CN115469224A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN115469224A
CN115469224A CN202210647502.8A CN202210647502A CN115469224A CN 115469224 A CN115469224 A CN 115469224A CN 202210647502 A CN202210647502 A CN 202210647502A CN 115469224 A CN115469224 A CN 115469224A
Authority
CN
China
Prior art keywords
profile
aging
state
model
energy store
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
CN202210647502.8A
Other languages
English (en)
Inventor
C·西莫尼斯
T·赫尔辛
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 CN115469224A publication Critical patent/CN115469224A/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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self learning
    • 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
    • G01R31/3828—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种用于预测带有至少一个电化学的单元、特别是电池单体的电储能器的模型化的老化状态的计算机实现的方法，所述方法具有下列步骤：‑提供储能器的至少一个运行参量的变化曲线；‑提供老化状态模型，老化状态模型构造用于，根据储能器的至少一个运行参量的直至一个时间点的变化曲线将针对时间点的对应的老化状态分配给电化学的储能器，‑根据说明了储能器的瞬时使用的或瞬时运行的方式的使用模式生成了从当前的时间点起直到未来的针对至少一个运行参量的人工变化曲线，因此预测未来老化状态的变化曲线；‑根据储能器的至少一个运行参量的到目前为止的变化曲线确定使用模式；‑根据至少一个运行参量的人工变化曲线预测老化状态。

Description

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
技术领域
本发明涉及一种电池供电运行的、带有电储能器的电气设备，特别是能电气驱动的机动车、特别是电动车辆或混动车辆，并且还涉及用于确定电储能器的老化状态（SOH：State of Health，即健康状态）的措施。此外，本发明除了移动式电储能器外也涉及静态的电储能器。
背景技术
借助通常为设备电池或车辆电池的电储能器向用电池供电运行的电气的设备和电气的机械、如能电气驱动的机动车供能。电储能器提供电能以运行所述设备。但也考虑连同储氢料箱在内的燃料电池系统作为电储能器。
电储能器或能量转换器在它们的使用寿命内并且与它们的负荷或使用相关地退化。这种所谓的老化导致了最大功率容量或储存容量连续下降。老化状态对应用于说明储能器老化的尺度。按照惯例，全新的储能器具有100%的老化状态，老化状态在储能器的使用寿命期间明显下降。储能器老化的尺度（老化状态的时间变化）取决于储能器的个体的负荷，这就是说，在机动车的车辆电池中取决于驾驶员的使用行为、外部的环境条件和车辆电池类型。
虽然可以借助物理的老化状态模型基于历史的运行状态变化曲线确定储能器的瞬时老化状态，但这种模型在一定的状况下是不准确的。传统的老化状态模型的这种不准确定使得预测老化状态变化曲线变难。但预测储能器的老化状态的变化曲线是一个重要的技术参量，因为用该技术参量能经济实惠地判定储能器的剩余价值。
发明内容
按照本发明，规定了一种按照权利要求1所述的用于预测电储能器的老化状态的方法以及一种按照并列的权利要求所述的用于在能电气运行的设备中预测电储能器的老化状态的装置。
进一步的设计方案在从属权利要求中说明。
按照第一个方面，规定了一种用于预测带有至少一个电化学单元、特别是电池单体的电储能器的模型化的老化状态的计算机实现的方法，该方法具有下列步骤：
- 提供储能器的至少一个运行参量的变化曲线；
- 提供老化状态模型，该老化状态模型构造用于，根据储能器的至少一个运行参量的变化曲线直至在一个时间点上将针对该时间点的相应的老化状态分配给电化学的储能器；
- 根据使用模式生成至少一个运行参量从当前的时间点起到未来的人工的变化曲线，使用模式说明了储能器的瞬时使用的或瞬时运行的方式，因此预测了未来老化状态的变化曲线；
- 根据储能器的至少一个运行参量的到目前为止的变化曲线确定使用模式，其中，根据至少一个运行参量自最近的使用变动时间点起的变化曲线确定所述使用模式；其中，最近的使用变动时间点说明了这样一个时间点，在该时间点上最后发生了储能器的使用行为的变动；
- 根据至少一个运行参量的人工变化曲线预测老化状态。
按照本说明书，储能器包括设备电池、带有电化学的能量变动器（该能量变动器带有能量载体贮存器）的能量变动系统，如带有燃料电池和能量载体贮存器的燃料电池系统。
电储能器的、特别是设备电池的老化状态，通常不是直接测量的。这需要储能器内部的一系列传感器，这些传感器会使制造这种储能器变得成本高昂以及昂贵并且会扩大空间需求。此外，适合日常使用的用于在储能器中直接确定老化状态的测量方法还没有在市场上有售。因此通常借助在于储能器分开的控制器中的物理的老化模型求取电储能器的当前的老化状态。这种物理的老化状态模型在一定的状况下时不准确的并且通常具有直至超过5%的模型偏差。
此外，由于物理的老化模型的不准确性，这个老化模型可以还算准确地仅说明储能器的瞬时老化状态。预测老化状态会导致极为不准确的预测并且现在没法规定，所述预测尤其取决于储能器的运行方式、例如取决于设备电池中电荷流入和电荷流出的高度和量并且因此取决于使用行为和使用参数。
老化状态（SOH：State of Health，即健康状态）在设备电池中是用于说明剩余的电池容量或剩余的电池电荷的关键参量。在设备电池或电池模块或电池单体的情况下，老化状态可以指的是容量保持率（Capacity Retention Rate，SOH-C，即容量保持率）。容量保持率SOH-C指的是所测得的瞬时容量与完全充满电的电池的起始容量之比。老化状态备选可以指的是在设备电池的使用寿命开端时关于内阻的内阻的上升（SOH-R）。内阻的相对变化SOH-R随着电池越来越老化而上升。
很有希望的是这样一些方案，即，基于老化状态模型特定于用户和特定于使用地模型化和预测电储能器的老化状态，老化状态模型使用运行参量从开始运行的时间点的变化曲线，以便基于老化状态在开始运行的时间点上分别一个时步接一个时步地调整老化状态。这种老化状态模型可以纯粹基于数据地实现，但也可以实现为混合的、基于数据的老化状态模型。这种老化状态模型可以例如在中央单元（云）中实现并且借助与中央单元处于通信连接的不同设备的大量储能器的运行参量参数化或进行训练。
用于求取电储能器的老化状态的老化状态模型可以以混合的老化状态模型的形式、即物理的老化模型与基于数据的模型的组合的形式提供。在混合的模型中，可以借助物理的或电化学的老化模型求取物理的老化状态并且用修正值加载这个物理的老化状态，修正值特别是通过相加或相乘由基于数据的修正模型产生。物理的老化模型基于表征了非线性的微分方程组的电化学的状态的电化学的模型方程、连续地计算并且将这些电化学的状态为了作为SOH-C和/或SOH-R输出而映射到物理的老化状态上。计算可以典型地在云中例如每周实行一次。
此外，混合的基于数据的老化状态模型的修正模型可以用概率的或基于人工智能的回归模型、特别是高斯过程模型构造并且可以加以训练，以便修正通过物理的老化模型获得的老化状态。为此，因此存在老化状态的基于数据的修正模型来修正SOH-C和/或至少一个另外的修正模型来修正SOH-R。高斯过程的可能的备选方案是另外的监督学习方法，如基于随机-森林模型、AdaBoost模型、支持向量机或贝叶斯神经网络。
当应当求取储能器的剩下的剩余使用寿命并且根据保修条件或CO2车队规定评估这个剩余使用寿命，那么预测老化状态是有帮助的。为此可以连续地结合预定的使用模式询问基于数据的老化状态模型。为此从当前的时间点起需要连续地生成人工运行参量的时间变化曲线，依据用于对微分方程求解的时间积分方法的物理的老化模型需要所述时间变化曲线来模型化预测的老化状态。由此尤其从当前的时间点起确定了老化状态的预测的变化曲线。运行参量位置要么直接取决于所识别到的使用模式，要么基于从使用模式推导出的负荷参量的变化曲线产生，由所述负荷参量生成的所需的运行参量的变化曲线。
这种预测可能性有利地使用了经训练的老化状态模型和使用模式，因而使得能比在纯粹外插的方法中更为准确地预测老化状态。
为了借助物理的或电化学的老化状态模型模型化储能器的老化状态和可选通过基于数据的修正模型（混合的老化状态模型）精确化，需要较为高频地提供运行参量的时间变化曲线。此外，必须针对所需的精度要求尽可能完美无缺地提供运行参量的这些时间变化曲线，这就是说为了在当前的时间点针对设备电池确定老化状态，需要特别是在电池层面上提供运行温度的、电池电流的、电池电压的和充电装填的时间变化曲线。
电化学模型连同修正模型的计算优选在设备外部发生，因为这种计算非常计算密集并且在电池运行的设备中或靠近该电池运行的设备的硬件中的所要求的处理能力不足或者处于成本原因不应维持。因此运行参量的时间变化曲线传输给设备外部的中央单元并且在那里根据电化学的模型以及必要时修正模型确定老化状态。
为了预测，从当前的时间点或当前的评估时间段起，在使用模式模型中生成了至少一个运行参量（负荷参量），即比如在作为储能器的电池中的温度的和/或电流的时间变化曲线。使用模式模型构造用于，根据一个或多个使用参数输出至少一个运行参量的连续的变化曲线，使用参数明确或隐晦地，这就是说借助基于数据的模型预定了使用模式。这使得能在至少一个运行参量的时间序列内实施通过使用模式参数化的使用行为。这可以通过直接生成至少一个运行参量的变化曲线和/或通过生成至少一个负荷参量完成，所述变化曲线本身也可以对应至少一个运行参量的变化曲线，其中，借助合适的模型由至少一个负荷参量的变化曲线生成了至少一个运行参量的变化曲线。使用模式因此可以借助负荷参量说明储能器的负荷的类型。负荷参量在作为储能器的设备电池中说明至少一个电流负荷。在作为储能器的电池中的另一个负荷参量可以是温度负荷。
可以规定，尤其通过至少一个负荷参量的时间序列预定的使用模式，在基于数据的使用模式模型的基础上借助历史使用行为创建，其中，所创建的使用模式尤其为了预测老化状态所求取。
但这要求储能器的历史使用经受恒定不变的使用模式或运行模式，这就是说，储能器的使用的方式基本上保持不变。但在使用行为中则可能出现了持久的或持续很长时间的变化，例如当新的使用者使用设备时，这个使用者指示改变的行为或者将设备带到新的地点。在车辆中，可能由于将车辆出售给新的驾驶员或由于驾驶员的新的职业或爱好而促使使用行为发生改变。从使用寿命开端起运行参量的变化曲线的特征的取平均可能无法按规定考虑到例如使用者或使用行为的最近发生的变动，特别是当使用行为（使用模式）或运行方式明显改变时。因此选择生成至少一个负荷参量的人工变化曲线来预测老化状态取决于使用模式，使用模式针对储能器的运行参量的历史变化曲线加以识别并且由这个历史变化曲线求出。
因此上述方法规定，将使用变动时间点识别为使用行为的最后的（最近的）改变的时间点，以便由此推导出仅从特定的最后的使用变动时间点起的使用模式。这种使用模式然后时生成负荷参量的和“人工的”预测的运行参量的变化曲线的基础，所述变化曲线作为时间序列数据用作在基于数据的老化状态模型中预测老化状态的基础。
上述方法为此规定，由储能器的到目前为止所记录的运行参量变化曲线提取出从最后的使用变动时间点起来自运行的重要的运行特征，以便基于运行参量的预测来预测未来的老化状态或老化状态变化曲线，它们包括涉及到评估时间段的特征和/或积累的特征、特别是在整个到目前为止的使用寿命内求出的统计学参量。
此外，至少一个运行特征包括在评估时间段内取平均的特征和/或累积的特征和/或在整个到目前为止的使用寿命内求出的统计学特征，并且特别是包括：
- 电化学的状态，特别是在作为储能器的电池中的SEI层厚、可循环的锂由于阳极/阴极副反应的变化、电介质的快速消耗速率、电介质的缓慢消耗速率、锂分离的速率、活性阳极材料的损失率、活性阴极材料的损失率、内阻等。
- 直方图特征，如与充电状态相关的温度、与温度相关的充电电流或与温度相关的放电电流、电流流量、积累的总电荷（Ah）、在充电过程中的平均的容量增加、充电容量以及极值，例如局部最大值、平滑的微分容量dQ/dU或累积的行驶里程。
这些参量优选被这样换算，使得它们尽可能好地表征真正的使用行为。此外，所述参量这样基于领域知识或特征工程缩放（skalieren），使得它们在使用寿命内通过在储能器的相同的运行时、即在线性的特征函数中的优选恒定不变的增长加以表征。例如在积累的电荷通过量（Ah）下，例如在考虑到SOHR的情况下发生了标准化，因而正确地描绘了用于应对相同的行驶里程（单位为KM）真实的电池效率。
运行特征尤其还可以包括作为储能器的设备电池的一个或多个电化学的状态，如SEI层厚、可循环的锂由于阳极/阴极副反应的变化、电介质的快速消耗、电介质的缓慢消耗、锂分离、活性的阳极材料的损失和活性的阴极材料的损失、内阻、基于基础模型、例如基于库伦计数求取的老化状态以及直方图特征，如关于充电状态的温度、关于温度的充电电流和关于温度的放电电流、安培小时为单位的电流量、充电容量以及平稳的微分容量dQ/dU的局部极值。这些参量也可以基于领域知识或特征工程这样缩放，使得它们在储能器的使用寿命内通过在储能器相同运行时、即线性的特征函数中的优选恒定不变的增长加以表征。
可以针对从使用寿命开端起的连续相继的评估时间点求出这些特征中的一个或多个特征并且就基本的使用模式而言对它们进行分析。例如可以借助聚类方法、例如基于密度的聚类方法或者备选基于所考虑到的运行特征的竞争学习算法加以分析，以便识别使用模式的变化。
还可以附加地使用基于梯度的监控函数，其识别一段时间内线性的时间变化曲线并且将梯度变化的时间点（尤其当这种梯度变化跳跃地进行时）假定为使用变动时间点。这种梯度监控可以应用于至少一个特征，针对该特征，在使用不变的情况下可以假定线性增长，如关于电池效率标准化的在足够长的时段内的累积的行驶功率或积累的电荷通过量（Ah）。
也能以如下方式借助异常探测识别使用变动时间点，即，针对任意评估时间段检查有关异常的运行特征。为此，例如变分自动编码器或自动编码器特定于设备地基于在评估时间点中的历史数据从使用寿命开端起连续地用所求出的运行特征或它们的梯度加以训练，所述运行特征或它们的梯度由于标准化而优选在标准状态中是恒定不变的。在每个新的评估时间点上，自动编码器被询问并且异常值（基于来自潜在空间的重建错误）被确定。若所确定的异常值明显偏离之前所求出的足够长的时间段（例如一个或多个评估时间段）内的标准行为，这就是说，偏离超过了一个或多个评估时间段内之前所求出的异常值的阈值，那么可以将评估时间点识别为使用变动时间点。
若最近的使用变动时间点由从使用寿命开端起设备电池的运行参量变化曲线确定，那么从特定的最近的使用变动时间点和当前的时间点起选择代表负荷参量的运行参量变化曲线。由此创建了当前的使用模式，当前的使用模式接下来可以用于预测老化状态。在还没有存在足够多的用于训练未受监督的针对驾驶员更换的异常识别的数据点的阶段中，可以对至少一个运行特征进行梯度监视以评估，至少一个运行特征是否可以分配给储能器的典型的使用方式。一旦存在足够多的数据点，例如在两个月之后，那么可以训练和使用无监督学习算法，以便尽可能好地判定使用变动。
使用模式由使用模式模型的模型参数得出，模型参数优选基于数据构造，特别是构造成复发神经网络，如贝叶斯LSTM（LSTM：Long Short Term Memory，即长短期记忆网络）。以如下方式训练这种复发神经网络，即，将日历上的注明时间分配给负荷参量变化曲线或运行参量变化曲线。使用模式模型然后将至少一个负荷参量的或至少一个运行参量的对应的变化曲线分配给日历上的注明时间或者这在对应地预定日历上的注明时间时产生。日历上的注明时间可以说明日历日期和时间以及因此推导出的信息，如工作日、季节或月等。
可以规定，根据所提供的使用模式借助特别是基于数据的使用模式模型生成至少一个运行参量的人工变化曲线。
可以规定，电储能器根据预测的模型化的老化状态的变化曲线运行，其中，尤其根据预测的模型化的老化状态的变化曲线将电储能器的剩余使用寿命信号化。此外还可以规定，视剩余使用寿命而定，提高或减小剩下的快充循环的数量。
为此，从所观察的设备电池的当前的老化状态起，基于由当前的使用模式创建的人工运行参量变化曲线来重新确定未来的老化状态变化曲线。产生了预测的老化状态变化曲线，由该预测的老化状态变化曲线可以确定例如大概可能的使用寿命，特别是以时间点的形式，在该时间点上，预测的老化状态低于预定的阈值。
尤其可以为了确定老化状态的预测的变化曲线而用至少一个运行参量的整个变化曲线加载老化状态模型，该变化曲线包括至少一个运行参量直至当前的评估时间段的到目前为止的变化曲线和至少一个运行参量从当前的评估时间段起的人工变化曲线。
上述方法使得即使在设备电池的到目前为止的运行期间出现了使用行为上的变化时也能极为准确地预测老化状态。这种方法相比老化状态变化曲线的简单的外插法具有的优点是，可以根据设备电池的最后确定的使用行为求出老化状态的进一步的变化曲线并且由此可以更为准确地完成。
可以规定，使用模式模型构造用于，根据使用模式的使用参数连续地输出至少一个运行参量的变化曲线或至少一个负荷参量的变化曲线，由负荷参量可以生成至少一个运行参量。
此外，使用变动时间点可以借助异常识别、特别是借助自动编码器确定，其中，根据至少一个运行参量的变化曲线从开始运行的时间点起或从最近的确定的使用变动时间点起训练异常识别，其中，在识别到至少一个运行参量的变化曲线中的异常时识别到使用变动时间点。
可以规定，当最近的使用变动时间点还没有落后预先确定的持续时间时，至少一个由至少一个运行参量的变化曲线确定的运行特征的变化幅度大于预定的梯度值的最近的梯度变化的时间点，被确定为使用变动时间点。
尤其可以借助用于定义正常类的聚类方法基于至少一个运行特征的梯度的变化曲线确定使用变动时间点。
至少一个运行特征可以包括在预定的评估时间段内取平均的特征和/或累积的特征和/或在整个到目前为止的使用寿命内求出的统计学特征。优选发生了特征的标准化或缩放，因而其在使用寿命内的预期的增长在恒定不变的使用时尽可能是线性的。
针对至少一个运行特征，可以确定连续相继的评估时间段内的梯度变化曲线，其中，将至少一个运行特征的梯度的变化幅度为大于预先确定的阈值的变化的时间点确定为使用变动时间点。
储能器可以用于运行设备，如机动车、电动助力车、飞行设备、特别是无人机、机床、娱乐电子器件的设备，如移动电话、自动机器人和/或家用器具。
按照另一个方面，规定了用于预测带有至少一个电化学的单元、特别是电池单体的电储能器（41）的模型化的老化状态（SOH）的装置，其中，该装置构造用于：
- 提供储能器的至少一个运行参量；
- 提供老化状态模型，该老化状态模型构造用于，根据储能器的至少一个运行参量的变化曲线直至在一个时间点上将针对所述时间点的对应的老化状态分配给电化学的储能器；
- 根据说明了储能器的瞬时使用的或瞬时运行的方式的使用模式，从当前的时间点起到未来，生成针对至少一个运行参量的人工变化曲线，因此预测未来老化状态的变化曲线；
- 根据储能器的至少一个运行参量的到目前为止的变化曲线确定使用模式，其中，根据从最近的使用变动时间点起至少一个运行参量的变化曲线确定使用模式；其中，最近的使用变动时间点说明了这样一个时间点，在该时间点上，最后发生了储能器的使用行为的变动；
- 根据至少一个运行参量的人工变化曲线预测老化状态。
附图说明
接下来借助附图更为详细地阐释实施方式。
图1是在中央单元中用于提供特定于驾驶员和特定于车辆的运行参量以确定车辆电池的老化状态的系统的示意图；
图2是混合的老化状态模型的功能结构的示意图；
图3是用于示出训练基于数据的老化状态模型的方法的流程图；
图4是混合的老化状态模型的功能结构的示意图，伴随对老化状态的取决于使用的预测；
图5是用于阐明用来求取作为储能器的车辆电池的老化状态的预测的变化曲线的方法的流程图；
图6是示例性的运行特征的时间变化曲线图。
具体实施方式
下文中借助在作为同类设备的大量机动车中的作为电储能器的车辆电池说明按本发明的方法。在机动车中，可以在控制单元中实现针对相应的车辆电池的基于数据的老化状态模型。老化状态模型可以如接下来所说明的那样在车辆外部的中央单元中连续地基于来自车队的车辆电池的运行参量进行更新或再训练。老化状态模型在中央单元中运行并且用于老化计算和老化预测。
上述例子代表了多个带有用电池运行的供能装置的静态的或移动的设备，如车辆（电动车辆、电动助力车等）、设施、机床、家用器具、IOT设备等，它们通过相应的通信连接（例如LAN、因特网）与设备外部的中央单元（云）处于连接。
图1示出了用于在中央单元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。老化状态模型用于确定电储能器、如车辆电池或机动车中的燃料电池的老化状态。图1示出了带有多个车辆4的车队3。
车辆4中的其中一个车辆在图1中被更为详细地示出。车辆4分别具有作为能重复充电的电储能器的车辆电池41、电气的驱动马达42和控制单元43。控制单元43与通信模块44连接，通信模块适用于在相应的车辆4和中央单元2（所谓的云）之间传输数据。
机动车4将运行参量F发送给中央单元2，运行参量说明了影响车辆电池41的老化状态的至少一个参量。运行参量F在车辆电池的情况下无论在包装层面上、模块层面上和/或电池层面上均可以说明瞬时电池电流、瞬时电池电压、瞬时电池温度和瞬时充电状态（SOC：State of Charge）。运行参量F在2 Hz至100 Hz的快速的时间栅格中检测并且以未经压缩的和/或压缩的形式定期传输给中央单元2。时间序列例如可以在充分利用压缩算法的情况下为了最小化与中央单元2的数据交通而以10 min至多个小时的间隔逐段地传输给中央单元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实施接下来说明的方法；和用于储存数据点、模型参数、状态等的数据库22。
在中央单元2中实现老化状态模型，该老化状态模型作为混合模型部分基于数据。老化状态模型可以定期地、这就是说在相应的评估持续时间结束后使用，以便基于运行参量的时间变化曲线（分别从相应的车辆电池开始运行起）和由此求出的运行特征求取所配属的车队的相关的车辆电池41的瞬时老化状态。换句话说，可以基于所配属的车队3的机动车4的车辆电池41的运行参量的变化曲线和由运行参量的这些变化曲线得出的运行特征求取相关的车辆电池41的老化状态。
老化状态（SOH：State of Health，健康度）是用于说明剩余的电池容量或剩余的电池电荷的关键参量。老化状态表明车辆电池或电池模块或电池单体的老化程度并且可以说明为容量保持率（Capacity Retention Rate，容量保持率，SOH-C）或者说明为内阻的上升（SOH-R）。容量保持率SOH-C被说明为是所测得的瞬时容量与完全充满电的电池的起始容量之比。内阻的相对变化SOH-R随着电池越来越老化而上升。
图2示例性地示意性示出了基于数据的老化状态模型9的一种实施方式的功能结构，该老化状态模型以混合的方式构建。老化状态模型9包括物理的老化模型5和修正模型6。
物理的老化模型5涉及到基于微分方程的数学模型。用运行参量变化曲线特别是从设备电池的使用寿命开始起对老化状态模型的物理的老化模型的评估，导致出现了物理的微分方程的方程组的内部状态，该内部状态对应设备电池的物理的内部状态。因为物理的老化模型基于物理的合理性，所以物理的老化模型的模型参数是说明物理特性的参量。
运行参量F的时间序列因此直接进入物理的老化状态模型5，该物理的老化状态模型优选设计成电化学的模型并且借助非线性的微分方程和多维的状态向量说明了对应的内部的电化学状态，如层厚（SEI厚度）、可循环的锂由于阳极/阴极副反应的变化、电介质的快速消耗、电介质的缓慢消耗、阳极中活性材料的损失、阴极中活性材料的损失等。
物理的老化模型5因此对应电池单体和电池化学的电化学的模型。这种模型根据运行参量F求出内部的物理的电池状态，以便得出形式为上述电化学的状态中的至少一个状态的维度的基于物理的老化状态SOHph，上述电化学的状态被线性或非线性地映射到容量保持率（SOH-C）和/或内阻上升率（SOH-R）上，以便将它们作为老化状态（SOH-C和SOH-R）提供。
不过由电化学的模型提供的针对物理的老化状态SOHph的模型值在一定的状况下是不准确的，并且因此规定，用修正参量k来修正这些模型值。修正参量k由基于数据的修正模型6提供，修正模型借助来自车队3的车辆4的训练数据组和/或借助实验室数据进行训练。
修正模型6在输入侧获得了运行特征M，运行特征由运行参量F的变化曲线求出并且也可以包括物理模型的微分方程组的内部的电化学状态中的一个或多个内部的电化学状态。此外，修正模型6可以在输入侧获得了从物理的老化模型5获取的物理的老化状态SOHph。当前的评估时间段的运行特征M在特征提取块8中基于运行参量F的时间序列产生。此外，属于运行特征M的还有来自电化学的物理的老化模型的状态向量的内部的状态以及有利地还有物理的老化状态SOHph。
由运行参量F可以在针对每个车队3的中央单元2中或者在其它实施方式中也已经在相应的机动车4中生成运行特征M，运行特征涉及到评估时间段。评估时间段可以为了确定老化状态而为几小时（例如6小时）至几周（例如一个月）。评估时间段的常见的值通常为一周。
运行特征M可以例如包括涉及到评估时间段的特征和/或积累的特征和/或在整个到目前为止的使用寿命内求出的统计学参量。运行特征尤其可以例如包括：电化学的状态，如SEI层厚、可循环的锂由于阳极/阴极副反应的变化、电介质的快速消耗、电介质的缓慢消耗、锂分离、活性的阳极材料的损失和活性的阴极材料的损失、关于阻抗或内阻的信息、直方图特征，如关于充电状态的温度、关于温度的充电电流和关于温度的放电电流、特别是关于充电状态的就电池温度分布而言的多维的直方图数据、关于温度的充电电流分布和/或关于温度的放电电流分布、安培小时为单位的电流量、积累的总电荷（Ah）、在充电过程时的平均容量增加（特别是针对这样一些充电过程，在这些充电过程中，电荷增加处在总的电池容量的阈值份额之上（例如20%））、充电容量以及在伴随充电状态的足够大的偏移（Hub）的测得的充电过程期间微分容量的极值（最大值）（dQ/dU：电荷变化除以电池电压的变化）或者积累的行驶功率。这些参量优选被这样换算，使得它们尽可能好地表征真实的使用行为。运行特征M可以总体上或者仅部分用于接下来说明的方法。
为了确定经修正的有待输出的老化状态SOH，物理的老化模型5的和优选作为高斯过程模型实施的基于数据的修正模型6的输出SOHph、k被相互加载。这些输出尤其可以在相加块7中相加或相乘（未示出），以便在当前的评估时间段上获得有待输出的模型化的老化状态SOH。高斯过程的置信度可以在相加情况下还用作混合模型的有待输出的经修正的老化值SOH的置信度。
为了运行特征的标定和降低维度，必要时可以使用PCA（英文为PrincipalComponents Analysic，即主成分分析），以便相应地在训练修正模型（无监督）之前减少特征空间中的冗余的、线性相关的信息。备选也可以使用内核PCA，以便能在数据的复杂度降低时也描绘非线性的效果。无论在维度江都之前还是专门在这之后，均发生了整个运行特征空间（或主成分空间）的标准化，例如最小/最大缩放或Z变换。
老化状态的计算和老化状态的预测因此对具有至少一个电化学的单元、例如电池单体的储能器而言是可能的。所述方法通过基于规则和/或基于数据的映射也能使用到储能器的总系统上。以电池为例，老化预测因此除了电池层面外也可以直接使用到模块层面和包装层面上。
图3是用于阐明在中央单元2中训练混合的老化状态模型的示例性的方法的流程图。为此定义训练数据组，它们将运行参量的变化曲线分配给凭经验求出的作为标签的老化状态。
可以以本身公知的方式通过用车辆内或中央单元2内的附加的模型评估运行参量变化曲线在标签产生的限定的负载条件和环境条件下求出作为标签的老化状态，例如在车间中、在试验台上或者诊断或标签产生模式上，所述模式是运行模式并且确保了遵守车辆电池的预先确定的运行条件，如恒定不变的温度、恒定不变的电流等。为此也可以使用其它模型来求出老化状态，例如基于对电池使用的所识别到的充电阶段和/或放电阶段的分析。
优选通过库伦计数或者通过在充电过程期间形成时间的电流积分而进行SOH-C测量，时间的电流积分除以充电状态在相关的充电阶段和/或放电阶段的开始和结束之间的偏移（Hub）。在此有利地校准静止阶段中空转电压特征线，以便在中央单元中一起计算充电状态变化曲线。当车辆电池在充电过程期间从定义的轻松的状态起在可重现的负荷和环境条件下从完全放电的充电状态进入完全充电的状态时，人们可以例如获得用于用作标签的有关老化状态的足够可靠的说明。由此检测到的最大电荷可以与车辆电池的初始的最大的充电容量相关。与电阻相关的老化状态（SOH-R值）也可以通过涉及到电流变化的电压变化进行计算。这通常涉及到系统的定义的时间间隔以及定义的环境条件和能量流方向。
因此从分别在一个时间点上求出的老化状态和针对相关的车辆电池从相关的车电池开始运行的时间点到这个时间点的运行参量变化曲线，得出了针对车辆电池的训练数据组。针对车辆电池，可以求出不同的时间点上的多个训练数据组，其中，所述时间点可以相对开始运行的时间点（使用寿命开端）加以说明。训练数据组可以向多个车辆收集和提供。
可以以传统的方式用所述训练数据组训练老化状态模型。这就是说，在保有物理的老化模型5的情况下，通过混合的老化状态模型9评估训练数据组并且分别将误差衡量标准，例如在所观察的训练数据组的模型化的老化状态SOH的输出值和相关的标签之间的RMSE（英文为relative mean squared error，即均方根误差）（损失函数）以本身公知的方式用于调整和训练修正模型6。在此规定，训练根据物理的模型的残数进行，因而可以正好以充分的置信度允许数据状况的地方实施对应修正模型的用数据运行的修正。训练数据组然后表示训练量。
备选可以通过将训练数据组划分成训练量和测试量来进行训练。训练量用于训练混合的老化状态模型，测试量则用于借助测试量的新的、不用于训练的未知的数据验证混合的老化状态模型。优选使用第三数据组，即验证数据组，以便优化修正模型的超参数。最后始终根据新的数据测试混合的老化状态模型9，其中，在中央单元2中进行部署和紧接着的有成效的运行之前，混合的老化状态模型9的性能在这个独立的数据组上得到证实。
在步骤S1中，特别是通过借助最小二乘法等的参数优化来根据训练量的第一部分将物理的老化模型5参数化。作为物理的老化模型5的输出的物理的老化状态SOHph，在此被假定为相应的训练数据组的老化状态。
在步骤S2中，将物理的老化模型用于混合模型的总的训练量，这就是说训练数据组的数量，其至少包括或甚至超过用来将物理的老化模型参数化的训练数据组的量。物理的老化模型5的误差对应地在关于作为模型偏差的直方图的残数的总误差中进行评估。这种残数结合运行特征M或运行参量F包含了关于物理的老化模型5的系统性弱点的所有重要信息。也获得了这样的信息，即物理的老化模型5关于未被用于物理的老化模型5的参数化的新的训练数据组如何表现，这就是说，如何归纳物理的老化模型。
在下一个步骤S3中，根据混合的老化状态参量9的完整的训练量训练基于数据的修正模型6。混合的模型的这个训练量至少包括物理的模型对应步骤S1的训练量。为了训练修正模型6，既从运行参量F提取出运行特征M，也将物理的老化模型5的内部的状态用作M的子集，以便将所有的运行特征映射到在物理的老化模型的模型预测（物理的老化状态）和训练数据组的打标签的老化状态之间的误差上。此外，M也可以包括模型化的物理的老化状态SOHph。修正模型6因此可以学习物理的老化模型5的弱点，以便因此可以在修正块中实施对物理的老化状态的修正。
可以用交叉验证和连续的装袋法（即Bootstrap Aggregating，自举汇聚法）执行基于数据的修正模型6的训练，以便改进鲁棒性和准确性。在训练修正模型时，经训练的混合的老化状态模型可以借助测试量在步骤S4中进行验证，因而可以验证老化状态计算的总性能。
现在可以为了基于车辆电池的运行参量F从使用寿命开端起的时间变化曲线求出老化状态而使用经训练的混合的老化状态模型。
当新的打标签的训练数据组可用时，特别是当所述训练数据组包含新的和重要的信息时，总是可以开始对混合的老化状态模型的训练。因此在基于车队数据在中央单元2中运行时，能够持续地再训练混合的老化状态模型以求出车辆电池的当前的老化状态并且以在预测老化状态时使用。
可以借助主动学习求出训练数据，其中，求出关于训练特征点（运行特征的组合）的训练数据，对修正模型而言具有很高的不确定性。尤其可以选择设备组的一些设备，这些设备的运行特征点具有很高的模型不确定性并且同时对现有的车队3具有很大的重要性，因而相关的车队3的数量尽可能多的车辆4受益于标签生成和紧接着的模型训练。，
图4基于图2的混合的老化状态模型。为了预测未来的老化状态变化曲线，使用动态模型9，以便基于至少一个负荷参量的变化曲线、如电池电流I和电池温度T的变化曲线生成运行参量F的、如电池电压U和充电状态SOC的时间变化曲线，并且将所有这些运行参量F，即电池电压U的、充电状态SOC的、电池电流I的和必要时电池温度T的时间变化曲线，总体上作为“人工的”运行参量变化曲线提供给混合的老化状态模型。
因此对作为储能器的电池而言，所产生的负荷参量的变化曲线对应“人工”运行参量变化曲线的一部分。在其它类型的储能器中，负荷参量可能不同于运行参量F。在其它实施方式中，运行参量F的变化曲线也可以完全对应负荷参量或者直接由使用模式模型生成。
动态模型9因此具有的任务是，针对混合的老化状态模型在预测情形下生成的（非真实的、人工产生的）负荷参量的时间序列或变化曲线，可以提供用于创建运行参量F和/或作为运行参量F的至少一部分提供，用它们可以通过整顿当前的老化状态（基于运行参量F的从使用寿命开端（开始运行）起检测的变化曲线）预测老化状态的变化曲线。
动态模型9可以设计成不同类型，如等效电路模型、电化学的模型、电池单体的单粒子模型等。动态模型9可以尤其对应电化学的电池模型，其将平衡状态模型化并且在静止阶段中对电池电压进行校准，以便由电池电压生成电池电流和充电状态。动态模型备选可以实施电池性能模型以表征系统-传递函数，其中，电流强度的非线性可以通过巴特勒-福尔默（butler-volmer）调谐计算得出。
根据车辆电池41的所产生的老化状态SOH从负荷参量的变化曲线生成运行参量变化曲线，所述生成专门就其参数或备选就其状态促成了动态模型9的更新。因此动态模型9的传递行为根据车辆电池41的老化状态发生改变。这种参数更新在模拟或预测期间典型地每（模拟的）一个月进行一次。
通过基于所计算出的模型化的老化状态SOH更新动态模型9的参数和/或状态，可以考虑到老化状态SOH。
针对电池性能模型的例子，由电池电压Ucell如下来确定电池电压：
Figure 246258DEST_PATH_IMAGE002
其中，OCV对应空转电压，Uohmic对应电池单体上由于欧姆电阻导致的电压下降，Uct对应基于电荷交换电阻的电压下降，Udiff对应基于扩散阻力的电压下降，R1(SOH)和R2(SOH)对应有待优化的参数。在此，将针对高频部分的
Figure 38765DEST_PATH_IMAGE004
和针对低频部分的R2参数化。Rct（CT=Charge Transfer）描述了传递函数由于与电流强度的非线性的相关性的非线性的部分。
Figure 818502DEST_PATH_IMAGE006
I0对应动态的平衡状态下的电流。在这个运行点中，电阻根据巴特勒-福尔默方程能足够精确地线性化。
为了生成负荷参量变化曲线以预测老化状态，设有使用模式模型10。使用模式模型10将预定的使用模式N转化成负荷参量的变化曲线，负荷参量反应的储能器的负荷，储能器在通过使用模式说明的使用方式和运行方式中承受所述负荷。使用模式N因此导致了，通过使用模式模型10输出作为负荷参量L的电池电流I和电池温度T的时间变化曲线，用它们借助动态模型9用电池电压U和充电状态SOC的变化曲线晚上一组运行参量F，以便生成运行参量F的人工生成的变化曲线。
使用模式由使用参数N限定，使用参数通过车队数据特定于车辆地通过使用模式模型10优选在基于数据的方法的帮助下被学会，并且用于关于相关的车辆电池41模仿用户的或传动系的使用行为。
使用模式模型可以构造成复发神经网络，如LST或GRU，特别是构造成贝叶斯LSTM网络，并且基于负荷参量的或运行参量F的说明了储能器的使用方式的变化曲线进行训练。负荷从哪里昂的或运行参量F的在此有待考虑到的变化曲线应当基于电池的相同的使用方式和相同的运行方式的时间段。
说明了使用模式的使用参数，然后就对应使用模式模型的模型参数，这就是说在神经网络的情况下对应各个神经元的权重和偏置值。此外，作为重要参数考虑到了根据贝叶斯定理以观察为条件的先验分布和后验分布以及概率。
使用模式通过基于负荷参量和/或运行参量关于它们的日历上的参考的已知的变化曲线训练使用模式模型得出。这就是说，使用模式模型在输入侧用日历上的注明时间并且在输出侧用负荷参量（电流、温度优选作为时间序列）和/或运行参量F以本身为复发神经网络已知的方式进行训练。因此可以通过预定日历上的注明日期，如日期和时间来生成负荷参量的和/或运行参量F的人工变化曲线。此外，日历上的注明时间还可以包含工作日、月和对节日的了解并且尤其通过特征工程季节性考虑到。
只要没有识别到驾驶员变动，就定期地在考虑到新的数据的情况下训练所述使用模式模型，例如每月一次。训练数据组典型地包括运行参量F或负荷参量从最后辨别的驾驶员变动起的变化曲线直至最新检测到的运行参量F或负荷参量的变化曲线。在这个区段的中央，可以典型地从训练数据组中分离出一个时间区段，其没有用于训练，而是用于验证使用模式模型。贝叶斯LSTM网络典型地用于电流变化曲线的特定于驾驶员的表征。此外，贝叶斯LSTM网络还用于温度变化曲线的特定于驾驶员的表征。ARIMAX模型是LSTM方案的备选。
使用模式模型10可以这样直接由负荷参量L和/或运行参量F的变化曲线的原始数据形成。因此对车辆电池41而言，识别到了电流分布的例如由于重复的通勤路线的典型的样式和典型的停车时间和休息时间和温度范围内的负荷，并且使之变得能再现。
使用模式N因此可以含蓄地说明车辆电池41的负荷的类型、特别是周期性的负荷。
使用模式N尤其也可以说明环境条件和周期性的负荷变化曲线。环境条件可以例如由气候表推导出，优选在GPS相关的来自中央单元（云）的天气数据的帮助下针对季节等说明了在一个日夜交替内的电池温度的变化曲线。为此，使用模式模型除了日历上的注明日期外，也用温度变化曲线说明进行训练和使用。GPS相关的温度变化曲线的预测优选可以加入到使用模式的预测中。
温度变化曲线说明可以由在直接落后的时间段内、例如一个月内的平均温度得出，其可以借助由气候表得出的季节性波动进行预测。气候表可以由车辆的地点说明（地理位置）（车辆地点：最频繁的所确定的车辆位置）推导出。因此使用模式模型将日历上的注明时间和温度变化曲线说明到负荷参量和/或运行参量F的变化曲线上的映射规定为输入参量并且也相应地进行训练。
此外，可以根据模型化的老化状态SOH来运行使用模式模型10。因此可以例如在用车辆电池运行的车辆中考虑到，驾驶员在电池老化时必须每周充电三次，而不是入一开始那样只充电两次，以便驶过其期望的路线。
使用模式N被特定于车辆地训练和预定并且表征相应的车辆电池41的使用的和运行的方式或使用和运行行为。
以使用模式模型的使用参数（模型参数）的形式预定的使用模式N，可以以累积的运行特征的梯度变化曲线的形式针对累积的参量加以验证，累积的参量中，在使用方式或运行方式相同时，预期有线性的增长，如在考虑到SOHR的情况下的km功率或效率标准化的AH通过量。
在图5中示出了流程图，该流程图说明了一种用于预测老化状态变化曲线的方法。
在步骤S11中，在当前的评估时间段内提供针对车辆电池41的运行参量变化曲线。
在步骤S12中，特别是结合对混合的（用于求出当前的老化状态的）老化状态模型的评估，求出和提供针对当前的评估时间段的运行特征。针对评估时间段从车辆电池41开始运行起或者使用寿命开端起确定和提供所求出的运行特征。
在步骤S13中分析针对落后的和当前的评估时间段的运行特征并且由此求出最近的使用变动时间点，倘若存在的话。
使用变动时间点通常说明了使用行为的巨大的变化并且可以通过一段时间内（评估时间段的时间顺序内）对研究一个或多个运行特征的时间变化曲线的分析得出。因此若得出了车辆电池41的使用行为或运行行为的变化（所述变化不仅仅是形式为异常的短时间的偏差）那么可以推断出使用变动时间点。
因此可以例如在足够长的时间段内通过梯度监视来监控实际上累积的行驶里程或车辆电池的通过老化状态标准化的Ah通过量。若出现了所观察的运行参量F的时间曲线的变化程度为大于预先确定的值的梯度变化，那么可以将对应的评估时间段视作使用变动时间点。适用于梯度监视的另外的运行特征包括：累积的直方图数据，其表征了使用行为，如充电状态、温度等；在局部的极值上评估的增量电荷，例如关于电压U的局部的第二最大值max（dQ/dU），其中，dQ/dU用信号技术制备，例如用低通滤波器平滑；电化学的状态（SEI厚度、可循环的锂、溶剂浓度、通过析锂/回嵌的相加的损失、电极处的活性材料损失）；例如通过库伦计数求出的电荷量，优选包括静止阶段中OCV的校准在内。
除了梯度监视外，也借助无监督机器学习方法，例如聚类方法、特别是基于密度的聚类或竞争学习算法来执行使用变动时间点的求取，特别是通过外插的运行特征的异常识别，如平均的电荷通过量的突然出现的持久的偏差等。
基于梯度监视已知的是，运行特征在未来如何表现。检查在足够长的时间段内评估的当前的梯度是否与驾驶员的、特别是正常类的到目前为止的梯度相配。聚类方法使用通过在相应的评估时间段内所观察的至少一个运行特征的梯度所确定的数据点，所述数据点由于选择了至少一个运行特征而没有改变或仅极为缓慢地改变。若通过聚类方法确定了跳跃的改变，那么这表示异常并且识别到了驾驶风格的系统性变动或驾驶员变动。
此外，如果存在可以分配给使用行为的足够的数据基础，例如两个月，那么自动编码器可以根据驾驶员个人的历史基于至少一个运行特征进行训练。在还没有存在足够多的数据点来训练自动编码器以用于使用变动时间点的无监督的异物识别的阶段中，可以执行对运行特征的上述梯度监视以评估运行特征是否可以分配给典型的驾驶员风格。一旦存在足够多的数据点，那么可以基于自动编码器训练和使用无监督学习算法，以便尽可能好地判定驾驶员变动。
现在，通过评估自动编码器的重建错误，可以判定，在所观察的评估时间段中的新的梯度观察是否属于标准类。梯度观察可以是多维的并且由运行特征的多个梯度得出。若在连续相继的评估时间段的足够长的时间段内（例如在3至10个评估时间段之间）确定了自动编码器的内部的（潜在的）状态的偏离了大于预定的阈值的偏差，那么识别到了第一个评估时间段内（在该第一评估时间段上确认了内部的状态的相应的偏差）的使用变动时间点并且从使用变动时间点起重新开始形成“正常类”。
在此，现在只要收集到了针对正常类的足够的数据基础，那么就通过梯度监视确保了，合理的正常类可以用累积的运行特征的相似的梯度初始化。一旦可能存在足够数量的数据点，例如可以通过梯度监视分配给驾驶员类型的2个月的正常数据，那么就例如借助自动编码器发生了从基于规则的梯度监视到无监督学习的转换。为此训练自动编码器，以便尽可能好地表征正常类。自动编码器的优点是：
- 其重量也可以极为有效地布置在车辆中，这可以实现一种嵌入式设计，
- 可以专门在多维的特征区域中高性能地进行聚类方法以判定驾驶员行为。
在定期的预定的时间间隔内，优选用从当前的评估时间段起在预定的落后的时间段内的重要的历史数据点重新训练或再训练自动编码器，倘若没有辨别出系统性的驾驶员变动时。
在图6中示例性地示出了累积的运行特征的、如效率整顿后的AH通过量的增长的变化曲线，需要该变化曲线来表明行驶特性。备选可以使用其它有关梯度评估的累积的运行特征，如可循环的锂的损失，可循环的锂在第一个近似值中与SOHC的下降线性相关。此外，也可以将溶剂浓度或另外的电化学的状态参量用于梯度分析。
原则上也可以将非线性地增长的累积的运行特征用于梯度分析和用于聚类。在此，类的质心随时间移动，这使定期训练自动编码器变得有需要，优选根据从当前的评估时间段起的预定的落后的时间段。
如果重建错误的极限值在足够长的时间内被超过，那么就通过自动编码器就来自潜在空间的重建错误进行的评估得出使用变动时间点。
若识别到最近的使用变动时间点，其没有对应车辆电池的使用寿命开端，那么在步骤S14中基于在最后求出的使用变动时间点直至当前的时间点的时间段内运行参量F或负荷参量的变化曲线确定使用模式模型10。有待用于预测的使用参数这通过对使用模式模型去的重新训练得出。
在步骤S15中，从当前的时间点起，基于借助使用模式模型10重新求出的使用模式生成“人工的”运行参量变化曲线，将所述运行参量变化曲线添加给到目前为止检测到的运行参量变化曲线。
这些新的运行参量变化曲线F在步骤S16中用于以之前所述的方式用混合老化状态模型（在中央单元2中）求出老化状态的预测的变化曲线。
在上述例子中，负荷参量作为使用模式模型10的输出是电流变化曲线和温度变化曲线，其中，根据更新的使用参数生成新的电流变化曲线样式。温度信息可以例如根据车辆的地理位置从温度变化曲线的统计学数据推导出，因而即使在车辆电池由于车辆不断的位置变动而有不同的运行行为时也可以被考虑到。这使得能以适当的方式考虑到车辆电池由于位置变动而引起的运行行为的变化，从而可以为了老化状态的预测考虑到新的温度条件，如季节性的温度波动。
预测的老化状态变化曲线在步骤S17中可以用于后置的函数。因而可以例如确定剩余使用寿命，通过确定剩余使用寿命可以求出一个时间点，在该时间点上，预测的老化状态达到了预定的寿命终止-老化状态。这个时间点可以被相应地信号化。

Claims (15)

1.用于预测带有至少一个电化学的单元、特别是电池单体的电储能器（41）的模型化的老化状态（SOH）的计算机实现的方法，所述方法具有下列步骤：
- 提供（S11）储能器（41）的至少一个运行参量（F）的变化曲线；
- 提供老化状态模型（9），所述老化状态模型构造用于，根据储能器（41）的至少一个运行参量（F）的直至一个时间点的变化曲线将针对所述时间点的对应的老化状态（SOH）分配给电化学的储能器（41），
- 根据说明了储能器（41）的瞬时使用的或瞬时运行的方式的使用模式（N）生成了从当前的时间点起直到未来的针对至少一个运行参量（F）的人工变化曲线，因此预测未来老化状态的变化曲线；
- 根据储能器（41）的至少一个运行参量（F）的到目前为止的变化曲线确定（S14）使用模式，其中，根据至少一个运行参量（F）从最近的使用变动时间点起的变化曲线确定使用模式（N）；其中，最近的使用变动时间点说明了这样一个时间点，在所述时间点上最后发生了储能器（41）的使用行为的变动；
- 根据至少一个运行参量（F）的人工变化曲线预测（S16）老化状态。
2.按照权利要求1所述的方法，其中，为了确定所述老化状态的预测的变化曲线，用所述至少一个运行参量（F）的整个变化曲线加载老化状态模型，所述变化曲线包括所述至少一个运行参量（F）的到目前为止的变化曲线和所述至少一个运行参量（F）的人工变化曲线。
3.按照权利要求1或2所述的方法，其中，根据所提供的使用模式（N）借助特别是基于数据的使用模式模型（10）生成了所述至少一个运行参量（F）的人工变化曲线。
4.按照权利要求3所述的方法，其中，所述使用模式模型（10）构造用于，根据使用模式（N）的使用参数连续地输出所述至少一个运行参量（F）的变化曲线或至少一个负荷参量（L）的变化曲线，由负荷参量可以生成所述至少一个运行参量（F）。
5.按照权利要求1至4中任一项所述的方法，其中，借助异常识别、特别是借助自动编码器确定所述使用变动时间点，其中，根据所述至少一个运行参量（F）从开始运行的时间点起或从最近的所确定的使用变动时间点起的变化曲线来训练所述异常识别，其中，在所述至少一个运行参量（F）的变化曲线中识别到异常时识别到使用变动时间点。
6.按照权利要求5所述的方法，其中，当所述最近的使用变动时间点还落后于预先确定的持续时间时，将至少一个由所述至少一个运行参量（F）的变化曲线确定的运行特征（M）的超过了预定的梯度值的最近的梯度变化的时间点确定为使用变动时间点。
7.按照权利要求6所述的方法，其中，所述使用变动时间点借助用于基于所述至少一个运行特征的梯度的变化曲线定义正常类的聚类方法确定。
8.按照权利要求6至7中任一项所述的方法，其中，所述至少一个运行特征包括在评估时间段内取平均的特征和/或累积的特征和/或在整个到目前为止的使用寿命内求取的统计学特征并且特别包括：时间累积的行驶里程，通过老化状态标准化的Ah通过量、表征使用行为的累积的直方图数据、特别是充电状态或温度、增量电荷、电化学的状态和/或电荷量。
9.按照权利要求1至8中任一项所述的方法，其中，所述老化状态模型（9）是基于数据的，并且其中，所述老化状态模型（9）构造成混合模型并且包括：物理的老化模型（5），其基于电化学的模型方程并且构造用于输出物理的老化状态（SOHph）；和特别是形式为回归模型的基于数据的、能训练的修正模型（6）、优选高斯过程，其中，修正模型（6）被训练用于，修正物理的老化状态（SOHph）并且特别是伴随量化的不确定性提供经修正的物理的老化状态作为模型化的老化状态（SOH）。
10.按照权利要求1至9中任一项所述的方法，其中，电储能器（41）根据预测的模型化的老化状态（SOH）的变化曲线运行，其中，尤其根据预测的模型化的老化状态（SOH）的变化曲线将电储能器（41）的剩余使用寿命信号化，其中，特别是根据剩余使用寿命提高或减小剩余的、所允许的快充循环的数量或者优化用于运行储能器的电流极限和降额极限。
11.按照权利要求1至10中任一项所述的方法，其中，在作为储能器（41）的电池中，所述至少一个运行参量（F）包括电池电流（I）、电池温度（T）、电池电压（U）和充电状态（SOC）。
12.按照权利要求1至11中任一项所述的方法，其中，所述储能器（41）用于运行设备，如机动车、电动助力车、飞行设备、特别是无人机、机床、诸如移动电话、自动机器人和/或家用器具之类的娱乐电子器件的设备。
13.用于预测带有至少一个电化学的单元、特别是电池单体的电储能器（41）的模型化的老化状态（SOH）的装置，其中，所述装置构造用于：
- 提供储能器（41）的至少一个运行参量（F）的变化曲线；
- 提供老化状态模型（9），所述老化状态模型构造用于，根据储能器（41）的至少一个运行参量（F）的直至一个时间点的变化曲线将针对所述时间点的对应的老化状态（SOH）分配给电化学的储能器（41），
- 根据说明了储能器（41）的瞬时使用的或瞬时运行的方式的使用模式（N），从当前的时间点起到未来，生成针对至少一个运行参量（F）的人工变化曲线，因此预测了未来老化状态（SOH）的变化曲线；
- 根据储能器（41）的至少一个运行参量（F）的到目前为止的变化曲线确定使用模式（N），其中，根据从最近的使用变动时间点起至少一个运行参量（F）的变化曲线来确定使用模式（N）；其中，最近的使用变动时间点说明了这样一个时间点，在所述时间点上，最后发生了储能器（41）的使用行为的变动；
- 根据至少一个运行参量（F）的人工变化曲线预测老化状态。
14.计算机程序产品，包括指令，指令在通过至少一个数据处理装置运行程序时推动这个数据处理装置实施按照权利要求1至12中任一项所述的方法的步骤。
15.能机读的存储介质，包括指令，指令在通过至少一个数据处理装置运行程序时推动这个数据处理装置实施按照权利要求1至12中任一项所述的方法的步骤。
CN202210647502.8A 2021-06-10 2022-06-09 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 Pending CN115469224A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021205879.5 2021-06-10
DE102021205879.5A DE102021205879A1 (de) 2021-06-10 2021-06-10 Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren

Publications (1)

Publication Number Publication Date
CN115469224A true CN115469224A (zh) 2022-12-13

Family

ID=84192551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210647502.8A Pending CN115469224A (zh) 2021-06-10 2022-06-09 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

Country Status (2)

Country Link
CN (1) CN115469224A (zh)
DE (1) DE102021205879A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102023201271A1 (de) 2023-02-15 2024-08-22 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Prädiktion eines Alterungszustandes einer elektrischen Energiespeichereinheit

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018116472A1 (de) 2018-07-06 2020-01-09 Torqeedo Gmbh Verfahren, Computerprogrammprodukt und Prognosesystem zur Bestimmung der Lebensdauer einer Antriebsbatterie eines Fahrzeugs, insbesondere eines Boots

Also Published As

Publication number Publication date
DE102021205879A1 (de) 2022-12-15

Similar Documents

Publication Publication Date Title
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
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
US20220099752A1 (en) Method and Apparatus for Machine-Individual Improvement of the Lifetime of a Battery in a Battery-Operated Machine
US20220373609A1 (en) State Value for Rechargeable Batteries
US20230305073A1 (en) Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern
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
US11656293B2 (en) Method and apparatus for parameterizing an electrochemical battery model for a battery based on data from a plurality of batteries
US20220334191A1 (en) Method and Apparatus for Operating a System for Providing an Electrochemical Battery Module for a Device Battery for a Device
US20230213587A1 (en) Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin
CN109633470A (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
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
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
CN114325442A (zh) 用于鲁棒地预测机器中的蓄能器的老化特性的方法和设备
Fotouhi et al. State of charge and state of health estimation over the battery lifespan
US11733313B2 (en) Method and apparatus for operating a system for providing states of health of electrical energy stores for a multiplicity of devices with the aid of machine learning methods
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
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
CN117630673A (zh) 用于针对蓄能器初始提供老化状态模型的方法和装置
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
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
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
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
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

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