ES3070366T3

ES3070366T3 - Sistemas y métodos para gestionar perfiles de velocidad

Info

Publication number: ES3070366T3
Application number: ES21772207T
Authority: ES
Inventors: Saurabh Bhasme; Thomas Couture; Britany Straley; Fabrizio Martini
Original assignee: Electra Vehicles Inc
Current assignee: Electra Vehicles Inc
Priority date: 2020-03-18
Filing date: 2021-03-17
Publication date: 2026-06-15
Anticipated expiration: 2041-03-17
Also published as: US12264926B2; EP4121329B1; CN115485681A; EP4121329A4; WO2021188647A1; EP4121329A1; US20230139003A1

Abstract

Sistemas, métodos y al menos un medio legible por computadora para seleccionar un perfil de velocidad para un vehículo eléctrico. En algunas implementaciones, se puede determinar un primer valor de parámetro para un segmento de carretera en un horizonte de selección, y un segundo valor de parámetro para un dispositivo de almacenamiento de energía del vehículo eléctrico. Los valores del primer y segundo parámetro se pueden usar para predecir varios perfiles de velocidad en el horizonte de selección, donde cada perfil de velocidad se predice en función del valor correspondiente de una variable relacionada con el estilo de conducción del conductor del vehículo eléctrico. Se puede calcular un costo de consumo de energía y un costo de tiempo de viaje para cada perfil de velocidad. Se puede seleccionar un perfil de velocidad de entre los perfiles de velocidad, en función de los respectivos costos de consumo de energía y los respectivos costos de tiempo de viaje. (Traducción automática con Google Translate, sin valor legal)

Description

[0001] DESCRIPCIÓN

[0002] Sistemas y métodos para gestionar perfiles de velocidad

[0003] APLICACIÓN RELACIONADA

[0004] Esta solicitud reclama el beneficio previsto en el artículo 119(e) del Título 35 del Código de los Estados Unidos (35 USC 119(e)) de la solicitud provisional estadounidense n.º 62/991,413, titulada «SYSTEMS AND METHODS FORMANAGING ENERGY STORAGE SYSTEMS», presentada el 18 de marzo de 2020.

[0005] ANTECEDENTES

[0006] La energía generada o recolectada en un momento dado puede almacenarse para su uso posterior mediante diversos tipos de dispositivos de almacenamiento de energía, como baterías electroquímicas, supercondensadores, condensadores de litio, pilas de combustible de hidrógeno, almacenamiento de energía de aire comprimido, almacenamiento de energía mediante volantes de inercia, etc. Los dispositivos de almacenamiento de energía basados en diferentes principios de funcionamiento pueden tener características distintas. Por ejemplo, algunos dispositivos de almacenamiento de energía (p. ej., baterías electroquímicas) pueden almacenar grandes cantidades de energía por unidad de masa y/o por unidad de volumen, mientras que otros (p. ej., supercondensadores) pueden suministrar grandes cantidades de potencia por unidad de masa y/o por unidad de volumen.

[0007] A menudo, especialmente cuando existen limitaciones como el costo, el peso, el espacio, etc., puede resultar difícil proporcionar un dispositivo de almacenamiento de energía que pueda almacenar una gran cantidad de energía y suministrar una gran cantidad de potencia. Por ejemplo, las decisiones de diseño (por ejemplo, la química de la batería, la configuración de los electrodos, etc.) que se toman para lograr una mayor densidad de energía (y/o energía específica) pueden conducir a una menor densidad de potencia (y/o potencia específica), y viceversa.

[0008] Además, en el caso de una batería electroquímica, una alta tasa de descarga puede producir calor excesivo, lo que puede dañar la batería y acortar su vida útil.

[0009] El documento US 2011/040438 A1 describe un método para estimar un parámetro operativo relacionado con la propulsión de un vehículo para un segmento de carretera y para determinar rutas basadas en la estimación. El método puede emplearse, por ejemplo, en un sistema de navegación vehicular. En un método de ejemplo, se estima al menos un parámetro operativo del vehículo para el segmento de carretera basándose en información correspondiente al segmento de carretera. El parámetro operativo relacionado con la propulsión se estima para el segmento de carretera utilizando al menos un parámetro operativo estimado y al menos un parámetro específico del vehículo. El al menos un parámetro específico del vehículo se determina adquiriendo datos de conducción para determinar una pluralidad de parámetros operativos del vehículo mientras el vehículo está en funcionamiento. Al menos dos de los parámetros operativos del vehículo determinados se utilizan en una relación predeterminada que incluye al menos un parámetro específico del vehículo. El al menos un parámetro específico del vehículo se determina luego a partir de los datos de conducción para los al menos dos parámetros operativos del vehículo y la relación.

[0010] El documento US 2012/158229 A1 describe un método para operar un vehículo que comprende un sistema de propulsión eléctrica y al menos una unidad de potencia eléctrica recargable y reemplazable, donde el sistema de propulsión eléctrica recibe energía eléctrica de la unidad de potencia eléctrica y esta se recarga o reemplaza cuando su nivel de carga es bajo.

[0011] RESUMEN

[0012] De acuerdo con la invención, un método implementado por computadora se define por el objeto de las reivindicaciones 1 a 10.

[0013] De acuerdo con la invención, un sistema se define por el objeto de la reivindicación 11.

[0014] De acuerdo con la invención, un soporte legible por computadora se define por el objeto de la reivindicación 12. BREVE DESCRIPCIÓN DE LOS DIBUJOS

[0015]

[0016] La FIG.1A muestra un sistema ilustrativo de gestión de almacenamiento de energía 100, de acuerdo con algunas formas de realización.

[0017] La FIG. 1B muestra un sistema ilustrativo de gestión de almacenamiento de energía remoto 150 y un sistema ilustrativo de gestión de almacenamiento de energía local 160, de acuerdo con algunas formas de realización. La figura 2A muestra un modelo ilustrativo de aprendizaje automático 200, de acuerdo con algunas formas de realización.

[0018] La FIG.2B muestra un conjunto ilustrativo de modelos de aprendizaje automático 250, de acuerdo con algunas formas de realización.

[0019] La FIG.3A muestra perfiles de velocidad ilustrativos 300A y 305A, de acuerdo con algunas formas de realización. La FIG.3B muestra perfiles de velocidad ilustrativos 300B y 305B, de acuerdo con algunas formas de realización. La FIG.3C muestra perfiles de velocidad ilustrativos 300C y 305C, de acuerdo con algunas formas de realización. La FIG.3D muestra perfiles de velocidad ilustrativos 300D y 305D, de acuerdo con algunas formas de realización. La FIG.4A muestra un proceso ilustrativo 400A para la predicción de la velocidad al final de un segmento, de acuerdo con algunas formas de realización.

[0020] La FIG.4B muestra un proceso ilustrativo 400B para predecir un perfil de velocidad general para un segmento de carretera, de acuerdo con algunas formas de realización.

[0021] La FIG.4C muestra un proceso 400C para seleccionar un perfil de velocidad, de acuerdo con la invención. La FIG.5 muestra un proceso ilustrativo 500 para seleccionar una o más estrategias de gestión de energía, de acuerdo con algunas formas de realización.

[0022] La FIG. 6 muestra una red ilustrativa 600 de categorías de modelos, de acuerdo con algunas formas de realización.

[0023] La FIG.7 muestra un sistema ilustrativo 1000 en el que se puede implementar uno o más aspectos de la presente divulgación, de acuerdo con algunas formas de realización.

[0025] DESCRIPCIÓN DETALLADA

[0027] Los inventores han reconocido y comprendido que el rendimiento de un dispositivo de almacenamiento de energía puede variar en función de una o más condiciones externas (p. ej., temperatura, humedad, presión barométrica, etc.) y/o una o más condiciones internas (p. ej., oxidación y/o acumulación en los electrodos). Dichas condiciones internas, a su vez, pueden depender del uso previo del dispositivo de almacenamiento de energía. Por ejemplo, el calor excesivo y/o una descarga rápida pueden dañar una batería electroquímica.

[0029] En consecuencia, en algunas formas de realización, se proporcionan técnicas para gestionar sistemas de almacenamiento de energía de forma adaptativa. Por ejemplo, se pueden proporcionar técnicas para controlar dinámicamente la carga y/o descarga de uno o más dispositivos de almacenamiento de energía, donde las decisiones de control pueden basarse en una o más condiciones externas y/o una o más condiciones internas.

[0031] El estado externo o interno de un dispositivo de almacenamiento de energía puede determinarse de cualquier manera adecuada. Por ejemplo, en algunas implementaciones, el estado externo o interno puede medirse utilizando uno o más sensores. Además, o alternativamente, el estado externo o interno puede derivarse de los datos de los sensores y/o de otros datos (por ejemplo, datos históricos sobre el uso anterior del dispositivo de almacenamiento de energía). Por ejemplo, el estado externo o interno puede predecirse aplicando uno o más modelos a los datos de los sensores y/o a los demás datos.

[0033] En algunas formas de realización, se puede proporcionar un sistema de almacenamiento de energía que incluya dos o más tipos diferentes de dispositivos de almacenamiento de energía. Dicho sistema de almacenamiento de energía se denomina a veces en este documento como un sistema de almacenamiento de energía "heterogéneo". Por ejemplo, se puede utilizar un dispositivo de almacenamiento de energía con una densidad de energía (y/o energía específica) relativamente alta para satisfacer una demanda de energía relativamente constante. Cuando hay un pico en la demanda de energía, se puede utilizar un dispositivo de almacenamiento de energía con una densidad de potencia (y/o potencia específica) relativamente alta, además de, o en lugar de, el dispositivo de almacenamiento de energía con una densidad de energía (y/o energía específica) relativamente alta. Sin embargo, debe entenderse que los aspectos de la presente divulgación no se limitan al uso de un sistema de almacenamiento de energía heterogéneo. Una o más de las técnicas descritas en este documento se pueden utilizar para gestionar y/o diseñar un sistema de almacenamiento de energía que tenga uno o más dispositivos de almacenamiento de energía del mismo tipo. Dicho sistema de almacenamiento de energía se denomina a veces en este documento como un sistema de almacenamiento de energía "homogéneo".

[0035] Cabe señalar que las técnicas presentadas anteriormente y descritas con mayor detalle a continuación pueden implementarse de diversas maneras, ya que no se limitan a ningún método de implementación en particular. Los ejemplos de detalles de implementación se proporcionan aquí únicamente con fines ilustrativos. Asimismo, las técnicas aquí descritas pueden utilizarse individualmente o en cualquier combinación adecuada, dado que la presente divulgación no se limita al uso de ninguna técnica o combinación de técnicas en particular.

[0037] La FIG.1A muestra un sistema ilustrativo de gestión de almacenamiento de energía 100, de acuerdo con algunas formas de realización. En este ejemplo, el sistema ilustrativo de gestión de almacenamiento de energía 100 se utiliza para gestionar los dispositivos de almacenamiento de energía 110A y 110B para suministrar energía a, y/o recibir energía de, una aplicación de energía 120. La aplicación de energía 120 puede ser cualquier aplicación de energía adecuada, como un vehículo, un electrodoméstico, un centro de datos, una red eléctrica, etc. Debe entenderse que una aplicación de energía puede pertenecer a una o más de estas categorías. Por ejemplo, un robot de almacén puede ser tanto un vehículo como un electrodoméstico.

[0038] Ejemplos de vehículos incluyen, entre otros, vehículos terrestres (p. ej., automóviles, motocicletas, scooters, tranvías, etc.), embarcaciones (p. ej., barcos, motos acuáticas, aerodeslizadores, submarinos, etc.), aeronaves (p. ej., drones, helicópteros, aviones, etc.) y naves espaciales. Cabe señalar que un vehículo puede pertenecer a varias de estas categorías. Por ejemplo, un hidroavión puede ser tanto una embarcación como una aeronave.

[0040] Algunos ejemplos de aparatos incluyen, entre otros, robots, equipos de climatización (calefacción, ventilación y aire acondicionado), maquinaria de construcción, herramientas eléctricas, equipos de refrigeración y equipos informáticos. Dichos aparatos pueden utilizarse en cualquier entorno adecuado, como un entorno residencial, comercial o industrial.

[0042] En algunas formas de realización, los dispositivos de almacenamiento de energía 110A y 110B pueden ser de diferentes tipos. Por ejemplo, el dispositivo de almacenamiento de energía 110A puede tener una mayor densidad de energía (y/o energía específica) en comparación con el dispositivo de almacenamiento de energía 110B. Además, o alternativamente, el dispositivo de almacenamiento de energía 110B puede tener una mayor densidad de potencia (y/o potencia específica) en comparación con el dispositivo de almacenamiento de energía 110A. En consecuencia, el dispositivo de almacenamiento de energía 110A y el dispositivo de almacenamiento de energía 110B se denominan a veces en este documento dispositivo de "alta energía" y dispositivo de "alta potencia", respectivamente. Por lo tanto, debe entenderse que los términos "alta energía" y "alta potencia" se utilizan en un sentido relativo, en lugar de un sentido absoluto.

[0044] En el ejemplo mostrado en la FIG. 1A, el dispositivo de almacenamiento de energía 110A incluye un almacenamiento de energía 112A, y el dispositivo de almacenamiento de energía 110B incluye un almacenamiento de energía 112B. En algunas formas de realización, el almacenamiento de energía 112A puede incluir una batería electroquímica, mientras que el almacenamiento 112B puede incluir un supercondensador. Sin embargo, debe entenderse que los aspectos de la presente divulgación no se limitan al uso de ninguna tecnología de almacenamiento de energía en particular o combinación de tecnologías de almacenamiento de energía. En algunas formas de realización, los almacenamientos de energía 112A y 112B pueden incluir baterías electroquímicas, que pueden ser de la misma química o de químicas diferentes. En algunas formas de realización, los almacenamientos de energía 112A y 112B pueden incluir supercondensadores u otras unidades de almacenamiento de energía no electroquímicas que pueden ser del mismo tipo o de tipos diferentes.

[0046] El sistema de almacenamiento de energía 112A puede tener cualquier construcción adecuada. Por ejemplo, puede utilizar un electrolito líquido, un electrolito sólido o un electrolito polimérico. Además, puede ser una celda, un módulo, un paquete u otra unidad adecuada que se pueda controlar individualmente. De igual manera, el sistema de almacenamiento de energía 112B puede tener cualquier construcción adecuada, que puede ser igual o diferente a la del sistema 112A. Por ejemplo, puede utilizar un electrolito líquido, un electrolito sólido o un electrolito polimérico. Además, puede ser una celda, un módulo, un paquete u otra unidad adecuada que se pueda controlar individualmente.

[0048] En algunas formas de realización, uno o ambos dispositivos de almacenamiento de energía 110A y 110B pueden incluir un administrador de dispositivos. Por ejemplo, en el ejemplo de la FIG.1A, los dispositivos de almacenamiento de energía 110A y 110B incluyen, respectivamente, los administradores de dispositivos 114A y 114B. Por ejemplo, un administrador de dispositivos puede incluir un sistema de gestión de baterías (BMS) integrado en un paquete de baterías inteligente.

[0050] En algunas formas de realización, un administrador de dispositivos (por ejemplo, el administrador de dispositivos 114A o el administrador de dispositivos 114B) puede configurarse para monitorear uno o más aspectos de un almacenamiento de energía asociado (por ejemplo, el almacenamiento de energía 112A o el almacenamiento de energía 112B). Ejemplos de aspectos monitoreados incluyen, entre otros, corriente, voltaje, temperatura, estado de carga (por ejemplo, porcentaje de carga), estado de salud (por ejemplo, capacidad actual como porcentaje de la capacidad original cuando el dispositivo de almacenamiento de energía era nuevo), etc. Por ejemplo, el administrador de dispositivos puede incluir uno o más sensores configurados para recopilar datos del almacenamiento de energía asociado. Adicionalmente, o alternativamente, el administrador de dispositivos puede incluir uno o más controladores configurados para procesar los datos recopilados del almacenamiento de energía asociado.

[0052] En algunas formas de realización, un administrador de dispositivos (por ejemplo, el administrador de dispositivos 114A o el administrador de dispositivos 114B) puede configurarse para controlar un sistema de almacenamiento de energía asociado (por ejemplo, el sistema de almacenamiento de energía 112A o el sistema de almacenamiento de energía 112B). Por ejemplo, el administrador de dispositivos puede configurarse para detener la descarga del sistema de almacenamiento de energía asociado al detectar que su temperatura ha alcanzado un umbral predefinido. Además, o alternativamente, en una implementación en la que el sistema de almacenamiento de energía asociado incluye varias celdas en serie, el administrador de dispositivos puede configurarse para realizar el balanceo, por ejemplo, transfiriendo energía de la celda con mayor carga a la celda con menor carga.

[0054] [0025]En algunas formas de realización, un administrador de dispositivos (por ejemplo, el administrador de dispositivos 114A o el administrador de dispositivos 114B) puede configurarse para transmitir datos a través de una interfaz de comunicación, como una interfaz de bus (por ejemplo, Controller Area Network o CAN), una interfaz inalámbrica (por ejemplo, Bluetooth), etc. Por ejemplo, el administrador de dispositivos puede configurarse para transmitir datos a un controlador maestro 102 del sistema de gestión de almacenamiento de energía 100. Se pueden transmitir todos los datos pertinentes, incluidos, entre otros, datos de sensores y/o uno o más resultados del análisis de datos de sensores.

[0055] Cabe señalar que los aspectos de la presente divulgación no se limitan al uso de un dispositivo de almacenamiento de energía con un administrador de dispositivos asociado. En algunas formas de realización, se pueden utilizar uno o más sensores externos a un dispositivo de almacenamiento de energía para monitorear uno o más aspectos del dispositivo, como la corriente, el voltaje, la temperatura, el estado de carga, el estado de salud, etc.

[0056] En algunas formas de realización, el controlador maestro 102 puede recibir datos de la aplicación de energía 120 además de, o en lugar de, el administrador de dispositivos 114A y/o el administrador de dispositivos 114B. Por ejemplo, la aplicación de energía 120 puede proporcionar datos que indiquen cuánta energía está consumiendo o suministrando actualmente. Adicionalmente, o alternativamente, la aplicación de energía 120 puede proporcionar datos ambientales como el clima (por ejemplo, temperatura, humedad, presión atmosférica, etc.), el tráfico (en el caso de un vehículo), etc. Adicionalmente, o alternativamente, la aplicación de energía 120 puede proporcionar datos operativos como la velocidad (en el caso de un vehículo), el uso de la CPU (en el caso de equipos informáticos), el peso de la carga (en el caso de un robot de almacén o un dron), etc.

[0057] Adicionalmente, o alternativamente, el controlador maestro 102 puede recibir datos de la electrónica de potencia 104, que puede incluir circuitos configurados para distribuir una demanda o suministro de energía por parte de la aplicación de energía 120 entre los dispositivos de almacenamiento de energía 110A y 110B. Por ejemplo, la electrónica de potencia 104 puede proporcionar datos que indiquen si la aplicación de energía 120 está consumiendo o suministrando energía en ese momento, cuánta energía está consumiendo o suministrando la aplicación de energía 120 en ese momento y/o cómo se distribuye esa energía entre los dispositivos de almacenamiento de energía 110A y 110B.

[0058] Adicionalmente, o alternativamente, el controlador maestro 102 puede recibir datos de una o más fuentes de datos remotas 130. Por ejemplo, el sistema de gestión de almacenamiento de energía 100 puede incluir una interfaz de red 106 configurada para establecer una conexión utilizando una tecnología de red adecuada (p. ej., 5G, WiMax, LTE, GSM, WiFi, Ethernet, Bluetooth, etc.). Aunque en la FIG.1A solo se muestra una interfaz de red, debe entenderse que los aspectos de la presente divulgación no se limitan a esto. En algunas formas de realización, se puede proporcionar una pluralidad de interfaces de red, que pueden ser del mismo tipo o de tipos diferentes. En algunas formas de realización, no se proporciona ninguna interfaz de red, y el controlador maestro 102 puede recibir datos de una fuente de datos remota a través de la aplicación de energía 120.

[0059] Además, cabe señalar que los datos pueden recibirse de cualquier fuente de datos remota adecuada. Por ejemplo, la aplicación de energía 120 puede ser un vehículo de una flota, y el controlador maestro 102 puede recibir datos de otros vehículos de la flota. Adicionalmente, o como alternativa, el controlador maestro 102 puede recibir datos de un servidor en la nube que supervisa y/o controla la flota.

[0060] En algunas formas de realización, el controlador maestro 102 puede configurarse para proporcionar una o más señales de control a la electrónica de potencia 104. Por ejemplo, el controlador maestro 102 puede configurarse para analizar los datos recibidos del dispositivo de almacenamiento de energía 110A, el dispositivo de almacenamiento de energía 110B, la electrónica de potencia 104, la aplicación de energía 120 y/o una o más fuentes de datos remotas 130. Con base en el resultado del análisis, el controlador maestro 102 puede determinar cómo se debe distribuir la demanda (o suministro) de energía de la aplicación de energía 120 entre los dispositivos de almacenamiento de energía 110A y 110B, y/o si se debe transferir energía del dispositivo de almacenamiento de energía 110A al dispositivo de almacenamiento de energía 110B, o viceversa. El controlador maestro 102 puede entonces proporcionar una o más señales de control a la electrónica de potencia 104 para efectuar la distribución deseada de potencia y/o energía.

[0061] Si bien los detalles de la implementación se describen anteriormente y se muestran en la FIG.1A, cabe señalar que la presente divulgación no se limita a ninguna forma particular de implementación. Por ejemplo, aunque en la FIG.1A se muestran dos dispositivos de almacenamiento de energía (es decir, 110A y 110B), cabe señalar que la presente divulgación no se limita al uso de un número determinado de estos dispositivos. En algunas formas de realización, se puede utilizar un solo dispositivo de almacenamiento de energía, o bien tres, cuatro, cinco, etc.

[0062] La FIG. 1B muestra un sistema ilustrativo de gestión remota de almacenamiento de energía 150 y un sistema ilustrativo de gestión local de almacenamiento de energía 160, de acuerdo con algunas formas de realización. Por ejemplo, el sistema local de gestión de almacenamiento de energía 160 puede incluir el sistema ilustrativo de gestión de almacenamiento de energía 100 del ejemplo de la FIG. 1A, y puede estar ubicado junto con la aplicación de energía ilustrativa 120. Por el contrario, el sistema remoto de gestión de almacenamiento de energía 150 puede estar ubicado lejos de la aplicación de energía 120, y puede comunicarse con el sistema local de gestión de almacenamiento de energía 160 a través de una o más redes. Por ejemplo, el sistema remoto de gestión de almacenamiento de energía 150 puede estar ubicado en un servidor en la nube, y puede comunicarse con uno o más sistemas locales de gestión de almacenamiento de energía que están asociados, respectivamente, con una o más aplicaciones de energía (por ejemplo, una flota de vehículos eléctricos).

[0063] Los inventores han reconocido y comprendido que un sistema local de gestión de almacenamiento de energía puede tener una o más limitaciones de recursos, como memoria limitada, ciclos de procesamiento limitados, etc. En consecuencia, en algunas formas de realización, el sistema local de gestión de almacenamiento de energía 160 puede transmitir datos al sistema remoto de gestión de almacenamiento de energía 150 para su almacenamiento y/o procesamiento. Por ejemplo, el sistema remoto de gestión de almacenamiento de energía 150 puede incluir un almacén de datos 152, que puede almacenar datos recibidos del sistema local de gestión de almacenamiento de energía 160 y/o de uno o más sistemas locales de gestión de almacenamiento de energía. En consecuencia, el sistema local de gestión de almacenamiento de energía 160 puede almacenar una cantidad menor de datos históricos, como datos recopilados de la aplicación de energía 120 durante un período de tiempo más corto (por ejemplo, la última hora, día, semana, etc.), mientras que el sistema remoto de gestión de almacenamiento de energía 150 puede almacenar una cantidad mayor de datos históricos, como datos recopilados de la aplicación de energía 120 durante un período de tiempo más largo (por ejemplo, el último mes, trimestre, año, etc.).

[0065] Los inventores han reconocido y comprendido que un sistema local de gestión de almacenamiento de energía puede tener acceso a datos limitados. Por ejemplo, el sistema local de gestión de almacenamiento de energía 160 puede tener acceso únicamente a los datos recopilados de la aplicación de energía 120. En consecuencia, en algunas formas de realización, el sistema local de gestión de almacenamiento de energía 160 puede recibir datos del sistema remoto de gestión de almacenamiento de energía 150. Se pueden recibir datos adecuados del sistema remoto de gestión de almacenamiento de energía 150, incluyendo, entre otros, información de tráfico, información meteorológica y/o información recopilada de una o más aplicaciones de energía.

[0067] El sistema local de gestión de almacenamiento de energía 160 puede transmitir datos al sistema remoto de gestión de almacenamiento de energía 150 y/o recibirlos de él de cualquier manera adecuada. En algunas formas de realización, el sistema local de gestión de almacenamiento de energía 160 puede transmitir datos al sistema remoto de gestión de almacenamiento de energía 150 y/o recibirlos de él en tiempo real. Por ejemplo, el sistema local de gestión de almacenamiento de energía 160 puede utilizar una o más tecnologías de red cableadas y/o inalámbricas para transmitir datos al sistema remoto de gestión de almacenamiento de energía 150 y/o recibirlos de él periódicamente (por ejemplo, cada segundo, minuto, cinco minutos, 10 minutos, etc.). Adicionalmente, o alternativamente, el sistema local de gestión de almacenamiento de energía 160 puede transmitir datos al sistema remoto de gestión de almacenamiento de energía 150 y/o recibirlos de él en lotes. Por ejemplo, la aplicación de energía 120 puede incluir un vehículo eléctrico, y el sistema local de gestión de almacenamiento de energía 160 puede transmitir datos al sistema remoto de gestión de almacenamiento de energía 150 y/o recibir datos de este cuando la aplicación de energía 120 se está cargando en una estación.

[0069] En algunas formas de realización, el sistema local de gestión de almacenamiento de energía 160 puede utilizar una o más estrategias de gestión de energía para analizar una o más entradas y generar una o más señales de control. Estas estrategias de gestión de energía pueden seleccionarse dinámicamente. Por ejemplo, con referencia al ejemplo de la FIG.1A, se puede seleccionar una estrategia de gestión de energía en función de una o más condiciones relacionadas con los dispositivos de almacenamiento de energía ilustrativos 110A-B y/o la aplicación de energía ilustrativa 120, y/o una o más condiciones ambientales.

[0071] Dado que el sistema local de gestión de almacenamiento de energía 160 puede tener memoria y/o ciclos de procesamiento limitados, el sistema remoto de gestión de almacenamiento de energía 150 puede, en algunas formas de realización, ayudar al sistema local 160 a almacenar y/o seleccionar una estrategia de gestión de energía adecuada. Por ejemplo, el sistema remoto 150 puede almacenar un conjunto de estrategias de gestión de energía 154. Además, o alternativamente, el sistema remoto 150 puede incluir un clasificador 156 configurado para realizar la clasificación en función de los datos recibidos del sistema local 160.

[0073] En algunas formas de realización, el sistema local de gestión de almacenamiento de energía 160 puede configurarse para detectar un cambio en una o más condiciones relevantes. Por ejemplo, la aplicación de energía 120 puede incluir un vehículo eléctrico, y el sistema local de gestión de almacenamiento de energía 160 puede configurarse para detectar un cambio en las condiciones de la carretera, por ejemplo, comparando una o más mediciones de sensores (p. ej., coeficiente de deslizamiento, vibración de las ruedas, etc.) con uno o más umbrales respectivos. En respuesta a la detección de un cambio en las condiciones de la carretera, el sistema local de gestión de almacenamiento de energía 160 puede enviar, al sistema remoto de gestión de almacenamiento de energía 150, una solicitud de actualización de la estrategia de gestión de energía.

[0075] [0040]En algunas formas de realización, la solicitud de actualización de estrategia enviada por el sistema local de gestión de almacenamiento de energía 160 puede incluir datos pertinentes, como una o más mediciones de sensores que activaron la solicitud de actualización de estrategia. El sistema remoto de gestión de almacenamiento de energía 150 puede utilizar estos datos para seleccionar una estrategia de gestión de energía adecuada. Por ejemplo, el clasificador 156 puede incluir un modelo de aprendizaje automático que asigna dos entradas, el coeficiente de deslizamiento y la vibración de la rueda, a una etiqueta que indica un tipo de condición de la carretera (por ejemplo, adoquines, asfalto, hormigón, tierra, etc.). El clasificador 156 puede aplicar dicho modelo de aprendizaje automático a los datos recibidos del sistema local de gestión de almacenamiento de energía 160. El sistema remoto de gestión de almacenamiento de energía 150 puede utilizar una etiqueta de salida del clasificador 156 para seleccionar una estrategia de gestión de energía adecuada de la colección de estrategias de gestión de energía 154. El sistema remoto de gestión de almacenamiento de energía 150 puede entonces devolver la estrategia de gestión de energía seleccionada al sistema local de gestión de almacenamiento de energía 160.

[0076] Se puede utilizar cualquier técnica adecuada para entrenar un modelo de aprendizaje automático para el clasificador 156. Por ejemplo, en algunas formas de realización, el modelo de aprendizaje automático puede incluir una red neuronal artificial. Se pueden utilizar datos etiquetados (p. ej., coeficiente de deslizamiento y mediciones de vibración de la rueda en condiciones de carretera conocidas) para entrenar la red neuronal artificial. Adicionalmente, o alternativamente, se puede utilizar una técnica de aprendizaje no supervisado (p. ej., análisis de clúster). Sin embargo, debe entenderse que los aspectos de la presente divulgación no se limitan al uso de un modelo de aprendizaje automático para seleccionar una estrategia de gestión de energía apropiada.

[0077] Si bien los detalles de la implementación se describen anteriormente y se muestran en la FIG.1B, cabe señalar que los aspectos de la presente divulgación no se limitan a ninguna forma particular de implementación. Por ejemplo, en algunas formas de realización, se pueden proporcionar múltiples clasificadores (p. ej., para condiciones de la carretera, tráfico, clima, etc.). Se puede aplicar la lógica de programación apropiada a las salidas de estos clasificadores para seleccionar una estrategia de gestión de energía. Adicionalmente, o alternativamente, se puede proporcionar un clasificador en el sistema local de gestión de almacenamiento de energía 160, y la salida de dicho clasificador se puede enviar al sistema remoto de gestión de almacenamiento de energía 150 en lugar de, o además de, una o más mediciones sin procesar.

[0078] En algunas formas de realización, el sistema local de gestión de almacenamiento de energía 160 de la aplicación de energía 120 puede compartir datos con un sistema de gestión de almacenamiento de energía de otra aplicación de energía. Por ejemplo, el sistema local de gestión de almacenamiento de energía 160 puede recibir datos del otro sistema de gestión de almacenamiento de energía y/o enviarle datos a través de un canal de comunicación establecido mediante una o más tecnologías de red adecuadas (por ejemplo, 5G, WiMax, LTE, GSM, WiFi, Ethernet, Bluetooth, etc.).

[0079] En algunas formas de realización, el sistema local de gestión de almacenamiento de energía 160 puede recibir, de un sistema de gestión de almacenamiento de energía de otra aplicación energética, datos que pueden utilizarse para evaluar el rendimiento del sistema y/o predecir la demanda de energía futura. Ejemplos de dichos datos incluyen, entre otros, las condiciones actuales del tráfico, las eficiencias del ciclo y/o los estados de salud de los dispositivos de almacenamiento de energía. El sistema local de gestión de almacenamiento de energía 160 puede analizar los datos recibidos y decidir si reemplazar una estrategia de gestión de energía actualmente implementada por otra. Por ejemplo, el sistema local de gestión de almacenamiento de energía 160 puede determinar que la otra aplicación energética está experimentando condiciones ambientales similares a las que probablemente experimentará la aplicación energética 120 en un futuro próximo (por ejemplo, condiciones de tráfico próximas), y que la otra aplicación energética está funcionando bien en esas condiciones ambientales (por ejemplo, eficiencias del ciclo y/o estados de salud por encima de los umbrales respectivos). En consecuencia, el sistema local de gestión de almacenamiento de energía 160 puede decidir cambiar a una estrategia de gestión de energía aplicada por la otra aplicación energética.

[0080] Cabe señalar que el sistema local de gestión de almacenamiento de energía 160 puede comunicarse con el otro sistema de gestión de almacenamiento de energía de forma directa o indirecta. Por ejemplo, los sistemas de gestión de almacenamiento de energía pueden establecer un canal de comunicación directo. Además, o alternativamente, los sistemas de gestión de almacenamiento de energía pueden comunicarse a través de uno o más intermediarios, como el sistema remoto de gestión de almacenamiento de energía 150 en el ejemplo de la FIG.1B. Por ejemplo, el sistema remoto de gestión de almacenamiento de energía 150 puede recopilar datos de múltiples aplicaciones de energía (por ejemplo, una flota de vehículos), determinar qué aplicaciones de energía tienen un buen rendimiento y cuáles tienen un rendimiento deficiente, y decidir si debe instruir a una aplicación de energía con bajo rendimiento para que cambie la estrategia de gestión de energía utilizada por una aplicación de energía con buen rendimiento.

[0081] Cabe señalar también que los aspectos de la presente divulgación no se limitan a contar con un sistema de gestión de almacenamiento de energía remoto y un sistema de gestión de almacenamiento de energía local. En algunas formas de realización, puede existir únicamente un sistema de gestión de almacenamiento de energía local, únicamente un sistema de gestión de almacenamiento de energía remoto o ninguno de los dos.

[0082] La figura 2A muestra un modelo de aprendizaje automático 200 ilustrativo, de acuerdo con algunas formas de realización. El modelo de aprendizaje automático 200 puede ser una estrategia de gestión de energía que asigna una o más entradas a una o más salidas de control. (En contraste, el clasificador ilustrativo 156 en el ejemplo de la FIG. 1B puede usar un modelo de aprendizaje automático que genera una o más etiquetas de clasificación).

[0083] En algunas formas de realización, el modelo de aprendizaje automático 200 puede ser parte de la colección ilustrativa de estrategias de gestión de energía 154 en el ejemplo de la FIG. 1B. Adicionalmente, o alternativamente, el modelo de aprendizaje automático 200 puede ser utilizado por el controlador maestro ilustrativo 102 en el ejemplo de la FIG.1A para analizar una o más entradas y generar una o más señales de control.

[0084] En algunas formas de realización, las entradas del modelo de aprendizaje automático 200 pueden incluir datos del dispositivo de almacenamiento de energía ilustrativo 110A, el dispositivo de almacenamiento de energía ilustrativo 110B, la electrónica de potencia ilustrativa 104, la aplicación de energía ilustrativa 120 y/o las fuentes de datos remotas ilustrativas 130 en el ejemplo de la FIG. 1A. Dichos datos pueden recibirse dinámicamente. El controlador maestro 102 puede usar el modelo de aprendizaje automático 200 para analizar los datos recibidos y proporcionar una o más señales de control en consecuencia. Por ejemplo, el controlador maestro 102 puede proporcionar una señal de control a la electrónica de potencia 104 para indicar cómo se debe distribuir una demanda o suministro de energía por parte de la aplicación de energía 120 entre los dispositivos de almacenamiento de energía 110A y 110B.

[0086] En algunas formas de realización, los dispositivos de almacenamiento de energía 110A y 110B pueden incluir uno o más paquetes de baterías electroquímicas, y los datos recibidos de los dispositivos de almacenamiento de energía 110A y 110B pueden incluir uno o más de los siguientes. (La abreviatura "ESS" significa sistema de almacenamiento de energía).

[0089]

[0091] <1>En algunas formas de realización, la capacidad máxima de un dispositivo de almacenamiento de energía (por ejemplo, batería, supercondensador, etc.) puede modelarse como una función dependiente del tiempo. Por ejemplo, la capacidad máxima puede variar debido al envejecimiento por calendario, al envejecimiento cíclico, etc. Además, o alternativamente, una función de capacidad máxima puede depender de una o más condiciones térmicas, una o más condiciones de carga/descarga, etc.

[0093] En algunas formas de realización, el dispositivo de almacenamiento de energía 110B puede incluir un supercondensador, y los datos recibidos del dispositivo de almacenamiento de energía 110B pueden incluir uno o más de los siguientes:

[0096]

[0099] En algunas formas de realización, los datos recibidos de la electrónica de potencia 104, la aplicación de energía 120 y/o una o más fuentes de datos remotas 130 pueden incluir datos ambientales generales, como uno o más de los siguientes.

[0100]

[0103] En algunas formas de realización, la aplicación de energía 120 puede incluir un vehículo, y los datos recibidos de la electrónica de potencia 104, la aplicación de energía 120 y/o una o más fuentes de datos remotas 130 pueden incluir datos ambientales del vehículo, como uno o más de los siguientes.

[0106]

[0108] <2>En algunas formas de realización, la relación ART puede modelarse como una función dependiente del tiempo. Por ejemplo, la relación ART puede variar debido al envejecimiento del vidrio de la cabina, los cambios climáticos, etc. Además, o alternativamente, la relación ART puede variar según la hora del día, la época del año, etc. Por consiguiente, la relación ART puede presentar grandes fluctuaciones a lo largo de la vida útil de un vehículo, pero pequeñas fluctuaciones dentro de un mismo ciclo de conducción.

[0109] En algunas formas de realización, una o más de las variables dependientes y/o variables independientes que se muestran en la Tabla 3B pueden usarse para predecir la demanda de potencia del vehículo.

[0110] En algunas formas de realización, la aplicación de energía 120 puede incluir una red eléctrica, y los datos recibidos de la electrónica de potencia 104, la aplicación de energía 120 y/o una o más fuentes de datos remotas 130 pueden incluir datos ambientales de la red eléctrica, como uno o más de los siguientes.

[0113]

[0116] En algunas formas de realización, una o más de las variables dependientes y/o variables independientes que se muestran en la Tabla 3C pueden usarse para predecir la generación de energía (por ejemplo, mediante turbinas eólicas y/o paneles solares) y/o la demanda de energía.

[0117] En algunas formas de realización, los datos recibidos de la electrónica de potencia 104, la aplicación de energía 120 y/o una o más fuentes de datos remotas 130 pueden incluir datos operativos generales, como uno o más de los siguientes.

[0118]

[0121] En algunas formas de realización, la aplicación de energía 120 puede incluir un vehículo, y los datos recibidos de la electrónica de potencia 104, la aplicación de energía 120 y/o una o más fuentes de datos remotas 130 pueden incluir datos operativos del vehículo, tales como uno o más de los siguientes:

[0123]

[0126] En algunas formas de realización, una o más de las variables dependientes y/o variables independientes que se muestran en la Tabla 4B pueden usarse para predecir la demanda de potencia del vehículo.

[0128] En algunas formas de realización, la aplicación de energía 120 puede incluir una red eléctrica, y los datos recibidos de la electrónica de potencia 104, la aplicación de energía 120 y/o una o más fuentes de datos remotas 130 pueden incluir datos operativos de la red eléctrica, tales como uno o más de los siguientes:

[0130]

[0131] En algunas formas de realización, una o más de las variables dependientes y/o variables independientes que se muestran en la Tabla 3C pueden usarse para predecir la generación de energía (por ejemplo, mediante turbinas eólicas y/o paneles solares) y/o la demanda de energía.

[0133] Cabe señalar que los ejemplos anteriores de datos dinámicos se proporcionan únicamente con fines ilustrativos, ya que la presente divulgación no se limita al uso de ningún tipo o combinación particular de datos dinámicos, ni a ningún tipo de datos dinámicos en absoluto. Por ejemplo, si bien anteriormente se analizan los vehículos y la red eléctrica, cabe destacar que las técnicas aquí descritas pueden utilizarse para gestionar sistemas de almacenamiento de energía para cualquier tipo de aplicación energética.

[0135] Como se describió anteriormente en relación con el ejemplo de la FIG. 1A, el controlador maestro 102 puede proporcionar una o más señales de control que indiquen una distribución de potencia. Por ejemplo, las señales de control pueden indicar un porcentaje de potencia que se extraerá o suministrará al dispositivo de almacenamiento de energía 110A, y/o un porcentaje de potencia que se extraerá o suministrará al dispositivo de almacenamiento de energía 110B. En algunas formas de realización, esta distribución de potencia puede ser efectuada por la electrónica de potencia 104 durante un ciclo de control posterior. Adicionalmente, o alternativamente, la distribución de potencia puede actualizarse una o más veces durante un ciclo de control.

[0137] En algunos casos, la energía puede extraerse tanto del dispositivo de almacenamiento de energía 110A como del dispositivo de almacenamiento de energía 110B, y una o más señales de control pueden indicar cómo se divide la demanda total de energía entre estos dos dispositivos de almacenamiento de energía. En algunos casos, la energía puede suministrarse tanto al dispositivo de almacenamiento de energía 110A como al dispositivo de almacenamiento de energía 110B, y una o más señales de control pueden indicar cómo se divide el suministro total de energía entre estos dos dispositivos de almacenamiento de energía.

[0139] En algunas formas de realización, el controlador maestro 102 puede generar una distribución de potencia en la que una primera cantidad de potencia se extrae del dispositivo de almacenamiento de energía 110A, pero una segunda cantidad de potencia se suministra al dispositivo de almacenamiento de energía 110B. Además, o alternativamente, el controlador maestro 102 puede generar una distribución de potencia en la que una primera cantidad de potencia se suministra al dispositivo de almacenamiento de energía 110A, pero una segunda cantidad de potencia se extrae del dispositivo de almacenamiento de energía 110B. Una diferencia entre la primera cantidad y la segunda cantidad puede indicar una cantidad de energía extraída o suministrada a la aplicación de energía 120. Si la aplicación de energía 120 está extrayendo energía, una o más señales de control pueden indicar cómo se divide una cantidad de energía extraída de un dispositivo de almacenamiento de energía entre la aplicación de energía 120 y el otro dispositivo de almacenamiento de energía. Si la aplicación de energía 120 está suministrando energía, una o más señales de control pueden indicar cómo se divide una cantidad de energía suministrada a un dispositivo de almacenamiento de energía entre la aplicación de energía 120 y el otro dispositivo de almacenamiento de energía.

[0141] Los inventores han reconocido y apreciado que puede ser deseable proporcionar actualizaciones en la distribución de energía basadas en datos recién recopilados. Por ejemplo, la distribución de energía puede actualizarse en función de uno o más objetivos, como mejorar la vida útil de los dispositivos de almacenamiento de energía, mejorar la eficiencia energética (por ejemplo, extender la autonomía de un vehículo eléctrico), etc. Por lo tanto, los ciclos de control más cortos pueden ser beneficiosos. Sin embargo, los ciclos de control demasiado cortos pueden provocar fluctuaciones rápidas de energía, lo que a su vez puede causar daños a la electrónica de potencia, los motores eléctricos, etc. En consecuencia, en algunas formas de realización, se puede seleccionar una duración de un ciclo de control que represente un equilibrio deseado. Por ejemplo, un ciclo de control puede durar varios segundos (por ejemplo, 5 segundos, 10 segundos, 20 segundos, 30 segundos, 40 segundos, 50 segundos, 60 segundos,...) o varios minutos (por ejemplo, 2 minutos, 3 minutos, 4 minutos, 5 minutos, 6 minutos, 7 minutos, 8 minutos, 9 minutos, 10 minutos,...).

[0143] En algunas formas de realización, los datos que utiliza el controlador maestro 102 para tomar decisiones de control pueden adquirirse con una frecuencia igual o diferente a la frecuencia con la que se actualiza la distribución de potencia. Por ejemplo, la frecuencia de adquisición de datos (p. ej., cada milisegundo) puede ser un múltiplo de la frecuencia de actualización de la distribución de potencia (p. ej., cada segundo), de modo que se puedan recopilar varios puntos de datos durante un ciclo de control. Se puede utilizar una estadística adecuada (p. ej., media, mediana, moda, máximo, mínimo, etc.) de los puntos de datos para determinar la distribución de potencia apropiada que se llevará a cabo durante el siguiente ciclo de control.

[0145] En algunas formas de realización, se pueden utilizar una o más técnicas de aprendizaje automático para determinar una distribución de potencia adecuada. Por ejemplo, el modelo de aprendizaje automático del ejemplo de la figura 2A puede incluir una red neuronal artificial con una capa de entrada, una o más capas ocultas y una capa de salida. En algunas formas de realización, la red neuronal artificial puede ser una red perceptrón multicapa, aunque no es un requisito. Los aspectos de la presente divulgación no se limitan al uso de ningún tipo particular de red neuronal artificial, ni a ninguna red neuronal artificial en absoluto. Por ejemplo, en algunas formas de realización, se puede utilizar una red neuronal convolucional, con una o más capas convolucionales y/o capas de agrupación para el aprendizaje de características, seguidas de una o más capas totalmente conectadas para la clasificación.

[0146] Los inventores han reconocido y valorado que, en algunos casos, puede ser beneficioso utilizar un conjunto de modelos de aprendizaje automático, en lugar de un único modelo. Por ejemplo, un modelo con un gran número de nodos de entrada puede sustituirse por un conjunto de modelos, cada uno con un número reducido de nodos de entrada. Estos modelos pueden entrenarse por separado, reduciendo así la complejidad computacional.

[0147] La FIG. 2B muestra un conjunto ilustrativo de modelos de aprendizaje automático 250, de acuerdo con algunas formas de realización. Por ejemplo, los modelos de aprendizaje automático 250A, 250B, 250C, 250D, etc., en conjunto, pueden ser utilizados por el controlador maestro ilustrativo 102 en el ejemplo de la FIG. 1A para asignar una o más entradas a una o más salidas de control.

[0148] En algunas formas de realización, los modelos de aprendizaje automático 250A, 250B, 250C, 250D, etc., pueden conectarse de manera adecuada. Por ejemplo, el modelo de aprendizaje automático 250D puede adaptarse para generar una salida basada en múltiples entradas, donde algunas de las entradas son salidas de los modelos de aprendizaje automático 250A, 250B y 250C. Así, algunos de los modelos (por ejemplo, 250A y 250D) pueden estar en serie, mientras que otros (por ejemplo, 250A, 250B y 250C) pueden estar en paralelo.

[0149] En el ejemplo mostrado en la FIG.2B, el modelo de aprendizaje automático 250D puede adaptarse para estimar la demanda total de potencia de un vehículo eléctrico. El modelo de aprendizaje automático 250D puede recibir las condiciones actuales de uno o más dispositivos de almacenamiento de energía en el vehículo eléctrico, las características cinéticas del vehículo eléctrico, el perfil de velocidad esperado del vehículo eléctrico, las pérdidas de potencia esperadas en uno o más sistemas auxiliares y/o una o más entradas adicionales. Por ejemplo, el modelo de aprendizaje automático 250D puede recibir, del modelo de aprendizaje automático 250A, un estado de carga estimado para uno de los dispositivos de almacenamiento de energía. El modelo de aprendizaje automático 250A puede a su vez recibir voltaje, temperatura de funcionamiento, corriente de descarga/carga y/o una o más entradas adicionales.

[0150] Adicionalmente, o alternativamente, el modelo de aprendizaje automático 250D puede recibir, del modelo de aprendizaje automático 250B, un perfil de velocidad esperado para el vehículo eléctrico. El modelo de aprendizaje automático 250B, a su vez, puede recibir la trayectoria de la ruta, datos del conductor, datos históricos y/o una o más entradas adicionales.

[0151] Adicionalmente, o alternativamente, el modelo de aprendizaje automático 250D puede recibir, del modelo de aprendizaje automático 250C, una demanda de energía prevista para un sistema auxiliar de control climático. El modelo de aprendizaje automático 250C, a su vez, puede recibir la temperatura ambiente, la temperatura solicitada, la velocidad del ventilador solicitada y/o una o más entradas adicionales.

[0152] Cabe señalar que las diversas entradas y salidas descritas anteriormente y mostradas en la FIG. 2B se proporcionan únicamente con fines ilustrativos. Los aspectos de la presente divulgación no se limitan al uso de un modelo de aprendizaje automático con una entrada o combinación de entradas específicas, ni a una salida o combinación de salidas específicas. Asimismo, los aspectos de la presente divulgación no se limitan al uso de un conjunto de modelos de aprendizaje automático organizados de una manera particular, ni a ningún modelo de aprendizaje automático en absoluto.

[0153] En algunas formas de realización, cada uno de los modelos de aprendizaje automático 250A, 250B, 250C, 250D, etc., puede incluir una red neuronal artificial o un modelo de algún otro tipo. Por ejemplo, la demanda de energía para un sistema auxiliar de control de clima (p. ej., HVAC de la cabina del conductor) puede variar estocásticamente dependiendo de la hora del día, el clima, el número de ocupantes, la temperatura deseada por el conductor, etc. En consecuencia, el modelo de aprendizaje automático 250C puede incluir una red neuronal artificial adaptada para estimar la demanda de energía basándose, por ejemplo, en una o más de las siguientes entradas.

[0154] • Temperatura solicitada por el conductor

[0155] • Velocidad del ventilador solicitada por el conductor

[0156] • Flujo del canal de aire solicitado por el conductor (por ejemplo, si se desea que el aire circule solo dentro de la cabina o permitir la entrada de aire fresco del exterior)

[0157] • Calefacción de asientos y/o volante solicitada por el conductor

[0158] • Número de ocupantes

[0159] • Temperatura ambiente

[0160] • Entrada de calor a la cabina debido a la radiación solar

[0161] •Historial de uso del sistema HVAC de la cabina (por ejemplo, todas las entradas anteriores y la salida correspondiente) para la misma hora del día para el mismo rango de temperatura solicitada por el conductor.

[0162] En algunas formas de realización, se puede utilizar una red neuronal totalmente conectada para determinar la demanda de energía del sistema de climatización de la cabina en función de una o más de las entradas mencionadas anteriormente y/o de una o más entradas adicionales. La red neuronal puede tener una capa de entrada con cualquier número adecuado de nodos. Por ejemplo, puede haber un nodo de entrada para cada una de las entradas mencionadas anteriormente, o puede haber más o menos nodos de entrada.

[0163] En algunas formas de realización, la red neuronal puede tener al menos una capa oculta. Dicha capa oculta puede tener tantos nodos como la capa de entrada, o menos nodos, dependiendo de los niveles deseados de precisión, eficiencia computacional, etc.

[0164] Se puede utilizar cualquier tipo de función de activación adecuada para la red neuronal, incluyendo, pero no limitándose a, sigmoide, unidad lineal rectificada (ReLU), etc. La función de activación se puede seleccionar de cualquier manera adecuada, por ejemplo, dependiendo de la profundidad de la red neuronal.

[0165] En algunas formas de realización, la red neuronal puede tener un nodo de salida para la demanda de energía del sistema HVAC de la cabina. Adicionalmente, o alternativamente, el nodo de salida puede incluir otra información (por ejemplo, la temperatura de la cabina que se debe alcanzar, la tasa de cambio de la temperatura de la cabina, etc.). Dicha información puede proporcionarse para monitoreo y/o retroalimentación.

[0166] En algunas formas de realización, se puede utilizar una red neuronal de memoria a corto y largo plazo (LSTM) en lugar de, o además de, una red neuronal de alimentación directa. Una o más salidas de la red neuronal LSTM (por ejemplo, demanda de energía del sistema de climatización de la cabina, temperatura de la cabina que se debe alcanzar, tasa de cambio de la temperatura de la cabina, etc.) se pueden retroalimentar a la red neuronal LSTM para establecer una serie temporal del historial reciente, lo que puede mejorar la precisión de la predicción.

[0167] Cabe señalar que una o más de las técnicas de redes neuronales descritas anteriormente, y/o una o más técnicas de redes neuronales adicionales, pueden utilizarse para estimar cualquier variable dependiente adecuada, además de, o en lugar de, la demanda de potencia del sistema HVAC de la cabina. Por ejemplo, una o más de las técnicas de redes neuronales descritas anteriormente, y/o una o más técnicas de redes neuronales adicionales, pueden utilizarse para estimar el perfil de velocidad, la temperatura de funcionamiento del almacenamiento de energía, el estado de carga del almacenamiento de energía, etc. Adicionalmente, o alternativamente, una o más de las técnicas de redes neuronales descritas anteriormente, y/o una o más técnicas de redes neuronales adicionales, pueden utilizarse para determinar una distribución de potencia entre múltiples dispositivos de almacenamiento de energía (por ejemplo, los dispositivos de almacenamiento de energía ilustrativos 110A-B en el ejemplo de la FIG.1A).

[0168] En algunas formas de realización, una red neuronal puede entrenarse utilizando datos etiquetados. Dichos datos etiquetados pueden crearse para una red neuronal determinada mediante la recopilación de datos a través de pruebas y/o simulaciones, y la anotación de los datos recopilados. Con respecto al ejemplo de la FIG. 2B, los datos de entrenamiento para el modelo de aprendizaje automático 250B pueden etiquetarse en función de rangos de velocidad (por ejemplo, "10-15-mph", "15-20 mph", etc., para cada segmento de carretera en una ruta).

[0169] Los inventores han reconocido y comprendido que ciertos límites (por ejemplo, corriente máxima instantánea de carga/descarga, temperatura máxima/mínima de funcionamiento, etc.), si se superan, pueden dañar un sistema de almacenamiento de energía. Por consiguiente, en algunas formas de realización, se puede proporcionar lógica de programación para analizar la salida de una red neuronal. Por ejemplo, si una red neuronal genera una corriente de descarga para un dispositivo de almacenamiento de energía que excede la corriente máxima instantánea de descarga para dicho dispositivo, esa salida no se puede introducir en otro componente del sistema de gestión de almacenamiento de energía (por ejemplo, otra red neuronal). Además, o como alternativa, la salida se puede marcar como imposible o sustituir por la corriente máxima instantánea de descarga.

[0170] En algunas formas de realización, los pesos y/o sesgos de una red neuronal pueden entrenarse inicialmente utilizando datos de pruebas y/o simulaciones. Por ejemplo, los pesos y/o sesgos de una red neuronal para estimar una variable dependiente relacionada con un dispositivo de almacenamiento de energía pueden entrenarse con datos obtenidos de experimentos realizados en el dispositivo de almacenamiento de energía y/o simulaciones por computadora que aplican perfiles de carga relevantes a modelos del dispositivo de almacenamiento de energía. Después de dicho entrenamiento inicial, la red neuronal puede implementarse para analizar datos obtenidos durante el funcionamiento de una aplicación de energía. Las estimaciones de salida de la red neuronal pueden compararse con mediciones para identificar diferencias. Las diferencias, si las hay, pueden usarse para continuar entrenando la red neuronal.

[0171] Cabe señalar que se puede utilizar uno o más métodos adecuados para entrenar una red neuronal, ya que los aspectos de la presente divulgación no se limitan a ello. Algunos ejemplos de métodos de entrenamiento incluyen, entre otros, el descenso de gradiente, el método de Newton, el método del gradiente conjugado, el método cuasi-Newton y/o el método de Levenberg-Marquardt.

[0172] Los inventores han reconocido y apreciado que, en algunos casos, los datos de entrenamiento relevantes para un escenario de implementación particular pueden no estar disponibles inicialmente. Por ejemplo, es posible que no haya datos etiquetados disponibles para una nueva batería Li-NMC. Sin embargo, la red neuronal para estimar el estado de carga puede entrenarse con los datos etiquetados disponibles para una batería Li-NCA y puede implementarse para la batería Li-NMC. Se puede realizar un entrenamiento adicional a medida que se disponga de datos etiquetados para la batería Li-NMC. Por ejemplo, el estado de carga puede medirse a medida que se usa la batería Li-NMC, y el estado de carga medido (junto con las entradas correspondientes) puede usarse para un entrenamiento adicional.

[0173] Como otro ejemplo, es posible que no se disponga de datos etiquetados de ciclos de conducción reales para un vehículo nuevo. Sin embargo, se puede entrenar una red neuronal para estimar el perfil de velocidad con datos etiquetados disponibles de pruebas de emisiones estándar (por ejemplo,-el ciclo de conducción combinado urbano y en carretera FTP 75 de la EPA de EE. UU.). Por ejemplo, se puede entrenar una red neuronal para predecir una velocidad para un punto de tiempo siguiente dado un perfil de velocidad en uno o más puntos de tiempo anteriores. Se puede utilizar cualquier granularidad de tiempo adecuada, como cada segundo, cada 5 segundos, cada 10 segundos, etc.

[0174] En algunas formas de realización, se puede realizar un entrenamiento adicional a medida que se dispone de datos etiquetados de ciclos de conducción reales. Por ejemplo, se puede registrar un perfil de velocidad mientras se conduce el vehículo, y dicho perfil (junto con las entradas correspondientes) se puede utilizar para un entrenamiento adicional.

[0175] Si bien se describe un vehículo eléctrico en relación con el ejemplo de la FIG.2B, cabe señalar que la presente divulgación no se limita a ningún tipo específico de aplicación energética. En algunas formas de realización, se puede proporcionar un modelo de aprendizaje automático para estimar el perfil de computación de un centro de datos, el cual, a su vez, puede utilizarse para estimar la demanda total de energía del centro de datos.

[0176] En algunas formas de realización, se puede utilizar un servicio de planificación de rutas (por ejemplo, Google Maps, Apple Maps, etc.) para determinar la ruta que debe seguir un vehículo eléctrico desde un punto de partida hasta un destino. Por ejemplo, el punto de partida puede ser la posición actual obtenida de un dispositivo GPS a bordo del vehículo, mientras que el destino puede ser recibido por el conductor a través del sistema de infoentretenimiento del vehículo.

[0177] En algunas formas de realización, una ruta puede incluir una secuencia de uno o más segmentos de carretera, donde el final de un segmento no final puede conectarse con el inicio de un segmento siguiente. Por ejemplo, el segmento no final puede terminar en la misma intersección donde comienza el siguiente segmento.

[0178] En algunas formas de realización, un servicio de planificación de rutas puede proporcionar información reglamentaria para un segmento de carretera, como la ubicación de límites de velocidad, señales de tráfico, semáforos, etc. Además, o alternativamente, el servicio de planificación de rutas puede proporcionar información de tráfico actual y/o histórica para el segmento de carretera, como la velocidad media del tráfico para una hora determinada del día, la velocidad real del tráfico, el tiempo de viaje previsto, etc. Además, o alternativamente, el servicio de planificación de rutas puede proporcionar información geoespacial para el segmento de carretera, como la longitud, la latitud, la elevación y/o la información de curvatura para uno o más puntos a lo largo del segmento de carretera. Sin embargo, debe entenderse que los aspectos de la presente divulgación no se limitan a recibir ninguna información en particular, ni ninguna información en absoluto, de un servicio de planificación de rutas.

[0179] En algunas formas de realización, uno o más segmentos de carretera proporcionados por un servicio de planificación de rutas pueden ser resegmentados. Por ejemplo, si un segmento de carretera proporcionado por el servicio de planificación de rutas incluye un cambio en el límite de velocidad (o una señal de tráfico), el segmento de carretera puede dividirse en dos segmentos en el punto donde ocurre el cambio en el límite de velocidad (o donde se encuentra la señal de tráfico).

[0180] Además, o alternativamente, si un segmento de carretera proporcionado por el servicio de planificación de rutas incluye una señal de tráfico que indica que el vehículo debe reducir la velocidad o detenerse (por ejemplo, giro brusco, incorporación de tráfico, entrada sin visibilidad, paso de peatones, etc.), el segmento de carretera puede dividirse en dos o más segmentos. Por ejemplo, puede haber un primer segmento que termine en la señal de tráfico, un segundo segmento que siga al primero y termine donde finalice una condición indicada por la señal de tráfico, y un tercer segmento que siga al segundo segmento.

[0181] Los inventores han reconocido y valorado que la resegmentación de un segmento de carretera puede facilitar predicciones más precisas de los perfiles de velocidad. Sin embargo, cabe señalar que los aspectos de la presente divulgación no se limitan a la resegmentación de un segmento de carretera de una manera particular, ni a ninguna en absoluto.

[0182] Los inventores han reconocido y valorado además que los distintos conductores pueden comportarse de manera diferente, especialmente al cambiar de tramo de carretera. En algunas formas de realización, estas diferencias pueden tenerse en cuenta al predecir los perfiles de velocidad.

[0183] La FIG. 3A muestra los perfiles de velocidad ilustrativos 300A y 305A, de acuerdo con algunas formas de realización. El perfil de velocidad 300A puede corresponder a un conductor agresivo, mientras que el perfil de velocidad 305A puede corresponder a un conductor conservador.

[0184] En este ejemplo, ambos conductores pueden estar circulando por un tramo de carretera con un límite de velocidad de 30 mph y pueden acercarse a un siguiente tramo con un límite de velocidad de 45 mph. Ambos conductores pueden observar una señal que indica el nuevo límite de velocidad de 45 mph y pueden comenzar a acelerar casi al mismo tiempo. El conductor conservador puede tener una aceleración dea1

, mientras que el conductor agresivo puede tener una aceleración dea2

, que es mayor quea1.Como resultado, el conductor agresivo puede alcanzar una velocidad de 45 mph antes que el conductor conservador.

[0185] En consecuencia, el perfil de velocidad 300A del conductor agresivo puede obtenerse a partir del perfil de velocidad 305A del conductor conservador haciendo una pendiente más pronunciada (es decir, una mayor aceleración). Así, para la fase de aceleración, el perfil de velocidad 300A del conductor agresivo puede ser , dondev1

(t)es el perfil de velocidad 305A del conductor conservador.

[0186] La FIG. 3B muestra los perfiles de velocidad ilustrativos 300B y 305B, de acuerdo con algunas formas de realización. El perfil de velocidad 300B puede corresponder a un conductor descuidado, mientras que el perfil de velocidad 305B puede corresponder a un conductor cuidadoso.

[0187] En este ejemplo, ambos conductores pueden estar circulando por un tramo de carretera con un límite de velocidad de 45 mph y pueden acercarse a un siguiente tramo con un límite de velocidad de 30 mph. Ambos conductores pueden observar, casi al mismo tiempo, una señal que indica el nuevo límite de velocidad de 30 mph. El conductor prudente puede comenzar a circular a velocidad constante de inmediato, mientras que el conductor imprudente puede mantener la velocidad anterior (45 mph) durante un período de tiempo más prolongado.

[0188] En consecuencia, el perfil de velocidad 300B del conductor descuidado se puede obtener desplazando el perfil de velocidad 305B del conductor cuidadoso hacia la derecha según un retraso en la reacción del conductor descuidado. Así, para la fase de desaceleración, el perfil de velocidad 300B del conductor descuidado puede serv2

(t)=v1

(t).-retraso), dondev1

(t)es el perfil de velocidad 305B del conductor cuidadoso.

[0189] La FIG. 3C muestra los perfiles de velocidad ilustrativos 300C y 305C, de acuerdo con algunas formas de realización. El perfil de velocidad 300C puede corresponder a un conductor descuidado, mientras que el perfil de velocidad 305C puede corresponder a un conductor cuidadoso.

[0190] En este ejemplo, ambos conductores pueden estar circulando por un tramo de carretera con un límite de velocidad de 30 mph y pueden acercarse a una intersección con semáforo. Ambos conductores pueden ver la luz roja casi al mismo tiempo. El conductor prudente puede empezar a frenar inmediatamente, mientras que el conductor imprudente puede empezar a frenar después de cierto tiempo. Como resultado, el conductor prudente puede frenar de forma más gradual, mientras que el conductor imprudente puede tener que frenar bruscamente.

[0191] En consecuencia, el perfil de velocidad 300C del conductor descuidado puede obtenerse desplazando el perfil de velocidad 305C del conductor cuidadoso hacia la derecha según un retraso en la reacción del conductor descuidado, y luego haciendo una disminución más pronunciada (es decir, una mayor desaceleración). Así, para la fase de desaceleración, el perfil de velocidad 300C del conductor descuidado puede ser (30 –v1

(t – retraso)), dondev1

(t)es el perfil de velocidad 305C del conductor cuidadoso,a2

es la desaceleración del conductor descuidado ya1

es la desaceleración del conductor cuidadoso.

[0192] La FIG. 3D muestra los perfiles de velocidad ilustrativos 300D y 305D, de acuerdo con algunas formas de realización. El perfil de velocidad 300D puede corresponder a un conductor agresivo, mientras que el perfil de velocidad 305D puede corresponder a un conductor conservador.

[0193] En este ejemplo, ambos conductores pueden estar viajando en un segmento de carretera con un límite de velocidad de 25 mph, y pueden acercarse a una intersección con un semáforo. Supongamos que el semáforo está en rojo y es visible por primera vez desde un punto P. El conductor conservador puede viajar al límite de velocidad (es decir, 25 mph), mientras que el conductor agresivo puede viajar a 1,2 veces el límite de velocidad (es decir, 30 mph). Debido a que el conductor agresivo va más rápido, puede llegar al punto P antes que el conductor conservador. Suponiendo que ambos conductores comiencen a frenar en el punto P, el conductor agresivo puede tener que frenar más bruscamente que el conductor conservador, porque el conductor agresivo se está deteniendo desde una velocidad mayor.

[0194] En consecuencia, el perfil de velocidad 300D del conductor agresivo puede obtenerse desplazando el perfil de velocidad 305D del conductor conservador hacia la izquierda y luego realizando un descenso más pronunciado (es decir, una mayor desaceleración). El desplazamiento hacia la izquierda puede corresponder a la ventaja del conductor agresivo sobre el conductor conservador al alcanzar el punto P. Por lo tanto, para la fase de desaceleración, el perfil de velocidad 300D del conductor agresivo puede ser (t+adelanto), dondev1

(t)es el perfil de velocidad 305A del conductor conservador,a2

es la desaceleración del conductor agresivo ya1

es la desaceleración del conductor conservador.

[0195] Aunque en las FIG.3A-D se muestran y describen varios enfoques de modelado, debe entenderse que los aspectos de la presente divulgación no se limitan a utilizar ningún enfoque en particular para modelar la conducción descuidada/agresiva frente a la conducción cuidadosa/conservadora, ni a modelar tales diferencias en absoluto.

[0196] La FIG. 4A muestra un proceso ilustrativo 400A para la predicción de la velocidad al final de un segmento, de acuerdo con algunas formas de realización. En este ejemplo, se puede determinar un perfil de velocidad para un vehículo que se desplaza desde una posición actual en un segmento de carretera hasta el final de dicho segmento. La posición actual puede ser el punto de inicio del segmento de carretera o un punto intermedio.

[0197] En el acto 402, se puede determinar la distancia hasta el final del segmento de carretera. Esto se puede hacer de cualquier manera adecuada, por ejemplo, basándose en datos geoespaciales de la posición actual y datos geoespaciales del final del segmento de carretera. En algunas formas de realización, los datos geoespaciales de la posición actual se pueden obtener de un dispositivo GPS a bordo del vehículo, mientras que los datos geoespaciales del final del segmento de carretera se pueden obtener de un servicio de planificación de rutas.

[0198] En el acto 404, se puede determinar si el final del segmento de carretera incluye una curva pronunciada, una señal de alto, un semáforo u otra condición que indique que puede ser conveniente planificar una parada. Si se presenta dicha condición, se puede determinar una distancia de frenado, por ejemplo, en función de una velocidad predeterminada (por ejemplo, un límite de velocidad) para el segmento de carretera y un valor de desaceleración para el frenado. En algunas formas de realización, el valor de desaceleración para el frenado puede determinarse en función de una o más entradas, como una indicación del peso de la carga (por ejemplo, número de pasajeros), pendiente de la carretera, estado de la carretera (por ejemplo, adoquines, asfalto, hormigón, tierra, etc.), condiciones climáticas (por ejemplo, humedad, temperatura, etc.), velocidad actual, velocidad objetivo, etc. Por ejemplo, el valor de desaceleración puede recuperarse de una tabla de búsqueda utilizando una o más entradas.

[0199] Además, o alternativamente, el valor de desaceleración para el frenado puede predecirse proporcionando una o más entradas a un modelo de aprendizaje automático entrenado con perfiles de frenado históricos. Por ejemplo, un perfil de velocidad puede etiquetarse como perfil de frenado si se registra al presionar el pedal del freno. Dicho perfil de frenado puede etiquetarse además con información como el peso de la carga, la pendiente de la carretera, el estado de la carretera, las condiciones climáticas, la velocidad actual, la velocidad objetivo, etc. Los perfiles de frenado etiquetados pueden segmentarse por conductor y utilizarse para entrenar un modelo de aprendizaje automático específico para cada conductor, que prediga, a partir de una o más etiquetas de entrada, un valor de desaceleración para el frenado.

[0200] Además, o alternativamente, se puede elegir un valor máximo de desaceleración para el frenado en función de una o más consideraciones, como la comodidad y/o la seguridad. Dicho máximo se puede utilizar para limitar el valor de desaceleración utilizado para determinar la distancia de frenado.

[0201] En algunas formas de realización, se puede determinar si existe una condición que indique que puede ser conveniente planificar una desaceleración. Por ejemplo, se puede determinar si un segmento de carretera siguiente tiene una velocidad predeterminada reducida (por ejemplo, un límite de velocidad más bajo) en comparación con el segmento de carretera actual. Si existe dicha condición, se puede determinar una distancia de crucero, por ejemplo, en función de la diferencia entre la velocidad predeterminada del segmento de carretera actual y la velocidad predeterminada del siguiente segmento de carretera, así como un valor de desaceleración para el crucero.

[0202] El valor de desaceleración para la conducción a velocidad constante puede determinarse de forma similar a como se determina el valor de desaceleración para el frenado. Por ejemplo, el valor de desaceleración para la conducción a velocidad constante puede determinarse accediendo a una tabla de consulta, utilizando un modelo de aprendizaje automático, estableciendo un límite máximo de desaceleración, etc. En algunas formas de realización, un modelo de aprendizaje automático puede entrenarse utilizando perfiles históricos de conducción a velocidad constante. Por ejemplo, un perfil de velocidad puede etiquetarse como perfil de conducción a velocidad constante si se registra cuando no se presiona ningún pedal. Dichos perfiles de conducción a velocidad constante pueden etiquetarse y/o segmentarse como se describió anteriormente para los perfiles de frenado.

[0203] En algunas formas de realización, se puede determinar si existe una condición que indique que podría ser conveniente planificar un aumento de velocidad. Por ejemplo, se puede determinar si un segmento de carretera siguiente tiene una velocidad predeterminada mayor (p. ej., un límite de velocidad más alto) en comparación con el segmento de carretera actual. Si existe dicha condición, se puede determinar una distancia de aumento de velocidad, por ejemplo, en función de la diferencia entre la velocidad predeterminada del siguiente segmento de carretera y la velocidad predeterminada del segmento de carretera actual, así como de un valor de aceleración.

[0204] El valor de aceleración puede determinarse de forma similar a como se determina el valor de desaceleración para el frenado. Por ejemplo, el valor de aceleración puede determinarse accediendo a una tabla de consulta, utilizando un modelo de aprendizaje automático, estableciendo un límite máximo de aceleración, etc. En algunas formas de realización, un modelo de aprendizaje automático puede entrenarse utilizando perfiles de aceleración históricos. Por ejemplo, un perfil de velocidad puede etiquetarse como perfil de aceleración si se registra cuando se presiona el pedal del acelerador. Dichos perfiles de aceleración pueden etiquetarse y/o segmentarse como se describió anteriormente para los perfiles de frenado.

[0205] Debe entenderse que los aspectos de la presente divulgación no se limitan a determinar una distancia de frenado, una distancia de crucero o una distancia de aceleración de una manera particular, o en absoluto.

[0206] Volviendo a la FIG.4A, en el acto 406 se puede determinar el momento de frenar, mantener la velocidad de crucero o acelerar. Por ejemplo, si en el acto 404 se determina que es apropiado detenerse al final del segmento de carretera actual, la distancia de frenado determinada en el acto 404 se puede restar de la distancia restante determinada en el acto 402 para determinar la distancia durante la cual se supone que el vehículo viaja a la velocidad predeterminada (por ejemplo, el límite de velocidad) para el segmento de carretera actual. Esta distancia se puede dividir entre la velocidad predeterminada para determinar el momento en que debe comenzar el frenado.

[0207] Los inventores han reconocido y comprendido que, en algunos casos, la distancia de frenado determinada en el acto 404 puede ser mayor que la distancia restante determinada en el acto 402. Por consiguiente, se puede determinar que el frenado debe comenzar inmediatamente. El valor de desaceleración para el frenado, determinado en el acto 404, puede utilizarse para determinar una velocidad al final del segmento, la cual, a su vez, puede utilizarse como velocidad actual para el siguiente segmento. Adicionalmente, o alternativamente, el frenado puede continuar en el siguiente segmento hasta que el vehículo se detenga por completo.

[0208] En algunas formas de realización, si se determina en el acto 404 que es apropiado circular (o acelerar) al final del segmento de carretera actual, la distancia de circular (o acelerar) determinada en el acto 404 se puede restar de la distancia restante determinada en el acto 402 para determinar una distancia durante la cual se supone que el vehículo viaja a la velocidad predeterminada (por ejemplo, el límite de velocidad) para el segmento de carretera actual. Esta distancia se puede dividir luego por la velocidad predeterminada (por ejemplo, el límite de velocidad) para determinar un momento en el que debe comenzar a circular.

[0209] Los inventores han reconocido y comprendido que, en algunos casos, la distancia de crucero determinada en el acto 404 puede ser mayor que la distancia restante determinada en el acto 402. Por consiguiente, puede determinarse que la conducción a velocidad constante debe comenzar inmediatamente. Además, o alternativamente, puede determinarse que el frenado debe comenzar inmediatamente, seguido de la conducción a velocidad constante, o viceversa.

[0210] En algunas formas de realización, se puede utilizar un modelo de aprendizaje automático para predecir un patrón de frenado y/o velocidad de crucero. Por ejemplo, el modelo de aprendizaje automático puede generar uno o más multiplicadores, como un multiplicador para ajustar la imprecisión (p. ej., frenar más tarde), un multiplicador para ajustar la agresividad (p. ej., frenar más bruscamente), etc. Dicho modelo de aprendizaje automático puede entrenarse utilizando perfiles de velocidad históricos segmentados por conductor y puede tener cualquier entrada adecuada, como una o más de las siguientes:

[0211] • Una o más estadísticas adecuadas sobre valores de aceleración y/o desaceleración, como uno o más histogramas, una o más estadísticas que midan la tendencia central, una o más estadísticas que midan la dispersión, etc.

[0212] • Últimos N valores de aceleración y/o desaceleración observados en escenarios de conducción que coincidan con un escenario de conducción actual.

[0213] • Estado de carga del sistema de almacenamiento de energía.

[0214] • Corriente máxima instantánea de carga/descarga del sistema de almacenamiento de energía.

[0215] • Elevación.

[0216] • Coeficiente de deslizamiento.

[0217] Los inventores también han reconocido y apreciado que, en algunos casos, la distancia de aceleración determinada en el acto 404 puede ser mayor que la distancia restante determinada en el acto 402. En consecuencia, se puede determinar que la aceleración debe comenzar inmediatamente.

[0218] Volviendo a la FIG.4A, se pueden aplicar uno o más ajustes al comportamiento del conductor en el acto 408. En algunas formas de realización, para un conductor descuidado, se pueden aplicar uno o más de los ajustes ilustrativos descritos anteriormente en relación con las figuras 3BC. Se puede predecir un valor de retardo adecuado mediante un modelo de aprendizaje automático, que puede entrenarse utilizando perfiles de velocidad históricos segmentados por conductor.

[0219] En algunas formas de realización, para un conductor agresivo, se puede aplicar uno o más de los ajustes ilustrativos descritos anteriormente en relación con las FIGs. 3A y 3D. Se puede predecir un multiplicador adecuado para la aceleración (p. ej. ,) y/o un multiplicador adecuado para la velocidad (p. ej., 1,2) utilizando uno o más modelos de aprendizaje automático, que pueden entrenarse utilizando perfiles de velocidad históricos segmentados por conductor.

[0220] Si bien los detalles de la implementación se describen anteriormente y se muestran en la FIG.4A, cabe señalar que la presente divulgación no se limita a ninguna forma particular de implementación. Por ejemplo, no se limita al uso del límite de velocidad de un tramo de carretera como velocidad predeterminada. En algunas formas de realización, la velocidad predeterminada puede determinarse en función del límite de velocidad y un multiplicador específico del conductor. Dicho multiplicador puede predecirse mediante uno o más modelos de aprendizaje automático, que pueden entrenarse utilizando perfiles de velocidad históricos segmentados por conductor.

[0221] Además, o como alternativa, se puede obtener información de tráfico en tiempo real de un servicio de planificación de rutas, y se puede usar una velocidad de tráfico real como velocidad predeterminada. Si las condiciones del tráfico varían a lo largo del segmento de carretera, este se puede dividir en subsegmentos, donde cada subsegmento puede tener una velocidad de tráfico respectiva.

[0222] Sin embargo, cabe señalar que algunos aspectos de la presente divulgación no se limitan a predecir el perfil de velocidad de un vehículo en funcionamiento. En algunas formas de realización, el perfil de velocidad puede predecirse como parte de una simulación. En ese caso, se puede utilizar información histórica del tráfico en lugar de información del tráfico en tiempo real.

[0223] La FIG.4B muestra un proceso ilustrativo 400B para predecir un perfil de velocidad general para un segmento de carretera, de acuerdo con algunas formas de realización. De forma similar al ejemplo de la FIG.4A, se puede predecir un perfil de velocidad para un vehículo que se desplaza desde una posición actual en un segmento de carretera hasta el final del mismo. La posición actual puede ser el punto de inicio del segmento de carretera o algún punto intermedio.

[0224] En el acto 412, se puede determinar si una velocidad actual coincide con una velocidad predeterminada para el segmento de carretera. En algunas formas de realización, si se predice el perfil de velocidad para un vehículo en funcionamiento, la velocidad actual se puede obtener de un sensor de velocidad y/o un dispositivo GPS. Sin embargo, si el perfil de velocidad se predice durante una simulación, la velocidad actual puede ser una velocidad elegida para el paso de tiempo actual (por ejemplo, en función del análisis relacionado con uno o más pasos de tiempo anteriores).

[0225] En algunas formas de realización, la velocidad predeterminada para el segmento de carretera puede determinarse en función del límite de velocidad del segmento (con o sin un multiplicador específico para el conductor). Además, o alternativamente, la velocidad predeterminada para el segmento de carretera puede determinarse en función de información de tráfico en tiempo real y/o histórica.

[0226] Si en el acto 412 se determina que la velocidad actual coincide con la velocidad predeterminada para el segmento de carretera, el proceso 400B puede continuar al acto 420, donde se puede realizar un proceso similar al proceso ilustrativo 400A que se muestra en la FIG.4A para predecir un perfil de velocidad al final del segmento.

[0227] Si en el acto 412 se determina que la velocidad actual no coincide con la velocidad predeterminada para el segmento de carretera, el proceso 400B puede continuar con el acto 414, donde se puede determinar si la velocidad actual es menor que la velocidad predeterminada para el segmento de carretera. De ser así, el proceso 400B puede continuar con el acto 416, donde se puede determinar un valor de aceleración.

[0228] El valor de aceleración puede determinarse de cualquier manera adecuada, por ejemplo, como se describe en relación con la FIG. 4A. Por ejemplo, el valor de aceleración puede determinarse accediendo a una tabla de consulta, utilizando un modelo de aprendizaje automático, estableciendo un límite máximo de aceleración, etc. En algunas formas de realización, se puede acceder a una tabla de consulta utilizando la velocidad actual, la velocidad predeterminada (como velocidad objetivo) y/o una etiqueta de comportamiento del conductor (por ejemplo, agresivo, conservador, descuidado, cuidadoso, etc.). Dicha tabla de consulta puede completarse analizando perfiles de velocidad históricos.

[0229] En algunas formas de realización, se puede calcular una distancia para la fase de aceleración, por ejemplo, a partir de la velocidad actual y el valor de aceleración. Esta distancia, junto con la posición actual, se puede utilizar para calcular la posición final de la fase de aceleración. El proceso 400B continúa con la acción 420, donde se realiza un proceso similar al ilustrativo 400A mostrado en la FIG.4A para predecir el perfil de velocidad final del segmento. La posición final de la fase de aceleración se puede utilizar como posición actual para predecir dicho perfil de velocidad.

[0230] Como se describió anteriormente en relación con el ejemplo de la FIG.4A, una distancia de frenado determinada en el acto 404 del proceso 400A puede ser mayor que una distancia restante determinada en el acto 402 del proceso 400A. Esto puede desencadenar una excepción (no mostrada en la FIG.4B), que puede provocar que el proceso 400B regrese al acto 416 para recalcular una distancia para la fase de aceleración, por ejemplo, utilizando una velocidad objetivo inferior a la velocidad predeterminada. Además, o alternativamente, la excepción puede provocar que el proceso 400B descarte el acto 416 y pase al acto 418.

[0231] Regresar al acto 414, si se determina que la velocidad actual es mayor que la velocidad predeterminada para el segmento de carretera. Si es así, el proceso 400B puede continuar con el acto 418, donde se puede determinar un valor de desaceleración para la velocidad de crucero. El valor de desaceleración para la velocidad de crucero puede determinarse de cualquier manera adecuada, por ejemplo, como se describe en relación con la FIG.4A. Por ejemplo, el valor de desaceleración puede determinarse accediendo a una tabla de búsqueda, utilizando un modelo de aprendizaje automático, limitando a un valor máximo de desaceleración, etc. En algunas formas de realización, se puede acceder a una tabla de búsqueda utilizando la velocidad actual, la velocidad predeterminada (como velocidad objetivo) y/o una etiqueta de comportamiento del conductor (por ejemplo, agresivo, conservador, descuidado, cuidadoso, etc.). Dicha tabla de búsqueda puede completarse analizando perfiles de velocidad históricos.

[0232] Además, o alternativamente, si la velocidad actual es mayor que un umbral seleccionado, se puede determinar que se debe comenzar a frenar inmediatamente, seguido de la conducción a velocidad constante, o viceversa. En algunas formas de realización, se puede utilizar un modelo de aprendizaje automático para predecir un patrón de frenado y/o conducción a velocidad constante, por ejemplo, como se describe anteriormente en relación con el acto 406 del proceso ilustrativo 400A en el ejemplo de la FIG.4A.

[0233] Cabe señalar que el umbral de velocidad para determinar si se debe frenar o mantener la velocidad constante puede establecerse de cualquier manera adecuada. Por ejemplo, el umbral puede calcularse multiplicando el límite de velocidad del tramo de carretera actual por un índice de seguridad, que puede ser un número adimensional mayor que 1 (p. ej., 1,1). Además, o alternativamente, el umbral puede calcularse sumando una constante (p. ej., 5 mph) al límite de velocidad del tramo de carretera actual.

[0234] En algunas formas de realización, se puede calcular una distancia para la fase de desaceleración, por ejemplo, basándose en la velocidad actual y uno o más valores de desaceleración para crucero y/o frenado. Esta distancia se puede utilizar, junto con la posición actual, para calcular una posición para el final de la fase de desaceleración. El proceso 400B puede entonces continuar con la acción 420, donde se puede realizar un proceso similar al proceso ilustrativo 400A que se muestra en la FIG.4A para predecir un perfil de velocidad al final del segmento. La posición para el final de la fase de desaceleración se puede utilizar como una posición actual para predecir el perfil de velocidad al final del segmento.

[0235] En algunas formas de realización, el proceso 400B puede repetirse una o más veces mientras el vehículo avanza por el segmento de carretera actual. Como resultado, se pueden generar uno o más perfiles de velocidad actualizados basados en información actualizada, como el tráfico real, el perfil de velocidad real, el comportamiento real del conductor, etc.

[0236] En algunas formas de realización, uno o más modelos de aprendizaje automático utilizados para predecir un perfil de velocidad (por ejemplo, los descritos en relación con las figuras 4A-B) pueden tener una o más de las siguientes entradas, y/o una o más entradas adicionales. Si se utilizan múltiples entradas continuas, dichas entradas pueden tener la misma frecuencia de muestreo o frecuencias de muestreo diferentes.

[0237] • Información de la ruta planificada

[0238] o Puntos finales de los segmentos de carretera, tráfico, límites de velocidad, señales, semáforos, etc.

[0239] • Información del conductor

[0240] o Temperatura de cabina solicitada por el conductor, velocidad del ventilador, etc.

[0241] o Comportamiento del conductor representado de cualquier manera adecuada, como una tabla de búsqueda para constantes de ecuaciones, etc.

[0242] o Perfiles de velocidad históricos para la ruta planificada

[0243] • Información del entorno

[0244] o Temperatura atmosférica, presión, humedad, etc.

[0245] • Información de almacenamiento de energía

[0246] o Estado de carga (SOC), estado de salud (SOH), temperatura, voltaje, corriente, etc.

[0247] • Información del vehículo

[0248] o Posición del pedal del acelerador y/o tasa de cambio del mismo

[0249] o Posición del pedal del freno y/o tasa de cambio del mismo

[0250] o Velocidad del vehículo

[0251] o Temperatura de la cabina

[0252] o Ruta real recorrida (si es diferente de la ruta planificada)

[0253] • Información histórica o Temperatura de cabina solicitada por el conductor, velocidad del ventilador, etc.

[0254] o Temperatura atmosférica, presión, humedad, etc.

[0255] o Estrategia de control empleada o SOC final alcanzado

[0256] o Tráfico observado

[0257] o Tiempo de inactividad (por ejemplo, vehículo detenido en el tráfico, en un semáforo, etc.)

[0258] • Otra información

[0259] o Salida de otro modelo de aprendizaje automático (por ejemplo, demanda de potencia prevista) En algunas formas de realización, una o más máquinas Los modelos de aprendizaje utilizados para predecir el comportamiento de un conductor (por ejemplo, los descritos en relación con las FIG.4A-B) pueden tener una o más de las siguientes entradas, y/o una o más entradas adicionales.

[0260] • Posición del pedal del acelerador y/o velocidad de cambio del mismo

[0261] • Posición del pedal del freno y/o velocidad de cambio del mismo

[0262] • Velocidad de rotación del volante

[0263] • Comportamiento del conductor representado de cualquier manera adecuada, como una tabla de consulta para constantes de ecuaciones, etc.

[0264] • Velocidades promedio (por ejemplo, en ciudad y carretera)

[0265] • Tiempo total de conducción en ciudad (por ejemplo, como porcentaje del tiempo total de conducción)

[0266] • Tiempo total de conducción en carretera (por ejemplo, como porcentaje del tiempo total de conducción)

[0267] • Tiempo total de crucero (por ejemplo, como porcentaje del tiempo total de conducción)

[0268] • Número promedio de instancias del patrón acelerar-frenar-acelerar (por ejemplo, por milla recorrida u hora conducida)

[0269] Los inventores han reconocido y comprendido que ciertos comportamientos del conductor pueden provocar ineficiencia energética, envejecimiento prematuro de los sistemas de almacenamiento de energía y/u otros resultados indeseables. Por consiguiente, en algunas formas de realización, se proporcionan técnicas para influir en el comportamiento del conductor. Por ejemplo, se puede mostrar al conductor una velocidad recomendada (p. ej., mediante una pantalla en el tablero, un sistema de infoentretenimiento, un dispositivo móvil montado en el tablero, una pantalla de visualización frontal, etc.). La velocidad recomendada puede seleccionarse dinámicamente, por ejemplo, para reducir el consumo de energía y/o el tiempo de viaje.

[0270] La FIG. 4C muestra un proceso ilustrativo 400C para seleccionar un perfil de velocidad, de acuerdo con la invención. El proceso 400C puede realizarse en cualquier punto adecuado a lo largo de la ruta de un vehículo eléctrico, como en el punto de partida o en cualquier punto intermedio. Además, o alternativamente, el proceso 400C puede realizarse durante la simulación.

[0271] En algunas formas de realización, el proceso 400C puede ejecutarse para un horizonte de selección determinado. Por ejemplo, el horizonte de selección puede incluir uno o más segmentos de carretera a lo largo de la ruta, comoNsegmentos de carretera consecutivos que parten del segmento actual, para algúnN≥ 1 seleccionado. Como ejemplo, el horizonte de selección puede incluir solo el segmento de carretera actual. Como otro ejemplo, el horizonte de selección puede incluir todos los segmentos de carretera de la ruta.

[0272] Adicionalmente, o alternativamente, el horizonte de selección puede incluir una porción seleccionada de la ruta, como una porción de una distancia seleccionada, a partir de una posición actual del vehículo eléctrico. A continuación se pueden determinar uno o más segmentos de carretera parciales y/o completos cubiertos por la porción seleccionada de la ruta.

[0273] Además, o alternativamente, el horizonte de selección puede incluir una ventana de tiempo, como una ventana de una duración seleccionada, que comienza desde un momento actual. Se puede estimar uno o más segmentos de carretera parciales y/o completos que se espera que se atraviesen durante esa ventana de tiempo, por ejemplo, en función de los límites de velocidad respectivos y/o las condiciones del tráfico de uno o más segmentos de carretera.

[0274] En el acto 422, se determinan uno o más valores de parámetros. Por ejemplo, hay uno o más parámetros relacionados con los segmentos de carretera dentro del horizonte de selección, como las longitudes respectivas de uno o más segmentos de carretera, los límites de velocidad respectivos, la información de intersecciones respectivas (por ejemplo, la presencia de un semáforo o una señal de stop al final de un segmento de carretera) y/o la información de tráfico correspondiente. Se puede obtener cualquier información de tráfico adecuada, como un coeficiente de congestión histórico (o actual), que puede ser un número adimensional que se multiplica por un límite de velocidad para obtener una velocidad media histórica (o actual). Como otro ejemplo, se puede obtener un tiempo de espera medio histórico (o actual) para un semáforo o una señal de stop.

[0275] Los inventores han reconocido y comprendido que, en algunos casos, pueden aplicarse diferentes límites de velocidad en distintas partes de un segmento de carretera. Por consiguiente, en algunas formas de realización, dicho segmento de carretera puede ser resegmentado cuando se produce un cambio en el límite de velocidad.

[0276] En algunas formas de realización, puede haber uno o más parámetros relacionados con el conductor del vehículo eléctrico, además de, o en lugar de, uno o más parámetros relacionados con uno o más segmentos de carretera. Por ejemplo, se puede obtener un historial de conducción del conductor, como uno o más perfiles de velocidad históricos que recorren la misma ruta. En algunas formas de realización, los perfiles de velocidad históricos del conductor pueden segmentarse según la hora del día, el día de la semana y/o si es día laborable o no.

[0277] [0154]Además, hay uno o más parámetros relacionados con uno o más dispositivos de almacenamiento de energía del vehículo eléctrico, como la energía actualmente disponible para descarga, la capacidad actualmente disponible para carga regenerativa, la corriente máxima instantánea de carga/descarga con respecto a un estado de carga actual y/o uno o más otros estados de carga, etc.

[0278] En el acto 424, se predicen múltiples perfiles de velocidad candidatos para el horizonte de selección. Por ejemplo, puede haber una o más variables, donde cada variable puede tomar varios valores diferentes. Como ejemplo, puede haber dos variables: agresividad del conductor y negligencia del conductor. La agresividad del conductor puede tomar uno de dos valores: agresivo o conservador. La negligencia del conductor puede tomar uno de dos valores: negligente o cuidadoso. Por lo tanto, pueden ser posibles cuatro combinaciones diferentes, lo que puede resultar en cuatro perfiles de velocidad predichos diferentes.

[0279] En algunas formas de realización, los perfiles de velocidad pueden predecirse utilizando el proceso ilustrativo 400A del ejemplo de la FIG. 4A y/o el proceso ilustrativo 400A del ejemplo de la FIG. 4B. Se puede proporcionar cualquier entrada adecuada al proceso 400A y/o al proceso 400B, como una combinación seleccionada de uno o más valores variables (por ejemplo, agresivo y/o descuidado) y/o uno o más valores de parámetros determinados en el acto 422.

[0280] En algunas formas de realización, se puede analizar un perfil de velocidad previsto para determinar si se cumplen una o más restricciones. Por ejemplo, el proceso 400C puede comprobar si existe un segmento de carretera en el horizonte de selección donde el perfil de velocidad supere un umbral basado en un límite de velocidad para dicho segmento. Por ejemplo, el umbral se puede calcular multiplicando el límite de velocidad por un índice de seguridad, que puede ser un número adimensional mayor que 1 (p. ej., 1,1). Además, o alternativamente, el umbral se puede calcular sumando una constante (p. ej., 5 mph) al límite de velocidad.

[0281] Como otro ejemplo, el proceso 400C puede comprobar, para cada segmento de carretera no final en el horizonte de selección, si un valor del perfil de velocidad al final del segmento de carretera no final coincide con un valor del perfi l de velocidad al comienzo del siguiente segmento de carretera.

[0282] Como otro ejemplo, el proceso 400C puede comprobar, para cada señal de stop a lo largo de un segmento de carretera en el horizonte de selección, si un valor del perfil de velocidad en la señal de stop es cero.

[0283] En algunas formas de realización, un perfil de velocidad previsto que infrinja una restricción puede ser descartado. Además, o alternativamente, dicho perfil de velocidad previsto puede ser modificado. Por ejemplo, si un perfil de velocidad supera un umbral para un segmento de carretera, el perfil de velocidad puede reducirse a dicho umbral dondequiera que este se supere. Además, o alternativamente, se pueden utilizar una o más restricciones en el acto 428 (que se describe a continuación) para seleccionar un perfil de velocidad entre varios perfiles de velocidad candidatos.

[0284] En el acto 426, se puede calcular un consumo total de energía para el horizonte de selección para cada perfil de velocidad previsto en el acto 424. Por ejemplo, se puede calcular un consumo total de energía en función de un perfil de aceleración (p. ej., derivado del perfil de velocidad), un peso estimado del vehículo, una eficiencia energética del vehículo, una o más condiciones de la carretera (p. ej., un coeficiente de deslizamiento), una o más condiciones meteorológicas (p. ej., dirección y/o velocidad del viento), etc.

[0285] Adicionalmente, o alternativamente, se puede calcular un tiempo total de viaje para el horizonte de selección para cada perfil de velocidad previsto en el acto 424. Por ejemplo, se puede calcular un tiempo total de viaje en función de las longitudes de uno o más segmentos de carretera en el horizonte de selección, los tiempos de espera previstos en una o más señales de stop y/o semáforos, etc. Dicha información se puede obtener de un servicio de planificación de rutas (por ejemplo, Google Maps, Apple Maps, etc.) y/o un sistema de control de semáforos del Internet de las Cosas (IoT).

[0286] En algunas formas de realización, un perfil de velocidad que dé como resultado un tiempo total de viaje superior a un porcentaje umbral (p. ej., 5 %, 10 %, 15 %, 20 %, etc.) respecto al tiempo de viaje previsto puede ser excluido de la consideración. El porcentaje umbral puede determinarse de cualquier manera adecuada, por ejemplo, en función de la información proporcionada por el conductor.

[0287] En algunas formas de realización, se pueden calcular uno o más costos para cada perfil de velocidad. Por ejemplo, se puede calcular un costo de consumo de energía basado en el consumo total de energía para el perfil de velocidad. Esto se puede hacer de cualquier manera adecuada, por ejemplo, convirtiendo el consumo total de energía a una cantidad adimensional y/o multiplicándolo por un factor adecuado, de modo que incluso un pequeño cambio en el consumo total de energía pueda resultar en un cambio significativo en el costo de consumo de energía. Adicionalmente, o alternativamente, se puede calcular un costo de tiempo de viaje basado en el tiempo total de viaje para el perfil de velocidad de manera similar.

[0288] En algunas formas de realización, el costo del consumo de energía, el costo del tiempo de viaje y/o uno o más costos adicionales pueden combinarse para obtener un costo total para el perfil de velocidad. Por ejemplo, los costos pueden combinarse mediante una suma ponderada. Se pueden elegir uno o más pesos respectivos de cualquier manera adecuada. Por ejemplo, si la conservación de la energía es más importante que llegar rápidamente a un destino, entonces el peso del costo del consumo de energía puede ser mayor que el del costo del tiempo de viaje, o viceversa.

[0289] En el acto 428, se puede seleccionar un perfil de velocidad con el menor costo. Se puede utilizar cualquier técnica de selección adecuada, como una técnica de optimización exacta o una técnica heurística. Por ejemplo, se puede utilizar una técnica de programación no lineal para seleccionar un perfil de velocidad, sujeto a una o más restricciones (por ejemplo, una o más de las restricciones ilustrativas descritas anteriormente en relación con el acto 424).

[0290] En algunas formas de realización, el proceso 400C puede repetirse una o más veces mientras el vehículo avanza por la ruta. Como resultado, se pueden generar y/o seleccionar uno o más perfiles de velocidad actualizados en función de información actualizada, como el tráfico real, las condiciones reales de la carretera, etc.

[0291] Si bien los detalles de la implementación se describen anteriormente y se muestran en la FIG.4C, debe entenderse que los aspectos de la presente divulgación no se limitan a ninguna forma particular de implementación. Por ejemplo, los aspectos de la presente divulgación no se limitan al cálculo de un costo de consumo de energía, un costo de tiempo de viaje o cualquier otro costo. Además, los aspectos de la presente divulgación no se limitan al uso de un perfil de velocidad seleccionado para proporcionar una recomendación de velocidad a un conductor. En algunas formas de realización, un perfil de velocidad seleccionado puede usarse para establecer una velocidad objetivo cuando se activa el control de crucero del vehículo, o si el vehículo es un automóvil autónomo o un dron.

[0292] La FIG. 5 muestra un proceso ilustrativo 500 para seleccionar una o más estrategias de gestión de energía, de acuerdo con algunas formas de realización. Por ejemplo, el proceso 500 puede utilizarse para seleccionar una o más estrategias de gestión de energía de la colección ilustrativa de estrategias de gestión de energía 154 que se muestra en la FIG.1B.

[0293] En el acto 502, se pueden realizar simulaciones utilizando diversas estrategias de gestión de energía. En algunas formas de realización, algunas o todas estas simulaciones se pueden realizar en paralelo, de modo que se puedan completar más simulaciones en un tiempo menor. Además, o alternativamente, algunas o todas estas simulaciones pueden ser realizadas por un sistema remoto de gestión de almacenamiento de energía (por ejemplo, el sistema remoto de gestión de almacenamiento de energía 150 ilustrado en el ejemplo de la FIG. 1B), que puede tener más recursos computacionales que un sistema local de gestión de almacenamiento de energía (por ejemplo, el sistema local de gestión de almacenamiento de energía 160 ilustrado en el ejemplo de la FIG.1B).

[0294] En algunas formas de realización, una simulación puede llevarse a cabo manteniendo una o más variables de estado, las cuales pueden tener uno o más valores iniciales respectivos en el tiempot0

, y pueden evolucionar durante un período de simulación [t0

,t0

+T] de acuerdo con una estrategia de gestión de energía que se esté aplicando en esa simulación en particular. Ejemplos de variables de estado incluyen, pero no se limitan a, estado de carga, estado de salud, voltaje, corriente, tasa C, eficiencia de carga/descarga, etc. de cada dispositivo de almacenamiento de energía en una configuración de sistema de almacenamiento de energía.

[0295] En algunas formas de realización, el período de simulación [t0

,t0+ T] puede incluirNciclos de control, donde cada ciclo de control puede tener una duración deT/N.Al comienzo de un ciclo de control, la estrategia de gestión de energía puede aplicarse en función de un perfil de potencia de aplicación de energía, un perfil ambiental de almacenamiento de energía y/o uno o más valores respectivos de una o más variables de estado al comienzo del ciclo de control. En algunas formas de realización, el perfil de potencia de aplicación de energía puede proporcionarse en función de un perfil de velocidad (por ejemplo, un perfil de velocidad predicho mediante el proceso ilustrativo 400B que se muestra en la FIG.

[0296] 4B, y/o seleccionado mediante el proceso ilustrativo 400C que se muestra en la FIG. 4C). Adicionalmente, o alternativamente, el perfil de potencia de aplicación de energía puede proporcionarse en función de un perfil de potencia del sistema auxiliar (por ejemplo, un perfil de potencia para el sistema de climatización de la cabina del conductor, predicho en función del clima, las preferencias del conductor, etc.).

[0297] En algunas formas de realización, la estrategia de gestión de energía puede generar una distribución de potencia que se ejecutará durante el ciclo de control. Uno o más modelos de dispositivos de almacenamiento de energía, que pueden seleccionarse en función de la configuración del sistema de almacenamiento de energía, pueden utilizarse para determinar cómo evolucionan las variables de estado durante el ciclo de control. Por ejemplo, se puede determinar una serie temporal para una variable de estado durante el ciclo de control. La serie temporal puede incluir un solo valor (p. ej., el valor final de la variable de estado al final del ciclo de control) o varios valores (p. ej., valores intermedios de la variable de estado a lo largo del ciclo de control).

[0298] En algunas formas de realización, el proceso anterior puede repetirse N veces, donde cada variable de estado puede inicializarse al comienzo de cada ciclo de control en función del valor de la variable de estado al final del ciclo de control anterior. En consecuencia, se pueden calcular una o más variables de rendimiento (p. ej., ΔSoC, ΔSoH, etc.) relacionadas con un dispositivo de almacenamiento de energía. Por ejemplo, se pueden generar uno o más valores para cada variable de rendimiento como una serie temporal para todo el período de simulación [t0

,t0

+T].

[0299] En algunas formas de realización, la serie temporal para todo el período de simulación se puede obtener concatenando las series temporales de los ciclos de control individuales. Además, o alternativamente, la serie temporal para todo el período de simulación puede incluir valores derivados, como un valor promedio para cada ciclo de control.

[0300] En algunas formas de realización, se puede proporcionar un perfil de rendimiento simulado para cada dispositivo de almacenamiento de energía en la configuración del sistema de almacenamiento de energía. Dicho perfil de rendimiento puede incluir, para cada variable de estado perteneciente al dispositivo de almacenamiento de energía correspondiente, la serie temporal para todo el período de simulación [t_0,t_0+T] para esa variable de estado.

[0301] Volviendo a la FIG. 5, se pueden seleccionar una o más estrategias de gestión de energía en función de los resultados de la simulación del acto 502. Por ejemplo, las estrategias utilizadas en las simulaciones realizadas en el acto 502 pueden clasificarse en función de uno o más criterios, como la eficiencia del ciclo, que puede determinarse como una relación entre la carga total extraída de un dispositivo de almacenamiento de energía y la carga total introducida en dicho dispositivo durante un ciclo completo (p. ej., idealmente del 0 % al 100 % al 0 %, o del 10 % al 90 % al 10 % en algunos escenarios prácticos). Se pueden seleccionar una o más estrategias de alto rango, como las estrategias número uno, dos, tres, cuatro, cinco, seis, siete, ocho, nueve, diez, once, doce, trece, catorce, quince, etc.

[0302] En el acto 506, se pueden implementar una o más estrategias seleccionadas en el acto 504. Por ejemplo, una estrategia seleccionada puede aplicarse a una o más entradas adecuadas, y una salida de distribución de potencia de la estrategia puede usarse para proporcionar señales de control a la electrónica de potencia (por ejemplo, la electrónica de potencia ilustrativa 104 que se muestra en la FIG.1A) y/o a uno o más administradores de dispositivos de almacenamiento de energía (por ejemplo, los administradores de dispositivos ilustrativos 114A-B que se muestran en la FIG.1A). Si hay varias estrategias seleccionadas, dichas estrategias pueden aplicarse en una secuencia seleccionada (por ejemplo, cada una durante un período de tiempo seleccionado), o de alguna otra manera adecuada (por ejemplo, usando un valor de exploración 0 <ε≤ 1 como se describe a continuación).

[0303] En el acto 508, se pueden recopilar observaciones durante el despliegue de una o más estrategias seleccionadas. Ejemplos de observaciones que se pueden recopilar incluyen, pero no se limitan a, un perfil de velocidad real, un perfil de rendimiento real para un dispositivo de almacenamiento de energía, etc. Un perfil de rendimiento real puede involucrar cualquier variable de estado adecuada o combinación de variables de estado de un dispositivo de almacenamiento de energía, y puede incluir una serie temporal de mediciones para cada una de dichas variables de estado.

[0304] En algunas formas de realización, el proceso 500 puede repetirse una o más veces, y las observaciones recopiladas en el acto 508 pueden utilizarse al realizar simulaciones posteriores. Por ejemplo, se puede utilizar un modelo de orden reducido (ROM) para disminuir el tiempo de simulación cuando el proceso 500 se ejecuta inicialmente. Cuando el proceso 500 se repite, las simulaciones pueden realizarse con base en un modelo de orden completo y/o en las observaciones recopiladas durante una o más ejecuciones previas del proceso 500.

[0305] Las técnicas ilustrativas para la gestión de sistemas de almacenamiento de energía se describen con más detalle en la Solicitud Internacional No. PCT/US2019/050845, presentada el 12 de septiembre de 2019, titulada "SYSTEMS AND METHODS FOR MANAGING ENERGYSTORAGESYSTEM".

[0306] Los inventores han reconocido y valorado que el rendimiento de una estrategia de gestión de energía puede depender del contexto en el que se implementa. Por ejemplo, una estrategia de gestión de energía puede asignar una o más entradas a una distribución de potencia entre varios dispositivos de almacenamiento de energía asociados a una aplicación energética. Dicha estrategia puede tener un mejor o peor rendimiento dependiendo de las condiciones de los dispositivos de almacenamiento de energía, de la propia aplicación energética y/o del entorno en el que opera.

[0307] En consecuencia, en algunas formas de realización, se proporcionan técnicas para seleccionar una estrategia de gestión de energía de entre varias estrategias de gestión de energía. Dicha técnica puede intentar lograr un equilibrio deseado entre: (1) seleccionar una estrategia de gestión de energía que se sabe que funciona bien en un contexto determinado, y (2) probar otras estrategias de gestión de energía para ver si alguna de ellas puede funcionar aún mejor en ese contexto.

[0308] En algunas formas de realización, una estrategia de gestión de energía puede recibir, como entrada, un valor de salida de un modelo de estimación. Los inventores han reconocido y comprendido que la precisión de un modelo de estimación puede depender del contexto en el que se implementa. Por ejemplo, un modelo de estimación puede relacionar una o más entradas con un valor estimado de una variable dependiente vinculada a una aplicación de energía, un dispositivo de almacenamiento de energía asociado a dicha aplicación o el entorno en el que opera. El valor estimado de la variable dependiente puede ser una estimación de su valor actual o futuro. Dicho modelo de estimación puede ser más o menos preciso (por ejemplo, el valor estimado coincide con el valor observado) dependiendo de las condiciones de los dispositivos de almacenamiento de energía, la propia aplicación y/o el entorno en el que opera.

[0309] Los inventores han reconocido y valorado que las técnicas para seleccionar una estrategia de gestión energética entre varias estrategias de gestión energética también pueden utilizarse para seleccionar un modelo de estimación entre varios modelos de estimación. Dicha técnica puede intentar lograr un equilibrio deseado entre: (1) seleccionar un modelo de estimación que se sabe que es preciso en un contexto determinado, y (2) probar otros modelos de estimación para ver si alguno de ellos puede ser aún más preciso en ese contexto.

[0310] Los inventores han reconocido y apreciado además que puede ser deseable compartir conocimiento sobre el rendimiento de la estrategia de gestión de energía y/o la precisión del modelo de estimación en aplicaciones de energía similares, como vehículos eléctricos que están construidos y/o equipados de manera similar. Por ejemplo, el Vehículo A y el Vehículo B pueden pertenecer a la misma clase de vehículos y pueden tener el mismo tipo de sistema de almacenamiento de energía (ESS). El Vehículo A puede estar ubicado en Sídney, Australia, mientras que el Vehículo B puede estar ubicado en Oslo, Noruega. Con una temperatura ambiente de-10 °C y una temperatura de funcionamiento del ESS de 10 °C, la capacidad del ESS en el Vehículo B puede ser un 3 % mayor que la estimada. Además, con una descarga de 1,3 C, la resistencia serie equivalente (ESR) del ESS en el Vehículo B puede ser un 7 % menor que la estimada.

[0312] En algunas formas de realización, los datos recopilados de otros vehículos de la misma clase que operan en el mismo contexto (por ejemplo, temperatura ambiente dentro de un primer rango de -10 °C y/o temperatura de operación del ESS dentro de un segundo rango de 10 °C) pueden analizarse para determinar si también se observan discrepancias similares (por ejemplo, discrepancias de capacidad dentro de un tercer rango y/o discrepancias de ESR dentro de un cuarto rango). De ser así, se puede inferir que el modelo de estimación de capacidad y/o el modelo de estimación de ESR que se utilizan actualmente en el Vehículo B pueden ser inexactos en ese contexto. De lo contrario, se puede inferir que las discrepancias observadas en el Vehículo B pueden deberse al ruido de los datos, lo que puede evitar ventajosamente actualizaciones innecesarias de los modelos de estimación en el Vehículo B.

[0314] Además, o alternativamente, se pueden analizar los datos recopilados de un mismo vehículo que opera en un mismo contexto repetidamente para determinar si se observan discrepancias similares de forma consistente (por ejemplo, por encima de un porcentaje umbral de ocurrencias). De ser así, se podría inferir que un modelo de estimación actualmente implementado podría ser inexacto en ese contexto. De lo contrario, se podría inferir que las discrepancias observadas en solo unas pocas ocasiones podrían deberse al ruido de los datos.

[0316] En algunas formas de realización, si se determina que un modelo de estimación actualmente implementado puede ser inexacto en un contexto dado, dicho modelo puede ser reemplazado por uno que se considere más preciso en ese contexto. Por ejemplo, si se observan discrepancias similares en la capacidad y el ESR en muchos vehículos de una misma clase que operan en un mismo contexto (por ejemplo, por encima de un porcentaje umbral de dichos vehículos), los modelos de estimación en esos vehículos pueden ser reemplazados por modelos que se consideren más precisos en ese contexto. Esto puede hacerse de cualquier manera apropiada (por ejemplo, mediante actualizaciones inalámbricas) y puede permitir que las estrategias de gestión de energía en dichos vehículos aprovechen el mejor rendimiento del ESS en ese contexto.

[0318] Debe entenderse que una clase de vehículos a considerar puede definirse de cualquier manera apropiada. En algunas formas de realización, los vehículos de una misma clase pueden ser de la misma marca, modelo y/o año, además de, o en lugar de, tener un mismo tipo de sistema de almacenamiento de energía.

[0320] En algunas formas de realización, los modelos de reemplazo pueden implementarse de forma selectiva. Por ejemplo, si la discrepancia entre un valor estimado y un valor observado supera un umbral porcentual seleccionado, puede activarse la implementación de un modelo de reemplazo. Además, o alternativamente, la implementación de un modelo de reemplazo puede basarse en la similitud entre contextos. Por ejemplo, dado que el Vehículo A se encuentra en un contexto diferente (p. ej., temperatura ambiente y temperatura de funcionamiento del ESS mucho más elevadas), los modelos de estimación en el Vehículo A podrían no reemplazarse de inmediato. Sin embargo, se puede proporcionar lógica de programación para activar el reemplazo de los modelos de estimación cuando se experimenten condiciones más frías en el futuro.

[0322] La similitud entre contextos puede determinarse de cualquier manera adecuada. Por ejemplo, en algunas formas de realización, dados dos valores de una misma característica observable, se puede proporcionar una diferencia normalizada, que puede ser un valor en [0,1]. Dados dos contextos basados en un mismo conjunto subyacente de características, la diferencia entre ambos contextos puede calcularse como una suma ponderada de las diferencias respectivas entre los valores de las características correspondientes. Sin embargo, debe entenderse que los aspectos de la presente divulgación no se limitan a comparar contextos de una manera particular, ni a compararlos en absoluto.

[0324] En algunas formas de realización, se proporcionan técnicas para seleccionar un modelo de una categoría de modelos que comprende una pluralidad de modelos candidatos. Por ejemplo, se puede proporcionar una categoría de modelos que comprende una pluralidad de estrategias de gestión de energía. Adicionalmente, o alternativamente, se puede proporcionar una categoría de modelos que comprende una pluralidad de modelos de estimación para una variable dependiente relacionada con una aplicación de energía. Dichos modelos de estimación pueden denominarse modelos de aplicación de energía. Adicionalmente, o alternativamente, se puede proporcionar una categoría de modelos que comprende una pluralidad de modelos de estimación para una variable dependiente relacionada con un dispositivo de almacenamiento de energía asociado con la aplicación de energía. Dichos modelos de estimación pueden denominarse modelos de dispositivo de almacenamiento de energía. Adicionalmente, o alternativamente, se puede proporcionar una categoría de modelos que comprende una pluralidad de modelos de estimación para una variable dependiente relacionada con un entorno en el que opera la aplicación de energía. Dichos modelos de estimación pueden denominarse modelos de entorno.

[0325] En algunas formas de realización, un contexto puede incluir una pluralidad de valores, donde cada valor puede corresponder a una característica observable. Por ejemplo, un contexto C puede incluir un valor de una característica relacionada con un entorno en el que opera una aplicación de energía (por ejemplo, una temperatura ambiente, una condición de la carretera, etc.), un valor de una característica relacionada con la aplicación de energía (por ejemplo, una masa total del vehículo, un tiempo hasta el destino, una velocidad solicitada por el conductor, una temperatura de cabina solicitada por el conductor, etc.) y/o un valor de una característica relacionada con uno o más dispositivos de almacenamiento de energía asociados con la aplicación de energía (por ejemplo, una temperatura de funcionamiento del almacenamiento de energía, un estado de carga, etc.).

[0327] En algunas formas de realización, se proporcionan técnicas para seleccionar un modelo de una categoría de modelos con el fin de aumentar una o más recompensas (o reducir uno o más costos). Como ejemplo, una categoría de modelosMpuede incluir una pluralidad de estrategias de gestión de energía para un ESS de un vehículo eléctrico, y se puede seleccionar una estrategia de gestión de energía m para aumentar el estado de salud del ESS al llegar el vehículo a un destino. Por lo tanto, una función de recompensar(C, m)puede depender del estado de salud del ESS después de implementar la estrategia de gestión de energía m en el contextoC.Adicionalmente, o alternativamente, la función de recompensar(C, m)puede proporcionarse para aumentar la eficiencia del ciclo de conducción (kWh/km), la energía recuperada durante instancias de frenado regenerativo, etc., y/o para disminuir las pérdidas térmicas, la oscilación cíclica del dispositivo de alta energía, la segunda derivada de la demanda de potencia del dispositivo de alta energía, etc.

[0329] Como otro ejemplo, una categoría de modeloMpuede incluir varios modelos de estimación para una variable dependiente, y se puede seleccionar un modelo de estimación m para aumentar la precisión. Por lo tanto, una función de recompensar(C, m)puede depender de la diferencia entre un valor estimado de la variable dependiente y un valor observado de la misma.

[0331] En algunas formas de realización, si una estrategia de gestión de energía m se ha implementado varias veces en un contextoC,se puede utilizar una estadística adecuada de una recompensa, como la media, el mediano, la moda, el máximo, el mínimo, etc.

[0333] En algunas formas de realización, se pueden realizar selecciones repetidas de una categoría de modelosMcon el objetivo de aumentar la recompensa agregada (o reducir el costo agregado). En cada selección, se pueden adoptar dos enfoques posibles: (1) explotación: intentar aumentar la recompensa basándose en lo que se sabe actualmente sobre los modelos enM;y (2) exploración: intentar aprender más sobre los modelos enM.

[0335] Por ejemplo, se puede elegir un valor de exploración 0 <ε ≤ 1(por ejemplo,ε= 0,5). El enfoque de exploración se puede elegir con probabilidadε, mientras que el enfoque de explotación se puede elegir con probabilidad 1 -ε.En el pseudocódigo siguiente se muestra una técnica ilustrativa que utiliza dicho valor de exploración.

[0337] entrada: contextoC, valor de exploración 0 <ε< 1, categoría de modeloM

[0338] salida: modelo seleccionadom∈M

[0339] sino todos los modelos enMhan sido desplegados en el contextoC

[0340] entonces

[0341] seleccionar modelomde manera uniforme al azar de entre el/los modelo(s) enMque no han sido desplegados en el contextoC

[0342] si no

[0343] seleccionar númeroude manera uniforme al azar del intervalo [0, 1];

[0344] siu

>εentonces

[0345] seleccionar modelomcon la recompensa promedio más altaṝ(C,m) observada hasta el momento en el contexto Csi no

[0346] seleccionar modelomde manera uniforme al azar de entreM

[0347] fin

[0349] En este ejemplo, se favorece la exploración inicialmente, hasta que todos los modelos de la categoría de modelosMse hayan desplegado al menos una vez en el contextoC.Posteriormente, el valor de exploraciónεse utiliza para elegir entre explotación y exploración.

[0351] Cabe señalar que la técnica anterior se proporciona únicamente con fines ilustrativos. Se pueden utilizar una o más variantes de esta técnica, o bien otras técnicas, para seleccionar modelos de una categoría y así aumentar la recompensa en un contexto determinado. Por ejemplo, en algunas formas de realización, se puede utilizar una regla para eliminar uno o más modelos de la categoríaMque se consideren inadecuados en el contextoC.

[0353] Otros ejemplos de técnicas que se pueden utilizar se analizan en "Un método práctico para resolver problemas de bandidos contextuales utilizando árboles de decisión" de Elmachtoub et al.33 En Actas de la 33.ª Conferencia sobre Incertidumbre en Inteligencia Artificial (UAI 2017).

[0354] La FIG.6 muestra una red ilustrativa 600 de categorías de modelos, de acuerdo con algunas formas de realización. En este ejemplo, la red 600 incluye una categoría de modelo 605 que comprende varias estrategias de gestión de energía. Por ejemplo, cada estrategia de gestión de energía en la categoría de modelo 605 puede asignar una o más entradas a una distribución de potencia entre un dispositivo de alta energía y un dispositivo de alta potencia (por ejemplo, los dispositivos de almacenamiento de energía ilustrativos 110A-B en el ejemplo de la FIG.1A).

[0355] En algunas formas de realización, la categoría de modelo 605 puede recibir una entrada de otra categoría de modelo. Por ejemplo, la categoría de modelo 605 puede recibir una entrada de una categoría de modelo que comprende modelos de aplicación de energía, como una categoría de modelo que comprende modelos de estimación para el perfil de velocidad, una categoría de modelo que comprende modelos de estimación para la eficiencia del frenado regenerativo, una categoría de modelo que comprende modelos de estimación para la demanda de potencia auxiliar, etc. Dichas categorías de modelo se muestran en el grupo 610 de la FIG.6.

[0356] Adicionalmente, o alternativamente, la categoría de modelo 605 puede recibir una entrada de una categoría de modelo que comprende modelos de dispositivos de almacenamiento de energía, como una categoría de modelo que comprende modelos de estimación para voltaje, una categoría de modelo que comprende modelos de estimación para resistencia serie equivalente (ESR), una categoría de modelo que comprende modelos de estimación para estado de salud (SOH), etc. Dichas categorías de modelo se muestran en un grupo 615 en la FIG.6.

[0357] En algunas formas de realización, una categoría de modelos que comprende modelos de estimación puede, a su vez, recibir una entrada de otra categoría de modelos que comprende modelos de estimación. Por ejemplo, una categoría de modelos del grupo 610 o 615 puede recibir una entrada de una categoría de modelos que comprende modelos ambientales, como una categoría de modelos que comprende modelos de estimación para el coeficiente de rodadura, una categoría de modelos que comprende modelos de estimación para la densidad del aire, etc.

[0358] Adicionalmente, o alternativamente, una categoría de modelo en el grupo 610 o 615 puede recibir una entrada de una categoría de modelo que comprende modelos térmicos, como una categoría de modelo que comprende modelos de estimación para la temperatura de funcionamiento del dispositivo de almacenamiento de energía, una categoría de modelo que comprende modelos de estimación para la potencia de gestión térmica (por ejemplo, potencia utilizada para mantener la temperatura de funcionamiento del dispositivo de almacenamiento de energía dentro de un rango seleccionado), etc.

[0359] Los inventores han reconocido y valorado que, si bien los modelos térmicos del ejemplo de la FIG.6 son modelos de dispositivos de almacenamiento de energía, pueden recibir datos de entrada relacionados con el entorno en el que opera una aplicación energética. Por lo tanto, en algunas formas de realización, la selección de un modelo térmico puede basarse en datos históricos segmentados por una o más condiciones ambientales. En consecuencia, en la FIG. 6, los modelos térmicos se muestran en el mismo grupo 620 que los modelos ambientales.

[0360] En algunas formas de realización, la selección de modelos puede proceder de arriba hacia abajo en la red 600. Por ejemplo, se puede seleccionar un modelo de cada categoría de modelo que no tenga entrada de ninguna otra categoría de modelo. Dicho modelo seleccionado puede usarse para obtener un valor estimado, que a su vez puede proporcionarse como entrada a una categoría de modelo posterior.

[0361] Los inventores han reconocido y comprendido que las características observables relevantes para la selección de una primera categoría de modelo (p. ej., perfil de velocidad) pueden ser diferentes de las relevantes para la selección de una segunda categoría de modelo (p. ej., estado de salud del almacenamiento de energía). En consecuencia, en algunas formas de realización, se puede utilizar un primer contexto al seleccionar un modelo de la primera categoría, mientras que se puede utilizar un segundo contexto, diferente del primero, al seleccionar un modelo de la segunda categoría. Sin embargo, cabe señalar que la presente divulgación no se limita al uso de diferentes contextos para diferentes categorías de modelos.

[0362] Además, o alternativamente, se pueden utilizar diferentes valores de exploración (ε)y/o diferentes historiales de recompensa para diferentes categorías de modelos. Sin embargo, debe tenerse en cuenta que los aspectos de la presente divulgación no se limitan al uso de un valor de exploración o un historial de recompensa para seleccionar un modelo de una categoría de modelos.

[0363] Como se describe en relación con el ejemplo de la FIG.1A, el controlador maestro ilustrativo 102 puede comparar dos estrategias de gestión de energía para determinar cuál ofrece un mejor rendimiento. Para realizar dicha comparación, el controlador maestro puede estimar uno o más parámetros, como la demanda de potencia prevista, el estado de salud previsto del dispositivo de almacenamiento de energía, etc. Asimismo, para estimar un parámetro como el estado de salud previsto del dispositivo de almacenamiento de energía, el controlador maestro puede estimar uno o más parámetros adicionales, como la temperatura de funcionamiento prevista del almacenamiento de energía. Por lo tanto, un modelado inexacto de los parámetros puede, directa o indirectamente, generar falsas expectativas o la pérdida de oportunidades para mejorar el rendimiento.

[0364] [0213]Los inventores han reconocido y valorado que una red de categorías de modelos, como la red ilustrativa 600 del ejemplo de la FIG.6, puede utilizarse para proporcionar control adaptativo, mejorando al mismo tiempo la precisión de los parámetros estimados sobre los que se basa dicho control. Por ejemplo, el control adaptativo puede proporcionarse mediante la categoría de modelo 605, mientras que las mejoras en la precisión pueden lograrse mediante las categorías de modelos de los grupos 610, 615 y 620.

[0365] En algunas formas de realización, se puede seleccionar un modelo de una categoría de modelos del grupo 620. Dicha selección puede basarse en:

[0366] • datos históricos segmentados por uno o más criterios, como una o más condiciones ambientales;

[0367] • datos obtenidos dinámicamente (p. ej., mediciones de sensores);

[0368] • historial de recompensas de esa categoría de modelo;

[0369] • etc.

[0370] El modelo seleccionado puede aplicarse a los datos históricos y/o a los datos obtenidos dinámicamente para determinar un valor estimado. Este valor estimado puede proporcionarse a una o más categorías de modelos de los grupos 610 y 615.

[0371] En algunas formas de realización, se puede seleccionar un modelo de una categoría de modelos en el grupo 610. Dicha selección puede basarse en:

[0372] • uno o más valores estimados del grupo 620;

[0373] • datos históricos segmentados por uno o más criterios como geografía, historial del conductor, plataforma del vehículo, etc.;

[0374] • datos obtenidos dinámicamente (p. ej., mediciones de sensores);

[0375] • historial de recompensas de esa categoría de modelo;

[0376] • etc.

[0377] El modelo seleccionado puede aplicarse a los datos históricos y/o a los datos obtenidos dinámicamente para determinar un valor estimado. Este valor estimado puede proporcionarse a la categoría de modelo 605.

[0378] En algunas formas de realización, se puede seleccionar un modelo de una categoría de modelos en el grupo 615. Dicha selección puede basarse en:

[0379] • uno o más valores estimados del grupo 620;

[0380] • datos históricos segmentados por uno o más criterios, como el tipo de sistema de almacenamiento de energía desplegado;

[0381] • datos obtenidos dinámicamente (p. ej., mediciones de sensores);

[0382] • historial de recompensas de esa categoría de modelo;

[0383] • etc.

[0384] El modelo seleccionado puede aplicarse a los datos históricos y/o a los datos obtenidos dinámicamente para determinar un valor estimado. Este valor estimado puede proporcionarse a la categoría de modelo 605.

[0385] En algunas formas de realización, se puede seleccionar un modelo de la categoría de modelo 605. Dicha selección puede basarse en:

[0386] • uno o más valores estimados de los grupos 610 y/o 615;

[0387] •datos históricos segmentados por uno o más criterios, como una o más condiciones de conducción, uno o más comportamientos del conductor, una o más características del vehículo, etc.;

[0388] • datos obtenidos dinámicamente (por ejemplo, mediciones de sensores);

[0389] • historial de recompensas de la categoría de modelo 605;

[0390] • etc.

[0391] El modelo seleccionado puede aplicarse a los datos históricos y/o a los datos obtenidos dinámicamente para determinar las demandas de potencia instantáneas y/o futuras de un dispositivo de alta energía, las demandas de potencia instantáneas y/o futuras de un dispositivo de alta potencia (por ejemplo, si se utiliza un sistema de almacenamiento de energía heterogéneo), una o más recomendaciones orientadas al conductor para la velocidad objetivo, una o más recomendaciones orientadas al vehículo para la velocidad objetivo, etc.

[0392] Cabe señalar que los aspectos de la presente divulgación no se limitan al uso de ninguna categoría de modelo en particular ni a la organización de las categorías de modelos de ninguna manera específica. Por ejemplo, en algunas formas de realización, la categoría de modelo 605 puede recibir una entrada directamente de una categoría de modelo que comprende modelos ambientales y/o una entrada directamente de una categoría de modelo que comprende modelos térmicos.

[0393] [0219]En algunas formas de realización, la selección de modelos puede realizarse en paralelo en un sistema remoto de gestión de almacenamiento de energía y en un sistema local de gestión de almacenamiento de energía (por ejemplo, el sistema remoto de gestión de almacenamiento de energía 150 y el sistema local de gestión de almacenamiento de energía 160 ilustrados en la FIG. 1B). Los inventores han reconocido y valorado que un sistema remoto de gestión de almacenamiento de energía puede tener más recursos computacionales (por ejemplo, memoria, ciclos de procesamiento, etc.) y/o acceso a más datos (por ejemplo, datos históricos, datos de múltiples aplicaciones energéticas, etc.). Por lo tanto, un sistema remoto de gestión de almacenamiento de energía puede explorar categorías de modelos más amplias y, en consecuencia, descubrir modelos de estimación más precisos y/o estrategias de gestión de energía con mejor rendimiento.

[0395] Por ejemplo, para una categoría de modelo determinada, un sistema remoto de gestión de almacenamiento de energía puede analizar un gran número de modelos, que pueden basarse en diferentes enfoques de modelado matemático y/o utilizar diferentes técnicas de aproximación. Por el contrario, para la misma categoría de modelo, un sistema local de gestión de almacenamiento de energía puede analizar un número reducido de modelos, como modelos de estimación que el sistema remoto considera precisos y/o estrategias de gestión de energía que el sistema remoto considera de buen rendimiento. Estos modelos locales pueden reemplazarse mediante actualizaciones inalámbricas, que pueden programarse periódicamente y/o activarse por cambios de contexto.

[0397] Además, o alternativamente, un sistema de gestión de almacenamiento de energía remoto puede utilizar un valor de exploración mayor ∈ que un sistema local de gestión de almacenamiento de energía. Por lo tanto, el sistema local de gestión de almacenamiento de energía puede centrarse más en adaptarse rápidamente a las condiciones cambiantes (por ejemplo, tráfico, clima, solicitudes de los conductores, etc.), mientras que el sistema remoto de gestión de almacenamiento de energía puede dedicar más recursos computacionales a explorar diferentes modelos. De esta manera, el sistema remoto de gestión de almacenamiento de energía puede identificar modelos de estimación precisos para que el sistema local de gestión de almacenamiento de energía los utilice al comparar diferentes estrategias de gestión de energía, de modo que una estrategia de gestión de energía seleccionada por el sistema local de gestión de almacenamiento de energía pueda conducir a una mayor mejora del rendimiento. Sin embargo, debe entenderse que los aspectos de la presente divulgación no se limitan al uso de ningún valor de exploración en particular, ni a ninguna combinación de valores de exploración, ni a ningún valor de exploración en absoluto.

[0399] Los inventores han reconocido y valorado que puede ser beneficioso contar con varios modelos (aunque en número reducido) en una categoría de modelos utilizada por un sistema local de gestión de almacenamiento de energía. Por ejemplo, esto podría permitir que el sistema local de gestión de almacenamiento de energía cambie a un modelo diferente si el modelo actualmente implementado no es satisfactorio, sin activar una actualización inalámbrica inmediata. Sin embargo, cabe señalar que algunos aspectos de la presente divulgación no se limitan a contar con varios modelos en una categoría de modelos utilizada por un sistema local de gestión de almacenamiento de energía.

[0401] En algunas formas de realización, los datos de tráfico en tiempo real pueden utilizarse para proporcionar información más precisa a un modelo y/o un contexto más preciso para seleccionar un modelo dentro de una categoría de modelos. Por ejemplo, los datos de tráfico en tiempo real pueden obtenerse de sistemas públicos de monitoreo de tráfico y/o de proveedores privados de datos de tráfico.

[0403] En algunas formas de realización, los datos históricos pueden segmentarse antes de utilizarse para la selección de modelos. Por ejemplo, una categoría de modelo puede tener un conjunto asociado de uno o más valores de atributos. Como ejemplo, una categoría de modelo para el perfil de velocidad puede estar etiquetada con una determinada área geográfica, un determinado día de la semana, una determinada hora del día, etc., basándose en la suposición de que las condiciones del tráfico tienden a tener un patrón recurrente. Estos valores de atributos pueden utilizarse para filtrar los datos históricos, y los datos filtrados pueden, a su vez, utilizarse para seleccionar un modelo de perfil de velocidad de la categoría de modelo.

[0405] Además, o alternativamente, una categoría de modelo para el perfil de velocidad puede etiquetarse con uno o más valores de atributos que indiquen el estilo de conducción. Por ejemplo, los conductores pueden clasificarse según la agresividad con la que aceleran o frenan (p. ej., promedio, agresivo, conservador, etc.) o la rapidez con la que responden a los cambios (p. ej., promedio, descuidado, prudente, etc.). Los datos históricos pueden filtrarse según una o más etiquetas de clasificación.

[0407] En algunas formas de realización, la identificación biométrica (por ejemplo, reconocimiento facial, reconocimiento de huellas dactilares, etc.) puede utilizarse para distinguir los datos de diferentes personas que conducen un mismo vehículo (por ejemplo, miembros de un mismo hogar, conductores comerciales que trabajan por turnos, etc.). Esto puede mejorar la eficacia de la clasificación de conductores.

[0409] En algunas formas de realización, los datos históricos pueden segmentarse en función de múltiples criterios, como área geográfica, hora del día, día de la semana, época del año, condiciones meteorológicas, estado de la carretera, comportamiento del conductor, etc. Sin embargo, debe entenderse que los aspectos de la presente divulgación no se limitan a segmentar los datos de una manera particular, ni en absoluto.

[0411] [0228]Volviendo al ejemplo de la FIG.4C, el proceso ilustrativo 400C puede, en algunas formas de realización, determinar si la ruta del vehículo eléctrico es una ruta de cercanías. Por ejemplo, el proceso 400C puede utilizar una técnica de agrupamiento u otra técnica de clasificación para analizar los viajes realizados durante un período de tiempo determinado (por ejemplo, la última semana, dos semanas, tres semanas, etc.). Se puede utilizar cualquier conjunto adecuado de una o más características para el agrupamiento, como el punto de partida, el destino, el día de la semana, la hora del día, etc.

[0412] En algunas formas de realización, la ruta puede considerarse una ruta de cercanías si pertenece a un grupo que supera un umbral seleccionado (por ejemplo, un número seleccionado y/o un porcentaje seleccionado de viajes). En respuesta a la determinación de que la ruta es una ruta de cercanías, el proceso 400C puede obtener información sobre uno o más viajes anteriores a lo largo de la misma ruta, como un perfil de velocidad previamente previsto, un perfil de velocidad real correspondiente, la eficiencia energética correspondiente y/o el consumo total de energía correspondiente, el tiempo total de viaje correspondiente, etc.

[0413] En algunas formas de realización, el proceso 400C puede segmentar los viajes anteriores según uno o más criterios, como tráfico, clima, etc., e identificar uno o más perfiles de velocidad previamente predichos o perfiles de velocidad reales con valores de tráfico, clima u otros atributos que coincidan con los valores de atributos correspondientes del viaje actual. Los perfiles de velocidad identificados pueden incluirse como perfiles de velocidad candidatos en el acto 424.

[0414] Los inventores han reconocido y comprendido que puede resultar difícil para un conductor cambiar su estilo de conducción de forma abrupta, incluso si es consciente de las desventajas de su estilo actual (por ejemplo, una conducción agresiva que conlleva una baja eficiencia energética). Por consiguiente, en algunas formas de realización, el proceso 400C puede favorecer inicialmente el estilo de conducción actual del conductor, pero con el tiempo puede transitar gradualmente hacia un estilo de conducción más eficiente energéticamente. De esta forma, es más probable que el conductor adopte la velocidad recomendada.

[0415] Por ejemplo, el proceso 400C puede determinar, basándose en uno o más perfiles de velocidad reales de viajes anteriores en la misma ruta, si el conductor ha mostrado agresividad. En algunas formas de realización, se pueden obtener valores promedio (p. ej., media, mediana, moda, etc.) de aceleración y/o desaceleración de los viajes anteriores realizados por el conductor, y se pueden comparar con los valores promedio (p. ej., media, mediana, moda, etc.) de aceleración y/o desaceleración de todos los conductores en la misma ruta. Adicionalmente, o alternativamente, se pueden obtener los tiempos totales de viaje de los viajes anteriores realizados por el conductor, y se pueden comparar con, por ejemplo, el tiempo total de viaje estimado por un servicio de planificación de rutas (p. ej., Google Maps, Apple Maps, etc.).

[0416] En algunas formas de realización, si el conductor ha mostrado agresividad, el proceso 400C puede, en el acto 426, seleccionar ponderaciones para priorizar el tiempo total de viaje sobre el consumo total de energía. Por ejemplo, se puede utilizar una tabla de consulta que asigna a cada etiqueta de comportamiento del conductor (p. ej., agresivo, conservador, descuidado, cuidadoso, etc.) un par de ponderaciones correspondientes que se aplicarán al costo del tiempo de viaje y al costo del consumo de energía, respectivamente.

[0417] Adicionalmente, o alternativamente, el proceso 400C puede, en viajes futuros en la misma ruta, ajustar gradualmente los pesos para priorizar el consumo total de energía sobre el tiempo total de viaje. Por ejemplo, el proceso 400C puede ajustar los pesos ligeramente al principio (p. ej., aumentando el peso del consumo de energía en un 1 %, 2 %, 3 %, 4 %, 5 %, etc.). Si el conductor adopta las recomendaciones de velocidad hechas por el proceso 400C, los pesos pueden ajustarse aún más (p. ej., aumentando el peso del consumo de energía en un 1 %, 2 %, 3 %, 4 %, 5 %, etc. por viaje). Si el conductor ignora las recomendaciones de velocidad hechas por el proceso 400C durante al menos N viajes consecutivos (con algún N adecuado), entonces el proceso 400C puede volver a los pesos que mejor se ajusten al estilo de conducción del conductor.

[0418] En algunas formas de realización, se puede adoptar un enfoque similar incluso si la ruta no es una ruta de cercanías. Por ejemplo, el proceso 400C puede determinar, basándose en uno o más perfiles de velocidad reales de viajes anteriores (p. ej., en la misma ruta y/o en una o más rutas diferentes), si el conductor ha mostrado agresividad. Esto puede hacerse, por ejemplo, de forma similar a la descrita anteriormente con respecto a viajes anteriores en la misma ruta.

[0419] En algunas formas de realización, si el conductor ha mostrado agresividad, el proceso 400C puede, en el acto 426, seleccionar ponderaciones para priorizar el tiempo total de viaje sobre el consumo total de energía (por ejemplo, utilizando una tabla de consulta como se describió anteriormente). En viajes futuros, el proceso 400C puede ajustar gradualmente las ponderaciones para priorizar el consumo total de energía sobre el tiempo total de viaje (por ejemplo, realizando pequeños ajustes al principio y observando si el conductor es receptivo al cambio, como se describió anteriormente).

[0420] La FIG.7 muestra, esquemáticamente, una computadora ilustrativa 1000 en la que se puede implementar cualquier aspecto de la presente divulgación.

[0421] [0238]En el ejemplo mostrado en la FIG.7, el ordenador 1000 incluye una unidad de procesamiento 1001 con uno o más procesadores y un medio de almacenamiento no transitorio legible por ordenador 1002 que puede incluir, por ejemplo, memoria volátil y/o no volátil. La memoria 1002 puede almacenar una o más instrucciones para programar la unidad de procesamiento 1101 para que realice cualquiera de las funciones descritas en este documento. El ordenador 1000 también puede incluir otros tipos de medios no transitorios legibles por ordenador, como almacenamiento 1005 (por ejemplo, una o más unidades de disco) además de la memoria del sistema 1002. El almacenamiento 1005 también puede almacenar uno o más programas de aplicación y/o recursos utilizados por programas de aplicación (por ejemplo, bibliotecas de software), que pueden cargarse en la memoria 1002.

[0422] El ordenador 1000 puede tener uno o más dispositivos de entrada y/o de salida, como los dispositivos 1006 y 1007 ilustrados en la FIG.7. Estos dispositivos pueden utilizarse, por ejemplo, para presentar una interfaz de usuario. Ejemplos de dispositivos de salida que pueden utilizarse para proporcionar una interfaz de usuario incluyen impresoras, pantallas y otros dispositivos para salida visual, altavoces y otros dispositivos para salida audible, pantallas braille y otros dispositivos para salida háptica, etc. Ejemplos de dispositivos de entrada que pueden utilizarse para una interfaz de usuario incluyen teclados, dispositivos señaladores (por ejemplo, ratones, paneles táctiles y tabletas digitalizadoras), micrófonos, etc. Por ejemplo, los dispositivos de entrada 1007 pueden incluir un micrófono para capturar señales de audio, y los dispositivos de salida 1006 pueden incluir una pantalla para la representación visual y/o un altavoz para la representación audible del texto reconocido.

[0423] En el ejemplo que se muestra en la FIG.7, el ordenador 1000 también incluye una o más interfaces de red (por ejemplo, la interfaz de red 1010) para permitir la comunicación a través de diversas redes (por ejemplo, la red 1020). Ejemplos de redes incluyen redes de área local (por ejemplo, una red empresarial), redes de área amplia (por ejemplo, Internet), etc. Dichas redes pueden basarse en cualquier tecnología adecuada y operar según cualquier protocolo adecuado, y pueden incluir redes inalámbricas y/o redes cableadas (por ejemplo, redes de fibra óptica).

[0424] Las formas de realización descritas anteriormente en la presente divulgación pueden implementarse de diversas maneras. Por ejemplo, pueden implementarse mediante hardware, software o una combinación de ambos. Cuando se implementan mediante software, el código puede ejecutarse en cualquier procesador adecuado o en un conjunto de procesadores, ya sea en una sola computadora o distribuido entre varias.

[0425] Asimismo, los diversos métodos o procesos aquí descritos pueden codificarse como software ejecutable en uno o más procesadores que ejecutan cualquiera de una variedad de sistemas operativos o plataformas. Dicho software puede escribirse utilizando cualquiera de varios lenguajes de programación y/o herramientas de programación adecuados, incluidos lenguajes y/o herramientas de scripting. En algunos casos, dicho software puede compilarse como código ejecutable en lenguaje máquina o código intermedio que se ejecuta en un marco de trabajo o máquina virtual. Adicionalmente, o alternativamente, dicho software puede interpretarse.

[0426] Las técnicas aquí divulgadas pueden implementarse como un medio legible por computadora no transitorio (o varios medios legibles por computadora) (por ejemplo, una memoria de computadora, uno o más disquetes, discos compactos, discos ópticos, cintas magnéticas, memorias flash, configuraciones de circuitos en matrices de puertas programables en campo u otros dispositivos semiconductores, u otro medio de almacenamiento de computadora tangible y no transitorio) codificado con uno o más programas que, al ejecutarse en uno o más procesadores, realizan métodos que implementan las diversas formas de realización de la presente divulgación discutidas anteriormente. El medio o medios legibles por computadora pueden ser transportables, de manera que el programa o programas almacenados en ellos puedan cargarse en una o más computadoras diferentes u otros procesadores para implementar diversos aspectos de la presente divulgación como se discutió anteriormente.

[0427] Los términos "programa" o "software" se utilizan en el presente documento para referirse a cualquier tipo de código informático o conjunto de instrucciones ejecutables que puedan emplearse para programar uno o más procesadores para implementar diversos aspectos de la presente divulgación, tal como se ha descrito anteriormente. Además, cabe señalar que, según un aspecto de esta realización, uno o más programas informáticos que, al ejecutarse, realizan los métodos de la presente divulgación no necesitan residir en un único ordenador o procesador, sino que pueden distribuirse de forma modular entre varios ordenadores o procesadores diferentes para implementar diversos aspectos de la presente divulgación.

[0428] Las instrucciones ejecutables por computadora pueden presentarse en diversas formas, como módulos de programa, ejecutados por una o más computadoras u otros dispositivos. Los módulos de programa pueden incluir rutinas, programas, objetos, componentes, estructuras de datos, etc., que realizan tareas específicas o implementan tipos de datos abstractos particulares. Las funcionalidades de los módulos de programa pueden combinarse o distribuirse según se desee en diversas formas de realización.

[0429] Asimismo, las estructuras de datos pueden almacenarse en medios legibles por computadora en cualquier formato adecuado. Para simplificar la ilustración, se puede mostrar que las estructuras de datos tienen campos relacionados por su ubicación dentro de la estructura. Estas relaciones también pueden lograrse asignando el almacenamiento de los campos a ubicaciones en un medio legible por computadora que indiquen la relación entre ellos. Sin embargo, se puede utilizar cualquier mecanismo adecuado para establecer una relación entre la información de los campos de una estructura de datos. Por ejemplo, se pueden usar punteros, etiquetas u otros mecanismos para establecer relaciones entre elementos de datos.

[0430] Diversas características y aspectos de la presente divulgación pueden utilizarse individualmente, en cualquier combinación de dos o más, o en una variedad de disposiciones no específicamente analizadas en las formas de realización descritas anteriormente, y por lo tanto no se limitan a los detalles y la disposición de los componentes establecidos en la descripción anterior o ilustrados en los dibujos. Por ejemplo, los aspectos descritos en una forma de realización pueden combinarse de cualquier manera con los aspectos descritos en otras formas de realización.

[0431] Asimismo, las técnicas aquí descritas pueden implementarse como métodos, de los cuales se han proporcionado ejemplos. Los actos realizados como parte de un método pueden ordenarse de cualquier manera adecuada. Por consiguiente, pueden construirse formas de realización en las que los actos se realicen en un orden diferente al ilustrado, lo que puede incluir la forma de realización simultánea de algunos actos, aunque se muestren como actos secuenciales en las formas de realización ilustrativas.

[0432] El uso de términos ordinales como "primero", "segundo", "tercero", etc., en las reivindicaciones para modificar un elemento de la reivindicación no implica por sí mismo ninguna prioridad, precedencia u orden de un elemento de la reivindicación sobre otro, ni el orden temporal en que se realizan los actos de un método, sino que se utilizan simplemente como etiquetas para distinguir un elemento de la reivindicación con un nombre determinado de otro elemento con el mismo nombre (salvo por el uso del término ordinal) para distinguir los elementos de la reivindicación.

[0433] Además, la fraseología y terminología empleadas en el presente documento tienen fines descriptivos y no deben considerarse limitantes. El uso de "que incluye", "que comprende", "que tiene", "que contiene", "que implica", "basado en" y variaciones de los mismos en el presente documento, tiene por objeto abarcar los elementos enumerados a continuación y sus equivalentes, así como elementos adicionales.

Claims

1. REIVINDICACIONES

1. Un método implementado por computadora para seleccionar un perfil de velocidad (300, 305) para un vehículo eléctrico (120), que comprende los actos de:

determinar una ruta que debe recorrer el vehículo eléctrico (120) basándose en un punto de partida y un destino; determinar una pluralidad de valores de parámetros, la pluralidad de valores de parámetros comprende:

al menos un primer valor de parámetro para cada uno de una pluralidad de segmentos de carretera en un horizonte de selección, donde el horizonte de selección está asociado con la ruta; y al menos un segundo valor de parámetro para al menos un dispositivo de almacenamiento de energía del vehículo eléctrico;

utilizar la pluralidad de valores de parámetros para predecir una pluralidad de perfiles de velocidad (300, 305) sobre la pluralidad de segmentos de carretera en el horizonte de selección, donde:

cada perfil de velocidad de la pluralidad de perfiles de velocidad (300, 305) se predice en función de un valor correspondiente de al menos una variable relacionada con un estilo de conducción de un conductor del vehículo eléctrico (120);

calcular un costo de consumo de energía y un costo de tiempo de viaje para cada perfil de velocidad de la pluralidad de perfiles de velocidad (300, 305); y

seleccionar, en función de los respectivos costos de consumo de energía y los respectivos costos de tiempo de viaje, un perfil de velocidad de la pluralidad de perfiles de velocidad (300, 305).

2. El método de la reivindicación 1, que comprende además un acto de:

calcular un costo total para cada perfil de velocidad de la pluralidad de perfiles de velocidad, al menos en parte combinando el respectivo costo de consumo de energía y el respectivo costo de tiempo de viaje para el perfil de velocidad, donde:

se aplica un primer peso al costo de consumo de energía;

se aplica un segundo peso al costo de tiempo de viaje; y

el primer peso y el segundo peso se seleccionan en función del historial de conducción del conductor.

3. El método de la reivindicación 2, que comprende además un acto de:

determinar, en función del historial de conducción, si el conductor es un conductor agresivo o un conductor conservador;

en respuesta a la determinación de que el conductor es un conductor agresivo, seleccionar el primer peso y el segundo peso de manera que se priorice el tiempo de viaje sobre el consumo de energía; y

en respuesta a la determinación de que el conductor es un conductor conservador, seleccionar el primer peso y el segundo peso de manera que se priorice el consumo de energía sobre el tiempo de viaje.

4. El método de la reivindicación 2, que comprende además un acto de:

determinar, en función del historial de conducción, si una ruta actual es una ruta de desplazamiento para el conductor;

en respuesta a la determinación de que la ruta actual no es una ruta de desplazamiento, seleccionar el primer peso y el segundo peso de manera que se priorice el tiempo de viaje sobre el consumo de energía; y en respuesta a la determinación de que la ruta actual es una ruta de desplazamiento, seleccionar el primer peso y el segundo peso de manera que se priorice el consumo de energía sobre el tiempo de viaje.

5. El método de la reivindicación 1, en el que:

determinar la pluralidad de valores de parámetros comprende:

utilizar un primer modelo de aprendizaje automático para estimar al menos un primer valor de parámetro para la pluralidad de segmentos de carretera en el horizonte de selección; y/o

utilizar un segundo modelo de aprendizaje automático para estimar al menos un segundo valor de parámetro para al menos un dispositivo de almacenamiento de energía 30 del vehículo eléctrico.

6. El método de la reivindicación 1, en el que:

la pluralidad de perfiles de velocidad comprende una pluralidad de primeros perfiles de velocidad; y utilizar la pluralidad de valores de parámetros para predecir la pluralidad de primeros perfiles de velocidad comprende:

utilizar la pluralidad de valores de parámetros para predecir una pluralidad de segundos perfiles de velocidad;

para cada segundo perfil de velocidad, comprobar si el segundo perfil de velocidad satisface al menos una restricción; y

en respuesta a determinar que el segundo perfil de velocidad no satisface al menos una restricción, eliminar o modificar el segundo perfil de velocidad.

7. El método de la reivindicación 1, en el que:

predecir un perfil de velocidad comprende:

comparar una velocidad actual con una velocidad predeterminada seleccionada para un segmento de carretera actual; y

en respuesta a determinar que la velocidad actual coincide con la velocidad predeterminada para el segmento de carretera actual, predecir un perfil de velocidad al final del segmento.

8. El método de la reivindicación 7, en el que:

predecir un perfil de velocidad al final del segmento comprende:

determinar una distancia entre una posición actual y un punto final del segmento de carretera actual; determinar una distancia de frenado, una distancia de crucero o una distancia de aceleración desde el punto final del segmento de carretera actual;

determinar, basándose en la distancia entre la posición actual y el punto final del segmento de carretera actual, y basándose en la distancia de frenado, la distancia de crucero o la distancia de aceleración, un tiempo para frenar, crucero o acelerar; y

aplicar al menos un ajuste del comportamiento del conductor.

9. El método de la reivindicación 7, en el que:

predecir un perfil de velocidad comprende además:

en respuesta a determinar que la velocidad actual es menor que la velocidad predeterminada para el segmento de carretera actual, determinar un valor de aceleración y una distancia para una fase de aceleración.

10. El método de la reivindicación 7, en el que:

predecir un perfil de velocidad comprende además:

en respuesta a determinar que la velocidad actual es mayor que la velocidad predeterminada para el segmento de carretera actual:

determinar si frenar y/o circular; y

determinar un valor de desaceleración para frenar y/o circular, y una distancia para una fase de desaceleración.

11. Un sistema que comprende:

al menos un procesador informático; y

al menos un medio legible por ordenador que tiene almacenadas instrucciones que, cuando se ejecutan, programan el al menos un procesador informático para realizar el método de cualquiera de las reivindicaciones 1-10.

12. Al menos un soporte legible por computadora que contiene instrucciones almacenadas que, al ejecutarse, programan al menos un procesador de computadora para realizar el método de cualquiera de las reivindicaciones 1-10.