CN116973755A - 初始提供针对能量存储器的老化状态模型的方法和装置 - Google Patents
初始提供针对能量存储器的老化状态模型的方法和装置 Download PDFInfo
- Publication number
- CN116973755A CN116973755A CN202310470587.1A CN202310470587A CN116973755A CN 116973755 A CN116973755 A CN 116973755A CN 202310470587 A CN202310470587 A CN 202310470587A CN 116973755 A CN116973755 A CN 116973755A
- Authority
- CN
- China
- Prior art keywords
- aging state
- energy
- model
- aging
- determined
- 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 220
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000012360 testing method Methods 0.000 claims abstract description 141
- 238000004146 energy storage Methods 0.000 claims abstract description 116
- 238000005259 measurement Methods 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 230000015654 memory Effects 0.000 claims abstract 2
- 230000006870 function Effects 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 18
- 230000007423 decrease Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims 4
- 238000004590 computer program Methods 0.000 claims 1
- 230000002035 prolonged effect Effects 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 24
- 230000000875 corresponding effect Effects 0.000 description 23
- 239000011159 matrix material Substances 0.000 description 14
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 5
- 238000007599 discharging Methods 0.000 description 5
- 239000003792 electrolyte Substances 0.000 description 5
- 229910052744 lithium Inorganic materials 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000014759 maintenance of location Effects 0.000 description 4
- 239000011149 active material Substances 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007086 side reaction Methods 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000212384 Bifora Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000003679 aging effect Effects 0.000 description 1
- 239000006183 anode active material Substances 0.000 description 1
- 238000013531 bayesian neural network Methods 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 239000006182 cathode active material Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005518 electrochemistry Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning 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
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
- G11C29/56—External testing equipment for static stores, e.g. automatic test equipment [ATE]; Interfaces therefor
-
- 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]
- G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
对一种电能量存储器初始提供至少部分基于数据的老化状态模型的方法，包括：根据所分配不同负载曲线在试验台上提供多个同类试验台能量存储器；在实际运行的技术设备中提供多个同类场能量存储器；以负载曲线运行试验台能量存储器和场能量存储器并检测其运行参量时间变化过程；在预先给定评估时间点确定能量存储器老化状态作为标签并生成具有运行参量变化过程和标签的训练数据集；基于其训练老化状态模型；针对场能量存储器之一基于其运行参量变化过程和建模不可靠性建模老化状态；根据特定场能量存储器的建模老化状态的建模不可靠性确定能量存储器状态并选择一个与场能量存储器状态相似或最相似或相应的试验台能量存储器测量老化状态来获得标签。
Description
技术领域
本发明涉及用于针对能量转换器或能量存储器系统中的相同类型的电能量存储器初始提供至少部分基于数据的老化状态模型的方法和装置，并且本发明尤其涉及用于预测测量成本和/或测量时间的方法。
背景技术
通常利用电能量存储器、诸如设备电池组或车辆电池组而针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的运行进行能量供给。
电能量存储器随着其使用寿命并且根据其载荷或使用而退化。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能量存储器的老化的度量。在设备电池组作为电能量存储器的情况下，按照惯例，新的设备电池组具有的老化状态(关于其容量而言，SOHC)可以为100％，所述老化状态在其使用寿命的过程中明显地衰退。
能量存储器的老化的度量(老化状态在时间上的变化)取决于能量存储器的个别负载、也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、外部周围环境条件和车辆电池组类型。
为了集中监控大量设备中电能量存储器的老化状态，可以连续地检测运行参量数据并将其作为运行参量变化过程而逐块地传输到设备外部的中央单元。
为了根据运行参量数据而以基于模型的方式确定电能量存储器的老化状态，需要提供初始的(initial)老化状态模型。为此，针对特定数量的同类(结构相同)的能量存储器而设置初始测量，例如在实验室或试验台进行初始测量，以生成针对要初始提供的老化状态模型的训练数据。为此，根据预先给定的负载曲线(Lastprofil)以不同方式以不同的运行周期而运行能量存储器。为此所需的能量耗费是相当大的，并且与要初始测量的能量存储器的数量成比例(skalieren mit)。初始测量也可能需要相当长的持续时间，特别是在仍要针对已老化的能量存储器而检测足够的训练数据的情况下。
发明内容
根据本发明而设置一种根据权利要求1所述的用于针对一种能量存储器类型而初始提供至少部分基于数据的老化状态模型的方法以及一种根据并列独立权利要求所述的相对应的装置。
在从属权利要求中说明其他构型方案。
根据第一方面，设置了一种用于针对一种电能量存储器类型而初始提供至少部分基于数据的老化状态模型的方法，其具有以下步骤：
-根据相应的所分配的负载曲线而在用于测量的试验台上提供多个相同类型的试验台能量存储器，其中这些负载曲线是不同的，并且表征对所述能量存储器进行加载(belasten)的至少一个运行参量的时间变化过程；
-在实际运行(Realbetrieb)中所运行的技术设备中提供多个相同能量存储器类型的场能量存储器(Feldenergiespeicher)；
-以分别所分配的负载曲线而运行所述多个试验台能量存储器以及在实际运行中运行所述多个场能量存储器，并检测相应能量存储器的时间上的运行参量变化过程；
-分别在预先给定的评估时间点，相应地确定一个、多个或所有能量存储器的老化状态作为标签，并生成具有所述运行参量变化过程和所确定的标签的相应训练数据集；
-基于所述训练数据集训练至少部分基于数据的老化状态模型；
-针对所述多个场能量存储器之一，基于其运行参量变化过程和建模不可靠性而对老化状态进行建模；
-根据所确定的场能量存储器的所建模老化状态的建模不可靠性，确定所确定的场能量存储器的能量存储器状态，并选择其中一个自身能量存储器状态与所述所确定的场能量存储器的所确定的能量存储器状态相似或最相似的或者相对应的试验台能量存储器，用于测量老化状态，以获得用于进一步训练老化状态模型的训练数据集的标签。
可以规定：如果试验台能量存储器的能量存储器状态与相关场能量存储器的所确定的能量存储器状态之间的距离偏离超过预先给定的阈值，则适配针对所选择的试验台能量存储器的负载曲线，其中一旦能量存储器状态之间的距离低于所述预先给定的阈值，就对所选择的试验台能量存储器的老化状态执行测量并提供相对应的训练数据集。
能量存储器在此被理解为表示用于储存电能的所有类型的储存器。其包括具有所含燃料储备(Brennstoffreservoir)的燃料电池系统以及电池组存储器。
电能量存储器的老化状态通常并不被直接测量。这可能需要在能量存储器附近的一系列传感器，这些传感器使得这种能量存储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能量存储器中的老化状态的适合日常使用的测量方法可用。
出于容量原因，对大量设备的能量存储器的监控因此在设备外部的中央单元中进行。为此，设备可以将能量存储器的运行参量的运行参量变化过程传送到所述中央单元，其中在所述中央单元中确定当前的电化学状态和/或老化状态。根据所使用的模型而定，运行参量的时间序列被连续检测为运行参量变化过程，例如针对作为能量存储器的设备电池组而检测电池组电流、电池组温度、充电状态和/或电池组电压，并逐块地必要时以压缩形式传送到中央单元。在那里，对运行参量变化过程进行评估，从而能够基于一个或多个老化状态模型(计算模型)而计算出/确定设备个别的老化状态，并在必要时计算出/确定其他参量。此外，可以使用统计方法评估来自大量能量存储器的运行参量，以改进所应用的老化状态模型，从而能够明显改善对能量存储器老化状态的确定和预测。
在设备电池组作为能量存储器的情况下，老化状态(SOH：State of Health(健康状态))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。老化状态代表针对设备电池组的老化的度量。在设备电池组或电池组模块或电池组电池的情况下，特定类型设备电池组的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。容量保持率SOH-C(即与容量有关的老化状态)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并且随着老化的增加而减小。可替代地，老化状态可以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增大。
由于通常难以以物理的方式来描述在特定类型的能量存储器运行期间的电化学效应，因此已证明为合适的是，作为老化状态模型而使用基于数据的模型或与老化状态模型相结合地使用基于数据的模型。
可以以物理的(电化学老化模型)、基于数据的或混合的老化状态模型的形式而设置可能的老化状态模型。所述混合模型相应于物理老化模型与基于数据的修正模型的结合。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(beaufschlagen mit)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，这些模型方程表征鉴于老化反应方面的非线性微分方程组的电化学状态、按照时间积分法持续地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中央单元(云)中以预先给定的评估时间间隔、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的或基于人工智能的概率回归模型、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，可以设置用于修正与容量有关的老化状态的基于数据的修正模型，和/或必要时设置另外的用于修正与电阻变化有关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，例如随机森林模型、AdaBoost模型、支持向量机或贝叶斯神经网络。
当新类型的能量存储器投入使用时需要的是，能够借助老化状态模型持续确定老化状态。由于在投入运行时通常不存在关于能量存储器老化的精确了解，因此需要初始地预先给定如下老化状态模型，所述老化状态模型能够至少大概地基于能量存储器的运行参量变化过程而说明老化状态。因此，老化状态模型的初始预给定(Vorgeben)需要对基于数据的老化状态模型或至少对混合的老化状态模型的基于数据的部分进行初始训练。
替代地或附加地，能量存储器的老化状态的精确建模还使得能够参数化或适配在设备电池组作为能量存储器的情况下本身已知的电池组性能模型，所述电池组性能模型例如可以被用于功能监控或异常识别。
用于老化状态模型的这种初始训练的训练数据通常在实验室中或试验台上(试验台能量存储器)通过对相同类型或相同结构类型的能量存储器进行初始测量得以确定，并通过一些在现场(即在实际应用情况中)运行的具有相同结构的能量存储器(场能量存储器)的技术设备在例如3-12个月的较长测量持续时间期间得以确定，并且包括预先给定数量的特别是随机选择的相同类型(结构相同)的能量存储器，这些能量存储器分别以各不相同的负载曲线而运行，或者通过随机负载曲线通过现场操作而运行。
这些负载曲线定义了运行周期序列，其可以通过预先给定的运行参量变化过程或运行特征、诸如基于直方图的或基于模型的特征来表征。这些特征通常具有累积(kumulativ)特性，例如通过电流积分而得出的安培小时吞吐量。此外，可以通过预先给定最大充电电流、在运行周期中电流消耗的持续时间和强度、平均安培小时吞吐量、快速充电过程的数量、空闲阶段(Ruhephasen)的持续时间(延长或缩短)、平均能量存储器温度的增高和/或降低而适配负载曲线。运行周期说明了针对特定时间段的周期性电流变化过程、温度变化过程等，从而由该序列而得出在能量存储器中实施的运行参量变化过程。特别是在设备电池组作为能量存储器的情况下，这些负载曲线可以包括在不同温度下的不同充电和放电电流分布并且可以特别地通过直方图数据以压缩方式被预先给定和表征。这些负载曲线被转换成电流输送周期、空闲周期和电流输出周期的时间序列，并且以高采样率检测与之相对应的运行参量，诸如电池组电流、电池组电压、电池组温度和充电状态，并将其存储为运行参量变化过程。
在预先给定的时间点，针对至少一部分试验台能量存储器，使用合适的其他模型或测量方法进行老化状态测量，以便为相应的运行参量变化过程确定标签。由此形成训练数据集，其可用于参数化老化状态模型和/或在混合或纯基于数据的老化状态模型的情况下用于训练基于数据的模型。可以考虑将各种老化状态模型或方法用于确定标签。
可以设置一个基础模型作为用于确定作为能量存储器的设备电池组的老化状态的可能的模型或方法，其中根据该基础模型，通过库伦计数或通过形成在充电过程期间时间上的电流积分而进行SOH-C测量，其中所述时间上的电流积分被除以在相关的充电和/或放电阶段的开始和结束之间的充电状态的偏移(Hub)。在这种情况下，有利地在空闲阶段对空载电压特性曲线执行校准，以便在中央单元中一并计算充电状态变化过程。如果在充电过程期间设备电池组在可再现的负载和周围环境条件下从已定义的松弛(relaxiert)状态出发而由完全放电的充电状态达到完全充电的状态，则例如能够获得关于老化状态的足够可靠的说明。由此而检测的最大电荷可以与设备电池组的初始的最大存储容量联系起来。与电阻有关的老化状态(SOH-R值)也可以通过与电流变化有关的电压变化而被计算出来。通常它们与所定义的时间间隔以及所定义的周围环境条件和系统的能量流方向有关。
单个能量存储器的测量通常是耗费的，从而为了改进老化状态模型，总是仅测量一个或多个对改进老化状态模型带来尽可能最大的贡献的能量存储器。因此，用于创建初始老化状态模型的方法可以降低在试验台上和现场的测量的成本，其方式为，仅使用如下能量存储器执行测量，这些能量存储器的通过所述信息度量所确定的信息增益被最大化以用于初始老化状态模型的扩展(Weiterbildung)。用于测量试验台能量存储器的负载曲线通常是固定地预先给定的，并且使得能够很好地覆盖老化状态模型的输入数据空间。然而，在现场运行的场能量存储器的情况下，可能出现不能通过老化状态模型足够精确地确定的运行状态。
为此规定：老化状态模型设计为使得可以获得关于建模不可靠性的说明(Angabe)。例如，如果基于数据的老化状态模型或在混合设计中所述基于数据的修正模型被设计为概率回归模型，特别是高斯过程模型，其中通过该模型可以确定建模不可靠性，则这很容易实现。当使用相应的老化状态模型与现场运行的车辆的运行参量变化过程时，可以在每次确定老化状态时借助相应的老化状态模型来确定：老化状态的建模不可靠性(预测值的置信度或方差)有多高。通过针对建模不可靠性预先给定阈值，因此可以识别针对场能量存储器的特定能量存储器状态的建模不可靠性不足的情况，即未达到阈值。
此外，能量存储器状态通过一个或多个由相关能量存储器的运行参量变化过程所确定的运行特征和/或老化状态和/或在迄今为止的使用寿命(日历年龄)期间聚合的其他特征来说明。
对于已识别出增加的建模不可靠性的相关场能量存储器，现在可以基于所选择的或预先给定的运行特征来确定能量存储器状态，这些运行特征对应于运行参量变化过程的统计评估，并且可以通过聚合运行参量的变化过程而得以确定。因此，能量存储器状态可以通过一个或多个运行特征、例如累积特征、诸如平均安培小时吞吐量、基于直方图的特征等以及通过电化学模型参数或状态、例如平衡参数(Equilibrium-Parameter)而得以确定，其中所述基于直方图的特征通过罚函数而关于老化影响方面(例如关于日历上的老化方面)对某些运行状态进行加权，其中所述平衡参数例如能够基于电化学电池组模型(在电池组作为能量存储器的情况下)在初始或补充的参数组(Bedatung)的基础上得以确定，其例如为可循环锂、阳极的体积分数、阴极的体积分数等。此外还可以使用动力学参数，例如层厚度、孔隙率、电解质浓度、反应速率以及扩散系数来说明能量存储器状态。
能量存储器特征可以例如基于在电池组使用寿命开始时(投入运行时间点)进行的初始校准或者基于不得与评估时间点相距太远的改装(Re-Fit)而被评估，其中模型拟合(Modellfit)例如不超过60-180天。有利地，定期地补充(Nachführen)或更新能量存储器特征。
然后可以在试验台上触发如下试验台能量存储器中的测量，所述试验台能量存储器的能量存储器状态最接近具有增加的建模不可靠性的相应场能量存储器的能量存储器状态。其可以通过比较所选择的或预先给定的能量存储器状态来确定，这些能量存储器状态根据相关试验台能量存储器的负载曲线和场能量存储器的负载曲线从运行参量变化过程得出，特别是通过最小欧几里德距离(L2范数)得出。
替代地，也可以使用互信息(Mutual Information)。互信息是一种信息度量，其检测：特定试验台能量存储器针对一个或多个场能量存储器包含了多少信息。可以选择具有对于相关/特定场能量存储器的最高互信息的所述一个或多个试验台能量存储器。所述选择可以以超过最小互信息为条件。
概括而言，互信息的计算在Krause等人的“，，Near-Optimal Sensor Placementsin Gaussian Processes：Theory，Efficient Algorithms and Empirical Studies”，2008年，JMLR中在传感器放置的上下文中得以描述。互信息只能基于高斯过程的预测方差以简单的方式计算。
必要时，可以改变在试验台上其中一个能量存储器的负载曲线，特别是通过适配周期性的能量存储器电流变化过程或能量存储器温度。例如，预先给定的能量存储器电流变化过程和/或能量存储器温度变化过程可以通过负载因子(Lastfaktor)而被增大或减小，以便增加或减少能量存储器的负载并由此增加或减少其老化速度。
这样，就可以从这些试验台能量存储器中选择老化状态较好且通过适配负载曲线而在预先给定的持续时间内或尽可能快地达到与如下场能量存储器的所确定的能量存储器状态相应的能量存储器状态的试验台能量存储器，其中所述场能量存储器在确定老化状态时具有过高的建模不可靠性。这样，在试验台测量以内没有考虑到的试验台能量存储器的能量存储器状态也可以事后用于进一步改进老化状态模型。
因此，为了创建初始老化状态模型而使用对试验台能量存储器和场能量存储器(如果适用)的老化状态的测量，其中场能量存储器的测量通常具有较低的可靠性，因为可能以相应的不可靠性而进行相应的老化状态的测量。为了使用这两种标签测量扩展老化状态模型，通过经由概率回归模型的协方差矩阵而考虑试验台测量和场能量存储器测量的不可靠性，可以在基于数据的老化状态模型中考虑具有不同的确定不可靠性(Bestimmungsunsicherheit)的标签测量(Label-Messung)。
可以规定：在分别预先给定的评估时间点，确定试验台能量存储器的子集的老化状态作为标签并且确定训练数据集，其具有运行参量变化过程和针对试验台能量存储器子集的每个试验台能量存储器的所确定的标签，其中根据一种优化方法而确定具有分别所分配的负载曲线的试验台能量存储器子集，其取决于试验台上试验台能量存储器的测量总成本和试验台能量存储器测量的总信息度量。
用于选择能量存储器子集的优化方法可以具有如下目标：最小化试验台上的测量成本和最大化通过信息度量所确定的用于创建初始老化状态模型的信息增益。
这使得能够根据如下信息增益而逐步减少已经测量的或正在测量中的能量存储器的数量，其中能够通过用于老化状态模型扩展的相关能量存储器的进一步测量而获得所述信息增益。
根据一个实施方式，在高斯过程模型作为概率模型的情况下，可以针对整个测量时间间隔中的评估时间点根据其中一个或多个能量存储器的输入向量(Eingangsvektor)来确定预测协方差，其中根据这些负载曲线或由此产生的运行参量变化过程而确定输入向量。
因此提出了一种方法，在该方法中，逐步地对老化状态模型进行进一步训练，并将那些对老化状态模型扩展贡献较小的电池组从测量中移除或不予考虑。为此，在使用概率回归模型作为基于数据的模型的情况下分别在评估时间点确定基于数据的模型的预测协方差
Σ(SOHj(t+t1)，SOHj(t+t2)，...，SOHj(t+tn))，
