CN115701545A - 用于提供计算和预测的电蓄能器老化状态的方法和装置 - Google Patents

Abstract

提供老化状态模型以用于确定技术设备中的具有至少一个电化学单元、特别是电池组电池的电蓄能器的建模老化状态的计算机实现的方法，包括：提供训练数据集，其分别关于特定时间点而将蓄能器的运行特征和日历上的寿命说明数据分配给物理老化状态，其中所述运行特征说明在相对特定时间点已过去的时间段的蓄能器负载；用训练数据集训练基于数据的老化模型以形成基于数据的老化模型，以便针对特定时间点将蓄能器的运行特征和日历上的寿命说明数据分配给物理老化状态；训练基于数据的修正模型、特别是高斯过程模型，以根据训练数据集基于所述老化模型的残差提供修正参量；通过将基于数据的修正模型施加到基于数据的老化模型的模型输出提供老化状态模型。

Description

用于提供计算和预测的电蓄能器老化状态的方法和装置

技术领域

本发明涉及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当前的或预测的老化状态（SOH：State of Health（健康状态））的措施。此外，本发明除了涉及移动式的电蓄能器以外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。蓄能器供应电能量以运行这些设备。然而，作为电蓄能器也考虑包括氢储槽（Wasserstofftank）在内的能量转换器、诸如燃料电池系统。

电蓄能器或能量转换器随着其使用寿命并且根据其负载或使用而退化。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，新蓄能器所具有的关于其可用容量而言的老化状态为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、也即在机动车辆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参量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精确确定状态以及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使用寿命的确定以及对其剩余价值（Restwert）的经济评价。此外，对老化状态的预测创造了附加值（von Mehrwert），以便对前瞻性的维护区间进行规划和执行。

发明内容

根据本发明而设置一种根据权利要求1所述的用于提供老化状态模型以用于确定电蓄能器的建模老化状态的计算机实现的方法，以及根据并列权利要求所述的用于确定电蓄能器的建模老化状态的计算机实现的方法和相应装置。

在从属权利要求中说明了进一步的设计方案。

根据第一方面而设置一种用于提供老化状态模型以用于确定技术设备中的电蓄能器的建模老化状态的计算机实现的方法，其中所述电蓄能器具有至少一个电化学单元、特别是电池组电池，所述方法具有以下步骤：

- 提供训练数据集，所述训练数据集分别关于特定时间点而将所述蓄能器的一个或多个运行特征以及说明了所述蓄能器自投入运行起的寿命的日历上的寿命说明数据分配给物理老化状态，其中所述一个或多个运行特征说明了在关于所述特定时间点而言已过去的时间段（Zeitperiod）期间所述蓄能器的负载；

- 用所述训练数据集训练所述基于数据的老化模型，从而形成基于数据的老化模型，以便针对特定时间点将所述蓄能器的所述一个或多个运行特征和所述日历上的寿命说明数据分配给所述物理老化状态；

- 训练基于数据的修正模型，特别是高斯过程模型，以根据所述训练数据集基于所述基于数据的老化模型的残差（Residuum）而提供修正参量，

- 通过将所述基于数据的修正模型施加（beaufschlagen mit）到所述基于数据的老化模型的模型输出来提供所述老化状态模型。

本说明书意义上的蓄能器包括设备电池组、具有带有能量载体储备的电化学能量转换器的能量转换器系统、诸如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。

在设备电池组的情况下，老化状态（SOH：State of Health（健康状态））是用于说明在电池组充满电时的剩余电池组容量或按比例的行程长度的关键参量。所述老化状态代表针对设备电池组老化的度量。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。所述容量保持率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。替代地，所述老化状态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。

因此，通常借助于与该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，尤其是在无校准情况下，例如在无法测量实际静态电压（Ruhespannung）以进行模型比对的预测情况下。

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精确地说明蓄能器的瞬时老化状态。

因此，用于确定电蓄能器的老化状态的老化状态模型能够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、持续地对其进行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。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。

为了借助于物理或电化学的老化状态模型而对蓄能器的老化状态进行建模并且通过基于数据的修正模型而可选地进行准确说明（Präzisierung）（也就是说，组合为混合老化状态模型）而需要：相对高频率地提供运行参量的时间变化过程。还必须针对必需的精确性要求而尽可能无缺口地提供这些运行参量的时间变化过程，以便确定蓄能器在当前时间点的老化状态。

为了针对作为蓄能器的设备电池组而建模和预测老化状态而可以使用如下物理老化模型，所述物理老化模型特别是通过经由数值上的时间积分方法求解微分方程来评估正在进行的运行数据。为此，所述运行参量、例如电池组电流、电池组温度、电池组电压等必须作为高分辨率时间序列而存在。这种物理老化模型的计算复杂并且可能由于计算能力不足而无法在技术设备的控制设备中执行。对此，可以在与技术设备处于通信连接的中央单元中进行所述评估。然而，为此，必须将运行参量的高分辨率时间序列传送到中央单元，这会导致高数据量。此外，在通信连接中断情况下或出于其他原因，数据可能不完整，从而必须基于人工重建数据借助于物理模型进行评估。不完整的（Lückenhaft）数据可能会导致在电化学老化模型的时间积分中进行错误评估或无法评估，因此可靠性要求必须很高以避免这种中断。

基于这样的物理老化模型或混合老化状态模型，可以创建所考虑的设备电池组的当前老化状态以及也可以基于预测负载参量创建预测老化状态，其中所述预测负载参量说明蓄能器的预测负载。例如，可以将直到使用寿命终点（Lebensdauerende）的时间段确定为蓄能器的剩余使用寿命，其说明如下时间点，所述预测老化状态在该时间点低于预给定阈值，其中所述预给定阈值说明所述使用寿命终点并符合例如制造商的保修限制。

可以规定，电蓄能器根据预测的、建模老化状态的变化过程而被运行，其中尤其根据预测的建模老化状态的变化过程而用信号通知电蓄能器的剩余使用寿命。此外，可以规定：预计检查和维护间隔基于老化预测而规划和实施。

还可以规定：根据剩余使用寿命而定地提高或减小剩余快速充电周期的数目，或者进行运行极限（电流限制）或例如鉴于热管理方面的运行策略（De-Rating（降额））的适配。还可以对充电策略进行与老化相关的或者与预测老化状态变化过程相关的适配。对此，可以根据是否已达到剩余快速充电周期的数目而定地允许或阻止快速充电充电周期。

为了提供老化状态模型，上述方法规定：作为纯基于数据的模型而提供所述物理老化模型。所述基于数据的老化模型的训练在此是基于预先参数化的物理老化模型的。该老化模型基于不同的运行参量变化过程和所分配的标签（即通过参考测量确定的老化状态）被如此拟合，使得该老化模型可以描述相关蓄能器或相同类型的相关蓄能器的电池化学。原则上，物理老化模型是一种稳健的模型，该模型还可以为更大的模拟空间提供关于老化状态的可靠说明收据。这尤其适用于物理老化模型的外推能力，因为可以通过将物理老化模型连同其物理方程一起拟合来很好地描述电化学作用链。

此外，可以借助于物理老化模型来提供用于每个训练数据集的物理老化状态，其中该物理老化模型被构造用于，基于微分方程根据从蓄能器投入运行起直到一个时间点的运行参量的变化过程而模拟蓄能器的内部电化学状态的变化，并且针对该时间点而输出物理老化状态，其中针对相应训练数据集从运行参量直到那个时间点的变化过程推导出所述一个或多个运行特征并且将其分配给借助于所述物理老化模型所确定的老化状态。

因此，通过生成人工运行参量变化过程作为负载模式（Lastmuster）并因此借助于拟合的物理老化模型生成老化状态作为人工标签，从而在广泛的运行范围内生成强烈外推的训练数据集。在此，如此选择负载模式以使得它们形成（abbilden）最大可能的模拟空间，即以不同负载大小的蓄能器的不同类型的负载，例如在中等温度下的低电流、在高温下的高电流等。由此针对不同时间点而得出具有人工运行参量变化过程的训练数据集，其中这些运行参量变化过程分别从投入运行时间点延伸到当前时间点，得出相关的老化状态，其例如从参考测量得出，以及得出蓄能器在当前时间点的电化学状态，所述电化学状态作为电化学的、即物理的老化模型的内部状态通过求解微分方程而得到。

此外，基于数据的老化模型可以对应于基于数据的概率模型，特别是贝叶斯神经网络或高斯过程模型，其中所述基于数据的老化模型的训练利用借助于主动学习方法、特别是以基于熵的方式而创建或确定的训练数据集而被实施。

因此，通过借助于物理老化模型为各种（任意）运行参量变化过程创建人工标签，由此可以改进通过物理老化模型特别是借助于主动学习方法生成人工标签并创建尽可能最佳的（人工）标签数据基础，其中经由概率模型借助于预测协方差的微分熵（differenzielle Entropie）而评估所述主动学习方法。对于应用主动学习方法必要的是：使用基于数据的概率模型，以便评估模型值的相关置信度。

主动学习方法的应用可以与基于数据的老化模型的训练一起进行，其任务是：在可接受的计算时间内作为高性能计算模型而取代电化学物理老化模型。

基于数据的老化模型优选地实施为深度概率神经网络。在其上所训练的人工标签除了老化状态之外优选地还可以包括由电化学物理老化模型生成的电化学状态，其例如包括：阳极的体积分数（Volumenanteil）、阴极的体积分数、SEI厚度、可用的可循环锂、活性材料损失、接触电阻、电化学浓度、电解质浓度等，从而使所述基于数据的老化模型作为 MIMO模型而具有多个输出参量。

根据一个实施方式，可以在主动学习的范畴内借助于预给定的采集函数（Akquisitionsfunktion）根据特定运行特征点对基于数据的老化模型的训练的贡献而创建至少一个特定运行特征点的排名列表（Ranking-Liste），其中相应的至少一个特定的运行特征点说明了：针对潜在训练数据集的运行特征和日历上的寿命说明数据的组合，其中从对基于数据的老化模型的训练贡献最大的至少一个特定运行特征点开始，蓄能器的运行参量变化过程借助于优化方法而得以确定，其中所述运行参量变化过程尤其在考虑到与相应的至少一个特定运行特征点的运行特征的容差间距的情况下引导（führen）。

在此假定：基于数据的概率老化状态模型已经被预先训练并针对每个模型值提供置信度。由此，利用采集函数根据所有运行特征点的建模老化状态的状态不确定性（置信度）确定一个或多个运行特征点（排名列表），使得所述一个或多个特定运行特征点对于改善所述一个或多个特定运行特征点的状态不确定性而言具有最高相关性。特别是，可以基于之前的模拟信息并且在定义的使用范围内（在车辆电池组作为蓄能器的情况下的BMS 的温度和电流限制）评价所述相关度：之前模拟的数据点、即运行特征和在关于其频率的该范围内的标签以怎样的频率出现。

随后，通过时间序列模拟连同耦合优化模拟参数而给所述一个或多个特定运行特征点分配运行参量变化过程，以便借助于电化学物理老化模型生成模拟老化状态（新的人工标签）。所述一个或多个特定的运行特征点与日历上的寿命说明数据和相关的建模老化状态（新的人工标签）一起形成新的训练数据。然后使用新的训练数据训练基于数据的概率老化状态模型。

因此可以由运行参量变化过程根据其贡献而创建训练数据用于基于数据的老化模型的训练，其中，所述贡献也即是：在考虑到运行参量（预期流量、温度、... )的情况下针对基于数据的老化模型的所预期的准确性附加值（Genauigkeitsmehrwert），其中所述训练数据分别说明了：得出的运行特征和日历上的寿命说明与人工标签的组合。特别地，从对基于数据的老化模型的训练具有最高贡献的所述一个或多个特定运行特征点开始，可以借助于优化方法而确定针对蓄能器的运行参量变化过程，其中，其中所述运行参量变化过程尤其在考虑到与相应的所述一个或多个特定运行特征点的运行特征的容差间距的情况下引导。然后基于至少一个人工生成的标签重新训练基于数据的老化模型，以取代电化学老化模型。这种情况一直发生，直到在主要由温度和电流定义的规定运行范围内的所有置信区间都足够窄，即相关模型的不确定性足够低。

由此提供基于数据的老化模型，该老化模型将由运行参量变化过程得出的运行特征分配给蓄能器的至少一个老化状态和电化学状态。为此，借助于特征工程（FeatureEngineering），由运行参量变化过程确定运行特征。所述运行特征将运行参量的变化过程组合成少量的特征参量，从而与运行参量变化过程的大规模数据相比，输入数据空间可以显着减小，并且使得能够以接近于传感系统的方式（nahe der Sensorik）在车辆中进行有效计算。

所述一个或多个运行特征可包括：

- 基于负载的运行特征，例如：

○ 从直方图数据确定的至少一个统计参量，特别是平均值、中值、最小值、最大值、分布矩（Momente der Verteilung）和/或标准偏差，其中所述直方图数据由蓄能器的运行参量的变化过程而创建，并且尤其是包括：有关于随着温度和所述蓄能器的充电状态的电流的直方图、随着所述蓄能器的充电状态的温度的直方图、随着所述蓄能器的温度的充电电流的直方图和随着所述蓄能器（41）的温度的放电电流的直方图，

○ 至少一个基于直方图的特征，所述特征从由（针对作为蓄能器的电池组的）电流、温度和充电状态构成的累积负载点而导出，其中鉴于退化严重程度（Degradations-Schwere）借助于罚函数（Penalty-Funktion）而对所述特征进行评价，

○ 蓄能器的累积总电荷，

- 基于状态的运行特征，例如：

○ 蓄能器的充电容量，

○ 针对电流或电压信号基于充电过程而评估的频谱峰度（spektralenKurtosis）的局部极值；

○ 针对电流或电压信号或分配给所定义频带的经变换的频谱值（Spektralwert）基于充电过程而评估的小波变换（Wavelet-Transformation）的一个或多个系数；

○针对电流或电压信号或分配给所定义的频带的经变换的频谱值基于充电过程而评估的傅立叶变换的一个或多个系数；

○ 在（例如所测量的充电过程的）可再现的时间序列段期间的差分电容的极值。

基于状态的特征必须是最新的，也即例如并不早于例如 2 个月的极限值。在此，在这两个月内，例如可以进行平均值形成或中值形成，以消除随机的、非系统性的影响所造成的影响。

因此，运行特征可以从关于运行参量的直方图导出，尤其是在设备电池组作为蓄能器的情况下，直方图可以说明的是：随着设备电池组充电状态和电池组温度的电池组电流的直方图，随着电池组温度的充电电流的直方图、随着温度变化以及以安培小时为单位的累积电流通过量的放电电流的直方图。可以借助于特征工程方法从中提取运行特征，例如平均值、直方图的标准偏差和多维的统计值，例如平均值、中值、最小值、最大值、分布矩等。

基于数据的、优选概率的老化模型可以设计为深度概率神经网络或高斯过程。训练如此进行，使得分别反映特定时间点的训练数据集将由特征工程确定的运行特征分配给老化状态或多个老化状态说明数据、如 SOH-C 和 SOH -R，以及可选地分配给电化学状态。在此情况下，最初，模拟尽可能宽的运行范围以学到电化学老化模型的首选外推特性（präferierten Extrapolationseigenschaften），其中所述尽可能宽的运行范围超出了现场的预期运行范围。然后，可以借助于主动学习方法改进老化状态模型。

经由定义，基于数据的老化模型无法比用于生成人工标签的物理电化学老化模型更精确。为了进一步提高整体模型精确性，例如在使用现有的训练数据集和/或另外的训练数据集的情况下鉴于所述基于数据的老化模型的残差而训练（trainieren auf）修正模型，这借助于要么在实验室要么在现场所检测的真实测量的标签。修正模型优选地实施为高斯过程，其量化置信度并且在外推的情况下返回到其先验零（Prior von null）。高斯过程只能基于如下数据点被训练，其中对于这些数据点存在真实测量的标签，即，真实测量的老化状态。

在外推的情况下，高斯过程现在返回到其先验

，并且仅使用基于数据的老化模型进行外推，其中所述基于数据的老化模型已经学到了电化学物理老化模型的首选外推特性并且在有意义的情况下可以在需要时随时使用电化学老化模型中新生成的人工标签而得以完善（verfeinern）。这可以例如基于置信度、以基于规则的方式优选地借助主动学习而得以评价。

根据一个实施方式，可以针对从蓄能器投入运行直到一个时间点的运行参量的变化过程而对物理老化模型进行模拟，以便获得对应时间点的一个或多个内部电化学状态，其中相应的训练数据集将所述一个或多个运行特征分配给物理老化状态以及所述一个或多个内部电化学状态，其中所述基于数据的老化模型被构造用于，针对训练数据集的所述时间点而将所述蓄能器的一个或多个运行特征以及所述日历上的寿命说明数据分配给物理老化状态以及所述一个或多个内部电化学状态，其中训练基于数据的修正模型以便基于所述一个或多个运行特征、基于所述一个或多个电化学状态以及尤其是基于一个或多个另外的运行特征而分配所述修正参量，其中所述一个或多个另外的运行特征说明：蓄能器在关于所述特定时间点而言已过去的时间段期间的负载。

因此，可以基于用于基于数据的老化模型的运行特征并且可选地还基于由基于数据的老化模型建模的电化学状态来训练修正模型。具体而言，使用如下训练数据集来训练修正模型，所述训练数据集由用于训练基于数据的老化模型的训练数据集而得出并且尤其是将对应的运行特征分配给训练数据集的对应老化状态与基于数据的老化模型针对对应运行特征的老化状态建模值之间的差。附加地，这些训练数据集还可以将由基于数据的老化模型针对相关时间点的得出的电化学状态考虑作为输入参量。

以这种方式创建的老化状态模型可用于确定老化状态，也可用于预测老化状态。代替运行参量变化过程的负载预测和随后的运行特征确定，老化状态的预测也可以通过续写（Fortschreiben）先前的运行特征来执行。所述运行特征可以被线性地续写和/或在考虑日历上的影响的情况下被适配。总体而言，以这种方式创建的老化状态模型能够实现简单、快速计算的模型，因为仅执行简单的前向计算（Vorwärtsberechnung）。取消了对传统物理老化模型的微分方程进行复杂的数值积分，由此可以节省资源。

此外，当观察到新的负载模式时，可以生成一个或多个另外的训练数据集，其中根据一个或多个另外的训练数据集重新训练所述基于数据的老化模型，其中在从运行参量变化过程中识别出由一个或多个运行特征和相对应的寿命说明数据组成的如下运行特征点的情况下识别出新的负载模式，其中所述运行特征点与迄今为止所确定的（在迄今为止所考虑用于模型训练的训练数据中的）运行特征点间隔超过预定的数值（Betrag）。例如，如果确定出迄今为止尚未包含在人工标签中的真实运行的蓄能器的 AH 通过量 或新的温度范围，则可以得出新的负载模式。

根据另一方面，设置了一种用于在特定时间点确定在技术设备中的具有至少一个电化学单元、尤其是电池组电池的电蓄能器的建模老化状态的计算机实现的方法，其中所述方法具有以下步骤：

- 针对特定时间点提供蓄能器的一个或多个运行特征和日历上的寿命说明数据，其中所述一个或多个运行特征说明在关于所述特定时间点而言已过去的时间段期间所述蓄能器的影响老化状态的负载;

- 评估基于数据的老化模型以获得物理老化状态，其中该老化模型被训练用于利用蓄能器的所述一个或多个运行特征以及从特定时间点得出的日历上的寿命说明数据而提供物理老化状态，

- 通过评估基于数据的修正模型，特别是高斯过程模型来确定修正参量，其中该修正模型被构造用于，根据所述一个或多个运行特征而提供所述修正参量，

- 通过对所述物理老化状态施加修正参量而提供建模老化状态。

特别地，物理老化模型可以被训练以根据蓄能器的所述一个或多个运行特征以及由特定时间点得出的日历上的寿命说明数据而进一步输出一个或多个内部电化学状态，其中根据所述一个或多个运行特征以及根据所述一个或多个内部电化学状态而确定修正参量。

根据一个实施方式，该方法可以在设备外部的中央单元中执行，其中所述一个或多个运行特征在技术设备中被确定并且被传输到中央单元。由此，可以以分布式方式计算针对所述基于数据的老化模型的运行特征并由此减轻中央单元的负载。由于不必在中央单元中连续提供运行特征，这些运行特征可以在适当的时间点被传输到中央单元。

可以规定，蓄能器可以被用于运行设备、例如机动车辆、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，设置了一种用于执行上述方法之一的装置。

附图说明

下面参考附图更进一步阐述实施方式。其中：

图1示出用于提供驾驶员和车辆个别的运行参量以用于在中央单元中确定车辆电池组的老化状态的系统的示意图；

图2示出基于数据的老化状态模型的功能结构的示意图；

图3示出用于阐明用于创建基于数据的老化状态模型的方法的流程图；和

图4示出用于表征作为针对基于数据的老化状态模型的输入参量的示例性运行特征的直方图的示例性表示。

具体实施方式

在下文中根据在作为同类设备的多个机动车辆中作为电蓄能器的车辆电池组来描述根据本发明的方法。在这些机动车辆中，可以在控制单元中实现针对相应的车辆电池组的基于数据的老化状态模型。该老化状态模型可以如下文所述在车辆外部的中央单元中连续地基于车队中的车辆电池组的运行参量和/或特征而得以更新或再训练。该老化状态模型在中央单元中被运行并且被用于老化计算和老化预测。此外，该老化状态模型在总体上，然而特别是所述基于数据的老化状态模型可以在车辆中用于高效的数据处理，从而以优化的方式将数据传送到云。

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）与设备外部的中央单元（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蓄能器、例如机动车辆中的车辆电池组或燃料电池的老化状态。图1示出具有多个机动车辆4的车队3。

在图1中更详细示出机动车辆4之一。这些机动车辆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辆4和中央单元2（所谓的云）之间传输数据。

这些机动车辆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，所述参量影响到所述车辆电池组41的老化状态。这些运行参量F可以在车辆电池组的情况下说明电池组电流、电池组电压、电池组温度和充电状态（SOC：State of Charge）的时间序列，不仅在包层面（Packebene）、模块层面而且/或者在电池层面。这些运行参量F以1Hz至100Hz的快速时间栅被检测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。

此外，通过为了最小化到中央单元2的数据通信量的目的而充分利用压缩算法，可以以几小时到几天的间隔而逐块地将时间序列传输到中央单元2。

该中央单元2具有数据处理单元21和用于存储数据点、模型参数、状态等的数据库22，其中在该数据处理单元中能够执行接下来所描述的方法。

在该中央单元2中实现老化状态模型，该老化状态模型作为混合模型或半混合模型是基于数据的。该老化状态模型可以规律地、也即例如在相应的评估持续时间过去之后被使用，以便基于这些运行参量（分别从相应车辆电池组投入运行起）的时间上的变化过程以及由此而确定的运行特征来确定所分配的车队的有关车辆电池组41的瞬时老化状态。换言之，可能的是：基于所分配的车队3的机动车辆4的车辆电池组41之一的运行参量的变化过程以及由这些运行参量的变化过程所得出的或由此所确定的运行特征来确定有关车辆电池组41的老化状态。

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。

在有利的实施方式中，也可以以接近于传感器的方式、也即在相应的机动车辆4中产生这些运行特征，从而可以优化到中央单元2的数据传送。

正如针对时间序列那样，可以为了最小化到中央单元2的数据通信量的目的而使用压缩算法以进行传输。此外，可以进行以事件支持的传输，从而触发数据传送并在例如已经标识出稳定的或已知的WLAN网络连接的情况下进行数据传送。

图2示例性地示出了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9具有基于数据的老化模型5和基于数据的修正模型6。所述基于数据的老化模型是被构造用于对物理老化模型的功能进行模仿（Nachbildung）的模型。由此，关于物理关联的了解（Wissen）可以被外推并有效地用于预测。这基于数据地进行，以便也能够实现非功能性的特性，例如在减少向中央单元的数据传送的条件下在车辆中高效和快速地计算。

所基于的物理老化模型是基于微分方程的非线性数学模型。这种模型在现有技术中是已知的并且使得可以通过评估微分方程通过基于（自投入运行时间点起直到所考虑的时间点的）运行参量变化过程的状态续写来确定相应的物理老化状态。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和电化学的定律（Gesetzmäßigkeit），所以物理老化模型的模型参数是说明物理特性的参量，例如针对阳极副反应的平衡电位、针对与第一电解质的阳极副反应的传递系数、阳极极化因子、SEI电导率、沉积速率、针对阴极副反应平衡电位、阴极副反应速率；阳极活性材料中与电流相关的机械应力系数，由于活性材料损失而导致的容量损失的权重。

基于数据的老化模型5借助于作为人工标签供应者的物理老化模型而得以训练。为了避免复杂的状态续写及其经由时间序列数据的时间积分而进行的求解，在运行特征提取块8中基于运行参量变化过程将运行特征 M聚合（aggregieren），其中这些运行特征通过直到所考虑的时间点的运行参量变化过程而说明负载变化过程。

基于数据的老化模型5因此在输入侧获得日历上的寿命说明数据以及一个或多个运行特征M，其中所述日历上的寿命说明数据说明自相关蓄能器投入运行以来的时间，其中所述一个或多个运行特征M已经从运行参量直到要评估的时间点的变化过程中确定并且必要时还可以包括在要评估的时间点的模拟电池化学的其中一个或多个内部电化学状态。

原则上，运行特征 M可以在中央单元 2 中由运行参量 F 针对每个车队 3 而产生，或者在其他实施方式中也已经在相应的机动车辆 4 中产生，所述运行特征表征从有关的设备电池组 41 投入运行起的负载变化过程。这是有利的，因为即使在与中央单元2的数据连接更长时间地持续中断的情况下，在车辆中也会累计计算聚合运行特征。由于运行特征的聚合特性，这里没有信息丢失——即使在与中央单元 2 的连接较长时间地中断的情况下。但是，这种较长时间的中断由于时间序列中的缺口而对于时间序列积分构成问题，这将影响老化状态的确定。

运行特征M例如可以包括与评估时间间隔相关的特征和/或累积特征和/或在迄今为止的整个使用寿命期间确定的统计参量。尤其是，可以由如下直方图数据确定特征以作为运行特征，其中所述直方图数据是由运行参量的变化过程所创建的。因此，例如可以创建：关于随着车辆电池组的充电状态和电池组温度的电池组电流的直方图，随着车辆电池组的充电状态的电池组温度的直方图，随着电池组温度的充电电流的直方图，和随着电池组温度的放电电流的直方图。此外，作为运行特征可以考虑分别从设备电池组投入运行以来的累积总电荷（Ah）、充电过程中的平均容量增加（特别是对于电荷增加超过总电池组容量的阈值比例[例如20% ΔSOC]的充电过程）、在具有足够大的充电状态偏移（Hub）的所测量的充电过程期间的平滑的差分容量的极值（例如局部最大值）（dQ/dU的平滑变化过程：电荷变化除以电池组电压的变化）以及充电容量或者累积的行驶功率。另外的运行特征可以对应于：针对电流或电压信号基于充电过程而评估的频谱峰度的局部极值；针对电流或电压信号或分配给所定义频带的经变换的频谱值基于充电过程而评估的小波变换的一个或多个系数；和针对电流或电压信号或分配给所定义的频带的经变换的频谱值基于充电过程而评估的傅立叶变换的一个或多个系数。

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并且在特征空间中对其进行归一化（normieren）。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。

例如，在图4中示出随着充电状态的电池组温度的直方图，该直方图出于可视化目的具有10°C的示范性离散化。在所述直方图数据中，针对充电状态处于预给定分类范围内的特定连贯时间段对单个车辆电池组的电池组温度进行聚合，特别是求平均，并且分别分配车辆电池组的充电状态的分类范围。基于直方图的离散化，在电池组温度情况下优选地以例如0.1℃离散化，可以在车辆侧一并记录（mitloggen）和累积频率。可以从所述直方图数据中导出统计数据，例如平均值、中值、标准差、最小值、最大值、分布矩等，这些统计数据作为运行特征在输入侧可供使用，用于在基于数据的老化模型中的评估。此外，可以规定：例如借助于罚函数而对特别多维的直方图进行评价。

在所述直方图数据中反映了车辆电池组在迄今为止所过去的使用寿命期间（老化时间点）的负载，因为其聚合了运行参量的变化过程。以这种方式确定的运行特征在基于数据的老化模型5的输入侧被提供，从而所述基于数据的老化模型5输出物理老化状态并且必要时输出一个或多个电化学状态，所述电化学状态表征建模的车辆电池组41的电池化学。

在特征提取块8中生成的运行特征M以及其他运行特征也可以被输送给优选地实施为高斯过程模型的基于数据的修正模型6。有利地，在所述基于数据的修正模型上游设置特征空间缩减，其特别是借助于主分量（PCA）变换而进行。基于数据的修正模型6用于提供修正参量k，用于施加由基于数据的老化模型确定的物理老化状态，以便获得针对所考虑的时间点的修正老化状态SOH。所述基于数据的修正模型6鉴于所述基于数据的老化模型5的残差而被训练，并以作为标签的真实测量的老化状态而被训练和验证。

在相加的情况下，高斯过程的置信度还可以用作为基于数据的老化状态模型9的待输出的修正老化状态的置信度。因此，高斯过程模型的置信度表征了运行特征点映射的建模不确定性。

此外，在基于数据的修正模型6中作为输入参量而可以考虑如下电化学状态，所述电化学状态通过针对老化状态评估基于数据的老化模型而产生。电化学状态可以包括例如以下参量中其中的一个或多个：SEI层厚度、由于阳极/阴极副反应而引起的可循环锂的变化、电解质溶剂的快速吸收率、电解质溶剂的缓慢吸收率、锂沉积速率、阳极活性材料的损失和阴极活性材料的损失，以及关于阻抗或内阻的信息。

图3示出了用于训练基于数据的老化状态模型的流程图。

在步骤S1中，首先将物理老化模型拟合到真实运行参量变化过程和老化状态的相关参考测量（真实老化状态）。如上所述，物理老化模型5是基于非线性微分方程的数学模型。以尤其是自车辆电池组41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：能够通过时间积分而计算出物理微分方程的方程组的如下内部状态，所述内部状态对应于车辆电池组的物理内部状态。由于物理老化模型基于物理和电化学定律，所以所述物理老化模型的模型参数是如下参量，所述参量说明物理特性并且非常好地适合于，基于基本物理作用链而进行的特征空间外推。

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具有内部电化学状态的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因此相应于至少一个电池组电池及其设计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可能是不精确的，并且因此而规定：以修正参量k来修正所述模型值。这尤其在存在真实标签（即真实测量的老化状态）的范围内是有意义的。

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。在此情况下，所述基于数据的修正模型鉴于所述基于数据的老化模型的残差（或者替代地鉴于电化学、物理老化模型的残差）而被训练，根据真实测量的老化状态（真实标签）而被评估，以尽可能好地学习（herauslernen）所述基于数据的老化模型的系统误差。

特别地，电池组温度、电池组电流、充电状态和电池组电压的变化过程作为针对不同车辆电池组41的运行参量变化过程而被记录，并且这些运行参量变化过程借助物理老化模型而被模拟。借助基于老化状态的真实标签的参考测量而能够参数化物理老化模型，特别是通过拟合物理模型方程，特别是通过使用最小二乘法对物理模型方程的模型参数进行参数确定。

随后，在步骤S2中，物理老化模型用于初始生成尽可能宽的外推模拟空间，以便创建用于训练基于数据的老化模型的训练数据集。这个模拟空间明显超出了蓄能器的运行极限，其主要由温度和电流来表征。由于蓄能器的电池化学和其他相关化学和物理特性通常由物理老化模型很好地描述，因此物理老化模型能够外推，因为特别是对电化学作用链进行了建模。借助负载模式，即运行参量的人工变化过程，还可以查询来自物理老化模型的知识。通过这种方式，可以生成人工数据集，这些人工数据集可以将运行参量变化过程分配给借助物理老化模型所建模的老化状态以及附加地分配给老化模型微分方程的电化学内部状态。因此，在步骤S2中，计算出强外推运行参量变化过程到老化状态和必要时到电化学状态的的分配，其中所述强外推运行参量变化过程脱离在常规负载情况下的预期真实运行中的真实运行参量变化过程空间之外。

在步骤S3中，根据特征提取块8的功能从运行参量变化过程中提取运行特征，其中这些运行特征应用作针对基于数据的老化模型5的训练数据集的输入参量，特别是通过基于直方图的数据，正如上所述。

在步骤S4中，现在可以以本身已知的方式利用训练数据集来训练基于数据的老化模型5。所述训练数据集分别将由直至特定时间点的特定运行参量变化过程所得出的运行特征 M映射到借助于物理老化模型所确定的标签，即在特定时间点的老化状态，并且必要时映射到在特定时间点的一个或多个电化学内部状态。

基于数据的老化模型可以构造为具有 ReLU 激活函数的深度概率神经网络或高斯过程模型。它优选实施为深度贝叶斯网络。

基于数据的老化模型的训练可以基于主动学习方法进行。为此，最初使用尽可能宽的运行范围，该运行范围是在步骤 S2 中人工生成的并且超出了现场的预期运行范围，从而使所述基于数据的老化模型可以学到电化学老化模型的首选外推特性。

通过评估基于数据的老化模型，可以例如借助于采集函数而创建最相关的运行特征点（即基于数据的老化模型的评估点）的排名列表，其中所述运行特征点分别通过运行特征、日历上的寿命说明数据和人工标签说明数据而得以定义。所述排名列表根据如下运行特征点的贡献而得出，其中所述运行特征点在步骤 S2 中初始模拟的运行参量内的任何位置，并且在针对基于数据的老化模型的进一步发展的最大信息增益的同时具有很高的模型不确定性。这些贡献由采集函数来确定。一般来说，采集函数可以基于预测协方差的经归一化的微分熵来评价：运行特征点和基于模型生成的老化状态（人工标签）的哪些组合对于进一步训练基于数据的老化模型而言具有最高的预期附加值。熵用作用于表征预期信息量（Informationsgehalt）的度量。

现在从对基于数据的老化模型的训练贡献最大的运行特征点开始搜索（durchsuchen）由潜在的特定运行特征点所组成的排名列表，以确定与所述特定运行特征点最接近的那个迄今为止的训练数据集。该训练数据集基于运行参量变化过程。现在在优化方法中借助于电化学老化模型通过时间序列模拟来修改所述运行参量变化过程，直到作为运行特征而得出与运行特征点的间距（例如欧几里得距离）小于预给定间距的特征。如果在预给定次数的模拟之后无法确定这样的运行参量变化过程，则使用到排名列表中下一个潜在的特定运行特征点。

为此，通过用于生成人工标签的电化学模型而自动化地评估和优化时间序列模拟，其方式为，优化模拟参数、例如最低或最高温度，直到实现特征空间和人工标签的所期望组合。

如果对此未超出定义的欧几里得距离，则终止优选实现为贝叶斯优化的优化算法并创建人工标签。这个人工标签现在用于训练基于数据的老化模型，使得所述基于数据的老化模型在足够次数的主动学习迭代后可以完全取代电化学老化模型。当主要由温度和电流定义的所设置的运行范围内的所有置信区间都足够窄时，即相关模型不确定性足够低时，情况正是如此。

在基于数据的老化模型5的训练之后，可以在步骤S5中为部分或每个训练数据集确定基于数据的老化模型5的剩余残差，并且基于运行特征M、在基于数据的老化模型5的输出侧的电化学状态以及可能的不被用于基于数据的老化模型的其他运行特征M而训练修正模型6，使得所述修正模型优选地提供应以加法的方式施加的修正参量k。

如上文说明，修正模型 6 可以优选地实施为高斯过程，因为其量化了置信度，并且在外推的情况下返回到其先验零，并且因此不影响基于数据的老化模型 6的模型输出。有利地，在所述基于数据的修正模型上游设置特征空间缩减，其特别是借助于主分量（PCA）变换而进行。

在随后的步骤S6中，经训练的模型，即用于计算当前老化状态SOH和/或预测老化状态的基于数据的老化模型5和修正模型6现在可以借助于尚未使用用于训练的另外的训练数据集而得以验证。

以这种方式创建的老化状态模型现在可以在步骤S7中用于计算当前老化状态和预测老化状态。

可以使用负载模拟用于预测，其中所述负载模拟计算未来负载直方图和从中导出的预测时间点的运行特征M，从而可以使用基于数据的老化状态模型来计算预测的老化状态。特别地，从直方图数据导出的运行特征可以通过简单的外推来预测，所述外推在最简单的情况下是线性外推，以确定预测的老化状态。特别是，直方图数据也可以通过日历上的老化的影响来被操纵，例如季节和一周中几天的周期性影响。

可以在中央单元2中执行基于数据的老化状态模型的训练。运行特征M的确定和直方图数据的隐含（implizit）创建既可以在中央单元2中也可以在车辆中进行，从而可以显着减少要传送的数据量。特征计算可以有利地在车辆侧进行。此外，也可以在相应机动车辆4中计算或评估基于数据的老化状态模型。有利地，当车辆的W-LAN连接已经被标识时，将累积的运行特征数据传送到中央单元2。

除了将运行参量变化过程F压缩成运行特征M之外，还可以通过合适的压缩算法来压缩要从车辆传输到中央单元2的数据，以进一步减少要传输的数据量。

Claims (15)

1.用于提供老化状态模型（9）以用于确定技术设备中的电蓄能器（41）的建模老化状态的计算机实现的方法，其中所述电蓄能器具有至少一个电化学单元、特别是电池组电池，所述方法具有以下步骤：

- 提供（S1、S2、S3）训练数据集，所述训练数据集分别关于特定时间点而将所述蓄能器的一个或多个运行特征以及日历上的寿命说明数据分配给物理老化状态（SOHph），其中所述一个或多个运行特征说明了在关于所述特定时间点而言已过去的时间段期间所述蓄能器（41）的负载；

- 用所述训练数据集训练（S4）基于数据的老化模型（5），从而形成所述基于数据的老化模型（5），以便针对特定时间点将所述蓄能器（41）的所述一个或多个运行特征和所述日历上的寿命说明数据分配给所述物理老化状态；

- 训练（S5）基于数据的修正模型（6）、特别是高斯过程模型，以根据所述训练数据集基于所述基于数据的老化模型（5）的残差而提供修正参量（k）；

- 通过将所述基于数据的修正模型（6）施加到所述基于数据的老化模型（5）的模型输出来提供（S7）所述老化状态模型（9）。

2.根据权利要求1所述的方法，其中，通过将修正参量（k）施加到所述物理老化状态（SOHph）而确定老化状态（SOH）。

3.根据权利要求1或2所述的方法，其中，所述一个或多个运行特征包括以下特征中的至少一个：

- 从直方图数据确定的至少一个统计参量、特别是平均值、中值、最小值、最大值、分布矩和/或标准偏差，或基于直方图的特征，所述基于直方图的特征尤其是从累积负载点而导出并且借助于罚函数鉴于退化严重程度而被评价，其中所述直方图数据由所述蓄能器（41）的运行参量的变化过程而创建，并且尤其是包括：有关于随着温度和所述蓄能器（41）的充电状态的电流的直方图、随着所述蓄能器（41）的充电状态的温度的直方图、随着所述蓄能器的温度的充电电流的直方图和随着所述蓄能器（41）的温度的放电电流的直方图；

- 所述蓄能器 (41) 的累积总电荷；

- 所述蓄能器 (41) 的充电容量；以及

- 针对电流或电压信号基于充电过程而评估的频谱峰度的局部极值；

- 针对电流或电压信号或分配给所定义频带的经变换的频谱值基于充电过程而评估的小波变换的一个或多个系数；

- 针对电流或电压信号或分配给所定义频带的经变换的频谱值基于充电过程而评估的傅立叶变换的一个或多个系数；

- 在所测量的充电过程期间的经平滑的差分电容的极值。

4.根据权利要求1至3中任一项所述的方法，其中，借助于物理老化模型（5）来提供用于每个训练数据集的物理老化状态（SOHph），其中所述物理老化模型被构造用于，基于微分方程根据从所述蓄能器（41）投入运行起直到一个时间点的运行参量的变化过程而模拟所述蓄能器（41）的电化学状态的变化，并且针对所述时间点而输出所述物理老化状态（SOHph），其中针对相应训练数据集从运行参量直到所述时间点的变化过程推导出所述一个或多个运行特征（M）并分配给借助于所述物理老化模型所确定的老化状态。

5.根据权利要求1至4中任一项所述的方法，其中，所述基于数据的老化模型（5）对应于基于数据的概率模型，特别是贝叶斯神经网络或高斯过程模型，并且其中所述基于数据的老化模型（5）的训练利用借助于主动学习方法、特别是以基于熵的方式而创建的训练数据集而被实施。

6.根据权利要求5所述的方法，其中，所述基于数据的老化状态模型（9）作为预先训练的、基于数据的概率老化状态模型而被提供，其中借助于预给定的采集函数根据特定运行特征点对基于数据的老化模型的训练的贡献而创建至少一个特定运行特征点的排名列表，其中相应的至少一个特定的运行特征点说明了：针对潜在训练数据集的运行特征（M）和日历上的寿命说明数据的组合，其中从对基于数据的老化模型的训练贡献最大的至少一个特定运行特征点开始，所述蓄能器（41）的运行参量变化过程借助于优化方法而得以确定，其中所述运行参量变化过程尤其在考虑到与相应的至少一个特定运行特征点的所述运行特征（M）的容差间距的情况下引导。

7.根据权利要求4至6中任一项所述的方法，其特征在于，所述物理老化模型（5）被参数化以针对自所述蓄能器（41）投入运行以来直到一个时间点的运行参量（F）的变化过程而模拟一个或多个内部电化学状态，其中相应的训练数据集将所述一个或多个运行特征分配给所述物理老化状态（SOHph）和一个或多个内部电化学状态，其中所述基于数据的老化模型(5) 被构造用于，针对训练数据集的所述时间点而将所述蓄能器（41）的所述一个或多个运行特征以及所述日历上的寿命说明数据分配给所述物理老化状态以及所述一个或多个内部电化学状态，其中训练所述基于数据的修正模型以便基于所述一个或多个运行特征、基于所述一个或多个电化学状态以及尤其是基于一个或多个另外的运行特征而分配所述修正参量，其中所述一个或多个另外的运行特征说明：蓄能器在关于所述时间点而言已过去的时间段期间的负载。

8.根据权利要求1至7中任一项所述的方法，其中，当观察到新的负载模式时，生成一个或多个另外的训练数据集，其中根据一个或多个另外的训练数据集重新训练所述基于数据的老化模型，其中在从运行参量变化过程中得出由一个或多个运行特征（M）和相对应的寿命说明数据组成的如下运行特征点的情况下识别出新的负载模式，其中所述运行特征点与迄今为止所确定的运行特征点间隔超过预定的数值。

9.用于在特定时间点确定在技术设备中的具有至少一个电化学单元、尤其是电池组电池的电蓄能器 (41) 的建模老化状态（SOH）的计算机实现的方法，其中所述方法具有以下步骤：

- 针对所述特定时间点提供所述蓄能器 (41) 的一个或多个运行特征（M）和日历上的寿命说明数据，其中所述一个或多个运行特征（M）说明在关于所述特定时间点而言已过去的时间段期间所述蓄能器 (41) 的影响老化状态的负载；

- 评估基于数据的老化模型（5）以获得物理老化状态（SOHph），其中所述基于数据的老化模型被训练用于利用所述蓄能器 (41) 的所述一个或多个运行特征（M）以及从特定时间点得出的日历上的寿命说明数据而提供物理老化状态（SOHph），

- 通过评估基于数据的修正模型（6），特别是高斯过程模型来确定修正参量（k），其中所述基于数据的修正模型被构造用于，根据所述一个或多个运行特征（M）而提供所述修正参量（k）,

- 通过对所述物理老化状态（SOHph）施加修正参量（k）而提供建模老化状态（SOH）。

10.根据权利要求9所述的方法，其中，所述物理老化模型被训练以根据所述蓄能器(41) 的所述一个或多个运行特征和由所述特定时间点得出的日历上的寿命说明数据进一步输出一个或多个内部电化学状态，其中根据所述一个或多个运行特征以及根据所述一个或多个内部电化学状态而确定所述修正参量。

11.根据权利要求9或10所述的方法，所述方法在设备外部的中央单元（2）中执行，其中所述一个或多个运行特征（M）在技术设备中被确定并且被传输到所述设备外部的中央单元（2）。

12.根据权利要求9至11中任一项所述的方法，其中所述蓄能器 (41) 被用于运行设备、例如机动车辆、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。

13.用于执行根据权利要求1至12中任一项所述的方法之一的装置。

14.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12中任一项所述的方法的步骤。

15.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12中任一项所述的方法的步骤。

Images