CN116373680A - 运行具有可替换的设备电池组的供电设备的方法和装置以及具有预测性分派的电池组更换站 - Google Patents

Abstract

本发明涉及一种用于运行具有设备电池组的总量的电池组更换站的方法，其中该电池组更换站被设计用来准备好用于与技术设备中的设备电池组进行替换的设备电池组并且根据替换请求替换这些设备电池组，该方法具有如下步骤：为技术设备和电池组更换站提供使用模式，其说明了相关技术设备或电池组更换站的使用方式和/或运行方式；模拟多个替换场景，其中模拟在可能在相关的预测替换时间点提出替换请求的技术设备中使用准备好的电池组进行的电池组更换，根据使用模式来确定每个设备电池组的预测健康状态，根据在每个预测替换时间点的评价标准来确定经优化的替换场景；在存在替换请求时，按照经优化的替换场景将准备好的设备电池组分配给进行请求的设备。

Description

运行具有可替换的设备电池组的供电设备的方法和装置以及 具有预测性分派的电池组更换站

技术领域

本发明涉及电池组更换站，其中为多个技术设备、尤其是电池组供电车辆提供可替换的电池组。该方法还涉及用于电池组更换站的成本优化的运行的可能性。

背景技术

电池组供电车辆的车辆电池组通常需要比较长的充电时间，以便储存对于驾驶电动车辆来说所需的足够量的能量。一种补充或替代方案在于：给车辆配备可更换的车辆电池组并且建立电池组更换站，在这些电池组更换站中始终提供充好电的车辆电池组的储备以供替换。由此，对于车辆的驾驶员来说，能够通过驶近电池组更换站来在短时间内更换整个车辆电池组。在此，取出放电后的车辆电池组并且通过充满电的车辆电池组来替代该放电后的车辆电池组。该过程比给车辆电池组充电快很多倍。

对于更换可再充电的设备电池组，目前并没有有针对性地选择所储备的充满电的电池组。这些所储备的充满电的电池组只有在达到一定的健康状态阈之后才被清除并且被新的设备电池组替代。在此，从成本的角度以及从电池组更换站的运营费用的角度来看，使用于运行多个技术设备的设备电池组的总量尽可能按照所希望的健康状态分布来老化并且尤其是使这些设备电池组的总量均匀地老化是有意义的。其它健康状态分布也可以规定：在预定时间间隔之后分别更换这些车辆电池组的一部分。该方法的目标还可以是设备电池组的能量或成本优化的运行。

发明内容

按照本发明，提供了一种按照权利要求1所述的用于在考虑电池组供电的技术设备的负载相关的使用特性的情况下运行电池组更换站的方法以及一种相对应的按照并列独立权利要求所述的装置和一种按照并列独立权利要求所述的电池组更换系统。

其它的设计方案在从属权利要求中说明。

按照第一方面，提供了一种用于运行具有设备电池组的总量的电池组更换站的方法，其中该电池组更换站被设计用来准备好用于与技术设备中的设备电池组进行替换的设备电池组并且根据替换请求来替换这些设备电池组，该方法具有如下步骤：

- 为技术设备和电池组更换站提供包括电池组更换频率在内的使用模式，其中这些使用模式分别说明了相关技术设备或电池组更换站的使用方式和/或运行方式；

- 作为优化方法的一部分，针对一个或多个预测替换时间点来模拟多个替换场景，其中针对每个预测替换时间点，模拟在按照电池组更换频率可能在相关的预测替换时间点提出替换请求的相应技术设备中使用准备好的电池组进行的至少一次电池组更换，其中针对每个预测替换时间点，根据设备和电池组更换站的使用模式来确定在设备电池组的总量中的每个设备电池组的预测健康状态，其中根据这些设备电池组的总量的健康状态的在每个预测替换时间点的评价标准通过使预先给定的取决于这些评价标准的成本函数最小化来确定经优化的替换场景；

- 在存在技术设备的替换请求时，按照经优化的替换场景将准备好的设备电池组分配给进行请求的设备。

通常不直接测量设备电池组的健康状态。这会需要打开电池组电池并且在试验台测量中对其进行测量或者替代地在设备电池组内部需要一系列传感器，这些传感器会使这种设备电池组的制造成本高以及复杂并且会增加空间需求。此外，市场上还没有用于在这些设备电池组中直接确定健康状态的适合于日常使用的测量方法。

健康状态目前在靠近电池组设置的电池组控制器中被确定并且在检查或维护设备的过程中被读取。在此，所提供的健康状态在行驶期间或在充电过程之后在不同条件下并且根据所使用的用于确定健康状态的算法来被确定。所使用的方法有时可能有很大差异，使得通常无法实现从电池组控制器中读取的跨多个技术设备的健康状态的可比性。误差可达5 %。在此，对健康状态的精确确定对于设备用户来说是重要的，原因在于据此可以得出设备电池组的剩余使用寿命并且相对应地得出该设备的未来的使用可能性。

对于设备电池组，健康状态（SOH：State of Health）是用于说明在电池组充满电时的剩余电池组容量或者剩余的成比例的行驶里程的关键参量。健康状态是对设备电池组的老化的量度。在设备电池组或电池组模块或电池组电池的情况下，健康状态可以被指定为容量保持率（Capacity Retention Rate，SOH-C）。容量保持率SOH-C被指定为所测量到的当前容量与充满电的电池组的初始容量之比。该容量保持率随着老化增加而降低。替代地，健康状态可以被指定为内阻相对于在设备电池组的使用寿命开始时的内阻的升高（SOH-R）。内阻的相对变化SOH-R随着电池组的老化增加而升高。

在电池组更换站运行时，为多个电池组供电设备提供替换电池组。这些电池组供电设备由不同用户来运行或者以不同的使用方式或运行方式来运行，这些使用方式或运行方式反映在这些技术设备中的每个技术设备的单独负载方面并且反映在设备电池组的替换请求的频率方面。如果需要替换技术设备的设备电池组，即如果由技术设备或者由该技术设备的用户提出替换请求，则必须从多个预留的替换电池组中选择适合的替换电池组。

按照上述方法，这应该实现为使得实现设备电池组的总量、即在技术设备中使用的设备电池组与准备好的替换电池组的预定的健康状态分布。优选地，所有设备电池组都应该尽可能均匀地老化，以便使个别、较弱电池组的过早电池组老化的风险最小化。均匀的老化还可对于降低运行时的总成本是有意义的。此外，在电池组的均匀的良好技术状态的情况下，特别是直至使用寿命结束可以提供电池组的更长时间的使用。这一点特别是对于租赁场景来说以及对于电池组所有者来说都可以是令人感兴趣的，因为电池组由于更长时间的使用而在资产负债表中的折旧较低，所以该电池组所有者可以直接拥有增值。

可替换的电池组解决了充电时间长的问题，并且例如可以在出租车运营中用于成本优化方法，原因在于由于其中传递大量能量的“替换-停止”短暂，可以实现出租车的高可用性。

如果存在替换请求，则进行请求的特定技术设备的使用模式对于所使用的设备电池组的未来和预测老化来说具有重要意义。由于设备电池组的老化行为是高度非线性的并且此外电池组的制造影响会导致批量离差（Serienstreuung），所以设备电池组到设备的智能分派是有意义的，以便优化整体运营并且因此优化设备电池组的预期技术状态或剩余价值。例如，如果可以将设备电池组的总量中的较弱的电池组分配给较为温和的负载模式，则可以延长这些较弱的电池组的整体使用寿命。

这些使用模式可以被设计用于借助于预先给定的使用模式模型来预测在被分配给使用模式的技术设备中的设备电池组的一个或多个运行参量的人工的预测运行参量变化过程。

此外，设备电池组的预测健康状态可以按照健康状态模型分别根据相关设备电池组已被放入或预测被放入其中的那些技术设备和/或电池组更换站的使用模式来被确定，其中尤其是为了确定相关设备电池组的健康状态，假设该相关设备电池组的在其中该相关设备电池组在所分配的技术设备中曾经或正在使用的那些时间段内的使用模式。原则上，针对随后描述的方法能应用如下任何健康状态模型，该健康状态模型可基于运行参量变化过程来确定或模拟当前健康状态并且基于预测运行参量变化过程和/或使用模式来确定或模拟预测健康状态和/或健康状态轨迹。

可以预先给定一个或多个预测替换时间点或者按照技术设备的电池组更换频率来确定一个或多个预测替换时间点，在所述技术设备中将预测替换时间点确定为这些技术设备中的一个或多个技术设备的替换请求的最大概率的时间点，其中尤其是考虑仅在预先给定的预测范围内的预测替换时间点。预测替换时间点优选地对应于技术设备请求电池组更换的概率高的未来时间点。这可以通过概率密度函数来予以建模，其中概率密度函数的预期值可以被用作预计的替换时间点。这些概率密度函数根据各个设备电池组的电池组更换频率来得出或者可以通过历史数据来确定。

因此，上述方法规定：针对每个替换时间点、即每当由技术设备或其用户提出替换请求时，将可用的设备电池组分配给相关技术设备。这可以通过在线求解优化问题来实现。替代地，也可以使用事先已经、例如离线地优化的分配策略。这可以有利地被设计用于实时使用。目标在于：长期实现多个设备电池组的预定的共同老化行为，该共同老化行为通过所有设备电池组的预先给定的健康状态分布来被指定。

该目标通过优化方法来实现，该优化方法通过对成本函数的优化关于对设备电池组的总量的健康状态的健康状态分布的影响来针对预测替换时间点确定设备电池组到技术设备的分配。相对应地评价针对预测替换时间点提供直至预先给定的预测范围被优化的设备电池组到各个技术设备的分配的场景。

成本函数取决于评价标准，该评价标准针对特定替换时间点根据设备电池组的总量的健康状态来被确定，而且尤其是取决于如下信息中的至少一个：

- 技术设备的总量的所有健康状态的总和；

- 技术设备的总量的利用预先给定的单独权重来被加权的健康状态的总和；

- 设备电池组的总量的平均健康状态；

- 设备电池组的总量的健康状态的统计分布、尤其是离差（Streuung）；以及

- 这样确定的健康状态分布与所希望的健康状态分布的偏差，其中尤其是所希望的健康状态分布通过低于指定阈值的离差来被说明。

此外，健康状态可以与剩余价值和/或剩余使用寿命信息（剩余使用寿命（Remaining Useful Lifetime））相关联或者包括或考虑SOHC或SOHR。

尤其是，可以形成针对每个预测替换时间点所确定的参量的利用加权因子被加权的总和的所述成本函数，其中所确定的参量取决于在相关替换时间点的相应的评价标准。优选地，该优化方法可以对应于强化学习方法，该强化学习方法能够实现关于设备电池组的总量的健康状态的所希望的健康状态分布的全局优化并且除了纯电池组建模之外也描述电池组更换站的至少一个环境条件。该健康状态分布尤其可以关于设备电池组的总量的通过成本函数所确定的剩余价值来被确定，该健康状态分布基于各个设备电池组的健康状态。

替换场景针对多个预测替换时间点分别提供准备好的设备电池组到技术设备中的一个或多个分配以及相对应的电池组更换。即，在替换场景中，针对一系列预测替换时间点按照准备好的设备电池组到对其来说其提出下一个替换请求的概率高或概率最大的一个或多个技术设备中的可能的分配来依次分别提供一次或多次电池组更换。

该方法被循环执行，使得在实际替换时间点的每次替换之后都可以进行重新优化，以便针对相应接下来的预测替换时间点来确定准备好的设备电池组到使用中的设备的最优分配。

基于设备电池组的使用模式来进行评价，这些使用模式可以从相应技术设备的过去的使用或运行方式中得出并且被观察和被学习。这些使用模式可以从设备电池组的运行参量的过去的变化过程中推导出并且被更新到未来。在设备电池组的替换之后，通过其中曾经使用过设备电池组的设备的使用模式的历史运行参量变化过程以及该设备电池组作为准备好的设备电池组留在电池组更换站中的时间段的时间串联，得出该设备电池组的接下来的老化。此外，在这种情况下，除了设备电池组的使用阶段之外，也考虑空闲以及充电阶段、特别是在电池组更换站中的空闲以及充电阶段。传动系、特别是电池组的效率或有效系数也可以被描述和考虑，例如通过SOHR来被描述和考虑。

在提出替换请求之后，可以按照设备电池组到技术设备的预先确定的分配来将所分配的设备电池组以机械方式和/或以电气方式安装到进行请求的设备。

可以规定：在设备电池组的总量投入运行之后的预定的初始时长内，将设备电池组的子集临时分配给各个技术设备，其方式是这些技术设备的通过相关设备的一个或多个使用特征所表征的使用特性关于其针对设备电池组的负载来被聚类，以便这样将使用特性分配给特定使用类型，其中依据预先给定的规则以基于规则的方式根据被分配给设备的使用类型来给该设备分配设备电池组的子集，其中在设备之一有替换请求时从被分配进行请求的设备的子集中选择和替换准备好的设备电池组。可以基于压力因素的分位数来构建子集。有利地，基于领域知识以基于规则的方式来得出这些子集。压力因素尤其可以包括日历老化、带惩罚函数的加权直方图（SOC，T）和循环老化（AH吞吐量和等效充满电周期（Equivalent Full Charge Cycles））。这种通过聚类进行的分组也可以在投入运行之后保留，并且代表一种针对长期模拟或预测的可能的假设。

因此，为了上述优化方法更快终止并且可以使目标标准收敛，可以最初、即在设备电池组的总量投入运行之后的预定的初始时长、诸如为3-6个月的初始时长将设备电池组的子集临时分配给各个技术设备。为此，这些使用特性可以关于它们针对设备电池组的负载来被聚类，以便这样将使用特性分配给特定使用类型。这些使用特性例如可以通过如下特征来表征，这些特征说明了设备电池组的充电和放电电流的水平、安培小时吞吐量和电池组更换频率。通过借助于聚类（Clustering）方法将这些使用特性分配给特定特征聚类，可以以基于规则的方式来将准备好的设备电池组分配给这些技术设备。由此，在预定的初始时长期间，能够将按照使用特性的聚类被分配给使用类型的技术设备简单地分配给准备好的设备电池组的子集。

尤其是，可以给具有引起所使用的设备电池组的快速老化的使用特性的设备分派具有说明老化较少的健康状态的设备电池组，而给具有引起所使用的设备电池组的缓慢老化的使用特性的设备分派具有老化较少的健康状态的设备电池组。

可以以基于规则的方式将各个使用类型分别分配给准备好替换的设备电池组的子集。这样，在有更换请求的情况下，可以从该子集中选择相对应的准备好的设备电池组。一旦这些使用特性可以更好地被评价，尤其是在预定的初始时长之后可以更好地被评价，就可以执行最初描述的用于将准备好的设备电池组分配给技术设备的方法。

上述方法基于对这些设备电池组中的每个设备电池组的健康状态的确定。该健康状态可以基于健康状态模型以适合的方式来被确定。为此，可以评估运行参量、诸如电池组电流、电池组电压、电池组温度和充电状态的运行参量变化过程。

例如，用于确定设备电池组的健康状态的可能的健康状态模型可以以混合健康状态模型、即物理老化模型与基于数据的模型的组合的形式来被提供。在混合模型的情况下，物理健康状态可以借助于物理或电化学老化模型来被确定，并且该物理健康状态可以被加载校正值，该校正值从基于数据的校正模型中得出，尤其是通过加法或乘法来得出。物理老化模型基于电化学模型方程，这些电化学模型方程表征非线性微分方程组的电化学状态，这些电化学状态在时间积分方法中基于运行参量变化过程来被连续计算，其中使用内部状态来确定物理健康状态，作为SOH-C和/或作为SOH-R。计算和预测通常可以在云中例如每周被执行一次或者替代地或附加地当电池组刚好被替换了或者在仓库中充电时被执行。

此外，基于数据的混合健康状态模型的校正模型可以被设计得具有概率回归模型或者基于人工智能的回归模型、尤其是高斯过程模型，并且可以被训练用于校正通过物理老化模型所获得的健康状态。因此，为此存在用于校正SOH-C的基于数据的健康状态校正模型和/或用于校正SOH-R的至少一个另外的基于数据的健康状态校正模型。高斯过程的可能的替代方案是其它监督学习方法，如基于随机森林模型、AdaBoost模型、支持向量机（Support-Vector-Machine）或贝叶斯神经网络。

此外，上述方法需要基于技术设备的使用模式对健康状态的预测，该预测会引起针对放入到相关技术设备中的设备电池组的不同的预测负载。使用模式能够针对未来估计、即准确说明（präzisieren）设备电池组的循环老化的变化过程。这样，使用模式可以说明由特定技术设备基于其使用或运行方式而向所使用的设备电池组施加的负载。这种使用模式例如可以通过如下使用模式特征中的多个使用模式特征的组合来被确定：安培小时吞吐量，充电行为、即关于快速充电和正常充电的频率的信息，平均放电电流，平均充电电流，直方图特征、如随充电状态的温度、随温度的充电电流或者随温度的放电电流，电流吞吐量，累积总电量（Ah），在充电过程中的平均容量增加，充电容量以及经平滑的微分电容dQ/dU的极值、例如局部最大值，或者累积的行驶里程。这些使用模式特征分别被分配给这些技术设备中的一个。

借助于这些使用模式特征，可以进行对健康状态的预测。为此，上文示例性描述的基于数据的健康状态模型可以结合预先给定的说明电蓄能器的使用和运行方式的使用模式连续地按照时间积分方法来被使用，以便确定健康状态的所预测的变化过程。为此，可以从当前时间点出发基于使用模式特征来连续生成人工运行参量的随时间的变化过程，以便借助于时间积分方法通过物理老化模型来使用这些随时间的变化过程以求解微分方程，以便对预测健康状态进行建模。为此，这些运行参量要么直接根据所识别出的使用模式来产生要么基于从该使用模式中推导出的负载参量的变化过程来产生，从这些负载参量的变化过程中生成所需的运行参量的变化过程。

对电化学模型连同校正模型的计算优选地在设备外部、例如在电池组更换站中进行，原因在于特别是该时间积分方法计算复杂并且具有高数据要求，这需要借助于数据清理（Data Cleaning）进行精确处理。在电池组供电设备中或者在电池组充电设备处与硬件相关地所需的处理能力通常是不够的，或者该处理能力由于成本原因而没有被提供。因而，运行参量的时间变化过程被传输给设备外部的中央单元，并且在那里按照电化学模型以及必要时校正模型来确定健康状态。

对于预测来说，可以从当前时间点或当前评估期出发在使用模式模型中生成至少一个运行参量（负载参量）、即例如在作为蓄能器的电池组处的温度和/或电流的随时间的变化过程。该使用模式模型被设计用于根据显式地或隐含地、即借助于基于数据的模型来预先给定使用模式的一个或多个使用参数来输出该至少一个运行参量的连续变化过程。这能够将通过该使用模式来参数化的使用行为转化成该至少一个运行参量的时间序列。这可以通过直接生成该至少一个运行参量的变化过程和/或通过生成至少一个负载参量来实现，其本身也可以对应于该至少一个运行参量的变化过程，其中根据该至少一个负载参量的变化过程借助于适合的模型来生成该至少一个运行参量的变化过程。因此，该使用模式可以借助于该负载参量来说明蓄能器的负载类型。在设备电池组作为蓄能器的情况下，该负载参量至少说明了电流负载。

附图说明

随后，依据随附的附图更详细地阐述实施方式。其中：

图1示出了用于提供特定于驾驶员和车辆的运行参量以在中央单元中确定车辆电池组的当前和预测健康状态的系统的示意图以及用于提供准备好的充电后的车辆电池组的电池组更换站；

图2示出了混合健康状态模型的功能结构的示意图；

图3示出了用来呈现用于训练基于数据的健康状态模型的方法的流程图；

图4示出了具有对健康状态的取决于使用的预测的混合健康状态模型的功能结构的示意图；以及

图5示出了阐明用来运行用于替换车辆电池组的电池组更换站的方法的流程图。

具体实施方式

在下文，依据在多个作为技术设备的机动车中的作为设备电池组的车辆电池组来描述按照本发明的方法。如下所述，健康状态模型可以在车辆外部的中央单元中持续地基于车队中的车辆电池组的运行参量来被更新或被再训练。该健康状态模型在中央单元中运行并且被用于老化计算和老化预测。中央单元可以在电池组更换站中实现或者与该电池组更换站保持通信连接。

上述示例代表了多个具有独立于电网的能量供应的静态或移动设备，诸如车辆（电动车辆、电动助力车等等）、设施、机床、家用电器、IOT设备等等，这些静态或移动设备经由相对应的通信连接（例如LAN、互联网）来与设备外部的中央单元（云）保持连接。此外，所提到的设备或车辆可具有至少一个可替换的蓄能器或能量转换器。

图1示出了用于在中央单元2中收集和处理车队数据来创建并且运行以及评估健康状态模型的系统1。该健康状态模型用于确定电蓄能器、诸如在机动车中的车辆电池组或燃料电池的健康状态。图1示出了具有多个机动车4的车队3。中央单元2可以是电池组更换站5的一部分或者与该电池组更换站保持通信连接。

这些机动车4之一在图1中更详细地被示出。这些机动车4分别具有：车辆电池组41，作为可再充电的电蓄能器；电驱动马达42；和控制单元43。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与中央单元2（所谓的云）之间传输数据。

机动车4向中央单元2发送运行参量F，这些运行参量至少说明了影响车辆电池组41的健康状态的参量。在车辆电池组的情况下，运行参量F可以在包、模块和/或电池层面说明当前的电池组电流、当前的电池组电压、当前的电池组温度和当前的充电状态（SOC：State of Charge）。运行参量F在从2 Hz至100 Hz的快速时间帧中被检测并且可以以未压缩和/或压缩的形式定期被传输给中央单元2。例如，为了使到中央单元2的数据流量减小到最低限度，时间序列可以在利用压缩算法的情况下以10 min乃至几小时的间隔成块地被传输给中央单元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随后描述的方法；和数据库22，用于存储数据点、模型参数、状态等等。

在中央单元2中可以实现健康状态模型。该健康状态模型可以部分基于数据地被设计成混合模型。健康状态模型可以定期地、即例如在相应的评估时长到期之后被使用，以便基于运行参量的随时间的变化过程（分别自从相应车辆电池组投入运行起）以及由此所确定的运行特征来确定所分配的车队的相关车辆电池组41的当前健康状态。换言之，能够基于所分配的车队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根据运行参量的这些变化过程所得出的运行特征来确定相关车辆电池组41的健康状态。

健康状态（SOH：State of Health）是用于说明剩余电池组容量或者剩余电池组电量的关键参量。健康状态是对车辆电池组或电池组模块或电池组电池的老化的量度并且可以被指定为容量保持率（Capacity Retention Rate，SOH-C）或者被指定为内阻的升高（SOH-R）。容量保持率SOH-C被指定为所测量到的当前容量与充满电的电池组的初始容量之比。内阻的相对变化SOH-R随着电池组的老化增加而升高。

电池组更换站5具有控制装置51，在该控制装置中执行随后描述的方法。电池组更换站5具有更换装置52，在该更换装置中，车辆电池组41可以从车辆4中被取出并且可以被来自电池组仓库54中的准备好的车辆电池组53替代。

图2示例性地示意性示出了以混合方式建立的基于数据的健康状态模型9的实施方式的功能结构。健康状态模型9包括物理老化模型12和校正模型6。原则上，针对随后描述的方法能应用如下任何健康状态模型，该健康状态模型可基于运行参量变化过程来确定当前健康状态并且基于预测运行参量变化过程和/或使用模式来确定预测健康状态。

该物理老化模型12是基于微分方程的数学模型。利用运行参量变化过程、尤其是自从车辆电池组的使用寿命开始以来的运行参量变化过程对健康状态模型的物理老化模型的评估引起：出现物理微分方程的方程组的内部状态，该内部状态对应于车辆电池组的物理内部状态。由于该物理老化模型基于物理定律，所以该物理老化模型的模型参数是说明物理特性的参量。

即，运行参量F的时间序列直接加入物理健康状态模型12，该物理健康状态模型优选地被实施成电化学模型并且借助于非线性微分方程和多维状态向量来描述相对应的内部电化学状态，如层厚度（例如SEI厚度）、由于阳极/阴极副反应所引起的可循环锂的变化、粒子机械应力、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体积变化、阴极中的活性材料的体积变化等等……。该多维状态向量可以借助于材料特性直接被映射到SOH。

因此，物理老化模型12对应于电池组电池和电池化学的电化学模型。该模型根据运行参量F来确定内部物理电池组状态，以便表示以上述线性地或非线性地被映射到容量保持率（SOH-C）和/或内阻升高率（SOH-R）的电化学状态为形式的维度至少为一的基于物理的健康状态SOHph，并且以便提供该容量保持率和/或该内阻升高率作为健康状态（SOH-C和SOH-R）。

然而，通过电化学模型所提供的针对健康状态SOHph的模型值在某些情况下不准确，并且因而规定：利用校正参量k来校正这些模型值。校正参量k由基于数据的校正模型6来提供，该校正模型借助于来自车队3的车辆4的训练数据集和/或借助于实验室数据来被训练。

校正模型6在输入侧获得运行特征M，这些运行特征根据运行参量F的变化过程来被确定并且也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，校正模型6可以在输入侧获得从物理老化模型12中获得的物理健康状态SOHph。在特征提取块8中基于运行参量F的时间序列来生成当前评估期的运行特征M。这些运行特征M还包括来自电化学物理老化模型的状态向量的内部状态以及有利地包括物理健康状态SOHph。

根据这些运行参量F，可以在中央单元2中针对每个车队3或者在其它实施方式中也可以已经在相应的机动车4中生成涉及评估期的运行特征M。对于健康状态的确定来说，该评估期可以为几小时（例如6小时）至几周（例如一个月）。该评估期的常用值为一周。

这些运行特征M例如可包括与该评估期有关的特征和/或累积特征和/或在到目前为止的整个使用寿命期间所确定的统计参量。尤其是，这些运行特征例如可包括：电化学状态，诸如SEI层厚度、由于阳极/阴极副反应所引起的可循环锂的变化、电解质溶剂的快速消耗、电解质溶剂的缓慢消耗、锂沉积、阳极活性材料的损耗和阴极活性材料的损耗、关于阻抗或者内阻的信息；直方图特征，如随充电状态的温度、随温度的充电电流和随温度的放电电流，尤其是关于随充电状态的电池组温度分布、随温度的充电电流分布和/或随温度的放电电流分布的多维直方图数据；以安培小时为单位的电流吞吐量；累积总电量（Ah）；在充电过程（尤其是对于其中电量增加高于整个电池组容量的阈份额（例如20 %）的充电过程来说）中的平均容量增加；充电容量；以及在所测量的具有充电状态的足够大的提升的充电过程期间的微分容量的极值（最大值）（dQ/dU：电荷变化除以电池组电压的变化）；或者累积的行驶里程（Fahrleistung）。这些参量优选地被换算，使得这些参量尽可能好地表征真实使用行为。这些运行特征M可以全部或者只是部分地被用于随后描述的方法。

为了确定经校正的所要输出的健康状态SOH，使物理老化模型12和基于数据的校正模型6的输出SOHph、k相互作用，该校正模型优选地实施成高斯过程模型。尤其是，这些输出可以在求和块7中被相加或相乘（未示出），以便获得针对当前评估期的所要输出的经建模的健康状态SOH。在相加情况下，高斯过程的置信度还可以被用作混合模型的所要输出的经校正的老化值SOH的置信度。

为了训练混合健康状态模型，可以在中央单元2中定义训练数据集，这些训练数据集将运行参量的变化过程作为标记分配给凭经验确定的健康状态。

确定健康状态作为标记可以以本身公知的方式在标记生成的所定义的负载和环境条件下通过使用车辆中或中央单元2中的附加模型对运行参量变化过程进行评估来实现，诸如在修理厂中、在试验台上或者在诊断或标记生成模式上，该诊断或标记生成模式是一种运行模式并且确保遵守车辆电池组的预定的运行条件，诸如恒定温度、恒定电流等等。为此，可以使用其它模型来确定健康状态，例如基于对电池组使用的所识别出的充电和/或放电阶段的分析。此外，电化学电池组/性能模型可以被使用，以便在有利的阶段确定标记。这不仅可以在SOH层面进行而且可以在参数层面进行，例如在空闲阶段，其方式是可以对平衡状态进行参数化，诸如可循环锂。

例如，可以通过库伦计数或通过求在充电过程期间在时间上的电流积分来进行SOH-C测量，该电流积分被除以在相关充电和/或放电阶段的开始与结束之间的充电状态的升降。有利地，在这种情况下，在空闲阶段在开路电压特性曲线上进行校准，以便在中央单元中一并计算充电状态变化过程。例如，当车辆电池组在充电过程期间从所定义的松弛状态出发在可再现的负载和环境条件下从完全放电的充电状态变为充满电状态时，可以获得关于用于用作标记的健康状态的足够可靠的信息。由此检测到的最大电量可以与车辆电池组的初始最大充电容量建立关系。电阻相关的健康状态（SOH-R值）也可以通过与电流变化有关的电压变化来被计算。通常，这些电阻相关的健康状态与所定义的时间间隔以及所定义的环境条件和系统的能量流方向有关。

因此，针对车辆电池组的训练数据集根据相应在某个时间点所确定的健康状态和相关车辆电池组从相关车辆电池组的投入运行时间点直至该时间点为止的运行参量变化过程中得出。对于车辆电池组来说，可以针对不同时间点确定多个训练数据集，其中可以相对于投入运行时间点（使用寿命开始）来指定这些时间点。为多个车辆收集和提供这些训练数据集。

健康状态模型可以常规地利用这些训练数据集来被训练。即在保留物理老化模型12的情况下，这些训练数据集通过混合健康状态模型9来被评估，并且分别以本身公知的方式来使用误差量度、例如在所考虑的训练数据集的经建模的健康状态SOH的输出值与所属的标记之间的RMSE（relative mean squared error（相对均方误差））（损失函数）来对校正模型6进行调整和训练。这里规定：有关物理模型的残差来进行训练，使得该校正模型可以正好在具有足够置信度的数据情况所允许的地方进行相对应地以数据驱动方式的校正。接着，这些训练数据集表示训练集。

结合图3，示出了一种基于使用模式来预测运行参量变化过程的可能性，利用这些运行参量变化过程可以确定预测健康状态。然而，该可能性仅仅是示例性的，而且在现有技术中存在从当前健康状态出发基于预先给定的使用模式来确定预测健康状态的很多其它可能性。

图3基于图2的混合健康状态模型。为了预测未来的健康状态变化过程，使用动态模型11，以便基于至少一个负载参量的变化过程、如电池组电流I和电池组温度T的变化过程来生成运行参量F、如电池组电压U和充电状态SOC的随时间的变化过程并且将总共所有这些运行参量F、即电池组电压U、充电状态SOC、电池组电流I以及必要时电池组温度T的随时间的变化过程作为“人工”运行参量变化过程提供给混合健康状态模型。因此，对于车辆电池组来说，所产生的负载参量的变化过程对应于“人工”运行参量变化过程的一部分。

即，动态模型11具有如下任务：为混合健康状态模型提供在预测情况下生成的负载参量的（非真实的、人工产生的）时间序列或变化过程，用于创建运行参量F和/或作为这些运行参量F的至少一部分，利用这些运行参量可以通过（基于自从使用寿命开始（投入运行）以来所检测到的运行参量F的变化过程）对当前健康状态进行更新来执行对健康状态的变化过程的预测。例如，在输入侧给该动态模型加载电流和温度之后，可以通过该动态模型来提供电压响应。温度和电流变化过程可以特定于驾驶员地从历史数据中被学习并且被用于未来的预测，参见使用模式模型10。

动态模型11可以被设计成各种各样，诸如等效电路模型、电化学模型、电池组电池的单粒子模型等等。动态模型11尤其可对应于电化学电池组模型，该电化学电池组模型对平衡状态进行建模并且在空闲阶段在电池电压方面被校准以便根据电池组电压来生成电池组电流和充电状态。替代地，该动态模型可以被实施成用于表征系统传递函数的电池组性能模型，其中通过Butler-Volmer（巴特勒·伏尔默）调节来算出电流强度的非线性。

从这些负载参量的变化过程中对运行参量变化过程的生成根据车辆电池组41的所得到的健康SOH来实现，该车辆电池组引起特别是关于动态模型11的参数或者替代地该动态模型的状态对该动态模型的更新。因此，动态模型11的传递行为根据车辆电池组41的健康状态而发生变化。通常，该参数更新在模拟或预测期间每个（模拟）月发生一次。

通过如下方式来考虑健康状态SOH：基于所计算出的经建模的健康状态SOH来更新动态模型11的参数和/或状态。

为了生成负载参量的变化过程用于预测健康状态，提供使用模式模型10。使用模式模型10将预先给定的使用模式M转化成负载参量的变化过程，这些负载参量反映了蓄能器的该蓄能器在通过使用模式所说明的使用和运行方式的情况下所经受的负载。即，使用模式N会引起通过使用模式模型10对作为负载参量L的电池组电流I和电池组温度T的随时间的变化过程的输出，利用这些随时间的变化过程，与电池组电压U和充电状态SOC的变化过程一起借助于动态模型11来使该组运行参量F完整，以便生成这些运行参量F的人工生成的变化过程。

这些使用模式可以通过使用参数N来定义，这些使用参数通过车队数据以特定于车辆的方式通过使用模式模型10、优选地借助于基于数据的方法来被学习，并且用于关于相关车辆电池组41来模拟用户或者传动系的使用行为。

该使用模式模型可以被设计成循环神经网络、诸如LST或GRU，尤其被设计成贝叶斯LSTM网络，并且可以基于说明蓄能器的使用方式的负载参量或运行参量F的变化过程来被训练。在此所要考虑的负载参量或运行参量F的变化过程应基于电池组的相同使用方式和相同运行方式的时间段。

接着，说明使用模式的使用参数N对应于该使用模式模型的模型参数，即在神经网络的情况下对应于各个神经元的权重和偏置值。此外，可以考虑先验分布和后验分布以及按照贝叶斯定理以观察为条件的概率，作为重要参数。

这些使用模式可以通过基于负载参量和/或运行参量F相对于其日历参考的已知的随时间的变化过程对该使用模式模型进行训练来得出。即，该使用模式模型在输入侧利用日历时间信息以本身对于循环神经网络公知的方式来被训练并且在输出侧利用负载参量（电流、温度，优选地作为时间序列）和/或运行参量F以本身对于循环神经网络公知的方式来被训练。这样，通过规定日历时间信息、如日期和时间，可以生成负载参量和/或运行参量F的人工变化过程。该日历时间信息还可包含星期几、月份和关于节日的知识，并且尤其可以通过特征工程（Feature Engineering）来考虑季节性因素。

这样，使用模式模型10可以直接由负载参量L和/或运行参量F的变化过程的原始数据来形成。因此，对于车辆电池组41来说，电流曲线的典型模式例如由于反复的通勤路线、典型的停车和休息时间来被识别并且可再现。

替代地，使用参数也可以是负载参数，这些负载参数例如可以表征车辆电池组41的使用方式和/或运行方式并且对应于在统计上所检测到的参量。

使用模式N尤其也可以说明环境条件和周期性负载变化过程。这些环境条件例如可以从气候表中推导出，针对季节等等说明电池组温度在昼夜节律内的变化过程，优选地借助于来自中央单元（云）的与GPS有关的天气数据。为此，除了日历时间信息之外，该使用模式模型可以利用温度变化过程信息来被训练和使用。优选地，可以将与GPS有关的温度变化过程的预测加入到对使用模式的预测中。

该温度变化过程信息可以从在最近发生的时间段、诸如一个月内的平均温度中得出，该平均温度可以借助于从气候表中得出的季节性波动来被预测。该气候表可以从车辆的位置信息（地理位置）（车辆位置：最常驻车的车辆位置的位置信息）中推导出。因此，该使用模式模型提供了日历时间信息和温度变化过程信息到作为输入参量的负载参量和/或运行参量F的映射，并且也相对应地被训练。

此外，使用模式模型10可以根据经建模的健康状态SOH来运行。借此，例如在车辆利用车辆电池组来运行的情况下可以考虑：在电池组老化的情况下，为了覆盖驾驶员所希望的路线，该驾驶员宁愿必须每周进行3次充电或者将该电池组更换成充满电的电池组，而不是像最初那样只充电2次。

使用模式N特定于车辆地被训练和预先给定，并且表征相应车辆电池组41的使用和运行方式或者使用和运行行为。

为车队3提供电池组更换站5，在该电池组更换站中提供为了替换各个车辆电池组41而准备好的车辆电池组53。在中央单元2中，所有使用中的车辆电池组41以及所有准备好的车辆电池组53的运行参量变化过程被检测并且相对应地被用于确定当前健康状态。此外，可以根据这些运行参量变化过程来确定各个车辆的使用特性，这些使用特性由此隐含地被能分配给特定驾驶员类型的驾驶员。这些使用特性通过车辆电池组41放入其中的车辆4的运行方式来说明车辆电池组的负载类型，并且可以被用作用于生成人工运行参量变化过程的使用模式。

在电池组更换站5中，车队3的车辆4可以提出替换请求，使得通常在车辆抵达时放电的车辆电池组41在电池组更换装置52中被从相关车辆取出并且被充满电的准备好的车辆电池组53替代。按照随后描述的方法来对待放入的准备好的车辆电池组53进行分配。

图4依据流程图来阐明用于在电池组更换站5中在存在车辆4的替换请求时分配准备好的车辆电池组53的方法。按照上述方案，随后描述的方法基于车辆电池组的总数中的每个车辆电池组的运行参量变化过程、从中确定的使用特性或使用模式以及根据这些车辆电池组中的每个车辆电池组的相应的运行参量变化过程所确定的当前健康状态。

在步骤S1中，首先依据评价标准来进行针对车辆电池组的总量的当前健康状态的分布的评价，该评价标准可以考虑绝对老化和相对老化。车辆电池组的总量对应于在车辆中使用的车辆电池组41的全部以及准备好的车辆电池组53。在此，该评价标准考虑车辆电池组41、53的总量的健康状态以及这些健康状态的分布和与所希望的健康状态分布的偏差。

所希望的健康状态分布例如可以规定：所有车辆电池组的健康状态的离差尽可能小。由此，所有车辆电池组的老化进展得越均匀，车辆电池组的总数就被评价得越好。替代地或附加地，评价函数可以取决于所有健康状态（SOH-C：与容量相关的健康状态）的总和和/或车辆电池组的总量的平均健康状态和/或健康状态的离差的倒数。该评价标准尤其也可以考虑剩余价值函数，该剩余价值函数根据车辆电池组的健康状态来评价这些车辆电池组的总数的当前的货币价值。

在步骤S2中，车辆中的每个车辆的运行参量变化过程关于这些使用特性来被评价。这些使用特性通常对应于与车辆电池组的负载有关的聚合参量、统计参量或者直方图信息（见上文），可以完全或部分地通过上述运行特征来说明，并且例如可以包括放电电流、车辆的回收电流以及纵向加速度、安培小时吞吐量或里程以及充电偏好、例如正常充电或快速充电，以及电池组更换频率。

在步骤S3中，使用特性的这些特征现在可以借助于适合的聚类方法来被分析，并且各个车辆、即被分配给这些车辆的用户可以相对应地被划分成使用特性的聚类。为此，例如可以首先借助于肘（Ellbow）法等等来确定聚类数目，并且然后可以通过规定最优聚类数目来确定聚类方法。优选地，k均值聚类方法可以被实施成无监督学习算法，以便针对每个所标识出的聚类确定这些使用特性的相对应的特征组合的质心。因此，所考虑的使用特性的每个特征点都被分配给特定聚类。

示例性地，在图5中使关于两个归一化的使用特性、示例性地N1、N2的二维聚类可视化，该二维聚类在特征空间中被评估。聚类C1例如可以表征频繁快速充电所提供的两个使用特性，并且聚类C2例如可以描述夜间的缓慢充电所表征的使用特性。

在步骤S4中，给这些聚类中的每个聚类分配使用类型并且以基于规则的方式分派替换电池组的子集。例如，可以给使用类型“快速充电”或“强回收”分派性能最为卓越的、即其健康状态说明老化最少的那些准备好的车辆电池组。另一方面，可以给分配有“正常充电”的使用类型分派具有与车辆电池组的平均水平相比更多的老化的准备好的车辆电池组的子集。如果相对应的车辆驶近电池组更换站并且提出替换请求，则可以按照相对应的车辆被分配给的使用类型来分发准备好的车辆电池组53，该准备好的车辆电池组从准备好的车辆电池组53的被分配给相关车辆的使用类型的子集中得出。此外，该使用类型可以表征直至下一次电池组更换为止的平均时间。如果能够在更换站之外对电池组进行充电，则使用类型例如也可以包含对于快速充电的用户偏好。

在步骤S5中，检查是否存在足够的数据库用于确定所预测的健康状态变化过程。这例如可以在车辆电池组41、53的总量的例如为1-6个月的最小运行时长之后存在。该时长被安排为使得各个车辆的所提供的运行参量变化过程能够充分确定相关车辆的使用模式并且因此允许对健康状态的预测。如果确认数据库足够大（选项：是），则以步骤S6来继续该方法，否则跳回到步骤S1。

在步骤S6中，根据这些车辆中的每个车辆的历史运行参量变化过程来确定使用模式。用于针对健康状态变化过程的预测的使用模式检测和应用的可能的方法之前已结合图3被详细描述。替代地，可以使用其它深度学习方法，如具有贝叶斯LSTM方法的循环神经网络等等，以便将运行参量变化过程更新并且由此获得用于确定预测健康状态的数据库。替代地，也可以借助于高斯过程模型通过确定时间序列轨迹来进行预测，在该高斯过程模型中可以相对应地外推使用模式的变化过程。根据该使用模式，可以确定预测运行参量变化过程，这些预测运行参量变化过程被分配给特定驾驶员或者特定使用方式或运行方式。

在本文中，使用模式原则上被理解成所有信息，这些信息可以从车辆电池组的运行参量变化过程中推导出并且这些信息说明了相应车辆电池组的负载强度，该负载强度反映在该车辆电池组的老化速度上。

这些使用模式可以被用于例如基于上述使用模式模型来确定这些车辆的人工的预测运行参量变化过程。这些预测运行参量变化过程可以是用于按照上述健康状态模型来确定在指定时间点的预测健康状态的基础。

因此，现在可以基于之前被分配给车辆电池组的历史运行参量变化过程（按时间段地通过在一个或多个车辆中的使用和/或通过在电池组更换站中的存放来组成）从替换时间点起针对该车辆电池组被放入其中的车辆的使用模式使用预测运行参量变化过程，以便可以进行对相对应的车辆电池组的健康状态变化过程的预测。换言之，通过对运行参量变化过程的按时间分段的组合来确定车辆电池组的当前和预测健康状态。截至当前时间点，这些运行参量变化过程对应于真实的、即实际检测到的运行参量变化过程。从当前时间点直至预测替换时间点，按照相对应的车辆电池组被放入其中的那个车辆或电池组更换站或者那些车辆或电池组更换站的使用模式来确定相关车辆电池组的“人工的”预测运行参量变化过程。接着，这样直至预测替换时间点为止所组成的运行参量变化过程可以在健康状态模型中被用于确定所分配的健康状态。

因此，预测可以考虑到：根据电池组更换频率，在相应时间点被替换的车辆电池组从相关车辆中被取出，作为准备好的车辆电池组53被提供一定时长并且接着然后根据替换请求被放入新的另一车辆。准备好的车辆电池组53的运行参量变化过程通常也在电池组更换站5中的存放或充电期间被持续检测并且被提供给中央单元2。

现在，借助于尤其是包括“如果……会怎样”考虑的预测模拟，可以在步骤S7中计算和评价多个替换场景。模拟的结果是一个全局优化的场景，该场景给每个提出替换请求的车辆分配特定的准备好的车辆电池组。就跨电池组的质量函数而言，该场景是最优的或者伪最优的。

对于该模拟来说，从当前时间点至在例如2周与2个月之间的预先给定的预测范围内的下一个预先给定的预测（可能的）替换时间点或者至在该预先给定的预测范围内的多个接下来的连续的预先给定的预测（可能的）替换时间点，计算每个替换场景。该预测范围也可以被选择为使得按照电池组更换频率将车辆电池组的总量中的每个车辆电池组替换至少一次。

下一个替换时间点可对应于下一个车辆返回的可能时间点，根据被分配给每个车辆的替换频率来被确定。替代地，下一个替换时间点可对应于车队的最后一个车辆返回的可能时间点，根据被分配给每个车辆的替换频率来被确定，并且在假设之前已经被替换的车辆电池组被充电并且在仓库中度过通常的停留时长的情况下。

预测替换时间点的序列按照被分配给车辆电池组的电池组更换频率来得出。这些替换时间点通过基于在当前时间点之前的最后一次电池组更换对电池组更换频率进行更新来得出。如果电池组更换频率例如对应于一个月，则可能的预测替换时间点基于最后一次发生的电池组更换被确定为一个月以后的时间点。对于该模拟，针对每个预测替换时间点确定哪个车辆或哪些车辆4可能已经提出了替换请求。

对于替换场景的每个模拟，针对在预测范围内的预测替换时间点中的每个预测替换时间点为这些车辆电池组的总量中的每个车辆电池组分别确定预测健康状态。在此，考虑在先前的预测替换时间点是否已经在车辆中进行了对车辆电池组的更换。接着，被替换的车辆电池组按照在电池组更换站中的使用（存放或充电）来继续运行，并且给该车辆电池组分派相对应的使用模式。接着，被放入的车辆电池组按照在相关车辆中的使用来继续运行，并且针对接下来的直至下一次电池组更换为止的时间段来给该车辆电池组分派车辆的相对应的使用模式。因此，车辆电池组41、53的总量的健康状态即使在进行了电池组更换的情况下也可以连续地被计算直至未来。特别是，在对未来要放入的电池组的模拟的情况下可以使用在步骤3中所确定的聚类，以便选择合理的“后续更换”电池组，这些模拟包括返回和电池组更换的模拟。

替换场景的模拟的结果是在假设替换请求按照预测替换时间点来发生的情况下针对这些车辆中的每个车辆分配准备好的车辆电池组。车辆电池组的总量的健康状态和/或健康状态分布针对所考虑的特定替换时间点按照评价标准来被评价。针对一个或多个预测替换时间点的评价标准可以包含在用于优化方法的成本函数中。

该评价标准考虑车辆电池组41、53的总量的健康状态，尤其是所有健康状态的总和和/或利用预先给定的单独权重来加权的健康状态的总和和/或这些车辆电池组的总量的平均健康状态。替代地或附加地，该评价标准可以说明所有车辆电池组的健康状态的统计分布和这样确定的健康状态分布相对于所希望的健康状态分布的偏差。特别是归一化的离差量度可以被用作标准。在这种情况下，目标在于实现所有电池组的尽可能均匀的老化。归一化的离差量度可以被分配给在未来的时间点。该标准可以以模拟方式在使用模拟结果以及在电池组数字孪生（SOH、状态……）中的信息的情况下随时被评价。

所希望的健康状态分布例如可以规定：所有车辆电池组的健康状态的离差尽可能小。可以规定：只针对比较旧的车辆电池组来考虑该离差，并且只基于该离差来求解优化问题。替代地，可以规定：通过评价函数也使不一样旧的电池组可比较，其方式是例如描述目标老化并且使用相对于目标老化轨迹的偏差作为评价或优化标准。

由此，所有车辆电池组的老化进展得越均匀，关于车辆电池组的总数的质量量度就被评价得越好。

替代地或附加地，该评价标准可以取决于健康状态的离差。该评价标准尤其也可以考虑剩余价值函数，该剩余价值函数根据车辆电池组的健康状态来评价这些车辆电池组的总数的当前的货币价值。

为了优化、即为了找到经优化的替换场景，使用成本函数，该成本函数取决于在一个或多个预测替换时间点的评价标准。

例如，这样可以选择如下替换场景，在该替换场景中，对于特定的预测替换时间点，所有健康状态的总和在与容量相关的健康状态确定（SOHC）时最高或者在与电阻变化相关的健康状态确定时最低。

该成本函数通常可以提供均匀老化、即健康状态的尽可能低的离差、车辆电池组的总量的健康状态（SOHC）的尽可能高（低）的总和或者健康状态分布，作为优化目标，使得车辆电池组的总量的子组例如以5 % SOHC的间隔来均匀老化，以便能够实现在预定时间间隔内、例如每2年对最为老化的组的部分替换。这使得能够在车辆电池组的使用寿命结束时分批替换这些车辆电池组。

例如，在所示出的实施例中，均匀老化可以通过如下方式来实现：老化少的、即具有高SOH-C的车辆电池组被分配或分派给具有表示车辆电池组的特别高的负载的使用模式的车辆。这样，可以给经常通过快速充电来给车辆电池组充电并且其中预期驾驶员较长时间不会替换该车辆电池组的驾驶员分派具有与容量相关的高健康状态SOH-C的替换车辆电池组、即老化少的车辆电池组。

通过计算多个替换场景来进行该优化，在所述多个替换场景中，分别针对每个所确定的可能的预测替换时间点给预测或可能提出替换请求的车辆分配当前健康状态不一样的车辆电池组。

可以借助于强化学习来进行该优化，由此针对下一个替换时间点确定车辆电池组到车辆的最优分配，其方式是计算直至未来更远的预测范围为止的替换场景。尤其可以应用按照以下公式的标准，该公式将以奖励Rt为形式的利润函数（负成本函数）指定为整个车队的加权部分奖励r的总和，并且在此使标准

或/>

最小化。

在这种情况下，针对具有索引k=1…T的预测替换时间点rt+k+1描述了一种评价，该评价可以跨多个电池组被评估地包括离差量度，该离差量度如上所述地基于所有车辆电池组的健康状态或者健康状态分布。通过0 ≤ γ ≤ 1的因子γ，可以控制未来奖励的权重或者调整其到当前的贴现。从当前时间点t出发来计算奖励R。优选地，还可以使用域模型。类似地，上述方案也可以被定义为成本函数。

通过强化学习，可以通过使利润函数最大化或者使相对应的成本函数最小化来针对预测替换时间点的序列分别提供这些替换电池组之一到相对应的车辆的分配。在此，给车辆中的每个车辆相对应地分配准备好的车辆电池组，使得根据这些车辆中的每个车辆的替换请求，无论该替换请求何时被提出，都可以实现车辆电池组到相对应的车辆的分配。强化学习的任务在于：学习并且优化超越电池组的物理老化的所有环境影响。经此，特别是在更换站中的边界条件，如库存水平、能量需求、能量成本、具有压力因素需求的未来预测的更换等等，应该被评价、学习和改善，以用于经优化的运行。

在下文，详细描述强化学习方法。强化学习问题通常被定义为

，具有不断变化的状态：

其中

为多维特征向量，其中i=1…N，而且N对应于车辆电池组的总量，其中其它参量定义如下：

对应于特定电池组i被放入其中的当前车辆的标识；

对应于预计下一个提出替换请求的车辆的身份；

对应于车辆的用于确定关于电流和温度的代表性负载模式的使用模式；

对应于电池组外生参数，诸如电池组更换频率和电池组更换站的使用成本（能量成本）；以及

对应于关于可被分配给车辆n的准备好的车辆电池组的信息。

利用所学习的使用模式

，可以为驾驶员进行关于电流和温度的负载预测，使得得出人工的预测运行参量变化过程。这使得能够确定预测健康状态。借此，可以预测未来的电池组状态/>

。通过强化学习问题，还可以考虑未通过电池组模型来被映射、但是仍然重要的环境影响。

如上所述，成本函数可以根据关于所有车辆电池组的健康状态分布（作为离差量度）来被计算：

。成本以及因此离差应该被最小化，使得/>

或/>

被最小化，例如对于t = 2周的时间窗。

由于在电池组更换站的电池组仓库中的准备好的车辆电池组的可用性，并非每个分配都总是可能的。最后，在分配中只能使用可用的车辆电池组。

用于使

最小化的解决方案能够通过两种方式来实现：

- 1) 通过一旦收到车辆的替换请求就通过预测至少两个车辆电池组的健康状态来对优化问题进行快速求解，使得预期成本

被最小化。为了确定预期成本，这里例如可以显式地考虑能量需求或电价。

- 2) 通过模拟准备好的车辆电池组到车辆的分配以及在关于成本量度方面最优的回溯测试（Back-Tests）中进行验证。接着，可被指定为策略模型

的该分配是利用

对替换请求的处理的基础，由此使成本的预期值/>

最小化。为了，可以定义显式的域规则，例如可以基于健康状态的排名和压力因素排名来给（在考虑批量离差的情况下相对）老化得最少的车辆电池组分配最高的压力因素。这在多维特征空间中实现。压力因素可对应于运行特征，并且例如可包括日历老化、AH吞吐量以及电化学老化模型的内部状态。

在步骤S8中，可以检查车辆4中的一个当前是否已经提出了替换请求。如果情况如此（选项：是），则在步骤S9中按照在步骤S7中找到的替换场景来进行替换并且以步骤S6来继续该方法。否则（选项：否），跳回到步骤S8。

因此，该方法可以被循环执行，使得如果已经在不久之前根据替换请求将所分派的准备好的车辆电池组以其它方式放入车辆中，则基于新优化的结果来执行新的分派。

该优化方法计算复杂并且可以替代地以定期的时间间隔被执行，诸如每周被执行一次，或者根据每个替换请求来被执行。

Claims (14)

1.一种用于运行具有设备电池组（41、53）的总量的电池组更换站（5）的方法，其中所述电池组更换站被设计用来准备好用于与技术设备（4）中的设备电池组（41）进行替换的设备电池组（41）并且根据替换请求替换所述设备电池组，所述方法具有如下步骤：

- 为所述技术设备（4）和所述电池组更换站（5）提供（S6）包括电池组更换频率在内的使用模式，其中所述使用模式分别说明了相关技术设备（4）或所述电池组更换站（5）的使用方式和/或运行方式；

- 作为优化方法的一部分，针对一个或多个预测替换时间点来模拟（S7）多个替换场景，其中针对每个预测替换时间点，模拟在按照所述电池组更换频率可能在相关的预测替换时间点提出替换请求的相应技术设备（4）中使用准备好的设备电池组（53）进行的至少一次电池组更换，其中针对每个预测替换时间点，根据所述设备（4）和所述电池组更换站（5）的所述使用模式来确定在设备电池组（41、53）的总量中的每个设备电池组（41）的预测健康状态，其中根据所述设备电池组（41）的总量的健康状态的在每个预测替换时间点的评价标准通过使预先给定的取决于所述评价标准的成本函数最小化来确定经优化的替换场景；

- 在存在技术设备（4）的替换请求时，按照所述经优化的替换场景将准备好的设备电池组（53）分配（S8、S9）给进行请求的设备（4）。

2.根据权利要求1所述的方法，其中所述使用模式被设计用于借助于预先给定的使用模式模型（10）来预测在被分配给使用模式的技术设备（4）中的设备电池组（41）的一个或多个运行参量（F）的人工的预测运行参量变化过程。

3.根据权利要求1或2所述的方法，其中所述设备电池组（41）的预测健康状态按照健康状态模型（9）分别根据相关设备电池组（41）已被放入或预测被放入其中的那些技术设备（4）和/或电池组更换站（5）的所述使用模式来被确定，其中尤其是为了确定所述相关设备电池组（41）的健康状态，假设所述相关设备电池组（41）的在其中所述相关设备电池组在所分配的技术设备（4）中曾经或正在使用的那些时间段内的所述使用模式。

4.根据权利要求1至3中任一项所述的方法，其中预先给定所述一个或多个预测替换时间点或者按照所述技术设备（4）的电池组更换频率来确定所述一个或多个预测替换时间点，针对所述技术设备将预测替换时间点确定为所述技术设备（4）中的一个或多个技术设备提出替换请求的概率最大的时间点，其中尤其是考虑仅在预先给定的预测范围内的预测替换时间点。

5.根据权利要求1至4中任一项所述的方法，其中所述评价标准针对特定替换时间点根据设备电池组（41）的总量的健康状态来被确定，而且尤其是取决于如下信息中的至少一个：

- 所述技术设备（4）的总量的所有健康状态的总和；

- 所述技术设备（4）的总量的利用预先给定的单独权重来被加权的健康状态的总和；

- 所述设备电池组（41）的总量的平均健康状态；

- 所述设备电池组（41）的总量的健康状态的统计分布、尤其是离差；以及

- 这样确定的健康状态分布与所希望的健康状态分布的偏差，其中尤其是所希望的健康状态分布通过低于指定阈值的离差来被说明。

6.根据权利要求1至5中任一项所述的方法，其中形成针对每个预测替换时间点所确定的参量的利用加权因子被加权的总和的所述成本函数，其中所确定的参量取决于在相关替换时间点的相应的评价标准。

7.根据权利要求1至6中任一项所述的方法，其中所述优化方法对应于强化学习方法并且尤其是在存在所述设备（4）之一的替换请求之后被执行。

8.根据权利要求1至7中任一项所述的方法，其中在设备电池组（41）的总量投入运行之后的预定的初始时长内，将所述设备电池组（41）的子集临时分配给各个技术设备（4），其方式是所述技术设备的通过相关设备（4）的一个或多个使用特征所表征的使用特性关于其针对所述设备电池组（41）的负载来被聚类，以便这样将使用特性分配给特定使用类型，其中依据预先给定的规则以基于规则的方式根据被分配给设备（4）的使用类型来给所述设备（4）分配设备电池组（41）的子集，其中在所述设备（4）之一有替换请求时从被分配进行请求的设备（4）的子集中选择和替换准备好的设备电池组（41）。

9.根据权利要求1至8中任一项所述的方法，其中被分配给进行请求的设备（4）的准备好的设备电池组（53）以机械方式和/或以电气方式来被安装。

10.根据权利要求1至9中任一项所述的方法，其中替换时间点被建模为概率密度函数的预期值，其中所述概率密度函数基于历史用户数据以统计方式来被确定。

11.一种装置，其用于执行根据权利要求1至10中任一项所述的方法。

12.一种电池组更换站（5），所述电池组更换站具有用于更换设备电池组（41）的更换装置（52）、用于提供准备好的设备电池组（53）的电池组仓库（54）和根据权利要求11所述的装置。

13.一种计算机程序产品，所述计算机程序产品包括指令，在通过至少一个数据处理装置来执行程序时，所述指令促使所述数据处理装置实施根据权利要求1至10中任一项所述的方法的步骤。

14.一种机器可读存储介质，所述机器可读存储介质包括指令，所述指令在通过至少一个数据处理装置来执行时促使所述数据处理装置实施根据权利要求1至10中任一项所述的方法的步骤。

Images