其中由老化状态模型中所设置的概率回归模型(高斯过程模型)得出所述预测协方差。在高斯过程模型作为概率回归模型的情况下，预测协方差不取决于迄今为止未见(ungesehen)的老化状态，而仅取决于高斯过程模型的输入参量并且因此可以写为：
其中x(t)相当于一个或多个运行参量变化过程，m(x(t))相当于作为负载曲线的直方图数据，z(t)相当于物理老化模型的多维电化学状态，例如SEI厚度、可循环锂的量、活性材料的量、电化学浓度等，并且Phys[x(t)]相当于物理的(建模)老化状态。
预测协方差是一个矩阵，可以对其应用信息度量，例如行列式(Determinante)或最大特征值(Eigenwert)。因此为其中每个所测量的能量存储器获得信息度量。针对多个能量存储器的信息度量J＝(j1...jm)可被说明为
其中J相当于所选择的能量存储器的数量，并且j1...jm相当于(在m个能量存储器情况下)这些能量存储器中所确定的能量存储器的索引(Index)。
此外，可以应用成本度量并且为每个待测量的能量存储器确定成本度量。成本度量可以包括：实验室或试验台测量期间的能量使用或需求以及能量存储器的整个测量的持续时间。除此之外，成本度量还可以附加地考虑到总试验台成本、试验台的占用时间和其他材料的使用。因此，可以预测性地以如下方式提供数量J的待测量能量存储器中的每一个能量存储器的成本度量C：
CJ＝C1+..+Cm
利用许多要测量的电池组的成本信息点的集合，现在可以求解优化问题并确定帕累托前沿(Pareto-Front)。帕累托前沿表示关于要创建的初始老化状态模型的可达到信息度量的成本度量。
在主动学习方法的变型的意义上，成本信息度量点的选择现在可以规定：选择如下能量存储器，针对所述能量存储器而言，成本信息度量点尽可能接近于帕累托前沿或在帕累托前沿上。
可以规定：
-基于目标函数并且特别是利用贪心算法执行所述优化方法，其中所述目标函数表示用于测量多个能量存储器的成本以及通过测量能量存储器子集所产生的总信息度量的加权和，
-所述优化方法旨在(gerichtet auf)：在这样选择的车辆电池组的测量的总成本小于预先给定的最大成本的辅助条件下最大化总信息度量；
-所述优化方法旨在：在总信息度量大于预先给定的最小信息度量的辅助条件下最小化总成本；
-所述优化方法旨在：在总成本小于预先给定最大成本的概率要大于预先给定概率的辅助条件下最小化总成本；或者
-所述优化方法旨在：在信息度量大于预先给定最小信息度量的概率要大于预先给定概率的辅助条件下最大化总信息度量。
根据优化方法的上述方案，可以通过目标函数预先给定成本和信息增益之间的权重，例如ZJ＝InfoJ+αCJ，其中使用用户定义的权重参数α。现在可以确定最优的能量存储器，特别是通过应用贪心算法。贪心算法首先选择最优的能量存储器，然后在预先给定最优的能量存储器已经被测量的情况下添加次优的能量存储器。作为预先选择上述目标函数的替代方案，约束优化问题(Optimierungsproblem)也可以通过限制最大成本和限制最小信息增益来求解。
作为用加权参数对目标函数进行加权的替代方案，约束优化问题也可以通过最大化信息度量InfoJ来求解，以便选择要选择的能量存储器的子集。这在测量所选择的能量存储器的成本总和小于预先给定的用户参数的辅助条件下进行，其中所述预先给定的用户参数说明了：允许成本最大有多高。
作为用加权参数对目标函数加权的替代方案，约束优化问题也可以通过最小化成本来求解，以便选择要选择的能量存储器的子集。这是在信息度量InfoJ大于预先给定的最小信息增益的辅助条件下进行的。
如果如上所述使用概率回归模型，则可以选择如下能量存储器，对于这些能量存储器，具有最高信息度量的所选择的能量存储器的测量成本总和小于预先给定参数的概率要大于预先给定的参数。因此，可以提供帕累托前沿的离散的成本信息增益点，该成本信息增益点以基于模型的方式与行动建议关联，并具体地预先给定了能量存储器以供选择用于进一步运行。
根据该方法，老化状态的具体测量现在针对所选择的能量存储器进行而不针对未选择的能量存储器进行。由此，连同所分配的运行参量变化过程一起获得了训练数据集。
可以用基于数据的概率模型来设计基于数据的老化状态模型，其中针对这些能量存储器之一，基于数据的模型的输入向量被映射到相关的能量存储器的待建模的老化状态或用于修正相关的能量存储器的物理建模的老化状态的修正参量，其中所述输入向量包括至少一个运行参量变化过程、由这些运行参量变化过程构成的运行特征、所述能量存储器的内部状态和/或物理建模的老化状态，其中针对能量存储器的信息度量被确定为预测协方差的行列式。
可以针对整个测量时间间隔的评估时间点根据一个或多个能量存储器的输入向量来确定预测协方差。
此外，可以在相应的设备中设置能量存储器作为电场能量存储器(elektrischeFeldenergiespeicher)，它们有助于创建初始老化状态模型。
也可以以规律的时间间隔对场能量存储器进行标签测量(Label-Messung)。这些标签测量提供了训练数据并且由于无法准确控制的测量条件而通常并不精确，从而使针对特定电池组状态的标签具有增加的确定不可靠性。
可以在考虑到对于训练数据集的针对试验台能量存储器和场能量存储器的相应老化状态确定而言的预先给定的确定不可靠性的情况下进行：用训练数据集训练至少部分基于数据的老化状态模型。
在重新训练老化状态模型时，可以在作为修正模型的高斯过程模型中以如下方式考虑到不同的确定不可靠性：
高斯过程使用核函数k(xi，xj)来描述元素xi与xj的相关性。为了考虑不同的确定不可靠性(测量噪声)，将确定不可靠性/噪声项相加：
k(xi，xj)+β-1δij
其中β描述噪声的大小并且δij是指示函数(Indikatorfunktion)(即i＝j时＝1，否则＝0)。这意味着：在具有向量X＝(x1，...，xn)的核矩阵K(X，X)中，噪声项被加到对角线上。
为了考虑到不同的确定不可靠性，将另一噪声或确定不可靠性项相加到核矩阵K(X，X)的每个对角线元素。
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
下面依照附图更详细地解释实施方式。其中：
图1示出用于测量大量车辆电池组以创建初始老化状态模型的试验台的示意图；
图2示出混合老化状态模型的示意图；
图3示出用于说明用于优化地创建初始老化状态模型的方法的流程图。
图4示出在测量中针对不同车辆电池组的成本与信息度量点的帕累托前沿图；和
图5示出在不同负载模式情况下的不同车辆电池组的老化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2连接到作为示例性电能量存储器的大量连接的车辆电池组3。这些车辆电池组被称为试验台车辆电池组3(作为试验台能量存储器的示例)。试验台单元2可以根据分别预先给定的负载模式来操控试验台车辆电池组3，该负载模式可以表征电池组个别不同的电流变化过程和/或温度变化过程。这些电流变化过程和/或温度变化过程根据负载曲线周期性地应用(anlegen an)于相关的试验台车辆电池组3并且引起不同的负载。对于试验台车辆电池组3，因此达到试验台车辆电池组3的不同的循环老化速度，例如通过根据由相关负载曲线预先给定的安培小时吞吐量、与充电时的充电状态相关的最大充电电流、放电时的最大工作电流、平均充电和放电电流以及相应的温度条件而预先给定车辆电池组的运行周期。为其中每个试验台车辆电池组3单独地预先给定负载曲线，并且所述负载曲线对应于试验台车辆电池组3的相应负载的或较小负载的运行模式。连续检测和中间存储试验台车辆电池组3的时间上的运行参量变化过程。在试验台车辆电池组3的情况下，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，以提供相应的初始老化状态模型9，这使得能够以预先给定的最大建模不可靠性来确定相关车辆电池组的当前老化状态。为此要创建的老化状态模型9可以至少部分地基于数据来设计并且具有基于数据的概率回归模型。
对试验台1上的大量试验台车辆电池组3的测量规定：借助于合适的方法在规律的时间点对所有或所选择的试验台车辆电池组3进行老化状态确定。由此结合由分别分配给相关的车辆电池组3的负载曲线预先给定的相应相关联的运行参量变化过程而得出如下训练数据集，所述训练数据集可以用于训练基于数据的/混合的老化状态模型9。试验台1的使用和大量试验台车辆电池组3的测量造成的成本一方面是由于能量消耗造成的，另一方面是由于试验台的占用时间和其他材料使用造成的。当测量大量车辆电池组3时这些成本应该会降低，而不会损害最初训练的老化状态模型9的质量。
试验台单元2还与多个车辆11通信连接。这些车辆分别具有车辆电池组13，所述车辆电池组以本身已知的方式连接到电池组管理系统12。这些车辆电池组被称为车辆场电池组(Feldfahrzeugbatterie)13。电池组管理系统12可以针对车辆电池组而如下所述地检测运行参量变化过程，并且在必要时进行老化状态测量。所述信息以规律的时间间隔被传输到试验台单元2，以便有助于老化状态模型9的初始提供。
示例性地，图2示意性示出了以混合方式设计的基于数据的老化状态模型9的实施方式的功能结构。在所描述的实施方式中，老化状态模型9包括物理老化模型5和基于数据的修正模型6，所述基于数据的修正模型优选地设计为概率回归模型或基于人工智能的概率回归模型。在其他实施方式中，老化状态模型也可以是纯粹基于数据而设计的。
物理老化状态模型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、特别是自车辆电池组使用寿命开始以来的运行参量变化过程进行的老化状态模型9的物理老化模型5的评估导致：出现物理微分方程的方程组的如下内部状态，所述内部状态对应于车辆电池组的物理内部状态。由于物理老化模型基于物理和电化学定律，因此物理老化模型的模型参数是说明物理特性的参量。
因此，待评估的车辆电池组的运行参量x(t)的时间序列直接包含到物理老化状态模型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在多维状态向量中建模了相对应的内部电化学状态z(t)、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。
物理老化模型5因此相应于相关电池组电池3的电化学模型。这种模型根据运行参量变化过程x(t)而确定内部的物理电池组状态z(t)，以便说明取决于上述这些电化学状态z(t)的至少一个维度的物理学上所基于的老化状态SOHph＝Phys[x(t)]。所述电化学状态z(t)可以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)，以便提供其作为老化状态(SOH-C和SOH-R)。
然而，通过电化学模型所提供的针对物理老化状态SOHph的模型值在特定情况下是不精确的，并且因此而规定：以修正参量k来修正所述模型值。由基于数据的修正模型6提供所述修正参量k，其中借助于通过试验台1所确定的训练数据集来训练所述基于数据的修正模型。
优选地，所述基于数据的修正模型6相当于根据现有训练数据集预先训练并且随后用新训练数据集进一步训练的高斯过程模型所述训练数据集相应于：所选择的运行特征到作为标签的老化状态的分配。此处，μ对应于mx1维的向量，该向量说明了预测平均值，并且∑对应于高斯过程模型的mxm维的预测协方差矩阵。针对高斯过程评估的协方差∑(x*)和平均值μ(x*)的公式如下：
其中N对应于标签的数量，x*是m×d维的，并且说明了输入空间中与新确定的训练数据集对应的m个新点的集合，其中和y分别对应于N×1维的向量，并且其中y分别说明了所测量的或作为标签所确定的老化状态。k对应于核评估的N×m维的矩阵(核(kernel))，所述核评估说明了在m个新点和N个所测量点之间的在高斯过程核中编码的相关性。K＝K(X，X)对应于：在N＝1...n个所测量点和多个新点x*的先验协方差或新点x*的先验方差(无数据)的c之间的核评估的N x N维的核矩阵。对于新的测试点x*，k(x*，X)是描述训练数据与所述一个或多个新点x*之间相关性的向量。为了获得协方差Sigma∑(x*)，从中减去一个项(直观上：方差变小，这是因为从所述数据中学到了一些东西)。索引T表示转置(Transponierte)。另见Bishop的“Pattern Recognition and MachineLearning”，2006年。方差与标签y无关，因为新点x*的标签没有出现在预测方差公式中。在利用标签的模型训练中，这些标签通过超参数训练而被间接包含(eingehen)到超参数中。
该修正模型6在输入侧获得运行特征m(x(t))，其中由运行参量的变化过程x(t)确定所述运行特征作为统计参量或聚合参量并且所述运行特征还可以包括物理模型5的微分方程组的内部电化学状态中的一个或多个。此外，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(x(t))在特征提取块8中基于运行参量变化过程x(t)而产生。还向该修正模型6提供来自电化学物理老化模型5的状态向量的内部状态z(x(t))以及有利地提供物理老化状态SOHph。特征向量m(x(t))是稳健的，因为它不依赖于物理老化模型的模型质量或其状态。因此，考虑特征向量m(x(t))是对物理或电化学老化模型的内部状态z(t)的有意义的补充。
根据运行参量x(t)，可以在中央单元2中为每个车队3或在其他实施例中也已经在相应的机动车中生成静态或聚合的运行特征m(x(t))，所述静态或聚合的运行特征与评估时间间隔或迄今为止的总运行时间有关。对于老化状态的确定而言，评估时间间隔可以为几小时(例如6小时)到数周(例如1个月)。针对评估时间间隔的常见值为一周。
这些运行特征m(x(t))可以例如包括：与评估时间间隔或迄今为止的总运行时间有关的统计学特征和/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(Histogrammmerkmal)，例如在充电状态上的温度、在温度上的充电电流和在温度上的放电电流，尤其是关于在充电状态上的电池组温度分布的多维的直方图数据、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吞吐量、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％ΔSOC]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的平滑曲线：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并且在特征空间中对其进行归一化。这些运行特征m(x(t))可以总体或者仅部分地用于接下来描述的方法。
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的和基于数据的修正模型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待输出的经建模的老化状态SOH。高斯过程的反差、也即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。高斯过程模型的所述置信度或置信度值因此表征了运行特征点到老化状态的映射的建模不可靠性。
混合老化状态模型9的初始训练在试验台1中进行。为此，创建如下训练数据集，所述训练数据集将根据负载曲线所描述的试验台电池组和/或车辆场电池组的运行参量变化过程分配到凭经验或基于模型作为标签所确定的老化状态。
作为标签的老化状态的确定能够以本身已知的方式在所定义的产生标签的负载条件和周围环境条件下、例如在恒定温度、恒定电流等情况下通过以附加的老化模型评估所述运行参量变化过程而进行。为此，可以使用其他模型用于确定老化状态。可以基于训练数据集和建模老化状态的残差以常规方式对基于数据的修正模型进行训练。
例如，可以为了作为标签的老化状态的确定而针对混合或基于数据的老化状态模型的训练设置基础模型，其中根据该基础模型，通过库伦计数或通过形成在充电过程期间时间上的电流积分而进行SOH-C测量，其中所述时间上的电流积分被除以在相关的充电和/或放电阶段的开始和结束之间的充电状态的偏移。如果在充电过程期间车辆电池组在可再现的负载和周围环境条件下从已定义的松弛状态出发而由完全放电的充电状态达到完全充电的状态，则例如能够获得关于老化状态的足够可靠的说明。由此而检测的最大电荷可以与车辆电池组的初始的最大充电容量联系起来。与电阻有关的老化状态(SOH-R值)也可以通过与电流变化有关的电压变化而被计算出来。通常它们与所定义的时间间隔以及所定义的周围环境条件和系统的能量流方向有关。
此外，车辆场电池组12可用于创建初始的老化状态模型。在此，也可以进行作为标签的老化状态的测量，但由于周围环境条件不确定，这些测量不如在受控条件下在试验台上确定的老化状态可靠。
以这种方式，可以为试验台车辆电池组3和车辆场电池组12确定相应的训练数据集，以便训练混合老化状态模型。根据K(xn，xm)＝k(xn，xm)+β-1δnm通过重新训练而对关于确定协方差矩阵的不同确定不可靠性进行考虑，其中K相应于协方差矩阵，而δnm相应于指示函数，其中n＝m，利用说明噪声大小的加权因子β而将所述指示函数施加于初始的或先前重新训练的老化状态模型或修正模型的核矩阵K。
为了考虑不同的确定不可靠性，而将相应的噪声或确定不可靠性项相加到该核矩阵k(X，X)的每个对角线元素。
图3示出描述用于通过测量大量试验台车辆电池组3和车辆场电池组13初始提供老化状态模型9的方法的顺序的流程图。该方法在试验台控制设备2中执行并导致：初始提供基于数据的老化状态模型9，所述老化状态模型实现了：在基于实际运行中车辆电池组3的运行参量变化过程确定老化状态时足够低的建模不可靠性。
在步骤S1中，试验台1装备有大量相同类型的新出厂(或处于参考状态)的试验台车辆电池组3，并且给其中每个试验台车辆电池组3分派预先给定的负载曲线。负载曲线是不同的并且分别代表相关联的车辆电池组3的低到高负载范围内的负载。这些负载曲线提供了说明，例如，可以借助于合适的模型从这些说明导出运行参量、例如结合温度变化过程的电池组电流的时间变化过程。以这样的方式选择负载曲线，使得产生的运行参量变化过程以不同方式对试验台车辆电池组3施加压力(stressen)。
此外，提供车辆场电池组13，其用于在实际使用中运行的车辆中，为了进行初始测量而由不同驾驶员驾驶这些车辆。因此，车辆场电池组13面临的是自然驾驶员的驾驶行为，并因此在车辆场电池组13的日历上的老化期间提供车辆场电池组13的真实电池组状态。
在步骤S2中，大量试验台车辆电池组3根据预先给定的负载曲线被运行，车辆中的车辆场电池组(13)根据通过驾驶员的驾驶行为而预先给定的负载模式被运行。
在步骤S3中检查是否已经达到评估时间点。可以在特定时间点预先给定所述评估时间点或者例如以规律的时间间隔设置评估时间点，例如以一周到两个月之间的时间间隔设置评估时间点。如果已经达到评估时间点(抉择：是)，则该方法以步骤S4继续，否则跳回到步骤S2。
然后，现在可以对一个或多个试验台车辆电池组3进行测量，其中，例如根据针对扩展老化状态模型的信息增益，测量全部或仅一些试验台车辆电池组3。在下文中从如下实施方式出发，在所述实施方式中仅选择并测量部分试验台车辆电池组3。
在步骤S4中，基于老化状态模型9迄今为止的训练状态，现在针对多个试验台车辆电池组3中的每一个确定信息度量，所述信息度量说明了：在相关车辆电池组3的进一步测量过程中可以获得哪些信息增益。这种信息度量可以作为预测协方差而得以说明。特别是，当使用高斯过程模型作为概率回归模型时，预测协方差
∑(SOHj(t+t1)，SOHj(t+t2)，...，SOHj(t+tn))
并不取决干迄今为止未被确定的老化状态，而是仅取决干输入参量因此，也可以写为：/>这表示可以使用信息度量、例如行列式或最大特征值而被评估的矩阵。因此，可以以简单的方式从由负载模式得出的运行参量变化过程的评估中得出信息增益。
结果，在步骤S4中，获得关于来自多个试验台车辆电池组3中的各个试验台车辆电池组3的预期信息增益的信息度量。多个车辆电池组3J＝(j1...jm)的信息度量的组合(总信息度量)可以通过协方差矩阵：
被说明。
在步骤S5中，进一步计算针对其中每个试验台车辆电池组3的成本度量。所述成本度量可以包括使用试验台1连同预期能量消耗和测试时间以及其他材料使用在内的成本。因此，如果将在离散化评估时间点直至测量持续时间结束tn为止的成本相加，则可以预测性地针对多个试验台车辆电池组3中的每一个提供成本度量。因此，对于其中每个试验台车辆电池组3作为成本获得
并作为针对测量特定数量m的车辆电池组3的总成本获得
CJ＝C1+..+Cm
其中1...m相应于数量J的子集中的车辆电池组3的索引。
因此，对于试验台车辆电池组3中的每一个，获得关于预计的信息增益的信息度量和相应的成本，其中试验台上的相关车辆电池组3的进一步测量造成所述成本。例如，如在图4中示意性地示出的，得出帕累托前沿。
通过选择与其中每个试验台车辆电池组3的成本和信息度量对应的成本信息度量点，在步骤S6中可以选择如下试验台车辆电池组3，针对那些试验台车辆电池组在当前评估时间点应确定以所测量的老化状态的形式的标签。
可以借助于合适的老化状态模型或用于确定老化状态的合适的测量方法来对老化状态进行确定。
通过库伦计数或通过形成在充电过程期间时间上的电流积分而进行的测量可以作为用于确定老化状态的可能模型或方法来使用。在此情况下，所转移的电荷被除以在相关的充电和/或放电阶段的开始和结束之间的充电状态的偏移。在这种情况下，有利地在空闲阶段中对空载电压特性进行校准，以便一并计算试验台单元2中的充电状态变化过程。如果在充电过程期间试验台车辆电池组3在可再现的负载和周围环境条件下从已定义的松弛状态出发而由完全放电的充电状态达到完全充电的状态，则例如能够获得关于老化状态的足够可靠的说明。由此而检测的最大电荷可以与试验台车辆电池组3的初始的最大充电容量联系起来。
待测量的车辆电池组3的选择可以根据目标函数采用优化方法来确定，其中所述目标函数对成本与信息增益相互进行权衡。目标函数可以具有以下形式：ZJ＝InfoJ+αCJ，其中使用用户定义的权重参数α，并且可以确定预先给定数量的试验台车辆电池组3，其中针对所述预先给定数量目标函数得出最大值。为了求解优化问题，可以采用贪心算法，所述贪心算法先添加最优的试验台车辆电池组3(目标函数ZJ的最高结果)，然后加入(关于ZJ)次优的数个试验台车辆电池组3，其中假设：先前确定的试验台车辆电池组3已经被测量。
作为用加权参数对目标函数进行加权的替代方案，也可以通过从待选择的大量试验台车辆电池组3中选择试验台车辆电池组3的子集通过最大化信息度量InfoJ来求解约束优化问题。这在如下辅助条件下进行：以这种方式选择的试验台车辆电池组3的测量成本总和小于预先给定的用户参数，其中所述预先给定的用户参数说明了：允许成本最大有多高。
作为用加权参数对目标函数进行加权的替代方案，也可以通过从待选择的大量试验台车辆电池组3中选择试验台车辆电池组3的子集通过最小化成本来求解约束优化问题。这在如下辅助条件下进行：总信息度量InfoJ大于关于所有所选择的车辆电池组的预先给定的最小信息增益。
如果概率模型用于老化状态模型9，则辅助条件也可以被说明为：成本小于预先给定参数的概率要大于预先给定的概率。替代地，也可以将辅助条件说明为：总信息度量InfoJ大于预先给定最小信息度量的概率要大于预先给定的概率。
随后，在步骤S7中，使用所选择的试验台车辆电池组3以便对作为标签的老化状态进行高精确测量。如上所述，所有试验台车辆电池组3也可用于确定老化状态。
对于多个车辆电池组3得出例如如图5所示的老化状态的变化过程。结合由负载曲线得出的运行参量变化过程和作为标签的所确定的老化状态，准备好能够用于训练老化状态模型4的训练数据集。确定不可靠性被分配给每个训练数据集，所述确定不可靠性说明了：以所用方法确定的老化状态的可靠性。
在步骤S8中，针对车辆场电池组13，根据在试验台单元2中提供或传送的运行参量变化过程，特别是使用合适的方法或上述方法，分别确定老化状态，并且提供针对所确定的老化状态的确定不可靠性。
确定不可靠性可以例如在借助所述混合老化状态模型的SOH确定中根据概率模型的建模不可靠性或置信度(这里是修正模型6的高斯过程)而得以确定或作为概率模型的建模不可靠性或置信度而得以确定。
以这种方式新确定的基于试验台车辆电池组3和车辆场电池组13的测量的训练数据集连同它们的确定不可靠性在步骤S9中用于老化状态模型9的进一步训练。附加地，自动的超参数调节(Hyperparameter-Tuning)，例如通过基于梯度的方法或黑盒方法，例如贝叶斯优化执行。
通过重新训练而对关于协方差矩阵确定方面的不同的确定不可靠性的考虑相应地通过确定不可靠性/噪声项的相加而进行：
k(xn，xm)+β-1δnm
其中β描述噪声的大小并且δnm是指示函数(即n＝m时＝1，否则＝0)。
在步骤S10中，针对一个、多个或所有车辆场电池组13检查用于确定建模的老化状态的分别分配的运行参量变化过程的评估的方差或预测不可靠性是否超过预先给定阈值。如果是这种情况(抉择：是)，则该方法以步骤S11继续。否则，跳回到步骤S2。
在步骤S11中，针对一个、多个或所有车辆场电池组13中的每一个以信号通知：应针对与所述车辆场电池组13对应的电池组状态进行用于试验台支持的老化状态测量的精确测量。
为此，针对这些相关的车辆场电池组13其中的每个，从这些试验台车辆电池组3中选择如下试验台车辆电池组，所述试验台车辆电池组的电池组状态与对应的车辆场电池组13的电池组状态尽可能接近。
对于其中每个所选择的试验台车辆电池组3，现在，在步骤S12中检查：所选择的试验台车辆电池组3的电池组状态与相关车辆场电池组13的电池组状态之间的距离是否大于预先给定阈值。如果所选择的试验台车辆电池组3的电池组状态与相关车辆场电池组13的电池组状态之间的距离大于预先给定阈值，则方法以步骤S13继续。否则(抉择：否)，该方法以步骤S14继续。电池组状态之间的距离可以例如通过L2范数或通过根据相应的运行参量变化过程所确定或导出的所选择或预先给定的相应的运行特征的互信息度量来确定。
在步骤S13中，对被分配给所选择的试验台车辆电池组3的负载曲线进行适配，以便使相关试验台车辆电池组3的电池组状态接近于相关车辆场电池组13的相关电池组状态。通过预先给定或更改负载曲线中所受的压力因子(Stressfaktor)来进行适配。例如，可以通过预先给定最大充电电流、运行周期中电流消耗的持续时间和强度、平均安培小时吞吐量、快速充电过程的数量、空闲阶段持续时间(延长或减少)平均电池组温度的升高或降低等适配负载曲线。因此，例如在所选择的试验台车辆电池组3的电池组状态所对应的电池组老化要比相关车辆场电池组13的老化状态所说明的更高的情况下，可以延长负载曲线中的空闲阶段的持续时间，以便减缓试验台车辆电池组的循环老化3。在系统测试的情况下，在一个有利的设计方案中，在包层面上，恢复率或平衡策略也可以在用于优化系统层面上的压力因子的硬件在环设置中进行。
此外，在适配相应负载曲线之后的后续时间变化过程期间，所选择的试验台车辆电池组3的电池组状态与相关车辆场电池组13的所观察(冻结)的电池组状态之间的距离被监测，并且在电池组状态之间的距离低于预先给定阈值的情况下执行测量。也就是说，如果针对所选择的试验台车辆电池组3的电池组状态已经以对于车辆电池组的运行状态的足够程度接近于车辆场电池组13的之前所确定的电池组状态，则以经适配的负载曲线对有关试验台车辆电池组3进行测量，以确定训练数据集。所述训练数据集使得能够通过在试验台1上确定高精度老化状态作为标签来改善老化状态模型9的恶化的预测不可靠性的范围。
在步骤S14中，以上述方式测量所选择的试验台车辆电池组3以确定老化状态。
在随后的步骤S15中，检查：对于所提供的验证数据集，经训练的老化状态模型是否超过足够的精确度，例如：超过1.5％SOHC的最大误差。如果是这种情况(抉择：是)，则该方法以步骤S2继续，否则(抉择：否)车辆电池组3的测量结束。
Claims (14)
1.用于针对一种电能量存储器(3、13)类型而初始提供至少部分基于数据的老化状态模型(4)的方法，所述方法具有以下步骤：
-根据相应的所分配的负载曲线而在用于测量的试验台上提供(S 1)多个相同类型的试验台能量存储器(3)，其中所述负载曲线是不同的，并且表征对所述试验台能量存储器(3)进行加载的至少一个运行参量的时间变化过程；
-在实际运行中所运行的技术设备中提供(S1)多个相同能量存储器类型的场能量存储器(13)；
-以分别所分配的负载曲线而运行(S2)所述多个试验台能量存储器(3)以及在实际运行中运行所述多个场能量存储器，并检测相应能量存储器(3、13)的时间上的运行参量变化过程；
-分别在预先给定的评估时间点，相应地确定(S7)一个、多个或所有能量存储器(3、13)的老化状态作为标签，并生成具有所述运行参量变化过程和所确定的标签的相应训练数据集；
-基于所述训练数据集训练(S9)至少部分基于数据的老化状态模型；
-针对所述多个场能量存储器(13)之一，基于所述场能量存储器的运行参量变化过程和建模不可靠性而对老化状态进行建模(S11)；
-根据所确定的场能量存储器的所建模的老化状态的建模不可靠性，确定(S11)所确定的场能量存储器的能量存储器状态，并选择其中一个自身能量存储器状态与所述所确定的场能量存储器的所确定的能量存储器状态相似或最相似的或者相对应的试验台能量存储器，用于测量老化状态(S14)，以获得用于进一步训练老化状态模型的训练数据集的标签。
2.根据权利要求1所述的方法，其中如果所述试验台能量存储器(3)的能量存储器状态与相关场能量存储器的所确定的能量存储器状态之间的距离偏离超过预先给定的阈值，则适配(S13)针对所选择的试验台能量存储器(3)的负载曲线，其中一旦所述能量存储器状态之间的距离低于所述预先给定的阈值，就对所选择的试验台能量存储器(3)的老化状态执行测量并提供相对应的训练数据集。
3.根据权利要求2所述的方法，其中，通过预先给定最大充电电流、在运行周期中电流消耗的持续时间和强度、平均安培小时吞吐量、快速充电过程的数量、空闲阶段的持续时间(延长或缩短)、平均能量存储器温度的增高和/或降低而适配所述负载曲线。
4.根据权利要求1至3中任一项所述的方法，其中所述能量存储器状态通过一个或多个由相关的能量存储器(3、13)的运行参量变化过程所确定的运行特征和/或通过所述老化状态来说明。
5.根据权利要求1至4中任一项所述的方法，其中在考虑到对于所述训练数据集的相应老化状态的确定而言的预先给定的确定不可靠性的情况下进行：用所述训练数据集训练至少部分基于数据的老化状态模型。
6.根据权利要求1至5中任一项所述的方法，其中，在分别预先给定的评估时间点，确定所述试验台能量存储器(3)的子集的老化状态作为标签并且生成训练数据集，所述训练数据集具有运行参量变化过程和针对所述试验台能量存储器(3)的子集的每个试验台能量存储器(3)的所确定的标签；其中根据优化方法而确定具有分别所分配的负载曲线的试验台能量存储器(3)的子集，所述优化方法取决于所述试验台(1)上所述试验台能量存储器(3)的测量的总成本(CJ)和所述试验台能量存储器(3)的测量的总信息度量(InfoJ)。
7.根据权利要求6所述的方法，其中所述优化方法的目标是：最小化所述试验台(1)上的测量的总成本(CJ)和最大化通过所述信息度量(InfoJ)所确定的用于创建所述初始老化状态模型(4)的信息增益，其中所述成本特别是取决于在所述试验台(1)上的测量期间的能量使用或需求和/或待测量的能量存储器(3)的整个测量的持续时间和/或至少考虑到所述试验台(1)的占用时间和/或材料使用的总试验台成本。
8.根据权利要求7所述的方法，其中：
-基于目标函数并且特别是利用贪心算法执行所述优化方法，其中所述目标函数表示用于测量所述多个能量存储器(3)的总成本(CJ)以及通过测量所述能量存储器(3)的子集所产生的总信息度量(InfoJ)的加权和，
-所述优化方法旨在：在这样选择的能量存储器(3)的测量的总成本(CJ)小于预先给定的最大成本的辅助条件下最大化总信息度量(InfoJ)；
-所述优化方法旨在：在所述总信息度量(InfoJ)大于预先给定的最小信息度量的辅助条件下最小化总成本(CJ)；
-所述优化方法旨在：在所述总成本(CJ)小于预先给定的最大成本的概率要大于预先给定的概率的辅助条件下最小化总成本(CJ)；或者
-所述优化方法旨在：在总信息度量(InfoJ)大于预先给定的最小信息度量的概率要大于预先给定概率的辅助条件下最大化所述总信息度量(InfoJ)。
9.根据权利要求1至8中任一项所述的方法，其中，用基于数据的概率模型来设计所述基于数据的老化状态模型(4)，其中针对所述试验台能量存储器(3)之一，所述基于数据的模型的输入向量被映射到相关的试验台能量存储器(3)的待建模的老化状态或用于修正相关的试验台能量存储器(3)的物理建模的老化状态的修正参量，其中，所述输入向量包括至少一个运行参量变化过程(x(t))和/或由所述至少一个运行参量变化过程构成的至少一个运行特征(m(x(t)))、所述试验台能量存储器(3)的内部状态和/或物理建模的老化状态，其中，针对试验台能量存储器(3)的信息度量被确定为预测协方差的行列式。
10.根据权利要求9所述的方法，其中，针对整个测量时间间隔中的评估时间点，根据其中一个或多个试验台能量存储器(3)的输入向量来确定预测协方差。
11.根据权利要求10所述的方法，其中，在高斯过程模型作为概率模型的情况下，针对整个测量时间间隔中的评估时间点根据其中一个或多个试验台能量存储器(3)的输入向量来确定预测协方差，其中根据所述负载曲线而确定所述输入向量。
12.用于执行根据权利要求1至11中任一项所述的方法之一的装置。
13.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11中任一项所述的方法的步骤。
14.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所述指令时，所述指令促使所述数据处理设备执行根据权利要求1至11中任一项所述的方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102022204165.8A DE102022204165A1 (de) | 2022-04-28 | 2022-04-28 | Verfahren und Vorrichtung zum initialen Bereitstellen eines Alterungszustandsmodells für Energiespeicher auf Basis von Active Learning Algorithmen |
| DE102022204165.8 | 2022-04-28 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116973755A true CN116973755A (zh) | 2023-10-31 |
Family
ID=88306818
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310470587.1A Pending CN116973755A (zh) | 2022-04-28 | 2023-04-27 | 初始提供针对能量存储器的老化状态模型的方法和装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116973755A (zh) |
| DE (1) | DE102022204165A1 (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 |
| 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 |
| DE102020212299A1 (de) | 2020-09-29 | 2022-03-31 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren |
-
2022
- 2022-04-28 DE DE102022204165.8A patent/DE102022204165A1/de active Pending
-
2023
- 2023-04-27 CN CN202310470587.1A patent/CN116973755A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| DE102022204165A1 (de) | 2023-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111612204B (zh) | 用于优化电池组的性能的系统、方法和存储介质 | |
| 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 | |
| CN113740753A (zh) | 根据电蓄能器的预测老化状态来运行电可驱动机动车的方法和设备 | |
| 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 | |
| CN114072685A (zh) | 一种用于估计电池单元的操作参数的方法 | |
| US11675017B2 (en) | Method and apparatus for device-specific determination of an internal-resistance based state of health of a battery | |
| 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 | |
| CN116256658A (zh) | 基于系统性状态和环境影响利用对状态观察的校正来提供设备电池组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 | |
| 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 | |
| CN113125983A (zh) | 电池容量估算方法和系统 | |
| CN116699435A (zh) | 基于机器学习方法识别电池组中的临界异常的方法和装置 | |
| CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
| 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 | |
| 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 | |
| US20220187376A1 (en) | Method and Device for Predicting a State of Health of an Energy Storage System | |
| US11656293B2 (en) | Method and apparatus for parameterizing an electrochemical battery model for a battery based on data from a plurality of batteries | |
| 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 | |
| CN117630673A (zh) | 用于针对蓄能器初始提供老化状态模型的方法和装置 | |
| 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 | |
| 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 | |
| US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
| US11938838B2 (en) | Method and device for the robust prediction of the aging behavior of an energy storage unit in a battery-operated machine | |
| US20240168095A1 (en) | Method and Apparatus for Predictive Diagnosis of a Device Battery of a Technical Device Using a Multivariate Transformer Model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |