CN114729967A

CN114729967A - 用于估计储能器的状态的方法

Info

Publication number: CN114729967A
Application number: CN202080082322.9A
Authority: CN
Inventors: F·克莱因海因茨; P·比尔克; C·克罗恩纳; M·施特勒贝尔
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2019-11-29
Filing date: 2020-11-24
Publication date: 2022-07-08
Also published as: US20230003805A1; WO2021105071A1; DE102019218591A1

Abstract

一种用于借助电池组管理系统（BMS）来估计储能器的状态的方法，所述储能器具有至少一个电化学电池组电池（12，14，16，18，20，22，24，26，28），所述电池组管理系统（BMS）包括阻抗谱芯片，所述方法具有至少随后的方法步骤：a）借助实时执行的数据集记录，确定至少一个电化学电池组电池（12，14，16，18，20，22，24，26，28）的与频率有关的阻抗，b）利用与温度有关的训练谱作为输入，并利用针对属于每个训练谱的温度值的预给定作为输出，训练人工神经网络（60），c）在利用在方法步骤b）期间所确定的权重函数和测试谱对所述人工神经网络（60）进行测试时，考虑在电化学电池组电池（12，14，16，18，20，22，24，26，28）之间的电池组电池与电池组电池方差（30），并根据在方法步骤b）中所确定的权重函数，估计属于测试谱的温度值，和d）借助经过训练的人工神经网络（60），估计储能器的至少一个电化学电池组电池（12，14，16，18，20，22，24，26，28）的至少一个内部状态（SoC，SoH，T_int）。

Description

用于估计储能器的状态的方法

技术领域

本发明涉及一种用于估计储能器、尤其是至少一个电化学电池组电池（Batteriezelle）的状态的方法。

背景技术

DE 10 2016 219 621 A1涉及一种用于调准用于在储能器中进行温度确定的计算参数的方法。尤其是针对电驱动的车辆，设置了至少一个电池组模块，所述至少一个电池组模块包括至少一个电池组电池。在预先给定的时间点执行下列步骤：检测如下状态，在所述状态中已知内部温度值（T_int）与外部温度值（T_ext）的依赖性，所述外部温度值（T_ext）对应于在至少一个电池组电池之外的温度。储能器的实际内部温度值被确定。储能器的内部物理变量的当前值（X）被确定，该内部物理变量以已知的与储能器的内部温度（T_int）的依赖性变化。在使用迄今的计算参数集（f（X））的情况下，从所确定的值（X）中计算针对储能器的内部温度值（T_int）。实际的内部温度值与所计算的内部温度值（T_int）进行比较，并且如果所计算的内部温度值（T_int）偏离实际内部温度值，则调整计算参数集（f（X））。

US 2018 143 257 A1涉及一种用于分析电池组信息的方法。既经由被动数据采集，又经由主动数据采集，确定电池组信息。这些参数与决策算法相组合，用于开发内部电池组参数。分析过程包括粒子滤波器分析、神经网络分析和自回归方法在内，用于分析内部电池组参数，并且这些分析过程允许电池组状态识别。采用被动的和主动的测量方法，所述被动的和主动的测量方法经由多个分布式传感器来记录，用于估量或者用于预报电化学电池、电池组和电池组系统的状态和性能。执行三个操作，所述操作一般地顺序被处理，即1）基于观测和嵌入式知识对内部电池组参数进行状态估量和预测，2）对所计算的参数的状态解释，以及3）状态估量和预测的计算。为了执行，采用BCM系统、即电池组状态监控系统（Battery Condition Monitory-System）。BCM系统执行训练和学习过程，所述训练和学习过程采用嵌入式训练、随机优化、如算法之类的概率方法，用于估量和预测处于观测下的电池组的内部参数的所达成的（getroffener）值和未来的值。

US 2013/069660 A1涉及一种用于估量用于电化学存储电能的系统、如例如电池组的状态的方法。针对与要分析的电池组同一类型的电池组的不同内部状态，进行阻抗测量，其中除了通过电池的电流之外还外加（aufgegeben）电信号。振荡回路被用于对阻抗进行建模。此后，借助统计分析，校准在荷电状态（SoC）和/或老化状态（SoH）与振荡回路的参数之间的关系。最后，分析针对电池组定义的等效的电振荡回路的关系，用于估量该电池组的内部状态。

经由读出固定地建造在电池组管理系统（BMS）中的温度传感器，在电化学电池的表面上或者在其附近执行确定电化学储能器、如例如锂离子电池的温度。可是，在现有的电池组管理系统中实施温度传感器是费事的和昂贵的。因而，出于成本原因，具有多个电化学电池的电池组包通常只拥有少量温度传感器，在通常情况下拥有唯一的温度传感器。

替选地，参数化的温度模型例如基于热等效电路图而与温度传感器相对。依据外部参数、如电池电流、热质量、热导率和/或环境温度，这样的模型可以能够实现对电池组电池的电池温度的估量。

基于阻抗的用于进行温度确定的方法忽略了电池组电池与电池组电池方差（Batteriezelle-zu-Batteriezelle-Varianz）的效应，并且忽略了与之关联的对估量精度的影响。电池组电池与电池组电池方差描述了结构相同的电化学电池组电池的相应内电阻的偏差。结构相同的电化学电池组电池的不均匀的老化以及制造和/或仓储条件导致提高的电池组电池与电池组电池方差。基于阻抗的状态估量器（在该情况下是针对温度的状态估量器）要在估量中映射该影响，以便提高精度。

发明内容

根据本发明，建议了一种用于借助电池组管理系统来估计储能器的状态的方法，所述储能器具有至少一个电化学电池组电池，所述电池组管理系统包括阻抗测量芯片，所述方法具有至少随后的方法步骤：

a）借助实时执行的数据集记录，确定至少一个电化学电池组电池的与频率有关的阻抗，

b）利用与温度有关的训练谱作为输入，并利用属于每个训练谱的温度值的预给定作为输出，训练人工神经网络，

c）在按照方法步骤b）利用在方法步骤b）期间所确定的权重函数连带测试谱对人工神经网络进行测试时，考虑在电化学电池组电池之间的电池组电池与电池组电池方差，并利用在方法步骤b）期间所确定的权重函数，估计属于测试谱的温度，

d）在根据方法步骤c）对经过训练的人工神经网络进行测试时，借助经过训练的人工神经网络，确定储能器的至少一个电化学电池组电池的至少一个内部状态（SoC、SoH、T_int）。

在根据本发明所建议的方法的扩展方案中，在输入层处，按照方法步骤b），给人工神经网络外加根据方法步骤a）的数据集作为训练数据集，并预先给定所属的温度值作为输出，使得人工神经网络在训练阶段中确定权重函数。

在根据本发明所建议的方法中，对于根据方法步骤a）的数据集，人工神经网络在训练时知道至少一个电化学电池组电池的温度作为输出。

在根据本发明所建议的方法中，通过训练算法，尤其是借助误差反馈方法，在人工神经网络之内长时间地对多个节点的权重进行参数化，直到出现所期望的输入/输出关系，也就是说人工神经网络的输入值分别正确地分配给输出值。

在根据本发明所建议的方法的扩展方案中，人工神经网络配备有具有至少一个节点的至少一个输入层、至少一个隐藏层和至少一个输出层。给人工神经网络外加输入层的根据方法步骤a）所获得的数据集，其中在输出层处，输出至少一个电化学电池组电池的至少一个内部状态SoC、SoH、T_int，所述至少一个电化学电池组电池通过人工神经网络在测试时已被估计。

在根据本发明所建议的方法中，为了根据方法步骤b）进行训练，记录在0.1Hz到10kHz之间的频域中的阻抗数据的数据集，并从阻抗数据中计算实部和虚部，根据方法步骤b）为了进行训练而向人工神经网络递交所述实部和虚部。

在根据本发明所建议的方法中，人工神经网络建立为使得，根据方法步骤b），在输入层中预先给定如下数目的节点：所述数目与频域中的测量频率在数据记录期间的支持数（Stützzahl）相对应。

在根据本发明所建议的方法的范围中采用的人工神经网络的至少一个隐藏层中，布置有直至15个节点，用于借助所确定的阻抗数据集来估量温度。

除此以外，本发明涉及该方法用于估计储能器的内部状态或内部状态参数（SoC、SoH、T_int）的应用，所述储能器尤其是在电驱动车辆中的具有至少一个锂离子电池组电池的电池组储存器（Batteriespeicher）。

发明优点

通过根据本发明所建议的解决方案，在使用移动阻抗谱方法的情况下可能的是，针对电池组包的每个单个电池组电池更可靠地估量内部电池温度。借此，可以将所需的固定建造的温度传感器的数目减少到最小值，这导致了电池组包的成本降低。关于内部电池组电池温度的现在在本发明更准确的信息可以以有利的方式被用于实施安全功能，这样例如用于由于高热负载而关断电池组，和/或可以以有利的方式被用作针对更精确的电池老化模型的输入变量。现在可能对余下的剩余使用时间进行更准确的估计。通过根据本发明所建议的方法，可以实现更准确地确定电化学电池组电池的平均内部电池温度。迄今，这只经由在电池组电池的内部实施温度传感器才是可能的。在目前的解决方案中，电池组电池的温度可以仅仅经由在电池组电池的表面上的温度传感器或者借助经由特征图关于电阻进行估计来确定。对于这些确定方法所需的参数化一方面是费事的，而另一方面要求较长的测量时间，所述测量时间在采用根据本发明所建议的方法时现在可被节省。

在根据本发明所建议的方法中，通过利用大数据量、尤其是阻抗数据量来教会、也就是说训练人工神经网络，可以在人工神经网络中一同考虑电池组电池与电池组电池方差，用于进行储能器的状态估量。电化学电池组电池的电池组电池与电池组电池方差描述在特征性的电池变量方面的区别，所述特征性的电池变量如例如内电阻和/或电池容量，所述区别可能是由不均匀的制造和/或供应和/或仓储引起。在电池组电池老化不均匀时，这些效应增强。

根据本发明所建议的方法允许更可靠地估量如老化状态（SoH

健康状态（Stateof Health））和荷电状态（SoC

荷电状态（State of Charge））之类的其他内部状态。从反映电化学电池组电池的与频率有关的电阻的在本发明的阻抗数据中，可以确定其他状态。例如，针对电化学电池组电池的所记录的阻抗曲线可以被分配给各个电池组状态（SoC，SoH）。借此，在用于利用已安装的阻抗传感系统来评估联网的车辆的云计算（Cloud-Computing）中，存在针对使用中央计算单元的联系可能性（Anknüpfungsmöglichkeit），所述已安装的阻抗传感系统在理想情况下集成到电池组管理系统中。

利用迄今所采用的方法，估量SoH（SoH

健康状态）是相对不准确的，而且非常费事。通过根据本发明所建议的方法，可以招致如下估量：所述估量针对在车辆的静止状态中的电池组电池更简单地确定SoH。此外，通过根据本发明所建议的解决方案，可以经由云更新（Cloud-Updates）将人工神经网络调整到老化的电池组电池上。借此，也以简单的方式调整在温度估量和SoC估量（SoC

荷电状态）时的精度。借此，又明显改善了在温度估量时和在SoC估量时可达到的精度。

附图说明

依据附图，以下深入地描述本发明。

图1示出了针对多个结构相同的电池组电池的电池组电池与电池组电池方差的示意图，

图2示出了用于借助阻抗数据进行温度估量的人工神经网络的示例性网络结构，和

图3示出了针对承受负载的三个所使用的电池组电池在0.1Hz直至10kHz之间的频域中的内部电池温度的估量精度。

具体实施方式

在随后的对本发明的实施形式的描述中，相同的或者类似的元件利用相同的附图标记来标明，其中在个别情况下省去了对这些元件的重复描述。这些附图仅示意性地示出了本发明的主题。

图1示出了针对多个结构相同的电池组电池12、14、16、18、20、22、24、26、28的电池组电池与电池组电池方差30。在根据图1的图示中，针对第一电池组电池12、第二电池组电池14、第三电池组电池16、第四电池组电池18、第五电池组电池20、第六电池组电池22、第七电池组电池24、第八电池组电池26以及第九电池组电池28的阻抗数据绘制在奈奎斯特图10中。

在根据图1的奈奎斯特图10中，实部48（Z_real，单位为mΩ）绘制在x轴上，而相对应的阻抗值的虚部50（Z_imag，单位为mΩ）绘制在y轴上。

例如，这里相互摆在对面的电池组电池12、14、16、18、20、22、24、26、28是磷酸铁锂（LFeP）电池。另外的电化学系统电池（也就是说另外的锂离子电池组电池）也可以在奈奎斯特图10的范围中被研究。奈奎斯特图10可以用于所有阻抗谱，而与所研究的内容无关。奈奎斯特图10本身与这里相互摆在对面的电池组电池12、14、16、18、20、22、24、26、28没关系，并且仅仅是一种表述形式，该表述形式使得能够阐明关联。在使用人工神经网络60的情况下的根据本发明建议的方法允许应用于所有电化学电池，所述电化学电池可以具有极其不同的化学成分。出于多样性，锂离子电池组电池仅描述了小部分。

在根据图1的奈奎斯特图10中，因此记录了不同的电池组电池与电池组电池方差30。这些方差被外加给人工神经网络60（参照根据图2的图示），用于教会或训练。在训练阶段中，人工神经网络60确定权重函数，在所述训练阶段中，例如属于输入谱的温度被预先给定为输出值。在训练阶段期间，人工神经网络60调整内部参数、也就是说权重函数，使得在利用人工神经网络60处理输入数据时，所计算的值尽可能地与以前预先给定的输出值相一致。而在测试阶段中，在人工神经网络60之内规定计算参数。因此，在人工神经网络60中可以外加输入数据，并且这些输入数据在人工神经网络60之内被处理，这在计算运算的范围中进行，使得达到如下输出值：所述输出值例如以相当高的精度说明电池组电池12、14、16、18、20、22、24、26、28的实际温度。

如从根据图1的奈奎斯特图10中此外可以看出的那样，分别针对九个电池组电池12、14、16、18、20、22、24、26、28记录阻抗数据，所述阻抗数据在八个不同的温度值的情况下出现。这样，例如第一温度32处在-10℃，第二温度34处在0℃，第三温度36处在10℃，而第四温度38处在20℃（大约室温）。此外，在根据图1的奈奎斯特图10中，绘制了处在30℃的第五温度40，此外绘制了对应于40℃的第六温度42，绘制了对应于50℃的第七温度44，以及最后绘制了对应于60℃的第八温度46。从根据图1中的奈奎斯特图10的图示中可以看出，电池数据的分散（Streuung）、也就是说电池组电池与电池组电池方差30不是微不足道的。

因此，由于在电极、电解质处以及在其界面处的快速进行的电化学反应，内电阻随着电池组电池12、14、16、18、20、22、24、26、28的温度增长而降低。在图1中作为奈奎斯特图10示出的数据集被外加给根据图2的人工神经网络60。

要从图2中的图示中得知针对人工神经网络60的网络架构，用于借助阻抗数据来估量温度。输入向量62包括阻抗数据作为实部48 Re_Z和/或虚部50 Im_Z。这里也可能会使用另外的数据、如阻抗和相位，所述另外的数据可以从实部48和虚部50中被计算。例如，隐藏层70可以包括直至15个神经元，并借助阻抗训练数据学会用于进行温度预测的模式。可是，也可能会采用另外的网络架构，所述另外的网络架构包括多个隐藏层70，在所述隐藏层70中分别实施15个以上的节点72。除了温度之外，其他状态、如荷电状态（SoC）以及老化状态（SoH）也可以被估量。

如从图2中可以看出的那样，在该图中所示的人工神经网络60包括输入层64，该输入层64包含多个节点66。在图2中所示的网络架构中，输入层64的节点66通过N₁₁、N₁₂、N₁₃、N₁₄、...、

来标识。

给根据图2中的图示的人工神经网络60的输入层64外加的输入向量62通过各个阻抗数据来再现，或通过例如所述阻抗数据的虚部50和实部48来再现，这样例如通过外加给节点66 N₁₁和N₁₂的Z_Re(f1)、Z_Im(f1)来再现，此外例如通过两者都外加给节点66 N₁₃和N₁₄的Z_Re(f2)、Z_Im(f2)来再现，诸如此类。从在图2中所示的网络架构中可以看出，输入层64的各个节点66经由边68例如与隐藏层70连接。作为人工神经网络60的部分的至少一个隐藏层70同样包括多个节点72，这些节点72标识为N₂₁、N₂₂、N₂₃、N₂₄、...、

。围绕至少一个隐藏层70的各个节点72，边74再次通向输出层76。仅仅一个节点78位于在图2中所示的输出层76中，该节点78标识为N₃₁。该节点78在输出端处供应输出、也就是说内部电池温度，也就是说供应相应的电池组电池12、14、16、18、20、22、24、26、28的估量值80 T_int。

例如，如果上面提及的九个电池组电池12、14、16、18、20、22、24、26、28通过记录它们的电化学阻抗谱并同时以此经由分开的传感器来检测它们的电池温度而被研究，则为了执行人工神经网络60的训练阶段，例如对于九个电池组电池12、14、16、18、20、22、24、26、28中的七个，向人工神经网络60递交所确定的数据集（也就是说电化学阻抗谱）作为输入以及递交相应的温度作为输出。这意味着，现在为了执行在人工神经网络60上处训练阶段，针对总共九个电池组电池12、14、16、18、20、22、24、26、28中的七个所选出的电池组电池中的每个，向人工神经网络60递交呈阻抗谱形式的相应数据集作为输入连同针对电池组电池12、14、16、18、20、22、24、26、28的温度作为输出。因此，通知人工神经网络60，相应的阻抗谱是输入，并且相应的输出值对应于所属的温度而且必须取该值。现在，在人工神经网络60之内进行计算运算，该人工神经网络60在训练阶段期间确定内部权重函数，使得在对输入数据进行数学处理之后，在考虑所确定的网络权重函数的情况下，输出值显现。如果在人工神经网络60之内的权重函数好到使得达成该输出值，则存储该权重函数。

在人工神经网络60的紧接着的测试阶段中，现在采用总共九个电池组电池12、14、16、18、20、22、24、26、28中的还剩余的两个电池组电池的数据集。在此，仅仅将阻抗谱作为输入递交给人工神经网络60。现在，利用以前在训练阶段期间所确定的和紧接着所存储的权重函数，以数学方式处理这些阻抗谱，并且最后估计输出值。在人工神经网络60的测试阶段的范围中，该输出值再现了相应的电池组电池12、14、16、18、20、22、24、26、28的由人工神经网络60所估算的温度。针对相应的电池组电池12、14、16、18、20、22、24、26、28的所估算的温度最后与这两个电池组电池12、14、16、18、20、22、24、26、28的实际所测量的温度进行比较，参见根据图3的图示。

给在根据图2的网络架构中实施的人工神经网络60外加根据图1的例如九个电池组电池12、14、16、18、20、22、24、26、28中的七个电池组电池的用于训练的数据，并且为了测试，在输入层64处的输入向量62的范围中外加九个电池组电池12、14、16、18、20、22、24、26、28中的两个电池组电池的数据或阻抗谱。对于该数据集、也就是说阻抗谱，人工神经网络60知道相对应的温度作为输出值。在例如前馈结构（Feedforward-Struktur）的范围中，给在图2中所示的人工神经网络60的输入层64外加输入向量62的数据集作为训练数据或者学习数据。在本上下文中，前馈要被理解为，在人工神经网络60的输入侧上、也就是说输入层64上，输入进入到函数或人工神经网络60中，并计算输出，该输出在输出层76处或在节点78处形成。在人工神经网络60之内，人工神经网络60中的各个神经元的权重长时间地使自己适应，直到存在所期望的输入与输出关系。这在训练算法之内进行。在人工神经网络60的训练算法中，误差在误差反馈或者反向传播的范围中被最小化，直到存在所期望的输入与输出关系。在输入层64处，存在阻抗测量的阻抗数据作为输入向量62。在另外的因素中，在输入层64中所包含的节点66的数目取决于频域中的测量频率的所使用的支持数。在本实例中，针对人工神经网络60，节点78放置在输出层76处，该节点78再现了所记录的阻抗测量的所估算的温度T_int。在输入层64与输出层76之间的层的数目可以根据处于其间的隐藏层70的数目而变化。该数目至少可以为1，并根据所使用的输入数据被优化。

在实验室条件下所记录的阻抗数据对人工神经网络60进行训练。现在，可以向经过训练的人工神经网络60呈现新的未知的测量数据。所述新的未知的测量数据在人工神经网络60的测试阶段中被使用。在该测试阶段中，估计输出值，其中在训练接阶段中使用所确定的、经过优化的和经过加权的权重函数。

为了在负载下以阻抗谱方法的方式进行温度估算，需要估计负载电流的影响。对于在0℃以上的温度，已证实，针对测量的从0.1Hz直至10kHz的频域导致可忽略的误差。

图3示出针对承受负载的那里所示出的所使用的电池组电池12、14、16、18、20、22、24、26、28在从0.1Hz直至10kHz的频域之内的内部电池温度的估量精度84的图示。

在根据图3的图示中，记录了针对承受负载的总共九个电池组电池12、14、16、18、20、22、24、26、28中的三个所使用的电池组电池在从0.1Hz直至10kHz的频域之内的内部电池温度的估量精度84的变化过程。温度变化过程82从-10℃延伸直至大约40℃。针对估量精度84的各个值对于第一负载电流86通过叉号来勾画，以及针对第二负载电流88通过圈来勾画。从根据图3的图示中，得出内部电池温度T_int的温度估算在考虑电池组电池与电池组电池方差30的情况下的预期误差。叠加的直流电流作为人为负载导致温度误差<8℃。误差范围主要通过电池分散、也就是说电池组电池与电池组电池方差30来定义，因为没有负载电流86、88的比较测量处在大约相同的数量级。

从根据图3的图示中，例如可以察觉出，在针对不同电池组电池12、14、16、18、20、22、24、26、28在不同载荷下的不同温度的情况下进行温度估量的误差有多大。例如，在x轴上，20℃的温度标记最高点。与y轴相比，这说明，在温度估量的情况下，形成了为+4℃的误差。这意味着，尽管实际温度已只为20℃，但是人工神经网络60已预测了为24℃的温度，因此出现了为+4℃的误差。图3的说明是，针对不同的实际温度，可以利用人工神经网络60经由阻抗谱分别估计针对电池组电池12、14、16、18、20、22、24、26、28的温度，并且针对所估量的温度的估量精度84（y轴）与实际温度（x轴）的偏差、也就是说误差为仅数摄氏度。

根据本发明所建议的解决方案可以以有利的方式在储能系统中被采用，所述储能系统拥有电化学电池组电池、尤其是锂离子电池组电池。以特别有利的方式，分配给该储能系统的电池组管理系统可以使用阻抗测量芯片。此外，根据本发明所建议的方法可以在如下储能系统中被采用：在所述储能系统中，关于电池组电池12、14、16、18、20、22、24、26、28的电池温度的信息是必要的，并且没有温度传感器是可支配的。电池组管理系统可以装备有根据本发明所建议的方法，所述电池组管理系统尤其是在插电式混合动力车（Plug-In-Hybriden）中、在混合动力车中以及在电动车中得以采用，以及可以相对应地改装或准备尤其是在未来预期的电池组管理系统。

本发明并不限于这里所描述的实施例和在其中所突出的方面。更确切地说，在通过权利要求所说明的范围之内，多种处于本领域技术人员行为的范围中的修改方案是可能的。

Claims

1.一种用于借助电池组管理系统（BMS）来估计储能器的状态的方法，所述储能器具有至少一个电化学电池组电池（12，14，16，18，20，22，24，26，28），所述电池组管理系统（BMS）包括阻抗谱芯片，所述方法具有至少随后的方法步骤：

a）借助实时执行的数据集记录，确定所述至少一个电化学电池组电池（12，14，16，18，20，22，24，26，28）的与频率有关的阻抗，

b）利用与所述温度有关的训练谱作为输入，并且利用属于每个训练谱的温度值的预给定作为输出，训练人工神经网络（60），

c）在利用在方法步骤b）期间所确定的权重函数和测试谱对所述人工神经网络（60）进行测试时，考虑在所述电化学电池组电池（12，14，16，18，20，22，24，26，28）之间的电池组电池与电池组电池方差（30），并根据在方法步骤b）中所确定的所述权重函数，估计属于所述测试谱的温度值，和

d）借助经过训练的人工神经网络（60），估计所述储能器的所述至少一个电化学电池组电池（12，14，16，18，20，22，24，26，28）的至少一个内部状态（SoC，SoH，T_int）。

2.根据权利要求1所述的方法，其特征在于，在输入层（64）处，根据方法步骤b），给所述人工神经网络（60）外加根据方法步骤a）的数据集作为训练数据集，递交温度值作为输出，并且在根据方法步骤b）的训练阶段中确定、优化并存储权重函数。

3.根据权利要求3所述的方法，其特征在于，对于所述根据方法步骤a）的数据集，所述人工神经网络（60）知道所述至少一个电化学电池组电池（12，14，16，18，20，22，24，26，28）的所述温度。

4.根据权利要求1所述的方法，其特征在于，在所述人工神经网络（60）之内，通过训练算法，尤其是通过误差反馈方法，长时间地参数化多个节点（66，72，78）的权重，直到出现所期望的输入/输出关系，并且所述人工神经网络（60）的输入值正确地被分配给输出值。

5.根据权利要求1所述的方法，其特征在于，所述人工神经网络（60）配备有具有至少一个节点（66，72，78）的输入层（64）、至少一个隐藏层（70）和输出层（76）。

6.根据权利要求6所述的方法，其特征在于，在所述输入层（64）处，给所述人工神经网络（60）外加根据方法步骤a）所确定的所述数据集。

7.根据权利要求6所述的方法，其特征在于，在所述输出层（76）中，进行所述至少一个电化学电池组电池（12，14，16，18，20，22，24，26，28）的所述至少一个内部状态（SoC，SoH，T_int）的输出。

8.根据权利要求6所述的方法，其特征在于，给所述人工神经网络（60）的所述输入层（64）递交所述根据方法步骤a）的数据集作为输入向量（62）、即至少一个通过阻抗谱方法所确定的变量。

9.根据权利要求1所述的方法，其特征在于，给所述人工神经网络（60）外加在0.1Hz到10kHz之间的频域中的阻抗数据的数据集，用于根据方法步骤b）来训练所述人工神经网络（60）。

10.根据权利要求1所述的方法，其特征在于，根据方法步骤b），在所述人工神经网络（60）中，在所述输入层（64）中设置有如下数目的节点（66）：所述数目对应于在频域中的测量频率在数据记录期间的支持数。

11.根据权利要求1所述的方法，其特征在于，在所述人工神经网络（60）的隐藏层（70）中布置直至15个节点（72），用于借助所测量的阻抗数据集来学会温度预报。

12.根据权利要求1所述的方法，其特征在于，为了通过阻抗测量进行温度估计，进行对至少一个负载电流（86，88）或者为0 A的负载电流（86）的影响的估计。

13.根据前述权利要求中任一项所述的方法用于估计在电驱动的车辆中的储能器的内部状态（SoC，SoH，T_int）的应用，所述储能器尤其是具有至少一个锂离子电池组电池的储能器。