JP2022500995A - 経済的最適化のためのアクティブバッテリ管理方法 - Google Patents

Abstract

バッテリ性能を最適化するためのアクティブバッテリ管理のための方法。本方法は、バッテリの充放電のための信号注入を提供する工程を含む。信号注入は、様々な充放電プロファイル、レート、及びエンドポイントを含む。信号注入に対応する応答信号が受信され、それらの信号の効用が測定される。応答信号の効用に基づいて、バッテリの充放電に関するデータは、バッテリ性能を最適化し、商用会社からの支払い又は払い戻しなどの経済的利益と引き換えに、電力をグリッドに返すために、電力グリッドにバッテリを放電させるときを決定するように修正される。

Description

バッテリ管理は、民生用電子機器から自動車の電化及びグリッドレベルのエネルギー貯蔵に至るまで多くの商業用途にとって重要である。バッテリ管理はまた、任意のバッテリシステムの価値提案の主要な要素であり、その効用は、民生用電子機器では数年間からグリッド設備では数十年の長い期間にわたって、信頼性が高く安全に最小量のエネルギーを送達することに依存している。

アクティブバッテリ管理のための第１の方法は、バッテリの充電又は放電中にランダム化され制御された信号を注入する工程であって、電力グリッドからバッテリを充電することを含む、注入する工程と、正常動作範囲及び制約内で信号注入が起こることを保証する工程と、を含む。本方法はまた、制御された信号に応答してバッテリの性能を監視する工程と、バッテリ性能と制御された信号との間の因果関係についての信頼区間を計算する工程と、計算された信頼区間に基づいてバッテリの充電又は放電の最適信号を選択する工程であって、経済的利益と引き換えにバッテリを電力グリッドに放電することを含む、選択する工程と、を含む。

アクティブバッテリ管理のための第２の方法は、バッテリの充電又は放電のための信号注入を提供する工程であって、電力グリッドからバッテリを充電することを含む、提供する工程と、信号注入に対応する応答信号を受信する工程と、を含む。本方法はまた、応答信号の効用を測定する工程と、バッテリの充電又は放電に関するデータにアクセスする工程であって、経済的利益と引き換えにバッテリを電力グリッドに放電することを含む、アクセスする工程と、応答信号の効用に基づいてデータを修正する工程と、を含む。

添付の図面は、本明細書に組み込まれ、本明細書の一部を構成し、説明と共に本発明の利点及び原理を説明する。図面は以下のとおりである。
アクティブバッテリ管理方法を実施するためのシステムを示す図である。 システムの探索空間法のフローチャートである。 システムの信号注入法のフローチャートである。 システムの連続学習法のフローチャートである。 システムのためのメモリ管理法のフローチャートである。 実施例の全ての可能な充電プロファイルの探索空間を示す図である。 実施例の全ての可能な充電プロファイルの探索空間を示す図である。 実施例の全ての可能な充電プロファイルの探索空間を示す図である。 実施例の全ての可能な充電プロファイルの探索空間を示す図である。 実施例におけるアルゴリズムが、新しいセルに対する古いセルの効果サイズの違いを特定したことを示す図である。 実施例におけるアルゴリズムが、新しいセルに対する古いセルの効果サイズの違いを特定したことを示す図である。 実施例におけるアルゴリズムが、新しいセルに対する古いセルの効果サイズの違いを特定したことを示す図である。 実施例におけるアルゴリズムによって割り当てられた充電プロファイルの電圧対容量を示す図である。 実施例におけるアルゴリズムによって割り当てられた充電プロファイルの電圧対容量を示す図である。 実施例におけるアルゴリズムによって割り当てられた充電プロファイルの電圧対容量を示す図である。

本発明の実施形態は、充放電変数に対するランダム実験を実施し、エネルギー容量、電力、フェードレート、充電時間、内部抵抗、健康状態（state of health）、セル不均衡、温度、セル膨張、電気コストなどの効用指標に対するそれらの因果的効果を推論することによって、バッテリ管理を改善する方法を含む。上記の効用指標のいずれかの線形結合もまた定義され、競合する要件のバランスをとる性能指数をもたらすことができる。このバッテリ管理は、例えば、電気自動車又はハイブリッド自動車、電気自転車、民生用電子機器、グリッド貯蔵システム、並びにバッテリを使用する他の自動車及び装置において使用することができる。

バッテリ管理方法はまた、例えば、商用会社又は別のエンティティからの支払い、割引、又は払い戻し、及び潜在的に対処するべきユーザ要求の種類、周波数調整（高頻度）対ピークカット（低頻度）などの経済的利益と引き換えに電力を電力グリッドに戻して送信するときを判定するなどの経済的要因も含み得る。特に、実施形態は、バッテリパック寿命に悪影響を及ぼすことなく、グリッドに戻す電力源として使用できるように、電気自動車又は無停電電力システムにおけるバッテリパックの放電及び充電条件を最適化する方法を含む。本方法は、効用グリッドに戻る電力の売り上げからの正味の収益か、又はピークカットなどの技術を介して一次操作者の電気コストを最小化するかのいずれかを最大化する深層因果学習（deep causal learning）を使用する。本明細書に記載されるように、深層因果学習は、バッテリパックの寿命にわたって継続的に適用可能であるため、この問題に特に有用な方法である。

図１は、電気自動車又は無停電電源（又は他の静止電源）内のバッテリパックのアクティブバッテリ管理方法を実施するためのシステムを示す図である。システムは、電力グリッド１２からの電源と、ロード２０と、データストレージ２２とに電気的に結合されたプロセッサ１０を含む。電力グリッド１２は、１つ以上のバッテリ１４、１６、及び１８を充電するための電力を提供し、バッテリはロード２０に電力を供給する。この用途では、電力グリッドは、電力をグリッドに供給し戻す際のエネルギー源又はロードであり得る。電子メモリなどのデータストレージ２２は、プロファイル及びパラメータ２４、外部データ２６、並びに結果２８を記憶する。結果としては、例えば、各セル又はセルストリングの電流及び電圧、エネルギー容量、温度などの時間系列を含むことができる。

使用中、プロセッサ１０は、バッテリ１４、１６、及び１８の性能、例えば、バッテリがどのようにバッテリを充放電するのかについて評価するために、プロファイル及びパラメータ２４、並びに場合によっては外部データ２６を使用して、電力グリッド１２に信号を注入する。性能指標としては、例えば、送達された電力、エネルギー容量、フェードレート、収益、収益性、信頼性スコア（すなわち、市場参加者に対する効用によって与えられるスコアで、前の日に割り当てられた容量内の需要を満たす能力を表す）が挙げられ得る。プロセッサ１０は、結果２８として信号注入に対する応答を記憶し、それらの応答を使用してバッテリの性能を最適化することができる。バッテリ管理のための処理は、バッテリ充電システム上の専用ファームウェアと共に、スタンドアロンＰＣ上でローカルに行われてもよく、又はクラウドベースでバッテリから遠隔に行われてもよい。

プロファイル及びパラメータ２４は、可能な充放電レート（rate）、充放電プロファイル、及びプロファイルエンドポイントを含む。プロファイル及びパラメータ２４はまた、健康状態（時間ゼロにおける最大容量に対する最大利用能力として定義される）の新しい推定値を得るための完全な充電／放電サイクルを行う頻度、どの用途に使用要求するか（異なる用途が異なる収益を生成し、バッテリパックの寿命に異なる影響を有する可能性があることを考慮して）、各用途で、標準ロードに対する「グリッドロード」にどの程度の容量を割り当てるか（より多くの容量＝より多くの収益、しかし、放電の機会が多い）を含む。

充放電プロファイルは、そのようなプロファイルの形状、及び場合によっては特定の充電状態又は電圧状態での時間を含む。充電エンドポイントは、バッテリの充電を開始及び停止したときのバッテリにおける充電の割合を含み、放電エンドポイントは、バッテリの放電を開始及び停止したときのバッテリにおける充電の割合を含む。プロファイル及びパラメータは、例えば、ルックアップテーブル内に記憶され得る。外部データ２６は、例えば、バッテリの周囲の温度、湿度、空気流などの環境条件又は要因、時刻又は時期、バッテリを使用してデバイス又は自動車をオンした時からの時間、推定された健康状態（state of health、ＳＯＨ）、及び既存のバッテリモデル（通常、バッテリ又はＢＭＳ供給元によって提供される）からの充電状態（state of charge、ＳＯＣ）を含むことができる。また、バッテリの能動的冷却又は加熱は、時間及び空間における温度設定点、レート、及び勾配のパラメータを有する他の制御変数として使用することができる。ポータブル電子デバイスの場合、外部データはまた、そのようなデバイスに関して以下を含むことができる：アプリケーションの使用、ユーザ設定、スケジュールされたイベント若しくはアラーム、電力消費パターン、時刻、又はデバイスの場所。電気自動車の場合と同様に、外部データには、時刻又は次の予定された使用時間、自動車の典型的な駆動パターン、時間に対する電気コスト（例えば、ピーク価格を回避するため）、予測される気象条件、計画された進行経路、又は交通条件を含むことができる。

バッテリは、単一の物理的バッテリ又は集合的に電力を提供する複数の物理的バッテリを含むことができる。複数の物理的バッテリの場合、バッテリは、同じ又は異なる構造又は電気化学を有してもよい。バッテリの充放電のための信号を注入するプロセスは、特定のバッテリ又はバッテリのパックの充放電プロファイルを最適化することを求めている。バッテリのパックは、パックが集合的に一緒に動作する単一のバッテリと見なすことができ、又はバッテリのパックは、１個ずつ駆動される複数の物理的バッテリと見なすことができる。バッテリの種類の例としては、リチウムイオン、リフロー、鉛、及びその他が挙げられる。

図２〜図５は、充放電プロファイル及びパラメータを最適化するためのアクティブバッテリ管理のための方法のフローチャートである。これらの方法は、例えば、プロセッサ１０によって実行するためのソフトウェアモジュールにおいて実行することができる。

図２は、システムの探索空間法のフローチャートである。探索空間法は、制御情報（コストを含む）を受信する工程３０と、全ての可能な制御状態の多次元空間を構築する工程３２と、潜在的な制御空間の空間を制約する工程３４と、正常／ベースラインサンプリング分布を判定する工程３６と、効用が最も高いサンプリング分布を判定する工程３８と、制約された空間内における自動化された制御選択を行う工程４０とを含む。

図３は、信号注入法のフローチャートである。信号注入法は、潜在的な信号注入のセットを受信する工程４２と、信号注入の空間的到達範囲及び時間的到達範囲を計算する工程４４と、空間及び時間において信号注入を調整する工程４６と、信号注入を実施する工程４８と、応答データを収集する工程５０と、応答データを信号注入と関連付ける工程５２とを含む。

信号注入は、電力を電力グリッドに戻して送達するときを判定することを含む、バッテリ管理のための充放電プロファイル及びパラメータの変化である。信号注入に対する応答は、典型的には、信号注入からプロファイル及びパラメータにおいて生じる変化に起因する又はその変化に関するバッテリ性能である。例えば、アルゴリズムは、充放電プロファイル及びパラメータを表すルックアップテーブル内の値を混乱させ、次いで、対応するバッテリ性能応答を監視及び記憶することができる。信号注入の時間的到達範囲及び空間的到達範囲は、それぞれ、因果関係を計算するために使用される信号注入に対する応答信号をいつ測定するか、どこで測定するかにそれぞれ関連する。信号注入のコストは、典型的には、信号注入がバッテリ性能にどのくらい影響するかに関連しており、例えば、信号注入がバッテリ性能の低下の原因になることがあり、特定の実験範囲によって制御される。信号注入のためのキューは、信号注入の順序及び優先順位を含み、効用を最適化するときであっても、常に高い内的妥当性を保証するためにブロック化及びランダム化に依拠する。信号注入に対する応答の効用は、信号注入の有効性又は効用の別の測定を含む。

図４は、連続学習法のフローチャートである。連続学習法は、潜在的な信号注入のセットを受信する工程５４と、現在の信念状態を受信する工程５６と、信号注入に関する学習値を計算する工程５８と、信号注入に関するコストを受信する工程６０と、信号注入を選択し、調整する工程６２と、信号注入を実施する工程６４と、応答データを収集する工程６６と、信念状態を更新する工程６８とを含む。

信念状態は、充放電に応じた、バッテリ性能及び／又は経済的利益モデルの様々なモデルの組である。周波数調整用途では、放電レートはグリッドロードによって決定され、充電レートは、ＳＯＣがほぼ常に５０％に近い（そのＳＯＣレベルでは、小さな電荷はバッテリ寿命／健康にほとんど影響を及ぼさない）ため、性能に著しく影響を与えない。収益及びバッテリ寿命の損失（主なトレードオフ）の主な原因は、バッテリの健康及び状態を考慮して、使用要求に必要な容量、及び用途である。これらの信念状態は、これらの様々なモデルを確認又は偽る傾向があり得る試験及び知識の現在のセットを考慮すると、それらが正確である可能性を反映する不確実性値であると考えられ得る。モデルを更に確認又は偽ることができる情報は、このデータに含まれてもよく、又は特定のモデルの基本的特性及び基礎となるシステムの物理的特性から導き出されてもよい。

学習値は、信号注入の結果として生成された知識が、特定の充電又は放電プロファイルが最適である可能性がより高いと判定するなど、システムによる後続の意思決定を提供し得る測定値である。多目的最適化の観点では、これは、動作目標間の複雑なトレードオフ（例えば、性能対範囲）を含むことができ、最適性は経時的に変化し得る。学習値は、例えば、部分観測マルコフ決定過程（ＰＯＭＤＰ）又は他の統計モデルの予測に従って偽られ得る信念状態の生の数値データを予測することによって計算されてもよく、このようなモデルにおける信念状態における不確実性レベルに対する信号注入の予測された影響、又は実験電力分析は、現在のサンプルサイズへの増加に基づいて、不確実性の低減及び信頼区間の狭小化を計算する。

図５は、メモリ管理法のフローチャートである。メモリ管理法は、履歴クラスターのセットを受信する工程７０と、履歴信号注入のセットを受信する工程７２と、現在のクラスターに関する信号注入の時間的安定性を計算する工程７４とを含む。工程７４からの信号注入が安定である場合（７６）、メモリ管理法は、以下の工程を実行する：履歴外部要因状態のセットを受信し（７８）、外部要因状態に対する信号注入の安定性を計算し（８０）、２つの状態を選択して、２つの状態にわたる十分な分散、及び各状態（分割後）内に各状態で決定を推進できる（すなわち、信頼区間を計算する）のに十分なデータが存在する場合にのみ、クラスターを分割し（８２）、履歴クラスターのセットを更新する（８４）。

クラスターは、測定された因果的効果に関して統計的に同等である実験単位の群である。クラスター内では、効果は、外部要因からのバイアス及び／又は交絡効果を含まずに測定され、これにより、相関／関連性だけではなく因果関係を測定することを保証する。各クラスター内の測定された効果の分布は、ほぼ通常分布している。

表１は、経済的要因を含むアクティブバッテリ管理のための因果知識を自動的に生成し、適用する実施形態のアルゴリズムを記載する。このアルゴリズムは、プロセッサ１０によって実行するためのソフトウェア又はファームウェアにおいて実行することができる。

１．送達された電力を最大化する方法
電力は、単位時間当たりのエネルギーの量を特徴付ける。電力を最大化することは、各サイクルでのエネルギー容量の損失を最小限に抑えながら、充電時間を最小化するバランシング動作である。電気自動車用途では、電力の増加により、加速度の増加及び性能の向上が可能になる。典型的な充放電サイクルが２４時間であるピークカットなどのグリッド用途では、電力の増加は、寿命の延長及び／又は設備の小規模化につながる。

この実施例では、以下の実験を実施した：３２セルをＭａｃｃｏｒサイクラーに接続し（詳細については参照セクションを参照）、１６セルは部分的に経年劣化したものであり（平均Ｎサイクル／セル）、１６セルは新しいものであった（０サイクル／セル）。探索空間は、各セルの充電プロファイルを指定した、三次ベジェ関数として定義されるスプライン曲線の一群からなっていた（定義に関する参照を参照）。実施の目的で、これらの充電曲線を５つの定電流充電工程に分割した。スタートポイント（２００ｍＡで最大３．６Ｖの定電流）及びエンドポイント（１００ｍＡで最大４．２Ｖの定電流）を両方固定し、充電プロファイルの終了時に追加の定電圧工程（Ｖ＝４．２Ｖ、カットオフ電流＝２５ｍＡ）を加えて、実際に一般的に行われるように、各セルがその全容量に到達することを確実にした。４つの独立変数は、三次ベジェ関数の２つのコントロールポイントの２つの座標（カットオフ電圧：Ｖ、及び定電流：Ｉ）からなっていた。各独立変数を８つのレベルに分割し、合計４０９６の可能な組み合わせを得た。完全に充電されると、セルを固定放電プロファイル（２５０ｍＡで３Ｖまでの定電流）下で放電させた。

本発明者らは、主に例示及び簡潔さの目的で充電プロファイルに焦点を当て、開示された方法は、放電プロファイル、並びにセルサイクルに関連する任意の他の変数に拡張することができる。性能指数（ＦＯＭ）は、放電エネルギーをサイクル時間（すなわち、充電時間＋放電時間）で割ったものとして計算された送達電力として定義された。セルの著しい経時劣化の前に、放電エネルギー及び放電時間の両方は、セル（又はサイクル）にわたってほぼ一定であり、ＦＯＭは主に充電時間によって変化した。充電エネルギー及び充電時間を含む各サイクルで、追加の従属変数を記録した。外部変数もまた、各サイクルで記録されて、従属変数の可能性のある効果を探索し、クラスタリング機会を見つけ出す。外部変数は、セル識別（ＩＤ）、古いセル対新しいセル、放電エネルギー、及び放電時間を含んでいた。

データを数週間にわたって記録した。最初の探索フェーズの間、アルゴリズムは、探索空間にわたってランダムに充電プロファイルを割り当て、ＦＯＭ上の各ＩＶレベルの予想される因果的効果の周囲に信頼区間（ＣＩ）を構築した。総探索空間の約３０％の探索の後に生じたＣＩのうちの一部が有意に区別され、重なり合わないと、アルゴリズムは、最も高い効用でより頻繁にレベルを割り当てることによって、その知識を利用し始め、ＦＯＭの漸進的な増加をもたらす。アルゴリズムはまた、統計的に異なる因果的効果にわたってクラスターを識別することも開始した。最適レベルはクラスターにわたって変化しない場合があるが、それらの相対的効果は、経時劣化の差及び健康の初期状態の差に起因して変化した。

図６Ａ〜図６Ｄは、説明した実施例の全ての可能な充電プロファイルの探索空間を示す。図６Ａでは、最適な充電プロファイルは、破線として示されており、そのエンドポイント及び制御ハンドルポイントは、一点鎖線として示されている。選択されたＦＯＭ（総送達電力）は、放電エネルギーに対してプロットされる。最適な充電プロファイルに関連する電力値は、暗い灰色の円として示される。ＦＯＭ及び利用周波数はまた、時間の関数としてプロットされる。図６Ａは、全ての可能な充電プロファイルの探索空間を示す。図６Ｂは、放電エネルギーに対するＦＯＭを示す。図６Ｃは、時間に対するＦＯＭを示す。図６Ｄは、利用周波数を示す。

図７Ａ〜図７Ｃは、アルゴリズムが、新しいセルに対する古いセルの効果サイズの違いを特定したことを経時的に示す。クラスタリングが開始されると、アルゴリズムは、別個のクラスターごとに最適な電荷プロファイルを利用し、これは、クラスターにわたって同じであっても同じでなくてもよい。図７Ａ及び図７Ｂは、送達電力を最大化するための方法の例を示し、Ｅ−Ｃａｐはエネルギー容量を指す。図７Ｃは、環境条件下で送達電力を最大化するための方法の例を示す。

２．セル内部抵抗を測定する方法
以前の実験からのデータも分析して、各サイクル中及び経時的にセルの内部抵抗を特徴付けた。電流及び充電状態（ＳＯＣ）の関数として内部抵抗をマッピングすることは、典型的には、様々なレートで完全なサイクルを実行することによって達成することができる。この分析は時間がかかり、更に、セルの寿命の開始時の内部抵抗のみを表す。この分析はまた、１回のサイクルの結果が以前のサイクルとは無関係ではないため、不正確であり得る。本明細書に開示されるアルゴリズムでランダム化することにより、この効果は軽減される。

ここで、実際の各サイクルからのデータを使用して、以下の方法で内部抵抗を推定した：各定電流工程では、内部抵抗値をＲ＝ΔＶ／ΔＩで近似し、ここで、ΔＶは、２５ｍＡでサイクルされた基準セルと比較した平均電位の変化であり、ΔＩは、基準セルと比較した電流差であった。各セルについてＲを推定し、各サイクル及び５つの定電流工程のそれぞれについて推定した。充電状態に対する内部抵抗のほぼ連続曲線が得られ、リチウムイオンバッテリの期待される挙動を示している。これらの結果を図８Ａ〜図８Ｃに示す。

図８Ａは、基準Ｃ／２０電荷プロファイル（破線）に対するアルゴリズム（実線）によって割り当てられた充電プロファイルに対する電圧対容量を示し、過電圧ΔＶが図示されている。図８Ｂは、ＳＯＣ及び過電圧対電流を示す。図８Ｃは、ＳＯＣに対する内部抵抗を示す。

経時的なその場での内部抵抗の知識を使用して、有意な過電圧及び不足電圧、セルの加熱及び劣化をもたらす可能性がある探索空間内の充電プロファイルを排除することによって、バッテリ管理システムの性能及び安全性を改善することができる。内部抵抗マップは、データ内のサブグループから構築することができ、可能なサブグループの例としては、セル使用年数、サイクル数、温度曝露、累積放電エネルギー、平均放電電流、平均充電電流、最大充電電流、平均電圧、製造バッチが挙げられるが、これらに限定されない。内部抵抗の変化はまた、バッテリパック内の短絡の発生などの異常な状態を検出するために使用することができる。

３．パック内のセルのバランスをとる方法
電力を最大化するだけでなく、セル電力に対する充電プロファイル変数の影響の因果知識を使用して、健康状態（ＳＯＨ）又はセル全体の内部抵抗などのバランシングなど他の効用指標を最適化することもできる。バッテリの経年劣化は、バッテリ寿命の開始時は（製造公差内で）かなり均一である傾向があるが、更なる充電／放電サイクルの各々により、ますます不均質かつ予測不可能になる。これは、あまり厳しくない用途においてそれらの寿命を延長するための方法として、新しい用途のために使用済みセルを再パッキングする際の重要な考慮事項である。一例は、グリッドレベルエネルギー貯蔵用のＥＶバッテリを再使用することである。セルの経時劣化のバランスをとることができるスマートバッテリ管理システムの開発は、安全で信頼性の高い耐久性のある動作を確実にし、アプリケーションを経済的に実行可能にするために重要である。各セルの内部抵抗、並びに均質なセルグループにわたるクラスタリングの正確な判定は、実際にセルのバランシングを定量的に実施するための有効なメカニズムである。

同様に、ハイブリッド自動車は、異なる性能及び経時劣化特性を有する異なる種類のセルを組み合わせるシステムを使用することができる。電力グリッドは、高電力及び高エネルギー貯蔵を組み合わせるシステムを使用することができる。これは、データのより大きな分散につながり、バッテリ管理のための標準的なデータ分析技術を適用することがより困難になる。本明細書に開示されるアルゴリズムは、経時的な信頼性の高い因果推論に使用することができる均質なクラスターの最小セットを自動的に識別することによって、この種類の問題に対処することができる。本明細書に開示されるアルゴリズムはまた、異なる自動車にわたってバッテリ上で実験を実施するために使用することができる。

４．異なる環境条件下で送達された電力を最大化する方法
多くの用途では、バッテリは、天気、不定期の動作などにより、異なる環境条件に晒される。例示の目的で、本発明者らは、外部因子として周囲温度に焦点を当てた。これは、多くの用途に一般的であり、セル性能の大きな既知の効果を有する。本発明者らは、４５℃の高温周囲温度下でオーブン内に配置された８個のセルを有する実験の第２のセットを実施した。結果は、最適な電荷プロファイルが環境条件によってどのように変化するかを示した。

５．ビークル・トゥ・グリッド
ビークル・トゥ・グリッド（Vehicle−to−grid、Ｖ２Ｇ）は、バッテリ電動電気自動車、電気ハイブリッド自動車、又は水素燃料セル電気自動車などのプラグイン電気自動車が、電力グリッドと通信して、電力をグリッドに返すか、又は充電レートを制御することによって需要応答サービスを販売するシステムを指す。したがって、Ｖ２Ｇは、グリッド容量を有するプラグイン電気自動車と共に使用することができる。任意の所与の時点で、ほとんどの自動車が駐車されるため、電気自動車内のバッテリを使用して、自動車と電気分配ネットワークとの間の電気の流れを可能にする。Ｖ２Ｇ貯蔵能力はまた、電気自動車が、太陽及び風などの再生可能エネルギー源から発生した電気を貯蔵及び放電することを可能にすることができ、出力は天候及び１日のうちの時刻に応じて変動する。

バッテリは、有限数の充電サイクル、及び有限の貯蔵寿命を有する。したがって、グリッド記憶装置として自動車を使用することは、バッテリ寿命に影響を及ぼす可能性がある。例えば、バッテリを１日に２回以上サイクルさせると、容量が大きく減少し、寿命が大幅に短縮されることを示す。しかしながら、バッテリ容量は、バッテリ化学、充放電レート、温度、充電状態、及び使用年数などの要因の複雑な関数である。

特定のセル履歴を与えられている任意の所与の時点で、電気自動車バッテリパック（エネルギーアービトラージ）中の利用可能な容量の一部分を販売することが経済的に利益を提供するか、又は有益であるかどうかに関する不確実性を考慮すると、深層因果学習を使用して、電気自動車の利益及び／又は所有権の総コストを最適化することができる。例えば、自動車又はフリートの所有者は、最大許容放電深度（又は完全に再充電する前に必要であった場合には、自動車の同等に推定された最小範囲）、及び自動車が次に（おそらく完全な充電で）駆動できることが要求されるときの１日のスケジュールを設定するであろう。バッテリ管理システム内では、所与の放電深度から充電プロファイルを制御するパラメータ、バッテリパックのための外部ヒーターの状態、及び放電レート（自動車がプラグインされる回路によって許容される最大まで）はまた、独立変数である。

バッテリパック用の外部ヒーターに関連する電気コストを無視すると、次の利用可能時間のためにバッテリパックに貯蔵された利用可能なエネルギーの一部を販売することからの潜在的利益（従属変数）は、Ｓ．Ｂ．Ｐｅｔｅｒｓｏｎ，Ｊ．Ｆ．Ｗｈｉｔａｃｒｅ ａｎｄ Ｊ．Ａｐｔ，Ｊ．Ｐｏｗｅｒ Ｓｏｕｒｃｅｓ １９５，（２０１０）２３７７−２３８４）による刊行物中の以下の等式（１）に記載されるように計算することができる。

式中、
ＬＭＰ_売は、現在の時間での電気の販売価格（＄／ｋＷｈ）である。
ＬＭＰ_売は、予定された再充電時間での電気の購入価格（＄／ｋＷｈ）である。
ＤＣＨ_効率は、放電効率である。
ＣＨ_効率は、充電効率である。
Ｔ＆Ｄは、送配電コスト（＄／ｋＷｈ）である。

エネルギーアービトラージ放電に関連する劣化コストは、バッテリ交換コスト、バッテリの現在推定健康状態（ＳＯＨ）、バッテリがもはやその一次用途に有用ではないときの健康状態（ＳＯＨ_最小、典型的には、自動車又は他の静止バッテリバックアップシステムの８０％に設定）、バッテリの健康状態に対する次の放電／充電サイクルの限界効果であるＶ２Ｇ Ｄｅｇ係数による。

ｋＷｈ_取引済（又は、取引に利用可能）は、バッテリの充電状態（ＳＯＣ）から、許容される最大放電深度を差し引いたものである。

バッテリのＳＯＨ又はＳＯＣについての不確実性がない場合、問題は、従来のモンテカルロ技術を使用して取り扱うことができる時間当たりの電気価格における不確実性を伴うスケジューリング問題に帰着する。しかしながら、ＳＯＣ及びＳＯＨの両方（内部抵抗の影響を含む）は、セル履歴の複雑な関数である。したがって、以下に記載される独立変数で連続的に実験することにより、深層因果学習は、必要とされるときに自動車の主な使用に利用可能な十分な充電を依然として残しつつ、利益又は所有権の総コスト（初期コスト−バッテリの寿命にわたる総利益）を最大化するために、バッテリパックをいつどのように放電／再充電するかのポリシーを最適化することができる。

独立変数は、以下を含む。
Ｃ_放電＝放電レート（ｋＷ／ｈ）。
ＤｏＤ＝最大放電深度（初期容量に対する）。
スケジュールされた時間の充電は完了しなければならない。
充電プロファイル（各セグメントを通る電流、電圧、及び温度プロファイル）。
ΔＮ＝充電状態を評価するための完全放電間のサイクル数。

無停電電力システムなどの任意の他の静止ストレージ又はバッテリバックアップシステムのエネルギー容量を使用する場合にも同様の分析が適用されるが、自動車電力のためのシステムを使用する必要がない。周波数調整市場では、バッテリパックの所有者又はプロバイダは、式（１）からの正味の利益がゼロよりも大きいと考える価格で、一定量の電力をグリッドに提供する。提供者がその期間の使用要求を勝ち取っている場合、プロバイダは、将来の使用要求に従うか、又はそれにペナルティを課さなければならない。ペナルティ要因は、この種類のシステムの経済的分析における外部変数となる。

実施例１〜４の参照
セル：充電式リチウムイオンポリマーバッテリ巻回パウチセル、５．０×３０×３５ｍｍ、公称容量５００ｍＡｈ；黒鉛アノード及びＬｉＣｏＯ_２カソード（Ｅ−Ｇｒｏｕｐ，Ｍｔ．Ｌａｕｒｅｌ，Ｎｅｗ Ｊｅｒｓｅｙ）。

Ｍａｃｃｏｒ：９６チャンネル、シリーズ４０００ Ｍａｃｃｏｒ（Ｔｕｌｓａ，Ｏｋｌａｈｏｍａ）。

三次ベジェ関数：
平面又はより高次元空間の４つの点Ｐ_０、Ｐ_１、Ｐ_２、及びＰ_３は、三次ベジェ曲線を画定する。曲線は、Ｐ_０で始まり、Ｐ_１に向かい、Ｐ_２の方向からＰ_３に到達する。通常、曲線はＰ_１又はＰ_２を通過せず、これらの点は、方向情報を提供するためにのみ存在する。Ｐ_１とＰ_２との間の距離は、曲線がＰ_２に向かう前にＰ_１に向かって「どれくらいの距離」及び「どれくらいの速さ」で移動するかを決定する。

Ｐ_ｉ、Ｐ_ｊ、及びＰ_ｋによって定義された二次ベジェ曲線のＢ_{Ｐｉ，Ｐｊ，Ｐｋ}（ｔ）を書いて、三次ベジェ曲線は、２つの二次ベジェ曲線のアフィン結合として定義することができる。
Ｂ（ｔ）＝（１−ｔ）Ｂ_{Ｐ０，Ｐ１，Ｐ２}（ｔ）＋ｔＢ_{Ｐ１，Ｐ２，Ｐ３}（ｔ），０≦ｔ≦１

曲線の明示的な形態は、以下である。
Ｂ（ｔ）＝（１−ｔ）^３Ｐ_０＋３（１−ｔ）^２ｔＰ_１＋３（１−ｔ）ｔ^２Ｐ_２＋ｔ^３Ｐ_３，０≦ｔ≦１
Ｐ_１及びＰ_２のいくつかの選択肢については、曲線はそれ自体と交差してもよく、又は尖点を含んでもよい。

Claims (22)

1. アクティブバッテリ管理のための方法であって、
   バッテリの充電又は放電中にランダム化され制御された信号を注入する工程であって、電力グリッドから前記バッテリを充電することを含む、注入する工程と、
   正常動作範囲及び制約内で前記信号注入が起こることを保証する工程と、
   前記制御された信号に応答して前記バッテリの性能を監視する工程と、
   前記バッテリ性能と前記制御された信号との間の因果関係についての信頼区間を計算する工程と、
   前記計算された信頼区間に基づいて前記バッテリの前記充電又は放電の最適信号を選択する工程であって、経済的利益と引き換えに前記バッテリを前記電力グリッドに放電することを含む、選択する工程と、を含む、方法。
2. 前記制御された信号が、充電プロファイル又は放電プロファイルを含む、請求項１に記載の方法。
3. 前記制御された信号が、充電レート又は放電レートを含む、請求項１に記載の方法。
4. 前記制御された信号が、充電プロファイルエンドポイント又は放電プロファイルエンドポイントを含む、請求項１に記載の方法。
5. 前記正常動作範囲が、制御情報及び動作制約に基づいて生成された可能な制御状態の多次元空間を含む、請求項１に記載の方法。
6. 前記選択する工程が、環境条件を含む外部データに基づいて前記最適信号を選択することを更に含む、請求項１に記載の方法。
7. 前記環境条件が、前記バッテリの周囲の温度、湿度、又は気流のうちの少なくとも１つを含む、請求項６に記載の方法。
8. 前記選択する工程が、前記電力グリッドに戻る放電深度を選択することを更に含む、請求項１に記載の方法。
9. 前記バッテリがバッテリのパックを含む、請求項１に記載の方法。
10. 前記経済的利益が、正味の利益又は所有権の総コストのうちの１つである、請求項１に記載の方法。
11. アクティブバッテリ管理のための方法であって、
    バッテリの充電又は放電のための信号注入を提供する工程であって、電力グリッドから前記バッテリを充電することを含む、提供する工程と、
    前記信号注入に対応する応答信号を受信する工程と、
    前記応答信号の効用を測定する工程と、
    前記バッテリの充電又は放電に関するデータにアクセスする工程であって、経済的利益と引き換えに前記バッテリを前記電力グリッドに放電することを含む、アクセスする工程と、
    前記応答信号の前記効用に基づいて前記データを修正する工程と、を含む、方法。
12. 前記信号注入が、充電プロファイル又は放電プロファイルを含む、請求項１１に記載の方法。
13. 前記信号注入が、充電レート又は放電レートを含む、請求項１１に記載の方法。
14. 前記信号注入が、充電プロファイルエンドポイント又は放電プロファイルエンドポイントを含む、請求項１１に記載の方法。
15. 前記アクセスする工程が、ルックアップテーブルにアクセスすることを含む、請求項１１に記載の方法。
16. 前記信号注入が、空間的到達範囲を有する、請求項１１に記載の方法。
17. 前記信号注入が、時間的到達範囲を有する、請求項１１に記載の方法。
18. 前記修正する工程が、環境条件を含む外部データに基づいて前記データを修正することを更に含む、請求項１１に記載の方法。
19. 前記環境条件が、前記バッテリの周囲の温度、湿度、又は気流のうちの少なくとも１つを含む、請求項１８に記載の方法。
20. 前記提供する工程が、前記電力グリッドに戻る放電深度を選択することを更に含む、請求項１１に記載の方法。
21. 前記バッテリがバッテリのパックを含む、請求項１１に記載の方法。
22. 前記経済的利益が、正味の利益又は所有権の総コストのうちの１つである、請求項１１に記載の方法。
    

Images