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.

The invention relates to a method for planning charging operations for a vehicle that has an at least partially electrified drivetrain, wherein historical journeys and parking operations are identified in the past use behaviour of the vehicle, from which historical journeys and parking operations predicted journeys and parking operations, in each case having an individual probability of occurring, are ascertained for a prediction period, which predicted journeys and parking operations are linked to a transition chain (1) and for each of which a predicted energy consumption is ascertained, and wherein, under consideration of the transition chain (1) and boundary conditions, a charging schedule is determined. The method according to the invention is characterised by the following method steps: - reading-in use data (ND) relating to the vehicle by a computing unit; - determining known locations from the use data (ND); - calculating a probability vector (WV) by means of a first machine-learning model (ML_1); - calculating a parking duration vector (PV) by means of a second machine-learning model (ML_2); - reading-in the probability vector (PV) and the parking duration vector (PV) into a graph-based scenario-generating module (201), which generates therefrom a transition tree (2); - formulating a mixed integer optimisation problem (202) starting from the transition tree (2); - solving the mixed integer optimisation problem (202) by means of the computing unit; and - formulating the charging schedule.

L'invention concerne un procédé de planification d'opérations de charge pour un véhicule équipé d'une chaîne cinématique au moins partiellement électrifiée, selon lequel des trajets historiques et des opérations d'arrêt sont identifiés dans le comportement d'utilisation antérieur du véhicule et à partir desquels on détermine pour une période prévisionnelle, des trajets et des opérations d'arrêt prévisionnels présentant dans chaque cas une probabilité d'occurrence individuelle, qui sont associés à une chaîne de transition (1) et pour lesquels une consommation d'énergie pronostiquée est déterminée dans chaque cas, et un horaire de charge étant déterminé, en tenant compte de la chaîne de transition (1) et des conditions aux limites. Le procédé selon l'invention est caractérisé par les étapes suivantes : lecture de données d'utilisation (ND) du véhicule par une unité de calcul, détermination d'emplacements connus à partir des données d'utilisation (ND), calcul d'un vecteur de probabilité (WV) par un premier modèle d'apprentissage machine (ML_1), calcul d'un vecteur de durée de stationnement (PV) par un second modèle d'apprentissage machine (ML_2), lecture du vecteur de probabilité (WV) et du vecteur de durée de stationnement (PV) dans un module de génération de scénario (201) à base de graphiques qui en génère un arbre de transition (2), formulation d'un problème d'optimisation (202) à nombres entiers mixtes à partir de l'arbre de transition (2), résolution du problème d'optimisation à nombres entiers mixtes (202) par l'unité de calcul, et formulation de l'horaire de charge.