阅读说明：本技术 用于电动车辆的智能充电调度装置和方法 (Intelligent charging scheduling device and method for electric vehicle ) 是由 刘勃 T·帕格 丁侨 Q·杨 C·T·海因 S·格勒布林克 于 2017-05-16 设计创作，主要内容包括：本公开提供了用于对服务于多个电动车辆的充电基础设施进行调度的新的和改进的方法和装置。在示例性实施例中,提供了一种用于对服务于多个电动车辆的充电基础设施进行调度的计算机实施的方法,其特征在于,包括：基于充电基础设施的历史使用模式和该历史使用模式的上下文,利用上下文对充电基础设施的使用模式进行预测；和基于预测的使用模式,确定用于决定充电基础设施的充电点在电动车辆之间的分配的调度方案。(The present disclosure provides new and improved methods and apparatus for scheduling charging infrastructure serving a plurality of electric vehicles. In an exemplary embodiment, a computer-implemented method for scheduling a charging infrastructure serving a plurality of electric vehicles is provided, comprising: predicting a usage pattern of the charging infrastructure using a context based on a historical usage pattern of the charging infrastructure and a context of the historical usage pattern; and determining a scheduling scheme for deciding allocation of charging points of the charging infrastructure among the electric vehicles based on the predicted usage pattern.)

用于电动车辆的智能充电调度装置和方法

技术领域

本公开总体上涉及电动车辆的充电的领域，并且更具体地涉及用于电动车辆的智能充电调度方法和装置。

背景技术

随着诸如电动车辆之类的新能源车辆的发展，特别是在大城市中对充电基础设施的需求已大大增加。对于现有技术中具有多个充电点的充电基础设施，通常要求充电的电动车辆排成一个队列，并且当充电点之一上的电动车辆充满电并离开充电基础设施时，处于队列的第一位置的电动车辆移至充电点进行充电。因此，还没有用于在电动车辆之间分配充电点的智能调度方法。

发明内容

本公开的目的是提供一种用于为多个电动车辆服务的充电基础设施的新的和改进的调度方法和装置。

根据本公开的第一示例性实施例，提供了一种用于对服务于多个电动车辆的充电基础设施进行调度的计算机实施的方法，其特征在于，包括：基于充电基础设施的历史使用模式和该历史使用模式的上下文，利用上下文对充电基础设施的使用模式进行预测；和基于预测的使用模式，确定用于决定充电基础设施的充电点在电动车辆之间的分配的调度方案。

在本实施例的示例中，可以使用机器学习方法或数据映射方法来对充电基础设施的使用模式进行预测。

在本实施例的示例中，可以基于使用模式与调度方案之间的对应关系来确定调度方案。

在本实施例的示例中，该方法可以进一步包括：观察充电基础设施的实际使用模式，并且其中，预测的使用模式能够基于实际使用模式进行调整。

在本实施例的示例中，调度方案可以包括以下至少一个：先到先服务方案、循环方案、最短作业最先方案、最短剩余时间最先方案、第一优先级最先方案、先走先服务方案、这些调度方案中的任何调度方案的混合方案和从一个调度方案到另一个调度方案的过渡方案。

在本实施例的示例中，充电基础设施的使用模式可以包括以下至少一个：要求充电的电动车辆数量、电动车辆数量变化率、电动车辆所需功率以及电动车辆的停留时间。

在本实施例的示例中，充电基础设施的使用模式的上下文包括以下至少一个：充电基础设施的位置、一天中的时间、一周中的某天、天气、是否假日、是否在充电基础设施周围发生了事件。

在本实施例的示例中，该方法可以进一步包括：基于调度方案和关于电动车辆的信息，决定充电点在电动车辆之间的分配。

在本实施例的示例中，关于电动车辆的信息可以包括以下至少一个：电动车辆到达充电基础设施的时间、当前的充电状态、期望的充电状态、期望的充电能量、期望的取车时间、累积的充电时间、电动车辆的剩余作业长度、电动车辆的优先级以及电动车辆与充电点之间的距离。

在本实施例的示例中，充电基础设施可以包括用于向任一充电点提供功率的多个供电相，并且该方法可以进一步包括基于以下各项中的至少一项来确定供电相在充电点之间的分配：每个供电相的状态以及关于由每个充电电源供电的充电点上的电动车辆的信息。

在本实施例的示例中，每个供电相的状态包括以下至少一个：该供电相的可用功率和该供电相的电流。

在本实施例的示例中，该方法还可以包括：基于供电相的功率限制和关于由每个充电电源供电的充电点上的电动车辆的信息，确定充电相的可用功率在充电点之间的分配。

在本实施例的示例中，电动车辆可以是自主车辆，并且充电基础设施可以具有自主充电器。

根据本公开的第二示例性实施例，提供了一种用于服务于多个电动车辆的充电基础设施的调度装置，其特征在于，包括：存储器，被配置为存储一系列计算机可执行指令；和处理器，被配置为执行一系列计算机可执行指令，其中，一系列计算机可执行指令在由处理器执行时使处理器执行上述任何方法中的步骤。

根据本公开的第三示例性实施例，提供了一种具有存储在其上的指令的非暂时性计算机可读介质，该指令在由处理器执行时使处理器执行上述任何方法的步骤。

根据下文给出的详细描述，本公开的进一步的适用范围将变得显而易见。然而，应当理解，详细说明和具体示例虽然指示了本公开的优选实施例，但是仅以说明的方式给出，因为在本公开的精神和范围内的各种改变和修改对于那些人而言将是显而易见的。从以下详细描述中，本领域技术人员。

附图说明

通过以下结合附图对示例性实施例的详细描述，本发明的上述和其他方面以及优点将变得显而易见，所述附图以示例的方式示出了本发明的原理。注意，附图不一定按比例绘制。

图1示出了图示根据本公开的示例性实施例的服务于多个电动车辆的充电基础设施的示意图。

图2示出了图示根据本公开的示例性实施例的用于充电基础设施的调度方法200的流程图。

图3示出了图示根据本公开的示例性实施例的用于基于历史使用模式及其上下文使用机器学习算法来利用上下文预测使用模式的方法300的流程图。

图4示出了图示根据本公开的示例性实施例的用于基于历史使用模式及其上下文使用数据映射来利用上下文预测使用模式的方法400的流程图。

图5A-图5D示出了根据本公开的示例性实施例的充电方案的示例。

图6A示出了图示现有技术中的供电相的功率分配的示意图。

图6B示出了图示根据本公开的示例性实施例的供电相的功率分配的示意图。

图7示出了根据本公开的示例性实施例的用于充电基础设施100的调度装置700的框图。

图8示出了图示根据本公开的示例性实施例的可应用本公开的一般硬件环境800的示意图。

具体实施方式

在以下详细描述中，阐述了许多具体细节以提供对所描述的示例性实施例的透彻理解。然而，对于本领域的技术人员将显而易见的是，可以在没有一些或所有这些具体细节的情况下实施所描述的实施例。在其他示例性实施例中，未详细描述众所周知的结构或处理步骤，以避免不必要地使本公开的概念模糊。

在说明书中使用的术语“电动车辆”是指至少部分地由电驱动并且可以通过充电基础设施充电的车辆。“电动车辆”不限于汽车、卡车、公交车等。说明书中使用的术语“A或B”是指“A和B”和“A或B”，而不是意味着A和B是排他的，除非另有说明。

首先参考图1，示出了示出根据本公开的示例性实施例的服务于多个电动车辆的充电基础设施的示意图。充电基础设施100包括多个充电点110和多个等待区域120。电动车辆130可以布置在充电点110或等待区域120中，并且可以在充电点110和等待区域120之间移动。每个充电点110具有至少一个充电器111，并且可以通过充电器111对充电点110中的电动车辆130进行充电。一个充电基础设施100可以包括例如数十个或甚至数百个充电点。充电基础设施100包括向每个充电点提供功率的电源系统140。电源系统140可以是包括多个供电相141的多相电源系统140。每个供电相141传送一个交流相，并且多个交流相在时间上偏移。在本公开的实施例中，一个充电基础设施100包括例如三个供电相。在本公开的另一实施例中，一个充电基础设施100包括例如多于三个的供电相。可以将一个或多个供电相141分配给一个充电点110。同时，一个供电相141可以给多个充电点110供电。

参照图2，示出了图示根据本公开的示例性实施例的用于充电基础设施的调度方法200的流程图。

在步骤S201处，基于充电基础设施的历史使用模式和历史使用模式的上下文，来利用上下文对充电基础设施的使用模式进行预测。

在本公开中，“充电基础设施的使用模式”用于描述电动车辆使用充电基础设施的模式。充电基础设施的使用模式可以包括可以反映电动车辆使用充电基础设施的模式的任何参数。例如，充电基础设施的使用模式的参数包括以下至少之一：要求充电的电动车辆的数量、电动车辆的数量的变化率、电动车辆的所需功率、电动车辆的停留时间(即，电动车辆将停留在充电基础设施的时间长度)等。例如，充电基础设施的使用模式可以被描述为：“约一百辆电动车辆正在等待充电”，“约两百辆电动车辆在一小时内到达充电基础设施”，“约75％电动车辆要求充满电”，“电动车辆平均所需电量约为60kwh”，“电动车辆平均停留时间约为3小时”等。另外，对充电基础设施的使用模式的描述可以是准确的值，或者甚至可以是特定于每个电动车辆的。

任何其他参数都可以被包括在“使用模式”中，只要它可以反映电动车辆使用充电基础设施的模式即可。

另外，充电基础设施的使用模式与其上下文相关联，上下文是指使用模式的一组环境因素。使用模式的上下文包括各种信息，包括以下至少一个：充电基础设施的位置、一天中的时间、一周中的某天、天气、是否假期、充电基础设施周围是否发生了事件等等。可以想到在充电基础设施的使用模式的上下文中可以包括的任何其他信息。

使用模式与其上下文之间存在一定的对应关系。在说明书的一个实施例中，每个上下文对应于一个对应的使用模式，并且多个上下文可以对应于相同的使用模式。也就是说，使用模式和上下文之间存在一对多的对应关系。换句话说，如果上下文相同，则相应的使用模式也将相同。例如，对于住宅区的充电基础设施，使用模式通常在每个星期一的晚上是相同的。另外，不同的上下文可以对应于不同的使用模式。例如，购物中心中的充电基础设施和住宅区中的充电基础设施将具有彼此不同的使用模式。另外，在午餐时间、早晨、雨天、晴天、工作日和周末期间，购物中心的充电基础设施的使用模式也可以彼此不同。

在本公开中，术语“充电基础设施的历史使用模式”是指已经为充电基础设施记录的实际使用模式。可以通过例如在充电基础设施处对电动车辆进行计数的计数器和/或从客户获得的与电动车辆的所需功率和停留时间有关的信息的接收器来观察实际使用模式，并记录在计算设备的内存中。术语“历史使用模式的上下文”是指历史使用模式的真实上下文，即，历史使用模式发生时的真实上下文。真实上下文可以由操作员输入、由传感器感测和从任何来源检索。基于所记录的使用模式及其上下文，可以以各种方式来利用具体上下文预测使用模式。充电基础设施的历史使用模式和历史使用模式的上下文可以被视为用于预测使用模式的“经验数据”。

在本公开的一个实施例中，机器学习被用来预测使用模式。如计算机科学的技术领域众所周知的，机器学习通过从训练示例中学习来构建模型，并基于该模型预测新的输出。在该实施例中，可以基于充电基础设施的历史使用模式和历史使用模式的上下文，使用机器学习算法来利用上下文预测使用模式。

现在参考图3，示出了根据本公开的示例性实施例的、用于基于历史使用模式及其上下文，使用机器学习算法来利用上下文预测使用模式的方法300的流程图。

在步骤S301，提供一组历史使用模式及其上下文。在本公开的一个实施例中，历史使用模式和上下文可以是针对要预测使用模式的充电基础设施记录的真实数据。在本公开的另一个实施例中，历史使用模式和上下文可以是针对另一充电基础设施而记录的真实数据，该另一充电基础设施类似于要预测其使用模式的充电基础设施。这里使用术语“相似”来指示在相似的上下文下，这两个充电基础设施具有相似的使用模式，使得它们其中之一的实际历史使用模式可以用作其中另一个的历史使用模式。

在步骤S302，将一组历史使用模式及其上下文输入到机器学习算法中。机器学习算法可以是现有技术中已知的算法之一，包括监督学习算法、非监督学习算法、半监督学习算法和强化学习算法。特别地，算法包括以下至少一项：决策树学习、关联规则学习、人工神经网络、深度学习、归纳逻辑编程、支持向量机、聚类、贝叶斯网络、强化学习、表示学习、相似性和度量学习、稀疏词典学习、遗传算法、基于规则的机器学习、学习分类器系统等。

在步骤S303，通过机器学习算法建立使用模式模型。通过使用该模型，一个上下文被与充电基础设施的一种相应的使用模式相关联。

在步骤S304，将要预测的使用模式的上下文提供给模型。在本公开的一个实施例中，要预测的使用模式是充电基础设施的当前使用模式，而在本公开的另一实施例中，要预测的使用模式可以是任何使用模式，例如可以是在例如接下来的几个小时中的将来的使用模式、具有由用户假设的上下文的使用模式或者甚至过去的使用模式。

在步骤S305，从模型输出使用模式的预测结果。通过使用该模型，输入的上下文将产生输出，该输出是要预测的使用模式。

图3所示的流程图和步骤仅是机器学习算法的简单示例，本领域技术人员将想到使用机器学习对充电基础设施的使用模式进行预测的任何过程和步骤。

在本公开的另一个实施例中，通过将历史使用模式与其上下文映射来进行对充电基础设施的使用模式的预测。

现在参考图4，示出了根据本公开的示例性实施例的方法400的流程图，该方法用于基于历史使用模式及其上下文，使用数据映射方法，利用上下文来预测使用模式。

在步骤S401，提供一组历史使用模式及其上下文。该步骤与步骤S301相似，因此这里省略其说明。

然后，在步骤S402，建立使用模式与其上下文之间的映射。如上所述，使用模式与其上下文之间的映射是一对多映射，因此对于每个上下文，将存在一个对应的使用模式。

在步骤S403，提供要预测的使用模式的上下文。该步骤与步骤S304相似，因此这里省略其说明。

在步骤S404，基于使用模式及其上下文之间的映射，利用提供的上下文确定使用模式的预测结果。

图4所示的流程图和步骤仅仅是使用数据映射的简单示例，并且本领域技术人员将想到使用数据映射来预测充电基础设施的使用模式的任何过程和步骤。

除了上面列出的实施例之外，本领域技术人员可以想到任何其他用于基于历史使用模式及其上下文来利用上下文来预测使用模式的方法，并且这些方法都被本公开的范围覆盖。

在本公开的一个实施例中，可以基于例如来自充电基础设施的运营商的指令来周期性地或手动地更新历史使用模式及其上下文。例如，当历史使用模式及其上下文被更新时，通过机器学习方法建立的模型和/或在数据映射方法中使用的映射也可以被更新。

在本公开的一个实施例中，可以考虑充电基础设施的实际使用模式来调整预测的使用模式。当前和历史的实际使用模式可以通过例如在充电基础设施处对电动车辆进行计数的计数器和/或从客户接收关于电动车辆所需功率和停留时间的信息的接收器来观察，并记录下来。例如，如果在相同上下文下的预测当前使用模式与实际当前使用模式之间的差异较大，例如，实际当前使用模式中正在充电基础设施处的电动车辆的数量远大于预测中的电动车辆的数量(例如400辆相比于200辆)，则指示充电基础设施的实际当前使用模式与用于预测使用模式的经验数据相背离，并且因此建议基于实际使用模式调整预测的使用模式。

例如，预测了将来(例如未来几个小时)的使用模式和当前使用模式，并且还观察实际的当前使用模式。然而，通过比较预测的当前使用模式和实际的当前使用模式，注意到预测的当前使用模式和实际的当前使用模式之间的差异较大，例如当前实际使用模式中当前正在充电基础设施处的电动车辆的数量比预测的使用模式中的电动车辆的数量要大得多(例如400辆相比于200辆)。然后，例如通过增加要求充电的电动车辆的数量，可以基于实际使用模式来调整将来的使用模式。类似地，也可以调节与使用模式有关的其他参数，例如，电动车辆的数量变化率、电动车辆的所需功率和/或电动车辆的停留时间。

在本公开的另一实施例中，除了实际的当前使用模式之外，过去的实际使用模式也可以用于调整预测的使用模式。

现在返回参考图2，在步骤S202，基于充电基础设施的预测使用模式来确定用于决定充电基础设施的充电点在电动车辆之间的分配的调度方案。

充电基础设施的充电点在电动车辆之间的分配定义了哪个充电点110以及何时该充电点被电动车辆130占用以及哪个电动车辆130将被移动到充电点110，并且对于每个充电点，它包括以下至少之一：充电点被哪个电动车辆占用、充电点何时被电动车辆占用、电动车辆所占用的充电点的时间长度、哪个电动车辆从等待区域移动到充电点来替换之前的电动车辆等。有多种调度方案用于决定充电点在电动车辆之间的分配。在本公开的一个实施例中，调度方案包括以下各项中的至少一项：先到先服务(first come first serve，FCFS)方案、循环方案、最短作业最先(shortest job first，SJF)方案、最短剩余时间最先(shortest remaining time first，SRTF)方案、第一优先级最先(first priority first，FPF)方案、先走先服务(first go first serve，FGFS)方案、这些调度方案中的任何调度方案的混合方案以及从一种调度方案到另一种调度方案的过渡方案。

下面，以相同情况下的示例为例对充电方案进行说明，情况具体如下：充电基础设施中有两个充电点N_1和N_2；电动车辆A和B在时间0到达充电基础设施，而电动车辆C、D和E在时间0之后且在时间1之前到达充电基础设施；电动车辆A、B、C、D和E的作业长度(即完成充电所需的时间单位数)分别为4、2、1、3和2。在本公开中，可以基于多种标准来确定电动车辆的充电是否结束，包括以下至少一个：电动车辆是否充满电、电动车辆的充电状态是否达到由客户(例如，电动车辆的驾驶员)或充电基础设施的运营商设置的值、是否已经充了期望的能量、是否达到了期望的取车时间等。

在本公开的实施例中，对于先到先服务(FCFS)方案，在要求充电的电动车辆中，充电点被分配到在时间上首先到达的电动车辆。然后，在该电动车辆的充电完成之后，将该电动车辆的充电被从充电点移除。之后，将剩余电动车辆中最早到达的电动车辆移动到充电点进行充电。

现在参考图5A-图5D，示出了根据本公开的示例性实施例的充电方案的示例。图5A示出了先到先服务(FCFS)方案的示例。如图所示，有两个水平轴，分别代表充电点N_1和N_2。轴是时间线，轴上的每个刻度表示一个时间单位。开始，电动车辆A和B分别在充电点N_1和N_2上充电。然后，在时刻2电动车辆B的充电结束后，电动车辆C移至充电点N_2。然后，在时刻3电动车辆C的充电结束之后，将电动车辆D移动至充电点N_2。然后，在时刻4电动车辆A的充电结束之后，将电动车辆E移动至充电点N_1。最后，电动车辆D和E的充电作业在时间6结束。

先到先服务(FCFS)方案较简单，并且可以被视为公平方案，因为它遵循有序排队的惯例。另外，FCFS方案对客户可以是透明的，以便他/她可以决定是否愿意等待并使用充电基础设施。

在本公开的实施例中，对于循环方案，关于每个充电点定义时隙，并且电动车辆可以使用每个时隙来充电。基于电动车辆到达充电基础设施的时间在充电队列中对其进行排序并基于该队列将它们移动到充电点。具体而言，在每个时隙的末尾，在充电点上充电的电动车辆将被移至等待区域，并被定位在队列的末尾，而队列中的第一辆电动车辆代替其在充电点上。也就是说，循环方案以循环模型运行。电动车辆充电完成后，将其从队列中移除。应当注意的是，术语“充电队列”是指电动车辆等待充电的顺序，并且不一定意味着电动车辆物理地沿一条线布置。

现在参考图5B，其示出了循环方案的示例。循环方案的时隙在图5B中被定义为一个时间单位。如图所示，开始，电动车辆A和B分别在充电点N_1和N_2充电。然后，在第一时隙的末尾(时间1)，将电动车辆A和B从充电点N_1和N_2移除，并且将电动车辆C和D分别移动到充电点N_1和N_2。然后，在第二时隙的末尾(时间2)，将电动车辆C和D从充电点N_1和N_2移除，并将电动车辆E和A分别移动到充电点N_1和N_2。由于电动车辆C的充电完成，因此将其从等待充电的队列中移除。对所有电动车辆重复该过程，直到电动车辆A和D的充电作业在时间6结束。

循环方案趋向于在电动车辆之间平均分配充电点的充电时隙，以最大化充电基础设施的输出并服务于尽可能多的客户。

在本公开的实施例中，对于最短作业最先(SJF)方案，当电动车辆的充电完成时，电动车辆将被移动到等待区域，并且另一电动车辆代替其在充电点上。可以基于作业长度来确定在等待区域中的电动车辆中，哪个电动车辆被移动到充电点。也就是说，作业长度最短的电动车辆将被移动到充电点。

现在参考图5C，其示出了最短作业最先(SJF)方案的示例。如图所示，开始，电动车辆A和B分别在充电点N_1和N_2充电。然后，在时刻2电动车辆B的充电结束后，电动车辆C移至充电点N_2。然后，在时间3电动车辆C的充电完成之后，因为电动车辆E的作业长度短于电动车辆D的作业长度，所以电动车辆E移至充电点N_2。然后，在时间4电动车辆A的充电结束之后，电动车辆D移动到充电点N_1。最终，电动车辆D的充电在时间7结束。

SJF方案允许首先处理具有最短作业长度的充电任务，从而有效地减少了等待充电的电动车辆的数量，并使充电基础设施的吞吐量最大化。

在本公开的实施例中，对于最短剩余时间最先(SRTF)方案，类似于循环方案，在每个充电点上定义时隙，并且电动车辆可以使用每个时隙来充电。在每个时隙的末尾，确定每个电动车辆的剩余作业长度并将它们相互比较，并且如果在等待区域中的电动车辆的剩余作业长度短于在充电点上的在充电的电动车辆，那么即使在充电点上的电动车辆的充电尚未完成，仍然将在充电点上充电的电动车辆替换为等待区域中的电动车辆。

现在参考图5D，其示出了最短剩余时间最先(SRTF)方案的示例。SRTF方案的时隙在图中定义为一个时间单位。如图所示，开始，电动车辆A和B分别在充电点N_1和N_2充电。然后，在第一时隙的末尾(时间1)，确定每个电动车辆的剩余作业长度并将它们相互比较。可以看出，电动车辆B和C的剩余作业长度最短，即一个时间单位，因此电动车辆B继续在充电点N_2充电，而电动车辆A被从充电点N_1移除并且车辆C移动到充电点N_1。然后，在第二时隙的末尾(时间2)，由于完成了充电作业，电动车辆B和C从充电点N_1和N_2移除，并且剩余作业长度缩短的电动车辆E(2个时间单位)和剩余作业长度相同(3个时间单位)的电动车辆A和D中的一个分别移动到充电点N_1和N_2。在该示例中，电动车辆E移动到充电点N_2，而电动车辆A移动到充电点N_1。之后，在第四时隙的末尾(时间4)，电动车辆E的充电作业结束，因此从充电点N_2中移除，而电动车辆A和D中的另一辆(在此示例中为电动车辆D)移动到充电点N_2。最终，电动车辆D的充电在时间7结束。

SRTF方案允许在每个时隙内处理最短的作业长度的充电任务，从而更有效地减少了等待充电的电动车辆的数量，并进一步最大化了充电基础设施的输出。

在本公开的实施例中，对于第一优先级最先(FPF)方案，当电动车辆的充电完成时，电动车辆将被移动到等待区域，并且另一电动车辆代替其在充电点上。在等待区域中的电动车辆中，可以基于其优先级确定哪个电动车辆被移动到充电点。也就是说，具有最高优先级的电动车辆将被移动到充电点。电动车辆的优先级例如基于客户提供的价格、客户的积分或优先级等。

FPF方案使客户有机会支付更多的费用以换取更短的等待时间，或者让信用点更高或优先级更高的客户更早地为电动车辆充电。

在本公开的实施例中，对于先走先服务(FGFS)方案，在要求充电的电动车辆中，将充电点分配给具有最早取车时间的电动车辆。然后，电动车辆的充电将继续直到电动车辆的充电完成。如上所述，完成充电的条件包括达到期望的取车时间的条件。之后，将其余电动车辆中具有最早取车时间的电动车辆移动到充电点进行充电。

先走先服务(FCGS)方案考虑了客户的期望取车时间，因此，即使客户希望在到达充电基础设施后不久就取他/她的车，该电动车辆也可以得到充电。

另外，这些方案可以彼此混合以获得混合方案。例如，在本公开的一个实施例中，最短作业最先(SJF)方案和循环方案可以以这样的方式混合：对于该混合方案，电动车辆被基于其剩余作业长度在充电队列中排序。也就是说，在每个时隙的末尾，具有较短剩余作业长度的电动车辆将被移动到充电点。而且，可以基于电动车辆的等待时间和作业长度二者在充电队列中对其进行排序。也就是说，等待时间较长且剩余作业长度较短的电动车辆将被移动到充电点。此外，在本公开的另一个实施例中，第一优先级最先(FPF)方案可以与先到先服务(FCFS)方案、循环方案、最短作业最先(SJF)方案和最短剩余时间最先(SRTF)方案中的任何方案混合，以便可以在充电顺序中反映客户的优先级，从而使优先级较高的客户可以更早地为其电动车辆充电。

然后，预测的使用模式将用于确定采用哪种调度方案。以下，将提供描述如何基于预测的使用模式来确定调度方案的示例性实施例。

在本公开的一个实施例中，举例来说，如果要求充电的电动车辆的数量较大，例如，要求充电的电动车辆的数量超过了充电基础设施的容量(例如，要求充电的电动车辆的数量是充电基础设施充电点数量的两倍)，则将采用先到先服务(FCFS)方案，从而向客户提供透明、清晰的反馈，以便他/她可以决定他/她是否愿意等待并使用该设施。举例来说，如果要求充电的电动车辆的数量较少，例如要求充电的电动车辆的数量低于充电基础设施的容量(例如，要求充电的电动车辆的数量少于充电基础设施的充电点数量的两倍)，那么将采用循环调度，以便在车辆之间平均分配充电时隙，以最大化基础设施的输出并为尽可能多的客户提供服务。

在该实施例中，当需要充电的电动车辆的数量很大时，采用公平透明的调度方案，即FCFS方案。但是，对于到达较晚且车辆的电池电量已经不足(例如，充电状态低于30％)的客户，即，电动车辆的所需功率较高，他/她可能必须等待花费很长的时间给他/她的车辆充电。

鉴于此，可选地，在本公开的另一实施例中，如果要求充电的电动车辆的数量较大，则当电动车辆的平均所需功率较高时(例如，平均充电状态低于30％)和/或具有较高要求功率的电动车辆数量较大(例如，超过70％的电动车辆要求充电)，将暂时采用轮循机制，以便在各个电动车辆之间平均分配充电时隙，因此上述客户可以在较短的等待时间内为其电动车辆充电至少一个时隙。然后，例如，在一个或多个时隙之后和/或当平均所需功率变得较低时，将采用先到先服务(FCFS)方案，以便提供公平且透明的调度方案。

另外，在本公开的又一实施例中，如果要求充电的电动车辆的数量较大，则当电动车辆的平均所需功率较低时(例如，平均充电状态高于70％)和/或具有低所需功率的电动车辆数量少(例如，少于30％的电动车辆)，则将采用最短作业最先(SJF)方案或最短剩余时间最先方案，从而有效地减少等待充电的电动车辆数量，并使充电基础设施的吞吐量最大化。对于其车辆的电池电量已经不足的客户，他/她可以通过将其电动车的所需功率(即当前充电状态与目标充电状态之间的差)设置为一个很小的值来手动缩短作业长度，这样他/她就可以更早使得他/她的车辆得到充电。然后，在给定时间段之后和/或如果平均所需功率变高，例如，将采用先到先服务(FCFS)方案，以提供公平、透明的调度方案。

另外，在本公开的以上实施例中，如果要求充电的电动车辆的数量少，则将采用循环方案。然而，在这种情况下，如果要求充电的电动车辆的数量迅速增加，例如，大约两百辆电动车辆将在一小时内到达充电基础设施，而充电基础设施仅具有一百个充电点，则要求充电的电动车辆的数量将在一小时内变多。然后，为了应对电动车辆的数量迅速增加，尽管当前要求充电的电动车辆的数量还没有太多，但可以采用针对要求充电的电动车辆的数量较大的情况的调度方案。例如，可以采用先到先服务的方案，并且因此可以更早地执行更改调度方案的过程，并且可以为即将到来的客户的爆发准备充电基础设施。

相反，如果要求充电的电动车辆的数量少并且缓慢减少或增加，例如，大约30辆电动车辆在一小时内将到达充电基础设施，则将维持循环方案。

此外，在本公开的另一实施例中，举例来说，如果电动车辆的停留时间短，例如，电动车辆的平均停留时间小于1小时和/或停留时间短的电动车辆的数量较大(例如，超过70％的电动车辆需要充电)，将采用先到先服务(FGFS)方案，以便可以为停留时间短的电动车辆充电。

在本公开的又一个实施例中，如上所述，可以将第一优先级最先服务(FPFS)方案与任何其他方案混合以获得混合调度方案。

下面，表格总结了提供的本公开的上述实施方式。在该表中，说明了使用模式与调度方案之间的对应关系，其中每行中的组合的使用模式对应于同一行中的调度方案。但是，对应关系不限于表中列出的特定示例。一方面，使用模式的参数可以彼此组合并且对应于不同的调度方案。另一方面，调度方案也可以彼此混合。本领域技术人员将理解，这种表格仅用于示例性目的。

在本申请的一个实施例中，基于预测的当前使用模式来确定调度方案。在本申请的另一个实施例中，基于在不久的将来(例如在接下来的几个小时中)预测的当前使用模式来确定调度方案。

类似地，基于以上关于充电方案的变化的描述，本领域技术人员可以理解基于预测的使用模式来选择充电方案的许多其他方式。可以基于公平性、效率、吞吐量等之间的平衡来改变对充电方案的选择。

在本公开的一个实施例中，可以周期性地(例如每隔一小时)执行对充电方案的选择。在本公开的另一个实施例中，可以在上下文改变时(例如当午餐时间、半夜、开始下雨、在充电基础设施周围发生事件时)，执行对充电方案的选择。在本公开的又一个实施例中，可以基于来自例如充电基础设施的运营商的指令来手动执行对充电方案的选择。另外，用于改变调度方案的频率可以被限制为某个值，例如，可以每小时改变一次调度方案。

在本公开的一个实施例中，当充电方案从一个方案改变为另一方案时，该改变将不会以二元方式进行，而是通过过渡方案以平滑过渡进行。例如，在本公开的一个实施例中，当充电方案从第一方案改变为第二方案时，当前处于充电点的电动车辆将继续其充电，直到电动车辆根据第一方案将被移至等待区域或充电完成为止，然后根据第二方案确定将哪一辆电动车移至充电点以及将充电多长时间。也就是说，充电方案的过渡不影响当前在充电点的电动车辆。在本公开的另一个实施例中，对于具有时隙的调度方案(例如轮循方案和最短剩余时间最先方案)和没有时隙的调度方案(例如先到先服务方案、最短作业最先、优先级最先方案和先到先服务方案)之间的过渡，可以通过更改时隙来执行调度方案的过渡。例如，当充电方案从循环方案更改为先到先服务(FCFS)方案时，灵活的时隙长度将根据预测的当前使用模式逐渐增加，最后时隙的时间变得足够长以至于可以在一个时隙内完成电动车辆的充电，这意味着充电方案现在已转变为FCFS方案。类似地，当充电方案从先到先服务方案改变为循环方案时，用于电动车辆充电的时隙的长度可以首先设置为较大的值，然后逐渐减小，直到等于循环方案设置的长度。

在本公开的实施例中，可以通过充电基础设施的制造者或研究与使用模式和调度方案有关的主题的实体来预先确定使用模式和调度方案之间的上述对应关系，并且这种对应关系可以由例如充电基础设施的运营商修改。可以将使用模式与调度方案之间的对应关系存储在计算设备的存储器中，并且当预测使用模式时，计算设备可以根据该对应关系来确定调度方案。

在本公开的另一实施例中，可以使用用于基于使用模式确定调度方案的任何其他方法。

如果电动车辆有一个以上的可用充电点，则可以基于多种因素来确定选择哪个充电点为电动车辆充电。例如，可以将电动车辆移至例如距离电动车辆最近的充电点、在上一次充电后具有最长的空闲时间的充电点、具有最小的累积作业长度的充电点等。

在本公开的至少一个实施例中，可以采用具有多种优点的多种调度方案，从而可以提高充电基础设施的灵活性，从而提供一种新的、改进的充电基础设施调度方法。

现在回到图2，在本公开的一个实施例中，在步骤S202中确定了用于决定充电点在电动车辆之间的分配的调度方案之后，该方法中可选地包括执行所确定的调度方案的步骤。注意，由于以下步骤可以不被包括在本公开的方法中，因此它们以虚线框表示。

在步骤S203，基于调度方案和关于电动车辆的信息来确定充电点在电动车辆之间的分配。

如以上参考各种充电方案所讨论的，在本公开的一个实施例中，关于电动车辆的信息与充电调度方案一起用于确定充电点在电动车辆之间的分配。关于电动车辆的信息包括与电动车辆有关的所有信息，并且如上所述包括以下至少一个：电动车辆到达充电基础设施的时间、当前的充电状态、期望的充电状态、期望的充电能量、期望的取车时间、累积的充电时间、电动车辆的剩余作业长度、电动车辆的优先级、电动车辆与充电点之间的距离。例如，对于先到先服务(FCFS)方案和循环方案，电动车辆到达充电基础设施的时间和当前的充电状态被用来确定充电点在电动车辆之间的分配。对于最短作业最先(SJF)方案，当前的充电状态、累积的充电时间、所需的充电状态和所需的充电能量还可以用来确定作业长度。此外，对于最短剩余时间最先(SRTF)方案，剩余作业长度用于决定充电点在电动车辆之间的分配。对于第一优先级最先(FPF)方案，电动车辆的优先级被用来决定充电点在电动车辆之间的分配。对于先走先服务(FGFS)方案，所需的取车时间被用来确定充电点在电动车辆之间的分配。另外，为了选择充电点，也可以考虑电动车辆与充电点之间的距离。

可以理解的是，这些类型的信息中的一些信息可以从电动车辆中检测和接收到，例如，电动车辆到达充电基础设施的时间、当前充电状态、累积充电时间、电动车辆与充电点之间的距离。此外，这些类型的信息中的一些信息是由客户输入的，例如期望的充电状态、电动车辆的剩余作业长度、期望的充电能量以及期望的取车时间。此外，它们中的一些可以或者从电动车辆检测到，或者可以由顾客输入，例如电动车辆的优先级。

然后，在步骤S204，基于以下各项中的至少一项来决定充电供电相在充电点之间的分配：每个充电供电相的状态和关于由每个充电供电相供电的充电点上的电动车辆的信息。

充电供电相的分配是为每个充电点选择最合适的供电相，并避免将充电作业集中在几个供电相上。可以使用各种信息来确定充电供电相的分配，这些信息至少包括每个充电供电相的状态和/或关于由每个充电供电相供电的充电点上的电动车辆的信息，即，关于由每个充电供电相充电的电动车辆的信息。例如，在本公开的一个实施例中，至少供电相的可用功率和/或供电电流可以被用作每个充电供电相的状态。因此，例如，具有较高的可用功率和/或较低的供电电流的供电相可以被选择为用于充电点上的下一个电动车辆的供电相。此外，作为关于电动车辆的信息，可以使用电动车辆的当前充电状态(SOC)和/或剩余作业长度。因此，例如，如果通过供电相充电的电动车辆具有更高的当前充电状态(SOC)和/或更短的剩余作业长度，则可以选择该供电相作为充电点上的下一个电动车辆的供电相。

如上所述，用于确定充电点之间的充电供电相的上述信息可以独立使用或彼此关联地使用。此外，在本公开的一个实施例中，可以为这些信息中的一种或多种信息中的每一个分配相应的值，该值被定义为使得例如在供电相具有更高的可用功率、供电相具有更低的供电电流、正由供电相充电的电动车辆的当前充电状态较高或者正由供电相充电的电动车辆的剩余作业长度较短时，该值更高。然后，提供功能来例如通过对所有值求和来计算每个供电相的结果，并且可以选择具有最高值的供电相作为充电点上的下一辆电动车辆的供电相。

然后，在步骤S205，基于供电相的功率限制和关于正由每个充电供电相供电的充电站点上的电动车辆的信息，来确定充电相的可用功率在充电点之间的分配。

现在参考图6A，示出了图示现有技术中的供电相的功率分配的示意图。在此示例中，电源相具有5.5kw的功率限制，每辆电动车辆的所需功率为3.5kw。如图所示，供电相只能同时为一辆电动车辆提供服务。因此，在功率限制下，强烈约束了能够同时由供电相服务的电动车辆的数量。

现在参考图6B，示出了图示根据本公开的示例性实施例的供电相的功率分配的示意图。

在本公开的该实施例中，考虑充电相的可用功率的约束，基于关于当前在充电站点上的电动车辆的信息，将充电相的可用功率分配给充电点。也就是说，分配给每个充电点的功率是可变的，而不是固定为预设值。在图6B所示的示例中，供电相可同时用于三个电动车辆，因此充电基础设施的吞吐量显着增加。另外，考虑到对电动车辆的最小充电功率的要求，也可以考虑提供给每个电动车辆的最小功率作为约束。

另外，当在充电点之间分配功率时，考虑关于当前在充电点上的电动车辆的信息。例如，考虑到SOC、累积充电时间、期望的取车时间和电动车辆的优先级。在本公开的一个实施例中，随着电动车辆的SOC和累积充电时间增加，分配给它的功率可以逐渐地或以阶梯方式减小。另外，如果接近期望的取车时间而电动车辆的SOC仍然较低，则分配给它的功率可以逐渐地或以阶梯方式增加。另外，如果电动车辆的优先级高，则可以分配给它比其他车辆更大的功率。

可以理解的是，供电相的功率分配可以按规则的时间步长更新和/或每当在由供电相提供动力的充电点上启动、完成或停止电动车辆的充电时更新。

本实施例的功率分配可以优化提供给充电点的可用功率。

在本公开的一个实施例中，在充电点和等待区域之间移动电动车辆的操作以及将充电器连接到电动车辆的操作可以由充电基础设施的工作人员或客户自己手动进行。可替代地，在本公开的另一实施例中，可以通过自主车辆和自主充电器(例如，无线充电器或充电机器人)自动执行以上处理，而无需人工干预。可以看出，鉴于本公开实施例中讨论的调度方案的复杂性，完全自主驾驶和充电将大大减轻人的工作量，并提高本公开的实施例的调度方案的可操作性。

现在参考图7，示出了根据本公开的示例性实施例的用于充电基础设施100的调度装置700的框图。调度装置700的框可以由硬件、软件、固件或其任意组合来实施以执行本公开的原理。本领域技术人员应当理解，图7中描述的框可以被组合或分离为子框以实施如上所述的本公开的原理。因此，这里的描述可以支持这里描述的框的任何可能的组合或分离或进一步的定义。

参照图7，调度装置700可以包括使用模式预测单元701、调度方案确定单元702、充电点分配单元703、供电相分配单元704和功率分配单元705。尽管在图7中示出了五个单元，但是调度装置700不必具有全部五个单元。例如，如上所述，充电点分配单元703、供电相分配单元704和功率分配单元705是可选的，并且因此用虚线表示。调度装置700还可以包括分别用于接收和发送数据、信息、命令等的接收单元(未示出)和发送单元(未示出)。

如上所述，使用模式预测单元701可以被配置为基于充电基础设施的历史使用模式和历史使用模式的上下文来利用上下文对充电基础设施的使用模式进行预测。另外，调度方案确定单元702可以被配置为基于使用模式来确定用于决定充电基础设施的充电点在电动车辆之间的分配的调度方案。此外，充电点分配单元703可以被配置为基于充电调度方案和关于电动车辆的信息来确定充电点在电动车辆之间的分配。此外，供电相分配单元704可以被配置为基于以下各项中的至少一项来确定充电供电相在充电点之间的分配：每个充电供电相的状态和关于由每个充电电源供电的充电点上的电动车辆的信息。最后，功率分配单元705可以被配置为基于供电相的功率限制和关于由每个充电电源供电的充电点上的电动车辆的信息，确定充电相的可用功率在充电点之间的分配。

现在参考图8，示出了图示根据本公开的示例性实施例的、本公开可适用的一般硬件环境800的示意图。

参考图8，现在将描述计算设备800，该计算设备800是可以应用于本公开的各方面的硬件设备的示例。计算设备800可以是被配置为执行处理和/或计算的任何机器，可以是但不限于工作站、服务器、台式计算机、膝上型计算机、平板计算机、个人数据助理、智能电话、车载计算机或其任何组合。前述调度装置700可以全部或至少部分地由计算设备800或类似设备或系统来实施。

计算设备800可以包括可能经由一个或多个接口与总线802连接或通信的元件。例如，计算设备800可以包括总线802、一个或多个处理器804、一个或多个输入设备806和一个或多个输出设备808。一个或多个处理器804可以是任何种类的处理器，并且可以包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(例如特殊处理芯片)。输入设备806可以是可以向计算设备输入信息的任何种类的设备，并且可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或遥控器。输出设备808可以是可以呈现信息的任何种类的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出端子、振动器和/或打印机。计算设备800还可以包括非暂时性存储设备810或与非暂时性存储设备810连接，该非暂时性存储设备810可以是非暂时性的并且可以实施数据存储的任何存储设备，并且可以包括但不限于磁盘驱动器、光学存储设备、固态存储器、软盘、软盘、硬盘、磁带或任何其他磁性介质、光盘或任何其他光学介质、ROM(只读存储器)、RAM(随机存取存储器)、高速缓存和/或任何其他存储芯片或盒带和/或计算机可以从中读取数据、指令和/或代码的任何其他介质。非暂时性存储设备810可以是与接口可分离的。非暂时性存储设备810可以具有用于实施上述方法和步骤的数据/指令/代码。计算设备800还可以包括通信设备812。通信设备812可以是能够与外部设备和/或与网络进行通信的任何类型的设备或系统，并且可以包括但不限于调制解调器、网络卡、红外通信设备、无线通信设备和/或芯片组(例如蓝牙设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设施等)。

计算设备800还可以包括工作存储器814，该工作存储器可以是可以存储对处理器804的工作有用的指令和/或数据的任何种类的工作存储器，并且可以包括但不限于随机存取存储器和/或只读存储设备。

软件元素可以位于工作存储器814中，包括但不限于操作系统816、一个或多个应用程序818、驱动器和/或其他数据和代码。可以在一个或多个应用程序818中包括用于执行上述方法和步骤的指令，并且可以通过处理器804读取并执行一个或多个应用的指令来实施上述调度装置700的单元。例如，上述调度装置700的使用模式预测单元701可以例如由处理器804在执行具有指令以执行步骤S201的应用818时实施。另外，上述调度装置700的调度方案确定单元702可以例如由处理器804在执行具有指令以执行步骤S202的应用818时实施。例如，前述调度装置700的其他单元也可以由处理器804在执行具有指令以执行一个或多个前述各个步骤的应用程序818时实施。可以将软件元素的指令的可执行代码或源代码存储在非暂时性计算机可读存储介质(例如上述存储设备810)中，并且可以通过编译和/或安装将其读取到工作存储器814中。也可以从远程位置下载软件元素的指令的可执行代码或源代码。

还应当理解，可以根据具体要求进行改变。例如，也可以使用定制的硬件，以及/或者特定元件可以以硬件、软件、固件、中间件、微代码、硬件描述语言或其任意组合来实施。此外，可以采用到诸如网络输入/输出设备的其他计算设备的连接。例如，所公开的方法和设备中的一些或全部可以通过使用汇编语言或硬件编程语言(诸如VERILOG、VHDL、C++)通过使用根据本公开的逻辑和算法对硬件(例如，包括现场可编程门阵列(FPGA)和/或可编程逻辑阵列(PLA)的可编程逻辑电路)编程来实现。

本领域技术人员从上面的实施例中可以清楚地知道本公开可以由软件通过必要硬件来实施，或者由硬件、固件等来实施。基于这样的理解，本公开的实施例可以部分地以软件形式体现。可以将计算机软件存储在诸如计算机的软盘、硬盘、光盘或闪存的可读存储介质中。该计算机软件包括一系列指令，以使计算机(例如，个人计算机、服务站或网络终端)执行根据本公开的各个实施例的方法或其一部分。

上面呈现的方法200、300和400的步骤旨在进行示意性说明。在一些实施例中，可以利用未描述的一个或多个附加步骤和/或在没有所讨论的一个或多个步骤的状态下来实施该方法。另外，在图2-图4中图示并在上面描述的方法步骤的顺序并非旨在进行限制。在一些实施例中，该方法可以在一个或多个处理设备(例如，数字处理器、模拟处理器、设计为处理信息的数字电路、设计为处理信息的模拟电路、状态机和/或用于电子处理信息的其他机制)中实施。一个或多个处理设备可以包括一个或多个模块，以响应于电子存储在电子存储介质上的指令来执行方法的一些或全部步骤。一个或多个处理模块可以包括通过被专门设计用于执行方法的一个或多个步骤的硬件、固件和/或软件配置的一个或多个设备。

尽管到目前为止已经参考附图描述了本公开的各方面，但是上述方法、系统和设备仅是示例性示例，并且本发明的范围不限于这些方面，而仅由以下所附权利要求及其等同物来限定。各种元件可以被省略或可以被等效元件代替。另外，可以以与本公开中描述的顺序不同的顺序执行步骤。此外，可以以各种方式组合各种元件。同样重要的是，随着技术的发展，所描述的许多元件可以由在本公开之后出现的等效元件代替。