JP6482819B2 - グリッドタイ・エネルギ背景の経済的最適化のための戦略的モデリング - Google Patents

Description

本開示は、一般に、太陽電池パネル、貯蔵システム、バックアップ発電機及び需要応答を提供することが可能な負荷等のグリッドスケールのエネルギ資源に関する。より具体的には、本開示は、付帯的サービス等のグリッドサポートを提供することができる資源に関する。これらの資源は、グリッドサポートを提供するために排他的に専念することができるか、又は、それらは、例えばマイクログリッドにおけるバックアップ電力供給を提供する等の主要目的を有することができる。グリッドサポートは、それらの主要目的に加えて提供される。

従来の電力市場において、経済的機構は、正確なインセンティブに到達してサービスを送り出すために頻繁に使用されている。例えば、独立システムオペレータ（ＩＳＯ）等の電力システムのオペレータは、所望のサービスよりも前に２４時間までの入札を要求することができる。要求に応じて、発電所等の１つ以上の供給業者は、電力供給又は付帯的サービス（レギュレーション、負荷追従、スピニングリザーブ、非スピニングリザーブ、リプレースメントリザーブ及び／又は予期しない電力の供給及び需要変動に応じて電力システムの安定性を維持するのに役立つ他のサービス等）に入札することができる。受け取った入札に基づいて、ＩＳＯは、電力システム又はグリッドを操作する必要があるサービスを選択又は送り出すことができる。

現代の電力グリッドは、多くの場合、従来の化石燃料ベースの発電所に加えて、風力発電や太陽光発電等の代替再生可能エネルギ資源を含む。しかしながら、風力や太陽光によって生成されるエネルギの量は、時間、季節及び天候等のランダムな要因によって変化することから、これらの再生可能エネルギ資源は、グリッドに多くの不確実性をもたらすことがある。したがって、従来化石燃料ベースの発電所によって提供される付帯的サービスについてより多くのニーズがある。しかしながら、化石燃料ベースの発電所によって生成されるレギュレーションサービスは、高価であり、ゆっくりとしか増加し得ない。最近では、様々な新たなエネルギ資源がグリッドに組み込まれている。これらの資源は、大規模バッテリ、超コンデンサ、フライホイール又はプラグイン電気自動車等のグリッドスケール・エネルギ貯蔵装置の形態を含む。これらの資源の目的は、グリッド上の新たなソースから送り出し可能な電力及び付帯的サービスを提供することによってリッドの安定化を支援することである。

本発明は、それらの主要目的とともにグリッドサポートを提供することに役立つような方法におけるエネルギ資源の二重使用に関する。これを経済的に行うために、それが操作しているとき、特にグリッドサポートを提供しているときに資源が受ける消耗の正確なモデルを有することが有益である。

本発明の１つの実施形態は、操作サービスの複数のモードのうちのいずれかを提供するようにエネルギ資源を利用するためのエネルギ資源制御システムを提供する。システムは、現在及び／又は将来の市場状況に基づいて操作機会のうちの少なくとも１つのモードを識別するように構成された経済的最適化部と、既存のモデルを使用したエネルギ資源の操作機会モードに関連する予測分析を実行し、予測分析に関連する信頼性レベルを判定するように構成された予測モジュールと、操作コントローラとを含む。経済的最適化部は、さらに、所定の閾値を超える信頼性レベルを判定する予測モジュールに応答して、予測分析の結果に基づいて操作機会モードの期待利益を判定し、所定の期間にわたって操作機会モードの期待利益に基づいてエネルギ資源の使用量を最適化するように構成されている。

本実施形態の変形例において、エネルギ資源の使用量を最適化しながら、経済的最適化部は、操作機会モードについて入札して入札が受諾されたことの通知を受信することを含む経済的取引を行うように構成されている。経済的取引に応じて、操作コントローラは、操作機会モードに関連する操作モードでエネルギ資源を配置するように構成されている。

本実施形態の変形例において、経済的最適化部は、さらに、所定の閾値未満の信頼性レベルを判定する予測モジュールに応答して、１つ以上のフォーカステストを識別するように構成されている。エネルギ資源制御システムは、さらに、操作機会モードに基づいてエネルギ資源について識別されたフォーカステストを実行し、フォーカステストの結果に基づいて既存のモデルを改善することにより、エネルギ資源についてのより良好な将来予測を可能とするように構成されたフォーカステストモジュールを備える。

さらなる変形例において、予測モジュールは、改善されたモデルを使用して第２の予測分析を実行するように構成されている。経済的最適化部は、さらに、第２の予測分析の結果に基づいて経済的最適化を実行するように構成されている。

さらなる変形例において、１つ以上のフォーカステストを識別しながら、経済的最適化部は、以下の経済的分析のうちの１つ以上を実行するように構成されている：感度分析、エントロピー測定分析及び決定論的分析。

さらなる変形例において、フォーカステストは、以下のうちの１つ以上を含む：オンラインテスト、オフラインテスト及び臨床テスト。

さらなる変形例において、システムは、さらに、改善されたモデルを記憶するように構成されたモデルライブラリを含む。

本実施形態の変形例において、経済的最適化部は、所定の閾値未満の判定された信頼性レベルに応答して、例外的に大型入札を行うように構成されている。システムは、さらに、フォーカステストモジュールを備える。受諾されない大型入札に応答して、フォーカステストモジュールは、操作機会モードに基づいてエネルギ資源についてのフォーカステストを実行し、フォーカステストの結果に基づいて既存のモデルを改選することにより、エネルギ資源についてのより良好な将来予測を可能とする。

本実施形態の変形例において、エネルギ資源は、グリッドタイ・エネルギ貯蔵装置を含む。グリッドタイ・エネルギ貯蔵装置は、以下のうちの１つ以上を含むエネルギ貯蔵装置の異種混合を含む：フライホイール、超コンデンサ、プラグイン電気自動車、リチウムイオンバッテリ、鉛酸バッテリ、ニッケル金属水素化物（ＮｉＭＨ）バッテリ、フローバッテリ、新たなバッテリ及び使用済みバッテリ。

さらなる変形例において、既存モデルは、以下のうちの１つ以上を含む：バッテリセル・レベルモデル、バッテリパック・レベルモデル及び回路ベースの原型バッテリモデル。

さらなる変形例において、予測分析は、グリッドタイ・エネルギ貯蔵装置の現在の健全性状態に基づいて実行される。

本実施形態の変形例において、操作機会モードは、以下のうちの１つ以上を含む：エネルギ裁定、電圧サポート、コンティンジェンシーリザーブ、周波数制御及びレギュレーション。

本実施形態の変形例において、エネルギ資源は、以下のうちの１つ以上を含む：バッテリ、バックアップエネルギ発生器、燃料電池及び需要応答負荷管理システム。

図１は、本発明の実施形態にかかるマルチモード・エネルギ貯蔵管理システムの例示的な高レベルアーキテクチャを図示する図を提示している。 図２は、本発明の実施形態にかかる例示的なモデリングフレームワークを図示する図を提示している。 図３は、本発明の１つの実施形態にかかる多層操作制御システムを図示する図を提示している。 図４は、本発明の実施形態にかかるマルチモード・コントローラの例示的な操作プロセスを図示するフローチャートを提示している。 図５は、本発明の１つの実施形態にかかるマルチモード・バッテリ制御を提供するための例示的なコンピュータシステムを図示している。

図面において、同様の参照符号は、同一の図要素を指している。

以下の詳細な説明は、任意の当業者が実施形態を作製して使用するのを可能とするように提示され、特定の用途及びその要件の文脈において提供される。開示された実施形態に対する様々な変更は、当業者にとって容易に明らかであり、本願明細書において定義された一般的原理は、本開示の精神及び範囲から逸脱することなく他の実施形態及び用途に適用可能である。それゆえに、本発明は、示された実施形態に限定されるものではなく、本願明細書に開示された原理及び特徴と一致する最も広い範囲を与えられるべきである。

本発明の実施形態は、同時に市場のサービス機会を分析して利用可能なエネルギ資源の設置による応答の費用便益指標を提案するマルチモード・エネルギ資源制御システムを提供する。具体的には、マルチモード・エネルギ資源制御システムは、経済的最適化レイヤと、予測レイヤと、モデリング及びテストレイヤとを含む。経済的最適化レイヤは、マルチモード入札戦略の形態で利益とライフサイクルコストとの間の最適なトレードオフを計算する責を負う。予測レイヤは、ランタイム・データを使用してエネルギ資源のモデルパラメータを自動的に適合させることによってエネルギ資源の現在の状態を追跡し、所定の操作プロファイルにおける負荷レジームに基づいて資源の状態を提案する。モデリング及びテストレイヤは、基礎となるモデルを提供し、充電状態（ＳＯＣ）及び健全性状態（ＳＯＨ）推定を提供するために使用されることができるフォーカステストプロトコルを実行する。ＳＯＣは、通常はバッテリの最大容量の割合として表される現在利用可能な容量である。ＳＯＨは、通常は新たなバッテリの状態又はバッテリの元の仕様の指標の割合として表されるバッテリの現在の状態の指標である。ＳＯＣ及びＳＯＨは、大抵の場合、化学電池を指すのに使用されるが、本用語は、利用可能なエネルギ量及び使用されている資源の総寿命の割合に関連して他のエネルギ資源に同様に適用されることができる。貯蔵装置に加えて、エネルギ資源のさらなる例は、これらに限定されるものではないが、バックアップ発電機、燃料電池、住宅負荷、工業負荷又は軍事負荷を含む。これらの資源の対応する消耗モデルは、モータ、ベアリング、シール、タービン、膜等の資源の重要な要素を含むことができる。

現代の電力市場は、グリッドの安定性とボトルネックに対処する効果的な方法を有する。具体的には、ＩＳＯは、周波数レギュレーション、コンティンジェンシーリザーブ（スピニングリザーブ、サプリメンタルリザーブ及びリプレースメントリザーブ等）及び電圧サポート等の付帯的サービスを購入することができる。従来、付帯的サービスは、発電所から提供された。しかしながら、現在では、グリッドタイ・バッテリ等の需要応答及びグリッドスケール・エネルギ貯蔵装置もまた、これらの付帯的サービスを提供することができる。現代の市場及び最近の政策変更は、グリッド事業に付帯的サービスのこれらの新たなソースを組み込むことを可能として収益をもたらしている。しかしながら、それらの収益性に関する不確実性のために、現在グリッド上のバッテリの大規模な開発はほとんどない。１つのモードのみでバッテリを操作させることは、十分な利益を生み出さず、複数の操作モードにおいて最適にバッテリを配備する方法を算定することは困難である。例えば、バッテリ状態及び消耗の動的な知識がなくても、周波数レギュレーション又はエネルギ裁定のためにバッテリを使用することの間で選択を行うことは困難であり得る。したがって、従来、グリッドスケールのバッテリは、昼夜裁定取引（夜間の低いときに充電し、昼間のピーク時に放電する）等の簡易操作モードにおいて単に使用されているにすぎない。これは、バッテリを有意には十分に活用していない。この問題を解決するために、本発明の実施形態は、市場状況に基づいて、（これらに限定されるものではないが、電圧サポート、コンティンジェンシーリザーブ、周波数レギュレーション及びエネルギ裁定を含む）いくつかの操作モードの間でバッテリの使用量を最適化することが可能なマルチモード・エネルギ貯蔵管理システムを提供する。具体的には、マルチモード・エネルギ貯蔵管理システムは、（現在のＳＯＣ及びＳＯＨ情報を提供する）診断モデリング及び（バッテリの劣化軌跡を確率的に予測することができる）予測モデリングの双方を含むバッテリモデリングにおける戦略的ドリブン向上と経済的制御アルゴリズムを連結する。

図１は、本発明の実施形態にかかるマルチモード・エネルギ貯蔵管理システムの例示的な高レベルアーキテクチャを図示する図を提示している。図１において、マルチモード・エネルギ貯蔵管理システム１００は、経済的最適化レイヤ１０２と、予測レイヤ１０４と、モデリング及びテストレイヤ１０６とを含む。

経済的最適化レイヤ１０２は、バッテリの使用を制御し、グリッドニーズを満たすように複数の操作モード（例えば、レギュレーション付帯的サービス又はエネルギ裁定）の中から任意の時点で選択するための戦略を選択する責を負う。経済的最適化レイヤ１０２は、機会費用と将来における各選択の実現可能性とを考慮して現在及び将来における選択を行う。それは、典型的には、いくつかの操作モードを含むことができる操作の戦略を決定する。例えば、経済的最適化レイヤ１０２は、夜間にバッテリを充電し、昼過ぎに予備容量を提供し、その後、夕方にバッテリを放電するように決定することができる。最適化は、バッテリが配備されている場合には、経済的利益やバッテリ消耗におけるコストの双方を考慮する必要がある。バッテリの主要目的が、二次的サービスであるグリッドサポートをともなうバックアップである場合には、経済的最適化レイヤ１０２はまた、バッテリの配備がバッテリの主要目的と一貫性があるように収益性の高いグリッドサポート戦略を選択したときに経済的利益と主要目的の要件とを考慮する。最適化はまた、将来のコミットメントを満たすように所定の配備及びその能力について（例えば、電力、エネルギ及び／又は応答速度の観点で）必要とされるものを送達するための資源の能力を考慮することができる。そうするために、最適化は、将来の電力市場価格の不確実性とバッテリの充電及び健全性の不確実性の双方に対処しなければならない。さらに、デイ・アヘッドと即時スポットの市場操作の双方を計画することができなければならない。いくつかの実施形態において、経済的最適化レイヤ１０２は、バッテリ健全性モデリングの改善が最適化の結果を向上させるように最も有益であろう場合を選択的に識別し、フォーカスモデリング及びテストを実行するように予測レイヤ１０４を促す。例えば、即効性のレギュレーションサービスは、裁定よりもあまりよく理解されないか又は予測可能でない方法でバッテリを使用する可能性が高く、混在したバッテリモードは、さらによく理解されない一部充電状態でバッテリを使用する可能性が高い。操作中、経済的最適化レイヤ１０２は、現在の市場状況に基づいて、高い経済的価値を有する可能性があるバッテリ操作モードを識別することができる。例えば、周波数レギュレーションを提供するための現在の価格を高くすることができる。しかしながら、オペレータは、そのようなバッテリの配備がバッテリのＳＯＨにどのような影響を与えるかが理解されない場合には、この市場に入札しないことを選択することができる。デイ・アヘッド市場において、付帯的サービスについての価格に関する不確実性とバッテリ消耗に関する不確実性とがある場合には、オペレータは、落札が不採算な操作をもたらす可能性を低減するために例外的に大型入札を行うことができる。なお、バッテリの配備は、バッテリを稼動するためのコストが付帯的サービスを提供するための経済的利益よりも小さい場合にのみ有益であることに留意すべきである。コストと利益の双方に不確実性があるとき、経済的最適化レイヤ１０２は、時間をかけて、それが有益であると予測されるように資源を操作することができる。バッテリの消耗が十分に理解されていない場合には、適切なリスク評価は実現されることができず、市場における無入札又は過度に高い入札参加のために多くの機会損失をもたらす。これらのバッテリ操作モードに関連したバッテリ健全性情報を得るために、経済的最適化レイヤ１０２は、これらのバッテリ操作モードについてのフォーカスモデリング及びテストを実行するように予測レイヤ１０４を促す。用語「フォーカス（ｆｏｃｕｓｅｄ）」は、予測作業が包括的であろうとせず最も有益である場合を対象としていることを示すために使用される。フォーカスモデリング及びテストの結果に基づいて、予測レイヤ１０４は、それらの操作モードに関連した提案状態及びコストを経済的最適化レイヤ１０２に提供する。経済的最適化レイヤ１０２と予測レイヤ１０４との間の相互作用は、経時的な最適化の結果の向上を促進することができる。

なお、グリッドをサポートする様々なモードにおいてグリッドスケールのバッテリを使用する従来のアプローチは、経済的利益を最大化するようにバッテリの動作モードの選択を動的に最適化しないことに留意すべきである。グリッドストレージ用バッテリのマルチモード使用の経済的価値が研究されており、例えば、「Ｂｅｎｅｆｉｔ Ａｎａｌｙｓｉｓ ｏｆ Ｅｎｅｒｇｙ Ｓｔｏｒａｇｅ： Ｃａｓｅ Ｓｔｕｄｙ ｗｉｔｈ Ｓａｃｒａｍｅｎｔｏ Ｍｕｎｉｃｉｐａｌ Ｕｔｉｌｉｔｙ Ｄｉｓｔｒｉｃｔ」、ＥＰＲＩ， Ｐａｌｏ Ａｌｔｏ， ＣＡ， ２０１１， Ｒｅｐｏｒｔ ｎｕｍｂｅｒ １０２３５９１；及び「Ｅｌｅｃｔｒｉｃｉｔｙ Ｅｎｅｒｇｙ Ｓｔｏｒａｇｅ Ｔｅｃｈｎｏｌｏｇｙ Ｏｐｔｉｏｎ： Ａ Ｗｈｉｔｅ Ｐａｐｅｒ Ｐｒｉｍｅｒ ｏｎ Ａｐｐｌｉｃａｔｉｏｎｓ， Ｃｏｓｔｓ， ａｎｄ Ｂｅｎｅｆｉｔｓ」、ＥＰＲＩ， Ｐａｌｏ Ａｌｔｏ， ＣＡ， Ｄｅｃｅｍｂｅｒ ２０１０， Ｒｅｐｏｒｔ ｎｕｍｂｅｒ １０２０６７６を参照されたい。しかし、これらの研究は、バッテリ使用の動作最適化を記載していない。対照的に、本発明の実施形態は、経済的最適化のために必要とされるバッテリ情報を継続的に捕捉し、捕捉されたランタイム・バッテリ情報を使用して予測モデルを改善することができる。具体的には、経済的最適化レイヤ１０２は、下位レベルモデルの詳細をまとめて予測レイヤ１０４によって実行される予測モデルとリンクされた配備モデルを実行する。１つの実施形態において、（図１に示されていない、図３におけるモジュール３０６として後に示す）バッテリ資源評価モジュールは、状況に特有のバッテリ資本及びメンテナンスコストに基づいて、予測システム健全性情報をコスト情報に変換する。所定時点に所定モードでバッテリを配備するコストは、その時点及び実際の動作モードにおけるバッテリのＳＯＣ及びＳＯＨに依存する。具体的なバッテリの予測される消耗量は、バッテリ配備についての各可能性のコストに変わり、その予測されるコストは、経済的最適化レイヤ１０２において機会からの予測利益と比較される。予測利益がバッテリを稼動するためのコストよりも高い場合の戦略を経済的最適化レイヤが見出した場合、経済的最適化レイヤ１０２は、バッテリの配備が有益である可能性が高いと判定することができ、それに応じて入札することができる。なお、バッテリの配備コストは、様々な期間にわたって利益によってバランスがとられることも可能であることに留意すべきである。いくつかの実施形態において、経済的最適化レイヤ１０２は、システムがより長い期間にわたって有益である場合には、特定期間中に有益でないバッテリを稼動することを選択することができる。

バッテリの動作モードは、ローカルの電力市場に関連している。いくつかの実施形態において、経済的最適化レイヤ１０２は、ローカルの電力市場にカスタマイズされた汎用配備モデルを実行し、それゆえに、付帯的サービス定義とローカル価格の不確実性における変動をサポートすることができる。１つの実施形態において、経済的最適化レイヤ１０２は、バッテリ操作を計画するためにモデル予測制御（ＭＰＣ）の形態を使用する、すなわち、有限範囲にわたるモデルの操作プロファイルを最適化する。例えば、経済的最適化レイヤ１０２は、午前２時にバッテリを充電し、午後１時にレギュレーションサービスの提供に入札した後、午後７時にスポット市場において電力を販売する計画を立ててもよい。操作計画は継続的に改訂され、経済的最適化レイヤ１０２は、ある期間にわたるバッテリ消耗を考慮して最大収益計画を生成するように期待される。上記例において、午後１時にレギュレーションを提供するために入札する計画は、需給均衡化価格がバッテリの予測される消耗によって発生するコストを回収して利益を上げるのに十分高いと予測される場合にのみ続行されるであろう。経済的最適化は、最も収益性の高い計画を選択する。

マルチモード・エネルギ貯蔵管理システム１００の１つの重要な特徴は、経済的最適化レイヤ１０２が予測レイヤ１０４との相互作用による予測性能の向上にフォーカスする役割を果たすということである。向上された理解を必要とする動作モードは、経済的最適化レイヤ１０２の操作に基づいて選択される。いくつかの実施形態において、経済的最適化レイヤ１０２は、１つ以上のエントロピー測定、感度分析、決定論的アプローチを使用して予測モデリング及びテストが予測レイヤ１０４によってフォーカスされる場合を選択し、その後、モデリング及びテストレイヤ１０６に対応するフォーカステストを実行するように促す。その目的は、情報獲得と経済的利益が最高になる場合にフォーカスすることである。実際に、これは、予測の試みが、グリッドサービスの機会と消耗があまりよく理解されていない時間的間隔の問題とにフォーカスする可能性が高いことを意味する。予測にフォーカスする場合を選択することに加え、経済的最適化レイヤ１０２はまた、即時の性能にとって次善であるかもしれないが予測向上に役立つデータを収集するであろうパターンで操作するために探求−活用（ｅｘｐｌｏｒｅ−ｅｘｐｌｏｉｔ）技術を使用することができる。フォーカスされた予測は、探求−活用操作からのオフラインでのモデリング及びテストとオンラインでのデータ収集との双方を含むことができる。オフラインでのモデリング及びテストは、テスト（例えば、健全性測定の特殊な状態）を実行するためにグリッド操作から資源を切り離すことをともなう主要な予測活動である。いくつかの実施形態において、オフラインテストは、コンピュータシミュレーションの実行を含むことができる。いくつかの実施形態において、オフラインテストは、実験室において同じ種類のバッテリを物理的にテストすることを含むことができる。探求−活用操作中において、バッテリは、次善の操作モードに置かれ、これらの次善の操作モードに関連したオンラインデータが収集される。例えば、オンラインテストは、特定パターンでグリッドに接続された資源を操作して、使用後の資源の特性（例えば、温度又は充電状態）を測定することを含んでもよい。そのようなオンラインでのデータ収集は、予測が向上する速度を潜在的にさらに促進することができる。

予測レイヤ１０４は、正確に推定してバッテリの現在の状態（ＳＯＣ及びＳＯＨの双方）を追跡するためにモデルベース技術を使用し、その後、所定の操作モードプロファイルでバッテリを操作するためのライフサイクルコスト（健全性劣化）を予測するためにこの推定を使用する。操作中、予測レイヤ１０４は、経済的最適化レイヤ１０２から、予測結果が市場における収益機会をより良好に実現するように向上可能であることを示す操作計画及び性能向上トリガを受信する。これに応答して、予測レイヤ１０４は、より良好にモデル化される必要があるバッテリ状態空間の領域を識別し、モデリング及びテストレイヤ１０６に対して適切なフォーカスされたモデリング及びテストトリガを送信する。さらに、予測レイヤ１０４は、センサデータを定期的に受信することができ、バッテリは操作中であり、受信したランタイム・データをバッテリのＳＯＣ及びＳＯＨの観点で予知予測と比較する。不一致がある場合、予測レイヤ１０４は、対応するフォーカステストを実行するようにモデリング及びテストレイヤ１０６をトリガすることができ、フォーカステストの結果は、予測モデリングを向上させることができる。

使用目的についてのバッテリ寿命を推定することは、投資収益率（ＲＯＩ）分析における中心となることから、バッテリの予測は、バッテリ健全性監視におけるより広範な試みの一部となっている。大抵の場合、これは、固定された放電率についての放電深度（ＤＯＤ）の関数としてのサイクルライフとして表される。バッテリの寿命を推定することにおいて、多くの異なるアプローチが取られている。例えば、統計パラメトリックモデルは、故障までの時間を予測するために構築されることができ、インピーダンス分光法は、機能予測をクランキングするためのバッテリモデルを構築するのに使用されることができる。さらに、拡張カルマンフィルタ（ＥＫＦ）等の状態推定技術は、自動車用バッテリのＳＯＣ及びＳＯＨのリアルタイム予測に適用されている。一般のセル化学が鉛酸からニッケル水素（ＮｉＭＨ）やリチウムイオンに変化したように、セルの特性の試みは、ペースを維持している。非線形平衡電位、速度及び温度依存性、熱影響及び過渡電力応答を考慮したリチウムイオンバッテリについての動的モデルが構築されている。ニューロファジー及び決定論的方法に基づく自動化された推論スキームは、ＳＯＣ及びＳＯＨの推定に到達するために、バッテリ健全性センサデータから導出される融合した特徴ベクトルに適用されている。しかしながら、学習データセットとは異なる環境及び負荷条件下でＳＯＣ及びＳＯＨの推定からバッテリの寿命末期（ＥＯＬ）を正確に予測することは依然として困難である。そうするために、高度な予測アルゴリズムが必要とされている。

予測アプローチは、以下の２つのカテゴリに大きく分類されることができる。データドリブン及びモデルベース。データドリブン技術は、主に、類似した操作条件下でのトレーニング又はアーカイブされたデータから観察された追跡変数の発展傾向を活用する。これらの技術は、専門知識及びモデリングのための高価な必要性を回避するが、特に新たな用途のためにデータの可用性及び整合性の問題につながる。これは、専門知識を負担することもたらすことがあるモデルベース技術の開発を動機付ける。ほとんどの高忠実性モデルは、最適化及び意思決定プロセスと統合されることができるオンライン環境で実行するには計算集約的すぎるのみならず、生成するのに法外なコストがかかる。したがって、バッテリ経年劣化モデルの下位システム表現を使用しながら、システム健全性の非線形ダイナミクスを追跡することができるモデルベースの予測フレームワークを有することが望ましい。

予測レイヤ１０４は、計算の取り扱いやすさを実現しながら、物理的有意性を残すバッテリモデルの策定の責を負う。さらに、予測レイヤ１０４は、ランタイム・データによってバッテリモデルを更新する（図１には示されない）モデル適応モジュールを含む。パラメータ値は、１つのバッテリについて他とは異なったり、又は、同じバッテリについて１つのサイクルが次とは異なったりする可能性があることから、モデル適応はまた、バッテリの予測に重要な役割を果たす。さらにまた、任意の所定サイクルについて、パラメータ値は、非定常であってもよい。いくつかの実施形態において、バッテリ用途のためにカスタマイズされた非線形フィルタがモデル適応モジュールに含まれる。パーティクルフィルタ（ＰＦ）等のこれらの非線形フィルタは、取り扱いやすい計算負荷を維持しながら良好な状態追跡性能を提供するために重要度サンプリングにベイジアン学習技術を組み合わせることができる。アイディアは、未知の状態空間からサンプリングされた値を示すパーティクル（点）の集合及び離散確率質量を表す関連する重みの集合によって近似される確率密度関数（ｐｄｆ）のようなシステム状態を表すことである。パーティクルは、状態ｐｄｆの事前推定から生成され、非線形プロセスモデルを使用して時間的に伝播され、測定モデルを介して測定値から再帰的に更新される。ここでのＰＦの主な利点は、追跡されることになる状態ベクトルの一部としてモデルパラメータが含まれるということであり、それゆえに、状態推定に関連してモデル同定を実行する。予測が望まれるときはいつでも、予測される負荷の下で所望の操作軌跡を得るために更新された最新のパラメータ値によってモデルを実行することができる。これらの軌跡に関連付けられた重みは、バッテリの残存耐用年数（ＲＵＬ）分布を計算するのに使用されることができる。この予測能力を考慮すると、バッテリの使用を最適化するためにシステム管理者内部の決定論的フレームワークにおいてＲＵＬのｐｄｆを使用することが可能である。

いくつかの実施形態において、予測が操作計画を評価するように要求されるたびに、予測レイヤ１０４は、不確実性の範囲を制限するために且つ予測される負荷の下で所望のＳＯＨ軌跡を得るために、最新の更新されたパラメータ値によって所望の計画対象時間にわたってバッテリモデルを実行する。予測レイヤ１０４は、さらに、ＳＯＨが許容範囲を超えて低下したときに、時間分布としてバッテリの残存耐用年数（ＲＵＬ）を計算するために、これらの軌跡を使用することができる。この予測能力を考慮すると、これらのＲＵＬの確率密度関数（ｐｄｆ）は、図１に示されるように、経済的最適化例や１０２への入力としてさらに使用されることができるライフサイクルコストを導出するために予測されるサイクルライフと比較される。ここで要求される予測についての計画対象時間は、近い将来においてバッテリのＳＯＣが全ての経済的最適化の決定の重要な要因である短期及び長期のＳＯＨ予測における配備を計画するために必要とされることから、数分から数年までの範囲とすることができる。

経済的最適化レイヤ１０２から予測レイヤ１０４へと送信される要件は、（時間の関数としての操作モード等の）操作プロファイルと、予測出力の所望の正確さ及び精度とを含む。これらの要件が満たされていない場合には、経済的最適化レイヤ１０２又は予測レイヤ１０４のいずれかは、さらなるテストをトリガすることができる。経済的最適化レイヤ１０２からの向上した予測のための促進がある場合には、予測レイヤ１０４は、フォーカスされたテストを実行するようにモデリング及びテストレイヤ１０６をトリガすることによってその予測を向上させることができる。なお、用語「フォーカスされたテスト」は、この促進ドリブンアプローチが、バッテリ操作の空間全体を探求する必要はないが、予測される最高の経済的利得の領域にフォーカスすることができることを示すことに留意すべきである。１つの実施形態において、予測レイヤ１０４は、経済的最適化レイヤ１０２から性能向上トリガを受信し、フォーカステストを開始するためにモデリング及びテストレイヤ１０６に対してそのようなトリガを伝播する。

図１に示されるシステムにおいて、予測レイヤ１０４は、モデリング及びテストレイヤ１０６によって提供される基礎となる電気化学バッテリモデルを使用してバッテリの電気的応答と劣化挙動とを評価する。その本質的な学習能力のために、予測レイヤ１０４は、バッテリの物理的特性に強く結合されるような基礎となるモデルを必要としない。しかしながら、より正確なモデルは、パラメータ空間及び計算要件を低減するのみならず、予測アルゴリズムの収束速度及び信頼性を高めることができる。このトレードオフは、バッテリモデルを定義するための作業空間を描く。

システムの一般的な適用と寿命を確保するために、バッテリモデルは、製造業者又はユーザ提供の測定データの大幅な利用可能性を前提とすることなく、新たなパック構成及びセル種類に適応可能である必要がある。そうするために、特定の実装に関連してモデルを洗練するのを助けることができるフォーカステストルーチンが必要とされる。いくつかの実施形態において、予測レイヤ１０４は、将来の実装のための出発点として使用されることができるセルカテゴリ（化学、構成等）によって編成された洗練モデルのライブラリを含む。なお、電気化学セルとしても知られているセルは、バッテリの基本構成要素であることに留意すべきである。各電気化学セルは、化学反応から電気エネルギを導出することが可能である。バッテリパックは、電気的に相互接続された（大抵の場合に同一である）各バッテリセルのセットを含む。なお、ここではエネルギ資源についての例としてバッテリを使用し且つバッテリモデルが予測のために使用されるが、実際には、他の種類のエネルギ資源もまた、レギュレーションサービスを提供するためにシステムによって使用されて管理されることができることに留意すべきである。エネルギ資源の例は、これらに限定されるものではないが、（フライホイール、超コンデンサ、プラグイン電気自動車、化学的又は機械的エネルギ貯蔵に基づくバッテリ等の）様々なエネルギ貯蔵装置、（燃料電池等の）バックアップエネルギ発生器、及び、（住宅負荷、工業負荷及び軍事負荷等の）需要応答のために使用されることができる負荷を含む。予測のために使用されるこれらの資源の対応するモデルは、モータ、ベアリング、シール、タービン、膜等の資源の重要な要素を含むことができる。

電気化学セルのモデルは、詳細な電気化学的及び物理的プロセスを含む高忠実性の物理的モデルから、基本的に基礎となる化学及び物理にとらわれないセル挙動の現象論的記述である分析モデルまでの範囲である。前者タイプのモデルは、セル挙動に対する正確な洞察を提供することができるが、多数のパラメータを有し、セルの化学的性質及び形状に特有であり、容易に測定されない物理的パラメータに依存する。後者タイプのモデルは、構造的により簡便であるが、実験的測定によって容易に判定されず、代わりに集約的統計をあてにする。分析モデルは、バッテリ状態の内部詳細に対する洞察をほとんど又は全く可能とすることができない。一方、回路モデルは、詳細な幾何学的及び化学的情報なしに合理的な忠実性をともなう電気的挙動を捕捉することができる中間フレームワークを表し、一般化された原型モデルの基礎を形成するのに使用されることができる。

セル間のばらつきは、セルモデルのバッテリパックモデルへの拡張を困難とする。正確なモデルは、詳細な要素セル情報から構築されるが、公称パラメータ値を使用してパックにセルを単純化して組み合わせることは不十分である。さらに、グリッドスケールのバッテリパックの場合等、セル数が増えるのにともない、モデリングの複雑さは、大幅に増大する。さらに、いくつかの電池パックにおいて、バッテリ又はセルへのアクセスは、バッテリ管理システム等のサポートする電子機器を介してのみ可能である。これらの場合、モデルは、これらの電子機器の影響を含む必要がある。

モデルパラメータがセル及びパックの広範な測定によって決定されることができることが示されている。バッテリテストは、充電サイクルから分解したセルの物理的分析までの範囲とすることができる。しかしながら、そのようなテストは、非常に時間がかかることができ、セルの破壊又は大幅な消耗を要することがあり、セルの変動とパック内部の複数セルの相互作用の複雑さのため、一般化されたモデルにおいては限られた有用性しか有しないことがある。それゆえに、文脈依存の方法で目標とされるパラメータを評価するために、より多くのフォーカステスト方法に対するニーズがある。いくつかの実施形態において、モデリング及びテストレイヤ１０６は、回路状の原型バッテリモデルを定義し、モデルを事前承認するために初期テストを実行し、セルモデルのアレイに基づいてバッテリパックのモデルを構築し、パラメータ空間を洗練して収束性を向上させ且つモデルの信頼性を向上させるためにフォーカステストを実行し、将来の実装において初期モデルとして使用されることができるセル及びバッテリカテゴリモデルのライブラリに洗練されたモデルを構築する責を負う。

図２は、本発明の実施形態にかかる例示的なモデリングフレームワークを図示する図を提示している。図２は、バッテリについてのモデリングフレームワークを図示しており、フレームワークはまた、フライホイール、バックアップ発電機及び需要応答のために使用される負荷等の他の種類のエネルギ資源にも適用されることができることが理解される。図２においては、予測レイヤ１０４並びにモデリング及びテストレイヤ１０６のみが図示されている。具体的には、図２は、モデリング及びテストレイヤ１０６が、フォーカステストモジュール２０２と、原型モデル２０４、セルカテゴリモデル２０６及びパックモデル２０８等の多数のモデルを含む旨を図示している。

上述したように、原型モデル２０４は、ポリマリチウムイオン、鉛酸及びＮｉＭＨを含むことができる任意のセルタイプの電気化学的挙動を捕捉する回路ベースのモデルから適応されることができ、十分な時間放置した場合にバッテリ内の化学物質が自己補充されることができるという事実に起因する非線形効果である回復効果等の非定常挙動を含むように適応されることができる。１つの実施形態において、特定の回路要素は、反応速度及び電極膜形成等のセル内の物理的及び電気化学的現象を表す式に基づいて導出される。セルの劣化は、パラメータが、時間、温度及び放電速度等のセル挙動の変化の主要なソースの関数として変化するのを可能とすることによって組み込まれることができる。これらの関数の形態は、それらが表す物理的な劣化メカニズムによって決定される。例えば、リチウムイオンセルは、時間として又は動作条件に応じた時間の平方根としてのいずれかで変化する時間的な劣化を有するように示される。したがって、双方の場合を表す項は、原型モデル２０４に含められることができる。

原型モデル２０４の１つの重要な特徴は、複数のバッテリの種類及び化学的性質に適応するために十分なパラメトリック幅を有するということである。モデルが構築されて特定のセル化学的性質及び個別のセルについて洗練されるのにともない、問題のセルについて無関係であると判定されたパラメータは、無視又は除去されることができ、モデルを単純化する。例えば、上述した時間的分解についての式は、特定のリチウムイオン化学的性質の研究に基づいており、他のセルの種類には存在し得ない。

ほとんど又は全く初期データに基づいていない基本的な原型モデルは、予測作業の出発点とすることができるが、より高速な収束は、より良好に条件が付されたモデルによって達成されることができる。そのようなモデルは、特異性の異なるレベルでカテゴリに編成されることができる。例えば、カテゴリは、化学、フォームファクタ又は製造バッチによって定義されることができる。図２に示されるように、セルカテゴリモデル２０６等のこれらのカテゴリモデルは、定数及びパルス放電及び異なる温度での電気化学インピーダンス分光法等の標準的な測定の出力によって増大されたセル製造業者又は他のソースから入手可能などのようなデータも使用して原型モデル２０４から構築されることができる。それらはまた、完全な予測システムの前のインスタンスから抽出されることもできる。セルカテゴリモデル２０６等のカテゴリモデルは、カテゴリ内のセルを利用するシステム配備の初期モデルとして又は類似の特性を有する新たなセル種類のカテゴリモデルの基礎として適用されることができる。１つの実施形態において、セルカテゴリモデル２０６は、リチウムイオン及び鉛酸バッテリについてのカテゴリモデルを含む。これらのカテゴリモデルは、セル製造業者からのデータ、並びに、セル、モジュール及び完全バッテリパックの測定データを使用して開発される。それらは、機能的な形態でシステム配備において得られた機械学習を保つことを目的としたカテゴリモデルのライブラリの基礎を形成することができる。さらに、セルカテゴリモデル２０６は、フォーカステストモジュール２０２及び予測レイヤ１０４の出力に基づいて洗練されることができる。

パックモデル２０８は、パックの構成に基づいて、セルモデルを組み合わせることによって得られることができる。パックモデル２０８はまた、バッテリ管理システム（ＢＭＳ）の構成要素、相互接続及び故障したセル等の病理学的要素を表す追加的要素を含む。セルカテゴリモデル２０６及びパックモデル２０８は、（図２には示されていない）経済最適化レイヤ１０２及び予測レイヤ１０４のニーズによってドリブンされるように操作において適合されて洗練されることができる。システムは、許容可能な収束時間及び信頼性を受けるパックモデル２０８における要素数を低減することによって予測モジュールの学習能力を活用する。時間の経過とともに、使用量データはまた、基礎となるセルモデルの洗練化に寄与する。

フォーカステストモジュール２０２は、バッテリ操作の特定モードの文脈において特定のパラメータ値における信頼性を向上させることを目的としているフォーカステストのセットを実行するための責を負う。これは、モデル開発のために従来使用される多くのセルの徹底的なテストとは対照的である。なお、徹底的なテストは、非常に時間とリソースに集約的であり、一般的なセル種類から特定セルへと拡張可能ではなく、配備されたリソースによって利用可能でないことに留意すべきである。一方、フォーカステストは、所定の実装における特定のパラメータを抽出するように選択的に使用されることができる。いくつかの実施形態において、フォーカステストモジュール２０２は、パックモデル２０８の特定の未知の変数と経済的最適化レイヤ１０２によって定義された操作モードの共通部分に基づいてフォーカステストを実行する。具体的には、フォーカステストは、特定の未知のモデルパラメータ並びにバッテリＳＯＣ及びＳＯＨとの組み合わせにおいて異なる操作モードを表す負荷プロファイルの組み合わせから導出されることができる。例えば、フォーカステストは、所定のセルインピーダンスパラメータに対する周波数サポートの特定モードの効果を表す所定のＳＯＣで開始する充放電シーケンスを含むことができる。いくつかの実施形態において、フォーカステストモジュール２０２は、バッテリをオフラインにするか又は個別のセル、モジュール若しくは同じ種類のパックに実験室テストを行うことにより、フォーカステストを実行することができる。いくつかの実施形態において、フォーカステストは、例えば、物理的検査又はクーロン効率測定により、開始時のバッテリＳＯＨ及び充放電シーケンス又は一連のそのようなシーケンスの終了を比較することを含むことができる。

経済的最適化レイヤ、予測レイヤ並びにモデリング及びテストレイヤの間で複数の相互依存性がある。一方、セル及びパックに対して予測レイヤ又はモデリング及びテストレイヤによって実行される（オンライン／オフラインテスト及び臨床テストを含む）実験的作業は、バッテリの予測のために使用されるバッテリモデルを構築するのに使用されることができる。一方、最適化レイヤによって促進されるような予測レイヤは、バッテリ操作中にさらなるテストを駆動することができる。この複数の依存関係は、本発明の実施形態にかかる多層操作制御システムを図示する図を提示している図３により詳細に図示されている。

図３において、操作制御システム３００は、以下の４つの層を含む。経済的最適化レイヤ１０２、予測レイヤ１０４、制御レイヤ３０２並びにモデリング及びテストレイヤ１０６。なお、図１に示される高レベルアーキテクチャと比較して、図３は、レイヤ及び追加の制御レイヤの間での相互依存性をより詳細に図示していることに留意すべきである。

経済的最適化レイヤ１０２は、経済的最適化モジュール３０４及びバッテリ資源評価モジュール３０６を含む。バッテリ資源評価モジュール３０６は、バッテリ予測モジュール３０８からバッテリ状態及び健全性情報を受信し、状況に特有のバッテリ資本及びメンテナンスコストに基づいて健全性情報をコスト情報に変換する。市場制約及びバッテリ状態及びコスト情報に基づいて、経済的最適化モジュール３０４は、利益とライフサイクルコストとの間の最適なトレードオフを計算し、所望のバッテリの操作モードを示す操作計画を生成する。１つの実施形態において、システムは、経済的最適化モジュール３０４の最適化の結果に基づいて、付帯的サービス市場に入札することができる。入札が受諾された場合、操作モードは、グリッドタイのバッテリの操作を制御するように経済的最適化モジュール３０４からバッテリコントローラ３１０に対して送信される。

マルチモード操作計画は、バッテリコントローラ３１０によって提供される状態及び負荷情報と、パック・レベルモデル３１２及びセル・レベルモデル３１４によって提供されるバッテリモデルとを使用して各種の操作モードについてのバッテリ予測を実行するバッテリ予測モジュール３０８に送られる。これらのマルチモデル計画は、経済的最適化モデルによる考慮に基づく計画又は入札及び可能な実行のために選択された計画のいずれかとすることができる。なお、初期モデリングは、実験データのみならず、セル、モジュール及びパックの製造業者データに基づいて構築されることができることに留意すべきである。バッテリコントローラ３１０は、バッテリから測定値を受信し、バッテリに対して制御入力を送る。１つの実施形態において、（図３には示されていない）追加バッテリ適応レイヤは、バッテリとより高次の（制御及び最適化）レイヤとの間の均一な制御フレームワークを提供するように使用されることができる。この適応レイヤは、各セル、モジュール又はパックについてのＢＭＳが、モデル及びバッテリ予測モジュール３０８の開発中に識別された変数の単一のセットを使用してバッテリコントローラ３１０と通信するのを可能とする。

図３は、経済的な最適化モジュール３０４がまた、フォーカステストの実行をトリガすることができることを示している。１つの実施形態において、経済的最適化モジュール３０４が所定の操作モードにおいてバッテリを配置するコストを正確に判定するのに十分な情報がないと判定した場合には、経済的最適化モジュール３０４は、モデリング及びテスト例や１０６に対してフォーカステストトリガを伝播することができる。フォーカステストトリガは、伝播中にバッテリ予測レイヤ１０４及びコントローラレイヤ３０２を介して伝播し、要求されたフォーカステストがモデリング及びテストレイヤ１０６についてより具体的に識別される。モデリング及びテストレイヤ１０６は、バッテリ予測モジュール３０８の操作を向上させるのに使用されることができるフォーカステストを実行する。したがって、類似のサービスが提供される次回は、経済的最適化モジュール３０４は、フォーカステストによって提供された、増加した予測信頼性に基づいて経済的決定を下すより多くの情報を有する。

なお、１つのバッテリのみが図３に示されているものの、実際には、システムは、これらに限定されるものではないが、（リチウムイオン・バッテリパック、鉛酸パック及びニッケル金属水素化物（ＮｉＭＨ）パック等の）バッテリパック、フローバッテリ、超コンデンサ、フライホイール及びプラグイン電気自動車を含む個別の非同一のエネルギ貯蔵資源の使用を最適化することができることに留意すべきである。適応バッテリモデル及びインテリジェント意思決定アルゴリズムは、異なる化学的性質の組み合わせのみならず、新たな及び使用済みの双方のバッテリの混合物も含むのを可能とするという利点を提供する。システムは、所定のグリッド配備において最適に収益性の高いシステムを作製するために、異なるバッテリの資本コスト及び消耗特性の差異を活用することができる。

図４は、本発明の実施形態にかかるマルチモード・コントローラの例示的な操作プロセスを図示するフローチャートを提示している。操作中において、システムは、操作機会うちの少なくとも１つのモードを含む操作についての戦略を識別し（操作４０２）、操作モードに関連したバッテリ予測を実行する（操作４０４）。操作機会モードは、これらに限定されるものではないが、昼夜裁定取引と、スピニングリザーブ、周波数レギュレーション等の付帯的サービスを提供することを含むことができる。いくつかの実施形態において、いくつかの操作モードは、周波数レギュレーションと組み合わせた昼夜裁定取引等とともに識別されることができる。１つの実施形態において、経済的最適化部は、現在の電力市場に基づいて操作機会モードを識別し、バッテリ予測がバッテリの操作モードに基づいて実行される。例えば、操作機会モードが周波数レギュレーションを提供することである場合、バッテリ予測は、周波数レギュレーションモードにおいてバッテリ操作に基づいて実行される。なお、正確な予測結果を得るために、システムは、バッテリの現在のＳＯＣ及びＳＯＨとともに、配備からのバッテリライフサイクルに対するコストを知る必要があることに留意すべきである。操作モード、バッテリの現在のＳＯＣ及びＳＯＨ並びに利用可能なバッテリモデルに基づいて、システムは、バッテリ寿命の配備の効果が正確に予測されることができるかどうかを判定する（操作４０６）。周波数レギュレーションの例において、システムは、周波数レギュレーションの操作モード用に構築されたバッテリモデルを使用する必要がある。１つの実施形態において、システムは、予測誤差が所定の閾値を超えたかどうかを判定する。さらなる実施形態において、システムは、予測の精度をモデル化し、利益が十分高い限り、高い予測誤差での操作を可能とすることができる。なお、予測誤差は、絶対値又は割合であってもよいことに留意すべきである。バッテリ寿命及び／又はサービスを提供するためにバッテリを稼動するコストを予測するための十分な情報がある場合又は予測誤差が閾値を超えた場合には、システムは、必要に応じて操作機会モードを拒否するか、又は、操作モードが予測の精度における大きな誤差のマージンを有して使用されるのを確実にするように大型入札を配置する（操作４０８）。さらに、予測モデルが操作モードに対する入札を保証するには不十分である場合には、経済的最適化モジュールは、異なる操作モードのいずれかを選択するか、又は、バッテリをそのままにするか若しくはバッテリをゆっくりと充電する等のデフォルトの操作モードを使用する（操作４０８）。例えば、利用可能なバッテリリソースは、特定種類のバッテリとすることができ、システムは、現在のＳＯＨ、ＳＯＣ、所望のサイクル周波数等の対応する操作条件下ではこの種類のバッテリについてのモデリング情報を欠くことができる。なお、バッテリ操作は、大抵の場合非線形であることから、特定のバッテリ種類についての一般的なモデルは、異なる操作条件下でバッテリ寿命を予測するには十分でないことに留意すべきである。例えば、経年劣化したバッテリは、新たなバッテリとは異なって実行して劣化することができ、又は、ほぼ電荷消耗したバッテリは、所定の操作モード下で完全に充電したバッテリとは異なって実行して劣化することができる。バッテリの消耗を正確にモデル化するために、現在のＳＯＨ、現在のＳＯＣ、例えばバッテリの温度又は化学的性質に影響を与える可能性がある任意の最近の履歴等のパラメータを含むモデルを使用することが有益である。正確なモデリングの欠如は、特定種類の配備のためにバッテリのＳＯＨの変化を予測することができないシステムをもたらすことができ、それゆえに、バッテリの稼動コストを予測しない。換言すれば、システムは、バッテリに対する消耗に起因して失われることができる経済的価値が、周波数レギュレーション用のバッテリの配備から得られることができる経済的価値によって相殺されることができるかどうかを把握しない。不十分なコストの知識に応答して、システムはまた、フォーカステストを実行し（操作４１０）、テスト結果に基づいてバッテリモデルを向上させ（操作４１２）、向上したモデルパラメータをバッテリ予測モジュール戻すことができる（操作４１４）。１つの実施形態において、更新された予測は、向上したモデルパラメータに基づいて実行されることができる。なお、フォーカステストは、（特定パターンでグリッドに接続された資源を操作すること及び使用中及び／又は使用後に資源の特性（例えば、温度又は充電状態）を測定することをともなってもよい）オンラインテスト、（テスト（例えば、健全性測定の特殊な状態）を実行するためにグリッド操作から資源を切り離すことをともなってもよい）オフラインテスト、並びに、（一般に資源に類似している成果物（例えば、バッテリと同じ種類のセル）に対して実行される）実験室テストを含むことができることに留意すべきである。例えば、経年劣化したバッテリのモデル化は、そのバッテリ又は同年代のバッテリに対するテストを実行することを含むことができる。

システムが（バッテリの稼動コストの観点で）バッテリ寿命に対する配備の影響を正確に予測することができると判定した場合、経済的最適化は、操作機会モードを受け入れるか又は拒否するかを判定するように実行される（操作４１６）。経済的最適化がレギュレーションサービスについてバッテリを使用することが所定の時間スケールにわたって有益である可能性がないと判定した場合、システムは、操作機会モードを拒否した後に、バッテリをそのままにするか又はバッテリを充電する（操作４１８）。経済的最適化が操作モードについてバッテリを使用することが所定の時間スケールにわたって有益である可能性が高いと判定した場合、システムは、その後、周波数レギュレーションの付帯的サービスを提供するための入札等の操作モードに関連付けられた電力市場に入札することができ（操作４２０）、入札が受諾されたかどうかを判定する（操作４２２）。入札が受諾された場合には、システムは、その後、（単一の裁定モードとは対照的に）マルチモード操作を実行するためのバッテリを配備し（操作４２４）、ランタイム・データを収集する（操作４２６）。例えば、バッテリは、一連の充放電サイクルを含むことができる異なる操作モードのシーケンスに配置されることができる。このランタイム・データはまた、バッテリ配備中又は後のＳＯＣ及びＳＯＨの測定値を含むことができる。収集されたランタイム・データは、予測モデルを向上させるために使用されることができる。入札が受諾されない場合には、バッテリは、そのままにするか又は充電状態のままとする（操作４１８）。

図５は、本発明の実施形態にかかるマルチモードのバッテリ制御を提供するための例示的なコンピュータシステムを図示している。１つの実施形態において、コンピュータ及び通信システム５００は、プロセッサ５０２と、メモリ５０４と、記憶装置５０６とを含む。記憶装置５０６は、マルチモード・バッテリ制御アプリケーション５０８とともに、アプリケーション５１０及び５１２等の他のアプリケーションを記憶する。操作時には、マルチモード・バッテリ制御アプリケーション５０８は、記憶装置５０６からメモリ５０４にロードされ、プロセッサ５０２によって実行される。プログラムの実行時に、プロセッサ５０２は、上述した機能を実行する。コンピュータ及び通信システム５００は、任意のディスプレイ５１４、キーボード５１６及びポインティングデバイス５１８に接続される。

本発明の実施形態は、利益機会に機敏であり、グリッドに接続された資源の種類に柔軟であり、エネルギ資源の状態に適応するマルチモード・エネルギ資源管理フレームワークを提供する。経済的最適化レイヤは、エネルギ資源の（従来の単一裁定モードとは対照的に）マルチモード利用を可能とするように最適な入札戦略を使用する。さらに、システムは、グリッド上に配備されることになるエネルギ資源のための（モデリング及びテストレイヤによって実行される）標準的なテストプロトコルを含む。

上述したアーキテクチャは、様々なグリッドタイ資源に適用されることができることが理解されるであろうが、いくつかの実施形態において、資源はバッテリである。テストプロトコルは、バッテリがグリッド上で使用されているときにどのようにバッテリのＳＯＣ及びＳＯＨが変化するかを実証するために使用されることができる。得られるバッテリ消耗関数は、所定のバッテリがグリッド市場において収益性を高くすることができる方法を判定するために接続されたバッテリ／市場モデルに供給されることができる。なお、市場モデルは、バッテリ消耗関数への入力及びテストプロトコルにおいて使用するための適切なサイクルの一部として使用されることに留意すべきである。

テストプロトコルは、バッテリの（エラーバーによる）ＳＯＣ及びＳＯＨの測定値を識別し、温度及び使用量の双方の様々な確率論的サイクルが単一のストレス要因テストにどのように関連しているかを実証することができる。実世界の使用量プロファイルは、２つ以上の時間的に変化するパラメータを必然的に有することから、このモデルは、複数のストレス要因の同時サイクルに対して堅牢であることが実験的に示されなければならない。テストプロトコルは、さらに、高温を使用する等、加速寿命テストを適切に達成する方法を特定することもでき、小さなセルに対するテストからの外挿等の代わりの直交テストを含むことができる。さらに、テストプロトコルは、使用済みバッテリが配備されている場合に特に重要であるＳＯＣ及びＳＯＨ測定値の履歴−独立性を実証することができる。

システムは、さらに、パラメータがリアルタイムデータに基づいて識別されて更新されることができる抽象化された高レベルのパラメータ化モデルを提供する。具体的には、徹底的なテストの代わりに、フォーカステストがモデルパラメータを更新するために実行されることができ、それゆえに、モデル適応性を提供する。適応的バッテリモデルは、異機種のバッテリと異なる使用履歴を有する異なる段階でのバッテリとの同時配備を可能とする。

この詳細な説明に記載されたデータ構造及びコードは、典型的には、コンピュータシステムによって使用するためのコード及び／又はデータを記憶することができる任意のデバイス又は媒体とすることができるコンピュータ読み取り可能な記憶媒体に記憶される。コンピュータ読み取り可能な記憶媒体は、これらに限定されるものではないが、揮発性メモリ、不揮発性メモリ、ディスクドライブ、磁気テープ、ＣＤ（コンパクトディスク）、ＤＶＤ（ディジタル多用途ディスク若しくはディジタルビデオディスク）等の磁気及び光記憶装置、又は、現在既知の又は後に開発されるコンピュータ読み取り可能な媒体を記憶可能な他の媒体を含む。

詳細な説明のセクションに記載された方法及びプロセスは、上述したようにコンピュータ読み取り可能な記憶媒体に記憶されることができるコード及び／又はデータとして具体化されることができる。コンピュータシステムがコンピュータ読み取り可能な記憶媒体に記憶されたコード及び／又はデータを読み取って実行すると、コンピュータシステムは、データ構造及びコードとして具体化されてコンピュータ読み取り可能な記憶媒体内に記憶された方法及びプロセスを実行する。

さらにまた、本願明細書に記載された方法及びプロセスは、ハードウェアモジュール又は装置に含まれることができる。これらのモジュール又は装置は、これらに限定されるものではないが、特定用途向け集積回路（ＡＳＩＣ）チップ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定の時間に特定のソフトウェアモジュール若しくはコードの一部を実行する専用又は共有プロセッサ、及び／又は、現在既知の又は後に開発される他のプログラマブル論理デバイスを含むことができる。ハードウェアモジュール又は装置が起動されると、それらは、それらの内部に含まれる方法及びプロセスを実行する。

Claims (10)

1. エネルギグリッドに対して１つ以上の動作モードのサービスを提供するようにエネルギ資源を利用するエネルギ資源制御システムにおいて、
   市場状況に基づいて、前記エネルギグリッド内における前記エネルギ資源のための動作モードに関連する少なくとも１つの機会を識別するように構成された経済的最適化部と、
   予測モジュールであって、
   時間、前記エネルギ資源の温度及び前記エネルギ資源の放電速度の少なくとも１つを示す一連のパラメータを含む既存のエネルギ資源のモデルに基づいて、前記既存のエネルギ資源のモデルと同一の動作モードにおける前記エネルギ資源の動作の予測分析を実行し、
   最近の使用中における前記エネルギグリッド内の前記エネルギ資源の健全性状態を表す情報をセンサから受信し、
   前記使用中における前記健全性情報と前記予測分析に基づく予測健全性情報との不一致の判定に応答して、前記使用中における前記健全性情報に基づいて、同一のエネルギ資源のための前記モデルの一連のパラメータを更新し、前記更新されたモデルに基づいて、前記予測分析を洗練するように構成された、予測モジュールと、
   前記エネルギグリッド内において、同一の動作モードで動作するように同一のエネルギ資源を制御可能な操作コントローラとを備え、
   前記経済的最適化部が、さらに、
   前記洗練された予測分析における所定の閾値を超える信頼性レベルの増加に応答して、前記エネルギ資源の前記更新されたモデル及び期待利益に基づいて、前記エネルギグリッド内において、同一の動作モードで動作するように同一のエネルギ資源を配備する指示を前記操作コントローラに送信するように構成されている、エネルギ資源制御システム。
2. 前記更新されたモデル及び前記期待利益に基づいて前記エネルギ資源を配備する指示を前記操作コントローラに送信しながら、前記経済的最適化部が、動作モードの機会について入札して入札が受諾されたことの通知を受信することを含む経済的取引を行うように構成されており、
   前記操作コントローラが、前記経済的取引に応じて、前記機会に関連する前記動作モードで前記エネルギグリッドに前記エネルギ資源を配置するように構成されており、
   前記動作モードが、昼夜裁定取引、コンティンジェンシーリザーブ、及び電圧サポートの１以上を含む、請求項１に記載のエネルギ資源制御システム。
3. 前記経済的最適化部が、さらに、前記不一致の検出または前記所定の閾値未満の信頼性レベルを判定する前記予測モジュールに応答して、１つ以上のフォーカステストを識別するように構成されており、エネルギ資源制御システムが、さらに、
   前記動作モードに基づいて前記エネルギ資源について識別されたフォーカステストを実行し、
   前記フォーカステストの結果に基づいて前記既存のエネルギ資源のモデルを改善することにより、前記エネルギ資源についてのより良好な将来予測を可能とするように構成されたフォーカステストモジュールを備える、請求項１に記載のエネルギ資源制御システム。
4. 前記予測モジュールが、前記改善されたモデルを使用して第２の予測分析を実行するように構成されており、
   前記経済的最適化部が、さらに、
   前記第２の予測分析の結果に基づいて経済的最適化を実行するように構成されている、請求項３に記載のエネルギ資源制御システム。
5. １つ以上の前記フォーカステストを識別しながら、前記経済的最適化部が、以下の経済的分析のうちの１つ以上を実行するように構成されている：
   感度分析、
   エントロピー測定分析、及び、
   決定論的分析、請求項３に記載のエネルギ資源制御システム。
6. 前記フォーカステストが、以下のうちの１つ以上を含む：
   オンラインテスト、
   オフラインテスト、及び、
   臨床テスト、請求項３に記載のエネルギ資源制御システム。
7. さらに、前記改善されたモデルを記憶するように構成されたモデルライブラリを備える、請求項３に記載のエネルギ資源制御システム。
8. 前記経済的最適化部が、前記所定の閾値未満であると判定された信頼性レベルに応答して、不採算な動作の可能性を低減するための前記エネルギ資源の消耗についての不確実性に基づいて、例外的に大型入札を行うように構成されている、請求項１に記載のエネルギ資源制御システム。
9. 前記エネルギ資源が、グリッドタイ・エネルギ貯蔵装置を含み、前記グリッドタイ・エネルギ貯蔵装置が、以下のうちの１つ以上を含むバッテリの異種混合を含む：
   フライホイール、
   超コンデンサ、
   プラグイン電気自動車、
   リチウムイオンバッテリ、
   鉛酸バッテリ、
   ニッケル金属水素化物（ＮｉＭＨ）バッテリ、
   フローバッテリ、
   新たなバッテリ、及び、
   使用済みバッテリ、請求項１に記載のエネルギ資源制御システム。
10. 前記予測分析が、前記グリッドタイ・エネルギ貯蔵装置の現在の健全性状態に基づいて実行される、請求項９に記載のエネルギ資源制御システム。

Images