WO2023247089A1 - Verfahren und vorrichtung zur prädiktion der wartezeit an einer ladestation - Google Patents

Verfahren und vorrichtung zur prädiktion der wartezeit an einer ladestation Download PDF

Info

Publication number
WO2023247089A1
WO2023247089A1 PCT/EP2023/060499 EP2023060499W WO2023247089A1 WO 2023247089 A1 WO2023247089 A1 WO 2023247089A1 EP 2023060499 W EP2023060499 W EP 2023060499W WO 2023247089 A1 WO2023247089 A1 WO 2023247089A1
Authority
WO
WIPO (PCT)
Prior art keywords
charging
waiting
time
occupied
rate
Prior art date
Application number
PCT/EP2023/060499
Other languages
English (en)
French (fr)
Inventor
Heidrun Belzner
Daniel Kotzor
Original Assignee
Bayerische Motoren Werke Aktiengesellschaft
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bayerische Motoren Werke Aktiengesellschaft filed Critical Bayerische Motoren Werke Aktiengesellschaft
Publication of WO2023247089A1 publication Critical patent/WO2023247089A1/de

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/67—Controlling two or more charging stations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/30—Constructional details of charging stations
    • B60L53/305—Communication interfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/66—Data transfer between charging stations and vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G06Q50/40—
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/70—Interactions with external data bases, e.g. traffic centres
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/80—Time limits
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction

Definitions

  • the invention relates to a method and a corresponding device for predicting the waiting time at a charging station.
  • An at least partially electric vehicle has an electrical energy storage device that must be charged at a charging station when necessary. Due to the relatively long charging times for a charging process, there may be a waiting time at the charging station before a free charging point or a free charging column is available for the vehicle at the charging station.
  • the present document deals with the technical task of predicting the expected waiting time at a charging station in an efficient and precise manner, in particular in order to adapt, in particular to optimize, the route guidance of a vehicle based on this.
  • a device for predicting the waiting time at a charging station which has n charging stations for carrying out n charging processes, with n ⁇ 1. Typically only exactly one charging process can be carried out at each charging station at the same time.
  • the waiting time can show the time that must be waited at the charging station until a free charging station is available for a charging process.
  • the device is set up to determine status data in relation to the (current) occupancy of the n charging stations and m additional waiting positions (each for a waiting vehicle) at the charging station at an initial time t 0 , with m ⁇ 1.
  • the status data can be the number of occupied charging stations and/or the number of occupied waiting positions at the initial time t 0 .
  • the device can be set up to query the status data from a (vehicle-external) server in which status data relating to a large number of different charging stations are recorded.
  • the status data in particular the status data in relation to the m additional waiting positions, can be estimated. For this purpose, for example, the charging behavior at the individual charging stations of the charging station can be analyzed.
  • the status data in relation to the m additional waiting positions can be estimated from the time required to refill a charging station.
  • the status data can show the number of currently occupied charging stations and, if necessary (if all charging stations are occupied) the number of currently occupied waiting positions.
  • the device is also set up to use an occupancy model of the n charging stations and the m additional waiting positions to predict the waiting time for carrying out a charging process at the (in particular at exactly one of the) n charging stations at a prediction time G.
  • the occupancy model may include a Markov chain model.
  • the occupancy model can where n + 1 include different states for different numbers (0, 1, 2,..., n) of occupied charging stations.
  • the occupancy model can include m different states for different numbers (1, 2,..., m) of occupied waiting positions.
  • the different states of the occupancy model can be arranged along a chain, in particular in such a way that the n + 1 different states for the different numbers of occupied charging stations follow one another with increasing numbers, and of the m different states for increasing numbers of occupied waiting positions be followed.
  • the occupancy model may depend on a charge request rate ⁇ of requests to carry out charging processes and/or on a charge end rate p of completions of charging processes.
  • time durations and/or rates of state transitions between the different states of the occupancy model can depend on the charging request rate ⁇ and/or on the charging end rate p.
  • the time duration and/or the rate of a state transition to a higher number of occupancies may depend on the charging request rate ⁇ .
  • the time duration and/or the rate of a state transition to a lower number of occupancies can depend on the charging end rate p.
  • the charging request rate ⁇ and/or the charging end rate p are typically time-dependent.
  • the device can be set up to determine the charging request rate ⁇ and/or the charging end rate p based on measurement data relating to the actual occupancy of the n charging stations and/or the m waiting positions in the past.
  • the device can be set up to have the charging request rate ⁇ and/or the charging end rate p for the prediction time read from a digital map in which the charging station is listed as a point of interest (POI).
  • POI point of interest
  • the charging request rate ⁇ and/or the charging end rate p can be changed (regularly if necessary). learned and updated in the digital map (e.g. in the form of a map attribute).
  • a device which makes it possible to predict the waiting times at one or more charging stations in an efficient and reliable manner using an occupancy model, which also includes a certain number of waiting positions.
  • the device can also be set up to effect a measure in relation to route guidance of a vehicle depending on the waiting time determined.
  • a driving route for an at least partially electrically driven vehicle can be determined depending on the waiting time determined. In this way, the comfort of an electrically powered vehicle can be increased in an efficient and reliable manner.
  • the time duration and/or the rate of a state transition to a reduced number of occupied waiting positions in the occupancy model can in particular depend on n ⁇ aa or correspond to n ⁇ (where the operator corresponds to a multiplication). In this way, the waiting time can be determined in a particularly efficient and precise manner.
  • the device can be set up to solve the following matrix differential equation of the occupancy model, to determine the waiting time.
  • P n+1 (t), ... , P n+m (t) can be probabilities for m different states for different numbers of occupied waiting positions at time t.
  • the matrix differential equation mentioned above makes it possible to predict the waiting time in a particularly precise manner.
  • the waiting time can then be determined in a particularly precise manner on the basis of the individual waiting times and on the basis of the probabilities, in particular as an expected value or as a median of the individual waiting times.
  • a method for predicting the waiting time at a charging station that has n charging stations for carrying out n charging processes, with n > 1.
  • the method includes determining status data in relation to the (current) occupancy of the n charging stations and of m additional waiting positions at the charging station at an initial time t 0 , with m > 1.
  • the method further includes predicting, based on an occupancy model of the n charging stations and the m waiting positions, the waiting time for carrying out a charging process at one of the n charging stations a prediction time (which follows the initial time)
  • a storage medium may include a SW program configured to be executed on a processor and thereby carry out the method described in this document.
  • SW program configured to be executed on a processor and thereby carry out the method described in this document.
  • Figure 1 exemplary components of a vehicle
  • Figure 2b shows an exemplary model of the occupancy states of a charging station
  • Figure 3 shows a flowchart of an exemplary method for predicting the waiting time at a charging station.
  • the vehicle 100 may include a communication unit 104, which is set up to communicate with a unit external to the vehicle (e.g. with a server) via a (wireless) communication connection (e.g. 3G, 4G, 5G, etc.), for example to provide current information reference to a charging station.
  • a communication unit 104 which is set up to communicate with a unit external to the vehicle (e.g. with a server) via a (wireless) communication connection (e.g. 3G, 4G, 5G, etc.), for example to provide current information reference to a charging station.
  • the vehicle 100 may include a user interface 103 for interaction with a user of the vehicle 100.
  • a user can be enabled to plan a route through the road network (starting from the current position to a target position).
  • One or more stops at one or more corresponding charging stations can also be planned along the route in order to charge the electrical energy storage of the vehicle 100.
  • the route guidance along the planned route can be effected via the user interface 103 of the vehicle 100.
  • This document describes measures with which the expected waiting time at a charging station 200 can be predicted in an efficient and precise manner.
  • information can be provided in the digital map for a charging station 200 (e.g. as a map attribute and/or as a point of interest (POI)).
  • Such a POI i.e. such a charging station 200
  • This means that a POI can assume 200 n + 1 states or filling levels, in particular the states: “no place within the pool occupied”, “one place in the pool occupied”, . . . , all places in the pool occupied.
  • the exact number of available charging stations 201 of the POI 200 can change over time due to vehicles arriving and departing and is usually unknown.
  • P i (t) denotes the probability that charging stations 201 of the POI 200 are occupied at time t, i, which applies to all times
  • Charging rate p (reciprocal of the average charging time per vehicle at charging pool 200).
  • the above parameters can be estimated based on recorded occupancy data from the past.
  • the values of the parameters are typically time-dependent. In particular, the values of the parameters can depend on,
  • the values of the parameters ⁇ , p can be determined online or in advance based on the recorded occupancy data from the past, and if necessary included in the digital map as attributes for the charging station 200 (and thus read out if necessary).
  • Fig. 2b illustrates an exemplary birth-death Markov chain model 210, which can be used to determine the expected waiting time at a charging station 200.
  • model 210 (0, 1, 2 or 3 occupied charging stations 201). Furthermore, the model 210 includes a node or state 212 for an additional waiting position (node
  • the model 210 may have m nodes or states 212 for m waiting positions, e.g. for one or more, or two or more, or three or more waiting positions.
  • the state transitions 213 between the nodes 211, 212 depend on the above-mentioned parameters.
  • the occupancy of the charging stations 201 and the waiting positions increases according to the charging request rate ⁇ .
  • the occupancy of the charging stations 201 and the waiting positions is reduced in accordance with the charging end rate p. It should be taken into account that if there are n occupied charging stations 201, it is sufficient that the charging process is ended at one of the n occupied charging stations 201 in order to create a free charging station 201 (so that the rate for the corresponding state transition is n p).
  • the probability vector P(t 1 ) at the time can be calculated taking into account a previous state P(t 0 ) as an initial value problem of the following matrix differential equation and represents an estimator for the state at any future time:
  • the above model can be extended by introducing occupancy levels n + 1, n + 2, ..., n + m, which represent m waiting positions.
  • a vehicle 100 in a waiting position can thus be represented as a virtual extension of the charging pool 200 to include another charging station 201.
  • the charge request rate ⁇ applies, for the transition from state n + 1 to n, namely when a car leaves the charging station, the charging end rate n ⁇ applies, since all n charging stations 201 are still occupied.
  • a system is therefore described which calculates an estimate of availability and waiting time based on occupancy data from charging stations 200.
  • Other input data can be real-time information from vehicles.
  • Components of the system can be: • Static geolocation data for the charging pools 200;
  • Vehicle users typically want to reach a destination safely and without unplanned waiting times.
  • a forecast that makes statements about availability and waiting times at charging stations 200 makes it possible to plan routes that avoid or minimize waiting times.
  • the transparency about waiting times means that waiting times can be planned in advance and, if necessary, better used.
  • the method 300 includes determining 301 status data relating to the occupancy of the n charging stations 201 and m additional waiting positions at the charging station 200 at an initial time t 0 , with m > 1.
  • the status data can, for example, be queried directly from the charging station 200 .
  • the initial time can correspond to the current time.
  • the method 300 further includes predicting 302, based on an occupancy model 210 of the n charging stations 201 and the m waiting positions, the waiting time for carrying out a charging process at one of the n charging stations 201 at a (previous) prediction time t 1 .
  • the occupancy model 210 can be, for example, a Markov chain model. Alternatively or additionally, the occupancy model 210 may include a matrix differential equation (as described in this document).
  • the occupancy model 210 can depend on the (statistically determined) charging request rate ⁇ of requests to carry out charging processes and/or on the (statistically determined) charging end rate p of completions of charging processes.
  • the expected waiting time for carrying out charging processes can be estimated in an efficient and precise manner, whereby, for example, the route guidance of a vehicle 100 can be optimized.

Abstract

Es wird eine Vorrichtung (101) zur Vorhersage einer Wartezeit an einer Ladestation (200) beschrieben, die n Ladesäulen (201) zur Durchführung von n Ladevorgängen aufweist, mit n ≥ 1. Die Vorrichtung (101) ist eingerichtet, Zustandsdaten in Bezug auf die Belegung der n Ladesäulen (201) und von m zusätzlichen Wartepositionen an der Ladestation (200) an einem Initialzeitpunkt t 0 zu ermitteln, mit m ≥ 1. Die Vorrichtung (101) ist ferner eingerichtet, anhand eines Belegungs-Modells (210) der n Ladesäulen (201) und der m Wartepositionen eine Wartezeit zur Durchführung eines Ladevorgangs an den n Ladesäulen (201) an einem Prädiktionszeitpunkt t 1 zu prädizieren.

Description

Verfahren und Vorrichtung zur Prädiktion der Wartezeit an einer
Ladestation
Die Erfindung betrifft ein Verfahren und eine entsprechende Vorrichtung zur Prädiktion der Wartezeit an einer Ladestation.
Ein zumindest teilweise elektrisch fahrendes Fahrzeug weist einen elektrischen Energiespeicher auf, der bei Bedarf an einer Ladestation geladen werden muss. Dabei kann es aufgrund von relativ langen Ladedauern für einen Ladevorgang zu einer Wartezeit an der Ladestation kommen, bevor an der Ladestation ein freier Ladepunkt bzw. eine freie Ladesäule für das Fahrzeug verfügbar ist.
Das vorliegende Dokument befasst sich mit der technischen Aufgabe, die voraussichtliche Wartezeit an einer Ladestation in effizienter und präziser Weise zu prädizieren, insbesondere um basierend darauf die Routenführung eines Fahrzeugs anzupassen, insbesondere zu optimieren.
Die Aufgabe wird durch jeden der unabhängigen Ansprüche gelöst. Vorteilhafte Ausführungsformen werden u.a. in den abhängigen Ansprüchen beschrieben. Es wird darauf hingewiesen, dass zusätzliche Merkmale eines von einem unabhängigen Patentanspruch abhängigen Patentanspruchs ohne die Merkmale des unabhängigen Patentanspruchs oder nur in Kombination mit einer Teilmenge der Merkmale des unabhängigen Patentanspruchs eine eigene und von der Kombination sämtlicher Merkmale des unabhängigen Patentanspruchs unabhängige Erfindung bilden können, die zum Gegenstand eines unabhängigen Anspruchs, einer Teilungsanmeldung oder einer Nachanmeldung gemacht werden kann. Dies gilt in gleicher Weise für in der Beschreibung beschriebene technische Lehren, die eine von den Merkmalen der unabhängigen Patentansprüche unabhängige Erfindung bilden können. Gemäß einem Aspekt wird eine Vorrichtung zur Vorhersage der Wartezeit an einer Ladestation beschrieben, die n Ladesäulen zur Durchführung von n Ladevorgängen aufweist, mit n ≥ 1. An jeder Ladesäule kann zeitgleich typischerweise nur genau ein Ladevorgang durchgeführt werden. Die Wartezeit kann die Zeit anzeigen, die an der Ladestation gewartet werden muss, bis eine freie Ladesäule für einen Ladevorgang verfügbar ist.
Die Vorrichtung ist eingerichtet, Zustandsdaten in Bezug auf die (aktuelle) Belegung der n Ladesäulen und von m zusätzlichen Wartepositionen (jeweils für ein wartendes Fahrzeug) an der Ladestation an einem Initialzeitpunkt t0 zu ermitteln, mit m ≥ 1. Die Zustandsdaten können die Anzahl von belegten Ladesäulen und/oder die Anzahl von belegten Wartepositionen an dem Initialzeitpunkt t0 anzeigen. Die Vorrichtung kann eingerichtet sein, die Zustandsdaten von einem (Fahrzeug-externen) Server abzufragen, in dem Zustandsdaten in Bezug auf eine Vielzahl von unterschiedlichen Ladestationen verzeichnet sind. Alternativ oder ergänzend können die Zustandsdaten, insbesondere die Zustandsdaten in Bezug auf die m zusätzlichen Wartepositionen, geschätzt werden. Zu diesem Zweck kann z.B. das Aufrückverhalten an den einzelnen Ladesäulen der Ladestation analysiert werden. Beispielsweise kann ermittelt werden, wie schnell eine frei gewordene Ladesäule wieder für einen nachfolgenden Ladevorgang besetzt wird. Aus der Zeitdauer für die Nachbesetzung einer Ladesäule können die Zustandsdaten in Bezug auf die m zusätzlichen Wartepositionen geschätzt werden. Die Zustandsdaten können die Anzahl der aktuell belegten Ladesäulen und ggf. (falls alle Ladesäulen belegt sind) die Anzahl der aktuell belegten Wartepositionen anzeigen.
Die Vorrichtung ist ferner eingerichtet, anhand eines Belegungs-Modells der n Ladesäulen und der m zusätzlichen Wartepositionen die Wartezeit zur Durchführung eines Ladevorgangs an den (insbesondere an genau einer der) n Ladesäulen an einem Prädiktionszeitpunkt G zu prädizieren. Das Belegungs- Modell kann ein Markov-Ketten Modell umfassen. Das Belegungs-Modell kann dabei n + 1 unterschiedliche Zustände für unterschiedliche Anzahlen (0, 1, 2, . . . , n) von belegten Ladesäulen umfassen. Ferner kann das Belegungs-Modell m unterschiedliche Zustände für unterschiedliche Anzahlen (1, 2, . . ., m) von belegten Wartepositionen umfassen. Die unterschiedlichen Zustände des Belegungs-Modells können dabei entlang einer Kette angeordnet sein, insbesondere derart, dass die n + 1 unterschiedlichen Zustände für die unterschiedlichen Anzahlen von belegten Ladesäulen mit steigender Anzahl aufeinander folgen, und von den m unterschiedlichen Zustände für steigende Anzahlen von belegten Wartepositionen gefolgt werden.
Das Belegungs-Modell kann von einer Ladeanfragerate λ von Anfragen zur Durchführung von Ladevorgängen und/oder von einer Ladeenderate p von Beendigungen von Ladevorgängen abhängen. Insbesondere können Zeitdauern und/oder Raten von Zustandsübergängen zwischen den unterschiedlichen Zuständen des Belegungs-Modells von der Ladeanfragerate λ und/oder von der Ladeenderate p abhängen. Beispielsweise kann die Zeitdauer und/oder die Rate eines Zustandsübergangs auf eine höhere Anzahl von Belegungen von der Ladeanfragerate λ abhängen. Andererseits kann die Zeitdauer und/oder die Rate eines Zustandsübergangs auf eine niedrigere Anzahl von Belegungen von der Ladeenderate p abhängen.
