TW201817113A - 電池管理系統 - Google Patents
電池管理系統 Download PDFInfo
- Publication number
- TW201817113A TW201817113A TW106124485A TW106124485A TW201817113A TW 201817113 A TW201817113 A TW 201817113A TW 106124485 A TW106124485 A TW 106124485A TW 106124485 A TW106124485 A TW 106124485A TW 201817113 A TW201817113 A TW 201817113A
- Authority
- TW
- Taiwan
- Prior art keywords
- temperature
- voltage
- parameter
- battery system
- predicted
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 79
- 238000005259 measurement Methods 0.000 claims abstract description 61
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 95
- 238000012549 training Methods 0.000 claims description 58
- 238000012545 processing Methods 0.000 claims description 57
- 238000012546 transfer Methods 0.000 claims description 51
- 230000015654 memory Effects 0.000 claims description 43
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 16
- 238000012731 temporal analysis Methods 0.000 claims description 8
- 238000000700 time series analysis Methods 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 21
- 238000004146 energy storage Methods 0.000 description 21
- 230000005611 electricity Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 16
- 238000012360 testing method Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 5
- 239000004020 conductor Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 3
- AZFKQCNGMSSWDS-UHFFFAOYSA-N MCPA-thioethyl Chemical compound CCSC(=O)COC1=CC=C(Cl)C=C1C AZFKQCNGMSSWDS-UHFFFAOYSA-N 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013397 bayesian methodology Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/371—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with remote indication, e.g. on external chargers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
- H02J7/0014—Circuits for equalisation of charge between batteries
- H02J7/0018—Circuits for equalisation of charge between batteries using separate charge circuits
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
- H02J7/0014—Circuits for equalisation of charge between batteries
- H02J7/0019—Circuits for equalisation of charge between batteries using switched or multiplexed charge circuits
-
- H02J7/0021—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/005—Detection of state of health [SOH]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/007—Regulation of charging or discharging current or voltage
- H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
- H02J7/00714—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters in response to battery charging or discharging current
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/007—Regulation of charging or discharging current or voltage
- H02J7/007188—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters
- H02J7/007192—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters in response to temperature
- H02J7/007194—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters in response to temperature of the battery
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/00032—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by data exchange
- H02J7/00034—Charger exchanging data with an electronic device, i.e. telephone, whose internal battery is under charge
-
- H02J7/0022—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0068—Battery or charger load switching, e.g. concurrent charging and load supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Feedback Control In General (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本發明揭示一種方法,其包含自經組態以量測與具有一發電廠之一電力分配網路通信之一蓄電池系統之電流的至少一個電流感測器接收電流量測。該方法亦包含自經組態以量測該蓄電池系統之電壓的至少一個電壓感測器接收電壓量測,且自經組態以量測該蓄電池系統之溫度的至少一個溫度感測器接收溫度量測。該方法包含:基於該等經接收量測來判定該蓄電池系統之一阻抗參數;基於該等經接收量測來判定該蓄電池系統之一溫度參數;基於該阻抗參數來判定一經預測電壓參數;及基於該溫度參數來判定一經預測溫度參數。該方法包含基於該經預測電壓參數及該經預測溫度參數來命令該蓄電池系統自該發電廠充電或自該發電廠放電。
Description
本發明係關於基於一時間序列分析及與蓄電池管理系統相關聯之一蓄電池系統之歷史資料之一神經網路而預測一蓄電池管理系統效能。
一蓄電池管理系統(BMS)係管理包含一或多個電池或蓄電池組之一可再充電蓄電池系統之一電子系統。BMS可保護蓄電池免於在一安全操作區域外部操作且監測蓄電池之一狀態(例如,電壓、溫度、電流等)。另外,BMS可計算與蓄電池相關聯之資料且將經計算資料報告至用於監測、控制蓄電池系統之環境且鑑認及/或平衡蓄電池系統之外部裝置。與具有一外部通信匯流排之一BMS一起建構之一蓄電池變為一智慧型蓄電池。 可再充電蓄電池系統可經組態以在一電力網內大規模地儲存電能。舉例而言,在生產(例如,來自斷續性發電廠,諸如再生電源,諸如風力發電、潮汐發電、太陽能發電)超過消耗之時間期間儲存電能,且在生產下降至低於消耗時使電能返回至電網。因而,可再充電蓄電池系統在電網消耗低時儲存電能且在消耗超過來自發電廠之生產時之時間使用經儲存電能。
本發明之一項態樣提供一種在資料處理硬體上實施之方法,其包含自經組態以量測與具有將電力分配至一或多個消費者之一發電廠之一電力分配網路通信之一蓄電池系統之電流之至少一個電流感測器接收電流量測。該方法亦包含自經組態以量測該蓄電池系統之電壓之至少一個電壓感測器接收電壓量測且自經組態以量測該蓄電池系統之溫度之至少一個溫度感測器接收溫度量測。該方法包含:基於該等經接收量測而判定該蓄電池系統之一阻抗參數;基於該等經接收量測而判定該蓄電池系統之一溫度參數;基於該阻抗參數而判定一經預測電壓參數;及基於該溫度參數而判定一經預測溫度參數。該方法包含基於該經預測電壓參數及該經預測溫度參數而命令該蓄電池系統自該發電廠充電或自該發電廠放電。 本發明之實施方案可包含以下選用特徵之一或多者。在一些實施方案中,判定該阻抗參數或該溫度參數包括判定在一時間間隔[-T, T]中定義之一時間序列f(t)之一轉移函數H(w),其中T係大於零之一整數。在一複數域中將該轉移函數H(w)定義為:, 其中,F係定義為及之該等經接收量測之一時間序列之一頻率。該轉移函數H(w)可定義為一輸出變數y(t)與一輸入變數x(t)之一傅立葉變換之間之一比率,其中該輸出變數y(t)係該阻抗參數或該溫度參數之一者,且該輸入變數x(t)係該等經接收量測之一或多者。一離散域中之該轉移函數H(w)可判定為:。 在一些實施方案中,判定該經預測電壓參數或該經預測溫度參數之一者包含執行實施一自迴歸模型之一時間序列分析。該自迴歸模型AR(p)可定義為:, 其中係該模型之參數,c係一常數,且εt
係白雜訊。該方法亦可包含實施一神經網路方法、一經驗遞迴方法或一耶勒-沃克方法以判定該自迴歸模型AR(p)之一最佳解決方案。 在一些實施方案中,藉由該資料處理硬體命令該蓄電池系統自該發電廠充電包含命令該蓄電池系統儲存來自該發電廠之電力。 在一些實施方案中,該方法包含基於該等電壓量測或該等溫度量測而更新一阻抗量變曲線、一電壓量變曲線或一溫度量變曲線。 在一些實施方案中,判定該經預測電壓參數包含訓練該資料處理硬體以產生該等電壓量測或該等溫度量測之一最佳擬合。在一些實施方案中,藉由該資料處理硬體分別基於該等電壓量測或該等溫度量測之該最佳擬合而預測該經預測電壓參數或該經預測溫度參數。 在一些實施方案中,該方法包含藉由該資料處理硬體追蹤該蓄電池系統之一剩餘可用容量。該方法亦可包含藉由該資料處理硬體判定該蓄電池系統之一電量狀態或壽命循環之一者。 本發明之另一態樣提供一種系統,其包含資料處理硬體及記憶體硬體。該記憶體硬體可與該資料處理硬體通信且可儲存當在該資料處理硬體上執行時引起該資料處理硬體執行操作之指令。該等操作包含自經組態以量測與具有將電力分配至一或多個消費者之一發電廠之一電力分配網路通信之一蓄電池系統之電流之至少一個電流感測器接收電流量測。該等操作亦包含自經組態以量測該蓄電池系統之電壓之至少一個電壓感測器接收電壓量測。該等操作進一步包含自經組態以量測該蓄電池系統之溫度之至少一個溫度感測器接收溫度量測。該等操作亦包含基於該等經接收量測而判定該蓄電池系統之一阻抗參數,且基於該等經接收量測而判定該蓄電池系統之一溫度參數。該等操作進一步包含基於該阻抗參數而判定一經預測電壓參數,且基於該溫度參數而判定一經預測溫度參數。該等操作亦包含命令該蓄電池系統基於該經預測電壓參數及該經預測溫度參數而自該發電廠充電或自該發電廠放電。 本發明之此態樣之實施方案可包含以下選用特徵之一或多者。在一些實施方案中,判定該阻抗參數或該溫度參數包括判定在一時間間隔[-T, T]中定義之一時間序列f(t)之一轉移函數H(w),其中T係大於零之一整數。在一複數域中將該轉移函數H(w)定義為:, 其中,F係定義為及之該等經接收量測之一時間序列之一頻率。該轉移函數H(w)可定義為一輸出變數y(t)與一輸入變數x(t)之一傅立葉變換之間之一比率,其中該輸出變數y(t)係該阻抗參數或該溫度參數之一者,且該輸入變數x(t)係該等經接收量測之一或多者。一離散域中之該轉移函數H(w)可判定為:。 在一些實施方案中,判定該經預測電壓參數或該經預測溫度參數之一者包含執行實施一自迴歸模型之一時間序列分析。該自迴歸模型AR(p)可定義為:, 其中係該模型之參數,c係一常數,且εt
係白雜訊。該方法亦可包含實施一神經網路方法、一經驗遞迴方法或一耶勒-沃克方法以判定該自迴歸模型AR(p)之一最佳解決方案。 在一些實施方案中,命令該蓄電池系統自該發電廠充電包含命令該蓄電池系統儲存來自該發電廠之電力。 在一些實施方案中,該等操作包含基於該等電壓量測或該等溫度量測而更新一阻抗量變曲線、一電壓量變曲線或一溫度量變曲線。 在一些實施方案中,判定該經預測電壓參數包含訓練該資料處理硬體以產生該等電壓量測或該等溫度量測之一最佳擬合。在一些實施方案中,該等操作包含分別基於該等電壓量測或該等溫度量測之該最佳擬合而預測該經預測電壓參數或該經預測溫度參數。 在一些實施方案中,該等操作包含追蹤該蓄電池系統之一剩餘可用容量且判定該蓄電池系統之一電量狀態或壽命循環之一者。 在一些實施方案中,判定該阻抗參數或該溫度參數包含判定在一時間間隔[-T, T]中定義之一時間序列f(t)之一轉移函數H(w),其中T係大於零之一整數。在一複數域中將該轉移函數H(w)定義為:, 其中,F係定義為及之該等經接收量測之一時間序列之一頻率。該轉移函數H(w)可定義為一輸出變數y(t)與一輸入變數x(t)之一傅立葉變換之間之一比率,其中該輸出變數y(t)係該阻抗參數或該溫度參數之一者,且該輸入變數x(t)係該等經接收量測之一或多者。一離散域中之該轉移函數H(w)可判定為:。 在一些實施方案中,判定該經預測電壓參數或該經預測溫度參數之一者包含執行實施一自迴歸模型之一時間序列分析。 在一些實施方案中,命令該蓄電池系統自該發電廠充電包含命令該蓄電池系統儲存來自該發電廠之電力。 在一些實施方案中,該等操作包含基於該等電壓量測或該等溫度量測而更新一阻抗量變曲線、一電壓量變曲線或一溫度量變曲線。 在一些實施方案中,判定該經預測電壓參數包含訓練該資料處理硬體以產生該等電壓量測或該等溫度量測之一最佳擬合。判定該經預測電壓參數亦可包含藉由該資料處理硬體分別基於該等電壓量測或該等溫度量測之該最佳擬合而預測該經預測電壓參數或該經預測溫度參數。 在一些實施方案中,該等指令當在該資料處理硬體上被執行時引起該資料處理硬體追蹤該蓄電池系統之一剩餘可用容量且判定該蓄電池系統之一電量狀態或壽命循環之一者。 在隨附圖示及下文描述中闡述本發明之一或多項實施方案之細節。自描述及圖式且自發明申請專利範圍將明白其他態樣、特徵及優點。
相關申請案之交叉參考
本台灣申請案主張2016年7月22日申請之美國臨時申請案62/365,455之權利。此先前申請案之揭露內容被視為本申請案之揭露內容之部分,且藉此以全文引用的方式併入本文中。 圖1繪示一例示性電力分配網路100,其經組態以將電力自一發電廠110傳輸至一能量儲存系統120且至個別消費者130。能量儲存系統120包含與一可再充電蓄電池系統124通信之一蓄電池管理系統(BMS) 122。蓄電池系統124包含經組態以自發電廠110捕獲電力且儲存電力用於在一後續時間分配之電力儲存裝置(例如,蓄電池)。可再充電蓄電池系統124將電能大規模地儲存於電力分配網路100內。在一些實例中,針對包含多個蓄電池之大蓄電池系統124,蓄電池集成之行為與個別蓄電池之平均行為相同。 供應電之成本在一天的過程期間變化。因而,電力分配網路100上之電之躉售價格反映用於自發電廠110供應電之即時成本。舉例而言,電需求在下午及傍晚(尖峰時間)通常係最高的,且提供電之成本在此等時間通常更高。通常言之,大多數消費者130基於提供電之季節平均成本支付價格。因此,消費者130不注意電價格之每日波動。因而,可期望具有經組態以在非尖峰時間期間儲存電且在尖峰時間期間分配經儲存電以減少對發電廠110之需求之一電力分配網路100。在一些實例中,能量儲存系統120儲存係斷續性之再生能量(諸如藉由風及太陽能產生之能量),且因此,可再充電蓄電池系統124儲存斷續性再生能量以將平穩的電提供至消費者130。消費者130可包含一家庭消費者130a、一工廠消費者130b、一商業消費者130c或自電力分配網路100接收電力之任何其他消費者之一或多者。 BMS 122管理可再充電蓄電池系統124且保護蓄電池免於在一完全操作狀態之外操作。另外,BMS 122 (例如)藉由監測蓄電池系統124之一電壓、一溫度及一電流而監測蓄電池系統124之效能。因此,BMS 122可將經監測資料報告至一控制器200。在一些實例中,BMS 122在將資料發送至控制器200之前對經監測資料執行計算;而在其他實例中,BMS 122將原始資料發送至控制器200。 能量儲存系統120可係經由一網路10與控制器200通信。網路10可包含各種類型之網路,諸如一區域網路(LAN)、廣域網路(WAN),及/或網際網路。控制器200自BMS 122 (例如,自與能量儲存系統120之蓄電池系統124相關聯之感測器123)接收資料,且監測感測器123以預測蓄電池系統124之效能。因而,控制器200執行自感測器123接收之資料126之一序列分析。 另外參考圖2A及圖2B,自感測器123接收之資料126的初始循環被視為學習循環或學習參數,其等用於預測一阻抗/電阻量變曲線(在阻抗轉移函數242處),該阻抗/電阻量變曲線經應用以預測電壓(在電壓預測252b處)及溫度(在溫度預測254b處)。由於控制器200 (例如)經由網路10自感測器123連續接收資料126,故控制器200連續更新電阻之量變曲線,及因此電壓及溫度之量變曲線。因而,控制器200可執行用以預測蓄電池系統124之效能的演算法,且使用經預測度量來將BMS的電力投標至市場。 如下文將更詳細描述,由本文中描述之演算法利用之學習循環或學習參數容許控制器200預測蓄電池系統124之未來效能,以避免其失效,且準確並有效地指示BMS 122將能量傳輸至蓄電池系統124,用於儲存或自蓄電池系統124傳輸能量用於使用。舉例而言,藉由利用先前產生之資料126,演算法容許BMS 122預測蓄電池系統124之未來效能且做出決策(例如,指示蓄電池系統124儲存電力或放電),以增加能量儲存系統120之效率及壽命。演算法對學習循環之利用容許BMS 122向自感測器123傳輸之先前產生的資料126學習,以便建構預測蓄電池系統124之未來效能的準確模型。相對於依賴剛性、靜態規則之蓄電池管理系統,由BMS 122進行之預測及決策增加蓄電池系統124之效率及壽命。舉例而言,基於先前產生之資料126的模型化及最佳化來增加資料126之量化量測的準確度,同時回應於資料126之改變而調整決策及結果確保資料126之準確量測及解譯。穩健程式設計協定或程序(例如,C++程序)的利用減少控制器200執行本文中描述之演算法所需的時間量。 控制器200包含儲存指令之記憶體硬體210,及執行用以執行一或多個操作之指令之資料處理硬體220。記憶體硬體210可係用於在一臨時或永久基礎上儲存程式(例如,指令序列)或資料(例如,程式狀態資訊)以供一運算裝置使用之實體裝置。非暫時性記憶體可係揮發性,及/或非揮發性可定址半導體記憶體。非揮發性記憶體裝置之實例包含(但不限於)快閃記憶體及唯讀記憶體(ROM)/可程式化唯讀記憶體(PROM)/可擦除可程式化唯讀記憶體(EPROM)/電子可擦除可程式化唯讀記憶體(EEPROM)(例如,通常用於韌體,諸如開機程式)。揮發性記憶體之實例包含(但不限於)隨機存取記憶體(RAM)、動態隨機存取記憶體(DRAM)、靜態隨機存取記憶體(SRAM)、相變記憶體(PCM)以及磁碟或磁帶。 資料處理硬體220可與記憶體硬體210通信,且可執行用以執行一或多個操作之指令。在一些實施方案中,資料處理硬體220執行一初始循環提取函數230、一轉移函數計算函數240及一預測函數250。經執行函數230、240、250使用經擷取感測器資料126來預測能量儲存系統120 (具體言之,BMS 122)之未來效能。 在一些實施方案中,BMS 122包含與蓄電池系統124相關聯之一電流感測器123a、一電壓感測器123b及一溫度感測器123c。資料處理硬體220自電流感測器123a、電壓感測器123b及溫度感測器123c之各者分別接收感測器信號126a、126b、126c。 訓練資料選擇 在資料處理硬體220上執行之初始循環提取函數230、轉移函數計算函數240及預測函數250可隨著自BMS 122接收更多信號資料126而演進且更新。因而,函數230、240、250之核心係基於包含在時間間隔[t, t+n]中使用來自感測器123之由BMS 122記錄之歷史信號資料126以在循環t+n+1處預測資料之一演進訓練程序,其中t係一當前時間且n係大於零之一正數。 一旦資料處理硬體220接收感測器資料信號126,資料處理硬體220旋即執行定義與感測器123a、123b、123c之各者相關聯之不同資料信號126之間之一數學關係之一成本函數。因此,由於每n個循環重新瀏覽歷史信號資料126之選擇,故訓練資料連續演進。歷史信號資料126之此連續更新容許控制器200在其循環方案期間擷取信號資料126之改變。一訓練因數之最佳化可取決於在考量中之BMS之特性。 轉移函數 如圖2C中展示,控制器200接收輸入變數(即,感測器信號126a、126b、126c)且使用自訓練資料選擇函數230輸出之訓練參數128a、128b、128c輸出預測輸出變數270a、270b。更具體言之,輸入-輸出關係可定義為控制器200之轉移函數(即,阻抗轉移函數242及一溫度轉移函數244)。 在一連續域中,藉由以下方程式給定在時間間隔[-T, T]中定義之一時間序列f(t)之一傅立葉變換H(w),其中T係大於零之一整數:其中,F係時間序列及之一頻率。在一複數域中定義H(w)。 由控制器200執行之轉移函數H(w) (即,阻抗轉移函數242及/或溫度轉移函數244)係輸出變數y(t)與輸入變數x(t)之傅立葉變換之間之一比率且在離散域中被定義為:針對電壓預測,轉移函數被定義為針對溫度預測,轉移函數被定義為:在一些實例中,控制器200使用轉移函數H(w) (例如,轉移函數計算函數240)之輸出來訓練一神經網路300 (圖3)且測試用於預測。在傅立葉域中將轉移函數H(w)定義為一複向量,其具有兩個部分:一量值及一相位。在訓練及測試/預測函數中使用轉移函數H(w) (即,阻抗轉移函數242及/或溫度轉移函數244)之量值及相位兩者以產生且改良用於預測新資料之訓練集。為了恢復經預測電壓及溫度,可將逆傅立葉變換函數應用至經訓練轉移函數與當前傅立葉變換之間之產物。當前傅立葉變換之量值定義藉由將複合值轉換為用於進一步分析及視覺化之真實值而獲得之一電壓量值及一溫度量值。 藉由以下展示轉移函數H(w)之量值:其中Hreal
及Himage
係轉移函數H(w)之實部及虛部。 藉由以下展示轉移函數H(w)之相位:轉移函數H(w)之量值及相位可隨著時間及頻率而變化。量值用於量化效能度量且出於維護目的隨著時間追蹤並監測電壓及溫度分配。在一些實例中,相位用於展示經量測資料與經預測資料之間之角度差。相位亦可用作一度量來追蹤資料之相變,在一些情況中,可將相變解譯為自一正常階段之偏差。 將轉移函數H(w)應用至為電壓/電流270a (阻抗函數242)及溫度/電流270b (溫度函數244)之兩個單獨轉移函數。轉移函數H(w) (例如,轉移函數計算函數240)輸出訓練參數128 (即,阻抗訓練參數128b/128a及溫度訓練參數128c/128a)。 預測 預測函數250使用電流感測器資料126a來預測電壓及溫度(經預測電壓272a、經預測溫度272b),其中在訓練資料選擇240中使用電壓及溫度270a、270b之先前記錄值。預測函數250包含一訓練步驟252及一測試步驟254。另外,將預測函數250分開應用至電壓及溫度之各者。預測函數250包含匹配訓練阻抗資料252a、匹配訓練溫度資料254a、預測電壓252b及預測溫度254b之步驟。 預測:訓練步驟 在訓練步驟252a、254a期間,針對歷史訓練資料126訓練控制器200以產生訓練資料126之拓樸之最佳擬合且接著使用該等訓練實體來預測未來BMS資料272。一般言之,任何學習機器需要資料128之代表性實例以便擷取容許其一般化至新或經預測情況之基礎結構。因而,控制器200可被視為一適應性濾波,此係因為其僅取決於資料128之固有結構。在一些實施方案中,訓練步驟252a、254a包含相對於歷史訓練資料126交叉驗證經預測BMS資料272以最小化收斂誤差。 如下文將更詳細解釋,在一些實施方案中,藉由運用控制器200來組合(例如)來自感測器(例如,分別為電流感測器123a、電壓感測器123b或溫度感測器123c)之各者之輸入(例如,電流信號126a、電壓信號126b或溫度信號126c)而最佳化訓練步驟252a、254a以便降低學習循環量。舉例而言,訓練步驟252a、254a可僅使用前五個學習循環作為輸入來收斂為一最小收斂誤差。 表(1)展示經量測資料(例如,電流信號126a、電壓信號126b或溫度信號126c)與經預測資料(例如,經預測BMS資料272)之間之一均方誤差(MSE),其中在訓練步驟期間最小化誤差。
表(1) 準確預測蓄電池系統124之剩餘放電時間容許就蓄電池系統124之數個充電-放電循環來追蹤蓄電池系統124的健全狀況。 預測:測試步驟 在測試步驟252b、254b期間,控制器200使用在訓練步驟252a、254a期間擷取之整體結構(即,訓練資料126之拓樸的最佳擬合)來預測新資料272。測試步驟252b、254b類似於訓練步驟252a、254a。然而,在測試步驟252b、254b中,將電流感測器資料126a用作輸入。 預測:電壓預測 電壓預測函數252包含訓練步驟252a及測試步驟252b。控制器200將電壓預測函數252應用至電壓資料126b及溫度資料126c兩者。將電流信號126a視為電壓預測函數252之一已知變數。在一些實例中,可使用歐姆定律,自蓄電池系統124之一電力判定電流信號126a。歐姆定律陳述,在兩個點之間通過一導體之一電流係直接地與跨該兩個點之電壓成正比,即,I = V/R,其中I係以安培為單位之通過導體的電流,V係以伏特為單位之跨導體量測的電壓,且R係以歐姆為單位之導體的電阻。然而,控制器200在應用歐姆定律之前判定電阻/阻抗。 預測:溫度預測 溫度預測函數254包含訓練步驟254a及測試步驟254b。熱(或溫度)係影響能量儲存系統120之蓄電池系統124之健全狀況之一重要參數。因此,隨著時間追蹤蓄電池系統124之溫度係重要的。 預測:計算 控制器200藉由使用時間序列分析來判定預測函數250。一時間序列係自連續相等間隔之時間點引伸之一資料點序列(即,來自感測器123之感測器資料126、126b、126c)。因此,時間序列係一離散時間資料序列。時間序列分析包含一種用於分析時間序列資料以提取有意義之統計資料及時間序列資料之其他特性的方法。為了預測所關注參數(即,電壓及溫度),控制器200在時間序列上採用一自迴歸(AR)模型。一AR模型係一種類型之隨機程序之一表示,因而,其描述自然界、經濟學等中之某些時變程序。AR模型指定輸出變數線性取決於其自身之先前值及隨機項(一不可完美預測的項)。因此,模型呈一隨機差分方程式之形式。 符號AR(p)指示階數p之一自迴歸模型。將AR(p)模型定義為:其中係預測函數250之參數,c係一常數,且εt
係白雜訊。 一旦輸出訓練參數128,旋即使用訓練參數128來預測新資料。在一些實例中,控制器200藉由執行一神經網路方法、一經驗遞迴方法或一耶勒-沃克方法之一者來判定AR模型時間序列預測之一最佳解決方案。 神經網路方法 人工神經網路(ANN)係由生物神經網路(諸如動物之中樞神經系統及特定言之,腦)激發之模型之一族。ANN用於估計或大致估算可取決於大量輸入且通常未知之函數。在一些實例中,使用三個分量定義ANN:架構規則、活動規則及學習規則。ANN之架構規則指定在網路及其等拓樸關係中涉及之變數。活動規則定義神經元之活動如何回應於彼此而改變。學習規則指定神經網路之權利隨著時間改變之方式(見圖3)。 參考圖3,在一些實施方案中,可將一神經網路300視為具有一以下基本形式之一非線性系統:其中x係呈現至網路之輸入向量,w係網路之權重向量,且y係由網路大致估算或預測之對應輸出向量。權重向量w通常首先按層、接著按神經元、且最終按各神經元之權重加上其偏差而進行排序。 在一些實例中,控制器200使用李文柏格-馬夸特(Levenberg-Marquardt)演算法來求解神經網路300之非線性系統。李文柏格-馬夸特演算法(LMA)亦稱為阻尼最小平方(DLS)方法,且用於求解非線性最小平方問題。李文柏格-馬夸特演算法係:其中係系統之賈克比(Jacobian)矩陣,γ係李文柏格阻尼因數,δ係控制器200正在判定之權重更新向量,且E係含有訓練網路上之各輸入向量之輸出誤差之誤差向量。其中網路函數係使用權重w針對訓練集之第i個輸入向量予以評估且wj
係網路之權重向量w之第j個元素。 針對神經網路300,使用鏈式法則(chain rule)及啟動函數(activation function)之第一導數大致估算賈克比矩陣。鏈式法則係用於計算兩個或兩個以上函數之合成之導數之一公式。舉例而言,若f及g係函數,則鏈式法則表達其等合成之導數。 逆向傳播神經網路(BPN)係其中輸入資料與所要輸出一起供應之一監督式學習演算法。BPN具有兩個隱藏層。BPN在一訓練時期期間學習。在此情況中,BPN使用0.5之動量及0.5之學習率經過1000個時期(epoch)以收斂至其中最小化誤差之最佳解決方案。針對各項目之一訓練時期由以下步驟組成:將輸入資料饋送至網路中;初始化權重;針對所要值及回饋誤差檢查輸出;計算誤差;及更新使用李文柏格-馬夸特方法計算之神經元之間之權重。可使用正規化貝氏方法論將特徵選擇應用於BPN (例如,神經網路300)之輸入層上以減少冗餘且確保輸出之更佳準確度。 在隱藏層及輸出層之神經元之各啟動處,加權總和經計算且通過定義為以下之啟動函數: 將最小化誤差之最終調整函數映射至新輸入資料以預測新變數(諸如電壓及溫度)。 圖4展示自一蓄電池系統感測器123a獲得之例示性輸入電流資料126a之一圖表。圖5展示來自使用自圖4中展示之蓄電池系統感測器123a獲得之輸入電流資料126a訓練且測試神經網路之例示性經預測電壓資料272a之一圖表。另外,圖6A展示來自使用自圖4中展示之蓄電池系統感測器123a獲得之輸入電流資料126a訓練且測試神經網路之例示性經預測溫度資料272b之一圖表。 在一些實施方案中,控制器200組合來自感測器(例如,分別為電流感測器123a、電壓感測器123b或溫度感測器123c)之各者之輸入(例如,電流信號126a、電壓信號126b或溫度信號126c)且將組合輸入應用為輸入特徵以訓練神經網路300。圖6B及圖6C展示使用BPN預測之例示性剩餘容量之一圖表。經預測剩餘容量可對應於使用組合輸入訓練且測試神經網路300,如先前描述。在一些實施方案中,經預測剩餘容量可對應於基於能量儲存系統120完成之一電量判定之能量儲存系統120之一放電模式期間之經預測剩餘容量。基於經預測剩餘容量量測,控制器200可追蹤能量儲存系統120 (例如,蓄電池系統124)中之剩餘可用容量以判定能量儲存系統120 (例如,蓄電池系統124)之一電量狀態或壽命循環。 經驗遞迴方法 在一些實例中,控制器200藉由使用初始循環之感測器資料126之一些而預測未來量測。控制器基於階數n之已知AR模型而估計序列參數。 定義此操作之方程式如下:其中且且其中Yk
係第k個時間序列,Y1
係初始循環時間序列,α及β分別係斜率及截距。Y1
可表示至多十個循環之初始循環且可在一線上程序中更新以調整其值。 在此方法中,考量初始循環以計算演算法之參數。考量方程式(9)及方程式(10),控制器200可預測未來資料。經驗自迴歸模型在計算方程式(9)及方程式(10)中曝露之參數方面正在演進。將初始量測Y1
(電壓或溫度)視為先前量測之平均值。亦將斜率及截距視為先前斜率及截距之平均值。此方法隨著循環而演進且更新參數以判定新值。 耶勒-沃克方法 耶勒-沃克方程式藉由使用經估計值取代理論協方差而提供估計一AR(p)模型之參數之若干路線。耶勒-沃克方程式包含計算先前步驟量測之自相關係數,且接著應用該等係數以預測後續量測。求解AR(p)模型之方程式之耶勒-沃克集係:此方法係自迴歸的且被描述為:其中基於以下方程式計算係數:在已知先前步驟之自相關係數之情況下,控制器200可判定且因此預測。在此情況中,標準偏差等於零。 圖7展示藉由蓄電池系統感測器123a獲得之例示性輸入電流感測器資料126a之一圖表。圖8展示使用耶勒-沃克方法預測之例示性電壓資料272a之一圖表;而圖9展示使用耶勒-沃克方法預測之例示性溫度資料272b之一圖表。 BMS效能度量之量化 如解釋,控制器200可使用三種數學技術之一者來判定經預測資料/參數272 (即,經預測電壓資料272a及經預測溫度資料272b)。所描述數學技術之各者可輸出與其他數學技術不同之預測參數272。因而,以下論述證實控制器200可實施之所描述數學技術之不同效能度量。 第一熱力學定律陳述,能量可使用熱、工作及內部能量之相互作用而自一種形式轉換為另一形式,但其無法被建立或破壞。數學上,將此表示為:其中E係系統(即,蓄電池系統124)之內部能量之總改變,Q係在蓄電池系統124與其周圍之間交換之熱,且W係由蓄電池系統124完成之工作。 熱容量(heat capacity) C (亦稱為熱容量(thermal capacity))係等於添加至一物件(或自一物件移除)之熱對所得溫度改變之比率之一可量測物理量。控制器200可自以下方程式判定蓄電池系統124之熱容量:在一完整充電或放電循環內,使得:藉由以下方程式給定在循環處之蓄電池系統124之熱容量C:其中係當溫度針對循環i增加時最大溫度與最小溫度之間之一溫度差。圖10展示蓄電池系統124與其直接環境之間之熱交換之一概述。如展示,蓄電池系統124 (例如,一蓄電池串或庫,其包含串聯連接以產生具有可用電壓/電位之一蓄電池或蓄電池串之數個電池/蓄電池)及其周圍環境交換熱。在循環i處之蓄電池系統124之熱定義為:其中 其中K係一因數,Tmean
係溫度上升處之平均溫度,且Tambient
係蓄電池系統124之外部環境之環境溫度。圖11繪示與各循環i相關聯之最大溫度及最小溫度之一例示性計算之一圖表;而圖12繪示使用熱力學方程式及方程式(12-16b)之導數之熱容量及熱之一例示性預測之一圖表。熱效率可定義為所利用之熱對電產生之總熱之比率。能量效率(亦稱為熱效率)係一量測且定義為:其中C、ΔT、、Tambient
分別係熱容量、在溫度上升處之最小溫度與最大溫度之間之差、在溫度上升處之平均溫度及環境溫度。 驗證 在一些實施方案中,控制器200可運用自感測器123收集之資料126,使用均方誤差(MSE)方程式驗證經預測資料272a、272b:其中及分別係經預測資料及經量測資料。 使用情況 下文兩個使用情況展示控制器200用於預測經預測值272以維持能量儲存系統120之平穩起作用以及改良其效率之演算法之準確度。然而,可在與能量市場相關聯之任何使用情況中使用所論述演算法。 使用情況1:頻率調節 頻率調節係在一逐秒基礎上之電力之注入及提取以維持一臨限值頻率。更具體言之,一電力網使用按一特定頻率(例如,針對美國60 Hz,且針對歐洲及亞洲50 Hz)振盪之交流電(AC)將電力自一發電廠110傳輸至終端使用者。電力產生與使用之間之一間隙引起電網頻率改變。若需求高於供應,則頻率將下降,從而導致暫時低壓及停電。若發電廠110產生多於消費者130正在使用之電力,則頻率上升,從而潛在地損害電網或插入其中之電氣裝置。 歸因於高可變再生資源之近期增加及消費者側之需求之增加之變異性,電力分配網路100中之頻率波動亦已增加。因而,網路100必須連續平衡能量供應及需求以便維持一致電力頻率。因此,控制器200可預測藉由電力之恆定逐秒調整而幫助調節經分配電力之頻率以維持網路頻率且因此在使用上文論述之函數之同時確保網路100穩定性之方式。在一些實例中,能量儲存系統120藉由實施頻率調節而幫助電力分配網路100改良網路100之電力品質。圖13A繪示一例示性電流頻率調節量變曲線之一圖表;而圖13B繪示一例示性電壓頻率調節量變曲線之一圖表。 來自發電廠之電力分配之高頻率振盪係必要的,其補償歸因於總網路負載之高振盪之網路電壓頻率之偏差。在一些實例中,施加一高頻率電力信號以調整蓄電池系統124之一輸出/輸入以補償一總網路電力負載之未預期增加或減少,從而容許對電力品質問題之近瞬時校正係有益的。 當施加高頻率電力時,在一些實例中,網路10經歷電壓之一下降。電壓之此下降通常在放電期間發生。舉例而言,當能量儲存系統120達到一最小電壓(0%電量狀態)時,將一發電廠110應用至蓄電池系統124以快速達到滿充電(100%電量狀態(SOC))且容許蓄電池系統124正常起作用。預測此0% SOC狀態係重要的,其容許消費者130預期蓄電池系統124之可用性。 在一些實例中,控制器200使用用以數學上定義電壓下降之一預定義固定值。預定義固定值可等於350 V。所建議演算法之目標係預測顯現小於或等於固定臨限值(例如,350 V)之一值之全部電壓(即,電壓預測資料272a)。在圖14中顯示演算法之結果以及經量測資料。圖14之一視覺檢測指示經預測結果(即,電壓預測資料272a)在很大程度上匹配經量測資料。 為了量化經預測資料272與經量測資料之間之差異,可如方程式(19)中定義般計算均方根誤差(RMSE):在此情況中,建議RMSE等於1.26%,其導致近似98.7%之一準確度。將準確度定義為:上文參考圖1至圖14描述之預測演算法在面對此類型之使用情況時在管理及監測蓄電池系統124之許多態樣方面可係有益的。舉例而言,預測演算法基於準確特徵選擇而提供一準確、快速、最佳化方法以改良經預測資料272之準確度。預測演算法可提供允許BMS 122即時調整蓄電池系統124之充電及放電方案之回饋。換言之,預測演算法提供相對於一預定義電力要求之電壓下降之一時間及電壓之量值。 在一些實施方案中,控制器200基於多個機器學習演算法之一組合而使用一評分方法論以預測蓄電池系統124之SOC。舉例而言,控制器200可使用一模糊邏輯方法、一支援向量機器或一深度神經網路(例如,神經網路300)之一者來準確預測蓄電池系統124之SOC。在此方面,可如方程式(21)中定義般計算在時間t處之蓄電池系統124之SOC:其中SOC(t)係時間t處之SOC,P(t)charge
係蓄電池系統係指一充電模式中之預測電力,P(t)discharge
係蓄電池系統124之一放電模式中之經預測電力,且γ係經預測效率。 在一些實施方案中,控制器200使用一按比例調整方法論來在百分之零與百分之一百之間按比例調整SOC以容許一操作者視覺化且追蹤蓄電池系統124之可用電容量且改變BMS系統122。 使用情況2:隔日市場 在一些實施方案中,供電之成本在一天的過程期間變化。因而,電力分配網路100上之電之躉售價格反映用於自發電廠110供應電之即時成本。舉例而言,電需求在下午及傍晚(尖峰時間)通常係最高的,且提供電之成本在此等時間通常更高。此使用情況考量蓄電池系統124在隔日現貨市場處在低價格小時期間充電且接著在高價格小時期間放電。此使用情況用於判定能量儲存系統120在出於市場投標目的在不同電力位準下放電時之效能。 在圖15A中提供電力量變曲線「隔日市場」使用情況之一實例。如展示,蓄電池系統124在恆定電力(例如,約時間0至0.25)下充電,接著使用不同電力(例如,約大於2.25之時間)放電以滿足來自能量市場之高需求。針對蓄電池系統124之每一蓄電池重複此操作。 出於分析之目的,圖15B繪示經量測電壓及經預測電壓之一圖表。如可注意,經預測資料272完美擬合經量測資料。針對此實例,建議RMSE等於0.026%。因而,此導致接近100%之一準確度。考量圖16,其繪示兩個圖表A、B,第一圖表A係蓄電池系統124之功率/時間之一圖表,且第二圖表B係蓄電池系統124之SOC百分比/時間,可注意,歸因於高功率放電(例如,約大於2.5之時間),SOC%降低。此降低在4 kW處最明顯,其中SOC下降至60%。 參考圖17,上文描述之預測演算法亦可預測一最小截止電壓。此對應於電壓下限,其可用於初始化容許蓄電池系統124正常起作用,且因此增加其壽命循環之一新充電方案。 因此,上文論述之預測演算法可提前提供重要且有益的量測。一些重要及有益量測可包含取決於市場需求在不同功率下之放電之剩餘持續時間。其他重要及有益量測可包含在保持蓄電池系統124平穩運行時監測蓄電池系統124之放電所需之電壓、最小截止電壓及SOC。因而,分配網路100向消費者130提供蓄電池系統124之狀態資訊及系統能力之一完整陣列。 在一些實例中,自時域中之基函數或基變數之一最小集計算一蓄電池設施之商業相關性質。根據上文描述之網路100,能量效率係能夠在未來預測之蓄電池設施之最重要性質,此係因為其直接驅動設施之獲利能力且驅動能量儲存資產之投標策略。因而,網路100經組態以僅自歷史時間相依電流及時間相依環境溫度判定一能量儲存設施之前向預測能源效率。所描述之方法經組態以判定各能量儲存設施之一時間不變量集或緩慢時變參數且使用其等來在給定一假定電流及溫度量變曲線之情況下前向預測效能。一招標軟體應用可詢問BMS 122若干不同可能未來負載量變曲線之效率且接著選擇最有利可圖項。完成此之最佳基函數似乎係電流、環境溫度、電流及溫度之第一導數及第二導數以及溫度及電流之第一積分及第二積分之集之排列。 圖18提供針對預測未來蓄電池系統參數之一方法1800之操作之一例示性配置之一示意圖。在操作1802處,方法1800包含在資料處理硬體處自經組態以量測與具有將電力分配至一或多個消費者之一發電廠之一電力分配網路通信之一蓄電池系統之電流之至少一個電流感測器接收電流量測。在操作1804處,方法1800包含在資料處理硬體處自經組態以量測蓄電池系統之電壓之至少一個電壓感測器接收電壓量測。在操作1806處,方法1800包含在資料處理硬體處自經組態以量測蓄電池系統之溫度之至少一個溫度感測器接收溫度量測。在操作1808處,方法1800包含藉由資料處理硬體基於經接收量測而判定蓄電池系統之一阻抗參數。在操作1810處,方法1800包含藉由資料處理硬體基於經接收量測而判定蓄電池系統之一溫度參數。在操作1812處,方法1800包含藉由資料處理硬體基於阻抗參數而判定一經預測電壓參數。在操作1814處,方法1800包含藉由資料處理硬體基於溫度參數而判定一經預測溫度參數。在操作1816處,方法1800包含藉由資料處理硬體命令蓄電池系統基於經預測電壓參數及經預測溫度參數而自發電廠充電(例如,儲存電力)或自發電廠放電。舉例而言,在操作1816處,方法1800可包含藉由資料處理硬體命令蓄電池系統基於經預測電壓參數及經預測溫度參數而自發電廠儲存電力或自發電廠放電。 圖19係可用於實施本文獻中描述之系統及方法之一例示性運算裝置1900之一示意圖。運算裝置1900旨在表示各種形式之數位電腦,諸如膝上型電腦、桌上型電腦、工作站、個人數位助理、伺服器、刀鋒型伺服器、主機及其他適當電腦。此處展示之組件、其等連接及關係及其等功能僅意謂例示性的且不意謂限制本文獻中描述及/或主張之本發明之實施方案。 運算裝置1900包含一處理器1910、記憶體1920、一儲存裝置1930、連接至記憶體1920及高速擴展埠1950之一高速介面/控制器1940以及連接至低速匯流排1970及儲存裝置1930之一低速介面/控制器1960。組件1910、1920、1930、1940、1950及1960之各者使用各種匯流排互連,且可安裝於一共同主機板上或視情況以其他方式安裝。處理器1910可處理用於在運算裝置1900內執行之指令,包含儲存於記憶體1920中或儲存裝置1930上之用以在一外部輸入/輸出裝置(諸如耦合至高速介面1940之顯示器1980)上顯示用於一圖形使用者介面(GUI)之圖形資訊。在其他實施方案中,可視需要使用多個處理器及/或多個匯流排,連同多個記憶體及多個類型之記憶體。又,多個運算裝置1900可與提供必要操作之部分之各裝置連接(例如,作為一伺服器庫、一刀鋒型伺服器群組或一多處理器系統)。 記憶體1920在運算裝置1900內非暫時性地儲存資訊。記憶體1920可係一電腦可讀媒體、一(若干)揮發性記憶體單元或(若干)非揮發性記憶體單元。非揮發性記憶體1920可係用於在一臨時或永久基礎上儲存程式(例如,指令序列)或資料(例如,程式狀態資訊)以供運算裝置1900使用之實體裝置。非揮發性記憶體之實例包含(但不限於)快閃記憶體及唯讀記憶體(ROM)/可程式化唯讀記憶體(PROM)/可擦除可程式化唯讀記憶體(EPROM)/電子可擦除可程式化唯讀記憶體(EEPROM)(例如,通常用於韌體,諸如開機程式)。揮發性記憶體之實例包含(但不限於)隨機存取記憶體(RAM)、動態隨機存取記憶體(DRAM)、靜態隨機存取記憶體(SRAM)、相變記憶體(PCM)以及磁碟或磁帶。 儲存裝置1930能夠為運算裝置1900提供大容量儲存。在一些實施方案中,儲存裝置1930係一電腦可讀媒體。在各種不同實施方案中,儲存裝置1930可係一軟碟裝置、一硬碟裝置、一光碟裝置或一磁帶裝置、一快閃記憶體或其他類似固態記憶體裝置、或包含呈一儲存區域網路或其他組態之裝置之一裝置陣列。在額外實施方案中,一電腦程式產品有形地體現於一資訊載體中。電腦程式產品含有當經執行時執行一或多個方法(諸如上文描述之方法)之指令。資訊載體係一電腦或機器可讀媒體,諸如記憶體1920、儲存裝置1930或處理器1910上之記憶體。 高速控制器1940管理針對運算裝置1900之頻寬密集型操作,而低速控制器1960管理較低頻寬密集型操作。功能之此分配僅係例示性。在一個實施方案中,高速控制器1940耦合至記憶體1920、顯示器1980 (例如,透過一圖形處理器或加速器),且耦合至可接收各種擴充卡(未展示)之高速擴充埠1950。在一些實施方案中,低速控制器1960耦合至儲存裝置1930及低速擴充埠1970。可包含各種通信埠(例如,USB、藍芽、乙太網路、無線乙太網路)之低速擴充埠1970可耦合至一或多個輸入/輸出裝置(諸如一鍵盤、一指標裝置、一掃描器)或(例如,透過一網路配接器耦合至)一網路裝置(諸如一交換器或路由器)。 可以若干不同形式實施運算裝置1900,如圖中展示。舉例而言,運算裝置1900可實施為一標準伺服器1900a或多次實施在此等伺服器1900a之一群組中作為一膝上型電腦1900b或作為一機架式伺服器系統1900c之部分。 可在數位電子及/或光學電路、積體電路、特別設計之ASIC (特定應用積體電路)、電腦硬體、韌體、軟體及/或其等組合中實現本文中描述之系統及技術之各項實施方案。此等各項實施方案可包含可在一可程式化系統上執行及/或解譯之一或多個電腦程式中之實施方案,該可程式化系統包含經耦合以自一儲存系統、至少一個輸入裝置及至少一個輸出裝置接收資料及指令,且將資料及指令傳輸至一儲存系統、至少一個輸入裝置及至少一個輸出裝置之至少一個可程式化處理器(可係專用或通用的)。在一些實施方案中,以使用最佳化及快速OPENMP類別及函數之C++實施包含本文中描述之演算法之電腦程式。 此等電腦程式(亦稱為程式、軟體、軟體應用或程式碼)包含用於一可程式化處理器之機器指令,且可以一高階程序及/或物件導向程式設計語言及/或以組合/機器語言實施。如本文中使用,術語「機器可讀媒體」及「電腦可讀媒體」係指用於將機器指令及/或資料提供至一可程式化處理器(包含接收機器指令作為一機器可讀信號之一機器可讀媒體)之任何電腦程式產品、非暫時性電腦可讀媒體、設備及/或裝置(例如,磁碟、光碟、記憶體、可程式化邏輯裝置(PLD))。術語「機器可讀信號」係指用於將機器指令及/或資料提供至一可程式化處理器之任何信號。 本說明書中描述之程序及邏輯流程可由一或多個可程式化處理器執行,該一或多個可程式化處理器執行一或多個電腦程式以藉由對輸入資料操作且產生輸出而執行功能。程序及邏輯流程亦可由專用邏輯電路(例如,一FPGA (場可程式化閘陣列)或一ASIC (特定應用積體電路))執行。適合於執行一電腦程式之處理器包含(藉由實例)通用微處理器及專用微處理器兩者及任何類型之數位電腦之任何一或多個處理器。一般言之,一處理器將自一唯讀記憶體或一隨機存取記憶體或兩者接收指令及資料。一電腦之關鍵元件係用於執行指令之一處理器及用於儲存指令及資料之一或多個記憶體裝置。一般言之,一電腦將亦包含用於儲存資料之一或多個大容量儲存裝置(例如,磁碟、磁光碟或光碟),或經可操作地耦合以自一或多個大容量儲存裝置接收資料或將資料傳送至一或多個大容量儲存裝置或兩者。然而,一電腦無需具有此等裝置。適合於儲存電腦程式指令及資料之電腦可讀媒體包含全部形式之非揮發性記憶體、媒體及記憶體裝置,包含(藉由實例)半導體記憶體裝置,例如,EPROM、EEPROM及快閃記憶體裝置;磁碟,例如,內部硬碟機或可抽換式磁碟;磁光碟;及CD ROM及DVD-ROM磁碟。處理器及記憶體可輔以專用邏輯電路或併入專用邏輯電路中。 為提供與一使用者之互動,本發明之一或多項態樣可實施於一電腦上,該電腦具有:用於將資訊顯示給使用者之一顯示裝置,例如,一CRT (陰極射線管)、LCD (液晶顯示器)監視器或觸控螢幕;及視情況,一鍵盤及一指標裝置,例如,一滑鼠或一軌跡球,藉由其等使用者可將輸入提供至電腦。亦可使用其他種類之裝置來提供與一使用者之互動;例如,提供至使用者之回饋可為任何形式之感覺回饋,例如,視覺回饋、聽覺回饋或觸覺回饋;且可以任何形式接收來自使用者之輸入,包含聲學、語音或觸覺輸入。另外,一電腦可藉由將文件發送至由一使用者使用之一裝置且自該裝置接收文件而與使用者互動;例如,藉由回應於自一使用者之用戶端裝置上之一網頁瀏覽器接收之請求而將網頁發送至網頁瀏覽器。 已描述數個實施方案。然而,應理解,可在不脫離本發明之精神及範疇之情況下進行各種修改。因此,其他實施方案在以下發明申請專利範圍之範疇內。
10‧‧‧網路
100‧‧‧例示性電力分配網路
110‧‧‧發電廠
120‧‧‧能量儲存系統
122‧‧‧蓄電池管理系統(BMS)
123‧‧‧感測器
123a‧‧‧電流感測器
123b‧‧‧電壓感測器
123c‧‧‧溫度感測器
124‧‧‧可再充電蓄電池系統
126‧‧‧資料/感測器資料信號/歷史信號資料
126a‧‧‧感測器信號
126b‧‧‧感測器信號
126c‧‧‧感測器信號
128‧‧‧訓練參數
128a‧‧‧訓練參數/阻抗訓練參數/溫度訓練參數
128b‧‧‧訓練參數/阻抗訓練參數
128c‧‧‧訓練參數/溫度訓練參數
130‧‧‧消費者
130a‧‧‧家庭消費者
130b‧‧‧工廠消費者
130c‧‧‧商業消費者
200‧‧‧控制器
210‧‧‧記憶體硬體
220‧‧‧資料處理硬體
230‧‧‧初始循環提取函數
240‧‧‧轉移函數計算函數
242‧‧‧阻抗轉移函數
244‧‧‧溫度轉移函數
250‧‧‧預測函數
252‧‧‧電壓預測函數
252a‧‧‧匹配訓練阻抗資料/訓練步驟
252b‧‧‧預測電壓/測試步驟
254‧‧‧溫度預測函數
254a‧‧‧匹配訓練溫度資料/訓練步驟
254b‧‧‧預測溫度/測試步驟
270a‧‧‧預測輸出變數/電壓/電流
270b‧‧‧預測輸出變數/溫度/電流
272a‧‧‧經預測電壓
272b‧‧‧經預測溫度
300‧‧‧神經網路
1800‧‧‧方法
1802‧‧‧操作
1804‧‧‧操作
1806‧‧‧操作
1808‧‧‧操作
1810‧‧‧操作
1812‧‧‧操作
1814‧‧‧操作
1816‧‧‧操作
1900‧‧‧例示性運算裝置
1900a‧‧‧標準伺服器
1900b‧‧‧膝上型電腦
1900c‧‧‧機架式伺服器系統
1910‧‧‧處理器
1920‧‧‧記憶體
1930‧‧‧儲存裝置
1940‧‧‧高速介面/控制器
1950‧‧‧高速擴展埠
1960‧‧‧低速介面/控制器
1970‧‧‧低速匯流排
1980‧‧‧顯示器
圖1係一例示性電力分配網路之一功能方塊圖。 圖2A係圖1之電力分配網路之一例示性控制器之一功能方塊圖。 圖2B係針對預測一能量儲存系統之一效能之一方法之操作之一例示性配置之一示意圖。 圖2C係圖1之電力分配網路之一例示性控制器之一功能方塊圖。 圖3係一例示性人工神經網路之一功能方塊圖。 圖4係自蓄電池系統感測器獲得之一例示性輸入電流之一圖表。 圖5係自訓練且測試圖3之神經網路預測之一例示性電壓之一圖表。 圖6A係自訓練且測試圖3之神經網路預測之一例示性溫度之一圖表。 圖6B係自訓練且測試圖3之神經網路預測之一例示性剩餘容量之一圖表。 圖6C係圖6B之圖表之一部分之一詳細視圖。 圖7係自蓄電池系統感測器獲得之一例示性輸入電流之一圖表。 圖8係使用一耶勒-沃克(Yule-Walker)方法預測之一例示性電壓之一圖表。 圖9係使用一耶勒-沃克方法預測之一例示性溫度之一圖表。 圖10係一蓄電池系統與其直接外部環境之間之一例示性熱交換之一功能方塊圖。 圖11係與一充電循環相關聯之最大溫度及最小溫度之一例示性計算之一圖表。 圖12係與一充電循環相關聯之熱容量及熱之一例示性預測之一圖表。 圖13A係與一充電循環相關聯之一例示性電流頻率調節量變曲線之一圖表。 圖13B係與一充電循環相關聯之一例示性電壓頻率調節量變曲線之一圖表。 圖14係與一充電循環相關聯之經預測資料與經量測資料之間之一例示性比較之一圖表。 圖15A係一例示性功率量變曲線之一圖表。 圖15B係使用圖15A中展示之功率量變曲線之功率訓練資料量測且預測之例示性電壓之一圖表。 圖16係一例示性功率及其相關聯電量狀態之一圖表。 圖17係一例示性電壓量變曲線及一最小截止電壓之一圖表。 圖18提供針對預測未來蓄電池系統參數之一方法之操作之一例示性配置之一示意圖。 圖19係執行本文中描述之任何系統或方法之一例示性運算裝置之一示意圖。 各種圖式中之相同元件符號指示相同元件。
Claims (20)
- 一種方法,其包括: 在資料處理硬體處,自經組態以量測與具有將電力分配至一或多個消費者之一發電廠之一電力分配網路通信之一蓄電池系統之電流的至少一個電流感測器接收電流量測; 在資料處理硬體處,自經組態以量測該蓄電池系統之電壓的至少一個電壓感測器接收電壓量測; 在資料處理硬體處,自經組態以量測該蓄電池系統之溫度的至少一個溫度感測器接收溫度量測; 藉由該資料處理硬體,基於該等經接收量測來判定該蓄電池系統之一阻抗參數; 藉由該資料處理硬體,基於該等經接收量測來判定該蓄電池系統之一溫度參數; 藉由該資料處理硬體,基於該阻抗參數來判定一經預測電壓參數; 藉由該資料處理硬體,基於該溫度參數來判定一經預測溫度參數;及 藉由該資料處理硬體,基於該經預測電壓參數及該經預測溫度參數來命令該蓄電池系統自該發電廠充電或自該發電廠放電。
- 如請求項1之方法,其中判定該阻抗參數或該溫度參數包括:判定在一時間間隔[-T, T]中定義之一時間序列f(t)之一轉移函數H(w),其中T係大於零之一整數,在一複數域中,將該轉移函數H(w)定義為:, 其中,F係定義為及之該等經接收量測之一時間序列之一頻率。
- 如請求項2之方法,其中該轉移函數H(w)係定義為一輸出變數y(t)與一輸入變數x(t)之一傅立葉變換之間之一比率,其中該輸出變數y(t)係該阻抗參數或該溫度參數之一者,且該輸入變數x(t)係該等經接收量測之一或多者,且一離散域中之該轉移函數H(w)係判定為:。
- 如請求項1之方法,其中判定該經預測電壓參數或該經預測溫度參數之一者包含:執行實施一自迴歸模型之一時間序列分析。
- 如請求項4之方法,其中該自迴歸模型AR(p)係定義為:; 其中係該模型之參數,c係一常數,且εt 係白雜訊。
- 如請求項4之方法,進一步包括實施一神經網路方法、一經驗遞迴方法或一耶勒-沃克方法,以判定該自迴歸模型AR(p)之一最佳解決方案。
- 如請求項1之方法,其中藉由該資料處理硬體來命令該蓄電池系統自該發電廠充電包含:命令該蓄電池系統儲存來自該發電廠之電力。
- 如請求項1之方法,進一步包括基於該等電壓量測或該等溫度量測來更新一阻抗量變曲線、一電壓量變曲線,或一溫度量變曲線。
- 如請求項1之方法,其中判定該經預測電壓參數包含: 訓練該資料處理硬體,以產生該等電壓量測或該等溫度量測之一最佳擬合;及 藉由該資料處理硬體分別基於該等電壓量測或該等溫度量測之該最佳擬合來預測該經預測電壓參數或該經預測溫度參數。
- 如請求項1之方法,進一步包括: 藉由該資料處理硬體來追蹤該蓄電池系統之一剩餘可用容量;及 藉由該資料處理硬體來判定該蓄電池系統之一電量狀態或壽命循環之一者。
- 一種系統,其包括: 資料處理硬體;及 記憶體硬體,其與該資料處理硬體通信,該記憶體硬體儲存當在該資料處理硬體上執行時引起該資料處理硬體執行操作之指令,該等操作包括: 自經組態以量測與具有將電力分配至一或多個消費者之一發電廠之一電力分配網路通信之一蓄電池系統之電流的至少一個電流感測器接收電流量測; 自經組態以量測該蓄電池系統之電壓的至少一個電壓感測器接收電壓量測; 自經組態以量測該蓄電池系統之溫度的至少一個溫度感測器接收溫度量測; 基於該等經接收量測來判定該蓄電池系統之一阻抗參數; 基於該等經接收量測來判定該蓄電池系統之一溫度參數; 基於該阻抗參數來判定一經預測電壓參數; 基於該溫度參數來判定一經預測溫度參數;及 基於該經預測電壓參數及該經預測溫度參數來命令該蓄電池系統自該發電廠充電或自該發電廠放電。
- 如請求項11之系統,其中判定該阻抗參數或該溫度參數包括:判定在一時間間隔[-T, T]中定義之一時間序列f(t)之一轉移函數H(w),其中T係大於零之一整數,在一複數域中,將該轉移函數H(w)定義為:, 其中,F係定義為及之該等經接收量測之一時間序列之一頻率。
- 如請求項12之系統,其中該轉移函數H(w)係定義為一輸出變數y(t)與一輸入變數x(t)之一傅立葉變換之間之一比率,其中該輸出變數y(t)係該阻抗參數或該溫度參數之一者,且該輸入變數x(t)係該等經接收量測之一或多者,且一離散域中之該轉移函數H(w)係判定為:。
- 如請求項11之系統,其中判定該經預測電壓參數或該經預測溫度參數之一者包含:執行實施一自迴歸模型之一時間序列分析。
- 如請求項14之系統,其中該自迴歸模型AR(p)定義為:; 其中係該模型之參數,c係一常數,且εt 係白雜訊。
- 如請求項14之系統,其中該等指令當在該資料處理硬體上被執行時引起該資料處理硬體執行包括以下之操作: 實施一神經網路方法、一經驗遞迴方法或一耶勒-沃克方法,以判定該自迴歸模型AR(p)之一最佳解決方案。
- 如請求項11之系統,其中藉由該資料儲存硬體命令該蓄電池系統自該發電廠充電包含:命令該蓄電池系統儲存來自該發電廠之電力。
- 如請求項11之系統,其中該等指令當在該資料處理硬體上被執行時引起該資料處理硬體執行包括以下之操作: 基於該等電壓量測或該等溫度量測來更新一阻抗量變曲線、一電壓量變曲線或一溫度量變曲線。
- 如請求項11之系統,其中判定該經預測電壓參數包含: 訓練該資料處理硬體,以產生該等電壓量測或該等溫度量測之一最佳擬合;及 藉由該資料處理硬體,分別基於該等電壓量測或該等溫度量測之該最佳擬合來預測該經預測電壓參數或該經預測溫度參數。
- 如請求項11之系統,其中該等指令當在該資料處理硬體上被執行時引起該資料處理硬體執行包括以下之操作: 追蹤該蓄電池系統之一剩餘可用容量;及 判定該蓄電池系統之一電量狀態或壽命循環之一者。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662365455P | 2016-07-22 | 2016-07-22 | |
US62/365,455 | 2016-07-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW201817113A true TW201817113A (zh) | 2018-05-01 |
Family
ID=60990137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106124485A TW201817113A (zh) | 2016-07-22 | 2017-07-21 | 電池管理系統 |
Country Status (13)
Country | Link |
---|---|
US (2) | US11368030B2 (zh) |
EP (1) | EP3488512A1 (zh) |
JP (1) | JP7030777B2 (zh) |
KR (1) | KR102409009B1 (zh) |
CN (1) | CN109769400A (zh) |
AU (1) | AU2017298360C9 (zh) |
BR (1) | BR112019001070A2 (zh) |
CA (1) | CA3031092C (zh) |
EA (1) | EA201990062A1 (zh) |
IL (1) | IL264264B2 (zh) |
MX (2) | MX2019000755A (zh) |
TW (1) | TW201817113A (zh) |
WO (1) | WO2018017644A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI696972B (zh) * | 2019-01-31 | 2020-06-21 | 潔能氏新能源股份有限公司 | 智慧電力分配系統與方法 |
TWI718783B (zh) * | 2019-11-28 | 2021-02-11 | 新普科技股份有限公司 | 以視覺化圖像建立電池狀態模型的方法 |
TWI758136B (zh) * | 2021-03-22 | 2022-03-11 | 新普科技股份有限公司 | 狀態估計方法及電池組 |
TWI795958B (zh) * | 2021-10-25 | 2023-03-11 | 加百裕工業股份有限公司 | 電池容量計算方法及電池容量計算裝置 |
TWI810098B (zh) * | 2022-02-17 | 2023-07-21 | 日商日立全球先端科技股份有限公司 | 電池管理裝置、電池管理程式 |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170184522A1 (en) * | 2013-12-20 | 2017-06-29 | Mitsubishi Electric Corporation | Stability evaluation test device and stability evaluation test method for electric storage device |
US9899864B2 (en) * | 2015-04-10 | 2018-02-20 | Enovate Medical, Llc | Bidirectional power converter |
US10141776B2 (en) * | 2016-06-20 | 2018-11-27 | General Electric Company | Distribution of power commands in an energy storage system |
CA3031092C (en) | 2016-07-22 | 2023-01-17 | Eos Energy Storage, Llc | Battery management system |
CN111164822A (zh) * | 2017-07-25 | 2020-05-15 | 株式会社半导体能源研究所 | 蓄电系统、电子设备及车辆以及推测方法 |
JP7110223B2 (ja) * | 2017-11-02 | 2022-08-01 | 株式会社半導体エネルギー研究所 | 給電装置およびその動作方法 |
KR102608468B1 (ko) * | 2017-11-28 | 2023-12-01 | 삼성전자주식회사 | 배터리 상태 추정 방법 및 장치 |
EP3770618B1 (en) * | 2018-03-20 | 2023-07-26 | GS Yuasa International Ltd. | Energy storage device degradation determination apparatus and method |
WO2019235645A1 (ja) * | 2018-06-08 | 2019-12-12 | パナソニックIpマネジメント株式会社 | バッテリ管理システム及びバッテリ管理方法 |
US11093599B2 (en) * | 2018-06-28 | 2021-08-17 | International Business Machines Corporation | Tamper mitigation scheme for locally powered smart devices |
US11874328B2 (en) * | 2018-10-22 | 2024-01-16 | Btech Inc. | Detecting battery changeout |
JP7145035B2 (ja) * | 2018-10-29 | 2022-09-30 | 本田技研工業株式会社 | 学習装置、学習方法、及びプログラム |
AU2019422268B2 (en) * | 2019-01-18 | 2023-05-18 | Ge Grid Solutions Llc | Energy storage rolling capacity check including in-situ life model comparison |
CN110555226A (zh) * | 2019-04-03 | 2019-12-10 | 太原理工大学 | 基于emd和mlp的磷酸铁锂电池剩余寿命预测方法 |
KR102167278B1 (ko) * | 2019-04-25 | 2020-10-21 | (주)엔키아 | 로버스트를 이용하는 tsd 기반 데이터 예측 방법 |
US11966840B2 (en) * | 2019-08-15 | 2024-04-23 | Noodle Analytics, Inc. | Deep probabilistic decision machines |
KR102634916B1 (ko) * | 2019-08-29 | 2024-02-06 | 주식회사 엘지에너지솔루션 | 온도 추정 모델 결정 방법 및 장치, 온도 추정 모델이 적용된 배터리 관리 시스템 |
US20210073066A1 (en) * | 2019-09-05 | 2021-03-11 | Micron Technology, Inc. | Temperature based Optimization of Data Storage Operations |
CN110518606B (zh) * | 2019-09-18 | 2021-07-13 | 合肥阳光新能源科技有限公司 | 一种储能设备参数配置方法和装置 |
GB2587669A (en) * | 2019-10-02 | 2021-04-07 | Advanced Mobility Res And Development Ltd | Systems and methods for aircraft |
JP7419758B2 (ja) * | 2019-11-13 | 2024-01-23 | 株式会社デンソー | 充電制御装置 |
KR102297543B1 (ko) * | 2019-12-05 | 2021-09-02 | 동국대학교 산학협력단 | 전지 충전 상태 예측 장치 및 방법 |
CN115362613A (zh) * | 2020-01-24 | 2022-11-18 | 阿克拉技术公司 | 电池荷电状态保护 |
CN111624503B (zh) * | 2020-04-26 | 2023-04-28 | 宁波普瑞均胜汽车电子有限公司 | 一种锂离子电池温度在线估算方法 |
CN111562499B (zh) * | 2020-06-09 | 2022-11-11 | 温州长江汽车电子有限公司 | 一种新能源汽车锂动力电池热管理模拟方法 |
US11313894B2 (en) * | 2020-06-29 | 2022-04-26 | Intelematics Australia Pty Limited | Automobile battery failure prediction method and system |
CN112181008B (zh) * | 2020-09-02 | 2022-06-21 | 珠海泰坦新动力电子有限公司 | 高温化成柜热源功率智能控制方法、装置及介质 |
DE102020212193A1 (de) | 2020-09-28 | 2022-03-31 | Volkswagen Aktiengesellschaft | Verfahren und Vorrichtung zum Überwachen mindestens einer Batteriezelle einer Batterie |
WO2022103185A1 (ko) | 2020-11-13 | 2022-05-19 | 주식회사 엘지화학 | 전지의 용량 측정 장치 및 방법, 및 상기 장치를 포함하는 전지 제어 시스템 |
CN112650099B (zh) * | 2020-11-27 | 2023-01-24 | 苏州精控能源科技有限公司 | 一种电池监控平台的控制方法及控制系统 |
WO2022147263A1 (en) * | 2020-12-30 | 2022-07-07 | Baxter International Inc. | System and method for generating battery alarms in infusion devices |
CN112818594B (zh) * | 2021-01-28 | 2023-05-30 | 温州大学 | 一种基于神经网络的多目标优化电池包结构方法 |
CN113884785A (zh) * | 2021-08-31 | 2022-01-04 | 深圳市科信通信技术股份有限公司 | 电池管理系统测试方法及存储介质 |
CN113848494B (zh) * | 2021-09-18 | 2024-01-26 | 北京经纬恒润科技股份有限公司 | 一种动力电池温度的在线监测方法及车载t-box |
KR102424916B1 (ko) * | 2021-10-14 | 2022-07-22 | 모나일렉트릭 주식회사 | 배터리 진단 방법 및 그 장치 |
KR20230140743A (ko) * | 2022-03-30 | 2023-10-10 | 주식회사 엘지에너지솔루션 | 필드 데이터 기반 인공신경망 배터리 모델을 통한 배터리 이상 검출 방법 및 시스템 |
KR102472040B1 (ko) * | 2022-06-23 | 2022-11-29 | 주식회사 셀포인트 | 학습된 추론모델 기반 배터리특성 도출시스템 및 그 방법 |
CN115332649B (zh) * | 2022-07-05 | 2023-06-09 | 厦门宇电自动化科技有限公司 | 一种电池温控管理方法、装置、设备及可读存储介质 |
CN115276177B (zh) * | 2022-08-18 | 2023-09-26 | 上海采日能源科技有限公司 | 储能电池充放电功率控制方法、装置及电池控制系统 |
CN115967178B (zh) * | 2022-12-07 | 2023-09-05 | 贵州大学 | 一种储能系统运行的监测系统及方法 |
CN116381542B (zh) * | 2023-06-05 | 2023-07-25 | 深圳和润达科技有限公司 | 基于人工智能的电源设备的健康诊断方法及装置 |
CN117293975B (zh) * | 2023-11-22 | 2024-02-02 | 云南华尔贝光电技术有限公司 | 一种锂电池的充放电调节方法、装置、设备及存储介质 |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR87962E (fr) * | 1961-07-28 | 1966-04-29 | Int Standard Electric Corp | Perfectionnements aux systèmes de transmission d'informations |
JP3747826B2 (ja) | 2001-09-05 | 2006-02-22 | 日産自動車株式会社 | 二次電池の充電率推定装置 |
US20030184307A1 (en) * | 2002-02-19 | 2003-10-02 | Kozlowski James D. | Model-based predictive diagnostic tool for primary and secondary batteries |
US6832171B2 (en) * | 2002-12-29 | 2004-12-14 | Texas Instruments Incorporated | Circuit and method for determining battery impedance increase with aging |
US7208914B2 (en) | 2002-12-31 | 2007-04-24 | Midtronics, Inc. | Apparatus and method for predicting the remaining discharge time of a battery |
JP4360621B2 (ja) | 2004-02-09 | 2009-11-11 | 古河電気工業株式会社 | 二次電池の内部インピーダンス測定方法、二次電池の内部インピーダンス測定装置、二次電池劣化判定装置及び電源システム |
WO2007032382A1 (ja) * | 2005-09-16 | 2007-03-22 | The Furukawa Electric Co., Ltd | 二次電池劣化判定方法、二次電池劣化判定装置、及び電源システム |
US9091735B2 (en) * | 2010-10-26 | 2015-07-28 | GM Global Technology Operations LLC | Method for determining a state of a rechargeable battery device in real time |
US8952823B2 (en) | 2011-01-20 | 2015-02-10 | Indiana University Research And Technology Corporation | Battery early warning and monitoring system |
JP5542781B2 (ja) * | 2011-11-10 | 2014-07-09 | 株式会社日立製作所 | 蓄電池制御システム及び蓄電池制御方法 |
DE102012210396A1 (de) * | 2012-06-20 | 2013-12-24 | Robert Bosch Gmbh | Betriebsverfahren und Betriebsvorrichtung für einen elektrischen Energiespeicher eines Kleinkraftwerkes zum Erhöhen der Betriebseffektivität des Kleinkraftwerkes |
US9236748B2 (en) * | 2012-08-30 | 2016-01-12 | Texas Instruments Incorporated | Method and apparatus of charging the battery with globally minimized integral degradation possible for predefined charging duration |
US9209494B2 (en) * | 2012-09-28 | 2015-12-08 | Palo Alto Research Center Incorporated | Monitoring/managing electrochemical energy device using detected intercalation stage changes |
FR3010532B1 (fr) * | 2013-09-11 | 2017-06-09 | Commissariat Energie Atomique | Procede, dispositif et systeme d'estimation de l'etat de charge d'une batterie |
US9846886B2 (en) * | 2013-11-07 | 2017-12-19 | Palo Alto Research Center Incorporated | Strategic modeling for economic optimization of grid-tied energy assets |
JP2015125036A (ja) * | 2013-12-26 | 2015-07-06 | ダイムラー・アクチェンゲゼルシャフトDaimler AG | バッテリ内部状態推定装置 |
US20150276881A1 (en) * | 2014-03-25 | 2015-10-01 | The Boeing Company | Model-independent battery life and performance forecaster |
EP2963434B1 (en) * | 2014-06-30 | 2021-08-11 | Foundation Of Soongsil University-Industry Cooperation | Battery state estimation method and system using dual extended kalman filter, and recording medium for performing the method |
KR101661578B1 (ko) * | 2014-06-30 | 2016-10-04 | 숭실대학교산학협력단 | 듀얼확장칼만필터를 이용한 배터리 상태 추정 방법, 시스템 및 이를 수행하기 위한 기록매체 |
US10879695B2 (en) * | 2014-07-04 | 2020-12-29 | Apparent Labs, LLC | Grid network gateway aggregation |
JPWO2016059869A1 (ja) * | 2014-10-17 | 2017-04-27 | 株式会社東芝 | 二次電池の充電状態推定装置及びその充電状態推定方法 |
GB2532726A (en) * | 2014-11-24 | 2016-06-01 | Thunot Andre | Cell internal impedance diagnostic system |
US9414160B2 (en) * | 2014-11-27 | 2016-08-09 | Blackberry Limited | Method, system and apparatus for loudspeaker excursion domain processing |
JP5932190B1 (ja) * | 2015-02-17 | 2016-06-08 | 三菱電機株式会社 | 電力変換システム |
CA3031092C (en) | 2016-07-22 | 2023-01-17 | Eos Energy Storage, Llc | Battery management system |
-
2017
- 2017-07-19 CA CA3031092A patent/CA3031092C/en active Active
- 2017-07-19 WO PCT/US2017/042725 patent/WO2018017644A1/en unknown
- 2017-07-19 JP JP2019502679A patent/JP7030777B2/ja active Active
- 2017-07-19 AU AU2017298360A patent/AU2017298360C9/en active Active
- 2017-07-19 US US16/319,416 patent/US11368030B2/en active Active
- 2017-07-19 EA EA201990062A patent/EA201990062A1/ru unknown
- 2017-07-19 KR KR1020197005142A patent/KR102409009B1/ko active IP Right Grant
- 2017-07-19 BR BR112019001070-0A patent/BR112019001070A2/pt not_active Application Discontinuation
- 2017-07-19 US US15/653,640 patent/US10879708B2/en active Active
- 2017-07-19 EP EP17831740.0A patent/EP3488512A1/en not_active Withdrawn
- 2017-07-19 MX MX2019000755A patent/MX2019000755A/es unknown
- 2017-07-19 CN CN201780050973.8A patent/CN109769400A/zh not_active Withdrawn
- 2017-07-21 TW TW106124485A patent/TW201817113A/zh unknown
-
2019
- 2019-01-15 IL IL264264A patent/IL264264B2/en unknown
- 2019-01-17 MX MX2022009093A patent/MX2022009093A/es unknown
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI696972B (zh) * | 2019-01-31 | 2020-06-21 | 潔能氏新能源股份有限公司 | 智慧電力分配系統與方法 |
TWI718783B (zh) * | 2019-11-28 | 2021-02-11 | 新普科技股份有限公司 | 以視覺化圖像建立電池狀態模型的方法 |
TWI758136B (zh) * | 2021-03-22 | 2022-03-11 | 新普科技股份有限公司 | 狀態估計方法及電池組 |
TWI795958B (zh) * | 2021-10-25 | 2023-03-11 | 加百裕工業股份有限公司 | 電池容量計算方法及電池容量計算裝置 |
TWI810098B (zh) * | 2022-02-17 | 2023-07-21 | 日商日立全球先端科技股份有限公司 | 電池管理裝置、電池管理程式 |
Also Published As
Publication number | Publication date |
---|---|
AU2017298360C1 (en) | 2021-11-18 |
US11368030B2 (en) | 2022-06-21 |
EP3488512A1 (en) | 2019-05-29 |
CA3031092A1 (en) | 2018-01-25 |
AU2017298360A1 (en) | 2019-01-31 |
MX2019000755A (es) | 2019-05-20 |
JP2019528032A (ja) | 2019-10-03 |
WO2018017644A9 (en) | 2018-04-19 |
IL264264B (en) | 2022-10-01 |
MX2022009093A (es) | 2022-08-18 |
CN109769400A (zh) | 2019-05-17 |
US20180026454A1 (en) | 2018-01-25 |
EA201990062A1 (ru) | 2019-07-31 |
KR102409009B1 (ko) | 2022-06-15 |
US10879708B2 (en) | 2020-12-29 |
JP7030777B2 (ja) | 2022-03-07 |
IL264264A (en) | 2019-02-28 |
AU2017298360C9 (en) | 2022-01-27 |
AU2017298360B2 (en) | 2021-09-23 |
US20190280493A1 (en) | 2019-09-12 |
IL264264B2 (en) | 2023-02-01 |
WO2018017644A1 (en) | 2018-01-25 |
CA3031092C (en) | 2023-01-17 |
KR20190022905A (ko) | 2019-03-06 |
BR112019001070A2 (pt) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201817113A (zh) | 電池管理系統 | |
Fitiwi et al. | A new approach of clustering operational states for power network expansion planning problems dealing with RES (renewable energy source) generation operational variability and uncertainty | |
JP6784745B2 (ja) | リアルタイムデータ駆動型の電力測定およびコスト推定システム | |
JP6579287B1 (ja) | 劣化推定装置、コンピュータプログラム及び劣化推定方法 | |
Marino et al. | A microgrid energy management system based on chance-constrained stochastic optimization and big data analytics | |
WO2019091356A1 (zh) | 一种概率潮流计算方法及系统 | |
Gao et al. | Dynamic distribution network reconfiguration using reinforcement learning | |
Mohapatra et al. | Optimal power flow with multiple data uncertainties | |
Cui et al. | Data-driven aggregation of thermal dynamics within building virtual power plants | |
Velusamy et al. | Differential evolutionary algorithm‐based optimal support vector machine for online dynamic available transfer capability estimation incorporating transmission capacity margins | |
WO2020250648A1 (ja) | 電力管理システム、電力管理方法及び電力管理プログラム | |
Swetha et al. | Voltage stability assessment in power network using artificial neural network | |
Lin et al. | RLOPF (risk-limiting optimal power flow) for systems with high penetration of wind power | |
Sun et al. | Prediction-based manufacturing center self-adaptive demand side energy optimization in cyber physical systems | |
Wang et al. | Improving Li-ion battery health: Predicting remaining useful life using IWBOA-ELM algorithm | |
D’Ambrosio et al. | Meta-model assisted evolutionary optimization of cellular automata: An application to the SCIARA model | |
Li et al. | Real‐time approach for oscillatory stability assessment in large‐scale power systems based on MRMR classifier | |
Zhang et al. | Dynamic energy storage control for reducing electricity cost in data centers | |
Kang et al. | Forecasting satellite power system parameter interval based on relevance vector machine with modified particle swarm optimization | |
Frimpong et al. | A model for predicting unregulated energy usage | |
Amudha et al. | A Hybrid CS-ABC optimization technique for Solving Unit Commitment Problem with Wind Power Uncertainty | |
US11644806B1 (en) | Using active non-destructive state excitation of a physical system to model and control operations of the physical system | |
Wu et al. | A Safe DRL Method for Fast Solution of Real-Time Optimal Power Flow | |
Zhou et al. | Long-term cost planning of data-driven wind-storage hybrid systems | |
Prashal et al. | Dynamic Weight Enabled Physics-Aware Graph Attention Network for Power Flow Analysis |