CN116466235A - 用于基于主动学习算法来为蓄能器初始提供健康状态模型的方法和装置 - Google Patents
用于基于主动学习算法来为蓄能器初始提供健康状态模型的方法和装置 Download PDFInfo
- Publication number
- CN116466235A CN116466235A CN202310046224.5A CN202310046224A CN116466235A CN 116466235 A CN116466235 A CN 116466235A CN 202310046224 A CN202310046224 A CN 202310046224A CN 116466235 A CN116466235 A CN 116466235A
- Authority
- CN
- China
- Prior art keywords
- accumulators
- health
- state
- model
- subset
- 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 119
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000004422 calculation algorithm Methods 0.000 title claims description 7
- 238000005259 measurement Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000004146 energy storage Methods 0.000 claims abstract description 15
- 230000003862 health status Effects 0.000 claims abstract description 10
- 230000036962 time dependent Effects 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 18
- 239000003550 marker Substances 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims 4
- 238000004590 computer program Methods 0.000 claims 1
- 238000003860 storage Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 29
- 230000032683 aging Effects 0.000 description 28
- 230000008859 change Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 15
- 230000000875 corresponding effect Effects 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000007599 discharging Methods 0.000 description 5
- 230000014759 maintenance of location Effects 0.000 description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 239000003792 electrolyte Substances 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 239000011149 active material Substances 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000007086 side reaction Methods 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000212384 Bifora Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000006183 anode active material Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013531 bayesian neural network Methods 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000006182 cathode active material Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005518 electrochemistry Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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]
- G01R31/367—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- Manufacturing & Machinery (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及用于为电蓄能器初始提供至少部分地基于数据的健康状态模型的方法，其具有如下步骤：在试验台上提供多个蓄能器用于根据相应的负载曲线来进行测量，其中负载曲线是不同的而且表征蓄能器的至少一个承受负载的运行参量的随时间的变化过程；利用相应所分配的负载曲线来运行所述多个蓄能器并且检测随时间的运行参量变化过程；分别在预先给定的评估时间点，确定蓄能器的子集的健康状态作为标记，并且生成具有运行参量变化过程和针对蓄能器的子集中的每个蓄能器所确定的标记的训练数据集；根据优化方法，利用相应所分配的负载曲线来选择蓄能器的子集，该优化方法取决于在试验台上对蓄能器的测量的总成本并且取决于对蓄能器的测量的总信息量度。
Description
技术领域
本发明涉及用于为相同类型的电蓄能器初始提供至少部分地基于数据的健康状态模型的方法和装置，而且尤其是涉及用于预测测量成本和/或测量时间的方法。
背景技术
用于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运行的能量供应通常使用电蓄能器、诸如设备电池组或车辆电池组来实现。
电蓄能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，在设备电池组作为电蓄能器的情况下，新的设备电池组可具有为100％的健康状态(关于该设备电池组的容量，SOH-C)，该健康状态随着其使用寿命的推移而显著降低。
电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，即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。
为了监控多个设备中的电蓄能器的健康状态，运行参量数据可以持续被检测并且作为运行参量变化过程成块地被传输给设备外部的中央单元。
为了依据运行参量数据来以基于模型的方式确定电蓄能器的健康状态，需要提供初始健康状态模型。为此，例如在实验室或试验台中，为一定数量的蓄能器提供初始测量，以便为所要提供的健康状态模型生成训练数据。为此，以不同方式来运行这些蓄能器，其中尤其是必须根据蓄能器的类型来供应或导出能量，以便模拟这些蓄能器的运行循环。为此所需的能量花费相当大并且与最初所要测量的蓄能器的数量成比例。尤其是当仍应该为老化的蓄能器检测足够的训练数据时，初始测量还可能需要相当长的持续时间。
发明内容
按照本发明，提供了一种按照权利要求1所述的用于为蓄能器类型初始提供至少部分地基于数据的健康状态模型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，提供了一种用于为电蓄能器初始提供至少部分地基于数据的健康状态模型的方法，该方法具有如下步骤：
-在试验台上提供多个蓄能器用于根据相应的负载曲线来进行测量，其中负载曲线是不同的而且表征蓄能器的至少一个承受负载的运行参量的随时间的变化过程；
-利用相应所分配的负载曲线来运行所述多个蓄能器并且检测随时间的运行参量变化过程；
-分别在预先给定的评估时间点，确定这些蓄能器的子集的健康状态作为标记，并且生成具有这些运行参量变化过程和针对这些蓄能器的该子集中的每个蓄能器所确定的标记的训练数据集；
-根据优化方法，利用相应所分配的负载曲线来选择这些蓄能器的子集，该优化方法取决于在试验台上对这些蓄能器的测量的成本并且取决于对这些蓄能器的测量的信息量度。
通常不直接测量电蓄能器的健康状态。这会在蓄能器内部需要一系列传感器，这些传感器会使这种蓄能器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蓄能器中直接进行健康状态确定的适合于日常使用的测量方法。
因而，出于能力原因，在设备外部的中央单元中监控多个设备的蓄能器。为此，这些设备可以将这些蓄能器的运行参量的运行参量变化过程传送给该中央单元，其中在该中央单元中确定当前电化学状态和/或健康状态。为此，根据所使用的模型，持续检测运行参量的时间序列作为运行参量变化过程，诸如对于作为蓄能器的设备电池组来说检测电池组电流、电池组温度、充电状态和/或电池组电压，并且将这些运行参量变化过程成块地并且必要时以压缩形式传送给该中央单元。在那里对这些运行参量变化过程进行评估，使得基于一个或多个健康状态模型可以计算/确定特定于设备的健康状态以及必要时计算/确定其它参量。此外，来自多个蓄能器的运行参量可以利用统计方法来被评估，以便改进所应用的健康状态模型，使得可以显著改进对这些蓄能器的健康状态的确定和预测。
在设备电池组作为蓄能器的情况下，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、即与容量相关的健康状态，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。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。
由于在蓄能器运行时物理上常常难以描述的电化学效应，使用基于数据的模型作为健康状态模型或者结合健康状态模型来使用基于数据的模型是经过考验的。
可能的健康状态模型可以以混合健康状态模型的形式来被提供，该混合健康状态模型对应于物理老化模型与基于数据的模型的组合。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。该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关于老化反应的非线性微分方程组的电化学状态、按照时间积分方法来连续计算这些电化学状态并且为了输出而将这些电化学状态映射到物理健康状态，作为SOH-C和/或作为SOH-R。这些计算通常可以在该中央单元(云)中以预先给定的评估期的间隔来被执行，例如每周被执行一次。
此外，基于数据的混合健康状态模型的校正模型可以利用概率回归模型或者基于人工智能的概率回归模型、尤其是高斯过程模型来被设计，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。为此，可以提供基于数据的校正模型来校正与容量相关的健康状态，并且必要时可以提供另一基于数据的校正模型来校正与电阻变化相关的健康状态。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。
在新型蓄能器投入运行时，需要能够借助于健康状态模型来确定健康状态。由于在投入运行时通常没有关于蓄能器的老化的精确的知识，所以需要初始指定健康状态模型，该健康状态模型可以基于运行参量数据来至少近似说明健康状态。即，对健康状态模型的初始指定需要对基于数据的模型进行初始训练。
用于这种初始训练的训练数据通常在实验室中或者在试验台上被执行并且包括指定数量的尤其是随机选择的蓄能器，这些蓄能器分别以彼此不同的负载曲线来运行。这些负载曲线包括循环通过电流、温度曲线等等或者被转换成循环通过电流、温度曲线等等。尤其是在设备电池组作为蓄能器的情况下，这些负载曲线可包括在不同温度下的不同的充电和放电电流曲线并且尤其是通过直方图数据以压缩方式来被指定和表征。这些负载曲线被转换成电流供应和电流导出的时间序列，并且相对应的运行参量、诸如电池组电流、电池组电压、电池组温度和充电状态被检测并且被存储为运行参量变化过程。
在预先给定的时间点，使用适合的其它方法或者测量方法来进行健康状态测量，以便确定这些运行参量变化过程的标记。由此形成训练数据集，这些训练数据集可以被用于对健康状态模型进行参数化和/或被用于在混合健康状态模型或纯基于数据的健康状态模型的情况下训练基于数据的模型。可以考虑使用各种健康状态模型或方法用于确定标记。
可以提供基础模型，作为用于确定健康状态的可能的模型或方法，按照该基础模型，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区间以及所定义的环境条件和系统的能量流方向有关。
现在，按照上述方法，可以确定这些蓄能器的子集的健康状态作为标记，并且生成具有这些运行参量变化过程和针对这些蓄能器的该子集中的每个蓄能器所确定的标记的训练数据集。根据优化方法来执行利用相应所分配的负载曲线对这些蓄能器的子集的选择。
用于选择这些蓄能器的子集的优化方法可具有如下目标：使在试验台上的测量的成本最小化并且使用于创建初始健康状态模型的通过该信息量度所确定的信息增益最大化。
因此，按照上述方法规定：根据该信息增益，逐步减少被测量的或者处于测量中的蓄能器的数量，该信息增益可以通过进一步测量相关蓄能器来被获得，用于健康状态模型的进一步发展。
按照一个实施方式，在高斯过程模型作为概率模型的情况下，可以根据这些蓄能器中的一个或多个蓄能器的输入向量来针对整个测量时间段的评估时间点来确定预测协方差，其中根据这些负载曲线来确定这些输入向量。
因此，提出了一种方法，在该方法中，逐步对健康状态模型进行进一步训练并且从测量中移除或忽略对于健康状态模型的进一步发展来说贡献微小的那些电池组。为此，在使用概率回归模型作为基于数据的模型时，分别在评估时间点确定基于数据的模型的预测协方差
∑(SOHj(t+t1)，SOHj(t+t2)，…，SOHj(t+tn))
该预测协方差来自在健康状态模型中提供的概率回归模型(高斯过程模型)。在高斯过程模型作为概率回归模型的情况下，该预测协方差并不取决于以前看不见的健康状态，而是只取决于高斯过程模型的输入参量并且因而可以被写作
其中x(t)对应于一个或多个运行参量变化过程，m(t)对应于作为负载曲线的直方图数据，z(t)对应于物理老化模型的多维电化学状态，诸如SEI厚度、可循环锂的量、活性材料的量、电化学浓度等等，并且Phys[x(t)]对应于物理(建模)健康状态。
该预测协方差是矩阵，可以将信息量度、如行列式或最大特征值应用于该矩阵。因此，针对所测量的蓄能器中的每个蓄能器都获得信息量度。用于多个蓄能器J＝(j1…jm)的信息量度可以被指定为
其中J对应于所选择的蓄能器的数量并且j1…jm对应于这些蓄能器中的特定蓄能器的索引。
此外，应用成本量度并且针对每个所要测量的蓄能器来确定该成本量度。该成本量度可以包括在实验室或试验台测量期间的能量使用或需求以及这些蓄能器的整个测量的持续时间。除此之外，该成本量度还可以考虑总试验台成本、试验台的占用时间和其它材料使用。因此，可以为数量为J的所要测量的蓄能器中的每个蓄能器按如下地预测性地提供成本量度C：
CJ＝C1+..+Cm
现在，利用所要测量的电池组中的多个电池组的成本信息点的集合，可以求解该优化问题并且确定帕累托前沿(Pareto-Front)。该帕累托前沿表示关于所要创建的初始健康状态模型的可实现的信息量度的成本量度。
就主动学习方法的一种变体而言，对成本-信息量度点的选择现在可以规定：选择对其来说这些成本-信息量度点尽可能接近该帕累托前沿或者处在该帕累托前沿上的那些蓄能器。
可以规定：该优化方法
-基于目标函数并且尤其是利用贪心算法来被执行，其中该目标函数表示用于测量所述多个蓄能器的成本与通过测量这些蓄能器的该子集所引起的总信息量度的加权和；
-通过在对这样选择的车辆电池组的测量的总成本小于指定的最大成本的约束条件下使总信息量度最大化来被执行；
-通过在该总信息量度大于指定的最小信息量度的约束条件下使总成本最小化来被执行；
-通过在总成本小于指定的最大成本的概率大于指定概率的约束条件下使总成本最小化来被执行；或者
-通过在信息量度大于指定的最小信息量度的概率大于指定概率的约束条件下使总信息量度最大化来被执行。
按照该优化方法的上述方案，成本与信息增益之间的加权可以通过目标函数来被指定，例如具有由用户定义的加权参数α的ZJ＝InfoJ+αCJ。现在，尤其是通过应用贪心算法，可以确定最优的蓄能器。贪心算法首先选择最优的蓄能器并且接着在该最优的蓄能器已经被测量的预给定下添加次优的蓄能器。替代于对上述目标函数的预选，也可以通过限制最大成本并且通过限制最小信息增益来求解约束优化问题。
替代于利用加权参数对目标函数的加权，也可以通过使信息量度InfoJ最大化来求解约束优化问题，以便选择所要选择的蓄能器的子集。这发生在测量所选择的蓄能器的成本之和小于指定的说明这些成本最大允许有多高的用户参数的约束条件下。
替代于利用加权参数对目标函数的加权，也可以通过使成本最小化来求解约束优化问题，以便选择所要选择的蓄能器的子集。这发生在信息量度InfoJ大于指定的最小信息增益的约束条件下。
如果使用概率回归模型，则可以选择对其来说用于测量所选择的蓄能器的成本之和在最高信息量度的情况下小于指定参数的概率大于指定参数的那些蓄能器。因此，可以提供该帕累托前沿的离散成本-信息增益点，该离散成本-信息增益点以基于模型的方式与行动建议相关联并且具体指定蓄能器以供选择用于继续运行。
按照该方法，现在针对所选择的蓄能器进行健康状态的具体测量并且针对未被选择的蓄能器不进行健康状态的具体测量。由此，获得训练数据集连同所分配的运行参量变化过程。
基于数据的健康状态模型可以利用基于数据的概率模型来被设计，其中针对这些蓄能器中的一个蓄能器，该基于数据的模型的包括至少一个运行参量变化过程、来自这些运行参量变化过程的运行特征、该蓄能器的内部状态和/或经物理建模的健康状态的输入向量被映射到相关蓄能器的所要建模的健康状态或者用于校正相关蓄能器的经物理建模的健康状态的校正参量，其中蓄能器的信息量度被确定为该预测协方差的行列式。
该预测协方差可以根据这些蓄能器中的一个或多个蓄能器的输入参量针对整个测量时间段的评估时间点来被确定。
如果有足够的新信息可用，则对基于数据的健康状态模型进行重新训练。该训练可以通过自动超参数调整来被补充，例如经由基于梯度的方法或者黑盒方法、如贝叶斯优化。如果低于特定精度要求，诸如在重要的、先前提供的验证数据集上＜1.5SOHC，以及满足其它鲁棒性要求，诸如通过交叉验证来评估，则结束该方法。
可以规定：在每个评估时间点，只测量这些蓄能器的该子集中的蓄能器以确定健康状态作为标记，并且使其余蓄能器按照负载曲线来继续运行。
在一个替代的实施方式中，在每个评估时间点，可以只测量这些蓄能器的该子集中的蓄能器以确定健康状态作为标记并且使该子集中的这些蓄能器按照负载曲线来继续运行，而将其余蓄能器从试验台移除。
因此，根据所选择的蓄能器，可以将导致信息增益太少的其余蓄能器排除于进一步测量之外并且从试验台取出。由此，在试验台中仅仅利用数量减少的所选择的蓄能器就可以继续该测量。该方法可以逐步被执行，以便这样来减少处于测量中的蓄能器的数量并且由此降低试验台使用的成本。
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示出了用于测量多个车辆电池组以创建初始健康状态模型的试验台的示意图；
图2示出了混合健康状态模型的示意图；
图3示出了用来阐明用于经优化地创建初始健康状态模型的方法的流程图；
图4示出了由在测量中的不同车辆电池组的成本-信息量度点构成的帕累托前沿的图示；以及
图5示出了不同车辆电池组在不同负载模式下的健康状态的变化过程的图示。
具体实施方式
图1示出了具有试验台单元2的试验台的示意性布置，该试验台单元与作为电蓄能器的多个所连接的车辆电池组3连接。试验台单元2按照指定的负载模式来操控车辆电池组3，该负载模式表征各种电流变化过程和/或温度变化过程。这些电流变化过程和/或温度变化过程会造成不同负载，并且因此是车辆电池组3的不同的循环老化，例如通过安培小时吞吐量的预给定、充电曲线的预给定、尤其是在充电时取决于充电状态的最大充电电流、在放电时的最大充电电流、最大和平均充电和放电电流以及相对应的温度条件。这些负载模式针对车辆电池组3中的每个车辆电池组来被指定并且对应于车辆电池组3的承受负载的或者较少地承受负载的运行方式。持续检测和暂存车辆电池组3的随时间的运行参量变化过程。对于车辆电池组来说，这些运行参量变化过程包括电池组电压、电池组电流、电池组温度和充电状态。
试验台1用于检测关于车辆电池组3的老化的数据，以便提供相对应的初始健康状态模型4，该初始健康状态模型使得能够根据在实际运行时所检测到的运行参量变化过程以指定的最小精度来确定相关车辆电池组的当前健康状态。为此所要创建的健康状态模型4可以被设计得至少部分地基于数据并且具有基于数据的概率回归模型。
在试验台1上对多个设备电池组3的测量提供：针对所选择的车辆电池组3在定期的时间点借助于适合的方法来进行健康状态确定。由此，结合相对应地所属的通过分别被分配给相关车辆电池组3的负载模式所指定的运行参量变化过程来得出训练数据集，这些训练数据集可以被用于训练基于数据的/混合健康状态模型4。对试验台1的使用和对多个车辆电池组3的测量所造成的成本一方面由于能量花费所引起，另一方面由于试验台的占用时间和其它材料使用所引起。这些成本应该在测量所述多个车辆电池组3时在不损害经过初始训练的健康状态模型4的质量的情况下被减少。
图2示例性地示意性示出了以混合方式设计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5和基于数据的校正模型6。
该物理老化模型5是基于非线性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9的物理老化模型5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和电化学定律，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，所要评估的车辆电池组的运行参量的时间序列x(t)直接加入物理健康状态模型5，该物理老化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在多维状态向量中对相对应的内部电化学状态z(t)、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、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耗、阴极中的活性材料的损耗等等进行建模。
