JP7757997B2

JP7757997B2 - 電力管理装置

Info

Publication number: JP7757997B2
Application number: JP2023025128A
Authority: JP
Inventors: 和久松田; 知也高橋
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2023-02-21
Filing date: 2023-02-21
Publication date: 2025-10-22
Anticipated expiration: 2043-02-21
Also published as: JP2024118699A

Description

本開示は、電力管理装置に関する。

特開２０２２－１１３４６０号公報（特許文献１）には、仮想発電所（ＶＰＰ：Virtual Power Plant）の電力調整装置が開示されている。この電力調整装置では、ＶＰＰに参加する電動車両の過去の行動履歴を含む情報から、電動車両の行動を予測し、予測した電動車両の行動に基づいて、充放電計画を作成している。

特開２０２２－１１３４６０号公報

特許文献１の電力調整装置では、車両行動の予測には、ディープラーニングを含む機械学習で得られた行動予測モデルを用い、過去の行動履歴を含む情報から、将来の行動予測を行っている。このため、電動車両の行動態様が大きく変化したときには、行動予測の精度が低下する懸念がある。行動予測の精度が低下すると、適切な充放電計画を作成できない。

本開示の目的は、電動車両の行動態様が大きく変化した場合であっても、充放電計画を作成する際に用いられる行動予測の精度を高めることである。

本開示の電力管理装置は、電動車両の行動履歴を含む情報から、電動車両の行動予測を行い、行動予測に基づいて、電動車両の充放電計画を作成する電力管理装置である。行動予測は、学習モデルを用いて前記行動予測を行うものであり、電力管理装置は、電動車両の今回の行動履歴が、過去の行動履歴より、許容値以上変化したか否かを判定する判定部を備え、今回の行動履歴が、過去の行動履歴より、許容値以上変化した場合、今回以降の行動履歴が、今回より過去の行動履歴に対して行動予測に大きく反映するよう、今回以降の行動履歴の重みを大きくして、学習モデルを用いて前記行動予測を行う。

この構成によれば、電動車両の行動態様が大きく変化し、電動車両の今回の行動履歴が、過去の行動履歴より、許容値以上変化すると、今回以降の行動履歴が、今回より過去の行動履歴に対して行動予測に大きく反映するよう、今回以降の行動履歴の重みを大きくして、学習モデルを用いて行動予測を行う。したがって、電動車両の行動態様が大きく変化した場合であっても、充放電計画を作成する際に用いられる行動予測の精度を高めることができる。なお、学習モデルは、深層学習を含む機械学習で得られた行動予測モデルであってよい。

本開示によれば、電動車両の行動態様が大きく変化した場合であっても、充放電計画を作成する際に用いられる行動予測の精度を高めることができる。

本実施の形態に係る電力マネジメントシステムの概略構成を示す図である。本実施の形態において、サーバに構成される機能ブロック図である。サーバによって処理される、充放電計画作成処理の一例を示すフローチャートである。

以下、本開示の実施の形態について、図面を参照しながら詳細に説明する。なお、図中同一または相当部分には同一符号を付して、その説明は繰り返さない。

図１は、本実施の形態に係る電力マネジメントシステムの概略構成を示す図である。電力ネジメントシステムは、電力系統ＰＧの電力マネジメントを実行する。電力マネジメントシステムは、車群１と、ＥＶＳＥ群２と、サーバ３００とを含む。車群１は、複数の電動車両１００を含む。ＥＶＳＥ群２は、複数のＥＶＳＥ２００を含む。ＥＶＳＥ２００は、車両用給電設備（Electric Vehicle Service Equipment）である。本実施の形態では、ＥＶＳＥ２００は、家庭や事業所に設定されており、電力系統ＰＧから供給される電力を電動車両１００へ充電するとともに、電動車両１００のバッテリに蓄電されている電力を宅内や電力系統ＰＧへ給電することが可能とされている。

サーバ３００は、たとえば、ＶＰＰ事業者が保有するサーバであり、複数の分散型エネルギーリソース（ＤＥＲ：Distributed Energy Resources）を束ねてＶＰＰを実現するように構成される。サーバ３００は、たとえば、電力事業者からの要求に応じて、ＥＶＳＥ２００と電気的に接続された電動車両１００に電力系統ＰＧの電力マネジメントを実行させる。サーバ３００としては、プロセッサ３１０、ＲＡＭ（Random Access Memory）３２０、および記憶装置３３０を備えるコンピュータを採用できる。また、サーバ３００は、ＥＶＳＥ群２の各ＥＶＳＥ２００と車群１の各電動車両１００とを、ネットワークＮＷを通じて通信可能に構成されている。サーバ３００は、本開示の「電力管理装置」の一例に相当する。

車群１に含まれる各電動車両１００の識別情報（車両ＩＤ）が、予めサーバ３００に登録されている。サーバ３００の記憶装置３３０は、電動車両１００に関する情報（車両情報）を、車両ＩＤで区別して記憶している。車両情報には、電動車両１００の仕様（例えば、定格充電放電電力）等の基本データと、行動履歴データが含まれる。行動履歴データは、日時に対応付けられており、走行データ（出発位置、帰着位置、走行ルート、走行距離、ＳＯＣ消費量、等）、充放電実績、等を含む。

電動車両１００は、バッテリとＥＣＵ（Electronic Control Unit）とを備え、バッテリに蓄えられた電力を用いて走行可能に構成される電動車（ｘＥＶ）である。電動車両１００のＥＣＵは、ネットワークＮＷを介してサーバ３００と通信可能であり、行動履歴データをサーバ３００へ送信する。また、バッテリは、ＥＶＳＥ２００の充放電ケーブルの先端に設けたコネクタが、電動車両１００のインレットと接続されることにより、充放電を行う。なお、本実施の形態において、ＥＶＳＥ２００のコネクタが電動車両１００のインレットに接続されることを、プラグインと称し、コネクタとインレットの接続が開放されることを、プラグアウトとも称する。

図２は、本実施の形態において、サーバ３００に構成される機能ブロック図である。これらの機能は、プロセッサ３１０、ＲＡＭ３２０、記憶装置３３０が協働して形成される。受信部３０１は、電動車両１００（車群１）から車両情報を受信する。受信した車両情報は、データベース３０２に記憶される。これにより、データベース３０２に電動車両の行動履歴が蓄積される。また、受信部３０１は、電力事業者からのデマンドレスポンス（ＤＲ：Demand Response）要請を受信する。

受信部３０１がＤＲ要請の信号を受信すると、抽出部３０３は、車両ＩＤ毎に、データベース３０２から行動履歴を抽出する。判定部３０４では、抽出された行動履歴のうち、今回の行動履歴、たとえば抽出時から２４時間以内の行動履歴が、過去の行動履歴より大きく変化したか否かを判定する。たとえば、今回の行動履歴のうち、プラグイン位置（プラグインした場所）が、過去のプラグイン位置と異なる場合、今回の行動履歴が過去の行動履歴より許容値以上変化したと判定し、行動履歴が大きく変化したと判定する。今回の行動履歴のうち、バッテリのＳＯＣ（State Of Charge）が、過去の行動履歴のＳＯＣ平均値より、３０％以上差異があるとき、今回の行動履歴が過去の行動履歴より許容値以上変化したと判定し、行動履歴が大きく変化したと判定する。今回の行動履歴のうち、出発時刻（プラグアウト時刻）が、過去の行動履歴の当該曜日における出発時刻より、３時間以上差異があるとき、今回の行動履歴が過去の行動履歴より許容値以上変化したと判定し、行動履歴が大きく変化したと判定する。その他、走行ルートや走行距離を用いて、今回の行動履歴が過去の行動履歴より大きく変化したか否かを判定してよい。なお、許容値は、各パラメータに応じて、適切に設定される。

重み決定部３０５は、判定部３０４において、今回の行動履歴が過去の行動履歴より大きく変化した（許容値以上に変化した）ことが、たとえば３回継続して判定されると、過去の行動履歴に対して、今回以降の行動履歴の重みを大きく設定する。重みは、学習モデル（推論モデル）の重み付けである。今回の行動履歴が過去の行動履歴より大きく変化していない場合には、重み（重み付け）は変更されない（過去と今回以降の行動履歴の重みは、同じである）。なお、重み決定部３０５は、今回の行動履歴が過去の行動履歴より大きく変化したとき、電動車両１００のユーザに対して、今後も今回の行動履歴が繰り返し行われることを確認し、今後も今回の行動履歴が繰り返し行われる場合に、過去の行動履歴に対して、今回以降の行動履歴の重みを大きく設定するようにしてもよい。

学習モデル３０６は、学習済みの推論モデルであり、行動予測モデルである。学習モデル３０６は、たとえば、深層学習を含む機械学習で得られた行動予測モデルであってよい。抽出部３０３で抽出した、過去の行動履歴に基づいて、学習モデル３０６によって、電動車両１００の行動予測の推定が実行される。行動予測は、重み決定部３０５で設定した重みを用いて行われる。重みは、たとえば、入力層から中間層（隠層）の重み付けであってよい。重み決定部３０５において、過去の行動履歴に対して今回以降の行動履歴の重みを大きく設定されると、次回、判定部３０４において、今回の行動履歴が過去の行動履歴より大きく変化した（許容値以上に変化した）ことが判定されるまで、今回以降の行動履歴の重みが大きく設定された状態が継続する。

学習モデル３０６において、車群１に含まれるすべての電動車両１００の行動予測が推定されると、充放電計画作成部３０７は、電力事業者からのＤＲ要請に基づいて、充放電計画を作成する。要請部３０８は、充放電計画に基づいて、各電動車両１００へ充放電要請を行う。充放電要請は、たとえば、プラグイン時刻、充放電電力量、プラグアウト時刻等であってよい。

図３は、サーバ３００によって処理される、充放電計画作成処理の一例を示すフローチャートである。このフローチャートは、電力事業者からＤＲ要請が行われたとき、開始される。ステップ（以下、ステップを「Ｓ」と略す）１０では、データベース３０２から車両ＩＤ毎に、行動履歴を抽出する。Ｓ１１では、抽出された行動履歴のうち、今回の行動履歴、たとえば抽出時から２４時間以内の行動履歴が、過去の行動履歴より大きく変化したか否かを判定する。今回の行動履歴が過去の行動履歴より許容値以上変化し、行動履歴が大きく変化したと判定されると、肯定判定されＳ１２へ進む。今回の行動履歴が過去の行動履歴より許容値以上変化していない場合は、否定判定されＳ１４へ進む。

Ｓ１２では、今回の行動履歴が過去の行動履歴より大きく変化した（許容値以上に変化した）ことが、継続的な変化か否かを判定する。たとえば、Ｓ１１が３回継続して肯定判定されると、肯定判定されＳ１３へ進む。否定判定されたときには、Ｓ１４へ進む。なお、電動車両１００のユーザに対して、今後も今回の行動履歴が繰り返し行われることを確認し、今後も今回の行動履歴が繰り返し行われる場合を確認したとき、肯定判定され、Ｓ１３へ進んでもよい。

Ｓ１３では、過去の行動履歴に対して、今回以降の行動履歴の重みを大きく設定し、Ｓ１４へ進む。Ｓ１４では、学習モデル３０６によって、電動車両１００の行動予測を推定する。Ｓ１３が処理されたときには、行動予測は、Ｓ１３で設定した重みを用いて行われる。Ｓ１３が処理されないときには、重み（重み付け）は変更されない（過去と今回以降の行動履歴の重みは、同じである）。Ｓ１３において、過去の行動履歴に対して今回以降の行動履歴の重みを大きく設定されると、次回、Ｓ１３において、今回の行動履歴が過去の行動履歴より大きく変化した（許容値以上に変化した）ことが判定されるまで、今回以降の行動履歴の重みが大きく設定された状態が継続する。

Ｓ１５では、車群１に含まれるすべての電動車両１００の行動予測の推定が終了したか否かを判定する。すべての電動車両１００の行動予測の推定が終了すると、Ｓ１６において、電力事業者からのＤＲ要請に基づいて、充放電計画を作成したあと、Ｓ１７へ進む。Ｓ１７では、Ｓ１６で作成した充放電計画に基づいて、各電動車両１００へ充放電要請を行う。

この実施形態によれば、電動車両１００の行動態様が大きく変化し、電動車両１００の今回の行動履歴が、過去の行動履歴より、許容値以上変化すると、今回以降の行動履歴が、今回より過去の行動履歴に対して行動予測に大きく反映するよう、今回以降の行動履歴の重みを大きくして、学習モデル３０６を用いて行動予測を行う。電動車両１００の行動態様が大きく変化した場合であっても、充放電計画を作成する際に用いられる行動予測の精度を高めることができる。

上記実施の形態では、電動車両１００の今回の行動履歴が、過去の行動履歴より、許容値以上変化すると、今回以降の行動履歴が、今回より過去の行動履歴に対して行動予測に大きく反映するよう、今回以降の行動履歴の重みを大きくして、学習モデル３０６を用いて行動予測を行っていた。電動車両１００の今回の行動履歴が、過去の行動履歴より、許容値以上変化しない場合であっても、学習モデルを用いて行動予測を行う際、今回の気温と同等な気温を有する過去の行動履歴が大きく反映するよう、重み（重み付け）を設定してもよい。

また、電動車両１００の今回の行動履歴が、過去の行動履歴より、許容値以上変化した場合、今回以降の行動履歴のみを用いて（過去の行動履歴を用いることなく）、学習モデル３０６から行動予測を行うようにしてもよい。

今回開示された実施の形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本開示の範囲は、上記した実施の形態の説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

１車両群、２ＥＶＳＥ群、１００電動車両、２００ＥＶＳＥ、３００サーバ、３０１受信部、３０２データベース、３０３抽出部、３０４判定部、３０５重み決定部、３０６学習モデル、３０７充放電計画作成部、３０８要請部、３１０プロセッサ、３２０ＲＡＭ、３３０記憶装置。

Claims

電動車両の行動履歴を含む情報から、前記電動車両の行動予測を行い、前記行動予測に基づいて、前記電動車両の充放電計画を作成する電力管理装置であって、
前記行動予測は、学習モデルを用いて前記行動予測を行うものであり、
前記電動車両の今回の行動履歴が、過去の行動履歴より、許容値以上変化したか否かを判定する判定部を備え、
今回の行動履歴が、過去の行動履歴より、許容値以上変化した場合、今回以降の行動履歴が、今回より過去の行動履歴に対して前記行動予測に大きく反映するよう、今回以降の行動履歴の重みを大きくして、前記学習モデルを用いて前記行動予測を行う、電力管理装置。