WO2023222372A1

WO2023222372A1 - Verfahren zur planung von ladevorgängen für ein fahrzeug und fahrzeug

Info

Publication number: WO2023222372A1
Application number: PCT/EP2023/061539
Authority: WO
Inventors: Karl Schwenk
Original assignee: Mercedes-Benz Group AG
Priority date: 2022-05-17
Filing date: 2023-05-02
Publication date: 2023-11-23
Also published as: DE102022001721B3

Abstract

Die Erfindung betrifft ein Verfahren zur Planung von Ladevorgängen für ein Fahrzeug mit einem zumindest teilelektrifizierten Antriebsstrang, wobei im vergangenen Nutzungsverhalten des Fahrzeugs historische Fahrten und Abstellvorgänge identifiziert werden, aus denen für einen Prognosezeitraum jeweils mit einer individuellen Eintrittswahrscheinlichkeit behaftete prognostizierte Fahrten und Abstellvorgänge ermittelt werden, welche zu einer Transitionskette (1) verknüpft werden und für die jeweils ein prognostizierter Energieverbrauch ermittelt wird, und wobei unter Berücksichtigung der Transitionskette (1) und Randbedingungen ein Ladezeitplan bestimmt wird. Das erfindungsgemäße Verfahren ist gekennzeichnet durch die folgenden Verfahrensschritte: - Einlesen von Nutzungsdaten (ND) des Fahrzeugs durch eine Recheneinheit; - Bestimmen von bekannten Orten aus den Nutzungsdaten (ND); - Berechnen eines Wahrscheinlichkeits-Vektors (WV) durch ein erstes Maschinenlernmodell (ML_1); - Berechnen eines Parkdauer-Vektors (PV) durch ein zweites Maschinenlernmodell (ML_2); - Einlesen des Wahrscheinlichkeits-Vektors (WV) und des Parkdauer-Vektors (PV) in ein Graphen basiertes Szenario-Erzeugungs-Modul (201), welches daraus einen Transitionsbaum (2) erzeugt; - Formulieren eines gemischt-ganzzahligen Optimierungsproblems (202) ausgehend vom Transitionsbaum (2); - Lösen des gemischt-ganzzahligen Optimierungsproblems (202) durch die Recheneinheit; und - Ausformulieren des Ladezeitplans.

Description

Verfahren zur Planung von Ladevorgängen für ein Fahrzeug und Fahrzeug

Die Erfindung betrifft ein Verfahren zur Planung von Ladevorgängen für ein Fahrzeug mit einem zumindest teilelektrifizierten Antriebstrang nach der im Oberbegriff von Anspruch 1 näher definierten Art sowie ein Fahrzeug zur Durchführung des Verfahrens.

Der Anteil von Elektrofahrzeugen im Straßenverkehr nimmt beständig zu. Hierzu zählen sowohl Fahrzeuge mit einem teilelektrifizierten Antriebsstrang wie Plugin-Hybrid- Fahrzeuge aber auch rein batterieelektrisch angetriebene Fahrzeuge.

Während das Tanken von flüssigem Kraftstoff vergleichsweise schnell möglich ist, so ist zum Aufladen einer Traktionsbatterie eines Elektrofahrzeugs eine vergleichsweise lange Zeitdauer erforderlich. Je nach Größe und Gewicht des Elektrofahrzeugs kann aufgrund der begrenzten Kapazität der installierten Traktionsbatterie nur eine bestimmte Menge elektrischer Energie mitgeführt werden. Entsprechend verfügen die meisten Elektrofahrzeuge über eine im Vergleich zu einem Verbrenner geringere Reichweite. Dieser Umstand kann zur sogenannten Reichweitenangst führen. Das Planen und durchführen von Ladevorgängen ist zudem mit einem manuellen Aufwand verbunden.

Zur Erhöhung des Komforts einer fahrzeugführenden Person eines Elektrofahrzeugs sowie zur Erhöhung der Effizienz bei der Durchführung von Ladevorgängen sind diverse Fahrerassistenzsysteme zur Unterstützung der fahrzeugführenden Person des Elektrofahrzeugs bei der Planung von Ladestopps bekannt.

Die meisten Ladeplanungsassistenten, wie beispielsweise auch in der DE 10 2018214 986 A1 beschrieben, beschränken sich dabei auf die Analyse einer mit dem Elektrofahrzeug geplanten Route und geben Empfehlungen zum Durchführen von Ladestopps aus, wenn sich der Ladezustand der Traktionsbatterie des Elektrofahrzeugs einem kritischen Grenzwert annähert. Dabei können Ladestationen in der Nähe zur einprogrammierten Route vorgeschlagen werden, insbesondere in Abhängigkeit verschiedenster Randbedingungen, wie der an der Ladestation geltende Stromtarif, die Länge eines zum Erreichen der Ladestation in Kauf zu nehmenden Umwegs, die Art des zur Verfügung stehenden Ladeanschlusses, der maximal zur Verfügung stehenden Ladeleistung, einer Auslastung der Ladestation und dergleichen. Dabei kann der Ladeplanungsassistent auch einen Terminkalender der fahrzeugführenden Person einlesen und das Durchführen von Ladevorgängen in Abhängigkeit von aus dem Terminkalender ausgelesenen Informationen empfehlen. So können Zeitfenster ermittelt werden, in denen die fahrzeugführende Person mit dem Fahrzeug reist, das Fahrzeug abgestellt ist und Orte bestimmt werden, wo sich das Fahrzeug wahrscheinlich aufhalten wird. Dabei ist es erforderlich zur Ermittlung von Vorschlägen zum Durchführen eines geeigneten Ladestopps eine multikriterielle Optimierung durchzuführen.

Ein solcher Ladeplanungsassistent, welcher die Kalenderdaten der fahrzeugführenden Person ausliest, ist beispielsweise auch aus der DE 10 2016 124 109 A1 bekannt. Aus dem Terminkalender lässt sich das erwartete Nutzungsverhalten des Fahrzeugs ableiten und somit die auf einzelnen Streckenabschnitten anfallenden Energieverbräuche abschätzen. Dies wird genutzt, um einen erwarteten Ladestand des elektrischen Energiespeichers des Fahrzeugs vorherzusagen. Entsprechend lassen sich frühzeitig Bedürfnisse zum Durchführen eines Ladestopps ermitteln. Dabei können auch aus dem in der Vergangenheit ermittelten Nutzungsverhalten Benutzergewohnheiten abgeleitet werden, welche zum Abschätzen eines künftigen Nutzungsverhaltens des Fahrzeugs herangezogen werden können.

Aus SCHWENK, Karl, et al. A Benchmark for Parking Duration Prediction of Electric Vehicles for Smart Charging Applications. In: 2021 IEEE Symposium Series on Computational Intelligence (SSCI). IEEE, 2021. S. 1-8 ist ein Verfahren zur Planung von Ladevorgängen für ein Fahrzeug mit zumindest teilelektrifiziertem Antriebsstrang bekannt. Hierin wird aus einem vergangenen Nutzungsverhalten des Fahrzeugs auf historische Fahrten und Abstellvorgänge geschlossen, aus denen wiederum für einen Prognosezeitraum jeweils mit einer individuellen Eintrittswahrscheinlichkeit behaftete prognostizierte Fahrten und Abstellvorgänge ermittelt werden.

Die DE 10 2018 207 043 A1 beschreibt ein Verfahren und eine Koordinationseinrichtung zum Koordinieren von Ladevorgängen mehrerer Kraftfahrzeuge zur Optimierung der Energieverfügbarkeit und der Stromkosten. Hierbei werden ein Ladeortsbereich sowie ein empfohlenes Zeitintervall für einen Ladevorgang auf Basis der Position des jeweiligen Fahrzeuges, des Energiespeichers und einer von einem Energieversorgungsnetz bereitgestellten Energieversorgung ermittelt.

Aus der US 2020/0218270 A1 ist ein Verfahren bekannt, das zur Ermittlung von verfügbarer Energie für Fahrzeuge Techniken des Maschinellen Lernens einsetzt. Das Maschine Learning Modell wird insbesondere mit momentanen oder historischen Betriebs- oder umweltbezogenen Merkmalen eines Fahrzeuges während einer Reise trainiert. Die Daten werden anschließend genutzt, um Ladestationen auf der Route vorzuschlagen.

Ein besonders komfortables und effizientes Verfahren zur Planung von Ladevorgängen für Elektrofahrzeuge ist auch aus der DE 10 2020 003 824 A1 der Anmelderin bekannt. Das Verfahren sieht vor, ein Abfolge von historischen mit dem Fahrzeug durchgeführten Fahrten und historische Abstellvorgänge zu analysieren und für die Ermittlung eines zukünftigen Energiebedarfs zu berücksichtigen. Es werden dann insbesondere ein Beginn einer Ladezeit, eine Ladedauer und/oder ein Ladeort bestimmt, an dem ein entsprechender Ladevorgang durchgeführt werden soll. Zur Ermittlung des zukünftigen Energiebedarfs wird dabei aus dem vergangenen Nutzungsverhalten des Fahrzeugs ein künftiges Nutzungsverhalten des Fahrzeugs prognostiziert. Das Ausgeben von Empfehlungen zum Durchführen von Ladevorgängen wird hierdurch von einer aktiven Routenführung entkoppelt, sodass die fahrzeugführende Person komfortabel bei der alltäglichen Nutzung ihres Fahrzeugs angeleitet wird Ladevorgänge durchzuführen.

Der vorliegenden Erfindung liegt die Aufgabe zugrunde ein noch weiter verbessertes Verfahren zur Planung von Ladevorgängen anzugeben.

Erfindungsgemäß wird diese Aufgabe durch ein Verfahren zur Planung von Ladevorgängen für ein Fahrzeug mit einem zumindest teilelektrifizierten Antriebsstrang mit den Merkmalen des Anspruchs 1 gelöst. Vorteilhafte Ausgestaltungen und Weiterbildungen sowie ein entsprechendes Fahrzeug ergeben sich aus den hiervon abhängigen Ansprüchen. Bei einem gattungsgemäßen Verfahren zur Planung von Ladevorgängen für ein Fahrzeug mit einem zumindest teilelektrifizierten Antriebsstrang werden im vergangenen Nutzungsverhalten des Fahrzeugs historische Fahrten und Abstellvorgänge identifiziert, aus denen für einen Prognosezeitraum jeweils mit einer individuellen Eintrittswahrscheinlichkeit behaftete prognostizierte Fahrten und Abstellvorgänge ermittelt werden, welche ausgehend von einem aktuellen Abstellort des Fahrzeugs zu einer Transitionskette verknüpft werden und für die jeweils ein prognostizierter Energieverbrauch ermittelt wird, und wobei unter Berücksichtigung der Transitionskette und Randbedingungen ein Ladezeitplan bestimmt wird, welcher für den Prognosezeitraum zumindest beinhaltet, zu welchem Zeitpunkt und an welcher Ladestation ein Ladevorgang durchgeführt werden soll. Das gattungsgemäße Verfahren wird erfindungsgemäß durch die folgenden Verfahrensschritte weitergebildet:

Einlesen von Nutzungsdaten des Fahrzeugs durch eine Recheneinheit, wobei in den Nutzungsdaten für die mit dem Fahrzeug durchgeführten Fahrten und Abstellvorgänge jeweils zumindest Startort und Abfahrtszeit sowie Zielort und Ankunftszeit enthalten sind;

Bestimmen von bekannten Orten aus den Nutzungsdaten, wobei die Recheneinheit einen Abstellort des Fahrzeugs als bekannten Ort definiert, wenn das Fahrzeug für eine festgelegte Zeitdauer am Abstellort mit einer festgelegten Häufigkeit abgestellt wurde;

Einlesen zumindest eines ersten Merkmal-Vektors in ein erstes Maschinenlernmodell, wobei der erste Merkmal-Vektor zumindest die bekannten Orte umfasst, und wobei das erste Maschinenlernmodell als Ausgangsgröße einen Wahrscheinlichkeits-Vektor ausgibt, welcher zumindest für jeden bekannten Ort eine Wahrscheinlichkeit angibt, dass der jeweilige bekannte Ort den nächsten Zielort des Fahrzeugs darstellt;

Einlesen eines zweiten Merkmal-Vektors in ein zweites Maschinenlernmodell, wobei der zweite Merkmal-Vektor zumindest die bekannten Orte umfasst, und wobei das zweite Maschinenlernmodell als Ausgangsgröße einen Parkdauer-Vektor ausgibt, welcher zumindest für jeden bekannten Ort eine erwartete Abstelldauer des Fahrzeugs angibt;

Einlesen des Wahrscheinlichkeits-Vektors und des Parkdauer-Vektors in ein Graphen basiertes Szenario-Erzeugungs-Modul, welches die bekannten Orte bis zum Erreichen eines Abbruchkriteriums zur Erzeugung einer Sammlung möglicher Transitionsketten hintereinander zu einem Transitionsbaum anordnet, wobei der Transitionsbaum von einem durch den aktuellen Abstellort des Fahrzeugs ausgebildeten Wurzelknoten ausgehend n-Stufen aufweist und zur Erzeugung einer nächsthöheren Stufe für jeden Ausgangsknoten auf der aktuellen Stufe für jeden bekannten Ort auf der nächsthöheren Stufe ein Folgeknoten erzeugt und der jeweilige Ausgangsknoten mit den jeweiligen Folgeknoten verknüpft wird, wobei jeder Knoten des Transitionsbaums zumindest mit der Ankunftszeit, Abfahrtzeit und Wahrscheinlichkeit des jeweiligen bekannten Orts behaftet ist;

Formulieren eines gemischt-ganzzahligen Optimierungsproblems ausgehend vom Transitionsbaum, wobei für jeden Knoten des Transitionsbaums in Abhängigkeit von den Ladevorgang einschränkenden Entscheidungsvariablen und Zustandsvariablen die für einen am jeweiligen Knoten durchzuführenden Ladevorgang anfallenden fiktiven Kosten bestimmt werden, welche für die einzelnen Knoten des Transitionsbaums aufsummiert werden;

Lösen des gemischt-ganzzahligen Optimierungsproblems durch die Recheneinheit mit dem Optimierungsziel: Minimieren der aufsummierten fiktiven Kosten; und Ausformulieren des Ladezeitplans gemäß einer der Transitionsketten des Transitionsbaums welcher mit den geringsten fiktiven Kosten behaftet ist.

Das erfindungsgemäße Verfahren ermöglicht die Bereitstellung eines Ladeplanungsassistenten, welcher den Komfort für die fahrzeugführende Person des Fahrzeugs in besonderer Art und Weise verbessert. So wird das Nutzungsverhalten der fahrzeugführenden Person analysiert und hieraus das künftige Nutzungsverhalten während des Prognosezeitraums abgeschätzt. Durch den Einsatz des ersten und zweiten Maschinenlernmodells wird hier eine besonders hohe Vorhersagegüte erreicht. Handelt es sich um ein neues Fahrzeug, so können als Datengrundlage vordefinierte Standardnutzungsverhaltensmuster und entsprechend trainierte Maschinenlernmodelle eingesetzt werden. Je länger das Fahrzeug von einer bestimmten fahrzeugführenden Person genutzt wird, desto mehr vergangenes Nutzungsverhalten wird auch angesammelt und entsprechend die Maschinenlernmodelle auf das individuelle Nutzungsverhalten der fahrzeugführenden Person hin trainiert, sodass die Maschinenlernmodelle dieses noch besser Vorhersagen können. Die Recheneinheit bestimmt die Orte und Zeitdauern, an denen das Fahrzeug während des Prognosezeitraums wahrscheinlich abgestellt wird. Ladevorgänge werden dann an diesen Orten durchgeführt, sodass die fahrzeugführende Person zur Durchführung eines Ladevorgangs nicht erst explizit eine Ladestation anfahren muss. Unter Berücksichtigung der Entscheidungsvariablen und Zustandsvariablen wird dann ermittelt, ob, wo und wann bei einem ohnehin vorgesehenen Abstellvorgang an den bekannten Orten ein entsprechender Ladevorgang durchgeführt werden soll. Dabei werden verschiedene Randbedingungen und Einschränkungen bzw. Vorgaben eingehalten, sodass die Ladevorgänge so durchgeführt werden, dass zum einen die Nutzermobilität der fahrzeugführenden Person nicht eingeschränkt wird, eine dynamische Batteriereserve zum Durchführen unvorhergesehener Fahrten vorgehalten wird, die Betriebskosten des Fahrzeugs gesenkt werden und die Umwelt geschont wird, durch das Laden mit einem möglichst hohen Anteil erneuerbarer Energien sowie Reduktion von Batteriealterung. Dabei können die einzelnen positiven Effekte gezielt ausgewählt und/oder gewichtet werden, sodass zumindest einer der genannten Vorteile bis zu einem gewünschten Grad erreicht wird. Besonders vorteilhafterweise werden dabei alle genannten Vorteile gemäß den persönlichen Präferenzen der fahrzeugführenden Person ausreichend erfüllt. Hierzu kann die fahrzeugführende Person entsprechende Randbedingungen/Vorgaben manuell an die Recheneinheit übermitteln.

Zur Bestimmung der bekannten Orte wird das durch die Nutzungsdaten beschriebene Nutzungsverhalten des Fahrzeugs bzw. der fahrzeugführenden Person von der Recheneinheit analysiert. Das Nutzungsverhalten wird dabei durch historische, also in der Vergangenheit liegende Fahrten und Abstellvorgänge charakterisiert. Eine Fahrt ist dabei durch eine Transition von einem Startort zu einer Abfahrtszeit zu einem Zielort zu einer Ankunftszeit definiert.

Zur Erfassung des Nutzerverhaltens und somit zur Erzeugung der Nutzungsdaten kann eine Sensorik des Fahrzeugs verwendet werden. Von der Sensorik erzeugte Sensordaten können von einer fahrzeuginternen Recheneinheit ausgewertet werden und/oder über eine Kommunikationsschnittstelle auch an eine fahrzeugexterne Recheneinheit weitergeleitet werden. Besagte Recheneinheit kann also in das Fahrzeug integriert sein oder extern ausgeführt sein, beispielsweise als Cloudserver. Eine Kommunikation zwischen Fahrzeug und Cloudserver kann dabei beispielsweise mittels einer Telekommunikationseinheit unter Nutzung von Mobilfunk erfolgen. Auch können mobile Endgeräte wie Smartphones, Tablets, Laptops oder dergleichen als Recheneinrichtung genutzt werden. Beispielsweise kann auf einem Smartphone eine zur Auswertung der Nutzungsdaten eingerichtete Applikation ausgeführt werden, welche gegebenenfalls per Mobilfunk mit dem Cloudserver kommuniziert. So ist auch ein Tethering über das Smartphone möglich.

Das Fahrzeug kann beispielsweise mittels eines Positionsbestimmungsmoduls, beispielsweise ein Navigationsgerät, seine Position bestimmen. Das Positionsbestimmungsmodul kann beispielsweise eine Geoposition unter Auswertung von über Navigationssatelliten empfangene Positionsdaten bestimmen. Bei einem solchen globalen Navigationssatelittensystem kann es sich beispielsweise um GPS, Galileo, Beidou, GLONASS oder dergleichen handeln. Dabei werden insbesondere die jeweilige Abfahrtszeit und Ankunftszeit mittels einer Uhr ermittelt und zusammen mit den Positionsdaten in den Nutzungsdaten gespeichert.

Um aus den Startorten und Zielorten bekannte Orte zu ermitteln, müssen die Startorte und Zielorte näher betrachtet werden. So wird typischerweise das Fahrzeug nicht jedes Mal an derselben Geoposition abgestellt, wenn ein bestimmter Ort besucht werden soll. Handelt es sich bei dem Ort beispielsweise um die Arbeitsstätte der fahrzeugführenden Person oder ein Fitnessstudio, so wird typischerweise das Fahrzeug auf einem Parkplatz abgestellt, bei dem jedoch bei jedem erneuten Aufsuchen andere Parkflächen belegt und andere Parkflächen frei sind. Daher werden die aus den Nutzungsdaten ermittelten Startorte und Zielorte nach einem definierten Schema gruppiert und hierdurch den bekannten Orten zugeordnet. Beispielsweise können alle innerhalb eines bestimmten Umkreises liegenden Startorte bzw. Zielorte demselben bekannten Ort zugeordnet werden. Ladestationen, welche zur Durchführung von Ladevorgängen vorgeschlagen werden, befinden sich dann in dem jeweiligen dem entsprechenden bekannten Ort zugeordneten Umkreis. Hierdurch wird das Durchführen von Ladevorgängen an den bekannten Orten ermöglicht. Bekannte Orte, welche nicht über eine Ladestation verfügen, können entsprechend auch nicht als Vorschlag zur Durchführung von Ladevorgängen empfohlen werden. Damit einer der Startorte und/oder Zielorte als bekannter Ort definiert wird, können verschiedene Randbedingungen berücksichtigt werden. Beispielsweise werden nur solche Orte als bekannter Ort definiert, an denen das Fahrzeug für eine festgelegte Zeitdauer abgestellt wird. Diese Zeitdauer liegt vorteilhafterweise im Bereich zwischen zwei Stunden und 24 Stunden. Dieser Zeitraum ist besonders relevant zur Durchführung von smarten Ladevorgängen, da bei einer Parkdauer von unter zwei Stunden das Durchführen eines Ladevorgangs meist nicht sinnvoll ist, da zu wenig elektrische Energie geladen werden kann. Zum Laden einer ausreichenden Energiemenge in einem Zeitfenster von unter zwei Stunden ist eine besonders hohe Ladeleistung erforderlich, was jedoch einen nachteiligen Effekt auf die Lebensdauer des elektrischen Energiespeichers des Fahrzeugs, sprich der Traktionsbatterie, hat. Durch die hohen Ladeströme bzw. Ladespannungen altert die Traktionsbatterie schneller, was jedoch vermieden werden soll. Ist die Abstelldauer des Fahrzeugs größer als 24 Stunden, so bestehen so viele verschiedene Möglichkeiten wie ein Ladevorgang durchgeführt werden kann, was das Berechnen einer Lösung durch einen Optimierungsalgorithmus an die Grenzen führt. Ein entsprechender Optimierungsalgorithmus wird somit zunehmend divergieren.

Typischerweise hält ein Fahrzeug auch an Orten, welche nur einmalig oder selten aufgesucht werden, wie beispielsweise im Falle einer Urlaubsreise. Entsprechend kann eine Mindesthäufigkeit definiert werden, zu der das Fahrzeug einen Ort während einer festgelegten Zeitspanne aufsuchen muss, beispielsweise mindestens einmal pro Woche oder 10 mal im Jahr oder dergleichen, damit der entsprechende Ort als bekannter Ort definiert wird. Hierdurch lässt sich vermeiden, dass irrelevante Orte als bekannte Orte definiert werden.

Ein wesentlicher Bestandteil der der Erfindung zugrundeliegenden Idee ist es aus dem vergangenen Nutzungsverhalten des Fahrzeugs ein künftiges Nutzungsverhalten abzuleiten und hierdurch zu ermitteln, welche bekannten Orte nacheinander in welcher Reihenfolge aufgesucht werden. Dabei werden verschiedenste Randbedingungen berücksichtigt, woraufhin im Folgenden noch näher eingegangen wird. So lässt sich beispielsweise ermitteln, dass an einem typischen Tag das Fahrzeug des nachts an der Heimstätte der fahrzeugführenden Person abgestellt ist, morgens zur Arbeitsstätte bewegt wird, nachmittags ein Fitnessstudio aufgesucht wird, danach ein Supermarkt aufgesucht wird und dann das Fahrzeug wieder abends an der Heimstätte abgestellt wird. Dabei liegt jedes Mal eine Information vor, wie lange das Fahrzeug am jeweiligen Zielort abgestellt ist. Aus den zurückzulegenden Wegstrecken wird die zu verbrauchende elektrische Energiemenge ermittelt, wodurch der Ladezustand der Traktionsbatterie über die Zeit prognostiziert wird. Somit lässt sich eine Aussage treffen, an welchem der ohnehin von der fahrzeugführenden Person aufgesuchten Zielorte zu welcher Zeit und wie lange ein Ladevorgang durchgeführt werden soll. Der Ladevorgang wird dabei insbesondere so durchgeführt, dass zu einem besonders günstigen Stromtarif geladen wird, möglichst wenig elektrische Energie geladen wird, was der kalenderbasierten Alterung zugutekommt, wobei jedoch genug Stromreserven vorgehalten werden, um zu gewährleisten, dass mit dem Fahrzeug zumindest sämtliche prognostizierten Ziele bis zum erneuten Durchführen eines Ladevorgangs erreicht werden können.

Die fahrzeugführende Person muss sich somit keinerlei Gedanken machen, wann und wie Ladevorgänge durchgeführt werden sollen. Sie muss lediglich der von der Recheneinheit ermittelten und im Fahrzeug ausgegebenen Ladestrategie folgen. Kommt es dennoch zu einer längeren Fahrt, bei der die Traktionsbatterie des Fahrzeugs erschöpft wird, so können Ladestationen auf einer entsprechenden Reiseroute zur Durchführung von Ladestopps vorgeschlagen werden. Diese werden gemäß aus dem Stand der Technik bekannter Strategien ermittelt, beispielsweise in Abhängigkeit eines günstigsten Strompreises, des kürzesten Umwegs und/oder dergleichen.

Mit Hilfe des ersten Maschinenlernmodells lässt sich Vorhersagen, welcher bekannte Ort am wahrscheinlichsten als nächstes als Zielort aufgesucht wird. Unter Berücksichtigung des aktuellen Aufenthaltsorts des Fahrzeugs lässt sich die hierzu zurückzulegende Strecke ermitteln sowie der zum Zurücklegen der entsprechenden Strecke erforderliche Verbrauch an elektrischer Antriebsenergie. Dabei können diverse Randbedingungen berücksichtigt werden, wie die Topographie der Strecke, ein aktuelles Verkehrsaufkommen, Witterungsbedingungen, Wirkungsgrade von Fahrzeugkomponenten, bspw. der Wirkungsgrad der Traktionsbatterie oder der Antriebsmotoren, ein Fahrstil der fahrzeugführenden Person und dergleichen. Als Ergebnis gibt das erste Maschinenlernmodell den Wahrscheinlichkeits-Vektor aus, welcher für jeden der bekannten Orte eine Wahrscheinlichkeit angibt, dass der jeweilige bekannte Ort als nächstes aufgesucht wird. Der erste Merkmal-Vektor umfasst dabei zumindest die bekannten Orte. So kann das erste Maschinenlernmodell bereits alleinig auf Basis der bekannten Orte eine Wahrscheinlichkeit zum Aufsuchen der entsprechenden bekannten Orte berechnen, wenn das erste Maschinenlernmodell ausreichend auf die jeweilige fahrzeugführende Person trainiert ist. Der erste Merkmal- Vektor kann jedoch auch noch weitere Größen umfassen, worauf noch im Folgenden eingegangen wird. Hierdurch lässt sich die Vorhersagegüte zum Abschätzen des tatsächlich vom Fahrzeug als nächsten aufgesuchten Zielorts verbessern. Ferner besteht die Wahrscheinlichkeit, dass die fahrzeugführende Person einen unbekannten Ort mit dem Fahrzeug aufsuchen wird. Daher kann vorgesehen sein, dass das erste Maschinenlernmodell mit einer bestimmten Wahrscheinlichkeit als nächsten Zielort einen unbekannten Ort bestimmt. Für diesen unbekannten Ort können verschiedene Randbedingungen definiert werden, beispielsweise das der unbekannte Ort in einer bestimmten Zielregion liegen soll, in einer bestimmten Entfernung zum aktuellen Aufenthaltsort des Fahrzeugs liegen soll, zu bestimmten Uhrzeigen oder Wochentagen aufgesucht werden soll oder dergleichen.

Das erste Maschinenlernmodell liest zumindest den ersten Merkmal-Vektor ein und bestimmt hieraus den Wahrscheinlichkeits-Vektor. Zusätzlich zum ersten Merkmal-Vektor kann auch eine Menge an im Prognosezeitraum mit dem Fahrzeug geplante durchzuführende Fahrten eingelesen werden. Diese können beispielsweise aus einem Terminkalender der fahrzeugführenden Person ausgelesen werden, durch das Einprogrammieren einer Route in ein Navigationssystem erkannt werden oder auch manuell über eine fahrzeuginterne oder eine über ein mobiles Endgerät bereitgestellte Mensch-Maschine-Schnittstelle in die Recheneinheit eingegeben werden. Hierdurch werden dem ersten Maschinenlernmodell mit einer besonders hohen Wahrscheinlichkeit durchzuführende Fahrten vorgegeben, was die Vorhersagegüte verbessert.

Der Ablauf zum Trainieren des ersten Maschinenlernmodells zum Erlernen des Verhaltens der fahrzeugführenden Person ist wie folgt: Als Eingangsdaten werden die in den Nutzungsdaten enthaltenen Fahrten und Abstellvorgänge dem ersten Maschinenlernmodell bereitgestellt. Hierdurch erlernt das erste Maschinenlernmodell einen Zusammenhang der historischen Sequenz der besuchten bekannten Orte als eine Zeitreihe von diskreten Ereignissen. Dabei wird für jede Fahrt als Startort der Zielort der jeweils vorhergehenden Fahrt berücksichtigt. Falls Lücken in den Nutzungsdaten vorliegen kann ein Start- bzw. Zielort auch durch einen Zufallsort ausgebildet werden. Alle Fahrten, die einen solchen Zufallsort enthalten, können dann aus dem zum Anlernen des ersten Maschinenlernmodells verwendeten Datensatz entfernt werden. Ferner können Rundfahrten aus dem Datensatz gelöscht werden. Bei einer Rundfahrt handelt es sich um eine Fahrt dessen Zielort mit dem Startort zusammenfällt. Dabei können dem ersten Maschinenlernmodell für jede Fahrt auch weitere ergänzende Informationen bereitgestellt werden, wie ein tatsächlicher Energieverbrauch während der Fahrt, ein Flag, welcher angibt, ob die Fahrt spontan oder geplant war, oder dergleichen. Auch kann die fahrzeugführende Person für die in der Vergangenheit besuchten Zielorte bzw. Startorte eingeben, um was für eine Art von Ort es sich handelt, also beispielsweise das Zuhause, die Arbeitsstätte, den favorisierten Supermarkt, das Fitnessstudio oder dergleichen.

Als Zielgröße werden dem ersten Maschinenlernmodell die tatsächlich aufgesuchten Zielorte übergeben. Wenn also eine neue Fahrt von einem aus der Gruppe der bekannten Orte ausgewählten Startort beginnt, so wird hierdurch das erste Maschinenlernmodell dazu in die Lage versetzt vorherzusagen, mit welcher Wahrscheinlichkeit welcher der übrigen bekannten Orte als Zielort in Frage kommt.

Die Wahrscheinlichkeit zum Aufsuchen eines Zufallsorts kann sich dabei aus der Wahrscheinlichkeit des Aufsuchens eines der bekannten Orte als Zielort ergeben. So können die Wahrscheinlichkeiten aller bekannten Orte aufsummiert werden und diese Summe von 100 Prozent abgezogen werden. Das entsprechende Ergebnis ist die Wahrscheinlichkeit zum Aufsuchen eines Zufallsorts.

Um eine Aussage machen zu können, ob an einem bestimmten Zielort während des Abstellvorgangs des Fahrzeugs ein Ladevorgang durchgeführt werden soll, so muss eine Information vorliegen, wie lange das Fahrzeug am jeweiligen Zielort steht. Diese Information wird mit Hilfe des zweiten Maschinenlernmodells generiert. Auch hier kann als alleinige Eingangsgröße der zweite Merkmal-Vektor lediglich die bekannten Orte umfassen. Der zweite Merkmal-Vektor kann jedoch auch weitere Größen umfassen, worauf im Folgenden noch eingegangen wird. Durch eine Kombination von Zielort, Ankunftszeit und Parkdauer lässt sich beispielsweise ermitteln, wieviel Energie während eines Ladevorgangs geladen werden kann, und ob Strompreisschwankungen während der Abstellzeit des Fahrzeugs am Zielort auftreten, woraufhin dann geladen wird, wenn der Strompreis besonders günstig ist.

Das Anlernen des zweiten Maschinenlernmodells geschieht analog zum Anlernen des ersten Maschinenlernmodells. Für jede Fahrt und jeden Abstellvorgang aus den Nutzungsdaten werden entsprechende Startorte, Zielorte sowie Abfahrtszeiten und Ankunftszeiten ermittelt. Die entsprechenden Daten können zu der im vorigen beschriebenen Vorgehensweise analog bereinigt werden. Als Lerndaten werden dann die in der Vergangenheit tatsächlich am jeweiligen Zielort angefallenen Abstelldauern berücksichtigt. Hierdurch erlernt das zweite Maschinenlernmodell an welchem der bekannten Orte, gegebenenfalls unter Berücksichtigung weiterer Randbedingungen, das Fahrzeug typischerweise für wie lange abgestellt wird.

Zusammengefasst liegt jetzt eine Information vor, welcher Startort mit welcher Wahrscheinlichkeit ausgehend von einem vorherigen Zielort als nächstes vom Fahrzeug aufgesucht wird und wie lange der Abstellvorgang am nächsten Zielort dauern wird. Diese Größen werden in das Graphen basierte Szenario-Erzeugungs-Modul eingelesen, mit dem Ziel, konkrete Szenarios von möglichen Fahrten abzuleiten. Diese Bewegungsoder Transitionszenarios entsprechen einzelnen Transitionsketten, das heißt mehreren hintereinander aufgereihten Fahrten. Die Fahrten lassen sich in Form eines Transitionsbaums anordnen. Dabei entspricht ein Startort bzw. Zielort einem Knoten und die jeweilige Fahrt einer Verbindungslinie einzelner Knoten. Der aktuelle Abstellort des Fahrzeugs bildet den Wurzelknoten des Transitionsbaums aus. In Abhängigkeit einer Gesamtheit der bekannten Orte finden sich auf der nächsthöher gelegenen Stufe des Transitionsbaums für jeden bekannten Ort ein neuer Knoten. Für jeden dieser Knoten wird dann auf der wiederum nächsthöher gelegenen Stufe des Transitionsbaums erneut für jeden bekannten Ort ein neuer Knoten erzeugt, sodass der Transitionsbaum exponentiell mit der Anzahl der Stufen anwächst. Eine Verbindungslinie des Wurzelknotens zu einem bestimmten Knoten auf der höchsten Stufe des

Transitionsbaums entspricht dann einer Transitionskette, also einer mit einer bestimmten Wahrscheinlichkeit eintreffenden Kette von mit dem Fahrzeug während des Prognosezeitraums durchzuführenden Fahrten. Der Transitionsbaum umfasst somit alle möglichen Bewegungsszenarios, welche ausgehend vom aktuellen Abstellort des Fahrzeugs innerhalb des Prognosezeitraums möglich sind. Zur Definition des Ladezeitplans wird nun ausgehend vom Transitionsbaum ein gemischt-ganzzahliges Optimierungsproblem formuliert. Hierzu wird eine Gleichung formuliert, welche die fiktiven Kosten, die beim Durchführen eines Ladevorgangs anfallen, beschreibt und welche für alle Knoten des Transitionsbaums aufsummiert werden. Ziel des Optimierungsproblems ist es die in die Gleichung eingehenden Größen, unter Berücksichtigung geltender Randbedingungen, so zu verändern, dass die Gleichung für jeden Knoten einen möglichst geringen Wert ausgibt, also die am kleinsten möglichen fiktiven Kosten.

Fiktive Kosten meint dabei nicht zwangsweise nur Kosten in Form von Geldeinheiten, sondern vielmehr das Ansteigen eines Zahlenwerts des Ergebnisses der zu minimierenden Gleichung. Die fiktiven Kosten können sich dementsprechend tatsächlich aus Kosten in Form von Geldeinheiten zusammensetzen, und ergänzend oder alternativ durch weitere Größen, beispielsweise Aufwands-, Alterungs-, Umweltverschmutzungskosten oder dergleichen.

Der Transitionsbaum kann dabei nach vorgegebenen Randbedingungen erneut berechnet werden, beispielsweise jedes Mal beim Durchführen eines Ladevorgangs, nach manuellem Veranlassen durch die fahrzeugführende Person oder nach einem Zeitintervall, bspw. einmal pro Tag. Der Prognosezeitraum wird hierdurch zu einem gleitenden Prognosezeitraum. Der Prognosezeitraum kann beispielsweise die nächsten fünf Tage betragen. Der Prognosezeitraum kann jedoch auch eine bestimmte maximale Verkettungsanzahl der Knoten im Transitionsbaum entsprechen, also einer bestimmten Anzahl der aneinander gereihten Fahrten wie beispielsweise die nächsten zwanzig Fahrten. Entsprechend wird das Abbruchkriterium erreicht, wenn der Prognosezeitraum endet, der T ransitionsbaum eine bestimmte Anzahl an Stufen erreicht hat oder eine bestimmte Mindesteintreffwahrscheinlichkeit einer bestimmten Transitionskette aus dem Transitionsbaum vorliegt.

In den Transitionsbaum kann dabei für jeden Ausgangsknoten zusätzlich zu den mit den bekannten Orten korrespondierenden Knoten ein Folgeknoten zum Aufsuchen eines unbekannten Orts integriert werden. Je nach Nutzungsverhalten der fahrzeugführenden Person wird eine Wahrscheinlichkeit zum Aufsuchen dieses Zufallsorts bestimmt und mit dem jeweiligen Knoten verknüpft.

Zur Reduktion von Rechenaufwand kann eine Szenarioreduktion auf den Transitionsbaum angewendet werden, sodass Transitionsketten mit unter einer Grenzwahrscheinlichkeit liegende Eintreffwahrscheinlichkeit aus dem Transitionsbaum entfernt werden. Es können auch einzelne Knoten mit einer unter einer Grenzwahrscheinlichkeit liegenden Anreisewahrscheinlichkeit aus dem Transitionsbaum entfernt werden. Werden gemäß diesem Vorgehen sämtliche Knoten bzw.

Transitionsketten aus dem Transitionsbaum entfernt, so kann ein konservativer Ladezeitplan als Notfallplan ausgegeben werden, welcher beispielsweise vorsieht, Ladevorgänge konservativ durchzuführen, also beispielsweise bei jedem Abstellen des Fahrzeugs an einem Zielort mit einem unter einem festgelegten Limit liegenden Ladestand der Traktionsbatterie einen Ladevorgang durchzuführen.

Lassen sich nur solche Transitionsketten bestimmten, welche Knoten umfassen, die jeweils eine unter einem Grenzwert liegende Eintreffwahrscheinlichkeit aufweisen, so können diese Knoten zur Durchführung von Ladevorgängen ausgespart werden.

Zum Neuberechnen von Transitionsbäumen können in der Vergangenheit generierte Transitionsbäume oder Teile davon zum Einsparen von Rechenressourcen und Zeit erneut geladen werden. Es lassen sich insbesondere bei einer besonders hohen Wahrscheinlichkeit zutreffende Transitionsketten bestimmen, wenn geplante Fahrten zur Erzeugung des Transitionsbaums berücksichtigt werden. Diese können wie bereits erwähnt aus einem Terminkalender der fahrzeugführenden Person oder aus einer aktiven Routenführung ausgelesen werden.

Durch eine Graphen basierte Formulierung der verschiedenen Transitionszenarios wird das entsprechende Entscheidungsproblem von der Zeit entkoppelt. Jeder Knoten des Transitionsbaums entspricht dabei einer Abstellphase, also einem Abstellvorgang. Dabei können die einzelnen Knoten einer Stufe des Transitionsbaums jeweils individuelle Ankunfts- und Abfahrtszeiten aufweisen. Die Recheneinheit verändert so lange die in die zur Ausformulierung des gemischtganzzahligen Optimierungsproblems verwendete Gleichung eingehenden Größen, bis ein Minimum der aufsummierten fiktiven Kosten über alle Knoten gefunden wird. Es wird dann für diesen Transitionsbaum eine der enthaltenen Transitionsketten zur Ausformulierung des Ladezeitplans ausgewählt. Die Auswahl der zur Formulierung des Ladezeitplans verwendeten Transitionskette kann in Abhängigkeit verschiedener Einstellungen und/oder Randbedingen erfolgen. Beispielsweise wird die Transitionskette mit der ausgehend vom Wurzelknoten bis zum Erreichen der letzten Stufe höchsten Eintreffwahrscheinlichkeit ausgewählt. Wird während des Prognosezeitraums ein anderer als ein prognostizierter Knoten (und damit bekannter Ort) aufgesucht, so kann eine entsprechend passende neue Transitionskette zur Ausformulierung des Ladezeitplans durch die Recheneinheit ausgewählt werden. Die alte und neue Transitionskette weisen dann vor dem entsprechend falsch vorhergesagten Knoten den gleichen Verlauf im Transitionsbaum auf.

Eine Darstellung kann im Fahrzeug auf vielfältige Art und Weise erfolgen. Auf einer beliebigen Anzeigevorrichtung, beispielsweise auf einem in das Fahrzeug integrierten Display oder auch auf einer Anzeige eines mit der Recheneinheit gekoppelten mobilen Endgeräts, können für einen künftigen Zeitraum, beispielsweise für die nächsten 5 Abstellvorgänge, die nächsten 3 Tage oder auch den gesamten Prognosezeitraum Empfehlungen zum Durchführen von Ladevorgängen mit entsprechenden Orten und Zeiten angegeben werden, also wann an welchem der bekannten Orte an welcher Ladestation genau geladen werden soll. Die Anzeige kann angereichert werden durch weitere Informationen, beispielsweise der jeweils bei Ankunft und/oder Verlassen eines bekannten Orts sich einstellende Ladezustand der Traktionsbatterie des Fahrzeugs, die während eines Abstellvorgangs geladene elektrische Energiemenge, dabei anfallende Kosten oder dergleichen. Hierdurch wird die fahrzeugführende Person frühzeitig, umfassend und besonders komfortabel darauf vorbereitet, wann, wie und wo sie Ladevorgänge mit dem Fahrzeug durchführen soll. Ein manueller Planungsaufwand ist nicht erforderlich. Es werden zudem die Vorlieben der fahrzeugführenden Person berücksichtigt, also bspw. nur grünen Strom zu laden. Die Ladevorgänge werden zudem so geplant, dass die gesamten Nutzungskosten des Fahrzeugs minimiert werden, durch minimieren der Ladekosten und der durch Komponentenalterung bedingten Kosten. Die Mobilität der fahrzeugführenden Person ist für ihr typisches Nutzungsverhalten sichergestellt, ergänzend unter Berücksichtigung des Aufsuchens ungeplanter und unbekannter Orte.

Eine vorteilhafte Weiterbildung des erfindungsgemäßen Verfahrens sieht vor, dass der erste Merkmal-Vektor zumindest eine der folgenden weiteren Größen umfasst:

- den aktuellen Startort einer jeweiligen Fahrt aus den Nutzungsdaten;

- den vorherigen Startort einer der jeweiligen Fahrt aus den Nutzungsdaten vorausgehenden Fahrt;

- die Abfahrtszeit einer jeweiligen Fahrt aus den Nutzungsdaten;

- ein Zeitfenster des Tages zu dem eine jeweilige Fahrt aus den Nutzungsdaten beginnt;

- einen Wochentag an dem die jeweilige Fahrt aus den Nutzungsdaten beginnt;

- der Monat an dem die jeweilige Fahrt aus den Nutzungsdaten beginnt;

- ein binärer Wert welcher angibt, ob an dem Tag an dem die jeweilige Fahrt aus den Nutzungsdaten beginnt Ferien sind;

- eine Reisedauer der der jeweiligen Fahrt aus den Nutzungsdaten vorausgehenden Fahrt; und/oder

- eine Abstelldauer des Fahrzeugs vor dem Starten vom jeweiligen Startort einer jeweiligen Fahrt aus den Nutzungsdaten.

Unter Berücksichtigung der aufgezählten Größen wird das erste Maschinenlernmodell in besonders zuverlässiger Art und Weise darauf trainiert, aus dem Nutzungsverhalten der fahrzeugführenden Person abzuleiten, welche bekannten Orte die fahrzeugführende Person mit ihrem Fahrzeug hintereinander aufsuchen wird. Dabei können beliebige Kombinationen der aufgezählten Größen miteinander kombiniert werden. In besonders vorteilhafter Art und Weise werden sämtliche der aufgezählten Größen in den ersten Merkmal-Vektor integriert. Die Abfahrtszeit einer jeweiligen Fahrt sowie der aktuelle Startort einer jeweiligen Fahrt stellen dabei die einflussreichsten Faktoren zur Entscheidung, welcher Zielort als nächstes aufgesucht werden soll, dar.

Entsprechend einer weiteren vorteilhaften Ausgestaltung des Verfahrens umfasst der zweite Merkmal-Vektor zumindest eine der weiteren Größen: den aktuellen Abstellort des Fahrzeugs; die Ankunftszeit einer jeweiligen Fahrt aus den Nutzungsdaten; ein Zeitfenster des Tages zu dem eine jeweilige Fahrt aus den Nutzungsdaten endet; einen Wochentag an dem die jeweilige Fahrt aus den Nutzungsdaten endet; der Monat an dem die jeweilige Fahrt aus den Nutzungsdaten endet; ein binärer Wert welcher angibt, ob an dem Tag an dem die jeweilige Fahrt aus den Nutzungsdaten endet Ferien sind; eine Reisedauer der der jeweiligen Fahrt aus den Nutzungsdaten vorausgehenden Fahrt; und/oder eine vorherige Abstelldauer des Fahrzeugs am aktuellen Abstellort des Fahrzeugs.

Dabei können analog zum ersten Merkmal-Vektor und erstem Maschinenlernmodell als Eingangsgröße für das zweite Maschinenlernmodell beliebige Kombinationen der aufgezählten Größen zur Integration in den zweiten Merkmal-Vektor berücksichtigt werden. Bevorzugt werden sämtliche der aufgezählten Größen in den zweiten Merkmal- Vektor integriert. Hierdurch wird das zweite Maschinenlernmodell in besonders umfangreicher Art und Weise trainiert, um mit einer besonders hohen Vorhersagegüte die tatsächliche Abstelldauer in Abhängigkeit der Eingangsgrößen an einem jeweiligen Zielort vorherzusagen.

Eine weitere vorteilhafte Ausgestaltung des erfindungsgemäßen Verfahrens sieht ferner vor, dass jeder Knoten des Transitionsbaums mit zumindest einer der folgenden weiteren Größen behaftet ist: eine am jeweiligen bekannten Ort während der Abstelldauer verfügbare minimale und/oder maximale Ladeleistung; eine am jeweiligen bekannten Ort zwischen der zu nutzenden Ladestation und dem tatsächlichen Zielort einer fahrzeugführenden Person des Fahrzeugs vorliegende Laufdistanz; und/oder

Stromkosten der am jeweiligen bekannten Ort zur Durchführung eines Ladevorgangs zu nutzenden Ladestation.

Die am jeweiligen bekannten Ort vorliegenden Stromkosten können dabei von weiteren Randbedingungen in ihrer Höhe abhängen, beispielsweise der Uhrzeit, dem Wochentag, dem Monat, dem Vorliegen von Ferien oder dergleichen. Typischerweise befindet sich eine Ladestation dabei nicht unmittelbar genau an dem Ort, den die fahrzeugführende Person auch aufsuchen möchte, sondern in einiger Laufdistanz hierzu. Die entsprechende Laufdistanz des tatsächlichen durch beispielsweise Geopositionsdaten beschriebenen Aufenthaltsorts der Ladestation zum eigentlichen durch Geopositionsdaten beschriebenen Zielorts der fahrzeugführenden Person lässt sich beispielsweise als zusätzliche Randbedingungen zur Formulierung der fiktiven Kosten heranziehen. Unter Berücksichtigung der am bekannten Ort während der Abstelldauer verfügbaren Ladeleistung lässt sich auch eine während eines Ladevorgangs beziehbare maximale bzw. minimale Energiemenge berechnen. Die zur Verfügung stehende Ladeleistung kann ebenfalls von verschiedenen Randbedingungen abhängen, beispielsweise einer Netzauslastung, einem gewählten Stromtarif, einer Uhrzeit oder dergleichen.

Entsprechend einer weiteren vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens sind die Verknüpfungen zwischen Ausgangsknoten und Folgeknoten mit zumindest einer der folgenden Größen behaftet:

- einer ausgehend vom Ausgangsknoten zum Erreichen eines bestimmten Folgeknotens vorliegenden Anreisewahrscheinlichkeit;

- einer ausgehend vom Ausgangsknoten zu einer erwarteten Reisezeit zum Erreichen eines bestimmten Folgeknotens erwartete Reisedauer; und/oder

- ein ausgehend vom Ausgangsknoten zu einer erwarteten Reisezeit zum Erreichen eines bestimmten Folgeknotens erwarteter Energieverbrauch.

Die Verknüpfungen zwischen den einzelnen Knoten des Transitionsbaums entsprechen dabei mit dem Fahrzeug zurückzulegenden Fahrten. Eine entsprechende Fahrt ist analog vorteilhafterweise mit einer Anreisewahrscheinlichkeit, einer Reisedauer und/oder einem Energieverbrauch behaftet. Die entsprechenden Größen können dabei von der Reisezeit, also der jeweiligen Abfahrtszeit vom Startort variabel ausgestaltet sein. So kann beispielsweise eine Reisedauer während der Rushhour früh am Morgen oder am späten Nachmittag insbesondere länger ausfallen, als während der Mittagszeit. Analog kann der Energieverbrauch beispielsweise vom aktuellen Verkehrsaufkommen, von Witterungsbedingungen, von einer Topographie der zurückzulegenden Strecke und dergleichen abhängen. All diese Größen können angemessen berücksichtigt werden, um die Anreisewahrscheinlichkeit, die Reisedauer und/oder den Energieverbrauch mit einer besonders hohen Vorhersagegüte vorherzubestimmen. Insbesondere zum Abschätzen des erwarteten Energieverbrauchs während einer Fahrt verwendet die Recheneinheit ein speziell auf das Fahrzeug und/oder den Fahrstil der fahrzeugführenden Person zugeschnittenes Berechnungsmodell. Dieses Berechnungsmodell kann beispielsweise Wirkungsgrade von Fahrzeugkomponenten und/oder Alterungserscheinungen der Fahrzeugkomponenten berücksichtigen, um eine besonders hohe Vorhersagegüte zu erreichen.

Eine weitere vorteilhafte Ausgestaltung des erfindungsgemäßen Verfahrens sieht ferner vor, dass sich die beim Durchführen eines Ladevorgangs anfallenden fiktiven Kosten aus zumindest einer der folgenden Größen zusammensetzen:

- fixe Kosten, umfassend eine Grundgebühr zum Durchführen eines Ladevorgangs und/oder Aufwandskosten für die fahrzeugführende Person des Fahrzeugs; und/oder

- variable Kosten, umfassend zeit- und/oder ortsabhängige Stromkosten und/oder Alterungskosten.

Die fiktiven Kosten stellen eine besonders relevante Größe zur Durchführung des erfindungsgemäßen Verfahrens dar, da diese während der Optimierung minimiert werden sollen. Die fiktiven Kosten können sich aus fixen Kosten und/oder variablen Kosten zusammensetzen. Zu den fixen Kosten zählt beispielsweise eine Grundgebühr zum Durchführen eines Ladevorgangs. Diese kann beispielsweise von einem Betreiber einer Ladestation erhoben werden, und wird jedes Mal beim Anschließen eines Fahrzeugs an einer Ladestation fällig, oder auch wenn an einer Ladestation des Ladestationsbetreibers während einer bestimmten Zeitspanne, beispielsweise einem Monat, eine bestimmte Anzahl an Ladevorgängen durchgeführt wird, beispielsweise ein Ladevorgang. Die Grundgebühr entspricht dabei Kosten in Form von Geldeinheiten und wird in der zu minimierenden Gleichung durch eine Zahl repräsentiert. Die Aufwandskosten lassen sich verstehen als ein Wert, mit dem sich eine negative Auswirkung auf den Nutzerkomfort ausdrücken lässt, beispielsweise ausgedrückt durch eine Laufdistanz zwischen der tatsächlichen Position der Ladestation und dem eigentlichen Zielort der fahrzeugführenden Person. Je weiter die Ladestation vom eigentlichen Zielort entfernt ist, desto weiter muss die fahrzeugführende Person laufen, was ihren Komfort reduziert. Die Aufwandskosten sind daher abstrakt zu verstehen und werden in der zu minimierenden Gleichung ebenfalls durch einen Zahlenwert repräsentiert. Dabei können die Aufwandskosten durch einen individuell von der fahrzeugführenden Person wählbaren Faktor gewichtet werden. Geht beispielsweise die fahrzeugführende Person gern zu Fuß, so kann sie die Aufwandskosten mit einem besonders geringen Faktor gewichten, sodass die Grundgebühr einen erheblicheren Anteil an den fixen Kosten ausbilden wird als die Aufwandskosten. Zur Realisierung in der zu minimierenden Gleichung können die fixen Kosten als Summe formuliert werden und mit einem Ladevorgangsflag multipliziert werden, sodass die fixen Kosten nur dann anfallen, wenn am Abstellort des Fahrzeugs auch tatsächlich ein Ladevorgang durchgeführt wird.

Die variablen Kosten können zeit- und/oder ortsabhängige Stromkosten und/oder Alterungskosten umfassen. Zur Ermittlung der Stromkosten wird der beim jeweiligen Ladevorgang vorliegende Stromtarif mit der bezogenen elektrischen Energiemenge multipliziert und durch eine Effizienz oder Wirkungsgrad des jeweiligen Ladevorgangs geteilt. Das Minimieren der variablen Kosten geht zudem mit einer Steigerung der Batterielebensdauer der Traktionsbatterie einher. So ist die Kalenderalterung der Traktionsbatterie proportional zur in der Traktionsbatterie gespeicherten elektrischen Energiemenge. Durch eine Reduktion der typischerweise in der Traktionsbatterie vorgehaltenen elektrischen Energiemenge sinkt somit die Rate, mit der die Traktionsbatterie Kalenderalterung unterliegt. Dies begründet sich dadurch, dass durch das Minimieren der aufsummierten fixen Kosten bei den einzelnen Ladevorgängen immer möglichst wenig elektrische Energie bezogen wird.

Zur weiteren Gewichtung können für jeden Knoten des Transitionsbaums die entsprechenden fixen Kosten, variablen Kosten oder die Summe daraus mit der jeweiligen Wahrscheinlichkeit, mit der der jeweilige Knoten im Transitionsbaum auch tatsächlich von der fahrzeugführenden Person aufgesucht wird, multipliziert werden. Dies ist darin begründet, dass zum Zeitpunkt an dem der T ransitionsbaum berechnet wird bzw. an dem das Ausformulieren des Ladezeitplans angestoßen wird, noch nicht bekannt ist, welche Transitionskette aus dem Transitionsbaum auch tatsächlich eintreffen wird. Es können also nicht die tatsächlichen fiktiven Kosten minimiert werden, sondern nur die erwarteten fiktiven Kosten.

Entsprechend einer weiteren vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens wird zumindest eine der folgenden Entscheidungsvariablen genutzt: eine während eines Ladevorgangs maximal und eine minimal beziehbare oder abgebare elektrische Energiemenge, insbesondere eine in einem elektrischen Energiespeicher des Fahrzeugs speicherbare oder aus diesem entnehmbare elektrische Energiemenge; und/oder ein binärer Wert, welcher angibt, ob an einem jeweiligen Knoten ein Ladevorgang durchgeführt werden soll oder nicht.

Die während eines Ladevorgangs maximal beziehbare bzw. abgebbare elektrische Energiemenge hängt von der Kapazität und dem Ladezustand der Traktionsbatterie bei Starten des Ladevorgangs ab. Unter Berücksichtigung von Wirkungsgraden und Alterung lässt sich hieraus auch die tatsächlich vom Fahrzeug speicherbare bzw. abgebbare elektrische Energiemenge ermitteln. Das erfindungsgemäße Verfahren sieht somit nicht nur vor während eines Ladevorgangs die Traktionsbatterie des Fahrzeugs aufzuladen, vielmehr ist es auch möglich, elektrische Energie zurück ins Stromnetz einzuspeisen. So wird insbesondere die Traktionsbatterie des Fahrzeugs geladen, wenn der Stromtarif günstig ist und elektrische Energie zurück ins Netz eingespeist, wenn eine besonders hohe Vergütung möglich ist. Das Zurückspeisen von elektrischer Energie aus der Traktionsbatterie ins Stromnetz führt jedoch zwangsweise zu einer zunehmenden Anzahl von Ladezyklen für die Traktionsbatterie. Hierdurch altert die Traktionsbatterie schneller. Die mit dem Altern der Traktionsbatterie einhergehenden Nachteile, insbesondere in Form von Einschränkungen durch eine begrenzte Kapazität und Kosten werden dabei berücksichtigt, um eine Entscheidung zu treffen, ob auch tatsächlich Energie zurück ins Stromnetz eingespeist werden soll.

Zur Berechnung der beziehbaren bzw. abgebbaren elektrischen Energiemenge wird ein Wirkungsgrad des jeweiligen Lade- bzw. Entladevorgangs mit der jeweiligen zur Verfügung stehenden Ladeleistung und der zum Durchführen des Ladevorgangs zur Verfügung stehenden Zeitspanne multipliziert.

Mit Hilfe des binären Werts lässt sich in der zu minimierenden Gleichung für jeden Knoten des Transitionsbaums festlegen, ob ein Ladevorgang tatsächlich durchgeführt werden soll oder nicht. Eine weitere vorteilhafte Ausgestaltung des erfindungsgemäßen Verfahrens sieht ferner vor, dass zumindest eine der folgenden Zustandsvariablen genutzt wird: ein Batterieladezustand beim Eintreffen am zum Knoten korrespondierenden bekannten Ort; ein Batterieladezustand beim Verlassen des zum Knoten korrespondierenden bekannten Orts; ein oberer und/oder unterer Batterieladezustandsgrenzwert, wobei sich der untere Batterieladezustandsgrenzwert insbesondere aus einer statischen Energiereserve und einer dynamischen Energiereserve zusammensetzt; und/oder ein binärer Wert, welcher angibt, ob bei Ankunft an und/oder Abfahrt von dem zum Knoten korrespondierenden bekannten Ort die dynamische Energiereserve über einen festgelegten Grenzwert unterschritten wurde.

Mit Hilfe zumindest einiger, insbesondere aller der genannten Zustandsvariablen lässt sich die in der Traktionsbatterie des Fahrzeugs gespeicherte elektrische Energiemenge, auch als State-Of-Charge (SOG) bezeichnet, während des zu betrachtenden Prognosezeitraums besonders genau beschreiben. Die fahrzeugführende Person kann dabei selbst festlegen, wie hoch die dynamische Energiereserve ausfallen soll. Ist die fahrzeugführende Person beispielsweise risikoavers, so wird eine im Vergleich hohe dynamische Energiereserve vorgehalten, sodass die Anzahl an Fahrten, zu denen die dynamische Energiereserve unterschritten wird, auf ein besonders niedriges Niveau abgesenkt wird oder gar niemals unterschritten wird. Die statische Energiereserve hingegen sollte nach Möglichkeit nie unterschritten werden. Die statische Energiereserve kann beispielsweise 20 Prozent der Kapazität der Traktionsbatterie betragen. Die dynamische Energiereserve kann auch vom Nutzungsverhalten der fahrzeugführenden Person abhängig gemacht werden. Sucht die fahrzeugführende Person beispielsweise häufiger unbekannte Orte auf, so kann auch die dynamische Energiereserve erhöht werden. Hierdurch lässt sich in besonders komfortabler und zuverlässiger Art und Weise gewährleisten, dass das Fahrzeug für sämtliche Fahrten eine ausreichende Energiereserve aufweist und somit nicht unvorhergesehene Ladestopps an Orten, die das Fahrzeug explizit zur Durchführung des Ladestopps aufsuchen müsste, durchgeführt werden müssen. Die Energiemenge, welche zum Erreichen eines unbekannten Orts erforderlich ist, kann dabei auch aus vergangenen Fahrten der Nutzungsdaten abgeleitet werden. Hierzu kann beispielsweise ein Mittelwert oder eine andere Metrik wie beispielsweise eine 75 %ige Quantile zur Bestimmung der entsprechenden elektrischen Energiemenge herangezogen werden. Auch kann die Energiemenge mittels eines Modells berechnet werden. Das Modell kann unter Berücksichtigung der vergangenen tatsächlich verbrauchten elektrischen Energiemenge verbessert werden.

Entsprechend einer weiteren vorteilhaften Ausgestaltung des Verfahrens wird zur Bestimmung des Ladezeitplans während des Prognosezeitraums zumindest das einmalige Aufsuchen eines unbekannten Orts durch das Fahrzeug berücksichtigt, wobei hierzu insbesondere der Wahrscheinlichkeit-Vektor durch einen Eintrag zum Aufsuchen eines unbekannten Ortes ergänzt wird. Auf die Möglichkeit des Aufsuchens eines unbekannten Orts durch die fahrzeugführende Person wurde im vorigen bereits umfassend eingegangen.

Eine weitere vorteilhafte Ausgestaltung des erfindungsgemäßen Verfahrens sieht ferner vor, dass eine Random-Forest-Klassifizierung als erstes und/oder zweites Maschinenlernmodell genutzt wird. Bei Random-Forest handelt es sich um ein Klassifikations- und Regressionsverfahren, das aus mehreren unkorrelierten Entscheidungsbäumen besteht. Auf Random-Forest basierende Maschinenlernmodelle haben dabei den Vorteil, dass diese sehr schnell trainiert werden können. Zudem lassen sich für jeden Entscheidungsbaum des Random-Forests Evaluierungen separat durchführen, was eine Parallelisierung ermöglicht. Dies macht solche Maschinenlernmodelle besonders effizient bei der Verarbeitung großer Datenmengen.

Entsprechend einer weiteren vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens werden zur Bestimmung des Parkdauer-Vektors zwei verschieden trainierte zweite Maschinenlernmodelle genutzt, welche als Ergebnis die Zeitdifferenz bis zu einer nächsten Abfahrt und die eigentliche Abfahrtszeit ermitteln. Das Verwenden von zwei unterschiedlichen zweiten Maschinenlernmodellen hat den Vorteil, dass die Vorhersagegüte für die tatsächliche Parkdauer während eines Abstellvorgangs erhöht werden kann. Ein erstes zweites Maschinenlernmodell gibt dabei als Ergebnis die Zeitdifferenz bis zu einer nächsten Abfahrt aus und ein zweites zweites Maschinenlernmodell die eigentliche Abfahrtszeit. Die Ergebnisse der beiden zweiten Maschinenlernmodelle können dann miteinander kombiniert werden. Eine Gewichtung kann beliebig gewählt werden, beispielsweise können die von den beiden zweiten Maschinenlernmodellen ausgegebenen Ergebnisse jeweils anteilig gleich, also 50% und 50% gewichtet werden, oder aber es kann das Ergebnis eines der zweiten Maschinenlernmodelle priorisiert werden.

Eine weitere vorteilhafte Ausgestaltung des Verfahrens sieht ferner vor, dass den bekannten Orten jeweils ein individueller semantischer Bezeichner zugeordnet wird, wobei insbesondere für jeden bekannten Ort ein individuelles Random-Forest-Modell trainiert wird. Als semantischer Bezeichner kann einem bekannten Ort beispielsweise zugeordnet werden: „Arbeit“, „Wohnstätte“, „Supermarkt“, „Fitnessstudio“, „Verwandter“ oder dergleichen. Als Ausgangsmodell kann ein einzelner Random-Forest implementiert werden. Dieser besteht aus maximal 100 Entscheidungsbäumen, welche individuell trainiert werden mit zufällig ausgewählten Datenfragmenten der Nutzungsdaten, also zufällig ausgewählten Kombinationen der in den Nutzungsdaten vorhandenen Fahrten.

Zur Erhöhung der Vorhersagegüte wird jedoch für jeden bekannten Ort ein individuelles Random-Forest-Modell trainiert. Zum Trainieren des zweiten Maschinenlernmodells werden dann aus den Nutzungsdaten die einzelnen Fahrten nach den jeweiligen bekannten Orten gruppiert, sodass die Eingangsdaten der einzelnen Entscheidungsbäume sich jeweils auf einen ganz bestimmten bekannten Ort, also beispielsweise ausschließlich auf den bekannten Ort „Arbeit“ beziehen. Hierdurch wird die Komplexität des Problems reduziert und es wird eine Sammlung aus weniger komplexen, ortsspezifischen Random-Forest-Modellen erhalten. Hierdurch wird die Vorhersagegüte der Parkdauer verbessert.

Entsprechend einer weiteren vorteilhaften Ausgestaltung des Verfahrens wird für jede Stunde eines Interessenszeitraums ein binärer Random-Forest-Klassifikator trainiert, um zu prognostizieren, ob vom jeweiligen Abstellort des Fahrzeugs eine Abfahrt erfolgt. Das Zufallsverhalten des Menschen führt dazu, dass sowohl Parkzeitdauer als auch Abfahrtszeit innerhalb gewisser Grenzen zufälligen Schwankungen unterliegen. Deshalb ist es vorteilhaft anstelle einer genauen Vorhersage einer erwarteten Abfahrtszeit ein Abfahrtszeitfenster anzugeben. Anstelle des Trainierens eines einzelnen Random- Forest-Modells wird daher ein binärer Random-Forest-Klassifikator trainiert für jede Stunde eines relevanten Zeitfensters, also des Interessenszeitraums. Das relevante Zeitfenster wird dabei von der Zeitdifferenz bis zur nächsten Abfahrt oder jeder Stunde des Tages ausgebildet. Auch hierdurch lässt sich für bestimme Randbedingungen die Vorhersagegüte des zweiten Maschinenlernmodells zur Vorhersage der Parkdauer verbessern.

Bevorzugt ermittelt die Recheneinheit für wenigstens einen durchzuführenden Ladevorgang eine Ladeleistungskurve, sodass das Fahrzeug über die Ladedauer des jeweiligen Ladevorgangs mit einer dynamisch angepassten Ladeleistung geladen wird.

Mit Hilfe des im vorigen beschriebenen Verfahrens werden optimale Gelegenheiten zum Durchführen von Ladevorgängen an den Orten ermittelt, an denen die fahrzeugführende Person ohnehin ihr Fahrzeug abstellt. Die fahrzeugführende Person muss somit niemals bzw. nur in seltenen Fällen separat eine Ladestation anfahren. Dabei wird davon ausgegangen, dass während eines einzelnen Ladevorgangs mit einer konstanten Ladeleistung geladen wird bzw. entladen wird. Es besteht jedoch noch ein weiterer Optimierungspotenzial darin, die Ladeleistung während des Durchführens eines Ladevorgangs anzupassen. Die Recheneinheit kann somit in bevorzugter Ausführung für die einzelnen Ladevorgänge jeweils eine individuelle Ladeleistungskurve ermitteln, welche die Ladeleistung während der zeit bzw. die Entladeleistung beschreibt. Hierdurch ist es möglich, beispielsweise während eines besonders langen Abstellzeitraums an einem Zielort die Ladeleistung abzusenken. Hierdurch wird die Traktionsbatterie des Fahrzeugs geschont. Es wird dabei sichergestellt, dass bei Abfahrt vom jeweiligen bekannten Ort der beim Verlassen des bekannten Orts vorgegebene Zielladezustand der Traktionsbatterie auch erreicht wurde. Zur Bestimmung der Ladeleistungskurve löst die Recheneinheit ein nicht lineares Optimierungsproblem. Hierzu können bewährte Löser für Optimierungsprobleme eingesetzt werden. Dies folgt unter Berücksichtigung eines detaillierten Batteriemodells, welches die elektrischen, thermischen und Alterungscharakteristiken der Traktionsbatterie berücksichtigt. Weitere zur Berücksichtigung der Ladeleistungskurve berücksichtige Größen können sein: die während eines Ladevorgangs zu beziehende elektrische Energiemenge, eine Komponententemperatur, der Ladezustand der Traktionsbatterie und dergleichen. Ziel ist es, die Ladekosten und die Alterungskosten, die mit der Alterung der Traktionsbatterie einhergehen, zu senken.

Erfindungsgemäß ist ein Fahrzeug mit einem zumindest teilelektrifizierten Antriebsstrang wie ein Hybrid-Fahrzeug oder rein batterieelektrisch angetriebenes Fahrzeug zur Durchführung eines im vorigen beschriebenen Verfahrens eingerichtet. Die Recheneinheit kann dabei in das Fahrzeug integriert sein oder extern hierzu ausgeführt sein, beispielsweise als mobiles Endgerät oder als Cloudserver. Das mobile Endgerät und/oder der Cloudserver können mit dem Fahrzeug kommunizieren, beispielsweise über Mobilfunk, WiFi, Bluetooth, NFC oder eine sonstige Fahrzeug-zu-X bzw. Fahrzeug- zu-lnfrastruktur-kommunikationsschnittstelle. Bei dem Fahrzeug kann es sich um ein beliebiges Fahrzeug wie einen Pkw, Lkw, Transporter, Bus oder dergleichen handeln. Das Fahrzeug bzw. das mobile Endgerät ist dazu in der Lage, seine Position zu bestimmen und in Kombination mit einer aktuellen Uhrzeit Nutzungsdaten zu generieren, welche Rückschlüsse auf die mit dem Fahrzeug zurückgelegten Fahrten und Abstellvorgänge zulassen. Bei einer Ausführung der Recheneinheit als Cloudserver kann der Cloudserver auch mit einem Betreiber von Ladestationen in Kommunikation stehen und hierdurch das besonders komfortable Abrechnen von Ladevorgängen als Vermittler durchführen. Es können beispielsweise auch Ladestationen gebucht werden, um einen freien Ladeslot bei Ankunft des Fahrzeugs am jeweiligen bekannten Ort zu gewährleisten. Das Reservieren des freien Ladeslots kann dabei vollkommen automatisch und ohne Zutun einer manuellen Bedienhandlung seitens der fahrzeugführenden Person erfolgen. Entsprechende Ladezeitfenster werden aus den Nutzungsdaten vorhergesagt.

Weitere vorteilhafte Ausgestaltungen des erfindungsgemäßen Verfahrens zur Planung von Ladevorgängen für ein Fahrzeug mit einem zumindest teilelektrifizierten Antriebsstrang ergeben sich auch aus den Ausführungsbeispielen, welche nachfolgend unter Bezugnahme auf die Figuren näher beschrieben werden.

Dabei zeigen:

Fig. 1 ein Blockdiagramm eines Schemas zur Ermittlung eines prognostizierten Nutzungsverhaltens eines Fahrzeugs;

Fig. 2 ein Blockdiagramm eines Schemas zur Ermittlung eines Ladezeitplans; Fig. 3 eine schematisierte Darstellung eines Transitionsbaums; und Fig. 4 ein Blockdiagramm eines Schemas zur Ermittlung einer Ladeleistungskurve.

Figur 1 zeigt das von einer Recheneinheit ausgeführte Schema zur Ermittlung eines prognostizierten Nutzungsverhaltens eines erfindungsgemäßen Fahrzeugs. Das Schema lässt sich durch ein Mobilitäts-Vorhersage-Modul umsetzen. Das Mobilitäts-Vorhersage- Modul kann als Hardware und/oder Software ausgeführt sein und dient dazu, das vergangene Nutzungsverhalten eines Fahrzeugs zu analysieren und hieraus abzuleiten, in welcher Reihenfolge bekannte Orte, welche besonders häufig mit dem Fahrzeug aufgesucht werden, aufgesucht werden. Dabei wird auch ermittelt, wie lange das Fahrzeug an einem jeweiligen bekannten Ort abgestellt wird, also parkt. Dargestellt sind ein Gruppierungsmodul 101 , ein Nächster-Ort-Bestimmungsmodul 102 und ein Parkdauer-Abschätzungsmodul 103.

In das Gruppierungsmodul 101 werden Nutzungsdaten ND eingelesen, welche die mit dem Fahrzeug durchgeführten Fahrten und Abstellvorgänge beinhalten. Eine Fahrt ist dabei durch einen Startort mit einer Abfahrtszeit und einen Zielort mit einer Ankunftszeit charakterisiert. Durch die Differenzbildung zwischen Abfahrtszeit und Ankunftszeit lässt sich die Parkdauer bei einem vergangenen Abstellvorgang ermitteln.

Das Gruppierungsmodul 101 analysiert die Nutzungsdaten ND und gruppiert solche Zielorte zueinander, welche sich innerhalb eines bestimmten definierten Umfelds zueinander befinden. Hierdurch lassen sich bekannte Orte definieren, welche von einer fahrzeugführenden Person des Fahrzeugs besonders häufig aufgesucht werden. Bei einem solchen bekannten Ort handelt es sich beispielsweise um die Arbeitsstätte, die Heimstätte, einen favorisierten Supermarkt oder ein favorisiertes Fitnessstudio der fahrzeugführenden Person oder dergleichen. Der jeweilige Ort liegt dabei in einer geringen Entfernung, also Laufdistanz, zum eigentlichen Zielort des Fahrzeugs, da typischerweise ein wechselnder Parkplatz in der Nähe des eigentlichen Zielorts genutzt wird. Es können auch Orte als bekannter Ort erkannt werden, welche vergleichsweise Weit zum eigentlichen Parkplatz entfernt liegen und beispielsweise das nutzen öffentlicher Verkehrsmittel erfordern. Dies ermöglicht die Erkennung relevanter Orte beispielsweise in einer Großstadt, in der es in der Nähe zum tatsächlichen Zielort keine Parkplätze gibt. Der eigentliche Zielort kann dann beispielsweise aus einer Positionsüberwachung der fahrzeugführenden Person mit einem mobilen Endgerät ermittelt werden. Das mobile Endgerät kommuniziert entsprechend mit der Recheneinheit.

Als Ergebnis liefert das Gruppierungsmodul 101 eine Sammlung L der bekannten Orte. Diese gehen, gegebenenfalls ergänzt durch weitere aus den Nutzungsdaten ND abgeleiteten Informationen als Eingangsgröße in einen ersten und einen zweiten Merkmal-Vektor MV_1 und MV_2 ein.

Der erste Merkmal-Vektor MV_1 , gegebenenfalls ergänzt durch eine Sammlung PLAN geplanter Fahrten wird als Eingangsgröße vom Nächster-Ort-Bestimmungsmodul 102 eingelesen. Das Nächster-Ort-Bestimmungsmodul 102 führt ein erstes Maschinenlernmodell ML_1 aus, insbesondere ein auf Random-Forest- Klassifizierung basierendes Maschinenlernmodell. Als Ausgangsgröße liefert das Nächster-Ort- Bestimmungsmodul 102 eine Wahrscheinlichkeits-Vektor WV, welcher für jeden der von der Sammlung L bekannter Orte umfassten bekannten Orte eine Wahrscheinlichkeit angibt, dass der jeweilige bekannte Ort als nächstes vom Fahrzeug als Zielort angefahren wird.

Der zweite Merkmal-Vektor ML_2 wird vom Parkdauer-Abschätzungsmodul 103 eingelesen, welches unter Anwendung eines zweiten Maschinenlernmodells ML_2 hieraus für die jeweiligen bekannten Orte eine erwartete Abstelldauer des Fahrzeugs ermittelt. Die für die jeweiligen bekannten Orte ermittelten erwarteten Abstelldauern werden als Parkdauer-Vektor PV zusammengefasst. Bei dem zweiten Maschinenlernmodell ML_2 kann es sich ebenfalls um ein auf Random-Forest- Klassifizierung basierendes Maschinenlernmodell handeln.

Figur 2 zeigt ein Blockdiagramm eines durch die Recheneinheit ausgeführten Schemas zur Ermittlung des Ladezeitplans aus den vom Mobilitäts-Vorhersage-Modul empfangen Wahrscheinlichkeits-Vektor WV, Parkdauer-Vektor PV und in Abhängigkeit von weiteren Randbedingungen BC, welche äußere Gegebenheiten der Ladecharakteristik bzw. Gegebenheiten des Fahrzeugs beschreiben, wie ein Wirkungsgrad des zumindest teilelektrifizierten Antriebsstrangs. Dabei werden der Wahrscheinlichkeits-Vektor WV und der Parkdauer-Vektor PV von einem Graphen basierten Szenario-Erzeugungs-Modul 201 eingelesen, welches hieraus einen in Figur 3 gezeigten Transitionsbaum 2 ermittelt. Der Transitionsbaum 2 stellt dabei eine Sammlung D von möglichen Transitionsketten 1 dar, welche als mögliche Szenarios, also alle möglichen Kombinationen, welche bekannten Orte mit dem Fahrzeug in welcher Reihenfolge aufgesucht werden können, darstellt.

Diese Sammlung D an Szenarios bzw. der Transitionsbaum 2 wird dann in ein Modul zur Lösung eines gemischt-ganzzahligen Optimierungsproblems 202 eingelesen. Im Modul zur Lösung eines gemischt-ganzzahligen Optimierungsproblems 202 wird für jeden in Figur 3 näher gezeigten Knoten 4 des Transitionsbaums 2 eine bei der Durchführung eines Ladevorgangs anfallende fiktive Kosten beschreibende Gleichung minimiert. Als Ergebnis wird ein solcher Transitionsbaum 2 erhalten, dessen aufsummierte fiktiven Kosten der einzelnen Knoten 4 einen minimalen Wert ergeben. Dieser Transitionsbaum 2 wird zur Bestimmung des Ladezeitplans verwendet. Hierzu gibt das Modul zur Lösung eines gemischt-ganzzahligen Optimierungsproblems 202 als Ergebnis eine Ladeplanempfehlung LPE aus, welche sich aus einer der Transitionsketten 1 des Transitionsbaums 2 mit den geringsten aufsummierten fiktiven Kosten zusammensetzt. Beispielsweise kann die Transitionskette 1 mit der höchsten Eintreffwahrscheinlichkeit, also Anreisewahrscheinlichkeit der einzelnen Knoten 4, ausgewählt werden.

So kann im Fahrzeug auf einer Anzeigevorrichtung beispielsweise angezeigt werden, welche bekannten Orte das Fahrzeug für die nächsten fünf Stopps aufsuchen wird und zu welchen Uhrzeiten dies erfolgen wird. Zudem wird angezeigt, wie lange das Fahrzeug an den jeweiligen bekannten Orten parken wird und an welchen der bekannten Orte ein Ladestopp durchgeführt werden soll und unter welchen Randbedingungen, sprich für welchen Zeitraum und zu welchem Stromtarif und mit welcher Ladeleistung. Das gemischt-ganzzahlige Optimierungsproblem lässt sich beispielsweise durch folgenden Gleichungssatz beschreiben:

unterliegend folgenden Vorgaben:

0 < Cv < 1 , Cv e 2, Vv e V, E_v ■ C_v - E_v S Ev ■ Cv, E_ve IR, Vv e V, e < eA, v - e, Vv e V, e < eo, v - e, Vv e V, ©D, v = ©A,v + E_v, Vv e V_d, V_d e D,

0 < ZA,_V 2 1 , ZA,_V e Z, Vv e V

0 < ZD,_V 2 1 , ZD,V e Z, Vv e V, e_s ■ (1 - z_A,v) S e_A,_v s z_A,v ■ (e_s - e) + e Vv e V_s, Vs e S, e_s ■ (1 - ZD.V) e_D,_v s ZD,V ■ (e_s - e) + e Vv e V_s, Vs e S,

Z_A,v ' P(V) < Ev, Vv e V

ZD,V ■ P(v) < Ev, Vv e V.

Die in den obigen genannten Gleichungen beschriebenen Variablen werden dabei durch den Wahrscheinlichkeits-Vektor WV, den Parkdauer-Vektor PV sowie die weiteren Randbedingungen BC definiert. Dabei entspricht v jeweils einem Knoten 4 aus dem Transitionsbaum 2, wobei V für die Gesamtheit aller Knoten 4 steht. E steht für die von der Ladestation bezogene elektrische Energiemenge. C steht für ein Ladeevent, also ein binärer Identifikator, ob geladen wird oder nicht, z beschreibt einen Verletzungsflag, ob eine dynamische Energiereserve häufiger als ein festgelegter Grenzwert unterschritten wurde. Die Indizes A und D stehen dabei für die Ankunft (arrival) am Zielort bzw. die Abfahrt (departure) vom Startort. P(v) beschreibt dabei die Eintrittswahrscheinlichkeit, dass der bestimmte bekannte Ort als nächstes aufgesucht wird, E mit Index C beschreibt eine fixe Ladegebühr in Form einer Grundgebühr beim Durchführen eines Ladevorgangs am jeweiligen Knoten 4. <t>_w beschreibt einen Kostenfaktor zur Beschreibung des Nutzeraufwands beim Durchführen eines Ladevorgangs, beispielsweise in Form der Laufdistanz zwischen einer Ladestation und dem eigentlichen Zielort der fahrzeugführenden Person. Dieser Wert wird multipliziert mit Variable w_v, welche die tatsächliche Laufdistanz am jeweiligen Knoten 4 beschreibt. e_v beschreibt die Stromkosten pro bezogener elektrischer Energiemenge für jeden entsprechenden Ladevorgang, welcher Wert multipliziert wird mit der bezogenen elektrischen Energiemenge. Dieses Produkt wird geteilt durch die Variable r|_c,v, welche einen Wirkungsgrad beim Durchführen eines Ladevorgangs beschreibt. Die Variable E_v, beschreibt einen unteren Grenzwert der zu beziehenden elektrischen Energiemenge und der entsprechenden mit einem oberen Balken versehen Wert einer korrespondierenden oberen Energiegrenze.

Der Wert e beschreibt einen Ladezustand der Traktionsbatterie des Fahrzeugs, wobei der Index A für den entsprechenden Wert beim Eintreffen an einem Zielort entspricht und der entsprechende Index D für den Zeitpunkt, zu dem das Fahrzeug vom Startort abfährt, e entspricht dabei einer nicht zu unterschreitenden unteren Ladezustandsgrenze und e einer entsprechenden oberen Ladezustandsgrenze.

Die Indizes i und j entsprechend den einzelnen bekannten Orten, welche durch eine Fahrt verbunden werden, also einem Paar aus Startort und Zielort einer Fahrt. Der Wert F entspricht dem dabei anfallenden elektrischen Energieverbrauch, also der verbrauchten elektrischen Antriebsenergiemenge beispielsweise in Form von Kilowattstunden. Die Variable beziehungsweise der Index k beschreibt dabei die Summe aller während einer Transitionskette 1 vor dem aktuellen Aufenthaltsort des Fahrzeugs aufgesuchten bekannten Orte bzw. Knoten 4.

Die Variable e entspricht dabei einer dynamisch vorzuhaltenden Batterieladezustandsreserve. Die Variable E_V beschreibt einen von der fahrzeugführenden Person frei wählbaren Sicherheitsfaktor zur Beschreibung der persönlichen Risikotoleranz, wie häufig das Unterschreiten der dynamischen Energiereserve toleriert wird.

Die Variable D beschreibt die Gesamtheit aller möglichen Transitionsketten 1 eines Transitionsbaums 2. Die Variable S beschreibt die Gesamtheit aller Stufen eines Transitionsbaums 2. Die Variable s ist dabei repräsentativ für die aktuelle Stufe des Transitionsbaums 2.

Figur 3 zeigt eine erläuternde Darstellung wie sich ein solcher T ransitionsbaum 2 zusammensetzt. Ein solcher Transitionsbaum 2 umfasst n Stufen, wobei in Figur 3 die ersten vier Stufen 3.1 , 3.2, 3.3 und 3.4 dargestellt sind. Eine Verbindung zwischen Stufen entspricht dabei einer mit dem Fahrzeug durchgeführten Fahrt. Auf den einzelnen Stufen finden sich die Knoten 4, welche für einen Abstellvorgang des Fahrzeugs repräsentativ sind. Im linken Teil von Figur 3 ist eine Sammlung von drei möglichen bekannten Orten A, B und C gezeigt. Diese können in beliebiger Reihenfolge aufgesucht werden. Mögliche Transitionsketten 1 , in welcher Reihenfolge die jeweiligen Orte A, B und C aufgesucht werden, ergeben sich dann durch die Verbindungslinien der im Transitionsbaum 2 der jeweiligen Knoten 4 verbindenden Fahrten. Generell kann der Transitionsbaum 2 beliebig viele Stufen aufweisen. Erfindungsgemäß wächst der Transitionsbaum 2 so lange weiter, bis ein Abbruchkriterium erreicht wird. Dieses ist beispielsweise ein Ablaufen des Prognosezeitraums, also beispielsweise einer zeitlichen Betrachtung für die nächsten fünf Tage oder auch das Erreichen einer festgelegten Maximalanzahl an Stufen für den Transitionsbaum 2 oder dergleichen.

Gemäß einer vorteilhaften Ausführung des erfindungsgemäßen Verfahrens wird die Ladeleistung während eines bestimmten Ladevorgangs dynamisch angepasst, um insbesondere einer Batterieschonung Rechnung zu tragen. Wie sich die Ladeleistung über die Zeit verändern soll, wird durch eine Ladeleistungskurve LLK beschrieben, deren Schema zur Erzeugung in Figur 4 dargestellt ist. Die Ladeleistungskurve LLK ist dabei die Ausgangsgröße eines Ladeleistungsoptimierungsmodells 401. Eingangsgrößen sind ein Zielladezustand ZLZ, ein zur Durchführung des Ladevorgangs verfügbares Zeitfenster ZF sowie ein Strompreisprofil SPP, welches einen über die Zeit variablen Strompreis an der entsprechenden Ladestation beschreibt.

Ferner gehen in das Ladeleistungsoptimierungsmodul 401 ein aktueller Batterieladezustand BLZ bei Ankunft an der Ladestation sowie die entsprechende Batterietemperatur BT ein. Die beiden Größen stellen ebenfalls Eingangsgrößen für das Batteriemodell 402 dar. In dieses gehen ferner ein Batteriealterungszustand BRZ sowie eine Umgebungstemperatur UT ein.

Das Ladeleistungsoptimierungsmodul 401 ermittelt die während des Ladevorgangs zu einzelnen Zeitintervallen n anfallenden Batterieladezustände BLZn, Ladeleistungen LLn und Batterietemperaturen BTn.

Das Batteriemodell 402 ermittelt ferner eine Kalenderbatteriealterung KBA, eine

Zyklenbatteriealterung ZBA, eine Batterietemperaturdifferenz BTD und eine bezogene Energiemenge während des Ladevorgangs BE, welche an das Ladeleistungsoptimierungsmodul 401 als weitere Eingangsgröße übergeben werden.

Das Batteriemodell 402 entspricht dabei einem Berechnungsmodell der Traktionsbatterie des Fahrzeugs, welches das reale physikalische Verhalten der Traktionsbatterie in möglichst realitätsnaher Näherung beschreibt.

Mit Hilfe des erfindungsgemäßen Verfahrens und des erfindungsgemäßen Fahrzeugs wird ein Komfort für eine fahrzeugführende Person bei der Planung von Ladestopps erheblich verbessert. Insbesondere ist dies unabhängig von einer Routenführung und während der normalen alltäglichen Nutzung des Fahrzeugs möglich. Ladevorgänge werden so geplant, dass Energiekosten minimiert werden, die kalendarische Batteriealterung auf ein Mindestmaß reduziert wird, insbesondere auch eine zyklenabhängige Batteriealterung und dabei sichergestellt wird, und, dass Batteriereserven zum Erreichen aller möglichen Zielorte vorgehalten werden, bevorzugt auch unter Berücksichtigung einer dynamischen Batteriereserve für unvorhergesehene Fahrten.

Claims

Patentansprüche Verfahren zur Planung von Ladevorgängen für ein Fahrzeug mit einem zumindest teilelektrifizierten Antriebsstrang, wobei im vergangenen Nutzungsverhalten des Fahrzeugs historische Fahrten und Abstellvorgänge identifiziert werden, aus denen für einen Prognosezeitraum jeweils mit einer individuellen Eintrittswahrscheinlichkeit behaftete prognostizierte Fahrten und Abstellvorgänge ermittelt werden, welche ausgehend von einem aktuellen Abstellort des Fahrzeugs zu einer Transitionskette (1) verknüpft werden und für die jeweils ein prognostizierter Energieverbrauch ermittelt wird, und wobei unter Berücksichtigung der Transitionskette (1) und Randbedingungen ein Ladezeitplan bestimmt wird, welcher für den Prognosezeitraum zumindest beinhaltet zu welchem Zeitpunkt und an welcher Ladestation ein Ladevorgang durchgeführt werden soll, gekennzeichnet durch die folgenden Verfahrensschritte:

- Einlesen von Nutzungsdaten (ND) des Fahrzeugs durch eine Recheneinheit, wobei in den Nutzungsdaten (ND) für die mit dem Fahrzeug durchgeführten Fahrten und Abstellvorgänge jeweils zumindest Startort und Abfahrtszeit sowie Zielort und Ankunftszeit enthalten sind;

- Bestimmen von bekannten Orten aus den Nutzungsdaten (ND), wobei die Recheneinheit einen Abstellort des Fahrzeugs als bekannten Ort definiert, wenn das Fahrzeug für eine festgelegte Zeitdauer am Abstellort mit einer festgelegten Häufigkeit abgestellt wurde;

- Einlesen zumindest eines ersten Merkmal-Vektors (MV_1) in ein erstes Maschinenlernmodell (ML_1), wobei der erste Merkmal-Vektor (MV_1) zumindest die bekannten Orte umfasst, und wobei das erste Maschinenlernmodell (ML_1) als Ausgangsgröße einen Wahrscheinlichkeits- Vektor (WV) ausgibt, welcher zumindest für jeden bekannten Ort eine Wahrscheinlichkeit angibt, dass der jeweilige bekannte Ort den nächsten Zielort des Fahrzeugs darstellt; Einlesen eines zweiten Merkmal-Vektors (MV_2) in ein zweites Maschinenlernmodell (ML_2), wobei der zweite Merkmal-Vektor (MV_2) zumindest die bekannten Orte umfasst, und wobei das zweite Maschinenlernmodell (ML_2) als Ausgangsgröße einen Parkdauer-Vektor (PV) ausgibt, welcher zumindest für jeden bekannten Ort eine erwartete Abstelldauer des Fahrzeugs angibt;

- Einlesen des Wahrscheinlichkeits-Vektors (WV) und des Parkdauer-Vektors (PV) in ein Graphen basiertes Szenario-Erzeugungs-Modul (201), welches die bekannten Orte bis zum Erreichen eines Abbruchkriteriums zur Erzeugung einer Sammlung möglicher Transitionsketten (1) hintereinander zu einem Transitionsbaum (2) anordnet, wobei der Transitionsbaum (2) von einem durch den aktuellen Abstellort des Fahrzeugs ausgebildeten Wurzelknoten ausgehend n-Stufen (3.1 , 3.2, 3.3, 3.4) aufweist und zur Erzeugung einer nächsthöheren Stufe für jeden Ausgangsknoten auf der aktuellen Stufe für jeden bekannten Ort auf der nächsthöheren Stufe ein Folgeknoten erzeugt und der jeweilige Ausgangsknoten mit den jeweiligen Folgeknoten verknüpft wird, wobei jeder Knoten (4) des Transitionsbaums zumindest mit der Ankunftszeit, Abfahrtzeit und Wahrscheinlichkeit des jeweiligen bekannten Orts behaftet ist;

- Formulieren eines gemischt-ganzzahligen Optimierungsproblems (202) ausgehend vom Transitionsbaum (2), wobei für jeden Knoten (4) des Transitionsbaums (2) in Abhängigkeit von den Ladevorgang einschränkenden Entscheidungsvariablen und Zustandsvariablen die für einen am jeweiligen Knoten (4) durchzuführenden Ladevorgang anfallenden fiktiven Kosten bestimmt werden, welche für die einzelnen Knoten (4) des Transitionsbaums (2) aufsummiert werden;

- Lösen des gemischt-ganzzahligen Optimierungsproblems (202) durch die Recheneinheit mit dem Optimierungsziel: Minimieren der aufsummierten fiktiven Kosten; und

- Ausformulieren des Ladezeitplans gemäß einer der Transitionsketten (1) des Transitionsbaums (2) welcher mit den geringsten fiktiven Kosten behaftet ist. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass der erste Merkmal-Vektor (MV_1) zumindest eine der folgenden weiteren Größen umfasst:

- den aktuellen Startort einer jeweiligen Fahrt aus den Nutzungsdaten;

- die Abfahrtszeit einer jeweiligen Fahrt aus den Nutzungsdaten;

- einen Wochentag an dem die jeweilige Fahrt aus den Nutzungsdaten beginnt;

- der Monat an dem die jeweilige Fahrt aus den Nutzungsdaten beginnt;

- eine Abstelldauer des Fahrzeugs vor dem Starten vom jeweiligen Startort einer jeweiligen Fahrt aus den Nutzungsdaten. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass der zweite Merkmal-Vektor (MV_2) zumindest eine der weiteren Größen umfasst:

- den aktuellen Abstellort des Fahrzeugs;

- die Ankunftszeit einer jeweiligen Fahrt aus den Nutzungsdaten;

- ein Zeitfenster des Tages zu dem eine jeweilige Fahrt aus den Nutzungsdaten endet;

- einen Wochentag an dem die jeweilige Fahrt aus den Nutzungsdaten endet;

- der Monat an dem die jeweilige Fahrt aus den Nutzungsdaten endet;

- ein binärer Wert welcher angibt, ob an dem Tag an dem die jeweilige Fahrt aus den Nutzungsdaten endet Ferien sind;

- eine vorherige Abstelldauer des Fahrzeugs am aktuellen Abstellort des Fahrzeugs. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass jeder Knoten (4) des Transitionsbaums (2) mit zumindest einer der folgenden weiteren Größen behaftet ist:

- eine am jeweiligen bekannten Ort während der Abstelldauer verfügbare minimale und/oder maximale Ladeleistung;

- eine am jeweiligen bekannten Ort zwischen der zu nutzenden Ladestation und dem tatsächlichen Zielort einer fahrzeugführenden Person des Fahrzeugs vorliegende Laufdistanz; und/oder

- Stromkosten der am jeweiligen bekannten Ort zur Durchführung eines Ladevorgangs zu nutzenden Ladestation. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass die Verknüpfungen zwischen Ausgangsknoten und Folgeknoten mit zumindest einer der folgenden Größen behaftet sind:

- ein ausgehend vom Ausgangsknoten zu einer erwarteten Reisezeit zum Erreichen eines bestimmten Folgeknotens erwarteter Energieverbrauch. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass sich die beim Durchführen eines Ladevorgangs anfallenden fiktiven Kosten aus zumindest einer der folgenden Größen zusammensetzen:

- variable Kosten, umfassend zeit- und/oder ortsabhängige Stromkosten und/oder Alterungskosten. Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass zumindest eine der folgenden Entscheidungsvariablen genutzt wird:

- eine während eines Ladevorgangs maximal und eine minimal beziehbare oder abgebbare elektrische Energiemenge, insbesondere eine in einem elektrischen Energiespeicher des Fahrzeugs speicherbare oder aus diesem entnehmbare elektrische Energiemenge; und/oder

- ein binärer Wert, welcher angibt, ob an einem jeweiligen Knoten ein Ladevorgang durchgeführt werden soll oder nicht. Verfahren nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass zumindest eine der folgenden Zustandsvariablen genutzt wird:

- ein Batterieladezustand beim Eintreffen am zum Knoten (4) korrespondierenden bekannten Ort;

- ein Batterieladezustand beim Verlassen des zum Knoten (4) korrespondierenden bekannten Orts;

- ein oberer und/oder unterer Batterieladezustandsgrenzwert, wobei sich der untere Batterieladezustandsgrenzwert insbesondere aus einer statischen Energiereserve und einer dynamischen Energiereserve zusammensetzt; und/oder

- ein binärer Wert, welcher angibt, ob bei Ankunft an und/oder Abfahrt von dem zum Knoten (4) korrespondierenden bekannten Ort die dynamische Energiereserve über einen festgelegten Grenzwert unterschritten wurde. Verfahren nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, dass zur Bestimmung des Ladezeitplans während des Prognosezeitraums zumindest das einmalige Aufsuchen eines unbekannten Orts durch das Fahrzeug berücksichtigt wird, wobei hierzu insbesondere der Wahrscheinlichkeits-Vektor (WV) durch einen Eintrag zum Aufsuchen eines unbekannten Ortes ergänzt wird. Verfahren nach einem der Ansprüche 1 bis 9, dadurch gekennzeichnet, dass eine Random-Forest-Klassifizierung als erstes (ML_1) und/oder zweites Maschinenlernmodell (ML_2) genutzt wird. Verfahren nach einem der Ansprüche 1 bis 10, dadurch gekennzeichnet, dass zur Bestimmung des Parkdauer-Vektors (PV) zwei verschieden trainierte zweite Maschinenlernmodelle (ML_2) genutzt werden, welche als Ergebnis die Zeitdifferenz bis zu einer nächsten Abfahrt und die eigentliche Abfahrtszeit ermitteln. Verfahren nach einem der Ansprüche 1 bis 11 , dadurch gekennzeichnet, dass den bekannten Orten jeweils ein individueller semantischer Bezeichner zugeordnet wird, wobei insbesondere für jeden bekannten Ort ein individuelles Random- Forest-Modell trainiert wird. Verfahren nach einem der Ansprüche 1 bis 12, dadurch gekennzeichnet, dass für jede Stunde eines Interessenszeitraums ein binärer Random-Forest- Klassifikator trainiert wird, um zu prognostizieren, ob vom jeweiligen Abstellort des Fahrzeugs eine Abfahrt erfolgt. Verfahren nach einem der Ansprüche 1 bis 13, dadurch gekennzeichnet, dass die Recheneinheit für wenigstens einen durchzuführenden Ladevorgang eine Ladeleistungskurve ermittelt, sodass das Fahrzeug über die Ladedauer des jeweiligen Ladevorgangs mit einer dynamisch angepassten Ladeleistung geladen wird. Fahrzeug mit einem zumindest teilelektrifizierten Antriebsstrang, gekennzeichnet durch eine Einrichtung zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 14.