tipos de usuarios, etc. para obtener más grupos.
En algunas formas de realización, algunos grupos pueden identificarse o etiquetarse como estrechamente relacionados con ciertas características de la estación (por ejemplo, la ubicación de una estación). En algunas formas de realización, las estaciones podrían identificarse o etiquetarse en base a ciertas características. Por ejemplo, el sistema puede seleccionar "día de la semana / fin de semana" como factor de control y a continuación identificar si "Estación X de 9 a.m. a 12 p.m." tiene unas características de demanda similares a las de los grupos WD3, WD2, WD4 y WD5. Por ejemplo, algunos grupos se pueden identificar como "tipo de ciudad" "tipo de país" "tipo de atracción", "tipo de centro de la ciudad", etc. Sin embargo, algunos Grupos pueden estar relacionados con múltiples factores y, por lo tanto, no se pueden identificar fácilmente como relacionados con un factor específico. En algunas formas de realización, las características mencionadas en este documento se determinan en función de las preferencias del sistema o de los resultados de aprendizaje estadístico / de la máquina a partir de datos históricos.
En algunas formas de realización, el proceso de agrupamiento se puede realizar basándose en varios factores a partir de los mismos datos. El proceso de identificación / etiquetado (por ejemplo, para identificar ciertas características) se puede realizar considerando todos los resultados del agrupamiento (con o sin ponderaciones correspondientes a los factores considerados). Por ejemplo, un grupo de "tipo de ciudad" puede tener (1) una distribución de la demanda D1 en una categoría de "día laborable de la semana" y (2) una distribución de la demanda D2 en una categoría "Soleado". Como otro ejemplo, un grupo de "tipo de país" puede tener una distribución de la demanda D3 en una categoría de "día de la semana", pero una distribución D2 en una categoría "Lluvioso".
Cuando se completa el proceso de agrupamiento, el sistema puede asignar predicciones de demanda de baterías a varios períodos de tiempo de una estación de baterías en función de los grupos correspondientes. Por ejemplo, un período de tiempo de 1 a.m. a 4 a.m. Se determina que el miércoles en la estación X pertenece al Grupo WD2. Basándose en una predicción de la demanda de baterías para el Grupo WD2, hay 20 cambios de baterías durante este período. En consecuencia, el sistema puede determinar que habrá 20 cambios de baterías previstos en la estación X durante la 1 a.m. a las 4 a.m. todos los miércoles. En las formas de realización ilustradas, el intervalo de tiempo de análisis mínimo es "hora”. En otras formas de realización, el intervalo de tiempo de análisis mínimo puede ser otros períodos de tiempo.
En algunas formas de realización, cuando el sistema descrito genera una predicción de la demanda (por ejemplo, para cada grupo), el sistema descrito puede simplificar aún más el proceso de predicción de la demanda seleccionando uno o más factores y a continuación utilizando los factores seleccionados para generar predicciones de la demanda (por ejemplo, para "supervisar" el resultado de la predicción) con menos tiempo y recursos informáticos.
Por ejemplo, un operador de sistema puede seleccionar tres factores para simplificar el proceso de predicción de la demanda. Estos tres factores son (1) el clima (por ejemplo, los usuarios pueden ser reacios a ir a una estación de intercambio de baterías en condiciones de clima frío); (2) días festivos nacionales o locales (por ejemplo, para los usuarios del tipo "viajeros de cercanías", pueden cambiar menos baterías en días festivos que en días laborales normales); y (3) eventos especiales (por ejemplo, un concierto celebrado cerca de una estación de baterías, una campaña de intercambio de baterías realizada por un proveedor de servicios de intercambio de baterías, un accidente, etc.).
Teniendo en cuenta estos tres factores, el sistema descrito puede generar una curva o patrón de demanda de baterías prevista para cada grupo. En algunas formas de realización, el sistema descrito puede ajustar adicionalmente la curva o patrón de demanda prevista para las estaciones de baterías en un grupo en función de las ubicaciones de las estaciones de batería. Basándose en los tres factores seleccionados, el sistema descrito determina si un cierto tipo de estación de baterías se vería afectado por estos factores seleccionados. Por ejemplo, para la estación de tipo "ciudad-cercanías" (por ejemplo, aquellas con altas demandas durante las horas pico de trayectos de cercanías), el sistema descrito puede determinar que (1) el factor meteorológico puede no afectar fuertemente las demandas de la batería al menos debido a que los viajeros de cercanías necesitan ir a trabajar incluso en condiciones de clima frío; (2) el factor de vacaciones afecta fuertemente las demandas de baterías por lo menos debido a que los viajeros de cercanías no van al trabajo durante las vacaciones; y (3) el factor de evento puede no afectar fuertemente las demandas de batería, al menos porque los viajeros de cercanías sí van a trabajar a pesar de que un evento se lleva a cabo cerca de este tipo de estaciones. Por consiguiente, el sistema descrito puede generar las predicciones de la demanda para el tipo de estaciones de tipo "ciudad-cercanías" basándose principalmente en el factor de vacaciones. Una vez que se agrega una nueva estación al sistema y se determina como una estación de tipo "ciudad-cercanías", el sistema puede generar de forma conveniente una predicción de demanda basada en predicciones de demanda existentes con ajustes menores (por ejemplo, ajustes basados en su ubicación).
El sistema descrito puede analizar posteriormente si la predicción de la demanda generada es adecuada para la nueva estación (por ejemplo, comparando la predicción de la demanda con la demanda real en la última semana, mes o días). El sistema descrito puede ajustar aún más la predicción de la demanda basándose en la comparación.
En las formas de realización descritas en este documento, un "componente" puede incluir un procesador, lógica de control, un procesador de señal digital, una unidad informática y / o cualquier otro dispositivo adecuado que esté configurado o programado para ejecutar instrucciones para realizar la funcionalidad descrita anteriormente.
La figura 7 es un diagrama de flujo que ilustra un método 700 de acuerdo con formas de realización de la tecnología descrita. El método 700 está configurado para gestionar una pluralidad de estaciones de intercambio de dispositivos (por ejemplo, el sistema de estación 300). El método 700 puede ser implementado por un servidor (por ejemplo, el sistema de servidor 200). El método 700 comienza en el bloque 701 recibiendo información empírica con respecto a los intercambios de dispositivos de almacenamiento de energía de cada una de la pluralidad de estaciones de intercambio de dispositivos en un período de tiempo inicial. En algunas formas de realización, la información recibida puede incluir información relativa a un suministro real de dispositivos de almacenamiento de energía para cada una de la pluralidad de estaciones de intercambio de dispositivos en el período de tiempo inicial.
En el bloque 703, el método 700 determina a continuación un período de tiempo objetivo (por ejemplo, para predecir un cambio de batería durante este período de tiempo objetivo, en algunas formas de realización, proporcionado por un operador del sistema). En el bloque 705, el método 700 continúa identificando una pluralidad de factores de referencia correspondientes a cada una de la pluralidad de estaciones de intercambio de dispositivos en el período de tiempo objetivo. Por ejemplo, el operador del sistema puede seleccionar qué factores desea incluir en la matriz de factores (véase, por ejemplo, la Ecuación A anterior). Los factores de referencia predeterminados pueden incluir (1) múltiples características asociadas con la pluralidad de estaciones de intercambio de dispositivos, (2) combinaciones de las características (por ejemplo, el factor de "término de cruce" mencionado anteriormente), (3) "tipo" de estaciones (por ejemplo, "curvas" descritas en las Figuras 5A y 5B), y (4) combinación de lo anterior.
En el bloque 707, el método 700 determina a continuación información de demanda durante el período de tiempo objetivo para cada una de la pluralidad de estaciones de intercambio de dispositivos basándose en los factores de referencia identificados correspondientes a cada una de las estaciones de intercambio de dispositivos y los valores de ponderación asociados con los factores de referencia identificados. Los valores de ponderación se incluyen en la información empírica. La información de demanda es indicativa de un número previsto de intercambios de dispositivos de almacenamiento de energía intercambiables (que se intercambiarán) durante el período de tiempo objetivo para cada una de las estaciones de intercambio de dispositivos. El período de tiempo objetivo es posterior al período de tiempo inicial.
En algunas formas de realización, el operador del sistema también puede determinar los valores de ponderación iniciales correspondientes (por ejemplo, un valor predeterminado equilibrado con todos los factores de referencia, basado en estudios empíricos o experiencias, etc.) y a continuación actualizar el mismo posteriormente (por ejemplo, basándose en una comparación de valores reales) intercambios de baterías y un resultado previsto calculado sobre la base de los valores de ponderación iniciales). En las formas de realización descritas anteriormente con referencia a la Figura 1 y las Ecuaciones A-F, los valores de ponderación iniciales también se pueden determinar ajustados de esta manera. En algunas formas de realización, los valores de ponderación se determinan en función de una función objetiva que minimiza una diferencia entre un número real de intercambios (o un suministro de batería) y una demanda de dispositivos de almacenamiento de energía (por ejemplo, una demanda no satisfecha) de cada uno de la pluralidad de estaciones de intercambio de dispositivos en el período de tiempo inicial. En algunas formas de realización, la pluralidad de factores de referencia puede incluir un tipo de estaciones de intercambio de dispositivos.
En algunas formas de realización, los valores de ponderación se determinan basándose en el análisis de relaciones entre los factores de referencia. En algunas formas de realización, la información empírica incluye información relativa a un número real de dispositivos de almacenamiento de energía intercambiados para cada una de la pluralidad de estaciones de intercambio de dispositivos en el período de tiempo inicial. En algunas formas de realización, los valores de ponderación se determinan en función de una función objetiva (por ejemplo, la Ecuación B anterior) que minimiza una diferencia entre el número real de intercambios y una demanda prevista de dispositivos de almacenamiento de energía para cada una de la pluralidad de estaciones de intercambio de dispositivos en el período de tiempo inicial. En las formas de realización descritas anteriormente con referencia a la Figura 1 y las Ecuaciones A-F, los valores de ponderación iniciales también se pueden determinar ajustados de esta manera.
En el bloque 709, el método 700 continúa formando una pluralidad de planes de carga para cada una de la pluralidad de estaciones de intercambio de dispositivos de acuerdo con la información de demanda durante el período de tiempo objetivo. En algunas formas de realización, cada uno de los planes de carga puede incluir una pluralidad de reglas de carga correspondientes a los dispositivos de almacenamiento de energía ubicados en cada una de la pluralidad de estaciones de intercambio de dispositivos. En algunas formas de realización, el método 700 puede incluir analizar relaciones entre la información recibida y la pluralidad de factores de referencia predeterminados basándose en un proceso de aprendizaje automático.
En algunas formas de realización, el método 700 puede incluir las fases de (1) calcular un número previsto de intercambios de dispositivos de almacenamiento de energía que se intercambiarán para la primera estación de intercambio de dispositivos durante el período de tiempo objetivo; (2) recibir un número real de intercambios de dispositivos de almacenamiento de energía que se intercambiaron en la primera estación de intercambio de dispositivos en el período de tiempo objetivo; (3) analizar el número real de intercambios y el número previsto de intercambios de dispositivos de almacenamiento de energía de la primera estación de intercambio de dispositivos en el período de tiempo objetivo, a fin de determinar una tasa de contribución de fallos para cada uno de los factores de referencia asociados con el primer dispositivo; estación de intercambio en el período de tiempo objetivo; y (4) actualizar el valor de ponderación basado en la tasa de contribución de fallos. Las formas de realización con respecto a la tasa de contribución de fallos se describen anteriormente con referencia a las Ecuaciones C y D. En algunas formas de realización, el método 700 incluye determinar un número máximo de características a utilizar cuando se analiza la información recibida.
En algunas formas de realización, el período de tiempo objetivo puede ser una hora al día. En algunas formas de realización, el período de tiempo objetivo puede ser veinticuatro horas de un día. En algunas formas de realización, la información de la demanda se determina por horas. En algunas formas de realización, las características múltiples comprenden una hora de un día, el día de una semana, el día de un mes, el día de un año, las ubicaciones de la pluralidad de estaciones de intercambio de dispositivos, una condición ambiental o un evento desencadenante. En algunas formas de realización, el método 700 puede incluir determinar, basándose en el resultado analítico, uno o más tipos de la pluralidad de estaciones de intercambio de dispositivos.

Claims (13)

REIVINDICACIONES
1. Un método (700) para gestionar una pluralidad de estaciones de intercambio de dispositivos (20), en que el método (700) comprende:
recibir información empírica sobre intercambios de dispositivos de almacenamiento de energía de cada una de la pluralidad de estaciones de intercambio de dispositivos (20) en un período de tiempo inicial (701), en que la información empírica comprende valores de ponderación;
determinar un período de tiempo objetivo (703);
identificar una pluralidad de factores de referencia correspondientes a cada una de la pluralidad de estaciones de intercambio de dispositivos (20) en el período de tiempo objetivo, en que los factores de referencia comprenden múltiples características y combinaciones de las características (705) en que las características comprenden al menos una de:
identificación de la estación, hora, ubicaciones de la pluralidad de estaciones de intercambio de dispositivos (20), condiciones ambientales y eventos, y
en que los factores de referencia identificados están asociados con los valores de ponderación;
determinar la información de demanda durante el período de tiempo objetivo para cada una de la pluralidad de estaciones de intercambio de dispositivos (20) basándose en los factores de referencia identificados correspondientes a cada una de las estaciones de intercambio de dispositivos (20) y valores de ponderación, en que el período de tiempo objetivo es posterior al período de tiempo inicial (707); y
formar una pluralidad de planes de carga para cada una de la pluralidad de estaciones de intercambio de dispositivos (20) de acuerdo con la información de demanda durante el período de tiempo objetivo (709),
calcular un número previsto de intercambios de dispositivos de almacenamiento de energía intercambiables para una primera estación de intercambio de dispositivos durante el período de tiempo objetivo;
recibir un número real de intercambios de dispositivos de almacenamiento de energía de la primera estación de intercambio de dispositivos (20) en el período de tiempo objetivo;
analizar el número real de intercambios y un número previsto de intercambios de dispositivos de almacenamiento de energía de la primera estación de intercambio de dispositivos (20) en el período de tiempo objetivo; y
actualizar los valores de ponderación correspondientes a cada uno de los factores de referencia identificados de acuerdo con el resultado analizado.
2. El método (700) de la reivindicación 1, en que:
la pluralidad de factores de referencia comprende un tipo de estaciones de intercambio de dispositivos (20), en que el tipo de estaciones de intercambio de dispositivos se determina basándose en al menos una de: ubicación, condiciones ambientales circundantes, eventos, comportamiento del usuario, demandas de batería.
3. El método (700) de una cualquiera de las reivindicaciones 1 o 2, en que:
la información empírica comprende información relativa a la información de demanda y un número real de intercambios de dispositivos de almacenamiento de energía para cada una de la pluralidad de estaciones de intercambio de dispositivos (20) en el período de tiempo inicial; y
los valores de ponderación se determinan en base a una función objetiva que minimiza una diferencia entre el número real de intercambios y una demanda de dispositivos de almacenamiento de energía de cada una de la pluralidad de estaciones de intercambio de dispositivos (20) en el período de tiempo inicial.
4. El método (700) de la reivindicación 1, en que la actualización de los valores de ponderación correspondientes a cada uno de los factores de referencia identificados de acuerdo con el resultado analizado comprende además:
actualizar los valores de ponderación en función de una pluralidad de tasas de contribución de fallos correspondientes a cada uno de los factores de referencia identificados.
5. El método (700) de una cualquiera de las reivindicaciones 1 a 4, en que:
el período de tiempo objetivo es una hora de un día; o en que el período de tiempo objetivo es veinticuatro horas de un día, y
en que la información de la demanda se determina por horas.
6. El método (700) de una cualquiera de las reivindicaciones 1 a 5, en que:
las múltiples características comprenden una hora de un día, el día de una semana,
el día de un mes, el día de un año.
7. El método (700) de una cualquiera de las reivindicaciones 1 a 6, en que la información de la demanda se determina basándose en una regresión de Poisson en línea o una regresión de mínimos cuadrados en línea.
8. El método (700) de una cualquiera de las reivindicaciones 1 a 7, que comprende además:
determinar un número máximo de factores de referencia que se utilizarán al analizar la información recibida; y / o
en que cada uno de los planes de carga comprende una pluralidad de reglas de carga correspondientes a los dispositivos de almacenamiento de energía ubicados en cada una de la pluralidad de estaciones de intercambio de dispositivos (20).
9. Un sistema de servidor (200) para gestionar una pluralidad de estaciones de intercambio de dispositivos (20), en que el sistema de servidor (200) comprende:
un procesador (201) configurado para:
recibir información empírica sobre intercambios de dispositivos de almacenamiento de energía de cada una de la pluralidad de estaciones de intercambio de dispositivos (20) en un período de tiempo inicial (701), en que la información empírica comprende valores de ponderación;
determinar un período de tiempo objetivo (703);
identificar una pluralidad de factores de referencia correspondientes a cada una de la pluralidad de estaciones de intercambio de dispositivos (20) en el período de tiempo objetivo, en que los factores de referencia comprenden múltiples características y combinaciones de las características (705), en que las características comprenden al menos una de: identificación de la estación, hora, ubicaciones de la pluralidad de estaciones de intercambio de dispositivos (20), condiciones ambientales y eventos, y
en que los factores de referencia identificados están asociados con los valores de ponderación;
determinar la información de demanda durante el período de tiempo objetivo para cada una de la pluralidad de estaciones de intercambio de dispositivos (20) basándose en los factores de referencia identificados correspondientes a cada una de las estaciones de intercambio de dispositivos (20) y valores de ponderación, en que la información de demanda es indicativa de un número previsto de intercambios de dispositivos de almacenamiento de energía intercambiables durante el período de tiempo objetivo para cada una de las estaciones de intercambio de dispositivos (20), y en que el período de tiempo objetivo es posterior al período de tiempo inicial (707); y
formar una pluralidad de planes de carga para cada una de la pluralidad de estaciones de intercambio de dispositivos (20) de acuerdo con la información de demanda durante el período de tiempo objetivo (709);
calcular un número previsto de intercambios de dispositivos de almacenamiento de energía intercambiables para una primera estación de intercambio de dispositivos durante el período de tiempo objetivo;
recibir un número real de intercambios de dispositivos de almacenamiento de energía de la primera estación de intercambio de dispositivos (20) en el período de tiempo objetivo; analizar el número real de intercambios y el número previsto de intercambios de dispositivos de almacenamiento de energía de la primera estación de intercambio de dispositivos (20) en el período de tiempo objetivo; y
actualizar los valores de ponderación correspondientes a cada uno de los factores de referencia identificados de acuerdo con el resultado analizado;
un componente de comunicación (221) configurado para transmitir la pluralidad de planes de carga a cada una de la pluralidad de estaciones de intercambio de dispositivos (20).
10. El sistema de la reivindicación 9, en que:
la pluralidad de factores de referencia comprende un tipo de estaciones de intercambio de dispositivos (20), en que el tipo de estaciones de intercambio de dispositivos se determina basándose en al menos uno de: ubicación, condiciones ambientales circundantes, eventos, comportamiento del usuario, demandas de baterías; y
los valores de ponderación se determinan en función del análisis de las relaciones entre los factores de referencia.
11. El sistema de una cualquiera de las reivindicaciones 9 o 10, en que:
la información empírica comprende información relativa a la información de demanda y un número real de intercambios de dispositivos de almacenamiento de energía para cada una de la pluralidad de estaciones de intercambio de dispositivos (20) en el período de tiempo inicial; y
los valores de ponderación se determinan en base a una función objetiva que minimiza una diferencia entre el número real de intercambios y una demanda de dispositivos de almacenamiento de energía de cada una de la pluralidad de estaciones de intercambio de dispositivos (20) en el período de tiempo inicial.
12. El sistema de una cualquiera de las reivindicaciones 9 a 11, en que el período de tiempo objetivo es una hora de un día; o en que el período de tiempo objetivo es de veinticuatro horas de un día, y en que la información de la demanda se determina por horas.
13. El sistema de una cualquiera de las reivindicaciones 9 a 12, en que las múltiples características comprenden una hora de un día, el día de una semana, el día de un mes, el día de un año.
ES18248293T 2017-12-29 2018-12-28 Sistemas y métodos para predecir demandas de dispositivos de almacenamiento de energía intercambiables Active ES2893924T3 (es)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US201762612141P 2017-12-29 2017-12-29

Publications (1)

Publication Number Publication Date
ES2893924T3 true ES2893924T3 (es) 2022-02-10

Family

ID=65019293

Family Applications (1)

Application Number Title Priority Date Filing Date
ES18248293T Active ES2893924T3 (es) 2017-12-29 2018-12-28 Sistemas y métodos para predecir demandas de dispositivos de almacenamiento de energía intercambiables

Country Status (8)

Country Link
US (1) US10906511B2 (es)
EP (1) EP3511199B1 (es)
JP (1) JP6952957B2 (es)
KR (1) KR102286936B1 (es)
CN (1) CN109993343A (es)
ES (1) ES2893924T3 (es)
PH (1) PH12019000003A1 (es)
TW (1) TWI751396B (es)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI741245B (zh) * 2017-12-29 2021-10-01 英屬開曼群島商睿能創意公司 管理位於裝置交換站中的儲能裝置的系統和方法
TWI705013B (zh) * 2017-12-29 2020-09-21 英屬開曼群島商睿能創意公司 電池交換站與管理電池交換站的方法
JP7104561B2 (ja) * 2018-05-31 2022-07-21 株式会社日立製作所 エネルギー運用装置及び方法並びにシステム
WO2019235645A1 (ja) * 2018-06-08 2019-12-12 パナソニックＩｐマネジメント株式会社 バッテリ管理システム及びバッテリ管理方法
CN111861080B (zh) * 2019-10-30 2024-06-21 北京嘀嘀无限科技发展有限公司 一种信息处理的方法、装置、电子设备及存储介质
KR102305777B1 (ko) * 2019-12-03 2021-09-30 주식회사 에이치에너지 클러스터링 기반 예측적 ess 충방전 운용 시스템 및 방법
WO2021181383A1 (en) * 2020-03-09 2021-09-16 Sparkion Power Algorithms Ltd Switch systems for rechargeable battery arrays
US20220135019A1 (en) * 2020-11-05 2022-05-05 Toyota Jidosha Kabushiki Kaisha Device for prediction of vehicle state and storage medium
CN112866104A (zh) * 2021-01-19 2021-05-28 蔚来汽车科技(安徽)有限公司 离线换电方法、充换电站、待换电车辆和可读存储介质
CN113570891B (zh) * 2021-07-09 2022-09-30 轻程(上海)物联网科技有限公司 一种基于大数据的加氢站工作计划智能提醒方法及系统
JP2023018496A (ja) * 2021-07-27 2023-02-08 トヨタ自動車株式会社 制御装置、プログラム、及び、エネルギー管理システム
EP4170862A1 (en) * 2021-08-31 2023-04-26 Contemporary Amperex Technology Co., Limited Electrical energy transmission method and apparatus, device, and medium
WO2023097016A2 (en) * 2021-11-23 2023-06-01 Strong Force Ee Portfolio 2022, Llc Ai-based energy edge platform, systems, and methods
US12067809B2 (en) * 2021-12-17 2024-08-20 Caterpillar Inc. Machine and battery system prognostics
KR20230104461A (ko) * 2021-12-31 2023-07-10 현대자동차주식회사 전동화 차량 및 그를 위한 전원 관리 방법
WO2023171261A1 (ja) * 2022-03-11 2023-09-14 本田技研工業株式会社 システム、プログラム及び方法

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000305606A (ja) * 1999-04-26 2000-11-02 Toyo Electric Mfg Co Ltd 配水需要量予測方法
US7487134B2 (en) * 2005-10-25 2009-02-03 Caterpillar Inc. Medical risk stratifying method and system
JP4702851B2 (ja) * 2006-12-07 2011-06-15 Ｋｄｄｉ株式会社 トラヒック量変動の上限値を予測するトラヒック量予測装置、プログラム及び方法
JP2011142704A (ja) * 2010-01-05 2011-07-21 Mitsubishi Heavy Ind Ltd 作業車の二次電池充電マネージメント方法及び充電システム
CN102959418B (zh) * 2010-06-24 2016-04-27 松下知识产权经营株式会社 获取电池的劣化度的方法和系统
EP2737600B1 (en) 2011-07-26 2018-10-03 Gogoro Inc. Apparatus, method and article for redistributing power storage devices, such as batteries, between collection, charging and distribution machines
US8996212B2 (en) * 2011-07-26 2015-03-31 Gogoro Inc. Apparatus, method and article for providing vehicle diagnostic data
US20150039391A1 (en) * 2011-08-16 2015-02-05 Better Place GmbH Estimation and management of loads in electric vehicle networks
CN102496980B (zh) * 2011-11-29 2014-05-21 清华大学 电动汽车充换电站的电池组更换与充电优化控制方法
WO2013080211A1 (en) * 2011-12-02 2013-06-06 Better Place GmbH Battery selection system and method
US9235847B2 (en) * 2011-12-16 2016-01-12 Palo Alto Research Center Incorporated Energy-disutility modeling for agile demand response
WO2013118113A2 (en) * 2012-02-06 2013-08-15 Better Place GmbH Method and system for optimization of deployment of battery service stations for electric vehicles
JP6462655B2 (ja) * 2013-03-15 2019-01-30 ゴゴロ インク 蓄電デバイスの収集および分配のためのモジュラーシステム
CN103646295B (zh) * 2013-11-28 2016-07-06 东南大学 基于服务站通用模型的电动汽车充换电网络一体化调度方法
JP6081941B2 (ja) * 2014-02-28 2017-02-15 三菱重工業株式会社 電力需要予測装置、電力供給システム、電力需要予測方法及びプログラム
JP6420120B2 (ja) * 2014-10-27 2018-11-07 日立建機株式会社 建設機械の管理局端末システム
JP2016115157A (ja) * 2014-12-15 2016-06-23 富士通株式会社 売上予測プログラム提供方法、売上予測プログラム提供プログラムおよび売上予測プログラム提供装置
CN106064568A (zh) * 2015-04-23 2016-11-02 苏州宝时得电动工具有限公司 电动车辆能量补充系统、方法和设备
CN104866915B (zh) * 2015-05-05 2018-08-28 湖南大学 基于全寿命周期成本的电动汽车充电站优化规划方法
JP6604431B2 (ja) * 2016-03-25 2019-11-13 日本電気株式会社 情報処理システム、情報処理方法および情報処理プログラム
CN106530180A (zh) * 2016-10-28 2017-03-22 黑龙江省电力科学研究院 一种高寒地区充电服务网络规划方法
CN106816931B (zh) * 2017-03-09 2019-05-24 上海电力学院 电动汽车换电站有序充电控制方法
CN107341582A (zh) * 2017-08-09 2017-11-10 上海蔚来汽车有限公司 换电站服务能力预测方法及系统
TWI705013B (zh) * 2017-12-29 2020-09-21 英屬開曼群島商睿能創意公司 電池交換站與管理電池交換站的方法
TWI774900B (zh) * 2017-12-29 2022-08-21 英屬開曼群島商睿能創意公司 對置於裝置交換站的複數個可交換式能源儲存裝置的充電方法、伺服器、裝置交換站的管理方法
TWI741245B (zh) * 2017-12-29 2021-10-01 英屬開曼群島商睿能創意公司 管理位於裝置交換站中的儲能裝置的系統和方法
JP2019145088A (ja) * 2017-12-29 2019-08-29 ゴゴロ インク 交換可能エネルギー貯蔵装置ステーション間でエネルギーを動的に配分するためのシステムおよび方法
TWI704740B (zh) * 2017-12-29 2020-09-11 英屬開曼群島商睿能創意公司 提供置於裝置交換站的複數個能源儲存裝置的方法、裝置交換站及伺服器

Also Published As

Publication number Publication date
PH12019000003A1 (en) 2019-07-24
KR102286936B1 (ko) 2021-08-09
US10906511B2 (en) 2021-02-02
CN109993343A (zh) 2019-07-09
TWI751396B (zh) 2022-01-01
TW201931281A (zh) 2019-08-01
EP3511199A1 (en) 2019-07-17
US20190202414A1 (en) 2019-07-04
EP3511199B1 (en) 2021-09-01
JP2019145087A (ja) 2019-08-29
JP6952957B2 (ja) 2021-10-27
KR20190082144A (ko) 2019-07-09

Similar Documents

Publication Publication Date Title
ES2893924T3 (es) Sistemas y métodos para predecir demandas de dispositivos de almacenamiento de energía intercambiables
JP6820905B2 (ja) 交換可能エネルギー貯蔵装置ステーションを管理するためのシステムおよび方法
CN109986993B (zh) 动态配置可交换式储能装置站之间能源的系统和方法
US20220121260A1 (en) Power distribution management based on distributed networking protocol analytics
JP6742894B2 (ja) データ予測システムおよびデータ予測方法
TWI564834B (zh) 電力需求預測裝置，電力供給系統，電力需求預測方法及程式
WO2017212880A1 (ja) データ予測システムおよびデータ予測方法
Wang et al. Towards accessible shared autonomous electric mobility with dynamic deadlines
Momtazpour et al. Installing Electric Vehicle Charging Stations City-Scale: How Many and Where?
Zhang et al. A Dispatching Strategy of Autonomous Robotic Charger Boats for Charging Electric Vessels
JP2004266927A (ja) 時系列波形の予測装置、需給調整システム、電力需給調整システム、時系列波形の予測方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体
WO2024172786A1 (en) A charge planning system and method for electric vehicles
Anbuudayasankar et al. Routing for Distribution Logistics