因此，物理老化模型5对应于相关车辆电池组3的电化学模型。该模型根据运行参量变化过程x(t)来确定内部物理电池组状态z(t)，以便根据上述电化学状态z(t)来确定维度至少为一的基于物理的健康状态SOHph＝Phys[x(t)]，这些电化学状态线性地或者非线性地被映射到容量保持率(SOH-C)和/或内阻升高率(SOH-R)，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物理健康状态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，该基于数据的校正模型借助于通过试验台1所确定的训练数据集来被训练。
优选地，该基于数据的校正模型对应于高斯过程模型 其中μ是说明预测均值的m x 1维向量，并且∑是高斯过程模型的m x m维预测协方差矩阵。高斯过程的均值和方差的公式如下：
其中N对应于标记的数量，x*是m x d维的并且说明了在输入空间中的m个新点的集合，其中[x(t)，x(thist)，z，Phys[x(t)])＝x*和y分别对应于N x 1维向量，而且其中y分别说明了所测量的或者被确定为标记的健康状态。k对应于核分数的N x m维矩阵，这些核分数说明了在高斯过程的核中编码的在m个新点与N个所测量的点之间的相关性。C对应于N个所测量的点之间的核分数的N x N维矩阵，并且c对应于具有在m个新点之间的核分数的m xm矩阵。T表示转置。另见Bishop，“Pattern Recognition and Machine Learning(模式识别和机器学习)”，2006年。
校正模型6在输入侧获得运行特征m(t)，这些运行特征根据运行参量变化过程x(t)来被确定并且也可以包括物理模型5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5中获得的物理健康状态SOHph。在特征提取块8中基于这些运行参量变化过程x(t)来生成当前评估期的运行特征m(t)。此外，向校正模型6供应来自电化学物理老化模型5的状态向量的内部状态z(t)以及有利地供应物理健康状态SOHph。特征向量m(t)是鲁棒的，原因在于该特征向量独立于物理老化模型的模型质量或者该物理老化模型的状态。因而，对特征向量m(t)的考虑是对物理或电化学老化模型的内部状态z(t)的补充。
根据这些运行参量x(t)，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中生成涉及评估期的运行特征m(t)。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(t)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％ΔSOC]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(例如最大值)(dQ/dU的平滑变化过程：电量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并且使其在特征空间中归一化。这些运行特征m(t)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5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中相加或者在其它情况下也可以相乘(未示出)，以便获得在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。因此，该高斯过程模型的置信度或置信度值表征从运行特征点到健康状态的映射的建模不确定性。
在试验台1中对混合健康状态模型9进行初始训练。为此，创建训练数据集，这些训练数据集将根据负载曲线来运行的车辆电池组的运行参量变化过程分配给凭经验或基于模型地确定的作为标记的健康状态。
例如，为了确定健康状态作为标记以用于训练混合或者基于数据的健康状态模型，可以提供基础模型，按照该基础模型，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。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区间以及所定义的环境条件和系统的能量流方向有关。
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附加老化模型对运行参量变化过程进行评估来实现，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。可以以常规方式基于这些训练数据集和经建模的健康状态的残差来训练基于数据的校正模型。
在图3中示出了流程图，该流程图描述了用于在试验台1上执行对多个车辆电池组3的测量的方法的流程。该方法在试验台控制器2中被执行并且引起：提供基于数据的初始健康状态模型4，该基于数据的初始健康状态模型能够实现在基于车辆电池组3在实际运行时的运行参量变化过程来确定健康状态时的足够的精度。
在步骤S1中，给试验台1配备相同类型的多个新出厂的(或者处于参考状态下的)车辆电池组3，并且向这些车辆电池组3中的每个车辆电池组都分派指定的负载模式。这些负载模式是不同的并且分别表示所分配的车辆电池组3的在低负载至高负载范围内的负载。这些负载模式提供信息，根据这些信息可以结合以不同方式对车辆电池组3施加压力的温度变化过程来推导电池组电流的随时间的变化过程。
在步骤S2中，按照指定的负载模式来运行所述多个车辆电池组3。
在步骤S3中，检查是否到达评估时间点。该评估时间点可以以定期的时间间隔来被提供，诸如以在一周与两个月之间的时间间隔来被提供。
如果到达评估时间点(选项：是)，则以步骤S4来继续该方法，否则跳回到步骤S2。
现在，在步骤S4中，基于健康状态模型的到目前为止的训练状态来为所述多个车辆电池组3中的每个车辆电池组确定信息量度，该信息量度说明了在对相关车辆电池组3的进一步测量的过程中可以获得怎样的信息增益。该信息量度可以被指定为预测协方差。尤其是在使用高斯过程模型作为概率回归模型时，该预测协方差
∑(SOHj(t+t1)，SOHj(t+t2)，…，SOHj(t+tn))
并不取决于到目前为止未被确定的健康状态，而是只取决于输入参量因而，也可以写/> 这表示可利用信息量度、如行列式或最大特征值来被评价的矩阵。因此，该信息增益可以以简单的方式根据对从这些负载模式中得出的运行参量变化过程的评估来得出。
结果，在步骤S4中，获得关于所述多个车辆电池组3中的各个车辆电池组3的所预期的信息增益的信息量度。多个车辆电池组3J＝(j1…jm)的信息量度的组合(总信息量度)可以通过协方差矩阵
来被说明。
在步骤S5中，计算车辆电池组3中的每个车辆电池组的成本量度。该成本量度可以包括使用试验台的成本，包括预计能耗和测试时间以及其它材料使用在内。因此，如果将在直至测量时长的结束tn为止的离散化的评估时间点的成本相加，则可以为所述多个车辆电池组3中的每个车辆电池组预测性地提供该成本量度。因此，针对这些车辆电池组3中的每个车辆电池组，成本为
并且用于测量特定集合的车辆电池组3的总成本为
CJ＝C1+..+Cm
其中1…m对应于数量J的子集的车辆电池组3的索引。
因此，针对这些车辆电池组3中的每个车辆电池组，获得关于预计信息增益的信息量度和在试验台上对相关车辆电池组3的进一步测量将会造成的相对应的成本。得出例如在图4中示意性示出的帕累托前沿。
通过选择与这些车辆电池组3中的每个车辆电池组的成本和信息量度相对应的成本-信息量度点，可以在步骤S6中选择对其来说应该在当前评估时间点确定以所测量的健康状态为形式的标记的那些车辆电池组3。
对健康状态的确定可以借助于适合于确定该健康状态的健康状态模型或者适合于确定该健康状态的测量方法来进行。
可以使用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进行的测量，作为用于确定健康状态的可能的模型或方法。在这种情况下，所传输的电量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3的初始最大充电容量建立关系。
对所要测量的车辆电池组3的选择可以利用优化方法按照使成本与信息增益相互权衡的目标函数来被确定。该目标函数可具有如下形式：具有由用户定义的加权参数α的ZJ＝InfoJ+αCJ，而且可以确定对其来说该目标函数得出最大值的指定数量的车辆电池组。为了求解该优化问题，可以使用贪心算法，在假设先前确定的车辆电池组3已经被测量的情况下，这些贪心算法首先被添加最优的车辆电池组3(目标函数ZJ的最高结果)并且接着被添加(关于ZJ)相应次优的车辆电池组。
替代于利用加权参数对目标函数的加权，也可以通过从多个所要选择的车辆电池组中选择车辆电池组的子集使信息量度InfoJ最大化来求解约束优化问题。这发生在对这样选择的车辆电池组的测量的成本之和小于指定的说明这些成本最大允许有多高的用户参数的约束条件下。
替代于利用加权参数对目标函数的加权，也可以通过从多个所要选择的车辆电池组中选择车辆电池组的子集使成本最小化来求解约束优化问题。这发生在总信息量度InfoJ大于关于所有被选择的车辆电池组的指定的最小信息增益的约束条件下。
如果针对健康状态模型使用概率模型，则该约束条件也可以被指定为成本小于指定参数的概率大于指定概率。替代地，该约束条件也可以被指定为总信息量度InfoJ大于指定的最小信息量度的概率大于指定概率。
随后，在步骤S7中，使用所选择的车辆电池组3，以便进行对作为标记的健康状态的高精度测量。对于多个车辆电池组3，得出健康状态的变化过程，例如在图5中所示。结合根据负载模式所得出的运行参量变化过程和所确定的作为标记的健康状态，准备好训练数据集，利用这些训练数据集可以训练健康状态模型4。这样新确定的训练数据集在步骤S8中被用于进一步训练基于数据的概率回归模型。附加地，自动超参数调整可以例如经由基于梯度的方法或者黑盒方法、诸如贝叶斯优化来被执行。
在随后的步骤S9中，检查经过训练的健康状态模型对于所提供的验证数据集来说是否超过例如最大误差为1.5％SOHC的足够的精度。如果情况如此(选项：是)，则以步骤S2来继续该方法，否则(选项：否)，则结束对车辆电池组3的测量。
在一个替代的实施方式中，所选择的车辆电池组可以作为独家的车辆电池组被进一步测量，而其余的未被选择的车辆电池组3被从测量中或者从试验台移除，以便这样释放试验台空间。因此，留在该测量中的车辆电池组的数量逐步减少，使得该测量的与车辆电池组3的数量显著成比例的总成本可以明显降低。
Claims (12)
1.一种用于为电蓄能器(3)初始提供至少部分地基于数据的健康状态模型(4)的方法，所述方法具有如下步骤：
-在试验台(1)上提供(S1)多个蓄能器(3)用于根据相应的负载曲线来进行测量，其中负载曲线是不同的而且表征所述蓄能器(3)的至少一个承受负载的运行参量的随时间的变化过程；
-利用相应所分配的负载曲线来运行(S2)所述多个蓄能器(3)并且检测随时间的运行参量变化过程；
-分别在预先给定的评估时间点，确定(S4)所述蓄能器(3)的子集的健康状态作为标记，并且生成具有所述运行参量变化过程和针对所述蓄能器(3)的所述子集中的每个蓄能器(3)所确定的标记的训练数据集；
-根据优化方法，利用相应所分配的负载曲线来选择(S6)所述蓄能器(3)的所述子集，所述优化方法取决于在所述试验台(1)上对所述蓄能器(3)的测量的总成本(CJ)并且取决于对所述蓄能器(3)的测量的总信息量度(InfoJ)。
2.根据权利要求1所述的方法，其中所述优化方法具有如下目标：使在所述试验台(1)上的所述测量的总成本(CJ)最小化并且使用于创建初始健康状态模型(4)的通过所述信息量度(InfoJ)所确定的信息增益最大化，其中所述成本尤其取决于在所述试验台(1)上的所述测量期间的能量使用或需求和/或所要测量的蓄能器(3)的整个测量的持续时间和/或总试验台成本，所述总试验台成本至少考虑所述试验台(1)的占用时间和/或材料使用。
3.根据权利要求2所述的方法，其中所述优化方法
-基于目标函数并且尤其是利用贪心算法来被执行，其中所述目标函数表示用于测量所述多个蓄能器(3)的总成本(CJ)与通过测量所述蓄能器(3)的所述子集所引起的总信息量度(InfoJ)的加权和；
-通过在对这样选择的车辆电池组(3)的测量的总成本(CJ)小于指定的最大成本的约束条件下使总信息量度(InfoJ)最大化来被执行；
-通过在所述总信息量度(InfoJ)大于指定的最小信息量度的约束条件下使总成本(CJ)最小化来被执行；
-通过在总成本(CJ)小于指定的最大成本的概率大于指定概率的约束条件下使所述总成本(CJ)最小化来被执行；或者
-通过在总信息量度(InfoJ)大于指定的最小信息量度的概率大于指定概率的约束条件下使所述总信息量度(InfoJ)最大化来被执行。
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健康状态模型(4)利用基于数据的概率模型来被设计，其中针对所述蓄能器(3)中的一个蓄能器，该基于数据的模型的包括至少一个运行参量变化过程(x(t))和/或来自所述至少一个运行参量变化过程的至少一个运行特征(m(t))、所述蓄能器(3)的内部状态和/或经物理建模的健康状态的输入向量被映射到相关蓄能器(3)的所要建模的健康状态或者用于校正所述相关蓄能器(3)的经物理建模的健康状态的校正参量，其中蓄能器(3)的信息量度()被确定为预测协方差的行列式。
5.根据权利要求4所述的方法，其中所述预测协方差根据所述蓄能器(3)中的一个或多个蓄能器的输入参量针对整个测量时间段的评估时间点来被确定。
6.根据权利要求5所述的方法，其中在高斯过程模型作为概率模型的情况下，根据所述蓄能器(3)中的一个或多个蓄能器的输入向量来针对整个测量时间段的评估时间点来确定所述预测协方差，其中根据所述负载曲线来确定所述输入向量。
7.根据权利要求1至6中任一项所述的方法，其中在每个评估时间点，只测量所述蓄能器(3)的所述子集中的蓄能器(3)以确定健康状态作为标记，并且使其余蓄能器(3)按照所述负载曲线来继续运行。
8.根据权利要求1至6中任一项所述的方法，其中在每个评估时间点，只测量所述蓄能器(3)的所述子集中的蓄能器(3)以确定健康状态作为标记并且使所述子集中的所述蓄能器按照所述负载曲线来继续运行，而将其余蓄能器(3)从所述试验台移除。
9.根据权利要求1至8中任一项所述的方法，其中所述健康状态模型(4)利用所确定的训练数据集来被训练。
10.一种装置，其用于执行根据权利要求1至9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9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9中任一项所述的方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102022200538.4A DE102022200538A1 (de) | 2022-01-18 | 2022-01-18 | Verfahren und Vorrichtung zum initialen Bereitstellen eines Alterungszustandsmodells für Energiespeicher auf Basis von Active Learning Algorithmen |
| DE102022200538.4 | 2022-01-18 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116466235A true CN116466235A (zh) | 2023-07-21 |
Family
ID=86990638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310046224.5A Pending CN116466235A (zh) | 2022-01-18 | 2023-01-13 | 用于基于主动学习算法来为蓄能器初始提供健康状态模型的方法和装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116466235A (zh) |
| DE (1) | DE102022200538A1 (zh) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102017103617A1 (de) | 2017-02-22 | 2018-08-23 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren zur Abschätzung des Alterungszustands eines Batteriesystems |
| DE102020108365A1 (de) | 2020-03-26 | 2021-09-30 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Ermittlung von Lebensdauerinformation für einen elektrischen Energiespeicher |
| 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
- 2022-01-18 DE DE102022200538.4A patent/DE102022200538A1/de active Pending
-
2023
- 2023-01-13 CN CN202310046224.5A patent/CN116466235A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| DE102022200538A1 (de) | 2023-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11965935B2 (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 | |
| CN101809456B (zh) | 用于估计电池的长期特性的系统和方法 | |
| 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 | |
| JP6404832B2 (ja) | ＳｏＣに関する制御技術的オブザーバの決定方法 | |
| CN101803104B (zh) | 用于估计电池的长期特性的系统和方法 | |
| CN109994792A (zh) | 电池充电方法和装置 | |
| US11675017B2 (en) | Method and apparatus for device-specific determination of an internal-resistance based state of health of a battery | |
| US11835589B2 (en) | Method and apparatus for machine-individual improvement of the lifetime of a battery 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 | |
| US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
| KR20210000206A (ko) | 이상 배터리 셀 검출 방법 | |
| CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
| 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 | |
| US11656293B2 (en) | Method and apparatus for parameterizing an electrochemical battery model for a battery based on data from a plurality of batteries | |
| US11938838B2 (en) | Method and device for the robust prediction of the aging behavior of an energy storage unit in a battery-operated machine | |
| US20240077538A1 (en) | Method and Device for Initially Preparing an Aging State Model for Energy Storage Means Based on Active Learning Algorithms and Time-Discounted Information Evaluation | |
| 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 | |
| US20240168095A1 (en) | Method and Apparatus for Predictive Diagnosis of a Device Battery of a Technical Device Using a Multivariate Transformer Model | |
| US20230324463A1 (en) | Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods | |
| US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
| 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 | |
| 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 | |
| CN115469224A (zh) | 用于借助机器学习方法运行提供设备的电储能器的预测的老化状态的系统的方法和装置 | |
| CN116466235A (zh) | 用于基于主动学习算法来为蓄能器初始提供健康状态模型的方法和装置 | |
| CN116973755A (zh) | 初始提供针对能量存储器的老化状态模型的方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |