CN116381498A - 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 - Google Patents

Abstract

本发明涉及一种用于确定设备电池组的与容量相关的健康状态的计算机实现的方法，其具有如下步骤：执行设备电池组从第一充电状态到第二充电状态的充电或放电过程；在第一和第二充电状态时分别测量开路端电压；确定在充电或放电过程期间所输送的电量；利用如下步骤来执行迭代过程以确定该健康状态：o根据第一与第二充电状态之间的充电状态升降、所输送的电量和设备电池组在投入运行时的总容量，确定与容量相关的临时健康状态，o借助于与老化有关的描述充电状态对健康状态和开路端电压的依赖性的OCV模型，根据开路端电压和临时健康状态来确定第一和/或第二充电状态，在满足收敛标准之后，与容量相关的健康状态对应于与容量相关的临时健康状态。

Description

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

技术领域

本发明涉及独立于电网地运行的具有设备电池组的电气设备，尤其是电可驱动机动车、尤其是电动车辆或混合动力车辆，而且本发明还涉及用于确定设备电池组的当前健康状态（SOH：State of Health）的措施。

背景技术

对独立于电网地运行的电气设备和机器、诸如电可驱动机动车的能量供应借助于设备电池组或车辆电池组来实现。这些设备电池组或车辆电池组为设备或车辆的运行提供电能。

设备电池组会在其使用寿命期间并且根据其负载或使用情况而退化。这种所谓的老化导致最大性能能力或蓄能容量持续下降。健康状态对应于用于说明设备电池组的老化的量度。按照惯例，新的设备电池组的健康状态就其可用的总容量而言为100 %，该健康状态随着其使用寿命的推移而显著降低。设备电池组的老化的量度（健康状态的随时间的变化）取决于设备电池组的单独的负载，也就是说在机动车的车辆电池组的情况下取决于驾驶员的使用行为、外部环境条件以及取决于车辆电池组类型。

设备电池组的其值在电池组控制器（Battery Control Unit（电池组控制单元），BCU）中被计算和存储的健康状态（State of Health，SOH）在车辆电池组的情况下在汽车修理厂中在检查过程中经由与诊断设备的OBD接口来被读取。这些健康状态值是先前由该电池组控制器在行驶期间或在行驶之后、在充电过程期间或在充电过程之后、在动态或静止状态下、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的。

用于确定健康状态的标准化方法目前是未知的。通常，从该电池组控制器中读取的健康状态是可信的，然而该健康状态具有高度不准确/高精度（~ 5 %）。更精确的健康状态值对于估计设备电池组的剩余价值来说提供巨大的优势和高的计划安全性。

发明内容

按照本发明，提供了一种按照权利要求1所述的用于确定技术设备的设备电池组的健康状态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。

其它的设计方案在从属权利要求中说明。

按照第一方面，提供了一种用于确定技术设备中的设备电池组的与容量相关的健康状态的计算机实现的方法，该方法具有如下步骤：

- 执行该设备电池组从第一充电状态阈的第一充电状态到第二充电状态阈的第二充电状态的充电过程或放电过程；

- 在第一充电状态和第二充电状态时分别测量开路端电压、尤其是在设备电池组的松弛状态下的开路端电压；

- 确定在该充电过程或放电过程期间所输送的电量；

- 利用如下步骤来执行迭代过程以确定与容量相关的健康状态：

o 根据在第一充电状态与第二充电状态之间的充电状态升降、所输送的电量和该设备电池组在投入运行时的总容量，确定与容量相关的临时健康状态，

o 借助于预先给定的与老化有关的OCV模型，根据相对应的开路端电压和该临时健康状态来确定第一充电状态和/或第二充电状态，该OCV模型描述了充电状态对健康状态和开路端电压的依赖性，

其中在满足预先给定的收敛标准之后，该与容量相关的健康状态对应于该与容量相关的临时健康状态。

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车辆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。

一种确定设备电池组的健康状态的可能性在于：利用在足够长的松弛阶段（在最后一次有电流流入或流出设备电池组之后的时长）之后的开路电压、即开路端电压与设备电池组的充电状态之间的关系。充电状态说明了相对于可储存的总电量而言在设备电池组中所储存的并且可调用的电量。在足够长的松弛阶段之后的开路端电压与充电状态之间的关系对应于开路电压特性曲线或者OCV特性曲线（OCV：Open Circuit Voltage），该开路电压特性曲线或者OCV特性曲线作为OCV模型来被提供。以前公知的OCV模型虽然描述了开路电压对充电状态以及必要时电池组的温度的依赖性，但是另一方面并没有考虑对健康状态的依赖性以及老化效应的路径依赖性。OCV特性随着老化加剧而发生的变化和老化效应的路径依赖性的原因在于：电池行为在生命周期内的变化关于电池直至相应时间点为止所经受的运行条件是唯一的，并且这些运行条件以怎样的顺序作用于该电池是至关重要的。

上述方法提供了一种可用来在受控条件下的测量中可靠地提供健康状态的方法。该方法使用对开路端电压的测量和电量计数（“库伦计数（Coulomb-Counting）”），以便确定设备电池组的健康状态。上述方法允许在不检测运行参量的历史的情况下确定设备电池组的健康状态。

该方法的核心在于：提供一种用于确定健康状态的方法，该方法使用与老化有关的OCV模型。为此，根据对开路端电压的测量，分配相对应的充电状态并且使其与为了实现充电状态升降所需的所输送的电量产生关系，以便确定充电状态。

OCV模型可以以基于数据的方式例如以概率回归模型、诸如高斯过程模型的形式或者借助于参数模型、诸如利用多项式模型、带样条的分段多项式模型等等来被设计。

可以规定：第一充电状态阈对应于设备电池组的完全放电状态，其中在达到相对应的预先给定的电压限制时确认达到该第一充电状态。还可以规定：第二充电状态阈对应于设备电池组的充满电状态，其中在达到充电终止电压时确认达到该第二充电状态。

该方法在受控条件下、诸如在试验台上或者在修理厂中被执行。例如在所定义的环境条件下执行这些测量。该方法规定：将设备电池组放电到较低的第一充电状态阈，诸如放电到设备电池组的可用容量的5 %以下。这里，基于通过电池组控制器所说明的充电状态来临时确定充电状态。通过车辆的正常运行或者通过接通设备中的耗电器就可以实现该放电。

结果，在不容许继续有电流流入和流出电池组的松弛期以后的充电状态达到第一充电状态阈之后，测量在空载情况下的端电压（开路端电压）并且将该端电压作为测量数据集来提供。即，该测量数据集对应于开路端电压到临时假定的充电状态的分配，开始于（与较低的第二充电状态阈有关的）完全放电的设备电池组的充电状态。

然后，设备电池组在可再现的条件下、优选地以预先给定的功率、预先给定的充电曲线或预先给定的C速率、尤其是以在最大容许充电电流（标称充电电流）的20 %以下的充电电流并且在预先给定的电池组温度下被充电，直至达到充满电、即在第二充电状态阈的情况下的第二充电状态，这例如通过达到充电终止电压来被确认，并且分别在松弛期之后测量在空载情况下的开路端电压。所收集的该第二次测量的测量数据集对应于在放电情况下和在充满电情况下的充电状态阈到相对应的开路端电压的相应分配。

现在，根据先前确定的在充电阶段之前和之后的充电状态来确定健康状态、尤其是有关电池组容量来说明的健康状态、即SOH-C。替代地或补充地，该方法也可以在放电方向上执行。

根据在两个松弛阶段之间、即在设备电池组的放电状态（例如SOH=5%）下的松弛阶段的结束时间点与在设备电池组的充满电状态（SOH=100%）下的松弛阶段的结束时间点之间所输送的电量，确定健康状态。通过被输送给电池组的整个充电电流随时间的时间积分来得出该电量。

然后，所确定的电量被除以被分配给这些松弛阶段的充电状态阈之差（这里是100%-5%）并且与在设备电池组的使用寿命开始时的参考总容量相关，以便获得与容量有关的临时健康状态SOH-C。

对与容量有关的临时健康状态SOH-C的计算基于预先给定的与健康状态有关的OCV模型。上述对在完全放电情况下的充电状态的确定基于OCV模型，该OCV模型仅按照所假定的健康状态来被选择。基于最后确定的与容量相关的临时健康状态SOH-C，现在可以选择经调整的OCV模型，并且将在完全放电状态下所确定的开路端电压分配给相对应的充电状态值。

现在可以再次执行上述用于计算与容量相关的临时健康状态的方法。通过迭代执行上述步骤，与容量相关的临时健康状态收敛，接着将该与容量相关的临时健康状态假定为实际健康状态。例如当在连续迭代的情况下与容量相关的临时健康状态变化得小于指定阈值、例如小于0.5 % SOH时，该迭代过程结束。

为了执行该迭代过程，需要OCV模型特别精确。

为此，可以在中央单元中收集针对相同类型的多个设备电池组的测量数据，这些测量数据是在上述方法的测量过程中被确定的。这些测量数据包括对于在该迭代过程中最后确定的健康状态来说在完全放电情况下的充电状态以及在达到完全放电状态和充满电状态以后的相对应的松弛阶段之后的开路端电压。

此外，可以将测量数据向设备外部传送给中央单元，以确定预先给定的OCV模型或者对预先给定的OCV模型进行再训练，其中这些测量数据在每次测量之后被提供并且包括第一和第二充电状态、相应的开路端电压以及实际健康状态，其中该OCV模型利用这些测量数据来被再训练。

因此，在基于数据的OCV模型中可以将充电状态对开路端电压以及所确定的健康状态的依赖性进行建模。在这种情况下，根据在相对应的松弛阶段之后的开路端电压、相关的充电状态以及通过该迭代过程所确定的健康状态来得出训练数据。这种OCV模型在上述用于确定针对所确定的临时健康状态所假定的充电状态的方法中使用。经训练的基于数据的OCV模型也可以在电池组控制器中被实现并且这样被用于在确定在松弛阶段以后的开路端电压之后确定健康状态的精确值。

在可再现的条件下、例如在试验台或空调充电站上的测量期间，充电过程可以在一定的充电状态水平的情况下被中断，并且可以在相对应的松弛阶段到期之后相对应地进行对开路端电压的测量。这些充电状态水平可以通过所输送的累积电量与取决于老化的最大容量（健康状态 * 标称容量（在100 % SOH的情况下））之商的相加从针对完全放电情况在结束最后执行的迭代测量过程之后所确认的健康状态出发可靠地被接近。例如，可以在OCV特性曲线的对于健康状态来说敏感的范围中、诸如在SOC = 50 %的充电状态水平的情况下执行测量。其它相对应的测量可以在不同充电状态水平的情况下进行。得出其它测量点，以便进一步训练基于数据的与健康状态有关的OCV模型。这些测量点（开路端电压）在该迭代过程结束之后根据所确定的健康状态来被配备正确的健康状态并且被用于训练OCV模型。

上述方法的基础在于：利用在松弛状态下的开路端电压与设备电池组的充电状态之间的关系并且借助于所提供的与老化有关的OCV模型来确定健康状态。在此，基于数据的OCV模型可以通过多个设备电池组的测量数据来被创建。借助于相同测量过程对多个设备电池组的测量能够实现在确定OCV模型、尤其是其老化依赖性时的高精度和高可再现性。

按照一个实施方式，可以提供一个或多个另外的充电状态阈，其中在达到相应的另外的充电状态阈的另外的充电状态时中断充电过程或放电过程并且测量开路端电压、尤其是在设备电池组的松弛状态下的开路端电压，其中将这些另外的充电状态与相关的开路端电压一起作为测量数据向设备外部传送给该中央单元，其中OCV模型利用这些测量数据来被再训练。

尤其可以将尤其是同类的多个设备电池组的测量数据传送给该中央单元，使得OCV模型利用所述多个设备电池组的测量数据来被再训练。

可以规定：尤其是按照贝叶斯优化方法从多个设备电池组中选择所要测量的设备电池组用于进行测量。

充电过程或放电过程可以在所定义的环境温度和/或电池组温度以及所定义的充电或放电曲线的情况下按照预先给定的充电或放电曲线以预先给定的充电或放电功率的变化过程来被执行。这些可再现的条件可以通过例如在实验室条件下或者在空调充电站中的测量来被实现。所定义的充电或放电曲线可以为预先给定的充电状态阈提供相对应的松弛阶段。

按照另一方面，提供了一种用于执行上述方法之一的装置。

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健康状态的系统的示意图；

图2示出了用来阐明用于为相同类型的多个设备电池组创建健康状态模型的方法的流程图；

图3示出了电池组的针对两个不同的健康状态的OCV特性曲线的示例性的变化过程；

图4示出了对于健康状态的特定范围来说的在充电状态与开路端电压之间的依赖性的图示；以及

图5示出了对于特定的在测量过程期间所测量的充电状态来说的开路端电压的关于不同健康状态的频率分布的图示。

具体实施方式

在下文，依据在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。该机动车可以在修理厂或者试验台中被测量，以确定健康状态。该测量允许提供可重建的条件，诸如恒定的电池组温度，使得可以特别精确地确定健康状态。

上述示例代表了具有独立于电网的能量供应的多个静态或移动设备，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可以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。

图1示出了用于在中央单元2中收集车队数据来创建基于数据的与老化有关的OCV模型的系统1。该OCV模型用于确定机动车中的车辆电池组的健康状态。图1示出了具有多个机动车4的车队3。

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；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。车辆电池组41配备有自己的电池组控制器45，该电池组控制器可以进行和传达在车辆电池组41中的电压、电流和温度测量。

车辆4可以针对预定时间点或者应要求在修理厂中被测量，以便确定在预定条件下的健康状态SOH-C。用于确定健康状态SOH-C的方法在控制单元43中或者在与之连接的试验台上被执行并且随后更详细地被描述。

用于确定健康状态的方法在车辆4中、在试验台中或者在中央单元2中借助于所提供的基于数据的OCV模型来评估测量数据，该OCV模型尤其是可以利用具有同类的设备电池组41的多个车辆4的测量数据来被训练。

在中央单元2中，基于车队3的多个车辆4的测量数据F来训练或更新OCV模型。OCV模型将开路端电压和所假定的健康状态映射到充电状态，并且可以相对应地被用于根据所测量的经过松弛的开路端电压来确定充电状态。OCV模型优选地被设计成概率回归模型，诸如被设计成高斯过程模型或者贝叶斯神经网络。

机动车4向中央单元2发送测量数据F。对于机动车4来说，这些测量数据包括：通过随后描述的方法所确定的健康状态；在达到相应充电状态阈以后的预先给定的松弛期之后所测量的开路端电压；和相对应的充电状态。所确定的健康状态根据在充电过程期间被输送给车辆电池组的电量与在投入运行时间点可储存的总电池组容量（总容量或标称容量）之比来得出。这些测量数据在车辆电池组41的在修理厂侧的测量的情况下或者在受控条件下的测量的情况下被确定并且被传输给中央单元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执行随后描述的用于收集测量数据并且用于扩展OCV模型的方法；和数据库22，用于存储这些测量数据、OCV模型的模型参数等等。

在图2中，示出了用来阐明用于提供车辆电池组41的用于在车辆4中或在试验台上或在其它受控条件下应用的健康状态的方法的流程图。该方法规定：按照标准化的测量流程来测量所要测量的车辆4的车辆电池组41并且按照随后描述的方法来确定健康状态。这样获得的测量数据可以在中央单元2中被评估，以进一步训练基于数据的OCV模型。

通常，OCV模型描绘由开路端电压、健康状态和充电状态或可用的电池组容量构成的综合特性曲线。可用的电池组容量对应于针对特定充电状态可调用的电能的绝对值。替代地，OCV模型也可以将开路端电压映射到如下充电状态，该充电状态说明了相对于最大可储存的总电能而言的可调用的电能。在图3中示出了该综合特性曲线的示例，该综合特性曲线说明了两个示例性的健康状态、即SOH=100%和SOH=90%的开路端电压U随着可调用的电能或者电池组容量C的变化过程。

为此，在步骤S1中首先使被选择用于测量的车辆电池组41完全放电。可以借助于本身公知的贝叶斯优化方法以基于数据的OCV模型为基础来选择相关车辆电池组41。

可以通过接通车辆4中的耗电器来进行放电。如果例如车辆电池组41的端电压低于预定电压限制，则确认充电状态对应于较低的充电状态阈、即例如对应于低于5 %的充电状态。借此，车辆电池组41被视为完全放电。具体来说，可以通过迭代的基于恒定电流的阶梯放电（具有与电压下限和迭代降低的电流幅度相对应的电压中断条件的多个连续的恒定电流放电步骤）或者通过电流中断条件为小于C/20（其中C对应于与标称容量、即电池组的参考总容量相对应的电流速率）的恒定电流-恒定电压放电来接近和达到该较低的充电状态阈。

现在，在步骤S2中，在达到该较低的充电状态阈以后，在松弛期之后测量车辆电池组41的开路端电压并且将测量结果暂存。

结果，现在在步骤S3中以恒定充电电流或预先给定的充电曲线来开始或进行充电过程，直至达到下一个更高的充电状态阈为止。例如可以确定为20 %、40 %、50 %、70 %、90%和100 %的充电状态阈中的一个或多个。在达到这些充电状态阈中的任何一个之后切断充电电流，并且在切断该充电电流以后经过松弛期之后测量开路端电压。

在此，充电曲线可以被定义为使得在充电过程开始时的电流/电压沿可以在后续被用于确定SOHR（通过评估在充电开始时的dU / dI）。优选地，使用恒定电流曲线，该恒定电流曲线在充电开始时具有电流值的足够高的沿斜度。

松弛期可以固定地被预先给定或者根据是否低于开路端电压的梯度或根据电池组温度的梯度来被选择，即一旦电压变化或温度变化分别低于预先给定的极限值，就可以进行对开路端电压的检测。在达到为100 %的充电状态阈之后，将充电过程的开始时间点t_relax,1、充电过程的结束时间点t_relax,2以及在该时长期间出现的电流曲线i(t)暂存。达到为100 %的充电状态阈对应于充满电的车辆电池组41并且通过达到充电终止电压来被确认。设备电池组的充电终止电压取决于设备电池组的电池化学，通常是不随老化改变的并且能从设备电池组的数据表中得知。为了使过电压对达到充电终止电压的影响最小化，可以类似于在该较低的充电状态阈的设置（见上文）中那样使用阶梯充电方法或恒定电流-恒定电压方法。

在步骤S4，现在可以通过所测量的充电电流i(t)的从充电过程的开始时间点t_relax,1到充电过程的结束时间点t_relax,2的积分来确定在用于车辆电池组41的完全放电状态的较低的第一充电状态阈SOC_relax,1与用于该车辆电池组的充满电状态的较高的第二充电状态阈SOC_relax,2之间所输送的电荷量。为了确定健康状态SOHC，使所确定的用于在较高的与较低的充电状态阈之间的电量升降的电荷量与在使用寿命开始时的车辆电池组的总容量（标称容量）C_0,ref按如下地产生关系：

按照上述方法对健康状态的确定还可以根据测量过程的精度要么以概率方式要么凭经验来提供置信度值，基于常见的传感器规格通过误差传播可以确定该置信度值。这样确定的健康状态首先是临时的，原因在于该健康状态基于在车辆电池组完全放电时的仅仅不精确地被确定的充电状态。

在步骤S5中，现在基于在车辆电池组41完全放电时的开路端电压和所确定的临时健康状态SOHC来评估预先给定的OCV模型，该OCV模型被训练用于提供开路端电压并且向健康状态提供充电状态SOC。OCV模型可以由中央单元2来持续更新，其方式是可以将OCV模型的模型参数传输给车辆或试验台，用于按照上述方法来确定健康状态。

通过步骤S5的评估，得出在车辆电池组完全放电时的充电状态

的新的值。

按照上述计算，现在可以在步骤S6中确定更新后的临时健康状态SOHC。该临时健康状态被暂存。

现在，在步骤S7中检查该临时健康状态SOHC相对于先前确定的临时健康状态SOHC的变化是否低于预先给定的变化阈值。如果情况如此（选项：是），则以步骤S5来继续该方法。否则（选项：否），以步骤S8来继续该方法。

在步骤S8中，将该临时健康状态假定为实际健康状态并且将其分配给车辆4或车辆电池组41。

得出不同充电状态阈的开路端电压以及相关车辆电池组的健康状态SOH-C，作为测量数据F，这些不同充电状态阈由最后使用的OCV模型根据这些开路端电压和最后确定的实际健康状态来得出。这些测量数据还可以说明在开路端电压的相应测量时间点的电池组温度。

这些测量数据F现在在步骤S9中被传送给中央单元2。

这样，如果车队3的所有车辆4已经在修理厂的试验台上或者在所定义的环境条件下执行了用于确定健康状态的方法，则中央单元2从这些测量接收相对应的测量数据。

此外，在步骤S10中，可以确定基于数据的OCV模型或者对该基于数据的OCV模型进行再训练，尤其是作为基于数据的模型（以概率回归模型为形式），该基于数据的OCV模型给开路端电压分配充电状态并且尤其可以根据健康状态以及必要时电池组温度的评估来为模型评估提供相对应的置信度。为了建模，使用概率方法，该概率方法对所确定的健康状态的不确定性进行统计量化。

在每次训练OCV模型之后，可以在步骤S11中将这样确定的随老化改变的OCV模型的模型参数传送给车辆，使得用于按照上述方法来确定健康状态的方法可以基于总是最新的OCV模型来进行。替代地，在测量软件中或者在试验台上实现新训练的OCV模型就可以足够。

预先选择的充电状态阈的位置可以通过OCV模型的灵敏度分析来被适当调整。为此，研究车辆电池组的OCV特性在怎样的充电状态范围内具有电压曲线相对于充电状态而言的大的升高（前者主要在参与车辆电池组的充电/放电过程的活性材料的相平衡之间）以及对车辆电池组的健康状态的尽可能大的依赖性。这些范围尤其适合于对与老化有关的OCV模型的重新校准，原因在于开路端电压在这些范围内的变化可以直接归因于车辆电池组的充电状态或者健康状态的变化。

例如，在图4中针对为0.95 ± 0.5 %的示例性健康状态示出了从针对多个车辆电池组41的测量中所得出的分布。示出了：在充电状态-端电压簇的情况下，可以执行跨电池组的残差分析，这对于每个健康状态来说得出开路端电压与充电状态之间的唯一的关系，分别包括离差在内，该离差可以通过对正态分布的概率密度函数的拟合来被确定。

图5示出了：针对特定健康状态可以如何对健康状态进行建模，其中至少在松弛期之后的开路端电压被用作预测器或者被用作特征。通过利用概率回归模型来进行建模，使用概率方法，该概率方法对按照上述方法所执行的确定健康状态的不确定性进行统计量化。

如图5中示例性所示，例如在充电状态阈为50 % SOC时，第二次测量与在充电状态阈例如为5 % SOC时的测量相比具有对于计算随老化改变的OCV特性曲线（或OCV模型）的更高的预测适用性。这能从开路端电压相对于健康状态的更高的敏感性看出。此外，在健康状态模型中的在第二充电状态阈的情况下的模型不确定性小于在第一充电状态阈的情况下的测量以后的模型不确定性。

由此，用于基于多维回归模型来求解数值问题的算法完成。结果，提供关于随老化变化的开路电压的信息，其中模型不确定性或条件概率是从跨车辆的测量中获得的。收集的测量数据越多，健康状态模型对于这些充电状态阈中的每个充电状态阈来说就性能越强大而且越有效力。

Claims (12)

1.一种用于确定技术设备（4）中的设备电池组（41）的与容量相关的健康状态（SOH-C）的计算机实现的方法，所述方法具有如下步骤：

- 执行（S3）所述设备电池组（41）从第一充电状态阈的第一充电状态（

）到第二充电状态阈的第二充电状态（/>

）的充电过程或放电过程；

- 在所述第一充电状态（

）和所述第二充电状态（/>

）时分别测量（S2）开路端电压、尤其是在所述设备电池组（41）的松弛状态下的开路端电压；

- 确定（S4）在所述充电过程或放电过程期间所输送的电量；

- 利用如下步骤来执行迭代过程以确定所述与容量相关的健康状态（SOH-C）：

o 根据在所述第一充电状态（

）与所述第二充电状态（/>

）之间的充电状态升降、所输送的电量和所述设备电池组（41）在投入运行时的总容量，确定（S6）与容量相关的临时健康状态（SOH-C），

o 借助于预先给定的与老化有关的OCV模型，根据相对应的开路端电压和所述临时健康状态来确定（S5）所述第一充电状态和/或所述第二充电状态（

），所述OCV模型描述了充电状态对健康状态（SOH-C）和开路端电压（U）的依赖性，

其中在满足预先给定的收敛标准之后，所述与容量相关的健康状态（SOH-C）对应于（S8）所述与容量相关的临时健康状态。

2.根据权利要求1所述的方法，其中所述第一充电状态阈对应于所述设备电池组（41）的完全放电状态，其中在达到相对应的预先给定的电压限制时确认达到所述第一充电状态。

3.根据权利要求1或2所述的方法，其中所述第二充电状态阈对应于所述设备电池组（41）的充满电状态，其中在达到充电终止电压时确认达到所述第二充电状态（

）。

4.根据权利要求1至3中任一项所述的方法，其中所述OCV模型被设计成概率回归模型，其中从设备外部接收所述OCV模型的模型参数。

5.根据权利要求1至4中任一项所述的方法，其中将测量数据向设备外部传送给中央单元（2），以确定预先给定的OCV模型或者对所述预先给定的OCV模型进行再训练，其中所述测量数据在每次测量之后被提供并且包括所述第一充电状态（

）和所述第二充电状态（/>

）、相应的开路端电压以及实际健康状态（SOH-C），其中所述OCV模型利用所述测量数据来被再训练。

6.根据权利要求5所述的方法，其中将尤其是同类的多个设备电池组（41）的测量数据传送给所述中央单元（2），使得所述OCV模型利用所述多个设备电池组（41）的测量数据来被再训练。

7.根据权利要求5或6所述的方法，其中提供一个或多个另外的充电状态阈，其中在达到相应的另外的充电状态阈的另外的充电状态时中断所述充电过程或所述放电过程并且测量开路端电压、尤其是在所述设备电池组（41）的松弛状态下的开路端电压，其中将所述另外的充电状态与相关的开路端电压一起作为测量数据向设备外部传送给所述中央单元（2），其中所述OCV模型利用所述测量数据来被再训练。

8.根据权利要求1至6中任一项所述的方法，其中尤其是按照贝叶斯优化方法从多个设备电池组（41）中选择所要测量的设备电池组（41）用于进行测量。

9.根据权利要求1至7中任一项所述的方法，其中所述充电过程或所述放电过程在所定义的环境温度和/或电池组温度以及所定义的充电或放电曲线的情况下按照预先给定的充电或放电曲线以预先给定的充电或放电功率的变化过程来被执行。

10.一种装置，其用于执行根据权利要求1至8中任一项所述的方法。

11.一种计算机程序产品，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8中任一项所述的方法的步骤。

12.一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8中任一项所述的方法的步骤。

Images