CN114355209A - 为训练基于数据的状态模型提供训练数据的方法和设备 - Google Patents
为训练基于数据的状态模型提供训练数据的方法和设备 Download PDFInfo
- Publication number
- CN114355209A CN114355209A CN202111143044.6A CN202111143044A CN114355209A CN 114355209 A CN114355209 A CN 114355209A CN 202111143044 A CN202111143044 A CN 202111143044A CN 114355209 A CN114355209 A CN 114355209A
- Authority
- CN
- China
- Prior art keywords
- state
- operating characteristic
- characteristic points
- uncertainty
- model
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000032683 aging Effects 0.000 claims abstract description 77
- 238000011156 evaluation Methods 0.000 claims description 44
- 238000005259 measurement Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000013531 bayesian neural network Methods 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 2
- 230000018109 developmental process Effects 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 1
- 230000008859 change Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种用于训练状态模型以确定电蓄能器的状态的计算机实现的方法,该方法具有如下步骤:‑提供基于数据的状态模型,其给运行特征点分配经建模的状态参量、尤其是老化状态;‑根据至少一个训练数据集来对该状态模型进行训练或更新,其中该训练数据集利用如下步骤来生成:o提供或确定所属的经建模的状态参量的状态不确定性不足的运行特征点;o从运行特征点的集合中选择运行特征点,其中选择与所确定的具有不足的状态不确定性的运行特征点相似的那些运行特征点;o针对所选择的运行特征点来确定所述状态;o借助于至少一个基于域知识的规则,降低状态不确定性;o根据被降低的状态不确定性,生成该训练数据集。
Description
技术领域
总的来说,本发明涉及电蓄能器、如在电可驱动机动车、尤其是电动车辆或混合动力车辆中的电蓄能器的系统状态的表征,而且还涉及用于确定电蓄能器、诸如车辆电池组的状态的措施。
背景技术
为了对技术设备的非与电网连接的能量供应,通常使用电蓄能器,如电池组或燃料电池。例如,借助于电蓄能器、诸如车辆电池组来实现对电可驱动机动车的能量供应。该电蓄能器为车辆系统以及尤其是驱动系统的运行提供电能。电蓄能器的老化状态在该电蓄能器的使用寿命期间变得越来越差,这导致最大储能容量降低。车辆电池组的老化程度取决于车辆电池组的单独的负载,也就是说取决于驾驶员的使用行为,以及取决于车辆电池组类型。
虽然借助于纯物理老化模型可以基于历史运行参量变化过程来确定当前的老化状态,但是该模型通常不准确。常规老化模型的这种不准确使得对老化状态变化过程的预测变得困难。然而,对车辆电池组的老化状态的变化过程的预测是重要的技术参量,因为利用该技术参量能够对车辆电池组的剩余价值进行经济上的评价。
利用常规的物理模型,通常也并不能高度准确地确定车辆电池组的其它状态、诸如充电状态。
不仅物理状态模型而且基于数据的状态模型或混合状态模型都需要用于训练数据的准确检测的状态标签,因为这些状态标签是模型参数化的基础。在其在应用中的使用开始之后的持续的标签生成能够实现对状态模型的不断改善,以便确定和预测所要表征的状态参量。
发明内容
按照本发明,规定了一种按照权利要求1所述的用于为训练状态模型以对电蓄能器的状态进行建模来提供训练数据的方法以及一种相对应的按照并列权利要求所述的设备。
其它的设计方案在从属权利要求中说明。
按照第一方面,规定了一种用于借助于多个蓄能器的运行特征点来训练状态模型以确定电蓄能器的状态的计算机实现的方法,该方法具有如下步骤:
- 提供基于数据的状态模型,该基于数据的状态模型给运行特征点分配经建模的状态参量、尤其是老化状态;
- 提供数据库,该数据库具有所述多个蓄能器的针对连续的评估期的真实的运行特征点的变化过程;
- 根据至少一个训练数据集来对该状态模型进行训练或更新,
其中该至少一个训练数据集利用如下步骤来被生成:
o 借助于至少一个基于域知识的规则,降低状态参量中的一个或多个状态参量的状态不确定性,所述状态不确定性要么通过该基于数据的状态模型在这些真实的运行特征点处得出要么通过至少一个已知的标签得出;
o 提供或确定所属的经建模的状态参量的状态不确定性不足的运行特征点;
o 借助于聚类方法来从这些真实的运行特征点中选择运行特征点;
o 尤其是借助于该基于数据的状态模型或者通过测量,确定所选择的运行特征点的状态参量和所属的状态不确定性;
o 根据针对所选择的运行特征点所确定的状态参量的平均值和与通过聚类方法所确定的所述所选择的运行特征点的聚类的平均值或质心相对应的运行特征点,生成该训练数据集。
尤其是,借助于聚类方法从这些真实的运行特征点中选择运行特征点,可以执行与所确定的具有不足的状态不确定性的运行特征点相似的那些运行特征点。
此外,该状态模型可以对应于用于根据蓄能器的运行特征来提供老化状态的老化状态模型或者用于根据这些运行特征来提供充电状态的充电状态模型。
可以规定:基于数据的状态模型包括基于数据的机器学习模型,该基于数据的机器学习模型构造用于针对经建模的状态参量说明状态不确定性,其中该状态模型尤其包括高斯过程模型,作为具有量化不确定性计算的监督学习模型。替选地,监督学习模型尤其可以实施成集成器方法或者实施成贝叶斯神经网络。
可以从持续检测的运行参量的时间序列中推导出运行特征,其中这些运行特征针对连续的评估期来被确定,其中针对所确定的蓄能器的特定评估期的多个运行特征限定了运行特征点。
对于在像机动车那样的上级技术设备中的电蓄能器来说,需要确定状态,以便能够以经改善的或者最佳的方式来运行上级系统。这些状态被指定为状态参量。这样,例如对电蓄能器的老化状态以及可再充电的电池组的充电状态的确定是重要的状态参量,这些状态参量对于利用其来运行的技术设备、诸如电驱动机动车的运行来说是必不可少的。此外,这些技术设备可包括机床、家用电器、建筑物能量供应装置、飞行器、尤其是无人机,和/或娱乐电子设备、尤其是移动电话。
这种状态参量借助于基于物理的模型通常并不能高度准确地被建模。此外,在这种情况下,对状态参量的计算的不准确几乎无法量化或者只能艰难地在线量化。因而,越来越多地考虑使用基于数据的状态模型或混合状态模型来对这些状态参量进行建模。尤其是当有大量训练数据供支配时,这样的状态模型可以实现非常准确的状态计算或状态预测。
对于监督学习技术来说,训练这样的基于数据的状态模型需要高度准确的训练数据,这些训练数据通常必须事先被测量或评价。生成和编译训练数据的过程通常称为标签生成。
在训练之后,基于数据的状态模型可以在利用其来运行的设备中事先通过传输相对应的模型参数来被实现。也可能的是:与中央单元(云)具有定期连接的设备从该中央单元定期接收模型结果,如状态参量或者基于数据的状态模型的被更新的模型参数。尤其是当在中央单元中评估已在多个配备有相同的电蓄能器的设备中被测量到的运行参量时,基于数据的状态模型可以在中央单元中持续被再训练或被更新,并且被更新的或被重新训练的状态模型的相对应的模型参数可以被传送回同类设备,以便在那里改善状态预测。优选地,在中央单元(云)中进行状态计算或状态预测,并且将结果作为状态提供给IOT设备。
为了提供训练数据用来训练基于数据的状态模型,可以根据所获得的运行参量以复杂的方式、通常借助于费时的诊断测量来针对这些设备之一推导出状态参量,该状态参量尤其是在中央单元中被确定为标签,以便在那里基于运行参量或从中推导出的运行特征和所分配的状态参量(标签)来提供训练数据集。这样,为了在中央单元中确定老化状态模型,例如可以将用于运行电可驱动机动车的车辆电池组的运行参量持续传送给中央单元,并且在那里通过评估所确定的运行变化过程、诸如在所限定的负载和环境条件下的完整的充电周期来推导出老化状态说明,使得在那里提供训练数据集。
在基于用于估计状态参量的基于数据的状态模型来运行具有中央单元和多个同类的、与该中央单元保持通信连接的设备的初始阶段,通常在运行开始时,基于数据的状态模型尚未在输入数据空间的所有区域内都以足够的精度来被训练。为了持续改善基于数据的状态模型在其使用期间的工作能力,可以在中央单元中基于训练数据集来进行对基于数据的状态模型的定期更新,这些训练数据集可以利用从这些设备检测到的运行参量来被确定。并非针对通过运行参量点或运行特征点所限定的输入参量空间的所有区域都能够以简单的方式通过真实测量来确定相对应的状态参量,使得基于数据的状态模型在这些区域内非常不准确并且也许无法被使用。
现在,上述方法规定:利用人工生成的训练数据集来改善基于数据的状态模型。人工生成的训练数据集分别根据状态模型的当前的训练状态、真实蓄能器的已经被确定的运行特征点或者通过至少一个已知的标签和至少一个从域知识中得出的用于限制状态不确定性的规则来被确定。因此,人工生成的训练数据集可以在没有对状态参量的额外测量和/或确定的情况下被获得。接着,这样确定的训练数据集可以被用于更新基于数据的状态模型。
在上述方法中,在中央单元中针对多个同类的技术设备提供基于数据的状态模型,该基于数据的状态模型也可以实施成混合状态模型。在此,基于数据的状态模型通过如下方式来被更新和改善:通过在多个技术设备实际运行时评估可用的训练数据集并且评估基于数据的状态模型,创建适合于对基于数据的状态模型进行再训练或更新的其它训练数据集。由此,最初提供的基于数据的状态模型可以在输入参量空间的状态不确定性高的区域内被再训练。
尤其是,对于状态参量来说取决于系统地存在关于这些状态参量的随时间的变化过程的相关性,这些相关性是已知的并且作为域知识来供支配或可用作域知识。这能够实现:减小状态参量预测(经建模的状态参量)的从利用状态模型的建模中得出的大的置信区间或高的状态不确定性,其方式是通过设置例如置信区间的上限和下限来排除相关状态参量的物理上不可能的值范围。
此外,可以通过至少一个规则来降低在所选择的运行特征点处的状态不确定性,其中该规则取决于运行特征点以及运行特征点的状态不确定性在与所选择的运行特征点的评估期不同的评估期的随时间的发展。
尤其是,可以通过如下方式来降低在所选择的运行特征点处的状态不确定性:在这些所选择的运行特征点中的每个所选择的运行特征点处的状态不确定性都被限制到置信区间的上限或下限,该上限或该下限通过在相关运行特征点的上一个评估期的状态不确定性来被确定;和/或在这些所选择的运行特征点中的每个所选择的运行特征点处的状态不确定性都被限制到置信区间的下限或上限,该下限或该上限通过在相关运行特征点的下一个评估期的状态不确定性来被确定。这可以归因于域知识,因为像蓄能器的老化状态那样的缓慢时变的状态参量只是缓慢地发生变化。
替选地或附加地,可以通过如下方式来降低在所选择的运行特征点处的状态不确定性:在这些所选择的运行特征点中的每个所选择的运行特征点处的状态不确定性都利用相对应的置信区间的上限和下限来被限制,该上限和下限通过对在相关运行特征点的上一个和下一个评估期的置信区间的上限的内插来被确定。
从多个真实的运行特征点中,可以借助于聚类方法来选择如下运行特征点,这些运行特征点处在具有高的状态不确定性或具有大的置信区间的运行特征点周围的区域内。这里,通过将通过聚类方法进行选择与通过应用域知识来降低状态不确定性相结合,可以生成新的训练数据集,该新的训练数据集对应于通过聚类方法所确定的所选择的运行特征点的聚类的中心点或质心以及为此所确定的状态参量的平均值。
这样生成的训练数据集的有效性可以通过被降低的状态不确定性利用统计显著性来被验证,使得精度要求以及因此标签的适用性都被证实。按照一个实施方式,这样,只有当总状态不确定性不超过预先给定的不确定性阈值时,才能够基于该至少一个训练数据集来执行对状态模型的训练或更新,其中该总状态不确定性根据所选择的运行特征点的所计算出的状态不确定性按照大数定律或者借助于误差传播方法来被确定。
换言之,如果低于针对所生成的训练数据集的运行特征点的统计精度要求,则相对应地人工生成并且在统计上被评价的状态参量可以与所选择的运行特征点一起被用作新的训练数据集。以这种方式,可以针对与云连接的同类设备生成用于训练基于数据的状态模型的附加的训练数据集,尤其是针对运行特征点的其中到目前为止存在基于数据的状态模型的高的状态不确定性的区域而言。这种用于基于所应用的域知识来提供附加的训练数据的做法能够实现:提供对基于数据的状态模型的快速改善,以预测多个同类设备的状态参量。
可以规定:将多个技术系统的运行参量传输给中央单元,其中提供具有所述多个技术系统的真实蓄能器的运行特征点的数据库,其中在该中央单元中实施该方法,其中从该数据库中选择运行特征点。
可以在评估所确定的蓄能器的当前或历史运行特征点期间确定状态不确定性不足的运行特征点。
按照另一方面,规定了一种用于借助于多个蓄能器的运行特征点来训练状态模型以确定电蓄能器的状态的设备,其中该设备构造用于:
- 提供基于数据的状态模型,该基于数据的状态模型给运行特征点分配经建模的状态参量、尤其是老化状态;
- 提供数据库,该数据库具有所述多个蓄能器的针对连续的评估期的真实的运行特征点的变化过程;
- 根据至少一个训练数据集来对该状态模型进行训练或更新,
其中该至少一个训练数据集利用如下步骤来被生成:
o 借助于至少一个基于域知识的规则,降低状态参量中的一个或多个状态参量的状态不确定性,所述状态不确定性通过该基于数据的状态模型在这些真实的运行特征点处得出或者通过至少一个已知的标签得出;
o 提供或确定所属的经建模的状态参量的状态不确定性不足的运行特征点;
o 根据所确定的运行特征点,借助于聚类方法来从所述真实的运行特征点中选择运行特征点;
o 尤其是借助于该基于数据的状态模型或者通过测量,确定所选择的运行特征点的状态参量和所属的状态不确定性;
o 根据针对所选择的运行特征点所确定的状态参量的平均值和与所述所选择的运行特征点的平均值或质心相对应的运行特征点,生成该训练数据集。
附图说明
随后,依据随附的附图更详细地阐述实施方式。其中:
图1示出了用于车队的具有多个机动车和用来提供基于数据的状态模型的中央单元的系统的示意图;
图2示出了用来阐明用于训练或更新基于数据的状态模型、尤其是以机动车的车辆电池组的老化状态模型为形式的基于数据的状态模型的方法的流程图;
图3示出了具有大的置信区间的经建模的老化状态的经建模的老化状态的时间序列;
图4示出了对通过移动置信界限来减小置信区间的阐明;
图5示出了对通过借助于线性内插移动置信界限来减小置信区间的阐明;
图6示出了对具有相似的运行特征点的所标识出的车辆电池组的聚类的阐明;以及
图7示出了通过所描述的方法来改善基于数据的老化状态模型的图示。
具体实施方式
在下文,依据在同类设备的多个机动车中的车辆电池组来描述按照本发明的方法。在机动车中,可以在控制单元中实现用于相应的车辆电池组的基于数据的老化状态模型。老化状态模型示例性地代表状态模型。在中央单元中,老化状态模型可以持续地基于车队中的车辆电池组的运行参量来被更新或被再训练。
上述示例代表了大量静止的或移动的具有独立于电网的能量供应的设备,诸如车辆、设施、IOT设备以及诸如此类的,这些机器和设备通过相对应的通信连接(例如LAN、因特网(Internet))来与中央单元(云)保持连接。在此,状态参量是如下参量,这些参量无法以简单的方式高度准确地并且同时基于模型地在同类设备中被确定,而且仅能够通过花费高的计算、内部诊断测量、尤其是破坏性测量或者在设备的预先限定的运行周期之后被确定。
图1示出了用于在中央单元2中提供车队3的机动车4的车队数据的系统1。在中央单元2中,应该基于车队数据来进行对车队3的相应的机动车4的车辆电池组的老化状态的变化过程的计算和预测。
这些机动车4之一在图1中更详细地被示出。这些机动车4分别具有:车辆电池组41,作为可再充电的电蓄能器;电驱动马达42;和控制单元43。控制单元43与通信模块44连接,该通信模块适合于在相应的机动车4与中央单元(云)之间传输数据。控制单元43与传感器单元45连接,该传感器单元具有一个或多个传感器,以便持续检测运行参量。
中央单元2具有:数据处理单元21,在该数据处理单元中可以实施随后描述的方法;和数据库22,用于存储已在车队3的多个车辆4中被确定的车辆电池组的运行参量和老化状态。
机动车4向中央单元2发送运行参量F,这些运行参量至少说明了车辆电池组的老化状态所取决于的参量。在车辆电池组的情况下,运行参量F可以说明当前的电池组电流、当前的电池组电压、当前的电池组温度和当前的充电状态(SOC:State of Charge)。运行参量F在2 Hz与100 Hz之间的快速时间帧中被检测,其中这些运行参量的变化过程以未压缩和/或压缩的形式定期被传输给中央单元2。
在中央单元2中或者在其它实施方式中,也可以根据运行参量F已经在相应的机动车4中生成涉及评估期的运行特征。对于确定老化状态来说,该评估期可以为几小时(例如6小时)至几周(例如一个月)。该评估期的常用值为一周。
这些运行特征例如可包括与该评估期相关的特征和/或累积特征和/或在到目前为止的整个使用寿命期间所确定的统计参量。尤其是,这些运行特征例如可包括:随充电状态变化过程、温度、电池组电压、电池组电流的直方图数据,尤其是关于随充电状态的电池组温度分布、随温度的充电电流分布和/或随温度的放电电流分布的直方图数据,累积的总电荷量(Ah),在充电过程(尤其是对于其中电荷量增加高于整个电池组容量的阈份额(例如20 %)的充电过程来说)中的平均容量增加,差分容量(dQ/dU:电荷量变化除以电池组电压的变化)的最大值以及其它。
从这些运行特征可以得知其它说明:随时间的负载模式,如充电和行驶周期,该负载模式通过使用模式(诸如在高电流强度的情况下快速充电或者强力加速或具有回收的制动过程)来被确定;车辆电池组的使用时间;在运行时间内累积的充电量和在运行时间内累积的放电量;最大充电电流;最大放电电流;充电频率;平均充电电流;平均放电电流;在充电和放电时的功率吞吐量;(尤其是平均)充电温度;平均充电状态;充电状态的(尤其是平均)散布;以及诸如此类的。
老化状态(SOH:State of Health)是用于说明剩余电池组容量或者剩余电池组电量的关键参量。老化状态是对车辆电池组或电池组模块或电池组电池的老化的量度并且可以在电池组的情况下被指定为容量保持率(Capacity Retention Rate,SOH-C)或者被指定为内阻的升高(SOH-R)。容量保持率SOH-C被指定为所测量到的当前容量与充满电的电池组的初始容量之比。内阻的相对变化SOH-R随着电池组的老化增加而升高。
在图2中,依据流程图更详细地描述了用于对基于数据的老化状态模型进行训练或更新的方法。该方法在该中央单元的数据处理单元21中被实施并且可以在那里作为软件和/或硬件来实现。
在步骤S1中,提供基于数据的老化状态模型,该基于数据的老化状态模型被预先训练来根据运行特征点来输出经建模的老化状态和状态不准确。还提供数据库,该数据库为车队的车辆的电蓄能器提供针对每个评估期的运行特征点的时间序列。
在步骤S2中,持续地从车队3的车辆4接收运行参量F。运行参量F可包括不仅在包级别、模块级别而且在电池级别的当前的电池组电池、当前的电池组电压、当前的电池组温度、当前的充电状态的变化过程,以及诸如此类的。
在步骤S3中,根据运行参量F的变化过程来确定针对连续的评估期的运行特征。在确定车辆电池组的老化状态的情况下,这些评估期可以为一天至一个月,优选地为一周。通常,为了基于模型地确定所确定的车辆电池组的老化状态,借助于基于数据的老化状态模型来给运行特征点分配老化状态作为状态参量,该运行特征点通过在评估期之内的所确定的车辆电池组的各个运行特征来被确定。该基于数据的模型也可以实施成混合模型,尤其是物理模型与数据驱动模型的组合,优选地具有监督学习部分。
在步骤S4中,确定如下运行特征点,在该运行特征点中,状态不确定性不足,也就是说尤其是高于预先给定的不确定性阈值。为此,基于数据的老化状态模型可以作为如下模型来被提供,该模型除了模型预测之外也可以说明预测不确定性,例如以标准差或置信区间为形式。例如,这里可以考虑混合模型或纯基于数据的模型,这些混合模型或纯基于数据的模型包括监督学习方法,优选地高斯过程模型或者替选地集成器方法或贝叶斯神经网络。
其中所计算出的状态不确定性不足的运行特征点例如可以通过借助于基于数据的老化状态模型在不同的评估期确定和评估所有车辆电池组的经建模的老化状态来被确定。换言之,针对每个真实的、也就是说对于真实的车辆电池组来说所确定的运行特征点,确定老化状态及其经建模的状态不确定性。如果经建模的老化状态之一的状态不确定性高于预先给定的不确定性阈值,则相关的真实的运行特征点被确定为其中状态不确定性不足的运行特征点。借此,对于当前实施例来说,对所确定的车辆电池组的所确定的(如上所述,所标识出的)运行特征点的老化状态的说明被认为太不准确。
例如,在图3中,示出了用于说明针对连续的评估期的分别具有所属的置信区间KI的老化状态Z的时间序列的图表。可看出:在时间点t存在高的不确定性,而在上一个评估期t-n和下一个评估期t+n分别存在低的不确定性。
在步骤S5中,现在针对真实的运行特征点中的每个真实的运行特征点或者至少真实的运行特征点中的其状态不确定性高于预先给定的不确定性阈值的那些真实的运行特征点,借助于域知识来进行对相对应的置信区间KI的特定于车辆的减小。为此,可以分析在所考虑的真实的运行特征点的评估期周围的老化状态(始终对于单独的车辆电池组来说)的随时间的变化过程。每个运行特征点都被分配给一个评估期,其中通常在该评估期之前和之后存在相关的车辆电池组的其它运行特征点。
尤其是,置信区间可以被限于如下老化状态,这些老化状态不高于之前(在上一个评估期中)所确定的或已知的老化状态的置信区间的上限并且不低于在之后的(在下一个)评估期中所确定的老化状态的下限。这在图4中示例性地示出,在该图中,被限制的置信区间通过KI'来表征。这种限制可以基于域知识来进行:老化状态的在足够长的时间窗的情况下的随时间的变化过程只能单调下降,特别是在考虑促进老化的有效压力因素的情况下只能单调下降。因此,将被限定为不确定的老化状态的置信界限G朝着老化状态的建模值的统计期望值的方向移动,使得得出缩小的置信区间。
同样可限定其它能从域知识中推导出的用于限制置信范围的规则。这样,作为可能的进一步的规则,可以假设在少量、例如3到10个评估期的有限时间段内老化状态的连续且缓慢的或分段几乎线性的变化过程。如果例如从车队负载曲线中得知负载曲线和随之而来的关于所考虑的机动车的老化方面的就能量吞吐量、温度条件、充电行为、驾驶行为等等而言的压力因素在所考虑的在上一个评估期直至下一个评估期之间的时间段内是恒定的,则可以进行这种限制。这样,相关的老化状态的被限制的置信区间KI'的上限和下限可以通过对上一个和下一个评估期的置信上限以及上一个和下一个评估期的置信下限的分段内插来得出。这在图5中示例性地示出。
以这种方式,可以限制在车辆电池组的真实的运行特征点处的老化状态的置信区间。在真实的运行特征点处的高的不确定性可以通过关于状态参量的时间惯性或随时间的变化过程的域知识来被降低。因此,关于在评估时间点的低的状态不确定性的知识要么可以归因于利用老化状态模型对老化状态的准确建模要么可以归因于测量的结果或者它们的组合。
在步骤S6中,根据真实的运行特征点,借助于聚类方法来标识与所确定的运行特征点相似的那些运行特征点。在此,考虑来自数据库中的已针对所有车辆电池组41的发生在过去的评估期所确定的所有真实的运行特征点。聚类方法从这些真实的运行特征点中确定与所确定的运行特征点相似的真实的运行特征点,尤其是具有距质心点的预先给定的欧几里得距离的运行特征点,该预先给定的欧几里得距离不大于预先给定的阈值。质心点对应于未被分配给所确定的蓄能器的人工运行特征点。通过运行特征点来限定相似性。如果例如在多维空间中在运行特征点之间的欧几里得距离足够小、即例如低于可与精度要求相关联的阈值,则这两个运行特征点足够相似。换言之,欧几里得距离决定了在两个运行特征点之间的相似程度。如果该相似程度高于预先给定的阈值,则两个运行特征点相似。
可以使用K-means++和竞争学习(Competitive-Learning),作为可能的无监督聚类方法。
在步骤S7中,可以针对这样选择的运行特征点中的每个运行特征点按照基于数据的状态模型来进行对相应的老化状态的估计。此外,从模型估计中得出相应的置信范围,作为状态不确定性。
现在,在类似(相似)的运行特征点的范围内存在对用于所标识出的车辆电池组的真实的运行特征点的选择,这些运行特征点分别分配有具有置信区间的老化状态。通过应用域知识所确定的被减小的置信区间可以被分配给所选择的真实的运行特征点。为此,必须选择在聚类中的至少一个点。这例如在图6中示出。所示出的区域B中的每个区域都对应于具有相对应的被限制的置信区间的运行特征点MP。
现在,被分配给所选择的运行特征点的老化状态可以在步骤S8中针对所有车辆(fahrzeugübergreifend)被平均,并且置信区间可以相对应地被合并在总置信区间中或被合并在共同的标准差中,例如在相同大小的置信区间的情况下借助于根号n定律来被合并在总置信区间中或被合并在共同的标准差中,其中对应于相同的标准差并且n对应于所考虑的老化状态的数目。
在存在不一样大的、被限制的置信区间的情况下,也可以借助于误差传播来计算总置信区间,以便确定被平均的老化状态的方差或标准差,例如借助于基于模型的误差传播在为了计算组合的标签不确定性而利用模型灵敏度的情况下确定被平均的老化状态的方差或标准差。这例如可以通过对基于数据的状态模型的偏导数的评估和组合来实现,例如借助于泰勒级数展开来实现。
在随后的步骤S9中,检查这样确定的总置信区间是否低于预先给定的最大置信区间,该最大置信区间说明了置信区间的最大容许大小。如果情况如此(二选一:是),则该方法以步骤S10继续。否则(二选一:否),跳回到步骤S1。
在步骤S10中,基于所标识出的车辆电池组41的聚类的平均值或质心(表示相关聚类的质心的运行特征点)或被分配给该聚类的另一运行特征点和所属的老化状态的平均值,生成新的训练数据集。
在随后的步骤S11中,基于新的训练数据集来对基于数据的老化状态模型进行再训练或更新。在进行更新之前,也可以首先确定多个这样确定的训练数据集和/或收集在特定时长期间的训练数据集。
图7示出了在(1)更新基于数据的老化状态模型之前和在(2)更新基于数据的老化状态模型之后对特定运行特征点MP的老化状态的预测。
在随后的步骤S12中,被更新的老化状态模型的模型参数或者通过模型所确定的状态可被传输回车队3的车辆,使得基于数据的老化状态模型可以在机动车4中被用于确定车辆电池组41的老化状态SOH。该步骤是可选的。老化状态模型也可以在中央单元2中运行并且在那里被实施。
Claims (16)
1.一种用于借助于多个蓄能器的运行特征点来训练状态模型以确定电蓄能器的状态的计算机实现的方法,所述方法具有如下步骤:
- 提供基于数据的状态模型,所述基于数据的状态模型给运行特征点分配经建模的状态参量、尤其是老化状态;
- 提供数据库,所述数据库具有所述多个蓄能器的针对连续的评估期的真实的运行特征点的变化过程;
- 根据至少一个训练数据集来对所述状态模型进行训练或更新,
其中所述至少一个训练数据集利用如下步骤来被生成:
o 借助于至少一个基于域知识的规则,降低状态参量中的一个或多个状态参量的状态不确定性,所述状态不确定性通过所述基于数据的状态模型在所述真实的运行特征点处得出;
o 提供或确定所属的经建模的状态参量的状态不确定性不足的运行特征点,或者通过至少一个已知的标签来提供或确定运行特征点;
o 根据所确定的运行特征点,借助于聚类方法来从所述真实的运行特征点中选择运行特征点;
o 尤其是借助于所述基于数据的状态模型或者通过测量,确定所选择的运行特征点的状态参量和所属的状态不确定性;
o 根据针对所选择的运行特征点所确定的状态参量的平均值和与所述所选择的运行特征点的平均值或质心相对应的运行特征点,生成所述训练数据集。
2.根据权利要求1所述的方法,其中为了借助于聚类方法从所述真实的运行特征点中选择运行特征点,执行与所确定的具有不足的状态不确定性的运行特征点相似的那些运行特征点。
3.根据权利要求1或2所述的方法,其中所述状态模型对应于用于根据蓄能器的运行特征来提供老化状态的老化状态模型或者用于根据所述运行特征来提供充电状态的充电状态模型。
4.根据权利要求1至3中任一项所述的方法,其中所述基于数据的状态模型包括基于数据的机器学习模型,所述基于数据的机器学习模型构造用于针对经建模的状态参量说明状态不确定性,其中所述状态模型包括监督学习方法,如高斯过程模型或贝叶斯神经网络。
5.根据权利要求1至4中任一项所述的方法,其中从持续检测的运行参量的时间序列中推导出运行特征,其中所述运行特征针对连续的评估期来被确定,其中针对所确定的蓄能器的特定评估期的多个运行特征限定了运行特征点。
6.根据权利要求5所述的方法,其中将多个技术系统的运行参量传输给中央单元,其中提供具有所述多个技术系统的真实蓄能器的运行特征点的数据库,其中在所述中央单元中实施所述方法,其中从所述数据库中选择运行特征点。
7.根据权利要求1至5中任一项所述的方法,其中在评估所确定的蓄能器的当前的运行特征点期间,提供或确定具有不足的状态不确定性的运行特征点。
8.根据权利要求1至7中任一项所述的方法,其中通过至少一个规则来降低在所述所选择的运行特征点处的状态不确定性,所述规则取决于相应的蓄能器的运行特征点以及相应的蓄能器的运行特征点的状态不确定性在与所述所选择的运行特征点的评估期不同的评估期的随时间的发展。
9.根据权利要求1至8中任一项所述的方法,其中通过如下方式来降低在所述真实的运行特征点处的状态不确定性:在所述所选择的运行特征点中的每个所选择的运行特征点处的状态不确定性都被限制到置信区间的上限或下限,所述上限或下限通过在相关运行特征点的上一个评估期的状态不确定性来被确定;和/或在所述所选择的运行特征点中的每个所选择的运行特征点处的状态不确定性都被限制到置信区间的下限或上限,所述下限或上限通过在相关运行特征点的下一个评估期的状态不确定性来被确定。
10.根据权利要求1至9中任一项所述的方法,其中通过如下方式来降低在所述所选择的运行特征点处的状态不确定性:在所述所选择的运行特征点中的每个所选择的运行特征点处的状态不确定性都利用相对应的置信区间的上限和下限来被限制,该上限和下限通过对在相关运行特征点的上一个和下一个评估期的置信区间的上限的内插来被确定。
11.根据权利要求1至10中任一项所述的方法,其中只有当总状态不确定性不超过预先给定的不确定性阈值时,才基于所述至少一个训练数据集来执行对所述状态模型的训练或更新,其中所述总状态不确定性根据所述所选择的运行特征点的状态不确定性按照大数定律或者借助于误差传播方法来被确定。
12.根据权利要求1至11中任一项所述的方法,其中所述状态模型的模型参数被传输给具有蓄能器的多个设备。
13.根据权利要求1至12中任一项所述的方法,其中所述状态模型在中央单元中实现,所述中央单元与多个设备保持通信连接,其中通过将运行参量传送给所述中央单元能查询所述多个设备中的每个设备的状态参量并且所述中央单元将借助于所述状态模型所确定的状态参量传送给发出请求的设备。
14.一种用于借助于多个蓄能器的运行特征点来训练状态模型以确定电蓄能器的状态的设备,其中所述设备构造用于:
- 提供基于数据的状态模型,所述基于数据的状态模型给运行特征点分配经建模的状态参量、尤其是老化状态;
- 提供数据库,所述数据库具有所述多个蓄能器的针对连续的评估期的真实的运行特征点的变化过程;
- 根据至少一个训练数据集来对所述状态模型进行训练或更新,
其中所述至少一个训练数据集利用如下步骤来被生成:
o 借助于至少一个基于域知识的规则,降低状态参量中的一个或多个状态参量的状态不确定性,所述状态不确定性通过所述基于数据的状态模型在所述真实的运行特征点处得出或者通过至少一个已知的标签得出;
o 提供或确定所属的经建模的状态参量的状态不确定性不足的运行特征点;
o 根据所确定的运行特征点,借助于聚类方法来从所述真实的运行特征点中选择运行特征点;
o 尤其是借助于所述基于数据的状态模型或者通过测量,确定所选择的运行特征点的状态参量和所属的状态不确定性;
o 根据针对所选择的运行特征点所确定的状态参量的平均值和与所述所选择的运行特征点的平均值或质心相对应的运行特征点,生成所述训练数据集。
15.一种计算机程序产品,所述计算机程序产品包括如下指令,在通过至少一个数据处理装置来执行程序时,所述指令促使所述数据处理装置实施根据权利要求1至13中任一项所述的方法的步骤。
16.一种机器可读存储介质,所述机器可读存储介质包括如下指令,所述指令在通过至少一个数据处理装置来执行时促使所述数据处理装置实施根据权利要求1至13中任一项所述的方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020212295.4 | 2020-09-29 | ||
DE102020212295.4A DE102020212295A1 (de) | 2020-09-29 | 2020-09-29 | Verfahren und Vorrichtung zum Bereitstellen von Trainingsdaten für ein Training eines datenbasierten Zustandsmodells zur Bestimmung eines Zustands eines elektrischen Energiespeichers |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114355209A true CN114355209A (zh) | 2022-04-15 |
Family
ID=80624261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111143044.6A Pending CN114355209A (zh) | 2020-09-29 | 2021-09-28 | 为训练基于数据的状态模型提供训练数据的方法和设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114355209A (zh) |
DE (1) | DE102020212295A1 (zh) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10162010B2 (en) | 2014-11-28 | 2018-12-25 | Robert Bosch Gmbh | Wireless network based battery management system |
-
2020
- 2020-09-29 DE DE102020212295.4A patent/DE102020212295A1/de active Pending
-
2021
- 2021-09-28 CN CN202111143044.6A patent/CN114355209A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102020212295A1 (de) | 2022-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sbarufatti et al. | Adaptive prognosis of lithium-ion batteries based on the combination of particle filters and radial basis function neural networks | |
EP3542173B1 (en) | Determining a state of health of a battery and providing an alert | |
CN104773086B (zh) | 使用滚动时域回归分析来估计电池阻抗参数的方法和系统 | |
EP3904894B1 (en) | Training device, estimation device, training method, estimation method, training program, and estimation program | |
JP5875037B2 (ja) | バッテリの状態予測システム、方法及びプログラム | |
CN114609524A (zh) | 运行提供电储能器的预测老化状态的系统的方法和装置 | |
KR102297343B1 (ko) | 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 방법 | |
Bockrath et al. | State of charge estimation using recurrent neural networks with long short-term memory for lithium-ion batteries | |
EP4141460A1 (en) | Battery capacity measuring device and method, and battery control system comprising battery capacity measuring device | |
CN109633470B (zh) | 基于ekf-gpr和日常片段数据的电池实时全充时间的估算方法 | |
KR20210003596A (ko) | 배터리의 노화 상태 추정 장치 및 방법 | |
CN114325440A (zh) | 借助于机器学习方法运行用于为设备提供电能量存储器的预测老化状态的系统的方法和装置 | |
CN114325397A (zh) | 用于训练基于人工智能的状态模型的方法和装置 | |
CN115236541A (zh) | 提供老化状态模型以确定电蓄能器老化状态的方法和装置 | |
CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
CN115219904A (zh) | 用于运行用来提供电化学电池组模型的系统的方法和装置 | |
Khwaja et al. | Short-term individual electric vehicle charging behavior prediction using long short-term memory networks | |
CN116306214A (zh) | 提供确定储能器的老化状态的老化状态模型的方法和设备 | |
CN116893366A (zh) | 用于运行系统以识别设备的电蓄能器的异常的方法和装置 | |
CN114355209A (zh) | 为训练基于数据的状态模型提供训练数据的方法和设备 | |
CN116381498A (zh) | 学习老化模型的参数化并依据开路电压特性曲线来提供设备电池组的健康状态的方法和装置 | |
CN115219931A (zh) | 运行用于提供电蓄能器的预测老化状态的系统的方法和装置 | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
CN114636947A (zh) | 用于预测储能器系统的老化状态的方法及装置 | |
US20240168095A1 (en) | Method and Apparatus for Predictive Diagnosis of a Device Battery of a Technical Device Using a Multivariate Transformer Model |
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 |