WO2022043100A1 - Vorrichtung und verfahren zur ermittlung der gesamtenergiemenge für einen ladevorgang - Google Patents

Vorrichtung und verfahren zur ermittlung der gesamtenergiemenge für einen ladevorgang Download PDF

Info

Publication number
WO2022043100A1
WO2022043100A1 PCT/EP2021/072617 EP2021072617W WO2022043100A1 WO 2022043100 A1 WO2022043100 A1 WO 2022043100A1 EP 2021072617 W EP2021072617 W EP 2021072617W WO 2022043100 A1 WO2022043100 A1 WO 2022043100A1
Authority
WO
WIPO (PCT)
Prior art keywords
charging
energy
vehicle
charging process
charging station
Prior art date
Application number
PCT/EP2021/072617
Other languages
English (en)
French (fr)
Inventor
Christopher David
Karlheinz SEIDLER
Florian Birnthaler
Original Assignee
Bayerische Motoren Werke Aktiengesellschaft
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 Bayerische Motoren Werke Aktiengesellschaft filed Critical Bayerische Motoren Werke Aktiengesellschaft
Priority to CN202180056816.4A priority Critical patent/CN116034047A/zh
Priority to US18/023,213 priority patent/US20230302938A1/en
Publication of WO2022043100A1 publication Critical patent/WO2022043100A1/de

Links

Classifications

    • 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
    • B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
    • 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
    • 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
    • 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
    • B60L2260/46—Control modes by self learning
    • 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
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • 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

Definitions

  • the invention relates to a device and a corresponding method for determining the total amount of energy for a charging process at a charging station.
  • Vehicles with an electric drive include electrical energy stores (e.g. batteries) that can be connected to a charging station and charged via a charging device in the vehicle.
  • electrical energy stores e.g. batteries
  • AC charging or alternating current charging the charger, which converts the direct current (also referred to as DC current) to charge the electrical energy store, is located in the vehicle.
  • An AC (alternating current) or alternating current is transmitted on a charging cable between the charging station and the vehicle.
  • DC charging or direct current charging a DC (direct current) or direct current is transmitted on the charging cable.
  • a vehicle can typically only determine the amount of energy that is being taken up by the vehicle, in particular at the vehicle's charging socket.
  • the total amount of energy that has to be drawn from an electrical supply network by the charging station for the charging process and that is typically billed to the user of the vehicle can usually not be determined by the vehicle.
  • a device for determining the total amount of energy for a charging process of an electrical energy store of an at least partially electrically powered vehicle at a charging station is described.
  • the vehicle may be a battery electric vehicle (BEV), a plug-in hybrid vehicle, or a vehicle with a range extender.
  • BEV battery electric vehicle
  • the charging station can be designed to carry out a wired (AC or DC) charging process or an inductive charging process.
  • the device can be set up to determine the vehicle energy quantity of electrical energy that is consumed by the vehicle for the charging process.
  • the amount of vehicle energy can be measured during the charging process inside the vehicle.
  • the amount of energy in the vehicle can be estimated in advance of the charging process.
  • the device can be set up to determine the vehicle energy quantity for the charging process during the charging process on the basis of sensor data from an energy measuring unit in the vehicle.
  • the device can be set up, the amount of vehicle energy for the charging process before the start of the charging process on the basis of To determine the state of charge, in particular based on the actual state of charge, the electrical energy store of the vehicle and / or based on one or more currently existing customer settings.
  • An example customer setting is the target state of charge of the electrical energy storage device after the charging process.
  • the vehicle energy quantity for the charging process can be determined based on the difference between the (preset) target state of charge (at the end of the charging process) and the (present) actual state of charge of the electrical energy storage device (at the beginning of the charging process).
  • the amount of energy in the vehicle can possibly be determined solely on the basis of the information available in the vehicle.
  • the device is also set up to use an estimation unit determined in advance to estimate the total amount of energy that is consumed by the charging station for the charging process from an electrical supply source (e.g. from an electrical supply network) on the basis of the vehicle energy amount.
  • an electrical supply source e.g. from an electrical supply network
  • the estimation unit can include an estimation algorithm, which is learned by machine in advance on the basis of training data, for estimating the total energy quantity for a charging process on the basis of the vehicle energy quantity consumed by a vehicle.
  • the estimation unit can include a neural network, which has been mechanically trained in advance on the basis of training data, for estimating the total amount of energy for a charging process.
  • the estimation unit can be set up to estimate the amount of lost electrical energy that is consumed or is produced during the charging process at the charging station and/or on a charging cable between the charging station and the vehicle (ie outside the vehicle).
  • the total amount of energy then results on the basis of or as the sum of the vehicle energy amount and the amount of electrical energy loss.
  • a device is thus described which makes it possible (in particular for a vehicle) to estimate the total amount of energy for a charging process (which also includes at least a portion of the energy that is generated outside of the vehicle or consumed outside the vehicle).
  • the comfort for a user of the vehicle in connection with charging processes of the vehicle in particular with regard to the selection of a suitable charging station
  • the energy efficiency of the vehicle by selecting a particularly energy-efficient charging station for a charging process
  • the estimation unit can have been trained in advance (possibly by the device). For this purpose, a large number of training data sets can be taken into account for a corresponding large number of (already carried out) loading processes (i.e. training data).
  • the training data record for a charging process that has already been carried out can display the actual vehicle energy quantity and the actual total energy quantity for the charging process that has already been carried out.
  • the training data set can also include charging station data and/or charging process data for the (already carried out) charging process in order to increase the accuracy of the estimation of the total amount of energy (as explained further below).
  • the estimation unit in particular the estimation algorithm and/or the neural network, can then have been trained on the basis of the large number of training data sets.
  • a machine-taught estimation unit can thus be provided. In this way, the estimation quality of the estimation unit can be increased further.
  • the device can be set up to determine charging station data in relation to the charging station at which the charging process for charging the electrical energy store of the vehicle is to be carried out.
  • the charging station data can include an identifier for identifying the charging station from a large number of different charging stations.
  • the charging station data can include position information relating to a position of the charging station. It is thus possible to provide charging station data which enable individual identification of the charging station at which the charging process is to be carried out or is being carried out.
  • the estimation unit can be trained in advance for individual specific charging stations (and thus take into account the respective energy losses in the respective charging station). The total amount of energy can then be determined in a particularly precise manner on the basis of the charging station data using the estimation unit.
  • the charging station data can indicate the type of charging process from a plurality of different types of charging processes that can be carried out at the charging station or that is carried out at the charging station.
  • the plurality of different types of charging processes can include a DC charging process, an AC charging process and/or an inductive charging process. It is thus possible to provide charging station data that indicate the type of charging process that can be carried out or is being carried out at the respective charging station.
  • the estimation unit may have been trained in advance for individual specific types of charging (in order to take into account the energy losses in the different types of charging). The total amount of energy can then be determined in a particularly precise manner on the basis of the charging station data using the estimation unit.
  • the device can be set up to determine charging process data in relation to the charging process that is to be carried out or is being carried out to charge the energy store of the vehicle.
  • the charging process data can, for example, include the (maximum or average) charging power for the Show loading process.
  • the estimation unit can be trained in advance for different charging process data, in particular for different charging powers (so that the energy losses for the different charging powers can be taken into account). The total amount of energy can then be determined in a particularly precise manner on the basis of the charging process data using the estimation unit.
  • the device can be set up to determine the total amount of energy of a charging process at the respective charging station for a plurality of different charging stations (e.g. in the vicinity of the current position of the vehicle) based on the vehicle energy amount (possibly determined using the state of charge of the energy store). . It can thus be determined what total amount of energy is required to charge the electrical energy store at the different charging stations.
  • the total energy amounts of the different charging stations can differ due to the different energy efficiency of the individual charging stations.
  • the device can also be set up to output energy information relating to the ascertained total amounts of energy for the plurality of different charging stations to the user of the vehicle (e.g. via a user interface of the vehicle). It can thus be displayed to the user what total amounts of energy are required to charge the energy store of the vehicle at the different charging stations. This enables the user to select a particularly energy-efficient charging station for the charging process. In this way, the energy efficiency of the vehicle can be increased.
  • a (road) motor vehicle in particular a passenger car or a truck or a bus or a motorcycle
  • a method for determining the total amount of energy for a charging process of an electrical energy store of an at least partially electrically powered vehicle at a charging station is described. The method includes determining the vehicle energy amount of electrical energy that is consumed by the vehicle for the charging process (for charging the electrical energy store). The method also includes estimating, by means of an estimating unit determined in advance, the total amount of energy that is taken up by the charging station for the charging process from an electrical supply source (eg from an electrical supply network) on the basis of the vehicle energy amount.
  • an electrical supply source eg from an electrical supply network
  • a method for (mechanically) teaching an estimation unit is described in order to enable the estimation unit to estimate a total amount of energy based on the vehicle energy amount of electrical energy that is consumed by a vehicle during a charging process at a charging station. which is received by the charging station for charging from an electrical supply source.
  • the method includes determining a plurality of training datasets for a corresponding plurality of charging events, wherein the training dataset for a charging event indicates the vehicle energy amount and the total energy amount for the charging event.
  • the method also includes training the estimation unit on the basis of the large number of training data sets.
  • a software (SW) program is described.
  • the SW program can be set up to be executed on a processor (eg on a control unit of a vehicle or on a vehicle-external server) and thereby to execute at least one of the methods described in this document.
  • a storage medium is described.
  • the storage medium can include a SW program which is set up to be executed on a processor and thereby to execute at least one of the methods described in this document.
  • FIG. 1 is a block diagram of an exemplary charging system
  • FIG. 2a shows an exemplary neural network
  • Figure 2b shows an exemplary neuron
  • FIG. 2c shows an exemplary estimation unit
  • FIG. 3 shows an exemplary pictorial representation of a road network with different charging stations
  • FIG. 4a shows a flowchart of an exemplary method for training an estimation unit
  • FIG. 4b shows a flowchart of an exemplary method for determining the total amount of energy for a charging process.
  • FIG. 1 shows a block diagram of an exemplary charging system with a charging station 110 and a vehicle 100.
  • the vehicle 100 comprises an electrical energy store (not shown), which can be charged with electrical energy from the charging station 110 .
  • the vehicle 100 includes a charging socket 101 (generally referred to as a charging interface) to which a corresponding (charging) plug 111 of a charging cable 112 can be plugged.
  • the charging socket 101 and the plug 111 typically form a plug-in system.
  • the charging cable 112 can be permanently connected to the charging station 110 (as shown).
  • the charging cable 112 can be connected to the charging station 110 via a plug connection (eg for AC charging).
  • the vehicle 100 can include a vehicle measuring unit 105 which is set up to record vehicle energy data relating to the (vehicle) amount of energy which is consumed by the vehicle 100 during a charging process, in particular via the charging socket 101 .
  • the charging station 110 can include a charging station measuring unit 115 that is set up to record charging station energy data in relation to the (total) amount of energy that is consumed by the charging station 110 (from an electrical supply network) as part of the charging process.
  • An evaluation device 106 of the vehicle 100 can be set up to determine the amount of vehicle energy that was consumed by the vehicle 100 during a charging process on the basis of the vehicle energy data. Based on this, the costs for the charging process, for example, can then be calculated. However, the vehicle energy data does not take into account the energy losses that are present on the charging cable 112 and/or in the charging station 110 and which typically lead to an increased total energy amount for the charging process compared to the vehicle energy amount. The total amount of energy for the charging process is typically billed by the charging station 110, so that the costs for the charging process determined by the device 106 on the basis of the vehicle energy data are typically lower than the costs actually billed.
  • the device 106 of a vehicle 100 it is thus not possible for the device 106 of a vehicle 100 to estimate or forecast the total amount of energy for a charging process and thus the costs for a charging process in a precise manner. This can lead, for example, to the user of vehicle 100 selecting a charging station 110 for a charging process that has relatively high energy losses and therefore relatively high overall costs compared to another charging station 110.
  • An estimation unit 250 can be provided, as shown by way of example in FIG , in particular trained, which is set up to determine or estimate the total amount of energy 255 for a charging process on the basis of the vehicle energy amount 251 .
  • the estimation unit 250 can thus be set up to estimate or forecast the energy losses of a charging station 110 (including the energy losses for transmission to the vehicle 100) during a charging process.
  • the estimation unit 250 can be set up to estimate the total amount of energy 255 specifically for individual charging stations 110 or for different types of charging stations 110 or for different types of charging processes (e.g. a charging station 110 for AC charging, a charging station 110 for DC charging, a To determine charging station 110 for inductive charging, etc.). For this purpose, the estimation unit 250 can take into account charging station data 252,
  • the estimation unit 250 can be trained on the basis of a large number of training data sets for a corresponding number of (actually carried out) charging processes.
  • a training data set for a loading process can show:
  • the estimation unit 250 may include one or more analytic functions having a plurality of function parameters.
  • the function parameters can be trained or determined on the basis of the large number of training data sets (e.g. so that a specific error criterion is reduced, in particular minimized).
  • the estimation unit 250 can include a neural network 200 (as shown by way of example in FIGS. 2a and 2c).
  • the individual neuron parameters 222, 227 of the neural network 200 can be trained on the basis of the large number of training data sets.
  • FIGS. 2a and 2b show exemplary components of a neural network 200, in particular a feedforward network.
  • the network 200 comprises two input neurons or input nodes 202, which record a current value of an input variable as input value 201 at a specific point in time t.
  • the one or more input nodes 202 are part of an input layer 211.
  • Exemplary input variables are the vehicle energy quantity 251 and possibly the charging station data 252 and possibly the charging process data for a charging process.
  • the neural network 200 further comprises neurons 220 in one or more hidden layers 212 of the neural network 200.
  • Each of the neurons 220 can have as input values the individual output values of the neurons of the previous layer 212, 211 (or at least a part thereof). Processing is carried out in each of the neurons 220 in order to determine an output value of the neuron 220 depending on the input values.
  • the output values of the neurons 220 of the last hidden layer 212 can be processed in an output neuron or output node 220 of an output layer 213 in order to determine the one or more output values 203 of the neural network 200 .
  • the value of the total amount of energy 255 for a charging process can be determined and provided as the initial value 203 .
  • Fig. 2b illustrates the exemplary signal processing within a neuron 220, in particular within the neurons 202 of the one or more hidden layers 212 and/or the output layer 213.
  • the input values 221 of the neuron 220 are weighted with individual weights 222 in order to sum up in a unit 223 to determine a weighted sum 224 of the input values 221 (possibly taking into account a bias or offset 227).
  • the weighted sum 224 can be mapped to an output value 226 of the neuron 220 by an activation function 225 .
  • the activation function 225 can be used, for example, to limit the value range.
  • a neuron 220 thus has weights 222 and/or possibly an offset 227 as neuron parameters.
  • the neuron parameters of the neurons 220 of a neural network 200 can be learned in a training phase (based on the large number of training data sets) in order to cause the neural network 200 to approximate a specific function and/or model a specific behavior, in particular to be more precise Estimate the total amount of energy 255 for a charge.
  • a neural network 200 can be trained using the backpropagation algorithm, for example.
  • corresponding output values 203 at the output of the one or more output neurons 220 can be determined in a first phase of a q th epoch of a learning algorithm for the input values 201 at the one or more input nodes 202 of the neural network 200 .
  • the error value of an optimization or error function can be determined on the basis of the output values 203 .
  • the error or the error value is backpropagated from the output to the input of the neural network in order to change the neuron parameters of the neurons 220 layer by layer.
  • the determined error function at the output can be partially derived according to each individual neuron parameter of the neural network 200 in order to determine an extent and/or a direction for the adjustment of the individual neuron parameters.
  • This learning algorithm can be repeated iteratively for a large number of epochs until a predefined convergence and/or termination criterion is reached.
  • the device 106 of the vehicle 100 can thus be set up to determine the vehicle energy quantity 251 for a charging process.
  • the vehicle Amount of energy 251 can be determined, for example, on the basis of the current state of charge of the energy store of the vehicle 100 (for a planned, forthcoming charging process).
  • the vehicle energy quantity 251 can be determined on the basis of the vehicle energy data from the vehicle measuring unit 105 (for an ongoing charging process or for a charging process that has already been carried out).
  • Device 106 can also be set up, using estimation unit 250 that was taught in advance, based on vehicle energy quantity 251 and, if necessary, taking into account charging station data 252 in relation to charging station 110 at which the charging process is being carried out or is to be carried out, and if necessary to determine the total amount of energy 255 for the charging process, taking into account charging process data for the charging process.
  • the total amount of energy 255 can then, if necessary, be multiplied by a cost value for a unit of electrical energy (e.g. for one kWh) in order to determine or forecast the total costs of the charging process.
  • FIG. 3 shows an exemplary pictorial representation 300 of a road network 301 on which the vehicle 100 is traveling.
  • the visual representation 300 can be displayed, for example, on a screen of the vehicle 100 (eg as part of a navigation system of the vehicle 100).
  • one or more charging stations 110 in the vicinity of the vehicle 100 can be represented.
  • energy information 305 for the individual charging stations 110 can be displayed, the energy information 305 showing, for example, the total amount of energy 255 and/or the total costs that the charging process in the individual charging stations 110 will cause. It is thus possible for the user of the vehicle 100 to conveniently select a suitable charging station 110, for example the charging station 110 with the lowest total amount of energy 255, for the charging process. In this way, the comfort for the user and the energy efficiency of the vehicle 100 can be increased.
  • a regression algorithm can be calculated be provided or taught in the field of machine learning. This algorithm can be set up to calculate the total amount of energy 255 for a charging process based on vehicle data 251 and possibly based on data 252 from the charging station 110 and possibly based on charging process data.
  • inputs for the algorithm are typically the amount of energy 251 of the vehicle [E vehicle] one or more other influencing factors such as the charging method (AC, DC) or a or several settings (eg maximum charging current) or one or several hardware-side influences (eg a model of the charging cable 112).
  • the one or more other influencing factors can be taken into account as charging station data 252 and/or as charging process data as part of the determination of the total amount of energy 255 .
  • the losses of the charging cable 112 and the charging station 110 for individual charging stations 110 and/or for individual charging processes can be determined with the aid of the regression algorithm (ie using the estimation unit 250). As a result, a user can be provided with a precise energy and/or cost forecast even before charging begins.
  • Vehicle energy quantity 251 which charges vehicle 100 during the charging process, is known to vehicle 100, in particular due to one or more user settings.
  • the losses of the charging cable 112 and the charging station 110 can be added to this vehicle energy quantity 251 in order to determine the total energy costs 255 .
  • the total costs for the charging process can be determined by multiplying the total amount of energy 255 by the price of an energy unit [ €/kWh].
  • Fig. 4a shows a flowchart of an exemplary (possibly computer-implemented) method 400 for training an estimation unit 250 in order to enable the estimation unit 250 on the basis of a vehicle energy quantity 251 of electrical energy generated by a vehicle 100 during a charging process at a charging station 110 is recorded to estimate the total amount of energy 255 that is received by the charging station 110 for the charging process from an electrical supply source (eg from a power supply network).
  • the method 400 can be executed by a (off-vehicle) server.
  • the method 400 includes the determination 401 of a multiplicity of training data sets for a corresponding multiplicity of (actually carried out) loading processes.
  • the training data record for an (actually carried out) charging process can display the (actual) vehicle energy quantity 251 and the (actual) total energy quantity 255 for the (actually carried out) charging process. Training data can thus be provided which show the vehicle energy quantity 251 actually consumed by a vehicle 100 and the total energy quantity 255 actually consumed by the charging station 110 for a large number of charging processes.
  • the individual training data sets can include charging station data 252 that make it possible to identify the individual charging stations 110 and/or the type of charging process at the individual charging stations 110 .
  • the individual training data sets can include loading process data from which, for example, the (maximum) charging performance of the individual (actually carried out) charging processes.
  • the method 400 also includes the training 402 of the estimation unit 250 on the basis of the plurality of training data sets.
  • an analytical function and/or a neural network 200 can be trained on the basis of the training data.
  • Fig. 4b shows a flowchart of an exemplary (possibly computer-implemented) method 410 for determining the total amount of energy 255 for a charging process of an electrical energy store of an at least partially electrically powered vehicle 100 at a charging station 110.
  • the method 410 can be performed by a device 106 of the vehicle 100 will.
  • the method 410 includes determining 411 the amount of vehicle energy 251 (i.e., the amount of electrical energy) consumed by the vehicle 100 for the charging process.
  • Vehicle energy quantity 251 can indicate the quantity of electrical energy that vehicle 100 is using, e.g. at charging socket 101 of vehicle 100 .
  • the method 410 includes estimating 412, by means of an estimation unit 250 determined in advance or (mechanically) trained, on the basis of the vehicle energy quantity 251 of the total energy quantity 255, which is consumed by the charging station 110 for the charging process from an electrical supply source.
  • the total energy quantity 255 also includes any energy losses within the charging station 110 and/or on the charging cable 112 between the charging station 110 and the vehicle 100.
  • the measures described in this document can be used to determine the total amount of energy for charging processes in a vehicle 100 in an efficient and precise manner. In this way, the comfort for a user of the vehicle 100 and the energy efficiency of the vehicle 100 can be increased.

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

Es wird eine Vorrichtung (106) zur Ermittlung der Gesamtenergiemenge (255) für einen Ladevorgang eines elektrischen Energiespeichers eines zumindest teilweise elektrisch angetriebenen Fahrzeugs (100) an einer Ladestation (110) beschrieben. Die Vorrichtung (106) ist eingerichtet, eine Fahrzeug-Energiemenge (251) an elektrischer Energie zu ermitteln, die von dem Fahrzeug (100) für den Ladevorgang aufgenommen wird. Des Weiteren ist die Vorrichtung (106) eingerichtet, mittels einer im Vorfeld ermittelten Schätzeinheit (250) auf Basis der Fahrzeug-Energiemenge (251) die Gesamtenergiemenge (255) zu schätzen, die von der Ladestation (110) für den Ladevorgang aus einer elektrischen Versorgungsquelle aufgenommen wird.

Description

Vorrichtung und Verfahren zur Ermittlung der Gesamtenergiemenge für einen Ladevorgang
Die Erfindung betrifft eine Vorrichtung und ein entsprechendes Verfahren zur Ermittlung der Gesamtenergiemenge für einen Ladevorgang an einer Ladestation.
Fahrzeuge mit Elektroantrieb (insbesondere Elektrofahrzeuge oder Plugin-Hybrid Fahrzeuge) umfassen elektrische Energiespeicher (z.B. Batterien), die über eine Ladevorrichtung des Fahrzeugs an eine Ladestation angeschlossen und aufgeladen werden können. Zum Aufladen der elektrischen Energiespeicher existieren verschiedene konduktive, d.h. kabelgebundene, Ladetechnologien. Bei dem sogenannten AC- Laden oder Wechselstromladen befindet sich das Ladegerät, welches den Gleichstrom (auch als DC-Strom bezeichnet) zur Aufladung des elektrischen Energiespeichers umwandelt, im Fahrzeug. Auf einem Ladekabel zwischen Ladestation und Fahrzeug wird ein AC- (Alternating Current) oder Wechselstrom übertragen. Bei dem sogenannten DC-Laden oder Gleichstromladen wird auf dem Ladekabel ein DC- (Direct Current) oder Gleichstrom übertragen.
Ein Fahrzeug kann im Vorfeld zu einem Ladevorgang oder während eines Ladevorgangs typischerweise nur die Energiemenge ermitteln, die von dem Fahrzeug, insbesondere an der Ladedose des Fahrzeugs, aufgenommen wird. Die Gesamtenergiemenge, die von der Ladestation für den Ladevorgang aus einem elektrischen Versorgungsnetz aufgenommen werden muss und die typischerweise dem Nutzer des Fahrzeugs in Rechnung gestellt wird, kann meist nicht von dem Fahrzeug ermittelt werden.
Das vorliegende Dokument befasst sich mit der technischen Aufgabe, ein Fahrzeug zu befähigen, in präziser und effizienter Weise die erforderliche Gesamtenergiemenge für einen Ladevorgang zu ermitteln. Die Aufgabe wird durch jeden der unabhängigen Ansprüche gelöst. Vorteilhafte Ausführungsformen werden u.a. in den abhängigen Ansprüchen beschrieben. Es wird darauf hingewiesen, dass zusätzliche Merkmale eines von einem unabhängigen Patentanspruch abhängigen Patentanspruchs ohne die Merkmale des unabhängigen Patentanspruchs oder nur in Kombination mit einer Teilmenge der Merkmale des unabhängigen Patentanspruchs eine eigene und von der Kombination sämtlicher Merkmale des unabhängigen Patentanspruchs unabhängige Erfindung bilden können, die zum Gegenstand eines unabhängigen Anspruchs, einer Teilungsanmeldung oder einer Nachanmeldung gemacht werden kann. Dies gilt in gleicher Weise für in der Beschreibung beschriebene technische Lehren, die eine von den Merkmalen der unabhängigen Patentansprüche unabhängige Erfindung bilden können.
Gemäß einem Aspekt wird eine Vorrichtung zur Ermittlung der Gesamtenergiemenge für einen Ladevorgang eines elektrischen Energiespeichers eines zumindest teilweise elektrisch angetriebenen Fahrzeugs an einer Ladestation beschrieben. Das Fahrzeug kann ein batterieelektrisches Fahrzeug (BEV), ein Plug-In Hybrid-Fahrzeug oder ein Fahrzeug mit einem Range-Extender sein. Die Ladestation kann ausgebildet sein, einen kabelgebundenen (AC- oder DC-) Ladevorgang oder einen induktiven Ladevorgang durchzuführen.
Die Vorrichtung kann eingerichtet sein, die Fahrzeug-Energiemenge an elektrischer Energie zu ermitteln, die von dem Fahrzeug für den Ladevorgang aufgenommen wird. Die Fahrzeug-Energiemenge kann dabei während des Ladevorgangs innerhalb des Fahrzeugs gemessen werden. Alternativ oder ergänzend kann die Fahrzeug-Energiemenge im Vorfeld zu dem Ladevorgang geschätzt werden. Insbesondere kann die Vorrichtung eingerichtet sein, die Fahrzeug-Energiemenge für den Ladevorgang während des Ladevorgangs auf Basis von Sensordaten einer Energie-Messeinheit des Fahrzeugs zu ermitteln. Alternativ oder ergänzend kann die Vorrichtung eingerichtet sein, die Fahrzeug- Energiemenge für den Ladevorgang vor Beginn des Ladevorgangs auf Basis des Ladezustands, insbesondere auf Basis des Ist-Ladezustands, des elektrischen Energiespeichers des Fahrzeugs und/oder auf Basis von ein oder mehreren aktuell vorhandenen Kundeneinstellungen zu ermitteln. Eine beispielhafte Kundeneinstellung ist der Ziel-Ladezustand des elektrischen Energiespeichers im Anschluss an den Ladevorgang. Insbesondere kann die Fahrzeug-Energiemenge für den Ladevorgang auf Basis der Differenz aus dem (voreingestellten) Ziel- Ladezustand (am Ende des Ladevorgangs) und dem (vorliegenden) Ist- Ladezustand des elektrischen Energiespeichers (zu Beginn des Ladevorgangs) ermittelt werden. Die Fahrzeug-Energiemenge kann dabei ggf. allein auf Basis der in dem Fahrzeug verfügbaren Information ermittelt werden.
Die Vorrichtung ist ferner eingerichtet, mittels einer im Vorfeld ermittelten Schätzeinheit auf Basis der Fahrzeug-Energiemenge die Gesamtenergiemenge zu schätzen, die von der Ladestation für den Ladevorgang aus einer elektrischen Versorgungsquelle (z.B. von einem elektrischen Versorgungsnetz) aufgenommen wird.
Die Schätzeinheit kann dabei einen im Vorfeld auf Basis von Trainingsdaten maschinell angelernten Schätzalgorithmus zur Schätzung der Gesamtenergiemenge für einen Ladevorgang auf Basis der von einem Fahrzeug aufgenommenen Fahrzeug-Energiemenge umfassen. Alternativ oder ergänzend kann die Schätzeinheit ein im Vorfeld auf Basis von Trainingsdaten maschinell angelerntes neuronales Netz zur Schätzung der Gesamtenergiemenge für einen Ladevorgang umfassen.
Die Schätzeinheit kann insbesondere eingerichtet sein, die Menge an elektrischer Verlustenergie zu schätzen, die während des Ladevorgangs an der Ladestation und/oder an einem Ladekabel zwischen der Ladestation und dem Fahrzeug (d.h. außerhalb des Fahrzeugs) verbraucht wird bzw. entsteht. Die Gesamtenergiemenge ergibt sich dann auf Basis der bzw. als die Summe aus der Fahrzeug-Energiemenge und der Menge an elektrischer Verlustenergie. Es wird somit eine Vorrichtung beschrieben, die es (insbesondere einem Fahrzeug) ermöglicht, allein auf Basis von Information, die im Fahrzeug verfügbar ist, die Gesamtenergiemenge für einen Ladevorgang zu schätzen (die auch zumindest einen Energieanteil umfasst, der außerhalb des Fahrzeugs entsteht bzw. der außerhalb des Fahrzeugs verbraucht wird). So können der Komfort für einen Nutzer des Fahrzeugs in Zusammenhang mit Ladevorgängen des Fahrzeugs (insbesondere in Bezug auf die Auswahl einer geeigneten Ladestation) und/oder die Energieeffizienz des Fahrzeugs (durch die Auswahl einer besonders energieeffizienten Ladestation für einen Ladevorgang) erhöht werden.
Die Schätzeinheit kann im Vorfeld (ggf. durch die Vorrichtung) angelernt worden sein. Zu diesem Zweck kann eine Vielzahl von Trainingsdatensätzen für eine entsprechende Vielzahl von (bereits durchgeführten) Ladevorgängen (d.h. Trainingsdaten) berücksichtigt werden. Der Trainingsdatensatz für einen bereits durchgeführten Ladevorgang kann dabei die tatsächliche Fahrzeug-Energiemenge und die tatsächliche Gesamtenergiemenge für den bereits durchgeführten Ladevorgang anzeigen. Ggf. kann der Trainingsdatensatz auch Ladestationsdaten und/oder Ladevorgangsdaten für den (bereits durchgeführten) Ladevorgang umfassen, um die Genauigkeit der Schätzung der Gesamtenergiemenge zu erhöhen (wie weiter unten dargelegt).
Die Schätzeinheit, insbesondere der Schätzalgorithmus und/oder das neuronale Netz, kann dann auf Basis der Vielzahl von Trainingsdatensätzen angelernt worden sein. Es kann somit eine maschinell angerlernte Schätzeinheit bereitgestellt werden. So kann die Schätzgüte der Schätzeinheit weiter erhöht werden.
Die Vorrichtung kann eingerichtet sein, Ladestationsdaten in Bezug auf die Ladestation zu ermitteln, an der der Ladevorgang zum Laden des elektrischen Energiespeichers des Fahrzeugs durchgeführt werden soll. Die Ladestationsdaten können dabei einen Identifikator zur Identifizierung der Ladestation aus einer Vielzahl von unterschiedlichen Ladestationen umfassen. Alternativ oder ergänzend können die Ladestationsdaten Positionsinformation in Bezug auf eine Position der Ladestation umfassen. Es können somit Ladestationsdaten bereitgestellt werden, die eine individuelle Identifizierung der Ladestation ermöglichen, an der der Ladevorgang durchgeführt werden soll bzw. durchgeführt wird. Die Schätzeinheit kann im Vorfeld für einzelne spezifische Ladestationen angelernt worden sein (und somit die jeweiligen Energieverluste in der jeweiligen Ladestation berücksichtigen). Die Gesamtenergiemenge kann dann in besonders präziser Weise auf Basis der Ladestationsdaten mittels der Schätzeinheit ermittelt werden.
Alternativ oder ergänzend können die Ladestationsdaten den Typ von Ladevorgang aus einer Mehrzahl von unterschiedlichen Typen von Ladevorgängen anzeigen, der an der Ladestation durchführbar ist bzw. der an der Ladestation durchgeführt wird. Die Mehrzahl von unterschiedlichen Typen von Ladevorgängen kann dabei einen DC-Ladevorgang, einen AC -Ladevorgang und/oder einen induktiven Ladevorgang umfassen. Es können somit Ladestationsdaten bereitgestellt werden, die den Typ von Ladevorgang anzeigen, der an der jeweiligen Ladestation durchführbar ist bzw. durchgeführt wird. Die Schätzeinheit kann im Vorfeld für einzelne spezifische Typen von Ladevorgängen angelernt worden sein (um die Energieverluste bei dem unterschiedlichen Typen von Ladevorgängen zu berücksichtigen). Die Gesamtenergiemenge kann dann in besonders präziser Weise auf Basis der Ladestationsdaten mittels der Schätzeinheit ermittelt werden.
Die Vorrichtung kann eingerichtet sein, Ladevorgangsdaten in Bezug auf den Ladevorgang zu ermitteln, der zum Laden des Energiespeichers des Fahrzeugs durchgeführt werden soll oder durchgeführt wird. Die Ladevorgangsdaten können dabei z.B. die (maximale oder die durchschnittliche) Ladeleistung für den Ladevorgang anzeigen. Die Schätzeinheit kann im Vorfeld für unterschiedliche Ladevorgangsdaten, insbesondere für unterschiedliche Ladeleistungen, angelernt worden sein (so dass die Energieverluste für die unterschiedlichen Ladeleistungen berücksichtigt werden können). Die Gesamtenergiemenge kann dann in besonders präziser Weise auf Basis der Ladevorgangsdaten mittels der Schätzeinheit ermittelt werden.
Die Vorrichtung kann eingerichtet sein, für eine Mehrzahl von unterschiedlichen Ladestationen (z.B. im Umfeld zu der aktuellen Position des Fahrzeugs) jeweils auf Basis der (ggf. anhand des Ladezustands des Energiespeichers ermittelten) Fahrzeug-Energiemenge die Gesamtenergiemenge eines Ladevorgangs an der jeweiligen Ladestation zu ermitteln. Es kann somit ermittelt werden, welche Gesamtenergiemenge zum Laden des elektrischen Energiespeichers an den unterschiedlichen Ladestationen benötigt wird. Dabei können sich die Gesamtenergiemengen der unterschiedlichen Ladestationen aufgrund der unterschiedlichen Energieeffizienz der einzelnen Ladestationen unterscheiden.
Die Vorrichtung kann ferner eingerichtet sein, Energieinformation in Bezug auf die ermittelten Gesamtenergiemengen für die Mehrzahl von unterschiedlichen Ladestationen an den Nutzer des Fahrzeugs auszugeben (z.B. über eine Benutzerschnittstelle des Fahrzeugs). Es kann dem Nutzer somit angezeigt werden, welche Gesamtenergiemengen zum Laden des Energiespeichers des Fahrzeugs an den unterschiedlichen Ladestationen benötigt werden. Dies ermöglicht es dem Nutzer, eine besonders energieeffiziente Ladestation für den Ladevorgang auszuwählen. So kann die Energieeffizienz des Fahrzeugs erhöht werden.
Gemäß einem weiteren Aspekt wird ein (Straßen-) Kraftfahrzeug (insbesondere ein Personenkraftwagen oder ein Lastkraftwagen oder ein Bus oder ein Motorrad) beschrieben, das die in diesem Dokument beschriebene Vorrichtung umfasst. Gemäß einem weiteren Aspekt wird ein Verfahren zur Ermittlung der Gesamtenergiemenge für einen Ladevorgang eines elektrischen Energiespeichers eines zumindest teilweise elektrisch angetriebenen Fahrzeugs an einer Ladestation beschrieben. Das Verfahren umfasst das Ermitteln der Fahrzeug-Energiemenge an elektrischer Energie, die von dem Fahrzeug für den Ladevorgang (zum Laden des elektrischen Energiespeichers) aufgenommen wird. Des Weiteren umfasst das Verfahren das Schätzen, mittels einer im Vorfeld ermittelten Schätzeinheit, auf Basis der Fahrzeug-Energiemenge der Gesamtenergiemenge, die von der Ladestation für den Ladevorgang aus einer elektrischen Versorgungsquelle (z.B. aus einem elektrischen Versorgungsnetz) aufgenommen wird.
Gemäß einem weiteren Aspekt wird ein Verfahren zum (maschinellen) Anlernen einer Schätzeinheit beschrieben, um die Schätzeinheit zu befähigen, auf Basis der Fahrzeug-Energiemenge an elektrischer Energie, die von einem Fahrzeug bei einem Ladevorgang an einer Ladestation aufgenommen wird, eine Gesamtenergiemenge zu schätzen, die von der Ladestation für den Ladevorgang aus einer elektrischen Versorgungsquelle aufgenommen wird.
Das Verfahren umfasst das Ermitteln einer Vielzahl von Trainingsdatensätzen für eine entsprechende Vielzahl von Ladevorgängen, wobei der Trainingsdatensatz für einen Ladevorgang die Fahrzeug-Energiemenge und die Gesamtenergiemenge für den Ladevorgang anzeigt. Des Weiteren umfasst das Verfahren das Anlernen der Schätzeinheit auf Basis der Vielzahl von Trainingsdatensätzen.
Gemäß einem weiteren Aspekt wird ein Software (SW) Programm beschrieben. Das SW Programm kann eingerichtet werden, um auf einem Prozessor (z.B. auf einem Steuergerät eines Fahrzeugs oder auf einem Fahrzeug-externen Server) ausgeführt zu werden, und um dadurch zumindest eines der in diesem Dokument beschriebenen Verfahren auszuführen. Gemäß einem weiteren Aspekt wird ein Speichermedium beschrieben. Das Speichermedium kann ein SW Programm umfassen, welches eingerichtet ist, um auf einem Prozessor ausgeführt zu werden, und um dadurch zumindest eines der in diesem Dokument beschriebenen Verfahren auszuführen.
Es ist zu beachten, dass die in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systeme sowohl alleine, als auch in Kombination mit anderen in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen verwendet werden können. Des Weiteren können jegliche Aspekte der in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen in vielfältiger Weise miteinander kombiniert werden. Insbesondere können die Merkmale der Ansprüche in vielfältiger Weise miteinander kombiniert werden.
Im Weiteren wird die Erfindung anhand von Ausführungsbeispielen näher beschrieben. Dabei zeigen
Figur 1 ein Blockdiagramm eines beispielhaften Ladesystems;
Figur 2a ein beispielhaftes neuronales Netz;
Figur 2b ein beispielhaftes Neuron;
Figur 2c eine beispielhafte Schätzeinheit;
Figur 3 eine beispielhafte bildliche Darstellung eines Straßennetzes mit unterschiedlichen Ladestationen;
Figur 4a ein Ablaufdiagramm eines beispielhaften Verfahrens zum Anlernen einer Schätzeinheit; und
Figur 4b ein Ablaufdiagramm eines beispielhaften Verfahrens zur Ermittlung der Gesamtenergiemenge für einen Ladevorgang.
Wie eingangs dargelegt, befasst sich das vorliegende Dokument damit, in effizienter und präziser Weise die Gesamtenergiemenge für einen Ladevorgang eines elektrischen Energiespeichers eines Fahrzeugs zu ermitteln. In diesem Zusammenhang zeigt Fig. 1 ein Blockdiagram eines beispielhaften Ladesystems mit einer Ladestation 110 und einem Fahrzeug 100. Das Fahrzeug 100 umfasst einen elektrischen Energiespeicher (nicht dargestellt), der mit elektrischer Energie aus der Ladestation 110 aufgeladen werden kann. Das Fahrzeug 100 umfasst eine Ladedose 101 (allgemein als Lade-Schnittstelle bezeichnet), an der ein entsprechender (Lade-) Stecker 111 eines Ladekabels 112 angesteckt werden kann. Die Ladedose 101 und der Stecker 111 bilden typischerweise ein Stecksystem. Das Ladekabel 112 kann fest mit der Ladestation 110 verbunden sein (wie dargestellt). Andererseits kann das Ladekabel 112 über eine Steckverbindung mit der Ladestation 110 verbunden sein (z.B. beim AC -Laden).
Das Fahrzeug 100 kann eine Fahrzeug-Messeinheit 105 umfassen, die eingerichtet ist, Fahrzeug-Energiedaten in Bezug auf die (Fahrzeug-) Energiemenge zu erfassen, die im Rahmen eines Ladevorgangs von dem Fahrzeug 100, insbesondere über die Ladedose 101, aufgenommen wird. Des Weiteren kann die Ladestation 110 eine Ladestation-Messeinheit 115 umfassen, die eingerichtet ist, Ladestation-Energiedaten in Bezug auf die (Gesamt-) Energiemenge zu erfassen, die im Rahmen des Ladevorgangs von der Ladestation 110 (aus einem elektrischen Versorgungsnetz) aufgenommen wird.
Eine Auswerte-Vorrichtung 106 des Fahrzeugs 100 kann eingerichtet sein, auf Basis der Fahrzeug-Energiedaten die Fahrzeug-Energiemenge zu ermitteln, die von dem Fahrzeug 100 während eines Ladevorgangs aufgenommen wurde. Basierend darauf können dann z.B. die Kosten für den Ladevorgang berechnet werden. Die Fahrzeug-Energiedaten berücksichtigen jedoch nicht die Energieverluste, die auf dem Ladekabel 112 und/oder in der Ladestation 110 vorliegen, und die typischerweise zu einer gegenüber der Fahrzeug-Energiemenge erhöhten Gesamtenergiemenge für den Ladevorgang führen. Von der Ladestation 110 wird typischerweise die Gesamtenergiemenge für den Ladevorgang in Rechnung gestellt, so dass die von der Vorrichtung 106 auf Basis der Fahrzeug- Energiedaten ermittelten Kosten für den Ladevorgang typischerweise geringer sind als die tatsächlich in Rechnung gestellten Kosten. Es ist somit für die Vorrichtung 106 eines Fahrzeugs 100 nicht möglich, die Gesamtenergiemenge für einen Ladevorgang und somit die Kosten für einen Ladevorgang in präziser Weise zu schätzen bzw. zu prognostizieren. Dies kann z.B. dazu führen, dass von dem Nutzer des Fahrzeugs 100 eine Ladestation 110 für einen Ladevorgang ausgesucht wird, die relativ hohe Energieverluste und somit relativ hohe Gesamtkosten aufweist, im Vergleich zu einer anderen Ladestation 110.
Um auch (ggf. allein) auf Basis der Fahrzeug-Energiedaten in Bezug auf die von dem Fahrzeug 100 aufgenommenen Fahrzeug-Energiemenge eine präzise Abschätzung der Gesamtenergiemenge für einen Ladevorgang zu ermöglichen, kann, wie beispielhaft in Fig. 2c dargestellt, eine Schätzeinheit 250 bereitgestellt, insbesondere angelernt, werden, die eingerichtet ist, auf Basis der Fahrzeug- Energiemenge 251 die Gesamtenergiemenge 255 für einen Ladevorgang zu ermitteln bzw. zu schätzen. Die Schätzeinheit 250 kann somit eingerichtet ist, die Energieverluste einer Ladestation 110 (inkl. der Energieverluste für die Übertragung an das Fahrzeug 100) bei einem Ladevorgang abzuschätzen bzw. zu prognostizieren.
Die Schätzeinheit 250 kann dabei eingerichtet sein, die Gesamtenergiemenge 255 spezifisch für einzelne Ladestationen 110 bzw. für unterschiedliche Typen von Ladestationen 110 bzw. für unterschiedliche Typen von Ladevorgängen (z.B. eine Ladestation 110 für AC -Laden, eine Ladestation 110 für DC-Laden, eine Ladestation 110 für induktives Laden, etc.) zu ermitteln. Die Schätzeinheit 250 kann zu diesem Zweck Ladestationsdaten 252 berücksichtigen,
• durch die eine spezifische Ladestation 110 in einem Netz von Ladestationen 110 identifiziert wird; und/oder
• durch die ein bestimmter Typ von Ladestation 110 bzw. ein bestimmter Typ von Ladevorgang aus einer Mehrzahl von unterschiedlichen Typen von Ladestationen 110 bzw. Ladevorgängen identifiziert wird. Alternativ oder ergänzend können auch Ladevorgangsdaten in Bezug auf die Ladeleistung bei einem Ladevorgang berücksichtigt werden.
Die Schätzeinheit 250 kann auf Basis einer Vielzahl von Trainingsdatensätzen für eine entsprechende Vielzahl von (tatsächlich durchgeführten) Ladevorgängen angelernt werden. Ein Trainingsdatensatz für einen Ladevorgang kann dabei anzeigen:
• die durch die Fahrzeug-Messeinheit 105 ermittelte Fahrzeug- Energiemenge 251 für den Ladevorgang;
• ggf. Ladestationsdaten 252 für die Ladestation 110, an der der Ladevorgang durchgeführt wurde, und/oder für den Typ von Ladevorgang, der durchgeführt wurde;
• ggf. Ladevorgangsdaten in Bezug auf die Ladeleistung bei dem jeweiligen Ladevorgang; und
• die durch die Ladestations-Messeinheit 115 ermittelte Gesamtenergiemenge 255 für den Ladevorgang.
Die Schätzeinheit 250 kann ggf. ein oder mehrere analytische Funktionen mit einer Mehrzahl von Funktionsparametem umfassen. Im Rahmen eines Anlernverfahrens können die Funktionsparameter auf Basis der Vielzahl von Trainingsdatensätzen angelernt bzw. ermittelt werden (z.B. so dass ein bestimmtes Fehlerkriterium reduziert, insbesondere minimiert, wird).
Alternativ oder ergänzend kann die Schätzeinheit 250 ein neuronales Netzes 200 umfassen (wie beispielhaft in den Figuren 2a und 2c) dargestellt. Die einzelnen Neuron-Parameter 222, 227 des neuronalen Netzes 200 können auf Basis der Vielzahl von Trainingsdatensätzen angelernt werden.
Figuren 2a und 2b zeigen beispielhafte Komponenten eines neuronalen Netzes 200, insbesondere eines Feedforward-Netzes. Das Netz 200 umfasst in dem dargestellten Beispiel zwei Eingangs-Neuronen bzw. Eingabe-Knoten 202, die zu einem bestimmten Zeitpunkt t jeweils einen aktuellen Wert einer Eingangsgröße als Eingangswert 201 aufnehmen. Die ein oder mehreren Eingangs-Knoten 202 sind Teil einer Eingangs-Schicht 211. Beispielhafte Eingangsgrößen sind die Fahrzeug-Energiemenge 251 und ggf. die Ladestationsdaten 252 und ggf. die Ladevorgangsdaten für einen Ladevorgang.
Das neuronale Netz 200 umfasst ferner Neuronen 220 in ein oder mehreren verdeckten Schichten 212 des neuronalen Netzes 200. Jedes der Neuronen 220 kann als Eingangswerte die einzelnen Ausgangswerte der Neuronen der vorhergehenden Schicht 212, 211 aufweisen (oder zumindest einen Teil davon). In jedem der Neuronen 220 erfolgt eine Verarbeitung, um in Abhängigkeit von den Eingangswerten einen Ausgangswert des Neurons 220 zu ermitteln. Die Ausgangswerte der Neuronen 220 der letzten verdeckten Schicht 212 können in einem Ausgangs-Neuron bzw. Ausgabe-Knoten 220 einer Ausgangs-Schicht 213 verarbeitet werden, um die ein oder mehreren Ausgangswerte 203 des neuronalen Netzes 200 zu ermitteln. In dem vorliegenden Beispiel kann als Ausgangswert 203 der Wert der Gesamtenergiemenge 255 für einen Ladevorgang ermittelt und bereitgestellt werden.
Fig. 2b veranschaulicht die beispielhafte Signalverarbeitung innerhalb eines Neurons 220, insbesondere innerhalb der Neuronen 202 der ein oder mehreren verdeckten Schichten 212 und/oder der Ausgangs-Schicht 213. Die Eingangswerte 221 des Neurons 220 werden mit individuellen Gewichten 222 gewichtet, um in einer Summeneinheit 223 eine gewichtete Summe 224 der Eingangswerte 221 zu ermitteln (ggf. unter Berücksichtigung eines Bias bzw. Offsets 227). Durch eine Aktivierungsfunktion 225 kann die gewichtete Summe 224 auf einen Ausgangswert 226 des Neurons 220 abgebildet werden. Dabei kann durch die Aktivierungsfunktion 225 z.B. eine Begrenzung des Wertebereichs erfolgen. Für ein Neuron 220 kann z.B. eine Sigmoid-Funktion oder eine Tangens hyperbolicus (tanh)-Funktion oder eine Rectified Linear Unit (ReLU), z.B. f(x) = max(0, x) als Aktivierungsfunktion 225 verwendet werden. Ggf. kann der Wert der gewichteten Summe 224 mit einem Offset 227 verschoben werden.
Ein Neuron 220 weist somit Gewichte 222 und/oder ggf. einen Offset 227 als Neuron-Parameter auf. Die Neuron-Parameter der Neuronen 220 eines neuronalen Netzes 200 können in einer Trainingsphase (anhand der Vielzahl von Trainingsdatensätzen) angelernt werden, um zu bewirken, dass das neuronale Netz 200 eine bestimmte Funktion approximiert und/oder ein bestimmtes Verhalten modelliert, insbesondere um in präziser Weise die Gesamtenergiemenge 255 für einen Ladevorgang zu schätzen.
Das Anlernen eines neuronalen Netzes 200 kann z.B. anhand des Backpropagation-Algorithmus erfolgen. Zu diesem Zweck können in einer ersten Phase einer qten Epoche eines Lernalgorithmus für die Eingangswerte 201 an den ein oder mehreren Eingangs-Knoten 202 des neuronalen Netzes 200 entsprechende Ausgangswerte 203 an dem Ausgang der ein oder mehreren Ausgangs-Neuronen 220 ermittelt werden. Auf Basis der Ausgangswerte 203 kann der Fehlerwert einer Optimierungs- bzw. Fehlerfunkti on ermittelt werden.
In einer zweiten Phase der qten Epoche des Lemalgorithmus erfolgt eine Rückpropagation des Fehlers bzw. des Fehlerwertes von dem Ausgang zum Eingang des neuronalen Netzes, um schichtweise die Neuron-Parameter der Neuronen 220 zu verändern. Dabei kann die ermittelte Fehlerfunktion am Ausgang partiell nach jedem einzelnen Neuron-Parameter des neuronalen Netzes 200 abgeleitet werden, um ein Ausmaß und/oder eine Richtung zur Anpassung der einzelnen Neuron-Parameter zu ermitteln. Dieser Lernalgorithmus kann iterativ für eine Vielzahl von Epochen wiederholt werden, bis ein vordefiniertes Konvergenz- und/oder Abbruchkriterium erreicht wird.
Die Vorrichtung 106 des Fahrzeugs 100 kann somit eingerichtet sein, die Fahrzeug-Energiemenge 251 für einen Ladevorgang zu ermitteln. Die Fahrzeug- Energiemenge 251 kann z.B. auf Basis des aktuellen Ladezustands des Energiespeichers des Fahrzeugs 100 ermittelt werden (für einen geplanten, vorausliegenden, Ladevorgang). Alternativ oder ergänzend kann die Fahrzeug- Energiemenge 251 auf Basis der Fahrzeug-Energiedaten der Fahrzeug- Messeinheit 105 ermittelt werden (für einen laufenden bzw. für einen bereits durchgeführten Ladevorgang).
Die Vorrichtung 106 kann ferner eingerichtet sein, anhand der im Vorfeld angelernten Schätzeinheit 250 auf Basis der Fahrzeug-Energiemenge 251 und ggf. unter Berücksichtigung von Ladestationsdaten 252 in Bezug auf die Ladestation 110, an der der Ladevorgang durchgeführt wird oder durchgeführt werden soll, und ggf. unter Berücksichtigung von Ladevorgangsdaten für den Ladevorgang die Gesamtenergiemenge 255 für den Ladevorgang zu ermitteln. Die Gesamtenergiemenge 255 kann dann ggf. mit einem Kostenwert für eine Mengeneinheit der elektrischen Energie (z.B. für eine kWh) multipliziert werden, um die Gesamtkosten des Ladevorgangs zu ermitteln bzw. zu prognostizieren.
Die o.g. Funktionalität kann z.B. im Vorfeld zu einem geplanten Ladevorgang dazu genutzt werden, um dem Nutzer eines Fahrzeugs 100 eine geeignete Ladestation 110 für den Ladevorgang vorzuschlagen. Fig. 3 zeigt eine beispielhafte bildliche Darstellung 300 eines Straßennetzes 301, auf dem das Fahrzeug 100 fährt. Die bildliche Darstellung 300 kann z.B. auf einem Bildschirm des Fahrzeugs 100 (z.B. als Teil eines Navigationssystems des Fahrzeugs 100) dargestellt werden. In der bildlichen Darstellung 300 können ein oder mehrere Ladestationen 110 im Umfeld des Fahrzeugs 100 dargestellt werden. Des Weiteren kann Energieinformation 305 für die einzelnen Ladestationen 110 angezeigt werden, wobei die Energieinformation 305 z.B. die Gesamtenergiemenge 255 und/oder die Gesamtkosten anzeigt, die der Ladevorgang in den einzelnen Ladestationen 110 verursachen wird. Dem Nutzer des Fahrzeugs 100 wird es somit ermöglicht, in komfortabler Weise eine geeignete Ladestation 110, z.B. die Ladestation 110 mit der geringsten Gesamtenergiemenge 255, für den Ladevorgang auszuwählen. So können der Komfort für den Nutzer und die Energieeffizienz des Fahrzeugs 100 erhöht werden.
Auf Basis mehrerer Ladevorgänge und der damit verbundenen Aufzeichnung der Daten 251 [E Fahrzeug] durch den Messpunkt 105 der Ladedose 101 an ein oder mehreren Fahrzeugen 110 und der Daten 255 [E Gesamt] der Ladestation kann (als Teil der Schätzeinheit 250) ein Regressionsalgorithmus aus dem Bereich des maschinellen Lernens bereitgestellt bzw. angelernt werden. Dieser Algorithmus kann eingerichtet sein, auf Basis von Fahrzeugdaten 251 und ggf. auf Basis von Daten 252 der Ladestation 110 und ggf. auf Basis von Ladevorgangsdaten die Gesamtenergiemenge 255 für einen Ladevorgang zu berechnen. Da die Verluste des Ladekabels 112 und der Ladestation 110 typischerweise abhängig von ein oder mehreren Einflussfaktoren sind, sind Inputs für den Algorithmus typischerweise die Energiemenge 251 des Fahrzeugs [E Fahrzeug] ein oder mehrere weitere Einflussfaktoren wie z.B. das Ladeverfahren (AC, DC) oder ein oder mehrere Einstellungen (z.B. maximaler Ladestrom) oder ein oder mehrere hardwareseitige Einflüsse (z.B. ein Modell des Ladekabels 112). Die ein oder mehreren weiteren Einflussfaktoren können als Ladestationsdaten 252 und/oder als Ladevorgangsdaten im Rahmen der Ermittlung der Gesamtenergiemenge 255 berücksichtigt werden.
Mit Hilfe des Regressionsalgorithmus (d.h. anhand der Schätzeinheit 250) können die Verluste des Ladekabels 112 und der Ladestation 110 für individuelle Ladestationen 110 und/oder für individuelle Ladevorgänge ermittelt werden. Dadurch kann einem Nutzer bereits vor Ladebeginn eine präzise Energie- und/oder Kostenprognose bereitgestellt werden. Die Fahrzeug-Energiemenge 251, welche das Fahrzeug 100 während des Ladevorgangs lädt, ist dem Fahrzeug 100, insbesondere aufgrund von ein oder mehreren Einstellungen des Nutzers, bekannt. Zu dieser Fahrzeug-Energiemenge 251 können die Verluste des Ladekabels 112 und der Ladestation 110 addiert werden, um die Gesamtenergiekosten 255 zu ermitteln. Durch Multiplizieren der Gesamtenergiemenge 255 mit dem Preis einer Energieeinheit [€/kWh] können die Gesamtkosten für den Ladevorgang ermittelt werden.
Fig. 4a zeigt ein Ablaufdiagramm eines beispielhaften (ggf. Computerimplementierten) Verfahrens 400 zum Anlernen einer Schätzeinheit 250, um die Schätzeinheit 250 zu befähigen, auf Basis einer Fahrzeug-Energiemenge 251 an elektrischer Energie, die von einem Fahrzeug 100 bei einem Ladevorgang an einer Ladestation 110 aufgenommen wird, die Gesamtenergiemenge 255 zu schätzen, die von der Ladestation 110 für den Ladevorgang aus einer elektrischen Versorgungsquelle (z.B. aus einem Stromversorgungsnetz) aufgenommen wird. Das Verfahren 400 kann von einem (Fahrzeug-externen) Server ausgeführt werden.
Das Verfahren 400 umfasst das Ermitteln 401 einer Vielzahl von Trainingsdatensätzen für eine entsprechende Vielzahl von (tatsächlich durchgeführten) Ladevorgängen. Der Trainingsdatensatz für einen (tatsächlich durchgeführten) Ladevorgang kann dabei die (tatsächliche) Fahrzeug- Energiemenge 251 und die (tatsächliche) Gesamtenergiemenge 255 für den (tatsächlich durchgeführten) Ladevorgang anzeigen. Es können somit Trainingsdaten bereitgestellt werden, die für eine Vielzahl von Ladevorgängen jeweils die tatsächlich von einem Fahrzeug 100 aufgenommene Fahrzeug- Energiemenge 251 und die tatsächlich von dem Ladestation 110 aufgenommene Gesamtenergiemeng 255 anzeigen. Ferner können die einzelnen Trainingsdatensätze Ladestationsdaten 252 umfassen, die es ermöglichen, die einzelnen Ladestationen 110 und/oder den Typ von Ladevorgang an den einzelnen Ladestationen 110 zu identifizieren. Ferner können die einzelnen Trainingsdatensätze Ladevorgangsdaten umfassen, aus denen z.B. die (maximale) Ladeleistung der einzelnen (tatsächlich durchgeführten) Ladevorgänge hervorgeht.
Das Verfahren 400 umfasst ferner das Anlernen 402 der Schätzeinheit 250 auf Basis der Vielzahl von Trainingsdatensätzen. Insbesondere können eine analytische Funktion und/oder ein neuronales Netz 200 auf Basis der Trainingsdaten angelernt werden. Durch das maschinelle Anlemen einer Schätzeinheit 250 kann eine robuste, zuverlässige und effiziente Schätzung der Energieverluste der einzelnen Ladestationen 110 bei Ladevorgängen ermöglicht werden.
Fig. 4b zeigt ein Ablaufdiagramm eines beispielhaften (ggf. Computerimplementierten) Verfahrens 410 zur Ermittlung der Gesamtenergiemenge 255 für einen Ladevorgang eines elektrischen Energiespeichers eines zumindest teilweise elektrisch angetriebenen Fahrzeugs 100 an einer Ladestation 110. Das Verfahren 410 kann durch eine Vorrichtung 106 des Fahrzeugs 100 ausgeführt werden.
Das Verfahren 410 umfasst das Ermitteln 411 der Fahrzeug-Energiemenge 251 (d.h. die Menge an elektrischer Energie), die von dem Fahrzeug 100 für den Ladevorgang aufgenommen wird. Die Fahrzeug-Energiemenge 251 kann dabei die Menge an elektrischer Energie anzeigen, die von dem Fahrzeug 100, z.B. an der Ladedose 101 des Fahrzeugs 100, aufgenommen wird.
Des Weiteren umfasst das Verfahren 410 das Schätzen 412, mittels einer im Vorfeld ermittelten bzw. (maschinell) angelernten Schätzeinheit 250, auf Basis der Fahrzeug-Energiemenge 251 der Gesamtenergiemenge 255, die von der Ladestation 110 für den Ladevorgang aus einer elektrischen Versorgungsquelle aufgenommen wird. Die Gesamtenergiemenge 255 umfasst dabei neben der Fahrzeug-Energiemenge 251 auch etwaige Energieverluste innerhalb der Ladestation 110 und/oder auf dem Ladekabel 112 zwischen der Ladestation 110 und dem Fahrzeug 100. Durch die in diesem Dokument beschriebenen Maßnahmen kann die Gesamtenergiemenge für Ladevorgänge eines Fahrzeugs 100 in effizienter und präziser Weise ermittelt werden. So können der Komfort für einen Nutzer des Fahrzeugs 100 und die Energieeffizienz des Fahrzeugs 100 erhöht werden.
Die vorliegende Erfindung ist nicht auf die gezeigten Ausführungsbeispiele beschränkt. Insbesondere ist zu beachten, dass die Beschreibung und die Figuren nur das Prinzip der vorgeschlagenen Verfahren, Vorrichtungen und Systeme veranschaulichen sollen.

Claims

Ansprüche
1) Vorrichtung (106) zur Ermittlung der Gesamtenergiemenge (255) für einen Ladevorgang eines elektrischen Energiespeichers eines zumindest teilweise elektrisch angetriebenen Fahrzeugs (100) an einer Ladestation (110); wobei die Vorrichtung (106) eingerichtet ist,
- eine Fahrzeug-Energiemenge (251) an elektrischer Energie zu ermitteln, die von dem Fahrzeug (100) für den Ladevorgang aufgenommen wird; und
- mittels einer im Vorfeld ermittelten Schätzeinheit (250) auf Basis der Fahrzeug-Energiemenge (251) die Gesamtenergiemenge (255) zu schätzen, die von der Ladestation (110) für den Ladevorgang aus einer elektrischen Versorgungsquelle aufgenommen wird.
2) Vorrichtung (106) gemäß Anspruch 1, wobei die Vorrichtung (106) eingerichtet ist,
- Ladestationsdaten (252) in Bezug auf die Ladestation (110) zu ermitteln; und
- auch auf Basis der Ladestationsdaten (252) mittels der Schätzeinheit (250) die Gesamtenergiemenge (255) zu ermitteln.
3) Vorrichtung (106) gemäß Anspruch 2, wobei die Ladestationsdaten (252) umfassen,
- einen Identifikator zur Identifizierung der Ladestation (110) aus einer Vielzahl von unterschiedlichen Ladestationen (110); und/oder
- Positionsinformation in Bezug auf eine Position der Ladestation (110).
4) Vorrichtung (106) gemäß einem der Ansprüche 2 bis 3, wobei
- die Ladestationsdaten (252) einen Typ von Ladevorgang aus einer Mehrzahl von unterschiedlichen Typen von Ladevorgängen anzeigt, der an der Ladestation (110) durchführbar ist; und - die Mehrzahl von unterschiedlichen Typen von Ladevorgängen umfasst,
- einen DC-Ladevorgang;
- einen AC -Ladevorgang; und/oder
- einen induktiven Ladevorgang. ) Vorrichtung (106) gemäß einem der vorhergehenden Ansprüche, wobei die Vorrichtung (106) eingerichtet ist,
- Ladevorgangsdaten in Bezug auf den Ladevorgang zu ermitteln; wobei die Ladevorgangsdaten insbesondere eine Ladeleistung für den Ladevorgang anzeigen; und
- auch auf Basis der Ladevorgangsdaten mittels der Schätzeinheit (250) die Gesamtenergiemenge (255) zu ermitteln. ) Vorrichtung (106) gemäß einem der vorhergehenden Ansprüche, wobei die Schätzeinheit (250) eingerichtet ist, eine Menge an elektrischer Verlustenergie zu schätzen, die während des Ladevorgangs an der Ladestation (110) und/oder an einem Ladekabel (112) zwischen der Ladestation (110) und dem Fahrzeug (100) verbraucht wird. ) Vorrichtung (106) gemäß einem der vorhergehenden Ansprüche, wobei
- die Schätzeinheit (250) einen im Vorfeld auf Basis von Trainingsdaten maschinell angelernten Schätzalgorithmus zur Schätzung der Gesamtenergiemenge (255) für einen Ladevorgang auf Basis der von einem Fahrzeug (100) aufgenommenen Fahrzeug-Energiemenge (251) umfasst; und/oder
- die Schätzeinheit (250) ein im Vorfeld auf Basis von Trainingsdaten maschinell angelerntes neuronales Netz (200) zur Schätzung der Gesamtenergiemenge (255) für einen Ladevorgang umfasst. ) Vorrichtung (106) gemäß einem der vorhergehenden Ansprüche, wobei die Vorrichtung (106) eingerichtet ist,
- die Fahrzeug-Energiemenge (251) für den Ladevorgang während des Ladevorgangs auf Basis von Sensordaten einer Energie-Messeinheit (105) des Fahrzeugs (100) zu ermitteln; und/oder
- die Fahrzeug-Energiemenge (251) für den Ladevorgang vor Beginn des Ladevorgangs auf Basis eines Ladezustands des elektrischen Energiespeichers des Fahrzeugs (100) zu ermitteln. ) Vorrichtung (106) gemäß einem der vorhergehenden Ansprüche, wobei die Vorrichtung (106) eingerichtet ist,
- für eine Mehrzahl von unterschiedlichen Ladestationen (110) jeweils auf Basis der Fahrzeug-Energiemenge (251) die Gesamtenergiemenge (255) eines Ladevorgangs an der jeweiligen Ladestation (110) zu ermitteln; und
- Energieinformation (305) in Bezug auf die ermittelten Gesamtenergiemengen (255) für die Mehrzahl von unterschiedlichen Ladestationen (110) an einen Nutzer des Fahrzeugs (100) auszugeben. 0) Vorrichtung (106) gemäß einem der vorhergehenden Ansprüche, wobei die Vorrichtung (106) eingerichtet ist,
- eine Vielzahl von Trainingsdatensätzen für eine entsprechende Vielzahl von Ladevorgängen zu ermitteln; wobei der Trainingsdatensatz für einen Ladevorgang die Fahrzeug-Energiemenge (251) und die Gesamtenergiemenge (255) für den Ladevorgang anzeigt; und
- die Schätzeinheit (250) auf Basis der Vielzahl von Trainingsdatensätzen anzulemen. 1) Verfahren (410) zur Ermittlung der Gesamtenergiemenge (255) für einen Ladevorgang eines elektrischen Energiespeichers eines zumindest teilweise - 22 - elektrisch angetriebenen Fahrzeugs (100) an einer Ladestation (110); wobei das Verfahren (410) umfasst,
- Ermitteln (411) einer Fahrzeug-Energiemenge (251) an elektrischer Energie, die von dem Fahrzeug (100) für den Ladevorgang aufgenommen wird; und
- Schätzen (412), mittels einer im Vorfeld ermittelten Schätzeinheit
(250), auf Basis der Fahrzeug-Energiemenge (251) der Gesamtenergiemenge (255), die von der Ladestation (110) für den Ladevorgang aus einer elektrischen Versorgungsquelle aufgenommen wird. ) Verfahren (400) zum Anlernen einer Schätzeinheit (250), um die Schätzeinheit (250) zu befähigen, auf Basis einer Fahrzeug-Energiemenge (251) an elektrischer Energie, die von einem Fahrzeug (100) bei einem Ladevorgang an einer Ladestation (110) aufgenommen wird, eine Gesamtenergiemenge (255) zu schätzen, die von der Ladestation (110) für den Ladevorgang aus einer elektrischen Versorgungsquelle aufgenommen wird; wobei das Verfahren (400) umfasst,
- Ermitteln (401) einer Vielzahl von Trainingsdatensätzen für eine entsprechende Vielzahl von Ladevorgängen; wobei der Trainingsdatensatz für einen Ladevorgang die Fahrzeug-Energiemenge
(251) und die Gesamtenergiemenge (255) für den Ladevorgang anzeigt; und
- Anlernen (402) der Schätzeinheit (250) auf Basis der Vielzahl von Trainingsdatensätzen.
PCT/EP2021/072617 2020-08-27 2021-08-13 Vorrichtung und verfahren zur ermittlung der gesamtenergiemenge für einen ladevorgang WO2022043100A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202180056816.4A CN116034047A (zh) 2020-08-27 2021-08-13 用于求取充电过程的总能量额的装置和方法
US18/023,213 US20230302938A1 (en) 2020-08-27 2021-08-13 Device and Method for Determining the Overall Amount of Energy for a Charging Process

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020122426.5A DE102020122426A1 (de) 2020-08-27 2020-08-27 Vorrichtung und Verfahren zur Ermittlung der Gesamtenergiemenge für einen Ladevorgang
DE102020122426.5 2020-08-27

Publications (1)

Publication Number Publication Date
WO2022043100A1 true WO2022043100A1 (de) 2022-03-03

Family

ID=77465993

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/072617 WO2022043100A1 (de) 2020-08-27 2021-08-13 Vorrichtung und verfahren zur ermittlung der gesamtenergiemenge für einen ladevorgang

Country Status (4)

Country Link
US (1) US20230302938A1 (de)
CN (1) CN116034047A (de)
DE (1) DE102020122426A1 (de)
WO (1) WO2022043100A1 (de)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013188032A (ja) * 2012-03-08 2013-09-19 Fujitsu Ltd 電力算出装置、電力算出プログラムおよび電力算出方法
CN107323284A (zh) * 2017-06-28 2017-11-07 北京智充科技有限公司 一种电动汽车充电计费方法
JP6456153B2 (ja) * 2015-01-16 2019-01-23 三菱電機株式会社 電力制御装置、充放電制御方法およびプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013188032A (ja) * 2012-03-08 2013-09-19 Fujitsu Ltd 電力算出装置、電力算出プログラムおよび電力算出方法
JP6456153B2 (ja) * 2015-01-16 2019-01-23 三菱電機株式会社 電力制御装置、充放電制御方法およびプログラム
CN107323284A (zh) * 2017-06-28 2017-11-07 北京智充科技有限公司 一种电动汽车充电计费方法

Also Published As

Publication number Publication date
DE102020122426A1 (de) 2022-03-03
US20230302938A1 (en) 2023-09-28
CN116034047A (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
DE102013208046B4 (de) Schätzvorrichtung für einen Batterieladezustand, die einen robusten H∞-Beobachter verwendet
DE69423261T2 (de) System zum Anzeigen verbleibender Batteriekapazität
DE102008017556A1 (de) Lade-/Entladesteuervorrichtung für ein Hybridfahrzeug sowie Steuerprogrammvorrichtung hierfür
DE102014222059A1 (de) In der raumdomäne optimale elektro- und hybrid-elektrofahrzeugsteuerung mit wegvorausberechnung
DE102017201226A1 (de) Verfahren zum Betrieb eines Datenauswertungssystems für Kraftfahrzeugfunktionen und Datenauswertungssystem
WO2017182146A1 (de) Ladesystem und verfahren zum betreiben eines ladesystems
DE102020108365A1 (de) Verfahren und Vorrichtung zur Ermittlung von Lebensdauerinformation für einen elektrischen Energiespeicher
EP3974246A1 (de) Verfahren und vorrichtung zur robusten vorhersage des alterungsverhaltens eines energiespeichers in einer batteriebetriebenen maschine
DE102022208932A1 (de) Verfahren und Vorrichtung zur prädiktiven Diagnose einer Gerätebatterie eines technischen Geräts mithilfe eines Transformer-Modells
DE102020107001A1 (de) Verfahren und Vorrichtung zur Ermittlung des Zustands eines elektrischen Bordnetzes eines Fahrzeugs
DE102022200008A1 (de) Verfahren und System zum effizienten Überwachen von Batteriezellen einer Gerätebatterie in einer geräteexternen Zentraleinheit mithilfe eines digitalen Zwillings
DE102020125401A1 (de) System und verfahren des ermittelns einer fahrzeugbatterieladezeit unter verwendung von massendaten
WO2022043100A1 (de) Vorrichtung und verfahren zur ermittlung der gesamtenergiemenge für einen ladevorgang
DE102020212293A1 (de) Verfahren und Vorrichtung zur Ladezustandsbestimmung einer Batterie in einer batteriebetriebenen Maschine
DE102020212280A1 (de) Verfahren und Vorrichtung zum Trainieren eines auf künstlicher Intelligenz-basierendem Zustandsmodells zum Ermitteln einer Zustandsgröße eines elektrischen Energiespeichers
DE102015115097A1 (de) Vorhersage der Entfernung bis zur Aufladung für Fahrzeuge
DE102017200548A1 (de) Verfahren zur Ermittlung einer aktuellen Kennlinie für einen ein Kraftfahrzeug versorgenden elektrochemischen Energiespeicher, Kraftfahrzeug und Server
DE102013218870A1 (de) Fahrzeugsteuervorrichtung
DE102022208930A1 (de) Verfahren und Vorrichtung zum initialen Bereitstellen eines Alterungszustandsmodells für Energiespeicher auf Basis von Active Learning Algorithmen und zeitdiskontierter Informations-Bewertung
DE102018113694A1 (de) Verfahren und System zu einer Ladeprofilbereitstellung
EP4380818A1 (de) Anpassen von ladevorgängen von elektrofahrzeugen
DE102016206538A1 (de) Verfahren zum Bestimmen eines Ladezustands einer Batterie für ein Kraftfahrzeug, Vorrichtung sowie Kraftfahrzeug
DE102022203343A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Erkennen einer Anomalie eines elektrischen Energiespeichers für ein Gerät mithilfe von maschinellen Lernverfahren
DE102017222217A1 (de) Verfahren zum Laden einer Batterie, Auswerteeinheit eines Stromnetzes und Automobil
DE102021122094A1 (de) Verfahren zum Betrieb eines Kraftfahrzeugs

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21759083

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21759083

Country of ref document: EP

Kind code of ref document: A1