CN111033286A - 用于检测电池单元状态和电池单元参数的方法和设备 - Google Patents
用于检测电池单元状态和电池单元参数的方法和设备 Download PDFInfo
- Publication number
- CN111033286A CN111033286A CN201880049946.3A CN201880049946A CN111033286A CN 111033286 A CN111033286 A CN 111033286A CN 201880049946 A CN201880049946 A CN 201880049946A CN 111033286 A CN111033286 A CN 111033286A
- Authority
- CN
- China
- Prior art keywords
- cell
- parameter
- state
- battery cell
- kalman filter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 112
- 230000009977 dual effect Effects 0.000 claims abstract description 108
- 230000006399 behavior Effects 0.000 claims description 98
- 230000008569 process Effects 0.000 claims description 46
- 238000005259 measurement Methods 0.000 claims description 32
- 238000009792 diffusion process Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 22
- 230000006978 adaptation Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000007423 decrease Effects 0.000 claims description 8
- 230000032683 aging Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 12
- 230000003044 adaptive effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004146 energy storage Methods 0.000 description 7
- 229910001416 lithium ion Inorganic materials 0.000 description 7
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 6
- 239000003990 capacitor Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010351 charge transfer process Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0202—Two or more dimensional filters; Filters for complex signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0248—Filters characterised by a particular frequency response or filtering method
- H03H17/0255—Filters based on statistics
- H03H17/0257—KALMAN filters
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0202—Two or more dimensional filters; Filters for complex signals
- H03H2017/0205—Kalman filters
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
一种用于检测电池单元状态(BZZ)和/或电池单元参数(BZP)的设备(1)和方法，至少一个电池单元(BZ)具有双卡尔曼滤波器(2)，该双卡尔曼滤波器(2)具有用于估计电池单元状态(BZZ)的状态估计器(2A)和用于估计电池单元参数(BZP)的参数估计器(2B)，并且所述至少一个电池单元(BZ)还具有确定单元(3)，该确定单元(3)适于基于所存储的所述电池单元(BZ)的特性参数行为来确定所述状态估计器(2A)的和所述参数估计器(2B)的噪声分量(n、v)，其中，所述电池单元状态(BZZ)和所述电池单元参数(BZP)能够由所述双卡尔曼滤波器(2)基于由所述确定单元确定的所述噪声分量(n、v)自动地调整为所述电池单元(BZ)的预定义电池模型(BM)。
Description
本发明涉及一种用于检测至少一个电池单元的电池单元状态和电池单元参数的方法和设备。
电池管理系统用于确保存储在能量存储器或电池中的能量的最佳使用。电池管理系统还主要用于保护电池免受例如由于充电过程执行得太快而造成的损坏。电池管理系统包括电子闭环控制电路，其监测和控制可充电电池和电池的充电和放电。例如，可以在电动车辆或光伏装置中设置电池管理系统，以便使用电能存储器并以最佳方式保护其免受损坏。常规电池管理系统部分地使用卡尔曼滤波器来估计电池的状态。电池具有至少一个电池单元。通过电池模型来复制电池单元的行为。可以通过电等效电路图来复制电池的动态行为。此外，电池的建模可以例如通过所谓的黑盒模型来实现。
图1示出例如锂离子电池单元的电等效电路图以及包含在等效电路中的部件的相关阻抗级数。因此，图1所示的等效电路形成电池单元的电池模型，利用该电池模型可以确定电池单元的行为，例如频率行为。在根据图1的电池模型中，电感L、内阻Ri、诸如扩散电容的电容连接在两个连接端子之间。随着频率的变化，等效电路或电池模型的复阻抗Z的虚部和实部发生变化。由于等效电路中的部件数目还规定了系统的必要状态的数目，所以在常规电池模型的情况下实现了简化。例如，使用仅包括内阻Ri、内阻Ri与组合RC构件的组合或内阻Ri与用于模拟kHz频率范围的第一RC构件和用于模拟Hz频率范围的另一RC构件的组合在内的等效电路。
常规电池模型BM仅允许估计状态，例如电池单元的荷电状态SoC。电池单元参数，例如内阻或电池单元电容在广义上假设为恒定的，所以不考虑电池单元参数的动态变化。因此，在常规方法的情况下，不能观察到电池单元的电池单元参数。例如，在常规方法的情况下，电池单元参数(例如电池单元的内阻)的变化不能被检测到或者需要复杂的测量。其原因主要在于自适应系统的非确定性行为。这会导致常规电池管理系统发散并且在不确定的时间段之后变得不稳定。Georg Walder等人：“基于双线性卡尔曼滤波器的锂离子电池的自适应状态和参数估计”公开了基于双线性卡尔曼滤波器估计每个电池的状态和参数，诸如电池组的荷电状态或健康状态。
Georg Walder等人：“基于双线性卡尔曼滤波器的锂离子电池的自适应状态和参数估计”公开了基于双线性卡尔曼滤波器估计每个电池的状态和参数，诸如电池组的荷电状态或健康状态。
Christian Kampestrini等人：“温度对基于双卡尔曼滤波器的状态和参数估计的影响”公开了双卡尔曼滤波器的温度依赖性。为此，开发了验证过程，其证明了过滤器在不同电池温度下的行为。
因此，本发明的目的是提供一种能够更精确地检测电池单元状态和电池单元参数的方法和设备。
根据本发明，该目的通过具有权利要求1所述特征的方法实现。
因此，根据第一方面，本发明提供了一种用于检测至少一个电池单元的电池单元状态和电池单元参数的方法，所述方法包括以下步骤：
确定双卡尔曼滤波器的状态估计器的噪声分量，并且基于所述电池单元的与所述电池单元的至少一个电池单元特性变量相关的特性参数行为来确定所述双卡尔曼滤波器的参数估计器的噪声分量，以及
基于所确定的噪声分量，通过所述双卡尔曼滤波器来使所述电池单元状态和所述电池单元参数适应于所述电池单元的指定电池模型。
因此，通过根据本发明的方法，所确定的噪声分量被用于适配或估计所述电池单元状态和所述电池单元参数。这允许所述电池单元状态和/或所述电池单元参数的动态和自适应估计。因此，基于可测量的噪声分量来调谐或调整所述双卡尔曼滤波器。
在根据本发明的所述方法的一个可能实施方式的情况下，所述电池单元状态包括所述电池单元的荷电状态和/或动态电池单元状态，特别是所述电池单元的扩散电压。
在根据本发明的所述方法的一个可能实施方式的情况下，所述电池单元参数包括所述电池单元的内阻、所述电池单元的额定电容和/或电阻动态分量，特别是所述电池单元的扩散电阻和/或电容动态分量，特别是所述电池单元的扩散电容。
在根据本发明的所述方法的另一可能实施方式的情况下，所述电池单元具有所述电池单元的特性变量、所述电池单元的负载特性变量、所述电池单元的温度和/或所述电池单元的老化特性变量。
在根据本发明的所述方法的另一可能实施方式的情况下，所确定的噪声分量具有过程噪声和/或测量噪声。
在根据本发明的所述方法的一个可能实施方式的情况下，所述过程噪声包括所述电池单元状态的过程噪声和/或所述电池单元参数的过程噪声。
在根据本发明的所述方法的另一可能实施方式的情况下，所述双卡尔曼滤波器的所述状态估计器的状态向量包括所述电池单元的所述电池单元状态，并且所述双卡尔曼滤波器的所述参数估计器的状态向量具有所述电池单元的所述电池单元参数。
在根据本发明的所述方法的另一可能实施方式的情况下，基于检测到的电池单元状态和检测到的电池单元参数来控制所述电池单元的负载。
在根据本发明的所述方法的另一可能实施方式的情况下，由所述双卡尔曼滤波器的状所述态估计器适配的所述电池单元的所述电池单元状态和由所述双卡尔曼滤波器的所述参数估计器适配的所述电池单元的所述电池单元参数被输出到用于控制连接到所述电池单元的负载和/或用于控制连接到所述电池单元的电流源的控制单元。
所连接的负载可以是例如电动机。
在根据本发明的所述方法的另一可能实施方式的情况下，从数据存储器中读出所述电池单元的所述特性参数行为。
在根据本发明的所述方法的另一可能实施方式的情况下，所述电池单元的所述特性参数行为针对每个电池单元参数指示其关于每个电池单元状态和/或基于通过传感器检测的所述电池单元的测量变量的平均值和/或方差。
在根据本发明的所述方法的另一可能实施方式的情况下，基于通过传感器检测的测量变量来确定所存储的所述电池单元的特性参数行为。
在根据本发明的所述方法的一个可能实施方式的情况下，通过传感器检测的所述测量变量包括相关电池单元的端子电流、端子电压和/或温度。
在根据本发明的所述方法的另一可能实施方式的情况下，电池单元参数的过程噪声根据其关于电池单元状态的读出特性参数行为和/或基于通过传感器检测的测量变量，并且根据该电池单元状态随时间的变化和/或基于通过传感器检测的测量变量来确定。
在根据本发明的所述方法的另一可能实施方式的情况下，电池单元状态的过程噪声根据其关于至少一个电池单元参数的读出参数行为来确定。
在根据本发明的所述方法的另一可能实施方式的情况下，对于通过传感器检测的每个测量变量，基于相应测量变量传感器的噪声行为相对于从数据存储器读出的所述测量变量的平均值和/或方差来计算其测量变量噪声。
在根据本发明的所述方法的另一可能实施方式的情况下，将所有测量变量的计算出的测量变量噪声相加，以便确定测量噪声。
在根据本发明的所述方法的另一可能实施方式的情况下，监测所述双卡尔曼滤波器的稳定性，并且一旦识别出所述双卡尔曼滤波器的不稳定性威胁，就暂停所述双卡尔曼滤波器的所述状态估计器对相应电池单元状态的自适应以及所述双卡尔曼滤波器的所述参数估计器对相应电池单元参数的自适应。
在根据本发明的所述方法的另一可能实施方式的情况下，基于所述电池单元状态的协方差行为和基于所述电池单元参数的协方差行为来监测所述双卡尔曼滤波器的稳定性。
在根据本发明的所述方法的另一可能实施方式的情况下，将所述双卡尔曼滤波器的电池单元状态的所述协方差行为和/或电池单元参数的所述协方差行为与相关联的存储的期望协方差行为进行比较。
在根据本发明的所述方法的另一可能实施方式的情况下，一旦电池单元状态的协方差行为超过所述相应电池单元状态的所存储的相关联的期望协方差行为，就暂停所述双卡尔曼滤波器的所述状态估计器对所述电池单元状态的自适应。
此外，在根据本发明的所述方法的一个可能实施方式的情况下，一旦电池单元参数的协方差行为超过所述相应电池单元参数的所存储的相关联的期望协方差行为，就暂停由所述双卡尔曼滤波器的所述参数估计器进行的所述电池单元参数的自适应。
在根据本发明的所述方法的另一可能实施方式的情况下，所存储的期望协方差行为包括漏斗函数，该漏斗函数随时间的推移呈指数下降并且其系数被配置。
此外，根据另一方面，本发明提供了一种具有权利要求20所述特征的用于检测至少一个电池单元的电池单元状态和/或电池单元参数的设备。
因此，本发明提供了一种用于检测至少一个电池单元的电池单元状态和/或电池单元参数的设备，该设备包括：
双卡尔曼滤波器，其具有用于估计电池单元状态的状态估计器和用于估计电池单元参数的参数估计器，并且包括适于基于所存储的所述电池单元的特性参数行为来确定所述状态估计器和所述参数估计器的噪声分量的确定单元，
其中，所述电池单元状态和所述电池单元参数可以基于由所述确定单元确定的所述噪声分量通过所述双卡尔曼滤波器自动地适配于所述电池单元的指定电池模型。
在根据本发明的所述设备的一个可能实施方式的情况下，所述双卡尔曼滤波器的所述状态估计器由第一卡尔曼滤波器形成，并且所述双卡尔曼滤波器的所述参数估计器由第二卡尔曼滤波器形成。
在根据本发明的所述设备的一个可能实施方式的情况下，所述双卡尔曼滤波器的两个卡尔曼滤波器各自具有线性卡尔曼滤波器、扩展卡尔曼滤波器、无迹卡尔曼滤波器、平方根无迹卡尔曼滤波器或中心差分卡尔曼滤波器。
在根据本发明的所述设备的另一可能实施方式的情况下，由所述双卡尔曼滤波器的所述状态估计器适配的所述电池单元状态和由所述双卡尔曼滤波器的所述参数估计器适配的所述电池单元的所述电池单元参数被输出到控制单元，该控制单元被提供用于控制连接到所述电池单元的负载，特别是电动机，和/或用于控制连接到所述电池单元的电流源。
在根据本发明的所述设备的另一可能实施方式的情况下，通过稳定性监测单元来监测所述双卡尔曼滤波器的稳定性。
在根据本发明的所述设备的另一可能实施方式的情况下，所述电池单元具有设置在其上的电池单元传感器，所述电池单元传感器通过传感器来检测所述电池单元的测量变量。
在根据本发明的所述设备的另一可能实施方式的情况下，所述电池单元传感器具有用于检测所述电池单元的端子电压的传感器、用于检测所述电池单元的端子电流的传感器和用于检测所述电池单元的温度的温度传感器。
在根据本发明的所述设备的另一可能实施方式的情况下，所述双卡尔曼滤波器在输入侧接收通过所述电池单元传感器感测到的所述测量变量。
根据另一方面，本发明提供一种用于监测卡尔曼滤波器的稳定收敛行为的方法，其估计能量存储系统的状态和/或参数。
根据第三方面，本发明提供一种用于监测卡尔曼滤波器的稳定收敛行为的方法，其估计能量存储系统的状态和/或参数，
其中，将由所述卡尔曼滤波器提供的关于所述能量存储系统的至少一个状态和/或参数的协方差行为与所述状态和/或参数的相应期望协方差行为进行比较，其中，针对所述能量存储系统的所述协方差行为超过所述相应期望协方差行为的每个状态和/或每个参数，自动将所述卡尔曼滤波器停用。
以下将参照附图更详细地解释本发明的各个方面的可能实施方式。
在附图中：
图1示出了可以在常规电池管理系统的情况下使用的电池单元的电等效电路；
图2示出了用于说明根据本发明的一个方面的用于检测至少一个电池单元的电池单元状态和电池单元参数的根据本发明的方法的一个可能的示例性实施方式的简单流程图；
图3示出了用于说明根据本发明的另一方面的用于检测电池单元的电池单元状态和/或电池单元参数的根据本发明的设备的示例性实施方式的框图；
图4示出了用于说明可以在根据本发明的方法的情况下和在根据本发明的设备的情况下使用的卡尔曼滤波器的示例性实施方式的框图；
图5示出了用于说明如可以在根据本发明的方法和根据本发明的设备的情况下使用的双卡尔曼滤波器的结构的另一框图；
图6示出了可以在根据本发明的方法的情况下使用的电池单元的电池模型的示例；
图7A、图7B以示例的方式示出了在根据本发明的电池管理系统的情况下电压和电流传感器的一种可能的噪声行为；
图8A、图8B以示例的方式示出了在根据本发明的方法的情况下使用的电池模型的噪声行为；
图9A至图9D示出了用于说明电池模型的参数的温度和荷电状态依赖性的图；
图10A至图10D示出了用于说明在各种常规锂离子电池的情况下的归一化放电容量的图；
图11A至图11D示出了用于说明电池单元参数的变化的方差和相对于电池单元的荷电状态的状态变化的图；
图12A至图12D示出了用于说明在电池单元的情况下电池单元电容相对于端子电流的变化方差的图；
图13示出了用于说明协方差的理论级数的图像；
图14以示例的方式示出了漏斗函数内扩散电压的级数，该漏斗函数可用在用于稳定性监测的根据本发明的方法和根据本发明的设备的情况中。
如图2所示，根据本发明的用于检测电池单元状态BZZ和电池单元参数BZP的方法基本上包括两个步骤。
在第一步骤S1中，基于与电池单元BZ的至少一个电池单元特性变量BZK相关的电池单元的特性参数行为来确定双卡尔曼滤波器的状态估计器的噪声分量n、v和双卡尔曼滤波器的参数估计器的噪声分量n、v。
在另一步骤S2中，基于在步骤S1中确定的噪声分量n、v，通过双卡尔曼滤波器将电池单元状态BZZ和电池单元参数BZP适配于电池单元BZ的指定电池模型BM。
在一个可能的实施方式的情况下，在步骤S1中确定的噪声分量n、v包括过程噪声v和测量噪声n。所确定的过程噪声v可以包括电池单元状态BZZ的过程噪声vBZZ和/或电池单元参数BZP的过程噪声vBZP。
在如图1所示的根据本发明的方法的情况下使用的双卡尔曼滤波器DKF具有耦合在一起的两个卡尔曼滤波器KF，其中，第一卡尔曼滤波器用作状态估计器，而第二卡尔曼滤波器用作参数估计器。双卡尔曼滤波器DKF的状态估计器的状态向量包括电池单元BZ的电池单元状态xBZZ。双卡尔曼滤波器DKF的参数估计器的状态向量包括电池单元BZ的电池单元参数xBZP。在一个可能的实施方式的情况下，从数据存储器中读出在步骤S1中使用的电池单元BZ的特性参数行为。在一个可能的实施方式的情况下，对于每个电池单元参数BZP，电池单元BZ的特性参数行为包括其平均值μBZP和/或其相对于电池单元BZ的每个电池单元状态BZZ的方差σBZP。在一个实施方式的情况下，可以基于通过传感器检测的测量变量MG来确定所存储的电池单元BZ的特性参数行为。这些测量变量MG例如包括端子电流IKL、端子电压UKL和/或电池单元BZ的温度。
在一个可能的实施方式的情况下，在步骤S1中，电池单元参数BZP的过程噪声vBZP根据其关于电池单元状态BZZ的读出特性参数行为，和/或基于根据电池单元状态BZZ随时间推移的变化通过传感器检测的测量变量MG，和/或基于通过传感器检测的测量变量而确定。
在一个可能的实施方式的情况下，电池单元BZ的电池单元状态BZZ包括电池单元的荷电状态SOC和/或动态电池单元状态BZZ，特别是电池单元BZ的扩散电压Ud。电池单元BZ的荷电状态SOC在0和1之间或在0和100％之间。扩散电压Ud是电池模型BM中的特定电压，电池模型BM例如在图6中示出，其在RC构件上减小并由此表现出动态行为。电池单元状态BZZ是电池模型BM的特定物理变量，其也作为微分方程中的状态出现。
在一个可能的实施方式中，电池单元BZ的电池单元参数BZP包括电池单元的内阻Ri、电池单元Bz的额定电容Cn和电阻动态分量，特别是电池单元的扩散电阻Rd和/或电容动态分量，特别是电池单元BZ的扩散电容CD。电池单元参数BZP包括作为微分方程中的参数或值出现的电池模型BM的特定物理变量。额定电容Cn形成电池单元参数BZP并且基于当前影响变量指示电池单元BZ的当前电容。扩散电阻Rd同样表示电池单元参数BZP，并且指示所使用的电池模型BM的动态RC分量的电阻分量，其在图6中以示例的方式示出。电池单元BZ的扩散电容CD同样形成电池单元参数BZP，并且表示图6中所示的电池模型内的动态RC分量的电容性分量。
在一个可能的实施方式中，电池单元BZ的电池单元特性变量BZK包括电池单元BZ的负载特性变量、电池单元BZ的温度T和/或电池单元BZ的老化特性变量。用作电池单元特性变量BZK的电池单元BZ的负载变量的示例是所谓的C速率。C速率是额定电容的负载倍数，并且描述了电池单元BZ的负载。例如，在电池单元BZ的电容为1Ah的情况下，1C表示1A的负载。例如，在电池单元的老化方面的循环数或特性变量可以用作电池单元BZ的老化特性变量。
在一个可能的实施方式的情况下，在步骤S1中使用的噪声分量n、v包括过程噪声v和/或测量噪声n。在一个可能的实施方式中，过程噪声可以包括各种电池单元状态BZZ的过程噪声vBZZ和/或各种电池单元参数BZP的过程噪声vBZP。在一个可能的实施方式的情况下，过程噪声包括电池单元BZ的荷电状态SOL的过程噪声和/或电池单元BZ的扩散电压Ud的过程噪声。此外，过程噪声还可以包括各种电池单元参数BZP的过程噪声vBZP，例如电池单元BZ的内阻、电池单元BZ的额定电容CN、电池单元BZ的扩散电阻Rd和/或电池单元BZ的扩散电容CD。
电池单元参数BZP的过程噪声vBZP根据其关于电池单元状态BZZ的读出特性参数行为来确定。替代地，过程噪声也可以基于通过传感器检测的测量变量MG并且根据电池单元状态BZZ随时间推移而变化来确定。电池单元状态BZZ的过程噪声vBZZ根据其关于至少一个电池单元参数BZP的读出参数行为来确定。在根据本发明的方法的一个可能实施方式的情况下，对于通过传感器检测的每个测量变量MG，其测量变量噪声基于相应测量变量传感器的噪声行为相对于测量变量MG的平均值μMG和/或方差σMG来计算。可以将所计算的所有测量变量的测量变量噪声相加，以便确定测量噪声n。
图3示出了说明根据本发明的用于检测至少一个电池单元BZ的电池单元状态BZZ和/或电池单元参数BZP的设备1的示例性实施方式的框图。如图3所示，根据本发明的检测设备1在所示的示例性实施方式中具有双卡尔曼滤波器2。双卡尔曼滤波器2由两个耦合的卡尔曼滤波器组成。双卡尔曼滤波器2的第一卡尔曼滤波器2A用作用于估计电池单元状态BZZ的状态估计器ZS。双卡尔曼滤波器2的第二卡尔曼滤波器2B用作用于估计电池单元BZ的电池单元参数BZP的参数估计器PS。此外，检测设备1具有确定单元3，该确定单元3适于基于所存储的电池单元BZ的特性参数行为来确定状态估计器2A和参数估计器2B的噪声分量n、v。电池单元BZ的特性参数行为可以存储在例如数据存储器4中。电池单元状态BZZ和电池单元参数BZP可以基于由确定单元3确定的噪声分量n、v通过双卡尔曼滤波器2自动地适配于电池单元BZ的指定电池模型BM。双卡尔曼滤波器2的状态估计器ZS由第一卡尔曼滤波器2A形成，并且双卡尔曼滤波器2的参数估计器PS由第二卡尔曼滤波器2B形成。在根据本发明的检测设备1的一个可能实施方式的情况下，双卡尔曼滤波器2的两个卡尔曼滤波器2A、2B各自由线性卡尔曼滤波器LKF、扩展卡尔曼滤波器EKF、无迹卡尔曼滤波器UKF、平方根无迹卡尔曼滤波器SF-UKF或由中心差分卡尔曼滤波器CD-KF形成。卡尔曼滤波器2提供系统状态变量x的估计值，
y＝C·x+n
其中x是状态向量，
A表示系统矩阵，
B表示输入矩阵，
u是确定性输入向量或控制向量，
v表示高斯分布的过程噪声，
y形成从输出矩阵C和高斯分布的测量噪声n产生的输出值。
在一个可能的实施方式的情况下，电池单元BZ的端子电流IKL和/或端子电压UKL可以被用作确定性输入变量或控制向量u。
图4示出了线性离散卡尔曼滤波器2的结构。图4所示的线性离散卡尔曼滤波器KF可以用作双卡尔曼滤波器2的状态估计器2A和/或参数估计器2B。图4中所示的卡尔曼滤波器2的上部描绘了电池单元BZ的电池模型BM，而作为自适应滤波器的卡尔曼滤波器KF的下部通过卡尔曼放大来使状态中的误差(特别是电池单元状态BZZ中的误差)最小化。x表示电池单元BZ的状态向量，y表示电池单元BZ的输出向量。位于卡尔曼滤波器KF的输入处的是确定性控制向量u，例如电池单元BZ的测得端子电压UKL和/或测得端子电流IKL。
对于非线性系统，经由拉普拉斯变换的离散化是不可能的。输出形式是由非线性一阶微分方程组成的状态空间表示：
y＝h(x，u)+n
其中v是过程噪声，n表示测量噪声，
x是电池单元的状态向量，
y是电池单元的输出向量，
u是确定性输入向量，并且
f、h表示非线性函数。
在一个可能实施方式的情况下，用作状态估计器ZS或参数估计器PS的卡尔曼滤波器KF由线性卡尔曼滤波器形成。在另一可能实施方式的情况下，还可以使用扩展卡尔曼滤波器EKF。在这种情况下，离散系统矩阵A由泰勒级数近似。通过来自非线性微分方程的一阶近似(Jacobi矩阵)来近似连续系统矩阵A和输出矩阵C。
在另一可能的替代实施方式的情况下，双卡尔曼滤波器2的两个卡尔曼滤波器KF由无迹卡尔曼滤波器UKF形成。无迹卡尔曼滤波器UKF属于西格玛点卡尔曼滤波器组。在这种类型的滤波器的情况下，EKF在线性化方面的问题和由此限制的精度通过免演绎方法来解决。在这种情况下，系统方程不是经由泰勒级数来近似的，而是通过在各个点(所谓的西格玛点)处的函数评估来计算的。选择西格玛点作为非线性函数的输入，使得它们精确地检测所寻求的状态的平均值和协方差。
在根据本发明的检测设备1的另一可能实施方式的情况下，双卡尔曼滤波器2的两个卡尔曼滤波器2A、2B由平方根无迹卡尔曼滤波器SR-UKF形成。使用UKF滤波器时的缺点是计算西格玛点Sk的必要平方根以便确定状态协方差Pk＝SkSTk。例如，可以将柯列斯基因式分解用于西格玛点，但是柯列斯基因式分解需要大量的计算工作。西格玛点Sk直接用平方根无迹卡尔曼滤波器来携带，而不需要在每个时间段进行重新因式分解。卡尔曼滤波器由此变得更加稳定，因为状态协方差取正半定义值，并因此具有与线性卡尔曼滤波器类似的递归行为。为此目的，在一个可能实施方式的情况下，平方根无迹卡尔曼滤波器SR-UKF可以采用各种线性代数技术，例如QR分解、柯列斯基因子的更新或最小二乘法。
在根据本发明的检测设备1的另一可能实施方式的情况下，双卡尔曼滤波器2的两个卡尔曼滤波器2A、2B均可由中心差分卡尔曼滤波器CD-KF形成。中心差分卡尔曼滤波器CD-KF基于Stirling的插值公式，并且其电路结构类似于无迹卡尔曼滤波器UKF。
图5示出了可以在根据本发明的检测设备1中使用的双卡尔曼滤波器2的结构。双卡尔曼滤波器KF包括状态估计器2A和参数估计器2B。状态估计器2A和参数估计器2B都可以由卡尔曼滤波器2形成，其中每个卡尔曼滤波器2包括预测部PT和校正部KT。状态估计器2A用于估计电池单元BZ的电池单元状态BZZ。双卡尔曼滤波器2的参数估计器2B用于估计电池单元BZ的电池单元参数BZP。电池单元状态BZZ和电池单元参数BZP基于所确定的噪声分量n、v通过双卡尔曼滤波器2自动地适配于电池单元BZ的指定电池模型BM。这些噪声分量n、v由图3所示的确定单元3确定。
在一个可能的实施方式中，由双卡尔曼滤波器2的状态估计器2A适配的电池单元状态BZZ和由双卡尔曼滤波器2的参数估计器2B适配的电池单元BZ的电池单元参数BZP被输出到控制单元5，如图3所示。在一个可能的实施方式中，该控制单元5用于控制连接到电池单元BZ的负载，例如电动机。此外，在替代实施方式中，可设置控制单元5用于控制连接到电池源BZ的电流源。如图3所示，在一个可能的实施方式的情况下，控制单元5为连接到电池单元BZ的电负载6提供控制信号CRTL-RL。该负载6可以是例如电动车辆的电动机。此外，在图3所示的示例性实施方式中，控制单元5为连接到电池单元BZ的电流源7提供控制信号CTRL-SQ。电流源7连接到电池单元BZ的第一电池单元端子8。负载6连接到电池单元BZ的第二电池单元端子9。
在图3所示的示例性实施方式的情况下，在电池单元BZ上设置各种传感器。在一个可能的实施方式的情况下，这些传感器包括电压传感器10、电流传感器11和温度传感器12。电压传感器10测量两个电池单元端子8、9之间的端子电压UKL。在所示的示例性实施方式的情况下，电流传感器11用于测量电池单元BZ的端子电流IKL。此外，温度传感器12用于测量电池单元BZ的温度T。电池单元BZ的端子电压UKL、端子电流IKL和温度T表示通过传感器检测的测量变量MG。这些测量变量MG作为确定性输入测量变量被提供给双卡尔曼滤波器2，如图3所示的框图中所示。测量变量MG(即，电池单元BZ的端子电压UKL、端子电流IKL和/或温度T)也被提供给确定单元3。确定单元3基于所存储的电池单元BZ的特性参数行为来确定状态估计器2A和参数估计器2B的噪声分量n、v。在一个可能的实施方式的情况下，对于每个电池单元参数BZP，数据存储器4存储其平均值μBZP、关于每个电池单元状态BZZ的方差σBZP以及通过传感器检测的电池单元BZ的测量变量MG。电池单元参数BZP的过程噪声vBZP由确定单元3基于通过传感器检测到的测量变量MG根据其关于电池单元状态BZZ的读出特性参数行为来确定。此外，电池单元状态BZZ的过程噪声vBZZ通过确定单元3根据其关于至少一个电池单元参数BZP的读出参数行为来确定。对于通过传感器检测到的每个测量变量MG，确定单元3基于相应测量变量传感器10、11、12的与从数据存储器4读出的测量变量MG相关的噪声行为的平均值μMG和/或方差σMG来计算其测量变量噪声n。可以将所计算的各个测量变量MG的测量变量噪声相加，以便通过确定单元3确定测量噪声n。所确定的测量噪声n被提供给如图3所示的双卡尔曼滤波器2。
双卡尔曼滤波器2包括可以彼此并行调节的两个卡尔曼滤波器2A、2B。双卡尔曼滤波器2的两个卡尔曼滤波器2A、2B可以具有相同的输入向量uk-1和相同的测量变量yk。在两个卡尔曼滤波器2A、2B的相应预测部PT中，先前计算的状态和参数形成当前时间步长的输入变量。双卡尔曼滤波器2内的两个卡尔曼滤波器2A、2B可以具有相同的滤波器类型或者可以由不同的滤波器类型形成。双卡尔曼滤波器2的状态向量x包括状态估计器2A的状态向量和参数估计器2B的状态向量。状态估计器2A的状态向量xBZZ包括电池单元BZ的电池单元状态BZZ。双卡尔曼滤波器2的参数估计器2B的状态向量包括电池单元BZ的电池单元参数xBZP。由于所提供的状态估计器2A和参数估计器2B的测量变量MG相同，所以在参数估计器2B的连续状态空间表示中仅非线性输出方程中的参数向量的附加依赖性改变：
y＝g(x，u，w)+n
在该实施方式中，电池单元参数BZP的适配主要通过参数过程噪声来实现。
在根据本发明的方法的一个可能实施方式中，监测双卡尔曼滤波器2的稳定性。一旦识别出双卡尔曼滤波器2的不稳定性威胁，就暂停通过双卡尔曼滤波器2的状态估计器2A对相应电池单元状态BZZ的自适应，以及通过双卡尔曼滤波器2的参数估计器2B对相应电池单元参数BZP的自适应。在一个可能实施方式的情况下，基于电池单元状态BZZ的协方差行为PBZZ且基于电池单元参数BZP的协方差行为PBZP来监测双卡尔曼滤波器2的稳定性。在一个可能的实施方式中，双卡尔曼滤波器2的电池单元状态BZZ的协方差行为PBZZ和/或电池单元参数BZP的协方差行为PBZP与相关联的存储的期望协方差进行比较。一旦电池单元状态BZZ的协方差行为PBZZ超过所存储的相应电池单元状态BZZ的相关联的期望协方差行为，就暂停通过双卡尔曼滤波器2的状态估计器2A对电池单元状态BZZ的自适应。此外，一旦电池单元参数BZP的协方差行为PBZP超过所存储的相应电池单元参数BZP的相关联的期望协方差行为，就暂停通过双卡尔曼滤波器2的参数估计器2B对电池单元参数BZP的自适应。在一个可能的实施方式的情况下，所存储的期望协方差行为包括漏斗函数，该漏斗函数随时间的推移呈指数下降并且其系数被配置。
在图3所示的示例性实施方式的情况下，检测设备1包括稳定性监测单元13，其适于一旦相应的协方差行为超过所存储的相关联的期望协方差行为，就暂停通过双卡尔曼滤波器2的状态估计器2A进行的电池单元状态BZZ的自适应和/或暂停通过双卡尔曼滤波器2的参数估计器2B进行的电池单元参数BZP的自适应。在一个可能的实施方式的情况下，期望协方差行为被存储在检测设备1的数据存储器14中。在一种可能的实施方式的情况下，所存储的期望协方差行为包括漏斗函数，该漏斗函数随时间的推移呈指数下降，如图13、图14所示。
图6以示例的方式示出了可以在根据本发明的方法和根据本发明的检测设备1的情况下使用的电池模型BM。
电阻RDC1s是将电池单元BZ的实际单元内阻Ri和在1秒内发生的所有动态过程(例如电荷转移过程)进行组合的组合电阻。电阻RD表示电池单元BZ的扩散阻力。电容CD表示电池单元BZ的扩散电容。此外，图6示出了电池单元BZ的端子电压UKL和电池单元BZ的端子电流IKL。此外，电池模型BM示出了跨扩散电阻RD和扩散电容CD施加的扩散电压UD。U0(SOC)是电池单元的依赖于电荷的开路电压(OCV)的状态。
荷电状态SoC被定义为在加载时间段上的集成端子电流，并且荷电状态SoC的推导是与电池单元的电容相关的端子电流IKL(t)。
可以从一阶微分方程计算扩散电压UD：
状态空间表示现在可以由其构成如下：
根据由端子电流IKL引起的电池单元BZ的内部电压降来计算端子电压UKL如下：
ULK(t)＝U0(SOC)+RDC，1s/KL(t)+UD(t)
(4)
在该简单示例性实施方式中，状态向量x(t)因此包含：
[x1，x2]T＝[UD(t)，SOC(t)]T] (5)
能够影响卡尔曼滤波器2的行为的基本变量是噪声，即过程噪声v和测量噪声n。测量噪声n考虑测量值中的误差及其对由此跟踪的模型自适应的影响。过程噪声v考虑了电池模型BM的简化和误差容限。在下文中，导出双卡尔曼滤波器2的相应噪声项，以便在可能的实际应用中执行快速且有效的自适应。
测量噪声n的考虑在输出方程中进行：
y(t)＝C×(t)+n (6)
当检查所使用的电池模型BM的输出方程时，可以识别各种测量噪声分量，具体地，电池电压测量的测量噪声、电流传感器的测量噪声和与扩散电压相关的噪声值。根据各个项的方差σ，可以导出测量噪声n：
三个噪声分量的加权可以彼此强烈不同。
图7A、图7B以示例的方式示出了根据本发明的电池管理系统的电压和电流传感器的噪声行为。图7A示出了电池管理系统的电压传感器(例如图3所示的电压传感器10)的噪声行为。图7A示出了相对于端子电压UKL的测量分布。例如，平均值μ为4.01V，方差为6.546e-0.5。
图7B以示例的方式示出了电池管理系统内的电流传感器(例如图3所示的电流传感器11)的行为。可以看到分布在不同端子电流IKL上的测量的数量。平均值μ为例如μ＝-1.14A，方差σ为1.389e-01。
图8A、图8B示出了电池模型BM的噪声行为。图8A示出了随时间t推移的测量和模拟之间的误差。图8A示出了电池模型中相对于电池单元BZ的真实单元电压的绝对误差。
图8B显示了偏差的直方图。因此，图8B示出了相关联的噪声行为。图8B示出了例如各种电压U的测量次数。
由于图6中所示的电池模型BM中所示的内阻RDC1s以与参数完全相同的方式在噪声方面表现，因此可以将其与参数噪声一起进行比较。当检查第一状态UD的过程噪声v1时，可以如下导出：
为了检查第二电池单元状态SOC的第二过程噪声分量v2，推导产生如下：
当对过程噪声v建模时，也可以观察到第三状态Rdc1s，因为其行为与参数相同。电池单元参数BZP的过程噪声确定各个电池单元参数BZP必须改变多大。在传统布置的情况下，参数估计器2B仅用于估计不再改变的固定参数或电池单元参数BZP。变化的电池单元参数BZP可导致双卡尔曼滤波器2的不稳定性。
过程噪声分量vBZP出现在电池单元参数BZP的状态空间表示中。在关于卡尔曼滤波器2的基本考虑的范围内，该噪声值仅意味着相应的电池单元参数BZP的特定变化概率。如果电池单元参数BZP可以在宽范围内有非常大的变化，则这对应于相关电池单元参数BZP的高方差σ，而相反地，较小的变化对应于非常小的方差。
图9A至图9D和图10A至图10D示出了各个电池单元参数BZP对温度T、荷电状态SOC和负载的动态依赖性。由此，如果相对于相应的影响变量或电池单元特性变量BZK推导出相应的电池单元参数BZP的方差σ，则可以确定电池单元参数BZP的噪声项。以这种方式，例如在第三电池单元参数Rdc1s和两个电池单元参数RD、CD的情况下，可以观察荷电状态依赖性。
图9A示出了对于各种温度T，作为电池单元状态BZZ的内阻Rdc1s对荷电状态SOC的依赖性。
图9B显示了不同温度下时间常数τCD(τ＝RDxCD)对荷电状态SOC的依赖性。
图9C示出了对于各种温度T扩散电阻RD对荷电状态SOC的依赖性。此外，图9D示出了对于各种温度T扩散电容CD对荷电状态SOC的依赖性。
电容Cn同样形成电池单元参数BZP。图10A至图10D示出了各种典型锂离子电池化学成分的归一化放电容量。图10A示出了NMC电池的归一化放电容量。
图10B示出了LFP电池在不同温度T下的归一化放电容量。
图10C示出了对于不同温度T，归一化放电容量与C速率的关系。图10D示出了对于LTO电池，对于不同温度T，归一化放电容量与C速率的关系。对于电池单元参数Cn，在图10A至图10D中观察到其相对于端子电流IKL或相对于C速率的变化。可以假设，与其它变量相比，温度T仅相对缓慢地变化，并且因此仅构成噪声协方差的一部分。
图11A至图11D示出了参数变化的方差和相对于荷电状态SOC的状态的变化。图11A示出了内阻Rdc,1s相对于荷电状态SOC的方差。图11A示出了时间常数相对于荷电状态SOC的方差。图11C示出了扩散电阻RD相对于荷电状态SOC的方差。图11D示出了扩散电容CD相对于荷电状态SOC的方差。
由于存在依赖于荷电状态SOC的方差，因此可以使用在循环周期t2-t2内的荷电状态SOC的差异，即，(SOC(t2)-SOC(t1))：
如图10A至图10D中已经示出的，电池电容取决于各种因素，特别是取决于端子电流、温度、放电深度、老化和恢复。基于各种依赖性，可以基于单元电容的过程噪声分量的建模来实现自适应方法，利用所述方法使自适应工作最小化。
在这种建模的情况下，可以考虑动态变化的端子电流IKL的依赖性，其中，假设温度T相对缓慢地变化并且因此对方差σ做出次要贡献。由于在较低的温度T下，电池单元BZ的电容显著降低，所以在温度T＝0℃下的电池单元行为被用于方差检查。
图12A至图12D示出了各种典型锂离子电池化学成分的各种直方图。
图12A至图12D示出了四种特性锂离子电池化学成分中电池电容相对于端子电流IKL的变化的方差。
图12A示出了NMC电池的电容方差。图12B示出了在LFP电池的情况下的电容方差。图12C示出了在NCA电池的情况下的电容方差，图12D示出了在LTO电池的情况下的电容方差。
由于方差取决于作为生产C0之后的原始单元电容的倍数的端子电流IKL而存在，因此端子电流中的差可用于循环周期：
离散噪声建模产生以下结果：
图10A至图10D示出了两种单元化学成分NCA和NMC几乎没有不同，并且LFP和LTO化学成分包括强烈的波动。LFP电池单元显示出最小的噪声行为。这意味着电池单元BZ的单元电容在使用这种单元化学成分时比在其它单元化学成分的情况下变化少得多。LTO电池单元化学成分位于其间。为了使滤波器适应于相应的应用，可以选择单元化学成分，并且可以相应地考虑其噪声行为。
在根据本发明的设备1和根据本发明的方法的优选实施方式的情况下，附加地进行双卡尔曼滤波器2的稳定性监测。这优选地基于电池单元状态BZZ的协方差行为和电池单元参数BZP的协方差行为来进行。该稳定性分析基于这样的事实，即，在不稳定威胁的情况下，相应的电池单元状态BZZ或电池单元参数BZP的协方差增大，但是当存在滤波器激励时该协方差实际上必须减小。这远在电池单元状态BZZ或电池单元参数BZP的相应值呈现非似然值之前发生。
为了使用每个电池单元状态BZZ和每个电池单元参数BZP的协方差的行为来推断是否可能存在可能导致双卡尔曼滤波器2的不稳定性的错误自适应或错误事件，检验协方差的正确行为。在这样做时，优选地使用电池单元状态BZZ的协方差矩阵和电池单元参数BZP的协方差矩阵的对角线条目，因为它们表示每个电池单元状态BZZ或电池单元参数BZP的估计误差的自相关。各个条目表示当前估计的质量的测量。协方差矩阵的条目或对角线条目越小，则双卡尔曼滤波器2的当前估计越精确。为了评估条目，使用了一个参考变量。其绝对值并不表示与双卡尔曼滤波器2的功能的校正模式有关的陈述。相反，该参考变量与先前值相比的变化是正确操作模式的度量，即，如果协方差下降，则估计中的误差变小，而如果协方差上升，则估计中的误差也将增大的可能性很高。
为了检验或分析协方差的一般行为，优选地首先基于线性卡尔曼滤波器检验协方差的级数。为此，对于随时间推移变化的矩阵A、B、C和噪声项，可以假定恒定值。协方差P也不依赖于双卡尔曼滤波器2的输入，由此可以独立于输入变量执行其级数。
图13示出了协方差矩阵P的两个对角线值的级数。图13示出了两个电池单元状态Ud、SOC(即电池单元BZ的扩散电压和荷电状态)的协方差的理论级数。图13示出了这两个电池单元状态BZZ的协方差随时间推移的级数。
如可以在图13中看到的，两个协方差值呈指数下降并且渐近地近似终值。该终值取决于噪声分量n、v。
测量噪声n的增加导致极限值的略微增加，即平坦级数。过程噪声v的增加导致极限值的直接增加和级数的轻微变化。
基于这些检查，对于每个电池单元状态BZZ和每个电池单元参数BZP，以指数形式定义适于协方差行为的漏斗。如果系统中存在动态特性，则相应的协方差P必须位于指定的漏斗内。一旦协方差P离开漏斗或者在充分激励的情况下超过漏斗函数的值，就可以检测到双卡尔曼滤波器2的不稳定性的威胁。然后，相应电池单元状态BZZ或电池单元参数BZP的自适应优选地由双卡尔曼滤波器2暂停。
漏斗函数TF内的协方差P的级数例如在图14中示出。图14示出了扩散电压UD在漏斗函数TF(t)之内或之下作为电池单元状态BZZ的级数。有必要确保漏斗函数的级数与正确的协方差级数之间存在足够的距离。在优选实施方式的情况下，漏斗函数TF是呈指数下降并且具有可配置系数a、b、c的漏斗函数。
在一个可能的实施方式的情况下，漏斗函数TF(t)具有以下形式：
TF(t)＝a·eb·t+c，
其中，系数a、b确定曲线的节距，系数c确定函数的最终极限值，其中b<0、a>0和c>0。由于双卡尔曼滤波器2是非线性动态系统，其中甚至各个噪声项也取决于特定的影响因素，因此优选地基于各个电池单元状态BZZ和电池单元参数BZP的真实反应来适配漏斗或漏斗函数TF的形式。
根据本发明的方法和根据本发明的设备1使得可以利用电池单元状态BZZ以动态方式来估计电池单元BZ的电池单元参数BZP。此外，根据本发明的方法允许估计当前电池容量，并且还允许在荷电状态SOC的计算中考虑当前电池容量。此外，根据本发明的方法允许基于当前电池容量来估计荷电状态SOC，而不是如先前不正确的情况那样经由电池单元的数据表中指示的额定电容C0来估计荷电状态SOC。此外，根据本发明的方法和根据本发明的设备1使得可以基于各个单元化学成分的特性参数影响来指定噪声行为。在这种情况下，其不必通过滤波器调谐进行重新调整。此外，还可以仅考虑相应的单元化学成分，其中不必针对不同电池单元分别进行测量。
此外，根据本发明的稳定性监测方法使得可以早期识别每个电池单元状态BZZ和/或每个电池单元参数BZP的不稳定性的威胁。因此，可以暂停对各个电池单元状态BZZ和电池单元参数BZP的估计，直到检测到的不稳定性得到矫正。这可以确保双卡尔曼滤波器2的稳定操作。此外，还可以使用双卡尔曼滤波器2作为电池管理系统BMS中的自适应滤波器。
在根据本发明的方法的情况下，通过可测量的噪声分量来实现双卡尔曼滤波器2的滤波器调谐。这允许双卡尔曼滤波器2快速适应于不同的新电池系统或电池单元BZ。可以以精确的方式控制各个影响变量。
根据本发明的方法允许以非常高精度确定电池单元BZ或电池的荷电状态。如果该电池单元BZ例如用于驱动车辆的电动机，则由此显著改善车辆的范围预测。
根据本发明的检测方法运行稳健可靠。该检测方法可以灵活地适用于不同电池单元类型的系统。根据本发明的方法可以通过双卡尔曼滤波器2以相对少量的技术费用来实现。在一个可能的实施方式变型的情况下，根据本发明的检测设备1可以集成在包括一个或多个电池单元BZ的电池的壳体中，以便检测电池单元BZ的电池单元状态BZZ和/或电池单元参数BZP。检测到的电池单元状态BZZ和/或检测到的电池单元参数BZP可以被传送到控制单元。根据检测到的电池单元参数BZP和检测到的电池单元状态BZZ，该控制单元可以激活电流源，用于对电池单元和/或由电池单元操作的电负载进行充电。根据本发明的检测方法可以实时地执行。实时检测到的电池单元状态BZZ和/或电池单元参数BZP可以被实时评估并且用于闭环和开环过程，例如在电动机或光伏装置中。在优选实施方式中，根据本发明的检测设备1具有集成的稳定性监测，并且在存在不稳定性威胁时被自动停用。
根据另一方面，本发明提供了一种用于由一个或多个电池单元组成的电池的电池管理系统BMS，其具有根据本发明的用于检测电池单元状态BZZ和/或电池单元参数BZP的检测设备1。
根据另一方面，本发明提供了一种具有这种电池管理系统和一个或多个电池单元BZ的电动车辆。
根据另一方面，本发明提供了一种具有可充电电池单元BZ和电池管理系统BMS的光伏装置，所述光伏装置具有根据本发明的检测设备1。
根据本发明的方法和根据本发明的用于检测电池单元状态BZZ和/或电池单元参数BZP的设备1可以用于多种目的，并且可以与任何可充电电池单元BZ或能量存储器一起使用。
Claims (15)
1.一种用于检测至少一个电池单元(BZ)的电池单元状态BZZ和电池单元参数BZP的方法，所述方法包括以下步骤：
(a)根据所述电池单元状态(BZZ)随时间推移的变化或者根据关于至少一个电池单元参数(BZP)的读出参数行为，基于所述电池单元(BZ)的关于至少一个电池单元状态(BZZ)的特性参数行为，确定(S1)双卡尔曼滤波器(2)的状态估计器(2A)的噪声分量(n、v)并确定所述双卡尔曼滤波器(2)的参数估计器(2B)的噪声分量；以及
(b)基于所确定的噪声分量(n、v)，通过所述双卡尔曼滤波器(2)来使所述电池单元状态BZZ和所述电池单元参数BZP适应(S2)于所述电池单元(BZ)的指定电池模型(BM)。
2.根据权利要求1所述的方法，其中，所述电池单元状态BZZ包括所述电池单元(BZ)的荷电状态SoC和/或所述电池单元(BZ)的动态电池单元状态(特别是扩散电压Ud)，其中，所述电池单元参数BZP包括所述电池单元(BZ)的内阻Ri、所述电池单元(BZ)的额定电容Cn、和/或所述电池单元(BZ)电阻动态分量(特别是扩散电阻Rd)和/或所述电池单元(BZ)的电容动态分量(特别是扩散电容CD)，并且其中，电池单元特性变量BZK包括所述电池单元(BZ)的负载特性变量、所述电池单元(BZ)的温度T和/或所述电池单元(BZ)的老化特性变量。
3.根据权利要求1或2所述的方法，其中，所确定的噪声分量(n、v)包括过程噪声(v)和/或测量噪声(n)，
其中，所述过程噪声(v)包括所述电池单元状态BZZ的过程噪声(vBZZ)和/或所述电池单元参数BZP的过程噪声(vBZP)。
4.根据前述权利要求1至3中任一项所述的方法，其中，所述双卡尔曼滤波器(2)的所述状态估计器(2A)的状态向量包括所述电池单元(BZ)的所述电池单元状态(xBZZ)，并且所述双卡尔曼滤波器(2)的所述参数估计器(2B)的状态向量包括所述电池单元(BZ)的所述电池单元参数(xBZP)。
5.根据前述权利要求1至4中任一项所述的方法，其中，基于检测到的电池单元状态BZZ和检测到的电池单元参数BZP来控制所述电池单元(BZ))的负载。
6.根据前述权利要求中任一项所述的方法，其中，由所述双卡尔曼滤波器(2)的所述状态估计器(2A)适配的所述电池单元(BZ)的所述电池单元状态BZZ和由所述双卡尔曼滤波器(2)的所述参数估计器(2B)适配的所述电池单元(BZ)的所述电池单元参数BZP被输出到控制单元(5)，该控制单元(5)用于控制连接到所述电池单元(BZ)的负载(6)，特别是电动机，和/或用于控制连接到所述电池单元(BZ)的电流源(7)。
7.根据前述权利要求中任一项所述的方法，其中，所述电池单元(BZ)的所述特性参数行为针对每个电池单元参数BZP指示其平均值μBZP，和/或其关于每个电池单元状态BZZ的和/或基于通过传感器检测的所述电池单元(BZ)的测量变量MG的方差σBZP，
其中，所存储的所述电池单元(BZ)的特性参数行为基于通过传感器检测的测量变量MG来确定，并且包括所述电池单元(BZ)的端子电流(IKL)、端子电压(UKL)和/或温度(T)。
8.根据前述权利要求中任一项所述的方法，其中，电池单元参数BZP的过程噪声(vBZP)根据其关于电池单元状态BZZ的读出特性参数行为和/或基于通过传感器检测的测量变量MG、并且根据该电池单元状态BZZ随时间推移的变化和/或基于通过传感器检测的测量变量MG来确定，其中，电池单元状态BZZ的过程噪声(vBZZ)根据其关于至少一个电池单元参数BZP的读出参数行为来确定。
9.根据前述权利要求中任一项所述的方法，其中，对于通过传感器检测的每个测量变量MG，其测量变量噪声基于相应测量变量传感器的相对于从数据存储器(4)中读出的所述测量变量MG的噪声行为的平均值μMG和/或方差σMG来计算，其中，将计算出的所有测量变量MG的测量变量噪声相加，以便确定所述测量噪声(n)。
10.根据前述权利要求中任一项所述的方法，其中，对所述双卡尔曼滤波器(2)的稳定性进行监测，并且一旦识别出所述双卡尔曼滤波器(2)的不稳定性威胁，就暂停通过所述双卡尔曼滤波器(2)的所述状态估计器(2A)对相应电池单元状态BZZ的自适应以及通过所述双卡尔曼滤波器(2)的所述参数估计器(2B)对相应电池单元参数BZP的自适应，其中，所述双卡尔曼滤波器(2)的稳定性基于所述电池单元状态BZZ的协方差行为(PBZZ)和所述电池单元参数BZP的协方差行为(PBZP)进行监测。
11.根据前述权利要求中任一项所述的方法，其中，将所述双卡尔曼滤波器(2)的电池单元状态BZZ的所述协方差行为(PBZZ)和/或电池单元参数BZP的所述协方差行为(PBZP)与相关联的存储的期望协方差行为进行比较，其中，一旦电池单元状态BZZ的协方差行为(PBZZ)超过所存储的相应电池单元状态BZZ的相关联的期望协方差行为，就暂停通过所述双卡尔曼滤波器(2)的所述状态估计器(2A)对所述电池单元状态BZZ的自适应，并且其中，一旦电池单元参数BZP的协方差行为(PBZP)超过所存储器的相应电池单元参数BZP的相关联的期望协方差行为，就暂停通过所述双卡尔曼滤波器(2)的所述参数估计器(2B)对所述电池单元参数BZP的自适应，其中，所存储的期望协方差行为包括漏斗函数TF(t)，该漏斗函数TF(t)随时间推移呈指数减小并且配置其系数(a、b、c)。
12.一种用于检测至少一个电池单元(BZ)的电池单元状态BZZ和/或电池单元参数BZP的设备(1)，所述设备(1)包括：
-双卡尔曼滤波器(2)，其包括用于估计电池单元状态BZZ的状态估计器(2A)和用于估计电池单元参数BZP的参数估计器(2B)，并且包括
-确定单元(3)，其被布置成根据所述电池单元状态(BZZ)随时间推移的变化或者根据关于至少一个电池单元参数(BZP)的读出参数行为、基于所述电池单元(BZ)的关于至少一个电池单元状态(BZZ)的所存储的特性参数行为来确定所述状态估计器(2A)的和所述参数估计器(2B)的噪声分量((n、v)，
其中，所述电池单元状态BZZ和所述双卡尔曼滤波器(2)被布置成基于由所述确定单元确定的所述噪声分量(n、v)将所述电池单元参数BZP自动地适配于所述电池单元(BZ)的指定电池模型(BM)。
13.根据权利要求12所述的设备，其中，所述双卡尔曼滤波器(2)的所述状态估计器(2A)由第一卡尔曼滤波器形成，并且所述双卡尔曼滤波器(2)的所述参数估计器(2B)由第二卡尔曼滤波器形成。
14.根据权利要求13所述的设备，其中，所述双卡尔曼滤波器(2)的两个卡尔曼滤波器(2A、2B)各包括线性卡尔曼滤波器(LKF)、扩展卡尔曼滤波器(EKF)、无迹卡尔曼滤波器(UKF)、平方根无迹卡尔曼滤波器(SF-UKF)或中心差分卡尔曼滤波器(CD-KF)。
15.根据前述权利要求12至14中任一项所述的设备，其中，由所述双卡尔曼滤波器(2)的所述状态估计器(2A)适配的所述电池单元状态BZZ和由所述双卡尔曼滤波器(2)的所述参数估计器(2B)适配的所述电池单元(BZ)的所述电池单元参数被输出到控制单元(5)，该控制单元(5)被提供用于控制连接到所述电池单元(BZ)的负载(6)，特别是电动机，和/或用于控制连接到所述电池单元(BZ)的电流源(7)。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP17183316.3 | 2017-07-26 | ||
| EP17183316.3A EP3435102A1 (de) | 2017-07-26 | 2017-07-26 | Verfahren und vorrichtung zur detektion von batteriezellenzuständen und batteriezellenparametern |
| PCT/EP2018/070033 WO2019020623A1 (de) | 2017-07-26 | 2018-07-24 | Verfahren und vorrichtung zur detektion von batteriezellenzuständen und batteriezellenparametern |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111033286A true CN111033286A (zh) | 2020-04-17 |
| CN111033286B CN111033286B (zh) | 2022-05-10 |
Family
ID=59409271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201880049946.3A Active CN111033286B (zh) | 2017-07-26 | 2018-07-24 | 用于检测电池单元状态和电池单元参数的方法和设备 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11143705B2 (zh) |
| EP (2) | EP3435102A1 (zh) |
| JP (1) | JP6979524B2 (zh) |
| CN (1) | CN111033286B (zh) |
| WO (1) | WO2019020623A1 (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200099982A (ko) * | 2019-02-15 | 2020-08-25 | 주식회사 엘지화학 | 충전 상태 추정 장치 및 방법 |
| CN114152880B (zh) * | 2022-02-08 | 2022-04-12 | 湖南大学 | 一种软包电池传感器故障在线检测方法 |
| DE102022105481A1 (de) | 2022-03-09 | 2023-09-14 | Lisa Dräxlmaier GmbH | Verfahren zum bestimmen mindestens eines geschätzten betriebsparameters einer batterie |
| DE102022208929A1 (de) | 2022-08-29 | 2024-02-29 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Ermitteln eines Alterungszustands einer Gerätebatterie in einem technischen Gerät mittels Edge Computing |
| DE102022213590B4 (de) | 2022-12-14 | 2024-08-22 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Ermitteln eines prädizierten Batteriezustands zwecks Anomalieprädiktion einer Gerätebatterie in einem technischen Gerät mittels Edge Computing |
| CN117420447A (zh) * | 2023-12-18 | 2024-01-19 | 四川华泰电气股份有限公司 | 考虑噪声偏差补偿的锂电池soc估算方法、系统和电子装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090189613A1 (en) * | 2008-01-30 | 2009-07-30 | Lg Chem Ltd. | System, method, and article of manufacture for determining an estimated battery cell module state |
| CN104007390A (zh) * | 2013-02-24 | 2014-08-27 | 快捷半导体(苏州)有限公司 | 电池电荷状态跟踪、等效电路选择及基准测试方法及系统 |
| CN104267261A (zh) * | 2014-10-29 | 2015-01-07 | 哈尔滨工业大学 | 基于分数阶联合卡尔曼滤波的二次电池简化阻抗谱模型参数在线估计方法 |
| US20150377974A1 (en) * | 2014-06-30 | 2015-12-31 | Foundation of Soongsil University-lndustry Cooperation | Battery state estimation method and system using dual extended kalman filter, and recording medium for performing the method |
| CN106959417A (zh) * | 2016-01-08 | 2017-07-18 | 中兴通讯股份有限公司 | 电池荷电状态的获取方法及装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10106505A1 (de) * | 2001-02-13 | 2002-08-29 | Bosch Gmbh Robert | Verfahren und Vorrichtung zur Zustandserfassung von technischen Systemen wie Energiespeicher |
| US7525285B2 (en) * | 2004-11-11 | 2009-04-28 | Lg Chem, Ltd. | Method and system for cell equalization using state of charge |
| JP6130275B2 (ja) * | 2013-09-05 | 2017-05-17 | カルソニックカンセイ株式会社 | 推定装置及び推定方法 |
| US20150349385A1 (en) * | 2014-04-01 | 2015-12-03 | Medtronic, Inc. | Method and System for Predicting Useful Life of a Rechargeable Battery |
| KR101767635B1 (ko) * | 2014-10-24 | 2017-08-14 | 주식회사 엘지화학 | 이차 전지의 충전 상태 추정 장치 및 그 방법 |
| CN104502851A (zh) * | 2014-12-12 | 2015-04-08 | 广西科技大学 | 一种基于aukf算法的soc估算方法 |
| CN105738817A (zh) * | 2016-01-29 | 2016-07-06 | 深圳市沃特玛电池有限公司 | 一种基于aekf的电池荷电状态估计方法及估计系统 |
-
2017
- 2017-07-26 EP EP17183316.3A patent/EP3435102A1/de not_active Withdrawn
-
2018
- 2018-07-24 CN CN201880049946.3A patent/CN111033286B/zh active Active
- 2018-07-24 WO PCT/EP2018/070033 patent/WO2019020623A1/de active Search and Examination
- 2018-07-24 EP EP18746666.9A patent/EP3658930B1/de active Active
- 2018-07-24 JP JP2020526678A patent/JP6979524B2/ja active Active
- 2018-07-24 US US16/633,007 patent/US11143705B2/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090189613A1 (en) * | 2008-01-30 | 2009-07-30 | Lg Chem Ltd. | System, method, and article of manufacture for determining an estimated battery cell module state |
| CN104007390A (zh) * | 2013-02-24 | 2014-08-27 | 快捷半导体(苏州)有限公司 | 电池电荷状态跟踪、等效电路选择及基准测试方法及系统 |
| US20150377974A1 (en) * | 2014-06-30 | 2015-12-31 | Foundation of Soongsil University-lndustry Cooperation | Battery state estimation method and system using dual extended kalman filter, and recording medium for performing the method |
| CN105223506A (zh) * | 2014-06-30 | 2016-01-06 | 崇实大学校产学协力团 | 使用双扩展卡尔曼滤波器的电池状态估计方法和系统 |
| CN104267261A (zh) * | 2014-10-29 | 2015-01-07 | 哈尔滨工业大学 | 基于分数阶联合卡尔曼滤波的二次电池简化阻抗谱模型参数在线估计方法 |
| CN106959417A (zh) * | 2016-01-08 | 2017-07-18 | 中兴通讯股份有限公司 | 电池荷电状态的获取方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 王笑天等: "双卡尔曼滤波算法在锂电池 SOC 估算中的应用", 《仪器仪表学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2020529028A (ja) | 2020-10-01 |
| US11143705B2 (en) | 2021-10-12 |
| EP3658930B1 (de) | 2021-04-14 |
| JP6979524B2 (ja) | 2021-12-15 |
| EP3435102A1 (de) | 2019-01-30 |
| US20200217897A1 (en) | 2020-07-09 |
| CN111033286B (zh) | 2022-05-10 |
| WO2019020623A1 (de) | 2019-01-31 |
| EP3658930A1 (de) | 2020-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111033286B (zh) | 用于检测电池单元状态和电池单元参数的方法和设备 | |
| CN111051905B (zh) | 用于监测卡尔曼滤波器的稳定收敛行为的方法和设备 | |
| CN109061520B (zh) | 一种动力电池健康与功率状态在线估算方法及系统 | |
| JP5058814B2 (ja) | バッテリーの状態及びパラメーターの推定システム及び方法 | |
| RU2328753C2 (ru) | Устройство и способ для оценки уровня заряженности батареи с использованием нейронной сети | |
| US7518339B2 (en) | State variable and parameter estimator comprising several partial models for an electrical energy storage device | |
| CN107003359B (zh) | 电池组的电池单元的容量的自动估计方法 | |
| CN110441694B (zh) | 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法 | |
| CN106461732B (zh) | 用于估计电池的健康状态的方法 | |
| CN106324523B (zh) | 基于离散变结构观测器的锂电池soc估计方法 | |
| CN104931784B (zh) | 基于频率的电池模型参数估计 | |
| JP5842421B2 (ja) | 電池状態推定装置 | |
| CN109581225A (zh) | 电池在线参数辨识的能量状态估算方法及电池管理系统 | |
| CN109828215A (zh) | 一种提升电池单体soc估算精度的方法和系统 | |
| CN113785209B (zh) | 用于检测异常电池单体的方法 | |
| JP5163542B2 (ja) | 二次電池の入出力可能電力推定装置 | |
| CN116113837A (zh) | 用于估计电池的荷电状态的方法 | |
| CN113447821B (zh) | 评估电池荷电状态的方法 | |
| CN114928133A (zh) | 一种用于锂离子电池的充电控制方法、系统、设备和介质 | |
| CN111751750B (zh) | 基于模糊ekf的多阶段闭环锂电池soc估算方法 | |
| CN114729967A (zh) | 用于估计储能器的状态的方法 | |
| CN116224073A (zh) | 电池soc估计方法、装置、设备、电池模组及存储介质 | |
| KR102703823B1 (ko) | 시변 부하전류 상황에 강인한 리튬 이온 배터리의 모델 기반 충전 상태 추정 장치 및 방법 | |
| CN113125965B (zh) | 电池析锂检测方法、装置、设备及存储介质 | |
| CN112415412A (zh) | 估算电池soc值的方法和装置及车辆、存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |