CN116559698A - 用于提供计算和预测的电蓄能器老化状态的方法和装置 - Google Patents
用于提供计算和预测的电蓄能器老化状态的方法和装置 Download PDFInfo
- Publication number
- CN116559698A CN116559698A CN202211291672.3A CN202211291672A CN116559698A CN 116559698 A CN116559698 A CN 116559698A CN 202211291672 A CN202211291672 A CN 202211291672A CN 116559698 A CN116559698 A CN 116559698A
- Authority
- CN
- China
- Prior art keywords
- aging state
- operating
- model
- aging
- data
- 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
- 230000032683 aging Effects 0.000 title claims abstract description 380
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000012549 training Methods 0.000 claims abstract description 98
- 230000008569 process Effects 0.000 claims abstract description 36
- 230000008859 change Effects 0.000 claims abstract description 24
- 238000004146 energy storage Methods 0.000 claims abstract description 9
- 230000036961 partial effect Effects 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 claims 1
- 238000004590 computer program Methods 0.000 claims 1
- 238000006731 degradation reaction Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 description 33
- 238000012937 correction Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 9
- 230000014759 maintenance of location Effects 0.000 description 9
- 238000009825 accumulation Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 230000035508 accumulation Effects 0.000 description 7
- 239000003792 electrolyte Substances 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 5
- 229910052744 lithium Inorganic materials 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 239000002904 solvent Substances 0.000 description 4
- 230000035882 stress Effects 0.000 description 4
- 206010011906 Death Diseases 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000007086 side reaction Methods 0.000 description 3
- 239000011149 active material Substances 0.000 description 2
- 239000006183 anode active material Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000006182 cathode active material Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 101001033754 Homo sapiens Mediator of RNA polymerase II transcription subunit 31 Proteins 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 102100039122 Mediator of RNA polymerase II transcription subunit 31 Human genes 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013531 bayesian neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011234 economic evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 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
- 101150048619 mdt-31 gene Proteins 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000011144 upstream manufacturing 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
-
- 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
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- 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
-
- 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
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M2220/00—Batteries for particular applications
- H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Secondary Cells (AREA)
Abstract
提供全局和特定老化状态模型以确定具有电化学单元、尤其电池组电池的电蓄能器的建模老化状态的计算机实现的方法,包括:提供训练数据集,其分别将通过蓄能器的从运行参量变化过程导出的说明相应蓄能器负载的运行特征和相应日历寿命指示而确定的运行特征点分配给老化状态;用训练数据集训练至少部分设计为基于数据的概率回归模型的基于数据或混合的全局老化状态模型,使其设计用于将运行参量变化过程和/或运行特征分配给相应老化状态;使用所选部分训练数据集训练至少部分设计为基于数据的概率回归模型的基于数据的或混合的特定老化状态模型,使其设计用于将运行参量变化过程和/或运行特征分配给相应老化状态;提供全局和特定的老化状态模型。
Description
技术领域
本发明涉及一种具有电蓄能器的不依赖于电网来运行的电设备、尤其是能电驱动的机动车、尤其是电动车或混动车,并且本发明还涉及用于确定电蓄能器的当前的或预测的老化状态(SOH:State of Health(健康状态))的措施。此外,本发明不仅涉及移动式还涉及固定式的电蓄能器。
背景技术
借助于电蓄能器(通常为设备电池组或车辆电池组)而对不依赖于电网来运行的电设备和机器、诸如能电驱动的机动车进行能量供给。蓄能器供应电能量以运行这些设备。然而,作为电蓄能器也考虑包括氢储槽(Wasserstofftank)在内的能量转换器、诸如燃料电池系统。
电蓄能器或能量转换器随着其使用寿命并且根据其负载或使用而退化。这种所谓的老化导致最大功率或存储容量连续降低。老化状态对应于用于说明蓄能器老化的度量。按照惯例,新蓄能器所具有的关于其可用容量而言的老化状态为100%,所述老化状态在其使用寿命的过程中明显地衰退。蓄能器的老化的度量(老化状态在时间上的变化)取决于蓄能器的个别负载、也即在机动车辆的车辆电池组的情况下取决于驾驶员的使用行为、外部周围环境条件和车辆电池组类型。
虽然可以借助于物理的老化状态模型基于历史运行参量变化过程来确定蓄能器的瞬时老化状态,然而这种模型在特定情况下是不精确的。常规的老化状态模型的这种不精确性使得对老化状态变化过程的预测以及精确的状态确定变得困难。
此外,特别是在车队寿命开始时,训练老化状态模型所基于的特征范围是碎片化的(fragmentiert)或者有缺口的(lückenhaft),这使得全局老化模型难以参数化或可能导致对状态的不准确估计。
然而,对蓄能器的老化状态变化过程的预测是一种重要技术参量,这是因为通过所述预测而实现对所述蓄能器的剩余价值(Restwert)的经济评价以及对剩余使用寿命的确定。此外,对老化状态的预测创造了附加值(von Mehrwert),以便对前瞻性的维护区间进行规划和执行。
发明内容
根据本发明而设置一种根据权利要求1所述的用于分别提供用于确定电蓄能器的建模老化状态的老化状态模型以用于确定建模老化状态的计算机实现的方法,以及根据并列权利要求所述的相应装置。
在从属权利要求中说明了进一步的设计方案。
根据第一方面是一种计算机实现的方法,所述方法用于分别提供全局的和至少一个老化状态模型以确定具有至少一个电化学单元,特别是电池组电池的电蓄能器的建模老化状态,所述方法具有以下步骤:
-提供训练数据集,所述训练数据集分别将运行特征点分配给老化状态,其中所述运行特征点通过蓄能器的一个或多个从运行参量变化过程所导出的运行特征以及相对应的日历上的年龄说明数据而确定,其中运行特征点的所述一个或多个运行特征说明了相应的蓄能器的负载;
-使用训练数据集训练基于数据的或混合的全局老化状态模型,从而使所述全局老化状态模型被设计用于,将所述运行参量变化过程和/或所述一个或多个运行特征分配给相对应的老化状态,其中所述基于数据的或混合的全局老化状态模型至少部分设计为基于数据的概率回归模型;
-使用所选择的部分训练数据集训练至少一个基于数据的或混合的特定老化状态模型,从而使所述至少一个特定老化状态模型被设计用于,将所述运行参量变化过程和/或所述一个或多个运行特征分配给相对应的老化状态,其中所述基于数据的或混合的特定老化状态模型至少部分设计为基于数据的概率回归模型;
-为其中每个蓄能器提供全局的和至少一个特定的老化状态模型。
此外可以规定,如果部分训练数据集的运行特征点和相关联的老化状态形成一个运行特征范围,在该运行特征范围中使用全局老化状态模型的模型预测具有低于预给定置信度阈值的低置信度或高于预给定置信度阈值的高置信度,则选择该部分训练数据集。
在本说明书的意义上的蓄能器包括设备电池组和能量转换器系统,其中所述能量转换器系统具有带有能量载体储备的电化学能量转换器,所述能量转换器系统例如是具有燃料电池和能量载体储备的燃料电池系统。
电蓄能器的、尤其是设备电池组的老化状态通常并不被直接测量。这可能需要在蓄能器内部的一系列传感器,这些传感器使得这种蓄能器的制造变得成本密集且复杂并且可能增大空间需求。此外,在市面上还并没有用于直接确定蓄能器中的老化状态的适合日常使用的测量方法可用。
在设备电池组的情况下,老化状态(SOH:State of Health(健康状态))是用于说明在电池组充满电时的剩余电池组容量或按比例的剩余里程的关键参量。所述老化状态代表针对设备电池组老化的度量。在设备电池组或电池组模块或电池组电池的情况下,所述老化状态可以作为容量保持率(Capacity Retention Rate,SOH-C)而加以说明。所述容量保持率SOH-C作为所测量的瞬时容量与完全充满的电池组的初始容量的比例而加以说明。所述容量保持率SOH-C的相对变化随着设备电池组的老化增加而降低。替代地,所述老化状态作为相对于在设备电池组的使用寿命开始时的内阻而言的内阻增加(SOH-R)而加以说明。内阻的相对变化SOH-R随着电池组老化的增加而上升。
因此,通常借助于物理老化模型而确定电蓄能器的当前老化状态。这种物理老化状态模型在特定情况下是不准确的并且通常具有高达5%以上的模型偏差,特别是在无校准情况下,例如在无法测量实际静态电压(Ruhespannung)以进行模型比对的预测情况下。此外,由于物理老化模型的不准确性,这也只能在一定程度上准确地说明蓄能器的瞬时老化状态。
为了改善老化状态模型的准确性,能够以混合老化状态模型的形式、也即以物理老化模型与基于数据的模型的组合的形式提供用于确定电蓄能器的老化状态的老化状态模型。在混合模型的情况下,可以借助于物理的或电化学的老化模型而确定物理老化状态并且对所述物理老化状态施加修正值,尤其是通过加法或乘法而施加该修正值,其中该修正值由基于数据的修正模型得出。所述物理老化模型基于电化学的模型方程,这些模型方程表征非线性微分方程组的电化学状态、持续地对其进行计算并且为了输出而将其映射到所述物理老化状态,作为SOH-C和/或SOH-R。这些计算可以典型地在云中例如每周一次地被执行。
此外,所述基于数据的混合老化状态模型的修正模型可以利用概率回归模型或基于人工智能的回归模型、尤其是高斯过程模型而被构造并且可以被训练用于对通过所述物理老化模型所获得的老化状态进行修正。对此,因此存在用于修正所述SOH-C的老化状态的基于数据的修正模型,和/或存在至少一个另外的用于修正所述SOH-R的老化状态的基于数据的修正模型。对于高斯过程的可能替代方案是其他的监督式学习方法,例如基于随机森林模型、AdaBoost模型、支持向量机或贝叶斯(Bayes’schen)神经网络的监督式学习方法。
修正模型可以使用运行特征作为输入参量,这些输入参量是已经借助特征工程或特征提取方法从运行参量变化过程中确定的,并且其中借助信号处理技术上的操作来计算特征(Features bzw.Merkmale)。分配给运行参量变化过程的运行特征定义了针对相关蓄能器的运行特征点,其中所述运行特征点反映了(abbilden)由于循环运行(循环老化)引起的负载状态和蓄能器的日历上的老化(自投入运行或使用寿命开始以来经过的持续时间)。
运行特征可以包括基于负载的累积特征和/或在迄今为止的整个使用寿命期间确定的统计参量。尤其是,可以由如下直方图数据确定特征以作为运行特征,其中所述直方图数据是由运行参量的变化过程所创建的。因此,例如可以创建:关于随着车辆电池组的充电状态和电池组温度的电池组电流的直方图,随着车辆电池组的充电状态的电池组温度的直方图,随着电池组温度的充电电流的直方图,和随着电池组温度的放电电流的直方图。此外,作为运行特征可以考虑分别从设备电池组投入运行以来的累积总电荷(Ah)、充电过程中的平均容量增加(特别是对于电荷增加超过总电池组容量的阈值比例[例如20%ΔSOC]的充电过程)、在具有足够大的充电状态偏移(Hub)的所测量的充电过程期间的平滑的差分容量的极值(例如局部最大值)(dQ/dU的平滑变化过程:电荷变化除以电池组电压的变化)以及充电容量或者累积的行驶功率。另外的运行特征可以对应于:针对电流或电压信号基于充电过程而评估的频谱峰度的局部极值;针对电流或电压信号或分配给所定义频带的经变换的频谱值基于充电过程而评估的小波变换的一个或多个系数;和针对电流或电压信号或分配给所定义的频带的经变换的频谱值基于充电过程而评估的傅立叶变换的一个或多个系数。
因此,运行特征可以从关于运行参量的直方图导出,特别是在设备电池组作为蓄能器的情况下,直方图可以说明:随着电池组温度和设备电池组的充电状态的电池组电流的直方图、随着所述电池组温度的充电电流的直方图以及随着以安培小时为单位的累积电流通过量和温度的放电电流的直方图。可以借助特征工程或特征提取方法从中提取运行特征,例如平均值、直方图的标准偏差和多维的统计值,例如平均值、中值、最小值、最大值、分布矩等。
此外,为了对物理老化模型进行参数化并训练修正模型,需要使用来自大量相同类型蓄能器的数据,以便为形成老化状态模型而提供充足的数据库(Datenbasis)。
为了借助于物理或电化学的老化状态模型而对蓄能器的老化状态进行建模并且通过基于数据的修正模型而可选地进行准确说明(也就是说,组合为混合老化状态模型)而需要:相对高频率地提供运行参量的时间变化过程。还必须针对必需的精确性要求而无缺口地提供这些运行参量的时间变化过程,以便为蓄能器确定在当前时间点的老化状态。
替代地,老化状态也可以通过纯粹基于数据的老化状态模型来确定,该模型尤其设计为回归模型,例如高斯过程模型。纯粹基于数据的老化状态模型也可以通过指定运行特征点来评估。与混合老化状态模型一样,基于数据的老化状态模型为了训练而需要来自大量同类型蓄能器的数据。
基于这样的基于数据的老化状态模型或混合老化状态模型,可以创建所考虑的设备电池组的当前老化状态以及也可以基于预测负载参量创建预测老化状态,其中所述预测负载参量说明蓄能器的预测负载。例如,可以将直到使用寿命终点(Lebensdauerende)的时间段确定为蓄能器的剩余使用寿命,其说明如下时间点,所述预测老化状态在该时间点低于预给定阈值,其中所述预给定阈值说明所述使用寿命终点并符合例如制造商的保修限制。
为了针对作为蓄能器的设备电池组而建模和预测老化状态而可以使用如下物理老化模型,所述物理老化模型特别是通过经由数值上的时间积分方法求解微分方程来评估正在进行的运行数据。为此,所述运行参量、例如电池组电流、电池组温度、电池组电压等必须作为高分辨率时间序列而存在。这种物理老化模型的建模是复杂的并且需要对大量同类型蓄能器的测量进行评估。因此并且也由于计算能力不足而无法在相应技术设备的控制设备中执行所述建模。物理老化模型的评估也是如此。就此方面,可以在与该技术设备通信连接的设备外部的中央单元中进行评估。
上述方法的思想基于:为了确定当前的老化状态或预测蓄能器的老化状态而使用大量同类型蓄能器的运行参量变化过程和现场测量(即经标记(gelabelt)的运行参量变化过程),以便创建/训练基于数据的老化状态模型或混合老化状态模型。而在特征空间碎片化或有缺口的情况下,可以在某些情况下使用一个或多个有效性范围比全局老化模型更小的特定老化状态模型来实现更准确和或更稳健的状态计算。
如上所述,老化状态模型可以基于经标记的、也即配备有所分配的从现场测量获得的老化状态的运行参量变化过程利用大量蓄能器而得以训练,并且可以随着运行时间的增加和训练数据数量的增加而越来越精准地预测针对不同负载状态和日历上的年龄的蓄能器的老化状态。
特别是,如果大量能量存储尚具有较低的运行年龄和/或在训练数据数量较小的情况下,用于评估基于数据的老化状态模型的特征空间还没有逐区域地(bereichsweise)被充分训练并且在一些区域具有高度不确定性或者说低置信度。通过基于大量设备的蓄能器的运行参量变化过程和相应标签生成而连续训练老化状态模型,虽然老化状态模型明显得到改进,但预测不确定性高的区域只有在更长时间地使用以及定期训练所述基于数据的老化状态模型之后才得以封堵(schlieβen sich)。
根据本发明,除了使用所有训练数据训练的全局老化状态模型之外,现在提供一个或多个特定老化状态模型,所述特定老化状态模型仅针对如下区域中的评估而被训练,其中在这些区域中全局老化状态模型的模型预测具有低置信度或者高置信度。
可以规定,通过对运行特征点和训练数据集的所分配的老化状态执行聚类方法以确定具有低置信度的至少一个运行特征范围,选择部分训练数据集用于训练特定老化状态模型,其中在至少一个低置信度运行特征范围内的训练数据集作为所述部分训练数据集而被选择。特别地,簇的形成也可以以这样一种方式进行,即,至少一个不确定性增加的特征区域至少位于簇的边缘区域。
如果因此确认应确定或预测如下蓄能器的老化状态,该蓄能器的负载状态由如下运行特征来表征,全局的、也即一般基于训练数据的总集合或基于其相关子集而训练的老化状态模型对其而言具有高预测不确定性(低置信度),则使用相应的特定老化状态模型,该老化状态模型仅对如下运行特征范围有效,待评估的蓄能器处在所述运行特征范围内,并且在所述运行特征范围内利用全局老化状态模型仅实现了老化状态的不确定/不可靠的评估。
在使用基于数据的概率模型(例如高斯过程模型)作为修正模型(在混合老化状态模型的情况下)或作为纯粹基于数据的老化状态模型的情况下,隐含地评价:模型评估是否不确定或不可靠,因为它们除了模型评估之外还可以提供置信度值。如果经确定的置信度值低于预给定的置信度阈值,则评估被视为不确定/不可靠。在高斯过程模型中,置信度可以直接作为针对每个任意运行特征点(特征组合)的输出而被评估。
因此,上述方法规定:针对自身当前老化状态被确定或对其应预测老化状态的蓄能器,以及针对对其使用全局老化状态模型的模型评估不足以实现确定的/可靠的评估(低置信度)的蓄能器,评估针对相关运行特征范围和老化状态所确定的特定老化状态模型。
特定老化状态模型是在选择所标记的运行参量变化过程(即训练数据集)的基础上被训练的,这些运行参量变化过程类似于待评估的蓄能器的运行特征点。替代地,针对具有低置信度的待评估蓄能器的运行特征点,可以使用预先训练的被分配给如下运行特征范围的那个特定老化状态模型,待评估的蓄能器的运行特征点处在该运行特征范围内。
运行特征点针对特定的蓄能器被定义为有关蓄能器在老化状态下的运行特征的不同值的组合。因此,特定老化状态模型仅基于训练数据的代表性子集进行训练。用于此的部分训练数据集从如下蓄能器的所有训练数据集中的选择而得出,其中这些蓄能器与要确定其老化状态的蓄能器相似。替代地,可以针对具有至少部分低置信度、即部分高不确定性的运行特征范围而训练一个或多个特定老化状态模型,从而针对待评估的蓄能器而使用对应的预先训练的特定老化状态模型,其中,所述待评估的蓄能器通过在特定老化状态模型的运行特征范围之内的运行特征点来表征。
可替代地并且有利地,可以通过对训练数据集的运行特征点和所分配的老化状态执行聚类方法来选择用于训练特定老化状态模型的部分训练数据集,以便在数据覆盖良好的区域中训练专门模型,目的是针对每个簇,即运行特征点的累积,训练特定的老化模型,该模型由于有利的数据覆盖可以实现高置信度并且因此实现尤其是在预测中的低不确定性。
如果因此确认应确定或预测如下蓄能器的老化状态,该蓄能器的负载状态由如下运行特征来表征,全局的、也即一般基于训练数据的总集合而训练的老化状态模型对其而言具有低预测不确定性(高置信度),则使用相应的特定老化状态模型,该老化状态模型仅对如下运行特征范围有效,待评估的蓄能器处在所述运行特征范围内,并且在所述运行特征范围内利用全局老化状态模型实现了老化状态的确定的/可靠的评估。
有针对性地针对要评估的蓄能器的当前运行特征点所训练的特定老化状态模型与全局老化状态模型的情况相比能够以更高准确度确定老化状态。这是基于观察到:与用所有训练数据集训练的全局老化状态模型相比,在预给定的训练数据集作为数据库的基础上,所述基于数据的老化状态模型针对整个特征空间的特定子区域提供趋于更好的预测精度。
为了确定低置信度或高置信度的运行特征范围,可以规定:定期或在每次模型评估之前分析特征空间,以找到有缺口的或不具有代表性的运行特征范围,以对于具有在这样的运行特征之内或接近这样的运行特征范围的运行特征点的每个蓄能器得到足够准确的预测。此外,可以通过定期聚类分析来评价运行特征范围,以便在新的数据分布情况下更新簇选择,并通过训练相应地跟踪(nachführen)专门化的(spezialisiert)老化状态模型。
为了找到上述运行特征范围,可以在全局老化状态模型训练完成后进行精细离散化的特征筛选(Feature-Screening),其中运行特征从每个运行特征的最小已知值到运行特征的最大已知值而变化。全球老化状态模型的相应模型评估现在鉴于其置信度值而得以评估。
对于低于置信度阈值(例如90%置信度)的运行特征范围,在经变化的运行特征情况下识别出特征缺口。通过经变化的运行特征的最小值和最大值来定义特征缺口,其中在该特征范围内通过评估获得的所有置信度值均低于该预给定的对应置信度阈值。
特征累积是通过聚类方法借助于k-means聚类方法和Elbow方法所确定的,以确定最佳的簇数量,然后参数化专门的老化模型。
替代地,对于经由高斯过程的置信区间而评估的置信度条件(例如,对于90%置信度的不确定性<0.5% SOHC))得到满足的运行特征范围,在经变化的运行特征情况下识别出特征累积。
为此,对于被标识为特征缺口或特征累积的其中每个运行特征范围,可以标识那些训练数据集,其运行参量变化过程定义了如下运行特征点,这些运行特征点位于和/或接近定义为特征缺口或特征累积的运行特征范围。此外,可以表征运行特征范围在特征空间中的位置(Lage),特别是通过表征性的运行特征,例如AH通过量、max(dQ/dU)、温度等。此外,对于被标识为特征缺口或特征累积的其中每个运行特征范围,可以选择位于特征缺口或特征累积的特征空间内的那些训练数据集。
对于被标识为特征缺口或特征累积的运行特征范围,应该创建特定的老化状态模型。为此,例如通过聚类方法确定具有相似运行特征点的相应训练数据集,其中具有在低置信度或高置信度的运行特征范围内的运行特征点的训练数据集被视为相似并被选择。
替代地,可以选择训练数据集用于训练特定老化状态模型,其方式为,对于蓄能器之一的特定运行特征点而选择如下训练数据集,所述训练数据集的运行特征点与特定运行特征点的距离小于预给定距离阈值,其中对于所述蓄能器之一而言全局老化状态模型的模型预测具有低或高置信度。
相应地,多维运行特征空间中的欧几里得距离可用于从训练数据集中标识出相似的运行特征点。特别地,如下训练数据集(经标记的运行特征点)可以选择为相似的训练数据集,其中所述训练数据集在通过整个训练数据集定义的运行特征空间内与待评估的蓄能器(应针对其确定老化状态)的运行特征点的欧几里得距离低于阈值。因此能够将全部训练数据集明确地分配给一个簇。
以这种方式选择的类似训练数据集然后用于训练针对相应簇的特定老化状态模型,其中该模型用于确定和预测针对要评估的有关蓄能器的老化状态。
此外,可以规定,优选地基于全局老化状态模型的如下区域创建训练数据集,在所述区域中,至少在一个子区域中存在高模型不确定性。在这种主动学习方法中,可以标识一个或多个蓄能器,所述蓄能器为改进全局老化状态模型提供最具代表性的信息。以这种方式标识的蓄能器现在用于生成标签,其方式为,例如通过现场诊断测量生成新的训练数据集。
通过逐步确定其他训练数据集,例如借助于主动学习方法来确定,减少全局老化状态模型中的高不确定性区域,并且通过更大数量的训练数据集可以改进全局老化状态模型的模型预测质量。通过增加训练数据集的数量也改进了特定老化状态模型。在使用时间过程中,全球老化状态模型中的高不确定性区域越来越少,并且特定老化状态模型的数量减少,因为全球老化状态模型的预测质量越来越好,而高不确定性区域则由此而缩小。
根据另一方面是一种使用全局的老化状态模型和至少一个特定的老化状态模型来确定蓄能器的老化状态的方法,该方法具有以下步骤:
-确定相应蓄能器的运行特征点,其中该运行特征点通过蓄能器的一个或多个从运行参量变化过程所导出的运行特征以及相对应的日历上的年龄说明数据而确定,
-借助至少部分设计为基于数据的概率回归模型的基于数据的或混合的全局老化状态模型以及借助至少部分设计为基于数据的概率回归模型的基于数据的或混合的特定老化状态模型,相应确定相应的蓄能器的老化状态和所分配的置信度值,并借助上述方法创建这些模型,
-将置信度值较高的那个老化状态确定为对应蓄能器的待确定老化状态。
在确定特定蓄能器的老化状态时,现在可以鉴于其预测准确性方面评价这两种老化状态模型,即基于数据的全局老化状态模型和基于数据的专用老化状态模型。所述评价考虑了针对以这两种老化状态模型计算或预测老化状态而言的置信度值或预测不确定性。换言之,使用对于确定老化状态而言输出较高置信度值的那个老化状态模型用于评估特定蓄能器的老化状态。当概率回归模型用作老化状态模型或修正模型时,与所述评估相关联地得出置信度值。
此外,评价函数还可以评估老化状态模型的历史模型不确定性。
根据一个实施方式,使用任务(Nutzungsaufgaben)到相应蓄能器的分配可以取决于:根据分别所分配的全局或特定老化状态模型通过在该蓄能器中执行有关使用任务而引起了怎样的老化,尤其是引起了怎样的老化状态改变。
因此可以使用老化状态模型以便为多个蓄能器的蓄能器提供优化的使用。基于针对其中每个蓄能器而进行的老化状态模型的上述选择,现在可以通过以其他方式使用蓄能器而进行负载分配。
特别地,可以将使用任务分配给蓄能器,使得所有蓄能器的老化状态的分布具有尽可能小的分散度,或者蓄能器的当前运行特征点的分布具有尽可能大的分散度。
借助于全局老化状态模型或特定老化状态模型到多个设备的蓄能器其中的每个蓄能器以及负载说明数据到即将到来的待处理(anstehend)的使用任务的相应分配,例如在车辆情况下是每时间单位的行驶里程数(Kilometerleistung),可以创建蓄能器的要预期的老化的分类排序列表。该列表可以根据关于预给定使用寿命终点条件的蓄能器预期老化、例如根据直到达到与使用寿命终点老化状态相对应的所预测老化状态为止的持续时间来分类排序(sortieren)。换言之,基于待处理的负载说明数据、基于相应的当前老化状态和基于相应分配的老化状态模型来为蓄能器确定老化状态或剩余使用寿命。
待处理的使用任务可以代表针对蓄能器的不同负载。待处理的使用任务可以根据其执行而对蓄能器构成的负载在列表中分类排序。例如,负载可以用Ah通过量来量化。相对应地,可以将使用任务分配给相应的蓄能器,例如使得具有较小老化的蓄能器被分配到要求高的(anspruchsvoll)、也即负载更强的使用类型,而具有较弱老化状态的老化更强烈的蓄能器则被分配到具有较低老化应力(Alterungsstress)的使用类型。由此,可以实现大量设备中所有蓄能器的均匀老化。
通过以模型预测的方式调节或使用蓄能器而实现:主动堵住特征缺口。由于通过分配相应的使用任务而使负载有针对性地变化,可以修改各个运行特征,使得针对各个所选择的蓄能器而得出特征缺口中的运行特征点,然后针对所述特征缺口而进行老化状态的现场测量,以便生成训练数据点。作为可能的措施,针对作为蓄能器的车辆电池组以及作为使用任务的待完成行驶路段(Fahrstrecke)而考虑:通过跨车队的优化而针对具有负载要求(行驶路段的长度、速度分布、温度、高度分布)的相应行驶任务分配那些车辆。此外,可以干预车辆的运行策略,以产生限定的负载情况,从而短期或长期地产生运行特征或特性组合。
另一种方法可以是分配使用任务,使得运行特征范围尽可能均匀地被各个蓄能器的运行特征点覆盖。
根据所选择的老化状态模型,可以为其中每个蓄能器确定运行极限,例如最大通过电流或降额限制,以减少老化变化过程并影响在达到使用寿命终点条件时的剩余价值。
此外,在考虑到每个蓄能器的经定义的运行极限的情况下,可以通过缩短停机时间和充电时间来优化可用性,以优化大量设备的蓄能器的使用。此外,基于对老化状态的预测,可以确定预测性维护间隔,以避免维修和重大损坏。
可以规定,根据预测的建模老化状态的变化过程来运行电蓄能器,其中尤其是根据预测的建模老化状态的变化过程来用信号通知电蓄能器的剩余使用寿命。此外,可以规定:基于老化预测而规划和实施的预测性检查和维护间隔。
还可以规定:根据剩余使用寿命而定地提高或减小剩余快速充电周期的数目,或者进行运行极限(电流限制)或例如鉴于热管理方面的运行策略(De-Rating(降额))的适配。还可以对充电策略进行与老化相关的或者与预测老化状态变化过程相关的适配。对此,可以根据是否已达到剩余快速充电周期的数目而定地允许或阻止快速充电充电周期。
根据一个实施方式,该方法可以在设备外部的中央单元中执行,其中所述一个或多个运行特征在技术设备中被确定并且被传输到中央单元。由此,可以以分布式方式计算针对所述基于数据的老化模型的运行特征并由此减轻中央单元的负载。由于不必在中央单元中连续提供运行特征,这些运行特征可以在适当的时间点被传输到中央单元。
可以规定,蓄能器可以被用于运行设备、例如机动车辆、电动助力车、飞行器、尤其是无人机、工具机器、娱乐电子装置的设备、例如移动电话、自主机器人和/或家用电器。
根据另一方面,设置了一种用于执行上述方法之一的装置。
附图说明
下面参考附图更详细地阐述实施方式。其中:
图1示出用于提供驾驶员和车辆个别的运行参量以用于在中央单元中确定车辆电池组的老化状态的系统的示意图;
图2示出基于数据的老化状态模型的功能结构的示意图;
图3示出用于阐明用于创建基于数据的老化状态模型的方法的流程图;和
图4示出了用于阐明不同车辆电池组随着时间的老化状态变化过程的图表。
具体实施方式
在下文中根据在作为同类设备的多个机动车辆中作为电蓄能器的车辆电池组来描述根据本发明的方法。该老化状态模型可以如下文所述在车辆外部的中央单元中连续地基于车队中的车辆电池组的运行参量和/或特征而得以更新或再训练。该老化状态模型可以在中央单元中被运行并且被用于老化计算和老化预测。此外,该老化状态模型在总体上,然而特别是所述基于数据的老化状态模型可以在车辆中用于高效的数据处理,从而以经优化的方式将数据传送到云。
以代表性的方式,上述示例代表了大量的具有不依赖于电网的能量供应的固定的或移动的设备,诸如车辆(电动车辆、电动助力车等)、设施、工具机器、家用电器、IOT设备等,它们经由相应的通信连接(例如LAN、英特网)与设备外部的中央单元(云)处于连接。
图1示出用于在中央单元2中收集车队数据以创建和运行以及评估老化状态模型的系统1。所述老化状态模型用于确定电蓄能器、例如机动车辆中的车辆电池组或燃料电池的老化状态。图1示出具有多个机动车辆4的车队3。
在图1中更详细示出机动车辆4之一。这些机动车辆4分别具有作为可再充电的电蓄能器的车辆电池组41、电驱动马达42和控制单元43。该控制单元43与通信模块44连接,该通信模块适合于在相应的机动车辆4和中央单元2(所谓的云)之间传输数据。
这些机动车辆4向中央单元2发送运行参量F,所述运行参量至少说明如下参量,所述参量影响到所述车辆电池组41的老化状态。这些运行参量F可以在车辆电池组的情况下说明电池组电流、电池组电压、电池组温度和充电状态(SOC:State of Charge)的时间序列,不仅在包层面(Packebene)、模块层面而且/或者在电池层面。这些运行参量F以1Hz至100Hz的快速时间栅被检测并且可以以未压缩的形式和/或已压缩的形式被规律地传输给中央单元2。
此外,通过为了最小化到中央单元2的数据通信量的目的而充分利用压缩算法,可以以几小时到几天的间隔而逐块地将这些时间序列传输到中央单元2。
该中央单元2具有数据处理单元21和用于存储数据点、模型参数、状态等的数据库22,其中在该数据处理单元中能够执行接下来所描述的方法。
在该中央单元2中实现老化状态模型,该老化状态模型作为混合模型或半混合模型是基于数据的。该老化状态模型可以规律地、也即例如在相应的评估持续时间过去之后被使用,以便基于这些运行参量(分别从相应车辆电池组投入运行起)的时间上的变化过程以及由此而确定的运行特征来确定所分配的车队的有关车辆电池组41的瞬时老化状态。换言之,可能的是:基于所分配的车队3的机动车辆4的车辆电池组41之一的运行参量的变化过程以及由这些运行参量的变化过程所得出的或由此所确定的运行特征来确定有关车辆电池组41的老化状态。
老化状态(SOH:State of Health)是用于说明剩余电池组容量或剩余电池组电荷的关键参量。老化状态代表针对车辆电池组或电池组模块或电池组电池的老化的度量并且可以作为容量保持率(Capacity Retention Rate,SOH-C)或作为内阻增加(SOH-R)而加以说明。容量保持率SOH-C作为所测量的瞬时容量与完全充满的电池组的初始容量的比例而加以说明。内阻的相对变化SOH-R随着电池组老化的增加而上升。
在有利的实施方式中,也可以以接近于传感器的方式、也即在相应的机动车辆4中产生这些运行特征,从而可以优化到中央单元2的数据传送。
正如针对这些时间序列那样,在车辆中已进行了预处理之后,可以为了最小化到中央单元2的数据通信量的目的而使用压缩算法以进行传输。此外,可以进行以事件支持的传输,从而触发数据传送并在例如已经标识出稳定的或已知的WLAN网络连接的情况下进行数据传送。
图2以示例的方式示意性示出了以混合方式构建的基于数据的混合老化状态模型9的一种实施方式的功能结构。所述混合老化状态模型9包括物理老化模型5和修正模型6。它们获得当前评估时间间隔/老化时间点(自投入运行时间点起的车辆电池组的年龄)的运行参量F或运行特征M。当前时间间隔/老化时间点的运行特征M在特性提取块8中基于运行参量F的时间序列而产生。
运行参量F作为包括温度和电流的时间序列数据直接进入到(eingehen)物理老化状态模型5中,其中所述物理老化状态模型优选地实施为电化学模型,并且借助于非线性微分方程而描述了相对应的电化学状态、例如层厚度(例如SEI厚度)、由于阳极/阴极副反应而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失、阴极中的活性材料的损失等。
物理的老化模型5可以相应于电池组电池及电池化学的电化学模型。这种模型根据运行参量F而确定内部的物理电池组状态,以便确定以上述电化学状态的形式的至少一个维度的物理学上所基于的老化状态SOHph,其中所述电化学状态线性地或非线性地被映射到容量保持率(SOH-C)和/或内阻增高率(SOH-R),以便提供容量保持率和内阻增高率(SOH-C和SOH-R)。物理老化模型5可以借助来自车队3的车辆4的训练数据集和/或借助实验室数据来参数化。
所基于的物理老化模型是基于微分方程的非线性数学模型。这种模型在现有技术中是已知的并且使得可以通过评估微分方程通过基于(自投入运行时间点起直到所考虑的时间点的)运行参量变化过程的状态续写来确定相应的物理老化状态。以尤其是自设备电池组的使用寿命开始起的运行参量变化过程而进行的老化状态模型的物理老化模型的评估导致物理微分方程的方程组的如下内部状态出现,所述内部状态对应于设备电池组的物理内部状态。
然而,电化学模型提供的物理老化状态SOHph的模型值在某些情况下并不精确,因此规定:以修正参量k对其进行修正。由基于数据的修正模型6提供所述修正参量k,该修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进行训练。
为了确定待输出的经修正的老化状态SOH,将物理老化模型5的和修正模型6的输出SOHph,k施加到彼此,其中所述修正模型优选实施为高斯过程模型。尤其是,可以在求和块7中将这些输出SOHph,k相加或将其相乘(未示出),以便获得在当前的评估时间间隔或老化时间点待输出的建模老化状态SOH。高斯过程的置信度可以在相加情况下还用作为混合模型的待输出的经修正的老化值SOH的置信度。
该修正模型6在输入侧获得运行特征M,其中由运行参量F的变化过程确定所述运行特征并且所述运行特征还可以包括物理老化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,该修正模型6可以在输入侧获得根据物理老化模型5所获得的物理老化状态SOHph。当前的评估时间间隔的运行特征M在特征提取块8中基于运行参量F的时间序列而产生。这些运行特征M还包括:来自状态向量的内部状态、电化学物理老化模型5以及有利地包括物理老化状态(SOHph)。
这些运行特征M可以例如包括:与评估时间间隔有关的特征和/或累积的特征和/或在迄今为止总的使用寿命期间所确定的统计学参量。尤其是,这些运行特征可以例如包括:电化学状态、诸如SEI层厚、由于阳极/阴极副反应而引起的可循环(zyklisierbar)锂的变化、电解质溶剂的快速吸收、电解质溶剂的缓慢吸收、锂沉积、阳极活性材料的损失以及阴极活性材料的损失、关于阻抗或内阻的信息、直方图特征,例如关于充电状态的温度、关于温度的充电电流和关于温度的放电电流,尤其是关于如下方面的多维直方图数据:在充电状态上的电池组温度分布、在温度上的充电电流分布和/或在温度上的放电电流分布;以安培小时为单位的电流通过量(Stromdurchsatz)、所累积的全部充量(Ah)、在充电过程中(尤其是针对电荷增加高于总电池组容量的阈值份额(例如20%)的充电过程)的平均容量增加、充电容量以及在具有足够大的充电状态偏移的所测量的充电过程期间的差分容量的极值(最大值)(dQ/dU:电荷变化除以电池组电压的变化)或者累积的行驶功率。这些参量优选地被如此换算,使得这些参量尽可能好地表征真实的使用行为。这些运行特征M可以总体或者仅部分地用于接下来描述的方法。
基于数据的老化状态模型的其他设计方案同样是可能的,例如所述基于数据的老化状态模型可以被构造为非混合式的、纯基于数据的模型,这种模型基于概率回归模型或在人工智能基础上的回归模型、尤其是高斯过程模型或基于贝叶斯神经网络而构造。该模型被训练用于,根据如下运行特征点提供建模老化状态SOH,其中通过当前的评估时间间隔/老化时间点的当前运行特征M而确定所述运行特征点,其中基于所述运行参量F的时间序列而在特征提取块8中确定所述运行特征M。
为了对运行特征进行缩放(Skalierung)和降维,可以使用PCA(PrincipalComponents Analysis(主分量分析)),以便在(以非监督的方式)训练所述修正模型之前相应地减小在特征空间中的冗余的线性相关的信息。可替代地,也可以使用核PCA(Kernal-PCA),以便在数据复杂度减小中也能够反映出非线性效应。不仅在降维之前而且特定地在此后也进行总的运行特征空间(或主分量空间)的标准化(Normalisierung),例如以最小/最大比例(Min/Max-Scaling)或Z变换。
老化状态的计算和老化状态的预测因此对于具有至少一个电化学单元、例如电池组电池的蓄能器或车辆电池组是可能的。该方法还可以通过基于规则和/或基于数据的映射应用于蓄能器的整个系统。以电池组为例,老化预测不仅可以应用于电池层面,因此还可以直接应用于模块层面和包层面。
为了训练混合老化状态模型而定义训练数据集。这些训练数据集可以在中央单元2中从大量车辆中收集。物理老化状态模型能够以本身已知的方式通过测量车辆电池组或其电池组电池而被参数化,而修正模型6则能够鉴于实际老化状态与通过物理老化状态模型5所建模的老化状态SOHph之间的偏差而被训练。训练数据点因此将运行特征点的运行特征映射到在实际老化状态与通过物理老化状态模型所建模的老化状态SOHph之间的相应偏差。
在特征提取块8中生成的运行特征M以及其他运行特征也可以被输送给优选地实施为高斯过程模型的基于数据的修正模型6。有利地,在所述基于数据的修正模型上游设置特征空间缩减,其特别是借助于主分量(PCA)变换而进行。基于数据的修正模型6用于提供修正参量k,用于施加由基于数据的老化模型确定的物理老化状态,以便获得针对所考虑的时间点的修正老化状态SOH。所述基于数据的修正模型6鉴于所述基于数据的老化模型5的残差而被训练,并利用作为标签的真实测量的老化状态而被训练和验证。
在相加的情况下,高斯过程的置信度还可以用作为基于数据的老化状态模型9的待输出的修正老化状态的置信度。因此,高斯过程模型的置信度表征了运行特征点映射的建模不确定性。
此外,在基于数据的修正模型6中作为输入参量而可以考虑如下电化学状态,所述电化学状态通过针对老化状态评估基于数据的老化模型而产生。电化学状态可以包括例如以下参量中其中的一个或多个:SEI层厚度、由于阳极/阴极副反应而引起的可循环锂的变化、电解质溶剂的快速吸收率、电解质溶剂的缓慢吸收率、锂沉积速率、阳极活性材料的损失和阴极活性材料的损失,以及关于阻抗或内阻的信息。
图3借助流程图而阐明用于提供全局的和至少一个特定的老化状态模型的方法,该模型用于预言和预测车队3中车辆4的车辆电池组41的老化状态。该方法在中央单元2中执行并使得可以为其中每个车辆电池组41提供所分配的老化状态模型。
在步骤S1中,首先如上所述地连续检测车辆电池组的运行参量变化过程。
在步骤S2中,通过现场诊断测量为各个车辆确定车辆电池组41的老化状态。从有关车辆电池组41的运行参量变化过程确定的运行特征(见上文)到所测量的老化状态的分配构成:用于要创建的老化状态模型的训练数据集。
关于日历上的老化状态的蓄能器的运行特征构成所述蓄能器的运行特征点。通过测量蓄能器的老化状态可以针对其而得出关于不同的日历上的老化状态的多个训练数据集。
在步骤S3中,基于总体上可用的训练数据集,训练全局老化状态模型,如上所述,所述全局老化状态模型可以设计为纯粹基于数据的或混合的老化状态模型。
在步骤S4中,分析全局老化状态模型并确定模型预测的高不确定性区域或低置信度区域。例如,可以基于置信度说明数据来确定低置信度区域,特别是通过与预给定置信度阈值进行阈值比较来确定低置信度区域,其中所述置信度说明数据在概率回归模型的情况下是能够针对每个评估点而确定的。例如,可以将那些满足置信度标准的运行特征范围标识为高不确定性区域,其中,所述置信度标准例如是:高斯过程的不确定性在置信度为90%的情况下低于极限值,例如0.5% SOHC。
为了找到这些运行特征范围,可以进行精细离散化的特征筛选(Feature-Screening),其中运行特征从每个运行特征的最小已知值到运行特征的最大已知值而变化。全球老化状态模型的相应模型评估现在鉴于其置信度值而得以评估。低置信度区域作为其中置信度阈值持续低于预给定置信度阈值的一个或多个运行特征的区域而得出。有利地执行聚类方法以便确定有代表性的簇,其至少在子集中,特别是在边缘中具有稀疏地占据的数据状况。
在随后的步骤S5中,为其中每个所标识出的簇区域确定一个特定的老化状态模型。为此,选择自身运行特征点在所标识出的簇区域内的训练数据集,并且在此基础上训练特定的基于数据的老化状态模型,其可以以概率回归模型的形式而设计为纯粹基于数据的老化状态模型或混合老化模型。
替代地,可以针对如下车辆电池组其中的每个来训练特定的老化状态模型,其中针对所述车辆电池组,根据通过全局老化状态模型而进行的评估,置信度低于阈值的数值(Schwellenbetrag)并且因此具有高估算不确定性,其训练方式为:确定与针对相应车辆电池组而言存在的训练数据集有高相似度的训练数据集,这可以例如通过关于多维运行特征空间的欧几里得距离来确定。在此,如果运行特征点距相应车辆电池组的运行特征点的欧几里得距离小于预给定距离阈值,则认为这些运行特征点是相似的。
相似的运行特征点可以基于运行特征空间的运行特征,如其也可以在输入侧用于,通过基于数据的老化状态模型或所述老化状态模型的修正模型而进行评估。替代地,用于确定相似度的运行特征空间也可以是缩减的运行特征空间,其仅考虑一些表征性运行特征,例如Ah通过量、max(dq/du)、温度等。
如果训练数据集是针对特定老化状态模型而确定的,则以本身已知的方式对其相应进行训练。
替代地,在替代步骤S4中,可以分析全球老化状态模型,并且可以确定模型预测的低不确定性区域或高置信度区域。可以例如基于置信度说明数据来确定高置信度区域,特别是通过与预给定置信度阈值进行阈值比较来确定高置信度区域,其中所述置信度说明数据在概率回归模型的情况下是能够针对每个评估点而确定的。例如,可以将那些满足置信度标准的运行特征范围标识为低不确定性区域,其中,所述置信度标准例如是:高斯过程的90%置信度低于极限值,例如0.5% SOHC。
为了找到这些运行特征范围,可以如上所述地进行精细离散化的特征筛选(Feature-Screening),其中运行特征从每个运行特征的最小已知值到运行特征的最大已知值而变化。全球老化状态模型的相应模型评估现在鉴于其置信度值而得以评估。高置信度区域作为其中置信度阈值持续高于预给定相应置信度阈值的一个或多个运行特征的区域而得出。
在随后的替代步骤S5中,可以针对所标识的低不确定性(高置信度)区域中的每一个相应地确定特定老化状态模型。为此,选择运行特征点在所标识特征范围内的训练数据集,并且在此基础上训练特定的基于数据的老化状态模型,其可以以概率回归模型的形式而设计为纯粹基于数据的老化状态模型或混合老化模型。
替代地,可以针对如下车辆电池组其中的每个来训练特定的老化状态模型,其中针对所述车辆电池组,根据通过全局老化状态模型而进行的评估,置信度值高于预给定的置信度阈值的数值并且因此具有低估算不确定性,其训练方式为:确定与针对相应车辆电池组而言存在的训练数据集有高相似度的训练数据集,这可以例如通过关于多维运行特征空间的欧几里得距离来确定。在此,如果运行特征点距相应车辆电池组41的运行特征点的欧几里得距离小于预给定距离阈值,则认为这些运行特征点是相似的。
在随后的步骤S7中,给其中每个车辆电池组41分配一个对应的全局或特定老化状态模型。给自身当前状态由如下运行特征点表征的车辆电池组41分配全局老化状态模型,其中针对该运行特征点,根据通过所述全局老化状态模型的评估,置信度高于预给定置信度阈值。对于其余的车辆电池组,通过根据全局或特定老化状态模型的得出的置信度来评估相应的运行特征点,根据置信度值的高低来决定:给有关车辆电池组分配哪个老化状态模型或使用哪个老化状态模型。
替代地,也可以基于预测的老化状态来确定用于规定分配的置信度值。
因此,对于其中每个车辆电池组41,老化状态模型、全局或特定老化状态模型被选择和/或使用,其中针对所述模型老化状态的确定的置信度更好,也即建模不确定性较低的。因此,根据车辆电池组41的相应运行特征点,为其中每个车辆电池组41提供与老化状态的模型预测的预测不确定性或置信度值相对应的老化状态模型。
图4示例性地示出了不同车辆电池组随着时间(以天为单位)的老化状态变化过程SOH1...SOH6,其中给这些车辆电池组分别分配不同的老化状态模型。全局老化状态模型MG被分配给与典型负载变化过程对应的老化状态变化过程SOH2-SOH5,而特定老化状态模型MS1、MS2则分别被分配给老化状态变化过程SOH1和SOH6。
步骤S2的训练数据集的标签生成可以通过现场诊断测量来进行。为此目的,选择其车辆电池组要被测量的特定车辆。当使用概率回归模型时,可以借助于主动学习方法来标识应优选对其进行现场诊断测量的那些车辆。以这样的方式选择这些车辆,使得相应车辆电池组41的测量造成如下训练数据集,该训练数据集以尽可能最佳方式扩展所基于的老化状态模型。特别是,所涉及的训练数据集应尽可能最大地优化有关老化状态预测的信息。
步骤S1至S6的方法可以定期进行,以封闭全局老化状态模型中的低置信度运行特征范围,逐步减少所需的特定老化状态模型的数量,并且在车队运行过程中通过更好的数据情况而获得更好并且更相关的运行特征点簇。理想情况下,簇可以在车队运行过程中通过系统地封闭特征缺口并在车队运行中已经很早实现足够高的数据覆盖而融合。
在随后的步骤S8中,例如,根据借助于所分配的老化状态模型预测的老化状态,并且尤其是根据相应车辆电池组由于使用任务之一的分配所承受的老化应力,这些车辆可以例如根据自身的老化状态和自身的所分配的全局或特定老化状态模型而被分配到不同的使用任务/驾驶任务。老化应力对应于通过在有关车辆中执行使用任务所引起的老化状态的变化。
例如,可以根据老化应力针对每个使用任务将车辆在列表中分类排序。此外,基于模型选择和剩余使用寿命的确定,根据剩余使用寿命对车辆电池组进行分类排序。
基于以这种方式创建的列表,现在将车辆电池组分配到使用任务。例如,具有车辆电池组高老化状态的车辆,即老化程度低的车辆被分配给要求高的使用任务,即,被分配给具有较高负载的使用类型,并且具有低老化状态的车辆,即老化程度高的车辆被分配给具有较小负载的使用任务,以实现车队中所有车辆的均匀老化。这对于车队运营商来说、例如车辆租赁公司来说可以是值得期望的。
在将车辆分配给使用任务时,也可以追求其他目标。例如,在考虑车辆电池组的其他负载特征,如日历上的年龄或里程、Ah通过量等的情况下,可以连同建模的老化状态创建负载特征空间,其中将使用任务如此分配给车辆,使得负载特征空间中的分布尽可能均匀地进行,以使车辆电池组达到如下状态,在这些状态下通过现场测量老化状态而在重新训练之后实现全局老化状态模型的有利改进。
替代地或附加地,老化状态模型也可用于确定针对最大通过电流的运行极限或降额极限,以便减少车辆电池组的老化并在预定运行持续时间过去后影响剩余的老化状态。
Claims (16)
1.用于分别提供全局的和至少一个特定的老化状态模型(9)以确定具有至少一个电化学单元、特别是电池组电池的大量电蓄能器(41)的建模老化状态(SOH)的计算机实现的方法,所述方法具有以下步骤:
- 提供(S2)训练数据集,所述训练数据集分别将如下运行特征点分配给老化状态,其中所述运行特征点通过蓄能器的一个或多个从运行参量变化过程所导出的运行特征以及相对应的日历上的寿命说明数据而确定,其中运行特征点的所述一个或多个运行特征说明了相应的蓄能器(41)的负载;
- 使用训练数据集训练(S3)基于数据的或混合的全局老化状态模型(MG),从而使所述全局老化状态模型被设计用于,将所述运行参量变化过程和/或所述一个或多个运行特征分配给相对应的老化状态,其中所述基于数据的或混合的全局老化状态模型至少部分设计为基于数据的概率回归模型;
- 使用所选择的部分训练数据集训练(S5)至少一个基于数据的或混合的特定老化状态模型(MS1、MS2),从而使所述至少一个特定老化状态模型(MS1、MS2)被设计用于,将所述运行参量变化过程和/或所述一个或多个运行特征分配给相对应的老化状态,其中所述基于数据的或混合的特定老化状态模型至少部分设计为基于数据的概率回归模型;
-提供(S7)全局的和至少一个特定的所述老化状态模型(MG、MS1、MS2)。
2.根据权利要求1所述的方法,其中,如果部分训练数据集的运行特征点和相关联的老化状态形成如下运行特征范围,在所述运行特征范围中使用全局老化状态模型(MG)的模型预测具有低于预给定置信度阈值的低置信度或高于预给定置信度阈值的高置信度,则选择所述部分训练数据集。
3.根据权利要求2所述的方法,其中,通过对运行特征点和所述训练数据集的所分配的老化状态执行聚类方法以确定具有关于全局老化状态模型(MG)而言低置信度的至少一个运行特征范围,选择部分训练数据集用于训练特定老化状态模型,其中在至少一个具有低置信度的运行特征范围内的训练数据集作为所述部分训练数据集而被选择。
4.根据权利要求2或3所述的方法,其中,通过对所述训练数据集的运行特征点和所分配的老化状态执行聚类方法来选择用于训练特定老化状态模型的部分训练数据集,以便确定具有关于全局老化状态模型(MG)而言高置信度的至少一个运行特征范围,其中在至少一个具有高置信度运行特征范围内的训练数据集作为所述部分训练数据集而被选择。
5.根据权利要求4所述的方法,其中,通过尤其是以K-Means聚类方法和Elbow方法作为运行特征点的簇而确定至少一个运行特征范围来选择用于训练特定老化状态模型的部分训练数据集,其中所述至少一个运行特征范围的运行特征点在全局老化状态模型中具有低置信度和/或具有稀疏的数据占据。
6.根据权利要求1至5中任一项所述的方法,其中,所述基于数据的或混合的全局老化状态模型(MG)的训练被定期执行或在预给定时间点重复执行,并且然后分别执行所述至少一个基于数据的或混合的特定老化状态模型(MS1,MS2)的训练。
7.根据权利要求1至6中任一项所述的方法,其中,所述一个或多个运行特征包括以下特征其中至少一个:
- 从直方图数据确定的至少一个统计参量,特别是平均值、中值、最小值、最大值、分布矩和/或标准偏差,或者基于直方图的特征,所述基于直方图的特征尤其是从累积负载点而导出并且鉴于退化严重程度借助于罚函数而被评价,其中所述直方图数据由所述蓄能器(41)的运行参量的变化过程而创建,并且尤其是包括:有关于随着温度和所述蓄能器(41)的充电状态的电流的直方图、随着所述蓄能器(41)的充电状态的温度的直方图、随着所述蓄能器的温度的充电电流的直方图和随着所述蓄能器(41)的温度的放电电流的直方图,
- 所述蓄能器 (41) 的累积总电荷;
- 所述蓄能器 (41) 的充电容量;以及
- 针对电流或电压信号基于充电过程而评估的频谱峰度的局部极值;
- 针对电流或电压信号或分配给所定义频带的经变换的频谱值基于充电过程而评估的小波变换的一个或多个系数;
- 针对电流或电压信号或分配给所定义频带的经变换的频谱值基于充电过程而评估的傅立叶变换的一个或多个系数;
- 在所测量的充电过程期间的经平滑的差分电容的极值。
8.根据权利要求1至7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)中执行,其中所述一个或多个运行特征(M)在技术设备中被确定并且被传输到所述设备外部的中央单元(2)。
9.使用全局的和至少一个特定的老化状态模型(MG、MS1、MS2 )来确定蓄能器(41)的老化状态的方法,所述方法具有以下步骤:
- 确定相应蓄能器(41)的运行特征点,其中所述运行特征点通过所述蓄能器(41)的一个或多个从运行参量变化过程所导出的运行特征以及相对应的日历上的寿命说明数据而确定,
- 借助至少部分设计为基于数据的概率回归模型的基于数据的或混合的全局老化状态模型(MG)以及借助至少部分设计为基于数据的概率回归模型的基于数据的或混合的特定老化状态模型(MS1、MS2),相应确定相应的蓄能器(41)的老化状态和所分配的置信度值,并借助根据权利要求1至8中任一项所述的方法创建所述模型,
- 将所分配的置信度值较高的那个老化状态确定为对应蓄能器(41)的待确定老化状态。
10.根据权利要求9所述的方法,其中,使用任务分别到多个蓄能器(41)之一的分配取决于:根据分别所分配的全局的或特定的老化状态模型(MG、MS1、MS2)通过在所述蓄能器(41)中执行有关使用任务而引起了怎样的老化,尤其是引起了怎样的老化状态改变。
11.根据权利要求10所述的方法,其中,将所述使用任务分配给所述蓄能器(41),使得所有蓄能器(41)的老化状态的分布具有尽可能小的分散度,或者所述运行特征点的分布具有尽可能大的分散度。
12.根据权利要求9至11中任一项所述的方法,其中,借助于以模型预测的方式的调节而选择所述多个蓄能器(41)中的至少一个蓄能器并且通过改变其运行方式来运行所述蓄能器,使得朝着所述一个或多个运行特征范围之一的方向改变表征有关的蓄能器(41)的负载状态的运行特征点。
13.根据权利要求1至12中任一项所述的方法,其中,所述蓄能器(41)被用于运行设备、例如机动车辆、电动助力车、飞行器、尤其是无人机、工具机器、娱乐电子装置的设备、例如移动电话、自主机器人和/或家用电器。
14.用于执行根据权利要求1至13中任一项所述的方法之一的装置。
15.计算机程序产品,所述计算机程序产品包括指令,当由至少一个数据处理设备执行程序时,所述指令促使所述数据处理设备执行根据权利要求1至13中任一项所述的方法的步骤。
16.机器可读存储介质,所述机器可读存储介质包括指令,当由至少一个数据处理设备执行时,所述指令促使所述数据处理设备执行根据权利要求1至13中任一项所述的方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021211918.2 | 2021-10-22 | ||
DE102021211918.2A DE102021211918A1 (de) | 2021-10-22 | 2021-10-22 | Verfahren und Vorrichtung zum Bereitstellen eines berechneten oder prädizierten Alterungszustands von elektrischen Energiespeichern mit mithilfe von maschinellen Lernverfahren ermittelten Alterungszustandsmodellen und zum optimierten Betreiben einer Vielzahl von Energiespeichern |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116559698A true CN116559698A (zh) | 2023-08-08 |
Family
ID=85795926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211291672.3A Pending CN116559698A (zh) | 2021-10-22 | 2022-10-21 | 用于提供计算和预测的电蓄能器老化状态的方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116559698A (zh) |
DE (1) | DE102021211918A1 (zh) |
-
2021
- 2021-10-22 DE DE102021211918.2A patent/DE102021211918A1/de active Pending
-
2022
- 2022-10-21 CN CN202211291672.3A patent/CN116559698A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102021211918A1 (de) | 2023-04-27 |
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 | |
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 | |
US20220170995A1 (en) | Method and Apparatus for Predicting a State of Health of a Device Battery in a Battery-operated Device | |
US11835589B2 (en) | Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine | |
US20230059529A1 (en) | Characterization of Rechargeable Batteries Using Machine-Learned Algorithms | |
CN114600298A (zh) | 用于对电池的老化状态进行预测的方法 | |
US20230184840A1 (en) | Method and Apparatus for Providing an Aging State for a Device Battery Having Correction of State Observations on the Basis of Systematic State and Environmental Influences | |
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 | |
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 | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
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 | |
US11938838B2 (en) | Method and device for the robust prediction of the aging behavior of an energy storage unit in a battery-operated machine | |
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 | |
CN116559698A (zh) | 用于提供计算和预测的电蓄能器老化状态的方法和装置 | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
CN115219931A (zh) | 运行用于提供电蓄能器的预测老化状态的系统的方法和装置 | |
US20230016228A1 (en) | Method and Apparatus for Operating a System for Providing Predicted Confidence Intervals for States of Health of Electrical Energy Stores for at Least One Device With the Aid of Machine Learning Methods | |
CN115701545A (zh) | 用于提供计算和预测的电蓄能器老化状态的方法和装置 | |
CN116256640A (zh) | 用于提供老化状态模型以确定电蓄能器的当前和预测老化状态的计算机实现的方法 | |
CN116373680A (zh) | 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 | |
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 | |
US20240168095A1 (en) | Method and Apparatus for Predictive Diagnosis of a Device Battery of a Technical Device Using a Multivariate Transformer Model | |
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 | |
CN115700390A (zh) | 确定和改善蓄能器老化状态的预测的置信度的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |