CN115236541A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN115236541A
CN115236541A CN202210421818.5A CN202210421818A CN115236541A CN 115236541 A CN115236541 A CN 115236541A CN 202210421818 A CN202210421818 A CN 202210421818A CN 115236541 A CN115236541 A CN 115236541A
Authority
CN
China
Prior art keywords
model
aging
state
aging state
models
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
Application number
CN202210421818.5A
Other languages
English (en)
Inventor
A·G·库普奇科
C·西莫尼斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of CN115236541A publication Critical patent/CN115236541A/zh
Pending legal-status Critical Current

Links

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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • 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
    • G06N3/08—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]
    • G01R31/382—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

基于其他组技术设备的蓄能器的其他混合老化状态模型提供针对一组技术设备的同类蓄能器的混合老化状态模型的方法，包括以下步骤：提供其他混合老化状态模型，其分别包括用于提供物理老化状态的参数化物理老化模型和用于提供修正参量来修正物理老化状态的基于数据的修正模型，其中每个其他混合老化状态模型被训练用于根据表征蓄能器运行的运行参量的时间变化过程而确定老化状态；创建具有预给定的物理老化模型和具有修正模型的混合老化状态模型，修正模型由其他混合老化状态模型的所有或一部分修正模型的可参数化组合、尤其是线性组合来确定，其中基于训练数据组执行组合的参数化，训练数据组分别将老化状态作为标签分配给运行参量的变化过程。

Description

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
技术领域
本发明涉及一种具有电蓄能器的不依赖于电网来运行的电设备、尤其是能电驱动的机动车、尤其是电动车或混动车，并且本发明还涉及用于确定电蓄能器的老化状态（SOH：State of Health（健康状态））的措施。此外，本发明不仅涉及移动式还涉及固定式的电蓄能器。
背景技术
借助于电蓄能器（通常为设备电池组或车辆电池组）而对不依赖于电网来运行的电设备和机器、诸如能电驱动的机动车进行能量供给。所述电蓄能器提供电能来运行设备。然而，作为电蓄能器也考虑包括氢储槽在内的燃料电池系统。
电蓄能器或能量转换器随着其使用寿命并且根据其载荷或使用而退化。这种所谓的老化导致最大功率或存储容量连续降低。老化状态对应于用于说明蓄能器的老化的度量。按照惯例，新蓄能器具有的老化状态为100%，所述老化状态在其使用寿命的过程中明显地衰退。蓄能器的老化的度量（老化状态在时间上的变化）取决于蓄能器的个别负载、也即在机动车的车辆电池组的情况下取决于驾驶员的使用行为、外部周围环境条件和车辆电池组类型。
虽然可以借助于物理的老化状态模型基于历史运行状态变化过程来确定蓄能器的瞬时老化状态，然而这种模型在特定情况下是不精确的。常规的老化状态模型的这种不精确性使得对老化状态变化过程的预测变得困难。然而，对蓄能器的老化状态变化过程的预测是一种重要技术参量，这是因为通过所述预测而实现对所述蓄能器的剩余价值（Restwert）的经济评价。
发明内容
根据本发明，设置根据权利要求1所述的用于提供基于数据的老化状态模型以预测电蓄能器的老化状态和/或确定当前老化状态的方法以及根据并列权利要求所述的装置。
在从属权利要求中说明其他设计方案。
根据第一方面，设置一种用于基于其他组技术设备的蓄能器的其他混合老化状态模型而提供针对一组技术设备的同类（gleichartig）蓄能器的混合老化状态模型的以计算机实现的方法，所述方法具有以下步骤：
-提供其他混合老化状态模型，所述其他混合老化状态模型分别包括用于提供物理老化状态的参数化物理老化模型和用于提供修正参量来修正所述物理老化状态的基于数据的修正模型，其中所述其他混合老化状态模型中的每一个被训练，以便根据表征蓄能器运行的至少一个运行参量的时间变化过程而确定老化状态，
-创建具有预给定的物理老化模型和具有修正模型的混合老化状态模型，所述修正模型由所述其他混合老化状态模型的所有修正模型或所述修正模型其中一部分修正模型的可参数化组合、尤其是线性组合而确定，其中基于训练数据组执行所述组合的参数化，所述训练数据组分别将老化状态作为标签分配给至少一个运行参量的变化过程。
蓄能器在本说明书的意义上包括设备电池组和能量转换器系统，其中所述能量转换器系统具有带有能量载体储备（Energieträgervorrat）的电化学能量转换器，所述能量转换器系统例如是具有燃料电池和能量载体储备的燃料电池系统。
电蓄能器的、尤其是设备电池组的老化状态通常并不被直接测量。这可能需要在蓄能器内部的一系列传感器，这些传感器使得这种蓄能器的制造变得成本密集且复杂并且可能增大空间需求。此外，在市面上还并没有用于直接确定蓄能器中的老化状态的适合日常使用的测量方法可用。因此，通常借助于在与蓄能器分开的控制设备中的物理老化模型而确定电蓄能器的当前老化状态。这种物理老化状态模型在特定情况下是不精确的并且通常具有高达5%以上的模型偏差。
此外，由于物理老化模型的所述不精确性，该物理老化模型只能够还算是精确地说明蓄能器的瞬时老化状态。尤其是取决于蓄能器运行方式的、诸如在设备电池组情况下取决于电荷流入和电荷流出的数量和大小的并且因此取决于使用行为和使用参数的对于老化状态的预测会导致非常不精确的预测并且目前并未得以设置。
在设备电池组的情况下，老化状态（SOH：State of Health（健康状态））是用于说明剩余电池组容量或剩余电池组电荷的关键参量。老化状态代表针对设备电池组的老化的度量。在设备电池组或电池组模块或电池组电池的情况下，所述老化状态可以作为容量保持率（Capacity Retention Rate，SOH-C）而加以说明。容量保持率SOH-C作为所测量的瞬时容量与完全充满的电池组的初始容量的比例而加以说明。可替代地，老化状态可以作为相对于在设备电池组的使用寿命开始时的内阻而言的内阻增加（SOH-R）而加以说明。内阻的相对变化SOH-R随着电池组老化的增加而上升。
非常值得期望的是如下方案：提供基于老化状态模型而对电蓄能器的老化状态进行用户个别的和使用个别的建模和预测，使用从投入运行的时间点开始的运行参量的变化过程，以便从投入运行时间点时的老化状态出发分别逐个时间步地适配所述老化状态。
这种老化状态模型可以包括整合模型（integratives Modell），所述整合模型基于相应设备组的相应蓄能器的至少一个运行参量的时间变化过程而相应地通过从投入运行时间点开始累加通过至少一个运行参量的瞬时值引起的单负荷贡献（Einzelbelastungsbeiträgen）来确定老化状态。
该老化状态模型可以是纯基于数据的，但是也可以被实现为混合的基于数据的老化状态模型。这种老化状态模型例如可以在中央单元（云）中得以实现并且借助于与该中央单元处于通信连接的不同设备的大量的蓄能器的运行参量而得以参数化或得以训练。
用于确定电蓄能器的老化状态的老化状态模型可以以混合老化状态模型的形式、也即以物理老化模型与基于数据的模型的组合的形式被提供。在混合模型的情况下，可以借助于物理的或电化学的老化模型而确定物理老化状态并且对所述物理老化状态施加（beaufschlagen mit）修正值，尤其是通过加法或乘法而施加该修正值，其中该修正值由基于数据的修正模型得出。所述物理老化模型基于电化学的模型方程，这些模型方程表征非线性微分方程组的电化学状态、持续地计算并且为了输出而将其映射到所述物理老化状态，作为SOH-C和/或SOH-R。这些计算可以典型地在云中例如每周一次地被执行。
此外，所述基于数据的混合老化状态模型的修正模型可以利用概率回归模型或基于人工智能的回归模型、尤其是高斯过程模型或贝叶斯神经网络而被构造并且可以被训练用于对通过所述物理老化模型所获得的老化状态进行修正。在参数化物理老化模型的情况下，所得出的残差典型地围绕0分布，使得不存在关于残差的系统模型偏差。对此，因此存在用于修正所述SOH-C的老化状态的基于数据的修正模型，和/或存在至少一个另外的用于修正所述SOH-R的老化状态的基于数据的修正模型。对于高斯过程的可能替代方案是其他的监督式学习方法，例如基于随机森林模型、AdaBoost模型、支持向量机或贝叶斯（Bayes’schen）神经网络的监督式学习方法。
例如如果应该确定所述蓄能器的剩下的剩余使用寿命并且例如相对于担保条件或CO2车队规定而对其进行评价，则对老化状态的预测是有帮助的。对此，可以结合预给定的使用模式而连续查询所述基于数据的老化状态模型，其中所述使用模式说明了所述电蓄能器的使用方式和运行方式。为此，从当前时间点出发而需要连续生成人工运行参量的时间变化过程，其中所述物理老化模型由于用于对微分求解的时间积分方法而需要所述人工运行参量的未来时间变化过程，以便对预测的老化状态进行建模。尤其是，由此确定从当前时间点出发的老化状态的预测变化过程。这些运行参量为此要么直接取决于所识别的使用模式要么基于由所述使用模式所导出的负载参量的变化过程而产生，其中由所述负载参量的变化过程而生成所需要的运行参量的变化过程。
老化状态模型优选地在设备外部的中央单元（云）中被提供和训练。该中央单元能够为分别具有大量设备的不同设备组提供老化状态模型，这些设备具有同类蓄能器，所述不同设备组分别配备有相同或不同类型的蓄能器。尤其是在燃料电池系统或电池组系统的情况下，老化状态的建模显著地取决于所使用的单元的电化学（Elektrochemie）。因此，必须为这些设备组中的每一个分别创建自己的老化状态模型。因此，在持续的运行中，使用针对相应设备组的在中央单元中实现的老化状态模型，以便为有关的设备组的单独设备电池组确定当前老化状态或预测老化状态。
通常彼此独立地进行：为设备组提供或训练相应老化状态模型。
作为训练的结果对于设备组中的每一个得出混合老化状态模型，所述混合老化状态模型具有物理模型和与此有关（dazugehörig）的基于数据的修正模型。混合老化状态模型通常分别仅基于来自相应设备组的蓄能器的至少一个运行参量的时间变化过程被训练。如果具有本身未知类型的蓄能器的新设备组被投入运行，其中各个蓄能器的老化状态应该在中央单元中通过相应的混合老化状态模型被确定，则物理模型的结构首先根据邻近的（naheliegend）模型参数或表征性物理参量被确定，诸如根据电化学库（elektrochemischen Bibliothek）来确定，其中所述电化学库包括特殊材料组合及其特性。这些模型参数或特征性物理参量可以与经训练的混合老化状态模型的物理老化模型之一的模型参数相对应、被从中导出或与新设备组的蓄能器的电化学相对应地被确定。由于物理模型反映蓄能器的电化学行为，因此不同设备组的所有蓄能器的物理模型是相同的，物理模型的模型误差是系统性的或通过基于数据的修正模型相应地被映射（abbilden）。
上述方法现在规定，为要新投入运行的设备组的要新创建的混合老化状态模型提供修正模型，所述修正模型使用在现有混合老化状态模型的现有修正模型中实现的知识（Wissen），并且由此改善要新创建的混合老化状态模型。这尤其是在尚不存在足够的用于训练要新创建的混合老化状态模型的修正模型的训练数据组的情况下是有利的。
上述方法相应地规定，针对新的混合老化状态模型的修正模型被确定为现有老化状态模型或现有老化状态模型其中一部分现有老化状态模型的模型输出的可参数化组合、优选地为线性组合。为了适配新的修正模型，修正模型的先前学到的模型参数化的组合、诸如高斯过程的输出或高斯过程的相应核函数直接地优选地逐段地或在离散控制点处相互组合地相应地被参数化，使得以加权的方式考虑现有老化状态模型的所考虑的修正模型。
以这种方式，可以使用在现有修正模型中实现的系统知识。尤其是，可以从现有的修正模型中提取关于应该通过修正模型修正的物理老化模型的系统误差的知识。
此外，要创建的混合老化状态模型的物理老化模型可以从现有老化状态模型的现有物理老化模型中被选择，或者根据蓄能器的类型被预给定。
尤其是，为了提供这些修正模型其中一部分修正模型，可以根据针对修正模型中的每一个修正模型的评价度量从其他混合老化状态模型的所有修正模型中选择这些修正模型，其中针对修正模型中的每一个的评价度量尤其是根据物理老化模型的相应模型输出由训练数据组的评估点处有关修正模型的评估的经聚合的（aggregiert）不确定性说明而得出，其中尤其是选择修正模型的该部分作为修正模型中那些关于训练数据组而言具有关于数据空间覆盖（Datenraumabdeckung）的最佳适合性（Eignung）的修正模型。优选地，适合性和/或数据空间覆盖可以通过如下评价度量来说明，所述评价度量说明与最小化不确定性或优化微分熵有关的预测协方差。
根据一种实施方式，可以通过参数化向量来确定所述组合，所述参数化向量说明用于修正模型其中的一部分或所有修正模型的模型输出的权重，其中通过多变量优化方法确定所述参数化向量。
尤其是，优化方法可以包括贝叶斯优化方法、网格搜索方法或随机搜索方法。
优化方法可以考虑成本函数，所述成本函数评价通过训练数据组预给定的老化状态和老化状态的模型输出的距离。
可以规定，参数化向量通过参数化函数来确定，所述参数化函数根据至少一个运行特征而说明所述参数化向量，其中所述至少一个运行特征作为聚合特征（aggregiertesMerkmal）而由所述至少一个运行参量的待评估的变化过程来确定并且包括与评估时间间隔相关的特征和/或累积的（akkumuliert）特征和/或在迄今为止的整个使用寿命期间所确定的统计参量和/或所述蓄能器的电化学状态。
尤其是，参数化函数可以通过对参数化向量进行内插被执行，所述参数化向量根据通过分类或聚类由训练数据组的子集确定的不同运行特征范围而被确定。
可替代地，所述参数化函数可以通过Softmax函数根据至少一个运行特征被预给定。
此外，可以尤其是通过主动学习方法添加训练数据组，其中分别基于整个训练数据组通过对优化问题进行求解例如通过学到的核组合来执行基于数据的老化模型的参数化，尤其是直至提供预给定数目的训练数据组为止，其中对于要添加的训练数据组由如下设备来进行确定，对所述设备而言存在老化状态确定的高度不确定性和/或存在对于改善老化状态模型而言的高度相关性。
尤其是，当存在预给定数目的训练数据组时，所创建的混合修正模型被丢弃并且仅基于所述训练数据组而被重新训练。
根据一种实施方式，基于数据的老化模型的参数化可以例如通过学到的核组合根据运行特征范围逐区域地（bereichsweise）被执行，其中所述运行特征范围由一个或多个运行特征的范围定义，其中所述运行特征通过所述至少一个运行参量的变化过程的信号技术处理或聚合而得出。
可以规定，确定偏移值，以便尤其是相加地（additiv）施加所述物理模型的输出，其中所述偏移值基于训练数据组由所述预给定的物理老化模型的残差而确定，以便修正所述预给定的物理老化模型的系统误差。
可以规定，所述方法在中央单元中被执行，所述中央单元与所有设备组的技术设备中的每一个处于通信连接。
此外，可以使用蓄能器以用于运行设备、例如机动车、电动助力车、飞行器、尤其是无人机、工具机器、娱乐电子装置的设备、例如移动电话、自主机器人和/或家用电器。
根据另一方面，设置一种用于借助于针对技术设备中的一组同类（gleichartig）蓄能器中的蓄能器的混合老化状态模型而确定当前或预测老化状态的尤其是以计算机实现的方法，其中所述混合老化状态模型包括用于提供物理老化状态的参数化物理老化模型以及用于提供修正参量来修正所述物理老化状态的基于数据的修正模型，其中所述基于数据的修正模型对应于针对其他蓄能器组的其他混合老化状态模型的所提供的多个经训练的基于数据的修正模型的可参数化组合，其中所述组合尤其是通过迁移学习被参数化，其中所述当前或预测老化状态借助于所述混合老化状态模型通过评估所述蓄能器之一的至少一个运行参量的变化过程被确定。
此外，混合老化状态模型包括物理老化模型、基于数据的修正模型以及尤其是偏移值的总和或对应于所述总和，其中确定所述偏移值以消除所述预给定的物理老化模型的系统偏差。
通过设置修正偏移值而可以规定：修正模型仅在内插情况下修正，并且在外推情况下返回到其先验（GP=0
Figure DEST_PATH_IMAGE001
外推因此仅利用物理模型而进行）。这从以下事实中得出，即偏移值被确定为使得所述偏移值平均地均衡残差，并且因此使得其他混合老化状态模型的基础修正模型围绕0分布。由偏移值修正的物理老化模型因此不再具有系统误差。
根据另一方面，设置一种用于执行上述方法之一的装置。
附图说明
下面根据所附附图更详细地阐述实施方式。其中：
图1示出为了在中央单元中确定车辆电池组的老化状态而提供驾驶员个别和车辆个别的运行参量的系统的示意图；
图2示出混合老化状态模型的功能结构的示意图；
图3示出用于示出用于训练基于数据的老化状态模型的方法的流程图；
图4示出阐明用于针对具有未知类型的蓄能器的新车队而提供混合老化状态模型的方法的流程图；和
图5示出用于基于现有混合老化状态模型的修正模型而创建、参数化和运行待新创建的混合老化状态模型的操作方式（Vorgehensweise）的示意图。
具体实施方式
在下文中根据作为同类设备的大量机动车（车队）中作为电蓄能器的车辆电池组的示例而描述根据本发明的方法。该老化状态模型可以在中央单元中连续地基于来自车队（设备组）的车辆电池组的运行参量而得以更新或者得以再训练。该老化状态模型在中央单元中被运行并且被用于计算老化和预测老化。可替代地或附加地，基于数据的老化状态模型可以在用于机动车中的相应车辆电池组的控制单元中得以实现。
以代表性的方式，上述示例代表了大量的具有不依赖于电网的能量供应的固定的或移动的设备，诸如车辆（电动车辆、电动助力车等）、设施、工具机器、家用电器、IOT设备等，它们经由相应的通信连接（例如LAN、英特网）与中央单元（云）处于连接。
图1示出用于在中央单元2中收集车队数据以创建和运行以及评估老化状态模型的系统1。所述老化状态模型用于确定电能量转换器或蓄能器系统、例如机动车中的车辆电池组或燃料电池的老化状态。图1示出分别具有多个机动车4的多个车队3。
在图1中更详细示出机动车4之一。这些机动车4分别具有作为可再充电的电蓄能器的车辆电池组41、电驱动马达42和控制单元43。该控制单元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和中央单元2（所谓的云）之间传输数据。
每个车队3的机动车4向中央单元2发送运行参量F，所述运行参量至少说明如下参量，所述参量影响所述车辆电池组41的老化状态。运行参量F可以在车辆电池组的情况下不仅在包层面（Packebene）、模块层面和/或在电池层面上说明瞬时电池组电流I(t)、瞬时电池组电压U(t)、瞬时电池组温度T(t)和瞬时充电状态SOC(t)（SOC：State of Charge）。这些运行参量F以2Hz至100Hz的快速时间栅被记录并且可以以未压缩的形式和/或已压缩的形式规律地被传输给中央单元2。例如，可以为了对与中央单元2的数据通信进行最小化的目的而在充分利用压缩算法的情况下以10分钟直至几个小时的间隔逐块地将时间序列传输到中央单元2。
中央单元2具有数据处理单元21以及用于存储数据点、模型参数、状态等的数据库22，在所述数据处理单元中可以执行以下描述的方法。
在中央单元2中，对于每个车队实现老化状态模型，所述老化状态模型作为混合模型而是部分地基于数据的。可以有规律地、即例如在经过相应评估持续时间之后使用老化状态模型来基于运行参量的（分别自相应车辆电池组投入运行起的）时间变化过程以及由此确定的运行特征来对所分配的车队的有关的车辆电池组41的瞬时老化状态进行确定。换句话说可能的是，基于所分配的车队3的机动车4的车辆电池组41之一的运行参量的变化过程以及从运行参量的这些变化过程中得出的运行特征而确定有关的车辆电池组41的老化状态。
老化状态（SOH：State of Health（健康状态））是用于说明剩余电池组容量或剩余电池组电荷的关键参量。老化状态代表针对车辆电池组或电池组模块或电池组电池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）而加以说明。容量保持率SOH-C作为所测量的瞬时容量与完全充满的电池组的初始容量的比例而加以说明。内阻的相对变化SOH-R随着电池组老化的增加而上升。
图2示例性示意性地示出基于数据的老化状态模型9的实施方式的功能结构，其中所述基于数据的老化状态模型以混合方式构造。所述老化状态模型9包括物理老化模型5和修正模型6。
物理老化模型5是基于微分方程的数学模型。以尤其是自设备电池组的使用寿命开始起的运行参量变化过程而进行的老化状态模型的物理老化模型的评估导致物理微分方程的方程组的如下内部状态出现，所述内部状态对应于设备电池组的物理内部状态。由于物理老化模型基于物理规律性（Gesetzmäßigkeit），所以物理老化模型的模型参数是说明物理特性的参量。
因此，运行参量F的时间序列直接进入到（eingehen）物理老化状态模型5中，其中所述物理老化状态模型优选地实施为电化学模型并且借助于非线性微分方程和多维状态向量而描述了相对应的内部电化学状态、例如层厚度（例如SEI厚度）、由于阳极/阴极副反应而引起的可循环锂的变化、电解质的快速消耗、电解质的缓慢消耗、阳极中的活性材料的损失、阴极中的活性材料的损失等。
物理的老化模型5因此相应于电池组电池和电池化学的电化学模型。这种模型根据运行参量F而确定内部的物理电池组状态，以便确定以上述电化学状态的形式的至少一个维度的物理学上所基于的老化状态SOHph，其中所述电化学状态线性地或非线性地被映射到容量保持率（SOH-C）和/或内阻增高率（SOH-R），以便提供其作为老化状态（SOH-C和SOH-R）。
然而，通过电化学模型所提供的针对物理老化状态SOHph的模型值在特定情况下是不精确的，并且因此而规定：以修正参量k来修正所述模型值。由基于数据的修正模型6提供所述修正参量k，其中借助于来自车队3的车辆4的训练数据组和/或借助于实验室数据来训练所述基于数据的修正模型。
该修正模型6在输入侧获得运行特征M，其中由运行参量F的变化过程确定所述运行特征并且所述运行特征还可以包括物理模型的微分方程组的内部电化学状态中的一个或多个。此外，该修正模型6可以在输入侧获得根据物理老化模型5所获得的物理老化状态SOHph。当前的评估时间间隔的运行特征M在特征提取块8中基于运行参量F的时间序列而产生。这些运行特征M还包括：来自状态向量的内部状态、电化学物理老化模型以及有利地包括物理老化状态SOHph。
可以根据运行参量F而在中央单元2中针对每个车队3或在其他实施方式中也已经在相应的机动车4中生成运行特征M，这些运行特征涉及到评估时间间隔。针对老化状态确定，评估时间间隔可以为几小时（例如6小时）至几周（例如一个月）。针对评估时间间隔的常见值为一周。
这些运行特征可以例如包括：与评估时间段有关的特征和/或累积的特征和/或在迄今为止总的使用寿命期间所确定的统计学参量。尤其是，这些运行特征可以例如包括：电化学状态、诸如SEI层厚、由于阳极/阴极副反应而引起的可循环（zyklisierbar）锂的变化、电解质溶剂的快速吸收、电解质溶剂的缓慢吸收、锂沉积、阳极活性材料的损失以及阴极活性材料的损失、关于阻抗或内阻的信息、直方图特征（Histogrammmerkmal），例如在充电状态上的温度、在温度上的充电电流和在温度上的放电电流，尤其是关于在充电状态上的电池组温度分布的多维的直方图数据、在温度上的充电电流分布和/或在温度上的放电电流分布、以安培小时为单位的电流通过量（Stromdurchsatz）、所累积的全部充量（Ah）、在充电过程中（尤其是针对电荷增加高于总电池组容量的阈值份额（例如20%）的充电过程）的平均容量增加、充电容量以及充在具有足够大的充电状态偏移的所测量的充电过程期间的差分容量的极值（最大值）（dQ/dU：电荷变化除以电池组电压的变化）或者累积的行驶功率。这些参量优选地被如此换算，使得这些参量尽可能好地表征真实的使用行为。这些运行特征M可以总体或者仅部分地用于接下来描述的方法。
为了确定待输出的经修正的老化状态SOH，将物理老化模型5的和基于数据的修正模型6的输出SOHph, k施加到彼此，其中所述修正模型优选实施为高斯过程模型。尤其是，可以在求和块7中将这些输出SOHph, k相加或将其相乘（未示出），以便获得在当前的评估时间间隔待输出的经建模的老化状态SOH。高斯过程的置信度可以在相加情况下还用作为混合模型的待输出的经修正的老化值SOH的置信度。
为了对运行特征进行缩放（Skalierung）和降维，必要时可以使用PCA（PrincipalComponents Analysis（主分量分析）），以便在（以非监督的方式）训练所述修正模型之前相应地减小在特征空间中的冗余的线性相关的信息。可替代地，也可以使用核PCA（Kernal-PCA），以便在数据复杂度减小中也能够描绘非线性效应。不仅在降维之前而且特定地在此后也进行总的运行特征空间（或主分量空间）的标准化（Normalisierung），例如以最小/最大缩放（Min/Max-Scaling）或Z变换。
因此可以针对具有至少一个电化学单元、例如电池组电池的蓄能器而进行老化状态的计算和老化状态的预测。该方法通过基于规则的和/或基于数据的映射也能够被应用到蓄能器的总系统。以电池组为例，该老化预测除了电池层面以外因此也可以直接被应用到模块层面和包层面。
图3示出了阐明用于在中央单元2中训练混合老化状态模型的示例性方法的流程图。为此，定义训练数据组，所述训练数据组将运行参量的变化过程分配给作为标签的按经验确定的老化状态。
作为标签的老化状态的确定能够以本身已知的方式在所定义的产生标签的负载条件和周围环境条件下通过在车辆中或在中央单元2中以附加模型评估所述运行参量变化过程而进行，例如在车间中在试验台上或以诊断模式或产生标签模式而进行，其中所述诊断模式或产生标签模式表示一种运行模式并且保证遵守车辆电池组的预定运行条件、例如恒定温度、恒定电流等。对此，可以使用用于确定老化状态的其他模型，例如基于对电池组使用中所识别的充电和/或放电阶段的分析。优选地，通过库伦计数或通过形成在充电过程期间时间上的电流积分而进行SOH-C测量，其中所述时间上的电流积分被除以在相关的充电和/或放电阶段的开始和结束之间的充电状态的偏移（Hub）。有利地，在此情况下在静态阶段中对空转电压特征曲线进行校准，以便在中央单元中一并计算充电状态变化过程。如果在充电过程期间车辆电池组在可再现的负载和周围环境条件下从已定义的松弛（relaxiert）状态出发而由完全放电的充电状态达到完全充电的状态，则例如能够获得关于用作标签的老化状态的足够可靠的说明数据。由此而记录的最大电荷可以与车辆电池组的初始的最大充电容量联系起来。与电阻相关的老化状态（SOH-R值）也可以通过与电流变化相关的电压变化而被计算出来。通常它们与所定义的时间区间以及所定义的周围环境条件和系统的能量流动方向相关。
针对车辆电池组的训练数据组因此由分别在一个时间点所确定的老化状态和从有关车辆电池组的投入运行时间点直至该时间点为止的针对有关车辆电池组的运行参量变化过程而得出。针对车辆电池组可以确定在不同时间点的多个训练数据组，其中能够相对于投入运行时间点（使用寿命开始）而说明这些时间点。所述训练数据组针对大量车辆而被收集和提供。
老化状态模型可以以常规的方式利用所述训练数据组而被训练，也即在保持物理老化模型5的情况下，通过混合老化状态模型9而评估所述训练数据组并且分别以本身已知的方式使用误差度量，例如在所考虑的训练数据组的所建模的老化状态SOH的输出值与所属的标签之间的RMSE（relative mean squared error（相对均方误差））（损失函数）以用于适配和训练所述修正模型6。在此规定：鉴于所述物理模型的残差而进行训练，从而使修正模型能够恰好在以足够置信度允许的数据情况（Datenlage）下相应地进行数据驱动（datengetrieben）的修正。所述训练数据组于是代表了所述训练集合。
可替代地，通过如下方式进行所述训练：将所述训练数据组划分成训练集合和测试集合。所述训练集合用于训练所述混合老化状态模型，而所述测试集合则用于借助于所述测试集合的新的、并没有被用于训练的、非已知的数据来验证所述混合老化状态模型。优选地，使用第三数据组、即验证数据组，以便优化所述修正模型的超参数。最终，总是基于新的数据来对所述混合老化状态模型9进行测试，其中在中央单元2中进行部署（Deployment）和接下来进行生产运行之前，基于这种独立的数据组来证实所述混合老化状态模型9的性能（Performance）。
在步骤S1中，根据训练集合的第一部分来对物理老化模型5进行参数化，尤其是通过参数优化借助于最小二乘法等而进行参数化。物理老化状态SOHph作为物理老化模型5的输出在此被假定为相应的训练数据组的老化状态。
在步骤S2中，将所述物理老化模型应用到混合模型的总训练集合，即，训练数据组的数目至少包括已被用于对物理老化模型参数化的训练数据组的集合或者甚至超出已被用于对物理老化模型参数化的训练数据组的集合。物理老化模型5的误差相应地以关于作为模型偏差的直方图的所述残差方面的总误差而被评定（evaluieren）。该残差 in 与运行特征M或运行参量F相结合地包含关于物理老化模型5的系统性弱点的所有相关信息。也得出物理老化模型5关于新的没有用于物理老化模型5的参数化的训练数据组方面表现如何、也即如何泛化的信息。
在下一步骤S3中，鉴于混合老化状态模型9的完整训练集合而训练所述基于数据的修正模型6。混合模型的所述训练集合至少包括与步骤S1相应的物理模型的训练集合。为了训练所述修正模型6，不仅从运行参量F提取运行特征M而且也使用物理老化模型5的内部状态作为M的子集，以便将全部的运行特征映射到物理老化模型的模型预测（物理老化状态）与相应于训练数据组的所标签的老化状态之间的误差。此外，M也可以包括经建模的物理老化状态SOHph。由此，修正模型6可以学习所述物理老化模型5的弱点，以便因此能够在修正块中进行物理老化状态的修正。
基于数据的修正模型6的训练可以利用交叉验证和顺序装袋法（BootstrapAggregating（自举汇聚法））而执行，以便改善鲁棒性和精确性。如果修正模型是经训练的，则能够借助于测试集合在步骤S4中对经训练的混合老化状态模型进行验证，从而能够验证针对老化状态计算的总体表现。
现在可以使用经训练的混合老化状态模型用于基于车辆电池组自使用寿命开始起的运行参量F的时间变化过程来确定老化状态。
如果有新的已标签的训练数据组可用，特别是如果所述数据包含新的和相关的信息，那么就可以一直发起对混合老化状态模型的训练。在中央单元2中基于车队数据的运行过程中，因此可能持续地再训练用于确定车辆电池组的当前老化状态和在预测老化状态的情况下使用的混合老化状态模型。
可以借助于主动学习来确定训练数据，其中关于运行特征点（运行特征的组合）确定训练数据，其中对于所述运行特征点，修正模型具有高度不确定性。尤其是，可以选择设备组中的如下设备，所述设备的运行特征点具有高模型不确定性并且同时具有针对现有车队3而言的高相关性，使得相关车队3中尽可能多数目的车辆4受益于标签生成和随后的模型训练。
图4示出阐明用于为具有相应新式的车辆电池组41的新车队3投入运行新的混合老化状态模型的方法的流程图。在此，由此出发：在中央单元2中已经存在针对其他现有车队3而训练的混合老化状态模型，如上所描述的那样所述混合老化状态模型分别具有物理模型和基于数据的修正模型。结合图5的框图更详细地描述下面描述的方法。
在步骤S11中，针对要新投入运行的车队3对物理老化模型PM进行参数化。这可以例如在新车队3的车辆电池组的电池化学已知的情况下通过选择已知模型参数进行，或者通过适当地选择已经训练的现有老化状态模型之一的物理老化模型PM的模型参数来进行。
也就是说，如果将具有本身未知类型的蓄能器的新设备组/车队投入运行，其中各个蓄能器的老化状态应该通过中央单元2中的相应混合老化状态模型而加以确定，则首先根据邻近的模型参数或表征性物理参量来确定物理老化模型PM的结构，例如根据包括特殊的材料组合及其特性的电化学库来确定。因此基于电化学相似性条件选择物理模型。
在随后的步骤S12中，在车队投入运行之后确定一个训练数据组或多个训练数据组。
可以根据上面描述的用于通过确定标签来确定训练数据组的方法为新车队的车辆记录训练数据组。为此，至少一个运行参量F自相应的投入运行时间点起的时间变化过程从属于车队3的多个车辆电池组41接收，并且在可再现的诊断条件下借助于其他老化状态模型在所定义的充电分布、所定义的温度的情况下从松弛系统状态开始被确定和评估，以便获得老化状态作为标签。所述老化状态可以例如通过根据经验的方法基于上面描述的方法之一借助于附加基础模型在所定义的和可再现的条件下从至少一个运行参量的相应变化过程中被确定，或者可以直接通过实验室研究被确定。所述训练数据组将至少一个运行参量的相应时间变化过程分配给相应的老化状态。
在步骤S13中检验：是否存在足够数目的初始训练数据组。如果确定出存在足够数目的初始训练数据组（抉择：是），则该方法以步骤S14而继续进行，否则跳回到步骤S12。该数目可以对应于例如50至5000之间的小数目的训练数据组。
随后，针对新投入运行的车队3的要建模的新老化状态模型以全部现有混合老化状态模型或现有混合老化状态模型其中一部分的已知参数化修正模型GP1..GPn的数学组合的形式提供修正模型KM，使得基于在现有混合老化状态模型中实现的知识进行迁移学习。
在此情况下，关于高斯过程的作为要新创建的修正模型KM的任务，将迁移学习应用于高斯过程。优选地，已作为修正模型GP1..GPn被训练的在这里已经现有的和参数化的高斯过程关于其模型输出方面被相互组合。可替代地，组合已经现有的和参数化的高斯过程的超参数也是可能的。这使得能够针对新车队的车辆电池组创建临时的（vorläufig）混合老化状态模型，该临时的混合老化状态模型在加标签的区域之外具有鲁棒的和精确的外推特性，特别是对于以大预测范围（Prognosehorizont）而对特征空间进行外推的预测情况。修正模型GP1..GPn作为如下高斯过程模型被提供，所述高斯过程模型除了模型输出之外还可以输出关于在评估点确定的模型输出的可靠性的不确定性说明。修正模型GP1..GPn所基于的函数在这里相应地被称为GP。
在可选的步骤S14中，首先基于现有训练数据组选择现有老化状态模型的修正模型GP1..GPn的如下子集，所述子集基于训练数据组的运行参量变化过程与在步骤S11中选择的物理模型PM相结合地得以确定，其中所述物理模型为了运行相应修正模型而提供内部电化学状态和物理老化状态SOHph，用于利用由运行参量而确定的运行特征进行评估。
根据评价度量对修正模型GP1..GPn的子集进行选择。针对修正模型GP1..GPn中的每一个与所选择的物理模型PM相结合地确定评价度量。所述评价度量评定关于数据空间覆盖的适合性。这可以优选地以最低不确定性或预测协方差的微分熵的优化作为评价度量而被评价。修正模型GP1..GPn的评价对应于由训练数据组的评估点得出的修正模型不确定性说明的聚合。为了确定评价度量，可以将得出的不确定性说明相加或由所述不确定性说明而确定代表性（repräsentativ）平均值。
修正模型GP1..GPn的子集根据适合性排序（Eignungs-Ranking）根据评价度量被选择。例如，可以从现有老化状态模型的总数目中选择预给定数目n个的现有老化状态模型。例如，预给定数目n可以为n=5和20之间。可以根据所分配的评价度量的大小进行所述选择，使得选择在所确定的训练数据组的评估点处具有最低不确定性的那些修正模型GP1..GPn。在选择现有修正模型GP1..GPn时，此外可以使用关于所使用的电池组类型的专家知识。
此外，可以基于领域知识（Domänenwissen）以基于规则的方式预选修正模型GP1..GPn，例如基于缺乏的相似性特征而剔除不同的电池化学模型。
可替代地，也可以考虑或选择所有现有修正模型GP1..GPn用于确定新老化状态模型。
在步骤S15中，基于训练数据组和在步骤S11中选择的物理老化模型确定偏移值C，并且必要时将偏移值乘以“-1”。偏移值C对应于在物理老化状态SOHph与通过训练数据组的标签说明的老化状态之间的系统偏差。例如，偏移值C可以被确定为所选择的物理老化模型PM的模型输出与所有可用训练数据组的相应标签之间的距离的代表性分位数值（Quantil-Wert）或平均值。偏移值C与所选择的物理老化模型PM的输出相加地被施加，使得所述偏移值在加法情况下消除并且修正所选择的物理老化模型PM的系统误差。这对于高斯过程而言基于其先验以及与具有可比先验的先前高斯过程的可比性而是有利的。
在步骤S16中，确定参数化向量/加权向量w = [w1, w2, w3,…, wn]，所述参数化向量/加权向量定义所选择的修正模型GP1..GPn中的每一个修正模型的模型输出的组合。例如，这可以作为线性组合进行，其中在S14中选择的修正模型GP1..GPn或所有修正模型的模型输出通过由参数化向量说明的加权而被线性地相互融合。
优化准则基于如下成本函数被定义，所述成本函数评价训练数据组的标签与新修正模型KM的模型输出k之间的距离。新修正模型KM的模型输出k对应于相应的所选择的修正模型i的通过相应加权w所考虑的模型输出GPi的组合、例如线性组合。对于新的修正模型KM, k适用的是：
Figure 871777DEST_PATH_IMAGE002
因此，例如作为
Figure 897239DEST_PATH_IMAGE004
而得出成本函数KF，其中J对应于训练数据组
Figure 614660DEST_PATH_IMAGE006
的数目，
Figure 619656DEST_PATH_IMAGE008
对应于在训练数据组
Figure 870246DEST_PATH_IMAGE010
的相应的评估点j处的模型输出，并且
Figure 630392DEST_PATH_IMAGE012
对应于在训练数据组
Figure DEST_PATH_IMAGE013
的相应的评估点j处的作为标签的老化状态。
可以以本身已知的方式例如通过贝叶斯优化方法或可替代地通过网格搜索或另一类型的多变量黑盒学习方法来进行优化。在此情况下，进行优化使得修正模型GP1..GPn的模型输出的组合被执行，使得经建模的老化状态最优地匹配于训练数据组的相应的评估点处的作为标签的老化状态。
根据另一实施方式，可以根据运行特征的范围对特征空间进行离散化。为此，可用的训练数据组可以根据运行特征范围划分为子集。对训练数据组进行细分，其方式是对于每个训练数据组确定运行特征并且根据一个或多个所选择的运行特征的值范围而划分训练数据组。这也可以在聚类方法的辅助下进行。
运行特征范围可以从根据由此得出的运行特征对训练数据组进行的分类中得出，其中运行特征范围能够通过所选择的运行特征的范围说明来定义。然后基于属于运行特征范围的训练数据组单独地针对运行特征范围中的每一个进行参数化向量的上述优化，即针对每个建模范围而仅利用训练数据组确定单独的和与特征相关的导致如下运行特征的参数化向量，其中所述运行特征位于分配给所述参数化向量的运行特征范围中。
现在可以根据上述方法为训练数据组的每个子集确定相应的参数化向量或相应的加权向量。然后可以使用参数化向量/加权向量来确定老化状态，所述参数化向量/加权向量作为针对运行特征范围确定的参数化向量的线性化组合而得出，使得在运行特征范围之间得出参数化的无跳跃式过渡。尤其是，可以在说明运行特征范围的控制点之间内插参数化向量。在该替代实施方式中，可以与根据运行特征点确定参数化向量的参数化函数的过渡和连续性条件的建模并行地逐区域地执行上述优化方法。
可以如下实现对Softmax函数形式的参数化函数的确定。假设数目n个高斯过程作为所选择的修正模型：
Figure DEST_PATH_IMAGE015
利用以下数据组训练高斯过程：
Figure DEST_PATH_IMAGE017
Figure 740168DEST_PATH_IMAGE019
，其中
Figure 876751DEST_PATH_IMAGE021
。在这里示范性地假定一维输出。
对于新训练数据组的运行特征
Figure 217734DEST_PATH_IMAGE023
，现在可以如下地对后验（Posterior）进行评估：
Figure 148781DEST_PATH_IMAGE025
为了计算全部高斯过程的加权预测，此外可以确定相应的参数化函数：
Figure 73749DEST_PATH_IMAGE027
，
其中z描述如下变量或特征，所述变量或特征表明哪个高斯过程分量是活跃的（aktiv）或占优的（dominierend）。针对全部高斯过程得出组合的后验预测：
Figure 607499DEST_PATH_IMAGE029
参数化函数的典型选择是Softmax方法：
Figure 68567DEST_PATH_IMAGE031
函数
Figure 170515DEST_PATH_IMAGE033
可以实施为另一高斯过程或实施为回归量（Regressor）来最小化作为评价度量的Log-Evidence（Log证据）
Figure 349824DEST_PATH_IMAGE035
。也可以使用该方法来通过期望最大化来调整超参数。可替代地，
Figure 61166DEST_PATH_IMAGE037
也可以被实施为多分类模型，其中训练数据为
Figure 376741DEST_PATH_IMAGE039
。
在步骤S17中，检验是否存在足够数目的训练数据组来为新车队新创建（neuerstellen）混合老化状态模型。如果是这种情况（抉择：是），则该方法以步骤S18继续进行，否则该方法以步骤S20继续进行。
在步骤S18中，老化状态模型在不考虑现有混合老化状态模型的修正模型GP1..GPn的情况下基于现在获得的训练数据组重新被训练，并且现在用于针对新车队的车辆电池组41对老化状态进行建模。为此，基于可用的标签，以类似于步骤S12和步骤S13的方式首先对物理老化模型PM进行参数化并且随后顺序地对修正模型KM进行参数化。因此，混合老化状态模型被参数化，并且所述混合老化状态模型可以被用于基于运行参量的变化过程来计算和预测老化状态。
在步骤S20中，在修正模型的组合具有高度不确定性的运行特征点处可以借助于主动学习而系统性地请求来自新车队的新标签。从以要预定的加权向量而加权的不确定性说明总和中得出新的临时修正模型的不确定性说明。通过确定新车队中的自身车辆电池组被运行为使得其运行特征点接近于高度不确定性区域的那个车辆，可以有针对性地请求通过有关车辆生成标签，所述有关车辆随后可以在所定义的条件下在诊断测量的范围中被测量。

Claims (20)

1.一种用于基于其他组技术设备的蓄能器的其他混合老化状态模型而提供针对一组技术设备的同类蓄能器的混合老化状态模型的以计算机实现的方法，所述方法具有以下步骤：
-提供其他混合老化状态模型（GP），所述其他混合老化状态模型分别包括用于提供物理老化状态的参数化物理老化模型和用于提供修正参量来修正所述物理老化状态的基于数据的修正模型，其中所述其他混合老化状态模型中的每一个被训练，以便根据表征蓄能器运行的至少一个运行参量的时间变化过程而确定老化状态（SOH）；
-创建具有预给定的物理老化模型（PM）和具有修正模型（KM）的混合老化状态模型，所述修正模型由所述其他混合老化状态模型的所有修正模型或所述修正模型（GP1..GPn）其中一部分修正模型的可参数化组合、尤其是线性组合而确定，其中基于训练数据组执行所述组合的参数化，所述训练数据组分别将老化状态作为标签分配给至少一个运行参量的变化过程。
2.根据权利要求1所述的方法，其中从现有老化状态模型的现有物理老化模型中选择或者根据蓄能器的类型而预给定要创建的混合老化状态模型的物理老化模型（PM）（S11）。
3.根据权利要求1或2中任一项所述的方法，其中所述其他混合老化状态模型的修正模型是基于数据的，其中所述修正模型尤其是被构造为高斯过程模型或贝叶斯神经网络。
4.根据权利要求3所述的方法，其中为了提供所述修正模型其中一部分修正模型，根据针对所述修正模型中的每一个修正模型的评价度量从所述其他混合老化状态模型的所有修正模型中选择所述修正模型，其中针对修正模型中的每一个修正模型的评价度量由训练数据组的评估点处有关修正模型的评估的经聚合的不确定性说明而得出，其中尤其是选择所述修正模型中的所述部分作为所述修正模型中关于所述训练数据组而言具有最低不确定性的那些修正模型。
5.根据权利要求1-4中任一项所述的方法，其中所述组合通过参数化向量被由参数化或确定，所述参数化向量尤其是说明针对所述修正模型中的所述部分或所有修正模型的模型输出的权重，其中所述参数化向量通过多变量优化方法被确定。
6.根据权利要求5所述的方法，其中所述优化方法包括贝叶斯优化方法、网格搜索方法或随机搜索方法。
7.根据权利要求5和6中任一项所述的方法，其中所述优化方法考虑成本函数，所述成本函数评价通过所述训练数据组预给定的老化状态和所述老化状态的模型输出的距离。
8.根据权利要求5至7中任一项所述的方法，其中所述参数化向量通过参数化函数来确定，所述参数化函数根据至少一个运行特征而说明所述参数化向量，其中所述至少一个运行特征作为聚合特征而由所述至少一个运行参量的待评估的变化过程来确定并且包括与评估时间间隔相关的特征和/或累积的特征和/或在迄今为止的整个使用寿命期间所确定的统计参量和/或所述蓄能器的电化学状态。
9.根据权利要求8所述的方法，其中所述参数化函数通过对参数化向量进行内插被执行，所述参数化向量根据通过分类或聚类由训练数据组的子集确定的不同运行特征范围而被确定，或者其中所述参数化函数通过Softmax函数根据至少一个运行特征被预给定。
10.根据权利要求1-9中任一项所述的方法，其中尤其是通过主动学习方法添加训练数据组，其中分别基于整个训练数据组执行所述组合的参数化，尤其是直至提供预给定数目的训练数据组为止，并且其中对于要添加的训练数据组由如下设备来进行确定，对所述设备而言存在所述老化状态确定的高度不确定性和/或存在对于改善老化状态模型而言的高度相关性。
11.根据权利要求10所述的方法，其中当存在所述预给定数目的训练数据组时，所创建的混合修正模型被丢弃并且仅基于所述训练数据组被重新训练。
12.根据权利要求1-11中任一项所述的方法，其中所述组合的参数化根据运行特征范围逐区域地被执行，其中所述运行特征范围由一个或多个运行特征的范围定义，其中所述运行特征通过所述至少一个运行参量的变化过程的聚合而得出。
13.根据权利要求1-12中任一项所述的方法，其中确定偏移值，以便尤其是相加地施加所述物理模型的输出，其中所述偏移值基于训练数据组由所述预给定的物理老化模型的残差而确定，以便修正所述预给定的物理老化模型的系统误差。
14.根据权利要求1-13中任一项所述的方法，其中所述方法在中央单元中被执行，所述中央单元与所有设备组的技术设备中的每一个处于通信连接。
15.根据权利要求1-14中任一项所述的方法，其中使用所述蓄能器（41）以用于运行设备，例如机动车、电动助力车、飞行器、尤其是无人机、工具机器、娱乐电子装置的设备、例如移动电话、自主机器人和/或家用电器。
16.一种用于借助于针对技术设备中的一组同类蓄能器中的蓄能器的混合老化状态模型而确定当前或预测老化状态的方法，其中所述混合老化状态模型包括用于提供物理老化状态的参数化物理老化模型以及用于提供修正参量来修正所述物理老化状态的基于数据的修正模型，
其中所述基于数据的修正模型对应于针对其他蓄能器组的其他混合老化状态模型的所提供的多个经训练的基于数据的修正模型的可参数化组合，所述组合尤其是通过迁移学习被参数化，
其中所述当前或预测老化状态借助于所述混合老化状态模型通过评估所述蓄能器之一的至少一个运行参量的变化过程被确定。
17.根据权利要求16所述的方法，其中所述混合老化状态模型包括物理老化模型、基于数据的修正模型以及尤其是偏移值的总和，其中确定所述偏移值以消除所述预给定的物理老化模型的系统偏差。
18.一种用于执行权利要求1至17的方法之一的装置。
19.一种计算机程序产品，所述计算机程序产品包括指令，当由至少一个数据处理设备执行程序时，所述指令促使所述数据处理设备执行根据权利要求1至17中任一项所述的方法的步骤。
20.一种机器可读存储介质，所述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，所述指令促使所述数据处理设备执行根据权利要求1至17中任一项所述的方法的步骤。
CN202210421818.5A 2021-04-22 2022-04-21 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 Pending CN115236541A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021204014.4A DE102021204014A1 (de) 2021-04-22 2021-04-22 Verfahren und Vorrichtung zum Bereitstellen eines Alterungszustandsmodells zur Ermittlung von aktuellen und prädizierten Alterungszuständen von elektrischen Energiespeichern mithilfe von Transfer-Lernen mithilfe maschineller Lernverfahren
DE102021204014.4 2021-04-22

Publications (1)

Publication Number Publication Date
CN115236541A true CN115236541A (zh) 2022-10-25

Family

ID=83507802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210421818.5A Pending CN115236541A (zh) 2021-04-22 2022-04-21 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

Country Status (2)

Country Link
CN (1) CN115236541A (zh)
DE (1) DE102021204014A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022209931A1 (de) 2022-09-21 2024-03-21 Robert Bosch Gesellschaft mit beschränkter Haftung Diagnoseverfahren zur Diagnose eines Zustands einer elektrochemischen Zelle eines elektrochemischen Energiewandlers
CN117207778B (zh) * 2023-09-08 2024-02-13 嘉丰盛精密电子科技(孝感)有限公司 一种车辆部件无损检测方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AT512003A3 (de) 2013-01-23 2014-05-15 Avl List Gmbh Verfahren zur Ermittlung eines regelungstechnischen Beobachters für den SoC
DE102015011745B3 (de) 2015-09-04 2016-09-22 Audi Ag Ladezustandsbestimmung bei einer Kraftfahrzeug-Batterie
US10209314B2 (en) 2016-11-21 2019-02-19 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
DE102020206592A1 (de) 2020-05-27 2021-12-02 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Betreiben eines elektrisch antreibbaren Kraftfahrzeugs abhängig von einem prädizierten Alterungszustands eines elektrischen Energiespeichers

Also Published As

Publication number Publication date
DE102021204014A1 (de) 2022-10-27

Similar Documents

Publication Publication Date Title
Rauf et al. Machine learning in state of health and remaining useful life estimation: Theoretical and technological development in battery degradation modelling
US9846886B2 (en) Strategic modeling for economic optimization of grid-tied energy assets
US11965935B2 (en) Method and apparatus for operating a system for providing predicted states of health of electrical energy stores for a device using machine learning methods
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
EP4141460A1 (en) Battery capacity measuring device and method, and battery control system comprising battery capacity measuring device
US20220099743A1 (en) Method and Apparatus for Operating a System for Providing Predicted States of Health of Electrical Energy Stores for a Device Using Machine Learning Methods
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
CN114325397A (zh) 用于训练基于人工智能的状态模型的方法和装置
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
US20230305073A1 (en) Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern
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
CN117630672A (zh) 借助变换器模型预测诊断技术设备的设备电池的方法和设备
Renold et al. Comprehensive Review of Machine Learning, Deep Learning, and Digital Twin Data-Driven Approaches in Battery Health Prediction of Electric Vehicles
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
Heinrich Battery State Estimation of Electric Vehicles using Neural Networks
US11938838B2 (en) Method and device for the robust prediction of the aging behavior of an energy storage unit in a battery-operated machine
CN115219932A (zh) 用于评价设备电池组的相对老化状态的方法和装置
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
CN115701545A (zh) 用于提供计算和预测的电蓄能器老化状态的方法和装置
US20240168095A1 (en) Method and Apparatus for Predictive Diagnosis of a Device Battery of a Technical Device Using a Multivariate Transformer Model
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
US20230016228A1 (en) Method and Apparatus for Operating a System for Providing Predicted Confidence Intervals for States of Health of Electrical Energy Stores for at Least One Device With the Aid of Machine Learning Methods
CN115700390A (zh) 确定和改善蓄能器老化状态的预测的置信度的方法和装置
Lucchetta et al. Battery State of Charge estimation using a Machine Learning approach
CN116559698A (zh) 用于提供计算和预测的电蓄能器老化状态的方法和装置

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