TW202409595A - 使用蓄電池之充放電曲線的經濟效率推估裝置及經濟效率推估方法 - Google Patents
使用蓄電池之充放電曲線的經濟效率推估裝置及經濟效率推估方法 Download PDFInfo
- Publication number
- TW202409595A TW202409595A TW112125083A TW112125083A TW202409595A TW 202409595 A TW202409595 A TW 202409595A TW 112125083 A TW112125083 A TW 112125083A TW 112125083 A TW112125083 A TW 112125083A TW 202409595 A TW202409595 A TW 202409595A
- Authority
- TW
- Taiwan
- Prior art keywords
- charge
- discharge
- function
- estimation
- estimated
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 45
- 230000006870 function Effects 0.000 claims abstract description 108
- 238000012937 correction Methods 0.000 claims abstract description 39
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 230000010287 polarization Effects 0.000 claims abstract description 6
- 238000007599 discharging Methods 0.000 claims description 30
- 230000008901 benefit Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 17
- 230000005611 electricity Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 53
- 229910001416 lithium ion Inorganic materials 0.000 description 53
- 238000010586 diagram Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 17
- 238000012544 monitoring process Methods 0.000 description 16
- 230000015556 catabolic process Effects 0.000 description 14
- 238000006731 degradation reaction Methods 0.000 description 14
- 238000001914 filtration Methods 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000009434 installation Methods 0.000 description 4
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 3
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 3
- 238000009529 body temperature measurement Methods 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 239000007772 electrode material Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 239000010936 titanium Substances 0.000 description 2
- 238000004448 titration Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 210000000689 upper leg Anatomy 0.000 description 2
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910000398 iron phosphate Inorganic materials 0.000 description 1
- WBJZTOZJJYAKHQ-UHFFFAOYSA-K iron(3+) phosphate Chemical compound [Fe+3].[O-]P([O-])([O-])=O WBJZTOZJJYAKHQ-UHFFFAOYSA-K 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000002070 nanowire Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
Images
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]
- G01R31/367—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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- 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
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Power Engineering (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
經濟效率推估裝置係導出初始開路電壓函數及初始阻抗函數的近似曲線,設定事前推估函數,測定充放電電壓及充放電電流。狀態推估部使用卡爾曼濾波,推估SOC值與包含分極電壓及內部阻抗的狀態參數。使用狀態參數,求出事前推估電壓與實測電壓的估計誤差,透過將所計算出的估計誤差與對於電流值設定的學習率與修正幅度設為項數的高斯函數所致之修正式來求出事後推估值,依據該事後推估值而修正事前推估函數,設定新的事前推估函數,推估充放電曲線。並且根據由充放電曲線所推估之二次電池的充放電電力量,推估經濟效率指標。
Description
本發明的實施形態涉及使用所推估之蓄電池的充放電曲線,追求經濟效率及效率劣化的經濟效率推估裝置及經濟效率推估方法。
近年來,太陽能發電及風力能源等的可變再生能源增加。因為該能源的增加,提案有各種伴隨電力需要的變化之剩餘電力量的利用方法。作為利用該剩餘電力量者,可重複進行充電與放電的蓄電池,例如鋰離子蓄電池為其候補。
該鋰離子蓄電池可透過充電剩餘電力量,利用於以減低電力需求的抑制用電尖峰(Peak cut)、對夜間電力進行蓄電以使用於白天的用電尖峰轉移(Peak shift)作為目的的使用、及作為災害對策用的緊急用電源。而檢討了活用此種鋰離子蓄電池,對適用時間帶類別費用時的電力使用進行最佳化以獲得經濟效益。
又,成為利用對象的鋰離子蓄電池不僅未使用品,也包含作為各種機器的驅動源使用之後再利用者。所以,掌握鋰離子蓄電池的劣化狀態非常重要。
[發明所欲解決之課題]
將複數個前述的鋰離子蓄電池作為1個集合體使用時,不僅需要掌握各個鋰離子蓄電池的劣化狀態,也需要考慮充放電效率特性。作為集合體使用的各種鋰離子蓄電池具有各種形式、製造商、再利用履歷,充放電效率特性也各式各樣。當然,運用效率高的鋰離子蓄電池時,能量損失少,經濟利益會提升。亦即,對於將複數鋰離子蓄電池作為集合體使用來說,不僅需要容量劣化診斷,也需要進行效率劣化診斷。
該效率劣化診斷需要推估作為對於充電的放電能量之比所界定的充放電循環能量效率。該充放電能量可由滿充電容量(FCC)、開路電壓(OCV)、內部阻抗(Z)及充電率(SOC)求出。因此,對於求出充放電能量來說,要求相對於SOC值的OCV值及Z值的函數。
作為OCV值的推估方法,大略區分可分成2個群組。第1群組是使用偽(pseudo)OCV(以下稱為pOCV)的方法。在pOCV測定程序中,一般在完全放電到滿充電的範圍以10時間率(c/10)以下的恆定電流對鋰離子蓄電池進行1次充放電,作為充放電電壓的平均值而計算出OCV值。第2群組是恆定電流間歇滴定法(GITT:Galvanostatic Intermittent Titration Technique)。GITT是伴隨各波間的長時間緩和之矩形波電流充放電的手法。又,Z值的推估可藉由將充放電電壓與OCV值的差除以電流來求出。也就是說,Z值可和pOCV值或GITT的程序一同推估。
然而,用以適用pOCV值及GITT的條件包含非常長的恆定電流期間,和將複數鋰離子蓄電池作為集合體的形態相當不同,故該等並不適合作為推估運用中的OCV值的方法。
因此,本發明的目的係為提供使用蓄電池的充放電曲線,對於包含再利用之各種蓄電池及複數蓄電池所致之集合體,推估經濟效率及效率劣化的經濟效率推估裝置及經濟效率推估方法。
[用以解決課題之手段]
為了達成前述目的,依照本發明的實施形態之使用充放電曲線的經濟效率推估裝置,具備:函數導出部,係導出成為初次的修正之對象即開路電壓函數及阻抗函數的近似曲線,並設定為事前推估函數;充電部,係偵測二次電池的充電狀態,在預先訂定之充電上限電壓的範圍內進行充電;放電部,係對於前述二次電池,電性連接負載,從前述二次電池使電力放電;測定部,係從前述充電部或放電部所致之充放電開始,以一定時間的週期,測定充放電電壓及充放電電流;狀態推估部,係使用卡爾曼濾波的運算法,推估充電率之值與包含前述二次電池之分極電壓及內部阻抗的狀態參數;及推估運算處理部,係根據前述事前推估函數、前述狀態參數、透過測定部測定之充放電電壓及充放電電流的關係式,求出開路電壓值及阻抗值的估計誤差,藉由使用將預先訂定之學習率L與修正幅度σ設為項數的高斯函數的修正式,對前述開路電壓值與前述阻抗值使用高斯函數進行修正,計算出事後推估值,並依據該事後推估值,修正前述事前推估函數而設定新的事前推估函數,推估充放電曲線,並且根據由前述充電曲線所推估之二次電池的充放電電力量,推估經濟效率指標。
進而,依照本發明的實施形態之使用充放電曲線的經濟效率推估方法,具有:導出成為初次的修正之對象即開路電壓函數及阻抗函數的近似曲線,並設定為事前推估函數的步驟;偵測二次電池的充電狀態,在預先訂定之充電上限電壓的範圍內進行充電的步驟;藉由連接於前述二次電池的負載,從前述二次電池使電力放電的步驟;從充放電開始,以一定時間的週期,測定充放電電壓及充放電電流的步驟;使用卡爾曼濾波的運算法,推估充電率之值與包含前述二次電池之分極電壓及內部阻抗的狀態參數的步驟;及根據前述事前推估函數、前述狀態參數、透過測定部測定之充放電電壓及充放電電流的關係式,求出開路電壓值及阻抗值的估計誤差,藉由使用將預先訂定之學習率L與修正幅度σ設為項數的高斯函數的修正式,對前述開路電壓值與前述阻抗值使用高斯函數進行修正,計算出事後推估值,並依據該事後推估值,修正前述事前推估函數而設定新的事前推估函數,推估充放電曲線的步驟,使用前述開路電壓函數及阻抗函數,
但是,設為C
fC:對應各循環的FCC之值、W^
c,d:推估充放電能量的推估值、V^(Soc):電壓推估值、Z^(Soc):阻抗推估值、I^
c,d(Soc):充放電電流,推估每循環的充放電能量,使用前述推估充放電能量與各時間帶的電費,推估經濟效率。
[發明的效果]
依據本發明,可提供使用蓄電池的充放電曲線,可適用於各種蓄電池及複數蓄電池所致之集合體的推估經濟效率及效率劣化的經濟效率推估裝置及經濟效率推估方法。
以下,參照圖式,針對本發明的一實施形態之蓄電池的經濟效率推估裝置及經濟效率推估方法進行說明。
圖1係揭示搭載本實施形態之蓄電池的經濟效率推估裝置之蓄電裝置的構造。該蓄電裝置1主要由電源調節器(Power conditioning system)2、電池模組3、電池管理部(電池管理單元BMU:Battery Management Unit)4、能量管理部(能量管理單元EMU:Energy Management Unit或EMS:Energy Management system)5、充放電曲線及經濟效率推估裝置6、電池溫度測定部7所構成。再者,雖未圖示,一般的蓄電裝置所具備之構造部位設為本實施形態的蓄電裝置也具備者,省略詳細說明。
電源調節器2具有將從外部的電力公司等的電力系統9供給之電力及從太陽能發電系統供給之電力,或從電池模組3供給之電力,以可利用於包含特定負載8的電氣驅動機器之方式進行轉換的所謂轉換器之功能。進而,具有對蓄電池進行充電之充電器的功能亦可。例如,特定負載8是透過交流電力驅動的電氣機器的話,則將從電池模組3供給的直流電力轉換成交流電力的電力形態。又,根據特定負載8的電氣機器,使電力的電壓值升壓亦可。進而,電源調節器2不僅對特定負載8的電力供給,在從電力系統9供給之電力的消費成為最大時,也可放出被蓄電於電池模組3的能量,減低從電力系統9供給之電力的消費。此時,對於放電後的電池模組3,在深夜等的電力需求降低時,可透過電源調節器2,進行充電到滿充電為止。
蓄電裝置1的電力供給目標即特定負載8在從電力系統9停止電力的供給時(例如停電時),推測應供給電力的機器,例如有電腦等的電子機器及通訊機器等,進行用於電源備援的電力供給。
電池模組3具備輸出直流電流電壓的二次電池(蓄電池)11、電池單元監視部(電池單元監視單元CMU:Cell Monitor Unit)12、保護部13。電池模組3遵照特定負載等的電力供給量之設計,適當設定其數量,在形成大容量的二次電池時,可電性連接複數電池模組3,構成1個集合體,亦即1台電池組。又,在本實施形態中,作為充放電曲線推估之對象的二次電池11,舉出鋰離子蓄電池作為一例進行說明,但並不限定於此。只要是與鋰離子蓄電池相同,記憶體效果小,且本身放電特性優良的電池,也可容易適用於不同構造的電池。例如也可適用於從鋰離子蓄電池改良的奈米線電池等。
本實施形態的二次電池11並不限定於電池內部材料(電極材料等)及電池單元構造,於外裝材料的形態中,有圓筒罐型、方形罐型及層合型等。構成電池模組3之二次電池11的連接形態可適用單電池、串聯電池組或並聯電池組等的公知連接形態。
電池溫度測定部7藉由以連接於各二次電池11之方式配置之未圖示的溫度感測器來測定溫度。裝置內之可使用鋰離子蓄電池的周圍溫度為大略5~40℃的範圍,但是,也可因應設置環境(寒冷地或熱帶地),需要的話,於裝置內搭載電池用溫度調節機構。該電池用溫度調節機構由依據藉由電池溫度測定部7所測定的溫度,超過預先設定之溫度範圍的上限或下限時,用以在前述之二次電池11可使用的範圍內(5~40℃程度)進行溫度調整,以使電池性能不降低的風扇或加熱器所構成。當然,因為之後的電池改良,二次電池11的可使用的溫度範圍擴大時,可對應該等所有溫度範圍。
電池單元監視部12持續性測量單電池(或單電池單元)之各二次電池11的輸出電壓、電流及溫度,將測定結果發送至電池管理部4。尤其,在遵從後述之運算控制部14的控制,用以推估充放電曲線的充放電處理中,每隔規定的一定時間,測量充放電電壓。
進而,電池單元監視部12將從二次電池11取得之輸出電壓、電流及溫度作為監視資訊,發送至電池管理部4。電池管理部4依據接收的監視資訊,判斷過充電、過放電及溫度上升等的異常發生,控制保護部13,停止對於二次電池11的充電或輸出(放電),防止過充電及過放電。再者,保護部13在二次電池11的故障等所致之緊急異常發生時,藉由電性遮斷,停止對於二次電池11的充電或輸出(放電)。
進而,保護部13透過對電池管理部4通知異常,具有迴避危險的功能亦可。再者,必須進行異常發生的判斷。其判斷功能只要搭載於電池模組3側的電池單元監視部12或蓄電裝置1側的電池管理部4之任一即可,但是,搭載於各別而透過雙重判斷來提升安全性亦可。在雙重的判斷中,預先決定判斷的順序,例如電池單元監視部12初始進行異常發生的判斷,之後電池管理部4進行第2次的異常發生的判斷。作為此時的判斷處置,通常2個判斷部中任一方判斷為異常時,則執行保護部13所致之保護動作。再者,根據設計思想,也可作為僅在雙方判斷為異常時,執行保護部13所致之保護動作,僅一方時,則產生警告的構造。
進而,電池管理部4統一性匯集從各個電池模組3的電池單元監視部12發送之監視資訊,並發送至上位的能量管理部5。該能量管理部5依據該等監視資訊,對於電源調節器2,指示電池模組3的充電及放電。電源調節器2遵從指示,控制電池模組3的充電及放電。
能量管理部5由運算控制部14、顯示部15、伺服器16、介面部17所構成。
運算控制部14具有與電腦的運算處理部等同等的功能,對電池管理部4或對電源調節器2進行對於電池模組3的充電及放電的指示。又,各電池模組3預先設定有充電上限電壓值及放電下限電壓值,依據從電池管理部4發送的監視資訊,對電池管理部4或電源調節器2進行充電停止及放電停止的指示。
顯示部15例如由液晶顯示單元所構成,藉由運算控制部14的控制,顯示蓄電裝置1的工作狀況及電池模組3(二次電池11)的殘存容量等及警告事項。又,顯示部15採用觸控面板等,使用來作為輸入裝置亦可。
伺服器16以隨時積存的方式儲存發送至能量管理部5之蓄電裝置1的工作狀況及電池模組3等相關之監視資訊及充放電曲線相關的資訊等之最新資訊。介面部17透過網際網路等的網路通訊網18,對於設置於外部之由伺服器等所構成的集中管理系統進行通訊。
接著,針對蓄電池的充放電曲線的經濟效率推估裝置6進行說明。圖2係揭示蓄電池的充放電曲線及經濟效率推估裝置6的構造例。
該充放電曲線及經濟效率推估裝置6由充電用電源部22、放電部23、放電用負載部24、測定部25、時間測量部26、推估運算處理部27、SOC計算部28、函數導出部29、狀態推估部30所構成。所推估之各二次電池11的充放電曲線及經濟效率指標SOEc被儲存於伺服器16。
充電用電源部22偵測二次電池11的充電狀態,到二次電池11的充電上限電壓為止的範圍內,對二次電池11輸出額定的直流電流電壓,進行充電。
設置該充電用電源部22作為用以推估二次電池11的充放電曲線及經濟效率指標SEOc之專用的電源,但是,通常使用設置於蓄電裝置內或電源調節器2內的電池充電用電源部亦可。在本實施形態中,由電壓測定部25與充電用電源部22構成充電部。又,在以下的說明中,推估經濟效率指標SOEc與經濟效率推估作為表示相同意義者。
放電部23具備放電用負載部24,藉由未圖示的開關操作,與二次電池11電性連接於放電用負載部24,從二次電池11放出所定電力量(在此,推測為恆定電流或恆定電壓)。該放電用負載部24作為電阻體或電子負載亦可,但是,不設置該等專用負載,模擬負載使電力系統再生亦可。
測定部25測定電池模組3(二次電池11)所輸出的直流電壓及直流電流。其測定時序在每隔經過預先訂定的一定時間,週期性測定從電池模組3輸出的直流電壓及直流電流。再者,關於電壓測定及電流測定的實施,實際上即使不進行測定,也可流用從電池管理部4發送,儲存於能量管理部5的伺服器16之最新的監視資訊所包含的電壓值及電流值。
時間計測部26為用以計時電力從電池模組3放電的時間的計時器,測量測定時序。
SOC計算部28計算出測定部25測定電壓之時序的充電率(SOC:States of Charge)。SOC值為將充電電流量Qc[Ah]除以在該時間點的滿充電容量FCC[Ah]之值。本實施形態的充電率的SOC值利用後述的卡爾曼濾波(kalman filter)來計算。再者,滿充電容量FCC值可透過充放電差分電壓法、交流阻抗法、放電曲線微分法、最佳化濾波(optimization filter)等適當的方法來計算。例如藉由2時間點之累積充電量的差與透過卡爾曼濾波所推估的SOC的差的除算來計算亦可。
函數導出部29係導出成為修正的對象即開路電壓函數及阻抗函數的近似曲線,並設定為事前推估函數。在求出近似曲線之際,可適用各種曲線擬合,儲存預先求出的近似曲線,可設定為事前推估函數。又,也可導出初始開路電壓函數及初始事前推估函數。
推估運算處理部27係儲存使用後述之關係式的運算法則,分別推估依據機器學習及所推估之二次電池11的狀態參數的充放電曲線及經濟效率(經濟效率指標SOEc)的運算處理部(CPU等)。該推估運算處理部27即使不是專用地設置於二次電池的充放電曲線及經濟效率推估裝置6內,也可使能量管理部5的運算控制部14代用處理功能。
狀態推估部30使用依據電化學模型的卡爾曼濾波,在本實施形態中是使用對應非線形的擴展卡爾曼濾波,推估二次電池11之充電率SOC、與包含開路電壓OCV及內部阻抗Z的狀態參數。
又,本實施形態可適用透過網際網路等的網路通訊網18,在與外部機器19或管理其他複數蓄電裝置1的系統伺服器20等之間使用網路通訊的線上推估方法。再者,於圖1中,為了容易理解說明而代表性揭示1台蓄電裝置1,並不是限定於1台者。
[卡爾曼濾波]
在以下中,說明使用狀態推估部30的卡爾曼濾波、高斯函數的鋰離子蓄電池的充放電循環之劣化診斷及經濟效率推估所用之充放電曲線的推估。圖3係揭示鋰離子蓄電池之一例的規格的圖。圖4係概念揭示開路電壓OCV之修正的近似曲線的圖。圖5係概念揭示鋰離子蓄電池的等效電路的圖。
在本實施形態中,作為一例,在串聯連接之8列的鋰離子蓄電池模組中,進行充放電,取得其時間序列資料。再者,進行劣化診斷及狀態推估時,一般來說,採用小型鋰離子蓄電池的單電池所致之循環試驗,但是,在本實施形態中,也可將由50Ah的大型單電池構成的鋰離子蓄電池模組當作1台電池組(集合體)來實施。又,充放電循環試驗中為了模擬電源調節器2所致之充放電的狀況,採用恆定功率模式。循環試驗的氣氛溫度係室溫為佳,但是,會發生充放電時之不可避的電阻發熱,故作為模組溫度設置大約20℃~30℃的範圍。
圖4所示的鋰離子蓄電池之開路電壓OCV與內部阻抗Z的圖表變形藉由調整高度的高斯函數的加算來進行。亦即,將現在的充電率SOC的點之事前推估值(純量)與藉由卡爾曼濾波本次推估的事後推估值(純量)的誤差(估計誤差),乘以學習率L者作為高斯函數的高度,加算至圖表學習的事前推估值(向量)。如此變形的圖表的函數為圖表學習的事後推估值(向量)。
接著,藉由次式(2),作為平均絕對誤差率而界定誤差指標I
maer。
在此,學習率L與修正幅度σ的大略範圍的組合條件會影響充放電能量推估的精度,故分析了該等條件與估計誤差的指標的關係。在該分析中,第1次循環的開始時作為卡爾曼濾波C
k的參照而採用實際的初始Voc(Soc)。於圖6揭示該結果。圖6係揭示學習率L與大略的修正幅度σ的條件組合與誤差指標I
maer之關係的圖。各點為學習率L整體中最佳精度的點。
根據圖6所示的結果,推估程序在學習率L成為L>10
-2時,幾乎所有狀況中發散,又,減少修正幅度σ的話則會接近收斂。
此係較大值的學習率L與修正幅度σ被對於過剩的圖表變形之E
~的輸入影響之故。此外,最佳的修正幅度σ的傾向係學習率L在L=10
-3.8與L=10
-3.2中邊界性變化。在此,學習率L與修正幅度σ的條件組合係圖7所示之圖表的變形速度(學習率L的大小或學習速度)分類成不同之粗略的3個群組,「快(高速)」、「中間(中速)」及「慢(低速)」。學習率L的大小與變形速度的關係如果學習率L越大,則變形速度越快,學習率L越小則變形速度越慢。
又,一併利用高斯函數加算所致之圖表變形與卡爾曼濾波之際,想要單純地融合的話,將學習率L設定為接近1之值,但是,在該設定中,學習會發散,無法進行適當的充放電能量推估。因此,在本實施形態中,透過將學習率L調整為「0.1以下」,一併調整修正幅度σ,可防止發散。進而,更理想的是學習率L與修正幅度σ的關係為使用高斯函數的修正式的次式(3),透過採用學習率L與修正幅度σ成為
可實施高速且正確的特徵學習(profile learning)。
接著,刻意採用OCV特徵輪廓資料(profile data),作為卡爾曼濾波C
k的初始參照而適用。該假設代表再生鋰離子蓄電池的狀況中所擔心之初始開路電壓OCV的不明瞭。開始使用再生電池時,可能知道現在的OCV值或者也許知道單電池所使用的電極材料,但是,無法得知整體的開路電壓推估函數V^oc(Soc)輪廓。所以,開路電壓推估函數V^oc(Soc)必須根據限定性的鋰離子蓄電池的資訊來推測。
使初始開路電壓OCV的參照值V^oc(Soc)從實際的初始Voc(Soc)數值上乖離,故使用以下的2個次式(4)、(5)。
於式(4)、(5)中,K
sep,1與K
sep,2為調整係數。式(4)係將V^oc(Soc)之值向一方向增(K
sep,1>1)或減少(K
sep,1<1)的程序。另一方面,式(5)係以Soc=0.5為中心旋轉的程序。於圖8A、8B揭示式(4)、(5)的圖像。
圖8A係在藉由K
sep,1與K
sep,2所生成之初始V^oc(Soc)的參照值的圖像中,揭示式(4)所致之特性,同樣地,圖8B係在藉由K
sep,1與K
sep,2所生成之初始V^oc(Soc)的參照值的圖像中,揭示式(5)所致之特性。
在該等圖8A、圖8B中,圖中的中央的線A為實際的V^oc(Soc),其周圍的其他線B、C、S、E為因為K
sep,1與K
sep,2而變形、乖離者。又,使該等2個數學式合體的話,可如次式(6)般表現。
接著,針對充放電能量推估進行說明。
例如,使用各式各樣的K
sep,1與K
sep,2、圖7所示的各條件之代表性的學習率L及圖表的修正幅度σ,實施700循環的充放電能量推估。該分析注目於由式(6)生成之OCV估計誤差V
~oc(Soc)的受容性。
圖9A、9B、9C係揭示對應各式各樣的K
sep,1與K
sep,2之值的充放電能量推估之誤差指標I
maer。圖9A係揭示對應變形速度快的群組之K
sep,1與K
sep,2的誤差指標I
maer的圖。圖9B係揭示對應變形速度中間(中速)的群組之K
sep,1與K
sep,2的誤差指標I
maer的圖。圖9C係揭示對應變形速度慢的群組之K
sep,1與K
sep,2的誤差指標I
maer的圖。
根據該等圖9A、9B、9C、式(6),K
sep,1影響了充放電能量估計誤差的平均絕對誤差率I
maer,相對於此,K
sep,2的影響少。自K
sep,1的1起的乖離造成進一步I
maer的增加。I
maer變成變形速度越慢,亦即學習率L越小越增加的傾向。
接著,依據該等觀察結果,檢討各循環的充放電能量推估。此從由極端的K
sep,1與K
sep,2所生成之任意或不確定的初始OCV值開始。該任意的OCV值使用式(6)生成。此外,使用圖7所示之3個圖表變形條件的任一。在此檢討中,作為比較對象加入從正確的開路電壓OCV特徵輪廓(profile)開始的推估。並於圖10A~10E揭示該結果。
圖10A~圖10E係揭示由式(6)生成之任意初始OCV值開始的充放電能量推估值。圖10A係揭示作為第1調整係數,設定K
sep,1=0.8、K
sep,2=0.2時的充放電能量推估值。以下同樣地,圖10B揭示作為第2調整係數,設定K
sep,1=0.8且K
sep,2=1.8時的充放電能量推估值,圖10C揭示作為第3調整係數,設定K
sep,1=1.2且K
sep,2=0.2時的充放電能量推估值,圖10D揭示作為第4調整係數,設定K
sep,1=1.2且K
sep,2=1.8時的充放電能量推估值,圖10E揭示作為第5調整係數,設定K
sep,1=K
sep,2=1時的充放電能量推估值。
在圖10A~圖10E的各圖中,圖中的線A(充電)與線A’(放電)揭示實際的各循環充放電能量的推移。圖中其他線B、C、D(充電)及虛線B’、C’、D’(放電)係為在次式(7)中,作為W^
c,d所計算出之各循環的推估充放電能量。具體而言,線A表示實際的充電,虛線A’表示實際的放電,線B表示變形速度快(學習率L大)的充電及虛線B’表示變形速度快的放電。又,線C表示變形速度為中間速度(學習率L為中程度)的充電及虛線C’表示變形速度為中間速度的中速放電。進而,線D表示變形速度慢(學習率L小)的充電及虛線D’表示低速放電。
在此,設為C
fC:對應各循環的滿充電容量之值、W^c,d:推估充放電能量的推估值、V^oc(Soc):開路電壓推估函數、Z^(Soc):阻抗推估函數、I^
c,d(Soc):充放電電流。
充放電能量推估值的推移由圖10A~圖10E可容易理解,可知被K
sep,1影響,不被K
sep,2影響。因此,K
sep,1成為初始充放電能量估計誤差的符號的決定要素。例如,如果K
sep,1小於1(K
sep,1<1)的話,初始充放電能量的推估值從比實測值小之值開始。相對於例如,如果K
sep,1大於1的話,推估值則從比實測值大之值開始。
到誤差收斂為止的循環數會受到圖7所示的圖表變形速度影響。作為該等變形速度,在「快」、「中間」、「慢」的條件中,收斂所需的循環數分別為大約20、40、100。所有條件之100循環之後的推估值的推移與圖10E所示之初始開路電壓OCV開始的狀況相同。
藉此,在本實施形態中,可推估每一循環的充放電能量,並計算其能量效率。在本實施形態中,推估是即使假設再生鋰離子蓄電池之任意且未知的開路電壓OCV及內部阻抗Z的初始值,也可與未使用的鋰離子蓄電池同樣地實施之處。
在此種本實施形態有以下2個有益的觀點。
第1,具有開路電壓OCV的基於卡爾曼濾波之微分分析的可能性。先前,對鋰離子蓄電池以低電流進行放電,對放電容量以放電電壓微分,或進行其相反的微分。此種程序如果是低電流放電的話,目的為減低分極,其時間序列資料近似於開路電壓OCV。此微分分析公知可有效診斷鋰離子蓄電池的內部劣化狀態,例如診斷正極負極的操作窗的推移。另一方面,放電時間長,需要短時間處理之實際的運用係需要不同的動作,故適用於實際之再利用的蓄電池並不是一件易事。
第2,在本實施形態中,伴隨劣化之鋰離子蓄電池的運用中可連續地推估開路電壓OCV特徵輪廓,故可透過開路電壓OCV的即時微分分析來實現。
[經濟效率推估裝置]
接著,參照圖11所示的流程圖,說明本實施形態之使用蓄電池的充放電曲線的經濟效率推估裝置。
首先,進行初始函數導出處理(步驟1)。具體而言,導出成為初次的修正對象之初始的開路電壓函數Voc(Soc)及初始的阻抗函數Z(Soc)所致之近似曲線。在此近似曲線的導出之際,可使用已知的充放電曲線的近似方法。例如針對電池模組3預先進行充放電試驗之後,測量充放電1循環之充放電電壓值與電流值。根據充放電電壓值和電流值求出近似曲線,並進行儲存。然後,將根據充放電曲線和開路電壓及阻抗函數的次式(8)。
求出之初始的開路電壓函數Voc(Soc)及初始的阻抗函數Z(Soc)的近似曲線設定為事前推估函數,在後述之狀態推估部30的卡爾曼濾波中使用。
接著,藉由放電部23將二次電池11電性連接於放電用負載部24開始放電,並且於時間測量部26中,開始時間的測量(步驟S2)。在本實施形態中,從放電開始,但以從充電開始之方式構成亦可。放電開始後,判定是否是放電下限電壓(步驟S3)。在此步驟S3的判定中,在達到放電下限電壓時(YES),開始充電(步驟S8)。另一方面,在未達到放電下限電壓時(NO),持續放電。作為該放電方式,可選擇恆定電流或恆定功率之任一。放電開始後,判斷是否經過所訂定之後述的規定時間(步驟S4)。在步驟S4的判斷中,到經過規定時間為止(NO),持續放電,又,經過了規定時間的話(YES),則以測定部25測定二次電池11的放電電壓V
meas及充放電電流I,藉由SOC計算部28,計算出SOC值(步驟S5)。SOC計算部28使用前述之狀態推估部30的卡爾曼濾波,計算出充電率SOC。此時,重複進行修正,提升事後推估近似曲線G的精度。此係在使用複數充電率SOC時實測(對於事前推估值)之正、負的電壓值,修正近似曲線。
接著,放電電壓及放電電流的測定和SOC值的計算結束之後,實施機器學習處理(步驟S6)。在機器學習處理中,利用後述的關係式,使用事前推估函數與實測值來計算出事前推估值。進而,藉由估計誤差和高斯函數修正事前推估值並設為事後推估值,依據事後推估值來求出事後推估近似曲線。在此種機器學習處理中,可藉由將所得之事後推估近似曲線設定為新的事前推估函數,重複進行修正,以提升近似曲線的精度。
接著,判斷重複進行的修正次數是否達到預先訂定的重複次數(步驟S7)。在此判斷中,在修正次數未達到重複次數時(NO),返回步驟S3,持續放電。持續放電時,再次判定是否是放電下限電壓(步驟S3),未達到放電下限電壓的話(NO),重複進行步驟S3到步驟S7的處理常式。又,在步驟S7的判斷中,修正次數已達到重複次數時(YES),使用開路電壓函數及阻抗函數的近似曲線,依據與電壓的關係式,推估充放電曲線(步驟S14)。所推估之充放電曲線暫時儲存於能量管理部5的伺服器16。
在前述的步驟S3中判定為已達到放電下限電壓時(YES),開始充電(步驟S8)。充電開始後,判定電壓是否達到充電上限電壓(步驟S9)。在步驟S9的判定中判定為未達到充電上限電壓時(NO),則判定是否經過所定時間(步驟S10),另一方面,判定為達到充電上限電壓時(YES),返回步驟S2。
在步驟S10的判定中判定為經過所定時間之後(YES),透過測定部25測定二次電池11的放電電壓V
c,d及充放電電流I,SOC計算部28使用前述之狀態推估部30的卡爾曼濾波,計算出充電率SOC(步驟S11)。此時,重複進行修正,提升事後推估近似曲線G的精度。此係在使用複數充電率SOC時實測(對於事前推估值)之正、負的電壓值,修正近似曲線。進而,在步驟S11中充電電壓及充電電流的測定和計算出SOC值之後,實施後述的機器學習處理(步驟S12)。
接下來,接著判斷重複進行的修正次數是否達到預先訂定的重複次數(步驟S13)。在此步驟S13的判定中,未達到重複次數時(NO),返回步驟S3,持續充電。在此,持續充電時,在步驟S9中判定是否是充電上限電壓,未達到充電上限電壓且在步驟S13的判定中未達到重複次數的話,則重複進行步驟S9到步驟S12的處理常式。
在此,說明前述的步驟S4及步驟S10之測定充放電電壓的規定時間。藉由放電部23,利用將電池模組3電性連接至放電用負載部24開始放電。在本實施形態中,從放電開始後每隔一定時間測定實測值。該一定時間需要是充電率SOC不大幅變化程度的時間,設為數十秒(例如10秒到80秒)程度。再者,該規定時間範圍係為一例,裝置構造及測定特性不同時,為可變更的時間,嚴格來說不是被限定者。又,即使放電開始後經過的時間超過規定時間的範圍,也未開始電壓測量時,則停止放電,作為測定錯誤來處理。
在步驟S13的判定中,已達到重複次數時(YES),則轉移至步驟S14,使用開路電壓函數及阻抗函數的近似曲線,依據與電壓的關係式,推估充放電曲線。所推估之充放電曲線被儲存於能量管理部5的伺服器16。所儲存之充放電曲線根據要求從伺服器16讀取出,並可用於顯示部15的顯示及充放電電力量的計算。再者,於充放電曲線推估處理中,在充放電處理或電池溫度穩定化又或充放電處理時所進行的電壓及電流測定,對於單電池實施亦可。進而,單電池作為於電池組單元中以並聯或串聯連接複數個的單電池亦可。進而,在充放電處理或電池溫度穩定化之際的電壓及電流測定,對於各種蓄電池及複數蓄電池所致之集合體實施亦可。
接下來,進行後述的經濟效率推估處理(步驟S15),推估所定充放電循環之滿充電容量FCC、充電電力量Ec、放電電力量Ed及充放電循環1次分的經濟效益G,以推估經濟效率指標SOEc。所推估之經濟效率指標SOEc在儲存於能量管理部5的伺服器16之後,結束一連串的常式。所儲存之經濟效率指標SOEc可根據要求而從伺服器16讀取出並顯示於顯示部15。
[機器學習處理]
接著,說明前述的步驟S6及步驟S12之本實施形態的機器學習處理。
首先,透過次式(9)作為向量而揭示對於複數充電率SOC之該等樣本值輪廓資料。
在式(9)中,D是代表性的向量,使用於開路電壓OCV與內部阻抗Z雙方。向量D的要素數設為對應充電率SOC的[0.01,0.02,...,1]的101個。圖4所示之圖表的變形量M係使用目標物理量的E誤差
~的事前推估值,如次式(10)般界定。
圖4所示的輪廓圖(profile graph)之橫軸上的充電率SOC的電壓之變形的中心座標為(Soc,0),亦即,從循環資料抽出E
~的時刻的充電率SOC成為(Soc,0)。在式(10)中,L是學習率,0<L≦1。σ是代表修正幅度(或標準差),亦即代表圖表變形的大致的修正範圍之值,過大之值(變形量)並不理想。l是指定向量D的要素的順序。亦即,整體的變形量M可如式(11)般表示。
摘要的話,圖4所示之輪廓的圖表變形如次式(12)般表示。
在該式(12)中,D^
-是向量D的事前推估值,D^是向量D的事後推估值。在圖4中,揭示圖表變形過程的圖像。進而,此在充放電循環整體之間,亦即在各式各樣的充電率SOC中重複實施。E
~藉由後述的卡爾曼濾波來計算。卡爾曼濾波的事前推估值(純量)相當於上次推估的卡爾曼濾波的事後推估值。該卡爾曼濾波之本次推估的事後推估值使用於後述的圖表變形。
接著,說明卡爾曼濾波的演算法。
本實施形態的狀態推估部6對於鋰離子蓄電池的狀態推估,使用調整過的擴展卡爾曼濾波。將擴展卡爾曼濾波的狀態方程式與觀測方程式作為線性離散時間系統(Linear discrete-time system)而公式化。
式(13)之x
k為狀態空間向量,式(14)之y
k為觀測值。又,w
k為常態分布的系統雜訊,亦即平均為0且分散為σw
2。v
k為常態分布的觀測雜訊,亦即平均為0且分散為σv
2。該等式子依據圖5所示的鋰離子蓄電池的等效電路模型來設定。該等效電路模型係串聯連接電阻元件(R
0)、並聯型的第1RC電路(R
1,C
1)、並聯型的第2RC電路(R
2,C
2),供給電源(Voc)。第1RC電路和第2RC電路係串聯連接,藉此產生分極電壓V
pol,1、V
pol,2。根據該等效電路模型,可豎立次式(15)、(16)、(17)。
各式(15)、(16)、(17)之R
0、R
1、R
2為內部電阻,C
1、C
2為電容。V
pol,1、V
pol,2為各RC並聯電路要素的分極電壓。V
c,d為充放電時的端子電壓。I
c,d為充放電電流,但界定為放電時的負值。Voc為開路電壓OCV的電壓值。該等式(15)、(16)、(17)可使用前進的歐拉方法,轉換成式(18)、(19)。
在該等式(18)、(19)中,Δt為時刻k和k+1之間的時間解析率。依據該等式(18)、(19),前述的狀態方程式(13)及觀測方程式(14)可轉換成式(20)、(21)。
式(20)由線性函數構成。另一方,式(21)有藉由先前的pOCV或GITT所推估之SOC參數的函數即Voc(k),故成為非線性函數。將非線性觀測方程式適用於卡爾曼濾波,故式(21)如次式(22)般微分。
也就是說,式(13)之A
k、B
k、C
k如次式(23)般設定。
在初始條件中,設定為R
1=R
2=10
-4、C
1=10
4、C
2=10
5。依據充放電循環條件,Δt設為Δt=10。Soc所致之Ocv的微分依據迴歸於以下的後續段落所記載之6次多項式的OCV特徵輪廓來計算出。
卡爾曼濾波的2個重要步驟如以下所述般實施。首先,使用次式(24)、(25),作為預測步驟,計算出事前預測的狀態空間向量x^
- k+1及誤差共變異數矩陣P
k+1。
接著,使用次式(26)、(27)、(28),作為過濾處理,計算出卡爾曼增益g
k+1、事後推估的狀態空間向量x^
- k+1及誤差共變異數矩陣P
k+1 -。
首先,作為暫時的向量或矩陣而賦予x^
0=0及P
0=0。然後,代入基於循環時間序列資料和前1個步驟的參數的,A
k、B
k、C
k,重複實施式(24)~(28)的步驟。根據該等步驟,重複推估充電率SOC、開路電壓OCV、內部阻抗Z之值。同時,藉由高斯函數加算而使開路電壓OCV及內部阻抗Z的推估輪廓圖變形。
接著,說明卡爾曼濾波所致之開路電壓OCV和內部阻抗Z的事後推估值,與用於特徵輪廓所致之圖表變形的事前估計誤差的抽出。
根據前述的卡爾曼濾波的程序,使用次式(29)、(30)計算出開路電壓OCV和內部阻抗Z的事後推估值。內部阻抗Z作為直流電阻而被假定,並且界定為整體的分極電壓V
pol,1(k)+V
pol,2(k)+I
c,d(k)+V
pol,1(k)Z0(k)和充放電電流的商。
對應前述的式(10)之E
~的V
~oc(k)及Z
~(k)的事前估計誤差藉由事前推估值(V^oc
-(k)及Z^
-(k)與卡爾曼濾波的推估值(V^oc(k)及Z^(k))的差來計算出。對6次多項式的近似係適用於開路電壓OCV與內部阻抗Z雙方,對應式(9)之向量D的樣本值作為對於Soc的多項式而迴歸。所以,V^oc
-(k+1)及Z^
-(k+1)藉由多項式和x^
k+1所包含的S^oc(k+1),如以下所示般計算。
在此,Kocv,i和K
z,i為多項式的迴歸係數。
事前估計誤差V
~oc(k+1)=V^oc(k+1)-V^oc
-(k+1)和Z
~(k+1)=Z^(k+1)-Z^
-(k+1)作為式(10)的E
~而計算、代入,同時對S^oc(k+1)代入S^oc,0。
接著,說明充放電能量推估。
對應向量D的開路電壓OCV及內部阻抗Z的樣本值藉由卡爾曼濾波所致之推估參數與輪廓圖變形過程而持續更新。
在此,C
fc為對應各循環的滿充電容量之值。設為W^
c,d:推估充放電能量的推估值、V^(Soc):電壓推估值、Z^(Soc):阻抗推估函數、I^
c,d(Soc):充放電電流,推估每循環的充放電能量,使用前述推估充放電能量與各時間帶的電費,推估經濟效率。
如前述般,以存在多數的FCC劣化診斷的報告事例作為前提,C
fC被設定為實際測定之值。作為充放電循環條件而採用恆定功率模式,亦即P、I^
c,d(Soc)、V^oc(Soc)及Z^(Soc)間的關係成為次式(34)的關係。
在此,P與I
c,d同樣地,需要注意在放電時被界定為負值。結果,I^
c,d(Soc)可透過如以下般解二次方程式(34)來計算。
藉由該式(35),以式(34)可根據已知的P、V^oc(Soc)、Z^(Soc)計算,可計算出W^c,d。
此外,V^c(Soc)作為卡爾曼濾波的C
k的參照來使用,故必須人為地設定初始的V^oc(Soc)。市面販售的鋰離子蓄電池的V^oc(Soc)特徵典型上可大致設定為3種類的電極。亦即,Co/Mn/Ni正電極的類型、FePO
4正電極的類型、然後Ti負電極的類型。因為鋰離子蓄電池的製造者所致之活性物質構成而特徵輪廓會微妙地不同,但是,可藉由卡爾曼濾波及輪廓圖變形所致之持續性的學習,讓粗略設定之初始V^oc(Soc)收斂。也就是說,暗示了即使初始設定某程度不確定的數值,也可藉由使用卡爾曼濾波及輪廓圖變形的持續性學習而收斂,執行導出正確解答的半監督學習(Semi-Supervised Learning)。另一方面,初始Z^(Soc)藉由卡爾曼濾波之x^
0=0的設定而成為0。又,Z^(Soc)也與V^c(Soc)同樣地可收斂。
接著,說明充放電能量的估計誤差與推估精度的分析。
在本實施形態中,主要針對學習率L、圖表的修正幅度σ、然後與初始的V^oc(Soc)及實際的開路電壓OCV特徵輪廓的差進行議論。為了分析、定量比較,測定第i次循環的實測值Wc,d,i,根據推估值W^c,d,i,藉由次式(36)計算出對應的估計誤差W
~c,d,i。
依據本實施形態,可推估精度佳的充放電曲線,進而根據開路電壓值與阻抗的近似曲線來推估充放電曲線,所以,可推估出也能對應電流倍率變化之狀況的充放電曲線。所推估的充放電曲線可使用於充放電能量E的計算、蓄電池的經濟效率的評鑑等,在各種目的中利用。又,充放電能量E的計算可使用以下的式(37)。但是,設為FCC:滿充電容量、V(Soc):充放電電壓、SOC:充電率。
[經濟效率推估]
接著,說明本實施形態的經濟效率推估的處理。
在此,為了推估經濟效率,使用所推估的充放電曲線。例如,將費用高之時間帶的電費設為Thigh[日圓/kWh],將費用低之時間帶的電費設為Tlow[日圓/kWh]的話,1次充放電循環之經濟效益G[日圓/kWh]則能以次式(38)表示。
於圖20揭示本實施形態之鋰離子蓄電池8串聯模組的充放電試驗中,根據差分電壓Ve來推估充電電力量Ec及放電電力量Ed所得之經濟效益G[日圓/kWh]。在此、線A為經濟效益G(推估值)、線B為經濟效益G(實測值)、線C為推估錯誤。再者,以東京電力Energy Partner的Smart Life Plan(2017年9月16日的時間點)作為參考,電費的高價Thigh為25.33日圓/kWh,低價Tlow為17.46日圓/kWh。
一般來說,蓄電池的經濟效益G(日圓/kWh)成為最高值是在蓄電池的充放電效率(Wh/Wh)成為高值之新品時,又,最低值則是劣化後滿充電容量FCC(Ah)及充放電效率(Wh/Wh)成為低值之壽命末期時。鋰離子蓄電池的狀況中,通常在滿充電容量FCC(Ah)降低至新品時的60%至80%時則界定為壽命末期。在此,將可得新品之蓄電池的經濟效益Gnew時設為1,僅能獲得壽命末期之蓄電池的經濟效益Gend時設為0,以後述計算式(24)界定表示現在之蓄電池的經濟效益Gcurr之蓄電池的經濟效率指標即SOEc(State of Economy)。
但是,G是以式(23)表示之充放電循環1次分的經濟效益,Gcurr是現在的充放電循環1次分的經濟效益,Gnew是新品時之充放電循環1次分的經濟效益,Gend是電池壽命末期之充放電循環1次分的經濟效益。
差分電壓Ve可在固定設置用鋰離子蓄電池的運用中測定。所以,預先求出差分電壓Ve、滿充電容量FCC及充放電電壓Vc(SOC)、Vd(SOC)的關係的話,可根據其獲得經濟效率指標SOEc之值。
如上所述,依據本實施形態,卡爾曼濾波所致之鋰離子蓄電池的狀態推估可將所推估之充電率Soc使用於(Soc,0),亦即SOC軸上的圖表變形之中心座標的決定。就算最初設定透過式(5)生成之不確定的OCV特徵輪廓,也可實現OCV特徵輪廓的正確的收斂,與前述的圖10A~10E所示之各循環的實際之充放電能量的順應性推估。
本實施形態係具有對於鋰離子蓄電池的狀態推估,卡爾曼濾波具有對任意訂定之不確定的OCV參照函數的穩健性(Robustness)之特徵。亦即,對於來歷不明的再生鋰離子蓄電池,只要知道1)三元材料系統、2)磷酸鐵系統、3)鈦酸系統之任一程度的資訊的話,根據公知的資訊,就算某程度不確定也可暫時設定初始OCV參考,可使用卡爾曼濾波的演算法與高斯函數,推估出包含收斂於適當值之充電率SOC值、分極電壓、內部阻抗的狀態參數,且可讓效率劣化診斷的學習收斂。在本實施形態中,推估是即使假設再生鋰離子蓄電池之任意且未知的開路電壓OCV及內部阻抗Z的初始值,也可與未使用的鋰離子蓄電池同樣地實施。也就是說,可適用於來歷不明的再生鋰離子蓄電池。
因此,本實施形態的蓄電裝置藉由使用充放電曲線及經濟效率推估裝置6的卡爾曼濾波的狀態推估部30和高斯函數加算所致之圖表變形法,就算未使用或再生,也可推估鋰離子蓄電池的SOC值、分極電壓及內部阻抗。因此,即使將複數再生鋰離子蓄電池作為1個集合體使用,也可考慮各個再生鋰離子蓄電池的特性而高效率地運用。
依據本實施形態,可推估精度佳的充放電曲線,進而根據開路電壓與阻抗的近似曲線來推估充放電曲線,所以,可推估出也能對應電流倍率變化之狀況的充放電曲線。所推估的充放電曲線可使用於充放電能量E的計算、蓄電池的經濟效率的評鑑等,在各種目的中利用。
又,本實施形態的蓄電裝置係為分散協作型系統,例如只要可即時取得包含回收的鋰離子蓄電池的複數鋰離子蓄電池作為1個集合體而設置之固定設置用鋰離子蓄電池的經濟效率指標SOEc的話,就可進行從協通合作控制之固定設置用鋰離子蓄電池(分散電池)中選擇收益性高者來運用的充電優先度決定,可進行經濟效率的運用。
再者,本發明並不限定於前述實施形態所記載者,在不脫離其要旨的範圍內進行各種變形亦可。進而,可藉由選擇或組合所公開之複數構成要件,抽出解決前述課題的各種發明。
1:蓄電裝置
2:電源調節器
3:電池模組
4:電池管理部
5:能量管理部
6:充放電曲線及經濟效率推估裝置
7:電池溫度測定部
8:特定負載
9:電力系統
11:二次電池(蓄電池)
12:電池單元監視部
13:保護部
14:運算控制部
15:顯示部
16:伺服器
17:介面部
18:網路通訊網
19:外部機器
20:系統伺服器
22:充電用電源部
23:放電部
24:放電用負載部
25:測定部
26:時間測量部
27:推估運算處理部
28:SOC計算部
29:函數導出部
30:狀態推估部
C
1:電容
C
2:電容
D:向量
Ec:充電電力量
Ed:放電電力量
E
~:誤差
FCC:滿充電容量
G:經濟效益
I:充放電電流
I
c,d:充放電電流
I
maer:誤差指標
L:學習率
M:變形量
OCV:開路電壓
R
0:內部電阻
R
1:內部電阻
R
2:內部電阻
SOC:充電率
SOEc:經濟效率指標
V
meas:放電電壓
V
c,d:端子電壓
V
pol,1:分極電壓
V
pol,2:分極電壓
σ:修正幅度
[圖1]圖1係揭示實施形態之蓄電池的充放電曲線及搭載經濟效率推估裝置的蓄電裝置的構造的區塊圖。
[圖2]圖2係揭示蓄電池的充放電曲線及經濟效率推估裝置之構造例的區塊圖。
[圖3]圖3係揭示鋰離子蓄電池之一例的規格的圖。
[圖4]圖4係概念揭示開路電壓OCV之修正的近似曲線的圖。
[圖5]圖5係概念揭示鋰離子蓄電池的等效電路的圖。
[圖6]圖6係揭示學習率L與修正幅度σ的條件組合與誤差指標之關係的圖。
[圖7]圖7係圖表的變形速度(學習率的大小)分類成不同之粗略的3個群組,「快(高速)」、「中間(中速)」及「慢(低速)」。
[圖8A]圖8A係揭示初始V^(Soc)的參照值的圖像中,一方向增減參照值的製程所致之特性的圖。
[圖8B]圖8B係揭示初始V^(Soc)的參照值的圖像中,以1個Soc為中心而讓參照值旋轉的製程所致之特性的圖。
[圖9A]圖9A係揭示對應變形速度快的群組之調整係數的誤差指標I
maer的圖。
[圖9B]圖9B係揭示對應變形速度中速群組之調整係數的誤差指標I
maer的圖。
[圖9C]圖9C係揭示對應變形速度慢的群組之調整係數的誤差指標I
maer的圖。
[圖10A]圖10A係揭示設定第1調整係數時的充放電能量推估值的圖。
[圖10B]圖10B係揭示設定第2調整係數時的充放電能量推估值的圖。
[圖10C]圖10C係揭示設定第3調整係數時的充放電能量推估值的圖。
[圖10D]圖10D係揭示設定第4調整係數時的充放電能量推估值的圖。
[圖10E]圖10E係揭示設定第5調整係數時的充放電能量推估值的圖。
[圖11]圖11係用以說明蓄電池的充放電曲線推估及推估經濟效率的方法的流程圖。
[圖12]圖12係揭示高斯函數的圖。
[圖13]圖13係揭示本實施形態的充放電曲線推估結果之平均誤差的圖。
[圖14]圖14係用以說明根據各循環的差分電壓所推估之經濟效益的圖。
1:蓄電裝置
2:電源調節器
3:電池模組
4:電池管理部
5:能量管理部
6:充放電曲線及經濟效率推估裝置
7:電池溫度測定部
8:特定負載
9:電力系統
11:二次電池
12:電池單元監視部
13:保護部
14:運算控制部
15:顯示部
16:伺服器
17:介面部
18:網路通訊網
19:外部機器
20:系統伺服器
Claims (10)
- 一種經濟效率推估裝置,係使用充放電曲線的經濟效率推估裝置,其特徵為具備: 函數導出部,係導出成為初次的修正之對象即開路電壓函數及阻抗函數的近似曲線,並設定為事前推估函數; 充電部,係偵測二次電池的充電狀態,在預先訂定之充電上限電壓的範圍內進行充電; 放電部,係對於前述二次電池,電性連接負載,從前述二次電池使電力放電; 測定部,係從前述充電部或放電部所致之充放電開始,以一定時間的週期,測定充放電電壓及充放電電流; 狀態推估部,係使用卡爾曼濾波的運算法,推估充電率之值與包含前述二次電池之分極電壓及內部阻抗的狀態參數;及 推估運算處理部,係根據前述事前推估函數、前述狀態參數、透過測定部測定之充放電電壓及充放電電流的關係式,求出開路電壓值及阻抗值的估計誤差,藉由使用將預先訂定之學習率L與修正幅度σ設為項數的高斯函數的修正式,對前述開路電壓值與前述阻抗值使用高斯函數進行修正,計算出事後推估值,並依據該事後推估值,修正前述事前推估函數而設定新的事前推估函數,推估充放電曲線, 並且根據由前述充電曲線所推估之二次電池的充放電電力量,推估經濟效率指標。
- 如請求項1所記載之經濟效率推估裝置,其中, 前述開路電壓函數及前述阻抗函數為可進行微分及積分的函數。
- 如請求項1所記載之經濟效率推估裝置,其中, 在前述卡爾曼濾波中,觀測方程式包含開路電壓函數的微分,且前述微分前的開路電壓函數包含誤差。
- 如請求項1所記載之經濟效率推估裝置,其中, 將前述學習率L調整為0.1以下,前述學習率L與前述修正幅度σ的關係採用成為: 的學習率L及修正幅度σ。
- 如請求項1至3中任一項所記載之經濟效率推估裝置,其中, 使用前述高斯函數的修正式為: 但是,設為M:變形量向量、I:指令向量M之要素的順序、L:學習率、E ~:目標物理量的誤差、及Soc:充電率、(Soc,0):高斯函數的充電率軸之中心座標。
- 如請求項1所記載之經濟效率推估裝置,其中, 使用前述開路電壓函數及前述阻抗函數, 但是,設為C fC:對應各循環的滿充電容量之值、W^c,d:推估充放電能量的推估值、V^oc(Soc):開路電壓推估函數、Z^(Soc):阻抗推估函數、I^ c,d(Soc):充放電電流,推估每循環的充放電能量。
- 如請求項6所記載之經濟效率推估裝置,其中, 使用前述充放電能量與各時間帶的電費,推估經濟效率。
- 如請求項7所記載之經濟效率推估裝置,其中, 依據所推估的前述經濟效率,決定變動性再生能源的剩餘電力對策相關之分散蓄電池的充電優先度。
- 一種經濟效率推估方法,其特徵為具有: 導出成為初次的修正之對象即開路電壓函數及阻抗函數的近似曲線,並設定為事前推估函數的步驟; 偵測二次電池的充電狀態,在預先訂定之充電上限電壓的範圍內進行充電的步驟; 藉由連接於前述二次電池的負載,從前述二次電池使電力放電的步驟; 從充放電開始,以一定時間的週期,測定充放電電壓及充放電電流的步驟; 使用卡爾曼濾波的運算法,推估充電率之值與包含前述二次電池之分極電壓及內部阻抗的狀態參數的步驟;及 根據前述事前推估函數、前述狀態參數、透過測定部測定之充放電電壓及充放電電流的關係式,求出開路電壓值及阻抗值的估計誤差,藉由使用將預先訂定之學習率L與修正幅度σ設為項數的高斯函數的修正式,對前述開路電壓值與前述阻抗值使用高斯函數進行修正,計算出事後推估值,並依據該事後推估值,修正前述事前推估函數而設定新的事前推估函數,推估充放電曲線的步驟, 使用前述開路電壓推估函數及阻抗推估函數, 但是,設為C fC:對應各循環的滿充電容量之值、W^c,d:推估充放電能量的推估值、V^oc(Soc):開路電壓推估函數、Z^(Soc):阻抗推估函數、I^ c,d(Soc):充放電電流,推估每循環的充放電能量, 使用前述充放電能量與各時間帶的電費,推估經濟效率。
- 如請求項1所記載之經濟效率推估裝置,其中, 前述經濟效率指標,係在1次充放電循環中,將現在的經濟效益與電池壽命末期的經濟效益的差,除以新品時的經濟效益與電池壽命末期的經濟效益的差所求出者。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022-110054 | 2022-07-07 | ||
JP2022110054A JP2024008300A (ja) | 2022-07-07 | 2022-07-07 | 蓄電池の充放電曲線を用いた経済性推定装置及び経済性推定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202409595A true TW202409595A (zh) | 2024-03-01 |
Family
ID=89453414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112125083A TW202409595A (zh) | 2022-07-07 | 2023-07-05 | 使用蓄電池之充放電曲線的經濟效率推估裝置及經濟效率推估方法 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP2024008300A (zh) |
TW (1) | TW202409595A (zh) |
WO (1) | WO2024009854A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6277864B2 (ja) * | 2014-05-26 | 2018-02-14 | 株式会社デンソー | 電池内部状態推定装置 |
JP2017220293A (ja) * | 2016-06-03 | 2017-12-14 | 大和製罐株式会社 | 電池の充放電曲線推定装置及び、その充放電曲線推定方法 |
JP7066390B2 (ja) * | 2017-12-13 | 2022-05-13 | 大和製罐株式会社 | 蓄電池の経済性推定装置および経済性推定方法 |
JP7106362B2 (ja) * | 2018-06-15 | 2022-07-26 | 大和製罐株式会社 | 蓄電池の充放電曲線推定装置および充放電曲線推定方法 |
JP7501384B2 (ja) * | 2020-02-28 | 2024-06-18 | 株式会社デンソー | 電池劣化予測システム |
CN111896881B (zh) * | 2020-09-09 | 2023-05-26 | 上海市第六人民医院 | 一种电池使用寿命的估计系统及方法 |
-
2022
- 2022-07-07 JP JP2022110054A patent/JP2024008300A/ja active Pending
-
2023
- 2023-06-27 WO PCT/JP2023/023864 patent/WO2024009854A1/ja unknown
- 2023-07-05 TW TW112125083A patent/TW202409595A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
JP2024008300A (ja) | 2024-01-19 |
WO2024009854A1 (ja) | 2024-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7106362B2 (ja) | 蓄電池の充放電曲線推定装置および充放電曲線推定方法 | |
CN111512171B (zh) | 蓄电池的经济性估计装置和经济性估计方法 | |
Bian et al. | A model for state-of-health estimation of lithium ion batteries based on charging profiles | |
Wang et al. | Online dynamic equalization adjustment of high-power lithium-ion battery packs based on the state of balance estimation | |
CN102565716B (zh) | 用于计算二次电池的残余容量的设备 | |
US9709635B2 (en) | System and method for SOC estimation of a battery | |
Shahriari et al. | Online state-of-health estimation of VRLA batteries using state of charge | |
KR101015185B1 (ko) | 상태검지장치 및 이것을 이용하는 장치 | |
CN103364736B (zh) | 一种锂离子电池组剩余可用容量rac的计算方法 | |
CN114050633A (zh) | 一种锂电池储能系统的动态管控方法、装置和电子设备 | |
JPH08140270A (ja) | 二次電池のパラメータ測定方法ならびにそれを用いた二次電池の充放電制御方法および寿命予測方法、ならびに、二次電池の充放電制御装置およびそれを用いた電力貯蔵装置 | |
US20230003809A1 (en) | Deterioration estimation device, deterioration estimation system, deterioration estimation method, and computer program | |
Lu et al. | Modeling discharge characteristics for predicting battery remaining life | |
Schaltz et al. | Partial charging method for lithium-ion battery state-of-health estimation | |
US20240183912A1 (en) | Battery management device, battery management method, and electric power storage system | |
CN115735290A (zh) | 二次电池的劣化度判定装置 | |
CN111308371A (zh) | 一种锂离子的电池荷电状态估算方法 | |
TW202409595A (zh) | 使用蓄電池之充放電曲線的經濟效率推估裝置及經濟效率推估方法 | |
JP7240893B2 (ja) | 電池制御装置 | |
TWI509270B (zh) | 電池組健康狀態估測之方法與系統 | |
WO2023007872A1 (ja) | 電池制御方法 | |
Leko et al. | Computationally Efficient Protective Methodology for Lithium-Ion Battery Cells Based on Safe Sets | |
Snyman | State of charge and state of health estimation for lithium iron phosphate batteries | |
Sarath et al. | A Cost Effective and Reliable Battery Management System for Electric Vehicle Applications | |
AMSMHS | Development of a comprehensive electro-thermal battery model for energy management in microgrid systems |