CN116400220A - 提供健康状态模型以借助神经微分方程来确定电蓄能器的当前或预测健康状态的方法和装置 - Google Patents
提供健康状态模型以借助神经微分方程来确定电蓄能器的当前或预测健康状态的方法和装置 Download PDFInfo
- Publication number
- CN116400220A CN116400220A CN202310001247.4A CN202310001247A CN116400220A CN 116400220 A CN116400220 A CN 116400220A CN 202310001247 A CN202310001247 A CN 202310001247A CN 116400220 A CN116400220 A CN 116400220A
- Authority
- CN
- China
- Prior art keywords
- model
- health
- state
- data
- training
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000001537 neural effect Effects 0.000 title claims abstract description 23
- 238000012937 correction Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 47
- 230000032683 aging Effects 0.000 claims abstract description 26
- 238000009434 installation Methods 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 1
- 239000013598 vector Substances 0.000 description 15
- 230000003862 health status Effects 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013531 bayesian neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
- B60L2260/44—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种用来提供用于确定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经建模的健康状态的健康状态模型的计算机实现的方法，该方法具有如下步骤：‑提供训练数据集，它们分别针对特定时间点将凭经验确定的健康状态分配给一个或多个运行参量的运行参量变化过程；‑提供基于数据的老化模型，其被设计得具有神经微分方程组，以便对蓄能器的内部电化学状态进行建模，其中内部状态能被映射到健康状态，其中微分方程组的微分方程中的至少一个微分方程具有确定性模型项与通过基于数据的校正模型所形成的基于数据的校正项之和；‑基于训练数据集来训练基于数据的老化模型，使得基于数据的校正模型的模型参数被确定。
Description
技术领域
本发明涉及独立于电网地运行的具有电蓄能器的电气设备，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电蓄能器的当前或预测健康状态（SOH：State of Health）的措施。此外，除了移动电蓄能器之外，本发明也涉及静态电蓄能器。
背景技术
对独立于电网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电蓄能器、通常是设备电池组或车辆电池组来实现。这些电蓄能器为设备的运行提供电能。然而，能量转换器，诸如燃料电池系统，包括氢气储罐在内，也被视为电蓄能器。
电蓄能器或能量转换器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蓄能器的老化的量度。按照惯例，新蓄能器的健康状态就其可用容量而言为100 %，该健康状态随着其使用寿命的推移而显著降低。蓄能器的老化的量度（健康状态的随时间的变化）取决于蓄能器的单独的负载，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。
虽然借助于物理健康状态模型可以基于历史运行参量变化过程来确定蓄能器的当前健康状态，但是该模型在某些情况下不准确。传统健康状态模型的这种不准确使得精确的状态确定以及对健康状态变化过程的预测变得困难。然而，对蓄能器的健康状态的变化过程的预测是重要的技术参量，因为利用该技术参量能够确定蓄能器的剩余使用寿命并且对蓄能器的剩余价值进行经济上的评价。此外，对健康状态的预测对于计划和执行预测性维护间隔期具有增值。
发明内容
按照本发明，提供了一种按照权利要求1所述的用于提供健康状态模型的方法、一种按照并列独立权利要求所述的用于提供健康状态的方法以及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，提供了一种用来提供用于确定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经建模的健康状态的健康状态模型的计算机实现的方法，该方法具有如下步骤：
- 提供训练数据集，这些训练数据集分别针对特定时间点将凭经验确定的健康状态分配给一个或多个运行参量的运行参量变化过程；
- 提供基于数据的老化模型，该基于数据的老化模型被设计得具有神经微分方程组，以便对蓄能器的内部电化学状态进行建模，其中这些内部状态能被映射到健康状态，其中该微分方程组的微分方程中的至少一个微分方程具有确定性模型项与通过基于数据的校正模型所形成的基于数据的校正项之和；
- 基于这些训练数据集来训练该基于数据的老化模型，使得该基于数据的校正模型的模型参数被确定。
用于预测健康状态的健康状态模型通常可以作为电化学模型或者基于数据的模型来被提供。物理老化模型需要高水平的专家知识以便对位于其中的微分方程进行参数化，而基于数据的健康状态模型通常不需要专家知识，但是不允许外推或者只允许有限的外推。因而，通常试图将物理老化模型与基于数据的模型加法结合，以便不仅提供对当前健康状态的良好的模型预测而且提供对健康状态的良好的预测精度。
这种结合的缺点在于：基于数据的校正模型仅对物理老化模型的建模误差进行补偿，然而无法影响基于该物理老化模型对健康状态的计算。因而，上述方法规定：提供一种基于神经微分方程的健康状态模型。在这方面，提供物理老化模型的时变微分方程作为神经微分方程，这些时变微分方程基于内部系统状态的建模。神经微分方程对应于其中在右侧通过基于数据的校正项来补充物理项的微分方程。
基于数据的项通常通过基于数据的回归模型、尤其是以高斯过程模型或神经网络为形式的基于数据的回归模型来被描绘。神经微分方程的优点在于：在物理老化模型的情况下以经参数化的微分方程为形式存在的物理专家知识可以通过基于数据的模型组分来被补充，该模型组分是校正函数，利用该校正函数可以补偿物理老化模型与蓄能器的真实行为的偏差。
神经微分方程可以呈现如下形式：
其中模型项
体现了关于内部系统状态/>
和在时间点t有效的运行参量F的值的物理老化模型并且基于专家知识利用参数向量/>
来被参数化。在这种情况下，状态向量/>
例如可以包括平衡或动力学参数，而且特别是包括如下电化学状态参量，作为内部状态或参数：
- 可循环锂的量；
- 阳极的体积份额；
- 阴极的体积份额；
- 关于阳极的反应速率或反应系数；
- 阳极的扩散系数；
- 关于阳极的层厚度；
- 关于阴极的反应速率或反应系数；
- 阴极的扩散系数；
- 阳极中的孔隙率；
- 阴极中的孔隙率；
- 阳极中的布鲁格曼（Bruggemann）系数；
- 阴极中的布鲁格曼系数；
- 电解质浓度；
- 接触电阻；
- 机械颗粒污染。
还可以包含用于电化学或机械或物理建模的其它参数。
为了使用神经微分方程组来对健康状态进行建模和预测，评估运行参量变化过程，尤其是其方式是通过数值时间积分方法来求解该微分方程组。为此，在设备电池组作为蓄能器的情况下，运行参量、诸如电池组电流、电池组温度、电池组电压、充电状态和/或诸如此类的运行参量必须作为高分辨率的时间序列存在。
对这种物理老化模型的计算复杂，并且由于缺乏计算能力而无法在技术设备的控制器中被执行。在这方面，该评估可以在与该技术设备保持通信连接的中央单元中进行。然而，为此需要将这些运行参量的高分辨率的时间序列传送给中央单元，这会导致数据量大。
通过给各个微分方程中的每个微分方程补充基于数据的校正项
来实现扩展成神经微分方程，该基于数据的校正项取决于模型参数向量以及内部状态参量而且有利地还取决于运行参量。
不同于通过适合的、有关残差来学习的校正模型所准确说明或校正的传统物理老化模型，在上述用于神经微分方程组的方法中的校正项在模型中作用更深并且包含在微分方程的积分中，而这对于传统的基于数据的或混合健康状态模型是不可能的。
基于数据的校正模型可以包括深度神经网络，其中借助于基于梯度的方法通过使预先给定的损失函数最小化来执行训练。
为了对神经微分方程进行训练，使用训练数据集，这些训练数据集从蓄能器的已知的内部状态、例如在该蓄能器投入运行时的已知的内部状态出发将运行参量变化过程分别分配给在一段运行时间以后所达到的健康状态。这些训练数据集可以与先前对纯物理老化模型进行参数化的训练数据相同。该训练可以根据已知的尤其是基于梯度的方法借助于损失函数按照最小二乘法来被执行。在此，对用于基于数据的校正项的模型参数向量
的模型参数进行调整，以便使损失最小化。
基于数据的校正模型可以包括概率回归模型、尤其是高斯过程模型，其中借助于基于梯度的方法通过使对数似然（Log-Likelihood）最大化来执行该训练。
因此，在高斯过程的情况下，代替上述对损失函数的最小化，也可以使用对数似然的最大化并且借此考虑概率建模。
借助于这些训练数据集，可以在训练过程中将具有物理参数α的参数向量
和模型参数向量/>
的模型参数共同参数化。
对基于数据的健康状态模型的训练可以通过如下方式来被执行：
- 借助于基于梯度的优化方法来同时优化模型项的参数以及基于数据的校正模型的模型参数，或者
- 其中在第一步骤中调整模型项的参数并且在第二步骤中在模型项的参数固定的情况下训练该至少一个微分方程的基于数据的校正模型的模型参数。
因此，该训练方法可以提供对参数
和/>
的同时训练。替代地，该训练方法也可以分两步执行，据此，首先基于训练数据集的集合来对具有物理参数α的参数向量/>
进行参数化并且然后将这些物理参数α固定而且使用训练数据的相同训练集合或者另外的训练集合来仅对模型参数向量/>
进行训练。
可以规定：该至少一个微分方程具有随机项。
因此，神经微分方程的模型方程可以利用随机项来予以扩展，以便建立随机微分方程组。这能够实现更高的鲁棒性，原因在于校正项还可以考虑由于噪声而引起的误差。
此外，该方法可以在设备外部的中央单元中被执行，其中运行参量变化过程在技术设备中被确定并且被传输给设备外部的中央单元。
按照另一方面，提供了一种用于确定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在特定时间点的经建模的健康状态的计算机实现的方法，该方法具有如下步骤：
- 提供一个或多个运行参量的运行参量变化过程；
- 提供经过训练的基于数据的健康状态模型，该健康状态模型基于神经微分方程组并且被训练用于将运行参量变化过程分配给健康状态；
- 通过使用该运行参量变化过程对该健康状态模型进行评估来确定经建模的健康状态。
该神经微分方程组可以被设计用于获得内部状态参量，其中经建模的健康状态在每个时间步长作为内部状态参量的函数组合尤其是根据这些内部状态参量的线性组合来得出。
经建模的健康状态尤其可以借助于另一基于数据的校正模型来被校正，该另一基于数据的校正模型基于训练数据集有关健康状态的残差来被训练。
该蓄能器可以被用于运行设备，如机动车、电动助力车（Pedelecs）、飞行器、尤其是无人机、机床、娱乐电子设备、如移动电话、自主机器人和/或家用电器。
按照另一方面，提供了一种用于执行上述方法的装置。
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示出了基于数据的健康状态模型的功能结构的示意图；以及
图3示出了用来阐明用于创建基于数据的健康状态模型的方法的流程图。
具体实施方式
在下文，依据在作为同类设备的多个机动车中的作为电蓄能器的车辆电池组来描述按照本发明的方法。在机动车中，可以在控制单元中实现用于相应车辆电池组的基于数据的健康状态模型。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。此外，该健康状态模型总体上、然而特别是基于数据的健康状态模型可以在车辆中使用以进行高效的数据处理，使得经优化地执行到云中的数据传输。
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。
图1示出了用于在中央单元2中收集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。
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/或电池层面包括电池组电流、电池组电压、电池组温度和充电状态（SOC：State of Charge）的时间序列。运行参量F在从1 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。
此外，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几小时乃至几天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中实现基于数据的健康状态模型，该基于数据的健康状态模型被实现为神经微分方程组。该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或者从具有已知的内部系统状态的时间点开始）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F的变化过程（运行参量变化过程）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并且随着老化增加而降低。内阻的相对变化SOH-R随着电池组的老化增加而升高。
至于这些时间序列，可以使用压缩算法来进行传输，以使到中央单元2的数据流量最小化。此外，可以进行基于事件的传输，使得当例如识别出了稳定或已知的WLAN网络连接时，触发并且进行数据传输。
图2示出了神经微分方程组10的功能结构的示意图，其中该神经微分方程组在每个时间步长利用所提供的运行参量F(t)来被求解。
微分方程组10实现多个彼此有关的微分方程并且包括模型块11，用于提供这些微分方程中的每个微分方程的右侧的模型项。这些模型项对应于物理模型方程
,
，这些物理模型方程体现了关于内部系统状态/>
和在时间点t有效的运行参量的值的物理老化模型并且基于专家知识利用参数向量/>
来被参数化。
此外，提供校正块12，该校正块提供基于数据的校正项
。在每个时间步长中，模型块和校正块12的结果在求和块13中被相加并且该结果表示当前时间步长的状态向量/>
(t)。该结果通过延迟块14延迟地作为/>
(t-1)来被提供给模型块11和校正块12。
对于设备电池组来说，内部系统状态
可以主要对应于如下状态参量：SEI层厚度
、可循环锂的量/>
、可循环溶剂的量/>
、阴极材料的量/>
、活性材料的损耗/>
以及量/>
。
在这六个内部状态参量的示例性情况下，该微分方程组具有如下结构，其中函数g1至g6分别对应于基于数据的校正项，该基于数据的校正项可以通过高斯过程模型或神经网络来形成：
其中
状态向量
(t)现在在健康状态块15中被评估，以便获得健康状态SOH。
健康状态SOH在每个时间步长作为内部状态参量的函数组合来得出，尤其是根据这些内部状态参量的线性组合来得出：
。
神经微分方程组10被数值求解，其中可以分别使用在连续时间步长的状态参量值之差，作为这些内部状态参量的微分项。
附加地，还可以向健康状态块15输送另一校正参量，该另一校正参量通过在另一校正块16中的另一基于数据的校正模型的评估来得出。该另一校正模型能够校正健康状态的在健康状态块15中的评估期间或在该健康状态块中的评估之后得出的残差。在对该神经微分方程组的训练完成之后，该另一基于数据的校正模型可以基于相同的或另外的训练数据集来被训练。该另一基于数据的校正模型可以被设计成概率回归模型，尤其是被设计成高斯过程模型或贝叶斯神经网络。
图3示出了用来阐明用于训练神经微分方程组10的方法的流程图。为此，在步骤S1中首先提供训练数据集，这些训练数据集分别将一个或多个运行参量的运行参量变化过程的时间序列映射到例如凭经验确定的健康状态。该健康状态例如可以借助于基础模型来被确定，该基础模型基于库伦计数（Coulomb-Counting）或对OCV特性曲线的评估。
这样，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（Hub）。有利地，在这种情况下，在空闲阶段在开路电压特性曲线（OCV特性曲线）方面进行校准，以便在中央单元2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（标称电池组容量）建立关系。
在步骤S2中，随后首先进行对神经微分方程组10的初始参数化，其中模型项的物理参数
以及基于数据的校正项的模型参数/>
可以共同被训练。通过损失函数来进行该训练，该损失函数通过使参数向量的物理参数以及模型参数/>
最小化来提供最小二乘损失：
其中
对应于在时间点/>
的被确定为标记的健康状态。
如果校正项是通过高斯过程模型来形成的，则代替上述最小化，也可以应用对数似然的最大化，使得可以考虑概率建模。
如果这些物理参数以足够的程度收敛，这通过预先给定的收敛标准来确定，则在步骤S3中利用训练数据集的另一训练集合来进行后续训练，以便对微分方程组10的校正项g1, g2...的模型参数向量
进行训练。以基于梯度的训练方法为基础来进行该训练，该基于梯度的训练方法可以被应用的原因在于：微分方程包括基于数据的校正项在内都是可微的。
可以使用在常微分方程中的用于参数估计的已知收敛标准。这样，例如尤其是当参数
和/>
在迭代之间的变化小于由用户指定的第一阈Δ1时或者当残差
在这些迭代之间的变化小于由用户指定的第二阈Δ2时或者当两者都发生时，可以确认收敛。
在另一实施方式中，这些微分方程的模型项和校正项也可以被加载随机项。
附加地，该另一基于数据的校正模型16可以基于所提供的训练数据集来被训练。为此，通过对状态向量
(t)的评估所得出的健康状态的残差作为针对通过这些训练数据集所确定的训练数据点的校正参量来被训练。该另一校正参量尤其是用于对经建模的健康状态SOH的加法加载。
Claims (14)
1.一种用来提供用于确定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）的经建模的健康状态（SOH）的健康状态模型的计算机实现的方法，所述方法具有如下步骤：
- 提供（S1）训练数据集，所述训练数据集分别针对特定时间点将凭经验确定的健康状态分配给一个或多个运行参量（F）的运行参量变化过程（F(t)）；
- 提供基于数据的老化模型，所述基于数据的老化模型被设计得具有神经微分方程组（10），以便对所述蓄能器（41）的内部电化学状态进行建模，其中这些内部状态（x(t)）能被映射到健康状态，其中所述微分方程组（10）的微分方程中的至少一个微分方程具有确定性模型项与通过基于数据的校正模型所形成的基于数据的校正项之和；
- 基于所述训练数据集来训练（S2、S3）所述基于数据的老化模型，使得所述基于数据的校正模型的模型参数被确定。
2.根据权利要求1所述的方法，其中通过如下方式来执行对基于数据的健康状态模型的训练：
- 借助于基于梯度的优化方法来同时优化所述模型项的参数（ 
）以及所述基于数据的校正模型的模型参数（/>
），或者
- 其中在第一步骤中调整所述模型项的参数（
）并且在第二步骤中在所述模型项的参数（/>
）固定的情况下训练所述至少一个微分方程的基于数据的校正模型的模型参数（/>
）。
3.根据权利要求1至2中任一项所述的方法，其中所述神经微分方程组（10）的基于数据的校正模型包括深度神经网络，其中借助于基于梯度的方法通过使预先给定的损失函数最小化来执行所述训练。
4.根据权利要求1至3中任一项所述的方法，其中所述基于数据的校正模型包括概率回归模型、尤其是高斯过程模型，其中借助于基于梯度的方法通过使对数似然最大化来执行所述训练。
5.根据权利要求1至4中任一项所述的方法，其中所述至少一个微分方程具有随机项。
6.根据权利要求1至5中任一项所述的方法，其中所述方法在设备外部的中央单元（2）中被执行，其中所述运行参量变化过程在所述技术设备中被确定并且被传输给所述设备外部的中央单元（2）。
7.一种用于确定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）在特定时间点的经建模的健康状态（SOH）的计算机实现的方法，所述方法具有如下步骤：
- 提供一个或多个运行参量的运行参量变化过程（F(t)）；
- 提供经过训练的基于数据的健康状态模型，所述健康状态模型基于神经微分方程组并且被训练用于将运行参量变化过程（F(t)）分配给健康状态；
- 在时间步长中通过使用所述运行参量变化过程对所述健康状态模型进行评估来确定或预测所述经建模的健康状态。
8.根据权利要求7所述的方法，其中所述神经微分方程组（10）被设计用于获得内部状态参量（x(t)），其中所述经建模的健康状态在每个时间步长作为所述内部状态参量的函数组合尤其是根据所述内部状态参量（x(t)）的线性组合来得出。
9.根据权利要求8所述的方法，其中所述经建模的健康状态借助于另一基于数据的校正模型来被校正，所述另一基于数据的校正模型基于训练数据集有关所述健康状态的残差来被训练。
10.根据权利要求1至9中任一项所述的方法，其中所述蓄能器（41）被用于运行设备，如机动车、电动助力车、飞行器、尤其是无人机、机床、娱乐电子设备、如移动电话、自主机器人和/或家用电器。
11.根据权利要求1至10中任一项所述的方法，其中所述健康状态模型被设计用于作为与容量相关的健康状态、作为与内阻变化相关的健康状态或者以电化学参数或内部状态的形式来说明或预测经建模的健康状态（SOH）。
12.一种装置，其用于执行根据权利要求1至11中任一项所述的方法。
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11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11中任一项所述的方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102022200022.6 | 2022-01-04 | ||
| DE102022200022.6A DE102022200022A1 (de) | 2022-01-04 | 2022-01-04 | Verfahren und Vorrichtung zum Bereitstellen eines Alterungszustandsmodells zur Ermittlung eines aktuellen oder prädizierten Alterungszustands für einen elektrischen Energiespeicher mithilfe neuronaler Differentialgleichungen |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116400220A true CN116400220A (zh) | 2023-07-07 |
Family
ID=86766431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310001247.4A Pending CN116400220A (zh) | 2022-01-04 | 2023-01-03 | 提供健康状态模型以借助神经微分方程来确定电蓄能器的当前或预测健康状态的方法和装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116400220A (zh) |
| DE (1) | DE102022200022A1 (zh) |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102020206592A1 (de) | 2020-05-27 | 2021-12-02 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Betreiben eines elektrisch antreibbaren Kraftfahrzeugs abhängig von einem prädizierten Alterungszustands eines elektrischen Energiespeichers |
-
2022
- 2022-01-04 DE DE102022200022.6A patent/DE102022200022A1/de active Pending
-
2023
- 2023-01-03 CN CN202310001247.4A patent/CN116400220A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| DE102022200022A1 (de) | 2023-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| US20220179009A1 (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 | |
| US11835589B2 (en) | Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine | |
| KR102090476B1 (ko) | 클라우드 및 빅데이터를 활용한 bms 최적화 시스템 | |
| US11675017B2 (en) | Method and apparatus for device-specific determination of an internal-resistance based state of health of a battery | |
| US11938838B2 (en) | Method and device for the robust prediction of the aging behavior of an energy storage unit in a battery-operated machine | |
| CN114072685A (zh) | 一种用于估计电池单元的操作参数的方法 | |
| US11656293B2 (en) | Method and apparatus for parameterizing an electrochemical battery model for a battery based on data from a plurality of batteries | |
| CN115219904A (zh) | 用于运行用来提供电化学电池组模型的系统的方法和装置 | |
| CN116804711A (zh) | 基于预测的使用模式来提供设备电池组的预测健康状态的方法和装置 | |
| US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
| CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
| CN112649740A (zh) | 基于iowa算子的锂电池容量估计与寿命预测方法 | |
| 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 | |
| Hallmann et al. | Methods for lithium-based battery energy storage SOC estimation. Part I: Overview | |
| 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 | |
| Chaoui et al. | State-of-charge and state-of-health prediction of lead-acid batteries with genetic algorithms | |
| CN110687460A (zh) | 一种soc预估方法 | |
| US20240168095A1 (en) | Method and Apparatus for Predictive Diagnosis of a Device Battery of a Technical Device Using a Multivariate Transformer Model | |
| KR20210129893A (ko) | 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템 및 방법 | |
| CN115792642B (zh) | 一种动力电池寿命的估算方法及装置 | |
| 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 | |
| CN116893366A (zh) | 用于运行系统以识别设备的电蓄能器的异常的方法和装置 | |
| CN116400220A (zh) | 提供健康状态模型以借助神经微分方程来确定电蓄能器的当前或预测健康状态的方法和装置 | |
| US20220097550A1 (en) | Method and Apparatus for Determining a State of Health of an Electrical Energy Store of Unknown Type by Using Machine Learning Methods |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |