CN115884895A - 用于预报电动车辆车队的车辆电池的剩余使用寿命的方法 - Google Patents

用于预报电动车辆车队的车辆电池的剩余使用寿命的方法 Download PDF

Info

Publication number
CN115884895A
CN115884895A CN202180049912.6A CN202180049912A CN115884895A CN 115884895 A CN115884895 A CN 115884895A CN 202180049912 A CN202180049912 A CN 202180049912A CN 115884895 A CN115884895 A CN 115884895A
Authority
CN
China
Prior art keywords
vehicle battery
service life
vehicle
remaining service
probability
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
CN202180049912.6A
Other languages
English (en)
Inventor
C·多莫科斯
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 CN115884895A publication Critical patent/CN115884895A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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]
    • 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
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/70—Interactions with external data bases, e.g. traffic centres
    • 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
    • B60L2260/44—Control modes by parameter estimation
    • 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
    • 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
    • B60L2260/50—Control modes by future state prediction
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/40—The network being an on-board power network, i.e. within a vehicle
    • H02J2310/48—The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/005—Detection of state of health [SOH]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/12—Remote or cooperative charging

Abstract

提出一种用于预报电动车辆(10.1、10.2、...、10.n)的车队(10)的车辆电池(14.1、14.2、...、14.n)的剩余使用寿命的计算机实现方法。所述方法的特征在于，(100)在所述电动车辆(10.1、10.2、...、10.n)的运行中，测量所述车辆电池(14.1、14.2、...、14.n)的特征参量并且传送给服务器(12)；(200)确定特定的车辆电池(14.1、14.2、...、14.n)的剩余使用寿命在位于过去的时间点未超过预定的极限值的条件概率；和根据条件概率预报所述车队(10)的车辆电池(14.1、14.2、...、14.n)的剩余使用寿命。

Description

用于预报电动车辆车队的车辆电池的剩余使用寿命的方法
技术领域
本发明涉及一种用于预报电动车辆车队中的车辆电池的剩余使用寿命的计算机实现的方法。
背景技术
在电动车辆中，车辆电池的也称为健康状态(state of health)或SoH值的剩余使用寿命是其经济价值和其效率的重要参量。因此了解SoH值如何随着时间而降低是有用的或必要的。通常，车辆中的SoH值不被测量，因为为此所需的传感器系统将会太昂贵了。因此，通过计算模型估计车辆中的Soh值。该估计在此涉及当前的SoH值。车辆特定的健康状态的预报在当前的车辆电池管理系统中不可用。驾驶员或车队公司(例如租赁车辆或租借车辆企业)不能计算为未来剩余的车辆特定的剩余使用寿命。用于预报的可能性是值得期望的，以便能够尽可能早地预报车辆特定的剩余使用寿命并且以便必要时能够触发用于延长车辆电池的剩余使用寿命的措施。
在此尤其是令人感兴趣的是：能够预报车辆电池的剩余使用寿命将不超过特定值、例如初始使用寿命的80％的值的时间点。尤其是如果不是太多的测量值仍可供使用(不完整的参数空间)，则缺乏稳健的方法来稳健地估计和预测SoH并且防止在车辆中为了对当前SoH值进行机器学习所使用的计算模型的过度拟合。
发明内容
本发明在其方法方面的特征在于，
-在所述电动车辆的运行中，测量所述车辆电池的特征参量并且传送给服务器；
-确定特定的车辆电池的剩余使用寿命在位于过去的时间点未超过预定的极限值的条件概率；和
-根据条件概率预报所述车队的车辆电池的剩余使用寿命。
在其设备方面，本发明涉及一种设备，所述设备被设立用于预报电动车辆的车队的车辆电池的剩余使用寿命，其中所述设备具有用于测量车辆电池的在电动车辆的运行中出现的特征参量的部件以及用于将所测量的特征参量传送给服务器的部件，其中服务器被设立用于
-确定特定车辆电池的剩余使用寿命在位于过去的时间点未超过预定的极限值的概率；以及
-根据条件概率预报所述车队的车辆电池的剩余使用寿命。
本发明此外涉及一种计算机程序产品，所述计算机程序产品包括指令，所述指令在通过计算机执行程序时促使所述计算机执行根据权利要求1所述的方法/方法的步骤。
本发明尤其是涉及使用电动车队车辆的云连接性的用于进行车辆单独的SoH预测的方法。为了进行精确的SoH计算和预测，即使仅存在有限数量的训练数据用于预报剩余使用寿命的机器机器学习，在车辆电池的使用寿命的早期阶段中，当车队车辆的实际参数条件尚未完全被涵盖时本发明也已经允许对于剩余使用寿命(例如80％剩余容量极限)的预测。此外，可以通过量化概率分析来评估不确定性，所述量化概率分析使得能够长期预测车辆电池的SoH值，所述预测体现在每个单独的车辆电池的预期使用寿命中。此外，本发明的方法在很高程度上是可缩放的，并且有越多的数据可用，就因此提高其精度。
在一种有利的设计方案中，当车辆电池的剩余使用寿命未超过预定的值时改变车辆电池的运行参数。例如，最大可提取的功率被限制和/或最大允许充电电流被限制。也可能的是，将充电限制在处于最大容量以下的极限值。极限值优选地是与温度相关的。优选地，因为与高温相关联的高电荷加速车辆电池的老化，所以车辆电池的温度越高，极限值就越低。
一种优选设计方案的特征在于，在所述电动车辆的运行中对于车辆电池测量的特征参量被联合成表征特定车辆电池的特征向量。
还优选的是，所述条件概率被确定为商，所述商的分母与特定车辆电池在位于过去的时间点具有特定特征向量的概率有关。
此外优选的是，所述分母
-通过基于事件频率的经验分布被估计，或者
-所述分母基于参数分布被确定，或者
-所述分母基于正态分布
-或者基于均匀分布被确定。
另一优设计方案的特征在于，所述商具有分子，所述分子取决于具有特定特征向量的车辆电池在位于过去的时间点具有未超过预定极限值的剩余使用寿命的概率。
还优选的是，复合概率通过贝叶斯网络被建模，即通过有向循环图B＝(v,ε)被建模，其中v是代表参量的角点的集，并且ε构成对变量之间的相关性进行编码的边的集合。
此外优选的是，所述贝叶斯网络具有无父(Eltern)的角点。
另一优选设计方案的特征在于，所述车辆电池利用二元分类器被标明，所述二元分类器对于其剩余使用寿命大于阈值的车辆电池具有第一值、尤其是值零，并且所述二元分类器对于其剩余使用寿命小于阈值的车辆电池具有与第一值不同的第二值、尤其是值1。
还优选的是，二元分类器在晚于特定时间点t的时间点T具有第二值的概率由生存函数描述，所述生存函数由已知的Kaplan-Meier估计器来估计。
此外优选的是，通过来自生存分析的累积死亡分布函数计算事件的概率、即二元分类器采用第二值的概率。
另一优选设计方案的特征在于，利用最小描述长度准则来确定贝叶斯网络的结构。
其他优点从从属权利要求、说明书和附图中得出。
不言而喻，上述的和下面仍要阐述的特征不仅可以以分别说明的组合方式而且可以以其他组合方式或单独地被使用，而不脱离本发明的范围。
附图说明
本发明的实施例在附图中示出并且在随后的描述中被更详细地阐述。在此，不同图中的相同附图标记分别表示相同的元件或至少根据其功能可类比的元件。分别以示意形式：
图1示出本发明的技术环境；和
图2示出作为根据本发明的方法的实施例的流程图。
具体实施方式
详细地，图1示出电动车辆10.1、10.2、...、10.n的车队10连同车辆车队10的运营商的服务器12。每个电动车辆10.1、10.2、...、10.n均具有电动车辆电池14.1、14.2、...、14.n和用于检测车辆电池14.1、14.2、...、14.n的特征参量、诸如其温度/电压和电流强度的传感器系统16.1、16.2、...、16.n。车辆电池优选地是相同的车辆驱动电池。
每个电动车辆还具有计算装置18.1、18.2、...18.n，所述计算装置从由传感器系统16.1、16.2、...、16.n提供的数据中借助于机器学习利用计算模型来计算驱动电池的当前SoH。该计算模型优选独立于根据本发明的预报，不太精确并且需要更多测量值(即更完整的参数空间)。
每个电动车辆10.1、10.2、...、10.n此外具有移动无线电通信装置20.1、20.2、...、20.n形式的云连接性，利用所述移动无线电通信装置，电动车辆10.1、10.2、...、10.n可以与车辆车队10的服务器12和/或云22的其他组成部分交换信息。
通过图1中所示的分布式系统的组件的共同作用来实现本发明。
图2作为根据本发明的方法的实施例示出流程图。在该方法的第一阶段中，收集数据，所述数据映射车辆电池14.1、14.2、...、14.n的所测量的特征参量。所收集的数据被传送给服务器12。该第一阶段在图2的流程图中对应于步骤100。
从为车辆电池14.1、14.2、...、14.n中的分别一个测量的特征参量中为各自车辆电池14.1、14.2、...、14.n构成特征向量。在特定的时间点进行测量。要确定的参量(首先)是分别一个车辆电池14.1、14.2、...、14.n在实际时间点的剩余的使用寿命。
要确定的参量被定义为对于在特定时间点t具有特定特征向量x(t)的车辆电池14.1、14.2、...、14n出现特定事件(例如达到/未超过剩余使用寿命)的条件概率。
假设n个彼此独立且相同的车辆电池14.1、14.2、...、14n的数据由车辆10.1、10.2、...、10.n的传感器系统16.1、16.2、...、16.n的m个不同的数据传感器收集，所述传感器分别能够实现连续测量。这种数据的示例是车辆电池14.1、14.2、...、14n的电压和温度，而数据不限于这些示例。
尽管连续测量，但是仅考虑离散化测量用于评估。也就是说，从第i个数据源(例如车辆电池的传感器)获得的测量被变换到范围
Figure BPA0000334278970000051
中。在测量时收集的离散化数据被表示为特征向量x∈Ri×...×Rm。以用t1＜t2...tK表示的离散时间戳收集数据，即对于所有1≤t≤K，/>
Figure BPA0000334278970000052
对于所有1≤i≤n，/>
Figure BPA0000334278970000053
被定义为事件时间，并且/>
Figure BPA0000334278970000054
被定义为审查时间(即给定对象不再被监控)。我们假设Ci≤Ti适用。但是，Ti＞tK也是可能的，这意味着事件发生直至最后的时间戳。在时间点tK的事件状态被定义为/>
Figure BPA0000334278970000055
其中/>
Figure BPA0000334278970000056
被称为艾弗森(Iverson)括号，即/>
Figure BPA0000334278970000057
并且/>
Figure BPA0000334278970000058
引入一组索引
Figure BPA0000334278970000059
使得tk≤min(Ci，Ti)适用并且xik对于所有/>
Figure BPA00003342789700000510
可用。在此，xik是第i个车辆电池在时间tk的特征向量。对于第i个车辆电池收集的数据被表示为
Figure BPA00003342789700000511
总数据组用/>
Figure BPA00003342789700000512
表示。
考虑以下场景，即其中在当前时间点tc＝tK仅对于少数事件存在数据。目标是预测在时间点tf的事件状态，其中tf＞tc并且从而处于未来。车辆电池i的事件状态用yi(tc)∈{0，1}表示。
产生二元分类器，其方式是使用yi(tc)作为类别名称。如果yi(tc)＝1，则针对车辆电池i的事件已在当前时间点tc发生。而如果yi(tc)＝0，则事件在当前时间点tc尚未发生。
目标是计算条件概率
Figure BPA00003342789700000513
其中x表示给定车辆电池的特征向量。由流程图的第二步骤200代表该概率的确定。基于概率的评估的事件预测可以从出版物”A bayesian perspective on early stageevent prediction in longitudinal data”，IEEE Transactions on Knowledge andData Engineering，28(12)：3126-3139，2016年12月中已知。
分数的分母代表车辆电池在特定时间点t具有特定特征向量x的概率。
在分数的分子中，复合概率
P(y(tc)＝1，x，t≤tc)
代表在特定时间点t具有特定特征向量x的车载电池处已经发生了特定事件。
因此，商是针对单独的车辆电池在位于过去的时间点t已经不超过其预料的总使用寿命的80％的剩余使用寿命的概率。
为了对复合概率P(y(tc)，x，t≤tc)进行建模，步骤200包括定义贝叶斯网络、即有向循环图B＝(v，ε)，其中v是代表变量的角点集，并且ε构成对变量之间的相关性进行编码的边的集合。贝叶斯网络例如从出版物″Bayesian network classifiers″，MachineLearning，29(2-3)：131-161，1997年11月中已知。
首先，为此针对每个特征向量x对于每个传感器测量xi(其中1≤i≤m)考虑随机变量以及考虑对应于类别名称(类别标签)y(tc)的附加变量。对于属于xi的角点的父集使用标记法π(xi)。假设
Figure BPA0000334278970000061
适用，即对于属于y(tc)的角点不存在父。
于是复合概率可以被因子分解为
Figure BPA0000334278970000062
因此获得：
分母P(x，t≤tc)可以通过基于事件频率的根据经验的分布被估计，即
Figure BPA0000334278970000063
可替代地，可以假定p(x，t＜tc)的参数分布，诸如正态分布或均匀分布。
为了对于不具有父的角点计算概率，使用来自生存分析的领域的理论，基于存活分析：
本发明涉及其中仅存在数据的有限集合用于估计事件的先验概率(priorprobability)P(y(tc)＝1，t≤tc)的场景。可用数据中的一些数据是不完整的，即存在经审查的数据。
对于每个时间ti，所有事件要么被标明为事件要么被标明为无事件。为了计算标记，估计存活函数(survival function)S(t)＝P(T＞t)。该函数说明事件发生的时间点T晚于在网络中说明的时间点t的概率。
已知的Kaplan-Meier估计器
Figure BPA0000334278970000071
用于估计，其中di代表在时间点ti的事件的数量，并且ni是在时间ti在研究中剩余的对象的数量。借助于累积死亡分布函数(cumulative death distribution function)
F(t)＝P(T≤t)＝1-P(T＞t)＝1-S(t)，也即
Figure BPA0000334278970000072
计算事件的概率Fe(t)。此外应该Q(t)＝P(C＞t)，这说明审查的时间C晚于特定时间tt的概率。Q(t)的Kaplan-Meier估计器具有形式
Figure BPA0000334278970000073
审查概率计算为
Figure BPA0000334278970000074
如果
Figure BPA0000334278970000075
则在时间点t，事件名称分配给所有实例。否则，所有实例都被标明为无事件。
通过使用标志，可以收集被标明为事件的实例，并且可以计算根据实验的概率分布
Figure BPA0000334278970000077
然而，代替地使用参数分布F(t)。大众式示例是已知的Weibull分布，其具有两个参数a和b，即
Figure BPA0000334278970000076
该参数分布是与数据相关的。
为了学习结构、即贝叶斯网络的边集合，使用最小描述长度准则(minimumdescription length criteion)
Figure BPA0000334278970000081
其中
Figure BPA0000334278970000082
是网络中的自由参数的数目。对数似然函数可以被定义为
Figure BPA0000334278970000083
/>
Figure BPA0000334278970000084
Figure BPA0000334278970000085
其中
Figure BPA0000334278970000086
让我们采用经验分布
Figure BPA0000334278970000087
所述经验分布由训练集中事件的频率定义，即
对于每个事件X∈R1×....×Rm，
Figure BPA0000334278970000088
对数似然函数可以被写为
Figure BPA0000334278970000089
所述对数似然函数被最大化为
Figure BPA00003342789700000810
该准则
Figure BPA00003342789700000811
可以通过局部搜索算法(例如通过已知的爬山(climbing)算法)被最小化。
利用如此确定的贝叶斯网络，可以算出条件概率的分子
Figure BPA0000334278970000091
条件概率的由此得出的知识
P(y(tc)＝1|x，t≤tc)
允许根据条件概率对车队中的车辆电池的剩余使用寿命的在步骤300中进行的预报，如下面阐述的。
根据定义，直至当前时间点tc发生事件的概率P(y(tc)＝1|x，t≤tc)的值处于0和1之间。
与此互补的概率P(y(tc)＝0|x，t≤tc)可以基于概率的一般特性被计算为
P(y(tc)＝0|x，t≤tc)＝1-P(y(tc)＝1|x，t≤tc)。
因此，如果可以计算直至当前时间点tc发生事件的概率，那么也可以计算直至当前时间tc未发生事件的概率。在目前的情况下，一方面，对最后提到的概率感兴趣。另一方面，对于互补概率P(y(tc)＝0|x，t≤tc)存在训练数据。出于该原因，例如首先计算该概率。然后可以计算所计算的值用于计算实际感兴趣的概率，其方式是通过tf代替tc。

Claims (13)

1.一种用于预报电动车辆(10.1、10.2、...、10.n)的车队(10)的车辆电池(14.1、14.2、...、14.n)的剩余使用寿命的计算机实现方法，其特征在于，
-(100)在所述电动车辆(10.1、10.2、...、10.n)的运行中，测量所述车辆电池(14.1、14.2、...、14.n)的特征参量并且传送给服务器(12)；
-(200)确定特定的车辆电池(14.1、14.2、...、14.n)的剩余使用寿命在位于过去的时间点未超过预定的极限值的条件概率；和
-根据所述条件概率预报所述车队(10)的车辆电池(14.1、14.2、...、14.n)的剩余使用寿命。
2.根据权利要求1所述的方法，其特征在于，在所述电动车辆(10.1、10.2、...、10.n)的运行中对于车辆电池(14.1、14.2、...、14.n)测量的特征参量被联合成表征特定车辆电池(14.1、14.2、...、14.n)的特征向量。
3.根据权利要求2所述的方法，其特征在于，所述条件概率被确定为商，所述商的分母与特定车辆电池(14.1、14.2，...、14.n)在位于过去的时间点具有特定特征向量的概率有关。
4.根据权利要求2所述的方法，其特征在于，所述分母
-通过基于事件频率的经验分布被估计，或者
-所述分母基于参数分布被确定，或者
-所述分母基于正态分布，
-或者基于均匀分布被确定。
5.根据权利要求3或4所述的方法，其特征在于，所述商具有分子，所述分子取决于具有特定特征向量的车辆电池(14.1、14.2，...、14.n)在位于过去的时间点具有未超过预定极限值的剩余使用寿命的概率。
6.根据权利要求5所述的方法，其特征在于，复合概率通过贝叶斯网络被建模，即通过有向循环图B＝(v，ε)被建模，其中v是代表变量的角点的集，并且ε构成对变量之间的相关性进行编码的边的集合。
7.根据权利要求6所述的方法，其特征在于，所述贝叶斯网络具有无父的角点。
8.根据前述权利要求中任一项所述的方法，其特征在于，所述车辆电池(14.1、14.2、...、14.n)利用二元分类器被标明，所述二元分类器对于其剩余使用寿命大于阈值的车辆电池具有第一值、尤其是值零，并且所述二元分类器对于其剩余使用寿命小于阈值的车辆电池具有与第一值不同的第二值、尤其是值1。
9.根据权利要求8所述的方法，其特征在于，二元分类器在晚于特定时间点t的时间点T具有第二值的概率由生存函数描述，所述生存函数由已知的Kaplan-Meier估计器来估计。
10.根据权利要求9所述的方法，其特征在于，通过来自生存分析的累积死亡分布函数计算事件的概率、即二元分类器采用第二值的概率。
11.根据权利要求6或7所述的方法，其特征在于，利用最小描述长度准则来确定贝叶斯网络的结构。
12.一种设备，所述设备被设立用于预报电动车辆(10.1、10.2、...、10.n)的车队(10)的车辆电池(14.1、14.2、...、14.n)的剩余使用寿命，其特征在于，所述设备具有用于测量车辆电池(14.1、14.2，...、14.n)的在电动车辆(10.1、10.2、...、10.n)的运行中出现的特征参量的部件以及用于将所测量的特征参量传送给服务器(12)的部件，其中服务器(12)被设立用于
-确定特定车辆电池(14.1、14.2、...、14.n)的剩余使用寿命在位于过去的时间点未超过预定的极限值的概率；以及
-根据条件概率预报所述车队(10)的车辆电池(14.1、14.2、...、14.n)的剩余使用寿命。
13.一种计算机程序产品，所述计算机程序产品包括指令，所述指令在通过计算机执行程序时促使所述计算机执行根据权利要求1所述的方法/方法的步骤。
CN202180049912.6A 2020-07-24 2021-07-16 用于预报电动车辆车队的车辆电池的剩余使用寿命的方法 Pending CN115884895A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102020209339.3 2020-07-24
DE102020209339.3A DE102020209339A1 (de) 2020-07-24 2020-07-24 Verfahren zum Prädizieren einer Restlebensdauer von Fahrzeugbatterien einer Flotte elektrischer Fahrzeuge
PCT/EP2021/070019 WO2022017984A1 (de) 2020-07-24 2021-07-16 Verfahren zum prädizieren einer restlebensdauer von fahrzeugbatterien einer flotte elektrischer fahrzeuge

Publications (1)

Publication Number Publication Date
CN115884895A true CN115884895A (zh) 2023-03-31

Family

ID=77051037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180049912.6A Pending CN115884895A (zh) 2020-07-24 2021-07-16 用于预报电动车辆车队的车辆电池的剩余使用寿命的方法

Country Status (4)

Country Link
US (1) US20230202344A1 (zh)
CN (1) CN115884895A (zh)
DE (1) DE102020209339A1 (zh)
WO (1) WO2022017984A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114216558B (zh) * 2022-02-24 2022-06-14 西安因联信息科技有限公司 一种无线振动传感器电池剩余寿命预测方法及系统
DE102022208929A1 (de) 2022-08-29 2024-02-29 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Ermitteln eines Alterungszustands einer Gerätebatterie in einem technischen Gerät mittels Edge Computing
DE102022208932A1 (de) 2022-08-29 2024-02-29 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur prädiktiven Diagnose einer Gerätebatterie eines technischen Geräts mithilfe eines Transformer-Modells

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011017113B4 (de) 2011-04-14 2017-11-09 Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr Verfahren zur Bestimmung von Zustandsgrößen eines Akkumulators
CN105102998B (zh) 2013-03-15 2018-08-21 克朗设备公司 用于电池状况度量的分数耗减估计
US9550429B2 (en) 2014-08-07 2017-01-24 Cummins, Inc. Systems and methods for management of fleet batteries
CN104778337B (zh) * 2015-04-30 2017-03-22 北京航空航天大学 一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法
US10197631B2 (en) * 2015-06-01 2019-02-05 Verizon Patent And Licensing Inc. Systems and methods for determining vehicle battery health
EP3591414B1 (en) * 2018-07-03 2022-01-19 Electricité de France Method for evaluating an electric battery state of health

Also Published As

Publication number Publication date
WO2022017984A1 (de) 2022-01-27
DE102020209339A1 (de) 2022-01-27
US20230202344A1 (en) 2023-06-29

Similar Documents

Publication Publication Date Title
CN115884895A (zh) 用于预报电动车辆车队的车辆电池的剩余使用寿命的方法
Sbarufatti et al. Adaptive prognosis of lithium-ion batteries based on the combination of particle filters and radial basis function neural networks
Dong et al. Data-driven battery health prognosis using adaptive Brownian motion model
Orchard et al. Risk measures for particle-filtering-based state-of-charge prognosis in lithium-ion batteries
EP3264562B1 (en) Method for determining an estimated combined battery state-parameter vector
EP3076512B1 (en) Electricity-demand prediction device, electricity supply system, electricity-demand prediction method, and program
KR101355958B1 (ko) 추정 배터리 파라미터 벡터를 결정하는 시스템과 방법 및그 제조물
EP3904894B1 (en) Training device, estimation device, training method, estimation method, training program, and estimation program
CN115968447A (zh) 电池分析系统和方法
CN107610464A (zh) 一种基于高斯混合时间序列模型的轨迹预测方法
US20070061232A1 (en) Method and system for forecasting reliability of assets
Sautermeister et al. Influence of measurement and prediction uncertainties on range estimation for electric vehicles
Luo et al. An interacting multiple model approach to model-based prognostics
JP2007215354A (ja) 電力負荷予測方法、及び電力負荷予測処理プログラム
JP2013205171A (ja) 情報処理装置、情報処理方法、およびプログラム
CN111460692A (zh) 考虑退化速率相互影响的设备剩余寿命预测方法及系统
Zhang et al. An adaptive prognostic approach incorporating inspection influence for deteriorating systems
WO2023172735A1 (en) Systems and methods for using adaptive modeling to predict energy system performance
CN114879070A (zh) 一种电池状态评估方法及相关设备
Sangeetha et al. Validation of EKF based SoC estimation using vehicle dynamic modelling for range prediction
Zhang et al. Method of speed data fusion based on Bayesian combination algorithm and high‐order multi‐variable Markov model
JP2014191492A (ja) 交通量推定装置、交通量修正装置、及びプログラム
JP6743678B2 (ja) ネットワーク状態推定装置及びプログラム
JP2014066542A (ja) バッテリ温度推定装置及び方法
JP5930820B2 (ja) エネルギー消費量予測装置

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