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

Verfahren zur planung von ladevorgängen für ein fahrzeug und fahrzeug Download PDF

Info

Publication number
WO2023222372A1
WO2023222372A1 PCT/EP2023/061539 EP2023061539W WO2023222372A1 WO 2023222372 A1 WO2023222372 A1 WO 2023222372A1 EP 2023061539 W EP2023061539 W EP 2023061539W WO 2023222372 A1 WO2023222372 A1 WO 2023222372A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
charging
location
parking
node
Prior art date
Application number
PCT/EP2023/061539
Other languages
English (en)
French (fr)
Inventor
Karl Schwenk
Original Assignee
Mercedes-Benz Group AG
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 Mercedes-Benz Group AG filed Critical Mercedes-Benz Group AG
Publication of WO2023222372A1 publication Critical patent/WO2023222372A1/de

Links

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60LPROPULSION 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
    • B60L53/00Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60Monitoring or controlling charging stations
    • B60L53/62Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60LPROPULSION 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
    • B60L53/00Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60Monitoring or controlling charging stations
    • B60L53/64Optimising energy costs, e.g. responding to electricity rates
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34Route searching; Route guidance
    • G01C21/3453Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3469Fuel consumption; Energy use; Emission aspects
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34Route searching; Route guidance
    • G01C21/3453Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3476Special cost functions, i.e. other than distance or default speed limit of road segments using point of interest [POI] information, e.g. a route passing visible POIs
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34Route searching; Route guidance
    • G01C21/36Input/output arrangements for on-board computers
    • G01C21/3605Destination input or retrieval
    • G01C21/3617Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60LPROPULSION 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
    • B60L2240/00Control parameters of input or output; Target parameters
    • B60L2240/70Interactions with external data bases, e.g. traffic centres
    • B60L2240/72Charging station selection relying on external data
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60LPROPULSION 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
    • B60L2260/00Operating Modes
    • B60L2260/40Control modes
    • B60L2260/46Control modes by self learning

Definitions

  • the invention relates to a method for planning charging processes for a vehicle with an at least partially electrified drive train according to the type defined in more detail in the preamble of claim 1 and to a vehicle for carrying out the method.
  • the proportion of electric vehicles in road traffic is constantly increasing. This includes vehicles with a partially electrified drive train such as plug-in hybrid vehicles as well as purely battery-electric vehicles.
  • charging planning assistants are limited to the analysis of a route planned with the electric vehicle and issue recommendations for carrying out charging stops when the state of charge of the traction battery of the electric vehicle approaches a critical limit value.
  • Charging stations can be suggested close to the programmed route, especially depending on the route a wide variety of boundary conditions, such as the electricity tariff applicable at the charging station, the length of a detour that has to be taken to reach the charging station, the type of charging connection available, the maximum charging power available, the utilization of the charging station and the like.
  • the charging planning assistant can also read an appointment calendar of the person driving the vehicle and recommend carrying out charging processes depending on information read from the appointment calendar.
  • time windows can be determined in which the person driving the vehicle travels with the vehicle, the vehicle is parked and locations can be determined where the vehicle is likely to be. It is necessary to carry out a multi-criteria optimization to determine suggestions for carrying out a suitable charging stop.
  • Such a charging planning assistant which reads the calendar data of the person driving the vehicle, is also known, for example, from DE 10 2016 124 109 A1.
  • the expected usage behavior of the vehicle can be derived from the appointment calendar and the energy consumption on individual route sections can therefore be estimated. This is used to predict an expected charge level of the vehicle's electrical energy storage. Accordingly, needs for carrying out a charging stop can be identified at an early stage.
  • User habits can also be derived from the usage behavior determined in the past, which can be used to estimate future usage behavior of the vehicle.
  • the DE 10 2018 207 043 A1 describes a method and a coordination device for coordinating charging processes of several motor vehicles to optimize the Energy availability and electricity costs.
  • a charging location area and a recommended time interval for a charging process are determined based on the position of the respective vehicle, the energy storage and an energy supply provided by an energy supply network.
  • a method is known that uses machine learning techniques to determine available energy for vehicles.
  • the machine learning model is trained in particular with current or historical operational or environmental characteristics of a vehicle during a journey.
  • the data is then used to suggest charging stations along the route.
  • a particularly convenient and efficient method for planning charging processes for electric vehicles is also known from the applicant's DE 10 2020 003 824 A1.
  • the procedure involves analyzing a sequence of historical journeys made with the vehicle and historical parking processes and taking them into account when determining future energy requirements. In particular, a start of a charging time, a charging duration and/or a charging location at which a corresponding charging process is to be carried out are then determined.
  • future usage behavior of the vehicle is predicted from the vehicle's past usage behavior.
  • the issuing of recommendations for carrying out charging processes is thereby decoupled from active route guidance, so that the person driving the vehicle is conveniently instructed in the everyday use of their vehicle to carry out charging processes.
  • the present invention is based on the object of specifying an even further improved method for planning charging processes.
  • this object is achieved by a method for planning charging processes for a vehicle with an at least partially electrified drive train with the features of claim 1.
  • Advantageous refinements and further developments as well as a corresponding vehicle result from the dependent requirements.
  • a generic method for planning charging processes for a vehicle with an at least partially electrified drive train historical trips and parking processes are identified in the vehicle's past usage behavior, from which forecast trips and parking processes with an individual probability of occurrence are determined for a forecast period, which are based on a Current parking location of the vehicle can be linked to a transition chain and for which a forecast energy consumption is determined, and taking into account the transition chain and boundary conditions, a charging schedule is determined, which for the forecast period at least includes at what time and at which charging station a charging process will be carried out should.
  • the generic method is further developed by the following process steps:
  • the computing unit Determining known locations from the usage data, wherein the computing unit defines a parking location of the vehicle as a known location if the vehicle has been parked at the parking location for a specified period of time with a specified frequency;
  • Reading the probability vector and the parking duration vector into a graph-based scenario generation module which uses the known locations until a termination criterion is reached to generate a collection of possible ones Arranges transition chains one after the other to form a transition tree, the transition tree having n levels starting from a root node formed by the current parking location of the vehicle and generating a subsequent node for each output node at the current level for each known location at the next higher level in order to generate a next higher level and the respective output node is linked to the respective subsequent nodes, each node of the transition tree being associated with at least the arrival time, departure time and probability of the respective known location;
  • the method according to the invention enables the provision of a charging planning assistant, which improves the comfort for the person driving the vehicle in a special way.
  • the usage behavior of the person driving the vehicle is analyzed and future usage behavior during the forecast period is estimated.
  • a particularly high level of prediction quality is achieved. If it is a new vehicle, predefined standard usage behavior patterns and appropriately trained machine learning models can be used as a data basis. The longer the vehicle is used by a specific person driving the vehicle, the more past usage behavior is accumulated and the machine learning models are trained accordingly on the individual usage behavior of the person driving the vehicle, so that the machine learning models can predict this even better.
  • the computing unit determines the locations and durations at which the vehicle is likely to be parked during the forecast period.
  • Charging processes are then carried out at these locations, so that the person driving the vehicle does not have to explicitly drive to a charging station to carry out a charging process. Taking the decision variables and state variables into account, it is then determined whether, where and when a corresponding charging process should be carried out in the case of a parking process that is already planned at the known locations. Various boundary conditions and restrictions or specifications are adhered to, so that the charging processes are carried out in such a way that, on the one hand, the user mobility of the person driving the vehicle is not restricted, a dynamic battery reserve is maintained for carrying out unforeseen journeys, the operating costs of the vehicle are reduced and the environment is protected by charging with the highest possible proportion of renewable energies and reducing battery aging.
  • the individual positive effects can be specifically selected and/or weighted so that at least one of the advantages mentioned is achieved to a desired degree. Particularly advantageously, all of the advantages mentioned are sufficiently fulfilled in accordance with the personal preferences of the person driving the vehicle. For this purpose, the person driving the vehicle can manually transmit the corresponding boundary conditions/specifications to the computing unit.
  • the usage behavior of the vehicle or the person driving the vehicle described by the usage data is analyzed by the computing unit.
  • the usage behavior is characterized by historical trips and parking processes.
  • a trip is defined by a transition from a starting point at a departure time to a destination at an arrival time.
  • a vehicle sensor system can be used to record user behavior and thus generate usage data.
  • Sensor data generated by the sensor system can be evaluated by a vehicle-internal computing unit and/or can also be forwarded to a vehicle-external computing unit via a communication interface.
  • Said computing unit can therefore be integrated into the vehicle or executed externally, for example as a cloud server.
  • Communication between the vehicle and the cloud server can be done, for example, using a telecommunications unit using mobile communications.
  • Mobile devices such as smartphones, tablets, laptops or the like can also be used as a computing device.
  • an application set up to evaluate usage data can be run on a smartphone, which may communicate with the cloud server via mobile communications. Tethering via smartphone is also possible.
  • the vehicle can, for example, determine its position using a position determination module, for example a navigation device.
  • the position determination module can, for example, determine a geoposition by evaluating position data received via navigation satellites.
  • a global navigation satellite system can be, for example, GPS, Galileo, Beidou, GLONASS or the like.
  • the respective departure time and arrival time are determined using a clock and stored together with the position data in the usage data.
  • the starting locations and destinations In order to determine known locations from the starting locations and destinations, the starting locations and destinations must be examined more closely. Typically, the vehicle is not parked at the same geolocation every time a specific location is to be visited. If the location is, for example, the workplace of the person driving the vehicle or a fitness studio, the vehicle is typically parked in a parking space, but each time you visit it again, other parking spaces are occupied and other parking spaces are free. Therefore, the starting locations and destinations determined from the usage data are grouped according to a defined scheme and thereby assigned to the known locations. For example, all start locations or destination locations within a certain radius can be assigned to the same known location. Charging stations, which are suggested for carrying out charging processes, are then located in the respective radius assigned to the corresponding known location.
  • a particularly high charging power is required, which, however, has a detrimental effect on the service life of the vehicle's electrical energy storage, i.e. the traction battery. Due to the high charging currents and charging voltages, the traction battery ages more quickly, but this should be avoided. If the vehicle is parked for longer than 24 hours, there are so many different ways in which a charging process can be carried out, which pushes the limits of calculating a solution using an optimization algorithm. A corresponding optimization algorithm will therefore increasingly diverge.
  • a vehicle typically stops at places that are only visited once or rarely, such as in the case of a vacation trip. Accordingly, a minimum frequency can be defined at which the vehicle must visit a location during a specified period of time, for example at least once a week or 10 times a year or the like, so that the corresponding location is defined as a known location. This avoids irrelevant locations being defined as known locations.
  • An essential part of the idea underlying the invention is to derive future usage behavior from the past usage behavior of the vehicle and thereby determine which known places are visited one after the other and in what order.
  • boundary conditions are taken into account, which will be discussed in more detail below. For example, it can be determined that on a typical day the vehicle is parked at the home of the person driving the vehicle at night, is driven to work in the morning, goes to a fitness studio in the afternoon, and then to a supermarket is visited and the vehicle is then parked back at the home in the evening. Each time, information is available as to how long the vehicle has been parked at the respective destination. The amount of electrical energy to be consumed is determined from the distances to be covered, which predicts the state of charge of the traction battery over time.
  • the charging process is carried out in particular in such a way that charging takes place at a particularly favorable electricity tariff, charging as little electrical energy as possible, which benefits calendar-based aging, but with enough power reserves being kept to ensure that the vehicle can reach at least all of the forecast destinations to carry out a charging process again.
  • the person driving the vehicle does not have to worry about when and how charging processes should be carried out. It simply has to follow the charging strategy determined by the computing unit and output in the vehicle. However, if there is a longer journey during which the vehicle's traction battery is exhausted, charging stations can be suggested on an appropriate travel route to carry out charging stops. These are determined according to strategies known from the prior art, for example depending on the cheapest electricity price, the shortest detour and/or the like.
  • the first machine learning model can be used to predict which known location is most likely to be visited next as a destination. Taking into account the current location of the vehicle, the distance to be covered can be determined as well as the consumption of electrical drive energy required to cover the corresponding distance. Various boundary conditions can be taken into account, such as the topography of the route, current traffic volume, weather conditions, efficiency of vehicle components, for example the efficiency of the traction battery or the drive motors, the driving style of the person driving the vehicle and the like. As a result, the first machine learning model outputs the probability vector, which indicates for each of the known locations a probability that the respective known location will be visited next.
  • the first feature vector includes at least the well-known places.
  • the first machine learning model can thus calculate a probability of visiting the corresponding known locations based solely on the known locations if the first machine learning model is sufficiently trained on the respective person driving the vehicle.
  • the first feature vector can also include other variables, which will be discussed below. This makes it possible to improve the prediction quality for estimating the destination that will actually be visited next by the vehicle.
  • Various boundary conditions can be defined for this unknown location, for example that the unknown location should be in a specific target region, should be at a certain distance from the current location of the vehicle, should be visited at certain times or days of the week, or the like.
  • the first machine learning model reads at least the first feature vector and determines the probability vector from this.
  • a number of trips planned to be carried out with the vehicle in the forecast period can also be read in. These can, for example, be read from an appointment calendar of the person driving the vehicle, recognized by programming a route into a navigation system, or entered manually into the computing unit via a human-machine interface internal to the vehicle or a human-machine interface provided via a mobile terminal.
  • the first machine learning model is given trips to be carried out with a particularly high probability, which improves the quality of the prediction.
  • the process for training the first machine learning model to learn the behavior of the person driving the vehicle is as follows:
  • the trips and parking processes contained in the usage data are provided to the first machine learning model as input data.
  • the first machine learning model learns a connection between the historical sequence of the well-known places visited as a time series of discrete events.
  • the destination of the previous trip is taken into account as the starting point for each trip. If there are gaps in the usage data In this case, a start or destination location can also be formed by a random location. All trips containing such a random location can then be removed from the data set used to train the first machine learning model. Tours can also be deleted from the data record.
  • a round trip is a trip whose destination coincides with the starting location.
  • the first machine learning model can also be provided with additional additional information for each trip, such as actual energy consumption during the trip, a flag indicating whether the trip was spontaneous or planned, or the like.
  • the person driving the vehicle can also enter what type of location it is for the destinations or starting locations visited in the past, for example home, workplace, favorite supermarket, fitness studio or the like.
  • the target locations actually visited are given to the first machine learning model as a target variable. So if a new trip begins from a starting location selected from the group of known locations, this enables the first machine learning model to predict the probability of which of the remaining known locations is a possible destination.
  • the probability of visiting a random location can result from the probability of visiting one of the known locations as the destination. In this way, the probabilities of all known locations can be added up and this sum can be subtracted from 100 percent. The corresponding result is the probability of visiting a random location.
  • the second feature vector can only include the known locations as the sole input variable.
  • the second feature vector can also include other sizes, which will be discussed below.
  • the training of the second machine learning model occurs analogously to the training of the first machine learning model.
  • the corresponding starting locations, destinations, departure times and arrival times are determined from the usage data.
  • the corresponding data can be cleaned analogously to the procedure described above.
  • the parking times that actually occurred in the past at the respective destination are then taken into account as learning data.
  • the second machine learning model learns which of the known locations the vehicle is typically parked at and for how long, if necessary taking other boundary conditions into account.
  • Transition tree corresponds to a transition chain, i.e. a chain of trips to be carried out with the vehicle during the forecast period that occurs with a certain probability.
  • the transition tree therefore includes all possible movement scenarios that are possible within the forecast period based on the current parking location of the vehicle.
  • a mixed-integer optimization problem is now formulated based on the transition tree. For this purpose, an equation is formulated which describes the fictitious costs that arise when carrying out a loading process and which are summed up for all nodes of the transition tree.
  • the aim of the optimization problem is to change the variables entering the equation, taking into account applicable boundary conditions, so that the equation outputs the lowest possible value for each node, i.e. the smallest possible fictitious costs.
  • Fictitious costs do not necessarily only mean costs in the form of monetary units, but rather the increase in a numerical value of the result of the equation to be minimized.
  • the fictitious costs can therefore actually consist of costs in the form of monetary units, and additionally or alternatively by other variables, for example costs of effort, aging, environmental pollution or the like.
  • the transition tree can be recalculated according to predetermined boundary conditions, for example every time a charging process is carried out, after manual initiation by the person driving the vehicle or after a time interval, for example once per day.
  • the forecast period can be, for example, the next five days.
  • the forecast period can also correspond to a certain maximum number of chaining nodes in the transition tree, i.e. a certain number of trips in a row, such as the next twenty trips. Accordingly, the termination criterion is reached when the forecast period ends, the transition tree has reached a certain number of levels or there is a certain minimum probability of occurrence of a certain transition chain from the transition tree.
  • a subsequent node for locating an unknown location can be integrated into the transition tree for each starting node. Depending on the usage behavior of those driving the vehicle For each person, a probability of visiting this random location is determined and linked to the respective node.
  • scenario reduction can be applied to the transition tree, so that transition chains with an occurrence probability below a limit probability are removed from the transition tree.
  • Individual nodes with an arrival probability below a limit probability can also be removed from the transition tree. According to this procedure, all nodes or
  • a conservative charging schedule can be issued as an emergency plan, which, for example, provides for charging processes to be carried out conservatively, for example to carry out a charging process every time the vehicle is parked at a destination with a charge level of the traction battery that is below a set limit.
  • transition chains can be determined which include nodes that each have an arrival probability that is below a limit value, then these nodes can be left out for carrying out charging processes.
  • transition trees or parts of them generated in the past can be reloaded to save computing resources and time.
  • applicable transition chains can be determined if planned trips are taken into account to generate the transition tree. As already mentioned, these can be read from an appointment calendar of the person driving the vehicle or from active route guidance.
  • Each node of the transition tree corresponds to a shutdown phase, i.e. a shutdown process.
  • the individual nodes of a level of the transition tree can each have individual arrival and departure times.
  • the computing unit changes the variables used in the equation used to formulate the mixed integer optimization problem until a minimum of the summed fictitious costs across all nodes is found.
  • One of the included transition chains is then selected for this transition tree to formulate the loading schedule.
  • the selection of the transition chain used to formulate the loading schedule can be made depending on various settings and/or boundary conditions. For example, the transition chain with the highest probability of arrival starting from the root node until reaching the last stage is selected.
  • a correspondingly suitable new transition chain can be selected by the computing unit to formulate the charging schedule.
  • the old and new transition chains then have the same course in the transition tree before the corresponding incorrectly predicted node.
  • a display can take place in the vehicle in a variety of ways. On any display device, for example on a display integrated into the vehicle or on a display of a mobile terminal coupled to the computing unit, recommendations can be made for a future period, for example for the next 5 shutdown processes, the next 3 days or even the entire forecast period Carrying out charging processes with corresponding locations and times can be specified, i.e. when exactly charging should be carried out at which of the known locations at which charging station.
  • the display can be enriched with further information, for example the charging state of the traction battery of the vehicle that occurs upon arrival and/or leaving a known location, the amount of electrical energy charged during a shutdown process, costs incurred or the like.
  • the first machine learning model is trained in a particularly reliable manner to derive from the usage behavior of the person driving the vehicle which known locations the person driving the vehicle will visit in succession with their vehicle. Any combination of the sizes listed can be combined with each other. In a particularly advantageous manner, all of the variables listed are integrated into the first feature vector. The departure time of a respective trip and the current starting point of a respective trip are the most influential factors in deciding which destination should be visited next.
  • the second feature vector includes at least one of the further variables: the current parking location of the vehicle; the arrival time of a respective trip from the usage data; a time window of the day at which a respective trip from the usage data ends; a day of the week on which the respective trip from the usage data ends; the month on which the respective trip from the usage data ends; a binary value which indicates whether there is a holiday on the day on which the respective trip from the usage data ends; a travel duration of the journey preceding the respective journey from the usage data; and/or a previous period of parking of the vehicle at the current parking location of the vehicle.
  • any combinations of the listed variables can be taken into account as input variables for the second machine learning model for integration into the second feature vector. All of the listed variables are preferably integrated into the second feature vector.
  • the second machine learning model is trained in a particularly extensive manner in order to predict the actual shutdown duration depending on the input variables at a respective target location with a particularly high level of prediction quality.
  • each node of the transition tree has at least one of the following additional variables: a minimum and/or maximum charging power available at the respective known location during the shutdown period; a running distance present at the respective known location between the charging station to be used and the actual destination of a person driving the vehicle; and or
  • the amount of electricity costs at the respective known location can depend on other boundary conditions, for example the time of day, the day of the week, the month, the existence of holidays or the like.
  • a charging station is not located exactly at the location where the vehicle is driving person would also like to visit, but within a short walking distance.
  • the corresponding walking distance of the actual location of the charging station, described by geoposition data for example, to the actual destination of the person driving the vehicle, described by geoposition data, can be used, for example, as additional boundary conditions for formulating the fictitious costs.
  • a maximum or minimum amount of energy that can be obtained during a charging process can also be calculated.
  • the available charging power can also depend on various boundary conditions, for example network utilization, a selected electricity tariff, a time of day or the like.
  • the links between output nodes and subsequent nodes have at least one of the following variables:
  • the links between the individual nodes of the transition tree correspond to journeys to be made by the vehicle.
  • a corresponding trip is analogously advantageously associated with a probability of arrival, a travel duration and/or an energy consumption.
  • the corresponding sizes can be designed to be variable depending on the travel time, i.e. the respective departure time from the starting point. For example, a trip may take longer during rush hour early in the morning or late afternoon than during lunchtime.
  • energy consumption can depend, for example, on the current traffic volume, weather conditions, topography of the route to be covered, and the like. All of these variables can be taken into account appropriately in order to predict the probability of arrival, the travel duration and/or the energy consumption with a particularly high level of prediction quality.
  • the computing unit uses a calculation model that is specifically tailored to the vehicle and/or the driving style of the person driving the vehicle.
  • This calculation model can, for example, take into account the efficiencies of vehicle components and/or signs of aging of the vehicle components in order to achieve a particularly high level of prediction quality.
  • variable costs including time- and/or location-dependent electricity costs and/or aging costs.
  • the fictitious costs represent a particularly relevant quantity for carrying out the method according to the invention, since they should be minimized during the optimization.
  • the fictitious costs can consist of fixed costs and/or variable costs.
  • Fixed costs include, for example, a basic fee for carrying out a charging process. This can be collected, for example, by an operator of a charging station, and is due every time a vehicle is connected to a charging station, or even if a certain number of charging processes are carried out at a charging station of the charging station operator during a certain period of time, for example a month, for example a charging process.
  • the basic fee corresponds to costs in the form of monetary units and is represented by a number in the equation to be minimized.
  • the effort costs can be understood as a value that can be used to express a negative impact on user comfort, for example expressed as a walking distance between the actual position of the charging station and the actual destination of the person driving the vehicle. The further the charging station is from the actual destination, the further the person driving the vehicle has to walk, which reduces their comfort.
  • the effort costs are therefore to be understood abstractly and are also represented by a numerical value in the equation to be minimized.
  • the expense costs can be determined individually by the person
  • the factor selected by the person driving the vehicle can be weighted. For example, if the person driving the vehicle likes to walk, he or she can weight the expense costs with a particularly low factor, so that the basic fee will make up a larger proportion of the fixed costs than the expense costs.
  • the fixed costs can be formulated as a sum and multiplied by a charging process flag so that the fixed costs only arise if a charging process is actually carried out at the vehicle's parking location.
  • variable costs may include time- and/or location-dependent electricity costs and/or aging costs.
  • the electricity tariff applicable to the respective charging process is multiplied by the amount of electrical energy purchased and divided by the efficiency of the respective charging process.
  • Minimizing variable costs also goes hand in hand with an increase in the battery life of the traction battery.
  • the calendar aging of the traction battery is proportional to the amount of electrical energy stored in the traction battery. By reducing the amount of electrical energy typically stored in the traction battery, the rate at which the traction battery is subject to calendar aging decreases. This is due to the fact that by minimizing the total fixed costs for the individual charging processes, as little electrical energy as possible is always used.
  • the corresponding fixed costs, variable costs or the sum thereof can be multiplied for each node of the transition tree by the respective probability with which the respective node in the transition tree will actually be visited by the person driving the vehicle. This is due to the fact that at the time at which the transition tree is calculated or at which the formulation of the loading schedule is initiated, it is not yet known which transition chain from the transition tree will actually arrive. So it is not the actual fictitious costs that can be minimized, but only the expected fictitious costs.
  • At least one of the following decision variables is used: a maximum and a minimum amount of electrical energy that can be obtained or dissipated during a charging process, in particular an amount of electrical energy that can be stored in or removed from an electrical energy storage device of the vehicle; and/or a binary value which indicates whether or not a loading process should be carried out at a respective node.
  • the maximum amount of electrical energy that can be obtained or delivered during a charging process depends on the capacity and state of charge of the traction battery when the charging process starts. Taking efficiency and aging into account, the amount of electrical energy that can actually be stored or released by the vehicle can also be determined.
  • the method according to the invention therefore not only provides for charging the traction battery of the vehicle during a charging process, but it is also possible to feed electrical energy back into the power grid.
  • the vehicle's traction battery is charged when the electricity tariff is cheap and electrical energy is fed back into the grid when a particularly high payment is possible.
  • feeding electrical energy from the traction battery back into the power grid inevitably leads to an increasing number of charging cycles for the traction battery. This causes the traction battery to age more quickly.
  • the disadvantages associated with the aging of the traction battery particularly in the form of limitations due to limited capacity and costs, are taken into account in order to make a decision as to whether energy should actually be fed back into the power grid.
  • an efficiency of the respective charging or discharging process is multiplied by the respective available charging power and the time period available to carry out the charging process.
  • the binary value can be used to determine in the equation to be minimized for each node of the transition tree whether a loading process should actually be carried out or not.
  • a further advantageous embodiment of the method according to the invention further provides that at least one of the following state variables is used: a battery charge state upon arrival at the known location corresponding to the node; a battery charge state when leaving the known location corresponding to the node; an upper and/or lower battery state of charge limit, the lower battery state of charge limit being composed in particular of a static energy reserve and a dynamic energy reserve; and/or a binary value which indicates whether the dynamic energy reserve fell below a specified limit upon arrival at and/or departure from the known location corresponding to the node.
  • the amount of electrical energy stored in the vehicle's traction battery also referred to as State-Of-Charge (SOG)
  • SOG State-Of-Charge
  • the person driving the vehicle can determine for themselves how high the dynamic energy reserve should be. For example, if the person driving the vehicle is risk-averse, a comparatively high dynamic energy reserve is maintained, so that the number of trips on which the dynamic energy reserve is undercut is reduced to a particularly low level or is never undercut.
  • the static energy reserve should, if possible, never be undershot.
  • the static energy reserve can be, for example, 20 percent of the capacity of the traction battery.
  • the dynamic energy reserve can also be made dependent on the usage behavior of the person driving the vehicle. For example, if the person driving the vehicle frequently visits unknown places, the dynamic energy reserve can also be increased. This makes it possible to ensure in a particularly comfortable and reliable manner that the vehicle has a sufficient energy reserve for all journeys and that unforeseen charging stops do not have to be carried out in places that the vehicle would have to explicitly visit to carry out the charging stop.
  • the amount of energy required to reach an unknown location can also be derived from past journeys and usage data. For this purpose, for example, an average or another metric such as a 75% quantile can be used to determine the corresponding amount of electrical energy.
  • the amount of energy can also be calculated using a model. The model can be improved taking into account the amount of electrical energy actually consumed in the past.
  • At least the one-time visit to an unknown location by the vehicle is taken into account, for this purpose in particular the probability vector is supplemented by an entry for visiting an unknown location.
  • a further advantageous embodiment of the method according to the invention further provides that a random forest classification is used as the first and/or second machine learning model.
  • Random forest is a classification and regression method that consists of several uncorrelated decision trees.
  • Machine learning models based on random forest have the advantage that they can be trained very quickly.
  • evaluations can be carried out separately for each decision tree in the random forest, which enables parallelization. This makes such machine learning models particularly efficient when processing large amounts of data.
  • two differently trained second machine learning models are used to determine the parking duration vector, which as a result determine the time difference until the next departure and the actual departure time.
  • Using two different second machine learning models has the advantage that the prediction quality for the actual parking duration during a parking process can be increased.
  • a first, second machine learning model outputs the time difference until the next departure as a result, and a second second one Machine learning model the actual departure time.
  • the results of the second two machine learning models can then be combined with each other.
  • a weighting can be chosen arbitrarily, for example the results output by the two second machine learning models can each be weighted equally, i.e. 50% and 50%, or the result of one of the second machine learning models can be prioritized.
  • a further advantageous embodiment of the method further provides that an individual semantic identifier is assigned to the known locations, with an individual random forest model being trained in particular for each known location.
  • a known place can be assigned as a semantic identifier: “work”, “home”, “supermarket”, “gym”, “relative” or the like.
  • a single random forest can be implemented as the initial model. This consists of a maximum of 100 decision trees, which are individually trained with randomly selected data fragments of the usage data, i.e. randomly selected combinations of the trips present in the usage data.
  • an individual random forest model is trained for each known location.
  • the individual trips are then grouped from the usage data according to the respective known locations, so that the input data of the individual decision trees each relate to a very specific known location, for example exclusively to the known location “work”. This reduces the complexity of the problem and results in a collection of less complex, site-specific random forest models. This improves the quality of prediction of parking duration.
  • a binary random forest classifier is trained for each hour of a period of interest in order to predict whether a departure will take place from the respective parking location of the vehicle.
  • the random behavior of humans means that both parking time and departure time are subject to random fluctuations within certain limits. It is therefore advantageous to specify a departure time window instead of an exact prediction of an expected departure time.
  • a binary random forest classifier is therefore trained for every hour of a relevant time window, i.e. the period of interest.
  • the relevant time window is formed by the time difference until the next departure or every hour of the day. This also allows the prediction quality of the second machine learning model to predict the parking duration to be improved for certain boundary conditions.
  • the computing unit preferably determines a charging power curve for at least one charging process to be carried out, so that the vehicle is charged with a dynamically adjusted charging power over the charging duration of the respective charging process.
  • the computing unit can therefore determine an individual charging power curve for the individual charging processes, which describes the charging power during the time or the discharging power. This makes it possible, for example, to reduce the charging power during a particularly long parking period at a destination. This protects the vehicle's traction battery.
  • the computing unit solves a non-linear optimization problem.
  • proven solvers for optimization problems can be used. This follows a detailed battery model that takes into account the electrical, thermal and aging characteristics of the traction battery. Further variables that can be taken into account for the charging power curve can be: the amount of electrical energy to be drawn during a charging process, a component temperature, the state of charge of the traction battery and the like. the goal is to reduce the charging costs and the aging costs associated with the aging of the traction battery.
  • a vehicle with an at least partially electrified drive train such as a hybrid vehicle or purely battery-electric vehicle, is set up to carry out a method described above.
  • the computing unit can be integrated into the vehicle or designed externally, for example as a mobile device or as a cloud server.
  • the mobile device and/or the cloud server can communicate with the vehicle, for example via cellular communications, WiFi, Bluetooth, NFC or another vehicle-to-X or vehicle-to-infrastructure communication interface.
  • the vehicle can be any vehicle such as a car, truck, van, bus or the like.
  • the vehicle or the mobile device is able to determine its position and, in combination with a current time, generate usage data, which allows conclusions to be drawn about the journeys and parking operations made with the vehicle.
  • the cloud server can also communicate with an operator of charging stations and thereby carry out the particularly convenient billing of charging processes as an intermediary. For example, charging stations can also be booked to ensure a free charging slot when the vehicle arrives at the respective known location. The reservation of the free charging slot can be done completely automatically and without any manual operation on the part of the person driving the vehicle. Corresponding loading time windows are predicted from the usage data.
  • FIG. 1 shows a block diagram of a scheme for determining a predicted usage behavior of a vehicle
  • FIG. 2 is a block diagram of a scheme for determining a loading schedule
  • 3 shows a schematic representation of a transition tree
  • FIG. 4 is a block diagram of a scheme for determining a charging power curve.
  • Figure 1 shows the scheme executed by a computing unit for determining a predicted usage behavior of a vehicle according to the invention.
  • the scheme can be implemented through a mobility prediction module.
  • the mobility prediction module can be designed as hardware and/or software and is used to analyze the past usage behavior of a vehicle and to derive from this the order in which known places that are visited particularly frequently with the vehicle are visited. This also determines how long the vehicle is parked at a known location. Shown are a grouping module 101, a next location determination module 102 and a parking duration estimation module 103.
  • Usage data ND is read into the grouping module 101, which includes the trips and parking operations carried out with the vehicle.
  • a trip is characterized by a starting point with a departure time and a destination with an arrival time. By forming the difference between the departure time and the arrival time, the parking duration for a previous parking process can be determined.
  • the grouping module 101 analyzes the usage data ND and groups together those destinations that are within a certain defined environment. This makes it possible to define known locations that are visited particularly frequently by the person driving the vehicle. Such a known location is, for example, the person driving the vehicle's workplace, home, favorite supermarket or fitness studio, or the like. The respective location is a short distance, i.e. walking distance, from the actual destination of the vehicle, since a changing parking space is typically used near the actual destination. Places can also be recognized as known locations that are comparatively far away from the actual parking lot and, for example, require the use of public transport. This makes it possible to identify relevant locations, for example in a large city where there are no parking spaces close to the actual destination. The actual destination can then, for example, consist of one Position monitoring of the person driving the vehicle can be determined using a mobile device. The mobile device communicates accordingly with the computing unit.
  • the grouping module 101 provides a collection L of known locations. These, optionally supplemented by further information derived from the usage data ND, are included as input variables in a first and a second feature vector MV_1 and MV_2.
  • the first feature vector MV_1 is read in as an input variable by the next location determination module 102.
  • the next location determination module 102 executes a first machine learning model ML_1, in particular a machine learning model based on random forest classification.
  • the next location determination module 102 supplies a probability vector WV, which indicates a probability for each of the known locations included in the collection L of known locations that the respective known location will be next approached by the vehicle as a destination.
  • the second feature vector ML_2 is read in by the parking duration estimation module 103, which uses this to determine an expected parking duration of the vehicle for the respective known locations using a second machine learning model ML_2.
  • the expected parking times determined for the respective known locations are summarized as the parking duration vector PV.
  • the second machine learning model ML_2 can also be a machine learning model based on random forest classification.
  • Figure 2 shows a block diagram of a scheme executed by the computing unit for determining the charging schedule from the probability vector WV, parking duration vector PV received from the mobility prediction module and depending on further boundary conditions BC, which are external conditions of the charging characteristics or conditions of the Vehicle describe how an efficiency of the at least partially electrified drive train.
  • the probability vector WV and the parking duration vector PV are created by a graph-based scenario generation module 201 is read in, which determines a transition tree 2 shown in FIG. 3.
  • the transition tree 2 represents a collection D of possible transition chains 1, which represent possible scenarios, i.e. all possible combinations, which known locations can be visited with the vehicle and in what order.
  • This collection D of scenarios or the transition tree 2 is then read into a module for solving a mixed-integer optimization problem 202.
  • the module for solving a mixed-integer optimization problem 202 an equation describing fictitious costs incurred when carrying out a loading process is minimized for each node 4 of the transition tree 2 shown in more detail in FIG. 3.
  • the result is a transition tree 2 whose summed fictitious costs of the individual nodes 4 result in a minimum value.
  • This transition tree 2 is used to determine the loading schedule.
  • the module for solving a mixed integer optimization problem 202 outputs a loading plan recommendation LPE as a result, which is composed of one of the transition chains 1 of the transition tree 2 with the lowest summed fictitious costs. For example, the transition chain 1 with the highest probability of arrival, i.e. the probability of arrival of the individual nodes 4, can be selected.
  • a display device in the vehicle can show which known locations the vehicle will visit for the next five stops and at what times this will take place. It also shows how long the vehicle will be parked at the respective known locations and at which of the known locations a charging stop should be carried out and under what conditions, i.e. for what period and at what electricity tariff and with what charging power.
  • the mixed-integer optimization problem can be described, for example, by the following set of equations: subject to the following requirements:
  • V corresponds to a node 4 from transition tree 2, where V stands for the entirety of all nodes 4.
  • E stands for the amount of electrical energy drawn from the charging station.
  • C stands for a charging event, i.e. a binary identifier, whether charging is taking place or not, z describes a violation flag, whether a dynamic energy reserve was exceeded more often than a specified limit value.
  • the indices A and D stand for the arrival (arrival) at the destination or the departure (departure) from the starting location.
  • E with index C describes a fixed charging fee in the form of a basic fee when carrying out a charging process at the respective node 4.
  • w describes a cost factor to describe the User effort when carrying out a charging process, for example in the form of the walking distance between a charging station and the actual destination of the person driving the vehicle.
  • This value is multiplied by variable w v , which describes the actual running distance at the respective node 4.
  • e v describes the electricity costs per amount of electrical energy purchased for each corresponding charging process, which value is multiplied by the amount of electrical energy purchased.
  • This product is divided by the variable r
  • the variable E v describes a lower limit value of the amount of electrical energy to be obtained and the corresponding value provided with an upper bar of a corresponding upper energy limit.
  • the value e describes a state of charge of the traction battery of the vehicle, whereby the index A corresponds to the corresponding value when arriving at a destination and the corresponding index D corresponds to the time at which the vehicle departs from the starting point, e corresponding to a lower value that should not be undercut State of charge limit and e a corresponding upper state of charge limit.
  • the indices i and j correspond to the individual known locations that are connected by a trip, i.e. a pair of start location and destination of a trip.
  • the value F corresponds to the resulting electrical energy consumption, i.e. the amount of electrical drive energy consumed, for example in the form of kilowatt hours.
  • the variable or the index k describes the sum of all known locations or nodes 4 visited during a transition chain 1 before the current location of the vehicle.
  • variable e corresponds to a battery state of charge reserve that is to be maintained dynamically.
  • the variable EV describes a safety factor that can be freely selected by the person driving the vehicle to describe their personal risk tolerance and how often falling below the dynamic energy reserve is tolerated.
  • the variable D describes the entirety of all possible transition chains 1 of a transition tree 2.
  • the variable S describes the entirety of all stages of a transition tree 2.
  • the variable s is representative of the current level of the transition tree 2.
  • Figure 3 shows an explanatory representation of how such a transition tree 2 is put together.
  • Such a transition tree 2 comprises n stages, with the first four stages 3.1, 3.2, 3.3 and 3.4 being shown in Figure 3.
  • a connection between stages corresponds to a journey carried out with the vehicle.
  • In the left part of Figure 3 a collection of three possible known locations A, B and C is shown. These can be visited in any order. Possible transition chains 1, in which order the respective locations A, B and C are visited, then result from the connecting lines of the journeys connecting the respective nodes 4 in the transition tree 2.
  • the transition tree 2 can have any number of levels.
  • the transition tree 2 continues to grow until a termination criterion is reached. This is, for example, an expiry of the forecast period, for example a temporal consideration for the next five days or the achievement of a specified maximum number of levels for the transition tree 2 or the like.
  • the charging power is dynamically adjusted during a specific charging process, in particular to take battery protection into account.
  • a charging power curve LLK is the output variable of a charging power optimization model 401.
  • Input variables are a target charging state ZLZ, a time window ZF available to carry out the charging process and an electricity price profile SPP, which describes an electricity price that varies over time at the corresponding charging station.
  • a current battery charge status BLZ upon arrival at the charging station and the corresponding battery temperature BT are included in the charging power optimization module 401.
  • the two variables also represent input variables for the battery model 402. This also includes a battery aging state BRZ and an ambient temperature UT.
  • the charging power optimization module 401 determines the battery charge states BLZn, charging powers LLn and battery temperatures BTn that arise during the charging process at individual time intervals n.
  • the battery model 402 also determines a calendar battery aging KBA, a
  • Cycle battery aging ZBA a battery temperature difference BTD and a related Amount of energy during the charging process BE, which is transferred to the charging power optimization module 401 as a further input variable.
  • the battery model 402 corresponds to a calculation model of the traction battery of the vehicle, which describes the real physical behavior of the traction battery as close to reality as possible.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Power Engineering (AREA)
  • Social Psychology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

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:
Figure imgf000031_0001
unterliegend folgenden Vorgaben:
0 < Cv < 1 , Cv e 2, Vv e V, Ev ■ Cv - Ev S Ev ■ Cv, Eve IR, Vv e V, e < eA, v - e, Vv e V, e < eo, v - e, Vv e V, ©D, v = ©A,v + Ev, Vv e Vd, Vd e D,
Figure imgf000032_0001
0 < ZA,V 2 1 , ZA,V e Z, Vv e V
0 < ZD,V 2 1 , ZD,V e Z, Vv e V, es ■ (1 - zA,v) S eA,v s zA,v ■ (es - e) + e Vv e Vs, Vs e S, es ■ (1 - ZD.V) eD,v s ZD,V ■ (es - e) + e Vv e Vs, Vs e S,
ZA,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 wv, welche die tatsächliche Laufdistanz am jeweiligen Knoten 4 beschreibt. ev 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 Ev, 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 EV 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;
- 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. 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 Reisedauer der der jeweiligen Fahrt aus den Nutzungsdaten vorausgehenden Fahrt; und/oder
- 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:
- 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. 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:
- 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. 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.
PCT/EP2023/061539 2022-05-17 2023-05-02 Verfahren zur planung von ladevorgängen für ein fahrzeug und fahrzeug WO2023222372A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022001721.0 2022-05-17
DE102022001721.0A DE102022001721B3 (de) 2022-05-17 2022-05-17 Verfahren zur Planung von Ladevorgängen für ein Fahrzeug und Fahrzeug

Publications (1)

Publication Number Publication Date
WO2023222372A1 true WO2023222372A1 (de) 2023-11-23

Family

ID=86424663

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/061539 WO2023222372A1 (de) 2022-05-17 2023-05-02 Verfahren zur planung von ladevorgängen für ein fahrzeug und fahrzeug

Country Status (2)

Country Link
DE (1) DE102022001721B3 (de)
WO (1) WO2023222372A1 (de)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016124109A1 (de) 2015-12-22 2017-06-22 GM Global Technology Operations LLC Fahrzeugenergieverwaltung für die verwendung der fahrplandaten des bedieners
DE102018207043A1 (de) 2018-05-07 2019-11-07 Audi Ag Verfahren und Koordinationseinrichtung zum Koordinieren von Ladevorgängen mehrerer Kraftfahrzeuge zur Optimierung der Energieverfügbarkeit und der Stromkosten
DE102018214986A1 (de) 2018-09-04 2020-03-05 Zf Friedrichshafen Ag Vorrichtung, Verfahren und System zur Routenplanung eines Elektromobils
US20200218270A1 (en) 2019-01-07 2020-07-09 Wing Aviation Llc Using machine learning techniques to estimate available energy for vehicles
WO2021244632A1 (zh) * 2020-06-05 2021-12-09 北京理工大学 一种电动汽车能耗预测方法及系统
DE102020003824A1 (de) 2020-06-25 2021-12-30 Daimler Ag Verfahren zur Planung von Ladevorgängen für ein Elektrofahrzeug

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016124109A1 (de) 2015-12-22 2017-06-22 GM Global Technology Operations LLC Fahrzeugenergieverwaltung für die verwendung der fahrplandaten des bedieners
DE102018207043A1 (de) 2018-05-07 2019-11-07 Audi Ag Verfahren und Koordinationseinrichtung zum Koordinieren von Ladevorgängen mehrerer Kraftfahrzeuge zur Optimierung der Energieverfügbarkeit und der Stromkosten
DE102018214986A1 (de) 2018-09-04 2020-03-05 Zf Friedrichshafen Ag Vorrichtung, Verfahren und System zur Routenplanung eines Elektromobils
US20200218270A1 (en) 2019-01-07 2020-07-09 Wing Aviation Llc Using machine learning techniques to estimate available energy for vehicles
WO2021244632A1 (zh) * 2020-06-05 2021-12-09 北京理工大学 一种电动汽车能耗预测方法及系统
DE102020003824A1 (de) 2020-06-25 2021-12-30 Daimler Ag Verfahren zur Planung von Ladevorgängen für ein Elektrofahrzeug

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KARL ET AL.: "2021 IEEE Symposium Series on Computational Intelligence (SSCI", 2021, IEEE, article "A Benchmark for Parking Duration Prediction of Electric Vehicles for Smart Charging Applications", pages: 1 - 8

Also Published As

Publication number Publication date
DE102022001721B3 (de) 2023-10-12

Similar Documents

Publication Publication Date Title
DE102016124109B4 (de) Energieverwaltungssystem für ein elektrofahrzeug
EP3676707B1 (de) Verfahren zur nutzung einer rechnereinheit sowie fahrzeug
Wang et al. Modeling of plug-in electric vehicle travel patterns and charging load based on trip chain generation
DE112011100624B4 (de) Energieversorgungssteuervorrichtung und Informationsbereitstellungsvorrichtung
DE102020103102A1 (de) System und verfahren zum laden einer flotte von batterieelektrofahrzeugen
EP3333036B1 (de) Verfahren zum ermitteln eines fahrzustandes eines hybridfahrzeuges für streckensegmente einer vorausliegenden fahrstrecke und hybridfahrzeug
DE102016005630A1 (de) Datenverarbeitungseinheit zur Kommunikation zwischen mindestens einem Kraftfahrzeug und zwischen einer Vielzahl von Ladestationen zum Aufladen einer Energiespeichereinrichtung eines Kraftfahrzeugs
WO2020074554A1 (de) Verfahren und backendvorrichtung zur prädiktiven ladesteuerung für einen elektrischen energiespeicher eines kraftfahrzeugs
DE102017211689A1 (de) Verfahren zur Routenplanung und Routenoptimierung für ein elektrisch fahrendes Fahrzeug
DE102013216090A1 (de) Ein Fahrzeug unter erneuerbarer Energie betreibendes Managementsystem
DE102010039075A1 (de) Ausgabevorrichtung und -System für Informationen über eine elektrische Energiemenge
DE102013225830A1 (de) Verfahren und vorrichtung zur zusammenhangsbasierten fahrtplanung
WO2014023369A2 (de) Verfahren zur steuerung des ladebetriebs eines elektrokraftfahrzeugs
DE102014204308A1 (de) Reichweitenschätzung für Elektrofahrzeuge
DE102013008716A1 (de) Fahrzeug mit einem elektrischen Antrieb sowie Verfahren zum Betreiben eines solchen Fahrzeugs
EP2989422A1 (de) Verfahren und vorrichtung zum auswählen einer route zum befahren durch ein fahrzeug
DE102020119861A1 (de) Verfahren und Assistenzeinrichtung zum iterativ optimierten Betreiben eines Kraftfahrzeugs und Kraftfahrzeug
DE102022117028A1 (de) Verfahren zur Ladesteuerung eines Elektrofahrzeuges
DE102018207043A1 (de) Verfahren und Koordinationseinrichtung zum Koordinieren von Ladevorgängen mehrerer Kraftfahrzeuge zur Optimierung der Energieverfügbarkeit und der Stromkosten
DE102017213984A1 (de) Verfahren zum Betreiben einer Navigationsvorrichtung für ein Kraftfahrzeug
DE102014001300A1 (de) Verfahren zur Steuerung eines Hybridantriebs in einem Kraftfahrzeug und zugehöriges Kraftfahrzeug
DE112018003472T5 (de) Anzeigevorrichtung, Anzeigemethode und Steuervorrichtung
DE102012216498A1 (de) Analysator des persönlichen Nutzens eines Elektrofahrzeugs
DE102022001721B3 (de) Verfahren zur Planung von Ladevorgängen für ein Fahrzeug und Fahrzeug
WO2023247089A1 (de) Verfahren und vorrichtung zur prädiktion der wartezeit an einer ladestation

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: 23724713

Country of ref document: EP

Kind code of ref document: A1