CN116804711A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116804711A CN116804711A CN202310293377.XA CN202310293377A CN116804711A CN 116804711 A CN116804711 A CN 116804711A CN 202310293377 A CN202310293377 A CN 202310293377A CN 116804711 A CN116804711 A CN 116804711A
- Authority
- CN
- China
- Prior art keywords
- cycle
- curve
- health
- state
- curves
- 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 118
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000008859 change Effects 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 36
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 230000007704 transition Effects 0.000 claims description 19
- 230000036962 time dependent Effects 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims 1
- 125000004122 cyclic group Chemical group 0.000 abstract description 16
- 230000032683 aging Effects 0.000 description 38
- 238000012937 correction Methods 0.000 description 23
- 238000011156 evaluation Methods 0.000 description 12
- 230000014759 maintenance of location Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 230000003862 health status Effects 0.000 description 5
- 238000007086 side reaction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 239000003792 electrolyte Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 239000006183 anode active material Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013531 bayesian neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001186 cumulative effect 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
- 230000005518 electrochemistry Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000011149 active material Substances 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000006182 cathode active material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer 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
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及预测设备电池组的健康状态的计算机实现的方法,具有:提供设备电池组的至少一个运行参量的运行参量变化过程;根据过去时间段内的运行参量变化过程,确定连续循环,其分配有给定时间段内的运行参量变化过程;将循环分别分配给预给定循环曲线之一,其分别表征设备电池组的使用类型和/或负载水平,从而获得循环曲线序列;确定循环曲线序列中一条循环曲线转移到随后循环曲线的频率分布;基于最后选择的循环曲线,通过按照频率分布连续随机选择循环曲线,创建预测循环曲线序列;将循环曲线所分配的曲线运行参量变化过程分配给预测循环曲线序列,以获得预测运行参量变化过程;借助健康状态模型基于预测运行参量变化过程来确定预测健康状态。
Description
技术领域
本发明涉及独立于电网运行的具有设备电池组的电气设备,尤其是可电驱动机动车、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预测健康状态(SOH:State of Health)的措施。
背景技术
对独立于电网运行的电气设备和机器、诸如可电驱动机动车的能量供应借助于设备电池组来实现。这些设备电池组为设备的运行提供电能。
设备电池组会在其使用寿命期间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。健康状态对应于说明蓄能器的老化的量度。按照惯例,新的设备电池组的就其可用的容量而言的健康状态为100%,该容量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个性化的负载,也就是说对于机动车的车辆电池组而言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设备电池组的当前健康状态,但是该模型在特定情况下不准确。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,对设备电池组的健康状态的变化过程的可靠预测是一种重要的能力,因为利用该能力能够确定设备电池组的剩余使用寿命并且对设备电池组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。
对健康状态的预测可以基于预测的使用模式来实现,该预测使用模式从过去的历史使用模式中生成。为此,这样预测的使用模式应该与过去的使用行为有关,以便这样考虑该设备电池组的不同的使用类型。
发明内容
按照本发明,提供了一种按照权利要求1所述的用于根据预测的使用模式来提供健康状态的预测变化过程的计算机实现的方法以及一种相对应的按照并列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,提供了一种用于预测技术设备中的具有至少一个电化学单元的设备电池组的健康状态或健康状态变化过程的计算机实现的方法,该方法具有如下步骤:
-提供来自设备电池组的至少一个运行参量中的随时间的运行参量变化过程;
-根据在预先给定的过去时间间隔内的该随时间的运行参量变化过程,确定连续的循环,尤其是工作循环、空闲循环和充电循环,其中每个循环都分配有在预先给定的时间段内的运行参量变化过程;
-将所确定的循环分别分配给预先给定的循环曲线,这些循环曲线分别表征设备电池组的使用类型和/或负载水平,从而获得循环曲线序列;
-确定在所形成的循环曲线序列中从一条循环曲线到时间上随后的循环曲线的转移的频率分布,尤其是以隐马尔可夫模型的形式;
-基于相应最后选择的循环曲线,通过按照这些转移的频率分布来对循环曲线进行连续随机选择(采样),创建所预测的循环曲线序列;
-将这些循环曲线所分配的曲线运行参量变化过程分配给所预测的循环曲线序列,以便获得所预测的运行参量变化过程;
-借助于健康状态模型或航程模型,基于所预测的运行参量变化过程来确定预测健康状态或预测健康状态变化过程。
此外,这些循环可包括:具有由于设备的运行所引起的动态通过电流的工作循环,该动态通过电流具有准连续的正放电电流以及可能短时间段的回收电流;以及具有约为0A的电池组电流的空闲循环;和具有连续充电电流的充电循环。
尤其是,这些循环曲线可包括:不同负载的一条或多条被分配给工作循环的工作循环曲线;和不同负载的一条或多条被分配给充电循环的充电循环曲线。工作循环必要时可包含回收阶段。
通常不直接测量设备电池组的健康状态。这会在设备电池组内部需要一系列传感器,这些传感器会使这种设备电池组的制造成本高昂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。
对于设备电池组,健康状态(SOH:State ofHealth)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百分比航程的关键参量。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并且随着老化增加而降低。替代地,健康状态可以被指定为相对于在设备电池组的使用寿命开始时的内阻的内阻升高(SOH-R)。内阻的相对变化SOH-R随着电池组的老化增加而升高。
替代地,对于作为技术设备的车辆,预测健康状态也可以以直至达到预先给定的健康状态极限为止的所留有的剩余航程形式来说明,该健康状态极限决定了作为设备电池组的车辆电池组的使用时长的结束时间点。剩余航程可以通过将分别被分配给这些循环曲线的循环航程相加来确定。
因而,通常借助于控制器中的电池组模型来确定设备电池组的当前健康状态。该电池组模型在特定情况下不准确并且通常具有多达超过5%的模型偏差。此外,由于该电池组模型不准确,该电池组模型只能一般精确地说明蓄能器的当前健康状态并且不适合于预测。
此外,借助于健康状态模型,可以基于所预测的运行参量变化过程来执行对预测健康状态或预测健康状态变化过程的确定,该健康状态模型包括电化学模型,该电化学模型由非线性微分方程组形成并且能通过时间积分来求解。
为了对作为蓄能器的设备电池组的健康状态进行建模和预测,可以使用物理老化模型,该物理老化模型评估设备电池组的连续的运行参量,尤其是其方式是通过数值时间积分方法来求解微分方程组。基于该微分方程组,可以根据直至某个时间点(预测范围)为止的运行参量变化过程来模拟设备电池组的内部电化学状态的变化并且为预测时间点指定物理健康状态。
为了执行该时间积分方法,这些运行参量,诸如电池组电流、电池组温度、电池组电压和充电状态,必须作为高分辨率的时间序列存在。对于设备电池组来说,基于时间积分方法的健康状态模型至少需要电池组电流和温度的变化过程。还需要的电池组电压和充电状态(SOC)的变化过程可以被测量或者根据电池组电流和温度的变化过程借助于电池组性能模型以适当的方式来确定。这些运行参量作为变化过程参量加入健康状态模型,并且这样能够确定健康状态。因此,需要首先分析过去的运行参量变化过程,使得可以为未来创建相对应的人工的运行参量变化过程。
此外,该健康状态模型可以被补充基于数据的校正模型,使得形成基于数据的混合健康状态模型,该基于数据的混合健康状态模型具有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。基于数据的校正模型可以有关物理健康状态模型的残差来训练,以便校正通过物理健康状态模型所获得的健康状态。因此,为此存在用于校正SOH-C的基于数据的健康状态校正模型和/或用于校正SOH-R的至少一个另外的基于数据的健康状态校正模型。高斯过程的可能的替代方案是其它监督学习方法,如基于随机森林模型、AdaBoost模型、支持向量机(Support-Vector-Machine)或贝叶斯神经网络。
因此,用于确定电蓄能器的健康状态的健康状态模型可以以混合健康状态模型、即物理老化模型与基于数据的校正模型的组合的形式来提供。在混合模型的情况下,物理健康状态可以借助于物理或电化学老化模型来确定,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。
为了借助于物理或电化学健康状态模型和通过基于数据的校正模型的可选精确化来对设备电池组的健康状态进行建模(即结合混合健康状态模型),需要相对高频地提供运行参量的时间变化过程。运行参量的这些时间变化过程还必须针对所需的精度要求来尽可能完美地被提供,以便确定在当前时间点的健康状态。
基于这种物理老化模型或者混合健康状态模型,可以创建所考虑的设备电池组的当前健康状态以及也可以基于所预测的运行参量变化过程来创建预测健康状态,这些所预测的运行参量变化过程代表设备电池组的预测负载。例如,可以将直至使用寿命结束为止的时长确定为设备电池组的剩余使用寿命,该使用寿命结束说明了预测健康状态低于预先给定的阈值的时间点,该阈值说明了该使用寿命结束,诸如SOH-C=O.8,并且例如对应于制造商保修期限。
可以规定:设备电池组根据经建模的预测健康状态的变化过程来运行,其中尤其是根据经建模的预测健康状态的变化过程来指示设备电池组的剩余使用寿命。此外,可以基于老化预测来提供对预测性检查和维护间隔期的计划和执行。
还可以规定:根据剩余使用寿命来增加或减少剩余的快速充电循环的次数,或者例如关于热管理(降额(Derating))来对运行限制(电流限制)或者运行策略进行调整。此外,可以根据老化或者根据所预测的健康状态变化过程来对充电策略进行调整。为此,根据是否已达到剩余快速充电循环的次数,可以容许或阻止快速充电循环。
对这种物理老化模型的计算复杂,并且通常由于缺乏计算能力而并不在技术设备的控制器中执行。在这方面,该评估可以在与该技术设备保持通信连接的设备外部的中央单元中进行。
为了预测健康状态变化过程,在使用基于时间积分的健康状态模型时需要以高时间分辨率来预测未来的运行参量变化过程。这不是对实际运行参量变化过程的精确预测,而是所预测的运行参量变化过程应该将过去在设备电池组的使用中所表现出的负载模式外推到未来。因而,为了获得尽可能精确的预测健康状态变化过程和对设备电池组的剩余使用寿命的精确确定,有必要提供如下运行参量变化过程,这些运行参量变化过程对应于与过去等效的负载模式。
按照概率负载模式模型按照上述方法来创建预测的负载模式,该预测的负载模式通过预测运行参量变化过程来说明。概率负载模式模型可以被创建为隐马尔可夫模型(Hidden-Markov-Modell,HMM),其中设备电池组的特定运行模式的循环曲线表示经由边彼此连接的节点,这些边分别分配有转移概率。该概率负载模式模型基于在预先给定的过去时间间隔内的历史运行参量变化过程来创建,这些历史运行参量变化过程是关于预定的连续时间段的循环来分析的。例如,这些时间段可以是在1到10min之间的时长。通过HMM进行的采样或模拟也能够以低得多的频率来进行,并且例如可以每小时进行一次,乃至每天6次。在这种情况下,更应该对用户决策进行建模和模拟,这些用户决策描述使用场景(停车、充电、行驶)并且因此对负载曲线的时间序列有直接影响。
具体来说,现在根据历史运行参量变化过程来确定表示在相对应的时间段期间的运行参量变化过程的各个循环的序列。时间段可具有预定时长。
预先给定循环曲线,诸如具有不同负载的工作循环、空闲循环和用于不同充电功率的充电循环。尤其是,这些循环曲线可以包括一条或多条被分配给工作循环的工作循环曲线、一条或多条被分配给空闲循环的空闲循环曲线以及一条或多条被分配给充电循环的充电循环曲线,这些循环曲线彼此间的不同之处分别在于相关设备电池组的负载类型。
接着,将这些循环中的每个循环都分配给预先给定的循环曲线。这可以借助于基于规则的分类方法来进行,使得这些时间段中的每个时间段都按照最大可能的相似度被分配给相对应的循环曲线,使得形成循环曲线序列。例如,该分类方法可以使用在分配到循环曲线的循环期间的平均充电或放电电流以及平均电池组温度的范围。为此,可以针对可表示根据运行参量变化过程聚合的参量的负载特征分别预先给定负载范围,这些负载范围分别被分配给循环曲线,使得这些循环到循环曲线的分配可以通过将运行参量聚合成负载特征并且将这些负载特征分配给相对应的循环曲线所分配的负载范围来进行。
替代地,可以借助于基于规则的分类方法或者聚类方法基于负载特征来将所确定的循环分别分配给循环曲线,其中这些负载特征包括来自相应循环的运行参量变化过程中的至少一个聚合的参量。
因此,从在预先给定的时间间隔内的循环曲线序列,依据从一条循环曲线到后续循环曲线的特定转移的频率,得出从一条循环曲线到下一条循环曲线的转移概率。据此来创建隐马尔可夫模型。
尤其是,这些循环曲线可具有:一条或多条工作循环曲线,所述一条或多条工作循环曲线关于其在该时间段内平均的Ah吞吐量、最大放电电流、关于变化频率的信息等负载特征方面有所不同,所述关于变化频率的信息例如借助于小波变换来确定;一条或多条充电循环曲线,所述一条或多条充电循环曲线关于其充电电流、充电摆幅等负载特征方面有所不同;和一个或多个空闲循环,所述一个或多个空闲循环的特点在于在没有明显的电流消耗或输入到设备电池组中并且关于平均电池组温度等负载特征有所不同。
这样,通过分析运行参量变化过程,可以创建各个循环曲线的序列,并且据此来确定具有概率转移概率的隐马尔可夫模型。
可以规定:为了确定在所形成的循环曲线序列中从一条循环曲线到时间上随后的循环曲线的转移的频率分布,创建隐马尔可夫模型,在该隐马尔可夫模型中,循环曲线形成节点,这些节点经由边来连接,这些边分配有从一条循环曲线到下一条循环曲线的转移的频率。
在运行时,该隐马尔可夫模型在中央单元中关于每个单独车辆的当前运行参量变化过程被不断更新。为此,总是关于当前时间点来定义预先给定的时间间隔的结束。
为了执行健康状态预测,现在基于健康状态模型的当前状态来预测运行参量变化过程。
为此,从该隐马尔可夫模型中对所预测的循环曲线序列进行采样,其方式是基于最后确定的循环曲线,按照转移概率通过随机选择来预测相应下一条循环曲线。这被执行直至预测范围为止,该预测范围说明了该预测应该达到的未来时间点。
针对这些循环曲线中的每条循环曲线,借助于负载模式模型来构建一个或多个运行参量或者一个或多个负载参量的变化过程,诸如电池组电流和电池组温度的变化过程。如果确定负载参量,则这些负载参量可以用于尤其是借助于电池组性能模型来生成接下来的运行参量变化过程。这样,根据如电池组电流和电池组温度等负载参量的变化过程,可以确定电池组电压和充电状态的变化过程。
可以规定:这些循环曲线所分配的曲线运行参量变化过程分别对应于最新循环的被分配给相关循环曲线的那个运行参量变化过程。
替代地,这些循环曲线所分配的曲线运行参量变化过程可以分别对应于该循环的如下那个运行参量变化过程或者从中推导出,该运行参量变化过程被分配给相关循环曲线并且该运行参量变化过程离所属聚类的质心最近。
因此规定:给预定义的循环曲线中的每条循环曲线分配曲线运行参量变化过程,该曲线运行参量变化过程对应于人工的所预测的运行参量变化过程。所分配的曲线运行参量变化过程例如可以分别对应于如下运行参量变化过程,该运行参量变化过程是作为循环最后被分配给相对应的循环曲线的。替代地,可以给每条循环曲线分配如下那个曲线运行参量变化过程,该曲线运行参量变化过程对于被分配给相关循环曲线的循环的聚类来说离通过相对应的循环所形成的聚类的质心最近。
通过按照循环曲线序列来使曲线运行参量变化过程彼此串接,可以创建所预测的运行参量变化过程或者首先创建所预测的负载参量变化过程并且据此来创建所预测的运行参量变化过程。所预测的运行参量变化过程说明了可能的、人工生成的运行参量变化过程,该运行参量变化过程将在外推设备电池组的使用行为时从中得出的循环老化模拟得最好。
附图说明
随后,依据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预测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;
图3示出了阐明用于创建预测负载曲线以确定预测健康状态或预测健康状态变化过程或所留有的剩余使用寿命的方法的流程图;
图4示出了作为创建预测负载曲线以确定所预测的运行参量变化过程的基础的具有转移概率的示例性隐马尔可夫模型的图示。
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设备电池组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的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和/或特征来更新或被再训练。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。
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机动车4中的车辆电池组41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。运行参量F在从1Hz至100Hz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中实现健康状态模型,该健康状态模型作为混合或半混合模型是基于数据的。健康状态模型可以定期地、即例如在相应的评估时长到期之后被使用,以便基于运行参量的随时间的变化过程(分别自从相应车辆电池组投入运行起)以及由此所确定的运行特征来确定所分配的车队的相关车辆电池组41的当前健康状态。换言之,能够基于所分配的车队3的机动车4的车辆电池组41之一的运行参量的变化过程以及根据运行参量的这些变化过程所得出的或者据此所确定的运行特征来确定相关的车辆电池组41的健康状态。
健康状态(SOH:State of Health)是用于说明剩余电池组容量或者剩余电池组电量的关键参量。健康状态是对车辆电池组或电池组模块或电池组电池的老化的量度并且可以被指定为容量保持率(Capacity Retention Rate,SOH-C)或者被指定为内阻的升高(SOH-R)。容量保持率SOH-C被指定为所测量到的当前容量与充满电的电池组的初始容量之比。内阻的相对变化SOH-R随着电池组的老化增加而升高。
图2示例性示出了基于数据的健康状态模型9的实施方式的功能结构,该基于数据的健康状态模型具有物理老化模型5和基于数据的校正模型6。该物理老化模型和该校正模型获得当前评估期/老化时间点(自从投入运行时间点以来车辆电池组的使用时间)的运行参量F或运行特征M。在特征提取块8中基于运行参量F的时间序列来生成当前评估期/老化时间点的运行特征M。
该物理老化模型5是基于用来映射电化学过程的微分方程的非线性的数学模型。这种模型从现有技术中公知,并且能够通过评估如下微分方程来确定相应的物理健康状态SOHph,这些微分方程通过基于运行参量变化过程(从投入运行时间点或者已知内部状态的时间点开始直至所考虑的当前时间点或评估期为止)的状态外推来描述车辆电池组41的关于与老化相关的模型参数的电化学。按照时间积分方法,利用运行参量变化过程F、尤其是自从车辆电池组41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41的内部物理状态。
由于物理老化模型5基于物理和电化学定律,所以物理老化模型的内部状态包括说明物理特性的参量,诸如阳极副反应的平衡电位、与第一电解质的阳极副反应的传递系数、阳极极化因子、SEI电导率、沉积速率、阴极副反应的平衡电位、阴极处的副反应速率、在阳极活性材料中的机械应力的电流相关系数、由于活性材料的损耗所引起的容量损失的权重等等。这些内部状态可以被用于以容量保持率(SOH-C)和/或内阻升高率(SOH-R)的形式来提供基于物理的健康状态SOHph,作为内部状态的线性或非线性映射。
此类电化学电池组模型例如从出版文献US 2016/023566、US2016/023567和US2020/150185中公知。
然而,通过物理老化模型5所提供的针对物理健康状态SOHph的模型值在特定情况下不准确,并且因而规定:利用校正参量k来校正这些模型值。由基于数据的校正模型6来提供校正参量k。
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和校正模型6的输出SOHph、k相互作用,该校正模型优选地实施成高斯过程模型。尤其是,这些输出可以在求和块7中被相加或相乘(未示出),以便获得所要输出的经建模的在当前评估期或老化时间点的健康状态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。
校正模型6在输入侧获得运行特征M,这些运行特征在特征提取块8中根据运行参量F的变化过程来确定并且也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,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中基于运行参量F的时间序列来生成当前评估期的运行特征M。这些运行特征M还包括来自电化学物理老化模型5的状态向量的内部状态以及有利地包括物理健康状态(SOHph)。
这些运行特征M例如可包括与该评估期有关的特征和/或累积特征和/或在到目前为止的整个使用寿命期间所确定的统计参量。尤其是可以将来自直方图数据中的特征确定为运行特征,这些直方图数据是根据这些运行参量的变化过程来创建的。这样,例如可以创建关于随车辆电池组的电池组温度和充电状态的电池组电流的直方图、随车辆电池组的充电状态的电池组温度的直方图、随电池组温度的充电电流的直方图和随电池组温度的放电电流的直方图。此外,可以考虑分别自从设备电池组投入运行以来的累积总电量(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比例(例如20%△SOC)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平滑微分容量的极值(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)或者累积的行驶里程(Fahrleistung),作为运行特征。
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在特征空间中归一化。这些运行特征M可以全部或者只是部分地被用于随后描述的方法。
基于数据的健康状态模型的其它设计方案同样是可能的,例如,基于数据的健康状态模型可以基于概率回归模型或以人工智能为基础的回归模型、尤其是高斯过程模型或者贝叶斯神经网络来构造成非混合的、纯基于数据的模型。该健康状态模型被训练来根据通过当前评估期/老化时间点的当前的运行特征M所确定的运行特征点来提供经建模的健康状态SOH,其中这些运行特征M在特征提取块8中基于运行参量F的时间序列来确定。
这些运行特征M以及还有在特征提取块8中生成的其它运行特征还可以被供应给基于数据的校正模型6,该基于数据的校正模型优选地被实施成高斯过程模型。有利地,在该基于数据的校正模型之前,特别是借助于主成分(PCA)变换,缩减特征空间。基于数据的校正模型6用于提供校正参量k以加载于通过基于数据的老化模型所确定的物理健康状态,以便获得针对所考虑的时间点的经校正的健康状态SOH。基于数据的校正模型6有关基于数据的老化模型5的残差来训练,并且使用真实测量的健康状态作为标记来训练和验证。
此外,在基于数据的校正模型6中可以考虑电化学状态作为输入参量,这些电化学状态通过针对健康状态评估基于数据的老化模型来得出。电化学状态例如可包括如下参量中的一个或多个: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的速率、电解质溶剂的缓慢消耗的速率、锂沉积速率、阳极活性材料的损耗和阴极活性材料的损耗,以及关于阻抗或内阻的信息。
健康状态模型9可以在中央单元2中应用,其中将各个车辆4的运行参量变化过程F传送给中央单元2。替代的实施方式可以规定:通过将相对应的模型参数传输给相应的车辆来在车辆中应用健康状态模型9。
为了该预测,可以提供使用模式模型10,该使用模式模型可以以随后描述的方式来预测运行参量变化过程、尤其是电池组电流和电池组温度的变化过程。可以使用本身公知的电池组性能模型11通过其它运行参量变化过程、尤其是电池组电压和充电状态的变化过程来对这些运行参量变化过程进行补充。
现在,结合图3描述一种可用来对健康状态进行预测的方法。该预测基于上述基于时间积分的健康状态模型9,该健康状态模型可以以高分辨率来评估运行参量变化过程。现在,为了该预测,根据人工的运行参量变化过程将负载模式预测到未来,要么直至预先给定的为一个月、三个月、六个月、一年的预测范围为止,要么直至车辆电池组41的预计使用寿命结束为止。
该方法首先在步骤S1中规定:记录直至当前的评估时间点为止的特定于用户的运行参量变化过程。这些运行参量变化过程F包括电池组电流、电池组电压、电池组温度和充电状态的变化过程。
在下文,在步骤S2中,关于循环来对直至当前时间点为止的例如为一个月、三个月、六个月等等的预先给定的时间间隔内的运行参量变化过程进行分割。这些循环可以对应于将运行参量变化过程划分成预先给定的时长的连续时间段。
这些循环也可以依据标准分别被区分为具有可变时长的工作循环、充电循环或空闲循环。工作循环对应于连续运行、即大于0A的连续放电电流的时间段。在此,可以不考虑放电电流的小于预先给定的最短时间、诸如60秒的中断,以便隐藏交通灯停止或回收阶段并且将这些交通灯停止或回收阶段还分配给相关工作循环。此外,可以将空闲循环标识为具有为0A的恒定电池组电流的其时长大于预先给定的最短时间的时间段。可以将充电电流流入车辆电池组41的那些连续时间段标识为充电循环。
在下一步骤S3中,可以将这些循环分类成循环曲线。这些循环曲线可以被划分成一条或多条工作循环曲线、一条空闲循环曲线和一条或多条充电循环曲线。在此,这些工作循环曲线可以按照负载特征、例如关于其在被分配给工作循环曲线的时间段的时长期间的平均功率吞吐量、其时长等等以基于规则的方式来分类,以便通过来自相关车辆电池组41的平均电力水平来区分这些工作循环曲线。例如,这些工作循环曲线可以被划分成最高10Ah、最高20Ah和超过20Ah的范围,以便通过分配到相对应的工作循环曲线来表征车辆电池组的负载类型。此外,这些工作循环曲线也可以关于在所分配的时间段内的平均电池组温度来表征或区分,诸如低于40℃的运行和高于40℃的运行。
可以给功耗小于预先给定的阈值、例如每时间段0.1Ah的所有循环都分配空闲循环曲线。
有充电电流持续流入车辆电池组41的循环可以被分配给充电循环曲线。充电循环曲线可以关于流动的充电电流来区分,例如高达11kW的充电电流和高于11kW的充电电流可以对应于不同的相对应的充电循环曲线。
这些运行参量变化过程F现在可以相对应地被分析并且按时间段被分配给不同的循环曲线。
替代地,可以借助于聚类方法基于负载特征来将循环分配给循环曲线,该聚类方法基于这些负载特征将这些循环分别分配到多条工作循环曲线之一、一条空闲循环曲线或者多条充电循环曲线之一。
就这两种做法而言,对于时长相同或可变的各个时间段来说得出循环曲线序列。
状态评价可以以基于规则或模型的方式进行,例如空闲循环被识别为空载状态,例如当Ignition==Off时。
动态时间序列数据是在除去停车阶段之后从用户的历史车队数据中被概率学习的。这里,特别是使用深度神经网络、特别是贝叶斯网络或LSTM方法,优选地在使用注意力机制的情况下,进行预测。
在下一步骤S4中,使用循环曲线序列来创建隐马尔可夫模型。在此,隐马尔可夫模型的节点或状态对应于各个可能的循环曲线,诸如工作循环曲线B1,B2,B3...、充电循环曲线L1,L2...和空闲循环曲线。这些循环曲线的节点经由具有转移概率p11,p12,...,p54,p55的边来彼此连接。这种通过HMM的采样或模拟能够低频地实现,并且例如可以每小时进行一次,乃至每天进行4-6次。在这种情况下,用户决策应该被建模和模拟,这些用户决策描述了使用场景(停车、充电、行驶)并且因此直接影响负载曲线的时间序列,原因在于HMM的状态直接与时间序列数据相关联,其中时间序列模式通过大量车队数据以特定于驾驶员的方式来学习。
图4示例性示出了具有节点21和边22的隐马尔可夫模型20的图形表示。节点21用相应的循环曲线来表示,并且边22配备有关于转移概率的示例性信息。如果这些循环被预先给定为具有恒定时长的时间段并且这样两条连续的循环曲线可以相同,则用虚线来说明从一条循环曲线到同一条循环曲线的转移概率。因此,该隐马尔可夫模型包括至少一个状态(节点),该状态与充电循环曲线或至少一条工作循环曲线和空闲循环曲线相关联,其中以特定于用户的方式来学习转移概率并且可选地学习观察概率。
现在,在下一步骤S5中,针对延伸直至预先给定的预测范围的预先给定的预测时长,可以按照蒙特卡洛马尔可夫模拟或者借助于隐马尔可夫模型的转移矩阵按照随机选择根据针对当前节点预先给定的到后续循环曲线的转移概率来执行循环曲线序列。得出直至预测范围为止的所预测的循环曲线序列。因此,基于HMM和运行参量的动态时间序列预测来得出未来的负载预测,其中空闲和工作和/或充电循环通过来自HMM中的状态采样重新被组合成动态负载阶段。可以使用期望值和置信度或分位数信息来提供负载预测。还可以进行航程预测,特别是基于负载预测的分位数预测或者基于期望值。
尤其是,在步骤S6中给这些循环曲线中的每条循环曲线都分配曲线运行参量变化过程,尤其是以电池组电流变化过程和电池组温度变化过程的形式。根据电池组电流变化过程和电池组温度变化过程,可以借助于适合的电池组性能模型来计算电池组电压和充电状态的变化过程。这样确定的运行参量变化过程可以被用作混合健康状态模型的输入参量,以便确定健康状态的相对应的预测变化过程。
曲线运行参量变化过程可以针对这些循环曲线中的每条循环曲线来预先给定,使得从循环曲线序列中得出运行参量变化过程的连续时间序列。
对相应的循环曲线的电池组电流变化过程的创建可以根据相关车辆电池组在与相应的循环曲线相对应的循环中的历史运行参量变化过程来确定。尤其是,对于被分配给相对应的循环曲线的循环的聚类,可以将离聚类的质心最近的循环的运行参量变化过程分配给相对应的循环曲线。
对于空闲循环曲线来说,电池组电流为0A。在此,电池组温度变化过程基本上对应于环境温度变化过程,该环境温度变化过程可以从天气预报和季节平均温度中推导出。
通过使这样确定的曲线运行参量变化过程彼此串接,可以相对应地构建所预测的运行参量变化过程,该所预测的运行参量变化过程将可能的运行参量变化过程模拟得最好,并且会引起老化,该老化会在以车辆的驾驶员的使用曲线来继续使用该车辆时得出。
在下一步骤S7中,所预测的运行参量变化过程可以被用于预测健康状态尤其是以确定预测健康状态变化过程。在这种情况下,该预测健康状态变化过程例如可以通过基于数据的或混合健康状态模型9来确定。
Claims (15)
1.一种用于预测技术设备(4)中的具有至少一个电化学单元的设备电池组(41)的健康状态或健康状态变化过程的计算机实现的方法,所述方法具有如下步骤:
-提供(S1)来自所述设备电池组(41)的至少一个运行参量中的随时间的运行参量变化过程;
-根据在预先给定的过去时间间隔内的所述随时间的运行参量变化过程,确定(S2)连续的循环,尤其是工作循环、空闲循环和充电循环,其中每个循环都分配有在预先给定的时间段内的运行参量变化过程;
-将所确定的循环分别分配(S3)给预先给定的循环曲线(R、B1、B2、L1、L2)之一,所述循环曲线分别表征所述设备电池组(41)的使用类型和/或负载水平,从而获得循环曲线(R、B1、B2、L1、L2)序列;
-确定(S4)在所形成的循环曲线(R、B1、B2、L1、L2)序列中从一条循环曲线到时间上随后的循环曲线(R、B1、B2、L1、L2)的转移的频率分布,尤其是以隐马尔可夫模型的形式;
-基于最后选择的循环曲线(R、B1、B2、L1、L2),通过按照所述转移的频率分布来对循环曲线(R、B1、B2、L1、L2)进行连续随机选择,创建(S5)所预测的循环曲线(R、B1、B2、L1、L2)序列;
-将所述循环曲线所分配的曲线运行参量变化过程分配(S6)给所预测的循环曲线序列,以便获得所预测的运行参量变化过程;
-借助于预先给定的健康状态模型,基于所述所预测的运行参量变化过程来确定(S7)预测健康状态或预测健康状态变化过程。
2.根据权利要求1所述的方法,其中所述循环曲线(R、B1、B2、L1、L2)包括一条或多条被分配给所述工作循环的工作循环曲线(B1、B2)、一条或多条被分配给所述空闲循环的空闲循环曲线(R)以及一条或多条被分配给所述充电循环的充电循环曲线(L1、L2),所述循环曲线彼此间的不同之处分别在于相关设备电池组(41)的负载类型。
3.根据权利要求2所述的方法,其中借助于基于规则的分类方法或者聚类方法基于负载特征来将所确定的循环分别分配给循环曲线,其中所述负载特征包括来自相应循环的运行参量变化过程中的至少一个聚合的参量。
4.根据权利要求3所述的方法,其中通过将所确定的循环分别分配给循环曲线(R、B1、B2、L1、L2),识别在没有通过电流的时间段内的空闲循环,使得给没有通过电流的时间段分配空闲循环曲线,并且给在空闲循环之前和在所述空闲循环之后的循环分别分配工作循环或充电循环。
5.根据权利要求1至4中任一项所述的方法,其中所述设备电池组(41)的至少一个运行参量包括电池组电流、电池组温度、电池组电压和充电状态。
6.根据权利要求1至5中任一项所述的方法,其中所述曲线运行参量变化过程分别说明了电池组电流和电池组温度的变化过程,其中电池组电压和充电状态的变化过程借助于电池组性能模型来确定。
7.根据权利要求1至6中任一项所述的方法,其中被分配给所述循环曲线的曲线运行参量变化过程分别对应于最新循环的被分配给相关循环曲线的那个运行参量变化过程。
8.根据权利要求1至6中任一项所述的方法,其中被分配给所述循环曲线的曲线运行参量变化过程分别对应于所述循环的被分配给相关循环曲线并且离所属聚类的质心最近的那个运行参量变化过程。
9.根据权利要求1至8中任一项所述的方法,其中为了确定在所形成的循环曲线序列中从一条循环曲线到时间上随后的循环曲线的转移的频率分布,创建隐马尔可夫模型,在所述隐马尔可夫模型中,循环曲线形成节点,所述节点经由边来连接,所述边分配有从一条循环曲线到下一条循环曲线的转移频率。
10.根据权利要求1至9中任一项所述的方法,其中借助于健康状态模型,基于所述所预测的运行参量变化过程来执行对所述预测健康状态或所述预测健康状态变化过程的确定,所述健康状态模型包括电化学模型,所述电化学模型通过非线性微分方程组来形成并且能通过时间积分来求解。
11.根据权利要求1至10中任一项所述的方法,其中借助于健康状态模型,基于所述所预测的运行参量变化过程来执行对所述预测健康状态的确定,以便确定直至到达结束时间点为止的剩余使用寿命以及尤其是对于作为技术设备(4)的车辆确定直至到达所述结束时间点为止的剩余航程,在所述结束时间点达到预先给定的健康状态。
12.一种用于提供隐马尔可夫模型尤其是以在根据权利要求1至10中任一项所述的方法之一中使用的计算机实现的方法,所述方法具有如下步骤:
-提供来自技术设备(4)中的具有至少一个电化学单元的设备电池组(41)的至少一个运行参量中的随时间的运行参量变化过程;
-根据在预先给定的过去时间间隔内的该随时间的运行参量变化过程,确定连续的循环,尤其是工作循环、空闲循环和充电循环,其中每个循环都分配有在预先给定的时间段内的运行参量变化过程;
-将所确定的循环分别分配给预先给定的循环曲线(R、B1、B2、L1、L2)之一,所述循环曲线分别表征所述设备电池组(41)的使用类型和/或负载水平,从而获得循环曲线(R、B1、B2、L1、L2)序列;
-基于在所形成的循环曲线序列中从一条循环曲线到时间上随后的循环曲线的转移的频率分布,确定隐马尔可夫模型。
13.一种装置,其用于执行根据权利要求1至12中任一项所述的方法。
14.一种计算机程序产品,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12中任一项所述的方法的步骤。
15.一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12中任一项所述的方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022202882.1 | 2022-03-24 | ||
DE102022202882.1A DE102022202882A1 (de) | 2022-03-24 | 2022-03-24 | Verfahren und Vorrichtung zum Bereitstellen eines prädizierten Alterungszustands einer Gerätebatterie basierend auf einem prädizierten Nutzungsmuster |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116804711A true CN116804711A (zh) | 2023-09-26 |
Family
ID=87930586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310293377.XA Pending CN116804711A (zh) | 2022-03-24 | 2023-03-23 | 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 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230305073A1 (zh) |
CN (1) | CN116804711A (zh) |
DE (1) | DE102022202882A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805662A (zh) * | 2024-02-26 | 2024-04-02 | 深圳市拓湃新能源科技有限公司 | 电池参数处理方法、装置、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160023567A1 (en) | 2014-07-28 | 2016-01-28 | Ford Global Technologies, Llc | Temperature dependent electrochemical battery model for vehicle control |
US20160023566A1 (en) | 2014-07-28 | 2016-01-28 | Ford Global Technologies, Llc | Reduced order electrochemical battery model for vehicle control |
US11243258B2 (en) | 2018-11-13 | 2022-02-08 | Robert Bosch Gmbh | Method for approximating algorithms for fast charging li-ion batteries based on electrochemical battery models |
-
2022
- 2022-03-24 DE DE102022202882.1A patent/DE102022202882A1/de active Pending
-
2023
- 2023-03-20 US US18/186,782 patent/US20230305073A1/en active Pending
- 2023-03-23 CN CN202310293377.XA patent/CN116804711A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805662A (zh) * | 2024-02-26 | 2024-04-02 | 深圳市拓湃新能源科技有限公司 | 电池参数处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
DE102022202882A1 (de) | 2023-09-28 |
US20230305073A1 (en) | 2023-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9846886B2 (en) | Strategic modeling for economic optimization of grid-tied energy assets | |
CN104773086B (zh) | 使用滚动时域回归分析来估计电池阻抗参数的方法和系统 | |
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 | |
WO2013128635A1 (ja) | 蓄電池分析システム、蓄電池分析方法、および蓄電池分析プログラム | |
CN111983457A (zh) | 一种基于lstm神经网络的电池组soh估算方法 | |
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 | |
CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
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 | |
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 | |
US11835589B2 (en) | Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine | |
WO2022229611A1 (en) | Health monitoring of electrochemical energy supply elements | |
CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
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 | |
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 | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
Ma et al. | Health-aware coordinate long-term and short-term operation for BESS in energy and frequency regulation markets | |
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 | |
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 | |
US20240168095A1 (en) | Method and Apparatus for Predictive Diagnosis of a Device Battery of a Technical Device Using a Multivariate Transformer Model | |
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 | |
Vilsen et al. | A Time-Varying Log-linear Model for Predicting the Resistance of Lithium-ion Batteries | |
US20230306803A1 (en) | Method and apparatus for the user-dependent selection of a battery operated technical device depending on a user usage profile | |
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 | |
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 |