CN114636947A - 用于预测储能器系统的老化状态的方法及装置 - Google Patents
用于预测储能器系统的老化状态的方法及装置 Download PDFInfo
- Publication number
- CN114636947A CN114636947A CN202111523192.0A CN202111523192A CN114636947A CN 114636947 A CN114636947 A CN 114636947A CN 202111523192 A CN202111523192 A CN 202111523192A CN 114636947 A CN114636947 A CN 114636947A
- Authority
- CN
- China
- Prior art keywords
- aging state
- aging
- points
- data
- model function
- 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
- 230000032683 aging Effects 0.000 title claims abstract description 226
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000004146 energy storage Methods 0.000 title description 7
- 230000008859 change Effects 0.000 claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 35
- 238000013213 extrapolation Methods 0.000 description 16
- 238000011156 evaluation Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 6
- 230000014759 maintenance of location Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002848 electrochemical method Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- G01R31/005—Testing of electric installations on transport means
- G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
- G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及用于确定电池组运行的机器中一个或多个设备电池组的预测的老化状态变化过程的计算机实现的方法,包括步骤:在中央单元中提供一个设备电池组的老化状态变化过程的数据点或多个设备电池组的老化状态轨迹的轨迹点,其中数据点或轨迹点均说明随着设备电池组的老化时刻的老化状态,其中老化状态变化过程或老化状态轨迹说明到当前老化状态为止的老化状态变化过程;确定在当前老化时刻结束的时间段内的多个数据点/轨迹点的数据基,其中数据基被确定为通过模型函数的拟合将模型函数与数据点/轨迹点之间的残差最小化;通过模型函数的参数化外推出数据基的多个数据点/轨迹点;在预给定的预测时刻借助于参数化的模型函数确定预测的老化状态。
Description
技术领域
本发明涉及储能器系统,特别是电池组运行的机器,如可电驱动机动车辆,特别是电动车辆或混合动力车辆,以及还涉及用于确定电池组运行的机器所用的储能器的老化状态(SOH:State of health,健康状态)的措施。
背景技术
电池组运行的机器和设备(如特别是可电驱动机动车辆)的能量供应借助于储能器,特别是设备电池组,例如车辆电池组进行。在下文中,在储能器的范围中谈论设备电池组和车辆电池组。然而,术语“储能器”应包括所有基于电化学反应提供电能的电能存储系统。在更广泛的意义上,燃料电池也可以看做储能器,与电池组不同的是,要向燃料电池持续输送化学能。
设备电池组为机器系统的运行提供电能。设备电池组的老化状态在其使用寿命过程中会明显恶化,这会引起最大存储容量的下降。设备电池组的老化度量取决于设备电池组的个体负载,即取决于用户的使用行为和设备电池组的类型。
虽然可以借助于物理老化模型基于历史运行变量变化过程来确定瞬时老化状态,但该模型通常非常不准确。传统老化模型的这种不准确性使得难以预测老化状态变化过程。然而,设备电池组的老化状态变化过程的预测是一个重要的技术变量,因为利用该技术变量可以对设备电池组的剩余价值进行经济评估。
此外,对于在投入运行前未进行广泛测量的电池组类型,没有可供电池组控制设备说明老化状态的老化状态模型可用。特别地,关于电池单元化学以及关于电池组构造或其互连的细节都是未知的,因此电池组的纯运行变量是可以用于确定老化状态的唯一可靠的值。
发明内容
根据本发明,设置根据权利要求1的用于确定电池组运行的机器中、特别是可电驱动机动车辆中的设备电池组的老化状态轨迹的方法以及根据并列独立权利要求的装置和电池组运行的机器。
在从属权利要求中说明了其他设计。
根据第一方面,设置了一种用于确定电池组运行的机器中、特别是可电驱动机动车辆中一个或多个设备电池组的预测的老化状态变化过程的计算机实现的方法,包括以下步骤:
-在中央单元中提供一个设备电池组的老化状态变化过程的数据点或提供多个设备电池组的老化状态轨迹的轨迹点,其中所述数据点或所述轨迹点均说明随着设备电池组的老化时刻的老化状态,其中所述老化状态变化过程或所述老化状态轨迹说明到当前老化状态为止的老化状态变化过程;
-确定在当前老化时刻结束的时间段内的多个数据点/轨迹点的数据基,其中所述数据基被确定为通过对模型函数的拟合将所述模型函数和数据点/轨迹点之间的残差最小化;
-通过所述模型函数的参数化,特别是通过线性模型函数的参数化来外推出所述多个数据点/轨迹点;
-借助于参数化的模型函数来确定预测的老化状态。
此外可以确定多个数据点/轨迹点的数据基,其方式是选择从所述数据点/轨迹点之一的二阶导数在数量方面最后超过预给定曲率阈值的时刻开始的时间段。
如果电池组运行的机器中设备电池组的电池组类型未知,则通过相应的电池组控制设备可能无法确定或提供关于相应设备电池组的老化状态的说明。在这些情况下,只能读出诸如电池组电压、电池组电流、电池组温度和充电状态的运行变量。虽然可以通过观察充电过程或放电过程期间的电池组行为来确定设备电池组的相应老化状态,但是这些方法不准确并且不适合估计剩余使用寿命。即使电池组的电池组类型已知,通过这种方式也不能低于5%的准确度,因为准确度基本上取决于与由使用决定的运行曲线,例如充电状态的冲程、电池组运行的平均温度范围等。
使用来自具有未知电池组类型的设备电池组的电池组运行的机器的车队数据对确定老化状态提出了更大的挑战,因为运行变量受不同的负载曲线、用户曲线以及受设备电池组的串行控制的影响。
上述方法现在规定,基于一个或多个未知电池组类型的设备电池组的运行数据,在设备外部的中央单元中进行评估,利用所述评估可以通过评估用于确定老化状态的运行变量的时间变化过程来确定所涉及设备电池组类型的老化状态变化过程。
为了对老化状态建模,可以区分物理方法和数据驱动方法。物理方法通过对底层的老化机制的因果物理描述来映射老化行为。在基于数据的方法中,通过测量和观察来预测老化状态的变化过程。在实践中经常使用基于数据的方法,因为这些方法代表了有效的数据处理,其中隐含地描述了老化机制和底层的作用链。与现有技术相比,基于数据的方法的优点在于,该方法还可以就老化状态来连续量化地评估未知电池组类型的设备电池组,关于所述未知的电池组类型没有电化学参数化可用。一旦为所考虑的电池组运行的机器的设备电池组确定了新的数据点,该方法还能够改善老化轨迹。如果存在足够数量的数据点,则可以连续地确定老化状态轨迹。
简单的基于数据的方法(例如线性回归)的可靠性或准确度特别是受到以下事实的限制:老化状态通常随时间具有很强的非线性变化过程。这使得一方面难以选择为了预测而考虑的数据点的最佳数据基,另一方面难以选择合适的预测水平线(Prädiktionshorizont),即在何种程度上可以可靠地预测将来的老化状态。在基于历史数据点预测老化状态的非基于物理的老化状态模型的情况下,所述预测通常借助于线性外推进行。在这种情况下,为了线性化考虑哪些数据点是至关重要的。
设备电池组的老化状态变化过程对于较旧的设备电池组,特别是在其寿命结束时,是高度非线性的,并且梯度特别陡峭。因此,在选择要考虑的数据点时,难以选择数据区域,使得老化状态模型在适用界限内尽可能最好地描述当前趋势,同时沿着老化状态轨迹说明合理的预测。
此外,有必要将预测水平线说明为所涉及设备电池组的以下老化时刻,到所述老化时刻为止可以通过评估历史数据点对老化状态进行足够可靠的预测。
为了能够对老化状态进行可以转用于任何电池组格式的标准化预测,有必要设定普遍适用的标准来选择要为预测考虑的数据点或轨迹点以及选择预测水平线。在这方面,上述方法规定,选择用于预测老化状态的最佳数据基并为朴素预测选择预测水平线,所述朴素预测即根据预给定的模型函数通过基于历史数据对老化状态轨迹的系统数学分析进行简单外推。
为此,上述方法规定了可适用于自然总是单调的任何老化变化过程,而不管用于确定老化变化过程的方法如何,所述老化变化过程可以被预给定为老化状态轨迹或数据点集合。可以使用用于估计任何电池组化学和格式的电池组的老化状态的物理模型和/或混合模型来确定数据点和/或老化状态轨迹。
特别是对于短期和中期的预测水平线,上述方法代表了一种合适的方法用于估计预测将来老化状态的可靠性和用于确定剩余使用寿命而无需进一步事先了解底层的老化行为。
上述方法基于以下数据基,在该数据基的情况下已经检测了直到当前老化时刻为止的任何设备电池组类型(不一定相同)的一个设备电池组或多个设备电池组的老化状态。所检测的数据点现在可以直接被进一步处理或组合成共同的老化状态轨迹,以消除异常值并平滑老化状态值的变化过程。
对于老化状态变化过程的所检测的数据点/轨迹点,确定数据基,使得与所述数据基的数据点/轨迹点拟合的模型函数是根据所得出的残差而确定的。特别地,所述残差不应超过极限值。为此,例如可以形成二阶导数,以借助于另外的滤波器函数确定所检测的老化状态变化过程的曲率的平滑变化过程。从最后存在的(最新的)数据点/轨迹点开始,通过阈值比较向过去逐点(即在相关的老化时刻)检查相应老化时刻的二阶导数,以确定所述二阶导数是否超过特定的阈值。从相关联的二阶导数(曲率)超过预给定阈值的数据点开始直到当前老化时刻,得到为外推而考虑的数据点/轨迹点处的数据基。由此确保了用于预测的数据基准确地包括老化状态变化过程的以下部分,在该部分中斜率足够平坦,从而朴素预测的模型函数充分描述了老化状态变化过程在所选择的数据区域中的行为并且在外推区域中尽可能稳定地继续。
借助于预测的模型函数,可以预测将达到特定老化状态的时刻,所述特定老化状态可以基于模型以足够高的品质加以预测。在此情况下,基于所述模型函数,特别是设备电池组的使用寿命或设备电池组的剩余使用寿命是相关的。通过特别是线性的外推,现在可以确定所涉及设备电池组的剩余使用寿命,在剩余使用寿命期间老化状态低于预给定的极限老化状态。
此外,可以基于所识别的数据点/轨迹点处的数据基来确定最佳预测水平线。在此,利用增加的预测水平线来进行两次预测,直到预测的老化状态值的偏差ΔSOH超过预定义的极限值。这些预测包含朴素预测,所述朴素预测可以包括例如线性外推和具有恒定曲率的预测/外推,所述恒定曲率是从所选择的数据区域中的二阶导数的变化过程中得出的。例如,基于二阶导数变化过程的外推可以取决于数据基区域中二阶导数的加权平均值或中值。
可以将预测水平线确定为以下时刻,直到该时刻为止存在预给定的预测可靠性,其中所述时刻被确定为所述模型函数与另外的模型函数之间的偏差达到所述预给定的预测可靠性的时刻,所述另外的模型函数基于数据基的多个数据点/轨迹点在当前老化时刻的曲率和必要时基于数据基的多个数据点/轨迹点在当前老化时刻的斜率来外推出另外的预测的变化过程。换句话说,所述时刻是通过所述模型函数与基于数据基区域中轨迹曲率的外推之间的绝对或相对偏差达到预给定的预测可靠性来确定的。
特别地,可以将预测水平线的时刻处的预测的老化状态确定为所述模型函数的模型值与所述另外的模型函数的模型值的加权平均值。
现在将所选择数据区域中老化状态变化过程的由二阶导数确定的曲率和最后一个斜率值综合外推。由此实现的是,准确地选择所述预测水平线,使得朴素预测最佳可能地反映基于恒定曲率的预测的行为,直到达到预定义的极限值为止。
为了预测老化行为,现在可以基于最佳预测水平线来提供预测的老化状态,所述最佳预测水平线从先前确定的最佳数据基得到,所述预测的老化状态作为朴素预测与基于曲率的预测的加权平均值得到。从而在预测的老化状态方面,根据权重向朴素预测或基于曲率的预测赋予更大的重要性。
可以借助于权重模型确定权重,所述权重说明例如线性预测应当被加权的强度以及例如具有恒定曲率的预测应当被加权的强度。可以通过基于相似性条件的聚类方法为每个电池组将所述权重模型优化为自学习系统,并通过大量数据教导所述权重模型。
此外,可以用信号通知在预测水平线的时刻的预测的老化状态。
车辆或电池组制造商可以将预测的老化状态与其技术规范进行比较,以持续监视设备电池组的使用寿命。此外,预测的老化状态与设备电池组的使用证书相关,因为所述使用证书伴随着设备电池组的剩余价值。
此外,可以将车队的多个设备电池组的退化行为相互比较,以利用统计的分位数评估来对批间偏差(Serienstreuung)和老化变化过程做出说明。可以使用用于延长设备电池组的使用寿命的措施(例如借助于优化的充电曲线或减小的压力因素)在使用行为方面优化来自特别关键的分位数的设备电池组。
此外,该方法可以全部或部分地在设备外部的中央单元中执行,所述中央单元与电池组运行的多个机器通信连接。
根据另一方面,设置一种用于确定电池组运行的机器中、特别是可电驱动机动车辆中的相同电池组类型的一个或多个设备电池组的预测的老化状态变化过程的装置,其中所述装置被构造为:
-在中央单元中接收一个设备电池组的老化状态变化过程的数据点或接收多个设备电池组的老化状态轨迹的轨迹点,其中所述数据点或所述轨迹点均说明随着设备电池组的老化时刻的老化状态,其中所述老化状态变化过程或所述老化状态轨迹说明到当前老化状态为止的老化状态变化过程;
-确定在当前老化时刻结束的时间段内的多个数据点/轨迹点的数据基,其中所述数据基被确定为通过对模型函数的拟合将所述模型函数和数据点/轨迹点之间的残差最小化;
-通过所述模型函数的参数化,特别是通过线性模型函数的参数化来外推出所述多个数据点/轨迹点;
-借助于参数化的模型函数来确定预测的老化状态。
附图说明
下面基于附图更详细地解释实施方式。
图1示出了用于将关于车队中车辆的车辆电池组的运行的驾驶员特定和车辆特定的运行变量提供给中央单元的系统的示意图;
图2示出了用于说明在未知电池组类型的机动车辆中确定车辆电池组的老化状态轨迹的方法的流程图;
图3示出了具有数据点或轨迹点以及从针对不同数据基的当前老化时刻T开始的外推的图;
图4示出了示例性数据点的老化状态轨迹以及数据点的一阶和二阶导数的图示;以及
图5a和5b示出了第一预测和第二预测的预测的变化过程的示例,以说明预测水平线的确定。
具体实施方式
下面基于车辆电池组描述根据本发明的方法,所述车辆电池组作为在作为电池组运行设备或电池组运行机器的机动车辆中的设备电池组。该示例代表了多个具有与电网无关的能量供应的固定或移动的电池组运行设备和电池组运行机器,例如车辆(电动车辆、电动助力车等)、设施、机床、家用电器、物联网设备、建筑能量供应设备、飞行器(特别是无人机)、自主机器人和娱乐电子设备(特别是手机)等,它们经由对应的通信连接(例如LAN、互联网)连接到中央单元(云)。
该方法用于预测一个或多个相同类型的设备电池组的老化状态变化过程,其中下面更详细地描述后一种情况。
图1示出了用于在中央单元2中收集车队数据以创建、运行以及评估老化状态模型的系统1,该老化状态模型可以被构造为参考模型或观察者模型。所述参考模型或观察者模型用于确定机动车辆中车辆电池组的老化状态值,从而在确定不同时刻的老化状态值时可以说明老化状态变化过程。图1示出了具有多个机动车辆4的车队3。在中央单元2中,基于车队数据可以确定车队3中机动车辆4的车辆电池组的老化状态轨迹,其方式是从数据点中确定最可能的老化状态变化过程。老化状态轨迹说明了不同老化时刻的轨迹点,该轨迹点说明了车辆电池组在特定老化时刻的估计的老化状态。
替代地,老化状态模型也可以被构造为物理(电化学)模型,特别是与可训练的、基于数据的校正部分(例如以机器学习模型的形式,例如神经网络等)相关联。
在图1中更详细地示出了机动车辆4之一。机动车辆4分别具有作为设备电池组的车辆电池组41、电驱动马达42和控制单元43。控制单元43连接到通信模块44,该通信模块适合于在相应的机动车辆4和中央单元(所谓的云)之间传输数据。控制单元43连接到传感器单元45,该传感器单元45具有一个或多个传感器以连续检测运行变量。
机动车辆4将运行变量F发送到中央单元2,所述运行变量至少说明车辆电池组的老化状态所取决于的变量。在车辆电池组41的情况下,运行变量F可以说明瞬时电池组电流、瞬时电池组电压、瞬时电池组温度和瞬时充电状态(SOC:State of Charge),以及电池组包级别、模块级别和/或电池单元级别。取决于信号类型,以0.1Hz至100Hz的快速时间栅格检测运行变量F,并且这些运行变量可以以未压缩和/或压缩的形式定期传输到中央单元2。例如,时间序列可以以10分钟到数小时的间隔成块地传输到中央单元2。
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执行下面描述的方法,并且中央单元2具有用于存储老化状态的数据库22,所述老化状态分别具有车队3的多个车辆4的车辆电池组41的相关联的老化时刻。
老化状态(SOH:State of Health)是用于说明剩余电池组容量或剩余电池组电荷的关键变量。老化状态是车辆电池组或电池组模块或电池组电池单元的老化的度量,并且可以作为容量保持率(Capacity Retention Rate,SOH-C)或作为内阻增加(SOH-R)来加以说明。容量保持率SOH-C作为测量的瞬时容量与完全充满的电池组的初始容量的比值加以说明。内阻的相对变化SOH-R随着电池组老化的增加而上升。
在中央单元2中可以借助于特别是完全或部分基于数据的方法来确定老化状态轨迹。老化状态轨迹应当表征未知电池组类型的车辆电池组,即具有电池组的未知电化学特性和未知参数,以便能够针对车辆电池组的老化时刻分别说明或预测老化状态。通过评估充电过程和/或放电过程期间的电池组行为,例如通过已知的库仑计数方法,基于对应运行变量的时间变化过程确定未知电池组类型的车辆电池组的老化状态值。
将所述老化状态值分配给所涉及车辆电池组41的老化时刻,并且从而确定用于创建老化状态变化过程模型的数据点。
下面描述的方法在中央单元2中执行并且使得可以为一个或多个车辆电池组预测在将来老化时刻的老化状态。在此,老化时刻应当被选择为以下时刻,直到该时刻为止可以对老化行为进行足够可靠的预测。该方法可以作为软件和/或硬件在中央单元2的控制单元21中实现。
在步骤S1中,运行变量F如上所述以规则的时间间隔从车队3的车辆4传送到中央单元2。因此,在中央单元2中存在多个车辆电池组41的运行变量F的时间变化过程可用于评估。所述评估按照预给定的评估时间段定期进行,从而不会重复地评估已经评估的运行变量F的时间变化过程。评估时间段的常用值为一周。
在步骤S2中,为每个车辆电池组41过滤在先前评估时间段中的运行变量F的时间变化过程。特别地,可以检查运行变量F的时间变化过程以确定是否存在测量异常值。此外,可以过滤这些时间变化过程以消除测量异常值。运行变量的这种数据制备用于滤除例如由于干扰效应(EMC)而出现的短期测量误差,以改善老化状态值的后续确定的质量。作为过滤方法考虑低通滤波器、平滑方法等以及合适的异常值消除方法。
例如,基于域知识的规则(例如,如果电流为正,则SOC不允许降低)进行合理性检查。此外,可以与以前的典型状态变量和使用模式(Nutzmuster)进行比较和评估,以执行异常评估。此外,如果超过极限值,特别是在趋势函数(例如通过非线性函数(例如通过ARIMA模型))计算出之后,则可以借助于sigma裁剪评估或校正残差。这导致运行变量的时间变化过程的平滑,因为消除了异常值。然后也可以将PT1元件或巴特沃斯滤波器用于所述变化过程的信号技术平滑。
在步骤S3中,基于运行变量F的时间序列,根据参考模型或观察者模型确定老化状态值。该参考模型或观察者模型规定,从运行变量的观察或测量中将老化状态值确定为容量维持率(SOH-C)或基于内阻变化(SOH-R)来确定老化状态值。
例如,可以在基于库仑计数方法的容量保持率(Capacity Retention Rate)(SOH-C)的基础上来确定老化状态值。为此,基于运行变量的时间变化过程识别出将执行充电过程。例如,如果从车辆电池组41的完全放电状态开始(这可以在达到最终放电电压时被识别出)输送恒定电流,则可以识别出充电过程。因此可以基于流入车辆电池组41的恒定电流来确定充电过程。当充电过程一直进行到完全充电时,可以通过对流入车辆电池组的电流进行积分来确定输送给车辆电池组的总电荷量。通过与车辆电池组41的标称充电容量相比较,可以将最大电荷量分配给老化状态值。还可以评估具有特定电荷输送值的部分充电和在部分充电之前以及之后电池单元电压的对应测量值,以基于容量保持率确定老化状态值。
此外,库仑计数也可以在放电过程中执行,例如在驾驶周期期间,其方式是确定流出的电荷量并评估部分充电之前以及之后的电池单元电压。如果以此方式确定基于容量维持率确定的老化状态值SOH-C,则为该老化状态值分配与所涉及车辆电池组的老化时刻相对应的时间戳,以形成对应的数据点。
替代地,也可以老化状态值确定为基于内阻的老化状态SOH-R。在这种情况下,在充电过程开始时将ΔU/ΔI确定为电池组电压变化与电池组电流变化的商,并且以本身已知的方式向ΔU/ΔI分配老化状态SOH-R。可以将以此方式确定的老化状态值分配给所涉及车辆电池组41的老化时刻,以形成对应的数据点。
对于所有车辆电池组来说,基于容量维持率的老化状态值SOH-C和基于内阻变化的老化状态值SOH-R都可以对应地共同或单独用作用于确定老化状态轨迹的新数据点。
由此可以提供在设备电池组的不同老化时刻的老化状态值。可以将单个设备电池组或多个设备电池组的老化状态值用作数据基。数据点形成到当前老化时刻为止的老化状态变化过程或到当前老化时刻为止的老化状态轨迹的轨迹点。老化状态值可以作为通过例如借助于库仑计数方法评估运行变量或通过以本身已知的方式测量内阻变化的观察结果来跟踪。
替代地,也可以借助于物理(电化学方法)模型或具有基于数据的部分的混合模型将老化状态值确定为模型值。
如果要在特定的评估时刻(出现最新的老化状态值的当前老化时刻)预测老化状态,则首先在步骤S4中确定最佳数据基。
最佳数据基的确定很重要,因为用于确定老化状态的模型函数的外推显著取决于基于数据点/轨迹点的选择对模型函数的参数化,例如图3中的图表所示。图3将数据点或轨迹点示为叉号。在从当前老化时刻T开始外推的情况下,取决于所考虑的数据基Z1、Z2、Z3(其中数据点用于参数化的时间段)得到模型函数的不同线性变化过程K1、K2、K3以用于外推。随着老化持续时间的增加,这些外推出的变化过程与模型函数的实际模型值(通过叉号表示)之间的偏差逐渐增大,由此具有增加的预测模糊性或预测不确定性。
通过发现在特定评估时刻结束的时间段来确定最佳数据基。寻找其中数据点/轨迹点的二阶导数不超过预给定阈值的时间段。确定这种时间段的方式可以是,形成直至该时间段确定的老化状态轨迹或由所述数据点形成的老化状态变化过程的二阶导数。然后关于绝对最大值来标准化所述二阶导数的变化过程。还可以规定,首先平滑老化状态变化过程的二阶导数的轨迹,例如基于滑动平均值,以抑制数字噪声。
现在从老化状态轨迹的最后一个数据点开始检查二阶导数、即先前数据点的曲率是否超过预给定的特定阈值。这从当前老化时刻开始向过去逐个数据点地检查。从在曲率超过预定阈值的数据点与当前老化时刻的数据点之间选择的老化状态变化过程的所有轨迹点或数据点中选择数据基。由此确保数据基的时间宽度被最佳地调整为老化状态轨迹在最新轨迹点区域内的趋势。
图4示例性地示出了具有数据点(叉号)以及它们的一阶倒数(圆圈)和二阶导数(正方形)的老化状态变化过程。通过箭头识别出老化状态变化过程的二阶导数已超过预给定的阈值。通过在步骤S4中选择数据基,选择老化状态变化过程末端的区段,该区段的线性足以能够用于朴素预测,即老化状态轨迹的线性外推。
在所示的实施例中,所选择的数据基包括老化状态变化过程的最后五个数据点。该选择步骤使得用于预测的数据基能够准确地包括老化状态变化过程中增长足够平坦的部分。这确保了朴素预测的模型函数充分描述了老化状态轨迹在选择区域中的行为并在外推区域中尽可能稳定地继续。
在下一步骤S5中选择最佳预测水平线。为此,基于所选择的数据基执行两次预测,直到预测的模型值彼此之间的偏差ΔSOH超过预定的极限值。这些预测包括第一预测,例如使用基于所选择数据点的数据基的线性外推(朴素预测)的模型函数。替代地,数据驱动的方法和一般非线性的方法这里也可以用作线性预测的替代方法。
在所选择数据点的数据基的基础上,基于当前老化时刻的斜率和恒定曲率执行对应于另外的模型函数的第二预测。所述恒定曲率被计算为老化状态轨迹在所选择数据区域内的曲率的加权平均值或中值。例如,可以根据与当前老化时刻的时间间隔来选择权重,从而较新的值比较旧的值具有更高的权重。
基于所选择数据基的老化变化过程的平均曲率(或曲率中值)和最后一个斜率值,即当前老化时刻与先前确定的数据点/轨迹点之间的斜率值,可以外推出老化状态变化过程。这例如在图4中通过朴素的第一预测(实线)和基于曲率的第二预测(虚曲线)示出。可以识别出,两个预测彼此分开到以下老化时刻为止,在该老化时刻超过预定的极限值。该时刻代表预测水平线。
图5a和5b示出了第一预测(实曲线)和第二预测(虚曲线)的预测的变化过程的两个示例。可以识别出,两条曲线分别发散到在预测水平线的时刻tPrdn偏差达到预定极限值为止。
为了说明老化行为,现在在步骤S6中用信号通知预测水平线时刻的老化状态。为此,必要时可以将该老化状态传送回相应的车辆4。
该老化状态可以由在最佳预测水平线的时刻tPrdn所述模型函数的朴素第一预测与所述另外的模型函数的基于曲率的第二预测的加权平均值来确定。从而根据权重,在预测的老化状态方面向朴素预测或基于曲率的预测赋予更大的重要性。
可以通过预给定的权重模型来确定权重,所述权重说明所述模型函数的线性预测和具有恒定曲率的所述另外的模型函数的预测应当被加权得有多强。所述权重模型可以是基于数据的,并且可以被构造和/或训练为基于所涉及车辆电池组的累积或统计的运行特征来确定权重,这些运行特征表征了车辆电池组在其总运行持续时间(自投入运行以来)期间的运行,例如总安培小时吞吐量、负荷变量(如快速充电过程的频率等)。
所述权重模型可以通过基于多个电池组的相似条件的聚类方法优化为自学习系统,并通过大量数据教导和不断改进。
车辆或电池组制造商可以将预测的老化状态与其技术规范进行比较,以持续监视车辆电池组的寿命。此外,预测的老化状态与电池组的使用证书相关,因为所述使用证书伴随着车辆电池组的剩余价值。
此外,可以将车队中多个车辆电池组的退化行为相互比较,以利用统计的分位数评估来对批间偏差和老化变化过程做出说明。可以使用用于延长设备电池组的使用寿命的措施(例如借助于优化的充电曲线或减小的压力因素)在使用行为方面优化来自特别关键的分位数的设备电池组。
Claims (11)
1.一种用于确定电池组运行的机器(4)、特别是可电驱动机动车辆中一个或多个设备电池组(41)的预测的老化状态变化过程的计算机实现的方法,包括以下步骤:
-在中央单元(2)中提供(S1、S2、S3)一个设备电池组(41)的老化状态变化过程的数据点或提供多个设备电池组(41)的老化状态轨迹的轨迹点,其中所述数据点或所述轨迹点均说明随着所述设备电池组(41)的老化时刻的老化状态,其中所述老化状态变化过程或所述老化状态轨迹说明到当前老化状态为止的老化状态变化过程;
-确定(S4)在当前老化时刻结束的时间段内的多个数据点/轨迹点的数据基,其中所述数据基被确定为通过对模型函数的拟合将所述模型函数与数据点/轨迹点之间的残差最小化;
-通过所述模型函数的参数化,特别是通过线性模型函数的参数化来外推出所述数据基的多个数据点/轨迹点;
-在预给定的预测时刻借助于参数化的模型函数来确定(S6)预测的老化状态。
2.根据权利要求1所述的方法,确定所述多个数据点/轨迹点的数据基,其方式是选择从所述数据点/轨迹点之一的二阶导数在数量方面最后超过预给定曲率阈值的时刻开始的时间段。
3.根据权利要求1至2中任一项所述的方法,其中借助于所述老化状态轨迹预测达到特定老化状态的时刻,特别是基于所述模型函数所述设备电池组(41)的寿命结束或所述设备电池组(41)的剩余使用寿命。
4.根据权利要求1至3中任一项所述的方法,其中所述方法全部或部分地在设备外部的中央单元(2)中执行,所述中央单元与多个电池组运行的机器(4)通信连接。
5.根据权利要求1至4中任一项所述的方法,其中将预测水平线确定为以下时刻,直到该时刻为止存在预给定的预测可靠性,其中所述时刻被确定为所述模型函数与另外的模型函数之间的偏差(ΔSOH)达到所述预给定的预测可靠性的时刻,所述另外的模型函数基于所述数据基的多个数据点/轨迹点在当前老化时刻的斜率和曲率来外推出另外的预测的变化过程。
6.根据权利要求5所述的方法,其中将预测水平线的时刻处的预测的老化状态确定为所述模型函数的模型值与所述另外的模型函数的模型值的加权平均值。
7.根据权利要求6所述的方法,其中通过预给定的权重模型来确定权重,所述权重说明以何种程度对所述模型函数的模型值加权以及以何种程度对具有恒定曲率的所述另外的模型函数的模型值加权,其中所述权重模型被构造为基于所涉及车辆电池组(41)的累积或统计的运行特征来说明所述权重,所述运行特征表征所述设备电池组(41)在其总运行持续时间期间的运行。
8.根据权利要求5至7中任一项所述的方法,其中用信号通知在所述预测水平线的时刻的所述预测的老化状态。
9.一种用于确定电池组运行的机器中、特别是可电驱动机动车辆中的一个或多个设备电池组(41)的预测的老化状态变化过程的装置,其中所述装置被构造为:
-在中央单元(2)中提供一个设备电池组(41)的老化状态变化过程的数据点或多个设备电池组的老化状态轨迹的轨迹点,其中所述数据点或所述轨迹点均说明随着所述设备电池组(41)的老化时刻的老化状态,其中所述老化状态变化过程或所述老化状态轨迹说明到当前老化状态为止的老化状态变化过程;
-确定在当前老化时刻结束的时间段内的多个数据点/轨迹点的数据基,其中所述数据基被确定为通过对模型函数的拟合将所述模型函数与数据点/轨迹点之间的残差最小化;
-通过所述模型函数的参数化,特别是通过线性模型函数的参数化来外推出所述多个数据点/轨迹点;
-借助于参数化的模型函数来确定预测的老化状态。
10.一种包括指令的计算机程序产品,当所述程序由至少一个数据处理设备执行时,所述指令促使所述至少一个数据处理设备执行根据权利要求1至8中任一项所述的方法的步骤。
11.一种机器可读存储介质,包括指令,当由至少一个数据处理设备执行时,所述指令促使所述至少一个数据处理设备执行根据权利要求1至8中任一项所述的方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020215890.8A DE102020215890A1 (de) | 2020-12-15 | 2020-12-15 | Verfahren und Vorrichtung zur Vorhersage eines Alterungszustands eines Energiespeicher-Systems |
DE102020215890.8 | 2020-12-15 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114636947A true CN114636947A (zh) | 2022-06-17 |
Family
ID=81749772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111523192.0A Pending CN114636947A (zh) | 2020-12-15 | 2021-12-14 | 用于预测储能器系统的老化状态的方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220187376A1 (zh) |
CN (1) | CN114636947A (zh) |
DE (1) | DE102020215890A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117368623A (zh) * | 2023-12-07 | 2024-01-09 | 深圳鹏城新能科技有限公司 | 一种可对拖的储能逆变器老化检验方法、系统及介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8332342B1 (en) * | 2009-11-19 | 2012-12-11 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Model-based prognostics for batteries which estimates useful life and uses a probability density function |
US20140350877A1 (en) * | 2013-05-25 | 2014-11-27 | North Carolina State University | Battery parameters, state of charge (soc), and state of health (soh) co-estimation |
FR3016218B1 (fr) * | 2014-01-03 | 2016-01-01 | Commissariat Energie Atomique | Procede, dispositif et systeme d'estimation de l'etat de sante d'une batterie d'un vehicule electrique ou hybride en condition d'utilisation, et procede de construction d'un modele pour une telle estimation |
DE102016211898A1 (de) * | 2016-06-30 | 2018-01-04 | Robert Bosch Gmbh | Verfahren zum Überwachen einer Batterie |
GB2556076B (en) * | 2016-11-17 | 2022-02-23 | Bboxx Ltd | Method |
US10209314B2 (en) * | 2016-11-21 | 2019-02-19 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
EP3721499B1 (en) * | 2017-12-07 | 2023-04-12 | Yazami Ip Pte. Ltd. | Method and system for online assessing state of health of a battery |
US20190353711A1 (en) | 2018-05-17 | 2019-11-21 | CW Professional Services LLC d/b/a Lochbridge | Predicting remaining useful life of a battery |
SE543436C2 (en) * | 2019-06-03 | 2021-02-16 | Alelion Energy Systems Ab | Method for estimating state of health of a battery |
US20210215769A1 (en) * | 2020-01-10 | 2021-07-15 | North Carolina State University | State of charge (soc) estimation using co-estimation |
-
2020
- 2020-12-15 DE DE102020215890.8A patent/DE102020215890A1/de active Pending
-
2021
- 2021-12-14 CN CN202111523192.0A patent/CN114636947A/zh active Pending
- 2021-12-14 US US17/550,590 patent/US20220187376A1/en active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117368623A (zh) * | 2023-12-07 | 2024-01-09 | 深圳鹏城新能科技有限公司 | 一种可对拖的储能逆变器老化检验方法、系统及介质 |
CN117368623B (zh) * | 2023-12-07 | 2024-02-02 | 深圳鹏城新能科技有限公司 | 一种可对拖的储能逆变器老化检验方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
DE102020215890A1 (de) | 2022-06-15 |
US20220187376A1 (en) | 2022-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11644515B2 (en) | Method and device for operating an electrically drivable motor vehicle depending on a predicted state of health of an electrical energy store | |
CN109633477B (zh) | 基于ekf-gpr和日常片段数据的电池组健康状态的实时监控方法 | |
CN114578248A (zh) | 用于预测电池运行的设备中设备电池的老化状态的方法和装置 | |
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 | |
US20230184840A1 (en) | Method and Apparatus for Providing an Aging State for a Device Battery Having Correction of State Observations on the Basis of Systematic State and Environmental Influences | |
CN113253128B (zh) | 一种电池系统soc一致性评估方法和内阻一致性评估方法 | |
CN114636947A (zh) | 用于预测储能器系统的老化状态的方法及装置 | |
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 | |
CN114325397A (zh) | 用于训练基于人工智能的状态模型的方法和装置 | |
US20230324463A1 (en) | Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods | |
US20230280406A1 (en) | Verfahren und Vorrichtung zum Erkennen einer kritischen Anomalie in einer Gerätebatterie basierend auf maschinellen Lernverfahren | |
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 | |
US11912159B2 (en) | Method and device determining the state of charge of a battery in an electrically drivable motor vehicle | |
US20220097550A1 (en) | Method and Apparatus for Determining a State of Health of an Electrical Energy Store of Unknown Type by Using Machine Learning Methods | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
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 | |
US11656293B2 (en) | Method and apparatus for parameterizing an electrochemical battery model for a battery based on data from a plurality of batteries | |
US20230306803A1 (en) | Method and apparatus for the user-dependent selection of a battery operated technical device depending on a user usage profile | |
US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
US20220169148A1 (en) | Method and Apparatus for Predicting a State of Health of a Device Battery in a Battery-operated Device | |
CN113466726B (zh) | 确定电池等效电路模型的参数的方法、装置、存储介质及电子设备 | |
CN116256640A (zh) | 用于提供老化状态模型以确定电蓄能器的当前和预测老化状态的计算机实现的方法 | |
CN117491871A (zh) | 用于借助于归一化流模型对技术设备的设备电池进行预测性诊断的方法 | |
CN115469224A (zh) | 用于借助机器学习方法运行提供设备的电储能器的预测的老化状态的系统的方法和装置 | |
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 |
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 |