Die Ladeanfragerate λ und/oder die Ladeenderate p sind typischerweise zeitabhängig. Die Vorrichtung kann eingerichtet sein, die Ladeanfragerate λ und/oder die Ladeenderate p auf Basis von Messdaten in Bezug auf die tatsächliche Belegung der n Ladesäulen und/oder der m Wartepositionen in der Vergangenheit zu ermitteln. Alternativ oder ergänzend kann die Vorrichtung eingerichtet sein, die Ladeanfragerate λ und/oder die Ladeenderate p für den Prädiktionszeitpunkt
Figure imgf000004_0001
aus einer digitalen Karte auszulesen, in der die Ladestation als Point of Interest (POI) verzeichnet ist. Zu diesem Zweck können die Ladeanfragerate λ und/oder die Ladeenderate p (ggf. regelmäßig) neu angelernt und in der digitalen Karte (z.B. in Form eines Kartenattributs) aktualisiert werden.
Es wird somit eine Vorrichtung beschrieben, die es ermöglicht, die Wartezeiten an ein oder mehreren Ladestationen in effizienter und zuverlässiger Weise anhand eines Belegungs-Modells zu prädizieren, das jeweils auch eine bestimmte Anzahl von Wartepositionen umfasst.
Die Vorrichtung kann ferner eingerichtet sein, in Abhängigkeit von der ermittelten Wartezeit eine Maßnahme in Bezug auf eine Routenführung eines Fahrzeugs zu bewirken. Insbesondere kann in Abhängigkeit von der ermittelten Wartezeit eine Fahrroute für ein zumindest teilweise elektrisch angetriebenes Fahrzeug ermittelt werden. So kann der Komfort eines elektrisch angetriebenen Fahrzeugs in effizienter und zuverlässiger Weise erhöht werden.
Die Zeitdauern und/oder die Rate eines Zustandsübergangs auf eine reduzierte Anzahl von belegten Wartepositionen kann in dem Belegungs-Modell insbesondere von n · μ aahängen oder n · μ entsprechen (wobei der Operator einer Multiplikation entspricht). So kann die Wartezeit in besonders effizienter und präziser Weise ermittelt werden.
Die Vorrichtung kann eingerichtet sein, folgende Matrixdifferentialgleichung des Belegungs-Modells zu lösen,
Figure imgf000005_0001
Figure imgf000006_0001
um die Wartezeit zu ermitteln. Dabei können P0(t),. —.., Pn(t)
Wahrscheinlichkeiten für die n + 1 unterschiedlichen Zustände für unterschiedliche Anzahlen von belegten Ladesäulen an dem Zeitpunkt t sein. Pn+1(t), ... , Pn+m(t) können Wahrscheinlichkeiten für m unterschiedliche Zustände für unterschiedliche Anzahlen von belegten Wartepositionen an dem Zeitpunkt t sein. Die o.g. Matrixdifferentialgleichung ermöglicht es, die Wartezeit in besonders präziser Weise zu prädizieren.
Die Vorrichtung kann z.B. eingerichtet sein, anhand des Belegungs-Modells (insbesondere anhand der o.g. Matrixdifferentialgleichung) die Wahrscheinlichkeit Pn(t1) für den Zustand zu ermitteln, dass an dem Prädiktionszeitpunkt alle n Ladesäule aber keine Warteposition belegt ist. Ferner können anhand des Belegungs-Modells (insbesondere anhand der o.g. Matrixdifferentialgleichung) Wahrscheinlichkeiten Pn+i(t1), ... , Pn+m(t1) für m unterschiedliche Zustände für unterschiedliche Anzahlen von belegten Wartepositionen an dem Prädiktionszeitpunkt ermittelt werden (wobei bei den Zuständen jeweils alle n Ladesäule belegt sind). Die Wartezeit kann dann in besonders präziser Weise auf Basis der Wahrscheinlichkeiten Pn(ti) und Pn+1(t1), ... , Pn+m(t1) ermittelt werden.
Die Vorrichtung kann insbesondere eingerichtet sein (auf Basis der Ladeenderate p), für den Zustand (211), dass alle n Ladesäule aber keine Warteposition belegt sind, eine Einzel -Wartezeit zu ermitteln, und für jeden der m unterschiedliche Zustände für die unterschiedlichen Anzahlen von belegten Wartepositionen jeweils eine Einzel -Wartezeit zu ermitteln. Die Einzel -Wartezeiten für den Zustand mit i belegten Wartepositionen, für i = 0, ... , m, kann dabei abhängig von (i + 1)/ n . μ sein (oder diesem Wert entsprechen).
Die Wartezeit kann dann in besonders präziser Weise auf Basis der Einzel- Wartezeiten und auf Basis der Wahrscheinlichkeiten ermittelt werden, insbesondere als Erwartungswert oder als Median der Einzel-Wartezeiten.
Gemäß einem weiteren Aspekt wird ein (Straßen-) Kraftfahrzeug (insbesondere ein Personenkraftwagen oder ein Lastkraftwagen oder ein Bus oder ein Motorrad) beschrieben, das die in diesem Dokument beschriebene Vorrichtung umfasst.
Gemäß einem weiteren Aspekt wird ein Verfahren zur Vorhersage der Wartezeit an einer Ladestation beschrieben, die n Ladesäulen zur Durchführung von n Ladevorgängen aufweist, mit n > 1. Das Verfahren umfasst das Ermitteln von Zustandsdaten in Bezug auf die (aktuelle) Belegung der n Ladesäulen und von m zusätzlichen Wartepositionen an der Ladestation an einem Initialzeitpunkt t0, mit m > 1. Das Verfahren umfasst ferner das Prädizieren, anhand eines Belegungs- Modells der n Ladesäulen und der m Wartepositionen, der Wartezeit zur Durchführung eines Ladevorgangs an einer der n Ladesäulen an einem Prädiktionszeitpunkt (der dem Initialzeitpunkt nachfolgt)
Gemäß einem weiteren Aspekt wird ein Software (SW) Programm beschrieben. Das SW Programm kann eingerichtet werden, um auf einem Prozessor (z.B. auf einem Steuergerät eines Fahrzeugs oder auf einer zentralen Recheneinheit) ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.
Gemäß einem weiteren Aspekt wird ein Speichermedium beschrieben. Das Speichermedium kann ein SW Programm umfassen, welches eingerichtet ist, um auf einem Prozessor ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen. Es ist zu beachten, dass die in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systeme sowohl alleine, als auch in Kombination mit anderen in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen verwendet werden können. Des Weiteren können jegliche Aspekte der in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen in vielfältiger Weise miteinander kombiniert werden. Insbesondere können die Merkmale der Ansprüche in vielfältiger Weise miteinander kombiniert werden. Ferner sind in Klammern aufgeführte Merkmale als optionale Merkmale zu verstehen.
Im Weiteren wird die Erfindung anhand von Ausführungsbeispielen näher beschrieben. Dabei zeigen
Figur 1 beispielhafte Komponenten eines Fahrzeugs;
Figur 2a eine beispielhafte Ladestation mit einer Vielzahl von Ladepunkten;
Figur 2b ein beispielhaftes Modell der Belegungszustände einer Ladestation; und Figur 3 ein Ablaufdiagramm eines beispielhaften Verfahrens zur Vorhersage der Wartezeit an einer Ladestation.
Wie eingangs dargelegt, befasst sich das vorliegende Dokument mit der effizienten und präzisen Vorhersage der voraussichtlichen Wartezeit eines Fahrzeugs an einer Ladestation. In diesem Zusammenhang zeigt Fig. 1 ein beispielhaftes Fahrzeug 100 mit einem Positionssensor 102, der eingerichtet ist, Positionsdaten (z.B. GNSS (globales Navigationssattelitensystem) Koordinaten) in Bezug auf die aktuelle Position des Fahrzeugs 100 zu ermitteln. Die Positionsdaten können (von einer (Steuer-) Vorrichtung 101 des Fahrzeugs 100) in Zusammenhang mit einer digitalen Karte für das von dem Fahrzeug 100 befahrene Fahrbahnnetz ausgewertet werden, um die Position des Fahrzeugs 100 innerhalb des Fahrbahnnetzes zu ermitteln. Die digitale Karte kann Information in Bezug auf Ladestationen zum Laden von Fahrzeugbatterien umfassen. Die Information in Bezug auf eine Ladestation kann umfassen,
• die Position der Ladestation (innerhalb des Fahrbahnnetzes); und
• die Anzahl von unterschiedlichen Ladepunkten (wobei an jedem Ladepunkt jeweils ein Fahrzeug geladen werden kann).
Das Fahrzeug 100 kann eine Kommunikationseinheit 104 umfassen, die eingerichtet ist, mit einer Fahrzeug-externen Einheit (etwa mit einem Server) über eine (drahtlose) Kommunikationsverbindung (z.B. 3G, 4G, 5G, etc.) zu kommunizieren, z.B. um aktuelle Information in Bezug auf eine Ladestation zu empfangen.
Des Weiteren kann das Fahrzeug 100 eine Benutzerschnittstelle 103 für eine Interaktion mit einem Nutzer des Fahrzeugs 100 umfassen. Es kann einem Nutzer ermöglicht werden, eine Fahrroute durch das Fahrbahnnetz zu planen (ausgehend von der aktuellen Position bis zu einer Zielposition). Dabei können auch ein oder mehrere Stopps an ein oder mehreren entsprechenden Ladestationen entlang der Fahrroute geplant werden, um den elektrischen Energiespeicher des Fahrzeugs 100 zu laden. Die Routenführung entlang der geplanten Fahrroute kann über die Benutzerschnittstelle 103 des Fahrzeugs 100 bewirkt werden.
Fig. 2a zeigt eine beispielhafte Ladestation 200 mit einer Vielzahl von unterschiedlichen Ladepunkten bzw. Ladesäulen 201.
Es kann insbesondere zu Stoßzeiten dazu kommen, dass alle Ladepunkte 201 einer Ladestation 200 belegt sind, sodass sich für den Start eines Ladevorgangs eine Wartezeit ergibt. Das Vorliegen einer relativ langen Wartezeit an einer Ladestation 200 kann dazu führen, dass diese Ladestation 200 nicht von dem Fahrzeug 100 angefahren sollte, und dass stattdessen eine andere Ladestation 200 (entlang der Fahrroute zu der Zielposition) angefahren werden sollte. Die (zu erwartenden) Wartezeiten an den unterschiedlichen Ladestationen 200 können somit bei der Planung einer Fahrroute berücksichtigt werden, um die effektive Reisezeit der Fahrroute (inklusive der Zeit zur Durchführung von ein oder mehreren Ladevorgängen) zu reduzieren, insbesondere zu minimieren.
In dem vorliegenden Dokument werden Maßnahmen beschrieben, mit denen die voraussichtliche Wartezeit an einer Ladestation 200 in effizienter und präziser Weise prädiziert werden kann.
Wie weiter oben dargelegt, kann für eine Ladestation 200 Information in der digitalen Karte bereitgestellt werden (z.B. als Kartenattribut und/oder als Point-of- Interest (POI)). Das Kartenattribut kann vom Typ POItype=Laden sein. Ein derartiger POI (d.h. eine derartige Ladestation 200) kann n Ladesäulen (d.h. Ladepunkte) 201 aufweisen, wobei die n Ladesäulen ein Ladepool bilden. Damit kann ein POI 200 n + 1 Zustände bzw. Füllgrade annehmen, insbesondere die Zustände: „kein Platz innerhalb des Pools besetzt“, „ein Platz des Pools besetzt“, . . . , alle Plätze des Pools besetzt.
Die genaue Anzahl der zur Verfügung stehenden Ladesäulen 201 des POIs 200 kann sich über der Zeit durch an- und wegfahrende Fahrzeuge verändern und ist in der Regel unbekannt. Die Modellierung der momentanen Anzahl an verfügbaren Ladesäulen 201 kann durch einen Vektor P(t) = (P0(t), — > Pn(t))T erfolgen. Pi(t) bezeichnet dabei die Wahrscheinlichkeit, dass zum Zeitpunkt t, i Ladesäulen 201 des POIs 200 besetzt sind, wobei für alle Zeitpunkte gilt
Figure imgf000010_0001
Es können die folgenden zeitabhängigen Parameter definiert werden
• Ladeanfragerate λ, (Frequenz mit der am Ladepool 200 Ladevorgänge angefragt werden); und/oder
• Ladeenderate p (Kehrwert der mittleren Ladedauer pro Fahrzeug am Ladepool 200). Die o.g. Parameter können auf der Basis von erfassten Belegungsdaten aus der Vergangenheit geschätzt werden. Dabei sind die Werte der Parameter typischerweise zeitabhängig. Insbesondere können die Werte der Parameter abhängig sein von,
• der Tageszeit;
• dem Wochentag;
• dem Typ des Tages (Feiertag oder Wochentag); und/oder
• Schulferien.
Die Werte der Parameter λ , p können online oder im Vorfeld auf Basis der erfassten Belegungsdaten aus der Vergangenheit ermittelt werden, und ggf. als Attribute für die Ladestation 200 in die digitale Karte aufgenommen werden (und somit bei Bedarf ausgelesen werden).
Fig. 2b veranschaulicht ein beispielhaftes Birth-Death Markov Ketten Modell 210, das für die Ermittlung der zu erwartenden Wartezeit an einer Ladestation 200 verwendet werden kann. Das in Fig. 2b dargestellte Modell 210 gilt für eine Ladestation 200 mit n = 3 Ladesäulen 201, und umfasst für jeden möglichen Belegungszustand der Ladesäulen 201 jeweils einen Knotenpunkt oder Zustand
211 (0, 1, 2 oder 3 belegte Ladesäulen 201). Ferner umfasst das Modell 210 einen Knotenpunkt oder Zustand 212 für eine zusätzliche Warteposition (Knotenpunkt
212 mit der Nummer „4“). Allgemein kann das Modell 210 m Knotenpunkte bzw. Zustände 212 für m Wartepositionen aufweisen, z.B. für ein oder mehr, oder zwei oder mehr, oder drei oder mehr Wartepositionen.
Die Zustandsübergänge 213 zwischen den Knotenpunkten 211, 212 hängen von den o.g. Parametern ab. Dabei erhöht sich die Belegung der Ladesäulen 201 und der Wartepositionen gemäß der Ladeanfragerate λ. Andererseits reduziert sich die Belegung der Ladesäulen 201 und der Wartepositionen gemäß der Ladeenderate p. Dabei ist zu berücksichtigten, dass es bei n belegten Ladesäulen 201 ausreicht, dass an einer der n belegten Ladesäulen 201 der Ladevorgang beendet wird, um eine freie Ladesäule 201 zu schaffen (sodass die Rate für den entsprechenden Zustandsübergang n · p ist). In entsprechender Weise ist es bei n — 1 belegten Ladesäulen 201 ausreichend, dass an einer der n — 1 belegten Ladesäulen 201 der Ladevorgang beendet wird, um nur noch n — 2 Ladesäule 201 zu haben (sodass die Rate für den entsprechenden Zustandsübergang (n — 1) · μ ist), etc. Ferner ist es bei n belegten Ladesäulen 201 ausreichend, dass an einer der n belegten Ladesäulen 201 der Ladevorgang beendet wird, um eine Warteposition zu reduzieren (sodass die Rate für den entsprechenden Zustandsübergang n · p ist).
Der Wahrscheinlichkeitsvektor P(t1) zum Zeitpunkt kann unter Berücksichtigung eines vorherigen Zustandes P(t0) als Anfangswertproblem folgender Matrixdifferentialgleichung berechnet werden und stellt einen Schätzer für den Zustand zu einem beliebigen zukünftigen Zeitpunkt dar:
Figure imgf000012_0001
Für die Modellierung von Wartezeiten kann das obige Modell erweitert werden, indem Besetzungsgrade n + 1, n + 2, ..., n + m eingeführt werden, welche m Wartepositionen darstellen. Ein Fahrzeug 100 in Warteposition kann somit als eine virtuelle Erweiterung des Ladepools 200 um eine weitere Ladesäule 201 dargestellt werden. Dabei ist zu beachten, dass für den Übergang von Zustand n zu n + 1 die Ladeanfragerate λ gilt, für den Übergang von Zustand n + 1 auf n, nämlich wenn ein Auto die Ladestation verläßt, die Ladeenderate nμ gilt, da nach wie vor alle n Ladestationen 201 besetzt sind.
Die Lösung der o.g. Matrixdifferentialgleichung, die beispielsweise über den Matrixexponenten gewonnen werden kann, offeriert folgende Ergebnisse:
• Die Wahrscheinlichkeiten P0(t1), ... , Pn(t1) der unterschiedlichen Belegungsgrade der Ladesäulen 201 an dem (vorausliegenden) Zeitpunkt G, und die Wahrscheinlichkeiten Pn+1(t1)> — > Pn+m(t1) der Belegung der unterschiedlichen m Wartepositionen.
• Die Geschwindigkeit, mit denen sich die Belegungsgrade der Ladesäulen 201 und/oder der Wertepositionen ändern. Da alle statistischen Zustandsübergänge 213 mittels λ und p bekannt sind, können die Zeiten für beliebige Zustandsübergänge 213 innerhalb des erweiterten Pools 200 aus dem Modell 210 abgelesen werden. Insbesondere kann für den Fall, dass alle Ladeplätze 201 belegt sind, die erwartete Wartezeit ermittelt werden. Beispiel kann die Wartezeit für den Fall
Figure imgf000013_0001
berechnet werden, dass sich das Fahrzeug 100 in dem Beispiel aus Fig. 2b auf der Warteposition befindet.
Es kann somit ermittelt werden,
•
Figure imgf000013_0002
der Wahrscheinlichkeitsvektor für die Zustände zu einem angefragten Zeitpunkt; und/oder
• twait die erwartete Wartezeit zu dem angefragten Zeitpunkt.
Es wird somit ein System beschrieben, welches auf der Basis von Belegungsdaten von Ladestationen 200 eine Schätzung zur Verfügbarkeit und Wartezeit berechnet. Andere Eingangsdaten können Echtzeitinformationen von Fahrzeugen sein.
Komponenten des Systems können sein: • Statische Geopositionsdaten für die Ladepools 200;
• Historische Verfügbarkeitsdaten einzelner Ladestationen 200 bis zum aktuellen Zeitpunkt als Eingang in das System (POI Daten der Ladestationsbetreiber);
• Recheneinheit zur Zusammenfassung einzelner Ladestationsverfügbarkeiten zu Aussagen in Bezug auf die Pools (i Ladesäulen im Segment besetzt);
• Recheneinheit zur Verarbeitung von eingehenden Daten und Aufbereitung angeforderter Ladeinformationen; und/oder
• Schnittstelle zum Aufruf und zur Ausgabe der Prognosedaten
Fahrzeugnutzer wollen typischerweise sicher und ohne ungeplante Wartezeiten ein Ziel erreichen. Eine Prognose, welche Aussagen über Verfügbarkeit und Wartezeit an Ladestationen 200 trifft, ermöglichen es, Routen zu planen, die Wartezeiten vermeiden oder minimieren. Die Transparenz über Wartezeiten ermöglicht es, dass Wartezeiten vorab eingeplant und gegebenenfalls besser genutzt werden können.
Fig. 3 zeigt ein Ablaufdiagramm eines beispielhaften (ggf. Computerimplementierten) Verfahrens 300 zur Vorhersage der Wartezeit an einer Ladestation 200, die n Ladesäulen 201 zur Durchführung von n Ladevorgängen aufweist, mit n > 1. Das Verfahren 300 kann durch eine Vorrichtung 101 eines Fahrzeugs 100 ausgeführt werden (z.B. im Rahmen der Routenplanung).
Das Verfahren 300 umfasst, das Ermitteln 301 von Zustandsdaten in Bezug auf die Belegung der n Ladesäulen 201 und von m zusätzlichen Wartepositionen an der Ladestation 200 an einem Initialzeitpunkt t0, mit m > 1. Die Zustandsdaten können z.B. direkt von der Ladestation 200 abgefragt werden. Der Initialzeitpunkt kann dem aktuellen Zeitpunkt entsprechen. Das Verfahren 300 umfasst ferner das Prädizieren 302, anhand eines Belegungs- Modells 210 der n Ladesäulen 201 und der m Wartepositionen, der Wartezeit zur Durchführung eines Ladevorgangs an einer der n Ladesäulen 201 an einem (vorausliegenden) Prädiktionszeitpunkt t1. Das Belegungs-Modell 210 kann z.B. ein Markov-Ketten Modell sein. Alternativ oder ergänzend kann das Belegungs- Modell 210 eine Matrixdifferential gl ei chung umfassen (wie in diesem Dokument beschrieben). Das Belegungs-Modell 210 kann dabei von der (statistisch ermittelten) Ladeanfragerate λ von Anfragen zur Durchführung von Ladevorgängen und/oder von der (statistisch ermittelten) Ladeenderate p von Beendigungen von Ladevorgängen abhängen.
Durch die in diesem Dokument beschriebenen Maßnahmen kann die voraussichtliche Wartezeit zur Durchführung von Ladevorgängen in effizienter und präziser Weise abgeschätzt werden, wodurch z.B. die Routenführung eines Fahrzeugs 100 optimiert werden kann.
Die vorliegende Erfindung ist nicht auf die gezeigten Ausführungsbeispiele beschränkt. Insbesondere ist zu beachten, dass die Beschreibung und die Figuren nur beispielhaft das Prinzip der vorgeschlagenen Verfahren, Vorrichtungen und Systeme veranschaulichen sollen.

Claims

Ansprüche
1) Vorrichtung (101) zur Vorhersage einer Wartezeit an einer Ladestation (200), die n Ladesäulen (201) zur Durchführung von n Ladevorgängen aufweist, mit n ≥ 1; wobei die Vorrichtung (101) eingerichtet ist,
- Zustandsdaten in Bezug auf eine Belegung der n Ladesäulen (201) und von m zusätzlichen Wartepositionen an der Ladestation (210) an einem Initialzeitpunkt t0 zu ermitteln, mit m > 1; und
- anhand eines Belegungs-Modells (210) der n Ladesäulen (201) und der m zusätzlichen Wartepositionen eine Wartezeit zur Durchführung eines Ladevorgangs an den n Ladesäulen (201) an einem Prädiktionszeitpunkt zu prädizieren; wobei das Belegungs-Modell (210) von einer Ladeanfragerate λ von Anfragen zur Durchführung von Ladevorgängen und von einer Ladeenderate p von Beendigungen von Ladevorgängen abhängt.
2) Vorrichtung (101) gemäß Anspruch 1, wobei
- das Belegungs-Modell (210) n + 1 unterschiedliche Zustände (211) für unterschiedliche Anzahlen von belegten Ladesäulen (201) umfasst;
- das Belegungs-Modell (210) m unterschiedliche Zustände (212) für unterschiedliche Anzahlen von belegten Wartepositionen umfasst; und
- Zeitdauern und/oder Raten von Zustandsübergängen (213) zwischen den unterschiedlichen Zuständen (211, 212) des Belegungs-Modells (210) von der Ladeanfragerate λu und/oder von der Ladeenderate p abhängen.
3) Vorrichtung (101) gemäß Anspruch 2, wobei
- die unterschiedlichen Zustände (211, 212) des Belegungs-Modells (210) entlang einer Kette angeordnet sind, derart, dass die n + 1 unterschiedlichen Zustände (211) für die unterschiedlichen Anzahlen von belegten Ladesäulen (201) mit steigender Anzahl aufeinander folgen, und von den m unterschiedlichen Zustände (212) für steigende Anzahlen von belegten Wartepositionen gefolgt werden;
- die Zeitdauer und/oder die Rate eines Zustandsübergangs (213) auf eine höhere Anzahl von Belegungen von der Ladeanfragerate λ abhängt; und
- die Zeitdauer und/oder die Rate eines Zustandsübergangs (213) auf eine niedrigere Anzahl von Belegungen von der Ladeenderate p abhängt.
4) Vorrichtung (101) gemäß einem der Ansprüche 2 bis 3, wobei die Zeitdauern und/oder die Rate eines Zustandsübergangs (213) auf eine reduzierte Anzahl von belegten Wartepositionen von n . μ abhängt.
5) Vorrichtung (101) gemäß einem der vorhergehenden Ansprüche, wobei die Vorrichtung (101) eingerichtet ist,
- anhand des Belegungs-Modells (210) eine Wahrscheinlichkeit Pn(t1) für den Zustand (211) zu ermitteln, dass an dem Prädiktionszeitpunkt alle n Ladesäule (201) aber keine Warteposition belegt ist;
- anhand des Belegungs-Modells (210) Wahrscheinlichkeiten Pn+1(t1), Pn+m(t1) für m unterschiedliche Zustände (212) für unterschiedliche Anzahlen von belegten Wartepositionen an dem Prädiktionszeitpunkt zu ermitteln; und
- die Wartezeit auf Basis der Wahrscheinlichkeiten Pn(t1) und Pn+1(t1)> ..., Pn+m(t1) zu ermitteln.
6) Vorrichtung (101) gemäß Anspruch 5, wobei die Vorrichtung (101) eingerichtet ist, insbesondere auf Basis der Ladeenderate p,
- für den Zustand (211), dass alle n Ladesäule (201) aber keine Warteposition belegt sind, eine Einzel -Wartezeit zu ermitteln; - für jeden der m unterschiedliche Zustände (212) für die unterschiedlichen Anzahlen von belegten Wartepositionen jeweils eine Einzel-Wartezeit zu ermitteln; und
- die Wartezeit auf Basis der Einzel -Wartezeiten und auf Basis der Wahrscheinlichkeiten zu ermitteln, insbesondere als Erwartungswert oder als Median der Einzel-Wartezeiten. 7) Vorrichtung (101) gemäß Anspruch 6, wobei die Einzel-Wartezeit für den Zustand (211, 212) mit i belegten Wartepositionen, für i = 0, ... , m, abhängig von ist.
Figure imgf000018_0002
8) Vorrichtung (101) gemäß einem der vorhergehenden Ansprüche, wobei
- die Vorrichtung (101) eingerichtet ist, folgende
Matrixdifferentialgl ei chung des Belegungs-Modells (210) zu lösen,
Figure imgf000018_0001
um die Wartezeit zu ermitteln;
- P0(t), ... , Pn(t) Wahrscheinlichkeiten für n + 1 unterschiedliche Zustände (211) für unterschiedliche Anzahlen von belegten Ladesäulen (201) an dem Zeitpunkt t sind; und - Pn+1(t), ... , Pn+m(t) Wahrscheinlichkeiten für m unterschiedliche Zustände (212) für unterschiedliche Anzahlen von belegten Wartepositionen an dem Zeitpunkt t sind.
9) Vorrichtung (101) gemäß einem der vorhergehenden Ansprüche, wobei die Vorrichtung (101) eingerichtet ist,
- in Abhängigkeit von der ermittelten Wartezeit eine Maßnahme in Bezug auf eine Routenführung eines Fahrzeugs (100) zu bewirken; und/oder
- in Abhängigkeit von der ermittelten Wartezeit eine Fahrroute für ein zumindest teilweise elektrisch angetriebenes Fahrzeug (100) zu ermitteln.
10) Vorrichtung (101) gemäß einem der vorhergehenden Ansprüche, wobei
- die Ladeanfragerate λ und/oder die Ladeenderate p zeitabhängig sind;
- die Vorrichtung (101) eingerichtet ist, die Ladeanfragerate λ und/oder die Ladeenderate p auf Basis von Messdaten in Bezug auf die tatsächliche Belegung der n Ladesäulen (201) und/oder der m Wartepositionen in der Vergangenheit zu ermitteln; und/oder
- die Vorrichtung (101) eingerichtet ist, die Ladeanfragerate u und/oder die Ladeenderate p für den Prädiktionszeitpunkt aus einer digitalen Karte auszulesen, in der die Ladestation (200) als Point of Interest verzeichnet ist.
11) Vorrichtung (101) gemäß einem der vorhergehenden Ansprüche, wobei
- die Zustandsdaten die Anzahl von belegten Ladesäulen (201) und/oder die Anzahl von belegten Wartepositionen an dem Initialzeitpunkt t0 anzeigen; und/oder
- die Vorrichtung (101) eingerichtet ist, die Zustandsdaten von einem Server abzufragen, in dem Zustandsdaten in Bezug auf eine Vielzahl von unterschiedlichen Ladestationen (200) verzeichnet sind. ) Verfahren (300) zur Vorhersage einer Wartezeit an einer Ladestation (200), die n Ladesäulen (201) zur Durchführung von n Ladevorgängen aufweist, mit n ≥ 1; wobei das Verfahren (300) umfasst,
- Ermitteln (301) von Zustandsdaten in Bezug auf eine Belegung der n Ladesäulen (201) und von m zusätzlichen Wartepositionen an der Ladestation (200) an einem Initialzeitpunkt t0, mit m > 1; und
- Prädizieren (302), anhand eines Belegungs-Modells (210) der n Ladesäulen (201) und der m Wartepositionen, einer Wartezeit zur
Durchführung eines Ladevorgangs an einer der n Ladesäulen (201) an einem Prädiktionszeitpunkt
Figure imgf000020_0001
wobei das Belegungs-Modell (210) von einer Ladeanfragerate λ von Anfragen zur Durchführung von Ladevorgängen und von einer Ladeenderate p von Beendigungen von Ladevorgängen abhängt.
PCT/EP2023/060499 2022-06-22 2023-04-21 Verfahren und vorrichtung zur prädiktion der wartezeit an einer ladestation WO2023247089A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022115574.9 2022-06-22
DE102022115574.9A DE102022115574A1 (de) 2022-06-22 2022-06-22 Verfahren und Vorrichtung zur Prädiktion der Wartezeit an einer Ladestation

Publications (1)

Publication Number Publication Date
WO2023247089A1 true WO2023247089A1 (de) 2023-12-28

Family

ID=86328596

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/060499 WO2023247089A1 (de) 2022-06-22 2023-04-21 Verfahren und vorrichtung zur prädiktion der wartezeit an einer ladestation

Country Status (2)

Country Link
DE (1) DE102022115574A1 (de)
WO (1) WO2023247089A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117711594A (zh) * 2024-02-06 2024-03-15 四川大学 基于机器学习与就诊流程优化的智慧导诊系统
CN117711594B (zh) * 2024-02-06 2024-04-26 四川大学 基于机器学习与就诊流程优化的智慧导诊系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014225122A1 (de) * 2014-12-08 2016-06-09 Bayerische Motoren Werke Aktiengesellschaft Verfahren und System zur Bereitstellung von Informationen zur Verfügbarkeit von Ladestationen
CN108162771A (zh) * 2017-11-09 2018-06-15 贵州电网有限责任公司电力科学研究院 一种电动汽车智能充电导航方法
CN108734876A (zh) * 2017-04-13 2018-11-02 宁波轩悦行电动汽车服务有限公司 一种基于预估电量和等待时间的后台预约租车方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015208154A1 (de) 2015-05-04 2016-11-10 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Unterstützung eines Anwenders bei der Anfahrt einer Ladestation
CN105160428B (zh) 2015-08-19 2018-04-06 天津大学 高速公路电动汽车快速充电站的规划方法
DE102019109561A1 (de) 2019-04-11 2020-10-15 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Routenplanung in einem Navigationssystem eines Fahrzeugs, Navigationssystem für ein Fahrzeug und Fahrzeug mit demselben
US11878602B2 (en) 2019-11-22 2024-01-23 State Grid Fujian Electric Power Co., Ltd. Method for establishing active distribution network planning model considering location and capacity determination of electric vehicle charging station
DE102020005262A1 (de) 2020-08-27 2022-03-03 Joynext Gmbh Verfahren und Fahrerassistenzsystem zum Vorhersagen der Verfügbarkeit einer Ladestation für ein Fahrzeug

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014225122A1 (de) * 2014-12-08 2016-06-09 Bayerische Motoren Werke Aktiengesellschaft Verfahren und System zur Bereitstellung von Informationen zur Verfügbarkeit von Ladestationen
CN108734876A (zh) * 2017-04-13 2018-11-02 宁波轩悦行电动汽车服务有限公司 一种基于预估电量和等待时间的后台预约租车方法
CN108162771A (zh) * 2017-11-09 2018-06-15 贵州电网有限责任公司电力科学研究院 一种电动汽车智能充电导航方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117711594A (zh) * 2024-02-06 2024-03-15 四川大学 基于机器学习与就诊流程优化的智慧导诊系统
CN117711594B (zh) * 2024-02-06 2024-04-26 四川大学 基于机器学习与就诊流程优化的智慧导诊系统

Also Published As

Publication number Publication date
DE102022115574A1 (de) 2023-12-28

Similar Documents

Publication Publication Date Title
DE102016217087B4 (de) Lade-Fahr-Assistent für Elektrofahrzeuge und Elektrofahrzeug
DE102016005630A1 (de) Datenverarbeitungseinheit zur Kommunikation zwischen mindestens einem Kraftfahrzeug und zwischen einer Vielzahl von Ladestationen zum Aufladen einer Energiespeichereinrichtung eines Kraftfahrzeugs
DE102015111218A1 (de) Parkmanagement für ein Fahrzeug
DE102015208380A1 (de) Fahrzeugenergie-Handhabungsvorrichtung
DE102013202643A1 (de) Verfahren und vorrichtung zur voraussage eines fahrerzielorts
EP2697608A2 (de) Verfahren und vorrichtung zum durführen einer reiseroutenplanung für ein fahrzeug
WO2012130388A1 (de) Verfahren und vorrichtung zum durchführen einer reiseroutenplanung für ein fahrzeug
EP3044547B1 (de) Vorrichtung und verfahren zur mobilitätssteuerung
DE112006002676T5 (de) Berechnung einer optimalen Route auf der Grundlage einer Kohortenanalyse
DE102015208291A1 (de) Gemeinschaftsfahrzeugmanagement
DE102013000385A1 (de) Verfahren und Navigationssystem zum Ermitteln eines Fahrroutenvorschlags für eine bevorstehende Fahrt mit einem Kraftwagen
EP3284034A1 (de) Buchung von anmietbaren fahrzeugen in einem car-sharing system
DE102016100427A1 (de) Fahrzeugsteuerung
DE112017007788T5 (de) Verbessertes betanken eines fahrzeugs
DE102019109561A1 (de) Verfahren zur Routenplanung in einem Navigationssystem eines Fahrzeugs, Navigationssystem für ein Fahrzeug und Fahrzeug mit demselben
DE102014225122A1 (de) Verfahren und System zur Bereitstellung von Informationen zur Verfügbarkeit von Ladestationen
WO2013120765A1 (de) Verfahren zu einem modellaufbau für eine reisezeitendatenbank
DE102017217131B3 (de) Verfahren zur Unterstützung einer Parkplatzsuche für einen Fahrzeugführer eines Lastkraftwagens sowie ein System, welches dazu eingerichtet ist, ein solches Verfahren durchzuführen
DE10108611A1 (de) Verfahren zur Simulation und Prognose der Bewegung von Einzelfahrzeugen auf einem Verkehrswegenetz
DE102017213984A1 (de) Verfahren zum Betreiben einer Navigationsvorrichtung für ein Kraftfahrzeug
EP2224408A2 (de) System zur Verkehrserfassung
WO2023247089A1 (de) Verfahren und vorrichtung zur prädiktion der wartezeit an einer ladestation
WO2019048086A1 (de) Verfahren, vorrichtung, computerprogramm und computerprogrammprodukt zur routenplanung für ein fahrzeug
DE102019218566A1 (de) Verfahren und system zum schätzen einer wartezeit an einem zielort eines fahrzeugs unter verwendung von v2v-kommunikation
DE102010064063A1 (de) Verfahren und Vorrichtung zur rechnergestützten Prognose eine Fahrtdauer eines Fahrzeugs auf einer Route aus einem oder mehreren Routensegmenten

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: 23721392

Country of ref document: EP

Kind code of ref document: A1